交通規(guī)則強(qiáng)約束下瞬態(tài)行車風(fēng)險(xiǎn)矢量建模方法研究

摘 要：為規(guī)避或緩解紅綠燈路口前車停車讓行時(shí)遭到失控后車追尾的嚴(yán)重事故，基于前序研究建立的行車風(fēng)險(xiǎn)場(chǎng)力的基本模型，提出了行車風(fēng)險(xiǎn)的矢量場(chǎng)建模方法。設(shè)計(jì)了無信號(hào)燈交叉路口場(chǎng)景，并進(jìn)行6組不同狀態(tài)下的行車安全場(chǎng)仿真計(jì)算；設(shè)計(jì)了紅綠燈路口前車停車讓行時(shí)即將遭到失控后車追尾的危險(xiǎn)場(chǎng)景，分析了直行、左轉(zhuǎn)、右轉(zhuǎn)和掉頭等4種不考慮道路交通規(guī)則約束的避險(xiǎn)路徑，對(duì)比分析了12組不同狀態(tài)下的行車風(fēng)險(xiǎn)場(chǎng)力分布。結(jié)果表明：所提模型可以有效辨識(shí)行車風(fēng)險(xiǎn)，自車掉頭進(jìn)入另一側(cè)車道的避險(xiǎn)方案最佳，且當(dāng)車速為3 m/s時(shí)能將整體風(fēng)險(xiǎn)降低67.41%。

關(guān)鍵詞：自動(dòng)駕駛；行車風(fēng)險(xiǎn)；矢量建模；行車安全場(chǎng)

Research on transient driving risk vector modeling method under strong constraints of traffic regulations

Abstract： To mitigate or alleviate the occurrence of serious accidents where a preceding vehicle stops to yield at a traffic light intersection and was rear-ended by an out-of-control vehicle， a vector field modeling method for vehicle risk was proposed based on the fundamental model of driving risk field force established in the previous studies. An intersection scenario without traffic signals was designed and the safety simulations was conducted under six driving conditions. A dangerous scenario was developed， where a vehicle at a traffic light intersection was at risk of being rear-ended by an out-of-control following vehicle; then， four evasive maneuvers （going straight， turning left， turning right， and making a U-turn） was analyzed without considering road traffic regulations; finally， the force distribution of driving risks across twelve conditions were compared and analyzed. The results show that the proposed model can effectively identify driving risks. The evasive maneuver of the vehicle making a U-turn into the opposite lane is the most optimal， reducing overall risk by 67.41% when the speed is 3 m/s.

Key words： autonomous driving; driving risk; vector modeling; driving safety field

自動(dòng)駕駛技術(shù)能夠提高車輛的行車安全性，減少交通事故的發(fā)生和傷害。但現(xiàn)有的自動(dòng)駕駛技術(shù)大多以遵守交規(guī)約束為原則，以減少自車風(fēng)險(xiǎn)為目標(biāo)，開發(fā)出諸如降低縱向風(fēng)險(xiǎn)的自動(dòng)緊急制動(dòng)系統(tǒng) （autonomous emergency braking，AEB）、 自適 應(yīng) 巡航 控制系統(tǒng) （adaptive cruise control，ACC） 等，降低橫向風(fēng)險(xiǎn)的車道保持輔助系統(tǒng) （lane keeping assist system，LKA）、并線輔助系統(tǒng) （lane change assistant，LCA） 等多類高級(jí)駕駛輔助系統(tǒng)。然而由于道路現(xiàn)場(chǎng)的復(fù)雜性和交規(guī)的強(qiáng)約束性，現(xiàn)有的駕駛輔助系統(tǒng)仍難應(yīng)對(duì)復(fù)雜的特殊場(chǎng)景，自動(dòng)駕駛技術(shù)在實(shí)際應(yīng)用中仍將面臨諸多技術(shù)挑戰(zhàn)。

交通規(guī)則強(qiáng)約束下的惡性行車風(fēng)險(xiǎn)辨識(shí)與規(guī)避即是自動(dòng)駕駛技術(shù)在實(shí)際應(yīng)用中面臨的挑戰(zhàn)之一。自動(dòng)駕駛汽車事故數(shù)據(jù)^{[1] 顯示：因其他道路交通參與者追尾導(dǎo)致事故占比接近 70%，且主要為自動(dòng)駕駛汽車在交叉口處保持禮讓時(shí)被其他道路交通參與者追尾碰撞?？梢娮詣?dòng)駕駛汽車雖能通過感知器及時(shí)探測(cè)到后方來車，但在交通規(guī)則強(qiáng)約束下 （ 如紅燈和實(shí)線），難以采取加速或變道規(guī)避追尾。}

