孫 健,周竹萍,歐婉情,彭云龍

(1.江蘇寧杭高速公路有限公司,南京 211200;2.南京理工大學(xué) 自動化學(xué)院,南京 210094)

當(dāng)前,機(jī)動車與非機(jī)動車在交叉口經(jīng)?；煨?交通事故時(shí)常發(fā)生。此外,一些人在日常短距離出行時(shí)首選非機(jī)動車,使得相關(guān)的交通事故數(shù)量日益增長。合理量化交叉口內(nèi)機(jī)動車與非機(jī)動車的碰撞風(fēng)險(xiǎn),能為交叉口設(shè)計(jì)單位、城市交通管理部門等相關(guān)單位優(yōu)化設(shè)計(jì)交叉口提供依據(jù),進(jìn)而提高交通安全水平[1]。

目前,關(guān)于交通安全水平的研究大多圍繞著交通沖突分析[2]、軌跡數(shù)據(jù)分析[3]、駕駛行為分析[4]建立評價(jià)模型。在交通沖突分析方面,主要基于替代性安全指標(biāo)評估安全水平[5]。例如,張燕等[6]基于沖突時(shí)間(Time to Collision,TTC)提出了機(jī)動車安全制動區(qū)模型用于評估交通沖突的嚴(yán)重程度。呂能超等[7]基于拓展的TTC指標(biāo)提取交通沖突,并利用極限梯度算法構(gòu)建了實(shí)時(shí)碰撞風(fēng)險(xiǎn)預(yù)測模型。遲佳欣等[8]針對不同沖突類型,選取TTC和后入侵時(shí)間(Post Encroachment Time, PET)指標(biāo)構(gòu)建了交織區(qū)的安全評價(jià)模型。Xie等[9]利用改進(jìn)的TTC指標(biāo)TTCD(Time to collision with disturbance)判別路段的交通沖突,并對追尾沖突進(jìn)行風(fēng)險(xiǎn)評估。盡管在交通沖突方面已有較多成果,但沖突度量指標(biāo)缺少統(tǒng)一的標(biāo)準(zhǔn),且指標(biāo)具有一定局限性,僅靠一種指標(biāo)不能實(shí)現(xiàn)對不同碰撞類型的風(fēng)險(xiǎn)評估。

隨著研究的深入,有學(xué)者發(fā)現(xiàn)相較于單一評價(jià)指標(biāo),復(fù)合指標(biāo)可提高碰撞風(fēng)險(xiǎn)度量的準(zhǔn)確性。例如Zheng等[10]結(jié)合了TTC和PET兩個(gè)沖突指標(biāo)構(gòu)建了二元極值碰撞風(fēng)險(xiǎn)預(yù)測模型,相較于單一指標(biāo)提高了碰撞預(yù)測的準(zhǔn)確度。Arun等[11]通過對比修正的沖突時(shí)間(Modified Time to Collision, MTTC)、停車距離比(Proportion of Stopping Distance, PSD)、避免碰撞的減速度(Deceleration Rate to Avoid a Collision, DRAC)等指標(biāo),發(fā)現(xiàn)將MTTC和DRAC相結(jié)合可提高追尾碰撞的預(yù)測準(zhǔn)確率。但這些指標(biāo)僅從時(shí)間或空間的單一層面研究安全風(fēng)險(xiǎn)水平,與碰撞事故的時(shí)空連續(xù)變化特征不符[12],且大多集中在機(jī)動車之間的沖突,對機(jī)非沖突的關(guān)注度不高。然而已有關(guān)于機(jī)非沖突的研究大多集中在沖突特征分析[13]上,較少定量化分析機(jī)非碰撞風(fēng)險(xiǎn)。

在基于駕駛行為數(shù)據(jù)建立道路交通安全評價(jià)模型方面,趙曉華等[14]結(jié)合激進(jìn)駕駛行為頻次、交通秩序指數(shù)等指標(biāo)建立了高速公路橋梁路段安全風(fēng)險(xiǎn)識別模型,為設(shè)計(jì)道路安全防控方案提供理論支撐。蔡曉禹等[15]基于駕駛行為數(shù)據(jù)及信息熵理論提出了道路安全風(fēng)險(xiǎn)評估方法,但駕駛行為數(shù)據(jù)樣本較小且類型有限,難以分析不同情況下的安全風(fēng)險(xiǎn)。

