李文禮，肖凱文，石曉輝，梁鋒華，黎 平

（1.重慶理工大學(xué)，汽車零部件先進(jìn)制造技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，重慶 400054；2.重慶長(zhǎng)安汽車股份有限公司，重慶 400020）

前言

行人道路安全是全球共同關(guān)注的熱點(diǎn)問(wèn)題，世界衛(wèi)生組織（WHO）指出，全世界每年約有130 萬(wàn)人死于交通事故，其中超過(guò)50%是“弱勢(shì)道路使用者”，即行人、自行車或摩托車騎行者，這意味著行人道路安全問(wèn)題仍不容樂(lè)觀。由于行人的內(nèi)在特性（情緒、習(xí)性、性別等）存在差異，使行人在過(guò)街時(shí)與車輛交互過(guò)程中的運(yùn)動(dòng)狀態(tài)具有多態(tài)性和突變性，在發(fā)生緊急交通沖突的前一時(shí)刻，僅依靠駕駛?cè)说呐袛嗪蜎Q策難以避免人車沖突甚至導(dǎo)致交通事故的發(fā)生。因此，深入剖析行人特性，研究人車交互問(wèn)題，是提高道路安全和保護(hù)行人的必要措施。

研究人車交互的目的是為車輛路徑規(guī)劃提供參考，常用的路徑規(guī)劃方法有圖搜索法、基于采樣和離散優(yōu)化及人工勢(shì)場(chǎng)法，這幾種方法皆具優(yōu)劣，其中人工勢(shì)場(chǎng)法（artificial potential field）由于計(jì)算成本低、實(shí)時(shí)性高等優(yōu)點(diǎn)而得到了廣泛應(yīng)用。近年來(lái)，許多學(xué)者對(duì)勢(shì)場(chǎng)理論進(jìn)行的改進(jìn)和創(chuàng)新，對(duì)人-車或車-車交互研究的推進(jìn)起到了重要作用。Ni認(rèn)為駕駛?cè)丝偸茄刂缆凤L(fēng)險(xiǎn)分布最低點(diǎn)附近行駛，較早地提出了基于駕駛?cè)酥饔^駕駛環(huán)境的場(chǎng)域理論（field theory）。王建強(qiáng)等在場(chǎng)域理論的基礎(chǔ)上進(jìn)一步考慮駕駛?cè)俗陨韮?nèi)在特性、車輛狀態(tài)和交通環(huán)境，提出了解釋人-車-路相互關(guān)系的“行車風(fēng)險(xiǎn)場(chǎng)”理論，揭示了車輛在復(fù)雜交通場(chǎng)景下人-車-路綜合作用時(shí)的風(fēng)險(xiǎn)變化趨勢(shì)，為行車安全和智能車的路徑規(guī)劃提供了新思路。在此基礎(chǔ)上，許多學(xué)者對(duì)風(fēng)險(xiǎn)場(chǎng)理論進(jìn)行了改進(jìn)和創(chuàng)新。文獻(xiàn)［6］中將車輛加速度和轉(zhuǎn)向盤轉(zhuǎn)角轉(zhuǎn)化為駕駛風(fēng)格因子，以描述駕駛?cè)藵撛诘鸟{駛習(xí)慣，構(gòu)建出一種考慮駕駛風(fēng)格因子的綜合風(fēng)險(xiǎn)場(chǎng)模型。文獻(xiàn)［7］中建立了考慮車輛加速度和轉(zhuǎn)向角度動(dòng)態(tài)影響的駕駛風(fēng)險(xiǎn)場(chǎng)模型，并開發(fā)出基于駕駛風(fēng)險(xiǎn)場(chǎng)的車輛跟馳模型，分析了不同駕駛風(fēng)格與換道安全之間的關(guān)系。朱乃宣等基于人工勢(shì)場(chǎng)理論對(duì)交通環(huán)境中的動(dòng)態(tài)和靜態(tài)障礙物實(shí)現(xiàn)了風(fēng)險(xiǎn)場(chǎng)建模，以真實(shí)駕駛員駕駛數(shù)據(jù)樣本得出了個(gè)性化換道的觸發(fā)時(shí)刻，分析了駕駛員換道過(guò)程中的風(fēng)險(xiǎn)變化。文獻(xiàn)［9］中提出了彎道超車工況下的彎道勢(shì)場(chǎng)，設(shè)計(jì)動(dòng)態(tài)環(huán)境的增量搜索算法，生成具有參考意義的彎道超車路徑。近幾年逐漸有學(xué)者利用勢(shì)場(chǎng)理論對(duì)人車交互進(jìn)行研究，黃俊達(dá)等通過(guò)在鳥瞰二維坐標(biāo)下構(gòu)建行車風(fēng)險(xiǎn)場(chǎng)來(lái)預(yù)測(cè)行人運(yùn)動(dòng)軌跡，將行人風(fēng)險(xiǎn)系數(shù)量化為3 層風(fēng)險(xiǎn)等級(jí)以判定行人是否具有碰撞危險(xiǎn)。袁泉等提出了心理安全通行距離和心理安全制動(dòng)距離，將心理安全距離融入行車安全場(chǎng)理論，構(gòu)建出行人風(fēng)險(xiǎn)動(dòng)態(tài)評(píng)價(jià)模型。楊彪等提出了一種多源信息融合識(shí)別網(wǎng)絡(luò)以識(shí)別行人過(guò)街意圖，通過(guò)感知周車環(huán)境中的行人過(guò)街意圖，更好地規(guī)劃無(wú)人車的運(yùn)行軌跡，為行人防碰撞提供了決策依據(jù)。

