THWr
2.4 大客車縱向防撞層級式警示系統
在大客車縱向防撞警示系統之警示邏輯主要是當大客車與前車之距離太近 而大客車之車速過高時，透過警示的方式來要求大客車駕駛者降低速率以保持安 全，避免碰撞前車，故速率之調節與控制亦是改善跟車安全的重要輔助項目。綜 上所述，大客車環保駕駛與縱向防撞之整合式駕駛輔助系統應以速率作為共同的 控制變數。
此外，目前大客車縱向防撞警示系統之警示方式大致包括聲響與圖示兩大類
或
(2.12)
式中：
W
：警示門檻參數，單位為公尺。d
w：警示臨界距離，單位為公尺。d
br：煞車臨界距離，單位為公尺。v
rel：前後車速差(即 vrel = v- v2)，單位為公尺/秒。
v：裝有警示系統之後車車速，單位為公尺/秒。
v
2：前車車速，單位為公尺/秒。
1：延遲時間(系統偵測延遲時間)，單位為秒。
2：煞車時間，單位為秒。
1：後車最大減速率，單位為公尺/秒2。
2：前車最大減速率，單位為公尺/秒2。d：前後兩車實際車間距離，單位為公尺。
漸進式視覺顯示系統包括綠、黃、紅三種燈色，當
W
>1 時，表示 d＞d
w， 此時安全無虞，故顯示綠燈；而當 a<W
<1 時，a 為警示參數，此時為普通警示 狀況，顯示黃燈，表示 d 雖然小於d
w，但仍大於d
br；當 0<W
<a 時，d 已非常 接近d
br，故為緊急警示狀況，此時顯示紅燈；最後當W
<0，應馬上採取煞車。圖 2.2 漸進式警示顯示圖
資料來源:[4]
在卓奕伶等人[29] 在層級式警示上，依據感知反應時間界定層級燈號區別，
感知反應時間 0.72 秒為其下限(含)，為紅燈部分 3 層級；感知反應時間 0.72 秒
~3.23 秒之間，為黃燈部分 4 層級；超過感知反應時間 3.23 秒，為綠燈 2 層級。
安全距離分為「後車以速限內速度行進，而前車靜止不動」與「前後車在速限內，
以相同速度行進」兩者。前者安全距離包含煞車距離與感知反應距離，而後者僅 含感知反應距離。
在其他層級式研究方面，Aaron Steinfeld 等[53]及美國加州 PATH 計畫研究 小組[54]發展大客車整合型防撞警示系統，該研究提出如何將縱向防撞系統與側 向防撞系統之偵測元件加以整合，並協調運作以提供適當的警示，圖 2.3 為該 研究之實車配備圖，圖 2.4 則是整合系統之防撞警示圖。大致上，此一警示系 統初步整合了縱向防撞與側向防撞警示系統，警示方式則結合聲響與圖形顯示，
具有較高的適用彈性，惟該研究係以完成偵測元件之整合為主。圖 2.4 上圖顯 示上有層級顯示給大客車駕駛者。
圖 2.3 大客車整合型防撞警示系統之元件配置圖
資料來源:[53]
圖 2.4 大客車整合型防撞警示系統之警示方式圖
資料來源:[53]
的過程模型化，對於此種定量性處理表現的手段，提出「模糊集合(fuzzy set)」，
模糊理論實際上是模糊集合、模糊關係、模糊邏輯、模糊控制、模糊量測等理論 的泛稱[21]。
傳統的明確集合為二值邏輯，但在日常生活中的概念如「冷熱」、「高矮」等 都沒有明確清晰的界限。因此 Zadeh 將傳統集合的特徵函數從非 0 即 1 的二值選 擇，推廣到 0 至 1 之間的任何數值，所得新的特徵函數為隸屬函數(membership function)，模糊理論利用隸屬度的概念來定義元素與集合的關係。對於元素與集 合之間的關係可以用特徵函數(characteristic function)作為基礎。傳統的集合中以 二元邏輯為基礎，即 x 屬於 A 或 x 不屬於 A，以特徵函數
A(x )
表示如下公式 (2.6.1)[54]：
x A
A 0, if x
A x if , ) 1
( (2.13)而真實世界的模糊理論，在傳統二元集合理論無法表達，是由 0 到 1 之間的 任何值做決定，也就是將屬於的觀念數量化，依照所屬程度的不同給予 0 到 1 之間的數值。若 A 為一個模糊集合，則
A(x )
