【摘要】為明晰無信號(hào)交叉口網(wǎng)聯(lián)車輛協(xié)同碰撞預(yù)警研究的局限性及發(fā)展方向，系統(tǒng)梳理了協(xié)作式交叉口碰撞預(yù)警（CICW）的研究進(jìn)展。首先，分類梳理了現(xiàn)有交叉口行車沖突檢測(cè)方法的優(yōu)勢(shì)與不足；其次，總結(jié)了不同預(yù)警級(jí)別、機(jī)制和模式的適用性；再次，歸納了CICW有效性及安全性評(píng)價(jià)指標(biāo)，對(duì)比了仿真、實(shí)車以及虛實(shí)融合測(cè)試的技術(shù)特征；然后，分析了駕駛?cè)瞬淮_定性與通信不可靠對(duì)CICW的影響及優(yōu)化思路；最后，對(duì)CICW的發(fā)展方向進(jìn)行了展望。結(jié)果表明：行車風(fēng)險(xiǎn)場(chǎng)模型是解決現(xiàn)有CICW沖突檢測(cè)方法中綜合交通風(fēng)險(xiǎn)、沖突嚴(yán)重程度表征問題的可行方案，但仍需進(jìn)一步研究適當(dāng)?shù)沫h(huán)境參數(shù)、風(fēng)險(xiǎn)指標(biāo)及閾值的設(shè)定；CICW應(yīng)用場(chǎng)景下的駕駛?cè)笋{駛特征的建模、預(yù)測(cè)和在線識(shí)別，以及CICW預(yù)警模式的自適應(yīng)構(gòu)建是設(shè)計(jì)可靠有效CICW應(yīng)用的可行解決思路；實(shí)現(xiàn)對(duì)CICW的全方面客觀評(píng)估，有賴于研究搭建綜合評(píng)價(jià)機(jī)制及大規(guī)模試驗(yàn)平臺(tái)；車聯(lián)網(wǎng)通信不可靠嚴(yán)重影響CICW的有效性，需要進(jìn)一步研究信道擁塞控制機(jī)制與基于通信故障/失效預(yù)測(cè)的CICW容錯(cuò)機(jī)制。

主題詞：無信號(hào)交叉口 協(xié)同碰撞預(yù)警 沖突檢測(cè) 車聯(lián)網(wǎng)通信 行車風(fēng)險(xiǎn)場(chǎng)

中圖分類號(hào)：U463.6 " 文獻(xiàn)標(biāo)志碼：A " DOI： 10.19620/j.cnki.1000-3703.20220945

Research Progress of Cooperative Collision Warning of Connected Vehicles at Unsignalized Intersections

Fan Haijin1， Wang Runmin1， Zhang Xinrui2， Yang Lan1

（1. Chang’an University， Xi’an 710018; 2. Tongji University， Shanghai 201804）

【Abstract】To clarify the limitations and development direction of the research on Collaborative Intersection Collision Warning （CICW）， CICW research progress was reviewed systematically. Firstly， the advantages and disadvantages of the existing intersection traffic conflict detection methods were analyzed. Secondly， the applicability of different warning levels， mechanisms， and modes was summarized. Thirdly， the effectiveness and safety evaluation indexes of CICW were identified， and a comparison was made between simulation， real vehicle and virtual-real fusion testing. Then， the influence of driver uncertainty and unreliable communication on CICW and its optimization were analyzed. Finally， the future development direction of CICW was prospected. The results show that the traffic risk field model presents a feasible solution to solve the comprehensive characterization of risk and conflict severity in the existing CICW conflict detection methods. However， further research is needed to establish appropriate environmental parameters， risk indicators， and determination. Moreover， modeling， forecasting， and online identification of driver’s behavior in CICW application scenarios and the adaptive construction of CICW warning modes offer viable solutions to designing reliable and effective CICW applications. Achieving a comprehensive objective evaluation of CICW in all aspects depends on the research and establishment of a comprehensive evaluation mechanism and a large-scale experimental platform. The unreliable Internet Of Vehicle （IOV） communication seriously affects the effectiveness of CICW， so it is necessary to further study the channel congestion control mechanism and CICW fault-tolerant mechanism based on communication failure/failure prediction.

Key words： Unsignalized intersections， Cooperative collision warning， Collision detection， V2X， Traffic risk field

【引用格式】 凡海金， 王潤(rùn)民， 張心睿， 等. 無信號(hào)交叉口網(wǎng)聯(lián)車輛協(xié)同碰撞預(yù)警研究進(jìn)展[J]. 汽車技術(shù)， 2024（3）： 1-16.

FAN H J， WANG R M， ZHANG X R， et al. Research Progress of Cooperative Collision Warning of Connected Vehicles at Unsignalized Intersections[J]. Automobile Technology， 2024（3）： 1-16.

1 前言

道路交叉口是路網(wǎng)的節(jié)點(diǎn)和樞紐，由于多個(gè)方向沖突交通流的存在，交叉口處極易發(fā)生交通事故。美國(guó)有超過40%的交通事故發(fā)生在交叉口附近，我國(guó)發(fā)生在交叉口處的交通事故數(shù)量占交通事故總數(shù)的20%以上[1]。道路交叉口一般可分為信號(hào)交叉口與無信號(hào)交叉口，其中無信號(hào)交叉口由于缺乏時(shí)空隔離控制措施，導(dǎo)致碰撞事故頻率與嚴(yán)重程度遠(yuǎn)高于信號(hào)交叉口。因此提升無信號(hào)交叉口的通行安全被認(rèn)為是交通控制領(lǐng)域所面臨的關(guān)鍵挑戰(zhàn)之一。

交叉口碰撞預(yù)警（Intersection Collision Warning，ICW）是汽車主動(dòng)安全的重要組成部分。早期ICW的解決思路多為采用雷達(dá)、攝像機(jī)等車載傳感設(shè)備感知周圍環(huán)境，判斷碰撞風(fēng)險(xiǎn)并對(duì)駕駛?cè)诉M(jìn)行警告[2]。然而，車輛自主感知系統(tǒng)存在感知距離不足、感知范圍有限等問題，難以提供全面、準(zhǔn)確的碰撞警告信息。隨著車聯(lián)網(wǎng)（Vehicle To everything，V2X）的涌現(xiàn)與發(fā)展，研究人員將V2X技術(shù)應(yīng)用于ICW中，提出協(xié)作式交叉口碰撞預(yù)警（Collaborative Intersection Collision Warning，CICW）方案，并成為近年來的研究熱點(diǎn)。

CICW[3]基于V2X技術(shù)實(shí)現(xiàn)網(wǎng)聯(lián)車輛間的實(shí)時(shí)信息交互，進(jìn)而合理地預(yù)測(cè)風(fēng)險(xiǎn)，并通過適當(dāng)?shù)男问郊皶r(shí)向沖突車輛駕駛?cè)税l(fā)出警告信息，駕駛?cè)丝筛鶕?jù)警告信息采取制動(dòng)等措施實(shí)現(xiàn)協(xié)同避碰。

目前，圍繞CICW的研究重點(diǎn)關(guān)注沖突檢測(cè)、碰撞預(yù)警、測(cè)試評(píng)價(jià)、可靠性保障等四個(gè)方面。

a. 沖突檢測(cè)。沖突檢測(cè)根據(jù)車輛狀態(tài)與交通風(fēng)險(xiǎn)之間的關(guān)系預(yù)測(cè)碰撞風(fēng)險(xiǎn)。現(xiàn)有沖突檢測(cè)方法多從時(shí)間或空間接近度的角度應(yīng)用不同的風(fēng)險(xiǎn)指標(biāo)衡量沖突嚴(yán)重程度，但無法綜合考慮沖突嚴(yán)重性與綜合風(fēng)險(xiǎn)。

b. 碰撞預(yù)警。碰撞預(yù)警重點(diǎn)關(guān)注如何依據(jù)檢測(cè)到的碰撞風(fēng)險(xiǎn)合理設(shè)計(jì)預(yù)警策略，向駕駛?cè)颂峁┘皶r(shí)、準(zhǔn)確的警報(bào)。一般需從預(yù)警級(jí)別[4-5]、預(yù)警機(jī)制[6]以及預(yù)警模式[7-8]等方面重點(diǎn)考慮?？紤]到CICW主要面向人工駕駛環(huán)境，駕駛?cè)颂卣骷皯?yīng)對(duì)預(yù)警策略仍有待進(jìn)一步研究。

c. 測(cè)試評(píng)價(jià)。測(cè)試評(píng)價(jià)是CICW應(yīng)用的必要環(huán)節(jié)。目前主要從碰撞檢測(cè)結(jié)果和沖突改善程度兩方面對(duì)CICW進(jìn)行有效性評(píng)估。按照測(cè)試環(huán)境的不同，測(cè)試方法包含仿真測(cè)試[9-10]、實(shí)車測(cè)試[11]和虛實(shí)融合測(cè)試[12-13]。然而，現(xiàn)有單一要素仿真平臺(tái)難以滿足涉及車輛、交通、通信等多個(gè)要素的測(cè)試需求。

d. 可靠性保障。CICW極易受到駕駛?cè)诵袨橐约巴ㄐ挪淮_定性的影響而降低可靠性。駕駛?cè)诵袨殡y以預(yù)測(cè)，不同類型駕駛?cè)嗽诿媾R危險(xiǎn)和預(yù)警時(shí)，會(huì)有不同的反應(yīng)[12]。現(xiàn)有的駕駛?cè)诵袨槟Ｐ推毡閷?duì)駕駛?cè)诵袨樘卣鬟M(jìn)行一定程度的簡(jiǎn)化，其有效性有待于進(jìn)一步研究。此外，在復(fù)雜動(dòng)態(tài)交通環(huán)境下，V2X通信的丟包、時(shí)延等問題始終客觀存在，給設(shè)計(jì)可靠的CICW應(yīng)用帶來了極大的挑戰(zhàn)。

綜上所述，近年來，在CICW技術(shù)與應(yīng)用層面，雖然國(guó)內(nèi)外形成了一系列研究成果，但該領(lǐng)域仍在風(fēng)險(xiǎn)檢測(cè)、預(yù)警模式、測(cè)試方法、測(cè)試工具及可靠性保障等方面存在諸多懸而未決的技術(shù)難點(diǎn)。本文旨在圍繞以上四個(gè)方向的研究進(jìn)展與前沿挑戰(zhàn)進(jìn)行綜述，并對(duì)CICW研究領(lǐng)域的未來發(fā)展趨勢(shì)進(jìn)行分析和展望。

2 CICW沖突檢測(cè)方法研究進(jìn)展

無信號(hào)交叉口行車沖突檢測(cè)是對(duì)車輛未來安全風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)和評(píng)估的過程，一般采用不同的預(yù)測(cè)風(fēng)險(xiǎn)指標(biāo)來量化車輛之間的沖突嚴(yán)重程度?，F(xiàn)有研究多以時(shí)間[14]或者空間接近度[15]構(gòu)建風(fēng)險(xiǎn)指標(biāo)進(jìn)行沖突檢測(cè)，還有部分研究采用其他檢測(cè)方法，包括基于碰撞概率[16]的沖突檢測(cè)方法、基于最接近點(diǎn)的沖突檢測(cè)方法，以及基于行車風(fēng)險(xiǎn)場(chǎng)（Driving Safety Field，DSF）[17]的沖突檢測(cè)方法。

2.1 基于時(shí)間接近度的沖突檢測(cè)方法

基于時(shí)間接近度的沖突檢測(cè)方法的核心思路是根據(jù)沖突車輛在時(shí)間維度上的接近程度來量化交叉口的沖突水平。典型的檢測(cè)方法包括基于碰撞到達(dá)時(shí)間的沖突檢測(cè)方法和基于后侵入時(shí)間的沖突檢測(cè)方法。

2.1.1 基于碰撞到達(dá)時(shí)間的沖突檢測(cè)方法

基于碰撞到達(dá)時(shí)間（Time To Collision，TTC）的沖突檢測(cè)方法通過計(jì)算車輛在保持當(dāng)前運(yùn)動(dòng)狀態(tài)不變的情況下到達(dá)碰撞位置所需的時(shí)間來判定沖突水平。在早期的研究中，Miller[14]等提出了一種基于TTC的交叉口協(xié)同碰撞檢測(cè)機(jī)制。如圖1所示，將兩輛車視為兩個(gè)質(zhì)點(diǎn)[（x1，y1）]和[（x2，y2）]，根據(jù)兩車速度（v1、v2）和航向角（θ1、θ2）預(yù)測(cè)交通沖突位置[（x+，y+）]。并根據(jù)車輛和沖突點(diǎn)的位置實(shí)時(shí)判斷車輛到達(dá)沖突點(diǎn)的時(shí)間：

[TTTC，i=r+-rivivi?sgn（r+-ri）] " " " " " " " " "（1）

式中：[TTTC，i]為車輛i到達(dá)沖突點(diǎn)的時(shí)間，i=1，2；[r+]為沖突點(diǎn)的位置向量；[ri]為車輛i的位置向量；[vi]為車輛i的速度；[sgn]函數(shù)用來識(shí)別是否有車輛通過十字路口。

如果[TTTC，1]和[TTTC，2]相等，說明車輛1和車輛2在交叉口存在交通沖突。由于車輛是具有一定物理尺寸的幾何剛體，不能簡(jiǎn)單地等同于質(zhì)點(diǎn)，因此當(dāng)滿足式（2）所示條件時(shí)，則說明在交叉口存在交通沖突：

