無信號交叉口網聯車輛協同碰撞預警研究進展

【摘要】為明晰無信號交叉口網聯車輛協同碰撞預警研究的局限性及發展方向，系統梳理了協作式交叉口碰撞預警（CICW）的研究進展。首先，分類梳理了現有交叉口行車沖突檢測方法的優勢與不足；其次，總結了不同預警級別、機制和模式的適用性；再次，歸納了CICW有效性及安全性評價指標，對比了仿真、實車以及虛實融合測試的技術特征；然后，分析了駕駛人不確定性與通信不可靠對CICW的影響及優化思路；最后，對CICW的發展方向進行了展望。結果表明：行車風險場模型是解決現有CICW沖突檢測方法中綜合交通風險、沖突嚴重程度表征問題的可行方案，但仍需進一步研究適當的環境參數、風險指標及閾值的設定；CICW應用場景下的駕駛人駕駛特征的建模、預測和在線識別，以及CICW預警模式的自適應構建是設計可靠有效CICW應用的可行解決思路；實現對CICW的全方面客觀評估，有賴于研究搭建綜合評價機制及大規模試驗平臺；車聯網通信不可靠嚴重影響CICW的有效性，需要進一步研究信道擁塞控制機制與基于通信故障/失效預測的CICW容錯機制。

主題詞：無信號交叉口 協同碰撞預警 沖突檢測 車聯網通信 行車風險場

中圖分類號：U463.6 " 文獻標志碼：A " DOI： 10.19620/j.cnki.1000-3703.20220945

Research Progress of Cooperative Collision Warning of Connected Vehicles at Unsignalized Intersections

Fan Haijin1， Wang Runmin1， Zhang Xinrui2， Yang Lan1

（1. Chang’an University， Xi’an 710018; 2. Tongji University， Shanghai 201804）

【Abstract】To clarify the limitations and development direction of the research on Collaborative Intersection Collision Warning （CICW）， CICW research progress was reviewed systematically. Firstly， the advantages and disadvantages of the existing intersection traffic conflict detection methods were analyzed. Secondly， the applicability of different warning levels， mechanisms， and modes was summarized. Thirdly， the effectiveness and safety evaluation indexes of CICW were identified， and a comparison was made between simulation， real vehicle and virtual-real fusion testing. Then， the influence of driver uncertainty and unreliable communication on CICW and its optimization were analyzed. Finally， the future development direction of CICW was prospected. The results show that the traffic risk field model presents a feasible solution to solve the comprehensive characterization of risk and conflict severity in the existing CICW conflict detection methods. However， further research is needed to establish appropriate environmental parameters， risk indicators， and determination. Moreover， modeling， forecasting， and online identification of driver’s behavior in CICW application scenarios and the adaptive construction of CICW warning modes offer viable solutions to designing reliable and effective CICW applications. Achieving a comprehensive objective evaluation of CICW in all aspects depends on the research and establishment of a comprehensive evaluation mechanism and a large-scale experimental platform. The unreliable Internet Of Vehicle （IOV） communication seriously affects the effectiveness of CICW， so it is necessary to further study the channel congestion control mechanism and CICW fault-tolerant mechanism based on communication failure/failure prediction.

Key words： Unsignalized intersections， Cooperative collision warning， Collision detection， V2X， Traffic risk field

【引用格式】 凡海金， 王潤民， 張心睿， 等. 無信號交叉口網聯車輛協同碰撞預警研究進展[J]. 汽車技術， 2024（3）： 1-16.

FAN H J， WANG R M， ZHANG X R， et al. Research Progress of Cooperative Collision Warning of Connected Vehicles at Unsignalized Intersections[J]. Automobile Technology， 2024（3）： 1-16.

1 前言

道路交叉口是路網的節點和樞紐，由于多個方向沖突交通流的存在，交叉口處極易發生交通事故。美國有超過40%的交通事故發生在交叉口附近，我國發生在交叉口處的交通事故數量占交通事故總數的20%以上[1]。道路交叉口一般可分為信號交叉口與無信號交叉口，其中無信號交叉口由于缺乏時空隔離控制措施，導致碰撞事故頻率與嚴重程度遠高于信號交叉口。因此提升無信號交叉口的通行安全被認為是交通控制領域所面臨的關鍵挑戰之一。

交叉口碰撞預警（Intersection Collision Warning，ICW）是汽車主動安全的重要組成部分。早期ICW的解決思路多為采用雷達、攝像機等車載傳感設備感知周圍環境，判斷碰撞風險并對駕駛人進行警告[2]。然而，車輛自主感知系統存在感知距離不足、感知范圍有限等問題，難以提供全面、準確的碰撞警告信息。隨著車聯網（Vehicle To everything，V2X）的涌現與發展，研究人員將V2X技術應用于ICW中，提出協作式交叉口碰撞預警（Collaborative Intersection Collision Warning，CICW）方案，并成為近年來的研究熱點。

CICW[3]基于V2X技術實現網聯車輛間的實時信息交互，進而合理地預測風險，并通過適當的形式及時向沖突車輛駕駛人發出警告信息，駕駛人可根據警告信息采取制動等措施實現協同避碰。

目前，圍繞CICW的研究重點關注沖突檢測、碰撞預警、測試評價、可靠性保障等四個方面。

a. 沖突檢測。沖突檢測根據車輛狀態與交通風險之間的關系預測碰撞風險。現有沖突檢測方法多從時間或空間接近度的角度應用不同的風險指標衡量沖突嚴重程度，但無法綜合考慮沖突嚴重性與綜合風險。

b. 碰撞預警。碰撞預警重點關注如何依據檢測到的碰撞風險合理設計預警策略，向駕駛人提供及時、準確的警報。一般需從預警級別[4-5]、預警機制[6]以及預警模式[7-8]等方面重點考慮。考慮到CICW主要面向人工駕駛環境，駕駛人特征及應對預警策略仍有待進一步研究。

c. 測試評價。測試評價是CICW應用的必要環節。目前主要從碰撞檢測結果和沖突改善程度兩方面對CICW進行有效性評估。按照測試環境的不同，測試方法包含仿真測試[9-10]、實車測試[11]和虛實融合測試[12-13]。然而，現有單一要素仿真平臺難以滿足涉及車輛、交通、通信等多個要素的測試需求。

d. 可靠性保障。CICW極易受到駕駛人行為以及通信不確定性的影響而降低可靠性。駕駛人行為難以預測，不同類型駕駛人在面臨危險和預警時，會有不同的反應[12]。現有的駕駛人行為模型普遍對駕駛人行為特征進行一定程度的簡化，其有效性有待于進一步研究。此外，在復雜動態交通環境下，V2X通信的丟包、時延等問題始終客觀存在，給設計可靠的CICW應用帶來了極大的挑戰。

綜上所述，近年來，在CICW技術與應用層面，雖然國內外形成了一系列研究成果，但該領域仍在風險檢測、預警模式、測試方法、測試工具及可靠性保障等方面存在諸多懸而未決的技術難點。本文旨在圍繞以上四個方向的研究進展與前沿挑戰進行綜述，并對CICW研究領域的未來發展趨勢進行分析和展望。

2 CICW沖突檢測方法研究進展

無信號交叉口行車沖突檢測是對車輛未來安全風險進行預測和評估的過程，一般采用不同的預測風險指標來量化車輛之間的沖突嚴重程度。現有研究多以時間[14]或者空間接近度[15]構建風險指標進行沖突檢測，還有部分研究采用其他檢測方法，包括基于碰撞概率[16]的沖突檢測方法、基于最接近點的沖突檢測方法，以及基于行車風險場（Driving Safety Field，DSF）[17]的沖突檢測方法。

2.1 基于時間接近度的沖突檢測方法

基于時間接近度的沖突檢測方法的核心思路是根據沖突車輛在時間維度上的接近程度來量化交叉口的沖突水平。典型的檢測方法包括基于碰撞到達時間的沖突檢測方法和基于后侵入時間的沖突檢測方法。

2.1.1 基于碰撞到達時間的沖突檢測方法

基于碰撞到達時間（Time To Collision，TTC）的沖突檢測方法通過計算車輛在保持當前運動狀態不變的情況下到達碰撞位置所需的時間來判定沖突水平。在早期的研究中，Miller[14]等提出了一種基于TTC的交叉口協同碰撞檢測機制。如圖1所示，將兩輛車視為兩個質點[（x1，y1）]和[（x2，y2）]，根據兩車速度（v1、v2）和航向角（θ1、θ2）預測交通沖突位置[（x+，y+）]。并根據車輛和沖突點的位置實時判斷車輛到達沖突點的時間：

[TTTC，i=r+-rivivi?sgn（r+-ri）] " " " " " " " " "（1）

式中：[TTTC，i]為車輛i到達沖突點的時間，i=1，2；[r+]為沖突點的位置向量；[ri]為車輛i的位置向量；[vi]為車輛i的速度；[sgn]函數用來識別是否有車輛通過十字路口。

如果[TTTC，1]和[TTTC，2]相等，說明車輛1和車輛2在交叉口存在交通沖突。由于車輛是具有一定物理尺寸的幾何剛體，不能簡單地等同于質點，因此當滿足式（2）所示條件時，則說明在交叉口存在交通沖突：

[TTTC，1-TTTC，2lt;α] " " " " " " " " " " " " （2）

式中：[α]為安全時間閾值，[α]越大，表示交通沖突判定越保守。

上述方法中沒有給出安全時間閾值[α]的具體確定方法。針對這一問題，Sepulcre等[18]將車輛建模為圓形模型，安全時間閾值計算公式為：

[α=L1V1+L2V2] " " " " " " " " " " " " " " " "（3）

式中：[L1]、[L2]分別為潛在碰撞車輛1和車輛2的長度，[V1]、[V2]分別為車輛1和車輛2的速度。

此外，為提升沖突檢測準確性，部分研究還采用矩形模型[19]、橢圓矩形模型[20]代替質點模型計算安全時間閾值，Qu等[9，21]對比分析了不同模型對碰撞預警系統有效性的影響，發現矩形模型較其他模型具有更好的檢測效果。復雜的車輛幾何模型建模會導致較高的計算復雜度，影響沖突檢測的及時性。針對該問題，Hou等[20]提出了基于TTC的聯合沖突檢測算法，即首先使用圓形模型檢測出潛在沖突車輛對，接著采用橢圓矩形模型判定沖突，該算法能夠有效提升計算效率。

