【摘要】為評(píng)估中國(guó)高速公路擁堵工況下自動(dòng)駕駛汽車在切入場(chǎng)景中的安全風(fēng)險(xiǎn)，從自然駕駛數(shù)據(jù)集中提取64個(gè)切入樣本，采用六層次模型和相關(guān)性分析方法確定場(chǎng)景要素范圍，通過(guò)抽樣生成1 000個(gè)測(cè)試用例并構(gòu)建安全評(píng)估指標(biāo)體系分析車輛運(yùn)行安全，運(yùn)用隨機(jī)森林算法確定引發(fā)風(fēng)險(xiǎn)的關(guān)鍵因素。結(jié)果表明：在1 000個(gè)測(cè)試用例中，風(fēng)險(xiǎn)場(chǎng)景占比5.3%，縱向相對(duì)速度是導(dǎo)致風(fēng)險(xiǎn)的關(guān)鍵要素；擁堵工況下，環(huán)境車輛速度低于自動(dòng)駕駛車輛速度23%時(shí)形成高風(fēng)險(xiǎn)切入場(chǎng)景，該指標(biāo)可作為擁堵切入場(chǎng)景下自動(dòng)駕駛汽車識(shí)別風(fēng)險(xiǎn)的預(yù)測(cè)指標(biāo)，亦可用于該場(chǎng)景下的事故責(zé)任認(rèn)定。

主題詞：高速公路 擁堵工況 自動(dòng)駕駛汽車 切入場(chǎng)景 運(yùn)行安全 隨機(jī)森林

中圖分類號(hào)：U463.6；U492.8" 文獻(xiàn)標(biāo)志碼：A" "DOI： 10.19620/j.cnki.1000-3703.20240024

Construction Test Set and Risk Assessment of Cut-in Scenarios for Autonomous Vehicles under Highway Congestion Conditions

Shi Shuaikun1， Zhao Dan1， Ma Mingyue2， Miao Zelin2， Zhou Xiaoji3

（1. People’s Public Security University of China， Beijing 100038; 2. Research Institute for Road Safety of the Ministry of Public Security， Beijing 100062; 3. China Automotive Engineering Research Institute Co.， Ltd.， Chongqing 401122）

【Abstract】To assess the safety risks of autonomous vehicles during cut-in scenarios on congested Chinese highways， 64 cut-in samples were extracted from a natural driving dataset. Employing a six-level model and correlation analysis， the static and dynamic factors of the scenarios were defined. Subsequently， 1 000 test cases were randomly generated through sampling， and a safety assessment index system was established to analyze the safety of vehicle operations. Lastly， the random forest algorithm was applied to identify the key factors triggering risks. Results indicate that risk scenarios account for 5.3% of the total， with longitudinal relative velocity identified as the crucial factor. Under congested conditions， a high-risk cut-in scenario is formed when the speed of surrounding vehicles is 23% lower than that of autonomous vehicles， this indicator serves as a crucial predictive measure for identifying collision risks in congested cut-in scenarios for autonomous vehicles and may be applied in determining liability of accident in such scenarios.

Key words： Highway， Congested conditions， Autonomous vehicles， Cut-in scenario， Operational safety， Random forest

1 前言

自動(dòng)駕駛汽車行駛過(guò)程中，相較于跟車等場(chǎng)景，切入場(chǎng)景被視為高風(fēng)險(xiǎn)場(chǎng)景之一[1-3]。在切入場(chǎng)景中，擁堵工況下風(fēng)險(xiǎn)更為顯著[4-5]。根據(jù)UN R157《裝備自動(dòng)車道保持系統(tǒng)的車輛核準(zhǔn)的統(tǒng)一條款》對(duì)高速公路擁堵工況的定義，當(dāng)平均車速低于60 km/h時(shí)，通?？梢哉J(rèn)為道路處于擁堵狀態(tài)，自動(dòng)駕駛汽車需要更加謹(jǐn)慎地處理切入場(chǎng)景，以確保行駛安全[6]。

目前，場(chǎng)景組合方法[7]作為國(guó)內(nèi)外常用的場(chǎng)景構(gòu)建方法，更關(guān)注基于本體論結(jié)構(gòu)化描述場(chǎng)景和組合關(guān)鍵要素。在場(chǎng)景結(jié)構(gòu)化描述方面：Geyer等[8]在控制模塊中引入本體論進(jìn)行場(chǎng)景結(jié)構(gòu)化表達(dá)；Ulbrich等[9]提出知識(shí)庫(kù)模型，層次化分類場(chǎng)景要素；Menzel等[10]根據(jù)要素類型，使用5個(gè)獨(dú)立分層實(shí)現(xiàn)了場(chǎng)景描述；Sauerbier等[11]增加數(shù)字信息層，提出了更完整的六層次模型。在關(guān)鍵要素組合方面，周文帥等[12]通過(guò)組合基元場(chǎng)景實(shí)現(xiàn)關(guān)鍵要素組合，郭柏蒼等[13]、Xia等[14]分析要素與場(chǎng)景危險(xiǎn)性或復(fù)雜度的關(guān)系并基于此構(gòu)建了關(guān)鍵要素組合。以上方法均實(shí)現(xiàn)了生成場(chǎng)景的高覆蓋度，且將要素與場(chǎng)景危險(xiǎn)性等特性相關(guān)聯(lián)，但組合關(guān)鍵要素時(shí)，未考慮要素間的相關(guān)性。

