内容提要：在本文中，作者详细阐述了创新碰撞严重程度预测和预碰撞系统的安全潜力和风险。在ISO 26262和ISO/PAS 21448标准的背景下，提出了一种新颖的碰撞严重程度预测功能验证策略。使用潜在的碰撞前用例证明了可靠且精确的实时碰撞严重程度预测功能的相关性。

摘要

交通事故的避免和减轻是全球事故研究和车辆安全发展的主要目标。尽管改进了高级驾驶辅助系统（ADAS）和主动安全系统，但在不久的将来仍不可能避免所有车辆事故。创新的预碰撞系统（PCS）应该有助于减轻不可避免的事故。但是，预碰撞系统没有标准化的测试方法。特别是，不可逆的预碰撞系统给验证和确认(V&V)过程带来了巨大的挑战。然而，可靠且精确的实时碰撞严重程度预测（CSP）是不可逆PCS激活的基本前提。本研究为基于感知的碰撞严重程度预测功能提出了一种新颖的验证和安全评估策略。在此过程中，PCS的预期功能、安全性和验证要求是在ISO 26262和ISO/PAS 21448标准的背景下制定的。为了减少测试工作量，采用了真实数据驱动的基于场景的测试方法。因此，作者提出了一种新颖的无监督机器学习方法，用于基于K-Means++和k-NN算法创建具体且逻辑的测试场景目录。所开发的方法用于GIDAS数据库，提取35个具有代表性的车与车碰撞场景集群，用于虚拟测试。随后披露了所提出方法的局限性，以帮助未来的研究确定正确的焦点。

1.简介

根据世界卫生组织（WHO）的报告，交通事故每年造成约135万人道路死亡，在全球死亡原因中排名第八。在5岁至29岁年龄段中，交通事故是最常见的死亡原因。为了解决这一问题，世卫组织发布了一项道路安全十年行动全球计划。联合国大会第74/299号决议认识到全球道路安全的重要性并旨在改进它。除了法律举措外，创新的车辆安全系统也有助于提高道路安全。了解确切的事故事件可以有针对性地开发和测试驾驶员辅助和车辆安全系统。被动安全系统，例如乘客安全气囊和安全带，旨在减轻不可避免的事故对车辆乘员造成的后果。主动安全系统，例如自动紧急制动（AEB），主要追求避免事故的目标。即使主动安全系统无法防止每一起事故，它们也可以有助于减轻事故，例如通过降低碰撞速度。然而，由于并非每次检测到的碰撞都能被阻止，因此正在寻求进一步的可能性来优化乘员保护。集成安全系统旨在结合主动和被动车辆安全的优点，并最大限度地降低乘员受伤风险。

当前车辆安全发展的趋势正朝着集成预碰撞系统（PCS）的方向发展。PCS在碰撞前（即所谓的预碰撞阶段）启动，需要对潜在碰撞进行高度精确且可靠的实时预测。图1显示了交通事故从正常驾驶到碰撞后的五个阶段。每个阶段都通过不同的驾驶员辅助、主动、被动或集成安全系统来解决。此外，还说明了五个阶段中用于事故分析和进一步测试场景开发的相关变量。传统的碰撞中约束激活策略，基于可测量的技术碰撞严重程度，例如事故碰撞阶段的碰撞脉冲或侧面碰撞的压力增加。车辆中的加速度传感器和压力传感器通常用于此目的。预碰撞安全系统根据检测到的预碰撞和实时预测的碰撞条件做出触发决定。为此，必须访问环境传感器的数据。预测可以针对每个预碰撞系统单独执行，也可以由碰撞预测(CP)和碰撞严重程度预测(CSP)的中央功能执行。在本文中，中央碰撞严重程度预测功能被认为是PCS激活的先决条件。

图1.交通事故的5个阶段的示意图以及所涉及的驾驶员辅助和安全系统

为了发布安全相关的预碰撞系统，必须满足道路车辆系统开发和验证的国际安全标准。在验证过程中，必须证明PCS至少与传统安全系统一样安全。这里的决定性因素是碰撞严重程度预测功能在不同情况下的表现。为了验证CSP功能，采用了数据驱动的基于场景的测试方法。一般来说，可以为定义的参数空间内的所有可想象的交通情况生成合成场景。然而，PEGASUS项目发现了高度自动驾驶系统场景生成中的参数空间爆炸现象。测试参数空间范围内的所有可能场景是不可能的。因此，应确定被测预碰撞系统的代表性和相关场景，以减少测试工作量。由于不存在基于碰撞严重程度预测性能的碰撞前系统的标准化测试范围，因此作者提出了一种新颖的验证策略。

