基于自然駕駛數(shù)據(jù)的避撞預(yù)警對(duì)跟車行為影響

王雪松， 朱美新， 邢祎倫

(同濟(jì)大學(xué) 道路與交通工程教育部重點(diǎn)實(shí)驗(yàn)室，上海 201804)

?

基于自然駕駛數(shù)據(jù)的避撞預(yù)警對(duì)跟車行為影響

王雪松， 朱美新， 邢祎倫

(同濟(jì)大學(xué) 道路與交通工程教育部重點(diǎn)實(shí)驗(yàn)室，上海 201804)

摘要：基于60 689 km車輛運(yùn)行數(shù)據(jù)提取了1 613個(gè)跟車行為片段，并分析了前向避撞預(yù)警(FCW)系統(tǒng)對(duì)跟車行為2個(gè)重要參數(shù)——車頭時(shí)距和反應(yīng)時(shí)間的影響.結(jié)果表明，F(xiàn)CW系統(tǒng)對(duì)跟車車頭時(shí)距影響不顯著，但顯著降低了跟車中的反應(yīng)時(shí)間.白天狀態(tài)下，反應(yīng)時(shí)間減少了0.13 s；后車逼近前車時(shí)，反應(yīng)時(shí)間減少了0.09 s.

關(guān)鍵詞：前向避撞預(yù)警(FCM)； 自然駕駛； 跟車行為； 車頭時(shí)距； 反應(yīng)時(shí)間

前向避撞預(yù)警(FCW)系統(tǒng)致力于減少追尾事故.這種車載系統(tǒng)利用傳感器監(jiān)測(cè)道路交通環(huán)境，當(dāng)前方有潛在的碰撞危險(xiǎn)時(shí)，在適當(dāng)時(shí)機(jī)給予駕駛員報(bào)警，從而輔助駕駛員更有效地避免追尾事故.既有研究主要集中于探究FCW系統(tǒng)在臨撞工況下對(duì)駕駛員避撞行為的影響，并發(fā)現(xiàn)FCW系統(tǒng)可以減少油門釋放反應(yīng)時(shí)間[1]及剎車反應(yīng)時(shí)間[2].考慮到FCW系統(tǒng)直接影響著車輛間的縱向運(yùn)動(dòng)，因此其有可能也會(huì)對(duì)駕駛員在常態(tài)下的跟車行為產(chǎn)生影響，而跟車場(chǎng)景又是最常見的交通場(chǎng)景，因此本文致力于研究FCW系統(tǒng)對(duì)駕駛員跟車行為的影響.

跟車是指后車的速度與位置實(shí)時(shí)受到前方車輛影響的行駛狀態(tài)，駕駛員跟車行為由2個(gè)重要參數(shù)表征：車頭時(shí)距和反應(yīng)時(shí)間[3].已經(jīng)有較多研究探討了FCW系統(tǒng)對(duì)車頭時(shí)距的影響，發(fā)現(xiàn)FCW系統(tǒng)可以增大車頭時(shí)距[4-5]，并減少駕駛員處于短車頭時(shí)距(如小于1 s)的時(shí)間比例[6].然而，還未有研究涉及FCW系統(tǒng)對(duì)駕駛員跟車反應(yīng)時(shí)間的影響.此外，既有跟車反應(yīng)時(shí)間的提取主要基于GPS數(shù)據(jù)[7]和定點(diǎn)攝像頭拍攝的車輛軌跡數(shù)據(jù)[8]，提取得到的反應(yīng)時(shí)間精度有限.

自然駕駛研究(NDS)是指在自然狀態(tài)下(即無干擾、無實(shí)驗(yàn)人員出現(xiàn)、日常駕駛狀態(tài)下)利用高精度數(shù)據(jù)采集系統(tǒng)觀測(cè)、記錄駕駛員真實(shí)駕駛過程的研究[9].正在進(jìn)行中的“上海自然駕駛研究”(SH-NDS)是中國首個(gè)自然駕駛研究項(xiàng)目.實(shí)驗(yàn)車均配置了包含F(xiàn)CW系統(tǒng)的Mobileye?車輛主動(dòng)安全系統(tǒng)，每位實(shí)驗(yàn)參與者駕駛實(shí)驗(yàn)車2個(gè)月，Mobileye?系統(tǒng)在第1個(gè)月關(guān)閉，第2個(gè)月開啟.本文基于上海自然駕駛數(shù)據(jù)提取跟車行為片段，并進(jìn)一步對(duì)駕駛員在FCW系統(tǒng)關(guān)閉和開啟2個(gè)階段下的車頭時(shí)距和反應(yīng)時(shí)間進(jìn)行提取，通過關(guān)閉與開啟階段的對(duì)比，量化FCW系統(tǒng)對(duì)跟車行為的影響.

