袁 田，趙 軒，劉 瑞，余 強(qiáng)，朱西產(chǎn)，王 姝

（1.長安大學(xué)汽車學(xué)院，西安 710064；2.同濟(jì)大學(xué)汽車學(xué)院，上海 201804）

前言

高級(jí)駕駛輔助系統(tǒng)正處于不斷發(fā)展的過程中，這類技術(shù)廣泛應(yīng)用的一個(gè)必要條件是在確保行駛安全性的基礎(chǔ)上，同時(shí)關(guān)注駕駛?cè)说慕邮芏群托湃味?。?dāng)駕駛輔助系統(tǒng)對車輛的控制不同于駕駛?cè)似玫牟僮鞣绞綍r(shí)，駕駛?cè)司陀锌赡芘c系統(tǒng)發(fā)生沖突，這不僅會(huì)降低駕駛?cè)藢ο到y(tǒng)的信任，還可能引發(fā)其他不可預(yù)測的風(fēng)險(xiǎn)。因此，深入理解駕駛行為并將駕駛?cè)说墓残择{駛特征融入車輛的決策與控制中，對于提高駕駛輔助系統(tǒng)的安全性和接受度具有重要意義。

交叉路口是交通事故多發(fā)的復(fù)雜場景，該區(qū)域的復(fù)雜交互特性對駕駛輔助系統(tǒng)的類人駕駛能力提出了更高的要求，因此交叉口區(qū)域的駕駛行為研究尤為重要。反應(yīng)特性是確保行駛安全、規(guī)避危險(xiǎn)的一個(gè)重要特性，研究人員對駕駛?cè)嗽诓煌旭偔h(huán)境和駕駛條件下的反應(yīng)特性進(jìn)行了研究。龍巖松等開展實(shí)車駕駛實(shí)驗(yàn)研究了信號(hào)交叉口的車輛運(yùn)行特性，其結(jié)果顯示反應(yīng)距離與初速度之間具有較高的關(guān)聯(lián)度。Sato 等研究駕駛?cè)烁嚂r(shí)的反應(yīng)距離時(shí)發(fā)現(xiàn)，兩車之間的相對距離和速度顯著影響了駕駛?cè)怂砷_加速踏板和踩下制動(dòng)踏板的位置和時(shí)間。Thapa 等評估了轉(zhuǎn)彎車輛在停車標(biāo)志控制交叉口的制動(dòng)行為，左右轉(zhuǎn)彎車輛的反應(yīng)距離無顯著差異，但路面潮濕和夜間駕駛使駕駛?cè)嗽诰嚯x交叉口更遠(yuǎn)的地方開始做出反應(yīng)。Oneyear 等建立了駕駛?cè)嗽谵r(nóng)村交叉口的制動(dòng)行為模型以確定影響反應(yīng)位置的因素，結(jié)果表明路面標(biāo)志和閃爍的信號(hào)燈會(huì)使駕駛?cè)嗽黾又苿?dòng)距離。接近速度是反映反應(yīng)特性的另一個(gè)關(guān)鍵方面。Wu 等研究右轉(zhuǎn)駕駛?cè)说鸟{駛行為時(shí)發(fā)現(xiàn)，接近速度受到信號(hào)燈狀態(tài)、車輛類型和沖突車流量的顯著影響。Berndt 等調(diào)查了紅燈階段的接近速度，駕駛?cè)烁S前車接近交叉口時(shí)速度更低。

駕駛?cè)嗽诓煌旭偔h(huán)境和駕駛條件下接近交叉口的制動(dòng)特性也得到了一定研究。El-Shawarby等研究了黃色信號(hào)燈期間的制動(dòng)特性，駕駛?cè)说钠骄鶞p速度隨著黃燈觸發(fā)時(shí)到交叉口的時(shí)間的減少而增加，隨著速度的增加而增加，而制動(dòng)反應(yīng)時(shí)間則表現(xiàn)出相反的趨勢。Haas 等評估了駕駛?cè)嗽卩l(xiāng)村十字路口的減速行為，其研究也證明了平均減速度和初速度之間的顯著相關(guān)性，Wang等則報(bào)告初速度與初始減速度、減速時(shí)間和減速距離均有相關(guān)性，高速行駛的駕駛?cè)擞懈叩某跏紲p速度，更長的減速時(shí)間和減速距離。Bao 等使用最大減速度和制動(dòng)踏板差異時(shí)間評估了駕駛?cè)嗽谕＼嚇?biāo)志控制交叉口的駕駛性能，結(jié)果表明這兩個(gè)特征受到年齡和交叉口類型（有曲線的高碰撞路口和無曲線的低碰撞路口）的顯著影響。

