作為曾經(jīng)十余年奮戰(zhàn)在道路交通事故再現(xiàn)分析第一、第二線的一員，在面對(duì)自動(dòng)駕駛測(cè)試這個(gè)新主題的時(shí)候，時(shí)常被問(wèn)到關(guān)于如何基于已有的事故數(shù)據(jù)支持ADAS或自動(dòng)駕駛測(cè)試的問(wèn)題…索性把想到的一些零零總總的內(nèi)容整理為下文，以期引發(fā)更多、更深入的探討。筆者認(rèn)知水平和領(lǐng)悟?qū)哟斡邢蓿y免疏漏，歡迎指正。

本文轉(zhuǎn)自同濟(jì)智能汽車(chē)研究所，智車(chē)科技（IV_Technology）整理，轉(zhuǎn)載請(qǐng)注明來(lái)源。

背景：關(guān)于測(cè)試場(chǎng)景生成

基于場(chǎng)景的測(cè)試是ADAS測(cè)試的主要手段（包括法規(guī)測(cè)試和各國(guó)的NCAP測(cè)試等），也是目前更高等級(jí)自動(dòng)駕駛功能所采用的主流的測(cè)試方法。生成場(chǎng)景的方法大致可以分為兩大類(lèi)：基于知識(shí)的（演繹的方法）&基于數(shù)據(jù)的（歸納的方法）。其細(xì)分架構(gòu)如下圖所示。

圖 1 場(chǎng)景生成方法概要

基于知識(shí)的場(chǎng)景生成方法，是指從自動(dòng)駕駛系統(tǒng)從外界接受信息的軟硬件、處理信息的軟硬件、執(zhí)行指令的軟硬件等方面開(kāi)展理論分析；從解析的角度分析該系統(tǒng)的功能和性能的邊界，并以此為主要依據(jù)，創(chuàng)建測(cè)試的場(chǎng)景。從自動(dòng)駕駛系統(tǒng)的功能原理來(lái)看，該方法的挑戰(zhàn)主體是其中與外界關(guān)聯(lián)緊密的環(huán)境感知系統(tǒng)（含定位系統(tǒng)）和規(guī)劃決策系統(tǒng)。這部分的分析比較偏重白箱，與特定的被測(cè)對(duì)象結(jié)合緊密。

基于數(shù)據(jù)的場(chǎng)景生成方法，是指基于已有的、人類(lèi)駕駛員在真實(shí)交通中積累的、各類(lèi)駕駛過(guò)程數(shù)據(jù)，經(jīng)過(guò)分析、提煉并生成的測(cè)試場(chǎng)景。這些駕駛過(guò)程數(shù)據(jù)，依照數(shù)據(jù)來(lái)源可以大致分為三類(lèi)：1）FOT(Field Operational Test) / NDS(Naturalistic Driving Study)、2）危險(xiǎn)工況、3）交通事故。各數(shù)據(jù)來(lái)源對(duì)比情況如下表所示。

表1 ：駕駛過(guò)程數(shù)據(jù)來(lái)源對(duì)比

當(dāng)然，無(wú)論是基于上述哪種方法，或者綜合這兩種方法，也許都不是有關(guān)自動(dòng)駕駛測(cè)試的終極問(wèn)題（測(cè)試完備性）的答案；這有待更多有創(chuàng)造力的思考和嘗試。

1. 道路交通事故數(shù)據(jù)

FOT/NDS數(shù)據(jù)、危險(xiǎn)工況數(shù)據(jù)在國(guó)內(nèi)外文獻(xiàn)中很多見(jiàn)，在此不再敷述；最后一類(lèi)交通事故由于其數(shù)據(jù)資源的特殊性，其可接近性相對(duì)較弱，以下對(duì)其進(jìn)行深入分析。

交通事故數(shù)據(jù)一般來(lái)源于兩大方面：1）統(tǒng)計(jì)數(shù)據(jù)。交通管理部門(mén)在進(jìn)行道路交通事故處置時(shí)，記錄的數(shù)據(jù)，包含事故基本信息、車(chē)輛信息、駕駛?cè)诵畔⒌龋?）深度數(shù)據(jù)。科研機(jī)構(gòu)或行業(yè)組織開(kāi)展深度事故研究時(shí)，所采集、分析、再現(xiàn)計(jì)算得到的數(shù)據(jù)等。

