顯隱性危險源場景下駕駛員避險能力評價研究

仲璜，王鵬，李曉虎，林淼，朱彤

(1.長安大學 運輸工程學院,陜西 西安 710064；2. 中國汽車技術研究中心有限公司,天津 300300)

駕駛行為是與駕駛員相關的各種處理操作的總稱，包括了駕駛員的感知、判斷、決策，以及對車輛的控制[1].有研究表明，在所有由人的因素導致的交通事故中，駕駛人行為失誤引發的交通事故占到了87.5%[2].駕駛員駕駛動態感知能力、駕駛應急反應能力等能夠決定駕駛員避險能力[3]. Ventsislavova等人認為區分危險事件和非危險事件的能力是危險感知的一個重要方面[4].Bellet認為駕駛員避險能力的差異取決于駕駛員個體的風險檢測能力、對險情的關鍵評估、避險措施方面的差異[5].朱洪淵利用靜態圖片形式進行場景實驗，發現不同經驗的駕駛員在危險感知的數量、層次上存在差異[6].楚彭子從反應時間、無效識別次數等方面分析駕駛員危險感知和眼動行為差異[7].Horswill提出可通過危險感知訓練來提高危險感知能力[8].Thomas等人提出兩次未通過危險感知測試的人更有可能發生交通事故[9].孫龍則對不同危險類型下駕駛員的經驗優勢在危險知覺不同成分上的表現進行了區分[10].

目前研究的場景大多脫離真實的事故場景，且對危險感知的研究多針對單一類型的危險目標，有關場景中危險源的顯隱性對駕駛員避險能力的影響研究相對較少.本文將危險感知分為顯性和隱性危險感知，借鑒CIDAS數據庫中的真實事故案例，仿真構建出危險源顯隱性不同的測試場景，并招募31名駕駛員進行駕駛模擬實驗.之后利用PCA法對采集到的進入場景時車速、制動后車速、車輛平均減速度、車輛最大減速度、歸一化制動反應時間、平均方向盤旋轉度和最大方向盤旋轉度駕駛參數數據進行降維，并用Ward法系統聚類對降維后得到的主成分因子進行聚類分析，實現對不同危險測試場景下駕駛員避險行為的特征提取和避險能力的評價建議.

1 實驗過程

1.1 實驗對象

本實驗共招募被試者31名，均取得C1及以上駕駛證.被試者年齡為23～27歲，均身體健康，精神狀態良好.

1.2 危險測試場景搭建

本實驗借鑒CIDAS數據庫中四種類型不同的真實事故場景來構建危險測試場景，CIDAS全稱是中國交通事故深入研究(China In Depth Accident Study)，項目致力于通過對中國道路交通事故的深入調查、分析和研究以建立詳細的交通事故數據采集流程[11].

實驗使用Prescan8.6.0來搭建測試環境，測試場景都搭建在雙向6車道，單一車道寬度為3.75 m的城市道路上，被試車輛一直由西向東直線行駛，沿途觸發四個危險測試場景.按照危險源的類型不同可將場景分為顯性危險源場景和隱性危險源場景，區別在于駕駛員是否可以通過觀察或借助儀表檢測來發現危險車輛，測試場景布置方案具體如下：

場景A(汽車-兩輪車隱性危險源測試場景)：被試車輛在中間車道自西向東行駛，此時一輛貨車停在右前方的非機動車道上，一兩輪車以16 km/h的速度從貨車前頭開動并向北橫穿馬路.

場景B(汽車-兩輪車顯性危險源測試場景)：被試車輛在中間車道自西向東行駛，一兩輪車以16 km/h的速度經前方人行橫道由北向南穿行馬路.

場景C(汽車-汽車隱性危險源測試場景)：綠燈情況下，被試車輛在中間車道自西向東行駛通行十字路口，另一汽車以48 km/h的速度由南向北行駛欲闖紅燈通行十字路口，其在進入十字路口前動向被原地停車等待的左轉車流遮擋.

場景D(汽車-汽車顯性危險源測試場景)：被試車輛在中間車道自西向東行駛，停在右前方車站前的另一汽車突然啟動并勻加速至20 km/h的速度匯入中間車道.

1.3 實驗流程

實驗前先告知被測試者此次實驗的目的以及操作上的注意事項，隨后駕駛員可以在相似場景中駕駛以提前熟悉測試時的駕駛環境.實驗過程中，通過將場景實時動畫以駕駛員視角輸出來獲得實時駕駛視景，再和駕駛模擬器在環以模擬危險駕駛環境.轉向、制動和油門信號都被實時輸入進Simulink中以控制駕駛車輛.同時，各駕駛參數數據被輸出到Matlab的工作區中.

