涂輝招，崔 航，鹿 暢，李 浩，劉建泉，侯德藻

（1.同濟(jì)大學(xué)道路與交通工程教育部重點實驗室，上海201804；2.上海臨港智能網(wǎng)聯(lián)汽車研究中心有限公司，上海201306；3.交通運(yùn)輸部公路科學(xué)研究院，北京100088）

路測（道路測試）是自動駕駛技術(shù)迭代成熟和商業(yè)化應(yīng)用的關(guān)鍵環(huán)節(jié)。近年來，世界各個國家和地區(qū)積極推進(jìn)大規(guī)模自動駕駛路測［1］。我國北京、上海等地率先劃定自動駕駛測試道路區(qū)域，并發(fā)放測試牌照［2］。截至2019 年年底，北京市自動駕駛車輛已安全測試達(dá)到104萬km［3］。

在路測過程中，由于技術(shù)成熟度不足，自動駕駛車輛易受多因素干擾發(fā)生脫離，嚴(yán)重影響駕駛安全性與舒適性。依據(jù)加州機(jī)動車管理局的定義，脫離（disengagement）是一種車輛的自動駕駛模式失效行為。當(dāng)檢測到自動駕駛技術(shù)故障、車輛存在安全運(yùn)行需求時，駕駛員（安全員）需切換自動駕駛模式并立即手動接管車輛［4］。按照不同致因脫離可分為被動脫離和主動脫離。被動脫離指受硬件故障、軟件失效、天氣及路面條件不佳等因素影響，車輛檢測到故障無法繼續(xù)執(zhí)行，被迫退出自動駕駛模式，要求駕駛員接管［4-7］。主動脫離指車輛未檢測到故障，但駕駛員為保證安全或由于車輛不符合人類習(xí)慣等因素而采取人工干預(yù)，主動觸發(fā)自動駕駛模式退出。硬件問題、軟件能力不足、緊急情況、駕駛員預(yù)防性干預(yù)等是其主要致因［4-7］。

為了分析自動駕駛車輛脫離帶來的影響，文獻(xiàn)［8-13］基于駕駛模擬器，分析了不同因素和不同場景對脫離后駕駛員接管效率的影響。如Mok 等［8］、Gold 等［9］、Wan 和 Wu［10］就自動駕駛車輛脫離行為，分析了不同前置時間下駕駛員接管績效。Zeeb等［11］探討了車輛處于正常自動駕駛模式時，次任務(wù)對接管品質(zhì)的影響。林慶峰等［12］分析了城市道路環(huán)境下高度自動駕駛中非駕駛相關(guān)任務(wù)和接管緊迫度對接管績效的影響。鈕建偉等［13］分析了前方急剎車、車輛突然插入兩種險情下自動駕駛接管行為。文獻(xiàn)［7，14］基于實測數(shù)據(jù)，解析了自動駕駛車輛脫離的原因及其影響。Wang 和Li［7］運(yùn)用統(tǒng)計建模與分類樹等方法定量分析了不同等級自動駕駛車輛的脫離原因，以及不同脫離原因、場景特性對駕駛員接管時間的影響。Boggs 等［14］運(yùn)用 Logit 模型，從測試位置、脫離原因、測試成熟度三個方面考慮，識別影響自動駕駛車輛脫離的關(guān)鍵因素。

部分機(jī)構(gòu)與學(xué)者，構(gòu)建單次脫離行駛里程（miles per disengagement，MPD）［4］、累積英里脫離率［15］等指標(biāo)模型，表征路測中自動駕駛車輛的脫離情況。利用自動駕駛路測實際數(shù)據(jù)，評價測試車輛的駕駛能力。單次脫離行駛里程越大、累積英里脫離率越低，自動駕駛車輛駕駛能力越好。加州《2019年自動駕駛脫離報告》統(tǒng)計結(jié)果表明，雖然百度脫離率為18 050mile·次-1（約29 049 km·次-1，1mile＝1.609 344 km），位列36家路測企業(yè)第一［16］，但是提交報告的各個公司對“脫離”的定義卻不同。

