武 彪，朱西產(chǎn)，廖茂竹，劉 瑞

（同濟大學 汽車學院，上海 201804）

路口是多方向車輛行駛的交匯區(qū)域，其道路環(huán)境和交通情況非常復雜，因此路口區(qū)域內(nèi)交通事故頻發(fā)且后果也較嚴重.根據(jù)相關數(shù)據(jù)統(tǒng)計，路口發(fā)生的交通事故占交通事故總數(shù)的30%以上.因此，研究路口車輛軌跡交匯問題，并基于危險程度建立安全邊界條件模型，對提高路口區(qū)域安全性和通過效率具有重要意義.文獻[1]基于自然駕駛數(shù)據(jù)，利用DREAM（Driving reliability and error analysis method）方法分析了典型路口危險場景的誘導因素.文獻[2]分析了城市路口的諸多安全因素，通過模型擬合對路口的通行風險進行了評價，并結合安全系數(shù)對車輛進行導航.文獻[3]利用試車跑道試驗對本車左轉、對車左轉場景的駕駛員行為進行了分析，劃分出了駕駛員的緊張域和舒適域.文獻[4]利用場地測試的數(shù)據(jù)分析了駕駛員對兩車交匯的不同時間間隙的接受程度.本文采用車輛碰撞剩余時間（Time to collision，TTC）和預估通行侵入?yún)^(qū)域時間差（Estimating post encroachment time，EPET）對不同類型的路口碰撞場景進行了動態(tài)特性分析，借助危險等級評價模型，利用邏輯回歸方法，建立路口安全邊界條件模型.針對本車直行、對車左側直行（Across path across path/Left side direction，APAP/LSD）和本車左轉、對車左側直行（Left turn across path/Left side direction，LTAP/LSD）2種路口場景，具體計算出路口場景安全邊界條件.通過仿真實驗驗證了模型的有效性.

1 路口場景安全邊界條件模型

1.1 車輛動力學參數(shù)TTC和EPET

對于直行車輛駕駛狀態(tài)的危險等級，一般使用碰撞剩余時間（TTC）和距離前車時間（Timeheadway，THW）2個參數(shù)進行評估[5].TTC和THW的計算公式見式（1）

其中：Δd表示2車之間的距離；v1表示本車速度；v2表示目標車輛速度.

隨著TTC和THW數(shù)值的降低，車輛行駛狀態(tài)的危險等級上升，當TTC和THW數(shù)值為0時，碰撞事故發(fā)生.

路口區(qū)域存在車輛軌跡的交匯地帶（稱之為侵入?yún)^(qū)域（Encroachment zone，EZ）），如圖1所示，此時TTC和THW無法直接使用，需要使用預估通行侵入?yún)^(qū)域時間差（Estimating post encroachment time，EPET）[6]對路口交通碰撞場景進行評估.

圖1 路口區(qū)域車輛軌跡交匯區(qū)域與時間差Fig.1 Trajectories and time of vehicles in intersection collision

EPET定義為前車離開路口區(qū)域與后車進入路口區(qū)域的時間差，其計算公式為

其中：t1和t2分別為本車進入和駛離侵入?yún)^(qū)域的時刻；t3和t4分別為目標車輛進入和駛離侵入?yún)^(qū)域的時刻.在車輛未全部進入侵入?yún)^(qū)域前，每個時間節(jié)點都對應相應的EPET參數(shù).碰撞發(fā)生前，如果本車先駛離侵入?yún)^(qū)域，則EPET=t3-t2，EPET＞0；如果目標車輛先駛離侵入?yún)^(qū)域，則EPET=t4-t1，EPET＜0；當EPET=0時，則碰撞事故發(fā)生.侵入?yún)^(qū)域面積與沖突車輛的寬度相關，為了精準計算TTC和EPET參數(shù)，模型計算過程中需要考慮車輛的長度和寬度.

1.2 危險等級評價模型

采用文獻[7]提出的駕駛員行為自動檢測方法評價危險等級.該方法基于車輛的縱向加速度、橫向加速度以及橫擺加速度來表征車輛行駛狀態(tài)的危險等級，具體指標見表1～表3[7].

