面向自動(dòng)駕駛的駕駛環(huán)境視覺(jué)感知復(fù)雜度量化評(píng)估方法

余榮杰，趙歲陽(yáng)，董浩然

(1. 同濟(jì)大學(xué) 道路與交通工程教育部重點(diǎn)實(shí)驗(yàn)室，上海 201804；2. 新加坡國(guó)立大學(xué) 土木工程系，新加坡 117576)

自動(dòng)駕駛汽車(chē)作為具有環(huán)境感知、規(guī)劃決策、控制執(zhí)行等功能的自動(dòng)化物理信息系統(tǒng)，目前正處于規(guī)?；_(kāi)放道路測(cè)試與示范運(yùn)行服務(wù)階段。然而，美國(guó)加州的自動(dòng)駕駛汽車(chē)開(kāi)放道路測(cè)試安全報(bào)告表明，在自動(dòng)駕駛脫離事件中，系統(tǒng)故障是最常見(jiàn)的脫離原因，而系統(tǒng)故障中，感知系統(tǒng)故障占據(jù)主要原因[1]。自動(dòng)駕駛汽車(chē)通過(guò)攝像頭、雷達(dá)等多源傳感器進(jìn)行環(huán)境感知，其中基于攝像頭的視覺(jué)感知作為圖像信息密度最高的傳感器，是自動(dòng)駕駛汽車(chē)中不可或缺的核心模塊[2]，而自動(dòng)駕駛汽車(chē)與人類(lèi)駕駛者的視覺(jué)感知機(jī)理、視覺(jué)認(rèn)知局限等存在明顯差異[3]。因此，自動(dòng)駕駛汽車(chē)的規(guī)?；茝V應(yīng)用，需從自動(dòng)駕駛汽車(chē)視覺(jué)感知視角開(kāi)展道路優(yōu)選、場(chǎng)景評(píng)估等相關(guān)研究。

目前，國(guó)內(nèi)外已經(jīng)開(kāi)展面向自動(dòng)駕駛汽車(chē)的道路分級(jí)方法、駕駛要素場(chǎng)景評(píng)估等研究。2014年Nitsche等[4]通過(guò)文獻(xiàn)調(diào)研與網(wǎng)絡(luò)問(wèn)卷對(duì)自動(dòng)駕駛汽車(chē)駕駛環(huán)境中的道路標(biāo)線(xiàn)、交通標(biāo)志、天氣狀況等多要素展開(kāi)安全性評(píng)估研究。2018年北京市發(fā)布的《北京市自動(dòng)駕駛車(chē)輛測(cè)試路段道路要求(試行)》[5]根據(jù)駕駛場(chǎng)景特征指標(biāo)對(duì)自動(dòng)駕駛測(cè)試路段道路進(jìn)行評(píng)估分級(jí)。2018年深圳市制定的《深圳市智能網(wǎng)聯(lián)汽車(chē)道路測(cè)試開(kāi)放道路技術(shù)要求(試行)》[6]將人、車(chē)、路、環(huán)境等4類(lèi)因素納入到道路交通復(fù)雜度評(píng)價(jià)中。2018年Roxas等[7]從計(jì)算機(jī)視覺(jué)感知角度出發(fā)，對(duì)駕駛環(huán)境中交通標(biāo)志的認(rèn)知效果進(jìn)行評(píng)估，以維持道路中交通標(biāo)志系統(tǒng)的標(biāo)準(zhǔn)化。2019年Lu等[8]通過(guò)開(kāi)展自動(dòng)駕駛汽車(chē)駕駛場(chǎng)景評(píng)估，對(duì)道路標(biāo)線(xiàn)、交通標(biāo)志、交通信號(hào)燈等感知要素提出標(biāo)準(zhǔn)化的要求。然而，上述道路分級(jí)方法是從駕駛場(chǎng)景特征進(jìn)行定性分級(jí)，尚未形成系統(tǒng)化、標(biāo)準(zhǔn)化的評(píng)價(jià)方法，而場(chǎng)景要素評(píng)估側(cè)重于靜態(tài)駕駛環(huán)境，忽略動(dòng)態(tài)駕駛環(huán)境的影響。因此，本研究從自動(dòng)駕駛視覺(jué)感知的角度出發(fā)，開(kāi)展道路駕駛環(huán)境視覺(jué)感知復(fù)雜度評(píng)估，根據(jù)視覺(jué)感知結(jié)果實(shí)現(xiàn)道路視覺(jué)感知復(fù)雜度分級(jí)。

