基于真實事故案例的自動緊急制動系統(tǒng)兩輪車測試場景研究*

胡 林，易 平，黃 晶，張 新，雷正保

（1.長沙理工大學(xué)汽車與機械工程學(xué)院，長沙 410114；2.長沙理工大學(xué)，工程車輛安全性設(shè)計與可靠性技術(shù)湖南省重點實驗室，長沙 410114；3.湖南大學(xué)，汽車車身先進設(shè)計制造國家重點實驗室，長沙 410082）

前言

隨著汽車數(shù)量的不斷增長，交通事故也隨之增多。每年，全球約有120萬人死于交通事故。在我國道路交通中，每年發(fā)生的交通事故約50萬起，死亡人數(shù)超過10萬人，居世界第一［1］。據(jù)國家統(tǒng)計局統(tǒng)計，2016年我國共發(fā)生摩托車道路交通事故43 196起，造成52 528人受傷，11 235人死亡；發(fā)生非機動車道路交通事故17 747起，造成19 678人受傷，2 968人死亡；其中，發(fā)生自行車道路交通事故1 460起，造成1 337人受傷，341人死亡［2］。為此，提高汽車安全性能，減少交通事故或減輕交通事故，尤其是兩輪車道路交通事故所造成的傷害，成為全社會所關(guān)注的焦點。

自動緊急制動（AEB）系統(tǒng)作為一項重要的汽車主動安全技術(shù)［3］，必然會成為提高汽車安全性能的技術(shù)之一。AEB系統(tǒng)檢測并識別車輛前方的潛在危險情況，并在緊急情況下協(xié)助制動或自動緊急制動［4］。2014年，Euro NCAP正式將AEB系統(tǒng)納入新車評價規(guī)程［5-6］。2016年，中國新車評價規(guī)程 CNCAP完成了AEB系統(tǒng)測試評估方法的規(guī)程制定［7］，2018年，AEB系統(tǒng)測試正式納入新車評價規(guī)程，其中包括AEB針對追尾碰撞和行人保護兩方面的性能評價［8-11］。在AEB系統(tǒng)測試中，測試場景必須與實際道路交通事故場景相對應(yīng)［12］。因此，采用真實的汽車與兩輪車交通事故場景用于AEB兩輪車系統(tǒng)測試的測試場景是必要的。

目前，各國對AEB系統(tǒng)測試場景的研究主要集中在車- 車工況和車- 人工況，對汽車與兩輪車工況鮮有研究［13-16］。劉穎等人以我國實際道路交通事故工況作為數(shù)據(jù)來源，通過聚類分析方法分析實際道路交通事故數(shù)據(jù)，得到5種典型的事故場景，并據(jù)此設(shè)計了適用于我國道路交通狀況的AEB行人系統(tǒng)測試場景［17］。朱西產(chǎn)和李霖等人對上海地區(qū)真實交通中的自然行駛工況進行視頻采集、篩選，通過聚類分析和卡方檢驗得到了7類典型的兩輪車交通事故危險場景［12］。江麗君和劉軍勇等人根據(jù)車輛運動和兩輪車相對車輛運動，將事故場景分為72類，并根據(jù)各類場景的事故數(shù)量和受重傷比例，確定了6類典型的事故場景［18］。詹姆斯·列納德等人利用聚類分析法分析了英國兩個大型數(shù)據(jù)庫中的案例，最終確定6類典型的事故場景，并選取其中最為常見的一類作為AEB行人系統(tǒng)測試的主要場景［19］。為進一步開發(fā) Cyclist-AEB系統(tǒng)的測試系統(tǒng)，2014年，TNO啟動了 CATS（Cyclist-AEB testing system）項目［20］。該項目根據(jù)歐盟國家有關(guān)兩輪車事故場景測試結(jié)果的分析，提出了Cyclist-AEB系統(tǒng)的測試設(shè)置和測試協(xié)議［21］。2018年，Euro NCAP將Cyclist-AEB系統(tǒng)納入主動安全評估系統(tǒng)中［22］。