隨著計(jì)算機(jī)視覺技術(shù)迅速發(fā)展,現(xiàn)有技術(shù)已經(jīng)能夠獲取車輛軌跡數(shù)據(jù)并提取交通參與者的運(yùn)動參數(shù),實(shí)現(xiàn)基于軌跡數(shù)據(jù)的交通安全評價(jià)。Liu等[16]基于軌跡數(shù)據(jù)及改進(jìn)的沖突指標(biāo)評估了不同交通狀態(tài)下的安全性能,并分析了不同交通參數(shù)對碰撞風(fēng)險(xiǎn)的影響。Hu等[17]基于軌跡數(shù)據(jù),將交通狀態(tài)與交通沖突相結(jié)合,提出了一種道路交通安全實(shí)時(shí)評價(jià)方法,能夠較好地評估沖突風(fēng)險(xiǎn)。鄭玉冰等[18]通過分析軌跡數(shù)據(jù),提出了基于個(gè)體的沖突風(fēng)險(xiǎn)自動識別方法,可量化非機(jī)動車道的運(yùn)行風(fēng)險(xiǎn)。

綜上所述,針對過往研究中存在的問題與不足,文中提出一種融合時(shí)間指標(biāo)和空間指標(biāo)的機(jī)動車與非機(jī)動車碰撞風(fēng)險(xiǎn)評價(jià)模型。首先,利用YOLOX+DeepSORT多目標(biāo)檢測與追蹤算法提取車輛軌跡數(shù)據(jù),以獲取運(yùn)動參數(shù)。其次,基于機(jī)非碰撞風(fēng)險(xiǎn)分析,從空間維度提出最小接近距離以及機(jī)動車與非機(jī)動車的相位角兩個(gè)評價(jià)指標(biāo),從時(shí)間維度提出到達(dá)最小接近距離的時(shí)間這一評價(jià)指標(biāo)。最后,融合時(shí)空指標(biāo)建立機(jī)非碰撞風(fēng)險(xiǎn)評價(jià)模型。結(jié)合南京市兩個(gè)交叉口進(jìn)行實(shí)例分析,并利用傳統(tǒng)的替代性安全指標(biāo)TTC驗(yàn)證文中提出模型的合理性和有效性。

1 基礎(chǔ)數(shù)據(jù)提取

1.1 目標(biāo)檢測與追蹤

準(zhǔn)確提取車輛的行駛軌跡及交通參數(shù)是分析機(jī)非碰撞風(fēng)險(xiǎn)的關(guān)鍵所在。由于非機(jī)動車體積小且外觀多變,傳統(tǒng)算法的檢測追蹤精度不高,難以為后續(xù)的交通參數(shù)提取提供準(zhǔn)確依據(jù)。因此,需引入更為精準(zhǔn)、高效的多目標(biāo)檢測追蹤算法來獲取非機(jī)動車軌跡。文中采用YOLOX+DeepSORT的多目標(biāo)檢測追蹤算法對機(jī)動車與非機(jī)動車進(jìn)行檢測與追蹤。

通過YOLOX目標(biāo)檢測算法[19]檢測出每一幀畫面的機(jī)動車與非機(jī)動車,利用DeepSORT多目標(biāo)追蹤算法[20]完成檢測目標(biāo)的關(guān)聯(lián),以實(shí)現(xiàn)目標(biāo)的正確匹配。為提高交叉口場景下對機(jī)動車與非機(jī)動車的檢測精度,在預(yù)訓(xùn)練卷積權(quán)重后,用采集到的交叉口航拍視頻對模型進(jìn)行訓(xùn)練并測試。提取航拍視頻中的25 400張圖片構(gòu)建數(shù)據(jù)集,并按照7∶3的比例劃分訓(xùn)練集和測試集。在檢測模型訓(xùn)練迭代10 000次左右后對交叉口航拍視頻中的機(jī)動車與非機(jī)動車進(jìn)行追蹤,并選取衡量某一類目標(biāo)對象(如機(jī)動車和非機(jī)動車)檢測準(zhǔn)確程度的指標(biāo)平均準(zhǔn)確率(Average Precision, AP)評估檢測模型的性能[21]。結(jié)果顯示,針對機(jī)動車的檢測準(zhǔn)確率為93.5%,非機(jī)動車檢測準(zhǔn)確率為89.9%,滿足本研究對檢測精度的要求。