代表 x 在 A 中的隸屬度函數，出現的值介於 0 到 1 之間：
A( x ) : x 0,1
。常見的隸屬度函數之種類可分為”數值 (numberical)”及”函數(functional)”兩種定義方式，數值定義可稱為離散化歸屬函 數，即直接給定有限模糊集合內每個元素的隸屬度(membership grade)，以向量形 式表達；函數定義可稱為連續化歸屬函數，如，S 函數、Z 函數、Pi 函數、片段 連續函數等，連續化隸屬函數常見的有吊鐘型、三角形、梯形、指數型等[22]。模糊理論應用於車流行為之研究，以微觀車流模式之建立為主，本研究整理說明 如下。
1. Kikuchi and Chakroborty[56]以 GM 模式為例，指出其(a)刺激(車間距)可以被精 確地感知且駕駛者可以精確地調整反應；(b)兩車之相對速度對駕駛者減速及 加速的反應相同；(c)駕駛者的反應僅依據單一刺激(相對速度)等三項假設之不 合理性，因此提出模糊推論模式，考慮人類對環境感知與推論過程的不確定，
提出五項跟車行為特徵來評估 GM 模式及模糊推論模式，研究結果顯示模糊 推論模式較 GM 模式更能合理地描述真正的跟車行為。
2. Mark Brackstone 等人[57]依跟車模式之發展時間順序，探討各類跟車模式之發 展，其中模糊邏輯模式(Fuzzy Logic-based Models)為較新的研究理論，惟該研 究指出目前所發展的跟車模式在實證方面應多所加強。
3. 詹維敏[23]應用模糊理論的方法來處理在真實世界中的不確定性，目前跟車模 式中將駕駛人跟車時迫近前車行為與遠離前車行為是視為同一敏感度，但現 實世界中駕駛人面對迫近與遠離前車時的反應是不同，研究駕駛人面對迫近 與遠離時跟車行為的反應是否有所差異，且將此差異行為引入於所構建之雙 相跟車模式中。利用近相與遠離相跟車行為的差異性配合模糊理論構建模糊 雙相跟車行為模式。
4. 藍武王等人[24]基於駕駛人的跟車行為是根據自身的經驗法則來決定，而此經 驗法則存有若干的模糊性，因此利用模糊理論來建立跟車模式，該研究採用 與傳統 GM 跟車模式相同的變數(相對速率、前後車距離、後車速率)建立適當 的控制規則庫與隸屬度函數，經個案之比較分析顯示，其建立之模糊控制模 型可克服 GM 模型因敏感度參數、起始距離、初速不同而最終車距不同之缺 點，也可改善 Kikuchi 等人模糊跟車模型之震盪情形。
5. 何晉亨[25]利用駕駛模擬器，分別設計四個不同的實驗劇本，以探討在跟車行
駕駛影響因素為：前車煞車情形、與前車之間距、相對速度，而研究結果顯 示模糊推論模式的誤差均方根較倒傳遞類神經網路模式小。
6. 葉信宏[26]將「模糊類神經網路」應用在跟車模式上，透過類神經網路之學習 演算機制來修正模糊集合之隸屬度函數。該研究以 42 位駕駛人行駛於高速公 路基本路段，並蒐集 50 秒之相關跟車數據，再利用群落分析法將駕駛人分為 高冒險度、中冒險度及低冒險度三種族群，進行不同駕駛特性之比較分析。
最後將實測所得之三種不同駕駛特性的跟車資料，透過模糊推論系統當作模 糊類神經網路的輸入項並藉由網路學習功能及測試結果得出之跟車變數的隸 屬度函數。透過學習完成後之跟車間距及相對速度之隸屬度函數，模擬不同 情境下之駕駛人跟車間距變化，結果發現各類冒險度駕駛人均能得到一趨於 穩定的跟車間距，且其跟車間距大小及達到穩定跟車間距所需時間均與駕駛 人的冒險度大小呈反比關係。
7. 線凱等人[27]以模糊理論為基礎，利用既有定時交通信號控制，建立單個道路 信號交叉口的交通控誌方法。並考慮道路交通流的變化不確定性，以減少車 輛延滯。
目前模糊理論應用於縱向防撞警示系統上有很好的發展，而環保駕駛較為少，
本研究乃應用文獻中所蒐集到的 3 個參數，即感知反應時間、煞車減速率、靜止 車間距離，運用模糊理論分別建立安全與環保隸屬度函數，最後透過模糊集合論 進行整合最適速率範圍。