基于駕駛?cè)颂匦缘淖赃m應(yīng)換道預警算法研究*

劉志強，韓靜文，倪 捷

（江蘇大學汽車與交通工程學院，鎮(zhèn)江 212013）

前言

車道變換是駕駛過程中最常見也是危險程度較高的駕駛行為，美國高速公路安全管理局（national highway traffic safety administration，NHTSA）研究數(shù)據(jù)表明，由換道引發(fā)的交通事故在所有事故中占比高達27%，其中駕駛?cè)艘蛩貙е碌慕煌ㄊ鹿始s占93%［1］。同時，我國大型實車路試驗（China field operational tests，China-FOT）統(tǒng)計數(shù)據(jù)也進一步顯示，換道切入危險事故占事故總量的23.91%［2］。因此，為降低由換道引發(fā)的交通事故，改善駕駛?cè)说牟僮鳝h(huán)境，換道預警輔助系統(tǒng)（lane changing warning system，LCWS）得到廣泛研究并實際應(yīng)用［3］。

目前，國內(nèi)外針對換道預警算法的研究多集中于兩方面：一是基于避撞時間（time to collision，TTC）的換道預警［4-5］；二是基于最小安全距離（minimum safety distance，MSD）的條件約束預警［6-7］。前者根據(jù)自車與前車相對位置及相對速度的變化情況預估車道變換的潛在風險。后者通過設(shè)定最小安全距離閾值及時向駕駛?cè)俗龀鑫ｋU警告。由于預警系統(tǒng)的激活可能會與駕駛?cè)瞬僮髁晳T相悖，導致此類系統(tǒng)接受度低，部分研究人員基于此開展針對駕駛?cè)藗€體差異性的預警模型研究［8-9］。但大多駕駛?cè)朔诸惸Ｐ褪请x線狀態(tài)下完成的，運算量大，且模型參數(shù)單一固定，預警系統(tǒng)實時性差?；诖?，本文中提出一種在線學習駕駛?cè)颂匦缘膿Q道預警算法。首先，搭建算法的框架結(jié)構(gòu)；其次，確定換道危險感知模型，設(shè)計模型參數(shù)及預警閾值的動態(tài)調(diào)節(jié)算法；最后，通過實車試驗，驗證算法自適應(yīng)駕駛?cè)颂匦缘哪芰邦A警策略效果。

1 自適應(yīng)駕駛?cè)颂匦缘腖CWS結(jié)構(gòu)

為使LCWS具有自適應(yīng)駕駛?cè)颂匦缘哪芰?，設(shè)計如圖1所示的系統(tǒng)結(jié)構(gòu)。首先，確定換道模型，提出換道參數(shù)修正方法實現(xiàn)對多車碰撞風險的綜合評估，并給出模型參數(shù)的動態(tài)調(diào)節(jié)方法；其次，建立基于駕駛員操作感知的換道行為數(shù)據(jù)庫，設(shè)計基于信息熵的最優(yōu)閾值搜索方法，同時建立閾值合理性評價體系，判斷閾值是否需要調(diào)整；最后，將實時危險評估值與預警閾值進行比較，判斷系統(tǒng)報警情況，使得預警系統(tǒng)在不干涉駕駛員操作的前提下，根據(jù)當前狀態(tài)自我調(diào)節(jié)，提高行車安全性。

圖1 自適應(yīng)駕駛?cè)颂匦缘腖CWS結(jié)構(gòu)

2 自適應(yīng)換道預警模型

考慮換道過程中周邊車輛的行駛狀態(tài)，綜合評價自車行駛危險程度，在模型中引入定量表征多車影響權(quán)重的指標，通過動態(tài)權(quán)重分配方法對換道參數(shù)進行修正。此外，為自適應(yīng)駕駛?cè)颂匦詫δＰ蛥?shù)進行在線辨識，實現(xiàn)預警模型的個性化設(shè)計。

