摘 要：為規(guī)避或緩解紅綠燈路口前車停車讓行時遭到失控后車追尾的嚴重事故，基于前序研究建立的行車風(fēng)險場力的基本模型，提出了行車風(fēng)險的矢量場建模方法。設(shè)計了無信號燈交叉路口場景，并進行6組不同狀態(tài)下的行車安全場仿真計算；設(shè)計了紅綠燈路口前車停車讓行時即將遭到失控后車追尾的危險場景，分析了直行、左轉(zhuǎn)、右轉(zhuǎn)和掉頭等4種不考慮道路交通規(guī)則約束的避險路徑，對比分析了12組不同狀態(tài)下的行車風(fēng)險場力分布。結(jié)果表明：所提模型可以有效辨識行車風(fēng)險，自車掉頭進入另一側(cè)車道的避險方案最佳，且當車速為3 m/s時能將整體風(fēng)險降低67.41%。

關(guān)鍵詞：自動駕駛；行車風(fēng)險；矢量建模；行車安全場

Research on transient driving risk vector modeling method under strong constraints of traffic regulations

Abstract： To mitigate or alleviate the occurrence of serious accidents where a preceding vehicle stops to yield at a traffic light intersection and was rear-ended by an out-of-control vehicle， a vector field modeling method for vehicle risk was proposed based on the fundamental model of driving risk field force established in the previous studies. An intersection scenario without traffic signals was designed and the safety simulations was conducted under six driving conditions. A dangerous scenario was developed， where a vehicle at a traffic light intersection was at risk of being rear-ended by an out-of-control following vehicle; then， four evasive maneuvers （going straight， turning left， turning right， and making a U-turn） was analyzed without considering road traffic regulations; finally， the force distribution of driving risks across twelve conditions were compared and analyzed. The results show that the proposed model can effectively identify driving risks. The evasive maneuver of the vehicle making a U-turn into the opposite lane is the most optimal， reducing overall risk by 67.41% when the speed is 3 m/s.

Key words： autonomous driving; driving risk; vector modeling; driving safety field

自動駕駛技術(shù)能夠提高車輛的行車安全性，減少交通事故的發(fā)生和傷害。但現(xiàn)有的自動駕駛技術(shù)大多以遵守交規(guī)約束為原則，以減少自車風(fēng)險為目標，開發(fā)出諸如降低縱向風(fēng)險的自動緊急制動系統(tǒng) （autonomous emergency braking，AEB）、 自適 應(yīng) 巡航 控制系統(tǒng) （adaptive cruise control，ACC） 等，降低橫向風(fēng)險的車道保持輔助系統(tǒng) （lane keeping assist system，LKA）、并線輔助系統(tǒng) （lane change assistant，LCA） 等多類高級駕駛輔助系統(tǒng)。然而由于道路現(xiàn)場的復(fù)雜性和交規(guī)的強約束性，現(xiàn)有的駕駛輔助系統(tǒng)仍難應(yīng)對復(fù)雜的特殊場景，自動駕駛技術(shù)在實際應(yīng)用中仍將面臨諸多技術(shù)挑戰(zhàn)。

交通規(guī)則強約束下的惡性行車風(fēng)險辨識與規(guī)避即是自動駕駛技術(shù)在實際應(yīng)用中面臨的挑戰(zhàn)之一。自動駕駛汽車事故數(shù)據(jù)^{[1] 顯示：因其他道路交通參與者追尾導(dǎo)致事故占比接近 70%，且主要為自動駕駛汽車在交叉口處保持禮讓時被其他道路交通參與者追尾碰撞?？梢娮詣玉{駛汽車雖能通過感知器及時探測到后方來車，但在交通規(guī)則強約束下 （ 如紅燈和實線），難以采取加速或變道規(guī)避追尾。}