現(xiàn)有的基于勢(shì)場(chǎng)理論的人車或車車交互模型，大多對(duì)車輛特性和駕駛?cè)颂匦钥紤]較為全面，而對(duì)行人特性研究較少。為提高人車交互中行人路徑規(guī)劃的準(zhǔn)確性，把行人特性作為人車交互的重要影響因子，本文中提出一種基于行人視野注意力場(chǎng)的人車微觀交互模型，具體工作包括：（1）提出一種基于行人視野注意力場(chǎng)的人車微觀交互模型，利用目標(biāo)捕捉算法來(lái)控制行人視野域?qū)δ繕?biāo)的捕捉，使人車交互仿真過(guò)程更加擬人化；（2）提取鳥瞰視角下的人車真實(shí)交互數(shù)據(jù)，將行人過(guò)街風(fēng)格類型進(jìn)行分類；（3）在Pygame 框架下搭建模型，將不同過(guò)街風(fēng)格類型的人車交互數(shù)據(jù)作為仿真輸入，驗(yàn)證模型和算法的有效性。

1 基于行人視野注意力場(chǎng)的人車微觀交互模型

1.1 行人視野注意力場(chǎng)描述

如圖1 所示，當(dāng)行人過(guò)街時(shí)，根據(jù)行人的思維邏輯應(yīng)當(dāng)先觀察視野下的交通環(huán)境再?zèng)Q定是否穿越，而行人在過(guò)馬路時(shí)的視野范圍是有限的，通常需要配合頭部轉(zhuǎn)動(dòng)來(lái)檢索、更新周圍信息。一般情況下，如果行人在穿行過(guò)程中沒有發(fā)現(xiàn)周圍有車輛對(duì)其穿越行為產(chǎn)生威脅，則行人視野注意力應(yīng)當(dāng)集中于目的地方向，即目的地周圍會(huì)持續(xù)產(chǎn)生一種虛擬勢(shì)場(chǎng)吸引行人視野；而在行人穿越時(shí)通常需要應(yīng)對(duì)來(lái)車對(duì)其產(chǎn)生的安全威脅，因此，行人在去往目的地的同時(shí)必須持續(xù)關(guān)注來(lái)車，判斷人車當(dāng)下運(yùn)動(dòng)狀態(tài)是否安全，可以認(rèn)為行人附近的車輛也會(huì)產(chǎn)生與目的地周圍類似的虛擬勢(shì)場(chǎng)，吸引行人的視野關(guān)注度。因此，本文把這種“虛擬勢(shì)場(chǎng)”稱為行人視野注意力場(chǎng)，利用這種場(chǎng)可描述行人如何搜索周圍視野需要關(guān)注的信息來(lái)規(guī)劃路徑。

