信控交叉口電動汽車駕駛行為特征分析*

毛 喆 胡 宸 黃 衍

（1. 武漢理工大學智能交通系統研究中心 武漢 430063；2. 武漢理工大學國家水運安全工程技術研究中心 武漢 430063）

0 引 言

隨著能源的日漸枯竭，以電動汽車為代表的新能源汽車保有量持續增高。根據中國汽車工業協會發布的汽車全年產銷數據，我國2020年全年各類型汽車的總銷量是2 531.1 萬輛，同比增速約2%。其中新能源汽車銷量是136.7 萬輛，同比增長了10.9%，電動汽車的銷量約為111.5萬輛，其占新能源汽車總銷量的主要比重，增長速度超過10%。相比之下，傳統燃油車的銷量不增反降[1]。由于《新能源汽車產業發展規劃（2021—2035年）》的發布，預計至2025 年電動汽車的銷量將持續增長。至2018 年底我國新能源汽車萬車事故率為5.69次/萬車，萬車死亡率為1.06人/萬車；至2019年底萬車事故率陡增到11.59次/萬車，萬車死亡率也隨之漲到2.10人/萬車；而這2項數據在2020年底又分別上漲到12.47次/萬車和2.11 人/萬車[2]。從上述數年的數據統計可知，新能源汽車事故數以及死亡人數的年平均增長率高達171%和157%，每一年都保持上升的趨勢。

道路交叉口作為交通事故發生率較高的場所之一，由于其復雜多樣性一直對駕駛人及其駕駛行為提出很高的要求。所以，出現在道路交叉口的車輛運行狀態和駕駛行為等也一直是業界諸多學者們感興趣和研究的方向。唐克雙等[3]通過對交叉口的車輛運行狀態進行視頻拍攝，提取交叉口相位切換期間的加減速變化行為，利用加減速度、加減速度變化率等指標在識別車輛危險駕駛行為同時進行分類，并對其特征進行分析。馮仁科等[4]通過實車實驗采集車輛的各類數據及駕駛人的心生理反應，將二者關聯起來，建立了駕駛人在交叉口時車輛最大減速度與心生理變化的關系模型，并對車輛通過交叉口危險程度進行分級。Almallah 等[5]通過信號交叉口的監控視頻采集到的數據，分析了車輛剛通過交叉口時加速期間的數據，建立關聯，分析其互相作用的原因。魏福祿等[6]采集了信號交叉口左轉車輛的相關數據，從道路線形的角度來研究車輛在交叉口的運行狀態，得出結論：隨著轉彎半徑的增大、車輛速度也會相應增大。白婧榮等[7]結合實際車輛行駛環境，以是否存在縱向減速標線為變量，采集山區城市道路不同交叉口的道路條件、交通狀態、車輛狀態、駕駛人生理指標等數據，對二者進行對比分析，發現2種不同類型的交叉口的交通安全性有所差異，縱向減速標線的設置有利于提醒駕駛人在到達交叉口前作出減速動作，控制車速，提升交叉口安全性。Zhu等[8]以車輛的加速減速行為為研究對象，分析了當信號相位切換時車輛的加速減速狀態，為了消減信號相位切換對交通狀況造成的不良影響，建立模型對車速進行優化。江澤浩[9]采用模擬駕駛實驗研究了綠燈倒計時對機動車微觀駕駛行為影響，通過隨機效應Logistic 模型，證明速度、距離等對車輛決策行為有顯著影響。雷朝陽等[10]針對信控區的通行延誤高和效率低的問題，通過多目標粒子群算法獲得最優車速，建立了車速引導模型，并對其進行驗證。Liao 等[11]采用最優控制思想，對交叉口類型和減速行為進行分類，利用分層控制，研究不同類型下的交叉口的減速停車行為，并構建了表征不同類型交叉口的駕駛行為模型。Aswad-Mohammed[12]采集了駕駛人的視覺數據，對信號交叉口的視覺注意力進行研究，將其與停車時間、車頭時距以及跟車類型進行關聯，從而分析出生理狀態與駕駛行為間的相互作用。為了對駕駛人加速過程進行研究，Wallace 等[13]提取加速事件中的加速度值，研究最大加速度與平均加速度之前的關系；Bosetti 等[14]對縱向加速度與速度之間的關聯性進行了分析。

