柴琳果，蔡伯根，2，3，王化深，2，上官偉，2，3，王 劍，2，3

車(chē)聯(lián)網(wǎng)關(guān)鍵指標(biāo)對(duì)車(chē)輛安全影響仿真測(cè)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(xué)電子信息工程學(xué)院，北京 100044； 2.北京交通大學(xué)，軌道交通控制與安全國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100044；3.北京交通大學(xué)，北京市軌道交通電磁兼容與衛(wèi)星導(dǎo)航工程技術(shù)研究中心，北京 100044)

提出了一種用于分析車(chē)聯(lián)網(wǎng)關(guān)鍵指標(biāo)對(duì)車(chē)輛安全影響的仿真測(cè)試方法。首先，基于微觀交通流仿真軟件設(shè)計(jì)了危險(xiǎn)跟馳、換道等基礎(chǔ)仿真場(chǎng)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(guò)程中的執(zhí)行策略；接著，基于車(chē)輛最小安全距離跟馳模型和車(chē)輛非線性分段制動(dòng)模型分別提出了車(chē)輛危險(xiǎn)跟馳預(yù)警和危險(xiǎn)換道預(yù)警方法；最后，通過(guò)建立基于HLA(high level architecture)的車(chē)聯(lián)網(wǎng)仿真平臺(tái)對(duì)不同定位誤差、通信延誤和滲透率對(duì)車(chē)輛安全的影響進(jìn)行了仿真測(cè)試。結(jié)果表明，在危險(xiǎn)跟馳場(chǎng)景中，在注入了基于高斯分布的定位誤差后，預(yù)警成功率為88%，預(yù)警成功率隨著預(yù)警策略中減速度的減小而增大；在危險(xiǎn)換道場(chǎng)景中，在注入了單跳通信延誤后，預(yù)警成功率達(dá)100%；成功預(yù)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(chē)輛安全；仿真測(cè)試；車(chē)聯(lián)網(wǎng)；仿真場(chǎng)景

前言

隨著傳感器技術(shù)、通信技術(shù)的發(fā)展，車(chē)聯(lián)網(wǎng)系統(tǒng)在保證車(chē)輛安全方面的優(yōu)勢(shì)日益體現(xiàn)，車(chē)輛狀態(tài)數(shù)據(jù)的采集和估計(jì)更加準(zhǔn)確，車(chē)車(chē)、車(chē)地之間的信息交互也更加可靠[1]。但在實(shí)際車(chē)聯(lián)網(wǎng)系統(tǒng)的設(shè)計(jì)與開(kāi)發(fā)過(guò)程中，不同的定位模式會(huì)導(dǎo)致定位精度的巨大變化[2]，且不同通信模式的選擇也會(huì)對(duì)系統(tǒng)的信息交互帶來(lái)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(jìng)爭(zhēng)可在一定程度上緩解定位準(zhǔn)確度的下降和通信性能的降低對(duì)系統(tǒng)的影響，但系統(tǒng)關(guān)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(yīng)，導(dǎo)致車(chē)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(chē)聯(lián)網(wǎng)系統(tǒng)中關(guān)鍵參數(shù)的不穩(wěn)定會(huì)對(duì)車(chē)輛安全控制效果產(chǎn)生巨大影響，在車(chē)輛安全控制方面，一方面，研究人員研究用提升設(shè)備性能的方法來(lái)降低對(duì)車(chē)輛狀態(tài)估計(jì)的難度和保證信息交互的可靠傳輸，另一方面，學(xué)者也在研究多傳感器深耦合定位技術(shù)和通信協(xié)議的優(yōu)化方法來(lái)提高定位精度和通信可靠性。因此，考慮設(shè)備和算法性能的車(chē)輛安全測(cè)試方法顯得尤為重要，目前國(guó)內(nèi)外在車(chē)輛安全測(cè)試方面進(jìn)行了許多研究。

