主題詞：無信號交叉口 網(wǎng)聯(lián)車輛 碰撞預(yù)警 駕駛?cè)颂匦苑呛献鞑┺闹袌D分類號：U471.15 文獻標志碼：A DOI： 10.19620/j.cnki.1000-3703.20240752

A Collision Warning Strategy for Connected Vehicles at Unsignalized IntersectionsConsideringDriverCharacteristics

WangRunmin12，F(xiàn)engHao2，F(xiàn)anHaijin2，HeJiajun2 （1.Collaborative InnovationCenterforWestern Traffc Safetyand IntellgentControlbyProvinceand Ministry，Chang'an University，Xi'an 71O064; 2.SchoolofInformation Engineering，Chang'anUniversity，Xi'an 710064）

【Abstract】Addressing the limitations of current intersection collsion warning systems，including non-line-of-sight isuesandlimitedconsiderationof drivers’characteristics，thispaperproposesacooperativecolisionwarning strategy for connectedvehiclesatintersections，incorporatingrivertraits.irstlyrivinghaviorsatinersetionsaeategordito straightandturning，andaturning speed modeltailoredtodrivercharacteristics is builtusingthe InDdataset.Secondly， vehicleturingtrajectorypredictionisenhancedwithaconstantyawratemodelandExtendedKalmanFilter，whilecolision risksaredynamicallassessedusingadual-circlevehiclegeometrymodelbasedonTimeExposedtoRisk.Thirdly，atwo-level warningstrategygroundedinnon-cooperativegametheoryisdevised，consideringdriverheterogeneityanddynamic interactions inunsignalizedconflicts.Finaly，thestrategyisvalidatedthroughsimulationsandreal-vehicletests.Results indicate the strategy successfully detected all colisions with a 100% warning rate，reduced collisions by up to 100% among diverse drivers，and decreased accidents by 95.06% and kinetic energy by 52.71% even with aggressive drivers.

Keywords：Unsignalized intersections，Connected vehicles，Collision warning，Drivers' characteristics，Non-cooperativegame

【引用格式】王潤民，馮皓，凡海金，等.考慮駕駛?cè)颂匦缘臒o信號交叉口網(wǎng)聯(lián)車輛碰撞預(yù)警策略[J].汽車技術(shù)，2025（7）：1-12. WANGRM，F(xiàn)ENGH，F(xiàn)ANHJ，etal.AColisionWarningStrategyforConnecedVehiclesatUnsignaliedIntersections ConsideringDriverCharacteristics[J].Automobile Technology，2O25（7）：1-12.

1前言

交叉口是交通網(wǎng)絡(luò)的關(guān)鍵節(jié)點，其中，因缺乏時空隔離管控，無信號交叉口成為交通事故的高發(fā)區(qū)域。即使在有信號交叉口，信號燈失效或駕駛?cè)朔中牡惹闆r易使駕駛?cè)嗣媾R無信號交叉口的通行場景。隨著車聯(lián)網(wǎng)（VehicletoEverything，V2X）技術(shù)的發(fā)展，協(xié)作式交叉口碰撞預(yù)警（Collaborative Intersection Collision Warning，CICW）通過網(wǎng)聯(lián)車輛間的實時信息交互，預(yù)測風(fēng)險并實現(xiàn)協(xié)同避碰[，有效減少了交通事故。因此，提升駕駛?cè)说呐鲎诧L(fēng)險感知能力和應(yīng)對能力，對提升無信號交叉□的交通安全具有重要意義。

目前，無信號交叉口的網(wǎng)聯(lián)車輛碰撞預(yù)警系統(tǒng)的研究集中于車車碰撞風(fēng)險檢測和碰撞預(yù)警策略的制定。碰撞風(fēng)險檢測是預(yù)測車輛行為與潛在碰撞的關(guān)鍵，Yi等2提出一種改進的動態(tài)時空注意力網(wǎng)絡(luò)模型預(yù)測車輛軌跡，研究主要考慮了車輛的直線運動，卻忽略了其轉(zhuǎn)彎行為，從而限制了模型在復(fù)雜交通場景中的預(yù)測準確性。Li等通過加入車輛轉(zhuǎn)向速度，對車輛偏航率和側(cè)向加速度的預(yù)測結(jié)果進行修正，但未考慮駕駛?cè)苏鎸嶑{駛行為的轉(zhuǎn)彎車輛速度特性，無法準確反映車輛在交叉口的行為。Qu等利用碰撞時間（Time ToCollision，TTC）將車輛建模為矩形，雖然增強了檢測的精確度，但計算復(fù)雜度較高。

現(xiàn)有的碰撞預(yù)警策略基于實時風(fēng)險，僅向固定主車發(fā)出警告，忽略了交通系統(tǒng)的整體動態(tài)，從而影響通行效率。因此，在設(shè)計預(yù)警機制時，應(yīng)考慮駕駛?cè)嗽诮徊婵诘鸟{駛傾向，選擇合適的預(yù)警車輛，有效消除事故風(fēng)險。王江鋒等借助隱馬爾可夫模型，將駕駛傾向作為特征因子融入安全距離模型，盡管能夠較好地表征駕駛?cè)嗽诮徊婵谔幍男袨?，但未顧及駕駛?cè)水愘|(zhì)性特征，影響了預(yù)警的適用性和可靠性。

