整合极值理论与任务-能力界面模型以考虑网联环境中驾驶员特异性异质性的碰撞风险评估

《Analytic Methods in Accident Research》:Integrating extreme value theory and the task-capability interface model to estimate crash risk with driver-specific heterogeneity in connected environment

【字体: 大 中 小 】 时间:2026年06月25日 来源:Analytic Methods in Accident Research 10.7

编辑推荐:

  极值理论(Extreme Value Theory, EVT)为从通过车辆速度和间距识别的罕见交通事件中估计碰撞风险(Crash Risk)提供了稳健框架。然而,现有的基于极值模型的方法在很大程度上忽略了驾驶员特有的能力和行为异质性(Heterogeneity

  
极值理论(Extreme Value Theory, EVT)为从通过车辆速度和间距识别的罕见交通事件中估计碰撞风险(Crash Risk)提供了稳健框架。然而,现有的基于极值模型的方法在很大程度上忽略了驾驶员特有的能力和行为异质性(Heterogeneity)。任务-能力界面模型(Task Capability Interface Model, TCI模型)从概念上解释了任务需求(Task Demand)与驾驶员能力(Driver Capability)之间的交互作用,但其在定量碰撞风险评估中的可操作性仍然有限。在网联与自动驾驶汽车技术(Connected and Automated Vehicle Technologies, CAV技术)新兴背景下,考虑驾驶员能力与行为适应的差异尤为关键。为弥补这些空白,本研究将极值理论与任务-能力界面模型相结合,开发了一个驾驶员特异性的、基于能力的碰撞风险评估框架。研究人员采用任务-能力界面模型,通过期望时距(Desired Time Headway, DTH)评估不同场景下驾驶员的能力,从而估计任务难度(Task Difficulty, TD)。然后,将广义极值模型(Generalized Extreme Value Model, GEV模型)应用于导出的任务难度值,并利用新引入的指标——最大允许任务难度(Maximum Allowable Task Difficulty, MATD)——来估计碰撞风险,该指标代表了可安全管理的任务需求上限。研究人员使用来自78名参与者的高保真驾驶模拟器数据,在传统驾驶环境和网联驾驶环境中对提出的框架进行了跟驰交互(Car-following Interaction)验证。结果表明,在网联条件下碰撞风险显著降低,总体风险下降44%,个体层面的降幅范围为9%至67%。与依赖固定物理度量的先前研究不同,提出的框架引入了一种方法论上新颖的、基于行为的方法来进行实时碰撞风险估计,并具有直接的操作适用性。
**论文解读:《Analytic Methods in Accident Research》发表的研究——《整合极值理论与任务-能力界面模型以考虑网联环境中驾驶员特异性异质性的碰撞风险评估》**

**研究背景与问题**

道路交通事故的安全评估是交通工程领域的核心议题。传统基于冲突的安全评估方法,如使用固定的时距或减速率阈值,往往假设所有驾驶员具有相似的风险承受能力、驾驶能力和情境意识,从而忽略了驾驶员之间的显著行为异质性。这种“一刀切”的方法在网联与自动驾驶车辆环境下尤为不足,因为驾驶辅助系统可能以异质的方式改变驾驶员的感知和行为。例如,在传统环境中,前车的急减速可能引发后车的剧烈反应;而在车-车通信(V2V)和车-路通信(V2I)使能的网联环境中,驾驶辅助信息能增强驾驶员的预见性,从而缓解剧烈操作,提升整体安全。

尽管已有研究证实网联环境能够降低碰撞风险、平滑交通流,但这些研究大多基于固定的物理度量(如车头时距、碰撞时间),未能充分考虑驾驶员能力的个体差异及其在网联环境下的适应性变化。心理学理论如风险异稳态理论(Risk Allostasis Theory)和零风险理论(Zero Risk Theory)虽从概念上解释了驾驶员的风险调节行为,但缺乏用于实时碰撞风险估计的操作性。任务-能力界面模型(Task Capability Interface Model, TCI模型)则提供了一个行为学基础坚实且可量化的框架,认为碰撞风险产生于驾驶任务需求超过驾驶员能力之时。然而,该模型在定量碰撞风险估计中的操作性应用仍非常有限。为此,开展本研究旨在弥补上述空白,开发一个能够同时整合任务需求与个体驾驶员能力、并考虑网联环境下驾驶员行为适应性的碰撞风险评估框架。

