道路交通碰撞事故致因建模與影響因素試驗分析

楊京帥 任書杭 馬志政 王 浩 羅 鈿

(長安大學(xué)汽車學(xué)院，西安710064)

碰撞是交通事故的一種常見形態(tài).在研究道路交通碰撞事故時，需要進(jìn)行事故再現(xiàn)，即通過提取車輛軌跡、剎車痕跡、散落的碰撞物等數(shù)據(jù)，利用模擬仿真或數(shù)學(xué)建模的方式，再現(xiàn)事故發(fā)生時的速度、碰撞形態(tài)等事故場景[1]，以作為事故責(zé)任認(rèn)定與事故發(fā)生過程分析的重要參考依據(jù).此外，還需要進(jìn)行碰撞或模擬碰撞試驗[2]，基于碰撞結(jié)果的分析，提出車輛被動安全技術(shù)設(shè)計、乘員保護(hù)的方法等.在進(jìn)行碰撞事故致因分析時，主要從車輛制動減速度、不同天氣與路面條件下路面附著系數(shù)、駕駛?cè)说闹苿臃磻?yīng)時間等方面，研究車輛的制動停車安全距離與安全跟車距離.碰撞事故的影響因素分析則大多基于道路與環(huán)境等客觀條件、駕駛?cè)四挲g、駕駛經(jīng)驗、身心條件等因素導(dǎo)致事故率的差異，統(tǒng)計分析道路、環(huán)境與駕駛?cè)说囊?guī)律性特征[3-4].雖然碰撞事故的致因分析有助于預(yù)防或減少事故，但鑒于人-車-路-環(huán)境相互作用機(jī)理研究的復(fù)雜性，尤其是駕駛?cè)诵袨榉磻?yīng)的深層次原因難以捕捉與模擬，交通情境與駕駛?cè)讼嗷プ饔脤ε鲎彩鹿拾l(fā)生的影響一直是研究難點.

駕駛?cè)耸堑缆方煌ㄏ到y(tǒng)的信息處理者和決策者，也是人-車-路-環(huán)境系統(tǒng)處于安全狀態(tài)的調(diào)節(jié)者和控制者.隨著新技術(shù)在道路交通安全系統(tǒng)中的逐步應(yīng)用，駕駛?cè)藢⒊蔀樽畈豢煽康囊蛩?，駕駛?cè)藢?dǎo)致事故的比例將會進(jìn)一步增大[5].對于駕駛?cè)说某賉6]或其他交通違法行為[7-8]導(dǎo)致的碰撞事故，主要采用演化博弈的分析方法，分析行為產(chǎn)生的原因，分析前提是駕駛?cè)烁兄接行畔⒉⒂幸鉃橹雎粤笋{駛?cè)艘驗楦兄t滯或感知失誤導(dǎo)致的碰撞.本文將從駕駛?cè)说慕嵌瘸霭l(fā)，忽略駕駛?cè)斯室膺`法行為，借鑒智能群體建模與魚骨圖方法來分析碰撞事故致因影響因素，基于交通情境與駕駛?cè)说南嗷プ饔眠M(jìn)行試驗設(shè)計，測試分析影響因素的顯著性.

1 碰撞事故致因建模

假設(shè)n維空間中存在由m個交通參與者個體組成的群體，個體i的位置由xi∈Rn表示.假定每個交通參與者個體(本文以駕駛?cè)藶檠芯繉ο?的感知能力正常，即個體i和個體j之間能夠相互感知到對方的存在和所在位置.S={1，2，…，m}表示所有駕駛?cè)藗€體的集合.個體i視線范圍內(nèi)的所有個體集合定義為

式中，ε為駕駛?cè)藗€體所能感知到的空間距離;‖xi－xj‖表示n維空間中任意2個坐標(biāo)點之間的距離.

駕駛?cè)藗€體i的安全運動區(qū)域(不會發(fā)生碰撞的區(qū)域)定義為

式中，r為個體間對駕駛行為有影響的最大距離;ρ為個體間的最小安全距離.

由于每個駕駛?cè)藗€體都能夠感知辨識交通情境信息并作出預(yù)測和相應(yīng)的決策，駕駛?cè)巳后w體現(xiàn)出智能性與環(huán)境適應(yīng)性，群體既是一個多個體系統(tǒng)，又是一個復(fù)雜適應(yīng)系統(tǒng).駕駛?cè)巳后w與自然界中的鳥群或魚群一樣，存在2種平衡且相互對立的行為:① 行進(jìn)過程中期望向鄰近個體靠近;②避免與相鄰的個體發(fā)生碰撞[9].

