《Journal of Traffic and Transportation Engineering (English Edition)》:Evaluation of traffic signs and markings considering human drivers and automated vehicles
编辑推荐:
• 建立了一个基于人类驾驶人与自动驾驶汽车(AVs)的交通标志和标线(TSMs)评估框架。
• 该评估涵盖TSMs的物理属性及其对路径规划的影响。
• 比较了人类驾驶人与自动驾驶汽车(AVs)在TSMs感知上的差异。
• 建立了一个基于人类驾驶人与自动驾驶汽车(AVs)的交通标志和标线(TSMs)评估框架。
• 该评估涵盖TSMs的物理属性及其对路径规划的影响。
• 比较了人类驾驶人与自动驾驶汽车(AVs)在TSMs感知上的差异。
### 论文解读
#### 1. 研究背景与问题
随着自动驾驶系统逐步进入道路环境,由人类驾驶人与自动驾驶汽车(Automated Vehicles, AVs)共同参与的道路交通将成为常态。为评估自动驾驶技术的成熟度,各国开展了大规模的公共道路测试。例如,美国加州截至2021年2月的自动驾驶测试里程已接近290万英里,欧洲大型试点项目L3pilot也完成了40万公里的公共道路测试,上海至2023年的开放道路测试里程更是超过了963.3万公里。然而,自动驾驶汽车的安全性问题日益凸显,仅加州机动车辆管理局(DMV)截至2022年7月就收到了444份自动驾驶车辆碰撞报告。安全问题不仅直接威胁生命财产,还会影响公众对自动驾驶技术的信任。
道路基础设施,尤其是交通标志和标线(Traffic Signs and Markings, TSMs),是保障行车安全的关键要素。TSMs通过提供规制、警告和引导信息,对自动驾驶汽车的定位和路径规划同样至关重要。然而,现有研究存在明显不足:第一,大量研究聚焦于单个TSMs物理属性(如信息量、位置、反光)的设计阈值,缺乏对既有道路,特别是事故多发路段TSMs设计状态的系统性评价;第二,尽管美国国家公路合作研究计划(NCHRP)提出了基于路径分析的TSMs评估方法,但很少应用于事故多发路段;第三,当前TSM设计标准未能充分考虑人类驾驶人与AVs在感知方式上的巨大差异——人类依赖视觉和听觉,而AVs主要依靠摄像头、雷达和激光雷达(LiDAR)。此外,虽然美国联邦公路管理局(FHWA)已开始修订《统一交通控制设施手册》(MUTCD),但TSMs对自动驾驶路径规划的系统性影响尚未被量化研究。为此,本研究提出一个就绪性评估框架,旨在从人类驾驶人和AVs的双重视角,评估TSMs的物理属性和驾驶任务功能,并比较两者的感知差异。
#### 2. 研究内容与结论
本研究选取中国上海一条2.7公里的事故多发路段作为研究对象,评估其TSMs状况。研究构建了包含物理属性评估与路径规划影响评估两大模块的框架。对于人类驾驶人,采用基于视频的人工目视检查方法评估标志的8项物理属性和标线的5项物理属性,并从认知和充分性两个维度分析TSMs对路径规划的影响。对于AVs,则采用视频识别算法(YOLOv4用于标志检测,Ultra-fast-lane-detection用于标线检测)评估物理属性,并使用PreScan 8.5.0仿真软件测试TSMs对路径规划的影响。最终,研究对比了人类驾驶人与AVs在TSMs感知上的异同。
研究得出以下主要结论:在物理属性方面,遮挡、反光和磨损是导致AVs对交通标志误检和漏检的主要因素,而遮挡和冲突(新旧标线并存)则影响标线识别。对于人类驾驶人,标志的遮挡、褪色、反光,以及标线的遮挡和冲突同样是普遍问题。在路径规划方面,仿真结果显示,遮挡的标志和缺失的标志会导致AVs在右转和左转任务中失败,而直行任务可顺利完成;标线问题对AV路径规划影响较小。对于人类驾驶人,标志设置过密、信息过载和信息冲突是主要问题,尤其缺少左转指示标志会阻碍左转任务的完成。研究对比发现,标志的遮挡和缺失对AVs和人类驾驶人的路径规划均有影响,而标志密度、信息过载和信息冲突仅影响人类驾驶人。该框架为未来面向人机共驾环境的道路设施优化设计提供了基准和参考。
