自动驾驶中道路环境复杂性的评估：一种定量方法

《ADVANCED ENGINEERING INFORMATICS》：Evaluation of road environment complexity in autonomous driving: a quantitative method

自动驾驶车辆需适应多样化道路环境以确保安全和有效性。本研究提出一种综合量化方法，将道路环境分为静态和动态两类，分别采用信息熵与层次分析法（AHP）和时距碰撞（TTC）结合多维度参数构建复杂性评价模型，并通过长春市实地测试与驾驶模拟验证，证明该方法在复杂场景下的适用性和有效性。

　　自主驾驶汽车（AVs）在复杂道路环境中进行操作时，必须具备适应多种环境的能力，以确保其有效性和安全性。为了实现这一目标，研究者们正在探索如何通过科学的方法对道路环境的复杂性进行量化评估。这不仅有助于验证AVs在复杂场景中的表现，还能够提升测试效率，缩短整体测试周期，从而推动自动驾驶技术的实用化进程。

当前，随着自动驾驶技术的不断进步，其大规模部署被认为能够提升交通安全性，并缓解道路拥堵。然而，要实现商业化应用，AV系统必须能够处理多样化的驾驶场景，确保其在开放、非线性和高度随机的复杂道路环境中的操作安全。研究表明，仅为了证明AV系统的可靠性，可能需要高达2.75亿英里的测试里程。在这种背景下，如何有效选择测试场景以及如何处理安全关键事件成为亟待解决的问题。量化道路环境复杂性提供了一种可行的解决方案，通过优先考虑高复杂度的场景，可以在资源有限的情况下提高道路测试的效率，并加快安全性验证的进程。

同时，量化道路环境复杂性也为评估AV系统的技术能力提供了依据。目前，行业内常用平均每干预里程（MPI）作为衡量AV性能的关键指标。然而，这一指标在客观衡量AV性能方面存在不足。例如，同一辆AV在复杂道路环境中的MPI可能低于在简单环境中的表现。此外，在比较不同技术能力的AV时，一辆表现不佳的车辆在简单环境中可能获得比一辆更先进的车辆在复杂环境中的更高MPI。这种差异表明了基于MPI的评估方法存在局限性。因此，研究者们致力于开发更为全面的量化方法，以实现对AV系统技术能力的一致评估，从而推动其在实际部署中的应用。

为了探索量化道路环境复杂性的方法，已有研究通过分析驾驶任务需求、心理负荷、注视特征和心率变异性等指标，来评估不同复杂度的驾驶场景。这些研究揭示了道路环境复杂性如何影响驾驶行为和生理反应。然而，这些指标的获取依赖于人工驾驶实验和专门设备，这使得它们在AV测试过程中难以获取。为此，一些研究尝试通过分析道路环境的组成元素特征来衡量其复杂性。例如，AHP方法已被用于测试场景生成和切入操作的复杂性评估。此外，一些研究结合专家评估与AHP方法，以实现对道路环境复杂性的综合评估，并通过案例研究进行验证。这些方法在操作上较为简单，尤其适用于难以精确建模元素间相互作用的情况。然而，主观方法在评估指标系统的一致性方面仍面临挑战。

另一方面，客观量化方法则利用感知数据来建模道路环境的复杂性，从而减少对主观经验的依赖。现有的研究提出了多种代表性方法，包括交通流参数、信息熵、重力模型和势场方法。其中，交通流参数如交通量、速度和密度，反映了车辆运行的动态特征，提供了一种直观且易于理解的建模方式。例如，TTC（时间至碰撞）是一种常用的纵向冲突风险评估指标，可以直接通过距离和速度计算得出。然而，这些方法主要适用于相对简单的场景，如跟车行驶，难以全面捕捉复杂环境中多辆车之间的动态相互作用。信息熵方法因其能够描述事件的不确定性，并提供一个统一的多维信息框架，已被广泛用于道路环境复杂性的量化评估。重力模型作为一种空间相互作用模型，被用于表示交通参与者之间的互动，其改进版本也被用于量化动态环境复杂性。然而，由于该模型忽略了非空间因素，如交通规则（如车道标记限制）和道路结构，因此其在不同道路场景中的适用性受到限制。势场方法通过构建影响场来表示车辆移动过程中的风险水平，并被用于复杂交通场景的建模和量化。然而，该方法需要大量参数，结构复杂，导致计算需求较高，限制了其实时评估和工程应用的可能性。

