考慮駕駛人特性的無信號交叉口網聯車輛碰撞預警策略

主題詞：無信號交叉口 網聯車輛 碰撞預警 駕駛人特性非合作博弈中圖分類號：U471.15 文獻標志碼：A DOI： 10.19620/j.cnki.1000-3703.20240752

A Collision Warning Strategy for Connected Vehicles at Unsignalized IntersectionsConsideringDriverCharacteristics

WangRunmin12，FengHao2，FanHaijin2，HeJiajun2 （1.Collaborative InnovationCenterforWestern Traffc Safetyand IntellgentControlbyProvinceand Ministry，Chang'an University，Xi'an 71O064; 2.SchoolofInformation Engineering，Chang'anUniversity，Xi'an 710064）

【Abstract】Addressing the limitations of current intersection collsion warning systems，including non-line-of-sight isuesandlimitedconsiderationof drivers’characteristics，thispaperproposesacooperativecolisionwarning strategy for connectedvehiclesatintersections，incorporatingrivertraits.irstlyrivinghaviorsatinersetionsaeategordito straightandturning，andaturning speed modeltailoredtodrivercharacteristics is builtusingthe InDdataset.Secondly， vehicleturingtrajectorypredictionisenhancedwithaconstantyawratemodelandExtendedKalmanFilter，whilecolision risksaredynamicallassessedusingadual-circlevehiclegeometrymodelbasedonTimeExposedtoRisk.Thirdly，atwo-level warningstrategygroundedinnon-cooperativegametheoryisdevised，consideringdriverheterogeneityanddynamic interactions inunsignalizedconflicts.Finaly，thestrategyisvalidatedthroughsimulationsandreal-vehicletests.Results indicate the strategy successfully detected all colisions with a 100% warning rate，reduced collisions by up to 100% among diverse drivers，and decreased accidents by 95.06% and kinetic energy by 52.71% even with aggressive drivers.

Keywords：Unsignalized intersections，Connected vehicles，Collision warning，Drivers' characteristics，Non-cooperativegame

【引用格式】王潤民，馮皓，凡海金，等.考慮駕駛人特性的無信號交叉口網聯車輛碰撞預警策略[J].汽車技術，2025（7）：1-12. WANGRM，FENGH，FANHJ，etal.AColisionWarningStrategyforConnecedVehiclesatUnsignaliedIntersections ConsideringDriverCharacteristics[J].Automobile Technology，2O25（7）：1-12.

1前言

交叉口是交通網絡的關鍵節點，其中，因缺乏時空隔離管控，無信號交叉口成為交通事故的高發區域。即使在有信號交叉口，信號燈失效或駕駛人分心等情況易使駕駛人面臨無信號交叉口的通行場景。隨著車聯網（VehicletoEverything，V2X）技術的發展，協作式交叉口碰撞預警（Collaborative Intersection Collision Warning，CICW）通過網聯車輛間的實時信息交互，預測風險并實現協同避碰[，有效減少了交通事故。因此，提升駕駛人的碰撞風險感知能力和應對能力，對提升無信號交叉□的交通安全具有重要意義。

目前，無信號交叉口的網聯車輛碰撞預警系統的研究集中于車車碰撞風險檢測和碰撞預警策略的制定。碰撞風險檢測是預測車輛行為與潛在碰撞的關鍵，Yi等2提出一種改進的動態時空注意力網絡模型預測車輛軌跡，研究主要考慮了車輛的直線運動，卻忽略了其轉彎行為，從而限制了模型在復雜交通場景中的預測準確性。Li等通過加入車輛轉向速度，對車輛偏航率和側向加速度的預測結果進行修正，但未考慮駕駛人真實駕駛行為的轉彎車輛速度特性，無法準確反映車輛在交叉口的行為。Qu等利用碰撞時間（Time ToCollision，TTC）將車輛建模為矩形，雖然增強了檢測的精確度，但計算復雜度較高。

現有的碰撞預警策略基于實時風險，僅向固定主車發出警告，忽略了交通系統的整體動態，從而影響通行效率。因此，在設計預警機制時，應考慮駕駛人在交叉口的駕駛傾向，選擇合適的預警車輛，有效消除事故風險。王江鋒等借助隱馬爾可夫模型，將駕駛傾向作為特征因子融入安全距離模型，盡管能夠較好地表征駕駛人在交叉口處的行為，但未顧及駕駛人異質性特征，影響了預警的適用性和可靠性。