[TTTC，1-TTTC，2lt;α] " " " " " " " " " " " " （2）

式中：[α]為安全時(shí)間閾值，[α]越大，表示交通沖突判定越保守。

上述方法中沒有給出安全時(shí)間閾值[α]的具體確定方法。針對(duì)這一問題，Sepulcre等[18]將車輛建模為圓形模型，安全時(shí)間閾值計(jì)算公式為：

[α=L1V1+L2V2] " " " " " " " " " " " " " " " "（3）

式中：[L1]、[L2]分別為潛在碰撞車輛1和車輛2的長(zhǎng)度，[V1]、[V2]分別為車輛1和車輛2的速度。

此外，為提升沖突檢測(cè)準(zhǔn)確性，部分研究還采用矩形模型[19]、橢圓矩形模型[20]代替質(zhì)點(diǎn)模型計(jì)算安全時(shí)間閾值，Qu等[9，21]對(duì)比分析了不同模型對(duì)碰撞預(yù)警系統(tǒng)有效性的影響，發(fā)現(xiàn)矩形模型較其他模型具有更好的檢測(cè)效果。復(fù)雜的車輛幾何模型建模會(huì)導(dǎo)致較高的計(jì)算復(fù)雜度，影響沖突檢測(cè)的及時(shí)性。針對(duì)該問題，Hou等[20]提出了基于TTC的聯(lián)合沖突檢測(cè)算法，即首先使用圓形模型檢測(cè)出潛在沖突車輛對(duì)，接著采用橢圓矩形模型判定沖突，該算法能夠有效提升計(jì)算效率。

上述基于TTC的沖突檢測(cè)方法只能近似地描述車輛在某一時(shí)刻的風(fēng)險(xiǎn)水平，沖突檢測(cè)結(jié)果不穩(wěn)定，容易產(chǎn)生誤判的情況。針對(duì)上述問題，Minderhoud等[22]在上述研究的基礎(chǔ)上提出了風(fēng)險(xiǎn)暴露時(shí)間（Time Exposed Time-to-Collision，TET）和碰撞時(shí)間積分（Time Integrated Time-to-Collision，TIT）用于評(píng)估特定時(shí)空范圍內(nèi)的行車風(fēng)險(xiǎn)水平，如圖2所示。其中TET為TTC低于安全TTC閾值的時(shí)間總和，計(jì)算方法為：

[TTET，i=0Tδit?τscδit=1， " " " "0≤TTTC，itlt;T*TTC0， " " " "else] " " " " " " " " " （4）

式中：[TTET，i]為車輛i的風(fēng)險(xiǎn)暴露時(shí)間，[T*TTC]為安全TTC閾值，[δit]為開關(guān)變量（0或1），[τsc]為時(shí)間間隔，T為碰撞時(shí)間曲線的總時(shí)間長(zhǎng)度，[TTTC，it]為車輛i在t時(shí)刻的TTC。

TET方法的不足之處在于只給出了風(fēng)險(xiǎn)時(shí)段，忽略了車輛在不同時(shí)刻風(fēng)險(xiǎn)水平的變化。針對(duì)這一問題，TIT方法通過對(duì)危險(xiǎn)時(shí)段的TTC進(jìn)行積分求和，較好地描述了特定時(shí)段的風(fēng)險(xiǎn)水平變化，如圖2中深色陰影部分。TIT的計(jì)算方法為：

[TTIT，i=0T-TTTC，itdt0≤TTTC，it≤T*TTC] " " " " " " " " " " " " " （5）

式中：[TTIT，i]為車輛i的碰撞時(shí)間積分。

與TET方法相比，TIT方法能夠更好地描述特定時(shí)段內(nèi)的風(fēng)險(xiǎn)水平變化，但TIT方法計(jì)算較為復(fù)雜，在實(shí)時(shí)應(yīng)用和大規(guī)模數(shù)據(jù)處理時(shí)可能存在挑戰(zhàn)。

2.1.2 基于后侵入時(shí)間的沖突檢測(cè)方法

基于后侵入時(shí)間（Post Encroachment Time，PET）的沖突檢測(cè)方法通過一個(gè)明確的沖突區(qū)域來區(qū)分碰撞和非碰撞事件。如圖3所示，PET為A車離開沖突區(qū)域（圖中陰影部分）和B車進(jìn)入同一區(qū)域之間的時(shí)間差，PET越接近0，沖突風(fēng)險(xiǎn)越高，PET的計(jì)算方法為：

[TA，BPET=tA，leave-tB，arrive] " " " " " " " " " " " " " "（6）

式中：[TA，BPET]為車輛A和車輛B的后侵入時(shí)間，[tA，leave]為車輛A離開沖突區(qū)域的時(shí)間，[tB，arrive]為車輛B到達(dá)沖突區(qū)域的時(shí)間。

當(dāng)PET超過安全時(shí)間閾值時(shí)，即判定沖突存在[23-24]。相較于TTC方法，基于PET的沖突檢測(cè)方法在計(jì)算風(fēng)險(xiǎn)指標(biāo)時(shí)考慮了車身尺寸帶來的影響。但PET方法的應(yīng)用場(chǎng)景較為單一，只適用于車輛垂直相交行駛以及跟車行駛等場(chǎng)景。

2.2 基于空間接近度的沖突檢測(cè)方法

基于空間接近度的沖突檢測(cè)方法根據(jù)沖突車輛的空間接近程度來描述沖突的嚴(yán)重性，較為典型的是基于相對(duì)距離的沖突檢測(cè)方法。

基于相對(duì)距離的沖突檢測(cè)方法通過車輛的位置信息計(jì)算相對(duì)距離并進(jìn)行沖突判定。相對(duì)距離D的計(jì)算方法為：

[D=xA-xB2+yA-yB212] " " " " " " " " " （7）

式中：[（xA，yA）]、[（xB，yB）]分別為車輛A與車輛B的位置坐標(biāo)。

在早期的研究中，一般選用固定安全距離閾值進(jìn)行沖突檢測(cè)[25]，這種取值方法沒有考慮多樣的交通環(huán)境以及車輛類型。針對(duì)這一問題，Wang[4]等基于時(shí)間窗方法實(shí)現(xiàn)對(duì)交叉口沖突車輛之間時(shí)變距離的動(dòng)態(tài)預(yù)測(cè)。該方法中，最小相對(duì)距離的確定過程為：

[Dki=xSVki-xPVki2+ySVki-yPVki212] " " "（8）

[Dmink=minDk1，…，Dki，…，DkTh/dT] " " （9）

式中：[xSVki，ySVki]、[xPVki，yPVki]分別為車輛SV與車輛PV在第[i]時(shí)間步的位置；k為當(dāng)前時(shí)間步；i為預(yù)測(cè)時(shí)間步，[i=1，2，...，Th/dT]；[Th]為預(yù)測(cè)時(shí)間窗口；dT為時(shí)間步長(zhǎng)；[Dmink]為當(dāng)前時(shí)間步為k時(shí)的最小相對(duì)距離。

該方法結(jié)合車輛實(shí)時(shí)狀態(tài)和道路幾何條件，根據(jù)航向和速度預(yù)測(cè)值定義兩級(jí)動(dòng)態(tài)安全閾值，實(shí)現(xiàn)在不同碰撞場(chǎng)景（同車道同方向、相鄰車道相同方向、相鄰車道相反方向、相交行駛）下的沖突檢測(cè)。

然而，上述方法忽略了車輛制動(dòng)能力差異。針對(duì)這一問題，Cheng等[23]提出一種安全距離閾值的計(jì)算方法，將最大制動(dòng)加速度、制動(dòng)反應(yīng)時(shí)間以及系統(tǒng)生效時(shí)間納入考慮范圍：

[Dth re sh ould=v22amax+v?tsys] " " " " " " " " " " "（10）

式中：[Dth re sh ould]為安全距離閾值；v為車輛當(dāng)前速度；[amax]為最大制動(dòng)加速度；[tsys]為延時(shí)，包括駕駛?cè)酥苿?dòng)反應(yīng)時(shí)間以及駕駛?cè)瞬认轮苿?dòng)踏板到制動(dòng)系統(tǒng)生效所耗費(fèi)的時(shí)間。

2.3 其他沖突檢測(cè)方法

前述沖突檢測(cè)方法多假設(shè)車輛保持勻速或勻變速直線運(yùn)動(dòng)，但在實(shí)際駕駛場(chǎng)景中，車輛加速度和偏航速率會(huì)隨著時(shí)間發(fā)生變化，需要將上述因素納入沖突檢測(cè)過程中。針對(duì)這一問題，學(xué)者們提出基于碰撞概率的沖突檢測(cè)方法以及基于最接近點(diǎn)的沖突檢測(cè)方法。

2.3.1 基于碰撞概率的沖突檢測(cè)方法

基于碰撞概率的沖突檢測(cè)方法根據(jù)車輛按照當(dāng)前的狀態(tài)繼續(xù)行駛發(fā)生碰撞的可能性來判定沖突。Joerer等[26]將加速度因素納入考慮范圍，首先定義了加速度概率分布，進(jìn)而通過預(yù)測(cè)車輛所有可能軌跡的碰撞發(fā)生可能性來判定沖突。碰撞概率[PC]定義為：

[PC=aminamaxpaBaminamaxpaA×collaAvAdA，aBvBdBdaAdaB] " " "（11）

式中：[p（aA）]、[p（aB）]分別為車輛A和車輛B在區(qū)間[[amin，amax]]內(nèi)的所有可能取值的加速度的概率；[coll]函數(shù)為車輛A和車輛B以當(dāng)前速度和位置，且加速度取[[amin，amax]]范圍內(nèi)任一值時(shí)的碰撞邏輯值（發(fā)生碰撞為1，否則為0）；aA、aB分別為車輛當(dāng)前加速度；vA、vB分別為車輛當(dāng)前速度；dA、dB分別為車輛當(dāng)前到達(dá)潛在碰撞點(diǎn)的距離。

上述方法考慮了加速度因素對(duì)沖突檢測(cè)的影響，驗(yàn)證了與均勻概率分布模型相比，將加速度建模為三角概率分布模型能夠更真實(shí)地模擬駕駛?cè)说男袨?。然而，駕駛?cè)笋{駛行為風(fēng)格化和交通環(huán)境多樣性會(huì)對(duì)加速度模型構(gòu)建產(chǎn)生影響，如何構(gòu)建合適的加速度概率模型有待進(jìn)一步研究。

2.3.2 基于最接近點(diǎn)的沖突檢測(cè)方法

基于最接近點(diǎn)（the Closest Point of Approach，CPA）的沖突檢測(cè)方法通過車輛相對(duì)運(yùn)動(dòng)狀態(tài)預(yù)測(cè)沖突風(fēng)險(xiǎn)，沖突檢測(cè)方法示意如圖4所示。VA和VB分別為車輛A和車輛B的速度向量；D0為車輛A與車輛B之間的直線距離；P為VA與VB矢量和的終點(diǎn)。CPA由兩車直線距離與速度矢量和計(jì)算得到。車輛A中心點(diǎn)與CPA之間的距離記為最小會(huì)遇距離（Distance to Closest Point of Approach，DCPA）。車輛到達(dá)預(yù)期最接近點(diǎn)所需要的時(shí)間記為最小會(huì)遇時(shí)間（Time to Closest Point of Approach，TCPA），此時(shí)兩車的位置狀態(tài)如圖5所示。Chang等[27-28]根據(jù)TCPA與DCPA進(jìn)行沖突判定，當(dāng)兩車之間的DCPA小于預(yù)定義的標(biāo)準(zhǔn)時(shí)，碰撞將會(huì)在TCPA后發(fā)生。

然而，上述方法只適用于沿直線路徑行駛的車輛。在此基礎(chǔ)上，Huang等[29]通過引入加速度參數(shù)來修正由速度和方向變化引起的誤差，實(shí)現(xiàn)了車輛在變速及變向場(chǎng)景下的碰撞沖突檢測(cè)，較固定速度和航向角的沖突檢測(cè)方法具有更高的準(zhǔn)確度。

上述方法的關(guān)鍵問題之一是如何對(duì)加速度進(jìn)行準(zhǔn)確合理的預(yù)測(cè)，Dabbour等[30]在研究中引入了一個(gè)加速曲線的回歸模型，采用線性遞減模型，計(jì)算車輛任意時(shí)刻的加速度：

[a=dv/dt=α-βv±Gg] " " " " " " " " " " "（12）

式中：a為與速度v相對(duì)應(yīng)的加速度，[α]為加速開始時(shí)的加速率，[β]為加速度隨速度增加而減少的速率，G為坡度，g為重力加速度（約為9.81 m/s2）。

該模型能夠精確地估計(jì)車輛達(dá)到指定速度所需要的時(shí)間和距離，可以有效提升碰撞預(yù)警系統(tǒng)的可靠性?；谑剑?2），任意時(shí)刻速度[v]的計(jì)算方法為：