對(duì)行車風(fēng)險(xiǎn)進(jìn)行準(zhǔn)確的量化評(píng)估是解決這一問題的前提，行車風(fēng)險(xiǎn)通常來源于內(nèi)部原因 （ 車輛層面 ） 和外部原因（ 環(huán)境層面） [^2]。內(nèi)部原因與零部件的失靈、故障和失效等有關(guān)，而外部原因大多是由于車輛和環(huán)境的條件影響或發(fā)生意外所致。對(duì)自動(dòng)駕駛汽車的行車風(fēng)險(xiǎn)進(jìn)行實(shí)時(shí)量化評(píng)估，以避免外部原因造成碰撞事故一直是研究的熱點(diǎn)^[3]。由于道路交通環(huán)境具有時(shí)變、多因素耦合的特性，對(duì)于危害分析與風(fēng)險(xiǎn)評(píng)估 （hazard analysis and risk assessment，HARA） [4^]、失效模式與影響分析 （failure mode and effects analysis，F(xiàn)MEA） [^5]等基于過程的風(fēng)險(xiǎn)評(píng)估方法，通常以提供定性結(jié)果的方式輸出評(píng)估結(jié)果，難以滿足自動(dòng)駕駛行車風(fēng)險(xiǎn)評(píng)估的實(shí)時(shí)性需求，因此通常采用基于模型的方法進(jìn)行自動(dòng)駕駛汽車行車風(fēng)險(xiǎn)定量評(píng)估。

基于模型的行車風(fēng)險(xiǎn)量化評(píng)估方法通常利用數(shù)學(xué)模型建立相應(yīng)的風(fēng)險(xiǎn)評(píng)估指標(biāo)，如：安全距離^[6]、碰撞時(shí)間（time to collision，TTC） [7^]、碰撞時(shí)間倒數(shù)（time to collision inverse，TTCi） ^[8]、車頭時(shí)距（time headway， THW） [^9]以及THW和TTC的聯(lián)合函數(shù)等^[10]，用以量化車-車、車-環(huán)境之間的行車風(fēng)險(xiǎn)；或者在建立縱橫向自動(dòng)駕駛汽車控制模型時(shí)，利用考慮車輛位置、道路路徑和輪胎滑移角的成本函數(shù)^[11]進(jìn)行行車風(fēng)險(xiǎn)評(píng)估，以實(shí)現(xiàn)安全機(jī)動(dòng)和避免碰撞。前者這類風(fēng)險(xiǎn)評(píng)估指標(biāo)通常只針對(duì)車輛行駛的縱向或橫向的一維行車風(fēng)險(xiǎn)量化評(píng)估，而后者這類成本函數(shù)本質(zhì)上是對(duì)風(fēng)險(xiǎn)的定性度量，其目標(biāo)是優(yōu)化和控制，而不是直接量化與環(huán)境因素發(fā)生沖突的風(fēng)險(xiǎn)。

基于概率對(duì)行車風(fēng)險(xiǎn)進(jìn)行建模同樣能用于自動(dòng)駕駛行車風(fēng)險(xiǎn)評(píng)估，通過考慮車輛運(yùn)動(dòng)狀態(tài)和碰撞時(shí)間，來描述發(fā)生碰撞的概率，以此評(píng)估自動(dòng)駕駛的行車風(fēng)險(xiǎn)^[12-13]。C. Katrakazas 等 ^{[12] 使用動(dòng)態(tài) Bayes 網(wǎng)絡(luò)方法對(duì)行車風(fēng)險(xiǎn)進(jìn)行量化評(píng)估，但這種方法過于依賴于先前的時(shí)間戳，無法確定其先前的風(fēng)險(xiǎn)權(quán)重。P. Ledent則[13] 基于條件 Monte Carlo 密集占用跟蹤器框架，使用車輛與道路交通環(huán)境中的其他物體之間碰撞風(fēng)險(xiǎn)的概率來描述自動(dòng)駕駛汽車的行車風(fēng)險(xiǎn)，雖然能夠很好地進(jìn)行實(shí)時(shí)評(píng)估，但由于其只考慮了碰撞的概率，因此難以描述風(fēng)險(xiǎn)的危險(xiǎn)程度。}

