基于CIDAS事故场景的智能车辆视场配置*

蔡海, 林淼, 张新, 胡林

(1.长沙理工大学 汽车与机械工程学院, 湖南 长沙 410114;2.广州汽车集团 汽车工程研究院,广东 广州 511434;3.中国汽车技术研究中心有限公司, 天津 300300)

近年来,车辆智能化程度加深导致车载感知需求继续加大[1-3],各车辆制造企业对整车感知视场配置方案难以达成共识,视场配置方案存在系统繁杂、成本高、算例负荷大等缺点[4-5],缺乏对利用行车风险进行感知视场配置等关键技术的研究[6]。随着车辆智能化水平的提高,感知元件类型和安装数量愈加多样和繁多,且随着感知元件功能需求、类别的增多,仅依赖经验选择和传统配置方法很难寻找到合理的感知元件组排[7-8],亟待建立选择感知元件和配置安装区域的快速求解方法。本文以交叉口典型乘用车事故场景通行下智能车辆最小感知区域作为研究基础,使用基于车辆安全通行的感知元件选择配置方法解决智能车辆在交叉口安全通行要求下的感知视场配置问题,配置在交叉口乘用车典型事故场景下安全通行的智能车辆感知视场。

1 乘用车交叉口事故场景构建

1.1 交叉口事故场景类型分析与划分

选取中国交通事故深度调查(CIDAS)数据库[9-10]中的交叉口案例数据,包括事故发生后事故形态、人员状况、环境情况、道路状态等的详细描述,进行交叉口典型乘用车事故场景提取用于智能车辆视场配置。对数据库中事故案例的提取标准如下:1) 事故发生地点为交叉口;2) 事故参与方中至少存在一方是乘用车;3) 去除数据记录错误的事故案例;4) 去除事故数据缺失的事故案例。筛选事故案例后,最终得到1 630起交叉口交通事故。

基于主车在交叉口不同行驶意图下的风险和事故形态,根据事故描述和事故类型编码[11-12]对案例进行进一步分析,发现交叉口事故主要呈现12种主要类型(见图1)。

图1 乘用车交叉口事故类型示意图

图1中每种乘用车交叉口事故类型代表一种该行驶状态下车辆行驶意图和存在干涉方向的来车行驶意图的组合,主车命名为A,来车命名为B,12种事故类型分别以A～L命名。基于12种事故类型,根据乘用车-两轮车、乘用车-三轮车、乘用车-乘用车3种交通参与者类型进一步将1 630起交通事故案例划分为图2所示事故分布。

图2 3种事故车辆类型下交叉口事故分布

1.2 交叉口乘用车典型事故场景获取

根据事故场景研究和场景描述要求,选取可有效描述交通参与者运动状态、事故形态的6个变量进行事故场景构建,分别为主车行驶方向、来车方向、来车类型、碰撞相对角度、主车速度、来车速度。图1中的一种基础场景代表主车行驶方向和来车行驶方向的一个参数值组合,采用k-means聚类方法提取交叉口事故场景(仅需要确定数值变量取值)。

k-means聚类算法使用欧氏距离作为簇间距离的度量指标,需要用户先确定数据分组的数量。一种常用方法是根据簇内误差平方和(SSE)和肘部法则确定最优聚类数[13-15],先将簇内误差平方和关于聚类数k的曲线进行图示化,选取簇内误差平方和下降幅度最大的位置(呈现肘部形状)对应的k值作为最佳聚类数。当簇内误差平方和关于聚类数k的肘部不明显时,结合轮廓分数(SS)[16]选择最佳聚类数。根据簇内误差平方和关于聚类数k的曲线预选出簇内误差平方和-k曲线肘部附近的k系列值,选取肘部附近轮廓分数值最大处的k值作为最佳聚类数。

图3～6为各种来车类型场景下聚类簇内误差平方和值曲线和聚类轮廓分数曲线。通过分析各种来车类型下簇内误差平方和-聚类数曲线、轮廓分数曲线,可获取各基础场景、不同来车类型下最佳聚类簇数,其中乘用车-二轮车的B、D、E、K场景,乘用车-三轮车的E、F场景,乘用车-乘用车的D、F场景的最佳簇数为3,其余场景的最佳簇数均为2。

