异质车型影响下智能汽车二维碰撞风险预测

doi:10.19562/j.chinasae.qcgc.2024.08.008

摘要/Abstract

摘要：

行车碰撞风险的准确预测是保证智能汽车安全行驶的关键，但目前评估方法鲜有考虑异质车型风险差异性及横纵向二维风险耦合。为此，本文首先挖掘异质车型驾驶人的行为规律，解析车型对驾驶人风险敏感度的影响；其次，辨识获得不同车型组合的异质风险阈值，利用二维指标量化交通风险差异性；最终提出考虑车辆类型的二维碰撞风险耦合预测模型，并通过对比验证模型的准确性。该研究有助于提升智能汽车的行驶安全性，且可为人类驾驶汽车的碰撞预警系统开发提供理论依据。

关键词: 交通安全, 智能汽车, 异质车型, 碰撞风险预测

Abstract:

Accurate prediction of collision risk is crucial for ensuring the driving safety of intelligent vehicles. However， the risk differentiation among heterogeneity vehicle types and its coupled effect in longitudinal and lateral directions has rarely been considered in existing driving risk assessment methods. Therefore， firstly， the behavior patterns of drivers of heterogeneous vehicle types are explored to analyze the influence of vehicle types on drivers' sensitivity to risk in this paper. Secondly， the heterogeneous risk thresholds for different combinations of vehicle types are identified， and the risk differentiation in such traffic surroundings is further quantified based on two-dimensional indicators. Finally， the coupled two-dimensional collision risk prediction model considering vehicle types is proposed， and the effectiveness of the model is validated through comparative analysis. This research helps to enhance the driving safety of intelligent vehicles， which also can provide a theoretical foundation for the development of collision warning systems for human-driven vehicles.

Key words: traffic safety, intelligent vehicles, heterogeneous vehicle types, collision risk prediction

朱甲梁,刘巧斌,杨帆,杨路,李巍华. 异质车型影响下智能汽车二维碰撞风险预测[J]. 汽车工程, 2024, 46(8): 1414-1421.

Jialiang Zhu,Qiaobin Liu,Fan Yang,Lu Yang,Weihua Li. Two-Dimensional Collision Risk Prediction for Intelligent Vehicles Considering the Influence of Heterogeneous Vehicle Types[J]. Automotive Engineering, 2024, 46(8): 1414-1421.

