考虑运行环境复杂度的自动驾驶行车风险场建模方法.pdf

2023.7,3（4）|智能交通与数字化考虑运行环境复杂度的自动驾驶行车风险场建模方法崔皓然，涂辉招，马杰，李浩（同济大学交通运输工程学院，上海 201804）摘要：自动驾驶行车风险，既受自身车辆智能水平及车辆临近区域影响，也受运行环境的影响。在归纳分析四类自动驾驶行车风险影响因素的基础上，基于人工势能场理论构建了考虑运行环境复杂度的自动驾驶行车风险场模型，给出了车辆场、车道线场、道路边界场等三类行车风险场的表达式，并在车辆场中加入综合考虑道路设施、交通流、气候环境、交通参与者等因素的运行环境复杂系数，以行车风险度作为风险表征指标，构建了自动驾驶运行环境复杂系数计算方法。基于自动驾驶开放道路测试实测数据开展了案例分析与模型验证。结果表明，运行环境复杂度显著影响了自动驾驶行车风险，所建模型可更客观地表征自动驾驶行车风险的时空分布规律。关键词：自动驾驶；行车风险场；场论；运行环境复杂系数Modeling method for autonomous driving risk field considering the complexity of operating environmentCUI Haoran,TU Huizhao,MA Jie,LI Hao（College of Transportation Engineering，Tongji University，Shanghai 201804，China）Abstract：The driving risks of autonomous vehicles are influenced by the ability of automated driving system，the surrounding area and the operating environment.Based on the induction and analysis of four types of risk influencing factors for autonomous driving，this paper constructs an improved autonomous driving risk field model that considers the complexity coefficient of the operating environment based on the driving risk field theory.The expressions for three types of driving risk fields，including vehicle field，lane line field，and road boundary field，are given.The operating environment complexity coefficient that comprehensively considers factors such as road facilities，traffic flow，climate environment，and traffic participants，is added to the vehicle field.The driving risk degree is proposed as a risk characterization indicator.A calculation method is also developed for the complexity coefficient of the autonomous driving operating environment.Based on data collected from autonomous driving open road tests，case analysis and model validation are conducted.The results indicate that the complexity of the operating environment significantly affects the risk of autonomous driving，and this model can 中图分类号:U491.3 文献标志码:A 文章编号：2097-017X（2023）04-0057-12收稿日期：2023-04-25基金项目：上海市科委重点课题（22dz1203400）。