高速公路擁堵工況下自動駕駛車輛切入場景測試集構建與安全性評估

【摘要】為評估中國高速公路擁堵工況下自動駕駛汽車在切入場景中的安全風險，從自然駕駛數據集中提取64個切入樣本，采用六層次模型和相關性分析方法確定場景要素范圍，通過抽樣生成1 000個測試用例并構建安全評估指標體系分析車輛運行安全，運用隨機森林算法確定引發風險的關鍵因素。結果表明：在1 000個測試用例中，風險場景占比5.3%，縱向相對速度是導致風險的關鍵要素；擁堵工況下，環境車輛速度低于自動駕駛車輛速度23%時形成高風險切入場景，該指標可作為擁堵切入場景下自動駕駛汽車識別風險的預測指標，亦可用于該場景下的事故責任認定。

主題詞：高速公路 擁堵工況 自動駕駛汽車 切入場景 運行安全 隨機森林

中圖分類號：U463.6；U492.8" 文獻標志碼：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

自動駕駛汽車行駛過程中，相較于跟車等場景，切入場景被視為高風險場景之一[1-3]。在切入場景中，擁堵工況下風險更為顯著[4-5]。根據UN R157《裝備自動車道保持系統的車輛核準的統一條款》對高速公路擁堵工況的定義，當平均車速低于60 km/h時，通常可以認為道路處于擁堵狀態，自動駕駛汽車需要更加謹慎地處理切入場景，以確保行駛安全[6]。

目前，場景組合方法[7]作為國內外常用的場景構建方法，更關注基于本體論結構化描述場景和組合關鍵要素。在場景結構化描述方面：Geyer等[8]在控制模塊中引入本體論進行場景結構化表達；Ulbrich等[9]提出知識庫模型，層次化分類場景要素；Menzel等[10]根據要素類型，使用5個獨立分層實現了場景描述；Sauerbier等[11]增加數字信息層，提出了更完整的六層次模型。在關鍵要素組合方面，周文帥等[12]通過組合基元場景實現關鍵要素組合，郭柏蒼等[13]、Xia等[14]分析要素與場景危險性或復雜度的關系并基于此構建了關鍵要素組合。以上方法均實現了生成場景的高覆蓋度，且將要素與場景危險性等特性相關聯，但組合關鍵要素時，未考慮要素間的相關性。

為提高仿真結果的準確性，在構建與評估自動駕駛擁堵狀態下的切入場景過程中，需增強對要素間相關性的分析[15]。本文旨在針對自動駕駛車輛在擁堵狀態下的切入場景，基于中國某高/快速路擁堵場景自然駕駛數據集，使用六層次模型和相關性分析方法對該場景下的場景要素及要素間的相關關系進行分析。

2 數據收集及處理

2.1 數據來源及描述

場景的要素取值依賴于實際數據集[16]，相較于高風險場景的事故數據集[17-18]，自然駕駛數據集包含的場景覆蓋度更廣，可滿足多工況測試需求[19-23]。

中國高/快速路擁堵場景航測數據集（Aerial Dataset for China’s Highways and Expressways，AD4CHE）針對中國典型交通擁堵場景，采用無人機懸停航測，采集了中國部分城市的快速路和高速路的車輛軌跡數據。該數據集軌跡長度為6 540 km、數量為53 761條，精度為5 cm，最大誤差為10 cm[24]。其軌跡數據主要字段如表1所示，其中x方向為車輛的行駛方向，即車道的延伸方向，y方向為車道的橫向方向。

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，軌跡數量3 112條，平均運行車速為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，根據交通流平均運行車速，兩路段在記錄時段內交通流為擁堵狀態。

需要指出，該數據集并不包含自動駕駛車輛運行軌跡，本文旨在采用該數據獲取環境車輛切入動作的運動學參數，自動駕駛車輛運動學參數通過構建其車輛動力學模型完成。因此，本文建立的切入場景更適用于自動駕駛車輛與傳統車輛的混合流。

