郭景華，李克強(qiáng)，王 進(jìn)，陳 濤，李文昌，王 班

（1.廈門大學(xué)機(jī)電工程系，廈門 361005； 2.清華大學(xué)車輛與運(yùn)載學(xué)院，北京 100084；3.中國(guó)汽車工程研究院股份有限公司，重慶 401122）

前言

智能化、網(wǎng)聯(lián)化已經(jīng)是汽車技術(shù)發(fā)展的大勢(shì)所趨，將引領(lǐng)未來(lái)的汽車發(fā)展方向［1］。在汽車智能駕駛技術(shù)快速發(fā)展的同時(shí)，其安全性受到汽車企業(yè)和科研機(jī)構(gòu)的廣泛關(guān)注，汽車智能駕駛系統(tǒng)的測(cè)試與評(píng)價(jià)研究成為當(dāng)前全球關(guān)注的熱點(diǎn)問(wèn)題［2－3］。對(duì)于智能駕駛系統(tǒng)的測(cè)試與評(píng)價(jià)，場(chǎng)景是基礎(chǔ)條件，測(cè)試場(chǎng)景必須與真實(shí)交通環(huán)境中存在的危險(xiǎn)相對(duì)應(yīng)，并且可以描述前車的隨機(jī)運(yùn)動(dòng)狀態(tài)。因此，研究危險(xiǎn)場(chǎng)景和該類場(chǎng)景下前車隨機(jī)運(yùn)動(dòng)狀態(tài)的預(yù)測(cè)方法對(duì)于設(shè)計(jì)更加有效合理的智能駕駛系統(tǒng)測(cè)試與評(píng)價(jià)體系具有重要意義。

生成場(chǎng)景的方法主要可以分為兩類：基于知識(shí)的方法（演繹）和基于數(shù)據(jù)的方法（歸納）。目前使用知識(shí)體演繹法建立測(cè)試場(chǎng)景的團(tuán)隊(duì)以德國(guó)布倫瑞克工業(yè)大學(xué)為代表［4－5］，其團(tuán)隊(duì)以專家知識(shí)、交通法規(guī)和道路建設(shè)法規(guī)條文為依據(jù)，基于本體論建設(shè)智能駕駛系統(tǒng)測(cè)試場(chǎng)景庫(kù)。而國(guó)內(nèi)大多數(shù)研究機(jī)構(gòu)以數(shù)據(jù)驅(qū)動(dòng)的歸納方法建設(shè)測(cè)試場(chǎng)景［6－7］，通過(guò)數(shù)據(jù)采集和分析，建立基于實(shí)際交通環(huán)境的場(chǎng)景庫(kù)。國(guó)內(nèi)使用數(shù)據(jù)采集的方法建立測(cè)試場(chǎng)景的主要原因是：我國(guó)交通環(huán)境復(fù)雜，且很多道路并非按照標(biāo)準(zhǔn)建設(shè)，按照標(biāo)準(zhǔn)知識(shí)體系建立測(cè)試場(chǎng)景會(huì)與實(shí)際情況有很大差別。從試驗(yàn)成本和效率考慮，汽車智能駕駛系統(tǒng)測(cè)試場(chǎng)景的數(shù)量應(yīng)當(dāng)盡量少。

