自动驾驶汽车行驶风险评估方法综述

来源 | sasetech

知圈 | 进“底盘社群”请加微yanzhi-6,备注底盘

随着智能驾驶的推广和普及，预期功能安全会是汽车领域未来3-5年里需要突破的重点技术方向。为了给大家提供更有针对性的学习资料和技术交流空间，五月份SASETECH将开启预期功能安全月，持续分享预期功能安全相关内容，与各位共同深入学习了解预期功能安全相关问题，也欢迎大家在SASETECH预期功能安全部落中进行更深入的探讨。

自动驾驶汽车行驶风险评估方法综述

A Survey of Driving Risk Assessment for Autonomous Vehicles

作者：熊璐，吴建峰，邢星宇，吴新政，陈君毅

摘要：行驶风险评估对自动驾驶系统的安全运行至关重要。将现有行驶风险评估方法分为3类 ，包括面向单一目标物的、基于可达集的和基于势场论的评估方法 。提出5个评价维度 ，包括计算实时性、结果时效性、应用可行性、内容充分性和场景泛用性，对评估方法进行了全面比较，揭示其特点和适用情况。对自动驾驶行驶风险评估面临的问题以及未来发展趋势进行了分析和展望。

关键词：自动驾驶汽车；风险评估；行驶风险；场景；综述

安全是自动驾驶系统上路运行的首要条件。近年来，随着驾驶自动化水平的提高，自动驾驶汽 车在行驶过程中遇到的场景越来越复杂，需要执行的驾驶任务也越来越多样。复杂的场景和多样的驾驶任务给自动驾驶系统带来了巨大的安全挑战。行驶风险评估作为保证和检验自动驾驶系统安全运行的重要手段，一直是自动驾驶领域的研究重点。

本文对现有行驶风险评估方法进行分类，在分类的基础上阐述行驶风险评估的最新进展；通过全面的对比分析，揭示不同类型评估方法的特点和适用情况，为行驶风险评估方法的研究与应用提供借鉴。本文余下部分：第1节介绍问题定义；第2节将现有行驶风险评估方法分为3类，并展开详细介绍；第3节提出5个对比维度并对现有的评估方法进行对比分析；第4节分析行驶风险评估所面临的问题，并对未来研究方向进行展望。

01.

问题定义

从风险的内涵上，本文将“风险”定义为碰撞可能性和碰撞严重度的组合。“风险”一词往往与对驾驶员、乘员、其他交通参与者造成伤害的情况相关联 ，而碰撞是造成驾驶员、乘员或其他交通参与者伤害的直接原因。其中，碰撞可能性用于表征车辆行驶过程中与周围的交通参与者或障碍物发生碰撞的可能性，碰撞严重度用于表征碰撞对驾驶员、乘客及其他交通参与者等造成伤害的严重程 度。考虑到自动驾驶系统（下文简称“系统”）研发过程中，最首要的是系统运行时能有效避免碰撞、保证安全，因此本文主要围绕碰撞可能性展开综述。

从时间跨度上可以将风险分为3类：第1类是预期使用周期下的风险，其包含了系统在整个生命周期中可能出现的不同场景下的风险；第2类是一段行驶过程中或场景下的风险，其为系统在某个特定场景中的风险；第3类是具体时刻下的风险，其为系统在行驶过程中所处场景的具体时刻下的风险。

虽然风险评估既可以用于指导决策规划，也可以服务于测试评价，但也存在一定的区别 。当风险评估用于指导决策规划时主要考虑当前时刻下的风险，即第3类风险评估。在进行此类风险评估时，需全面考虑当前场景和时刻下主车周围各种目标物对主车造成风险的大小，从而及时准确地发现潜在危险并为决策提供参考 。当风险评估用于测试评价时，关注的是整个测试过程中的风险 ，  即第2类风险评估。其建立在对第3类风险评估的基础上， 反映被测对象在一段场景中的总体风险水平。至于第1类风险评估，可以借助类似国际标准ISO 26262和 ISO 21448中推荐的方法进行风险评估，即结合危害分析识别的危害事件与相应的运行场景进行分析，进而得到系统在预期使用周期中的风险等级；也可以基于对第2、3类风险评估得到风险结果。

02.