在分布不均匀的数据集中,单个风险场景下事故案例数量较少,一部分簇可能由偶然性案例组成,鉴于测试场景应具备代表整个场景数据库的能力,在划分簇之后按案例占比选取最能代表该数据集合的典型簇 (簇中样例数占总样例数的比例最大),并以5作为分度值选取数值参数,得到不同来车类型下数值变量聚类结果(见表1)。

图3 乘用车-二轮车场景的聚类簇内误差平方和曲线

图4 乘用车-二轮车场景的聚类轮廓分数曲线

图5 乘用车-三轮车、乘用车-乘用车场景的聚类簇内误差平方和曲线

图6 乘用车-三轮车、乘用车-乘用车场景的聚类轮廓分数曲线

表1 3种来车类型场景的数值变量聚类结果

2 安全通行最小感知区域提取

2.1 车辆安全通行极限相对位置提取

为了构建基于交叉口事故场景安全通行需求的智能车辆感知视场配置,对交叉口事故场景下主车在各场景下实现安全避让的最小感知范围进行提取。图7为事故场景模型化和感知区域提取流程。依托PreScan场景仿真测试软件对乘用车典型交叉口事故场景进行建模与重构,进而提取各场景下实现车辆安全避让的最小感知范围。

搭建事故场景模型并提取智能车辆实现安全避让的最小感知范围的流程:1) 提取事故场景元素值的关键参数;2) 根据关键参数在PreScan软件中构建场景模型;3) 建立交通参与者坐标实时采集程序及坐标关于时间的序列;4) 获取车辆在该场景下实现避让的最小距离;5) 根据极限相对位置分布图,对智能车辆实现安全避让的最小感知范围进行描述。

车辆极限相对位置采集方法是提取车辆在各场景下实现安全避让的最小感知范围的基础,考虑到弱势道路使用者的道路通行级别,同时为缩小智能车辆感知视场范围、减少感知运算负荷,定义车辆的极限相对位置为:当车辆与其他方向来车存在碰撞风险时,假设车辆以最大制动力进行制动并在T秒后于来车的道路边界线前静止,刚好允许其他车辆安全通行,则实现避让操作前T秒时间的车辆相对位置就是该场景下实现避让的极限相对位置(见图7)。控制系统发出制动指令到车辆停止包括控制系统作出决策、制动系统作出反应、制动器产生作用、持续制动作用的过程,则:

(1)

式中:Ta为制动系统作出反应的时间,取为0.03 s;Tb为制动器产生作用的时间,取为0.30 s[17-18];v为制动前车速;amax为最大制动减速度,取为6 m/s2[19-20]。

图7 车辆极限相对位置提取流程

基于各场景类型下车辆的速度典型参数值与速度区间,可使用极限速度提取各场景下车辆极限相对位置,无须在速度逻辑区间内进行随机搜索或大量划分。20～30 km/h来车速度区间、20～35 km/h主车速度区间的极限相对位置提取方法见图8、图9。

图8显示了主车速度不变时,根据来车速度20 km/h或30 km/h实现避让行为下两车在T秒前的相对位置。速度为20 km/h的来车与速度为30 km/h的来车连线上的点即为速度20～30 km/h区间的来车在T秒前相对位置的可能取值,位置取值不超过速度为20 km/h的来车位置点与速度为30 km/h的来车位置点,速度为20 km/h的来车位置点与速度为30 km/h的来车位置点即为该场景(来车速度区间确定)下主车以某恒定速度行驶时来车的极限相对位置。

图8 20～30 km/h来车速度区间的极限相对位置提取

图9 20～35 km/h主车速度区间的极限相对位置提取

图9显示了来车速度不变时,速度为20 km/h或35 km/h的主车于避让停止线前停止前T秒的相对位置。速度为20 km/h的主车与速度为30 km/h的主车连线上的点即为速度20～35 km/h区间内主车在实现避让操作前T秒相对位置的可能取值,位置取值不超过速度为20 km/h的主车位置点与速度为35 km/h的主车位置点。将主车极限相对位置转换为来车极限相对位置的方法:连接主车速度为20 km/h的主车位置点与来车位置点,则连线的来车侧端点为恒定速度下来车与速度为20 km/h的主车的极限相对位置点,将该连线依据主车位置平移至速度为35 km/h的主车,则平移后的来车侧位置点与主车速度为35 km/h下来车相对位置点即为该场景(主车速度区间确定)下来车以某恒定速度行驶时来车极限相对位置点。

