基于车联网V2P的行人碰撞风险辨识研究

彭理群，何书贤，贺 宜，艾云飞

(1.华东交通大学交通运输与物流学院，南昌330013；2.武汉理工大学智能交通系统研究中心，武汉430063；3.交通安全应急信息技术国家工程实验室，北京100011)

0 引言

车联网技术不仅可以改善道路通行效率，解决交通拥堵，还能提高交通安全水平，是未来智慧交通的重点发展方向.目前，车联网环境下的汽车主动安全应用和研究已取得较多成果，但大多数研究主要集中在利用车—车(Vehicle to Vehicle，V2V)通信解决道路交通场景中的汽车主动避碰[1].然而，行人作为道路交通主要参与者之一，一旦发生交通事故，具有高度致伤、致残甚至致死的特点，其安全问题反而被忽视.

传统的汽车安全辅助驾驶系统(Advanced Driver Assistance System，ADAS)主要基于车载感知技术，如图像传感器、雷达、超声波测距仪等检测行人的位置信息，再通过预警系统提示驾驶人采取避让措施，避免人—车碰撞事故发生[2-3].然而，考虑到城市交通环境中，车载传感器与行人之间时常会有障碍物(建筑物、车辆、路侧设施)阻挡视线，或者行人不在传感器有效检测范围内，导致无法估计潜在的人—车冲突风险.近年来，已有学者基于车联网V2P通信技术(Vehicle to Pedestrian,V2P)研究了典型人—车碰撞场景中的行人冲突风险辨识问题和保护方法[4-5].该类方法与传统的行人避撞方法相比，可以在不良视角情况下(None Light of Sight，NLOS)准确检测汽车和行人的相对运动状态，有效估计和预测行人的碰撞风险程度；但研究同时指出，基于车联网的行人避碰系统需要考虑最小通信延时的要求，即在人—车冲突紧急情况下，能够有效保证系统的实时性.另有一些学者研究了行人冲突预警和避撞决策中驾驶行为特性和操作序惯链特征[6-7]，研究发现，人车相对运动场景中交通参与者的行为不确定性是影响行人冲突风险辨识模型精度的主要因素之一.综上所述，现有的行人碰撞危险辨识研究仍具有一定的局限性.

本文针对实际交通场景中汽车与行人冲突辨识问题，综合考虑了车联网的实际通信性能、行人动态分布特性、人车相对运动状态，建立了基于车联网V2P通信的人—车碰撞风险评估模型，并分析了面向交通安全应用的车联网通信性能需要.

1 基于车联网V2P的汽车—行人碰撞风险辨识

由于城市道路交通流状况复杂，行人分布随机性强且行人运动状态相对于汽车更具时变性，因此需要进一步研究汽车与行人之间的实时相对位置关系，进而优化碰撞风险辨识效果[8-10].本节充分考虑了车辆与行人动态运动特性和车联网的技术特点，提出了车联网环境下的行人碰撞风险评估模型.

1.1 基于车联网V2P感知的人—车相对位置分布概率模型

车联网V2P感知下的目标行人与车辆相对运动几何模型如图1所示.考虑车联网信号传输的稳定性和快速性，即满足人—车实时位置检测的要求，可以忽略因行人、驾驶人行为因素造成的位置变化不确定性带来的检测误差.

图1中，建立的二维直角坐标系，设t0时刻，行人与汽车的初始位置为假设汽车初始位置位于坐标原点O.经过t时间后，行人与汽车运动至处.另外，wped和wcar分别代表行人与汽车的宽度，Cm为行人与汽车的预计碰撞区域.考虑GPS定位系统产生的位置观测误差服从正态分布，因此行人和汽车的位置分布可以用概率函数密度f(p0)和f(v0)表示为

利用V2P通信实时获取各目标位置信息，考虑通信延时及驾驶人反应时间，即

式中：tcesta,tcommd,treac,tresp分别表示建立通信连接延时，通信过程中信息传输延时，驾驶人反应时间和驾驶人采取相应避碰措施所花费的时间，则ttot为驾驶人接受预警信息到避碰措施开始执行的反应时间.假设短时间内，行人与汽车近似做匀速直线运动，那么在二维直角坐标系下，任意t时刻，定位系统检测到的两者位置表示为

式中：vpx,vpy,vvx,vvy分别表示行人与汽车在x方向和y方向上的速度.假设当行人沿着x轴负方向、y轴负方向运动的同时，汽车于坐标轴原点O沿着与行人相对的方向运动，因此当驾驶人收到信息并采取避碰措施时，行人的当前初始位置等于GPS检测到的行人初始位置减去延时段内行人运动的距离.同理，此时汽车当前初始位置等于GPS检测到的汽车初始位置减去延时段内汽车运动的距离.由于行人与汽车当前位置概率密度函数是在初始时刻t0的基础上结合延时参数得到的，因此还需考虑再过t时间，行人与汽车运动后的位置.若取t0=0，则t(t＞t0)时刻的行人与汽车的实时位置概率密度函数为

1.2 行人碰撞风险概率辨识模型

为了实时评估碰撞风险，本节建立了人—车碰撞概率模型，然后引入相关的风险量化函数，表示人—车碰撞风险程度.将汽车前方道路区域划分成若干个子区域，分别求出每个子区域的碰撞概率，并比较得出最大碰撞概率的子区域，如图2所示.

