自动驾驶车辆换道过程建模与分析_换道模型pso

摘 要
近年来，随着互联网技术的拓展和自动化水平的提高，自动驾驶车辆愈发受到互联网企业和传统车企的广泛关注，自动驾驶技术对社会、驾驶员和行人均有益处，能够使整体交通事故发生率大幅度下降，并且自动驾驶车辆的行驶模式更加节能高效，因此交通拥堵及交通污染将得以减弱，被认为是未来解决交通问题的重要手段。因而也吸引了很多交通领域学者的关注。

本文以自动驾驶背景下的车辆换道行为建模为研究方向，建立自动驾驶换道轨迹规划模型，对相关参数进行仿真分析。同时为了解决自动驾驶领域中换道意图生成的问题，建立了换道意图生成模型，从而量化了换道成功率与换道意图生成点之间的关系。其中，自动驾驶换道轨迹规划模型是从车辆轨迹规划动态响应的角度建模，添加了换道防侧翻算法，换道避撞算法，重构了换道轨迹规划的速度变化规则，能够实现对环境信息变化的动态响应，是一套较为完备的自动驾驶换道轨迹规划模型，可以对反应时间，规划步长进行调整修改。并使用NGSIM数据作为环境信息输入，仿真了四种典型的换道类型，同时在CarSim 环境下验证了规划轨迹的可执行性以及各项车辆行驶参数；换道成功率模型则是在自动驾驶换道轨迹规划的基础上建立的描述换道意图生成点与最终换道成功率间关系的宏观离散概率模型，旨在为自动驾驶车辆换道意图生成提供支持。

第1 章 绪论
1.1 研究背景及意义
近年来，随着互联网技术的拓展和自动化水平的提高，自动驾驶技术受到越来越多的关注，一方面以沃尔沃、奔驰、特斯拉为代表的各大汽车厂商阶段性地推出辅助驾驶车辆，半自动化车辆等技术产品。另一方面，以谷歌百度为代表的IT 科技企业依托信息技术另辟蹊径，探寻更为智能的自动驾驶生态系统，蕴含着颠覆汽车制造行业的创造力。
自动驾驶技术被认为是未来提高交通安全性，解决交通拥堵问题的重要手段，对社会、驾驶员和行人均有益处。自动驾驶车辆市场份额的高速增长会使整体交通事故发生率稳步下降，并且自动驾驶车辆的行驶模式更加节能高效，因此交通拥堵及对空气的污染将得以减弱。因而也吸引了很多交通领域学者的关注。

然而，近年来也发生了许多自动驾驶车辆引发的交通安全事故，比如2016年3 月谷歌无人驾驶车辆与一辆公交巴士发生轻微碰擦，事故发生时该自动驾驶车辆正打算向右侧车道换道，在换道过程中没能对实时环境信息做出动态响应，错误地认为从后方接近的巴士会减速避让，最终以低速撞上了巴士的侧面。从中可以看出，虽然自动驾驶技术发展迅速，但目前换道行为的自动驾驶在技术上仍
然有很大的不足，安全性保障并不完善，而换道行为恰恰是公路基本驾驶行为中的最常见且危险度较高的驾驶行为，对交通安全，交通流特性有着显著的影响。根据美国高速公路安全管理局（NHTSA）研究数据表明，由于换道过程引发的交通事故在所有统计的交通事故中占比高达27%[1]。因而在自动驾驶与车联网的背景架构下，对车辆换道行为进行建模研究是自动驾驶中的关键研究内容，包括最优轨迹的权衡（便捷性、舒适性、安全性），换道轨迹曲线的选择，以及轨迹的可跟踪性等问题。只有构建了完备的自动驾驶换道模型，才能最大程度上地减少自动驾驶交通事故的发生，使自动驾驶车辆的安全性得到保障。
1.2 研究目标和内容
1.2.1 研究目标
通过了解、学习有关车辆换道行为建模分析以及自动驾驶领域轨迹规划方面的文献资料，加强对换道过程车辆微观运动的认识，熟悉车辆换道行为现阶段模型及其优劣，了解目前自动驾驶领域的研究现状与方向；建立一个能够实时响应环境行驶信息的动态自动驾驶换道轨迹规划模型，能够在不同的驾驶环境场景下规划出合适的换道轨迹；建立自动驾驶换道意图生成模型，从而量化换道意图生成点与最终换道成功率间关系，旨在为自动驾驶换道意图生成提供支持。
1.2.2 研究内容
本论文研究内容主要围绕着自动驾驶技术背景下的车辆换道过程建模而展开，分别针对换道决策和换道轨迹规划领域建立了自己的模型，并基于模型对换道行为进行了研究。
（1）建立了自动驾驶换道意图生成模型：关注了高速公路下匝道强制换道场景，建立了离散型的宏观换道成功概率计算模型，通过视频采集的单车道车头时距数据拟合车头时距概率密度函数从而用于模型计算，并通过实车实验验证了模型的精度。同时对影响换道成功率的因素换道准备距离，车辆速度等进行了分析。
（2）建立了自动驾驶换道轨迹规划模型：引入了全新的换道过程动态轨迹决策算法，使得速度的动态变化更为合理。使用NGSIM 数据作为背景数据进行仿真分析，依据目标车道和速度变化将仿真结果归纳为四种典型的换道类型进行呈现，分析了规划步长和反应时间对换道轨迹的影响，并在CarSim 软件中验证了仿真轨迹的可执行性。