2.2 安全通行最小感知区域转化

相对角度与相对距离常用于表示障碍物的相对位置[21]。将22种典型交叉口测试场景在场景仿真测试软件中进行复现,基于各场景的速度范围运用场景下车辆安全通行极限相对位置提取方法得到88个来车极限位置点信息。

以20°为分度尺绘制图10所示各场景下不同类型来车相对于主车的角度分布,以10 m为分度尺绘制图11所示相对距离分布。由图10、图11可知:相对角度分布于(-68.6°,149.3°),相对距离分布于(3.4 m,83.5 m)。相对角度大多分布于30°～49.3°,占比达80.7%;相对距离大部分分布于40 m以内,占比达70.5%。

图10 极限相对角度分布

图11 极限相对距离分布

一般车辆视场的探测区间以车辆中轴线左右对称的扇形区域表示,以车辆前进方向为y轴正方向、x轴为车辆右侧,以60°区间对最小感知区域覆盖半径进行讨论。为简化车辆安全通行需求描述及感知视场配置,车辆在各场景下安全通行的感知区域以车辆中轴线左右对称的扇形区间表示为:在30°～150°区间扇形半径为83.5 m,在150°～210°、330°～30°区间扇形半径为3.9 m,在210°～330°区间扇形半径为9.1 m。图12为以主车位置为坐标原点,将来车极限相对位置绘制为点的安全通行感知区域图形描述。

图12 安全通行感知区域图形描述

3 基于安全通行的感知视场配置

3.1 基于事故场景安全通行的视场配置框架制定

先分析常用感知元件的探测参数和感知元件的安装位置,得到备选感知元件参数和感知元件安装位置参数;然后进行感知视场目标函数建模并引入感知视场配置方案经济性评价指标,基于功能指标与经济性指标设计目标函数进行多目标同步优化,构建兼顾安全性、经济性的智能车辆感知视场配置方案(见图13)。

图13 基于事故场景安全通行的感知视场配置框架

备选元件选取传统车载感知元件,将各感知元件简化为以扫视角度与扫视距离特征定义的感知元件,忽略由感知元件类型和感知原理导致的检测差异。基于感知元件的探测性能数学表达式与目标感知区域的关联设计感知视场配置目标函数,引入多个评价指标将感知视场优化配置问题转换为多目标求解问题,实现兼顾经济性和功能性的感知视场配置。

3.2 感知视场配置多目标优化问题的建立

将感知元件组合问题以多目标函数优化问题的形式表示,在对车辆感知元件进行功能建模后,建立感知视场配置多目标优化问题以描述感知视场配置方案的功能性与经济性。感知视场配置方案的功能性指标通常是指当前感知元件组合方案下车辆可感知区域对最小感知区域的占比,车辆可感知区域落在安全感知区域中的部分属于有效感知范围,其他为无效感知范围。为有效描述车辆的视场范围并考虑与经济性指标的统一,定义一个盲区占比函数Sp[见式(2)],优化目标为盲区占比函数Sp尽可能小。

(2)

式中:Sef表示当前感知视场配置下车辆可感知区域面积;St表示车辆安全通行最小感知区域面积。

为了实现对感知视场配置方案的经济性评价,考虑到与功能函数的统一,定义一个成本函数Scost[其表达式见式(3)],优化目标为成本函数Scost尽可能小。

(3)

式中:Sc表示当前感知视场配置下感知视场配置总成本;k表示车辆上感知元件可安装的位置数;Ci表示感知元件i的配置成本。

车载0、2、4、6位置有效感知覆盖区域按式(4)计算,车载1、3、5、7位置有效感知覆盖区域按式(5)计算。

Sefi=π·min(θ1,θ2)·min(R1,R2)2/360

(i=0,2,4,6)

