為實現(xiàn)對不同自動駕駛解決方案系統(tǒng)的量化分析，本實驗基于自動駕駛仿真模擬器Carla二次開發(fā)了交通仿真平臺，支持模擬使用不同感知與決策控制算法的駕駛行為，并基于不同評價標準，對系統(tǒng)結(jié)果進行對比分析。

通過對百度實際測試數(shù)據(jù)與自動駕駛領(lǐng)域公開數(shù)據(jù)集的分析與歸納，實驗選取了行人鬼探頭、無保護左轉(zhuǎn)、異常障礙物與異常交通情況四個典型場景，作為自動駕駛領(lǐng)域備受關(guān)注的安全問題與邊緣場景的代表。真實數(shù)據(jù)被用于建模各場景的初始參數(shù)分布模型，以在仿真平臺上渲染構(gòu)建高保真的實驗場景。

對每一個典型場景，均開展單車智能、車路協(xié)同感知、車路協(xié)同感知與決策控制三種對照實驗各1000 次，并從安全和通過效率等評價維度，對實驗結(jié)果進行統(tǒng)計分析，為自動駕駛解決方案的量化分析與評價提供理論參考。

B.1 場景分布模型

通過對百度Apollo提供的近三萬條真實交通流軌跡數(shù)據(jù)進行統(tǒng)計分析，采用最大似然估計等方法，擬合得到自由交通流狀態(tài)下的場景分布函數(shù)[1][2]。

其中，非路口環(huán)境下的車頭時距分布為負指數(shù)分布：

非路口環(huán)境下的車速分布滿足對數(shù)正態(tài)分布：

路口環(huán)境下的車速分布符合對數(shù)正態(tài)分布：

圖B.1 路口環(huán)境下的車速直方圖

在行人鬼探頭場景中，超參數(shù){θ }={v ,v ,d ,h }，其中v 為主車速度，v 為跟車速度，h 為車頭時距[3]，為主車與路端設(shè)備之間的距離，d2為后車與路端設(shè)備之間的距離并可以通過d2=d1+abs(v2-v1)h2計算。其中兩車速度v ，v 均滿足對數(shù)正態(tài)分布，行人速度假設(shè)為常值，h 的分布為負指數(shù)分布[4]，根據(jù)真實車輛數(shù)據(jù)狀態(tài)分布，推算d1的分布近似滿足均勻分布。

圖B.2 行人鬼探頭 圖B.3 無保護左轉(zhuǎn)

在無保護左轉(zhuǎn)場景中，超參數(shù){θ0  }={v1,v2,v3,v4,d1,d2,d3,h4}，其中v1為對向直行車1的速度，v2為遮擋車2的速度，v3為左轉(zhuǎn)車3的速度，v4為車4跟車速度，定義左轉(zhuǎn)車3與對向直行車1之間發(fā)生碰撞的點為沖突點[5]，突點所在平行直線的距離，h4為車3與車4間的車頭時距。根據(jù)真實車輛數(shù)據(jù)狀態(tài)分布，v1,v2,v3的分布均滿足對數(shù)正態(tài)分布，d1,d2,d3假設(shè)為均勻分布，h4的分布為負指數(shù)分布。

圖B.4 異常障礙物 圖B.5 異常交通情況

在異常障礙物場景中，超參數(shù){θ0}={v1,v2,d1,d2}，其中v1為左側(cè)車道的前車1的速度，v2為右側(cè)車道的后車2的速度，d ,d 分別為車1與車2距離路側(cè)設(shè)備之間的距離[6]。兩車速度v ,v 均滿足符合城市道路速度規(guī)范的均勻分布[7][8]，根據(jù)真實車輛數(shù)據(jù)狀態(tài)分布，推算d ,d 的分布近似滿足均勻分布。