為了更形象直觀地描述行車風(fēng)險(xiǎn)，倪代恒 ^[14] 引入場(chǎng)論對(duì)行車風(fēng)險(xiǎn)進(jìn)行量化建模，將行車風(fēng)險(xiǎn)描述為風(fēng)險(xiǎn)排斥力，并建立了一個(gè)簡(jiǎn)單而有效的交通流模型 ^[15]，但該模型未體現(xiàn)人、車和路中多因素對(duì)行車風(fēng)險(xiǎn)的影響。在此基礎(chǔ)上，清華大學(xué)王建強(qiáng)團(tuán)隊(duì)提出行車安全場(chǎng)概念^[16]，通過考慮人、車和路中各要素對(duì)行駛風(fēng)險(xiǎn)的影響，建立了一種不同于 TTC、TTCi、THW 等傳統(tǒng)行車風(fēng)險(xiǎn)評(píng)估指標(biāo)的新指標(biāo)—相對(duì)駕駛安全指數(shù) （relative driving safety index，RDSI），并用實(shí)車驗(yàn)證了其在縱、橫向行車風(fēng)險(xiǎn)評(píng)估中具有的良好效果 ^[17]，然而該模型中待定參數(shù)眾多，且難以標(biāo)定。為解決行車安全場(chǎng)方法參數(shù)多、難標(biāo)定的問題，作者在前期研究^{[17] 的基礎(chǔ)}上，從能量轉(zhuǎn)移理論的角度出發(fā)，將車輛的動(dòng)能轉(zhuǎn)化為等效力，同時(shí)考慮車輛類型、運(yùn)動(dòng)狀態(tài)、位置信息以及轉(zhuǎn)向概率等因素建立等效力模型 ^[18]，仿真實(shí)驗(yàn)結(jié)果驗(yàn)證了模型實(shí)時(shí)量化行車風(fēng)險(xiǎn)的有效性，但該模型僅考慮車輛行駛方向上的風(fēng)險(xiǎn)。

綜上所述，現(xiàn)有研究對(duì)行車風(fēng)險(xiǎn)的量化評(píng)估做了大量工作，但大多未考慮車輛狀態(tài)實(shí)時(shí)變化下行車風(fēng)險(xiǎn)建模方法的瞬時(shí)特性。因此，應(yīng)對(duì)交通規(guī)則強(qiáng)約束下的惡性風(fēng)險(xiǎn)時(shí)，現(xiàn)有方法無法確定是否必須在某些情況下暫時(shí)突破交通法規(guī)的約束，也無法有效判斷何時(shí)進(jìn)行這種突破，以規(guī)避潛在的致命事故。因此，本文通過以場(chǎng)的形式描述自動(dòng)駕駛車輛受外界的風(fēng)險(xiǎn)影響，構(gòu)建考慮風(fēng)險(xiǎn)源、風(fēng)險(xiǎn)梯度和風(fēng)險(xiǎn)邊界的矢量表達(dá)，并設(shè)計(jì)惡性行車風(fēng)險(xiǎn)場(chǎng)景，通過對(duì)行車風(fēng)險(xiǎn)的準(zhǔn)確量化，分析不同決策方案下自動(dòng)駕駛車輛所受風(fēng)險(xiǎn)的變化趨勢(shì)，獲得該場(chǎng)景中惡性行車風(fēng)險(xiǎn)的最優(yōu)規(guī)避方案，為交通規(guī)則強(qiáng)約束下的惡性行車風(fēng)險(xiǎn)規(guī)避提供思路和方法。

1"" 行車風(fēng)險(xiǎn)的矢量場(chǎng)構(gòu)建

1.1"" 行車風(fēng)險(xiǎn)場(chǎng)力的基本模型

通過分析碰撞過程中力做功和能量轉(zhuǎn)化之間的關(guān)系，作者在前序研究中提出了等效力思想 ^[20-19]。自車 i受到他車 j 的風(fēng)險(xiǎn)等效力 F_ji 可以表示為

其中： E_j、m_j和v_j分別表示他車j的動(dòng)能、質(zhì)量和運(yùn)動(dòng)速度；d_ji為他車j與自車i的相對(duì)距離。

在跟車場(chǎng)景中，當(dāng)他車 j 為后車，自車 i 為前車時(shí)，式（1） 還能寫為

其中，THW_ji 為后車 j 與前車 i 的車頭時(shí)距。

很容易看出，風(fēng)險(xiǎn)等效力 F_ji 不僅車j 的速度有關(guān)，也與兩車的車頭時(shí)距有關(guān)，同時(shí)還與車j 的類型有關(guān)，即對(duì)于不同質(zhì)量的車輛 j，在同樣場(chǎng)景下，其對(duì)外界造成的風(fēng)險(xiǎn)不同。

按照等效力模型的思想 ^[19-20]，車輛 j 對(duì)無窮遠(yuǎn)處的觀察者也有力的作用，即車輛 j 對(duì)外界造成的風(fēng)險(xiǎn)影響到了無窮遠(yuǎn)處，顯然，這不僅不符合常理，也不符合駕駛?cè)藢?duì)行車風(fēng)險(xiǎn)的主觀感受。因此，作者對(duì)等效力模型進(jìn)行了簡(jiǎn)單的修正，形成行車風(fēng)險(xiǎn)場(chǎng)力的基本模型 ^[21]，即：

