魏田正，林 淼，李晨新，朱秭碩，劉浩學(xué)，朱 彤

(1.長安大學(xué) 汽車學(xué)院，陜西 西安 710064； 2.中國汽車技術(shù)研究中心，天津 300300；3.長安大學(xué) 運輸工程學(xué)院，陜西 西安 710064)

0 引言

隨經(jīng)濟(jì)不斷發(fā)展，居民生活水平提高，車輛社會保有量不斷增加，交通安全問題日益凸出[1]。在人、車、路、環(huán)境構(gòu)成的閉環(huán)系統(tǒng)中，只有駕駛?cè)司哂兄饔^能動性，駕駛?cè)烁兄?、判斷及操作錯誤將直接引發(fā)交通事故[2-3]。

20世紀(jì)50年代，Harold指出防御性駕駛理念核心是“預(yù)防”，危險感知是預(yù)防前提和基礎(chǔ)；駕駛?cè)宋ｋU感知能力可預(yù)測未來道路可能發(fā)生的危險事件，通過量化危險程度，采取相應(yīng)避險措施[4-5]；駕駛?cè)嗽趹?yīng)急狀態(tài)下駕駛行為具有一定規(guī)律性。因此，通過研究駕駛?cè)宋ｋU感知及應(yīng)急駕駛行為，對提高道路交通安全水平及駕駛?cè)藨?yīng)急避險能力具有重要意義。

學(xué)者對道路交通危險類型進(jìn)行系統(tǒng)分類。Vlakveld等[10]按照可見性將潛在道路危險分為顯性危險和隱性危險，隱性危險指危險出現(xiàn)及發(fā)展過程部分或完全隱藏，考驗駕駛?cè)宋ｋU感知能力。然而，現(xiàn)有研究主要探究生理因素[11]、時間壓力、分心活動以及駕駛技能自我評估等因素對駕駛?cè)宋ｋU感知能力影響：楊京帥等[12]通過將事故樹建模與實驗測試結(jié)合，分析駕駛?cè)宋ｋU感知影響因素；David[13]運用場景實驗法比較新手與經(jīng)驗駕駛?cè)宋ｋU感知能力差異；潘留栓[14]借助眼動技術(shù)探究時間壓力對駕駛?cè)宋ｋU感知影響；Briggs等[15]通過駕駛模擬實驗發(fā)現(xiàn)，分心活動會增加駕駛?cè)宋ｋU感知反應(yīng)時間；Broberg等[16]通過視覺和認(rèn)知測試、車輛駕駛以及半結(jié)構(gòu)化深度訪談發(fā)現(xiàn)，駕駛技能自我評估越準(zhǔn)確，駕駛適應(yīng)性越好；秦雅琴等[17]運用模擬仿真研究風(fēng)險駕駛情景中駕駛?cè)烁兄c行為關(guān)系。雖然國內(nèi)外學(xué)者對駕駛?cè)宋ｋU感知能力研究取得一定成果，但對隱性場景中駕駛?cè)笋{駛行為及駕駛?cè)宋ｋU感知能力研究相對較少。

本文選取6種典型危險場景，按照道路危險類型分為顯性危險和隱性危險，構(gòu)建3種交通沖突仿真場景，開展駕駛模擬實驗，通過對駕駛?cè)笋{駛行為及危險感知能力分析，基于Bayes判別法建立駕駛?cè)宋ｋU感知能力預(yù)測模型，以期為駕駛?cè)税踩{駛及安全培訓(xùn)提供參考和借鑒。

1 實驗設(shè)計

1.1 實驗對象

1.2 實驗場景

結(jié)合實際道路情況，搭建道路虛擬駕駛場景，建立5條長直雙向6車道城市道路作為實驗道路，相鄰道路間以交叉口連接，按照《城市道路工程設(shè)計規(guī)范》(CJJ 37—2012)道路限速60 km/h[19]，按照《城市道路交通標(biāo)志和標(biāo)線設(shè)置規(guī)范》(GB 51038—2015)設(shè)置標(biāo)志并施劃標(biāo)線[20]。道路兩邊設(shè)置樹木、路燈及建筑物，人行橫道前50 m設(shè)置注意行人標(biāo)志，施工區(qū)前50 m處設(shè)置前方施工標(biāo)志。駕駛車輛為普通中型轎車，初始速度為0 km/h，對向車道設(shè)置500 pcu/h交通流，通過設(shè)置動作觸發(fā)點觸發(fā)危險事件或動作軌跡變換。