1.2 軌跡及運(yùn)動參數(shù)提取

利用YOLOX目標(biāo)檢測算法和DeepSORT多目標(biāo)追蹤算法提取交叉口內(nèi)機(jī)動車與非機(jī)動車的行駛軌跡,并獲取車輛交通參數(shù),包括:機(jī)動車的位置坐標(biāo)(xc,yc)、行駛方向θc、行駛速度vc及加速度ac;非機(jī)動車的位置坐標(biāo)(xb,yb)、行駛方向θb、行駛速度vb及加速度ab。其中車輛速度vc的計(jì)算如式(1)所示,加速度ac的計(jì)算如式(2)所示。

(1)

(2)

式中:30表示視頻幀率;(xi,yi)和(xj,yj)表示車輛在第i和j幀的位置坐標(biāo),vi和vj表示車輛在第i和j幀的瞬時(shí)速度。

2 機(jī)非碰撞風(fēng)險(xiǎn)評價(jià)指標(biāo)計(jì)算

2.1 機(jī)非碰撞風(fēng)險(xiǎn)分析

通過交叉口的某一機(jī)動車與非機(jī)動車,如若兩者感知到在時(shí)間和空間上相互接近,但仍保持當(dāng)前運(yùn)動狀態(tài)不變時(shí),則意味著兩者間存在潛在的碰撞風(fēng)險(xiǎn)。

為合理構(gòu)建碰撞風(fēng)險(xiǎn)評價(jià)模型,參考船舶碰撞的相關(guān)研究[22],并結(jié)合機(jī)動車與非機(jī)動車的運(yùn)行特征,將機(jī)動車與非機(jī)動車的碰撞類型分為交叉碰撞、追尾碰撞及對向碰撞三類:

1)交叉碰撞:機(jī)動車與非機(jī)動車的速度方向存在交叉,且兩者間的距離逐漸縮短,存在碰撞風(fēng)險(xiǎn),即定義為交叉碰撞。

2)追尾碰撞:機(jī)動車與非機(jī)動車的速度方向相同,一者在前一者在后,且后者速度大于前者速度,兩者間的距離逐漸縮短,存在碰撞風(fēng)險(xiǎn),即定義為追尾碰撞。

3)對向碰撞:機(jī)動車與非機(jī)動車的速度方向相反,且兩者間的距離逐漸縮短,存在碰撞風(fēng)險(xiǎn),即定義為對向碰撞。

2.2 時(shí)空指標(biāo)計(jì)算

選取能夠合理描述機(jī)動車與非機(jī)動車碰撞可能性的指標(biāo)是準(zhǔn)確量化機(jī)非碰撞風(fēng)險(xiǎn)的關(guān)鍵。盡管已有學(xué)者從時(shí)間維度或空間維度提出多個(gè)評價(jià)指標(biāo),如后侵入時(shí)間、停車距離比等,但這些指標(biāo)大都僅考慮了機(jī)動車或者僅適用于追尾碰撞[23]。而研究機(jī)動車與非機(jī)動車的碰撞風(fēng)險(xiǎn),不僅需要考慮機(jī)動車的特征,非機(jī)動車的性能以及駕駛者的特性同樣需要關(guān)注。有時(shí)盡管非機(jī)動車與機(jī)動車間的沖突距離較短,但并不會發(fā)生碰撞,因?yàn)榉菣C(jī)動車更靈活,可以在一定程度上避免碰撞事件發(fā)生。無論是駕駛員個(gè)體的差異,還是車輛性能上的差異,都會影響車輛的行駛速度、方向等量化指標(biāo)。因此,文中從空間維度提出最小接近距離(Minimum Approach Distance, MAD)和機(jī)動車與非機(jī)動車的相位角φ指標(biāo),從時(shí)間維度提出到達(dá)最小接近距離的時(shí)間(Time to the Minimum Approach Distance, TMAD)指標(biāo)用于度量碰撞風(fēng)險(xiǎn)。

2.2.1 空間維度指標(biāo)

機(jī)動車與非機(jī)動車的交通參數(shù)如下:

如圖1所示,建立以機(jī)動車為原點(diǎn)的平面坐標(biāo)系。

圖1 機(jī)動車與非機(jī)動車參數(shù)

a.機(jī)動車相對于非機(jī)動車的速度vR和方向θR

(3)

(4)

(5)

