第21卷第2期2023年06月
交通运输工程与信息学报
Journal of Transportation Engineering and Information
Vol.21No.2
Jun.2023
文章编号：1672-4747（2023）02-0014-15
跟驰自动驾驶车时人驾车行为研究：
：实证与建模
刘怿轩1，张慧永*2，王猛3，吴欢4，宗芳4
（1.中汽研汽车检验中心（武汉）有限公司，武汉430000；2.一汽-大众汽车有限公司，技术开发部，长春130011；
3.中国科学院，文献情报中心，北京100190；
4.吉林大学，交通学院，长春130022）
摘要：随着中国新基建战略的提出及自动驾驶和网联通信技术的不断发展，智能网联车辆（Con-nected and Automated Vehicle，CAV）、自动驾驶车辆（Autonomous Vehicle，AV）和人工驾驶车辆（Human-driven Vehicle，HDV）混行的状态将在未来一段时间内存在。在混行条件下，车辆间的交互影响模式将发生变化。本文以HDV跟驰AV的驾驶行为为研究对象，通过分析驾驶实验数据将跟驰AV时HDV的驾驶风格量化并分为迟疑型、平稳型和信赖型三类。同时考虑驾驶风格、车辆的转弯能力和转弯半径等参数改进智能驾驶人模型（Intelligent Driver Model，IDM），建立了前车为AV时的HDV跟驰模型。该模型通过对三类不同风格HDV跟驰AV时的驾驶参数的标定，能根据不同跟驰风格采取相应的跟驰策略。经数据拟合检验，该模型在启动加速、匀速行驶和制动减速阶段均能以较高精度拟合实际驾驶数据，其中直行跟驰的平均拟合精度为
96.2%，转弯跟驰的平均拟合精度为91.4%。可见，本文提出的模型可以刻画HDV跟驰AV时的
行为特征。在目前难以进行大规模混流实车实验的情况下，可用于混流条件下的跟驰行为仿真，也可为未来AV及HDV混行交通流的道路交通管理及基础设施设计等提供理论依据或模型基础。
关键词：交通工程；跟驰模型；混行交通流；驾驶风格；数值仿真
中图分类号：U491.1文献标志码：A DOI:10.19961/jki.1672-4747.2022.04.011 Analyzing human driving behavior when following autonomous vehicles:
real vehicle testing and modeling
LIU Yi-xuan1,ZHANG Hui-yong*2,WANG Meng3,WU Huan4,ZONG Fang4
(1.CATARC Automotive Test Center(Wuhan)Co.,Ltd.,Wuhan430000,China;2.Technical Development
Department,FAW-Volkswagen Automotive Co.,Ltd.,Changchun130011,China;3.National Science Library, Chinese Academy of Sciences,Beijing100190,China;4.Transportation College,Jilin University,
Changchun130022,China)
Abstract：The proposal for new infrastructure construction strategies,combined with the develop-ment of autonomous driving and connected network communication technologies,will contribute to
a traffic flow mixed with connected and automated vehicles,autonomous vehicles(AV),and human-
driven vehicles(HDV).The interaction patterns among vehicles under mixed traffic conditions will differ
compared to the driving scenario of a single vehicle type.Therefore,this study investigates the driving behavior of HDVs following AVs.The data collected from actual vehicle tests are analyzed 收稿日期：2022-04-21录用日期：2022-07-19网络首发：2022-07-26
审稿日期：2022-04-21~04-22；05-05~05-10；07-01~07-11
基金项目：国家自然科学基金项目（61873109）
作者简介：刘怿轩（1997—），男，硕士研究生，研究方向：交通流理论，E-mail：*******************
通信作者：宗芳（1979—），女，教授，博士研究生导师，研究方向：交通流理论，E-mail：****************
引文格式：刘怿轩，张慧永，王猛，等.跟驰自动驾驶车时人驾车行为研究：实证与建模[J].交通运输工程与信息学报，2023，21(2)：14-28.
LIU Yi-xuan,ZHANG Hui-yong,WANG Meng,et al.Analyzing human driving behavior when following autonomous vehicles：real vehicle testing and modeling[J].Journal of Transportation Engineering and Information，2023，21(2)：14-28.
to quantify the car-following behavior of HDVs following AVs,and the driving styles are divided in-to three ,hesitant,steady,and trusting.By considering driving styles,turning ability, and turning radius,we improve the intelligent driver model to construct the driving model of HDVs following AVs.By calibrating the parameters of three types of drivers with different driving styles re-spectively,the model can be adopted to express the driving strategies of different driving styles.The fitting test results show that the model can fit the actual driving data with high precision during start-ing acceleration,uniform driving speed,and braking deceleration,with an average fitting accuracy of 96.2%and91.4%in the straight-and turning-following,respectively.The proposed model can de-scribe the HDV-AV following characteristics and simulate the car-following behavior when large-scale actual vehicle experiments for mixed traffic are difficult.In addition,it can assist road traffic management and infrastructure layout.