[v=[（α±Gg）/β-[[（α±Gg）/β]-v0]·e-βt] " " " " "（13）

式中：t為加速開始的時(shí)間，[v0]為車輛初始速度。

任意時(shí)刻車輛行駛的距離[d]為：

[d=tα±Ggβ-α±Ggβ-v0×[（1-e-βt）/β]] " " " （14）

2.3.3 基于行車風(fēng)險(xiǎn)場(chǎng)的沖突檢測(cè)方法

上述行車沖突檢測(cè)方法在一定駕駛條件下實(shí)現(xiàn)了交叉口沖突車輛碰撞風(fēng)險(xiǎn)的檢測(cè)，但仍然存在一些局限性。一方面，現(xiàn)有的沖突檢測(cè)方法大多只判定了沖突的可能性，卻沒有體現(xiàn)沖突的嚴(yán)重性。在風(fēng)險(xiǎn)指標(biāo)相同的情況下，車輛速度越高、質(zhì)量越大，沖突嚴(yán)重性等級(jí)越高，意味著其碰撞風(fēng)險(xiǎn)水平越大。另一方面，交通風(fēng)險(xiǎn)受到許多因素的影響，包括駕駛?cè)?、車輛以及道路環(huán)境，而現(xiàn)有的沖突檢測(cè)方法僅考慮了有限的因素，難以全面表征車輛在道路上遇到的綜合風(fēng)險(xiǎn)。

王建強(qiáng)等[17]提供了一種新的思路，即構(gòu)建基于DSF的沖突檢測(cè)方法?；贒SF的沖突檢測(cè)方法利用物理學(xué)中的場(chǎng)論表示由駕駛?cè)?、車輛、道路條件和其他交通因素引起的風(fēng)險(xiǎn)因素，適用于復(fù)雜交通場(chǎng)景中的潛在駕駛風(fēng)險(xiǎn)評(píng)估，如圖6所示。

DSF分為靜態(tài)勢(shì)場(chǎng)、動(dòng)態(tài)勢(shì)場(chǎng)以及行為勢(shì)場(chǎng)，分別表示道路靜止物體、運(yùn)動(dòng)物體以及駕駛?cè)诵袨樘卣鲗?duì)駕駛安全影響的物理場(chǎng)。DSF的場(chǎng)強(qiáng)矢量[ES]計(jì)算方法為：

[ES=ER+EV+ED] " " " " " " " " " " " " "（15）

式中：[ER]為靜態(tài)勢(shì)場(chǎng)的場(chǎng)強(qiáng)矢量，[EV]為動(dòng)態(tài)勢(shì)場(chǎng)的場(chǎng)強(qiáng)矢量，[ED]為行為勢(shì)場(chǎng)的場(chǎng)強(qiáng)矢量。

基于上述DSF模型，Li等[31]在研究中提出勢(shì)場(chǎng)指標(biāo)（Potential Field Indicator，PFI）來表征車輛的綜合風(fēng)險(xiǎn)，但PFI的參數(shù)取值依賴于仿真實(shí)現(xiàn)，指標(biāo)的有效性需進(jìn)一步進(jìn)行實(shí)車驗(yàn)證。PFI的定義為：

[IjFP=ωL?SjL+ωB?SjB+ωV?SijV] " " " " " " " " " （16）

式中：[IjFP]為車輛j的PFI；[ωL、ωB、ωV]為不同類型勢(shì)能對(duì)應(yīng)的權(quán)重系數(shù)，[SjL]為作用于車輛[j]的車道標(biāo)記勢(shì)場(chǎng)的場(chǎng)強(qiáng)，[SjB]為作用于車輛[j]的道路邊界勢(shì)場(chǎng)的場(chǎng)強(qiáng)，[SijV]為作用于車輛[j]的車輛[i]所在勢(shì)場(chǎng)的場(chǎng)強(qiáng)。

DSF模型為構(gòu)建一種能夠全面考慮交通因素并體現(xiàn)沖突嚴(yán)重性的綜合風(fēng)險(xiǎn)指標(biāo)提供了新的思路。然而，由于交通環(huán)境的復(fù)雜多樣性，DSF模型中需要考慮針對(duì)不同場(chǎng)景設(shè)計(jì)對(duì)應(yīng)的環(huán)境參數(shù)。此外，DSF模型在CICW沖突檢測(cè)領(lǐng)域的應(yīng)用相對(duì)較少，如何基于DSF構(gòu)建綜合風(fēng)險(xiǎn)指標(biāo)，并設(shè)置合適的閾值進(jìn)行合理準(zhǔn)確的沖突檢測(cè)值需進(jìn)一步研究。

3 CICW碰撞預(yù)警方法研究進(jìn)展

合格的CICW應(yīng)用不僅依賴于風(fēng)險(xiǎn)指標(biāo)閾值的經(jīng)驗(yàn)知識(shí)，更取決于易被接受的預(yù)警形式。因此在CICW預(yù)警方法的設(shè)計(jì)過程中，需要對(duì)預(yù)警級(jí)別、預(yù)警機(jī)制以及預(yù)警模式進(jìn)行考慮。

3.1 預(yù)警級(jí)別設(shè)計(jì)

成功預(yù)警的關(guān)鍵在于確定合適的預(yù)警時(shí)機(jī)，一方面保證駕駛?cè)藢?duì)預(yù)警的信任度，另一方面確保駕駛?cè)擞凶銐虻臅r(shí)間采取措施避免碰撞。根據(jù)現(xiàn)有研究，預(yù)警級(jí)別可以分為單級(jí)預(yù)警和多級(jí)預(yù)警兩類。

Chen等[32]在ICW系統(tǒng)中設(shè)計(jì)了單級(jí)預(yù)警機(jī)制，并根據(jù)駕駛?cè)朔磻?yīng)時(shí)間以及警告持續(xù)時(shí)間確定預(yù)警時(shí)機(jī)，其中，駕駛?cè)朔磻?yīng)時(shí)間根據(jù)專家經(jīng)驗(yàn)知識(shí)確定。Lyu等[33]同樣采用了單級(jí)預(yù)警機(jī)制，在確定預(yù)警時(shí)機(jī)時(shí)，綜合考慮了從預(yù)警觸發(fā)到車輛完全停止這一過程中駕駛?cè)朔磻?yīng)與系統(tǒng)特性的影響，提升了預(yù)警模型的準(zhǔn)確性和實(shí)效性。然而，單級(jí)預(yù)警形式過于單一，很容易被駕駛?cè)隋e(cuò)過或者誤解，從而導(dǎo)致預(yù)警失效。

考慮到單級(jí)預(yù)警的不足，目前更多采用多級(jí)預(yù)警。Wang等[4]定義緊急-普通兩級(jí)預(yù)警機(jī)制，基于駕駛?cè)说姆磻?yīng)時(shí)間和車輛制動(dòng)系統(tǒng)生效所需的時(shí)間，使用不同的動(dòng)態(tài)閾值來定義兩級(jí)預(yù)警的激活條件。Han等[16]同樣采用兩級(jí)預(yù)警機(jī)制：一階段預(yù)警用于提醒駕駛?cè)饲胺酱嬖谂鲎诧L(fēng)險(xiǎn)，二階段預(yù)警為緊急警告，需要駕駛?cè)瞬扇〈胧┮员苊馀鲎玻辉诖_定預(yù)警時(shí)機(jī)時(shí)，考慮了從制動(dòng)開始到車輛完全停止所需要的時(shí)間與駕駛?cè)朔磻?yīng)時(shí)間。Huang等[28-29]采用三級(jí)預(yù)警機(jī)制，并基于風(fēng)險(xiǎn)指標(biāo)經(jīng)驗(yàn)知識(shí)，選取固定閾值來觸發(fā)不同級(jí)別的預(yù)警。Shen等[34]同樣采用三級(jí)預(yù)警機(jī)制：一階段不提供任何警告，因?yàn)楫?dāng)前碰撞概率較低；二階段預(yù)警觸發(fā)時(shí)，車輛之間具有較高的碰撞概率；三階段預(yù)警表示碰撞可能立即發(fā)生，駕駛?cè)诵枰扇〈胧┍苊馀鲎?。不論是單?jí)預(yù)警還是多級(jí)預(yù)警，在確定緊急級(jí)別的預(yù)警時(shí)機(jī)時(shí)，都需要考慮駕駛?cè)说姆磻?yīng)過程、制動(dòng)效果累積過程以及制動(dòng)減速過程。

多級(jí)預(yù)警較單級(jí)預(yù)警更符合一般駕駛?cè)说鸟{駛習(xí)慣，但仍難以滿足多樣化駕駛特性的現(xiàn)實(shí)需求。部分研究通過考慮駕駛?cè)诵袨?，設(shè)計(jì)一系列動(dòng)態(tài)預(yù)警閾值的辨別方法。Yang等[35]提出一種考慮駕駛?cè)诵袨榉磻?yīng)的碰撞警戒閾值概率計(jì)算方法，采用對(duì)數(shù)正態(tài)概率函數(shù)描述駕駛?cè)朔磻?yīng)時(shí)間的分布。Wang等[36]考慮到駕駛?cè)说姆磻?yīng)減速在不同的情況下會(huì)有所不同，通過線性函數(shù)與非線性函數(shù)結(jié)合的分段函數(shù)對(duì)駕駛?cè)似谕麥p速率進(jìn)行預(yù)測(cè)，并針對(duì)運(yùn)動(dòng)學(xué)條件計(jì)算合適的預(yù)警時(shí)機(jī)，該方法能夠提升駕駛?cè)祟A(yù)警接受率。Wang等[37]基于遞推最小二乘法設(shè)計(jì)了預(yù)警閾值的實(shí)時(shí)辨識(shí)算法，該算法能夠匹配駕駛?cè)嗽陂L(zhǎng)時(shí)間駕駛條件下的行為波動(dòng)和個(gè)體差異，并且隨著時(shí)間的推移，對(duì)駕駛?cè)诵袨榈倪m應(yīng)性逐漸提高，從而降低了預(yù)警誤報(bào)率。

3.2 預(yù)警機(jī)制

預(yù)警機(jī)制是指當(dāng)檢測(cè)到潛在沖突存在時(shí)，CICW根據(jù)當(dāng)前情況選取合適的車輛進(jìn)行預(yù)警。如果同時(shí)對(duì)雙方?jīng)_突車輛發(fā)出預(yù)警，有可能會(huì)出現(xiàn)兩車同時(shí)加速或同時(shí)減速的情況，無法從根本上實(shí)現(xiàn)沖突消解。盧濤等[6]為了避免出現(xiàn)兩車同時(shí)預(yù)警的情況，通過信號(hào)干預(yù)的方式，僅對(duì)低優(yōu)先權(quán)車輛進(jìn)行預(yù)警?；谏鲜鲱A(yù)警機(jī)制，CICW能夠在避免交叉口車輛碰撞的同時(shí)，實(shí)現(xiàn)車輛協(xié)同通行。此外，基于自動(dòng)駕駛的ICW以自車感知及自車預(yù)警為主要技術(shù)手段，CICW的應(yīng)用為他車預(yù)警提供了技術(shù)支撐，即除自車檢測(cè)、預(yù)警外，檢測(cè)到?jīng)_突風(fēng)險(xiǎn)的車輛可以依賴V2X通信將風(fēng)險(xiǎn)信息傳輸至對(duì)方車輛進(jìn)行預(yù)警，實(shí)現(xiàn)碰撞預(yù)警的冗余設(shè)計(jì)。

3.3 預(yù)警模式設(shè)計(jì)

預(yù)警模式是指向駕駛?cè)藗鬟f警告信息的形式，預(yù)警模式設(shè)計(jì)重點(diǎn)關(guān)注預(yù)警的效用及其對(duì)駕駛?cè)酥饔^負(fù)荷的影響?，F(xiàn)有的預(yù)警模式主要包含視覺預(yù)警、聽覺預(yù)警和觸覺預(yù)警等多種形式，具體可以分為單模態(tài)警告與多模態(tài)警告兩類。

3.3.1 單模態(tài)警告

a. 視覺警告。視覺警告是指利用顯示單元向駕駛?cè)顺尸F(xiàn)與危險(xiǎn)信息相關(guān)的文字或者畫面。Ruscio等[7]在基于車輛的碰撞警告系統(tǒng)中，通過不同顏色的視覺警告標(biāo)志向駕駛員呈現(xiàn)不同含義的預(yù)警信息，有效減少了駕駛?cè)宋ｋU(xiǎn)感知和反應(yīng)時(shí)間。Kim等[8]研究發(fā)現(xiàn)利用保真圖形的單視場(chǎng)或立體顯示器呈現(xiàn)的視覺警告能夠?qū)︸{駛?cè)说男袨楸憩F(xiàn)產(chǎn)生相當(dāng)積極的影響。然而，視覺警告經(jīng)常會(huì)與駕駛?cè)蝿?wù)爭(zhēng)奪視覺資源，例如，當(dāng)駕駛?cè)说淖⒁饬﹄x開前方道路場(chǎng)景轉(zhuǎn)向后視鏡時(shí)，視覺警告很有可能被忽視。

b. 聽覺警告。聽覺警告以音調(diào)或者聲音的形式向駕駛?cè)藗鬟f信息。有研究表明，駕駛?cè)藢?duì)聽覺刺激的反應(yīng)比視覺刺激的反應(yīng)更快，且聽覺警告的有效性不受駕駛?cè)艘曈X方向的影響[38]。Zhang等[39]研究發(fā)現(xiàn)，包含方向信息的語(yǔ)音預(yù)警信號(hào)能夠促進(jìn)駕駛?cè)烁斓貙⒆⒁饬性跊_突車輛上，從而更容易在避碰過程中做出正確的反應(yīng)。Yang等[40]提出一種與交通標(biāo)志相匹配的兩級(jí)車內(nèi)語(yǔ)音預(yù)警系統(tǒng)，具有良好的適用性。Wu等[41]通過改變聽覺警告強(qiáng)度對(duì)駕駛?cè)吮芘鲂袨楹皖A(yù)警有效性的影響，研究發(fā)現(xiàn)，低強(qiáng)度的警告容易被忽略，而過高強(qiáng)度的警告反而對(duì)駕駛?cè)水a(chǎn)生負(fù)面影響。此外，聽覺警告容易受周圍環(huán)境噪聲的影響，且僅依賴聽覺信息難以幫助駕駛?cè)嗽谝曈X上快速定位潛在碰撞目標(biāo)。

c. 觸覺警告。通過視覺或聽覺呈現(xiàn)的警告信號(hào)可能會(huì)導(dǎo)致駕駛?cè)俗⒁饬Y源過載，而觸覺警告提供了一種可行的替代解決方案。觸覺警告一般是通過振動(dòng)來實(shí)現(xiàn)，如轉(zhuǎn)向盤、座椅、安全帶的振動(dòng)等。Murata等[42]研究發(fā)現(xiàn)，與聽覺警告相比，觸覺警告對(duì)噪聲水平的魯棒性更高。Li等[43]通過一種裝有網(wǎng)格振動(dòng)傳感器的觸覺顯示器檢驗(yàn)了觸覺警告的產(chǎn)生位置、頻率以及持續(xù)時(shí)間對(duì)駕駛?cè)烁兄o迫性的影響。