由于電動汽車與傳統燃油車在動力構造上的不同，導致其駕駛人駕駛車輛時表現出的駕駛行為不盡相同。速度與加速度是最為直觀表現車輛微觀運動的特征參數?，F階段信控交叉口的駕駛行為的研究對象以傳統燃油汽車為主，未考慮電動汽車的特殊構造對駕駛人在信控交叉口的駕駛行為產生的影響，因此本研究對于抵近到駛出信號交叉口時電動汽車駕駛人的駕駛行為與其表現出的特征進行分析，為跟馳模型及微觀交通仿真提供參數的標定值，對電動汽車混行交通的安全管理具有一定的參考價值。

1 自然駕駛數據采集

1.1 實驗設計

1.1.1 實驗車輛選擇

在自然駕駛實驗中，為了充分考慮車輛運行過程的隨機性和行駛路段的多樣性，本文主要考慮的電動車輛類型為出租車與網約車。經過調研發現，武漢市普通網約車的年平均行駛里程一般為50000～120000km，月均行駛里程為4200～10000km；出租車的年平均行駛里程為80 000～100 000 km，月均行駛里程較為穩定，一般為7 000～8 000 km，相比較而言，網約車出車率浮動較大，存在待出租的閑置情況，相比較之下出租車出車率更穩定。因此，本文選擇某出租公司20 臺鎳鈷錳酸鋰電池的純電動出租車作為實驗車輛，如圖1。

圖1 實驗車輛—純電動出租車Fig.1 Experimental vehicle-pure electric taxi

1.1.2 被試人員選擇

參與本次自然駕駛實驗的被試人員篩選標準如下：

1）有駕照，駕齡在5年以上，并且熟知交通法規。

2）身體健康，最近5年內無重大疾病史。

3）無酗酒等不良嗜好。

根據上述篩選條件，選擇了20 名被試人員（其中，男16名，女4名）參與本次實驗，被試人員具體的人口統計學特征見表1。

表1 被試的人口統計學特征Tab.1 Statistical characteristics of experimenters

1.1.3 實驗過程

根據前文的分析，確定了實驗車輛與被試人員，本次實驗為自然駕駛實驗，在武漢市市區內城市道路上開展。實驗過程中不對實驗路線進行具體限定，亦不告知被試人員實驗目的，駕駛過程不對被試進行額外的操作規范限定，不對被試的駕駛行為做任何干預，均屬于被試自然駕駛習慣下的行為。被試自由駕駛實驗車輛，在城市道路上行駛。車輛啟動時，數據采集設備自動通電開啟，車輛運行數據開始采集，車輛熄火時，數據采集設備自動關閉，停止數據采集。

1.2 實驗數據采集與提取

1.2.1 數據采集與存儲

高質量的數據信息能更好地反映車輛的瞬態信息，本研究通過定制開發的高級駕駛輔助系統(advanced driving assistance system，ADAS)對駕駛行為數據進行采集。該系統通過接入車輛CAN 總線獲取本實驗所需的駕駛行為數據，包括車速和縱向加速度等，采集頻率為10 Hz，并以txt 文件格式保存；ADAS中的攝像頭同時采集車輛行駛時交通環境的連續視頻，視頻數據以mp4文件格式保存。同時，駕駛行為數據與視頻數據可通過采集/拍攝時間進行同步。