圖1 人車交互場(chǎng)景概念圖

1.2 驅(qū)動(dòng)行人視野域旋轉(zhuǎn)運(yùn)動(dòng)的視野注意力場(chǎng)建模

為模擬現(xiàn)實(shí)情況下行人的視野范圍，設(shè)行人視野域?yàn)?/p>

式中：為的極徑；為的極角；為平分的角平分線長(zhǎng)度；為行人專注情況下的視野范圍角，根據(jù)文獻(xiàn)［13］設(shè)為120°；為與水平軸線的夾角，逆時(shí)針為正方向；視野域如圖2中扇形區(qū)域所示。

圖2 視野域轉(zhuǎn)動(dòng)與人車運(yùn)動(dòng)的驅(qū)動(dòng)力示意圖

考慮到現(xiàn)實(shí)交通環(huán)境中障礙物或目標(biāo)點(diǎn)對(duì)行人視野注意力的影響分布具有“近大遠(yuǎn)小”的特征，本文將車輛與目的地對(duì)行人視野域產(chǎn)生的影響力分布場(chǎng)以改進(jìn)的二維正態(tài)分布來(lái)刻畫每一時(shí)刻對(duì)行人視野域的影響。如圖2所示，點(diǎn)（，）是車輛幾何中心坐標(biāo)，（，）是行人目的地坐標(biāo)，（，）點(diǎn)和（，）點(diǎn)產(chǎn)生的視野注意力場(chǎng)對(duì)(，)處行人的視野域引力大小分別為

式中：(，)和(，)分別為車輛點(diǎn)位置和目的地位置對(duì)行人視野域在(，)處的引力大小；為車輛瞬時(shí)速度；是與相關(guān)的常數(shù)；是與行人過(guò)街風(fēng)格相關(guān)的常數(shù)。

行人視野域所受視野注意力場(chǎng)的引力方向定義如下，在圖2 中，行人的左側(cè)來(lái)車，由于(，)的方向始終與矢量=(-，-)的方向同向，因此可以用的單位向量方向(-cos，sin) 作 為(，)的方向；同理，行人視野域在(，)處受點(diǎn)、目的地點(diǎn)產(chǎn)生的視野注意力場(chǎng)引力矢量和視野注意力合力矢量為

式中：和分別是(，)和(，)與軸的夾角，逆時(shí)針為正方向（若行人右側(cè)來(lái)車則順時(shí)針為正向）。

視野注意力合力矢量驅(qū)動(dòng)視野域的過(guò)程如圖2 所示，假設(shè)初始時(shí)刻下，行人視野角平分線平行于軸，且與夾角為，受到在上的法向分力||·sin后，使頭部轉(zhuǎn)動(dòng)角度，最終轉(zhuǎn)動(dòng)到。視野域轉(zhuǎn)動(dòng)的狀態(tài)轉(zhuǎn)移方程為

式中：Δ為單位采樣時(shí)間；為視野域轉(zhuǎn)動(dòng)慣量，是與行人過(guò)街風(fēng)格有關(guān)的常數(shù)。

1.3 行人視野域A對(duì)目標(biāo)的捕捉

1.3.1 目標(biāo)捕捉算法

圖3 視野域A捕捉車輛目標(biāo)的過(guò)程

式中：為車輛點(diǎn)與行人之間的歐氏距離；是行人位置與車輛點(diǎn)所連直線對(duì)水平軸線的夾角，逆時(shí)針為正（若行人右側(cè)來(lái)車則順時(shí)針為正）；表示車輛點(diǎn)與行人的橫坐標(biāo)之差，為-，左側(cè)來(lái)車＜0，右側(cè)來(lái)車＞0。

1.3.2 目標(biāo)關(guān)注度

設(shè)第個(gè)采樣時(shí)刻為T∈（，，…，T），行人過(guò)街總時(shí)間為，在目標(biāo)捕捉算法中描述了還未捕捉到目標(biāo)、恰好捕捉到目標(biāo)和結(jié)束交互的整個(gè)過(guò)程，將3 個(gè)時(shí)刻分別記為T、T、T；行人對(duì)車輛關(guān)注度和對(duì)目的地關(guān)注度為

1.4 驅(qū)動(dòng)人車運(yùn)動(dòng)的人工勢(shì)場(chǎng)建模

基于行人視野注意力場(chǎng)的人車微觀交互模型中改變行人和車輛運(yùn)動(dòng)狀態(tài)的力由人工勢(shì)場(chǎng)確定。人工勢(shì)場(chǎng)主要通過(guò)斥力勢(shì)場(chǎng)和引力勢(shì)場(chǎng)共同組成，引力勢(shì)場(chǎng)和斥力勢(shì)場(chǎng)為