由于國內(nèi)的駕駛環(huán)境和駕駛員的駕駛習(xí)慣與國外存在差異，國內(nèi)關(guān)于AEB兩輪車系統(tǒng)的研究，還缺乏完善的、考慮具有中國特色的交通事故環(huán)境的測試場景［23-24］。因此，本文中對采集的實際交通事故數(shù)據(jù)進行篩選和分類，并利用聚類分析獲得汽車與兩輪車碰撞的典型事故場景，通過對兩輪車運動狀態(tài)、汽車車速和兩輪車車速3個參數(shù)進行事故傷亡程度分析，結(jié)合事故樣本數(shù)，確定每類事故場景的詳細(xì)參數(shù)特征，設(shè)計了 AEB兩輪車系統(tǒng)的測試場景。

1 汽車與兩輪車碰撞事故的數(shù)據(jù)來源與統(tǒng)計學(xué)分析

從2011年至2017年，本課題組已采集3 000多起我國道路交通事故，區(qū)域覆蓋威海、寧波、長春、北京、佛山和成都6個城市［25］。根據(jù)事故現(xiàn)場信息，利用奧地利PC-Crash交通事故重建軟件進行事故全過程的還原，得到包含事故中汽車車速和兩輪車車速等較為完備的事故信息。本文中從項目數(shù)據(jù)庫中調(diào)取了2012-2016年的事故案例，并對其中793起汽車與兩輪車碰撞的事故案例進行了事故重建［26-29］。由于AEB系統(tǒng)是在FCW（forward collision warning）系統(tǒng)工作的基礎(chǔ)上和制動系統(tǒng)緊密協(xié)作實現(xiàn)的，它只針對前方碰撞危險工況進行預(yù)警并輔助駕駛員制動；同時，考慮到我國實際交通環(huán)境，提出了以下案例選取的要求：

（1）兩輪車包含自行車、電動兩輪車和摩托車；

（2）汽車僅包含轎車、客車和SUV；

（3）碰撞類型為正面碰撞；

（4）排除車輛靜止或倒車案例；

（5）排除停車場案例。

通過篩選，最終選取了469起汽車與兩輪車碰撞事故作為研究對象，采集碰撞發(fā)生前的數(shù)據(jù)，從兩輪車、汽車、道路和環(huán)境等因素對事故進行分析。469起事故中，汽車直行占64%，汽車轉(zhuǎn)向占31%，其它特殊的汽車運動狀態(tài)占5%。本文中兩輪車運動狀態(tài)都是指兩輪車相對于汽車的運動狀態(tài)。兩輪車運動狀態(tài)中，從左至右行駛占26%，從右至左行駛占25%，對向有車占20%，同向有車占17%，逆行占6%，其它特殊的運動狀態(tài)占6%。由于汽車與兩輪車碰撞事故場景的多元化和復(fù)雜化，本文中排除其它特殊運動狀態(tài)的事故案例，對剩余的419起汽車與兩輪車碰撞事故案例進行統(tǒng)計分析，為建立適用于我國道路交通環(huán)境的AEB兩輪車系統(tǒng)測試場景提供參考依據(jù)。

2 汽車與兩輪車碰撞事故的典型場景提取

2.1 事故場景聚類分析

本文中采用層次聚類法［30］對汽車與兩輪車碰撞事故的典型場景進行提取，既可避免分析人員的主觀意識對場景分類結(jié)果的影響，且具有很強的可重復(fù)性［31］。

汽車- 兩輪車事故場景中參數(shù)較多，但本文的目的是分析事故發(fā)生前的場景，提取適用于AEB兩輪車系統(tǒng)測試的測試場景。為適用于AEB系統(tǒng)的測試，選取如表1所示的8個參數(shù)進行分析。

在層次聚類分析中，距離計算可分為變量間距離計算、樣本間距離計算和類之間的距離計算［32］，分述如下。

（1）變量之間距離的計算

變量類型有名義尺度變量和連續(xù)變量。為了便于后續(xù)的聚類分析，將8個參數(shù)設(shè)置為名義尺度變量。名義尺度變量是指沒有數(shù)值關(guān)系，但具有類別之分的變量。將每個變量都采用數(shù)值表示，最終得到這8個變量的取值，如表1所示。變量取值相同時，變量之間距離為0；變量取值不同時，變量之間距離為1。如兩輪車運動狀態(tài)中，“從左至右行駛”和“對向有車”兩參數(shù)特征取值分別為1和4，雖然數(shù)值差異為3，但是變量之間的距離為1。

