基于軌跡預(yù)測(cè)的智能汽車行駛風(fēng)險(xiǎn)評(píng)估方法 *

高 翔，陳 龍，王歆葉，熊曉夏，李祎承，陳月霞

（1.江蘇大學(xué)汽車工程研究院，鎮(zhèn)江 212013；2.江蘇大學(xué)汽車與交通工程學(xué)院，鎮(zhèn)江 212013）

前言

行車風(fēng)險(xiǎn)評(píng)估是駕駛輔助系統(tǒng)和智能汽車安全運(yùn)行的重要基礎(chǔ)。近年來，隨著智能交通系統(tǒng)（ITS）的迅速發(fā)展，大量駕駛安全技術(shù)已被應(yīng)用于高級(jí)駕駛輔助系統(tǒng)（ADAS）和自動(dòng)駕駛汽車（AVs）［1-3］，如采用基于安全距離、碰撞時(shí)間或所需減速度的碰撞預(yù)警參數(shù)［4-7］來實(shí)時(shí)評(píng)估車輛的行駛安全狀態(tài)。然而這些預(yù)警參數(shù)主要基于自車和前車的距離、速度、加速度等當(dāng)前運(yùn)動(dòng)狀態(tài)信息，無法反映駕駛員行為特征、車輛狀態(tài)與道路環(huán)境之間的相互作用，因此難以為車輛安全決策提供準(zhǔn)確的判斷依據(jù)。

隨著智能感知和通信技術(shù)的發(fā)展，可以獲取的車輛實(shí)時(shí)運(yùn)動(dòng)和環(huán)境特征信息更加豐富，行車風(fēng)險(xiǎn)評(píng)估方法亦更加多元化，目前主要包括基于碰撞概率、基于行車風(fēng)險(xiǎn)場(chǎng)以及基于機(jī)器學(xué)習(xí)的方法。概率方法通常利用車輛之間的時(shí)間和空間關(guān)系以及輸入數(shù)據(jù)的不確定性，利用概率描述來建模風(fēng)險(xiǎn)水平。Noh 等［8］利用位置不確定性和基于距離的安全度量提出了一種基于貝葉斯網(wǎng)絡(luò)的行車風(fēng)險(xiǎn)概率模型。Bahram 等［9］將時(shí)空成本圖與貝葉斯網(wǎng)絡(luò)相結(jié)合，在駕駛員意圖預(yù)測(cè)的基礎(chǔ)上，從制動(dòng)減速度的角度構(gòu)建前后相鄰車輛的碰撞概率。行車風(fēng)險(xiǎn)場(chǎng)是指在實(shí)時(shí)獲取車輛周邊道路交通信息的基礎(chǔ)上，建立類比“物理場(chǎng)”的數(shù)學(xué)模型來定量描述車輛所面臨的行車風(fēng)險(xiǎn)。Wang［10］等提出了行車風(fēng)險(xiǎn)場(chǎng)理論用于評(píng)估交通場(chǎng)景中包含多要素的動(dòng)態(tài)風(fēng)險(xiǎn)，為駕駛過程中影響駕駛安全的“人-車-路-環(huán)境”要素構(gòu)建了統(tǒng)一模型。田野等［11］提出了一種行車風(fēng)險(xiǎn)場(chǎng)的擴(kuò)展模型，將碰撞時(shí)間（TTC）融入風(fēng)險(xiǎn)場(chǎng)模型，同時(shí)引入車輛幾何特性和航向角信息來擴(kuò)展模型的適用性。機(jī)器學(xué)習(xí)方法通常將交通安全影響因素的各項(xiàng)具體指標(biāo)值作為輸入變量，交通安全評(píng)估等級(jí)作為輸出變量。Lee 等［12］構(gòu)建了多層感知器神經(jīng)網(wǎng)絡(luò)MPNN 對(duì)行車風(fēng)險(xiǎn)程度進(jìn)行實(shí)時(shí)估算。Fu 等［13］綜合考慮行駛安全和舒適性兩個(gè)方面構(gòu)建了基于神經(jīng)網(wǎng)絡(luò)模型的風(fēng)險(xiǎn)等級(jí)劃分算法。

然而，以上模型方法仍具有一定局限性。基于碰撞概率的方法通常只考慮自車與前車之間的不確定關(guān)系，忽略了周邊多車行為或運(yùn)動(dòng)的相互影響。基于行車風(fēng)險(xiǎn)場(chǎng)的方法大多基于當(dāng)前車輛的相對(duì)位置進(jìn)行計(jì)算，而在實(shí)際快速行車過程中即使在短時(shí)間內(nèi)位置也可能發(fā)生很大變化，不利于后續(xù)構(gòu)建準(zhǔn)確的避撞控制方案。基于機(jī)器學(xué)習(xí)的方法普遍沒有考慮實(shí)際行車過程中需要面對(duì)的周邊多車復(fù)雜場(chǎng)景下的多車間碰撞風(fēng)險(xiǎn)問題，影響了此類算法在現(xiàn)實(shí)中的實(shí)用性。綜上所述，目前主要的風(fēng)險(xiǎn)估計(jì)方法仍難以適應(yīng)實(shí)際行車場(chǎng)景的復(fù)雜性和不確定性特點(diǎn)。