目前針對(duì)車輛行為狀態(tài)的預(yù)測(cè)已有相關(guān)研究，宗長(zhǎng)富等［8］提出一種隱馬爾科夫模型（HMM）與人工神經(jīng)網(wǎng)絡(luò)（ANN）相結(jié)合的模型，用于實(shí)現(xiàn)駕駛意圖辨識(shí)和駕駛行為預(yù)測(cè)。彭金栓等［9］基于駕駛員視覺(jué)特性與車輛運(yùn)動(dòng)狀態(tài)設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，構(gòu)建車輛換道行為預(yù)測(cè)模型。熊曉夏等［10］借助支持向量機(jī)（SVM）和基于混合高斯的隱馬爾科夫鏈提出道路交通事故鏈（CRTI）模型對(duì)道路事故進(jìn)行預(yù)測(cè)。文獻(xiàn)［11］中以模擬駕駛試驗(yàn)數(shù)據(jù)為依據(jù)，提出以目標(biāo)車道后車的最大減速度和平均減速度為衡量指標(biāo)，分析換道行為對(duì)道路交通安全的影響程度，并基于支持向量機(jī)理論建立換道安全性預(yù)測(cè)模型；此模型目前對(duì)駕駛意圖或駕駛行為識(shí)別有良好的預(yù)測(cè)效果，可應(yīng)用于車輛輔助駕駛系統(tǒng)中，但是對(duì)智能網(wǎng)聯(lián)環(huán)境中前車狀態(tài)的預(yù)測(cè)較少。文獻(xiàn)［12］中設(shè)計(jì)卡爾曼濾波器，通過(guò)信號(hào)融合處理，獲取汽車運(yùn)動(dòng)姿態(tài)參數(shù)的最優(yōu)估計(jì)值，采用多層遞階模型預(yù)測(cè)汽車未來(lái)時(shí)刻可能的行駛運(yùn)行狀態(tài)，提高汽車的主動(dòng)安全性。張金輝等［13］分析跟車工況的運(yùn)動(dòng)特性，建立貝葉斯網(wǎng)絡(luò)，對(duì)前車運(yùn)動(dòng)速度進(jìn)行預(yù)測(cè)。綜上所述，國(guó)內(nèi)外學(xué)者關(guān)于智能駕駛系統(tǒng)應(yīng)對(duì)風(fēng)險(xiǎn)的研究主要集中在對(duì)自車行為的預(yù)測(cè)分析，由于道路交通環(huán)境復(fù)雜，智能網(wǎng)聯(lián)環(huán)境中由人類駕駛員操控的前車車輛受駕駛員駕駛風(fēng)格的影響，對(duì)智能汽車來(lái)說(shuō)前車運(yùn)動(dòng)狀態(tài)隨機(jī)，現(xiàn)有的運(yùn)動(dòng)狀態(tài)預(yù)測(cè)方法難以用于預(yù)測(cè)前車隨機(jī)運(yùn)動(dòng)狀態(tài)。

鑒于此，本文中提出一種基于危險(xiǎn)場(chǎng)景聚類分析的前車隨機(jī)運(yùn)動(dòng)狀態(tài)預(yù)測(cè)方法。首先，對(duì)自然駕駛數(shù)據(jù)中的危險(xiǎn)片段數(shù)據(jù)進(jìn)行聚類得到不同的典型場(chǎng)景。隨后，提取各個(gè)場(chǎng)景下速度與加速度特征，建立馬爾可夫鏈蒙特卡洛（Markov Chain Monte Carlo，MCMC）模型，并且利用MCMC預(yù)測(cè)出各危險(xiǎn)場(chǎng)景下前車隨機(jī)運(yùn)動(dòng)狀態(tài)。最后，比較MCMC預(yù)測(cè)得到的前車運(yùn)動(dòng)狀態(tài)與實(shí)際運(yùn)動(dòng)狀態(tài)，驗(yàn)證提出的預(yù)測(cè)模型的有效性。

1 自然駕駛數(shù)據(jù)采集和篩選

本研究的數(shù)據(jù)全部來(lái)自中國(guó)大規(guī)模實(shí)車路試（China field operational test，China-FOT）的自然駕駛工況數(shù)據(jù)，累計(jì)在20臺(tái)車輛上安裝數(shù)據(jù)采集設(shè)備，進(jìn)行30萬(wàn)km的道路自然駕駛數(shù)據(jù)采集。試驗(yàn)車安裝了攝像機(jī)、毫米波雷達(dá)和GPS等傳感器，可以實(shí)時(shí)采集至少6路LVDS（低壓差分信號(hào)傳輸）高清視頻、2路車輛高幀率的 CAN信號(hào)、1路GPS信息、1路前視視頻和檢測(cè)結(jié)果，該系統(tǒng)不僅解決了場(chǎng)景數(shù)據(jù)采集，而且采用多傳感器同步采集車輛狀態(tài)和GPS等信號(hào)。視覺(jué)雷達(dá)融合系統(tǒng)由前視模塊和77 GHz毫米波雷達(dá)組成，實(shí)現(xiàn)目標(biāo)等級(jí)融合，前視模塊主要用于前方目標(biāo)的檢測(cè)與分類，毫米波雷達(dá)主要用于精準(zhǔn)測(cè)距測(cè)速，視覺(jué)雷達(dá)融合方案可以彌補(bǔ)相機(jī)在測(cè)距和測(cè)速方面的缺陷。

