雾霾天气低能见度对不同跟驰状态驾驶行为的影响
高坤1,2, 涂辉招1,2, 时恒1,2, 李振飞3
1.同济大学 道路与交通工程教育部重点实验室,上海 201804
2.同济大学 交通运输工程学院,上海 201804
3.中国建筑股份有限公司 海外事业部,北京 100037

作者简介:高坤(1993-),男,博士研究生.研究方向:交通行为分析与建模.E-mail:93gaokun@tongji.edu.cn

摘要

利用8自由度高逼真度驾驶模拟器,从工程学和人类心理学角度分析了雾霾天气低能见度对不同跟驰状态(加速、减速和平稳跟驰)驾驶行为的影响。结果表明:雾霾天气低能见度对不同跟驰状态驾驶行为的影响存在明显差异性。加速跟驰过程中,雾霾天气低能见度下驾驶员对速度差变化、距离差变化的反应敏感性和最大意愿加速度分别比晴天显著降低了29.3%、33.1%和17.4%,且驾驶行为异质性明显升高;减速跟驰过程中,雾霾天气低能见度下驾驶员对速度差变化的反应敏感性、最大意愿减速度和感知前车最大减速度分别比晴天显著提高了31.7%、17.8%和16.3%,对距离差变化的反应敏感性显著降低了32.1%,而驾驶行为异质性有所降低;平稳跟驰过程中,雾霾天气低能见度下驾驶员对速度差变化反应敏感性比晴天显著提高了41.6%,最大意愿加速度和减速度均值小于晴天,期望速度和对距离差变化的反应敏感性与晴天无显著差异。加减速反应阈值方面,驾驶员在雾霾天气低能见度下倾向于采取更加积极的加速反应来紧随前车,同时又更加谨慎地采取减速反应避免碰撞。本文研究结果为雾霾天气低能见度等紧急事件下应急疏散微观交通仿真的建立提供了理论支撑。

关键词: 交通运输系统工程; 雾霾天气低能见度; 跟驰行为; 反应阈值
中图分类号:U491.2 文献标志码:A 文章编号:1671-5497(2017)06-1716-12
Effect of low visibility in haze weather condition on longitudinal driving behavior in different car-following stages
GAO Kun1,2, TU Hui-zhao1,2, SHI Heng1,2, LI Zhen-fei3
1.Key Laboratory of Road and Traffic Engineering of the Ministry of Education, Tongji University, Shanghai 201804, China
2.College of Transportation Engineering, Tongji University, Shanghai 201804, China
3.Overseas Department, China State Construction Engineering Co., Ltd., Beijing 100037,China
Abstract

Using a high fidelity driving simulator with eight degrees of freedom, the effect of low visibility in haze weather condition on the driving behavior of three Car-Following (CF) stages (acceleration, deceleration and steady following stages) are analyzed from both engineering CF models and psychological-physiological CF model. The results show that the low visibility environment in haze weather condition has significantly different impacts on driving behavior of different CF stages. In acceleration CF stage, the drivers' sensitivity in changes of relative speed and spacing, as well as maximum desired acceleration under haze weather condition are significantly lower, 29.3%, 33.1% and 17.4% respectively, than that under clear weather condition. Meanwhile the heterogeneities in driving behavior are substantially larger in haze weather condition. In the deceleration stage, drivers' sensitivity in changes of relative speed, maximum desired deceleration and expected maximum deceleration of the leading vehicle under haze weather condition are significantly larger, 31.7%, 17.8% and 16.3% respectively, than that in clear weather condition. Whereas, the drivers' sensitivity in change of the spacing decreases by 32.1% in haze weather condition. In steady CF stage, the drivers have larger sensitivities in changes of relative speed, 41.6% higher in average in haze weather than that in clear weather, and have slightly smaller maximum desired acceleration and deceleration. However, there are no significant differences in desired speed and drivers' reaction to the change in spacing under different weather conditions. Moreover, the action points of acceleration and deceleration indicate that the drivers under low visibility in haze weather adopt quicker acceleration to follow the leading vehicle more closely, and are more cautious to take quicker braking action to avoid collision. The main findings of this paper provide references for setting-up of microscopic simulation for emergency traffic evacuation in case of low visibility in haze weather condition.

