不確定性對車輛軌跡預測的影響研究綜述*

王珂 王艷陽 鄧修金 黃秋實 廖凱凱

（1.西華大學，汽車測控與安全四川省重點實驗室，成都 610039；2.西華大學，流體及動力機械教育部重點實驗室，成都 610039）

主題詞：不確定性 軌跡預測 控制方法 智能汽車

1 前言

智能車系統包括3 個關鍵子系統，即認知系統、決策系統和執行系統。認知系統的主要功能為辨識當前駕駛環境和行為意圖，并估計和預測未來環境變化，為決策和執行系統提供可靠的依據。而對復雜道路環境的認知是智能車輛認知系統的重要功能，其關鍵技術之一為車輛軌跡預測。

車輛軌跡預測基于當前或前一段車輛軌跡與環境信息，對該車輛的行駛軌跡進行預測。其預測精度直接決定了車輛的安全性、穩定性和舒適性。然而復雜交通環境具有多種不確定性，例如下一時刻交通環境的突變不可知、車輛建模過程的簡化問題、傳感器的測量誤差及失效問題、駕駛行為的不確定性以及多車間的交互與博弈等。上述不確定性會直接影響車輛軌跡預測精度，甚至導致車輛偏離安全路徑，提高碰撞風險。

針對上述問題，本文通過對車輛軌跡預測時面臨的不確定性問題進行綜述，分析單車軌跡預測時的環境預測不確定性、車輛模型不確定性和環境感知不確定性，以及多車間的駕駛行為不確定性和多智能體間的交互與博弈，并進一步分析這些不確定性對軌跡預測的影響，以明確不確定性對車輛軌跡預測的影響機理及控制方法，為解決不確定性導致的車輛軌跡預測誤差問題提出合理的解決思路，并對有待進一步解決的問題進行討論，對未來的研究方向進行展望。

2 車輛軌跡預測方法及其不確定性

車輛軌跡預測方法主要包括3個類別：基于行為認知的軌跡預測、基于大數據驅動的軌跡預測和基于物理學模型的軌跡預測。

基于行為認知的軌跡預測方法主要依據車輛加速、減速、變道和跟蹤等駕駛行為的認知結果來估計和預測未來的車輛軌跡，因此能夠在長時間段內從抽象層面預測車輛的運動趨勢。原型軌跡聚類法是基于行為認知的軌跡預測方法之一，C.Hermes及其團隊提出了一種基于軌跡分類和粒子濾波框架的長期預測方法，可對未來某段軌跡進行實時估計和預測。高斯過程學習法也是基于行為認知軌跡的預測方法之一，T.Christopher提出了一個基于高斯過程的完整軌跡級概率運動模型。該模型為采用隱馬爾可夫模型構建駕駛行為模型的一種變體，其優點是能夠獨立于狀態空間表達未來的運動。基于行為認知的軌跡預測方法還包括駕駛行為認知及軌跡定義法，但基于行為認知的軌跡預測方法未考慮較低層次的車輛運動相關信息，如加速度、轉向盤轉角和路面附著系數等，因此在短時間內預測精度較差。針對這一問題，B.D.Kim及其團隊提出了一種基于遞歸神經網絡的車輛軌跡預測框架，通過深度神經網絡模型從大量的軌跡數據中學習車輛的復雜行為，基于此軌跡預測方法采用長短期記憶（Long Short Term Memory，LSTM）遞歸神經網絡分析周圍車輛的行為并預測未來的坐標。裴炤等人將長短期記憶網絡與社會親和力映射圖相結合進行軌跡預測。同時，季學武等人設計了一種基于長短期記憶網絡的駕駛意圖識別及車輛軌跡預測模型。此外，基于行為認知的軌跡預測方法的基礎為駕駛行為認知，而駕駛風格的多樣性、駕駛員身體狀態的時變性和駕駛環境的突變性及多樣性會直接導致駕駛行為認知存在極大的不確定性，進而影響車輛軌跡預測精度。

基于大數據驅動的軌跡預測方法首先，對數據庫中的知識進行學習和挖掘，然后利用大量數據序列和數據驅動模型（如深度學習網絡模型）對車輛軌跡進行預測。大數據驅動軌跡預測能夠在較長時間段內對車輛軌跡進行預測，但是該方法也沒有考慮底層車輛運動信息，因此在短時間內預測精度較差。針對這一問題，許多團隊提出了長短期記憶模型預測方法。此外，基于大數據驅動的軌跡預測方法對數據庫要求較高。文獻[8]采集了3 730 s的駕駛信息，其中1 325個案例信息超過4 s，且85%的案例為訓練集，15%的案例為驗證集。文獻[9]通過采集261位行人的出行軌跡，研究行人與環境的交互信息。唐坤將早高峰時段7:00～9:00 以30 min為間隔劃分為4個連續時間段，在84 100個路段采集了329 083個駕駛行為數據。而數據庫在數據精度、數據容量、數據實時性及人為主觀因素等方面具有不確定性（或者多樣性），這會直接導致大數據驅動的軌跡預測的不確定性，進而增大車輛軌跡預測誤差。

