分心駕駛事故場(chǎng)景研究

陳哲多 何宇桐

（1.同濟(jì)大學(xué)，上海 201804；2.上海聯(lián)合道路交通安全科學(xué)研究中心，上海 201804）

主題詞：交通事故 分心駕駛 場(chǎng)景 聚類分析 事故特征

1 前言

科學(xué)完善的場(chǎng)景是智能駕駛汽車評(píng)價(jià)體系的基礎(chǔ)，其中，危險(xiǎn)工況場(chǎng)景是驗(yàn)證汽車避撞能力的必要場(chǎng)景，而真實(shí)道路環(huán)境下的事故信息是危險(xiǎn)工況場(chǎng)景的關(guān)鍵數(shù)據(jù)來源。美國(guó)國(guó)家公路交通安全管理局（National Highway Traffic Safety Administration，NHTSA）的數(shù)據(jù)顯示，25%～30%的交通事故由分心駕駛引起[1]，駕駛?cè)嗽诜中臓顟B(tài)下不能集中注意力且環(huán)境感知力下降，無法對(duì)道路上的危險(xiǎn)信息進(jìn)行有效辨識(shí)，導(dǎo)致事故風(fēng)險(xiǎn)概率增加。目前，基于國(guó)內(nèi)事故數(shù)據(jù)的場(chǎng)景研究多以自動(dòng)駕駛的安全測(cè)試需求為出發(fā)點(diǎn)，考慮不同的場(chǎng)景參與方進(jìn)行場(chǎng)景構(gòu)建[2-5]。然而，以事故原因?yàn)槌霭l(fā)點(diǎn)的針對(duì)性場(chǎng)景研究對(duì)主動(dòng)安全系統(tǒng)的驗(yàn)證同樣具有重要的應(yīng)用價(jià)值。

針對(duì)分心駕駛，部分學(xué)者探究了其與交通環(huán)境之間的關(guān)聯(lián)性。Robert[6]等研究了簡(jiǎn)單和復(fù)雜道路環(huán)境下駕駛?cè)朔中鸟{駛的表現(xiàn)，結(jié)果表明，在復(fù)雜道路環(huán)境下更容易使駕駛?cè)朔中?，駕駛?cè)藢?duì)危險(xiǎn)的反應(yīng)時(shí)間也相對(duì)較長(zhǎng)；Kountouriotis[7]等發(fā)現(xiàn)道路曲率和其他車輛的存在均會(huì)對(duì)駕駛?cè)水a(chǎn)生不同程度的影響；Chen[8]等利用美國(guó)交通事故數(shù)據(jù)分析不同交通環(huán)境對(duì)分心駕駛事故的影響，發(fā)現(xiàn)城市化道路環(huán)境下分心駕駛事故發(fā)生率明顯高于非分心駕駛事故。因此，不同的交通環(huán)境會(huì)在一定程度上對(duì)駕駛?cè)朔中漠a(chǎn)生影響，但目前相關(guān)研究成果尚少，且大部分研究通過設(shè)計(jì)具備不同環(huán)境復(fù)雜度的場(chǎng)景開展模擬試驗(yàn)，未能充分考慮環(huán)境因素的影響，很少有學(xué)者利用真實(shí)事故數(shù)據(jù)進(jìn)行危險(xiǎn)場(chǎng)景的研究。雖然駕駛模擬器可以根據(jù)不同研究對(duì)象模擬各種道路環(huán)境，但真實(shí)的交通事故環(huán)境往往比模擬環(huán)境更為復(fù)雜。

因此，本文對(duì)交通事故深度調(diào)查數(shù)據(jù)中的分心駕駛事故進(jìn)行篩選，基于道路交通環(huán)境和事故參與方的運(yùn)動(dòng)狀態(tài)確定特征參數(shù)，通過二階聚類分析方法提取不同事故類型下的分心駕駛典型場(chǎng)景并進(jìn)行特征分析，得到能夠體現(xiàn)分心駕駛事故特征的核心場(chǎng)景，使主動(dòng)安全技術(shù)的驗(yàn)證與評(píng)價(jià)更具針對(duì)性。

