引力理論框架下基于綜合競(jìng)爭(zhēng)力的自動(dòng)駕駛擬人換道決策模型

裴玉龍，傅博涵，王子奇，張杰,2

(1.東北林業(yè)大學(xué)，土木與交通學(xué)院，哈爾濱 150040；2.寧德師范學(xué)院，信息與機(jī)電工程學(xué)院，福建寧德 352100)

0 引言

智能網(wǎng)聯(lián)自動(dòng)駕駛車輛(Connected-automated Vehicle,CAV) 和人工駕駛車輛(Human-driving Vehicle,HV)的區(qū)別在于對(duì)于周圍信息感知的全面性和決策與執(zhí)行的即時(shí)性，相比于傳統(tǒng)的HV，CAV對(duì)安全距離和可接受換道間隙等的判斷依據(jù)不同，可以在更苛刻的條件下做出合理的換道決策，還可以通過實(shí)時(shí)信息交流與周邊車輛實(shí)現(xiàn)協(xié)同換道策略，并且使其換道行為對(duì)交通運(yùn)行效率的影響降到最低。未來CAV 的市場(chǎng)滲透率將持續(xù)升高，換道決策是自動(dòng)駕駛行為決策中極其重要的一部分，也是交通領(lǐng)域的研究熱點(diǎn)之一，故研究智能網(wǎng)聯(lián)環(huán)境下車輛的換道決策十分必要。

近年來，基于力場(chǎng)、勢(shì)場(chǎng)、分子動(dòng)力學(xué)及機(jī)器學(xué)習(xí)等相關(guān)理論的模型及構(gòu)建方法推廣至交通研究領(lǐng)域，并取得了一定的研究成果。秦雅琴等[1]采用社會(huì)力模型研究事故瓶頸影響下的換道決策行為?？紤]到車流中系統(tǒng)的相似性，曲大義等[2]將微觀車輛比作分子，基于分子動(dòng)力學(xué)理論及動(dòng)態(tài)影響因素建立分子動(dòng)力學(xué)換道模型，更客觀地展現(xiàn)自動(dòng)駕駛車輛的換道行為特性。利用深度學(xué)習(xí)方式進(jìn)行換道決策模型的構(gòu)建也是當(dāng)今研究的熱點(diǎn)之一，基于規(guī)則與機(jī)器學(xué)習(xí)融合[3]和貝葉斯優(yōu)化算法[4]的車輛換道決策模型，通常以提升決策準(zhǔn)確度和識(shí)別率為目標(biāo)，通過決策樹提取換道特征和規(guī)則，實(shí)現(xiàn)換道決策的預(yù)測(cè)。

駕駛風(fēng)格和換道行為的產(chǎn)生具有必要的聯(lián)系。馮煥煥等[5]提出引入駕駛風(fēng)格的熵權(quán)法多屬性換道決策模型，發(fā)現(xiàn)普遍存在激進(jìn)型駕駛風(fēng)格平均換道概率最大和保守型駕駛風(fēng)格平均換道概率最小的現(xiàn)象。呂超等[6]針對(duì)超車過程中主車和被超越車之間的交互行為，引入心理學(xué)中的“社會(huì)偏好”描述被超車的縱向特征，并將其融入基于強(qiáng)化學(xué)習(xí)的自主超車決策系統(tǒng)設(shè)計(jì)中，提升了決策的自適應(yīng)性和合理性。

車輛的微觀特性服務(wù)于中觀及宏觀的車流狀態(tài)，而換道行為研究的重點(diǎn)在于車輛的交互行為及換道車輛對(duì)其他車輛的影響，可將換道模型分為利己性換道模型和利他性換道模型，前者更加關(guān)注換道車輛本身的狀態(tài)，強(qiáng)調(diào)換道后自身收益大小，楊達(dá)等[7]考慮創(chuàng)建主車感知范圍內(nèi)多項(xiàng)指標(biāo)的成本函數(shù)，以行車收益最大化為目標(biāo)輸出最優(yōu)車道序列，以Gipps 模型為基礎(chǔ)構(gòu)建安全條件判斷模型，篩選最優(yōu)車道，模型安全性較高；后者更關(guān)注與其他車的交互對(duì)整體交通效率的影響。駕駛員在換道過程中，存在各種主觀不確定因素，模糊邏輯推理可有效描述無法用準(zhǔn)確模型表示的模糊概念，有研究人員基于建立模糊規(guī)則[8]，結(jié)合多車交互推演將目標(biāo)車輛與本車間的預(yù)測(cè)距離作為輸入，通過模糊邏輯決策輸出換道概率，預(yù)測(cè)周圍其他車輛的運(yùn)動(dòng)趨勢(shì)?？紤]車輛換道后對(duì)原車道與目標(biāo)車道多輛后隨車制動(dòng)影響程度的不同，潘義勇[9]構(gòu)建加權(quán)整體制動(dòng)最小化換道模型(Minimizing Overall Braking Induced by Lane Changes,MOBIL)，相對(duì)傳統(tǒng)模型而言，提高了交通流的平均速度，減少了整體的制動(dòng)幅度，有效提高交通流的運(yùn)行效率及安全性。

現(xiàn)有研究關(guān)于換道決策行為的研究中，對(duì)于交互的復(fù)雜性描述和量化尚不清晰，大多僅考慮主車和相鄰車道車輛的簡(jiǎn)單場(chǎng)景，忽略了相鄰及相隔車道上車輛可能產(chǎn)生的換道和加減速行為對(duì)主車換道決策的影響，即缺乏對(duì)于車輛實(shí)施換道決策后車輛之間未來可能產(chǎn)生的競(jìng)爭(zhēng)行為對(duì)駕駛?cè)藫Q道決策的影響分析。本文在深入研究自動(dòng)駕駛換道決策的基礎(chǔ)上，從真實(shí)軌跡數(shù)據(jù)出發(fā)，基于悲觀主義原則量化分析可能產(chǎn)生的競(jìng)爭(zhēng)行為，同時(shí)，考慮駕駛風(fēng)格異質(zhì)性，模擬人類駕駛員換道決策心理，綜合考慮換道意愿、競(jìng)爭(zhēng)行為和換道后環(huán)境對(duì)主車換道決策的影響，提出引力框架下的換道決策模型，為自動(dòng)駕駛車輛做出更準(zhǔn)確的換道決策提供參考。