主動脫離往往由駕駛員經(jīng)主觀判斷后決定是否切換自動駕駛模式。在路測中，若駕駛員尚未感知到測試中的碰撞風(fēng)險，但受個人習(xí)慣、測試條件等干擾而進(jìn)行主動干預(yù)，會使原本可以繼續(xù)安全行駛的自動駕駛車輛主動脫離。這類脫離難以真實反映自動駕駛車輛本身因技術(shù)設(shè)備、環(huán)境適應(yīng)性等問題出現(xiàn)的自動失效行為。單次脫離行駛里程、累積英里脫離率等指標(biāo)模型的計算，則未剔除上述主動脫離類型的影響［4，15］，使得脫離次數(shù)增多。因此，這類評價結(jié)果在一定程度上低估了自動駕駛車輛在路測中的真實駕駛能力。此外，路測中，脫離原因及類型等數(shù)據(jù)的記錄還存在準(zhǔn)確性不足、數(shù)據(jù)共享難［2］等問題。因此有必要基于自動駕駛路測實際數(shù)據(jù)進(jìn)行脫離類型辨別，反映車輛脫離的真實情況，為當(dāng)前脫離率模型的優(yōu)化提供支撐。

本文利用無監(jiān)督學(xué)習(xí)中的K-means 聚類算法，辨別避險脫離與非避險脫離，提出優(yōu)化的自動駕駛路測避險脫離率模型。通過對上海市城市道路和快速路兩類場景的路測數(shù)據(jù)，進(jìn)行脫離類型的辨別，驗證并分析本文提出的避險脫離率模型。

1 自動駕駛車輛脫離類型辨別

1.1 名詞定義

（1）非避險脫離：即非避險主動脫離，指在實際路測過程中，駕駛員未感知到碰撞風(fēng)險，但受個人習(xí)慣、測試時間及區(qū)域限制等影響進(jìn)行主動干預(yù)，使原本可以繼續(xù)安全行駛的自動駕駛車輛主動脫離，如圖1所示。該類脫離目的并非規(guī)避自動駕駛測試過程中的運(yùn)行安全風(fēng)險。

圖1 避險脫離與非避險脫離定義Fig.1 Definition of risk-avoiding disengagement and non-risk-avoiding disengagement

（2）避險脫離：包括被動脫離及避險主動脫離。避險主動脫離指在實際路測過程中，受軟硬件失效、緊急情況等因素干擾，盡管自動駕駛車輛未檢測到異常，但由于存在碰撞風(fēng)險，駕駛員不得不進(jìn)行干預(yù)而保持安全，使車輛脫離。該類脫離目的是規(guī)避自動駕駛測試過程中的運(yùn)行安全風(fēng)險。

（3）脫離時長：指在脫離狀態(tài)下，車輛從脫離時刻開始經(jīng)歷的時長。脫離狀態(tài)指脫離前車輛從感知故障到脫離、脫離后駕駛員從接管到行駛穩(wěn)定的全過程。

（4）脫離時長閾值：指在某一脫離時長內(nèi)，脫離后車輛行為與脫離前相應(yīng)時長內(nèi)車輛行為差異最大，該脫離時長即為脫離時長閾值。脫離時長閾值劃定了不同脫離類型特性分析的時長范圍，可以較顯著地反映脫離帶來的車輛行為變化，超出脫離時長閾值車輛趨于穩(wěn)定行駛。

1.2 基本假設(shè)

假設(shè)1：Morgan等［17］研究了城市道路和郊區(qū)道路自動駕駛接管時間，結(jié)果表明最長的接管時間（接管發(fā)生到駕駛員重新平穩(wěn)掌控車輛的時間）為15～20 s。因此本文假設(shè)脫離時長閾值最大為15 s，即在車輛脫離15 s后駕駛員不受車輛脫離影響，趨于穩(wěn)定行駛。

假設(shè)2：脫離時長閾值最小為3 s，即認(rèn)為駕駛員至少需3 s以上的時間完成全部的人工干預(yù)措施。

假設(shè)3：就非避險脫離而言，脫離時刻前后車輛速度差小于避險脫離。避險脫離主要源于設(shè)備故障、技術(shù)失效、緊急情況等，駕駛員需采取措施規(guī)避風(fēng)險。脫離更具偶然性與隨機(jī)性。非避險脫離源于駕駛員主觀判斷與選擇，駕駛員規(guī)避風(fēng)險很小，脫離更具可預(yù)見性、可操縱性。因此，避險脫離對駕駛員反應(yīng)時間、接管績效要求高，安全風(fēng)險更大。因此，駕駛員會采取更激烈的減速避讓措施。

1.3 脫離類型辨別方法

自動駕駛車輛脫離類型辨別主要包括數(shù)據(jù)預(yù)處理、脫離時長閾值確定、脫離類型辨別三部分，總體流程如圖2所示。

1.3.1 數(shù)據(jù)預(yù)處理

圖2 脫離類型辨別流程Fig.2 Process of identification of disengagement types

受設(shè)備故障、信號干擾等因素影響，路測實際采集數(shù)據(jù)存在不同程度的缺失與異常。因此，需清洗異常指標(biāo)、修復(fù)存疑駕駛模式。選取實測數(shù)據(jù)的車速特征值，基于機(jī)器學(xué)習(xí)的方法辨別存疑的駕駛模式記錄數(shù)據(jù)，進(jìn)行重新標(biāo)記與修復(fù)。

