車聯(lián)網(wǎng)關鍵指標對車輛安全影響仿真測試方法?

柴琳果，蔡伯根，2，3，王化深，2，上官偉，2，3，王 劍，2，3

車聯(lián)網(wǎng)關鍵指標對車輛安全影響仿真測試方法?

柴琳果1，蔡伯根1，2，3，王化深1，2，上官偉1，2，3，王 劍1，2，3

(1.北京交通大學電子信息工程學院，北京 100044； 2.北京交通大學，軌道交通控制與安全國家重點實驗室，北京 100044；3.北京交通大學，北京市軌道交通電磁兼容與衛(wèi)星導航工程技術研究中心，北京 100044)

提出了一種用于分析車聯(lián)網(wǎng)關鍵指標對車輛安全影響的仿真測試方法。首先，基于微觀交通流仿真軟件設計了危險跟馳、換道等基礎仿真場景；然后，分析了基于高斯分布的定位誤差模型和單跳通信延誤模型，并建立了定位誤差、通信延誤和滲透率在仿真過程中的執(zhí)行策略；接著，基于車輛最小安全距離跟馳模型和車輛非線性分段制動模型分別提出了車輛危險跟馳預警和危險換道預警方法；最后，通過建立基于HLA(high level architecture)的車聯(lián)網(wǎng)仿真平臺對不同定位誤差、通信延誤和滲透率對車輛安全的影響進行了仿真測試。結(jié)果表明，在危險跟馳場景中，在注入了基于高斯分布的定位誤差后，預警成功率為88%，預警成功率隨著預警策略中減速度的減小而增大；在危險換道場景中，在注入了單跳通信延誤后，預警成功率達100%；成功預警數(shù)隨著OD(origin destination)取值和滲透率的增大而增大，并且受滲透率影響更加明顯。

交通工程；車輛安全；仿真測試；車聯(lián)網(wǎng)；仿真場景

前言

隨著傳感器技術、通信技術的發(fā)展，車聯(lián)網(wǎng)系統(tǒng)在保證車輛安全方面的優(yōu)勢日益體現(xiàn)，車輛狀態(tài)數(shù)據(jù)的采集和估計更加準確，車車、車地之間的信息交互也更加可靠[1]。但在實際車聯(lián)網(wǎng)系統(tǒng)的設計與開發(fā)過程中，不同的定位模式會導致定位精度的巨大變化[2]，且不同通信模式的選擇也會對系統(tǒng)的信息交互帶來一定的不穩(wěn)定性[3-4]，雖然多傳感器融合定位和多通信模式競爭可在一定程度上緩解定位準確度的下降和通信性能的降低對系統(tǒng)的影響，但系統(tǒng)關鍵環(huán)節(jié)的核心參數(shù)在數(shù)據(jù)表示層面仍然不能表現(xiàn)出完全統(tǒng)一的特性，尤其是在城市道路中，城市峽谷所產(chǎn)生的遮擋和多徑效應，導致車輛定位誤差仍然存在，通信丟包和通信延誤也不能完全消除。

車聯(lián)網(wǎng)系統(tǒng)中關鍵參數(shù)的不穩(wěn)定會對車輛安全控制效果產(chǎn)生巨大影響，在車輛安全控制方面，一方面，研究人員研究用提升設備性能的方法來降低對車輛狀態(tài)估計的難度和保證信息交互的可靠傳輸，另一方面，學者也在研究多傳感器深耦合定位技術和通信協(xié)議的優(yōu)化方法來提高定位精度和通信可靠性。因此，考慮設備和算法性能的車輛安全測試方法顯得尤為重要，目前國內(nèi)外在車輛安全測試方面進行了許多研究。