其中：r=k x +k y ，k 和k 分別為風(fēng)險(xiǎn)的縱向、橫向梯度調(diào)整系數(shù)，x_ji和y_ji分別為他車j與自車i在車j坐標(biāo)系下的縱向、橫向相對(duì)距離；r_e為單位長(zhǎng)度，即r_e =1 m；r_max為自由流車輛間距，用以表示風(fēng)險(xiǎn)最大影響范圍；r_min是確定F 分段函數(shù)拐點(diǎn)的值。r"""" 和r" 可表達(dá)為^[21]：

其中：v 是自由流流速，r 為駕駛?cè)藢?duì)風(fēng)險(xiǎn)的關(guān)注范圍；若r_ji≤r_o，表明駕駛?cè)藢?duì)該范圍內(nèi)的風(fēng)險(xiǎn)關(guān)注度高，風(fēng)險(xiǎn)值較大，風(fēng)險(xiǎn)隨距離增大而下降的梯度也較緩；反之，若r_ji≥r_o，則表明駕駛?cè)藢?duì)該范圍內(nèi)的風(fēng)險(xiǎn)關(guān)注度低，風(fēng)險(xiǎn)值較小，風(fēng)險(xiǎn)隨距離增大而下降的梯度更劇烈，與駕駛?cè)说母嚲嚯x有關(guān)^[21]。

其中：v為交通流流速；γ為駕駛?cè)说恼w激進(jìn)性，取 γ∈[-0.03，0] s²/m^[15]，γ越小代表駕駛?cè)思みM(jìn)程度越高，即跟車距離越??；τ為平均反應(yīng)時(shí)間，取τ = 1 s^[15]；l為有效車長(zhǎng)。

基于行車風(fēng)險(xiǎn)的基本模型，若他車 j 的坐標(biāo)為 （0，0），質(zhì)量 m_j = 1 500 kg，速度 v_j = 20 m/s，速度方向沿 X 軸正方向時(shí)，他車j 對(duì)外界造成的風(fēng)險(xiǎn)場(chǎng)力分布如圖6 所示。

從圖中可以看出，風(fēng)險(xiǎn)場(chǎng)力的分布較符合駕駛?cè)说闹饔^感受。然而，行車風(fēng)險(xiǎn)場(chǎng)力的基本模型未考慮車車之間的交互，更沒有考慮車速之間存在矢量夾角的情況，難以描述鄰車換道切入時(shí)對(duì)自車造成風(fēng)險(xiǎn)的瞬時(shí)變化，更不能描述十字路口場(chǎng)景中不同行駛方向上車輛之間的風(fēng)險(xiǎn)分布。為了建立一種能夠更好地描述空間上任意 2 個(gè)運(yùn)動(dòng)物體之間的風(fēng)險(xiǎn)量化模型，作者在本研究中對(duì)行車風(fēng)險(xiǎn)場(chǎng)力的基本模型進(jìn)行了進(jìn)一步的改進(jìn)。

1.2"" 行車風(fēng)險(xiǎn)的矢量場(chǎng)建模方法

為實(shí)現(xiàn)量化空間上任意2個(gè)運(yùn)動(dòng)物體之間的風(fēng)險(xiǎn)，本研究分析交叉路口場(chǎng)景中的車?車交互關(guān)系如圖1所示。

其中：車 i 為自車，車 j 為他車。2 車分別以 v_i 和 v_j 的矢量速度向路口行駛，因此 2 車的相對(duì)速度 v_ji 為

v_ji=v_j-v_{i" " （7）}

若以車 j 坐標(biāo)為原點(diǎn)，沿 2 車的相對(duì)速度 v_ji 方向建立坐標(biāo)軸 x^ji，垂直于 x^ji 軸方向建立坐標(biāo)軸 y ^ji，可以看到，v 與車j 之間連線 d 與 x 軸存在夾角 θ ，顯然θ_ji 越小自車 i 受到他車j 的風(fēng)險(xiǎn)越大。θ_ji 與 2 車的位置和速度有關(guān)。

為了實(shí)現(xiàn) F = -F ，引入約化質(zhì)量，將模型修正如下：

其中：

M_ji表示自車 i 和他車j 的約化質(zhì)量；m_i和m_j分別是自車 i和他車j 的質(zhì)量；r_o是跟車距離；k_x和k_y分別是縱橫向梯度系數(shù)；x' 和y' 分別是自車和他車在x坐標(biāo)系下的縱橫向相對(duì)距離；r_max是風(fēng)險(xiǎn)在縱向上的影響范圍。