1 車輛換道意愿分析

1.1 換道環(huán)境構(gòu)建

CAV 與HV 混合駕駛的道路環(huán)境中，HV 表現(xiàn)出相對(duì)獨(dú)立的特性，車輛由駕駛?cè)丝刂疲h(huán)境與車輛的信息通過駕駛?cè)艘曈X作為中介進(jìn)行傳遞，這種傳遞具有延時(shí)性，具體表現(xiàn)為駕駛?cè)藶閼?yīng)對(duì)周圍環(huán)境變化產(chǎn)生的反應(yīng)時(shí)間和信息處理所需要的決策時(shí)間相對(duì)較長(zhǎng)，而且駕駛?cè)藘H能憑借周邊車輛和標(biāo)志標(biāo)線等的變化判斷下一步行為，不能像自動(dòng)駕駛車輛那樣在短時(shí)內(nèi)感知和預(yù)測(cè)駕駛?cè)艘曈X盲區(qū)外各車輛的狀態(tài)并做出實(shí)時(shí)反饋和合理決策。

由于影響到車輛換道決策的車輛位置、車輛類型及駕駛風(fēng)格等因素描述較為冗余且復(fù)雜，為辨別換道車輛周邊不同類型車輛的屬性，定義車輛Ci是由位置屬性(緊鄰前方左側(cè)車輛、緊鄰正前方車輛、緊鄰前方右側(cè)車輛、左側(cè)相隔車道平行車輛、右側(cè)相隔車道平行車輛、緊鄰后方左側(cè)車輛及緊鄰后方右側(cè)車輛)、車輛狀態(tài)(系統(tǒng)接管的CAV狀態(tài)與人類接管的類HV 狀態(tài))和駕駛風(fēng)格屬性(普通型、常規(guī)型和冒險(xiǎn)型)構(gòu)成的交通個(gè)體?？紤]道路上普遍存在的換道場(chǎng)景，建立單向5 車道換道環(huán)境如圖1所示，其中，M 為主車，編號(hào)i=1,2,…,7 分別為主車行駛方向左前方車輛、正前方車輛、右前方車輛、左后方車輛、右后方車輛、左側(cè)相隔車道車輛及右側(cè)相隔車道車輛，在實(shí)際分析中，將與M 縱向車頭間距±10 m內(nèi)的相隔左側(cè)車道車輛視為C6，相隔右側(cè)車輛視為C7。為便于后續(xù)分析主車左側(cè)和右側(cè)環(huán)境，將主車左側(cè)車輛編號(hào)i=1,4,6 所組成的環(huán)境稱作“車輛組L”，將主車前方車輛編號(hào)為i=1,2,3所組成的環(huán)境稱作“車輛組S”，將主車右側(cè)車輛編號(hào)為i=3,5,7 所組成的環(huán)境稱作“車輛組R”，N 表示組外車輛，即與M 換道決策無關(guān)的車輛。

圖1 傳統(tǒng)換道場(chǎng)景Fig.1 Traditional lane changing scenario

1.2 換道意愿屬性

換道過程包括意圖產(chǎn)生、換道決策和換道實(shí)施這3個(gè)過程，而換道意圖是換道決策的重要依據(jù)之一，換道意愿是換道意圖的量化，表示換道意圖的強(qiáng)度。車流密度相對(duì)低的交通環(huán)境中，左側(cè)車道的車速比右側(cè)車道快，對(duì)于駕駛?cè)藖碚f，向左換道后產(chǎn)生的舒適性收益和速度收益比向右換道高，駕駛?cè)藘A向于左側(cè)車道行駛導(dǎo)致向左換道的駕駛行為多發(fā)；在高密度交通流、臨近交叉口及臨近交織區(qū)出口等駕駛?cè)嗣媾R選擇的區(qū)域內(nèi)，車流速度、車頭時(shí)距及車頭間距較小，車、路及環(huán)境等因素對(duì)車輛換道決策的干擾性強(qiáng)，駕駛策略的產(chǎn)生往往是被動(dòng)的，常產(chǎn)生強(qiáng)制性換道行為；本文涉及交通流環(huán)境為中等密度交通流，混合著強(qiáng)制性換道行為和非強(qiáng)制換道行為，各車道車流速度差距小，在換道決策上不存在左右側(cè)速度收益差距過大的情況，故在換道意圖量化上不考慮向左換道的偏向性。

類似于駕駛?cè)嗽谙拗埔暯欠秶鷥?nèi)接收外界信息，CAV 通過雷達(dá)或攝像頭獲取前方車輛信息，故主車換道意愿由前方車輛屬性決定，相關(guān)屬性如下。

(1)鄰近前車相對(duì)速度

車輛未達(dá)到駕駛?cè)似谕俣?，且相鄰車道緊鄰前車速度較本車道前車速度高時(shí)，駕駛?cè)水a(chǎn)生換道意圖，故將鄰近前車相對(duì)速度ΔvCi-M作為換道意愿屬性，即

式中：vCi為主車M 周邊車輛Ci的速度，當(dāng)i∈[1,3]時(shí)，vCi表示鄰近前車速度；vM為主車M 的速度。

(2)鄰近前車車頭間距

主車M 與當(dāng)前車道前方車輛的車頭間距小于M 與相鄰車道緊鄰前方車輛的車頭間距時(shí)，駕駛?cè)丝赡墚a(chǎn)生換道意圖。車頭間距dCi-M為主車與周邊車輛之間的車頭縱向距離，即

