基于軌跡預(yù)測的智能汽車行駛風(fēng)險評估方法 *

高 翔，陳 龍，王歆葉，熊曉夏，李祎承，陳月霞

（1.江蘇大學(xué)汽車工程研究院，鎮(zhèn)江 212013；2.江蘇大學(xué)汽車與交通工程學(xué)院，鎮(zhèn)江 212013）

前言

行車風(fēng)險評估是駕駛輔助系統(tǒng)和智能汽車安全運行的重要基礎(chǔ)。近年來，隨著智能交通系統(tǒng)（ITS）的迅速發(fā)展，大量駕駛安全技術(shù)已被應(yīng)用于高級駕駛輔助系統(tǒng)（ADAS）和自動駕駛汽車（AVs）［1-3］，如采用基于安全距離、碰撞時間或所需減速度的碰撞預(yù)警參數(shù)［4-7］來實時評估車輛的行駛安全狀態(tài)。然而這些預(yù)警參數(shù)主要基于自車和前車的距離、速度、加速度等當(dāng)前運動狀態(tài)信息，無法反映駕駛員行為特征、車輛狀態(tài)與道路環(huán)境之間的相互作用，因此難以為車輛安全決策提供準(zhǔn)確的判斷依據(jù)。

隨著智能感知和通信技術(shù)的發(fā)展，可以獲取的車輛實時運動和環(huán)境特征信息更加豐富，行車風(fēng)險評估方法亦更加多元化，目前主要包括基于碰撞概率、基于行車風(fēng)險場以及基于機器學(xué)習(xí)的方法。概率方法通常利用車輛之間的時間和空間關(guān)系以及輸入數(shù)據(jù)的不確定性，利用概率描述來建模風(fēng)險水平。Noh 等［8］利用位置不確定性和基于距離的安全度量提出了一種基于貝葉斯網(wǎng)絡(luò)的行車風(fēng)險概率模型。Bahram 等［9］將時空成本圖與貝葉斯網(wǎng)絡(luò)相結(jié)合，在駕駛員意圖預(yù)測的基礎(chǔ)上，從制動減速度的角度構(gòu)建前后相鄰車輛的碰撞概率。行車風(fēng)險場是指在實時獲取車輛周邊道路交通信息的基礎(chǔ)上，建立類比“物理場”的數(shù)學(xué)模型來定量描述車輛所面臨的行車風(fēng)險。Wang［10］等提出了行車風(fēng)險場理論用于評估交通場景中包含多要素的動態(tài)風(fēng)險，為駕駛過程中影響駕駛安全的“人-車-路-環(huán)境”要素構(gòu)建了統(tǒng)一模型。田野等［11］提出了一種行車風(fēng)險場的擴展模型，將碰撞時間（TTC）融入風(fēng)險場模型，同時引入車輛幾何特性和航向角信息來擴展模型的適用性。機器學(xué)習(xí)方法通常將交通安全影響因素的各項具體指標(biāo)值作為輸入變量，交通安全評估等級作為輸出變量。Lee 等［12］構(gòu)建了多層感知器神經(jīng)網(wǎng)絡(luò)MPNN 對行車風(fēng)險程度進行實時估算。Fu 等［13］綜合考慮行駛安全和舒適性兩個方面構(gòu)建了基于神經(jīng)網(wǎng)絡(luò)模型的風(fēng)險等級劃分算法。

然而，以上模型方法仍具有一定局限性。基于碰撞概率的方法通常只考慮自車與前車之間的不確定關(guān)系，忽略了周邊多車行為或運動的相互影響?；谛熊囷L(fēng)險場的方法大多基于當(dāng)前車輛的相對位置進行計算，而在實際快速行車過程中即使在短時間內(nèi)位置也可能發(fā)生很大變化，不利于后續(xù)構(gòu)建準(zhǔn)確的避撞控制方案。基于機器學(xué)習(xí)的方法普遍沒有考慮實際行車過程中需要面對的周邊多車復(fù)雜場景下的多車間碰撞風(fēng)險問題，影響了此類算法在現(xiàn)實中的實用性。綜上所述，目前主要的風(fēng)險估計方法仍難以適應(yīng)實際行車場景的復(fù)雜性和不確定性特點。

