蔡英鳳，呂志軍，孫曉強(qiáng)，王 海，劉擎超，陳 龍，袁朝春

（1.江蘇大學(xué)汽車工程研究院，鎮(zhèn)江 212000；2.江蘇大學(xué)汽車與交通工程學(xué)院，鎮(zhèn)江 212000）

前言

自適應(yīng)巡航控制（adaptive cruise control，ACC）是一種通過車載測量設(shè)備獲得與前車的實(shí)時(shí)車間距及速度等信息，應(yīng)用加速度優(yōu)化算法控制車輛與前車保持穩(wěn)定車間時(shí)距行駛的車輛縱向跟馳控制技術(shù)。然而由于實(shí)際交通環(huán)境下，車輛密集和頻繁換道等原因，導(dǎo)致ACC系統(tǒng)出現(xiàn)對(duì)并線車輛不敏感、制動(dòng)過晚或過急等問題，因此基于并線車輛行為識(shí)別的自適應(yīng)巡航控制研究具有重要的現(xiàn)實(shí)意義。

旁車道車輛向ACC車輛所在車道內(nèi)并線行駛是實(shí)際交通環(huán)境中較常見的一種工況，自適應(yīng)巡航控制系統(tǒng)須對(duì)旁車的并線行為具備必要甚至提前的反應(yīng)能力，以保障ACC車輛的行駛安全［1］。目前的自適應(yīng)巡航控制系統(tǒng)大都只針對(duì)主車道內(nèi)的主目標(biāo)車輛進(jìn)行控制［2-3］，而ACC車輛的控制功能往往只有在旁車完全進(jìn)入主車道后引起主目標(biāo)車輛變化時(shí)才能發(fā)揮作用，因此傳統(tǒng)ACC車輛更新目標(biāo)滯后且不能將旁車并線過程中的行駛數(shù)據(jù)充分應(yīng)用于控制。當(dāng)ACC車輛在主車道內(nèi)檢測到并線后的旁車時(shí)，控制器往往會(huì)輸出大強(qiáng)度制動(dòng)以避免碰撞的發(fā)生，這不僅會(huì)影響到駕乘人員的舒適性，且會(huì)對(duì)后續(xù)車輛的安全行駛產(chǎn)生影響。

自適應(yīng)巡航控制系統(tǒng)多采用分層控制結(jié)構(gòu)［4］。上層控制器根據(jù)當(dāng)前行駛環(huán)境，輸出安全跟車所需期望加速度；下層控制器依據(jù)上層得出的期望加速度，通過節(jié)氣門和制動(dòng)器的切換控制，使車輛的實(shí)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(tǒng)的穩(wěn)定性與環(huán)境適應(yīng)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(guān)系識(shí)別模型和旁車道車輛換道切入識(shí)別模型的ACC目標(biāo)識(shí)別方法。同樣考慮動(dòng)態(tài)跟蹤性、燃油經(jīng)濟(jì)性、跟馳安全性等多目標(biāo)的協(xié)調(diào)式ACC也引起了廣泛關(guān)注，如李想等［7］提出基于改進(jìn)線性二次型最優(yōu)控制的自適應(yīng)巡航控制算法研究。控制方法方面，近年來，由于模型預(yù)測控制［8］可對(duì)系統(tǒng)未來動(dòng)態(tài)行為進(jìn)行預(yù)測與具有顯式處理約束的能力等優(yōu)勢(shì)，其廣泛應(yīng)用于自適應(yīng)巡航控制研究。吳光強(qiáng)等［9］設(shè)計(jì)了一種多目標(biāo)魯棒跟車控制算法，兼顧了舒適性和安全性要求。Zhu等［10］結(jié)合熟練駕駛員經(jīng)驗(yàn)，使用車間反應(yīng)時(shí)距定量描述自車何時(shí)對(duì)目標(biāo)車輛做出反應(yīng)，并設(shè)計(jì)了模型預(yù)測控制器。張亮修等［11］基于模型預(yù)測控制理論將多目標(biāo)ACC系統(tǒng)控制算法轉(zhuǎn)化為帶有多個(gè)約束的在線二次規(guī)劃問題，相比線性二次型調(diào)節(jié)器算法，其百公里油耗與追蹤誤差指標(biāo)均有明顯下降。然而上述模型預(yù)測控制算法中多目標(biāo)的權(quán)值須根據(jù)不同的駕駛場景進(jìn)行調(diào)整，但車輛行駛場景頻繁變化，在線調(diào)整預(yù)測控制器的權(quán)重是不切實(shí)際的［12］。此外，車輛自適應(yīng)巡航涉及的多個(gè)性能在控制中往往是相互沖突的，所有性能不能同時(shí)達(dá)到最優(yōu)。

