基于NAIS 的AEB 系統路口測試場景研究*

張詩波 何治劍 廖靜倩 李平飛，2 肖凌云 許倩源

（1.西華大學汽車與交通學院 成都610039;2.四川西華交通司法鑒定中心 成都610039；3.國家市場監督管理總局缺陷產品管理中心 北京100101）

0 引 言

據公安部交通管理局最新數據顯示，2019 年我國發生了20 多萬起交通事故，造成5 萬多人死亡，其中發生在路口的事故4 萬多起，死亡人數接近1萬[1]。因此，針對路口交通場景的研究是十分必要的。

自動緊急制動（autonomous emergency braking,AEB）是先進輔助駕駛系統（advanced driver assistance system，ADIS）中最具代表性的主動安全技術?？梢酝ㄟ^發出警報和自動制動使車輛避免或減輕碰撞造成的傷害[2]。據E-NCAP相關數據統計，裝備了AEB 系統的汽車可以避免27%的交通事故[3]。然而，這只是針對追尾碰撞的AEB 系統取得的成就，目前，針對追尾碰撞和保護弱勢道路使用者的AEB系統技術已日趨完善，各大測試機構也提出了相應的測試場景。但針對路口車車碰撞的AEB系統技術還處在初步發展階段，測試機構還未提出相應的測試場景，所以亟須對此類測試場景進行相關研究。

國外對路口AEB 系統的測試場景研究較早。Philippe Nitsche 等[4]通過聚類的方法對英國事故數據進行了分析，提取出13 類T 形路口和6 類十字路口典型事故場景。Ulrich Sander 等[5]通過分析德國深度事故研究數據，提取了德國的AEB系統路口測試 場 景。 Inhwan Han[6]對NHTSA FARS 和NASS-CDSDB2 個機構2013—2015 年的路口碰撞事故數據進行了分析，建立了17種可能的車輛碰撞場景。歐洲新車評價機構E-NCAP 在2020 年首次將路口AEB系統測試納入到新車評價規程中[7]。

目前國內針對AEB 系統測試場景的研究多針對追尾碰撞和道路弱勢使用者碰撞。江麗君等[8]通過對自然駕駛下的危險追尾場景分析，提出了我國第一個AEB系統測試場景。劉穎等[9]通過聚類的方法對采集到的自然駕駛數據中涉及行人的危險場景進行了分析得到了我國第一個涉及行人的典型危險場景。同濟大學李霖等[10]通過聚類的方法對采集到的自然駕駛數據中涉及騎車人的危險場景進行了分析得到了我國第一個涉及騎車人的典型危險場景。Sui Bo等[11]通過對在我國道路上發生的672起汽車與2輪車事故進行分析，提出了6類AEB系統2輪車測試場景。胡林等[12]通過對發生在我國的469 起汽車與2輪車事故進行分析，得到了針對我國2輪車的AEB 系統測試場景。Cao Yi 等[13]通過對國家車輛事故深度調查數據庫（NAIS)中的216起車與2輪車的事故進行分析，提出了4 類AEB 系統2 輪車測試場景。張晉崇等[14]通過研究國內外自動駕駛汽車封閉試驗場的建設現狀，對我國試驗場的建設提出了寶貴的建議。朱冰等[15]對基于場景的自動駕駛汽車虛擬測試技術的研究進展進行了梳理和總結。對測試場景的內涵、要素、數據來源、數據處理方法等關鍵問題進行了詳細闡述。西南交通大學高巖等[16]為提高自動駕駛虛擬測試場景的建模效率，提出了1種能對視景模型、物理層模型和傳感層模型進行協同建模的方法。北京航空航天大學徐向陽等[17]通過分析我國車輛深度事故調查數據，提取了針對我國路口的AEB系統測試場景。

綜上所述，可以看出構建AEB系統測試場景的數據來源可以分為實車自然駕駛危險場景數據，計算機虛擬測試仿真數據和真實的道路交通事故數據。其中真實的道路交通事故數據能夠反映事故發生的原因，從而通過分析真實道路交通事故數據來構建AEB 系統的測試場景成為了國內外學者的研究熱點。還可以看出國外對路口AEB系統的測試場景研究早于國內，且相關機構已推出測試法規，國內有學者開始對此展開研究，但相關機構還未推出測試法規。并且各個國家道路交通情況不同，國外的測試場景不能完全滿足中國道路交通安全的要求。