1.3.2 脫離時長閾值確定

自動駕駛模式轉(zhuǎn)化為人工駕駛模式時，易出現(xiàn)剎車減速情況，前后速度發(fā)生變化［18］。在一定脫離時長范圍內(nèi)，駕駛員將不斷調(diào)整行為來適應(yīng)脫離帶來的影響，但超出一定脫離時長，駕駛員將不受脫離影響而趨于穩(wěn)定行駛。確定脫離前后車輛行為變化最顯著的時間范圍，脫離時長閾值，量化脫離造成的影響。根據(jù)假設(shè)1和假設(shè)2，提取脫離前后15 s及以內(nèi)數(shù)據(jù)段，按3～15 s 的脫離時長，依次對脫離前后相應(yīng)時長內(nèi)（如脫離前3 s、脫離后3 s）瞬時速度進(jìn)行顯著性檢驗，單位km·h-1。顯著性差異最大的脫離時長即為脫離時長閾值。常用的顯著性檢驗方法包括參數(shù)檢驗與非參數(shù)檢驗。在檢驗前，對車速數(shù)據(jù)進(jìn)行正態(tài)分布性［19］、方差齊次性［20］檢驗，依據(jù)結(jié)果，選取合適的參數(shù)檢驗方法。

1.3.3 脫離類型辨別

脫離時長閾值內(nèi)，脫離前后車輛行為變化顯著。選取合理特征值表征不同脫離類型下的車輛行為，進(jìn)而辨別不同脫離類型。

（1）特征值選取

自動駕駛車輛脫離前后速度易變化［18］。自動駕駛車輛脫離瞬間，駕駛員需采取人工干預(yù)措施。脫離后1 s、脫離后5 s、脫離后10 s 等不同時刻下駕駛行為存在差異，速度往往由波動趨于平穩(wěn)?？紤]脫離時長閾值內(nèi)脫離前后不同時刻速度變化差異，選取平均速度差（average speed difference，ASD）、瞬時速度差（instantaneous speed difference，ISD）和短時平均速度差（short-term speed difference，SSD）三個特征指標(biāo)，表征脫離前后駕駛特性變化。

式中：VASD為平均速度差，km·h-1為脫離前a內(nèi)速度均值，km·h-1：a為脫離時長，s為脫離后a內(nèi)速度均值，km·h-1。

式中：VISD為瞬時速度差-，km·h-1為脫離前1 s內(nèi)速度均值，km·h-1；為脫離后 1 s 內(nèi)速度均值，km·h-1。

式中：VSSD為短時速度差，km·h-1為脫離前a/2內(nèi)速度均值，km·h-1為脫離后a/2內(nèi)速度均值，km·h-1。

脫離時長a受脫離時長閾值限制，若a超出脫離時長閾值，則取脫離時長閾值。

平均速度差指脫離時長內(nèi)前后速度均值差，反映脫離全過程對駕駛特性影響。瞬時速度差指脫離前后1 s速度差，反映脫離瞬間對駕駛特性影響。短時平均速度差指1/2 脫離時長內(nèi)前后速度均值差，反映自動駕駛車輛脫離后，駕駛員采取人工干預(yù)措施的差異。

（2）脫離類型辨別

基于平均速度差、瞬時速度差、短時平均速度差特征值，構(gòu)建自動駕駛脫離特征數(shù)據(jù)集。依據(jù)脫離特征，利用聚類算法將自動駕駛車輛所有脫離記錄分為兩種類型?？紤]數(shù)據(jù)結(jié)構(gòu)特性、方法適應(yīng)性，選取無監(jiān)督學(xué)習(xí)中聚類算法［21］，進(jìn)行數(shù)據(jù)迭代計算，以達(dá)到較優(yōu)聚類效果。根據(jù)假設(shè)3，特征值較小的一類辨別為非避險脫離，特征值較大的一類辨別為避險脫離。

2 避險脫離率模型構(gòu)建方法

2.1 模型構(gòu)建

基于脫離類型的辨別結(jié)果，構(gòu)建避險脫離率（riskavoiding disengagement frequency，RADF）模型。

式中：IRADF為避險脫離率，次·100-1·km-1；IRAD為避險脫離次數(shù)（risk-avoiding disengagement），即特定測試區(qū)域與測試時期內(nèi)，自動駕駛車輛避險脫離的總次數(shù)，次；M為自動駕駛模式累積行駛里程，即特定測試區(qū)域與測試時期內(nèi)，駕駛模式為自動駕駛的累積行駛里程，km。