2.1 換道預警模型

本文中所研究的換道場景為快速道路環(huán)境，如圖2所示。換道過程為SV車（自車）從原車道變換至目標車道，ALV車和AFV車分別表示目標車道上的前、后車輛，LV車表示同車道上前車，F(xiàn)V車表示同車道上后車。SV車從當前車道換至目標車道的前后車之間。換道過程中，通過車聯(lián)網(wǎng)環(huán)境實現(xiàn)信息交互，獲取的車輛狀態(tài)參數(shù)均以自車為參照物。

圖2 換道場景

基于自車與前車保持安全距離的假設(shè)，虛擬彈簧理論［10］將行車隊列中的駕駛?cè)似谕铀俣龋╰）描述為

式中：D*（t）為駕駛?cè)似谕囬g距；DSV（t）為 t時刻實際跟車距離；kr為虛擬彈簧常數(shù)與車輛質(zhì)量的比值；kv為阻尼系數(shù)與車輛質(zhì)量的比值；vLV（t）與vSV（t）為t時刻LV車和SV車的速度。另外，交通流中的全速度模型［11］也考慮了依賴于車頭時距的優(yōu)化速度及正速度差對駕駛?cè)说挠绊?，該影響（t）為

駕駛?cè)似谕铀俣饶Ｐ偷淖饔檬悄M駕駛?cè)嗽谛熊囘^程中對車輛的控制特性。結(jié)合虛擬彈簧理論模型和全速度模型，說明駕駛?cè)说牟倏v行為與車輛的車頭間距和速度直接相關(guān)，考慮到車頭時距（THW）和避撞時間倒數(shù)（TTCi）是反映車距和車速的重要參數(shù)，同時能表征駕駛員特性和行車狀態(tài)，是駕駛?cè)朔€(wěn)定行車時的主要控制目標［12］，故確定期望加速度模型（t）為

式中：車頭時距THW（t）為自車相對前車距離與自車車速的比值；避撞時間的倒數(shù)TTCi（t）為相對車速與自車相對前車距離的比值；THW*（t）為期望跟車時距。

換道操作是一個連續(xù)的即時行為，主要研究車輛的縱向運動，如車頭時距、避撞時間和臨界安全距離等［13］?；诖思僭O(shè)，以上模型同樣適用于換道過程。但此類模型主要考慮自車與前車之間的防碰撞問題，在換道過程中，除了考慮自車道前車和目標車道前車，還需重點關(guān)注目標車道后車的影響。對目標車道后車的跟車時距 THWr和避撞時間倒數(shù)TTCir推導為

式中d為與前車的相對距離。

本文中綜合考慮自車換道時周邊多車的狀態(tài)信息，引用改進的加速度模型進行換道預警。將式（3）兩邊同時除以自車速度，得預警模型DR（i）為

式中：DR為換道風險指數(shù)，表征當前時刻換道風險程度的大小，s-1；i為換道數(shù)據(jù)的采樣序列號（本文中數(shù)據(jù)采樣時間為0.1 s）；THWd，hβ和 hμ為反映駕駛員特性動態(tài)變化的參數(shù)。

2.2 換道參數(shù)的修正

在一個換道周期中，須綜合考慮多車道前車及目標車道后車的行駛狀態(tài)，采用動態(tài)權(quán)重分配法定量評估各車影響程度大小。引入換道過程中的車輛速度關(guān)聯(lián)度、換道安全系數(shù)以及橫向偏移作為權(quán)重分配的判斷指標，對換道參數(shù)THW和TTCi進行修正，修正值W（i）和TCi（i）為

式中：k＝LV，ALV，AFV；ρk為權(quán)重系數(shù)。對于 ρk的確定，模糊邏輯法能夠模仿人腦的不確定性概念判斷，是現(xiàn)代人工智能技術(shù)的核心［14］，因此可用于駕駛輔助系統(tǒng)中的控制參數(shù)調(diào)節(jié)問題。將3個指標作為模型的輸入，權(quán)重系數(shù)ρk作為輸出，建立換道協(xié)同車輛的權(quán)重調(diào)節(jié)系統(tǒng)，其結(jié)構(gòu)框圖如圖3所示。

