穩定跟車狀態駕駛風格識別及遷移特性

彭金栓,趙文超,劉 潞,劉 通,張 磊

(重慶交通大學 交通運輸學院,重慶 400074)

0 引 言

據統計,85%左右的道路交通事故與駕駛人因素有關,且所有的事故形態中,大約有1/4～1/3的道路交通事故和90%的高速公路事故是由于自車追尾前車而引起[1]。追尾碰撞作為最常見的跟車事故類型,已成為道路交通事故重要誘因之一。跟車是一個動態、復雜的過程,直接影響道路通行能力及效率,且與道路交通安全密切相關[2]。相關學者針對跟車過程階段劃分進行了研究。徐進等[3]基于實車試驗對跟車過程中車頭時距和車頭間距進行分析,將車輛的跟車狀態劃分為強跟馳、過渡階段、弱跟馳3種狀態;郭景華等[4]采用相關系數法分析了跟車間距、相對速度等因素,將跟車工況分為3種;H.OZAKI[5]基于實車數據對跟車模型參數進行標定,且將跟車過程劃分成加速、穩定、減速3個階段;袁偉等[6]通過相對速度作為分界點將跟車階段分為加速、穩定和減速3個階段;G.MARSDEN[7]對跟車階段進行劃分,并將相對速度位于±1.5 m/s之間的數據定義為穩定跟車階段。

駕駛風格作為駕駛行為評價研究的重要組成部分,是指駕駛人的駕駛習慣或長期養成的模式較為固定的駕駛方式[8]。駕駛風格一般可分為保守型、一般型和激進型,且激進型駕駛人發生交通事故的概率是一般型駕駛人的4倍以上[9]。因此,亟需針對不同駕駛風格的識別和劃分開展研究。現今關于駕駛風格的研究主要包括問卷調查、駕駛模擬器、實車試驗3種研究方法[10]。駕駛人填寫問卷時,可能會出現高估或低估自身技術水平,難以保證自評結果的可靠性[11]。亦有借助駕駛模擬器開展的相關研究[12],不過存在駕駛體驗真實感與現實不符、仍與駕駛人的實際駕駛操作區別較大等不足。此外,WANG Wenshuo等[13]通過開展實車試驗,對不同風格駕駛人進行識別與劃分。此類研究基于實車試驗數據分析,所得駕駛人分類結果可靠性更高,更能真實反映駕駛人實際駕駛過程中的行為特點與個性化駕駛特征。因此,筆者通過開展實車試驗,并基于實車數據對駕駛風格進行劃分及特性分析。

不少學者進一步針對駕駛風格識別與劃分方法開展研究。Z.CONSTANTINESCU等[14]使用分層聚類及主成分方法對駕駛風格進行分析和劃分;侯海晶等[15]基于K均值及主成分方法對駕駛風格進行聚類分析和類型劃分;郝景賢等[16]采用K均值方法對混動汽車的駕駛風格進行聚類,并采用支持向量機識別劃分結果;劉通等[17]基于實車數據,選取跟車時距和制動時距均值為聚類指標,基于K均值聚類結果的高斯混合模型將駕駛人劃分為3種不同的駕駛風格;吳振昕等[18]基于K均值算法和D-S證據理論方法對所建跟車及換道模型進行聚類和驗證;李立治等[19]使用3種聚類方法劃分實車數據類型,并采用神經網絡識別分類結果,樣本識別率均為100%。

目前關于跟車及駕駛風格方面的研究雖然較多,但鮮有學者將駕駛風格與跟車過程中穩定跟車狀態結合起來開展研究。因此,筆者基于高速工況下的實車試驗數據,重點分析穩定跟車狀態下駕駛人風格劃分識別及特性分析,研究影響駕駛人穩定跟車指標及理解學習不同風格駕駛人的穩定跟車特性,可為高速工況下自動駕駛系統跟車預警及控制策略的設計與制定提供參考。