式中：表示引力常量，與行人過(guò)街風(fēng)格有關(guān)，不同過(guò)街風(fēng)格的行人對(duì)目的地的關(guān)注度不同，故受到的引力大小不同；和分別是行人(，)和目的地(，)任意時(shí)刻位置；是用于限制引力“遠(yuǎn)極大”和“近極小”兩種特殊情況下的距離閾值；為斥力常量，與行人過(guò)街風(fēng)格有關(guān)，不同過(guò)街風(fēng)格的行人受到車輛的斥力不同；表示來(lái)車對(duì)行人的最大影響距離，該參數(shù)的定義借鑒了文獻(xiàn)［11］中提出的行人心理安全通行距離，將此距離用于控制來(lái)車產(chǎn)生的斥力場(chǎng)對(duì)行人的最大作用距離，如式（9）所示。

式中：是與行人過(guò)街風(fēng)格有關(guān)的正數(shù)；v為參考車速。

勢(shì)場(chǎng)力由勢(shì)場(chǎng)的負(fù)梯度定義，故引力和斥力為

行人受人工勢(shì)場(chǎng)合力’為目的地勢(shì)場(chǎng)的引力和多個(gè)車輛勢(shì)場(chǎng)產(chǎn)生的斥力之和。視野域在轉(zhuǎn)動(dòng)過(guò)程中會(huì)持續(xù)搜索周圍車輛，若捕捉到車輛點(diǎn)，即∈時(shí)，所有滿足行人心理安全通行距離的車輛對(duì)行人有斥力作用，否則僅有目的地引力作用，故’為

求得行人所受人工勢(shì)場(chǎng)合力’后，設(shè)時(shí)刻行人坐標(biāo)為(x，y)，用’構(gòu)建行人的狀態(tài)轉(zhuǎn)移方程：

式中為’與水平軸線的夾角，逆時(shí)針為正向。

車輛也會(huì)受到行人的反作用力，方向由行人位置指向車輛位置，根據(jù)文獻(xiàn)［13］中力的反饋過(guò)程，設(shè)計(jì)行人對(duì)車輛的作用力為

式中：是車輛受到行人的反作用力；為舒適減速度；為駕駛員反應(yīng)時(shí)間。

2 人車交互數(shù)據(jù)采集與分析

通過(guò)無(wú)人機(jī)采集人車交互視頻，手動(dòng)逐幀標(biāo)定鳥瞰視頻中的人車軌跡和行人頭部偏向，得到人車交互時(shí)的軌跡數(shù)據(jù)(，，，，，，)，再將人車歷史軌跡和行人頭部偏向角進(jìn)行數(shù)據(jù)分析，得到交互數(shù)據(jù)(，，，，，，)。隨后使用基于決策樹的集成學(xué)習(xí)算法（隨機(jī)森林、XGBoost）對(duì)交互數(shù)據(jù)進(jìn)行解釋變量的重要性分析，以得分較高的解釋變量為基準(zhǔn)作K均值聚類。整個(gè)數(shù)據(jù)采集和分析流程如圖4所示。

圖4 數(shù)據(jù)采集和分析流程

2.1 采集和標(biāo)定數(shù)據(jù)

本文的行人和車輛數(shù)據(jù)均為實(shí)景采集，為使數(shù)據(jù)符合現(xiàn)實(shí)情況，選擇了某高校附近的丁字路口，此路口人流密集，人車交互頻繁，采集場(chǎng)景如圖5所示。

圖5 數(shù)據(jù)采集場(chǎng)景

數(shù)據(jù)采集設(shè)備為DJI-MINI2 無(wú)人機(jī)，如圖6 所示。單次最長(zhǎng)飛行時(shí)間為30 min，影像傳感器為CMOS，有效像素1 200萬(wàn)；錄像分辨率為3840×2160，幀率為24 fps；飛行高度50 m。