設(shè)備采集到的自然駕駛數(shù)據(jù)包含的自車信息有圖像幀號(hào)、自車速度、加速度、制動(dòng)踏板信號(hào)、制動(dòng)壓力、油門信號(hào)、擋位信息、GPS信息、車輛橫擺角速度和側(cè)向加速度；目標(biāo)物信息包括圖像幀號(hào)、目標(biāo)物ID、目標(biāo)物類型、目標(biāo)物距自車前向距離（以自車中軸線最前端為原點(diǎn)）、目標(biāo)物距自車的橫向距離、目標(biāo)物速度和相對(duì)速度。由于加速度在采集過(guò)程出現(xiàn)較大的異常值，采用普通濾波會(huì)讓數(shù)值失真，這里使用3-σ法則首先對(duì)加速度進(jìn)行異常值去除，再濾波處理。

采集的數(shù)據(jù)去除異常值后，“噪聲毛刺”并不多，文中采用均值濾波對(duì)速度和加速度進(jìn)行濾波處理，得到比較光滑的曲線，繼而使用差分法對(duì)加速度求微分得到加速度的導(dǎo)數(shù)，為后續(xù)截取危險(xiǎn)工況做準(zhǔn)備。

2 典型危險(xiǎn)場(chǎng)景聚類分析

根據(jù)我國(guó)實(shí)際情況，提取自然駕駛數(shù)據(jù)中危險(xiǎn)工況作為場(chǎng)景聚類基礎(chǔ)。篩選規(guī)則參考SHRP2自然駕駛數(shù)據(jù)中篩選危險(xiǎn)場(chǎng)景方法［14］，最終得到危險(xiǎn)工況片段116段。

每個(gè)危險(xiǎn)工況數(shù)據(jù)片段視頻都包含多個(gè)場(chǎng)景要素，確定聚類的要素選取范圍有環(huán)境信息、本車信息、目標(biāo)信息、交通信息、道路信息5大類。對(duì)所有危險(xiǎn)片段數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析發(fā)現(xiàn)，由于前車運(yùn)動(dòng)狀態(tài)不同，前車的危險(xiǎn)工況多數(shù)是制動(dòng)減速造成的，部分是由于切入造成的，這種情況下碰撞時(shí)間（timeto-collision，TTC）值無(wú)法準(zhǔn)確得到，因此統(tǒng)計(jì)時(shí)未考慮在其中。初步統(tǒng)計(jì)后，其中有一些變量不適合聚類分析，如本車運(yùn)動(dòng)狀態(tài)，自車直行占了82%，差異性不明確，但是在設(shè)計(jì)具體的場(chǎng)景中可以作為參考。同樣的變量還有公交車道、應(yīng)急車道、路面干燥條件，其中某一類占90%以上的比例。從初步確定的場(chǎng)景要素中去掉不適合進(jìn)行聚類分析的要素，最終得到12個(gè)場(chǎng)景要素，如表1所示。

本文中采用系統(tǒng)聚類的方法提取典型危險(xiǎn)場(chǎng)景，可以減少人們的主觀意識(shí)對(duì)分類結(jié)果的影響，聚類中涉及到距離的計(jì)算有變量與變量之間的距離、樣本與樣本之間的距離和類與類之間的距離。根據(jù)變量類型不同，一般分為名義變量和定量變量，本文只涉及到名義變量，由于不同變量存在不同數(shù)量的取值范圍，要求名義變量中不同變量值之間距離相等，規(guī)定不同值間距離為1，相同變量距離為0，本文中處理方式是將場(chǎng)景要素中的變量編碼轉(zhuǎn)化為向量，所有場(chǎng)景要素的變量編碼全部轉(zhuǎn)換，部分如表2所示。

由前述規(guī)定可知，相同變量間距離為0，不同變量間距離為1，計(jì)算樣本間距離時(shí)，利用總的樣本數(shù)減去不同樣本數(shù)再求倒數(shù)。設(shè) X1，X2，X3，…，Xn為來(lái)自總樣本中的p元樣本，第i個(gè)樣本表示為Xi＝（xi1，xi2，…，xip）（i＝1，2，3，…，n），第 i個(gè)樣本與第 j個(gè)樣本之間的距離dij表示為