Key words:traffic engineering;car-following model;mixed traffic flow;driving style;numerical simulation
0引言
随着智能化和自动化技术的不断发展，人工智能崭露头角。汽车自动驾驶将人工智能和驾驶技术相结合，利用车载传感器收集车内外的环境数据并进行静、动态物体的辨识、侦测与追踪等，同时基于GPS
和高精地图进行实时路径规划，提高车辆的通行效率和安全性。因此，自动驾驶将成为未来道路交通的主要发展方向[1-4]。但由于智能化和自动化的发展并未完全成熟，自动驾驶车辆（Autonomous Vehicle，AV）也受到政策和市场占有率等方面的限制，在未来很长一段时间内AV和人工驾驶车辆（Human-driven Vehicle，HDV）混行的状态将持续存在。不同类型车辆间存在不同的交互机理并且在混流行驶初期AV的外观与HDV 具有一定差异，HDV在跟驰AV时可能会采取与跟驰HDV时不同的驾驶行为。因此，对混行车辆间的耦合机理进行合理解析和拟合对于混流状态下的车辆控制和交通仿真均具有重要意义。
数据显示，约85%的交通事故与驾驶人有关[5]，而驾驶人心理往往对驾驶人的驾驶行为起到重要作用[6-7]，越来越多的学者从驾驶人的跟驰心理入手，研究不同驾驶心理对跟驰行为的影响。因此在混流行驶初期，由于AV和HDV存在可视化外观差异，对HDV驾驶人在不同跟驰情况下的驾驶心理研究是必要的。
跟驰行为作为一种常见的微观驾驶行为，描述了单车道上两辆相邻车辆之间的相互作用。随着自动驾驶技术的发展，大量学者对混行条件下的跟驰行为进行了研究，如Cao等[8]在混流仿真中引入前车速度项改进的IDM模型作为HDV跟驰模型，通过城市道路模拟实验，评估不同AV渗透率下拥堵道路的排队时长。Milanes和Shladover[9]基于真实实验数据对自适应巡航控制（Adaptive Cruise Control，ACC）模型进行研究，提高了跟车的平稳性。Zhou等[10]建立了四车道元胞自动机交通建模框架来模拟协同自适
应巡航控制（Coopera-tive Adaptive Cruise Control，CACC）车辆和HDV 之间的交互，提出了三种协同驾驶策略，并研究了协同驾驶策略对混合四车道交通流的影响。Song 等[11]在混流环境下提出了切换多目标后退水平的预测控制方法，针对不同的交通场景分别设计了三种多目标预测CACC控制器，实现了混流条件下包括六辆车的仿真实验，结果显示该控制方法可提高车辆的行驶安全性。Kesting等[12]建立增强智能驾驶人模型拟合AV的驾驶行为，仿真结果表明该模型控制下的车辆可以有效提高动态瓶颈的容量。宗芳等[13]综合考虑前后多车车头间距、多前车速度差、加速度差、车头间距等因素，对FVD模型进行了改进，实现了混流条件下典型场景的数值仿真。朱冰等[14]考虑前车运动的不确定性建立了前车运动的高斯过程模型，利用近端策略优化算法求解前车运动不确定条件下的车辆纵向控制问题，并基于随机采样方式进行车辆纵向跟驰控制的迭代学习。秦严严等[15]以经典的智能驾驶人模型（Intelligent Driver Model，IDM）为基础，通过考虑与前车的速度差建立AV的跟驰模型。仿真结果显示，改进后的自动驾驶模型可有效缩小混合交通流不稳定区域，降低混合交通流在全速度
刘怿轩等：跟驰自动驾驶车时人驾车行为研究：实证与建模15第2期
范围内稳定时所需的最低AV渗透率。
现有文献中，关于混行条件下HDV跟驰AV 的建模研究较少。部分学者分别采用不同的传统模型作为不同类型车辆的跟驰模型，如Zheng等[16]分别选择最优速度（Optimal Velocity，OV）模型和反馈控制模
型用来描述在混流条件下HDV和AV 的驾驶行为，并发现随着AV数量的增加交通流的效率也逐渐提高。另一部分学者基于同一传统模型进行不同类型车辆的跟驰建模研究，如秦严严等[17]以Newell跟驰模型作为HDV的跟驰模型，通过设置不同的车头间距分别对HDV跟驰AV（后文均简称为HDV-AV）和HDV跟驰HDV（后文均简称为HDV-HDV）进行仿真。姚志洪等[18]基于经典BPR阻抗函数考虑HDV跟驰AV时的不同车头时距，推导出混流路段阻抗函数模型。但他们并未关注到HDV跟驰AV时采取的加减速策略与HDV 跟驰HDV时的不同。