表1 根據(jù)縱向加速度定義危險等級Tab.1 Risk level determ ined by longitudinal acceleration

表2 根據(jù)橫向加速度定義危險等級Tab.2 Risk level determ ined by lateral acceleration

表3 根據(jù)橫擺角速度定義危險等級Tab.3 Risk level determ ined by yaw rate

1.3 邏輯回歸預測模型的建立

根據(jù)駕駛員在行車過程中的心理狀態(tài)和實際安全狀況，可將以碰撞點為終點的駕駛員的正常行車過程劃分為4個區(qū)域：舒適域、非舒適域、危險域和碰撞緩解域[8]，如圖2所示.

圖2 駕駛員行車過程的安全狀態(tài)圖Fig.2 Driving safety situation progress

在大多數(shù)情況下，駕駛員都處于舒適域，行車的安全程度很高.但在某些情況下，行車過程會進入非舒適域，此類工況定義為沖突類工況，其危險程度較低，出現(xiàn)頻率高，一般通過自然駕駛數(shù)據(jù)庫進行采集和分析.危險域的危險程度更高，一般駕駛員不會主動進入這一區(qū)域，當意外進入這一區(qū)域后，都會主動通過制動減速等措施返回到更安全的區(qū)域.危險域的右側邊界為安全域邊界，越過這一邊界后，行車狀態(tài)的危險程度將非常高，碰撞將不可避免，只能緩解碰撞帶來的后果，所以安全域邊界到碰撞點的區(qū)域稱為碰撞緩解域，此類工況定義為碰撞類工況，此類工況危險程度高，出現(xiàn)頻率低，需要專業(yè)的團隊對交通事故現(xiàn)場進行勘察鑒定，從而整理復現(xiàn)交通事故場景.

為構建出比較完整的路口安全邊界條件模型，需要對包括車輛沖突類工況和碰撞類工況在內(nèi)的整個行駛全過程進行綜合考慮和分析.

邏輯回歸預測基于一個或多個變量（數(shù)值或分類）進行預測分析.本文采用參數(shù)TTC和EPET作為變量構建車輛行駛狀態(tài)危險等級的邊界條件模型，具體模型為

其中：x1為TTC參數(shù)；x2為EPET參數(shù)；θ0、θ1、θ2為線性回歸系數(shù)；hθ（z）為邏輯回歸輸出.以hθ（z）=0.5作為判斷標準，當hθ（z）＜0.5時，表明車輛當前狀態(tài)為沖突狀態(tài)，駕駛員可采取相對柔和的制動減速操作避免碰撞事故；當hθ（z）＞0.5時，表明車輛當前狀態(tài)為碰撞狀態(tài)，處于圖2的碰撞區(qū)域，駕駛員必須采取緊急的制動減速操作，以降低碰撞損傷.

2 路口安全場景邊界條件模型構建

2.1 數(shù)據(jù)庫與典型場景的選擇

本文采用的自然駕駛數(shù)據(jù)來源于中國實地運行試驗數(shù)據(jù)庫（The China field operation test，China-FOT），China-FOT主要收集了上海地區(qū)車輛行駛數(shù)據(jù)（包括道路環(huán)境數(shù)據(jù)），其中：64%來源于城區(qū)、30%來源于郊區(qū)、6%來自農(nóng)村地區(qū).China-FOT包含車輛的動力學參數(shù)（如速度與偏轉角）、駕駛員控制輸入（如制動踏板位置和方向盤轉角）以及視頻數(shù)據(jù).

本文采用的交通事故數(shù)據(jù)來源于中國交通事故深入研究數(shù)據(jù)庫（China in depth accident study，CIDAS）.CIDAS中每個碰撞事故包含2 000多項數(shù)據(jù)，如道路環(huán)境數(shù)據(jù)、車輛數(shù)據(jù)、受傷治療藥物數(shù)據(jù)、事故調(diào)查與復現(xiàn)數(shù)據(jù)等.該數(shù)據(jù)庫覆蓋國內(nèi)不同經(jīng)濟發(fā)展水平的城市，覆蓋所有路況條件和地形.

