蔡海, 林淼, 張新, 胡林

(1.長(zhǎng)沙理工大學(xué) 汽車與機(jī)械工程學(xué)院, 湖南 長(zhǎng)沙 410114;2.廣州汽車集團(tuán) 汽車工程研究院,廣東 廣州 511434;3.中國(guó)汽車技術(shù)研究中心有限公司, 天津 300300)

近年來,車輛智能化程度加深導(dǎo)致車載感知需求繼續(xù)加大[1-3],各車輛制造企業(yè)對(duì)整車感知視場(chǎng)配置方案難以達(dá)成共識(shí),視場(chǎng)配置方案存在系統(tǒng)繁雜、成本高、算例負(fù)荷大等缺點(diǎn)[4-5],缺乏對(duì)利用行車風(fēng)險(xiǎn)進(jìn)行感知視場(chǎng)配置等關(guān)鍵技術(shù)的研究[6]。隨著車輛智能化水平的提高,感知元件類型和安裝數(shù)量愈加多樣和繁多,且隨著感知元件功能需求、類別的增多,僅依賴經(jīng)驗(yàn)選擇和傳統(tǒng)配置方法很難尋找到合理的感知元件組排[7-8],亟待建立選擇感知元件和配置安裝區(qū)域的快速求解方法。本文以交叉口典型乘用車事故場(chǎng)景通行下智能車輛最小感知區(qū)域作為研究基礎(chǔ),使用基于車輛安全通行的感知元件選擇配置方法解決智能車輛在交叉口安全通行要求下的感知視場(chǎng)配置問題,配置在交叉口乘用車典型事故場(chǎng)景下安全通行的智能車輛感知視場(chǎng)。

1 乘用車交叉口事故場(chǎng)景構(gòu)建

1.1 交叉口事故場(chǎng)景類型分析與劃分

選取中國(guó)交通事故深度調(diào)查(CIDAS)數(shù)據(jù)庫(kù)[9-10]中的交叉口案例數(shù)據(jù),包括事故發(fā)生后事故形態(tài)、人員狀況、環(huán)境情況、道路狀態(tài)等的詳細(xì)描述,進(jìn)行交叉口典型乘用車事故場(chǎng)景提取用于智能車輛視場(chǎng)配置。對(duì)數(shù)據(jù)庫(kù)中事故案例的提取標(biāo)準(zhǔn)如下:1) 事故發(fā)生地點(diǎn)為交叉口;2) 事故參與方中至少存在一方是乘用車;3) 去除數(shù)據(jù)記錄錯(cuò)誤的事故案例;4) 去除事故數(shù)據(jù)缺失的事故案例。篩選事故案例后,最終得到1 630起交叉口交通事故。

基于主車在交叉口不同行駛意圖下的風(fēng)險(xiǎn)和事故形態(tài),根據(jù)事故描述和事故類型編碼[11-12]對(duì)案例進(jìn)行進(jìn)一步分析,發(fā)現(xiàn)交叉口事故主要呈現(xiàn)12種主要類型(見圖1)。

圖1 乘用車交叉口事故類型示意圖

圖1中每種乘用車交叉口事故類型代表一種該行駛狀態(tài)下車輛行駛意圖和存在干涉方向的來車行駛意圖的組合,主車命名為A,來車命名為B,12種事故類型分別以A～L命名。基于12種事故類型,根據(jù)乘用車-兩輪車、乘用車-三輪車、乘用車-乘用車3種交通參與者類型進(jìn)一步將1 630起交通事故案例劃分為圖2所示事故分布。