综上所述，在混行环境下，学者们更关注AV 的跟驰模型，在HDV跟驰AV的建模方面更多采用传统HDV跟驰HDV的模型，在改进传统模型方面所考虑到的因素不够全面，例如与跟驰HDV不同的加减速特性等。而且，也未关注到不同HDV 驾驶人由于跟驰AV时的不同跟驰心理可能产生的不同跟驰风格，进而采取的差异化驾驶行为。因此，本文将通过设计实车实验寻HDV跟驰HDV与跟驰AV时驾驶特性的不同，考虑驾驶人的心理因素，建立HDV-AV跟驰模型，并通过仿真实验验证模型的有效性。
1HDV-AV跟驰特性实证分析
1.1驾驶实验数据
以往研究通常将驾驶人的驾驶行为分为激进型、普通型和保守型三类[19]。不同类型驾驶人在跟驰HDV时会采取不同的驾驶行为。但若跟驰的前车为AV，由于在自动驾驶技术发展过程中的相当长一段时间内
AV在外观上与HDV都将有所不同，并且驾驶人对待AV可能有不同的心理特征，因此HDV跟驰AV时也同样具有多种驾驶风格。为准确地对HDV跟驰AV的驾驶风格进行分类，本文以在“国家智能网联汽车应用（北方）示范区”进行的跟驰实验的驾驶数据作为数据样本，该示范区建有封闭测试道路和多个典型的智能网联汽车测试场景，还配备有多辆L4级别的AV。模拟实验无其他背景车辆且共设置两个驾驶场景，分别为直行跟驰场景和转弯跟驰场景。为使实验过程能覆盖信号交叉口内车辆所有可能的速度变化，如表1所示，两种驾驶场景均设置启动加速行驶、匀速行驶和制动减速行驶三种驾驶行为。
表1实验场景设置
Tab.1Experimental scene
settings
被试驾驶人驾驶HDV分别在HDV-AV和HDV-HDV两种情况下完成以上6种驾驶行为。当跟驰情况为HDV-AV时，AV按照设定程序执行6种驾驶行为，被试驾驶人驾驶HDV作为受试车进行跟驰；当跟驰情况为HDV-HDV时，作为前车的HDV模拟AV程序所设定的驾驶行为，被试驾驶人驾驶作为受试车的HDV进行跟驰。所有实验车辆均装载车载单元，实时记录车辆的行驶数据。由于被试驾驶人对待AV有不同的心理，其对AV的认可程度和跟驰AV时的期望跟驰行为也会产生较大差异，因此对照实车测试场景对被试驾驶人进行了的HDV-AV的跟驰问卷调查。从两方面进行数据采集，分别为被试驾驶人对AV的自动驾驶技术、安全性、行驶效率、驾驶决策等的认可程度（调查问卷1~5小题），以及启动加速行驶、匀速行驶和制动减速行驶这三种跟驰场景中的期望车距、紧张程度及车距变化后可能的驾驶行为（调查问卷6~17小题），并为每一问题设置可选分值0、1、2、3、4。
本文从实验样本集中选取两个调查日共87名志愿者作为被试驾驶人样本。因为驾驶人平常驾驶中的态度、思维模式和驾驶行为的习惯是由驾驶人的驾驶经验累积而成，并且一旦形成，除非遭遇重大事故，在以后的驾驶过程中都将趋于稳定[20]。在剔除驾龄一年以内尚未形成稳定驾驶风格的无效样本和数据失真的无效样本共计13人后，剩余74名被试驾驶人的驾驶数据被视为有效样本。其中52名被试驾驶人的数据（约70%的数据）作为实验样本组用于数据分析和模型建立，其
16交通运输工程与信息学报第21卷
余22名被试驾驶人的数据（约30%的数据）作为模型验证组用于仿真验证。实验样本组中男性34
名，女性18名。被试驾驶人年龄、驾龄和日驾驶时长分布如图1
所示。
（a ）被试驾驶人年龄分布（b ）被试驾驶人驾龄分布（c ）被试驾驶人日均驾驶时长分布
图1被试驾驶人基本情况Fig.1Personal profile of the tested driver
1.2HDV跟驰AV与跟驰HDV的驾驶行为对比分析
分别对实验组的被试驾驶人跟驰AV 和跟驰
HDV 时最大加速度、车头时距和最大减速度进行统计（见表2），分析在不同跟驰场景下的跟驰特性。
表2不同场景下的跟驰特性分析
Tab.2Characteristics analyzed in different scenarios