若車輛j和車輛i的實(shí)際大地坐標(biāo)分別為（x_j，y_j）和（x_i，y_i），那么在車輛j坐標(biāo)系下車輛j和車輛i的坐標(biāo)為（0，0）和（x_i ? x_j，y_i ? y_j ），在如圖1所示的x jy 坐標(biāo)系下，車輛j的坐標(biāo)依然是（0，0），而車輛i的坐標(biāo)為：

從式 （8）? 式 （12） 可以看出，由于模型中包含了車輛i 和j 的質(zhì)量和速度，并且還考慮了2 輛車之間的矢量相對(duì)速度，很明顯，車輛 j 施加在車輛 i上的虛擬風(fēng)險(xiǎn)力與車輛 i 施加在車輛 j 上的虛擬風(fēng)險(xiǎn)力大小相等，方向相反，即 F_ji = -F_ij，滿足牛頓第三定律。

2" ""無信號(hào)燈交叉路口車輛交互風(fēng)險(xiǎn)的矢量場(chǎng)仿真

為了驗(yàn)證模型的有效性，設(shè)計(jì)如下2 個(gè)無信號(hào)燈交叉路口場(chǎng)景，如圖 2 所示。

場(chǎng)景 1 ：他車 j 自西向東勻速行駛，自車 i 自南向北勻速行駛。

場(chǎng)景 2 ：他車 j₁ 西向東勻速行駛，他車j₂ 自東向西勻速行駛，自車i 自南向北勻速行駛。

在圖2a所示的場(chǎng)景中，設(shè)置車輛j 和車輛i 的坐標(biāo)分別為[-20，-2]和[2，-24]，車輛 j 的速度為[20，0] m/s。當(dāng)車輛i 的速度分別為[0，0]、[0，10]和[0，20] m/s時(shí)，行車風(fēng)險(xiǎn)場(chǎng)場(chǎng)力分布圖如圖3a、3b、3c所示。圖中的紅點(diǎn)表示車輛i 的當(dāng)前位置。當(dāng)v_i = [0，0] m/s，即車輛 i 靜止時(shí)，車輛 j 對(duì)車輛i 形成的行車安全場(chǎng)沿著車輛j 的行駛方向上，此時(shí)車輛i 受到車輛j 的風(fēng)險(xiǎn)作用力為零，即F = 0 N；隨著速度v_i的增加到v_i = [0，10] m/s時(shí)，在此瞬時(shí)工況下，車輛 j 對(duì)車輛i 產(chǎn)生的行車風(fēng)險(xiǎn)場(chǎng)順時(shí)針偏轉(zhuǎn)，指向兩車矢量相對(duì)速度的方向上。此時(shí)車輛 i 受到車輛 j 的風(fēng)險(xiǎn)有增加的趨勢(shì)，但車輛 i 受到車輛 j 的風(fēng)險(xiǎn)作用力仍為零，即F_ji = 0 N。通過計(jì)算發(fā)現(xiàn)，如果車輛 i 和車輛j 按照當(dāng)前的狀態(tài)行駛，車輛 j 和 i 分別在1.1 s和2.2 s后到達(dá)兩車的軌跡交叉點(diǎn)，行駛過程安全。但當(dāng)v_i繼續(xù)增大，達(dá)到 v_i = [0，20] m/s時(shí)，車輛 j 對(duì)車輛 i 產(chǎn)生的行車風(fēng)險(xiǎn)場(chǎng)沿著車輛j 和i 坐標(biāo)的連線，車輛 i 受到車輛j 的風(fēng)險(xiǎn)作用力陡增，達(dá)到F_ji = 1.890 kN。通過計(jì)算發(fā)現(xiàn)，如果車輛 i 和車輛j 按照當(dāng)前的狀態(tài)行駛，車輛j 和i 將在1.1 s后相撞，此時(shí)如果車輛i 提前制動(dòng)減速，則可以避免事故發(fā)生。