上述基于TTC的沖突檢測方法只能近似地描述車輛在某一時刻的風險水平，沖突檢測結果不穩定，容易產生誤判的情況。針對上述問題，Minderhoud等[22]在上述研究的基礎上提出了風險暴露時間（Time Exposed Time-to-Collision，TET）和碰撞時間積分（Time Integrated Time-to-Collision，TIT）用于評估特定時空范圍內的行車風險水平，如圖2所示。其中TET為TTC低于安全TTC閾值的時間總和，計算方法為：

[TTET，i=0Tδit?τscδit=1， " " " "0≤TTTC，itlt;T*TTC0， " " " "else] " " " " " " " " " （4）

式中：[TTET，i]為車輛i的風險暴露時間，[T*TTC]為安全TTC閾值，[δit]為開關變量（0或1），[τsc]為時間間隔，T為碰撞時間曲線的總時間長度，[TTTC，it]為車輛i在t時刻的TTC。

TET方法的不足之處在于只給出了風險時段，忽略了車輛在不同時刻風險水平的變化。針對這一問題，TIT方法通過對危險時段的TTC進行積分求和，較好地描述了特定時段的風險水平變化，如圖2中深色陰影部分。TIT的計算方法為：

[TTIT，i=0T-TTTC，itdt0≤TTTC，it≤T*TTC] " " " " " " " " " " " " " （5）

式中：[TTIT，i]為車輛i的碰撞時間積分。

與TET方法相比，TIT方法能夠更好地描述特定時段內的風險水平變化，但TIT方法計算較為復雜，在實時應用和大規模數據處理時可能存在挑戰。

2.1.2 基于后侵入時間的沖突檢測方法

基于后侵入時間（Post Encroachment Time，PET）的沖突檢測方法通過一個明確的沖突區域來區分碰撞和非碰撞事件。如圖3所示，PET為A車離開沖突區域（圖中陰影部分）和B車進入同一區域之間的時間差，PET越接近0，沖突風險越高，PET的計算方法為：

[TA，BPET=tA，leave-tB，arrive] " " " " " " " " " " " " " "（6）

式中：[TA，BPET]為車輛A和車輛B的后侵入時間，[tA，leave]為車輛A離開沖突區域的時間，[tB，arrive]為車輛B到達沖突區域的時間。

當PET超過安全時間閾值時，即判定沖突存在[23-24]。相較于TTC方法，基于PET的沖突檢測方法在計算風險指標時考慮了車身尺寸帶來的影響。但PET方法的應用場景較為單一，只適用于車輛垂直相交行駛以及跟車行駛等場景。

2.2 基于空間接近度的沖突檢測方法

基于空間接近度的沖突檢測方法根據沖突車輛的空間接近程度來描述沖突的嚴重性，較為典型的是基于相對距離的沖突檢測方法。

基于相對距離的沖突檢測方法通過車輛的位置信息計算相對距離并進行沖突判定。相對距離D的計算方法為：

[D=xA-xB2+yA-yB212] " " " " " " " " " （7）

式中：[（xA，yA）]、[（xB，yB）]分別為車輛A與車輛B的位置坐標。

在早期的研究中，一般選用固定安全距離閾值進行沖突檢測[25]，這種取值方法沒有考慮多樣的交通環境以及車輛類型。針對這一問題，Wang[4]等基于時間窗方法實現對交叉口沖突車輛之間時變距離的動態預測。該方法中，最小相對距離的確定過程為：

[Dki=xSVki-xPVki2+ySVki-yPVki212] " " "（8）

[Dmink=minDk1，…，Dki，…，DkTh/dT] " " （9）

式中：[xSVki，ySVki]、[xPVki，yPVki]分別為車輛SV與車輛PV在第[i]時間步的位置；k為當前時間步；i為預測時間步，[i=1，2，...，Th/dT]；[Th]為預測時間窗口；dT為時間步長；[Dmink]為當前時間步為k時的最小相對距離。

該方法結合車輛實時狀態和道路幾何條件，根據航向和速度預測值定義兩級動態安全閾值，實現在不同碰撞場景（同車道同方向、相鄰車道相同方向、相鄰車道相反方向、相交行駛）下的沖突檢測。

然而，上述方法忽略了車輛制動能力差異。針對這一問題，Cheng等[23]提出一種安全距離閾值的計算方法，將最大制動加速度、制動反應時間以及系統生效時間納入考慮范圍：

[Dth re sh ould=v22amax+v?tsys] " " " " " " " " " " "（10）

式中：[Dth re sh ould]為安全距離閾值；v為車輛當前速度；[amax]為最大制動加速度；[tsys]為延時，包括駕駛人制動反應時間以及駕駛人踩下制動踏板到制動系統生效所耗費的時間。

2.3 其他沖突檢測方法

前述沖突檢測方法多假設車輛保持勻速或勻變速直線運動，但在實際駕駛場景中，車輛加速度和偏航速率會隨著時間發生變化，需要將上述因素納入沖突檢測過程中。針對這一問題，學者們提出基于碰撞概率的沖突檢測方法以及基于最接近點的沖突檢測方法。

2.3.1 基于碰撞概率的沖突檢測方法

基于碰撞概率的沖突檢測方法根據車輛按照當前的狀態繼續行駛發生碰撞的可能性來判定沖突。Joerer等[26]將加速度因素納入考慮范圍，首先定義了加速度概率分布，進而通過預測車輛所有可能軌跡的碰撞發生可能性來判定沖突。碰撞概率[PC]定義為：

[PC=aminamaxpaBaminamaxpaA×collaAvAdA，aBvBdBdaAdaB] " " "（11）

式中：[p（aA）]、[p（aB）]分別為車輛A和車輛B在區間[[amin，amax]]內的所有可能取值的加速度的概率；[coll]函數為車輛A和車輛B以當前速度和位置，且加速度取[[amin，amax]]范圍內任一值時的碰撞邏輯值（發生碰撞為1，否則為0）；aA、aB分別為車輛當前加速度；vA、vB分別為車輛當前速度；dA、dB分別為車輛當前到達潛在碰撞點的距離。

上述方法考慮了加速度因素對沖突檢測的影響，驗證了與均勻概率分布模型相比，將加速度建模為三角概率分布模型能夠更真實地模擬駕駛人的行為。然而，駕駛人駕駛行為風格化和交通環境多樣性會對加速度模型構建產生影響，如何構建合適的加速度概率模型有待進一步研究。

2.3.2 基于最接近點的沖突檢測方法

基于最接近點（the Closest Point of Approach，CPA）的沖突檢測方法通過車輛相對運動狀態預測沖突風險，沖突檢測方法示意如圖4所示。VA和VB分別為車輛A和車輛B的速度向量；D0為車輛A與車輛B之間的直線距離；P為VA與VB矢量和的終點。CPA由兩車直線距離與速度矢量和計算得到。車輛A中心點與CPA之間的距離記為最小會遇距離（Distance to Closest Point of Approach，DCPA）。車輛到達預期最接近點所需要的時間記為最小會遇時間（Time to Closest Point of Approach，TCPA），此時兩車的位置狀態如圖5所示。Chang等[27-28]根據TCPA與DCPA進行沖突判定，當兩車之間的DCPA小于預定義的標準時，碰撞將會在TCPA后發生。

然而，上述方法只適用于沿直線路徑行駛的車輛。在此基礎上，Huang等[29]通過引入加速度參數來修正由速度和方向變化引起的誤差，實現了車輛在變速及變向場景下的碰撞沖突檢測，較固定速度和航向角的沖突檢測方法具有更高的準確度。

上述方法的關鍵問題之一是如何對加速度進行準確合理的預測，Dabbour等[30]在研究中引入了一個加速曲線的回歸模型，采用線性遞減模型，計算車輛任意時刻的加速度：

[a=dv/dt=α-βv±Gg] " " " " " " " " " " "（12）

式中：a為與速度v相對應的加速度，[α]為加速開始時的加速率，[β]為加速度隨速度增加而減少的速率，G為坡度，g為重力加速度（約為9.81 m/s2）。

該模型能夠精確地估計車輛達到指定速度所需要的時間和距離，可以有效提升碰撞預警系統的可靠性。基于式（12），任意時刻速度[v]的計算方法為：

[v=[（α±Gg）/β-[[（α±Gg）/β]-v0]·e-βt] " " " " "（13）

式中：t為加速開始的時間，[v0]為車輛初始速度。

任意時刻車輛行駛的距離[d]為：

[d=tα±Ggβ-α±Ggβ-v0×[（1-e-βt）/β]] " " " （14）

2.3.3 基于行車風險場的沖突檢測方法

上述行車沖突檢測方法在一定駕駛條件下實現了交叉口沖突車輛碰撞風險的檢測，但仍然存在一些局限性。一方面，現有的沖突檢測方法大多只判定了沖突的可能性，卻沒有體現沖突的嚴重性。在風險指標相同的情況下，車輛速度越高、質量越大，沖突嚴重性等級越高，意味著其碰撞風險水平越大。另一方面，交通風險受到許多因素的影響，包括駕駛人、車輛以及道路環境，而現有的沖突檢測方法僅考慮了有限的因素，難以全面表征車輛在道路上遇到的綜合風險。