基于統(tǒng)計(jì)數(shù)據(jù)可以做宏觀層面的估計(jì)。統(tǒng)計(jì)數(shù)據(jù)主要是刻畫(huà)某個(gè)地域范圍內(nèi)的事故整體特征，以典型的四項(xiàng)統(tǒng)計(jì)為例，就是事故起數(shù)、死亡人數(shù)、受傷人數(shù)和直接財(cái)產(chǎn)損失。而分類(lèi)的角度一般涵蓋：事故的嚴(yán)重程度（死亡事故、一般事故、輕微事故）、事故的基本屬性（時(shí)間、地點(diǎn)、道路類(lèi)型、肇事人員和車(chē)輛情況、傷亡人員情況、是否營(yíng)運(yùn)車(chē)輛等）。

深度數(shù)據(jù)則能揭示一些微觀的規(guī)律?；趩蝹€(gè)事故案例，再現(xiàn)分析所有相關(guān)交通參與者在這個(gè)時(shí)間區(qū)間內(nèi)、空間范圍內(nèi)、交通環(huán)境和自然環(huán)境內(nèi)的運(yùn)動(dòng)過(guò)程（即經(jīng)典的“人-車(chē)-路-環(huán)境”系統(tǒng)），并進(jìn)而分析其原因；從而在車(chē)輛工程、交通工程，及交通管理等角度探尋更好的解決方案或者優(yōu)化方法。

由于資源總體總是有限的，這兩類(lèi)交通事故數(shù)據(jù)呈現(xiàn)在單個(gè)事故的信息量和樣本數(shù)量這兩個(gè)維度上的狀態(tài)正好相反?；诮煌ㄊ鹿式y(tǒng)計(jì)數(shù)據(jù)的單個(gè)事故信息約為100條，而基于深度事故研究數(shù)據(jù)的單個(gè)事故信息約為3000條。在樣本數(shù)量方面，前者在我國(guó)每年約5萬(wàn)多個(gè)，而一個(gè)大型機(jī)構(gòu)每年能完成的深度事故分析約為500至1000個(gè)。其定性對(duì)比如下圖所示。

圖 2 統(tǒng)計(jì)數(shù)據(jù)和深度數(shù)據(jù)的數(shù)據(jù)量對(duì)比

2. 深度事故研究

深度事故研究數(shù)據(jù)，傳統(tǒng)來(lái)說(shuō)是主要面向車(chē)輛工程的被動(dòng)安全研究的，直接的應(yīng)用是改進(jìn)車(chē)身耐撞性設(shè)計(jì)、設(shè)計(jì)約束系統(tǒng)等，后來(lái)也逐漸被用于ESC、AEB等主動(dòng)安全系統(tǒng)的應(yīng)用效用的估計(jì)與驗(yàn)證。

隨著ADAS和其他等級(jí)自動(dòng)駕駛系統(tǒng)的發(fā)展，深度事故研究的方法也在隨之變化，通過(guò)追加關(guān)于“碰撞前5秒“的再現(xiàn)分析，數(shù)據(jù)可以被轉(zhuǎn)化為一個(gè)臨近碰撞條件的場(chǎng)景，進(jìn)而可被用于測(cè)試相關(guān)ADAS功能在此情況下的避撞效果（從而估計(jì)安全收益）。

深度事故數(shù)據(jù)再現(xiàn)分析的基本順序是逆序，即從碰撞后的信息推導(dǎo)到碰撞時(shí)刻的狀態(tài)和條件，再推測(cè)碰撞前的狀態(tài)和條件。示意圖如下。

圖3：深度事故數(shù)據(jù)再現(xiàn)分析流程

再現(xiàn)分析所使用的基本方法是物理學(xué)定律，主要是碰撞力學(xué)（牛頓定律）。就分析工具而言，主要是上述定律的解析或圖解法，或在此基礎(chǔ)上運(yùn)用PC-CRASH等軟件進(jìn)行再現(xiàn)計(jì)算。

深度事故數(shù)據(jù)再現(xiàn)分析所需要的輸入信息主要包括：

事故現(xiàn)場(chǎng)的痕跡標(biāo)記、信息采集和繪制的現(xiàn)場(chǎng)圖

事故車(chē)輛的內(nèi)外部測(cè)量和分析

事故參與者的回訪

事故傷亡人員的傷情及治療信息等

固定點(diǎn)的監(jiān)控視頻、車(chē)輛上的行車(chē)記錄儀數(shù)據(jù)和視頻或其他相關(guān)數(shù)據(jù)

深度事故數(shù)據(jù)再現(xiàn)分析的產(chǎn)出物主要包括：

數(shù)字化的比例復(fù)現(xiàn)的事故現(xiàn)場(chǎng)圖（AUTOCAD）

上述計(jì)算模型及結(jié)果（PC-CRASH）

數(shù)字化的事故信息和分析結(jié)論（數(shù)據(jù)庫(kù)）

3. 深度事故分析與自動(dòng)駕駛

在自動(dòng)駕駛開(kāi)發(fā)及驗(yàn)證過(guò)程中，常見(jiàn)的基于事故分析輸出物的應(yīng)用包括以下兩種：

基于交通事故數(shù)據(jù)生成測(cè)試場(chǎng)景，一般采用聚類(lèi)的方法，將同類(lèi)型的事故數(shù)據(jù)和特征加以提煉，形成能體現(xiàn)該類(lèi)型事故中的大多數(shù)情形的若干種典型工況，從而用于ADAS功能的測(cè)試與驗(yàn)證。 例如可應(yīng)用于行人AEB等功能的測(cè)試工況生成。

