《Applied Sciences》：Spatial Identification and Network Vulnerability Analysis of Autonomous Vehicle Pick-Up Locations: A Data-Driven Complex Network Approach
编辑推荐：
随着自动驾驶技术商业化加速，robotaxi已成为重塑城市交通系统的重要力量。然而其服务效率与系统韧性高度依赖接客点（pick-up point）的空间布局与网络结构。研究人员利用包含2,316,135条运动轨迹的Waymo Open Motion Datas
随着自动驾驶技术商业化加速，robotaxi已成为重塑城市交通系统的重要力量。然而其服务效率与系统韧性高度依赖接客点（pick-up point）的空间布局与网络结构。研究人员利用包含2,316,135条运动轨迹的Waymo Open Motion Dataset，提出多阶段分析框架，系统识别自动驾驶车辆接客点并评估所构建网络的脆弱性。首先基于运动学准则对轨迹分层，并对12个运动学与几何特征施加K-Means聚类，以区分真实接客落客（PUDO）事件与交通相关停车；随后将识别出的接客点聚合为空间网格节点，构建无向无权网络；最后通过模拟随机失效与三类定向攻击评估网络脆弱性。研究发现：（1）从111,321条停车起步（stop-to-go）轨迹中识别出21,503个候选接客点，呈现显著路侧离泊特征；（2）网络呈全局稀疏、局部高聚集，最大连通分量（LCC）占节点数66.1%，形成覆盖城市核心的主要服务区，其余33.9%散布于377个孤立碎片；（3）网络对随机失效强鲁棒，但对高介数中心性（betweenness centrality）节点定向攻击极脆弱——仅移除前5%此类节点，LCC降至36.7%，移除20%时LCC跌至3.5%，全局效率近乎丧失。本研究贡献了可复现的、基于机器学习的轨迹接客点提取方法，并从复杂网络视角揭示自动驾驶服务网络的结构性漏洞，为提升未来城市智能交通系统韧性提供定量证据。
研究背景方面，自动驾驶技术快速商业化推动robotaxi从概念验证走向规模运营，但接客点的空间合理性与系统韧性成为决定运营效率与应急能力的瓶颈。现有研究存在两方面的局限：其一，常将轨迹起点直接等同于接客点，混入信号灯等待、拥堵排队等交通相关停车噪声；其二，偏重核密度估计等描述性空间分析，缺乏将接客点抽象为复杂网络并诊断其拓扑脆弱性的规范性研究。为此，研究人员基于Waymo Open Motion Dataset开展数据驱动的身份识别与网络脆弱性分析，以回答热点区域瘫痪时全网受影响程度及关键节点何在的问题。论文发表于《Applied Sciences》。
关键技术方法上，研究人员采用美国旧金山、凤凰城等城市的Waymo Open Motion Dataset（150个验证场景、2,316,135条AGENT类型车辆轨迹，10 Hz采样、9.1 s窗口）。先依总位移与初速度做运动学分层，筛得111,321条停车起步轨迹；继而提取最大横向偏移、曲率比、航向变化、停车时长、初加速度等12维运动学与几何特征，经分位数裁剪与Z-score标准化后，以K-Means（k=2，轮廓系数0.382）无监督聚类分离路侧离泊类接客点与车道内信号停车类；再将21,503个接客点按200 m×200 m网格聚为3780节点，以500 m距离阈值构建无向无权复杂网络，计算度、介数、接近中心性、聚类系数、LCC与全局效率等指标，并模拟随机失效及按度、按介数、按接客点数量的三类定向攻击。
研究结果部分，接客点识别小节显示，Cluster 0（n=21,503）最大横向偏移均值6.17 m、总航向变化2.24 rad、曲率比1.18，符合路侧离泊物理过程，判为真实接客点；Cluster 1（n=89,818）近直线、信号停车特征明显。初始拓扑特征小节指出，网络密度0.0019、平均聚类系数0.5732、LCC占66.1%（2497节点），其余33.9%散为377个孤立分量，呈现全局稀疏局部密簇、核心连片外围破碎的多中心结构。拓扑攻击与网络脆弱性分析小节中，LCC衰减曲线表明随机移除20%节点LCC仍达41.2%，而按介数定向攻击移除5%即令LCC跌至36.7%、20%时仅剩3.5%；全局效率初始0.0282，随机去2%即骤降至0.0055，介数攻击下20%移除时降至0.0022；多维拓扑响应进一步揭示介数攻击以最少边耗实现结构碎裂，度攻击则消耗大量边后致全网孤岛化。核心枢纽区域识别小节按度与介数中位数为界划四象限，发现两中心性相关系数仅?0.088，桥节点（高介数低度，如Node 508介数0.1054、度6）虽本地不显眼却是跨子图连通关键。参数敏感性小节验证位移阈值5 m、初速2 m/s、网格200 m、阈值500 m下结论稳定，介数攻击始终最具破坏力。
讨论部分强调，将轨迹起点等同接客点会令80.7%信号停车污染需求面，本文机器学习框架以纯数据驱动分离两类行为，且经高斯混合模型复现与盲法人工核查（84%对6%）三方佐证。网络“鲁棒却脆弱”的异质结构使随机失效被局部冗余吸收，而跨子图桥节点稀缺令介数攻击致命，该度-介数解耦特征将脆弱性集中于低流量连接区而非高需求枢纽，据此提出规划应兼顾子图内需求冗余与子图间桥节点公共投资保护。结论部分译文如下：基于Waymo Open Motion Dataset的2,316,135条轨迹，本研究融合机器学习接客点识别与复杂网络分析，从111,321条停车起步轨迹中以K-Means（轮廓0.382）分离21,503个候选接客点，余80.7%为信号或拥堵后离泊；构建3780节点13,589边网络，密度0.0019、聚类0.573、LCC占66.1%、全局效率0.0282，该局部密簇全局稀疏结构在参数扰动下稳定。脆弱性呈不对称：随机失效缓降，介数定向攻击最强——去5%高介数节点LCC降至36.7%，去20%降至3.5%且全局效率近丧；度与介数近零相关表明连通关键者为低度高介数节点而非高需求点，保护连通与覆盖高峰属不同目标。作为无向无权结构基线，所述脆弱性是对道路有向约束网络的保守估计。方法上提供可复现的服务网络构建与失效响应量化流程，核心贡献在于揭示自动驾驶服务系统连通依赖少量结构关键节点，为韧性规划与关键节点保护提供定量支撑。