文獻(xiàn)[5]中研究設(shè)計(jì)了基于MATLAB/Simulink和車(chē)輛動(dòng)力學(xué)軟件CarSim的電動(dòng)車(chē)輛驅(qū)動(dòng)控制系統(tǒng)仿真測(cè)試平臺(tái)，能針對(duì)不同型號(hào)的電動(dòng)車(chē)輛，方便快捷地匹配不同類(lèi)型的電機(jī)，設(shè)計(jì)整車(chē)驅(qū)動(dòng)力控制策略；文獻(xiàn)[6]中采用WorldSID假人對(duì)因?yàn)轳{駛員說(shuō)話分散注意力而產(chǎn)生的事故進(jìn)行了模擬，分析了副駕駛位置假人的受傷情況；文獻(xiàn)[7]中介紹了ITDNS(integrated traffic-driving-networking simulator)，并通過(guò)15名平均年齡26.13歲的駕駛員的實(shí)測(cè)數(shù)據(jù)對(duì)該仿真器模型進(jìn)行了矯正。

由于可能存在安全隱患，所以目前關(guān)于車(chē)輛安全的測(cè)試中并沒(méi)有人的實(shí)際參與，多采用仿真的手段進(jìn)行測(cè)試。目前車(chē)輛安全測(cè)試研究主要集中在兩個(gè)方面，一方面是研究如何基于實(shí)測(cè)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(shí)物仿真環(huán)境中對(duì)車(chē)輛安全進(jìn)行測(cè)試。

采用仿真的手段來(lái)測(cè)試評(píng)估車(chē)聯(lián)網(wǎng)中車(chē)輛關(guān)鍵參數(shù)對(duì)車(chē)輛運(yùn)行安全的影響具有一定優(yōu)勢(shì)，目前國(guó)內(nèi)外針對(duì)車(chē)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(chǔ)。

文獻(xiàn)[8]中通過(guò)駕駛輔助和主動(dòng)安全仿真軟件PreScan研究了無(wú)信號(hào)交叉口的車(chē)輛避撞方法，提出了through-through車(chē)輛避撞策略，一定程度上給出了車(chē)輛在交叉口穿插通行問(wèn)題的解決方案；文獻(xiàn)[9]中提出了一種基于載波相位異常檢測(cè)和驗(yàn)證的方法來(lái)提高車(chē)輛的動(dòng)態(tài)定位性能，并通過(guò)仿真驗(yàn)證其正確性；文獻(xiàn)[10]中研究了車(chē)聯(lián)網(wǎng)中滲透率和MOEs(measures of effectiveness)的關(guān)系，提出了一種基于最小滲透率的路網(wǎng)MOEs精確估計(jì)方法。

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

在考慮車(chē)輛定位性能、通信性能和聯(lián)網(wǎng)車(chē)輛滲透率的基礎(chǔ)上，本文中設(shè)計(jì)了一種車(chē)聯(lián)網(wǎng)關(guān)鍵指標(biāo)對(duì)車(chē)輛安全影響的仿真測(cè)試方法。通過(guò)建立基礎(chǔ)的交通流仿真環(huán)境、信息交互環(huán)境和車(chē)輛預(yù)警控制機(jī)制，在實(shí)現(xiàn)基本車(chē)聯(lián)網(wǎng)車(chē)車(chē)、車(chē)路交互仿真的基礎(chǔ)上，設(shè)計(jì)了定位性能、通信性能和聯(lián)網(wǎng)車(chē)輛滲透率在仿真平臺(tái)的運(yùn)行機(jī)制，結(jié)合危險(xiǎn)跟馳和危險(xiǎn)換道仿真場(chǎng)景，進(jìn)行關(guān)鍵環(huán)節(jié)對(duì)車(chē)輛安全影響的分析和評(píng)價(jià)。

