熊 丹, 李洋洋, 耿昭師
(1.廣東省路橋建設(shè)發(fā)展有限公司, 廣州 510623; 2.北京中交華安科技有限公司, 北京 100088)
隨著交通強國戰(zhàn)略的不斷深入,我國交通基礎(chǔ)設(shè)施建設(shè)投資不斷加大,高速公路通車里程也逐漸增長,截至2022年底,全國公路通車里程535萬km,其中高速公路通車里程已達到17.70萬km,道路形成大量的長下坡、彎道、橋隧等危險路段. 同時伴隨著全球氣候多變趨勢加重,國內(nèi)濃霧、大風(fēng)、雨雪等惡劣氣候頻發(fā)且持續(xù)時長增加,道路行車環(huán)境變得異常嚴峻[1],引發(fā)大量交通事故發(fā)生.
針對此,諸多學(xué)者已對高速公路行車安全問題進行研究. 楊洋等[2]對高速公路交通事故方面研究成果及新技術(shù)手段應(yīng)用進行全面總結(jié),分析了交通事故發(fā)生機理、各模型特性特點等;楊洋等[3]通過對華盛頓州3萬余條交通事故數(shù)據(jù)的分析,提出了改進的WODMI-Apriori算法更好地揭示高速公路的事故致因、更精確地識別事故風(fēng)險因子;張寶[4]通過對高速公路交通事故數(shù)據(jù)的分析,提出了事故預(yù)防對策和管控措施;甘元震[5]通過分析交通事故發(fā)生前的車輛運行狀態(tài),建立車輛異常行駛狀態(tài)模型,進而提出車輛異常行駛預(yù)警方法;朱憲飛[6]基于車輛視頻數(shù)據(jù)提出1種通過卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí),建立車輛行為識別模型的方法,實現(xiàn)對車輛異常行為的有效識別;楊洋等[7]通過分析不同尺度數(shù)據(jù)集對高速公路實時事故風(fēng)險建模的影響,實現(xiàn)不同數(shù)據(jù)特征路段間事故風(fēng)險模型的空間移植,論證了高樣本量路段的模型可獲得更高的分類準確性和預(yù)測精度. 同時,伴隨著信息技術(shù)、機器視覺、傳感器技術(shù)的迅速崛起,智能預(yù)警、管控技術(shù)在高速公路安全管理上得到大量應(yīng)用,謝瑞等[8]設(shè)計研發(fā)了用于山區(qū)公路彎道盲區(qū)交通情報預(yù)警系統(tǒng),其主要在彎道入彎和出彎兩側(cè)安裝“一體式LED警示屏”,在彎道安裝了LED頻閃轉(zhuǎn)彎標志和彎道誘導(dǎo)標志;蔡創(chuàng)新等[9]提出了車路視覺協(xié)同的高速公路防碰撞預(yù)警算法,通過行車記錄儀對環(huán)境進行感知,結(jié)合路面車道線、行車速度和前車位置信息,實現(xiàn)防碰撞預(yù)警;Tian等[10]提出了1種基于云計算的高速公路交通安全預(yù)警系統(tǒng),該系統(tǒng)通過BP神經(jīng)網(wǎng)絡(luò)算法對道路節(jié)點進行分類,然后根據(jù)道路狀態(tài)信息生成安全警告(4個等級),解決了數(shù)據(jù)生成過多的問題,具有實時、動態(tài)、高效、準確的特點.
綜上,受道路車輛種類多、智能化水平差異大、行車環(huán)境多變等因素影響,車輛行車安全問題仍十分嚴峻. 本文在現(xiàn)有研究成果的基礎(chǔ)上,本著“事前預(yù)防”理念,提出基于車輛運行狀態(tài)的交通安全估測模型,對車輛運行狀態(tài)進行判斷和識別,并構(gòu)建基于車輛運行狀態(tài)的預(yù)警管控系統(tǒng),通過聲光警示信息對異常車輛進行預(yù)警警示,從而降低交通事故發(fā)生率.
