基于行人视野注意力场的人车微观交互模型

doi:10.19562/j.chinasae.qcgc.2022.06.002

摘要/Abstract

摘要：

从行人视觉认知角度出发，提出一种基于行人视野注意力场的人车微观交互模型。构建视野注意力场驱动行人视野域，利用人工势场驱动行人运动，利用目标捕捉算法来控制行人视野域对目标的捕捉。为了验证模型的有效性，使用无人机采集鸟瞰视角下的人车交互数据并进行处理分析，将行人过街风格分为保守、谨慎和冒险 3种类型，在Pygame平台下搭建仿真场景和交互模型，把不同行人过街风格的交互数据作为模型输入，以模型输出的行人时空轨迹与采集的真实时空轨迹之间的相似度进行实验对比。结果表明，建立的基于行人视野注意力场的人车微观交互模型比常规人工势场模型准确性提高了25.48%，能够有效地复现实际交通场景中的人车交互过程。

关键词: 人车交互, 行人过街风格, 行人视野注意力场, 人工势场

Abstract:

From the perspective of pedestrian visual cognition， a pedestrian-vehicle micro-interaction model based on the atten-tion field of pedestrian vision is proposed. The attention field of pedestrian vision is constructed to drive the pedes-trian field of vision， and the artificial potential field is used to drive the pedestrian movement，. The target capture algorithm is used to control the target capture in the pedestrian visual field. In order to verify the effectiveness of the model， drones are used to collect the pedestrian-vehicle interaction data from the bird's-eye perspective and analyze them. Pedestrian crossing styles are divided into three types： conservative， cautious and adventurous. Simulation scenarios and interactive models are built on the Pygame platform， then， different types of interactive data are used as the model input， the similarity between the pedestrian spatiotemporal trajectory output by the model and the collected real spatiotemporal trajectory is experimentally compared. The results show that the pedestrian-vehicle mi-cro-interaction model based on pedestrian visual attention field is 25.48% more accurate than the conventional artifi-cial potential field model， and it can effectively reproduce the pedestrian-vehicle interaction process in the actual traf-fic scene.

Key words: pedestrian-vehicle interaction, pedestrian crossing style, pedestrian attention field of vision, artificial potential field

李文礼,肖凯文,石晓辉,梁锋华,黎平. 基于行人视野注意力场的人车微观交互模型[J]. 汽车工程, 2022, 44(6): 808-820.

Wenli Li,Kaiwen Xiao,Xiaohui Shi,Fenghua Liang,Ping Li. Pedestrian-Vehicle Micro-Interaction Model Based on Attention Field of Pedestrian Vision[J]. Automotive Engineering, 2022, 44(6): 808-820.

图/表 22

图1

图2

图3

图4

图5

图6

表1

部分标定数据"

Frame	id	（x，y）/m	（x^tar，y^tar）/m	（x^p，y^p）/m	$θ$ /（°）
10	3	12.5，2.7	19.7，24.5	25.0，4.3	0
20	3	13.6，3.4	19.7，24.5	23.4，9.2	13
$? ?$
150	3	19.7，24.5	19.7，24.5	7.9，23.7	0

表1

图7

图8

表2

人车交互数据"

id	$A m / (m ? s - 2)$	$v a / (m ? s - 1)$	$D i n i t / m$
1	2.05	0.78	11.46
2	1.68	0.73	13.67
$? ?$
231	0.98	1.25	15.64
$P o b s$	together $? (0 : 无 ?, 1 : 有)$	$t w a i t / s$	$v c / (m ? s - 1)$
0.87	1	0	10.45
0.68	0	4	15.56
$? ?$
0.59	0	10	5.68

表2

表3

解释（被解释）变量定义"

变量类型	变量	变量简述
被解释变量	行人过街风格Style	0：让出交互主导权，让来车先行
		1：谨慎交互，平稳前行，不奔跑
		2：积极争夺交互主导权，侵略性强，奔跑
解释变量	最大加速度 $A m / (m · s - 2)$	行人在整个交互区域的最大加速度
	平均速度 $v a / (m · s - 1)$	行人在整个交互区域的平均速度
	来车初始横向距离 $D i n i t / m$	初始标定时刻，来车与行人的横向距离
	车辆平均速度 $v c / (m · s - 1)$	车辆在交互区域的平均速度
	行人等待时间 $t w a i t / s$	行人与车辆交互前的停止时间
	是否同行together	同一交互区域内，是否有其他行人（0：否，1：是）
	关注度 $P o b s / %$	整个标定时间内，行人对来车的关注度