式中:vcx和vcy分別為水平和豎直方向上機(jī)動車的速度分量,vcx=vc·sinθc,vcy=vc·cosθc;vbx和vby分別為水平和豎直方向上非機(jī)動車的速度分量,vbx=vb·sinθb,vby=vb·cosθb。

b.機(jī)動車相對于非機(jī)動車的加速度aR

為減少運(yùn)算量,假設(shè)機(jī)動車相對于非機(jī)動車的加速度方向與兩者相對速度方向一致,則有

(6)

(7)

c.機(jī)動車相對于與非機(jī)動車的相位角φ

(8)

1)最小接近距離MAD

機(jī)動車與非機(jī)動車以當(dāng)前時(shí)刻的速度和方向繼續(xù)行駛時(shí),在之后的某一時(shí)刻兩者產(chǎn)生一個(gè)最接近的距離,將該距離定義為最小接近距離MAD。MAD值越小,機(jī)動車與非機(jī)動車間的距離越接近,則說明兩者發(fā)生碰撞的風(fēng)險(xiǎn)也就越高。選取MAD作為度量指標(biāo),可以較好地在空間維度上評估機(jī)動車與非機(jī)動車的碰撞風(fēng)險(xiǎn),其計(jì)算公式如式(9)所示。

MAD=D·sin (φ-θR-π)

(9)

式中:D表示機(jī)動車與非機(jī)動車之間的距離。

2)相位角φ

機(jī)動車與非機(jī)動車行駛時(shí)產(chǎn)生的相位角在某種程度上也可以用來描述碰撞危險(xiǎn)程度。由于非機(jī)動車具有靈活性,其相位角具有時(shí)效性,在與機(jī)動車存在碰撞的可能時(shí)用來表示碰撞危險(xiǎn)程度可以避免距離及時(shí)間等因素的影響。相位角計(jì)算公式如式(10)所示。

φ=2π-θb+θc

(10)

為了更直觀地體現(xiàn)相位角對機(jī)非碰撞風(fēng)險(xiǎn)的影響,將機(jī)動車與非機(jī)動車角度的相位差記為Φ(Φ∈[0,2π]),并將式(10)做如下變形:

(11)

當(dāng)機(jī)動車與非機(jī)動車逐漸遠(yuǎn)離不會碰撞時(shí)二者相位差為負(fù)值,而當(dāng)機(jī)動車與非機(jī)動車相互靠近時(shí)相位差為正值,即存在發(fā)生碰撞的風(fēng)險(xiǎn)。當(dāng)相位角為π時(shí)兩者相向而行,-π時(shí)則相反。

為進(jìn)一步闡釋機(jī)動車與非機(jī)動車形成的相位角對度量碰撞風(fēng)險(xiǎn)的影響,做出以下假設(shè)。當(dāng)前機(jī)動車與非機(jī)動車之間的相位角為φ(>0),假設(shè)非機(jī)動車保持運(yùn)動狀態(tài)不變,即相位角不變,而機(jī)動車有兩種可能的運(yùn)動軌跡變化,即Γ1和Γ2。若機(jī)動車改變軌跡沿Γ1運(yùn)動,易知其與非機(jī)動車的相位角φ1會增大(φ1>φ),碰撞風(fēng)險(xiǎn)也會隨之增加;若機(jī)動車改變軌跡沿Γ2運(yùn)動,其與非機(jī)動車的相位角φ2會減小(φ2<φ),碰撞風(fēng)險(xiǎn)也會隨之降低。因此,沿Γ1軌跡方向運(yùn)動形成的相位角比沿Γ2軌跡方向運(yùn)動形成的相位角大,相對應(yīng)的碰撞風(fēng)險(xiǎn)也更大。

在以上分析的基礎(chǔ)之上建立相位角效用函數(shù),該函數(shù)需滿足如下條件:

a.當(dāng)相位角φ取值為正時(shí),效用函數(shù)值較大;相位角φ取值為為負(fù)時(shí),效用函數(shù)值較小甚至為0。結(jié)合上述假設(shè)分析,如果機(jī)動車與非機(jī)動車之間的相位角取值為負(fù),則說明兩者之間沒有碰撞風(fēng)險(xiǎn);

b.相位角φ與效用函數(shù)成正相關(guān),即機(jī)動車與非機(jī)動車的相位角φ>0時(shí),效用函數(shù)隨著φ的增大而增大,二者存在發(fā)生碰撞的可能性增大;

