行人主动安全系统对交通流运行状态影响分析

华 珺，孙智诚，赵俊玮，朱 彤,3

(1. 北京航空航天大学 交通科学与工程学院，北京 100191； 2. 长安大学 汽车学院，陕西 西安 710064；3. 长安大学 汽车运输安全保障技术交通行业重点实验室，陕西 西安 710064)

0 引 言

行人是道路交通环境中的弱势群体。据欧盟统计，行人在交通事故中的死亡率是车内乘员的9倍。2017年中国道路交通事故中行人死亡17 286人，占总死亡人数的27.11%[1]，这一比例在城市中更高。城市道路交通环境复杂，保护行人非常必要。

起初，技术人员采取被动安全防护措施来达到保护行人的目的，例如应用车身吸能材料来缓冲吸能，减少撞击时车辆对行人的伤害。然而，被动安全方法的作用在于减轻行人的伤害严重程度，并不能防止事故的发生。主动安全系统由于能够预测和避免车辆撞击行人，已成为先进驾驶辅助系统的重要组成部分。主动安全系统包括用于观察车辆周围环境的传感器、用于检测可能发生危险的应用程序以及应对危险的执行器[2]。

行人检测系统是一种车载驾驶辅助系统，通过检测传感器来探测、感知车辆前方行人，当存在碰撞风险但驾驶人未能观察到行人或未能及时反应时，系统将发出警报提醒驾驶人或通过辅助制动干预驾驶人操作，预防和减轻人车碰撞伤害[3]。F.BELLA等[4]通过模拟驾驶辅助系统提供视听觉信息，分析了不同驾驶人在不同场景下有行人过街时的行为，评估了行人检测系统在多个道路环境中的有效性，结果表明系统有利于驾驶人实施更安全的让行操作；D.J.SEARSON等[5]通过提取分析车辆碰撞速度分布数据，验证了安装行人检测系统和自动紧急制动系统对于降低行人与车辆前部碰撞风险具有有效性。

人车通讯系统也是一种新兴的行人主动安全系统，它基于P2V(pedestrian to vehicle)和V2P (vehicle to pedestrian)通讯技术，能够实现人车间的信息交换，将潜在碰撞风险最小化。人车通讯系统在行人端通常通过智能手机应用体现。J.J.ANAYA等[6]开发的智能手机应用能够在人车潜在冲突场景中提供wifi通讯、风险计算和危险警报功能，并设定最小通信距离为行人提供必要的感知和反应时间；K.DHONDGE等[7]开发的应用将车辆地理位置、行驶速度和运动方向发送至行人端，并通过试验证明了该应用能够在足够的反应时间内，成功将潜在碰撞信息告知行人；A.HUSSEIN等[8]对其开发的智能手机应用进行了用户调查，调查结果显示用户群体对该应用在行人安全性和使用便捷性方面的提升具有较高的满意度。

过去的研究大多只关注了行人主动安全系统在微观人车冲突场景下的安全效用[4,9]，却忽略了这些系统在长时间运行时对其他方面的影响。为此，笔者选择特定人车交互场景，运用基于智能体建模思想，基于Net Logo仿真平台，模拟交通流系统的运行机制，分析行人主动安全系统在不同道路限速值、车流量和行人规模等道路条件下对交通流稳定性及通行效率的影响。希望为未来自动驾驶环境下对行人等弱势群体的保护以及人机交互系统的构建提供理论基础和发展思路。

1 仿真试验设计

1.1 场景选择及模型建立

在车辆与行人碰撞导致行人伤亡的事故中，最为常见的是直行路段过街行人被直行车辆撞击[10]。与绿灯时行人在人行横道过街相比，无信号控制路段人行横道处，行人过街具有更高的风险[11]。因此，选择该场景下的人车交互为研究对象。

