紀(jì)廷婷，陳少軍，陳雨人

（1.同濟(jì)大學(xué)交通運(yùn)輸工程學(xué)院，上海 201804;2.同濟(jì)大學(xué)建筑設(shè)計研究院（集團(tuán)）有限公司，上海 200092）

在虛擬環(huán)境下分析車群行為安全的方法

紀(jì)廷婷1，陳少軍2，陳雨人1

（1.同濟(jì)大學(xué)交通運(yùn)輸工程學(xué)院，上海 201804;2.同濟(jì)大學(xué)建筑設(shè)計研究院（集團(tuán)）有限公司，上海 200092）

利用虛擬化平臺研究車群的運(yùn)動特征規(guī)律。內(nèi)容包括軟硬件平臺結(jié)構(gòu)，試驗過程，數(shù)據(jù)采集，分析計算和數(shù)據(jù)可靠性分析等幾個部分。試驗中由15個駕駛員在同一場景中進(jìn)行模擬駕駛，同時采集各自車輛的運(yùn)動參數(shù)，包括車輛的行駛軌跡、各種速度加速度、剎車使用情況以及方向盤使用情況等。運(yùn)用模糊神經(jīng)網(wǎng)絡(luò)及風(fēng)險概率矩陣分析上述數(shù)據(jù)，計算出車群發(fā)生風(fēng)險的情況概率，提出了一種研究車群行為安全的方法。

虛擬駕駛;車群風(fēng)險;模糊神經(jīng)網(wǎng)絡(luò);風(fēng)險概率矩陣

車輛是人、車、路系統(tǒng)中很重要的一部分，車輛運(yùn)動規(guī)律對交通事故的發(fā)生影響很大，目前對車輛運(yùn)動規(guī)律的研究一直是熱點，圍繞車輛速度、汽車軌跡、車輛動力學(xué)仿真的各類研究層出不窮，如文獻(xiàn)［1］，總結(jié)了多個運(yùn)行車速預(yù)測模型，并提出了自己的研究方法和模型;文獻(xiàn)［2］討論了汽車軌跡與行車安全的關(guān)系，而文獻(xiàn)［3］的作者更是對車輛動力學(xué)，包括行駛軌跡、駕駛員視覺特征等多方面對車輛運(yùn)動規(guī)律進(jìn)行了研究，但是這些研究基本上都是考慮單車運(yùn)動規(guī)律的，事實上隨著車輛數(shù)目增加，由于車輛間存在相互影響，交通事故發(fā)生的規(guī)律和特征大不一樣了，因此車輛相互之間的運(yùn)動特征對于保障交通安全，減少交通事故都有重要意義。

運(yùn)動特征的研究除依賴必要的推導(dǎo)計算以外，還需要大量的數(shù)據(jù)支持。目前對于汽車行駛狀態(tài)數(shù)據(jù)的采集方式主要有現(xiàn)場采集和計算機(jī)仿真兩種?，F(xiàn)場試驗采集得到的數(shù)據(jù)準(zhǔn)確、真實，具有很高的實用性，但是這種方法成本高、代價大，在某些小數(shù)據(jù)量的試驗中使用較為普遍，而對于大量數(shù)據(jù)的采集或者某些危險情況下的數(shù)據(jù)采集是不適用的。因此大多數(shù)學(xué)者的目光都投向了模擬仿真。

國外的研究人員較早的開始了模擬系統(tǒng)的研究，20世紀(jì)80年代，隨著大型模擬器的建成，就有學(xué)者對虛擬駕駛模擬器在科研中的適用性進(jìn)行了探討［4］。國內(nèi)雖起步較晚，但仍有很多學(xué)者積極討論建立仿真系統(tǒng)的方法，并建立了可供使用的模擬系統(tǒng)［5-6］。