2.材料和方法

2.1.符合国际安全标准的预碰撞系统

基于感知的预碰撞安全系统的概念至少可以追溯到二十年前。潜在预碰撞系统的一些示例包括安全带预紧器、安全气囊预设、通过碰撞序列优化来缓解不可避免的碰撞以及高度自动化车辆中的预碰撞座椅调整。Moritz描述了基于雷达传感器的预碰撞传感。有研究认识到有必要重现现实世界的碰撞，以测试代表性场景的碰撞前预测性能。由于安全风险和高成本，碰撞预测无法在足够多的真实碰撞测试中进行测试。有研究提出了一种在完全虚拟环境中基于场景的预崩溃系统验证方法。本研究中的预测参数是碰撞不可避免性、相对碰撞速度、碰撞区检查了自动紧急制动(AEB)与0、300和600 N PPT力相结合在严重正面碰撞中的效果。研究发现，肋骨骨折的风险随着PPT力的增加而成比例降低。然而，即使是非侵入性地使用碰撞严重程度预测功能也可以提高道路安全性。Putter提出了一种使用CSP功能预防性识别事故黑点的方法以及提高道路安全性的四种方法。

有研究提出了一种整体自上而下的方法，其中乘员保护至关重要。这是通过基于感知的碰撞预测和约束策略的优化来实现的。为了测试创新约束策略的有效性，从GIDAS（德国深度事故研究）数据库中提取了相关事故测试案例。随后，采用传统和优化的约束策略进行有限元法（FEM）车辆碰撞模拟和车辆乘员模拟，包括触发约束系统，这需要对碰撞严重程度进行预测估计。通过分析伤害值，证明了优化约束策略的安全潜力。碰撞严重程度预测功能的可靠验证概念的问题仍然悬而未决。

安全相关的电气和电子 (E/E) 道路车辆系统的开发是为了满足ISO 26262标准定义的国际功能安全要求。该标准考虑系统、硬件和软件层面的系统性和随机性故障，以确定系统是否满足功能和技术安全要求。作为此过程的一部分，进行危害分析和风险评估(HARA)，以识别运行条件下的潜在危害和风险。该系统基于HARA，按照汽车安全完整性等级(ASIL)进行分类。ASIL分类有助于指定系统的安全要求并确定可容忍的风险，以及可接受的系统失效概率。因此，ASIL可以理解为一种风险分类，它是三个因素的函数：可能伤害的严重程度(S)、暴露概率(E)和可控性(C)。最低的ASIL安全相关分类是A， 最高的是D。此外，还有一个QM级别，这意味着系统的安全相关性较低，在质量管理过程中应考虑风险。

除了ISO 26262之外，ISO/PAS 21448还重点关注道路车辆预期功能(SOTIF)的安全性，并解决车辆级别系统的功能不足以及可预见的误用问题。SOTIF标准并不是要取代现有标准，而是要增强它们，特别是针对高级驾驶辅助系统(ADAS)和自动驾驶(AD)的开发。它考虑系统边界，特别是传感器、控制器和执行器边界。为此，定义了系统的预期功能，并执行了SOTIF HARA，它可以识别ISO 26262的其他危害和风险。SOTIF还注重基于场景的测试，将相关用例分为四类：已知安全场景、已知不安全场景、未知不安全场景和未知安全场景。在应最大化已知安全场景的同时，应通过功能性最小化已知不安全场景。应通过测试数据采集来识别修改和未知的不安全场景。由于预碰撞系统是基于感知且与安全相关的系统，仅根据ISO 26262进行开发是不够的，应考虑国际标准ISO/PAS 21448。

图2显示了多级碰撞预测功能和通用预碰撞系统的示意图。碰撞预测功能估计碰撞概率、碰撞时间（TTC）以及主机和主机的碰撞配置。基于传感器感知和实时数据处理的对手车辆。碰撞配置由时间t0（第一次碰撞的时间）时的碰撞变量描述。碰撞变量（例如事故双方的碰撞区域或碰撞点、碰撞角度和碰撞速度）定义了碰撞配置。碰撞严重程度预测功能旨在预测技术碰撞严重程度，可以通过各种碰撞严重程度参数来定义，例如碰撞速度、碰撞脉冲、delta-v、乘员负载准则（OLC）、能量当量速度（EES）、侵入区域和深度等。相关碰撞严重程度参数的可靠且准确的预测，使得不可逆约束系统能够在碰撞前激活。然而，QM系统的激活只能基于碰撞预测，而无需相关的碰撞严重程度。一旦目标PCS被分类为ASIL A+（ASIL 至少为A或更高），如果没有额外的碰撞严重性估计，系统激活是不可想象的。基于碰撞预测的碰撞序列优化应有助于在可能的碰撞中将伤害严重程度降到最低。有研究显示了一种机器学习方法，用于估计不可避免的碰撞的最低碰撞严重程度的轨迹。然而，即使对于主车辆来说，乘员的伤害严重程度也是未知的，因为没有用于预测估计伤害严重程度的实时模型。