文獻[5]中研究設計了基于MATLAB/Simulink和車輛動力學軟件CarSim的電動車輛驅(qū)動控制系統(tǒng)仿真測試平臺，能針對不同型號的電動車輛，方便快捷地匹配不同類型的電機，設計整車驅(qū)動力控制策略；文獻[6]中采用WorldSID假人對因為駕駛員說話分散注意力而產(chǎn)生的事故進行了模擬，分析了副駕駛位置假人的受傷情況；文獻[7]中介紹了ITDNS(integrated traffic-driving-networking simulator)，并通過15名平均年齡26.13歲的駕駛員的實測數(shù)據(jù)對該仿真器模型進行了矯正。

由于可能存在安全隱患，所以目前關于車輛安全的測試中并沒有人的實際參與，多采用仿真的手段進行測試。目前車輛安全測試研究主要集中在兩個方面，一方面是研究如何基于實測數(shù)據(jù)建立具有高逼真度的仿真環(huán)境，另一方面是在成熟的仿真環(huán)境或者半實物仿真環(huán)境中對車輛安全進行測試。

采用仿真的手段來測試評估車聯(lián)網(wǎng)中車輛關鍵參數(shù)對車輛運行安全的影響具有一定優(yōu)勢，目前國內(nèi)外針對車聯(lián)網(wǎng)定位誤差、通信性能和滲透率等也有一定的研究基礎。

文獻[8]中通過駕駛輔助和主動安全仿真軟件PreScan研究了無信號交叉口的車輛避撞方法，提出了through-through車輛避撞策略，一定程度上給出了車輛在交叉口穿插通行問題的解決方案；文獻[9]中提出了一種基于載波相位異常檢測和驗證的方法來提高車輛的動態(tài)定位性能，并通過仿真驗證其正確性；文獻[10]中研究了車聯(lián)網(wǎng)中滲透率和MOEs(measures of effectiveness)的關系，提出了一種基于最小滲透率的路網(wǎng)MOEs精確估計方法。

可以看出，目前在車聯(lián)網(wǎng)車輛安全仿真測試的研究中，對特定功能，如定位性能、通信性能和道路滲透率等的測試較為常見，但缺少建立在多模塊、多子系統(tǒng)協(xié)同運作之上針對某一特性對系統(tǒng)影響而建立的測試方法。

在考慮車輛定位性能、通信性能和聯(lián)網(wǎng)車輛滲透率的基礎上，本文中設計了一種車聯(lián)網(wǎng)關鍵指標對車輛安全影響的仿真測試方法。通過建立基礎的交通流仿真環(huán)境、信息交互環(huán)境和車輛預警控制機制，在實現(xiàn)基本車聯(lián)網(wǎng)車車、車路交互仿真的基礎上，設計了定位性能、通信性能和聯(lián)網(wǎng)車輛滲透率在仿真平臺的運行機制，結(jié)合危險跟馳和危險換道仿真場景，進行關鍵環(huán)節(jié)對車輛安全影響的分析和評價。

1 仿真與測試方法概述

為更符合車聯(lián)網(wǎng)中車輛運行狀態(tài)和信息交互過程，本文中基于HLA[11]建立了基本仿真環(huán)境，設計了5個仿真聯(lián)邦，分別為交通仿真、通信仿真、行為控制、管理評估和三維視景聯(lián)邦。仿真框架如圖1所示。

其中，交通仿真聯(lián)邦主要模擬交通流特性，基于Q-Paramics[12-13](以下稱Paramics)微觀交通仿真軟件建立，實現(xiàn)危險仿真場景生成、定位性能和滲透率的模擬；通信仿真聯(lián)邦主要功能包括路側(cè)節(jié)點設置、節(jié)點信息獲取機制模擬、節(jié)點信息的數(shù)據(jù)庫存儲和通信性能模擬，以模擬車輛的通信過程；行為控制聯(lián)邦主要依據(jù)交通仿真數(shù)據(jù)和通信仿真結(jié)果對道路中的危險場景進行危險預測，并給出預警信息和沖突消解策略；管理評估聯(lián)邦主要實現(xiàn)危險場景參數(shù)設置和關鍵環(huán)節(jié)參數(shù)對交通影響的評價；三維視景聯(lián)邦主要通過VEGA三維軟件進行可視化顯示。仿真測試流程如下：