在如圖2b所示的場(chǎng)景中，設(shè)置車輛j₁、j₂和車輛i 的坐標(biāo)分別為[-20，-2]、[16，2]和[2，-24]，車輛j₁和j₂的速度為[20，0]和[-10，0]。當(dāng)車輛 i 的速度分別為[0，0]、[0，10]和 [0，20] m/s時(shí)，行車風(fēng)險(xiǎn)場(chǎng)場(chǎng)力分布圖如4a、4b、4c所示。圖中的紅點(diǎn)表示車輛i 的當(dāng)前位置。當(dāng)v_i = [0，0] m/s，即車輛i 靜止時(shí)，車輛j₁、j₂對(duì)車輛 i 形成的行車安全場(chǎng)沿著車輛j₁和j₂的行駛方向，此時(shí)車輛 i 受到車輛j₁和j₂的行車風(fēng)險(xiǎn)場(chǎng)場(chǎng)力均為零，即行車風(fēng)險(xiǎn)場(chǎng)場(chǎng)力標(biāo)量和F_ji = 0 N；隨著速度v_i的增加到v_i = [0，10] m/s時(shí)，在此瞬時(shí)工況下，車輛j₁和j₂對(duì)車輛i 產(chǎn)生的行車風(fēng)險(xiǎn)場(chǎng)分別順時(shí)針和逆時(shí)針偏轉(zhuǎn)，分別指向各自矢量相對(duì)速度的方向上。此時(shí)車輛i到車輛 j₁和j₂的風(fēng)險(xiǎn)有增加的趨勢(shì)，但目前車輛 i 受到車輛j₁和j₂的風(fēng)險(xiǎn)作用力仍為零，即F_ji = 0 N，通過計(jì)算發(fā)現(xiàn)，如果車輛i 和車輛j 按照當(dāng)前的狀態(tài)行駛，車輛j₁和i 分別在1.1 s和2.2 s后到達(dá)兩車的軌跡交叉點(diǎn)，車輛j₂和i 分別在1.4 s和2.8 s后到達(dá)兩車的軌跡交叉點(diǎn)，行駛過程安全。但當(dāng)v_i繼續(xù)增大，達(dá)到v_i = [0，20] m/s時(shí)，車輛j₁和j₂對(duì)車輛i產(chǎn)生的行車風(fēng)險(xiǎn)場(chǎng)分別沿著車輛j₁、j₂和i 坐標(biāo)的連線，車輛i受到車輛j₁和j₂的風(fēng)險(xiǎn)作用力陡增，達(dá)到F_ji = 3.100 kN，通過計(jì)算發(fā)現(xiàn)，如果車輛 i 和車輛j 按照當(dāng)前的狀態(tài)行駛，車輛j₁、j₂和i 將分別在1.1 s和1.4 s后相撞，此時(shí)如果車輛i 提前制動(dòng)減速，則可以避免事故發(fā)生。

3" ""交通規(guī)則強(qiáng)約束下的危險(xiǎn)場(chǎng)景風(fēng)險(xiǎn)規(guī)避分析

通常車輛在交通規(guī)則強(qiáng)約束下（ 紅燈、實(shí)線等 ） 被他車追尾撞擊往往后果嚴(yán)重，如 5 所示，圖中幾輛前車都分別面臨紅燈和實(shí)線的縱、橫向約束，不能隨意變道躲避。傳統(tǒng)車輛由于駕駛?cè)说淖⒁饬Υ蠖嗉性谛旭偟恼胺?，加之交通法?guī)認(rèn)定后車撞前車的追尾事故是后車全責(zé)，因此駕駛?cè)嗽诖藞?chǎng)景下通常不會(huì)刻意關(guān)注后車，難及時(shí)辨識(shí)后方危險(xiǎn)。自動(dòng)駕駛汽車雖能通過雷達(dá)、攝像頭等感知器及時(shí)探測(cè)到后方來車，但在交通規(guī)則強(qiáng)約束下，難以精準(zhǔn)辨識(shí)能造成致命損失的惡性行車風(fēng)險(xiǎn)，造成在現(xiàn)有的決策框架下自動(dòng)駕駛汽車難以自主加速或變道規(guī)避追尾。

針對(duì)圖 5 所示的路口后車失控追尾場(chǎng)景，為提高此場(chǎng)景中前車的安全性，實(shí)現(xiàn)緊急避險(xiǎn)，設(shè)計(jì)場(chǎng)景 3，如圖 6 所示。

設(shè)計(jì)場(chǎng)景 3 ：他車 j₁ 自西向東勻速正常行駛，他車 j₂ 自東向西勻速正常行駛，他車j₃ 自南向北勻速行駛并無減速趨勢(shì)，自車 i 在路口遵守紅燈保持停車禮讓，且自車 i 是他車 j₃ 的前車。

在此場(chǎng)景中，如果自車 i 為自動(dòng)駕駛車輛，其能夠通過車載傳感器感知到車輛 j₁、j₂ 和j₃ 的坐標(biāo)和速度，理應(yīng)采用自動(dòng)駕駛技術(shù)進(jìn)行安全避障，以避免后車j₃追尾事故發(fā)生；但由于前方亮起紅燈，右側(cè)為道路邊界，左側(cè)為交通實(shí)線，現(xiàn)有嚴(yán)格遵守交通法規(guī)的自動(dòng)駕駛汽車在此場(chǎng)景下難以自主加速或變道規(guī)避追尾，其原因在于：1） 精準(zhǔn)辨識(shí)能造成致命損失的惡性行車風(fēng)險(xiǎn)難度大；2） 交通規(guī)則強(qiáng)約束下規(guī)避惡性行車風(fēng)險(xiǎn)的決策難度大。

