屈文濤， 李文銳， 王勇， 徐劍波， 賀旭飛

(1.西安石油大學機械工程學院, 西安 710065; 2.中國石油長慶油田分公司質(zhì)量安全環(huán)保部， 西安 710018)

隨著物流行業(yè)的發(fā)展，汽標委智能網(wǎng)聯(lián)汽車分標委在關(guān)于《自動駕駛物流車標準需求研究報告》中提出干線自動駕駛物流車[1]主以載貨汽車為主，且行駛場景主要為高速公路，行駛平均車速為60～100 km/h。載貨汽車在高速公路環(huán)境中換道是車輛的基本駕駛行為之一[2]，目前車輛換道的研究大部分停留在換道輔助系統(tǒng)上，對于自動駕駛汽車而言自主換道時機的判斷是一個較為復雜的過程。另外多數(shù)自動駕駛換道決策研究以轎車為主，目前對商用載貨車輛討論的較少。

從1986年第1個車道變換模型GIPPS模型提出開始，國內(nèi)外對換道行為決策已經(jīng)有大量的研究，常用的有STIRAS、MITSIM模型[3-4]等。大多數(shù)研究將換道過程分為換道意圖的產(chǎn)生、目標車道的選擇(包括換道可行性分析)和換道過程的執(zhí)行。文獻[5-7]基于貝葉斯人工智能網(wǎng)絡(luò)結(jié)合NGSIM數(shù)據(jù)集對網(wǎng)絡(luò)連接權(quán)重進行訓練學習，最終得到可以判斷換道可能性的貝葉斯網(wǎng)絡(luò)模型，網(wǎng)絡(luò)用來判別給定條件下?lián)Q道行為是否能夠發(fā)生以及發(fā)生的概率大小。文獻[8]構(gòu)建分層Logit模型定量分析駕駛?cè)藫Q道行為決策過程，但機器學習的方法需要大量訓練數(shù)據(jù)，泛用性得不到保證且可解釋性差。聶琳真等[9]建立模糊決策來判斷換道意圖。決策將本車與本車前車和鄰近車道前后車的車頭時距作為模糊輸入，再結(jié)合模糊規(guī)則和駕駛員性格因子得到不同性格下的換道意圖，但缺乏對換道和跟車安全性的定量分析。不能保證換道意圖產(chǎn)生過程中本車與前車之間的距離是否滿足換道與跟車的安全性要求。陳慧等[10]結(jié)合預(yù)測模型對車輛運動進行預(yù)測，并提出一種車道不滿意度累積算法來計算預(yù)測時域內(nèi)的本車不滿意度累積。當不滿意度累積值超過閾值且本車滿足換道安全性時可觸發(fā)換道。但該道路不滿意度計算方法假設(shè)本車已經(jīng)理想跟馳行駛，而實際換道意圖產(chǎn)生時本車可能并未處于穩(wěn)定跟車工況，沒有考慮本車未達到穩(wěn)定跟車前的換道意圖。

基于以上問題，現(xiàn)提出一種適用于高速場景自動駕駛商用載貨車的換道決策模型。先根據(jù)道路交通法規(guī)對載貨商用車車速和制動減速度的限制要求求出車輛的理想跟車安全距離。再依據(jù)本車的跟車安全距離提出一種模糊決策系統(tǒng)來推算本車對行駛車道的不滿意度。本文研究中設(shè)計兩種道路不滿意度計算方法分別應(yīng)對本車未達到目標車速行駛和已經(jīng)達到目標車速行駛工況下對道路不滿意度的計算。當本車不滿意度達到閾值就會觸發(fā)換道意圖，當換道意圖產(chǎn)生后只要滿足換道安全就會觸發(fā)換道行為。最后本文的換道決策與仿真實驗在MATLAB/Simulink軟件下進行搭建和驗證。

1 道路不滿意度算法

1.1 換道場景

高速公路的車道形式大部分為同向三車道及以上，當車輛位于最左側(cè)或最右側(cè)的邊緣車道時，車輛只能在本車道、其右側(cè)或左側(cè)車道運行行駛。當車輛位于中間車道時車輛也只能在本車道或中間車道的左側(cè)和右側(cè)運行。無論車輛是換道或跟車行駛高速公路都可以簡化為同向雙車道的形式。因此本文將高速公路的駕駛場景簡化為同向雙車道的結(jié)構(gòu)來進行研究。