本文針對基于車車通信的無信控交叉口網(wǎng)聯(lián)車輛，在碰撞風(fēng)險檢測方面，使用InD（Infrastructure-basedDetection）數(shù)據(jù)集構(gòu)建考慮駕駛?cè)笋{駛特性的車輛轉(zhuǎn)彎速度模型；結(jié)合恒偏航變化率模型和擴展卡爾曼濾波]（ExtendedKalmanFilter，EKF），優(yōu)化車輛轉(zhuǎn)彎軌跡預(yù)測的性能；采用雙圓車輛模型，以風(fēng)險暴露時間為基礎(chǔ)，實現(xiàn)動態(tài)碰撞風(fēng)險檢測，平衡檢測精度與計算復(fù)雜度。在碰撞預(yù)警方面，考慮駕駛?cè)说漠愘|(zhì)性及其沖突環(huán)境下的動態(tài)交互行為，并設(shè)計基于非合作博弈的兩級預(yù)警策略。同時，通過仿真平臺和封閉測試場地驗證本文方案的有效性。

2沖突車輛動態(tài)碰撞風(fēng)險檢測

2.1典型無信號交叉口場景

本文構(gòu)建的無信號交叉口應(yīng)用場景如圖1所示，交叉口為雙向兩車道十字路口，各人口存在直行、左轉(zhuǎn)和右轉(zhuǎn)3種行駛方式。所有車輛為人工駕駛，且均安裝V2X通信設(shè)備和可實現(xiàn)碰撞預(yù)警的人機交互設(shè)備，在駕駛過程中，可實現(xiàn)車輛狀態(tài)信息的實時交互、碰撞風(fēng)險檢測與預(yù)警。假設(shè)車輛在V2X通信范圍內(nèi)，僅有一輛車與之存在潛在沖突，主要關(guān)注兩車間碰撞風(fēng)險的動態(tài)變化，并分析其碰撞可能性。

2.2車輛運動學(xué)模型構(gòu)建

2.2.1 直行場景

在直行場景中，可將車輛視為基于運動學(xué)模型的剛體，根據(jù)實時獲取的運動狀態(tài)變量建立勻加速（ConstantAcceleration，CA）模型，從而實現(xiàn)目標車輛直行軌跡預(yù)測。由車輛狀態(tài)參數(shù)構(gòu)成車輛狀態(tài)空間方程為：

X_s=[p_xp_yv_xv_yv_ya_xa_y]^T

式中： p_x?p_y 分別為車輛在 x，y 軸方向的坐標， v_x，v_y 分別為車輛在 x，y 軸方向的速度， a_x 和 a_y 分別為車輛在 x，y 軸方向的加速度。

通過車輛狀態(tài)空間方程構(gòu)建直行車輛運動學(xué)模型：

a_xΔta_yΔt00]

式中： Δt 為 （k-1） 與 k 時刻的時間間隔。

2.2.2 轉(zhuǎn)彎場景

車輛轉(zhuǎn)彎時，速度的非線性變化和偏航角的變化導(dǎo)致CA模型無法準確描述車輛在交叉口的轉(zhuǎn)彎駕駛狀態(tài)，所以本文對駕駛速度特性以及車輛偏航角變化規(guī)律建模，該場景下車輛的狀態(tài)空間方程為：

式中： θ 為車輛偏航角， ω 為車輛偏航變化率。

根據(jù)車輛狀態(tài)空間方程構(gòu)建轉(zhuǎn)彎車輛運動學(xué)模型：

為了更好地描述人工駕駛車輛通過交叉口的運動特性，對InD數(shù)據(jù)集中無信號交叉口環(huán)境車輛行駛軌跡數(shù)據(jù)進行統(tǒng)計分析，得到交叉口轉(zhuǎn)彎車輛速度曲線如圖2所示。

根據(jù)交叉口內(nèi)車輛的運動特性，本文選用自由流車輛速度模型建模（見圖3）。該模型考慮了速度剖面的幾何形狀，由交叉口駛?cè)胨俣饶Ｐ?v_in（t） 和駛出速度模型 v_out（t） 構(gòu)成：

v_in（t）=c_1，int³+c_2，int²+c_3，int+c_4，in

v_out（t）=c_1，outt³+c_2，outt²+c_3，outt+c_4，out

式中： c_3，in?c_4，in 分別為駛?cè)牒婉偝瞿Ｐ彤?dāng)前時刻車輛的速度， 分別為駛?cè)牒婉偝瞿Ｐ彤?dāng)前時刻車輛的加速度， c_1，in?c_2，in?c_1，out 和 c_2，out 分別為駛?cè)牒婉偝瞿Ｐ偷奈粗獏?shù)。

由圖3可知，模型的分界由到達最低車速 v_min 的時刻 t_min 確定，根據(jù)文獻[9]， c_1，in 和 v_min 受交叉口的幾何形狀和駕駛?cè)颂卣饔绊懀ㄜ囕v到達停止線的速度 v_int 交叉口轉(zhuǎn)向角度 θ_int 路緣半徑 r_int 車輛與人行道的橫向距離 l_int 。假設(shè) v_min 服從正態(tài)分布，則該影響因素的線性函數(shù)為：

v_min=a₁+a₂v_int+a₃θ_int+a₄r_int+a₅l_int

基于 InD 數(shù)據(jù)集的真實軌跡，使用多元回歸分析對左轉(zhuǎn)和右轉(zhuǎn)場景中最低車速的5個 a_i 系數(shù)進行估計。c_1，in 的建模過程與 v_min 相同，同時，通過 c_1，in 得到駛?cè)肽Ｐ蛌_in（t） 的未知參數(shù) c_{2，in⁰} 首先，根據(jù) v_in（t） 和 v_min 的導(dǎo)數(shù)為0，有 0=3c_1，int_min²+2c_2，int_min+c_3，in ；接著，根據(jù)式（6）估算t_min ;最后，聯(lián)立式（1）、式（5）和式（7），計算未知參數(shù) c_2，in（