針以上問題，本文在周邊車輛預(yù)測(cè)軌跡基礎(chǔ)上，采用考慮駕駛員行為不確定性的駕駛風(fēng)險(xiǎn)域（driver’s risk field，DRF）作為風(fēng)險(xiǎn)概率度量，綜合考慮對(duì)車輛安全有較大影響的環(huán)境事件成本作為嚴(yán)重程度度量，得到適應(yīng)復(fù)雜行車場(chǎng)景不確定性的量化感知風(fēng)險(xiǎn)；根據(jù)實(shí)車軌跡數(shù)據(jù)，基于貝葉斯理論的量化感知風(fēng)險(xiǎn)等級(jí)概率，對(duì)預(yù)測(cè)區(qū)間內(nèi)所有時(shí)刻的量化感知風(fēng)險(xiǎn)進(jìn)行加權(quán)融合，最終實(shí)現(xiàn)對(duì)未來行車潛在碰撞風(fēng)險(xiǎn)的預(yù)測(cè)。風(fēng)險(xiǎn)評(píng)估總體流程如圖1 所示。其中，由于本文主要關(guān)注風(fēng)險(xiǎn)建模方法而非軌跡預(yù)測(cè)，文中自車周邊車輛軌跡采用文獻(xiàn)［14］中的基于自車與周邊環(huán)境交互信息的環(huán)境注意力網(wǎng)絡(luò)（environment-attention network，EA-Net）模型進(jìn)行預(yù)測(cè)。該模型為了更好地捕獲車輛在行駛過程中與周圍環(huán)境各節(jié)點(diǎn)連邊更新特征及空間位置結(jié)構(gòu)特征信息，在LSTM encoder-decoder 與卷積社交池串聯(lián)的結(jié)構(gòu)基礎(chǔ)上，加入了圖注意神經(jīng)網(wǎng)絡(luò)和包含SE 模塊的卷積社交池組成并行結(jié)構(gòu)，提高了環(huán)境交互信息的提取效果，達(dá)到了較好的軌跡預(yù)測(cè)水平。

圖1 基于軌跡預(yù)測(cè)的行車風(fēng)險(xiǎn)評(píng)估總體流程圖

1 基于預(yù)測(cè)軌跡的量化感知風(fēng)險(xiǎn)

本文中量化感知風(fēng)險(xiǎn)是表征風(fēng)險(xiǎn)概率度量的駕駛風(fēng)險(xiǎn)域與表征嚴(yán)重程度度量的事件成本的乘積。其中，駕駛風(fēng)險(xiǎn)域DRF是在車輛預(yù)測(cè)軌跡的基礎(chǔ)上，結(jié)合駕駛員感知風(fēng)險(xiǎn)后采取行為的不確定性，在預(yù)測(cè)時(shí)間內(nèi)出現(xiàn)在某一空間位置的概率量化值；事件成本是駕駛場(chǎng)景中靜態(tài)或動(dòng)態(tài)障礙物在預(yù)測(cè)時(shí)間內(nèi)的預(yù)測(cè)位置上與車輛發(fā)生潛在風(fēng)險(xiǎn)后果的嚴(yán)重程度。

量化感知風(fēng)險(xiǎn)示意圖如圖2 所示。圖中：黑色圓點(diǎn)代表當(dāng)前時(shí)刻自車位置；事件成本圖中藍(lán)色立方體代表周邊其他車輛相對(duì)于自車所產(chǎn)生的風(fēng)險(xiǎn)成本Ccar，綠色立方體代表自車車道邊界外的成本Cenv，黃色立方體表示車道線成本Clane；駕駛風(fēng)險(xiǎn)域圖顯示了DRF在車輛預(yù)測(cè)軌跡附近的高低變化；星號(hào)*代表將行車周邊范圍內(nèi)各個(gè)網(wǎng)格點(diǎn)上的事件成本與DRF相乘，得到量化感知風(fēng)險(xiǎn)分布圖。對(duì)所有網(wǎng)格點(diǎn)上的量化感知風(fēng)險(xiǎn)求和，即得到駕駛員行車周邊范圍內(nèi)的總量化感知風(fēng)險(xiǎn)（為一標(biāo)量值）。本文以自車視角構(gòu)建駕駛風(fēng)險(xiǎn)域DRF，對(duì)于自車為人工駕駛的車輛，其預(yù)測(cè)軌跡可以通過基于環(huán)境交互信息的周邊多車軌跡預(yù)測(cè)模型［14］實(shí)時(shí)輸出；對(duì)于未來自車為自動(dòng)駕駛的車輛，其預(yù)測(cè)軌跡可設(shè)置為車輛自主規(guī)劃軌跡。

圖2 量化感知風(fēng)險(xiǎn)示意圖

1.1 DRF模型構(gòu)建

假設(shè)DRF分布為一個(gè)沿著預(yù)測(cè)軌跡延伸的且具有高斯截面的曲面，可以構(gòu)建前瞻時(shí)間tla內(nèi)車輛駕駛風(fēng)險(xiǎn)域DRF模型［15］，即