考慮到現(xiàn)階段自動(dòng)駕駛道路測(cè)試受到交通管制、樣本量、成本等條件限制，本文以計(jì)算機(jī)視覺(jué)模擬自動(dòng)駕駛汽車(chē)環(huán)境感知，從視覺(jué)感知結(jié)果出發(fā)，針對(duì)城市路網(wǎng)展開(kāi)駕駛環(huán)境視覺(jué)感知復(fù)雜度研究。主要內(nèi)容包括構(gòu)建自動(dòng)化街景圖像數(shù)據(jù)提取平臺(tái)，獲取上海市典型城市道路街景圖像樣本數(shù)據(jù)；針對(duì)感知關(guān)鍵要素構(gòu)建駕駛環(huán)境要素感知平臺(tái)，并以感知準(zhǔn)確率作為感知精度評(píng)估指標(biāo)，采用熵權(quán)法對(duì)感知關(guān)鍵要素進(jìn)行賦權(quán)計(jì)算綜合感知準(zhǔn)確率；基于K-means++聚類(lèi)算法對(duì)綜合感知準(zhǔn)確率進(jìn)行分級(jí)，建立城市路網(wǎng)駕駛環(huán)境視覺(jué)感知復(fù)雜度分級(jí)標(biāo)準(zhǔn)。

1 數(shù)據(jù)獲取

1.1 街景圖像數(shù)據(jù)獲取

自動(dòng)駕駛汽車(chē)環(huán)境視覺(jué)感知的測(cè)試數(shù)據(jù)源是以城市道路為單元、街景圖像為單位，要求圖像清晰連續(xù)，能表征道路的整體特性。為此，以百度街景地圖作為車(chē)載視角的駕駛環(huán)境圖像數(shù)據(jù)源，搭建自動(dòng)化街景圖像數(shù)據(jù)提取平臺(tái)，在腳本文件與截圖工具PicPick的基礎(chǔ)下，采用連續(xù)截取、自動(dòng)保存的方式獲取指定道路街景圖像數(shù)據(jù)集，實(shí)現(xiàn)圖像高效獲取以及數(shù)據(jù)連續(xù)性，技術(shù)路線(xiàn)如圖1所示。在自動(dòng)化提取平臺(tái)下，圖像獲取速度可達(dá)到20～25 張/min，圖片為PNG格式，分辨率為851×610。

圖1 自動(dòng)化提取平臺(tái)技術(shù)路線(xiàn)Fig.1 Technical route of automated extraction platform

以上海市路網(wǎng)為例，選取50條典型道路，在自動(dòng)化提取平臺(tái)中得到8 919張駕駛環(huán)境數(shù)據(jù)，圖像平均截取距離在10 m左右。由于街景圖像具有景深，延伸范圍遠(yuǎn)超過(guò)10 m，因此，10 m左右的平均截取距離能表征道路駕駛場(chǎng)景的完整信息。

1.2 感知關(guān)鍵要素測(cè)試數(shù)據(jù)獲取

1.2.1 駕駛環(huán)境要素感知平臺(tái)