針以上問題，本文在周邊車輛預(yù)測軌跡基礎(chǔ)上，采用考慮駕駛員行為不確定性的駕駛風(fēng)險域（driver’s risk field，DRF）作為風(fēng)險概率度量，綜合考慮對車輛安全有較大影響的環(huán)境事件成本作為嚴(yán)重程度度量，得到適應(yīng)復(fù)雜行車場景不確定性的量化感知風(fēng)險；根據(jù)實車軌跡數(shù)據(jù)，基于貝葉斯理論的量化感知風(fēng)險等級概率，對預(yù)測區(qū)間內(nèi)所有時刻的量化感知風(fēng)險進行加權(quán)融合，最終實現(xiàn)對未來行車潛在碰撞風(fēng)險的預(yù)測。風(fēng)險評估總體流程如圖1 所示。其中，由于本文主要關(guān)注風(fēng)險建模方法而非軌跡預(yù)測，文中自車周邊車輛軌跡采用文獻［14］中的基于自車與周邊環(huán)境交互信息的環(huán)境注意力網(wǎng)絡(luò)（environment-attention network，EA-Net）模型進行預(yù)測。該模型為了更好地捕獲車輛在行駛過程中與周圍環(huán)境各節(jié)點連邊更新特征及空間位置結(jié)構(gòu)特征信息，在LSTM encoder-decoder 與卷積社交池串聯(lián)的結(jié)構(gòu)基礎(chǔ)上，加入了圖注意神經(jīng)網(wǎng)絡(luò)和包含SE 模塊的卷積社交池組成并行結(jié)構(gòu)，提高了環(huán)境交互信息的提取效果，達到了較好的軌跡預(yù)測水平。

圖1 基于軌跡預(yù)測的行車風(fēng)險評估總體流程圖

1 基于預(yù)測軌跡的量化感知風(fēng)險

本文中量化感知風(fēng)險是表征風(fēng)險概率度量的駕駛風(fēng)險域與表征嚴(yán)重程度度量的事件成本的乘積。其中，駕駛風(fēng)險域DRF是在車輛預(yù)測軌跡的基礎(chǔ)上，結(jié)合駕駛員感知風(fēng)險后采取行為的不確定性，在預(yù)測時間內(nèi)出現(xiàn)在某一空間位置的概率量化值；事件成本是駕駛場景中靜態(tài)或動態(tài)障礙物在預(yù)測時間內(nèi)的預(yù)測位置上與車輛發(fā)生潛在風(fēng)險后果的嚴(yán)重程度。

量化感知風(fēng)險示意圖如圖2 所示。圖中：黑色圓點代表當(dāng)前時刻自車位置；事件成本圖中藍(lán)色立方體代表周邊其他車輛相對于自車所產(chǎn)生的風(fēng)險成本Ccar，綠色立方體代表自車車道邊界外的成本Cenv，黃色立方體表示車道線成本Clane；駕駛風(fēng)險域圖顯示了DRF在車輛預(yù)測軌跡附近的高低變化；星號*代表將行車周邊范圍內(nèi)各個網(wǎng)格點上的事件成本與DRF相乘，得到量化感知風(fēng)險分布圖。對所有網(wǎng)格點上的量化感知風(fēng)險求和，即得到駕駛員行車周邊范圍內(nèi)的總量化感知風(fēng)險（為一標(biāo)量值）。本文以自車視角構(gòu)建駕駛風(fēng)險域DRF，對于自車為人工駕駛的車輛，其預(yù)測軌跡可以通過基于環(huán)境交互信息的周邊多車軌跡預(yù)測模型［14］實時輸出；對于未來自車為自動駕駛的車輛，其預(yù)測軌跡可設(shè)置為車輛自主規(guī)劃軌跡。