第一作者简介：崔皓然（1998)，男，硕士研究生。研究方向：交通风险管理与智能网联汽车。通讯作者简介：涂辉招（1977），男，博士，教授。研究方向：交通风险管理、智能网联汽车与智慧交通、交通行为分析和交通规划。57characterize the spatiotemporal distribution of autonomous driving risk more objectively.Key words：autonomous driving；driving risk field；field theory；complexity coefficient of operating environment引 言自动驾驶技术是当前全球汽车以及交通出行领域智能化、网联化发展的主要方向，已成为我国和世界主要发达国家争抢的战略制高点。但自动驾驶技术尚不成熟各国纷纷开展大规模的道路测试，由此带来的测试安全风险也在日益增加。现有的面向传统人类驾驶员的行车安全风险评估方法可分为宏观视角和微观视角两类。宏观风险评估方法主要利用碰撞数据和宏观交通流数据来评估道路、路网或片区的总体风险，此类方法的应用多面向交通管理部门。Su 等1综合考虑土地利用、道路网络、交通流量、人口和社会经济学、公共交通设施等属性，采用联合概率模型对事故发生和涉及行人事故同时建模，发现碰撞的发生与交通流量、无信号交叉口的数量以及酒店等行人出行热点目的地相关。Yang等2基于高分辨率的高速公路交通大数据，构建了机器学习和统计方法的组合风险评价模型，结果表明高速公路区域类型和交通流状况与交通安全显著相关。Almoshaogeh 等3在沙特阿拉伯卡西姆地区84 km 的环路上设计与应用了考虑事故频率与严重程度的交通事故风险评估框架，并通过在高风险位置布设限速摄像头成功减少了事故发生。Yu 等4研究发现碰撞段 5 min的平均速度越低、碰撞时间前510 min上游段拥挤程度越高，碰撞段的碰撞风险越高。微观风险评估方法主要是基于车辆运动学和动力学，其研究对象多为某一路段、道路、交叉口等具体的局部场景。Ding 等5使用来自 Citysim 数据集的高分辨率轨迹数据识别了不同交通状态下的交通冲突。Gao 等6使用实际驾驶数据对切入驾驶行为的风险进行了评估。Chen7提出了一种考虑驾驶行为的前方碰撞概率指数（FCPI），用于提醒和帮助驾驶员保持安全驾驶距离，避免高速公路行驶中发生前方碰撞。微观方法虽然对碰撞事故的预测较为精确，但由于其视角局限，模型考虑的交通风险影响因素较少。宏观方法缺少自动驾驶事故数据支撑，且其输出结果普遍存在时间颗粒度不够精细的不足，无法为复杂行车环境下的车辆决策与控制提供可信的依据。为了在全面考虑多种风险要素的同时实现精细化的风险表征，研究人员提出了人工势能场（Artifical Potential Field，APF）理论，并最早应用在机器人的路径规划和避碰中8-9。也有学者将这种方法推广至交通研究领域。在交通风险评估方面，Han等10将交通要素根据其特征和影响机制分为具体要素和抽象要素，构建了从时空耦合的角度表示动态交通中自动驾驶汽车动态驾驶风险的时空风险场。王建强等11-13在分析人、车、路三类交通系统组成部分对风险的影响机理的基础上，提出了基于人-车-路等因素的行车风险场模型，将多种风险要素统一使用行车风险场表达。在车辆决策控制与路径规划方面，Rossetter 等14基于人工势能场理论构建了由车道线形成的势能场，并进一步设计了车道保持系统，但该模型仅适用于车辆的横向运动控制。Gao等15在引力场和斥力场的基础上建立了基于机器学习的实时车辆控制器。在跟驰模型建立方面，李林恒等16通过引入伪距离概念优化车辆间前后距离的表征，进而改进了安全势场模型，并进一步建立了跟驰模型。基于 APF 的模型虽在建模时考虑的风险要素维度更为丰富，但在构建具体模型时，往往根据研究的具体问题进行了抽象与简化，实际上并未全面考虑各种交通要素对安全风险的影响。本文将基于APF 理论，面向自动驾驶道路测试，融合考虑自动驾驶汽车-道路设施-环境等多要素耦合的运行环境复杂度，构建自动驾驶汽车行车风险场模型，并提出相应的行车风险度指标，最后通过自动驾驶实测数据对模型进行标定与验证。