式中：dM為主車M 當(dāng)前所在位置；dCi,i∈[1,3] 為鄰近前方車輛位置。

(3)駕駛風(fēng)格

BERDOULAT等[10]發(fā)現(xiàn)，頻繁換道、魯莽換道及近距離跟馳等駕駛模式發(fā)生的頻率是激進(jìn)駕駛的顯著表征，故不同的駕駛風(fēng)格對(duì)換道決策存在一定影響?？紤]實(shí)際交通運(yùn)行場(chǎng)景中車輛的駕駛風(fēng)格Td,M的不同，分類標(biāo)簽數(shù)量的增加會(huì)使分類的解釋變得復(fù)雜，現(xiàn)有研究普遍將駕駛風(fēng)格歸結(jié)為激進(jìn)、適度和保守這3 種類型，因此，以此3 種類型作為駕駛風(fēng)格的主要分類依據(jù)。將駕駛風(fēng)格的量化表達(dá)為

式中：d 為駕駛?cè)耍硎抉{駛風(fēng)格的擬人化性質(zhì)。

1.3 換道意愿量化表征

由于換道意愿的模型計(jì)算涉及主車換道意愿屬性，其中，包括前后車車頭間距和相對(duì)速度，而在實(shí)際換道場(chǎng)景下，常常會(huì)出現(xiàn)前方3車道部分車道或全部車道沒有行駛車輛的現(xiàn)象，此時(shí)，無法在模型中通過車頭間距和相對(duì)速度量化主車換道意愿，為方便模型的計(jì)算且對(duì)結(jié)果不產(chǎn)生影響，在圖1所示相應(yīng)位置缺失車輛時(shí)引入虛擬單元，虛擬單元1、單元2及單元3是假設(shè)存在，在實(shí)際中是不存在的，將其與主車的縱向間距設(shè)為協(xié)作換道行為接受間隙的最大值30 m[11]，即至少可以保證車輛從容換道的臨界距離；虛擬單元速度為快速路交織區(qū)限速80 km·h-1，具體設(shè)置值可根據(jù)所在路段限速值進(jìn)行調(diào)節(jié)，這規(guī)定了主車換道后可實(shí)現(xiàn)的最大車速。

復(fù)雜環(huán)境下，采用前方車輛與主車的速度屬性和位置屬性反映主車的換道意愿，表征方式為

式中：GD=(??)為主車M 產(chǎn)生換道意圖時(shí)，在行車環(huán)境中的換道意愿表征函數(shù)；lead 為換道意愿量化依據(jù)的是前方車輛屬性；TM為主車M 的類型，指駕駛風(fēng)格Td,M；D∈{l,r} 分別為向左和向右的換道意圖。

隨著目標(biāo)車道緊鄰前車與主車的車頭間距和速度差的增大，駕駛?cè)藢?duì)于該目標(biāo)車道的意愿增加，且增加值相對(duì)于速度量綱變化較小，故直接采用間距作為模型的一部分，當(dāng)前后車速度差超過閾值時(shí)，駕駛?cè)藢?duì)目標(biāo)車道的速度期望易達(dá)到滿足，速度差對(duì)駕駛?cè)藫Q道決策的影響逐漸趨于穩(wěn)定，模型使用tanh 函數(shù)對(duì)速度差進(jìn)行范圍約束，同時(shí)，降低最終的計(jì)算成本，由于駕駛?cè)俗龀鰶Q策最直接的判斷方法是緊鄰前車與主車之間的距離，而駕駛?cè)说钠谕g距隨駕駛風(fēng)格而改變，故在模型內(nèi)對(duì)間距施加駕駛風(fēng)格的影響，即

式中：τ為期望速度修正系數(shù)；γ為期望間距修正系數(shù)。

2 換道競(jìng)爭(zhēng)行為分析

2.1 悲觀主義原則下的潛在競(jìng)爭(zhēng)強(qiáng)度定義

傳統(tǒng)換道過程分為自由換道、協(xié)作換道和強(qiáng)制換道這3 種，現(xiàn)有研究中，車輛協(xié)作行為的定義多是指主車通過多次發(fā)出換道請(qǐng)求直到后車接受，若后車接受換道請(qǐng)求，則會(huì)實(shí)施減速和勻速等協(xié)作行為，為主車提供成功換道的條件，若后車拒絕對(duì)方換道請(qǐng)求，則采取加速或者勻速等競(jìng)爭(zhēng)策略。在我國(guó)，受周圍環(huán)境、社會(huì)文化以及自身道德水平等多方面因素影響，駕駛?cè)硕嗖捎酶?jìng)爭(zhēng)式駕駛行為，與發(fā)達(dá)國(guó)家的協(xié)作式通行行為存在顯著差異。駕駛?cè)嗽趯?shí)施換道行為時(shí)，要考慮前車和后車間距，保證換道后主車和跟隨車均能安全跟馳。

由上述分析，考慮通過駕駛風(fēng)格差異和車頭間距比引入“潛在競(jìng)爭(zhēng)強(qiáng)度”的概念。潛在競(jìng)爭(zhēng)強(qiáng)度是主車產(chǎn)生換道意愿時(shí)，在與周邊車輛產(chǎn)生競(jìng)爭(zhēng)行為的情況中其換道優(yōu)勢(shì)的量化。潛在競(jìng)爭(zhēng)強(qiáng)度的概念建立在悲觀主義準(zhǔn)則(最大最小準(zhǔn)則)的基礎(chǔ)上，即考慮主車周邊的車輛與其產(chǎn)生競(jìng)爭(zhēng)行為的“最壞”情況下，建立的模型并選擇最優(yōu)決策，體現(xiàn)了保守決策原則，即

式中：(?)為主車M 與車輛Ci的潛在競(jìng)爭(zhēng)強(qiáng)度函數(shù)；fgap為產(chǎn)生競(jìng)爭(zhēng)行為時(shí)，關(guān)于車頭間距的反正切函數(shù)；?為間距修正系數(shù)；β為駕駛風(fēng)格修正系數(shù)；ΔTd,M-Ci為駕駛風(fēng)格差異；treact為決策干預(yù)因子。對(duì)潛在競(jìng)爭(zhēng)強(qiáng)度表達(dá)式的相關(guān)屬性解釋如下。

(1)車頭間距比

以指定車輛間的車頭間距比衡量主車的換道優(yōu)勢(shì)，假定主車與對(duì)比車輛在相同區(qū)域存在競(jìng)爭(zhēng)關(guān)系時(shí)，擁有更好間距條件的車輛在競(jìng)爭(zhēng)區(qū)域的占據(jù)上更有優(yōu)勢(shì)，車頭間距為式(2)。