圖1 仿真框架

(1)仿真開始，生成仿真場景，交通仿真聯(lián)邦在生成交通流之后，根據(jù)測試信息，基于車輛狀態(tài)預演生成危險跟馳和換道仿真場景；

(2)交通仿真、通信仿真、行為控制聯(lián)邦成員判斷測試信息，觸發(fā)被測參數(shù)的運行機制，將其影響效果疊加到危險跟馳和換道仿真場景中；

(3)行為控制聯(lián)邦成員對路網(wǎng)的所有車輛狀態(tài)進行遍歷，辨識車輛危險，給出駕駛員預警信息；

(4)管理評估聯(lián)邦成員對仿真測試結(jié)果進行統(tǒng)計分析，給出車聯(lián)網(wǎng)關鍵環(huán)節(jié)參數(shù)的仿真評價結(jié)果。

基于以上流程，即可完成對某一關鍵指標參數(shù)對車輛安全影響的仿真測試。

2 基于軌跡預演的危險仿真場景生成方法

為使仿真更加貼近真實情況，本文中采用Paramics作為交通仿真的基礎模塊。車聯(lián)網(wǎng)系統(tǒng)建立在傳統(tǒng)交通系統(tǒng)基礎之上，在車聯(lián)網(wǎng)車輛未達到100%路網(wǎng)滲透率的情況下，勢必會出現(xiàn)多種類型車輛混合運行的模式，Paramics可很好地模擬社會車輛的運行；車聯(lián)網(wǎng)系統(tǒng)中對于車輛安全相關功能的仿真驗證大多是基于仿真場景的，為使仿真場景更加真實，仿真場景應盡可能從正在運行的仿真路網(wǎng)中動態(tài)生成，這樣才能保證仿真場景的可信度；Paramics能夠提供動態(tài)的交通仿真環(huán)境，能夠產(chǎn)生符合交通流規(guī)律的運行車輛；通過建立仿真平臺給測試提供環(huán)境和條件，仿真測試的優(yōu)點之一是可重復性，Paramics能在一次仿真中持續(xù)產(chǎn)生交通流，并多次生成仿真場景，實現(xiàn)測試的可重復性；對于車聯(lián)網(wǎng)中關鍵指標的測試，應能精確地生成仿真場景，并精確地進行車輛控制，Paramics的API(application programming interface)接口提供對車輛控制的支持，能降低開發(fā)工作量。目前其他的微觀交通流仿真軟件如Vissim和SUMO等具有完全的單車控制接口，也可作為交通仿真模塊備選。

Paramics等微觀交通仿真軟件目前被研究人員應用較多，但其底層模型較為理想化，不會在仿真系統(tǒng)中自發(fā)產(chǎn)生交通沖突，例如追尾、側(cè)撞等現(xiàn)象。因此，若不進行二次開發(fā)，很難基于該類軟件實現(xiàn)對危險跟馳和換道行為的模擬，也不能實現(xiàn)針對該類場景的預警方案的仿真驗證。本文中結(jié)合Paramics的API函數(shù)對仿真運行的車輛參數(shù)進行設置，實現(xiàn)危險跟馳和危險換道仿真場景的精確控制。

2.1 危險跟馳場景

交通仿真聯(lián)邦接收到危險跟馳場景之后，開始分析路網(wǎng)車輛狀態(tài)數(shù)據(jù)，判斷路網(wǎng)車輛之間的跟馳關系，之后隨機選擇距離超過100m的同車道相鄰兩輛車(前車設為A，后車設為B)，通過增大后車B的加速度來提高車輛速度。經(jīng)驗數(shù)據(jù)表明，車輛在道路行駛最大加速度一般不超過6m/s2，當車輛到達場景參數(shù)規(guī)定的最大速度時，后車停止加速，保持勻速行駛。車輛速度的變化量和加速度的關系如下：

式中：vs(n)為第n個仿真步長中后車的速度值；as為最大加速度，取為6m/s2；ts為仿真步長，取50ms。若不進行車輛預警控制，后車高速行駛，將會與前車發(fā)生追尾事故，如圖2所示。