駕駛環(huán)境作為自動(dòng)駕駛汽車(chē)規(guī)劃決策的信息依據(jù)，包括靜態(tài)駕駛環(huán)境、動(dòng)態(tài)駕駛環(huán)境兩大類(lèi)[9]。靜態(tài)駕駛環(huán)境主要有交通標(biāo)志、標(biāo)線(xiàn)，動(dòng)態(tài)駕駛環(huán)境主要有紅綠燈、車(chē)輛、行人、天氣。2018年北京市出臺(tái)的《北京市自動(dòng)駕駛車(chē)輛道路測(cè)試能力評(píng)估內(nèi)容與方法(試行)》與上海市出臺(tái)的《上海市智能網(wǎng)聯(lián)汽車(chē)道路測(cè)試管理辦法(試行)》在自動(dòng)駕駛汽車(chē)測(cè)試內(nèi)容、評(píng)估項(xiàng)目上雖有所區(qū)別[10]，但在感知層面集中在交通標(biāo)志、交通標(biāo)線(xiàn)、紅綠燈、車(chē)輛、行人5方面。因此，針對(duì)這5類(lèi)感知關(guān)鍵要素，參照現(xiàn)有典型識(shí)別技術(shù)及算法構(gòu)建駕駛環(huán)境要素感知平臺(tái)。行人方面，方向梯度直方圖+支持向量機(jī)(HOG+SVM)的方法被認(rèn)為是行人檢測(cè)的標(biāo)準(zhǔn)方法[11]。車(chē)輛方面，2016年Fan等[12]采用快速卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行車(chē)輛識(shí)別，在kitti數(shù)據(jù)集下不同車(chē)輛檢測(cè)難度的準(zhǔn)確率依次為95.14%、83.73%和71.22%。紅綠燈方面，2016年Moizumi等[13]基于RGB色彩空間分割實(shí)現(xiàn)信號(hào)燈識(shí)別，該識(shí)別流程簡(jiǎn)單，漏檢較少，擁有較高的識(shí)別效果。交通標(biāo)線(xiàn)方面，2017年郭笙聽(tīng)等[14]基于Hough變換和卡爾曼濾波進(jìn)行車(chē)道線(xiàn)識(shí)別，車(chē)道線(xiàn)檢測(cè)準(zhǔn)確率可達(dá)94%，對(duì)不同路況、光照條件下的車(chē)道線(xiàn)均具有較好的適應(yīng)性。交通標(biāo)志方面，2019年Rajendran等[15]采用YOLO v3物體檢測(cè)算法對(duì)德國(guó)交通標(biāo)志檢測(cè)識(shí)別數(shù)據(jù)集進(jìn)行檢測(cè)，平均精度均值mAP達(dá)到92.2%，具體算法及原理如表1所示。并對(duì)街景圖像進(jìn)行感知測(cè)試，測(cè)試樣例如圖2所示。

表1 感知關(guān)鍵要素識(shí)別算法及原理Table 1 Recognition algorithms and principles of perception key elements

圖2 感知關(guān)鍵要素測(cè)試樣例Fig.2 Test samples of perception key elements

1.2.2 交通要素感知評(píng)估方法

視覺(jué)感知復(fù)雜度評(píng)估需要通過(guò)量化要素感知精度實(shí)現(xiàn)。對(duì)于行人、車(chē)輛、紅綠燈、交通標(biāo)志，感知檢測(cè)方法是確定要素輪廓，常采用精確率、召回率、準(zhǔn)確率、F1分?jǐn)?shù)等作為算法識(shí)別度量指標(biāo)。在上述評(píng)價(jià)指標(biāo)中，準(zhǔn)確率是被正確預(yù)測(cè)為正例數(shù)與全部樣例的比值，能反映算法識(shí)別的真實(shí)水平。一般機(jī)器學(xué)習(xí)性能評(píng)估時(shí)，數(shù)據(jù)集通常包括正負(fù)樣本，預(yù)測(cè)結(jié)果以圖像數(shù)為單位。而實(shí)際道路感知準(zhǔn)確率計(jì)算時(shí)，并不存在正負(fù)樣本的分組對(duì)照，無(wú)需考慮將負(fù)例正確預(yù)測(cè)為負(fù)例(nTN)的情況，并且單張圖像中可能包含多個(gè)同一要素，因此，行人、紅綠燈、交通標(biāo)志以及車(chē)輛的感知精度是以要素個(gè)數(shù)為單位，感知準(zhǔn)確率(perception accuracy)P計(jì)算公式如下：

(1)

式中，nTP為將正例正確預(yù)測(cè)為正例的要素個(gè)數(shù)，nFN為將負(fù)例錯(cuò)誤預(yù)測(cè)為正例的要素個(gè)數(shù)，nFP為將正例錯(cuò)誤預(yù)測(cè)為負(fù)例的要素個(gè)數(shù)。