**研究内容与结论**

为回答“如何在跟驰场景中同时考虑任务需求和驾驶员能力来量化碰撞风险?”以及“在考虑驾驶员能力差异和适应性变化的情况下,网联环境相比传统环境能在多大程度上降低碰撞风险?”这两个核心研究问题,研究人员开展了一项系统研究。研究基于高保真驾驶模拟器数据,招募了78名参与者,分别在同一组驾驶员完成传统驾驶和网联驾驶实验。研究人员首先将极值理论(Extreme Value Theory, EVT)与任务-能力界面模型(TCI模型)整合,提出一个驾驶员特异性的碰撞风险评估框架。该框架通过驾驶员在不同场景下的期望时距(Desired Time Headway, DTH)来表征其能力,并计算动态的任务难度(Task Difficulty, TD)。研究人员进一步引入了一个新概念——最大允许任务难度(Maximum Allowable Task Difficulty, MATD),作为驾驶员能够安全管理的任务需求上限。随后,研究人员运用广义极值模型(Generalized Extreme Value Model, GEV模型)对任务难度的极端值进行建模,以估计任务难度超过该阈值的概率,即碰撞风险。研究结果表明:①在网联环境下,碰撞风险总体降低了44.4%(从0.0135降至0.0077),个体层面的降幅在9%至67%之间;②极端任务难度的分布属于Frechet族(厚尾分布),网联环境虽然尾部略重,但分布的均值(位置参数)和离散度(尺度参数)均更低,导致整体碰撞风险下降;③低速场景下的碰撞风险低于高速场景,且网联环境在低速时安全提升更显著;④女性驾驶员、持临时驾照的驾驶员以及有事故历史的驾驶员在传统环境下表现出更低的碰撞风险,且女性驾驶员在网联环境下获益更多;⑤间距的标准差越大,碰撞风险越高。

**主要技术方法**

本研究整合了极值理论与任务-能力界面模型,提出一个驾驶员特异性的碰撞风险评估框架。关键技术方法包括:1)通过稳态跟驰提取方法(基于相对速度、加速度阈值及持续时长窗口)确定每位驾驶员的期望时距(Desired Time Headway, DTH),作为驾驶员能力的代理指标,并考虑其在低速(40 km/h)和高速(85 km/h)以及传统与网联环境下的适应性变化;2)基于物理学制动距离机制,定义并量化最大允许任务难度(Maximum Allowable Task Difficulty, MATD),作为区分高风险与不可控碰撞状态的边界阈值;3)应用广义极值模型(GEV模型)对经1.5秒反应时间间隔分离的r个最大任务难度峰值(r=5)进行建模,并在位置和尺度参数中引入协变量(如驾驶条件、性别、间距标准差)以处理非平稳性;4)采用基于蒙特卡洛模拟的方法,通过对每个驾驶员从其对应的GEV分布与预设的MATD分布(对数正态分布)中抽样,计算碰撞风险(即任务难度超过MATD的概率)。数据来源为澳大利亚昆士兰科技大学CARRS-Q驾驶模拟器实验,包含78名参与者(35.9%女性,年龄18-65岁)。

**研究结果**

**4.1 极值模型结果**
研究人员分别为传统环境和网联环境建立了广义极值模型(GEV模型)。非平稳模型(在位置和尺度参数中均引入协变量)表现最佳(AIC和BIC值最低)。模型结果显示:形状参数均为正(传统0.695,网联0.767),表明极端任务难度服从Frechet分布,具有厚尾特性。关键协变量影响一致:低速场景、女性驾驶员、持临时驾照驾驶员均与更低的极端任务难度相关;间距标准差越大,极端任务难度越高;有事故历史的驾驶员极端任务难度略低。