圖2 3種事故車輛類型下交叉口事故分布

1.2 交叉口乘用車典型事故場(chǎng)景獲取

根據(jù)事故場(chǎng)景研究和場(chǎng)景描述要求,選取可有效描述交通參與者運(yùn)動(dòng)狀態(tài)、事故形態(tài)的6個(gè)變量進(jìn)行事故場(chǎng)景構(gòu)建,分別為主車行駛方向、來車方向、來車類型、碰撞相對(duì)角度、主車速度、來車速度。圖1中的一種基礎(chǔ)場(chǎng)景代表主車行駛方向和來車行駛方向的一個(gè)參數(shù)值組合,采用k-means聚類方法提取交叉口事故場(chǎng)景(僅需要確定數(shù)值變量取值)。

k-means聚類算法使用歐氏距離作為簇間距離的度量指標(biāo),需要用戶先確定數(shù)據(jù)分組的數(shù)量。一種常用方法是根據(jù)簇內(nèi)誤差平方和(SSE)和肘部法則確定最優(yōu)聚類數(shù)[13-15],先將簇內(nèi)誤差平方和關(guān)于聚類數(shù)k的曲線進(jìn)行圖示化,選取簇內(nèi)誤差平方和下降幅度最大的位置(呈現(xiàn)肘部形狀)對(duì)應(yīng)的k值作為最佳聚類數(shù)。當(dāng)簇內(nèi)誤差平方和關(guān)于聚類數(shù)k的肘部不明顯時(shí),結(jié)合輪廓分?jǐn)?shù)(SS)[16]選擇最佳聚類數(shù)。根據(jù)簇內(nèi)誤差平方和關(guān)于聚類數(shù)k的曲線預(yù)選出簇內(nèi)誤差平方和-k曲線肘部附近的k系列值,選取肘部附近輪廓分?jǐn)?shù)值最大處的k值作為最佳聚類數(shù)。

圖3～6為各種來車類型場(chǎng)景下聚類簇內(nèi)誤差平方和值曲線和聚類輪廓分?jǐn)?shù)曲線。通過分析各種來車類型下簇內(nèi)誤差平方和-聚類數(shù)曲線、輪廓分?jǐn)?shù)曲線,可獲取各基礎(chǔ)場(chǎng)景、不同來車類型下最佳聚類簇?cái)?shù),其中乘用車-二輪車的B、D、E、K場(chǎng)景,乘用車-三輪車的E、F場(chǎng)景,乘用車-乘用車的D、F場(chǎng)景的最佳簇?cái)?shù)為3,其余場(chǎng)景的最佳簇?cái)?shù)均為2。

在分布不均勻的數(shù)據(jù)集中,單個(gè)風(fēng)險(xiǎn)場(chǎng)景下事故案例數(shù)量較少,一部分簇可能由偶然性案例組成,鑒于測(cè)試場(chǎng)景應(yīng)具備代表整個(gè)場(chǎng)景數(shù)據(jù)庫(kù)的能力,在劃分簇之后按案例占比選取最能代表該數(shù)據(jù)集合的典型簇 (簇中樣例數(shù)占總樣例數(shù)的比例最大),并以5作為分度值選取數(shù)值參數(shù),得到不同來車類型下數(shù)值變量聚類結(jié)果(見表1)。

圖3 乘用車-二輪車場(chǎng)景的聚類簇內(nèi)誤差平方和曲線

圖4 乘用車-二輪車場(chǎng)景的聚類輪廓分?jǐn)?shù)曲線

圖5 乘用車-三輪車、乘用車-乘用車場(chǎng)景的聚類簇內(nèi)誤差平方和曲線

圖6 乘用車-三輪車、乘用車-乘用車場(chǎng)景的聚類輪廓分?jǐn)?shù)曲線

表1 3種來車類型場(chǎng)景的數(shù)值變量聚類結(jié)果

2 安全通行最小感知區(qū)域提取

2.1 車輛安全通行極限相對(duì)位置提取

為了構(gòu)建基于交叉口事故場(chǎng)景安全通行需求的智能車輛感知視場(chǎng)配置,對(duì)交叉口事故場(chǎng)景下主車在各場(chǎng)景下實(shí)現(xiàn)安全避讓的最小感知范圍進(jìn)行提取。圖7為事故場(chǎng)景模型化和感知區(qū)域提取流程。依托PreScan場(chǎng)景仿真測(cè)試軟件對(duì)乘用車典型交叉口事故場(chǎng)景進(jìn)行建模與重構(gòu),進(jìn)而提取各場(chǎng)景下實(shí)現(xiàn)車輛安全避讓的最小感知范圍。

