面向自動緊急轉向場景的自動駕駛測試用例生成方法

摘" 要： 為了驗證智能汽車的安全性，需要生成大量用例用于系統(tǒng)測試。對此，提出一種基于臨界安全距離模型的用例生成方法，該方法用于生成測試自動緊急轉向（AES）系統(tǒng)的場景用例。首先通過對臨界安全距離模型進行分析，識別出影響行車安全的關鍵參數(shù)；然后，從自然駕駛數(shù)據(jù)集High D中提取這些參數(shù)，并采用核密度估計方法構建AES測試場景的描述模型。使用蒙特卡洛（MC）方法對描述模型進行抽樣，生成與自然駕駛行為參數(shù)特征相符的測試用例。同時，為了解決MC方法生成用例中風險及危險場景匱乏的問題，進一步引入重要性抽樣（IS）方法，以提升風險用例和危險用例的生成比例。實驗結果表明：所提方法能夠高效地生成用于AES系統(tǒng)的測試用例；與MC方法相比，IS方法在風險用例上平均增加207.9%，在危險用例上平均增加272.6%，從而顯著提高了測試效率。

關鍵詞： 自動緊急轉向； 自動駕駛； 測試用例； 臨界安全距離； High D數(shù)據(jù)集； 核密度估計； 蒙特卡洛法； 重要性抽樣

中圖分類號： TN911.23?34； TP391.9" " " " " " " " " "文獻標識碼： A" " " " " " " "文章編號： 1004?373X（2024）16?0130?07

Method of automatic driving testing case generation for AES scene

RAO Congbo1， ZHAO Jin2， LIU Chang2， SUN Nianyi2

（1. Key Laboratory of Advanced Manufacturing Technology of the Ministry of Education， Guizhou University， Guiyang 550025， China;

2. School of Mechanical Engineering， Guizhou University， Guiyang 550025， China）

Abstract： In order to verify the safety of intelligent vehicles， a large number of cases need to be generated for the system testing. On this basis， a case generation method based on the critical safety distance model is proposed， which is used to generate scene cases for testing the autonomous emergency steering （AES） system. The critical safe distance model is analyzed to identify the key parameters that affect the driving safety. Further， these parameters are extracted from the automatic driving dataset High D， and the kernel density estimation method is used to construct the descriptive model for the AES testing scene. The Monte Carlo （MC） method is used to sample the descriptive model， and generate testing cases that match the feature parameters of automatic driving behaviors. In order to improve the shortages of risk and dangerous scenes in cases generated by the MC method， the importance sampling （IS） method is further introduced to increase the generation proportion of risk and dangerous cases. The experimental results show that the proposed method can efficiently generate testing cases for the AES system. In comparison with the MC method， the IS method has an average increase of 207.9% in risk cases and 272.6% in dangerous cases， significantly improving the testing efficiency.

Keywords： autonomous emergency steering; automatic driving; testing case; critical safety distance; High D dataset; kernel density estimation; Monte Carlo method; importance sampling

0" 引" 言

主動避撞是智能汽車主動安全技術之一[1]。當智能汽車有碰撞風險時，主動避撞系統(tǒng)將自動切入控制車輛執(zhí)行機構以阻止碰撞發(fā)生。歐盟新車安全評鑒協(xié)會（European New Car Assessment Programme， E?NCAP）基于真實數(shù)據(jù)分析指出，汽車主動避撞系統(tǒng)能夠避免大約38%的交通事故，對于無法完全避免的交通事故，也可以減少事故所造成的人員傷害和財產(chǎn)損失[2]。因此，主動避撞技術是未來智能汽車技術的重要發(fā)展趨勢之一。

自動緊急轉向（Autonomous Emergency Steering， AES）是一種通過控制前輪轉角使汽車按照避撞軌跡行駛的主動避撞技術。在車速較高時，如果突發(fā)緊急狀況，通過AES完成主動避撞具有更高的效率[3]。相較于自動緊急制動（Autonomous Emergency Braking， AEB），AES在高車速、低附著率工況下所需的避讓距離更短[4]。

AES等主動避撞技術可以有效減少交通事故的發(fā)生，已成為行業(yè)共識，但該類技術在全面部署之前，仍需大量測試以驗證其系統(tǒng)的可靠性。相關研究[5]表明，使用基于里程的測試方法，要證明智能汽車的安全性達到人類駕駛水平，需要數(shù)億甚至數(shù)百億英里的公共道路測試。例如，以95%置信度證明智能汽車可以比人類駕駛汽車減少20%的事故率，需要進行至少142億km的里程道路測試，這相當于100輛汽車以40 km/h的速度[6]全天24 h連續(xù)行駛400年。因此，基于里程的測試方法是一種高成本、低效率的驗證方式。