設(shè)置車輛 j₁、j₂、j₃ 和車輛i 的坐標(biāo)分別為 [-20，-2]、 [16，2]、[2，-20] 和 [2，-5]，車輛 j₁、j₂ 和j₃ 的速度分別為 [20，0]、[-10，0] 和 [0，20] m/s。由于此時(shí)是紅燈，當(dāng)自車 i停止在 [2，-5] 處禮讓車輛 j₁、j₂ 時(shí)，按照對(duì)車輛 j₃ 位置和速度的設(shè)置，0.75 s 后車輛 j 將追尾自 i，此時(shí)車輛 j₁、j₂、j₃ 對(duì)車輛 i 產(chǎn)生的行車風(fēng)險(xiǎn)場(chǎng)場(chǎng)力標(biāo)量和為 F_ji = 6.411 kN。在此場(chǎng)景中，車輛 j₁、j₂ 對(duì)自車 i 的風(fēng)險(xiǎn)影響很小，分別為 F_j1i = 0.469 kN，F_j2i = 0，而主要的行車風(fēng)險(xiǎn)場(chǎng)場(chǎng)力來自車輛 j ，F = 4.942 kN?？偟男熊囷L(fēng)險(xiǎn)場(chǎng)場(chǎng)力分布情況如圖 7 所示。

將 4 個(gè)場(chǎng)景中自車 i 所受他車j₁、j₂、j₃ 的風(fēng)險(xiǎn)力F_j1i、F_j2i、F_j3i 以及標(biāo)量合力 F_ji 的仿真結(jié)果數(shù)值提取出來得到表 1。

從數(shù)據(jù)中可以看出：

在直行場(chǎng)景中，雖然隨著自車 i 的速度增加，其受到的來自后車 j₃ 的行車風(fēng)險(xiǎn)場(chǎng)場(chǎng)力 F_j3i 有所減小，在1、2、3 m/s 的 3 個(gè)車速下，F_j3i 分別降低了0.579、1.129、 1.649 kN，然而，總體行車風(fēng)險(xiǎn)的標(biāo)量和 F_ji 卻沒有下降，反而有所增加，F_ji 分別增長(zhǎng)了0.088、0.481、0.410 kN，風(fēng)險(xiǎn)降低率分別為 -1.37%、-7.50%、-6.40%，這是由于自車i 在直行過程中受到他車 j₁、j₂ 帶來的行車風(fēng)險(xiǎn)增加所致，在此場(chǎng)景中主要受他車 j₁ 的風(fēng)險(xiǎn)影響。顯然直行通過路口不是一個(gè)好的決策方案。

在左轉(zhuǎn)場(chǎng)景中，隨著自車 i 的速度增加，其受到的來自后車j₃ 的行車風(fēng)險(xiǎn)場(chǎng)場(chǎng)力F_j3i 分別降低了1.068、 2.715、4.068 kN，規(guī)避后車j₃ 的行車風(fēng)險(xiǎn)效果顯著。然而，總體行車風(fēng)險(xiǎn)的標(biāo)量和 F_ji 下降的幅度只達(dá)到了F_j3i 降幅的一半，分別為 0.551、1.451、1.901 kN，風(fēng)險(xiǎn)降低率分別為 8.60%、22.63%、29.65%。這是由于自車 i 在直行過程中受到他車 j₁、j₂ 帶來的行車風(fēng)險(xiǎn)增加所致，在此場(chǎng)景中主要受他車j₁ 的風(fēng)險(xiǎn)影響。顯然左轉(zhuǎn)通過路口也不是一個(gè)好的決策方案。

在右轉(zhuǎn)場(chǎng)景中，隨著自車 i 的速度增加，其受到的來自后車j₃ 的行車風(fēng)險(xiǎn)場(chǎng)場(chǎng)力F_j3i 分別降低了0.951、 2.420、3.754 kN，規(guī)避后車 j₃ 的行車風(fēng)險(xiǎn)相比左轉(zhuǎn)場(chǎng)景效果有所降低，但比直行場(chǎng)景效果更佳。總體行車風(fēng)險(xiǎn)的標(biāo)量和 F_ji 分別下降了0.458、1.232、2.166 kN，風(fēng)險(xiǎn)降低率分別為 7.15%、19.21%、33.78%。這主要由于自車 i 在直行過程中受到他車 j₁ 帶來的行車風(fēng)險(xiǎn)增加所致，因此右轉(zhuǎn)通過路口也不是一個(gè)好的決策方案。