除了上述方法，一些研究还提出了通用框架。例如，Yu等人开发了一种基于改进经验公式和信息熵的动态环境复杂性量化模型。虽然该模型使用了易于获取的参数，但忽略了横向距离和纵向速度，主要适用于直线段。Zhou等人则通过可行驶区域、天气能见度和道路摩擦系数来量化静态环境复杂性。然而，这些参数在AV测试过程中难以实时获取。

尽管已有研究在道路环境复杂性量化评估方面取得了重要进展，但仍存在一些未解决的问题。首先，对环境元素的考虑不够全面。静态环境复杂性的量化主要集中在道路条件上，而对交通设施和天气条件的关注有限。动态环境复杂性的量化通常未区分交通参与者类型，且忽略了关键特征，如相对运动趋势和横向距离变化。很少有方法能够在统一框架中全面考虑环境元素的属性、状态和数量的综合影响。

其次，缺乏跨场景建模和一致性测量。现有研究通常针对特定驾驶场景，如直线段、交叉口、跟车行驶或切入操作，这使得难以全面描述真实道路环境的复杂性和多样性。此外，缺乏跨场景一致性测量限制了不同场景之间的比较和统一评估。当前的量化方法普遍缺乏通用性。

最后，工程应用的局限性。许多现有方法依赖于在AV运行过程中难以获取的参数，且计算需求较高，使得难以满足AV安全性测试的实时输出要求。这限制了它们在测试、验证和工程实践中的应用。

鉴于上述研究空白，本研究提出了一种道路环境复杂性评估方法，旨在提高AV安全性测试的效率，并评估其技术能力。具体而言，基于环境元素的属性和状态特征，我们构建了一个涵盖静态和动态元素的道路环境评估指标体系，并建立了相应的量化模型。对于静态环境复杂性的量化，考虑到元素数量众多且类型多样，模型结合了信息熵与AHP方法，以实现对静态环境复杂性的有效评估。对于动态环境复杂性的量化，考虑到道路段之间的差异，模型综合考虑了元素类型、横向和纵向速度与距离、相遇角度以及运动特征等关键因素。最终，开发了一种适用于AV完整行驶轨迹的道路环境复杂性量化模型。

为了验证所提出的方法的有效性，本研究在长春市的现实道路环境中进行了实地测试实验，选取了46公里的测试路线，涵盖了多种代表性道路条件，包括普通城市道路、城市高速公路、交叉口段和非交叉口段。实验在非高峰时段进行，交通状况稳定，天气晴朗，确保了测试的可靠性。通过选择不同的道路类型和路段，我们对各种外部道路环境进行了分析，并计算和评估了静态环境复杂性。随后，我们提取了动态驾驶场景的代表性路段，研究了动态环境复杂性值如何随着驾驶场景的变化而波动。最后，我们计算并分析了道路环境复杂性值，进一步验证了方法的适用性。

此外，本研究还通过与现有方法的对比分析，评估了所提出方法的敏感性和有效性。现有方法通常基于环境属性分别量化静态和动态复杂性。在静态环境复杂性量化方面，现实驾驶场景涉及多个元素（如道路条件、交通设施和气候条件）。我们识别了对AV决策最相关的指标，并结合信息熵与AHP方法，对静态环境复杂性进行了有效量化。在动态环境复杂性量化方面，现有研究[21,25]已建立了相关模型，但本研究提出的方法在统一框架中考虑了更多因素，从而实现了更全面的评估。

