基于高速自然驾驶数据的驾驶员跟车特性

2020-12-04孙宏图刘兴亮黄昆

山东交通学院学报 2020年4期

孙宏图，刘兴亮，黄昆

1.天津工业大学机械工程学院，天津 300387；2.中国汽车技术研究中心有限公司，天津 300300

0 引言

跟车是驾驶行为中最常见的一种跟驰状态，跟车的速度、加速度和位置等实时受到前方车辆的影响[1-4]。驾驶员的跟车行为特性严重影响行车中的交通安全[5-9]。

Kathy等[10]利用驾驶模拟器开展能见度对跟车行为的影响研究，对雾天以及能见度较低时的跟车行为进行分析；Amanda等[11]在驾驶模拟试验中分析驾驶经验对跟车行为的影响，发现驾龄短的驾驶员比驾龄长的驾驶员感知时间和反应时间长；文献[12-13]通过驾驶员眼睛的状态判断其疲劳度，并利用模糊隶属度函数实时修正高速公路跟车时的安全车距模型；文献[14-15]通过实际数据聚类分析的方法，将具有跟车行为的驾驶员分为5类，并在Matlab仿真中验证该方法的有效性；袁伟等[16]通过高速自然驾驶数据对跟车间距及跟车行为进行分析，并利用仿真进行验证，但没有考虑跟车过程中的加速度特性。目前对驾驶员跟车特性的研究绝大部分停留在仿真验证层面，没有综合考虑在实际驾驶环境中驾驶员的跟车特性，缺乏自然驾驶数据作为仿真建模的依据，基于自然驾驶数据的驾驶员跟车特性还存在许多问题亟待研究[17-21]。

随着车辆网络技术及控制技术的不断提高，通过智能化手段提高车辆的舒适度、安全性和节能性是目前汽车领域的重点研究方向之一。自适应巡航系统(adaptive cruise control，ACC)在定速巡航的基础上，进一步考虑驾驶员的舒适性和安全性，能有效缓解驾驶疲劳，具有广阔的发展前景，如何合理决策车速与安全跟车距离、驾驶员跟车行为以及加速度特性是ACC算法开发的核心。本文以驾驶员在高速公路上的自然驾驶数据为基础，通过Matlab/Simulink联合CANape软件对驾驶数据进行跟车场景的判定与筛选，研究驾驶员在加减速以及稳速跟车阶段的跟车特性，最大限度满足驾驶员在实际驾驶环境中的舒适性与稳定性，以期为ACC及驾驶员跟车仿真研究提供参考依据。

1 跟车判定程序设计

1.1 试验设计

选择2019-03-10—05-20进行道路试验，测试有效时间为58 d。道路测试里程为10 220.49 km。测试天气有晴天、阴天、雨天、雾霾天等。测试地点涵盖天津、重庆、常州及周边地区。道路类型包括高速公路、城市道路、城市快速路、乡村道路、山区道路等，其中高速、国道、市区、乡村道路的比例约为5:2:2:1。测试场景包括直道、弯道、十字路口、红绿灯、人行横道、桥梁、隧道等以及2种或2种以上的组合场景。

测试过程中随机抽取驾驶员100名，主要按照性别、年龄等要素进行分类，其中男女驾驶员的比例约为1:1，年龄为25～55岁。

试验车(自车)中采集数据的传感器主要包括Mobileye摄像头、激光雷达和ESRmm波雷达，其实物如图1所示。由于本次试验主要进行驾驶员跟车特性的研究，故将3种传感器安装在试验车的前部，其安装位置如图2所示。

a)Mobileye摄像头 b)ESR毫米波雷达 c)激光雷达图1 试验用传感器图2 传感器安装位置示意图

1.2 跟车判定程序设计

实车试验阶段采集的自然驾驶数据并非全部属于跟车阶段，需要对试验数据进行筛选，提取符合跟车场景的数据。本次跟车判定系统利用动态要素对跟车场景进行挖掘，动态要素主要包括两车相对速度及纵向距离、自车速度、两车侧向距离、跟车时距和即时碰撞时间(自车会撞上前车的时间)等。

基于Matlab/Simulink仿真平台对跟车动态要素进行限定，跟车判定动态要素程序如图3所示。限定跟车动态要素后，将判定程序嵌入具有数据采集及传感器数据读取功能的CANape软件中，以实现对跟车场景进行判定、挖掘及数据提取的目的。该跟车判定程序中符合动态要素的目标车辆可能有2个甚至多个，通过最小跟车间距判定唯一的跟车目标，从而得到跟车过程中的跟车参数。