式中：a和σ分別代表高斯分布的高度和寬度；（x，y）為行車周邊范圍內(nèi)各個(gè)網(wǎng)格點(diǎn)坐標(biāo)；（xc，yc）為（x，y）至車輛預(yù)測(cè)軌跡的垂點(diǎn)坐標(biāo)；d為網(wǎng)格點(diǎn)（x，y）到預(yù)測(cè)軌跡垂點(diǎn)（xc，yc）的距離，如圖3 所示。可以看出，駕駛風(fēng)險(xiǎn)域DRF在車輛預(yù)測(cè)軌跡附近具有較高的值，并且隨著與初始時(shí)刻車輛位置（xv，yv）的橫向和縱向距離的增加而減少，從而反映了駕駛員在感知和行動(dòng)中的不確定性。

圖3 量化感知風(fēng)險(xiǎn)示意圖

其中，高斯截面的高度a為一條關(guān)于距離初始位置（xv，yv）累計(jì)行駛路徑長(zhǎng)度L的拋物線：

式中：p定義了拋物線的陡度；s為前瞻時(shí)間tla內(nèi)車輛預(yù)測(cè)軌跡總路徑長(zhǎng)度。

高斯截面的寬度σ亦為關(guān)于累計(jì)行駛路徑長(zhǎng)度L的線性函數(shù)：

式中：w為車輛寬度修正參數(shù)，可取為車輛寬度的1/4；m定義了高斯截面的擴(kuò)大（或縮小）的斜率；δ代表了車輛轉(zhuǎn)向角；k表示DRF模型的邊緣參數(shù)。綜上，駕駛風(fēng)險(xiǎn)域DRF可由4 個(gè)參數(shù)（p，m，k，w）定義，除了車輛寬度修正參數(shù)w外，其他參數(shù)p、m、k均可根據(jù)駕駛員風(fēng)險(xiǎn)感知特性由網(wǎng)格搜索算法進(jìn)行估計(jì)。本文根據(jù)實(shí)驗(yàn)結(jié)果［15］，p取0.006 4，m取0.001，k取0.69。

為了量化車輛后方范圍內(nèi)動(dòng)態(tài)障礙物可能帶來的風(fēng)險(xiǎn)，本文以自車質(zhì)心位置的橫斷面為對(duì)稱面，向后建立了一個(gè)與前方DRF對(duì)稱的風(fēng)險(xiǎn)域，從而實(shí)現(xiàn)對(duì)車輛周邊范圍量化感知風(fēng)險(xiǎn)的連續(xù)刻畫。

1.2 環(huán)境事件成本定義

環(huán)境事件成本定義了車輛與周圍靜態(tài)、動(dòng)態(tài)障礙物處于特定狀態(tài)的風(fēng)險(xiǎn)后果，行車周邊范圍內(nèi)環(huán)境事件成本的確定方法如下：

式中：ccar、clane和cenv分別代表動(dòng)態(tài)障礙物（障礙車輛，即周邊行駛車輛）、車道線和車道外成本；θ1、θ2和θ3分別為環(huán)境事件類型的0-1 判別函數(shù)。對(duì)于動(dòng)態(tài)障礙物形成的成本，本文不考慮障礙車輛尺寸，當(dāng)自車與相鄰障礙車輛形成跟車場(chǎng)景或插車場(chǎng)景時(shí)，障礙車輛成本用兩車間距離Δd和速度差Δv來表示，記作ccar1；其他駕駛場(chǎng)景中障礙車成本固定為1 200，記作ccar2。由于本文主要考慮的風(fēng)險(xiǎn)為周邊障礙車與自車之間的動(dòng)態(tài)風(fēng)險(xiǎn)，所以對(duì)靜態(tài)障礙物設(shè)置較低的事件成本值，假設(shè)車道線成本（clane）為10，車道邊界外成本（cenv）為500，如表1所示。

表1 環(huán)境事件成本參數(shù)

環(huán)境事件成本的空間分布隨周邊車輛預(yù)測(cè)軌跡結(jié)果動(dòng)態(tài)變化，如圖4 所示，黑色圓點(diǎn)和深色立方體分別表示自車和前方障礙車的初始位置（t0），灰色圓點(diǎn)和淺色立方體分別表示它們?cè)谙乱粫r(shí)刻（t1）的預(yù)測(cè)位置，兩圓點(diǎn)間的連線（黑色虛線）表示自車預(yù)測(cè)軌跡，兩立方體間的連線（藍(lán)色虛線）表示障礙車預(yù)測(cè)軌跡。對(duì)于初始時(shí)刻自車形成的行車風(fēng)險(xiǎn)域?yàn)镈RF0，障礙車對(duì)其構(gòu)成的動(dòng)態(tài)事件成本ccar0由深色立方體所示；對(duì)于下一時(shí)刻自車形成的行車風(fēng)險(xiǎn)域?yàn)镈RF1，障礙車對(duì)其構(gòu)成的動(dòng)態(tài)事件成本ccar1變?yōu)闇\色立方體所示。可以看出，駕駛風(fēng)險(xiǎn)域DRF與駕駛場(chǎng)景中的事件成本均隨著預(yù)測(cè)時(shí)間的推移實(shí)時(shí)變化，可以動(dòng)態(tài)反映駕駛員感知風(fēng)險(xiǎn)和駕駛行為變化的后果，從而實(shí)現(xiàn)對(duì)于未來行車潛在碰撞風(fēng)險(xiǎn)的實(shí)時(shí)刻畫。