2.2 數據篩選

切入場景的構成需滿足有車輛變道，且在變道車輛換道后，其后的緊隨車輛運動發生顯著變化。根據相關研究[25]，車輛運動發生明顯變化時加速度隨車速提高而減小，為避免提取換道行為數據發生遺漏，將數據集中最大車速（19 m/s）對應的加速度（-0.45 m/s2）設為閾值，而未導致緊隨車輛運動發生明顯變化的變道不構成切入場景，如分流匝道駛出。

2.2.1 識別換道

同一編號的車輛在某時刻的車道線編號發生變化即認為進行了換道。當換道車y方向速度的絕對值達到最小值時，開始換道，速度再次減小至最小值時，換道結束，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景。

2.2.2 切入場景數據集構建

切入場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駕駛車（Ego）。ISO 34502[2]提出，影響Ego安全的4個關鍵變量為：Ego初始縱向速度Ve0、LCV與Ego縱向相對速度Vx=Vc0-Ve0、LCV與Ego橫向相對速度Vy、LCV與Ego縱向相對距離dx，如圖3所示。其中，Vc0為LCV初始縱向速度。

計算換道過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條換道數據，最終提取切入場景樣本64例構建切入場景數據集，如表2所示。

2.3 切入場景數據分析

變道車輛切入時可能保持勻速，也可能伴隨加、減速的情況，故在切入場景數據集構建完成后，需對切入場景數據進行分析，進一步確定切入場景的特征。通過分析切入場景數據集64例樣本切入過程中x方向速度的平均值、離差、標準差、離散程度對變道車輛切入時的速度狀態進行確定，如圖5所示。

樣本的離差、標準差遠小于樣本速度均值，且離差平均值為0.3 m/s，離差標準差為0.19 m/s，樣本離散程度約為0。因此，樣本數據相對集中，變道車切入自動駕駛車輛所在車道的過程中，x方向速度無顯著變化，即構建的擁堵狀態下自動駕駛切入場景數據庫中64例樣本屬于變道車勻速切入場景。

3 切入場景構建

3.1 構建方法

依據ISO 34502[2]的場景要素取值方法，確定六層次模型[11]根據6個獨立分層描述事件的動、靜態要素，如表3所示。靜態要素由第一、二、三、五層定義，各測試場景中取值一致；動態要素由第四、六層定義，場景間差異主要在于動態要素的取值[26]。通過量化各要素取值，將動、靜態要素值組合，生成切入具體場景，最終得到包含若干場景的測試場景集。

3.2 場景要素取值

六層次模型中，得到靜態、動態要素值后，即可生成具體的測試場景。因此，要素取值是場景構建的關鍵環節，動態要素取值尤為重要。

3.2.1 靜態要素取值

靜態要素取值根據行駛環境確定。結合AD4CHE數據集，確定靜態要素為高速公路、平直路段、瀝青路面、三車道、晴天、限速120 km/h標志。因數據集中不存在臨時管控措施，故本文不對第三層賦值。

3.2.2 動態要素取值

因仿真環境中感知數據精度不足，虛擬仿真一般不考慮車車通信，故本文未對第六層賦值。第四層要素取值可分為確定關鍵要素、分析各要素分布特性、檢驗要素間是否存在相關關系、確定要素取值范圍及抽樣提取動態要素值。

a. 關鍵要素確定。參考ISO 34502[2]，確定切入場景動態要素Ve0、Vx、Vy、dx。

b. 關鍵要素統計分布估計。對動態要素進行初步估計，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，使用非參數檢驗法檢驗要素分布。對各項動態要素分別假設：原假設，要素與正態分布無顯著性差異；備擇假設，要素與正態分布有顯著性差異。

由于本文樣本量屬小樣本范疇，故選取夏皮羅-威爾克（Shapiro-Wilk）指標為檢驗標準，如表4所示，置信區間為95%，4項動態要素的顯著性均超過0.05，故通過檢驗，4項動態要素均服從正態分布。

c. 動態要素間相關性分析。要素間相關性會對要素取值產生影響，需考慮要素間相關性，使其取值更為合理，如：高速路上行駛時，Vx越大，保障安全所需距離越小，dx隨之減小。

設Vx為自變量、dx為因變量，用于相關性分析的樣本應為自變量的5～10倍[27]，綜合考慮各區間用于計算均值μ和標準差σ的樣本數量至少為2個，故將自變量劃分為6個區間進行相關性分析，建立因變量μ與σ關于自變量的回歸方程：

