基于并線行為識別的自適應巡航控制方法*

蔡英鳳，呂志軍，孫曉強，王 海，劉擎超，陳 龍，袁朝春

（1.江蘇大學汽車工程研究院，鎮江 212000；2.江蘇大學汽車與交通工程學院，鎮江 212000）

前言

自適應巡航控制（adaptive cruise control，ACC）是一種通過車載測量設備獲得與前車的實時車間距及速度等信息，應用加速度優化算法控制車輛與前車保持穩定車間時距行駛的車輛縱向跟馳控制技術。然而由于實際交通環境下，車輛密集和頻繁換道等原因，導致ACC系統出現對并線車輛不敏感、制動過晚或過急等問題，因此基于并線車輛行為識別的自適應巡航控制研究具有重要的現實意義。

旁車道車輛向ACC車輛所在車道內并線行駛是實際交通環境中較常見的一種工況，自適應巡航控制系統須對旁車的并線行為具備必要甚至提前的反應能力，以保障ACC車輛的行駛安全［1］。目前的自適應巡航控制系統大都只針對主車道內的主目標車輛進行控制［2-3］，而ACC車輛的控制功能往往只有在旁車完全進入主車道后引起主目標車輛變化時才能發揮作用，因此傳統ACC車輛更新目標滯后且不能將旁車并線過程中的行駛數據充分應用于控制。當ACC車輛在主車道內檢測到并線后的旁車時，控制器往往會輸出大強度制動以避免碰撞的發生，這不僅會影響到駕乘人員的舒適性，且會對后續車輛的安全行駛產生影響。

自適應巡航控制系統多采用分層控制結構［4］。上層控制器根據當前行駛環境，輸出安全跟車所需期望加速度；下層控制器依據上層得出的期望加速度，通過節氣門和制動器的切換控制，使車輛的實際加速度能追蹤上層控制器期望加速度。目前該方向的研究主要集中于系統的穩定性與環境適應性，如Haroon等［5］提出在stop&go場景下的巡航控制策略。劉正國［6］研究了包含車道關系識別模型和旁車道車輛換道切入識別模型的ACC目標識別方法。同樣考慮動態跟蹤性、燃油經濟性、跟馳安全性等多目標的協調式ACC也引起了廣泛關注，如李想等［7］提出基于改進線性二次型最優控制的自適應巡航控制算法研究?？刂品椒ǚ矫?，近年來，由于模型預測控制［8］可對系統未來動態行為進行預測與具有顯式處理約束的能力等優勢，其廣泛應用于自適應巡航控制研究。吳光強等［9］設計了一種多目標魯棒跟車控制算法，兼顧了舒適性和安全性要求。Zhu等［10］結合熟練駕駛員經驗，使用車間反應時距定量描述自車何時對目標車輛做出反應，并設計了模型預測控制器。張亮修等［11］基于模型預測控制理論將多目標ACC系統控制算法轉化為帶有多個約束的在線二次規劃問題，相比線性二次型調節器算法，其百公里油耗與追蹤誤差指標均有明顯下降。然而上述模型預測控制算法中多目標的權值須根據不同的駕駛場景進行調整，但車輛行駛場景頻繁變化，在線調整預測控制器的權重是不切實際的［12］。此外，車輛自適應巡航涉及的多個性能在控制中往往是相互沖突的，所有性能不能同時達到最優。

本文中提出的基于并線車輛行為識別的自適應巡航控制系統，利用并線車輛的歷史軌跡對其并線行為進行識別，將并線行為識別集成到MPC控制框架中，在并線車輛尚在旁車道時就對ACC車輛進行一定的速度控制，解決了常規自適應巡航系統響應過晚過急的問題；同時，考慮不同類型駕駛員在并線時不同的駕駛特性可提高控制模型的適應性，并能有效提高乘車舒適性，降低行車風險。