相較基于里程的測試方法，基于場景的仿真測試方法有配置靈活、可重復性好及成本低等優(yōu)點，現(xiàn)階段許多學者都關注基于場景的仿真測試方法。Zhao D等首先將重要性抽樣（Importance Sampling， IS）方法引入場景仿真測試中，從安全實驗模型部署（Safety Pilot Model Deployment， SPMD）項目數(shù)據(jù)集中提取前車切入場景的參數(shù)分布，并使用交叉熵理論遞歸搜索最優(yōu)重要性分布，最終實現(xiàn)加速測試[7]。文獻[8]中提出一種將功能場景轉換為邏輯場景的方法，并在研究中將邏輯場景參數(shù)空間表示為OpenDRIVE和OpenSCENARIO格式，為實現(xiàn)功能場景到具體場景的自動化生成提供了重要依據(jù)。舒紅等提出一種基礎測試場景群的構建方法，采用PICT組合測試工具生成目標參數(shù)高覆蓋的組合場景群，使得測試效率大大提高，但是基于組合推理的方法會生成不符合現(xiàn)實駕駛情況的極端用例，降低測試置信度[9]。周文帥等提出一種用于驗證自動駕駛功能的測試用例構建方法，該方法以切入場景為例，使用蒙特卡洛（Monte Carlo， MC）方法生成大量測試用例。實驗結果表明，所提出的方法能夠有效生成覆蓋不同風險程度的測試用例[10]。朱冰等建立了一種基于自然駕駛數(shù)據(jù)的安全評價體系，首次提出場景風險指數(shù)概念，為客觀評價自動駕駛算法在特定駕駛場景中的性能優(yōu)劣提供了量化參考[11]。

綜上，國內(nèi)外學者對構建自動駕駛系統(tǒng)測試的典型場景已開展了大量研究，并取得了一定成果。但目前大多數(shù)場景要素提取方法和用例生成方法都是用于AEB系統(tǒng)的開發(fā)及驗證，而針對AES系統(tǒng)仿真驗證的相關研究還相對較少。由于兩種避撞方式在避撞機理上的本質差異，用于AEB系統(tǒng)測試的用例生成方法難以直接應用到AES系統(tǒng)中。

針對此問題，本文提出一種基于臨界安全距離模型的AES系統(tǒng)測試用例生成方法。通過核密度估計描述影響AES系統(tǒng)安全性的參數(shù)概率分布；利用MC方法對建立的概率分布模型抽樣，生成符合參數(shù)概率分布的測試用例，以驗證模型的有效性；最后，使用IS方法對模型進行抽樣，解決風險用例和危險用例匱乏的問題，提高測試效率。

1" 臨界安全距離模型

主動避撞的關鍵在于準確地評估車輛當前的碰撞風險。圖1所示是一種用于評估車輛碰撞風險的臨界安全距離模型。在跟車時，如前車發(fā)生緊急狀況，當車距[D]大于臨界安全距離[Dsafety]時，主動避撞系統(tǒng)不會介入控制車輛；當車距[D]小于[Dsafety]而大于臨界制動距離[Dbrake]時，主動避撞系統(tǒng)會介入制動系統(tǒng)，采用制動的方式避免碰撞；當[D]小于[Dbrake]而大于臨界轉向距離[Dsteer]時，通過制動已無法避撞，此時，采用轉向的方式仍可實現(xiàn)避撞；當[D]小于[Dsteer]時，通過制動及轉向均無法避撞，在該情況下，主動避撞系統(tǒng)通過制動盡可能地減小車輛碰撞的相對速度，最大限度地降低碰撞帶來的損失和傷害。

為確定不同避撞策略的臨界距離，建立基于臨界安全距離的風險評估模型，并選擇轉向避撞的路徑軌跡。常見的轉向路徑規(guī)劃方法有多項式法、三角函數(shù)法、B樣條曲線法和圓弧曲線法等[12]。其中，多項式法建立的路徑具有連續(xù)性好、實時性強、平滑無突變等特點，符合駕駛人實際換道特征，也更易被乘客接受，是一種被廣泛采用的路徑規(guī)劃方法。本研究采用基于五次多項式的路徑規(guī)劃方法得出轉向避撞的路徑軌跡，其路徑規(guī)劃方法如圖2所示。