高速公路交通事故的發(fā)生主要是駕駛員操作車輛與當(dāng)前行駛環(huán)境不符所致,產(chǎn)生這一原因有人為因素和環(huán)境因素,其中環(huán)境因素如濃霧、雨雪等,會使得駕駛員視線受阻、道路摩擦系數(shù)降低、操作穩(wěn)定性差、駕駛員心理負荷增大,而人為因素如駕駛疲勞、注意力分散等,會使得駕駛車輛偏離預(yù)定行駛路線、車輛操作失控等. 從車輛運行狀態(tài)上看,二者因素影響均會引起車輛運行狀態(tài)出現(xiàn)加減速度波動變化過大、車輛行駛路線偏離如壓線或跨線、車輛超速行駛、跟車時距較小、車輛運行速度與當(dāng)前能見度不符等諸多非正常駕駛狀態(tài)的現(xiàn)象,尤其是面對突變的天氣環(huán)境如高速公路突發(fā)團霧、降雨等情況,駕駛員無法對突變的行駛環(huán)境作出準確及時的反應(yīng)致使車輛出現(xiàn)事故. 同時根據(jù)各地交管部門反饋,一般車輛事故形態(tài)主要是:碰撞安全設(shè)施事故、前后車輛追尾事故,情況嚴重者出現(xiàn)沖出高速公路或側(cè)翻等事故. 目前,通過外部手段解決交通事故發(fā)生的人為和環(huán)境兩大因素是降低高速公路交通事故發(fā)生的有效途徑. 基于此,研究探討通過智能化的道路路側(cè)車輛檢測裝置對車輛的運行狀態(tài)進行判定和識別,進而通過聲光預(yù)警警示裝置給予異常車輛駕駛員預(yù)警提示,從而降低道路交通事故的發(fā)生率.
公路行車環(huán)境信息主要涵蓋2方面內(nèi)容:一方面是當(dāng)前路段的道路信息,包含道路線形、坡度、車道寬度、車道數(shù)量、地面摩擦系數(shù)、最大限速、安全設(shè)施等數(shù)據(jù)信息;另一方面是道路地形、周邊環(huán)境、氣候環(huán)境等數(shù)據(jù)信息. 基于當(dāng)前道路行車環(huán)境信息,本文從影響車輛運行安全的主要致因出發(fā),結(jié)合公安部發(fā)布的《關(guān)于低能見度氣象條件下高速公路交通管理的通告》中對低能見度高速公路交通管理規(guī)定(如表1所示)要求,融合道路摩擦系數(shù)(濕度)、風(fēng)速等雙約束條件,提出適用于當(dāng)前行車環(huán)境的限速控制方法,從而得到不同行車環(huán)境下,道路交通安全運行的最大限速值.
(1)
表1 低能見度時國家高速公路交通管理規(guī)定
式中,vmax為當(dāng)前環(huán)境(能見度)下道路交通的最大限速值(km/h);vd為當(dāng)前路段規(guī)定限速值(km/h);vi為當(dāng)前行車環(huán)境下能見度i(i=1,2,3,4,5,6)等級對應(yīng)的限速值(km/h);vch為當(dāng)前行車環(huán)境下車輛不發(fā)生側(cè)滑的最大限速值(km/h);Svmin為當(dāng)前行車環(huán)境下車輛跟車的最小距離(m);Di為當(dāng)前行車環(huán)境下能見度i等級對應(yīng)的最小車距(m);vk為滿足車輛不發(fā)生側(cè)滑的能見度k等級對應(yīng)的最大限速值(km/h);vm為滿足車輛跟車最小距離的能見度k等級對應(yīng)的最大限速值(km/h);
當(dāng)前行車環(huán)境下車輛不發(fā)生側(cè)滑的最大限速值vch約束為:
(2)
式中,m為車輛的質(zhì)量(kg);g為重力加速度(m/s2);α為道路的超高(%);R為道路的曲率半徑(m);μh為道路橫向摩擦系數(shù);Cs為氣動升力系數(shù);Cc為側(cè)向氣動力系數(shù);ρ為氣流空氣密度(kg/m3);A為汽車迎風(fēng)面投影面積(m2);vw為檢測橫風(fēng)風(fēng)速(m/s2).