1.2 本車理想安全跟車距離

為了定量分析本車在前車跟馳狀態(tài)下的安全性，這里引入安全距離的概念[11]。安全距離特指車輛在前車跟馳狀態(tài)下時，為保證不發(fā)生碰撞前提下與同車道前車的最小車間距離。此安全距離能夠在任何突發(fā)狀況下避免與前車發(fā)生相撞事故。高速公路駕駛場景的跟車行為發(fā)生在直線行駛階段。依據(jù)汽車制動理論可得車輛的制動距離s如式(1)所示。

(1)

式(1)中：u0為初始車速；最大制動減速度為abmax；t1～t2為鼓式制動器的剎車蹄與制動鼓接觸并壓緊所需要的時間，由于較短故在制動理論分析中可忽略此時間；t2～t3為制動輪缸中的液壓力增長時間，貨車牽引掛車時的制動器起作用時間經(jīng)過特殊設(shè)計可縮短到0.4 s[12]。

鑒于本文研究對象為自動駕駛物流車，其車型為載貨車車型。故選取t2～t3的時間為0.4 s，式(1)可簡化為式(2)所示。

(2)

圖1為自主車與其前車制動過程的車間距變化圖，圖1中ego為所研究的自主車輛，egof為位于自主車前方的車輛。設(shè)置自主車輛的初始速度為Vego、最大減速度為abmax，制動距離為Dbf。egof為自主車前車，初始速度為Vf，制動距離為Dbf，最大減速度為abmax。D為自主車和自主車前車的初始車間距，Vego和V′ego為自主車始末速度，Vf和V′f為自主車前車始末速度。

圖1 自主車與前車制動過程Fig.1 Braking process of independent vehicle and front vehicle

圖1中設(shè)自主車與自主車前車末速度取0。其中制動距離Degob和Dbf的計算表達式為

(3)

(4)

鑒于本文研究的自動駕駛物流車采取ABS制動且行駛場景為高速公路主干道，故路面附著系數(shù)選取為瀝青或混凝土道路，附著系數(shù)選取峰值附著系數(shù)φp為0.8，故最大制動減速度amax為8 m/s2。同時制動車距還與地面附著系數(shù)μ成反比關(guān)系，因此定義輛車制動到停車后的安全儲備距離SRD為式(5)計算得到[13]。

(5)

式(5)中：k取22.5；b取0.3；vego為本車初始車速。

結(jié)合式(3)～式(5)可以推得兩車安全跟車車間距離Dsafe需滿足式(6)。

(6)

1.3 換道決策框架

高速公路的換道行為主要分強制換道和自由換道[14]，強制換道主要目的是為達到特定行駛道路和區(qū)域所進行的必要換道行為[15]。而自由換道則是自主車為了追求更好的行駛環(huán)境以適應(yīng)目標車速所進行的換道行為。由于自由換道在決策靈活度和復雜度上要高于強制換道，故本文研究自由換道場景下所對應(yīng)的換道決策算法。首先定義道路不滿意度來表示本車對當前行駛道路的不滿意程度的大小。換道行為決策時，本車輛根據(jù)自身運動信息、本車周圍車輛運動信息、本車行駛計劃來綜合判定本車對當前車道的不滿意度，再判斷本車對鄰近車道的不滿意度大小。通過將本車道和鄰近車道不滿意度與預(yù)設(shè)的閾值進行比較來決定換道意圖的產(chǎn)生。其換道決策構(gòu)架如圖2所示。由圖2知本車對當前行駛車道與鄰近車道的不滿意度是換道意圖產(chǎn)生的關(guān)鍵。在實際高速行駛中本車的行駛工況是比較復雜的，故本文具體將可能產(chǎn)生換道意圖的本車行駛工況分為兩類。