本文旨在通過分析真實路口車車碰撞事故數據，提出適用于我國交通情況的針對路口車車碰撞的AEB 系統測試場景，為建立我國AEB 系統測試體系提供參考。

1 數據來源與統計

1.1 數據來源與篩選

本研究的數據來自于國家車輛事故深度調查體系（national automobile accident in-depth investigation system，NAIS）。NAIS的數據包括采集數據和分析數據，采集數據由交通事故采集人通過到事故現場進行復勘和到相關交警部門獲取，包括事故現場環境照片、路面痕跡照片、參與方信息、當事人口供、監控視頻、EDR數據、行駛記錄儀視頻等；分析數據由交通事故工程師基于事故再現方法對采集數據進行分析得到，包括事故過程圖、事故參與方最終位置圖以及事故再現仿真文件等。2011—2019 年，NAIS已收集4 000多起道路交通事故案例，區域覆蓋我國東北、華南、西南、華北、華東等地區，其中發生在路口汽車與汽車碰撞的事故案例有696起?？紤]到路口車車事故的多樣性與AEB 系統測試場景的設置需要，設定以下案例選取要求。

1）汽車類型僅包含轎車、客車或SUV。

2）事故參與方數目為2。

3）排除車輛靜止、倒車和追尾案例。

4）路口類型只包括T形路口和X字路口。

通過篩選，最終選取了582 起汽車與汽車在路口發生碰撞的案例作為研究對象。

1.2 路口車車事故場景特征

用于描述事故場景的變量有很多，但是有些變量并不會對AEB 系統的傳感器輸入造成影響。從會影響傳感器的輸入考慮，在設計AEB系統測試場景時只考慮天氣、照明情況、主車運動方向、目標車運動方向、主車車速、目標車車速和視野遮擋等7個變量。另外，由于車車事故中參與方都為汽車，當主車與目標車設定不同時，主車運動方向和目標車運動方向，主車車速和目標車車速也會不同，所以1個路口車-車事故可以看成2 個事故場景樣本?；贜AIS的582起事故案例所對應的1 164個事故場景樣本，對上述7個變量中5個名義尺度變量進行統計（下文對每類典型場景下的主車與目標車車速進行了統計）得到了路口車車事故場景的特征分布，見表1～2。

表1 路口車車事故場景特征分布1Tab.1 Characteristic distribution 1 of traffic accidents at intersections

根據表中數據分析可得以下結論。

1）發生在無雨天氣的路口車車事故遠遠多于發生在雨天的事故。這主要是因為無雨天氣的天數遠遠多于有雨天氣的天數。

2）路口車車事故中，大部分沒有視野的遮擋。說明還有其他原因導致事故發生，如超速、未遵守交通信號燈等。

3）涉事車輛的運動方向方面，左轉與對向直行、左轉與左側直行、直行與同向直行、直行與對向直行、直行與對向左轉、直行與左側左轉、直行與右側直行、直行與右側左轉等8種組合占總體的92%

2 路口車車事故典型場景提取

2.1 事故場景聚類方法

聚類是1種將物理或抽象對象的集合分成由類似對象組成的多個類的數據挖掘方法[18]。采取聚類方法對路口車車事故典型場景進行提取可以避免分析人員對場景分類結果的影響，且具有很強的可重復性。本文采用層次聚類法。選取天氣、照明情況、視野遮擋、主車運動方向、目標車運動方向等5個變量進行分析。聚類分析包括變量之間、樣本之間和類之間的距離計算，具體計算方法如下。

1）變量間的距離計算。變量類型有名義尺度變量和連續變量。名義尺度變量是指該變量的取值沒有數值關系，如路口類型、車輛運動方向等。連續變量是指可以在一定區間任意取值的變量，如車速。本文聚類選取的變量都為名義尺度變量，變量取值相同時距離為0，變量取值不同時距離為1，但當變量有2 種以上取值時，需要對這類變量的取值進行處理才能計算距離，這里采取的方法是將變量做升維變換處理，具體方法見表3。

表3 變量值的轉換Tab.3 Conversion of variable values

2）樣本之間距離的計算。聚類分析常采用的樣本間距離計算方式是歐氏距離。第i個樣本Xi與第j個樣本Xj之間的距離dij為2 個樣本變量之間距離的和，即

3）類之間距離的計算。聚類分析常采用的計算類與類之間距離的方法為類平均法。類與類之間的平均距離定義為樣本之間平方距離的平均值，設類Gi中有mL個樣本，類Gj中有mk個樣本，則類Gi和類Gj之間的平方距離可以定義為