(2)決策干預(yù)因子

引入決策干預(yù)因子使CAV 能夠在恰當(dāng)?shù)臅r(shí)候人為實(shí)現(xiàn)非接管狀態(tài)下決策的干預(yù)，避免人類接管行為的不確定性。treact為決策干預(yù)因子，不干預(yù)狀態(tài)下默認(rèn)駕駛風(fēng)格為常規(guī)型(Td,M=0.5)；干預(yù)狀態(tài)下，可設(shè)定人類喜愛的駕駛風(fēng)格Td,M進(jìn)行決策干預(yù)調(diào)節(jié)。

由于擬人化決策模型采用人類駕駛數(shù)據(jù)反映駕駛風(fēng)格，故本文模型在初步確立的過程中采用軌跡數(shù)據(jù)確認(rèn)駕駛風(fēng)格，即視為人類干預(yù)狀態(tài)。參數(shù)標(biāo)定后的模型在實(shí)際應(yīng)用中可通過決策干預(yù)因子調(diào)整CAV駕駛風(fēng)格。

(3)駕駛風(fēng)格差異

CAV 決策系統(tǒng)引入符合人類習(xí)慣的駕駛風(fēng)格參數(shù)實(shí)現(xiàn)擬人化，駕駛風(fēng)格越激進(jìn)，駕駛?cè)烁鼉A向于頻繁換道，且對(duì)車輛的橫向控制穩(wěn)定性越差，所以，在執(zhí)行換道行為前后對(duì)周邊車輛產(chǎn)生較大的威脅，融合決策干預(yù)因子后的駕駛風(fēng)格差異量化為

式中：Td,M為M 車的駕駛風(fēng)格；Td,Ci為Ci車的駕駛風(fēng)格。ΔTd,M-Ci>0 時(shí)，M 車比Ci車相對(duì)激進(jìn)，M 車傾向于競(jìng)爭(zhēng)位置；ΔTd,M-Ci<0 時(shí)，M 車比Ci駕駛?cè)吮Ｊ?，M 車傾向于讓出位置。

2.2 基于潛在競(jìng)爭(zhēng)強(qiáng)度的換道競(jìng)爭(zhēng)行為分析

(1) M 與C6的潛在競(jìng)爭(zhēng)強(qiáng)度

當(dāng)M 和C6均發(fā)起向中間車道同一目標(biāo)間隙的換道請(qǐng)求時(shí)，若中間車道僅能滿足其中一輛車的最小可接受間隙，則僅有一輛車可以成功換道，如圖2所示。由于本文不考慮換道環(huán)境外其他車輛對(duì)環(huán)境內(nèi)車輛(包括主車及其周邊7輛車)的影響，同時(shí)，為降低模型的復(fù)雜性，引入虛擬單元Cf表示C6當(dāng)前車道前方車輛，并假設(shè)Cf與C1縱向位置相同，即dCf=dC1。當(dāng)C6所在車道前車Cf與C6的車頭間距越大，M 所在車道前車C2與M 的車頭間距越小時(shí)，M 相對(duì)于C6具有較強(qiáng)的競(jìng)爭(zhēng)性。同樣，考慮駕駛?cè)孙L(fēng)格，駕駛?cè)说募みM(jìn)程度對(duì)競(jìng)爭(zhēng)強(qiáng)度產(chǎn)生正反饋效果。故M 與C6存在該位置關(guān)系時(shí)的潛在競(jìng)爭(zhēng)強(qiáng)度為

圖2 M 與C6 的競(jìng)爭(zhēng)關(guān)系Fig.2 Competitive relationship between M and C6

(2) M 與C4的潛在競(jìng)爭(zhēng)強(qiáng)度

M 向左換道時(shí)，會(huì)占據(jù)C4前方空隙，若換道條件不充分，例如，C1與C4間隙小于M 所能接受的最小換道間隙，M 會(huì)向C4發(fā)起換道請(qǐng)求，若C4不同意換道請(qǐng)求，則會(huì)保持原速或加速，與M 形成競(jìng)爭(zhēng)關(guān)系，如圖3所示。M 與C2的車頭間距越小，與C4的車頭間距越大，M 的換道可能性越高，潛在競(jìng)爭(zhēng)強(qiáng)度越高，駕駛員越激進(jìn)，其競(jìng)爭(zhēng)成功性越強(qiáng)，故M 與C4存在位置關(guān)系時(shí)的潛在競(jìng)爭(zhēng)強(qiáng)度為

圖3 M 與C4 的競(jìng)爭(zhēng)關(guān)系Fig.3 Competitive relationship between M and C4

(3) M 與C1的潛在競(jìng)爭(zhēng)強(qiáng)度

M 和C1存在兩種競(jìng)爭(zhēng)行為，一種是，M 向左換道與C1的競(jìng)爭(zhēng)，M 與C2的車頭間距越小，M 與C1的車頭間距越大時(shí)，M 向左換道的可能性越高，潛在競(jìng)爭(zhēng)強(qiáng)度越高；另一種是，M 加速時(shí)與向右換道的C1產(chǎn)生的競(jìng)爭(zhēng)，當(dāng)C1因前方組外車輛N 而產(chǎn)生向右換道決策時(shí)，則會(huì)產(chǎn)生和M 爭(zhēng)搶前方空隙(競(jìng)爭(zhēng)區(qū)域2)的競(jìng)爭(zhēng)行為，如圖4所示，M 與C1存在位置關(guān)系時(shí)的潛在競(jìng)爭(zhēng)強(qiáng)度如下。