近年，虛擬技術(shù)已較為成熟，研究多集中在了模擬器的使用上，對駕駛員的各種駕駛行為進(jìn)行了模擬以及研究。如文獻(xiàn)［7］，運(yùn)用模擬平臺討論了疲勞駕駛與方向盤使用情況間的關(guān)系;還有文獻(xiàn)通過試驗研究了使用模擬器和在真實情況下駕駛速度的差異［8］在此基礎(chǔ)上，展開了進(jìn)一步的研究工作。如前文提到的文獻(xiàn)［2］，在仿真平臺上通過研究駕駛軌跡偏離道路中心線的距離，提出了一種評價道路安全的方法。但目前的研究針對車群的較少，大多數(shù)都是針對單車展開研究;早期有一些針對車群運(yùn)動特征的研究，但是由于技術(shù)手段有限，與實際情況還是有一些差異［9］;而部分涉及到多車輛系統(tǒng)的，也都是虛擬一輛車模擬駕駛，其他車輛使用的是模型車，并不能表達(dá)真實的駕駛情況，如文獻(xiàn)［10］，并不涉及到較為真實的車群的運(yùn)動特征。文獻(xiàn)［11］是建立了一個能夠提供多車群同時進(jìn)行模擬駕駛的虛擬平臺，并且在這個基礎(chǔ)上建立了一些車群行為的基本模型。筆者是在此基礎(chǔ)上同樣的試驗平臺上，嘗試對車群的運(yùn)動特征進(jìn)行進(jìn)一步的研究，提出更加具體的試驗方法及數(shù)據(jù)分析方法。

本文中，車群的定義是指以某一個單車為中心，周圍一定范圍內(nèi)對其具有一定影響的所有車輛。單車的行駛特征常常用速度、加速度、制動距離、方向盤轉(zhuǎn)角、航向角等參數(shù)來描述［12］，從目前的研究來看，車群范圍的指標(biāo)定義主要集中在速度、加速度、車距和可能碰撞時間方面。其中后兩個參數(shù)是區(qū)別于單車行駛特征的重要指標(biāo)，而第4個因素將被作為車群范圍確定的一個主要指標(biāo)。

1 試驗平臺及試驗方法

1.1 平臺簡介

試驗所采用的硬件設(shè)施包括15臺帶操作系統(tǒng)的計算機(jī)及一臺服務(wù)器，每臺計算機(jī)配備專用方向盤及剎車等裝置。計算機(jī)之間有局域網(wǎng)互相連接。

所選用的軟件系統(tǒng)是法國達(dá)索公司旗下的Virtools軟件。它能夠?qū)?D模型、2D圖形以及音效等文件進(jìn)行整合，輕松建立模型。Virtools Sever能夠為使用者提供方便的聯(lián)網(wǎng)功能。使用戶僅通過簡單易用的互動行為模組就實現(xiàn)網(wǎng)絡(luò)連接。

根據(jù)試驗要求，在此平臺上構(gòu)造了4個主要模塊:道路模塊、交通環(huán)境模塊、駕駛員汽車模塊以及車群行為模塊。其中道路模塊是系統(tǒng)的運(yùn)行基礎(chǔ);交通環(huán)境模塊包括道路設(shè)施的管理和可變的環(huán)境因素;駕駛員汽車模塊是駕駛員與道路以及其他運(yùn)輸工具信息交流的主體;車群行為模塊是用來研究車群之間行為、運(yùn)動特征及判別車輛是否安全的重要模塊，是整個系統(tǒng)的核心，也是本研究重點關(guān)注的部分。

1.2 試驗方法

試驗選取了一段立交模型作為研究對象，根據(jù)相關(guān)研究［13］，將試驗路面的摩擦系數(shù)設(shè)定為0.9。并且，考慮有關(guān)研究得到的關(guān)于車輛比例與通行能力的結(jié)論［14］，本組試驗中的車群均由小車構(gòu)成。參與試驗的15名駕駛?cè)藛T均具有中等駕駛水平，天氣條件為良好，道路設(shè)施齊全，路面平整。

事先并不告知駕駛?cè)藛T試驗的目的，有一定時間讓被測人員熟悉操作系統(tǒng)，在對模擬駕駛器操作較為熟練的情況下，展開試驗。在虛擬駕駛過程中，駕駛?cè)藛T需控制車輛的行駛速度及方向，要嚴(yán)格遵守交通法規(guī)。此外，對于駕駛員操縱車輛時的換道、超車等行為并無控制，駕駛員完全憑個人需求與經(jīng)驗進(jìn)行駕駛。