圖2 量化感知風(fēng)險示意圖

1.1 DRF模型構(gòu)建

假設(shè)DRF分布為一個沿著預(yù)測軌跡延伸的且具有高斯截面的曲面，可以構(gòu)建前瞻時間tla內(nèi)車輛駕駛風(fēng)險域DRF模型［15］，即

式中：a和σ分別代表高斯分布的高度和寬度；（x，y）為行車周邊范圍內(nèi)各個網(wǎng)格點坐標(biāo)；（xc，yc）為（x，y）至車輛預(yù)測軌跡的垂點坐標(biāo)；d為網(wǎng)格點（x，y）到預(yù)測軌跡垂點（xc，yc）的距離，如圖3 所示?？梢钥闯?，駕駛風(fēng)險域DRF在車輛預(yù)測軌跡附近具有較高的值，并且隨著與初始時刻車輛位置（xv，yv）的橫向和縱向距離的增加而減少，從而反映了駕駛員在感知和行動中的不確定性。

圖3 量化感知風(fēng)險示意圖

其中，高斯截面的高度a為一條關(guān)于距離初始位置（xv，yv）累計行駛路徑長度L的拋物線：

式中：p定義了拋物線的陡度；s為前瞻時間tla內(nèi)車輛預(yù)測軌跡總路徑長度。

高斯截面的寬度σ亦為關(guān)于累計行駛路徑長度L的線性函數(shù)：

式中：w為車輛寬度修正參數(shù)，可取為車輛寬度的1/4；m定義了高斯截面的擴大（或縮?。┑男甭?；δ代表了車輛轉(zhuǎn)向角；k表示DRF模型的邊緣參數(shù)。綜上，駕駛風(fēng)險域DRF可由4 個參數(shù)（p，m，k，w）定義，除了車輛寬度修正參數(shù)w外，其他參數(shù)p、m、k均可根據(jù)駕駛員風(fēng)險感知特性由網(wǎng)格搜索算法進行估計。本文根據(jù)實驗結(jié)果［15］，p取0.006 4，m取0.001，k取0.69。

為了量化車輛后方范圍內(nèi)動態(tài)障礙物可能帶來的風(fēng)險，本文以自車質(zhì)心位置的橫斷面為對稱面，向后建立了一個與前方DRF對稱的風(fēng)險域，從而實現(xiàn)對車輛周邊范圍量化感知風(fēng)險的連續(xù)刻畫。

1.2 環(huán)境事件成本定義

環(huán)境事件成本定義了車輛與周圍靜態(tài)、動態(tài)障礙物處于特定狀態(tài)的風(fēng)險后果，行車周邊范圍內(nèi)環(huán)境事件成本的確定方法如下：

式中：ccar、clane和cenv分別代表動態(tài)障礙物（障礙車輛，即周邊行駛車輛）、車道線和車道外成本；θ1、θ2和θ3分別為環(huán)境事件類型的0-1 判別函數(shù)。對于動態(tài)障礙物形成的成本，本文不考慮障礙車輛尺寸，當(dāng)自車與相鄰障礙車輛形成跟車場景或插車場景時，障礙車輛成本用兩車間距離Δd和速度差Δv來表示，記作ccar1；其他駕駛場景中障礙車成本固定為1 200，記作ccar2。由于本文主要考慮的風(fēng)險為周邊障礙車與自車之間的動態(tài)風(fēng)險，所以對靜態(tài)障礙物設(shè)置較低的事件成本值，假設(shè)車道線成本（clane）為10，車道邊界外成本（cenv）為500，如表1所示。

表1 環(huán)境事件成本參數(shù)

