基于交通風險評估的個性化換道觸發研究*

朱乃宣，高振海，胡宏宇，呂 穎，趙偉光

（1.吉林大學，汽車仿真與控制國家重點實驗室，長春100025；2.中國第一汽車集團有限公司智能網聯開發院，長春130011）

前言

道路環境的交通態勢建模是智能車用來保障其在道路區域內安全行駛、防止側翻和碰撞等危險狀況發生的關鍵技術手段，已受到了廣泛關注和研究。交通風險評估主要用于處理原始的傳感器數據，通常包括來自立體視覺［1］、雷達［2］和激光雷達［3］的最低級別的原始數據，模型借助上述傳感器數據，對當前車輛周圍環境進行合理而簡捷的表達，其主要信息有邊界的位置信息（車道線、路沿、路口）和道路內的障礙物信息等。當前常見的態勢評估方法是通過柵格地圖或者人工勢場法建立風險場模型。

柵格地圖模型是貝葉斯占用過濾器［4］的變體，在智能車輛領域，基于貝葉斯占用濾波理論的占用網格已經被廣泛地應用于各種研究中［5-9］；至于采用人工勢力場法建立風險場模型，是由Khatib提出的［10］。核心思想是障礙物產生斥力場，目標點產生引力場，機器人在合勢場下沿著勢場下降最快的方向移動。當前在決策規劃領域中常用的方法為：建立道路、車道線和障礙車的斥力場以及目標點的引力場，根據車輛行駛軌跡求解勢場參數［11-17］。

在換道決策方面，學者們致力于研究換道行為觸發機理。其方法有基于規則［1］、隨機效用理論［19］、跟馳模型［20］和最小安全距離模型［21］等。

近年來，為了使得駕駛輔助系統越來越人性化，與駕駛員特性相結合的個性化換道輔助系統的研究也正廣泛進行。研究者通過傳統聚類方法［22-23］、神經網絡［24］、隱馬爾可夫模型［25］、隨機森林法［26］和支持向量機［27-28］等方法對駕駛員數據進行處理，對駕駛員的風格和能力進行分類，進而獲得模型中不同的參數。

然而，現有的個性化換道觸發研究大部分基于大量駕駛數據的采集，通過機器或者深度學習的方法獲得駕駛員的特性參數。該方法受場景和數據質量影響較大，且可解釋性差，無法正確分析駕駛員對交通風險的評估方式。

針對上述問題，為直觀、合理地構建個性化的換道觸發，本文中提取駕駛員日常駕駛的真實數據，從中提取出其換道數據，并基于人工勢場理論搭建風險評估模型，通過對駕駛員實際換道中的風險分析，實現個性化的換道觸發，最終通過實車試驗進行了功能驗證。

1 行駛風險場設計

本文中為了快速量化車輛在環境中的行駛風險水平，建立了障礙物的行駛風險場，該行駛風險場綜合考慮了障礙物的外形尺寸和障礙物與自主車輛的相對運動。其中，靜態風險場僅由障礙物本身屬性以及外形決定；動態風險場則由障礙物的運動和自主車輛的運動所決定。此外，根據不同駕駛員對行駛風險容忍能力的不同，分析出各自在行駛過程中所能忍受的風險水平，為后續換道觸發算法的開發奠定基礎。

1.1 靜態風險場

靜態風險場主要考慮障礙物的屬性和外形，其場強大小受兩個因素的影響：一是自主車輛與障礙物的相對距離；二是自主車輛接近障礙物的方向。自主車輛與障礙物之間的相對距離越小，發生交通事故的可能性就越大，因而靜態風險場的場強越大。對于機動車而言，其行駛方向受到限制，即機動車的側向速度通常遠小于縱向速度。因而，在障礙物的縱向方向上，靜態風險場有較大的影響范圍；而在障礙車的側向方向上，靜態風險場的影響范圍較小。因此，對于障礙物的靜態風險場可采用二維高斯函數。同時考慮到機動車的外形尺寸較大，機動車邊緣與中心點的場強差值較大，故采用1階中心距的二維高斯函數不太合適。為此，采用高階中心距的二維高斯函數作為障礙物的風險危險場。高階中心距展平了函數的峰頂，使得整個障礙物表面都有相近的風險場場強。靜態風險場的公式為

式中：(x，y)為交通環境內某一點的橫縱坐標；(xobs，yobs)為障礙物中心點的橫縱坐標；A為場強系數；β為高階系數；σx和σy為障礙物的外形函數；Lobs為障礙物縱向方向的長度；Wobs為側向方向的長度；kx和ky為障礙物橫縱向尺寸系數。