1自动驾驶行车风险影响因素道路交通系统由“人-车-路-环境”等组成，影响自动驾驶汽车交通事故风险的因素众多，总体上可分为四类：交通参与者因素、道路设施因素、交通流因素和气候环境因素。1.1交通参与者因素交通参与者因素主要指道路上的机动车、非机动车、行人等。（1）机动车。机动车可分为自动驾驶汽车和人工驾驶汽车。对自动驾驶汽车而言，其自动驾驶水 58考虑运行环境复杂度的自动驾驶行车风险场建模方法 崔皓然 等平尚未得到完全验证。同时，人机共驾的模式存在风险，因为自动驾驶测试车的驾驶员需要在自动驾驶模式状态下长时间的监控系统的运行状态，随时准备接管车辆，这使得驾驶员容易疲劳。对于人工驾驶汽车而言，自动驾驶与人工驾驶的行为模式差异会增大交通风险。自动驾驶系统在高风险状态的行驶方式与人类驾驶员长久以来积攒的驾驶经验判断及行为决策可能存在差异，导致在高风险状态下，人类驾驶员难以正确判断自动驾驶汽车可能会做出的瞬时决策反应。（2）非机动车和行人。这两类交通参与者都是无防护的交通参与者，同时也是交通事故中的弱势群体。非机动车和行人对自动驾驶道路测试的影响，除了其流量增加会对自动驾驶汽车行驶安全不利之外，违反交通规则也是一项主要的风险致因，如非机动车驾驶员逆向行驶、闯红灯以及行人违反交通规则等。自动驾驶汽车不易判断和预测这些交通参与者的违规行为，同时也难以对突发情况做出及时的反应，因此容易造成交通事故。1.2道路设施因素导致交通事故发生的因素通常是两种或两种以上17。尽管自动驾驶汽车自身的自动驾驶能力是导致事故最直接的影响因素，但是自动驾驶系统还会受到不同道路设施因素的影响。影响道路测试运行安全的道路设施因素主要包括道路线形18、路面状况19-20、车道数、车道宽度、交叉口和接入口等21。（1）道路线形。道路线形是对道路走向在三维空间的描述。道路在水平面上的投影形状可用直线和平曲线来描述。直线段过长易造成驾驶员疲劳。直线过短时，留给自动驾驶系统的识别和反应时间较短，且系统需要控制车辆频繁转弯，造成风险升高。平曲线用于在两条直线段之间过渡。道路的弯曲度随着平曲线的曲率增大而增大，事故率也随着曲率增大而升高。道路纵断面上通常采用直线、竖曲线两种线形。凸形的竖曲线容易造成视距不足，影响传感器对前方车辆的探测。凹形的竖曲线，会使自动驾驶汽车产生超重。同时，由于自动驾驶车载传感器的布设位置和探测角度不同于人眼，也可能造成视距不足。并且不论是凸形还是凹形的竖曲线都会造成自动驾驶汽车与路面的附着力变化，从而影响交通安全。（2）路面状况。路面状况主要包括路面的平整度、抗滑性和坡度等。路面平整度差的道路会增加车辆的颠簸摇晃，影响自动驾驶汽车的抓地力，还会对传感器识别造成负面影响。抗滑性可用轮胎和路面间的摩擦系数来表征，而不同的轮胎特性、道路表面特性及轮胎与路面间介质特性均会影响摩擦系数。路面抗滑与路面干燥或湿润程度也直接相关，湿润或积水路面的抗滑性显著低于干燥路面，因为湿润路面和轮胎之间容易形成水膜。路面的坡度过大也会造成自动驾驶运行风险增加，若遇大坡度上坡，车辆的抓地力下降，容易发生打滑，还容易造成中途熄火；若遇大坡度下坡，则需要连续制动，容易造成制动系统热衰减失效。（3）道路的交叉口类型、车道宽度、车道数量等都会对自动驾驶汽车的运行安全造成影响。交叉口处的交通流产生交织，不同交叉口类型、交叉口设计质量、红绿灯相位均会对交通安全产生影响。车道宽度的影响在于：车道宽度过窄容易发生车辆剐蹭事故，车道宽度过大将会使保持车道居中行驶变得困难，还会诱导自动驾驶系统发生更多超车行为，造成交通风险增加。不同车道数量的交通风险也存在区别，车道数大于等于 4 条时，车道数越多，风险越低；双车道的风险低于 3 车道；3 车道的风险与 4 车道接近。此外，针对自动驾驶的特点，一些新型的道路设施，如新型车道线、新型路缘带、路侧车路协同设备等，也会对自动驾驶道路测试风险有所影响22。1.3交通流因素影响自动驾驶道路测试安全性的交通流因素主要有交通流量、速度、大车比例和交通信息特征等。（1）交通流量。交通流量分为车流量和人流量，单位时间内通过某一断面的车辆数量即为车流量，单位时间内通过某一断面的行人数量即为人流量。交通流量越大意味着自动驾驶系统所要处理的交通场景越复杂，发生事故的概率与严重程度也越高。通常事故率和交通流量的大小成正比，交通流量越大，事故率越高。（2）速度。速度是影响交通安全最主要的因素之一，速度越快，发生交通事故的概率越大，事故也更严重。