综述：行人与车辆潜在碰撞的风险评估方法：综述

《Neurocomputing》：Risk assessment methods for pedestrian-vehicle potential collision: A review

　　曹静伟|郝彦凯|高天林|任秀雷|吕家旺|狄黎明
中国秦皇岛燕山大学车辆与能源学院，066004

**摘要**
智能车辆的驾驶风险已成为自动驾驶系统的核心问题。然而，现有研究主要集中在车辆间碰撞风险上，而对行人-车辆交互的研究仍相对不足。本文系统回顾了100多篇关于行人-车辆碰撞风险评估的文献，重点分析了各种评估方法的优缺点。首先，从主动安全的角度出发，系统回顾了四种方法的基本原理、代表性研究及其优缺点：交通冲突技术、碰撞概率、势场理论和深度学习。此外，本文汇总了常用的数据集，并进行了全面的比较实验，基于统一的评估指标对近期先进方法进行了定量比较和深入讨论。最后，针对行人-车辆碰撞风险评估研究的现状，本文探讨了该领域面临的问题和挑战，提出了可能的解决方案，并对未来研究方向进行了展望。

**引言**
随着智能驾驶技术不断渗透到复杂的城市环境中，行人作为交通生态系统中最不可预测且最脆弱的参与者，其动态风险保护已成为验证自动驾驶系统可靠性的关键标准。行人行为的随机性[1]、行人-车辆交互中的时空博弈[3]以及混合交通流的多维耦合特性[4][5]共同构成了智能驾驶主动安全系统面临的严峻挑战。根据世界卫生组织（WHO）的最新统计，全球每年约有119万人死于道路交通事故，其中超过一半是行人和其他未受保护的道路使用者。更令人担忧的是，涉及自动驾驶系统的交通事故正在稳步增加。2018年至2022年间，美国行人死亡总数持续上升，其中配备高级驾驶辅助系统（ADAS）的车辆造成的死亡比例从2019年的6.8%上升到2022年的19.8%[6]。截至2025年初，美国已报告了45起涉及四级自动驾驶车辆的行人事故。行人交通事故的频繁发生不仅造成了重大的人员伤亡，还带来了沉重的社会和经济负担[7][8]。因此，深入研究行人与车辆之间的冲突并评估行人-车辆碰撞风险具有重要意义。

驾驶风险评估是指车辆根据自身状态和交通环境信息判断潜在碰撞风险的过程[10]。准确的风险评估是确保驾驶安全的前提。现有方法可分为被动和主动两种类型。被动风险评估基于特定区域或点的历史事故数据[11]，使用事故回归模型[12][13]或极值理论[14]等统计方法预测未来事故的概率。然而，这些方法大多依赖于事后统计分析，无法全面捕捉自然驾驶过程中的潜在危险交互及其演变为事故的动态过程。主动风险评估则关注实时的行人-车辆交互，旨在在碰撞发生前识别危险，指导车辆采取避让策略。这一方向因更符合主动安全的需求而成为当前的研究重点[14][15][16]。

然而，大多数现有综述仅关注车辆间冲突，对行人-车辆交互的关注不足。少数涉及行人的综述多为定性分析，缺乏统一的定量框架，缺乏实证验证，也未在相同条件下对不同方法进行过全面比较。因此，关于方法比较的结论可靠性不高。因此，对行人-车辆碰撞风险评估方法进行彻底详细的回顾十分必要。本文系统回顾了主动层面的碰撞风险评估方法。现有研究大多基于车辆和行人的运动学或动力学建模，在某些假设下预测双方的轨迹[17]，据此计算碰撞可能性，为风险评估奠定基础。这些方法分为四类：基于交通冲突技术的风险评估方法[18]、基于碰撞概率的风险评估方法、基于势场理论的风险评估方法以及深度学习方法。这四种方法并非孤立的技术，而是遵循一种连贯的进化逻辑。交通冲突技术基于恒定速度的假设，计算速度快，但忽略了行为不确定性；概率方法引入了随机建模，但只能产生离散的点风险值，缺乏空间方向信息；势场理论将风险转化为连续的空间风险场，解决了空间问题，但依赖于人工设计的函数，限制了其适应性；深度学习方法通过直接从数据中学习风险模式，突破了这一限制。这些方法实现了从确定性建模到概率建模、从基于点的表示到空间表示、从物理驱动到数据驱动推理的飞跃。图1展示了行人-车辆碰撞风险评估方法的分类。

本文旨在从主动角度回顾行人-车辆碰撞风险评估的研究进展，提供主动风险评估的全面系统概述。首先，系统回顾了四种方法的基本原理、代表性研究及其优缺点：交通冲突技术、碰撞概率、势场理论和深度学习。其次，汇总了常用数据集，并进行了全面的比较实验。基于统一的评估指标（ACC、AUC、F1、FPS），对近年来的先进方法进行了定量比较和深入讨论。最后，针对行人-车辆碰撞风险评估的现状，探讨了该领域面临的问题和挑战，提出了可能的解决方案，并展望了未来研究方向。