圖6 采集設(shè)備

視頻數(shù)據(jù)包含17 段交互場(chǎng)景，共22 480 幀，每10 幀對(duì)人車軌跡和行人頭部偏角進(jìn)行一次手動(dòng)標(biāo)定，相鄰標(biāo)定點(diǎn)之間的時(shí)間間隔為0.042 s。經(jīng)實(shí)地測(cè)量，確定拍攝區(qū)域?yàn)殚L(zhǎng)30 m、寬25 m 的矩形區(qū)域，共整理出231條有效的行人軌跡和51條具有交互行為的車輛軌跡，多個(gè)行人可能與單輛車交互。每個(gè)行人的標(biāo)定軌跡數(shù)據(jù)格式如表1所示（這里以3號(hào)行人為例）。

表1 部分標(biāo)定數(shù)據(jù)

圖7為行人和車輛部分軌跡標(biāo)定結(jié)果，圖8為行人頭部偏向角標(biāo)定過(guò)程。得到人車軌跡數(shù)據(jù)后，利用標(biāo)定后的軌跡點(diǎn)求行人最大加速度和平均速度，以車輛點(diǎn)歷史軌跡確定來(lái)車與行人的初始橫向距離和車輛平均速度，以視頻幀數(shù)衡量行人等待時(shí)間，以視頻畫面確定該行人是否有同行人，根據(jù)目標(biāo)捕捉算法和人車歷史軌跡計(jì)算行人對(duì)來(lái)車的關(guān)注度。計(jì)算統(tǒng)計(jì)出每個(gè)行人的交互數(shù)據(jù)，如表2所示。

表2 人車交互數(shù)據(jù)

圖7 部分人車軌跡（行人為彩色實(shí)線，車輛為紅色虛線）

圖8 標(biāo)定行人頭部偏向角θ

2.2 解釋變量重要性分析

如表3 所示，根據(jù)視頻中行人過(guò)街表現(xiàn)出“讓出交互主導(dǎo)權(quán)，讓來(lái)車先行”、“謹(jǐn)慎交互，平穩(wěn)前行，不奔跑”、“積極爭(zhēng)奪交互主導(dǎo)權(quán)，侵略性強(qiáng)，奔跑”的行為表現(xiàn)作為被解釋變量，將包含車輛特性與行人特性的交互數(shù)據(jù)作為解釋變量；利用基于決策樹的集成學(xué)習(xí)算法，通過(guò)Random-Forest（隨機(jī)森林）和XGBOOST（極致梯度提升）算法分析解釋變量的重要性，篩選對(duì)被解釋變量（過(guò)街風(fēng)格）影響較大的解釋變量。

表3 解釋（被解釋）變量定義

在訓(xùn)練隨機(jī)森林模型過(guò)程中，確定最佳決策樹棵數(shù)為85 的模型表現(xiàn)最佳：模型效率（0.845 s）、袋外準(zhǔn)確率OOB=0.897、準(zhǔn)確率AUC=0.924；在訓(xùn)練XGBOOST 模型時(shí)，將行人數(shù)據(jù)集按4∶1 分為訓(xùn)練集（185 個(gè)）、測(cè)試集（46 個(gè)）。訓(xùn)練結(jié)果表明，當(dāng)決策樹為120 時(shí)，模型有最優(yōu)準(zhǔn)確率AUC=0.947。圖9 描述了兩種模型的ROC 曲線、AUC 得分和兩模型AUC的平均值，結(jié)果表明，兩種訓(xùn)練模型對(duì)解釋變量重要性的評(píng)估具有很高的可靠性。從圖10 可以看出行人在交互過(guò)程中對(duì)來(lái)車的關(guān)注度、行人最大加速度和行人平均速度對(duì)過(guò)街風(fēng)格分類影響更為顯著。

圖9 模型評(píng)估ROC曲線

圖10 解釋變量重要性排序

2.3 行人過(guò)街風(fēng)格聚類

從解釋變量重要性分析的實(shí)驗(yàn)結(jié)果可以看出：行人在交互過(guò)程中，來(lái)車的關(guān)注度、行人最大加速度和行人平均速度對(duì)過(guò)街風(fēng)格影響更為顯著，故將以上3 種變量作為相關(guān)因素，經(jīng)數(shù)據(jù)歸一化后進(jìn)行K 均值聚類分析，設(shè)初始聚類質(zhì)心數(shù)量與被解釋變量數(shù)相同，目標(biāo)函數(shù)為最優(yōu)化歐氏距離誤差平方和，最終形成了3個(gè)簇，如圖11所示。根據(jù)各簇分布，將過(guò)街風(fēng)格分為“保守型”、“謹(jǐn)慎型”和“冒險(xiǎn)型”，分別有42、112、77人。

