复杂系统安全性和可靠性实验室 | 自动驾驶车辆与遮挡行人交互时基于 SMPC 的运动规划

01导语

本日学术分享为2024年发表于IEEE Transactions on Intelligent Transportation Systems的研究工作。

研究背景：

背景：自动驾驶车辆要获得乘员信任，不能只在目标完全可见之后被动响应，而应像经验丰富的人类驾驶员一样具备预判能力。尤其在人行横道、路边停放车辆、前车遮挡等场景中，行人可能被前车或静态障碍遮挡。当行人突然进入自车视野时，系统通常只剩下极短反应时间，容易出现急刹、舒适性下降甚至碰撞风险。

这类问题的研究本质：目标风险并不完全来自可见行人本身，而来自“强遮挡+突发显现+短反应窗口”的耦合。传统感知方法通常关注目标出现后的检测精度，而本文关注在目标尚未可见时，如何利用交通环境中的间接线索提前推断风险。

图 1  前车遮挡下的自车-行人交互场景：EV为自车，FV为前车，Ped为潜在行人，红色区域为可能冲突区域

从图1可以看出，自车视角下行人被前车遮挡，自车无法直接观测行人位置和速度。但前车是否减速、是否让行、距离人行横道还有多远等行为信息，可能间接反映遮挡区域内是否存在行人。因此，本文将“看不见的行人”转化为一个具有概率分布的“幻影行人”进行处理。

该领域当前存在的核心挑战：

(1) 遮挡目标不可直接观测：自车传感器不能直接获得行人的真实位置、速度和意图；

(2) 最坏情况规划过于保守：若始终假设遮挡区有行人，车辆会频繁无意义减速，降低交通效率；

(3) 仅依赖可见目标过于激进：若完全忽略遮挡风险，等行人显现后再制动，可能已没有足够安全距离；

(4) 安全、舒适、效率三者难以统一：急刹虽可避免碰撞，但会损害乘坐舒适性和乘员信任。

本文的突破口是：不直接假设遮挡行人一定存在，也不完全忽略遮挡风险，而是根据前车行为估计行人存在概率，再把概率转化为SMPC中的机会约束。概率越高，车辆越保守；概率越低，车辆越接近正常通行。

 问题定义

论文将问题抽象为：在自车前方存在前车遮挡时，自车无法直接感知人行横道内是否有行人，但可以观测前车状态。如何根据前车速度、加速度、jerk以及到人行横道距离等信息，推断遮挡行人存在概率，并规划自车纵向速度，使其在安全、舒适和效率之间取得平衡？

相比常规运动规划问题，本文的不同之处在于：规划对象不仅包含可见行人，还包含“可能存在但不可见”的行人。这个潜在行人不是确定障碍物，而是一个概率化障碍物，具有位置、速度和存在概率的不确定性。

方法创新

本文方法的整体框架可以概括为“观测前车行为→推断遮挡行人概率→构建幻影行人模型→转化为机会约束→求解SMPC速度规划”。其中，ECA是紧急避撞模式，用于行人已可见且存在直接碰撞风险的情况；SMPC是本文的核心模式，用于处理遮挡下的概率化风险。

图 2  论文提出的 AV-Pedestrian interaction 规划框架：先判断是否存在遮挡和紧急风险，再利用先验知识与前车行为推断行人存在概率，最终进入 SMPC Planner。

SMPC规划问题建模

SMPC的核心是把车辆运动规划写成带约束的优化问题。自车状态包括位置和速度，控制输入为纵向加速度。优化目标不仅考虑目标速度偏差，还考虑加速度、jerk以及碰撞惩罚，因此可以同时兼顾效率、舒适性与安全性。

公式 1 SMPC优化目标与自车动力学约束的基本形式

公式 2 状态约束、加速度约束、jerk约束、幻影行人机会约束与非线性安全约束

其中，式(6)是本文最关键的机会约束：。它表示幻影行人落在某个区域内的概率至少为。的值来自前车行为推断得到的行人存在概率。越大，说明遮挡区域内越可能有行人，安全边界就越大，自车规划就越保守。

公式 3 基于自车和行人到达冲突区域时间差的非线性安全约束

公式 4 代价函数：由速度误差、加速度、jerk 和碰撞惩罚共同组成

从公式3可以看出，论文并不是简单地比较两者距离，而是通过到达冲突区域的时间差判断是否安全；从公式 4 可以看出，算法不会一味减速，而是在目标速度、舒适性和碰撞风险之间做权衡。