c.相位角φ的變化是非線性的,通常情況下,機(jī)動車與非機(jī)動車發(fā)生交叉碰撞,即φ∈[0,π]時(shí),駕駛員感知到的碰撞危險(xiǎn)程度隨著相位角φ的增大而增加,碰撞風(fēng)險(xiǎn)的可控性也在增大。如圖2所示,相位角越大,機(jī)動車與非機(jī)動車距離可能的碰撞點(diǎn)就越近。兩者運(yùn)動軌跡的交點(diǎn)隨著相位角φ的增大而變化的同時(shí),駕駛員對危險(xiǎn)的感知愈加明顯,增大了對碰撞風(fēng)險(xiǎn)的可控性。相位角的變化對碰撞風(fēng)險(xiǎn)效用變化的影響降低,作用在效用函數(shù)曲線上表現(xiàn)為曲線斜率減小。

圖2 機(jī)動車與非機(jī)動車相位角對碰撞風(fēng)險(xiǎn)的影響

根據(jù)以上分析,利用Logistic模型建立相位角效用函數(shù)U如式(12)所示。

(12)

式中:K和r是用于調(diào)節(jié)U的效用值范圍的縮放因子;ξ是調(diào)節(jié)系數(shù)。

2.2.2 時(shí)間維度指標(biāo)

如果同一機(jī)動車和多個(gè)非機(jī)動車存在交互,且最小接近距離MAD均相同時(shí),僅通過空間指標(biāo)無法很好地評估機(jī)動車與非機(jī)動車碰撞的風(fēng)險(xiǎn)。因而從時(shí)間維度提出度量指標(biāo)到達(dá)最小接近距離的時(shí)間TMAD以評估同一機(jī)動車與不同的非機(jī)動車的碰撞風(fēng)險(xiǎn),計(jì)算公式如式(13)所示。

TMAD=

(13)

3 機(jī)非碰撞風(fēng)險(xiǎn)評價(jià)模型

3.1 模型構(gòu)建

文中融合空間維度的度量指標(biāo)MAD、相位角φ及時(shí)間維度的度量指標(biāo)TMAD,提出機(jī)非碰撞風(fēng)險(xiǎn)評價(jià)模型(Collision Risk Assessment Model, CRA),以量化機(jī)非碰撞風(fēng)險(xiǎn)。

為了方便對不同量綱的數(shù)據(jù)進(jìn)行歸一化處理,模型將機(jī)非碰撞風(fēng)險(xiǎn)取值設(shè)定在0到1范圍內(nèi),即如果機(jī)非碰撞風(fēng)險(xiǎn)為1,則說明兩者發(fā)生碰撞,此時(shí)TMAD或MAD為0。MAD和TMAD越小,機(jī)動車和非機(jī)動車兩者之間發(fā)生碰撞的可能性則越大。

由于MAD和TMAD是非線性的,且與CRA呈負(fù)相關(guān),故以負(fù)指數(shù)函數(shù)建立與之對應(yīng)的CRA模型;而對于相位角效用函數(shù)U,則以指數(shù)函數(shù)建立對應(yīng)的CRA模型。CRA與MAD、U及TMAD之間的關(guān)系如式(14)～(16)所示。

CRAS=YS·e-λS·MAD

(14)

CRAu=Yu·eλu·U

(15)

CRAT=YT·e-λT·TMAD

(16)

式中:Y和λ表示模型的修正系數(shù),取值由車輛性能、駕駛員狀態(tài)、可視距離等影響因素決定;CRAS、CRAu表示從空間維度上量化碰撞風(fēng)險(xiǎn), CRAT表示從時(shí)間維度量化碰撞風(fēng)險(xiǎn)。

最后,通過加權(quán)的方式得到機(jī)非碰撞風(fēng)險(xiǎn)評價(jià)模型,如式(17)所示。

CRA=Α·CRAS+Β·CRAT+?！RAu

(17)

式中:Α、Β和Γ是CRAS、CRAT和CRAu的權(quán)重,且Α+Β+Γ=1;CRAS、CRAu和CRAT在各沖突類型中的影響大小決定Α、Β和Γ的取值。

不同的沖突類型,CRA模型中各度量的權(quán)重也不同。為了客觀地確定權(quán)重,文中選用熵權(quán)法來獲取各度量的權(quán)重值。通過無人機(jī)航拍采集多個(gè)交叉口的車輛運(yùn)行視頻,運(yùn)用YOLOX+DeepSORT多目標(biāo)檢測與追蹤算法提取交叉沖突、追尾沖突及對向沖突的車輛軌跡各10條,并獲取對應(yīng)軌跡的交通參數(shù),根據(jù)熵權(quán)法的基本原理[24]得到不同沖突類型的權(quán)重系數(shù)如表1所示。