图2.多级碰撞预测功能和通用PreCrash系统的示意图

此外，主方和对方的安全之间也会产生利益冲突。对其他道路使用者的保护不容忽视，SOTIF 标准直接解决了这一问题。实时预测所有可能碰撞序列的主方和对方乘员的损伤严重程度分布，对于有针对性的碰撞序列优化是必要的。根据当前的技术水平是不可能的，因此不属于测试范围，但可以在将来考虑。此外，有研究解决了自动驾驶车辆碰撞中的道德决策挑战，并且至今仍然是一个未解决的问题。

2.2. 场景提取的机器学习方法

有监督和无监督的机器学习方法在事故数据分析中尤其重要。事故数据常用的监督学习算法有分类回归决策树（CART）、随机森林、k-近邻（k-NN）和支持向量机。应用于事故数据的监督机器学习算法经常在建立一个模型，以便根据给定的输入预测与事故相关的输出特征；例如基于技术碰撞严重程度对乘客的伤害严重程度的预测。Jeong等人提出了一种对机动车碰撞损伤严重程度进行分类的方法。Assi等人提出了一种基于15个碰撞相关参数的监督机器学习模型来预测碰撞损伤的严重程度。然而，监督学习算法需要标记的训练数据来建立数学模型。

另一方面，无监督学习旨在从未标记的数据中学习模式。与监督学习相反，训练和测试数据集之间没有分离；所有数据都用于模型训练。无监督学习在交通事故数据上的主要应用之一是从事故事件中提取未观察到的模式。一种常用的无监督机器学习技术是聚类分析或聚类。聚类分析是一种探索性的数据分析技术，旨在将数据集分为尽可能不同的组，而组内的数据点应尽可能相似。Halkidi、Batistakis和Vazirgiannis提出了聚类和聚类结果验证技术的基本概念。聚类方法主要有划分聚类、层次聚类、基于密度的聚类、基于模型的聚类和谱方法。最著名的聚类方法是K-means算法，该算法执行迭代步骤，根据先前定义的聚类数量K将数据点分配给聚类。

由于没有使用标签，无监督学习结果的评估似乎是一个具有挑战性的问题。评估不是通用程序，首先取决于所使用的数据。可以应用不同的评估指标。研究聚类有效性的三种主要方法基于外部、内部和相对标准。对于外部标准，需要预先指定的基准数据，例如外部提供的标签。内部标准聚类有效性方法涉及数据集本身的向量。它基于诸如内聚性、分离性、扭曲性和可能性等特征。常见的内部指标是轮廓系数或戴维斯-布尔丁指数。第三种相对标准方法通过将聚类结构与使用相同算法但具有不同参数化（例如不同数量的聚类）产生的其他聚类结果进行比较来评估聚类结构。

为了理解第3章中用于评估聚类结果的失真和轮廓评分算法，解释了它们背后的数学基础。首先，介绍术语聚类凝聚和分离。聚类内聚力是聚类内相似性得分，它衡量聚类中数据点的相关程度。它通过簇内平方和(WCSS)来衡量。

具有

•Σk：所有簇k的总和

•Σi：簇k内所有数据点i的总和

•xi：簇k内的数据点

•ck：簇k的簇中心

聚类分离是聚类间相异性得分，它衡量聚类的分离程度。它通过簇间平方和(BSS)来衡量。

具有

• Σk：所有簇k的总和

•nk：簇k中的数据点数量

• ck：簇k的簇中心

• c：所有数据点的整体质心或平均值

失真分数是每个数据点到其聚类中心的距离平方和。失真分数降低表明簇分配更好，并有助于确定最佳簇数。

轮廓系数是数据点与其他聚类中心相比，距离其自身聚类中心有多近的总体度量。轮廓系数的范围从最小值-1.00到最大值1.00。接近1.00的大轮廓系数意味着聚类具有非常强的结构，而0.00则表明根本没有结构。负轮廓系数表示对象何时被分配到错误的簇。轮廓得分计算聚类数据内所有轮廓系数的平均值。