交通標(biāo)線(xiàn)的檢測(cè)方法是擬合車(chē)道標(biāo)線(xiàn)，識(shí)別評(píng)判方法有橫向偏差、角度偏差、重疊道路區(qū)域等，但缺乏統(tǒng)一的判斷標(biāo)準(zhǔn)[20]。根據(jù)《公路項(xiàng)目安全性評(píng)價(jià)規(guī)范》[21]，車(chē)道保持是車(chē)輛行駛尤其是在平曲線(xiàn)段行駛的主要目的，而橫向偏移常被用來(lái)表征橫向位置的穩(wěn)定性[22]，但對(duì)于偏離大小的標(biāo)準(zhǔn)，實(shí)際上沒(méi)有明確的規(guī)定。為此，借鑒自動(dòng)駕駛橫向控制下車(chē)道保持的安全距離175 mm作為偏移閾值[23]，從自動(dòng)駕駛感知的視角判斷識(shí)別結(jié)果能否支持汽車(chē)的橫向控制。而自動(dòng)駕駛車(chē)輛橫向偏差是由感知偏差和控制誤差等諸多誤差疊加，目前自動(dòng)駕駛橫向控制誤差最大在100 mm左右[24]，同時(shí)車(chē)道標(biāo)線(xiàn)寬度為150 mm。因此，從車(chē)道標(biāo)線(xiàn)中心線(xiàn)出發(fā)，車(chē)道識(shí)別值與真值之間相對(duì)位置的容許橫向偏移范圍為(-150,150)mm，當(dāng)視覺(jué)偏差在該范圍內(nèi)即可實(shí)現(xiàn)車(chē)道保持的目的。基于逆透視變換生成車(chē)道標(biāo)線(xiàn)鳥(niǎo)瞰圖，如圖3所示。判斷單邊車(chē)道標(biāo)線(xiàn)完全處于橫向偏移容許范圍內(nèi)以及虛實(shí)線(xiàn)判斷是否正確，單邊車(chē)道標(biāo)線(xiàn)感知準(zhǔn)確率結(jié)果為0/1分布，以左右側(cè)準(zhǔn)確率平均值作為車(chē)道標(biāo)線(xiàn)感知準(zhǔn)確率：

(2)

圖3 車(chē)道識(shí)別鳥(niǎo)瞰圖Fig.3 Bird′s eye view image of lane detection

基于駕駛環(huán)境要素感知平臺(tái)以及單要素感知準(zhǔn)確率計(jì)算方法，對(duì)上海市50條典型道路8 919張街景圖像數(shù)據(jù)進(jìn)行單要素感知精度量化，感知準(zhǔn)確率結(jié)果如圖4所示。

圖4 感知關(guān)鍵要素感知準(zhǔn)確率Fig.4 Perception accuracy of perception key elements

2 駕駛環(huán)境視覺(jué)感知復(fù)雜度量化模型

2.1 熵權(quán)法加權(quán)

在各類(lèi)要素感知精度的基礎(chǔ)上，為構(gòu)建綜合性視覺(jué)感知復(fù)雜度指標(biāo)，需探索多要素融合和綜合等級(jí)劃分等方法。鑒于自動(dòng)駕駛汽車(chē)運(yùn)行算法的黑箱特征，目前暫無(wú)法得知自動(dòng)駕駛汽車(chē)視角下駕駛環(huán)境中各要素相對(duì)重要程度?？紤]準(zhǔn)確率及其波動(dòng)性是復(fù)雜度評(píng)估的兩個(gè)重要維度，而熵權(quán)法是根據(jù)各指標(biāo)差異程度確定權(quán)重的客觀賦權(quán)方法[25]，可以將各要素感知準(zhǔn)確率波動(dòng)性納入評(píng)估中。因此，本文采用熵值法建立了波動(dòng)性數(shù)據(jù)驅(qū)動(dòng)下的客觀權(quán)重賦值技術(shù)方法。熵值法要素賦權(quán)步驟如下。

意識(shí)形態(tài)的認(rèn)同對(duì)于國(guó)家統(tǒng)合具有重要的影響。國(guó)民黨執(zhí)政時(shí)期，對(duì)于國(guó)民黨思想和組織的統(tǒng)合，對(duì)于知識(shí)界認(rèn)同的爭(zhēng)取、民眾情感與信仰的凝聚均不算成功。王世杰在1943年2月18日的日記中寫(xiě)道:“今晚為新生活運(yùn)動(dòng)九周年紀(jì)念之前夕，蔣先生在紀(jì)念會(huì)上作甚長(zhǎng)之演說(shuō)。聽(tīng)眾雖俱為中央委員或新生活運(yùn)動(dòng)會(huì)干部分子，但予總覺(jué)彼等內(nèi)心對(duì)于此一運(yùn)動(dòng)仍缺乏篤行與身體力行之誠(chéng)意。總干事以黃仁霖充任，似只能作若干表面的工作，不能使一般知識(shí)界對(duì)于此一運(yùn)動(dòng)增加其注意與敬重”??？梢?jiàn)，無(wú)論是黨內(nèi)，還是黨外，國(guó)民黨的意識(shí)形態(tài)宣導(dǎo)都不能發(fā)揮其作用。