1 仿真與測(cè)試方法概述

為更符合車(chē)聯(lián)網(wǎng)中車(chē)輛運(yùn)行狀態(tài)和信息交互過(guò)程，本文中基于HLA[11]建立了基本仿真環(huán)境，設(shè)計(jì)了5個(gè)仿真聯(lián)邦，分別為交通仿真、通信仿真、行為控制、管理評(píng)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(shí)現(xiàn)危險(xiǎn)仿真場(chǎng)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(diǎn)設(shè)置、節(jié)點(diǎn)信息獲取機(jī)制模擬、節(jié)點(diǎn)信息的數(shù)據(jù)庫(kù)存儲(chǔ)和通信性能模擬，以模擬車(chē)輛的通信過(guò)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(duì)道路中的危險(xiǎn)場(chǎng)景進(jìn)行危險(xiǎn)預(yù)測(cè)，并給出預(yù)警信息和沖突消解策略；管理評(píng)估聯(lián)邦主要實(shí)現(xiàn)危險(xiǎn)場(chǎng)景參數(shù)設(shè)置和關(guān)鍵環(huán)節(jié)參數(shù)對(duì)交通影響的評(píng)價(jià)；三維視景聯(lián)邦主要通過(guò)VEGA三維軟件進(jìn)行可視化顯示。仿真測(cè)試流程如下：

圖1 仿真框架

(1)仿真開(kāi)始，生成仿真場(chǎng)景，交通仿真聯(lián)邦在生成交通流之后，根據(jù)測(cè)試信息，基于車(chē)輛狀態(tài)預(yù)演生成危險(xiǎn)跟馳和換道仿真場(chǎng)景；

(2)交通仿真、通信仿真、行為控制聯(lián)邦成員判斷測(cè)試信息，觸發(fā)被測(cè)參數(shù)的運(yùn)行機(jī)制，將其影響效果疊加到危險(xiǎn)跟馳和換道仿真場(chǎng)景中；

(3)行為控制聯(lián)邦成員對(duì)路網(wǎng)的所有車(chē)輛狀態(tài)進(jìn)行遍歷，辨識(shí)車(chē)輛危險(xiǎn)，給出駕駛員預(yù)警信息；

(4)管理評(píng)估聯(lián)邦成員對(duì)仿真測(cè)試結(jié)果進(jìn)行統(tǒng)計(jì)分析，給出車(chē)聯(lián)網(wǎng)關(guān)鍵環(huán)節(jié)參數(shù)的仿真評(píng)價(jià)結(jié)果。

基于以上流程，即可完成對(duì)某一關(guān)鍵指標(biāo)參數(shù)對(duì)車(chē)輛安全影響的仿真測(cè)試。

2 基于軌跡預(yù)演的危險(xiǎn)仿真場(chǎng)景生成方法

為使仿真更加貼近真實(shí)情況，本文中采用Paramics作為交通仿真的基礎(chǔ)模塊。車(chē)聯(lián)網(wǎng)系統(tǒng)建立在傳統(tǒng)交通系統(tǒng)基礎(chǔ)之上，在車(chē)聯(lián)網(wǎng)車(chē)輛未達(dá)到100%路網(wǎng)滲透率的情況下，勢(shì)必會(huì)出現(xiàn)多種類(lèi)型車(chē)輛混合運(yùn)行的模式，Paramics可很好地模擬社會(huì)車(chē)輛的運(yùn)行；車(chē)聯(lián)網(wǎng)系統(tǒng)中對(duì)于車(chē)輛安全相關(guān)功能的仿真驗(yàn)證大多是基于仿真場(chǎng)景的，為使仿真場(chǎng)景更加真實(shí)，仿真場(chǎng)景應(yīng)盡可能從正在運(yùn)行的仿真路網(wǎng)中動(dòng)態(tài)生成，這樣才能保證仿真場(chǎng)景的可信度；Paramics能夠提供動(dòng)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(yùn)行車(chē)輛；通過(guò)建立仿真平臺(tái)給測(cè)試提供環(huán)境和條件，仿真測(cè)試的優(yōu)點(diǎn)之一是可重復(fù)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(chǎng)景，實(shí)現(xiàn)測(cè)試的可重復(fù)性；對(duì)于車(chē)聯(lián)網(wǎng)中關(guān)鍵指標(biāo)的測(cè)試，應(yīng)能精確地生成仿真場(chǎng)景，并精確地進(jìn)行車(chē)輛控制，Paramics的API(application programming interface)接口提供對(duì)車(chē)輛控制的支持，能降低開(kāi)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(chē)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(yīng)用較多，但其底層模型較為理想化，不會(huì)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(jìn)行二次開(kāi)發(fā)，很難基于該類(lèi)軟件實(shí)現(xiàn)對(duì)危險(xiǎn)跟馳和換道行為的模擬，也不能實(shí)現(xiàn)針對(duì)該類(lèi)場(chǎng)景的預(yù)警方案的仿真驗(yàn)證。本文中結(jié)合Paramics的API函數(shù)對(duì)仿真運(yùn)行的車(chē)輛參數(shù)進(jìn)行設(shè)置，實(shí)現(xiàn)危險(xiǎn)跟馳和危險(xiǎn)換道仿真場(chǎng)景的精確控制。