具有

• i：簇内的数据点

• a(i)：平均簇内距离

• b(i)：最小簇间距离

•ni：数据集中所有数据点的数量。

3.碰撞预测测试方法

国际安全标准解释了应该执行哪些步骤，但没有解释如何执行。所提出的验证策略旨在为基于感知的碰撞严重程度预测函数定义具体的验证步骤。追求系统工程方法；CSP功能被视为整个车辆范围内的安全系统，因此在验证过程中会考虑合作伙伴功能。特别是，所提出的方法的重点是挖掘所测试的指定碰撞严重程度预测功能的代表性和相关测试场景。在此过程中，定义了函数的作用范围，并在GIDAS数据库上应用无监督机器学习算法来提取测试场景。图3显示了定义的验证策略步骤，第3.1-3.8节详细解释了这些步骤。

图3.碰撞严重程度预测函数测试策略

3.1. 项目定义

3.1.1. 预期功能的定义

项目定义的步骤由ISO 26262和ISO/PAS 21448定义。其中包括预期功能的目标和描述。除了描述之外，它们还描述了与其他功能和系统的依赖关系和交互。Menzel、Bagschik和Maurer提出了ISO 26262定义的不同流程步骤的三个场景抽象级别。语义级别的功能场景用于项目定义和HARA。因此，应采用知识驱动的方法来由专家定义项目和功能场景。

3.1.2. 定义“行动域”或运行设计域 (ODD)

用于创建测试用例目录的数据库的选择，基于被测系统设计运行的限制。对于一到五级的驾驶自动化系统，SAE J3016将运行设计领域定义为“给定驾驶自动化系统或其功能专门设计用于运行的运行条件，包括但不限于环境、地理、和一天中的时间限制，和/或某些交通或道路特征的必要存在或不存在。ODD参数等定义如下：

• 道路和交通状况

• 天气和照明条件

• 主车辆和其他道路参与者的静态（例如形状）和动态（例如速度）条件

• 主机占用者配置

对于整体安全系统，测试系统设计运行的限制由作用区域定义。行动区域包含与ODD类似的参数，但额外关注碰撞前和碰撞中变量。特别相关的是以下内容：

•t0时的具体碰撞配置

• 安全系统配置

• 乘客碰撞前和碰撞中配置

3.2.危害分析和风险评估

危害分析和风险评估是根据ISO 26262和ISO/PAS 21448指南进行的。该开发是根据ISO 26262-6进行的，其中ASIL级别的分类只能在目标预碰撞系统的背景下进行。这里，QM和ASIL A+分类目标系统之间存在区别。预测性eCall或低力水平的可逆安全带预紧器等系统可归类为QM预碰撞系统。然而，取代传统烟火式安全带的高强度可翻转安全带被归类为ASIL B。

因此，仅仅考虑Pre-Crash系统是可逆的还是不可逆的，这是不够的；相关问题是，是否存在对所有交通参与者造成伤害的风险以及系统的哪些风险因素会导致这种风险。应根据建议的五个风险特征来评估目标预碰撞系统危害和风险：

• 可逆性

• 分散注意力

• 后备级别

• PCS对主车辆乘员造成伤害的风险

• PCS对对方造成伤害的风险

根据目标预碰撞系统的ASIL分类，对可接受的系统失效概率以及碰撞严重程度预测功能的稳健性和准确性提出了不同的要求。表1显示了所讨论的PCS示例和风险特征分类。

表1.预碰撞系统示例和风险特征分配

虽然预测性eCall功能被分类为QM，但预碰撞安全气囊激活则被分类为ASIL D。回退级别定义了辅助系统，当主系统出现故障时，辅助系统就会投入使用。在碰撞前安全气囊激活的情况下，如果由于误报预测而激活系统，则不会有后备级别，因为安全气囊已经展开。此外，误报碰撞前安全气囊激活可能会导致引发碰撞，这不仅会导致主人受伤，还会导致其他交通参与者受伤。对于误报激活，即没有碰撞前安全气囊激活，传统的碰撞中安全气囊激活作为后备级别仍然是可能的。

因此，根据ASIL B开发和验证的碰撞预测功能满足高水平可逆安全带展开的安全要求，但不满足碰撞前安全气囊激活或碰撞序列优化的安全要求。根据HARA结果，可以在执行进一步的开发和验证步骤之前对系统进行功能修改。

3.3.测试场景要求

选择数据驱动的场景生成方法。逻辑场景用于描述用于场景表示的状态值的参数范围，以及用于验证和确认（V&V）测试的具体测试场景。为了描述驾驶场景，Bagschik等人提出了五层模型。该场景由五个级别描述：道路（L1）、交通基础设施（L2）、L1和L2的临时操纵（L3）、对象（L4）和环境（L5）。Scholtes等人提出了一种六层模型，通过添加数字信息作为第六层，并在L2上放置静态对象。为了基于感知的碰撞预测功能创建具有足够数据深度的具体测试场景，需要从一级到五级的信息。考虑到V2X通信在现代车辆中的使用越来越多，L6信息目前不属于本研究的一部分，但应用于未来的测试。