王建強等[17]提供了一種新的思路，即構建基于DSF的沖突檢測方法。基于DSF的沖突檢測方法利用物理學中的場論表示由駕駛人、車輛、道路條件和其他交通因素引起的風險因素，適用于復雜交通場景中的潛在駕駛風險評估，如圖6所示。

DSF分為靜態勢場、動態勢場以及行為勢場，分別表示道路靜止物體、運動物體以及駕駛人行為特征對駕駛安全影響的物理場。DSF的場強矢量[ES]計算方法為：

[ES=ER+EV+ED] " " " " " " " " " " " " "（15）

式中：[ER]為靜態勢場的場強矢量，[EV]為動態勢場的場強矢量，[ED]為行為勢場的場強矢量。

基于上述DSF模型，Li等[31]在研究中提出勢場指標（Potential Field Indicator，PFI）來表征車輛的綜合風險，但PFI的參數取值依賴于仿真實現，指標的有效性需進一步進行實車驗證。PFI的定義為：

[IjFP=ωL?SjL+ωB?SjB+ωV?SijV] " " " " " " " " " （16）

式中：[IjFP]為車輛j的PFI；[ωL、ωB、ωV]為不同類型勢能對應的權重系數，[SjL]為作用于車輛[j]的車道標記勢場的場強，[SjB]為作用于車輛[j]的道路邊界勢場的場強，[SijV]為作用于車輛[j]的車輛[i]所在勢場的場強。

DSF模型為構建一種能夠全面考慮交通因素并體現沖突嚴重性的綜合風險指標提供了新的思路。然而，由于交通環境的復雜多樣性，DSF模型中需要考慮針對不同場景設計對應的環境參數。此外，DSF模型在CICW沖突檢測領域的應用相對較少，如何基于DSF構建綜合風險指標，并設置合適的閾值進行合理準確的沖突檢測值需進一步研究。

3 CICW碰撞預警方法研究進展

合格的CICW應用不僅依賴于風險指標閾值的經驗知識，更取決于易被接受的預警形式。因此在CICW預警方法的設計過程中，需要對預警級別、預警機制以及預警模式進行考慮。

3.1 預警級別設計

成功預警的關鍵在于確定合適的預警時機，一方面保證駕駛人對預警的信任度，另一方面確保駕駛人有足夠的時間采取措施避免碰撞。根據現有研究，預警級別可以分為單級預警和多級預警兩類。

Chen等[32]在ICW系統中設計了單級預警機制，并根據駕駛人反應時間以及警告持續時間確定預警時機，其中，駕駛人反應時間根據專家經驗知識確定。Lyu等[33]同樣采用了單級預警機制，在確定預警時機時，綜合考慮了從預警觸發到車輛完全停止這一過程中駕駛人反應與系統特性的影響，提升了預警模型的準確性和實效性。然而，單級預警形式過于單一，很容易被駕駛人錯過或者誤解，從而導致預警失效。

考慮到單級預警的不足，目前更多采用多級預警。Wang等[4]定義緊急-普通兩級預警機制，基于駕駛人的反應時間和車輛制動系統生效所需的時間，使用不同的動態閾值來定義兩級預警的激活條件。Han等[16]同樣采用兩級預警機制：一階段預警用于提醒駕駛人前方存在碰撞風險，二階段預警為緊急警告，需要駕駛人采取措施以避免碰撞；在確定預警時機時，考慮了從制動開始到車輛完全停止所需要的時間與駕駛人反應時間。Huang等[28-29]采用三級預警機制，并基于風險指標經驗知識，選取固定閾值來觸發不同級別的預警。Shen等[34]同樣采用三級預警機制：一階段不提供任何警告，因為當前碰撞概率較低；二階段預警觸發時，車輛之間具有較高的碰撞概率；三階段預警表示碰撞可能立即發生，駕駛人需要采取措施避免碰撞。不論是單級預警還是多級預警，在確定緊急級別的預警時機時，都需要考慮駕駛人的反應過程、制動效果累積過程以及制動減速過程。

多級預警較單級預警更符合一般駕駛人的駕駛習慣，但仍難以滿足多樣化駕駛特性的現實需求。部分研究通過考慮駕駛人行為，設計一系列動態預警閾值的辨別方法。Yang等[35]提出一種考慮駕駛人行為反應的碰撞警戒閾值概率計算方法，采用對數正態概率函數描述駕駛人反應時間的分布。Wang等[36]考慮到駕駛人的反應減速在不同的情況下會有所不同，通過線性函數與非線性函數結合的分段函數對駕駛人期望減速率進行預測，并針對運動學條件計算合適的預警時機，該方法能夠提升駕駛人預警接受率。Wang等[37]基于遞推最小二乘法設計了預警閾值的實時辨識算法，該算法能夠匹配駕駛人在長時間駕駛條件下的行為波動和個體差異，并且隨著時間的推移，對駕駛人行為的適應性逐漸提高，從而降低了預警誤報率。

3.2 預警機制

預警機制是指當檢測到潛在沖突存在時，CICW根據當前情況選取合適的車輛進行預警。如果同時對雙方沖突車輛發出預警，有可能會出現兩車同時加速或同時減速的情況，無法從根本上實現沖突消解。盧濤等[6]為了避免出現兩車同時預警的情況，通過信號干預的方式，僅對低優先權車輛進行預警。基于上述預警機制，CICW能夠在避免交叉口車輛碰撞的同時，實現車輛協同通行。此外，基于自動駕駛的ICW以自車感知及自車預警為主要技術手段，CICW的應用為他車預警提供了技術支撐，即除自車檢測、預警外，檢測到沖突風險的車輛可以依賴V2X通信將風險信息傳輸至對方車輛進行預警，實現碰撞預警的冗余設計。

3.3 預警模式設計

預警模式是指向駕駛人傳遞警告信息的形式，預警模式設計重點關注預警的效用及其對駕駛人主觀負荷的影響。現有的預警模式主要包含視覺預警、聽覺預警和觸覺預警等多種形式，具體可以分為單模態警告與多模態警告兩類。

3.3.1 單模態警告

a. 視覺警告。視覺警告是指利用顯示單元向駕駛人呈現與危險信息相關的文字或者畫面。Ruscio等[7]在基于車輛的碰撞警告系統中，通過不同顏色的視覺警告標志向駕駛員呈現不同含義的預警信息，有效減少了駕駛人危險感知和反應時間。Kim等[8]研究發現利用保真圖形的單視場或立體顯示器呈現的視覺警告能夠對駕駛人的行為表現產生相當積極的影響。然而，視覺警告經常會與駕駛任務爭奪視覺資源，例如，當駕駛人的注意力離開前方道路場景轉向后視鏡時，視覺警告很有可能被忽視。

b. 聽覺警告。聽覺警告以音調或者聲音的形式向駕駛人傳遞信息。有研究表明，駕駛人對聽覺刺激的反應比視覺刺激的反應更快，且聽覺警告的有效性不受駕駛人視覺方向的影響[38]。Zhang等[39]研究發現，包含方向信息的語音預警信號能夠促進駕駛人更快地將注意力集中在沖突車輛上，從而更容易在避碰過程中做出正確的反應。Yang等[40]提出一種與交通標志相匹配的兩級車內語音預警系統，具有良好的適用性。Wu等[41]通過改變聽覺警告強度對駕駛人避碰行為和預警有效性的影響，研究發現，低強度的警告容易被忽略，而過高強度的警告反而對駕駛人產生負面影響。此外，聽覺警告容易受周圍環境噪聲的影響，且僅依賴聽覺信息難以幫助駕駛人在視覺上快速定位潛在碰撞目標。

c. 觸覺警告。通過視覺或聽覺呈現的警告信號可能會導致駕駛人注意力資源過載，而觸覺警告提供了一種可行的替代解決方案。觸覺警告一般是通過振動來實現，如轉向盤、座椅、安全帶的振動等。Murata等[42]研究發現，與聽覺警告相比，觸覺警告對噪聲水平的魯棒性更高。Li等[43]通過一種裝有網格振動傳感器的觸覺顯示器檢驗了觸覺警告的產生位置、頻率以及持續時間對駕駛人感知緊迫性的影響。

對于上述單模態警告，現有研究通常沒有考慮警告持續時間對駕駛人適應性以及預警有效性的影響，如何調整警告參數并建立與嚴重程度相匹配的警告系統以促進駕駛人對潛在碰撞及時反應是預警設計的研究重點。

3.3.2 多模態警告

采用單一感官通道為駕駛人傳遞警告信息雖然能夠產生較好的預警效果，但是駕駛人容易受到周圍環境的影響，從而忽略警告信息。針對上述問題，研究人員考慮采用多種感官通道對駕駛人進行預警，即多模態警告。多模態警告的優勢在于提供了冗余信息，增強駕駛人對警告信息的感知與反應能力。現有的多模態警告主要包含視覺-聽覺與視覺-觸覺兩種警告模式。視覺-聽覺警告模式有助于駕駛人空間注意力的重定向，Large等[44]研究發現，聽覺和視覺相結合的警告形式明顯增加了駕駛人的信心，并且有效縮短了駕駛人反應時間。視覺-觸覺警告在空間上存在高水平的刺激-反應兼容性，Lylykangas等[45]的研究結果表明，駕駛人對不同警告模式的反應存在顯著的差異，視覺-觸覺警告具有明顯的多感官增強效應。此外，還有少部分研究將預警級別和不同預警模式組合使用，如：Shen等[34]采用的三級預警中，一階段不提供警告信息，二階段顯示黃色燈光的視覺警告，三階段觸發語音預警；Han等[16]設置一階段預警為微弱語音警告，二階段預警為強烈語音警告伴隨轉向盤振動。然而，哪種多模態設計對道路安全具有最優效益，目前還沒有形成共識。還有部分研究指出，多模態預警會使得駕駛人主觀負荷增加，進而導致預警效用降低，因此在設計多模態預警策略時應當考慮其對駕駛人主觀負荷的影響[46]。此外，劉鍇等[47]研究發現不同警示方式對高齡和非高齡駕駛人產生的預警效果具有明顯差異，隨著人口老齡化加深，未來還需要考慮不同年齡駕駛人的適應性。

