0 引言
随着自动驾驶与车联网等技术的发展，自动驾驶车辆逐渐从技术研发测试阶段转向产品化运行测试阶段，未来自动驾驶车辆与人工驾驶车辆混合行驶的情况会越来越多。因此，如何保证自动驾驶车辆在混行交通环境中的安全性与高效行驶，以及如何对该环境下自动驾驶车辆的安全性与通行效率进行评价，成为自动驾驶车辆在商业化落地与技术提升过程中面临的主要问题。
在道路交通流中，自动驾驶车辆的智能性决定了其行驶过程的安全性与通行效率。当前，关于自动驾驶车辆智能性评价方法的研究主要分为基于里程与基于场景两类，其中基于里程的评价方法主要通过统计自动驾驶车辆运行里程、人工干预次数、事故次数等指标来评价自动驾驶车辆；基于场景的评价方法一般根据具体场景的特点来设计评价内容与方法，相较于前者，该类方法对自动驾驶车辆的评价针对性更强，能为自动驾驶车辆的技术迭代提供关键的优化建议。在基于场景的评价中，对比自动驾驶车辆与人工驾驶车辆在不同场景下的表现，即分析其驾驶行为的一致性，是评价自动驾驶车辆智能性的常用手段。驾驶行为一致性，指自动驾驶车辆与人工驾驶车辆行驶特征的相似性。根据赵祥模等[1]研究，尽管不同人类驾驶员驾驶风格迥异，但其对交通环境的感知、理解、判别与协同是同质且近似的。与人类驾驶员相似，自动驾驶车辆与周围车辆驾驶行为一致性的高低，反映了其融入交通系统的能力。关于驾驶行为一致性的研究，Zheng等[2]研究表明，自动驾驶车辆对人工驾驶车辆的不确定性以及交通的稳定性具有显著影响；杨泽[3]研究发现，当车辆与周围车辆保持相似的驾驶行为时，交通流表现出较高的安全水平；Kalik等[4]在自动驾驶车辆评价中引入图灵测试，通过人类观察者能否根据行为区分自动驾驶车辆与人工驾驶车辆来评价自动驾驶车辆的智能性水平。综合来看，以往研究一般缺少微观驾驶行为数据支撑，以主观性评价为主。
跟驰是车辆在道路行驶中最基本的驾驶行为[5]。由于当前自动驾驶车辆仍处于有限规模的运行测试阶段，考虑到样本量的稀少以及企业对自动驾驶数据的保护，关于自动驾驶车辆跟驰行为的研究还较为缺少。而在未来自动驾驶车辆与人工驾驶车辆混合行驶的交通环境中，人工驾驶车辆是自动驾驶车辆的主要交互对象，研究人工驾驶车辆的跟驰行为特征，结合基于驾驶行为一致性的自动驾驶车辆智能性评价方法，能为自动驾驶车辆的策略优化与行为参数设计提供有效支撑。当前关于人工驾驶车辆跟驰行为的研究多集中于理论与自然驾驶数据两个层面。在理论层面，Chen等[6]提出了一种同时考虑碰撞时间和安全制动距离的驾驶行为评价方法；王晓安等[7]依据跟驰过程中车辆不同的行驶状态，构建了多种跟车间距安全模型。基于理论的跟驰行为研究通常对行为做了必要的简化，而基于自然驾驶数据的研究则在跟驰行为的分析上更加贴近真实情况。自然驾驶数据是在尽量不影响驾驶员的前提下采集的大规模车辆运行数据，能反映驾驶人真实的驾驶特征[8]。常见的自然驾驶数据包括美国下一代仿真（Next Generation Simulation, NGSIM）数据集与中国实车路试（China Field Operational Test, China-FOT）数据集等。基于NGSIM数据，王殿海等[9]应用遗传算法对通用汽车（General Motors, GM）跟驰模型的参数进行了标定；陈景旭等[10]通过提取碰撞时间、速度、加速度等指标，分析了跟驰行为由安全状态变为危险状态的影响因素；罗颖等[11]通过改进最优加权目标函数建立了低速跟驰IDM-RBFNN组合模型。基于China-FOT数据，朱西产等[12]筛选出87个制动避撞危险工况与40个转向避撞危险工况，通过时间裕度指标对跟驰过程中的潜在风险进行了评价；孙晓宇[13]通过分析加速度、横摆角速度以及车速之间的关系，提出了危险驾驶工况的筛选方法。以上研究从不同角度研究了跟驰行为的特征，然而由于数据源自国外或研究时间较早，在反映国内驾驶行为的适用性与数据采集精度上有所欠缺。随着科技的发展，通过无人机采集交通数据的方式逐渐兴起。无人机采集的交通视频，通过图像识别与数据处理后可获得高精度驾驶行为数据，提取出符合实际交通状况的参数[14-15]，具有数据采集效率高、规模大等特点，目前已广泛用于多种检测与测量[16]。