圖4 事件成本動(dòng)態(tài)示意圖

1.3 量化感知風(fēng)險(xiǎn)計(jì)算

根據(jù)預(yù)測(cè)區(qū)間內(nèi)自車預(yù)測(cè)軌跡構(gòu)建的駕駛風(fēng)險(xiǎn)域DRF，結(jié)合周邊車輛行駛軌跡預(yù)測(cè)結(jié)果，將DRF與對(duì)應(yīng)位置環(huán)境事件成本相乘得到量化感知風(fēng)險(xiǎn)。采用移動(dòng)時(shí)間窗形式將預(yù)測(cè)區(qū)間均勻劃分為T段{tla1，tla2，…，tlaT}（如圖5 所示），并將其視為自車的T段前瞻時(shí)間。當(dāng)以周邊第i輛車作為障礙車輛時(shí)，自車前瞻時(shí)間tla，m(m= 1，2，…，T) 內(nèi)的量化感知風(fēng)險(xiǎn)為

圖5 預(yù)測(cè)區(qū)間移動(dòng)時(shí)間窗劃分

式中：DRFm為前瞻時(shí)間tla，m內(nèi)自車的駕駛風(fēng)險(xiǎn)域（式（1）～式（4））；cim為對(duì)應(yīng)時(shí)間的環(huán)境事件成本（式（5）～式（8）），其中動(dòng)態(tài)障礙物定義為車輛i；(x，y) ∈S表示行車周邊范圍內(nèi)所有網(wǎng)格點(diǎn)的坐標(biāo)。

按式（9）對(duì)預(yù)測(cè)區(qū)間內(nèi)的每段前瞻時(shí)間進(jìn)行計(jì)算，得到預(yù)測(cè)區(qū)間內(nèi)對(duì)應(yīng)T個(gè)前瞻時(shí)間的量化感知風(fēng)險(xiǎn)時(shí)間序列值｛Ci1，Ci2，…，CiT｝。

2 基于貝葉斯模型的融合感知風(fēng)險(xiǎn)

在上一節(jié)劃分的多個(gè)移動(dòng)時(shí)間窗的基礎(chǔ)上，本節(jié)基于貝葉斯理論將每個(gè)時(shí)間窗內(nèi)的量化感知風(fēng)險(xiǎn)值轉(zhuǎn)換為所處風(fēng)險(xiǎn)等級(jí)的概率，并對(duì)所有時(shí)間窗的風(fēng)險(xiǎn)等級(jí)進(jìn)行概率融合計(jì)算，降低單個(gè)時(shí)間窗內(nèi)軌跡預(yù)測(cè)誤差可能對(duì)風(fēng)險(xiǎn)評(píng)估結(jié)果造成的影響。

2.1 基于貝葉斯模型的風(fēng)險(xiǎn)等級(jí)劃分

與僅預(yù)測(cè)二元潛在風(fēng)險(xiǎn)（發(fā)生或不發(fā)生）的方法不同，本文將基于貝葉斯理論分別估計(jì)量化感知風(fēng)險(xiǎn)C處于高、中、低3 個(gè)風(fēng)險(xiǎn)等級(jí)的概率［1］，定義如下：

Ω ?{dangerous，attentive，safe}?{D，A，S}

Ω 是風(fēng)險(xiǎn)水平的集合，D、A、S分別表示危險(xiǎn)、中等和安全等級(jí)，并分別賦予量化值2、1和0以描述風(fēng)險(xiǎn)水平，即將風(fēng)險(xiǎn)等級(jí)τ定義為

τ∈Ω ?{2，1，0}

設(shè)高、低駕駛風(fēng)險(xiǎn)等級(jí)下量化感知風(fēng)險(xiǎn)C對(duì)應(yīng)的閾值分別為TD和TS，中風(fēng)險(xiǎn)等級(jí)下C的期望值為TA，則可構(gòu)建量化感知風(fēng)險(xiǎn)C的條件分布概率為

式中P(C|τ=a)，a∈Ω 表示在不同風(fēng)險(xiǎn)等級(jí)下觀測(cè)到量化感知風(fēng)險(xiǎn)C的概率。具體以式（10）為例，其表示當(dāng)駕駛狀態(tài)處于高風(fēng)險(xiǎn)等級(jí)時(shí)，觀測(cè)到量化感知風(fēng)險(xiǎn)值C大于高風(fēng)險(xiǎn)等級(jí)閾值TD的概率為1；觀測(cè)到其他小于閾值TD的C的概率由C與TD的相對(duì)大小決定，C與TD越接近，則觀測(cè)到該C值的概率越大。參數(shù)σ為不確定性因子，主要用于控制不同駕駛風(fēng)險(xiǎn)等級(jí)曲線的平滑度。根據(jù)貝葉斯理論，風(fēng)險(xiǎn)等級(jí)τ的后驗(yàn)概率為