4 CICW評價指標

為了評估CICW的有效性，需要設計評價指標對其功能及性能進行驗證。CICW評價指標可分為基于碰撞檢測結果的評價指標和基于沖突改善程度的評價指標。

4.1 基于碰撞檢測結果的評價指標

一些研究通過將CICW預警結果與真實結果進行比較，評價CICW的有效性[4-5，28]。常用的評價指標包括正確預警率、虛假預警率以及失敗預警率等。

正確預警表示CICW成功觸發預警且碰撞實際會發生。正確預警率[Reft]的計算方法為：

[Reft=NsusNcol] " " " " " " " " " " " " " " " " "（17）

式中：[Nsus]為預警成功觸發的案例數，[Ncol]為發生碰撞的案例數。

虛假預警是指CICW預警觸發，但實際并不會發生碰撞。虛假預警率[R1]的計算方法為：

[R1=N1Ncol] " " " " " " " " " " " " " " " （18）

式中：[N1]為虛假預警的案例數。

此外，Tu等[48]采用虛假預警案例數與安全案例數的比值計算虛假預警率。

失敗預警是指實際發生碰撞，但是CICW沒有成功觸發警報。失敗預警率[Rfail]的計算方法為：

[Rfail=NfailNcol] " " " " " " " " " " " " " " " " （19）

式中：[Nfail]為失敗預警的案例數。

基于碰撞檢測結果的評價指標能夠直觀地評估CICW在測試場景中觸發和反應的正確性，但這類指標難以對CICW給交叉口帶來的整體安全效益進行評價。

4.2 基于沖突改善程度的評價指標

基于沖突改善程度的評價指標從交叉口整體安全水平的角度對CICW的有效性進行評估，主要評價指標包括碰撞概率、碰撞率以及沖突指數等。

4.2.1 碰撞概率

基于碰撞概率的評價指標是根據交叉口各車輛與其對應沖突車輛在接近過程中的碰撞概率制定的，采用Z型隸屬函數估計每輛車的碰撞概率：

[Pi=1， " " " " " " " " " " " " " " " " " " " " " " " " " " " " " " " " " x≤a1-2minj∈MiTi，jTTC，min-ab-a2， " " " " a≤x≤a+b22minj∈MiTi，jTTC，min-bb-a， " " " " " " " " a+b2≤x≤b0， " " " " " " " " " " " " " " " " " " " " " " " " " " " " " " " " " x≥b] " （20）

式中：[Pi]為車輛[i]的碰撞概率，[Mi]為車輛[i]的所有沖突車輛集合，[Ti，jTTC，min]為車輛[i]和車輛[j]產生沖突的最小TTC，a、b分別為分級預警閾值。

平均碰撞概率是對交叉口內所有車輛的碰撞概率加權求和的平均值：

[Piavg=1card（S）i∈SPi] " " " " " " " " " " " （21）

式中：[Piavg]為車輛i的平均碰撞概率，S為通過交叉口的所有車輛集合，card（S）為集合S的數量。

臨界碰撞概率定義為交叉口處車輛發生碰撞的最小概率：

[Picri=mini∈SPi] " nbsp; " " " " " " " " " " "（22）

式中：[Picri]為臨界碰撞概率。

4.2.2 碰撞率

碰撞率是指在所有案例中，發生碰撞的車輛數占車輛總數的比例，能夠反映CICW應用有效避免碰撞的效能：

[CR=j=1Ni=1njvehCjij=1Nnjveh] " " " " " " " " " " " " （23）

式中：[CR]為碰撞率，[N]為總試驗次數，[njveh]為在第[j]次試驗中的車輛總數，[Cji]為車輛[i]在第j次試驗中的碰撞邏輯值（發生碰撞為0，否則為1）。

4.2.3 沖突指數

上述評價指標分別從微觀和宏觀角度對車輛通過交叉口的安全性進行了評價，但沒有考慮沖突嚴重程度。針對這一問題，Alhajyaseen等[49]基于PET和潛在碰撞前后的動能變化，定義沖突指數評價指標，其計算方法為：

[CiI=minj∈MiαΔKi，jeeβTi，jPET] " " " " " " " " " " " " " （24）

式中：[CiI]為車輛[i]的沖突指數；[ΔKi，je]為車輛[i]與車輛[j]潛在碰撞前、后總動能的變化；[eβPETi，j]為根據碰撞發生的概率對沖突進行加權，當PET縮短時，發生碰撞的可能性增大；[Ti，jPET]為車輛[i]與車輛[j]的PET；[α]、[β]均為調整參數，[α]為釋放的能量中影響車內人員的百分比，[β]用來反映沖突類型對碰撞概率的影響。

5 CICW測試方法研究進展

對CICW進行測試是驗證其有效性的必要環節。目前常用的測試方法可以分為仿真測試、實車測試以及虛實融合測試三類。

5.1 仿真測試

CICW仿真涉及車輛仿真、無線通信仿真、交通仿真等多個方面。常用的車輛仿真工具有PreScan[10，25，32]、VIRES VTD[9]、CarSim[16]等。交通仿真工具有SUMO[31]、VISSIM[50]等。關于無線通信仿真的研究進展可以參考文獻[51]。CICW應用的測試涉及車輛、交通、通信等多個要素的仿真建模，因此現有的仿真測試的難點在于缺少車輛-交通-通信一體化大規模仿真平臺。

除仿真平臺構建外，通過動態交通場景的重構技術快速、有針對性地自動生成大批量測試場景，以完成智能駕駛應用的加速測試，也是仿真測試評價領域的關鍵技術之一。針對該問題，Xia等[52]建立了一種涵蓋場景復雜度指標的測試用例隨機組合重構算法，首先分析場景復雜度的組成要素，然后確定各要素值及其對應的復雜度指標，通過不同組成要素的隨機組合生成有效的測試用例場景。舒紅等[53]提出一種基于組合推理和場景篩選規則的場景構建及測試用例設計方法，該方法能夠快速構建具有測試價值的測試場景庫，且場景覆蓋面廣。但現有關于測試場景構建方面的研究，更多針對自動駕駛測試進行場景構建與生成，車路協同、車車協同領域測試場景重構與生成技術仍有待突破。

5.2 實車測試

現有的實車測試方法一般可分為封閉場地和開放道路測試兩類。

封閉場地測試是指在受控可封閉的真實場地搭建各類受控可重復的交通場景進行測試[54]。利用封閉場地可以實現在受控的風險中對CICW進行最貼近開放交通環境的測試[55]。封閉場地測試雖然屬于實車測試，但是缺少真實的其他交通參與者的動態變化要素，難以復現真實交通環境。

開放道路測試是指在社會道路上直接利用真實的交通場景進行測試，測試結果具有較高的可信度。如Huang[11]等在真實道路上展開一系列實車測試，并構建了交叉口碰撞預警、前向碰撞預警等多個應用場景。然而，測試安全風險較高、測試場景難以再現等問題，均制約了開放道路實車測試的可行性。

5.3 虛實融合測試

與仿真測試和實車測試相比，虛實融合測試既可以保留部分實車測試真實性的優勢，又可以快速構建復雜交通場景，提升測試效率。駕駛模擬器測試是一種較為典型的虛實融合測試方法。如Zhang等[56]基于多用戶駕駛模擬器研究了碰撞預警系統在不同能見度條件下的效能。Abe等[12]采用利茲高級駕駛模擬器研究了報警時間對駕駛人行為的影響。Zhang等[13，39]使用駕駛模擬器進行試驗研究了駕駛人在避碰過程中的行為機制。與仿真和實車測試相比，虛實融合測試具備低成本、高效率以及可重復等多方面優勢，成為目前研究及應用的熱點。

6 不確定性因素影響分析及優化方法研究進展

CICW極易受到駕駛人行為以及通信不確定性的影響而降低可靠性。本章圍繞這一問題闡明駕駛人行為不確定性與通信不可靠對CICW的影響，并總結梳理這2種不確定性因素的優化方法。

6.1 駕駛人行為不確定性影響分析及優化方法

6.1.1 駕駛人行為不確定性影響分析

受駕駛人性別、年齡、心理素質等方面差異的影響，駕駛人行為表現出一定程度的不確定性和異質性，主要體現在預警觸發后駕駛人的反應過程以及避碰行為機制兩方面[13]。上述現象一方面會影響交通沖突的演化過程[57]，并影響CICW應用對潛在沖突的判定結果，另一方面，也會影響CICW應用預警機制的有效性。

Li等[13]的研究表明，不同駕駛人在面臨危險時會出現不同反應，并證明了駕駛人制動反應時間對避碰減速度、避碰后位置以及避碰結果有顯著影響。因此有效的CICW應用須考慮駕駛人風險認知和行為反應的不確定性并進行針對性的優化設計。主要解決思路是構建駕駛人決策模型或駕駛意圖識別模型進行駕駛行為建模、短期預測，然后對預警策略進行適應性優化。

6.1.2 駕駛人行為不確定性優化方法

6.1.2.1 駕駛人決策模型構建方法

常見的駕駛人決策模型包括基于三分量軌跡的決策模型、基于可接受間隙的決策模型、基于占先度水平的決策模型以及基于博弈論的決策模型等。

a. 基于三分量軌跡的駕駛人決策模型。車輛穿過道路交叉口通常會經歷減速、勻速、再加速三個階段，可以通過三分量駕駛軌跡模型模擬駕駛人在交叉口的駕駛行為。三分量軌跡模型中，車輛在第一、三階段具有恒定加速度，在第二階段具有恒定的速度。模型如圖7所示，構建方法為：