根據(jù)上述假設(shè)條件以及智能群體的特點，構(gòu)建如下的駕駛?cè)藗€體運動控制方程:

式中，Xi(t)表示t時刻駕駛?cè)藗€體i在向目標(biāo)位置移動過程中的所在位置;∈Rn表示駕駛?cè)藗€體i視線范圍內(nèi)的運動目標(biāo)位置;a表示駕駛?cè)藗€體間的相對運動速度，且a≥0;b表示駕駛?cè)藗€體的感知水平(即識別、預(yù)測和評估危險情境的能力，體現(xiàn)在感知速度與準(zhǔn)確度的高低)，且 b＞0[10-11]，感知水平影響個體i的安全運動區(qū)域.

如果在駕駛?cè)藗€體i的安全運動區(qū)域內(nèi)，距離其最近的個體j處在xi指向運動目標(biāo)位置的線段上，即個體j處在個體i向運動目標(biāo)位置移動的線段上，則個體i靠近個體j的過程中要保持安全運動狀態(tài)，個體i信息感知處理的速度快于個體i與個體j的相對運動速度a，則

由模型(6)可得

相對運動速度a受駕駛?cè)诵袨?、車輛、道路與交通條件等因素的影響[12].本文僅對駕駛?cè)说母兄絙的影響因素進(jìn)行分析.駕駛?cè)烁兄e誤和判斷錯誤有關(guān)的交通事故占事故總數(shù)的80% ～85%[14].英國及澳大利亞因此將危險感知測試作為獲取駕照的必考科目之一[15].

2 危險感知影響因素魚骨圖分析

隨著駕駛行為研究的深入開展，對于危險感知的研究日益引起關(guān)注.文獻(xiàn)[13]指出，在與駕駛相關(guān)的所有技能中，只有危險感知是與交通事故密切相關(guān)的.相關(guān)統(tǒng)計資料表明，駕駛?cè)宋ｋU感知錯誤導(dǎo)致的交通事故約占事故總數(shù)的40% ～45%，與圖1為駕駛?cè)诵畔⒏兄幚砟Ｊ?由圖可知，影響駕駛?cè)思皶r準(zhǔn)確地感知危險并做出相應(yīng)行為反應(yīng)的因素可能來自于危險信息、交通情境、干擾因素、駕駛?cè)?個方面.采用魚骨圖方法，將這4個方面的影響因素進(jìn)行分解，通過頭腦風(fēng)暴法找出所有可能的主要影響因素，結(jié)果見圖2.

圖1 駕駛?cè)诵畔⒏兄幚砟Ｊ?/p>

圖2 駕駛?cè)宋ｋU感知影響因素魚骨圖

3 危險感知影響因素測試分析

基于魚骨圖分析結(jié)果，針對可能影響駕駛?cè)宋ｋU感知的危險信息、交通情境、駕駛?cè)伺c干擾因素進(jìn)行試驗設(shè)計，測試其是否對駕駛?cè)宋ｋU感知有顯著影響.

3.1 被試

試驗選取40名被試駕駛?cè)耍斜辉囻{駛?cè)硕家暳φ；虺C正視力正常.考慮到駕駛經(jīng)歷、交通情境認(rèn)知能力、交通情境判斷能力等因素，將被試駕駛?cè)朔譃?組，其中20名為熟練駕駛?cè)耍漶{駛里程超過5×104km，平均年齡41.9歲;另外20名為非熟練駕駛?cè)?，其駕駛里程小于5×104km，平均年齡33.1歲.駕駛?cè)说囊曈X行為通過佩戴眼動儀進(jìn)行測試.

3.2 試驗場景設(shè)計

交通情境是從駕駛?cè)艘暯墙厝〉恼鎸嶑{駛交通情境片段，本文共選取了30個交通情境進(jìn)行測試.交通情境劃分為2類:① 靜態(tài)環(huán)境類交通情境，例如路邊?？寇囕v后面可能走出的行人、前方支路可能出現(xiàn)的車輛等;②動態(tài)行為類交通情境，例如路邊啟動的車輛、輔路駛?cè)胫髀返能囕v、換道和轉(zhuǎn)彎車輛、行人穿越馬路等.危險目標(biāo)物在交通情境中可能出現(xiàn)的區(qū)域被定義為潛在危險區(qū)域，危險目標(biāo)物包括實際可能造成碰撞的車輛、行人等.駕駛?cè)俗⒁暤綕撛谖ｋU區(qū)域并敲擊空格鍵被認(rèn)為感知到潛在危險，駕駛?cè)俗⒁暤轿ｋU目標(biāo)物并敲擊回車鍵被認(rèn)為感知到實際危險.