1 自適應巡航控制系統整體設計

提出的基于并線行為識別的自適應巡航控制系統框架如圖1所示。首先，提取并線車輛的歷史軌跡信息及環境信息，將其輸入到行為識別器的長短時記憶（long short?term memory，LSTM）網絡循環體，LSTM單元體通過當前時刻的輸入和歷史軌跡信息的隱藏狀態來更新當前時刻的隱藏狀態，通過這種方式，LSTM學習歷史軌跡序列中的規律，最終輸出并線、直行兩種意圖類別及其概率。而后，當行為識別器輸出的車輛并線概率超過一定閾值時，即識別出并線行為，ACC車輛的模型預測控制器在并線車輛尚未到達換道點時提前結合并線車輛運動數據、考慮并線行為駕駛特性的預測模型、性能指標與約束條件、理想點法進行期望加速度最優化求解，使并線行為尚未成功時即對ACC車輛進行速度控制，避免了因旁車并線而導致的車輛運動不穩定性。

圖1 自適應巡航控制系統框架

2 并線行為識別

實際交通場景中各車輛的行為具有多樣性和不確定性?？偟膩碚f，在結構化道路中可分為3種典型行為：向左換道、保持車道與向右換道。對于ACC車輛，并線行為通常表現為左前方鄰車道車輛向右并線或右前方鄰車道車輛向左并線至ACC車輛前方。

隨著長短時記憶網絡在語音識別、機器翻譯等領域取得一系列重大突破［13］，其在應對時序問題時展現出強大的信息挖掘能力和深度表征能力，軌跡序列也是一種時間序列，故本文采用基于長短時記憶網絡構建的并線行為識別器，其架構如圖2所示。定義主車為EV，主車前方車輛為EVF，并線車輛為CV，并線車輛的前方車輛為CVF，如圖3所示。將車輛的歷史信息I(t)作為輸入，它包括并線車輛、并線車輛與周邊車輛交互和并線車輛相對于車道線的歷史信息，可表示為I(t)={Se EM}，式中并線車輛的歷史信息S e={vy(CV)φ}，其中vy(CV)、φ分別為并線車輛的橫向速度和航向角；并線車輛與周邊車輛的交互信息E包括并線車輛前方車輛、主車和主車前方車輛3輛車的歷史軌跡信息，這些歷史軌跡包括縱向相對距離與縱向相對速度，{dCV-CVFdCV-EVdCV-EVF}、{ΔvCV-CVFΔvCV-EVΔvCV-EVF}分別表示并線車輛相對于CVF、EV、EVF的縱向相對距離和縱向相對速度；并線車輛相對于車道線的信息M={yCV}，其中yCV為并線車輛相對于并線方向車道線的橫向距離?？紤]到在實際場景中的應用，E的相關數據可由主車的毫米波雷達直接獲得或經過運算間接獲取，S e、M的相關數據可由前視攝像頭提供。

圖2 并線行為識別器架構

圖3 車輛定義

并線行為識別器將并線車輛、與之交互的其他車輛和道路信息組成的整體視為研究對象，根據其交互式信息理解車輛運行規律，使模型理解車-車-路之間的交互行為，并對旁車的并線行為進行預判。采用動態滑動時窗的方法獲取輸入量I(t)，通過具有128個神經元、激活函數為ReLU的全連接層，將經處理后的量輸入長短時記憶網絡循環體。LSTM單元體通過遺忘門的sigmoid單元保留歷史軌跡信息中所包含的隱藏狀態信息，再通過輸入門將前一層隱藏狀態的信息和當前輸入的信息傳遞到sigmoid函數與tanh函數中，以此更新細胞狀態，最后通過輸出門來確定下一個隱藏狀態的值，并傳遞到下一個時間步長中去。具體的，在每一時刻t，LSTM單元體讀取當前時刻的輸入I(t)和上一時刻以前歷史軌跡信息的隱藏狀態ht-1，以此更新當前時刻的隱藏狀態ht，即ht=f(ht-1I(t))，LSTM通過這種方式學習歷史軌跡序列中的規律，經過Softmax層后，輸出概率矩陣Ω={p(c1|I)p(c2|I)}，其中c1、c2分別代表并線、直線兩種意圖類別，p(ci|I)(i=1，2)分別代表并線、直線的概率，其中進而對輸出的概率做一邏輯判斷：規定并線的確信閾值為80%，當并線的行為意圖小于確信閾值時，默認輸出行為類別為直線行駛c2，而當并線的行為意圖大于確信閾值時，輸出并線行為類型c1。

