許 甜 高健強(qiáng) 劉建蓓 趙超杰 劉國圖

（1.中交第一公路勘察設(shè)計(jì)研究院有限公司 西安 710065；2.同濟(jì)大學(xué)交通運(yùn)輸工程學(xué)院 上海 200092）

0 引 言

據(jù)統(tǒng)計(jì)，在道路交通系統(tǒng)中，93%以上的交通事故與人的因素有關(guān)[1]。為提升駕駛安全性，近年來，多種先進(jìn)的駕駛員輔助系統(tǒng)（advanced driver assistance system，ADAS），如前向碰撞警告、自動緊急制動、自動巡航、車道偏離預(yù)警等已被廣泛應(yīng)用。這些系統(tǒng)主要是基于多元車載傳感器，監(jiān)測車輛運(yùn)行特征和駕駛員實(shí)時狀態(tài)并對運(yùn)行風(fēng)險進(jìn)行預(yù)測，在目標(biāo)預(yù)警指標(biāo)小于一定閾值時向駕駛員提供相應(yīng)的聲、光或觸覺預(yù)警信息[2]。在實(shí)際應(yīng)用中，大部分的ADAS使用者認(rèn)為可靠的系統(tǒng)能夠有效提升駕駛安全水平，一些實(shí)驗(yàn)室仿真測試數(shù)據(jù)和實(shí)際場景中的統(tǒng)計(jì)對比分析也表明ADAS技術(shù)將明顯降低碰撞事故發(fā)生率[3-4]。

國外部分汽車廠商為評估車輛內(nèi)置ADAS系統(tǒng)對交通安全改善的實(shí)際效果進(jìn)行了一些基于實(shí)車試驗(yàn)和統(tǒng)計(jì)分析的研究。Adell等[5]針對SASPENCE預(yù)警系統(tǒng)，招募20名試驗(yàn)人員在都靈50 km市郊道路和高速公路開展系統(tǒng)開啟、關(guān)閉情形的自然駕駛對比試驗(yàn)，通過行駛數(shù)據(jù)分析發(fā)現(xiàn)預(yù)警系統(tǒng)對減少報警次數(shù)、報警時長、駕駛員對障礙物反應(yīng)時間有積極作用，但采用車內(nèi)觀察法時發(fā)現(xiàn)小間距跟馳事件數(shù)量雖趨于減少，卻無統(tǒng)計(jì)學(xué)意義。Spicer等[6]采用Cox回歸模型對106萬輛寶馬汽車的15 507次中、重度事故數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，發(fā)現(xiàn)配備ADAS的車輛比未配備的發(fā)生碰撞的可能性低23%。另一項(xiàng)針對沃爾沃乘用車的統(tǒng)計(jì)研究發(fā)現(xiàn)[7]：配備車道偏離預(yù)警系統(tǒng)的車輛在限速大于70 km/h的道路上發(fā)生傷害性正面碰撞或單車碰撞的事故減少了53%。

我國學(xué)者也在不同類型真實(shí)道路上進(jìn)行了一些實(shí)車測試，以期研究符合國內(nèi)道路條件和駕駛?cè)颂匦缘念A(yù)警系統(tǒng)效果及駕駛風(fēng)險影響因素。Li等[8]通過33人·次的自然駕駛實(shí)驗(yàn)，分析了駕駛員性別、年齡、攻擊性效應(yīng)與ADAS總報警次數(shù)、每百公里報警次數(shù)的關(guān)系，并對比了駕駛員對前向碰撞預(yù)警、車道偏離預(yù)警、側(cè)向盲區(qū)預(yù)警接受程度。楊曼等[9]招募了30名測試人員進(jìn)行實(shí)車試驗(yàn)，構(gòu)建了行車安全事件數(shù)據(jù)庫，利用Logit回歸分析法得出平均減速度、事件類型、事件原因、天氣、年齡、駕齡6個因素對駕駛風(fēng)險有顯著影響。