行驶风险评估方法分类

现有的行驶风险评估方法主要通过对主车及其他交通参与者进行运动学或动力学建模并引入一定程度的假设以预测车辆的轨迹、覆盖区域等信息，基于此计算主车和其他交通参与者碰撞的可能性并作为风险评估的依据。如图1所示，本文将现有的风险评估方法分为3类，包括面向单一目标物的评估方法、基于势场论的评估方法以及基于可达集的评估方法 。其中 ，面向单一目标物的评估方法又可分为确定性评估方法和概率性评估方法。面向单一综述。目标物的评估方法和基于可达集的评估方法的共同点是都需要通过检测冲突或碰撞来评估风险，不同的是面向单一目标物的方法主要从轨迹出发进行碰撞检测，进而评估风险；而基于可达集的方法是从区域的角度出发进行碰撞检测，并通过非碰撞区域的大小来表征风险。与前两类评估方法不同，基于势场论的评估方法不需要检测碰撞，而是通过结合专家知识和事故数据分析得到风险因素 (例如车 辆、障碍物等) 的基础上 ，根据物理学中场的概念对风险关系进行建模，实现风险评估。

图1 风险评估方法分类

2.1  面向单一目标物的评估方法

2.1.1确定性评估方法

确定性评估方法是一种忽略交通参与者运动不确定性的风险评估方法，在这种方法中，一般利用简化物理模型来描述交通参与者的运动并选取某种指标来表征风险，当指标计算结果超过某一阈值时便认为存在风险。

常用的简化物理模型是定常模型，即假设车辆的运动参数（如加速度、速度和航向角等）在短时间内是恒定的；在简化物理模型的基础上通过计算特定指标来评估风险，本文将这些指标划分为3类：时间指标、加速度指标和距离指标。时间指标包括碰撞时间（Time to Collision，TTC）、修正碰撞时间（Modified Time to Collision，MTTC）、模型预测碰撞时间 （Model Predictive Time-to-Collision，MPrTTC）、制动时间 （Time to Brake，TTB）、转 向 时 间（Time to Steer，TTS）、时间裕度 （Time Mar-gin，TM）、车头时距（Time Head-way， TH-W）、后侵入时间（Post Encroach-ment Time，PET）等；加速度指标包括避撞减速率（Deceleration Rate to Avoid a Crash，DRAC）、制动威胁系数（Brake-ThreatNumber，BTN）和转向威胁系数（Steer-ThreatNumber，STN）等，距离指标有最小安全距离（Minimum Safety Distance，M-SD）、碰撞距离（Distance to Collision，DTC）等。

时间指标上，TAMKE等提出了一种通过预测当前场景变化来计算的 TTC、TTB、TTS的有效算法，并将这些指标作为碰撞预警系统的触发器。KIM等基于 TTC-1得出风险图并将其用于确定避撞控制策略。MULDER 等将THW作为TTC的辅助指标来评估跟车场景的风险水平。WENG Bowen 等根据主车与他车的动作状态与位置，结合车辆运动学模型计算发生碰撞的时间，作为模型预测碰撞时间（MPrTTC）来评估风险。LEE等使用定加速度模型作为周围车辆的运动预测模型来计算预测占用图（Predictive Occupancy Ma-p，POM），并基于 POM计算主车到占用区域所需的时间。朱西产等以驾驶员在前车突然减速时所需的最小反应时间作为跟车场景下的风险评估指标。时间指标对比见表1。