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

1 自適應(yīng)巡航控制系統(tǒng)整體設(shè)計(jì)

提出的基于并線行為識(shí)別的自適應(yīng)巡航控制系統(tǒng)框架如圖1所示。首先，提取并線車輛的歷史軌跡信息及環(huán)境信息，將其輸入到行為識(shí)別器的長短時(shí)記憶（long short?term memory，LSTM）網(wǎng)絡(luò)循環(huán)體，LSTM單元體通過當(dāng)前時(shí)刻的輸入和歷史軌跡信息的隱藏狀態(tài)來更新當(dāng)前時(shí)刻的隱藏狀態(tài)，通過這種方式，LSTM學(xué)習(xí)歷史軌跡序列中的規(guī)律，最終輸出并線、直行兩種意圖類別及其概率。而后，當(dāng)行為識(shí)別器輸出的車輛并線概率超過一定閾值時(shí)，即識(shí)別出并線行為，ACC車輛的模型預(yù)測控制器在并線車輛尚未到達(dá)換道點(diǎn)時(shí)提前結(jié)合并線車輛運(yùn)動(dòng)數(shù)據(jù)、考慮并線行為駕駛特性的預(yù)測模型、性能指標(biāo)與約束條件、理想點(diǎn)法進(jìn)行期望加速度最優(yōu)化求解，使并線行為尚未成功時(shí)即對(duì)ACC車輛進(jìn)行速度控制，避免了因旁車并線而導(dǎo)致的車輛運(yùn)動(dòng)不穩(wěn)定性。

圖1 自適應(yīng)巡航控制系統(tǒng)框架

2 并線行為識(shí)別

實(shí)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(jié)構(gòu)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(duì)于ACC車輛，并線行為通常表現(xiàn)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(shí)記憶網(wǎng)絡(luò)在語音識(shí)別、機(jī)器翻譯等領(lǐng)域取得一系列重大突破［13］，其在應(yīng)對(duì)時(shí)序問題時(shí)展現(xiàn)出強(qiáng)大的信息挖掘能力和深度表征能力，軌跡序列也是一種時(shí)間序列，故本文采用基于長短時(shí)記憶網(wǎng)絡(luò)構(gòu)建的并線行為識(shí)別器，其架構(gòu)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(duì)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(duì)距離與縱向相對(duì)速度，{dCV-CVFdCV-EVdCV-EVF}、{ΔvCV-CVFΔvCV-EVΔvCV-EVF}分別表示并線車輛相對(duì)于CVF、EV、EVF的縱向相對(duì)距離和縱向相對(duì)速度；并線車輛相對(duì)于車道線的信息M={yCV}，其中yCV為并線車輛相對(duì)于并線方向車道線的橫向距離。考慮到在實(shí)際場景中的應(yīng)用，E的相關(guān)數(shù)據(jù)可由主車的毫米波雷達(dá)直接獲得或經(jīng)過運(yùn)算間接獲取，S e、M的相關(guān)數(shù)據(jù)可由前視攝像頭提供。

圖2 并線行為識(shí)別器架構(gòu)

