何青俊 涂辉招 魏海然

(厦门市交通研究中心1) 厦门 361001) (同济大学道路与交通工程教育部重点实验室2) 上海 201804)

0 引 言

跟驰行为反映了连续交通流中相邻两车之间的相互作用[1].跟驰过程中前后车速度、加速度、车头时距和车头间距等是关注较多的跟驰行为变量.不少学者通过建立上述变量间的相关关系来模拟跟驰行为过程，提出了IDM模型、Gipps模型和Helly模型等一系列跟驰模型.这些模型的物理意义明确、参数易于标定，但模型参数难以表征周边环境对跟驰行为的影响.近年来研究指出，不同驾驶场景下的跟驰行为特征存在显著差异.Hoogendoorn等[2-3]指出相比于晴天，雾天驾驶场景下的跟驰车速、加/减速度和车距都有明显减小；时恒等[4]发现跟驰过程中车头间距的极值和离散性会随跟驰车速增加而增大，而车头时距的极值和离散性呈先增加后减小的趋势.

跟驰行为谱被认为是研究不同驾驶场景下跟驰行为的有效手段.在生物学中，生物学家通过对动物正常行为细致、全面地观察来研究动物习性，并将记录行为的数据资料称为行为谱.类似的，也可通过对不同驾驶场景下行为数据的量化和甄别，建立相应的行为谱来研究驾驶行为.吴超仲[5]提出交通行为谱的概念，认为其应是全面记录交通参与者行为特性的基础数据体系.陈镜任等[6]认为驾驶风格和驾驶技能可以综合反映某驾驶人的驾驶行为谱特征，并采用两者所属类别的不同组合来定义驾驶人行为谱的特征表述.常鑫等[7-8]通过分析城市道路的车辆行为特征和微观车辆行为对宏观交通流的影响方式，建立了不同交通流模式下的不良车辆行为图谱.上述研究对特定驾驶场景下的驾驶行为模式和机理进行了探索，但其驾驶行为类型划分和谱系定义仍有待进一步梳理和明确.本文聚焦于典型跟驰驾驶场景，通过构建跟驰行为谱来记录跟驰驾驶行为特征.

跟驰行为谱的构建基础是大量多驾驶场景下跟驰行为数据.驾驶模拟器具有场景设置灵活、传感器丰富、数据采集高效等特点，为多驾驶场景下跟驰行为数据采集提供了可能.文中基于高逼真度驾驶模拟器，构建包括4种典型道路设施条件(高速公路、城市主干道、城市次干道、城市支路)、2种气候环境(晴天、雾天)和3种交通状况(自由流、拥挤流、阻塞流)在内的15种典型跟驰驾驶场景，构建典型场景下的跟驰行为谱并探讨其在交通安全风险管理中的应用.

1 研究方法

1.1 定义及构成要素

跟驰行为谱是记录驾驶人正常跟驰行为特性的数据体系.这里的正常跟驰行为指的是区别于醉酒、分心、疲劳等不良跟驰状态，同时排除个体差异、反映该类驾驶人共性的一般性跟驰行为.跟驰行为谱包含如下几类要素.

1) 道路设施条件 如高速公路、国省干线公路、城市道路等.

2) 气候环境 如晴天、雾天、雨天等.

3) 交通状况 如畅通、拥挤、阻塞等.

4) 驾驶人特征.

5) 车辆运动学指标 如速度、加速度、横向偏移等.

6) 驾驶操纵指标 如油门踏板受力、转向盘转角等.

7) 跟驰行为变量 如车头时距/间距等.部分场景下，车辆运动学指标或驾驶操纵指标也可作为跟驰行为变量.

1.2 跟驰行为变量

跟驰行为变量是跟驰行为谱的关键构建要素.本文以车头时距、车头间距、相对速度、TTC及其衍生指标为跟驰行为变量，刻画特定场景下的跟驰驾驶行为特征.

1) 车头时距 车头时距排除了速度对前后两车空间距离的影响，是描述前后两车时空特性的重要指标.车头时距是计算通行能力、构建车辆跟驰模型的核心参数，广泛应用于分析车辆跟驰特性、换道特性和道路运行效率等.

2) 车头间距 车头间距描述交通流中相邻两车之间的距离，从微观角度看只与交通流中独立的一对车有关，但已有研究证明车流密度和速度会影响车头间距的分布.车头间距的变化规律是车辆跟驰理论研究的重要内容之一.

3) 相对速度 前后车相对速度描述了交通流中前后相邻两车之间的相互作用，是不少传统跟驰模型的主要考虑参数.