為提高仿真結(jié)果的準(zhǔn)確性，在構(gòu)建與評(píng)估自動(dòng)駕駛擁堵狀態(tài)下的切入場(chǎng)景過(guò)程中，需增強(qiáng)對(duì)要素間相關(guān)性的分析[15]。本文旨在針對(duì)自動(dòng)駕駛車輛在擁堵狀態(tài)下的切入場(chǎng)景，基于中國(guó)某高/快速路擁堵場(chǎng)景自然駕駛數(shù)據(jù)集，使用六層次模型和相關(guān)性分析方法對(duì)該場(chǎng)景下的場(chǎng)景要素及要素間的相關(guān)關(guān)系進(jìn)行分析。

2 數(shù)據(jù)收集及處理

2.1 數(shù)據(jù)來(lái)源及描述

場(chǎng)景的要素取值依賴于實(shí)際數(shù)據(jù)集[16]，相較于高風(fēng)險(xiǎn)場(chǎng)景的事故數(shù)據(jù)集[17-18]，自然駕駛數(shù)據(jù)集包含的場(chǎng)景覆蓋度更廣，可滿足多工況測(cè)試需求[19-23]。

中國(guó)高/快速路擁堵場(chǎng)景航測(cè)數(shù)據(jù)集（Aerial Dataset for China’s Highways and Expressways，AD4CHE）針對(duì)中國(guó)典型交通擁堵場(chǎng)景，采用無(wú)人機(jī)懸停航測(cè)，采集了中國(guó)部分城市的快速路和高速路的車輛軌跡數(shù)據(jù)。該數(shù)據(jù)集軌跡長(zhǎng)度為6 540 km、數(shù)量為53 761條，精度為5 cm，最大誤差為10 cm[24]。其軌跡數(shù)據(jù)主要字段如表1所示，其中x方向?yàn)檐囕v的行駛方向，即車道的延伸方向，y方向?yàn)檐嚨赖臋M向方向。

本文取其中兩段限速為120 km/h的高速公路路段，記錄車輛3 042輛，軌跡數(shù)量3 112條，平均運(yùn)行車速為33.12 km/h，車速的最大、最小值分別為68 km/h、1.08 km/h，方差為1.71 （km/h）2。因此，根據(jù)交通流平均運(yùn)行車速，兩路段在記錄時(shí)段內(nèi)交通流為擁堵狀態(tài)。

需要指出，該數(shù)據(jù)集并不包含自動(dòng)駕駛車輛運(yùn)行軌跡，本文旨在采用該數(shù)據(jù)獲取環(huán)境車輛切入動(dòng)作的運(yùn)動(dòng)學(xué)參數(shù)，自動(dòng)駕駛車輛運(yùn)動(dòng)學(xué)參數(shù)通過(guò)構(gòu)建其車輛動(dòng)力學(xué)模型完成。因此，本文建立的切入場(chǎng)景更適用于自動(dòng)駕駛車輛與傳統(tǒng)車輛的混合流。

2.2 數(shù)據(jù)篩選

切入場(chǎng)景的構(gòu)成需滿足有車輛變道，且在變道車輛換道后，其后的緊隨車輛運(yùn)動(dòng)發(fā)生顯著變化。根據(jù)相關(guān)研究[25]，車輛運(yùn)動(dòng)發(fā)生明顯變化時(shí)加速度隨車速提高而減小，為避免提取換道行為數(shù)據(jù)發(fā)生遺漏，將數(shù)據(jù)集中最大車速（19 m/s）對(duì)應(yīng)的加速度（-0.45 m/s2）設(shè)為閾值，而未導(dǎo)致緊隨車輛運(yùn)動(dòng)發(fā)生明顯變化的變道不構(gòu)成切入場(chǎng)景，如分流匝道駛出。

2.2.1 識(shí)別換道

同一編號(hào)的車輛在某時(shí)刻的車道線編號(hào)發(fā)生變化即認(rèn)為進(jìn)行了換道。當(dāng)換道車y方向速度的絕對(duì)值達(dá)到最小值時(shí)，開始換道，速度再次減小至最小值時(shí)，換道結(jié)束，如圖1所示。

分析所取路段的3 112條軌跡，每條軌跡車輛變道次數(shù)為0～4次，其分布情況如圖2所示。其中，18.1%存在變道，即563條軌跡可能包含切入場(chǎng)景。

