智能车辆换道潜在冲突分析与风险量化方法

doi:10.19562/j.chinasae.qcgc.2021.11.001

摘要/Abstract

摘要：

在缺乏有效的真实换道事故数据的情况下，基于交通冲突理论，分析车辆在换道过程不同阶段与周围车辆的潜在冲突形式。通过微观冲突风险指标推导、宏观换道风险特征提取和系统性换道风险分析，建立同时考虑潜在碰撞可能性与严重程度的换道风险综合量化方法。利用自然驾驶轨迹数据集，对风险综合量化方法进行应用试验分析。结果表明，所提出的量化方法能客观合理地反映不同类型、不同位置的换道风险特征，为智能车辆安全换道决策与规划提供了一种新思路。

关键词: 智能车辆, 换道, 风险量化, 交通冲突

Abstract:

In the absence of effective real lane change accident data， the potential conflict forms of vehicles with surrounding vehicles at different stages of complete lane change process are analyzed based on traffic conflict theory. Through the derivation of microscopic conflict risk indicators， the extraction of macroscopic lane change risk features and the analysis on systematic lane change risk， a comprehensive quantification method of lane change risk is established with concurrent considerations on the possibility and severity of potential collisions. An application test is conducted to analyze the comprehensive risk quantification method using the natural driving trajectory data set. The results show that the quantification method proposed can objectively and reasonably reflect the risk features of lane change of different types and locations， providing a new idea for the decision-making and planning of safe lane change of intelligent vehicles.

Key words: intelligent vehicles, lane change, risk quantification, traffic conflict

陈吉清,翁楚滨,兰凤崇. 智能车辆换道潜在冲突分析与风险量化方法[J]. 汽车工程, 2021, 43(11): 1565-1576.

Jiqing Chen,Chubin Weng,Fengchong Lan. Potential Conflict Analysis and Risk Quantification Method of Intelligent Vehicle Lane Change[J]. Automotive Engineering, 2021, 43(11): 1565-1576.