圖4 M 與C1 的競(jìng)爭(zhēng)關(guān)系Fig.4 Competitive relationship between M and C1

向左換道為

保持車道為

(4) M 與C2的潛在競(jìng)爭(zhēng)強(qiáng)度

若C2和M 兩者同時(shí)存在向左換道傾向，且C1與C4的間隙小于M 與C2同時(shí)換道所需要的最小換道間隙(競(jìng)爭(zhēng)區(qū)域2)時(shí)，兩者僅有一輛可成功換道，存在競(jìng)爭(zhēng)關(guān)系，此時(shí)，C2的換道選擇影響著M的換道決策，M 比C2激進(jìn)時(shí)，M 更有可能爭(zhēng)搶到換道機(jī)會(huì)，本文未考慮協(xié)同換道，故不將M 與C2存在的換道競(jìng)爭(zhēng)強(qiáng)度納入計(jì)算中。如圖5所示，當(dāng)C2存在向左或向右換道傾向時(shí)，會(huì)為M 前方留出空隙(競(jìng)爭(zhēng)區(qū)域1)使M 向前補(bǔ)充，C2比M 激進(jìn)時(shí)，C2換道及加速的可能性越高，此時(shí)，M 向前加速保持車道的可能性增加，故M 與C2存在位置關(guān)系時(shí)的潛在競(jìng)爭(zhēng)強(qiáng)度為

圖5 M 與C2 的競(jìng)爭(zhēng)關(guān)系Fig.5 Competitive relationship between M and C2

(5) M 與其他車輛的潛在競(jìng)爭(zhēng)強(qiáng)度

CAV通過感知端獲取周邊車輛運(yùn)行信息，不考慮駕駛位置對(duì)駕駛?cè)伺袛嗪筒僮鞯挠绊?，故采用?duì)稱式換道分析方法，M 與左側(cè)車輛和右側(cè)車輛的競(jìng)爭(zhēng)存在如圖1所示的對(duì)稱關(guān)系，將其用符號(hào)表示為?，例如，M ?C3表示M 與C3之間的競(jìng)爭(zhēng)關(guān)系，等價(jià)關(guān)系為

對(duì)于潛在競(jìng)爭(zhēng)強(qiáng)度的計(jì)算，作出以下說明：M周邊車輛存在如圖1所示位置關(guān)系時(shí)，則將潛在競(jìng)爭(zhēng)強(qiáng)度納入考慮；相應(yīng)位置不存在車輛時(shí)，不納入潛在競(jìng)爭(zhēng)強(qiáng)度計(jì)算。

3 換道決策模型構(gòu)建

3.1 引力理論框架下的競(jìng)爭(zhēng)力表征

在引力與質(zhì)量成正比，與距離成反比的理論框架上，應(yīng)用競(jìng)爭(zhēng)力與換道決策下的綜合競(jìng)爭(zhēng)強(qiáng)度和保持車道決策下的綜合競(jìng)爭(zhēng)強(qiáng)度成正比，與換道后的環(huán)境穩(wěn)定性成反比的關(guān)系，構(gòu)建基于引力理論的競(jìng)爭(zhēng)力為

式中：FD為對(duì)應(yīng)D決策下的競(jìng)爭(zhēng)力，D∈{l,r} ；GD為換道意愿；mD為向左和向右換道決策的綜合競(jìng)爭(zhēng)強(qiáng)度；mk為保持車道的綜合競(jìng)爭(zhēng)強(qiáng)度；?為速度“偽距”，v表示速度；為加速度“偽距”，a表示加速度。具體屬性解釋如下。

(1)換道意愿——等效引力常量

換道意愿是判斷是否換道的依據(jù)，涉及保持車道、向左換道和向右換道這3種決策的綜合競(jìng)爭(zhēng)強(qiáng)度模型均與前方車輛的潛在交互行為有關(guān)，說明M很大程度受到來自前方車輛的影響，所構(gòu)建的模型符合實(shí)際。向左或向右兩種換道決策所依據(jù)的換道意愿等值，其大小視當(dāng)時(shí)前方車輛的狀態(tài)決定，故視為等效引力常量，表達(dá)式為式(5)。

(2)綜合競(jìng)爭(zhēng)強(qiáng)度——等效質(zhì)量

綜合競(jìng)爭(zhēng)強(qiáng)度是執(zhí)行不同決策后，主車與其他車輛間的潛在競(jìng)爭(zhēng)強(qiáng)度之和，分別包括向左換道D=l、向右換道D=r 和保持車道D=k 這3 種決策下的綜合競(jìng)爭(zhēng)強(qiáng)度，即

如圖1 所示，D=l 時(shí)，綜合競(jìng)爭(zhēng)強(qiáng)度的計(jì)算對(duì)象為車輛組L 內(nèi)的車輛1、車輛4 及車輛6；D=r時(shí)，綜合競(jìng)爭(zhēng)強(qiáng)度的計(jì)算對(duì)象為車輛組R 內(nèi)的車輛3、車輛5 及車輛7；D=k 時(shí)，綜合競(jìng)爭(zhēng)強(qiáng)度的計(jì)算對(duì)象為車輛組K 內(nèi)的車輛1、車輛2及車輛3。

(3)速度“偽距”與加速度“偽距”——等效距離

周邊車輛的運(yùn)行狀態(tài)及趨勢(shì)決定著M 執(zhí)行換道決策后的行駛環(huán)境，LEE等[12]通過實(shí)際車輛變道數(shù)據(jù)的采集與分析表明，接近95%的駕駛?cè)藭?huì)因車輛頻繁加減速而產(chǎn)生不舒適感，故換道決策還應(yīng)考慮換道前后車內(nèi)人員的舒適感，同時(shí)，考慮到自動(dòng)駕駛環(huán)境下CAV比例的增加有利于交通流穩(wěn)定性的提升。本文引入速度“偽距”和加速度“偽距”，采用M 周邊各車輛縱向上加速度和速度的離散程度，以表征周邊車輛的運(yùn)動(dòng)波動(dòng)程度，波動(dòng)程度越大，主車M 選擇換道后環(huán)境相對(duì)于保持車道所處環(huán)境的不穩(wěn)定性越大，乘員舒適性越低，即

式中：ai為車輛Ci在M 產(chǎn)生換道決策時(shí)的瞬時(shí)縱向加速度；vi為車輛Ci在M 產(chǎn)生換道決策時(shí)的瞬時(shí)縱向速度；ND為各決策下，對(duì)應(yīng)車輛組中的車輛個(gè)數(shù)，Nl、Nr分別為M 左側(cè)和右側(cè)車輛個(gè)數(shù)；D為各決策下，對(duì)應(yīng)車輛組內(nèi)的車輛縱向加速度平均值；