同理， v_out（t） 的初始狀態(tài)為交叉口內(nèi)車速的最小值 v_min 最終狀態(tài)為道路限速 v_max ，且在 v_min 和 v_max 處的導(dǎo)數(shù)為 0 v_out（t） 的未知參數(shù) c_1，out?c_2，out 遵循伽馬分布，該參數(shù)也被估計為影響因素的線性函數(shù)。使用多元回歸分析對影響因素的系數(shù)進行建模驗證，聯(lián)立式（3）式（6）和式（7），得到C1，out和c2，ou的推理模型。

2.3車輛運動軌跡預(yù)測方法

2.3.1 直行場景

本文采用基于CA的卡爾曼濾波（KalmanFilter，KF）算法對直行車輛軌跡進行預(yù)測，主要流程為：

a.按時間節(jié)點更新預(yù)估部分，即利用狀態(tài)轉(zhuǎn)移矩陣獲取當(dāng)前狀態(tài)：

式中： 為 （k-1） 時刻的系統(tǒng)狀態(tài)， 為未經(jīng)過步驟b修正的狀態(tài)估計， F 為系統(tǒng)的狀態(tài)轉(zhuǎn)移矩陣， u_k 為額外輸入狀態(tài)， B 為輸入控制矩陣， w_k 為 k 時刻的過程噪聲， 為 k 時刻的狀態(tài)協(xié)方差矩陣， Q 為預(yù)測噪聲協(xié)方差矩陣。

b.考慮觀測值的預(yù)估狀態(tài)矯正，利用預(yù)估部分獲得的先驗估計值與觀測狀態(tài)值，計算當(dāng)前步長的卡爾曼增益，進行加權(quán)后獲得預(yù)估校正值。

式中： K_k 為 k 時刻的卡爾曼增益，它決定系統(tǒng)更相信上一步模型預(yù)測結(jié)果還是當(dāng)前系統(tǒng)的觀測值； H 為狀態(tài)觀測矩陣; R 為觀測噪聲矩陣； 為修正后的系統(tǒng)狀態(tài)； Z_k 為 k 時刻的系統(tǒng)觀測狀態(tài)； P_k 為 k 時刻更新狀態(tài)協(xié)方差矩陣； I 為單位矩陣。

c.利用車載傳感器獲取車輛的狀態(tài)信息后，若車輛當(dāng)前行駛偏航率接近0，通過構(gòu)建CA模型描述車輛行駛過程，并使用卡爾曼濾波算法預(yù)測后續(xù)軌跡。由式（2）得到KF算法的狀態(tài)轉(zhuǎn)移矩陣為：

在CA模型的狀態(tài)估計中，過程噪聲為車輛的加速度變化率 對于狀態(tài)變量 X ，將過程噪聲化為矩陣：

式中： 分別為加速度變化率在 x 軸和 y 軸的分量。

d.通過最高階狀態(tài)量對其他量的擾動進行初始化，在CA模型中，將 Q 和 R 矩陣分別設(shè)置為 Q= 為了觀測車輛的位置信息，將觀測矩陣設(shè)置為

重復(fù)上述過程，連續(xù)預(yù)測車輛的軌跡，輸出經(jīng)兩步修正后的預(yù)測狀態(tài) ，包括車輛的位置和速度，用于下一步的風(fēng)險判斷。

2.3.2 轉(zhuǎn)彎場景

在轉(zhuǎn)彎場景中，由于標準的卡爾曼濾波假設(shè)系統(tǒng)的運動學(xué)模型和觀測方程是線性的，難以處理車輛轉(zhuǎn)彎過程中的非線性關(guān)系，而擴展卡爾曼濾波可通過線性化非線性方程進行處理。因此，本文基于EKF方法和速度特性模型進行軌跡預(yù)測，按時間節(jié)點更新的預(yù)估部分狀態(tài)方程為：

X_k=f（X_k-1，u_k-1）+ω_k-1

式中： X_k 為 k 時刻的狀態(tài)估計， X_k-1 為系統(tǒng)在 （k-1） 時刻的狀態(tài) I 為描述系統(tǒng)動態(tài)演變的狀態(tài)轉(zhuǎn)移函數(shù)， u_k-1 為（k-1）時刻的控制輸入， ω_k-1 為過程噪聲（狀態(tài)轉(zhuǎn)移中的隨機擾動）。

觀測方程為：

Z_k=h（X_k）+v_k

式中： v_k 為 k 時刻的車輛速度， h 為車輛運動學(xué)模型的觀測函數(shù)。

通過在 （x₀，y₀） 處的泰勒級數(shù)線性化近似，忽略高階項，將式（13）簡化為非線性函數(shù)：

當(dāng)面對多元函數(shù)時，計算各偏量的偏導(dǎo)數(shù)，構(gòu)成雅可比矩陣 J ，即EKF的觀測矩陣：

狀態(tài)協(xié)方差矩陣為：

P_k^-=J_kP_k-1J_k^T+Q_k

觀測值的預(yù)估狀態(tài)矯正部分，卡爾曼增益 K_k 和更新后的狀態(tài)協(xié)方差矩陣 P_k 的計算方法與KF算法一致。修正后的系統(tǒng)預(yù)測狀態(tài)為：

為了避免長時間步預(yù)測下的誤差積累，本文對轉(zhuǎn)彎場景的車輛速度進行分析建模，將其作為EKF的虛擬測量，以提高多時間步長下的預(yù)測精度。該場景中車輛狀態(tài)空間方程為式（3）狀態(tài)方程為式（4），使用勻加速恒偏航率模型，并使用Gipps模型[1的期望速度 v_des 作為EKF的虛擬真實值進行校正。

