弯道工况下驾驶员主观风险感知的量化研究

doi:10.19562/j.chinasae.qcgc.2022.09.016

摘要/Abstract

摘要：

为深入理解驾驶员行为，本文对驾驶员在弯道工况下的主观风险感知进行量化探索。首先，提出基于1/CTLC、1/STLC与1/TAD指标的驾驶员弯道工况主观风险感知量化方法。其次分别针对潜在风险感知和显性风险感知特性设计主观评价实验，利用数值评估法获得驾驶员的风险评估值，根据史蒂文斯幂定律对结果进行拟合，构建了驾驶员弯道主观风险感知模型。最后，基于该模型对驾驶员自然驾驶数据进行分析，结果表明本文构建的风险感知模型能反映弯道工况下驾驶员的风险感知特性。

关键词: 驾驶员, 风险感知模型, 主观评价, 数值评估法

Abstract:

In order to in-depth understand driver’s behavior， a quantitative exploration on the subjective risk perception of driver in curve driving condition is conducted in this paper. Firstly， a method to quantify drivers’ subjective risk perception in curve driving is proposed based on 1/CTLC， 1/STLC， and 1/TAD indicators. Then， the subjective evaluation experiments are devised for latent and overt risk perception characteristics respectively， the driver’s risk estimate is obtained by using the magnitude estimation method， and the results are fitted according to Stevens’ power law to construct a driver’s subjective risk perception model in curve driving. Finally， the driver’s natural driving data are analyzed based on the model. The results show that the risk perception model constructed can reflect the risk perception characteristics of drivers in curve driving condition.

Key words: drivers, risk perception model, subjective evaluation, magnitude estimation method

郭子彬,陈慧,夏韬锴,冉巍,西村要介,王建镇. 弯道工况下驾驶员主观风险感知的量化研究[J]. 汽车工程, 2022, 44(9): 1447-1455.

Zibin Guo,Hui Chen,Taokai Xia,Wei Ran,Yosuke Nishimura,Jianzhen Wang. Study on Quantification of Driver’s Subjective Risk Perception in Curve Driving Condition[J]. Automotive Engineering, 2022, 44(9): 1447-1455.

图/表 12

图1

图2

图3

表1

实验1的参数分布"

场景	①自变量为横向偏移距离				场景	②自变量为速度
场景	$1 T A D$	$1 S T L C$	D/m		场景	$1 T A D$	$1 S T L C$	v/（m·s^-1）
1	46	0.50	向内侧偏离	0.3	1	9	0.4	6
2	20	0.53		0.7	2	14	0.6	10
3	11	0.61		1.3	3	19	0.8	13
4	9	0.63	居中	1.5	4	24	1.0	17
5	11	0.66	向外侧偏离	1.1	5	29	1.2	20
6	20	0.81		0.7	6	34	1.4	24
7	46	1.00		0.3	7	39	1.6	27

表1

表2

图4

图5

图6

图7

图8

图9

图10

参考文献 17

1	BECKER C， YOUNT L， ROSEN-LEVY S， et al. Functional safety assessment of a generic automated lane centering system and related foundational vehicle systems［R］. Washington DC： National Highway Traffic Safety Administration， 2018.
2	FLEMING J M， ALLISON C K， YAN X D， et al. Adaptive driver modelling in ADAS to improve user acceptance： a study using naturalistic data［J］. Safety Science， 2019， 119： 76-83.
3	SPACEK P. Track behavior in curve areas： attempt at typology［J］. Journal of Transportation Engineering， 2005， 131（9）： 669-676.
4	赵斌，陈慧，冉巍，等. 车道对中控制系统的驾驶员自适应需求验证［J］.汽车技术， 2021（3）： 1-6.
	ZHAO B， CHEN H， RAN W， et al. Verification of adaptive demand of lane centering control system［J］. Automobile Technology， 2021（3）： 1-6.
5	SIVAK M. The information that drivers use： is it indeed 90% visual ［J］. Perception， 1996， 25（9）： 1081-1089.
6	LIU A， SALVUCCI D. Modeling and prediction of human driver behavior［C］. Intl. Conference on HCI， 2001： 1479-1483.
7	WANG J， ZHANG L， ZHANG D， et al. An adaptive longitudinal driving assistance system based on driver characteristics［J］. IEEE Transactions on Intelligent Transportation Systems， 2013， 14（1）： 1-12.
8	BARENDSWAARD S， POOL D M， BOER E R， et al. A classification method for driver trajectories during curve-negotiation［C］. IEEE International Conference on Systems， Man and Cybernetics， 2019： 3729-3734.
9	KONDOH T， YAMAMURA T， KITAZAKI S， et al. Identification of visual cues and quantification of drivers’ perception of proximity risk to the lead vehicle in car-following situations［J］. Journal of Mechanical Systems for Transportation and Logistics， 2008， 1（2）： 170-180.
10	EBOLI L， MAZZULLA G， PUNGILLO G. How to define the accident risk level of car drivers by combining objective and subjective measures of driving style［J］. Transportation Research Part F： Traffic Psychology and Behaviour， 2017， 49： 29-38．
11	BOROWSKY A， ORON-GILAD T. Exploring the effects of driving experience on hazard awareness and hazard perception via real-time hazard identification， hazard classification， and rating tasks［J］. Accident Analysis and Prevention， 2013， 59： 548-565.
12	BOER E R. Satisficing curve negotiation： explaining drivers’ situated lateral position variability［J］. IFAC-PapersOnLine， 2016， 49（19）： 183-188.
13	BARENDSWAARD S， VAN BREUGEL L， SCHELFAUT B， et al. Effect of velocity and curve radius on driver steering behaviour before curve entry［C］. IEEE International Conference on Systems， Man and Cybernetics， 2019： 3866-3871.
14	BIAN Y G， DING J Y， HU M J， et al. An advanced lane-keeping assistance system with switchable assistance modes［J］. IEEE Transactions on Intelligent Transportation Systems， 2020， 21（1）： 385-396.
15	KONDOH T， FURUYAMA N， HIROSE T， et al. Direct evidence of the inverse of TTC hypothesis for driver’s perception in car-closing situations［J］. International Journal of Automotive and Mechanical Engineering， 2014， 5（4）： 121-128.
16	STEVENS S. On the psychophysical law［J］. Psychological Review， 1957， 64（3）： 153-181.
17	MUTOH S. Psychology metrics （in Japanese）［M］. Tokyo， Asakura Shoten Co. Ltd， 1982.