對China-FOT采集的數(shù)據(jù)進行分段標簽處理，通過危險等級評價模型篩選提取共得到778例沖突工況，其中40例發(fā)生在路口區(qū)域.在40例路口沖突工況中，本車直行、對車對向直行（Across path across path/Opposite direction，APAP/OD）占42%；本車直行、對車左側直行（APAP/LSD）占34%；本車左轉、對車左側直行（LTAP/LSD）占15%；本車左轉、對車對向直行（Left turn across path/Opposite direction，LTAP/OD）占5%.

在CIDAS數(shù)據(jù)庫的1 200例碰撞事故中，路口事故為313例，占碰撞事故總數(shù)的26%.在128例路口左側路權碰撞場景中，APAP/LSD占據(jù)最高比例49%，LTAP/LSD比例為29%，本車右轉、對車左側直行（Right turn across path/Left side direction，RTAP/LSD）比例為14%.在185例路口右側路權碰撞場景中，本車直行、對車右側直行（APAP/RSD）占據(jù)最高比例67%，本車左轉、對車右側直行（LTAP/RSD）比例為14%，本車右轉、對車右側直行（RTAP/RSD）比例為13%.

基于數(shù)據(jù)的質(zhì)量和數(shù)量，本文選擇APAP/LSD和LTAP/LSD 2種典型的路口場景，基于上述已構建的路口場景安全邊界條件模型，通過分析計算確定上述2種場景的邊界條件模型.

2.2 APAP/LSD路口場景

基于63個CIDAS碰撞類工況和14個China-FOT沖突類工況，得到APAP/LSD路口場景中TTC和EPET分布，如圖3所示.

利用機器學習算法，對圖3中77個數(shù)據(jù)點進行邏輯回歸，得到各項回歸系數(shù)分別為θ0=3.543，θ1=-1.879，θ2=0.635，由此得到APAP/LSD的安全邊界條件模型為

圖3 APAP/LSD路口場景TTC參數(shù)與EPET參數(shù)分布Fig.3 EPET and TTC for APAP/LSD intersection scenario

2.3 LTAP/LSD路口場景

基于37個CIDAS碰撞類工況和7個China-FOT沖突類工況，得到LTAP/LSD路口場景中TTC和EPET分布，如圖4所示.

圖4 LTAP/LSD路口場景TTC參數(shù)與EPET參數(shù)分布Fig.4 EPET and TTC for LTAP/LSD intersection scenario

利用機器學習算法，對圖4中44個數(shù)據(jù)點進行邏輯回歸，得到各項回歸系數(shù)分別為θ0=3.597，θ1=-0.596，θ2=2.212，由此得到LTAP/LSD的安全邊界條件模型為

3 路口安全場景邊界條件模型驗證

基于路口車輛沖突的危險性，本研究采用模擬仿真方法對路口碰撞場景進行真實復現(xiàn)，進而針對路口安全場景邊界條件模型進行驗證分析.

路口車輛碰撞事故場景仿真模擬包括路口環(huán)境的真實復現(xiàn)和車輛動力學模型精準構建.其中路口環(huán)境采用PreScan仿真軟件進行復現(xiàn)，場景覆蓋車輛類型、行駛軌跡、路口類型、車道數(shù)數(shù)目、交通信號燈、周邊建筑、天氣、光照等參數(shù).車輛動力學模型通過CarSim仿真軟件進行構建，其中涵蓋車輛底盤、懸架、發(fā)動機等系統(tǒng)模塊，其中本研究相關的制動系統(tǒng)模塊需要基于不同的車輛類型進行精準構建.

車輛整體控制策略通過Matlab Simulink進行構建，將路口安全場景邊界條件模型輸入到?jīng)Q策算法區(qū)域（Decision algorithm），從而確定車輛采取制動操作的時間點.將整車控制策略與PreScan軟件進行耦合，配合CarSim軟件中的車輛動力學模型，構成系統(tǒng)性的閉環(huán)測試流程，對路口安全場景邊界條件模型進行驗證分析.