圖11 過(guò)街風(fēng)格聚類

3 仿真分析

將各個(gè)行人、交互對(duì)象車輛、對(duì)應(yīng)目的地坐標(biāo)、車輛初始速度和行人過(guò)街風(fēng)格作為模型輸入，格式為(，，，，，，，)，運(yùn)行模型得到仿真結(jié)果（行人對(duì)來(lái)車的關(guān)注度和交互軌跡）。整個(gè)仿真模型由圖12 所示，主要由觀測(cè)模塊和決策執(zhí)行模塊構(gòu)成，觀測(cè)模塊利用輸入數(shù)據(jù)構(gòu)建視野注意力場(chǎng)，由視野注意力場(chǎng)驅(qū)動(dòng)視野域轉(zhuǎn)動(dòng)；決策執(zhí)行模塊用輸入數(shù)據(jù)構(gòu)建人工勢(shì)場(chǎng)驅(qū)動(dòng)人車運(yùn)動(dòng)；視野域轉(zhuǎn)動(dòng)期間會(huì)持續(xù)調(diào)用目標(biāo)捕捉算法，使行人在視野域的引導(dǎo)下與交互對(duì)象車完成擬人化、高保真的交互。仿真平臺(tái)為Pygame，仿真用的計(jì)算機(jī)配置為2.90 GHz的CPU：Intel（R）Core（TM）i7-10700CPU 和Quadro RTX 5000顯卡。

圖12 模型結(jié)構(gòu)圖

3.1 基于典型過(guò)街風(fēng)格的勢(shì)場(chǎng)仿真分析

3.1.1 視野注意力場(chǎng)分析

行人周圍視野注意力場(chǎng)的分布與車輛速度大小和行人過(guò)街風(fēng)格有關(guān)。圖13 展示了不同車速和過(guò)街風(fēng)格下的視野注意力場(chǎng)。

場(chǎng)景1：保守行人周圍的視野注意力場(chǎng)

在圖13（a）中，車輛點(diǎn)位于（6，8）位置，行人目的地點(diǎn)位于（18，20）位置，來(lái)車車速=10 km/h，沿著軸的正方向移動(dòng)。假設(shè)行人此刻位置在（16，0）附近，若行人欲去往點(diǎn)附近，行人視野域會(huì)先受到點(diǎn)視野注意力場(chǎng)的影響，使優(yōu)先捕捉車輛目標(biāo)?？紤]車速對(duì)車輛視野注意力場(chǎng)分布的影響，在圖13（b）中，點(diǎn)產(chǎn)生的視野注意力場(chǎng)由于車速的提升而擴(kuò)大了影響范圍，視野域此刻受到來(lái)自車輛視野注意力場(chǎng)的引力更大，行人在（16，0）處會(huì)更加關(guān)注來(lái)車。

場(chǎng)景2：謹(jǐn)慎行人周圍的視野注意力場(chǎng)

在圖13（c）中，處的目的地視野注意場(chǎng)峰值為30，而在圖13（a）中該值僅為8，這可以解釋為謹(jǐn)慎行人與來(lái)車交互時(shí)表現(xiàn)得比保守行人更加強(qiáng)勢(shì)，去往目的地的期望更強(qiáng)烈。

場(chǎng)景3：冒險(xiǎn)行人周圍的視野注意力場(chǎng)

在圖13（d）中，假設(shè)該時(shí)刻下的行人為激進(jìn)的冒險(xiǎn)型，在（6，8）附近的車輛視野注意力場(chǎng)的大小為9，在（16，20）附近的目的地視野注意力場(chǎng)的大小為58，假設(shè)行人在（16，0）附近，此刻的行人視野域受到來(lái)自目的地視野注意力場(chǎng)的引力更大。

圖13 不同車速和行人過(guò)街風(fēng)格的視野注意力場(chǎng)

3.1.2 人工勢(shì)場(chǎng)分析

人工勢(shì)場(chǎng)與車輛速度大小和行人過(guò)街風(fēng)格有關(guān)，圖14 對(duì)比分析了不同車速和不同過(guò)街風(fēng)格下的人工勢(shì)場(chǎng)分布。

場(chǎng)景1：保守行人周圍的人工勢(shì)場(chǎng)