此外，還可以改變試驗中的某些條件，針對一些特定的影響因素進(jìn)行試驗，例如，可根據(jù)駕駛員對駕駛的熟練程度，將其分為初等駕駛技術(shù)者、中等駕駛技術(shù)者以及熟練駕駛技術(shù)者。在保持其他方面試驗條件不變的情況下，將設(shè)定不同的駕駛?cè)藛T所占比例，根據(jù)所占比例進(jìn)行模擬駕駛，記錄相關(guān)數(shù)據(jù)，考察人這一因素對車群運(yùn)動特征的影響。也可分別模擬小型車、中型車、大型車、重型車不同的物理屬性設(shè)定。變化每種車在車群中所占比例，進(jìn)行試驗，考察車輛變化對車群運(yùn)動特征的影響。還可進(jìn)行路（環(huán)境）對照組試驗，改變道路條件或是自然環(huán)境。選擇不同線形組合、不同道路設(shè)施，或者不同天氣狀況作為模型，考察各種環(huán)境因素對車群運(yùn)動特征的影響。

2 數(shù)據(jù)采集

2.1 數(shù)據(jù)采集方法

使用Virtools的速度采集行為模塊和物理屬性采集行為模塊可以直接在試驗中得到所需數(shù)據(jù)，所得數(shù)據(jù)將與車輛ID關(guān)聯(lián)，直接存放在數(shù)據(jù)庫表中。

2.2 所得數(shù)據(jù)情況

獲得數(shù)據(jù)的情況如表1。

表1 數(shù)據(jù)類型Tab.1 Data format

表中直接采集到的數(shù)據(jù)在試驗中能立刻獲得，而間接采集到的數(shù)據(jù)則需要依靠直接采集到的數(shù)據(jù)進(jìn)行一定的計算才能得到，這些數(shù)據(jù)都將為進(jìn)一步的分析研究提供支持。計算間接數(shù)據(jù)的具體情況如下:

1）車輛間距計算。虛擬試驗中得到的大地坐標(biāo)，可帶入以下公式，以求得連續(xù)數(shù)據(jù)采集時刻中出現(xiàn)的任意兩輛車之間的距離:

式中:d為數(shù)據(jù)采集時刻兩輛車坐標(biāo)之間的距離;（xi，yi，zi）為第 i輛車坐標(biāo);（xj，yj，zj）為第 j輛車的坐標(biāo)。

2）瞬時速度值計算。運(yùn)動目標(biāo)在相鄰的數(shù)據(jù)采集時刻移動的距離可通過下面公式計算出來，數(shù)據(jù)采集間隔為已知，因此可以計算出車輛在這段時間之內(nèi)的平均速度，由于時間間隔很小，可將該速度作為物體在數(shù)據(jù)采集時刻的瞬時速度。

式中:vt為采集時刻的運(yùn)動目標(biāo)的瞬時運(yùn)動速度;（xt，yt，zi）為前一數(shù)據(jù)采集時間時運(yùn)動目標(biāo)的坐標(biāo);Δt為連續(xù)相鄰的數(shù)據(jù)采集時間間隔。

3）加速度計算。計算出瞬時速度之后，可再進(jìn)一步計算出加速度，公式如下:

式中:at為駕駛器加速度;vt，vt+1為駕駛器在連續(xù)數(shù)據(jù)采集時刻的瞬時速度;Δt為連續(xù)相鄰的數(shù)據(jù)采集時間間隔。

2.3 可靠性分析

誤差主要來自兩個方面，一方面來自虛擬平臺的系統(tǒng)誤差，另一方面來自計算過程中的計算誤差。系統(tǒng)誤差主要是由于模擬過程中的差異造成的，這方面的問題可通過進(jìn)一步細(xì)化模型來解決。另一方面，在用直接獲得的數(shù)據(jù)進(jìn)行推算的時候也存在一定誤差。在計算瞬時速度的時候采用了短時間內(nèi)的平均速度來作近似。盡管如此，考慮到1/60 s也是一個很小的值，計算結(jié)果在工程上可用，所以試驗所得數(shù)據(jù)仍然具有很高的可靠度。

