1、基于图分类的智能车辆复杂场景风险等级评估与建模吕超，孟相浩，崔格格，龚建伟（北京理工大学 机械与车辆学院，北京100081）摘 要：准确估计驾驶场景的风险等级是保障车辆安全驾驶的基础，也是车辆智能化的重要体现.针对多种交通参与者共存的复杂行驶场景，提出一种基于图分类的场景风险等级评估方法，完成对场景的建模和对当前场景风险等级的有效评估.实车实验表明，所采用的驾驶员操作特征数据可以很好地表示驾驶员对场景风险等级的理解，并且图表示模型可以对场景中多种动态交通参与者及其交互关系进行有效说明，所提出的方法能够较为准确地对复杂行驶场景的风险等级进行评估，促进智能车辆安全行驶系统在复杂环境下的发展.关键词
2、：汽车工程；图表示模型；图核方法；聚类算法；风险等级评估中图分类号：U495 文献标志码：A 文章编号：1001-0645(2023)07-0726-08DOI：10.15918/j.tbit1001-0645.2022.169Risk Level Estimating and Modeling of Complex Scenarios forIntelligent Vehicles Based on Graph ClassificationL Chao，MENG Xianghao，CUI Gege，GONG Jianwei（School of Mechanical Engineering,B
3、eijing Institute of Technology,Beijing 100081,China）Abstract：Accurate estimation of the risk level of driving scenarios is the basis to ensure the safe driving ofvehicles,and it is also an important embodiment of vehicle intelligence.Aiming at the complex driving scenewhere multiple traffic particip
4、ants coexist,in this paper,a scene risk level estimation method was proposed basedon graph classification to complete the modeling of the scene and effectively evaluate the risk level of the cur-rent scene.The real vehicle experiment results show that the operation feature data of adopted driver can
5、 wellrepresent the drivers understanding to the risk level of the scene,and the graphical representation model can ef-fectively explain the various dynamic traffic participants and their interaction in the scene.The proposed methodcan more accurately evaluate the risk level of complex driving scenar
6、ios,and promote the development of intelli-gent vehicle safety driving systems in complex environments.Key words：vehicle engineering；graph represent model；graph-kernel method；cluster algorithm；risk level eval-uation 配备有先进辅助驾驶系统的智能车辆已成为现代交通系统的重要组成部分.使智能车精确地评估和识别当前场景的风险等级是辅助驾驶系统能够发挥作用的重要基础：随着汽车保有量的逐年增
7、加和交通参与者种类的提升，交通场景变得越来越复杂，交通事故频繁发生，其中在多交通参与者存在的复杂交通场景下发生的交通事故占总数的 6%，同时占比死亡原因的 67.2%1，并且随着驾驶场景复杂程度的提升而有所增加.因此针对智能车辆提升其主动识别复杂场景风险等级的能力至关重要.然而针对复杂场景风险等级的数据评价及场景建模仍然是智能车辆发展的瓶颈问题.一方面，由于 收稿日期：2022 07 26基金项目：国家自然科学基金联合基金资助项目（U19A2083）；国家青年自然科学基金资助项目（61703041）作者简介：吕超（1985），男，博士，副教授，E-mail：.第 43 卷第 7 期北 京 理
8、工 大 学 学 报Vol.43No.72023 年 7 月Transactions of Beijing Institute of TechnologyJul.2023驾驶经验和个性的差异，不同驾驶员往往有各自的标准来判定驾驶风险，如何合理的选择车辆客观特征参数来反映驾驶员主观对场景风险程度的理解成为了首要考虑的问题.另一方面，动态复杂的交通场景难以理解和建模2，随着交通参与者的增加也提升了对该场景的风险等级的识别难度.在以往的研究中，许多学者设计了不同的风险等级评估指标，包括碰撞时间3、车辆当前位置等4，这些参数通常利用主车与周围交通参与者之间的几何或运动学关系来评估确定性驾驶风险5，然而这