環(huán)境事件成本的空間分布隨周邊車輛預(yù)測軌跡結(jié)果動態(tài)變化，如圖4 所示，黑色圓點和深色立方體分別表示自車和前方障礙車的初始位置（t0），灰色圓點和淺色立方體分別表示它們在下一時刻（t1）的預(yù)測位置，兩圓點間的連線（黑色虛線）表示自車預(yù)測軌跡，兩立方體間的連線（藍(lán)色虛線）表示障礙車預(yù)測軌跡。對于初始時刻自車形成的行車風(fēng)險域為DRF0，障礙車對其構(gòu)成的動態(tài)事件成本ccar0由深色立方體所示；對于下一時刻自車形成的行車風(fēng)險域為DRF1，障礙車對其構(gòu)成的動態(tài)事件成本ccar1變?yōu)闇\色立方體所示?？梢钥闯?，駕駛風(fēng)險域DRF與駕駛場景中的事件成本均隨著預(yù)測時間的推移實時變化，可以動態(tài)反映駕駛員感知風(fēng)險和駕駛行為變化的后果，從而實現(xiàn)對于未來行車潛在碰撞風(fēng)險的實時刻畫。

圖4 事件成本動態(tài)示意圖

1.3 量化感知風(fēng)險計算

根據(jù)預(yù)測區(qū)間內(nèi)自車預(yù)測軌跡構(gòu)建的駕駛風(fēng)險域DRF，結(jié)合周邊車輛行駛軌跡預(yù)測結(jié)果，將DRF與對應(yīng)位置環(huán)境事件成本相乘得到量化感知風(fēng)險。采用移動時間窗形式將預(yù)測區(qū)間均勻劃分為T段{tla1，tla2，…，tlaT}（如圖5 所示），并將其視為自車的T段前瞻時間。當(dāng)以周邊第i輛車作為障礙車輛時，自車前瞻時間tla，m(m= 1，2，…，T) 內(nèi)的量化感知風(fēng)險為

圖5 預(yù)測區(qū)間移動時間窗劃分

式中：DRFm為前瞻時間tla，m內(nèi)自車的駕駛風(fēng)險域（式（1）～式（4））；cim為對應(yīng)時間的環(huán)境事件成本（式（5）～式（8）），其中動態(tài)障礙物定義為車輛i；(x，y) ∈S表示行車周邊范圍內(nèi)所有網(wǎng)格點的坐標(biāo)。

按式（9）對預(yù)測區(qū)間內(nèi)的每段前瞻時間進行計算，得到預(yù)測區(qū)間內(nèi)對應(yīng)T個前瞻時間的量化感知風(fēng)險時間序列值｛Ci1，Ci2，…，CiT｝。

2 基于貝葉斯模型的融合感知風(fēng)險

在上一節(jié)劃分的多個移動時間窗的基礎(chǔ)上，本節(jié)基于貝葉斯理論將每個時間窗內(nèi)的量化感知風(fēng)險值轉(zhuǎn)換為所處風(fēng)險等級的概率，并對所有時間窗的風(fēng)險等級進行概率融合計算，降低單個時間窗內(nèi)軌跡預(yù)測誤差可能對風(fēng)險評估結(jié)果造成的影響。

2.1 基于貝葉斯模型的風(fēng)險等級劃分

與僅預(yù)測二元潛在風(fēng)險（發(fā)生或不發(fā)生）的方法不同，本文將基于貝葉斯理論分別估計量化感知風(fēng)險C處于高、中、低3 個風(fēng)險等級的概率［1］，定義如下：

Ω ?{dangerous，attentive，safe}?{D，A，S}

Ω 是風(fēng)險水平的集合，D、A、S分別表示危險、中等和安全等級，并分別賦予量化值2、1和0以描述風(fēng)險水平，即將風(fēng)險等級τ定義為

τ∈Ω ?{2，1，0}

設(shè)高、低駕駛風(fēng)險等級下量化感知風(fēng)險C對應(yīng)的閾值分別為TD和TS，中風(fēng)險等級下C的期望值為TA，則可構(gòu)建量化感知風(fēng)險C的條件分布概率為