3.2 基于綜合競(jìng)爭(zhēng)力的換道決策模型

綜合競(jìng)爭(zhēng)力FM是兩種決策下競(jìng)爭(zhēng)力的合力，規(guī)定向左決策的競(jìng)爭(zhēng)力方向?yàn)檎?。?dāng)FM>0 時(shí)，向左換道決策的綜合競(jìng)爭(zhēng)強(qiáng)度產(chǎn)生的競(jìng)爭(zhēng)力大于向右換道決策的綜合競(jìng)爭(zhēng)強(qiáng)度產(chǎn)生的競(jìng)爭(zhēng)力，此時(shí)，M 更傾向于向左換道；當(dāng)FM<0 時(shí)，向右換道決策的綜合競(jìng)爭(zhēng)強(qiáng)度產(chǎn)生的競(jìng)爭(zhēng)力大于向左換道決策的綜合競(jìng)爭(zhēng)強(qiáng)度產(chǎn)生的競(jìng)爭(zhēng)力，M 更傾向于向右換道。

式中：Fl為向左換道決策下所產(chǎn)生的競(jìng)爭(zhēng)力；Fr為向右換道決策下所產(chǎn)生的競(jìng)爭(zhēng)力。

力是改變物體運(yùn)動(dòng)狀態(tài)的原因，車輛短期內(nèi)的運(yùn)動(dòng)狀態(tài)變化反映了決策的結(jié)果，初步考慮用速度或加速度作為決策判斷結(jié)果的參考，但由于數(shù)據(jù)采集精度及數(shù)據(jù)處理的影響，需要對(duì)橫向距離-時(shí)間曲線求導(dǎo)，并進(jìn)行降噪處理得到橫向速度和橫向加速度隨時(shí)間變化的曲線圖，相對(duì)于橫向加速度而言，橫向速度數(shù)據(jù)降噪后的精度損失較小，故采用橫向速度作為模型求解目標(biāo)。M 受綜合競(jìng)爭(zhēng)力FM作用下產(chǎn)生的橫向加速度lateral為

主車在換道決策階段仍保持當(dāng)前車道行駛，故視為橫向初速度為0 m·s-1，為降低計(jì)算成本，假設(shè)主車換道過程中橫向速度均勻變化，在2 s 內(nèi)達(dá)到最大橫向速度，在換道判斷上采取橫向速度采樣時(shí)段2 s 內(nèi)的橫向速度均值為求解目標(biāo)，故橫向速度M為

式中：tsample為采樣時(shí)間段，取2 s；v0為橫向初速度，取0 m·s-1；vmax為換道過程中最大橫向速度。

綜上，模型求解目標(biāo)值橫向速度為

模型輸入-輸出如圖6所示。

4 模型參數(shù)標(biāo)定

4.1 數(shù)據(jù)準(zhǔn)備

擬人化自動(dòng)駕駛決策模型是基于人類駕駛數(shù)據(jù)進(jìn)行模型訓(xùn)練的，本文所用軌跡數(shù)據(jù)集為東南大學(xué)UTE(Ubiquitous Traffic Eyes)開源數(shù)據(jù)集[13]中的KZM5數(shù)據(jù)集，數(shù)據(jù)集車輛識(shí)別精度100%，研究路段長(zhǎng)度140 m，雙向10 車道，采集視頻覆蓋100 m的雙向交織區(qū)，如圖7 所示。車輛軌跡數(shù)據(jù)庫(kù)包括：車輛編號(hào)、位置坐標(biāo)、車道編號(hào)、車輛長(zhǎng)度、車輛寬度、行駛速度、車頭時(shí)距、車頭間距及加減速度等字段，時(shí)間精度為0.03 s，滿足研究需求。

圖7 KZM5數(shù)據(jù)集無人機(jī)拍攝區(qū)域Fig.7 Area photographed by drone in KZM5 dataset

數(shù)據(jù)集中，車流密度相對(duì)適中，換道行為的發(fā)生具有普遍且較強(qiáng)的典型特性，能夠精確地表征車輛換道情況下的微觀駕駛行為，可以為換道決策模型的標(biāo)定提供良好的數(shù)據(jù)基礎(chǔ)。由于初始數(shù)據(jù)(原始數(shù)據(jù)結(jié)構(gòu)如表1 所示)直接反映車輛的動(dòng)力學(xué)參數(shù)和空間參數(shù)，而且包含除換道行為外的數(shù)據(jù)，所以，需要對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理工作。數(shù)據(jù)處理步驟如下：

表1 原始車輛數(shù)據(jù)Table 1 Original vehicle data

(1)篩選樣本

記錄同一車輛編號(hào)的位置坐標(biāo)及車道編號(hào)發(fā)生變化的時(shí)刻，且變化后車輛的速度、加速度以及穩(wěn)定時(shí)間符合上述要求，記為換道行為樣本，篩選樣本數(shù)據(jù)結(jié)構(gòu)如表2所示。通過人工篩選得到113輛換道車的124 條換道樣本。

表2 換道車輛數(shù)據(jù)Table 2 Data on lane-changing vehicles

(2)決策時(shí)刻數(shù)據(jù)提取

選取換道行為樣本中各車輛編號(hào)在車道變化前一采樣時(shí)刻，向前以2 s時(shí)間窗進(jìn)行平移[14]，并將平移后所在時(shí)刻作為換道決策事件開始幀，并記錄該采樣時(shí)刻周邊車輛的車速、加速度以及車輛位置，車輛組數(shù)據(jù)結(jié)構(gòu)如表3 所示。在處理過程中，周邊車輛在主車換道決策同一時(shí)刻下有部分?jǐn)?shù)據(jù)缺失的現(xiàn)象，針對(duì)此問題，采取視頻觀測(cè)結(jié)合浮動(dòng)取值的方法，即以采樣精度為時(shí)間窗長(zhǎng)度，以初始換道決策事件開始幀為起點(diǎn)，向該時(shí)刻前后平移時(shí)間窗，并按平移后時(shí)刻進(jìn)行視頻觀測(cè)和數(shù)據(jù)表核查，保證換道決策時(shí)刻下的數(shù)據(jù)完整性。

