CN117238172A

CN117238172A - 基于安全裕度的行驶风险量化方法

Info

Publication number: CN117238172A
Application number: CN202311499189.9A
Authority: CN
Inventors: 曲大义; 陈意成; 王可栋; 崔善柠; 杨晓霞; 杨宇翔; 贾彦峰
Original assignee: Qingdao University of Technology
Current assignee: Qingdao University of Technology
Priority date: 2023-11-13
Filing date: 2023-11-13
Publication date: 2023-12-15

Abstract

本发明公开基于安全裕度的行驶风险量化方法，属于风险量化技术领域，用于对行驶风险进行量化，包括计算两辆车之间的相对间距和安全裕度，构建安全状态判断函数，计算瞬时风险系数和碰撞时间，通过碰撞时间的倒数和瞬时风险系数进行行驶风险量化。本发明基于车辆实时运动信息综合评估换道风险，进而做出合理的安全判断；通过故障树分析法整合分别由碰撞和安全裕度推导的时间风险系数和空间风险系数，进行时空融合的风险评定量化，以判断车辆是否处于安全变道状态，并对本次换道可能存在的风险进行预警控制。本发明在使用安全裕度评估主观风险基础上，综合了时间和空间风险，使得评价指标同时具有评价主观风险与客观风险的能力。

Description

基于安全裕度的行驶风险量化方法

技术领域

本发明公开基于安全裕度的行驶风险量化方法，属于风险量化技术领域。

背景技术

在智能网联环境的促进下，辅助驾驶技术得到了空前的发展，提高了交通流的安全性，但交通安全问题同样不能忽视。针对车辆事故制定各种预防策略，首先需要准确评估车辆周围的潜在风险。但是在传统的交通环境中，驾驶员只能接收到很少的信息，而且其中大部分是不准确的，例如与周围车辆的距离，前方车辆的速度等。不同驾驶员具有不同的驾驶风险感知能力，增加了风险评估过程中的不确定性。然而，在智能网联环境中，车辆可以接收各种准确的动态信息。最重要的是，车辆可以感知一些人类驾驶员无法直接感知的信息，例如周围车辆的加速度和转向角等。车辆可以接收多种运动信息，并结合实际交通环境和驾驶要求，对所需的运动行为提供反馈。在这种情况下，一些传统的交通风险指标已经过时，无法满足智能网联环境中更准确的换道风险评估的要求。因此，建立符合智能网联环境特性的交通风险指标成为评估换道行为风险的重点。虽然一些研究从不同角度对换道风险评估指标研究做出了巨大贡献，但单一评估指标适用范围有限，很少有人关注综合评估方法；大多数研究根据历史轨迹数据集在变道后进行短期评估，缺乏对换道风险的实时量化。

发明内容

本发明的目的在于提供基于安全裕度的行驶风险量化方法，以解决现有技术中，行驶风险量化评估不准确的问题。

基于安全裕度的行驶风险量化方法，包括计算两辆车之间的相对间距和安全裕度，构建安全状态判断函数，计算瞬时风险系数和碰撞时间，通过碰撞时间的倒数和瞬时风险系数进行行驶风险量化。

安全状态判断函数为：

，/>；

其中和/>分别表示目标车辆和周围车辆i在时间/>的位置，/>表示在时间/>时目标车辆与周围车辆i之间的安全裕度，safe表示安全，unsafe表示不安全。

安全裕度为：

；

式中，是在时间/>时后车的速度，/>是在时间/>时前车的速度，/>是两辆车之间的相对间距，/>是重力加速度。

两辆车之间的相对间距为：

；

式中，、/>为前车和后车在时间/>的位置，/>是前车的长度。

瞬时风险系数为：

；

式中，为瞬时风险系数，/>表示在时间t时目标车辆和周围车辆i之间的风险系数，before表示风险控制前，after表示风险控制后。

目标车辆和周围车辆i之间的风险系数为：

；

式中，表示在时间t时目标车辆和周围车辆i之间的时间风险系数，/>表示在时间t时目标车辆和周围车辆i之间的空间风险系数，时间风险系数反映碰撞概率，空间风险系数，反映碰撞的严重程度。