交叉口區(qū)域的駕駛行為受到多種因素的影響，上述研究尚不足以完全闡明駕駛?cè)嗽诟鞣N交通條件下操作車輛的方式，且已有研究多是國外學(xué)者基于本國駕駛數(shù)據(jù)的駕駛行為研究，由于數(shù)據(jù)采集技術(shù)的限制，國內(nèi)研究很少涉及駕駛?cè)嗽诔鞘薪徊婵谡Ｐ旭倳r(shí)的速度控制行為，而駕駛行為存在潛在的文化和地區(qū)差異，相關(guān)結(jié)論不能一概而論。因此，為了開發(fā)適用于我國交通環(huán)境的駕駛輔助系統(tǒng)，基于中國自然駕駛數(shù)據(jù)的駕駛行為研究具有重要意義。本文中從自然駕駛數(shù)據(jù)中提取駕駛?cè)私咏鞘薪徊婵诘鸟{駛行為片段，應(yīng)用目標(biāo)檢測算法識(shí)別交通場景中的各類道路使用者，使用接近速度和反應(yīng)距離表征反應(yīng)特性，使用制動(dòng)強(qiáng)度、減速水平和制動(dòng)時(shí)間表征制動(dòng)特性，探討駕駛?cè)嗽诓煌\(yùn)動(dòng)類型和交通密度下的反應(yīng)特性差異，分析制動(dòng)特性與車輛運(yùn)動(dòng)狀態(tài)、運(yùn)動(dòng)類型和道路使用者之間的關(guān)系，力求進(jìn)一步豐富城市交叉口的駕駛行為理論研究，并為駕駛輔助系統(tǒng)的開發(fā)和設(shè)計(jì)提供參考。

1 研究方法

1.1 自然駕駛數(shù)據(jù)

研究數(shù)據(jù)來自中國大型實(shí)車路試項(xiàng)目China-FOT，該項(xiàng)目由中瑞交通安全研究中心發(fā)起，沃爾沃汽車集團(tuán)主導(dǎo)，公路科學(xué)研究院、同濟(jì)大學(xué)等共同參與，于2014-2015年在上海進(jìn)行，共有32名駕駛?cè)藚⑴c了該項(xiàng)目，行駛環(huán)境包括高速公路和城市道路。測試車上安裝數(shù)據(jù)采集系統(tǒng)（DAS）收集車輛運(yùn)動(dòng)信息以及駕駛?cè)藢μぐ搴娃D(zhuǎn)向盤的操作信息。兩個(gè)前置攝像頭安裝在測試車外記錄行駛環(huán)境，另外兩個(gè)攝像頭安裝在測試車內(nèi)捕捉駕駛?cè)说拿娌勘砬楹湍_部動(dòng)作，如圖1 所示。本研究使用前置攝像頭中的視頻數(shù)據(jù)進(jìn)行交通目標(biāo)檢測，并從CAN-BUS中提取加速踏板位置、制動(dòng)主缸油壓、縱向加速度、速度、里程和轉(zhuǎn)向盤轉(zhuǎn)角作為觀測變量研究駕駛行為。

圖1 數(shù)據(jù)采集系統(tǒng)及其附件與車輛等：（a）數(shù)據(jù)采集系統(tǒng)；（b）攝像頭；（c）測試車；（d）視頻數(shù)據(jù)

研究隨機(jī)抽取了16 名駕駛?cè)嗽诔鞘械缆飞系淖匀获{駛數(shù)據(jù)，其中包括13 名男性，3 名女性，平均年齡32歲，每個(gè)駕駛?cè)硕加?年以上的駕駛經(jīng)驗(yàn)，年行駛里程從5 000到30 000 km不等。