搭建事故場(chǎng)景模型并提取智能車輛實(shí)現(xiàn)安全避讓的最小感知范圍的流程:1) 提取事故場(chǎng)景元素值的關(guān)鍵參數(shù);2) 根據(jù)關(guān)鍵參數(shù)在PreScan軟件中構(gòu)建場(chǎng)景模型;3) 建立交通參與者坐標(biāo)實(shí)時(shí)采集程序及坐標(biāo)關(guān)于時(shí)間的序列;4) 獲取車輛在該場(chǎng)景下實(shí)現(xiàn)避讓的最小距離;5) 根據(jù)極限相對(duì)位置分布圖,對(duì)智能車輛實(shí)現(xiàn)安全避讓的最小感知范圍進(jìn)行描述。

車輛極限相對(duì)位置采集方法是提取車輛在各場(chǎng)景下實(shí)現(xiàn)安全避讓的最小感知范圍的基礎(chǔ),考慮到弱勢(shì)道路使用者的道路通行級(jí)別,同時(shí)為縮小智能車輛感知視場(chǎng)范圍、減少感知運(yùn)算負(fù)荷,定義車輛的極限相對(duì)位置為:當(dāng)車輛與其他方向來車存在碰撞風(fēng)險(xiǎn)時(shí),假設(shè)車輛以最大制動(dòng)力進(jìn)行制動(dòng)并在T秒后于來車的道路邊界線前靜止,剛好允許其他車輛安全通行,則實(shí)現(xiàn)避讓操作前T秒時(shí)間的車輛相對(duì)位置就是該場(chǎng)景下實(shí)現(xiàn)避讓的極限相對(duì)位置(見圖7)?？刂葡到y(tǒng)發(fā)出制動(dòng)指令到車輛停止包括控制系統(tǒng)作出決策、制動(dòng)系統(tǒng)作出反應(yīng)、制動(dòng)器產(chǎn)生作用、持續(xù)制動(dòng)作用的過程,則:

(1)

式中:Ta為制動(dòng)系統(tǒng)作出反應(yīng)的時(shí)間,取為0.03 s;Tb為制動(dòng)器產(chǎn)生作用的時(shí)間,取為0.30 s[17-18];v為制動(dòng)前車速;amax為最大制動(dòng)減速度,取為6 m/s2[19-20]。

圖7 車輛極限相對(duì)位置提取流程

基于各場(chǎng)景類型下車輛的速度典型參數(shù)值與速度區(qū)間,可使用極限速度提取各場(chǎng)景下車輛極限相對(duì)位置,無須在速度邏輯區(qū)間內(nèi)進(jìn)行隨機(jī)搜索或大量劃分。20～30 km/h來車速度區(qū)間、20～35 km/h主車速度區(qū)間的極限相對(duì)位置提取方法見圖8、圖9。

圖8顯示了主車速度不變時(shí),根據(jù)來車速度20 km/h或30 km/h實(shí)現(xiàn)避讓行為下兩車在T秒前的相對(duì)位置。速度為20 km/h的來車與速度為30 km/h的來車連線上的點(diǎn)即為速度20～30 km/h區(qū)間的來車在T秒前相對(duì)位置的可能取值,位置取值不超過速度為20 km/h的來車位置點(diǎn)與速度為30 km/h的來車位置點(diǎn),速度為20 km/h的來車位置點(diǎn)與速度為30 km/h的來車位置點(diǎn)即為該場(chǎng)景(來車速度區(qū)間確定)下主車以某恒定速度行駛時(shí)來車的極限相對(duì)位置。