**本文的主要贡献**
1. 提出了四种方法框架：交通冲突技术、碰撞概率、势场理论和深度学习，并揭示了它们的进化逻辑；
2. 在相同的操作环境下，使用ACC、AUC、F1和FPS作为统一评估指标，对四种行人-车辆碰撞风险评估方法进行了全面比较实验，系统分析了每种方法的准确性和实时性能差异；
3. 指出了当前的关键挑战，并提供了针对性的解决方案。这些努力旨在为自动驾驶的主动安全系统提供理论参考。

**部分内容**
**基于交通冲突技术的行人-车辆碰撞风险评估方法**
基于交通冲突的方法（也称为确定性评估方法）在评估风险时忽略了交通参与者的运动不确定性。它使用简化的物理模型描述交通参与者的运动，并选择特定指标量化风险。当指标值超过某个阈值时，即认为存在风险[19]。常用的简化物理模型是稳态模型，该模型假设车辆的运动参数是恒定的。

**基于碰撞概率的行人-车辆碰撞风险评估方法**
交通冲突技术假设行人速度或加速度是恒定的，从而忽略了行人行为的随机性。这一根本限制促使了概率方法的发展，这些方法不再依赖于单一预测路径，而是通过概率密度、马尔可夫链或蒙特卡洛采样来模拟未来状态的分布。从TTC指标到碰撞概率框架的转变标志着这一技术的发展。

**基于势场理论的行人-车辆碰撞风险评估方法**
概率方法主要计算离散的碰撞概率。在密集交通中，其计算成本较高，且只能提供局部点估计，缺乏连续的空间风险信息和路径规划所需的方向梯度。势场理论将所有道路使用者嵌入到连续的风险图中，该图的空间梯度直接指示了最安全的移动方向。此外，它可以通过多种风险源进行综合分析。

**基于深度学习技术的行人-车辆碰撞风险评估方法**
传统的基于交通冲突技术、碰撞概率和势场理论的方法都存在一定局限性，难以处理复杂的交通场景。由于深度学习方法能够从大量数据中自动学习模式和规则，并处理非线性和复杂数据[92]，因此成为智能车辆行人-车辆碰撞风险评估领域的重要研究方向。

**评估指标**
ISO 26262（道路车辆——功能安全）定义了危险分析和风险评估过程，根据危害严重性、暴露概率和可控性三个因素分配汽车安全完整性等级（ASIL）。对于行人-车辆碰撞场景，ASIL通常为C或D。ISO 21448（预期功能的安全性，SOTIF）关注由功能缺陷而非硬件故障引起的危险。SOTIF明确指出了缺陷。

**挑战与前景**
尽管已有许多关于风险评估方法的研究，但目前的方法仍存在一些问题。以下是当前风险评估方法面临的挑战和解决方案：
(1) 多传感器融合和数据偏差：摄像头容易受到光照条件的影响；雷达信号在雨天或雾天会严重散射[117]；激光雷达价格昂贵且生成的点云稀疏；传感器性能受场景限制[118]。

**结论**
本文系统回顾了行人-车辆碰撞风险评估方法，重点关注交通冲突技术、碰撞概率、势场理论和深度学习。从原理、代表性研究、优缺点和数据集的角度分析了这些方法，并对近期先进方法进行了全面比较实验。结果表明，基于交通冲突的方法具有较高的计算效率和易用性。

**作者贡献声明**
狄黎明：可视化、项目管理、调查、资金获取、数据管理。
吕家旺：验证、软件、资源管理、调查、数据管理。
任秀雷：可视化、验证、监督、调查、形式分析。
高天林：撰写-审稿与编辑、验证、调查、形式分析、数据管理。
郝彦凯：撰写-审稿与编辑、可视化、验证、监督、资源管理。
曹静伟：撰写-初稿、软件、利益冲突声明。

**致谢**
本研究得到了河北省自然科学基金（项目编号E2025203041）、河北省燕赵金平台人才聚集计划骨干人才项目（海外留学归来平台）（项目编号B2025006）以及广西科技大学汽车零部件与车辆技术重点实验室2023年开放项目（项目编号2023GKLACVTKF07）的支持。本文仅代表作者个人观点，不代表任何机构或组织的立场。

**作者简介**
曹静伟2022年在中国长春吉林大学获得车辆工程博士学位。2021年至2022年，他作为中国留学基金会的访问学者在新加坡国立大学进行研究。目前，他是中国秦皇岛燕山大学车辆与能源学院的讲师，同时隶属于燕山大学特种运输设备重点实验室。他的研究兴趣包括自动驾驶。