[t1+t2+t3=T "d1+d2+d3=Dv21-v20=2a1d1 v1t2=d2 " " " " " " " v23-v21=2a3d3 v1=v0+a1t1 " " v3=v1+a3t3 " " ] " " " " " " " " " " " " " "（25）

式中：t1、t2、t3分別為車輛減速、勻速和加速運動所經歷的時間，T為車輛到達交叉口的時間，D為車輛到達交叉口的距離，d1、d2、d3分別為車輛減速、勻速、加速階段行駛的距離，[v0]為車輛初始速度，[v1]為減速階段結束時車輛的速度，[v3]為加速階段結束時車輛的速度，[a1]為減速階段的加速度，[a3]為加速階段的加速度。

Li等[58-59]基于上述模型模擬交叉口處的車輛通行行為，研究了交叉口通行效率優化方法。然而，上述模型能夠合理地模擬車輛在交叉口的一類常規行為，沒有考慮駕駛人的風格差異性。

b. 基于可接受間隙的駕駛人決策模型。該模型是指在由主、次車道相交形成的交叉口中，假設主車道交通流正常通行，而次車道交通流必須利用主車道交通流的間隙通過，即當滿足式（26）所示條件時，第n輛車可以順利穿過交叉口：

[tc+n-1tf≤tg≤tc+ntf] " " " " " " " " " （26）

式中：[tc]為次車道駕駛人穿過交叉口所能接受的最小時間間隙，[tf]為次車道車頭時距，[tg]為主車道空擋時距。

因此，基于可接受間隙的決策模型在一定程度上可以描述駕駛人通過交叉口期間的決策行為。其研究關鍵是確定臨界間隙值以及分析間隙接受行為的影響因素。Raff[60]最早定義臨界間隙值為接受間隙的累計分布函數與拒絕間隙的累計分布函數的相交值，但確定的臨界間隙值難以適應動態的交叉口環境和不同的駕駛人風格。因此，一些研究通過概率方法預測不同可接受間隙的可能性[61-62]。此外，有研究發現主交通流速度、駕駛人年齡和性別、次車道車輛等待時間等因素對駕駛人間隙接受行為有顯著影響[63-64]。Chan等[65]觀察分析了交叉口碰撞預警系統中由駕駛人行為所表現出的不同可接受間隙，研究表明駕駛人的間隙接受行為對于構建有效的預警系統至關重要。

然而，在我國，由于道路優先權并不明顯，并且缺乏對無信號交叉口的路權控制措施，可接受間隙模型的適用性有待進一步研究[66-67]。

c. 基于占先度水平的駕駛人決策模型。基于占先度水平（Pre-emptive Level，PL）的決策模型不依賴于區分主、次車道優先權，而是通過建模駕駛人對沖突車輛雙方的占先地位的評估機制，實現對沖突車輛駕駛人通過交叉口期間的決策行為進行預測。其研究關鍵在于如何量化占先程度以及如何判定占先狀態。占先度的計算方法為[68]：

[LpriorP=LpassLprior " "LlaterP=-LpassLprior] " " " " " " " " " " " " " " "（27）

式中：[LpriorP]為高優先權車輛的PL，[LlaterP]為低優先權車輛的PL，[Lpass]為高優先權車輛經過潛在碰撞點的長度，[Lprior]為高優先權車輛的長度。

上述方法在分析車輛占先狀態時，沒有考慮車輛寬度。針對這一問題，Liu等[69]為了提高模型精度，在量化PL時考慮了車輛寬度帶來的影響。沖突車輛是否處于占先狀態，取決于客觀占先度（PL）和駕駛人的心理臨界占先度（Psychological Critical PL，CPL）之間的關系，只有當PL大于CPL時，駕駛人才會認為自己處于占先狀態。肖永劍等[67]通過對真實數據進行統計分析，發現駕駛人的心理臨界占先度服從正態分布[N（0，0.22）]。

盧濤等[6]在構建的行車避碰預警方法中，基于PL模擬了非網聯車輛駕駛人在交叉口的通行行為。類似地，Liu等[69]基于PL對駕駛人行為進行建模，對比分析了不同市場滲透率下兩種具有代表性的無信號交叉口碰撞預警算法的效能。然而，上述模型雖然能夠產生合理的仿真結果，但將駕駛人在交叉口的決策描述為搶行和讓行兩種，過分簡化了駕駛人行為特征，與真實駕駛人行為仍有一定偏差。

d. 基于博弈論的駕駛人決策模型。博弈論（Game Theory，GT）可以研究在受制約的對抗或者合作過程中，多個決策參與者采取不同決策方案時的個體及整體收益，廣泛應用于沖突車輛駕駛人決策行為建模[70]。基于GT的駕駛人決策過程為：定義GT關鍵參數，包括由沖突車輛構成的參與者集合[{Ci，Cj}]、參與者在每一時刻可能采取的措施構成的決策集合[{S1，S2，S3，…}]，以及沖突車輛駕駛人在每一時刻博弈的收益集合[{F1，F2}]；構建駕駛人博弈收益函數，計算博弈收益值，并將其作為每一時刻駕駛人的決策依據。

基于博弈論的決策模型研究關鍵在于如何構建博弈效益函數。劉小明等[71]考慮了安全因素和效率因素，建立了基于動態重復博弈的無信號交叉口駕駛人插車行為分析模型，能夠在一定程度上反映不同條件下的交通沖突演化結果，構建的博弈效益函數為：

[Fki=σF[ΔTk（L-max {Lk1，Lk2}/L]+δF（ΔVki）] " " "（28）

式中：[Fki]為k時刻沖突車輛駕駛人i在某種策略組合下的博弈收益，[ΔTk]為k時刻兩車到達交叉口的時間差，L為交叉口半徑，[Lk1、Lk2]分別為兩車在k時刻到達交叉口的空間距離，[ΔVki]為k時刻駕駛人i做出某種變速決策前、后的速度改變量，[σ、δ]分別為安全因素和效率因素的影響系數，F為對計算結果的歸一化處理。

Cheng等[23]在上述研究的基礎上，考慮了駕駛人舒適度因素，在博弈效益函數中增加了舒適度指標來限制加速度的變化率。Chen等[72]基于GT提出一種智能車輛沖突決策模型，該模型可以有效幫助車輛避免沖突，并提升了15%的通行效率。Yang等[73]基于GT提出一種駕駛模型，能夠同時考慮3輛以上的車輛從不同方向駛入無信號交叉口時的潛在碰撞風險。

基于GT的駕駛人決策模型可以量化駕駛人的決策過程，確保在每個時刻駕駛人都能選擇最佳行動。但現有的基于GT的決策模型將駕駛人行為描述為加速、勻速、減速3種，只關注了來自正交方向的兩直行車輛，忽略了所有轉彎車輛，適應性有限。

6.1.2.2 駕駛意圖識別模型構建方法

駕駛人意圖是一段時間內的穩定駕駛操作序列所表現出的思維活動，駕駛人行為直接受駕駛意圖驅使，因此構建駕駛意圖識別模型有助于在CICW應用中對駕駛人行為進行建模和預測。

駕駛意圖雖然是不可觀測的隱含狀態，但是可以通過已知狀態觀測輸出。基于貝葉斯決策理論的隱馬爾可夫模型（Hidden Markov Model，HMM）能夠根據可觀察的參數確定隨機過程的隱含參數，因此可以用于駕駛人意圖預測。如Zou等[74]利用HMM特性對駕駛人在交叉路口所表現的多樣行為進行建模，構建的HMM模型如圖8所示，通過計算事件序列發生概率來識別駕駛意圖。D為來自真實世界的車輛動力學數據（可觀測變量），如車輛速度、加速度等；An為不可觀測的駕駛人意圖（隱含變量），包括加速、減速、勻速以及各種轉向運動或它們的組合；T為當前時刻；（T-i）為過去第i個時刻，i=1，2，…；T+i為未來第i個時刻。該模型能夠模擬駕駛人在交叉口的交互過程，在歷史觀測數據的基礎上實現對不同駕駛人駕駛風格的識別，并預測其駕駛意圖。王江鋒等[75]借助HMM模型建立駕駛人駕駛意圖與車輛相對行駛狀態序列之間的隱含關系，并將駕駛意圖作為特征因子集成到安全距離模型中，提出基于駕駛意圖共享的碰撞預警算法。

基于HMM的駕駛意圖識別模型能夠將駕駛人的轉彎意圖納入考慮范圍之內，提升了模型的適用性。但該模型的參數更新受道路交通環境變化（如車輛密度、衛星信號強度等）影響較大，且現有駕駛意圖識別模型均基于車輛速度、加速度等數據預測駕駛人意圖，未來也可考慮將駕駛人動作作為觀測節點（如轉向盤轉角、油門及制動踏板數據等）。

6.2 通信不可靠條件影響分析及優化方法

受無線通信多徑傳播、路徑損失、陰影衰落等因素的影響，車輛間建立的V2X通信始終存在通信時延及數據丟包等問題[76-77]。特別是在交叉口環境下，受建筑物遮蔽、車輛密度、傳播距離等因素影響，通信不可靠問題更為顯著。V2X網絡固有的通信時延和丟包問題將會降低網聯車輛對周圍交通環境的監控能力，并影響CICW應用的有效性[10，78]。

除針對V2X通信協議底層設計進行通信可靠性傳輸優化外，現有的通信不確定的優化方法多從改善信道擁塞的角度考慮，比如自適應傳輸功率控制方法[79]以及自適應傳輸速率控制方法[80-81]。為了防止信道過飽和，同時優化安全應用的接收性能，Tielert等[82]推導出一種用于車輛安全通信的自適應傳輸功率-速率聯合控制策略，在最優化目標距離和信道負載目標的同時，無需依賴精細的自適應傳輸功率調節粒度。然而，上述研究均假設所有車輛公平共享信道，可能會導致在危急情況下沖突車輛無法交換足夠的信息以滿足安全應用。Joerer等[83]針對這一問題提出一種基于情境的速率自適應算法，其主要思路是選擇性地提高緊急車輛的消息傳輸速率，重點保障行車風險較大車輛的通信服務優先級，進而改善通信負載。該方法能夠有效緩解信道擁塞，是改善通信不可靠問題的一種可行的研究思路。未來可以在此基礎上，考慮如何基于通信故障/失效預測構建面向不可靠通信的CICW容錯機制。