以圖1所構建的交通場景為例，規定行駛方向為X軸正向，車輛以id為索引，每輛車的位置和車速等數據如表1所示，其中車輛的橫縱坐標為車輛質心的坐標，L、D和v分別為車輛的長度、寬度和速度。本文中均以自車id=0構建交通環境中的行駛風險場，靜態及動態風險場中的參數取值如表2所示。

圖1 交通場景示意圖

表1 車輛相關數據

表2 行駛風險場參數取值

圖1所示的交通場景中形成的靜態風險場如圖2和圖3所示。從圖2可以看出，靜態風險場在障礙物的縱向方向上有較大的影響范圍，而且隨著障礙物縱向長度的增加，影響范圍也越大。從圖3可以看出，靜態風險場的場強隨著相對距離的減小而增大，對于接近障礙物邊緣的點，場強接近峰值，整個障礙物表面的場強大小相近。因此，使用高階中心距二維高斯函數建立的靜態風險場基本滿足要求。

圖2 靜態風險場等勢線

圖3 靜態風險場場強

1.2 動態風險場

動態風險場的構建需要綜合考慮障礙物和自主車輛的運動。動態風險場的場強大小主要受到4個因素的影響，分別是相對距離、相對速度的絕對值、相對速度的方向和自主車輛的接近方向。當相對速度方向和接近方向相同時，相對距離越小，相對速度的絕對值越大，則引發交通事故的可能性就越大，因而動態風險場的場強越大。當其他3項相同時，相對速度的絕對值越大，則引發交通事故的可能性也越大，因而動態風險場的場強越大。

為了滿足以上要求，本文中以二維高斯函數為基礎建立了動態風險場。動態風險場的公式為

式中：σv為障礙物的速度與自主駕駛車輛速度的函數；vobs為障礙物在縱向方向上的速度；v為自主駕駛車輛的縱向速度；kv為速度系數；relv為描述障礙物與自主駕駛車輛相對運動方向的函數；α為相對速度系數，其余定義與靜態風險場相同。kv和α具體取值見表2。

上述被視為障礙物的車輛的動態風險場等勢線和場強如圖4和圖5所示。由圖可見：動態風險場的場強隨著相對距離減小而逐漸增大；當相對距離相等時，場強隨著相對速度絕對值的增大而增大。動態風險場的峰值小于場強參數A，且與相對速度的絕對值大小有關，相對速度的絕對值越大，動態風險場的峰值越大。此外，動態風險場的峰值并不在車輛邊緣處，它隨著兩車相對速度關系、相對距離和障礙車尺寸等參數進行動態調整。綜上所述，構建的動態風險場基本滿足要求。

圖4 動態風險場等勢線

圖5 動態風險場場強

1.3 總行駛風險場

車輛的總行駛風險場為靜態風險場與動態風險場的疊加即

行駛風險場等勢線如圖6所示。由圖可見，障礙物車輛1的車速小于自車，因此自車的前車（車1）相當于逐漸“接近”自車。如車4繼續保持在當前車道行駛，隨著自車與車1的相對距離的減小，自車受到的行駛風險場的場強越大。自車為了將受到的行駛風險場的場強維持在一定范圍內，需要減速行駛。自車如果想要維持當前車速行駛，則必須換道。自車的左側車道上，由于車2和車3都產生了較大的場強，而在右側車道上，車4相當于“遠離”自車，因此在右車道上的場強較低，故自車向右側換道更為安全。綜上所述，構建的行駛風險場能夠識別車輛向右換道的趨勢，同時計算出換道時的場強，以此評判駕駛員對風險的接受程度。

圖6 行駛風險場等勢線

2 個性化換道觸發設計

2.1 駕駛員數據采集

為了辨識駕駛員的特性，在自由駕駛工況下進行大量試驗，以收集各類駕駛員的駕駛數據。按圖7所示的流程，構建了駕駛員行為數據采集系統，它使用了一輛真實車輛，輔以慣性導航、角毫米波雷達和VECTOR VN1630A CAN采集設備。整個系統用來存儲駕駛習慣并收集駕駛數據。