本文針對基于車車通信的無信控交叉口網聯車輛，在碰撞風險檢測方面，使用InD（Infrastructure-basedDetection）數據集構建考慮駕駛人駕駛特性的車輛轉彎速度模型；結合恒偏航變化率模型和擴展卡爾曼濾波]（ExtendedKalmanFilter，EKF），優化車輛轉彎軌跡預測的性能；采用雙圓車輛模型，以風險暴露時間為基礎，實現動態碰撞風險檢測，平衡檢測精度與計算復雜度。在碰撞預警方面，考慮駕駛人的異質性及其沖突環境下的動態交互行為，并設計基于非合作博弈的兩級預警策略。同時，通過仿真平臺和封閉測試場地驗證本文方案的有效性。

2沖突車輛動態碰撞風險檢測

2.1典型無信號交叉口場景

本文構建的無信號交叉口應用場景如圖1所示，交叉口為雙向兩車道十字路口，各人口存在直行、左轉和右轉3種行駛方式。所有車輛為人工駕駛，且均安裝V2X通信設備和可實現碰撞預警的人機交互設備，在駕駛過程中，可實現車輛狀態信息的實時交互、碰撞風險檢測與預警。假設車輛在V2X通信范圍內，僅有一輛車與之存在潛在沖突，主要關注兩車間碰撞風險的動態變化，并分析其碰撞可能性。

2.2車輛運動學模型構建

2.2.1 直行場景

在直行場景中，可將車輛視為基于運動學模型的剛體，根據實時獲取的運動狀態變量建立勻加速（ConstantAcceleration，CA）模型，從而實現目標車輛直行軌跡預測。由車輛狀態參數構成車輛狀態空間方程為：

X_s=[p_xp_yv_xv_yv_ya_xa_y]^T

式中： p_x?p_y 分別為車輛在 x，y 軸方向的坐標， v_x，v_y 分別為車輛在 x，y 軸方向的速度， a_x 和 a_y 分別為車輛在 x，y 軸方向的加速度。

通過車輛狀態空間方程構建直行車輛運動學模型：

a_xΔta_yΔt00]

式中： Δt 為 （k-1） 與 k 時刻的時間間隔。

2.2.2 轉彎場景

車輛轉彎時，速度的非線性變化和偏航角的變化導致CA模型無法準確描述車輛在交叉口的轉彎駕駛狀態，所以本文對駕駛速度特性以及車輛偏航角變化規律建模，該場景下車輛的狀態空間方程為：

式中： θ 為車輛偏航角， ω 為車輛偏航變化率。

根據車輛狀態空間方程構建轉彎車輛運動學模型：

為了更好地描述人工駕駛車輛通過交叉口的運動特性，對InD數據集中無信號交叉口環境車輛行駛軌跡數據進行統計分析，得到交叉口轉彎車輛速度曲線如圖2所示。

根據交叉口內車輛的運動特性，本文選用自由流車輛速度模型建模（見圖3）。該模型考慮了速度剖面的幾何形狀，由交叉口駛入速度模型 v_in（t） 和駛出速度模型 v_out（t） 構成：

v_in（t）=c_1，int³+c_2，int²+c_3，int+c_4，in

v_out（t）=c_1，outt³+c_2，outt²+c_3，outt+c_4，out

式中： c_3，in?c_4，in 分別為駛入和駛出模型當前時刻車輛的速度， 分別為駛入和駛出模型當前時刻車輛的加速度， c_1，in?c_2，in?c_1，out 和 c_2，out 分別為駛入和駛出模型的未知參數。

由圖3可知，模型的分界由到達最低車速 v_min 的時刻 t_min 確定，根據文獻[9]， c_1，in 和 v_min 受交叉口的幾何形狀和駕駛人特征影響，包括車輛到達停止線的速度 v_int 交叉口轉向角度 θ_int 路緣半徑 r_int 車輛與人行道的橫向距離 l_int 。假設 v_min 服從正態分布，則該影響因素的線性函數為：

v_min=a₁+a₂v_int+a₃θ_int+a₄r_int+a₅l_int

基于 InD 數據集的真實軌跡，使用多元回歸分析對左轉和右轉場景中最低車速的5個 a_i 系數進行估計。c_1，in 的建模過程與 v_min 相同，同時，通過 c_1，in 得到駛入模型v_in（t） 的未知參數 c_2，in⁰ 首先，根據 v_in（t） 和 v_min 的導數為0，有 0=3c_1，int_min²+2c_2，int_min+c_3，in ；接著，根據式（6）估算t_min ;最后，聯立式（1）、式（5）和式（7），計算未知參數 c_2，in（