图/表 10

图1

图2

表1

图3

图4

表2

表3

图5

图6

图7

参考文献 18

1	NHTSA. NHTSA releases initial data on safety performance of advanced vehicle technologies［R］. Washington DC： National Highway Traffic Safety Administration， 2022.
2	李勇滔，孙晨旭，郑伟光，等. 基于毫米波雷达与视觉融合的碰撞预警［J］. 汽车工程， 2023， 45（9）： 1666-1676.
	LI Y T， SUN C X， ZHENG W G， et al. Collision warning based on fusion of millimeter wave radar and vision［J］. Automotive Engineering， 2023， 45（9）： 1666-1676.
3	ABDEL-ATY M， WANG Z J， ZHENG O， et al. Advances and applications of computer vision techniques in vehicle trajectory generation and surrogate traffic safety indicators［J］. Accident Analysis and Prevention， 2023， 191.
4	MAHAPATRA G， MAURYA A K， CHAKROBORTY P. Parametric study of microscopic two-dimensional traffic flow models： a literature review［J］. Canadian Journal of Civil Engineering， 2018， 45（11）： 909-921.
5	WANG C， XIE Y， HUANG H， et al. A review of surrogate safety measures and their applications in connected and automated vehicles safety modeling［J］. Accident Analysis and Prevention， 2021， 157.
6	吕能超，彭凌枫，吴超仲，等. 区分冲突类型的路段实时碰撞风险预测模型［J］. 中国公路学报， 2022， 35（1）： 93-108.
	LYU N C， PENG L F， WU C Z， et al. Real-time crash-risk prediction model that distinguishes collision types［J］. China Journal of Highway and Transport， 2022， 35（1）： 93-108.
7	李霖，贺锦鹏，刘卫国，等. 基于驾驶员紧急制动行为特征的危险估计算法［J］. 同济大学学报（自然科学版）， 2014， 42（1）： 109-114.
	LI L， HE J P， LIU W G， et al. Threat assessment algorithm based on characteristics of driver emergency braking behavior［J］. Journal of Tongji University（Natural Science）， 2014， 42（1）： 109-114.
8	邹铁方，刘前程，魏亮. 加装传统AEB后的未避免事故典型碰撞场景与事故特征［J］. 汽车工程， 2023， 45（6）： 1062-1072.
	ZOU T F， LIU Q C， WEI L. Typical collision scenarios and accident characteristics of accidents not avoided after installing traditional AEB［J］. Automotive Engineering， 2023， 45（6）： 1062-1072.
9	KATHURIA A， VEDAGIRI P. Evaluating pedestrian vehicle interaction dynamics at un-signalized intersections： a proactive approach for safety analysis［J］. Accident Analysis and Prevention， 2020， 134.
10	龙文民，鲁光泉，石茜，等. 基于驾驶人跟驰特性的前撞预警指标与阈值确定方法［J］. 汽车工程， 2022， 44（9）： 1339-1349，1371.
	LONG W M， LU G Q， SHI X， et al. Determination method of forward collision warning indicator and threshold based on drivers’car-following characteristics［J］. Automotive Engineering， 2022， 44（9）： 1339-1349，1371.
11	刘庆华，邱修林，谢礼猛，等. 基于行驶车速的车辆防撞时间预警算法［J］. 农业工程学报， 2017， 33（12）： 99-106.
	LIU Q H， QIU X L， XIE L M， et al. Anti-collision warning time algorithm based on driving speed of vehicle［J］. Transactions of the Chinese Society of Agricultural Engineering （Transactions of the CSAE）， 2017， 33（12）： 99－106.
12	KUMAR A， MUDGAL A. Effect of vehicle size on crash risk in a heterogeneous traffic scenario： a bivariate extreme value approach［J］. Transportation Letters-the International Journal of Transportation Research， 2023.
13	WANG J， ZHANG Z， LIU F， et al. Investigating heterogeneous car-following behaviors of different vehicle types， traffic densities and road types［J］. Transportation Research Interdisciplinary Perspectives， 2021， 9： 100315.
14	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］. New York： IEEE， 2018： 2118-2125.
15	刘巧斌，杨路，高博麟，等. 基于认知风险动态平衡的智能汽车跟车模型［J］. 汽车工程， 2022， 44（11）： 1627-1635.
	LIU Q B， YANG L， GAO B L， et al. Car following model for intelligent vehicles based on dynamic balance of perception risk［J］. Automotive Engineering， 2022， 44（11）： 1627-1635.
16	BORSOS A. Application of bivariate extreme value models to describe the joint behavior of temporal and speed related surrogate measures of safety［J］. Accident Analysis and Prevention， 2021， 159.
17	LIU Q， YANG L， GAO M， et al. Objective evaluation index for the comprehensive performance of intelligent vehicle lane-changing trajectory［J］. Proceedings of the Institution of Mechanical Engineers Part D： Journal of Automobile Engineering， 2023.
18	吴斌，朱西产，沈剑平. 基于自然驾驶数据的驾驶员紧急制动行为特征［J］. 同济大学学报（自然科学版）， 2018， 46（11）： 1514-1519， 1535.
	WU B， ZHU X C， SHEN J P. Driver emergency braking behavior based on naturalistic driving data［J］. Journal of Tongji University （Natural Science）， 2018， 46（11）： 1514-1519， 1535.