在異常交通情況下，超參數(shù){θ0}={v1,v2,v3,v4,d3,d4}，其中v1,v2分別為異常情況發(fā)生前，駛過該區(qū)域的其他非自動駕駛車輛車1與車2的速度，車5為停在修路路段前的靜止車輛，v3為需決策在車5后是否違反交通規(guī)則進行“逆行”的車3的速度，v4為對向轉(zhuǎn)入車輛車4的速度。定義車3與對向車4之間發(fā)生碰撞的點為沖突點，d3為車3與沖突點的距離，d4為對向車4與沖突點的距離。根據(jù)真實車輛數(shù)據(jù)狀態(tài)分布，可推算出v ,v ,v ,v 的分布近似滿足對數(shù)正態(tài)分布，1/d ,1/d 近似滿足泊松分布[2][9][10]。

1. 感知模型

在本實驗中，感知模型將RGB相機與深度相機采集的圖像作為輸入，基于語義分割模型對當前車輛所處環(huán)境進行理解，并將感知結(jié)果提供給后續(xù)的決策模型作為參考。一般情況下，感知結(jié)果以像素級的語義標注和異常標注作為輸出形式。

語義分割模型遇到訓練集分布之外的異常輸入時無法準確地進行預測，使得語義分割模型難以被部署到對安全性要求極高的場景。為了能夠檢測到異常的物體，如道路上意料之外的障礙物，需要使用異常檢測算法。在訓練異常檢測算法時，需要在異常檢測數(shù)據(jù)集上驗證模型效果。

常用的異常檢測數(shù)據(jù)集包括Fishyscapes[11]，RoadAnomaly[12]，StreetHarzards[13]，Road Obstacles[14]，Lost  and  Found[15]等；圖片中的異常部分可能來自物體圖片數(shù)據(jù)集，也可能為場景中的真實異常物體。

現(xiàn)有的異常檢測算法中，以Synboost[16]為代表的方法融合了語義分割、圖像生成等多個模型的結(jié)果， 具有較好的效果但是運行速度較慢；以SML[17]為代表的方法對現(xiàn)有語義分割模型的輸出結(jié)果進行歸一化調(diào)整，從而得到異常分割的閾值，具有更高的實時性。本實驗采用SML方法進行異常分割任務。

SML方法[17]提出對語義分割模型的輸出分數(shù)進行標準化。分割算法將一個像素分類為一個物體類別時，像素確實屬于此類別的情況下模型的預測分數(shù)會比像素屬于異常輸入時的分數(shù)要高。但并不是所有像素屬于預測的類別的情況下，模型輸出的分數(shù)都比像素屬于異常時高。因此，SML算法提出對輸出的分數(shù)進行標準化，從而使得這兩種情況下模型輸出的分數(shù)差別更大、重疊更少、更容易區(qū)分。為了對輸出的分數(shù)進行標準化，算法在訓練集中統(tǒng)計每個類別的模型輸出分數(shù)的均值 μc

上式中i 表示第i 個訓練樣本。

取得均值與方差后，模型在測試集上運行時，對模型的輸出分數(shù)進行標準化。每個位置 h,w 的標準化最大分數(shù)Sh,w 定義為：

在對分數(shù)進行標準化之后，模型的預測的邊緣仍然會錯誤地含有一些假陽和假陰。為了解決邊緣的錯誤預測，該算法對邊緣的預測結(jié)果進行迭代抑制。該算法逐漸將臨近的非邊緣區(qū)域的標準化最大分數(shù)傳播到邊緣區(qū)域。具體來說，該算法將邊緣的寬度定為一個特定的值并逐漸縮小這個值。給定一個在第i 次迭代時的邊緣寬度ri 和語義分割輸出，位于每個 h,w 的像素非邊緣面具 為：

上式用于計算每一個滿足 。

接下來，算法使用邊緣自覺平均匯集。對于一個邊緣像素 b 和它的感受場 R，邊緣自覺平均匯集(BAP) 定義為：

因為邊緣抑制只能更新邊緣像素，在非邊緣區(qū)域的異常值無法被邊緣抑制解決。該算法使用擴張平滑來解決非邊緣區(qū)域的異常值。因為高斯核能夠去除噪聲，邊緣抑制使用高斯核。通過已知的標準差σ 和大小為k 的卷積過濾器，在 i,j 位置的核權(quán) 