圖2 危險跟馳場景生成

2.2 危險換道場景

隨機鎖定一輛行進中車輛A，計算并獲得A車周圍100m內(nèi)與其不在同一車道上的其他所有車輛信息，通過比較同道路不同車輛距離前方交叉口的距離來判斷車輛之間的前后關系。選擇距離A車最近且在A車后方的車輛B，根據(jù)危險跟馳場景生成方法對B車進行加速至場景規(guī)定速度，然后通過車輛制動模型對B車的行駛軌跡進行預演，如果B車采用最大制動加速度時仍然可能會和變道之后的A車發(fā)生追尾危險，此時控制A車進行換道行為，生成危險換道場景，如圖3所示。

圖3 危險換道場景生成

2.3 Paramics接口調(diào)用方法

交通仿真聯(lián)邦包括兩部分：Paramics部分和控制程序。Paramics部分主要功能一方面是建立仿真路網(wǎng)、設計OD矩陣、設置道路渠化信息等，建立路網(wǎng)環(huán)境。其中，OD表示出發(fā)節(jié)點到目標節(jié)點的車流量，對于不同出發(fā)節(jié)點和目標節(jié)點的車流量，則可用一個OD矩陣表示；另一方面通過API實時提取仿真數(shù)據(jù)，并在收到控制程序的控制信息之后對Paramics中的車輛實現(xiàn)實時控制，包括車輛速度、換道行為等?？刂瞥绦蛑饕瓿蒔aramics危險場景的實現(xiàn)，程序化危險跟馳和危險換道場景，輸出并且顯示路網(wǎng)車輛狀態(tài)信息，基于HLA的接口與其他聯(lián)邦成員進行通信。交通仿真聯(lián)邦中Paramics和控制程序的接口關系如圖4所示。

圖4 Paramics軟件API調(diào)用

3 車聯(lián)網(wǎng)關鍵環(huán)節(jié)仿真運行機制

3.1 基于高斯分布的定位誤差模型

在行駛過程中，車輛的橫向誤差會直接影響車載設備對車輛所在車道的正確判斷，但目前通過圖像處理技術能很好地解決這一問題。因此平臺主要分析車輛縱向誤差對車輛安全的影響。

車輛的縱向誤差對車輛安全影響如圖5所示，以車輛行進方向為正方向，車輛實際位置為原點，當某一聯(lián)網(wǎng)車輛的定位誤差為正時，其與前車的實際距離要大于路側(cè)計算出來的距離，可能會發(fā)生錯誤預警的情況；其與后車的實際距離要大于路側(cè)計算出來的距離，可能會發(fā)生預警不及時而導致追尾的現(xiàn)象。

圖5 車輛定位誤差對車輛安全的影響

定位誤差模型很難被精確定義，目前應用較多的定位誤差模型為高斯誤差模型，本文中采用高斯誤差模型模擬車輛的定位誤差φ，其分布函數(shù)定義為

定位誤差分布規(guī)律如圖6所示[14]。

圖6 定位誤差的高斯分布模型

當F(5.5)＝0.975時，能夠得到σ＝2.8。因此誤差分布函數(shù)定義如下：

仿真運行中的每一輛車均服從以上的定位誤差模型。

3.2 通信延誤模擬

車車、車地交互作為車聯(lián)網(wǎng)系統(tǒng)中車流誘導信息和車輛安全控制信息發(fā)布的通道，其性能直接影響交通流誘導效率和安全控制效果。本文中分析了通信延誤對車輛安全控制的影響，通信延誤模型如圖7所示。

定位誤差的概率密度函數(shù)為

圖7 通信延誤示意圖

車載定位模塊無法輸出連續(xù)的定位信息，一般情況車載定位模塊輸出定位數(shù)據(jù)的頻率為10Hz，不同車輛定位時刻無法嚴格同步和定位信息輸出的不連續(xù)性是造成通信延誤的原因之一。在車車或車地通信過程中，數(shù)據(jù)傳輸?shù)难诱`是造成通信延誤的另外一個重要原因。針對定位時間不同步所產(chǎn)生的通信延誤，采用均勻分布對其進行模擬。此部分通信延誤d1的誤差分布函數(shù)定義為