时间风险系数为：

；

式中，表示目标车辆和周围车辆i之间的碰撞时间，/>表示驾驶员响应时间与制动系统响应时间之和。

空间风险系数为：

；

式中，表示理论最大的/>。

为：

。

碰撞时间为：

；

式中，表示目标车辆和周围车辆i的相对距离，/>表示在时间t时目标车辆的速度，/>表示周围车辆i和目标车辆的相对距离，/>表示在时间t时周围车辆i的速度，/>表示在时间t时周围车辆i的速度大于目标车辆的速度且目标车辆在前的情况，/>表示在时间t时目标车辆的速度大于周围车辆i的速度且周围车辆i在前的情况，/>表示不满足前两个条件的情况。

相对比现有技术，本发明具有以下有益效果：本发明基于车辆实时运动信息综合评估换道风险，进而做出合理的安全判断，以便预警；模型通过故障树分析法整合分别由TTC和安全裕度推导的时间风险系数和空间风险系数，进行时空融合的风险评定量化，以判断车辆是否处于安全变道状态，并对本次换道可能存在的风险进行预警控制，进一步使换道风险处于动态平衡的可接受范围内。

附图说明

图1是本发明的SV纵向位置图；

图2是SV瞬时风险系数变化图；

图3是风险控制前SV与LV加速度图；

图4是风险控制前1/TTC与风险系数图；

图5是风险控制后SV与LV加速度图；

图6是风险控制后1/TTC与风险系数图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

安全状态判断函数为：

，/>；

安全裕度为：

；

两辆车之间的相对间距为：

；

式中，、/>为前车和后车在时间/>的位置，/>是前车的长度。

瞬时风险系数为：

；

目标车辆和周围车辆i之间的风险系数为：

；

时间风险系数为：

；

空间风险系数为：

；

式中，表示理论最大的/>。

为：

。

碰撞时间为：

；

根据风险均衡理论，驾驶员可以根据经验感知风险信号，并通过特异性的驾驶行为补偿当前的感知风险，使感知风险恢复至可接受风险的范围内，从而达到一种风险平衡状态。其所采取的驾驶行为，（例如与前方车辆大于或小于一定距离时，驾驶员会响应地加速或者减速以调整与前方车辆的距离）很大程度上取决于感知风险和可接受风险之间的差异。然而，如果需要量化这种差异，则需要确定一种风险感知指标。

该指标不仅应该包括对当前风险水平的主观感知，还应该包括客观感知。换言之，此量化指标的影响因素在考虑驾驶员特异性的同时，还应该结合当前道路交通流的实际运行状态，以确保其具有动态评估当前风险水平的能力。

根据风险均衡理论，驾驶员通过增加冒险行为来抵消其在安全感知方面的收益，以维持风险水平的平衡。但换道行为与跟驰行为不同，前者本身具有一定的基础风险水平，可以视为一种冒险行为。同时应该区分主动换道与被迫换道，因为主动换道是一种驾驶员自发性寻求高安全收益的行为，而不是迫于突发的交通状况，相比较被迫换道，驾驶员具有更大的可接受风险范围。

在交通风险量化的相关研究中，TTC是一种经典的风险指标。解释为：以当前两辆车的相对速度行驶，将会发生碰撞的时间，数值越大表示越安全。与其他传统风险指标相比，TTC具有计算相对简单而且广泛应用的优势。目前许多车辆防撞系统或驾驶员辅助系统都已经将TTC作为重要的安全指标。TTC可以从主观风险的角度解释驾驶员如何识别风险信息。但是，仅使用TTC不足以评估所有交通情况的客观风险水平。例如，企图换道的车辆与目标车道的后车之间的速度差非常小时，尽管两辆车之间的相对距离很小，但此时TTC却非常大。TTC的确可以用来量化大多数的情况的交通风险，并用来研究风险水平的变化趋势，但却可能因为上述情况使驾驶员处于更高的风险之中。