3.3 試驗過程

試驗采用EyelinkⅡ型眼動儀，由眼動儀記錄被試駕駛?cè)俗⒁曆蹌訑?shù)據(jù)，采樣頻率為250 Hz.交通場景由戴爾19英寸(48.26 cm)純平顯示器呈現(xiàn)，被試駕駛?cè)俗诰嚯x顯示器70 cm左右的位置處.在正式測試之前，為每名駕駛?cè)诉M(jìn)行眼動儀佩戴測試，以便提取到眼動數(shù)據(jù).被試駕駛?cè)说娜蝿?wù)是觀看交通情境，當(dāng)發(fā)現(xiàn)交通情境中有潛在危險和實際危險時，分別敲擊鍵盤的空格鍵和回車鍵.潛在危險顯示時間為潛在危險區(qū)域在畫面開始出現(xiàn)到實際危險出現(xiàn)為止，實際危險顯示時間為實際危險開始出現(xiàn)到車輛駛過實際危險為止.

正式測試之前，先進(jìn)行6個交通情境的預(yù)測試.正式測試完畢后，從測試的交通情境中選取30個畫面，進(jìn)行交通情境演變預(yù)測的問卷測評，讓駕駛?cè)藢煌ㄇ榫澄ｋU的可能演變趨勢進(jìn)行判斷，對該判斷是否正確的自信程度進(jìn)行打分.整個測試過程共計50 min左右，每個被試駕駛?cè)松梢粋€數(shù)據(jù)文件.試驗結(jié)束后，用EyelinkⅡ提供的數(shù)據(jù)分析軟件將數(shù)據(jù)導(dǎo)出，然后對數(shù)據(jù)進(jìn)行統(tǒng)計分析.

3.4 結(jié)果分析

對于敲擊空格鍵的時間早于潛在危險區(qū)域被注視時間、敲擊回車鍵的時間早于實際危險被注視時間或是危險點注視錯誤但是做出反應(yīng)的數(shù)據(jù)進(jìn)行了刪除.根據(jù)測試數(shù)據(jù)，進(jìn)行了以下2項內(nèi)容的分析:①不同駕駛?cè)巳后w是否注視到潛在危險區(qū)域及危險目標(biāo)物(即是否發(fā)現(xiàn)危險);②注視到潛在危險區(qū)域與危險目標(biāo)物的快慢程度(即發(fā)現(xiàn)危險的速度).

用2×2(熟練駕駛?cè)伺c非熟練駕駛?cè)耍瑵撛谖ｋU與實際危險)對被試駕駛?cè)耸欠癜l(fā)現(xiàn)危險以及發(fā)現(xiàn)危險的速度進(jìn)行方差分析.

首先，對所有交通情境中的潛在危險區(qū)域與危險目標(biāo)物是否被注視并做出反應(yīng)進(jìn)行統(tǒng)計，結(jié)果見表1.由表可知，駕駛?cè)俗R別出實際危險的比例為(91.7%+69.4%+89.3%+80.6%)/4 ≈82.8%，識別出潛在危險的比例為(56.2%+58.4%+72.7%+41.1%)/4≈57.1%.對潛在危險與實際危險識別率進(jìn)行方差分析統(tǒng)計檢驗，組間與組內(nèi)自由度分別為1和38的F檢驗統(tǒng)計量的值F(1，38)=102.1，對應(yīng)的概率 p ＜ 0.01，說明在0.01的顯著性水平下，駕駛?cè)藢撛谖ｋU與實際危險的識別率有顯著差異，即駕駛?cè)烁菀装l(fā)現(xiàn)看得見的危險.相比非熟練駕駛?cè)?，熟練駕駛?cè)税l(fā)現(xiàn)了更多的潛在危險和實際危險，對熟練駕駛?cè)伺c非熟練駕駛?cè)说奈ｋU識別率進(jìn)行方差分析統(tǒng)計檢驗，F(xiàn)(1，38)=9.3，p ＜0.01，說明在 0.01 的顯著性水平下，熟練駕駛?cè)伺c非熟練駕駛?cè)说奈ｋU識別率有顯著差異，即熟練駕駛?cè)孙@示出更高的危險感知水平.