综上，自动驾驶车辆若要大规模商业化应用，需要经过智能性评价验证。以往关于自动驾驶车辆智能性评价的研究，存在评价方法偏主观、缺少微观驾驶数据支撑的问题。因此，本文将基于自动驾驶车辆与人工驾驶车辆驾驶行为一致性，结合人工驾驶车辆的稳定跟驰行为特征，探究自动驾驶车辆跟驰行为智能性评价方法。研究将通过无人机采集国内高速公路自然驾驶数据，以避免以往人工驾驶车辆驾驶行为研究中数据不适用、精度不高的问题，进而利用图像识别算法与K-means聚类算法提取稳定跟驰行为数据，分析后车与前车的速度、加速度、跟车间距以及跟车时距特征，建立自动驾驶车辆智能性评价模型，并开展自动驾驶车辆实证试验。
1 数据采集与处理
1.1 数据准备
研究中，使用无人机采集高速公路车辆行驶数据。为保证数据能反映国内多数驾驶员的驾驶行为特征，采集范围涉及国内18个省份，包括京沪高速、青银高速、长深高速等在内的15条高速公路。选择天气晴朗的工作日，在多段均长约为400 m的双向多车道直线路段，采集总时长约100 h的车辆行驶视频。通过视频处理软件提取车辆位置、速度、加速度等信息，数据频率为25 Hz。车辆轨迹提取如图1所示。
为保证数据质量，对数据处理过程进行了严格把控。在数据采集阶段，统一无人机飞行高度，拍摄分辨率均为4K；在数据提取阶段，通过图像匹配与特征点提取算法消除视频抖动并准确识别车辆；在数据审核阶段，采用人工校对的方式检查车辆与轨迹的有效性，并对比无人机采集视频提取数据与搭载高精度定位设备车辆实际行驶数据以确认数据精度，经检查，视频提取数据误差小于2%。
表1 部分跟驰数据 |
| 后车 编号 | 后车相对 x轴位置 | 后车相对 y轴位置 | 后车速度 /（m/s） | 后车加速度 /（m/s2） | 前车 编号 | 前车相对 x轴位置 | 前车相对 y轴位置 | 前车速度 /（m/s） | 前车加速度 /（m/s2） |
|---|---|---|---|---|---|---|---|---|---|
| 0946 | 3 333.02 | 986.25 | 21.51 | -0.43 | 0921 | 2 761.47 | 975.08 | 20.06 | -0.24 |
| 0946 | 3 325.38 | 986.18 | 21.50 | -0.42 | 0921 | 2 754.35 | 974.96 | 20.05 | -0.24 |
| 0946 | 3 317.75 | 986.12 | 21.48 | -0.40 | 0921 | 2 747.23 | 974.84 | 20.04 | -0.24 |
| 0946 | 3 310.12 | 986.06 | 21.47 | -0.38 | 0921 | 2 740.11 | 974.71 | 20.03 | -0.23 |
| 0946 | 3 302.50 | 986.00 | 21.45 | -0.36 | 0921 | 2 733.00 | 974.58 | 20.02 | -0.23 |
1.2 稳定跟驰数据获取