圖14（a）展示了保守型行人過(guò)街時(shí)，目的地和車輛產(chǎn)生的人工勢(shì)場(chǎng)?？梢钥闯?，在該類行人的交互環(huán)境中，目的地產(chǎn)生的吸引勢(shì)場(chǎng)較小，而車輛產(chǎn)生的排斥勢(shì)場(chǎng)較大；圖14（b）當(dāng)車速提升，來(lái)車對(duì)行人的最大影響距離’增大。

場(chǎng)景2：謹(jǐn)慎行人周圍的人工勢(shì)場(chǎng)

圖14（c）是謹(jǐn)慎行人環(huán)境中的人工勢(shì)場(chǎng)，與圖14（a）中的保守行人相比，謹(jǐn)慎行人周圍的目的地吸引勢(shì)場(chǎng)更大。

場(chǎng)景3：冒險(xiǎn)行人周圍的人工勢(shì)場(chǎng)

圖14（d）是冒險(xiǎn)行人周圍的人工勢(shì)場(chǎng)，與圖14（a）和圖14（c）中的保守和謹(jǐn)慎行人相比，處的吸引勢(shì)場(chǎng)比前兩者更大，車輛排斥勢(shì)場(chǎng)比前兩者更小。

圖14 不同車速和行人過(guò)街風(fēng)格的人工勢(shì)場(chǎng)

為使模型輸出結(jié)果符合真實(shí)場(chǎng)景下的數(shù)據(jù)量綱，多次使用采集的真實(shí)數(shù)據(jù)對(duì)視野注意力場(chǎng)和人工勢(shì)場(chǎng)對(duì)比調(diào)參，得到的最優(yōu)參數(shù)如表4所示。

表4 視野注意力場(chǎng)和人工勢(shì)場(chǎng)的最優(yōu)參數(shù)

3.2 基于典型過(guò)街風(fēng)格的人車交互仿真結(jié)果分析

根據(jù)不同行人過(guò)街風(fēng)格劃分3 種仿真場(chǎng)景，將真實(shí)交互數(shù)據(jù)中行人坐標(biāo)(，)、目的地坐標(biāo)(，)、車輛坐標(biāo)(，)、車輛初始速度和行人過(guò)街類型作為輸入，驗(yàn)證基于行人視野注意力場(chǎng)的人車微觀交互模型的有效性，比較各類型行人仿真輸出的時(shí)空軌跡與真實(shí)軌跡的差異。

該實(shí)驗(yàn)根據(jù)不同行人過(guò)街風(fēng)格劃分為如下3 種仿真場(chǎng)景。

場(chǎng)景1 如圖15（a）～圖15（c）所示，為某個(gè)保守行人樣本的仿真過(guò)程，根據(jù)該樣本采集的真實(shí)軌跡，行人初始坐標(biāo)為（22，6），目的地坐標(biāo)為（27，23），交互對(duì)象車初始坐標(biāo)為（0，17），初始車速為10 km·h，視野轉(zhuǎn)動(dòng)慣量為0.01。人車交互具體過(guò)程可描述為：在=2 s 時(shí)（圖15（a）），行人視野域開始捕捉到車輛，逆時(shí)針旋轉(zhuǎn)以持續(xù)關(guān)注來(lái)車，隨后行人開始減速；=4 s 時(shí)（圖15（b）），可以發(fā)現(xiàn)行人已放棄與來(lái)車爭(zhēng)奪路權(quán)，待車輛駛過(guò)以后再繼續(xù)前往目的地（圖15（c））。

場(chǎng)景2 如圖15（d）～圖15（f）所示，為某個(gè)謹(jǐn)慎行人樣本的仿真過(guò)程，行人初始坐標(biāo)為（23，8），目的地坐標(biāo)為（22，23），交互對(duì)象車初始坐標(biāo)為（0，28），初始車速為8 km·h，視野轉(zhuǎn)動(dòng)慣量為0.1。=2 s時(shí)（圖15（d）），行人開始注意到來(lái)車，隨后在=4 s（圖15（e））時(shí)向左偏頭以持續(xù)觀察來(lái)車狀態(tài)，并將移動(dòng)方向向右調(diào)整，嘗試與來(lái)車爭(zhēng)奪路權(quán)。最后，在=6 s（圖15（f））可以看到該行人成功取得路權(quán)，途中一直關(guān)注來(lái)車。