式中：P（τ|C）表示給定量化感知風(fēng)險(xiǎn)C下車輛處于某一風(fēng)險(xiǎn)等級(jí)的概率；P（τ）為每個(gè)風(fēng)險(xiǎn)等級(jí)的先驗(yàn)概率，并滿足約束∑τ∈ΩP(τ) = 1，文中假設(shè)不同風(fēng)險(xiǎn)等級(jí)具有相同的先驗(yàn)概率（均為1/3）。

文中預(yù)設(shè)參數(shù)TD、TA和TS可根據(jù)實(shí)車軌跡數(shù)據(jù)的分布特征確定。NGSIM 數(shù)據(jù)集是美國(guó)FHWA 采集的由攝像頭獲取的實(shí)際車輛行駛軌跡數(shù)據(jù)［16-17］，本文選擇其中的US101和I-80高速公路軌跡數(shù)據(jù)用于此處參數(shù)標(biāo)定和后文模型驗(yàn)證。隨機(jī)選取NGSIM數(shù)據(jù)集中347 條（共計(jì)10 625 數(shù)據(jù)幀）實(shí)際車輛軌跡數(shù)據(jù)，按式（9）計(jì)算每幀前瞻時(shí)間tla內(nèi)自車的量化感知風(fēng)險(xiǎn)（前瞻時(shí)間tla取0.2 s），得到的量化感知風(fēng)險(xiǎn)分布圖如圖6所示。

圖6 實(shí)車軌跡量化感知風(fēng)險(xiǎn)統(tǒng)計(jì)分布圖

考慮到實(shí)車軌跡數(shù)據(jù)樣本中緊急工況較少，分別選取量化感知風(fēng)險(xiǎn)從小到大排序的95%和20%分位值作為高、低駕駛風(fēng)險(xiǎn)等級(jí)對(duì)應(yīng)的閾值TD和TS，50%分位值作為中風(fēng)險(xiǎn)等級(jí)的期望值TA，即TD、TA和TS依次近似取值為800、500 和250。在此基礎(chǔ)上，根據(jù)式（10）～式（13）計(jì)算得到量化感知風(fēng)險(xiǎn)C的條件分布概率如圖7 所示。其中，為了獲得具有合理分布的平滑風(fēng)險(xiǎn)曲線，文中不確定性因子σ經(jīng)試驗(yàn)取120。

圖7 量化感知風(fēng)險(xiǎn)的條件分布概率示意圖

2.2 基于風(fēng)險(xiǎn)等級(jí)概率的融合感知風(fēng)險(xiǎn)

根據(jù)自車和周邊車輛預(yù)測(cè)軌跡數(shù)據(jù)，基于量化感知風(fēng)險(xiǎn)計(jì)算公式和行車風(fēng)險(xiǎn)等級(jí)概率確定方法，對(duì)預(yù)測(cè)區(qū)間內(nèi)的預(yù)測(cè)風(fēng)險(xiǎn)等級(jí)進(jìn)行融合計(jì)算，具體按如下步驟計(jì)算駕駛場(chǎng)景的最終融合感知風(fēng)險(xiǎn)：

（1）篩選出自車周邊的第1，2，…，i輛車作為旁車，分別記為CAR1，CAR2，…，CARi；

（2）分別計(jì)算預(yù)測(cè)區(qū)間中T段前瞻時(shí)間{tla1，tla2，…，tlaT}內(nèi)當(dāng)旁車CARi作為障礙車輛時(shí)對(duì)自車產(chǎn)生的預(yù)測(cè)量化感知風(fēng)險(xiǎn)，分別記作Ci1，Ci2，…，CiT；

（3）根據(jù)貝葉斯后驗(yàn)概率模型（式（14））計(jì)算得到量化感知風(fēng)險(xiǎn)Ci1，Ci2，…，CiT處于不同風(fēng)險(xiǎn)等級(jí)τ（包 括D，A，S）的 后 驗(yàn) 分 布 概 率 分 別 為｛PDi1，PAi1，PSi1｝，｛PDi2，PAi2，PSi2｝，…，｛PDiT，PAiT，PSiT｝；

（4）利用量化感知風(fēng)險(xiǎn)后驗(yàn)分布概率為權(quán)重對(duì)T段前瞻時(shí)間內(nèi)的風(fēng)險(xiǎn)等級(jí)進(jìn)行融合計(jì)算，得到預(yù)測(cè)區(qū)間內(nèi)障礙車CARi對(duì)自車產(chǎn)生的融合感知風(fēng)險(xiǎn)HCARi：