2 分心駕駛事故的數(shù)據(jù)來源

2.1 分心駕駛事故的定義

對(duì)于分心駕駛的定義，眾多機(jī)構(gòu)從多角度給出了解釋，目前主要的定義有3 種：國(guó)際標(biāo)準(zhǔn)化組織認(rèn)為分心駕駛是駕駛?cè)藢⒆⒁饬D(zhuǎn)向與駕駛主任務(wù)不相關(guān)的人或事物上，從而導(dǎo)致感知能力下降的一種現(xiàn)象[9]；澳大利亞道路安全委員會(huì)對(duì)分心駕駛的解釋是駕駛?cè)俗栽富蚍亲栽傅剞D(zhuǎn)移駕駛?cè)蝿?wù)（不因酒精、藥物、疲勞等因素），并且切換任務(wù)是由于駕駛?cè)藞?zhí)行額外的任務(wù)而將注意力短暫地集中在無關(guān)駕駛的事物、人和活動(dòng)上[10]；NTHSA認(rèn)為分心駕駛是指駕駛?cè)嗽隈{駛過程中注意力由駕駛?cè)蝿?wù)轉(zhuǎn)移到另一項(xiàng)活動(dòng)中的特定類型的注意力不集中[11]。

基于上述分心駕駛定義，考慮酒精、藥物等因素導(dǎo)致的分心駕駛事故對(duì)場(chǎng)景搭建具有一定的參考意義，本文將分心駕駛事故定義為：駕駛?cè)嗽隈{駛過程中由于內(nèi)部或外部因素（包括酒精、藥物等），將注意力轉(zhuǎn)向與駕駛主任務(wù)不相關(guān)的人或事物上，導(dǎo)致其駕駛的車輛與其他人或物產(chǎn)生碰撞的事故。

2.2 事故來源與篩選原則

本文研究數(shù)據(jù)來自上海聯(lián)合道路交通安全科學(xué)研究中心（SHUFO）交通事故深度調(diào)查數(shù)據(jù)庫(kù)中2013～2020年間的1 376例交通事故案例，事故采集地為上海市，該區(qū)域包含了所有城市典型道路類型。剔除缺少關(guān)鍵資料（如視頻等）導(dǎo)致無法完成事故再現(xiàn)的案例，再依據(jù)分心駕駛事故定義進(jìn)行篩選。篩選原則如下：

a.在警方資料（道路交通事故認(rèn)定書和詢問筆錄等）中，存在“駕駛?cè)耸韬觥钡阮愃菩畔ⅲ?/p>

b.如果事故參與方多于2個(gè)，僅記錄分析首次碰撞的參與方信息；

c.將存在分心駕駛情況的駕駛?cè)怂谲囕v定義為主車，如果事故中的2個(gè)參與方駕駛?cè)司嬖诜中鸟{駛情況，則將道路交通事故認(rèn)定書中的主要責(zé)任車輛定義為主車。

篩選后得到分心駕駛事故375 例，占總樣本量的34%，其中汽車與汽車碰撞事故100 例，汽車與兩輪車/三輪車碰撞事故144例，汽車與行人碰撞事故53例，單車事故78例。

3 分心駕駛事故特征分析

3.1 特征參數(shù)的選取

在交通事故深度調(diào)查數(shù)據(jù)庫(kù)中，一起乘用車與乘用車碰撞的事故調(diào)查涉及參數(shù)數(shù)量高達(dá)1 500個(gè)左右，包括環(huán)境、車損、人傷等多角度事故信息。本文根據(jù)場(chǎng)景的構(gòu)建需求，將特征參數(shù)集中在道路環(huán)境、參與方速度和運(yùn)動(dòng)狀態(tài)3個(gè)方面，并在參考現(xiàn)有國(guó)內(nèi)外汽車測(cè)試評(píng)價(jià)標(biāo)準(zhǔn)和相關(guān)文獻(xiàn)的基礎(chǔ)上，對(duì)原始數(shù)據(jù)中的參數(shù)進(jìn)行概括歸納，確定了場(chǎng)景中能夠影響安全系統(tǒng)表現(xiàn)且可較完整反映交通環(huán)境概況的參數(shù)，并作為特征分析與聚類分析的基礎(chǔ)參數(shù)，如表1所示。

表1 特征參數(shù)定義及值域

3.2 分心駕駛事故特征分析

在聚類分析過程中可能由于聚類簇的限制將部分占比較少的場(chǎng)景參數(shù)剔除，從而降低了場(chǎng)景的典型性和代表性。為了識(shí)別分心駕駛事故關(guān)鍵特征，使其作為核心場(chǎng)景提取的依據(jù)，基于篩選得到的375例分心事故案例，對(duì)比不同事故類型下的參數(shù)分布，分析其中的共性參數(shù)。由于不同類型的事故參與方碰撞速度存在較大差異，碰撞速度不在特征分析的考慮范圍內(nèi)。