因此EKF的相關(guān)參數(shù)如下所述。在當(dāng)前的運動方程中，噪聲主要來自加速度的變化率 和偏航角的變化率 ，則過程噪聲、噪聲的協(xié)方差矩陣分別為：

期望的速度 v_des 由式（5）和式（6）組成，如果 tmin ，則期望速度 v_des=v_in ，否則 v_des=v_out 。在EKF中，期望速度 v_des 為觀測值輸入，通過式（12）＼～式（19）對觀測值預(yù)估狀態(tài)進行修正，輸出預(yù)測速度。

2.4碰撞風(fēng)險指標選取

本文采用風(fēng)險暴露時間[]（TimeExposedTime-to-collision，TET）對車輛碰撞風(fēng)險進行評估，即碰撞到達時間低于安全TTC閾值的時間總和。相關(guān)公式為：

式中： n_TTC^*=4.5 s為TTC閾值[12]， δ_i（t） 為開關(guān)變量， τ_sc 為時間間隔， T 為碰撞時間曲線的總時間， n_TIC，i（t） 為車輛i在χ_t 時刻的碰撞到達時間， v_i 為車輛 i 的當(dāng)前速度， a_i 為車輛i 的當(dāng)前加速度， ?_Li 為車輛 i 到達碰撞點的距離。

2.5雙圓模型碰撞風(fēng)險檢測

考慮到車輛具有一定尺寸，傳統(tǒng)的質(zhì)點模型難以準確表征車輛碰撞風(fēng)險，因此，本文利用圓形-雙圓[13]模型（見圖4）對車輛建模，實現(xiàn)車車碰撞風(fēng)險檢測。當(dāng)雙圓模型滿足式（21）時，可判定為有碰撞風(fēng)險：

式中： d_{Ci，A，Cj，B}^t 為 Φ_t 時刻車輛A圓心 i 與車輛B圓心 j 間距離， ?，R 為半徑（前、后圓半徑相同）。

使用2.3節(jié)的軌跡預(yù)測方法，預(yù)測第 k 時間步長的車輛狀態(tài) X_A，t+k×t，X_B，t+k×t 結(jié)合圓形-雙圓模型，對各時刻的預(yù)測車輛狀態(tài)進行風(fēng)險判定。若滿足條件，則計算風(fēng)險指標，當(dāng) n_TET 高于風(fēng)險閾值時，判定風(fēng)險存在。

3基于非合作博弈的網(wǎng)聯(lián)車輛碰撞預(yù)警策略

在實際交通場景中，不同類型的駕駛?cè)说鸟{駛習(xí)慣不同，對預(yù)警系統(tǒng)的信任度也存在差異。借助車車通信技術(shù)實時獲取對方車輛的狀態(tài)，結(jié)合自車狀態(tài)，根據(jù)碰撞預(yù)警策略的效益函數(shù)得到不同的收益矩陣，該過程屬于完全信息非合作博弈過程。通過尋找博弈收益矩陣的納什（Nash）均衡點獲得最優(yōu)策略組合，從而優(yōu)化碰撞預(yù)警機制。因此，本文基于非合作博弈模型設(shè)計碰撞預(yù)警策略。

3.1 駕駛?cè)祟愋妥R別

基于速度 v（t） 的二階導(dǎo)數(shù) J（t） 定義駕駛?cè)祟愋?，其中，駕駛?cè)祟愋妥R別系數(shù) R_driver 通過歷史觀測時間窗口中 J（t） 的標準差為：

式中： n 為歷史觀測窗口， 為歷史觀測時間窗口 J（t） 的平均值。

根據(jù)車車通信獲取的車輛速度，計算駕駛?cè)嗽陬A(yù)警觸發(fā)前 50m 內(nèi)的駕駛類型系數(shù)。當(dāng) R_drivergt;0.3 時[14]，將駕駛?cè)祟愋投x為激進型；反之，則定義為保守型。

3.2博弈模型構(gòu)建

本文構(gòu)建的應(yīng)用場景中，將沖突車輛雙方視為博弈參與者集合 C={C₁，C₂} ，策略集合為參與者可采取的速度改變措施 S={ 加速，勻速，減速}。結(jié)合異質(zhì)駕駛?cè)说鸟{駛傾向，從沖突車輛的安全性和交通效率角度構(gòu)建博弈效益函數(shù)。

安全效益主要關(guān)注交叉口沖突的嚴重程度，即兩車到達沖突點的時間差。當(dāng)安全效益 ΔT_safe 越大，說明 C₁ 和 C₂ 間發(fā)生碰撞的可能性越小，安全性越高，反之，安全性越低：

式中： T_i 為車輛 C_i 到達沖突點的時間， v_i，init 為車輛 C_i 在決策前的初始速度， a_i 為車輛 C_i 在決策時刻采取的速度變化策略， L_i 為車輛 C_i 在決策時刻到達沖突點的距離， v_max 為道路限速。

通過車輛 C_i 以加速度 a_i 到達沖突點的時間 T_i ，與按照當(dāng)前車輛狀態(tài)勻速行駛到達沖突點的時間 T_avg 的差值衡量效率效益 ΔT_eff ，反映了駕駛?cè)似谕暂^快的速度通過交叉口而避免減速或等待：