式中P(C|τ=a)，a∈Ω 表示在不同風(fēng)險等級下觀測到量化感知風(fēng)險C的概率。具體以式（10）為例，其表示當(dāng)駕駛狀態(tài)處于高風(fēng)險等級時，觀測到量化感知風(fēng)險值C大于高風(fēng)險等級閾值TD的概率為1；觀測到其他小于閾值TD的C的概率由C與TD的相對大小決定，C與TD越接近，則觀測到該C值的概率越大。參數(shù)σ為不確定性因子，主要用于控制不同駕駛風(fēng)險等級曲線的平滑度。根據(jù)貝葉斯理論，風(fēng)險等級τ的后驗概率為

式中：P（τ|C）表示給定量化感知風(fēng)險C下車輛處于某一風(fēng)險等級的概率；P（τ）為每個風(fēng)險等級的先驗概率，并滿足約束∑τ∈ΩP(τ) = 1，文中假設(shè)不同風(fēng)險等級具有相同的先驗概率（均為1/3）。

文中預(yù)設(shè)參數(shù)TD、TA和TS可根據(jù)實車軌跡數(shù)據(jù)的分布特征確定。NGSIM 數(shù)據(jù)集是美國FHWA 采集的由攝像頭獲取的實際車輛行駛軌跡數(shù)據(jù)［16-17］，本文選擇其中的US101和I-80高速公路軌跡數(shù)據(jù)用于此處參數(shù)標(biāo)定和后文模型驗證。隨機選取NGSIM數(shù)據(jù)集中347 條（共計10 625 數(shù)據(jù)幀）實際車輛軌跡數(shù)據(jù)，按式（9）計算每幀前瞻時間tla內(nèi)自車的量化感知風(fēng)險（前瞻時間tla取0.2 s），得到的量化感知風(fēng)險分布圖如圖6所示。

圖6 實車軌跡量化感知風(fēng)險統(tǒng)計分布圖

考慮到實車軌跡數(shù)據(jù)樣本中緊急工況較少，分別選取量化感知風(fēng)險從小到大排序的95%和20%分位值作為高、低駕駛風(fēng)險等級對應(yīng)的閾值TD和TS，50%分位值作為中風(fēng)險等級的期望值TA，即TD、TA和TS依次近似取值為800、500 和250。在此基礎(chǔ)上，根據(jù)式（10）～式（13）計算得到量化感知風(fēng)險C的條件分布概率如圖7 所示。其中，為了獲得具有合理分布的平滑風(fēng)險曲線，文中不確定性因子σ經(jīng)試驗取120。

圖7 量化感知風(fēng)險的條件分布概率示意圖

2.2 基于風(fēng)險等級概率的融合感知風(fēng)險

根據(jù)自車和周邊車輛預(yù)測軌跡數(shù)據(jù)，基于量化感知風(fēng)險計算公式和行車風(fēng)險等級概率確定方法，對預(yù)測區(qū)間內(nèi)的預(yù)測風(fēng)險等級進行融合計算，具體按如下步驟計算駕駛場景的最終融合感知風(fēng)險：

（1）篩選出自車周邊的第1，2，…，i輛車作為旁車，分別記為CAR1，CAR2，…，CARi；

（2）分別計算預(yù)測區(qū)間中T段前瞻時間{tla1，tla2，…，tlaT}內(nèi)當(dāng)旁車CARi作為障礙車輛時對自車產(chǎn)生的預(yù)測量化感知風(fēng)險，分別記作Ci1，Ci2，…，CiT；

（3）根據(jù)貝葉斯后驗概率模型（式（14））計算得到量化感知風(fēng)險Ci1，Ci2，…，CiT處于不同風(fēng)險等級τ（包 括D，A，S）的 后 驗 分 布 概 率 分 別 為｛PDi1，PAi1，PSi1｝，｛PDi2，PAi2，PSi2｝，…，｛PDiT，PAiT，PSiT｝；

（4）利用量化感知風(fēng)險后驗分布概率為權(quán)重對T段前瞻時間內(nèi)的風(fēng)險等級進行融合計算，得到預(yù)測區(qū)間內(nèi)障礙車CARi對自車產(chǎn)生的融合感知風(fēng)險HCARi：

