CASF2020|李平飞：面向智能汽车的交通事故场景数据库构建及应用研究

2020年10月20日-22日，由国家市场监督管理总局缺陷产品管理中心、浙江清华长三角研究院、中国汽车工程研究院股份有限公司、重庆市合川区人民政府联合主办的第三届中国汽车安全与召回技术论坛在重庆隆重召开。本届论坛以“智能新能源汽车全产业链安全与技术创新”为主题，汇聚120家政府机构、事业单位、科研院所以及整车和零部件企业等行业翘楚权威论道。其中，在10月22日举办的“事故深度调查数据驱动的车辆安全技术”专题论坛上，西华大学汽车与交通学院副教授、西华交通司法鉴定中心常务副主任李平飞发表了核心为《面向智能汽车的交通事故场景数据库构建及应用研究》的精彩演讲。以下内容为现场演讲实录：

西华大学汽车与交通学院副教授、西华交通司法鉴定中心常务副主任 李平飞

大家上午好！因为彭院长临时有事，所以由我来代他就我们的研究内容跟各位做一个交流。我主要从三个方面来讲。

第一，面向智能汽车事故库场景库概括

就场景库这一块来说，基于NAIS等相关数据我们构建了三个场景库。这三个场景库总体来讲，一方面考虑数据怎么基于NAIS数据，基于场景库，另外一个我们也考虑怎么对接应用，包括提取数据相关的供应链以及建立数据等方面，所以我们也开发了道路元素库，通过相应的工具可以比较方便地构建道路元素。比如我们的道路标线标识等等，通过分图层可以方便快速地进入我们的产品元素和后续应用。

对应用这一块，我们初期考虑针对一些商业软件能够快速用到专业软件的仿真。我们目前使用到由NAIS进入产品库，快速地对接到商业软件做一些支撑仿真。在我们目前的产品库里面，大概有1千多例场景数据，绝大多数都具备视频和快速的把数据应用于仿真。我们这些数据的基本特点，前面肖主任也提到一点，一方面有大量数据支撑，另外我们建这个场景把相关元素接入进来，比如相关车在道路上行驶，可能对这起事故发生影响，我们也一起考虑进来，因为我们觉得这些也是我们在做后续的智能汽车开发时需要考虑的。

这个是我们和中国汽研在合作，主要是我们在场景数据应用这一方面，如何能够广泛地应用于各种平台，我们也在考虑让我们的数据更标准化，我们和中国汽研合作将我们的场景数据能够比较方便地直接转移为通用的Open X格式，这样可以方便地加以应用。另外一个我们场景多数还有视频，所以我们也想能不能直接通过视频来提取相关信息，比如说车辆的动态信息，道路的相关信息，所以我们也和相关高校在合作，开发工具，直接从视频里面提取我们场景所需要的动态和静态数据。这是我们场景库的简单介绍。

第二，车和车场景危险程度评价

我们是从事故前、事故后来看车辆事故场景的复杂情况，现在主要针对车碰车的事故类型。我们首先把场景分类，从事故后果严重程度来评价，目前在这个模型里面主要是考虑人伤，再一个是车的损失情况。现在这个模型目前还没有把路产损失考虑进来，这个是后续需要补充的内容。我们在考虑人伤和车辆损失的综合因素下，将等级分为五级，一级最高，五级最低。我们的场景数据来自于NAIS，NAIS数据事故严重程度相对较高，所以在一到五级，一级定义有人死亡或者车辆报废，五级车辆相对来讲是刮擦，人员受伤比较轻。从基本情况来看，也能看得出某类场景的分布集中，比如有的场景类别一二级严重程度比较高，有的集中在四五级严重程度较低。场景类别我们的数据主要是乘用车和商用车相撞，相对来讲等级比较高，车与车相撞事故相对来讲致损程度较低一点。

场景复杂程度。我们主要考虑车主、交通参与者和道路环境信息等。等级分为简单场景、中等程度和复杂程度三个等别。从车和车这类事故场景来看，都有基本特点，各类场景复杂程度也有一定分布，比如复杂场景分布，总体来讲复杂程度较高，场景基本特点一般和行驶状态有关，比如掉头或者乘用车和商用车之间，或者是道路的复杂程度，或者是行驶速度较快，这些都对场景的复杂程度有一定的影响。我们考虑的复杂程度因素应该算是不太全面，尤其是交通流的影响在我们模型里面还没有较好的考虑进来，所以在三个等级里面应该说其他交通参与者的影响这个因素还没有显现出来。从我们的视频来看，包括前面黄教授展示的视频，其他交通参与者影响应该说对事故发生有较大影响，这个因素我们在后续会进一步完善。

场景危险程度。致损等级和危险层次作为我们场景危险因素来说，可以看到致损等级很高，场景就会很复杂，比如就像路口这种垂直行驶的，这种事故往往后果严重，场景的复杂程度也会相对较高。从我们分析结果来看，有的致损程度很高，但是场景并不复杂，比如说乘用车相撞击，这种因素更多是驾驶员因素。有的等级比较低，但场景比较复杂等等的组合。有了基本判断以后，可能对于后期应用场景会更好，我们会更多地关注危险程度较高的场景或者说我们会关注复杂程度较高的产品。

第三，VRU典型事故场景

第一个是两轮车典型事故场景。有了这些场景数据以后，典型产品的提取等等以及基于典型产品来做这个场景的推演，包括前面黄教授提到的模型，怎么由事故场景最后得到三角形底部的大量场景。方法很多，我们也做了一些尝试。

第二个是人车事故场景。我们也从我们的数据中提取了典型场景，一共有7类。从这7类来看，数据占比有两类很高，共同的特点是行人横穿。这个在我们国内不管是行人因素也好，还是道路的因素也好，横穿导致的事故数据占比很高，行人导致事故视野遮挡情况比较突出，且视野遮挡的场景也是千奇百怪，比如临时障碍物，比如车停下来以后的视野遮挡，或者是移动的障碍物，在车流之间突然冲出来的视野遮挡……这些从安全角度来讲都是比较复杂的。这一类情况在场景数据里面都有比较好的展示，可以通过数据查询看到这一类事故视野遮挡的情况，或者静态障碍物的产品都可以通过我们的场景展现出来。

今天我向各位就汇报到这里。谢谢大家！

（注：本文根据现场速记整理，未经演讲嘉宾审阅，请勿转载）