V2X环境下基于圆风险域的交通冲突识别模型

赵红专 ， 代静 张继康 李文勇 展新， 周旦

1）桂林电子科技大学广西智慧交通重点实验室，广西桂林 541004；2）东风柳州汽车有限公司商用车技术中心，广西柳州 545000

中国的城市发展已进入快车道，特大城市或城市群的不断涌现，以及居民出行需求的日益提升，对城市道路交叉口的交通运行提出巨大挑战，发展城市快速路为缓解城市交通运行压力、提高城市道路交通服务水平［1］提供了契机.然而，由于快速路的交通量大，路网复杂，车辆的速度变化不稳定以及换道频率高，导致快速路存在潜在的交通冲突风险和安全隐患，这在入口匝道区域尤为显著.准确识别入口匝道区域的交通冲突能够有效减少由于冲突引发的车辆碰撞，缓解交通事故的严重程度，提升快速路匝道区域车辆运行安全［2］.

交通冲突的内涵包括：① 交通参与者双方是否有避险行为［3］，此类内涵可以通过刹车灯亮起以及车辆换道行为进行直观判断，但是涉及到车辆状态以及驾驶人反应能力，而且一些正常换道与减速行为也可能被识别为交通冲突，因此，难以被定量的定义和观测；② 2个或2个以上道路使用者在一定时间和空间上彼此接近，若保持原有运动状态不变就可能会有发生碰撞的现象［4］，该类内涵可以对接近的程度进行量化，但是度量指标并不普适，需要根据具体环境制定不同的指标，并且只考虑了交通冲突的可能性，并未考虑严重性.目前，后者的应用较为广泛，并已提出多种对应的交通冲突识别指标，如碰撞时间（time to collision， TTC）［5］、后侵入时间（post encroachment time，PET）［6］以及碰撞时间差［7］等，其中，TTC 适用于具有相同轨迹的追尾冲突，较难识别出有角度的变道冲突.GUO 等［8］提出二维时间碰撞（two-dimensional time to collision，2D-TTC）用于识别换道冲突，采用深度确定性策略梯度（deep deterministic policy gradient， DDPG）算法在连续动作空间中学习连续决策过程，对识别出的安全危急情况下的规避行为进行建模，通过计算检测到的冲突风险与存档的崩溃之间的高度相关性，证实2D-TTC 有效，解决了有角度变道冲突识别难的问题.此外，PET没有考虑两车实时的微观交通数据，只能对已发生的冲突进行评价.因此，郭伟伟等［9］摒弃传统单一指标的判定方法，构建以速度、距离和角度等变量为核心参数的综合交通冲突识别模型，以提高交通冲突的识别精度，但其忽略了车辆加减速度的影响.吕能超等［10］考虑车辆规避行为和时空接近性识别交通冲突，从已有交通数据库中提取不同类型的交通冲突，但未考虑车辆物理因素等对冲突的影响.

上述研究均为在传统交通环境下解决交通冲突问题，随着通信技术的发展，V2X（vehicle to everything）为解决交通冲突问题提供了新思路.基于协同驾驶和无线通信的匝道车辆合并方法［11-12］是缓解合流冲突的重要途径，网联汽车技术有利于降低人为因素导致的合流冲突或碰撞［13］.FORMOSA等［14］利用交通数据和车内传感器数据对交通冲突进行实时预测，利用V2V技术交换冲突感知数据，降低车辆碰撞风险.WANG 等［15］以最小未来距离（minimal future distance， MFD）为指标，结合车辆实时状态和道路几何特征，提出一种碰撞预测算法，以减少交通冲突.潘福全等［16］提出一种交叉口智能控制策略，使冲突车辆能够交替穿插驶过冲突点，提升交叉口运行效率.MU 等［17］利用深度学习和超限学习对智能交通流量数据进行预测训练，为解决冲突问题提供基础，但其未考虑车路协同环境对冲突预警的影响，因此，汪旭［18］基于车联网技术建立碰撞风险分级预警模型，研究车路冲突行为，但未考虑车辆物理特性的影响.刘兵等［19］也提出一种复杂交织区车辆换道风险识别方法，描述车辆在不同位置的换道行为差异，为网联环境下的冲突预警提供理论支持.

目前大多研究集中在通过网联车辆技术改善因合流冲突造成的安全问题，而综合考虑车车、车路之间协同，改善合流冲突的研究较为少见，且鲜有研究考虑车辆物理条件对合流区域冲突的影响，对冲突风险程度等级的划分亦有局限性.本研究从车辆与路侧设备融合的角度，基于V2X技术研究快速路匝道区域交通冲突识别问题.结合车辆位置、速度、加速度以及车辆宽度、长度，构建基于圆风险域假设的交通冲突识别模型，研究冲突风险程度的细化方法，以期缓解合流区域的交通冲突，降低交通事故的发生概率，提高匝道区域整体运行效率.

