袁 田，趙 軒，劉 瑞，余 強，朱西產(chǎn)，王 姝

（1.長安大學汽車學院，西安 710064；2.同濟大學汽車學院，上海 201804）

前言

高級駕駛輔助系統(tǒng)正處于不斷發(fā)展的過程中，這類技術廣泛應用的一個必要條件是在確保行駛安全性的基礎上，同時關注駕駛人的接受度和信任度。當駕駛輔助系統(tǒng)對車輛的控制不同于駕駛人偏好的操作方式時，駕駛人就有可能與系統(tǒng)發(fā)生沖突，這不僅會降低駕駛人對系統(tǒng)的信任，還可能引發(fā)其他不可預測的風險。因此，深入理解駕駛行為并將駕駛人的共性駕駛特征融入車輛的決策與控制中，對于提高駕駛輔助系統(tǒng)的安全性和接受度具有重要意義。

交叉路口是交通事故多發(fā)的復雜場景，該區(qū)域的復雜交互特性對駕駛輔助系統(tǒng)的類人駕駛能力提出了更高的要求，因此交叉口區(qū)域的駕駛行為研究尤為重要。反應特性是確保行駛安全、規(guī)避危險的一個重要特性，研究人員對駕駛人在不同行駛環(huán)境和駕駛條件下的反應特性進行了研究。龍巖松等開展實車駕駛實驗研究了信號交叉口的車輛運行特性，其結果顯示反應距離與初速度之間具有較高的關聯(lián)度。Sato 等研究駕駛人跟車時的反應距離時發(fā)現(xiàn)，兩車之間的相對距離和速度顯著影響了駕駛人松開加速踏板和踩下制動踏板的位置和時間。Thapa 等評估了轉彎車輛在停車標志控制交叉口的制動行為，左右轉彎車輛的反應距離無顯著差異，但路面潮濕和夜間駕駛使駕駛人在距離交叉口更遠的地方開始做出反應。Oneyear 等建立了駕駛人在農(nóng)村交叉口的制動行為模型以確定影響反應位置的因素，結果表明路面標志和閃爍的信號燈會使駕駛人增加制動距離。接近速度是反映反應特性的另一個關鍵方面。Wu 等研究右轉駕駛人的駕駛行為時發(fā)現(xiàn)，接近速度受到信號燈狀態(tài)、車輛類型和沖突車流量的顯著影響。Berndt 等調(diào)查了紅燈階段的接近速度，駕駛人跟隨前車接近交叉口時速度更低。

駕駛人在不同行駛環(huán)境和駕駛條件下接近交叉口的制動特性也得到了一定研究。El-Shawarby等研究了黃色信號燈期間的制動特性，駕駛人的平均減速度隨著黃燈觸發(fā)時到交叉口的時間的減少而增加，隨著速度的增加而增加，而制動反應時間則表現(xiàn)出相反的趨勢。Haas 等評估了駕駛人在鄉(xiāng)村十字路口的減速行為，其研究也證明了平均減速度和初速度之間的顯著相關性，Wang等則報告初速度與初始減速度、減速時間和減速距離均有相關性，高速行駛的駕駛人有更高的初始減速度，更長的減速時間和減速距離。Bao 等使用最大減速度和制動踏板差異時間評估了駕駛人在停車標志控制交叉口的駕駛性能，結果表明這兩個特征受到年齡和交叉口類型（有曲線的高碰撞路口和無曲線的低碰撞路口）的顯著影響。

交叉口區(qū)域的駕駛行為受到多種因素的影響，上述研究尚不足以完全闡明駕駛人在各種交通條件下操作車輛的方式，且已有研究多是國外學者基于本國駕駛數(shù)據(jù)的駕駛行為研究，由于數(shù)據(jù)采集技術的限制，國內(nèi)研究很少涉及駕駛人在城市交叉口正常行駛時的速度控制行為，而駕駛行為存在潛在的文化和地區(qū)差異，相關結論不能一概而論。因此，為了開發(fā)適用于我國交通環(huán)境的駕駛輔助系統(tǒng)，基于中國自然駕駛數(shù)據(jù)的駕駛行為研究具有重要意義。本文中從自然駕駛數(shù)據(jù)中提取駕駛人接近城市交叉口的駕駛行為片段，應用目標檢測算法識別交通場景中的各類道路使用者，使用接近速度和反應距離表征反應特性，使用制動強度、減速水平和制動時間表征制動特性，探討駕駛人在不同運動類型和交通密度下的反應特性差異，分析制動特性與車輛運動狀態(tài)、運動類型和道路使用者之間的關系，力求進一步豐富城市交叉口的駕駛行為理論研究，并為駕駛輔助系統(tǒng)的開發(fā)和設計提供參考。