式 中：PDit=P(τ=D│Cit)；PAit=P(τ=A│Cit)；PSit=P(τ=S│Cit)為自車處于不同風(fēng)險等級的貝葉斯后驗概率；τD、τA和τS分別取2、1 和0 以代表風(fēng)險等級量化值。為方便后文實驗驗證，本文設(shè)定融合感知風(fēng)險HCAR= 0.6 為臨界風(fēng)險閾值對駕駛場景進行風(fēng)險評估。

3 實驗分析

3.1 實車軌跡實驗

篩選NGSIM 數(shù)據(jù)集US101-0805 樣本中周邊100 m 范圍內(nèi)存在至少兩輛車的車輛軌跡片段進行風(fēng)險評估實驗，最終隨機選取ID 為226 的車輛為自車CARv進行研究。該車在數(shù)據(jù)集中共出現(xiàn)482 幀（采樣間隔0.1 s），選取與其相對距離小于100 m 的車作為周邊障礙車輛，篩選得車輛ID 為217、218 的兩輛車為對其行駛產(chǎn)生影響的周邊車輛。該軌跡片段駕駛場景如圖8（a）所示，自車CARv一直跟馳在前車CAR217后方沿高速公路內(nèi)車道行駛，旁車CAR218初始行駛在自車相鄰車道上，后發(fā)生換道加速插入自車CARv和前車CAR217之間。各車行駛軌跡如圖8（b）所示。

圖8 實車軌跡實驗駕駛場景示意圖

采用環(huán)境注意力網(wǎng)絡(luò)EA-Net 軌跡預(yù)測模型［14］對自車和周邊車輛軌跡進行實時預(yù)測，按1.1 節(jié)所述方法構(gòu)建自車的駕駛風(fēng)險域DRF，按1.2 節(jié)所述方法得到事件成本在預(yù)測時間內(nèi)的空間分布。軌跡預(yù)測模型輸入為預(yù)測時刻過去1.5 s （共15 幀）作的自車與周邊車輛的歷史軌跡數(shù)據(jù)，輸出為未來2.5 s（共25 幀）的預(yù)測軌跡數(shù)據(jù)。在所選軌跡片段中，以旁車CAR218作為障礙車為例，以旁車CAR218的換道時刻frame=1299 幀作為預(yù)測時刻，將自車CARv、前車CAR217和旁車CAR218第1 285至1 299幀共計15幀的歷史軌跡數(shù)據(jù)輸入EA-Net模型進行軌跡預(yù)測，得到各車第1 300 至1 324 幀共計25 幀的預(yù)測區(qū)間軌跡數(shù)據(jù)。根據(jù)圖5 所示方法，將預(yù)測區(qū)間按時間窗時長為0.2 s、移動步長為0.1 s 劃分為25 段前瞻時間（tla1=0.2 s），按式（9）計算得障礙車CAR218對自車CARv產(chǎn)生的量化感知風(fēng)險時間序列如圖9（a）所示。進一步，選取frame為1 265 至1 310 幀為實驗區(qū)間（包括旁車CAR218的整個換道過程），以該區(qū)間內(nèi)每一幀為預(yù)測時刻，按2.2 節(jié)步驟計算各時刻基于風(fēng)險等級概率的融合感知風(fēng)險HCAR變化趨勢，如圖9（b）所示。同理可對前車CAR217為障礙車時各個時刻自車的量化感知風(fēng)險和融合感知風(fēng)險進行計算。