基于物理學模型的軌跡預測方法，依據運動學和動力學定律，采用數學語言描述車輛的物理運動，根據車輛加速度和轉向盤轉角，結合車輛結構參數和路面工況等外在條件，預測車輛姿態及未來車輛軌跡。該方法直接考慮車輛底層運動信息，因此在短時間內可以對車輛軌跡進行精確預測。但該方法既沒有考慮自車變道、轉彎和加減速等駕駛行為信息，又沒有考慮其他車輛的行駛工況和行人行為，也較少考慮車輛建模過程中的不確定性，例如車身質量的時變性、滑移率測量的精確性和車輛機電耦合的復雜性等。針對上述問題，文獻[11]建立平板制動試驗臺，構建輪胎動力學模型，研究了車載質量對車輛制動性能的影響。文獻[12]研究了基于滑移率辨識的汽車制動時序視覺檢測方法。文獻[13]提出一種主動懸架系統的多目標優化控制方法，建立機電耦合的集成模型，研究了電磁激勵特性，并分析了其對車輛動力學的影響。這些不確定因素會直接降低車輛軌跡預測精度。更嚴重的問題是，基于物理學模型的軌跡預測誤差會隨時間的推移而不斷累積，最終導致預測誤差較大，無法滿足智能車輛決策和控制的需求。針對該問題，李培新等人將車輛運動學模型進行線性化處理，得到車輛運動學線性跟蹤誤差模型。同時，潘世舉及其團隊基于車輛動力學模型，提出了基于跟蹤誤差模型的智能車輛軌跡跟蹤方法。研究結果表明，當車速小于15 m/s 時，橫擺角誤差成功控制在0.52 m 以內，偏航角誤差控制在0.067 rad以內。

綜上所述，基于行為認知的軌跡預測方法與大數據驅動的軌跡預測方法主要考慮車輛上層運動信息和歷史運動數據來完成未來長時間段內的車輛軌跡預測。而基于物理學模型的軌跡預測方法主要考慮車輛的底層運動信息進行未來短時間段內的車輛軌跡預測。為了兼顧未來長、短時間段內的預測精度，上述3 種預測方法常結合使用，這在一定程度上可以提高預測精度。但無論是結合使用還是單獨使用，對3種預測方法不確定性的相關研究較少。車輛在實際運行工況中，駕駛行為的不確定性、數據庫的不確定性和車輛模型及其行車環境的不確定性無法避免，而這些不確定性會直接影響預測算法的有效性，進而降低軌跡預測精度。駕駛行為不確定性會直接影響車輛制動、換道和轉向等工況，進而造成車輛當前時段的車輛軌跡與環境信息突變，影響車輛未來行駛路徑和軌跡精度受。數據庫的不確定性會直接影響車輛軌跡預測精度。車輛模型及其行車環境的不確定性會帶來過程噪聲和測量噪聲。物理模型建立過程中，假設了一些參數（如速度、加速度和角速度等）恒定，而在車輛實際行駛中，這些假設會產生變化，且隨著時間的推移變化不斷加大，這些假設會使車輛軌跡預測誤差增大，稱為車輛行駛的過程噪聲，是影響車輛軌跡精度的關鍵因素之一。傳感器對行車環境的數據采樣信息會產生測量誤差，稱為測量噪聲，也是影響車輛軌跡精度的關鍵因素之一。

3 環境預測不確定性

環境預測不確定性的研究主要包括2個方面：非預期障礙物規避和復雜天氣下物體高精度感知。

在非預期障礙物規避方面，胡延平及其團隊采用衍生狀態格理論，充分考慮了障礙物的靜止及運動狀態，進一步研究了直道避障模型和彎道避障模型，結合智能車輛軌跡預測算法，提出了避障車輛和障礙物狀態格之間的軌跡規劃問題。針對城市復雜交通環境換道時緊急避障的問題，張銳陳基于直線道路工況和彎曲道路工況利用奇次多項式確立了換道避障軌跡規劃方法，并建立了前方障礙物與自車之間的安全距離模型。文獻[18]提出了一種避障算法用于多目標優化，設計了動態障礙物管理器。針對智能車輛在緊急工況下的主動避障控制問題，文獻[19]開發了一種集成自適應巡航控制、后轉向控制和側翻制動控制的主動安全協同控制系統。

在復雜天氣下物體高精度感知方面，王科基于車載視頻圖像理論，針對霧霾天氣下成像效果差的問題，提出了基于亮度通道引導濾波的視頻圖像去霧算法。研究結果表明，該算法能有效改善圖像對比度和清晰度，計算效率分別比彩色直方圖均衡化方法和多維圖像增強算法（Retinex算法）提高了63.9%和98.3%，滿足視頻圖像去霧需求。同時，隗寒冰等針對城市復雜動態環境下光照突變和識別精度低的問題，提出一種基于網狀分類器與融合歷史軌跡的多目標檢測與跟蹤算法。針對高速公路復雜路段不良天氣條件導致的交通安全問題，邵東建分析了車速、圓曲線半徑、超高、縱坡、降雨和橫風等影響因素，運用正交試驗法確定各因素影響程度，建立了高速公路行車風險評價體系。徐晶通過建立統一的去雨、雪和霧模型來提高圖像處理能力，優化數據濾波算法。