由于道路環(huán)境相關(guān)參數(shù)的分布容易受到道路規(guī)劃及地域氣候的影響，故有必要調(diào)查事故環(huán)境情況，作為道路特征、天氣、照明參數(shù)的主要對(duì)比依據(jù)。根據(jù)2015～2019年間中國(guó)道路交通事故統(tǒng)計(jì)年報(bào)[12-16]的統(tǒng)計(jì)結(jié)果：不同道路特征、天氣、照明條件下的交通事故總量分布較為穩(wěn)定，其中有近76%為路段事故，近24%為路口事故；晴天、陰天、雨天的事故總量占比分別近似為74%、14.5%、10%，其他天氣的事故總量占比僅為1%左右；白天、夜晚有照明、夜晚無照明的事故總量占比分別近似為61%、23%、16%。樣本特征分布與年報(bào)數(shù)據(jù)對(duì)比情況如表2所示。

表2 特征分布情況 %

道路特征分布情況與年報(bào)的數(shù)據(jù)相比較可得：4類事故的路口事故總量占比均相對(duì)較高，路口道路在分心駕駛事故中更具有代表性，尤其是汽車與兩輪車/三輪車碰撞事故。這反映了城市，尤其是大型城市的交通事故特點(diǎn)。因此本文將路口作為這4 類事故的關(guān)鍵特征參數(shù)。天氣分布情況與年報(bào)數(shù)據(jù)相比較可知：兩者具有一定的相似性，汽車與兩輪車或三輪車、汽車與行人事故中雨天占比相對(duì)較高，故將雨天作為這2類事故的關(guān)鍵特征參數(shù)。汽車與汽車事故中陰天占比相對(duì)年報(bào)更高，結(jié)合不同的事故類型進(jìn)行分析，陰天單車事故發(fā)生率相對(duì)其他事故類型也較高，高出年報(bào)統(tǒng)計(jì)量近22%，故將陰天作為這2 類事故的關(guān)鍵特征參數(shù)之一。照明分布情況與年報(bào)的數(shù)據(jù)相比較可得：汽車與汽車、汽車與行人、單車事故的照明分布情況與年報(bào)的統(tǒng)計(jì)結(jié)果截然不同，明顯的差異在于夜晚有照明的事故占比高于其他2種照明情況，故將夜晚有照明作為這3類事故的關(guān)鍵特征參數(shù)。從不同的事故類型來看，汽車與兩輪車/三輪車的碰撞事故中白天占比相比其他事故類型高出至少30%，并且較年報(bào)統(tǒng)計(jì)量高近14%，故將白天作為該類事故的關(guān)鍵特征參數(shù)。

各事故類型視野遮擋分布情況較為接近，無遮擋的占比超過93%，遠(yuǎn)高于有遮擋的事故占比，可見視野遮擋物雖然會(huì)對(duì)駕駛?cè)艘暰€產(chǎn)生干擾，但并不是導(dǎo)致分心駕駛的最直接原因，故將無視野遮擋作為各事故類型的關(guān)鍵特征參數(shù)。事故參與方類型為汽車與汽車、汽車與行人、單車的主車直行狀態(tài)占比均高于80%，是最為常見的運(yùn)動(dòng)狀態(tài)，故將直行作為這3類事故的關(guān)鍵特征參數(shù)。汽車與兩輪車/三輪車碰撞事故中主車右轉(zhuǎn)狀態(tài)的占比遠(yuǎn)高于其他類型，故將主車右轉(zhuǎn)作為該事故類型的關(guān)鍵特征參數(shù)。

根據(jù)以上特征分析結(jié)果，各事故類型的關(guān)鍵特征參數(shù)如表3所示，可以作為分心駕駛場(chǎng)景參數(shù)提取的主要依據(jù)。

表3 關(guān)鍵特征參數(shù)