上述基于實(shí)車試驗(yàn)的研究，多采用統(tǒng)計(jì)對比分析和主觀問卷調(diào)查方法得出定性或趨勢性結(jié)論，但并未深入揭示預(yù)警系統(tǒng)對駕駛員行為特征和風(fēng)險影響機(jī)理的定量化表達(dá)。因此，一些學(xué)者采用駕駛模擬仿真方法，提取與運(yùn)行風(fēng)險特征相關(guān)的微觀駕駛行為參數(shù)并進(jìn)行碰撞預(yù)警有效性驗(yàn)證。Wang等[10]利用33名駕駛?cè)嗽?0 km城市快速路的自然駕駛特征數(shù)據(jù)構(gòu)建數(shù)據(jù)庫，并利用仿真系統(tǒng)分析得到關(guān)閉和開啟自適應(yīng)巡航系統(tǒng)時，車頭時距（time headway，THW）平均值從1.4 s增加到2.5 s，但碰撞時間（time to collision，TTC）沒有顯著變化。王雪松等[11]利用8自由度高仿真駕駛模擬器研究了追尾臨撞工況緊急程度對駕駛員避撞行為的影響，對比了不同車頭時距情況下駕駛員感知反應(yīng)時間、制動延誤等。呂能超等[12]利用UC-win/Road駕駛模擬仿真軟件進(jìn)行測試，通過對比不同算法的預(yù)警準(zhǔn)確率、最小碰撞時間等指標(biāo)來評估預(yù)警算法的有效性。

基于仿真實(shí)驗(yàn)進(jìn)行預(yù)警系統(tǒng)對駕駛行為指標(biāo)影響的定量分析，相較實(shí)車試驗(yàn)雖具有數(shù)據(jù)顆粒度細(xì)、參數(shù)易標(biāo)定等優(yōu)勢，但無法完全表征真實(shí)交通流場景下駕駛員的行為特征變化。另外，既有研究成果在進(jìn)行預(yù)警效果評估時，由于僅能獲取自車數(shù)據(jù)，均采用車輛交互行為指標(biāo)，而缺少面向交通流的運(yùn)行風(fēng)險特征指標(biāo)。因此，本研究采用實(shí)車群組試驗(yàn)，在真實(shí)高速公路場景模擬跟馳過近、危險超車等典型風(fēng)險運(yùn)行條件，開展預(yù)警系統(tǒng)開啟、關(guān)閉情形下對比試驗(yàn)，通過采集的群組車輛高精度定位數(shù)據(jù)，分析行車安全事件下車輛交互行為指標(biāo)和面向交通流的風(fēng)險特征變化，并以問卷調(diào)查形式獲取駕駛員對預(yù)警系統(tǒng)的認(rèn)可度，從而對車輛碰撞預(yù)警系統(tǒng)對行車風(fēng)險的干預(yù)效果進(jìn)行多維度綜合評估。

1 試驗(yàn)設(shè)計(jì)

1.1 總體方案

本研究以15輛安裝高精度定位預(yù)警終端的車輛為試驗(yàn)車，形成車輛群組在高速公路試驗(yàn)路段運(yùn)行。試驗(yàn)分為預(yù)備試驗(yàn)和正式試驗(yàn)，經(jīng)培訓(xùn)后，試驗(yàn)人員首先進(jìn)行20 km預(yù)備試驗(yàn)，用于熟悉路段，檢測車載終端是否正常工作，熟悉預(yù)警系統(tǒng)語音提示，以及適應(yīng)保持群組運(yùn)行狀態(tài)。正式試驗(yàn)分2次進(jìn)行，第1次預(yù)警終端語音提示功能關(guān)閉，但后臺仍記錄數(shù)據(jù)，第2次語音提示功能開啟。為模擬典型風(fēng)險場景，車輛在行駛中需按要求執(zhí)行既定數(shù)量的變道、減速、流入/流出等任務(wù)。