自车运动学模型与物理约束

为简化问题，论文假设自车在人行横道前不换道，只规划纵向速度。因此自车可用一维运动学模型描述，状态包括纵向位置和速度。

公式 5 自车纵向运动学模型

公式 6 自车速度、加速度与 jerk 的物理约束

在“鬼探头”早期预警中，不一定一开始就做复杂全局轨迹规划，可以先把问题简化为纵向风险等级和制动建议，即“是否需要提前减速、减速强度多大”。

基于前车行为的行人存在概率推断

论文首先采集自然驾驶数据：使用无人机在杭州无信号人行横道采集 205分钟视频，并通过YOLOv5与UKF提取车辆轨迹。最终得到727个车辆通过人行横道案例，其中180个为车辆给行人让行，占24.7%。

作者发现，当前车给行人让行与不让行时，其速度、加速度和jerk分布存在显著差异。因此，前车驾驶行为可以作为遮挡行人是否存在的间接观测量。

图 3 前车让行与不让行状态下速度、加速度和jerk的统计分布差异

在行人存在概率推断部分，论文采用k-NN方法，输入特征包括前车速度、加速度、jerk和到人行横道距离。五折交叉验证结果显示，总体准确率达到91.9%，真阳性率TPR为92.7%，漏检率为7.3%。

图 4  k-NN推断的混淆矩阵与漏检案例分析

这里最值得注意的是，作者并没有追求复杂模型，而是用一个轻量k-NN完成概率推断。这说明“鬼探头”预警不一定必须依赖大型深度网络，只要能提取稳定的时空特征，也可以用轻量规则或概率模型实现实时预警。

幻影行人模型与机会约束

虽然前车行为可以提供遮挡区域内是否有行人的线索，但这种信息并不能完全消除不确定性。因此，论文进一步建立 phantom pedestrian model。所谓“幻影行人”，不是实际观测到的目标，而是系统为遮挡区域中潜在行人建立的概率化代理目标。

公式 7  幻影行人的运动模型：行人沿人行横道方向以带噪声速度运动

图 5  幻影行人位置不确定性的置信椭圆示例

论文假设幻影行人的初始位置服从二维高斯分布，均值位于遮挡人行横道区域的中心。预测误差随时间递推，行人速度不确定性会逐步扩大其可能位置范围。

公式 8  由二维高斯分布推导置信椭圆，并通过x²分布确定椭圆尺寸

关键思想是：将抽象的“行人可能在遮挡区”转换为一个可计算的安全边界。行人存在概率越高，置信椭圆和外接矩形越大，SMPC对自车的约束越强；反之，车辆无需过度保守。

三类规划策略对比

AGGR 类似“只在点云目标已经出现后再预警”，CONS 类似“只要有遮挡就报警”，而 SMPC 对应的是“根据雷达点云时空特征连续确认风险后分级预警”。因此，本文可作为设计分级预警策略和连续确认机制的重要参考。

自然驾驶数据仿真

论文首先基于自然驾驶数据构建仿真。前车状态来自真实数据，包括前车到人行横道距离、速度和加速度；自车初始状态在前车基础上加入随机扰动，以生成更丰富的场景。对于前车让行案例，仿真中设置行人通过冲突区域；对于前车不让行案例，则不设置行人。

表 1  仿真实验参数设置

图 6  仿真结果：、,a与的统计分布

在前车让行场景中，安全性是核心指标。结果表明，SMPC和CONS均实现0碰撞，而AGGR出现25次碰撞，碰撞率为13.89%。这说明如果系统只依赖直接可见行人，不进行遮挡风险推断，在行人突然显现时可能没有足够制动距离。

在前车不让行场景中，通行效率是核心指标。SMPC、AGGR和CONS的平均通过时间分别为8.78s、8.43s和10.48s。SMPC的效率略低于AGGR，但明显优于CONS，说明它没有像保守策略那样因“假想行人”频繁无意义减速。

