董 漢，舒 偉，陳 超，孫 燦，尤 超

（1.清華大學(xué)蘇州汽車研究院，蘇州 215200； 2.蘇州清研精準(zhǔn)汽車科技有限公司，蘇州 215200；3.北汽集團(tuán)越野車有限公司，北京 101300）

前言

自20世紀(jì)90年代起，高級(jí)駕駛輔助系統(tǒng)（advanced driving assistance system，ADAS）作為智能網(wǎng)聯(lián)汽車的初期階段，逐漸向技術(shù)研發(fā)階段以至產(chǎn)業(yè)化車載應(yīng)用階段發(fā)展。駕駛輔助系統(tǒng)應(yīng)用不同傳感器，如攝像頭、毫米波雷達(dá)和激光雷達(dá)等，提出了技術(shù)路線各異的技術(shù)解決方案，涵蓋了如自適應(yīng)巡航、前碰撞預(yù)警和車道偏離預(yù)警等多種功能［1-2］。

文獻(xiàn)［3］中指出，駕駛輔助系統(tǒng)和智能網(wǎng)聯(lián)汽車感知系統(tǒng)性能面臨的主要挑戰(zhàn)是在適應(yīng)盡可能多的交通環(huán)境因素（如天氣、光照、道路線形、交通工況等）的同時(shí)，保證檢測(cè)性能，以及對(duì)誤檢率（false-positive，F(xiàn)P）和漏檢率（false-negative，F(xiàn)N）的折中平衡。為對(duì)上述系統(tǒng)進(jìn)行測(cè)試、驗(yàn)證和評(píng)價(jià)，廣泛采用開放道路測(cè)試、封閉場(chǎng)地測(cè)試和實(shí)驗(yàn)室環(huán)境下的仿真測(cè)試等有效工具。對(duì)駕駛輔助系統(tǒng)和智能網(wǎng)聯(lián)汽車的測(cè)試與驗(yàn)證，能在當(dāng)前技術(shù)路線不同、產(chǎn)品形態(tài)各異的市場(chǎng)環(huán)境下區(qū)分不同產(chǎn)品的性能表現(xiàn)，逐步建立更加完善的市場(chǎng)標(biāo)準(zhǔn)與體系。

本文中提出通過數(shù)據(jù)采集車輛裝載的駕駛輔助系統(tǒng)終端，有效在線處理并采集緊急和危險(xiǎn)駕駛工況場(chǎng)景數(shù)據(jù)，并根據(jù)對(duì)數(shù)據(jù)的分析建立了包含環(huán)境、交通流、車輛相關(guān)因素的指標(biāo)體系。同時(shí)，應(yīng)用層次分析法（analytic hierarchy process，AHP），并基于專家對(duì)不同影響因素指標(biāo)的評(píng)分結(jié)果，建立了危險(xiǎn)工況場(chǎng)景評(píng)價(jià)體系和模型，以達(dá)到能對(duì)某復(fù)雜危險(xiǎn)場(chǎng)景進(jìn)行定量評(píng)價(jià)的結(jié)果，最終能應(yīng)用于智能汽車和自動(dòng)駕駛的仿真測(cè)試與評(píng)價(jià)。

1 場(chǎng)景工況的數(shù)據(jù)采集與處理

1.1 自然駕駛工況數(shù)據(jù)采集

作為一個(gè)工作量巨大的環(huán)節(jié)，大型實(shí)車道路試驗(yàn)（field operational test，F(xiàn)OT）［4］是駕駛輔助系統(tǒng)和智能網(wǎng)聯(lián)汽車測(cè)試必要的組成部分，這對(duì)高校、研究院等科研單位的技術(shù)研發(fā)以及整車和零部件企業(yè)的產(chǎn)品開發(fā)都具有重要意義。在大型實(shí)車道路試驗(yàn)過程中，測(cè)試車輛對(duì)于自然駕駛工況數(shù)據(jù)的采集可用于交通工況與駕駛行為的分析，同時(shí)對(duì)智能網(wǎng)聯(lián)汽車技術(shù)研發(fā)、產(chǎn)品驗(yàn)證和系統(tǒng)優(yōu)化等也具有積極的作用。自然駕駛工況數(shù)據(jù)采集的過程中，通常情況下，必須滿足以下3個(gè)條件：（1）須在數(shù)據(jù)采集車上安裝高性能傳感器，以采集并記錄本車與交通工況的重要數(shù)據(jù)，如本車速度、前車速度、距離和加速度等；（2）測(cè)試車輛按照一般車輛的駕駛方式在隨機(jī)交通流中正常行駛；（3）在足夠長(zhǎng)的一段時(shí)間周期內(nèi)對(duì)自然駕駛場(chǎng)景數(shù)據(jù)進(jìn)行采集，從而達(dá)到隨機(jī)性。