同理， v_out（t） 的初始狀態為交叉口內車速的最小值 v_min 最終狀態為道路限速 v_max ，且在 v_min 和 v_max 處的導數為 0 v_out（t） 的未知參數 c_1，out?c_2，out 遵循伽馬分布，該參數也被估計為影響因素的線性函數。使用多元回歸分析對影響因素的系數進行建模驗證，聯立式（3）式（6）和式（7），得到C1，out和c2，ou的推理模型。

2.3車輛運動軌跡預測方法

2.3.1 直行場景

本文采用基于CA的卡爾曼濾波（KalmanFilter，KF）算法對直行車輛軌跡進行預測，主要流程為：

a.按時間節點更新預估部分，即利用狀態轉移矩陣獲取當前狀態：

式中： 為 （k-1） 時刻的系統狀態， 為未經過步驟b修正的狀態估計， F 為系統的狀態轉移矩陣， u_k 為額外輸入狀態， B 為輸入控制矩陣， w_k 為 k 時刻的過程噪聲， 為 k 時刻的狀態協方差矩陣， Q 為預測噪聲協方差矩陣。

b.考慮觀測值的預估狀態矯正，利用預估部分獲得的先驗估計值與觀測狀態值，計算當前步長的卡爾曼增益，進行加權后獲得預估校正值。

式中： K_k 為 k 時刻的卡爾曼增益，它決定系統更相信上一步模型預測結果還是當前系統的觀測值； H 為狀態觀測矩陣; R 為觀測噪聲矩陣； 為修正后的系統狀態； Z_k 為 k 時刻的系統觀測狀態； P_k 為 k 時刻更新狀態協方差矩陣； I 為單位矩陣。

c.利用車載傳感器獲取車輛的狀態信息后，若車輛當前行駛偏航率接近0，通過構建CA模型描述車輛行駛過程，并使用卡爾曼濾波算法預測后續軌跡。由式（2）得到KF算法的狀態轉移矩陣為：

在CA模型的狀態估計中，過程噪聲為車輛的加速度變化率 對于狀態變量 X ，將過程噪聲化為矩陣：

式中： 分別為加速度變化率在 x 軸和 y 軸的分量。

d.通過最高階狀態量對其他量的擾動進行初始化，在CA模型中，將 Q 和 R 矩陣分別設置為 Q= 為了觀測車輛的位置信息，將觀測矩陣設置為

重復上述過程，連續預測車輛的軌跡，輸出經兩步修正后的預測狀態 ，包括車輛的位置和速度，用于下一步的風險判斷。

2.3.2 轉彎場景

在轉彎場景中，由于標準的卡爾曼濾波假設系統的運動學模型和觀測方程是線性的，難以處理車輛轉彎過程中的非線性關系，而擴展卡爾曼濾波可通過線性化非線性方程進行處理。因此，本文基于EKF方法和速度特性模型進行軌跡預測，按時間節點更新的預估部分狀態方程為：

X_k=f（X_k-1，u_k-1）+ω_k-1

式中： X_k 為 k 時刻的狀態估計， X_k-1 為系統在 （k-1） 時刻的狀態 I 為描述系統動態演變的狀態轉移函數， u_k-1 為（k-1）時刻的控制輸入， ω_k-1 為過程噪聲（狀態轉移中的隨機擾動）。

觀測方程為：

Z_k=h（X_k）+v_k

式中： v_k 為 k 時刻的車輛速度， h 為車輛運動學模型的觀測函數。

通過在 （x₀，y₀） 處的泰勒級數線性化近似，忽略高階項，將式（13）簡化為非線性函數：

當面對多元函數時，計算各偏量的偏導數，構成雅可比矩陣 J ，即EKF的觀測矩陣：

狀態協方差矩陣為：

P_k^-=J_kP_k-1J_k^T+Q_k

觀測值的預估狀態矯正部分，卡爾曼增益 K_k 和更新后的狀態協方差矩陣 P_k 的計算方法與KF算法一致。修正后的系統預測狀態為：

為了避免長時間步預測下的誤差積累，本文對轉彎場景的車輛速度進行分析建模，將其作為EKF的虛擬測量，以提高多時間步長下的預測精度。該場景中車輛狀態空間方程為式（3）狀態方程為式（4），使用勻加速恒偏航率模型，并使用Gipps模型[1的期望速度 v_des 作為EKF的虛擬真實值進行校正。