车型组合	样本数	最大减速度	均值
Car-Car	1 567	-5.0	-0.46
Truck-Car	285	-2.45	-0.38
Car-Truck	504	-3.24	-0.48
Truck-Truck	382	-3.32	-0.41

车型组合	MTTC/s	TTC_lat/s
Car-Car	（4.8，11.4，11.7，18.5）	（1.6，4.6，4.7，9.0）
Truck-Car	（6.6，13.7，13.0，19.1）	（2.3，4.7，4.9，8.5）
Car-Truck	（4.6，8.1，9.6，18.0）	（1.9，4.8，5.2，9.4）
Truck-Truck	（5.8，12.8，12.9，18.9）	（1.5，4.1，4.5，8.7）

项目	全局固定阈值	异质车型阈值
车型组合		Car-Car	Truck-Car	Car-Truck	Truck-Truck
MTTC/s	5	4.5	6.0	4.2	5.5
传统方法误差/%		-11.0	16.7	-19.1	9.0
TTC_lat/s	1.5	1.2	2.0	1.7	1.4
传统方法误差/%		-24.1	25.0	11.8	-7.1
平均误差（绝对值）/%		17.5	20.8	15.4	8.1

[1]	赵静,梁浩,徐天啸,肖雅月,姜博文. 面向智能汽车赛博物理系统的领域特定建模语言研究[J]. 汽车工程, 2024, 46(8): 1370-1381.
[2]	朱冰,黄殷梓,赵健,张培兴,薛经纬. 面向车载相机采集图像的智能汽车测试场景关键性量化模型[J]. 汽车工程, 2024, 46(4): 557-563.
[3]	丁志杰,王亚飞,章翼辰,邬明宇,王亦乐. 基于复合动态采样的自动驾驶矿车节能路径规划方法[J]. 汽车工程, 2024, 46(4): 588-595.
[4]	郝建平,苏炎召,钟志华,黄晋. 面向智能汽车的SOA架构及服务调度机制研究[J]. 汽车工程, 2023, 45(9): 1563-1572.
[5]	赵高士,陈龙,蔡英凤,廉玉波,王海,刘擎超,滕成龙. 融合复杂网络和记忆增强网络的轨迹预测技术[J]. 汽车工程, 2023, 45(9): 1608-1616.
[6]	胡启慧,蔡英凤,王海,陈龙,董钊志,刘擎超. 基于层次图注意的异构多目标轨迹预测方法[J]. 汽车工程, 2023, 45(8): 1448-1456.
[7]	高翔,陈龙,王歆叶,熊晓夏,李祎承,陈月霞. 基于轨迹预测的智能汽车行驶风险评估方法[J]. 汽车工程, 2023, 45(4): 588-597.
[8]	胡杰,朱琪,陈锐鹏,张敏超,张志豪,刘昊岩. 引入必经点约束的智能汽车全局路径规划[J]. 汽车工程, 2023, 45(3): 350-360.
[9]	张紫微,郑玲,李以农,乔旭强,郑浩,王戡. 考虑前车运动不确定性的多目标自适应巡航控制[J]. 汽车工程, 2023, 45(3): 361-371.
[10]	刘正发,吴亚,刘佩根,顾荣琦,陈广. 基于特征和标签联合分布匹配的智能驾驶跨域自适应目标检测[J]. 汽车工程, 2023, 45(11): 2082-2091.
[11]	赵树廉,来飞,李克强,陈涛,孟璋劼,唐逸超,吴思宇,田浩东. 基于数字孪生技术的智能汽车测试方法研究[J]. 汽车工程, 2023, 45(1): 42-51.
[12]	邵文博,李骏,张玉新,王红. 智能汽车预期功能安全保障关键技术[J]. 汽车工程, 2022, 44(9): 1289-1304.
[13]	汪梓豪,蔡英凤,王海,陈龙,熊晓夏. 基于单目视觉运动估计的周边多目标轨迹预测方法[J]. 汽车工程, 2022, 44(9): 1318-1326.
[14]	梁旺,秦兆博,陈亮,边有钢,胡满江. 基于改进BP神经网络的智能车纵向控制方法[J]. 汽车工程, 2022, 44(8): 1162-1172.
[15]	赵健,宋东鉴,朱冰,吴杭哲,韩嘉懿,刘宇翔. 数据机理混合驱动的交通车意图识别方法[J]. 汽车工程, 2022, 44(7): 997-1008.