4 分心駕駛事故場(chǎng)景研究

4.1 聚類算法

二階聚類法（Two Step Cluster，TSC）是一種智能聚類算法，共分為2 個(gè)階段。第1 個(gè)階段為預(yù)聚類，應(yīng)用基于分層的平衡迭代規(guī)約聚類（Balanced Iterative Reducing and Clustering using Hierarchies，BIRCH）算法中聚類特征（Clustering Feature，CF）樹生長(zhǎng)理論依次處理數(shù)據(jù)集中的數(shù)據(jù)點(diǎn)。BIRCH 算法是一種層次聚類算法，CF 樹在依次處理數(shù)據(jù)點(diǎn)過程中不斷添加、更新和分裂葉子節(jié)點(diǎn)形成諸多子簇[17]。第2 個(gè)階段為聚類，在CF 樹基礎(chǔ)上采用對(duì)數(shù)似然距離進(jìn)行度量，根據(jù)距離最小原則合并預(yù)處理的子簇，從而得到合適的聚類集合[18]。二階聚類法與其他傳統(tǒng)的聚類方法存在顯著區(qū)別，其可自動(dòng)確定最佳聚類數(shù)量，并可同時(shí)處理離散型數(shù)據(jù)和連續(xù)型數(shù)據(jù)的聚類問題。由于本文參數(shù)包含連續(xù)型數(shù)據(jù)（碰撞速度）和離散型數(shù)據(jù)（除碰撞速度以外的參數(shù)），故應(yīng)用二階算法進(jìn)行聚類分析。

4.2 聚類結(jié)果

應(yīng)用SPSS 軟件，根據(jù)事故參與方類型的不同分別進(jìn)行二階聚類分析，得到汽車與汽車沖突的2 類結(jié)果、汽車與兩輪車/三輪車沖突的4類結(jié)果、汽車與行人沖突的2類結(jié)果、單車沖突的3類結(jié)果，如表4所示。

表4 聚類結(jié)果頻數(shù)

4.3 典型場(chǎng)景提取

根據(jù)聚類分析參數(shù)分布情況，為突出場(chǎng)景的典型性，制定提取規(guī)則：對(duì)于離散型變量，選取同一參數(shù)下數(shù)量最多的參數(shù)值；對(duì)于連續(xù)型變量，選取中位數(shù)（50百分位數(shù)）。由此可得到11 類分心駕駛事故典型場(chǎng)景。

針對(duì)汽車與汽車（C-C）事故類型，如圖1所示，2類典型場(chǎng)景是在夜晚有環(huán)境照明的路段或路口，主車與目標(biāo)車同向行駛發(fā)生追尾，主車的速度是目標(biāo)車速度的近3倍。這是由于在分心駕駛狀態(tài)下，主車駕駛?cè)艘缀鲆暬虿恢匾暩囷L(fēng)險(xiǎn)，造成追尾事故。

圖1 C-C典型場(chǎng)景示意

針對(duì)汽車與兩輪車/三輪車（C-B）事故類型，如圖2所示，其中C-B1 和C-B4 場(chǎng)景均為主車與兩輪車/三輪車在白天發(fā)生直行追尾事故，區(qū)別在于C-B1是在晴天條件下的路段，主車車速較快，而C-B4場(chǎng)景是在雨天條件下的路口。C-B2 場(chǎng)景是白天、晴天條件下右轉(zhuǎn)主車與直行的兩輪車/三輪車發(fā)生同向刮擦事故。C-B3 場(chǎng)景是在白天、晴天條件下直行主車與右側(cè)道路駛來的直行兩輪車/三輪車發(fā)生事故。其中C-B2和C-B3場(chǎng)景占比較高，分別為31%和35%，是該類事故中主車駕駛?cè)朔中牡牡湫蛨?chǎng)景。汽車與兩輪車/三輪車碰撞的分心駕駛事故中78.47%發(fā)生在路口，原因在于汽車駕駛?cè)巳菀妆粡?fù)雜多變的路口交通環(huán)境影響，導(dǎo)致注意力分散，不能及時(shí)規(guī)避視野盲區(qū)駛出的兩輪車/三輪車，造成交通事故。

圖2 C-B典型場(chǎng)景示意

針對(duì)汽車與行人（C-P）事故類型，如圖3 所示，CP1 場(chǎng)景是白天、晴天條件下直行主車與從右側(cè)橫穿馬路的行人發(fā)生事故。C-P2 場(chǎng)景是在雨天、夜間有照明條件下直行主車與從左側(cè)橫穿馬路的行人發(fā)生事故。其中，C-P1場(chǎng)景的事故數(shù)量占比（75%）遠(yuǎn)大于C-P2場(chǎng)景事故數(shù)量占比（25%）。這是由于中國(guó)道路通行規(guī)則是靠右側(cè)行駛，行人從右側(cè)橫穿馬路時(shí)離車輛更近，在駕駛?cè)朔中臓顟B(tài)下更容易發(fā)生事故。