2.2 模型應(yīng)用

避險脫離率模型剔除了自動駕駛車輛非避險脫離對模型評價的影響，可客觀量化與表征測試車輛脫離情況。避險脫離率越大，每100 km避險脫離次數(shù)越多，駕駛能力越低。實際應(yīng)用中，基于不同路測數(shù)據(jù)，選擇不同測試區(qū)域、時間、車輛，約束脫離次數(shù)及累積行駛里程，計算與對比不同維度下的脫離率模型。

3 案例分析

3.1 數(shù)據(jù)屬性

（1）測試場景

數(shù)據(jù)來源于上海市城市道路、快速路兩類場景下采集的自動駕駛車輛測試數(shù)據(jù)，如圖3 和圖4 所示。城市道路場景開放性高、限速相對低，受交叉口、非機(jī)動車及行人影響較大。快速路場景封閉性高、限速相對高，且在實際測試中自動駕駛車輛前后有警車保護(hù)，安全隱患較低。相比城市道路場景，快速路場景復(fù)雜度相對簡單。

圖4 快速路場景示意圖（34 km東海大橋段）Fig.4 Expressway scenario (34 kms of East Sea Bridge)

（2）數(shù)據(jù)情況

數(shù)據(jù)字段包括車輛編號、經(jīng)緯度、定位時間、車輛速度、車輛駕駛模式（自動駕駛模式/人工駕駛模式）等字段，時間顆粒度為1 s。選取城市道路場景采集數(shù)據(jù)約3.3 萬條，時間跨度為2018 年8 月至2019 年7 月?？焖賵鼍安杉瘮?shù)據(jù)約53 萬條，時間跨度為2019年7月至2019年10月。

3.2 脫離類型辨別

3.2.1 數(shù)據(jù)預(yù)處理

剔除采集數(shù)據(jù)中速度空值、小于1 km·h-1或大于100 km·h-1速度數(shù)據(jù)集。依托速度計算加速度、減速度值，若加減速度絕對值大于9.0 m·s-2則剔除。針對采集數(shù)據(jù)中自動駕駛模式存疑問題，選取平均車速、車速標(biāo)準(zhǔn)差、速度差絕對值平均值、速度差絕對值85 分位值和度差絕對值15 分位值特征指標(biāo)，優(yōu)選模式識別算法，構(gòu)建隨機(jī)森林性模型進(jìn)行駕駛模式的辨別與修復(fù)。

3.2.2 脫離時長閾值確定

預(yù)處理后城市道路場景、快速路場景速度數(shù)據(jù)經(jīng)檢驗未通過正態(tài)分布、方差齊次檢驗。故選擇非參數(shù)檢驗中常用的秩和檢驗進(jìn)行3～15 s 內(nèi)脫離前后速度的顯著性檢驗。為了便于繪圖比較分析，縱坐標(biāo)取P值對數(shù)，結(jié)果如圖5和圖6所示。

根據(jù)顯著性檢驗原理，P值越小則顯著性差異越大。圖5 城市道路場景中，自動駕駛車輛脫離前后13 s速度差異最顯著。圖6快速路場景中，自動駕駛車輛脫離前后14 s速度差異最顯著。由此確定城市道路、快速路場景自動駕駛脫離時長閾值分別為13、14 s。

圖5 城市道路場景脫離前后速度顯著性檢驗Fig.5 Significant test of speed before and after disengagement in urban road scenario

圖6 快速路場景脫離前后速度顯著性檢驗Fig.6 Significant test of speed before and after disengagement in expressway scenario

3.2.3 脫離類型辨別

選取平均速度差、瞬時速度差、短時平均速度差三個特征指標(biāo)，結(jié)合數(shù)據(jù)結(jié)構(gòu)特性，運(yùn)用無監(jiān)督學(xué)習(xí)中K-means聚類方法，對城市道路、快速路場景進(jìn)行脫離類型的聚類與識別，結(jié)果見表1。將三維的空間聚類結(jié)果以二維形式展示，如圖7和圖8所示。

表1 脫離類型辨別Tab.1 Identification of disengagement types次

圖7 和圖8 結(jié)果顯示，城市道路場景中，自動駕駛車輛避險脫離次數(shù)占總體脫離的32.2%。快速路場景中，自動駕駛車輛避險脫離次數(shù)占總體脫離的14.9 %。相比快速路場景，城市道路場景更復(fù)雜，易因設(shè)備故障、緊急情況產(chǎn)生較大碰撞風(fēng)險，因此避險脫離占比相對較高。