3 數(shù)據(jù)分析

3.1 基本理論

單車之間碰撞可用簡單的計算模型計算，已知兩車坐標(biāo)，速度及前進(jìn)方向的情況下，可以計算出潛在的交叉位置坐標(biāo)，再根據(jù)交叉位置算出兩車到達(dá)交叉位置的時間差，對比駕駛員正常的反應(yīng)時間，便可得出潛在駕駛風(fēng)險概率。在整個駕駛過程中，可以隨時計算該概率。而由于車群風(fēng)險受到單車影響很大，通過檢測單車及車輛之間的相互影響，便可以得出車群風(fēng)險情況。

3.2 數(shù)據(jù)分析方法

由于車輛的風(fēng)險不能即刻用是非邏輯來進(jìn)行區(qū)別，往往可以將風(fēng)險級別分為好幾種感受程度，所以本文采用模糊邏輯進(jìn)行分析，在多個輸入指標(biāo)與不同風(fēng)險級別之間建立模糊規(guī)則，以計算不同級別的風(fēng)險概率。選取三角函數(shù)座位模糊邏輯隸屬函數(shù)，在建立隸屬函數(shù)時使用了神經(jīng)網(wǎng)絡(luò)，對已有的一些數(shù)據(jù)進(jìn)行訓(xùn)練，以便能夠計算出各種情況下的風(fēng)險值。

3.2.1 模糊規(guī)則的建立

首先根據(jù)可能出現(xiàn)的情況將風(fēng)險分為安全、低風(fēng)險、中等風(fēng)險和高風(fēng)險4個級別，用于描述車輛的安全狀況。采取的輸入指標(biāo)包括前車速度、后車速度、前車加速度、后車加速度以及兩車間距。

在單輸入單輸出情況下，計算模糊子集隸屬函數(shù)的過程如下:

論域 V-l（速度）={0，40，80，120}和 P（風(fēng)險）={1，2，3，4}，其中 V-l表示前車速度，km/h，1，2，3，4 分別代表了碰撞風(fēng)險等級。假設(shè)在汽車高速行駛情況下模糊子集的隸屬函數(shù)，μA（高速）=0/0+0.3/40+0.6/80+1/120，μB（高風(fēng)險）=0/1+0.2/2+0.6/3+1/4;在此條件下，次高速度時（次高速）=0.1/0+0.5/40+1/80+0.7/120;可以推算出（次高風(fēng)險）的隸屬函數(shù)（次高風(fēng)險）=0/1+0.2/2+0.6/3+0.6/4。

使用相同方法，引入多個論域，可推導(dǎo)出多輸入單輸出的隸屬函數(shù)，建立完整的多個指標(biāo)輸入的模糊規(guī)則。舉例說明如下:

If（V-f is Vf-4）and（V-l is Vl-3）and（A-f is not A-f-1）and（A-l is not A-l-1）and（D-v is D-V-1）then（PROBILITY is HIGH-RISK）

這個規(guī)則的解釋是如果后車速度在120 km/h左右，前車速度在80 km/h左右，車輛的加速度在較小值附近（無緊急剎車現(xiàn)象發(fā)生數(shù)值在1 m/s2），車間距在最小值附近（30 m），那么這兩輛車的碰撞風(fēng)險處于峰值階段，取值在（3-4）之間。

按照這一規(guī)則，可以推出在特定速度、加速度及距離的情況下的風(fēng)險等級，但要進(jìn)一步算出車輛風(fēng)險在各級別的分布概率，還需要作進(jìn)一步的分析。

3.2.2 推理數(shù)據(jù)