式 中：PDit=P(τ=D│Cit)；PAit=P(τ=A│Cit)；PSit=P(τ=S│Cit)為自車處于不同風(fēng)險(xiǎn)等級(jí)的貝葉斯后驗(yàn)概率；τD、τA和τS分別取2、1 和0 以代表風(fēng)險(xiǎn)等級(jí)量化值。為方便后文實(shí)驗(yàn)驗(yàn)證，本文設(shè)定融合感知風(fēng)險(xiǎn)HCAR= 0.6 為臨界風(fēng)險(xiǎn)閾值對(duì)駕駛場(chǎng)景進(jìn)行風(fēng)險(xiǎn)評(píng)估。

3 實(shí)驗(yàn)分析

3.1 實(shí)車軌跡實(shí)驗(yàn)

篩選NGSIM 數(shù)據(jù)集US101-0805 樣本中周邊100 m 范圍內(nèi)存在至少兩輛車的車輛軌跡片段進(jìn)行風(fēng)險(xiǎn)評(píng)估實(shí)驗(yàn)，最終隨機(jī)選取ID 為226 的車輛為自車CARv進(jìn)行研究。該車在數(shù)據(jù)集中共出現(xiàn)482 幀（采樣間隔0.1 s），選取與其相對(duì)距離小于100 m 的車作為周邊障礙車輛，篩選得車輛ID 為217、218 的兩輛車為對(duì)其行駛產(chǎn)生影響的周邊車輛。該軌跡片段駕駛場(chǎng)景如圖8（a）所示，自車CARv一直跟馳在前車CAR217后方沿高速公路內(nèi)車道行駛，旁車CAR218初始行駛在自車相鄰車道上，后發(fā)生換道加速插入自車CARv和前車CAR217之間。各車行駛軌跡如圖8（b）所示。

圖8 實(shí)車軌跡實(shí)驗(yàn)駕駛場(chǎng)景示意圖

采用環(huán)境注意力網(wǎng)絡(luò)EA-Net 軌跡預(yù)測(cè)模型［14］對(duì)自車和周邊車輛軌跡進(jìn)行實(shí)時(shí)預(yù)測(cè)，按1.1 節(jié)所述方法構(gòu)建自車的駕駛風(fēng)險(xiǎn)域DRF，按1.2 節(jié)所述方法得到事件成本在預(yù)測(cè)時(shí)間內(nèi)的空間分布。軌跡預(yù)測(cè)模型輸入為預(yù)測(cè)時(shí)刻過去1.5 s （共15 幀）作的自車與周邊車輛的歷史軌跡數(shù)據(jù)，輸出為未來2.5 s（共25 幀）的預(yù)測(cè)軌跡數(shù)據(jù)。在所選軌跡片段中，以旁車CAR218作為障礙車為例，以旁車CAR218的換道時(shí)刻frame=1299 幀作為預(yù)測(cè)時(shí)刻，將自車CARv、前車CAR217和旁車CAR218第1 285至1 299幀共計(jì)15幀的歷史軌跡數(shù)據(jù)輸入EA-Net模型進(jìn)行軌跡預(yù)測(cè)，得到各車第1 300 至1 324 幀共計(jì)25 幀的預(yù)測(cè)區(qū)間軌跡數(shù)據(jù)。根據(jù)圖5 所示方法，將預(yù)測(cè)區(qū)間按時(shí)間窗時(shí)長(zhǎng)為0.2 s、移動(dòng)步長(zhǎng)為0.1 s 劃分為25 段前瞻時(shí)間（tla1=0.2 s），按式（9）計(jì)算得障礙車CAR218對(duì)自車CARv產(chǎn)生的量化感知風(fēng)險(xiǎn)時(shí)間序列如圖9（a）所示。進(jìn)一步，選取frame為1 265 至1 310 幀為實(shí)驗(yàn)區(qū)間（包括旁車CAR218的整個(gè)換道過程），以該區(qū)間內(nèi)每一幀為預(yù)測(cè)時(shí)刻，按2.2 節(jié)步驟計(jì)算各時(shí)刻基于風(fēng)險(xiǎn)等級(jí)概率的融合感知風(fēng)險(xiǎn)HCAR變化趨勢(shì)，如圖9（b）所示。同理可對(duì)前車CAR217為障礙車時(shí)各個(gè)時(shí)刻自車的量化感知風(fēng)險(xiǎn)和融合感知風(fēng)險(xiǎn)進(jìn)行計(jì)算。

圖9 障礙車CAR218對(duì)自車形成的風(fēng)險(xiǎn)預(yù)測(cè)

