一种基于数据分析的中国典型切入场景重现方法

叶枫，宝鹤鹏，袁悦，王磊

（1.上海汽车集团股份有限公司，上海201804；2.中国汽车技术研究中心有限公司，天津300300）

0 引言

驾驶员切入行为一直都是智能网联汽车自动驾驶功能开发和测试的热点、难点与痛点，特别是在中国，不合理切入、违法违章切入行为突出，每年由切入导致的交通拥堵和交通事故现象频发，使得切入行为成为交通道路上最大的安全隐患之一。在汽车智能化、网联化的大背景下，在车联网行业迅速崛起的趋势下，使得各种车辆数据更易获取，这也为驾驶员切入场景的研究创造了极为有利的环境。然而对驾驶员的切入场景进行分析是一件非常困难、不易操作的事情，一方面得需要大量精密、可靠的数据来源，另一方面还需要成熟、稳定的科学理论与现实情况充分融合。面对这一难题，中国典型切入场景的切入类型、数据分布、切入轨迹的研究就成为了自动驾驶系统开发和测试的必要基础，尤其是切入场景的测试用例设计也成为保证自动驾驶系统在中国复杂道路上安全驾驶的必要。

从产品功能定义开发到感知、控制决策算法的开发都需要具有中国特色的典型道路场景数据的输入来保证开发的自动驾驶功能符合中国的道路环境、驾驶习惯和标准法规要求；仿真测试-场地测试-封闭区域测试-实车道路测试等测试阶段均需要场景输入以保证最基本的安全性。在自动驾驶汽车测试与验证领域，无论是国际还是国内，主流的趋势和看法是重点解决基于场景的安全验证方法问题，目前，在我国，针对L2/L3级自动驾驶汽车封闭场地测试场景的研究与应用，多是与测试车跟车、循线有关，而对测试车切入场景的研究相对较少，在封闭场地的切入场景测试更是少见，主要的技术难点和突破点在于对本车切入轨迹的研究。对标国内已有法规，特殊场景“切入”不符合国内交通场景特点，尤其是切入时刻及轨迹对自动驾驶开发及测试影响较大，如果没有客观准确数据支撑，后果不堪设想。

Kim等人分析了高速公路12种切入场景拓扑图及每种场景下本车可能的运动方向利用驾驶模拟器分析了驾驶人在各场景下的驾驶行为并提出了一种Range-Range Plot方法分析其驾驶特性[1]。朱西产等人研究了安全切入场景下，五种典型的制动工况[2]。Liao等人利用驾驶模拟器统计分析了低速车辆切入场景下本车驾驶人行为并指出切入场景比跟车场景更为复杂[3]。Feng等分析了下前车切入场景下的危险工况对驾驶人初始制动时刻的分布及影响因素进行了分析[4]。还有许多有关切入行为的文献研究，这里不再一一引用，就国内外的研究进展来看，尽管各位专家学者从不同的角度、建不同的模型、用不同的理论，但显然迄今为止，仍未有统一的、系统性的方法论，纳入的因素不够多、适用范围不够广、实证检验不够充分等诸多缺陷需要投入更多的精力物力人力来克服。因此，无论是对于学术界而言还是之于产业界来说，形成一套公认的、准确的测试车辆切入场景轨迹分析与应用体系，此任务迫在眉睫。

针对“切入场景轨迹研究与分析方法”缺失的问题，本文提出了一套较为系统的研究体系。同现有研究方法相比，有以下创新点：①本文是基于自然驾驶采集的数据对切入场景进行研究，将真实世界的交通环境参数作为研究对象，大大增加了研究结果的可靠性和真实性；②本文将切入场景类型进行较为细致的划分，从不同的角度、对不同的参数进行统计分析，为后续的轨迹模型建立做好理论基础工作；③本文将切入行为分为向左切入和向右切入，分别对高速公路和城市快速路、不同切入持续时间下的切入轨迹进行拟合。