由于神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的學(xué)習(xí)能力，能通過學(xué)習(xí)規(guī)則解決非線性問題，所以將神經(jīng)網(wǎng)絡(luò)結(jié)合起來，通過使用前文得到的數(shù)據(jù)，可以自主生成隸屬函數(shù)和規(guī)則，進(jìn)一步對模糊規(guī)則和隸屬函數(shù)進(jìn)行修正。

用前文所得到的數(shù)據(jù)作為基礎(chǔ)數(shù)據(jù)，加以訓(xùn)練，就可以運(yùn)用采集到的數(shù)據(jù)得到最終的單車風(fēng)險數(shù)據(jù)了。

3.2.3 車群風(fēng)險分析

車群狀態(tài)處在不斷的變化之中，但整個變化過程具有一定的連續(xù)性，潛在的駕駛風(fēng)險必定是個累積的過程。風(fēng)險變化率表征了車輛風(fēng)險變化的劇烈程度，變化達(dá)到峰值，則表明風(fēng)險情況發(fā)生了急劇突變，可能超出駕駛員應(yīng)對能力，此時，車群可能爆發(fā)，變化率矩陣格式如下:

3.3 算例

以3輛車的小車群為例，結(jié)合試驗采集到的數(shù)據(jù)，對車群安全性進(jìn)行了分析，過程如下:原始數(shù)據(jù)情況如表2。

表2 原始數(shù)據(jù)Tab.2 Initial data

經(jīng)計算成為可供使用的數(shù)據(jù)如表3。

表3 處理后的數(shù)據(jù)Tab.3 Treated data

表4 風(fēng)險數(shù)據(jù)Tab.4 Risk data

其中的數(shù)值表示任意兩輛車之間處于每個風(fēng)險級別之間的概率。

通過一段時間的數(shù)據(jù)累積可得出車輛的高風(fēng)險概率隨時間的變化曲線圖如圖1、圖2。

圖1 客觀風(fēng)險變化Fig.1 Objective risk change

圖2 駕駛員的感官風(fēng)險變化Fig.2 Sensory risk change of drivers

用貝葉斯矩陣變化率法，建立分析矩陣，可計算出各時刻的變化率矩陣如下:

3.4 小結(jié)

由圖1、圖2可以看出，單車的風(fēng)險是一個逐漸累積變大的過程，在此過程中，由于駕駛員的感官風(fēng)險增加，可能會采取措施，導(dǎo)致客觀風(fēng)險降低，但是若駕駛員感覺不到風(fēng)險存在，客觀風(fēng)險就會持續(xù)累積，導(dǎo)致風(fēng)險爆發(fā)。

而由矩陣（2）～（4）可以看出，車群風(fēng)險的爆發(fā)點是車群中風(fēng)險變化率最大的那輛車，如矩陣（3）中的2-2，然后，此風(fēng)險將傳遞給車輛3，如矩陣（4），導(dǎo)致整個車群安全性降低。

4 結(jié)論

目前，道路安全問題已經(jīng)引起了很多人的關(guān)注和思考。研究車群的行為能夠很好的幫助人們更加綜合的認(rèn)識和判斷交通事故。本文所述的試驗平臺能夠讓15名駕駛員同時獨立的操縱自己的車輛，同時采集多種數(shù)據(jù)，這是本文最大的創(chuàng)新點。在采集得到數(shù)據(jù)的基礎(chǔ)上，還進(jìn)行了相應(yīng)的數(shù)據(jù)分析，提出了一種研究車群風(fēng)險的計算方法。

在今后的進(jìn)一步研究工作中還將繼續(xù)對駕駛平臺的進(jìn)行細(xì)化，讓駕駛?cè)藛T有更加真實的駕駛感受。包括對車輛性能的更真實的再現(xiàn)、道路各種屬性的模擬，以及交通環(huán)境、自然環(huán)境的進(jìn)一步模擬再現(xiàn)。另外一方面，文中給出的分析方法只是簡單的針對了最常見的一些數(shù)據(jù)，而如文中所述，在某些特殊的試驗條件下，由于駕駛員、環(huán)境、車輛的不同所帶來的影響，還可以做更深入地研究?？傊?，在這樣一個平臺建立的前提下，很多從前限于條件而未能解決的問題有了解決的可能性，這樣的研究嘗試是非常有益處的。

［1］ Gibreel G M，M.Easa S.State of the art of highway geometric design consistency［J］.Journal of Transportation Engineering，1999，125（4）:305-313.