Keyword: engineering of communications and transportation system; low visibility under hazy weather conditions; car-following behavior; action point
0 引 言

中国日益加重的环境污染导致了严重雾霾天气频发。雾霾天气下低能见度迫使管理者采用限速或关闭部分路段等措施来避免交通事故, 但同时也降低了交通运行效率、容易产生大规模拥堵和紧急事故[1]。由于紧急状况的突发性、危险性等特征, 应急交通疏散策略的制定主要借助交通仿真手段[2]。微观跟驰驾驶行为模型是微观交通仿真不可或缺的基础之一[3, 4]。雾霾天气低能见度应急微观交通仿真的可靠性和准确性, 很大程度上取决于对雾霾天气低能见度下微观驾驶行为规律的精确解析。根据考虑心理生理因素与否, 微观跟驰模型可分为两类[5]:工程学模型(如刺激反应模型[6]、安全模型[7]等)和人类心理学模型(如心理— 生理模型[8])。工程学模型主要基于物理性的刺激和反应理论, 试图描述驾驶行为的物理属性特征; 人类心理学模型则注重人为和心理因素对驾驶行为的影响。

针对低能见度对驾驶行为的影响国内外已有一定的研究, 但仍需要从工程学和人类心理学跟驰模型等方面进行更多的探索。Hawkins[9]指出部分驾驶员在能见度下降但高于150 m的雾霾环境中会保持比晴天更高车速, 但当能见度下降至100 m后会采取降速措施。White等[10]研究表明, 当能见度降低到200 m以下, 驾驶员会减少跟驰车头时距/间距; 在能见度为150 m时, 车辆保持2 s以内的车头时距的比例是晴天正常交通流的2.5倍。赵佳[11]的研究表明中国驾驶者在雾霾天气低能见度下会保持更小的车头间距。Saffarian等[12]研究了低能见度下驾驶员保持较小车头时距的原因, 并指出前车消失在视野中会让后车驾驶员产生危险感和过激的操作行为。Hogema等[13]分析了雾霾天气下的碰撞避险行为, 指出雾霾天气能见度降低导致驾驶员的视觉感知下降, 对突发状况的反应时间更长。闫学东等研究了雾霾天气低能见度对弯道驾驶行为[14]和避撞驾驶行为[15]的影响。Broughton等[16]采用驾驶模拟器研究在3种不同能见度和2种驾驶速度下的跟驰行为; 结果表明不同驾驶员的驾驶行为存在明显差异性, 部分驾驶员保证前车在视野内的跟驰状态而其他驾驶员则完全放弃跟驰。Hoogendoorn等[17]基于驾驶模拟器对比研究了低能见度下部分驾驶行为变量, 指出在低能见度下驾驶员会采取更小的自由流车速、加速度和减速度, 并且雾天低能见度会导致道路通行能力下降。Hoogendoorn等[18]研究了雾天低能见度对心理— 生理模型中反应点的影响, 结果显示低能见度下后车做出反应时的速度差和相对距离均一定程度大于晴天, 但并未区分加速反应点和减速反应点的差别。Hoogendoorn[19]进一步研究表明在后车驾驶员根据前车状态改变做出加减速反应时, 低能见度对前车速度与前后车速度差的关系存在影响。

驾驶员在不同跟驰状态的主要意图不同, 例如加速跟驰主要为紧跟前车, 减速跟驰主要为避免碰撞。雾霾天气低能见度对不同跟驰状态的驾驶行为的影响可能存在差异性。相关文献多数分析雾霾天气低能见度对整个跟驰过程的驾驶行为影响, 而未区分不同跟驰状态(加速、减速和平稳跟驰), 可能掩盖了雾霾天气低能见度对不同跟驰状态影响的差异性。另外, 工程学跟驰模型中的部分典型变量(例如对速度差和距离差变化的反应敏感性)以及人类心理学模型中加减速反应阈值受雾霾天气低能见度的影响也鲜有文献涉及。在数据采集方面, 大多研究采用固定底座模拟器, 其无法提供真实的驾驶受力和驾驶环境, 而研究[20, 21]表明:驾驶模拟器的受力感受和环境逼真度对驾驶行为存在较大影响, 高逼真驾驶模拟器能够提供更真实的实验场景。

本文利用8自由度高逼真驾驶模拟器构建晴天和雾霾天气低能见度两个场景, 从工程学跟驰模型和人类心理学模型两个角度研究分析了雾霾天气低能见度对3种不同跟驰状态(加速、减速和平稳跟驰)下驾驶行为的影响。工程学模型采用了经典的Helly模型[22]和GIPPS模型[7], 涵盖了速度差与距离差变化反应敏感性、最大意愿加速度、最大意愿减速度、期望速度、感知前车最大减速度等变量; 人类心理学模型则采用了Wiedemann提出的心理-生理模型[8]来研究雾霾天气低能见度对加速和减速反应阈值的影响。