采用以碰撞時(shí)間TTC來測(cè)試本文基于預(yù)測(cè)軌跡量化感知風(fēng)險(xiǎn)的風(fēng)險(xiǎn)評(píng)估方法的有效性。為了避免兩車相對(duì)速度很小導(dǎo)致TTC變?yōu)闊o窮大的情況，本文使用TTC的倒數(shù)ITTC（單位：s-1）進(jìn)行評(píng)估，且在計(jì)算ITTC時(shí)，若前車車速大于后車車速則將ITTC記為負(fù)值。即ITTC為負(fù)值時(shí)代表沒有駕駛風(fēng)險(xiǎn)，ITTC正值的增加表示駕駛風(fēng)險(xiǎn)的上升。選取TTC=2.4 s，即ITTC=0.4 s-1作為風(fēng)險(xiǎn)預(yù)警閾值［4］，即當(dāng)ITTC≥0.4 s-1時(shí)，行駛車輛被視為危險(xiǎn)狀態(tài)。當(dāng)旁車CAR218為障礙車時(shí)，實(shí)驗(yàn)區(qū)間（預(yù)測(cè)時(shí)刻frame=1265，1266，…，1310）內(nèi)自車融合感知風(fēng)險(xiǎn)HCAR及ITTC趨勢(shì)對(duì)比如圖10所示。

由圖10 可以看出，雖然融合感知風(fēng)險(xiǎn)HCAR和ITTC均低于各自的風(fēng)險(xiǎn)預(yù)警閾值0.6 和0.4 s-1，兩者所顯示的駕駛風(fēng)險(xiǎn)變化趨勢(shì)差異性較大，HCAR曲線呈現(xiàn)了明顯的風(fēng)險(xiǎn)升高和降落變化，而ITTC曲線大部分時(shí)間均小于0 且尾部保持在0 附近振蕩。在真實(shí)駕駛場(chǎng)景中，自車CARv在行駛過程中按原車道行駛，障礙車CAR218初始車速大于自車CARv，在行駛過程中先減速后加速換道插入自車前方，之后繼續(xù)加速行駛，且車速大于自車；其中，障礙車CAR218先減速后加速的換道過程實(shí)際對(duì)自車行駛產(chǎn)生了影響，自車行駛狀態(tài)為先加速后減速再加速，這種影響與HCAR曲線所顯示的風(fēng)險(xiǎn)先增大后減小的趨勢(shì)一致。因此，與ITTC相比，HCAR可以更準(zhǔn)確地體現(xiàn)出車輛換道過程中行車風(fēng)險(xiǎn)的變化，對(duì)復(fù)雜場(chǎng)景駕駛風(fēng)險(xiǎn)的預(yù)測(cè)具有更好的適用性。

圖10 融合感知風(fēng)險(xiǎn)HCAR和ITTC趨勢(shì)曲線（障礙車CAR218）

3.2 仿真場(chǎng)景實(shí)驗(yàn)

利用Prescan 仿真軟件構(gòu)建車輛換道過程中的緊急事件場(chǎng)景來進(jìn)一步驗(yàn)證本文基于預(yù)測(cè)軌跡量化感知風(fēng)險(xiǎn)的風(fēng)險(xiǎn)評(píng)估方法的有效性。仿真場(chǎng)景如圖11 所示，場(chǎng)景中共有3 輛行駛車輛行駛在兩車道高速公路上，其中黑車為自車CARv，紅車為旁車CAR1，白車為旁車CAR2，車道寬度為3.5 m，在自車CARv左側(cè)車道前方縱向距離15 和32 m 處分別是CAR1和CAR2。各車駕駛行為如下：（1）自車CARv初始速度為28 m/s，在并道場(chǎng)景中首先做加速度為2.5 m/s2的勻加速換道運(yùn)動(dòng)，從frame=52 幀開始換道插入CAR1和CAR2之間，在完成換道后做減速度為-7.2 m/s2的勻減速運(yùn)動(dòng)；（2）旁車CAR1初始速度為27 m/s，先做減速度為-2.0 m/s2的勻減速運(yùn)動(dòng)，后做加速度為6.4 m/s2的勻加速運(yùn)動(dòng)；（3）旁車CAR2初始速度為28 m/s，做加速度為1.0 m/s2的勻加速運(yùn)動(dòng)。自車CARv與旁車CAR1在frame=100 時(shí)（縱向距離151 m處）產(chǎn)生沖突交叉點(diǎn)，自車CARv與旁車CAR2無軌跡沖突。本節(jié)以自車CARv為研究對(duì)象，評(píng)估該場(chǎng)景中CARv由于突然并道行為造成的碰撞風(fēng)險(xiǎn)程度。

圖11 Prescan仿真駕駛場(chǎng)景示意圖

在上述仿真場(chǎng)景片段中，以自車CARv換道開始后frame=54 幀作為預(yù)測(cè)時(shí)刻，將自車CARv、旁車CAR1和CAR2第40 至54 幀共計(jì)15 幀的歷史軌跡數(shù)據(jù)輸入EA-Net 模型進(jìn)行軌跡預(yù)測(cè)，得到各車第55至79 幀共計(jì)25 幀的預(yù)測(cè)區(qū)間軌跡數(shù)據(jù)。同實(shí)車軌跡實(shí)驗(yàn)將預(yù)測(cè)區(qū)間均勻劃分為25 段前瞻時(shí)間（tla1=0.2 s），按式（9）計(jì)算得障礙車CAR1對(duì)自車CARv產(chǎn)生的量化感知風(fēng)險(xiǎn)時(shí)間序列如圖12（a）所示。進(jìn)一步，選取frame=62 至100 幀（碰撞發(fā)生前）為實(shí)驗(yàn)區(qū)間，以該區(qū)間內(nèi)每一幀為預(yù)測(cè)時(shí)刻，按2.2節(jié)步驟計(jì)算各時(shí)刻基于風(fēng)險(xiǎn)等級(jí)概率的融合感知風(fēng)險(xiǎn)HCAR變化趨勢(shì)，如圖12（b）所示。同理可對(duì)旁車CAR2為障礙車時(shí)每時(shí)刻自車的量化感知風(fēng)險(xiǎn)和融合感知風(fēng)險(xiǎn)進(jìn)行計(jì)算。