本文中所使用的車輛軌跡數據集源于德國亞琛工業大學汽車工程研究所2018年提出的high D數據 集［14］。 與 較 為 經 典 的NIGSIM（next generation simulation）軌跡數據集相比，high D數據集能夠有效解決假性重疊碰撞的問題，并提供了更為完整的車輛狀態信息，為本文研究的車輛交互識別提供了豐富的研究素材。

由于直線行駛工況遠多于并線工況，所以提取車輛的車道保持序列數目顯然遠大于并線序列，為防止訓練過程中出現過擬合，每個行為序列集中選取的序列數量相同，使樣本分布均勻，最終從760個目標車輛中提取出10 000個樣本序列（直線行駛和并線兩種工況的樣本皆為5 000個），按8∶2的比例將數據集隨機劃分為訓練集和測試集。為體現這一動態調整過程，從測試集中選擇一段具有代表性的向左并線行駛的完整軌跡序列。圖4示出并線車輛接近換道點過程中，行為識別模塊實時輸出兩類駕駛行為的概率。

圖4 并線行為識別結果

3 自適應巡航控制系統設計

3.1 系統建模

如圖5所示，根據兩車間的縱向運動關系，定義如下兩種車間狀態變量：

圖5 車輛縱向跟車模型

式中：Δd(t)為實際車間距d(t)與期望車間距ddes(t)的車間距誤差，其中車間距為主車車頭至目標車輛車尾的距離；Δv(t)為兩車相對速度；vPV(t)和vEV(t)分別為目標車輛和ACC車輛的速度。本文中采用固定車間安全時距模型［15］，則ACC車輛的期望車間距ddes(t)=τh?vEV(t)+d0，其中τh為固定車間時距；d0為最小安全車距。

在設計ACC系統上層控制器時，一般可以認為實際加速度aEV和期望加速度aEVdes滿足如下的關系［16］：

式中：Ts為系統采樣周期；τL為慣性環節時間常數。

建立以[Δd(t)Δv(t)aEV(t)]T為狀態變量，期望加速度aEVdes(t)為控制變量的線性離散狀態空間方程：

式中：x(t)=[Δd(t)Δv(t)aEV(t)]T；u(t)=aEVdes(t)；ρ(t)=aPV(t)為前車加速度擾動；A、B、G、C為狀態空間方程系數矩陣，

便于對控制量進行精確約束，將式（3）改寫為增量形式：

式中：Δx(t)=x(t)-x(t-1)；Δu(t)=u(t)-u(t-1)；Δρ(t)=ρ(t)-ρ(t-1)。

基于t時刻的車輛狀態信息，對未來的i(i=1，2，…，Np)時刻的輸出狀態進行預測，定義Np步預測輸出序列和Nc步控制輸入增量序列為

則系統未來Np步的預測方程可以表示為

3.2 不同并線行為下的參考量

由于不同類型駕駛員在換道并線時具有不同的駕駛特性［17］，即會表現出快速與慢速的并線行為，軌跡示意圖如圖6所示。文獻［18］中根據實際道路運行情況調查了車輛的換道時間，得出換道時間在2-3 s的概率為22.76%，在3-5 s的概率為57.93%，大于5 s的概率為19.31%，因此本文根據車輛的換道時間劃分不同的并線行為，小于3 s的為快速并線，3-5 s的為正常并線，大于5 s的為慢速并線。在ACC車輛的控制策略中有必要考慮并線行為的風格，當面對正常并線時，ACC車輛應兼顧行車安全與乘車舒適性；當面對快速并線動作時，ACC車輛應提前快速減速以保持安全車距以避免碰撞或給乘車人帶來的心理壓力；當面對緩慢并線動作時，ACC車輛應逐漸減速以提高乘車舒適性。