1 研究过程及方法
1.1 试验设备与样本

试验使用8自由度的驾驶模拟器(图1)。该模拟器的驾驶模拟舱中放置了一辆完全真实的车辆, 该车配置真实的受力反馈系统(方向盘、油门、刹车)和高逼真显示系统(水平250° 、竖直40° 的环形屏幕, 刷新频率是60 Hz)。

图1 高逼真度驾驶模拟器Fig.1 High fidelity driving simulator

驾驶模拟器底座本身可沿x、y、z方向微量平移及以x、y、z为轴微量转动的6个自由度方向运动, 同时可以在横向5 m、纵向20 m的钢轨上自由移动, 构成8自由度运动体系。配套的SCANeRTM软件可以搭建实验场景和控制整个驾驶模拟器系统的运行[20, 21]

1.2 试验场景设置

试验场景包含晴天和雾霾天气低能见度两个场景。其中晴天能见度大于1000 m(见图2(a)), 雾霾天气的能见度根据浓雾能见度范围(50~200 m)设置为80 m来模拟雾霾天气低能见度(见图2(b))。由于驾驶模拟器中设置的能见度与实际不符,

图2 试验场景示例Fig.2 Experimental scenarios

试验前进行了标定修正来确保场景中试验者的实际能见度为80 m。试验路段为有中央分隔带的双向4车道高速公路, 并设置了处于通畅行驶状态的背景交通流环境。前车轨迹根据实际预设置为纵向行驶不换道并包含若干个加速、减速和平稳3种跟驰状态, 试验者根据自己驾驶习惯跟驰前车, 每个场景实验时间约为6 min, 试验中前车和后车速度变化示例如图3所示。

图3 试验中前车与后车速度变化Fig.3 Example of speed changes of lead vehicle and following vehicle

1.3 试验过程及数据样本

试验过程流程如下:

(1)告知每位试验驾驶员应遵守的操作规范和驾驶模拟器操作流程。

(2)每位试验驾驶员分别在晴天和雾霾天气场景中驾驶3 min以熟练驾驶操作, 并观察驾驶员是否在实验过程产生不适反应。若一切正常, 休息5 min后开始正式试验。

(3)进行晴天场景下试验, 完成后休息5 min。

(4)进行雾霾天气场景下试验。

(5)对多名试验者重复上述试验过程。

驾驶模拟器数据采集系统以10 Hz频率自动记录试验数据。本研究主要记录的数据包括试验车辆和前车的速度、加速度、刹车板受力、油门受力、位移和相对距离等。试验中试验者对驾驶模拟器有良好的适用性并顺利完成试验。

本研究为探究雾霾天气低能见度对驾驶员跟驰行为的影响, 需要驾驶员一定程度具备稳定的驾驶心理和熟练的驾驶技能。试验样本招募了20名拥有驾驶证的合格试验者, 均具有丰富驾驶经验。试验者年龄范围为36~44岁, 平均年龄为39.8岁; 驾龄范围为6~13年, 平均驾龄为9.4年。每个试验者在每个试验场景的轨迹(见图3)中包括若干个加速、减速和平稳跟驰状态数据段。从每个试验者每个场景的轨迹中截取了3段加速跟驰段数据、3段减速跟驰段数据和3段平稳跟驰数据, 因此每种场景(晴雾天)下每个跟驰状态的样本量实际为60个(3× 20)。为保证每种跟驰状态的数据截取准确性, 采用人工选取。

1.4 数据分析

1.4.1 工程学模型标定

工程学模型采用Helly[22]和GIPPS[7]模型, 表达式如式(1)(2)所示。两个模型中基本涵盖了主要的相关驾驶行为变量。

Helly:an(t)=C1ΔVn(t-τn)+C2ΔXn(t-τn)-ΔXn(t-τn)](1)

GIPPS:Vn(t)=min{Vn(t-τn)+2.5amaxτn(1-Vn(t-τn)/Vdesire)(0.025+Vn(t-τn)/Vdesire)12, bmaxτn+[bmax2τn2-bmax(2(ΔXn(t-τn)-Sn-1)-Vn(t-τn)τn-Vn-1(t-τn)2bpmax122

式中: ΔXn(t-τn)=a+bVn(t-τn); C1为速度差反应敏感性参数; C2为实际车头间距与期望车头间距差的反应敏感性参数; ab为期望车头间距的待估参数; an(t)为车辆n在时间t时的加速度; τn为反应或延迟时间; Vn-1(t-τn)Vn(t-τn)ΔVn(t-τn)分别为t-τ n 时刻车辆n-1、车辆n的速度和车辆n与前车的速度差; Vdesire为期望速度; ΔXn(t-τn)ΔXn(t-τn)分别为 t-τn时车辆n与前车的实际车头间距和期望车头间距; amaxbmax为最大意愿加速度和最大意愿减速度; Sn-1为安全停车距离加上车辆长度, 设置为6.5 m[7]; bpmax为感知前车最大减速度。