1 切入场景轨迹模型的建立与分析

图1

1.1 实车道路采集

为了保证数据来源的广泛性，从而使得研究结果更具普适性，需要从多个地方采集海量的场景数据，具体方案是采集的中国东北、华北、西北、华中、华东、华南、西南等10余个重点城市的高速公路和城市快速路的场景数据；分别搭建两种驾驶场景数据采集平台：基于图像视觉的采集平台和基于多传感器的采集平台。前者环境感知模块以图像视觉设备为主，能够实时对车辆前方的行人、骑行者、轿车、货车以及车道线等目标进行识别和追踪；后者环境感知模块硬件包括激光雷达、毫米波雷达、双目摄像机、单目视觉模块，定位模块采用GPS+姿态组合惯性导航系统，在场景精确感知、定位等方面精度更高，采集驾驶场景的内容更丰富。最后分析1000余条场景片段数据，从而得到切入场景轨迹、车速、切入时刻等数据。其中，驾驶员年龄均匀分布于25-55周岁之间，驾龄在5至16年；采集时间为早6点至晚7点，共计34天；高速公路采集里程占比为68%；覆盖了晴天、多云、下雨等多种天气条件。

1.2 模型指标体系构建

1.2.1 数据预处理

在建立多项式模型之前，我们需要首先对数据质量进行较为严格的检查和处理。数据清洗是整个数据处理过程中至关重要的第一步，影响之后分析结果的质量，主要是对摄像头、毫米波雷达、激光雷达、高精度惯导组合四大类车载传感器采集的原始数据，进行数据清洗和去噪。接下来是缺失值处理，对于存在缺失值的变量，如果缺失值太多则直接舍弃该变量，因为如果进行数据填补可能会适得其反，引入噪音；对于缺失值个数适中的变量，则考虑将缺失值纳入或单独设为一种类别；对于缺失值较少的变量，如果是连续性变量可以采用拉格朗日插值法或随机森林进行填充，如果是离散型变量，则考虑用众数、中位数替换。最后再根据交通标准法规、正常参数数据范围并结合单变量离群值检测法进行异常值处理①异常值是指明显偏离大多数抽样数据的数值。。

1.2.2 关键参数分析

对于场景的提取主要采用人工和半自动化的方法进行，自动化场景数据提取技术是通过机器视觉技术和深度学习技术，从视频图像出识别出行人、车辆等交通目标，并估计目标的距离和速度。然后比对从视频图像中提取出来的目标信息和其他传感器（如激光雷达和高精度地图）信息，得到动态和静态元素的位置，速度和运动轨迹等信息，在通过实现设定好的判断规则，将驾驶场景数据转化为一连串的驾驶场景描述，并最终自动转化成OpenScenario格式进行存储。同时，我们也采用人工标注方法作为辅助和补充，通过比对不同传感器返回的信号值，同时对比视频数据，手动标出目标，找出目标的速度，然后总结成场景数据，编写OpenScenario文件。

图2 数据采集时间

图3 不同天气条件占比

图4 高速公路与城市道路数据采集占比

（1）切入场景统计分析

在所有采集场景中，本车切入场景占比为31%；本车切入场景又分为多个子场景，即根据本车道与目标车道周围车辆位置及运动状况的不同来进行类别划分（见图6），各子场景占比见图7。

图5 本车切入场景占比

图6 本车切入子场景类型（切入场景不含15-17、19、20、24、27、41-43、45、46、50、51、53、57）

图7 本车切入子场景占比情况

（2）关键变量统计分析

在本车切入场景下，切入持续时长、本车平均车速、本车平均加速度、与前车的纵向距离、与前车的TTC和THW都是非常关键的参数，是场地测试过程前、过程中、过程后需要仔细设计、测试、评估的变量与条件。

