《Accident Analysis & Prevention》：Safety effects of take-over requests on vehicle conflicts in realistic mixed traffic simulation
编辑推荐：
在自动驾驶（AD）与人工驾驶车辆（HDV）共存的混合交通环境中，接管请求（TOR）引发的动态行为是安全关键环节。本研究通过Aimsun微观模拟重现了希腊Nea Odos高速公路的TOR事件（L2/L3级别），结合替代安全评估模型（SSAM）提取冲突级时间碰撞（TTC）指标，并运用空间广义可加模型（GAM）进行量化分析。研究发现，更高的自动化市场份额（MPR）和速度限制与更长的TTC相关，提升了交互稳定性；而无论时间预算（TB）长短，TOR事件均会一致缩短TTC，证实了控制权交接期间的短期风险升高。空间平滑项揭示了TOR区域及合流车道附近的局部高风险区。该研究为混合交通中面向接管的安全策略设计提供了网络级、空间明确的见解。
随着高级驾驶辅助系统（ADAS）和自动驾驶（AD）功能（SAE L2-L3级）从研究原型走向商业部署，通过自动化控制提升交通安全与效率的承诺日益接近现实。然而，在部分自动驾驶中，自动化系统与人类驾驶员之间的控制权交接，即发出接管请求（TOR）后的时刻，始终是安全风险最高的环节之一。当TOR响起，驾驶员必须在数秒内重新集中注意力、理解交通状况并重新接管车辆，这个过程常常伴随着不确定性和时间压力。以往的研究多集中于驾驶模拟器或孤立场景下的驾驶员个体行为，而对于接管行为如何影响周边车流、乃至在整个交通网络中引发怎样的安全涟漪效应，我们仍知之甚少。与此同时，自动驾驶车辆与人工驾驶车辆共存的混合交通环境日益普遍，车辆间的交互变得更为复杂。尽管已有研究表明，适度的自动驾驶渗透率能提升交通流稳定性与安全，但大多数研究将自动化份额视为静态参数，未能将其与动态发生的TOR事件及其网络级安全后果明确关联。正是为了填补“个体接管行为”与“网络级安全影响”之间的认知鸿沟，这项研究应运而生。
本研究发表在《Accident Analysis 》上，旨在探究混合交通中接管请求对网络级车辆冲突安全的影响。研究人员没有局限于单个驾驶员的表现，而是构建了一个覆盖希腊Nea Odos高速公50公里真实路段的精细化微观仿真模型。他们利用自定义的Aimsun-Python API，动态模拟了L2和L3级别自动驾驶在车道关闭、操作设计域（ODD）退出等场景下的TOR事件及驾驶员接管后的行为序列。通过替代安全评估模型（SSAM）从车辆轨迹中提取了冲突级别的碰撞时间（TTC）作为安全指标。最后，运用空间广义可加模型（GAM）对数据进行分析，量化了不同因素对安全结果的影响，并识别了网络中的安全风险空间分布。
为开展此项研究，作者主要采用了以下几个关键技术方法：首先，基于真实高速公路（希腊Nea Odos）的几何和流量数据，在Aimsun Next软件中构建并校准了高保真的微观交通仿真环境。其次，开发了专用的Python API接口，与仿真软件实时交互，以模拟自动驾驶车辆在特定触发条件下的TOR事件、驾驶员行为参数动态调整及自动化重新接入的全过程。第三，利用美国联邦公路局的替代安全评估模型（SSAM）对仿真输出的车辆轨迹进行后处理，自动检测并提取交通冲突事件及其关键指标（如最小TTC）。第四，采用统计建模中的空间广义可加模型（GAM），对冲突数据进行分析，该模型能够灵活处理变量间的非线性关系，并显式地建模冲突事件在路网空间上的分布异质性。
2. Simulation network and framework
研究选取了希腊连接雅典与塞萨洛尼基的主要南北向走廊——Nea Odos高速公路的一段50公里路段作为真实网络。仿真环境在Aimsun Next中构建，并利用OpenStreetMap和实地交通数据进行了精细校准，确保了仿真流量、速度与真实观测数据的高度吻合（GEH统计量91.7% < 5）。通过定制的Python API，研究实现了对L2和L3自动驾驶车辆在接近车道关闭或ODD退出区域时TOR事件的动态模拟。API会修改车辆的加速度、减速度、跟车间距等参数，以模拟驾驶员接管后的不同行为模式（分为紧张型、被动型和正常型），并设定了常规和延长的两种时间预算（TB）。研究共设计了18个仿真场景，涵盖两种TOR情境（车道关闭、ODD退出）、两种TB配置、四种自动驾驶市场渗透率（MPR: 0%， 25%， 50%， 75%， 100%），并设置了完全人工驾驶的基线场景作为对照。
3. Conflict extraction and processing
冲突事件通过后处理仿真的车辆轨迹，使用SSAM进行识别。SSAM计算了碰撞时间（TTC）、冲突后侵入时间（PET）等替代安全指标。研究采用了SSAM的默认阈值（TTC ≤ 1.5秒，PET ≤ 5秒）来定义冲突，并剔除了TTC ≤ 0.1秒的数值异常值。最终，从所有场景中提取并整合了一个包含674个有效冲突事件的数据集，每个冲突都记录了其最小TTC、冲突角度、车辆类型、发生位置等信息。