圖9 障礙車CAR218對自車形成的風(fēng)險預(yù)測

采用以碰撞時間TTC來測試本文基于預(yù)測軌跡量化感知風(fēng)險的風(fēng)險評估方法的有效性。為了避免兩車相對速度很小導(dǎo)致TTC變?yōu)闊o窮大的情況，本文使用TTC的倒數(shù)ITTC（單位：s-1）進行評估，且在計算ITTC時，若前車車速大于后車車速則將ITTC記為負(fù)值。即ITTC為負(fù)值時代表沒有駕駛風(fēng)險，ITTC正值的增加表示駕駛風(fēng)險的上升。選取TTC=2.4 s，即ITTC=0.4 s-1作為風(fēng)險預(yù)警閾值［4］，即當(dāng)ITTC≥0.4 s-1時，行駛車輛被視為危險狀態(tài)。當(dāng)旁車CAR218為障礙車時，實驗區(qū)間（預(yù)測時刻frame=1265，1266，…，1310）內(nèi)自車融合感知風(fēng)險HCAR及ITTC趨勢對比如圖10所示。

由圖10 可以看出，雖然融合感知風(fēng)險HCAR和ITTC均低于各自的風(fēng)險預(yù)警閾值0.6 和0.4 s-1，兩者所顯示的駕駛風(fēng)險變化趨勢差異性較大，HCAR曲線呈現(xiàn)了明顯的風(fēng)險升高和降落變化，而ITTC曲線大部分時間均小于0 且尾部保持在0 附近振蕩。在真實駕駛場景中，自車CARv在行駛過程中按原車道行駛，障礙車CAR218初始車速大于自車CARv，在行駛過程中先減速后加速換道插入自車前方，之后繼續(xù)加速行駛，且車速大于自車；其中，障礙車CAR218先減速后加速的換道過程實際對自車行駛產(chǎn)生了影響，自車行駛狀態(tài)為先加速后減速再加速，這種影響與HCAR曲線所顯示的風(fēng)險先增大后減小的趨勢一致。因此，與ITTC相比，HCAR可以更準(zhǔn)確地體現(xiàn)出車輛換道過程中行車風(fēng)險的變化，對復(fù)雜場景駕駛風(fēng)險的預(yù)測具有更好的適用性。

圖10 融合感知風(fēng)險HCAR和ITTC趨勢曲線（障礙車CAR218）

3.2 仿真場景實驗

利用Prescan 仿真軟件構(gòu)建車輛換道過程中的緊急事件場景來進一步驗證本文基于預(yù)測軌跡量化感知風(fēng)險的風(fēng)險評估方法的有效性。仿真場景如圖11 所示，場景中共有3 輛行駛車輛行駛在兩車道高速公路上，其中黑車為自車CARv，紅車為旁車CAR1，白車為旁車CAR2，車道寬度為3.5 m，在自車CARv左側(cè)車道前方縱向距離15 和32 m 處分別是CAR1和CAR2。各車駕駛行為如下：（1）自車CARv初始速度為28 m/s，在并道場景中首先做加速度為2.5 m/s2的勻加速換道運動，從frame=52 幀開始換道插入CAR1和CAR2之間，在完成換道后做減速度為-7.2 m/s2的勻減速運動；（2）旁車CAR1初始速度為27 m/s，先做減速度為-2.0 m/s2的勻減速運動，后做加速度為6.4 m/s2的勻加速運動；（3）旁車CAR2初始速度為28 m/s，做加速度為1.0 m/s2的勻加速運動。自車CARv與旁車CAR1在frame=100 時（縱向距離151 m處）產(chǎn)生沖突交叉點，自車CARv與旁車CAR2無軌跡沖突。本節(jié)以自車CARv為研究對象，評估該場景中CARv由于突然并道行為造成的碰撞風(fēng)險程度。

圖11 Prescan仿真駕駛場景示意圖

在上述仿真場景片段中，以自車CARv換道開始后frame=54 幀作為預(yù)測時刻，將自車CARv、旁車CAR1和CAR2第40 至54 幀共計15 幀的歷史軌跡數(shù)據(jù)輸入EA-Net 模型進行軌跡預(yù)測，得到各車第55至79 幀共計25 幀的預(yù)測區(qū)間軌跡數(shù)據(jù)。同實車軌跡實驗將預(yù)測區(qū)間均勻劃分為25 段前瞻時間（tla1=0.2 s），按式（9）計算得障礙車CAR1對自車CARv產(chǎn)生的量化感知風(fēng)險時間序列如圖12（a）所示。進一步，選取frame=62 至100 幀（碰撞發(fā)生前）為實驗區(qū)間，以該區(qū)間內(nèi)每一幀為預(yù)測時刻，按2.2節(jié)步驟計算各時刻基于風(fēng)險等級概率的融合感知風(fēng)險HCAR變化趨勢，如圖12（b）所示。同理可對旁車CAR2為障礙車時每時刻自車的量化感知風(fēng)險和融合感知風(fēng)險進行計算。