目前，基于DSRC的車車通信方式被廣泛采用，本文中針對通信延誤的模擬主要基于單跳傳輸?shù)腄SRC通信協(xié)議。本文中對文獻[15]中基于OPNET的仿真數(shù)據(jù)進行處理，通過對仿真數(shù)據(jù)在置信概率0.05時的概率分布形式進行擬合，發(fā)現(xiàn)數(shù)據(jù)傳輸延時產(chǎn)生的延誤 d2符合 Rayleigh分布，均值為29.98ms。Rayleigh分布的概率密度為

根據(jù)Rayleigh分布特性，樣本期望值定義為

可以得到σ＝23.93，因此得到數(shù)據(jù)傳輸延誤的分布函數(shù)為

概率密度函數(shù)為

定位時間不同步產(chǎn)生的延誤和數(shù)據(jù)傳輸延誤之和為總通信延誤。

3.3 滲透率模擬

在車聯(lián)網(wǎng)系統(tǒng)中，在道路行駛的車輛并非全是聯(lián)網(wǎng)車輛，一般情況為聯(lián)網(wǎng)車輛和社會車輛混合行駛的模式。因此，引入滲透率的概念：路網(wǎng)中聯(lián)網(wǎng)車輛與全部車輛的比值。假設聯(lián)網(wǎng)車輛在路網(wǎng)中隨機分布，聯(lián)網(wǎng)車輛能通過自身的傳感器，包括雷達、微波等對周圍的車輛狀態(tài)進行檢測，并將檢測到的車輛信息一同上報到路側(cè)中心。通過此機制，路側(cè)中心能夠獲取更多的車輛信息，提高危險辨識率，滲透率對車輛安全的影響如圖8所示。

圖8 滲透率對車輛安全的影響

4 車輛安全預警方法

本文中基于車輛最小安全距離跟馳模型[16]和車輛非線性分段制動模型[17]分別提出了車輛危險跟馳預警和危險換道預警方法。

4.1 危險跟馳預警

在發(fā)生危險跟馳場景時，后車速度要大于前車速度，圖9是車輛距離前方交叉口的距離隨時間變化的曲線示意圖，給出了兩對跟馳場景的消解情況。當有預警時車輛1和車輛2的時空曲線無重疊；當無預警時車輛3和車輛4的時空曲線會相交，即會發(fā)生追尾事故。

圖9 跟馳沖突消解

本文中采用最小安全距離跟馳模型實現(xiàn)對危險跟馳場景的預警。預警模型如下：

式中：vf為后車的車速；vl為前車的車速；am為最大制動減速度閾值，考慮到車輛的最大減速度一般不超過6m/s2，本文中取值為4m/s2；s為兩車在執(zhí)行預警算法時刻的距離；ss為兩車的最小安全距離，取值為5m。當上述判斷成立時，預警模塊即開始預警，生成預警控制信息，當跟馳車輛以高于am的減速度進行制動時，能夠避免追尾事故發(fā)生。預警控制信息發(fā)送給交通控制模塊，交通控制模塊通過接口模塊來控制交通仿真模塊改變跟馳車輛的狀態(tài)，從而避免危險發(fā)生。

4.2 危險換道預警

本文中采用車輛分段非線性制動模型對車輛換道危險進行辨識。車輛的制動過程可分為3個階段：反應階段、減速度上升階段和最大減速度階段，如圖10所示。

圖10 車輛制動過程

反應階段車輛保持勻速行駛，設置反應時間tr＝0.5s，則在初速度為v0條件下在反應時間內(nèi)行駛的距離sr為

減速度上升階段，減速度au隨時間t的變化規(guī)律符合雙曲線的變化規(guī)律，即

式中：p，q，r為雙曲線的參數(shù)，p＝ 6，q＝ 1833，r＝0.16。同跟馳預警，取最大制動減速度閾值為4m/s2，則減速度上升時間內(nèi)車輛行駛距離su為