對行車風(fēng)險進行準確的量化評估是解決這一問題的前提，行車風(fēng)險通常來源于內(nèi)部原因 （ 車輛層面 ） 和外部原因（ 環(huán)境層面） [^2]。內(nèi)部原因與零部件的失靈、故障和失效等有關(guān)，而外部原因大多是由于車輛和環(huán)境的條件影響或發(fā)生意外所致。對自動駕駛汽車的行車風(fēng)險進行實時量化評估，以避免外部原因造成碰撞事故一直是研究的熱點^[3]。由于道路交通環(huán)境具有時變、多因素耦合的特性，對于危害分析與風(fēng)險評估 （hazard analysis and risk assessment，HARA） [4^]、失效模式與影響分析 （failure mode and effects analysis，F(xiàn)MEA） [^5]等基于過程的風(fēng)險評估方法，通常以提供定性結(jié)果的方式輸出評估結(jié)果，難以滿足自動駕駛行車風(fēng)險評估的實時性需求，因此通常采用基于模型的方法進行自動駕駛汽車行車風(fēng)險定量評估。

基于模型的行車風(fēng)險量化評估方法通常利用數(shù)學(xué)模型建立相應(yīng)的風(fēng)險評估指標，如：安全距離^[6]、碰撞時間（time to collision，TTC） [7^]、碰撞時間倒數(shù)（time to collision inverse，TTCi） ^[8]、車頭時距（time headway， THW） [^9]以及THW和TTC的聯(lián)合函數(shù)等^[10]，用以量化車-車、車-環(huán)境之間的行車風(fēng)險；或者在建立縱橫向自動駕駛汽車控制模型時，利用考慮車輛位置、道路路徑和輪胎滑移角的成本函數(shù)^[11]進行行車風(fēng)險評估，以實現(xiàn)安全機動和避免碰撞。前者這類風(fēng)險評估指標通常只針對車輛行駛的縱向或橫向的一維行車風(fēng)險量化評估，而后者這類成本函數(shù)本質(zhì)上是對風(fēng)險的定性度量，其目標是優(yōu)化和控制，而不是直接量化與環(huán)境因素發(fā)生沖突的風(fēng)險。

基于概率對行車風(fēng)險進行建模同樣能用于自動駕駛行車風(fēng)險評估，通過考慮車輛運動狀態(tài)和碰撞時間，來描述發(fā)生碰撞的概率，以此評估自動駕駛的行車風(fēng)險^[12-13]。C. Katrakazas 等 ^{[12] 使用動態(tài) Bayes 網(wǎng)絡(luò)方法對行車風(fēng)險進行量化評估，但這種方法過于依賴于先前的時間戳，無法確定其先前的風(fēng)險權(quán)重。P. Ledent則[13] 基于條件 Monte Carlo 密集占用跟蹤器框架，使用車輛與道路交通環(huán)境中的其他物體之間碰撞風(fēng)險的概率來描述自動駕駛汽車的行車風(fēng)險，雖然能夠很好地進行實時評估，但由于其只考慮了碰撞的概率，因此難以描述風(fēng)險的危險程度。}

為了更形象直觀地描述行車風(fēng)險，倪代恒 ^[14] 引入場論對行車風(fēng)險進行量化建模，將行車風(fēng)險描述為風(fēng)險排斥力，并建立了一個簡單而有效的交通流模型 ^[15]，但該模型未體現(xiàn)人、車和路中多因素對行車風(fēng)險的影響。在此基礎(chǔ)上，清華大學(xué)王建強團隊提出行車安全場概念^[16]，通過考慮人、車和路中各要素對行駛風(fēng)險的影響，建立了一種不同于 TTC、TTCi、THW 等傳統(tǒng)行車風(fēng)險評估指標的新指標—相對駕駛安全指數(shù) （relative driving safety index，RDSI），并用實車驗證了其在縱、橫向行車風(fēng)險評估中具有的良好效果 ^[17]，然而該模型中待定參數(shù)眾多，且難以標定。為解決行車安全場方法參數(shù)多、難標定的問題，作者在前期研究^{[17] 的基礎(chǔ)}上，從能量轉(zhuǎn)移理論的角度出發(fā)，將車輛的動能轉(zhuǎn)化為等效力，同時考慮車輛類型、運動狀態(tài)、位置信息以及轉(zhuǎn)向概率等因素建立等效力模型 ^[18]，仿真實驗結(jié)果驗證了模型實時量化行車風(fēng)險的有效性，但該模型僅考慮車輛行駛方向上的風(fēng)險。