(1)構(gòu)建要素?cái)?shù)據(jù)矩陣。根據(jù)m條道路n類(lèi)要素感知準(zhǔn)確率數(shù)據(jù)，組成初始要素?cái)?shù)據(jù)矩陣A。

(3)

式中，Pij為道路i要素j的感知準(zhǔn)確率，m為道路數(shù)，n為要素個(gè)數(shù)。

(2)計(jì)算要素j下道路i的感知準(zhǔn)確率占所有道路的比例rij。

(4)

(3)計(jì)算要素j的信息熵值ej。

(5)

式中，k為常數(shù)，k=1/lnm。

(4)計(jì)算信息效用值。信息效用值dj又稱(chēng)信息熵冗余度，取決于信息熵值ej與1之間的差值。

dj=1-ej。

(6)

(5)根據(jù)各要素的信息效用值計(jì)算權(quán)重wj。

(7)

在上海市50條典型道路5類(lèi)感知關(guān)鍵要素的感知準(zhǔn)確率數(shù)據(jù)下，根據(jù)熵權(quán)法的基本步驟，計(jì)算各感知關(guān)鍵要素權(quán)重，結(jié)果如表2所示，綜合感知準(zhǔn)確率(integrated perception accuracy)I計(jì)算公式如下：

I=0.18Proad marking+0.27Ptraffic light+0.16Ptraffic sign+0.20Ppedestrain+0.19Pvehicle，

(8)

表2 感知關(guān)鍵要素權(quán)重Table 2 Weight of perception key elements

從權(quán)重結(jié)果可以看出，各要素權(quán)重均分布在0.20左右，由此可見(jiàn)各要素感知結(jié)果的一致性較為接近，從圖4中也可以看出，各要素的波動(dòng)范圍較為集中，重疊區(qū)域較多。各要素橫向?qū)Ρ瓤芍?，紅綠燈識(shí)別的一致性較差，感知準(zhǔn)確率分布范圍在[0.25,1]，相應(yīng)的權(quán)重最大，為0.27。

2.2 輪廓系數(shù)法分組

由于視覺(jué)感知復(fù)雜度是由多因素構(gòu)造而成的新指標(biāo)，難以通過(guò)人工標(biāo)注進(jìn)行等級(jí)劃分。因此，采用非監(jiān)督學(xué)習(xí)方法進(jìn)行分級(jí)，該方法常用于分級(jí)問(wèn)題的類(lèi)別自動(dòng)劃分[26]，其中，K-means聚類(lèi)因其原理簡(jiǎn)單、收斂速度快在分級(jí)評(píng)估中應(yīng)用廣泛，但存在聚類(lèi)簇?cái)?shù)K需提前給定、初始聚類(lèi)中心選取存在隨機(jī)性等問(wèn)題。為此，采用輪廓系數(shù)法和K-means++聚類(lèi)作為視覺(jué)感知復(fù)雜度分級(jí)方法。

輪廓系數(shù)法是根據(jù)數(shù)據(jù)對(duì)象間的相似性或距離評(píng)估聚類(lèi)質(zhì)量的度量指標(biāo)，包括聚類(lèi)簇內(nèi)的凝聚度ai與簇間的分離度bi。其中，凝聚度ai是道路i的綜合感知準(zhǔn)確率Ii與同屬簇其他樣本的平均距離，分離度bi是道路i的綜合感知準(zhǔn)確率Ii到最近簇中所有樣本的平均距離，則道路i的輪廓系數(shù)si為：

(9)

所有樣本道路輪廓系數(shù)平均即為平均輪廓系數(shù)SK：

(10)

式中，K為聚類(lèi)簇?cái)?shù)，m為樣本道路數(shù)。

基于輪廓系數(shù)計(jì)算步驟以及綜合感知準(zhǔn)確率數(shù)據(jù)，得到不同聚類(lèi)簇?cái)?shù)K下平均聚類(lèi)輪廓系數(shù)SK，如表3所示。結(jié)果表明，最佳聚類(lèi)簇?cái)?shù)為K=3，S3=0.577 4，對(duì)應(yīng)的輪廓系數(shù)圖如圖5所示，圖中每個(gè)藍(lán)條代表一條道路。