運(yùn)用交通事故數(shù)據(jù)進(jìn)行ADAS效用評(píng)價(jià)，在假設(shè)ADAS具有理想的感知、決策、執(zhí)行系統(tǒng)的前提下，將該功能虛擬地將設(shè)置于事故沖突的雙方（或單方）車(chē)輛中，仿真計(jì)算其對(duì)事故避免或事故減輕的效用，如下圖所示。

圖 4：從交通事故到仿真場(chǎng)景

限于本文篇幅，本節(jié)不做更具體展開(kāi)。如果有需要，可以在之后的推送中續(xù)篇。但顯然，上述兩類(lèi)數(shù)據(jù)的應(yīng)用，都無(wú)法直面自動(dòng)駕駛測(cè)試完備性這一終極拷問(wèn)。

4. 關(guān)于采用事故數(shù)據(jù)生成測(cè)試場(chǎng)景的一些思考

由于事故研究的基本方法是逆序分析，從結(jié)果（碰撞后的最末狀態(tài)）依據(jù)物理定理反推最合理的起因（碰撞前的最初狀態(tài)）。這里就存在兩個(gè)可能的誤差源：收集的信息的完整性和可靠性、分析過(guò)程的準(zhǔn)確性和可靠性。

一個(gè)比較常被問(wèn)到的問(wèn)題是，從碰撞時(shí)刻向前反推碰撞前5秒的狀態(tài)時(shí)，所依據(jù)的信息是什么？

主要依靠對(duì)駕駛員的回訪（彼時(shí)采取了什么操作）和地面的痕跡（如有縱向/橫向的緊急操作）等。這方面信息的準(zhǔn)確性和定量描述的精確性等都一定程度上存疑。

故而，再現(xiàn)分析結(jié)果的誤差也將作為輸入，不可避免地帶入到測(cè)試場(chǎng)景的問(wèn)題中。

小樣本數(shù)據(jù)的外推性

前述所提及的深度事故樣本，由于單個(gè)樣本的研究成本非常高，故而樣本總數(shù)縱然積累十多年，仍然較為有限。這里衍生出幾個(gè)問(wèn)題：

事故類(lèi)型和形態(tài)會(huì)隨著快速發(fā)展的交通環(huán)境和參與者行為的變化而變化，單一以延長(zhǎng)數(shù)據(jù)累計(jì)年份的方法而增加樣本數(shù)量，是否會(huì)使得數(shù)據(jù)所體現(xiàn)出來(lái)的問(wèn)題本質(zhì)存在有偏？

實(shí)際交通中的事故類(lèi)型以不同的定義和研究目的進(jìn)行劃分，總會(huì)分成若干類(lèi)；以面向ADAS功能的測(cè)試為例，如果僅探討該功能所針對(duì)的特定場(chǎng)景，只會(huì)存在一小部分有效的事故樣本；故而，有效樣本數(shù)會(huì)進(jìn)一步縮水。

由于目前覆蓋范圍最廣的國(guó)內(nèi)研究機(jī)構(gòu)也只能覆蓋5-7個(gè)城市（的局部區(qū)域），而國(guó)內(nèi)不同地域范圍、不同城市等級(jí)的差異性又確實(shí)較大，所以基于這樣不大規(guī)模的深度事故數(shù)據(jù)的樣本的分析結(jié)果，是否有把握外推至全國(guó)范圍，仍然是個(gè)問(wèn)號(hào)。

事故數(shù)據(jù)在自動(dòng)駕駛測(cè)試中的適用性

以兩個(gè)比較典型的事故類(lèi)型為例進(jìn)行解釋。

追尾事故。追尾事故大多雖然并不十分嚴(yán)重，但確是一種常見(jiàn)的事故類(lèi)型。由于沖突類(lèi)型較為明晰，故很容易聚類(lèi)歸納成為相關(guān)自動(dòng)駕駛功能的測(cè)試用例或測(cè)試工況。