1 試 驗

1.1 被試駕駛人

試驗共招募20名駕駛人(8名女性駕駛人),駕駛人年齡范圍為20～52歲,駕齡范圍為1～28 a。試驗時,被試駕駛人只需按照自己平時的駕駛習慣自然駕駛即可。

1.2 試驗儀器

采用的VBOX傳感器可通過CAN總線獲得車輛速度、航向角等數據。陀螺儀用于獲取車輛橫向及縱向加速度。毫米波雷達用于探測前后車輛相對速度、距離及角度等。Mobileye車道線識別系統可獲取車輛距離左右車道線邊緣的距離及速度等信息。踏板開度傳感器可獲得車輛加速踏板開度數據。行車記錄儀采集的視頻信息可為駕駛人操作特征參數及車輛運動特征參數等數據篩選提供輔助驗證。

1.3 試驗路段

選取重慶市周邊道路條件良好、交通流量適中、彎道較少且曲率較小的路段作為試驗路線。試驗路線由兩段道路構成:城市內環快速道路和高速公路。其中,城市內環快速道路全長21 km(江南立交-南環互通,雙向四車道),限速70～90 km/h;高速公路G75(巴南-綦江段,雙向四車道)全程37 km,限速100～110 km/h。

1.4 跟車數據篩選

跟車數據篩選基于以下原則[6,17]:選擇連續跟車時長大于10 s的跟車數據;由于筆者旨在分析車輛高速行駛時的穩定跟車狀態,自車行駛速度不小于60 km/h;前后車距離區間為20～150 m。將跟車過程分為加速、穩定及減速3個階段,如圖1。

圖1 跟車過程階段劃分

在加速階段,自車車速不斷增加直至接近或達到駕駛人期望車速,與前車距離不斷縮小,達到駕駛人期望跟車距離。穩定跟車為相對距離接近駕駛人期望間距,相對速度及加速度等均處于較為穩定的階段。跟車距離變小直至低于期望間距,自車會適當制動以保持安全跟車距離,此過程為減速階段。筆者重點研究穩定跟車階段。參考相關定義,選取相對速度為±1.5 m/s的跟車數據為穩定跟車事件[7]。通過篩選,共獲取301段連續穩定跟車數據。

2 穩定跟車特性

跟車間距、跟車時距、碰撞時間(time to collision,TTC)均為常用的跟車行為分析指標。跟車間距過小易引發后車追尾,跟車間距過大則會減小快速路或高速路的容量,降低道路通行能力。跟車時距與跟車間距及自車速度有關,與自車駕駛行為關系密切,可為跟車行為特性研究提供參考。考慮到筆者重點分析穩定工況下的跟車特性,自車與前車相對速度差距較小,TTC值及變化范圍均較大,故不將TTC作為文中跟車行為分析指標。

2.1 跟車間距與跟車時距

圖2、圖3分別為所有穩定跟車樣本跟車間距及跟車時距的分布情況。從圖2、圖3中可看出,二者均基本符合正態分布特性,且分布頻次最高的跟車間距為60～80 m,平均跟車間距為66.3 m;分布頻次最高的跟車時距為2～3 s,平均跟車時距為2.65 s,且跟車時距大于6 s的樣本較少。

圖2 跟車間距分布

圖3 跟車時距分布

2.2 自車速度

自車速度是車輛行駛過程中駕駛人易于感知、可體現駕駛風格的一種指標。謹慎保守的駕駛人往往會以較為穩定或接近自己的期望速度跟隨前車,而冒進的駕駛人則會頻繁變更車道或調整車速至與限速值較為接近的速度。穩定跟車樣本自車速度分布情況如圖4。

圖4 自車速度分布

從圖4可看出,自車速度分布頻次最高的區間為70～100 km/h,平均速度為87.5 km/h。將自車速度按10 km/h的間隔劃分為6個區間,進一步對各縱向指標在不同速度區間下的規律進行分析。

2.3 加速踏板開度與速度

加速踏板開度可直觀反映速度控制情況,分析并統計各速度區間下的加速踏板開度分布(圖5)。由圖5可知,隨著自車速度的增加,加速踏板開度均值亦呈現增加態勢,符合日常駕駛規律。此外,使用單因素方差法對樣本進行顯著性檢驗,結果表明,不同車速區間加速踏板開度具有顯著性差異(P=0<0.05)。表明隨著車速提升,若要繼續保持穩定跟車狀態,須加大加速踏板開度以提高自車速度。

