技术文章 |特大城市自动化车辆与其他道路使用者潜在冲突状况的分析与界定在上海等人口超过1000万的特大城市，自动驾驶车辆有可能通过减少道路上的车辆数量和增加智能基础设施带来的交通流量来减少交通问题。自动驾驶汽车的引入和使用给汽车照明行业带来了新的挑战和机遇。随着自动化程度的提高，人类驾驶员的责任越来越小。这意味着司机将不再监视汽车的周围环境。因此，驾驶员与其他道路使用者（如行人或非机动车使用者（NMV））之间的直观交流方式（如眼神交流）将消失。这会导致混乱和不确定的交通状况。具体而言，涉及NMV的事故数，包括最大速度为25公里/小时的自行车，电动自行车，三轮车和其他人，在中国的2007年到2016间增加到46%。
图1 2007年至2016年十年间道路交通事故、行人交通事故和非机动车交通事故总数的图解 在过去的几年中，这一话题成为世界各地研究机构的热门话题。一些公共机构对行人或骑自行车者与自动驾驶车辆之间的冲突情况进行了分析甚至调查。大多数研究假设只有一个自动驾驶汽车和另一个道路使用者接触的简化场景。这些结果只能在“特大城市情景”中的有限范围内应用。各种交通参与者组成的较大群体在各种交通路口相互联系。因此，本研究选取上海某T型路口的日常生活情景，对所有道路使用者（RU）进行调查，以确定未来将被自动驾驶汽车替代的汽车与其他道路使用者之间的潜在冲突情况。 法律法规 作为交通法规，汽车照明法规中存在着主要的相似之处，如光强分布和色度图。一方面，“交通控制设备-信号头”的法律法规规范了德国的交通灯。另一方面，中国《交通信号灯条例》是“道路交通信号灯”和“交通信号灯倒计时显示单元”两个规范的结合。然而，德国和中国的法律法规在交通灯特定直径下的最小光强方面存在差异，因此，“2级”对应300或400 mm，“1级”对应200 mm直径。在德国标准中，对于交通灯的直径没有具体的区别，因此表1对两个直径为200毫米或300毫米都是符合标准的，但是中国法规中定义了信号灯1类，2类光强的最小值为200 cd，最大光强为800 cd。此外，根据中国的图形交通灯（图2），如波长和光强度扩展了规则，考虑到这一点，图2示出了中国行人交通灯的示例。 综上所述，对汽车照明法规的考虑确保了对新的用于自动驾驶汽车和其他道路参与者之间通信的统一汽车光信号的建议，例如发光特性（表1，图2）。有鉴于此，通过对德国和中国汽车照明法规的比较，指出两者的相似之处，为引入新的汽车照明信号提供了第一个基本框架。 表一、基准轴上红、黄、绿信号灯的光强（一）；1类：LED，白炽灯，低压卤素灯，2类：LED，3类：白炽灯，低压卤素灯.
图2 直径为300毫米发光面的带图案交通灯规范 这项基于视频的研究是在2019年4月某两天上午11点到晚上7点之间进行的。选定一个典型信号化T形路口（大学路和志兴路），并且其路口包含传统非机动车道。图3）。在这种情况下，所选择的方案保证了具有代表性的人数，因为附近有地铁站、大学路的餐馆、酒吧和商店以及大学路周围的居民区。观察包括三个高清摄像机，两个摄像机（图4c）安装在三脚架上，三脚架位于阳台上，高度约20米（鸟瞰图）。每台摄像机分别聚焦在一个人行横道上，以记录相关的范围。鸟瞰视频是与iMovie一起编辑的，可以观察整个场景，也不会重复计算任何RU。第三台摄像机安装在2米高的路标上，用于记录行人的行为，即使在摄像头前方有人或者使用雨伞时，安装的高度保证了记录效果。摄像机的选定位置被选择为尽可能隐藏，以不影响所有道路使用者（RU）的行为。整个记录数据包括14.5小时的鸟瞰图和7小时的常规视角。
图3 用于观察的T型路口的几何草图。箭头代表摄像机的观察区域 数据分析的第一步是使用MATLAB工具对鸟瞰视频（图4a）进行人工观察，以定义所选场景中所有RU的数量（周五总共29401个RU和6140个行人，周三8257个穿越行人）。RU被分成基于30分钟的时间分布。鸟瞰视频确定在大城市中红灯时过马路的行为。 数据分析的第二步是手动观察常规视角视频（图4b），以确定行人的过街行为，并可获取更详细的信息，如行人年龄和电话使用情况。