絕大多數(shù)的追尾事故的情景是由人類(lèi)駕駛員的分心（疏于關(guān)注前車(chē)或路況）或及對(duì)前車(chē)的行駛狀態(tài)或趨勢(shì)的誤判（對(duì)速度或及加速度的誤判）而導(dǎo)致的，這種情況對(duì)于連續(xù)執(zhí)行自動(dòng)駕駛?cè)蝿?wù)的車(chē)輛來(lái)說(shuō)，是幾乎不會(huì)演變成這樣的沖突情景的，也即不會(huì)由其自身導(dǎo)致此類(lèi)事故。

十字路口對(duì)向行駛時(shí)轉(zhuǎn)彎和直行車(chē)輛的沖突。如圖所示，這是國(guó)內(nèi)常見(jiàn)的路口事故類(lèi)型，在沒(méi)有單獨(dú)轉(zhuǎn)向紅綠燈控制的路口，雙方都可以通行。由于人類(lèi)集中注意力時(shí)的水平視角有限（25度左右），A車(chē)駕駛員往往無(wú)法及時(shí)觀察到右側(cè)來(lái)車(chē)，或無(wú)法準(zhǔn)確判斷對(duì)方車(chē)速/加速度等，從而導(dǎo)致碰撞事故。

圖 5：十字路口交通沖突

如果沒(méi)有特殊情況的視野阻擋，連續(xù)執(zhí)行自動(dòng)駕駛?cè)蝿?wù)的車(chē)輛應(yīng)比人類(lèi)駕駛員有顯著的信息獲取能力（感知能力）的提升。當(dāng)然，也必須承認(rèn)“非受保護(hù)的左轉(zhuǎn)”對(duì)自動(dòng)駕駛的決策系統(tǒng)（對(duì)態(tài)勢(shì)的評(píng)估和決策）也是頗具挑戰(zhàn)的。但大量從真實(shí)事故中提煉而得的此類(lèi)測(cè)試場(chǎng)景是否能形成有效的測(cè)試用例，達(dá)到測(cè)試驗(yàn)證的目的，并不是個(gè)顯而易見(jiàn)的結(jié)論。

人類(lèi)駕駛員和交通事故的辯證關(guān)系

上周與達(dá)姆施塔特工業(yè)大學(xué)(TUD)的Prof.Winner交流的時(shí)候，他提出了以下觀點(diǎn)，人類(lèi)駕駛員消解(compensate)了很多沖突的危險(xiǎn)，從而避免了交通事故。

確實(shí)，談起人類(lèi)駕駛員，言必稱(chēng)90-95%左右的交通事故都是由于駕駛員本人的失誤造成的。這些“失誤”五花八門(mén)，分心、疲勞駕駛、酒后駕駛、駕駛經(jīng)驗(yàn)或技能不足（特別是緊急或極限工況下）等等。而自動(dòng)駕駛似乎被看作是解決這些“人類(lèi)失誤”一勞永逸的解決方案。

事故中的大部分必將被自動(dòng)駕駛所避免，那人類(lèi)駕駛員已經(jīng)compensate的那些危險(xiǎn)沖突呢？自動(dòng)駕駛是否也“全權(quán)代勞”了？該如何驗(yàn)證？

圖6：人類(lèi)駕駛員的駕駛狀態(tài)；上文探討的是其中“事故工況”的部分，而磚紅色的“危險(xiǎn)沖突情況”的部分，是在真實(shí)交通中被駕駛員消解的危險(xiǎn)。

前兩年，Prof.Winner還提出過(guò)另外一個(gè)問(wèn)題，啟發(fā)了大家的思考；在此也再轉(zhuǎn)述分享一下：當(dāng)自動(dòng)駕駛更多地融入了真實(shí)交通后，勢(shì)必會(huì)帶來(lái)新的critical scenarios和新的accidents。從事故研究的角度，也應(yīng)該對(duì)此做好充分的準(zhǔn)備和預(yù)估，并隨時(shí)投入新的研究中，為自動(dòng)駕駛的研發(fā)提供更好的反饋。

圖 7：自動(dòng)駕駛測(cè)試風(fēng)險(xiǎn)場(chǎng)景（摘自(How) can we validate safety of automated driving | Prof. H. Winner | Tongji | May 23, 2017）

5. 附：國(guó)內(nèi)開(kāi)展深度數(shù)據(jù)研究的主要機(jī)構(gòu)

國(guó)內(nèi)目前比較大規(guī)模的深度事故研究的方法、模式、數(shù)據(jù)庫(kù)結(jié)構(gòu)均脫胎于GIDAS。具體內(nèi)容這里不再敷述，簡(jiǎn)要信息總結(jié)于下表。如果沒(méi)有這些團(tuán)隊(duì)的辛勤工作，我們對(duì)如何在國(guó)內(nèi)開(kāi)展自動(dòng)駕駛測(cè)試，可能會(huì)更迷茫一些。

表2：國(guó)內(nèi)主要深度事故研究機(jī)構(gòu)