圖2 換道決策構(gòu)架Fig.2 Lane change decision framework

(1)工況1。本車初始狀態(tài)為按照某一規(guī)劃的目標速度定速巡航。此時本車為保證與前車的安全跟車距離，本車前車的運動可能會使本車的原定行駛規(guī)劃無法完成，本車就會激發(fā)對本車道的不滿意，本車產(chǎn)生換道意圖。

(2)工況2。本車需要到達所規(guī)劃的某一目標車速，故本車可能需要通過加速或減速來達到目標車速。為保證與前車的安全跟車距離，本車在加減速時會受到前車的運動限制而無法達到目標車速。此時本車會激發(fā)對本車道的不滿意，本車產(chǎn)生換道意圖。

1.4 道路不滿意度計算

針對1.3節(jié)所提出的工況1和工況2的兩種換道意圖產(chǎn)生情景來分別計算本車對本車道與鄰近車道的不滿意度大小。

1.4.1 基于工況1的不滿意度計算

如圖3所示，對于工況1來說本車對道路的不滿意度主要根據(jù)三個變量來反應(yīng)，分別是本車與前車之間的距離Dc、本車與前車之間的安全跟車距離dcsafe、本車前車相對于本車的相對速度Vcf-Vc。其中Vcf為本車前車車速，Vc為本車車速。

同理為了衡量本車對鄰近車道的不滿意度，這里將本車向鄰近車道做投影，投影得到的虛擬車擁有和本車一樣的運動狀態(tài)。本車對鄰近道路的不滿意度也主要根據(jù)三個變量來反應(yīng)。分別是虛擬車與前車之間的距離Da、虛擬車與前車之間的安全跟車距離dasafe、前車相對于虛擬車的相對速度Vaf-Vac，其中Vac為虛擬車車速，Vaf為鄰近車道前車車速。

圖3 工況1Fig.3 Working condition one

設(shè)計模糊推理系統(tǒng)來實時計算本車對本車道以及鄰近車道的不滿意度大小。對于一個模糊系統(tǒng)需要對應(yīng)的模糊輸入、模糊推理規(guī)則、知識庫、模糊輸出[16]。

為了利用模糊系統(tǒng)定量描述本車對道路的不滿意度大小，設(shè)置Dc-dcsafe或Da-dasafe的實際論域為[0 m,30 m]，語言變量分級為ZO、PS、PM、PB、PV。設(shè)置Vcf-Vc或Vaf-Vac的實際論域為[-10 m/s,10 m/s]，語言變量分級為NB、NM、NS、ZO、PS、PM、PB。輸入變量的隸屬度函數(shù)如圖4所示。輸出變量為道路不滿意度，實際論域范圍為[0,1],隸屬度函數(shù)如圖5所示。當本車與本車前車的車間距越來越接近兩車的安全跟車距離時本車對當前車道的不滿意度就會上升，反之下降。對鄰近車道的不滿意度判斷同理，只不過判斷對象變?yōu)楸拒囋卩徑嚨劳队暗奶摂M車和鄰近車道的前車。故在輸入和輸出變量之間定義了模糊推理規(guī)則，推理規(guī)則如表1所示。

圖4 輸入變量的隸屬度函數(shù)Fig.4 The affiliation of input variable

圖5 不滿意度隸屬度函數(shù)Fig.5 Dissatisfaction affiliation function

表1 工況1模糊推理規(guī)則Table 1 Fuzzy inference rule for working condition 1

1.4.2 基于工況2的不滿意度計算

對于工況2來說本車需要進過一段加速或減速措施來達到本車所要求的目標車速。這里將本車加減速過程統(tǒng)一描述為一段加速度呈二次曲線變化的運動過程，其中本車初始和末態(tài)加速度大小均為0，故本車達到目標車速過程中的運動方程可用式(7)和式(8)來描述。

(7)

(8)

式中:t為車輛加減速過程中的任意時刻；x為t時刻下車輛沿道路中心線的縱向位移；tf為車輛從初始車速加減速到目標車速后所需的時間；v0為初始本車車速；x0為車輛加減速過程中沿道路中心線的初始縱向位移；amax為加減速過程中車輛的最大加減速度值；Vg為目標車速。