因此EKF的相關參數如下所述。在當前的運動方程中，噪聲主要來自加速度的變化率 和偏航角的變化率 ，則過程噪聲、噪聲的協方差矩陣分別為：

期望的速度 v_des 由式（5）和式（6）組成，如果 tmin ，則期望速度 v_des=v_in ，否則 v_des=v_out 。在EKF中，期望速度 v_des 為觀測值輸入，通過式（12）＼～式（19）對觀測值預估狀態進行修正，輸出預測速度。

2.4碰撞風險指標選取

本文采用風險暴露時間[]（TimeExposedTime-to-collision，TET）對車輛碰撞風險進行評估，即碰撞到達時間低于安全TTC閾值的時間總和。相關公式為：

式中： n_TTC^*=4.5 s為TTC閾值[12]， δ_i（t） 為開關變量， τ_sc 為時間間隔， T 為碰撞時間曲線的總時間， n_TIC，i（t） 為車輛i在χ_t 時刻的碰撞到達時間， v_i 為車輛 i 的當前速度， a_i 為車輛i 的當前加速度， ?_Li 為車輛 i 到達碰撞點的距離。

2.5雙圓模型碰撞風險檢測

考慮到車輛具有一定尺寸，傳統的質點模型難以準確表征車輛碰撞風險，因此，本文利用圓形-雙圓[13]模型（見圖4）對車輛建模，實現車車碰撞風險檢測。當雙圓模型滿足式（21）時，可判定為有碰撞風險：

式中： d_{Ci，A，Cj，B}^t 為 Φ_t 時刻車輛A圓心 i 與車輛B圓心 j 間距離， ?，R 為半徑（前、后圓半徑相同）。

使用2.3節的軌跡預測方法，預測第 k 時間步長的車輛狀態 X_A，t+k×t，X_B，t+k×t 結合圓形-雙圓模型，對各時刻的預測車輛狀態進行風險判定。若滿足條件，則計算風險指標，當 n_TET 高于風險閾值時，判定風險存在。

3基于非合作博弈的網聯車輛碰撞預警策略

在實際交通場景中，不同類型的駕駛人的駕駛習慣不同，對預警系統的信任度也存在差異。借助車車通信技術實時獲取對方車輛的狀態，結合自車狀態，根據碰撞預警策略的效益函數得到不同的收益矩陣，該過程屬于完全信息非合作博弈過程。通過尋找博弈收益矩陣的納什（Nash）均衡點獲得最優策略組合，從而優化碰撞預警機制。因此，本文基于非合作博弈模型設計碰撞預警策略。

3.1 駕駛人類型識別

基于速度 v（t） 的二階導數 J（t） 定義駕駛人類型，其中，駕駛人類型識別系數 R_driver 通過歷史觀測時間窗口中 J（t） 的標準差為：

式中： n 為歷史觀測窗口， 為歷史觀測時間窗口 J（t） 的平均值。

根據車車通信獲取的車輛速度，計算駕駛人在預警觸發前 50m 內的駕駛類型系數。當 R_drivergt;0.3 時[14]，將駕駛人類型定義為激進型；反之，則定義為保守型。

3.2博弈模型構建

本文構建的應用場景中，將沖突車輛雙方視為博弈參與者集合 C={C₁，C₂} ，策略集合為參與者可采取的速度改變措施 S={ 加速，勻速，減速}。結合異質駕駛人的駕駛傾向，從沖突車輛的安全性和交通效率角度構建博弈效益函數。

安全效益主要關注交叉口沖突的嚴重程度，即兩車到達沖突點的時間差。當安全效益 ΔT_safe 越大，說明 C₁ 和 C₂ 間發生碰撞的可能性越小，安全性越高，反之，安全性越低：

式中： T_i 為車輛 C_i 到達沖突點的時間， v_i，init 為車輛 C_i 在決策前的初始速度， a_i 為車輛 C_i 在決策時刻采取的速度變化策略， L_i 為車輛 C_i 在決策時刻到達沖突點的距離， v_max 為道路限速。

通過車輛 C_i 以加速度 a_i 到達沖突點的時間 T_i ，與按照當前車輛狀態勻速行駛到達沖突點的時間 T_avg 的差值衡量效率效益 ΔT_eff ，反映了駕駛人期望以較快的速度通過交叉口而避免減速或等待：

車輛行駛過程中，通過采取加速、勻速或減速策略調節到達沖突點的時間，效率收益 ΔT_eff 隨時間縮短而提高。

結合安全和效率效益，考慮異質型駕駛人通過交叉□的駕駛傾向，構建綜合博弈效益函數：

其中，

式中： F_safe?F_efficiency 分別為行車安全收益函數和效率收益函數， αβ 分別為異質駕駛人在相同環境下對于安全和效率期望的權重系數， M=1，N=5 為時間差閾值[15]。