表1 时间指标对比

加速度指标一般由车辆的极限加减速性能以及所在场景中车辆为避免碰撞所需的加减速性能确定。KIEFER等分析了避免碰撞所需的减速度，并讨论了所需减速度的计算方法，LI Yingshuai等提出用DRAC来表征风险，该指标通过计算在当前状态下车辆避免碰撞所需的减速度来表征风险。

除此之外，有研究者根据驾驶员的避撞策略，包括转向和制动，提出了转向威胁指标（Steer-ThreatNumber， STN）和制动威胁指标（Brake-ThreatNumber，BTN），如图2所示。NILSSON等用STN和 BTN 来评估风险，即当避碰能力确定时，STN和BTN越大，意味着发生事故的可能性越大。与此类似的，TYAGI又提出了加速威胁指标（Acceleration Threat Number，ATN）和减速威胁指标（Deceleration Threat Number， DTN），并 结合STN 和 BTN 进行碰撞风险检测。加速度指标对比见表2。

图2 评估指标STN、BTN示意图

表2 加速度指标对比

距离指标通过主车到碰撞点的距离来表征风险，用于风险评估的距离指标本质上类似于时间度量。WINKLER等基于 TTC 的变换获得了避免碰撞的最小安全距离。WANG Wuhong等使用碰撞距离（Distance to Collision，DTC）作为风险指标。Mobileye提出的责任敏感模型中要求车辆在行驶时要保证与前车的最小纵向安全距离以防止发生追尾事故，并给出了最小安全距离的计算公式，该公式中的系数可以随着天气、驾驶环境等因素的不同而动态调整。距离指标对比见表3。

表3 距离指标汇总

确定性评估方法的优点是可以快速评估当前情况的风险。由于使用了简化模型，提高了运算效率，所以这些方法可以快速评估风险。但是由于忽略了车辆运动的不确定性和车外场景的不确定性，使该类评估方法的应用场景受限。

2.1.2 概率性性评估方法

概率性评估方法在评估过程中考虑车辆在运动过程中存在的不确定性，利用概率模型来描述其运动，进而评估风险。具体而言，概率性评估方法首先预测周围车辆的轨迹，再结合主车未来轨迹进行碰撞检测，最后根据碰撞检测结果得出主车的碰撞可能性；但预测车辆的运动轨迹并不是一项确定性的任务。一方面是因为运动的不确定性，即从驾驶员的驾驶行为到输入车辆的控制指令再到车辆的实际轨迹，都有复杂的交互作用，包括人车交互、车路交互以及人与交通环境的交互，交互的复杂性导致了驾驶员的驾驶行为、输入车辆的运动控制参数不确定性；另一方面是因为观测的不确定性，即许多参数在现有技术水平下难以精确测量。例如，轮胎在道路上的摩擦系数就很难测量，从而导致输入风险评估的参数本身存在不确定性。

综上所述，在预测周围车辆轨迹时，必须考虑车辆在运动过程中的不确定性。基于运动过程中的不确定性，本文将概率性评估方法分为两类，一类是基于驾驶行为不确定性的评估方法，另一类是基于运动控制参数不确定性的评估方法。其中，驾驶行为不确定性是指因无法直接确定驾驶行为而产生的不确定性。例如，车辆行驶时无法直接确定周围车辆是否会变道。运动控制参数不确定性是指因无法直接确定输入车辆的运动控制参数。例如，横纵向加速度产生的不确定性。至于观测不确定性，因为很多研究者进行风险评估时均假设输入参数可以准确获得，所以本文不对其重点讨论。