王殿海等[23]对跟驰模型的构建与参数标定方法进行了综述。本研究采用遗传算法进行跟驰模型的标定, 该启发式算法被Punzo等[24]证明能够有效进行跟驰模型的参数标定。标定过程实为最优化问题, 最优化目标为后车实际观测变量和模型仿真变量的差异最小。理论上速度、速度差和车头间距等均可作为观测变量, Kesting等[25]研究表明车头间距作为观测变量最适用于连续轨迹的跟驰模型标定。参考文献[26]采用RMSPE(Root mean squared percent error)作为拟合优度指标:

RMSPE=1N×i=1NSiobs-SisimSiobs23

式中: SiobsSisim分别为时刻i车头间距的实际观测值和模型计算的仿真值; N为观测数据量。

参考已有研究综述[5, 27]并保持尽可能大的范围, 标定参数的设置范围如表1所示。采用Matlab的遗传算法工具箱进行相应的标定, 为让遗传算法达到较优结果设置每次标定过程最少迭代300次后才停止。由于遗传算法的随机性, 每次计算结果存在轻微差异性, 因此每次标定过程重复10次并选取拟合优度指标最小的结果。

表1 跟驰模型标定参数汇总 Table 1 Overviews of calibrated parameters of car-following models

1.4.2 加减速反应点判定

Wiedemann[8]提出的生理-心理模型中加减速反应点(阈值)是指后车根据前车状态变化做出加速或减速反应时, 前、后车的速度差与距离差关系。减速反应点的选取原则是前、后车的相对速度与距离差距离差持续减小, 转变为相对距离持续减小而相对速度开始增加的时刻; 加速反应点的选取原则是前、后车的相对速度与距离差持续增加, 转变为距离差持续增加而相对速度开始减小的时刻[28]。后车做出加减速反应并不一定为受前车影响, 例如前、后车距离差远超过稳定跟驰车头间距范围时, 加减速为自由驾驶行为而非跟驰行为。因此, 只有距离差在相应的合理跟驰距离范围内的数据被用于反应阈值的选取。不同速度下的合理跟驰距离的范围参考文献[29]

1.4.3 统计对比分析

由于驾驶员行为的异质性, 跟驰模型中的参数或变量不应是一个常数值而应该是随机变量。在对不同能见度下驾驶变量进行对比时, 即采用常规的参数检验来对比参数均值的差异性, 也采用非参数检验Kolmogorov-Smirnov(KS)检验来对比参数分布的差异。其中参数检验采用 Z检验。因为研究过程中发现参数分布大多不符合正态性, 数理统计上不能使用例如 T检验等需要正态性假设的检验方法; 由数理统计知识可知, 当样本量大于30, 变量总体不服从正态分布也可采用 Z检验进行分析。试验中每个场景中每个跟驰阶段包含60个样本, 因此可采用 Z检验。

2 试验结果及分析
2.1 加速跟驰状态

在加速跟驰过程中, 主要关注的驾驶行为变量包含对速度差和距离差变化反应敏感性 C1C2及最大意愿加速度 amax期望速度 Vdesire表2给出了这些参数在晴天和雾霾天气低能见度下的平均值、变异系数(标准方差/均值)以及相对差异值。图4显示了4个变量的分布, 其中左 Y轴为概率密度, 右 Y轴为累计概率。绘制参数的概率密度分布, X轴以上为晴天场景, X轴以下为雾霾天气低能见度场景, 采用核密度估计(Kernel density estimation)进行概率密度函数拟合。为方便对比, 将雾霾天气下的拟合曲线对称至 X轴以上(如图4(a)), 并进行了相应的 Z检验和KS检验(α =5%和α =10%)。

表2 能见度对加速跟驰过程主要变量的影响 Table 2 Effects of visibility on variables in case of acceleration car-following stage

图4 晴天与雾霾天气下加速跟驰驾驶行为变量对比结果Fig.4 Comparisons of acceleration following variables under clear and haze weather