**4.2 驾驶员特异性碰撞风险估计**
基于拟合的GEV模型参数和抽样模拟,研究人员估算了每位驾驶员的碰撞风险。在传统环境中,至少经历一次极端任务难度的71名驾驶员平均碰撞风险为0.0148;在网联环境中,69名此类驾驶员的平均碰撞风险为0.0085。假设无极端值的驾驶员碰撞风险为零,全部78名驾驶员的平均碰撞风险在传统环境为0.0135,在网联环境为0.0077,降幅达44.4%。个体风险降幅在9%至67%之间,且65名在两个环境均有极端值的驾驶员均显示出风险下降。按性别细分,女性驾驶员在两种环境中的平均风险均低于男性;按事故历史细分,有事故历史的驾驶员风险更低且范围更窄。这些结果证实了网联环境对安全的积极影响,并揭示了驾驶员特异性差异。

**讨论与结论**

讨论部分指出,网联环境虽然整体降低了碰撞风险,但极端任务难度的厚尾分布表明,对于某些驾驶员,罕见的高工作负荷尖峰事件仍可能发生,这源于个体对系统信任、认知适应的差异,强调了需要个性化或适应性干预。低速环境下网联带来的更大安全收益可归因于任务复杂性降低,使驾驶员能更有效地利用连接系统管理极端需求。性别差异(女性风险更低)与既往研究一致,反映了男性更激进的驾驶倾向。持临时驾照驾驶员在传统环境中更谨慎,但其在网联环境中的优势消失,表明系统可能平均化了经验差异。间距波动大和高风险相关,而事故历史可能与事故后行为调节有关。总体而言,这些发现揭示了网联环境如何通过调节极端工作负荷条件并考虑个体能力差异来提升安全,为基于行为的、以人为本的风险评估提供了新视角。

研究结论部分翻译如下:本研究通过整合极值理论(Extreme Value Theory, EVT)与任务-能力界面模型(Task Capability Interface Model, TCI模型),开发了一个驾驶员特异性的碰撞风险评估框架。在跟驰(Car-following)背景下,任务难度(Task Difficulty, TD)被操作化为一个动态度量,捕捉驾驶任务需求与驾驶员适应性能力之间的交互作用。期望时距(Desired Time Headway, DTH)作为一个行为驱动且依赖于环境(速度水平和连接性)的参数,被嵌入作为能力组件,使任务难度能够反映运动学复杂性和驾驶员响应的瞬时变化。通过对任务难度极端值进行建模,所提出的极值建模框架识别了驾驶员超出其能力的条件,并量化了传统和网联环境下的碰撞风险(Crash Risk)。为此,研究直接回答了第一个研究问题:如何通过同时考虑任务需求和驾驶员能力来量化跟驰场景中的碰撞风险?重要的是,为了操作化碰撞风险估计,最大允许任务难度(Maximum Allowable Task Difficulty, MATD)被定义为一个阈值,代表驾驶员在可能失去控制之前能够可持续管理的任务难度上限。为了泛化性,该阈值的范围分别针对传统和网联环境进行了经验预设。然后,基于任务难度超过最大允许任务难度的超越概率,推导出每位驾驶员的碰撞风险。研究还回答了第二个研究问题:在考虑个体差异和驾驶员能力适应性变化的情况下,与传统的交通环境相比,网联车辆环境在多大程度上降低了碰撞风险?结果揭示了网联环境对驾驶员一致积极的安全效益。然而,驾驶员特异性碰撞风险降低的幅度差异很大(9%至67%),反映了个体能力和主观适应性差异。这些发现强调了网联系统在管理极端工作负荷条件方面以人为本的优势,并证实了所提出框架的核心前提——即其捕捉驾驶环境间行为多样性和适应性转变的能力,这些维度在基于接近度或冲突的风险模型中常被忽视。与先前仅基于物理或运动学度量报告更大安全收益的研究相比,本框架提供了更稳健和以人为本的视角,扎根于行为阈值。通过明确整合个体变异性和任务-情境动态,该方法代表了向未来网联和自动驾驶汽车移动系统个性化碰撞风险估计迈出的重要一步。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号