2.1 危險(xiǎn)跟馳場(chǎng)景

交通仿真聯(lián)邦接收到危險(xiǎn)跟馳場(chǎng)景之后，開(kāi)始分析路網(wǎng)車(chē)輛狀態(tài)數(shù)據(jù)，判斷路網(wǎng)車(chē)輛之間的跟馳關(guān)系，之后隨機(jī)選擇距離超過(guò)100m的同車(chē)道相鄰兩輛車(chē)(前車(chē)設(shè)為A，后車(chē)設(shè)為B)，通過(guò)增大后車(chē)B的加速度來(lái)提高車(chē)輛速度。經(jīng)驗(yàn)數(shù)據(jù)表明，車(chē)輛在道路行駛最大加速度一般不超過(guò)6m/s2，當(dāng)車(chē)輛到達(dá)場(chǎng)景參數(shù)規(guī)定的最大速度時(shí)，后車(chē)停止加速，保持勻速行駛。車(chē)輛速度的變化量和加速度的關(guān)系如下：

式中：vs(n)為第n個(gè)仿真步長(zhǎng)中后車(chē)的速度值；as為最大加速度，取為6m/s2；ts為仿真步長(zhǎng)，取50ms。若不進(jìn)行車(chē)輛預(yù)警控制，后車(chē)高速行駛，將會(huì)與前車(chē)發(fā)生追尾事故，如圖2所示。

圖2 危險(xiǎn)跟馳場(chǎng)景生成

2.2 危險(xiǎn)換道場(chǎng)景

隨機(jī)鎖定一輛行進(jìn)中車(chē)輛A，計(jì)算并獲得A車(chē)周?chē)?00m內(nèi)與其不在同一車(chē)道上的其他所有車(chē)輛信息，通過(guò)比較同道路不同車(chē)輛距離前方交叉口的距離來(lái)判斷車(chē)輛之間的前后關(guān)系。選擇距離A車(chē)最近且在A車(chē)后方的車(chē)輛B，根據(jù)危險(xiǎn)跟馳場(chǎng)景生成方法對(duì)B車(chē)進(jìn)行加速至場(chǎng)景規(guī)定速度，然后通過(guò)車(chē)輛制動(dòng)模型對(duì)B車(chē)的行駛軌跡進(jìn)行預(yù)演，如果B車(chē)采用最大制動(dòng)加速度時(shí)仍然可能會(huì)和變道之后的A車(chē)發(fā)生追尾危險(xiǎn)，此時(shí)控制A車(chē)進(jìn)行換道行為，生成危險(xiǎn)換道場(chǎng)景，如圖3所示。