圖6 不同并線風格示意圖

換道并線過程中，可通過車輛橫向位置的變化來表征不同的并線行為。本文中采用駕駛員預瞄模型［8］預測并線過程中的橫向位置變化，如圖7所示。預測車輛未來的位置在預瞄點處，那么車輛的橫向位置可由當前橫向位置、縱向速度和航向角偏差來計算：

圖7 駕駛員預瞄模型

式中：yp為預瞄點的橫向位置；yc為車輛的當前橫向位置；vxc為車輛縱向速度；φec為車輛航向角與期望航向角的誤差；τ為預瞄時間；預瞄距離可由vxcτ表示。

因此，預測的并線車輛的縱向位置為xCV(t+i+1|t)=xCV(t+i|t)+TsvCV(t+i)，預測的并線車輛的橫向位置可表示為yCV(t+i+1|t)=yCV(t+i|t)+TsvCV(t+i)φCV(t+i)那么，當并線車輛已經完成并線動作后，其預測時域內的縱向位置偏差可表示為

當已經識別出換道行為，正在進行并線行為時，須考慮并線車輛橫向位移對ACC車輛的影響，通過并線車輛的橫向位置來調整縱向跟車，其預測時域內的縱向位置偏差［19］可表示為

3.3 性能指標和I/O約束處理

為提高ACC的性能，考慮跟隨性能、舒適性能和能耗性能3類性能指標及約束條件。

（1）跟隨性能指標

ACC車輛不斷調整車速與車間距，使兩車縱向距離收斂于期望距離，本車速度收斂于前車車速，取車間距誤差和相對速度的矩陣二范數之和作為跟隨性能指標JT［20］，表示為

前車行駛時，車間距誤差和速度誤差應處于合適范圍內，采用不等式約束來界定車間距誤差和速度誤差［21］的范圍為

式中：Δdmax和Δdmin分別為車間距誤差的上下界；Δvmax和Δvmin分別為車速誤差的上下界。

（2）舒適性能指標

一方面，在跟車過程中，駕駛員期望緩加速、緩減速，從而保證乘坐舒適性，故采用控制量增量的矩陣二范數來定義舒適性指標JC［22］：

另一方面，車輛實際縱向加速度、期望縱向加速度和期望加速度的增量應保持在一定的范圍內［23］：

式中：aEVmax和aEVmin分別為加速度數值的上下界；umax和umin分別為控制量的上下界；Δumax和Δumin分別為控制量增量的上下界。

（3）能耗性能指標

采用燃料消耗JF來表征能耗性能指標［24］：

式中Ccruise(t)和Caccel(t)分別為在穩定速度vEV(t)下燃料的消耗量和在車速vEV(t)有加速度時燃料額外的消耗量，可用下面公式描述：

式中bi(i=0，…，3)和cj(j=0，…，2)是車輛的燃料消耗參數。對于普通車輛，通?？扇0=0.1569，b1=2.45×10-2，b2=-7.415×10-4，b3=5.975×10-5，c0=7.224×10-2，c1=9.681×10-2，c2=1.075×10-3［24］。

由于以上3種性能是相互沖突的，本文中使用結合理想點［25］和模型預測控制的方法來設計多目標預測巡航控制器。定義成本矢量為J=[JTJCJF]T，為計算出J的理想點，根據理想點的多目標方法分析了本車一些穩定狀態的情形。對于JT，如果車輛的相對速度等于零，且車間間距等于期望的車間距，那么本車將達到行駛的最佳穩定狀態。此外，函數JT相對于變量vEV(t)是凸函數［26］，且在所有t≥0時刻滿足JT≥0，因此在所有t≥0時刻，JT?(t)=0是函數JT可取的最小值。JC是與變量vEV(t)無關的函數，當車輛勻速行駛時，JC?(t)=0是函數JC可取的最小值。而JF相對于變量vEV(t)是非凸函數，通過下面的優化問題可以得到JF的最小值：