1 研究方法

1.1 自然駕駛數(shù)據(jù)

研究數(shù)據(jù)來自中國大型實車路試項目China-FOT，該項目由中瑞交通安全研究中心發(fā)起，沃爾沃汽車集團主導，公路科學研究院、同濟大學等共同參與，于2014-2015年在上海進行，共有32名駕駛人參與了該項目，行駛環(huán)境包括高速公路和城市道路。測試車上安裝數(shù)據(jù)采集系統(tǒng)（DAS）收集車輛運動信息以及駕駛人對踏板和轉向盤的操作信息。兩個前置攝像頭安裝在測試車外記錄行駛環(huán)境，另外兩個攝像頭安裝在測試車內(nèi)捕捉駕駛人的面部表情和腳部動作，如圖1 所示。本研究使用前置攝像頭中的視頻數(shù)據(jù)進行交通目標檢測，并從CAN-BUS中提取加速踏板位置、制動主缸油壓、縱向加速度、速度、里程和轉向盤轉角作為觀測變量研究駕駛行為。

圖1 數(shù)據(jù)采集系統(tǒng)及其附件與車輛等：（a）數(shù)據(jù)采集系統(tǒng)；（b）攝像頭；（c）測試車；（d）視頻數(shù)據(jù)

研究隨機抽取了16 名駕駛人在城市道路上的自然駕駛數(shù)據(jù)，其中包括13 名男性，3 名女性，平均年齡32歲，每個駕駛人都有3年以上的駕駛經(jīng)驗，年行駛里程從5 000到30 000 km不等。

1.2 交通目標物識別

隨著深度學習和高性能計算能力的發(fā)展，基于卷積神經(jīng)網(wǎng)絡的目標檢測算法已經(jīng)取得了顯著成績，如R-CNN 系列、SSD、YOLO 系列等。此類算法已經(jīng)廣泛應用于智能交通領域識別交通標志，檢測行人和車輛。為了減少工作量，使用目標檢測算法對交通場景中各類道路使用者進行識別，包括車輛、行人和騎車人。首先為每一類道路使用者建立目標標簽，為了提高對交通場景的解析和表達能力，根據(jù)方向將車輛目標分為3 種類型：前方、后方和側方。為了自動定位交叉口場景，對斑馬線和信號燈進行標記和識別。目標標簽和相應的描述見表1和圖2。

表1 目標物標簽和相應的描述

圖2 車輛目標分類和駕駛行為分析階段

選擇Faster R-CNN、SSD和YOLOv4作為目標識別的候選算法。從自然駕駛數(shù)據(jù)的視頻中任意截取3 300張圖片，并對這些圖片中的所有目標進行人工標注。然后隨機選擇3 000 張圖片作為訓練集來訓練3 種算法，剩下的300 張圖片作為測試集。訓練和測試的平臺是：i7-10700KF CPU，Nvidia RTX 2070Super GPU，32 GB內(nèi)存。

上述3 種算法在China-FOT 數(shù)據(jù)集上的效果見表2。通過對比三者的識別性能和檢測效率，選擇YOLOv4 作為最終的目標識別算法。目標識別可視化如圖3所示。

圖3 目標識別可視化

表2 目標檢測算法的效果

1.3 樣本提取和行為表征

提取駕駛人在自由行駛狀態(tài)下接近城市交叉口的駕駛行為片段，首先根據(jù)識別的斑馬線和信號燈定位交叉口場景，然后根據(jù)速度和轉向盤轉角獲得不同運動類型的樣本數(shù)據(jù)，即直行通過交叉口、交叉口前停車、左轉、右轉。通過查看視頻數(shù)據(jù)對初步篩選的場景進行驗證，在此過程中，剔除駕駛人跟隨前車接近交叉口的情況和綠燈突然變紅燈的情況。與此同時，記錄駕駛人完全停止和到達停車線的確切時間幀。最后，基于目標車完全停止和到達停車線的時間點向前20 s 提取樣本數(shù)據(jù)，以捕捉駕駛人對即將到來的交叉口的反應。

本研究使用的數(shù)據(jù)為城市實際交通中的自然駕駛數(shù)據(jù)，從獲取的樣本中發(fā)現(xiàn)駕駛人在不跟車的情況下左轉通過交叉口的場景極少，因此本研究不考慮左轉駕駛情況。此外，通過對獲取的樣本初步分析發(fā)現(xiàn)，僅約40%的直行樣本中駕駛人采取了制動措施，49%的直行樣本中駕駛人通過松開加速踏板輕微減速，11%的樣本中駕駛人不減速進入交叉口，而在停車和右轉的所有樣本中駕駛人均采取了制動措施，因此從整體出發(fā)，最終使用了停車和右轉的778個樣本，其中426個樣本駕駛人在交叉口制動停車，352 個樣本駕駛人在交叉口右轉。根據(jù)識別的同向行駛的前車（car_rear）數(shù)量，將交通密度分為低（0～2）和高（≥3）兩個級別。