表1 不同沖突類型的權(quán)重系數(shù)

3.2 模型假設(shè)與系數(shù)標(biāo)定

收集機(jī)動車與非機(jī)動車碰撞事故數(shù)據(jù)是進(jìn)行模型系數(shù)標(biāo)定的關(guān)鍵,但獲取到充足的車輛碰撞數(shù)據(jù)需要較長周期,因而,文中基于駕駛員的反應(yīng)時(shí)間、車輛制動性能等實(shí)際情況間接標(biāo)定機(jī)非碰撞風(fēng)險(xiǎn)模型的系數(shù)。

3.2.1 相位角效用函數(shù)標(biāo)定

根據(jù)2.2.1節(jié)的分析可知,當(dāng)相位角φ∈[0,π]時(shí),駕駛員對危險(xiǎn)的感知愈加敏感。當(dāng)φ=90°時(shí),機(jī)動車與非機(jī)動車呈垂直交叉碰撞狀態(tài),本文將此時(shí)看作風(fēng)險(xiǎn)較高的狀態(tài),因而對應(yīng)較大的效用值。參照統(tǒng)計(jì)學(xué)中的常見做法,將最大效用值(設(shè)為100)的95%記為φ=90°時(shí)的效用值,以凸顯相位角變化對效用值的影響。當(dāng)φ<0°時(shí),無碰撞風(fēng)險(xiǎn),故此時(shí)的效用值小于0?；谝陨霞僭O(shè),得出對應(yīng)效用函數(shù)如式(18)所示。

(18)

3.2.2 碰撞風(fēng)險(xiǎn)評價(jià)模型系數(shù)標(biāo)定

在車輛行駛的過程中從駕駛員發(fā)現(xiàn)可能發(fā)生碰撞到采取措施所需要的時(shí)間定義為反應(yīng)時(shí)間,一般在這一時(shí)間段內(nèi)駕駛員不對車輛作任何操作。如果該時(shí)間大于車輛到達(dá)最小接近距離的時(shí)間,則極大可能發(fā)生碰撞事故。除考慮反應(yīng)時(shí)間之外,車輛自身的性能也是影響安全的決定性因素。綜合各影響因素后,最終取反應(yīng)時(shí)間t=0.7 s作為閾值[25]。若TMAD<0.7 s,則至少有一方無法及時(shí)采取避免碰撞的措施。

車輛最小制動距離是碰撞風(fēng)險(xiǎn)的另一重要影響因素,即車輛在最大減速度下,由開始制動到完全停車之間的行駛距離。但駕駛員會顧及自身安全,選擇在自身接受范圍內(nèi)的最大減速度進(jìn)行制動操作。根據(jù)參考文獻(xiàn)[12]可知,一般可接受減速度為3.35 m·s-2。

結(jié)合上文分析,對碰撞風(fēng)險(xiǎn)模型CRAS、CRAu和CRAT做出如下假設(shè):對于CRAS以最小制動距離作為衡量風(fēng)險(xiǎn)的標(biāo)準(zhǔn),同時(shí)預(yù)留出部分安全余量;對于CRAu以相位角位于 [0°,180°]范圍的效用為度量標(biāo)準(zhǔn); CRAT的度量標(biāo)準(zhǔn)是最小制動時(shí)間及駕駛員的反應(yīng)時(shí)間,同樣預(yù)留出部分安全余量。對應(yīng)CRA模型如式(19)～(21)所示。

CRAS=1.093 5·exp (-0.386 9·MAD)

(19)

CRAu=0.100 0·exp (0.023 1·U)

(20)

CRAT=2.004 9·exp (-1.147 6·TMAD)

(21)

根據(jù)上述通過熵權(quán)法獲得的各度量的權(quán)值,以交叉碰撞為例,得到碰撞風(fēng)險(xiǎn)評價(jià)模型如式(22)所示。圖3展示了當(dāng)CRAS=CRAT=CRAu=0.5時(shí),CRA隨MAD、TMAD及相位角φ變化的截面圖。