CSP功能的测试场景必须代表真实的驾驶情况，并分为三个场景组：

• 碰撞

• 危急时刻

• 定期驾驶

对于碰撞场景，应考虑功能作用区域内的所有碰撞。危急情况从潜在的冲突延伸到接近事故的情况。Hruschka、Töpfer和Zug讨论了各种关键性指标。关注避免碰撞的最常见指标是碰撞时间(TTC)、距离时间(TTD)、制动时间(TTB)和转向时间(TTS)。更高级的指标，例如碰撞严重程度和碰撞配置分布，可以根据潜在事故严重程度评估危急情况风险。为了验证预碰撞系统，需要从低危急级别到高危急级别的各种危急情况。正常驾驶是测试基线，它代表了行动区域内的不同状态，如不同的环境、道路、交通基础设施、交通流量、照明等条件。

考虑到所讨论的预碰撞系统，具体场景按一定着火、可能着火和不着火场景进行分类。专用于分类为QM的PCS，可能发生火灾的条件已成立。考虑到碰撞预测功能，必须触发和可能触发碰撞，以及可能触发附近碰撞，都需要测试TP（真阳性）预测。测试TN（真阴性）碰撞预测不需要火灾碰撞、附近碰撞和常规驾驶。图4显示了根据被测系统及其激活要求的不同测试场景分类和真实预测类别。除图4所示的预测分配之外的任何预测分配都会导致假阳性(FP)或假阴性(FN)结果。

图4.预碰撞系统的测试场景分类，一定着火、可能着火、不着火和无火信号

这导致对不同场景组中包含的信息有不同的要求。所有小组都需要有关道路网络、道路使用者和环境的动态和静态信息来构建测试场景，如L1到L5的定义。此外，对于碰撞场景，需要碰撞信息。对于ASIL A+预碰撞系统的测试，有必要定义技术碰撞严重程度的基本事实，例如碰撞脉冲或delta-v值。对于QM系统，至少碰撞配置的基本事实也足够了。

3.4.数据采集

测试预碰撞系统需要代表性的测试场景。ADAS/AD和安全系统场景挖掘的最大挑战之一是大规模收集高质量、深入的现实世界数据。Mai等人提出了宏观、中观和微观层面的测试场景数据源。图5显示了经过修改和扩展的插图，其中包含其他类型的数据源和具体数据集示例。

图5. 驾驶场景源的表示和具体数据集的示例

一个常见的限制是数据量与数据深度之间成反比。虽然官方的事故统计涵盖了警方记录的所有交通事故，但数据的深度通常不足以定义具体的测试场景。测试场景提取更重要的不是数量，而是数据的代表性和数据深度的组合。这些特性通过深入的事故数据库来实现。GIDAS数据库包含有关德国交通事故中受伤参与者的详细信息。在事故现场记录并重建事故，以获得事故所有五个阶段的信息，如图1所示。GIDAS PCM（预碰撞矩阵）数据库包含以特定PCM格式重建的GIDAS预碰撞场景的大量样本。它描述了碰撞前大约5秒的预碰撞阶段，并包含有关参与者、他们的动态和环境的信息。目前，GIDAS PCM数据库包含11074个碰撞场景，其中40%是汽车与汽车的碰撞。PCM场景用于虚拟环境中的驾驶辅助和主动安全系统的模拟测试。然而，GIDAS不包括没有人员受伤的事故，也不包括接近事故场景的事故。自然驾驶研究和现场运行测试收集常规驾驶期间的真实数据。然而，在大型交通数据收集活动中，也会发生危急情况甚至少量碰撞。例如，SHRP2研究包含超过36000个常规驾驶、接近碰撞和碰撞事件。然而，碰撞仅代表SHRP2数据集的一小部分。现代车辆配备了先进的车辆动力学以及内部和环境传感器，能够在细观层面上收集真实世界的驾驶数据。数据的数量和深度是灵活的，取决于车辆设备和数据收集活动的定义。因此，最大可能的数据量对应于整个车队，这将大大超过传统的数据源。但是，必须确保个人数据的保护。

3.5.测试场景目录开发

3.5.1.机器学习场景提取

从获取的事故数据库中提取相关测试场景的一种可能性是探索性机器学习方法。由于我们的目标是调查现实世界事故数据中碰撞配置的发生，因此不应为数据定义外部标签。因此，选择了一种没有数据标记的无监督机器学习方法。此外，聚类将相似案例组织为一组的特性，使得提取代表性测试场景成为可能。聚类目标和输入数据选择源自先前在步骤C中定义的测试场景要求。所提出的场景聚类方法如图6所示。

