車聯網環境對城市快速路駕駛安全的影響評價

姚 佼，倪屹聆，戴亞軒

（上海理工大學管理學院，上海 200093）

0 引言

作為城市道路的重要組成部分，快速路擔負著城市內部區域之間的過境交通功能，具有交通流量大、車速快、出入口坡道密集等特點[1]。然而，一旦發生交通事故，則后果嚴重，容易造成人員傷亡、財產損失及大面積交通擁堵[2]。國內外相關研究表明，引發交通事故的各項因素中，因駕駛員操作不當導致的交通事故占比達80%以上[3]。常規環境下，駕駛人的駕駛失誤是造成車輛追尾碰撞發生的主要原因之一[4]。車聯網環境因可使駕駛員實時獲知前車行駛狀態并從交通參與者層面提高交通流穩定性，而有望降低車輛追尾碰撞風險[5]。

國外學者針對車聯網建立了各種模型，如Moon 等[6]提出了基于自適應巡航（Adaptive Cruise Control,ACC）的跟馳模型，并設計數值仿真試驗，應用碰撞時間（Time To Collision,TTC）驗證了所建模型對降低車輛追尾風險的有效性；Li 等[7]研究了協同自適應車輛（Cooperative Adaptive Cruise Control,CACC）對交通安全的影響，然后對智能駕駛員模型進行改進并加以驗證；Rahman等[8]研究了網聯汽車合作駕駛對交通安全的改善程度，其中考慮了網聯車滲透率的影響。

國內學者也展開了相關研究，如李騰龍[9]構建了車聯網環境下的車輛跟馳模型，并進行了穩定性分析和仿真驗證，證明了車聯網環境對交通流具有致穩作用；龔思遠[10]研究了網聯輔助駕駛系統對交通安全的影響，得出了類似的結論；秦嚴嚴等[4]重點研究了混合交通流條件下，智能網聯車對交通安全的改善程度，提出了相應的優化控制方法。

整體來看，以往研究相對微觀，主要以構建駕駛模型為主，均沒有從宏觀交通流角度分析車聯網環境對駕駛安全的改善程度。本文將針對車聯網的特性，改變VISSIM 中車輛駕駛模型參數，使其更加符合車聯網環境下的特性，同時采用控制變量的方法，研究不同交通飽和度下，車聯網對快速路上車輛碰撞風險的改善程度。

1 模型的選取及參數標定

目前全自動駕駛車輛還處于試驗階段，因此本文研究對象為人工駕駛的網聯輔助車（簡稱網聯車）。VISSIM 中使用Wiedemann 駕駛模型，它可以很好地描述人的駕駛行為，改變其關鍵參數可以反映駕駛員在車聯網輔助下的駕駛情況，進而評價車聯網環境對駕駛安全的改善程度。同時，對于常規環境下的駕駛模型參數也需要重新標定，使其更符合快速路上的駕駛情形。

1.1 車聯網環境對駕駛行為的影響分析

實際駕駛過程中，為保持車輛平穩安全地行駛，駕駛員在t時刻感知自車與前車的間距Δxn(t)、速度差Δvn(t)等交通數據后，需要一個反應時間τ來調整，使車輛以理想速度行駛。大量研究表明，τ的大小對交通流穩定性的影響較大：τ越小，駕駛員對交通變化的反應越快，產生碰撞風險的可能性就越小；τ越大，則發生危險碰撞的可能性增大[11]。在傳統駕駛環境下，駕駛員只能接受臨近車的運動信息，然后根據駕駛經驗進行操作，很容易出現判斷失誤或者反應不及時的問題。而在車聯網環境下，駕駛員可以準確獲取前后車的各項交通狀態信息，如實時速度、加減速度、前后車距等。另外，由于不需要估計前車的運行狀態及其可能的變化情況，駕駛員可以將注意力更多地集中到對車輛的操作方面。這種情況下，駕駛行為將會出現兩種變化趨勢：駕駛員反應時間τ縮短；駕駛員會一定程度地提前了解前后方交通流的變化，并隨之調整車速或者換道。

傳統環境下，駕駛員依據車輛間距的變化來控制車速：車間距Δxn(t) 變大時加速，反之減速。而在引入了車聯網后，駕駛員能夠實時、精確地獲取前車的各項運動狀態變化（例如前車開始加速，但速度差Δvn(t)并未發生變化），從而立刻做出加減速操作，即駕駛員可以提前做出正確的操作，以避免交通事故的發生。

