在虛擬環境下分析車群行為安全的方法

紀廷婷，陳少軍，陳雨人

（1.同濟大學交通運輸工程學院，上海 201804;2.同濟大學建筑設計研究院（集團）有限公司，上海 200092）

在虛擬環境下分析車群行為安全的方法

紀廷婷1，陳少軍2，陳雨人1

（1.同濟大學交通運輸工程學院，上海 201804;2.同濟大學建筑設計研究院（集團）有限公司，上海 200092）

利用虛擬化平臺研究車群的運動特征規律。內容包括軟硬件平臺結構，試驗過程，數據采集，分析計算和數據可靠性分析等幾個部分。試驗中由15個駕駛員在同一場景中進行模擬駕駛，同時采集各自車輛的運動參數，包括車輛的行駛軌跡、各種速度加速度、剎車使用情況以及方向盤使用情況等。運用模糊神經網絡及風險概率矩陣分析上述數據，計算出車群發生風險的情況概率，提出了一種研究車群行為安全的方法。

虛擬駕駛;車群風險;模糊神經網絡;風險概率矩陣

車輛是人、車、路系統中很重要的一部分，車輛運動規律對交通事故的發生影響很大，目前對車輛運動規律的研究一直是熱點，圍繞車輛速度、汽車軌跡、車輛動力學仿真的各類研究層出不窮，如文獻［1］，總結了多個運行車速預測模型，并提出了自己的研究方法和模型;文獻［2］討論了汽車軌跡與行車安全的關系，而文獻［3］的作者更是對車輛動力學，包括行駛軌跡、駕駛員視覺特征等多方面對車輛運動規律進行了研究，但是這些研究基本上都是考慮單車運動規律的，事實上隨著車輛數目增加，由于車輛間存在相互影響，交通事故發生的規律和特征大不一樣了，因此車輛相互之間的運動特征對于保障交通安全，減少交通事故都有重要意義。

運動特征的研究除依賴必要的推導計算以外，還需要大量的數據支持。目前對于汽車行駛狀態數據的采集方式主要有現場采集和計算機仿真兩種。現場試驗采集得到的數據準確、真實，具有很高的實用性，但是這種方法成本高、代價大，在某些小數據量的試驗中使用較為普遍，而對于大量數據的采集或者某些危險情況下的數據采集是不適用的。因此大多數學者的目光都投向了模擬仿真。

國外的研究人員較早的開始了模擬系統的研究，20世紀80年代，隨著大型模擬器的建成，就有學者對虛擬駕駛模擬器在科研中的適用性進行了探討［4］。國內雖起步較晚，但仍有很多學者積極討論建立仿真系統的方法，并建立了可供使用的模擬系統［5-6］。

近年，虛擬技術已較為成熟，研究多集中在了模擬器的使用上，對駕駛員的各種駕駛行為進行了模擬以及研究。如文獻［7］，運用模擬平臺討論了疲勞駕駛與方向盤使用情況間的關系;還有文獻通過試驗研究了使用模擬器和在真實情況下駕駛速度的差異［8］在此基礎上，展開了進一步的研究工作。如前文提到的文獻［2］，在仿真平臺上通過研究駕駛軌跡偏離道路中心線的距離，提出了一種評價道路安全的方法。但目前的研究針對車群的較少，大多數都是針對單車展開研究;早期有一些針對車群運動特征的研究，但是由于技術手段有限，與實際情況還是有一些差異［9］;而部分涉及到多車輛系統的，也都是虛擬一輛車模擬駕駛，其他車輛使用的是模型車，并不能表達真實的駕駛情況，如文獻［10］，并不涉及到較為真實的車群的運動特征。文獻［11］是建立了一個能夠提供多車群同時進行模擬駕駛的虛擬平臺，并且在這個基礎上建立了一些車群行為的基本模型。筆者是在此基礎上同樣的試驗平臺上，嘗試對車群的運動特征進行進一步的研究，提出更加具體的試驗方法及數據分析方法。

本文中，車群的定義是指以某一個單車為中心，周圍一定范圍內對其具有一定影響的所有車輛。單車的行駛特征常常用速度、加速度、制動距離、方向盤轉角、航向角等參數來描述［12］，從目前的研究來看，車群范圍的指標定義主要集中在速度、加速度、車距和可能碰撞時間方面。其中后兩個參數是區別于單車行駛特征的重要指標，而第4個因素將被作為車群范圍確定的一個主要指標。