表1 汽車- 兩輪車事故的場景參數(shù)與參數(shù)特征

（2）樣本之間距離的計算

本文中采用歐氏距離來計算樣本之間的距離。首先，將n個事故樣本看成n個類，每個類包含一個樣本，每個樣本有m個樣本變量。在下面的聚類過程中，將每個樣本用包含m個變量的向量來表示：

式中Xij為第i個樣本中第j個樣本變量的度量值。則第i個樣本與第p個樣本之間的距離為

（3）類之間距離的計算

在實際應(yīng)用中，華德法的分類效果較好，應(yīng)用也較廣泛，故本文中選用華德法進行類之間距離的計算［33］。具體做法：首先計算每個類的類內(nèi)樣本離差平方和，然后每次縮小一類，每縮小一類，離差平方和就要增大，選擇使離差平方和增加最小的兩個類合并，直到聚類到所需要的類的數(shù)量為止。

設(shè)類GL中有nL個樣本，XiL為類GL中的第i個樣本，則類GL的類內(nèi)樣本離差平方和為

如果類GL和類GR合并為新類GK，同上計算，類內(nèi)樣本離差平方和分別為SL，SR，SK，它們反映了各自類內(nèi)樣本的離散程度。如果類GL和類GR相距較近，則合并后所增加的離差平方和SK-SL-SR應(yīng)較小；否則，應(yīng)較大。于是定義類GL和類GR之間的平方距離為

2.2 典型汽車- 兩輪車事故場景提取

本文中利用SPSS軟件進行聚類分析，最終得到的結(jié)果如表2所示。可以看出，第5，7，12和14類場景中兩輪車運動狀態(tài)特征、兩輪車車速特征和汽車車速特征不明顯，無法提取特定的碰撞事故場景，因此，本文中不對這4類場景做進一步的分析。除這4類場景外，其它場景占總樣本的80.9%。從表2可知，大部分事故發(fā)生在照明好的情況下，約占總樣本的3／4；發(fā)生在路口的事故較為突出，約占總樣本的4／5；汽車直行事故約占總樣本的3／5；在大部分事故中，僅46起事故的駕駛員視野被遮擋，障礙物可能是汽車車身、其它車輛或道路旁的建筑。

通過分析聚類結(jié)果總結(jié)出各類場景的詳細(xì)參數(shù)特征，如表3所示。從表3可知，各類場景的兩輪車運動狀態(tài)特征、兩輪車車速特征和汽車車速特征覆蓋范圍廣，導(dǎo)致場景與場景之間的重疊率大。例如，除第2類場景外，其它場景的兩輪車運動狀態(tài)特征都包含2種或2種以上；各類場景的兩輪車車速特征和汽車車速特征涵蓋了約3個速度段。這樣的事故場景不具有典型性，且會給后續(xù)AEB兩輪車系統(tǒng)測試場景的設(shè)計帶來困難。為解決這些問題，本文中將對各類場景中兩輪車不同的運動狀態(tài)、不同汽車車速和不同兩輪車車速進行事故傷亡程度的分析，并結(jié)合各參數(shù)特征下的事故樣本數(shù)量，準(zhǔn)確地選取每類場景中汽車車速、兩輪車車速和兩輪車運動狀態(tài)的參數(shù)特征。

3 汽車與兩輪車碰撞事故場景的參數(shù)分析

本文中根據(jù)事故傷亡程度對聚類分析得出的11類典型事故場景做進一步的分析。將事故傷亡程度劃分為 3個等級：輕微（AIS1-AIS2）、嚴(yán)重（AIS3-AIS5）和致命（AIS6）。本文中事故傷亡程度包括汽車駕駛員、乘員和騎車人的傷亡程度。

在兩輪車不同的運動狀態(tài)、不同汽車車速或不同兩輪車車速下，事故傷亡“嚴(yán)重”或“致命”的樣本越多，說明事故傷亡越嚴(yán)重；事故傷亡越嚴(yán)重，且事故樣本越多，說明該參數(shù)特征在此類場景中越典型。同時，在某類場景中，若某參數(shù)特征下的事故樣本數(shù)量大于該場景中事故傷亡嚴(yán)重的參數(shù)特征下的事故樣本數(shù)量，則該參數(shù)特征在此類場景中也較典型。因此，在兩輪車不同的運動狀態(tài)、不同汽車車速或不同兩輪車車速下，根據(jù)事故傷亡程度和事故樣本數(shù)量，選取事故傷亡程度“嚴(yán)重”和“致命”樣本較多的和事故總樣本大于事故傷亡嚴(yán)重的參數(shù)特征下的樣本數(shù)量的參數(shù)特征作為相應(yīng)場景對應(yīng)參數(shù)的參數(shù)特征。