圖5 不同速度區間加速踏板開度分布

2.4 跟車間距與速度

分別對不同速度區間下的跟車間距進行統計(圖6),隨著速度區間的提升,平均跟車間距也呈現增加態勢。其中,70～80 km/h和80～90 km/h兩個速度區間的平均跟車間距較為接近,而90 km/h及以上的速度區間的跟車距離增加較為明顯。原因可能為自車速度相對較低時,駕駛人有足夠信心保持更近的跟車距離,而車速較高時,駕駛人為保證行車安全通常選擇增加跟車間距。此外,根據方差檢驗結果可知,不同速度區間跟車距離亦具有顯著差異(P=0<0.05)。

圖6 不同速度區間跟車間距分布

2.5 跟車時距與速度

同樣地,分析并統計各速度區間下的跟車時距分布(圖7)。由圖7可知,駕駛人跟車時距受速度變化的影響較小,表明高速行駛條件下駕駛人更愿與前車保持比較穩定的相對運動關系。此外,對樣本進行單因素方差檢驗,結果表明,不同速度條件下跟車時距分布無顯著性差異(P=0.095>0.05)。

圖7 不同速度區間跟車時距

3 駕駛風格分類識別

3.1 基于K均值的駕駛風格識別劃分

通過選取合適的駕駛風格表征指標,使用K均值方法完成樣本分類識別。跟車間距和跟車時距均可作為跟車行為分析指標,且加速踏板開度可間接表征穩定跟車過程中的速度及縱向加速度變化情況[20]。因此,筆者采用跟車時距、跟車間距和加速踏板開度作為表征駕駛人穩定跟車時的駕駛風格識別參數。

運用K均值聚類算法對301段穩定跟車事件進行聚類分析,根據已有研究,將20名駕駛人劃分為保守型、一般型和激進型3類[17]。由于跟車間距、跟車時距及加速踏板開度3個指標量綱和單位不同,且跟車間距與其余2個指標數值大小差異較大,會導致其余2個指標在聚類時貢獻度較低。因此,為消除差異性對K均值聚類造成的影響,先對3個指標進行z分數(z-score)標準化,z分數標準化公式如式(1):

(1)

圖8 K均值聚類結果

由圖8可知,類型1屬于激進風格,類型2屬于一般風格,類型3屬于保守風格。在此基礎上,根據每個駕駛人駕駛樣本中不同風格類型出現的頻數及所占比例,按照隸屬度最大原則將20名駕駛人劃分為保守型(駕駛人序號:2、5、9、10、14、17)、一般型(駕駛人序號:1、4、6、12、13、15、16)和激進型(駕駛人序號:3、7、8、11、18、19、20)共3類。

3.2 決策樹聚類結果驗證及不同駕駛人跟車特性

進一步通過CART決策樹對已有風格聚類結果進行可行性分析與驗證,選用與K均值相同的聚類數目及輸入指標進行數據決策與分類,結果如圖9。CART決策樹分類準確率達到99.7%,表明基于K均值的駕駛風格分類識別結果可行。在此基礎上,分別對基于K均值得到的不同風格駕駛人穩定跟車特性及分布規律進行分析。

圖9 CART決策樹分類結果

3.2.1 加速踏板開度與速度

駕駛人通過加速踏板可直接控制和影響車速變化,3種風格駕駛人在穩定跟車過程中的自車速度及加速踏板開度分布情況如圖10、圖11。激進型駕駛人車速及油門踏板開度均值最大,一般型次之,保守型最小。進一步地,通過單因素方差檢驗可知,不同風格駕駛人的自車速度(P=0<0.05)及油門踏板開度(P=0.04<0.05)均存在顯著性差異。

圖10 不同風格駕駛人自車速度分布

圖11 不同風格駕駛人油門踏板開度分布

3.2.2 跟車間距與跟車時距

考慮到試驗數據是在高速行駛條件下且為穩定跟車狀態下的數據,因此,跟車間距和跟車時距普遍較大。不同風格駕駛人跟車間距、跟車時距分布如圖12、圖13。由圖12、圖13可知,保守駕駛人跟車間距均值為97.2 m,一般型次之為76.5 m,激進型為61.1 m;跟車時距均值分別4.4、3.2、2.3 s。由此表明,激進型駕駛人通過更近的跟車間距來滿足自己的心理需求,而保守型則會保持較遠的跟車間距來保證行車安全。分別對其進行單因素方差及K-W檢驗可知,不同風格駕駛人跟車間距(P=0.00<0.05)及跟車時距(P=0.00<0.05)分布呈顯著性差異。由此亦可反映,使用基于K均值算法對不同風格駕駛人的聚類效果良好。