另外，自动驾驶汽车和人工驾驶汽车的速度差异性也同样会影响自动驾驶道路测试的安全性。（3）大车比例。大车是泛指相对于传统小型私家车而言，外形尺寸和质量更大的车辆，如大货车、大巴车、公交车等。大车比例的增加会导致交通环境更加复杂、交通秩序更加混乱，在增加事故发生概率的同时，还增加了事故的严重程度，从而影响自动驾驶汽车的行驶安全。59（4）交通信息特征。自动驾驶汽车的信息获取除了依赖于其自身搭载的传感器外，还可以通过车联网、V2X 等方式获取到依靠自身传感器难以获取的交通流量、前方拥堵、行人横穿预警等交通信息。通过综合分析处理这些高度变化的交通信息，系统将对车辆的控制做出实时的判断与决策。1.4气候环境因素气候环境因素主要指多种不良天气条件对自动驾驶系统传感器采集数据的不良影响。影响自动驾驶道路测试安全性的气候环境因素包括冰雪、雨雾和大风等。冰雪天气一方面会使自动驾驶汽车路面附着性能降低，另一方面会影响自动驾驶汽车对交通标志、标线的识别。雨雾天气一方面使得车轮与路面之间的附着系数降低，导致车辆与路面之间附着力减小，增加事故概率；另一方面雨雾天气导致能见度降低，影响车载传感器对道路前方状况的检测。此外，大风也会对自动驾驶车辆的行驶安全造成影响。大风直接影响到车辆的横向稳定性，而且大风扬起的覆盖物、风沙等还会影响自动驾驶车辆上车载传感器的检测效果。2自动驾驶行车风险场模型2.1自动驾驶行车风险场的特征及构成道路交通系统由人、车、路、环境等基本元素组成，其中的每一个元素都将产生与其属性和状态对应的风险场，处于风险场当中的其他车辆或物体将受到来自不同交通元素产生的风险场的影响，将众多交通元素产生的风险场叠加后形成的总的风险场定义为“行车风险场”。依据自动驾驶行车风险的来源，在暂不考虑行人的情况下，可定义自动驾驶行车风险场由以下几部分构成：与车辆状态有关的“车辆场”；与道路有关的“车道线场”和“道路边界场”；其中道路设施、交通流、气候环境、交通参与者等因素的影响将通过“运行环境复杂系数”指标以乘积的形式作用在“车辆场”；自动驾驶系统的新兴因素与混合交通流的影响将通过使用自动驾驶实测数据计算运行环境复杂系数等模型参数来体现。与物理中的场类似，自动驾驶行车风险场也是一个随时间空间变化的变量。车辆场主要表征道路上的各类机动车与非机动车对风险场的影响。其大小主要由车辆的属性、运动状态等决定，具体影响因素包括车辆的外形尺寸、质量、速度、加速度等。运行环境复杂系数则综合体现了道路设施、交通流、气候环境、交通参与者等因素对自动驾驶车辆的影响。车道线场主要表征车道线在车辆跟驰与换道状态时对车辆不同的约束趋势。如两条白虚线对车辆的约束是让车辆保持在车道内行驶，但在换道时可以跨越，而黄实线对车辆的约束则是不能跨越，相应的对风险场的影响也会更大。道路边界场主要表征了道路的物理边界对于车辆位置的绝对约束。车辆越靠近道路边界风险越高，当跨越了道路边界则认为是发生了碰撞。物理意义上的场，多为矢量场，可通过大小和方向两个指标描述物理场的特征。由于矢量存在方向，多个场叠加后可能存在相互抵消情况。但在交通环境的行车风险场中不存在这一现象，因为行车风险场描述的是风险的高低大小，属于标量场。行车风险场的每个组成部分都可视为不同风险源产生的场，多个不同的风险场的叠加之后的道路安全风险只会增加而不会降低。只是在一些特殊情景中不同种类的风险场所占的权重不同，比如在车辆进行换道时，车道线场的权重就要远小于车辆场的权重。因此，本文将道路上某一位置的自动驾驶行车风险场强度定义为不同风险源产生的场强的加权和Etotal，如下式所示：|Etotal|=V|EV|+L|EL|+S|ES|（1）式中 Etotal为行车风险场的场强；EV为车辆场的场强；EL为道路线场的场强；ES道路边界场的场强；V，L，S分别对应为车辆场、车道线场及道路边界场的场强所占的权重。2.2自动驾驶行车风险场的场强2.2.1车辆场车辆场来源于道路当中行驶的车辆和其周边道路设施与环境等。选取任一车辆作为目标车辆分析，根据前文论述的场的特点，目标车辆产生的车辆场与其自身的属性和运动状态有关，道路设施与环境等的影响体现为运行环境复杂系数，以乘积的形式作用在车辆产生的场上。自身属性主要包括了车辆的类型与质量。通常车辆的外形尺寸越大，质量越大，其碰撞时的严重程度也越高。