1.2 車聯網環境下的模型參數取值

車輛的運動狀態歸根結底是駕駛員對周圍環境的判斷在車輛上的反應。相比于傳統駕駛環境，車聯網可以幫助駕駛員獲取自車周圍更多的交通信息，使其對前方交通狀態進行預判，從而正確做出下一步操作決策[12]。如前方路段出現交通阻塞時，即使自車與引導車間距較大，駕駛員也不會貿然加速，從而有效避免車速震蕩，提高交通安全性。反之，如果前方道路交通狀況良好，即使車輛間距較小，駕駛員也不會有很大的減速行為，而是繼續保持當前狀態或實施換道超車[13]。因此，車聯網環境下，車輛的運行速度會更穩定，駕駛行為也會更加科學合理。可見，借助車聯網技術，駕駛員因預先獲得前方的準確交通信息，提前作出決策，從而使道路交通安全性得以提高。

VISSIM中的駕駛行為參數需要結合實際重新標定。李志偉[14]結合前人研究并考慮我國的交通特征對Wiedemann99 模型（適用于快速路）參數做了新的標定。本文參考其標定結果作為常規駕駛環境下駕駛行為的部分參數值；車聯網環境下，駕駛員的反應時間縮短，車頭時距和車輛行駛速度也更穩定（無分布和震蕩）。在VISSIM中，根據上述假設，修改一些關鍵駕駛行為參數，并將這些行為參數與VISSIM中構建的車輛模型相關聯，即可有效模擬車聯網環境下的駕駛情況。重新校準的兩類駕駛環境模型參數值見表1。

表1 基于Wiedemann99模型的主要參數標定結果

2 城市快速路駕駛行為安全性評價指標

安全的替代參數被廣泛地用作交通風險評價指標，包括平均變化速度Δvˉ、碰撞時間TTC 和后侵入時間（Post Encroachment Time,PET）等[15-16]。本研究考慮三種安全指標來評估交通安全性，并分析不同場景下車聯網技術對快速路駕駛安全的改善程度。

2.1 城市快速路縱向安全評價指標

TTC 是常用的安全評價指標之一，而累計碰撞時間（Time Exposed Time-to-Collision,TET）和積分碰撞時間（Time Integrated Time-to-Collision,TIT）則是以TTC 為基礎的安全評價指標，用來揭示跟馳行為和縱向安全性之間的關系[17]。

TTC 指如果引導車和跟隨車之間一直存在速度差（跟隨車速大于引導車速），將存在車輛追尾的風險。具體而言，TTC 代表兩個連續車輛到達同一斷面所需要的時間，如果車n的速度一直比前車n-1 快，那么兩車就會發生碰撞[18]。TTC的計算公式為：

式（1）中：t為仿真時刻；n為車輛編號；TTCn(t)為第n輛車在t時刻的碰撞時間，僅在后車速度大于前車速度時才有意義，否則為無窮大；xn(t)為t時刻第n輛車的位置；xn-1(t)為t時刻第n-1 輛車的位置；Ln-1為第n-1 輛車的長度；vn(t)為t時刻第n輛車的速度；vn-1(t)為t時刻第n-1輛車的速度。

TET 指前后車處于危險跟隨狀態所花費的總時間，即實際TTC 值小于設定TTC 閾值（記為TTC*）持續的時間，該值側重于描述發生追尾風險的可能性。TIT 表示實際TTC 與設定TTC*之差的累加和，側重于描述發生追尾時的嚴重程度。以上兩個指標值越小，縱向交通安全水平越高[19]。二者的計算公式如下：

式（2）～式（5）中：n為車輛編號；δ為切換變量；Δt為仿真步長，取值為0.1s；TTC*為碰撞時間（TTC）的閾值；TET(t)和TIT(t)分別為t時刻TET 和TIT 對應的值；N為仿真中獲得的車輛總數；M為仿真總時間（不包含預熱時間）；t,TTCn(t)意義同前。

2.2 城市快速路側向安全評價指標

交通事故中不僅存在追尾碰撞沖突，側向碰撞也是快速路上頻繁發生的事故之一，特別是在車輛換道期間。為了達到較好的驗證效果，本文中假設側向碰撞主要發生在車道合并的路段。然而，直接分析側向碰撞是非常困難的，因此采用側向碰撞風險（Sideswipe Crash Risk，SSCR）作為替代評價指標，并用替代安全評估模型（Surrogate Safety Assessment Model，SSAM）分析VISSIM 生成的軌跡文件，進而檢測車道變換產生的側向沖突。