2.2.2 切入場(chǎng)景數(shù)據(jù)集構(gòu)建

切入場(chǎng)景由變道車和其換道之后的緊隨車組成，其中變道車（Lane Change Vehicle，LCV）變道后緊隨車為自動(dòng)駕駛車（Ego）。ISO 34502[2]提出，影響Ego安全的4個(gè)關(guān)鍵變量為：Ego初始縱向速度Ve0、LCV與Ego縱向相對(duì)速度Vx=Vc0-Ve0、LCV與Ego橫向相對(duì)速度Vy、LCV與Ego縱向相對(duì)距離dx，如圖3所示。其中，Vc0為L(zhǎng)CV初始縱向速度。

計(jì)算換道過(guò)程中緊隨車輛的平均加速度變化情況。按圖4所示的流程篩選563條換道數(shù)據(jù)，最終提取切入場(chǎng)景樣本64例構(gòu)建切入場(chǎng)景數(shù)據(jù)集，如表2所示。

2.3 切入場(chǎng)景數(shù)據(jù)分析

變道車輛切入時(shí)可能保持勻速，也可能伴隨加、減速的情況，故在切入場(chǎng)景數(shù)據(jù)集構(gòu)建完成后，需對(duì)切入場(chǎng)景數(shù)據(jù)進(jìn)行分析，進(jìn)一步確定切入場(chǎng)景的特征。通過(guò)分析切入場(chǎng)景數(shù)據(jù)集64例樣本切入過(guò)程中x方向速度的平均值、離差、標(biāo)準(zhǔn)差、離散程度對(duì)變道車輛切入時(shí)的速度狀態(tài)進(jìn)行確定，如圖5所示。

樣本的離差、標(biāo)準(zhǔn)差遠(yuǎn)小于樣本速度均值，且離差平均值為0.3 m/s，離差標(biāo)準(zhǔn)差為0.19 m/s，樣本離散程度約為0。因此，樣本數(shù)據(jù)相對(duì)集中，變道車切入自動(dòng)駕駛車輛所在車道的過(guò)程中，x方向速度無(wú)顯著變化，即構(gòu)建的擁堵狀態(tài)下自動(dòng)駕駛切入場(chǎng)景數(shù)據(jù)庫(kù)中64例樣本屬于變道車勻速切入場(chǎng)景。

3 切入場(chǎng)景構(gòu)建

3.1 構(gòu)建方法

依據(jù)ISO 34502[2]的場(chǎng)景要素取值方法，確定六層次模型[11]根據(jù)6個(gè)獨(dú)立分層描述事件的動(dòng)、靜態(tài)要素，如表3所示。靜態(tài)要素由第一、二、三、五層定義，各測(cè)試場(chǎng)景中取值一致；動(dòng)態(tài)要素由第四、六層定義，場(chǎng)景間差異主要在于動(dòng)態(tài)要素的取值[26]。通過(guò)量化各要素取值，將動(dòng)、靜態(tài)要素值組合，生成切入具體場(chǎng)景，最終得到包含若干場(chǎng)景的測(cè)試場(chǎng)景集。

3.2 場(chǎng)景要素取值

六層次模型中，得到靜態(tài)、動(dòng)態(tài)要素值后，即可生成具體的測(cè)試場(chǎng)景。因此，要素取值是場(chǎng)景構(gòu)建的關(guān)鍵環(huán)節(jié)，動(dòng)態(tài)要素取值尤為重要。

3.2.1 靜態(tài)要素取值

靜態(tài)要素取值根據(jù)行駛環(huán)境確定。結(jié)合AD4CHE數(shù)據(jù)集，確定靜態(tài)要素為高速公路、平直路段、瀝青路面、三車道、晴天、限速120 km/h標(biāo)志。因數(shù)據(jù)集中不存在臨時(shí)管控措施，故本文不對(duì)第三層賦值。

3.2.2 動(dòng)態(tài)要素取值

因仿真環(huán)境中感知數(shù)據(jù)精度不足，虛擬仿真一般不考慮車車通信，故本文未對(duì)第六層賦值。第四層要素取值可分為確定關(guān)鍵要素、分析各要素分布特性、檢驗(yàn)要素間是否存在相關(guān)關(guān)系、確定要素取值范圍及抽樣提取動(dòng)態(tài)要素值。

a. 關(guān)鍵要素確定。參考ISO 34502[2]，確定切入場(chǎng)景動(dòng)態(tài)要素Ve0、Vx、Vy、dx。

b. 關(guān)鍵要素統(tǒng)計(jì)分布估計(jì)。對(duì)動(dòng)態(tài)要素進(jìn)行初步估計(jì)，擬合要素分布曲線，如圖6所示，假定能夠服從的分布類型后，使用非參數(shù)檢驗(yàn)法檢驗(yàn)要素分布。對(duì)各項(xiàng)動(dòng)態(tài)要素分別假設(shè)：原假設(shè)，要素與正態(tài)分布無(wú)顯著性差異；備擇假設(shè)，要素與正態(tài)分布有顯著性差異。