（1） 基于驾驶行为不确定性的评估方法

在考虑驾驶行为不确定性进行风险评估时，首先需要预测驾驶行为，常用的驾驶行为预测模型包括 交互多重模型（Interacting Multiple Model，IMM）、隐马尔可夫模型（Hidden Markov Models， HMMs）、动态贝叶斯网络（Dynamic Bayesian Net-works，DBN）、支持向量机（Support Vector Machine， SVM）等 。KIM等基于主车当前状态生成离线轨迹，使用IMM预测周围车辆的变道概率并利用三次多项式生成周围车辆运动轨迹，最后根据车辆出现在同一位置的可能性来计算碰撞概率，图3展示了对车辆变道行为和变道轨迹的预测情况。ZHANG Lijun 等利用 IMM 融合定转向角速率定加速度模型和行为预测模型来预测周围车辆的轨迹，并基于主车和周围车辆的碰撞可能性和碰撞严重度进行风险评估；SCHREIER等采用贝叶斯网络检测周围车辆的驾驶行为并根据驾驶行为预测周围车辆的轨迹，依据预测的碰撞时间和碰撞概率进行风险评估。

图3 车辆变道行为预测

一般的驾驶行为预测模型在正常情况下可以较准确地预测驾驶员行为，但实际交通环境中也会出现一些异常驾驶行为，这些异常驾驶行为往往较难预测，且对行驶安全有较大影响。因此，异常驾驶行为检测也是风险评估 需要考虑的问题，RYAN等利用高斯过程（Gaussian Processes，GP）和卷积神经网络（Convolutional Neural Networ-ks， CNN）进行异常驾驶行为检测，试验表明该方法能较准确地检测到异常驾驶行为。

（2） 基于运动控制参数不确定性的评估方法

在考虑车辆运动控制参数不确定性时，首先要得到运动控制参数，例如，加速度、转向角等的概率分布情况，再基于运动控制参数的概率分布情况得到车辆控制输入，并将其输入车辆运动模型得出运动轨迹，最后基于轨迹进行风险评估。在对运动控制参数分布进行建模时，最简单的方式是利用均匀分布进行建模，JOERER等根据车辆的最大减速度和加速度得到车辆运动轨迹界限。假设车辆的加速度分布是均匀概率分布，并计算选择特定轨迹的碰撞可能性，最后通过汇总在轨迹边界中的每个轨迹的碰撞可能性来计算当前场景下的碰撞可能性。很明显，这种均匀分布的假设与实际情况差距较大。为提高风险评估的准确性，部分研究人员选用高斯混合模型来建立运动控制参数分布模型，ZHOU Huajian等等通过对驾驶员避撞行为进行建模，利用自然驾驶数据构建车辆避撞时的横纵向加速度分布的高斯混合模型，并结合马尔可夫蒙特卡洛抽样算法得到车辆未来横纵向加速度。JASOUR等利用深度神经网络来预测运动控制参数在高斯混合模型下分布的均值和协方差矩阵，用这种学习得到的高斯混合模型来描述运动控制参数的不确定性。此外，也有学者利用专家经验来描述运动控制参数的分布情况，BROADHURST等根据驾驶员行为特点构建运动控制参数的分布模型，通过蒙特卡罗采样方法得到车辆未来的控制输入。EIDEWALL等在 BROADHURS-T 等的工作基础上，通过引入迭代采样算法和驾驶员在实际驾驶中的能见度限制提升了原有风险评估方法的性能。

由运动控制参数分布生成运动控制参数时，一般利用采样的方法进行生成，但采样法一直存在如何平衡采样频率和可靠性之间的问题。即想要得到可靠的结果，需要提高采样频率，但过高的采样频率又会使算法计算实时性受到影响。WANG Hong 等利用 HighD 数据集训练 LSTM 来直接预测周围车辆在一段时间内的速度和轨迹，提高了算法计算速度。

与确定性评估方法相比，概率性评估方法的计算成本更高^［64］，但由于考虑了车辆在运动过程中的不确定性，使场景中动态元素之间风险评估的量化更加合理。此外，由于考虑了更多的影响因素，如车间交互，使概率评估方法具有更长的预测时域，可以更早地检测到车辆行驶过程中的碰撞风险。

2.2  基于势场论的评估方法

图4 势能场示意图

基于势场论的评估方法的优点是可同时考虑多个场景元素进行风险评估，评估结果能更全面地表征主车的风险；但该评估方法中有很多难以直接确定的系数，从而影响了该方法的应用。