［2］ 丁立，張勇剛，李欣，等.基于虛擬駕駛軌跡的高速公路安全評價［J］.公路，2007，52（10）:157-161.

［3］ 楊軫.行車動力學(xué)仿真模型研究［D］.上海:同濟(jì)大學(xué)，2004.

［4］ Alm H.Driving Simutators as Research Tools-a Validation Study Based on the VTI Driving Simulator［M］.Unpublished，1995.

［5］ 汪璇，陳定方，蔣云.虛擬駕駛系統(tǒng)運(yùn)行仿真及控制的設(shè)計與實現(xiàn)［J］.湖北大學(xué)工業(yè)學(xué)報，2007，22（3）:71-74.

［6］ 陳濤，魏朗.人-車-路虛擬仿真中駕駛數(shù)據(jù)采集系統(tǒng)開發(fā)［J］.計算機(jī)應(yīng)用研究，2007，24（7）:229-231.

［7］ Mortazavi A.Effect of drowsiness on driving performance variables of commercial vehicle drivers［J］.International Journal of Automotive Technology，2009，10（3）:391-404.

［8］ Francesco Bella.Driving simulator for speed research on two-lane rural roads ［J］.Accident Analysis and Prevention，2008，40（3）:1078-1087.

［9］ 黃小原，樊治平，張文江.高速公路車輛群模型與控制［J］.東北工學(xué)院學(xué)報:自然科學(xué)版，1990，11（4）:377-382.

［10］陳濤，魏朗.道路行車安全虛擬評價方法研究［J］.安全與環(huán)境學(xué)報，2006，6（6）:115-118.

［11］陳少軍，陳雨人，顧丁奕.基于多人駕駛虛擬平臺研究車群行為的基礎(chǔ)模型設(shè)計［J］.交通與計算機(jī)，2008，26（5）:14-18.

［12］邵毅明，胡燕，徐進(jìn)，等.道路事故多發(fā)路段動力學(xué)仿真識別系統(tǒng)［J］.交通運(yùn)輸工程學(xué)報，2008，8（1）:123-126.

［13］謝靜芳，呂得寶，王寶書.高速公路路面摩擦氣象指數(shù)預(yù)報方法［J］.氣象與環(huán)境學(xué)報，2006，22（6）:18-21.

［14］李愛增，李文權(quán).路段多車型混合車流通行能力［J］.東南大學(xué)學(xué)報:自然科學(xué)版，2007，37（5）:926-929.

Method to Analyze Behavior Safety of Vehicle Group in Virtual Condition

JI Ting-ting1，CHEN Shao-jun2，CHEN Yu-ren1
（1.School of Traffic ＆ Transportation Engineering，Tongji University，Shanghai 201804，China;
2.Research Institute of Architectural Design（Group）Co.Ltd，Tongji University，Shanghai 200092，China）

The moving characteristics and rule of vehicle group are studied in the virtual condition，which includes the framework of the software and hardware，the experiment process，the data collection，analysis and calculation，as well as the data reliability analysis.In the experimentation，15 drivers simulate driving in one scene，meanwhile，the moving parameters of vehicles are collected respectively，including the running track，all kinds of velocity and acceleration，and the use of brake and steering wheel of the vehicles etc.Fuzzy neural network and risk probability matrix are used to analyze the data mentioned，and the risk probability of the vehicle group is calculated;furthermore，the method to study behavior safety of vehicle group is proposed.

virtual driving;vehicle group risk;fuzzy neural network;risk probability matrix

U491.3

A

1674-0696（2010）01-0125-04

2009-09-17;

2009-10-17

紀(jì)廷婷（1984-），女，四川成都人，碩士研究生，主要從事道路安全方面的研究。E-mail:amulet1984@hotmail.com。