在SSAM 中，主要碰撞類型如圖1 所示。當沖突角度θ在0～30°范圍時，判定為縱向沖突（追尾）；沖突角度θ在30～80°范圍時，視為側向沖突（換道）；當實際碰撞時間小于設定碰撞時間閾值且沖突角度在規定范圍內時，則認為有側向碰撞的風險，統計其出現的次數記為SSCR的值。

圖1 碰撞分類

仿真試驗中VISSIM 生成了幾組軌跡數據文件，其中包含車輛的位置坐標、速度信息和偏轉角度等。利用SSAM 分析這些軌跡文件，以便比較不同情景中追尾和側向的碰撞風險系數。本文選取TET,TIT 和SSCR 作為安全評估指標，以評價車聯網技術對快速路駕駛安全的影響程度。

3 仿真模擬與分析

本文的研究對象是城市快速路，交通參與者以小型汽車為主，因此不考慮車型的影響，在VISSIM 中全部使用小汽車3D 模型進行交通仿真。在正常行駛過程中，車輛之間很少發生追尾事故，除非前車有急減速或后車急加速，因此可以模擬道路前方出現交通事故的情形。另外，快速路上最容易發生事故的地方是合流、分流區，該區域的側向碰撞較多，可利用SSAM 檢測軌跡文件發現沖突，再通過評價指標進行計算。

根據上述分析，本文設計了一條單向三車道快速路，全長約5km，其中在1km 處設有一條單車道入口匝道，3km 處設有一條單車道出口匝道，進口匝道的加速車道長為400m[14,20]，3 900m處設置1 個瓶頸用以模擬城市快速路交通事故，4km 處道路恢復三車道進行仿真試驗。仿真場景如圖2所示。

圖2 仿真模擬場景示意圖

下面分別從網聯車滲透率和交通飽和度這兩個角度，對駕駛行為的安全性進行評價。每種情形分別使用不同的隨機種子數，進行5 次獨立仿真。每次仿真運行持續3 600個模擬秒，將前400個模擬秒作為預熱時間，使車道被車輛完全占用。

3.1 不同滲透率下駕駛行為的安全影響評價

將此場景的上游交通量設為3 600pcu/h，進口匝道車輛輸入為800pcu/h，改變網聯車的比例進行仿真試驗，并用選定的安全評價指標分別進行計算，取其平均值作為相應的結果。計算時，取TTC 的初始閾值為2s，然后改變TTC*（±1s）進行敏感度分析。本文以常規車情況下的TET 和TIT 為基準值，改變交通輸入組成，加入網聯車模型并改變其比例，計算TET 和TIT 相對于基準值的降低比例，最終得到不同網聯車比例（滲透率）下混合車流相對于全常規車交通流的交通安全提升比例。計算結果如表2所示。

表2 不同滲透率下車輛追尾風險仿真結果

通過表2 不難發現，TET 和TIT 的值隨著網聯車比例的增加而逐漸降低。這說明隨著網聯車滲透率的增加，交通安全水平也隨之提高，且TTC*取值的變化對計算結果的變化趨勢基本沒有影響，從而表明網聯車有利于降低縱向駕駛風險（追尾）。

不同滲透率下縱向追尾安全變化趨勢如圖3所示。從中可以發現，網聯車滲透率對快速路縱向駕駛行為的影響呈現出明顯的三階段，即緩慢提升階段（0～50%）、快速提升階段（50%～75%）和顯著提升階段（75%～100%）。各階段滲透率對縱向交通安全的影響為：滲透率每提升1%，TET 分別降低0.29%,0.62%,0.76%，TIT 分別降低0.33%,0.42%,0.70%。只有網聯車滲透率達到較高水平時，才能有效提升快速路的縱向交通安全水平。

圖3 不同滲透率下縱向追尾安全變化趨勢

對于換道產生的側向碰撞風險，車聯網也能發揮比較明顯的積極作用。同樣取3 個不同的TTC 閾值，得到不同滲透率對應的側向碰撞風險數，再計算側向安全提升程度的百分比。變化結果如圖4所示。