由于本文樣本量屬小樣本范疇，故選取夏皮羅-威爾克（Shapiro-Wilk）指標(biāo)為檢驗(yàn)標(biāo)準(zhǔn)，如表4所示，置信區(qū)間為95%，4項(xiàng)動(dòng)態(tài)要素的顯著性均超過(guò)0.05，故通過(guò)檢驗(yàn)，4項(xiàng)動(dòng)態(tài)要素均服從正態(tài)分布。

c. 動(dòng)態(tài)要素間相關(guān)性分析。要素間相關(guān)性會(huì)對(duì)要素取值產(chǎn)生影響，需考慮要素間相關(guān)性，使其取值更為合理，如：高速路上行駛時(shí)，Vx越大，保障安全所需距離越小，dx隨之減小。

設(shè)Vx為自變量、dx為因變量，用于相關(guān)性分析的樣本應(yīng)為自變量的5～10倍[27]，綜合考慮各區(qū)間用于計(jì)算均值μ和標(biāo)準(zhǔn)差σ的樣本數(shù)量至少為2個(gè)，故將自變量劃分為6個(gè)區(qū)間進(jìn)行相關(guān)性分析，建立因變量μ與σ關(guān)于自變量的回歸方程：

以式（1）中斜率的t檢驗(yàn)[28]值作為判斷因變量與自變量是否存在相關(guān)性的標(biāo)準(zhǔn)（取置信區(qū)間為95%，即|t|≥1.96時(shí)，存在線性關(guān)系），如表5所示。dx的μ與Vx線性相關(guān)，對(duì)應(yīng)方程μ=-0.407Vx+5.984，dx的σ與Vx無(wú)相關(guān)性，取σ為樣本整體標(biāo)準(zhǔn)差，σ=2.279。

d. 動(dòng)態(tài)要素取值范圍確定。結(jié)合3σ原則[29]和要素間相關(guān)性確定參數(shù)范圍，由c可得，Vx為自變量時(shí)，dx范圍為（-0.407Vx-0.853，-0.407Vx+12.821），如圖7所示。

根據(jù)上述方法可得所有動(dòng)態(tài)要素參數(shù)范圍，如表6所示，描述了范圍上下限（μ±3σ）[29]的線性表示。其中：Vy-Vx、Vy-dx、Vx-Vy、dx-Vy在雙變量關(guān)系中，無(wú)線性關(guān)系；Vx-Ve0、dx-Ve0、Ve0-Vx、Ve0-dx、Ve0-Vy在雙變量關(guān)系中，呈正相關(guān)線性關(guān)系；dx-Vx、Vx-dx在雙變量關(guān)系中，呈負(fù)相關(guān)線性關(guān)系；Vy-Ve0上、下限對(duì)應(yīng)斜率不同，并非單純正相關(guān)或負(fù)相關(guān)，在雙變量關(guān)系中，存在復(fù)雜關(guān)聯(lián)關(guān)系。

綜上，在Ve0、Vx、dx、Vy的多變量關(guān)系中，不僅存在雙變量間的直接相關(guān)，還存在由其他變量導(dǎo)致的變量變化的間接相關(guān)。因此，動(dòng)態(tài)要素取值前，應(yīng)使用聯(lián)合分布表征要素間的復(fù)雜相關(guān)關(guān)系，再以要素組合的形式進(jìn)行抽樣取值。

e. 要素抽樣取值。因要素間存在復(fù)雜相關(guān)性，故在抽樣時(shí)需將要素視為變量，建立多個(gè)變量的聯(lián)合分布概率密度函數(shù)，再使用抽樣方法實(shí)現(xiàn)動(dòng)態(tài)要素組合抽樣，生成切入測(cè)試用例。

由動(dòng)態(tài)要素分布估計(jì)結(jié)果可知，4項(xiàng)動(dòng)態(tài)要素符合正態(tài)分布，且要素間存在相關(guān)性，可構(gòu)成協(xié)方差矩陣。由此，假設(shè)動(dòng)態(tài)要素聯(lián)合分布符合多元高斯分布：

多元高斯分布需滿足每項(xiàng)參數(shù)的正態(tài)性以及協(xié)方差矩陣的正定性。前文已證實(shí)，4項(xiàng)參數(shù)均為正態(tài)分布，且Σ為實(shí)對(duì)稱陣并且特征值均為正數(shù)，故Σ為正定矩陣。因此，切入場(chǎng)景下4項(xiàng)動(dòng)態(tài)要素的聯(lián)合分布符合多元高斯分布。

確定聯(lián)合分布函數(shù)后，使用蒙特卡洛抽樣，獲得符合聯(lián)合分布的1 000組要素組合抽樣取值。結(jié)合確定的靜態(tài)要素取值，即獲得1 000個(gè)完整的切入測(cè)試用例，表7所示即為一個(gè)完整用例。

4 切入場(chǎng)景運(yùn)行安全性評(píng)價(jià)