图6.用于创建具体且逻辑测试场景目录的新型无监督机器学习方法

根据数据库和输入特征的选择，事故场景和危急情况都可以通过聚类分析进行分组。然而，所选的输入特征直接决定了聚类结果。为了测试Pre-Crash功能，需要测试场景中的Pre-Crash和In-Crash信息。应考虑不同特征的尺度级别。然而，比例尺度特征的特征非常适合聚类分析，因为它们显示排名和可解释的距离，并且可以在预处理中进行转换。因此，双方参与者的变量，例如碰撞速度、碰撞角度、浮动角度、沿车辆轮廓的碰撞点、车辆质量和其他碰撞变量，可以直接用于碰撞配置聚类。

此外，还利用k-近邻(k-NN)算法来确定簇内的代表性案例。从每个集群中选择具体的代表性案例来创建具体的测试场景目录。对于逻辑测试场景，用于场景表示的特征的参数范围应受到集群内这些特征的标准差的限制。通过k-NN，可以选择多个聚类代表作为聚类中心。通过这种方式，可以创建具有具体场景和逻辑场景的测试用例目录。

对2000年至2019年收集的GIDAS车辆碰撞数据集进行概念验证聚类，以展示评估聚类结果的挑战。这种聚类的目标是识别代表性的碰撞配置并找到最佳的聚类数量，以减少系统的测试工作量而不丢失相关信息。数据集按测试功能的作用范围进行过滤。使用旅客层面的20239例样本进行聚类。使用了Arthur和Vassivitskii提出的K-means++聚类算法。与传统K-means算法的不同之处在于聚类中心的初始化方法，这有助于提高聚类质量并降低陷入局部数据极小值的风险。特征输入集由十个总体碰撞配置特征组成，例如主车辆和对手车辆的碰撞点、碰撞速度、碰撞角度和技术碰撞严重程度dv。此外，输入功能已标准化。

在无监督学习中，不使用标签，这使得聚类结果的评估更加复杂。此处不能使用外部聚类有效性标准，因为生成的聚类没有可用的标签。应用相对和内部标准（例如失真和轮廓分数）来评估聚类有效性。图7显示了1到100个聚类的聚类结果的畸变和轮廓得分。虽然失真分数随着聚类数量的增加而不断降低，但轮廓分数在四个聚类处达到峰值，并随着聚类数量增加而迅速下降。

图7.GIDAS车辆间碰撞聚类的畸变得分（左）和轮廓得分（右）

根据失真得分图上的肘法，最佳簇数约为15个簇。这也将是所有车辆碰撞配置多样性的非常基本的表示。从轮廓得分图中，四个聚类显示出最佳的聚类结构。显然，仅四个聚类并不能代表所有相关的车辆碰撞。在同一数据集上使用各种聚类算法获得了类似的结果。显然，常见的基于距离和相似性的聚类评估指标（例如失真或轮廓分数）不足以详细验证交通场景聚类结果。然而，它可以帮助显示趋势。然而，需要专家知识对集群进行评估。

当前的GIDAS聚类结果已经可以将数千个碰撞配置减少到不到50个代表性测试用例。在本研究中，创建了代表汽车碰撞配置的35个簇的目录。专家根据系统定义和具体测试要求对集群碰撞配置进行了评估。在此过程中，检查了集群代表的碰撞速度、撞击点、碰撞角度、delta-v值和伤害严重程度。为了更好地理解结果，集群内所有事故案例的碰撞配置都被可视化。

给出了一些集群的例子。图8左侧显示案例数量最多的集群C1，代表低速追尾碰撞。蓝色方框是主车辆，红色方框是集群内的所有对方车辆。通过确定聚类中心，推导出该聚类的具体碰撞配置。该聚类的中位速度为15 km/h，delta-v为9 km/h，主车辆中重伤乘客的百分比为2%。图8右侧是集群C2，它代表数据库中最严重的事故。该集群的中位速度为132 km/h，delta-v值为61 km/h，重伤百分比乘客占52%。

图8. 聚类C1（左）和C2（右）的可视化

而且，所实施的聚类算法还设法为一些关键事故群形成独特的聚类。图9中的集群C3显示了这一点。这是一个碰撞速度非常快的事故群；然而，严重伤害的百分比处于中低范围。该集群的中位速度为130 km/h，Delta-v值为15 km/h，严重受伤乘客的比例为12%。这可以通过碰撞期间的滑动效应来解释。该聚类证明，通过精确选择正确的聚类参数化和相关输入特征，可以将此类特殊情况识别为测试用例。