表3 編號(hào)397換道決策時(shí)刻的車輛組數(shù)據(jù)Table 3 No.397 vehicle group data at moment of decision to change lanes

(3)駕駛風(fēng)格聚類

根據(jù)車輛在路段上的駕駛表現(xiàn)確定駕駛風(fēng)格，以縱向速度平均值、縱向加速度標(biāo)準(zhǔn)差、換道頻數(shù)、速度變異系數(shù)[15]及縱向加速度均值絕對(duì)值為特征指標(biāo)，對(duì)數(shù)據(jù)進(jìn)行Z-score標(biāo)準(zhǔn)化后，選用誤差平方和(Sum of Square due to Error,SSE)和CH 系數(shù)(CalinskiHarabasz,CH)對(duì)k值選取進(jìn)行評(píng)價(jià)，評(píng)價(jià)結(jié)果如圖8 所示。當(dāng)簇為k=3 時(shí)，SSE 折線出現(xiàn)“肘點(diǎn)”，且此時(shí)CH達(dá)到最高值，即最佳k值為3，證明了將樣本劃分為“保守型”“常規(guī)型”“冒險(xiǎn)型”這3種駕駛風(fēng)格的合理性。針對(duì)主車以及涉及到主車換道環(huán)境中的各車輛駕駛風(fēng)格，進(jìn)行k-means 聚類分析，得到包含所有換道車輛的駕駛風(fēng)格樣本庫(kù)分布如表4所示。為可視化駕駛風(fēng)格聚類結(jié)果，通過主成分分析法(Principal Component Analysis,PCA)將5 維特征變量降至3 維，篩選出相關(guān)車輛數(shù)據(jù)繪制聚類可視化圖，如圖9所示，其中，X,Y,Z軸表示降維后的3個(gè)維度，可視化結(jié)果顯示，3種駕駛風(fēng)格在空間中區(qū)分較清晰，聚類效果較好。

表4 樣本庫(kù)駕駛風(fēng)格分布Table 4 Sample pool driving style distribution

圖8 SSE及CH指標(biāo)簇評(píng)價(jià)Fig.8 SSE and CH cluster indicator

圖9 相關(guān)車輛駕駛風(fēng)格聚類的可視化圖Fig.9 Visualization of driving style clusters

圖10(a)～圖10(d)分別為縱向速度平均值、加速度標(biāo)準(zhǔn)差、加速度平均值和速度變異系數(shù)指標(biāo)按聚類標(biāo)簽劃分的箱型圖。從圖10(a)可以看出，冒險(xiǎn)型風(fēng)格傾向于高速行駛，且速度較為集中，常規(guī)型風(fēng)格縱向速度的中位數(shù)和上下四分位線低于保守型數(shù)據(jù)，但是，常規(guī)型風(fēng)格的縱向速度相比于其他兩類數(shù)據(jù)分散；從圖10(b)可以看出，保守型和常規(guī)型風(fēng)格縱向加速度標(biāo)準(zhǔn)差的中位數(shù)和上下四分位數(shù)相差不大，與圖10(a)有相似的分布趨勢(shì)，其中，冒險(xiǎn)型風(fēng)格縱向加速度標(biāo)準(zhǔn)差中位數(shù)和上下四分位數(shù)與其他兩類有明顯差異，說明冒險(xiǎn)型風(fēng)格具有大幅度加減速操作；從圖10(c)和圖10(d)可以看出，縱向加速度均值絕對(duì)值和速度變異系數(shù)的中位線和上下四分位線存在冒險(xiǎn)型大于常規(guī)型大于保守型的顯著關(guān)系，除上述特征指標(biāo)，換道頻數(shù)對(duì)駕駛風(fēng)格聚類結(jié)果的影響較低。綜上所述，冒險(xiǎn)型標(biāo)簽表征高速行駛和劇烈加減速特征；保守型標(biāo)簽表征較小幅度加減速和速度集中特征；常規(guī)型標(biāo)簽相關(guān)特征指標(biāo)分布位于兩者之間，且具有速度分散特征。

圖10 不同駕駛風(fēng)格特征指標(biāo)箱型圖Fig.10 Characteristic indicators box plots of different driving styles

(4)橫向數(shù)據(jù)處理

換道橫向速度數(shù)據(jù)由數(shù)據(jù)集中的字段“Langitude distance”獲得，該字段表示車輛中心與當(dāng)前車道中心曲線之間的距離，正常行駛情境下，當(dāng)該值發(fā)生躍變時(shí)，表示車輛中心已經(jīng)越過車道線，發(fā)生變道；當(dāng)該值跨越0線時(shí)，表示車輛越過當(dāng)前車道中心，如圖11(a)和圖12(a)所示。將Langitude distance 按車道連續(xù)性進(jìn)行處理得到如圖11(b)和圖12(b)所示的時(shí)空軌跡圖，可以直觀地展示車輛進(jìn)行橫向位移的過程。

圖11 141號(hào)車輛時(shí)空屬性Fig.11 Temporal and spatial properties of vehicle 141

圖12 336號(hào)車輛時(shí)空屬性Fig.12 Temporal and spatial properties of vehicle 336

對(duì)時(shí)空軌跡圖進(jìn)行多項(xiàng)式擬合并求導(dǎo)，獲得車輛換道開始過程各采樣時(shí)刻的橫向瞬時(shí)速度，經(jīng)過降噪處理后，獲得較平滑的橫向速度-時(shí)間圖，選取方向盤回轉(zhuǎn)時(shí)刻前2 s 計(jì)算平均橫向速度。如圖11(c)所示，141號(hào)車輛換道發(fā)生階段的橫向速度估計(jì)為0.72239 m·s-1，表示向左換道；如圖12(c)所示，336 號(hào)車輛換道發(fā)生階段的橫向速度分別估計(jì)為0.73581 m·s-1，0.91522 m·s-1，表示該車輛發(fā)生兩次向左換道。