本发明的风险动态均衡模型中提出的瞬时风险系数，在使用安全裕度评估主观风险基础上，综合了时间和空间风险，使得评价指标同时具有评价主观风险与客观风险的能力。

想要对交通事故进行预防，必须了解目标车辆在给定的换道条件下是否处于危险状态。在交通密度较高的情况下，目标车辆企图换向更高速车道，通常会遇到被几辆车包围的情况。这就要求驾驶员在变道时应该更加关注交通环境以及周围车辆的动态，以保持安全的车距和速度，否则就有可能发生碰撞或者事故。由于不同的道路环境、车流状态与驾驶员特性，使得安全的车距和速度一直处于一种动态变化状态。为判断车辆是否处于安全状态，以及进一步量化风险，引入安全裕度，将其描述为“令驾驶员感到威胁的距离”。

在评估变道风险的过程中，应首先计算目标车辆（SV）与周围车辆之间的每个SM。但是车辆之间可能存在各种位置关系。如图，与前车（FV）和目标车道前车（PV）相比，SV位于后方位置，而与后车（RV）和目标车道后车（LV）相比，SV位于前方位置。简而言之，可以用F和R两个标签作为前方车辆和后方车辆，来解释复杂的相对关系。

当车辆采取制动措施时，其加速度会受到附着系数的影响。附着系数又受到速度、载荷和路面性能等参数的影响。附着系数的极值通常从0.1（结冰路面）到0.9（沥青混凝土路面）。《道路通行能力手册》建议“乘用车的起步加速度在3~13 ft/s²范围内，减速度在7~26 ft/s²范围内。结合大多数轮胎磨损、路面状况和测试数据，模型中的加速度取：

；

其中g是重力加速度。

制动系统响应时间也因制动踏板的力和速度的差异而有所不同。液压制动器的响应时间一般小于气压制动器。在分别研究了配备ABS和没有配备ABS的车辆制动参数后，车辆的减速时间小于0.2 s，并保持在0.1~0.2 s的范围内。在紧急情况下，驾驶员可能会快速而有力地踩制动踏板。因此将设为0.15 s。

关于驾驶员的感知制动反应时间，当驾驶员完全了解制动信号的出现的时间和位置时，在识别信号后大约会在0.70~0.75 s内将脚从油门移动至制动踏板；对意料之外但常见的信号（比如前车的刹车灯）的响应时间约为1.25 s；而对于完全意外的事件，约为1.5s。这些时间在一定程度上还受到其他因素的影响，包括驾驶员的年龄、性别、认知能力和压力等。本发明将设置为1.25 s。

如果具有换道需求的SV在当前交通条件下存在潜在碰撞风险，则需要对的时间和空间风险进行详细评估，得出瞬时风险系数，为风险预警做准备。故障树分析法作为安全系统工程中分析风险的重要方法，是一种逻辑演绎体系的评价方法，既可以是定性的，也可以是定量的，通常被用于分析整个系统的故障与每个部分故障之间的关系。

对于换道行为，系统风险定义为SV与周围车辆安全交互失败。当SV移动到不同位置时，它与周围车辆的交互行为存在差异。因此，根据SV与车道线的相对位置关系，瞬时风险系数有两种计算方式。（1）在SV完全越过车道边线之前，瞬时风险系数最多受周围四辆车的影响，在这种情况下，可以通过计算最多四个部分的故障系数得到。（2）一旦SV完全越过车道边线，瞬时风险系数就只受目标车道上的PV和LV影响，在这种情况下，可以通过计算最多两个部分的故障系数得到。

在使用故障树分析整体瞬时风险系数之前，需要确定每个部分的风险系数。而对于每个部分的风险系数，本发明通过用SRF度量的碰撞严重程度和用TRF反映的碰撞概率综合表示。