运用Net Logo搭建城市道路直行路段无信号控制人行横道场景。在所建立的人车交互模型中，车辆智能体能够在规定限速值下，自我调整行驶速度，根据周围环境做出自己的判断和决策。通过设置各参数变化范围，使驾驶人群体、行人群体及道路条件的特征参数在其对应范围内取不同值。

为比较不同系统性能差异，选择传统人工驾驶车辆、行人检测系统车辆和人车通讯系统车辆分别进行仿真试验，并假设不存在不同系统车辆混行的情况。上述3种车辆的最大差异在于对前方行人的感知能力不同。传统人工驾驶车辆需要驾驶人来进行危险感知、决策和操作。驾驶人对前方道路信息的感知有80%来源于视觉，而驾驶过程中的视觉搜索能力通常与车速有关。潘兵宏等[12]研究得出了驾驶人视野范围与车速的关系。行人检测系统通过传感器实现对行人的感知，多数车载传感器能够检测车辆前方150 m范围内的物体[13]；特斯拉的Autopilot 2.0硬件系统能够覆盖360°可视范围。人车通讯系统通常具有300 m全向有效范围以实现人车双向信息交换，能够提供更准确和更广泛的感知功能[14]。

1.2 自变量选取

车速不仅会影响驾驶人视野范围，也会影响行人对人车间距的判断，从而改变过街决策。A.SHEYKHFARD等[15]通过视频拍摄分析了216条人车交互案例，结果显示车速和人车间距是影响人车冲突发生的最重要因素。试验设置不同道路限速值来控制车辆速度。车流量是影响人车碰撞的因素之一[16,17]，其影响在试验中不可忽视。行人规模体现在过街行人群体的数量，大量研究表明其对人车冲突及行人安全的影响作用[18,19]。在考虑行人过街安全性同时，也需研究相关因素对交通流稳定性和通行效率的影响。

1.3 观察变量提取

交通流稳定性是考察道路中随机出现的扰动对交通流状态影响的一种有效分析指标，是衡量交通流运行质量的重要指标。若交通流稳定，则车速在合理范围内有序波动，当受到外界干扰时，扰动会随着时间演进而在交通流系统中逐渐减小并消失。若交通流不稳定，则不同时刻车速会发生无序变化，此时交通流效率、道路交通安全水平也随之降低。试验观察序列车辆在不同道路条件下的速度波动，从而判断不同变量对交通流稳定性的影响。

对于道路上行驶的车辆来说，人行横道处过街的行人是路段的一个外部干扰，对路段交通流的运行效率存在一定影响。人车冲突导致车辆运行速度受影响，进而产生延误。延误常被作为评价道路运行效率的重要指标，也是学者研究行人过街所引发问题时常常关注的重点[20,21]。定义等待时间为车辆和行人到达和离开人行横道处的时刻差[22]。试验采用车辆等待时间和行人等待时间、行人速度反映车辆流和行人流的通行效率。根据以往研究，在仿真模型中设置行人速度范围[23,24]，使行人智能体在该范围内自行调整速度。之后，观察不同系统运行时行人速度的时间分布并对其加以分析。

2 试验结果

2.1 序列车辆车速波动情况

随着路段上车辆的运行，其平均速度不是恒定不变的，不同时刻存在差异。在相同的道路限速值、车流量和行人规模下，安装不同车载系统的车辆的平均车速如图1。仿真中时间单位为tick，距离单位为patch，车辆智能体速度单位为patches·tick-1。在仿真时段内，传统车辆和行人检测系统车辆的平均车速在一定范围内呈现不同幅度的波动，而人车通讯系统车辆平均车速在仿真时段前期持续降低后逐渐稳定。

图1 同限速值、同车流量、同行人规模下不同系统车辆的平均车速波动状态

3种系统车辆在不同道路限速值下平均车速的时间序列值如图2。在仿真时段内，随着道路限速值取值的增大，传统车辆平均速度的标准差逐渐增大，分别为0.019 4、0.037 4和0.042 9 patches·tick-1。这表明道路限速值越大，平均车速波动越大。这一发现同样适用于行人检测系统车辆，其平均车速标准差分别为0.027 8、0.052 3和0.053 8 patches·tick-1。在道路限速值相同时，行人检测系统车辆速度波动比传统车辆更大。人车通讯系统车辆平均速度分别从第71、80和117 tick开始趋于一个相对稳定的值。也就是说，限速值越大，平均车速越晚呈现稳定状态。