道路危險分為顯性危險和隱性危險，城市道路常見交通沖突類型包括被試車輛與轎車沖突(后文簡稱轎車交通沖突)、被試車輛與非機(jī)動車沖突(后文簡稱非機(jī)動車交通沖突)及被試車輛與行人沖突(后文簡稱行人交通沖突)。設(shè)置8個實驗場景，包括2個干擾場景。危險場景描述見表1，危險場景示意圖如圖1所示。

表1 實驗場景描述Table 1 Description of experimental scenes

圖1 危險場景示意Fig.1 Schematic diagram of hazard scenes

1.3 實驗流程

被試填寫基本信息問卷，引導(dǎo)其至駕駛模擬器。

1)預(yù)實驗：被試在練習(xí)場景中熟悉駕駛模擬器基本操作。

2)實驗過程：被試嚴(yán)格遵守交通規(guī)則及指引，不得隨意換道，超車；不能與場景中任何交通參與者發(fā)生碰撞或沖突，一旦發(fā)生碰撞，屏幕中間會出現(xiàn)“碰撞！”提示語，并輔以碰撞聲音；發(fā)生碰撞后，車輛不會損毀，被試可繼續(xù)完成剩余駕駛?cè)蝿?wù)。

2 駕駛危險感知評價指標(biāo)

為全面體現(xiàn)駕駛?cè)嗽谖ｋU場景中駕駛行為，選取危險事件發(fā)生位置前150 m駕駛行為數(shù)據(jù)[21]，提取行車狀態(tài)、操控及反應(yīng)時相關(guān)指標(biāo)。其中，行車狀態(tài)包括車輛平均速度與平均縱向加速度，反映駕駛?cè)嗽谖ｋU場景中應(yīng)對危險總體趨勢。操縱相關(guān)指標(biāo)包括反應(yīng)率、方向盤旋轉(zhuǎn)率、平均剎車深度：反應(yīng)率為單個場景中作出避險反應(yīng)駕駛?cè)藬?shù)與實驗總?cè)藬?shù)比值；方向盤旋轉(zhuǎn)率為方向盤轉(zhuǎn)角變化速率；平均剎車深度表示駕駛?cè)嗽谀硤鼍爸兄苿犹ぐ辶斎胫蹬c最大制動力比值的平均值，平均剎車深度用0～1表示，0表示無制動輸入，1表示完全制動。

WPKI技術(shù)是保障無線通信網(wǎng)絡(luò)信息安全的有效方式，但是WPKI系統(tǒng)的建立需要強(qiáng)大的基礎(chǔ)設(shè)施做支撐，且其證書狀態(tài)管理難度較大、新增用戶過程較為復(fù)雜。所以，在此基礎(chǔ)上，一項名為IBC技術(shù)的新的無線通信網(wǎng)絡(luò)安全技術(shù)得到了較大的發(fā)展，并被廣泛應(yīng)用于政務(wù)與私人領(lǐng)域。

為從微觀角度展示駕駛?cè)宋ｋU感知特性差異，反應(yīng)時相關(guān)指標(biāo)選取制動反應(yīng)位置與歸一化制動反應(yīng)時間。將剎車深度大于最大剎車深度5%的制動作為有效制動[21]，將危險場景開始位置與駕駛?cè)俗龀鲇行е苿臃磻?yīng)位置差值作為制動反應(yīng)位置。利用駕駛模擬器獲得場景開始時間與駕駛?cè)擞行Х磻?yīng)時間，將2者差值作為制動反應(yīng)時間，考慮駕駛?cè)嗣總€場景中駕駛時長不等，將制動反應(yīng)時間歸一化處理，即歸一化制動反應(yīng)時間等于制動反應(yīng)時間與該場景持續(xù)時間比值。選用交通沖突指標(biāo)TTC(Time To Collision)作為駕駛?cè)宋ｋU感知能力評價指標(biāo)，TTC數(shù)值越小，表明發(fā)生交通事故可能性越大。

