基于駕駛模擬器的跟馳行為譜解析

何青俊 涂輝招 魏海然

(廈門市交通研究中心1) 廈門 361001) (同濟大學道路與交通工程教育部重點實驗室2) 上海 201804)

0 引 言

跟馳行為反映了連續交通流中相鄰兩車之間的相互作用[1].跟馳過程中前后車速度、加速度、車頭時距和車頭間距等是關注較多的跟馳行為變量.不少學者通過建立上述變量間的相關關系來模擬跟馳行為過程，提出了IDM模型、Gipps模型和Helly模型等一系列跟馳模型.這些模型的物理意義明確、參數易于標定，但模型參數難以表征周邊環境對跟馳行為的影響.近年來研究指出，不同駕駛場景下的跟馳行為特征存在顯著差異.Hoogendoorn等[2-3]指出相比于晴天，霧天駕駛場景下的跟馳車速、加/減速度和車距都有明顯減??；時恒等[4]發現跟馳過程中車頭間距的極值和離散性會隨跟馳車速增加而增大，而車頭時距的極值和離散性呈先增加后減小的趨勢.

跟馳行為譜被認為是研究不同駕駛場景下跟馳行為的有效手段.在生物學中，生物學家通過對動物正常行為細致、全面地觀察來研究動物習性，并將記錄行為的數據資料稱為行為譜.類似的，也可通過對不同駕駛場景下行為數據的量化和甄別，建立相應的行為譜來研究駕駛行為.吳超仲[5]提出交通行為譜的概念，認為其應是全面記錄交通參與者行為特性的基礎數據體系.陳鏡任等[6]認為駕駛風格和駕駛技能可以綜合反映某駕駛人的駕駛行為譜特征，并采用兩者所屬類別的不同組合來定義駕駛人行為譜的特征表述.常鑫等[7-8]通過分析城市道路的車輛行為特征和微觀車輛行為對宏觀交通流的影響方式，建立了不同交通流模式下的不良車輛行為圖譜.上述研究對特定駕駛場景下的駕駛行為模式和機理進行了探索，但其駕駛行為類型劃分和譜系定義仍有待進一步梳理和明確.本文聚焦于典型跟馳駕駛場景，通過構建跟馳行為譜來記錄跟馳駕駛行為特征.

跟馳行為譜的構建基礎是大量多駕駛場景下跟馳行為數據.駕駛模擬器具有場景設置靈活、傳感器豐富、數據采集高效等特點，為多駕駛場景下跟馳行為數據采集提供了可能.文中基于高逼真度駕駛模擬器，構建包括4種典型道路設施條件(高速公路、城市主干道、城市次干道、城市支路)、2種氣候環境(晴天、霧天)和3種交通狀況(自由流、擁擠流、阻塞流)在內的15種典型跟馳駕駛場景，構建典型場景下的跟馳行為譜并探討其在交通安全風險管理中的應用.

1 研究方法

1.1 定義及構成要素

跟馳行為譜是記錄駕駛人正常跟馳行為特性的數據體系.這里的正常跟馳行為指的是區別于醉酒、分心、疲勞等不良跟馳狀態，同時排除個體差異、反映該類駕駛人共性的一般性跟馳行為.跟馳行為譜包含如下幾類要素.

1) 道路設施條件 如高速公路、國省干線公路、城市道路等.

2) 氣候環境 如晴天、霧天、雨天等.

3) 交通狀況 如暢通、擁擠、阻塞等.

4) 駕駛人特征.

5) 車輛運動學指標 如速度、加速度、橫向偏移等.

6) 駕駛操縱指標 如油門踏板受力、轉向盤轉角等.

7) 跟馳行為變量 如車頭時距/間距等.部分場景下，車輛運動學指標或駕駛操縱指標也可作為跟馳行為變量.

1.2 跟馳行為變量

跟馳行為變量是跟馳行為譜的關鍵構建要素.本文以車頭時距、車頭間距、相對速度、TTC及其衍生指標為跟馳行為變量，刻畫特定場景下的跟馳駕駛行為特征.

1) 車頭時距 車頭時距排除了速度對前后兩車空間距離的影響，是描述前后兩車時空特性的重要指標.車頭時距是計算通行能力、構建車輛跟馳模型的核心參數，廣泛應用于分析車輛跟馳特性、換道特性和道路運行效率等.

2) 車頭間距 車頭間距描述交通流中相鄰兩車之間的距離，從微觀角度看只與交通流中獨立的一對車有關，但已有研究證明車流密度和速度會影響車頭間距的分布.車頭間距的變化規律是車輛跟馳理論研究的重要內容之一.

3) 相對速度 前后車相對速度描述了交通流中前后相鄰兩車之間的相互作用，是不少傳統跟馳模型的主要考慮參數.