對(duì)于上述單模態(tài)警告，現(xiàn)有研究通常沒有考慮警告持續(xù)時(shí)間對(duì)駕駛?cè)诉m應(yīng)性以及預(yù)警有效性的影響，如何調(diào)整警告參數(shù)并建立與嚴(yán)重程度相匹配的警告系統(tǒng)以促進(jìn)駕駛?cè)藢?duì)潛在碰撞及時(shí)反應(yīng)是預(yù)警設(shè)計(jì)的研究重點(diǎn)。

3.3.2 多模態(tài)警告

采用單一感官通道為駕駛?cè)藗鬟f警告信息雖然能夠產(chǎn)生較好的預(yù)警效果，但是駕駛?cè)巳菀资艿街車h(huán)境的影響，從而忽略警告信息。針對(duì)上述問題，研究人員考慮采用多種感官通道對(duì)駕駛?cè)诉M(jìn)行預(yù)警，即多模態(tài)警告。多模態(tài)警告的優(yōu)勢(shì)在于提供了冗余信息，增強(qiáng)駕駛?cè)藢?duì)警告信息的感知與反應(yīng)能力?，F(xiàn)有的多模態(tài)警告主要包含視覺-聽覺與視覺-觸覺兩種警告模式。視覺-聽覺警告模式有助于駕駛?cè)丝臻g注意力的重定向，Large等[44]研究發(fā)現(xiàn)，聽覺和視覺相結(jié)合的警告形式明顯增加了駕駛?cè)说男判?，并且有效縮短了駕駛?cè)朔磻?yīng)時(shí)間。視覺-觸覺警告在空間上存在高水平的刺激-反應(yīng)兼容性，Lylykangas等[45]的研究結(jié)果表明，駕駛?cè)藢?duì)不同警告模式的反應(yīng)存在顯著的差異，視覺-觸覺警告具有明顯的多感官增強(qiáng)效應(yīng)。此外，還有少部分研究將預(yù)警級(jí)別和不同預(yù)警模式組合使用，如：Shen等[34]采用的三級(jí)預(yù)警中，一階段不提供警告信息，二階段顯示黃色燈光的視覺警告，三階段觸發(fā)語(yǔ)音預(yù)警；Han等[16]設(shè)置一階段預(yù)警為微弱語(yǔ)音警告，二階段預(yù)警為強(qiáng)烈語(yǔ)音警告伴隨轉(zhuǎn)向盤振動(dòng)。然而，哪種多模態(tài)設(shè)計(jì)對(duì)道路安全具有最優(yōu)效益，目前還沒有形成共識(shí)。還有部分研究指出，多模態(tài)預(yù)警會(huì)使得駕駛?cè)酥饔^負(fù)荷增加，進(jìn)而導(dǎo)致預(yù)警效用降低，因此在設(shè)計(jì)多模態(tài)預(yù)警策略時(shí)應(yīng)當(dāng)考慮其對(duì)駕駛?cè)酥饔^負(fù)荷的影響[46]。此外，劉鍇等[47]研究發(fā)現(xiàn)不同警示方式對(duì)高齡和非高齡駕駛?cè)水a(chǎn)生的預(yù)警效果具有明顯差異，隨著人口老齡化加深，未來還需要考慮不同年齡駕駛?cè)说倪m應(yīng)性。

4 CICW評(píng)價(jià)指標(biāo)

為了評(píng)估CICW的有效性，需要設(shè)計(jì)評(píng)價(jià)指標(biāo)對(duì)其功能及性能進(jìn)行驗(yàn)證。CICW評(píng)價(jià)指標(biāo)可分為基于碰撞檢測(cè)結(jié)果的評(píng)價(jià)指標(biāo)和基于沖突改善程度的評(píng)價(jià)指標(biāo)。

4.1 基于碰撞檢測(cè)結(jié)果的評(píng)價(jià)指標(biāo)

一些研究通過將CICW預(yù)警結(jié)果與真實(shí)結(jié)果進(jìn)行比較，評(píng)價(jià)CICW的有效性[4-5，28]。常用的評(píng)價(jià)指標(biāo)包括正確預(yù)警率、虛假預(yù)警率以及失敗預(yù)警率等。

正確預(yù)警表示CICW成功觸發(fā)預(yù)警且碰撞實(shí)際會(huì)發(fā)生。正確預(yù)警率[Reft]的計(jì)算方法為：

[Reft=NsusNcol] " " " " " " " " " " " " " " " " "（17）

式中：[Nsus]為預(yù)警成功觸發(fā)的案例數(shù)，[Ncol]為發(fā)生碰撞的案例數(shù)。

虛假預(yù)警是指CICW預(yù)警觸發(fā)，但實(shí)際并不會(huì)發(fā)生碰撞。虛假預(yù)警率[R1]的計(jì)算方法為：

[R1=N1Ncol] " " " " " " " " " " " " " " " （18）

式中：[N1]為虛假預(yù)警的案例數(shù)。

此外，Tu等[48]采用虛假預(yù)警案例數(shù)與安全案例數(shù)的比值計(jì)算虛假預(yù)警率。

失敗預(yù)警是指實(shí)際發(fā)生碰撞，但是CICW沒有成功觸發(fā)警報(bào)。失敗預(yù)警率[Rfail]的計(jì)算方法為：

[Rfail=NfailNcol] " " " " " " " " " " " " " " " " （19）

式中：[Nfail]為失敗預(yù)警的案例數(shù)。

基于碰撞檢測(cè)結(jié)果的評(píng)價(jià)指標(biāo)能夠直觀地評(píng)估CICW在測(cè)試場(chǎng)景中觸發(fā)和反應(yīng)的正確性，但這類指標(biāo)難以對(duì)CICW給交叉口帶來的整體安全效益進(jìn)行評(píng)價(jià)。

4.2 基于沖突改善程度的評(píng)價(jià)指標(biāo)

基于沖突改善程度的評(píng)價(jià)指標(biāo)從交叉口整體安全水平的角度對(duì)CICW的有效性進(jìn)行評(píng)估，主要評(píng)價(jià)指標(biāo)包括碰撞概率、碰撞率以及沖突指數(shù)等。

4.2.1 碰撞概率

基于碰撞概率的評(píng)價(jià)指標(biāo)是根據(jù)交叉口各車輛與其對(duì)應(yīng)沖突車輛在接近過程中的碰撞概率制定的，采用Z型隸屬函數(shù)估計(jì)每輛車的碰撞概率：

[Pi=1， " " " " " " " " " " " " " " " " " " " " " " " " " " " " " " " " " x≤a1-2minj∈MiTi，jTTC，min-ab-a2， " " " " a≤x≤a+b22minj∈MiTi，jTTC，min-bb-a， " " " " " " " " a+b2≤x≤b0， " " " " " " " " " " " " " " " " " " " " " " " " " " " " " " " " " x≥b] " （20）

式中：[Pi]為車輛[i]的碰撞概率，[Mi]為車輛[i]的所有沖突車輛集合，[Ti，jTTC，min]為車輛[i]和車輛[j]產(chǎn)生沖突的最小TTC，a、b分別為分級(jí)預(yù)警閾值。

平均碰撞概率是對(duì)交叉口內(nèi)所有車輛的碰撞概率加權(quán)求和的平均值：

[Piavg=1card（S）i∈SPi] " " " " " " " " " " " （21）

式中：[Piavg]為車輛i的平均碰撞概率，S為通過交叉口的所有車輛集合，card（S）為集合S的數(shù)量。

臨界碰撞概率定義為交叉口處車輛發(fā)生碰撞的最小概率：

[Picri=mini∈SPi] " nbsp; " " " " " " " " " " "（22）

式中：[Picri]為臨界碰撞概率。

4.2.2 碰撞率

碰撞率是指在所有案例中，發(fā)生碰撞的車輛數(shù)占車輛總數(shù)的比例，能夠反映CICW應(yīng)用有效避免碰撞的效能：

[CR=j=1Ni=1njvehCjij=1Nnjveh] " " " " " " " " " " " " （23）

式中：[CR]為碰撞率，[N]為總試驗(yàn)次數(shù)，[njveh]為在第[j]次試驗(yàn)中的車輛總數(shù)，[Cji]為車輛[i]在第j次試驗(yàn)中的碰撞邏輯值（發(fā)生碰撞為0，否則為1）。

4.2.3 沖突指數(shù)

上述評(píng)價(jià)指標(biāo)分別從微觀和宏觀角度對(duì)車輛通過交叉口的安全性進(jìn)行了評(píng)價(jià)，但沒有考慮沖突嚴(yán)重程度。針對(duì)這一問題，Alhajyaseen等[49]基于PET和潛在碰撞前后的動(dòng)能變化，定義沖突指數(shù)評(píng)價(jià)指標(biāo)，其計(jì)算方法為：

[CiI=minj∈MiαΔKi，jeeβTi，jPET] " " " " " " " " " " " " " （24）

式中：[CiI]為車輛[i]的沖突指數(shù)；[ΔKi，je]為車輛[i]與車輛[j]潛在碰撞前、后總動(dòng)能的變化；[eβPETi，j]為根據(jù)碰撞發(fā)生的概率對(duì)沖突進(jìn)行加權(quán)，當(dāng)PET縮短時(shí)，發(fā)生碰撞的可能性增大；[Ti，jPET]為車輛[i]與車輛[j]的PET；[α]、[β]均為調(diào)整參數(shù)，[α]為釋放的能量中影響車內(nèi)人員的百分比，[β]用來反映沖突類型對(duì)碰撞概率的影響。

5 CICW測(cè)試方法研究進(jìn)展

對(duì)CICW進(jìn)行測(cè)試是驗(yàn)證其有效性的必要環(huán)節(jié)。目前常用的測(cè)試方法可以分為仿真測(cè)試、實(shí)車測(cè)試以及虛實(shí)融合測(cè)試三類。

5.1 仿真測(cè)試

CICW仿真涉及車輛仿真、無線通信仿真、交通仿真等多個(gè)方面。常用的車輛仿真工具有PreScan[10，25，32]、VIRES VTD[9]、CarSim[16]等。交通仿真工具有SUMO[31]、VISSIM[50]等。關(guān)于無線通信仿真的研究進(jìn)展可以參考文獻(xiàn)[51]。CICW應(yīng)用的測(cè)試涉及車輛、交通、通信等多個(gè)要素的仿真建模，因此現(xiàn)有的仿真測(cè)試的難點(diǎn)在于缺少車輛-交通-通信一體化大規(guī)模仿真平臺(tái)。

除仿真平臺(tái)構(gòu)建外，通過動(dòng)態(tài)交通場(chǎng)景的重構(gòu)技術(shù)快速、有針對(duì)性地自動(dòng)生成大批量測(cè)試場(chǎng)景，以完成智能駕駛應(yīng)用的加速測(cè)試，也是仿真測(cè)試評(píng)價(jià)領(lǐng)域的關(guān)鍵技術(shù)之一。針對(duì)該問題，Xia等[52]建立了一種涵蓋場(chǎng)景復(fù)雜度指標(biāo)的測(cè)試用例隨機(jī)組合重構(gòu)算法，首先分析場(chǎng)景復(fù)雜度的組成要素，然后確定各要素值及其對(duì)應(yīng)的復(fù)雜度指標(biāo)，通過不同組成要素的隨機(jī)組合生成有效的測(cè)試用例場(chǎng)景。舒紅等[53]提出一種基于組合推理和場(chǎng)景篩選規(guī)則的場(chǎng)景構(gòu)建及測(cè)試用例設(shè)計(jì)方法，該方法能夠快速構(gòu)建具有測(cè)試價(jià)值的測(cè)試場(chǎng)景庫(kù)，且場(chǎng)景覆蓋面廣。但現(xiàn)有關(guān)于測(cè)試場(chǎng)景構(gòu)建方面的研究，更多針對(duì)自動(dòng)駕駛測(cè)試進(jìn)行場(chǎng)景構(gòu)建與生成，車路協(xié)同、車車協(xié)同領(lǐng)域測(cè)試場(chǎng)景重構(gòu)與生成技術(shù)仍有待突破。