1　研究綜述

1.1車頭時(shí)距

車頭時(shí)距是指前車與后車先后經(jīng)過同一觀測(cè)點(diǎn)所經(jīng)歷的時(shí)間差[4]，它表征了駕駛員可用于反應(yīng)的時(shí)間量，是跟車行為安全性的度量指標(biāo).車頭時(shí)距的平均值與交通流流率互為倒數(shù)，因此車頭時(shí)距也是交通流流率的微觀表征值.某種程度上，平均最小車頭時(shí)距決定了路段的通行能力[10].

按照實(shí)驗(yàn)方法，可將探究FCW系統(tǒng)對(duì)車頭時(shí)距影響的研究分為2類：場(chǎng)地測(cè)試和自然駕駛.通過場(chǎng)地測(cè)試，Dingus等[5]發(fā)現(xiàn)使用合適的方式可視化顯示車頭時(shí)距時(shí)，跟車車頭時(shí)距增加了0.5 s；Ben-Yaacov等[4]發(fā)現(xiàn)使用FCW系統(tǒng)一段時(shí)間后，駕駛員保持了更長的跟車距離.場(chǎng)地測(cè)試是在試驗(yàn)道路上開展的，因此具有實(shí)驗(yàn)時(shí)間相對(duì)較短、缺乏真實(shí)交通場(chǎng)景等弊端.自然駕駛是在實(shí)際交通環(huán)境中采集駕駛行為數(shù)據(jù)，具有很高的真實(shí)性.

在汽車避撞系統(tǒng)(ACAS)項(xiàng)目中，Ervin等[6]利用自然駕駛數(shù)據(jù)發(fā)現(xiàn)，在高速公路上或在白天行駛時(shí)，使用FCW系統(tǒng)可以增大跟車車頭時(shí)距.基于車載集成安全系統(tǒng)(IVBSS)項(xiàng)目中的自然駕駛數(shù)據(jù)，Bao等[11]和Sayer等[12]分別研究了FCW系統(tǒng)對(duì)貨車和乘用車跟車車頭時(shí)距的影響.實(shí)驗(yàn)結(jié)果表明,FCW系統(tǒng)使得貨車駕駛員的車頭時(shí)距增大，但使得乘用車駕駛員的車頭時(shí)距減小.在歐洲現(xiàn)場(chǎng)運(yùn)行測(cè)試(euroFOT)項(xiàng)目中，Kessler等[13]在真實(shí)交通條件下測(cè)試了多種車載系統(tǒng)，并發(fā)現(xiàn)使用自動(dòng)巡航和FCW使得貨車和乘用車駕駛員的跟車車頭時(shí)距均有顯著增加.

1.2跟車反應(yīng)時(shí)間

對(duì)駕駛員跟車反應(yīng)時(shí)間的研究開始于19世紀(jì)50年代，伴隨著刺激-反應(yīng)類跟車模型的建立[14].在此類跟車模型中，前車改變運(yùn)行狀態(tài)后(刺激)，后車也要作相應(yīng)的改變(反應(yīng))，但前后車運(yùn)行狀態(tài)的改變不是同步的，而是存在延遲，這一延遲稱為反應(yīng)時(shí)間[7].反應(yīng)時(shí)間是交通流穩(wěn)定性的決定因素，在眾多跟車模型中，反應(yīng)時(shí)間都是一個(gè)不可或缺的參數(shù)[15].

然而，目前還沒有文獻(xiàn)研究FCW系統(tǒng)對(duì)駕駛員跟車反應(yīng)時(shí)間的影響.因此，本研究旨在進(jìn)一步證實(shí)FCW系統(tǒng)對(duì)跟車車頭時(shí)距的影響，并探究FCW系統(tǒng)對(duì)跟車反應(yīng)時(shí)間的影響.