圖3 車輛定義

并線行為識(shí)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(duì)象，根據(jù)其交互式信息理解車輛運(yùn)行規(guī)律，使模型理解車-車-路之間的交互行為，并對(duì)旁車的并線行為進(jìn)行預(yù)判。采用動(dòng)態(tài)滑動(dòng)時(shí)窗的方法獲取輸入量I(t)，通過具有128個(gè)神經(jīng)元、激活函數(shù)為ReLU的全連接層，將經(jīng)處理后的量輸入長短時(shí)記憶網(wǎng)絡(luò)循環(huán)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(tài)信息，再通過輸入門將前一層隱藏狀態(tài)的信息和當(dāng)前輸入的信息傳遞到sigmoid函數(shù)與tanh函數(shù)中，以此更新細(xì)胞狀態(tài)，最后通過輸出門來確定下一個(gè)隱藏狀態(tài)的值，并傳遞到下一個(gè)時(shí)間步長中去。具體的，在每一時(shí)刻t，LSTM單元體讀取當(dāng)前時(shí)刻的輸入I(t)和上一時(shí)刻以前歷史軌跡信息的隱藏狀態(tài)ht-1，以此更新當(dāng)前時(shí)刻的隱藏狀態(tài)ht，即ht=f(ht-1I(t))，LSTM通過這種方式學(xué)習(xí)歷史軌跡序列中的規(guī)律，經(jīng)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(jìn)而對(duì)輸出的概率做一邏輯判斷：規(guī)定并線的確信閾值為80%，當(dāng)并線的行為意圖小于確信閾值時(shí)，默認(rèn)輸出行為類別為直線行駛c2，而當(dāng)并線的行為意圖大于確信閾值時(shí)，輸出并線行為類型c1。

本文中所使用的車輛軌跡數(shù)據(jù)集源于德國亞琛工業(yè)大學(xué)汽車工程研究所2018年提出的high D數(shù)據(jù) 集［14］。 與 較 為 經(jīng) 典 的NIGSIM（next generation simulation）軌跡數(shù)據(jù)集相比，high D數(shù)據(jù)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(tài)信息，為本文研究的車輛交互識(shí)別提供了豐富的研究素材。

由于直線行駛工況遠(yuǎn)多于并線工況，所以提取車輛的車道保持序列數(shù)目顯然遠(yuǎn)大于并線序列，為防止訓(xùn)練過程中出現(xiàn)過擬合，每個(gè)行為序列集中選取的序列數(shù)量相同，使樣本分布均勻，最終從760個(gè)目標(biāo)車輛中提取出10 000個(gè)樣本序列（直線行駛和并線兩種工況的樣本皆為5 000個(gè)），按8∶2的比例將數(shù)據(jù)集隨機(jī)劃分為訓(xùn)練集和測試集。為體現(xiàn)這一動(dòng)態(tài)調(diào)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(diǎn)過程中，行為識(shí)別模塊實(shí)時(shí)輸出兩類駕駛行為的概率。

圖4 并線行為識(shí)別結(jié)果

3 自適應(yīng)巡航控制系統(tǒng)設(shè)計(jì)

3.1 系統(tǒng)建模

如圖5所示，根據(jù)兩車間的縱向運(yùn)動(dòng)關(guān)系，定義如下兩種車間狀態(tài)變量：

圖5 車輛縱向跟車模型

式中：Δd(t)為實(shí)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(biāo)車輛車尾的距離；Δv(t)為兩車相對(duì)速度；vPV(t)和vEV(t)分別為目標(biāo)車輛和ACC車輛的速度。本文中采用固定車間安全時(shí)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(shí)距；d0為最小安全車距。

在設(shè)計(jì)ACC系統(tǒng)上層控制器時(shí)，一般可以認(rèn)為實(shí)際加速度aEV和期望加速度aEVdes滿足如下的關(guān)系［16］：

式中：Ts為系統(tǒng)采樣周期；τL為慣性環(huán)節(jié)時(shí)間常數(shù)。

建立以[Δd(t)Δv(t)aEV(t)]T為狀態(tài)變量，期望加速度aEVdes(t)為控制變量的線性離散狀態(tài)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(dòng)；A、B、G、C為狀態(tài)空間方程系數(shù)矩陣，

便于對(duì)控制量進(jìn)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(shí)刻的車輛狀態(tài)信息，對(duì)未來的i(i=1，2，…，Np)時(shí)刻的輸出狀態(tài)進(jìn)行預(yù)測，定義Np步預(yù)測輸出序列和Nc步控制輸入增量序列為

