路口作为一种典型的复杂交互交通环境，更容易引发事故。2017年，中国共发生道路交通事故203049起，其中发生在路口的事故46145起，占总数的22.73%。因路口事故共造成12082人死亡，47818人受伤，直接财产损失22517.2万元^[1]。因此，针对路口交通场景的研究是十分有必要的。
先进驾驶辅助系统中的自动紧急制动系统(Autonomous Emergency Braking system，AEB)作为一项重要的主动安全技术，通过警告驾驶员甚至自动制动来回避碰撞或减轻碰撞程度，可以显著减少事故发生率及人员伤亡^[2]。根据欧盟新车安全评鉴协会(Euro-NCAP)的研究表明, AEB可以减少约27%的事故发生率^[3]。然而，现有AEB法规测试仅是针对直路段的追尾工况和行人横穿事故，尚无针对交叉路口的测试。
基于场景的测试是自动驾驶重要的测试方法之一。余卓平等^[4]将该方法描述为车辆在预先设定的场景中完成某项特定目标或任务对系统进行测试的方法。Ulbrich等^[5]将场景描述为多个事件顺序发生而构成的序列。而真实交通环境复杂多变，朱冰等^[6]的研究表明，应根据场景要素分析进行特征要素提取，实现场景解构。
国外已有对AEB路口测试场景的研究，并计划引入AEB路口评价。2014年初，Euro-NCAP正式将AEB纳入整体安全评级中，并将在2020年引入AEB交叉路口评价^[7]。Nitsche等^[8]通过分析英国事故数据，提取出13类T型路口和6类十字路口典型场景。Sander和Lubbe^[9]通过分析德国深度事故研究数据，提取了德国的AEB路口测试场景。但是，限于各个国家交通状况及驾驶习惯的差异，国际上已有的AEB路口测试场景不能适应中国的路况。
国内针对AEB测试场景的研究多集中于汽车-两轮车、汽车-行人工况。段京良等^[10-11]通过对368例自然驾驶工况和90起事故案例分析，提取得到3类中国典型的汽车-两轮车冲突场景，并基于场景进行了驾驶员制动行为分析，提出了针对AEB的改进策略。Sui等^[12]通过对672起中国交通事故深入研究(CIDAS)事故聚类分析，得到6类AEB两轮车测试场景。Cao等^[13]通过对216起事故案例分析，得到4类AEB两轮车测试场景。胡林等^[14]通过对419起事故案例分析，得到6类AEB两轮车测试场景。范天赐等^[15]通过对160起事故案例分析，得到了6类两轮车事故的典型场景。苏江平等^[16]通过对65起事故案例分析，得到4类AEB行人测试场景。夏澜等^[17]通过对43例自然驾驶工况分析，得到6类切入型危险工况下的AEB测试场景。刘颖等^[18]通过对52例自然驾驶工况分析，得到5类AEB行人测试场景。然而，目前针对中国路口场景的研究较少。
本文旨在提取国内的路口机动车碰撞典型危险场景，为建立中国的AEB路口测试评价体系提供参考。基于499例真实事故数据，通过多元Logistic回归分析提取场景特征要素，采用层次聚类算法挖掘典型危险场景，解构中国典型的AEB路口测试场景。
1 事故数据来源 本文的研究数据来源于国家车辆事故深度调查体系(National Automobile Accident In-depth Investigation System，NAIS)。NAIS由国家市场监督管理总局缺陷产品管理中心于2011年与上海联合道路交通安全科学研究中心、应急管理部天津消防研究所、西华大学、云通司法鉴定中心、山东交通学院、上海工程技术大学、华南理工大学和东北林业大学等8家具有较深事故研究背景的高校、事故鉴定机构及科研单位合作而共同建立。NAIS各工作站采用统一的采集与分析标准，围绕事故相关人-车-路-环境信息进行深入采集，并完成事故再现分析。
NAIS事故采集区域分布合理，地理位置涵盖东北高寒地区、华南高温高湿地区、西南山区和高原地区、华北平原地区、华东沿海地区等。
表 1为本文采用的NAIS数据库与全国道路交通事故统计年报(2017年度)的对比。分析表明，NAIS数据库的事故特征与全国道路交通事故统计年报信息基本吻合，数据库具有中国典型性和代表性。本文的研究基础是NAIS数据库中，2011—2017年间发生在路口的全部499例机动车间的碰撞事故数据。研究样本典型，研究结果可以代表中国的交通环境。
表 1 NAIS数据库与全国道路交通事故统计年报(2017年度)对比 Table 1 Comparison between NAIS database and annual report on national road traffic accidents(2017)