2　數(shù)據(jù)采集

2.1上海自然駕駛研究

本研究的數(shù)據(jù)來自“上海自然駕駛研究”項(xiàng)目.該項(xiàng)目由同濟(jì)大學(xué)、通用汽車公司、弗吉尼亞理工大學(xué)三方合作開展，旨在了解中國駕駛員的車輛使用、車輛操控以及安全意識(shí).

項(xiàng)目使用5輛配備了SHARP2 NextGen數(shù)據(jù)采集系統(tǒng)的乘用車輛,采集真實(shí)交通環(huán)境下的駕駛數(shù)據(jù).數(shù)據(jù)采集從2012年12月開始，持續(xù)至2015年12月，計(jì)劃采集90名中國駕駛員的日常駕駛數(shù)據(jù).每輛實(shí)驗(yàn)車均裝有Mobileye?C2-270車輛主動(dòng)安全系統(tǒng)，以評(píng)估該系統(tǒng)的有效性.每位實(shí)驗(yàn)參與者駕駛實(shí)驗(yàn)車2個(gè)月，Mobileye?系統(tǒng)在第1個(gè)月關(guān)閉，第2個(gè)月開啟.

2.2數(shù)據(jù)采集系統(tǒng)

SHARP2 NextGen數(shù)據(jù)采集系統(tǒng)包含：車輛總線數(shù)據(jù)接口、三軸加速度計(jì)、可跟蹤8個(gè)目標(biāo)的雷達(dá)系統(tǒng)、溫度及濕度傳感器、GPS定位系統(tǒng)和四路攝像頭[9].四路攝像頭分別監(jiān)測(cè)駕駛員的面部、車輛前方道路、車輛后方道路以及駕駛員的手部操作.數(shù)據(jù)采集系統(tǒng)的不同設(shè)備設(shè)置了不同的采樣頻率，分布在10～50 Hz.數(shù)據(jù)采集系統(tǒng)在車輛點(diǎn)火后自動(dòng)啟動(dòng)、熄火后自動(dòng)關(guān)閉.

2.3Mobileye?車輛主動(dòng)安全系統(tǒng)

Mobileye?C2-270車輛主動(dòng)安全系統(tǒng)由3個(gè)子系統(tǒng)構(gòu)成：FCW系統(tǒng)、車道偏離預(yù)警系統(tǒng)、行人沖突預(yù)警系統(tǒng).當(dāng)碰撞時(shí)間(TTC)小于2.7 s時(shí)，F(xiàn)CW系統(tǒng)會(huì)發(fā)出一系列響亮尖銳的嘟嘟聲，同時(shí)在屏幕上顯示1個(gè)閃爍的紅色車形圖案(見圖1a).

FCW系統(tǒng)同時(shí)提供車頭時(shí)距提示和預(yù)警功能.當(dāng)車頭時(shí)距小于2.5 s時(shí)，車頭時(shí)距數(shù)值將展示在屏幕上，并持續(xù)更新(見圖1b).當(dāng)車頭時(shí)距下降到0.6 s時(shí)，屏幕會(huì)顯示1個(gè)紅色的車形圖案(見圖1c)，同時(shí)警報(bào)聲響起，以警示跟車過近.

圖1FCW系統(tǒng)視覺顯示

Fig.1Visual display of FCW system

2.4數(shù)據(jù)描述

截至2015年7月，上海自然駕駛研究項(xiàng)目已采集55名駕駛員、累計(jì)超過13萬公里的駕駛數(shù)據(jù).本文選擇了其中19名駕駛員的數(shù)據(jù)用于分析，共包含4 573次出行，累計(jì)車公里為60 689 km，其中，32 797 km采集自Mobileye?系統(tǒng)關(guān)閉階段，另外的27 892 km采集自Mobileye?系統(tǒng)開啟階段.駕駛員年齡分布在28歲到61歲之間(平均年齡為40.9歲)，駕齡分布在1年到16年之間(平均駕齡6.6年).

3　變量解釋

3.1自變量

表1匯總了自變量的相關(guān)信息.其中，F(xiàn)CW系統(tǒng)狀態(tài)為關(guān)鍵的自變量，表征FCW系統(tǒng)是否開啟.