本文采用Matlab 軟件對1 164 個路口場景樣本進行層次聚類分析，利用不一致系數確定類別個數。在不一致系數發生突變時即表示類別之間被明顯區分開來。在第1 148次凝聚時，不一致系數明顯增大，以此將最終的聚類類別數定為17類。從聚類結果中發現一些類所包含的樣本數量很少，因此在進一步提取典型場景時，不再對這幾個類做進一步分析，最終得到的類的個數為8個。在得到8類相似度較高的場景后，需要提取出每類場景變量的典型取值。一般認為每個類中變量中占比較大的取值為該類的典型取值。比如第1類天氣變量的取值中無雨最多，所以無雨天氣就是第1類的典型取值。

2.2 聚類結果分析和典型場景提取

聚類和典型特征提取的結果見表4，其中第1類場景包含的樣本數量最多，第8類和第9類場景包含的樣本數量較少。無雨天氣在每類場景中都是典型的特征；在第1/2/7/9/10/13 類場景中，照明良好在照明情況中占絕大多數，在第8/12類場景中照明情況都為差；在第1/2/7/8/12 類場景中，主車運動方向為直行是最典型的特征，在第9/10/13類場景中，主車運動方向為左轉是最典型的特征；在目標車運動方向上，右側直行，左側直行，對向直行，對向左轉是4 種最主要的取值；第2/13 類場景中視野遮擋變量取值均為有遮擋，其余場景中無遮擋取值占絕大部分。根據所選取的這8 類危險場景的典型特征，得到路口車車事故場景，見表5。

表4 路口車車事故場景聚類分析結果Tab.4 Results of cluster analysis of vehicle accidents at intersections

表5 路口車車事故場景Tab.5 Vehicle-to-vehicle accidents scenes at intersections

表5中得到的路口車車事故典型場景是根據變量中占比最大的取值為該類場景的典型取值的原則得到的，但是事故場景典型特征的取值不應該只考慮占比的大小還要考慮其中容易造成嚴重事故的變量取值，這些取值也應該作為事故場景的典型特征.又因為某些取值下的事故雖然容易造成嚴重的后果，但在總的樣本中占比很少，所以需要考慮之后測試場景的設計的合理性對變量取值的選取條件設置1個閾值。經過實驗將閾值設置為10%時，既能較好的反映實際的事故分布情況，也不會讓場景過于復雜。即某變量中的占比小于等于10%的取值即使更容易導致嚴重事故也不作為該類的典型特征。所以據此對表5中的場景變量進行進一步的提取。結果是：對于天氣變量,在第2類中的“有雨”天氣下的事故重傷及死亡率高于“無雨”天氣下的事故重傷及死亡率，所以“有雨”也是該類典型特征；對于照明變量,在第9 類中照明情況差的事故重傷及死亡率高于照明情況好的事故重傷及死亡率，所以“差”也是該類典型特征。對于目標車運動方向,見表6。另外，除了表5 中的場景變量外,碰撞車速也是1 個重要的變量,且在大部分車車事故中碰撞車速高的一方的車速與事故嚴重程度成正相關。所以最終選取2 車中碰撞車速高的一方的車速對聚類結果進行進一步提取。本文用NAIS 數據庫里事故人員傷亡情況中的重傷和死亡代表嚴重事故。表7 為各類場景中不同最高碰撞車速段下的事故數量分布，表8 為各類場景下不同最高碰撞車速下重傷及死亡案例數的分布。

表6 重傷及死亡情況在不同目標車相對運動方向下的分布Tab.6 Distribution of severe injuries and deaths in the relative movement direction of different target vehicles

表7 各類場景不同最高碰撞車速下的分布Tab.7 Distribution of various scenarios at different maximum collision speeds

由表6 可知：其中“對向左轉”是在滿足閾值條件下死亡及重傷率最高的取值，所以在第1類中“對向左轉”也是典型特征。同理，“對向直行”在第7類中也是典型特征，“右側左轉”在第8 類中也是典型特征，“左側直行”在9 類中也是典型特征，“右側直行”在第10 類中也是典型特征，“左側直行”在第12類中也是典型特征。