圖8 20～30 km/h來車速度區(qū)間的極限相對(duì)位置提取

圖9 20～35 km/h主車速度區(qū)間的極限相對(duì)位置提取

圖9顯示了來車速度不變時(shí),速度為20 km/h或35 km/h的主車于避讓停止線前停止前T秒的相對(duì)位置。速度為20 km/h的主車與速度為30 km/h的主車連線上的點(diǎn)即為速度20～35 km/h區(qū)間內(nèi)主車在實(shí)現(xiàn)避讓操作前T秒相對(duì)位置的可能取值,位置取值不超過速度為20 km/h的主車位置點(diǎn)與速度為35 km/h的主車位置點(diǎn)。將主車極限相對(duì)位置轉(zhuǎn)換為來車極限相對(duì)位置的方法:連接主車速度為20 km/h的主車位置點(diǎn)與來車位置點(diǎn),則連線的來車側(cè)端點(diǎn)為恒定速度下來車與速度為20 km/h的主車的極限相對(duì)位置點(diǎn),將該連線依據(jù)主車位置平移至速度為35 km/h的主車,則平移后的來車側(cè)位置點(diǎn)與主車速度為35 km/h下來車相對(duì)位置點(diǎn)即為該場(chǎng)景(主車速度區(qū)間確定)下來車以某恒定速度行駛時(shí)來車極限相對(duì)位置點(diǎn)。

2.2 安全通行最小感知區(qū)域轉(zhuǎn)化

相對(duì)角度與相對(duì)距離常用于表示障礙物的相對(duì)位置[21]。將22種典型交叉口測(cè)試場(chǎng)景在場(chǎng)景仿真測(cè)試軟件中進(jìn)行復(fù)現(xiàn),基于各場(chǎng)景的速度范圍運(yùn)用場(chǎng)景下車輛安全通行極限相對(duì)位置提取方法得到88個(gè)來車極限位置點(diǎn)信息。

以20°為分度尺繪制圖10所示各場(chǎng)景下不同類型來車相對(duì)于主車的角度分布,以10 m為分度尺繪制圖11所示相對(duì)距離分布。由圖10、圖11可知:相對(duì)角度分布于(-68.6°,149.3°),相對(duì)距離分布于(3.4 m,83.5 m)。相對(duì)角度大多分布于30°～49.3°,占比達(dá)80.7%;相對(duì)距離大部分分布于40 m以內(nèi),占比達(dá)70.5%。

圖10 極限相對(duì)角度分布

圖11 極限相對(duì)距離分布

一般車輛視場(chǎng)的探測(cè)區(qū)間以車輛中軸線左右對(duì)稱的扇形區(qū)域表示,以車輛前進(jìn)方向?yàn)閥軸正方向、x軸為車輛右側(cè),以60°區(qū)間對(duì)最小感知區(qū)域覆蓋半徑進(jìn)行討論。為簡(jiǎn)化車輛安全通行需求描述及感知視場(chǎng)配置,車輛在各場(chǎng)景下安全通行的感知區(qū)域以車輛中軸線左右對(duì)稱的扇形區(qū)間表示為:在30°～150°區(qū)間扇形半徑為83.5 m,在150°～210°、330°～30°區(qū)間扇形半徑為3.9 m,在210°～330°區(qū)間扇形半徑為9.1 m。圖12為以主車位置為坐標(biāo)原點(diǎn),將來車極限相對(duì)位置繪制為點(diǎn)的安全通行感知區(qū)域圖形描述。

圖12 安全通行感知區(qū)域圖形描述

3 基于安全通行的感知視場(chǎng)配置

3.1 基于事故場(chǎng)景安全通行的視場(chǎng)配置框架制定

先分析常用感知元件的探測(cè)參數(shù)和感知元件的安裝位置,得到備選感知元件參數(shù)和感知元件安裝位置參數(shù);然后進(jìn)行感知視場(chǎng)目標(biāo)函數(shù)建模并引入感知視場(chǎng)配置方案經(jīng)濟(jì)性評(píng)價(jià)指標(biāo),基于功能指標(biāo)與經(jīng)濟(jì)性指標(biāo)設(shè)計(jì)目標(biāo)函數(shù)進(jìn)行多目標(biāo)同步優(yōu)化,構(gòu)建兼顧安全性、經(jīng)濟(jì)性的智能車輛感知視場(chǎng)配置方案(見圖13)。