由图4可知, 在雾霾天气下驾驶员对速度差、距离差变化的反应敏感性 C1C2显著小于晴天, 均值相对差异为-29.3%和-33.1%; 表明面对相同的速度差和距离差变化, 驾驶员在雾霾天气低能见度下采取的加速反应比晴天更小。雾霾天气下的最大意愿加速度 amax均值显著小于晴天(α =5%), 相对差异为-17.4%。晴天与雾霾天气下的期望速度Vdesire均值低于晴天, 虽然Z检验均值没有显著差异, 但KS检验显示分布存在显著差异性(α =5%)。从图4(d)中可以看出雾霾天气下期望速度小于晴天, 可能驾驶员之间的异质性导致数据变异性较大, 从而致使 Z检验不显著。由变异系数可以观测到每个变量都存在较大的变异性。 C1C2amaxVdesire四个变量在雾霾天气下的变异系数均大于晴天, 说明在雾霾天气低能见度下驾驶员行为异质性高于晴天。

2.2 减速跟驰过程

在减速跟驰过程中, 主要关注的变量包含对速度差和距离差变化的反应敏感性参数 C1C2、最大意愿减速度bmax、感知前车最大减速度bpmax表3和图5显示了相应的分析结果。

雾霾天气低能见度下驾驶员对速度差变化反应敏感性 C1显著大于晴天, 均值相对差异为31.7%。表明在相同的速度差变化下, 雾霾天气下驾驶员相对于晴天会采取更大的减速反应。雾霾天气下对距离差的反应敏感性 C2均值显著小于晴天, 相对差异为-32.1%; 从图5(b)概率累积曲线可以看出雾霾天气下该参数的要小于晴天, KS检验显示该差异在90%置信水平显著差异。说明雾霾天气下驾驶员对跟驰距离差变化做出的减速反应较小。雾霾天气下最大意愿减速度bmax和感知前车最大减速度bpmax的均值在90%置信水平上显著大于晴天, 均值相对差异分别为17.8%和16.3%; 其分布在95%置信水平上显著差异于晴天。表明驾驶员在雾霾天气下倾向于更大的最大意愿减速度bmax和感知前车最大减速度bpmax。同样, 参数呈现出较大的变异性。 C1bmaxbpmax三个变量在雾霾天气下的变异系数分别比晴天小15.2%、6.4%、23.7%, 说明在低能见度下相关的驾驶行为异质性要普遍低于晴天。

表3 能见度对减速跟驰过程主要变量的影响 Table 3 Effects of visibility on variables in case of deceleration car-following

图5 晴天与雾霾天气下减速跟驰驾驶行为变量对比结果Fig.5 Comparisons of deceleration following variables under clear and haze weather

2.3 平稳跟驰过程

表4和图6为平稳跟驰过程的分析结果。

平稳跟驰过程中, 雾霾天气下对速度差变化敏感性 C1的均值和分布均显著大于晴天, 均值相对差异值达到41.6%; 而对距离差变化的敏感性参数 C2均值和分布不存在明显差异性。雾霾天气下最大意愿加速度 amax的均值在90%置信水平下显著小于晴天, 相对差异值为-19.9%; 其分布与晴天无显著差异性, 但图6(c)中雾霾天气下最大意愿加速度 amax处于较高值(> 1.5)的概率远低于晴天, 说明驾驶员在雾霾天气下会避免采取较大的加速度。期望速度 Vdesire在晴天与雾霾天气下无显著差异。雾霾天气下驾驶员的最大意愿减速度 |bmax|均值比晴天小13.8%, Z检验p值接近0.1; 结合图6(e)中雾霾天气下的概率累积曲线, 可以看出驾驶员倾向于采取较小的最大减速度, 但其在KS检验并不显著。雾霾天气下感知前车最大减速度 |bpmax|的均值稍大于晴天(13.9%), 但统计检验显示均值和分布均无显著差异性。 C2bmaxbpmax|三个变量在雾霾天气条件下的变异系数稍大于晴天, 而 C1amaxVdesire三个变量在雾霾天气条件下的变异系数分别比晴天小23.7%、29.4%、14.6%。

表4 能见度对平稳跟驰过程主要变量的影响 Table 4 Effects of visibility on variables in case of steady car-following

图6 晴天与雾霾天气下平稳跟驰驾驶行为变量对比结果Fig.6 Comparisons of steady following variables under clear and haze weather

2.4 加速和减速反应点

图7(a)显示了晴天和雾霾天气低能见度下加速反应点的分布。图中反应点呈现出较大的离散性, 原因之一是驾驶员驾驶行为的异质性, 另一原因是加减速的反应决策并不仅仅受速度差和距离差两个因素影响。采用指数函数曲线拟合, 雾霾天气下的反应阈值曲线明显低于晴天。图7(b)和图7(c)分别显示了加速反应点的距离差 ΔS和速度差的 ΔV的概率累积分布。从图7(b)可以看出雾霾天气下反应点的速度差 ΔV明显小于晴天, KS检验结果在95%置信水平显著差异。图7(c)显示在雾霾天气下加速反应点的距离差 ΔS要一定程度低于晴天。综上说明在前车逐渐远离后车时, 雾霾天气下驾驶员做出加速反应时的距离差 ΔS和速度差 ΔV小于晴天。