1.2.2 數據采集

本次自然駕駛實驗共收集了20臺實驗車輛，5 d內在市區內自然駕駛的數據，剔除部分缺失的數據，本次采集數據總時長共計396 h。由于本實驗場景為信號燈控制的路口，因此對獲得的數據進行片段提取。實驗中車輛駕駛行為分析階段的數據提取片段見圖2，t1至t2時間段為減速時間，即車輛在達到停止線前，車速由停止前峰值降為0的時間段，t2至t3為車輛在停止線前等待的時間，t3至t4為車輛由停止線啟動加速，速度由0 達到啟動后峰值的時間段。根據完整的加速、停止、加速過程共提取數據片段430條。

圖2 車輛駕駛行為分析階段Fig.2 Vehicl e driving behavior analysis stage

1.2.3 數據篩選

交通堵塞情況下道路交叉口的實驗數據不在本次的研究范圍內，原因在于發生交通堵塞時，被試駕駛人會頻繁及無規律的切換操縱加速踏板和制動踏板，而此類加減速行為受到道路交叉口實際擁堵狀況、前車行駛狀態、駕駛人實際駕駛判斷的影響更大，導致在此種情況下無法較為準確的反映出駕駛人的自然加、減速行為特征，故該段實驗數據可不納入分析范圍。當被試在信號交叉口等待通行時，如停止線前有其他車輛在等待，當綠燈變亮后，被試的駕駛行為受前方車輛行駛狀態干擾較大，因此只保留被試駕駛的車輛位于信號交叉口車輛停止線第一位的實驗數據。獲取實驗片段后，對照ADAS 中的攝像頭獲取的視頻數據，根據以上標準，人工進行片段篩選。實驗片段中主要包含車輛在運行過程中的速度、加速度等數據，通過確定了汽車在交叉口的停車點位，即車速曲線為零的點位，截取其前后的速度曲線波峰點分別作為減速行為開始點和加速行為結束點，此為車輛在信號交叉口的數據采集范圍，如圖3。通過以上標準進行篩選后，最終共篩選出96條減速數據和78條加速數據。

圖3 信號交口速度加速度數據示例Fig.3 Example of speed and acceleration at signalized intersection

2 信號交叉口電動汽車縱向加速度特征分析

本文主要研究內容為電動汽車駕駛人在信號控制交叉口時的車輛加速起步和減速停車的駕駛行為，利用汽車在交叉口的縱向加、減速度值，將駕駛人在進入信號控制交叉口后的駕駛行為分為加速行為與減速行為。

2.1 縱向加速度累積頻率分析

將實驗中采集的被試在信號交叉口減速至停止與從停止到起步加速的過程中的縱向加速度進行平均計算，得到被試在通過信號交叉口過程中的平均減速度、平均加速度值，同時提取整個過程中縱向加速度的峰值加速度、峰值減速度，按照絕對值大小排列后繪制平均加/減速度和峰值加/減速度的累積頻率曲線，如圖4 所示。由圖4 可知：整體減速度累積頻率曲線均高于加速度累積頻率曲線。當累積頻率較低時，平均減速度與平均加速度有重合部分，隨著累計頻率的增高二者之間的差距逐漸緩慢增大，而峰值加速度則始終大于峰值減速度。電動汽車在加速過程中電機的轉速轉矩特性使電機在不需要預熱的情況下直接啟動，并且很快達到需求轉速，達到較高的加速度，因此加速度的值會大于減速度值[15-16]。

圖4 信號交叉口縱向加/減速度累計頻率曲線Fig.4 Cumulative frequency curves of longitudinal acceleration at signalized intersection

龍巖松等[17]利用傳統燃油車的自然駕駛實驗數據，觀察車輛在信號交叉口的加速度特性，其結論為平均值、峰值減速度累積頻率曲線均低于加速度累積頻率曲線。減速度的幅值主要是由路面摩擦系數決定，而加速度幅值由發動機輸出扭矩和傳動扭矩決定，對于傳統燃油車來說，其能夠達到的最大加速度遠小于最大制動減速度。該結論與本研究結論完全不同，說明電動汽車與傳統燃油車在動力構造上的差異導致其駕駛行為亦存在差異。電動汽車具備的動力回收系統，使得部分駕駛人會依賴動力回收系統，減少踩剎車踏板頻率和次數而達到車輛減速效果[18]，在動力回收系統和制動系統的雙重作用下達到平穩駕駛目的。