圖2中，主車轉向換道開始時刻位置為坐標原點，x方向為縱向，y方向為橫向。在此坐標系下，基于五次多項式的路徑規(guī)劃方法軌跡方程為：

[y（x）=a0+a1x+a2x2+a3x3+a4x4+a5x5] （1）

式中：[y（x）]為換道參考軌跡；[a0]、[a1]、[a2]、[a3]、[a4]、[a5]為待確定的多項式系數(shù)。

換道路徑中，起點是路徑坐標系原點，終點在路徑坐標系中的坐標為[（xe，ye）]。路徑起點和終點的曲率為0，所規(guī)劃的路徑光滑，即整個路徑曲線的曲率變化連續(xù)，起點和終點的橫向速度和橫向加速度均為0。五次多項式路徑約束方程為：

[y（xe）=yey（0）=y（0）=y（0）=0y（xe）=y（xe）=0] （2）

將式（2）代入式（1），得：

[y（x）=ye10xxe3-15xxe4+6xxe5] （3）

當車速較高時，轉向換道過程中航向角變化較小，車輛沿車道的縱向速度[v]近似為恒定值，避撞路徑縱向距離[xe]與換道時間[te]的關系表示為：

[xe=vte] （4）

將式（4）代入式（3），并對其求二階導數(shù)，可得側向加速度[ay]：

[ay（t）=F··（t）=60yett3e-180yet2t4e+120yet3t5e] （5）

由式（5）可得側向加速度最大值和換道時間[te]，公式如下：

[ay（t）max=103ye3t2e] （6）

[te=103ye3ay，max（t）] （7）

式中：[ye]為換道橫向距離；[ay，max（t）]為換道過程最大側向加速度。本文取[ye]=3.75 m，[ay，max（t）]=5.25 m/s2。

臨界轉向距離[Dsteer]公式如下：

[Dsteer=（vm-vb）te] （8）

式中：[vm]、[vb]分別為主車速度和前車速度。

臨界制動距離[Dbrake]參考文獻[13]，公式為：

[Dbrake=（vm-vb）tdelay+v2m-v2b2ax+Ssafety] （9）

式中：[tdelay]為車輛制動系統(tǒng)延遲時間；[ax]為制動減速度；[Ssafety]為安全車距。本文取[tdelay]=0.2 s，[ax]=6.86 m/s2，[Ssafety]=5 m。

由式（8）、式（9）可知，臨界轉向距離[Dsteer]和臨界制動距離[Dbrake]與[vm]、[vb]有關。因此，以主車速度[vm]、前車速度[vb]、跟車距離[D]為關鍵參數(shù)，建立車輛避撞場景描述模型。

2" AES測試場景描述模型

為獲取真實跟車數(shù)據(jù)并構建符合實際駕駛情況的AES測試場景描述模型，從自然駕駛數(shù)據(jù)集High D中提取AES測試場景的關鍵參數(shù)，使用核密度估計方法建立描述模型。

2.1" High D自然駕駛數(shù)據(jù)集

High D數(shù)據(jù)集包含了德國高速公路上車輛的大量自然行駛軌跡，由亞琛工業(yè)大學汽車工程研究所發(fā)布。數(shù)據(jù)搜集自德國科隆附近的6個不同地點，數(shù)據(jù)采集地點如圖3所示。數(shù)據(jù)集有效數(shù)據(jù)采集時長為11.5 h，包括110 000車輛以及5 600條完整的變道記錄，車輛總行駛里程為45 000 km。車道數(shù)量和車輛速度因位置而異，記錄的數(shù)據(jù)中包括轎車和卡車。本研究所用數(shù)據(jù)均采集于A46號高速公路杜塞爾多夫路段。

High D數(shù)據(jù)集中的數(shù)據(jù)采用一種從空中角度測量車輛數(shù)據(jù)的方法進行采集，通過先進的計算機視覺算法，實現(xiàn)了位置誤差小于10 cm的采集精度。其數(shù)據(jù)采集方法如圖4所示，以鳥瞰視角測量每輛車的位置和運動情況，滿足本研究對基于場景的驗證需求。

High D數(shù)據(jù)集根據(jù)記錄數(shù)據(jù)內(nèi)容的不同，分為Recording Meta Information、Track Meta Information、Tracks、Image of the Highway Section四種類型。本文中選取Track Meta Information數(shù)據(jù)文件提取跟車數(shù)據(jù)。該文件數(shù)據(jù)以.csv格式存儲，數(shù)據(jù)文件部分內(nèi)容及其含義如表1所示。