表1 場(chǎng)景要素類型

表2 變量編碼轉(zhuǎn)換

類與類之間的距離采用類平均法表示，即類與類之間的平方距離的平均值，分別設(shè)GK、GL為含有nK和nL個(gè)樣本的類，其間距離DKL定義為

基于上述方法得到的場(chǎng)景要素聚類結(jié)果如圖1所示。在并類過(guò)程中，如果當(dāng)前次數(shù)的并類不一致系數(shù)比上一次聚類的不一致系數(shù)有大幅度提升，說(shuō)明該次并類的效果不是很好，而它前一次的并類效果較好，不一致系數(shù)增加的幅度越大，說(shuō)明上次效果越好，在使類的個(gè)數(shù)盡量少的前提下，可參照不一致系數(shù)對(duì)的變化來(lái)確定分類的個(gè)數(shù)，本文中研究的最終聚類個(gè)數(shù)為3類。

圖1 聚類樹形圖

將場(chǎng)景要素的變量在每類中的占比與此類變量在總體變量中所占比例作比較，得到每一類場(chǎng)景要素的典型特征，最終得到3種典型場(chǎng)景，見(jiàn)表3。

表3 聚類分析危險(xiǎn)場(chǎng)景

3 基于MCMC的前車隨機(jī)運(yùn)動(dòng)狀態(tài)預(yù)測(cè)

本節(jié)中將大量自然駕駛數(shù)據(jù)作為概率獲取的樣本，利用車輛狀態(tài)在短時(shí)間內(nèi)滿足馬爾可夫性的特征，構(gòu)建車輛隨機(jī)運(yùn)動(dòng)的預(yù)測(cè)模型，用MCMC來(lái)預(yù)測(cè)下一時(shí)刻車輛狀態(tài)。

3.1 車輛狀態(tài)劃分與編碼

利用馬氏鏈［15］對(duì)車輛狀態(tài)進(jìn)行表征，需要將車輛的速度和加速度二維狀態(tài)聯(lián)合進(jìn)行一維編碼，最終實(shí)現(xiàn)車輛狀態(tài)之間的轉(zhuǎn)移概率計(jì)算。設(shè)置速度取值區(qū)間和加速度取值區(qū)間，整個(gè)速度—加速度二維序列可被分成多個(gè)小隔間，每一個(gè)隔間內(nèi)存在速度-加速度點(diǎn)，稱之為一個(gè)狀態(tài)。為兼顧算法效率和后續(xù)解碼的準(zhǔn)確度，經(jīng)過(guò)多次試驗(yàn)得到，將速度步長(zhǎng)設(shè)為0.8 km／h、加速度步長(zhǎng)設(shè)為0.03 m／s2較為合適。不同場(chǎng)景下，交通流量不同，前車運(yùn)動(dòng)狀態(tài)不同，分別在3類場(chǎng)景中選取車輛速度-加速度樣本數(shù)據(jù)，進(jìn)行馬氏鏈模型的構(gòu)建。

選取各個(gè)場(chǎng)景自車速度和加速度值，繪制其二維散點(diǎn)相圖，隔間劃分方法是：用速度或加速度最大值與最小值的差除以相應(yīng)的步長(zhǎng)，得到速度和加速度隔間數(shù)目。統(tǒng)計(jì)所有速度-加速度點(diǎn)散落在各個(gè)隔間的概率，去掉概率為零的隔間，然后從左到右，從上到下依次蛇形編碼，最終實(shí)現(xiàn)車輛狀態(tài)二維轉(zhuǎn)一維的編碼。二維編碼示意圖見(jiàn)圖2，基于劃分的網(wǎng)格，對(duì)每個(gè)存在數(shù)據(jù)點(diǎn)的隔間編碼得到1，2，3，…，m，m＋1，…，m＋n等狀態(tài)。