圖3 模塊框圖設(shè)計

（1）速度關(guān)聯(lián)度 即換道車輛與周圍車輛相對速度的灰色關(guān)聯(lián)度，描述兩車之間的行車穩(wěn)定程度?；诨疑P(guān)聯(lián)度分析的一般方法分為歸一化、求差序列、求兩級最大最小差值和求關(guān)聯(lián)系數(shù)矩陣4步。關(guān)聯(lián)度系數(shù) gk（i）為

速度關(guān)聯(lián)度的歸一值有l(wèi)ow，moderate和high 3個等級，分別表示協(xié)同車輛與自車的速度關(guān)聯(lián)度較小、居中和較大。

（2）橫向偏移 即換道車輛SV與周圍車輛的橫向位置的差值，是駕駛員對車輛控制量的直接表征參數(shù)。以自車與原車道前車為例，自車換道對前車的影響隨著橫向偏移的增加而逐漸降低。橫向偏移 offset（i）為

式中：Pt（i）為車輛橫向位置，t∈｛LV，AFV，ALV｝。

橫向偏移的歸一值有near，medium和far 3個等級，對應(yīng)了周圍協(xié)同車輛與自車的橫向位置的偏差較近、適中和較遠。

（3）換道安全系數(shù) 即自車與周圍車輛的實際距離與安全距離的比值，反映了換道過程中自車與周圍車輛縱向距離的安全程度，換道安全系數(shù)φs為

式中：do為自車與周圍車輛的實際縱向距離；dsafe為兩車間的臨界安全距離。

對目標車道后車而言，dsafe為換道臨界安全距離。換道安全系數(shù)的歸一值有l(wèi)ow，moderate和high 3個等級，對應(yīng)了換道安全系數(shù)較低、中等和較高3個等級。選擇常用的高斯函數(shù)f作為參數(shù)等級的表達形式：

式中σ和c為實數(shù)常數(shù)。

由此可得到輸入和輸出的隸屬度函數(shù)曲線，權(quán)重系數(shù)的隸屬度函數(shù)曲線包含VS，S，M，B和VB 5條曲線，分別表示極小、小、中等、大和極大，如圖4所示。依據(jù)設(shè)定的模糊計算規(guī)則得到權(quán)重系數(shù)ρk的等級表達，并采用質(zhì)心法解模糊得到其定量表達。

2.3 模型參數(shù)THW d，hβ和hμ的在線辨識

為實現(xiàn)對駕駛員換道特性的在線學習，采用運算量較小、并能實時處理的遞推極大似然估計算法。同時，為降低數(shù)據(jù)庫中過時數(shù)據(jù)對當前狀態(tài)判斷的影響，引入帶遺忘因子的迭代過程，使估計結(jié)果更符合當前狀態(tài)特征［15］。將系統(tǒng)模型考慮為線性差分方程 y（k），其表達式為

式中：a1，…，an，b0，…，bn為序列系數(shù)；ε（k）～N（μ，σ2）為高斯序列；n為序列長度。以上系統(tǒng)模型方程可表示成式（13）所示的向量問題：

式中：Y為觀測量，是系統(tǒng)的輸出；φ為系統(tǒng)輸入量；θ為待估參數(shù)變量；e為期望為0的高斯白噪聲。

根據(jù)式（5）換道預警模型，可得

式中σ為序列ε（k）的均方差。

根據(jù)極大似然原理，對式（15）中未知參數(shù)求偏導，令其為 0，可得待估參數(shù) θ的極大似然估計值：L

根據(jù)遞推的極大似然估計算法，每觀測1次新數(shù)據(jù)遞推計算1次模型參數(shù)，如式（17）所示。

式中ε為適當小的數(shù)，即當3個參數(shù)的變化波動較小時，遞推即可停止。

2.4 換道模型有效性分析

通過分析基于實車試驗獲取的567組有效換道數(shù)據(jù)，對本文中建立的換道預警模型的有效性加以驗證。基于換道危險評估模型可獲得換道過程中的加速度預測值，將車輛加速度預測值與實際值進行對比，如圖5所示。