序号	参数	参数特征	特征占全部 样本的百分比		差值/%
			NAIS	年报
1	天气 类型	晴或多云	70.52	74.75	4.23
		阴天	15.04	14.47	0.57
		雨天等恶劣天气	14.10	10.78	3.32
2	光照 条件	日间	45.93	58.12	12.19
		晨昏	9.59	4.57	5.02
		夜晚	44.49	37.30	7.19
3	路段 信息	普通路段	49.96	73.30	23.34
		十字路口	26.71	11.85	14.86
		丁字路口	9.93	8.27	1.66
		其他	13.4	6.58	6.82
4	事故 对象	机动车与机动车 机动车与两轮车	40.17 19.10	69.23	9.96
		机动车与人相撞	15.76	22.94	7.18
		机动车单车事故	24.97	7.83	17.14

表选项






2 测试场景特征要素的提取 2.1 场景特征要素的重要性 基于场景的自动驾驶测试需要提取特征要素，实现场景解构。场景特征要素的选择将决定聚类分析中的聚类参数，影响典型场景提取的结果。因此，通过合理的方法选择对于AEB测试有价值的要素，对于场景的提取是非常有必要的。
现有的研究中，苏江平等^[16]根据变量统计分布，舍掉不易成为突出特点的参数，选择了时间、道路特征、车辆速度、行人运动状态、行人速度5个要素。胡林等^[14]依据适应于AEB两轮车的测试为原则，确定了照明、道路特征、汽车与两轮车运动状态、视野是否遮挡、目标车类型、汽车与两轮车速度8个要素。现有对于场景特征要素的选择，多是根据主观分析，没有确切的可量化依据。
本文提出基于事故严重程度影响因素分析进行自动驾驶测试场景特征要素提取的新方法，该方法采用多元Logistics回归分析，研究各场景要素与事故严重程度之间是否呈显著相关，将对事故严重程度有显著影响的要素确定为特征要素。
2.2 事故严重程度影响因素分析
2.2.1 多元Logistic回归模型 事故严重程度的发生概率模型为

(1)

式中: y为事故的严重程度；j=1, 2, …, J-1为因变量y的各种可能的结果；x为对事故严重程度有显著影响的自变量；α为回归截距；β为回归系数；n为有显著影响的自变量的数量。y的各种可能的结果均与参考模型(最后一项y=J)进行对比，对每个Logit模型分别建模，共计J-1个模型^[19]。

2.2.2 Logistic回归分析变量的选取 回归分析因变量为事故严重程度。在NAIS中，对每起事故均按照道路交通事故等级划分标准，分为轻微事故、一般事故、重大事故、特大事故。由于特大事故在499例中占比极小，所以与重大事故合并为一类。
基于相关经验，初步选取了交通环境要素中的天气类型、光照条件、事故地点、路口类型、信号灯类型、道路干湿度为自变量。通过SPSS数据分析软件进行多元Logistic回归分析。首先，需要对变量进行编码，因变量及自变量的参数取值如表 2所示。
表 2 Logistic回归分析变量 Table 2 Variables for Logistic regression analysis

序号	变量名	数学表达	变量取值	编码值
1	事故严重程度	y	轻微事故	1
			一般事故	2
			重(特)大事故	3
2	天气类型	x1	晴或多云	1
			阴天	2
			雨天等恶劣天气	3
3	光照条件	x2	日间	1
			晨昏	2
			夜晚有路灯照明	3
			夜晚无路灯照明	4
4	事故地点	x3	市中心	1
			非市中心	2
			高速公路	3
			其他	4
5	路口类型	x4	十字路口	1
			丁字路口	0
6	信号灯类型	x5	直行+转弯信号	1
			仅有直行信号	2
			没有信号灯	3
7	道路干湿度	x6	干	1
			湿	0

