基于安全裕度的網聯自主汽車換道行為風險量化及動態平衡模型

2024-05-21 13:54:56陳意成曲大義邵德棟楊子奕

科學技術與工程 2024年12期

陳意成, 曲大義, 邵德棟, 楊子奕

(青島理工大學交通運輸工程系, 青島 266520)

在智能網聯環境的促進下,自動駕駛技術得到了空前的發展,提高了交通流的安全性,但交通安全問題同樣不能忽視。針對車輛事故制定各種預防策略,首先需要準確評估車輛周圍的潛在風險。但是在傳統的交通環境中,駕駛員只能接收到很少的信息,而且其中大部分是不準確的,例如與周圍車輛的距離,前方車輛的速度等。不同駕駛員具有不同的駕駛風險感知能力,增加了風險評估過程中的不確定性。然而,在CAV(net-connected autonomous vehicles)環境中,車輛可以接收各種準確的動態信息。重要的是,車輛可以感知一些人類駕駛員無法直接感知的信息,如周圍車輛的加速度和轉向角等。車輛可以接收多種運動信息,并結合實際交通環境和駕駛要求,對所需的運動行為提供反饋。在這種情況下,一些傳統的交通風險指標已經過時,無法滿足CAV環境中更準確地換道風險評估的要求。因此,建立符合CAV特性的交通風險指標成為評估換道行為風險的重點。

中外學者在駕駛風險指標和換道模型方面進行了相關研究。Ozbay等[1]提出的事故指數可以描述事故碰撞中涉及的動能影響,同時也可以定義事故的嚴重程度。Wang等[2]建立人車道路閉環系統的“車輛安全場”統一模型,為復雜交通環境下的駕駛風險提供了一種有效的方法。許倫輝等[3]以最小安全距離作為換道目標,建立雙車道環境下最小安全距離換道模型。賈彥峰等[4]建立安全勢場模型,系統地刻畫網聯自動駕駛車輛在行駛過程中面臨的安全風險。郭海兵等[5]建立Logit模型定量分析駕駛人換道行為決策過程。曲大義等[6]從博弈論的角度研究自動駕駛車輛換道的交互性,合理地展示了自動駕駛車輛的換道特性。

綜上可以,前人從不同角度對換道風險評估指標研究做出了巨大貢獻,但單一評估指標適用范圍有限,很少有人關注綜合評估方法,大多數研究根據歷史軌跡數據集在變道后進行短期評估,缺乏對換道風險的實時量化。鑒于此,提出一種換道瞬時風險量化模型,基于車輛實時運動信息綜合評估換道風險,進而做出合理的安全判斷,以便預警。所提模型通過故障樹分析法整合分別由碰撞時間和安全裕度推導的時間風險系數和空間風險系數,進行時空融合的風險評定量化,以判斷車輛是否處于安全變道狀態,并對本次換道可能存在的風險進行預警控制,進一步使換道風險處于動態平衡的可接受范圍內。在目前復雜的智能網聯道路環境下,保障自主駕駛車輛隊列的穩態運行。為后續網聯新型混合車流的車輛換道軌跡規劃相關研究提供理論基礎。

1 風險平衡理論描述

根據風險平衡理論[7],駕駛員可以根據經驗感知風險信號,并通過特異性的駕駛行為補償當前的感知風險,使感知風險恢復至可接受風險的范圍內,從而達到一種風險平衡狀態。其所采取的駕駛行為,(例如與前方車輛大于或小于一定距離時,駕駛員會響應地加速或者減速以調整與前方車輛的距離)很大程度上取決于感知風險和可接受風險之間的差異。然而,如果需要量化這種差異,則需要確定一種風險感知指標。該指標不僅包括對當前風險水平的主觀感知,還包括客觀感知。換言之,此量化指標的影響因素在考慮駕駛員特異性的同時,還應該結合當前道路交通流的實際運行狀態,以確保其具有動態評估當前風險水平的能力。

根據風險平衡理論[7],駕駛員通過增加冒險行為來抵消其在安全感知方面的收益,以維持風險水平的平衡。但換道行為與跟馳行為不同,前者本身具有一定的基礎風險水平,可以視為一種冒險行為。同時應該區分主動換道與被迫換道,因為主動換道是一種駕駛員自發性尋求高安全收益的行為,而不是迫于突發的交通狀況,相比較被迫換道,駕駛員具有更大的可接受風險范圍。