綜上所述，現(xiàn)有研究對行車風(fēng)險的量化評估做了大量工作，但大多未考慮車輛狀態(tài)實時變化下行車風(fēng)險建模方法的瞬時特性。因此，應(yīng)對交通規(guī)則強約束下的惡性風(fēng)險時，現(xiàn)有方法無法確定是否必須在某些情況下暫時突破交通法規(guī)的約束，也無法有效判斷何時進行這種突破，以規(guī)避潛在的致命事故。因此，本文通過以場的形式描述自動駕駛車輛受外界的風(fēng)險影響，構(gòu)建考慮風(fēng)險源、風(fēng)險梯度和風(fēng)險邊界的矢量表達，并設(shè)計惡性行車風(fēng)險場景，通過對行車風(fēng)險的準確量化，分析不同決策方案下自動駕駛車輛所受風(fēng)險的變化趨勢，獲得該場景中惡性行車風(fēng)險的最優(yōu)規(guī)避方案，為交通規(guī)則強約束下的惡性行車風(fēng)險規(guī)避提供思路和方法。

1"" 行車風(fēng)險的矢量場構(gòu)建

1.1"" 行車風(fēng)險場力的基本模型

通過分析碰撞過程中力做功和能量轉(zhuǎn)化之間的關(guān)系，作者在前序研究中提出了等效力思想 ^[20-19]。自車 i受到他車 j 的風(fēng)險等效力 F_ji 可以表示為

其中： E_j、m_j和v_j分別表示他車j的動能、質(zhì)量和運動速度；d_ji為他車j與自車i的相對距離。

在跟車場景中，當他車 j 為后車，自車 i 為前車時，式（1） 還能寫為

其中，THW_ji 為后車 j 與前車 i 的車頭時距。

很容易看出，風(fēng)險等效力 F_ji 不僅車j 的速度有關(guān)，也與兩車的車頭時距有關(guān)，同時還與車j 的類型有關(guān)，即對于不同質(zhì)量的車輛 j，在同樣場景下，其對外界造成的風(fēng)險不同。

按照等效力模型的思想 ^[19-20]，車輛 j 對無窮遠處的觀察者也有力的作用，即車輛 j 對外界造成的風(fēng)險影響到了無窮遠處，顯然，這不僅不符合常理，也不符合駕駛?cè)藢π熊囷L(fēng)險的主觀感受。因此，作者對等效力模型進行了簡單的修正，形成行車風(fēng)險場力的基本模型 ^[21]，即：

其中：r=k x +k y ，k 和k 分別為風(fēng)險的縱向、橫向梯度調(diào)整系數(shù)，x_ji和y_ji分別為他車j與自車i在車j坐標系下的縱向、橫向相對距離；r_e為單位長度，即r_e =1 m；r_max為自由流車輛間距，用以表示風(fēng)險最大影響范圍；r_min是確定F 分段函數(shù)拐點的值。r"""" 和r" 可表達為^[21]：

其中：v 是自由流流速，r 為駕駛?cè)藢︼L(fēng)險的關(guān)注范圍；若r_ji≤r_o，表明駕駛?cè)藢υ摲秶鷥?nèi)的風(fēng)險關(guān)注度高，風(fēng)險值較大，風(fēng)險隨距離增大而下降的梯度也較緩；反之，若r_ji≥r_o，則表明駕駛?cè)藢υ摲秶鷥?nèi)的風(fēng)險關(guān)注度低，風(fēng)險值較小，風(fēng)險隨距離增大而下降的梯度更劇烈，與駕駛?cè)说母嚲嚯x有關(guān)^[21]。

其中：v為交通流流速；γ為駕駛?cè)说恼w激進性，取 γ∈[-0.03，0] s²/m^[15]，γ越小代表駕駛?cè)思みM程度越高，即跟車距離越小；τ為平均反應(yīng)時間，取τ = 1 s^[15]；l為有效車長。

基于行車風(fēng)險的基本模型，若他車 j 的坐標為 （0，0），質(zhì)量 m_j = 1 500 kg，速度 v_j = 20 m/s，速度方向沿 X 軸正方向時，他車j 對外界造成的風(fēng)險場力分布如圖6 所示。