2.2" 核密度估計方法

核密度估計是一種非參數(shù)檢驗方法，該方法不需要先驗知識來假設原參數(shù)分布，不會因分布假定不當而導致模型設定錯誤，具有良好的穩(wěn)健性[14]。文中使用基于核密度估計的非參數(shù)估計方法建立[vm]、[vb]、[D]的三元概率密度函數(shù)。

核密度估計的基本方法是基于一組來自于總體的樣本估計原參數(shù)分布。對于一組樣本值[x1，x2，…，xn]，離[x]越近的樣本點權重越大。樣本點對于[x]概率密度影響的核密度估計方法[15]為：

[f（x）=1nhi=1nKx-xih] （10）

式中：[f（x）]為概率密度函數(shù)；[K]（·）為核函數(shù)；[n]為樣本個數(shù)；[h]為窗寬。

本研究選用常見的高斯核函數(shù)，使用高斯核函數(shù)的核密度估計過程如圖5所示。

圖5中，圓點為樣本點，虛線為高斯核函數(shù)，實線為總體分布。對于給定的一組樣本，以每個樣本值為均值分別建立高斯核函數(shù)，高斯核函數(shù)在同一坐標系下疊加并進行歸一化處理，最終得到估計結果。

窗寬[h]的選擇對于估計效果有顯著影響。對于選用高斯核函數(shù)的核密度估計方法，為避免由于樣本異常值和極端值造成估計失效，采用四分位差法[16]選擇窗寬[h]：

[h=1.06mins，R1.34n-15] （11）

式中：[s]為樣本標準差；[R]為樣本的四分位差，即樣本從小到大排列，新序列為[X1，X2，…，Xn]，[R=X0.75n-X0.25n]。

對于主車速度[vm]、前車速度[vb]、跟車距離[D]三維數(shù)據(jù)樣本，其概率密度函數(shù)為：

[f（x）=1ni=1n1h1h2h3?Kx1-xi1h1，x2-xi2h2，x3-xi3h3] （12）

式中：[h1]、[h2]、[h3]為各分量方向上所取的窗寬。

3" AES測試場景用例生成

3.1" 基于MC方法的測試用例生成

真實交通運行過程通常具有高維性和復雜性的特點，在測試用例生成過程中，若對其所屬場景數(shù)學模型進行過度簡化假設，可能會導致近似結果與實際情況存在較大偏差。MC方法能夠直接模擬實際復雜系統(tǒng)，可以有效解決復雜系統(tǒng)簡化導致的結果失真問題，是解決復雜高維問題的有效方法[17]。假設用隨機變量[X]表示蒙特卡洛方法生成的場景，[X]服從概率密度函數(shù)為[f（x）]的分布，[x]為[X]的一個場景樣本；目標場景集合為[W]，為從生成的場景當中選擇目標場景。定義[W]的指示函數(shù)[h（x）]公式如下：

[h（x）=1，" x∈W0，" x?W] （13）

場景全體[A]中的指示性函數(shù)[h（x）]的期望表示為：

[Ef[h（x）]=h（x）f（x）dx] （14）

若場景全體[A]中目標場景[W]出現(xiàn)的概率為[p]，則[h（x）]的期望為[p]，方差為[p（1-p）]。利用蒙特卡洛方法生成[n]個場景樣本[xi]，則有[xi～f（x）]。[E]的蒙特卡洛估計量[E]公式為：

[Ef[h（x）]=1ni=1nh（xi），" xi～f（x）] （15）

根據(jù)大數(shù)定律，得：

[Plimn→∞Efh（x）=Efh（x）=1] （16）

[σ2Ef[h（x）]=p（1-p）n] （17）

估計的準確度由相對半寬表示。相對半寬指的是相對于待估計概率置信區(qū)間的半寬。當置信水平為1? [α]時，[E]的相對半寬定義為：

[lr=zασEf[h（x）]p] （18）

式中[zα]為概率密度函數(shù)[f（x）]的[α]分位點。

[E]的相對半寬小于等于給定的目標相對半寬[β]，公式如下：

[lr=zασEf[h（x）]p≤β] （19）

測試次數(shù)[n]滿足如下條件：

[n≥z2αβ2·1-pp] （20）

自然駕駛數(shù)據(jù)集中目標場景用例數(shù)量稀少，期望[p]較小，而由式（20）可知，對于滿足指定置信度的抽樣實驗次數(shù)較多，因此傳統(tǒng)的MC方法存在實驗效率低、測試成本高的問題。