根據(jù)交通流的間斷與否，將道路類型劃分為地面道路(包括主干道、次干道、支路等)及快速路(包括城市快速路、高速公路)兩類.根據(jù)跟車行為發(fā)生的時(shí)間，將光照條件劃分為白天、夜晚兩類，道路類型及光照條件信息均依靠人工觀看前向視頻確定.

交通密度是表征交通狀態(tài)的一個(gè)重要變量.自然駕駛實(shí)驗(yàn)的雷達(dá)可以同時(shí)捕獲最多8個(gè)目標(biāo)，利用雷達(dá)的數(shù)據(jù)估算交通密度信息[6]，并將交通密度劃分為3個(gè)等級(jí)：稀疏(<40輛·km-1)、中等(40～65輛·km-1)、密集(>65輛·km-1).

車速進(jìn)一步反應(yīng)了交通流的狀態(tài)，將車速分為3個(gè)等級(jí)：慢速(20～40 km·h-1)、中等(41～65 km·h-1)、快速(>65 km·h-1).

考慮到雨天情況下的跟車行為片段極少，因此只對(duì)晴天狀態(tài)下的跟車行為進(jìn)行了分析.考慮到駕駛員數(shù)量有限，未將駕駛員的年齡、性別、駕駛經(jīng)驗(yàn)作為自變量.

表1　自變量信息匯總

3.2因變量

考慮兩項(xiàng)因變量：跟車車頭時(shí)距及跟車反應(yīng)時(shí)間.車頭時(shí)距由跟車距離除以后車速度得到，其中跟車距離由雷達(dá)提供，后車速度由車輛總線提供.

跟車反應(yīng)時(shí)間由一種圖形方法確定，該方法由Gurusinghe等[7]提出，通過比較相對(duì)速度及后車加速度曲線來確定跟車過程中的反應(yīng)時(shí)間.根據(jù)刺激-反應(yīng)類跟車模型，跟車中后車的加速度由兩車的相對(duì)速度決定，即相對(duì)速度的變化(稱作刺激)會(huì)在一定時(shí)間的延遲后，引起后車加速度作對(duì)應(yīng)的變化(稱作反應(yīng))，其中的延遲為跟車反應(yīng)時(shí)間.如圖2所示，相對(duì)速度曲線在AS達(dá)到一個(gè)波峰，在后車加速度曲線上與之對(duì)應(yīng)的波峰為AR.AS與AR分別稱作刺激點(diǎn)與反應(yīng)點(diǎn)，兩點(diǎn)間的時(shí)間間隔TA稱作反應(yīng)時(shí)間.

在一次跟車過程中，可以匹配多對(duì)刺激-反應(yīng)點(diǎn)對(duì)，這些刺激-反應(yīng)點(diǎn)對(duì)將作為跟車反應(yīng)時(shí)間的分析單元.Ozaki[16]指出，在一次跟車過程中，反應(yīng)時(shí)間并不是恒定的，并且可能與跟車距離、相對(duì)速度、前車加速度相關(guān).因此，對(duì)每一對(duì)刺激-反應(yīng)點(diǎn)對(duì)，其相應(yīng)的跟車距離、相對(duì)速度、前車加速度信息也被記錄下來，作為分析跟車反應(yīng)時(shí)間時(shí)的額外自變量.

圖2　跟車反應(yīng)時(shí)間確定示意圖

Fig.2Determining reaction time through identification of stimulus and response points

4　數(shù)據(jù)處理及模型構(gòu)建

4.1跟車行為片段提取

基于雷達(dá)及車輛總線數(shù)據(jù)對(duì)跟車行為片段進(jìn)行提取.表2匯總了已有研究中跟車行為提取所采取的準(zhǔn)則，相關(guān)變量的含義如圖3所示.

表2　既有研究中跟車行為片段提取準(zhǔn)則

跟車行為片段提取關(guān)鍵在于各項(xiàng)準(zhǔn)則閾值的設(shè)定.由于國內(nèi)外交通環(huán)境、駕駛員駕駛行為可能存在差異，因此文獻(xiàn)中的閾值需要根據(jù)本研究的數(shù)據(jù)特征進(jìn)行修正.為此，基于文獻(xiàn)中的跟車行為提取方法，結(jié)合前向視頻、雷達(dá)、車輛總線數(shù)據(jù)，人工篩選出155個(gè)標(biāo)準(zhǔn)跟車片段，其各項(xiàng)參數(shù)取值范圍見表3.

