王偉，趙琦*，王力，李子悅

(1.北方工業(yè)大學(xué)城市交通智能控制技術(shù)北京市重點實驗室，北京 100144；2.北京智駕出行科技有限公司，北京100044)

車輛在行駛中常因前方特殊狀況或駕駛員自身操作等原因發(fā)生急減速等危險駕駛行為，而這種行為對交通安全會產(chǎn)生較大影響。因此，面向這種行為展開其特征識別、發(fā)生規(guī)律等的研究對于交通安全具有積極意義。隨著各類型車載終端的普及，已有多種基于車輛行駛軌跡數(shù)據(jù)的危險駕駛行為判定方法和技術(shù)得到了應(yīng)用。

馬聰[1]利用車載自動診斷系統(tǒng)(on board diagnostics，OBD)設(shè)備收集車輛數(shù)據(jù)，采用固定閾值方法判定急減速駕駛行為，分析車輛行駛的穩(wěn)定性。廖海林[2]使用智能駕駛記錄儀記錄急減速次數(shù)并作為駕駛行為評估模型的影響因子。任慧君等[3]使用擁擠道路上公交車的軌跡數(shù)據(jù)，根據(jù)閾值記錄急減速行為的距離、時長、次數(shù)。以上方法使用最常見的利用減速度閾值-3 m/s2做單次判斷，該方法較為簡單但未對不同情況作出區(qū)分。丁琛[4]建立急減速駕駛行為識別算法，可判斷連續(xù)急減速行為的次數(shù)、距離。張雅楠等[5]分析不同的駕駛速度并提出相應(yīng)的加速度判定方法。以上方法針對連續(xù)急減速進行算法設(shè)計，且針對不同的駕駛速度設(shè)定了不同閾值，能在一定程度上適應(yīng)不同的駕駛情況，但對具體駕駛場景未做區(qū)分。Nassar[6]詳細闡述了危險駕駛行為與速度、駕駛狀態(tài)和路況有直接關(guān)系。孫川等[7]建立了車輛數(shù)據(jù)、減速行為和道路安全的關(guān)聯(lián)機制。Sayed等[8]提出道路環(huán)境、車輛狀況、注意力會影響駕駛員做出危險駕駛行為。以上文獻對影響危險駕駛行為的因素進行了分析，但未建立適當(dāng)?shù)哪Ｐ汀?/p>

上述這些方法的判斷依據(jù)大都來自于歷史交通事故數(shù)據(jù)，研究者通常選取車輛的減速度數(shù)據(jù)作為固定閾值，根據(jù)是否超出閾值來判定是否發(fā)生急減速行為。該方法忽略了駕駛場景、狀況，缺少必要的分析及建模過程，無法展現(xiàn)不同場景的駕駛狀況變化。由此可見，目前的急減速駕駛行為判斷方法仍存在許多不足。

因此，現(xiàn)基于車輛行駛軌跡數(shù)據(jù)，建立一種包含不同駕駛場景的急減速駕駛行為判斷方法；使用判斷模型分析駕駛場景對應(yīng)的駕駛狀況及參數(shù)，根據(jù)不同的車輛速度，確定具體的急減速數(shù)值；與使用聚類分析的實際急減速數(shù)據(jù)進行比較并確定其可行性,更好地實現(xiàn)基于軌跡數(shù)據(jù)的車輛急減速行為識別，以期為車輛駕駛安全研究提供理論基礎(chǔ)。

1 車輛行駛軌跡數(shù)據(jù)及駕駛行為分析

1.1 車輛行駛軌跡數(shù)據(jù)

所使用的車輛行駛軌跡數(shù)據(jù)來自北京市路網(wǎng)范圍內(nèi)，數(shù)據(jù)來源于北京智駕出行科技有限公司的車聯(lián)網(wǎng)數(shù)據(jù)平臺。該平臺在北京的樣本車輛約為1 000輛，可提供樣本車輛的實時車輛行駛軌跡數(shù)據(jù)。該平臺所使用的車載OBD終端為智駕盒子(Y-Box 400)。