第2 章 国内外研究现状
目前自动驾驶换道研究领域主要分为换道决策研究和换道轨迹规划研究，以及换道轨迹跟踪研究，本论文主要涉及了换道决策和换道轨迹规划领域，因而下文对这两个领域进行了文献回顾。
2.1 自动驾驶换道决策研究现状
根据现有的自动驾驶换道决策的研究，换道决策的内容主要包括：换道意图产生、目标车道选择、换道条件评估[2, 3]。换道意图产生是指自动驾驶车辆在行驶过程中受到前车速度限制影响而无法满足自身驾驶效率，或者由于固有行驶目的需要驶入匝道等情况，遂产生换道意图。换道条件评估是自动驾驶车辆在确定换道后，对车辆换道条件进行评估，确保换道的安全性和高效性，从而确定车辆能否进行换道。选择目标车道是自动驾驶车辆确定需要换道后，在相邻车道选择一条符合换道条件的目标车道。根据Rahman 等人[4]，现有的换道决策方法主要包括：基于规则、基于离散选择、基于人工智能和效用函数，此处对这四种方法进行了简单回顾。
基于规则的自动驾驶换道决策模型以Gipps 的换道模型[5]为代表，是指车辆针对不同换道环境，制定出不同的换道规则，比如最小安全距离规则、换道避障规则等，换道车辆基于这些规则判断当前的交通环境是否满足换道的条件，进而决策是否进行换道。Kanaris 等人[6]研究了自动高速公路系统中车辆的换道问题，提出了一个基于最小安全距离的换道条件评估方法，对车辆换道环境进行评估，采用最小安全距离的规则来判断车辆是否可以进行换道。之后Chen 等人[7]在研究自动驾驶车辆换道决策时，提出了简明清晰的换道决策规则然后再采用多属性决策操作，利用层次分析法和逼近理想解的排序方法对车辆换道安全和效率进行约束。该决策模型优势在于可以将驾驶员主观和客观的意识转化为定量的价值观，从而建立具有驾驶员特性的换道决策模型。Talebpour 等人[8]首次提出了车联网环境下，提出了基于博弈论的车辆换道决策模型，在此基础上，Meng 等人[9]引入Alireza 的结构平衡理论，建立了滚动时域控制的博弈论换道决策模型，将车辆换道决策描述为是否值得换道和车辆换道是否安全两个问题，通过博弈论对车辆间影响、换道安全性、驾驶效率综合考虑后做出换道决策。