則系統(tǒng)未來Np步的預(yù)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(shí)具有不同的駕駛特性［17］，即會(huì)表現(xiàn)出快速與慢速的并線行為，軌跡示意圖如圖6所示。文獻(xiàn)［18］中根據(jù)實(shí)際道路運(yùn)行情況調(diào)查了車輛的換道時(shí)間，得出換道時(shí)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(jù)車輛的換道時(shí)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(fēng)格，當(dāng)面對(duì)正常并線時(shí)，ACC車輛應(yīng)兼顧行車安全與乘車舒適性；當(dāng)面對(duì)快速并線動(dòng)作時(shí)，ACC車輛應(yīng)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(dāng)面對(duì)緩慢并線動(dòng)作時(shí)，ACC車輛應(yīng)逐漸減速以提高乘車舒適性。

圖6 不同并線風(fēng)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(yù)瞄模型［8］預(yù)測并線過程中的橫向位置變化，如圖7所示。預(yù)測車輛未來的位置在預(yù)瞄點(diǎn)處，那么車輛的橫向位置可由當(dāng)前橫向位置、縱向速度和航向角偏差來計(jì)算：

圖7 駕駛員預(yù)瞄模型

式中：yp為預(yù)瞄點(diǎn)的橫向位置；yc為車輛的當(dāng)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(yù)瞄時(shí)間；預(yù)瞄距離可由vxcτ表示。

因此，預(yù)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(yù)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(dāng)并線車輛已經(jīng)完成并線動(dòng)作后，其預(yù)測時(shí)域內(nèi)的縱向位置偏差可表示為

當(dāng)已經(jīng)識(shí)別出換道行為，正在進(jìn)行并線行為時(shí)，須考慮并線車輛橫向位移對(duì)ACC車輛的影響，通過并線車輛的橫向位置來調(diào)整縱向跟車，其預(yù)測時(shí)域內(nèi)的縱向位置偏差［19］可表示為

3.3 性能指標(biāo)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(biāo)及約束條件。

（1）跟隨性能指標(biāo)

ACC車輛不斷調(diào)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(duì)速度的矩陣二范數(shù)之和作為跟隨性能指標(biāo)JT［20］，表示為

前車行駛時(shí)，車間距誤差和速度誤差應(yīng)處于合適范圍內(nèi)，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(biāo)

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(shù)來定義舒適性指標(biāo)JC［22］：

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

式中：aEVmax和aEVmin分別為加速度數(shù)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(biāo)

采用燃料消耗JF來表征能耗性能指標(biāo)［24］：

式中Ccruise(t)和Caccel(t)分別為在穩(wěn)定速度vEV(t)下燃料的消耗量和在車速vEV(t)有加速度時(shí)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(shù)。對(duì)于普通車輛，通常可取b0=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(jié)合理想點(diǎn)［25］和模型預(yù)測控制的方法來設(shè)計(jì)多目標(biāo)預(yù)測巡航控制器。定義成本矢量為J=[JTJCJF]T，為計(jì)算出J的理想點(diǎn)，根據(jù)理想點(diǎn)的多目標(biāo)方法分析了本車一些穩(wěn)定狀態(tài)的情形。對(duì)于JT，如果車輛的相對(duì)速度等于零，且車間間距等于期望的車間距，那么本車將達(dá)到行駛的最佳穩(wěn)定狀態(tài)。此外，函數(shù)JT相對(duì)于變量vEV(t)是凸函數(shù)［26］，且在所有t≥0時(shí)刻滿足JT≥0，因此在所有t≥0時(shí)刻，JT?(t)=0是函數(shù)JT可取的最小值。JC是與變量vEV(t)無關(guān)的函數(shù)，當(dāng)車輛勻速行駛時(shí)，JC?(t)=0是函數(shù)JC可取的最小值。而JF相對(duì)于變量vEV(t)是非凸函數(shù)，通過下面的優(yōu)化問題可以得到JF的最小值：

因此，在t時(shí)刻，成本函數(shù)的理想點(diǎn)可定義為但由于各性能指標(biāo)相互沖突，所以該理想點(diǎn)無法取得，為此本文引入了一個(gè)折衷的成本函數(shù)：