由图8、图9可以看出本车切入其他车道场景下，本车车速80-90km/h的发生频率最高，本车与目标车最小纵向距离集中于0-5m。

对于参数TTC而言，70%的场景没有碰撞风险②当TTC≤2s时存在碰撞风险，本车与目标车的初始纵向距离越小、本车车速越大，发生碰撞事故的可能性越大，TTC集中分布于0-7s，不同目标车位置（前后左右）的TTC分布之间的差距很小。

图8 本车参数分布情况（依次为：切入持续时长、本车速度、本车横向加速度、本车纵向加速度）

图9 目标车参数分布情况（依次为：目标车速度、本车与目标车最小纵向距离、最小TTC、最小THW）

图10 不同位置目标车TTC分布情况

THW集中分布于0.4-1.5s，不同道路类型（高速公路/城市快速路）对THW分布的影响几乎不存在，然而不同目标车位置（前后左右）的THW分布之间的差距很大。

图11 不同道路类型THW分布情况

图12 不同位置目标车THW分布情况

一般情况下，当驾驶行为的持续时间为6-7s，与目标车初始距离为120-140m时，本车可成功完成切入行为。

最后，切入场景中，与目标车道前车的初始纵向距离多为2.6-4m，与目标车道后车的初始纵向距离则集中于3-4m。

对不同道路类型或路段下的切入持续时长参数进行分析，发现快速路、高速主路与匝道间的汇入区、高速主路与匝道间的汇出区、高速主路、高速匝道的众数分别为6.5s、6.03s、5.9s、6.5s、6.75s。

图13 不同道路类型或路段的持续时间分布情况

另外，在此研究中，我们发现，在交通拥堵的情况下，本车切入场景所占比例相对较高，大约在12%，这很容易产生交通安全隐患。

图14 交通拥堵条件下切入场景占比情况

1.3 轨迹模型建立与分析

1.3.1 轨迹模型选取

在研究切入轨迹规划时，经常使用的方法包括拓扑法[5]和栅格法[6]，另外也有一些经过优化得到的模型，比如滚动窗口法和弹性带理论[7]。而多项式模型作为认可度较为广的模型，研究得也比较深入，王海等四位学者同时采用余弦函数和5次多项式的模型[8]，对换道轨迹进行研究和仿真试验，拟合效果较为显著。本文选择四次多项式函数建立中国典型结构化道路的切入场景模型，以支撑自动驾驶系统开发及测试。

1.3.2 轨迹拟合结果与分析

（1）首先建立本车切入过程中的纵向偏移量off-set_x与横向偏移量offset_y之间的关系函数，分别得到本车向左切入和向右切入的两种轨迹模型如图15。

图15 本车切入轨迹模型（x-y）

对切入轨迹进行分析，发现切入行为所经纵向偏移量越小，所需方向盘转角越大，而对比城市快速路，高速公路的纵向偏移量要长出40m（见图16）。

图16 本车方向盘转角与纵向偏移量关系（城市快速路与高速公路对比）图

而对比向左切入和向右切入，发现向左切入行为更为激进。

图17 本车方向盘转角与纵向偏移量关系（向左切入与向右切入对比）图

（2）其次建立本车切入过程中的切入过程时点Time与横向偏移量offset_y之间的关系函数，分别得到本车切入行为得不同持续时长（Duration）轨迹模型。

图18 不同持续时长下本车切入行为轨迹图

2 结语

本文针对中国典型切入场景特征进行了深入研究。首先对关键的参数进行分析得出切入场景的持续时长、本车平均车速、本车平均加速度、与前车的纵向距离、与前车的TTC和THW的分布情况、众数和集中度；之后又基于四次多项式函数模型对不同纵向偏移量、不同持续时间下的切入轨迹进行拟合，这些研究结果对自动驾驶横纵向控制类系统的测试工况设计具有重要的参考价值，可制定更加合理、准确的测试通过条件。今后还要对不同道路类型和不同车速下的切入场景轨迹进行研究分析，以便更加精确化、精细化地进行切入工况测试场景设计。