圖12 不同風格駕駛人跟車間距分布

圖13 不同風格駕駛人跟車時距分布

3.3 長時間穩定跟車駕駛風格遷移特性

實際行駛過程中,隨著駕駛時間的持續增加,生理心理因素及周圍環境的變化、駕駛人跟車風格是否會發生漂移是一項值得探析的假設命題。選取不同風格中具有代表性的3位駕駛人,對試驗過程中駕駛人樣本風格水平變化及偏向進行統計。數字1、2、3分別表示激進型、一般型及保守型。對駕駛人所有跟車樣本的駕駛風格屬性采取算術平均處理,基于時間序列將試驗分為1(試驗前半段)、2(試驗中段)和3(試驗后半段)共3個階段,并計算各階段風格水平均值(圖14)。

圖14 長時間穩定跟車駕駛風格水平變化

圖14中,風格水平位于1.0～1.5時風格偏激進,位于1.5～2.0時風格為激進偏一般,位于2.5～3.0時風格趨于保守,位于2.0～2.5時風格為保守偏一般。保守型駕駛人(D9)在試驗初期為保守偏一般,隨后逐漸趨于保守。激進型駕駛人(D19)在試驗初期為激進偏一般,隨后逐漸趨于激進。一般型駕駛人(D6)基本保持一般型駕駛風格,后半段試驗過程中為一般偏保守。同樣地,進一步統計3類駕駛人在3個試驗階段的駕駛風格算術平均數,如圖15。可見,隨駕駛時間序列推進,保守型駕駛人趨于保守;激進型駕駛人趨于激進;一般型駕駛人在整個試驗過程中的表現相對較為穩定,在一般型風格附近波動,且隨試驗推進,呈現逐漸趨于保守的變化趨勢。筆者對穩定跟車過程中的駕駛風格水平變化按時間序列劃分為3個階段進一步細化評估,針對不同數量規模及道路環境條件下采集的實車試驗數據,亦可不局限于使用3個試驗階段的粗略分類。此外,長時間穩定跟車狀態下的駕駛風格變化指數可為自動駕駛車輛實時動態識別周圍駕駛人駕駛風格及駕駛意圖預測等決策依據提供參考。

圖15 駕駛人不同階段駕駛風格水平變化

4 結 語

分析了穩定跟車狀態下跟車時距、跟車間距和自車速度分布特性,以及不同速度區間下跟車時距、跟車間距和加速踏板開度的變化規律,發現隨自車速度的提高,跟車間距與加速踏板開度均呈現增大的趨勢,且在不同速度區間下均具有顯著性差異。不同速度區間下的跟車時距均值則穩定分布于2.57～2.72 s,且無顯著性差異。

將跟車間距、跟車時距和加速踏板開度作為聚類分析指標,基于K均值算法,計算不同風格類型頻數及比例,將駕駛人劃分為激進、一般及保守3種類型。使用CART決策樹算法驗證聚類結果,總體識別率為99.7%。

分析了不同風格駕駛人的油門踏板開度、跟車距離與時距分布規律。發現不同風格駕駛人在穩定跟車過程中跟車間距、跟車時距、自車速度、加速踏板開度共4項駕駛指標的分布均存在顯著差異。通過分析穩定跟車階段駕駛風格的遷移特性,發現隨時間推移,激進型駕駛人趨于激進,保守型駕駛人更加保守,一般型駕駛人風格變化相對較為穩定。

文中研究方法和分析結果對穩定跟車狀態下的駕駛風格識別與遷移特性分析具有一定的理論意義,可為自動駕駛汽車對周圍駕駛員駕駛風格識別和車輛行駛軌跡預測提供理論依據。不過由于所選試驗路段路況相對較好,無法體現不同行車場景下的穩定跟車特性,且被試駕駛人數量相對較少,有待進一步招募更多駕駛人進行模型驗證。