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

3.4 求解與滾動(dòng)優(yōu)化

在每個(gè)時(shí)刻t，通過在線求解下面的有限時(shí)域最優(yōu)控制問題即式（20）得到多性能預(yù)測巡航控制器的控制輸出。

上述優(yōu)化控制問題是一個(gè)線性和非凸函數(shù)的優(yōu)化控制問題，采用文獻(xiàn)［25］中的基于攝動(dòng)的序列二次規(guī)劃算法（InPA-SQP）進(jìn)行求解。在每個(gè)采樣周期內(nèi)，利用式（20）進(jìn)行MPC控制器求解得到控制時(shí)域內(nèi)的控制輸入增量序列：

4 控制系統(tǒng)仿真分析

基于本文提出的自適應(yīng)巡航控制器，建立Matlab/Simulink仿真系統(tǒng)模型，為驗(yàn)證上述自適應(yīng)巡航系統(tǒng)的可行性與優(yōu)越性，驗(yàn)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(yù)測控制，UPM?MPC為結(jié)合理想點(diǎn)法的模型預(yù)測控制，Pre?UPM?MPC為結(jié)合并線識(shí)別與理想點(diǎn)法的模型預(yù)測控制。控制器所采用的參數(shù)如表1所示。

表1 控制器參數(shù)

（1）定速工況

定速工況下，初始時(shí)刻ACC車輛以72 km/h初速度行駛，設(shè)定目標(biāo)速度為90 km/h。定速工況的仿真結(jié)果如圖8所示。

圖8 定速工況仿真結(jié)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(diào)率為1.44%，而UPM?MPC未產(chǎn)生超調(diào)，兩者能耗相差不大。結(jié)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(diào)現(xiàn)象。

（2）跟車行駛工況

跟車行駛工況下，初始時(shí)刻ACC車輛以72 km/h的初速度行駛，目標(biāo)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(jié)果如圖9所示。

圖9 跟車行駛工況仿真結(jié)果

由圖9可知，UPM?MPC對(duì)前車的速度變化反應(yīng)更加靈敏且加速度曲線更加平順，穩(wěn)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(wěn)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(jié)果表明，在跟車巡航工況下，UPM?MPC算法在穩(wěn)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(shí)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(shí)到達(dá)換道點(diǎn)。正常并線工況仿真結(jié)果如圖10所示。

圖10 正常并線工況仿真結(jié)果

由圖10可知，Pre?UPM?MPC在旁車道車輛到達(dá)換道點(diǎn)前1.2 s開始提前減速，其峰值減速度出現(xiàn)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(shí)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(shí)到達(dá)換道點(diǎn)。慢速并線工況仿真結(jié)果如圖11所示。

圖11 慢速并線工況仿真結(jié)果

由圖11可知，Pre?UPM?MPC在旁車道車輛到達(dá)換道點(diǎn)前1.8 s開始進(jìn)行減速，其峰值減速度出現(xiàn)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(dòng)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(shí)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(shí)到達(dá)換道點(diǎn)。快速并線工況仿真結(jié)果如圖12所示。

由圖12可知，Pre?UPM?MPC在旁車道車輛到達(dá)換道點(diǎn)前0.6 s開始進(jìn)行減速，整個(gè)減速過程經(jīng)歷3.785 s，其峰值減速度出現(xiàn)在2.23 s處，為-2.805 m/s2，而UPM?MPC與Only?MPC的峰值減速度均達(dá)到系統(tǒng)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(diào)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(jié)果

仿真結(jié)果表明，引入并線車輛行為識(shí)別的自適應(yīng)巡航系統(tǒng)可在并線車輛到達(dá)換道點(diǎn)前對(duì)ACC車輛提前至少0.6 s進(jìn)行制動(dòng)，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(dòng)情況的發(fā)生，有效降低制動(dòng)強(qiáng)度。在不同特性的并線行為中，自適應(yīng)巡航系統(tǒng)可根據(jù)旁車并線風(fēng)格的不同而求解出適應(yīng)當(dāng)前狀態(tài)的加速度曲線。在慢速并線場景中，系統(tǒng)在識(shí)別出并線行為時(shí)開始施加較小的制動(dòng)力，當(dāng)車輛到達(dá)換道點(diǎn)附近時(shí)制動(dòng)力達(dá)到最大，且加速度曲線連續(xù)光順，保障了乘坐舒適性；在快速并線場景中，系統(tǒng)對(duì)并線行為提前、快速響應(yīng)，制動(dòng)力在開始實(shí)施后約1.3 s才達(dá)到最大，保證安全的前提下提高了舒適性。

