視覺障礙下十字路口電動兩輪車事故特征和典型場景分析

韓 勇 ，孟 昕，潘 迪 ，吳 賀，石金明，張悅蓯

（1. 廈門理工學院 機械與汽車工程學院，廈門361024，中國；2. 福建省客車先進設計與制造重點實驗室，廈門361024，中國；3. 廈門大學 航空航天學院，廈門 361024，中國）

公安部道路交通管理局統計數據顯示，2019年中國大陸共發生21 713 起電動兩輪車(electric twowheeler，ETW)事故，造成8 639人死亡[1]。電動兩輪車作為中國廣泛使用的交通工具，具有靈活、體積小、易操作等特點[2]，研究汽車與電動兩輪車碰撞場景，對避免該類事故發生具有重要意義。

學者們針對電動兩輪車事故場景已進行了大量研究，為測試場景的制定和騎車人安全防護起到一定促進作用。CATS[3-5](Cyclist-AEB Testing System) 項目通過對歐洲真實碰撞數據開展描述性統計分析，開發了兩輪車自動制動系統的測試場景，但場景難以適用于中國的道路環境。范天賜等[2]通過對比歐洲兩輪車測試場景，提取出了適用于中國大陸的兩輪車典型場景。SUI Bo 等[6-7]基于中國深度事故研究數據(China Accident in-depth Study Program，CIDAS)，采用聚類分析方法提取了典型場景，但由于缺乏事故視頻等關鍵信息，導致分析速度時僅采用限速標志上的數據，從而得到的電動兩輪車事故測試場景存在明顯不足。PAN Di 等[8]基于道路弱勢群體交通事故數據庫(VRU TRaffic Accident database with Video, VRU-TRAVi)中的630 例具有視頻信息的電動兩輪車事故，估算了碰撞速度范圍并考慮了視覺障礙，提取了有視覺障礙的典型場景，豐富了電動兩輪車的自動緊急制動(autonomous emergency braking，AEB) 測試場景，但對視覺障礙事故的詳細特征缺乏深入分析。D. Ito 等[9-10]進一步分析了視覺障礙情況下的碰撞時間(time to collision，TTC)閾值，發現當TTC ＜ 1.2 s 時，駕駛員采取避撞措施也無法避免事故的發生。金錢錢等[11]分析了有無視覺障礙場景下的TTC，得出了有視覺障礙事故的TTC 比無視覺障礙的TTC 減少0.15～0.25 s。上述學者對視覺障礙的研究雖有所涉及，但仍缺少對電動兩輪車視覺障礙場景下事故特征的具體分析。

此外，相較于直行道路，汽車與電動兩輪車在十字路口和交叉路口更易發生事故[12]。然而，上述研究均未考慮十字路口特定場景下的視覺障礙。由于在十字路口處的綠化帶、建筑物以及等待車輛較多而形成了諸多種類的視覺盲區，導致在十字路口處事故占比更多[13-14]。因此。本文對道路弱勢群體交通事故(VRUTRAVi)數據庫中帶有視頻信息的510 例電動兩輪車事故案例進行梳理，對十字路口處的障礙物類型、事故場景和車輛違規等情況進行分析總結，得出汽車與電動兩輪車典型碰撞場景，為視覺障礙場景下的汽車主動安全技術研究提供理論基礎和參考依據。

1 研究方法

1.1 數據樣本

本文所用的案例來源于VRU-TRAVi 數據庫[8,15]。事故視頻篩選原則如下：1) 事故為交通意外，而非人為因素； 2) 視頻播放流暢，幀率正常，無倍速處理； 3) 視頻清晰，能清晰地展示直觀道路信息和視覺障礙情況。最終，從VRU-TRAVi 數據庫的1 482 例汽車與電動兩輪車的碰撞事故中篩選了510 例在十字路口視覺障礙場景下的電動兩輪車事故。

1.2 交通違規情況及場景統計

根據PAN Di 等[8,16]對VRU-TRAVi 數據庫中的汽車與電動兩輪車典型場景的聚類分析結果，將視覺障礙物類型劃分為固定障礙物、可移動障礙物。在本研究中，由于可移動障礙物事故案例較多，進一步將障礙物出現的位置細分為相鄰車道和非相鄰車道。同時，針對交通違規多發的情況，對汽車和電動兩輪車的違規情況(無信號燈路口超速行駛、闖紅燈、逆行及其他)進行了統計分析。