車輛行駛過程中，通過采取加速、勻速或減速策略調(diào)節(jié)到達沖突點的時間，效率收益 ΔT_eff 隨時間縮短而提高。

結(jié)合安全和效率效益，考慮異質(zhì)型駕駛?cè)送ㄟ^交叉□的駕駛傾向，構(gòu)建綜合博弈效益函數(shù)：

其中，

式中： F_safe?F_efficiency 分別為行車安全收益函數(shù)和效率收益函數(shù)， αβ 分別為異質(zhì)駕駛?cè)嗽谙嗤h(huán)境下對于安全和效率期望的權(quán)重系數(shù)， M=1，N=5 為時間差閾值[15]。

權(quán)重系數(shù) α 隨 ΔT_safe 的變化趨勢如圖5所示，當(dāng)沖突車輛到達碰撞點的時間差接近時， α 取決于駕駛?cè)祟愋妥R別系數(shù) R_driver 。當(dāng) M=1，N=5 時，沖突車輛到達碰撞點的時間差較短時，安全系數(shù)為 p=0.4^[15] 。當(dāng)駕駛?cè)嗽诟兄脚c對方車輛時距較小時，將優(yōu)先考慮增大時距差，降低碰撞風(fēng)險；若時距差較大，則更關(guān)注行駛效率，傾向于提高速度。

3.3兩級碰撞預(yù)警級別設(shè)計

分析各組測試方案中單次博弈效益函數(shù)矩陣，發(fā)現(xiàn)預(yù)警策略會針對采取減速策略駕駛?cè)诉M行風(fēng)險預(yù)警，以最大化整體效益。因此，本文設(shè)計了一種兩級預(yù)警機制：

式中： n_TET^?=3 s為一級預(yù)警的TET閾值， n_TTCeng^*=1.8 s[12]為二級預(yù)警的TTC閾值。

當(dāng)滿足一級預(yù)警條件時，通過尋找博弈收益矩陣的納什（Nash）均衡點，找到最優(yōu)策略組合，針對采用減速策略的駕駛?cè)诉M行風(fēng)險預(yù)警；當(dāng)滿足二級預(yù)警時，通過式（22）判斷駕駛?cè)祟愋?，同時觸發(fā)不同強度的預(yù)警提示。其中，滿足二級預(yù)警時：對于保守型駕駛?cè)?，系統(tǒng)將觸發(fā)二級緊急預(yù)警；對于激進型駕駛?cè)?，則觸發(fā)二級強烈預(yù)警，且駕駛?cè)祟愋驮郊みM，警告效果越強烈。

4仿真試驗與結(jié)果分析

4.1 測試場景構(gòu)建

為了驗證本文碰撞預(yù)警策略的有效性，利用SUMO平臺搭建仿真測試場景，如圖6所示。其中，交叉口的車輛均為具備通信能力的人工駕駛車輛，車輛長度L=4.5m ，寬度 W=1.8m ，最大限速 v_max=13.89m/s ，最大加速度 a_max=3m/s² 。SUMO中車輛以低于跟馳模型認為安全的速度行駛，并且受限于最大加速度。

車輛在接近交叉口時嚴格遵守路權(quán)規(guī)則，必要時需緊急制動來避免碰撞。因此，模擬車輛在交叉口處的碰撞事件，需要手動設(shè)置車輛速度模式，從而控制車輛在交叉口的行為。本文將所有車輛速度模式設(shè)置為[100111]，表示車輛在交叉口忽略路權(quán)規(guī)則，無視其他駛向交叉口的車輛。

4.2 測試評價指標

針對本文的車輛碰撞風(fēng)險檢測與預(yù)警方法，選取成功預(yù)警率 P_s 有效預(yù)警率 P_E 錯誤預(yù)警率 P_F 碰撞率 C_R 以及平均碰撞動能 A_K 為評價指標。其中，成功預(yù)警是對于按照預(yù)期軌跡行駛會發(fā)生碰撞的測試案例，預(yù)警系統(tǒng)成功觸發(fā)警告；有效預(yù)警表示對于按照預(yù)期軌跡行駛會發(fā)生碰撞的測試案例，預(yù)警系統(tǒng)成功觸發(fā)警告且駕駛?cè)顺晒Σ扇〈胧瑥亩苊馀鲎?；錯誤預(yù)警表示對于按照預(yù)期軌跡行駛不會發(fā)生碰撞的測試案例，預(yù)警系統(tǒng)卻錯誤觸發(fā)警告；碰撞率則反映交通事故的發(fā)生情況。相關(guān)公式為：

式中： N_?N_c 分別為測試案例和碰撞案例數(shù)量， 分別為成功預(yù)警案例、有效預(yù)警案例和錯誤預(yù)警案例數(shù)量， m_i，m_j 和 v_i，v_j 分別為沖突車輛 i，j 的質(zhì)量和發(fā)生碰撞時的速度。

4.3測試方案設(shè)計與結(jié)果分析

為了模擬不同的駕駛工況，在隨機生成的測試案例中，選取空間軌跡存在交叉的測試案例150組，可按照預(yù)期軌跡駕駛分為：發(fā)生碰撞案例50組，未發(fā)生碰撞案例100組。測試方案主要分為：

a.測試方案1：沖突車輛駕駛?cè)司鶠楸Ｊ匦汀?/p>

b.測試方案2：沖突車輛駕駛?cè)藶楫愘|(zhì)型。

c.測試方案3：沖突車輛駕駛?cè)司鶠榧みM型。

在仿真測試中，為了模擬不同類型駕駛?cè)嗽谝患夘A(yù)警后的真實駕駛反應(yīng)，駕駛?cè)私邮盏筋A(yù)警后采取如下車輛運動控制策略：

式中： σ_v 為預(yù)警車輛的速度； d_int 為預(yù)警車輛位置與交叉口停止線的距離； γ 為預(yù)警車輛駕駛?cè)说囊缽亩葏?shù)，保守型駕駛?cè)艘缽亩葹?，激進型駕駛?cè)艘缽亩确木鶆螂S機分布 U～[0，0.5]