5 實(shí)車試驗(yàn)

為驗(yàn)證所設(shè)計(jì)的自適應(yīng)巡航控制方法在實(shí)車上的控制效果，基于艾瑞澤智能駕駛平臺(tái)進(jìn)行實(shí)車試驗(yàn)。試驗(yàn)平臺(tái)架構(gòu)如圖13所示，主車以艾瑞澤汽車為基礎(chǔ)，針對(duì)制動(dòng)系統(tǒng)和轉(zhuǎn)向系統(tǒng)進(jìn)行線性改裝：加速度指令轉(zhuǎn)化為對(duì)應(yīng)的加速踏板行程指令，制動(dòng)指令轉(zhuǎn)為制動(dòng)壓力信號(hào)發(fā)送給真空助力器以控制原車制動(dòng)缸；車載處理器采用Nuvo?6108GC工控機(jī)，支持在Matlab/Simulink環(huán)境下的代碼生成與下載，可以實(shí)時(shí)顯示與在線調(diào)試；前向目標(biāo)識(shí)別系統(tǒng)采用Minieye攝像頭與Delphi毫米波雷達(dá)融合的方式，可有效識(shí)別各個(gè)車道上共17個(gè)前向目標(biāo)并獲取其運(yùn)動(dòng)狀態(tài)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(dá)、攝像頭的CAN總線信號(hào)，輸出為模型決策的期望加速度，并由下層PID控制器將其轉(zhuǎn)化為加速踏板與制動(dòng)踏板行程指令，控制車輛縱向運(yùn)動(dòng)，從而進(jìn)行算法的實(shí)車試驗(yàn)。

圖13 試驗(yàn)平臺(tái)架構(gòu)

實(shí)車試驗(yàn)場景如圖14所示，試驗(yàn)路況為標(biāo)準(zhǔn)化單向可跨越三車道，只有主車作為被控對(duì)象，其他車輛均為人類駕駛。試驗(yàn)工況與第4節(jié)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(yàn)結(jié)果。

圖14 實(shí)車試驗(yàn)場景

圖15 慢速并線工況實(shí)車試驗(yàn)結(jié)果

圖16 快速并線工況實(shí)車試驗(yàn)結(jié)果

實(shí)車試驗(yàn)結(jié)果表明，引入并線行為識(shí)別的控制方法在以上兩種工況中均可進(jìn)行提前制動(dòng)，速度更加平穩(wěn)，始終保持較大車間距，同時(shí)控制系統(tǒng)對(duì)不同類型的并線行為有較好的適應(yīng)性，實(shí)車試驗(yàn)結(jié)果與仿真結(jié)果基本一致。

6 結(jié)論

提出一種基于并線車輛行為識(shí)別的自適應(yīng)巡航控制方法，利用并線車輛的歷史軌跡和周圍環(huán)境對(duì)并線行為進(jìn)行識(shí)別，將車輛并線識(shí)別集成到模型預(yù)測控制的框架中，在并線車輛到達(dá)換道點(diǎn)之前對(duì)ACC車輛進(jìn)行一定的速度控制，避免控制器輸出大強(qiáng)度制動(dòng)甚至碰撞的發(fā)生。同時(shí)，引入駕駛特性可提高控制模型在面對(duì)不同并線行為時(shí)的適應(yīng)性。今后的研究工作將主要針對(duì)兩個(gè)方面，第一是利用真實(shí)路況下無人駕駛試驗(yàn)平臺(tái)與軟件模擬平臺(tái)采集的車輛軌跡數(shù)據(jù)直接進(jìn)行并線軌跡預(yù)測，并將其融合到模型預(yù)測控制中；第二是進(jìn)一步研究人類駕駛員就并線行為的反應(yīng)特性。