4.1 運(yùn)行安全性評(píng)價(jià)指標(biāo)構(gòu)建

可靠的安全性評(píng)價(jià)是自動(dòng)駕駛推廣的前提，通常使用通過(guò)性指標(biāo)或平均接管次數(shù)指標(biāo)對(duì)其評(píng)價(jià)[30-32]。平均接管次數(shù)注重體現(xiàn)真實(shí)駕駛情況，而通過(guò)性指標(biāo)更適用于反映車輛的仿真測(cè)試場(chǎng)景。因此，本文使用通過(guò)性指標(biāo)進(jìn)行安全性評(píng)價(jià)，參考UN R157[6]，將切入場(chǎng)景分為切入開始前、變道時(shí)、開始后至結(jié)束3個(gè)階段，設(shè)置不同階段的通過(guò)性評(píng)價(jià)指標(biāo)對(duì)完整切入場(chǎng)景進(jìn)行安全性評(píng)估，如表8所示。

使用VTD（Virtual Test Drive）仿真軟件構(gòu)建仿真模型實(shí)現(xiàn)車輛安全性分析，并基于分析結(jié)果判別導(dǎo)致風(fēng)險(xiǎn)的主要?jiǎng)討B(tài)要素。首先，使用VTD現(xiàn)有動(dòng)力學(xué)模型，輸入切入初始狀態(tài)參數(shù)Ve0、Vx、Vy、dx，使Ego維持切入初始運(yùn)動(dòng)狀態(tài)直到切入結(jié)束；其次，運(yùn)行測(cè)試環(huán)境，生成測(cè)試數(shù)據(jù)；再次，分析測(cè)試數(shù)據(jù)，計(jì)算車輛在3個(gè)階段的評(píng)價(jià)指標(biāo)，判別該場(chǎng)景下車輛運(yùn)行安全性；最后，根據(jù)指標(biāo)閾值將場(chǎng)景分為風(fēng)險(xiǎn)場(chǎng)景與無(wú)風(fēng)險(xiǎn)場(chǎng)景，通過(guò)隨機(jī)森林[33]模型分析動(dòng)態(tài)要素對(duì)產(chǎn)生風(fēng)險(xiǎn)的影響程度。

4.2.1 車輛安全性分析

設(shè)置4.1節(jié)中的3項(xiàng)安全指標(biāo)閾值，分析1 000例用例，其中，947個(gè)場(chǎng)景通過(guò)測(cè)試，僅53個(gè)場(chǎng)景存在風(fēng)險(xiǎn)，占比5.3%，如圖8所示。例如，表7所示隨機(jī)測(cè)試場(chǎng)景對(duì)應(yīng)閾值為L(zhǎng)lt;1.75 m、tTTCLIgt;0.355 s、tTTCgt;2 s，仿真測(cè)試結(jié)果為L(zhǎng)≈0 m、tTTCL=2.8 s，tTTC過(guò)程最小值為0.3 s，說(shuō)明車輛在此場(chǎng)景下存在風(fēng)險(xiǎn)。

圖8a中，所有測(cè)試用例的Ego均符合L的安全性要求，說(shuō)明Ego在車道保持方面表現(xiàn)出高度可靠性；圖8b中，53個(gè)測(cè)試用例未滿足tTTC要求，表明在整個(gè)切入過(guò)程中，Ego在dx等方面的規(guī)劃控制還需進(jìn)一步優(yōu)化；圖8c中，6個(gè)測(cè)試用例未滿足tTTCLI安全性要求，表明在擁堵狀態(tài)下，Ego在被切入時(shí)行為規(guī)劃方面仍存在改進(jìn)空間。

4.2.2 動(dòng)態(tài)要素對(duì)風(fēng)險(xiǎn)的影響分析

根據(jù)風(fēng)險(xiǎn)性對(duì)場(chǎng)景進(jìn)行分類，并分析要素影響。由于數(shù)據(jù)間存在相關(guān)性，選擇機(jī)器學(xué)習(xí)分析特征的重要性。而隨機(jī)森林[33]模型具有準(zhǔn)確率高、魯棒性和抗過(guò)擬合能力強(qiáng)的特點(diǎn)，采用分類與回歸決策樹（Classification And Regression Tree，CART）[34]算法，基于要素對(duì)降低基尼不純度[33]的貢獻(xiàn)大小，衡量要素的重要性。

試驗(yàn)使用準(zhǔn)確率、召回率、F1分?jǐn)?shù)對(duì)隨機(jī)森林模型進(jìn)行評(píng)價(jià)[33]。構(gòu)建的隨機(jī)森林模型準(zhǔn)確率為99%，召回率為86%，F(xiàn)1分?jǐn)?shù)為0.92，說(shuō)明該模型能夠分析動(dòng)態(tài)要素重要性，結(jié)果如圖9所示。

4項(xiàng)動(dòng)態(tài)要素中，導(dǎo)致風(fēng)險(xiǎn)的主要要素為Vx，重要性評(píng)分為0.831，dx、Vy、Ve0是次要要素，重要性評(píng)分分別為0.074、0.064、0.031。