假定沖突車輛質(zhì)量為 m ，當(dāng)沖突車輛駕駛?cè)司鶠楸Ｊ匦蜁r，測試結(jié)果如表1所示。對于無法避免的碰撞案例，預(yù)警策略使碰撞程度明顯降低。

選取結(jié)果中某一成功預(yù)警案例的車輛軌跡數(shù)據(jù)進行分析，如圖7＼～圖9所示。在無預(yù)警工況中，沖突車輛在1612s時行駛路程均為 300m ，由于本文設(shè)置交叉口范圍為 300m ，此時兩車已同時處于交叉口區(qū)域內(nèi)，所以可判定兩車在交叉口發(fā)生碰撞。在預(yù)警工況下，本文算法對各時刻的預(yù)測車輛狀態(tài)進行風(fēng)險判定，累計3次檢測出 T_TC?4.5 s，判定為存在風(fēng)險并觸發(fā)預(yù)警功能。車輛A在系統(tǒng)在第1607s出現(xiàn)明顯制動，隨著車輛A減速，TTC的變化逐漸趨于緩慢，兩車間的潛在碰撞風(fēng)險逐漸降低，直至碰撞風(fēng)險消除。

當(dāng)沖突車輛駕駛?cè)藶楫愘|(zhì)型，測試結(jié)果如表2所示。由于激進型駕駛?cè)藢︻A(yù)警策略依從度低，在一級預(yù)警時采取加速度較低的減速策略，更容易發(fā)生碰撞，所以該類駕駛?cè)伺鲎猜蕰缺Ｊ匦婉{駛?cè)说臏y試案例高。即使最終未能避免碰撞，本文預(yù)警策略依然能減少約74.818% 的平均碰撞動能，碰撞程度顯著降低。

通過分析異質(zhì)型駕駛?cè)祟A(yù)警案例，由圖8＼～圖13可知，車輛A為激進型駕駛?cè)耍囕vB為保守型駕駛?cè)?。在無預(yù)警工況中，兩車在第827s時在交叉口發(fā)生碰撞。在預(yù)警條件下，系統(tǒng)在第825s時檢測到潛在碰撞風(fēng)險后，車輛B觸發(fā)預(yù)警并引導(dǎo)其采取制動措施。隨著車輛B減速，兩車間的潛在碰撞風(fēng)險逐漸降低，直至最終消除碰撞風(fēng)險。上述結(jié)果驗證了本文碰撞預(yù)警策略的有效性。

當(dāng)沖突車輛駕駛?cè)司鶠榧みM型時，結(jié)果如表3所示，預(yù)警策略仍然能夠降低 72% 的碰撞風(fēng)險和 58.554% 的平均碰撞動能，表現(xiàn)出良好的預(yù)警有效性。

5實車試驗與結(jié)果分析

5.1 測試場景構(gòu)建

利用封閉測試場，在受控的風(fēng)險中進行開放交通環(huán)境的測試1，交叉口實車測試場景如圖14所示。該交叉口無中心線，碰撞點設(shè)定為交叉口中心位置。在初始時刻，測試車輛 V_A，V_B 分別行駛于南北、東西支路。

實車試驗中，僅考慮車輛直行和左轉(zhuǎn)的行駛軌跡，形成了4種軌跡交叉的駕駛工況（見圖15），各工況中測試車輛的速度見表4。因此，共進行28種不同駕駛工況試驗，涵蓋沖突和非沖突情形，各工況進行多次試驗，確保結(jié)果的穩(wěn)定性，充分評估本文策略的性能。

為了保證安全，每組測試車輛 V_B 使用預(yù)先采集的駕駛狀態(tài)信息與測試車輛 V_A 進行實時信息交互。若 V_B 收到警告信息，基于車輛運動學(xué)模型計算合理的減速軌跡，覆蓋原始虛擬軌跡數(shù)據(jù)。

本文開發(fā)的碰撞預(yù)警應(yīng)用軟件安裝于車載計算機，當(dāng)檢測到有潛在碰撞風(fēng)險且達到預(yù)警條件時，通過車載人機界面（HumanMachineInterface，HMI）向駕駛?cè)税l(fā)出語音和圖像預(yù)警信息，如圖16所示。

5.2 測試方案設(shè)計

本文針對實車測試設(shè)計6種測試工況：2025年第7期

a.工況1：無預(yù)警條件下駕駛?cè)送瑸楸Ｊ匦汀?/p>

b.工況2：預(yù)警條件下駕駛?cè)送瑸楸Ｊ匦汀?/p>

c.工況3：無預(yù)警條件下駕駛?cè)送瑸榧みM型。

d.工況4：預(yù)警條件下駕駛?cè)送瑸榧みM型。

e.工況5：無預(yù)警條件下駕駛?cè)藶楫愘|(zhì)型。

f.工況6：預(yù)警條件下駕駛?cè)藶楫愘|(zhì)型。

實車測試主要流程為： V_A 從距離交叉口 70m 位置出發(fā)，啟動3s后達到穩(wěn)定速度； V_B 靜正在距離交叉口30m 位置，當(dāng) V_A 出發(fā)時， V_B 同步發(fā)送軌跡數(shù)據(jù)，記錄雙方車輛的行駛狀態(tài)信息。