圖12 障礙車CAR1對自車形成的風(fēng)險預(yù)測

以碰撞時間的倒數(shù)ITTC為參照指標(biāo)，當(dāng)旁車CAR1為障礙車時，實驗區(qū)間（預(yù)測時刻frame=62，63，…，100）內(nèi)自車融合感知風(fēng)險HCAR及ITTC趨勢對比如圖13所示。

圖13 融合感知風(fēng)險HCAR和ITTC趨勢曲線（障礙車CAR1）

根據(jù)并道仿真場景，自車初始位置位于旁車CAR1后方，且自車初始速度大于旁車CAR1，自車先進行勻加速運動超越旁車CAR1進行換道，同時旁車CAR1減速行駛讓行，自車完成并道后做勻減速運動，旁車CAR1做勻加速運動，最終發(fā)生風(fēng)險沖突。其中，由于自車在frame=53 幀時縱向上已超越旁車CAR1，此 處 以CAR1的 視 角 計 算frame=62 至100 幀CAR1與自車CARv之間的ITTC。由圖13 可知，融合感知風(fēng)險HCAR和ITTC呈現(xiàn)的駕駛風(fēng)險趨勢基本一致，但HCAR先于ITTC達到預(yù)設(shè)閾值。在frame=84時，ITTC超過了預(yù)設(shè)閾值，車輛行駛狀態(tài)被評估為危險狀態(tài)；而HCAR在frame=74 時就已經(jīng)超過了0.6水平參考線，并在frame=83時達到峰值?？梢钥闯?，融合感知風(fēng)險HCAR對風(fēng)險的響應(yīng)速度比ITTC更快，這主要是因為ITTC是基于車輛按照當(dāng)前狀態(tài)繼續(xù)行駛的假設(shè)計算發(fā)生碰撞所需時間，而HCAR是在融合未來一段時間內(nèi)自車與周邊環(huán)境交互信息的量化感知風(fēng)險的基礎(chǔ)上獲取的，可將駕駛員未來行車狀態(tài)變化納入量化風(fēng)險的考慮范圍，由此提高風(fēng)險預(yù)測的及時性和準(zhǔn)確性。

4 結(jié)論

本文針對周邊多車復(fù)雜場景下的車輛碰撞風(fēng)險問題提出了基于預(yù)測軌跡的行車風(fēng)險評估方法，首先建立了沿預(yù)測軌跡兩側(cè)具有漸變高斯截面特征的駕駛風(fēng)險域DRF以表征駕駛員行為的不確定性，然后考慮車輛與周圍靜態(tài)、動態(tài)障礙物處于特定狀態(tài)的風(fēng)險后果建立環(huán)境事件成本，得到適應(yīng)復(fù)雜行車場景不確定性的量化感知風(fēng)險，并基于貝葉斯理論融合預(yù)測區(qū)間內(nèi)的量化感知風(fēng)險時間序列，實現(xiàn)了對未來行車潛在碰撞風(fēng)險的預(yù)測。實車軌跡和仿真實驗結(jié)果表明，相比于經(jīng)典TTC指標(biāo)方法，基于融合未來一段時間內(nèi)自車與周邊環(huán)境交互信息的DRF的風(fēng)險評估方法可以更快、更準(zhǔn)確地辨識復(fù)雜交通場景的行車風(fēng)險變化。未來將針對更多、更復(fù)雜的駕駛場景，通過仿真和實車試驗進一步驗證本方法的實用性。