圖3 危險(xiǎn)換道場(chǎng)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(shè)計(jì)OD矩陣、設(shè)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(diǎn)到目標(biāo)節(jié)點(diǎn)的車(chē)流量，對(duì)于不同出發(fā)節(jié)點(diǎn)和目標(biāo)節(jié)點(diǎn)的車(chē)流量，則可用一個(gè)OD矩陣表示；另一方面通過(guò)API實(shí)時(shí)提取仿真數(shù)據(jù)，并在收到控制程序的控制信息之后對(duì)Paramics中的車(chē)輛實(shí)現(xiàn)實(shí)時(shí)控制，包括車(chē)輛速度、換道行為等。控制程序主要完成Paramics危險(xiǎn)場(chǎng)景的實(shí)現(xiàn)，程序化危險(xiǎn)跟馳和危險(xiǎn)換道場(chǎng)景，輸出并且顯示路網(wǎng)車(chē)輛狀態(tài)信息，基于HLA的接口與其他聯(lián)邦成員進(jìn)行通信。交通仿真聯(lián)邦中Paramics和控制程序的接口關(guān)系如圖4所示。

圖4 Paramics軟件API調(diào)用

3 車(chē)聯(lián)網(wǎng)關(guān)鍵環(huán)節(jié)仿真運(yùn)行機(jī)制

3.1 基于高斯分布的定位誤差模型

在行駛過(guò)程中，車(chē)輛的橫向誤差會(huì)直接影響車(chē)載設(shè)備對(duì)車(chē)輛所在車(chē)道的正確判斷，但目前通過(guò)圖像處理技術(shù)能很好地解決這一問(wèn)題。因此平臺(tái)主要分析車(chē)輛縱向誤差對(duì)車(chē)輛安全的影響。

車(chē)輛的縱向誤差對(duì)車(chē)輛安全影響如圖5所示，以車(chē)輛行進(jìn)方向?yàn)檎较?，?chē)輛實(shí)際位置為原點(diǎn)，當(dāng)某一聯(lián)網(wǎng)車(chē)輛的定位誤差為正時(shí)，其與前車(chē)的實(shí)際距離要大于路側(cè)計(jì)算出來(lái)的距離，可能會(huì)發(fā)生錯(cuò)誤預(yù)警的情況；其與后車(chē)的實(shí)際距離要大于路側(cè)計(jì)算出來(lái)的距離，可能會(huì)發(fā)生預(yù)警不及時(shí)而導(dǎo)致追尾的現(xiàn)象。

圖5 車(chē)輛定位誤差對(duì)車(chē)輛安全的影響

定位誤差模型很難被精確定義，目前應(yīng)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(chē)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(dāng)F(5.5)＝0.975時(shí)，能夠得到σ＝2.8。因此誤差分布函數(shù)定義如下：

仿真運(yùn)行中的每一輛車(chē)均服從以上的定位誤差模型。

3.2 通信延誤模擬

車(chē)車(chē)、車(chē)地交互作為車(chē)聯(lián)網(wǎng)系統(tǒng)中車(chē)流誘導(dǎo)信息和車(chē)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(dǎo)效率和安全控制效果。本文中分析了通信延誤對(duì)車(chē)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(chē)載定位模塊無(wú)法輸出連續(xù)的定位信息，一般情況車(chē)載定位模塊輸出定位數(shù)據(jù)的頻率為10Hz，不同車(chē)輛定位時(shí)刻無(wú)法嚴(yán)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(chē)車(chē)或車(chē)地通信過(guò)程中，數(shù)據(jù)傳輸?shù)难诱`是造成通信延誤的另外一個(gè)重要原因。針對(duì)定位時(shí)間不同步所產(chǎn)生的通信延誤，采用均勻分布對(duì)其進(jìn)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(chē)車(chē)通信方式被廣泛采用，本文中針對(duì)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(duì)文獻(xiàn)[15]中基于OPNET的仿真數(shù)據(jù)進(jìn)行處理，通過(guò)對(duì)仿真數(shù)據(jù)在置信概率0.05時(shí)的概率分布形式進(jìn)行擬合，發(fā)現(xiàn)數(shù)據(jù)傳輸延時(shí)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(shí)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(chē)聯(lián)網(wǎng)系統(tǒng)中，在道路行駛的車(chē)輛并非全是聯(lián)網(wǎng)車(chē)輛，一般情況為聯(lián)網(wǎng)車(chē)輛和社會(huì)車(chē)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(chē)輛與全部車(chē)輛的比值。假設(shè)聯(lián)網(wǎng)車(chē)輛在路網(wǎng)中隨機(jī)分布，聯(lián)網(wǎng)車(chē)輛能通過(guò)自身的傳感器，包括雷達(dá)、微波等對(duì)周?chē)能?chē)輛狀態(tài)進(jìn)行檢測(cè)，并將檢測(cè)到的車(chē)輛信息一同上報(bào)到路側(cè)中心。通過(guò)此機(jī)制，路側(cè)中心能夠獲取更多的車(chē)輛信息，提高危險(xiǎn)辨識(shí)率，滲透率對(duì)車(chē)輛安全的影響如圖8所示。