1.3 速度和距離估算方法

速度和距離的估算方法主要有傳統的交通事故技術分析法[17]、直接線性變換理論[11]和逐幀分析法[18]，傳統的交通事故技術分析法的計算結果誤差較大，多用于估算無視頻的事故車速信息。本文采用直接線性變換理論和逐幀分析法分別對汽車和電動兩輪車之間距離和碰撞速度進行估計[18]，其中用到的坐標系轉換如圖1 所示。

圖1 坐標系轉換示意圖

圖1 為某十字路口處視覺障礙場景下的電動兩輪車碰撞事故案例的第127 幀時刻的位置圖，以O點為物方坐標原點建立坐標系。通過O、A、B、C等4 點的實際坐標(X，Y)和像素坐標(u,v)，求解出坐標轉化系數l1，l2，…，l8，進而得出物方坐標與像素坐標的轉換關系式(1)和式(2)。

1.4 TTC 估算方法

D. Ito 等[9]通過行車記錄儀采集到的車輛信息，對障礙物后面的騎車人出現在視線范圍內的時刻和該時刻下的人-車相對距離計算碰撞時間(TTC)值。本研究參考此方法，將電動兩輪車(ETW)首次出現在汽車的探測范圍定義為初始時刻，且不考慮傳感器探測范圍視場角(field of view，FOV)的影響[19]，采用直接線性變換理論計算該時刻下汽車速度以及汽車和ETW的相對距離，進而計算得出TTC。

如圖2 所示，定義汽車在縱向行駛方向上到達軌跡交叉點的時間為TTCx，即縱向碰撞時間，ETW 在橫向行駛方向上到達軌跡交叉點的時間為TTCy，即橫向碰撞時間。計算式分別為：

圖2 場景模型

其中：vcar、vETW為汽車探測到ETW 時二者的瞬時速度，L為汽車探測到ETW 時二者的相對距離，θ為汽車與ETW 之間的方位角。

本研究中采用TTCx值作為TTC 值[20]：

2 結果及分析

2.1 交通違規及視覺障礙場景統計

根據事故視頻信息，統計了十字路口處由視覺障礙引發的汽車和ETW 的交通違規情況[21](見圖3)。510起事故案例中，有382 起事故涉及到ETW 闖紅燈，有38 起涉及汽車闖紅燈，搶/闖紅燈行為在所篩選出的事故視頻中占比合計86%；25 起事故為十字路口處無交通信號燈的超速行駛（占5%）；16 起事故涉及車輛逆行（占3%）；28 起交通事故為其他違反交通規則的情況（占6%）。由此可以得出闖紅燈是造成十字路口障礙物場景下事故發生的重要因素之一。

圖3 交通違規類型

在實際交通事故中，障礙物種類繁多，對事故產生較大影響[22]。通過對篩選出的事故視頻分析，得出障礙物種類主要包括固定的環境建筑物，等待、停泊或行駛中的車輛以及自車車身的盲區。依據障礙物類型將視覺障礙場景分為固定障礙物和可移動障礙物場景。在可移動障礙物場景中，可進一步細分為鄰道車輛和非鄰道車輛視覺障礙場景，得出了如圖4 所示的5 種類型。

圖4 視覺障礙場景類型

① 視覺障礙場景Ⅰ(immovable obstacle scenario，IMOS)：十字路口處的固定障礙物阻礙了行駛汽車的視野，導致汽車與右側直行而來的ETW 發生碰撞；

② 視覺障礙場景Ⅱ(movable obstacle in adjacent lane scenario-1，MOALS-1)為十字路處鄰車道逆向行駛的車輛阻礙了汽車的視野，導致汽車與左側直行而來的ETW 發生碰撞；

③ 視覺障礙場景Ⅲ(movable obstacle in adjacent lane scenario-2，MOALS-2)：十字路口處同向鄰車道等待啟動的車輛阻礙了行駛汽車的視野，導致汽車與右側直行而來的ETW 發生碰撞；