從圖中可以看出，風(fēng)險場力的分布較符合駕駛?cè)说闹饔^感受。然而，行車風(fēng)險場力的基本模型未考慮車車之間的交互，更沒有考慮車速之間存在矢量夾角的情況，難以描述鄰車換道切入時對自車造成風(fēng)險的瞬時變化，更不能描述十字路口場景中不同行駛方向上車輛之間的風(fēng)險分布。為了建立一種能夠更好地描述空間上任意 2 個運動物體之間的風(fēng)險量化模型，作者在本研究中對行車風(fēng)險場力的基本模型進行了進一步的改進。

1.2"" 行車風(fēng)險的矢量場建模方法

為實現(xiàn)量化空間上任意2個運動物體之間的風(fēng)險，本研究分析交叉路口場景中的車?車交互關(guān)系如圖1所示。

其中：車 i 為自車，車 j 為他車。2 車分別以 v_i 和 v_j 的矢量速度向路口行駛，因此 2 車的相對速度 v_ji 為

v_ji=v_j-v_{i" " （7）}

若以車 j 坐標為原點，沿 2 車的相對速度 v_ji 方向建立坐標軸 x^ji，垂直于 x^ji 軸方向建立坐標軸 y ^ji，可以看到，v 與車j 之間連線 d 與 x 軸存在夾角 θ ，顯然θ_ji 越小自車 i 受到他車j 的風(fēng)險越大。θ_ji 與 2 車的位置和速度有關(guān)。

為了實現(xiàn) F = -F ，引入約化質(zhì)量，將模型修正如下：

其中：

M_ji表示自車 i 和他車j 的約化質(zhì)量；m_i和m_j分別是自車 i和他車j 的質(zhì)量；r_o是跟車距離；k_x和k_y分別是縱橫向梯度系數(shù)；x' 和y' 分別是自車和他車在x坐標系下的縱橫向相對距離；r_max是風(fēng)險在縱向上的影響范圍。

若車輛j和車輛i的實際大地坐標分別為（x_j，y_j）和（x_i，y_i），那么在車輛j坐標系下車輛j和車輛i的坐標為（0，0）和（x_i ? x_j，y_i ? y_j ），在如圖1所示的x jy 坐標系下，車輛j的坐標依然是（0，0），而車輛i的坐標為：

從式 （8）? 式 （12） 可以看出，由于模型中包含了車輛i 和j 的質(zhì)量和速度，并且還考慮了2 輛車之間的矢量相對速度，很明顯，車輛 j 施加在車輛 i上的虛擬風(fēng)險力與車輛 i 施加在車輛 j 上的虛擬風(fēng)險力大小相等，方向相反，即 F_ji = -F_ij，滿足牛頓第三定律。

2" ""無信號燈交叉路口車輛交互風(fēng)險的矢量場仿真

為了驗證模型的有效性，設(shè)計如下2 個無信號燈交叉路口場景，如圖 2 所示。

場景 1 ：他車 j 自西向東勻速行駛，自車 i 自南向北勻速行駛。

場景 2 ：他車 j₁ 西向東勻速行駛，他車j₂ 自東向西勻速行駛，自車i 自南向北勻速行駛。

在圖2a所示的場景中，設(shè)置車輛j 和車輛i 的坐標分別為[-20，-2]和[2，-24]，車輛 j 的速度為[20，0] m/s。當車輛i 的速度分別為[0，0]、[0，10]和[0，20] m/s時，行車風(fēng)險場場力分布圖如圖3a、3b、3c所示。圖中的紅點表示車輛i 的當前位置。當v_i = [0，0] m/s，即車輛 i 靜止時，車輛 j 對車輛i 形成的行車安全場沿著車輛j 的行駛方向上，此時車輛i 受到車輛j 的風(fēng)險作用力為零，即F = 0 N；隨著速度v_i的增加到v_i = [0，10] m/s時，在此瞬時工況下，車輛 j 對車輛i 產(chǎn)生的行車風(fēng)險場順時針偏轉(zhuǎn)，指向兩車矢量相對速度的方向上。此時車輛 i 受到車輛 j 的風(fēng)險有增加的趨勢，但車輛 i 受到車輛 j 的風(fēng)險作用力仍為零，即F_ji = 0 N。通過計算發(fā)現(xiàn)，如果車輛 i 和車輛j 按照當前的狀態(tài)行駛，車輛 j 和 i 分別在1.1 s和2.2 s后到達兩車的軌跡交叉點，行駛過程安全。但當v_i繼續(xù)增大，達到 v_i = [0，20] m/s時，車輛 j 對車輛 i 產(chǎn)生的行車風(fēng)險場沿著車輛j 和i 坐標的連線，車輛 i 受到車輛j 的風(fēng)險作用力陡增，達到F_ji = 1.890 kN。通過計算發(fā)現(xiàn)，如果車輛 i 和車輛j 按照當前的狀態(tài)行駛，車輛j 和i 將在1.1 s后相撞，此時如果車輛i 提前制動減速，則可以避免事故發(fā)生。