表选项







2.2.3 Logistic回归分析结果 多元Logistic回归分析的模型估计采用最大似然法，即通过控制参数的选择以实现观测结果与估计结果相同的概率最大^[20]。本文选取显著性水平为0.05，模型拟合信息如表 3所示。
表 3 模型拟合信息 Table 3 Model fitting information

模型	模型拟合准则		似然比检验
	-2对数似然		χ2	自由度	显著性水平
截距模型	376.279
拟合模型	313.697		62.581	24	0.000027

表选项






显著性水平 < 0.001，表明得到的模型拟合效果良好。最终，Logistic回归分析结果如表 4所示。
表 4 Logistic回归分析结果 Table 4 Logistic regression analysis results

变量	模型拟合准则		似然比检验
	-2对数似然		χ2	自由度	显著性水平
截距	313.697		0	0
天气类型	316.769		3.072	4	0.546
光照条件	332.731		19.034	6	0.004
事故地点	320.622		6.925	6	0.328
路口类型	322.244		8.547	2	0.014
信号灯类型	327.448		13.751	4	0.008
道路干湿度	318.108		4.410	2	0.110

表选项






2.3 路口测试场景特征要素 多元Logistic回归分析结果表明，光照条件、路口类型、信号灯类型与路口机动车事故的严重程度显著相关。而天气类型、事故地点、道路干湿度与事故严重程度的相关性较低。
因此，将对事故严重程度有显著影响的光照条件、路口类型、信号灯类型作为测试场景特征要素。考虑到自动驾驶与人类驾驶在感知上的不同：驾驶员可以轻松分辨出天气状况，而AEB系统主要采用毫米波雷达、单目/双目摄像头、激光雷达等进行感知，容易受天气条件影响^[21]。因此，将天气类型也作为AEB测试场景的特征要素。
天气和光照对摄像头、传感器等的感知有显著影响。路口类型和信号灯类型对路口的交通状况有显著影响。最终，测试场景的环境特征要素确定为天气类型、光照条件、路口类型、信号灯类型。
此外，还要再加上测试主体要素。考虑到撞人方与被撞方的运动类型和速度是构成运动状态的重要因素，而车型(两轮车、乘用车、商用车)对AEB系统的感知有显著影响，故本文的测试主体要素选择了撞人方的车型、运动类型、碰撞时的速度和被撞方的车型、运动类型、碰撞时的速度。AEB路口测试场景包括以上10个特征要素，如图 1所示。

图 1 AEB路口测试场景特征要素 Fig. 1 Feature elements of AEB intersection test scenarios

图选项

相较于其他场景特征要素的提取方法，本文方法的优势在于：
1) 对事故进行了深度分析，将场景要素与事故严重程度密切联系，充分体现了基于事故数据研究的特色。
2) 场景构建基于事故，分析结果用于预防事故。筛选出对事故后果有显著影响的要素，而舍弃对事故影响较小的要素，使得场景构建更具有针对性和可信度。
3) 考虑了人类与自动驾驶在感知上的差异，将“天气”“车型”作为场景要素。
3 AEB路口测试场景的聚类挖掘 3.1 层次聚类算法 采用层次聚类算法(系统聚类算法)进行AEB路口测试场景的聚类挖掘。聚类分析是一种典型的数据挖掘算法，其基于数学计算，将相似性较强的个体或对象划分为一类，实现从大量数据中提取典型案例。该算法可以避免人为主观意识对分类的影响，且可重复性强。

3.1.1 算法流程 层次聚类算法的过程是：首先，将每个样品独自成一类，构造n个类；然后，计算各个类别两两间的距离，合并距离最近的两类为一个新类，得到n-1类；再从n-1类中，合并距离最近的两类，得到n-2类；以上步骤一直进行下去，直至所有样品全部聚成一类；之后，画出聚类谱系图；最后，确定聚类的个数，并得到聚类结果^[22]。
层次聚类算法的流程如图 2所示。

图 2 层次聚类算法流程 Fig. 2 Hierarchical clustering algorithm flowchart

图选项

3.1.2 样本距离 聚类分析中，常用距离来测度样本之间的相似程度。采用平方欧氏距离计算样本之间的距离，第i个样本和第j个样本之间的平方欧氏距离为

(2)