平臺主要數(shù)據(jù)字段包括：車輛編號、時間、經(jīng)緯度、速度、加速度等(表1)，數(shù)據(jù)檢測頻率為每秒1次。經(jīng)過分析，該頻率可應(yīng)用于駕駛行為判斷。所使用的數(shù)據(jù)來自該平臺在北京的數(shù)據(jù)樣本，數(shù)據(jù)收集時間為2019年6月。

表1 數(shù)據(jù)類型

由于車載OBD終端設(shè)備可能存在的問題，原始數(shù)據(jù)中會摻雜一些無用數(shù)據(jù)、錯誤信息，需使用SQL Server數(shù)據(jù)庫軟件對原始數(shù)據(jù)進行篩選處理，流程如圖1所示。

圖1 數(shù)據(jù)處理流程

1.2 減速行為分析

車輛在行駛過程中所發(fā)生的急減速行為通常分為兩種：主動急減速行為及被動急減速行為。主動減速屬于駕駛員主觀意愿，不在本文研究范圍內(nèi)；被動急減速行為是車輛在跟馳過程中由于前方車輛發(fā)生減速，而被迫采取減速措施保持安全距離的行為。本文使用的車聯(lián)網(wǎng)數(shù)據(jù)平臺目前所采用的急減速行為判斷方法為：利用固定閾值判斷法對車輛瞬時加速度(閾值為-2.78 m/s2)進行識別，當(dāng)加速度小于該閾值時即判定為車輛急減速駕駛行為狀態(tài)。但該方法僅考慮車輛的加速度，忽略了絕對速度和反應(yīng)時間等參數(shù)與急減速行為的關(guān)系，故使用該方法進行急減速行為判斷是存在問題的，這一問題可借助跟馳模型進行解決。

跟馳模型主要從速度變化和車輛動力特性來描述跟車狀態(tài)，加速度值可通過行駛速度、反應(yīng)時間、兩車間距離、制動時間等參數(shù)進行計算，故研究跟馳模型可以了解影響急減速駕駛行為的因素。但該模型較少考慮交通場景和駕駛特性對跟車過程的影響，實際上當(dāng)上述因素發(fā)生改變時，駕駛員往往做出不同的反應(yīng)。影響急減速駕駛行為的因素大致可分為：場景因素和自身因素。車輛在正常場景下行駛，自身因素中駕駛速度影響較大，不同駕駛速度會導(dǎo)致不同的急減速情況；車輛在非正常場景下行駛，則場景因素主要影響急減速駕駛行為。

所以，要研究車輛發(fā)生急減速駕駛行為的場景，應(yīng)從跟馳模型入手，再對場景因素和駕駛速度進行深入分析，研究其對急減速駕駛行為的影響方式。

2 基于安全距離的跟馳模型

跟馳模型按照模型原理可分為刺激—反應(yīng)模型和安全距離模型，本文選擇安全距離模型，主要側(cè)重于汽車跟隨和制動過程。如圖2所示，前車2與后車1同向行駛。遇到緊急情況時，前車2緊急制動后停到虛線位置；后車也進行緊急制動以應(yīng)對前車狀況，最后兩車到虛線位置停止。

Lf為后車制動行駛距離;Ll為前車制動行駛距離;L為制動后后車與前車保持的距離;Ls為行駛安全距離

各距離的關(guān)系為

Lf=Ls+Ll-L

(1)

(2)

式(2)中：vl為前車制動前的行駛速度;tl為前車制動時間;al為前車制動減速度[9]。

當(dāng)后車駕駛員發(fā)現(xiàn)前車燈亮起時隨之進行制動, 直至停車需要經(jīng)過4個階段[10]：駕駛員反應(yīng)時間tr、車輛制動協(xié)調(diào)時間tb、制動力增長時間tu和持續(xù)制動時間tc?？杀硎緸?/p>

(3)

式(3)中：Lr為后車在駕駛員反應(yīng)時間內(nèi)的制動行駛距離;Lb為后車在車輛制動協(xié)調(diào)時間內(nèi)的制動行駛距離;Lu為后車在制動力增長時間內(nèi)的制動行駛距離;Lc為后車在持續(xù)制動時間內(nèi)的制動行駛距離;vf為后車制動前的行駛速度；vl為前車制動前的行駛速度；al為前車最大制動減速度；tl為前車制動時間。