權重系數 α 隨 ΔT_safe 的變化趨勢如圖5所示，當沖突車輛到達碰撞點的時間差接近時， α 取決于駕駛人類型識別系數 R_driver 。當 M=1，N=5 時，沖突車輛到達碰撞點的時間差較短時，安全系數為 p=0.4^[15] 。當駕駛人在感知到與對方車輛時距較小時，將優先考慮增大時距差，降低碰撞風險；若時距差較大，則更關注行駛效率，傾向于提高速度。

3.3兩級碰撞預警級別設計

分析各組測試方案中單次博弈效益函數矩陣，發現預警策略會針對采取減速策略駕駛人進行風險預警，以最大化整體效益。因此，本文設計了一種兩級預警機制：

式中： n_TET^?=3 s為一級預警的TET閾值， n_TTCeng^*=1.8 s[12]為二級預警的TTC閾值。

當滿足一級預警條件時，通過尋找博弈收益矩陣的納什（Nash）均衡點，找到最優策略組合，針對采用減速策略的駕駛人進行風險預警；當滿足二級預警時，通過式（22）判斷駕駛人類型，同時觸發不同強度的預警提示。其中，滿足二級預警時：對于保守型駕駛人，系統將觸發二級緊急預警；對于激進型駕駛人，則觸發二級強烈預警，且駕駛人類型越激進，警告效果越強烈。

4仿真試驗與結果分析

4.1 測試場景構建

為了驗證本文碰撞預警策略的有效性，利用SUMO平臺搭建仿真測試場景，如圖6所示。其中，交叉口的車輛均為具備通信能力的人工駕駛車輛，車輛長度L=4.5m ，寬度 W=1.8m ，最大限速 v_max=13.89m/s ，最大加速度 a_max=3m/s² 。SUMO中車輛以低于跟馳模型認為安全的速度行駛，并且受限于最大加速度。

車輛在接近交叉口時嚴格遵守路權規則，必要時需緊急制動來避免碰撞。因此，模擬車輛在交叉口處的碰撞事件，需要手動設置車輛速度模式，從而控制車輛在交叉口的行為。本文將所有車輛速度模式設置為[100111]，表示車輛在交叉口忽略路權規則，無視其他駛向交叉口的車輛。

4.2 測試評價指標

針對本文的車輛碰撞風險檢測與預警方法，選取成功預警率 P_s 有效預警率 P_E 錯誤預警率 P_F 碰撞率 C_R 以及平均碰撞動能 A_K 為評價指標。其中，成功預警是對于按照預期軌跡行駛會發生碰撞的測試案例，預警系統成功觸發警告；有效預警表示對于按照預期軌跡行駛會發生碰撞的測試案例，預警系統成功觸發警告且駕駛人成功采取措施，從而避免碰撞；錯誤預警表示對于按照預期軌跡行駛不會發生碰撞的測試案例，預警系統卻錯誤觸發警告；碰撞率則反映交通事故的發生情況。相關公式為：

式中： N_?N_c 分別為測試案例和碰撞案例數量， 分別為成功預警案例、有效預警案例和錯誤預警案例數量， m_i，m_j 和 v_i，v_j 分別為沖突車輛 i，j 的質量和發生碰撞時的速度。

4.3測試方案設計與結果分析

為了模擬不同的駕駛工況，在隨機生成的測試案例中，選取空間軌跡存在交叉的測試案例150組，可按照預期軌跡駕駛分為：發生碰撞案例50組，未發生碰撞案例100組。測試方案主要分為：

a.測試方案1：沖突車輛駕駛人均為保守型。

b.測試方案2：沖突車輛駕駛人為異質型。

c.測試方案3：沖突車輛駕駛人均為激進型。

在仿真測試中，為了模擬不同類型駕駛人在一級預警后的真實駕駛反應，駕駛人接收到預警后采取如下車輛運動控制策略：

式中： σ_v 為預警車輛的速度； d_int 為預警車輛位置與交叉口停止線的距離； γ 為預警車輛駕駛人的依從度參數，保守型駕駛人依從度為1，激進型駕駛人依從度服從均勻隨機分布 U～[0，0.5]