文献 23 定义了车辆在车辆场中的等效质量，研究认为车辆的碰撞风险与目标车辆当前的速度与质量均存在相关性，并通过高速公路车速及事故数据拟合出了等效质量的表达式如下：Mi=mi(1.566 10-14 v6.687+0.3345)（2）60考虑运行环境复杂度的自动驾驶行车风险场建模方法 崔皓然 等式中 Mi为目标车辆i的等效质量，mi为目标车辆i的实际质量，v为目标车辆i的车速。由该表达式可看出，在相同车速下，实际质量越大等效质量越大；在相同实际质量下，车速越高，等效质量越大，即实际质量与车速均会对风险产生影响。车辆的运动状态主要包括车辆的速度、加速度等。车辆处于不同的运动状态时其产生的车辆场也有所不同。空间内某点处的车辆场主要受该点到目标车辆的距离l、目标车辆的车速v、目标车辆的加速度a等影响。假设目标车辆在车道内匀速直线行驶，其与周围车辆的相对位置关系如图 1所示。设目标车辆的前进方向为x轴方向，目标车辆的质心所处位置坐标为(x0，y0)，在仅考虑在原车道内行驶的情况下，空间内的点(x，y)到目标车辆的距离l为：|l|=()x-x02+()y-y02（3）根据式（3）不难看出，不论其他车辆以何种角度靠近目标车辆，只要与目标车辆距离相同，其对车辆场的贡献都是相同的。但真实情况是，当后方车辆加速靠近目标车辆时产生的风险要远高于两侧车道的车辆从侧面靠近目标车辆。具体的，当车辆在目标车辆后方 30 m，或距离目标车辆侧面 2 m 时，安全风险程度相似24。造成此现象的原因是在车辆行驶方向的垂直方向上没有速度分量。因此为了更好地描述车辆场强度与距离的关系，本文参照文献 25的方法，将距离修正为伪距离，以更好地描述车辆从不同角度接近目标车辆时安全风险程度的变化，伪距离l的表达式为：|l|=()x-x0ekv2+()y-y02（4）式中(x0，y0)为目标车辆的坐标，为车辆安全间距的临界值，k为速度的待定系数。根据 1.2节的分析，车辆在道路中的安全风险除了与车辆的属性、位置、运动状态相关外，还受到道路设施、气候环境、周边交通流和交通参与者的影响。自动驾驶在运行过程中可以靠传感器实时获取周边车辆的位置和运动状态，而道路设施、气候环境、交通流和交通参与者数据则相对难以通过单车获取，并且这些类型的数据相比高度动态变化的车辆运动状态数据，随时间空间变化的颗粒度更低，难以实时匹配在一起进行分析计算。因此本文提出运行环境复杂系数概念，将道路设施、气候环境和周边交通流影响综合成为一个系数，以乘积的形式作用在车辆场上。目标车辆和其周围车辆都会产生车辆场，周围车辆产生的车辆场将作用在目标车辆上，使目标车辆在不同的时间和位置受到来自周围车辆的不同风险影响，并且只有当周围车辆距离目标车辆一定距离时，此周围车辆的车辆场才会作用于目标车辆，超出一定距离可认为车辆间几乎不存在相互影响。因此，本文构建了包含运行环境复杂系数、车辆自身相关属性及其运动状态参数的车辆场模型，如下式所示：EV=MiRie-acos|l=Ri mi(1.566 10-14 v6.687+)0.3345 e-acos ()x-x0ekv2+()y-y02（5）式中 Ri为目标车辆所在位置的运行环境复杂系数，Mi为目标车辆的等效质量，为空间某点与目标车辆(x0，y0)连线与x轴形成的夹角，a 为目标车辆的加速度，为待定常数，为与车辆加速度相关的待定参数。2.2.2车道线场道路当中的白虚线与黄实线等共同构成了车道线场。其中白虚线形成的场主要作用是约束车辆在车道内尽量保持居中行驶，但也允许车辆进行变道，所以这种白虚线形成的车道线场的场强对车辆的居中行驶有一定的约束作用，但当车辆换道跨线时，其场强仍在可允许范围内，不会产生过高的风险。而双黄线行成的场的主要作用是约束车辆不能跨线，所以其产生的场强要比白虚线产生的场强更大。本研究参照文献 24 采用一种类高斯模型来描述车道图 1目标车辆与周围车辆的距离示意图Fig.1 Schematic diagram of the distances between the target vehicle and surrounding vehicles 61线产生的风险场，其表达式如下：EL=i,j=1nAie-|dLj222（6）式中 Ai为强度系数，该系数决定了不同类型车道线产生的车道线场的最大值，例如黄实线为A1，白虚线为A2，则有A1A2。dLj=(y-yl，j)表示车道线指向道路中某点的距离矢量，yl，j为车道线 j的 y轴坐标，系数决定了随着车辆接近或远离车道线时，场强上升或下降的速度。2.2.3道路边界场道路当中的道路边界产生了道路边界场，这类场的主要作用是约束车辆不能冲出车道发生事故，因此场强会随着车辆靠近道路边界而急剧增加。