各類場景中兩輪車不同的運動狀態(tài)、不同汽車車速或不同兩輪車車速下的事故傷亡程度分別如表4～表6所示。表格中加粗部分表示在某類場景中，事故傷亡程度為“嚴(yán)重”或“致命”樣本較多的占比。

（1）兩輪車運動狀態(tài)的確定

從表4可知，在第1類場景中，兩輪車“從右至左行駛”的事故樣本數(shù)量大于兩輪車“從左至右行駛”的事故樣本數(shù)量，但事故傷亡“嚴(yán)重”的樣本最多的卻是兩輪車“從左至右行駛”。因此，第1類場景中兩輪車運動狀態(tài)選取“從左至右行駛”和“從右至左行駛”。除第13類場景外，其它各類場景中的兩輪車運動狀態(tài)特征皆可根據(jù)上述標(biāo)準(zhǔn)提取。在第13類場景中，根據(jù)上述標(biāo)準(zhǔn)可選出“從右至左行駛”和“對向有車”作為該類場景的兩輪車運動狀態(tài)特征，但“對向有車”的事故樣本占比為8.1%，意味著在第13類場景下發(fā)生10起事故，其中“對向有車”事故不到1起，因此，“對向有車”不能作為該場景的典型兩輪車運動狀態(tài)特征。

表2 聚類分析樣本數(shù)量分布結(jié)果

表3 各類典型事故場景的參數(shù)特征

（2）兩輪車車速的確定

從表5可知，各類場景中的兩輪車車速特征皆可根據(jù)上述標(biāo)準(zhǔn)提取。例如，在第8類場景中，兩輪車車速在40-50km／h時，事故傷亡最為嚴(yán)重，“嚴(yán)重”的樣本占第8類場景總樣本的11.76%；兩輪車車速在30-40km／h時，事故樣本占該場景總樣本的47.06%，但該速度段的事故樣本數(shù)量并未大于“40-50km／h”速度段的事故樣本數(shù)量，因此，第8類場景選“40-50km／h”速度段作為兩輪車車速特征。同理，在第3類場景中，兩輪車車速在20-30km／h時，事故傷亡最為嚴(yán)重；兩輪車車速在10-20km／h時，事故樣本數(shù)量較多，但并未大于“20-30km／h”速度段的事故樣本數(shù)量，因此，選“20-30km／h”速度段作為第3類場景的兩輪車車速特征。

（3）汽車車速的確定

從表6可知，除第6，9和13類場景外，其它各類場景的汽車車速特征皆可根據(jù)上述標(biāo)準(zhǔn)提取。在第6類場景中，根據(jù)上述標(biāo)準(zhǔn)可選取出“20-30km／h”，“30-40km／h”和“＞60km／h”作為該類場景的汽車車速特征，但是，“30-40km／h”的事故樣本占比為6.66%，意味著在第6類場景下發(fā)生10起事故，其中“30-40km／h”事故不到 1起，因此，“30-40km／h”不能作為該場景的典型汽車車速特征。同理，第9類場景中的“40-50km／h”和第13類場景中的“50-60km／h”都不能作為該場景的典型汽車車速特征。

根據(jù)上述標(biāo)準(zhǔn)確定了各場景中典型的兩輪車運動狀態(tài)、兩輪車車速和汽車車速，最終得到各類場景中典型的參數(shù)特征，如表7所示。

4 AEB系統(tǒng)兩輪車測試場景的設(shè)計

本文中將最常見的事故場景用于定義AEB系統(tǒng)兩輪車測試的主要測試場景，而其它次要測試場景主要考慮某些與主要測試場景不同的參數(shù)特征。在次要測試場景中，部分參數(shù)特征與主要測試場景相似，不相似的參數(shù)特征在主要測試場景的基礎(chǔ)上進行變化。