表3

图9

图10

图11

图12

图13

图14

表4

视野注意力场和人工势场的最优参数"

势场类别	参数	最优取值
势场类别	参数	保守型	谨慎型	冒险型
视野注意力势场	视野转动惯量 J	0.01	0.10	1.00
	过街风格待定系数 $μ$	0.11	0.44	0.91
	视野最远距离 l $/ m$	12.50
	车速待定系数 $? λ$	0.03
人工势场	目的地引力常量 $K a$	$2.5 × 10 - 3$	$5.0 × 10 - 3$	$7.5 × 10 - 3$
	车辆斥力常量 $K r$	10	25	40
	待定系数 K	0.10	0.30	0.60
	目的地引力场距离阈值 d $/ m$	20
	驾驶员反应时间 ^［13］ $t r / s$	3
	舒适减速度 ^［13］b $/ (m ? s - 2)$	2.5
	参考车速 $? v * / (k m ? h - 1$ ）	20

表4

图15

图16

图17

表5

参考文献 15

1	World healthy organization．Road-traffic-injuries ［EB/OL］．https：//www.who.int/zh/news-room/fact-sheets/detail/road-traffic-injuries．
2	袁泉，于迪，肖睿轩，等．基于行为计划理论的行人心理风险影响特性［J］．汽车安全与节能学报，2020，11（4）：511-517．
	YUAN Quan，YU Di，XIAO Ruixuan，et al．The influence c-haracteristics of pedestrian mental risk image under the interaction of multiple factors ［J］．Automotive Safety and Energy，2020，11（4）：511-517．
3	彭晓燕，谢浩，黄晶．无人驾驶汽车局部路径规划算法研究［J］．汽车工程，2020，42（1）：1-10．
	PENG Xiaoyan，XIE Hao，HUANG Jing．Research on local pa-th planning algorithm for unmanned vehicles ［J］． Automotive Engineering，2020，42（1）：1-10．
4	NI D H．A unified perspective on traffic flow theory，part I：the field theory ［J］．Applied Mathematical Sciences，2013，7（39）：1929-1946．
5	王建强，吴剑，李洋．基于人-车-路协同的行车风险场概念、原理及建模［J］．中国公路学报，2016，29（1）：105-114．
	WANG Jianqiang，WU Jian，LI Yang．Concept，principle and modeling of driving risk field based on driver-vehicle-road interaction ［J］．China Journal of Highway and Transport，2016，29（1）：105-114．
6	熊坚，施锦浩，万华森．人车路综合风险场模型构建及驾驶风格评估［J/OL］．交通运输系统工程与信息，［2021-11-18］，https：//kns.cnki.net/kcms/detail/11.4520.U.20211117.1629.059.html
	XIONG Jian，SHI Jinhao，WAN Huasen．Modeling of driver- vehicle-road integrated risk field and driving style assessment ［J/OL］.Journal of Transportation Systems Engineering and Information Tec-hnology，［2021-11-18］，https：//kns.cnki.net/kcms/detail/11.4520.U.20211117.1629.059.html.
7	LI L H，GAN J，JI X K，et al．Dynamic driving risk potenti-al field model under the connected and automated vehicles enviro- nment and its application in car-following modeling ［J］．IEEE Transactions on Intelligent Transportation Systems，2020，27：3499-3512．
8	朱乃宣，高振海，胡宏宇，等．基于交通风险评估的个性化换道触发研究［J］．汽车工程，2021，43（9）：1314-1321．
	ZHU Naixuan，GAO Zhenhai，HU Hongyu，et al．Research on personalized lane change triggering based on traffic risk assessment ［J］．Automotive Engineering，2021，43（9）：1314-1321．
9	张家旭，王晨，赵健．基于改进人工势场法的汽车弯道超车路径规划与跟踪控制［J］．汽车工程，2021，43（4）：547-552．
	ZHANG Jiaxu，WANG Chen，ZHAO Jian．Path planning and t-racking control for vehicle overtaking on curve based on modified artificial potential field method ［J］．Automotive Engineering，2021，43（4）：547-552．
10	黄俊达，杨大伟，毛琳．俯视邻近行人风险量化分析方法［J］．大连民族大学学报，2018．20（5）：417-422．
	HUANG Junda，YANG Dawei，MAO Lin．Top view risk quan-tification analysis method for approaching pedestrians ［J］．Journal of Dalian Minzu University，2018，20（5）：417-422．
11	袁泉，晏楠飞，郝威．基于心理安全距离的行人风险评价及预警算法研究［J/OL］．中国公路学报，［2021-7-19］，https：//kns.cnki.net/kcms/detail/61.1313.u.20210719.1322.004.html
	YUAN Quan，YAN Nanfei，HAO Wei．Research on pedestrian risk assessment and early warning algorithm based on psychological safety distance ［J/OL］．China Journ-al of Highway and Transport，［2021-7-19］，https：//kns.cnki.net/kcms/detail/61.1313.u.20210719.1322.004.html.
12	杨彪，范福成，杨吉成，等．基于动作预测与环境条件的行人过街意图识别［J］．汽车工程，2021，43（7）：1067-1076．
	YANG Biao， FAN Fucheng， YANG Jicheng， et al．Recognition of p- edestrians’ street-crossing intentions based on action prediction and environment context ［J］．Automotive Engineering，2021，43（7）：1067-1076．
13	STRASBURGER H．Seven myths on crowding and peripheral vision ［J］．i-Perception，2020，11（3）：1-46．
14	叶倩倩．基于社会力的人车混合交通模拟［D］．杭州：浙江大学，2018．
	YE Qianqian．Mixed traffic simulation based on social force model ［D］．Hangzhou：Zhejiang University，2018．
15	朱冰，李伟男，汪震，等．基于随机森林的驾驶人驾驶习性辨识策略［J］．汽车工程，2019，41（2）：213-224．
	ZHU Bing，LI Weinan，WANG Zhen，et al．Identification strat-egy of driving style based on random forest ［J］．Automotive Engineering，2019，41（2）：213-224．