在掉頭場(chǎng)景中，隨著自車 i 的速度增加，其受到的來自后車j₃的行車風(fēng)險(xiǎn)場(chǎng)場(chǎng)力F_j3i分別降低了1.310、 3.247、4.473 kN，規(guī)避后車j₃ 的行車風(fēng)險(xiǎn)的效果最顯著。雖然隨著車速的增加，他車 j₁ 帶來的行車風(fēng)險(xiǎn)F_j1i也有所增加，但幅度較小，分別為0.048、0.098、0.151 k。因此總體行車風(fēng)險(xiǎn)的標(biāo)量和F_ji的降幅也很顯著，分別為 1.262、3.148、4.322 kN，風(fēng)險(xiǎn)降低率分別為19.68%、49.11%、67.41%，因此掉頭進(jìn)入另一側(cè)車道是一個(gè)較好的決策方案。

從總體的仿真結(jié)果上看，在面臨后車j₃失控追尾的情況下，自車 i 起步加速直行經(jīng)過路口雖然能夠減少后車j₃ 帶來的行車風(fēng)險(xiǎn)，但由于受車輛動(dòng)力學(xué)約束，自車從起步開始到達(dá)某一速度需要一定時(shí)間，因此后車 j₃ 造成的行車風(fēng)險(xiǎn)場(chǎng)場(chǎng)力F_j3i下降趨勢(shì)不明顯。而左轉(zhuǎn)或右轉(zhuǎn)通過路口對(duì)于規(guī)避后車 j₃的行車風(fēng)險(xiǎn)效果雖然較好，但受到他車j₁、j₂ 帶來的行車風(fēng)險(xiǎn)有所增加，導(dǎo)致總體行車風(fēng)險(xiǎn)值下降的幅度不大。事實(shí)上，人類駕駛?cè)嗽谧筠D(zhuǎn)通過無保護(hù)的路口時(shí)也較棘手，那么對(duì)于自動(dòng)駕駛汽車而言，左轉(zhuǎn)通過無保護(hù)的路口通常是一項(xiàng)很大的挑戰(zhàn)。因?yàn)樽筠D(zhuǎn)時(shí)會(huì)受到他j₁、j₂ 的風(fēng)險(xiǎn)影響，而這種風(fēng)險(xiǎn)往往具有隨機(jī)性和不確定性。從仿真數(shù)據(jù)上看，在當(dāng)前的瞬時(shí)狀態(tài)下，自車i 掉頭到另一側(cè)車道上是最優(yōu)的選擇。

4"" 結(jié)""" 論

本研究針對(duì)紅綠燈路口前車停車讓行時(shí)遭到失控后車追尾容易造成嚴(yán)重事故這一現(xiàn)象，為規(guī)避此場(chǎng)景中的事故或緩解事故造成的損失，研究了自動(dòng)駕駛車輛所受行車風(fēng)險(xiǎn)的矢量建模方法，討論了行車狀態(tài)時(shí)變下行車風(fēng)險(xiǎn)建模方法的瞬時(shí)特性。

研究表明所提出的行車風(fēng)險(xiǎn)的矢量場(chǎng)建模方法能夠清晰的表明道路交通環(huán)境中任意他車對(duì)自車的風(fēng)險(xiǎn)大小及方向。由于模型考慮了自車和他車的屬性和運(yùn)動(dòng)狀態(tài)，當(dāng)自車的速度大小或方向發(fā)生變化時(shí)，其所受的由他車造成的行車安全場(chǎng)場(chǎng)力立刻相應(yīng)發(fā)生變化；同理，當(dāng)他車的速度大小或方向發(fā)生變化時(shí)，自車所受的由他車造成的行車安全場(chǎng)場(chǎng)力也會(huì)立刻相應(yīng)發(fā)生變化。這表明模型具有較好的瞬時(shí)特性，實(shí)現(xiàn)了對(duì)行車風(fēng)險(xiǎn)的精細(xì)化表達(dá)。在研究設(shè)計(jì)的仿真場(chǎng)景中，討論了直行、左轉(zhuǎn)、右轉(zhuǎn)、掉頭4 種危險(xiǎn)場(chǎng)景風(fēng)險(xiǎn)規(guī)避路徑，分別按照車速為 1、2、3 m/s設(shè)計(jì)了12種避險(xiǎn)方案，仿真結(jié)果表明：12種方案對(duì)應(yīng)的風(fēng)險(xiǎn)降低率分別為：-1.37%、-7.50%、-6.40%、 8.60%、22.63%、29.65%、7.15%、19.21%、33.78%、19.68%、49.11%、67.41%，其中自車掉頭進(jìn)入另一側(cè)車道的避險(xiǎn)方案最佳，且當(dāng)車速為3 m/s時(shí)能將整體風(fēng)險(xiǎn)降低 67.41%。本研究為自動(dòng)駕駛車輛的避險(xiǎn)決策提供了新的方法和思路，未來將基于本研究所提出的行車風(fēng)險(xiǎn)矢量場(chǎng)模型，探索通用的自動(dòng)駕駛避險(xiǎn)策略和方法。