典型案例分析

图 7 前车让行场景的典型案例：前车快速减速后，遮挡行人存在概率升高，SMPC逐渐表现出类似CONS的谨慎减速。

在图7的前车让行案例中，当前车约1s开始快速减速时，推断出的行人存在概率迅速升高并保持在较高水平。随着概率升高，SMPC逐渐减速，行为接近保守策略；而AGGR由于不考虑遮挡行人，直到行人进入感知范围后才急剧减速，峰值减速度接近-3m/s²，舒适性和乘员信任都会受到影响。

图 8前车不让行场景的典型案例：前车短暂减速后保持匀速，SMPC推断行人存在概率逐渐下降，并恢复正常行驶。

在图8的前车不让行案例中，前车初期减速导致SMPC对行人存在概率有所上调，因此自车短暂减速；但当前车后续保持匀速，推断概率下降到0，SMPC又恢复接近期望速度。这说明SMPC不是简单“见到遮挡就刹车”，而是会根据前车行为持续更新风险判断。

Pedestrian-Driver-in-the-loop实验

为了验证方法在动态交互中的效果，论文还设计了pedestrian-driver-in-the-loop实验。行人佩戴HTC VIVE Pro VR设备在开放空间中行走，前车驾驶员在模拟器中驾驶，车辆与行人的运动状态在 CarMaker 与 VR 环境之间实时共享。

图 9 Pedestrian-Driver-in-the-loop实验框架。

图 10 CarMaker中的三智能体交互场景：EV、FV与pedestrian

实验共招募18名参与者，每种算法在行人横穿/不横穿、不同速度限制下进行交互。客观评价关注安全时间差和速度变化率，主观评价则通过行人问卷评估安全感、交互性、兼容性与驾驶风格。

图 11 闭环实验客观结果：横穿场景下的与非横穿场景下的。

客观结果与仿真一致：行人横穿时，SMPC和CONS能保证安全，而AGGR出现2次碰撞风险；行人不横穿时，AGGR效率最高，SMPC次之，CONS最低。平均速度变化率分别为SMPC21.6%、AGGR2.8%、CONS31.6%，说明SMPC在效率上明显优于CONS，同时比AGGR更安全。

表 2 SMPC与AGGR/CONS的ANOVA显著性分析。

主观评价表明，SMPC相比AGGR更保守、更安全，也更接近真实人类驾驶员；与CONS相比，行人在主观上对二者差异感知不明显，原因是问卷更关注车辆与行人的安全交互，而交通效率差异对行人而言不易直接感知。

本文针对自动驾驶车辆在前车遮挡行人场景下面临的主动规划问题，提出了一种基于随机模型预测控制的速度规划方法。论文首先通过自然驾驶数据发现前车让行与不让行行为在速度、加速度和jerk上存在显著差异，并进一步利用k-NN推断遮挡区域内行人存在概率。随后，作者构建了phantom pedestrian model，将不可见行人的位置和速度不确定性表示为概率分布，并通过机会约束嵌入SMPC优化问题，使车辆能够根据风险概率动态调整安全边界。

实验结果表明，SMPC能在安全性和通行效率之间取得较好折中：在仿真中，SMPC与保守策略均实现0碰撞，而激进策略碰撞率为13.89%；在不让行场景中，SMPC 平均通过时间为8.78s，明显优于保守策略的 10.48s。人-车-行人闭环实验进一步证明，SMPC相比AGGR更安全、更符合真实人类驾驶行为，同时相比CONS不会过度牺牲效率。

本文仍然存在一定局限。首先，论文主要针对无信号人行横道和前车遮挡行人场景，场景结构相对明确；而真实“鬼探头”可能发生在公交车、路边货车、绿化带、非机动车道等复杂遮挡环境中。其次，行人存在概率推断依赖前车行为，若没有前车作为“社会传感器”，该方法的推断依据会减弱。第三，幻影行人模型假设行人沿人行横道方向近似匀速运动，对奔跑、折返、儿童突然冲出等极端行为覆盖不足。

这篇文章最大的价值在于提供了一个清晰的思想框架：鬼探头预警不应只等目标完全显现，而应利用可观测线索对遮挡区域中的潜在行人进行提前推断。后续可以将本文的概率化风险建模思想与毫米波雷达点云时空特征结合起来，形成“雷达候选目标生成—连续确认—风险等级判定—分级预警输出”的完整方法。

硕士一年级：陈优选

指导教师：李华亮

长春工业大学

复杂系统安全性和可靠性

实验室

END

z