密西根大學(xué)交通研究中心（the university of Michigan transportation research institute）自本世紀(jì)初主導(dǎo)了智能巡航控制大型實(shí)車道路試驗(yàn)（intelligent cruise control field operational test，ICCFOT）項(xiàng)目，從107名駕駛員的駕駛過程中采集自然駕駛場(chǎng)景數(shù)據(jù)，數(shù)據(jù)量超過 17.70萬 km（11萬 mile）［4］。美國(guó)國(guó)家高速交通安全管理局（national highway traffic safety administration，NHTSA）［5］和弗吉尼亞理工大學(xué)（Virginia polytechnic institute and state university）［6］也同樣組織了大型實(shí)車道路試驗(yàn)，對(duì)100輛試驗(yàn)車進(jìn)行自然駕駛場(chǎng)景研究（natural driving study，NDS）。自2008年起，在歐洲多個(gè)國(guó)家，由多個(gè)汽車企業(yè)和主流研究機(jī)構(gòu)共同參與歐洲大型實(shí)車路試（European field operational test，Euro-FOT），超過1 200名志愿者駕駛員歷時(shí)4年采集超過3 500萬自然駕駛工況數(shù)據(jù)［7］。我國(guó)于2014～2015年開展了具有我國(guó)交通工況特色的中國(guó)大型實(shí)車道路試驗(yàn)（China field operational test，China FOT），32名駕駛員參與測(cè)試和數(shù)據(jù)采集，共采集18 125 km自然駕駛數(shù)據(jù)［8-9］。China FOT大型試驗(yàn)中包含了先行試驗(yàn)China-Pilot FOT，與Euro-FOT類似，通過統(tǒng)一在數(shù)據(jù)采集試驗(yàn)車輛上安裝相應(yīng)采集設(shè)備，包含4個(gè)攝像頭（前向、后向、駕駛員狀態(tài)、油門），在為期2個(gè)月的數(shù)據(jù)采集過程中獲得了不同駕駛員的160個(gè)駕駛片段，共5 600 min的自然駕駛數(shù)據(jù)。

1.2 自然駕駛工況數(shù)據(jù)處理

對(duì)采集的大量自然駕駛工況場(chǎng)景數(shù)據(jù)的處理具有很大挑戰(zhàn)性。目前所面臨的挑戰(zhàn)主要是“危險(xiǎn)工況”場(chǎng)景較難定義［10］，因而不容易從大量連續(xù)的自然駕駛工況數(shù)據(jù)中把“危險(xiǎn)工況”提取出來。當(dāng)前，應(yīng)用較為廣泛的方法是通過篩選采集車輛的動(dòng)力學(xué)參數(shù)，如縱向和橫向加速度等，從而判斷車輛行駛遇到較為危險(xiǎn)的工況［10］。朱西產(chǎn)等人將China-Pilot FOT試驗(yàn)采集的大量數(shù)據(jù)進(jìn)行統(tǒng)計(jì)與分析，針對(duì)駕駛員的制動(dòng)輸入特性和轉(zhuǎn)向輸入特性做了研究，提出制動(dòng)操作緊急程度和轉(zhuǎn)向操作緊急程度的劃分方法［9］。

1.3 危險(xiǎn)駕駛工況數(shù)據(jù)采集

本文中提出了一種通過數(shù)據(jù)采集車輛裝載的駕駛輔助系統(tǒng)終端采集危險(xiǎn)駕駛工況數(shù)據(jù)的方式。與大型實(shí)車道路試驗(yàn)FOT中測(cè)試車輛連續(xù)不斷地采集自然駕駛工況場(chǎng)景數(shù)據(jù)不同的是，本文中的測(cè)試車輛裝載的駕駛輔助系統(tǒng)終端集成了前碰撞預(yù)警（forward collision warning，F(xiàn)CW）、車道偏離預(yù)警（lane departure warning，LDW）、駕駛員狀態(tài)監(jiān)控（driver monitoring system，DMS）和行人檢測(cè)（pedestrian detection，PD）功能，在前碰撞預(yù)警、車道偏離預(yù)警、駕駛員疲勞、駕駛員注意力分散、檢測(cè)到行人和車輛急減速與急轉(zhuǎn)彎等終端報(bào)警情況下，將“危險(xiǎn)工況”場(chǎng)景數(shù)據(jù)記錄下來并回傳至服務(wù)器進(jìn)行存儲(chǔ)。