具體的仿真模擬流程為：（1）采用PreScan軟件真實還原事故發(fā)生前5 s本車和目標車輛的運動狀態(tài)及道路環(huán)境.（2）在Matlab中采用20 Hz頻率實時計算本車和目標車輛的TTC和EPET動力學參數(shù)，并將其作為輸入傳輸至車輛控制決策算法中.（3）基于路口安全邊界條件模型，車輛控制決策算法對本車運動狀態(tài)進行實時判斷，當判定本車運行狀態(tài)為碰撞狀態(tài)時，車輛控制決策算法發(fā)出緊急制動指令.（4）基于CarSim軟件中車輛制動模型，采用車輛真實的制動壓力和路面附著系數(shù)，計算本車制動距離，判斷本車是否會與目標車發(fā)生碰撞.該仿真模擬的基礎設定條件為：（1）真實復現(xiàn)事故參與車輛（本車以及目標車）的初始狀態(tài)，包括位置、速度、加速度.（2）通過安全邊界條件模型探測到路口碰撞危險時，本車采取制動操作，目標車輛無制動或轉向操作.（3）基于安全冗余考慮，車輛制動時采取最大制動壓力作為輸入.

在APAP/LSD場景中真實復現(xiàn)63個碰撞類工況，基于路口安全場景邊界條件模型的控制獲得車輛采取制動時刻的TTC和EPET參數(shù)分布以及最終時刻的本車狀態(tài)（安全/碰撞），如圖5所示.

圖5 APAP/LSD仿真模擬參數(shù)分布及車輛狀態(tài)Fig.5 EPET,TTC and vehicle situation for APAP/LSD intersection scenario simulation

基于APAP/LSD路口安全場景邊界模型的控制，63個碰撞工況中本車制動時刻的TTC參數(shù)分布在1.3~2.5 s的區(qū)間，與原碰撞工況相比，本車制動時刻平均提前1.3 s，表明該路口安全場景邊界模型能夠提前預警.最終時刻車輛狀態(tài)結果表明，原63個碰撞工況中的59個避免了碰撞，路口碰撞事故率降低94%；對于無法避免的4個碰撞事故，本車碰撞時刻速度平均降低70%，真實碰撞速度和仿真碰撞速度對比見表4.

表4 APAP/LSD仿真碰撞速度分析Tab.4 Analysis of APAP/LSD simulated collision speed

在LTAP/LSD場景中真實復現(xiàn)37個碰撞類工況，基于路口安全場景邊界條件模型的控制獲得車輛采取制動時刻的TTC和EPET參數(shù)分布以及最終時刻的本車狀態(tài)（安全/碰撞），如圖6所示.

圖6 LTAP/LSD仿真模擬參數(shù)分布及車輛狀態(tài)Fig.6 EPET，TTC and vehicle situation for LTAP/LSD intersection scenario simulation

基于LTAP/LSD路口安全場景邊界模型的控制，車輛制動時刻的TTC參數(shù)75%分布在2.0~3.7 s的區(qū)間，與原碰撞工況相比，本車制動時刻平均提前1.7 s，表明該路口安全場景邊界模型能夠提前預警.最終時刻車輛狀態(tài)結果表明，原37個碰撞工況中的32個避免了碰撞，路口碰撞事故率降低86%；對于無法避免的5個碰撞事故，本車碰撞時刻的速度平均降低57%，真實碰撞速度和仿真碰撞速度對比見表5.

表5 LTAP/LSD仿真碰撞速度分析Tab.5 Analysis of LTAP/LSD simulated collision speed

4 結論

本文采用碰撞剩余時間TTC和預估通行侵入?yún)^(qū)域時間差EPET 2個動態(tài)特性參數(shù)，借助危險等級評價模型，利用邏輯回歸方法，建立了基于車輛制動時刻的TTC參數(shù)和EPET參數(shù)的路口場景安全邊界條件模型.使用China-FOT和CIDAS數(shù)據(jù)庫，得到了本車直行、對車左側直行以及本車左轉、對車左側直行2種路口場景的具體安全邊界條件模型.通過仿真模擬對路口安全邊界條件模型進行驗證，分析評估其對于路口區(qū)域車輛行駛狀態(tài)的影響，結果表明所建立模型可以有效避免碰撞或減輕碰撞損傷.