圖3　雷達(dá)目標(biāo)相對(duì)于實(shí)驗(yàn)車輛的位置及運(yùn)動(dòng)

根據(jù)標(biāo)準(zhǔn)跟車片段中各項(xiàng)參數(shù)的分布范圍及既有文獻(xiàn)中的閾值，確定各項(xiàng)跟車提取準(zhǔn)則的閾值.最終的跟車行為片段提取準(zhǔn)則如下：

(1) 側(cè)向距離絕對(duì)值<2.5 m，該準(zhǔn)則保證雷達(dá)目標(biāo)與實(shí)驗(yàn)車輛在同一車道上.

(2) 7 m<縱向距離<120 m，且自車速度>18 km·h-1，這兩項(xiàng)準(zhǔn)則用以排除擁堵和自由流的交通流狀態(tài).擁堵的排除通過自車速度>18 km·h-1及縱向距離>7 m來實(shí)現(xiàn)；非自由流狀態(tài)要求兩車之間的距離不能過大，距離過大時(shí)，前車不再制約本車的駕駛行為.

(3) 縱向相對(duì)速度絕對(duì)值<2.5 m·s-1，相對(duì)速度的絕對(duì)值足夠小以確保前后車處于穩(wěn)定的跟車狀態(tài).

表3　標(biāo)準(zhǔn)跟車片段各參數(shù)取值范圍

(4) 片段長度大于15 s，為了保證處于穩(wěn)定的跟車狀態(tài)，跟車片段不能過短.

使用上述方法，共提取出1 613個(gè)跟車行為片段.結(jié)合前向視頻，對(duì)各片段進(jìn)行驗(yàn)證，發(fā)現(xiàn)提取出的片段均為有效的跟車行為片段.

4.2線性混合模型構(gòu)建

采用線性混合模型分析自變量對(duì)因變量的影響.線性混合模型的表達(dá)形式如下所示：

式中:y為因變量；X為固定效應(yīng)矩陣；β為固定效應(yīng)系數(shù)；Z為隨機(jī)效應(yīng)矩陣；γ為隨機(jī)效應(yīng)系數(shù)；ε為隨機(jī)誤差.

本文分析了19位駕駛員的跟車行為數(shù)據(jù)，若直接使用一般的線性模型，將違背不同觀測(cè)之間相互獨(dú)立的假設(shè)(同一駕駛員的數(shù)據(jù)可能存在相關(guān)性).因此，借助線性混合模型，將駕駛員作為隨機(jī)效應(yīng)，充分考慮不同駕駛員駕駛行為的差異.

5　結(jié)果與討論

在提取出的1 613個(gè)跟車行為片段中，選取其中1 489個(gè)晴天狀態(tài)下跟車片段進(jìn)行分析.對(duì)每一個(gè)跟車片段，計(jì)算跟車過程中的平均車頭時(shí)距，用于車頭時(shí)距的分析.從相對(duì)速度及后車加速度曲線中提取出6 933對(duì)刺激-反應(yīng)點(diǎn)并計(jì)算相應(yīng)的跟車反應(yīng)時(shí)間，用于跟車反應(yīng)時(shí)間的分析.以上2個(gè)變量均是連續(xù)變量，利用SAS?9.2的MIXED過程建立混合線性模型，分析FCW系統(tǒng)狀態(tài)對(duì)2個(gè)因變量的影響.顯著水平α設(shè)為0.05.

5.1車頭時(shí)距

結(jié)果表明，相對(duì)于FCW系統(tǒng)關(guān)閉狀態(tài)下(車頭時(shí)距最小二乘均值：1.68 s)，F(xiàn)CW系統(tǒng)開啟后駕駛員傾向于保持更長的車頭時(shí)距(車頭時(shí)距最小二乘均值：1.75 s).但這種差異在統(tǒng)計(jì)意義上并不顯著(F(1, 12) =1.36,P=0.27).

分析同時(shí)發(fā)現(xiàn)，車頭時(shí)距受到自車速度、光照條件、道路類型以及交通密度的顯著影響，影響效果見表4.

表4　車頭時(shí)距顯著影響因素

表5匯總了已有研究中FCW系統(tǒng)對(duì)車頭時(shí)距影響的結(jié)論.可以看出，在大部分研究中，F(xiàn)CW系統(tǒng)開啟后，車頭時(shí)距都傾向于變大.更大的車頭時(shí)距留給駕駛員更多的時(shí)間應(yīng)對(duì)前車狀態(tài)的突變，有助于提高行駛安全性.