3.2" 測試用例加速生成

IS方法是一種在概率論和統(tǒng)計學中常用的方差縮減方法，用于估計隨機變量的期望值[18]。其本質在于：改變場景數(shù)據(jù)的原始分布情況，為重要場景分配較高的出現(xiàn)概率，從而加速測試。對式（14），引入重要性函數(shù)[q（x）]，得：

[Ef[h（x）]=h（x）f（x）q（x）q（x）dx=q（x）h（x）f（x）q（x）dx] （21）

因此，[f（x）]的期望表示對重要性函數(shù)[q（x）]進行抽樣計算，對應的指示函數(shù)為：

[g（x）=h（x）f（x）q（x）] （22）

對重要性函數(shù)[q（x）]進行抽樣：

[Ef[h（x）]=Eqh（x）f（x）q（x）=1ni=1nh（xi）f（xi）q（xi），" "xi～q（x）] （23）

[σ2Eq[g（x）]=1nσ2h（x）f（x）q（x）] （24）

通常情況下，樣本的方差越小，期望收斂速率越快。為使式（24）中[g（x）]的方差變小，[h（x）]、[f（x）]與[q（x）]需呈正相關性。[h（x）]為目標場景指示函數(shù)，在[h（x）=1]的區(qū)域有較大的分布概率，[q（x）]抽樣的樣本應具備碰撞場景發(fā)生概率較高的特征。

4" 實驗仿真與結果分析

4.1" 數(shù)據(jù)前處理

在High D數(shù)據(jù)集中存在大量非跟車場景，因此需要篩選符合條件的跟車數(shù)據(jù)。規(guī)定當距前方車輛大于200 m時，認定車輛未處于跟車狀態(tài)。除此之外，如表1所示，Track Meta Information數(shù)據(jù)文件中只采集和記錄主車速度[vm]、跟車距離[D]等數(shù)據(jù)，未記錄前車速度[vb]，而是使用碰撞時間（Time?to?Collision， TTC）計算得到前車速度[vb]。[TTC]公式如下：

[TTC=Dvm-vb] （25）

前車速度[vb]公式如下：

[vb=vm-DTTC] （26）

4.2" 仿真實驗

為進一步區(qū)分AES測試用例的危險程度，定義危險因子[γ]和場景風險度函數(shù)，計算公式如下：

[γ=D-DbrakeDsteer-Dbrake] （27）

[安全用例，" γ≤0風險用例，" 0lt;γ≤0.5危險用例，" 0.5lt;γ≤1] （28）

本文提取3 639條有效跟車數(shù)據(jù)，建立AES測試場景描述模型，并使用MC方法對建立的描述模型進行抽樣，分別生成1 000個、3 639個、10 000個測試用例。從High D中提取的真實用例和MC方法生成的測試用例散點圖如圖6a）～圖6d）所示。為提高兩車距離較小、速度差較大區(qū)域的參數(shù)分布概率，增加風險用例和危險用例比例，采用IS方法構造關于[vm]、[vb]、[D]的修正分布[q（vm，vb，D）]，分別生成1 000個、3 639個、10 000個測試用例，其測試用例散點圖如圖6e）～圖6g）所示。

由圖6a）可知，多數(shù)High D真實用例分布在制動安全距離曲面之外，表明High D數(shù)據(jù)集中的大部分用例數(shù)據(jù)無法用于驗證AES系統(tǒng)功能。圖6b）～圖6d）為MC方法生成的測試用例，其用例分布情況與真實用例分布情況相同。圖6e）～圖6g）為IS方法生成的測試用例，其用例分布在與真實用例分布趨勢相同的基礎上，分布于制動安全距離曲面與轉向安全距離曲面之間的用例顯著增多，該部分用例可用于AES系統(tǒng)測試。統(tǒng)計MC方法和IS方法不同危險程度用例數(shù)及占比，結果見表2。

如表2所示，從High D數(shù)據(jù)集提取的3 639個真實用例中，風險用例為153個，占總數(shù)比例為4.20%；危險用例為82個，占總數(shù)比例為2.25%。使用MC方法生成的測試用例中，風險用例比例分別為5.00%、5.13%、4.73%，危險用例比例分別為3.70%、3.79%、4.23%，兩種不同危險程度用例比例均接近于真實用例，驗證了所建立模型的有效性和準確性。使用IS方法生成的測試用例中，風險用例比例分別為16.00%、14.98%、14.78%，危險用例比例分別為14.70%、14.37%、14.60%，相較于MC方法，風險用例數(shù)平均提高207.9%，危險用例數(shù)平均提高272.6%。