9、些参数无法充分反映驾驶员的主观意识，并且未能捕捉到多个动态交通参与者之间的复杂交互关系.驾驶场景建模方面，得益于传感器技术和目标识别算法的快速发展，驾驶数据的采集变得更加便捷和经济.并且对包括动静态要素的“场景”进行了定义6，文献 7 中首次提出“行车风险场”概念，将驾驶员行为和周围复杂环境相结合，为智能车风险等级技术研究提供一种新的思路和方法，然而模型中待定参数确定方法未明确，只在简单跟车场景中验证其可行性.基于上述不足，本文中提出了一种数据驱动的复杂场景风险等级图分类模型，采集并处理驾驶员视角下城市交叉路口实车数据，提取驾驶车辆的特征参数纵、横向加速度并使用 K-means 算法对特征数据
10、进行聚类，从数据层面对驾驶员的主观操作特征进行反映，得到的标签作为图表示模型预训练使用.最后，使用图表示方法对场景数据进行逐帧建模，通过 3 种图核方法中进行训练验证，从而实现复杂场景的危险等级识别和分类.1 问题定义与方法框架图作为一种新的数据表示形式，与传统方法相比，能够在关注单个节点属性的同时增加对节点之间关系的建模，因此被认为是捕捉不同对象之间交互关系的理想技术8.在智能交通领域，道路上的车辆、行人等交通参与者可以当作是鸟瞰图上的多个节点，它们之间交互关系可以视作是图模型中的边.复杂场景的危险等级识别任务更加注重多交通参与者之间的交互关系，并且随着场景复杂程度的增加，图模型的表征优势更
11、为明显.tFtFt本文中针对主车视角复杂场景下的风险等级分类问题相关定义如下：在某一时刻 的主车视角场景中，选取反映驾驶车辆危险程度的主要特征向量，通过聚类算法对进行分类处理，得到相应的场景分类标签用于模拟人类驾驶员对该场景的危险等级评估，同时对该场景主车周围交通参与者进行逐帧图模型建模，表示出相应的节点和边的关系，将分类标签与图模型结合，利用基于图核的相似性度量方法进行验证，从而对该图模型的可靠性进行说明.图 1展示了总体框架的结构.数据驱动工控机数据采集系统城市交叉路口实车场景划分图特征提取实车场景图模型搭建图核分类方法场景风险等级识别和分类场景风险等级分类准确率实车直行场景实车右转场景实
12、车左转场景NH-SVMSP-SVMWL-SVM100908070605040场景风险等级标签NH-SVMSP-SVMWL-SVMCAN总线激光雷达相机驾驶员特征数据提取Ft=ax,t,ay,tTG=(V,E)图模型驾驶员特征数据K-means聚类处理图 1 场景风险等级评估模型总体框架Fig.1 Overall framework of risk level assessment model for scenarios 2 驾驶员特征提取与风险等级评价本文中旨在通过所驾驶车辆的自身特征以及与周围交通参与者的信息来对危险程度进行说明，对于驾驶员而言，不同风险等级场景下会做出不同程度驾驶操作，从而
13、通过改变车辆的特征数据来对不第 7 期吕超等：基于图分类的智能车辆复杂场景风险等级评估与建模727同风险程度的场景进行反应，则需要对驾驶员操作数据进行提取，基于此训练出某些特征数据作为输入的评判标准，得到相应的危险程度标签用于后续实验.2.1 驾驶员操作特征数据选取场景风险等级的定义为所驾驶车辆与周围交通参与者发生碰撞的可能性大小，从数据驱动的角度出发，通过驾驶员在所处场景中的操作数据变化来反映驾驶员对该场景风险等级的理解与反应，同时可以使训练出来的模型更加具备人的操作特征.ax,tay,tFtFt=ax,t,ay,tT基于驾驶员对于不同风险等级的场景所做出的反应，如紧急刹车或是紧急转向的动作
14、，寻找出所驾驶车辆上的特征数据变化.并通过对车辆的安全性问题的研究9,文中同时选取驾驶车辆的直行加速度和转向加速度作为特征数据来说明驾驶员的紧急刹车或是紧急转向的避让动作，反映所处场景的危险程度.考虑高维特征向量包含比单独考虑二者更大量的隐含信息10，进而说明特征选择的可靠性.2.2 基于聚类的风险等级评价方法nkQ=fi RnNi=1fi RnnNK-means 聚类算法可以将 个样本按照各自所属类别划分成 个集群，其中每个数据点都只属于一个集群，并且分类使数据点与相应的类群所有数据点的算术平均值之间的距离平方之和达到最小.在类别内的方差越小，该类群内的数据点相似性就越强.对于数据集，其中为
15、 维的驾驶员特征矢量，为样本数量.该非监督学习方法的损失函数为argminJ=Ni=1Kk=1ikfik2（1）kCkikfiCkik=1ik=0式中：为类群数据的中心点；为数据点所属类别判断，对于数据点，若其属于类群则，反之则.L=D A另外在对高维数据进行聚类处理的过程中，由于高维数据的非线性特征，简单线性 K-means 聚类方式很有可能会出现分类错误的现象.谱聚类则可以将高维无组织的数据点按照其特征频谱的唯一性分成多个不同的数据组，将连接在一起或紧邻在一起的数据点在相似性矩阵 A 中表示，然后通过拉普拉斯映射进行数据降维；对降维后的映射数据再进行聚类分析.即根据相似性矩阵 A 构造其对
16、角加权矩阵 D，则有拉普拉斯矩阵.并求解以下广义特征值问题：Le=De,(I D1A)e=e（2）0=0 1 MU=e0e1 eMpY=e1 epT最后，对特征向量排序；即，通过选择前 p 个特征向量，就可以构造出一个数据的 维流形嵌入表示.获得了数据的拉普拉斯映射 Y 后，就能够通过挑选合适的 K 值，对 Y 进行 K-means 聚类运算.3 基于图模型的行驶场景建模图表示模型可以同时提取场景中交通参与者的动态信息和交互信息，更好地理解驾驶场景.模型中的节点和边可以很好地体现多个对象之间的交互关系，并且交通参与者的数量及对应交互关系的变化可以通过图的动态变化实现自适应.3.1 图模型节点定义及场景几何划分在城市道路场景中，车道线的限制更为规范，城市交叉路口场景更加结构化，并且采集到的数据视角随驾驶车辆的移动而发生变化，出现在主车视野内的交通参与者的轨迹会受限于场景下的几何特征，很少有复杂交叉及不规则现象出现.文中构建了主车视角下的规则矩形网格图模型，如图 2 所示，网格随车辆视野的移动而固定于车辆前方进行移动.采集车辆前视方向范围转换为用于训练的鸟瞰图模型，每一个交通参与者本身可以