上述工作主要從非預期障礙物規避及復雜天氣下物體高精度感知方面研究環境預測不確定性，并通過預測模型、控制系統、圖像處理和目標跟蹤檢測等方法來降低環境預測不確定性，但針對環境預測不確定性對車輛軌跡預測的影響研究較少。一方面，環境預測不確定性會導致車輛軌跡預測誤差增大，甚至直接導致車輛失穩失控。例如非預期障礙物的出現造成車輛碰撞，導致車輛當前行駛軌跡與環境信息直接丟失，直接導致車輛軌跡預測失效。而突發的大霧、大雪和暴雨等天氣會直接影響行車環境的辨識，提高車輛獲取未來預測軌跡的難度，影響軌跡預測的精度。另一方面，環境預測不確定性會直接導致車輛緊急制動或者重新預測行駛軌跡、頻繁更換行車路徑，這會直接影響車輛的乘坐舒適性和行駛平順性。若割裂環境預測不確定性對車輛軌跡預測的影響，單獨研究環境預測的不確定性或者車輛軌跡預測方法，無法從系統層面提高智能車輛的安全性、舒適性和平順性。

4 車輛模型不確定性

4.1 車輛物理模型

車輛物理學模型主要是基于物理定律由復雜的實際狀況轉化而來，可分為動力學模型和運動學模型。基于物理學模型的軌跡預測方法根據車輛加速度、轉向盤轉角等控制，輸入結合外界條件以及車身特性對車輛位置、偏航角和速度等車輛狀態進行預測。

車輛動力學模型主要考慮車輛運動的各種外力（如縱向和橫向輪胎力）或道路傾斜角度，基于拉格朗日方程計算車輛的運動參數，車輛動力學模型的不確定性主要包括模型誤差及作用于車輛的各種外力。為了估計車輛橫向速度及作用于車輛的外部干擾，Lin 基于2 自由度車輛軌跡預測模型，結合穩定卡爾曼濾波算法，減小了模型不確定性。文獻[25]在考慮了各種外力等不確定性因素的前提下，提出了基于動力學模型的車輛軌跡預測方法。另外，為了研究道路傾斜角度這一不確定性對軌跡預測的影響，劉凱及其團隊基于路面具有一定傾角的智能車輛動力學模型，提出了越野地形下的軌跡跟蹤方法，并進一步推導了基于零力矩點的車輛側傾安全約束。針對車輛動力學模型軌跡預測，P.Wang 及其團隊提出了一種新的交叉口車輛運動軌跡預測方法，該方法依賴于融合車輛動力學和對駕駛員未來動機的估計，通過偏航角卡爾曼濾波和位置卡爾曼濾波組成的雙卡爾曼濾波算法估計當前車輛狀態，根據道路幾何信息和特定駕駛員的駕駛行為確定所需的軌跡。同時，文獻[15]基于車輛動力學模型，提出一種基于線性時變模型的預測控制方法，以提升車輛軌跡預測精度。針對在復雜動態環境下智能車輛軌跡預測效果較差的問題，文獻[28]提出基于車輛穩態動力學的高動態環境下駕駛輔助系統動態軌跡規劃算法，在車輛軌跡預測的基礎上建立“搜索空間”，在搜索空間中對發生器產生的每個軌跡進行評估，選擇最優條件下的最優軌跡。

車輛運動學模型主要在不考慮車輛受力的情況下，根據車輛運動的各種參數來描述車輛的運動。運動學車輛軌跡預測模型根據速度、加速度等參數是否恒定，可分為恒速度（Constant Velocity，CV）模型、恒加速度（Constant Acceleration，CA）模型、恒橫擺率和恒速度（Constant Turn Rate and Velocity，CTRV）模型、恒橫擺率和恒加速度（Constant Turn Rate and Acceleration，CTRA）模型、恒轉角和速度（Constant Steering Angle and Velocity，CSAV）模型、恒曲率和恒加速度（Constant Curvature and Acceleration，CCA）模型和恒轉角和加速度（Constant Steering Angle and Acceleration）模型等。運動學模型的關系如圖1所示，其中為加速度，為偏航角，為曲率，為偏航角速度。這些模型的運用可以忽略地面對車輛的摩擦力等外界作用力，使車輛軌跡預測更為簡單高效。運動模型的不確定性是指軌跡預測的過程噪聲，為了減小運動模型軌跡預測噪聲，魯浩基于滑動參數估計對滑動轉向車輛軌跡預測進行了研究，在深入分析滑動轉向車輛轉向運動學及動力學特性的基礎上，提出了一種基于瞬時轉向中心的運動學建模方法，通過將車輛運動微分方程在參考軌跡上線性化，建立了線性時變擾動矩陣微分方程，并基于線性控制理論推導了軌跡誤差的閉式解析解。同時，為了降低噪聲的干擾，進一步提高預測精度，文獻[32]提出基于同步定位與地圖創建（Simultaneous Localization And Mapping，SLAM）算法的不變擴展卡爾曼濾波（Invariant Extended Kalman Filter，In-EKF）算法，研究了算法的一致性和收斂性。針對運動學軌跡預測模型長時域預測精度較差的問題，A.Houenou等提出了一種基于CTRA模型的軌跡預測和基于機動識別的軌跡預測相結合的軌跡預測方法。該算法既能保證短時域的軌跡預測精度，也能保證長時域的軌跡預測精度。運動學軌跡預測模型在導航系統中也有應用，文獻[34]采用基于誤差的卡爾曼濾波通過反饋策略進行數據融合處理，并利用運動學約束來提高慣性導航系統多普勒速度日志（Inertial Navigation System-Doppler Velocity Log，INS-DVL）導航性能。許建新等人設計了適用于智能手機平臺的基于車輛運動模型輔助的車載航位推算（Dead Reckoning，DR）/全球定位系統（GlobalPositioning System，GPS）組合導航方案。

