魏田正，林 淼，李晨新，朱秭碩，劉浩學，朱 彤

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

0 引言

隨經濟不斷發(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)境構成的閉環(huán)系統中，只有駕駛人具有主觀能動性，駕駛人感知、判斷及操作錯誤將直接引發(fā)交通事故[2-3]。

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

學者對道路交通危險類型進行系統分類。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及發(fā)展過程部分或完全隱藏，考驗駕駛人危險感知能力。然而，現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人危險感知能力影響：楊京帥等[12]通過將事故樹建模與實驗測試結合，分析駕駛人危險感知影響因素；David[13]運用場景實驗法比較新手與經驗駕駛人危險感知能力差異；潘留栓[14]借助眼動技術探究時間壓力對駕駛人危險感知影響；Briggs等[15]通過駕駛模擬實驗發(fā)現，分心活動會增加駕駛人危險感知反應時間；Broberg等[16]通過視覺和認知測試、車輛駕駛以及半結構化深度訪談發(fā)現，駕駛技能自我評估越準確，駕駛適應性越好；秦雅琴等[17]運用模擬仿真研究風險駕駛情景中駕駛人感知與行為關系。雖然國內外學者對駕駛人危險感知能力研究取得一定成果，但對隱性場景中駕駛人駕駛行為及駕駛人危險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，構建3種交通沖突仿真場景，開展駕駛模擬實驗，通過對駕駛人駕駛行為及危險感知能力分析，基于Bayes判別法建立駕駛人危險感知能力預測模型，以期為駕駛人安全駕駛及安全培訓提供參考和借鑒。

1 實驗設計

1.1 實驗對象

1.2 實驗場景

結合實際道路情況，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《城市道路工程設計規(guī)范》(CJJ 37—2012)道路限速60 km/h[19]，按照《城市道路交通標志和標線設置規(guī)范》(GB 51038—2015)設置標志并施劃標線[20]。道路兩邊設置樹木、路燈及建筑物，人行橫道前50 m設置注意行人標志，施工區(qū)前50 m處設置前方施工標志。駕駛車輛為普通中型轎車，初始速度為0 km/h，對向車道設置500 pcu/h交通流，通過設置動作觸發(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)、被試車輛與非機動車沖突(后文簡稱非機動車交通沖突)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，引導其至駕駛模擬器。

1)預實驗：被試在練習場景中熟悉駕駛模擬器基本操作。

2)實驗過程：被試嚴格遵守交通規(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“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)完成剩余駕駛任務。

2 駕駛危險感知評價指標

為全面體現駕駛人在危險場景中駕駛行為，選取危險事件發(fā)生位置前150 m駕駛行為數據[21]，提取行車狀態(tài)、操控及反應時相關指標。其中，行車狀態(tài)包括車輛平均速度與平均縱向加速度，反映駕駛人在危險場景中應對危險總體趨勢。操縱相關指標包括反應率、方向盤旋轉率、平均剎車深度：反應率為單個場景中作出避險反應駕駛人數與實驗總人數比值；方向盤旋轉率為方向盤轉角變化速率；平均剎車深度表示駕駛人在某場景中制動踏板力輸入值與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技術是保障無線通信網絡信息安全的有效方式，但是WPKI系統的建立需要強大的基礎設施做支撐，且其證書狀態(tài)管理難度較大、新增用戶過程較為復雜。所以，在此基礎上，一項名為IBC技術的新的無線通信網絡安全技術得到了較大的發(fā)展，并被廣泛應用于政務與私人領域。

為從微觀角度展示駕駛人危險感知特性差異，反應時相關指標選取制動反應位置與歸一化制動反應時間。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人做出有效制動反應位置差值作為制動反應位置。利用駕駛模擬器獲得場景開始時間與駕駛人有效反應時間，將2者差值作為制動反應時間，考慮駕駛人每個場景中駕駛時長不等，將制動反應時間歸一化處理，即歸一化制動反應時間等于制動反應時間與該場景持續(xù)時間比值。選用交通沖突指標TTC(Time To Collision)作為駕駛人危險感知能力評價指標，TTC數值越小，表明發(fā)生交通事故可能性越大。