圖8 滲透率對(duì)車(chē)輛安全的影響

4 車(chē)輛安全預(yù)警方法

本文中基于車(chē)輛最小安全距離跟馳模型[16]和車(chē)輛非線性分段制動(dòng)模型[17]分別提出了車(chē)輛危險(xiǎn)跟馳預(yù)警和危險(xiǎn)換道預(yù)警方法。

4.1 危險(xiǎn)跟馳預(yù)警

在發(fā)生危險(xiǎn)跟馳場(chǎng)景時(shí)，后車(chē)速度要大于前車(chē)速度，圖9是車(chē)輛距離前方交叉口的距離隨時(shí)間變化的曲線示意圖，給出了兩對(duì)跟馳場(chǎng)景的消解情況。當(dāng)有預(yù)警時(shí)車(chē)輛1和車(chē)輛2的時(shí)空曲線無(wú)重疊；當(dāng)無(wú)預(yù)警時(shí)車(chē)輛3和車(chē)輛4的時(shí)空曲線會(huì)相交，即會(huì)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(shí)現(xiàn)對(duì)危險(xiǎn)跟馳場(chǎng)景的預(yù)警。預(yù)警模型如下：

式中：vf為后車(chē)的車(chē)速；vl為前車(chē)的車(chē)速；am為最大制動(dòng)減速度閾值，考慮到車(chē)輛的最大減速度一般不超過(guò)6m/s2，本文中取值為4m/s2；s為兩車(chē)在執(zhí)行預(yù)警算法時(shí)刻的距離；ss為兩車(chē)的最小安全距離，取值為5m。當(dāng)上述判斷成立時(shí)，預(yù)警模塊即開(kāi)始預(yù)警，生成預(yù)警控制信息，當(dāng)跟馳車(chē)輛以高于am的減速度進(jìn)行制動(dòng)時(shí)，能夠避免追尾事故發(fā)生。預(yù)警控制信息發(fā)送給交通控制模塊，交通控制模塊通過(guò)接口模塊來(lái)控制交通仿真模塊改變跟馳車(chē)輛的狀態(tài)，從而避免危險(xiǎn)發(fā)生。

4.2 危險(xiǎn)換道預(yù)警

本文中采用車(chē)輛分段非線性制動(dòng)模型對(duì)車(chē)輛換道危險(xiǎn)進(jìn)行辨識(shí)。車(chē)輛的制動(dòng)過(guò)程可分為3個(gè)階段：反應(yīng)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(chē)輛制動(dòng)過(guò)程

反應(yīng)階段車(chē)輛保持勻速行駛，設(shè)置反應(yīng)時(shí)間tr＝0.5s，則在初速度為v0條件下在反應(yīng)時(shí)間內(nèi)行駛的距離sr為

減速度上升階段，減速度au隨時(shí)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(yù)警，取最大制動(dòng)減速度閾值為4m/s2，則減速度上升時(shí)間內(nèi)車(chē)輛行駛距離su為