5.2 實(shí)車測(cè)試

現(xiàn)有的實(shí)車測(cè)試方法一般可分為封閉場(chǎng)地和開放道路測(cè)試兩類。

封閉場(chǎng)地測(cè)試是指在受控可封閉的真實(shí)場(chǎng)地搭建各類受控可重復(fù)的交通場(chǎng)景進(jìn)行測(cè)試[54]。利用封閉場(chǎng)地可以實(shí)現(xiàn)在受控的風(fēng)險(xiǎn)中對(duì)CICW進(jìn)行最貼近開放交通環(huán)境的測(cè)試[55]。封閉場(chǎng)地測(cè)試雖然屬于實(shí)車測(cè)試，但是缺少真實(shí)的其他交通參與者的動(dòng)態(tài)變化要素，難以復(fù)現(xiàn)真實(shí)交通環(huán)境。

開放道路測(cè)試是指在社會(huì)道路上直接利用真實(shí)的交通場(chǎng)景進(jìn)行測(cè)試，測(cè)試結(jié)果具有較高的可信度。如Huang[11]等在真實(shí)道路上展開一系列實(shí)車測(cè)試，并構(gòu)建了交叉口碰撞預(yù)警、前向碰撞預(yù)警等多個(gè)應(yīng)用場(chǎng)景。然而，測(cè)試安全風(fēng)險(xiǎn)較高、測(cè)試場(chǎng)景難以再現(xiàn)等問題，均制約了開放道路實(shí)車測(cè)試的可行性。

5.3 虛實(shí)融合測(cè)試

與仿真測(cè)試和實(shí)車測(cè)試相比，虛實(shí)融合測(cè)試既可以保留部分實(shí)車測(cè)試真實(shí)性的優(yōu)勢(shì)，又可以快速構(gòu)建復(fù)雜交通場(chǎng)景，提升測(cè)試效率。駕駛模擬器測(cè)試是一種較為典型的虛實(shí)融合測(cè)試方法。如Zhang等[56]基于多用戶駕駛模擬器研究了碰撞預(yù)警系統(tǒng)在不同能見度條件下的效能。Abe等[12]采用利茲高級(jí)駕駛模擬器研究了報(bào)警時(shí)間對(duì)駕駛?cè)诵袨榈挠绊憽hang等[13，39]使用駕駛模擬器進(jìn)行試驗(yàn)研究了駕駛?cè)嗽诒芘鲞^程中的行為機(jī)制。與仿真和實(shí)車測(cè)試相比，虛實(shí)融合測(cè)試具備低成本、高效率以及可重復(fù)等多方面優(yōu)勢(shì)，成為目前研究及應(yīng)用的熱點(diǎn)。

6 不確定性因素影響分析及優(yōu)化方法研究進(jìn)展

CICW極易受到駕駛?cè)诵袨橐约巴ㄐ挪淮_定性的影響而降低可靠性。本章圍繞這一問題闡明駕駛?cè)诵袨椴淮_定性與通信不可靠對(duì)CICW的影響，并總結(jié)梳理這2種不確定性因素的優(yōu)化方法。

6.1 駕駛?cè)诵袨椴淮_定性影響分析及優(yōu)化方法

6.1.1 駕駛?cè)诵袨椴淮_定性影響分析

受駕駛?cè)诵詣e、年齡、心理素質(zhì)等方面差異的影響，駕駛?cè)诵袨楸憩F(xiàn)出一定程度的不確定性和異質(zhì)性，主要體現(xiàn)在預(yù)警觸發(fā)后駕駛?cè)说姆磻?yīng)過程以及避碰行為機(jī)制兩方面[13]。上述現(xiàn)象一方面會(huì)影響交通沖突的演化過程[57]，并影響CICW應(yīng)用對(duì)潛在沖突的判定結(jié)果，另一方面，也會(huì)影響CICW應(yīng)用預(yù)警機(jī)制的有效性。

Li等[13]的研究表明，不同駕駛?cè)嗽诿媾R危險(xiǎn)時(shí)會(huì)出現(xiàn)不同反應(yīng)，并證明了駕駛?cè)酥苿?dòng)反應(yīng)時(shí)間對(duì)避碰減速度、避碰后位置以及避碰結(jié)果有顯著影響。因此有效的CICW應(yīng)用須考慮駕駛?cè)孙L(fēng)險(xiǎn)認(rèn)知和行為反應(yīng)的不確定性并進(jìn)行針對(duì)性的優(yōu)化設(shè)計(jì)。主要解決思路是構(gòu)建駕駛?cè)藳Q策模型或駕駛意圖識(shí)別模型進(jìn)行駕駛行為建模、短期預(yù)測(cè)，然后對(duì)預(yù)警策略進(jìn)行適應(yīng)性優(yōu)化。

6.1.2 駕駛?cè)诵袨椴淮_定性優(yōu)化方法

6.1.2.1 駕駛?cè)藳Q策模型構(gòu)建方法

常見的駕駛?cè)藳Q策模型包括基于三分量軌跡的決策模型、基于可接受間隙的決策模型、基于占先度水平的決策模型以及基于博弈論的決策模型等。

a. 基于三分量軌跡的駕駛?cè)藳Q策模型。車輛穿過道路交叉口通常會(huì)經(jīng)歷減速、勻速、再加速三個(gè)階段，可以通過三分量駕駛軌跡模型模擬駕駛?cè)嗽诮徊婵诘鸟{駛行為。三分量軌跡模型中，車輛在第一、三階段具有恒定加速度，在第二階段具有恒定的速度。模型如圖7所示，構(gòu)建方法為：

[t1+t2+t3=T "d1+d2+d3=Dv21-v20=2a1d1 v1t2=d2 " " " " " " " v23-v21=2a3d3 v1=v0+a1t1 " " v3=v1+a3t3 " " ] " " " " " " " " " " " " " "（25）

式中：t1、t2、t3分別為車輛減速、勻速和加速運(yùn)動(dòng)所經(jīng)歷的時(shí)間，T為車輛到達(dá)交叉口的時(shí)間，D為車輛到達(dá)交叉口的距離，d1、d2、d3分別為車輛減速、勻速、加速階段行駛的距離，[v0]為車輛初始速度，[v1]為減速階段結(jié)束時(shí)車輛的速度，[v3]為加速階段結(jié)束時(shí)車輛的速度，[a1]為減速階段的加速度，[a3]為加速階段的加速度。

Li等[58-59]基于上述模型模擬交叉口處的車輛通行行為，研究了交叉口通行效率優(yōu)化方法。然而，上述模型能夠合理地模擬車輛在交叉口的一類常規(guī)行為，沒有考慮駕駛?cè)说娘L(fēng)格差異性。

b. 基于可接受間隙的駕駛?cè)藳Q策模型。該模型是指在由主、次車道相交形成的交叉口中，假設(shè)主車道交通流正常通行，而次車道交通流必須利用主車道交通流的間隙通過，即當(dāng)滿足式（26）所示條件時(shí)，第n輛車可以順利穿過交叉口：

[tc+n-1tf≤tg≤tc+ntf] " " " " " " " " " （26）

式中：[tc]為次車道駕駛?cè)舜┻^交叉口所能接受的最小時(shí)間間隙，[tf]為次車道車頭時(shí)距，[tg]為主車道空擋時(shí)距。

因此，基于可接受間隙的決策模型在一定程度上可以描述駕駛?cè)送ㄟ^交叉口期間的決策行為。其研究關(guān)鍵是確定臨界間隙值以及分析間隙接受行為的影響因素。Raff[60]最早定義臨界間隙值為接受間隙的累計(jì)分布函數(shù)與拒絕間隙的累計(jì)分布函數(shù)的相交值，但確定的臨界間隙值難以適應(yīng)動(dòng)態(tài)的交叉口環(huán)境和不同的駕駛?cè)孙L(fēng)格。因此，一些研究通過概率方法預(yù)測(cè)不同可接受間隙的可能性[61-62]。此外，有研究發(fā)現(xiàn)主交通流速度、駕駛?cè)四挲g和性別、次車道車輛等待時(shí)間等因素對(duì)駕駛?cè)碎g隙接受行為有顯著影響[63-64]。Chan等[65]觀察分析了交叉口碰撞預(yù)警系統(tǒng)中由駕駛?cè)诵袨樗憩F(xiàn)出的不同可接受間隙，研究表明駕駛?cè)说拈g隙接受行為對(duì)于構(gòu)建有效的預(yù)警系統(tǒng)至關(guān)重要。

然而，在我國(guó)，由于道路優(yōu)先權(quán)并不明顯，并且缺乏對(duì)無信號(hào)交叉口的路權(quán)控制措施，可接受間隙模型的適用性有待進(jìn)一步研究[66-67]。

c. 基于占先度水平的駕駛?cè)藳Q策模型?；谡枷榷人剑≒re-emptive Level，PL）的決策模型不依賴于區(qū)分主、次車道優(yōu)先權(quán)，而是通過建模駕駛?cè)藢?duì)沖突車輛雙方的占先地位的評(píng)估機(jī)制，實(shí)現(xiàn)對(duì)沖突車輛駕駛?cè)送ㄟ^交叉口期間的決策行為進(jìn)行預(yù)測(cè)。其研究關(guān)鍵在于如何量化占先程度以及如何判定占先狀態(tài)。占先度的計(jì)算方法為[68]：

[LpriorP=LpassLprior " "LlaterP=-LpassLprior] " " " " " " " " " " " " " " "（27）

式中：[LpriorP]為高優(yōu)先權(quán)車輛的PL，[LlaterP]為低優(yōu)先權(quán)車輛的PL，[Lpass]為高優(yōu)先權(quán)車輛經(jīng)過潛在碰撞點(diǎn)的長(zhǎng)度，[Lprior]為高優(yōu)先權(quán)車輛的長(zhǎng)度。

上述方法在分析車輛占先狀態(tài)時(shí)，沒有考慮車輛寬度。針對(duì)這一問題，Liu等[69]為了提高模型精度，在量化PL時(shí)考慮了車輛寬度帶來的影響。沖突車輛是否處于占先狀態(tài)，取決于客觀占先度（PL）和駕駛?cè)说男睦砼R界占先度（Psychological Critical PL，CPL）之間的關(guān)系，只有當(dāng)PL大于CPL時(shí)，駕駛?cè)瞬艜?huì)認(rèn)為自己處于占先狀態(tài)。肖永劍等[67]通過對(duì)真實(shí)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，發(fā)現(xiàn)駕駛?cè)说男睦砼R界占先度服從正態(tài)分布[N（0，0.22）]。

盧濤等[6]在構(gòu)建的行車避碰預(yù)警方法中，基于PL模擬了非網(wǎng)聯(lián)車輛駕駛?cè)嗽诮徊婵诘耐ㄐ行袨?。類似地，Liu等[69]基于PL對(duì)駕駛?cè)诵袨檫M(jìn)行建模，對(duì)比分析了不同市場(chǎng)滲透率下兩種具有代表性的無信號(hào)交叉口碰撞預(yù)警算法的效能。然而，上述模型雖然能夠產(chǎn)生合理的仿真結(jié)果，但將駕駛?cè)嗽诮徊婵诘臎Q策描述為搶行和讓行兩種，過分簡(jiǎn)化了駕駛?cè)诵袨樘卣?，與真實(shí)駕駛?cè)诵袨槿杂幸欢ㄆ睢?/p>

d. 基于博弈論的駕駛?cè)藳Q策模型。博弈論（Game Theory，GT）可以研究在受制約的對(duì)抗或者合作過程中，多個(gè)決策參與者采取不同決策方案時(shí)的個(gè)體及整體收益，廣泛應(yīng)用于沖突車輛駕駛?cè)藳Q策行為建模[70]?；贕T的駕駛?cè)藳Q策過程為：定義GT關(guān)鍵參數(shù)，包括由沖突車輛構(gòu)成的參與者集合[{Ci，Cj}]、參與者在每一時(shí)刻可能采取的措施構(gòu)成的決策集合[{S1，S2，S3，…}]，以及沖突車輛駕駛?cè)嗽诿恳粫r(shí)刻博弈的收益集合[{F1，F(xiàn)2}]；構(gòu)建駕駛?cè)瞬┺氖找婧瘮?shù)，計(jì)算博弈收益值，并將其作為每一時(shí)刻駕駛?cè)说臎Q策依據(jù)。

基于博弈論的決策模型研究關(guān)鍵在于如何構(gòu)建博弈效益函數(shù)。劉小明等[71]考慮了安全因素和效率因素，建立了基于動(dòng)態(tài)重復(fù)博弈的無信號(hào)交叉口駕駛?cè)瞬遘囆袨榉治瞿Ｐ停軌蛟谝欢ǔ潭壬戏从巢煌瑮l件下的交通沖突演化結(jié)果，構(gòu)建的博弈效益函數(shù)為：

[Fki=σF[ΔTk（L-max {Lk1，Lk2}/L]+δF（ΔVki）] " " "（28）

式中：[Fki]為k時(shí)刻沖突車輛駕駛?cè)薸在某種策略組合下的博弈收益，[ΔTk]為k時(shí)刻兩車到達(dá)交叉口的時(shí)間差，L為交叉口半徑，[Lk1、Lk2]分別為兩車在k時(shí)刻到達(dá)交叉口的空間距離，[ΔVki]為k時(shí)刻駕駛?cè)薸做出某種變速?zèng)Q策前、后的速度改變量，[σ、δ]分別為安全因素和效率因素的影響系數(shù)，F(xiàn)為對(duì)計(jì)算結(jié)果的歸一化處理。

