自动驾驶测试中的关键交互对象:电动二轮车行为分析与建模

图7 主动响应型电动二轮车直行交互示意图

下面分别展示了电动二轮车转弯避让和转弯超车时的交互过程示意图。该类电动二轮车除明显的运动状态变化外，还可能伴随转弯路径的变化。

如转弯避让时，电动二轮车在明显减速的同时还维持了一段直行路径，以寻找合适的转向间隙；转弯超车时，电动二轮车通过提前执行转向动作，以更改路径提前转弯的方式完成交互。

本文从目标层、战术层和操作层三个层级对电动二轮车的交互行为机制开展进一步的讨论，重点关注电动二轮车驾驶员的决策过程及其交互行为的完整演化过程。下图展示了电动二轮车交互行为机制讨论框架。

图9 电动二轮车交互行为机制讨论框架

5.1 目标层

目标层对应电动二轮车在交互中的安全诉求。电动二轮车会在机非冲突前设定其期望的安全目标，实际风险则可以通过结果中的指标反映。具体地，本文选用后侵入时间（Post-Encroachment time, PET）作为风险指标。

下图分别展示了不同交叉口和不同驾驶任务的PET绝对值显著性检验及差异效应值，表明相互之间未达到显著性水平或显著性差异的效应未达到单独讨论标准。可以认为在各类机非冲突场景中电动二轮车展示出了一致的安全目标。

图10 电动二轮车与汽车冲突场景中

PET绝对值显著性分析结果

5.2 战术层

战术层关注电动二轮车在交互中的具体战术选择（超车或避让），研究其决策的原因。本文采用预期后侵入时间（expected Post Encroachment Time，ePET）这一指标，对超车组与避让组在初始时刻的ePET进行显著性检验。ePET综合表征了初始状态，它是在假设双方运动状态不变的前提下，计算到达轨迹交叉点的时间差，公式如下：

两组ePET的显著性检验结果见下图。结果表明，两组指标具有显著性差异且不可忽略，同时两组中多数样本（超过75%）的正负不同，表明ePET正负与否是电动二轮车进行战术选择的重要判断依据。

图11 超车组和避让组ePET的显著性分析结果

5.3 操作层

操作层侧重讨论电动二轮车在具体动作执行时的共性与差异。根据电动二轮车动作特点，可以分为路径变化型（转向动作为主）、速度调整型（速度变化为主）和综合调整型（两者兼有）。

各类别在初始条件和交互结果上指标的显著性检验结果见下图，表明均未达到显著性差异水平。由此说明，即便具有相同的安全目标和初始条件，电动二轮车驾驶员的具体动作可能会由于驾驶偏好而非场景参数而有所不同，呈现出明显的多模态动作。

图12 不同操作类型间各指标显著性分析结果

在先前的研究中，作者团队曾改进了社会力模型并在仿真交叉口环境中实现了电动二轮车直行行为模型构建，以支持自动驾驶的闭环仿真测试。（详见两轮车运动行为建模探索与实践）

然而，该模型存在以下两方面的局限：一方面，它在与预定义轨迹的汽车交互时具有较好的表现，而在与汽车模型进行双向交互，其泛化能力便显不足；另一方面，社会力模型的目标表达相对简化，且对于连续变化的横向运动行为刻画不足，因此难以通过简单修改实现电动二轮车的合理转弯行为建模。

针对上述问题，为了给自动驾驶汽车的闭环仿真测试提供更加真实、合理的交互对象，作者团队基于上述分析和讨论结果，将影响电动二轮车交互决策关键指标「ePET」应用至强化学习的奖励函数设计中，进而指导电动二轮车行为模型的构建，实现电动二轮车在不同驾驶任务（直行和转弯）下的合理交互行为复现。

下面分别展示了作者团队构建的电动二轮车模型与两个自动驾驶被测系统的交互过程，其中VUT1为基于层次博弈和蒙特卡洛树搜索的方法[3]、VUT2为基于规则的IDM方法。可以看到电动二轮车模型在面临不同类型的被测系统时，均能够实现较好直行和转弯驾驶任务，并做出合适的避让与超车决策，有潜力作为自动驾驶闭环仿真测试中的有效交互对象。

下面分别展示电动二轮车模型与VUT1的直行和左转交互示例。

图13 电动二轮车模型直行时与VUT1交互示例

图14 电动二轮车模型转弯时与VUT1交互示例

下面分别展示电动二轮车模型与VUT2的直行和左转交互示例。

图15 电动二轮车模型直行时与VUT2交互示例

图16 电动二轮车模型转弯时与VUT2交互示例

---

7

总结

城市道路中，电动二轮车行为灵活、轨迹多变，是自动驾驶汽车在城区场景中一类关键交互对象。为支持闭环仿真测试的开展，本文基于自然驾驶数据，采用先分类再聚类的方法，对交叉口机非冲突中的电动二轮车交互行为进行了分析；随后依据分析结果，构建了电动二轮车的冲突行为模型，并将其接入了仿真环境，实现了闭环测试。

面向未来工作，工程应用层面需进一步构建该模型与主流仿真平台的接口，以便对更多自动驾驶系统开展闭环测试；行为建模层面，电动二轮车在高密度路口中穿梭与集群行驶时的行为机制仍有待研究，以在仿真环境中复现更加多样的机非冲突场景。

感谢SinD团队[1]提供的十字路口轨迹数据集

（http://github.com/SOTIF-AVLab/SinD）

感谢土木工程学院的秦蛟同学对于本研究的贡献