2.2 自动驾驶换道轨迹规划研究现状
虽然有关自动驾驶的研究近几年受到了广泛的关注[32-40]，但是大部分只关注了跟驰行为[41]的自动驾驶建模，而针对自动驾驶车辆换道行为的轨迹规划研究较为不足。现有的研究中，主要以几何曲线法[42, 43]为主，此外还有人工势场法[44,45]。
在几何曲线法中，根据几何曲线类型的不同，又细分为圆轨迹、多项式轨迹、螺旋线轨迹、正余弦函数轨迹、B 样条曲线轨迹等方法。此外，有些学者通过设计换道过程的加速度曲线来表征换道轨迹，例如正反梯形加速度曲线。多项式方法最早由Nelson[46]提出，旨在构建曲率连续的(AGVs)自动车辆导引轨迹，其提出了笛卡尔坐标多项式与极坐标多项式轨迹并验证了多项式方法能提高轨迹的可跟踪性。Piazzi 和Bianco[47]提出了基于五次多项式的轨迹规划方法，多项式轨迹曲线的平坦性保证了自动驾驶车辆轨迹的可执行性，通过调节参数可表征不同类型的几何线性曲线轨迹，然而文中个别参数为过程参数，不具有实际物理含义，尚不能有效地应用于实时控制。Papadimitriou 和Tomizuka[48]采用五次多项式来表征车辆换道轨迹，把障碍物简化处理为圆形并考虑了换道过程中的动态约束，但这个策略只能适用于换道开始时刻的障碍物，而不能解决在换道期间出现的障碍物。Chu 等人[49]研究了弯曲路段环境下的局部轨迹规划，使用三次多项式曲线来表征换道轨迹，再通过轨迹方程计算曲率，并得到每一时刻的车辆转向角，进而实现控制，此外轨迹规划中还考虑了换道过程中的安全性，效率和舒适性。Shim 等人[50]提出了六次多项式轨迹规划方法，创新性地引入车辆航向角与转向角作为边界条件，以确定轨迹方程。并采用MPC 来实现轨迹跟踪。除此之外，Chen 等人[51]提出利用二次贝塞尔曲线进行路径规划，得到的换道轨迹具有连续的曲率半径，但该方法未解决存在障碍物情况下贝赛尔曲线控制点的选取问题，同时未涉及车辆的碰撞检测。之后Milam[52]在轨迹规划时采用了三次B 样条曲线来替代贝塞尔曲线，但车辆行为动态变化时仍无法合理地确定B 样条曲线段数，并且生成的换道轨迹在车辆实际换道过程中无法有效控制其横向最大加速度。Ren 等人[53]提出了一种基于梯形加速度曲线的规划方法，导出偏航率和偏航角加速度，然后设计偏航率跟踪器，通过应用非模态滑动模式技术实现车道变化，但是只假设横向加速度满足正反梯形曲线，而无法实现纵向速度的实时调整。此外，也有些学者对换道轨迹所采用的不同几何曲线进行了比较研究。Chee 和Tomizuka[54, 55]对比研究了四种不同的期望轨迹，多项式轨迹、圆轨迹、梯形加速度轨迹、余弦函数轨迹与两种轨迹跟踪算法并选择了梯形加速度轨迹作为虚拟期望轨迹，并给出滑模控制器算法从而提高系统的稳定性，然而他们孤立地研究了换道车辆，假设周围没有任何其他车辆对换道过程进行影响。Sledge 和Marshek[56]比较了几种常用的车道变换轨迹候选曲线，把最大速度作为额外的鉴别指标并转化为边界条件约束下的最优化问题来解决。Zhang 等人[57]使用了正弦曲线、正反梯形加速度曲线、螺旋线来表达换道轨迹，用初始点、终止点状态以及其他约束条件（如碰撞规避）来确定参数的范围，最后根据优化目标确定参数的值。之后Zhang 等人又在[58]中加入了考虑驾驶舒适性与效率的成本函数来进行轨迹优化，并使用三次多项式方程来表征换道几何曲线。

2.3 自动驾驶换道跟踪研究现状

基于现有的自动驾驶换道轨迹跟踪控制研究，将轨迹跟踪控制分为滑模控制、反演算法、自适应、PID 控制器、模糊逻辑、模型预测控制器等方法。以下简单回顾了滑模控制与反演算法。
滑模控制是控制非线性系统的一种高鲁棒性的方法，将滑模控制理论应用到自动驾驶车辆换道轨迹跟踪控制中，有控制响应速度快、扰动不灵敏、容易实现操作等优点。Hatipoglu 等人[62]建立了两层架构的自动驾驶换道控制器，将换道控制问题转换为等价的参考轨迹跟踪控制问题。之后，Luo 等人[60]基于车辆间通信动态下，考虑实际轨迹和参考轨迹之间位置坐标和航向角的偏差，应用滑模控制器理论对偏差进行校正，从而实现车辆换道轨迹跟踪控制，但是在轨迹跟踪控制过程中没有考虑舒适性和驾驶员特性的要求。
反演算法（Backstepping）是将复杂线性系统分解为多个子系统，再对各个子系统进行分析，将反演算法用到自动驾驶车辆换道轨迹跟踪控制中，以确保车辆换道控制系统的稳定性。Rong 等人[63]在车辆换道或超车跟踪控制研究，建立当前和期望位姿的位姿误差，位姿包括车辆横纵向位置和车辆的横摆角，利用积分反演算法实现车辆换道轨迹的跟踪控制。随后Guo 等人[64]在轨迹跟踪控制研究中，同样引入了积分反演算法，构建新的位姿误差变量，推导出闭环控制结构的车辆换道轨迹跟踪控制器。You 等人[65]通过反演算法设计轨迹跟踪控制器，该控制器能够确保换道工程的全局收敛性，将轨迹跟踪问题转化为确定有界控制输入，基于反演算法的控制器都通过Lyapunov 函数证明跟踪控制器的稳定性和全局收敛能力。
本文主要关注了自动驾驶车辆换道过程中的换道意图生成部分和换道轨迹规划部分，轨迹跟踪研究并没有展开研究。