Cheng等[23]在上述研究的基礎(chǔ)上，考慮了駕駛?cè)耸孢m度因素，在博弈效益函數(shù)中增加了舒適度指標(biāo)來限制加速度的變化率。Chen等[72]基于GT提出一種智能車輛沖突決策模型，該模型可以有效幫助車輛避免沖突，并提升了15%的通行效率。Yang等[73]基于GT提出一種駕駛模型，能夠同時(shí)考慮3輛以上的車輛從不同方向駛?cè)霟o信號(hào)交叉口時(shí)的潛在碰撞風(fēng)險(xiǎn)。

基于GT的駕駛?cè)藳Q策模型可以量化駕駛?cè)说臎Q策過程，確保在每個(gè)時(shí)刻駕駛?cè)硕寄苓x擇最佳行動(dòng)。但現(xiàn)有的基于GT的決策模型將駕駛?cè)诵袨槊枋鰹榧铀?、勻速、減速3種，只關(guān)注了來自正交方向的兩直行車輛，忽略了所有轉(zhuǎn)彎車輛，適應(yīng)性有限。

6.1.2.2 駕駛意圖識(shí)別模型構(gòu)建方法

駕駛?cè)艘鈭D是一段時(shí)間內(nèi)的穩(wěn)定駕駛操作序列所表現(xiàn)出的思維活動(dòng)，駕駛?cè)诵袨橹苯邮荞{駛意圖驅(qū)使，因此構(gòu)建駕駛意圖識(shí)別模型有助于在CICW應(yīng)用中對(duì)駕駛?cè)诵袨檫M(jìn)行建模和預(yù)測(cè)。

駕駛意圖雖然是不可觀測(cè)的隱含狀態(tài)，但是可以通過已知狀態(tài)觀測(cè)輸出。基于貝葉斯決策理論的隱馬爾可夫模型（Hidden Markov Model，HMM）能夠根據(jù)可觀察的參數(shù)確定隨機(jī)過程的隱含參數(shù)，因此可以用于駕駛?cè)艘鈭D預(yù)測(cè)。如Zou等[74]利用HMM特性對(duì)駕駛?cè)嗽诮徊媛房谒憩F(xiàn)的多樣行為進(jìn)行建模，構(gòu)建的HMM模型如圖8所示，通過計(jì)算事件序列發(fā)生概率來識(shí)別駕駛意圖。D為來自真實(shí)世界的車輛動(dòng)力學(xué)數(shù)據(jù)（可觀測(cè)變量），如車輛速度、加速度等；An為不可觀測(cè)的駕駛?cè)艘鈭D（隱含變量），包括加速、減速、勻速以及各種轉(zhuǎn)向運(yùn)動(dòng)或它們的組合；T為當(dāng)前時(shí)刻；（T-i）為過去第i個(gè)時(shí)刻，i=1，2，…；T+i為未來第i個(gè)時(shí)刻。該模型能夠模擬駕駛?cè)嗽诮徊婵诘慕换ミ^程，在歷史觀測(cè)數(shù)據(jù)的基礎(chǔ)上實(shí)現(xiàn)對(duì)不同駕駛?cè)笋{駛風(fēng)格的識(shí)別，并預(yù)測(cè)其駕駛意圖。王江鋒等[75]借助HMM模型建立駕駛?cè)笋{駛意圖與車輛相對(duì)行駛狀態(tài)序列之間的隱含關(guān)系，并將駕駛意圖作為特征因子集成到安全距離模型中，提出基于駕駛意圖共享的碰撞預(yù)警算法。

基于HMM的駕駛意圖識(shí)別模型能夠?qū)Ⅰ{駛?cè)说霓D(zhuǎn)彎意圖納入考慮范圍之內(nèi)，提升了模型的適用性。但該模型的參數(shù)更新受道路交通環(huán)境變化（如車輛密度、衛(wèi)星信號(hào)強(qiáng)度等）影響較大，且現(xiàn)有駕駛意圖識(shí)別模型均基于車輛速度、加速度等數(shù)據(jù)預(yù)測(cè)駕駛?cè)艘鈭D，未來也可考慮將駕駛?cè)藙?dòng)作作為觀測(cè)節(jié)點(diǎn)（如轉(zhuǎn)向盤轉(zhuǎn)角、油門及制動(dòng)踏板數(shù)據(jù)等）。

6.2 通信不可靠條件影響分析及優(yōu)化方法

受無線通信多徑傳播、路徑損失、陰影衰落等因素的影響，車輛間建立的V2X通信始終存在通信時(shí)延及數(shù)據(jù)丟包等問題[76-77]。特別是在交叉口環(huán)境下，受建筑物遮蔽、車輛密度、傳播距離等因素影響，通信不可靠問題更為顯著。V2X網(wǎng)絡(luò)固有的通信時(shí)延和丟包問題將會(huì)降低網(wǎng)聯(lián)車輛對(duì)周圍交通環(huán)境的監(jiān)控能力，并影響CICW應(yīng)用的有效性[10，78]。

除針對(duì)V2X通信協(xié)議底層設(shè)計(jì)進(jìn)行通信可靠性傳輸優(yōu)化外，現(xiàn)有的通信不確定的優(yōu)化方法多從改善信道擁塞的角度考慮，比如自適應(yīng)傳輸功率控制方法[79]以及自適應(yīng)傳輸速率控制方法[80-81]。為了防止信道過飽和，同時(shí)優(yōu)化安全應(yīng)用的接收性能，Tielert等[82]推導(dǎo)出一種用于車輛安全通信的自適應(yīng)傳輸功率-速率聯(lián)合控制策略，在最優(yōu)化目標(biāo)距離和信道負(fù)載目標(biāo)的同時(shí)，無需依賴精細(xì)的自適應(yīng)傳輸功率調(diào)節(jié)粒度。然而，上述研究均假設(shè)所有車輛公平共享信道，可能會(huì)導(dǎo)致在危急情況下沖突車輛無法交換足夠的信息以滿足安全應(yīng)用。Joerer等[83]針對(duì)這一問題提出一種基于情境的速率自適應(yīng)算法，其主要思路是選擇性地提高緊急車輛的消息傳輸速率，重點(diǎn)保障行車風(fēng)險(xiǎn)較大車輛的通信服務(wù)優(yōu)先級(jí)，進(jìn)而改善通信負(fù)載。該方法能夠有效緩解信道擁塞，是改善通信不可靠問題的一種可行的研究思路。未來可以在此基礎(chǔ)上，考慮如何基于通信故障/失效預(yù)測(cè)構(gòu)建面向不可靠通信的CICW容錯(cuò)機(jī)制。

除上述方法外，在自動(dòng)駕駛環(huán)境下，從車輛控制直接進(jìn)行補(bǔ)償也是對(duì)通信不可靠影響進(jìn)行優(yōu)化處理的可行技術(shù)手段。常雪陽(yáng)等[84]的研究表明，車聯(lián)網(wǎng)的通信時(shí)延與丟包會(huì)導(dǎo)致車輛控制性能下降。針對(duì)該問題，許慶等[85]基于車輛動(dòng)力學(xué)模型，提出一種考慮時(shí)延、丟包等因素的網(wǎng)聯(lián)車輛控制器設(shè)計(jì)方法，能夠在一定的丟包率及量化密度范圍內(nèi)，保證車輛控制系統(tǒng)的穩(wěn)定性與安全性。上述工作為設(shè)計(jì)CICW應(yīng)用環(huán)境下面向人機(jī)共駕或自動(dòng)駕駛的智能網(wǎng)聯(lián)汽車控制策略提出了新的研究思路。

7 發(fā)展展望

沖突檢測(cè)、碰撞預(yù)警、測(cè)試評(píng)價(jià)、可靠性保障是目前在無信號(hào)交叉口網(wǎng)聯(lián)車輛協(xié)同碰撞預(yù)警應(yīng)用研究領(lǐng)域形成的四個(gè)主要研究方向。雖然目前各國(guó)學(xué)者對(duì)上述問題進(jìn)行了廣泛的研究，并取得了一定的成果，但目前的研究水平仍難以滿足CICW落地應(yīng)用的實(shí)際需求。未來，需在如下方面重點(diǎn)開展進(jìn)一步的研究：

a. CICW沖突檢測(cè)生效的關(guān)鍵在于構(gòu)建綜合風(fēng)險(xiǎn)指標(biāo)以及選取合適的風(fēng)險(xiǎn)指標(biāo)閾值?，F(xiàn)有的沖突檢測(cè)方法大多不同程度地對(duì)CICW應(yīng)用場(chǎng)景下人-車-路協(xié)同環(huán)境進(jìn)行了理想性建?；蚣僭O(shè)，難以精確表征沖突車輛面臨的實(shí)際沖突風(fēng)險(xiǎn)，此外，大多數(shù)沖突檢測(cè)模型只能實(shí)現(xiàn)沖突可能性的判定，難以衡量風(fēng)險(xiǎn)的嚴(yán)重程度。DSF模型的提出與應(yīng)用為解決上述問題提供了一種新的研究思路，但如何確定DSF模型中的眾多交通環(huán)境相關(guān)參數(shù)，構(gòu)建基于DSF的沖突風(fēng)險(xiǎn)指標(biāo)，并設(shè)計(jì)合適的沖突判定閾值仍有待進(jìn)一步研究。

b. CICW碰撞預(yù)警策略設(shè)計(jì)的關(guān)鍵在于如何向駕駛?cè)颂峁┘皶r(shí)準(zhǔn)確的警告信息，并最大化駕駛?cè)藢?duì)預(yù)警系統(tǒng)的接受度?？紤]到CICW以人工駕駛為主要應(yīng)用環(huán)境，駕駛個(gè)性、心理特征的客觀存在對(duì)CICW應(yīng)用的有效性及可靠性設(shè)計(jì)帶來了極大的挑戰(zhàn)，因此，需在大量實(shí)車驗(yàn)證的基礎(chǔ)上，重點(diǎn)對(duì)CICW應(yīng)用場(chǎng)景下的駕駛?cè)笋{駛特征進(jìn)行詳細(xì)研究與精確建模，實(shí)現(xiàn)基于當(dāng)前車輛運(yùn)動(dòng)狀態(tài)、交通風(fēng)險(xiǎn)及交通環(huán)境對(duì)駕駛員意圖和行為進(jìn)行短期預(yù)測(cè)，進(jìn)而完成多級(jí)預(yù)警誘導(dǎo)。此外，隨著車輛智能化程度的不斷提高，利用自車感知、決策模塊進(jìn)行駕駛?cè)笋{駛特征的在線識(shí)別，實(shí)現(xiàn)CICW預(yù)警模式的自適應(yīng)有望成為可行的優(yōu)化思路。

c. 對(duì)CICW進(jìn)行評(píng)價(jià)是驗(yàn)證預(yù)警策略有效性、加快其落地應(yīng)用的必要環(huán)節(jié)。當(dāng)前的評(píng)價(jià)方法多從CICW應(yīng)用成功實(shí)現(xiàn)預(yù)警的能力、成功避免碰撞發(fā)生的能力等行車風(fēng)險(xiǎn)消解程度等安全因素進(jìn)行評(píng)估。但是在實(shí)際的交通環(huán)境中，交通效率、行車舒適性也受到交通參與者重點(diǎn)關(guān)注，因此在下一步的研究中需要研究搭建具備交通-車輛-通信三維一體模擬能力的大規(guī)模試驗(yàn)平臺(tái)，依賴虛擬融合測(cè)試、仿真測(cè)試、測(cè)試場(chǎng)景重構(gòu)與生成等技術(shù)手段對(duì)CICW策略在交通風(fēng)險(xiǎn)緩解能力、交通效率保障能力以及在乘坐舒適性方面的表現(xiàn)進(jìn)行綜合考慮。

d. 受無線通信多徑傳播、路徑損失、陰影衰落以及網(wǎng)絡(luò)擁塞、設(shè)備質(zhì)量等因素的影響，車輛間建立的V2X通信始終存在通信時(shí)延及數(shù)據(jù)丟包等問題，是CICW安全應(yīng)用有效性的關(guān)鍵挑戰(zhàn)之一。除針對(duì)V2X通信協(xié)議底層設(shè)計(jì)進(jìn)行通信可靠性傳輸優(yōu)化外，目前CICW應(yīng)用設(shè)計(jì)多從信道擁塞緩解機(jī)制，如自適應(yīng)信標(biāo)傳輸模式等方面進(jìn)行考慮。但如何基于通信故障/失效預(yù)測(cè)構(gòu)建面向不可靠通信的CICW容錯(cuò)機(jī)制，如重點(diǎn)保障行車風(fēng)險(xiǎn)較大車輛的通信服務(wù)優(yōu)先級(jí)，從CICW策略對(duì)不可靠通信的自適應(yīng)優(yōu)化仍有待進(jìn)一步研究。

8 結(jié)束語(yǔ)

沖突檢測(cè)方法與碰撞預(yù)警策略是CICW應(yīng)用設(shè)計(jì)的關(guān)鍵，測(cè)試評(píng)價(jià)與可靠性優(yōu)化則是保障CICW有效性、加速其落地應(yīng)用的必要環(huán)節(jié)。本文對(duì)CICW在上述四個(gè)領(lǐng)域的研究進(jìn)展、發(fā)展方向進(jìn)行了詳細(xì)綜述。從沖突車輛間的時(shí)間與空間關(guān)系、相對(duì)運(yùn)動(dòng)趨勢(shì)等角度總結(jié)了目前較為典型的CICW沖突檢測(cè)方法，對(duì)比分析了其優(yōu)點(diǎn)與不足；明確了CICW碰撞預(yù)警研究的重點(diǎn)，比較了不同預(yù)警級(jí)別、預(yù)警機(jī)制以及預(yù)警模式對(duì)于駕駛?cè)藗€(gè)體差異的適用性；歸納了CICW有效性及安全效益相關(guān)的評(píng)價(jià)指標(biāo)，闡明了仿真測(cè)試、實(shí)車測(cè)試以及虛實(shí)融合測(cè)試方法的適用性；分析了駕駛?cè)瞬淮_定性和通信不可靠因素對(duì)CICW的影響，從駕駛?cè)藳Q策行為和駕駛意圖兩方面剖析了現(xiàn)有的駕駛?cè)瞬淮_定性優(yōu)化方法的優(yōu)點(diǎn)與不足，總結(jié)了現(xiàn)有的通信不可靠?jī)?yōu)化方法；對(duì)基于DSF的CICW沖突檢測(cè)方法、考慮駕駛?cè)藗€(gè)性駕駛特征的CICW碰撞預(yù)警策略、考慮安全-效率-舒適性的綜合評(píng)價(jià)方法、基于故障/失效預(yù)測(cè)構(gòu)建CICW容錯(cuò)機(jī)制等問題進(jìn)行了展望。

參 考 文 獻(xiàn)

[1] TAY R. A Random Parameters Probit Model of Urban and Rural Intersection Crashes[J]. Accident Analysis and " " " " " Prevention， 2015， 84： 38-40.

