基于不同驾驶员特性的汽车防撞安全距离算法研究

于佳

摘  要：随着汽车数量的不断增加，不仅给道路交通带来了压力，也增加了交通安全隐患。为了提高车辆行驶的安全性，目前很多品牌的汽车都加装了汽车主动防撞安全系统。加装主动防撞系统后，能够消除部分隐患，减少交通事故概率，并且尽量不影响车辆行驶的平顺性。该文首先研究了作为主动防撞系统的核心的安全距离模型，发现驾驶员反应时间是影响安全距离结果的重要因素。进而分析研究了影响驾驶员反应时间的各种特性，最后将驾驶员特性添加安全距离模型中，为不同驾驶员计算出更贴合其自身特点的反应时间和安全距离。通过仿真实验，取得了较好的实验效果。

关键词：驾驶员特性;反应时间;安全距离;模糊算法

中图分类号：U491      文献标志码：A

1 现有安全距离模型概述

汽车主动防撞安全系统是由安全距离模型实现的，通过计算安全距离，判断出汽车是否需要进行紧急制动或何时需要进行紧急制动，以确保汽车在行驶过程中不会与前车相撞。目前现有的安全距离模型都是通过预估前车行进状态，分析自身车速与前车车速，计算出一个安全距离。现有的安全距离模型有一些已经考虑到驾驶员反应时间因素，具体因素如下。

驾驶员反应时间t，自身车速为v1，前车车速v2，自身车速加速度为a1，前车加速度为a2，当前后两车保持相对静止时设需要保持的必要最小间隔距离为d0。

通过上述公式可以看出，驾驶员反应时间在安全距离模型中占据十分重要的地位，而不同的驾驶员必然会具有不同的反應速度，因此安全距离应该因人而异，为不同驾驶员设置不同的安全距离。

2 驾驶员特性

该文研究和分析的驾驶员特性是指能影响到驾驶员反应速度的特性。驾驶员在驾驶车辆过程中，需要不断感知自身车辆状态信息和道路环境因素，综合分析判断后，大脑做出决策，进而身体执行大脑指令，对车辆进行操控调整，如图1所示。

结合相关研究资料，决定驾驶员驾车反应速度的主要特性有很多，象生理因素、性格因素、驾驶习惯以及疲劳程度等。通过分析这些因素对驾驶员反应速度影响程度的不同，并考虑到容易得出实验数据，该文最终采用了3个影响最大的特征，分别是年龄特征、经验特征和疲劳特征。人会随着年龄的增长和生理机能下降导致反应速度变慢，随着驾驶经验的增加，反应速度会逐渐增快，随着驾驶员疲劳程度的增加，反应速度也会逐渐下降。

性格差别、心理状态、血型类型、性别和行为习惯等因素也会对驾驶员遇到紧急状况时的反应速度造成一定影响，但目前缺乏这些方面的实验和数据统计，而且实验样本数据也较难获取。虽然这些因素综合考量后加入模型中进行计算会使最终结果更加精确，但受到实验条件和数据获取的困难，该文不予考虑，只考量更便于获取数据和量化计算的年龄特征、经验特征和疲劳特征。

3 建立驾驶员反应时间模型

该文根据驾驶员特征的模糊性决定采用模糊算法来计算反应时间。将年龄特征、经验特征及疲劳情况作为特征值，根据模糊特征值的函数将特征值进行模糊化处理，将具体的数值转化为可以用语言来描述的模糊值，这个过程就是模糊化。将特征值模糊化处理后输入模型中进行模糊运算，这个过程需要用到模糊规则。模糊规则是事先根据专家经验或实际需要制定好的语言规则，适用于模糊集合的推理运算。经过模糊运算后得出驾驶员反应时间的模糊值，这个模糊值是无法精确表达具体时间的，因此最后还要再利用反模糊化计算得出驾驶员反应所需具体时间，这个最后的时间是精确的具体数字时间值，如图2所示。

3.1 年龄特征

把年龄特征设为论域，将模糊集划分为3个子集，分别为青年N1、中年N2和老年N3。结合驾驶车辆的年龄要求，论域取值范围为 [18，70]。3个模糊子集相对应的隶属度函数设为n1、n2和n3，根据年龄逐年递增的特点采用梯形函数。在18岁和70岁之间，大概平均将年龄等分成5个部分，将30岁、40岁、50岁和60岁设为梯形函数的几个关键节点，可以列举出梯形的隶属度公式。为了便于计算，隶属度函数取值均为0～1。