在交通風險量化的相關研究中,碰撞時間(time to collision,TTC,記為TTC)是一種經典的風險指標,定義為:以當前兩輛車的相對速度行駛,將會發生碰撞的時間,數值越大表示越安全。與其他傳統風險指標相比,TTC具有計算相對簡單而且廣泛應用的優勢。目前許多車輛防撞系統或駕駛員輔助系統都已經將TTC作為重要的安全指標。TTC可以從主觀風險的角度解釋駕駛員如何識別風險信息。但是僅使用TTC不足以評估所有交通情況的客觀風險水平。例如,企圖換道的車輛與目標車道的后車之間的速度差非常小時,盡管兩輛車之間的相對距離很小,但此時TTC卻非常大。TTC可以用來量化大多數的情況的交通風險,并用來研究風險水平的變化趨勢,但是可能由于上述情況導致駕駛員處于更高的風險之中。

為此,在風險平衡模型中提出的瞬時風險系數,在使用安全裕度評估主觀風險基礎上,綜合時間和空間風險,使得評價指標同時具有評價主觀風險與客觀風險的能力。

2 基于安全裕度的風險量化分析

對交通事故進行預防,必須了解目標車輛在給定的換道條件下是否處于危險狀態。在交通密度較高的情況下,目標車輛企圖換向更高速車道,通常會遇到被幾輛車包圍的情況。這就要求駕駛員在變道時應該更加關注交通環境以及周圍車輛的動態,以保持安全的車距和速度,否則就有可能發生碰撞或者事故。由于不同的道路環境、車流狀態與駕駛員特性,使得安全的車距和速度一直處于一種動態變化狀態。為判斷車輛是否處于安全狀態,以及進一步量化風險,引入安全裕度(safety margin,SM)。Nilsson[8]將其描述為“令駕駛員感到威脅的距離”,安全狀態判斷函數為

(1)

在評估變道風險的過程中,應首先計算目標車輛(subject vehicle,SV)與每個交互車輛之間的SM。但是車輛之間可能存在各種位置關系。如圖1所示,與前車(front vehicle in the current lane,FV)和目標車道前車(preceding vehicle in the target lane,PV)相比,SV位于后方位置,而與當前車道后車(rear vehicle in the current,RV)和目標車道后車(lag vehicle in the target lane,LV)相比,SV位于前方位置?？梢杂肍和R分別表示前方車輛和后方車輛,來解釋復雜的相對關系。依照上述定義,SV與周圍每輛車的SM可描述為

圖1 網聯混合交通流車車交互關系Fig.1 Vehicle-vehicle interaction in networked hybrid traffic flows

(2)

DR(t)=xF(t)-xR(t)-LF

(3)

式中:VR(t)為在t時刻后車的速度;VF(t)為在t時刻前車的速度;τ1為駕駛員響應時間;τ2為制動系統響應時間;aR(t)為t時刻后車的加速度;aF(t)為t時刻前車的加速度;DR(t)為t時刻兩輛車之間的相對間距;xF(t)、xR(t)分別為前車和后車在t時刻的位置;LF為前車的長度;下標F和R分別為前方車輛和后方車輛。

當車輛采取制動措施時,其加速度會受到附著系數的影響。附著系數又受到速度、載荷和路面性能等參數的影響。附著系數的極值通常為0.1(結冰路面)～0.9(瀝青混凝土路面)[9]?！兜缆吠ㄐ心芰κ謨浴方ㄗh“乘用車的起步加速度在0.9～3.9 m/s2范圍內,減速度在2.1～7.8 m/s2范圍內[10]”。結合大多數輪胎磨損、路面狀況和Vangi等[11]的測試數據,模型中的加速度見式(4)。

aR(t)=aF(t)=0.75g

(4)

式(4)中:g為重力加速度。

制動系統響應時間也因制動踏板的力和速度的差異而有所不同。液壓制動器的響應時間一般小于氣壓制動器。在分別研究了配備防抱死制動系統(anti-lock braking system,ABS)前后的車輛制動參數后,Sokolovskij[12]研究發現,日本和西方國家大多數車輛的減速時間小于0.2 s,并保持在0.1～0.2 s的范圍內。在緊急情況下,駕駛員可能會快速而有力地踩制動踏板。因此將τ2設為0.15 s。

關于駕駛員的感知制動反應時間,Gardoni等[13]研究發現,當駕駛員完全了解制動信號出現的時間和位置時,在識別信號后0.70～0.75 s內將腳從油門移動至制動踏板;對意料之外但常見的信號(如前車的剎車燈)的響應時間為1.25 s;而對于完全意外的事件,為1.5 s。這些時間在一定程度上還受到其他因素的影響,包括駕駛員的年齡、性別、認知能力和壓力等。本文模型將τ1設置為1.25 s。

因此安全裕度簡化為

(5)