2.3  基于可达集的评估方法

可达集是指车辆从初始状态集开始随着时间推 移能达到的状态的集合。基于可达集的评估方法在每一个时间步下计算车辆在一定约束条件下可以达到的状态集合，利用得到的可达集大小来表征风险。WU Xinzheng 等利用运动学模型预测主车和周围车辆的轨迹并基于碰撞检测计算主车的可行驶区域，结合存在周围车辆时主车实际可行域的大小和无周围车辆时主车理想可行域的大小之比构建归一化可行域（Normalized Drivable Area，DNDA）来评估风险，图5为 DNDA 构建过程示意图。

图5    DNDA 构建过程

FALCONE 等建立了车辆模型和驾驶员模型，并在道路边界和地面附着系数的限制下求解车辆的可达集。在利用可达集表征风险时，有研究人员通过可达集面积的大小来表征风险，随着可达集面积的减少，系统可执行的动作也会变少，从而导致车辆行驶过程中的碰撞可能性变大。在车辆实际行驶过程中，障碍物的位置和大小会显著影响车辆的可达集大小，ALTHOFF等讨论了不同障碍物大小和空间布置下车辆可达集的变化，如图6所示，随着障碍物在道路中占据的空间越来越大，车辆的可达集变得越来越小。SÖNTGES等在考虑位置、速度和道路边界约束的基础上，进一步预测了周围车辆在未来几秒钟内的轨迹，使评估结果能反映未来几秒钟的风险水平；也有研究人员将可达集与概率结合起来，用概率可达集来表征风险，KHATTAR 等通过计算车辆在每一个时间步下可到达区域内与其他目标物的碰撞概率来得出车辆在未来一段时间内的风险水平。

图6 可达集随障碍物大小变化而变化

基于可达集的评估方法的优点是能在考虑多种场景元素的情况下计算车辆所有可能到达的状态，以全面地评估风险。但是，这也导致其计算过程复杂，计算实时性差，同时由于非线性系统的可达集求解非常困难，现有的方法常用简化模型来进行可达集求解，这在一定程度上影响了评估结果的准确性。表4展示了风险评估方法之间的比较情况。

表4 评估方法比较

03.

评估方法对比

3.1  对比维度

当自动驾驶汽车上路运行时，要求其能实时、快速地评估风险，且输出的评估结果能反映未来一段时间内的风险水平以保证决策的安全性；同时，由于风险评估方法最终需要应用于实车，所以需要考虑其在实车上应用的可行性。此外，由于实际环境中能给自动驾驶汽车造成风险的因素是多种多样的，车辆遇到的场景也是多种多样的，所以需要对风险评估方法是否可以考虑不同的风险因素，及其是否适用于不同场景中的风险评估进行分析。

综上所述，本节提出以计算实时性、结果时效性、应用可行性、内容充分性和场景泛用性5个维度对风险评估方法进行评价，具体含义如下。

（1）计算实时性用于表征风险评估方法计算速度的快慢，计算实时性好的风险评估方法能快速计算并得出风险评估结果，给自动驾驶系统留出足够的时间进行决策。

（2）结果时效性用于表征风险评估结果有效时间的长短，结果时效性好的风险评估方法能预测未来更长一段时间内的风险，输出的评估结果能在更长一段时间内有效。

（3）应用可行性用于表征风险评估方法在实车上应用的难易程度，应用可行性好的风险评估方法一般需要的输入参数较少或需要的输入参数在实车上容易获取。

（4）内容充分性用于表征风险评估方法的评估内容对场景中各种风险来源的覆盖程度，内容充分性好的风险评估方法能尽可能全面地考虑场景中不同的场景元素带来的风险，包括车辆、行人等带来的风险。