主要測試場景設(shè)計為在照明良好的情況下，一輛汽車直行通過路口的場景。從表7可知，第1，8，11和15類事故場景皆為此類場景。在主要測試場景的基礎(chǔ)上，第1個變化是汽車直行改為轉(zhuǎn)向的第3類和第4類事故場景。第2個變化是基于第2類事故場景，照明變?yōu)椴缓脮r一輛轎車在路口轉(zhuǎn)向的場景。第3個變化是基于第9類事故場景，照明變?yōu)椴缓玫那闆r。第4個變化是基于第6類事故場景，從汽車駕駛員的角度看兩輪車被遮擋的情況。第5個變化是基于發(fā)生在平直道路上的第10類和第13類事故場景，將道路特征由路口變?yōu)榉锹房凇Ｍㄟ^5種變化，得出如表8所示的5類次要測試場景。

表4 兩輪車在不同運動狀態(tài)下的事故傷亡程度

表5 兩輪車在不同車速下的事故傷亡程度

表6 汽車在不同車速下的事故傷亡程度

表7 進行事故傷亡程度分析后各類典型事故場景的參數(shù)特征

表8 AEB兩輪車系統(tǒng)的測試場景

從表7中觀察，各類事故場景的兩輪車的類型、運動狀態(tài)與車速和汽車車速差異較大。為給出測試場景中兩輪車類型、兩輪車運動狀態(tài)、兩輪車車速和汽車車速4類參數(shù)的特征，結(jié)合表7的事故場景，針對每類測試場景，設(shè)計出不同兩輪車的類型、運動狀態(tài)與車速和相對應(yīng)的汽車車速?？偨Y(jié)每類測試場景中汽車- 電動兩輪車碰撞、汽車 摩托車碰撞和汽車自行車碰撞的具體測試場景參數(shù)特征分別如表9～表11所示。

5 討論

AEB系統(tǒng)作為主動安全技術(shù)之一，必須通過真實道路交通事故數(shù)據(jù)的不斷積累，進一步提高系統(tǒng)測試的實際應(yīng)用價值。本課題組的事故數(shù)據(jù)都是經(jīng)過專業(yè)事故調(diào)查人員現(xiàn)場調(diào)查得到，事故調(diào)查組對事故現(xiàn)場進行測量，繪制事故現(xiàn)場草圖，采集事故環(huán)境和事故車輛的具體信息，并根據(jù)受害者的臨床報告收集受害人的損傷信息，可確保整體事故數(shù)據(jù)不受區(qū)域的影響，確保事故現(xiàn)場評估的準(zhǔn)確性。事故場景通過聚類分析方法得出，場景參數(shù)特征的提取均有相應(yīng)的篩選標(biāo)準(zhǔn)，確保了結(jié)果的客觀性。

汽車與兩輪車碰撞事故不同于汽車與汽車碰撞事故，也不同于汽車與行人碰撞事故，其場景參數(shù)更多元，兩輪車運動狀態(tài)更復(fù)雜。通過聚類分析獲得的事故場景中，每類場景的汽車車速和兩輪車的車速與運動狀態(tài)較復(fù)雜，不具有典型性。為使事故場景更典型，本文中對汽車車速、兩輪車車速和兩輪車運動狀態(tài)3個復(fù)雜參數(shù)進行了事故傷亡程度分析，結(jié)果選取了事故傷亡程度“嚴(yán)重”與“致命”樣本較多的和事故總樣本數(shù)大于事故傷亡嚴(yán)重的參數(shù)特征下的樣本數(shù)的參數(shù)特征作為相應(yīng)場景對應(yīng)參數(shù)的參數(shù)特征。例如，聚類結(jié)果分析后，第4類場景中，汽車車速、兩輪車車速和兩輪車運動狀態(tài)3個復(fù)雜參數(shù)的特征分別選取為“0-40km／h”，“10-30km／h”和“對向有車與同向有車”。通過事故傷亡程度分析，將汽車車速、兩輪車車速和兩輪車運動狀態(tài)3個復(fù)雜參數(shù)的特征分別選取為“20-40km／h”，“20-30km／h”和“對向有車”，使事故場景更加典型。