式中：m为样本含有的变量个数；X_ik为第i个样本中第k个变量的度量值。

3.1.3 类间距离 采用离差平方和法(Ward法)来计算类与类之间的距离。首先，计算每个类的类内样本离差平方和；然后，每次缩小一类，当每缩小一类，离差平方和就要增大，选择使离差平方和增加最小的两个类合并，直到所有样品归为一类为止^[23]。
类内样本的离差平方和为

(3)

式中：n_p为G_p类中含有的样本个数；X_i^(p)为G_p类中的第i个样本；X^(p)为G_p类的重心。
类G_p与类G_q之间的距离为

(4)

式中：S_r为类G_p与类G_q合并后的新类G_r的离差平方和；S_p为类G_p的离差平方和。
3.2 路口机动车碰撞事故聚类分析
3.2.1 聚类参数及其数值表示 选取本文第2节确定的10个AEB路口测试场景特征要素作为聚类分析的参数。在聚类分析中，需要将变量用数值表示，以计算样本距离及类间距离，衡量样本相似性。
针对名义尺度变量，没有数值关系，但存在类别之分。变量取值相同时，距离为0；变量取值不同时，距离为1。本文中涉及2种名义尺度变量：①二值名义尺度变量，如路口类型，计算时，十字路口为0，丁字路口为1；②三值名义尺度变量，如撞人方车型，如果采用1、2、3表示，则“乘用车”与“商用车”的距离为1，但“乘用车”与“两轮车”的距离却为2，无法满足当变量取值不同时，距离为1。因此，需要将1个三值变量转换为3个二值变量来表示，方法如表 5所示。
表 5 三值变量转换为二值变量 Table 5 Conversion of ternary variables to binary variables

变量 车型	转换前		转换后
	三值变量		是否乘用车	是否商用车	是否两轮车
乘用车	1		0	0.5	0.5
商用车	2		0.5	0	0.5
两轮车	3		0.5	0.5	0
注：0—是，0.5—否。

表选项






此外，由于光照条件包含4个值，而“晨昏”仅占7.01%，因此，在分析中对于光照条件进行了简化，将“晨昏”并入“日间”。
针对间隔尺度变量，需要进行标准化处理，以避免突出绝对值大的变量作用而削弱绝对值小的变量作用。本文采用极差标准化，标准化后的第i个样本中第m个变量的值为

(5)

式中：X_im为第i个样本中第m个变量的初始值；n为样本的数量，本文中n=499。
聚类参数及参数特征的初始数值表示、转换/标准化后的数值表示如表 6所示。转换/标准化后的数值将在聚类分析中代表变量的特征。
表 6 聚类参数的特征及数值表示 Table 6 Characteristics and numerical representation of clustering parameters

类型	参数	参数特征	初始数 值表示	转换/标准化 后数值表示
名义	天气类型	晴或多云	1	0, 0.5, 0.5
		阴天	2	0.5, 0, 0.5
		雨天等恶劣天气	3	0.5, 0.5, 0
名义	光照条件	日间	1	0, 0.5, 0.5
		夜晚有路灯照明	2	0.5, 0, 0.5
		夜晚无路灯照明	3	0.5, 0.5, 0
名义	路口类型	十字路口	0	0
		丁字路口	1	1
名义	信号灯类型	直行+转弯信号	1	0, 0.5, 0.5
		仅有直行信号	2	0.5, 0, 0.5
		没有信号灯	3	0.5, 0.5, 0
名义	运动类型 (撞人方/被撞方)	直行	1	0, 0.5, 0.5
		左转	2	0.5, 0, 0.5
		右转	3	0.5, 0.5, 0
名义	车型(撞人方/ 被撞方)	乘用车	1	0, 0.5, 0.5
		商用车	2	0.5, 0, 0.5
		两轮车	3	0.5, 0.5, 0
间隔	碰撞时的 速度(撞人方)	最小值	0	0
		最大值	118	1
间隔	碰撞时的 速度(被撞方)	最小值	0	0
		最大值	127	1