通過車載預(yù)警終端采集的高精度定位、速度信息，并與試驗(yàn)路段矢量地圖車道線信息匹配，可進(jìn)行駕駛行為分類和行車安全事件提取，進(jìn)而對交互行為指標(biāo)和交通流特征指標(biāo)進(jìn)行對比分析。試驗(yàn)完成后，每位試驗(yàn)人員需根據(jù)試驗(yàn)情況如實(shí)填寫調(diào)查問卷，以便了解其對預(yù)警系統(tǒng)的認(rèn)可度。

1.2 被試對象

試驗(yàn)的被試對象是1種基于高精度定位的車輛碰撞預(yù)警系統(tǒng)，由路側(cè)北斗地基增強(qiáng)系統(tǒng)、車載高精度定位預(yù)警終端、搭載厘米級高精度地圖數(shù)據(jù)和沖突預(yù)測算法的短臨預(yù)警平臺組成[13]。該系統(tǒng)經(jīng)第三方專業(yè)機(jī)構(gòu)檢測，動態(tài)定位三維精度可達(dá)10 cm以內(nèi)，碰撞預(yù)警功能滿足JT/T 883—2014《營運(yùn)車輛行駛危險預(yù)警系統(tǒng)技術(shù)要求和試驗(yàn)方法》。

其工作原理為：車載裝備通過獲取北斗地基增強(qiáng)系統(tǒng)提供的差分信號，以1～10 Hz解算并上傳車輛高精度定位、速度信息（綜合考慮平臺計(jì)算實(shí)時性和軌跡擬合精確性要求，將頻率設(shè)置為5 Hz）；預(yù)警平臺利用歷史定位數(shù)據(jù)擬合車輛軌跡，并預(yù)測車輛以當(dāng)前速度及航向角沿擬合軌跡行駛時目標(biāo)時刻（當(dāng)前時刻后3，2，1 s）的車輛位置，并判斷交互車輛是否會發(fā)生輪廓沖突；平臺向風(fēng)險相關(guān)車輛下發(fā)分級語音預(yù)警，預(yù)警等級分為3級，與目標(biāo)時刻相對應(yīng)，發(fā)生沖突風(fēng)險的時刻越近，預(yù)警等級越高，其中1級為最高級別預(yù)警。預(yù)警系統(tǒng)工作流程見圖1。

圖1 預(yù)警系統(tǒng)工作流程示意圖Fig.1 Diagram of early warning system workflow

1.3 試驗(yàn)車輛及人員

本研究所采用的試驗(yàn)車均為自動擋小型客車，并在駕駛艙內(nèi)加裝基于高精度定位的車輛碰撞預(yù)警終端。為便于參試人員辨認(rèn)試驗(yàn)車輛并保持群組運(yùn)行，對試驗(yàn)車輛四周均進(jìn)行易識別的外觀標(biāo)記。為排除性別、駕駛專業(yè)程度等因素對預(yù)警效果評估的干擾并保證試驗(yàn)安全性，試驗(yàn)車的駕駛?cè)藛T均為年齡從25～55歲的男性職業(yè)司機(jī)，試驗(yàn)開展前，對參試人員進(jìn)行駕駛路線、駕駛?cè)蝿?wù)、終端工作狀態(tài)、語音預(yù)警內(nèi)容等培訓(xùn)。圖2為車內(nèi)預(yù)警終端和車輛群組運(yùn)行情況。

圖2 車載預(yù)警終端及平臺Fig.2 On board early warning terminal and platform

1.4 試驗(yàn)路段及場景設(shè)計(jì)

