考慮駕駛風格的高密度立交群出入口車輛駕駛風險研究

2024-05-08 02:54:48侯珊珊張杰張雪榆矯成武徐進

科學技術與工程 2024年10期

侯珊珊, 張杰, 張雪榆, 矯成武, 徐進*

(1.重慶交通大學交通運輸學院, 重慶 400074; 2.中信科智聯科技有限公司, 重慶 401331; 3.重慶長安汽車股份有限公司, 重慶 400020; 4.交通運輸部公路科學研究院, 北京 100088)

互通立交是道路網絡的重要節點,可以在最大程度上實現不同方向交通流在空間上的分離,有效提高了車輛運行安全性和道路通行能力。近年來隨著高速路和快速路里程的不斷延伸和加密,互通立交間距越來越小,在很多道路上形成了高密度立交群。立交間距過小會增加駕駛人的駕駛負荷,易產生突然加減速、突然變道等行為,因此高密度互通立交環境對于駕駛人的駕駛行為有更高要求。若駕駛人頻繁進行換道和加減速行為,會干擾主線車輛原本的行駛狀態,造成交通擁堵和交通事故。此外,頻繁換道和倉促換道還會導致提高駕駛負荷水平,增加交通事故幾率,因此需要對不同駕駛風格的互通立交車輛的駕駛風險進行研究。

中外學者通過自然駕駛實驗、駕駛模擬器實驗等對駕駛人駕駛行為相關性進行分析。徐進等[1]采集自然駕駛狀態下小客車連續行駛速度和加速度,探討了立交進、出口駕駛人縱向駕駛行為特征。袁愈鋒等[2]采用雷達測速儀對集散車道進行車輛速度采集,選取特征點處自由流狀態的車輛速度作為樣本,分析苜蓿葉立交集散車道的車輛運行特征。鄭展驥等[3]構建互通立交分流區交通沖突預測模型,分析分流區交通安全狀況。陳正歡等[4]通過實車路試獲取車輛運行數據,分析迂回式立交匝道內速度變化及特征。Kumar等[5]研究異質交通條件下平曲線幾何形狀對高速公路運行速度的影響。

駕駛風格與駕駛行為之間存在較強的相關性,李文博等[6]通過對駕駛人情緒對駕駛行為影響的定量分析,闡明了駕駛情緒對駕駛風險的影響機理。熊堅等[7]建立考慮駕駛風格因子的綜合風險場模型,分析得出4種駕駛風格類型。劉思源等[8]對不同駕駛人的換道行為特征進行主成分分析,采用K-means聚類法對駕駛風格進行量化,得到激進型和保守型兩種駕駛風格。王玉婷等[9]基于車輛數據建立異常駕駛行為分布模型,定性分析道路坡度、彎度等因素與駕駛行為之間的關聯性。劉冠瑩等[10]采用改進K均值和OvR-SVM聯合的方法對駕駛人不同駕駛時間內所表現的駕駛風格進行分類識別。孫宮昊等[11]提出基于駕駛行為模式轉移的個體駕駛行為風險評估方法。陳秀鋒等[12]借助駕駛模擬器,研究霧天環境對駕駛人的影響,發現駕駛人減速距離和偏離次數有顯著性差異。郭淼等[13]提出將風險駕駛行為和交通運行狀態相結合的交通事故風險識別方法。于鵬程等[14]對駕駛人視覺特性進行研究,得出駕駛人的視覺特性、交通環境特性以及車輛行駛速度是影響駕駛風險的主要因素。

綜上所述,中外關于駕駛風格、駕駛風險的研究較為成熟,但是針對高密度互通立交環境下,駕駛人的駕駛風險尚未有明確的研究。基于此,現選取重慶市主城區5座互通式立交作為研究對象開展實車試驗,探究高密度互通立交駕駛環境下的車輛運行狀態,分析不同駕駛風格的駕駛人所表現出來的駕駛行為特征,對駕駛人的駕駛行為風險進行分析,有利于提高駕駛人的行車安全性,降低交通事故發生率。