圖7 駕駛員數據采集流程圖

在采集系統中，駕駛員通過操縱車輛轉向盤、油門踏板和制動踏板使車輛行駛。車輛的狀態參數可從車輛OBD中通過CAN信號獲得；真實的駕駛場景的經緯度和車輛加速度等信息可從慣性導航通過CAN信號獲得；周圍車輛與障礙物的相對位置、速度和加速度等信息通過車輛四角的毫米波雷達獲得，每個角雷達可檢測150°范圍內的障礙物，最遠可檢測80 m，通過CAN信號傳輸，使用VECTOR VN1630A采集CAN信號。整個過程中總計錄制了以下數據以便后續分析：車速、轉向盤轉角、轉向盤轉速、橫縱向加速度、橫擺角速度、制動主缸壓力、油門踏板開度、經緯度以及周圍障礙物的位置、速度、加速度。

試驗地點在中國長春，選定了一段路線作為駕駛場景，選取的路段涵蓋了常見的場景，如直行、連續彎道、環島、換道、高架和擁堵等，全程約12 km，單次駕駛時長約25 min。

選擇了30名駕駛員作為測試樣本。正式測試前，駕駛員先對試驗車輛進行一段時間的試駕，以熟悉車輛和試驗步驟，除了設備外車上無其他配件。試驗后對其駕駛員信息進行統計，如表3所示。

表3 駕駛員信息

2.2 換道數據提取

考慮到后續要分析駕駛員的換道觸發，本文中將對自由駕駛數據進行了提取和分段，從中剝離出換道數據段進行分析。因此，本文中設定的轉向行駛的條件是：

（1）車速v＞2 m∕s2；

（2）轉向盤轉角δsw＞5°；

（3）轉向盤轉速δ˙sw＞5°∕s。

當汽車脫離穩定直線行駛時，開啟數據的提取；當汽車重新進入直線行駛或者超過設定的工況持續時間Tcon（本文設置Tcon=7 s），則完成一段數據的提取，得到一組駕駛員轉向的時序數據。

上述通過提取得到的均是由駕駛員操縱轉向的時序數據，但是其中一部分是由于道路曲率的變化而使得駕駛員進行轉彎操作。為了得到換道的數據，本文中對時序數據進行了航向角估算以排除非換道數據。

考慮到航向估計模型的簡單易用且能真實反映車輛特性，本文中基于單車模型進行計算，使用單車模型需做如下假設：

（1）不考慮車輛在Z軸方向的運動，只考慮XY水平面的運動；

（2）左右側車輪轉角一致，這樣可將左右側輪胎合并為一個輪胎，以便于搭建單車模型，如圖8所示；

圖8 單車模型

（3）車輛行駛速度變化緩慢，忽略前后軸載荷的轉移；

（4）車身和懸架系統是剛性的。

具體符號定義見表4。

表4 單車模型參數定義

根據車輛動力學模型可得

同時假設車輛的方向變化率等于車輛的角速度，則車輛的角速度為

聯立式（9）和式（10）可得

質心側偏角可由式（12）獲得

對˙在時間上積分可獲得航向角的歷程。

圖9為兩段提取的轉向工況下轉向盤轉角和經過估算的航向角的時間歷程，其中圖9（a）反映了在該工況下車輛航向角整個時間段前后變化很小，由此可知該段數據為換道數據；圖9（b）則表示了典型的轉彎段數據的特征。由此，便可以將非典型的換道的數據從訓練集中剔除。

圖9 典型換道工況和調頭工況的轉向盤轉角和航向角

2.3 駕駛員換道風險機制分析

在完成了換道風險場計算后，本文中定義了兩個閾值，分別為規劃閾值Qp和安全閾值Qs。其中規劃閾值Qp為駕駛員所能接受的自車車道前方風險場強度，安全閾值Qs則為整個換道過程中駕駛員所能接受的最大風險場強度。以圖1的場景為例，Qp為換道開始時刻車1形成的行駛風險場；Qs為換道整個過程中所有車輛形成的行駛風險場的最大值。

當自車以當前車速或者期望車速在當前道路上行駛時，如果前方車輛速度過低或存在障礙物時，不同駕駛員會采取不同的操作以降低前方行駛風險。比較保守的駕駛員往往傾向于減速繼續保持車道，從而有較大的Qp；激進的駕駛員則會立刻變換車道，繼而Qp較小。然而，Qs正相反，激進駕駛員往往接受能力強，Qs較大，后方和周圍車輛對其換道的影響較??；保守駕駛員則相反。