如圖6所示對于工況2的討論也需要利用本車在鄰近車道的投影所產(chǎn)生的虛擬車來完成對鄰近車道不滿意度的計算。本文將本車加減速運動的初始時刻統(tǒng)一取值為0 s，設(shè)本車到達目標車速的終止時間為tf。對于時域(0～tf)內(nèi)按采樣周期TS劃分時刻，每個時刻設(shè)為tk。本文假設(shè)本車前車在tk～tf時域內(nèi)以tk時刻對應(yīng)的車速Vcfk保持勻速運動，且移動距離為dcfk。tk時刻下本車與前車的相對距離為Dck，本車與前車之間的安全車跟車距離為dcsafe。本車加速到所需目標車速后本車的移動距離為dck，這一過程中本車相對于本車前車的移動距離為dck-dcfk。同理假設(shè)本車鄰近車道前車也在tk～tf時域內(nèi)以tk時刻對應(yīng)的車速Vafk保持勻速運動，且移動的距離為dafk。tk時刻下虛擬車與前車的相對距離為Dak，虛擬車與前車之間的安全車跟車間距離為dasafe。虛擬車加速到目標車速后虛擬車的移動距離為dak，這一過程中虛擬車相對于前車的移動距離為dak-dafk。

圖6 工況2Fig.6 Work condition two

預(yù)測引擎會計算本車和本車在鄰近車道投影的虛擬車在tk～tf內(nèi)達到目標車速Vg時所行駛的距離dck和dak。由于在鄰近車道的投影虛擬車與本車有相同的運動狀態(tài)，故dck與dak大小相同。dck和dak的表達式為

(9)

預(yù)測引擎會計算本車加速到目標車速后相對于前車的移動距離。如果移動距離過大，在達到目標車速后就會使本車與本車前車間距過小，當間距小于或接近安全跟車距離時本車對當前車道的不滿意度就會上升，反之則下降。本車對鄰近車道的不滿意度判斷同理，只是研究的對象變?yōu)楸拒囋卩徑嚨赖耐队疤摂M車和鄰近車道前車。本文利用模糊系統(tǒng)定量描述本車在工況2下對本車道和鄰近車道的不滿意度大小。設(shè)dck-dcfk或dak-dafk的實際論域為[0 m,20 m]，語言變量分級為ZO、PS、PM、PB、PV。隸屬度函數(shù)如圖7所示。

設(shè)置Dck-dcsafe或Dak-dasafe的實際論域為[0 m,30 m]，語言變量分級為ZO、PS、PM、PB、PV，隸屬度函數(shù)如圖8所示。輸出變量為道路不滿意度，輸出變量的隸屬度函數(shù)與圖5一致。

輸入和輸出變量之間定義了模糊推理規(guī)則，推理規(guī)則如表2所示。

圖7 dck-dcfk或dak-dafk隸屬度Fig.7 dck-dcfk or dak-dafk affiliation

表2 工況2模糊推理規(guī)則Table 2 Fuzzy inference rule for working condition 2

2 換道安全與決策執(zhí)行

2.1 換道安全分析

圖9中所示的本車換道過程可以劃分為3個階段，第1階段為換道起始時刻t0，第2階段為中間段，此時自主車引擎蓋中心壓在車道線上，對應(yīng)刻為t1，第3階段為換道終止時刻t3。由于本車所在車道后車會根據(jù)本車運動自動調(diào)節(jié)加減速度以避免碰撞故本文不考慮本車后車的影響。

(1)本車道前車安全性分析。在本車換道第2階段的t1時刻本車可能與本車道前車發(fā)生角碰，如圖10所示。設(shè)換道初始時刻t0時本車與本車道前車距離為Lcf0。換道第2階段過程中本車縱向位移為Lc，前車移動距離為Lcf。dsafe為安全余量取3.367 m。為了保持安全性必須滿足

Lcf0≥Lc-Lcf+dsafe

(10)

(2)所換車道后車安全性分析。如圖11所示，在本車在完成換道時本車可能與所換車道的后車發(fā)生追尾事故。設(shè)本車在整個換道過程中縱向移動距離為Lc，本車與所換車道后車的初始車間距為Lar0，整個換道過程中所換車道后車的移動距離為Lar。為了保持安全性必須滿足式(11)，其中dsafe為安全余量結(jié)取3.367 m。