圖12 障礙車CAR1對(duì)自車形成的風(fēng)險(xiǎn)預(yù)測(cè)

以碰撞時(shí)間的倒數(shù)ITTC為參照指標(biāo)，當(dāng)旁車CAR1為障礙車時(shí)，實(shí)驗(yàn)區(qū)間（預(yù)測(cè)時(shí)刻frame=62，63，…，100）內(nèi)自車融合感知風(fēng)險(xiǎn)HCAR及ITTC趨勢(shì)對(duì)比如圖13所示。

圖13 融合感知風(fēng)險(xiǎn)HCAR和ITTC趨勢(shì)曲線（障礙車CAR1）

根據(jù)并道仿真場(chǎng)景，自車初始位置位于旁車CAR1后方，且自車初始速度大于旁車CAR1，自車先進(jìn)行勻加速運(yùn)動(dòng)超越旁車CAR1進(jìn)行換道，同時(shí)旁車CAR1減速行駛讓行，自車完成并道后做勻減速運(yùn)動(dòng)，旁車CAR1做勻加速運(yùn)動(dòng)，最終發(fā)生風(fēng)險(xiǎn)沖突。其中，由于自車在frame=53 幀時(shí)縱向上已超越旁車CAR1，此 處 以CAR1的 視 角 計(jì) 算frame=62 至100 幀CAR1與自車CARv之間的ITTC。由圖13 可知，融合感知風(fēng)險(xiǎn)HCAR和ITTC呈現(xiàn)的駕駛風(fēng)險(xiǎn)趨勢(shì)基本一致，但HCAR先于ITTC達(dá)到預(yù)設(shè)閾值。在frame=84時(shí)，ITTC超過了預(yù)設(shè)閾值，車輛行駛狀態(tài)被評(píng)估為危險(xiǎn)狀態(tài)；而HCAR在frame=74 時(shí)就已經(jīng)超過了0.6水平參考線，并在frame=83時(shí)達(dá)到峰值。可以看出，融合感知風(fēng)險(xiǎn)HCAR對(duì)風(fēng)險(xiǎn)的響應(yīng)速度比ITTC更快，這主要是因?yàn)镮TTC是基于車輛按照當(dāng)前狀態(tài)繼續(xù)行駛的假設(shè)計(jì)算發(fā)生碰撞所需時(shí)間，而HCAR是在融合未來一段時(shí)間內(nèi)自車與周邊環(huán)境交互信息的量化感知風(fēng)險(xiǎn)的基礎(chǔ)上獲取的，可將駕駛員未來行車狀態(tài)變化納入量化風(fēng)險(xiǎn)的考慮范圍，由此提高風(fēng)險(xiǎn)預(yù)測(cè)的及時(shí)性和準(zhǔn)確性。

4 結(jié)論

本文針對(duì)周邊多車復(fù)雜場(chǎng)景下的車輛碰撞風(fēng)險(xiǎn)問題提出了基于預(yù)測(cè)軌跡的行車風(fēng)險(xiǎn)評(píng)估方法，首先建立了沿預(yù)測(cè)軌跡兩側(cè)具有漸變高斯截面特征的駕駛風(fēng)險(xiǎn)域DRF以表征駕駛員行為的不確定性，然后考慮車輛與周圍靜態(tài)、動(dòng)態(tài)障礙物處于特定狀態(tài)的風(fēng)險(xiǎn)后果建立環(huán)境事件成本，得到適應(yīng)復(fù)雜行車場(chǎng)景不確定性的量化感知風(fēng)險(xiǎn)，并基于貝葉斯理論融合預(yù)測(cè)區(qū)間內(nèi)的量化感知風(fēng)險(xiǎn)時(shí)間序列，實(shí)現(xiàn)了對(duì)未來行車潛在碰撞風(fēng)險(xiǎn)的預(yù)測(cè)。實(shí)車軌跡和仿真實(shí)驗(yàn)結(jié)果表明，相比于經(jīng)典TTC指標(biāo)方法，基于融合未來一段時(shí)間內(nèi)自車與周邊環(huán)境交互信息的DRF的風(fēng)險(xiǎn)評(píng)估方法可以更快、更準(zhǔn)確地辨識(shí)復(fù)雜交通場(chǎng)景的行車風(fēng)險(xiǎn)變化。未來將針對(duì)更多、更復(fù)雜的駕駛場(chǎng)景，通過仿真和實(shí)車試驗(yàn)進(jìn)一步驗(yàn)證本方法的實(shí)用性。