在如圖2b所示的場景中，設(shè)置車輛j₁、j₂和車輛i 的坐標分別為[-20，-2]、[16，2]和[2，-24]，車輛j₁和j₂的速度為[20，0]和[-10，0]。當車輛 i 的速度分別為[0，0]、[0，10]和 [0，20] m/s時，行車風(fēng)險場場力分布圖如4a、4b、4c所示。圖中的紅點表示車輛i 的當前位置。當v_i = [0，0] m/s，即車輛i 靜止時，車輛j₁、j₂對車輛 i 形成的行車安全場沿著車輛j₁和j₂的行駛方向，此時車輛 i 受到車輛j₁和j₂的行車風(fēng)險場場力均為零，即行車風(fēng)險場場力標量和F_ji = 0 N；隨著速度v_i的增加到v_i = [0，10] m/s時，在此瞬時工況下，車輛j₁和j₂對車輛i 產(chǎn)生的行車風(fēng)險場分別順時針和逆時針偏轉(zhuǎn)，分別指向各自矢量相對速度的方向上。此時車輛i到車輛 j₁和j₂的風(fēng)險有增加的趨勢，但目前車輛 i 受到車輛j₁和j₂的風(fēng)險作用力仍為零，即F_ji = 0 N，通過計算發(fā)現(xiàn)，如果車輛i 和車輛j 按照當前的狀態(tài)行駛，車輛j₁和i 分別在1.1 s和2.2 s后到達兩車的軌跡交叉點，車輛j₂和i 分別在1.4 s和2.8 s后到達兩車的軌跡交叉點，行駛過程安全。但當v_i繼續(xù)增大，達到v_i = [0，20] m/s時，車輛j₁和j₂對車輛i產(chǎn)生的行車風(fēng)險場分別沿著車輛j₁、j₂和i 坐標的連線，車輛i受到車輛j₁和j₂的風(fēng)險作用力陡增，達到F_ji = 3.100 kN，通過計算發(fā)現(xiàn)，如果車輛 i 和車輛j 按照當前的狀態(tài)行駛，車輛j₁、j₂和i 將分別在1.1 s和1.4 s后相撞，此時如果車輛i 提前制動減速，則可以避免事故發(fā)生。

3" ""交通規(guī)則強約束下的危險場景風(fēng)險規(guī)避分析

通常車輛在交通規(guī)則強約束下（ 紅燈、實線等 ） 被他車追尾撞擊往往后果嚴重，如 5 所示，圖中幾輛前車都分別面臨紅燈和實線的縱、橫向約束，不能隨意變道躲避。傳統(tǒng)車輛由于駕駛?cè)说淖⒁饬Υ蠖嗉性谛旭偟恼胺?，加之交通法?guī)認定后車撞前車的追尾事故是后車全責(zé)，因此駕駛?cè)嗽诖藞鼍跋峦ǔ２粫桃怅P(guān)注后車，難及時辨識后方危險。自動駕駛汽車雖能通過雷達、攝像頭等感知器及時探測到后方來車，但在交通規(guī)則強約束下，難以精準辨識能造成致命損失的惡性行車風(fēng)險，造成在現(xiàn)有的決策框架下自動駕駛汽車難以自主加速或變道規(guī)避追尾。

針對圖 5 所示的路口后車失控追尾場景，為提高此場景中前車的安全性，實現(xiàn)緊急避險，設(shè)計場景 3，如圖 6 所示。

設(shè)計場景 3 ：他車 j₁ 自西向東勻速正常行駛，他車 j₂ 自東向西勻速正常行駛，他車j₃ 自南向北勻速行駛并無減速趨勢，自車 i 在路口遵守紅燈保持停車禮讓，且自車 i 是他車 j₃ 的前車。