進(jìn)一步分析風(fēng)險(xiǎn)場(chǎng)景要素Vx，根據(jù)53例風(fēng)險(xiǎn)場(chǎng)景數(shù)據(jù)統(tǒng)計(jì)分析，Vx的μ為-1.73，σ為0.55。根據(jù)3σ原則[29]，導(dǎo)致風(fēng)險(xiǎn)的Vx范圍為（-3.88，-0.08），即運(yùn)行車速低于60 km/h（16.6 m/s）的交通狀態(tài)下，LCV以較Ego低3.88 m/s的縱向速度切入時(shí)，會(huì)產(chǎn)生碰撞風(fēng)險(xiǎn)。

綜上所述，本文研究的擁堵狀態(tài)下變道車勻速切入場(chǎng)景中，風(fēng)險(xiǎn)的主要致因?yàn)長(zhǎng)CV激進(jìn)的切入行為。具體而言，高速公路擁堵工況下，當(dāng)LCV在其縱向速度低于Ego縱向速度的23%時(shí)切入，極易形成高風(fēng)險(xiǎn)切入場(chǎng)景，引發(fā)Ego避撞策略失效，從而導(dǎo)致碰撞風(fēng)險(xiǎn)。

5 結(jié)束語(yǔ)

本文基于中國(guó)高/快速路擁堵場(chǎng)景航測(cè)數(shù)據(jù)集，在考慮要素相關(guān)性的前提下，構(gòu)建了擁堵狀態(tài)變道車勻速切入仿真場(chǎng)景，提高了生成場(chǎng)景的準(zhǔn)確性與真實(shí)性。Ego可將Vx用于擁堵工況切入場(chǎng)景的碰撞風(fēng)險(xiǎn)規(guī)劃，也可用于該場(chǎng)景下交通事故的車輛責(zé)任判定標(biāo)準(zhǔn)。

當(dāng)前，本文僅考慮了LCV車輛勻速變道切入導(dǎo)致Ego減速，且不存在其他環(huán)境車輛復(fù)雜影響的場(chǎng)景。未來(lái)，可進(jìn)一步研究在周圍其他環(huán)境車輛影響下，LCV變速切入以及Ego不同響應(yīng)行為的場(chǎng)景，以應(yīng)對(duì)各種復(fù)雜的駕駛情況。

參 考 文 獻(xiàn)

[1] 王雪松， 楊敏明. 基于自然駕駛數(shù)據(jù)的變道切入行為分析[J]. 同濟(jì)大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2018， 46（8）： 1057-1063.

WANG X S， YANG M M. Cut-in Behavior Analyses Based on Naturalistic Driving Data[J]. Journal of Tongji University （Natural Science）， 2018， 46（8）： 1057-1063.

[2] ISO. Road Vehicles-Scenario-Based Safety Evaluation- Framework for Automated Driving Systems： ISO 34502[S]. Geneva， Switzerland： ISO， 2021.

[3] NAJM W G， SMITH J D， YANAGISAWA M. Pre-Crash" "Scenario Typology for Crash Avoidance Research[J]." " " " "Department of Transportation. National Highway Traffic Safety Administration， 2007， 767.

[4] 北京智能車聯(lián)產(chǎn)業(yè)創(chuàng)新中心. 北京自動(dòng)駕駛車輛道路測(cè)試報(bào)告[R/OL]. （2023-04-18） [2024-01-10]. https：//www.mzone.site/index.php/index/index/cid/2/sid/21.html.

Beijing Intelligent Vehicle Industry Innovation Center. Road Test Report on Autonomous Driving Vehicles in Beijing[R/OL]. （2023-04-18） [2024-01-10]. https：//www.mzone.site/index.php/index/index/cid/2/sid/21.html.

[5] National Highway Traffic Safety Administration. Summary Report： Standing General Order on Crash Reporting for" " "Automated Driving Systems： DOT HS 813 324[R]." " " " " "Washington， D.C.， USA： NHTSA， 2022.

[6] United Nations Economic Commission for Europe. Uniform Provisions Concerning the Approval of Vehicles with" " " " "Regards to Automated Lane Keeping System： UN R157[S]. Switzerland： UNECE， 2020.

[7] 鄧偉文， 李江坤， 任秉韜， 等. 面向自動(dòng)駕駛的仿真場(chǎng)景自動(dòng)生成方法綜述[J]. 中國(guó)公路學(xué)報(bào)， 2022， 35（1）： 316-333.

DENG W W， LI J K， REN B T， et al. A Survey on Automatic Generation Methods on Simulation Scenarios for" " " " " " " " Autonomous Driving[J]. China Journal of Highway and" Transport， 2022， 35（1）： 316-333.

[8] GEYER S， BALTZER M， FRANZ B， et al. Concept and" " "Development of A Unified Ontology for Generating Test and Use-Case Catalogues for Assisted and Automated Vehicle Guidance[J]. IET Intelligent Transport Systems， 2013， 8（3）： 183-189.