最大減速度階段按照4m/s2制動減速度閾值制動，則此階段車輛的行駛距離sm為

假設換道車輛一直保持速度vc行駛，若存在t＞0使式(15)成立，則進行預警。

5 仿真驗證

本文中通過基于HLA的車聯(lián)網(wǎng)仿真測試平臺實現(xiàn)對車輛關鍵指標參量的仿真測試，仿真平臺如圖11所示，針對定位誤差、通信延誤和滲透率3個參數(shù)進行了仿真測試。

圖11 基于HLA的車聯(lián)網(wǎng)仿真測試平臺

5.1 定位誤差仿真測試

在定位誤差的仿真測試中，場景參數(shù)設置如表1所示。

表1 定位誤差測試條件

圖12為仿真過程中某一次危險跟馳場景中前車和后車的速度變化情況。

圖12 跟馳單車曲線

由圖12可見，后車在接收到預警信息之后，根據(jù)提出的危險跟馳預警方法進行減速，并在車輛接觸預警之后，由車輛制動轉(zhuǎn)換為與前車保持跟馳行為。進行100次仿真后，得到兩車預警時刻實際車距，如圖13所示。

在前后車均具有高斯分布的定位誤差時，預警時刻兩車的距離出現(xiàn)了一定幅度的波動，這一方面是因仿真的離散性所致，但更主要是因定位誤差所致。由圖13可見，最小預警距離為后車采用6m/s2減速度時兩車應該保持的最小距離，正常預警距離為后車采用4m/s2減速度制動時兩車應該保持的最小距離，一般情況下，車輛的制動減速度不會大于6m/s2，因此當制動時兩車實際距離小于8.33m時，可視為發(fā)生追尾事故。在100次場景的執(zhí)行中，共發(fā)生12次事故，預警成功率為88%，可通過降低預警模型的減速度值來避免事故的發(fā)生，但這會降低車流效率。本文中提出的仿真測試方法能為不同定位誤差等級條件下的預警參數(shù)的選擇提供仿真測試建議。

5.2 通信延誤仿真測試

在通信延誤的仿真測試中，場景參數(shù)設置如表2所示。

表2 通信延誤測試條件

圖14為仿真過程中某一次危險換道場景中換道車輛和后車的軌跡圖。

圖14 車輛換道軌跡

可以看出，車輛在進行換道時，目標車道上的后車軌跡由稀疏變得密集，在仿真步長一定的條件下，說明后車進行了制動操作；隨后解除預警，后車的軌跡又開始逐漸變得稀疏，說明后車進行了加速并與換道的車輛保持跟馳行為。進行了100次仿真之后，仿真結(jié)果如圖15所示。

圖15 通信延誤統(tǒng)計結(jié)果

由圖15可見，采用DSRC作為車車通信方式，通信延誤的存在并不會嚴重影響預警的最終效果，預警成功率達到了100%。車聯(lián)網(wǎng)系統(tǒng)中，多種通信協(xié)議并存，數(shù)據(jù)的傳輸方式從單跳到多跳也存在變化，且數(shù)據(jù)的集中、發(fā)布方式也存在區(qū)別，系統(tǒng)功能的具體計算單元也會根據(jù)系統(tǒng)設計的不同而分布在不同的節(jié)點中，本文中提出的仿真測試方法能對不同通信方式的通信延誤進行仿真測試。

5.3 滲透率仿真測試

滲透率仿真條件如表3所示。

表3 滲透率測試條件

圖16為OD值為1 500時，不同滲透率條件下預警成功次數(shù)的統(tǒng)計。

圖16 滲透率統(tǒng)計結(jié)果

由圖16可見，當OD值相同時，路網(wǎng)中聯(lián)網(wǎng)車輛越多，危險跟馳場景被正確辨識的概率越大。圖中當滲透率等于0.4時，識別的均值要小于滲透率等于0.3時候的均值，這是由路網(wǎng)車流的隨機性導致。在Paramics中，車輛從小區(qū)中生成遵循一定的隨機規(guī)則，這種車輛生成的隨機性導致了圖中現(xiàn)象的發(fā)生。