駕駛人的反應特性和制動特性的表征參數(shù)和表征方法如下。

（1）第1 接近速度和第1 反應距離：駕駛人松開加速踏板時的速度和停車駕駛人到停車、右轉駕駛人到停車線的剩余距離。松開加速踏板的時間選為駕駛人最終對即將到來的交叉口做出反應的時間點，如圖4 所示。反應距離計算為駕駛人從松開加速踏板到停車或到停車線的行駛里程。

（2）第2 接近速度和第2 反應距離：駕駛人開始制動時的速度和停車駕駛人到停車、右轉駕駛人到停車線的距離。開始制動的時間選為駕駛人最初踩下制動踏板以響應即將到來的交叉口的時刻，如圖4 所示。反應距離計算為駕駛人從踩下制動踏板到停車或到停車線的行駛里程。

圖4 駕駛人操作踏板時刻的選擇方法

（3）制動過程的最大減速度，表征制動強度。

（4）制動過程的平均減速度，表征減速水平。

（5）制動時間：駕駛人從開始制動到停車或到停車線所使用的時間。

2 反應特性分析

繪制累積百分比曲線分析反應特性的分布特征。采用單因素方差分析探究反應特性在不同運動類型和交通密度中的差異，Kolmogorov-Smirnov檢驗用于檢驗樣本是否滿足正態(tài)分布，Levene 檢驗用于驗證方差的齊次性。

2.1 描述統(tǒng)計分析

右轉駕駛人的接近速度和反應距離的累積百分比均高于停車駕駛人的累積百分比，高密度交通中的接近速度和反應距離的累積百分比也都高于低密度交通，如圖5 和圖6 所示，這表明在右轉和高密度的交通狀態(tài)下，駕駛人的接近速度較低，反應距離較短，描述統(tǒng)計結果見表3。

表3 反應特性的描述統(tǒng)計結果

圖5 反應特性在不同運動類型中的累積百分比曲線

圖6 反應特性在不同交通密度中的累積百分比曲線

2.2 運動類型對反應特性的影響分析

反應距離的分析結果如圖7和圖8所示。首先，從圖中可以看出，接近速度和反應距離之間具有明顯的相關性，接近速度越大，反應距離越長。運動類型對駕駛人的反應距離有顯著影響（0.05），相比于右轉行駛，駕駛人在交叉口停車時具有更長的反應距離，但隨著接近速度升高到一定程度，運動類型對反應距離的影響不再顯著。接近速度的分析結果如圖9 和圖10 所示，無論是在低密度交通中還是在高密度交通中，駕駛人松開加速踏板和踩下制動踏板時的速度在停車和右轉行駛時均沒有顯著差異（＞0.05）。

圖7 運動類型對第1反應距離的影響

圖8 運動類型對第2反應距離的影響

圖9 運動類型對第1接近速度的影響

圖10 運動類型對第2接近速度的影響

2.3 交通密度對反應特性的影響分析

交通密度對停車駕駛人和右轉駕駛人的反應距離均沒有顯著影響（0.05），如圖11 和圖12 所示。2.2 節(jié)的結果顯示停車駕駛人和右轉駕駛人的接近速度沒有顯著差異，因此分析交通密度對接近速度的影響時不區(qū)分運動類型，結果如圖13 所示，交通密度對接近速度產(chǎn)生了顯著影響（0.05），高密度交通使駕駛人降低接近速度，當?shù)? 反應距離極長時，交通密度對第1接近速度的影響不再顯著。