(4)

(i=1,3,5,7)

(5)

式中:Sefi为i位置感知元件的有效覆盖区域;θ1、θ2分别为感知元件的感知探测角度和安全通行最小感知区域角度;R1、R2分别为感知元件的感知探测距离和安全通行最小感知区域距离;L、α分别为两个感知元件的相对距离和相对方向角;R12为感知元件的感知扇形与安全通行最小感知区域重叠区域的半径,按式(6)计算。

R12=min(R1,R2)-

(6)

根据事故场景下车辆安全通行的最小感知区域,结合感知元件的感知功能参数,按式(4)～(6)可求得整车在各感知元件组合配置方案下的有效感知区域面积,进而可根据式(2)求得盲区占比,根据式(3)求得该感知视场配置方案下的经济成本。由于主要注重于感知方案的功能完整性,盲区占比与经济成本优化权重设置为4∶1。基于感知视场配置目标函数对备选感知元件进行优选配置,实现对安全通行下感知区域的最大覆盖和整车感知视场配置成本最低。

3.3 感知视场配置备选参数确定

根据基于通行需求的感知视场配置问题的求解方法与步骤,以感知元件的覆盖程度、经济性作为优化目标建立多目标求解问题,根据事故场景下安全通行最小感知区域选取备选感知元件的主要参数(见表2)[6]。车辆宽度设置为1.8 m,车辆长度设置为4.8 m。

表2 备选感知元件的主要参数

由于车顶一般安装激光雷达,不将车顶纳入感知元件备选安装位置。感知元件备选安装位置选为车辆矩形轮廓4个顶点和车辆前后左右四端,整车可供安装感知元件的位置共8个,分别编号为0～7(见图14)。结合各场景下来车相对于主车的极限相对位置极坐标分布,将车辆前后左右四端感知元件垂直于相应车辆轮廓线安装,前端侧面感知元件安装朝向与车辆行驶方向之间的相对角度设为45°,车辆后端侧面感知元件安装朝向与车辆行驶方向之间的相对角度设为125°。

图14 感知元件备选安装位置示意图

3.4 感知视场配置目标问题求解

常见的目标优化算法有遗传算法、粒子群优化算法,两种算法均使用种群中搜索最优个体的方式求解问题,但求解方式不同。基于事故场景安全通行的智能车辆视场配置主要是对备选感知元件(解约束)在车辆可安装位置(目标函数约束)上进行排列组合搜索,同一备选感知元件选型方案在不同安装位置的目标函数值可能存在较大差异。因此,采用遗传算法求解感知视场配置优化多目标问题。使用遗传算法对智能车辆感知视场问题进行求解的流程见图15。求解过程中对遗传算法进行调整,一是增强种群在进化过程中的变异可能性;二是增大种群数量;三是在算法运算超过一定时间后重启算法并记录此次求解的目标函数最大值。

图15 智能车辆感知视场问题求解流程

求解结果见图16。目标函数值随着种群的不断迭代而上升,在第85代得到最优感知视场配置方案个体。由于在迭代过程中将每一代最优个体作为下一代初始个体,在第一代最优个体的适应度就达到最大值2直到结束,所获得的最优个体基因型编码为[6,5,4,2,1,2,4,5],该基因型编码表示在智能车辆的0#安装位置安装6#感知元件,1#、7#安装位置安装5#感知元件,2#、6#安装位置安装4#感知元件,3#、5#安装位置安装2#感知元件,4#安装位置安装1#感知元件。

图16 遗传算法求解示意图

在进行车辆感知视场配置时发现采用8#感知元件可实现360°及100 m范围的目标感知,但配置8#感知元件需要71 000元,而配置遗传算法求解的最优个体基因型感知元件方案,成本仅39 720元,成本缩减一半。