4)TTC及其衍生指標 處于連續跟馳狀態的前后兩車，當后車速度大于前車時，若兩車保持原有的速度差，則有可能發生追尾碰撞.

1.3 跟馳行為譜構建方法

不同道路設施條件、氣候環境和交通狀況下，跟馳行為特征有顯著區別.同時，跟馳行為也存在個體差異.本文將道路設施條件及氣候環境、交通狀況等要素統一考慮在駕駛場景中，從駕駛場景和駕駛人兩個維度出發，分類構建跟馳行為譜.

微觀角度 按道路設施條件、氣候環境和交通狀況等場景屬性對連續跟馳行為數據進行切割.對每一場景，以一定的時間顆粒度對數據作平滑處理，獲取每一時段內各跟馳行為譜要素的取值并組成跟馳行為狀態向量，作為該場景下的跟馳行為譜條.式(1)為跟馳行為譜條的示例.

(1)

式中：αi,j為場景i下、j類駕駛人的跟馳行為譜條；Sce為場景向量；d為駕駛人類型；Veh為車輛運動學指標向量；Ope為駕駛操縱指標向量；Var為跟馳行為變量.

宏觀角度 從駕駛場景和駕駛人層面對跟馳行為數據進行分類處理.從跟馳行為譜條中提取各行為譜要素的特征值，建立反映該場景下、該類駕駛人行為共性的跟馳行為譜.式(2)為跟馳行為譜的示例.

Ethogrami,j=[SceidjVehstaOpestaVarsta]

(2)

式中：Ethogrami,j為場景i下、j類駕駛人的跟馳行為譜；Vehsta、Opesta、Varsta分別為各指標或變量的統計值矩陣，包括各指標或變量的均值、取值范圍和變異性等.

2 駕駛模擬實驗

2.1 駕駛場景

選取部分常見或高危駕駛場景(即典型駕駛場景)下的跟馳行為作為研究對象.典型駕駛場景包括：道路設施條件，以城市道路和高速公路作為典型道路類型，鑒于不同等級城市道路的差異性，考慮城市主干道、城市次干道和城市支路3種道路等級；氣候環境，以晴天(能見度良好，路面狀況良好)為常見駕駛場景，以霧天為高風險駕駛場景；交通狀況，根據三相交通流理論，考慮堵塞流、擁擠流和自由流3種流態.設計高速公路和城市道路兩組駕駛模擬實驗，見表1.

表1 典型場景

2.2 實驗設計

利用同濟大學高逼真駕駛模擬器采集典型場景下的跟馳行為數據.該駕駛模擬器由運動系統、視景系統、聲音系統、數據采集系統、操作及反饋系統、安全控制系統組成，具有高逼真的視覺模擬及力反饋效果.模擬器通過SCANeRTM軟件來控制，提供3D場景設計、仿真實驗、數據導出和分析等功能.利用該軟件設計跟馳場景，見圖1.

圖1 實驗場景

根據文獻[9]可知，我國高等級道路的自由流車速一般高于70 km/h、擁擠流車速在30～60 km/h、阻塞流車速則一般低于20 km/h.本實驗通過控制跟馳車速模擬對應的交通流狀態.在城市支路上，采用暢通/擁擠/阻塞對交通狀況加以區分，對應的前車車速分別設置為30 km/h及以上、20～30 km/h和20 km/h及以下.為敘述方便，統一以自由流/擁擠流/阻塞流來表述交通狀況.

跟馳實驗中，試驗者將駕駛車輛跟隨指定前車駕駛，不能換道.通過設定前車的速度和軌跡模擬車輛在不同交通流狀態下的跟馳行為.為了營造更加真實的駕駛環境，設置前車、后車、旁車和對向行駛車輛.其駕駛軌跡皆通過編程預設，在駕駛過程中由電腦控制.設定數據采集頻率為10 Hz，記錄下前后車的行駛軌跡、速度、加速度等各類指標.

2.3 實驗樣本

通常，駕駛模擬實驗的樣本數為20～40名.綜合考慮時間和經濟成本，本文選定了67名(高速公路27名，城市道路40名)經驗豐富的駕駛人進行實驗.表2為參與實驗駕駛人的基本信息.

表2 駕駛人基本信息

3 跟馳行為譜實證分析

3.1 駕駛人特征分類

采用駕駛風險偏好和駕駛經驗等特征屬性作為分類依據：以駕齡不小于3年且駕駛里程數不小于5 000 km作為熟練駕駛人的判別標準，將駕駛人按駕駛經驗分為熟練駕駛人和非熟練駕駛人.

定義車速偏好、車距偏好和交叉口兩難區等待率等3個駕駛風險偏好指標，作為駕駛人風險偏好分類的依據.其定義如下.