圖15 不同過(guò)街風(fēng)格下，行人與車輛交互仿真過(guò)程

場(chǎng)景3 如圖15（g）～圖15（i）所示，為某個(gè)冒險(xiǎn)行人樣本的仿真過(guò)程，行人初始坐標(biāo)為（21，12），目的地坐標(biāo)為（27，25），車輛初始坐標(biāo)為（0，21），車速為15 km·h，視野轉(zhuǎn)動(dòng)慣量為1。=2 s 時(shí)（圖15（g）），行人開始注意到來(lái)車，但直到=4 s（圖15（h）），行人還未停止，而是朝著目的地繼續(xù)前進(jìn)，直到=6 s（圖15（i））完成交互。

行人對(duì)來(lái)車關(guān)注度仿真值和真實(shí)值的全部樣本統(tǒng)計(jì)結(jié)果如圖16 所示，可以看出，當(dāng)發(fā)現(xiàn)來(lái)車后，保守、謹(jǐn)慎和冒險(xiǎn)3 種行人對(duì)來(lái)車關(guān)注度隨時(shí)間推移上升的快慢是不相同的。保守行人最快關(guān)注到來(lái)車，冒險(xiǎn)行人關(guān)注到來(lái)車的時(shí)刻最晚；而從來(lái)車關(guān)注度增長(zhǎng)趨勢(shì)來(lái)看，保守行人關(guān)注度平均值隨時(shí)間上升的斜率（曲線中導(dǎo)數(shù)不為0處點(diǎn)集的一元線性回歸直線斜率）最大，來(lái)車對(duì)其注意力的影響迅速上升；反之，冒險(xiǎn)行人的關(guān)注度隨時(shí)間上升的斜率最小，來(lái)車對(duì)其注意力的影響較小。

圖16 Pobs仿真值與真實(shí)值的全部樣本統(tǒng)計(jì)

圖17是3種行人仿真過(guò)程中的時(shí)空軌跡圖。真實(shí)軌跡為采集的原始軌跡，從圖17（a）～圖17（c）中可以看出：本文提出的模型輸出的時(shí)空軌跡與真實(shí)軌跡更相似，更符合真實(shí)情況。具體差異以軌跡之間的平均絕對(duì)百分比、平均絕對(duì)誤差、均方根誤差衡量。

圖17 不同過(guò)街類型行人的時(shí)空仿真軌跡對(duì)比

表5 中的結(jié)果表明：模型加入視野注意力場(chǎng)后的輸出軌跡與真實(shí)軌跡更接近，與常規(guī)的人工勢(shì)場(chǎng)相比，行人軌跡仿真準(zhǔn)確性提高了25.48%。

表5 所有樣本仿真的時(shí)空軌跡與真實(shí)時(shí)空軌跡偏差均值

4 結(jié)論

本文中針對(duì)人車交互環(huán)境下行人過(guò)街風(fēng)格差異和過(guò)街路徑規(guī)劃問(wèn)題，在常規(guī)人工勢(shì)場(chǎng)的基礎(chǔ)上，提出了一種基于行人視野注意力場(chǎng)的人車微觀交互模型。該模型把行人視野域引入人工勢(shì)場(chǎng)，提出基于行人視野域的目標(biāo)捕捉算法，并考慮了行人不同過(guò)街風(fēng)格和交互對(duì)象車速對(duì)勢(shì)場(chǎng)分布的差異，提升了模型的普適性、準(zhǔn)確性和多態(tài)性。

根據(jù)實(shí)景采集的人車交互數(shù)據(jù)劃分行人過(guò)街風(fēng)格，得到了行人不同過(guò)街風(fēng)格下的視野注意力場(chǎng)和人工勢(shì)場(chǎng)分布，通過(guò)仿真軌跡與真實(shí)軌跡之間的相似度比較，驗(yàn)證該模型在人車微觀交互過(guò)程的有效性。結(jié)果表明，提出的基于行人視野注意力場(chǎng)的人車微觀交互模型比常規(guī)人工勢(shì)場(chǎng)模型的準(zhǔn)確性高出25.48%，能有效地復(fù)現(xiàn)復(fù)雜場(chǎng)景下的人車微觀交互過(guò)程，對(duì)研究人車微觀交互問(wèn)題具有參考意義。