（5）场景泛用性用于表征风险评估方法在不同场景下的适用程度，场景泛用性好的风险评估方法应适用于自动驾驶汽车在行驶过程中可能遇到的所有场景。

3.2  对比结果

根据前面提出的评估维度对本文涉及的风险评估方法进行对比，结果如图7所示。

图7 风险评估方法之间的对比

因为确定性评估方法一般具有显示的计算公式，在输入数据之后能快速得出结果，所以确定性评估方法的优点具有很好的计算实时性；同时，由于确定性评估方法需要的输入参数较少且较容易获取，所以其应用可行性也很好。但是，由于确定所需信息时选择了特定的一种或几种场景和其中的特定目标物参数作为模型输入信息，使确定性评估方法的内容充分性和场景泛用性并不好。例如，TTC主要是为跟车场景设计的，无法有效评估相邻车道的车对主车造成的风险；除此之外，当场景变复杂时TTC 也会失效；由于忽略了运动不确定性，使风险评估的结果时效性也很差。

概率性评估方法能考虑目标物的运动不确定性，且由于引入更符合实际的预测模型，使该方法的评估结果具有很好的结果时效性。但是，由于该类方法只能通过计算主车与特定类型目标物未来轨迹的冲突概率来评估风险，如果需要评估其他类型目标物造成的风险，则需对该类目标物重新建立预测模型，所以其内容充分性不足。

基于势场论的和基于可达集的评估方法的评估内容可以包含多个场景元素，且能适用于复杂的场景，而不限于跟车、变道等特定场景，因此，这两类方法具有很好的内容充分性和场景泛用性。但是，在构建评估方法时，基于势场论的评估方法中有很多系数难以直接确定，使该类方法的应用可行性较差。基于可达集的评估方法在求解车辆可达集的过程中会涉及隐函数求解，求解难度较大，因此该类方法的计算实时性较差。

综上所述，确定性评估方法的计算实时性和应用可行性很好，能快速评估风险，适合用在紧急情况下的决策；概率性评估方法的结果时效性很好，能较早预测潜在碰撞进而及时调整车辆位置防止紧急情况的出现，适合用在非紧急情况下的决策中；基于势场论的评估方法具有很好的内容充分性和场景泛用性，其充分考虑了场景中的多种风险因素，可以评估出风险最小的路径，因此适用于运动规划；基于可达集的评估方法具有很好的内容充分性和场景泛用性，因此也适用于运动规划；此外，由于其在具有很好的内容充分性和场景泛用性的基础上，还具有较好的应用可行性，可以在不同类型的场景中输出归一化的结果^［78］，所以尤其适用于测试评价。表5展示了风险评估方法的适用情况。

表5 风险评估方法适用情况

04.

总结与展望

本文系统地将现有风险评估方法梳理和分类。确定性评估方法的计算实时性和应用可行性很好；概率性评估方法具有很好的结果时效性；基于势场论和基于可达集的评估方法的内容充分性和场景泛用性很好。

虽然对风险评估方法已有较多研究，但是现阶段的风险评估方法仍存在一些挑战，主要体现在以下几个方面。

（1）信息不完整场景下的风险评估。现有的风险评估方法多数都假设能获得所需的参数信息，而在实际交通场景中由于有传感器性能局限和视野盲区等情况的存在，使自动驾驶系统无法准 确获得对主车造成风险的目标物的信息，进而无法 准确评估场景风险。未来可以借助智能网联技术获 取更全面、更准确的场景信息用于风险评估。

（2）风险评估方法的鲁棒性。鲁棒性用于评价风险评估方法在偏离相关假设的场景下的风险评估能力。现有风险评估方法大多数基于某些假设展开的，例如定速假设、参数分布属于高斯分布等，而实际交通场景复杂多样，会出现偏离假设的场景，一旦出现这种场景就可能导致车辆无法准确评估风险。后续可以减弱风险评估中用到的假设或对不符合假设情况提出针对性的风险评估方法。