圖1 運動模型間的關系[30]

上述工作主要研究了基于車輛物理學模型的智能車輛行駛軌跡預測方法對模型不確定性的處理，而沒有充分研究車輛物理學模型的各種不確定性對軌跡預測的影響。復雜動態環境具有非線性、傳感器量測延遲或信號丟失、傳感器測量誤差、外部未知干擾、噪聲和非高斯等復雜特性，這些特性可能出現共存和耦合，就會造成模型的不確定性。車輛物理學模型的不確定性（如各種外力等不確定性因素）一方面會使車輪附著力降低，增加車輛側翻風險，另一方面會直接導致軌跡預測精度降低，影響駕駛的安全性。之所以沒有充分考慮車輛物理學模型的各種不確定性因素，是由于車輛建模過程中，要求從具體的實體車輛轉換成抽象的物理模型，得到方便表達和計算的數學公式，這需要對車輛實體及其運動進行條件假設、參數近似和參數取舍。

4.2 車輛模型不確定性處理

在車輛軌跡預測中，針對車輛模型不確定性的處理主要有5種方法：卡爾曼濾波（Kalman Filters，KF）、擴展卡爾曼濾波（Extended Kalman Filters，EKF）、無跡卡爾曼濾波（Unscented Kalman Filters，UKF）、粒子濾波（Particle Filters，PF）和蒙特卡洛（Monte Carlo）等方法。S.Qiao等人提出了一種基于動態卡爾曼濾波的軌跡預測方法，對運動物體的動態行為進行狀態估計，更新狀態變量估計值。但卡爾曼濾波方法假設模型每一步迭代中，其先驗概率都滿足高斯分布，且所求解的方程為線性方程，所以KF 不能有效求解非線性方程（如非線性CTRV 模型）。Todoran 等基于擴展卡爾曼濾波方法將非線性問題線性化，實現了對非線性運動方程的概率估計。但在強非線性條件下，EKF會因為近似誤差較大而出現較差的估計結果，甚至出現發散現象。而且J.Schulz 等人提出將多模型無跡卡爾曼濾波應用在動態貝葉斯網絡意圖估計和軌跡預測中。UKF 是KF 與無跡變換（Unscented Transform Theory，UT）的結合，對非線性問題進行概率分布估計，同時，PF基于粒子理論，通過產生大量的粒子，對非線性問題進行求解，但大量粒子的仿真會產生實時性問題。蒙特卡洛法通過構造概率模型，從已知概率模型進行隨機抽樣，產生隨機變量，對目標變量進行數學估計。蒙特卡洛法一般需要大量的試驗，試驗次數越多，所得結果越精確。

文獻[30]分析了車輛模型不確定性的處理方法，其描述CTRV模型主要是以加速度和角速度恒定作為假設條件，這2個假設為實際過程的主要過程噪聲，其均值為0，且服從高斯分布，可計算得到CTRV模型中處理過程噪聲的協方差矩陣。圖2所示為CTRV模型，其中為偏航角，為車輛行駛速度。CTRV 運動模型為非線性模型，故需應用EKF處理運動模型的不確定性和傳感器測量的不確定性，從而提高軌跡預測精度。通過對GPS進行分析，可以從接收機上得到由經緯度到平面坐標系的轉換結果，表1所示為部分GPS經緯度坐標轉換后的平面坐標。基于CTRV模型的預測軌跡是結合了GPS與慣性傳感器（Inertial Measurement Unit，IMU）的融合定位數據，運用EKF算法處理模型噪聲和傳感器測量噪聲，最后通過仿真可以得到車輛軌跡預測結果，如圖3所示。

圖2 CTRV模型[45]

表1 部分GPS經緯度坐標轉換后的平面坐標[45] m

上述工作主要研究了車輛模型不確定性的處理算法，而沒有分析對不確定性處理的效果。由圖3a可以看出，EKF在彎道處的濾波軌跡符合車輛實際轉彎工況下的軌跡，并且整體濾波達到預期效果，由圖3b可以看出，線性軌跡的濾波效果誤差小于3 m，彎道處軌跡的濾波誤差為4～10 m。EKF 在彎道處的濾波效果與軌跡的濾波效果相比誤差明顯，并且在曲率較大的彎道處濾波有發散的趨勢，這會帶來智能車輛行車舒適性和安全性問題，因此需要進一步尋求更加優化的濾波算法來解決問題。而且EKF存在狀態突變、未知干擾以及模型失配等情況，會造成車輛軌跡預測精度低及魯棒性差的結果。