根據(jù)上述過程，將跟馳過程各距離關(guān)系進行具體分析，將式(2)和式(3)代入式(1)，得

(4)

3 改進急減速模型及場景因素分析

影響行為的場景因素中：照明條件變化后會影響駕駛員的注意力、判斷力及反應(yīng)時間；不良天氣對駕駛影響程度較大[11]，會改變道路行駛條件，降低能見度；而車輛行駛在不同速度時，制動距離也有較大變化。因此照明條件、不良天氣、道路車速這3個因素的影響程度最大，因此本研究選取這些因素來分析駕駛場景。

3.1 照明條件

照明條件的變化會對駕駛員的反應(yīng)時間造成較大影響?，F(xiàn)有研究[12]證明，駕駛員在不同危險條件下的制動反應(yīng)時間平均值在1.02～1.36 s，取1.02 s，但在低速時，反應(yīng)時間通常約0.7 s。夜晚不同時段駕駛員反應(yīng)能力不同，以白天09:00—10:00的反應(yīng)時間為參考值1，將夜間(18:00—6:00)分為4個時段[13]。根據(jù)覺醒水平曲線的日變化特征，得出4個時段的反應(yīng)時間相對覺醒水平，作為反應(yīng)時間的修正系數(shù)，如表2所示。

表2 夜晚反應(yīng)時間的修正系數(shù)

故后車駕駛員反應(yīng)時間為

tr=trbmrt

(5)

式(5)中：trb為駕駛員基本反應(yīng)時間；mrt為夜晚對反應(yīng)時間的修正系數(shù)。

3.2 不良天氣

降雨對駕駛行為特征有顯著影響[14]，包括車速、反應(yīng)時間等。文獻[15]通過分析得出：當(dāng)車速小于60 km/h時，一般程度降雨會使車速降低4.4%；當(dāng)車速大于60 km/h時，該值變?yōu)?.8%。該天氣對駕駛員反應(yīng)時間的修正系數(shù)一般取1.47。

tr=trbmrs

(6)

vf=vfbmvw

(7)

式中：mrs為不良天氣對駕駛員反應(yīng)時間的修正系數(shù)；mvw為不良天氣對車速的影響系數(shù)；vfb為后車制動前的基本行駛速度。

降雨也影響路面狀況，改變路面的附著系數(shù)，正常瀝青道路為0.8，積水系數(shù)為0.5[16]。

分析附著系數(shù)對汽車動力影響后，可得

al=gφ

(8)

式(8)中：al為前車最大制動減速；g為重力加速度；φ為路面附著系數(shù)。

3.3 道路車速

根據(jù)相關(guān)資料[17]，當(dāng)車速大于40 km/h后，速度每提升10 km/h，駕駛員反應(yīng)時間約增加0.1 s，當(dāng)速度增加至100 km/h后反應(yīng)時間變化不明顯。

以此可設(shè)定：

(9)

式(9)中：trb為基本反應(yīng)時間，車速小于40 km/h時取0.7 s，其余取1.02 s。

3.4 急減速判斷模型

本文所提出判斷模型采用的是依靠車輛行駛軌跡數(shù)據(jù)的判斷方法，主要考慮的是照明條件、天氣和駕駛速度3個參數(shù)。

確定模型中的一些固定參數(shù)，制動后后車與前車保持的距離L范圍為2～5 m；車輛制動協(xié)調(diào)時間tb一般為200 ms；制動力增長時間tu一般為150 ms，故tb+tu/2=0.275s。

通過轉(zhuǎn)換公式[式(4)]，給出跟車模型中后車減速度、速度等變量之間的關(guān)系：

(10)

在單車道中行駛的車隊，前后車保持跟馳過程，其車速在一定范圍內(nèi)浮動，保持一致，故將前、后車車速綜合為車隊速度v考慮，從而使vf=vl=v，而基本行駛速度vfb變?yōu)関b。則減速度表示為

(11)