假定沖突車輛質量為 m ，當沖突車輛駕駛人均為保守型時，測試結果如表1所示。對于無法避免的碰撞案例，預警策略使碰撞程度明顯降低。

選取結果中某一成功預警案例的車輛軌跡數據進行分析，如圖7＼～圖9所示。在無預警工況中，沖突車輛在1612s時行駛路程均為 300m ，由于本文設置交叉口范圍為 300m ，此時兩車已同時處于交叉口區域內，所以可判定兩車在交叉口發生碰撞。在預警工況下，本文算法對各時刻的預測車輛狀態進行風險判定，累計3次檢測出 T_TC?4.5 s，判定為存在風險并觸發預警功能。車輛A在系統在第1607s出現明顯制動，隨著車輛A減速，TTC的變化逐漸趨于緩慢，兩車間的潛在碰撞風險逐漸降低，直至碰撞風險消除。

當沖突車輛駕駛人為異質型，測試結果如表2所示。由于激進型駕駛人對預警策略依從度低，在一級預警時采取加速度較低的減速策略，更容易發生碰撞，所以該類駕駛人碰撞率會比保守型駕駛人的測試案例高。即使最終未能避免碰撞，本文預警策略依然能減少約74.818% 的平均碰撞動能，碰撞程度顯著降低。

通過分析異質型駕駛人預警案例，由圖8＼～圖13可知，車輛A為激進型駕駛人，車輛B為保守型駕駛人。在無預警工況中，兩車在第827s時在交叉口發生碰撞。在預警條件下，系統在第825s時檢測到潛在碰撞風險后，車輛B觸發預警并引導其采取制動措施。隨著車輛B減速，兩車間的潛在碰撞風險逐漸降低，直至最終消除碰撞風險。上述結果驗證了本文碰撞預警策略的有效性。

當沖突車輛駕駛人均為激進型時，結果如表3所示，預警策略仍然能夠降低 72% 的碰撞風險和 58.554% 的平均碰撞動能，表現出良好的預警有效性。

5實車試驗與結果分析

5.1 測試場景構建

利用封閉測試場，在受控的風險中進行開放交通環境的測試1，交叉口實車測試場景如圖14所示。該交叉口無中心線，碰撞點設定為交叉口中心位置。在初始時刻，測試車輛 V_A，V_B 分別行駛于南北、東西支路。

實車試驗中，僅考慮車輛直行和左轉的行駛軌跡，形成了4種軌跡交叉的駕駛工況（見圖15），各工況中測試車輛的速度見表4。因此，共進行28種不同駕駛工況試驗，涵蓋沖突和非沖突情形，各工況進行多次試驗，確保結果的穩定性，充分評估本文策略的性能。

為了保證安全，每組測試車輛 V_B 使用預先采集的駕駛狀態信息與測試車輛 V_A 進行實時信息交互。若 V_B 收到警告信息，基于車輛運動學模型計算合理的減速軌跡，覆蓋原始虛擬軌跡數據。

本文開發的碰撞預警應用軟件安裝于車載計算機，當檢測到有潛在碰撞風險且達到預警條件時，通過車載人機界面（HumanMachineInterface，HMI）向駕駛人發出語音和圖像預警信息，如圖16所示。

5.2 測試方案設計

本文針對實車測試設計6種測試工況：2025年第7期

a.工況1：無預警條件下駕駛人同為保守型。

b.工況2：預警條件下駕駛人同為保守型。

c.工況3：無預警條件下駕駛人同為激進型。

d.工況4：預警條件下駕駛人同為激進型。

e.工況5：無預警條件下駕駛人為異質型。

f.工況6：預警條件下駕駛人為異質型。

實車測試主要流程為： V_A 從距離交叉口 70m 位置出發，啟動3s后達到穩定速度； V_B 靜正在距離交叉口30m 位置，當 V_A 出發時， V_B 同步發送軌跡數據，記錄雙方車輛的行駛狀態信息。

在無預警條件下（工況1、工況3、工況4），每種駕駛工況分別進行3次測試。在預警條件下（工況2、工況4、工況6），在 V_A 駕駛人收到預警信息后：若 V_A 為保守型駕駛人，將立即采取制動措施，直至警告解除后再緩慢加速；若 V_A 為激進型駕駛人，一級預警時， V_A 會忽視警告并繼續保持原始駕駛狀態，在二級預警時，立即采取制動措施。

在V駕駛人收到預警信息后：若 V_B 為保守型駕駛人，基于車輛運動學模型計算減速軌跡，覆蓋原始的虛擬軌跡數據；若 V_B 為激進型駕駛人，一級預警時，會忽視警告繼續發送原始行駛軌跡數據，二級預警時，將基于車輛運動學模型計算合理的減速軌跡，覆蓋原始的虛擬軌跡數據。