图4 a）使用iMovie编辑后整个场景的鸟瞰视角拍摄区域；b）常规视角拍摄区域；c）带有便携式电源的鸟瞰图设备。 A.鸟瞰图 在选定的场景中，以30分钟内观察到的人流量和车流量进行统计，并按照种类划分RU组。在这些情况下，在图5中，大多数RU都是行人（星期五：50%，星期三48%），其次是NMV（星期五：30%，星期三31%），包括电瓶车和自行车，16%辆汽车和4%辆出租车，已经包含在上海公共交通类别中。观察到的情景显示在周五中39.8%和周三中39.9%的行人（图5），由两人或两人以上组成（“行人小组”）。此外，记录了行人的性别，显示出57%的女性和43%的男性穿越了观察到的人行横道。鉴于这些观点，对这两天的观察表明，经过观察，周五和周三的工作日之间没有显著差异。
图5 星期五（左）和星期三（右）所有道路使用者的分布 这项研究的另一个关键点是每个RU的时间分布（星期五：图6；星期三：图7）。因此，时间分布显示了星期五中午12:30到下午1:00之间是高峰时段（图6），由于交通和行人密度较高，选择该时段观察常规视角视频。可以研究道路冲突情况。同样，星期三的时间分布显示在中午12点到下午1:30之间的一个高峰期（图7），主要是行人以及电瓶车数量的影响。此外，图7中的时间分布显示了第二个峰值，即下午6点到7:30之间。与第一个高峰期相似，第二个高峰期主要受小轮摩托车和行人数量的影响，汽车数量也影响第二个高峰期（图7）。 此外，电瓶车的高峰期在上午11:30到下午1:00之间，这是由于此时间段是外卖电瓶车的活跃期。此外，汽车和自行车的数量在一天中是恒定的，卡车、公共汽车或工程车的数量在整个观察中几乎可忽略不计（图6）。相反，在图7中，汽车的数量在下午6~7PM之间有最大值，这影响了总RU的第二峰值周期。由于所有RU内的行人数量很大，因此每分钟的所有RU趋势主要受行人总数（“行人总数”）的趋势控制。但我们同时发现总RU数量的趋势跟电瓶车总数变化趋势一致。
图6 星期五上午11点至下午5点30分期间每分钟所有RU的时间分布
图7 星期三上午11点至晚上8点期间每分钟所有RU的时间分布 B. 常规视角 观察鸟瞰视频并定义所有RU之后，再评估常规视角视频。此外常规视角视频包含更详细的信息（如电话使用情况或头部移动）。确定高峰期后，通过对高峰期的研究，以确定行人穿过人行道的行为策略。基于图8所示进行研究。在周五高峰期一段长达10分钟的视频中，可以分析出35个过街行为。
图8 行人过马路的行为分类以及顺序 图9，图10分别代表绿灯，红灯时行人过马路的观察步骤策略。“看”代表行人过马路时有头部移动，或者在观察路面；“交谈”，“打电话”这些可归纳为行人过马路时的分心因素；“减速”和“停止”是描述行人速度的显著改变改变；“行走”则表明行人正常行走，速度没有显著改变。 在绿灯时，63%行人有1个动作，33%行人有2个动作，其余4%则有3个动作。另一方面，在红灯时过马路时，50%行人有2个动作，剩余50%行人有3个动作。这表明，在红灯时过马路，行人会更多注意力在观察路面情况。
图9 行人绿灯过马路前33次互动的动作顺序
图10 红色行人红绿灯过马路前两次互动的动作顺序 图11，图12进一步阐述了行人过马路时的行为策略。表明66%的行人在绿灯时会观察路面，100%行人在红灯时会观察路面。但是仍有12%的行人在绿灯通行时没有任何观察和减速。
图11 行人绿灯过马路时互动的动作顺序
图12 行人红灯过马路时互动的动作顺序 此外，交叉序列（图8）包含一个主要特征，这对于在自动驾驶汽车和其他RU之间设计和引入新的汽车照明信号非常重要。在行人不按照法规穿过马路时，容易引起交通冲突。因此需要在自动驾驶汽车的设计中引入新的交互信号，如新的汽车照明信号。 本文是基于实拍某T型路口车流人流视频进行研究。对于行人过马路行为，可以针对行人的转动头部等观察行为作为未来自动驾驶的输入信号，以便自动驾驶车辆与行人进行交互。此外，比如周五下午会有警察现场指挥交通。在这一情况下，行人观察路口的动作明显降低，因此，自动驾驶车辆必须确保与警察的通信，并遵循警察的命令。 此外，电瓶车和自行车的高数量意味着自动驾驶车辆必须格外对其进行关注。特别是这些车辆行走在人行道时。因此，附加汽车光信号的设计必须考虑接近25 km/h的速度。 针对进一步研究，可以研究多天的行人行为，因为人们在工作日和周末思维方式不一样，以此可以确定周末跟工作日的行人行为不同之处。此外在城市道路中无信号灯道路的行人行为也是需要考量的重点。并且需要比较欧洲，美国，中国等多地的行人行为，可以帮助我们设计详细的自动驾驶车辆灯光信号的交互。特别对于无交通信号控制的路口尤为重要。总而言之，可以使用实时图像处理以减少人工观察的时间。常规视角的行为分析可以作为人工智能分析行人行为的样本。 |
|||||||||||||||||||||||