表选项







3.2.2 确定聚类的个数 通过SPSS数据分析软件进行聚类分析，一般通过分析聚合系数-类别数曲线，将曲线肘部位置对应的类别数确定为最合适的聚类个数^[24]。
本文中的聚合系数-类别数曲线如图 3所示。

图 3 聚合系数-类别数曲线 Fig. 3 Aggregation coefficient-category number curve

图选项

通过分析图 3中曲线，肘部位置处(黑点)对应的类别数大约为50类。由于本文涉及的样本量为499例，若采用此方法，无法充分挖掘出最典型的危险场景，这明显是不合理的。因此，需要结合实际问题的需要，确定最合适的聚类个数。
本文基于以下3条原则确定聚类的个数为8类① 聚类结果应有足够的代表性；② 聚类结果可以覆盖各聚类参数的典型特征，并体现出差异性；③ 聚类结果应有实际意义。

3.2.3 聚类结果 8类路口机动车碰撞典型危险场景的概率分布如图 4所示。聚类结果如图 5、图 6、表 7和表 8所示。

图 4 8类典型危险场景概率分布 Fig. 4 Probability distribution of 8 typicaldangerous scenarios

图选项

图 5 测试车的速度箱线图 Fig. 5 Speed boxplot of test vehicle

图选项

图 6 目标车的速度箱线图 Fig. 6 Speed boxplot of target vehicle

图选项

表 7 速度取值分析 Table 7 Speed value analysis

场景类型	第1类	第2类	第3类	第4类	第5类	第6类	第7类	第8类
测试车速度(中位数)/(km·h-1)	44	50	53	56	38	50	50	42
测试车速度/(km·h-1)	45	50	55	55	40	50	50	40
目标车速度(中位数)/(km·h-1)	25	21	30	40	40	23	40	33
目标车速度/(km·h-1)	25	20	30	40	40	25	40	35

表选项






表 8 聚类结果 Table 8 Clustering results

参数	统计量	参数值	第1类	第2类	第3类	第4类	第5类	第6类	第7类	第8类	总计
天气类型	数量	晴或多云	30	77	49	40	55	36	69	0	356
		阴天	14	18	0	0	2	3	12	24	73
		雨天等恶劣天气	18	14	2	2	0	0	5	29	70
光照条件	数量	日间	14	70	49	35	26	39	36	50	319
		夜晚有路灯照明	44	23	0	2	21	0	50	1	141
		夜晚无路灯照明	4	16	2	5	10	0	0	2	39
路口类型	数量	十字路口	62	0	51	42	57	39	86	53	390
		丁字路口	0	109	0	0	0	0	0	0	109
信号灯类型	数量	直行+转弯信号	42	24	15	0	29	0	49	12	171
		仅有直行信号	16	18	14	0	20	23	34	17	142
		没有信号灯	4	67	22	42	8	16	3	24	186
撞人方运动类型	数量	直行	61	88	51	41	22	37	84	47	431
		左转	0	16	0	0	29	2	1	5	53
		右转	1	5	0	1	6	0	1	1	15
撞人方车型	数量	乘用车	56	85	45	42	28	31	83	48	418
		商用车	6	24	6	0	29	8	3	5	81
		两轮车	0	0	0	0	0	0	0	0	0
被撞方运动类型	数量	直行	5	47	47	41	55	1	81	49	326
		左转	56	52	3	0	2	35	4	4	156
		右转	1	10	1	1	0	3	1	0	17
被撞方车型	数量	乘用车	58	56	0	42	35	36	68	34	329
		商用车	4	23	22	0	12	2	14	12	89
		两轮车	0	30	29	0	10	1	4	7	81
每类总计	数量		62	109	51	42	57	39	86	53	499
	占比/%		12.43	21.84	10.22	8.42	11.42	7.82	17.23	10.62	100.00