圖4 不同滲透率下側向碰撞安全變化趨勢

根據圖4 可知，隨著網聯車滲透率的增加，側向碰撞的風險也隨之降低。當網聯車滲透率在25%左右時，平均安全提升比例約為6.57%；當網聯車滲透率提升至50%時，安全系數提升到16.62%；當網聯車比例達到75%時，安全提升比例為30.04%；當全部替換為網聯車時，安全提升幅度更大，平均碰撞風險降低了47.19%。類似于縱向交通安全，側向碰撞風險的降低呈現出一樣的三階段趨勢，即各階段的滲透率每提高1%，側向交通安全分別提高0.33%,0.54%,0.69%。

3.2 不同交通飽和條件下駕駛行為的安全影響評價

除了網聯車滲透率對交通安全的改善程度有影響外，不同的交通飽和度條件下，網聯車對交通安全的改善程度也不同。由于快速路上每天的交通飽和度變化顯著，因而研究不同飽和度下的交通安全，具有一定的現實意義。本文設定的期望速度約為80km/h，則每條車道的設計通行能力為1 800pcu/h[20]。以實際輸入交通量與設定最大通行能力的比值（），作為快速路的交通飽和度，分別對低飽和（＜0.6）、中飽和（0.6～0.8）、高飽和（0.8～1.0）和過飽和（＞1.0）4個飽和度條件下的交通流進行仿真試驗，并用安全評價指標進行評估。計算網聯車的TET 和TIT，并和相應常規車的指標值進行比較，結果如表3所示，變化趨勢如圖5所示。

表3 不同飽和度下車輛追尾風險仿真結果

由表3 可知，隨著交通飽和度的提升，網聯車對追尾碰撞的風險降低明顯，說明車聯網在道路交通較為擁擠時，能提供更大的幫助。城市快速路在早晚高峰時的交通安全隱患比較多，試驗結果表明，借助車聯網技術可以有效降低碰撞風險，而且在交通較為擁擠的情況下，效果更明顯。

圖5 不同飽和度條件下縱向追尾安全變化趨勢

由圖5 可知，低飽和度時的TET,TIT 平均降低比例分別為25.31%和21.23%；中飽和度時的TET,TIT平均降低比例為33.51%和32.95%；高飽和度時的TET,TIT 平均降低比例為35.05%和37.65%；過飽和度時的TET,TIT 平均降低比例分別為35.12%和39.96%；當道路交通達到飽和后，網聯車對安全的提升比例依然在增加，但是變化幅度逐漸減緩。

同理，以常規車的側向碰撞風險數作為基準值，研究交通飽和度的變化對側向安全的影響程度，結果如圖6所示。

圖6 不同飽和度條件下側向碰撞安全變化趨勢

由圖6 可見，隨著快速路交通飽和度的不斷提升，換道行為變得越來越困難，此時低飽和、中飽和、高飽和、過飽和條件下，對應的SSCR平均降低比例分別為56.83%,38.13%,18.53%和11.90%，由此可見網聯車對側向碰撞的減少比例在逐漸降低，特別是在道路處于過飽和條件下，安全改善程度顯著降低。對于該現象比較合理的解釋為：過飽和條件下，換道行為明顯減少，因此側向安全的改善程度反而會降低。

4 結論

為評價車聯網環境對快速路交通安全的改善程度，本文根據車聯網特性對VISSIM 中的駕駛行為參數進行了重新標定，并從縱向和側向兩個角度選取3 種安全評價指標（TET,TIT 和SSCR）作為追尾風險和換道風險的評判標準，最后按照需求設計了1 條快速路進行仿真，分析了不同情形下車聯網環境對交通安全的影響，得到如下結論。

（1）網聯車比例的增加可降低交通流車輛追尾和側向碰撞的風險，且比例越高，快速路上的交通安全系數提升越明顯。當網聯車占比達到75%以上時，安全提升程度大幅增加。

（2）在交通飽和度不斷增加的過程中，網聯車對交通安全的改善作用發揮得越充分，特別是在自由流轉高峰的過渡期間，改善效果最為顯著。但當道路交通過飽和時，改善效果會減緩。隨著道路車輛越來越多，城市快速路的交通負擔將會進一步增大，駕駛安全問題也會更加嚴峻。因此，應用車聯網技術進行安全輔助駕駛不失為一種有效的措施。

試驗過程中還發現，如果考慮更廣泛的通信距離，交通安全提升效果也會更加明顯。可以預見，隨著網聯車通信技術的不斷發展，未來的交通環境會越來越安全。需要指出的是，本文中的仿真場景較為理想，未考慮其他因素（大型車輛、駕駛員特性、道路線形等）對交通安全產生的影響。另外，在保證安全的條件下，利用車聯網提高快速路通行效率也是一個值得深入研究的方向。