圖3 基于CTRV運動模型的EKF軌跡預測[45]

5 環境感知不確定性

環境感知技術利用傳感器對車輛所處環境及自身狀態進行感知，為車輛的操縱和控制提供有效依據。環境感知不確定性是車輛軌跡預測的前提，主要來源于傳感器，主要包括傳感器測量誤差和傳感器失效兩個方面。

傳感器測量誤差是環境感知不確定性的主要因素。降低傳感器測量誤差的方法主要包括傳感器的融合與降噪。目前，車輛軌跡預測所使用的主要傳感器包括車載攝像機、激光雷達、毫米波雷達、GPS 接收機和IMU。車載攝像機基于環境數據庫匹配行駛環境中的實物，其具有檢測距離遠、成本低和幀速率高等優點，但易受光照、氣候環境影響。激光雷達通過發射激光束探測目標位置，定位原點為車輛本身，如美國加州威力登（Velodyne）公司某多線全視場激光雷達具有64 個激光通道，探測范圍為120 m，垂直角度為26.8°，垂直角分辨率為0.4°，探測精度達到了2 cm，能夠實現全視場的3D環境描述，具有數據量大、實時性強的特點，可用于對目標車輛進行定位跟蹤，同時具有高分辨率、隱蔽性好和低空探測性能好等優點，圖4所示為激光雷達車身分布情況，但激光雷達受惡劣天氣影響較大，抗環境變化能力差，且制造成本高。毫米波雷達工作頻率通常選在30～300 GHz頻域，其具有波束窄、隱蔽性好和抗環境變化能力強等優點，但其加工難度大，制造成本高。GPS傳感器利用衛星作為參考點，在地面上進行三角交叉測量，計算接收器的位置，對本車進行定位追蹤，具有使用方便和成本低等優點。然而，GPS存在高層建筑信號閉塞、更新頻率較低和短期精度較差等問題。IMU作為參數解算系統，包含一個三軸陀螺儀和一個三軸加速度計，用來計算相對于全球參照系的姿態、角速度、線速度和位置。IMU具有良好的穩定性和短期精度，且更新頻率高，但IMU 在長時域的誤差較大，并會增加每次使用前初始對準時間的工作量。

圖4 福特汽車車身激光雷達布局[48]

劉志勵通過對車載攝像機和激光雷達進行研究，提出了基于雙目視覺與激光雷達的局部路徑規劃算法。陳艷等提出了GPS和機器視覺的組合導航定位方法，并使用UKF 算法提升定位軌跡的精度和穩定性。華中科技大學郭嘉斌通過對單目車載攝像頭與IMU 的研究提出了一個基于先驗模型的視覺慣性混合追蹤系統。趙翔及其團隊提出了基于攝像機和毫米波雷達的車道級定位方法。文獻[53]提出了毫米波雷達和激光雷達數據融合的SLAM 算法。文獻[54]通過對激光雷達和IMU 的研究，提出了激光雷達/IMU 組合導航定位方法。陶倩文提出了基于車載激光雷達與GPS 數據融合的智能車高精度定位方法。文獻[56]研究了高分辨成像中的GPS 和IMU 應用方法。在GPS 與IMU 融合系統中，可采用EKF處理傳感器測量值，進一步得到更加準確、穩定的載體數據，處理方式如圖5所示。

圖5 GPS與IMU的傳感器融合定位[57]

對于傳感器降噪（不確定性）處理，同樣采用KF、EKF、UKF、PF和蒙特卡洛這5種濾波算法。文獻[58]提出了基于UKF 的位置融合和驗證算法，旨在減小智能車輛傳感器噪聲，使車輛的行駛安全性能得到改善。通過建立短時短距航跡推算模型進行定位預測，使UKF實現預測定位結果與實際定位結果的非線性融合，從而提高定位精度。通過定位校驗算法，判斷實際定位數據是否發生偏移。UKF通過無跡變換解決KF在推理過程中的非線性傳輸問題。同時，文獻[59]提出了基于CTRV模型的UKF 算法用于處理模型的過程噪聲及傳感器的測量噪聲，研究結果表明，濾波器基于運動學模型并結合傳感器的測量實現了理想目標真實狀態的預測，且UKF 的濾波效果明顯優于EKF 的濾波效果。T.Wang 及其團隊提出了一種改進的卡爾曼濾波（Improved Kalman Filter，IKF）算法對四維軌跡進行估計，能夠對傳感器誤差進行實時估計，提高了軌跡預測精度。為減小傳感器的測量噪聲，權義萍等人提出一種基于均值漂移（Mean-Shift）的卡爾曼粒子濾波算法來過濾傳感器噪聲，提升了物體追蹤精度。

上述工作主要研究了傳感器測量誤差帶來的環境感知不確定性，并通過傳感器融合及5種濾波算法來降低傳感器測量誤差，提高軌跡定位精度，但缺少對傳感器融合使用時在車身上的相對位置關系及數量的研究，以及對車輛軌跡預測精度影響的研究。對于車載傳感器融合使用時在車身上的相對位置關系，需要針對每個傳感器建立以自身為中心的坐標框架，然后在每2個傳感器坐標間選取公共聯測點，通過建立精確的傳感器相對位置關系，降低傳感器的測量誤差，提升車輛軌跡預測精度。同時，傳感器數量的增多會導致冗余數據的生成，增加算力要求，且增加決策時傳感器優先級設計工作。因此，合理選擇傳感器及其數量能夠優化系統算力，進一步提升車輛軌跡預測精度。