1 基于圆风险域假设的交通冲突识别模型

风险域本是经济学中的一种术语，本研究将风险域的概念引入交通冲突领域，把每个单一的行驶车辆类比为1个风险域核心，利用匝道区域的车辆合流关系将主线车辆和匝道车辆联结起来，考虑车辆物理特性，建立1个圆形的可视化风险区域，将相邻车辆运动简化为两个圆风险域的运动，以两圆的位置关系为切入点，利用V2X技术分析车辆冲突行为.采用累积频率曲线法确定冲突风险等级阈值，选取冲突识别率和车辆通行效率作为模型的评价指标，研究V2X环境下入口匝道合流区的交通冲突识别.

1.1 匝道合流区的交通冲突问题描述

城市快速路一般由主线和匝道构成.在匝道合流区，车辆经常会出现变道、加减速、停车甚至超车等行为，使该区域的空间利用率低，易发生交通冲突.由于入口匝道车辆和主线最外侧车辆之间的冲突异常明显，本研究主要针对匝道车辆和主线最外侧车辆之间的合流冲突展开.

图1为典型的城市快速路入口匝道合流区示意图，其中，主干道为3车道；匝道为单车道.根据合流区客观实际，对本研究场景做出以下描述：

图1 典型入口匝道区域交通冲突Fig.1 Typical on-ramp area traffic conflict.

1）仅考虑匝道车辆和主线外侧车辆之间的合流冲突；

2）将合流车辆驾驶轨迹与主线车辆驾驶轨迹的交叉点称为合流冲突点；

3）将由两个不同方向车辆在横向上不断靠近所产生的车辆间的相互干扰现象，定义为匝道入口区的交通合流冲突.

1.2 构建基于圆风险域假设的冲突识别模型

文献［20］将车辆运动类比为圆和直线的位置关系构建冲突识别模型，受此启发，本研究提出圆风险域假设的概念，将车辆运动类比为两圆运动，利用圆与圆的位置关系表征车辆冲突，利用到达风险域时间长短表征冲突风险程度大小，细化冲突风险特性，进而构建基于圆风险域假设的冲突识别模型.

首先考虑车辆车身长度和宽度.将车辆简化为1个质心为(x，y)、半径为R的圆风险域，第n辆主线车辆和第m辆匝道车辆就形成两个相对运动的圆风险域.半径R可表示为

其中，Rn为主线车圆风险域半径；Rm为匝道车圆风险域半径.

以两个圆风险域为切入点，研究其横向和纵向运动.当其中1个圆风险域不断接近另一个圆风险域，且二者处于临界状态或者有交叉区域时，表明车辆之间存在交通冲突，反之则两车不存在任何冲突.由于本研究针对匝道车辆和主线最外侧车辆因横向和纵向不断接近产生的合流冲突，因此，首先需要确定R，考虑到圆风险域半径R受车辆宽度Wn、Wm及车辆长度Ln、Lm的影响，Rn和Rm可表示为［20］

1.2.1 主线车辆圆风险域模型参数

主线车辆n的初始运动参数状态An为

其中，xn和yn为车辆n的位置坐标；vxn和vyn分别为x和y方向的初始速度；axn和ayn分别为x和y方向的加速度；φn为车辆n的行驶方向与x方向的夹角.则车辆n的行驶位置为

再由勾股定理得到车辆n的速度vn为

1.2.2 匝道车辆圆风险域模型参数

设匝道车辆m的初始运动参数状态Bm为

其中，xm和ym为车辆m的位置坐标；vxm和vym分别为x和y方向的初始速度；axm和aym分别为x和y方向的加速度；φm为车辆m的行驶方向与x方向的夹角.

同理可得车辆m的行驶位置和速度为

为了精确识别交通冲突，在车辆n的坐标系中，将n的质心设为坐标原点，构建两车直观的相对运动关系，如图2.此时，车辆m的质心坐标为(X"m，Y"m)、速度为(v"xm，v"ym)、航向角为φr，则m运动状态可描述为

图2 两车简化运动关系Fig.2 Two cars simplified movement relationship.

设dnm为主线车辆n和匝道车辆m的质心距离，其质心距离连线与x轴之间的夹角为ϕ，则

设车辆m与主线车辆的相对速度为vrel，则相对速度在直线dnm上的投影为

此时，两车之间的实际相对距离Ddis为

将1个车辆圆风险域运动到另一个车辆圆风险域的边界或内部的时间定义为冲突风险时间（time to conflict risk， TCR），因此，① 当TCR 足够大时，表示车辆之间没有任何冲突或潜在冲突迹象，无需对两车进行冲突分析；② 当TCR 足够小，即两个圆风险域到达对方边界或内部的时间越短时，则表示两车之间存在交通冲突，TCR 越小，冲突越严重，冲突风险也越大.若车辆之间有冲突迹象，且继续以当前状态行驶，则必然会在t时刻发生碰撞，此时，车辆n和m的Ddis为

本研究结合车辆的位置、速度和加速度，构建入口匝道合流区交通冲突识别模型为

其中，TTCR为冲突风险时间.