1.2 交通目標(biāo)物識(shí)別

隨著深度學(xué)習(xí)和高性能計(jì)算能力的發(fā)展，基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測算法已經(jīng)取得了顯著成績，如R-CNN 系列、SSD、YOLO 系列等。此類算法已經(jīng)廣泛應(yīng)用于智能交通領(lǐng)域識(shí)別交通標(biāo)志，檢測行人和車輛。為了減少工作量，使用目標(biāo)檢測算法對交通場景中各類道路使用者進(jìn)行識(shí)別，包括車輛、行人和騎車人。首先為每一類道路使用者建立目標(biāo)標(biāo)簽，為了提高對交通場景的解析和表達(dá)能力，根據(jù)方向?qū)④囕v目標(biāo)分為3 種類型：前方、后方和側(cè)方。為了自動(dòng)定位交叉口場景，對斑馬線和信號(hào)燈進(jìn)行標(biāo)記和識(shí)別。目標(biāo)標(biāo)簽和相應(yīng)的描述見表1和圖2。

表1 目標(biāo)物標(biāo)簽和相應(yīng)的描述

圖2 車輛目標(biāo)分類和駕駛行為分析階段

選擇Faster R-CNN、SSD和YOLOv4作為目標(biāo)識(shí)別的候選算法。從自然駕駛數(shù)據(jù)的視頻中任意截取3 300張圖片，并對這些圖片中的所有目標(biāo)進(jìn)行人工標(biāo)注。然后隨機(jī)選擇3 000 張圖片作為訓(xùn)練集來訓(xùn)練3 種算法，剩下的300 張圖片作為測試集。訓(xùn)練和測試的平臺(tái)是：i7-10700KF CPU，Nvidia RTX 2070Super GPU，32 GB內(nèi)存。

上述3 種算法在China-FOT 數(shù)據(jù)集上的效果見表2。通過對比三者的識(shí)別性能和檢測效率，選擇YOLOv4 作為最終的目標(biāo)識(shí)別算法。目標(biāo)識(shí)別可視化如圖3所示。

圖3 目標(biāo)識(shí)別可視化

表2 目標(biāo)檢測算法的效果

1.3 樣本提取和行為表征

提取駕駛?cè)嗽谧杂尚旭偁顟B(tài)下接近城市交叉口的駕駛行為片段，首先根據(jù)識(shí)別的斑馬線和信號(hào)燈定位交叉口場景，然后根據(jù)速度和轉(zhuǎn)向盤轉(zhuǎn)角獲得不同運(yùn)動(dòng)類型的樣本數(shù)據(jù)，即直行通過交叉口、交叉口前停車、左轉(zhuǎn)、右轉(zhuǎn)。通過查看視頻數(shù)據(jù)對初步篩選的場景進(jìn)行驗(yàn)證，在此過程中，剔除駕駛?cè)烁S前車接近交叉口的情況和綠燈突然變紅燈的情況。與此同時(shí)，記錄駕駛?cè)送耆Ｖ购偷竭_(dá)停車線的確切時(shí)間幀。最后，基于目標(biāo)車完全停止和到達(dá)停車線的時(shí)間點(diǎn)向前20 s 提取樣本數(shù)據(jù)，以捕捉駕駛?cè)藢磳⒌絹淼慕徊婵诘姆磻?yīng)。

本研究使用的數(shù)據(jù)為城市實(shí)際交通中的自然駕駛數(shù)據(jù)，從獲取的樣本中發(fā)現(xiàn)駕駛?cè)嗽诓桓嚨那闆r下左轉(zhuǎn)通過交叉口的場景極少，因此本研究不考慮左轉(zhuǎn)駕駛情況。此外，通過對獲取的樣本初步分析發(fā)現(xiàn)，僅約40%的直行樣本中駕駛?cè)瞬扇×酥苿?dòng)措施，49%的直行樣本中駕駛?cè)送ㄟ^松開加速踏板輕微減速，11%的樣本中駕駛?cè)瞬粶p速進(jìn)入交叉口，而在停車和右轉(zhuǎn)的所有樣本中駕駛?cè)司扇×酥苿?dòng)措施，因此從整體出發(fā)，最終使用了停車和右轉(zhuǎn)的778個(gè)樣本，其中426個(gè)樣本駕駛?cè)嗽诮徊婵谥苿?dòng)停車，352 個(gè)樣本駕駛?cè)嗽诮徊婵谟肄D(zhuǎn)。根據(jù)識(shí)別的同向行駛的前車（car_rear）數(shù)量，將交通密度分為低（0～2）和高（≥3）兩個(gè)級(jí)別。