試驗(yàn)路段位于廣東省新博高速，起點(diǎn)為藍(lán)田互通（K858+688），終點(diǎn)為龍江互通（K886+832），路段長度30 km，設(shè)計(jì)速度120 km/h，雙向6車道。2次對比試驗(yàn)中，試驗(yàn)車輛均往返行駛1次，每次試驗(yàn)里程約為60 km，試驗(yàn)時間約50 min，試驗(yàn)路線見圖3。本次試驗(yàn)在該高速公路開通后不久開展，背景交通量較?。〒?jù)資料，進(jìn)行試驗(yàn)時服務(wù)水平為一級，自由流狀態(tài)），便于進(jìn)行車輛群組試驗(yàn)和典型風(fēng)險場景模擬。為保證運(yùn)行安全，試驗(yàn)均在天氣晴好、視線良好的條件下展開。

圖3 試驗(yàn)路段及行駛路徑Fig.3 Test section and driving paths

試驗(yàn)中，要求車輛以80～100 km/h的速度保持群組形式運(yùn)行，并盡量減少其他社會車輛對群組的干擾。為模擬實(shí)際交通流條件中的典型風(fēng)險事件，在運(yùn)行過程中，給試驗(yàn)車輛規(guī)定執(zhí)行減速、變道超車、流入/流出等任務(wù)，具體任務(wù)分工見表1。

表1 試驗(yàn)車輛駕駛?cè)蝿?wù)分配Tab.1 Driving tasks assignment of test vehicles

2 數(shù)據(jù)處理與分析

試驗(yàn)獲取的原始數(shù)據(jù)主要包括通過車載終端和平臺采集到的車輛實(shí)時運(yùn)行狀態(tài)數(shù)據(jù)和試驗(yàn)路段線位數(shù)據(jù)。為進(jìn)行后續(xù)行車安全事件提取和運(yùn)行風(fēng)險干預(yù)效果評估，對原始數(shù)據(jù)進(jìn)行處理分析，包括車路映射關(guān)系分析、車車交互定量描述等。采集原始數(shù)據(jù)及預(yù)處理的數(shù)據(jù)見表2。

表2 采集原始數(shù)據(jù)與預(yù)處理數(shù)據(jù)一覽表Tab.2 List of original data and preprocessed data

2.1 車輛坐標(biāo)與道路位置映射

為判斷車輛交互關(guān)系進(jìn)而提取典型行車安全事件片段數(shù)據(jù)，利用車輛定位數(shù)據(jù)和高精度地圖中的道路中線矢量信息進(jìn)行車、路位置映射。采用長安大學(xué)潘兵宏等[14]提出的優(yōu)化定位搜索算法，計(jì)算t時刻任意車輛i對應(yīng)的路線樁號S ti和橫向凈距Dis_h ti，其主要步驟為：已知1個車輛坐標(biāo)B（x，y），從道路起點(diǎn)以0.001 m為步長，連續(xù)計(jì)算A k點(diǎn)和A k+1點(diǎn)，做B點(diǎn)到路線上任意一點(diǎn)切向方向的垂足C并計(jì)算AC；如果AkCk與Ak+1Ck+1異號，采用二分法繼續(xù)縮小搜索區(qū)間，直到搜索區(qū)間長度小于0.001 m結(jié)束搜索運(yùn)算；則P點(diǎn)樁號為該車輛位置對應(yīng)的路線樁號S ti，BP為橫向凈距值Dis_h ti。里程樁號S ti、橫向凈距Dis_h ti分別表征車輛相對試驗(yàn)道路中線的縱向、橫向位置，形成任意時刻t試驗(yàn)車輛和道路的映射關(guān)系。該算法的幾何模型示意圖見圖4。

圖4 搜索算法幾何模型Fig.4 Geometric model of search algorithm

根據(jù)試驗(yàn)道路的橫斷面參數(shù)，建立橫向凈距Dis_h ti與車道位置Lti對應(yīng)關(guān)系，見式（1）。

式中：Lti為t時刻車輛i所處車道位置，Lti=[1,2,3]，1為最內(nèi)側(cè)車道，以此類推；Dis_h ti為試驗(yàn)車輛相對于道路中線的橫向距離，m；「」為計(jì)算值向上取整。