利用以上方法获取的跟驰数据涉及后车加速、减速以及稳定行驶的状态，不同状态的跟驰行为特征不同。考虑到稳定跟驰是主要的跟驰行为，故采用稳定跟驰作为研究对象进行分析。为提取稳定跟驰数据，首先需确定不同跟驰状态的划分，有学者通过模型参数的标定实现了跟驰状态划分。Aron[18]基于实车试验数据标定了GM跟驰模型：将c=2.46, m=0.14, l=0.18（c, m, l均为GM模型常数）作为加速跟驰状态参数；将c=2.45, m=0.655, l=0.676作为减速跟驰状态参数；将c=0.67, m=0.26, l=0.5作为稳定跟驰状态参数。还有研究将后车速度变化作为区分不同跟驰状态的依据，如Marsden等[19]将速度变化小于-1.5 m/s的跟驰作为减速跟驰，大于1.5 m/s的跟驰作为加速跟驰，两者之间作为稳定跟驰；乔晋[20]同样根据后车速度变化，将-1.52~1.52 m/s的跟驰划分为稳定跟驰状态。
2 跟驰行为特征分析
跟驰过程中，驾驶行为受驾驶经验、驾驶风格、道路工况等多种因素影响，这些影响反映在跟驰速度、跟车间距等客观指标上。基于15 446组稳定跟驰行为数据，分析速度、加速度、跟车间距以及跟车时距指标，挖掘稳定跟驰行为特征，探索评价跟驰行为的有效指标。
2.1 跟驰速度
跟驰速度反映驾驶员在跟驰过程中对于车辆速度的选择。稳定跟驰状态下，速度呈现左偏态分布，见图3。其中，速度的25、50与75分位数分别为19.37 m/s、22.62 m/s、25.46 m/s，有25%的速度小于19.37m/s，该部分数据主要是因为数据采集时段道路交通拥堵、车辆行驶较为缓慢；有50%的速度大于22.62m/s，以及25%的速度大于25.46m/s。速度最大值为34.58 m/s，速度最小值为1.43 m/s，平均值为21.98 m/s，标准差为5.11 m/s。稳定跟驰速度主要集中于19.37~25.46 m/s之间。
稳定跟驰中前后车速度差分布如图4所示，速度差均值为0.02 m/s，标准差为1.43 m/s。在稳定跟驰状态下，后车驾驶员具有较好的与前车保持相似行驶速度的能力，驾驶员的期望速度与前车速度相差较小。
2.2 加速度
2.3 跟车间距
跟车间距是驾驶员在稳定跟驰中根据自身驾驶习惯与实际交通环境选择的与前车在距离上的远近。跟车间距呈右偏态分布，如图6所示。其中，跟车间距的25、50与75分位数分别为22.14 m、33.41 m、48.71 m，有25%的跟车间距小于22.14m，其原因可能是跟驰速度较低或驾驶员跟驰较为激进；有50%的跟车间距大于33.41 m以及25%的跟车间距大于48.71 m。此外，跟车间距最大值为134.09 m，最小值为1.63 m，平均值为37.08 m，标准差为19.46 m。跟车间距主要集中在22.14~48.71 m之间。
2.4 跟车时距
跟车时距是驾驶员选择的与前车在时间上的远近，也是驾驶行为评价的常用参数。在稳定跟驰中，跟车时距表示后车在保持当前速度的情况下，达到前方车辆所在位置需要的时间，按式（1）计算：
式（1）中： 为跟驰过程中前后两车的跟车时距，单位s； 为两车的跟车间距，单位m； 为后车的速度，单位m/s。
跟车时距呈现右偏态分布，如图7所示。其中，跟车时距的25、50与75分位数分别为1.08 s、1.54 s、2.18 s，有25%的跟车时距小于1.08 s，50%的跟车时距大于1.54 s以及25%的跟车时距大于2.18 s。此外，跟车时距最大值为4.75 s，最小值为0.1 s，平均值为1.70 s，标准差为0.81 s。稳定跟驰过程中，跟车时距主要集中在1.08~2.18 s之间。
2.5 不同跟驰速度下各指标的变化
由于跟车时距与跟车间距可通过式（1）进行变换，本研究仅选取跟车间距与加速度指标分析不同速度下的指标变化。不同速度条件下跟车间距变化如图8所示，其中箱体中间线段表示跟车间距的中位数，上下箱体边缘表示跟车间距的25与75分位数，线段的顶端与底端分别表示跟车间距的极大值与极小值。