6 駕駛行為不確定性

駕駛行為不確定性主要體現在每個駕駛員的駕駛風格各有差異，對駕駛環境的解讀也有所不同。關于駕駛行為不確定性的研究主要包括理論基礎、模型建立和駕駛輔助系統3 個方面。駕駛員的行為在“人-車-路”控制系統（圖6）中扮演著重要角色，為決定道路交通安全的關鍵因素之一。據美國國家公路交通安全管理局估算，雖然2020 年美國民眾高速公路乘車出行總里程比上一年減少13.2%，但是車禍死亡人數增加約7.2%，為38 680人，創下2007年以來的新高。而這與超速駕駛、不系安全帶以及醉酒、吸毒等多項危險駕駛行為存在關聯。因此研究駕駛行為不確定性，對提升道路交通行駛安全十分關鍵。

圖6 “人-車-路”控制系統[62]

6.1 理論基礎

針對駕駛行為不確定性理論的研究，文獻[64]提到，為了得到駕駛行為不確定性的理論依據，M.Yeo 及其團隊通過對健康的駕駛員在車內的駕駛行為進行實時監控，提出基于支持向量機方式記錄駕駛員在駕駛與靜止2種狀況下的腦電波，然后進行對比分析得出駕駛行為不確定性的理論依據。同時，A.Liu 提出2 種駕駛意圖的推測方法理論，分別依據駕駛人的操作及所處環境，以及基于車輛的行駛參數。Berndt 教授提出了車道保持與駕駛行為的實時識別理論基礎。王曉原等人將仿生學原理、D-S證據理論應用于駕駛行為。文獻[68]基于行為和生理指標理論對駕駛行為不確定性進行研究。合肥工業大學謝國濤博士結合當前智能車駕駛行為不確定性的研究現狀，提出了智能車駕駛行為認知方法理論框架，其一方面通過機器學習方法、博弈論方法和投票法對空間域的駕駛行為進行研究，另一方面通過固定時間窗口法、基于遞歸神經網絡（Recurrent Neural Network，RNN）方法和馬爾可夫（Markov）理論法對時間域的駕駛行為進行研究，如圖7所示。

圖7 駕駛行為認知方法[1]

上述工作主要對駕駛行為不確定性的理論基礎進行了研究，而沒有建立仿真模型。仿真模型的建立一方面能夠更深入理解理論基礎，另一方面可以通過模型仿真結果對理論基礎進行驗證。

6.2 駕駛行為模型

駕駛行為建模的目的就是預測駕駛動作、駕駛員心理和環境因素。駕駛行為模型的建立對駕駛行為不確定性研究十分關鍵，文獻[69]提出了一類基于軌跡預測的駕駛員轉向控制模型。同時，文獻[70]基于魯棒反步滑模控制理論，建立了汽車駕駛自動轉向模型。2013年，肖獻強及其團隊利用隱馬爾可夫模型，根據多項駕駛操作動作的觀測特征，建立了駕駛行為不確定性的預測模型，其采集的操作信息及意義如表2 和表3 所示。該模型可以對轉向與跑偏駕駛行為進行較好的預測，軌跡預測精度明顯提升。在駕駛行為不確定性模型研究基礎上，文獻[72]建立了語義交互卷積駕駛行為模型。為進一步提高軌跡預測的精度，文獻[73]建立了駕駛員變道的控制預測模型，文獻[74]提出了基于模糊C均值和自適應神經網絡相結合的變道分層預測模型。

表2 采集的操作動作信息[71]

表3 操作動作指標信息及意義[71]

上述工作主要對駕駛行為不確定性的模型進行了研究，重點分析了駕駛操縱行為的不確定性。通過對駕駛行為建模學習，可在高級駕駛輔助系統（Advanced Driver Assistance System，ADAS）層次對錯誤的駕駛操作進行危險預測，對駕駛員不良行為進行警告。這些模型包括融合概率模型、AI 模型和激勵模型的微觀模型。概率模型能夠對車輛軌跡預測路徑進行最優選擇；AI模型能對駕駛行為大數據進行深度學習，存儲于知識庫中，供車輛在離線狀態下進行軌跡預測；激勵模型會考慮車道風險標準，能融入個性化因素，提高當前路段的環境信息識別能力，進而優化未來一段時間的車輛行駛軌跡。但基于駕駛行為不確定性的微觀模型存在參數調節困難、算力要求高和交通流場景預判困難等問題，這些問題是影響車輛軌跡預測精度的關鍵因素。因此，為提高算力和優化模型，還需建立宏觀模型（交通流）或微觀與宏觀混合模型，如道路網絡模型（拓撲結構），故對多智能體間的交互行為不確定性研究十分必要。

