罗瑞琪，熊 帅，何 佳，牛 凯

（中国市政工程华北设计研究总院有限公司，天津市 300074）

0 引言

随着自动驾驶技术的发展，未来自动驾驶汽车将遍布在城市交通系统中，它们的加入势必导致交通流交互行为特征发生显著变化。自动驾驶汽车面对行人时采取的决策行为与人类驾驶员明显不同，行人面对自动驾驶汽车和人工驾驶汽车时所承受的心理风险压力也有很大区别，由此引发行人行为的随机性和不确定性也随之增加。

对人-车交互行为的建模研究一直是交通领域的研究重点和热点[1]，通过对个体驾驶人和行人行为的建模，可以定量化描述车辆和行人在车流中的运动状态，同时也可模拟宏观车流的运行态势，是实现交通管理方案效果验证的经济、有效的方法[2]。自动驾驶技术虽然得到了长足的发展，但是以Google 和Tesla 为代表的无人驾驶汽车在真实交通环境（特别是城市复杂路况）测试中由于其行驶特性与真实驾驶人之间存在较大差异，自动驾驶汽车无法准确判断行人的真实过街意图，带来大量的安全风险（相关交通事故的报道已见诸报端）[3-4]。作为决定自动驾驶汽车能否广泛应用的瓶颈技术，自动驾驶汽车与行人的交互行为决策技术成为新的热门研究方向，该技术能够使自动驾驶汽车具备人类驾驶员与行人间的通行权沟通能力，使自动驾驶汽车控制系统更加智能且接近人类的判断能力[5-6]。

本文根据视频调查法获取行人过街及车辆通行的相关数据，分析行人过街影响因素，基于决策树理论，利用二元Logit模型建立面向自动驾驶车辆的路段人车冲突判别模型，对行人和自动驾驶车辆之间可能发生冲突概率进行计算。

2 数据采集分析

路段人车冲突模型建模方法见图1。首先，采集行人位置、车辆位置以及行人和车辆的运动状态；接下来建立决策树，分析路段人车冲突过程，建立模型；最后利用调查数据，对模型参数进行标定。

图1 路段人车冲突建模方法流程

选择武汉市6 处无信号控制路段人行横道作为调查对象，见表1，选择天气状况较好的工作日，为了避免人流和车流量过大，本次调查没有选择在周一或周五。

表1 交通调查地点

调查时本文使用三台同步摄像机以及两把雷达枪来记录数据，具体的设备布局见图2，同步摄像机#1 被架设高楼，以保证摄像机完整能拍摄到调查地点中行人和车辆的交通状况。同步摄像机#2 和#3被架设在道路两侧，用来记录行人的过街行为。

图2 调查设施布局图

以双向6 车道为例，最终数据调查获取的数据主要包括：行人过街行为（是否接受间隙通过）、车辆与行人是否发生冲突（判别方法在2.3 节中具体介绍）、车辆所在车道（1、2、3……）、车辆速度、行人速度、行人与车辆之间的距离、行人通过潜在冲突区的距离，车辆所在车道延长线与人行横道重叠区域为冲突区，见图3。

图3 车辆及行人距离位置示意图

3 路段人车冲突判别模型

3.1 决策树分析方法

车辆在准备通过人行横道时首先应对行人运动状态进行观察，判断行人过街意图，确定行人即将过街再进行冲突决策，若确定为冲突，则产生减速或停车的让行行为，否则，不判定为冲突，车辆正常通过，据此建立决策树见图4。

图4 冲突决策树示意图

将行人过街决策判定定义为Dn，若确定过街则Dn=1，否则Dn=0；冲突决策定义为Cn，确定冲突则Cn=1，否则Cn=0，确定冲突概率值如式（1）所示：

不同决策行为的产生是不同状态效用值Uin的离散选择问题，效用函数Uin（t）=Vin（t）+εin（t）=Xin（t）×α+εin（t），其中：Vin（t）为自动驾驶车辆n 在时间t 状态i 下的系统效用值；Xin（t）为自动驾驶车辆n 在时间t 状态i 下的解释变量；α 为不同解释变量Xin（t）参数，其中解释变量与车辆位置、速度、行人速度、位置等因素有关；εin（t）为误差项。