表5既有研究中FCW系統(tǒng)對(duì)車頭時(shí)距影響結(jié)論匯總

Tab.5Result summary for studies concerning effects of FCW system on headway maintenance

研究實(shí)驗(yàn)方法FCW系統(tǒng)開啟后車頭時(shí)距變化本文自然駕駛增大,但不顯著Dingus等[5]場(chǎng)地測(cè)試增大Ben-Yaacov等[4]場(chǎng)地測(cè)試增大0.5sACAS[6]自然駕駛在高速公路或白天情況下增大IVBSS貨車項(xiàng)目[11]自然駕駛在雨天增大0.2s,在密集交通下增大0.28sIVBSS乘用車項(xiàng)目[12]自然駕駛減小,但不顯著euroFOT[13]自然駕駛增大

5.2跟車反應(yīng)時(shí)間

在分析跟車反應(yīng)時(shí)間時(shí)，除了表 1中的變量，還考慮了其他可能影響反應(yīng)時(shí)間的自變量：相對(duì)速度(前車速度減后車速度)、跟車距離及前車加速度.分析時(shí)使用了相對(duì)速度和前車加速度的絕對(duì)值，因此相應(yīng)地增加了2個(gè)表示兩者符號(hào)的離散變量：相對(duì)速度符號(hào)、前車加速度符號(hào).

結(jié)果表明，F(xiàn)CW系統(tǒng)狀態(tài)對(duì)跟車反應(yīng)時(shí)間有顯著影響.FCW系統(tǒng)開啟后，跟車反應(yīng)時(shí)間由關(guān)閉時(shí)的1.55 s變?yōu)?.53 s，F(xiàn)(1,12)=5.51,P=0.036 9.此外，兩項(xiàng)與FCW系統(tǒng)狀態(tài)相關(guān)的交互效應(yīng)也在統(tǒng)計(jì)意義上顯著.如圖4所示，在白天狀態(tài)下，F(xiàn)CW系統(tǒng)的開啟使得反應(yīng)時(shí)間減少了0.13 s(下降8%)，F(xiàn)(1,12)=5.93,P=0.03，然而這種差異在夜間并不顯著；當(dāng)相對(duì)速度為負(fù)值時(shí)(即后車比前車速度快)，F(xiàn)CW系統(tǒng)的使用使得反應(yīng)時(shí)間減少了0.09 s(下降5%)，F(xiàn)(1,12)=7.16,P=0.02，而在相對(duì)速度為正值時(shí)這種差異并不明顯.

駕駛員跟車反應(yīng)時(shí)間對(duì)交通流穩(wěn)定性有很大影響，交通流穩(wěn)定性隨反應(yīng)時(shí)間的減少而增加[22].本文發(fā)現(xiàn)，在白天及后車速度大于前車速度的情況下，F(xiàn)CW系統(tǒng)的開啟使得反應(yīng)時(shí)間分別減少0.13 s與0.09 s.這表明，F(xiàn)CW系統(tǒng)有利于提高交通流的穩(wěn)定性.

a不同光照條件及FCW系統(tǒng)狀態(tài)下反應(yīng)時(shí)間 b不同相對(duì)速度符號(hào)及FCW系統(tǒng)狀態(tài)下反應(yīng)時(shí)間

圖4與FCW系統(tǒng)狀態(tài)相關(guān)的交互效應(yīng)

Fig.4Interaction effects involving FCW system state

Dewar等[23]指出，駕駛員反應(yīng)時(shí)間由4個(gè)階段組成：察覺、估計(jì)、決策和行動(dòng).以跟車過程為例，當(dāng)兩車的相對(duì)速度或相對(duì)距離發(fā)生變化時(shí)，駕駛員在察覺階段感知到這種相對(duì)運(yùn)動(dòng)狀態(tài)的變化，然后在估計(jì)階段對(duì)兩車相對(duì)速度或相對(duì)距離做出估計(jì)，以便于其在決策階段選擇合適的措施(如減速、加速、轉(zhuǎn)向)，決策后，駕駛員在行動(dòng)階段實(shí)施相應(yīng)的操作，如踩剎車踏板.