6.3 駕駛輔助系統

ADAS主要包括車道保持、自動泊車、制動、倒車和行車5 個輔助系統。駕駛輔助系統的功能之一是軌跡預測，其精度可直接體現駕駛輔助系統性能的優劣，但系統不一定符合每個駕駛員的操縱習慣，這將導致駕駛行為不確定性。為提高駕駛輔助系統對駕駛員特性的自適應性，文獻[75]提出基于神經網絡方法研究具有駕駛人特性自學習的駕駛行為識別方法，以此方法融入駕駛輔助系統的高層控制來提高對駕駛員特性的自適應性。考慮到駕駛員的駕駛習慣，文獻[76]基于機器學習算法自動識別危險駕駛行為，設計了智能輔助駕駛系統。文獻[77]通過設計軌跡跟蹤控制器，采集駕駛人駕駛行為數據，設計了基于駕駛行為的智能車個性化換道輔助系統。同時，文獻[78]通過模糊聚類和隨機森林算法建立駕駛行為的個性化車道保持輔助系統。張佳旭在縱向駕駛輔助系統的研究中，針對不同類型的駕駛員，設計了個性化的縱向控制策略。在個性化和智能化的駕駛安全輔助系統研究方面，肖獻強等人提出了基于有向圖的個性化駕駛員駕駛行為操縱模式建模方法。

上述工作主要針對駕駛輔助系統影響駕駛員操縱習慣的問題，研究了駕駛員駕駛行為操縱特性，進一步提出個性化駕駛輔助系統，以適應不同駕駛員的駕駛風格，降低駕駛行為的不確定性。目前，駕駛輔助系統主要依賴于攝像頭和毫米波雷達等傳感器，具備對當前路段交通環境信息識別的能力，并對未來車輛行駛軌跡進行預測。因此，降低駕駛行為不確定性可提升駕駛輔助系統對車輛軌跡預測的精度。但是，建立個性化的駕駛輔助系統，需要收集駕駛行為的大數據樣本，加大了工作的難度。

7 多車間的交互與博弈

在復雜的交通環境中，傳統車、智能車和行人相互競爭路權，三者之間的行為和決策互相影響。一方面，智能車輛的決策會受到周圍車輛和行人決策的影響；另一方面，周圍車輛的決策和控制以及行人的路徑規劃也會受到智能車輛的影響。這會直接造成多車間的交互和博弈，從而導致軌跡預測路徑改變或終止，而軌跡預測也會影響多車間交互與博弈時的安全性。博弈行為本身就含有極大的不確定性。多車間的交互與博弈的研究方法主要有3種：勢能場法、機器學習法和博弈論。

勢能場法通過定義交通參與者間的關系函數，考慮車與車、車與人間的相互關系，當前在軌跡預測與路徑規劃方面廣泛應用。針對彎道超車時安全風險大的問題，張家旭及其團隊提出一種基于改進人工勢場法的汽車彎道超車路徑規劃算法，并結合線性魯棒控制理論規劃最佳超車軌跡。該算法利用螺旋下降函數、斜坡正弦函數和指數函數構建彎道引力勢能場、同車道行駛較慢車輛斥力勢能場和彎道邊界斥力勢能場，并在這3種勢能場中建立“搜索空間”，規劃彎道超車軌跡。在車輛轉向避障方面，唐志榮及其團隊基于改進的人工勢場法建立了以前輪轉角為控制變量的3 自由度車輛動力學模型，采用模型預測控制算法對車輛軌跡進行預測，仿真結果顯示，車輛軌跡平順性和主動安全性得到了改善。同時，文獻[83]將類橢圓形邊界轉化為三維類橢圓形的斥力場函數，對車輛軌跡進行規劃跟蹤。Receveur及其團隊提出了遺傳算法與分數階勢能場相結合的自動駕駛汽車決策與車輛軌跡預測方法。Yang 通過定義碰撞力、摩擦力、目標力以及社會相互作用力等力學模型幫助智能車輛實現更好的決策和局部車輛軌跡預測。文獻[86]提出了基于人工勢場精細阻力網絡方法的自動駕駛汽車軌跡規劃方法。

機器學習法指基于數據學習理論表示車輛間的相互作用與相互影響，目前機器學習中的成熟算法已經成功運用在車輛軌跡預測研究中。按照學習方式不同，機器學習算法分為監督學習、無監督學習和半監督學習。監督學習使用標記過的數據進行訓練與測試，其主要包括支持向量機、神經網絡和決策樹等算法。馮延超基于支持向量機算法，結合驅動角度數據，提取車輛軌道關鍵信息，對車輛實際換道過程進行建模，并預測車輛橫向移動軌跡。隨著汽車保有量的不斷增加，針對城市交通擁堵及道路規劃問題，朱自升提出了基于神經網絡的車輛軌跡預測方法，試驗結果表明，最終的軌跡預測準確度達到82.9%。李根基于梯度提升決策樹（Gradient Boosting Decision Tree，GBDT）建立了車輛匯入模型，并引用美國下一代交通仿真（Next-Generation SIMulation，NGSIM）項目中的車輛軌跡數據，對模型進行訓練和測試，結果表明：GBDT的車輛軌跡預測精度較分類回歸樹和二元評定模型（Logit Model）分別提高5.3%和13.3%。無監督學習使用未標記數據進行訓練與測試，其主要包括聚類算法和關聯規則算法。曹菁菁提出了一種基于學習的車輛軌跡聚類方法及系統。李秋燕運用數據關聯算法對多目標的運動狀態和運行軌跡進行預測。半監督學習使用部分標記和大量未標記數據進行訓練預測，其在計算機視覺領域中廣泛運用。當前，車輛軌跡預測已成為智能車輛感知技術研究的熱點，但車輛軌跡預測缺乏時間一致性，且預測精度還有待提升，針對這些問題，北京郵電大學的蘇璐敏將機器學習用于軌跡預測，對軌跡信息進行預處理，然后提取特征向量，構建預測模型，并結合GPS數據提高了車輛軌跡預測效果。