當(dāng)前行車環(huán)境下車輛跟車的最小距離Svmin約束為:
(3)
式中,S1為駕駛員反應(yīng)距離(m);S2為車輛制動距離(m);S3為車輛安全停車距離(m);v0為駕駛員發(fā)現(xiàn)前方障礙物或前導(dǎo)車時車輛的行駛速度(km/h);t1為反應(yīng)持續(xù)時長(s);vf為駕駛員發(fā)現(xiàn)前方障礙物或前導(dǎo)車時的行駛速度(km/h);bm為駕駛員駕駛車輛的減速度(m/s2).
基于車輛狀態(tài)信息,獲取與當(dāng)前車輛行駛環(huán)境相適應(yīng)的車輛安全運行狀態(tài)信息,進而以此狀態(tài)信息為基準,對當(dāng)前路段過往車輛的運行狀態(tài)進行判別,獲取當(dāng)前狀態(tài)下運行狀態(tài)異常的車輛. 根據(jù)《道路交通安全法》等規(guī)定要求,車輛行駛與道路上主要運行行為有沿著道路正常行駛(含加減速)、正常換道行駛等操作,而通過對道路事故致因或事故車輛運行狀態(tài)的分析,本文選取車輛運行速度、車道偏移、前后車頭間距為判別指標對車輛的運行狀態(tài)安全性進行估測判定.
1)車輛運行速度指標:
(4)
式中,αi為車輛i的超速百分比;vi為車輛i的實際運行速度(km/h);vsi為車輛i在當(dāng)前行車環(huán)境下的限速值(km/h).
2)前后車頭間距指標:
(5)
式中,βi為車輛i的超間距百分比;Ds為當(dāng)前環(huán)境下車輛的允許最小間距(m);Di為車輛i與前車保持的實際間距(m),其中Di=viΔt;vti為車輛i的駛過檢測區(qū)的運行速度(km/h);Δt為前車駛過檢測區(qū)與車輛i的駛過檢測區(qū)的時間差(s).
3)車道偏移指標:
(6)
式中,δi為車輛i偏離車道距離百分比;b為布爾值,1表示車輛i轉(zhuǎn)向燈亮,0表示轉(zhuǎn)燈不亮;di為車輛i偏離車道中心線的距離(m);dl為車輛i所在車道的寬度(m);dci為車輛i的車身寬度(m),車輛的車型不同則其車身寬度也不同.
4)車輛運行安全性估測:
Si=(A1αi+A2βi+A3δi)t
(7)
式中,Si為車輛i的綜合安全性指標;Ai(i=1,2,3)為指標系數(shù),通過對大量車輛異常數(shù)據(jù)、事故數(shù)據(jù)進行統(tǒng)計分析,確定各指標系數(shù);t為車輛異常行駛持續(xù)時長/s.
本文以車輛安全性行駛狀態(tài)為基本依據(jù),充分考慮車輛異常行為的冗余性特點,從車輛單指標異常和車輛運行安全性指標2方面入手,對其狀態(tài)進行判定.
1)單指標車輛異常判定
(8)
式中,Yi為車輛預(yù)警警示信息,其中1,2,3,4分別為“前方事故多發(fā),請謹慎駕駛”“車輛i(XXX車牌號)已超速,請減速”“車輛i(XXX車牌號)注意保持跟車距離”“車輛i(XXX車牌號)注意前后來車,謹慎駕駛”;τi(i=α,β,δ)分別為指標閾值約束,依據(jù)管控路段實際情況決定.