所有試驗(yàn)車輛都統(tǒng)一裝載了用于采集危險(xiǎn)工況數(shù)據(jù)的駕駛輔助系統(tǒng)終端，包含1個(gè)前向攝像頭和1個(gè)車內(nèi)攝像頭，記錄駕駛員狀態(tài)信息和道路場(chǎng)景信息，如圖1所示。在為期2個(gè)月的數(shù)據(jù)采集中，獲得了來自55個(gè)駕駛員的797個(gè)危險(xiǎn)工況場(chǎng)景。根據(jù)環(huán)境、交通流和車輛相關(guān)因素對(duì)危險(xiǎn)工況場(chǎng)景進(jìn)行了分析和統(tǒng)計(jì)，結(jié)果如圖2～圖4所示。

1.4 危險(xiǎn)駕駛工況數(shù)據(jù)處理

圖1 危險(xiǎn)駕駛工況數(shù)據(jù)的采集

圖2 環(huán)境因素場(chǎng)景統(tǒng)計(jì)

本試驗(yàn)中裝載的駕駛輔助系統(tǒng)終端一共設(shè)置了10種報(bào)警功能，分別是：前向碰撞報(bào)警、車道偏離報(bào)警、行人檢測(cè)報(bào)警、急加速報(bào)警、急減速報(bào)警、急轉(zhuǎn)彎報(bào)警和駕駛員的打哈欠、注意力分散、吸煙與視線脫離報(bào)警。駕駛輔助系統(tǒng)終端在報(bào)警的情況下，將報(bào)警發(fā)生前后的數(shù)據(jù)以視頻的形式采集并上傳，并按照?qǐng)?bào)警類別自動(dòng)分為上述10類。對(duì)比FOT試驗(yàn)中采集大量連續(xù)的自然駕駛場(chǎng)景，本試驗(yàn)依托于駕駛輔助系統(tǒng)中的算法邏輯，將在駕駛過程中遇到的危險(xiǎn)工況進(jìn)行在線提取與處理，將其分割成不同的報(bào)警時(shí)刻前后片段，在線完成自然駕駛場(chǎng)景中對(duì)于場(chǎng)景處理的大量工作，并針對(duì)不同報(bào)警功能進(jìn)行歸類。

采集的場(chǎng)景數(shù)據(jù)可分為車內(nèi)數(shù)據(jù)和車外數(shù)據(jù)兩大類，不同的報(bào)警時(shí)刻片段場(chǎng)景中包含了不同的參數(shù)信息。車內(nèi)數(shù)據(jù)主要指駕駛員狀態(tài)信息，如駕駛員狀態(tài)、駕駛員視線等。車外數(shù)據(jù)中靜態(tài)環(huán)境類型信息包括天氣類型、光照情況、道路類型和道路線形等；動(dòng)態(tài)交通場(chǎng)景包括前方障礙物類型、交通信號(hào)與標(biāo)志類型、交通流狀況、建筑物密集度、同向運(yùn)動(dòng)情況、異向運(yùn)動(dòng)情況和交叉路口沖突。車外交通工況參數(shù)如表1所示。

圖3 交通流因素場(chǎng)景統(tǒng)計(jì)

表1 駕駛工況場(chǎng)景因素參數(shù)表

圖4 車輛及交互因素場(chǎng)景統(tǒng)計(jì)

2 危險(xiǎn)駕駛工況場(chǎng)景復(fù)雜度分析與評(píng)價(jià)

2.1 評(píng)價(jià)指標(biāo)權(quán)重的確定

在對(duì)駕駛工況場(chǎng)景的分析與評(píng)價(jià)中，各種環(huán)境因素、交通流因素和車輛相關(guān)因素之間的關(guān)系錯(cuò)綜復(fù)雜，是一個(gè)由多個(gè)指標(biāo)和屬性組成的綜合性問題。層次分析法［11］能在對(duì)影響因素、內(nèi)在關(guān)系和復(fù)雜決策的問題本質(zhì)分析的基礎(chǔ)上，把少量的定性比較信息轉(zhuǎn)化為最底層相對(duì)于最高層的重要性權(quán)重的確定或相對(duì)優(yōu)劣次序的排序問題［12］，為不同交通駕駛工況場(chǎng)景的復(fù)雜度分析提供了有效依據(jù)。

根據(jù)表1對(duì)交通工況以及駕駛員狀態(tài)參數(shù)影響因素條理化和層次化，構(gòu)造出一個(gè)有序的、梯次遞進(jìn)的結(jié)構(gòu)模型，駕駛工況場(chǎng)景的復(fù)雜度因素、環(huán)境因素、交通流因素和車輛相關(guān)因素的層次結(jié)構(gòu)分別如圖5～圖8所示。

圖5 駕駛工況場(chǎng)景復(fù)雜度影響因素層次結(jié)構(gòu)