4)TTC及其衍生指标 处于连续跟驰状态的前后两车，当后车速度大于前车时，若两车保持原有的速度差，则有可能发生追尾碰撞.

1.3 跟驰行为谱构建方法

不同道路设施条件、气候环境和交通状况下，跟驰行为特征有显著区别.同时，跟驰行为也存在个体差异.本文将道路设施条件及气候环境、交通状况等要素统一考虑在驾驶场景中，从驾驶场景和驾驶人两个维度出发，分类构建跟驰行为谱.

微观角度 按道路设施条件、气候环境和交通状况等场景属性对连续跟驰行为数据进行切割.对每一场景，以一定的时间颗粒度对数据作平滑处理，获取每一时段内各跟驰行为谱要素的取值并组成跟驰行为状态向量，作为该场景下的跟驰行为谱条.式(1)为跟驰行为谱条的示例.

(1)

式中：αi,j为场景i下、j类驾驶人的跟驰行为谱条；Sce为场景向量；d为驾驶人类型；Veh为车辆运动学指标向量；Ope为驾驶操纵指标向量；Var为跟驰行为变量.

宏观角度 从驾驶场景和驾驶人层面对跟驰行为数据进行分类处理.从跟驰行为谱条中提取各行为谱要素的特征值，建立反映该场景下、该类驾驶人行为共性的跟驰行为谱.式(2)为跟驰行为谱的示例.

Ethogrami,j=[SceidjVehstaOpestaVarsta]

(2)

式中：Ethogrami,j为场景i下、j类驾驶人的跟驰行为谱；Vehsta、Opesta、Varsta分别为各指标或变量的统计值矩阵，包括各指标或变量的均值、取值范围和变异性等.

2 驾驶模拟实验

2.1 驾驶场景

选取部分常见或高危驾驶场景(即典型驾驶场景)下的跟驰行为作为研究对象.典型驾驶场景包括：道路设施条件，以城市道路和高速公路作为典型道路类型，鉴于不同等级城市道路的差异性，考虑城市主干道、城市次干道和城市支路3种道路等级；气候环境，以晴天(能见度良好，路面状况良好)为常见驾驶场景，以雾天为高风险驾驶场景；交通状况，根据三相交通流理论，考虑堵塞流、拥挤流和自由流3种流态.设计高速公路和城市道路两组驾驶模拟实验，见表1.

表1 典型场景

2.2 实验设计

利用同济大学高逼真驾驶模拟器采集典型场景下的跟驰行为数据.该驾驶模拟器由运动系统、视景系统、声音系统、数据采集系统、操作及反馈系统、安全控制系统组成，具有高逼真的视觉模拟及力反馈效果.模拟器通过SCANeRTM软件来控制，提供3D场景设计、仿真实验、数据导出和分析等功能.利用该软件设计跟驰场景，见图1.

图1 实验场景

根据文献[9]可知，我国高等级道路的自由流车速一般高于70 km/h、拥挤流车速在30～60 km/h、阻塞流车速则一般低于20 km/h.本实验通过控制跟驰车速模拟对应的交通流状态.在城市支路上，采用畅通/拥挤/阻塞对交通状况加以区分，对应的前车车速分别设置为30 km/h及以上、20～30 km/h和20 km/h及以下.为叙述方便，统一以自由流/拥挤流/阻塞流来表述交通状况.

跟驰实验中，试验者将驾驶车辆跟随指定前车驾驶，不能换道.通过设定前车的速度和轨迹模拟车辆在不同交通流状态下的跟驰行为.为了营造更加真实的驾驶环境，设置前车、后车、旁车和对向行驶车辆.其驾驶轨迹皆通过编程预设，在驾驶过程中由电脑控制.设定数据采集频率为10 Hz，记录下前后车的行驶轨迹、速度、加速度等各类指标.

2.3 实验样本

通常，驾驶模拟实验的样本数为20～40名.综合考虑时间和经济成本，本文选定了67名(高速公路27名，城市道路40名)经验丰富的驾驶人进行实验.表2为参与实验驾驶人的基本信息.

表2 驾驶人基本信息

3 跟驰行为谱实证分析

3.1 驾驶人特征分类

采用驾驶风险偏好和驾驶经验等特征属性作为分类依据：以驾龄不小于3年且驾驶里程数不小于5 000 km作为熟练驾驶人的判别标准，将驾驶人按驾驶经验分为熟练驾驶人和非熟练驾驶人.

定义车速偏好、车距偏好和交叉口两难区等待率等3个驾驶风险偏好指标，作为驾驶人风险偏好分类的依据.其定义如下.

1) 车速偏好 常见路况下的期望车速(标准化后)均值.