圖3 C-P典型場(chǎng)景示意

針對(duì)單車（C-）事故類型，如圖4所示，3類場(chǎng)景均發(fā)生在夜晚，直行主車與道路設(shè)施或障礙物等產(chǎn)生沖突。通過分析事故調(diào)查資料，發(fā)現(xiàn)大部分夜間行駛單車事故中，駕駛?cè)嗽谂鲎睬岸嘉醇皶r(shí)采取制動(dòng)或轉(zhuǎn)向操作，且其中51%的事故是由酒后駕駛引起的。

圖4 C-典型場(chǎng)景示意

4.4 核心場(chǎng)景提取

在典型場(chǎng)景提取的基礎(chǔ)上，根據(jù)特征分析中確定的關(guān)鍵特征參數(shù)，對(duì)典型場(chǎng)景中相應(yīng)的特征參數(shù)進(jìn)行調(diào)整，并對(duì)部分速度參數(shù)進(jìn)行優(yōu)化，得到核心場(chǎng)景，如圖5所示。

圖5 核心場(chǎng)景示意

對(duì)于汽車與汽車事故類型，2 類典型場(chǎng)景的道路特征均為路段且不包含陰天，未體現(xiàn)關(guān)鍵道路特征和天氣特征。聚類結(jié)果中C-C1 場(chǎng)景路口占比（40%）與C-C2 場(chǎng)景（41%）相似，但前者陰天的占比（24%）相對(duì)后者（6%）更高，故調(diào)整C-C1 場(chǎng)景的道路特征、天氣參數(shù)，得到汽車與汽車事故類型核心場(chǎng)景，如圖5a 所示。

對(duì)于汽車與兩輪車/三輪車事故類型，雖然C-B2場(chǎng)景除天氣因素外均與關(guān)鍵特征參數(shù)相符，但聚類結(jié)果中并不包含雨天事故。C-B4 場(chǎng)景中僅主車運(yùn)動(dòng)狀態(tài)參數(shù)與關(guān)鍵特征參數(shù)不符，且聚類結(jié)果中包含主車右轉(zhuǎn)事故（30%），故調(diào)整C-B4 場(chǎng)景的主車運(yùn)動(dòng)狀態(tài)，得到汽車與兩輪車/三輪車沖突的核心場(chǎng)景，如圖5b所示。

對(duì)于汽車與行人事故類型，2類典型場(chǎng)景中均未體現(xiàn)關(guān)鍵道路特征：C-P1 場(chǎng)景所對(duì)應(yīng)的聚類結(jié)果中不包含雨天事故，與關(guān)鍵特征參數(shù)不符；C-P2場(chǎng)景與關(guān)鍵特征參數(shù)的差異僅在于道路，且聚類結(jié)果中存在路口事故（8%）。故調(diào)整C-P2場(chǎng)景的道路特征，得到汽車與行人沖突的核心場(chǎng)景，如圖5c所示。

對(duì)于單車沖突事故類型，C-1場(chǎng)景參數(shù)與關(guān)鍵特征參數(shù)僅在天氣上存在差異，且聚類結(jié)果中包含陰天事故（35%），故調(diào)整C-1 場(chǎng)景的天氣特征，得到單車沖突的核心場(chǎng)景，如圖5d所示。

5 結(jié)束語

為構(gòu)建分心駕駛事故場(chǎng)景，本文基于375例分心駕駛真實(shí)事故案例，結(jié)合事故特征分析與二階聚類分析方法得到11類中國(guó)真實(shí)交通環(huán)境下的分心駕駛事故典型場(chǎng)景。其中包括2 類汽車與汽車沖突場(chǎng)景、4 類汽車與兩輪車和三輪車沖突場(chǎng)景、2類汽車與行人沖突場(chǎng)景和3 類單車沖突場(chǎng)景，并在此基礎(chǔ)上得到4種分心駕駛事故核心場(chǎng)景。由于樣本數(shù)據(jù)中缺乏較可靠的駕駛?cè)俗藨B(tài)資料，后續(xù)將進(jìn)一步通過試驗(yàn)仿真平臺(tái)開展更有針對(duì)性的分心駕駛研究，形成更加完整的測(cè)試場(chǎng)景評(píng)價(jià)體系。