在無預(yù)警條件下（工況1、工況3、工況4），每種駕駛工況分別進行3次測試。在預(yù)警條件下（工況2、工況4、工況6），在 V_A 駕駛?cè)耸盏筋A(yù)警信息后：若 V_A 為保守型駕駛?cè)?，將立即采取制動措施，直至警告解除后再緩慢加速；?V_A 為激進型駕駛?cè)?，一級預(yù)警時， V_A 會忽視警告并繼續(xù)保持原始駕駛狀態(tài)，在二級預(yù)警時，立即采取制動措施。

在V駕駛?cè)耸盏筋A(yù)警信息后：若 V_B 為保守型駕駛?cè)?，基于車輛運動學(xué)模型計算減速軌跡，覆蓋原始的虛擬軌跡數(shù)據(jù)；若 V_B 為激進型駕駛?cè)?，一級預(yù)警時，會忽視警告繼續(xù)發(fā)送原始行駛軌跡數(shù)據(jù)，二級預(yù)警時，將基于車輛運動學(xué)模型計算合理的減速軌跡，覆蓋原始的虛擬軌跡數(shù)據(jù)。

實車試驗中，各駕駛工況進行3次測試，共84次測試。對于測試工況2，35次為碰撞測試，49次為非碰撞測試；對于測試工況4，34次為碰撞測試，50次為非碰撞測試；對于測試工況6，32次為碰撞測試，52次為非碰撞測試。

5.3 測試結(jié)果分析

5.3.1同質(zhì)型駕駛?cè)祟A(yù)警有效性分析

當(dāng)駕駛?cè)送瑸楸Ｊ匦?，測試結(jié)果如表5所示，預(yù)警成功率能夠達到 100% ，成功觸發(fā)警報并提醒駕駛?cè)瞬扇≈苿哟胧?/p>

通過分析直行工況的成功案例，如圖17＼～圖19所示， X 和Y分別為測試場景中平面橫、縱坐標值。兩車以 20km/h 的速度行駛，在預(yù)警狀態(tài)下，車輛 V_A 收到警告后迅速減速，兩車最小相對距離由無預(yù)警時的 0.38m 增加至 14.70m ，有效避免了碰撞。

由表5可知，預(yù)警條件下，測試結(jié)果存在 2.041% 的錯誤預(yù)警，通過分析直行-轉(zhuǎn)彎工況下的錯誤預(yù)警案例（見圖20），兩車以 40km/h 的速度行駛，陰影部分的最短距離為 5.653m ，具有較高的碰撞風(fēng)險。考慮到距離過近可能引發(fā)風(fēng)險或駕駛?cè)苏`操作，所以一定范圍內(nèi)該類錯誤警報是合理的。

當(dāng)駕駛?cè)送瑸榧みM型，測試結(jié)果如表6所示。預(yù)警成功率達到 100% ，但仍存在 2% 的錯誤預(yù)警率。通過分析左轉(zhuǎn)-直行合流工況下的錯誤案例（見圖21），在無預(yù)警條件下，兩車以 40km/h 的速度行駛， V_A，V_B 接近交叉口時質(zhì)心間距離僅為 4.301m ，處于危險接近狀態(tài)。由于車輛間距過小可能引發(fā)危險，發(fā)出警報是必要的。

由表6可知，測試結(jié)果中存在 1.190% 的碰撞率。在預(yù)警條件的左轉(zhuǎn)交叉駕駛案例中，兩車以 30km/h 的速度行駛，在10s發(fā)生碰撞，如圖22＼～圖24所示。由于 V_A 為激進型駕駛?cè)?，在預(yù)警后未及時減速，最終導(dǎo)致碰撞。但預(yù)警策略依然能減少約 74.818% 平均碰撞動能，緩解了碰撞程度。

5.3.2異質(zhì)型駕駛?cè)祟A(yù)警有效性分析

當(dāng)駕駛?cè)藶楫愘|(zhì)型，測試結(jié)果如表7所示。成功預(yù)警率和有效預(yù)警率均為 100% ，測試中存在4組錯誤預(yù)警案例（見圖25）， V_A，V_B 相距最短距離分別為 3.988m 、5.488m，5.718m 和 6.976m ，均屬于危險接近狀態(tài)?？紤]到車輛間距過小可能引發(fā)潛在危險，發(fā)出警報是合理的。

因此，當(dāng)駕駛?cè)穗p方均為保守型時，本文方法能夠準確識別所有的碰撞事件并觸發(fā)預(yù)警，成功預(yù)警率為100% ，有效地避免了碰撞事故；當(dāng)駕駛?cè)穗p方均為激進型時，對于無法避免的碰撞案例，預(yù)警策略減少約52.71% 平均碰撞動能，顯著降低了碰撞嚴重程度。對于異質(zhì)型駕駛?cè)?，由于保守型駕駛?cè)藢ο到y(tǒng)預(yù)警的依從度較高，系統(tǒng)傾向于對保守型駕駛?cè)税l(fā)出預(yù)警，進而及時采取制動措施，使碰撞率為0。通過分析錯誤警案例，發(fā)現(xiàn)在無信號交叉口場景中，車輛通過交叉口的危險系數(shù)極高，表現(xiàn)為車輛間距過小，極易演化成碰撞事件，因此預(yù)警系統(tǒng)對此類場景及時發(fā)出警示，進一步證明了系統(tǒng)的可靠性。

6結(jié)束語

本文通過分析 InD 數(shù)據(jù)集中轉(zhuǎn)彎車輛的速度特性構(gòu)建了適用于交叉口的車輛速度模型，提高了模型預(yù)測的準確性；提出的基于車輛軌跡預(yù)測和風(fēng)險暴露時間的網(wǎng)聯(lián)車輛動態(tài)碰撞風(fēng)險策略，增強了交叉口環(huán)境下的駕駛風(fēng)險識別準確性；基于非合作博弈的兩級碰撞預(yù)警策略，提升了異質(zhì)駕駛?cè)谁h(huán)境下碰撞預(yù)警方法的有效性。