3 數(shù)據(jù)分析

以駕駛?cè)嗽谖ｋU場景中是否做出有效制動為依據(jù)，得到駕駛?cè)藢ξｋU場景反應(yīng)率，如圖2所示。駕駛?cè)藢﹄[性危險平均反應(yīng)率為85.7%，對顯性危險平均反應(yīng)率為66.7%。由圖2可知，在轎車、行人及非機(jī)動車交通沖突危險場景中，行人交通沖突場景反應(yīng)率最高。轎車交通沖突顯性危險場景，駕駛?cè)朔磻?yīng)率(45.7%)低于同類型隱性危險場景(71.4%)。

圖2 不同類型場景反應(yīng)率Fig.2 Response rates of different types of scenes

為探究轎車交通沖突顯性危險場景中，導(dǎo)致駕駛?cè)擞行е苿臃磻?yīng)率較低原因，提取該場景駕駛?cè)俗龀鲇行е苿訒r瞬時速度及未采取有效制動時車輛瞬時速度，如圖3所示。由圖3可知，未采取有效制動駕駛?cè)似骄矔r車速為46.3 km/h，采取有效制動駕駛?cè)似骄矔r車速為59.2 km/h，結(jié)合表2，駕駛員在顯性危險場景中平均車速低于隱性危險場景，據(jù)此推測，駕駛?cè)嗽陲@性危險場景中注重車速控制，能夠有效降低車速。

圖3 車輛瞬時速度Fig.3 Scatter plot of instantaneous vehicle speeds

對顯性及隱性危險場景中，駕駛?cè)瞬扇∮行е苿玉{駛行為數(shù)據(jù)分析，駕駛行為指標(biāo)描述性統(tǒng)計見表2。方差分析結(jié)果顯示：駕駛員在顯性危險場景的縱向加速度顯著低于隱性危險場景(p<0.01)。

表2 駕駛行為指標(biāo)的描述性統(tǒng)計Table 2 Descriptive statistics of driving behavior indexes

平均剎車深度如圖4所示。由圖4可知，行人交通沖突場景中，駕駛?cè)穗[性危險場景平均剎車深度小于顯性危險場景。為分析行人交通沖突場景駕駛行為，每30 m提取行人交通沖突場景平均車速，如圖5所示。由圖5可知，顯性危險場景平均車速(43.3 km/h)大于隱性危險場景(42.2 km/h)，且顯性危險場景制動反應(yīng)位置(91.2 m)大于隱性危險場景(73.3 m)。因此，在顯性危險場景下，駕駛?cè)藶楸苊馀c行人碰撞，將采取較大持續(xù)制動；在隱性危險場景中，由于駕駛?cè)颂崆爸苿?，且無法預(yù)先明確危險源具體位置，持續(xù)制動時間較短，平均剎車深度較小。

圖4 平均剎車深度Fig.4 Average braking depths

圖5 行人交通沖突場景車速Fig.5 Vehicle speeds in pedestrian traffic conflict scenes

危險發(fā)生時，駕駛員無轉(zhuǎn)向操作任務(wù)或彎道行駛，結(jié)合實驗觀察及原始數(shù)據(jù)分析，被試遇到危險時，大部分采用制動措施規(guī)避危險，導(dǎo)致車輛方向盤旋轉(zhuǎn)率整體較低且差異不明顯。

圖6 危險場景TTC箱圖Fig.6 TTC box diagram of hazard scenes

以3 s和5.5 s作為分界線將TTC分為3類，代表不同危險感知能力等級[22]。其中，TTC<3 s時表示碰撞風(fēng)險高，危險感知能力等級為“低級”；3 s≤TTC<5.5 s時表示中等碰撞風(fēng)險，危險感知能力為“中級”；TTC≥5.5 s時表示碰撞風(fēng)險低，危險感知能力為“高級”。由圖6可知，顯性危險場景TTC均值高于隱性危險場景。3類交通沖突場景中，行人交通沖突類型TTC值及分布范圍相對較小，TTC均值見表3。由表3可知，男性駕駛?cè)嗽陲@性危險場景及隱性危險場景中TTC均值大于女性，新手駕駛?cè)嗽陲@性危險場景及隱性危險場景中TTC均值大于經(jīng)驗駕駛?cè)薚TC均值。