表3 不同聚類(lèi)簇?cái)?shù)K下輪廓系數(shù)Table 3 Silhouette coefficient under different clustering numbers K

圖5 輪廓系數(shù)K=3的輪廓圖Fig.5 Silhouette graph with silhouette coefficient K=3

2.3 K-means++聚類(lèi)分級(jí)

K-means++聚類(lèi)算法主要是優(yōu)化了K-means聚類(lèi)的初始聚類(lèi)中心選取方式，以保證聚類(lèi)中心之間的距離盡可能遠(yuǎn)為原則[27]，避免因初始聚類(lèi)中心的隨機(jī)性變動(dòng)出現(xiàn)局部最優(yōu)解，后續(xù)聚類(lèi)迭代方式與K-means聚類(lèi)一致，具體步驟如下：

(1)從樣本道路綜合感知準(zhǔn)確率數(shù)據(jù)I=(I1,I2,…,Ii,…,Im)中隨機(jī)選取某一數(shù)據(jù)作為初始聚類(lèi)中心c1。

(2)計(jì)算綜合感知準(zhǔn)確率Ii與已有聚類(lèi)中心ca之間的距離D(Ii)以及被選為下一個(gè)聚類(lèi)中心的概率Pi，并用輪盤(pán)法產(chǎn)生隨機(jī)數(shù)確定下一聚類(lèi)中心。

D(Ii)=Ii-ca，

(11)

(12)

(3)重復(fù)步驟(2)直到選出K個(gè)初始聚類(lèi)中心C=(c1,c2,…,ca,…,cK)。

(4)根據(jù)與初始聚類(lèi)中心的距離D(Ii)，劃分綜合感知準(zhǔn)確率Ii至最近聚類(lèi)中心類(lèi)簇中，得到類(lèi)簇為(y1,y2,…,ya,…,yK)，樣本數(shù)為(d1,d2,…,da,…,dK)。

(5)重新計(jì)算各類(lèi)簇ya的聚類(lèi)中心c′a，迭代計(jì)算直至聚類(lèi)中心C′不再變動(dòng)，即為最終聚類(lèi)類(lèi)簇。

(13)

根據(jù)聚類(lèi)簇?cái)?shù)K=3以及上述K-means++聚類(lèi)步驟，對(duì)樣本道路綜合感知準(zhǔn)確率數(shù)據(jù)進(jìn)行聚類(lèi)分級(jí)，結(jié)果如圖6所示。采用綜合感知準(zhǔn)確率分級(jí)區(qū)間表征視覺(jué)感知復(fù)雜度等級(jí)(visual perception complexity level)L，如表4所示。

圖6 視覺(jué)感知復(fù)雜度分級(jí)道路編號(hào)Fig.6 Classification of visual perception complexity

表4 視覺(jué)感知復(fù)雜度分級(jí)標(biāo)準(zhǔn)

3 結(jié)果分析

從結(jié)果可以看出，上海市道路駕駛環(huán)境視覺(jué)感知復(fù)雜度分為三級(jí)，其中大部分樣本道路的視覺(jué)感知復(fù)雜度等級(jí)位于2級(jí)，占到44%，視覺(jué)感知復(fù)雜度等級(jí)為1級(jí)與3級(jí)的道路數(shù)量接近。由此可見(jiàn)，在自動(dòng)駕駛汽車(chē)視覺(jué)感知層面上，樣本道路整體處于中等水平。為了分析不同的設(shè)計(jì)建造標(biāo)準(zhǔn)是否會(huì)導(dǎo)致自動(dòng)駕駛汽車(chē)視覺(jué)感知復(fù)雜度的差異，在不同等級(jí)道路間進(jìn)行感知準(zhǔn)確率與視覺(jué)感知復(fù)雜度對(duì)比，繪制感知準(zhǔn)確率箱線(xiàn)圖與視覺(jué)感知復(fù)雜度直方圖，如圖7所示，并進(jìn)行方差分析，結(jié)果如表5所示。

圖7 不同等級(jí)道路綜合感知準(zhǔn)確率箱線(xiàn)圖和視覺(jué)感知復(fù)雜度等級(jí)直方圖Fig.7 Integrated perception accuracy box plot and visual perception complexity histogram for roads of different grades