表选项






分析速度箱线图，测试车和目标车的速度均是一个范围，在实际AEB测试中不便于操作。考虑到构建的AEB路口测试场景需要满足实际测试需要，故而基于以下2点将速度值确定为定值，如表 7所示。
1) 中位数具有较好的代表性，所确定的速度值应接近中位数。
2) 速度值为5或10的倍数更便于开展实车测试。
3.3 AEB路口测试场景 基于8类典型危险场景，以撞人方为测试车，被撞方为目标车构建测试场景。分析表 8，提取各参数中占比最高的值作为该参数的取值。分析图 5、图 6，以表 7确定的速度值代表相应参数取值。最终，构建了8类AEB路口测试场景，如表 9所示。
表 9 AEB路口测试场景 Table 9 Intersection test scenarios for AEB

场景类型	第1类	第2类	第3类	第4类	第5类	第6类	第7类	第8类
天气类型	晴或多云	晴或多云	晴或多云	晴或多云	晴或多云	晴或多云	晴或多云	雨天
光照条件	夜间有路灯照明	日间	日间	日间	日间	日间	夜间有路灯照明	日间
路口类型	十字路口	丁字路口	十字路口	十字路口	十字路口	十字路口	十字路口	十字路口
信号灯类型	直行+转弯 信号	没有信号灯	没有信号灯	没有信号灯	直行+转弯 信号	仅有直行 信号	直行+转弯 信号	没有信号灯
测试车运动类型	直行	直行	直行	直行	左转	直行	直行	直行
测试车速度/ (km·h-1)	45	50	55	55	40	50	50	40
测试车车型	乘用车	乘用车	乘用车	乘用车	商用车	乘用车	乘用车	乘用车
目标车运动类型	左转	左转	直行	直行	直行	左转	直行	直行
目标车速度/ (km·h-1)	25	20	30	40	40	25	40	35
目标车车型	乘用车	乘用车	两轮车	乘用车	乘用车	乘用车	乘用车	乘用车
图示

表选项






第1类场景为在晴朗的夜间，有路灯照明的有直行和转弯信号灯的十字路口，直行乘用车与左转乘用车发生冲突；第2类场景为晴朗的白天，没有信号灯的丁字路口，直行乘用车与左转乘用车发生冲突；第3类场景为晴朗的白天，没有信号灯的十字路口，直行乘用车与直行两轮车发生冲突；第4类场景为晴朗的白天，没有信号灯的十字路口，直行乘用车与直行乘用车发生冲突；第5类场景为晴朗的白天，具有直行和转弯信号灯的十字路口，左转商用车与直行乘用车发生冲突；第6类场景为晴朗的白天，仅有直行信号灯的十字路口，直行乘用车与左转乘用车发生冲突；第7类场景为在晴朗的夜间，有路灯照明的有直行和转弯信号灯的十字路口，直行乘用车与直行乘用车发生冲突；第8类场景为有雨的白天，没有信号灯的十字路口，直行乘用车与直行乘用车发生冲突。
通过聚类分析得到的8类场景，各具代表性和典型性。从路口冲突类型而言，第1类和第6类分别反映了夜间、白天的直行与左转冲突场景，第7类和第4类分别反映了夜间、白天的直行与直行间的冲突场景；从路口类型而言，第2类反映了丁字路口典型场景；从事故主体对象而言，第3类反映了两轮车参与的场景，第5类反映了商用车参与的场景；从天气类型而言，第8类反映了雨天场景。
3.4 研究结果与Euro-NCAP对比 根据Euro-NCAP最新发布的AEB测试规程，即将于2020年引入的交叉路口评价场景为十字路口，左转乘用车(测试车，速度为10, 15, 20km/h)与直行乘用车(目标车，速度为30，45，55km/h)之间的冲突^[25]，如图 7所示。

图 7 Euro-NCAP AEB车与车前方转弯-直行场景的路径 Fig. 7 Euro-NCAP AEB CCFtap scenario

图选项

本文挖掘得到的第1、5、6类场景均反映了十字路口的左转与直行冲突，与Euro-NCAP法规中的标准场景类似，表明本文得到的场景具有合理性。由于中国的交通路况更加复杂，本文得到的场景比Euro-NCAP增加了天气、光照、路口类型、车型因素。本文的8类AEB路口测试场景内容更丰富，充分体现了中国交通的特色，更加适应于中国交通状况。
4 结论 1) 本文采用事故严重程度影响因素分析提取场景特征要素，要素选择科学严谨，构建场景更有针对性、更可靠。在进行AEB路口测试时，需考虑到天气、光照、路口类型、信号灯类型等环境因素的影响。
2) 运用层次聚类的数据挖掘算法，可有效挖掘大数据(交通事故数据)的潜在价值，为包括AEB系统在内的自动驾驶研发测试提供支持。
3) 中国的路口场景与Euro-NCAP法规有一定的相似性，但场景较国外更加复杂。十字路口的左转与直行冲突是需要重点测试的场景。AEB系统的测试需要基于中国特有的道路交通状况。