[2] BELLA F， SILVESTRI M. Effects of Directional Auditory and Visual Warnings at Intersections on Reaction Times and Speed Reduction Times[J]. Transportation Research Part F： Traffic Psychology and Behavior， 2017， 51： 88-102.

[3] 中國(guó)汽車工程學(xué)會(huì). 合作式智能運(yùn)輸系統(tǒng)車用通信系統(tǒng)應(yīng)用層及應(yīng)用數(shù)據(jù)交互標(biāo)準(zhǔn)： T/CSAE 53-2017[S]. 北京： 中國(guó)汽車工程學(xué)會(huì)， 2017.

China Society of Automotive Engineers. Cooperative " " " " " Intelligent Transportation System; Vehicular Communication; Application Layer Specification and Data Exchange " " " "Standard： T/CSAE 53-2017[S]. Beijing： China SAE， 2017.

[4] WANG P， CHAN C Y. Vehicle Collision Prediction at Intersections Based on Comparison of Minimal Distance Between Vehicles and Dynamic Thresholds[J]. IET Intelligent " " " " " " Transport Systems， 2017， 11（10）： 676-684.

[5] 陸毅忱， 鄒亞杰， 程凱， 等. 基于風(fēng)險(xiǎn)域的城市道路交叉口交通沖突分析方法[J]. 同濟(jì)大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2021， 49（7）： 941-948.

LU Y C， ZOU Y J， CHENG K， et al. Analytical Method of Traffic Conflict at Urban Road Intersections Based on Risk Region[J]. Journal of Tongji University （Natural Science）， 2021， 49（7）： 941-948.

[6] 盧濤， 王潤(rùn)民， 趙祥模， 等. 網(wǎng)聯(lián)環(huán)境下無信控交叉口行車避碰預(yù)警方法[J]. 汽車技術(shù)， 2021（6）： 12-18.

LU T， WANG R M， ZHAO X M， et al. Vehicle Collision Avoidance Warning Method at Unsignalized Intersection " under Connected Environment[J]. Automobile Technology， 2021（6）： 12-18.

[7] RUSCIO D， CICERI M R， BIASSONI F. How Does A " " " "Collision Warning System Shape Driver’s Brake Response Time？ The Influence of Expectancy and Automation " " " "Complacency on Real-Life Emergency Braking[J]. Accident Analysis and Prevention， 2015， 77： 72-81.

[8] KIM H， GABBARD J L， ANON A M， et al. Driver Behavior and Performance with Augmented Reality Pedestrian " " " " Collision Warning： An Outdoor User Study[J]. IEEE " " " " Transactions on Visualization and Computer Graphics， 2018， 24（4）： 1515-1524.

[9] QU C， QI W Y， WU P. A High Precision and Efficient Time-to-Collision Algorithm for Collision Warning Based V2X "Applications[C]// 2018 2nd International Conference on " " " Robotics and Automation Sciences （ICRAS）. Wuhan： IEEE， 2018.

[10] XIOG G， YANG T， LI M， et al. A Novel V2X-Based " " " "Pedestrian Cllision Avoidance System and the Effects "Analysis of Communication Delay and Packet Loss on Its Application[C]// 2018 IEEE International Conference on "Vehicular Electronics and Safety （ICVES）. Madrid： IEEE， 2018.

[11] HUANG X， ZHOU H. An Omnidirectional Collision " " " "Warning Method Based on V2X Communication Technology[C]// SAE 2017 Intelligent and Connected Vehicles " " " " Symposium. Kunshan： SAE， 2017.

[12] ABE G， RICHARDSON J. The Effect of Alarm Timing on Driver Behavior： An Investigation of Differences in Driver Trust and Response to Alarms According to Alarm Timing[J]. Transportation Research Part F： Traffic Psychology and Behavior， 2004， 7（4/5）： 307-322.

[13] LI X， ZHANG Y， YAN X， et al. Drivers’ Right-Angle " " Collision Avoidance Behaviors at Non-Signalized " " " " " " "Intersection—A Driving Simulator Based Study[C]// 2015 International Conference on Transportation Information and Safety （ICTIS）. Wuhan： IEEE， 2015.

[14] MILLER R， HUANG Q. An Adaptive Peer-To-Peer " " " "Collision Warning System[C]// Vehicular Technology " " "Conference. Birmingham： IEEE， 2002.

[15] WINKLER S， WERNEKE J， VOLLRATH M. Timing of " Early Warning Stages in a Multi Stage Collision Warning System： Drivers’ Evaluation Depending on Situational " " "Influences[J]. Transportation Research Part F： Traffic " "Psychology and Behavior， 2016， 36： 57-68.

[16] HAN Z， LI X， WANG J. Longitudinal Collision Warning System Based on Driver Braking Characteristics[C]// 2020 3rd International Conference on Algorithms， Computing and Artificial Intelligence. New York： Association for " " " "Computing Machinery， 2020.

[17] WANG J， WU J， LI Y. The Driving Safety Field Based on Driver–Vehicle–Road Interactions[J]. IEEE Transactions on Intelligent Transportation Systems， 2015， 16（4）： 2203-2214.

[18] SEPULCRE M， GOZALVEZ J， HERNANDEZ J. " " " " " " " " Cooperative Vehicle-To-Vehicle Active Safety Testing " "under Challenging Conditions[J]. Transportation Research Part C： Emerging Technologies， 2013， 26： 233-255.

[19] JIMéNEZ F， NARANJO J E， GARCíA F. An Improved Method to Calculate the Time-To-Collision of Two " " " " "Vehicles[J]. International Journal of Intelligent " " " " " " " "Transportation Systems Research， 2013， 11（1）： 34-42.

[20] HOU J， LIST G F， GUO X. New Algorithms for Computing the Time-To-Collision in Freeway Traffic Simulation " Models[J]. Computational Intelligence and Neuroscience， 2014， 2014.

[21] WANG Y， WENJUAN E， TIAN D， et al. Vehicle Collision Warning System and Collision Detection Algorithm Based on Vehicle Infrastructure Integration[C]// 7th Advanced Forum on Transportation of China （AFTC 2011）. Beijing： IET， 2012.

[22] MINDERHOUD M M， BOVY P H L. Extended Time-To-Collision Measures for Road Traffic Safety Assessment[J]. Accident Analysis and Prevention， 2001， 33（1）： 89-97.

[23] CHENG C， YANG Z， YAO D. A Speed Guide Model for Collision Avoidance in Non-Signalized Intersections Based on Reduplicate Game Theory[C]// 2018 IEEE Intelligent Vehicles Symposium （IV）. Changshu： IEEE， 2018.

[24] MAHMUD S M S， FERREIRA L， HOQUE M S， et al. " " " "Application of Proximal Surrogate Indicators for Safety Evaluation： A Review of Recent Developments and " " " " "Research Needs[J]. IATSS Research， 2017， 41（4）： 153-163.

[25] KIM Y， RYU J， MIN B， et al. Development and " " " " " " " Performance Analysis of Bicycle Collision Avoidance （BCA） Algorithms by Using PreScan and MATLAB[C]//2015 IEEE 18th International Conference on Intelligent Transportation Systems. Gran Canaria： IEEE， 2015.

[26] JOERER S， SEGATA M， BLOESSL B， et al. A Vehicular Networking Perspective on Estimating Vehicle Collision Probability at Intersections[J]. IEEE Transactions on " " " "Vehicular Technology， 2013， 63（4）： 1802-1812.

[27] CHANG C H， CHOU C H， LIN C J， et al. A WAVE/DSRC-Based Intersection Collision Warning System[C]// 2009 " " International Conference on Ultra Modern " " " " " " " " " " "Telecommunications amp; Workshops. St. Petersburg： IEEE， 2009： 1-6.

[28] HUANG C M， LIN S Y. An Early Collision Warning " " " " Algorithm for Vehicles Based on V2V Communication[J]. International Journal of Communication Systems， 2012， 25（6）： 779-795.

[29] HUANG C M， LIN S Y. An Advanced Vehicle Collision Warning Algorithm over the Dsrc Communication Environment： An Advanced Vehicle Collision Warning Algorithm[C]// 2013 IEEE 27th International Conference on " " " " " "Advanced Information Networking and Applications " " " （AINA）. Barcelona： IEEE， 2013.

[30] DABBOUR E， EASA S. Proposed Collision Warning " " " System for Right-Turning Vehicles at "Two-Way "Stop-Controlled Rural Intersections[J]. Transportation Research Part C： Emerging Technologies， 2014， 42： 121-131.

[31] LI L H， GAN J， YI Z， et al. Risk Perception and the Warning Strategy Based on Safety Potential Field Theory[J]. Accident Analysis and Prevention， 2020， 148.

[32] CHEN B， LIAO L， ZOU F， et al. Rule-Based Graded " " " "Braking for Unsignalized Intersection Collision Avoidance via Vehicle-to-Vehicle Communication[C]// International Conference on Genetic and Evolutionary Computing. " " " "Qingdao： Springer， 2019.

[33] LYU N， WEN J， WU C. Novel Time-Delay Side-Collision Warning Model at Non-Signalized Intersections Based on Vehicle-to-Infrastructure Communication[J]. " " " " " " " " " International Journal of Environmental Research and " " Public Health， 2021， 18（4）.

[34] SHEN C， ZHANG S， GAO Z， et al. Study "on "a "Right-Turning Intelligent Vehicle Collision Warning and Avoidance Algorithm Based on Monte Carlo Simulation[J]. " " "Journal of Advanced Transportation， 2020， 2020.

[35] YANG J H， KIM H J. Design of Collision Warning System Based on Performance-Based Approach That Considers Driver Behavior[C]// 2015 10th Asian Control Conference （ASCC）. Kota Kinabalu： IEEE， 2015.

[36] WANG X， CHEN M， ZHU M， et al. Development of A Kinematic-Based Forward Collision Warning Algorithm Using An Advanced Driving Simulator[J]. IEEE Transactions on Intelligent Transportation Systems， 2016， 17（9）： 2583-2591.

[37] WANG J， YU C， LI S E， et al. A Forward Collision Warning Algorithm with Adaptation to Driver Behaviors[J]. IEEE Transactions on Intelligent Transportation Systems， 2015， 17（4）： 1157-1167.

[38] WHITMIRE II J， MORGAN J F， ORON-GILAD T， et al. The Effect of In-Vehicle Warning Systems on Speed " "Compliance in Work Zones[J]. Transportation Research Part F： Traffic Psychology and Behavior， 2011， 14（5）： 331-340.

[39] ZHANG Y， YAN X， LI X， et al. Changes of Drivers’ Visual Performances When Approaching A Signalized Intersection Under Different Collision Avoidance Warning Conditions[J]. Transportation Research Part F： Traffic Psychology and Behaviour， 2019， 65： 584-597.

[40] YANG J， YAN X， XUE Q， et al. Exploring the Effects of Signs’ Design and In-Vehicle Audio Warning on Driver Behavior at Flashing-Light-Controlled Grade Crossings： A Driving Simulator-Based Study[J]. Journal of Advanced Transportation， 2019， 2019.

[41] WU X， BOYLE L N， MARSHALL D， et al. The Effectiveness of Auditory Forward Collision Warning Alerts[J]. Transportation Research Part F： Traffic Psychology and " Behavior， 2018， 59： 164-178.

[42] MURATA A， KURODA T， KARWOWSKI W. Effects of "Auditory and Tactile Warning on Response to Visual " " "Hazards Under A Noisy Environment[J]. Applied " " " " " " Ergonomics， 2017， 60： 58-67.