道路一般有两个边界，其产生的道路边界场表达式如下：Es=j=1212(1|dSj)2（7）式中 dsj=(y-ys，j)表示道路边界线j指向道路中某点的距离矢量，其中ys，j为道路边界j的y轴坐标，为道路边界场的系数。2.3自动驾驶行车风险场的风险表征指标行车风险场分布在整个道路交通系统内，某一点的的场强值代表该位置处的车辆、车道线、道路边界、环境等因素综合在一起对交通风险的贡献程度，场强越高的位置，发生风险的概率或严重程度越高。这种场强可类比为“曲面的密度”，即某一已知长度路段内的综合风险高低可以用类似求曲面质量的二重积分方式表达。因此，本文构建自动驾驶行车风险度（Driving Risk Degree，DRD）为模型的风险表征指标，如下式所示：DRD=Etotaldxdy（8）式中 x为路段的长度，y为两个道路边界线间的宽度。行车风险场的场强数值为非负数，根据式（8），行车风险度的绝对值大小随着路段长度的增长而升高，随着车道数和车道宽度的增加而升高。车道数和车道宽度属于风险因素，而路段长度并不属于风险影响因素，所以行车风险度的绝对值大小并无实际意义，仅当固定路段长度时，行车风险度的绝对值高低具有相互比较意义，高行车风险度的路段比低行车风险度的路段综合风险更高。2.4运行环境复杂系数2.4.1路段平均避险脱离率与运行环境复杂度自动驾驶道路测试运行过程中，当驾驶员（安全员）认为自动驾驶系统难以胜任当前驾驶任务、自动驾驶系统检测到失效时，需手动关闭自动驾驶模式并立即手动接管车辆操作26，这一情况称为脱离。研究将脱离的目的分为避险脱离和非避险脱离27。避险脱离率指标比传统脱离率指标更具客观性，可在一定程度上解决传统脱离率模型低估自动驾驶测试车辆驾驶能力的问题27。因此，路段平均避险脱离率指标可用来表征自动驾驶汽车在该路段上的总体风险高低。运行环境复杂度是依据上海市地方标准 自动驾驶开放测试道路环境分级规范（DB31/T 2642020）28的自动驾驶开放测试道路安全风险评 估 SRAAV（Road Safety Risk Assessment for Connected Autonomous Vehicles，SRAAV）方法的评估结果。SRAAV 方法基于我国的道路交通特征和驾驶员的行为习惯，综合考虑了道路设施因素、气候环境因素、交通流因素、交通参与者因素，并以运行环境复杂度为分级指标对评估后的测试道路进行四级的定量分级，如表 1所示，分级后所处的运行环境复杂等级越低，测试道路的安全程度就越高。2.4.2运行环境复杂系数计算方法现有研究中，李林恒利用混合交通流仿真等方式对道路交通安全势场模型进行了标定与评价29。但现有研究中缺少考虑除道路标线与道路边界外的其他道路设施与环境因素对道路安全风险的影响。根据行车风险场模型的特点与组成，若不考虑道路设施与环境的影响，行车风险度仅与车辆的属性、运动状态、相对位置以及道路标线等因素有关，而与路段所处的道路设施和环境无关。车辆场中的运行环境复杂系数则是多种道路设施与环境对车辆的影响表 1运行环境复杂度分级Tab.1 Classification of the complexity coefficient of the operating environment运行环境复杂等级类类类类运行环境复杂度区间0，3.5）3.5，12.5）12.5，22.5）22.5，）复杂等级文字描述低风险一般风险较高风险高风险 62考虑运行环境复杂度的自动驾驶行车风险场建模方法 崔皓然 等与作用的综合体现。因此为了完善行车风险场模型对安全风险的体现，本文利用自动驾驶道路测试的实测数据对运行环境复杂系数进行计算分析。计算运行环境复杂系数，需要以现有的能客观反映自动驾驶汽车安全风险高低的指标为依据，再结合不同路段的不同道路设施与环境数据，计算出不同道路设施与环境条件下的运行环境复杂系数的取值大小。通过对现有数据的整理与分析，利用SRAAV 方法评估得到的运行环境复杂度可综合体现不同交通流状态、不同道路设施与环境因素的影响。计算的基本假定如下：（1）为了平衡数据集时间颗粒度量级间的较大差异，以固定长度的单位计算路段进行运行环境复杂系数的计算，长度的选取参考 SRAAV 方法的路段划分；（2）每一路段的平均避险脱离率为一种离散型随机变量；（3）不同运行环境复杂等级路段的避险脱离率均值间的比例关系与考虑了运行环境复杂系数的行车风险度之间的比例关系相同；（4）定义运行环境复杂等级为 I 类的路段的运行环境复杂系数为 1。