参考文献

[1]	公安部交通管理局.中华人民共和国道路交通事故统计年报(2017年度)[R].北京: 公安部交通管理局, 2018. Traffic Management Bureau of Ministry of Public Security.Annual report on road traffic accidents of People's Republic of China(2017)[R].Beijing: Traffic Management Bureau of Ministry of Public Security, 2018(in Chinese).
[2]	李霖, 朱西产, 董小飞, 等. 自主紧急制动系统避撞策略的研究[J]. 汽车工程, 2015, 37(2): 168-174. LI L, ZHU X C, DONG X F, et al. A research on the collision avoidance strategy for autonomous emergency braking system[J]. Automotive Engineering, 2015, 37(2): 168-174. (in Chinese)
[3]	Euro-NCAP.AEB test protocol v1.1[EB/OL].[2019-07-09].https://www.euroncap.com/en/for-engineers/protocols/safety-assist/.
[4]	余卓平, 邢星宇, 陈君毅. 自动驾驶汽车测试技术与应用进展[J]. 同济大学学报(自然科学版), 2019, 47(4): 540-547. YU Z P, XING X Y, CHEN J Y. Review on automated vehicle testing technology and its application[J]. Journal of Tongji University(Natural Science), 2019, 47(4): 540-547. (in Chinese)
[5]	ULBRICH S, MENZEL T, RESCHKA A, et al.Defining and substantiating the terms scene, situation, and scenario for automated driving[C]//2015 IEEE 18th International Conference on Intelligent Transportation Systems.Piscataway: IEEE Press, 2015: 982-988.
[6]	朱冰, 张培兴, 赵健, 等. 基于场景的自动驾驶汽车虚拟测试研究进展[J]. 中国公路学报, 2019, 32(6): 1-19. ZHU B, ZHANG P X, ZHAO J, et al. Review of scenario-based virtual validation methods for automated vehicles[J]. China Journal of Highway and Transport, 2019, 32(6): 1-19. (in Chinese)
[7]	孙勇, 郭魁元, 高明秋. 自主紧急制动系统在新车评价规程中的现状与发展[J]. 汽车技术, 2016(2): 1-6. SUN Y, GUO K Y, GAO M Q. Status and development of autonomous emergency braking system for NCAP[J]. Automobile Technology, 2016(2): 1-6. (in Chinese)
[8]	NITSCHE P, THOMAS P, STUETZ R, et al. Pre-crash scenarios at road junctions:A clustering method for car crash data[J]. Accident Analysis & Prevention, 2017, 107: 137-151.
[9]	SANDER U, LUBBE N. The potential of clustering methods to define intersection test scenarios:Assessing real-life performance of AEB[J]. Accident Analysis & Prevention, 2018, 113: 1-11.
[10]	DUAN J L, LI R, HOU L, et al. Driver braking behavior analysis to improve autonomous emergency braking systems in typical Chinese vehicle-bicycle conflicts[J]. Accident Analysis & Prevention, 2017, 108: 74-82.
[11]	HOU L, DUAN J L, WANG W, et al. Drivers' braking behaviors in different motion patterns of vehicle-bicycle conflicts[J]. Journal of Advanced Transportation, 2019, 2019: 1-17.
[12]	SUI B, LUBBE N, B?RGMAN J. A clustering approach to developing car-to-two-wheeler test scenarios for the assessment of automated emergency braking in China using in-depth Chinese crash data[J]. Accident Analysis & Prevention, 2019, 132: 105242.