表5 不同等級(jí)道路綜合感知準(zhǔn)確率和視覺(jué)感知復(fù)雜度方差分析

從箱線(xiàn)圖與直方圖結(jié)果可以看出，主干路支路之間的綜合感知準(zhǔn)確率、視覺(jué)感知復(fù)雜度差異較為明顯，而次干路與支路間的差異不大，其中支路與次干路的綜合感知準(zhǔn)確率整體高于主干路，支路視覺(jué)感知復(fù)雜度整體低于主干路。而方差分析結(jié)果顯示，主干路與支路間的綜合感知準(zhǔn)確率與視覺(jué)感知復(fù)雜度均存在極顯著差異，而主干路與次干路間的綜合感知準(zhǔn)確率存在邊緣顯著差異，可能是由駕駛環(huán)境的差異性所致，支路的駕駛環(huán)境組成同主干路相比相對(duì)簡(jiǎn)單，環(huán)境因素對(duì)自動(dòng)駕駛汽車(chē)感知功能的干擾較小，因此支路的視覺(jué)感知復(fù)雜度整體水平比主干路低。而主干路與次干路在交通功能存在部分重疊，駕駛場(chǎng)景的差異區(qū)分度不夠，因此主干路與次干路在綜合感知準(zhǔn)確率上存在邊緣顯著差異。而進(jìn)行不同等級(jí)道路下各要素感知準(zhǔn)確率方差分析時(shí)發(fā)現(xiàn)，除支路與主干路、次干路在紅綠燈感知準(zhǔn)確率上存在顯著差異外，其余要素感知準(zhǔn)確率在不同等級(jí)道路間并不存在顯著差異，由此可以確定，道路等級(jí)不是造成視覺(jué)感知復(fù)雜度分級(jí)的主要因素。

4 結(jié)語(yǔ)

本文從自動(dòng)駕駛汽車(chē)感知角度出發(fā)，建立了普適性的城市路網(wǎng)駕駛環(huán)境視覺(jué)感知復(fù)雜度量化評(píng)估方法。通過(guò)搭建自動(dòng)化街景圖像數(shù)據(jù)提取平臺(tái)，實(shí)現(xiàn)了圖像數(shù)據(jù)連續(xù)性以及高效獲取，得到了上海市道路街景圖像數(shù)據(jù)。選取駕駛環(huán)境中行人、交通標(biāo)志、交通標(biāo)線(xiàn)、紅綠燈、車(chē)輛作為感知關(guān)鍵要素構(gòu)建駕駛環(huán)境要素感知平臺(tái)。在各要素感知準(zhǔn)確率結(jié)果的基礎(chǔ)上，建立駕駛環(huán)境視覺(jué)感知復(fù)雜度量化模型。模型結(jié)果顯示，上海市50條典型道路駕駛環(huán)境視覺(jué)感知復(fù)雜度可分為三級(jí)，視覺(jué)感知復(fù)雜度整體處于中等水平，并且支路與次干路的綜合感知準(zhǔn)確率整體高于主干路，支路視覺(jué)感知復(fù)雜度整體低于主干路，并確定道路等級(jí)不是造成視覺(jué)感知復(fù)雜度分級(jí)的主要因素。

本文研究成果可為自動(dòng)駕駛汽車(chē)開(kāi)放測(cè)試以及運(yùn)營(yíng)提供城市道路優(yōu)選指導(dǎo)，同時(shí)也可以作為城市道路駕駛環(huán)境優(yōu)化的參考依據(jù)。但由于目前沒(méi)有按駕駛環(huán)境分類(lèi)的數(shù)據(jù)集，而實(shí)車(chē)試驗(yàn)驗(yàn)證感知復(fù)雜度分級(jí)的方法存在諸多限制條件，因此，目前暫時(shí)無(wú)法對(duì)視覺(jué)感知復(fù)雜度分級(jí)結(jié)果進(jìn)行驗(yàn)證。同時(shí)，本研究是從自動(dòng)駕駛汽車(chē)視覺(jué)感知角度開(kāi)展駕駛環(huán)境視覺(jué)感知復(fù)雜度研究，而實(shí)際上自動(dòng)駕駛汽車(chē)環(huán)境感知系統(tǒng)中集成了攝像頭、毫米波雷達(dá)、激光雷達(dá)、超聲波雷達(dá)等多樣化的感知單元，在未來(lái)可以結(jié)合雷達(dá)數(shù)據(jù)開(kāi)展更為全面的感知復(fù)雜度研究。