因此，在t時刻，成本函數的理想點可定義為但由于各性能指標相互沖突，所以該理想點無法取得，為此本文引入了一個折衷的成本函數：

式中‖?‖2表示向量的2范數，即最大限度地減小成本矢量J(t)到其理想點J?(t)的矢量距離。

3.4 求解與滾動優化

在每個時刻t，通過在線求解下面的有限時域最優控制問題即式（20）得到多性能預測巡航控制器的控制輸出。

上述優化控制問題是一個線性和非凸函數的優化控制問題，采用文獻［25］中的基于攝動的序列二次規劃算法（InPA-SQP）進行求解。在每個采樣周期內，利用式（20）進行MPC控制器求解得到控制時域內的控制輸入增量序列：

4 控制系統仿真分析

基于本文提出的自適應巡航控制器，建立Matlab/Simulink仿真系統模型，為驗證上述自適應巡航系統的可行性與優越性，驗證了3種仿真工況：（1）定速工況；（2）跟車行駛工況；（3）旁車道車輛并線工況（正常、快、慢）。Only?MPC采用模型預測控制，UPM?MPC為結合理想點法的模型預測控制，Pre?UPM?MPC為結合并線識別與理想點法的模型預測控制。控制器所采用的參數如表1所示。

表1 控制器參數

（1）定速工況

定速工況下，初始時刻ACC車輛以72 km/h初速度行駛，設定目標速度為90 km/h。定速工況的仿真結果如圖8所示。

圖8 定速工況仿真結果

由圖8可知，UPM?MPC與Only?MPC均于8 s左右收斂于90 km/h，但UPM?MPC的峰值加速度比Only?MPC低10.03%，且Only?MPC的速度超調率為1.44%，而UPM?MPC未產生超調，兩者能耗相差不大。結果表明，在定速巡航工況下，UPM?MPC算法可有效降低控制量峰值，減少超調現象。

（2）跟車行駛工況

跟車行駛工況下，初始時刻ACC車輛以72 km/h的初速度行駛，目標車輛在ACC車輛前方40 m處以90 km/h的初速度變速行駛，其加速度以正弦曲線變化，幅值為0.6 m/s2，周期為8 s。跟車行駛工況的仿真結果如圖9所示。

圖9 跟車行駛工況仿真結果

由圖9可知，UPM?MPC對前車的速度變化反應更加靈敏且加速度曲線更加平順，穩定跟車后其速度平均跟隨誤差約為0.39 km/h，比Only?MPC的0.51 km/h低約23.53%，穩定跟車后UPM?MPC的平均跟車誤差為0.717 m，比Only?MPC的1.282 m低約0.565 m，兩者能耗基本相同。結果表明，在跟車巡航工況下，UPM?MPC算法在穩定跟車后跟隨誤差更小，具有更好的跟車性能。

（3）并線工況

正常并線工況下，ACC車輛以60 km/h的車速巡航行駛，初始時刻其前方15 m處旁車以45 km/h的車速從旁車道并線，約2.3 s時到達換道點。正常并線工況仿真結果如圖10所示。

圖10 正常并線工況仿真結果

由圖10可知，Pre?UPM?MPC在旁車道車輛到達換道點前1.2 s開始提前減速，其峰值減速度出現在4.3 s處，為-1.17 m/s2，而UPM?MPC與Only?MPC的峰值減速度為-1.74和-2.13 m/s2，且Pre?UPM?MPC的加速度變化率較小，曲線更加光順，不存在急減速的情況，并且能耗也最低。

慢速并線工況下，ACC車輛以60 km/h的車速巡航行駛，初始時刻其前方15 m處旁車以45 km/h的車速從旁車道并線，約3 s時到達換道點。慢速并線工況仿真結果如圖11所示。

圖11 慢速并線工況仿真結果

由圖11可知，Pre?UPM?MPC在旁車道車輛到達換道點前1.8 s開始進行減速，其峰值減速度出現在5 s處，為-0.961 m/s2，而UPM?MPC與Only?MPC的峰值減速度為-1.615和-2.112 m/s2，且Pre?UPMMPC的減速度曲線更加光順，不存在突然施加制動力的情況，但能耗最大。