④ 視覺障礙場景Ⅳ(movable obstruction in adjacent lane Scenario-3，MOALS-3)：十字路口處同向鄰車道行駛中的車輛阻礙了汽車的視野，導致汽車與右側直行而來的電動兩輪車發生碰撞；

⑤ 視覺障礙場景Ⅴ(movable obstacle that is not adjacent lane scenario，MONALS)：十字路口處非鄰道的車輛阻礙了行駛汽車的視野，使汽車與左側直行而來的ETW 發生碰撞。

2.2 不同場景下的碰撞速度分布

圖5 所示為5 種視覺障礙場景下汽車與ETW速度分布情況，其中MOALS 場景包含MOALS-1、MOALS-2、MOALS-3 共3 種場景。

圖5 汽車與ETW 速度分布

由圖5a 可知，由相鄰車道的車輛造成的視覺障礙場景(MOALS)而導致的事故案例較多。通過車速累積頻率分布可知，在IMOS、MONALS 與MOALS 場景下的汽車碰撞速度范圍主要分布在20～50 km/h, 其占比分別為68%、59%和66%(圖中兩虛線之間)。圖5b所示為不同視覺障礙場景下的ETW 速度及累積分布情況。通過累積頻率分布可知，ETW 的速度在IMOS、MONALS 與MOALS 場景下，主要分布在10～30 km/h，在此速度區間的占比分別為79%、81%和86%。

2.3 不同障礙物場景下的TTC 分布

圖6 中顯示了不同視覺障礙場景的95%置信區間中的TTC上限、下限及平均值分布。在IMOS 場景中，TTC 的均值為1.17 s。在MOALS 中的TTC 均值最小，主要由于ETW 從相鄰車道的車輛后面駛出，二者橫向相對距離較小導致的。另外，部分案例中的汽車與ETW 速度較快導致橫向的TTCy較小。在MOALS-1場景中，TTC 的均值為1.02 s。在MOALS-2 場景中，TTC 的均值為0.96 s。在MOALS-3 場景中，TTC 的均值為0.90 s 。在MONALS 場景中，TTC 的均值為1.27 s，該場景下TTC 均值相比于其他視覺障礙場景更大，主要由于道路情況較為復雜(障礙物車輛行駛方向不唯一，位置以及速度多變，視線遮擋范圍也存在多變性)，駕駛員駕駛汽車時警惕性更高而反應時間短。此外，在MOALS-3 場景中，其TTC 的上下限范圍較大(上限1.14 s，下限0.66 s)，主要由于該場景為相鄰車道下的行駛中車輛造成的視覺障礙，且速度差異較大而引起的。

圖6 95%置信區間下的TTC 上限、下限及平均值分布

2.4 不同障礙物場景下緊急制動效率

考參PAN Di 等[23]的研究，將汽車制動減速度設為法規型0.9g和保守型0.5g兩種，以分析不同障礙物場景下TTC 和汽車速度(TTC-v)之間的分布(圖7)。在510 起有視覺障礙的汽車與ETW 事故案例中，由于自車視覺障礙和視頻角度限制無法估算速度或TTC，有92 起事故未納入制動效率分析。在剩余的418 起事故中，當制動減速度為0.5g時，僅有182 例碰撞事故可避撞，事故避免率為43%。當制動減速度為0.9g的緊急制動情況下，332 例可避免，86 例不可避免，避免率為79%。為了分析不可避免的原因，圖8 統計了保守型制動減速度0.5g下無法避撞的236 例事故中碰前汽車與ETW 的相對位置分布情況。其中，95%的事故車輛與ETW 的橫向相對距離小于10 m，69%的事故車輛與ETW 的縱向相對距離小于10 m。因此，汽車與ETW 的縱橫向相對距離較小是導致事故不可避免的主要原因。

圖7 TTC-v 分布及避撞情況

圖8 AEB 無法避撞案例的電動兩輪車位置分布

2.5 典型場景

結合前人[6,8]對典型場景的聚類結果，將Euro-NCAP 的自行車測試場景[24]與本研究歸納出的5 種存在視覺障礙的電動兩輪車碰前事故場景(見圖4)以及障礙物類型對比分析，發現MOALS-3 中對自車造成視覺障礙的行駛中的鄰道車輛多為剛啟動狀態，與MOALS-2 場景類似，故MOALS-2 與MOALS-3 這2種場景合并重新命名為MOALS-S (movable obstacle in adjacent lane scenario-same direction，MOALS-S)，并將MOALS-1 場景重新命名為MOALS-R (movable obstacle in adjacent lane scenario-right-about，MOALS-R)，進而得出了4 種不同障礙物類型下的場景類型。