圖5 換道過程中的加速度曲線預測

由圖5可知，自適應(yīng)駕駛員特性的加速度預測值符合駕駛員在實際換道過程中的操作特性，表明該模型能夠?qū)ξｋU換道情況進行有效預警。

3 預警閾值

3.1 預警閾值的確定

在一次完整的換道數(shù)據(jù)序列中，通過考察目標車道后車的駕駛行為來判斷自車換道過程是否安全。根據(jù)文獻［16］，高速情況下，車輛危險程度主要受最大制動減速度的影響。后車基本勻速甚至略有加速表明車輛換道行為對目標車道后車的影響小，換道行為安全；相反則說明換道行為不安全。考慮到加速度的取值對駕駛?cè)瞬僮魇孢m性有較大影響，本文中通過劃分最大減速度區(qū)間來確定換道過程中后車的危險程度，如表1所示。

表1 目標車道后車危險程度的劃分

將各狀態(tài)下的危險感知值實時存儲入數(shù)據(jù)庫，但樣本量的不斷增加會使得樣例類別的混亂程度增大，為獲得較為準確的預警閾值，用信息熵的概念來表征判別屬性的適應(yīng)程度。信息熵是描述信息不確定度的期望值，熵越大集合信息的混亂程度越高，反之分類越清晰［17］。信息熵 Entr（X）為

式中：Di＝｛D1，D2，…，Dk｝為特征屬性，本文中取 k＝3，分別表示判別結(jié)果為安全、較危險和危險；P（Di，X）表示判別結(jié)果為Di的分類樣例占集合總數(shù)X的比例。

將較危險狀態(tài)的DR值作為區(qū)間值屬性的條件屬性 Ci＝｛C1，C2，…，Cn｝，將數(shù)據(jù)集按照條件屬性Ci的取值進行升序排列得到Ci′，并計算Ci中的最優(yōu)割點［17］。對選定區(qū)間上每一個備選割點P，訓練數(shù)據(jù)集被分割成S1，S2和S3，分割的信息熵定義為數(shù)據(jù)集 Sj（j＝1，2，3）的類信息熵的加權(quán)平均 E（C，P；S），其計算方法為

其中 Entr（Sj）由式（20）計算得出。在所有的備選割點中選取使得E（C，P；S）達到最小值的P*，即為特征屬性Ci的最優(yōu)割點，從而得最優(yōu)閾值DRs為

即當實時危險感知值DR（i）∈DRs時，表明當前處于較危險狀態(tài)，系統(tǒng)進入一級報警模式；當DR（i）＜DRs，當前為危險狀態(tài)，系統(tǒng)進入二級報警模式；當DR（i）＞DRs時，為安全狀態(tài)。

3.2 閾值合理性判斷

本文中所建立的預警系統(tǒng)中的信息處理模塊選擇采用信號檢測理論（signal detection theory，SDT）［18］對預警模型進行評價，根據(jù)預警系統(tǒng)的判斷情況將實時獲取的換道數(shù)據(jù)分成4類，如表2所示。

根據(jù)表2分析可知，Ⅰ類和Ⅳ類數(shù)據(jù)分別表征預警系統(tǒng)的誤警情況和漏警情況，即實際情況是正常換道時，系統(tǒng)卻發(fā)出警報的案例，以及實際情況是危險換道，系統(tǒng)并沒有進行預警的案例。若這兩種案例占比過大，超出駕駛?cè)藢︻A測模型的容忍限度，說明當前閾值不合理，會降低駕駛?cè)藢o助系統(tǒng)的接受程度。

表2 評價結(jié)果

3.3 閾值調(diào)整規(guī)則

數(shù)據(jù)庫中不斷添入新數(shù)據(jù)，同時將過時數(shù)據(jù)剔除，使算法決策判斷的數(shù)據(jù)樣本可靠性提高，也提升了搜索最優(yōu)閾值的判別能力。當系統(tǒng)漏警和誤警情況比率超出限定值時，系統(tǒng)依據(jù)現(xiàn)存數(shù)據(jù)庫對最優(yōu)閾值進行重新搜索，通常將限定值取為8%［12］。