2.2 縱向加速度概率分布分析

實驗中采集了在信號交叉口減速至停止與從停止到起步加速的過程中，被試駕駛車輛的縱向加速度數據，并繪制縱向加速度概率分布曲線，如圖5所示，平均加速度、平均減速度曲線均呈正偏態分布，平均減速度與峰值減速度的概率分布曲線中的偏好值均小于平均加速度與峰值加速度的偏好值?？v向加速度值較小時，減速度大于加速度值；然而縱向加速度值較高時，加速度值高的概率大于減速度，這說明電動汽車駕駛人加速過程中更容易采用較高的加速度值，這與電動汽車動力構造特征密不可分。龍巖松等[19]在針對燃油車的研究中發現，當縱向加速度超過偏好值時，減速度明顯大于加速度，與本研究的結論相反。

圖5 縱向加/減速度概率分布曲線Fig.5 Probability distribution curves of longitudinal acceleration

2.3 縱向加速度特征值分析

通過獲得的縱向加速度數據，提取其統計值和特征分位值，見表2?？v向加速度的特征分位值可以為信號交叉口微觀仿真提供參數標定參考值，也可以為城市道路運行速度模型中加、減速度的參數標定提供一定的參考。

表2 縱向加速度的統計值和特征分位值Tab.2 Statistics and characteristic percentiles of longitudinal acceleration單位：m/s2

目前，各類道路交通設施的設計均采用第85%分位的駕駛行為參數作為控制依據，大多數學者對駕駛行為的研究也是基于第85%分位值，理由是用于描述駕駛行為的速度、加速度等參數的累積頻率曲線斜率一般在第85%分位發生突變[20]。對本文圖4中的累積頻率曲線的斜率進行計算，在第85%分位左右平均加速度累積頻率曲線的斜率產生不平穩的變化，意味著大于此位置平均加速度的數據較少。而平均減速度、峰值加速度、峰值減速度的累積頻率曲線斜率突變點均為第90%附近。因此，對于電動汽車而言，采用第85%～90%分位的特征值對信號交叉口縱向加速度進行表征。

本節從縱向加速度的累積頻率、概率分布和特征值3 個方面進行分析，通過累積頻率可以得知駕駛人在信號控制交叉口加減速行為的縱向加速度值的中位值等不同的分位值，對道路設計、仿真參數標定都具有研究意義，概率分布則表征了電動汽車駕駛人加速度的概率，反映出電動汽車駕駛人的偏好，也從側面表現出電動汽車的動力學特性。

3 信號交叉口電動汽車速度特征分析

3.1 速度與距停止線距離關聯分析

抵近信號交叉口時，車輛的減速行為是駕駛人根據道路狀況、停車距離進行預判，而使得車輛能夠安全穩定的在停止線前速度降為0的過程。提取所有被試駕駛人在信號交叉口前的減速初速度和減速距離，繪制散點圖，并對散點數據進行線性擬合。減速距離與初速度關系擬合見式（1），其相關系數R2=0.679，加速距離與穩定速度關系擬合見式（2）,其R2=0.683。

如圖6（a）所示，當初速度為較低水平時，速度點集中在擬合線型的附近，當初速度逐漸增大時，散點的離散程度也隨之增大。當初速度越大時，所需要的減速距離越長，在減速過程中，速度的變化差異性增大，因此初速度越高，散點的離散程度越大。原因在于：速度較大時，駕駛人對距離的把控更加敏感，在距離停車線仍有一定距離時會提前開始減速行為，且駕駛人會依據前車的加減速行為對本車速度進行調整。此結論與張高峰等[21]利用無人機采集的城市交叉口交通視頻數據得出的車輛時空圖中結論一致，車輛距停車線越近，即減速距離越短，其減速初速度越小。