1 試驗平臺及試驗方法

1.1 平臺簡介

試驗所采用的硬件設施包括15臺帶操作系統的計算機及一臺服務器，每臺計算機配備專用方向盤及剎車等裝置。計算機之間有局域網互相連接。

所選用的軟件系統是法國達索公司旗下的Virtools軟件。它能夠對3D模型、2D圖形以及音效等文件進行整合，輕松建立模型。Virtools Sever能夠為使用者提供方便的聯網功能。使用戶僅通過簡單易用的互動行為模組就實現網絡連接。

根據試驗要求，在此平臺上構造了4個主要模塊:道路模塊、交通環境模塊、駕駛員汽車模塊以及車群行為模塊。其中道路模塊是系統的運行基礎;交通環境模塊包括道路設施的管理和可變的環境因素;駕駛員汽車模塊是駕駛員與道路以及其他運輸工具信息交流的主體;車群行為模塊是用來研究車群之間行為、運動特征及判別車輛是否安全的重要模塊，是整個系統的核心，也是本研究重點關注的部分。

1.2 試驗方法

試驗選取了一段立交模型作為研究對象，根據相關研究［13］，將試驗路面的摩擦系數設定為0.9。并且，考慮有關研究得到的關于車輛比例與通行能力的結論［14］，本組試驗中的車群均由小車構成。參與試驗的15名駕駛人員均具有中等駕駛水平，天氣條件為良好，道路設施齊全，路面平整。

事先并不告知駕駛人員試驗的目的，有一定時間讓被測人員熟悉操作系統，在對模擬駕駛器操作較為熟練的情況下，展開試驗。在虛擬駕駛過程中，駕駛人員需控制車輛的行駛速度及方向，要嚴格遵守交通法規。此外，對于駕駛員操縱車輛時的換道、超車等行為并無控制，駕駛員完全憑個人需求與經驗進行駕駛。

此外，還可以改變試驗中的某些條件，針對一些特定的影響因素進行試驗，例如，可根據駕駛員對駕駛的熟練程度，將其分為初等駕駛技術者、中等駕駛技術者以及熟練駕駛技術者。在保持其他方面試驗條件不變的情況下，將設定不同的駕駛人員所占比例，根據所占比例進行模擬駕駛，記錄相關數據，考察人這一因素對車群運動特征的影響。也可分別模擬小型車、中型車、大型車、重型車不同的物理屬性設定。變化每種車在車群中所占比例，進行試驗，考察車輛變化對車群運動特征的影響。還可進行路（環境）對照組試驗，改變道路條件或是自然環境。選擇不同線形組合、不同道路設施，或者不同天氣狀況作為模型，考察各種環境因素對車群運動特征的影響。

2 數據采集

2.1 數據采集方法

使用Virtools的速度采集行為模塊和物理屬性采集行為模塊可以直接在試驗中得到所需數據，所得數據將與車輛ID關聯，直接存放在數據庫表中。

2.2 所得數據情況

獲得數據的情況如表1。

表1 數據類型Tab.1 Data format

表中直接采集到的數據在試驗中能立刻獲得，而間接采集到的數據則需要依靠直接采集到的數據進行一定的計算才能得到，這些數據都將為進一步的分析研究提供支持。計算間接數據的具體情況如下:

1）車輛間距計算。虛擬試驗中得到的大地坐標，可帶入以下公式，以求得連續數據采集時刻中出現的任意兩輛車之間的距離:

式中:d為數據采集時刻兩輛車坐標之間的距離;（xi，yi，zi）為第 i輛車坐標;（xj，yj，zj）為第 j輛車的坐標。

2）瞬時速度值計算。運動目標在相鄰的數據采集時刻移動的距離可通過下面公式計算出來，數據采集間隔為已知，因此可以計算出車輛在這段時間之內的平均速度，由于時間間隔很小，可將該速度作為物體在數據采集時刻的瞬時速度。

式中:vt為采集時刻的運動目標的瞬時運動速度;（xt，yt，zi）為前一數據采集時間時運動目標的坐標;Δt為連續相鄰的數據采集時間間隔。

3）加速度計算。計算出瞬時速度之后，可再進一步計算出加速度，公式如下:

式中:at為駕駛器加速度;vt，vt+1為駕駛器在連續數據采集時刻的瞬時速度;Δt為連續相鄰的數據采集時間間隔。

2.3 可靠性分析

誤差主要來自兩個方面，一方面來自虛擬平臺的系統誤差，另一方面來自計算過程中的計算誤差。系統誤差主要是由于模擬過程中的差異造成的，這方面的問題可通過進一步細化模型來解決。另一方面，在用直接獲得的數據進行推算的時候也存在一定誤差。在計算瞬時速度的時候采用了短時間內的平均速度來作近似。盡管如此，考慮到1/60 s也是一個很小的值，計算結果在工程上可用，所以試驗所得數據仍然具有很高的可靠度。