根據表7～8 并結合上述的“10%閾值”條件，可以得到各類場景下2 車最高碰撞車速的典型取值，又因為要取其最高碰撞車速，所以其結果與表8 中的取值一樣。

通過對表5各類場景中目標車相對運動方向和最高碰撞車速數據的進一步提取得到了更為合理的路口車車事故典型場景，但是對于路口自動緊急自動系統測試場景而言，上述變量還不能滿足測試要求，如“2車相對運動方向”變量僅僅描述了2車大致的運動方向，但同一種相對運動方向下，2車的碰撞部位，碰撞角度有許多種可能，這些變量取值不同時，表明車輛所處場景的危險程度不同，也就是對自動緊急制動系統提供的輸入不同，從而系統的輸出也會不同。所以還需要對這些變量的數據進行統計和分析。分析包括：同一種相對運動方向下汽車不同部位的碰撞情況以及同一種相對運動方向下2車不同碰撞角度的分布情況。

因為2 車在同一種相對運動方向下，對于碰撞部位來說，也有許多種形式。由圖1可見：直行-右側直行分為2 種形式，直行-對向左轉有3 種形式。所以需要對不同的碰撞形式進行統計分析。在NAIS數據庫中可以通過“碰撞區域”字段來對同一種相對運動方向下的不同碰撞形式進行統計和分析。NAIS數據庫中車輛碰撞區域的劃分見圖2。

表8 重傷及死亡案例數在不同最高碰撞車速下的分布Tab.8 Distribution of the number of severe injuries and deaths at different maximum collision speeds

圖1 2種相對運動方向的不同碰撞形式Fig.1 Different collision forms of two relative motion directions

圖2 NAIS數據庫汽車碰撞區域示意圖Fig.2 NAIS-database ca-collision areas

圖2 中將車輛的碰撞區域分為了16 個，如以此來統計的不同的碰撞形式會太過復雜，不利于后續測試場景的設計，所以本文將車輛的碰撞區域簡化為：頭部（F），尾部（H），左部（L），右部（R）。

對上文中的典型2車相對運動方向的碰撞形式進行了統計，見圖3。

圖3 典型2車相對運動方向下不同碰撞形式的分布Fig.3 Distribution of different collision forms in a typical relative motion direction of two vehicles

圖3 顯示每種2 車相對運動方向下不同碰撞形式的數量和占比，其中第1 個字母代表主車碰撞部位，第2 個字母代表主車碰撞部位?？梢钥闯鲇行┡鲎残问皆谀?種2車相對運動方向下占比很少，所以可以根據“10%閾值”條件對其進行篩選，最終確定每種2車相對運動方向下的典型碰撞形式。

對于碰撞角度來說，在同一種相對運動方向下2車的碰撞角度不是固定的而是在1 個范圍內變化，這和路口形狀，駕駛習慣，碰撞前避撞行為等有關。在NAIS數據庫中，2車碰撞角度的定義見圖4。

圖4 車輛碰撞角度示意圖Fig.4 Vehicle collision angles

因為碰撞角度是1 個連續變量，所以為了便于統計與分析，需要對數據進行處理，如將5～15°范圍內的數據都統一為10°，16～25°范圍內的數據都統一為20°，以此類推。

圖5 表示每種相對運動方向下2 車不同碰撞角度的分布。圖中，虛線表示主車運動方向，實線表示目標車運動方向見圖，2車的碰撞角度在相對運動方向為直行-左側直行時，大多數為90°；直行-右側直行時大部分是-90°，直行-對向直行是全為180°，直行-對向左轉時主要為為90°和150°，直行-右側左轉左轉-對向直行時為90°和150°，左轉-右側左轉時為30°，左轉-左側直行時為100°和150°。通過上述對數據的進一步提取，最終得到了更為合理的路口車車事故典型場景，見表9。

圖5 2車典型運動方向下的碰撞角度Fig.5 Collision angles of two vehicles in typical moving directions