表1 駕駛?cè)藢撛谖ｋU與實際危險的識別率 %

對駕駛?cè)嗽陟o態(tài)環(huán)境類交通情境與動態(tài)行為類交通情境的危險發(fā)現(xiàn)時間百分位進(jìn)行統(tǒng)計，結(jié)果見表2.駕駛?cè)俗⒁暤綕撛谖ｋU區(qū)域與危險目標(biāo)物的快慢程度用駕駛?cè)说?次注視到危險所需時間與該危險畫面總持續(xù)時間的比值來表示.顯然，該比值越小，表明駕駛?cè)嗽皆缱⒁暤皆撐ｋU.由表2可知，駕駛?cè)藢討B(tài)行為類交通情境的危險發(fā)現(xiàn)時間百分位比靜態(tài)環(huán)境類交通情境的危險發(fā)現(xiàn)時間百分位快，對2種交通情境的危險發(fā)現(xiàn)時間百分位進(jìn)行方差分析統(tǒng)計檢驗，F(xiàn)(1，38)=21.1，p ＜0.01，說明在0.01的顯著性水平下，不同交通情境的危險發(fā)現(xiàn)時間百分位有顯著差異;駕駛?cè)藢嶋H危險的發(fā)現(xiàn)時間百分位((23.7%+48.2%+22.2%+41.8%)/4≈34.0%)比潛在危險的發(fā)現(xiàn)時間百分位 ((65.6%+73.3%+41.3%+74.4%)/4≈63.7%)快，潛在危險與實際危險的發(fā)現(xiàn)時間百分位方差分析統(tǒng)計檢驗結(jié)果表明F(1，38)=189.3，p ＜0.01，說明在 0.01 的顯著性水平下，駕駛?cè)藢撛谖ｋU與實際危險的發(fā)現(xiàn)時間百分位有顯著性差異;相比非熟練駕駛?cè)耍炀汃{駛?cè)四軌蚋焖俚匕l(fā)現(xiàn)危險，熟練駕駛?cè)说钠骄l(fā)現(xiàn)時間百分位為(65.6%+23.7%+41.3%+22.2%)/4≈38.2%.對熟練駕駛?cè)伺c非熟練駕駛?cè)说奈ｋU發(fā)現(xiàn)時間百分位進(jìn)行方差分析統(tǒng)計檢驗，F(xiàn)(1，38)=15.7，p ＜0.01，說明在 0.01 的顯著性水平下，熟練駕駛?cè)伺c非熟練駕駛?cè)说奈ｋU發(fā)現(xiàn)時間百分位有顯著性差異.

表2 駕駛?cè)嗽诓煌煌ㄇ榫车奈ｋU發(fā)現(xiàn)時間百分位 %

在駕駛?cè)司徒煌ㄇ榫逞葑冾A(yù)測的問卷測評中，對交通情境的演變預(yù)測完全正確為10分，熟練駕駛?cè)伺c非熟練駕駛?cè)说睦斫饬Ψ种捣謩e為8.87和7.85，對熟練駕駛?cè)伺c非熟練駕駛?cè)说睦斫饬Ψ种颠M(jìn)行方差分析統(tǒng)計檢驗，F(xiàn)(1，38)=20.4，p＜0.01，說明在0.01的顯著性水平下，熟練駕駛?cè)伺c非熟練駕駛?cè)藢煌ㄇ榫车睦斫饬τ酗@著差異，熟練駕駛?cè)孙@示了更好的交通情境閱讀理解能力.對所回答問題是否正確的自信程度進(jìn)行打分(滿分為10分)，熟練駕駛?cè)伺c非熟練駕駛?cè)说淖孕欧种捣謩e為7.96和7.07.對熟練駕駛?cè)伺c非熟練駕駛?cè)说淖孕欧种颠M(jìn)行方差分析統(tǒng)計檢驗，F(xiàn)(1，38)=14.1，p ＜0.01，說明在0.01 的顯著性水平下，熟練駕駛?cè)伺c非熟練駕駛?cè)说淖孕懦潭扔酗@著差異，熟練駕駛?cè)讼啾确鞘炀汃{駛?cè)说淖孕懦潭雀?

4 結(jié)論

1)由碰撞事故致因模型可知，駕駛?cè)司S持安全駕駛狀態(tài)取決于駕駛?cè)说奈ｋU信息感知能力和個體間的相對運動速度.相對運動速度的大小是危險感知的行為體現(xiàn)，危險信息感知水平是安全駕駛狀態(tài)的主要決定因素.