本发明引入TRF量化碰撞概率。TRF是根据TTC推导，旨在描述当目标车辆处于不安全的道路状况时，量化发生碰撞的可能性的一个指标。

目标车辆的换道风险与周围车辆是否为网联车辆有很大关系。由于网联车辆的运动状态是稳定且可预测的，当目标车辆的相邻车辆为网联车辆时，此时换道的风险是可控的。但人工驾驶车辆往往会由于误判、生理和环境等因素出现方向偏离和突然减速的情况，不可控风险程度较高。而且介于完全自动驾驶受限与技术、政策、经济、法律和伦理等因素，无法形成规模化应用。本发明所建立模型，更适合装载ADAS系统的目标车辆处于周围为纯手动驾驶车辆情况下的换道场景。

本发明根据周围交通状态，通过计算安全裕度，综合故障树分析，推导变道的时间和空间风险，进行时空融合的风险评定，判断目标车辆是否处于安全变道状态，并对在本次换道中可能存在的风险进行预警。然而，风险评定是一个动态的过程，将伴随着动态交通环境的演变趋势同时进行优化，在目标车辆驾驶员接受本发明提供的换道预警信息后，有利于避免发生危险碰撞或严重碰撞，并对提高当地交通流的安全性和可靠性有极大帮助。

为了验证本发明的可行性，采用SUMO微观交通流模拟程序。模拟道路为双车道城市道路，总长度为1500 m。限速设置为60 km/h。采用IDM车辆跟随模型和LC2013换道模型来模拟车辆微观驾驶行为。车辆输入包括目标车辆（SV）、前车（FV）、后车（RV）、目标车道前车（PV）、目标车道后车（LV）。他们分别以45 km/h的恒定速度，37、43、50、60 km/h的初始速度行驶，由于使用的模型参数都是内置在SUMO中的标准参数，无需进行其他更改。

根据对换道碰撞紧迫性的划分，设计三组平行实验。A组控制SV在与LV（的TTC=5.5s发起超车动作，B组控制SV在与LV的TTC在范围内发起超车动作、C组控制SV在与LV的TTC在TTC=3.0 s时发起超车动作。

图1中所示范围边界分别表示SV开启转向灯至车身完全越过车道边线的时刻，并分别对应图2中的峰值与突变处。结果表明，驾驶员在目标车道后方车辆的TTC=5.5时采取换道措施，瞬时风险系数γ将达到0.6；驾驶员在与目标车道后方车辆的TTC处于（3.0，5.5）范围内采取换道措施，瞬时风险系数γ将始终保持在0.4以下；可初步判定瞬时风险系数阈值。

为更客观合理地对本发明提出的风险量化均衡模型进行评价，得到更精确的测试结果，将全部车辆的固定速度限制解除，控制SV在瞬时风险系数处于[0.2，0.4]范围内开始采取变道措施，重复实验十次，每个实验持续时间约为20 s。最终生成201个数据段。

当使用TTC指标量化交通风险时，越小的值表示风险越高。本发明采用TTC的倒数来确保数值与交通风险的正相关性。

本发明分别统计了在有控制和无控制情况下的1/TTC和瞬时风险系数γ。统计结果不接近正态分布。在总体分布不明确或者不是正态分布的情况下，不能用参数检验来判断总体趋势和分布度。本发明采用非参数检验来分析有无控制影响下的1/TTC与γ之间的差异。

对于1/TTC，控制前与控制后的平均值分别为0.2522和0.1570。结果表明在置信水平为0.5%(U=71079，r= 0.67，p= 0.00），也就是说，1/TTC控制前比控制后要大得多。可以认为，风险平衡模型使驾驶风险得到了有效控制。

瞬时风险系数γ，控制前和控制后的平均值分别为0.2466和0.1951，结果显示处于在0.5%置信水平（U= 90601，r= 1.00，p= 0.00），这表明本发明提出的瞬时风险系数也可以很好地评估后续车辆的驾驶风险。