 定義為：

車路協(xié)同場景下，車端與路端同時部署一個SML模型，首先根據(jù)路端相機的位姿以及深度信息將路端的像素級異常檢測結(jié)果先投影到世界坐標系下，然后根據(jù)車端相機的位姿，將世界坐標系下的異常點再投影到車端視角下；對車端自身和路端投影到車端的兩套語義分割結(jié)果，如果路端和車端一致認為某一點是異常，或者路端和車端對某一點的語義分割結(jié)果不一致，兩種情況均將對應點處理為異常。實驗結(jié)果顯示，采用上述方式的車路協(xié)同下的感知模型性能優(yōu)于單車條件下的感知模型性能。

1. 決策控制模型

本實驗的決策控制模型基于CARLA自有決策與控制方法改進而得[3]。針對不同駕駛狀態(tài)，分別定義了對應的決策規(guī)劃策略。狀態(tài)之間的轉(zhuǎn)換根據(jù)感知模塊提供的估計與全局規(guī)劃器提供的拓撲信息執(zhí)行。自動駕駛車輛的當前位姿、速度和規(guī)劃的導航點被傳送給PID控制器，以執(zhí)行對轉(zhuǎn)向、油門和制動器的控制。對仿真器中可能出現(xiàn)的慢響應時間情況，PID控制器表現(xiàn)出了較好的魯棒性。5種不同駕駛狀態(tài)下的決策控制模型定義如下：

1. 沿道路行駛狀態(tài)下，局部規(guī)劃器基于語義分割算法計算的本車道掩碼，選擇與道路右邊緣保持固定距離的系列點作為后續(xù)導航點；

2. 路口左轉(zhuǎn)狀態(tài)下，由于車道線缺失、目標車道較遠且前視攝像頭視野有限，需要使用相對復雜的決策規(guī)劃策略：先以預定義的傾斜角計算駛向路口中心的導航點，以提升對目標車道的識別；隨后，從路口中心向目標車道規(guī)劃出平滑軌跡；

3. 右轉(zhuǎn)狀態(tài)下，使用與左轉(zhuǎn)類似的策略。但由于右轉(zhuǎn)的目標車道更近，需規(guī)劃的導航點更少，且只需前向信息而無需附加補充信息；

4. 路口直行狀態(tài)下，決策控制策略與沿道路行駛狀態(tài)類似；

5. 急停狀態(tài)下：在檢測出動態(tài)障礙物的累積概率高于預定義閾值，即具有潛在危險時，系統(tǒng)將激活急停模式，向控制器請求緊急中斷連續(xù)控制。

1. 評價模型

評價模型由車輛安全評價模型、行人安全評價模型和通行效率評價模型三部分組成。

其中車輛安全評價模型是在車輛模型為單車智能、車路協(xié)同感知及車路云一體化的情況下，基于真實數(shù)據(jù)生成的場景初始參數(shù)模擬行車狀況，輸出特定場景大規(guī)模仿真結(jié)果中的行車碰撞率，并推算至絕對概率[18][19]?；诮y(tǒng)計的車輛碰撞概率為 

 ，其中 為車輛發(fā)生碰撞的試驗次數(shù)，N為實驗總次數(shù)    為場景出現(xiàn)概率。行人鬼探頭場景下的碰撞率推算自CIDAS數(shù)據(jù)庫，描述的是自動駕駛車輛與行人和其他車輛的碰撞概率；其余場景的出現(xiàn)概率基于小規(guī)模真實數(shù)據(jù)采樣推算得出。

行人安全評價模型是基于真實的數(shù)據(jù)庫，通過風險因素分析，得出碰撞車速與行人重傷或死亡概率的關(guān)系模型[20][21][22]。此模型應用于場景一對行人安全的評估。