除上述方法外，在自動駕駛環境下，從車輛控制直接進行補償也是對通信不可靠影響進行優化處理的可行技術手段。常雪陽等[84]的研究表明，車聯網的通信時延與丟包會導致車輛控制性能下降。針對該問題，許慶等[85]基于車輛動力學模型，提出一種考慮時延、丟包等因素的網聯車輛控制器設計方法，能夠在一定的丟包率及量化密度范圍內，保證車輛控制系統的穩定性與安全性。上述工作為設計CICW應用環境下面向人機共駕或自動駕駛的智能網聯汽車控制策略提出了新的研究思路。

7 發展展望

沖突檢測、碰撞預警、測試評價、可靠性保障是目前在無信號交叉口網聯車輛協同碰撞預警應用研究領域形成的四個主要研究方向。雖然目前各國學者對上述問題進行了廣泛的研究，并取得了一定的成果，但目前的研究水平仍難以滿足CICW落地應用的實際需求。未來，需在如下方面重點開展進一步的研究：

a. CICW沖突檢測生效的關鍵在于構建綜合風險指標以及選取合適的風險指標閾值。現有的沖突檢測方法大多不同程度地對CICW應用場景下人-車-路協同環境進行了理想性建模或假設，難以精確表征沖突車輛面臨的實際沖突風險，此外，大多數沖突檢測模型只能實現沖突可能性的判定，難以衡量風險的嚴重程度。DSF模型的提出與應用為解決上述問題提供了一種新的研究思路，但如何確定DSF模型中的眾多交通環境相關參數，構建基于DSF的沖突風險指標，并設計合適的沖突判定閾值仍有待進一步研究。

b. CICW碰撞預警策略設計的關鍵在于如何向駕駛人提供及時準確的警告信息，并最大化駕駛人對預警系統的接受度。考慮到CICW以人工駕駛為主要應用環境，駕駛個性、心理特征的客觀存在對CICW應用的有效性及可靠性設計帶來了極大的挑戰，因此，需在大量實車驗證的基礎上，重點對CICW應用場景下的駕駛人駕駛特征進行詳細研究與精確建模，實現基于當前車輛運動狀態、交通風險及交通環境對駕駛員意圖和行為進行短期預測，進而完成多級預警誘導。此外，隨著車輛智能化程度的不斷提高，利用自車感知、決策模塊進行駕駛人駕駛特征的在線識別，實現CICW預警模式的自適應有望成為可行的優化思路。

c. 對CICW進行評價是驗證預警策略有效性、加快其落地應用的必要環節。當前的評價方法多從CICW應用成功實現預警的能力、成功避免碰撞發生的能力等行車風險消解程度等安全因素進行評估。但是在實際的交通環境中，交通效率、行車舒適性也受到交通參與者重點關注，因此在下一步的研究中需要研究搭建具備交通-車輛-通信三維一體模擬能力的大規模試驗平臺，依賴虛擬融合測試、仿真測試、測試場景重構與生成等技術手段對CICW策略在交通風險緩解能力、交通效率保障能力以及在乘坐舒適性方面的表現進行綜合考慮。

d. 受無線通信多徑傳播、路徑損失、陰影衰落以及網絡擁塞、設備質量等因素的影響，車輛間建立的V2X通信始終存在通信時延及數據丟包等問題，是CICW安全應用有效性的關鍵挑戰之一。除針對V2X通信協議底層設計進行通信可靠性傳輸優化外，目前CICW應用設計多從信道擁塞緩解機制，如自適應信標傳輸模式等方面進行考慮。但如何基于通信故障/失效預測構建面向不可靠通信的CICW容錯機制，如重點保障行車風險較大車輛的通信服務優先級，從CICW策略對不可靠通信的自適應優化仍有待進一步研究。

8 結束語

沖突檢測方法與碰撞預警策略是CICW應用設計的關鍵，測試評價與可靠性優化則是保障CICW有效性、加速其落地應用的必要環節。本文對CICW在上述四個領域的研究進展、發展方向進行了詳細綜述。從沖突車輛間的時間與空間關系、相對運動趨勢等角度總結了目前較為典型的CICW沖突檢測方法，對比分析了其優點與不足；明確了CICW碰撞預警研究的重點，比較了不同預警級別、預警機制以及預警模式對于駕駛人個體差異的適用性；歸納了CICW有效性及安全效益相關的評價指標，闡明了仿真測試、實車測試以及虛實融合測試方法的適用性；分析了駕駛人不確定性和通信不可靠因素對CICW的影響，從駕駛人決策行為和駕駛意圖兩方面剖析了現有的駕駛人不確定性優化方法的優點與不足，總結了現有的通信不可靠優化方法；對基于DSF的CICW沖突檢測方法、考慮駕駛人個性駕駛特征的CICW碰撞預警策略、考慮安全-效率-舒適性的綜合評價方法、基于故障/失效預測構建CICW容錯機制等問題進行了展望。

參 考 文 獻

[1] TAY R. A Random Parameters Probit Model of Urban and Rural Intersection Crashes[J]. Accident Analysis and " " " " " Prevention， 2015， 84： 38-40.

[2] BELLA F， SILVESTRI M. Effects of Directional Auditory and Visual Warnings at Intersections on Reaction Times and Speed Reduction Times[J]. Transportation Research Part F： Traffic Psychology and Behavior， 2017， 51： 88-102.

[3] 中國汽車工程學會. 合作式智能運輸系統車用通信系統應用層及應用數據交互標準： T/CSAE 53-2017[S]. 北京： 中國汽車工程學會， 2017.

China Society of Automotive Engineers. Cooperative " " " " " Intelligent Transportation System; Vehicular Communication; Application Layer Specification and Data Exchange " " " "Standard： T/CSAE 53-2017[S]. Beijing： China SAE， 2017.

[4] WANG P， CHAN C Y. Vehicle Collision Prediction at Intersections Based on Comparison of Minimal Distance Between Vehicles and Dynamic Thresholds[J]. IET Intelligent " " " " " " Transport Systems， 2017， 11（10）： 676-684.

[5] 陸毅忱， 鄒亞杰， 程凱， 等. 基于風險域的城市道路交叉口交通沖突分析方法[J]. 同濟大學學報（自然科學版）， 2021， 49（7）： 941-948.

LU Y C， ZOU Y J， CHENG K， et al. Analytical Method of Traffic Conflict at Urban Road Intersections Based on Risk Region[J]. Journal of Tongji University （Natural Science）， 2021， 49（7）： 941-948.

[6] 盧濤， 王潤民， 趙祥模， 等. 網聯環境下無信控交叉口行車避碰預警方法[J]. 汽車技術， 2021（6）： 12-18.

LU T， WANG R M， ZHAO X M， et al. Vehicle Collision Avoidance Warning Method at Unsignalized Intersection " under Connected Environment[J]. Automobile Technology， 2021（6）： 12-18.

[7] RUSCIO D， CICERI M R， BIASSONI F. How Does A " " " "Collision Warning System Shape Driver’s Brake Response Time？ The Influence of Expectancy and Automation " " " "Complacency on Real-Life Emergency Braking[J]. Accident Analysis and Prevention， 2015， 77： 72-81.

[8] KIM H， GABBARD J L， ANON A M， et al. Driver Behavior and Performance with Augmented Reality Pedestrian " " " " Collision Warning： An Outdoor User Study[J]. IEEE " " " " Transactions on Visualization and Computer Graphics， 2018， 24（4）： 1515-1524.

[9] QU C， QI W Y， WU P. A High Precision and Efficient Time-to-Collision Algorithm for Collision Warning Based V2X "Applications[C]// 2018 2nd International Conference on " " " Robotics and Automation Sciences （ICRAS）. Wuhan： IEEE， 2018.

[10] XIOG G， YANG T， LI M， et al. A Novel V2X-Based " " " "Pedestrian Cllision Avoidance System and the Effects "Analysis of Communication Delay and Packet Loss on Its Application[C]// 2018 IEEE International Conference on "Vehicular Electronics and Safety （ICVES）. Madrid： IEEE， 2018.

[11] HUANG X， ZHOU H. An Omnidirectional Collision " " " "Warning Method Based on V2X Communication Technology[C]// SAE 2017 Intelligent and Connected Vehicles " " " " Symposium. Kunshan： SAE， 2017.

[12] ABE G， RICHARDSON J. The Effect of Alarm Timing on Driver Behavior： An Investigation of Differences in Driver Trust and Response to Alarms According to Alarm Timing[J]. Transportation Research Part F： Traffic Psychology and Behavior， 2004， 7（4/5）： 307-322.

[13] LI X， ZHANG Y， YAN X， et al. Drivers’ Right-Angle " " Collision Avoidance Behaviors at Non-Signalized " " " " " " "Intersection—A Driving Simulator Based Study[C]// 2015 International Conference on Transportation Information and Safety （ICTIS）. Wuhan： IEEE， 2015.

[14] MILLER R， HUANG Q. An Adaptive Peer-To-Peer " " " "Collision Warning System[C]// Vehicular Technology " " "Conference. Birmingham： IEEE， 2002.

[15] WINKLER S， WERNEKE J， VOLLRATH M. Timing of " Early Warning Stages in a Multi Stage Collision Warning System： Drivers’ Evaluation Depending on Situational " " "Influences[J]. Transportation Research Part F： Traffic " "Psychology and Behavior， 2016， 36： 57-68.