2 模型参数标定

2.1 数据采集

需收集的实验数据包括车辆速度、位置以及行驶状态等精确信息.本研究数据采集基于智能网联平台，选用智能网联试验车（图3）.试验车装有厘米级组合导航定位系统1 套、激光雷达3 个、毫米波雷达6个、整车传感器和车载通信装置（on board unit， OBU）1套及交换机2个.行驶过程中实时采集车辆信息并与路侧设备进行通信连接，实现信息交互.

图3 智能网联试验车Fig.3 Intelligent network test vehicle.

实验共得到511组轨迹数据，包括速度、加速度及位置等状态信息，见表1.

表1 实验获取的部分状态信息数据Table 1 Part of the state information data obtained from the experiment

主线车辆和匝道车辆的速度、加速度与交通冲突密切相关.智能网联车实时记录运行中的车辆速度、加速度及位置信息，并进行存储，便于后续分析.主线车辆速度一般大于匝道车辆速度，导致主线车辆在经过匝道合流区时会频繁变动车道或加减速制动，容易造成交通冲突.匝道车辆和主线车辆的行驶方向相同，具有一定的轨迹交叉，易引发车辆冲突.

2.2 模型参数标定

基于圆风险域假设的冲突识别模型以TCR作为冲突识别关键参数.通过智能网联试验车获取的511 组轨迹数据，对冲突过程中主线车辆和匝道车辆的状态参数进行分析，标定部分模型参数，具体包括：

1）车辆n和m的位置(xn，yn)和(xm，ym)

试验车通过路侧设备实时获取车辆位置信息，并自动存储车辆行驶轨迹.

2）L和W

本研究中的车辆一般为小型客车，根据小型车辆的平均取值，分别取L= 4 m、W= 1.6 m.

3）vn和vm

主线车和匝道车的速度由其x和y方向速度取值确定，设定速度范围，实时获取车辆速度.

4）an和am

车辆的加速度由x和y方向的加速度确定，匝道区域车辆的加速度一般取-5 ～ 2 m/s2.

3 模型冲突阈值判定及其等级划分

3.1 模型冲突阈值的判定

传统的冲突风险阈值仅考虑车辆的状态因素，考虑到匝道的几何特性对交通冲突也有一定影响，本研究通过滚动的方法确定冲突风险时间.利用路侧设备获取两个不同车道车辆的行驶状态，选取足够小的单位时间间隔Δt（本研究取Δt= 0.01 s），依次获取{Δt，2Δt，3Δt，…，NΔt}时刻的车辆质心位置和实际相对距离Ddis，其中，N为正整数.本研究中匝道区域为有加速车道且主线为3车道，车辆通过匝道区域的时间比无加速匝道区域要长，故设定N= 1 000.若获取到Δt～NΔt内存在某个时刻ψΔt（ψ为正整数，取值范围是［1，N］）后出现Ddis≤Rn+Rm的情况，则冲突风险时间为

由文献［21］可知，经典的冲突识别指标阈值PET与TTC 一般取0～6 s，故本研究认为冲突合并时间阈值 ≥ 6 s时不存在换道冲突.因此，当TTCR≥6 s 时，两车之间不存在冲突，即如果Δt～NΔt内始终都有Ddis＞Rn+Rm，则冲突风险时间为

由以上分析可知，当TCR ＜6 s 时，两车之间存在交通冲突；当TCR ≥6 s 时，两车之间不存在交通冲突，无需进行冲突严重性分析，具体的冲突风险时间判定流程见图4.

图4 冲突风险时间的判定流程Fig.4 The process of determining the time threshold of conflict risk.

3.2 模型冲突等级的划分

本研究利用累计频率曲线分析法确定冲突风险等级阈值.为对交通冲突风险等级进行判定，采用累计频率分布对本模型得到的部分TCR数据进行统计，结果如图5.可见，TCR 的15%、50%及85%分位数分别位于1.02、2.11 及3.90 s 附近.因此，本研究以1.02、2.11、3.90 及6.00 s 作为冲突风险等级的分界点，对TCR进行冲突风险分级.设定风险等级为4级时风险最大、1级最小，见表2.

表2 交通冲突风险等级划分Table 2 Traffic conflict risk classification

图5 TCR累计频率分布曲线Fig.5 TCR cumulative frequency distribution curve.