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

假設(shè)換道車(chē)輛一直保持速度vc行駛，若存在t＞0使式(15)成立，則進(jìn)行預(yù)警。

5 仿真驗(yàn)證

本文中通過(guò)基于HLA的車(chē)聯(lián)網(wǎng)仿真測(cè)試平臺(tái)實(shí)現(xiàn)對(duì)車(chē)輛關(guān)鍵指標(biāo)參量的仿真測(cè)試，仿真平臺(tái)如圖11所示，針對(duì)定位誤差、通信延誤和滲透率3個(gè)參數(shù)進(jìn)行了仿真測(cè)試。

圖11 基于HLA的車(chē)聯(lián)網(wǎng)仿真測(cè)試平臺(tái)

5.1 定位誤差仿真測(cè)試

在定位誤差的仿真測(cè)試中，場(chǎng)景參數(shù)設(shè)置如表1所示。

表1 定位誤差測(cè)試條件

圖12為仿真過(guò)程中某一次危險(xiǎn)跟馳場(chǎng)景中前車(chē)和后車(chē)的速度變化情況。

圖12 跟馳單車(chē)曲線

由圖12可見(jiàn)，后車(chē)在接收到預(yù)警信息之后，根據(jù)提出的危險(xiǎn)跟馳預(yù)警方法進(jìn)行減速，并在車(chē)輛接觸預(yù)警之后，由車(chē)輛制動(dòng)轉(zhuǎn)換為與前車(chē)保持跟馳行為。進(jìn)行100次仿真后，得到兩車(chē)預(yù)警時(shí)刻實(shí)際車(chē)距，如圖13所示。

在前后車(chē)均具有高斯分布的定位誤差時(shí)，預(yù)警時(shí)刻兩車(chē)的距離出現(xiàn)了一定幅度的波動(dòng)，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(jiàn)，最小預(yù)警距離為后車(chē)采用6m/s2減速度時(shí)兩車(chē)應(yīng)該保持的最小距離，正常預(yù)警距離為后車(chē)采用4m/s2減速度制動(dòng)時(shí)兩車(chē)應(yīng)該保持的最小距離，一般情況下，車(chē)輛的制動(dòng)減速度不會(huì)大于6m/s2，因此當(dāng)制動(dòng)時(shí)兩車(chē)實(shí)際距離小于8.33m時(shí)，可視為發(fā)生追尾事故。在100次場(chǎng)景的執(zhí)行中，共發(fā)生12次事故，預(yù)警成功率為88%，可通過(guò)降低預(yù)警模型的減速度值來(lái)避免事故的發(fā)生，但這會(huì)降低車(chē)流效率。本文中提出的仿真測(cè)試方法能為不同定位誤差等級(jí)條件下的預(yù)警參數(shù)的選擇提供仿真測(cè)試建議。

5.2 通信延誤仿真測(cè)試

在通信延誤的仿真測(cè)試中，場(chǎng)景參數(shù)設(shè)置如表2所示。

表2 通信延誤測(cè)試條件

圖14為仿真過(guò)程中某一次危險(xiǎn)換道場(chǎng)景中換道車(chē)輛和后車(chē)的軌跡圖。

圖14 車(chē)輛換道軌跡

可以看出，車(chē)輛在進(jìn)行換道時(shí)，目標(biāo)車(chē)道上的后車(chē)軌跡由稀疏變得密集，在仿真步長(zhǎng)一定的條件下，說(shuō)明后車(chē)進(jìn)行了制動(dòng)操作；隨后解除預(yù)警，后車(chē)的軌跡又開(kāi)始逐漸變得稀疏，說(shuō)明后車(chē)進(jìn)行了加速并與換道的車(chē)輛保持跟馳行為。進(jìn)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(jì)結(jié)果

由圖15可見(jiàn)，采用DSRC作為車(chē)車(chē)通信方式，通信延誤的存在并不會(huì)嚴(yán)重影響預(yù)警的最終效果，預(yù)警成功率達(dá)到了100%。車(chē)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(jì)算單元也會(huì)根據(jù)系統(tǒng)設(shè)計(jì)的不同而分布在不同的節(jié)點(diǎn)中，本文中提出的仿真測(cè)試方法能對(duì)不同通信方式的通信延誤進(jìn)行仿真測(cè)試。