如圖5所示，在反應(yīng)時(shí)間的4個(gè)階段中，F(xiàn)CW系統(tǒng)可能縮短了駕駛員在察覺及估計(jì)階段所花的時(shí)間，從而從整體上縮短了反應(yīng)時(shí)間.這是因?yàn)椋篗obileye?的FCW子系統(tǒng)具有實(shí)時(shí)顯示車頭時(shí)距的功能，這可能有助于駕駛員更快地觀察和估計(jì)距離或速度的變化.

分析中也發(fā)現(xiàn)了許多其他變量對(duì)跟車反應(yīng)時(shí)間有顯著影響，包括相對(duì)速度、跟車距離、前車加速度、光照條件、道路類型和交通密度，影響效果見表6和7.

表6　顯著影響反應(yīng)時(shí)間的離散變量

表7　顯著影響反應(yīng)時(shí)間的連續(xù)變量

注：相對(duì)速度、跟車距離和前車加速度的單位分別為：m·s-1、m、m·s-2.

圖5　FCW系統(tǒng)開啟與關(guān)閉狀態(tài)下的反應(yīng)時(shí)間

Fig.5Reaction time with FCW system disabled and enabled

6　結(jié)語

本文利用自然駕駛數(shù)據(jù)研究了FCW系統(tǒng)對(duì)駕駛員跟車行為的影響.結(jié)果表明，F(xiàn)CW系統(tǒng)對(duì)駕駛員跟車車頭時(shí)間的影響不顯著，但FCW系統(tǒng)顯著降低了駕駛員在跟車中的反應(yīng)時(shí)間：白天狀態(tài)下，反應(yīng)時(shí)間減少了0.13 s；后車逼近前車時(shí)，反應(yīng)時(shí)間減少了0.09 s.反應(yīng)時(shí)間的縮短，將有助于提高交通流的穩(wěn)定性.此外，本研究首次使用高真實(shí)度自然駕駛數(shù)據(jù)進(jìn)行駕駛員跟車反應(yīng)時(shí)間的提取及影響因素分析，并進(jìn)一步確認(rèn)了駕駛員跟車反應(yīng)時(shí)間受跟車距離、相對(duì)速度、前車加速度、交通密度、道路類型、光照條件的影響.研究結(jié)果將有助于跟車反應(yīng)時(shí)間建模及車輛配置FCW系統(tǒng)情況下的交通流仿真.

參考文獻(xiàn):

[1]McGehee D, Brown T, Lee J,etal. Effect of warning timing on collision avoidance behavior in a stationary lead vehicle scenario [J]. Transportation Research Record: Journal of the Transportation Research Board, 2002, 1803: 1.

[2]Soma H, Hiramatsu K. Driving simulator experiment on drivers’ behaviour and effectiveness of danger warning against emergency braking of leading vehicle [C]//Proceedings of the 16th ESV, Canada. Washington D C: National Highway Traffic Safety Administration (NHTSA), 1998.

[3]Ranney T A. Psychological factors that influence car-following and car-following model development [J]. Transportation Research, Part F: Traffic Psychology and Behaviour, 1999, 2(4): 213.

[4]Ben-Yaacov A, Maltz M, Shinar D. Effects of an in-vehicle collision avoidance warning system on short-and long-term driving performance [J]. Human Factors: The Journal of the Human Factors and Ergonomics Society, 2002, 44(2): 335.

[5]Dingus T A, McGehee D V, Manakkal N,etal. Human factors field evaluation of automotive headway maintenance/collision warning devices [J]. Human Factors: The Journal of the Human Factors and Ergonomics Society, 1997, 39(2): 216.

[6]Ervin R, Sayer J, LeBlanc D,etal. Automotive Collision Avoidance System field operational test report: methodology and results [R]. Washington D C: National Highway Traffic Safety Administration (NHTSA), 2005.

[7]Gurusinghe G, Nakatsuji T, Azuta Y,etal. Multiple car-following data with real-time kinematic global positioning system [J]. Transportation Research Record: Journal of the Transportation Research Board, 2002, 1802: 166.

[8]Taylor J, Zhou X, Rouphail N M,etal. Method for investigating intra driver heterogeneity using vehicle trajectory data: a dynamic time warping approach [J]. Transportation Research, Part B: Methodological, 2015, 73: 59.