图3 跟车判定程序

2 跟车数据筛选

根据图3，结合文献[22-24]，本次数据筛选过程中给定的跟车动态参数如表1所示(数据为筛选前的参数范围，为跟车场景必备条件)，传感器最多能够同时检测到64个目标物，经过筛选后仅留下1个目标车辆。

表1 跟车动态参数

确定目标车辆后，便可以确定在跟车过程中唯一的目标车辆序数、跟车间距L以及相对速度vr。在CANape软件中提取的跟车场景如图4所示，图4为2019-04-03T18:00任意选择的某段高速驾驶数据，其输出参数主要包括：目标车辆序数、自车加速度a及v、L、vr。

图4 CANape中的跟车场景

表2 场景识别系统对跟车场景数据的识别

随机选取3段高速公路驾驶数据，通过Matlab/Simulink联合CANape软件对数据进行跟车判定与筛选，结果如表2所示。由表2可知：设计的场景识别系统对截取的跟车场景数据的正确识别率达90%以上，基本不存在漏报及误报问题。

从驾驶员的角度将跟车状态分为非稳定跟车和稳定跟车状态。稳定跟车状态是指在跟车过程中两车的相对速度、跟车间距以及侧向距离没有大范围的波动，即驾驶员在跟车过程中没有超车、变道等，当跟车时间超过10 s时，认定为1个稳定跟车时段。非稳定跟车状态是指驾驶员的跟车时间较短，或者在跟车过程中出现超车、变道以及突然加减速等行为。

本文主要对驾驶员在高速公路上的稳定跟车特性进行研究，利用图3和表1，在CANape软件中以15 s为1个时间周期，截取76段高速跟车场景，共11 335个数据点。

3 跟车特性分析

3.1 跟车间距

通过对11 335个数据点进行统计分析，发现自车车速稳定在60～110 km/h，统计跟车间距如图5所示。从图5可以看出：70%以上的跟车间距为20～80 m，平均跟车间距为63.6 m。为了分析驾驶员在不同车速下的跟车距离，将76个跟车场景的车速以每10 km/h为一个梯度进行划分，经计算统计跟车间距如表3所示，其中Lj为跟车间距均值，Lb为跟车间距标准差。

图5 跟车间距统计

表3 跟车间距分布

为便于研究驾驶员在跟车过程中v与L的关系，将不同v下的Lmax、Lmin、Lj作3次拟合(经过3次拟合时，拟合效果最理想)，Lmax、Lmin、Lj与后车车速的拟合关系分别为：

图6 跟车过程中L与v的拟合曲线

Lmax=0.000 652 8v3-0.160 60v2+12.890v-316.9,

Lmin=0.000 172 2v3-0.086 89v2+9.097v-344.9,

Lj=0.000 758 3v3-0.174 90v2+13.710v-319.2。

Lmax、Lmin、Lj与v的拟合曲线如图6所示。

从表3、图6中可以看出：当v增大时，L呈现上升趋势，说明驾驶员为了行车安全，在v增加时，通过增大L来保证足够的安全距离。随着v的增加，Lb呈递增趋势，表明L波动程度较大，跟车状态不稳定。

3.2 驾驶员跟车行为分析

3.2.1 稳速跟车阶段

图7 稳速跟车vr与L的关系曲线

稳速跟车(前后两车的相对速度为-0.5 ～0.5 m/s)过程中，前后车之间的相对位置处于一个小的震荡区间，即驾驶员在小距离范围内调整自车车辆，使其维持在期望跟车间距附近。图7所示为2个典型跟车场景的vr与L的变化关系曲线。

由图7可知：场景1、2的曲线都呈现螺旋状，即在稳速跟车过程中，vr与L在一定区间范围内波动。当驾驶员有跟车意图时，使自车不断接近前车以达到期望的L；在稳定跟车一段时间后，由于前车减速使两车间距迅速减小，驾驶员经过一小段反应时间后，立即采取措施使vr逐渐减小。

3.2.2 加减速跟车阶段

加速(减速)跟车阶段，自车快速靠近(远离)前车，相对速度不断变小(变大)，两车之间的距离逐渐减小(扩大)。图8为随机选取的两段加减速跟车场景中vr与L的变化关系。

图8a)中L先增大后减小，在出现Lmax之前有一个调整过程；图8b)中L先减小后增大，在出现Lmin之前有一个调整过程。从图8中圆圈内区域可以看出：在加减速跟车过程中，当L即将达到驾驶员的期望跟车间距时，驾驶员将进行多次的加速/减速动作以调整vr，从而使自车与前车达到大致的稳速间距，进入稳定跟车阶段。