駕駛?cè)说姆磻?yīng)特性和制動(dòng)特性的表征參數(shù)和表征方法如下。

（1）第1 接近速度和第1 反應(yīng)距離：駕駛?cè)怂砷_加速踏板時(shí)的速度和停車駕駛?cè)说酵＼?、右轉(zhuǎn)駕駛?cè)说酵＼嚲€的剩余距離。松開加速踏板的時(shí)間選為駕駛?cè)俗罱K對即將到來的交叉口做出反應(yīng)的時(shí)間點(diǎn)，如圖4 所示。反應(yīng)距離計(jì)算為駕駛?cè)藦乃砷_加速踏板到停車或到停車線的行駛里程。

（2）第2 接近速度和第2 反應(yīng)距離：駕駛?cè)碎_始制動(dòng)時(shí)的速度和停車駕駛?cè)说酵＼?、右轉(zhuǎn)駕駛?cè)说酵＼嚲€的距離。開始制動(dòng)的時(shí)間選為駕駛?cè)俗畛醪认轮苿?dòng)踏板以響應(yīng)即將到來的交叉口的時(shí)刻，如圖4 所示。反應(yīng)距離計(jì)算為駕駛?cè)藦牟认轮苿?dòng)踏板到停車或到停車線的行駛里程。

圖4 駕駛?cè)瞬僮魈ぐ鍟r(shí)刻的選擇方法

（3）制動(dòng)過程的最大減速度，表征制動(dòng)強(qiáng)度。

（4）制動(dòng)過程的平均減速度，表征減速水平。

（5）制動(dòng)時(shí)間：駕駛?cè)藦拈_始制動(dòng)到停車或到停車線所使用的時(shí)間。

2 反應(yīng)特性分析

繪制累積百分比曲線分析反應(yīng)特性的分布特征。采用單因素方差分析探究反應(yīng)特性在不同運(yùn)動(dòng)類型和交通密度中的差異，Kolmogorov-Smirnov檢驗(yàn)用于檢驗(yàn)樣本是否滿足正態(tài)分布，Levene 檢驗(yàn)用于驗(yàn)證方差的齊次性。

2.1 描述統(tǒng)計(jì)分析

右轉(zhuǎn)駕駛?cè)说慕咏俣群头磻?yīng)距離的累積百分比均高于停車駕駛?cè)说睦鄯e百分比，高密度交通中的接近速度和反應(yīng)距離的累積百分比也都高于低密度交通，如圖5 和圖6 所示，這表明在右轉(zhuǎn)和高密度的交通狀態(tài)下，駕駛?cè)说慕咏俣容^低，反應(yīng)距離較短，描述統(tǒng)計(jì)結(jié)果見表3。

表3 反應(yīng)特性的描述統(tǒng)計(jì)結(jié)果

圖5 反應(yīng)特性在不同運(yùn)動(dòng)類型中的累積百分比曲線

圖6 反應(yīng)特性在不同交通密度中的累積百分比曲線

2.2 運(yùn)動(dòng)類型對反應(yīng)特性的影響分析

反應(yīng)距離的分析結(jié)果如圖7和圖8所示。首先，從圖中可以看出，接近速度和反應(yīng)距離之間具有明顯的相關(guān)性，接近速度越大，反應(yīng)距離越長。運(yùn)動(dòng)類型對駕駛?cè)说姆磻?yīng)距離有顯著影響（0.05），相比于右轉(zhuǎn)行駛，駕駛?cè)嗽诮徊婵谕＼嚂r(shí)具有更長的反應(yīng)距離，但隨著接近速度升高到一定程度，運(yùn)動(dòng)類型對反應(yīng)距離的影響不再顯著。接近速度的分析結(jié)果如圖9 和圖10 所示，無論是在低密度交通中還是在高密度交通中，駕駛?cè)怂砷_加速踏板和踩下制動(dòng)踏板時(shí)的速度在停車和右轉(zhuǎn)行駛時(shí)均沒有顯著差異（＞0.05）。