第3 章 基于换道成功概率的换道意图生成模型
3.1 引言
出口匝道分流区作为高速公路的重要基础组成部分，历来是道路通行能力的瓶颈地段，因而也是交通事故的频发区域。该区域内出匝道车辆需经历换道、减速、驶入匝道等过程，导致车辆在各车道间重新分布，使得交通流变得紊乱且复杂，埋下了较大的交通安全隐患。从我国已运营的高速公路交通事故统计数据来看，高速公路出口匝道分流区的事故率明显高于基本路段。因而有必要对高速公路上有下匝道意图的车辆换道行为进行建模研究，以提高高速公路环境的驾驶安全性。
在已有的自动驾驶研究领域中，换道行为的研究主要分为换道决策，换道轨迹规划与换道轨迹跟踪三部分。换道决策领域主要有基于规则的方法、基于人工智能算法的方法和基于效用函数的方法。换道轨迹规划领域主要包括几何曲线法、搜索法和模型预测控制法。换道轨迹跟踪领域包括滑模控制和反演算法等方法。然而在目前的研究中，大部分换道决策内容只关注了车辆在平直公路路段场景下的自由换道行为，此时换道意图产生的原因往往是期望行驶速度大于当前车道行驶速度，因而关注点集中在车辆是否产生换道意图。但在高速公路下匝道场景下，换道意图的产生与否与速度需求无关，是由出匝道意愿决定，而换道意图产生的时机则与车辆的换道成功率相关，因而关注点应集中在何时产生换道意图。本模型试图填补这一空白，将关注点集中在换道决策领域中的换道意图产生与换道时机判断。由于本模型偏向于宏观交通流模型，因而简化处理换道轨迹规划模块，使用了全局轨迹规划方法来确定最晚换道点，且暂不涉及换道轨迹跟踪模块。本模型研究对象为高速公路下匝道场景强制换道行为。该场景下，车辆换道意图生成点距匝道出口越近，则换道至匝道出口的成功率越小，同时该换道行为还受到交通流环境所影响。本文希望通过建立具有一定普适性的高速公路下匝道场景换道概率模型来描述不同交通流状态下，换道意图生成点位置与换道成功率的函数关系，从而获得能指导自动驾驶车辆进行换道决策的理论体系，使得自动驾驶换道车辆能够根据当前环境下的车头时距分布及自身的车速，判断并确定最优换道意图生成点的位置，并寻找合适的换道时机进行换道，一方面能够适当地调整换道意图生成点位置以保障较高的换道成功概率，从而满足车辆的换道（驶入匝道）意图。另一方面，使得出匝道车辆能够及时地换至低速车道，从而减少驶入匝道车流对主道车流的影响，提高高速公路路段通行能力。本模型是一个宏观预测模型，因而并不涉及车辆间的微观博弈行为，而是将交通环境信息以车道车头时距分布的形式对换道车辆产生影响。
3.2 模型建立
本模型所描述的场景如图3-1 所示，即为最基本的高速公路下匝道强制换道场景，车辆SV 为了以限速驶入匝道出口减速车道，必须在C 点或C 点之前从高速车道换道至低速车道。B 点即为最晚的换道起点，LB 为三车道最晚换道轨迹，LF 为二车道最晚换道轨迹，LD、LG 为实际换道轨迹。为了确定换道车辆SV 剩余的换道准备时间T，首先需要进行换道轨迹全局优化，也就是确定B 点位置，此处的轨迹规划方法将在第四章详细介绍。假设A 点为车辆的换道意图生成点，则车辆SV 在A 点处开始寻找适合的车头时距。本模型的核心便在于建立换道意图生成点位置与换道成功率的函数关系。

图3-1 高速公路下匝道场景强制换道示意图