圖13 基于事故場(chǎng)景安全通行的感知視場(chǎng)配置框架

備選元件選取傳統(tǒng)車載感知元件,將各感知元件簡(jiǎn)化為以掃視角度與掃視距離特征定義的感知元件,忽略由感知元件類型和感知原理導(dǎo)致的檢測(cè)差異?；诟兄奶綔y(cè)性能數(shù)學(xué)表達(dá)式與目標(biāo)感知區(qū)域的關(guān)聯(lián)設(shè)計(jì)感知視場(chǎng)配置目標(biāo)函數(shù),引入多個(gè)評(píng)價(jià)指標(biāo)將感知視場(chǎng)優(yōu)化配置問題轉(zhuǎn)換為多目標(biāo)求解問題,實(shí)現(xiàn)兼顧經(jīng)濟(jì)性和功能性的感知視場(chǎng)配置。

3.2 感知視場(chǎng)配置多目標(biāo)優(yōu)化問題的建立

將感知元件組合問題以多目標(biāo)函數(shù)優(yōu)化問題的形式表示,在對(duì)車輛感知元件進(jìn)行功能建模后,建立感知視場(chǎng)配置多目標(biāo)優(yōu)化問題以描述感知視場(chǎng)配置方案的功能性與經(jīng)濟(jì)性。感知視場(chǎng)配置方案的功能性指標(biāo)通常是指當(dāng)前感知元件組合方案下車輛可感知區(qū)域?qū)ψ钚「兄獏^(qū)域的占比,車輛可感知區(qū)域落在安全感知區(qū)域中的部分屬于有效感知范圍,其他為無效感知范圍。為有效描述車輛的視場(chǎng)范圍并考慮與經(jīng)濟(jì)性指標(biāo)的統(tǒng)一,定義一個(gè)盲區(qū)占比函數(shù)Sp[見式(2)],優(yōu)化目標(biāo)為盲區(qū)占比函數(shù)Sp盡可能小。

(2)

式中:Sef表示當(dāng)前感知視場(chǎng)配置下車輛可感知區(qū)域面積;St表示車輛安全通行最小感知區(qū)域面積。

為了實(shí)現(xiàn)對(duì)感知視場(chǎng)配置方案的經(jīng)濟(jì)性評(píng)價(jià),考慮到與功能函數(shù)的統(tǒng)一,定義一個(gè)成本函數(shù)Scost[其表達(dá)式見式(3)],優(yōu)化目標(biāo)為成本函數(shù)Scost盡可能小。

(3)

式中:Sc表示當(dāng)前感知視場(chǎng)配置下感知視場(chǎng)配置總成本;k表示車輛上感知元件可安裝的位置數(shù);Ci表示感知元件i的配置成本。

車載0、2、4、6位置有效感知覆蓋區(qū)域按式(4)計(jì)算,車載1、3、5、7位置有效感知覆蓋區(qū)域按式(5)計(jì)算。

Sefi=π·min(θ1,θ2)·min(R1,R2)2/360

(i=0,2,4,6)

(4)

(i=1,3,5,7)

(5)

式中:Sefi為i位置感知元件的有效覆蓋區(qū)域;θ1、θ2分別為感知元件的感知探測(cè)角度和安全通行最小感知區(qū)域角度;R1、R2分別為感知元件的感知探測(cè)距離和安全通行最小感知區(qū)域距離;L、α分別為兩個(gè)感知元件的相對(duì)距離和相對(duì)方向角;R12為感知元件的感知扇形與安全通行最小感知區(qū)域重疊區(qū)域的半徑,按式(6)計(jì)算。

R12=min(R1,R2)-

(6)