势场类别	常规人工势场			视野注意力场 + 常规人工势场（本文方法）
势场类别	MAPE/%	MAE /m	RMSE /m	MAPE/%	MAE /m	RMSE /m
保守型	8.44	4.85	7.78	2.98	1.57	2.05
谨慎型	7.01	4.50	5.71	1.98	1.29	1.92
冒险型	6.23	4.00	4.47	3.37	2.09	2.39
平均值	7.23	4.45	5.99	2.78	1.65	2.12

[1]	马钧, 柏玥. 基于情境引擎的车载导航交互设计研究[J]. 汽车工程, 2024, 46(1): 18-28.
[2]	卢少波,谢菲菲,张博涵,陆嘉峰,李彩霞. 基于非对称势场的人车协同博弈避撞[J]. 汽车工程, 2022, 44(10): 1484-1493.
[3]	朱乃宣,高振海,胡宏宇,吕颖,赵伟光. 基于交通风险评估的个性化换道触发研究[J]. 汽车工程, 2021, 43(9): 1314-1321.
[4]	李彩霞,卢少波,张博涵,吴文娟,陆嘉峰. 基于行人位置预测的人车转向避撞路径规划[J]. 汽车工程, 2021, 43(6): 877-884.
[5]	张家旭,王晨,赵健. 基于改进人工势场法的汽车弯道超车路径规划与跟踪控制[J]. 汽车工程, 2021, 43(4): 546-552.
[6]	吴晓建,燕冬,王爱春,黄菊花,伍磊,周兵. 融合前车轨迹预测的改进人工势场轨迹规划研究[J]. 汽车工程, 2021, 43(12): 1752-1761.
[7]	李亚勇, 蔡英凤, 陈龙, 孙晓强, 何友国, 张云顺. 考虑前后方车辆行驶状态的ACC系统控制方法^*[J]. 汽车工程, 2019, 41(8): 865-871.