在復雜的交通環境中，多車間的行為和決策是相互影響的，因此博弈論被用于智能車輛環境認知，主要研究多智能體間的交互與博弈，其對車輛軌跡預測的影響十分關鍵。Talebpour 等人提出了基于博弈論方法的變道模型，該模型考慮了聯網車輛環境中的信息流，該方法能為當前智能車輛軌跡預測提供輔助，并進一步減小環境預測不確定性，保證智能車輛軌跡預測精度。趙萬忠等基于博弈論的方法對周圍車輛未來的交互行為進行概率預測，從而優化自身車輛的行駛軌跡，提升了行駛安全性。同時，陳明基于博弈論提出了網聯車路徑選擇算法，使車輛軌跡預測安全性得到提高。李建平基于博弈論，首先對交通環境參與者行為進行預測，然后利用連續隱馬爾可夫模型將車輛的行為建模為離散的狀態，通過連續的車輛狀態觀測值對其可能的行為進行概率估計，最后基于高斯過程運動模型提出車輛軌跡預測方法。在車輛換道時的軌跡規劃預測方面，馬媛媛提出了基于博弈論的網聯車輛換道輔助決策方法。

上述工作主要基于勢能函數法、機器學習法和博弈論對多智能體交互和博弈進行研究，并構建模型對車輛軌跡進行預測，但仍有不足之處。勢能場法存在局部最優點問題，易陷入局部極小點，且在相似障礙物間找不到路徑，導致車輛軌跡預測誤差增大。機器學習法存在數據集計算時樣本不平衡和樣本容量大等問題，是影響軌跡預測效率的關鍵因素之一。博弈論的缺陷主要是把對象假設為100%的經濟人，而非自然人。自然人通常是感性的，無法兼顧周圍環境與輿論壓力，增加了車輛軌跡預測的不確定性。因此，基于這3 種方法建立預測車輛軌跡模型時，需進一步考慮相應方法的不足，建立控制方法加以改善，從而提升對車輛軌跡預測的精度。

8 存在的問題及發展趨勢

對車輛環境認知的優化在智能車輛上有著廣闊的應用前景，盡管國內外對車輛環境不確定性的控制模型及控制算法的研究取得了大量成果，但在智能車環境認知不確定性對車輛軌跡預測的影響方面研究不足，目前尚存在如下4個方面的問題有待進一步解決：

a.環境不確定性對智能車輛軌跡預測的影響機理研究。智能車輛軌跡預測是智能駕駛對環境理解的關鍵部分，精準的軌跡預測對車輛的決策規劃起關鍵作用。但軌跡預測精度不僅受車輛自身產生的過程噪聲及傳感器定位的觀測噪聲影響，也受駕駛員行為、非預期障礙物和智能車輛間的博弈等不確定性因素影響。明確上述不確定性的影響機理是車輛軌跡預測的前提。

b.環境感知不確定性控制方法對軌跡預測精度影響的研究。使用車載傳感器融合的方法減小環境感知不確定性，應明確傳感器在車身上的相對位置關系，需要針對每個傳感器建立以自身為中心的坐標框架，然后在每兩個傳感器坐標間選取公共聯測點，通過建立精確的相對位置關系降低傳感器的測量誤差，提升車輛軌跡預測精度。同時，傳感器數量的增多會導致冗余數據的生成，提高算力要求，且增加決策時傳感器優先級設計工作。因此，合理選擇傳感器及其數量可優化系統算力，進一步提升智能車輛認知系統的軌跡預測精度。

c.車輛模型不確定性控制方法對軌跡預測影響的研究。復雜動態環境具有非線性、傳感器量測延遲或信號丟失、傳感器測量誤差、外部未知干擾、噪聲和非高斯等特性。這些特性可能出現共存和耦合，造成車輛模型不確定性。車輛模型不確定性會造成軌跡預測信號滯后。因此，研究卡爾曼濾波及其優化算法處理車輛模型不確定性可改善智能車決策系統時效性不強的問題。

d.駕駛行為不確定性控制方法對軌跡預測影響的研究。駕駛行為不確定性會直接影響車輛制動、換道和轉向等工況，進而造成車輛當前時段的車輛軌跡與環境信息突變，使車輛未來行駛路徑和軌跡精度受到影響。因此，采用滑模控制、預瞄控制和模糊控制等控制方法，并結合駕駛員模型，減小駕駛行為不確定性的干擾，提升軌跡預測精度，是提升智能車執行性能的發展趨勢。