圖17為OD矩陣變化條件下，滲透率分別為0.2，0.4，0.6和0.8時，進行30次危險跟馳仿真測試的結(jié)果。

圖17 不同OD時預警成功率

由圖17可見，成功預警的次數(shù)與OD取值和滲透率均成正相關關系，并在滲透率為0.6，OD取值為4 500時達到100%預警成功率。

6 結(jié)論

本文中提出了一種用于分析車聯(lián)網(wǎng)關鍵指標對車輛安全影響的仿真測試方法。通過仿真場景生成、關鍵指標參數(shù)注入和車輛危險辨識預警等對車聯(lián)網(wǎng)中定位誤差、通信延誤和滲透率進行了仿真驗證。結(jié)果表明，在危險跟馳場景中，在注入了基于高斯分布的定位誤差后，預警成功率為88%，預警成功率隨著預警策略中減速度的減小而增大；在危險換道場景中，在注入了采用基于均勻分布和Rayleigh分布的單跳通信延誤后，預警成功率達100%；成功預警數(shù)隨著OD取值和滲透率的增大而增大，且受滲透率影響更加明顯。通過本方法能對車聯(lián)網(wǎng)關鍵指標進行測試，為實際車聯(lián)網(wǎng)系統(tǒng)需要達到的性能等級提供參考建議。

今后的主要工作將集中在如下兩方面：研究車聯(lián)網(wǎng)系統(tǒng)中關鍵參數(shù)變化機理，比如定位誤差在遮擋環(huán)境中的誤差特性和多徑效應中通信延誤變化特性；精確刻畫車輛的運行過程，進一步優(yōu)化跟馳和換道預警方法。

[1] HUANG J M，YARLAGADDA P，KIM Y H.Research on internet of vehicles and its application in intelligent transportation[C].Mechatronics and Industrial Informatics， PTS 1-4.Switzerland：TransTech Publications LTD，2013：2818-2821.

[2] GRUYER D，BELAROUSSI R，REVILLOUD M.Accurate lateral positioning from map data and road marking detection[J].Expert Systems with Applications，2016(43)：1-8.

[3] MUN C，CHOI J，KIM Y，et al.Cell planning and deployment for IEEE 802.11p/WAVE network[J].IEEE Intelligent Transportation Systems Magazine，2015，7(4)：49-57.

[4] 李家文，曹建東，成波.基于危險感知機理的狀態(tài)適應式碰撞預警策略研究[J].汽車工程，2016，38(4)：329-434.

[5] 邱斌斌，朱紹鵬，馬浩軍，等.電動車輛驅(qū)動控制系統(tǒng)仿真測試平臺設計[J].浙江大學學報(工學版)，2015，49(6)：1154-1159.

[6] SUNNEVANG C，PIPKORN B，BOSTROM O.Assessment of bilateral thoracic loading on the near-side occupant due to occupantto-occupant interaction in vehicle crash tests[J].Traffic Injury Prevention，2015，162(SI)：217-223.

[7] ZHAO Y J， HOU Y F， WAGH A， et al.A partial reality experimental system for human-in-the-loop testing of connected and automated vehicle applications： development， validation and applications[C].2nd Annual Workshop on Road Vehicle Automation，2014：185-196.

[8] WU Z Z， YANG J， HUANG L Y.Study on the collision avoidance strategy at un-signalized intersection based on PreScan simulation[J].Procedia-Social and Behavioral Sciences，2013，2013(96)：1315-1321.

[9] WON H D， AHN J， LEE E， et al.GNSS carrier phase anomaly detection and validation for precise land vehicle positioning[J].IEEE Transactions on Instrumentation and Measurement，2015，64(9)：2389-2398.