4 實例驗證

4.1 急減速數(shù)據(jù)篩選

建立急減速駕駛行為判定方法后，需要驗證該方法的可行性及精度。從平臺的現(xiàn)有樣本數(shù)據(jù)中篩選出急減速數(shù)據(jù)，數(shù)據(jù)特性主要包括急剎車至速度為0的數(shù)據(jù)(停車)，急剎車后車輛速度浮動較小持續(xù)行駛的數(shù)據(jù)及其他情況，篩選數(shù)據(jù)所屬場景包括白天、夜晚、晴天、降雨等。利用上文所建立的判定方法，計算不同場景下的急減速閾值，最后利用實際數(shù)據(jù)進行驗證并與現(xiàn)有方法進行比對。

選擇聚類算法對數(shù)據(jù)進行篩選，采用速度-加速度作為數(shù)據(jù)點?；诿芏鹊脑肼晳?yīng)用空間聚類算法(density-based spatial clustering of applications with noise，DBSCAN)是基于密度的空間聚類，聚集高密度點并標記低密度離群點，適用于行駛軌跡數(shù)據(jù)。該方法能夠區(qū)分急減速數(shù)據(jù)與正常數(shù)據(jù)，并得到實際急減速駕駛行為閾值，能用于驗證本文方法的準確性。DBSCAN的關(guān)鍵參數(shù)鄰域半徑ε和鄰域最小點數(shù)MinPts的取值由多次試驗后確定。

針對不同場景進行數(shù)據(jù)歸類，包括白天無雨、白天降雨、夜晚無雨和夜晚降雨。使用歷史數(shù)據(jù)中的時間信息區(qū)分白天、夜晚，其中18:00—06:00時段為夜晚數(shù)據(jù)；使用平臺中的天氣信息及降雨范圍進行定位，區(qū)分降雨數(shù)據(jù)。共篩選出6萬余條急減速數(shù)據(jù)，如圖3所示。

圖3 白天降雨場景的聚類分析結(jié)果

4.2 計算結(jié)果與對比

使用急減速判斷模型的急減速閾值計算結(jié)果與實際數(shù)據(jù)進行對比驗證，從多種不同駕駛場景中選取白天降雨、夜晚降雨場景，上述場景包含了主要影響急減速行為的3種因素。急減速閾值根據(jù)式(11)進行計算，式中各參數(shù)根據(jù)不同駕駛速度及場景進行確定。本文判斷的是該模型的誤差水平，選取平均絕對誤差(mean absolute error，MAE)、平均相對誤差(mean relative error，MRE)、均方根誤差(root mean square error，RMSE)等統(tǒng)計變量為指標。

4.2.1 白天降雨場景

該場景的部分參數(shù)組合如表3所示，所使用的參數(shù)中：駕駛員反應(yīng)時間在低速時(0～40 km/h)不變，在高速時(40～100 km/h)逐漸增加，安全距離、制動時間等也隨車速提升而增加。

表3 白天降雨場景部分參數(shù)

圖4為白天場景的急減速數(shù)值分布情況。由圖4可知，降雨時模型計算數(shù)值相較無雨時降低，低速時(10～40 km/h)平均降幅較大。降雨天氣下，行駛安全距離、反應(yīng)時間和制動時間等參數(shù)會發(fā)生變化。

圖4 白天急減速數(shù)據(jù)對比圖

白天無雨時，使用固定閾值判斷方法，與實際數(shù)據(jù)的平均誤差比例為14.43%；采用本文方法時平均為1.94%，相較傳統(tǒng)方法準確度提升12.49%，白天降雨時與無雨時類似，準確度提升10.32%，急減速判斷模型的急減速閾值的計算結(jié)果與實際數(shù)據(jù)趨勢相吻合且數(shù)據(jù)波動幅度均小于3%。

3種統(tǒng)計指標計算結(jié)果如表4所示，其中MRE、RMSE兩種誤差均大幅度減小，說明白天場景下使用本方法進行判斷時誤差減小且未出現(xiàn)較高誤差的情況。從對比結(jié)果可以看出，該方法對白天場景的適應(yīng)性較好且基本不受降雨影響，在高速時也表現(xiàn)出較高準確度。