图2 碰撞区域划分原理图Fig.2 The definition of crash zone

如图2所示，假设汽车前方直线道路长L，汽车沿着该道路直线行驶，以行人宽度wped为单位，将前方道路区域划分成M个子区域，M=L/wped.则在任意时刻tk时，第m个子区域Cm的碰撞概率为

比较某一时间段T内所有M个子区域内，每个子区域的碰撞概率，进而得到最大碰撞概率子区域为

式中：T为常数，可根据实际需要设置，如10 s.

考虑行人与汽车初始位置的不同，理论上会存在随着初始位置变化的基础碰撞概率，设基础碰撞概率的最大值为即行人与汽车处于同一初始位置.本文用碰撞严重程度s来表示发生碰撞事故时的严重程度，即

从式(7)可以看出，s仅与汽车速度有关.需要进一步求解出每个子区域的碰撞风险大小r.将s与碰撞概率求积，可表示行人冲突风险为

2 仿真实验与结果分析

2.1 实验方案设计

本节通过仿真实验设计与验证，研究了车联网环境下的通信延时、定位精度和汽车运动状态等不确定性因素对行人碰撞风险检测效果的影响，以及以上相关因素之间的关联性关系.假设仿真场景，行人在坐标系第一象限(5,100)的位置，汽车位于坐标原点，分别设置式(4)中各参数值，如表1所示.

表1 仿真参数取值Table 1 Parameters design of numerical simulation

2.2 实验结果及分析

本节根据控制变量的思想，分别设置了车联网V2P环境下不同通信延时、定位精度和行车速度，分析了人—车碰撞风险评估结果随时间的变化关系.具体分析如下.

2.2.1 碰撞风险辨识模型的影响因素分析

(1)通信系统延时对碰撞风险的影响.

控制汽车速度和定位精度(vveh=36 km/h,σaccuracy=10 m)不变，改变通信延时tdelay=tcommd+tresp，比较分析延时为3 s和0 s时，碰撞风险大小随时间的变化关系，如图3所示，当初始车速与定位精度保持不变时，碰撞风险峰值大小不变.当存在延时时，碰撞风险峰值提前出现(t=6s)，考虑汽车实际运动情况，从开始检测出碰撞风险到抵达最大碰撞风险区域仅剩6 s；当没有延时时，行驶9 s后才会检测出碰撞风险峰值.

图3 车联网通信延时对行人碰撞风险辨识的影响Fig.3 The impact of communication delay on pedestrian collision detection

(2)定位系统精度对碰撞风险的影响.

控制汽车速度和延时(vveh=10 m/s,tdelay=3 s)不变，改变定位精度，比较分析了定位精度为10 m和5 m时，碰撞风险大小随时间的变化关系，如图4所示，当初始车速与延时保持不变时，碰撞风险峰值将同时出现.然而，当定位精度为5 m时，峰值更大.说明定位精度越高，检测出的风险更大，更准确.

(3)汽车初始速度与碰撞风险的关系.

考虑存在延时(tdelay=3 s)和定位精度(σaccuracy=5 m)，比较分析了不同车速(vveh=10 m/s,vveh=20 m/s)情况下，碰撞风险大小随时间的变化关系，如图5所示，当存在确定的延时与定位偏差时，不同车速情况下，碰撞风险峰值大小与出现的时间均不相同.速度越大，峰值越大，出现时间越早.

图4 车联网系统定位精度对行人碰撞风险检测的影响Fig.4 The impact of location accuracy on pedestrian collision detection

由图3～图5可知，在不同因素影响下，碰撞风险总是随着时间保持非线性先增大后减小，恰好描述了汽车接近并驶离最大碰撞风险区域的过程.

2.2.2 影响因素相关性分析

在车联网V2P环境下，分析通信延时、定位精度和汽车/行人速度等因素之间的相互影响作用.通过调节各参数，达到基础碰撞概率80%和50%的真实碰撞概率，作为检测到碰撞风险并开始预警的起始值.

图5 行车车速对行人碰撞风险检测的影响Fig.5 The impact of vehicle velocity on pedestrian collision detection

(1)通信延时与车速相关性.

考虑GPS横向定位精度σx和纵向定位精度σy的影响，分别设置了不同的横纵向定位误差，并控制行人速度vped=1 m/s，计算不同车速时，达到及时发出预警的最低通信延时要求，如图6所示.