图2 不同类型车辆在不同限速值下的平均车速波动状态

3种系统车辆在不同车流量下平均车速时间序列值，如图3。传统车辆和行人检测系统车辆的平均速度在仿真时段内均有不同程度波动。对这2种类型车辆平均速度时间序列值进行组内方差分析。分析结果显示，传统车辆在低流量和中等流量(F=28.729, df=1,p=0.000)、低流量和高流量(F=2635.224, df=1,p=0.000)及中等流量和高流量(F=3145.128, df=1,p=0.000)下平均车速均有显著差异；行人检测系统车辆在低流量和中等流量(F=401.831, df=1,p=0.000)、低流量和高流量(F=4794.155, df=1,p=0.000)及中等流量和高流量(F=500.295, df=1,p=0.000)下平均速度均有显著差异(F为显著性差异水平；df为自由度；p为检验水平，p值小于0.05时表示两组存在显著差异)。对上述2种类型车辆平均速度时间序列值组间方差分析。低流量(F=106.916, df=1,p=0.000)、中等流量(F=219.391, df=1,p=0.000)和高流量(F=124.000, df=1,p=0.000)下，其平均车速均有显著差异。分析结果表明道路车流量高低对2种类型车辆平均速度波动有显著影响，且在相同车流量下平均车速波动状态也具有显著差异。在仿真时段内，传统车辆在低、中、高车流量下瞬时平均车速的平均值分别为0.174 5, 0.171 4, 0.065 5 patches·tick-1；行人检测系统车辆为0.195 8, 0.144 1, 0.084 6 patches·tick-1。可见道路车流量越大，车流整体速度越小。人车通讯系统车辆在低、中、高流量下分别在第161、80和36 tick开始呈现稳定状态。可以推断，在一定范围内车流量越大，人车通讯系统车辆越早趋于稳定。

图3 不同类型车辆在不同车流量下的平均车速波动状态

3种类型系统车辆在不同行人规模下平均车速的时间序列值如图4。从波动图可以看出，随着行人规模增大，传统车辆和行人检测系统车辆平均车速波动频率逐渐减小。传统车辆在小规模、中等规模和大规模行人状态下的瞬时平均速度的平均值分别为0.210 9, 0.171 4, 0.081 0 patches·tick-1；行人检测系统车辆分别为0.220 2, 0.144 1, 0.079 6 patches·tick-1。可以推断，人行横道处过街行人规模越大，车流整体速度越小。过街行人规模不同时，人车通讯系统车辆的平均车速分别在第62、80和82 tick开始趋于低速稳定状态。可见，不同行人规模下，人车通讯系统车辆运行状态差异并不明显。

图4 不同类型车辆在不同行人规模下的平均车速波动状态

2.2 等待时间与行人速度分布

提取车辆平均等待时间和行人平均等待时间的瞬时值，并将其由低到高排列，分别取第80%位值作为该系统在特定行驶条件下的车辆和行人等待时间值，并经过多次仿真计算该值的平均值。

3种类型车辆在不同道路限速值、不同车流量和不同行人规模下运行得到的车辆等待时间和行人等待时间见表1。从不同类型车辆来看，车流量增大使得传统车辆等待时间有较为明显的增长；行人规模增大时，车辆等待时间的增长更为显著，在大规模下达到了小规模时的42.35倍。随着行人规模增大，行人检测系统车辆等待时间也随之增加，而在道路限速值和车流量不同时无明显变化。在不同行驶条件下，人车通讯系统车辆等待时间在350 ticks左右浮动，值得注意的是，相比于其他行驶状态，在车流量较小时，其等待时间大大增加。从相同行驶条件来看，人车通讯系统车辆等待时间远超于其他2种类型车辆；行人检测系统车辆的等待时间比传统车辆更长，只有在车流量较高和行人规模较大时才短于传统车辆等待时间。