Lar0≥Lar-Lc+dsafe

(11)

圖9 本車換道示意圖Fig.9 Schematic diagram of lane change

圖10 本車道前車安全示意圖Fig.10 Safety diagram of the vehicle ahead in this lane

圖11 目標車道后車安全示意圖Fig.11 Safety diagram of vehicle in front of target lane

(3)所換車道前車安全性分析。如圖12所示，在本車在完成換道時本車可能與所換車道的前車發(fā)生追尾事故。設(shè)本車在整個換道過程中縱向移動距離為Lc，本車與所換車道前車的初始車間距為Laf0，整個換道過程中所換車道前車的移動距離為Laf。為了保持安全性必須滿足式(13)，其中dsafe為安全余量結(jié)取3.367 m。

Laf0≥Lc-Laf+dsafe

(13)

圖12 目標車道前車安全示意圖Fig.12 Safety diagram of rear vehicle in target lane

2.2 換道決策執(zhí)行

本文所用到的換道決策模型如圖13所示。當本車對本車道不滿意度超過預(yù)設(shè)定的不滿意度閾值且本車對鄰近車道不滿意度低于設(shè)定的不滿意度閾值時就會觸發(fā)換道意圖的產(chǎn)生。同時為了進一步體現(xiàn)本文換道決策算法的優(yōu)點，選取文獻[9]中基于模糊邏輯的微觀換道模型以進行對比，該模型利用本車與本車鄰近車道前車的車間時距Taf及本車與本車所在車道前車的車頭時距Tcf的差、本車與本車鄰近車道后車的車間 時距Tar作為模糊邏輯輸入，將換大道意愿值I作為模糊輸出。當換道意愿值大于隨機意愿值因子K后車輛就會產(chǎn)生換道意圖。該模型的決策流程如圖14所示。

3 仿真驗證

換道決策引擎基于以下假設(shè)。

(1)對于1.4.2節(jié)描述的工況2的情形，參考文獻[17]，本車在正常直行時為達到目標車速所采取的最大加減速度設(shè)置為3 m/s2。換道過程中本車及其周圍其他干擾車輛均保持勻速行駛，且假設(shè)車輛在車道正常直行時為沿車道中心線行駛。

(2)為了簡化換道安全車距的判斷，把本文設(shè)換道中間段t0-t1過程所花費的時間為換道總時間t0-t2的二分之一。由于換道持續(xù)時間較短，根據(jù)文獻將換道總時間統(tǒng)一假設(shè)為5 s。

(3)仿真基于MATLAB/Simulink完成仿真測試任務(wù)。由于本文重點分析換道意圖、換道不滿意度以及跟車安全距離的變化，故仿真忽略換道過程的影響。

3.1 仿真工況配置

換道仿真場景如圖15所示，設(shè)本車與本車所在道前車初始距離為Lcf0,本車所在道前車初始車速為Vcf0。本車與鄰近車道前車初始間距為Laf0，鄰近車道前車的初始車速為Vaf0。本車與鄰近車道后車初始間距為Lcr0，鄰近車道后車的初始車速為Vcr0。這里將道路不滿意度閾值設(shè)置為0.5。道路幾何尺寸寬為3.75 m，車道數(shù)為2。基于模糊邏輯和車頭時距的微觀換道模型中隨機意愿值因子設(shè)為0.85。

(1)換道決策1的仿真配置：本車的初始速度為80 km/h。Vcf0為75 km/h，Lcf0為55 m。Vaf0為85 km/h，Laf0為40 m。Var0為70 km/h，Lar0為35 m。

(2)換道工況2的仿真配置：本車的初始速度為65 km/h，預(yù)計目標車速為80 km/h。Vcf0為70 km/h，Lcf0為45 m。Vaf0為85 km/h，Laf0為40 m。Var0為70 km/h，Lar0為55 m。