1 研究方法和試驗設計

本次試驗采用實車路試的方法采集車輛實時運行數據。實車路試是指單車連續測量,能最大程度還原駕駛人在實際環境中各個階段的真實駕駛狀態。

1.1 試驗立交

對重慶市主城區5座立交進行研究,分別為五童立交、五桂立交、寸灘立交、東環立交、人和立交,符合高密度立交要求,即三座及以上立交同時存在10 km連續路段內,如圖1所示。干道設計速度為80 km/h,匝道設計速度為40 km/h。

圖1 試驗立交及距離Fig.1 Test interchange and distance

1.2 試驗駕駛人和車輛

本次試驗共47位駕駛人,均為社會上招募,且具有熟練駕駛經驗,其中男駕駛人35名,女駕駛人12名,男女比例接近3∶1。駕駛人年齡為26～51歲,平均年齡為38.3歲,駕齡為5～25 a,平均駕齡為12.1 a。本次試驗所選擇的車輛為別克GL8七座商務車,駕駛人均駕駛同一輛車(除去駕駛人并未在規定的出入口行駛的數據,共有40位駕駛人數據可用于分析)。

1.3 實驗儀器與數據處理

本次試驗采用行車記錄儀、Speedbox非接觸式車速傳感器、Mobileye前向碰撞預警系統進行數據采集,如圖2所示。行車記錄儀可對車輛運行時周邊環境進行記錄,為后續分析提供參考。Speedbox提供運行車輛的實時速度、加速度和車輛經緯度數據。Mobileye提供車輛橫向位置參數和速度。在后期處理數據的過程中,將交通擁堵、行人干擾等現象所得出的相關數據進行剔除,對余下的試驗數據進行主線出入口的樣本篩選,再對其進行換道的二次篩選,提取換道起始位置、軌跡數據以及速度數據,得到不同駕駛風格的駕駛人的行駛數據。

圖2 試驗車輛及試驗裝備Fig.2 Test vehicles and test equipment

2 駕駛風格劃分

基于駕駛行為的實測數據,通過對主要指標參數的選擇,對車輛實時行駛數據進行分級聚類,以此來確定駕駛風格。

2.1 駕駛風格特征參數提取

車輛運行過程中,駕駛特征參數主要有速度、加速度、減速度等,由于駕駛風格與車輛運行控制有一定關聯,提取表1中的11種數據作為評判依據,并按序命名。

表1 駕駛風格特征參數選取Table 1 Selection of driving style characteristic parameters

運用SPSS軟件對提取的駕駛風格特征參數進行KMO檢驗和巴特利特球形檢驗。KMO檢驗結果為 0.719(>0.7),巴特利特檢驗顯示其顯著性值趨近于0,證明選取的11個指標參數相關性較高,符合進行因子分析的前提條件。進一步將11個指標參數進行聚合,得到4個獨立公共因子(R1～R4),計算其特征值與累積方差貢獻率,可得到4個公共因子的貢獻率達到88%,對駕駛風格起到顯著影響。

最后,通過因子得分系數矩陣對各因子進行描述,最終表達式為

(1)

2.2 駕駛風格分類結果

結合車輛的運行狀態,因子得分系數作為聚類指標,可以反映駕駛行為,并對駕駛人的駕駛風格進行評估。因子綜合得分可通過式(2)進行計算,所得到的數據可以用來表征車輛駕駛風格影響程度,具體的因子得分如圖3所示。總得分的具體計算原理為

D1～D40為駕駛人編號圖3 因子得分Fig.3 Factor score

Zz=Z1S1+Z2S2+…+ZnSn

(2)

式(2)中:Zz為因子總得分;Zn為因子得分;Sn為因子所占權重,可視為各因子方差貢獻率與累計方差貢獻率比值。

將駕駛風格特征參數因子綜合得分為基礎進行聚類,得到以下聚類結果,可分為3種駕駛風格,其占比及分類具體如表2所示。

表2 駕駛風格分類結果Table 2 Driving style classification results

3種駕駛風格的比例幾乎呈保守型∶常規型∶冒險型=1∶1∶1。冒險型駕駛人的因子得分較高,駕駛行為較激進;保守型駕駛人的因子得分較低,駕駛行為過于謹慎;常規型駕駛人的因子得分位于二者之間,駕駛行為也符合大多數駕駛人的行為特征。