表4 白天場景下誤差對比

4.2.2 夜晚降雨場景

該場景的部分參數(shù)組合如表5所示，參數(shù)中駕駛員反應(yīng)時間隨速度逐漸增加，超過100 km/h后保持不變；相較于白天降雨場景，由于路況條件更加復(fù)雜，安全距離大幅增加。

表5 夜間(21：00—24：00)降雨場景部分參數(shù)

急減速數(shù)值對比結(jié)果如圖5所示，在降雨的情況下，按照不同的駕駛速度將夜間(18:00—6:00)劃分為4個部分，可以看出夜間降雨時急減速數(shù)值相較無雨時下降。說明降雨給駕駛員造成的影響在夜間更大，但各時段差值不明顯。

圖5 夜晚急減速數(shù)據(jù)對比圖

夜晚無雨場景情況如圖6所示，在18:00—21:00時段，使用固定閾值判斷方法，平均誤差比例為13.70%；采用本文方法時平均為1.10%，準確度提升12.60%。在21:00—24:00時段，采用本文方法準確度提升8.12%。但上述時間段車速為60～80 km/h時數(shù)據(jù)波動較大，超出平均誤差兩倍。

圖6 夜間無雨計算結(jié)果與實際數(shù)據(jù)對比圖

夜晚降雨數(shù)據(jù)如圖7所示，在18：00—21:00時段，采用本文方法時準確度提升7.43%，且數(shù)據(jù)波動比例均小于3.5%，計算結(jié)果與實際數(shù)據(jù)趨勢相吻合且誤差幅度較小。在21:00—24:00時段，準確度提升7.53%。

圖7 夜間降雨計算結(jié)果與實際數(shù)據(jù)對比圖

3種統(tǒng)計指標計算結(jié)果如表6所示，夜晚無雨場景應(yīng)用該方法對減少誤差有較大幫助，但夜晚降雨時MAE反而下降，且其他兩個指標降幅較小，說明該方法對較夜晚復(fù)雜駕駛場景的適應(yīng)性有待提高，模型參數(shù)及結(jié)構(gòu)仍可改進。

表6 夜晚降雨場景下誤差對比

總結(jié)對比結(jié)果，該方法對夜晚場景的適應(yīng)性弱于白天，在車速處于60～80 km/h時，計算結(jié)果會產(chǎn)生較大的誤差，主要原因為夜晚駕駛場景復(fù)雜。通過定位誤差較大的軌跡數(shù)據(jù)點后，可知車輛大多行駛于市內(nèi)環(huán)路，晚高峰時環(huán)路承載大量車流，車輛擁堵情況嚴重，容易發(fā)生連續(xù)急減速制動行為(表7)，且連續(xù)發(fā)生頻次遠高于其他場景，此時使用本文方法容易出現(xiàn)判斷錯誤的情況。

表7 短時連續(xù)急減速制動數(shù)據(jù)示例

5 結(jié)論

目前車載自動診斷系統(tǒng)(OBD)數(shù)據(jù)廣泛應(yīng)用于交通駕駛安全領(lǐng)域研究中，本文研究中分析了大量相關(guān)數(shù)據(jù)，使用一種方法，通過建立一個覆蓋多場景多參數(shù)的模型來判斷駕駛員的急減速駕駛行為，計算制動時的急減速數(shù)值，與現(xiàn)有方法進行對比，并用實際數(shù)據(jù)進行驗證。本方法將駕駛員在城市道路中不同的駕駛場景，并分析了車輛速度從10～120 km/h的不同狀態(tài)，將參數(shù)進行組合。通過分析可以看出，白天場景下(06:00—18:00)本文方法的計算結(jié)果用于判斷急減速情況時，有相對較高的準確度，且白天中等程度的降雨對該結(jié)果的影響較小。但在夜晚(18:00—06:00)的準確度比白天稍差，其中在60～80 km/h的速度上存在相對較大的波動，且降雨場景會使該結(jié)果的誤差增大。在后續(xù)的工作中，會對目前考慮不夠充分的內(nèi)容進行深入研究，包括考慮其他類別的危險駕駛行為，為模型添加更多場景和更多參數(shù)，以提升模型的識別準確水平。