4. Statistical modeling approach
为分析各因素对安全结果（以log(TTC)表示）的影响，并考虑其非线性及空间相关性，研究采用了空间广义可加模型（GAM）。该模型将市场渗透率（MPR）、速度限制、场景类型、车辆类型、冲突中第一和第二辆车各自的TB状态等作为参数项，同时引入了冲突角度和冲突发生地理坐标（x, y）的两个平滑项，以捕捉变量间的非线性关系及未观测到的空间异质性。
5. Results
5.1. Model fit, diagnostics, and spatial assessment
拟合的GAM模型表现良好，可解释64.8%的偏差，调整后R2为0.603。模型诊断显示残差符合假设，平滑项具有显著的统计学意义。
5.2. Parametric, smooth and non-linear effects
参数估计结果显示：更高的MPR和速度限制与显著更长的TTC（即更高的安全性）相关。相反，无论对于冲突中的第一还是第二辆车，处于常规或延长TB状态（即正在经历TOR）均与显著更短的TTC相关，表明接管事件本身会带来短期安全风险的升高。与基线场景相比，车道关闭和ODD退出场景下的TTC显著更短。在车辆类型方面，作为第一辆车时，各类L2/L3自动驾驶车辆（相较于L2紧张型）通常与更长的TTC相关，而传统车辆（小汽车、卡车、摩托车）则与更短的TTC相关。平滑项分析显示，冲突角度与log(TTC)存在显著的非线性关系。更重要的是，空间平滑项清晰地揭示了安全风险在路网中的不均匀分布，在TOR触发区域（Kastrou与Martinou之间）以及南部的Akrefniou交汇区域，出现了明显的低TTC（高风险）聚集区。
5.3. Interaction and marginal effects
边际效应分析进一步阐明了MPR与TB的交互影响。对于第一辆车，在纯人工驾驶（HDV）条件下，TTC随着MPR上升而稳定增加，获益于自动化车辆带来的交通流稳定化。然而，在车辆处于TOR状态（常规或延长TB）时，TTC对MPR的变化不敏感，始终维持在接近基线（0% MPR）的低水平，说明接管期间的驾驶员行为扰动主导了安全状况，抵消了高MPR带来的普遍益处。对于第二辆车，趋势类似但效应相对较弱。
5.4. Scenario comparisons
场景间对比表明，基线场景（无TOR）的预测TTC最高，安全性最好；车道关闭场景次之；ODD退出场景的TTC最低，风险相对最高，这与ODD退出可能涉及更复杂的认知负荷和情境判断相符。
归纳研究结论和讨论
本研究通过将高保真微观仿真、基于SSAM的替代安全评估与先进的空间统计建模（GAM）相结合，首次在真实高速公路网络尺度上，量化评估了自动驾驶接管请求对混合交通安全的影响。核心结论可归纳为以下几点：
首先，自动化在提升安全方面具有“普惠性”但也存在“脆弱性”。更高的自动驾驶市场渗透率（MPR）确实能带来更长的平均碰撞时间（TTC），意味着更平滑、稳定的车辆交互和整体安全水平的提升。这证实了自动驾驶技术潜在的集体安全效益。然而，这种效益是脆弱的，因为它受到控制权过渡管理的严重制约。
其次，接管事件本身是明确的安全风险“热点时刻”。研究发现，无论给予驾驶员的接管时间预算（TB）是常规还是延长，只要发生接管请求，冲突中的最小TTC就会显著缩短。这表明，在从自动化到人工控制的过渡阶段，短期碰撞风险会系统性升高。延长TB并未能有效缓解这种风险，凸显了接管过程内在的行为不稳定性，而非单纯的时间不足。
第三，安全风险在空间上并非均匀分布，而是高度本地化的。空间GAM模型成功识别出了与TOR触发区及几何设计复杂区域（如匝道合流区）高度重合的安全“热点”。这证明接管引发的行为扰动会与特定的道路几何和交通流条件产生交互，导致风险在空间上聚集。这一发现将安全分析从“平均效应”推进到了“空间显式”的层面。
本研究的重要意义在于多方面的突破。在方法论上，它构建了一个可重复的框架，将行为仿真、冲突检测与多变量空间统计分析无缝衔接，为未来大规模、网络级的自动驾驶安全评估提供了范例。在理论认知上，它将接管安全的研究视角从单一的“驾驶员-车辆”系统，扩展到了“车辆-车辆-交通流-道路网络”的复杂系统，揭示了个体行为扰动如何在交通流中传播并形成空间化的风险模式。在实践应用上，研究结果对自适应人机界面（HMI）的时机设计、自动驾驶控制策略校准、以及混合交通环境下的基础设施规划具有直接指导意义。例如，研究指出需要针对识别出的空间高风险区域（如合流区）设计更早或更具情境感知能力的TOR，或是在这些区域进行特殊的基础设施标记与警示。总之，这项研究强调了在未来十年乃至更长时间内，接管请求仍将频繁发生的混合交通环境中，发展具备空间意识、对接管敏感的安全策略的极端重要性。