3 不同駕駛風格的軌跡形態

不同駕駛風格可以表現出不同的駕駛行為,主要體現在車輛的運行軌跡。相關研究表明,駕駛風格為激進的駕駛人行車軌跡與駕駛風格為穩妥的駕駛人行車軌跡存在較大差異。針對高密度立交主線出入口的車輛進行軌跡分析,提取主線出入口位置的軌跡偏移參數,繪制不同駕駛風格的駕駛人的行車軌跡。

3.1 出口區域的軌跡形態

對4個立交出口進行軌跡數據提取,出口C1截取長度為200 m,出口C2截取長度為300 m,出口C3和C4截取長度為250 m,其中出口C1為平行式,其余3個出口均為直接式,繪制3種不同駕駛風格的行車軌跡,對其進行分析。

從圖4中可以看出,不同駕駛風格的軌跡圖存在明顯差異,普遍表現為,保守型駕駛人的橫向位置參數較低且集中,冒險型駕駛人的橫向位置參數較高且分散。冒險型駕駛人的軌跡流出點,相對于保守型和常規型更加靠近出口位置,對于駕駛人而言,換道位置靠前易引發前車和后車的行駛沖突,造成突發事故,且所需的換道時間更短,面臨的駕駛風險也隨之增加。

圖4 不同駕駛風格的行車軌跡(主線出口) Fig.4 Driving trajectory of different driving styles(main line exit)

從表3可以看出,冒險型駕駛人的換道執行位置以及軌跡流出點均高于保守型和常規型的駕駛人。換道時間過晚,駕駛人會出現突然變道的行為,對后方車輛造成干擾,冒險型駕駛人的換道位置更加靠近出口位置,軌跡流出點也靠近出口分流端,在該情況下,冒險型的駕駛人應用較短的換道時間和較快的速度完成換道,因此增加了冒險型駕駛人的駕駛風險。

表3 不同駕駛風格駕駛人行車軌跡參數統計Table 3 Statistics on pedestrian trajectory parameters of drivers with different driving styles

3.2 入口區域的軌跡形態

其次對主線入口的數據進行提取,入口R1、R3和R4截取長度為250 m,入口R2截取長度為300 m,其中入口R1和R2為平行式,入口R3和R4為直接式,繪制不同駕駛風格的行車軌跡圖,如圖5所示。在入口R1、R3、R4位置,車輛行車軌跡相似,冒險型駕駛人的行車軌跡較為分散。在入口R2處,冒險型駕駛人的行車軌跡十分分散,意味著冒險型駕駛人的換道位置和軌跡流出點靠前。

圖5 不同駕駛風格的行車軌跡(主線入口)Fig.5 Driving trajectory of different driving styles(main line entrance)

總體來看,入口R1、R2和R4的駕駛人換道起點幾乎均提前于合流點位置,而入口R3處,絕大多數駕駛人的換道起點在合流點位置之后。匝道進入主路的護欄有遮擋,車輛若匯入過早,會影響兩側駕駛人的視線,無法及時察覺對方車輛的行駛狀態,這容易導致車輛相撞的事故;車輛若匯入時間太晚,在變速車道末端匯入主路,可能會導致和后方車輛發生追尾事件。

4 不同駕駛風格的換道軌跡特征

行車軌跡受駕駛風格的影響,而行車軌跡需要不同參數表現,在駕駛人進行換道操作時,所需的軌跡參數表現出的軌跡有所不同。在大量的軌跡參數中選取更具有代表性的參數進行分析,所確定的軌跡參數主要有換道時間、換道起始位置、換道頻次。換道形式和換道頻次如圖6所示。

圖6 換道形式和換道頻次示意圖Fig.6 Schematic diagram of lane change form and lane change frequency

4.1 換道時間

換道時間即駕駛人在開始換道操作到完成換道所經歷的時間。在相同條件下,換道時間過長或過短均會對駕駛人造成一定的駕駛風險。時間過長,駕駛人在換道操作中所暴露的時間越長,所面臨的駕駛風險也增加;時間過短,駕駛人在換道過程中,容易疏忽另一車道上的其余車輛,且所需的駕駛速度過快,易造成交通事故。