圖2 二維編碼示意圖

3.2 馬爾科夫鏈狀態(tài)轉(zhuǎn)移矩陣計(jì)算

車輛在行駛過(guò)程中，當(dāng)時(shí)間間隔較小時(shí)，車輛未來(lái)的狀態(tài)與當(dāng)前狀態(tài)是相關(guān)的，與過(guò)去狀態(tài)無(wú)關(guān)，可視為離散的馬爾可夫鏈。馬爾科夫鏈模型表示為（S，P），S為馬氏鏈所有狀態(tài)組成的非空狀態(tài)集，P為馬氏鏈狀態(tài)轉(zhuǎn)移概率矩陣。由條件概率定義可知，狀態(tài)si轉(zhuǎn)移到狀態(tài)sj的狀態(tài)轉(zhuǎn)移概率pij可由式（3）表示：

其中，pij為馬氏鏈｛X（n）｝在t時(shí)刻的轉(zhuǎn)移概率，物理意義是事件從t時(shí)刻si轉(zhuǎn)移到t＋1時(shí)刻sj的概率，不同狀態(tài)轉(zhuǎn)移構(gòu)成了狀態(tài)轉(zhuǎn)移矩陣P。

歷史樣本數(shù)據(jù)中，速度與加速度被劃分為若干片段，組成不同的狀態(tài)，每個(gè)狀態(tài)有自己的狀態(tài)編碼，車輛在運(yùn)行時(shí)按照時(shí)間序列或從一個(gè)狀態(tài)轉(zhuǎn)移到另一個(gè)狀態(tài)，即發(fā)生了狀態(tài)轉(zhuǎn)移?？梢愿鶕?jù)這一特性，統(tǒng)計(jì)歷史工況數(shù)據(jù)，得到狀態(tài)轉(zhuǎn)移矩陣，計(jì)算公式如下：

狀態(tài)轉(zhuǎn)移概率矩陣具體實(shí)現(xiàn)步驟如下。

（1）將s個(gè)狀態(tài)組成s×s的矩陣，第i行j列元素表示狀態(tài)si下一時(shí)刻轉(zhuǎn)移到狀態(tài)sj的頻數(shù)Nij。

（2）以狀態(tài)隔間的中心值作為該隔間的代表值，根據(jù)隔間劃分步長(zhǎng)，找到隔間的上下限。

（3）離散數(shù)據(jù)的取樣時(shí)間間隔為0.1 s，計(jì)算當(dāng)前狀態(tài)速度和加速度經(jīng)過(guò)0.1 s后的速度值。

（4）查找歷史樣本數(shù)據(jù)當(dāng)前狀態(tài)經(jīng)過(guò)0.1 s后速度區(qū)間對(duì)應(yīng)的樣本數(shù)量。

（5）統(tǒng)計(jì)上一步驟中樣本屬于下一狀態(tài)速度和加速度區(qū)間的樣本數(shù)量，即為當(dāng)前狀態(tài)轉(zhuǎn)移到下一狀態(tài)的頻數(shù)。

（6）狀態(tài)轉(zhuǎn)移概率pij可由狀態(tài)轉(zhuǎn)移頻數(shù)除以所在行所有狀態(tài)轉(zhuǎn)移頻數(shù)的和得到。

水庫(kù)樞紐由大壩、溢洪道、輸水洞、泄洪洞和水電站等五部分組成。大壩為漿砌石重力墻式堆石壩，壩高46 m，長(zhǎng)350 m。

3.3 前車隨機(jī)運(yùn)動(dòng)狀態(tài)預(yù)測(cè)模型

本節(jié)中利用隨機(jī)抽樣的MCMC方法來(lái)預(yù)測(cè)車輛未來(lái)狀態(tài)，通過(guò)解碼建立前車隨機(jī)運(yùn)動(dòng)的預(yù)測(cè)模型。

對(duì)擁有 n個(gè)狀態(tài)的馬氏鏈分布列｛X（t），t＝1，2，…，n｝，它的狀態(tài)轉(zhuǎn)移矩陣為P，對(duì)其進(jìn)行模擬，蒙特卡羅模擬具體步驟如下。

（1）根據(jù)前文編碼的方式，明確當(dāng)前時(shí)刻車輛的狀態(tài)，假設(shè)［v0，a0］通過(guò)編碼得到狀態(tài) s0，則初始U0＝s0，同時(shí)生成隨機(jī)數(shù)組｛r1，r2，r3，…｝，隨機(jī)數(shù)組的個(gè)數(shù)根據(jù)需要模擬預(yù)測(cè)的未來(lái)狀態(tài)個(gè)數(shù)來(lái)確定，其中 ri要求滿足 0＜ri＜1。

