為了驗證所提出的方法的有效性，選擇最小 TTC 和 PET 作為基線進行比較。最小 TTC 是指整個交互過程中的最低 TTC 值，代表整個交互中最危險的時刻。最終的比較分析結(jié)果如圖[18]所示。在這項研究中，PET 大于 3 秒且 TTC 大于 2.72 秒的情景被歸類為低風險情景（[Sheykhfard 等人，2023]年）。在所提出的框架生成的關(guān)鍵情景中，30 個情景的 PET 大于 3s，22 個情景的最小 TTC 大于 2.72s。關(guān)鍵場景的分布主要集中在車行距離 15m 和速度差 4m/s 范圍內(nèi)，少數(shù)場景呈現(xiàn)分散分布，車行距離和速度差逐漸增大。

圖 18.關(guān)鍵場景中 PET 和 TTC 的比較

本文通過 3 個關(guān)鍵情景進一步分析和驗證了上述結(jié)論。三種情況的 PET 和最小 TTC 值如下：對于第一種情況，PET=28.9s，最小 TTC=3.9s;對于第二種情況，PET=3.4s，最小 TTC=10.9s;對于第三種情況，PET=2.4 秒，最小 TTC=1.7 秒。這些場景的相應(yīng)圖分別顯示在[圖 19]、[圖 20]和[圖 21]中。

圖 19.被 PET 歸類為安全但被 Minimum TTC 歸類為危險的關(guān)鍵場景

圖 20.被 PET 歸類為危險但被 Minimum TTC 歸類為安全的關(guān)鍵場景

圖 21.被 PET 和 Minimum TTC 都歸類為危險的關(guān)鍵場景

在對 PET 大而最小 TTC 小的場景分析中，很明顯，較大的 PET 值是由于行人因紅燈而長時間等待而產(chǎn)生的。同時，車輛在初次遇到行人后不久穿過沖突區(qū)域，導(dǎo)致 PET 更大。但是，在初始交互的那一刻，行人和車輛非常接近，導(dǎo)致最小 TTC 值較小。車輛在檢測到行人有過馬路意圖時減速，只有在確認行人已停止等待后才會恢復(fù)加速。這表明車輛在交互中認識到了一定級別的風險。盡管這種情況的 PET 更大，TTC 更小，但它仍然與測試高度相關(guān)，因為它們展示了車輛必須應(yīng)對潛在交互風險的情況，即使行人的行為沒有立即表明迫在眉睫的危險。此類場景對于評估車輛評估和應(yīng)對動態(tài)真實世界風險的能力至關(guān)重要。

在對[圖 20]所示場景的分析中，其中 PET 較小且最小 TTC 較大，觀察到小 PET 是由于車輛在行人過馬路后加速并迅速離開沖突區(qū)域造成的，而行人與車輛之間的初始距離相對較短。然而，較大的最小 TTC 是由于車輛在初次相遇時減速并在行人過馬路時等待紅燈。車輛在行人清理后不久才開始加速并離開沖突區(qū)域。盡管車輛因紅燈而等待行人過馬路，但它在行人完全離開沖突區(qū)域之前就開始加速。這表明，即使車輛暫時停止，這種情況仍然具有一定程度的風險，因為如果行人沒有完全清理該區(qū)域，車輛的過早加速會帶來潛在的沖突。

在 PET 和最小 TTC 都很小的關(guān)鍵場景中，如圖[21]所示，可以觀察到行人在整個十字路口中保持高速，車輛在初次相遇時也以高速接近。根據(jù) SM 計算，在此過程中激活了三階段 AEB。當當前的 TTC 短于所需的停止時間時，車輛檢測到行人并開始制動，最終減速并離開沖突區(qū)域，從而標志著互動的結(jié)束。在這種情況下，行人和車輛都保持高速，并且隨著交互的進行，它們之間的距離保持相對較短。因此，PET、TTC 和本文中提出的風險模型都將這種情況確定為高風險相互作用，強調(diào)了由于涉及的距離短和速度而存在的潛在危險。

通過對上述關(guān)鍵情景的分析，很明顯，本文中提出的風險模型有效地解決了依賴單個 SSM 的局限性。通過整合多個因素，該模型成功地識別了具有重大沖突的交互場景，從而對車輛與行人的交互風險進行了更準確和全面的評估。

Ⅶ 結(jié)論

為了進一步評估自動駕駛汽車在真實交通環(huán)境中的安全性和適應(yīng)性，本研究以中國交通微數(shù)據(jù)集 SIND 為基礎(chǔ)，提出了一種生成關(guān)鍵行人測試場景的方法。目標是為 AV 測試提供典型的、高價值的車輛與行人交互場景。本文的主要發(fā)現(xiàn)如下：

（1） 提出了一種基于 APF 方法的車-行人交互風險等級評估方法。實驗表明，在該方法生成的 50 個關(guān)鍵場景中，PET 指標識別了 20 種風險場景（占總數(shù)的 40%），而 TTC 指標識別了 28 種風險場景（占總數(shù)的 56%）。相比之下，所提方法成功捕獲了所有關(guān)鍵場景，展示了卓越的識別能力。結(jié)果表明，所提出的方法在識別復(fù)雜的車-行人交互場景中的風險方面更加全面和準確。

（2） 行人在信號場景中的行為通常涉及顯著的不確定性和隨機性。關(guān)鍵測試場景涵蓋更廣泛的行人特征，例如繞行、減速以避開車輛和亂穿馬路。此外，其中 30 個關(guān)鍵場景的行人最高速度超過 1 m/s，保持較高的過境速度。這為在多樣化和動態(tài)的行人互動中測試 AV 提供了強大的支持。

（3） 在生成的 50 個高價值測試場景中，一個關(guān)鍵發(fā)現(xiàn)是較高的行人速度和較短的行人與車輛之間的相對距離與較高的風險水平密切相關(guān)。這種洞察力為 AV 中決策和控制算法的迭代優(yōu)化提供了寶貴的基礎(chǔ)。

本研究的局限性在于，車輛與行人交互場景的描述性特征目前僅限于相對距離和相對速度，而沒有考慮更詳細的現(xiàn)實世界特征，例如行人性別、年齡和分心行為。目前，SIND 數(shù)據(jù)集不包括行人的性別和年齡等信息，但未來的研究將側(cè)重于改進數(shù)據(jù)集以納入這些附加因素。這將有助于為 AV 創(chuàng)建更全面的行人測試場景庫。

參考文獻