图/表 24

图1

图2

图3

图4

表1

图5

图6

图7

图8

表2

图9

图10

图11

图12

表3

图13

表4

图14

图15

图16

表5

图17

图18

图19

参考文献 26

1	HOU Y， EDARA P， SUN C. Situation assessment and decision making for lane change assistance using ensemble learning methods［J］. Expert Systems with Applications， 2015， 42（8）：3875-3882.
2	FERREIRA S， COUTO A. A probabilistic approach towards a crash risk assessment of urban segments［J］. Transportation Research Part C： Emerging Technologies， 2015， 50：97-105.
3	GLAUZ W D， MIGLETZ D J. Application of traffic conflict analysis at intersections［M］. Transportation Research Board， National Research Council， 1980.
4	孙立云. 城市道路交叉口事故预测模型及算法研究［D］. 北京：北京交通大学， 2011.
	SUN L Y. Research on urban road intersection-accident prediction model and algorithm［D］. Beijing： Beijing Jiaotong University， 2011.
5	PARK H， OH C， MOON J， et al. Development of a lane change risk index using vehicle trajectory data ［J］. Accident Analysis & Prevention， 2018， 110：1-8.
6	ZHENG L， SAYED T. From univariate to bivariate extreme value models： approaches to integrate traffic conflict indicators for crash estimation［J］. Transportation Research Part C： Emerging Technologies， 2019， 103：211-225.
7	容颖，温惠英，赵胜. 高速公路单向双车道车辆群行车风险度量研究［J］. 重庆交通大学学报（自然科学版）， 2019， 38（9）： 95-100.
	RONG Y， WEN H， ZHAO S. Study on driving risk measurement for two⁃lane freeway vehicle group［J］. Journal of Chongqing Jiaotong University（Natural Science）， 2019， 38（9）： 95-100.
8	OH C， KIM T. Estimation of rear-end crash potential using vehicle trajectory data［J］. Accident Analysis & Prevention， 2010， 42（6）：1888-1893.
9	WENG J， DU G， LI D， et al. Time⁃varying mixed logit model for vehicle merging behavior in work zone merging areas［J］. Accident Analysis and Prevention， 2018， 117（AUG.）：328-339.
10	周斌宇. 基于车车协同的车辆安全换道预警机制研究［D］. 长春：吉林大学， 2020.
	Zhou B Y. Research on vehicle safety lane change warning strategy based on vehicle⁃to⁃vehicle collaboration［D］. Changchun：Jilin University， 2020.
11	何爱生. 考虑后车减速度的换道预警阈值研究［D］. 西安：长安大学， 2019.
	HE A S. Research on the lane change warning threshold considering the deceleration of the rear vehicles［D］. Xi’an： Chang’an University， 2019.
12	杨俊. 车辆频繁换道对道路行车效率与安全影响研究［D］.西安：长安大学， 2016.
	YANG J. Research on the efficiency and safety of frequent lane change in urban roads［D］. Xi’an： Chang’an University， 2016.
13	王畅，付锐，郭应时，等. 换道预警系统中越线时间的预测方法［J］. 汽车工程， 2014， 36（4）：509-514.
	WANG C， FU R， GUO Y， et al. Prediction method of time-to-line⁃crossing in lane change warning system［J］. Automotive Engineering， 2014， 36（4）：509-514.
14	何仁，赵晓聪，杨奕彬，等. 基于驾驶人风险响应机制的人机共驾模型［J］.吉林大学学报（工学版）， 2021， 51（3）：799-809.
	HE R， ZHAO X C， YANG Y B， et al. Man⁃machine shared driving model using risk⁃response mechanism of human driver［J］. Journal of Jilin University （Engineering and Technology Edition）， 2021， 51（3）：799-809.
15	SVENSSON A. A method for analysing the traffic process in a safety perspective ［D］. Lund University， 1998.
16	PARK H， OH C， MOON J， et al. Development of a lane change risk index using vehicle trajectory data［J］. Accident Analysis and Prevention， 110（JAN.）：1-8
17	张航，张肖磊，吕能超. 高速公路停车视距可靠性设计［J］. 公路交通科技， 2019， 36（4）：44-49，87.
	ZHANG H， ZHANG X L， LV N C， et al. Reliability design for stopping sight distance of expressway［J］. Journal of Highway and Transportation Research and Development， 2019， 36（4）：44-49，87.
18	BAGDADI O. Estimation of the severity of safety critical events［J］. Accident Analysis and Prevention， 2013， 50：167-174.
19	丁明，肖遥，张晶晶，等. 基于事故链及动态故障树的电网连锁故障风险评估模型［J］. 中国电机工程学报， 2015， 35（4）：821-829.
	DING M， XIAO Y， ZHANG J， et al. Risk assessment model of power grid cascading failures based on fault chain and dynamic fault tree［J］. Proceedings of the Csee， 2015， 35（4）：821-829.
20	KRAJEWSKI R， BOCK J， KLOEKER L， et al. The highD dataset： a drone dataset of naturalistic vehicle trajectories on German highways for validation of highly automated driving systems［C］. Maui， HI， USA：IEEE International Conference on Intelligent Transportation Systems （ITSC）， 2018：2118-2125.
21	杨智强. 从德国高速公路看事故预防先进做法［J］. 湖南交通科技， 2019， 45（3）：208-214.
	YANG Z Q. Advanced methods of accident prevention from German expressway［J］. Hunan Communication Science and Technology， 2019， 45（3）：208-214.
22	蔡英凤，朱南楠，邰康盛，等. 基于注意力机制的车辆行为预测［J］. 江苏大学学报（自然科学版）， 2020， 41（2）：125-130.
	CAI Y F， ZHU N N， TAI K S， et al. Vehicle behavior prediction based on attention mechanism［J］. Journal of Jiangsu University （Natural Science）， 2020， 41（2）：125-130.
23	田洪清，丁峰，郑讯佳，等. 基于势能场虚拟力的智能网联车辆运动规划［J］. 汽车工程， 2021， 43（4）：518-526.
	TIAN H Q， DING F， ZHENG X J， et al. Motion planning based on virtual force of potential field for intelligent connected vehicles［J］. Automotive Engineering， 2021， 43（4）：518-526.
24	季学武，费聪，何祥坤，等. 基于 LSTM 网络的驾驶意图识别及车辆轨迹预测［J］. 中国公路学报， 2019， 32（6）：34-42.
	JI X W， FEI C， HE X K，et al. Intention recognition and trajectory prediction for vehicle using LSTM network［J］. China Journal of Highway and Transport， 2019， 32（6）：34-42.
25	工程师测评. 德国2019年全年新车销量［EB/OL］. https：//chejiahao.autohome.com.cn/info/5502083.
	EvaluationEngineer. New car sales in Germany in 2019［EB/OL］. https：//chejiahao.autohome.com.cn/info/5502083.
26	张驰. 基于驾驶员风险认知的自动驾驶车辆运动规划研究［D］. 长春吉林大学， 2020.
	ZHANG Chi. Research on motion planning of autonomous vehicle based on driver's hazard perception［D］.Changchun：Jilin University， 2020.

旁车	潜在冲突
旁车	准备阶段	跨道阶段	回正阶段
前车C_FO	追尾碰撞	追尾碰撞	无
后车C_RO	追尾碰撞	追尾碰撞	无
邻前车C_FT	无	侧面碰撞	追尾碰撞
邻后车C_RT	无	侧面碰撞	追尾碰撞

百分位	LEI_max	RSL	y
0	L₀	0	0
10	L₁₀	0.1	0.11
20	L₂₀	0.2	0.22
30	L₃₀	0.3	0.36
40	L₄₀	0.4	0.51
50	L₅₀	0.5	0.69
60	L₆₀	0.6	0.92
70	L₇₀	0.7	1.20
80	L₈₀	0.8	1.61
90	L₉₀	0.9	2.30

参数	高尔夫轿车	奔驰重型载货车
长/m	4.578	9.750
宽/m	1.799	2.507
满载质量/kg	1 781	26 000
质量尺寸比/（kg·m^-2）	216.2	1 064

百分位	LEI_max	RSL	y
0	0	0	0
10	0.74	0.1	0.11
20	1.38	0.2	0.22
30	2.14	0.3	0.36
40	3.13	0.4	0.51
50	4.51	0.5	0.69
60	6.50	0.6	0.92
70	9.52	0.7	1.20
80	15.02	0.8	1.61
90	26.59	0.9	2.30

换道类型	统计指标	换道总时长/s	风险暴露时长/s	最大损失能量指数/ （m²·s^-2）
自由换道	平均值	4.964 6	1.293 5	3.364 1
	最大值	7.960 0	7.520 0	158.140 4
	最小值	2.360 0	0	0
	方差	0.615 2	2.829 2	78.650 9
强制换道	平均值	5.064 9	4.075 3	15.422 7
	最大值	8.560 0	8.000 0	146.197 8
	最小值	2.520 0	0	0
	方差	0.734 8	0.962 4	327.346 7