1.4 數據采集

數據采集頻率設定為20 Hz.本次實驗采集的駕駛參數和所有駕駛員完成實驗后輸出的各項數據范圍如表1所示.

表1 駕駛參數數據和最小TTC值范圍

關于方向盤旋轉度，左轉為正數，右轉為負數；關于歸一化制動反應時間，由于無法準確地獲知駕駛員首次關注到危險的時間，故本研究只利用場景開始時間和駕駛員做出反應的時間之間的差值來體現駕駛員制動反應快慢差異.考慮到每個被試在各測試場景中的實驗時長不等，將此差值進行歸一化處理.

T=(ts-tm)/tn

(1)

式中：T為歸一化制動反應時間；ts為制動開始時間；tm為場景開始時間；tn為場景持續時間.

本文采用TTC指標，即兩個車輛以現在的速度和相同的路徑繼續行駛到達碰撞所用時間來對駕駛員的避險能力進行評價.最小TTC值為0時，意味著兩車間發生碰撞；最小TTC值越大，則兩車間產生碰撞的風險越小.

2 基于PCA的駕駛參數數據降維處理

本文采用IBM SPSS Statistics 22.0軟件對四種危險測試場景下的駕駛參數數據分別進行主成分分析.首先需要對其分別進行KMO和Bartlett球體檢驗，經檢驗得：KMO檢驗系數均大于0.7，說明采用PCA方法分析效果較好；Bartlett檢驗P值均小于0.05，表示分析數據具有結構效度.

隨后，取主成分分析后特征值大于1，且能使累計貢獻率大于85%的項數為各場景駕駛參數數據降維后的主成分因子.各場景的駕駛參數數據經主成分分析方法處理后，都能被降維成3個主成分因子PC1、PC2、PC3，它們的貢獻率疊加后都能夠達到85%.各測試場景數據降維后所得的主成分因子PC1、PC2、PC3的貢獻率如表2所示.

表2 主成分因子累計貢獻率 %

3 聚類分析

系統聚類是開始時把每個樣品作為一類，然后把相隔距離最小的樣品首先聚為小類，再將已聚合的小類按類間距離再合并，不斷繼續下去，最后把一切子類都聚合到一個大類.結合降維后得到的主成分因子，本文采用離差平方和法(Ward法)分別對各危險測試場景下降維所得的主成分因子PC1、PC2、PC3進行聚類.Ward法系統聚類思路是首先將n個樣本各看成一類，此時的離差平方和W=0，隨后每次都把其中的某兩個合并成一類.此方法把某兩個樣本合并后增加的離差平方和作為類間距離：

(2)

類間距離在10～15之間取值時各場景系統聚類的效果都較好， 各測試場景的 駕 駛 樣本此時都可聚為4類.以各測試場景的主成分因子PC1、PC2、PC3為X，Y，Z坐標軸分別繪制3D散點圖1～圖4.圖上圓點旁的數字標簽為系統聚類后所代表的類別數.

圖1 場景A聚類散點圖

圖2 場景B聚類散點圖

圖3 場景C聚類散點圖

圖4 場景D聚類散點圖

場景A：該場景下31個駕駛員樣本中最小TTC大于1 s的樣本都屬于第一類.故第一類可以表征駕駛避險能力比較優秀的駕駛群體，這主要得益于第一類駕駛員進入場景時車速最低且避險反應速度最快，歸一化反應時間最小，制動力度最大.其余三類駕駛員群體大部分都發生了碰撞事故，比較后發現第二類的平均制動后車速比第三類低，也就是說第二類群體產生碰撞事故時的自車車速較低，事故傷害的程度大概率較低，故第二類樣本的避險能力要優于第三類.第四類避險能力最差，且僅有一個樣本，這是因為該駕駛員遇險時沒能及時采取任何避險措施.

場景B：該場景下避險能力最優秀的駕駛群體集中在第一類，第一類的最大特點是進入場景時的車速低以及歸一化反應時間較小，因此絕大部分第一類樣本的最小TTC值都大于3 s，其群體的避險行為具有提前性、預見性；第二類和第三類駕駛群體避險能力也比較良好，最小TTC值都落在[2.3 s，3 s]區間內.第三類的歸一化反應時間同樣較小，其平均值約等于第一類；第二類的歸一化反應時間則相對一般，但是進入場景時的車速最低.經比較，第二類駕駛群體避險能力略優于第三類，這兩類駕駛群體避險措施也能做到及時到位；第四類的避險能力最差，其最小TTC值普遍偏低，并且進入場景時車速，制動后車速，歸一化制動反應時間均遠大于其他三類，綜上第四類的避險能力最差，雖未發生車輛碰撞，但是其避險行為呈現滯后性.該場景下，第一類、第二類、第三類的避險能力均優于第四類；第一類、第二類、第三類的區別更多體現在避險行為的風格與習慣差異上.