其中邏輯回歸-風險曲線模型是一種通用的行人安全評價模型[23][24]。在Jacques Saadé[20]的研究中，用于邏輯回歸-風險曲線模型函數(shù)擬合的數(shù)據(jù)基于VOIESUR Accident Database的真實數(shù)據(jù)集，VOIESUR Accident Database數(shù)據(jù)來源于8500個交通事故致行人死亡或受傷的事件[20][25]，剔除車輛本身失控致行人受傷或死亡的案例，并以行人受傷或死亡是由于第一次車輛碰撞而非二次碰撞，以及車輛沒有從行人身上碾壓過的情況作為篩選條件，最終篩選出了5163個滿足條件的案例。其中有2483個案例有充足的信息，其它案例使用了修正系數(shù)來補償信息缺失，使數(shù)據(jù)可以最大化利用。

在風險因素分析方法方面，該邏輯回歸-風險曲線模型通過計算優(yōu)勢比的方法，分析了不同的撞擊速度、行人年齡、撞擊的身體部位、車輛生產(chǎn)年份、引擎蓋高度和行人行走方向的存在與否對死亡率產(chǎn)生的影響。其中，撞擊速度（V）和行人年齡（A）是最魯棒且顯著的影響因素[20]。此外Jacques Saadé

[20]在研究工作中設(shè)計了2*2實驗，測試了兩種自變量關(guān)系（V+A,V2+A）和兩種回歸模型（Comprehensive-loglog, Logit）形成的四種組合在預測行人死亡率或重傷率的準確性上的表現(xiàn)： 評價標準采用赤池信息量準則（AIC）和誤差項。

表B.1 回歸誤差分析結(jié)果[20]

實驗結(jié)果表明損失最小的組合為Logit(V2+A)。最終得出撞擊速度（V）與行人年齡（A）對行人死亡率 或重傷率影響的關(guān)系模型及其風險曲線：

圖B.6 行人安全風險曲線[20]

基于Jacques Saadé [20]的研究工作，在仿真實驗條件下，我們引入碰撞發(fā)生概率（P ），由條件概率h

公式可得，行人安全性評價模型在仿真實驗場景一中的函數(shù)公式為：

其中行人年齡（A）采用由真實數(shù)據(jù)統(tǒng)計得到的高頻出行事故人群年齡（40歲）[26]，由上述行人安全性評價模型函數(shù)公式可知，碰撞發(fā)生概率（Ph）與撞擊速度（V）越小，行人受傷或死亡的概率越小，證明用于測試的仿真實驗模型的安全性越高。

通行效率評價模型評估了對象車輛在單車智能、車路協(xié)同感知及車路協(xié)同決策控制下行駛過四種場景的目標通行區(qū)域所需時間（T）。在每個場景下，記錄對象車輛進入劃分區(qū)域和離開劃分區(qū)域的時間戳以計算通行時間，具體的劃分區(qū)域定義如下：場景一中定義為包含左車道靜止車輛與整個十字路口的矩形區(qū)域；場景二中定義為十字路口及各方向距人行橫道2車身距離的區(qū)域；場景三中定義為主車最早可能產(chǎn)生變道行為位置到完全超越異常障礙物位置的矩形區(qū)域；場景四中定義為進入單車道區(qū)域位置到完全駛離單車道位置的矩形區(qū)域。此評價模型主要量化不同決策控制方案對交通通行效率的影響。對于發(fā)生碰撞的單次實驗計算交通事故的處理時間，與車碰撞情況下的通行時間取平均值33分鐘[27]， 與人碰撞情況下的通行時間取平均值35分鐘，該數(shù)據(jù)根據(jù)公開交通數(shù)據(jù)集計算[28]。

綜合安全與效率評價模型，可以更完備地考量單車智能、車路協(xié)同感知和車路協(xié)同決策控制在具體場景下的表現(xiàn)[29][30][31]。