圖7 運(yùn)動(dòng)類型對第1反應(yīng)距離的影響

圖8 運(yùn)動(dòng)類型對第2反應(yīng)距離的影響

圖9 運(yùn)動(dòng)類型對第1接近速度的影響

圖10 運(yùn)動(dòng)類型對第2接近速度的影響

2.3 交通密度對反應(yīng)特性的影響分析

交通密度對停車駕駛?cè)撕陀肄D(zhuǎn)駕駛?cè)说姆磻?yīng)距離均沒有顯著影響（0.05），如圖11 和圖12 所示。2.2 節(jié)的結(jié)果顯示停車駕駛?cè)撕陀肄D(zhuǎn)駕駛?cè)说慕咏俣葲]有顯著差異，因此分析交通密度對接近速度的影響時(shí)不區(qū)分運(yùn)動(dòng)類型，結(jié)果如圖13 所示，交通密度對接近速度產(chǎn)生了顯著影響（0.05），高密度交通使駕駛?cè)私档徒咏俣?，?dāng)?shù)? 反應(yīng)距離極長時(shí)，交通密度對第1接近速度的影響不再顯著。

圖11 交通密度對第1反應(yīng)距離的影響

圖12 交通密度對第2反應(yīng)距離的影響

圖13 交通密度對接近速度的影響

3 制動(dòng)特性分析

本節(jié)建立分層線性回歸模型分析車輛運(yùn)動(dòng)狀態(tài)、運(yùn)動(dòng)類型和道路使用者對制動(dòng)特性的影響。

3.1 考慮運(yùn)動(dòng)狀態(tài)和運(yùn)動(dòng)類型的制動(dòng)特性分析

首先，以運(yùn)動(dòng)狀態(tài)和運(yùn)動(dòng)類型作為第1和第2層自變量，分別建立最大減速度、平均減速度和制動(dòng)時(shí)間的分層回歸模型，運(yùn)動(dòng)狀態(tài)為第2接近速度和第2反應(yīng)距離?；貧w分析結(jié)果見表4，表中結(jié)果為模型的未標(biāo)準(zhǔn)化系數(shù)。以運(yùn)動(dòng)狀態(tài)為自變量的模型1 均是顯著的（＜0.001），加入運(yùn)動(dòng)類型變量后（模型2），擬合優(yōu)度分別增加了0.051、0.025和0.258，值分別增加了108.792、83.270 和2 884.418，均具有統(tǒng)計(jì)學(xué)意義（＜0.001）。這表明運(yùn)動(dòng)狀態(tài)和運(yùn)動(dòng)類型均對駕駛?cè)说闹苿?dòng)特性有顯著影響，最終模型納入的3 個(gè)自變量在95%的置信水平上都是顯著的。反應(yīng)距離越長，最大減速度和平均減速度越?。ń^對值），制動(dòng)時(shí)間越長；開始制動(dòng)時(shí)的速度越高，最大減速度和平均減速度越大，制動(dòng)時(shí)間越短，與本研究結(jié)果不同的是，Wang等報(bào)告高速接近交叉口的駕駛?cè)擞懈L的減速時(shí)間，這是因?yàn)樗麄兎治鰷p速時(shí)間在不同速度區(qū)間上的分布特征時(shí)忽略了減速距離的影響，而高速行駛的駕駛?cè)送ǔ＞哂休^長的減速距離，這導(dǎo)致了較長的減速時(shí)間。與右轉(zhuǎn)駕駛?cè)讼啾?，停車駕駛?cè)说淖畲鬁p速度和平均減速度更大，且比右轉(zhuǎn)駕駛?cè)思s提前4.46 s開始制動(dòng)。

表4 考慮運(yùn)動(dòng)狀態(tài)和運(yùn)動(dòng)類型的制動(dòng)特性分析

3.2 基于停車和右轉(zhuǎn)行駛的制動(dòng)特性分析

為了分析交叉口區(qū)域的其他道路使用者對停車駕駛?cè)撕陀肄D(zhuǎn)駕駛?cè)酥苿?dòng)特性的影響，以運(yùn)動(dòng)狀態(tài)和道路使用者作為第1 和第2 層自變量分別建立基于停車和右轉(zhuǎn)行駛的分層回歸模型。道路使用者分為兩類，一類是同向行駛的前車數(shù)量，一類是行人和騎車人的數(shù)量。

停車的回歸分析結(jié)果見表5，以運(yùn)動(dòng)狀態(tài)為自變量的模型1 均是顯著的（＜0.001），加入道路使用者相關(guān)變量后（模型2），最大減速度的變化量和變化量不顯著（0.05），而平均減速度和制動(dòng)時(shí)間的變化量和變化量顯著（0.01；0.05），這表明駕駛?cè)嗽诮徊婵谥苿?dòng)停車時(shí)，除了運(yùn)動(dòng)狀態(tài)，道路使用者也對制動(dòng)特性產(chǎn)生影響，但主要影響減速水平和制動(dòng)時(shí)間而未影響制動(dòng)強(qiáng)度，隨著同向行駛的車輛變多，平均減速度減小，制動(dòng)時(shí)間變長。