上文分析了稳定跟驰行为的速度、加速度、跟车间距以及跟车时距指标，根据指标变化特征，不同速度下跟驰的加速度变化不明显，同时考虑到跟车间距作为空间距离指标在跟驰过程中感受更为直观，故选取速度、跟车间距指标构建自动驾驶车辆跟驰智能性评价模型。
3 自动驾驶车辆跟驰智能性评价模型
自动驾驶车辆与人工驾驶车辆的驾驶行为良好的一致性对道路交通流的安全与高效具有重要意义[24]。尽管由于驾驶风格不同，驾驶员存在偏激进或保守的驾驶行为，但多数驾驶员仍能保持兼顾安全与效率的驾驶。自动驾驶车辆保持与人工驾驶车辆相似的驾驶行为，不仅能为乘客提供舒适的乘坐感受，还有利于周围车辆更好地理解并预测自动驾驶车辆的行为，实现人工驾驶车辆与自动驾驶车辆良好的互动。
跟车间距众数反映人工驾驶车辆与前车距离的主要集中区间，研究以不同速度下跟车间距的众数为中心，将跟车间距按照对应速度下人工驾驶车辆数量的70%, 20%以及10%进行划分，分别作为自动驾驶车辆与人工驾驶车辆驾驶行为一致性较好、一般、较差的3种情况，以此为基础建立自动驾驶车辆跟驰智能性评价模型。不同速度下的跟车间距基本呈右偏态分布，其中后车速度为20~21 m/s与25~26 m/s时的跟车间距分布如图9、图10所示。考虑到驾驶行为一致性3种情况的边界参数计算较为繁琐，而Gamma分布拟合具有精度高、计算简单的优点，因此使用Gamma分布对不同速度下的跟车间距进行拟合，拟合曲线见图9、图10。通过柯尔莫哥罗夫-斯米尔诺夫检验（Kolmogorov-Smirnov Test, K-S）法分析拟合优度，检验结果见表3，不同速度条件下，Gamma分布对跟车间距的拟合优度检验p值均大于0.05，可以认为在置信水平为95%的情况下跟驰数据与Gamma分布服从同一分布。
表3 Gamma分布对跟车间距数据拟合优度检验p值 |
| 速度/（m/s） | p值 | 速度/（m/s） | p值 |
|---|---|---|---|
| 1 | 0.579 | 18 | 0.990 |
| 2 | 0.405 | 19 | 1.000 |
| 3 | 1.000 | 20 | 1.000 |
| 4 | 0.579 | 21 | 0.919 |
| 5 | 0.766 | 22 | 1.000 |
| 6 | 0.766 | 23 | 1.000 |
| 7 | 0.919 | 24 | 0.990 |
| 8 | 0.919 | 25 | 0.990 |
| 9 | 0.919 | 26 | 0.990 |
| 10 | 0.990 | 27 | 0.990 |
| 11 | 1.000 | 28 | 0.919 |
| 12 | 0.990 | 29 | 0.990 |
| 13 | 0.990 | 30 | 1.000 |
| 14 | 0.766 | 31 | 0.990 |
| 15 | 0.990 | 32 | 0.919 |
| 16 | 0.990 | 33 | 0.405 |
| 17 | 1.000 | — | — |
式（2）~式（7）中： 与 分别为70%人工驾驶车辆跟车间距的上、下边界； 与 分别为20%人工驾驶车辆跟车间距的上、下边界； 与 分别为10%人工驾驶车辆跟车间距上、下边界； 为车辆速度，单位m/s。
依据以上边界构建自动驾驶车辆跟驰智能性评价模型，如式（8）所示，模型以分值3分、2分、1分、0分代表自动驾驶车辆与人工驾驶车辆驾驶行为一致性较好、一般、较差及完全不相同的情况，得分越高表示智能性越高。
式（8）中： 为自动驾驶车辆跟驰智能性评价得分； 为自动驾驶车辆跟驰过程中的跟车间距，单位m。
4 实证分析
4.1 实证试验