快速并線工況下，ACC車輛以60 km/h的車速巡航行駛，初始時刻其前方15 m處旁車以45 km/h的車速從旁車道并線，約1.5 s時到達換道點?？焖俨⒕€工況仿真結果如圖12所示。

由圖12可知，Pre?UPM?MPC在旁車道車輛到達換道點前0.6 s開始進行減速，整個減速過程經歷3.785 s，其峰值減速度出現在2.23 s處，為-2.805 m/s2，而UPM?MPC與Only?MPC的峰值減速度均達到系統允許的最小值-3 m/s2。Pre?UPM?MPC在UPM?MPC與Only?MPC開始減速之前已降低了約4%的車速，且超調最小，表明其跟蹤性能最好，且其能耗最低。

圖12 快速并線工況仿真結果

仿真結果表明，引入并線車輛行為識別的自適應巡航系統可在并線車輛到達換道點前對ACC車輛提前至少0.6 s進行制動，加速度曲線不存在突躍的情況且曲線更加平滑，減少緊急制動情況的發生，有效降低制動強度。在不同特性的并線行為中，自適應巡航系統可根據旁車并線風格的不同而求解出適應當前狀態的加速度曲線。在慢速并線場景中，系統在識別出并線行為時開始施加較小的制動力，當車輛到達換道點附近時制動力達到最大，且加速度曲線連續光順，保障了乘坐舒適性；在快速并線場景中，系統對并線行為提前、快速響應，制動力在開始實施后約1.3 s才達到最大，保證安全的前提下提高了舒適性。

5 實車試驗

為驗證所設計的自適應巡航控制方法在實車上的控制效果，基于艾瑞澤智能駕駛平臺進行實車試驗。試驗平臺架構如圖13所示，主車以艾瑞澤汽車為基礎，針對制動系統和轉向系統進行線性改裝：加速度指令轉化為對應的加速踏板行程指令，制動指令轉為制動壓力信號發送給真空助力器以控制原車制動缸；車載處理器采用Nuvo?6108GC工控機，支持在Matlab/Simulink環境下的代碼生成與下載，可以實時顯示與在線調試；前向目標識別系統采用Minieye攝像頭與Delphi毫米波雷達融合的方式，可有效識別各個車道上共17個前向目標并獲取其運動狀態信息。在Matlab中搭建不同的算法模型，并將其編譯下載到控制器中，模型輸入為ACC車輛、毫米波雷達、攝像頭的CAN總線信號，輸出為模型決策的期望加速度，并由下層PID控制器將其轉化為加速踏板與制動踏板行程指令，控制車輛縱向運動，從而進行算法的實車試驗。

圖13 試驗平臺架構

實車試驗場景如圖14所示，試驗路況為標準化單向可跨越三車道，只有主車作為被控對象，其他車輛均為人類駕駛。試驗工況與第4節中的并線工況一致，圖15、圖16分別為慢速和快速并線的試驗結果。

圖14 實車試驗場景

圖15 慢速并線工況實車試驗結果

圖16 快速并線工況實車試驗結果

實車試驗結果表明，引入并線行為識別的控制方法在以上兩種工況中均可進行提前制動，速度更加平穩，始終保持較大車間距，同時控制系統對不同類型的并線行為有較好的適應性，實車試驗結果與仿真結果基本一致。

6 結論

提出一種基于并線車輛行為識別的自適應巡航控制方法，利用并線車輛的歷史軌跡和周圍環境對并線行為進行識別，將車輛并線識別集成到模型預測控制的框架中，在并線車輛到達換道點之前對ACC車輛進行一定的速度控制，避免控制器輸出大強度制動甚至碰撞的發生。同時，引入駕駛特性可提高控制模型在面對不同并線行為時的適應性。今后的研究工作將主要針對兩個方面，第一是利用真實路況下無人駕駛試驗平臺與軟件模擬平臺采集的車輛軌跡數據直接進行并線軌跡預測，并將其融合到模型預測控制中；第二是進一步研究人類駕駛員就并線行為的反應特性。