根據(jù)上述優(yōu)化定位搜索算法和橫向凈距與車道位置對應(yīng)關(guān)系，使用Python編寫試驗(yàn)車輛與道路位置的映射函數(shù)，快速求出任意時刻t任意車輛i對應(yīng)道路中線的里程樁號S ti和車道位置Lti，用于判斷車輛交互關(guān)系、車路位置關(guān)系，進(jìn)而評估車輛交互和交通流風(fēng)險特征指標(biāo)。

2.2 車輛交互行為定量描述

對于高速公路上行駛距離較近而產(chǎn)生交互關(guān)系的前后車輛，當(dāng)存在碰撞風(fēng)險時，后車為避免與前車碰撞，可能采取的避險行為包括減速后跟馳、減速后換道、超車換道這3種。由于減速后換道與前車無時空沖突風(fēng)險，且在換道的前一瞬間仍屬于減速跟馳行為，因此可進(jìn)一步簡化為減速跟馳和超車換道2類避險行為[15-16]。2類行為的車輛運(yùn)動方式、交互特征存在較大差異，因此本研究在車路位置映射的基礎(chǔ)上，根據(jù)試驗(yàn)車輛群組中產(chǎn)生交互關(guān)系的前后車相對速度、加速度、車頭時距、方向角等數(shù)據(jù)，將跟馳、換道這2類行為進(jìn)行識別后，再分類對風(fēng)行特征指標(biāo)進(jìn)行對比分析，從而獲得更精確的行車風(fēng)險干預(yù)效果評估結(jié)論。

1）跟馳行為識別。對于同一時刻，相同車道上距離前車最近的后車可判斷為跟馳車輛。跟馳模型采用GM通用的GHR模型[17]，見式（2），將2車的相對速度作為刺激，后車的加速度作為駕駛?cè)说姆磻?yīng)，并將后車速度和車頭間距作為敏感系數(shù)的影響因素，描述2車運(yùn)動狀態(tài)下的跟馳行為。加速度為正值時，跟馳車輛處于加速行駛狀態(tài)；加速度為負(fù)值時，跟馳車輛處于減速行駛狀態(tài)。

式中：V n為后車速度，km/h；an為后車加速度，m/s2；ΔV n為前后2車的相對速度，km/h；ΔXn為前后2車的車頭間距，m；τn為反應(yīng)時間，s；n為第n輛車（即后車）；α，β，γ為參數(shù)。

2）換道行為識別。根據(jù)車輛和車道線的位置關(guān)系，車輛換道行為分為前期準(zhǔn)備、執(zhí)行換道、持續(xù)換道3個階段，其中持續(xù)換道階段行車風(fēng)險最高，見圖5。當(dāng)車輛從行車道中心持續(xù)向一側(cè)偏移時，可認(rèn)為車輛開始執(zhí)行換道。根據(jù)賀玉龍等[18]提出的換道最小安全距離模型，可判斷任意t時刻試驗(yàn)車輛m的安全換道行為，見式（3）。

圖5 后車的超車換道過程示意Fig.5 Schematic diagram of overtaking and lane changing process of rear vehicles

式中：Lm為m車的長度，m；W m為m車的寬度，m；Ln為n車的長度，m；θ為t時刻m車行進(jìn)軌跡切線與車道線的方向夾角。

2.3 行車安全事件提取

在行車風(fēng)險的研究中，一般采用臨近碰撞（near-crash）和碰撞（crash）來區(qū)分行車風(fēng)險事件[19]。crash是小概率事件，且near-crash是需要采用迅速且及時的處置操作才能避免碰撞事故發(fā)生。因此，crash和near-crash事件發(fā)生頻次少，存在樣本量嚴(yán)重不足的問題，無法更好地用于行車風(fēng)險評估。國外相關(guān)學(xué)者研究發(fā)現(xiàn)，行車安全事件（critical-incident events，CIEs）發(fā)生頻率高（crash的100倍；near-crash的10倍）、嚴(yán)重程度比near-crash小，可由高加/減速度、較小的車頭時距或其他運(yùn)動特征描述，可作為風(fēng)險度量指標(biāo)[20]。