圖3 CRAS=CRAT=CRAu=0.5時(shí),CRA隨MAD,TMAD和φ變化的截面

CRA=0.355 4e-0.386 9·MAD+

0.627 5e-1.147 6·TMAD+0.032 6e0.023 1·U

(22)

4 實(shí)例驗(yàn)證

4.1 數(shù)據(jù)來源

選取南京市苜蓿園大街與后標(biāo)營路交叉口、星火路與學(xué)府路交叉口以及紫金東路與勝利村路交叉口進(jìn)行實(shí)例驗(yàn)證。苜蓿園大街與后標(biāo)營路交叉口為十字信號控制交叉口,機(jī)動車右轉(zhuǎn)不受限制且機(jī)動車流量較大,右轉(zhuǎn)的機(jī)動車與直行的非機(jī)動車之間存在較多沖突。星火路與學(xué)府路交叉口為十字兩相位信號控制交叉口,高峰時(shí)段轉(zhuǎn)彎流量過大,機(jī)非沖突較多。紫金東路與勝利村路交叉口為T型信號控制交叉口,東西方向左直右同時(shí)放行,非機(jī)動車流線混亂,機(jī)非沖突較多。通過無人機(jī)航拍的方式,在高峰時(shí)段(7:00—9:00,17:00—19:00)和平峰時(shí)段(14:00—16:00)采集三個(gè)交叉口的視頻,共采集9段視頻,每段視頻的長度為15 min,共135 min。

4.2 實(shí)例分析

通過分析苜蓿園大街與后標(biāo)營路交叉口的車輛運(yùn)行視頻可知,由于右轉(zhuǎn)機(jī)動車不受限制,導(dǎo)致各進(jìn)口道右轉(zhuǎn)機(jī)動車與直行非機(jī)動車之間的沖突較為嚴(yán)重。圖4顯示了右轉(zhuǎn)黑色機(jī)動車與直行非機(jī)動車的沖突軌跡。選取沖突指標(biāo)TTC評估CRA模型的合理性,TTC與CRA變化如圖5所示。右轉(zhuǎn)的機(jī)動車與直行的非機(jī)動車存在沖突,當(dāng)兩者進(jìn)入交叉口時(shí),盡管機(jī)動車進(jìn)行減速操作,但此時(shí)兩者間距離較遠(yuǎn),發(fā)生碰撞的可能性較低,因而CRA較小,TTC也在較大范圍內(nèi)。隨著兩者間的距離縮短,CRA增大,TTC減小,當(dāng)TTC最小時(shí),CRA達(dá)到最大值,由此說明CRA與TTC存在相關(guān)性。為了更進(jìn)一步驗(yàn)證CRA與TTC的相關(guān)性,采用Spearman相關(guān)性分析法分析兩者的相關(guān)性。結(jié)果表明,兩者的相關(guān)系數(shù)值為-0.941,并且呈現(xiàn)出0.01水平的顯著性,因而說明CRA與TTC之間呈顯著的負(fù)相關(guān),即CRA模型可以合理量化機(jī)非碰撞風(fēng)險(xiǎn)。

圖4 苜蓿園大街與后標(biāo)營路交叉口的沖突軌跡示例

圖5 苜蓿園大街與后標(biāo)營路交叉口的TTC與CRA變化

為了更進(jìn)一步驗(yàn)證CRA模型的合理性,選取星火路與學(xué)府路交叉口進(jìn)行分析。該交叉口為兩相位信號控制交叉口,東西方向左直右三條路同時(shí)放行,南北方向左直右三條路同時(shí)放行,高峰時(shí)段轉(zhuǎn)彎車流量較大,致使該交叉口存在較多機(jī)動車與非機(jī)動車的沖突。圖6顯示了直行黑色機(jī)動車與左轉(zhuǎn)非機(jī)動車的沖突軌跡。機(jī)動車與非機(jī)動車的TTC與CRA變化如圖7所示,隨著機(jī)動車與非機(jī)動車在時(shí)間和空間上越接近,CRA越大,TTC越小,碰撞風(fēng)險(xiǎn)越大,當(dāng)非機(jī)動車采取減速措施,機(jī)動車逐漸駛出交叉口,兩者的碰撞風(fēng)險(xiǎn)逐漸降低,CRA逐漸減小,TTC逐漸增大。采用上述相同的分析方法分析CRA與TTC的相關(guān)性,結(jié)果表明,兩者的相關(guān)系數(shù)值為-0.975,并且呈現(xiàn)出0.01水平的顯著性。