4 感知视场配置方案仿真验证

采用感知区域覆盖率、目标有效感知率指标对所获得的感知视场配置方案进行评价,验证其在各类场景下的感知有效性。

4.1 感知覆盖率评价

覆盖率评价是以感知视场配置方案所获得的感知区域与安全通行下最小感知区域进行比较,根据感知元件的探测范围面积与最小感知区域面积的比值进行感知元件方案评价。最小感知区域面积约7 403.9 m2,在感知视场配置方案下车辆检测面积为8 151.3 m2,覆盖面积比值大于1,证明感知元件方案可满足智能车辆感知区域面积大于最小感知区域面积的要求。

如图17所示,22种典型交叉口事故场景中智能车辆对障碍车辆实现避让行为下的极限相对位置点完全被配备该感知元件组合的车辆感知视场范围覆盖,表明该感知视场配置方案满足极限相对位置点覆盖要求。

图17 极限相对位置与车辆感知区域覆盖示意图

4.2 目标有效感知率评价

目标有效感知率评价运用车辆在极端场景通行时是否可及时感知到来车,从而安全通行作为衡量标准,实现对智能车辆视场有效感知率评价。

在事故场景测试软件中构建多类交叉口典型事故场景并加载配置感知元件最优组合方案的智能车辆进行测试,智能车辆的制动控制采用紧急制动算法。在仿真环境中车辆的最大减速度设为6 m/s2,在障碍车辆远离后要求智能车辆重新起动并安全通过交叉口。为增加场景危险性,12种极端场景中车辆速度与障碍车辆速度均设为最大值,智能车辆的速度曲线见图18和图19。从图18和图19可以看出:配置该感知元件组合方案的车辆在感知到障碍车辆出现后均以最大减速度制动,从而成功避让障碍车辆。

图18 极端事故场景A～F下配备感知元件最优组合方案车辆的速度曲线

图19 极端事故场景G～L下配备感知元件最优组合方案车辆的速度曲线

图20为12种极端场景下来车相对于主车的轨迹曲线。由图20可知:各场景下来车均不与配置该感知元件组合方案的智能车辆发生碰撞,意味着配备该感知元件组合方案的智能车辆在所搭建的交叉口事故场景中行驶至极限相对位置点时能及时感知障碍车辆的出现并在避让停止线前制动,避免事故发生并安全通过交叉口。

图20 12种极端场景下来车相对于主车的轨迹曲线

5 结语及展望

虚拟场景测试技术已成为一种重要的智能车辆测试方法,事故数据作为构建事故场景的重要数据源之一,已被广泛用于提取事故场景进行智能车辆测试。本文从CIDAS数据库中提取22种典型交叉口乘用车事故场景,在基于工程经验的智能车辆感知视场配置方法不满足多样化的感知元件择选的背景下,提取各事故场景下安全通行的智能车辆最小感知区域,构建基于事故场景通行的智能车辆感知视场配置方法。

首先将分布不均衡的事故数据划分为12种基础事故场景并选择描述场景的变量,运用数值聚类方法对数值变量进行场景变量值选取,最终获得22种典型交叉口乘用车事故场景。在场景仿真软件中搭建22种典型事故场景并从场景库中选取测试参数区间作为测试对象和被测试对象的参数设置依据。依据速度逻辑极限取值使用极限位置提取方法提取来车极限位置点信息,基于极限相对位置点分布特点将来车极限位置点转化为智能车辆在事故场景下安全通行的最小感知范围。

提出基于事故场景安全通行需求的感知视场配置框架,建立基于事故场景安全通行需求的感知视场配置多目标优化问题,依次进行感知元件感知功能建模、感知视场配置多目标优化问题建立和求解,对基于事故场景安全通行的感知视场配置方法进行应用。最后对所获得的感知元件组合方案运用感知区域覆盖率、目标有效感知率进行评价,结果表明搭载该感知元件组合方案的智能车辆在所提取的典型事故场景中可满足安全通行要求。

本文构建事故场景所选取的变量未考虑显著影响车辆感知功能的能见度、光照强度等环境变量,在进行车辆感知视场配置时未考虑障碍物遮挡问题,进行感知元件组合方案验证评价时仅进行了场景仿真验证,缺乏实车测试验证。在未来的研究中应在场景中增加干扰车辆感知、执行算法正常运行的场景元素,并加强对传感器的精细化建模。