在此場景中，如果自車 i 為自動駕駛車輛，其能夠通過車載傳感器感知到車輛 j₁、j₂ 和j₃ 的坐標和速度，理應(yīng)采用自動駕駛技術(shù)進行安全避障，以避免后車j₃追尾事故發(fā)生；但由于前方亮起紅燈，右側(cè)為道路邊界，左側(cè)為交通實線，現(xiàn)有嚴格遵守交通法規(guī)的自動駕駛汽車在此場景下難以自主加速或變道規(guī)避追尾，其原因在于：1） 精準辨識能造成致命損失的惡性行車風(fēng)險難度大；2） 交通規(guī)則強約束下規(guī)避惡性行車風(fēng)險的決策難度大。

設(shè)置車輛 j₁、j₂、j₃ 和車輛i 的坐標分別為 [-20，-2]、 [16，2]、[2，-20] 和 [2，-5]，車輛 j₁、j₂ 和j₃ 的速度分別為 [20，0]、[-10，0] 和 [0，20] m/s。由于此時是紅燈，當自車 i停止在 [2，-5] 處禮讓車輛 j₁、j₂ 時，按照對車輛 j₃ 位置和速度的設(shè)置，0.75 s 后車輛 j 將追尾自 i，此時車輛 j₁、j₂、j₃ 對車輛 i 產(chǎn)生的行車風(fēng)險場場力標量和為 F_ji = 6.411 kN。在此場景中，車輛 j₁、j₂ 對自車 i 的風(fēng)險影響很小，分別為 F_j1i = 0.469 kN，F_j2i = 0，而主要的行車風(fēng)險場場力來自車輛 j ，F = 4.942 kN。總的行車風(fēng)險場場力分布情況如圖 7 所示。

將 4 個場景中自車 i 所受他車j₁、j₂、j₃ 的風(fēng)險力F_j1i、F_j2i、F_j3i 以及標量合力 F_ji 的仿真結(jié)果數(shù)值提取出來得到表 1。

從數(shù)據(jù)中可以看出：

在直行場景中，雖然隨著自車 i 的速度增加，其受到的來自后車 j₃ 的行車風(fēng)險場場力 F_j3i 有所減小，在1、2、3 m/s 的 3 個車速下，F_j3i 分別降低了0.579、1.129、 1.649 kN，然而，總體行車風(fēng)險的標量和 F_ji 卻沒有下降，反而有所增加，F_ji 分別增長了0.088、0.481、0.410 kN，風(fēng)險降低率分別為 -1.37%、-7.50%、-6.40%，這是由于自車i 在直行過程中受到他車 j₁、j₂ 帶來的行車風(fēng)險增加所致，在此場景中主要受他車 j₁ 的風(fēng)險影響。顯然直行通過路口不是一個好的決策方案。

在左轉(zhuǎn)場景中，隨著自車 i 的速度增加，其受到的來自后車j₃ 的行車風(fēng)險場場力F_j3i 分別降低了1.068、 2.715、4.068 kN，規(guī)避后車j₃ 的行車風(fēng)險效果顯著。然而，總體行車風(fēng)險的標量和 F_ji 下降的幅度只達到了F_j3i 降幅的一半，分別為 0.551、1.451、1.901 kN，風(fēng)險降低率分別為 8.60%、22.63%、29.65%。這是由于自車 i 在直行過程中受到他車 j₁、j₂ 帶來的行車風(fēng)險增加所致，在此場景中主要受他車j₁ 的風(fēng)險影響。顯然左轉(zhuǎn)通過路口也不是一個好的決策方案。

在右轉(zhuǎn)場景中，隨著自車 i 的速度增加，其受到的來自后車j₃ 的行車風(fēng)險場場力F_j3i 分別降低了0.951、 2.420、3.754 kN，規(guī)避后車 j₃ 的行車風(fēng)險相比左轉(zhuǎn)場景效果有所降低，但比直行場景效果更佳?？傮w行車風(fēng)險的標量和 F_ji 分別下降了0.458、1.232、2.166 kN，風(fēng)險降低率分別為 7.15%、19.21%、33.78%。這主要由于自車 i 在直行過程中受到他車 j₁ 帶來的行車風(fēng)險增加所致，因此右轉(zhuǎn)通過路口也不是一個好的決策方案。