既有研究表明，車頭時距小于5 s的車輛處于跟馳狀態(tài)[21]，可認(rèn)為前后車頭時距小于5 s時，2車即已發(fā)生交互。為簡化運(yùn)算過程，本研究以此為標(biāo)準(zhǔn)進(jìn)行群組間風(fēng)險相關(guān)車輛的篩選。將車頭間距小于5 s的車輛交互過程片段進(jìn)行提取，定義該片段內(nèi)跟馳、超車換道過程中跟車距離最小的瞬間為CIEs，以表征前后車輛交互過程中最不安全的瞬時狀態(tài)，進(jìn)而提出2類行為CIEs提取準(zhǔn)則，見表3，及CIEs的提取流程，見圖6。

表3 2類典型CIEs定義及提取準(zhǔn)則Tab.3 Definition and judgment of two types of cies

圖6 CIEs事件提取流程圖Fig.6 Flow Chart of Extracting CIEs

根據(jù)CIEs定義及提取方法，使用Python編寫事件判別函數(shù)，從無預(yù)警情形、有預(yù)警情形2次對比試驗(yàn)采集的海量車輛群組實(shí)時位置數(shù)據(jù)中，提取減速跟馳、超車換道這2類車輛交互片段數(shù)據(jù)和CIEs發(fā)生時刻的THW。最終總共得到1 089組符合標(biāo)準(zhǔn)的CIEs，其中無預(yù)警試驗(yàn)中共有601組，有預(yù)警試驗(yàn)中共有488組，具體CIEs提取情況見表4。

表4 CIEs提取結(jié)果匯總情況Tab.4 Summary of CIEs Extractions

3 運(yùn)行風(fēng)險干預(yù)效果分析

3.1 對CIEs車輛交互特征影響分析

車頭時距是表征車輛微觀運(yùn)行風(fēng)險的常用指標(biāo)。本研究利用無預(yù)警、有預(yù)警試驗(yàn)中提取到的車輛群組內(nèi)減速跟馳、超車換道這2類CIEs樣本數(shù)據(jù)，分別對CIEs下的THW，即最小THW進(jìn)行統(tǒng)計(jì)及對比分析，通過對比預(yù)警開-閉情形下最小THW的分布特征變化，評估預(yù)警系統(tǒng)對微觀層面車輛運(yùn)行風(fēng)險的干預(yù)效果。

圖7和圖8分別是減速跟馳、超車換道這2類避險行為中，行車安全事件下THW的概率密度分布情況。從圖中可以看出，有預(yù)警情形下的概率密度分布較無預(yù)警情形下整體右移，表明預(yù)警系統(tǒng)開啟時，試驗(yàn)車輛群組總體THW呈增加趨勢。

圖7 有、無預(yù)警情形下減速跟馳行為車頭時距分布Fig.7 Headway distribution of deceleration following behavior warning and no-warning

圖8 有、無預(yù)警情形下超車換道行為車頭時距分布Fig.8 Headway distribution of overtaking behavior warning and no-warning

圖9為無預(yù)警、有預(yù)警情形下，減速跟馳、超車換道2類行車安全事件THW的箱型對比圖。從圖中可以看出：減速跟馳行為中，預(yù)警系統(tǒng)開啟后，行車安全事件THW均值從1.56 s增加至1.93 s，增加了0.37 s；超車換道行為中，預(yù)警系統(tǒng)開啟后，行車安全事件THW均值從2.18 s增加至2.52 s，增加了0.34 s。