本研究的创新之处在于，构建了一个通用且统一的框架，用于量化道路环境的复杂性。该方法综合考虑了环境元素的属性、状态和数量，构建了一个系统化的复杂性量化模型，适用于AV的完整行驶轨迹，并能够在不同场景中实现一致的复杂性测量。通过在现实道路环境中进行实地测试，并选择典型驾驶场景进行案例研究，我们验证了所提出方法的有效性。结果表明，该方法在各种驾驶场景中具有良好的通用性，并证实了其在自动驾驶技术实际应用中的可行性。

此外，本研究还验证了所提出方法与驾驶员眼动追踪指标之间的相关性。在模拟驾驶环境中，我们对驾驶员的注视行为进行了定量分析，进一步确认了所提出方法在复杂性量化方面的敏感性和有效性。同时，通过与基准模型的比较分析，我们展示了该方法在不同场景中的适用性和一致性。

本研究的贡献主要体现在以下几个方面：首先，提出了一种通用且统一的道路环境复杂性量化框架，能够全面考虑环境元素的属性、状态和数量，构建系统化的复杂性量化模型，适用于AV的完整行驶轨迹，并在不同场景中实现一致的复杂性测量。其次，进行了实地测试实验和典型案例研究，选择了包括跟车行驶、切入和切出操作、掉头、交叉口通过、相邻车道对向车辆和行人过马路等场景，以验证所提出方法的有效性。结果表明，该方法能够准确描述不同场景下的复杂性变化，并展示了其在跨场景应用中的强大能力。第三，通过在模拟驾驶环境中验证所提出方法与驾驶员眼动追踪指标之间的相关性，进一步确认了该方法在复杂性量化方面的敏感性和有效性。同时，与基准模型的比较分析进一步证明了该方法的适用性和一致性。

综上所述，本研究提出了一种适用于复杂道路环境的AV安全性测试方法，旨在提高测试效率并支持技术能力的评估。为此，我们构建了一个涵盖静态和动态元素的评估指标体系，并开发了相应的量化模型。静态环境复杂性通过结合信息熵与AHP方法进行量化，而动态环境复杂性则综合考虑了多种因素，如元素类型、横向和纵向速度与距离、相遇角度以及运动特征。最终，我们开发了一种适用于AV完整行驶路径的道路环境复杂性量化模型，并通过实地测试实验和案例研究进行了验证。结果表明，该方法在各种驾驶场景中具有良好的通用性，并证实了其在自动驾驶技术实际应用中的可行性。此外，我们还通过与驾驶员眼动追踪指标的关联性验证，进一步确认了该方法在复杂性量化方面的敏感性和有效性。通过与现有方法的对比分析，我们展示了该方法在不同场景中的适用性和一致性。

本研究的结构安排如下：第二部分介绍了所提出道路环境复杂性量化方法，包括评估指标体系的构建以及静态和动态环境复杂性的量化方法。第三部分介绍了实验设计、设备和数据收集流程。第四部分详细介绍了所提出量化方法的案例研究，并基于驾驶员眼动追踪指标进行了定量分析。第五部分讨论了所提出方法与现有方法之间的差异，强调其在实际应用和工程实践中的可行性。最后，第六部分总结了本研究的主要结论，并提出了未来研究的方向。

本研究的主要目标是为AV在复杂道路环境中的安全性测试提供理论支持，并推动其在实际应用中的发展。通过构建一个全面且统一的量化框架，我们能够更有效地评估道路环境的复杂性，从而提升测试效率，并实现对AV技术能力的一致评估。这一方法不仅有助于验证AV在复杂环境中的表现，还能够为自动驾驶技术的进一步发展提供科学依据。通过实地测试实验和案例研究，我们展示了该方法在不同场景中的适用性，并通过与基准模型的比较分析进一步证明了其有效性。此外，我们还验证了该方法与驾驶员眼动追踪指标之间的相关性，为理解AV在复杂环境中的表现提供了新的视角。这些研究成果对于推动自动驾驶技术的实用化进程具有重要意义，并为未来的道路环境复杂性研究提供了理论基础和技术支持。