[16] HAN Z， LI X， WANG J. Longitudinal Collision Warning System Based on Driver Braking Characteristics[C]// 2020 3rd International Conference on Algorithms， Computing and Artificial Intelligence. New York： Association for " " " "Computing Machinery， 2020.

[17] WANG J， WU J， LI Y. The Driving Safety Field Based on Driver–Vehicle–Road Interactions[J]. IEEE Transactions on Intelligent Transportation Systems， 2015， 16（4）： 2203-2214.

[18] SEPULCRE M， GOZALVEZ J， HERNANDEZ J. " " " " " " " " Cooperative Vehicle-To-Vehicle Active Safety Testing " "under Challenging Conditions[J]. Transportation Research Part C： Emerging Technologies， 2013， 26： 233-255.

[19] JIMéNEZ F， NARANJO J E， GARCíA F. An Improved Method to Calculate the Time-To-Collision of Two " " " " "Vehicles[J]. International Journal of Intelligent " " " " " " " "Transportation Systems Research， 2013， 11（1）： 34-42.

[20] HOU J， LIST G F， GUO X. New Algorithms for Computing the Time-To-Collision in Freeway Traffic Simulation " Models[J]. Computational Intelligence and Neuroscience， 2014， 2014.

[21] WANG Y， WENJUAN E， TIAN D， et al. Vehicle Collision Warning System and Collision Detection Algorithm Based on Vehicle Infrastructure Integration[C]// 7th Advanced Forum on Transportation of China （AFTC 2011）. Beijing： IET， 2012.

[22] MINDERHOUD M M， BOVY P H L. Extended Time-To-Collision Measures for Road Traffic Safety Assessment[J]. Accident Analysis and Prevention， 2001， 33（1）： 89-97.

[23] CHENG C， YANG Z， YAO D. A Speed Guide Model for Collision Avoidance in Non-Signalized Intersections Based on Reduplicate Game Theory[C]// 2018 IEEE Intelligent Vehicles Symposium （IV）. Changshu： IEEE， 2018.

[24] MAHMUD S M S， FERREIRA L， HOQUE M S， et al. " " " "Application of Proximal Surrogate Indicators for Safety Evaluation： A Review of Recent Developments and " " " " "Research Needs[J]. IATSS Research， 2017， 41（4）： 153-163.

[25] KIM Y， RYU J， MIN B， et al. Development and " " " " " " " Performance Analysis of Bicycle Collision Avoidance （BCA） Algorithms by Using PreScan and MATLAB[C]//2015 IEEE 18th International Conference on Intelligent Transportation Systems. Gran Canaria： IEEE， 2015.

[26] JOERER S， SEGATA M， BLOESSL B， et al. A Vehicular Networking Perspective on Estimating Vehicle Collision Probability at Intersections[J]. IEEE Transactions on " " " "Vehicular Technology， 2013， 63（4）： 1802-1812.

[27] CHANG C H， CHOU C H， LIN C J， et al. A WAVE/DSRC-Based Intersection Collision Warning System[C]// 2009 " " International Conference on Ultra Modern " " " " " " " " " " "Telecommunications amp; Workshops. St. Petersburg： IEEE， 2009： 1-6.

[28] HUANG C M， LIN S Y. An Early Collision Warning " " " " Algorithm for Vehicles Based on V2V Communication[J]. International Journal of Communication Systems， 2012， 25（6）： 779-795.

[29] HUANG C M， LIN S Y. An Advanced Vehicle Collision Warning Algorithm over the Dsrc Communication Environment： An Advanced Vehicle Collision Warning Algorithm[C]// 2013 IEEE 27th International Conference on " " " " " "Advanced Information Networking and Applications " " " （AINA）. Barcelona： IEEE， 2013.

[30] DABBOUR E， EASA S. Proposed Collision Warning " " " System for Right-Turning Vehicles at "Two-Way "Stop-Controlled Rural Intersections[J]. Transportation Research Part C： Emerging Technologies， 2014， 42： 121-131.

[31] LI L H， GAN J， YI Z， et al. Risk Perception and the Warning Strategy Based on Safety Potential Field Theory[J]. Accident Analysis and Prevention， 2020， 148.

[32] CHEN B， LIAO L， ZOU F， et al. Rule-Based Graded " " " "Braking for Unsignalized Intersection Collision Avoidance via Vehicle-to-Vehicle Communication[C]// International Conference on Genetic and Evolutionary Computing. " " " "Qingdao： Springer， 2019.

[33] LYU N， WEN J， WU C. Novel Time-Delay Side-Collision Warning Model at Non-Signalized Intersections Based on Vehicle-to-Infrastructure Communication[J]. " " " " " " " " " International Journal of Environmental Research and " " Public Health， 2021， 18（4）.

[34] SHEN C， ZHANG S， GAO Z， et al. Study "on "a "Right-Turning Intelligent Vehicle Collision Warning and Avoidance Algorithm Based on Monte Carlo Simulation[J]. " " "Journal of Advanced Transportation， 2020， 2020.

[35] YANG J H， KIM H J. Design of Collision Warning System Based on Performance-Based Approach That Considers Driver Behavior[C]// 2015 10th Asian Control Conference （ASCC）. Kota Kinabalu： IEEE， 2015.

[36] WANG X， CHEN M， ZHU M， et al. Development of A Kinematic-Based Forward Collision Warning Algorithm Using An Advanced Driving Simulator[J]. IEEE Transactions on Intelligent Transportation Systems， 2016， 17（9）： 2583-2591.

[37] WANG J， YU C， LI S E， et al. A Forward Collision Warning Algorithm with Adaptation to Driver Behaviors[J]. IEEE Transactions on Intelligent Transportation Systems， 2015， 17（4）： 1157-1167.

[38] WHITMIRE II J， MORGAN J F， ORON-GILAD T， et al. The Effect of In-Vehicle Warning Systems on Speed " "Compliance in Work Zones[J]. Transportation Research Part F： Traffic Psychology and Behavior， 2011， 14（5）： 331-340.

[39] ZHANG Y， YAN X， LI X， et al. Changes of Drivers’ Visual Performances When Approaching A Signalized Intersection Under Different Collision Avoidance Warning Conditions[J]. Transportation Research Part F： Traffic Psychology and Behaviour， 2019， 65： 584-597.

[40] YANG J， YAN X， XUE Q， et al. Exploring the Effects of Signs’ Design and In-Vehicle Audio Warning on Driver Behavior at Flashing-Light-Controlled Grade Crossings： A Driving Simulator-Based Study[J]. Journal of Advanced Transportation， 2019， 2019.

[41] WU X， BOYLE L N， MARSHALL D， et al. The Effectiveness of Auditory Forward Collision Warning Alerts[J]. Transportation Research Part F： Traffic Psychology and " Behavior， 2018， 59： 164-178.

[42] MURATA A， KURODA T， KARWOWSKI W. Effects of "Auditory and Tactile Warning on Response to Visual " " "Hazards Under A Noisy Environment[J]. Applied " " " " " " Ergonomics， 2017， 60： 58-67.

[43] LI Y， BURNS C. Perceived Urgency of Tactile Warnings[C]// 2013 IEEE International Conference on Systems， Man， and Cybernetics. Manchester： IEEE， 2013.

[44] LARGE D R， KIM H， MERENDA C， et al. Investigating the Effect of Urgency and Modality of Pedestrian Alert " " " Warnings on Driver Acceptance and Performance[J]. " " "Transportation Research Part F： Traffic Psychology and " "Behavior， 2019， 60： 11-24.

[45] LYLYKANGAS J， SURAKKA V， SALMINEN K， et al. " " Responses to Visual， Tactile and Visual–Tactile Forward Collision Warnings While Gaze on and off the Road[J]. Transportation Research Part F： Traffic Psychology and " "Behavior， 2016， 40： 68-77.

[46] BIONDI F， STRAYER D L， ROSSI R， et al. Advanced "Driver Assistance Systems： Using Multimodal Redundant Warnings to Enhance Road Safety[J]. Applied Ergonomics， 2017， 58： 238-244.

[47] 劉鍇， 賈潔， 劉超. 車路協同環境下道路無信號交叉口防碰撞系統警示效果[J]. 中國公路學報， 2018， 31（4）： 222-230.

LIU K， JIA J， LIU C. Warning Effectiveness of Vehicle-to-Infrastructure Cooperative Crossing Collision Prevention System at Non-Signal Controlled Intersection[J]. China Journal of Highway and Transport， 2018， 31（4）： 222-230.

[48] TU L， HUANG C M. Forwards： A Map-Free Intersection Collision-Warning System for all Road Patterns[J]. IEEE Transactions on Vehicular Technology， 2010， 59（7）： 3233-3248.

[49] ALHAJYASEEN W K M. The Integration of Conflict " " " " Probability and Severity for the Safety Assessment of " " " " Intersections[J]. Arabian Journal for Science and " " " " " " "Engineering， 2015， 40（2）： 421-430.

[50] LIN P， LIU J， JIN P J， et al. "Autonomous "Vehicle-Intersection Coordination Method in a Connected Vehicle " " " "Environment[J]. IEEE Intelligent Transportation Systems Magazine， 2017， 9（4）： 37-47.

[51] 王潤民， 鄧曉峰， 徐志剛， 等. 車聯網仿真測試評價技術研究綜述[J]. 計算機應用研究， 2019， 36（7）： 1-9.

WANG R M， DENG X F， XU Z G， et al. Survey on " " " " " Simulation Testing and Evaluation of Internet of Vehicles[J]. Application Research of Computers， 2019， 36（7）： 1-9.

[52] XIA Q， DUAN J， GAO F， et al. Automatic Generation "Method of Test Scenario for ADAS Based on Complexity[C]// SAE 2017 Intelligent and Connected Vehicles " " " "Symposium. Warrendale： SAE， 2017： 1-9.