2)車輛運行安全性異常判定
首先,設(shè)定車輛運行狀態(tài)安全性閾值為Sγ;其次,對過往車輛的運行安全性數(shù)據(jù)進行存儲和獲取,提取當(dāng)前時刻車輛i前t時間內(nèi)所有車輛運行狀態(tài)安全性的估測值(s),判別Sγ≥Si的數(shù)據(jù)為m輛,Sγ (9) 式中,T為當(dāng)前t時間段內(nèi)道路交通的安全性,其中0為當(dāng)前時段道路交通運行安全,執(zhí)行單指標管控策略,1為當(dāng)前時段道路交通運行危險,重新優(yōu)化路段管控限速值;q為路段交通運行安全容忍度,由道路交通事故率決定. 本文以廣東某雙向6車道高速公路山區(qū)路段為例,路段設(shè)計限速100 km/h,單車道寬度3.75 m. 根據(jù)環(huán)境檢測信息,路段最大運營限速為100 km/h,以高速公路監(jiān)控路段上下行臨近路段相鄰卡口檢測數(shù)據(jù)和系統(tǒng)檢測環(huán)境數(shù)據(jù)為基礎(chǔ),選定85%為車輛超速百分比為限定閾值為10%;以檢測路段車輛運行車速為依據(jù),該路段車輛間距閾值為50%;以檢測路段車型構(gòu)成比例和事故案例為依據(jù),該路段車輛偏移閾值為20%. 同時,車輛運行安全性指標系數(shù)Ai(i=1,2,3)均設(shè)定為1,暫未考慮各指標權(quán)重系數(shù)差異. 通過獲取該路段15 min系統(tǒng)識別數(shù)據(jù)結(jié)果和現(xiàn)場對應(yīng)的視頻監(jiān)控視頻,對系統(tǒng)識別準確性進行分析:根據(jù)視頻數(shù)據(jù),時間段內(nèi)共計運行車輛234輛,其中大車60輛,通過視頻識別和人員現(xiàn)場觀測,累計發(fā)現(xiàn)異常車輛25輛,其中超速車輛12輛、車頭時距不足8輛、車道偏移異常5輛. 而模型識別系統(tǒng)累計識別過往車輛215輛,其中大車58輛,系統(tǒng)累計發(fā)現(xiàn)異常車輛22輛(含4輛錯誤),其中超速車輛10輛(含2輛錯誤),車頭時距不足6輛,車道偏移4輛(含2輛錯誤). 綜上,本系統(tǒng)識別的準確率為72%,識別錯誤率為18%. 當(dāng)然,系統(tǒng)模型識別的準確率和錯誤率除與系統(tǒng)檢測裝置安裝位置和性能有關(guān)外,還有系統(tǒng)模型參數(shù)的設(shè)定息息相關(guān). 本文車輛行駛預(yù)警目的是實現(xiàn)車輛前方道路信息預(yù)先獲知、告知駕駛員行車注意事項、車輛異常行駛行為預(yù)警監(jiān)管,主要從2個方面提升高速公路交通運行的安全性. 一方面是依托本文估測結(jié)論對當(dāng)前事故多發(fā)路段進行可變限速控制,使得當(dāng)前車輛行駛環(huán)境與其行駛限速相匹配;另一方面是基于車輛運行狀態(tài)識別對異常行駛的車輛通過聲光警示途徑發(fā)布警示信息. 圖1 預(yù)警管控系統(tǒng)結(jié)構(gòu) 預(yù)警管控系統(tǒng)操作如下: 1)預(yù)警顯示初始化設(shè)置. 本文預(yù)警系統(tǒng)起始階段進行初始化設(shè)置,依據(jù)基于車輛運行狀態(tài)的安全性預(yù)估模型中對異常車輛狀態(tài)指標的判別結(jié)果,根據(jù)本文車輛運行狀態(tài)情況,對預(yù)警信息內(nèi)容進行初步設(shè)定,即“事故多發(fā)路段注意行車安全、危險路段注意保持車距、危險路段嚴禁換道行駛、危險路段嚴禁超速行駛、危險路段請注意保持車速”5種狀態(tài),可通過電子信息顯示、定向語音提示等方式告知道路行駛車輛. 2)檢測路段數(shù)據(jù)庫構(gòu)建. 