實車試驗中，各駕駛工況進行3次測試，共84次測試。對于測試工況2，35次為碰撞測試，49次為非碰撞測試；對于測試工況4，34次為碰撞測試，50次為非碰撞測試；對于測試工況6，32次為碰撞測試，52次為非碰撞測試。

5.3 測試結果分析

5.3.1同質型駕駛人預警有效性分析

當駕駛人同為保守型，測試結果如表5所示，預警成功率能夠達到 100% ，成功觸發警報并提醒駕駛人采取制動措施。

通過分析直行工況的成功案例，如圖17＼～圖19所示， X 和Y分別為測試場景中平面橫、縱坐標值。兩車以 20km/h 的速度行駛，在預警狀態下，車輛 V_A 收到警告后迅速減速，兩車最小相對距離由無預警時的 0.38m 增加至 14.70m ，有效避免了碰撞。

由表5可知，預警條件下，測試結果存在 2.041% 的錯誤預警，通過分析直行-轉彎工況下的錯誤預警案例（見圖20），兩車以 40km/h 的速度行駛，陰影部分的最短距離為 5.653m ，具有較高的碰撞風險。考慮到距離過近可能引發風險或駕駛人誤操作，所以一定范圍內該類錯誤警報是合理的。

當駕駛人同為激進型，測試結果如表6所示。預警成功率達到 100% ，但仍存在 2% 的錯誤預警率。通過分析左轉-直行合流工況下的錯誤案例（見圖21），在無預警條件下，兩車以 40km/h 的速度行駛， V_A，V_B 接近交叉口時質心間距離僅為 4.301m ，處于危險接近狀態。由于車輛間距過小可能引發危險，發出警報是必要的。

由表6可知，測試結果中存在 1.190% 的碰撞率。在預警條件的左轉交叉駕駛案例中，兩車以 30km/h 的速度行駛，在10s發生碰撞，如圖22＼～圖24所示。由于 V_A 為激進型駕駛人，在預警后未及時減速，最終導致碰撞。但預警策略依然能減少約 74.818% 平均碰撞動能，緩解了碰撞程度。

5.3.2異質型駕駛人預警有效性分析

當駕駛人為異質型，測試結果如表7所示。成功預警率和有效預警率均為 100% ，測試中存在4組錯誤預警案例（見圖25）， V_A，V_B 相距最短距離分別為 3.988m 、5.488m，5.718m 和 6.976m ，均屬于危險接近狀態。考慮到車輛間距過小可能引發潛在危險，發出警報是合理的。

因此，當駕駛人雙方均為保守型時，本文方法能夠準確識別所有的碰撞事件并觸發預警，成功預警率為100% ，有效地避免了碰撞事故；當駕駛人雙方均為激進型時，對于無法避免的碰撞案例，預警策略減少約52.71% 平均碰撞動能，顯著降低了碰撞嚴重程度。對于異質型駕駛人，由于保守型駕駛人對系統預警的依從度較高，系統傾向于對保守型駕駛人發出預警，進而及時采取制動措施，使碰撞率為0。通過分析錯誤警案例，發現在無信號交叉口場景中，車輛通過交叉口的危險系數極高，表現為車輛間距過小，極易演化成碰撞事件，因此預警系統對此類場景及時發出警示，進一步證明了系統的可靠性。

6結束語

本文通過分析 InD 數據集中轉彎車輛的速度特性構建了適用于交叉口的車輛速度模型，提高了模型預測的準確性；提出的基于車輛軌跡預測和風險暴露時間的網聯車輛動態碰撞風險策略，增強了交叉口環境下的駕駛風險識別準確性；基于非合作博弈的兩級碰撞預警策略，提升了異質駕駛人環境下碰撞預警方法的有效性。

未來，將聚焦于多車協同預警策略與通信優化，應對多車通信可能引發的網絡擁塞問題，確保預警信息時效可靠。同時，在不同交通流與網聯車滲透率下驗證預警策略的有效性和魯棒性。

參考文獻

[1]LIUNC，WENJQ，WUCZ.Novel Time-DelaySideCollision Warning Model at Non-Signalized Intersections Based onVehicle-to-Infrastructure Communication[J]. InternationalJournalofEnvironmentalResearchand Public Health，2021，18（4）.

[2] YI C，HUANG TJ，YE HJ，et al. Improved Dynamic SpatialTemporal Attention Network for Early Anticipation of Traffic Accidents[C]// 2023 IEEE International Conference on Multimedia and Expo Workshops （ICMEW）.Brisbane， Australia：IEEE，2023：81-86.