場景C：該場景下僅有13個駕駛員未發生車輛碰撞，其中12個樣本都屬于第一類.這取決于第一類的歸一化反應時間最小，進入場景時車速較低并且制動力度最大，所以第一類駕駛群體的避險能力要顯著強于其他三類.第二類駕駛群體進入場景時車速較高，且避險反應速度一般，故大多發生了車輛碰撞.相較于第二類群體，第三類，第四類群體不僅產生了車輛碰撞，并且在碰撞前都沒能及時采取避險措施，因為第三類進入場景時的車速低于第四類，故第三類群體的避險能力要略優于第四類.

場景D：該場景中沒有車輛碰撞的情況發生.根據最小TTC值來看，第一類與第二類的最小TTC值均大于1 s.第一類駕駛群體遇險時的平均減速力度比第二類大約2 m/s2，而歸一化制動反應時間則與第二類相近，可知第一類駕駛群體在避險時制動力度最大，避險行為最迅猛；第二類駕駛群體避險反應同樣迅速，不同于第一類的是，第二類駕駛群體的制動力度頗為柔和，但同樣也能夠順利避險，故第一類，第二類避險能力都為優秀；第三類的歸一化制動反應時間最長；第四類的制動力度最小，歸一化制動反應時間較長，這就導致第三類、第四類的最小TTC值幾乎都在1 s內，險些造成碰撞，所以第三類的避險能力較差，第四類避險能力則為最差.

4 避險行為特征提取和表現評價

匯總以上四個危險測試場景下各聚類類別的駕駛群體避險行為特征如表3所示.由表3可知，避險能力優秀的駕駛員具有進入場景時車速低，歸一化反應時間短以及制動力度大的避險行為總體特征.相反，避險能力較差的駕駛群體的避險行為特征主要體現在進入場景時車速較高，避險反應較慢以及制動力度不夠大甚至有少數駕駛員沒能及時做出轉向、制動等避險措施.

表3 不同聚類類別的駕駛群體避險行為特征

圖5為各駕駛員各場景聚類類別與其避險能力評價圖，圖上每一豎排即為對應編號駕駛員在場景A、B、C、D下的避險表現情況.數字代表聚類類別，顏色代表對避險行為的評價.矩形白色指其所在類別最小TTC平均值大于1 s，避險行為良好，無須改正；黑色則指所在類別最小TTC平均值小于1 s，避險能力較差，避險行為需要改進訓練.

圖5 個體駕駛員避險行為聚類類別與避險行為表現評價

由圖可知，符合隱性危險源場景A、C避險行為都表現良好的駕駛員有9人，而符合顯性危險源場景B、D避險行為都表現良好的駕駛員有19人.隱性危險源測試場景A、C下避險行為為良好的駕駛員數量要遠小于顯性危險源測試場景B、D下的，說明危險源為隱性時避險難度要遠大于為顯性時難度.并且在隱性危險源測試場景A、C下避險表現良好的駕駛員群體往往在顯性危險源測試場景B、D下表現也同樣優異，反之則不成立.隱性危險源測試場景下表現優異的駕駛群體特征體現在歸一化反應時間普遍小，制動力度普遍大并且在進入危險場景時車速平穩.隱性危險源場景下的避險表現更能檢驗出駕駛員避險能力的優秀與否.

此實驗中，編號為1、3、7、17、23、26、29、30的駕駛員在四個危險測試場景下的避險表現都很優秀，而編號為2、4、8、9、13、19、20、31的駕駛員則表現較差.各駕駛員可根據表3其在各場景下聚類類別所代表的避險行為特征進行針對訓練與調整，比如編號19的駕駛員四個場景避險表現都不盡如人意，其避險反應、制動力度、駕駛習慣上都需要改進調整；編號11的駕駛員在場景C表現較差，屬于第二類駕駛員，可知其進入路口時車速較高從而導致避險反應慢，需教導其進入危險場景時控制車速，平穩駕駛.

5 結論

(1)顯性危險源測試場景下駕駛群體的總體避險情況優于隱性危險源測試場景下的避險情況.危險源的顯隱性會極大地影響駕駛員的避險行為表現；

(2)在隱性危險源測試場景下避險表現良好的駕駛群體往往在顯性危險源測試場景下表現也同樣優異，隱性危險源測試場景更能檢驗駕駛員避險能力的優秀與否；

(3)避險能力優秀的駕駛員具有進入場景時車速低，歸一化反應時間短以及制動力度大的避險行為特征.與之相反，避險能力較差的駕駛員避險行為特征體現在進入場景時車速高，避險反應慢以及制動力度不夠大上.通過避險行為特征，可對駕駛員的避險行為進行具體評價，并給出指導意見和進行針對訓練，以達到提升避險能力的目的.