根据仿真结果，对比了1/TTC与瞬时风险系数γ，此外，为了更好地显示每个时间路段的指标对应的实际行驶情况，还比较了相应时间时刻前导和后行车辆的加速度值，如图3、图4、图5和图6所示。

从图3的数值仿真结果可以看出风险变化参数基本一致。但存在几个特殊时刻，例如在20s和21s时，根据瞬时风险系数γ的值，20s时的风险大于21s时；根据1/TTC的值，20s时的风险小于21时。然而，从图5中可以发现，SV的加速度在20s时为负，LV的加速度为正。此时的碰撞风险可能较高。在21s时，SV的加速度为正，LV的加速度为负，在这种情况下的碰撞风险可能较低。而且在两个时刻，两辆车之间的距离几乎相同，20s时的风险值应高于21s时。由此得出结论，本发明提出的瞬时风险系数γ在考虑了加速度参数影响后更加符合实际驾驶风险水平。这一结果也证明，在评估网联驾驶车辆驾驶风险时，不应忽视加速度因素。

通过将预警控制后的仿真结果（图5、图6）与预警控制前的仿真结果（图3、图4）进行对比，1/TTC和瞬时风险系数γ显著降低，表明交通安全风险降低，道路安全情况得到极大改善。同时1/TTC和瞬时风险系数γ变化趋于稳定，表明交通流的稳定性得到了较大提高。此外，通过观察图4中SV和LV的加速度变化可以发现，其减速和加速变化趋势基本一致，表明本发明提出的风险评价模型还可以促进未来智能网联环境中网联车辆队列的形成，从而提高交通容量和交通效率。

以上实施例仅用于说明本发明的技术方案，而非对其限制，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换，而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims

1.基于安全裕度的行驶风险量化方法，其特征在于，包括计算两辆车之间的相对间距和安全裕度，构建安全状态判断函数，计算瞬时风险系数和碰撞时间，通过碰撞时间的倒数和瞬时风险系数进行行驶风险量化。

2.根据权利要求1所述的基于安全裕度的行驶风险量化方法，其特征在于，安全状态判断函数为：

，/>；

3.根据权利要求2所述的基于安全裕度的行驶风险量化方法，其特征在于，安全裕度为：

；

4.根据权利要求3所述的基于安全裕度的行驶风险量化方法，其特征在于，两辆车之间的相对间距为：

；

式中，、/>为前车和后车在时间/>的位置，/>是前车的长度。

5.根据权利要求4所述的基于安全裕度的行驶风险量化方法，其特征在于，瞬时风险系数为：

；

6.根据权利要求5所述的基于安全裕度的行驶风险量化方法，其特征在于，目标车辆和周围车辆i之间的风险系数为：

；

式中，表示在时间t时目标车辆和周围车辆i之间的时间风险系数，/> 表示在时间t时目标车辆和周围车辆i之间的空间风险系数，时间风险系数反映碰撞概率，空间风险系数，反映碰撞的严重程度。

7.根据权利要求6所述的基于安全裕度的行驶风险量化方法，其特征在于，时间风险系数为：

；

8.根据权利要求7所述的基于安全裕度的行驶风险量化方法，其特征在于，空间风险系数为：

；

式中，表示理论最大的/>。

9.根据权利要求8所述的基于安全裕度的行驶风险量化方法，其特征在于，为：

。

10.根据权利要求9所述的基于安全裕度的行驶风险量化方法，其特征在于，碰撞时间为：

；

式中，表示目标车辆和周围车辆i的相对距离，/>表示在时间t时目标车辆的速度，/>表示周围车辆i和目标车辆的相对距离，/>表示在时间t时周围车辆i的速度，表示在时间t时周围车辆i的速度大于目标车辆的速度且目标车辆在前的情况，/>表示在时间t时目标车辆的速度大于周围车辆i的速度且周围车辆i在前的情况，/>表示不满足前两个条件的情况。