在以上基本假定的基础上，计算流程如图 2 所示。具体可分为以下步骤：（1）分析选择合适长度的单位计算路段；（2）基于自动驾驶道路测试的实际数据，在甄别与修正自动驾驶模式与识别避险脱离的基础上，通过 GPS 坐标将测试数据集聚，计算每一路段的平均避险脱离率；（3）根据实地调研与数据积累，选择部分路段，使用 SRAAV 方法对所选路段进行风险评估，得到运行环境复杂度，在通过分级得到运行环境复杂等级；（4）对路段平均避险脱离率按运行环境复杂等级进行分组，分别计算每一运行环境复杂等级中路段平均避险脱离率的频数分布图，使用 MATLAB对频数分布进行拟合，求得各个运行环境复杂等级的平均避险脱离率的均值；（5）假设不同运行环境复杂等级路段的避险脱离率均值间的比例关系与考虑了运行环境复杂系数的行车风险度之间的比例关系相同，计算得出不同运行环境复杂等级对应的运行环境复杂系数的取值。3典型案例分析3.1数据概况与预处理分析数据来源于中国某市城市道路场景下的自动驾驶汽车开放道路测试数据。数据字段包括车辆牌照、速度、驾驶模式、经纬度坐标、时间戳、加速度等。选取城市道路场景的测试数据共 36699813条，时间范围 2021年 12月 1日至 2021年 12月 31日。自动驾驶汽车道路测试时收集到的数据，由于传感器本身的精度差、传输误码等问题，可能造成数据记录不准确，即记录的自动驾驶模式可能是人工驾驶模式，反之亦然。利用现有研究，对选取的数据集使用随机森林监督分类模型识别真假自动驾驶模式30，再对错误的数据进行修正处理。3.2单位计算路段的选取SRAAV 方法根据主要的风险影响因素（车道数、坡度、曲率、流量、交叉口等）的特征，将相同或相似的连续道路划分为同一个路段，城市道路路段划分的长度通常在 150250 m。为了与 SRAAV 方法计算得出的运行环境复杂等级在空间上匹配，以长度 200 m 的路段为单位计算路段，且仅考虑直线段跟驰行驶不考虑交叉口或换道等情况。计算以单向三车道为例，选取数据集中符合以下特征的路段：年平均日交通量约为 15000 veh/d，限速 60 km/h，大车比例 20%30%。假定交通量图 2计算流程Fig.2 Calculation process 63的昼夜比为 7：5，向上取整换算得到 200 m 的路段内约有 4辆车，其中一辆为大车。不妨假设如图 3的行驶的场景进行后续计算，其中各个车辆的属性、位置、运动状态如表 2所示。车辆场、车道线场、道路边界场三类风险场的权重在不同的行驶场景会有所不同，如换道场景中车道线场的权重会比跟驰场景有所增加。由于数据受限，本节案例分析的单位计算路段中仅考虑跟驰场景，令三类风险场的权重取 1，即L=S=V=1。3.3运行环境复杂度与路段平均避险脱离率计算运行环境复杂度的计算采用自动驾驶开放测试道路安全风险评估 SRAAV 方法。通过调研与计算，选取符合单位计算路段场景的道路共 25条，293个路段，计算得到各路段的运行环境复杂度后进行分级，得到运行环境复杂等级分布如表 3所示。路段平均避险脱离率的计算主要分为数据预处理、脱离时长阈值确定、脱离类型辨别、路段平均避险脱离率计算四部分。在识别与修正了真假自动驾驶模式的基础上，使用文献 27 的脱离类型辨别方法，基于平均速度差、瞬时速度差、短时平均速度差特征值，构建自动驾驶脱离特征数据集；选取无监督学习中聚类算法31，将特征值较大的一类识别为避险脱离。在识别了脱离类型后，标记 293 个路段的经纬度范围，计算每一路段的平均避险脱离率，如下式所示：IARADF=IRADN（9）式中 IARADF为路段平均避险脱离率（Average Risk-Avoiding Disengagement Frequency，ARADF），IRAD为 路 段 中 的 避 险 脱 离 次 数（Risk-Avoiding Disengagement，RAD），N为路段范围类的数据量总和。为消除数据记录偏移或数据数量级差异带来的影响，计算路段平均避险脱离率后剔除极端异常值和零值，得到不同运行环境复杂等级路段的分布如表 4所示。3.4路段平均避险脱离率分布拟合图 4表明路段平均避险脱离率的分布呈现单峰且偏峰分布的状态，考虑其符合伽马分布。对四个不同运行环境复杂等级的避险脱离率数据进行 K-S检验，在 95%置信水平下，检验统计量的值均小于临界值，即均满足符合伽马分布，如表 5所示。