图8(a)显示了晴天与雾霾天气低能见度下减速反应点的分布。指数函数拟合结果显示雾霾天气下的反应阈值曲线高于晴天。图8(b)显示了减速反应点速度差 ΔV的概率累积分布曲线, KS检验结果表明在95%置信水平下雾霾天气下减速反应点的速度差 ΔV绝对值显著小于晴天。图8(c)显示距离差 ΔS的概率分布累计曲线在晴天与雾霾天气下无明显差异性。综上表明在后车逐渐逼近前车时, 雾霾天气下驾驶员做出减速反应时速度差 ΔV小于晴天而距离差无明显差异。

图7 晴天和雾霾天气下加速反应点对比分析结果Fig.7 Comparisons of acceleration action points under clear and hazy weathers

图8 晴天和雾霾天气下减速反应点对比分析结果Fig.8 Comparisons of deceleration action points under clear and hazy weathers

2.5 试验结果讨论

雾霾天气低能见度环境使驾驶员视觉敏感性降低且增加了驾驶员心理上的危险感, 同时驾驶员在低能见度下倾向于保持较小的跟驰车头间距[10, 11, 12]。因此在加速跟驰过程中, 当感知到与前车的速度差或距离差变化时, 相对于晴天驾驶员会采取较小的加速反应, 意愿最大加速度和期望速度。因为同样的原因, 在减速跟驰过程中驾驶员在雾霾天气低能见度下对速度差的变化会采取更大的减速反应来避免碰撞, 而视觉感知的下降导致了驾驶员对车头间距变化的敏感性下降, 迫使驾驶员更加谨慎地驾驶(预估前车会有更大的减速度), 并采用更大的最大意愿减速度来避免碰撞。平稳跟驰过程中, 由于雾霾天气低能见度下驾驶员倾向于保持比晴天更小的车头间距, 在感知到速度差变化时, 驾驶员在会更加积极做出加速或减速反应来保证紧随前车又避免碰撞, 并倾向于较小的最大加速度和减速度。

加减速反应点的结果表明:驾驶员在雾霾天气下, 会更加积极地做出加速反应以保证能够紧随前车(较小的距离差和速度差下加速), 同时会谨慎地采取减速反应来避免与前车发生碰撞(较小的速度差下减速)。其原因是雾霾天气低能见度下驾驶员倾向于保持较小的跟驰车头间距[10, 11, 12], 驾驶员采取加减速反应主要根据前车在视野中的视角变化(与速度差/距离差的平方成比例)达到阈值。在较小的稳定车头间距下, 触发加减速反应视角变化率阈值时速度差也较小。同时驾驶员害怕前车消失在视野带来的不确定感[12]和较小车头间距下的碰撞危险, 因此会采取更加积极的加减速反应紧随前车又避免碰撞。

研究结果表明, 雾霾天气低能见度对不同跟驰状态下某些驾驶变量的影响规律并不一致:①驾驶员对速度差变化的反应敏感性变量 C1, 在加速跟驰过程中显著小于晴天, 而在减速与平稳跟驰中反而显著大于晴天; ②对距离差变化的反应敏感性 C2, 加速和减速跟驰过程中低能见度下显著小于晴天, 而在平稳跟驰过程两者无明显差异; ③驾驶员的期望速度Vdesire在加速跟驰中分布一定程度小于晴天, 而在平稳跟驰过程中均值和分布相对于晴天均无显著差异; ④最大意愿减速度 bmax在减速跟驰过程中显著大于晴天, 而在平稳跟驰过程中均值小于晴天13.2%; ⑤加速跟驰过程中驾驶员的异质性大于晴天, 而在减速跟驰过程中驾驶员的异质性普遍小于晴天; ⑥加速反应点的距离差显著小于晴天, 而减速反应点的距离差不存在显著差异。以上结果表明只从整体去分析雾霾天气低能见度对跟驰行为的影响将掩盖不同跟驰状态受其影响的机理, 从而无法精确刻画雾霾天气下的跟驰驾驶行为。因此, 在微观仿真中有必要区分雾霾天气低能见度对不同跟驰状态下的驾驶行为影响差异性, 以更好地描述和仿真低能见度下的驾驶行为。