3 基于故障樹分析的換道行為時空風險平衡模型

如果具有換道需求的目標車輛在當前交通條件下存在潛在碰撞風險,則需要對的時間和空間風險進行詳細評估,得出瞬時風險系數,為風險預警做準備。故障樹分析法作為安全系統工程中分析風險的重要方法,是一種邏輯演繹體系的評價方法,既可以是定性的,也可以是定量的,通常被用于分析整個系統的故障與每個部分故障之間的關系(圖2)[14]。

圖2 故障樹分析法流程Fig.2 Fault tree analysis process

對于換道行為,系統風險定義為目標車輛與周圍車輛安全交互失敗。當目標車輛移動到不同位置時,它與交互車輛的交互行為存在差異。因此,根據目標車輛與車道線的相對位置關系,瞬時風險系數有兩種計算方式:①在目標車輛完全越過車道邊線之前,瞬時風險系數最多受附近4輛交互車的影響,在這種情況下,可以通過計算4個部分的故障系數得到;②一旦目標車輛完全越過車道邊線,瞬時風險系數就只受目標車道上的PV和LV影響,在這種情況下,可以通過計算最多兩個部分的故障系數得到。

在使用故障樹分析整體瞬時風險系數之前,需要確定每個部分的風險系數。而對于每個部分的風險系數,通過碰撞嚴重程度(spatial risk factor,SRF)和碰撞概率(temporal risk factor,TRF,記為TRF)綜合表示。

TRF是根據TTC推導,旨在描述當目標車輛處于不安全的道路狀況時,量化發生碰撞的可能性的指標[15]。采用故障樹分析法量化SV在時間t處的瞬時風險系數γ確定過程如下。

(6)

λi(t)=TRFi(t)SRFi(t)

(7)

(8)

(9)

(10)

(11)

目標車輛的換道風險與交互車輛是否為自動駕駛車輛(autonomous vehicles, AV)有很大關系。由于AV的運動狀態是穩定且可預測的,當目標車輛的相鄰車輛為AV時,此時換道的風險是可控的。但手動駕駛車輛往往會由于誤判、生理和環境等因素出現方向偏離和突然減速的情況,不可控風險程度較高。而且介于完全自動駕駛受限與技術、政策、經濟、法律和倫理等因素,無法形成規?；瘧谩１疚哪Ｐ透m合裝載高級駕駛輔助系統(advanced driver assistance system,ADAS)的目標車輛處于周圍為純手動駕駛車輛情況下的換道場景。

本文模型根據周圍交通狀態,通過計算安全裕度,綜合故障樹分析,推導變道的時間和空間風險,進行時空融合的風險評定,判斷目標車輛是否處于安全變道狀態,并對在本次換道中可能存在的風險進行預警,具體流程如圖3所示。然而,風險評定是一個動態的過程,將伴隨著動態交通環境的演變趨勢同時進行優化,在目標車輛駕駛員接受本模型提供的換道預警信息后,有利于避免發生危險碰撞或嚴重碰撞,并對提高當地交通流的安全性和可靠性有極大幫助。

圖3 風險量化模型Fig.3 Risk quantification mode

4 模型仿真驗證分析

4.1 仿真環境

為了驗證本文模型的可行性,采用SUMO(simulation of urban mobility)微觀交通流模擬程序。模擬道路為雙車道城市道路,總長度為1 500 m。限速設置為60 km/h。采用IDM(intelligent driver model)車輛跟馳模型和LC2013換道模型來模擬車輛微觀駕駛行為。車輛輸入包括SV、PV、FV、RV、LV。分別以45 km/h的恒定速度,37、43、50、60 km/h的初始速度行駛,由于使用的模型參數都是內置在SUMO中的標準參數,無需進行其他更改。

4.2 仿真過程與結果

根據Lee等[16]對換道碰撞緊迫性的劃分,設計3組平行實驗,如圖4所示。A組控制SV(藍色車輛)在與LV(粉色車輛)的TTC=5.5 s發起超車動作,B組控制SV(綠色車輛)在與LV的TTC在(3.0,5.5)范圍內發起超車動作、C組控制SV(紅色車輛)在與LV的TTC在TTC=3.0 s時發起超車動作。

圖4 仿真實驗Fig.4 Simulation experiment

圖5中所示范圍邊界分別表示SV開啟轉向燈至車身完全越過車道邊線的時刻,并分別對應圖6中的峰值與突變處。結果表明,駕駛員在目標車道后方車輛的TTC=5.5時采取換道措施,瞬時風險系數γ將達到0.6;駕駛員在與目標車道后方車輛的TTC處于(3.0,5.5)范圍內采取換道措施,瞬時風險系數γ將始終保持在0.4以下;可初步判定瞬時風險系數閾值。