圖9 有、無預(yù)警情形下CIEs車頭時距箱型對比圖Fig.9 Comparison of cies headway box type of warning and no-warning

為進(jìn)一步研究有、無預(yù)警對2類行車安全事件下THW影響的顯著程度，以預(yù)警設(shè)備的開啟狀態(tài)（無預(yù)警/有預(yù)警）為因子對THW進(jìn)行方差分析，見表5。結(jié)果表明，預(yù)警系統(tǒng)的有無對減速跟馳（F=3.983，p＜0.05）和超車換道（F=3.882，p＜0.05）這2類車輛交互行為行車安全事件下的THW均有顯著性影響，說明預(yù)警系統(tǒng)在微觀車輛運(yùn)行風(fēng)險層面能夠起到積極干預(yù)效果。

杰克坐在床上，捧著筆記本看著。蘇婷婷趴過來，問：怎么樣，誰的支持率高？杰克自信地：肯定我的高！咱爸觀點(diǎn)早過時了！蘇婷婷說：你就這么自信？杰克回答：當(dāng)然自信，要不敢承諾聽觀眾的？蘇婷婷擔(dān)憂地：我覺得你不該做這個承諾。杰克說：你放心，絕對沒問題！結(jié)果出來了！杰克打開網(wǎng)站頁面，突然愣住了：不會吧？咱爸怎么會比我高？蘇婷婷失望地：我說么，你就不該做出承諾。杰克又刷新了一遍網(wǎng)頁，喃喃地：怎么會呢？怎么會呢？蘇婷婷提醒他：杰克，你忘了，這不是華盛頓，是在中國！杰克瞪大眼睛：中國不是早就和世界接軌了嗎？蘇婷婷說：有些接了，有些還沒接。

表5 預(yù)警狀態(tài)對2類行車安全事件THW影響分析Tab.5 Analysis results of the influence of FCWworking state on THWof the two typical CIEs

3.2 道路交通運(yùn)行風(fēng)險干預(yù)效果分析

通過對比分析有-無預(yù)警情形下試驗(yàn)過程中減速跟馳、超車換道這2類CIEs發(fā)生頻數(shù)變化，以及試驗(yàn)路段車輛運(yùn)行速度分布特征，可從對道路交通總體運(yùn)行狀態(tài)的緯度，分析評估預(yù)警系統(tǒng)對行車風(fēng)險的干預(yù)效果。

從表4可知，無預(yù)警情況下CIEs頻數(shù)為601次，有預(yù)警情況下CIEs頻數(shù)為488次，預(yù)警系統(tǒng)啟動后，總的CIEs下降了18.8%，其中跟馳CIEs下降了16.0%，超車換道CIEs下降了23.7%，試驗(yàn)路段總體行車安全事件在預(yù)警系統(tǒng)的干預(yù)下明顯減少。

速度離散性與交通安全有密切關(guān)系，速度離散性越高，事故率越高。因此，將試驗(yàn)路段按照500 m長度取1個速度檢測斷面，利用采集的車輛運(yùn)行速度數(shù)據(jù)，統(tǒng)計(jì)分析各檢測斷面運(yùn)行速度分布情況和斷面運(yùn)行速度標(biāo)準(zhǔn)差，用以評估預(yù)警系統(tǒng)對道路運(yùn)行風(fēng)險的干預(yù)效果。由于試驗(yàn)時路段背景交通量較小，社會車輛對試驗(yàn)車輛群組的干擾程度較低，因此可認(rèn)為分析斷面運(yùn)行速度時，車輛群組的速度分布情況可表征交通流總體運(yùn)行情況，分析結(jié)果見圖10。

圖10 有、無預(yù)警情形下試驗(yàn)路段車輛斷面運(yùn)行速度分布圖（500 m間隔斷面）Fig.10 Comparison of speed distribution in test section of warning and no-warning（500 m interval section）