从表1可以看出，行人检测系统车辆行驶环境下，行人等待时间相较于传统车辆行驶时更长，但在车流量较大时却相反；与车辆等待时间不同的是，人车通讯系统车辆行驶时的行人等待时间远低于其他2种类型车辆行驶时的情况。从不同类型车辆来看，传统车辆行驶时，行人等待时间随道路限速值增大而缩短，却随车流量和行人规模增大而延长。行人检测系统车辆行驶时，行人等待时间随道路限速值增大而缩短，随车流量增大而先延长后缩短；行人规模变化对其无明显影响，其值保持在1 tick左右。人车通讯系统车辆行驶时，行人等待时间在不同条件下均趋近于0或等于0。

表1 不同道路限速值、不同车流量和不同行人规模下3类车辆等待时间

将3种车辆分别放置在不同道路条件下运行，观察软件输出行人速度瞬时最大、最小和平均值随时间的变化情况，发现行人速度的时间序列分布并不会随道路限速值和车流量变化而产生明显变化；但当行人规模增大时，行人速度时间序列值波动范围逐渐缩小，行人流更加稳定。3种类型车辆在相同条件下运行时，行人瞬时平均速度的时间序列分布如图5。观察图5可知，传统车辆运行时行人速度波动最为明显，行人检测系统车辆次之。人车通讯系统车辆运行时，行人速度在0.03～0.12 patches·tick-1之间波动，且散点在0.06～0.10 patches·tick-1范围内分布较为密集。计算发现，传统车辆运行时的行瞬时平均速度的平均值为0.066 5 patches·tick-1，行人检测系统车辆为0.069 4 patches·tick-1，人车通讯系统车辆为0.076 1 patches·tick-1，由此认为，人车通讯系统车辆运行时的行人过街效率最高，其次是行人检测系统车辆，传统车辆运行时最低。

图5 不同类型车辆在相同条件下运行时的行人速度分布

3 模拟结果分析讨论

行人和车辆通过无信号灯控制人行横道处的运行过程往往是一个人机互相干扰过程。随着辅助驾驶系统和自动驾驶技术发展升级，过街行人安全也许能够得到一定改善[17-23]，当然，安全性也确实是其他性能的首要条件和基础，但先进技术除了能够达到对行人的保护作用外，在其他方面是否能够有良好表现，需要进一步验证。

3.1 交通流稳定性

在仿真中改变道路限速值，车辆智能体行驶速度也相应改变。传统车辆和行人检测系统车辆瞬时平均车速均处于波动状态，并且道路限速值越大，平均车速的波动越大。道路限速值的高低一定程度上体现了车速大小，车速较大时，车辆为避让行人而产生的加减速幅度也随之较大。在限速值相同时，行人检测系统车辆速度波动比传统车辆更大，也就是说，传统车辆车流更稳定，这可能是因为行人检测系统对目标的检测范围较大，导致车辆过早开始减速，留给行人过街的时间足够充足甚至过长，引起后续车辆减速排队。人车通讯系统车辆平均速度在持续下降一段时间后逐步趋于稳定，限速值越大，车辆智能体行驶速度越大，需要越长时间减速，平均车速越晚达到稳定状态，然而这种稳定状态是异常的，很难恢复至原有状态。这是因为人车通讯系统在接收到行人过街信息后尽可能让出路权，让行人顺利过街，当行人之间未出现可通过间隙时，车辆则一直停车等待，以致产生拥堵。