对路段平均避险脱离率数据按运行环境复杂等级分组，分别进行伽马分布拟合，拟合曲线如图 4所示，拟合分布的详细参数如表 6 所示。根据伽马分布均值E的公式（10），得到四个不同运行环境复杂等级的路段平均避险脱离率均值见表 6，可以看出随着路段运行环境复杂等级的增加，路段平均避险脱离率均值也在增加，证明使用路段平均避险图 3单位计算路段场景示意Fig.3 Schematic diagram of unit calculation road section scenarios表 2单位计算路段车辆属性与运动状态Tab.2 Vehicle attributes and motion status of unit calculation road section车辆编号ABCD质心位置坐标/m（50.000，8.125）（98.300，8.125）（150.000，4.875）（50.000，1.625）质量/kg1500150015004000速度/（kmh-1）50706060加速度/（ms-2）32-42表 3运行环境复杂等级分布汇总Tab.3Summary of complexity level distribution of operating environment运行环境复杂等级类类类类复杂等级对应的风险描述低风险一般风险较高风险高风险路段数量1091003747表 4计算避险脱离率后运行环境复杂等级分布Tab.4The complexity level distribution of the operating environment after calculating riskavoiding disengagement frequency运行环境复杂等级类类类类复杂等级对应的风险描述低风险一般风险较高风险高风险路段数量100913126 64考虑运行环境复杂度的自动驾驶行车风险场建模方法 崔皓然 等脱离率表征路段的总体风险，在宏观上是科学有效的。E=（10）3.5结果与讨论根据 3.2 节的计算基本假定（3），不同运行环境复杂等级路段的避险脱离率均值间的比例关系与考虑了运行环境复杂系数的行车风险度之间的比例关系相同。即可先计算不考虑运行环境复杂系数的行车风险度，再根据路段平均避险脱离率均值的比例关系计算出各个运行环境复杂等级下的运行环境复杂系数。模型中的参数输入初始值参考现有研究的标定结果24，29，具体如表 7所示。根据 2.3节的计算方法，在不考虑运行环境复杂系数的情况下，针对图3 的场景，分别计算车辆场、车道线场、道路边界场的风险度，计算结果如表 8所示，绘制行车风险场的三维示意图如图 5所示。根据 3.2 节的计算基本假定（3），将运行环境复杂等级为 I类的路段运行环境复杂系数定义为 1，可进一步计算出四种不同运行环境复杂等级路段的运行环境复杂系数，如表 9所示。表 5K-S检验结果Tab.5K-S inspection results路段分类（按运行环境复杂等级）类类类类检验统计量的值0.07960.10220.17700.1601临界值0.13400.14040.23790.2591是否符合伽马分布（95%置信水平）是是是是图 4路段平均避险脱离率伽马分布拟合Fig.4The gamma distribution fitting of the risk-avoiding disengagement frequency on road sections表 6路段平均避险脱离率伽马分布拟合参数Tab.6Fitting parameters of gamma distribution for average risk-avoiding disengagement frequency of road sections路段运行环境复杂等级类类类类1.29351.27621.16201.11770.11440.13800.17360.2082路段平均避险脱离率均值0.1480.1760.2020.233 65绘制不同运行环境复杂等级路段的行车风险场的三维图像如图 6 所示，可以看出相比图 5，在路段具有同样的车辆位置、属性和运动状态的情况下，加入了综合考虑更多道路设施、交通流、气候环境、交通参与者等因素的运行环境复杂系数后，模型描述复杂交通场景下道路风险的能力进一步加强。同时，根据表 9，随着路段运行环境复杂等级的上升，考虑运行环境复杂系数的行车