[53] 舒紅， 袁康， 修海林， 等. 自動駕駛汽車基礎測試場景構建研究[J]. 中國公路學報， 2019， 32（11）： 245-254.

SHU H， YUAN K， XIU H L， et al. Construct of Basic Test Scenarios of Automated Vehicle[J]. China Journal of " " " "Highway and Transport， 2019， 32（11）： 245-254.

[54] 王潤民， 張心睿， 王由道， 等. 自動駕駛封閉測試場地建設技術研究與實踐[J]. 汽車實用技術， 2020（4）： 33-36.

WANG R M， ZHANG X R， WANG Y D， et al. Research and Practice on Construction Technology of Closed Test Field Autonomous Driving[J]. Automobile Applied " " " " " "Technology， 2020（4）： 33-36.

[55] ZHAO D， LAM H， PENG H， et al. Accelerated Evaluation of Automated Vehicles Safety in Lane Change Scenarios Based on Importance Sampling Techniques[J]. IEEE " " " " Transactions on Intelligent Transportation Systems， 2016， 18： 595-607.

[56] ZHANG Y， YAN X， WU J， et al. Effect of Warning System on Interactive Driving Behavior at Unsignalized " " " " " " " "Intersection under Fog Conditions： A Study Based on " " " Multiuser Driving Simulation[J]. Journal of Advanced " " " " Transportation， 2020， 2020.

[57] XING G， JIAN L， XIANG Q J， et al. Study on Driving " " " Behavior and Traffic Conflict at Highway Intersection[C]// Workshop on Power Electronics amp; Intelligent " " " " " " "Transportation System. Wuhan： IEEE Computer Society， 2008.

[58] LI Z， ELEFTERIADOU L， RANKA S. Signal Control " " "Optimization for Automated Vehicles at Isolated Signalized Intersections[J]. Transportation Research Part C： Emerging Technologies， 2014， 49： 1-18.

[59] 張心睿， 王潤民， 凡海金， 等. 混合交通環境下網聯交叉口車輛協同誘導策略及仿真測試[J]. 汽車技術， 2021（10）： 1-6.

ZHANG X R， WANG R M， FAN H J， et al. Research and Simulation of Vehicle Cooperative Guidance Strategy on Connected and Signalized Intersections under Mixed " " Traffic Environment[J]. Automobile Technology， 2021（10）： 1-6.

[60] RAFF M S. A Volume Warrant for Urban Stop Signs[J]. " "Intersections， 1950.

[61] SERAG M S. Gap-Acceptance Behavior at Uncontrolled " Intersections in Developing Countries[J]. Malaysian Journal of Civil Engineering， 2015， 27： 80-93.

[62] LORD-ATTIVOR R， JHA M K. Modeling Gap Acceptance and Driver Behavior at Stop Controlled （Priority） " " " " " " " Intersections in Developing Countries[C]// Proceedings of the 6th WSEAS International Conference on Computer " " Engineering and Applications， and Proceedings of the 2012 American conference on Applied Mathematics， World " " Scientific and Engineering Academy and Society （WSEAS）. Wisconsin： WSEAS， 2012.

[63] YAN X， RADWAN E， GUO D. Effects of Major-Road " " "Vehicle Speed and Driver Age and Gender on Left-Turn Gap Acceptance[J]. Accident Analysis amp; Prevention， 2007， 39（4）： 843-852.

[64] MA W， ZHAO J. Investigating Gap Acceptance Behavior at Two-Way Stop-Controlled Intersections in China[J]. " Transportation Letters， 2020， 12（3）： 202-212.

[65] CHAN C Y， RAGLAND D R， SHLADOVER S E， et al. " Observations of Driver Time Gap Acceptance at " " " " " " " Intersections " " in " " Left-Turn Across-Path–Opposite-Direction Scenarios[J]. Transportation Research Record， 2005， 1910（1）： 10-19.

[66] LIU M， LU G， WANG Y， et al. Analyzing Drivers’ Crossing Decisions at Unsignalized Intersections in China[J]. Transportation Research Part F： Traffic Psychology and " " " " " "Behavior， 2014， 24： 244-255.

[67] 肖永劍， 楊建國， 王兆安. 基于占先度的駕駛員沖突避碰決策模型[J]. 交通運輸工程學報， 2009， 9（5）： 116-120.

XIAO Y J， YANG J G， WANG Z A. Driver’s Conflict Avoidance Decision Model Based on Preemptive Level[J]. Journal of Traffic and Transportation Engineering， 2009， 9（5）： 116-120.

[68] XIAO Y， RAN Q， YANG J， et al. Analysis and Modeling of Crossing Behavior at Urban Intersections in China[J]. " " Journal of Transportation Engineering， 2011， 137（2）： 121-127.

[69] LIU Y， WANG J， CHEN C， et al. Vehicle Safety Analysis at Non-Signalised Intersections at Different Penetration Rates of Collision Warning Systems[J]. IET Intelligent Transport Systems， 2020， 14（13）： 1759-1768.

[70] OWEN G. Game Theory[M]. Pittsburgh： Academic Press， 2013.

[71] 劉小明， 王秀英. 基于重復博弈的無燈控交叉口駕駛員行為模型[J]. 中國公路學報， 2011， 24（4）： 94-100.

LIU X M， WANG X Y. Vehicle-Cross Action Model in " " Intersection without Traffic Light Based on Reduplicate Game[J]. China Journal of Highway and Transport， 2011， 24（4）： 94-100.

[72] CHEN X， SUN Y， OU Y， et al. A Conflict Decision Model Based on Game Theory for Intelligent Vehicles at Urban Unsignalized Intersections[J]. IEEE Access， 2020， 8： 189546-189555.

[73] YANG Z， HUANG H， WANG G， et al. Cooperative Driving Model for Non-Signalized Intersections with Cooperative Games[J]. Journal of Central South University， 2018， 25（9）： 2164-2181.

[74] ZOU X， LEVINSON D M. Modeling Pipeline Driving " " " Behaviors： Hidden Markov Model Approach[J]. " " " " " " " Transportation Research Record， 2006， 1980（1）： 16-23.

[75] 王江鋒， 劉雨桐， 王夢玉， 等. 車車通信環境下基于駕駛意圖共享的車輛避撞預警算法[J]. 中國公路學報， 2020， 33（6）： 65-76.

WNAG J F， LIU Y T， WANG M Y， et al. Warning " " " " " "Algorithm of Vehicle Collision Avoidance Based on Driving Intention Sharing in Vehicle-to-Vehicle Environment[J]. China Journal of Highway and Transport， 2020， 33（6）： 65-76.

[76] CHANG S H， LIN C Y， HSU C C， et al. The Effect of a " "Collision Warning System on the Driving Performance of Young Drivers at Intersections[J]. Transportation Research Part F： Traffic Psychology and Behavior， 2009， 12（5）： 371-380.

[77] 張心睿， 趙祥模， 王潤民， 等. 基于封閉測試場的 DSRC 與LTE-V通信性能測試研究[J]. 汽車技術， 2020（9）： 14-20.

ZHANG X R， ZHAO X M， WANG R M， et al. Research on Performance Test of DSRC and LTE-V in Closed Test Field[J]. Automobile Technology， 2020（9）： 14-20.

[78] ZHU M， QIN H， WANG J， et al. Study on the Impact of Communication Imperfections on Forward Collision " " " " " Warning and Avoidance Based on V2V Communications[C]// Society of Automotive Engineers （SAE）-China " " " "Congress. Shanghai： Springer， 2016.

[79] KLOIBER B， H?RRI J， STRANG T. Dice the TX Power—Improving Awareness Quality in VANETs by Random Transmit Power Selection[C]// 2012 IEEE Vehicular " " " " "Networking Conference （VNC）. Seoul： IEEE， 2012.

[80] SCHMIDT R K， LEINMULLER T， SCHOCH E， et al. " " "Exploration of Adaptive Beaconing for Efficient " " " " " " " "Intervehicle Safety Communication[J]. IEEE Network， 2010， 24（1）： 14-19.

[81] TIELERT T， JIANG D， CHEN Q， et al. Design Methodology and Evaluation of Rate Adaptation Based Congestion " " " Control for Vehicle Safety Communications[C]// 2011 IEEE Vehicular Networking Conference （VNC）. Amsterdam，： IEEE， 2011.

[82] TIELERT T， JIANG D， HARTENSTEIN H， et al. Joint "Power/Rate Congestion Control Optimizing Packet " " " " " " Reception " "in " "Vehicle " "Safety " Communications[C]//Proceeding of the Tenth ACM International Workshop on "Vehicular Inter-Networking， Systems， and Applications. New York： Association for Computing Machinery， 2013.

[83] JOERER S， BLOESSL B， SEGATA M， et al. Enabling " " " " Situation Awareness at Intersections for IVC Congestion Control Mechanisms[J]. IEEE Transactions on Mobile " " " Computing， 2015， 15（7）： 1674-1685.

[84] 常雪陽， 許慶， 李克強， 等. 通信時延與丟包下智能網聯汽車控制性能分析[J]. 中國公路學報， 2019， 32（6）： 216-225.

CHANG X Y， XU Q， LI K Q， et al. Analysis of Intelligent and Connected Vehicle Control under Communication " "Delay and Packet Loss[J]. China Journal of Highway and Transport， 2019， 32（6）： 216-225.

[85] 許慶， 潘濟安， 李克強， 等. 不可靠通信的云控場景下網聯車輛控制器的設計[J]. 汽車工程， 2021， 43（4）： 527-536.

XU Q， PAN J A， LI K Q， et al. Design of Connected " " " " " Vehicle Controller under Cloud Control Scenes with " " " " Unreliable Communication[J]. Automotive Engineering， 2021， 43（4）： 527-536.

（責任編輯 王 一）

修改稿收到日期為2022年11月10日。