由表2可看出，HDV 跟驰AV 的最大加速度主要分布区间为[0.80,1.83]m/s 2，HDV 跟驰HDV 的最大加速度主要分布区间为[0.59,1.75]m/s 2。由此可知，相比于跟驰HDV ，跟驰AV 时的加速度均值更大，说明在跟驰AV 时，HDV 倾向于保持较高的最大加速度，即更偏向于踩油门加速以更快达到期望速度。此外，HDV 跟驰AV 时车头时距的分布范围为[0.83,3.68]s ，跟驰HDV 时车头时距的分布范围为[0.77,3.39]s 。可以看出，跟驰AV 时车头时距的波动空间大于跟驰HDV ，说明在跟驰AV 时HDV 有保持更大车距的意愿。在最大减速度方面，跟驰AV 和跟驰HDV 的最大减速度主要分布区间分别为[0.99,3.21]m/s 2和[1.40,2.77]m/s 2。可以看出，跟驰AV 时最大减速度平均值相比于跟驰HDV 时更小，说明HDV 在跟驰AV 时倾向于用更小的减速度进行减速，即其减速过程更平滑。
由此可知，对于不同类型的领导车，HDV 的跟驰行为会有显著差异。当领导车为AV 时，相比于领导车为HDV ，驾驶人普遍偏好更大的加速度、更大的车头时距和更小的最大减速度。因此，传统
跟驰模型的参数设置在跟驰AV 时适用性不高，亟须建立专用于刻画HDV-AV 特性的跟驰模型。1.3驾驶风格量化及特性分析
为考虑驾驶人跟驰AV 时的心理因素，将利用调查问卷对驾驶人进行风格分类。首先对问卷分别进行信度分析和效度分析。其中，信度分析采用克隆巴赫信度系数α（Cronbach ’s alpha ）作为评估参数。研究表明，在探索性研究中，信度只要达到0.7就可以接受，0.8以上均属于高信度，而低于0.6则属于低信度，必须予以拒绝[21]。克隆巴赫信度系数α的计算公式为：
α=
J
J -1()
1-∑J =1J
σ
2
j
σ2
T
（1）
式中：J 表示问卷所设问题的数量（J =17）；σj 表示问卷中第j 个问题得分的方差；
σT 表示问卷中得分的方差。经计算，本问卷α=0.83，说明信度较高。
采用效度分析方法能有效分析问卷的有效性和准确性。本文采用Pearson 相关系数r 作为效度
刘怿轩等：跟驰自动驾驶车时人驾车行为研究：实证与建模17
第2期
评估参数[21]。各题目得分与总得分的相关系数r 的计算公式为：
r =
∑(x i
中国汽车模型网-
x
ˉ)(y i -y ˉ)∑(x i
-x
ˉ)2
(y i
-y ˉ)2
（2）
式中：
x i 和x ˉ分别表示待计算问题的第i 个被试驾驶人的得分及该问题的平均值；
y i 和y ˉ分别表示第i 个被试驾驶人的总得分及总得分的平均值。
问卷所设17个问题的相关系数计算结果如表3所示，所挑选的所有问题得分和总分数显著相关，符合高质量问卷的效度标准，说明本问卷效度较高。
表3驾驶人风格调查问卷分析Tab.3Questionnaire to analyze driver-style
注：**表示在0.001水平（双侧）上显著相关；*表示在0.05水平（双侧）上显著相关。
在分析多变量数据时发现部分变量间的相关度高，
容易消耗计算资源且高相关性变量将对模型拟合结果产生影响。因此我们通过对原始数据
的指标变量进行变换来避免变量间相关性。主成分分析是一种通过正交变换将一组高维且可能存在相关性的变量降维转换成一组低维不相关变量的方法，而且这些彼此间互不相关的新变量在尽可能保持原有信息的同时减少了信息的重叠[22-23]。因此，采用主成分分析法对问卷结果进行分析，得到碎石图2及主成分贡献率表4。
图2
主成分分析碎石图
Fig.2Rubble diagram of principal component analysis
表4主成分贡献率表
Tab.4Contribution rate of principal component
通过图3和表2可知，前4个主成分的累计贡献率达到85.20%，满足累计贡献率达到85%的原则，因此，选择前4个主成分作为主成分因子，其成分矩阵如表5所示。
对各主成分进行结构分析，第一主成分在第1、3、4题上有中等程度的正载荷，且其余标准化变量上都有相近的正载荷，可以认为主要表达HDV 跟驰AV 时考虑的驾驶效率。将各驾驶人以第二主成分得分进行排列后发现在第二主成分上得分较高的驾驶人的总得分要么极高要么极低，在第二成分上得分较低的驾驶人的总得分处于中等水平，可以认为第二主成分反映HDV 跟驰AV 时的
18交通运输工程与信息学报第21卷
发布评论