3 數據分析

以駕駛人在危險場景中是否做出有效制動為依據，得到駕駛人對危險場景反應率，如圖2所示。駕駛人對隱性危險平均反應率為85.7%，對顯性危險平均反應率為66.7%。由圖2可知，在轎車、行人及非機動車交通沖突危險場景中，行人交通沖突場景反應率最高。轎車交通沖突顯性危險場景，駕駛人反應率(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，導致駕駛人有效制動反應率較低原因，提取該場景駕駛人做出有效制動時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人平均瞬時車速為46.3 km/h，采取有效制動駕駛人平均瞬時車速為59.2 km/h，結合表2，駕駛員在顯性危險場景中平均車速低于隱性危險場景，據此推測，駕駛人在顯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，駕駛人采取有效制動駕駛行為數據分析，駕駛行為指標描述性統計見表2。方差分析結果顯示：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 駕駛行為指標的描述性統計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，駕駛人隱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，駕駛人為避免與行人碰撞，將采取較大持續(xù)制動；在隱性危險場景中，由于駕駛人提前制動，且無法預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，駕駛員無轉向操作任務或彎道行駛，結合實驗觀察及原始數據分析，被試遇到危險時，大部分采用制動措施規(guī)避危險，導致車輛方向盤旋轉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時表示中等碰撞風險，危險感知能力為“中級”；TTC≥5.5 s時表示碰撞風險低，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，男性駕駛人在顯性危險場景及隱性危險場景中TTC均值大于女性，新手駕駛人在顯性危險場景及隱性危險場景中TTC均值大于經驗駕駛人TTC均值。

表3 TTC均值Table 3 Mean values of TTC

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

4 基于Bayes判別法的駕駛人危險感知判別模型

4.1 Bayes判別法

Bayes判別法首先假設有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判別函數如式(1)所示：

(1)

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

(2)

當P(G=i|X=x)=maxP(G=j|X=x)，1≤j≤k時，認為x屬于相應類i中任意一個。

4.2 構建駕駛人危險感知判別模型

將各駕駛人駕駛行為指標作為判別模型輸入，基于Bayes判別法建立駕駛人危險感知能力判別模型。由于駕駛人危險感知能力分為3個等級，故得到3個判別函數。判別函數系數見表4。其中，F1，F2，F3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、制動反應位置、平均剎車深度、方向盤旋轉率、當前車速、歸一化制動反應時間。

表4 判別函數系數Table 4 Discriminant function coefficients

4.3 危險感知判別模型驗證

采用回顧法，將樣本數據分別回代判別函數，比較3個函數值大小，將判別函數值最大的函數對應類型作為預測類型，以評價判別函數判別能力。判別模型分類結果見表5。

表5 判別模型分類結果Table 5 Classification results of discriminant model

對個案進行交叉驗證，分類結果見表6。根據表6計算，預測分類正確個案占原始個案總數77.5%，說明模型預測性能較好。

表6 交叉驗證分類結果Table 6 Classification results of cross-verify

5 結論

1)駕駛人對隱性危險場景反應率高于顯性危險場景。在被試車輛分別與轎車、行人、非機動車發(fā)生交通沖突危險駕駛場景中，與行人發(fā)生交通沖突反應率最高。

2)駕駛人在隱性危險場景中平均車速較高，且制動反應位置距離危險源較遠。

3)以交通沖突指標TTC衡量駕駛人危險感知能力,駕駛人在隱性危險場景中TTC值低于顯性危險場景，且3種類型交通沖突場景中，駕駛人對行人的危險感知最弱。

4)基于Bayes建立駕駛人危險感知能力判別模型，模型交叉驗證正確為77.5%，能較好判別駕駛人危險感知能力。