根據(jù)事故場(chǎng)景下車輛安全通行的最小感知區(qū)域,結(jié)合感知元件的感知功能參數(shù),按式(4)～(6)可求得整車在各感知元件組合配置方案下的有效感知區(qū)域面積,進(jìn)而可根據(jù)式(2)求得盲區(qū)占比,根據(jù)式(3)求得該感知視場(chǎng)配置方案下的經(jīng)濟(jì)成本。由于主要注重于感知方案的功能完整性,盲區(qū)占比與經(jīng)濟(jì)成本優(yōu)化權(quán)重設(shè)置為4∶1?；诟兄晥?chǎng)配置目標(biāo)函數(shù)對(duì)備選感知元件進(jìn)行優(yōu)選配置,實(shí)現(xiàn)對(duì)安全通行下感知區(qū)域的最大覆蓋和整車感知視場(chǎng)配置成本最低。

3.3 感知視場(chǎng)配置備選參數(shù)確定

根據(jù)基于通行需求的感知視場(chǎng)配置問題的求解方法與步驟,以感知元件的覆蓋程度、經(jīng)濟(jì)性作為優(yōu)化目標(biāo)建立多目標(biāo)求解問題,根據(jù)事故場(chǎng)景下安全通行最小感知區(qū)域選取備選感知元件的主要參數(shù)(見表2)[6]。車輛寬度設(shè)置為1.8 m,車輛長(zhǎng)度設(shè)置為4.8 m。

表2 備選感知元件的主要參數(shù)

由于車頂一般安裝激光雷達(dá),不將車頂納入感知元件備選安裝位置。感知元件備選安裝位置選為車輛矩形輪廓4個(gè)頂點(diǎn)和車輛前后左右四端,整車可供安裝感知元件的位置共8個(gè),分別編號(hào)為0～7(見圖14)。結(jié)合各場(chǎng)景下來車相對(duì)于主車的極限相對(duì)位置極坐標(biāo)分布,將車輛前后左右四端感知元件垂直于相應(yīng)車輛輪廓線安裝,前端側(cè)面感知元件安裝朝向與車輛行駛方向之間的相對(duì)角度設(shè)為45°,車輛后端側(cè)面感知元件安裝朝向與車輛行駛方向之間的相對(duì)角度設(shè)為125°。

圖14 感知元件備選安裝位置示意圖

3.4 感知視場(chǎng)配置目標(biāo)問題求解

常見的目標(biāo)優(yōu)化算法有遺傳算法、粒子群優(yōu)化算法,兩種算法均使用種群中搜索最優(yōu)個(gè)體的方式求解問題,但求解方式不同?；谑鹿蕡?chǎng)景安全通行的智能車輛視場(chǎng)配置主要是對(duì)備選感知元件(解約束)在車輛可安裝位置(目標(biāo)函數(shù)約束)上進(jìn)行排列組合搜索,同一備選感知元件選型方案在不同安裝位置的目標(biāo)函數(shù)值可能存在較大差異。因此,采用遺傳算法求解感知視場(chǎng)配置優(yōu)化多目標(biāo)問題。使用遺傳算法對(duì)智能車輛感知視場(chǎng)問題進(jìn)行求解的流程見圖15。求解過程中對(duì)遺傳算法進(jìn)行調(diào)整,一是增強(qiáng)種群在進(jìn)化過程中的變異可能性;二是增大種群數(shù)量;三是在算法運(yùn)算超過一定時(shí)間后重啟算法并記錄此次求解的目標(biāo)函數(shù)最大值。

圖15 智能車輛感知視場(chǎng)問題求解流程

求解結(jié)果見圖16。目標(biāo)函數(shù)值隨著種群的不斷迭代而上升,在第85代得到最優(yōu)感知視場(chǎng)配置方案?jìng)€(gè)體。由于在迭代過程中將每一代最優(yōu)個(gè)體作為下一代初始個(gè)體,在第一代最優(yōu)個(gè)體的適應(yīng)度就達(dá)到最大值2直到結(jié)束,所獲得的最優(yōu)個(gè)體基因型編碼為[6,5,4,2,1,2,4,5],該基因型編碼表示在智能車輛的0#安裝位置安裝6#感知元件,1#、7#安裝位置安裝5#感知元件,2#、6#安裝位置安裝4#感知元件,3#、5#安裝位置安裝2#感知元件,4#安裝位置安裝1#感知元件。