决策树的每一层用二元Logit模型表示，X1n为自动驾驶车辆n 判断行人即将过街（i=1）的解释变量，α 为变量参数；Z1n为自动驾驶车辆n 进行冲突决策（i=1）的解释变量；β 为变量参数。因此，自动驾驶车辆判定为冲突，做出让行行为的概率见式（2）：

3.2 模型建立

对冲突决策的可能影响因素和因素对应的系数进行汇总，汇总结果见表2。

表2 变量定义表

为得到各个影响参数的系数值，首先将冲突决策概率写为N 个独立事件（c1，c2……，cN）的联合概率，接下来，对等式两边取对数：

3.3 模型参数标定

如式（4）所示：

当Δt=3 s时，自动驾驶车辆会与行人发生冲突[7]。因此，以调查数据为基础，统计发生冲突的事件，作为模型因变量的数据基础。本文采用深度学习算法实现多元线性回归进行模型参数的标定，工作机制为：机器被放在一个能让它通过反复试错来训练自己的环境中，从过去的经验中进行学习，最后做出精确的判断，选择最优估计值确定最终概率模型。深度学习具体步骤如下：

（1）输入数据，生成训练样本集、测试样本集、验证样本集；

（2）定义训练批次、验证批次、测试批次；

（3）输入、输出向量定义，分类器定义，验证模型定义；

（4）梯度计算，更新参数值；

（5）训练模型定义；

（6）训练模型。

因此，通过计算面向自动驾驶车辆的路段人车冲突判别模型如下所示，用发生冲突的概率值P（Cn=1）来表示。

4 仿真设计

为使仿真过程更加稳定，需做以下假设：

（1）仿真场景为无信号控制路段，自动驾驶汽车直线行驶，无换道。

（2）自动驾驶汽车以相同顺序进出仿真场景，无超车。

（3）只考虑自动驾驶汽车与单个行人的相互作用，暂不考虑人群和其他道路参与者。

SUMO 是目前广泛使用的开源交通仿真软件，通过其TraCI 接口，Python 能够获取SUMO 中车辆和行人的速度和位置，且可以修改和控制它们的速度和位置。利用Python 设计和实现该冲突判别算法，将冲突概率值作为输出数据。联合SUMO 进行仿真输出，仿真步长为1 s，每次仿真持续1 h（3 600 s）。

图5 为SUMO 中的仿真场景，人行横道宽6 m，总长1 km，单车道宽3.5 m。自动驾驶汽车与行人在人行横道（冲突区）相遇，人行横道两端设有行人等待区，等待区长1.5 m，宽6 m。场景中自动驾驶汽车生成率为泊松分布，每小时生成1 200 辆车（600 辆/车道/h），仿真中以不同频率生成行人流，每30 s 生成一个行人，仿真时间4 h。

图5 自动驾驶汽车和行人仿真场景

统计的冲突事件作为模型效果对比数据，统计事件为实际发生冲突事件，共统计得到324 起。以仿真得到的冲突概率值为基础，当概率值大于85% 的事件作为可能发生冲突事件，共得到296 起，因此预测值与实际值相对误差为8.6% 。

综上所述，利用本文所建立面向自动驾驶车辆的人车冲突判别模型可以有效预测人车发生冲突的概率值，对于智能车辆理解行人的过街意图并判别车辆与行人是否发生冲突具有重要意义。

4 结论

本文主要提出了面向自动驾驶车辆的路段人车冲突判别模型。利用决策树理论，通过建立二元Logit模型，利用机器学习，建立了面向自动驾驶车辆的人车冲突判别模型。本文所建立的路段人车冲突判别方法对于智能车辆理解行人的过街意图并判别车辆与行人是否发生冲突是十分重要的。