图9.集群C3的可视化

尽管如此，聚类仍然会模糊一些罕见和独特的场景。这就是为什么我们使用k-NN算法来帮助创建逻辑测试场景目录。在定义的集群参数空间中使用逻辑测试场景，可以防止极端情况作为测试用例消失。

常规驾驶场景不一定需要机器学习分析。对于基线，应代表足够多的驾驶时间和不同驾驶条件的多样性。因此，需要对常规驾驶数据集进行代表性评估。

3.5.2.场景相关性评估

提取场景代表后，评估测试环境中每个场景的相关性。测试场景的相关性与被测系统直接相关，并且取决于多种影响因素。发布功能所需的测试用例获得最高的相关性评级。接下来是由汽车安全性能评估程序（例如EuroNCAP）评级的测试用例。除了这些标准化测试场景之外，还应该评估已识别的碰撞、现场数据中的关键和常规驾驶测试序列，以及现实世界交通的相关性。为此，需要一个相关性度量。对于碰撞场景，可以通过伤害严重程度和暴露概率的组合来表示集群的现场相关性，将其定义为风险函数。此外，第三个相关性标准还考虑了集群的技术崩溃严重性(delta-v)。相关性评估对于潜在的功能修改决策是必要的。

3.6.验证测试

验证测试是根据开发的测试场景目录在虚拟仿真中进行的，包含碰撞严重程度预测算法以及虚拟车辆和环境。为此，利用了软件IPG CarMaker和集群GIDAS碰撞配置场景。提取具体的碰撞场景作为集群代表，并在GIDAS PCM数据库中搜索案例编号。由于并非每个GIDAS案例都包含GIDAS PCM案例，因此这里再次使用k-NN算法，并将最接近聚类中心的案例视为可以在GIDAS PCM数据库中找到的案例的代表。这也涵盖了不同预碰撞阶段的多样性，因为聚类代表碰撞配置，但预碰撞阶段可能不同。GIDAS PCM场景已转换为IPG CarMaker场景格式。除了GIDAS PCM数据库中的真实事故场景外，还为已确定的代表性碰撞配置创建了通用事故场景。

这些测试的目标是验证关于定义的基本事实的预测输出。在预碰撞阶段的每个预测时间步长，将每个预测变量与数据库中的标称地面实况值进行比较。表2中示例性地显示了这一点，其中VREL是碰撞速度的GIDAS变量。

表2.预测输出的仿真评估

因此，每个预测变量都可以被验证为与其他变量分离。应确定t0之前的时间（称为TTC）以获得足够好的预测性能。然而，如果不连接到目标预碰撞系统，对预测性能的纯粹定量评估是不够的。碰撞严重性预测包含潜在碰撞配置及其严重性值的预测分布。必须开发从这些分布中产生火灾、可能发生火灾和不发生火灾信号的方法。因此，预测性能的要求必须由预碰撞系统来确定。此外，模拟由整个被测系统组成，包括各个组件，如车辆传感器、控制器、数据传输和处理、碰撞严重程度预测和预碰撞执行器，是可靠验证所必需的。

3.7.安全性和有效性评估

验证测试的结果作为安全性和有效性评估论证的一部分进行了分析。图10显示了PCS激活的混淆矩阵。真正的阳性预测案例定义了被测系统的效率区域，该区域通常小于最初定义的作用区域。被测系统的效率度（DoE）定义为效率面积与作用面积的商。除了美国能源部的模拟确定之外，还可以根据事故数据收集进行回顾性确定。然而，能源部显示了系统的效率，但没有提供安全性证明。FP和FN情况的可接受概率是根据具体系统的ASIL分类定义的，并且必须在测试过程中得到证明。例如，在考虑FN分类时，主要考虑的是是否存在回退级别。然而，TP的优点与FN和F情况的缺点之间存在权衡。因此，积极的风险平衡证明是必要的。TN案例既没有负面影响也没有正面影响，而FP和FN案例则导致潜在危害。为了实现正风险平衡，所有TP案例中伤害减少的总和，必须高于所有FP和FN案例可能造成的伤害之和。

图10.碰撞前系统触发混淆矩阵

3.8.功能修改

考虑到被测功能的有效性和安全性评估以及测试场景的相关性评估，可以定义功能修改需求，以改进功能并增加安全潜力。功能修改可能会导致预期功能或功能作用领域的变化。因此，在每次功能修改后，应从步骤A开始再次执行所提出的测试方法。

4. 局限性的讨论

本章讨论了上述方法步骤的局限性，并为未来的研究提供了展望。

4.1.碰撞严重性验证

验证预测碰撞严重程度的一个主要挑战是挖掘地面真实碰撞严重程度数据。深入的事故数据研究重建了接近现实的交通事故。此外，GIDAS数据库包含重建的delta-v标量值，而不是作为时间序列的崩溃脉冲。为了获得碰撞中测量的碰撞脉冲，必须收集事件数据记录器(EDR)信号。