在掉頭場景中，隨著自車 i 的速度增加，其受到的來自后車j₃的行車風(fēng)險場場力F_j3i分別降低了1.310、 3.247、4.473 kN，規(guī)避后車j₃ 的行車風(fēng)險的效果最顯著。雖然隨著車速的增加，他車 j₁ 帶來的行車風(fēng)險F_j1i也有所增加，但幅度較小，分別為0.048、0.098、0.151 k。因此總體行車風(fēng)險的標量和F_ji的降幅也很顯著，分別為 1.262、3.148、4.322 kN，風(fēng)險降低率分別為19.68%、49.11%、67.41%，因此掉頭進入另一側(cè)車道是一個較好的決策方案。

從總體的仿真結(jié)果上看，在面臨后車j₃失控追尾的情況下，自車 i 起步加速直行經(jīng)過路口雖然能夠減少后車j₃ 帶來的行車風(fēng)險，但由于受車輛動力學(xué)約束，自車從起步開始到達某一速度需要一定時間，因此后車 j₃ 造成的行車風(fēng)險場場力F_j3i下降趨勢不明顯。而左轉(zhuǎn)或右轉(zhuǎn)通過路口對于規(guī)避后車 j₃的行車風(fēng)險效果雖然較好，但受到他車j₁、j₂ 帶來的行車風(fēng)險有所增加，導(dǎo)致總體行車風(fēng)險值下降的幅度不大。事實上，人類駕駛?cè)嗽谧筠D(zhuǎn)通過無保護的路口時也較棘手，那么對于自動駕駛汽車而言，左轉(zhuǎn)通過無保護的路口通常是一項很大的挑戰(zhàn)。因為左轉(zhuǎn)時會受到他j₁、j₂ 的風(fēng)險影響，而這種風(fēng)險往往具有隨機性和不確定性。從仿真數(shù)據(jù)上看，在當前的瞬時狀態(tài)下，自車i 掉頭到另一側(cè)車道上是最優(yōu)的選擇。

4"" 結(jié)""" 論

本研究針對紅綠燈路口前車停車讓行時遭到失控后車追尾容易造成嚴重事故這一現(xiàn)象，為規(guī)避此場景中的事故或緩解事故造成的損失，研究了自動駕駛車輛所受行車風(fēng)險的矢量建模方法，討論了行車狀態(tài)時變下行車風(fēng)險建模方法的瞬時特性。

研究表明所提出的行車風(fēng)險的矢量場建模方法能夠清晰的表明道路交通環(huán)境中任意他車對自車的風(fēng)險大小及方向。由于模型考慮了自車和他車的屬性和運動狀態(tài)，當自車的速度大小或方向發(fā)生變化時，其所受的由他車造成的行車安全場場力立刻相應(yīng)發(fā)生變化；同理，當他車的速度大小或方向發(fā)生變化時，自車所受的由他車造成的行車安全場場力也會立刻相應(yīng)發(fā)生變化。這表明模型具有較好的瞬時特性，實現(xiàn)了對行車風(fēng)險的精細化表達。在研究設(shè)計的仿真場景中，討論了直行、左轉(zhuǎn)、右轉(zhuǎn)、掉頭4 種危險場景風(fēng)險規(guī)避路徑，分別按照車速為 1、2、3 m/s設(shè)計了12種避險方案，仿真結(jié)果表明：12種方案對應(yīng)的風(fēng)險降低率分別為：-1.37%、-7.50%、-6.40%、 8.60%、22.63%、29.65%、7.15%、19.21%、33.78%、19.68%、49.11%、67.41%，其中自車掉頭進入另一側(cè)車道的避險方案最佳，且當車速為3 m/s時能將整體風(fēng)險降低 67.41%。本研究為自動駕駛車輛的避險決策提供了新的方法和思路，未來將基于本研究所提出的行車風(fēng)險矢量場模型，探索通用的自動駕駛避險策略和方法。