以式（1）中斜率的t檢驗[28]值作為判斷因變量與自變量是否存在相關性的標準（取置信區間為95%，即|t|≥1.96時，存在線性關系），如表5所示。dx的μ與Vx線性相關，對應方程μ=-0.407Vx+5.984，dx的σ與Vx無相關性，取σ為樣本整體標準差，σ=2.279。

d. 動態要素取值范圍確定。結合3σ原則[29]和要素間相關性確定參數范圍，由c可得，Vx為自變量時，dx范圍為（-0.407Vx-0.853，-0.407Vx+12.821），如圖7所示。

根據上述方法可得所有動態要素參數范圍，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在雙變量關系中，無線性關系；Vx-Ve0、dx-Ve0、Ve0-Vx、Ve0-dx、Ve0-Vy在雙變量關系中，呈正相關線性關系；dx-Vx、Vx-dx在雙變量關系中，呈負相關線性關系；Vy-Ve0上、下限對應斜率不同，并非單純正相關或負相關，在雙變量關系中，存在復雜關聯關系。

綜上，在Ve0、Vx、dx、Vy的多變量關系中，不僅存在雙變量間的直接相關，還存在由其他變量導致的變量變化的間接相關。因此，動態要素取值前，應使用聯合分布表征要素間的復雜相關關系，再以要素組合的形式進行抽樣取值。

e. 要素抽樣取值。因要素間存在復雜相關性，故在抽樣時需將要素視為變量，建立多個變量的聯合分布概率密度函數，再使用抽樣方法實現動態要素組合抽樣，生成切入測試用例。

由動態要素分布估計結果可知，4項動態要素符合正態分布，且要素間存在相關性，可構成協方差矩陣。由此，假設動態要素聯合分布符合多元高斯分布：

多元高斯分布需滿足每項參數的正態性以及協方差矩陣的正定性。前文已證實，4項參數均為正態分布，且Σ為實對稱陣并且特征值均為正數，故Σ為正定矩陣。因此，切入場景下4項動態要素的聯合分布符合多元高斯分布。

確定聯合分布函數后，使用蒙特卡洛抽樣，獲得符合聯合分布的1 000組要素組合抽樣取值。結合確定的靜態要素取值，即獲得1 000個完整的切入測試用例，表7所示即為一個完整用例。

4 切入場景運行安全性評價

4.1 運行安全性評價指標構建

可靠的安全性評價是自動駕駛推廣的前提，通常使用通過性指標或平均接管次數指標對其評價[30-32]。平均接管次數注重體現真實駕駛情況，而通過性指標更適用于反映車輛的仿真測試場景。因此，本文使用通過性指標進行安全性評價，參考UN R157[6]，將切入場景分為切入開始前、變道時、開始后至結束3個階段，設置不同階段的通過性評價指標對完整切入場景進行安全性評估，如表8所示。

使用VTD（Virtual Test Drive）仿真軟件構建仿真模型實現車輛安全性分析，并基于分析結果判別導致風險的主要動態要素。首先，使用VTD現有動力學模型，輸入切入初始狀態參數Ve0、Vx、Vy、dx，使Ego維持切入初始運動狀態直到切入結束；其次，運行測試環境，生成測試數據；再次，分析測試數據，計算車輛在3個階段的評價指標，判別該場景下車輛運行安全性；最后，根據指標閾值將場景分為風險場景與無風險場景，通過隨機森林[33]模型分析動態要素對產生風險的影響程度。

4.2.1 車輛安全性分析

設置4.1節中的3項安全指標閾值，分析1 000例用例，其中，947個場景通過測試，僅53個場景存在風險，占比5.3%，如圖8所示。例如，表7所示隨機測試場景對應閾值為Llt;1.75 m、tTTCLIgt;0.355 s、tTTCgt;2 s，仿真測試結果為L≈0 m、tTTCL=2.8 s，tTTC過程最小值為0.3 s，說明車輛在此場景下存在風險。

圖8a中，所有測試用例的Ego均符合L的安全性要求，說明Ego在車道保持方面表現出高度可靠性；圖8b中，53個測試用例未滿足tTTC要求，表明在整個切入過程中，Ego在dx等方面的規劃控制還需進一步優化；圖8c中，6個測試用例未滿足tTTCLI安全性要求，表明在擁堵狀態下，Ego在被切入時行為規劃方面仍存在改進空間。