3 數據分析

3.1 基本理論

單車之間碰撞可用簡單的計算模型計算，已知兩車坐標，速度及前進方向的情況下，可以計算出潛在的交叉位置坐標，再根據交叉位置算出兩車到達交叉位置的時間差，對比駕駛員正常的反應時間，便可得出潛在駕駛風險概率。在整個駕駛過程中，可以隨時計算該概率。而由于車群風險受到單車影響很大，通過檢測單車及車輛之間的相互影響，便可以得出車群風險情況。

3.2 數據分析方法

由于車輛的風險不能即刻用是非邏輯來進行區別，往往可以將風險級別分為好幾種感受程度，所以本文采用模糊邏輯進行分析，在多個輸入指標與不同風險級別之間建立模糊規則，以計算不同級別的風險概率。選取三角函數座位模糊邏輯隸屬函數，在建立隸屬函數時使用了神經網絡，對已有的一些數據進行訓練，以便能夠計算出各種情況下的風險值。

3.2.1 模糊規則的建立

首先根據可能出現的情況將風險分為安全、低風險、中等風險和高風險4個級別，用于描述車輛的安全狀況。采取的輸入指標包括前車速度、后車速度、前車加速度、后車加速度以及兩車間距。

在單輸入單輸出情況下，計算模糊子集隸屬函數的過程如下:

論域 V-l（速度）={0，40，80，120}和 P（風險）={1，2，3，4}，其中 V-l表示前車速度，km/h，1，2，3，4 分別代表了碰撞風險等級。假設在汽車高速行駛情況下模糊子集的隸屬函數，μA（高速）=0/0+0.3/40+0.6/80+1/120，μB（高風險）=0/1+0.2/2+0.6/3+1/4;在此條件下，次高速度時（次高速）=0.1/0+0.5/40+1/80+0.7/120;可以推算出（次高風險）的隸屬函數（次高風險）=0/1+0.2/2+0.6/3+0.6/4。

使用相同方法，引入多個論域，可推導出多輸入單輸出的隸屬函數，建立完整的多個指標輸入的模糊規則。舉例說明如下:

If（V-f is Vf-4）and（V-l is Vl-3）and（A-f is not A-f-1）and（A-l is not A-l-1）and（D-v is D-V-1）then（PROBILITY is HIGH-RISK）

這個規則的解釋是如果后車速度在120 km/h左右，前車速度在80 km/h左右，車輛的加速度在較小值附近（無緊急剎車現象發生數值在1 m/s2），車間距在最小值附近（30 m），那么這兩輛車的碰撞風險處于峰值階段，取值在（3-4）之間。

按照這一規則，可以推出在特定速度、加速度及距離的情況下的風險等級，但要進一步算出車輛風險在各級別的分布概率，還需要作進一步的分析。

3.2.2 推理數據

由于神經網絡具有很強的學習能力，能通過學習規則解決非線性問題，所以將神經網絡結合起來，通過使用前文得到的數據，可以自主生成隸屬函數和規則，進一步對模糊規則和隸屬函數進行修正。

用前文所得到的數據作為基礎數據，加以訓練，就可以運用采集到的數據得到最終的單車風險數據了。

3.2.3 車群風險分析

車群狀態處在不斷的變化之中，但整個變化過程具有一定的連續性，潛在的駕駛風險必定是個累積的過程。風險變化率表征了車輛風險變化的劇烈程度，變化達到峰值，則表明風險情況發生了急劇突變，可能超出駕駛員應對能力，此時，車群可能爆發，變化率矩陣格式如下:

3.3 算例

以3輛車的小車群為例，結合試驗采集到的數據，對車群安全性進行了分析，過程如下:原始數據情況如表2。

表2 原始數據Tab.2 Initial data

經計算成為可供使用的數據如表3。

表3 處理后的數據Tab.3 Treated data

表4 風險數據Tab.4 Risk data

其中的數值表示任意兩輛車之間處于每個風險級別之間的概率。

通過一段時間的數據累積可得出車輛的高風險概率隨時間的變化曲線圖如圖1、圖2。

圖1 客觀風險變化Fig.1 Objective risk change

圖2 駕駛員的感官風險變化Fig.2 Sensory risk change of drivers

用貝葉斯矩陣變化率法，建立分析矩陣，可計算出各時刻的變化率矩陣如下:

3.4 小結

由圖1、圖2可以看出，單車的風險是一個逐漸累積變大的過程，在此過程中，由于駕駛員的感官風險增加，可能會采取措施，導致客觀風險降低，但是若駕駛員感覺不到風險存在，客觀風險就會持續累積，導致風險爆發。