道路半径=60 m		道路半径=120 m
场景	1/CTLC/m^-1	场景	1/CTLC/m^-1
1	0.22	1	0.34
2	0.45	2	0.50
3	0.57	3	0.69
4	0.66	4	0.88
5	0.74	5	1.07
6	0.88	6	1.29
7	1.00	7	1.47
1/TAD=20 m^-1		1/TAD=30 m^-1
1/STLC=1.5 m^-1		1/STLC=1.0 m^-1

[1]	胡宏宇, 黎烨宸, 张争光, 曲优, 何磊, 高镇海. 基于多尺度骨架图和局部视觉上下文融合的驾驶员行为识别方法[J]. 汽车工程, 2024, 46(1): 1-8.
[2]	冉巍,陈慧,杨佳鑫,西村要介,国朝鵬,尹又雨. 基于效用理论的运动规划奖励函数设计方法[J]. 汽车工程, 2023, 45(8): 1373-1382.
[3]	钱立军,陈晨,陈健. 无信控交叉口环境下考虑驾驶员误差的集中式轨迹规划[J]. 汽车工程, 2023, 45(5): 768-776.
[4]	崔格格,吕超,李景行,张哲雨,熊光明,龚建伟. 数据驱动的智能车个性化场景风险图构建[J]. 汽车工程, 2023, 45(2): 231-242.
[5]	胡满江,卜令坤,秦洪懋,周岩,边有钢,孙宁,郑讯佳. 多类时延下混合车辆队列建模与协同控制[J]. 汽车工程, 2022, 44(9): 1359-1371.
[6]	郭应时,胡亚辉,付锐,王畅. 基于认知-控制框架的侧风工况下驾驶员横向控制模型研究[J]. 汽车工程, 2022, 44(8): 1251-1261.
[7]	童芳,李雄,兰凤崇,陈吉清. 车辆乘员主动脉钝性损伤仿真分析[J]. 汽车工程, 2022, 44(6): 878-885.
[8]	赵治国,李园,胡昊锐,王鹏,陈晓蓉. 紧急避撞工况下驾驶员异常行为检测[J]. 汽车工程, 2022, 44(3): 412-425.
[9]	高开展,罗巧,张志飞,徐中明. 基于体压分布的汽车座椅振动舒适性评价[J]. 汽车工程, 2022, 44(12): 1936-1943.
[10]	钱立军,陈健,吴冰,宣亮,陈晨,陈亮亮. 考虑驾驶员操作误差的混合动力汽车队列生态驾驶控制[J]. 汽车工程, 2021, 43(7): 1037-1045.
[11]	武和全,张家飞,任启凡,胡林. 不同角度正面碰撞中老年驾驶员下肢模型的响应研究[J]. 汽车工程, 2021, 43(5): 739-745.
[12]	郭景华,李文昌,罗禹贡,陈涛,李克强. 基于深度强化学习的驾驶员跟车模型研究[J]. 汽车工程, 2021, 43(4): 571-579.
[13]	江昕炜,陈龙,华一丁,徐兴. 基于改进型ELM的熟练驾驶员行车轨迹拟合方法研究[J]. 汽车工程, 2021, 43(11): 1620-1630.
[14]	白中浩, 王韫宇, 张林伟. 基于图卷积网络的多信息融合驾驶员分心行为检测^*[J]. 汽车工程, 2020, 42(8): 1027-1033.
[15]	毕凤荣, 黄宇, 张立鹏, 沈鹏飞, 吕大立. 基于区间灰数理论的汽车声品质主观评价方法研究^*[J]. 汽车工程, 2020, 42(7): 933-940.