4 算法驗證

為驗證算法性能，本文中設(shè)計了如下實車試驗。路線選取為城市快速公路，選擇10名駕駛?cè)俗鳛槭茉噷ο?。試驗車輛裝配有毫米波雷達、行車記錄儀、轉(zhuǎn)向盤傳感器、速度傳感器、陀螺儀和GPS等設(shè)備。車輛信息數(shù)據(jù)采集系統(tǒng)主要采集車速、轉(zhuǎn)向盤轉(zhuǎn)角、制動和節(jié)氣門開度等運動參數(shù)。工控機負責記錄信息數(shù)據(jù)，將各路信號集中轉(zhuǎn)換，實現(xiàn)數(shù)據(jù)信號的同步輸出，主要試驗設(shè)備如圖6所示。

圖6 數(shù)據(jù)采集試驗設(shè)備

數(shù)據(jù)采集方式為設(shè)備自動獲取數(shù)據(jù)，后期完成數(shù)據(jù)的提取處理及樣本篩選工作。對獲取的換道試驗數(shù)據(jù)進行分類處理，存儲各狀態(tài)的危險感知值，該值由換道預警模型獲得，即將實時修正的車頭時距、避撞時間的倒數(shù)和當前狀態(tài)下模型最新參數(shù)代入計算，部分DR序列如圖7所示。

圖7 部分DR序列

計算該數(shù)據(jù)集下的最優(yōu)割點DRs∈［-0.008，0.057 6］。DR（i）＜-0.008時，換道車輛處于危險狀態(tài)；DR（i）＞0.0576時，車輛處于安全狀態(tài)。圖8比較了兩種狀態(tài)下自適應(yīng)模型（ALC）與非自適應(yīng)模型（N-ALC）的危險感知值序列，自適應(yīng)預警模型相對于非自適應(yīng)模型對危險的感知可提前0.3～1 s，為駕駛?cè)瞬扇〈胧┮?guī)避危險提供了時間優(yōu)勢。

圖8 兩種模型下的DR序列

利用訓練模型對測試數(shù)據(jù)進行預測，分別將非自適應(yīng)模型與自適應(yīng)模型情況下的預測結(jié)果與實際結(jié)果進行對比，分析系統(tǒng)各狀態(tài)的識別準確率，具體結(jié)果如表3所示。

表3 驗證結(jié)果 %

引入接受者操作特性曲線（receiver operating characteristic curve，ROC）來衡量模型預判的準確率。ROC曲線下的面積AUC（area under curve）值越大分類性能越好。通過計算，分別給出非自適應(yīng)模型和自適應(yīng)模型的ROC曲線，如圖9（a）和9（b）所示。圖9（a）中3種狀態(tài)的ROC曲線的AUC值分別為t1＝0.818（安全）、t2＝0.836（較危險）和 t3＝0.865（危險）。圖9（b）中自適應(yīng)模型下的 ROC曲線分別為 t1＝0.908（安全），t2＝0.919（較危險）和 t3＝0.941（危險）。由ROC曲線性質(zhì)可知，AUC越大，其性能就越好。由此說明自適應(yīng)模型的判別能力較好，且誤警率相對于非自適應(yīng)模型大大降低。

圖9 兩種模型下的ROC曲線

5 結(jié)論

（1）建立了模型參數(shù)和預警閾值可調(diào)的自適應(yīng)換道預警模型，并通過實車試驗進行了驗證。結(jié)果表明，參數(shù)動態(tài)變化的自適應(yīng)模型更加符合實際的駕駛操作行為，且能夠反映不同駕駛員在復雜交通環(huán)境下的駕駛風格差異。

（2）自適應(yīng)預警算法充分考慮駕駛?cè)颂匦裕鄬τ诜亲赃m應(yīng)模型能較早感知危險，為駕駛?cè)颂峁?.3～1 s避撞時間。另外，自適應(yīng)模型的危險狀態(tài)識別率達到92.1%，誤警率低，表明該模型應(yīng)用于城市快速道路或高速公路上的換道危險感知時有較高的精度，較好地解決了駕駛?cè)伺c智能輔助系統(tǒng)之間匹配度不高的問題。