[9] ULBRICH S， NOTHDURFT T， MAURER M， et al. Graph-Based Context Representation， Environment Modeling and Information Aggregation for Automated Driving[C]// 2014 IEEE Intelligent Vehicles Symposium Proceedings." " " " " " Dearborn， MI， USA： IEEE， 2014： 541-547.

[10] MENZEL T， BAGSCHIK G， ISENSEE L， et al. From Functional to Logical Scenarios： Detailing a Keyword-Based Scenario Description for Execution in a Simulation Environment[C]// 2019 IEEE Intelligent Vehicles Symposium （IV）. Paris， France： IEEE， 2019： 2383-2390.

[11] SAUERBIER J， BOCK J， WEBER H， et al. Definition of Scenarios for Safety Validation of Automated Driving" " " " Functions[J]. ATZ Worldwide， 2019， 121（1）： 42-45.

[12] 周文帥， 朱宇， 趙祥模， 等. 面向高速公路車輛切入場(chǎng)景的自動(dòng)駕駛測(cè)試用例生成方法[J]. 汽車技術(shù)， 2021， 544（1）： 11-18.

ZHOU W S， ZHU Y， ZHAO X M， et al. Vehicle Cut-in Test Case Generation Methods for Testing of Autonomous Driving on Highway[J]. Automobile Technology， 2021， 544（1）： 11-18.

[13] 郭柏蒼， 雒國(guó)鳳， 金立生， 等. 面向自動(dòng)駕駛虛擬測(cè)試的變道切入場(chǎng)景庫(kù)構(gòu)建方法[J]. 吉林大學(xué)學(xué)報(bào)（工學(xué)版）， 2023， 53（11）： 3130-3140.

GUO B C， LUO G F， JIN L S， et al. Construction Method of Cut-in Scenario Library for Automatic Driving Virtual Tests[J]. Journal of Jilin University （Science Edition）， 2023， 53（11）： 3130-3140.

[14] XIA Q， DUAN J， GAO F， et al. Automatic Generation" Method of Test Scenario for ADAS Based on Complexity [C]// International Conference on Computer Vision" " " " "Systems. United States： SAE International， 2017.

[15] 王俊香， 胡文浩. 事故數(shù)據(jù)驅(qū)動(dòng)的自動(dòng)駕駛場(chǎng)景用例泛化生成[J]. 建模與仿真， 2023， 12（3）： 1926-1938.

WANG J X， HU W H. Accident Data-Driven Autonomous Driving Scenario Use Cases Generalization Generation[J]. Modeling and Simulation， 2023， 12（3）： 1926-1938.

[16] 朱冰， 張培興， 趙健， 等. 基于場(chǎng)景的自動(dòng)駕駛汽車虛擬測(cè)試研究進(jìn)展[J]. 中國(guó)公路學(xué)報(bào)， 2019， 32（6）： 1-19.

ZHU B， ZHANG P X， ZHAO J， et al. Review of Scenario-Based Virtual Validation Methods for Automated Vehicles[J]. China Journal of Highway and Transport， 2019， 32（6）： 1-19.

[17] ALTHOFF M， LUTZ S. Automatic Generation of Safety-Critical Test Scenarios for Collision Avoidance of Road" " Vehicles[C]// 2018 IEEE Intelligent Vehicles Symposium （IV）. Changshu， China： IEEE， 2018： 1326-1333.

[18] KLISCHAT M， ALTHOFF M. Generating Critical Test" " Scenarios for Automated Vehicles with Evolutionary" " " " "Algorithms[C]// 2019 IEEE Intelligent Vehicles" " " " " " "Symposium （IV）. Paris， France： IEEE， 2019： 2352-2358.

[19] WANG Y C， GONG J W， WANG B Y， et al. Off-Road" "Testing Scenario Design and Library Generation for Intelligent Vehicles[J]. Green Energy and Intelligent" " " " " " "Transportation， 2022， 1（3）： 1-12.

[20] 朱冰， 孫宇航， 趙健， 等. 自動(dòng)駕駛汽車測(cè)試場(chǎng)景基元自動(dòng)提取方法[J]. 汽車工程， 2022， 44（11）： 1647-1655.

ZHU B， SUN Y H， ZHAO J， et al. Automatic Extraction Method for Autonomous Vehicle Test Scene Primitives[J]. Automotive Engineering， 2022， 44（11）： 1647-1655.

[21] 馬峻巖， 田葉凡， 趙祥模， 等. 基于自然駕駛數(shù)據(jù)挖掘的二階車輛與行人交互測(cè)試場(chǎng)景[J]. 中國(guó)公路學(xué)報(bào)， 2022， 35（3）： 139-152.

MA J Y， TIAN Y F， ZHAO X M， et al. Two-Stages Test Scenarios for Interaction of Vehicles and Pedestrians Based on Naturalistic Driving Data Mining[J]. China Journal of Highway and Transport， 2022， 35（3）： 139-152.