表3 TTC均值Table 3 Mean values of TTC

將行車狀態(tài)、操縱及反應(yīng)時相關(guān)指標(biāo)與交通沖突指標(biāo)TTC進(jìn)行相關(guān)性分析，得TTC與平均車速呈顯著負(fù)相關(guān)(r=-0.454，p<0.01),與制動反應(yīng)位置呈顯著負(fù)相關(guān)(r=-0.964，p<0.01)，與制動車速呈顯著負(fù)相關(guān)(r=-0.168,p<0.05),與歸一化制動反應(yīng)時間呈顯著負(fù)相關(guān)(r=-0.437,p<0.01)。行車狀態(tài)、操縱相關(guān)指標(biāo)以及反應(yīng)時相關(guān)指標(biāo)共線性分析表明，各指標(biāo)間相關(guān)系數(shù)均小于0.7，所有指標(biāo)容差均大于0.2，且VIF<10，因此，各指標(biāo)間不存在共線性。

4 基于Bayes判別法的駕駛?cè)宋ｋU感知判別模型

4.1 Bayes判別法

Bayes判別法首先假設(shè)有k個總體G1，G2，…,Gk，計算樣品屬于各總體的條件概率P(G=i|X=x)(其中i=1，2,…，k)，假設(shè)fi(x)和Πi為G=i的條件概率密度和先驗概率，fj(x)和Πj為G=j的條件概率密度和先驗概率，比較k個概率大小，將待判樣本歸為條件概率最大總體。Bayes判別函數(shù)如式(1)所示：

(1)

假設(shè)X服從D維正態(tài)分布，μi和Σi為i類分布均值及協(xié)方差矩陣，如式(2)所示：

(2)

當(dāng)P(G=i|X=x)=maxP(G=j|X=x)，1≤j≤k時，認(rèn)為x屬于相應(yīng)類i中任意一個。

4.2 構(gòu)建駕駛?cè)宋ｋU感知判別模型

將各駕駛?cè)笋{駛行為指標(biāo)作為判別模型輸入，基于Bayes判別法建立駕駛?cè)宋ｋU感知能力判別模型。由于駕駛?cè)宋ｋU感知能力分為3個等級，故得到3個判別函數(shù)。判別函數(shù)系數(shù)見表4。其中，F(xiàn)1，F(xiàn)2，F(xiàn)3分別表示低、中、高3個危險感知能力水平；x1，x2，…，x9分別表示性別、駕齡、平均車速、平均縱向加速度、制動反應(yīng)位置、平均剎車深度、方向盤旋轉(zhuǎn)率、當(dāng)前車速、歸一化制動反應(yīng)時間。

表4 判別函數(shù)系數(shù)Table 4 Discriminant function coefficients

4.3 危險感知判別模型驗證

采用回顧法，將樣本數(shù)據(jù)分別回代判別函數(shù)，比較3個函數(shù)值大小，將判別函數(shù)值最大的函數(shù)對應(yīng)類型作為預(yù)測類型，以評價判別函數(shù)判別能力。判別模型分類結(jié)果見表5。

表5 判別模型分類結(jié)果Table 5 Classification results of discriminant model

對個案進(jìn)行交叉驗證，分類結(jié)果見表6。根據(jù)表6計算，預(yù)測分類正確個案占原始個案總數(shù)77.5%，說明模型預(yù)測性能較好。

表6 交叉驗證分類結(jié)果Table 6 Classification results of cross-verify

5 結(jié)論

1)駕駛?cè)藢﹄[性危險場景反應(yīng)率高于顯性危險場景。在被試車輛分別與轎車、行人、非機(jī)動車發(fā)生交通沖突危險駕駛場景中，與行人發(fā)生交通沖突反應(yīng)率最高。

2)駕駛?cè)嗽陔[性危險場景中平均車速較高，且制動反應(yīng)位置距離危險源較遠(yuǎn)。

3)以交通沖突指標(biāo)TTC衡量駕駛?cè)宋ｋU感知能力,駕駛?cè)嗽陔[性危險場景中TTC值低于顯性危險場景，且3種類型交通沖突場景中，駕駛?cè)藢π腥说奈ｋU感知最弱。

4)基于Bayes建立駕駛?cè)宋ｋU感知能力判別模型，模型交叉驗證正確為77.5%，能較好判別駕駛?cè)宋ｋU感知能力。