[10] CABANERO A J， CHRISTOFA E， SKABARDONISA.Connected vehicle penetration rate for estimation of arterial measures of effectiveness[J].Transportation Research： Part C，2015(60)：298-312.

[11] 范林軍，凌云翔，王濤，等.分布仿真系統(tǒng)HLA聯(lián)邦快速開發(fā)包的設計與實現(xiàn)[J].高技術通訊，2013，23(6)：623-630.

[12] RATROUT T N， RAHMAN M S， REZA I.Calibration of PARAMICS model：application of artificial intelligence-based approach[J].Arabian Journal for Science and Engineering，2015，40(12)：3459-3468.

[13] ESSA M，SAVED T.A comparison between PARAMICS and VISSIM in estimating automated field-measured traffic conflicts at signalized intersections[J].Journal of Advanced Transportation，2016，50(5)：897-917.

[14] YANG L，YANG J H，F(xiàn)ERON E，et al.Development of a performance-based approach for a rear-end collision warning and avoidance system for automobiles[C].Proceedings of IEEE IV2003： Intelligent Vehicles Symposium，2003：316-321.

[15] XIANG X H，QIN W H，XIANG B F.Research on a DSRC-based rear-end collision warning model[J].IEEE Transactions on Intelligent Transportation Systems，2014，15(3)：1054-1065.

[16] 袁偉，付銳，馬勇，等.基于高速實車駕駛數(shù)據(jù)的駕駛?cè)烁嚹Ｐ脱芯縖J].汽車工程，2015，37(6)：679-685.

[17] 楊軍，張偉光，陳先華.減速度非線性變化對制動距離影響分析[J].東南大學學報(自然科學版)，2011，1(4)：848-853.

A Simulation Scheme for Testing the Effects of Key Indicators of the Internet of Vehicles on Vehicle Safety

Chai Linguo1， Cai Baigen1，2，3， Wang Huashen1，2， Shangguan Wei1，2，3＆ Wang Jian1，2，3

1.School of Electronic and Information Engineering， Beijing Jiaotong University， Beijing 100044；2.Beijing Jiaotong University，State Key Laboratory of Rail Traffic Control and Safety， Beijing 100044；3.Beijing Engineering Research Center of EMC and GNSSTechnology for Rail Transportation， Beijing Jiaotong University， Beijing 100044

A simulation testing scheme for analyzing the effects of the key indicators of the internet of vehicles(IOV)on vehicle safety is proposed.Firstly the basic simulation scenarios of dangerous vehicle following and lane change are devised based on microscopic traffic flow simulation software.Secondly，Gaussian distribution-based vehicle positioning error model and single-hop communication delay model are analyzed，and the executed strategies of positioning error，communication delay and penetration ratio during simulation are determined.Then the ways of warnings for dangerous vehicle following and lane change are proposed based on minimum safety distance model and vehicle nonlinear piecewise braking model respectively.Finally，a high level architecture-based IOV simulation platform is setup and a simulation is conducted for testing the effects of poisoning error，communication delay and penetration ratio on vehicle safety.The results show that in dangerous vehicle following scenario，the success rate of warning increases with the lowering of vehicle deceleration in warning strategy and the bringing-in of Gaussian distribution-based vehicle positioning error can get a warning success rate of 88%，while in dangerous lane change scenario， the success rate of warning increases with the rises of origin-destination value and penetration ratio， in which the latter has more obvious effects，and the bringing-in of single-hop communication delay can achieve a warning success rate of 100%.

traffic engineering； vehicle safety； simulation testing； internet of vehicles； simulation scenarios

10.19562/j.chinasae.qcgc.2017.11.015

?中央高?；究蒲袠I(yè)務費(2016YJS035)、國家重點研發(fā)計劃項目(2016YFB1200100)、國家自然科學基金重大項目(61490705)、國家自然科學基金面上項目(61773049)和北京市自然基金面上項目(4172049)資助。

原稿收到日期為2016年6月22日，修改稿收到日期為2017年1月7日。

上官偉，教授，E-mail：wshg＠ bjtu.edu.cn。