1) 車速偏好 常見路況下的期望車速(標準化后)均值.

2) 車距偏好 常見路況下的期望車距(標準化后)均值.

3) 交叉口兩難區等待率 處于交叉口兩難區時，駕駛人選擇停車等待的概率.

通過問卷調查獲取各駕駛人的風險偏好指標并構造樣本點.以各樣本點間的歐式距離作為距離度量，對樣本點進行k-means聚類，聚類效果見圖2.三組聚類的中心點分別為C1(0.69,0.67,0.67)、C2(0.58,0.23,0.11)、C3(0.40,0.24,0.70)，分別對應中立型、激進型和保守型駕駛人.

圖2 駕駛人風險偏好聚類

結合駕駛風格和駕駛經驗，將駕駛人分為熟練-中立型、熟練-激進型、熟練-保守型、非熟練-中立型、非熟練-激進型、非熟練-保守型六類，各類型占比情況見表3.

表3 駕駛人分類 單位：%

3.2 跟馳行為譜

車輛的速度、加速度、減速度、油門踏板受力和剎車踏板受力等指標以及車頭時距、車頭間距、車速差等跟馳行為變量反映各典型場景下的跟馳行為特性，TTC和TIT反映各典型跟馳場景下的風險情況.利用每一時間段內上述指標或變量的取值構建跟馳行為譜條，并對數據進行平滑處理.根據特定場景、特定駕駛人類型的跟馳行為譜條，記錄各要素的均值、波動范圍和變異性，作為該場景下該類駕駛人的跟馳行為譜.以熟練-中立型駕駛員為例，給出典型場景下熟練-中立型駕駛員的跟馳行為譜，限于篇幅，表略.

4 討 論

4.1 跟馳行為譜的應用

跟馳行為譜可為跟馳場景下的交通安全風險管理決策提供理論支持.為了對跟馳過程中安全風險進行實時評估和預警，可由跟馳行為譜確定駕駛人在特定場景下行為風險的判定標準，實時評估其風險狀況.方法流程如下:

1) 提出定量描述跟馳過程中風險程度的中介指標.

2) 判斷行為主體所屬駕駛人特征類別.

3) 基于實時的道路設施條件、氣候環境和交通狀況等信息，確定所處駕駛場景.

4) 根據對應跟馳行為譜確定風險中介指標的閾值和分級標準.

5) 通過對駕駛過程中風險指標的實時觀測結果評估其風險狀況.

4.2 案例分析

以TTC作為跟馳風險中介指標.重新征召駕駛員進行實驗，并記錄道路設施條件、氣候環境和實時交通狀況等屬性信息.根據對案例駕駛員的駕駛經驗和風險偏好調查，該駕駛員屬于非熟練-保守型駕駛員.

將駕駛行為時間序列數據按2 s的時間顆粒度進行平滑處理，提取平均車頭時距小于8 s的時間段為跟馳行為時間段，共獲取373個評估時間段.標記每一時段所處駕駛場景，根據對應跟馳行為譜確定其跟馳風險等級劃分標準，見表4.

表4 風險等級劃分

對跟馳過程中的實時風險進行評估，并以TTC閾值統一取2.5、5和10 s構成的四級風險評估結果為對照.圖3為不同跟馳階段下的跟馳風險評估結果.由圖3可知:該駕駛人跟馳過程中風險較高的時段多發生在前車狀態突變(由加速突變為勻速或減速行駛)且后車車速遠高于前車車速的情況下.雖然該駕駛人的駕駛風格偏于保守，但在跟馳過程中，其所處的風險狀況始終保持在較高水平.同時，對照方法在跟馳場景下出現了較多誤報的情況，在實際應用中會造成對潛在高危情境的遺漏或預警不及時.這也表明在對駕駛人特征和駕駛場景進行甄別后，評估結果更為精準，且能較好地反映風險狀態的集聚和消散過程.

圖3 風險評估結果

5 結 束 語

文中利用高逼真度駕駛模擬器搭建典型跟馳場景，采集跟馳行為數據并用于跟馳行為譜建模分析，探討了跟馳行為譜在實時跟馳風險評估中的應用.跟馳行為譜記錄了特定場景下、特定駕駛員類型的跟馳行為特征，可反映駕駛人特征、道路設施條件、氣候環境、交通狀況等因素對跟馳行為的影響.對比車輛跟馳過程中速度、車頭時距、TTC等跟馳行為變量與對應駕駛人類型和駕駛場景下的跟馳行為譜，可為典型場景下危險駕駛行為識別和交通安全風險管理決策提供理論支持和保障.后續研究將以實車實驗數據為基礎，對實驗數據和結論進行修正.或利用特定場景下的跟馳行為譜，針對各類跟馳模型的指標修正和風險評估方法的補充完善等展開研究.