而由矩陣（2）～（4）可以看出，車群風險的爆發點是車群中風險變化率最大的那輛車，如矩陣（3）中的2-2，然后，此風險將傳遞給車輛3，如矩陣（4），導致整個車群安全性降低。

4 結論

目前，道路安全問題已經引起了很多人的關注和思考。研究車群的行為能夠很好的幫助人們更加綜合的認識和判斷交通事故。本文所述的試驗平臺能夠讓15名駕駛員同時獨立的操縱自己的車輛，同時采集多種數據，這是本文最大的創新點。在采集得到數據的基礎上，還進行了相應的數據分析，提出了一種研究車群風險的計算方法。

在今后的進一步研究工作中還將繼續對駕駛平臺的進行細化，讓駕駛人員有更加真實的駕駛感受。包括對車輛性能的更真實的再現、道路各種屬性的模擬，以及交通環境、自然環境的進一步模擬再現。另外一方面，文中給出的分析方法只是簡單的針對了最常見的一些數據，而如文中所述，在某些特殊的試驗條件下，由于駕駛員、環境、車輛的不同所帶來的影響，還可以做更深入地研究。總之，在這樣一個平臺建立的前提下，很多從前限于條件而未能解決的問題有了解決的可能性，這樣的研究嘗試是非常有益處的。

［1］ Gibreel G M，M.Easa S.State of the art of highway geometric design consistency［J］.Journal of Transportation Engineering，1999，125（4）:305-313.

［2］ 丁立，張勇剛，李欣，等.基于虛擬駕駛軌跡的高速公路安全評價［J］.公路，2007，52（10）:157-161.

［3］ 楊軫.行車動力學仿真模型研究［D］.上海:同濟大學，2004.

［4］ Alm H.Driving Simutators as Research Tools-a Validation Study Based on the VTI Driving Simulator［M］.Unpublished，1995.

［5］ 汪璇，陳定方，蔣云.虛擬駕駛系統運行仿真及控制的設計與實現［J］.湖北大學工業學報，2007，22（3）:71-74.

［6］ 陳濤，魏朗.人-車-路虛擬仿真中駕駛數據采集系統開發［J］.計算機應用研究，2007，24（7）:229-231.

［7］ Mortazavi A.Effect of drowsiness on driving performance variables of commercial vehicle drivers［J］.International Journal of Automotive Technology，2009，10（3）:391-404.

［8］ Francesco Bella.Driving simulator for speed research on two-lane rural roads ［J］.Accident Analysis and Prevention，2008，40（3）:1078-1087.

［9］ 黃小原，樊治平，張文江.高速公路車輛群模型與控制［J］.東北工學院學報:自然科學版，1990，11（4）:377-382.

［10］陳濤，魏朗.道路行車安全虛擬評價方法研究［J］.安全與環境學報，2006，6（6）:115-118.

［11］陳少軍，陳雨人，顧丁奕.基于多人駕駛虛擬平臺研究車群行為的基礎模型設計［J］.交通與計算機，2008，26（5）:14-18.

［12］邵毅明，胡燕，徐進，等.道路事故多發路段動力學仿真識別系統［J］.交通運輸工程學報，2008，8（1）:123-126.

［13］謝靜芳，呂得寶，王寶書.高速公路路面摩擦氣象指數預報方法［J］.氣象與環境學報，2006，22（6）:18-21.

［14］李愛增，李文權.路段多車型混合車流通行能力［J］.東南大學學報:自然科學版，2007，37（5）:926-929.

Method to Analyze Behavior Safety of Vehicle Group in Virtual Condition

JI Ting-ting1，CHEN Shao-jun2，CHEN Yu-ren1
（1.School of Traffic ＆ Transportation Engineering，Tongji University，Shanghai 201804，China;
2.Research Institute of Architectural Design（Group）Co.Ltd，Tongji University，Shanghai 200092，China）

The moving characteristics and rule of vehicle group are studied in the virtual condition，which includes the framework of the software and hardware，the experiment process，the data collection，analysis and calculation，as well as the data reliability analysis.In the experimentation，15 drivers simulate driving in one scene，meanwhile，the moving parameters of vehicles are collected respectively，including the running track，all kinds of velocity and acceleration，and the use of brake and steering wheel of the vehicles etc.Fuzzy neural network and risk probability matrix are used to analyze the data mentioned，and the risk probability of the vehicle group is calculated;furthermore，the method to study behavior safety of vehicle group is proposed.

virtual driving;vehicle group risk;fuzzy neural network;risk probability matrix

U491.3

A

1674-0696（2010）01-0125-04

2009-09-17;

2009-10-17

紀廷婷（1984-），女，四川成都人，碩士研究生，主要從事道路安全方面的研究。E-mail:amulet1984@hotmail.com。