圖7 城市道路場景脫離類型辨別（單位：km·h-1）Fig.7 Identification of disengagement types in urban road scenario(unit:km·h-1)

3.3 脫離率模型對比分析

（1） 脫離率模型計算

基于自動駕駛車輛脫離類型辨別結(jié)果，約束脫離次數(shù)，計算城市道路場景和快速路場景下，所有路測車輛每發(fā)生一次脫離時的避險脫離率與傳統(tǒng)脫離率。表2給出了兩種脫離率模型評價結(jié)果對比。表中脫離率指每發(fā)生一次脫離時的脫離率。

圖8 快速路場景脫離類型辨別（單位：km·h-1）Fig.8 Identification of disengagement types in expressway scenario(unit:km·h-1)

（2） 避險脫離率與傳統(tǒng)脫離率評價結(jié)果對比

傳統(tǒng)脫離率模型包括了車輛所有脫離情況。優(yōu)化后的避險脫離率則剔除了非避險脫離情況。約束脫離次數(shù)，對比每發(fā)生一次脫離時的避險脫離率與傳統(tǒng)脫離率，如表2、圖9～圖11所示。結(jié)果表明，城市道路場景下，避險脫離率15分位數(shù)、中位數(shù)、85分位數(shù)較傳統(tǒng)脫離率分別降低58.6%、85.0%、87.9%。以脫離率實際值的倒數(shù)表征駕駛能力，自動駕駛車輛駕駛能力平均提升4.8倍?？焖俾穲鼍跋卤茈U脫離率分別降低83.6%、90.4%、88.2%，車輛駕駛能力平均提升7.3倍?；诒茈U脫離率模型，快速路場景中測試車輛駕駛能力的評價結(jié)果更加客觀。

表2 兩種脫離率模型評價結(jié)果對比Tab.2 Comparison between evaluation results of two disengagement frequency models

圖9 城市道路場景兩種脫離率模型評價結(jié)果Fig.9 Evaluation results of two types of disengagement frequency model in urban road scenario

圖10 快速路場景兩種脫離率模型評價結(jié)果Fig.10 Evaluation results of two types of disengagement frequency model in expressway scenario

圖11 不同場景模型評價結(jié)果Fig.11 Evaluation results of two types of disengagement frequency model in two scenarios

如表2、圖11所示，快速路場景下傳統(tǒng)脫離率15分位數(shù)、中位數(shù)、85分位數(shù)均高于城市道路場景，測試車輛駕駛能力整體表現(xiàn)較差。這主要是因為快速路場景中測試車輛非避險脫離占比較大，如表1所示。模型優(yōu)化后，快速路場景下避險脫離率15分位數(shù)、中位數(shù)均低于城市道路場景。這主要是因為實際測試中的快速路場景相對簡單，緊急情況發(fā)生概率較低。然而，受實際路測情況影響，快速路場景避險脫離率85分位數(shù)仍高于城市道路場景，存在個別測試路段發(fā)生短時間內(nèi)車輛避險脫離的情況。這可能與實際測試環(huán)境、測試策略、車輛性能相關(guān)，后續(xù)可結(jié)合監(jiān)控及記錄數(shù)據(jù)開展深入分析。避險脫離率模型在不同場景中評價結(jié)果更加客觀，剔除駕駛員主觀選擇的非避險脫離，較為科學(xué)合理地反映了車輛真實的駕駛能力。

4 結(jié)語

本文在辨別與剔除非避險脫離的基礎(chǔ)上，構(gòu)建了面向自動駕駛路測駕駛能力評估的避險脫離率模型?；谏虾Ｊ谐鞘械缆泛涂焖俾穲鼍白詣玉{駛路測數(shù)據(jù)，對比分析了不同場景下避險脫離率與傳統(tǒng)脫離率模型的評價結(jié)果差異。結(jié)果表明，與傳統(tǒng)脫離率模型相比，避險脫離率模型更具客觀性，可在一定程度上解決現(xiàn)有脫離率模型低估測試車輛駕駛能力的現(xiàn)象，具有一定理論與實際應(yīng)用價值。后續(xù)研究中，拓展測試數(shù)據(jù)來進(jìn)一步驗證模型的合理性，提升脫離類型辨別方法的適應(yīng)性與高效性。同時，擬補(bǔ)充人工記錄的路測脫離原因數(shù)據(jù)，與模型辨別結(jié)果進(jìn)行比對檢驗，驗證避險脫離率模型的準(zhǔn)確性與可靠性。