圖11 交通密度對第1反應距離的影響

圖12 交通密度對第2反應距離的影響

圖13 交通密度對接近速度的影響

3 制動特性分析

本節(jié)建立分層線性回歸模型分析車輛運動狀態(tài)、運動類型和道路使用者對制動特性的影響。

3.1 考慮運動狀態(tài)和運動類型的制動特性分析

首先，以運動狀態(tài)和運動類型作為第1和第2層自變量，分別建立最大減速度、平均減速度和制動時間的分層回歸模型，運動狀態(tài)為第2接近速度和第2反應距離?；貧w分析結果見表4，表中結果為模型的未標準化系數(shù)。以運動狀態(tài)為自變量的模型1 均是顯著的（＜0.001），加入運動類型變量后（模型2），擬合優(yōu)度分別增加了0.051、0.025和0.258，值分別增加了108.792、83.270 和2 884.418，均具有統(tǒng)計學意義（＜0.001）。這表明運動狀態(tài)和運動類型均對駕駛人的制動特性有顯著影響，最終模型納入的3 個自變量在95%的置信水平上都是顯著的。反應距離越長，最大減速度和平均減速度越?。ń^對值），制動時間越長；開始制動時的速度越高，最大減速度和平均減速度越大，制動時間越短，與本研究結果不同的是，Wang等報告高速接近交叉口的駕駛人有更長的減速時間，這是因為他們分析減速時間在不同速度區(qū)間上的分布特征時忽略了減速距離的影響，而高速行駛的駕駛人通常具有較長的減速距離，這導致了較長的減速時間。與右轉駕駛人相比，停車駕駛人的最大減速度和平均減速度更大，且比右轉駕駛人約提前4.46 s開始制動。

表4 考慮運動狀態(tài)和運動類型的制動特性分析

3.2 基于停車和右轉行駛的制動特性分析

為了分析交叉口區(qū)域的其他道路使用者對停車駕駛人和右轉駕駛人制動特性的影響，以運動狀態(tài)和道路使用者作為第1 和第2 層自變量分別建立基于停車和右轉行駛的分層回歸模型。道路使用者分為兩類，一類是同向行駛的前車數(shù)量，一類是行人和騎車人的數(shù)量。

停車的回歸分析結果見表5，以運動狀態(tài)為自變量的模型1 均是顯著的（＜0.001），加入道路使用者相關變量后（模型2），最大減速度的變化量和變化量不顯著（0.05），而平均減速度和制動時間的變化量和變化量顯著（0.01；0.05），這表明駕駛人在交叉口制動停車時，除了運動狀態(tài)，道路使用者也對制動特性產(chǎn)生影響，但主要影響減速水平和制動時間而未影響制動強度，隨著同向行駛的車輛變多，平均減速度減小，制動時間變長。

表5 基于停車的制動特性分析

右轉行駛的回歸分析結果見表6，以運動狀態(tài)為自變量的模型1 均是顯著的（＜0.001），加入道路使用者相關變量后（模型2），最大減速度、平均減速度和制動時間的變化量和變化量都具有統(tǒng)計學意義（＜0.01；＜0.001；＜0.001），即駕駛人在交叉口右轉行駛時的各項制動特性都受到了運動狀態(tài)和道路使用者的影響，與停車不同的是，影響右轉駕駛人制動特性的道路使用者是行人和騎車人而非車輛，且交叉口的行人和騎車人數(shù)量越多，平均減速度和最大減速度越大，開始制動的時間越早。

表6 基于右轉行駛的制動特性分析

4 結論

（1）本研究從自然駕駛數(shù)據(jù)中提取了駕駛人接近城市交叉口的駕駛行為片段，使用YOLOv4 識別了交通場景中的各類道路使用者，在此基礎上探討了駕駛人在不同運動類型和交通密度下的反應特性差異，并分析了制動特性與運動狀態(tài)、運動類型和道路使用者之間的關系。

（2）接近速度和反應距離之間存在明顯的相關性，即接近速度越大，反應距離越長。右轉駕駛人與停車駕駛人的接近速度沒有顯著差異，但與右轉駕駛人相比，停車駕駛人在距離交叉口更遠的地方開始減速和制動，當接近速度增大到一定程度時，這種差異不再顯著。高密度交通使駕駛人降低接近速度，無論是右轉駕駛人還是停車駕駛人。

（3）運動狀態(tài)是影響制動特性最主要的因素，當接近速度較高或反應距離較短時，駕駛人在更短的時間內(nèi)以更高的減速水平和制動強度接近交叉路口。相比于右轉駕駛人，停車駕駛人的制動強度和減速水平更高，且比右轉駕駛人約提前4.46 s 開始制動。交叉口的道路使用者對駕駛人的制動特性產(chǎn)生了不同影響，停車駕駛人主要關注同向行駛的他車，且減速水平隨著車輛的增多而降低，而右轉駕駛人則會因行人騎車人而增大減速水平和制動強度。

（4）本文中提出了新的車輛目標分類方法，該方法有助于提高駕駛輔助系統(tǒng)的類人感知能力。研究結果豐富了國內(nèi)微觀駕駛行為的理論研究，并為交叉口駕駛輔助系統(tǒng)的類人駕駛設計提供重要參考。未來研究將進一步考慮更多因素對交叉口駕駛行為的影響機理，并將研究結果和本文中提出的交通目標識別方法融入交叉口駕駛輔助系統(tǒng)的設計中，構建適用于我國駕駛環(huán)境的擬人化決策模型。