基于交通流轨迹数据的网联自动驾驶车辆运行安全分析与评估研究

Based on the core popularization requirement of connected and automated vehicle (CAV) in the near future, this project proposes methods for CAV’s safety analysis and evaluation via trajectory data of traffic flow. Trajectory data of manually driven vehicles are first collected through traffic video acquisition and processing techniques. With a large number of trajectory data, automatic classification algorithms are developed to categorize various traffic scenarios. Focusing on each scenario, trajectory data of CAV are generated with different scenarios as the background environment. Then, the crash risk evaluation models are established based on trajectories to compare and analyze the original high risk states. The high risk states are expanded further and data fusion is conducted based on rebalance theory, which provides data for the final safety evaluation of CAV. Results of this project provide theoretical basis for quantitative evaluation of CAV’s safety, promote the market-oriented development of CAV, and generate significant social and economic benefits as well as practical application value.

本项目面向未来智能网联自动驾驶车辆（Connected and Automated Vehicle, CAV）推广普及的核心安全需求，提出基于交通流轨迹数据的CAV运行安全分析与评估方法，通过交通视频采集与处理获取人工驾驶车辆微观轨迹数据，基于交通流轨迹数据进行不同交通场景的自动判别划分，依托各类复杂交通场景为背景环境生成CAV轨迹数据，通过建立的基于轨迹数据的事故风险评估模型对比分析CAV的运行安全并挖掘原始高风险状态，基于重平衡理论强化拓展高风险状态数据并进行数据融合，采用融合高风险状态数据进行CAV运行安全的最终评估。项目的研究成果为量化评估CAV自身运行状态与安全状态提供理论依据，可促进CAV的市场化发展，具有显著的社会经济效益和工程应用价值。

智能网联自动驾驶车辆（Connected and Automated Vehicle, CAV）在改善交通安全、降低交通拥堵、减少交通排放等诸多领域的具有广阔前景，使其成为各国研发投入的重点产业。当前CAV处于发展落地阶段，如何评估和优化CAV自身运行安全，进而应对CAV混入人工驾驶交通流可能引发的新的安全问题，成为了亟待解决的关键问题。基于此背景，本项目面向未来CAV推广普及过程中存在的混合交通流中核心安全需求，基于交通流微观轨迹数据，依托以跟驰和换道行为为主体的衍生复杂交通场景为背景，深入挖掘人工驾驶车辆行为的风险致因和交互机理，奠定CAV运行安全评估的理论基础，进而制定面向混合交通流的CAV安全管控策略。本项目研究内容包含四个方面：首先，对采集的人工驾驶车辆轨迹数据进行清洗与除噪，获取高精度的交通流轨迹数据，进而构建场景判别划分算法，实现交通场景自动判别划分，后续重点以跟驰和换道场景为分析对象；其次，基于交通流轨迹数据，构建跟驰场景下的事故风险评估模型，辨析追尾风险过渡时段和关键时段，刻画追尾风险过渡时段演化过程，揭示追尾风险直接致因和潜在致因，追溯追尾风险持续原由；再次，基于轨迹数据构建面向换道场景的事故风险评估模型，挖掘换道决策权衡过程的多因素交互和演化过程，揭示驾驶员换道行为的安全和效率偏好，梳理换道场景下人因-安全-效率相关特征的价值谱系；最后，基于人工驾驶特征，在考量个体异质性的前提下，融合可变限速控制等宏观管控策略，提出瓶颈诊断、信息共享、限速计算、精确减速一体化的CAV动态协同减速策略，助力实现CAV安全运行。本项目的研究成果揭示了复杂交通场景下驾驶行为特征和安全-效率多因素的作用机理，提出了一套面向混合交通流场景的CAV协同控制策略。项目研究成果不仅为混合流中CAV的精细化管控和安全性提升提供了理论支撑，同时也为CAV的模型参数优化、算法设计、风险量化等方面提供了技术支持。