圖6 星火路與學(xué)府路交叉口的沖突軌跡示例

圖7 星火路與學(xué)府路交叉口的TTC與CRA變化

為了進(jìn)一步說明CRA模型的作用,選取勝利村路與紫金東路交叉口進(jìn)行風(fēng)險(xiǎn)評估。通過分析該交叉口的車輛運(yùn)行視頻可知,由于東西方向左直右三條路同時(shí)放行,導(dǎo)致東進(jìn)口右轉(zhuǎn)、西進(jìn)口左轉(zhuǎn)的機(jī)動車與東進(jìn)口直行的非機(jī)動車沖突嚴(yán)重。圖8顯示了左轉(zhuǎn)白色機(jī)動車與直行非機(jī)動車的沖突軌跡。

圖8 勝利村路與紫金東路交叉口的沖突軌跡示例

根據(jù)圖9可知,CRA大于0.5時(shí),TTC基本都小于閾值1.5 s[26],因此選取CRA值為0.5時(shí)作為碰撞風(fēng)險(xiǎn)閾值。通過分析機(jī)動車與非機(jī)動車的運(yùn)行軌跡,基于目標(biāo)檢測與追蹤過程中提取的機(jī)動車與非機(jī)動車的位置坐標(biāo),劃定出該交叉口沖突頻發(fā)的區(qū)域。同時(shí)計(jì)算該交叉口內(nèi)部存在軌跡交叉的機(jī)動車與非機(jī)動車的CRA值,并繪制出CRA值大于0.5的機(jī)動車與非機(jī)動車碰撞風(fēng)險(xiǎn)熱力圖,如圖10所示,其中紅色部分表示存在碰撞風(fēng)險(xiǎn)的車輛分布密集的區(qū)域。

圖9 勝利村路與紫金東路交叉口的CRA和TTC變化

圖10 碰撞風(fēng)險(xiǎn)分布熱力圖

5 結(jié) 語

文中通過分析非機(jī)動車的交通特性以及沖突產(chǎn)生原因,融合時(shí)空指標(biāo)提出了新的評價(jià)指標(biāo)和機(jī)非碰撞風(fēng)險(xiǎn)評價(jià)模型。主要成果如下:

1)運(yùn)用YOLOX+DeepSORT算法檢測并追蹤機(jī)動車與非機(jī)動車,機(jī)動車的檢測準(zhǔn)確率為93.5%,非機(jī)動車的檢測準(zhǔn)確率為89.9%,實(shí)現(xiàn)了交叉口環(huán)境下機(jī)動車與非機(jī)動車的追蹤及交通參數(shù)的提取。

2)基于機(jī)動車與非機(jī)動車的碰撞分析,從空間和時(shí)間兩個(gè)維度,提出了最小接近距離MAD、機(jī)動車與非機(jī)動車的相位角φ以及到達(dá)最小接近距離的時(shí)間TMAD三個(gè)碰撞風(fēng)險(xiǎn)度量指標(biāo)。

3)基于時(shí)空指標(biāo),利用指數(shù)函數(shù)通過加權(quán)的方式建立了機(jī)非碰撞風(fēng)險(xiǎn)評價(jià)模型。選取苜蓿園大街與后標(biāo)營路交叉口、星火路與學(xué)府路交叉口以及勝利村路與紫金東路交叉口進(jìn)行模型驗(yàn)證,并與傳統(tǒng)的替代性安全指標(biāo)TTC對比分析,評價(jià)了CRA模型的合理有效性和應(yīng)用可能性。

文中提出的機(jī)非碰撞風(fēng)險(xiǎn)評價(jià)模型,綜合考慮了時(shí)間和空間兩個(gè)維度的多種因素,實(shí)現(xiàn)了交叉口安全風(fēng)險(xiǎn)水平的量化分析,為交叉口優(yōu)化設(shè)計(jì)提供了數(shù)據(jù)支撐。但文中在進(jìn)行CRA模型系數(shù)標(biāo)定的過程中,存在著諸多假設(shè)。盡管具備一定的實(shí)際意義,但無法涵蓋所有情況,因此需要更多有效的數(shù)據(jù)進(jìn)行檢驗(yàn)。