從圖7可以看出,冒險型駕駛人的換道時間在主線出入口均低于保守型和常規型駕駛人,意味著冒險型所面臨的駕駛風險也高于另外兩種駕駛風格的駕駛人。保守型與常規型的駕駛人在換道時間更加穩定,在數據上兩者相差不大。

圖7 不同駕駛風格駕駛人的換道時間 Fig.7 The changing time of drivers with different driving styles

4.2 換道起始位置

換道起始位置即駕駛人開始換道到主線出入口的距離。換道位置可以表現出駕駛人換道意識出現的時間長短。換道起始位置若靠前,需駕駛人運用較短的時間和較快的速度進行換道操作,這會增加駕駛人的駕駛風險。

從圖8看出,在主線出口位置處,冒險型駕駛人的換道起始位置大于保守型和常規型駕駛人的換道起始位置,這表明冒險型駕駛人的換道意識晚于另外兩種駕駛風格的駕駛人,常規型駕駛人的換道起始位置最低。而在主線入口位置,冒險型駕駛人的換道起始位置最低,這表明冒險型駕駛人在更靠近入口位置才選擇進行換道操作,所需的換道時間短,換道意識出現較晚,容易造成前車與后車的沖突。以上可以看出,冒險型駕駛人更傾向于快速匯入主線車流,用更短的時間完成換道操作,這一行為極大地增加了駕駛人的駕駛風險。

圖8 不同駕駛風格駕駛人的換道起始位置Fig.8 The starting position of changing lanes for drivers with different driving styles

4.3 換道頻次

換道頻次即駕駛人在完成車輛匯入或匯出主流車流時,所需進行的換道次數。由于所選取的出入口匝道存在雙車道的現象,因此車輛可能出現換道3次的情況。換道頻次也會因駕駛風格的不同出現差異性,駕駛人一般會選擇更少的換道次數,以免增加駕駛風險。

換道次數過多,容易和其他車輛發生剮蹭、碰撞,并且容易擾亂交通秩序,影響其他車輛的行駛,甚至造成嚴重的交通事故,而較少的換道次數,可以保證車輛的安全行駛,降低駕駛風險。從圖9可以看出,出口處換道次數為1的情況,保守型的頻率占比更大;換道次數為2的情況,冒險型的頻率占比更大;換道次數為3的情況,三者占比均較小,表明冒險型駕駛人的駕駛風險幾率明顯高于其他兩種駕駛風格。而入口處,3種駕駛風格在不同換道次數中,占比無明顯差異。

圖9 不同駕駛風格駕駛人的換道頻率 Fig.9 Frequency of changing lanes for drivers with different driving styles

圖10 行駛速度標準差的累積頻率分布Fig.10 Cumulative frequency distribution of driving speed standard deviation

5 出入口駕駛風險

5.1 駕駛風險指標的選取以及計算

在“人-車-路”系統中,人作為整個系統的主體,車輛作為系統的運動實體,道路及周邊環境作為系統的載體,人控制車輛的運動,因此駕駛人的交通特性影響著車輛的運行。不同駕駛人在感覺特性、反應操作特性、心理特性以及生理特性各不相同,在相同的駕駛環境下也會導致不同的駕駛行為,隨著駕駛參數的改變,駕駛風險也將發生變化。

文獻[21]中分析了微觀車輛的行駛數據,研究了碰撞前駕駛波動與碰撞風險程度的影響,結果表明速度離散性和波動率與碰撞風險成正相關,其中速度離散性用速度標準差表示。離散性越大,車輛發生事故的概率越大。速度與加速度存在關聯性,當車速變化范圍大時,加速度也隨之改變,駕駛風險增加。

基于以上研究,運用速度離散性、行駛速度波動率和減速度波動率對駕駛風險進行綜合評級。

5.1.1 速度離散性

速度離散性常用標準差表示,速度標準差為同一個駕駛人連續行駛時,車輛行駛速度與平均速度離差平方的算術平均數的平方根。研究表明,速度離散性與車輛事故率呈正比關系,即速度離散性越高,則車輛發生交通事故的概率越大。標準差的計算公式為

(3)