通過對已經(jīng)過車輛的數(shù)據(jù)信息的識別,對其異常車輛識別信息或數(shù)據(jù)按照分日期、分時間段進行存儲,并按照數(shù)據(jù)共享與訪問機制,通過人工介入方式對識別過程中不確定的異常信息進行二次確認,將異常數(shù)據(jù)信息進行剔除,實現(xiàn)對存儲數(shù)據(jù)的凈化處理. 同時,根據(jù)項目歷史識別數(shù)據(jù),實現(xiàn)本路段異常車輛判定指標參數(shù)的設(shè)置. 3)車輛運行路段前置預(yù)警提示. 根據(jù)已設(shè)定的預(yù)警信息時間迭代閾值,通過對檢測數(shù)據(jù)庫中的異常車輛數(shù)據(jù)進行統(tǒng)計分析,確定此閾值范圍內(nèi)各狀態(tài)指標及安全性指標辨識異常車輛的數(shù)量,分別記為n1,n2,n3,n4,n5,其預(yù)警信息分別對應(yīng)初步設(shè)定的“5種狀態(tài)”信息,則提前預(yù)警信息顯示為:Max{n1,n2,n3,n4,n5}對應(yīng)的預(yù)警信息. 4)異常車輛定向預(yù)警提示. 基于高速公路全路段視頻監(jiān)控設(shè)施,融合本文預(yù)警裝置信息檢測、預(yù)警等模塊,對路段車輛實現(xiàn)異常車輛識別、預(yù)警、上報等工作. 首先,通過本文上述模型,結(jié)合本路段異常車輛數(shù)據(jù)庫信息所標定的各指標閾值,對途經(jīng)本路段的各運行車輛狀態(tài)進行識別和運行安全性預(yù)估,進而根據(jù)車輛異常判定的主要因素,通過定向語音、預(yù)警信息顯示等方式進行異常的車輛預(yù)警警示,并將該信息上傳至管控中心,實現(xiàn)對該車輛的重點監(jiān)控,同時根據(jù)其違規(guī)情況按照車輛行駛的規(guī)范要求進行抓拍和處罰. 針對本文智能預(yù)警管控策略,同一時間未出現(xiàn)異常車輛時,預(yù)警裝置處于其默認狀態(tài),聲音預(yù)警處于關(guān)閉或常態(tài)化信息提示狀態(tài),前置顯示模塊處于常態(tài)化顯示工作狀態(tài),可根據(jù)路段實際特點進行設(shè)置;同一時間僅出現(xiàn)1輛異常車輛,預(yù)警裝置則依據(jù)車輛異常的主因素判別結(jié)果,對其車輛進行前置信息預(yù)警和聲光定向預(yù)警,其顯示為閃爍方式,而對于預(yù)警時長和頻次的設(shè)置上主要是取決于車輛通過檢測裝置到通過聲音預(yù)警裝置所需要的時長,一般為1.2 s;同一時間出現(xiàn)多輛異常車輛時,則選擇車輛危險性較高的兩輛異常車輛進行前置信息預(yù)警和聲光定向預(yù)警,其聲音預(yù)警和頻閃警示采用交替進行. 本文提出了基于車輛運行狀態(tài)的高速公路交通安全估測模型,實現(xiàn)對異常行駛車輛的判定和識別,并基于智能化管控技術(shù)構(gòu)建基于車輛運行狀態(tài)的預(yù)警管控系統(tǒng),通過聲光預(yù)警警示對異常車輛預(yù)警,從而避免交通事故的發(fā)生. 通過案例比對分析:本系統(tǒng)識別準確率可達到72%,識別錯誤率為18%,實現(xiàn)對絕大部分異常車輛的預(yù)警警示. 當(dāng)然,本文所提模型和系統(tǒng)對異常車輛判定準確性、預(yù)警警示途徑等方面存在不足,需在未來應(yīng)用中不斷對其進行完善,后期應(yīng)融合和接入各導(dǎo)航軟件及智能車自身檢測預(yù)警系統(tǒng),以及車間智能通信技術(shù)等,以提升系統(tǒng)的識別準確性、預(yù)警的針對性等,從而保障好道路車輛運行的安全性.2.4 車輛運行狀態(tài)估測分析
3 預(yù)警管控系統(tǒng)
4 結(jié)論