道路车流量高低对传统车辆和行人检测系统车辆平均车速波动具有显著影响，车流量越大，车速波动越小。这是因为车流量较高，车流整体速度较低，交通流不易受穿越行人影响。2种车辆在相同车流量下平均车速的时间序列值具有显著差异，但从长时间运行状态看，车流状态并没有很大区别，并不能区分孰优孰劣。另外，车辆智能体运动具有自主性，且仿真实验起始时的车流状态具有随机性，由此引起的显著差异性也是一方面原因。在一定范围内车流量越大，人车通讯系统车辆越早趋于稳定状态，这同样可以解释为交通流量大，整体车流速度小，减速避让行人所需时间短。

行人规模反映路段行人流量的大小。随着行人规模增大，传统车辆和行人检测系统车辆的平均车速波动频率逐渐减小。这是因为当行人规模较小时，车辆为避让行人而采取的加速、减速操作较为频繁；反之，人行横道处过街行人密集，行人频繁到达人行横道处，车辆没有足够时间加速到最大速度。人行横道处过街行人规模越大，停车或低速排队车辆越多，车流整体速度越小，交通流处于低速状态，车流通行能力降低。当行人规模相同时，从车流长时间运行状态来看，2种类型车辆平均速度波动状态并没有明显区别，只是在规模较大时，传统车辆整体车流速度略高于行人检测系统车辆。这可能是因为2者避撞模式相似，均需经历感知、判断、决策和操作过程，而行人检测系统相对于驾驶人来说对目标行人检测能力更强，能够更早采取减速操作避让行人，当排队车辆较多时，整体车流速度自然也会变小。人车通讯系统车辆接收到行人过街信息后即及时避让行人，因此在不同行人规模下运行状态差异并不明显。结合之前的分析来看，人车通讯系统车辆虽然在各种道路条件下都能保持稳定车流，但其对行人的让行使得车流无法正常运行，因此有理由认为人车通讯系统也许并不是先进驾驶系统的最佳选择。

3.2 通行效率

车辆通行效率是城市路网健康发展的重要组成部分。一方面车辆速度能够反映通行效率，另一方面车辆交通流受其他道路使用者干扰时的等待时间也能够反映交通流运行效率。道路限速值、车流量和行人规模变化，均会引起传统车辆等待时间变化。车流量较大时，车辆等待时间明显增长，行人规模较大时，这种增长更为显著。这是因为交通流量大，车间距离较小，整体车速较低，当与行人存在冲突风险的车辆减速停车时，后续跟驰车辆在较短时间内也相继减速停车。群体行人过街时，所需过街时间比单个行人过街多得多，且群体行人过街速度通常低于单个行人过街速度。与传统车辆相同的是，随着行人规模增大，行人检测系统车辆等待时间随之出现增加趋势。人车通讯系统车辆在各种道路条件下等待时间没有明显差距，唯一不同的是，在车流量较小时，其等待时间反而高于其他情况。将这个发现解释为车流量小时车间距离大，行人认为的可通过间隙多，因此路边行人直接过街而不是在路边等待的可能性更大，这使得行人过街状态离散，行人检测系统车辆能够较早识别到正在过街的行人，需频繁减速停车，反而导致了车辆通行效率降低。在大多数条件下，传统车辆等待时间比行人检测系统短，而在较高车流量和较大行人规模下前者才长于后者。而人车通讯系统车辆等待时间远远超过了其他2种类型车辆。推断原因是行人检测系统检测目标行人的灵敏性以及人车通讯系统接收信息的快捷性使得车流过早开始减速，停车时距离人行横道还有一定距离，当后续行人陆续到达时，车辆没有足够时间加速通过只能继续停车等待。这说明行人检测系统和人车通讯系统在通行效率方面的表现并不优于传统车辆，先进驾驶辅助系统的使用有可能会加剧交通拥堵，尤其是人车通讯系统。因此，若未来将其大量投放市场，决策者们则需要考虑行人流量较大时的车辆拥堵问题。