这里将驾驶经验用驾驶里程数来代替，可以更加直观和数字化地表现出驾驶经验是否丰富，而且易于统计和获取具体里程数值。根据驾驶里程数量增长变化的特点，将模糊集论域取值定为0到+∞，并划为3个子集，分别为S1、S2和S3，代表短、中、长。对应的隶属度函数同样采用梯形函数，将5 000 km、10 000km、15 000 km和20 000 km设为梯形函数几个关键节点。

3.2 疲劳特征

疲劳特征的描述是个模糊概念，为了便于用数字进行描述，因此把取值定为 [0，10]。将根据疲劳特征的轻重程度定义模糊子集分别为P1、P2和P3。对应的隶属度函数选取为高斯型隶属度函数。σ是高斯函数曲线的宽度，取值设为2，c为各子集中心点。

3.3 反应时间

反应时间一般用长短来衡量，这依然是一个模糊概念。经过综合分析，决定使用4个模糊子集来描述时间的长短。分别设为短T1、较短T2、较长T3和长T4，对应的隶属度函数也采用高斯型函数。根据已有文献的统计结果，将反应时间的取值范围定为[0.2，3]。隶属度函数中c的值分别取为各子集中心，σ取值为2。

3.4 模糊规则

该文模糊规则使用if-and-and-then形式，根据3个输入特征值的不同模糊值，穷举法列出模糊规则表，根据模糊规则表进行模糊运算。限于篇幅仅列出两条模糊规则为例。

3.5 反模糊化

根据模糊规则计算出的反应时间是一个模糊值，需要通过反模糊化计算将模糊值转换成一个精确的时间值。该文采用加权的方式进行反模糊化运算。年龄特征、经验特征及疲劳特征对应的加权值为ω1、ω2、ω3，加权和为1。根据已有的统计结果，疲劳特征对驾驶行为影响最深，其余两个特征次之，因此ω1取值0.3，ω2取值0.3，ω3取值0.4，该取值可在实际实验中逐步微调以达到算法最优。

将年龄特征、经验特征和疲劳特征的隶属度进行加权计算，得出反应时间的隶属度取值。之前根据模糊运算已经得出反应时间的模糊值。根据加权后隶属度值和模糊值对应的模糊子集隶属度函数，可以反向计算出精确的反应时间值。这个时间值就是驾驶员反应时间模型的最终结果，将其加入安全距离模型中，进而计算出安全距离。

4 结论

利用MATLAB软件进行仿真计算，对多个驾驶员样本的年龄特征、经验特征和疲劳特征进行了统计和计算，对不同驾驶员的模型计算结果进行分析。年龄特征和反应所需时间成正比，经验特征与反应所需时间成反比，疲劳特征与反应时间成正比，同时年龄特征通常与经验特征也成正比。因此对突发事件所需反应时间应对上述特征予以综合考量，结合不同驾驶员的不同特征制定动态的反应时间和安全距离，从而切实有效的提供交通安全保障。

随着大数据的统计搜集和分析应用越来越普及，驾驶员除年龄特征、经验特征和疲劳特征之外的其余特征也会逐渐被全面统计和分析。象建立驾驶员特征库，综合分析驾驶员的特征因素，从而建立更精准的数学模型。

参考文献

[1]中国道路交通安全协会.2017年一季度全国机动车和驾驶人数据公布[J].道路交通管理，2017（5）：10.

[2]夏道华.基于驾驶员特性的汽车防撞安全距离模型研究[D].锦州：辽宁工业大学， 2016.

[3]王博宇， 李杰伟.中国交通事故的统计分析及对策[J].当代经济， 2015（7）：116-119.

[4]张立存.高速汽车弯道前方碰撞预警算法的研究[D].长春：吉林大学，2004.

[5]张广祥.基于驾驶行为的汽车主动防撞预警系统的安全车距研究[D].长春：吉林大学，2011.

[6]边明远.考虑驾驶员个体特性的汽车安全行驶间距模型[J].中国机械工程， 2010， 21（12）：1502-1506.