4.2.2 動態要素對風險的影響分析

根據風險性對場景進行分類，并分析要素影響。由于數據間存在相關性，選擇機器學習分析特征的重要性。而隨機森林[33]模型具有準確率高、魯棒性和抗過擬合能力強的特點，采用分類與回歸決策樹（Classification And Regression Tree，CART）[34]算法，基于要素對降低基尼不純度[33]的貢獻大小，衡量要素的重要性。

試驗使用準確率、召回率、F1分數對隨機森林模型進行評價[33]。構建的隨機森林模型準確率為99%，召回率為86%，F1分數為0.92，說明該模型能夠分析動態要素重要性，結果如圖9所示。

4項動態要素中，導致風險的主要要素為Vx，重要性評分為0.831，dx、Vy、Ve0是次要要素，重要性評分分別為0.074、0.064、0.031。

進一步分析風險場景要素Vx，根據53例風險場景數據統計分析，Vx的μ為-1.73，σ為0.55。根據3σ原則[29]，導致風險的Vx范圍為（-3.88，-0.08），即運行車速低于60 km/h（16.6 m/s）的交通狀態下，LCV以較Ego低3.88 m/s的縱向速度切入時，會產生碰撞風險。

綜上所述，本文研究的擁堵狀態下變道車勻速切入場景中，風險的主要致因為LCV激進的切入行為。具體而言，高速公路擁堵工況下，當LCV在其縱向速度低于Ego縱向速度的23%時切入，極易形成高風險切入場景，引發Ego避撞策略失效，從而導致碰撞風險。

5 結束語

本文基于中國高/快速路擁堵場景航測數據集，在考慮要素相關性的前提下，構建了擁堵狀態變道車勻速切入仿真場景，提高了生成場景的準確性與真實性。Ego可將Vx用于擁堵工況切入場景的碰撞風險規劃，也可用于該場景下交通事故的車輛責任判定標準。

當前，本文僅考慮了LCV車輛勻速變道切入導致Ego減速，且不存在其他環境車輛復雜影響的場景。未來，可進一步研究在周圍其他環境車輛影響下，LCV變速切入以及Ego不同響應行為的場景，以應對各種復雜的駕駛情況。

參 考 文 獻

[1] 王雪松， 楊敏明. 基于自然駕駛數據的變道切入行為分析[J]. 同濟大學學報（自然科學版）， 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] 北京智能車聯產業創新中心. 北京自動駕駛車輛道路測試報告[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. 面向自動駕駛的仿真場景自動生成方法綜述[J]. 中國公路學報， 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景的自動駕駛測試用例生成方法[J]. 汽車技術， 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， 雒國鳳， 金立生， 等. 面向自動駕駛虛擬測試的變道切入場景庫構建方法[J]. 吉林大學學報（工學版）， 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. 事故數據驅動的自動駕駛場景用例泛化生成[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. 基于場景的自動駕駛汽車虛擬測試研究進展[J]. 中國公路學報， 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. 自動駕駛汽車測試場景基元自動提取方法[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. 基于自然駕駛數據挖掘的二階車輛與行人交互測試場景[J]. 中國公路學報， 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-行人交互的虛擬測試場景構建[J/OL]. 吉林大學學報（工學版）. （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-開源數據[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. 智能網聯汽車測試與評價技術[M]. 北京： 機械工業出版， 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. 統計學[M]. 北京： 中國人民大學出版社， 2018.

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

[29] 茆詩松. 概率論與數理統計教程[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. 基于自然駕駛數據的自動駕駛汽車安全性評價方法[J]. 中國公路學報， 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. 機器學習[M]. 北京： 清華大學出版社， 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.

（責任編輯 瑞 秋）

修改稿收到日期為2024年1月10日。

*基金項目：國家重點研發計劃項目“自主式道路交通系統安全保障技術”（2023YFB4302703）；自動駕駛準入仿真測評技術研究與工具研發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駕駛汽車切入場景仿真與安全性評估[J]. 汽車技術， 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.