这仅在少数GIDAS案例中进行过。估计已确定的代表性碰撞配置的碰撞脉冲的另一种可能性，是汽车与汽车碰撞的FEM仿真；然而，这些都是非常昂贵的。

4.2.预期测试场景

事故数据库仅提供交通事故的回顾。Leledakis等人提出了一种预测具有防撞系统的车辆碰撞配置并识别新碰撞配置变化的方法。许多前瞻性研究利用回顾性事故场景，通过虚拟模拟创建新的前瞻性测试场景目录。正如SOTIF所指出的，即使在数据采集和测试序列提取之后，仍然有可能遗漏相关场景，尤其是未知的不安全场景。因此，除了前瞻性的仿真研究之外，持续的交通数据收集和分析仍然是必要的。

4.3.全球交通数据

国际交通事故差异是由不同类型的道路、基础设施、交通规则、道路使用者及其区域行为造成的。因此，未经验证，不能将代表一个国家的事故情景视为代表另一国家。此外，不同数据库的数据收集和编码格式并不相同，这使得分析和场景提取变得复杂。因此，全球事故数据协调倡议（iGLAD）收集并协调来自12个不同国家的事故数据。从iGLAD数据集创建的PCM可用于国际测试场景的仿真。然而，代表性问题仍然没有得到解答。同样的挑战也适用于关键驾驶和常规驾驶场景。

4.4.碰撞前阶段聚类

如本研究所示，碰撞配置聚类有可能确定具有代表性的回顾性碰撞配置，甚至如Leledakis等人所示，有可能确定未来的碰撞配置，但仍无法观察到可能导致相同碰撞的不同碰撞前机动的多样性。在聚类算法中应额外考虑预碰撞阶段的信息。如图1所示，碰撞前的变量主要由参与者的时间序列或按比例划分的缓慢变化的变量组成。对于分类变量的聚类，可以应用一个热编码将分类数据转换为数字形式。删除编码的分类变量，并将新的二进制变量添加到数据集中。然而，这可能会导致输入特征数量的大幅增加，从而增加维度诅咒的风险。

通过有针对性的深入车队数据收集，可以完全解决上述前三个限制。因此，车队数据在进一步收集具有代表性的交通数据方面具有最大潜力，并被认为是ADAS/AD和新型安全系统的V&V过程的关键。

5.结论

在本文中，作者详细阐述了创新碰撞严重程度预测和预碰撞系统的安全潜力和风险。在ISO 26262和ISO/PAS 21448标准的背景下，提出了一种新颖的碰撞严重程度预测功能验证策略。使用潜在的碰撞前用例证明了可靠且精确的实时碰撞严重程度预测功能的相关性。因此，作者确定了QM和ASIL A+相关CSP功能的验证要求的根本差异。结合一定起火、可能起火和无起火信号，提出了碰撞、危急情况和正常驾驶的测试场景分类标准。在解决基于场景的测试方法时，选择无监督机器学习作为探索性数据分析技术，以从现实世界数据中提取代表性和相关的测试场景。使用K-Means++和k-NN算法开发了一种新颖的无监督机器学习方法，用于创建具体且逻辑的测试场景目录。该方法在GIDAS数据库上实施，以在测试的CSP功能的作用区域中创建35个代表性碰撞配置集群。所提出的机器学习场景提取方法可以转移到其他数据库，并且可以针对不同的测试系统进行。此外，不仅满足ASIL分类的失效概率要求，而且积极风险平衡的证据也被定义为证明预碰撞系统安全性的基本条件。此外，所提出的方法的局限性也做了说明。

未来的研究应集中于已确定的局限性。挖掘具有相应数据深度的代表性交通数据（例如事故严重程度信息）的困难应尽快解决。在这种情况下，车队数据似乎是代表性交通数据收集的最有前途的来源。此外，在进一步的场景提取中应考虑碰撞中和碰撞前变量的组合。仍然悬而未决的一个问题是预碰撞系统可以通过特定的预测性能提供哪些减少伤害的好处。因此，未来必须开发从碰撞预测分布生成火灾信号的方法。为了对碰撞严重程度预测功能进行有效的有效性和安全性评估，应考虑从碰撞严重程度预测到预碰撞系统激活和乘客伤害分析的完整链条。

详询“牛小喀”微信：NewCarRen

详询“牛小喀”微信：NewCarRen

作者：牛喀网专栏作者
牛喀网文章，未经授权不得转载！