2) 车距偏好 常见路况下的期望车距(标准化后)均值.

3) 交叉口两难区等待率 处于交叉口两难区时，驾驶人选择停车等待的概率.

通过问卷调查获取各驾驶人的风险偏好指标并构造样本点.以各样本点间的欧式距离作为距离度量，对样本点进行k-means聚类，聚类效果见图2.三组聚类的中心点分别为C1(0.69,0.67,0.67)、C2(0.58,0.23,0.11)、C3(0.40,0.24,0.70)，分别对应中立型、激进型和保守型驾驶人.

图2 驾驶人风险偏好聚类

结合驾驶风格和驾驶经验，将驾驶人分为熟练-中立型、熟练-激进型、熟练-保守型、非熟练-中立型、非熟练-激进型、非熟练-保守型六类，各类型占比情况见表3.

表3 驾驶人分类 单位：%

3.2 跟驰行为谱

车辆的速度、加速度、减速度、油门踏板受力和刹车踏板受力等指标以及车头时距、车头间距、车速差等跟驰行为变量反映各典型场景下的跟驰行为特性，TTC和TIT反映各典型跟驰场景下的风险情况.利用每一时间段内上述指标或变量的取值构建跟驰行为谱条，并对数据进行平滑处理.根据特定场景、特定驾驶人类型的跟驰行为谱条，记录各要素的均值、波动范围和变异性，作为该场景下该类驾驶人的跟驰行为谱.以熟练-中立型驾驶员为例，给出典型场景下熟练-中立型驾驶员的跟驰行为谱，限于篇幅，表略.

4 讨 论

4.1 跟驰行为谱的应用

跟驰行为谱可为跟驰场景下的交通安全风险管理决策提供理论支持.为了对跟驰过程中安全风险进行实时评估和预警，可由跟驰行为谱确定驾驶人在特定场景下行为风险的判定标准，实时评估其风险状况.方法流程如下:

1) 提出定量描述跟驰过程中风险程度的中介指标.

2) 判断行为主体所属驾驶人特征类别.

3) 基于实时的道路设施条件、气候环境和交通状况等信息，确定所处驾驶场景.

4) 根据对应跟驰行为谱确定风险中介指标的阈值和分级标准.

5) 通过对驾驶过程中风险指标的实时观测结果评估其风险状况.

4.2 案例分析

以TTC作为跟驰风险中介指标.重新征召驾驶员进行实验，并记录道路设施条件、气候环境和实时交通状况等属性信息.根据对案例驾驶员的驾驶经验和风险偏好调查，该驾驶员属于非熟练-保守型驾驶员.

将驾驶行为时间序列数据按2 s的时间颗粒度进行平滑处理，提取平均车头时距小于8 s的时间段为跟驰行为时间段，共获取373个评估时间段.标记每一时段所处驾驶场景，根据对应跟驰行为谱确定其跟驰风险等级划分标准，见表4.

表4 风险等级划分

对跟驰过程中的实时风险进行评估，并以TTC阈值统一取2.5、5和10 s构成的四级风险评估结果为对照.图3为不同跟驰阶段下的跟驰风险评估结果.由图3可知:该驾驶人跟驰过程中风险较高的时段多发生在前车状态突变(由加速突变为匀速或减速行驶)且后车车速远高于前车车速的情况下.虽然该驾驶人的驾驶风格偏于保守，但在跟驰过程中，其所处的风险状况始终保持在较高水平.同时，对照方法在跟驰场景下出现了较多误报的情况，在实际应用中会造成对潜在高危情境的遗漏或预警不及时.这也表明在对驾驶人特征和驾驶场景进行甄别后，评估结果更为精准，且能较好地反映风险状态的集聚和消散过程.

图3 风险评估结果

5 结 束 语

文中利用高逼真度驾驶模拟器搭建典型跟驰场景，采集跟驰行为数据并用于跟驰行为谱建模分析，探讨了跟驰行为谱在实时跟驰风险评估中的应用.跟驰行为谱记录了特定场景下、特定驾驶员类型的跟驰行为特征，可反映驾驶人特征、道路设施条件、气候环境、交通状况等因素对跟驰行为的影响.对比车辆跟驰过程中速度、车头时距、TTC等跟驰行为变量与对应驾驶人类型和驾驶场景下的跟驰行为谱，可为典型场景下危险驾驶行为识别和交通安全风险管理决策提供理论支持和保障.后续研究将以实车实验数据为基础，对实验数据和结论进行修正.或利用特定场景下的跟驰行为谱，针对各类跟驰模型的指标修正和风险评估方法的补充完善等展开研究.