圖10示出了某次換道過程中行駛風險的變化。自車在開始換道時刻前方的行駛風險為0.124 3，總行駛風險為0.174 6。隨著車輛始駛向相鄰車道，車輛的行駛風險也繼續增加。在3.3 s時，車輛的行駛風險達到最大值0.608 1。隨后車輛換到相鄰車道，前方行駛風險變成0，總行駛風險也逐漸下降。當車輛換道完成時，車輛的行駛風險為0.005 6。本文中將換道起始時的前方行駛風險作為引發換道的行駛風險，換道過程行駛風險的最大值作為該駕駛員所能接受的行駛風險。即本次換道中，該名駕駛員的Qp=0.124 3，Qs=0.608 1。

圖10 換道過程中的風險

2.4 個性化換道觸發方法

圖11為采集駕駛員中的3名駕駛員的某段換道工況的Qp和Qs盒形圖。明顯看出，不同駕駛員可接受的行駛風險有顯著差別。從整體分布來看，駕駛員1可忍受的前方風險最低，能接受的行駛風險最高，而駕駛員3則趨于保守，能夠忍受前方車輛的風險盡量減少換道，同時對周圍環境風險接受程度較低。

圖11 3位駕駛員換道Qp和Qs的對比

因此，本文中選取每位駕駛員在線統計得到的Qp和Qs的中位數作為該名駕駛員的最終閾值，并且該值隨換道工況次數的增加而逐漸獲得動態更新。車輛能夠觸發換道軌跡規劃系統的條件為

式中：Qfn為自車當前車道前方風險場；Qn為周圍環境的總風險場；Qp和Qs為前n-1次換道工況規劃和安全閾值的中位數。

3 實車測試結果

本文中選取了15名駕駛員進行了實車驗證，本節將選取其中3名駕駛員進行說明。試驗開始前，駕駛員對試驗車輛先進行一段時間的試駕，以熟悉車輛和試驗流程。

將基于交通風險評估的個性化換道觸發程序導入Matlab∕Simulink中，通過VECTOR VN1630A實時獲取駕駛員的車輛操控數據和角雷達信息，通過程序進行換道工況提取。駕駛員每完成一次換道，就根據雷達信息計算出該次的Qpi和Qsi，在線統計Qp和Qs的中位數，并更新閾值。

在完成自由駕駛后，令每名駕駛員分別完成如圖12所示的換道工況。自車以40 km∕h行駛，前車以30 km∕h行駛，兩車初始間距為100 m，駕駛員正常駕駛，自由選擇時機進行換道。該工況以驗證Qp對換道觸發的影響（考慮到實車場景的安全性，Qs暫不測試）。

圖12 實車驗證場景

圖13示出基于前方風險場場強曲線和3位駕駛員對應的Qp閾值。從圖中可以看出，該試驗工況下1-3號駕駛員理論換道時刻分別為11.97、7.24和3.91 s，具有明顯的區別。圖14為1-3號駕駛員的實際換道過程橫向位移的時間歷程曲線，從圖中橫向位移的第1個拐點可以看出，實際1-3號駕駛員的換道觸發時刻分別為12.05、6.57和4.31 s，它們很好地符合駕駛員對于風險的接受程度。

圖13 基于前方風險的換道觸發

圖14 駕駛員的實際換道軌跡

4 結論

為實現個性化的換道觸發功能，本文中提出了一種基于人工勢場的交通風險評估模型。本文的主要內容和成果如下。

（1）行駛風險場設計

基于人工勢場理論，對交通環境中的障礙物，建立了靜態和動態風險場，綜合考慮了其物理屬性和狀態參數，實現了自車對環境的風險評估，為換道觸發設計的開發提供理論基礎。

（2）換道觸發設計

數據采集與處理：采集駕駛員日常駕駛的數據，通過車輛的單車模型進行航向估算，從中提取出駕駛員的換道數據工況。

駕駛員換道風險機制分析：定義了駕駛員換道的規劃閾值Qp和安全閾值Qs，并據此分析了駕駛員換道過程中的風險變化過程。

個性化換道觸發方法：通過對采集的駕駛員換道數據進行統計分析，確定不同駕駛員換道過程中的風險接受程度，從而得出個性化的換擋觸發時刻。

（3）實車測試驗證

選取典型工況進行了個性化換道觸發的實車驗證，結果表明：基于交通風險評估的個性化換道觸發算法可針對不同駕駛員實現個性化換道觸發。

本文中研究了基于交通風險評估的個性化換道觸發機理，并完成了實車驗證。但仍存在一些有待進一步深入研究和探討的內容，如：

（1）根據變化無常的環境車輛狀態在交通風險建模中融入障礙物意圖識別與軌跡預測；

（2）完成個性化的換道軌跡規劃設計。