圖15 仿真場景Fig.15 Simulation scenes

3.2 仿真結(jié)果

工況1的仿真環(huán)境下本車的不滿意度變化和換道意愿值變化如圖16所示，本車在27.08 s時對道路的不滿意度大于閾值0.5，此時本車產(chǎn)生換道意圖。在結(jié)束換道后本車對道路不滿意度回落到0.078 7。同時也仿真了基于模糊邏輯和車頭時距的微觀換道模型，在該模型下車輛在15.04 s下?lián)Q道意愿值大于隨機意愿值因子0.85，此時本車產(chǎn)生換道意圖。在結(jié)束換道后本車對道路不滿意度回落到0.4以下。

圖16 車道不滿意度/換道意愿值變化Fig.16 Change in lane dissatisfaction/willingness to change lane values

如圖17所示，為本車從原車道換道至鄰近車道過程中本車與本車前車的車間距和安全跟車距離的變化。對于本文提出的道路不滿意度計算模型，在27.08 s時本車才會主動換道，此時本車與本車前車距離為17.38 m，安全跟車距離為7.382 m。而對于基于模糊邏輯和車間時距的微觀換道模型，本車在15.04 s產(chǎn)生換道意圖，此時本車與本車前車距離為34.11 m，安全跟車距離為7.382 m。

圖17 本車與本車前車間距變化Fig.17 Change in distance between this car and the front of this car

工況2的仿真環(huán)境下本車的不滿意度變化和換道意愿值變化如圖18所示，本車在9.84 s時對道路的不滿意度大于閾值0.5，此時本車產(chǎn)生換道意圖。在結(jié)束換道后本車對道路不滿意度回落到0.078 7。同時也仿真了基于模糊邏輯和車頭時距的微觀換道模型，在該模型下車輛在9.4 s下?lián)Q道意愿值大于隨機意愿值因子0.85，此時本車產(chǎn)生換道意圖。在結(jié)束換道后本車對道路不滿意度回落到0.4以下。

圖18 車道不滿意度/換道意愿值變化Fig.18 Change in lane dissatisfaction/willingness to change lane values

如圖19所示，為本車從原車道換道至鄰近車道過程中本車與本車前車的車間距和安全跟車距離的變化。對于本文提出的道路不滿意度計算模型，在9.85 s時本車才會主動換道，此時本車與本車前車距離為22 m，安全跟車距離為11.15 m。而對于基于模糊邏輯和車間時距的微觀換道模型，本車在9.4 s產(chǎn)生換道意圖，此時本車與本車前車距離為23.23 m，安全跟車距離為11.15 m。

3.3 仿真結(jié)果分析

結(jié)合仿真得到的本車與本車前車間距變化和車道不滿意度/換道意愿值變化，本文提出的基于不滿意度的換道模型能在整個換道前后使本車與前車間距始終大于安全跟車距離，說明換道決策引擎能在保證跟車安全距離的前提下完成對換道時機的合理判斷。相比文獻[9]的基于模糊邏輯和車頭時距的微觀換道模型能在本車與前車還有充足安全的行駛空間下不觸發(fā)過早的換道意圖，故能減少不必要的換道頻次，有效提高換道決策的穩(wěn)定性。

4 結(jié)論

(1)以物流載貨車為本車對象進行研究，將本車的駕駛工況分為兩類，第一類為本車正在按目標車速巡航行駛；第二類為本車需要通過一段加減速過程達到目標車速。針對兩類工況可能遇到的換道情況分別設(shè)計兩套基于模糊決策的車道不滿意度計算方法，第一類方法根據(jù)本車與前車的安全跟車距離、相對車速、相對車間距離來綜合評判本車對車道的不滿意度大小。第二類計算方法根據(jù)本車與前車的安全跟車距離、相對車速、相對車間距離、相對加速距離來綜合評判本車對車道的不滿意度大小。

(2)利用本車對本車道和鄰近車道的不滿意度大小來產(chǎn)生換道意圖，在換道意圖產(chǎn)生過程中時刻檢測本車相對于前車的跟車安全距離與換道安全性距離，保證了本車換道前后的行駛安全。相比大多換道決策，本文不僅考慮換道過程的安全而且也考慮了目標車道和本車道的跟車安全，更具有實際意義。同時本文的模糊換道決策能兼顧安全性和智能性且適用于依目標車速定速巡航、為達到目標車速而加減速等多種復雜工況下?lián)Q道意圖的產(chǎn)生。