（2）求下一時(shí)刻預(yù)測(cè)的狀態(tài)，在狀態(tài)X（0）＝s0已經(jīng)發(fā)生的條件下，X（1）的條件分布概率為P（X（1）＝sj｜X（0）＝s0）＝p0j，j＝1，2，3，…，n，此概率是已知的，可以從狀態(tài)轉(zhuǎn)移矩陣P中取出第k0行所有元素（所有馬爾科夫鏈狀態(tài)的第k0個(gè)狀態(tài)即為狀態(tài)s0）。

（3）取隨機(jī)數(shù)r1，如果存在對(duì)某個(gè)k1滿足式（5），則確定車輛下一個(gè)狀態(tài)為 s1，即 U1＝s1。

（4）同理模擬預(yù)測(cè)s1下一時(shí)刻樣本U2，已知當(dāng)前狀態(tài)為 s1，即 X（1）＝s1已知，X（2）的條件分布列即為第k1行的所有概率，取出第k1行所有元素，求k2使其滿足式（6），用 s2表示馬氏鏈的第 k2個(gè)狀態(tài)，則下一時(shí)刻樣本U2＝s2。

（5）重復(fù)上述步驟，直到得到所有的預(yù)測(cè)狀態(tài)Un＝｛s1，s2，…｝。

（6）通過(guò)上述MCMC模擬過(guò)程得到預(yù)測(cè)狀態(tài)序列Un，對(duì)其狀態(tài)編碼進(jìn)行解碼，解碼方式是：反查編碼對(duì)應(yīng)的速度和加速度隔間，取隔間的中值作為該狀態(tài)的速度和加速度信息。

4 驗(yàn)證與分析

4.1 場(chǎng)景1危險(xiǎn)城市道路工況

根據(jù)城市道路場(chǎng)景中交通流具體情況，選取第2節(jié)聚類得到的城市工況下所有的車輛數(shù)據(jù)作為馬氏鏈模型的歷史信息樣本數(shù)據(jù)。經(jīng)統(tǒng)計(jì)，城市工況下危險(xiǎn)發(fā)生時(shí)刻，自車速度多集中在20～60 km／h，目標(biāo)車速度多集中在20～35 km／h，目標(biāo)車加速度呈近似正態(tài)分布。

聚類場(chǎng)景1中速度 加速度散點(diǎn)圖如圖3所示，根據(jù)散點(diǎn)圖散落的隔間，統(tǒng)計(jì)得到3 913個(gè)狀態(tài)，以速度和加速度分別為x軸和y軸，一維狀態(tài)編碼號(hào)為z軸，得到的二維狀態(tài)編碼空間分布圖如圖4所示，每一個(gè)“＋”代表一個(gè)狀態(tài)。

4.2 場(chǎng)景2危險(xiǎn)高速夜間工況

高速夜間場(chǎng)景中，危險(xiǎn)發(fā)生時(shí)刻自車速度近似正態(tài)分布，多數(shù)集中在40 km／h左右，由于夜間行車能見(jiàn)度較低，危險(xiǎn)發(fā)生時(shí)刻目標(biāo)車速度普遍在20 km／h左右，而且前車加速度分布較廣，以此推斷多數(shù)危險(xiǎn)時(shí)刻發(fā)生在低速駛出高速進(jìn)入匝道時(shí)。圖5和圖6表示聚類出高速夜間場(chǎng)景速度-加速度分布和狀態(tài)隔間分布。利用上述狀態(tài)表達(dá)和編碼的方法，高速夜間場(chǎng)景下速度- 加速度經(jīng)過(guò)編碼得到1 685個(gè)狀態(tài)。

圖3 城市工況散點(diǎn)圖

圖4 城市工況二維編碼空間分布圖

圖5 高速夜間工況散點(diǎn)圖

4.3 場(chǎng)景3危險(xiǎn)郊區(qū)工況

在聚類得到的第3類危險(xiǎn)場(chǎng)景中，典型場(chǎng)景是郊區(qū)彎道，危險(xiǎn)發(fā)生時(shí)刻自車速度多為均勻分布，目標(biāo)車輛速度集中在20 km／h左右，將所有第3類聚場(chǎng)景的自車速度和加速度樣本作為馬氏鏈的歷史工況數(shù)據(jù)，通過(guò)二維狀態(tài)一維化，得到1 768個(gè)狀態(tài)，狀態(tài)表達(dá)如圖7和圖8所示。