遠離信號交叉口時，車輛的加速行為是1 個加速度持續變化直到達到穩定的行駛速度的過程。如圖6（b）所示，當穩定速度較低時，散點的分布較為集中，與較高的穩定速度水平相比當速度達到中等水平時，穩定速度與加速距離的散點反而更加分散。原因在于：加速距離短時，表明此時交叉口交通流較大，駕駛人為保證安全，無法長時間持續加速，穩定速度為中等速度時，加速距離散點較分散，意味著此時道路交通狀況對加速距離的影響較大，散點在速度為40～60 km/h區間分布密集，表明此為城市道路的合理車速。

圖6 速度與距停止線距離關系Fig.6 Relationship between speed and distance from stop line

3.2 速度與加速度關聯分析

將所有被試車輛的行駛速度與縱向加速度實測數據繪制散點圖，并繪出第5%，50%，95%分位加速度曲線，如圖7。由圖7 可知：信控交叉口整體縱向加速度呈橢圓分布，當車速較低時，隨著車速的增大，制動減速度也在增大，各散點逐漸發散，當速度逐漸增大時，減速度處于波動的狀態，緩慢減??；與此相似，當車輛逐漸加速駛離信控交叉口，速度較低時，隨著車速的增大，加速度也在逐漸增大，車速處于中高速時，加速度以波動的狀態緩緩減小。由此可知：電動汽車駕駛人剛離開停止線，開始加速時，趨向以較高的加速度開始加速，以求在更短的加速時間內達到平穩的行駛狀態，而在速度達到較高時，加速度減小，此時的車輛已經趨近穩定的行駛狀態，只需以較小的加速度以適應交通狀況的變化。當電動汽車駕駛人逐漸抵近信號交叉口時，會首先采用較小的減速度，由于速度較快，此時離信控交叉口距離尚遠，較小的減速度能夠使速度平穩下降，接近停止線時根據實際狀況會采用合適的較大減速度，使車輛完全停止，以防過線。

圖7 縱向加速度分布隨速度變化關系Fig.7 Relationship between longitudinal acceleration distribution and velocity

4 結束語

本文通過電動汽車自然駕駛實驗數據，對電動汽車駕駛人在信控交叉口的駕駛行為進行了一定的分析，得到以下結論。

1）電動汽車駕駛人更易在加速過程中采用更高的加速度。當累積頻率較低時，平均減速度與平均加速度有重合部分，隨后二者之間的差距隨著累計頻率的增高逐漸緩慢增大，而峰值加速度則始終大于平均加速度。這是由于電動汽車在加速過程中電機的轉速轉矩特性可以使電機在不需要預熱的情況下直接啟動，并且很快達到需求轉速，達到較高的加速度。

2）在第85%分位左右平均加速度累積頻率曲線的斜率產生突變，而平均減速度、峰值加速度、峰值減速度的累積頻率曲線斜率突變點均為第90%分位附近。因此，對于電動汽車而言，建議采用第85%～90%分位的特征值對信號交叉口縱向加速度進行表征。

3）駕駛人在信控交叉口減速與加速行為與實時速度和離停止線的距離都有較為明顯的關系。且在接近和剛遠離停車線時電動汽車駕駛人都偏好采用較高值的縱向加速度。

道路交叉口的交通安全提升對于道路安全具有重要意義。本文對于信控交叉口電動汽車駕駛行為的研究中，縱向加速度的特征分位值可以為信控交叉口微觀仿真研究中提供參數標定參考值，在電動汽車混行交通安全管理法及道路設計規范的制定提供借鑒。本研究中未考慮道路參數對電動汽車駕駛行為的影響，且因為各方面條件的制約，參與到實驗中以作為樣本進行統計的總量較少，在后續的研究中將從不同的道路類型來對電動汽車駕駛人在信號控制交叉口的駕駛行為進行分類研究，并擴大樣本數量，以期獲得更為準確的結論。