表5 基于停車的制動(dòng)特性分析

右轉(zhuǎn)行駛的回歸分析結(jié)果見表6，以運(yùn)動(dòng)狀態(tài)為自變量的模型1 均是顯著的（＜0.001），加入道路使用者相關(guān)變量后（模型2），最大減速度、平均減速度和制動(dòng)時(shí)間的變化量和變化量都具有統(tǒng)計(jì)學(xué)意義（＜0.01；＜0.001；＜0.001），即駕駛?cè)嗽诮徊婵谟肄D(zhuǎn)行駛時(shí)的各項(xiàng)制動(dòng)特性都受到了運(yùn)動(dòng)狀態(tài)和道路使用者的影響，與停車不同的是，影響右轉(zhuǎn)駕駛?cè)酥苿?dòng)特性的道路使用者是行人和騎車人而非車輛，且交叉口的行人和騎車人數(shù)量越多，平均減速度和最大減速度越大，開始制動(dòng)的時(shí)間越早。

表6 基于右轉(zhuǎn)行駛的制動(dòng)特性分析

4 結(jié)論

（1）本研究從自然駕駛數(shù)據(jù)中提取了駕駛?cè)私咏鞘薪徊婵诘鸟{駛行為片段，使用YOLOv4 識(shí)別了交通場景中的各類道路使用者，在此基礎(chǔ)上探討了駕駛?cè)嗽诓煌\(yùn)動(dòng)類型和交通密度下的反應(yīng)特性差異，并分析了制動(dòng)特性與運(yùn)動(dòng)狀態(tài)、運(yùn)動(dòng)類型和道路使用者之間的關(guān)系。

（2）接近速度和反應(yīng)距離之間存在明顯的相關(guān)性，即接近速度越大，反應(yīng)距離越長。右轉(zhuǎn)駕駛?cè)伺c停車駕駛?cè)说慕咏俣葲]有顯著差異，但與右轉(zhuǎn)駕駛?cè)讼啾?，停車駕駛?cè)嗽诰嚯x交叉口更遠(yuǎn)的地方開始減速和制動(dòng)，當(dāng)接近速度增大到一定程度時(shí)，這種差異不再顯著。高密度交通使駕駛?cè)私档徒咏俣?，無論是右轉(zhuǎn)駕駛?cè)诉€是停車駕駛?cè)恕?/p>

（3）運(yùn)動(dòng)狀態(tài)是影響制動(dòng)特性最主要的因素，當(dāng)接近速度較高或反應(yīng)距離較短時(shí)，駕駛?cè)嗽诟痰臅r(shí)間內(nèi)以更高的減速水平和制動(dòng)強(qiáng)度接近交叉路口。相比于右轉(zhuǎn)駕駛?cè)?，停車駕駛?cè)说闹苿?dòng)強(qiáng)度和減速水平更高，且比右轉(zhuǎn)駕駛?cè)思s提前4.46 s 開始制動(dòng)。交叉口的道路使用者對駕駛?cè)说闹苿?dòng)特性產(chǎn)生了不同影響，停車駕駛?cè)酥饕P(guān)注同向行駛的他車，且減速水平隨著車輛的增多而降低，而右轉(zhuǎn)駕駛?cè)藙t會(huì)因行人騎車人而增大減速水平和制動(dòng)強(qiáng)度。

（4）本文中提出了新的車輛目標(biāo)分類方法，該方法有助于提高駕駛輔助系統(tǒng)的類人感知能力。研究結(jié)果豐富了國內(nèi)微觀駕駛行為的理論研究，并為交叉口駕駛輔助系統(tǒng)的類人駕駛設(shè)計(jì)提供重要參考。未來研究將進(jìn)一步考慮更多因素對交叉口駕駛行為的影響機(jī)理，并將研究結(jié)果和本文中提出的交通目標(biāo)識(shí)別方法融入交叉口駕駛輔助系統(tǒng)的設(shè)計(jì)中，構(gòu)建適用于我國駕駛環(huán)境的擬人化決策模型。