圖6 高速夜間工況二維編碼空間分布圖

圖7 郊區(qū)彎道工況散點(diǎn)圖

圖8 郊區(qū)彎道工況二維編碼空間分布圖

4.4 隨機(jī)預(yù)測(cè)模擬

采用蒙特卡洛模擬方式，將聚類出的3類場(chǎng)景中自車速度和加速度作為歷史數(shù)據(jù)，采樣時(shí)間為0.1 s，預(yù)測(cè)未來(lái)15 s內(nèi)的速度與加速度狀態(tài)，結(jié)果如圖9～圖11所示。

圖9 場(chǎng)景1蒙特卡羅模擬與歷史工況數(shù)據(jù)對(duì)比

圖10 場(chǎng)景2蒙特卡羅模擬與歷史工況數(shù)據(jù)對(duì)比

圖9～圖11分別是聚類出的3類場(chǎng)景中的歷史數(shù)據(jù)進(jìn)行隨機(jī)蒙特卡洛模擬后，得到的速度與加速度圖，在每種場(chǎng)景下取速度和加速度樣本，隨機(jī)模擬得到不同的速度-加速度分布，隨機(jī)選取一段數(shù)據(jù)與模擬得到的數(shù)據(jù)對(duì)比。從圖中可以看出，模擬得到的車輛狀態(tài)與歷史工況中的車輛狀態(tài)運(yùn)動(dòng)趨勢(shì)相似，出現(xiàn)偏差是由于歷史工況數(shù)據(jù)中存在不同車型和不同時(shí)刻的危險(xiǎn)場(chǎng)景數(shù)據(jù)，利用馬爾科夫蒙特卡洛模擬得到的結(jié)果是對(duì)這些數(shù)據(jù)學(xué)習(xí)而得，因此并不能完全一致，而且這些差別體現(xiàn)了車輛狀態(tài)的隨機(jī)性表達(dá)。因此，馬爾可夫鏈蒙特卡洛模擬能夠表現(xiàn)出車輛運(yùn)動(dòng)隨機(jī)性并根據(jù)樣本數(shù)據(jù)模擬出未來(lái)車輛運(yùn)動(dòng)狀態(tài)。由于在進(jìn)行馬爾可夫鏈采樣時(shí)，對(duì)速度和加速度離散化，解碼得到的速度和加速度是由離散的速度和加速度拼接而成的，所以圖中加速度波動(dòng)明顯。

圖11 場(chǎng)景3蒙特卡羅模擬與歷史工況數(shù)據(jù)對(duì)比

5 結(jié)論

本文中首先采用SHRP2危險(xiǎn)場(chǎng)景判定方法提取自然駕駛數(shù)據(jù)危險(xiǎn)場(chǎng)景特征，從數(shù)以兆計(jì)的自然駕駛數(shù)據(jù)中提取出危險(xiǎn)場(chǎng)景片段，截取數(shù)據(jù)流和視頻流。通過(guò)對(duì)危險(xiǎn)場(chǎng)景數(shù)據(jù)中場(chǎng)景要素的標(biāo)記提取場(chǎng)景關(guān)鍵要素，對(duì)危險(xiǎn)場(chǎng)景要素作聚類分析，最終得出符合我國(guó)實(shí)際道路的3類典型危險(xiǎn)場(chǎng)景。隨后，將聚類分析得到的危險(xiǎn)場(chǎng)景下速度和加速度數(shù)據(jù)作為歷史工況數(shù)據(jù)，采用MCMC理論建立了車輛運(yùn)動(dòng)狀態(tài)隨機(jī)預(yù)測(cè)模型，證明了危險(xiǎn)場(chǎng)景下前車運(yùn)動(dòng)狀態(tài)的預(yù)測(cè)能力，經(jīng)過(guò)與實(shí)際原始數(shù)據(jù)對(duì)比發(fā)現(xiàn)，預(yù)測(cè)得到的狀態(tài)數(shù)據(jù)能夠有效表達(dá)聚類分析得到的危險(xiǎn)場(chǎng)景下前車的隨機(jī)運(yùn)動(dòng)狀態(tài)。