2)熟練駕駛?cè)伺c非熟練駕駛?cè)司嬖谖ｋU信息遺漏現(xiàn)象，熟練駕駛?cè)讼啾确鞘炀汃{駛?cè)四軌虬l(fā)現(xiàn)更多的危險信息，體現(xiàn)了熟練駕駛?cè)司哂懈叩奈ｋU感知能力;交通情境中的潛在危險相比看得見的危險更不易被發(fā)現(xiàn).在危險的發(fā)現(xiàn)時間百分位方面，駕駛?cè)藢τ趧討B(tài)危險的發(fā)現(xiàn)時間百分位小于靜態(tài)危險;對實際危險的發(fā)現(xiàn)時間百分位比潛在危險的發(fā)現(xiàn)時間百分位要快得多;熟練駕駛?cè)吮确鞘炀汃{駛?cè)四芨焖俚匕l(fā)現(xiàn)危險.此外，熟練駕駛?cè)藢τ诮煌ㄇ榫车难葑冾A(yù)測與判別更準(zhǔn)確，并具有更高的自信程度(p＜0.01).

References)

[1] 劉志強(qiáng)，汪澎，張建華，等.交通事故再現(xiàn)技術(shù)研究現(xiàn)狀與發(fā)展趨勢[J].中國安全科學(xué)學(xué)報，2007，17(4):16-20.Liu Zhiqiang，Wang Peng，Zhang Jianhua，et al.Review of traffic accident reproduction technology and its developing trend[J].China Safety Science Journal，2007，17(4):16-20.(in Chinese)

[2] 孫振東，劉玉光，朱西產(chǎn).不同形式的汽車正面碰撞試驗研究及分析[J].汽車工程，2006，28(7):652-655.Sun Zhendong，Liu Yuguang，Zhu Xichan.A study on some typical vehicle frontal crash test programs[J].Automobile Engineering，2006，28(7):652-655.(in Chinese)

[3] Underwood G，Ngai A，Underwood J.Driving experience and situation awareness in hazard detection[J].Safety Science，2013，56(1):29-35.

[4] Borowsky A，Oron-Gilad T，Parmet Y.Age and skill differences in classifying hazardous traffic scenes[J].Transportation Research Part F:Traffic Psychology and Behaviour，2009，12(4):277-287.

[5] Hudoklin A，Rozman V.Human errors versus stress[J].Reliability Engineering ＆System Safety，1992，37(3):231-236.

[6] 李振龍，張利國.超速駕駛行為的演化博弈[J].交通運輸系統(tǒng)工程與信息，2010，10(4):137-142.Li Zhenlong， Zhang Liguo. Evolutionary game of speeding driving behavior[J].Journal of Transportation Systems Engineering and Information Technology，2010，10(4):137-142.(in Chinese)

[7] 余孝軍，羅玲玲，王雙.基于進(jìn)化博弈的交通安全分析[J].西南師范大學(xué)學(xué)報:自然科學(xué)版，2013，38(6):35-41.Yu Xiaojun.Luo Lingling，Wang Shuang.On analysis of traffic safety based on evolutionary game[J].Journal of Southwest China Normal University:Natural Science Edition，2013，38(6):35-41.(in Chinese)

[8] Yang J S，Hu H，Hu D W，et al.Road traffic safety system stability based on driving behaviors double feedback control[J].International Journal of Advancements in Computing Technology，2013，5(8):807-815.

[9] 陳世明，方華京.大規(guī)模智能群體的建模及穩(wěn)定性分析[J].控制與決策，2005，20(5):490-494.Chen Shiming，F(xiàn)ang Huajing.Modeling and stability analysis of large-scale intelligent swarm [J].Control and Decision，2005，20(5):490-494.(in Chinese)

[10] Borowsky A，Oron-Gilad T，Meir A，et al.Drivers'perception of vulnerable road users:a hazard perception approach[J].Accident Analysis and Prevention，2012，44(1):160-166.

[11] Scialfa C T，Borkenhagen D，Lyon J，et al.A comparison of static and dynamic hazard perception tests[J].Accident Analysis and Prevention，2013，51:268-273.

[12] 李楊.高速公路可變速度控制方法研究[D].西安:長安大學(xué)公路學(xué)院，2011.

[13] McKnight A J，McKnight A S.Young novice drivers:careless or clueless[J].Accident Analysis and Prevention，2003，35(6):921-925.

[14] 鄭東鵬.駕駛?cè)宋ｋU感知及影響因素研究[D].上海:上海交通大學(xué)機(jī)械與動力工程學(xué)院，2013.

[15] Scialfa C T，Deschênes M C，F(xiàn)erence J，et al.A hazard perception test for novice drivers[J].Accident A-nalysis and Prevention，2011，43(1):204-208.