[3] LI S S，WANG XY，LU XH， et al.A Lateral Acceleration PredictionModel Based on CurrentVehicle State[C]//2022 6th CAA International Conference on Vehicular Control and Intelligence （CVCI）. Nanjing， China： IEEE，2022： 1-6.

[4]QUC，QIWY，WUP.AHigh Precisionand Efficient Timeto-Collision Algorithm for Colision Warning Based V2X Applications[C]// 2018 2nd International Conferenceon Robotics and Automation Sciences （ICRAS）.Wuhan， China： IEEE，2018.

[5]王江鋒，劉雨桐，王夢玉，等.車車通信環境下基于駕駛意 圖共享的車輛避撞預警算法[J].中國公路學報，2020， 33（6）： 65-76. WANGJF，LIUYT，WANGMY，etal.WarningAlgorithm of Vehicle Collision Avoidance Based on Driving Intention Sharing in Vehicle-to-VehicleEnvironment[J]. China Journal of Highway and Transport，2020，33（6）： 65-76.

[6] KWAG S J， KANG B， KIM W，et al. Chebyshev TransformBased Robust Trajectory Prediction Using Recurrent Neural Network[J]. IEEE Access，2022，10： 130397-130405.

[7]BOCK J，KRAJEWSKI R， MOERS T， et al. The Ind Dataset： A Drone Dataset of Naturalistic Road User Trajectories at German Intersections[C]// 2020 IEEE Intelligent Vehicles Symposium （IV）. Las Vegas，NV，USA： IEEE，202O：1929- 1934.

[8]KIM B，YI K.Probabilistic and Holistic Prediction of Vehicle States Using Sensor Fusion for Application to Integrated Vehicle Safety Systems[J].IEEE Transactions on Intelligent Transportation Systems，2014，15（5）： 2178-2190.

[9] KAWASAKI A， TASAKI T. Trajectory Prediction of Turning Vehicles Based on Intersection Geometry and Observed Velocities[C// 2018IEEE Intelligent Vehicles Symposium （IV）.Changshu，China： IEEE，2018：511-516.

[10] GIPPS PG.A Behavioural Car-Following Model for Computer Simulation[J]. Transportation Research Part B： Methodological，1981，15（2）： 105-111.

[11]BARTHA，FRANKE U.Where will the OncomingVehicle bethe Next Second？[C]//2OO8 IEEE Intelligent Vehicles Symposium.Eindhoven，Netherlands：IEEE，20o8：1068- 1073.

[12] CHENBJ，LIAOLC，ZOUFM，etal.Rule-Based Graded Braking for Unsignalized Intersection Collision Avoidance via Vehicle-to-Vehicle Communication[C]// International Conference on Geneticand Evolutionary Computing. Singapore： Springer， 2020： 134-142.

[13]王潤民，凡海金，何佳浚，等.無信控交叉口網聯車輛動 態碰撞風險檢測與預警策略[J].計算機工程與應用， 2024，60（13）： 330-337. WANG RM， FAN JH，HEJJ， et al. Dynamic Collision Risk Detection and Early Warning Strategy of Connected VehiclesatUnsignalizedIntersections[J]. Computer Engineering and Applications，2024，60（13）： 330-337.

[14]MURPHEYYL，MILTONR，KILIARISL.Driver’s Style ClassificationUsingJerkAnalysis[C]//2OO9IEEE Workshop on Computational Intelligence in Vehicles and Vehicular Systems.Nashville， TN，USA：IEEE，2009：23- 28.

[15] CHENG CJ， YANG Z，YAO DY.A Speed Guide Model for Collision Avoidancein Non-Signalized IntersectionsBased on Reduplicate Game Theory[Cl// 2018 IEEE Intelligent Vehicles Symposium （IV）.Changshu，China： IEEE，2018： 1614-1619.

[16] HAN Z F，LI X，WANG J C. Longitudinal Collision Warning System Based on Driver Braking Characteristics[C]/ Proceedings of the 2O2O 3rd International Conference on Algorithms，Computing and Artificial Intelligence.New York，USA： Association for Computing Machinery，2021： 1-7.

[17] ZHAO D，LAMH，PENGH， etal.Accelerated Evaluation of Automated Vehicles Safety in Lane-Change Scenarios Based on Importance Sampling Techniques[J]. IEEE Transactions on Intelligent Transportation Systems，2017， 18（3）： 595-607. （責任編輯瑞秋）

修改稿收到日期為2024年9月29日。