結(jié)果表明，無預(yù)警情形下，斷面運(yùn)行速度分布離散性明顯大于有預(yù)警情形。無預(yù)警情形下斷面運(yùn)行速度標(biāo)準(zhǔn)差區(qū)間為[9.24，20.02]（km/h），有預(yù)警情形下斷面運(yùn)行速度標(biāo)準(zhǔn)差區(qū)間為[7.25，15.39]（km/h），說明預(yù)警系統(tǒng)對降低道路交通運(yùn)行風(fēng)險有積極作用。

3.3 對駕駛員主觀干預(yù)效果分析

試驗(yàn)完成后，對試驗(yàn)人員開展問卷調(diào)查，以期評估預(yù)警的準(zhǔn)確性和駕駛員對該系統(tǒng)的認(rèn)可度。問卷調(diào)查采用量表題形式，1～5表示不認(rèn)可到非常認(rèn)可，內(nèi)容包括：與駕駛員對風(fēng)險感知的一致性，與車輛自帶ADAS預(yù)警的一致性，是否愿意遵從預(yù)警信息調(diào)整行為，預(yù)警信息對駕駛行為的改善作用，該系統(tǒng)推廣應(yīng)用對道路交通安全提升的預(yù)期，是否愿意長期使用該車載終端6個方面。

15名試驗(yàn)人員均參與問卷調(diào)查，采用SPSS軟件對問卷結(jié)果進(jìn)行信度和效度分析，得到Cronbachα系數(shù)為0.857（＞0.8），KMO取樣適切性量數(shù)為0.746（＞0.7），說明調(diào)研問卷信度和效度較高。

圖11 問卷調(diào)查統(tǒng)計(jì)結(jié)果Fig.11 Statistical results of questionnaire survey

4 結(jié)束語

1）本文通過車輛群組實(shí)車試驗(yàn)，在高速公路真實(shí)道路環(huán)境中模擬了車輛跟馳、超車狀態(tài)下的典型風(fēng)險場景，利用車載預(yù)警系統(tǒng)采集的車輛高精度定位信息及其與道路的映射關(guān)系，通過對行車安全事件的提取，從車輛交互運(yùn)行特征、道路運(yùn)行風(fēng)險特征、駕駛員對系統(tǒng)認(rèn)可度3個維度，提出了1種車輛碰撞預(yù)警系統(tǒng)對行車風(fēng)險干預(yù)效果的試驗(yàn)及綜合評估方法。

2）有預(yù)警情形下，減速跟馳、超車換道這2類車輛交互避險行為產(chǎn)生的行車安全事件THW均值分別增加了0.37 s和0.34 s，且預(yù)警系統(tǒng)開閉狀態(tài)對2類THW均有顯著性影響，問卷調(diào)查顯示86.7%的試驗(yàn)人員在接收到預(yù)警信息后會采取趨于安全的措施。

3）有預(yù)警情形下，2類行車安全事件頻數(shù)分別下降了16.0%和23.7%，斷面車輛運(yùn)行速度標(biāo)準(zhǔn)差分布區(qū)間從[9.24，20.02]下降至[7.25，15.39]，速度分布離散性帶來的道路總體運(yùn)行風(fēng)險明顯下降，問卷調(diào)查顯示73.3%的試驗(yàn)人員非常認(rèn)同預(yù)警系統(tǒng)在道路交通安全提升方面的積極作用。

研究采用具有車路協(xié)同定位及預(yù)警功能的車載終端進(jìn)行車輛群組試驗(yàn)及分析，可在一定程度上模擬智能網(wǎng)聯(lián)環(huán)境下車輛交互行為及風(fēng)險特征。下一步將豐富試驗(yàn)場景和車型，并結(jié)合仿真手段，完善典型風(fēng)險條件下智能網(wǎng)聯(lián)車輛駕駛行為特征分析，構(gòu)建多層次預(yù)警效果評估指標(biāo)體系。