5.3 滲透率仿真測(cè)試

滲透率仿真條件如表3所示。

表3 滲透率測(cè)試條件

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

圖16 滲透率統(tǒng)計(jì)結(jié)果

由圖16可見(jiàn)，當(dāng)OD值相同時(shí)，路網(wǎng)中聯(lián)網(wǎng)車(chē)輛越多，危險(xiǎn)跟馳場(chǎng)景被正確辨識(shí)的概率越大。圖中當(dāng)滲透率等于0.4時(shí)，識(shí)別的均值要小于滲透率等于0.3時(shí)候的均值，這是由路網(wǎng)車(chē)流的隨機(jī)性導(dǎo)致。在Paramics中，車(chē)輛從小區(qū)中生成遵循一定的隨機(jī)規(guī)則，這種車(chē)輛生成的隨機(jī)性導(dǎo)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(shí)，進(jìn)行30次危險(xiǎn)跟馳仿真測(cè)試的結(jié)果。

圖17 不同OD時(shí)預(yù)警成功率

由圖17可見(jiàn)，成功預(yù)警的次數(shù)與OD取值和滲透率均成正相關(guān)關(guān)系，并在滲透率為0.6，OD取值為4 500時(shí)達(dá)到100%預(yù)警成功率。

6 結(jié)論

本文中提出了一種用于分析車(chē)聯(lián)網(wǎng)關(guān)鍵指標(biāo)對(duì)車(chē)輛安全影響的仿真測(cè)試方法。通過(guò)仿真場(chǎng)景生成、關(guān)鍵指標(biāo)參數(shù)注入和車(chē)輛危險(xiǎn)辨識(shí)預(yù)警等對(duì)車(chē)聯(lián)網(wǎng)中定位誤差、通信延誤和滲透率進(jìn)行了仿真驗(yàn)證。結(jié)果表明，在危險(xiǎn)跟馳場(chǎng)景中，在注入了基于高斯分布的定位誤差后，預(yù)警成功率為88%，預(yù)警成功率隨著預(yù)警策略中減速度的減小而增大；在危險(xiǎn)換道場(chǎng)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(yù)警成功率達(dá)100%；成功預(yù)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(guò)本方法能對(duì)車(chē)聯(lián)網(wǎng)關(guān)鍵指標(biāo)進(jìn)行測(cè)試，為實(shí)際車(chē)聯(lián)網(wǎng)系統(tǒng)需要達(dá)到的性能等級(jí)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(chē)聯(lián)網(wǎng)系統(tǒng)中關(guān)鍵參數(shù)變化機(jī)理，比如定位誤差在遮擋環(huán)境中的誤差特性和多徑效應(yīng)中通信延誤變化特性；精確刻畫(huà)車(chē)輛的運(yùn)行過(guò)程，進(jìn)一步優(yōu)化跟馳和換道預(yù)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(xiǎn)感知機(jī)理的狀態(tài)適應(yīng)式碰撞預(yù)警策略研究[J].汽車(chē)工程，2016，38(4)：329-434.

[5] 邱斌斌，朱紹鵬，馬浩軍，等.電動(dòng)車(chē)輛驅(qū)動(dòng)控制系統(tǒng)仿真測(cè)試平臺(tái)設(shè)計(jì)[J].浙江大學(xué)學(xué)報(bào)(工學(xué)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(kāi)發(fā)包的設(shè)計(jì)與實(shí)現(xiàn)[J].高技術(shù)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(shí)車(chē)駕駛數(shù)據(jù)的駕駛?cè)烁?chē)模型研究[J].汽車(chē)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(duì)制動(dòng)距離影響分析[J].東南大學(xué)學(xué)報(bào)(自然科學(xué)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(wù)費(fèi)(2016YJS035)、國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目(2016YFB1200100)、國(guó)家自然科學(xué)基金重大項(xiàng)目(61490705)、國(guó)家自然科學(xué)基金面上項(xiàng)目(61773049)和北京市自然基金面上項(xiàng)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。