對行駛速度標準差做累積頻率分布圖,并標注85%和15%處的標準差。從圖11可以看出,無論是出口還是入口,15%處的標準差大小無明顯差異,從15%處開始出現不同,到85%位置,4個不同出入口的標準差相差較大,在經過85%位置之后,數值趨于重合。

圖11 速度波動率的相對頻率和不同駕駛風格分布Fig.11 Relative frequency and different driving styles distribution of speed volatility

5.1.2 行駛速度波動率

行駛速度波動率是指行駛車速的波動程度,波動率越高,則表明行駛車速的變化越大,該參數對于車速的不確定性就越強。速度波動率cv的計算公式為

(4)

通過式(4)計算行駛速度波動率,并繪制頻率分布直方圖。從圖11(a)和圖11(b)中可以看出,行駛速度波動率均在[0,0.2],出口速度波動率集中在[0.05,0.1],入口速度波動率較為平均,在0.03處相對頻率最高。

對主線出入口的車輛進行駕駛風格的分類,并繪制不同駕駛風格的速度波動率分布圖,如圖11所示。由圖11(c)和圖11(d)中可以看出,無論是出口還是入口位置,冒險型駕駛人的速度波動率均大于其余兩種駕駛風格的波動率,整體呈冒險型>常規型>保守型的趨勢。冒險型駕駛人在控制速度變化方面更加激進,在進行合流或分流的過程中可能會存在多次加減速操作的行為,這增加了駕駛人的駕駛風險。保守型駕駛人在速度變化方面過于謹慎,不輕易進行加減速操作,將車速控制在相對安全范圍內。而常規型駕駛人則處于二者之間,既不過于保守,也不會激進,換道時間、換道起始位置等軌跡參數均處于二者之間。

5.1.3 加速度波動率

加速度波動率cva計算公式為

(5)

(6)

對主線出入口的加速度進行特征值計算,得到以下表格,從表4可以看出,駕駛車輛在出口的速度變化更加明顯,均大于入口位置處的特征值,這表明駕駛人在出口位置處的駕駛速度更易受影響,速度變化波動率大。

表4 加速度描述Table 4 Acceleration description

對主線出入口位置處的加速度波動率進行計算,并提取特征分位值。從圖12(a)和圖12(b)可知,加速度波動率相對頻率最高處集中在[2,5],結合特征分位值可以看出,5%分位值以前以及95%分位值以后,相對頻率均較低,意味著在二者所處區間內,即5%～95%,駕駛風險較高。從表5可知出口位置的加速波動率特征分位值均大于入口位置,駕駛人在出口處的駕駛風險高于入口處。從圖12(c)和圖12(d)可知,冒險型駕駛人的加速度波動率明顯大于其余兩種駕駛風格,在入口位置,保守型與常規型的加速度波動率相差無異,出口位置與速度波動率呈現的趨勢一致。

表5 加速度波動率特征分位值Table 5 Deceleration volatility characteristic differentiation

圖12 加速度波動率的相對頻率和不同駕駛風格分布Fig.12 Relative frequency and different driving styles distribution ofacceleration fluctuation

綜上,對兩種波動率進行不同駕駛風格的評估,在駕駛風格不同的前提下,呈現的波動率不同,表現的駕駛風險率也不同,這表明駕駛風格對駕駛風險起著重要作用。

5.2 駕駛風險受駕駛風格影響分析

駕駛風險是指駕駛人在駕駛車輛過程中的不確定因素,即危險事件程度的大小。駕駛風險因駕駛人的不同而存在差異,不同的駕駛人之間存在共性與個性,而個性正是導致駕駛風險不同的來源。駕駛風險的指標可用熵權法計算。

熵權法,用熵值來判斷某個指標的離散程度,其信息熵值越小,指標的離散程度越大。熵權法的計算步驟如下:①輸入的矩陣Xij中的每一個元素需要處于非負區間,其標準化后矩陣為矩陣Zij;②計算第j項指標下的第i各樣本所占的比重,并將其看作是相對熵計算中用到的概率Pij;③計算每個指標的信息熵ej及信息效用值dj,并進行數據歸一化,得到每個指標的熵權wj。

對于第j個指標,其信息熵的計算公式為