圖16 遺傳算法求解示意圖

在進(jìn)行車輛感知視場(chǎng)配置時(shí)發(fā)現(xiàn)采用8#感知元件可實(shí)現(xiàn)360°及100 m范圍的目標(biāo)感知,但配置8#感知元件需要71 000元,而配置遺傳算法求解的最優(yōu)個(gè)體基因型感知元件方案,成本僅39 720元,成本縮減一半。

4 感知視場(chǎng)配置方案仿真驗(yàn)證

采用感知區(qū)域覆蓋率、目標(biāo)有效感知率指標(biāo)對(duì)所獲得的感知視場(chǎng)配置方案進(jìn)行評(píng)價(jià),驗(yàn)證其在各類場(chǎng)景下的感知有效性。

4.1 感知覆蓋率評(píng)價(jià)

覆蓋率評(píng)價(jià)是以感知視場(chǎng)配置方案所獲得的感知區(qū)域與安全通行下最小感知區(qū)域進(jìn)行比較,根據(jù)感知元件的探測(cè)范圍面積與最小感知區(qū)域面積的比值進(jìn)行感知元件方案評(píng)價(jià)。最小感知區(qū)域面積約7 403.9 m2,在感知視場(chǎng)配置方案下車輛檢測(cè)面積為8 151.3 m2,覆蓋面積比值大于1,證明感知元件方案可滿足智能車輛感知區(qū)域面積大于最小感知區(qū)域面積的要求。

如圖17所示,22種典型交叉口事故場(chǎng)景中智能車輛對(duì)障礙車輛實(shí)現(xiàn)避讓行為下的極限相對(duì)位置點(diǎn)完全被配備該感知元件組合的車輛感知視場(chǎng)范圍覆蓋,表明該感知視場(chǎng)配置方案滿足極限相對(duì)位置點(diǎn)覆蓋要求。

圖17 極限相對(duì)位置與車輛感知區(qū)域覆蓋示意圖

4.2 目標(biāo)有效感知率評(píng)價(jià)

目標(biāo)有效感知率評(píng)價(jià)運(yùn)用車輛在極端場(chǎng)景通行時(shí)是否可及時(shí)感知到來車,從而安全通行作為衡量標(biāo)準(zhǔn),實(shí)現(xiàn)對(duì)智能車輛視場(chǎng)有效感知率評(píng)價(jià)。

在事故場(chǎng)景測(cè)試軟件中構(gòu)建多類交叉口典型事故場(chǎng)景并加載配置感知元件最優(yōu)組合方案的智能車輛進(jìn)行測(cè)試,智能車輛的制動(dòng)控制采用緊急制動(dòng)算法。在仿真環(huán)境中車輛的最大減速度設(shè)為6 m/s2,在障礙車輛遠(yuǎn)離后要求智能車輛重新起動(dòng)并安全通過交叉口。為增加場(chǎng)景危險(xiǎn)性,12種極端場(chǎng)景中車輛速度與障礙車輛速度均設(shè)為最大值,智能車輛的速度曲線見圖18和圖19。從圖18和圖19可以看出:配置該感知元件組合方案的車輛在感知到障礙車輛出現(xiàn)后均以最大減速度制動(dòng),從而成功避讓障礙車輛。