本研究中對(duì)于駕駛工況場(chǎng)景的分析采用專家咨詢法，請(qǐng)多位資深專家、具有豐富駕駛經(jīng)驗(yàn)的駕駛員進(jìn)行評(píng)價(jià)打分。采用層次分析法［11］，通過1～9標(biāo)度對(duì)同一層次的每?jī)蓚€(gè)元素進(jìn)行重要度比較，從而構(gòu)建相應(yīng)的判斷矩陣，以此得到不同場(chǎng)景中不同因素的復(fù)雜度權(quán)重。其中判斷矩陣各個(gè)元素和標(biāo)度表示的含義如表2所示。

圖6 駕駛工況場(chǎng)景環(huán)境因素層次結(jié)構(gòu)

圖7 駕駛工況場(chǎng)景交通流因素層次結(jié)構(gòu)

不同場(chǎng)景中不同元素的復(fù)雜度權(quán)重是由所構(gòu)建的判斷矩陣特征向量w經(jīng)過歸一化處理而得。具體公式如下：

圖8 駕駛工況場(chǎng)景車輛相關(guān)因素層次結(jié)構(gòu)

表2 9度標(biāo)度法

式中 i，j＝1，2，…，n。為保證權(quán)重指標(biāo)的合理性，須根據(jù)判斷矩陣求出最大特征值之后對(duì)判斷矩陣進(jìn)行一致性檢驗(yàn)，一致性的定義公式為

式中：RI為層次總排序平均隨機(jī)一致性指標(biāo)的標(biāo)準(zhǔn)值，根據(jù)判斷矩陣結(jié)束不同取不同值；CI為層次總排序一致性指標(biāo)。CI的定義及相關(guān)計(jì)算公式為

式中：λmax為判斷矩陣最大特征值；n為判斷矩陣的階數(shù)；A為矩陣。如果CR＜0.1，說明判斷矩陣的一致性良好，即可得到評(píng)價(jià)指標(biāo)針對(duì)上一層次的權(quán)重。

2.2 算例分析

以道路類型為例，判斷矩陣B1如下：

通過計(jì)算得到，λmax＝4.017，CR＝0.006＜0.1，判斷矩陣一致性良好。在道路類型B1中，高速公路B11、快速道路B12、城市道路 B13和鄉(xiāng)村道路 B14復(fù)雜度權(quán)重比分別為5.2%、10.4%、31.2%和53.2%。

根據(jù)上述計(jì)算方法，其他層次和判斷矩陣的計(jì)算結(jié)果如表3所示。

根據(jù)上述計(jì)算結(jié)果，結(jié)合通過駕駛輔助系統(tǒng)采集的場(chǎng)景數(shù)據(jù)，可計(jì)算某一場(chǎng)景的綜合復(fù)雜度。以場(chǎng)景A（高速公路+直道+平坦路面+晴天+光照一般+有信號(hào)燈+雙車道+交通暢通+汽車參與+單車制動(dòng)危險(xiǎn)+本車速度較快+正常行駛+駕駛員視線無遮擋+駕駛員狀態(tài)正常）為例，其場(chǎng)景復(fù)雜度為

復(fù)雜度 A＝環(huán)境因素 B×（B1×B11+B2×B21+…）+交通流因素 C×（C1×C12+C2×C23+…）+車輛相關(guān)因素 D×（D1×D11+D2×D23+…）

表3 駕駛工況場(chǎng)景因素復(fù)雜度

3 結(jié)論

本文中通過對(duì)危險(xiǎn)駕駛工況場(chǎng)景數(shù)據(jù)的采集和相關(guān)影響因素的分析，提出了一種對(duì)危險(xiǎn)工況場(chǎng)景復(fù)雜度進(jìn)行綜合評(píng)價(jià)的方法。與通常大型實(shí)車道路試驗(yàn)中對(duì)自然駕駛數(shù)據(jù)采集不同的是，本試驗(yàn)中利用駕駛輔助系統(tǒng)終端對(duì)其報(bào)警前后的駕駛工況數(shù)據(jù)進(jìn)行采集，對(duì)緊急工況進(jìn)行在線篩選和處理，大幅降低了人工處理成本。同時(shí)，根據(jù)不同的交通影響因素，對(duì)采集的場(chǎng)景數(shù)據(jù)進(jìn)行分析和標(biāo)簽化處理，構(gòu)建了危險(xiǎn)駕駛工況場(chǎng)景庫(kù)。應(yīng)用層次分析法，基于多名專家的評(píng)分結(jié)果，提出了對(duì)不同駕駛工況場(chǎng)景進(jìn)行復(fù)雜度評(píng)價(jià)的方法。此評(píng)價(jià)方法對(duì)應(yīng)危險(xiǎn)駕駛工況中的場(chǎng)景，能應(yīng)用于智能汽車或自動(dòng)駕駛系統(tǒng)的仿真測(cè)試與評(píng)價(jià)。