未來，將聚焦于多車協(xié)同預(yù)警策略與通信優(yōu)化，應(yīng)對多車通信可能引發(fā)的網(wǎng)絡(luò)擁塞問題，確保預(yù)警信息時效可靠。同時，在不同交通流與網(wǎng)聯(lián)車滲透率下驗證預(yù)警策略的有效性和魯棒性。

參考文獻

[1]LIUNC，WENJQ，WUCZ.Novel Time-DelaySideCollision Warning Model at Non-Signalized Intersections Based onVehicle-to-Infrastructure Communication[J]. InternationalJournalofEnvironmentalResearchand Public Health，2021，18（4）.

[2] YI C，HUANG TJ，YE HJ，et al. Improved Dynamic SpatialTemporal Attention Network for Early Anticipation of Traffic Accidents[C]// 2023 IEEE International Conference on Multimedia and Expo Workshops （ICMEW）.Brisbane， Australia：IEEE，2023：81-86.

[3] LI S S，WANG XY，LU XH， et al.A Lateral Acceleration PredictionModel Based on CurrentVehicle State[C]//2022 6th CAA International Conference on Vehicular Control and Intelligence （CVCI）. Nanjing， China： IEEE，2022： 1-6.

[4]QUC，QIWY，WUP.AHigh Precisionand Efficient Timeto-Collision Algorithm for Colision Warning Based V2X Applications[C]// 2018 2nd International Conferenceon Robotics and Automation Sciences （ICRAS）.Wuhan， China： IEEE，2018.

[5]王江鋒，劉雨桐，王夢玉，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].中國公路學(xué)報，2020， 33（6）： 65-76. WANGJF，LIUYT，WANGMY，etal.WarningAlgorithm of Vehicle Collision Avoidance Based on Driving Intention Sharing in Vehicle-to-VehicleEnvironment[J]. China Journal of Highway and Transport，2020，33（6）： 65-76.

[6] KWAG S J， KANG B， KIM W，et al. Chebyshev TransformBased Robust Trajectory Prediction Using Recurrent Neural Network[J]. IEEE Access，2022，10： 130397-130405.

[7]BOCK J，KRAJEWSKI R， MOERS T， et al. The Ind Dataset： A Drone Dataset of Naturalistic Road User Trajectories at German Intersections[C]// 2020 IEEE Intelligent Vehicles Symposium （IV）. Las Vegas，NV，USA： IEEE，202O：1929- 1934.

[8]KIM B，YI K.Probabilistic and Holistic Prediction of Vehicle States Using Sensor Fusion for Application to Integrated Vehicle Safety Systems[J].IEEE Transactions on Intelligent Transportation Systems，2014，15（5）： 2178-2190.

[9] KAWASAKI A， TASAKI T. Trajectory Prediction of Turning Vehicles Based on Intersection Geometry and Observed Velocities[C// 2018IEEE Intelligent Vehicles Symposium （IV）.Changshu，China： IEEE，2018：511-516.

[10] GIPPS PG.A Behavioural Car-Following Model for Computer Simulation[J]. Transportation Research Part B： Methodological，1981，15（2）： 105-111.

[11]BARTHA，F(xiàn)RANKE U.Where will the OncomingVehicle bethe Next Second？[C]//2OO8 IEEE Intelligent Vehicles Symposium.Eindhoven，Netherlands：IEEE，20o8：1068- 1073.

[12] CHENBJ，LIAOLC，ZOUFM，etal.Rule-Based Graded Braking for Unsignalized Intersection Collision Avoidance via Vehicle-to-Vehicle Communication[C]// International Conference on Geneticand Evolutionary Computing. Singapore： Springer， 2020： 134-142.

[13]王潤民，凡海金，何佳浚，等.無信控交叉口網(wǎng)聯(lián)車輛動 態(tài)碰撞風(fēng)險檢測與預(yù)警策略[J].計算機工程與應(yīng)用， 2024，60（13）： 330-337. WANG RM， FAN JH，HEJJ， et al. Dynamic Collision Risk Detection and Early Warning Strategy of Connected VehiclesatUnsignalizedIntersections[J]. Computer Engineering and Applications，2024，60（13）： 330-337.

[14]MURPHEYYL，MILTONR，KILIARISL.Driver’s Style ClassificationUsingJerkAnalysis[C]//2OO9IEEE Workshop on Computational Intelligence in Vehicles and Vehicular Systems.Nashville， TN，USA：IEEE，2009：23- 28.

[15] CHENG CJ， YANG Z，YAO DY.A Speed Guide Model for Collision Avoidancein Non-Signalized IntersectionsBased on Reduplicate Game Theory[Cl// 2018 IEEE Intelligent Vehicles Symposium （IV）.Changshu，China： IEEE，2018： 1614-1619.

[16] HAN Z F，LI X，WANG J C. Longitudinal Collision Warning System Based on Driver Braking Characteristics[C]/ Proceedings of the 2O2O 3rd International Conference on Algorithms，Computing and Artificial Intelligence.New York，USA： Association for Computing Machinery，2021： 1-7.

[17] ZHAO D，LAMH，PENGH， etal.Accelerated Evaluation of Automated Vehicles Safety in Lane-Change Scenarios Based on Importance Sampling Techniques[J]. IEEE Transactions on Intelligent Transportation Systems，2017， 18（3）： 595-607. （責(zé)任編輯瑞秋）

修改稿收到日期為2024年9月29日。