表9 汽車- 電動兩輪車碰撞的系統(tǒng)測試場景

表10 汽車 -摩托車碰撞的系統(tǒng)測試場景

表11 汽車- 自行車碰撞的系統(tǒng)測試場景

AEB兩輪車系統(tǒng)測試需要考慮的不僅僅是事故數(shù)據(jù)和事故場景，還有測試場景的設(shè)計。AEB兩輪車系統(tǒng)測試場景的設(shè)計過程不是機械的計算過程。首先，定義一個具有最大樣本量的事故場景作為主要測試場景，然后，通過變換場景參數(shù)特征考慮不常見的事故條件，這會比指定一套完整的新的測試條件更適合于AEB兩輪車系統(tǒng)測試。選取所有事故中最常見的事故場景作為主要測試場景的方案，恰好與這種方法兼容。設(shè)計測試場景的目的是說明一種與事故場景結(jié)合的方法，同時，產(chǎn)生一組合適的測試場景。從測試的角度看，變換場景參數(shù)特征的順序是以最簡便的測試順序為依據(jù)進行變化。下面詳細(xì)說明以此方法設(shè)計測試場景的原因。

在所有事故場景中，第1類相對較多，包含51例事故，占12.17%。主要測試場景的特征明確指出：照明情況、道路特征、汽車運動狀態(tài)和駕駛員視野。第1個問題是汽車直行或轉(zhuǎn)向。轉(zhuǎn)向事故143例，占34%。這個占比較大，不能忽視。第2個問題是照明條件，第2類和第9類事故場景恰好提供了照明不好的場景。天氣晴朗的白天照明情況好，而在雨、霧、雪等惡劣天氣條件下或在夜晚照明情況都不好。在AEB兩輪車系統(tǒng)測試中，難以實現(xiàn)諸如雨、霧和雪等惡劣天氣條件，是否可以夜晚作為測試條件完成所有照明不好的場景測試，這一問題值得商榷。第5類測試場景代表了汽車駕駛員視野被遮擋這一特殊的事故形態(tài)。第6類測試場景主要測試事故發(fā)生在非路口時AEB兩輪車系統(tǒng)的有效性。

不同兩輪車類型對事故傷亡程度有一定的影響，因此，在AEB兩輪車系統(tǒng)測試中，應(yīng)該為電動兩輪車、摩托車和自行車分別設(shè)計不同的兩輪車模型，進行碰撞測試。在設(shè)計AEB兩輪車系統(tǒng)測試場景時，每類測試場景都分別列出不同兩輪車類型的測試。

6 結(jié)論

本文中對課題組數(shù)據(jù)庫中兩輪車事故案例進行篩選、分類，利用SPSS軟件進行聚類分析，獲得11類典型的汽車與兩輪車事故場景。在選取參數(shù)特征時，發(fā)現(xiàn)汽車車速和兩輪車的車速與運動狀態(tài)的參數(shù)特征較復(fù)雜，無法準(zhǔn)確選取每類場景中的上述參數(shù)特征。因此，本文中根據(jù)事故傷亡程度和各類場景中兩輪車的不同運動狀態(tài)、不同汽車車速和不同兩輪車車速的事故樣本數(shù)，準(zhǔn)確地選取每類場景中汽車車速、兩輪車車速和兩輪車運動狀態(tài)的參數(shù)特征，得出11類典型的汽車與兩輪車事故場景的詳細(xì)描述。最后，將最常見的事故場景用于定義AEB兩輪車系統(tǒng)測試的主要測試場景，其它次要測試場景在主要測試場景的基礎(chǔ)上進行變化。主要測試場景設(shè)計為：一輛汽車在照明良好的情況下直行通過路口，通過變換照明情況、道路特征、汽車運動狀態(tài)和駕駛員視野，得到5類次要測試場景，并在每類測試場景中都分別列出不同兩輪車類型的測試。

由于我國的兩輪車事故情況較國外更復(fù)雜、更多元化，因此，針對我國汽車與兩輪車碰撞事故案例典型事故場景的研究對開發(fā)我國特殊場景的主動安全系統(tǒng)測試具有重要的參考意義。本文中將最常見的事故用于定義主要測試場景，并以最簡便的測試順序為依據(jù)變換參數(shù)特征。這種既不是機械的算法計算，也不是多個場景單次測試的方法，兼顧了最小測試次數(shù)與最多事故場景之間的矛盾，使之達(dá)到一種平衡。本文中設(shè)計的測試場景客觀真實，為未來AEB系統(tǒng)兩輪車測試提供依據(jù)。