选取A、B两款具备自动驾驶功能的车辆进行稳定跟驰试验。路段为北京大兴国际机场高速公路的大兴新城至大狼垡段，长约15 km。A、B两款车均搭载高精度组合定位设备，采集车辆行驶过程高精度定位数据，数据频率为100 Hz。将车辆行驶速度与跟车间距输入自动驾驶车辆跟驰智能性评价模型，以评价两款自动驾驶车辆的稳定跟驰功能。
4.2 跟驰评价得分计算
将A、B两车稳定跟驰过程中各时刻的速度代入式（2）~式（7），计算相应时刻速度下不同驾驶行为一致性的边界，并将其代入式（8）与对应时刻的实际跟车间距进行比较，计算各时刻跟驰行为的评价得分，最后取各时刻得分的平均值作为A、B两车跟驰评价最终得分。经计算，在27.8 m/s速度下，A车跟驰行驶时平均得分为3分；B车跟驰行驶时平均得分为2.13分。
4.3 跟驰评价分析
在试验过程中，目标车辆速度变化小于0.5 m/s，处于相对稳定的行驶状态。A车跟驰速度极值为0.06 m/s，跟车间距极值为3.01 m；B车跟驰速度极值为0.13 m/s，跟车间距极值为1.58 m。A车跟驰速度较为稳定，而B车跟车间距较为稳定，若通过跟驰速度与跟车间距分别评价车辆的跟驰行为，可能存在评价冲突的问题进而导致评价结果出现偏差。
研究提出的自动驾驶车辆跟驰智能性评价模型将各时刻的跟驰行为均纳入跟驰评价中，并基于驾驶行为一致性对跟驰行为做出综合评价。根据跟驰评价得分，A车在整个跟驰过程中，各时刻的跟车间距均处于70%人工驾驶车辆跟车间距范围内，自动驾驶跟驰智能性较高，与多数人工驾驶车辆驾驶行为相似，其驾驶行为更容易被其他驾驶员理解并预测。B车在跟驰过程中有部分跟驰行为处于20%人工驾驶车辆跟车间距范围内，与多数人工驾驶车辆行为不相似，自动驾驶跟车智能性一般。根据两款自动驾驶车辆跟驰智能性评价得分，A车在自动驾驶跟驰的智能性方面优于B车，更容易融入自动驾驶车辆与人工驾驶车辆混合行驶的交通环境。
5 结论
针对当前自动驾驶车辆跟驰智能性评价中存在的以主观评价为主、缺少微观驾驶行为数据支撑的问题，本文基于自动驾驶车辆与人工驾驶车辆的驾驶行为一致性，通过无人机采集了国内高速公路自然驾驶数据，利用图像识别算法与K-means聚类算法提取并分析了人工驾驶车辆的稳定跟驰行为，构建了自动驾驶车辆跟驰智能性评价模型并加以实证，为自动驾驶车辆跟驰行为评价探索了新方法。研究得出如下主要结论：
1）在高速公路稳定跟驰状态下，人工驾驶车辆跟驰速度呈左偏态分布，跟车间距与时距呈右偏态分布；后车驾驶员具有较好的与前车保持相似行驶速度的能力，驾驶员期望速度与前车速度相差较小；跟车间距主要集中在22.14~48.71m之间，跟车时距主要集中在1.08~2.18s之间。
2）稳定跟驰过程中的跟驰速度与距离关系表明，当车速小于29m/s时，随着跟驰速度的增加，跟车间距不断变大；当车速大于29m/s时，随着跟驰速度的增加，跟车间距开始减小，其原因可能是采用大于29m/s速度进行稳定跟驰的驾驶员驾驶风格偏向于激进。
3）提出了一种基于自然驾驶数据的自动驾驶车辆跟驰智能性评价模型，通过分析自动驾驶车辆与人工驾驶车辆驾驶行为的一致性，对自动驾驶车辆的跟驰智能性进行评价。经实例验证，提出的模型能够基于微观行为数据对自动驾驶车辆的跟驰智能性开展评价。
本文研究成果为自动驾驶车辆的跟驰功能提供了参数设计、策略优化以及智能性评价方法的支撑，对于提高自动驾驶车辆技术水平、加快其商业化落地进程具有重要意义。然而，本文研究对象仅限定于高速公路中的稳定跟驰行为，对加速、减速跟驰等驾驶行为以及城市道路交通环境暂未涉及，对于不同等级驾驶行为一致性的划分也较为简单。在未来的研究中，需进一步探索自动驾驶车辆在城市道路交通环境与其他驾驶行为下的评价模型与方法，增加对自动驾驶车辆驾驶行为评价机理的认识。此外，未来拟进一步扩充自然驾驶数据样本量，深入挖掘自动驾驶车辆与人工驾驶车辆驾驶行为的关系，从而实现对自动驾驶车辆驾驶行为安全性与效率性的准确分析与评价。