3 结 论

(1)雾霾天气低能见度对不同跟驰状态的驾驶行为影响规律并不一致且存在明显差异性, 在进行雾霾天气下微观驾驶行为仿真时应该充分考虑该差异性。

(2)加速跟驰状态:雾霾天气低能见度下, 驾驶员对速度差、距离差变化的反应敏感性和最大意愿加速度均显著小于晴天; 期望速度的分布显示雾霾天气下驾驶员的期望速度更小; 驾驶员的行为异质性高于晴天。

(3)减速跟驰状态:雾霾天气低能见度下, 驾驶员对速度差变化的反应敏感性、最大意愿减速度、感知前车最大减速度均显著大于晴天; 对距离差变化的反应敏感性显著小于晴天; 驾驶员行为异质性普遍低于晴天。

(4)平稳跟驰状态:雾霾天气低能见度下, 驾驶员对速度差变化反应敏感性显著大于晴天; 最大意愿加速度和减速度均值小于晴天; 对距离差变化的反应敏感性和感知前车最大减速度与晴天无显著差异。

(5)反应阈值:雾霾天气低能见度下, 驾驶员会更加积极地做出加速反应以保证能够紧随前车(较小的距离差和速度差下加速), 同时会谨慎地采取减速反应来避免与前车发生碰撞(较小的速度差下减速)。

The authors have declared that no competing interests exist.