在实际中，过街行人在路边等待时通常存在等待忍受时间，等待时间过长不仅会影响人流通行效率，导致路边聚集行人过多而拥挤，还会使其产生焦虑心理，影响通行体验。当传统车辆或行人检测系统车辆行驶时，行人等待时间随车流量和行人规模增大而延长。空间需要在过街过程中体现为行人和机动车密度大小，也就是行人规模和车流量大小。人的自然属性驱使行人寻找空间满足其需要，空间越大舒适度越高。若周围环境拥挤，例如在路沿石等待过街或随大群行人一同过街时，不断有行人出现在身旁，可利用空间不断缩小，行人会自行调整与其他行人之间的距离。也就是说，车流量小时，人车间距大于行人认为的可通过间隙，因而行人直接过街，等待时间短，通行效率高；行人规模大时，路边和人行横道上易产生拥挤现象，从而使得行人群体过街速度小，有时需等待才能寻找到合适的行走空间，通行效率低。当行人检测系统车辆行驶时，行人等待时间会随车流量增高而先延长后缩短，这可以理解为车流量足够大时，车速缓慢，足以让行人寻找间隙顺利过街，从而缩短等待时间。当人车通讯系统车辆行驶时，行人几乎无需等待即可过街。这是因为车辆在接收到行人过街信息的情况下将通行权让给行人，保证行人通行效率。多数情况下，行人等待时间在行人检测系统车辆运行时比传统车辆运行时稍长，仅在车流量较大时后者超过了前者；而人车通讯系统车辆运行时，行人等待时间远远低于其他2种类型车辆运行时的情况。这说明了人车通讯系统对行人通行效率有很大改善作用，而行人检测系统在这方面的表现并不好。

从行人速度看，人车通讯系统车辆运行时的行人过街效率最高，其次是行人检测系统车辆，传统车辆运行时最低，但这个结论仅来源于传统车辆和行人检测系统车辆运行时行人低速时刻较多。但是这与上面关于行人等待时间的结论基本符合。在实际中，人车通讯系统车辆由于能够很早接收到行人过街需求信息，能够及时避让行人，保证行人通行效率；而行人也能够知晓车辆运动状态，无需停下观察即可过街。当传统车辆或行人检测系统车辆运行时，行人由于难以判断车辆行驶状态而需要停在路边观察后再过街，因此存在的低速时刻较多。

3.3 模拟局限性

试验不可避免地存在一些仿真失真的情况。例如，讨论车辆等待时间和行人等待时间时，忽略了驾驶人和行人的忍耐极限，这就是人与机器的区别。对于需要驾驶人手动操纵的传统车辆来说，其运动受到驾驶人情绪、性格及天气环境等不确定因素多方面影响，例如，驾驶人频繁加减速会造成其情绪烦躁，无形之中降低安全性。虽然运用车辆智能体来表征车辆在一定速度范围内的随机运动，但仍然不能保证模拟出其与自动驾驶系统运行模式的区别。行人也同样如此，与微观研究相比，并没有考虑冒险型行人和保守型行人不同过街特性，而是直接考虑了行人群体过街特点以及不同年龄范围对应的过街速度，但这也许更适合于所做的宏观研究。

4 结 语

笔者探索了传统车辆(即驾驶人)、行人检测系统以及人车通讯系统分别在各自感知能力下在长时间内对城市无信号人行横道路段交通流运行的影响。研究结果表明：虽然行人主动安全系统的发展越来越能够改善行人安全性，但这些先进系统在交通流运行质量和通行效率方面的性能并不是越来越好的，例如，行人检测系统车辆也许并不利于交通流的稳定；人车通讯系统的普及也许会严重影响车辆通行效率，加剧城市拥堵。决策者应认识到这一点，并采取措施规避这些缺陷。

很多辅助驾驶系统试图通过目标检测功能和图像处理技术来达到行人检测和避撞目的。而从仿真试验结果可以看出，当道路运行状况不同时，不同系统的各个性能指标无法在同一条件下取得最优值，而需要从道路管理功能方面结合路段交通流的实际运行情况，综合评价不同系统的性能。