图6 横纵向定位精度不同时，通信延时与车速相关性分析Fig.6 Interdependency analysis of communication delay and vehicle velocity

图6(a)分析了横向精度σx=10与纵向精度σy=10时，不同车速条件下对通信延时的要求.随着车速的增加，对通信延时的要求逐步提高.当车速为36 km/h时，最低通信延时较长，可达5 s；当车速约为90 km/h时，最低通信延时小于1 s；当车速达到108 km/h时，通信延时逼近理论临界值0 s，说明此时只有不存在通信延时，才能满足正常行车安全预警的需要，否则，在该特殊条件下，只有采取非常规手段(如紧急刹车、紧急变向)才能避免发生人车碰撞事故.图6(b)和图6(c)分别分析了σx=8,σy=12与σx=12,σy=8时，不同车速条件下对通信延时的要求.结果显示横纵向定位精度不会对通信延时要求产生额外影响，主要取决于定位系统整体定位精度.图6(b)和图6(c)均显示具有更高的通信延时要求，当车速达到90 km/h时，tcommd值已经非常接近0 s，这是因为横向或纵向定位精度中均有一个值大于10 m.

(2)定位系统精度与车速相关性.

设通信延时(tdelay=tcommd+tresp)为3 s，行人速度vped=1 m/s，计算不同车速时，达到及时发出预警的最低精度要求，如图7所示.

图7 定位精度与车速独立性关系Fig.7 Independency analysis of vehicle velocity and location accuracy

由图7可知，当汽车行驶速度约70 km/h时，10 m定位精度可以满足实际需求.然而，随着车速增大，对定位精度的要求开始提高，当车速达到108 km/h，对定位精度要求达到3 m.可以看出，当前大部分的GPS设备并不能满足该应用需求.

(3)通信延时与行人速度相关性分析.

行人的步行速度对于基于车联网V2P的行人碰撞风险检测效果也存在一定的影响.图8(a)、8(b)和8(c)分别考虑了在定位误差为10 m，行车速度分别为72 km/h、90 km/h和108 km/h时，不同行人速度达到及时发出预警的最低通信延时要求.

图8 通信延时与行人速度的独立性关系Fig.8 Independency analysis of communication delay and pedestrian velocity

由图8可知，当车速从72 km/h增加至108 km/h的过程中，tcommd数值从大于1 s下降0.3～0.4 s，最终达到临界值0 s，即通信延时要求提高.另外，图8(a)和图8(b)几乎呈现出同一个趋势，即随着行人运动速度的加快，对通信延时的要求略有提升.

3 结论

本文基于车联网V2P环境下实时获取汽车—行人相对位置、速度和运动方向等信息，构建了典型的人—车冲突场景下的几何模型.考虑车联网系统的通信延时、定位精度，以及人—车运动的不确定性特点，提出了人—车碰撞风险评估模型.通过仿真实验，分析了车联网通信延时、定位精度和目标运动速度之间的关联性关系.相对于V2V与V2I，车联网环境下V2P安全问题研究较少，本文提出的基于人—车通信的碰撞风险识别方法对行人安全保护研究具有一定的参考价值.研究结果指出了车联网系统通信延时与定位精度的基本要求.

[1]PENG L,WU C,HUANG Z,et al.Novel vehicle motion model considering driver behavior for trajectory prediction and driving risk detection[J].Transportation Research Record:Journal of Transportation Research Board,2014(2434):123-134.

[2]WU C,PENG L,HUANG Z,et al.A method of vehicle motion prediction and collision risk assessment with a simulated vehicular cyber physical system[J].Transportation Research Part C (Emerging Technologies),2014,47(2):179-191.

[3]PENG L,WU C,HUANG Z,et al.A multi-sensor approach for comprehensive detection and warning of vehicle collision[C].International Conference of Transportation Information and Safety,2013:1662-1670.

[4]DAVID K,FLACH A.CAR-2-X and pedestrian safety[J].IEEE Vehicular Technology Magazine,2010,5(1):70-76.

[5]HO P,CHEN J.WiSafe:Wi-Fi pedestrian collision avoidance system[J].IEEE Transactions on Vehicular Technology,2017,66(6):4564-4578.

[6]JIANG X,WANG W,BENGLER K,et al.Analysis of drivers’performance in response to potential collision with pedestrians at urban crosswalks[J].IET Intelligent Transport Systems,2017,11(9):546-552.

[7]HUSSAIN A,EASA S M.Reliability analysis of leftturn sight distance at signalized intersections[J].Journal of Transportation Engineering,2016,142(3):1-12.

[8]吕集尔,朱留华,郑容森,等.驾驶员反应时间对行车安全的影响[J].交通运输系统工程与信息,2014,14(2):80-86.[LV J E,ZHU L H,ZHENG R S,et al.Effects of driver’s reaction time on safe driving[J].Journal of Transportation Systems Engineering and Information Technology,2014,14(2):80-86.]

[9]彭理群,吴超仲,黄珍.基于变精度粗糙集的汽车碰撞危险态势评估[J].交通运输系统工程与信息,2013,13(5):120-126.[PENG L Q,WU C Z,HUANG Z.Situation assessment of vehicle collision risk based on variable precision rough set[J].Journal of Transportation Systems Engineering and Information Technology,2013,13(5):120-126.]

[10]张良力,祝贺,吴超仲,等.基于ARMA预测模型的交叉口车辆碰撞风险评估[J].交通运输系统工程与信息,2015,15(5):239-245.[ZHANG L L,ZHU H,WU C Z,et al.Risk estimation to vehicles collision at intersection based on arma prediction model[J].Journal of Transportation System Engineeing and Information Techndogy,2015,15(5):239-245.]