表9 路口車車事故典型場景Tab.9 Typical scenarios of car accidents at intersections

3 測試場景設計

為了保證測試場景設計的合理性，AEB系統路口測試場景應當按照充分體現事故場景特點的前提下測試AEB 系統性能的原則進行設計。其中對于主車和目標車的車速2 個參數的設置十分重要，即使在相同的相對運動方向下不同的主車和目標車車速下的目標車的運動軌跡在主車坐標系也會不同，且車速越高對AEB 系統的要求就越高。主車和目標車的車速可以根據典型事故場景中的最高碰撞車速來設置，對于某一類測試場景可以先將主車車速設置為對應的典型事故場景的最高碰撞車速，目標車車速由10 km/h以10 km/h為增量逐漸增加至與主車相同的車速進行測試，然后再將目標車車速設置為最高碰撞車速，主車車速由10 km/h以10 km/h為增量逐漸增加至與目標車相同的車速進行測試，這樣不僅能充分測試AEB系統的性能，也反映了典型事故場景的特點。但是在有轉彎的事故中往往車速較高的一方為直行車輛，這一類事故中轉彎車輛的速度一般達不到2 車最高碰撞車速，所以在測試時轉彎的車輛速度應適當低于2 車最高碰撞車速。最終得到了AEB系統路口測試場景，見表10。

表10 AEB 系統路口測試場景Tab.10 Test scenarios of the automatic emergency braking system at intersections

4 討 論

本文通過對事故數據的深度挖掘結合測試場景的要求設計了較為合理的路口AEB 系統的測試場景。與國內外目前已經有的測試場景有一定的區別。其中國內學者徐向陽通過對NAIS 數據庫2011—2017年的數據進行統計分析設計了我國第一個路口AEB系統的測試場景，見表11。

表11 其他學者提出的我國AEB 系統路口測試場景Tab.1 Test scenarios for the AEB system at intersections in China proposed by other scholars

該測試場景分為8類，比本文設計的測試場景更少。其中測試車型與目標車型絕大部位為乘用車但也包括了商用車和2輪車，本文的測試場景測試車與目標車都是乘用車。和本文設計的測試場景一樣都考慮了天氣、光照、測試車運動類型和速度，目標車運動類型和速度這幾個變量。但目標車運動方向只根據相對于自身的運動方向來統計，沒有說明相對于主車的來向。見表11的圖示，用“直行-右側直行”來表示所有的2車運動方向為“直行-直行”的事故顯然是不合理的。每類場景中測試車與目標車的速度只有1個值，顯然不能充分測試AEB系統的性能。其中，路口類型和信號燈類型在本文的測試場景中沒有考慮，因為路口和信號燈的類型并不會對AEB系統照成影響。本文的測試場景相比于表10增加了碰撞部位、碰撞角度和2個變量，使測試場景更為合理。

NACP 新車評價規程中AEB 系統路口測試場景見圖6。規程嚴格規定了測試車與目標車的運動路徑為：主車先直行，然后在路口左轉，再直行；目標車在與測試車相鄰的車道上與測試車相向行駛，在路口2車應該在沒有制動措施下發生碰撞且碰撞在寬度上有50%的重疊。另外，測試車車速的設置有10，15，20 km/h 這3 種，目標車車速的設置有30，40，55 km/h 這3 種。相比于E-NCAP 的測試場景，本文的測試場景考慮了天氣、照明、遮擋3個環境因素，2車的相對運動方向也更豐富，更符合實際事故的情況。本文的測試場景雖然沒有嚴格規定2車的運動路線，但可以通過相對運動方向、碰撞部位、碰撞角度等比較準確地得出2車碰撞前的運動路線。

圖6 ENCAP的AEB系統路口測試場景Fig.6 Test scenario of the ENCAP's AEB system at intersections

5 結束語

1）本文對NAIS 數據庫中的路口車車事故案例進行了篩選，對事故場景特征參數進行了統計，得出了路口車車事故的特征。結果顯示，我國路口車車事故類型多樣，且有規律可循，如：大部分事故發生在“無雨”天氣下，其中照明良好，視野無遮擋下發生的事故占絕大部分。說明事故更多是駕駛員違規超速等人為因素造成的。2 車的相對運動方向也比較集中，其中1車左轉-對向直行、直行-對向左轉、直行-左側直行和直行-右側直行4 種情況占總數的80%。這有利于路口AEB系統的開發。

2）可以通過聚類等數據挖掘的方法對道路交通事故進行分析，找出事故中的特點，為汽車自動駕駛系統開發與測試提供有力的支持。

3）通過對NAIS數據庫中路口碰撞事故的分析，得到了符合我國路口交通實際情況的路口AEB測試場景。較之于國外已經推出的測試場景更加的豐富，更能符合我國路口交通安全對測試場景的要求。