[13]	CAO Y, XIAO L Y, DONG H L, et al.Typical pre-crash scenarios reconstruction for two-wheelers and passenger vehicles and its application in parameter optimization of AEB system based on NAIS database[C]//Proceedings of the 26th International Technical Conference on the Enhanced Safety of Vehicles(ESV), 2019: 1339-1353.
[14]	胡林, 易平, 黄晶, 等. 基于真实事故案例的自动紧急制动系统两轮车测试场景研究[J]. 汽车工程, 2018, 40(12): 1435-1446. HU L, YI P, HUANG J, et al. A research on test scenes of two-wheeled vehicles for automatic emergency system based on real accident cases[J]. Automotive Engineering, 2018, 40(12): 1435-1446. (in Chinese)
[15]	范天赐, 王宏雁, 杨震, 等. 基于中国两轮车事故的典型场景提取与分析[J]. 交通与运输, 2019, 35(2): 41-45. FAN T C, WANG H Y, YANG Z, et al. Typical two-wheelers accident scenarios extraction and analysis based on Chinese road traffic data[J]. Traffic & Transportation, 2019, 35(2): 41-45. (in Chinese)
[16]	苏江平, 陈君毅, 王宏雁, 等. 基于中国危险工况的行人交通冲突典型场景提取与分析[J]. 交通与运输(学术版), 2017(1): 209-214. SU J P, CHEN J Y, WANG H Y, et al. Establishment and analysis on typical road traffic near-crash scenarios related to pedestrian in China[J]. Traffic & Transportation, 2017(1): 209-214. (in Chinese)
[17]	夏澜, 朱西产, 马志雄.切入型危险工况下自动紧急制动系统的测试场景[C]//第十四届国际汽车交通安全学术会议, 2017: 184-197. XIA L, ZHU X C, MA Z X.AEB test scenarios under cut-in dangerous conditions[C]//Proceedings of the 14th International Forum of Automotive Traffic Safety, 2017: 184-197(in Chinese).
[18]	刘颖, 贺锦鹏, 刘卫国, 等. 自动紧急制动系统行人测试场景的研究[J]. 汽车技术, 2014(3): 35-39. LIU Y, HE J P, LIU W G, et al. Research on test scenarios for AEB pedestrian system[J]. Automobile Technology, 2014(3): 35-39. (in Chinese)
[19]	胡林, 方胜勇, 黄晶, 等. 基于逻辑回归的二轮车-汽车碰撞事故深度分析[J]. 汽车工程, 2016, 38(11): 1288-1293. HU L, FANG S Y, HUANG J, et al. In-depth analysis on cycle-vehicle crash accident based on logistic regression[J]. Automotive Engineering, 2016, 38(11): 1288-1293. (in Chinese)
[20]	刘晨.基于NAIS的交通伤严重程度影响因素研究[D].北京: 清华大学, 2015. LIU C.Study of influencing factors on traffic injury severity based on the NAIS[D].Beijing: Tsinghua University, 2015(in Chinese).
[21]	何仁, 冯海鹏. 自动紧急制动(AEB)技术的研究与进展[J]. 汽车安全与节能学报, 2019, 10(1): 1-15. HE R, FENG H P. Research and development of autonomous emergency brake(AEB) technology[J]. Journal of Automotive Safety and Energy, 2019, 10(1): 1-15. (in Chinese)
[22]	朱建平. 应用多元统计分析[M]. 3版. 北京: 科学出版社, 2016. ZHU J P. Applied multivariate statistical analysis[M]. 3rd ed. Beijing: Science Press, 2016. (in Chinese)
[23]	李卫东. 应用多元统计分析[M]. 2版. 北京: 北京大学出版社, 2015. LI W D. Applied multivariate statistical analysis[M]. 2nd ed. Beijing: Peking University Press, 2015. (in Chinese)
[24]	克劳斯·巴克豪斯, 本德·埃里克森, 伍尔夫·普林克, 等. 多元统计分析方法:用SPSS工具[M]. 上海: 格致出版社, 2009. BACKHAUS K, ERICHSON B, PLINKE W, et al. Multivariate statistical analysis method:Using SPSS tools[M]. Shanghai: Gezhi Press, 2009. (in Chinese)
[25]	Euro-NCAP.AEB car-to-car test protocol v3.0.2[EB/OL].[2019-09-19].https://www.euroncap.com/en/for-engineers/protocols/safety-assist/.