4 模型验证与分析

4.1 仿真案例设计

为验证本研究冲突识别模型的有效性，采用VISSIM 软件对中国南京市龙蟠南路快速路应天大道匝道合流区域的交通状况进行仿真.该路段匝道接地类型为地面道路中间车道连接型.该地区的实际调查数据为公开数据集(http://seutraffic.com/#/)，于200 m 高空连续拍摄9 min 5 s 所得，数据包含车辆速度、加速度、间距及车道信息，航拍路段长362 m，本研究截取300 m 区间作为研究长度，合流范围如图6.该区域为典型的快速路合流区，存在常发性车辆冲突，与本研究城市快速路合流区的交通状态相符.仿真运行时间为T，将合流区发生冲突的车辆数记为交通冲突数.

图6 合流区域示意Fig.6 Diagram of the confluence area.

利用应天大道数据集对模型中速度v，加速度a及航向角φ等参数进行初始设置，通过智能网联汽车实际收集的数据对初始参数进行矫正，以获得符合实际冲突水平的仿真参数，见表3.将是否采用模型下车辆的速度方差、平均行程时间及平均延误作为评价指标进行对比，分析模型有效性，具体仿真实验流程如图7.

表3 仿真参数设置Table 3 Simulation parameter setting

图7 仿真运行流程Fig.7 Flow chart of simulation operation.

4.2 车辆通行效率对比分析

在车辆到达合流区之前，主线车辆与匝道车辆可以通过路侧设备进行他车车辆信息感知，获取他车的速度、加速度及位置等状态信息，进而达到识别冲突的目的.对比采用识别模型和未采用识别模型两种情况下的车辆通行效率，结果见表4.

表4 通行效率统计Table 4 Efficiency of traffic statistics

由表4可见，采用本模型后主线车辆和匝道车辆在合流区的加减速次数变少，速度状态变化更平稳.采用冲突识别模型后，主线车辆通过匝道区域的行程时间缩短17.85%，延误时间降低22.07%；匝道车辆通过匝道区域的行程时间缩短23.53%，延误时间降低21.39%.采用识别模型前后车辆通过匝道区域的时间对比结果见图8，可见，实验初期是否采用识别模型对平均通行时间的影响不大，随着实验的进行，采用识别模型后车辆通行时间显著减少，表明本模型有效.由于在模型识别中引入圆风险域概念，使得驾驶员在行车时能够准确获得自车与他车之间的潜在车辆冲突，进而通过调整行车状态，减少了急加减速行为，使得主线和匝道车辆速度状态变化比无识别模型时更平稳，因此，合流区车辆行程时间及平均延误更小，有效提升车辆在合流区的通行效率.

图8 采用识别模型前后车辆平均通行时间对比Fig.8 Comparison of average vehicle travel times with (solid line with squares) and without (dashed line with circles) conflict recognition model.

4.3 冲突识别模型评价

由于传统交通冲突识别模型难以准确表征车辆之间的危险程度，在划分冲突风险等级后进一步进行冲突识别，使模型对一些轻微、不明显的冲突具有更高的识别率.通过不同风险程度的冲突识别衡量其冲突识别率，采用模型前后的冲突识别率结果对比见表5.可见，对于轻微冲突，本模型的识别率为99.84%，远高于不采用模型的74.03%，识别率提高25.81%.

表5 采用识别模型前后的冲突识别结果统计Table 5 Conflict statistical results with and without the conflict recognition model

将实际冲突数与采用识别模型前后的冲突数进行对比，结果见图9.可见，当冲突风险等级增大时，实际冲突数、采用模型识别结果和未采用模型的结果比较接近，这是由于等级越大，冲突严重程度越明显；当冲突风险等级变小时，未采用模型的实际冲突数与采用模型后的差距增大，采用模型后的冲突识别数与实际冲突数较为接近，这也表明采用本模型后能够有效提高冲突识别的准确率.

图9 采用冲突识别模型前后的冲突数量识别结果对比Fig.9 Conflict recognition results comparison before (dashed line) and after (dotted line) using the conflict recognition model.The solid line is for number of actual conflicts.

结 语

本研究引入圆风险域假设概念，提出V2X环境下基于圆风险域假设的交通冲突识别模型，通过两个简化圆的运动表征匝道合流区车辆的物理运动，考虑车辆位置、速度、加速度以及车辆宽度、长度构建模型. 利用半实物仿真平台获取数据标定模型参数，并进行仿真分析.结果表明，通过引入冲突时间作为关键参数，构建圆风险域假设模型，能够在有效识别合流冲突的同时，显著降低车辆通过匝道区域的延误时间，为V2X环境下匝道区域的车辆驾驶提供决策基础.

未来研究将继续考虑匝道区域内存在的自主换道、强制换道及跟驰等复杂驾驶行为，在缓解合流冲突基础上，研究实际道路交通环境中，基于车联网环境的匝道区域车辆协同行驶策略.