圖18 極端事故場(chǎng)景A～F下配備感知元件最優(yōu)組合方案車輛的速度曲線

圖19 極端事故場(chǎng)景G～L下配備感知元件最優(yōu)組合方案車輛的速度曲線

圖20為12種極端場(chǎng)景下來車相對(duì)于主車的軌跡曲線。由圖20可知:各場(chǎng)景下來車均不與配置該感知元件組合方案的智能車輛發(fā)生碰撞,意味著配備該感知元件組合方案的智能車輛在所搭建的交叉口事故場(chǎng)景中行駛至極限相對(duì)位置點(diǎn)時(shí)能及時(shí)感知障礙車輛的出現(xiàn)并在避讓停止線前制動(dòng),避免事故發(fā)生并安全通過交叉口。

圖20 12種極端場(chǎng)景下來車相對(duì)于主車的軌跡曲線

5 結(jié)語(yǔ)及展望

虛擬場(chǎng)景測(cè)試技術(shù)已成為一種重要的智能車輛測(cè)試方法,事故數(shù)據(jù)作為構(gòu)建事故場(chǎng)景的重要數(shù)據(jù)源之一,已被廣泛用于提取事故場(chǎng)景進(jìn)行智能車輛測(cè)試。本文從CIDAS數(shù)據(jù)庫(kù)中提取22種典型交叉口乘用車事故場(chǎng)景,在基于工程經(jīng)驗(yàn)的智能車輛感知視場(chǎng)配置方法不滿足多樣化的感知元件擇選的背景下,提取各事故場(chǎng)景下安全通行的智能車輛最小感知區(qū)域,構(gòu)建基于事故場(chǎng)景通行的智能車輛感知視場(chǎng)配置方法。

首先將分布不均衡的事故數(shù)據(jù)劃分為12種基礎(chǔ)事故場(chǎng)景并選擇描述場(chǎng)景的變量,運(yùn)用數(shù)值聚類方法對(duì)數(shù)值變量進(jìn)行場(chǎng)景變量值選取,最終獲得22種典型交叉口乘用車事故場(chǎng)景。在場(chǎng)景仿真軟件中搭建22種典型事故場(chǎng)景并從場(chǎng)景庫(kù)中選取測(cè)試參數(shù)區(qū)間作為測(cè)試對(duì)象和被測(cè)試對(duì)象的參數(shù)設(shè)置依據(jù)。依據(jù)速度邏輯極限取值使用極限位置提取方法提取來車極限位置點(diǎn)信息,基于極限相對(duì)位置點(diǎn)分布特點(diǎn)將來車極限位置點(diǎn)轉(zhuǎn)化為智能車輛在事故場(chǎng)景下安全通行的最小感知范圍。

提出基于事故場(chǎng)景安全通行需求的感知視場(chǎng)配置框架,建立基于事故場(chǎng)景安全通行需求的感知視場(chǎng)配置多目標(biāo)優(yōu)化問題,依次進(jìn)行感知元件感知功能建模、感知視場(chǎng)配置多目標(biāo)優(yōu)化問題建立和求解,對(duì)基于事故場(chǎng)景安全通行的感知視場(chǎng)配置方法進(jìn)行應(yīng)用。最后對(duì)所獲得的感知元件組合方案運(yùn)用感知區(qū)域覆蓋率、目標(biāo)有效感知率進(jìn)行評(píng)價(jià),結(jié)果表明搭載該感知元件組合方案的智能車輛在所提取的典型事故場(chǎng)景中可滿足安全通行要求。

本文構(gòu)建事故場(chǎng)景所選取的變量未考慮顯著影響車輛感知功能的能見度、光照強(qiáng)度等環(huán)境變量,在進(jìn)行車輛感知視場(chǎng)配置時(shí)未考慮障礙物遮擋問題,進(jìn)行感知元件組合方案驗(yàn)證評(píng)價(jià)時(shí)僅進(jìn)行了場(chǎng)景仿真驗(yàn)證,缺乏實(shí)車測(cè)試驗(yàn)證。在未來的研究中應(yīng)在場(chǎng)景中增加干擾車輛感知、執(zhí)行算法正常運(yùn)行的場(chǎng)景元素,并加強(qiáng)對(duì)傳感器的精細(xì)化建模。