#### 3. 关键技术方法
本研究采用的主要技术方法包括:
- **视频数据采集**:研究人员通过安装在车辆前挡风玻璃上的行车记录仪(720p分辨率)在2021年2月白天晴朗天气下采集道路视频,测试驾驶员为一名有10年驾龄的32岁男性,以40km/h车速完成左转、直行和右转三项驾驶任务。
- **基于YOLOv4的交通标志识别**:使用德国交通标志识别基准(German Traffic Sign Recognition Benchmark, GTSRB)数据集,并补充5万张上海道路标志图像进行模型训练,采用精确率(Precision)、召回率(Recall)和F1-measure评估算法性能。
- **基于Ultra-fast-lane-detection的标线检测**:采用基于行的车道线检测方法,使用CULane数据集进行训练,该数据集包含北京多种道路场景,使用交并比(Intersection over Union, IoU)和F1-measure评估检测精度。
- **PreScan仿真模拟**:利用PreScan 8.5.0软件搭建研究路段的三维场景,包含真实TSMs,模拟AVs在三条不同路径上的感知与决策行为。
#### 4. 研究结果
**4.1 人类驾驶人对交通标志和标线的评估**
在物理属性评估中(人工目视检查),15个交通标志中,2个尺寸不合格,3个位置设置不当,7个存在遮挡,2个存在信息冲突,所有标志均存在褪色和反光问题。车道标线的主要问题是遮挡(如护栏遮挡)和冲突(新旧标线并存)。
在路径分析影响方面(基于NCHRP 600报告标准),认知评估发现标志的遮挡、高密度、信息过载和信息冲突是影响人类驾驶人的主要问题。充分性评估表明,现有标线可充分支持所有路径的驾驶任务,但交通标志不足以支持左转任务,因为缺少左转指示标志,且部分标志(如禁左标志)与实际道路规则不符。
**4.2 自动驾驶汽车对交通标志和标线的评估**
在标志检测方面(基于YOLOv4),算法在6975帧视频上的精确率达99.20%,召回率达99.92%,F1-measure为99.45%,表明算法性能可靠。误检分析显示,遮挡(43.9%)、反光(30.4%)和磨损(14.1%)是主要致因;漏检分析显示,遮挡(47.3%)和磨损(33.3%)是主要原因。
在标线检测方面(基于Ultra-fast-lane-detection),算法对四类车道线的F1-measure均达到94%以上,识别精度良好。误检和漏检的原因仅为遮挡和冲突(新旧标线并存)。
在AVs路径规划模拟中(基于PreScan仿真),右转任务中车辆因标志遮挡无法识别而在16秒处停车失败;直行任务顺利完成;左转任务中因缺少左转标志而在18秒处停车失败。仿真结果表明,标志的遮挡和缺失是导致AVs路径规划失败的主要原因,而标线问题对路径规划影响不大。
**4.3 人类驾驶人与自动驾驶汽车的感知差异对比**
通过系统对比发现,标志的遮挡和反光问题同时影响人类驾驶人和AVs的感知,但褪色仅影响人类驾驶人,而磨损仅影响AVs。标线的遮挡和冲突问题则对两者都有影响。在路径规划方面,标志的遮挡和缺失对两者的路径规划均有负面影响,但标志密度、信息过载和信息冲突仅干扰人类驾驶人的路径选择,对AVs影响甚微。
#### 5. 总结讨论与结论
研究结果表明,TSMs的物理属性问题(如遮挡、反光、磨损、冲突)是影响人机感知的共同障碍,但人类驾驶人与AVs的感知机制差异也导致了不同的核心痛点——人类主要受信息过载和标志密度干扰,而AVs则受物理遮挡和缺失影响更为显著。这一发现强调了未来交通基础设施设计需统筹考虑两类使用者的差异化需求。本研究为建立混合人机驾驶环境下的TSMs评估方法提供了基准,揭示了考虑AVs特殊感知需求的必要性,并为未来量化评估框架的建立及多场景扩展研究提供了方向和参考。