[9]Fitch G M, Hanowski R J. Using naturalistic driving research to design, test and evaluate driver assistance systems [M]//Handbook of Intelligent Vehicles. London: Springer, 2012: 559-580.

[10]Zhang G, Wang Y, Wei H,etal. Examining headway distribution models with urban freeway loop event data [J]. Transportation Research Record: Journal of the Transportation Research Board, 2007, 1999: 141.

[11]Bao S, LeBlanc D J, Sayer J R,etal. Heavy-truck drivers’ following behavior with intervention of an integrated, in-vehicle crash warning system a field evaluation [J]. Human Factors: The Journal of the Human Factors and Ergonomics Society, 2012, 54(5): 687.

[12]Sayer J R, Bogard S E, Buonarosa M L,etal. Integrated vehicle-based safety systems light-vehicle field operational test key findings report [R]. Washington D C: National Highway Traffic Safety Administration (NHTSA), 2011.

[13]Kessler C, Etemad A, Alessandretti G,etal. European large-scale field operational tests on in-vehicle systems deliverable D11.3. final report [R]. Aachen: EuroFOT Consortium, 2012.

[14]Chandler R E, Herman R, Montroll E W. Traffic dynamics: studies in car following [J]. Operations Research, 1958, 6(2): 165.

[15]May A D. Traffic flow fundamentals [M]. New Jersey: Prentice-Hall, 1990.

[16]Ozaki H. Reaction and anticipation in the car-following behavior [J]. Transportation and Traffic Theory, 1993, 12: 349.

[17]LeBlanc D J, Bao S, Sayer J R,etal. Longitudinal driving behavior with integrated crash-warning system[J]. Transportation Research Record: Journal of the Transportation Research Board, 2013, 2365: 17.

[18]Sayer J R, Mefford M L, Huang R. The effect of lead-vehicle size on driver following behavior [R]. AnnArbor: The University of Michigan Transportation Research Institute, 2000.

[19]Chong L, Abbas M M, Medina Flintsch A,etal. A rule-based neural network approach to model driver naturalistic behavior in traffic [J]. Transportation Research, Part C: Emerging Technologies, 2013, 32: 207.

[20]Zhang L, Wang J, Li K,etal. Driver car-following behavior modeling using neural network based on real traffic experimental data[C]//15th World Congress on Intelligent Transport Systems and ITS America’s 2008 Annual Meeting. New York: the Intelligent Transportation Society of America, 2008: 2230-2238.

[21]Fernandez A. Secondary tasks in steady state car following situations [D]. G?teborg: Chalmers University of Technology, 2011.

[22]Treiber M, Kesting A, Helbing D. Delays, inaccuracies and anticipation in microscopic traffic models [J]. Physica A: Statistical Mechanics and Its Applications, 2006, 360(1): 71.

[23]Dewar R E, Olson P L, Gerson J A. Human factors in traffic safety, second edition [M]. Tucson: Lawyers & Judges Publishing Company, 2007.

收稿日期：2015-11-18

基金項(xiàng)目：國家自然科學(xué)基金(51522810)；“十二五”國家科技支撐計(jì)劃(014BAG01B03)

中圖分類號(hào)：U491

文獻(xiàn)標(biāo)志碼：A

Impacts of Collision Warning System on Car-following Behavior Based on Naturalistic Driving Data

WANG Xuesong, ZHU Meixin, XING Yilun

(Key Laboratory of Road and Traffic Engineering of the Ministry of Education, Tongji University, Shanghai 201804, China)

Abstract：From 60 689 km of naturalistic driving data, 1 613 car-following events were identified. Two major parameters of car-following behavior were analyzed—time headway and reaction time. The results show that forward collision warning(FCW) did not have a significant effect on time headway; while FCW resulted in a 0.13 s decrease of reaction time in daytime driving, and a 0.09 s decrease when a following vehicle had higher speed than the lead vehicle.

Key words：forward collision warning(FCW); naturalistic driving study; car-following behavior; headway time; reaction time

第一作者： 王雪松(1977—)，男，教授，工學(xué)博士，主要研究方向?yàn)榻煌ò踩?guī)劃與政策、駕駛行為與車輛主動(dòng)安全、駕駛模擬器應(yīng)用、交通安全管理、交通設(shè)施安全分析.E-mail:wangxs@#edu.cn