[22] EMRE E， DANIEL T， ALBERT W， et al. A Data Mining Approach for Traffic Accidents， Pattern Extraction and Test Scenario Generation for Autonomous Vehicles[J]." " " International Journal of Transportation Science and" " " " " " Technology， 2023， 12（4）： 955-972.

[23] 郭洪艷， 張家銘， 劉俊， 等. 面向智能汽車-行人交互的虛擬測(cè)試場(chǎng)景構(gòu)建[J/OL]. 吉林大學(xué)學(xué)報(bào)（工學(xué)版）. （2023-02-15） [2024-01-10]. https：//doi.org/10.13229/j.cnki.jdxbgxb-20221425.

GUO H Y， ZHANG J M， LIU J， et al. Construction of" " " " "Virtual Test Scenario for Intelligent Vehicle and Pedestrian Interaction[J]. Journal of Jilin University （Science Edition）. （2023-02-15） [2024-01-10]. https：//doi.org/10.13229/j. cnki.jdxbgxb20221425.

[24] DJI Automotive. 大疆車載-開源數(shù)據(jù)[DB/OL]. （2023-03-23） [2024-1-10]. https：//auto.dji.com/cn/.

DJI Automotive. Car-Open Source Data[DB/OL]. （2023-03-23） [2024-1-10]. https：//auto.dji.com/cn/.

[25] FU X， NIE Q F， LIU J， et al. Constructing Spatiotemporal Driving Volatility Profiles for Connected and Automated Vehicles in Existing Highway Networks[J]. Journal of Intelligent Transportation Systems， 2022， 26（1）： 577-590.

[26] 秦孔建. 智能網(wǎng)聯(lián)汽車測(cè)試與評(píng)價(jià)技術(shù)[M]. 北京： 機(jī)械工業(yè)出版， 2022.

QIN K J. Intelligent Connected Vehicle Testing and" " " " "Evaluation Technology[M]. Beijing： China Machine Press， 2022.

[27] SPSSAU. 線性回歸常見問(wèn)題匯總[DB/OL]. （2022-07-05） [2024-01-10]. https：//zhuanlan.zhihu.com/p/146724093.

SPSSAU. Summary of Common Problems in Linear" " " " " Regression[DB/OL]. （2022-07-05） [2024-01-10]. https：//zhuanlan.zhihu.com/p/146724093.

[28] 賈俊平. 統(tǒng)計(jì)學(xué)[M]. 北京： 中國(guó)人民大學(xué)出版社， 2018.

JIA J P. Statistics[M]. Beijing： China Renmin University Press， 2018.

[29] 茆詩(shī)松. 概率論與數(shù)理統(tǒng)計(jì)教程[M]. 北京： 高等教育出版社， 2019.

MAO S S. A Course in Probability Theory and" " " " " " " "Mathematical Statistics[M]. Beijing： Higher Education Press， 2019.

[30] 朱冰， 張培興， 劉斌， 等. 基于自然駕駛數(shù)據(jù)的自動(dòng)駕駛汽車安全性評(píng)價(jià)方法[J]. 中國(guó)公路學(xué)報(bào)， 2022， 35（7）： 283-291.

ZHU B， ZHANG P X， LIU B， et al. Safety Evaluation" " "Method of Automated Vehicle Based on Naturalistic" " "Driving Data[J]. China Journal of Highway and Transport， 2022， 35（7）： 283-291.

[31] SAE International. Adaptive Cruise Control （ACC）" " " " " Operating Characteristics and User Interface： J2399[S]. Washington， DC， USA： SAE International， 2021.

[32] California Department of Motor Vehicles. Disengagement Reports[R/OL]. California， USA： Department of Motor" " "Vehicles （2019-01-01） [2024-01-10]. http：//www.dmv.ca.gov/portal/vehicle-industry-services/autonomous-vehicles/disengagement-reports.

[33] 周志華. 機(jī)器學(xué)習(xí)[M]. 北京： 清華大學(xué)出版社， 2016.

ZHOU Z H. Machine Learning[M]. Beijing： Tsinghua" " " University Press， 2016.

[34] BREIMAN L. Classification and Regression Trees[M]. Boca Raton： CRC Press， 2017.

（責(zé)任編輯 瑞 秋）

修改稿收到日期為2024年1月10日。

*基金項(xiàng)目：國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目“自主式道路交通系統(tǒng)安全保障技術(shù)”（2023YFB4302703）；自動(dòng)駕駛準(zhǔn)入仿真測(cè)評(píng)技術(shù)研究與工具研發(fā)1032課題（0001KTCP20230340）。

【引用格式】 石帥坤， 趙丹， 馬明月， 等. 高速公路擁堵工況下自動(dòng)駕駛汽車切入場(chǎng)景仿真與安全性評(píng)估[J]. 汽車技術(shù)， 2024（4）： 7-14.

SHI S K， ZHAO D， MA M Y， et al. Construction Test Set and Risk Assessment of Cut-in Scenarios for Autonomous Vehicles under Highway Congestion Conditions[J]. Automobile Technology， 2024（4）： 7-14.