結合不同場景下的特征參數，最終得到圖9 所示視覺障礙下十字路口處的4 種典型場景，全部發生在白天。圖9a 為IMOS 典型場景，在該典型場景下，ETW 從固定障礙物后面駛出，與行駛汽車發生碰撞，汽車速度和ETW 速度范圍分別為24～47 km/h 和15～27km/h；圖9b 為MOALS-R 典型場景，在該典型場景下，ETW 從鄰道車輛的左側駛來，相鄰車道與汽車行駛方向相反的車輛造成的視覺障礙，ETW 與行駛中的汽車發生碰撞，汽車速度和ETW 速度范圍分別為27～46 km/h 和15～24 km/h；圖9c 為MOALS-S典型場景，該典型場景下，ETW 從鄰道車輛的右側駛來，相鄰車道與汽車同向行駛的車輛造成的視覺障礙，ETW 與行駛中的汽車發生碰撞，汽車速度和ETW 速度范圍分別為27～46 km/h 和15～24 km/h；圖9d 為MONALS 典型場景，ETW 從與汽車行駛方向垂直的停車等候車輛左邊駛出，與行駛中的汽車發生碰撞，汽車速度和ETW 速度范圍分別為18～45 km/h 和16～24 km/h。

圖9 十字路口視覺障礙情況下的典型場景

3 討 論

本研究所采用的事故視頻均來源于VRU-TRAVi視頻數據庫，視頻涵蓋情況具有局限性，因此在篩選出的視頻中，有部分視頻無法對汽車以及ETW 的速度進行估算，其中包含36 起自車車身(如A 柱)造成的視覺障礙。同時，視頻庫中極少包含冰雪及惡劣環境路面的情況，篩選出的視頻多為晴天和陰雨天，在圖8中采用的0.9g和0.5g的制動減速度，未考慮冰雪等惡劣天氣下的路面情況。

根據上述典型場景下的汽車與ETW 速度范圍，開發者可根據IMOS、MOALS-R 和MOALS-S 等3 種場景將AEB 測試中的汽車速度范圍設置在25～50 km/h，ETW速度設置在15～30 km/h。對MONALS 場景，汽車速度和ETW 速度分別設置在15～45 km/h 和15～25 km/h。同時，本文相較于前人的研究，增加了對碰撞速度和碰撞時間(TTC-v)的分析，在IMOS、MOALS-R、MOALS-S和MONALS 場景下的TTC 值范圍分別為(1.12 s，1.22 s)、(0.88 s，1.16 s)、(0.92 s，1.0 s)和(1.02 s，1.52 s)，可為視覺障礙下的汽車避撞系統，如AEB 的設計參數提供參考。

4 結 論

本文對十字路口處視覺障礙下的電動兩輪車(ETW)視頻事故進行了統計分析，對不同場景下的速度和TTC 進行了估算，并研究了十字路口處有視覺障礙情況下的場景類型，得到如下結論。

1) 通過對510 例事故視頻的分析，汽車與ETW的速度分別集中在20～50 km/h 和10～30 km/h，且95%的碰撞事故均存在交通違規情況，其中86%的違規原因為搶/闖信號燈通過十字路口。

2) 研究得到了4 類存在視覺障礙的十字路口處典型場景，分別為固定障礙物場景(IMOS)、相鄰車道同向行駛的可移動障礙物場景(MOALS-S)、相鄰車道反向行駛的可移動障礙物場景(MOALS-R)、非相鄰車道的可移動障礙物場景(MONALS)，可覆蓋84%的事故，具備良好的代表性。

3) 4 類場景下TTC 估算均值分別為1.12、1.02、0.96、1.27 s, 汽車速度范圍分別為24～47 、27～46、27～46、18～45 km/h；電動兩輪車速度范圍分別為15～27、15～24、16～24 km/h。