参考文献
[1] 台德清. 雾天高速公路交通管制方法及对策研究[D]. 成都: 西南交通大学交通运输与物流学院, 2011.
Tai De-qing. Traffic control method and countermeasure research of highway on foggy day[D]. Chengdu: School of Transportation and Logistics, Southwest Jiaotong University, 2011. [本文引用:1]
[2] 李显生, 任园园, 席建锋, . 非强制性控速设施下的驾驶员速度控制模型[J]. 吉林大学学报: 工学版, 2010, 40(增刊1): 169-173.
Li Xian-sheng, Ren Yuan-yuan, Xi Jian-feng, et al. Driver's speed control model based on non-madatory speed-control facilities[J]. Journal of Jilin University(Engineering and Technology Edition), 2010, 40(Sup. 1): 169-173. [本文引用:1]
[3] 商蕾. 城市微观交通仿真及其应用[D]. 武汉: 武汉理工大学交通学院, 2003.
Shang Lei. Urban microscopic traffic simulation and its application[D]. Wuhan: School of Transportation, Wuhan University of Technology, 2003. [本文引用:1]
[4] 金立生, Arem B V, 杨双宾, 等. 高速公路汽车辅助驾驶安全换道模型[J]. 吉林大学学报: 工学版, 2009, 39(3): 582-586.
Jin Li-sheng, Arem B V, Yang Shuang-bin, et al. Safety lane change model of vehicle assistanct driving on highway[J]. Journal of Jilin University(Engineering and Technology Edition), 2009, 39(3): 582-586. [本文引用:1]
[5] Saifuzzaman M, Zheng Z. Incorporating human-factors in car-following models: a review of recent developments and research needs[J]. Transportation Research Part C: Emerging Technologies, 2014, 48: 379-403. [本文引用:2]
[6] Gazis D C, Herman R, Rothery R W. Nonlinear follow-the-leader models of traffic flow[J]. Operations Research, 1961, 9(4): 545-567. [本文引用:1]
[7] Gipps P G, A behavioural car-following model for computer simulation[J]. Transportation Research Part B: Methodological, 1981, 15(2): 105-111. [本文引用:4]
[8] Wiedemann R. Simulation des strassenverkehrsflusses[J]. Traffic Engineering, 1975: 66-68. [本文引用:3]
[9] Hawkins R K. Motorway traffic behaviour in reduced visibility conditions[C]//Second International Conference on Vision in Vehicles, Nottingham, United Kingdom, 1988: 9-18. [本文引用:1]
[10] White M E, Jeffery D J. Some aspects of motorway traffic behaviour in fog[R]. Transportation Research Record: Journal of the Transportation Research Board, Berkshire, England , 1980: 958. [本文引用:3]
[11] 赵佳. 基于驾驶模拟实验的雾天对驾驶行为影响的研究[D]. 北京: 北京交通大学交通学院, 2012.
Zhao Jia. Study of driving behavior under fog weather condition based on driving simulator experiment[D]. Beijing: School of Transportation, Beijing Jiaotong University, 2012. [本文引用:3]
[12] Saffarian M, Happee R, de Winter J C F. Why do drivers maintain short headways in fog? a driving-simulator study evaluating feeling of risk and lateral control during automated and manual car following[J]. Ergonomics, 2012, 55(9): 971-985. [本文引用:4]
[13] Hogema J, van der Horst R. Driving behaviour under adverse visibility conditions[C]//Proceedings of the First World Congress on Applications of Transport Telematics and Intelligent Vehicle-Highway Systems, Paris, 1994: 1623-1630. [本文引用:1]
[14] 李晓梦, 闫学东, 赵佳, . 雾天对弯道驾驶行为的影响研究[J]. 交通信息与安全, 2014(5): 120-125.
Li Xiao-meng, Yan Xue-dong, Zhao Jia, et al. Effects of fog conditions on driving behaviors on curves[J]. Journal of Transportation Information and Safety, 2014(5): 120-125. [本文引用:1]
[15] 何莎, 闫学东, 庞洪涛, . 雾天对驾驶行为的影响研究——避撞驾驶行为[J]. 交通信息与安全, 2014(5): 126-129, 184.
He Sha, Yan Xue-dong, Pang Hong-tao, et al. Effects of fog conditions on driving behaviors-crash avoidance driving behaviors[J]. Journal of Transportation Information and Safety, 2014(5): 126-129, 184. [本文引用:1]
[16] Broughton K L, Switzer F, Scott D. Car following decisions under three visibility conditions and two speeds tested with a driving simulator[J]. Accident Analysis & Prevention, 2007, 39(1): 106-116. [本文引用:1]
[17] Hoogendoorn R G, Tamminga G, Hoogendoorn S, et al. Longitudinal driving behavior under adverse weather conditions: adaptation effects, model performance and freeway capacity in case of fog[C]//13th International IEEE Conference on Intelligent Transportation Systems, Portugal, 2010: 450-455. [本文引用:1]
[18] Hoogendoorn R G, Hoogendoorn S, Brookhuis K, et al. Adaptation longitudinal driving behavior, mental workload, and psycho-spacing models in fog[J]. Transportation Research Record: Journal of the Transportation Research Board, 2011(2249): 20-28. [本文引用:1]
[19] Hoogendoorn R G. Empirical research and modeling of longitudinal driving behavior under adverse conditions[D]. Delft: Delft University of Technology, 2012. [本文引用:1]
[20] Tu H Z, Li Z F, Li H, et al. Driving simulator fidelity and emergency driving behavior[J]. Transportation Research Board, 2015(2518): 113-121. [本文引用:2]
[21] 涂辉招, 李振飞, 孙立军. 驾驶模拟器运动系统对自由驾驶行为的影响分析[J]. 同济大学学报: 自然科学版, 2015, 43(11): 1696-1702.
Tu Hui-zhao, Li Zhen-fei, Sun Li-jun, Effects of motion system of driving simulator on free driving behaviors[J]. Journal of Tongji University (Nature Science), 2015, 43(11): 1696-1702. [本文引用:2]
[22] Helly W. Simulation of bottlenecks in single-lane traffic flow[C]//Proceeding of Symposium on Theory of Traffic Flow, Britain, 2004: 207-238. [本文引用:2]
[23] 王殿海, 金盛. 车辆跟驰行为建模的回顾与展望[J]. 中国公路学报, 2012, 25(1): 115-127.
Wang Dian-hai, Jin Sheng. Review and outlook of modeling of car following behavior[J]. China Journal of Highway and Transport, 2012, 25(1): 115-127. [本文引用:1]
[24] Punzo V, Ciuffo B, Montanino M. Can results of car-following model calibration based on trajectory data be trusted?[J]. Transportation Research Record: Journal of the Transportation Research Board, 2012(2315): 11-24. [本文引用:1]
[25] Kesting A, Treiber M. Calibrating car-following models by using trajectory data: Methodological study[J]. Transportation Research Record: Journal of the Transportation Research Board, 2008(2088): 148-156. [本文引用:1]
[26] Saifuzzaman M, Zheng Z, Haque M M, et al. Revisiting the task-capability interface model for incorporating human factors into car-following models[J]. Transportation Research Part B: Methodological, 2015, 82: 1-19. [本文引用:1]
[27] Brackstone M, McDonald M. Car-following: a historical review[J]. Transportation Research Part F: Traffic Psychology and Behaviour, 1999, 2(4): 181-196. [本文引用:1]
[28] Brackstone M, Sultan B, McDonald M. Motorway driver behaviour: studies on car following[J]. Transportation Research Part F: Traffic Psychology and Behaviour, 2002, 5(1): 31-46. [本文引用:1]
[29] 李振飞. 基于8自由度驾驶模拟器雾霾天气下跟驰行为研究[D]. 上海: 同济大学交通运输工程学院, 2015.
Li Zhen-fei. Car following behavior under haze weather: simulating by 8-degree-of-freedom high fidelity driving simulator[D]. Shanghai: College of Transportation Engineering, Tongji University, 2015. [本文引用:1]