[43] LI Y， BURNS C. Perceived Urgency of Tactile Warnings[C]// 2013 IEEE International Conference on Systems， Man， and Cybernetics. Manchester： IEEE， 2013.

[44] LARGE D R， KIM H， MERENDA C， et al. Investigating the Effect of Urgency and Modality of Pedestrian Alert " " " Warnings on Driver Acceptance and Performance[J]. " " "Transportation Research Part F： Traffic Psychology and " "Behavior， 2019， 60： 11-24.

[45] LYLYKANGAS J， SURAKKA V， SALMINEN K， et al. " " Responses to Visual， Tactile and Visual–Tactile Forward Collision Warnings While Gaze on and off the Road[J]. Transportation Research Part F： Traffic Psychology and " "Behavior， 2016， 40： 68-77.

[46] BIONDI F， STRAYER D L， ROSSI R， et al. Advanced "Driver Assistance Systems： Using Multimodal Redundant Warnings to Enhance Road Safety[J]. Applied Ergonomics， 2017， 58： 238-244.

[47] 劉鍇， 賈潔， 劉超. 車路協(xié)同環(huán)境下道路無信號(hào)交叉口防碰撞系統(tǒng)警示效果[J]. 中國(guó)公路學(xué)報(bào)， 2018， 31（4）： 222-230.

LIU K， JIA J， LIU C. Warning Effectiveness of Vehicle-to-Infrastructure Cooperative Crossing Collision Prevention System at Non-Signal Controlled Intersection[J]. China Journal of Highway and Transport， 2018， 31（4）： 222-230.

[48] TU L， HUANG C M. Forwards： A Map-Free Intersection Collision-Warning System for all Road Patterns[J]. IEEE Transactions on Vehicular Technology， 2010， 59（7）： 3233-3248.

[49] ALHAJYASEEN W K M. The Integration of Conflict " " " " Probability and Severity for the Safety Assessment of " " " " Intersections[J]. Arabian Journal for Science and " " " " " " "Engineering， 2015， 40（2）： 421-430.

[50] LIN P， LIU J， JIN P J， et al. "Autonomous "Vehicle-Intersection Coordination Method in a Connected Vehicle " " " "Environment[J]. IEEE Intelligent Transportation Systems Magazine， 2017， 9（4）： 37-47.

[51] 王潤(rùn)民， 鄧曉峰， 徐志剛， 等. 車聯(lián)網(wǎng)仿真測(cè)試評(píng)價(jià)技術(shù)研究綜述[J]. 計(jì)算機(jī)應(yīng)用研究， 2019， 36（7）： 1-9.

WANG R M， DENG X F， XU Z G， et al. Survey on " " " " " Simulation Testing and Evaluation of Internet of Vehicles[J]. Application Research of Computers， 2019， 36（7）： 1-9.

[52] XIA Q， DUAN J， GAO F， et al. Automatic Generation "Method of Test Scenario for ADAS Based on Complexity[C]// SAE 2017 Intelligent and Connected Vehicles " " " "Symposium. Warrendale： SAE， 2017： 1-9.

[53] 舒紅， 袁康， 修海林， 等. 自動(dòng)駕駛汽車基礎(chǔ)測(cè)試場(chǎng)景構(gòu)建研究[J]. 中國(guó)公路學(xué)報(bào)， 2019， 32（11）： 245-254.

SHU H， YUAN K， XIU H L， et al. Construct of Basic Test Scenarios of Automated Vehicle[J]. China Journal of " " " "Highway and Transport， 2019， 32（11）： 245-254.

[54] 王潤(rùn)民， 張心睿， 王由道， 等. 自動(dòng)駕駛封閉測(cè)試場(chǎng)地建設(shè)技術(shù)研究與實(shí)踐[J]. 汽車實(shí)用技術(shù)， 2020（4）： 33-36.

WANG R M， ZHANG X R， WANG Y D， et al. Research and Practice on Construction Technology of Closed Test Field Autonomous Driving[J]. Automobile Applied " " " " " "Technology， 2020（4）： 33-36.

[55] ZHAO D， LAM H， PENG H， et al. Accelerated Evaluation of Automated Vehicles Safety in Lane Change Scenarios Based on Importance Sampling Techniques[J]. IEEE " " " " Transactions on Intelligent Transportation Systems， 2016， 18： 595-607.

[56] ZHANG Y， YAN X， WU J， et al. Effect of Warning System on Interactive Driving Behavior at Unsignalized " " " " " " " "Intersection under Fog Conditions： A Study Based on " " " Multiuser Driving Simulation[J]. Journal of Advanced " " " " Transportation， 2020， 2020.

[57] XING G， JIAN L， XIANG Q J， et al. Study on Driving " " " Behavior and Traffic Conflict at Highway Intersection[C]// Workshop on Power Electronics amp; Intelligent " " " " " " "Transportation System. Wuhan： IEEE Computer Society， 2008.

[58] LI Z， ELEFTERIADOU L， RANKA S. Signal Control " " "Optimization for Automated Vehicles at Isolated Signalized Intersections[J]. Transportation Research Part C： Emerging Technologies， 2014， 49： 1-18.

[59] 張心睿， 王潤(rùn)民， 凡海金， 等. 混合交通環(huán)境下網(wǎng)聯(lián)交叉口車輛協(xié)同誘導(dǎo)策略及仿真測(cè)試[J]. 汽車技術(shù)， 2021（10）： 1-6.

ZHANG X R， WANG R M， FAN H J， et al. Research and Simulation of Vehicle Cooperative Guidance Strategy on Connected and Signalized Intersections under Mixed " " Traffic Environment[J]. Automobile Technology， 2021（10）： 1-6.

[60] RAFF M S. A Volume Warrant for Urban Stop Signs[J]. " "Intersections， 1950.

[61] SERAG M S. Gap-Acceptance Behavior at Uncontrolled " Intersections in Developing Countries[J]. Malaysian Journal of Civil Engineering， 2015， 27： 80-93.

[62] LORD-ATTIVOR R， JHA M K. Modeling Gap Acceptance and Driver Behavior at Stop Controlled （Priority） " " " " " " " Intersections in Developing Countries[C]// Proceedings of the 6th WSEAS International Conference on Computer " " Engineering and Applications， and Proceedings of the 2012 American conference on Applied Mathematics， World " " Scientific and Engineering Academy and Society （WSEAS）. Wisconsin： WSEAS， 2012.

[63] YAN X， RADWAN E， GUO D. Effects of Major-Road " " "Vehicle Speed and Driver Age and Gender on Left-Turn Gap Acceptance[J]. Accident Analysis amp; Prevention， 2007， 39（4）： 843-852.

[64] MA W， ZHAO J. Investigating Gap Acceptance Behavior at Two-Way Stop-Controlled Intersections in China[J]. " Transportation Letters， 2020， 12（3）： 202-212.

[65] CHAN C Y， RAGLAND D R， SHLADOVER S E， et al. " Observations of Driver Time Gap Acceptance at " " " " " " " Intersections " " in " " Left-Turn Across-Path–Opposite-Direction Scenarios[J]. Transportation Research Record， 2005， 1910（1）： 10-19.

[66] LIU M， LU G， WANG Y， et al. Analyzing Drivers’ Crossing Decisions at Unsignalized Intersections in China[J]. Transportation Research Part F： Traffic Psychology and " " " " " "Behavior， 2014， 24： 244-255.

[67] 肖永劍， 楊建國(guó)， 王兆安. 基于占先度的駕駛員沖突避碰決策模型[J]. 交通運(yùn)輸工程學(xué)報(bào)， 2009， 9（5）： 116-120.

XIAO Y J， YANG J G， WANG Z A. Driver’s Conflict Avoidance Decision Model Based on Preemptive Level[J]. Journal of Traffic and Transportation Engineering， 2009， 9（5）： 116-120.

[68] XIAO Y， RAN Q， YANG J， et al. Analysis and Modeling of Crossing Behavior at Urban Intersections in China[J]. " " Journal of Transportation Engineering， 2011， 137（2）： 121-127.

[69] LIU Y， WANG J， CHEN C， et al. Vehicle Safety Analysis at Non-Signalised Intersections at Different Penetration Rates of Collision Warning Systems[J]. IET Intelligent Transport Systems， 2020， 14（13）： 1759-1768.

[70] OWEN G. Game Theory[M]. Pittsburgh： Academic Press， 2013.

[71] 劉小明， 王秀英. 基于重復(fù)博弈的無燈控交叉口駕駛員行為模型[J]. 中國(guó)公路學(xué)報(bào)， 2011， 24（4）： 94-100.

LIU X M， WANG X Y. Vehicle-Cross Action Model in " " Intersection without Traffic Light Based on Reduplicate Game[J]. China Journal of Highway and Transport， 2011， 24（4）： 94-100.

[72] CHEN X， SUN Y， OU Y， et al. A Conflict Decision Model Based on Game Theory for Intelligent Vehicles at Urban Unsignalized Intersections[J]. IEEE Access， 2020， 8： 189546-189555.

[73] YANG Z， HUANG H， WANG G， et al. Cooperative Driving Model for Non-Signalized Intersections with Cooperative Games[J]. Journal of Central South University， 2018， 25（9）： 2164-2181.

[74] ZOU X， LEVINSON D M. Modeling Pipeline Driving " " " Behaviors： Hidden Markov Model Approach[J]. " " " " " " " Transportation Research Record， 2006， 1980（1）： 16-23.

[75] 王江鋒， 劉雨桐， 王夢(mèng)玉， 等. 車車通信環(huán)境下基于駕駛意圖共享的車輛避撞預(yù)警算法[J]. 中國(guó)公路學(xué)報(bào)， 2020， 33（6）： 65-76.

WNAG J F， LIU Y T， WANG M Y， et al. Warning " " " " " "Algorithm of Vehicle Collision Avoidance Based on Driving Intention Sharing in Vehicle-to-Vehicle Environment[J]. China Journal of Highway and Transport， 2020， 33（6）： 65-76.

[76] CHANG S H， LIN C Y， HSU C C， et al. The Effect of a " "Collision Warning System on the Driving Performance of Young Drivers at Intersections[J]. Transportation Research Part F： Traffic Psychology and Behavior， 2009， 12（5）： 371-380.

[77] 張心睿， 趙祥模， 王潤(rùn)民， 等. 基于封閉測(cè)試場(chǎng)的 DSRC 與LTE-V通信性能測(cè)試研究[J]. 汽車技術(shù)， 2020（9）： 14-20.

ZHANG X R， ZHAO X M， WANG R M， et al. Research on Performance Test of DSRC and LTE-V in Closed Test Field[J]. Automobile Technology， 2020（9）： 14-20.

[78] ZHU M， QIN H， WANG J， et al. Study on the Impact of Communication Imperfections on Forward Collision " " " " " Warning and Avoidance Based on V2V Communications[C]// Society of Automotive Engineers （SAE）-China " " " "Congress. Shanghai： Springer， 2016.

[79] KLOIBER B， H?RRI J， STRANG T. Dice the TX Power—Improving Awareness Quality in VANETs by Random Transmit Power Selection[C]// 2012 IEEE Vehicular " " " " "Networking Conference （VNC）. Seoul： IEEE， 2012.

[80] SCHMIDT R K， LEINMULLER T， SCHOCH E， et al. " " "Exploration of Adaptive Beaconing for Efficient " " " " " " " "Intervehicle Safety Communication[J]. IEEE Network， 2010， 24（1）： 14-19.

[81] TIELERT T， JIANG D， CHEN Q， et al. Design Methodology and Evaluation of Rate Adaptation Based Congestion " " " Control for Vehicle Safety Communications[C]// 2011 IEEE Vehicular Networking Conference （VNC）. Amsterdam，： IEEE， 2011.

[82] TIELERT T， JIANG D， HARTENSTEIN H， et al. Joint "Power/Rate Congestion Control Optimizing Packet " " " " " " Reception " "in " "Vehicle " "Safety " Communications[C]//Proceeding of the Tenth ACM International Workshop on "Vehicular Inter-Networking， Systems， and Applications. New York： Association for Computing Machinery， 2013.

[83] JOERER S， BLOESSL B， SEGATA M， et al. Enabling " " " " Situation Awareness at Intersections for IVC Congestion Control Mechanisms[J]. IEEE Transactions on Mobile " " " Computing， 2015， 15（7）： 1674-1685.

[84] 常雪陽(yáng)， 許慶， 李克強(qiáng)， 等. 通信時(shí)延與丟包下智能網(wǎng)聯(lián)汽車控制性能分析[J]. 中國(guó)公路學(xué)報(bào)， 2019， 32（6）： 216-225.

CHANG X Y， XU Q， LI K Q， et al. Analysis of Intelligent and Connected Vehicle Control under Communication " "Delay and Packet Loss[J]. China Journal of Highway and Transport， 2019， 32（6）： 216-225.

[85] 許慶， 潘濟(jì)安， 李克強(qiáng)， 等. 不可靠通信的云控場(chǎng)景下網(wǎng)聯(lián)車輛控制器的設(shè)計(jì)[J]. 汽車工程， 2021， 43（4）： 527-536.

XU Q， PAN J A， LI K Q， et al. Design of Connected " " " " " Vehicle Controller under Cloud Control Scenes with " " " " Unreliable Communication[J]. Automotive Engineering， 2021， 43（4）： 527-536.

（責(zé)任編輯 王 一）

修改稿收到日期為2022年11月10日。