綜上，使用MC和IS兩種不同的方法分別生成測試用例，驗證了所提方法對于生成AES測試用例的有效性。通過比較風險場景比例和危險場景比例兩個指標可以得出，IS方法在保持原有真實用例趨勢的基礎上，可以有效增加用于AES系統(tǒng)測試的風險和危險用例。由此可知，與MC方法相比，IS方法效率更高。

5" 結" 論

針對自然駕駛數(shù)據(jù)集中用于AES系統(tǒng)測試用例匱乏的問題，本文提出一種基于臨界安全距離模型的測試用例提取方法，進一步地，使用IS方法提高用例中風險用例以及危險用例的比例。實驗結果表明，本文提出的用例提取方法有效，能夠適用于自動駕駛功能的測試和驗證。IS方法相較于傳統(tǒng)MC方法，對于用例的提取效率提高顯著，能夠實現(xiàn)加速測試，提高測試效率。

注：本文通訊作者為趙津。

參考文獻

[1] 楊航，張成濤，覃立仁，等.自動駕駛汽車避撞路徑規(guī)劃與跟蹤控制仿真研究[J].廣西科技大學學報，2023，34（3）：7?13.

[2] 宋曉力.基于制動/換道的智能汽車主動避撞系統(tǒng)研究[D].西安：長安大學，2022.

[3] 李霖，朱西產(chǎn)，陳海林.駕駛員制動和轉向避撞極限[J].同濟大學學報（自然科學版），2016，44（11）：1743?1748.

[4] 來飛，黃超群.智能汽車自動緊急轉向避撞的跟蹤控制方法對比研究[J].中國公路學報，2021，34（6）：250?264.

[5] FENG S， YAN X， SUN H， et al. Intelligent driving intelligence test for autonomous vehicles with naturalistic and adversarial environment [J]. Nature communications， 2021， 12（1）： 748.

[6] KALRA N， PADDOCK S M. Driving to safety： how many miles of driving would it take to demonstrate autonomous vehicle reliability？ [J]. Transportation research part a： policy and practice， 2016， 94： 182?193.

[7] ZHAO D， LAM H， PENG H， et al. Accelerated evaluation of automated vehicles safety in lane?change scenarios based on importance sampling techniques [J]. IEEE transactions on intelligent transportation systems， 2016， 18（3）： 595?607.

[8] MENZEL T， BAGSCHIK G， ISENSEE L， et al. From functional to logical scenarios： detailing a keyword?based scenario description for execution in a simulation environment [C]// 2019 IEEE Intelligent Vehicles Symposium. Seattle， WA， USA： IEEE， 2019： 2383?2390.

[9] 舒紅，袁康，修海林，等.自動駕駛汽車基礎測試場景構建研究[J].中國公路學報，2019，32（11）：245?254.

[10] 周文帥，朱宇，趙祥模，等.面向高速公路車輛切入場景的自動駕駛測試用例生成方法[J].汽車技術，2021（1）：11?18.

[11] 朱冰，張培興，劉斌，等.基于自然駕駛數(shù)據(jù)的自動駕駛汽車安全性評價方法[J].中國公路學報，2022，35（7）：283?291.

[12] 馮明旺.基于橫縱向控制的車輛換道模型預測控制策略研究[D].大連：大連理工大學，2021.

[13] 裴曉飛，李朋，陳禎福，等.不同緊急工況下的汽車主動避撞控制的研究[J].汽車工程，2020，42（12）：1647?1654.

[14] 石凱，聶富強，孫峰.多維數(shù)據(jù)判別分析的非參核密度算法研究[J].計算機工程與應用，2019，55（6）：8?12.

[15] PARZEN E. On estimation of a probability density function and mode [J]. The annals of mathematical statistics， 1962， 33（3）： 1065?1067.

[16] 孫志華，尹俊平，陳菲菲，等.非參數(shù)與半?yún)?shù)統(tǒng)計[M].北京：清華大學出版社，2016：9?33.

[17] 張宏東.EM算法及其應用[D].濟南：山東大學，2014.

[18] 郭洪艷，張家銘，劉俊，等.面向智能汽車?行人交互的虛擬測試場景構建[J/OL].吉林大學學報（工學版）：1?10[2023?12?20].https：//doi.org/10.13229/j.cnki.jdxbgxb20221425.