4.2 參數(shù)標(biāo)定與初步驗(yàn)證

參數(shù)標(biāo)定通常是以模型結(jié)果與真實(shí)數(shù)據(jù)之差最小為目標(biāo)函數(shù)的非線性最優(yōu)化問題，通過不斷修正模型參數(shù)值使模型結(jié)果盡可能接近實(shí)際值，即尋找到使兩者差距最小的參數(shù)?，F(xiàn)有研究常采用遺傳算法進(jìn)行參數(shù)標(biāo)定，但遺傳算法的搜索速度比較慢，且局部搜索能力比較差，較易產(chǎn)生早熟收斂的問題，而蟻群算法中每只螞蟻搜索過程彼此獨(dú)立，僅通過信息激素進(jìn)行通信，可以看作是一個(gè)分布式的多智能體系統(tǒng)，在問題空間的多點(diǎn)同時(shí)開始進(jìn)行獨(dú)立的解搜索，不僅增加了算法的可靠性，也使算法具有較強(qiáng)的全局搜索能力，故本文采用蟻群算法(Ant Clony Optimization,ACO)標(biāo)定所建立的換道決策模型參數(shù)。具體流程如圖13所示。

圖13 蟻群算法流程Fig.13 Ant colony algorithm process

初步按72%∶28%的比例將數(shù)據(jù)集劃分為訓(xùn)練集與驗(yàn)證集，通過蟻群算法進(jìn)行標(biāo)定，驗(yàn)證模型的可行性，本文選取表示數(shù)據(jù)序列與真實(shí)值之間關(guān)系的均方根誤差(Root Mean Square Error,RMSE)值最小為目標(biāo)函數(shù)，即

式中：x為需要進(jìn)行誤差分析的指標(biāo)，在本模型中，為向目標(biāo)車道開始換道階段的橫向平均速度；為決策模型對(duì)第i個(gè)樣本的橫向速度預(yù)測(cè)值；I為樣本量為第i個(gè)樣本的橫向速度真實(shí)值。獲得初步標(biāo)定結(jié)果如表5所示。

表5 參數(shù)初步標(biāo)定結(jié)果Table 5 Preliminary calibration results of parameters

由于橫向速度的正負(fù)分別表示預(yù)測(cè)結(jié)果為向左換道和向右換道，故采取符號(hào)函數(shù)判斷預(yù)測(cè)是否正確，即

式中：xi為預(yù)測(cè)值與真實(shí)值的乘積；sgn(xi)為輸入為xi的符號(hào)函數(shù)。當(dāng)預(yù)測(cè)值與真實(shí)值同號(hào)，sgn(xi)=1 時(shí)，模型結(jié)果為正確；預(yù)測(cè)值與真實(shí)值異號(hào)，sgn(xi)=-1時(shí)，模型結(jié)果為錯(cuò)誤。

模型正確率r為

式中：NT為驗(yàn)證集中識(shí)別正確的樣本量；NF為驗(yàn)證集中識(shí)別錯(cuò)誤的樣本量。

將參數(shù)標(biāo)定結(jié)果代入模型中，對(duì)剩余數(shù)據(jù)集進(jìn)行驗(yàn)證，得到換道預(yù)測(cè)結(jié)果如圖14(a)所示，得到換道預(yù)測(cè)正確率為91.42%，證明了該模型的有效性。

圖14 不同訓(xùn)練集與驗(yàn)證集比例下最優(yōu)模型實(shí)際結(jié)果與模型結(jié)果對(duì)比Fig.14 Comparison of actual results and model results with different training set-validation set ratios

4.3 模型泛化能力驗(yàn)證

為避免模型對(duì)數(shù)據(jù)的過擬合，在使用72%∶28%的訓(xùn)練集與驗(yàn)證集比例驗(yàn)證模型有效性的基礎(chǔ)上，通過設(shè)置不同的訓(xùn)練集與驗(yàn)證集比例，采用隨機(jī)排列交叉驗(yàn)證(Random Permutations Cross-Validation,RPCV)方法進(jìn)行多次參數(shù)標(biāo)定及驗(yàn)證，以隨機(jī)劃分集的平均正確率作為評(píng)估模型的預(yù)測(cè)效果和泛化性能的指標(biāo)。

不同訓(xùn)練集與驗(yàn)證集比例下，獲得的最優(yōu)模型對(duì)應(yīng)的預(yù)測(cè)結(jié)果如圖14 所示，實(shí)線中的編號(hào)點(diǎn)表示真實(shí)值V-real，虛線中的編號(hào)點(diǎn)表示預(yù)測(cè)值V-simu，真實(shí)值和預(yù)測(cè)值隨樣本的變化趨勢(shì)基本一致，證明了不同訓(xùn)練與驗(yàn)證比下，標(biāo)定后的模型對(duì)于結(jié)果的敏感性。

為形象表示模型預(yù)測(cè)效果，繪制預(yù)測(cè)效果散點(diǎn)圖，如圖15所示。預(yù)測(cè)獲得的橫向速度較小，大多在[-0.8,0.8]m·s-1內(nèi)，未出現(xiàn)離群點(diǎn)，說明該模型的計(jì)算結(jié)果較穩(wěn)定，且可使車輛實(shí)現(xiàn)決策下的平穩(wěn)換道。識(shí)別錯(cuò)誤的樣本中，其橫向速度的預(yù)測(cè)值集中在0 值附近，經(jīng)過軌跡驗(yàn)證，該類車輛存在換道橫向擺動(dòng)的現(xiàn)象較多，反映擬人換道決策時(shí)駕駛?cè)说莫q豫心理，使橫向速度識(shí)別產(chǎn)生誤差，對(duì)模型結(jié)果產(chǎn)生一定干擾。

圖15 模型預(yù)測(cè)效果散點(diǎn)圖Fig.15 Scatterplot of model prediction effects

經(jīng)統(tǒng)計(jì)，模型預(yù)測(cè)正確率如表6所示。當(dāng)訓(xùn)練集與驗(yàn)證集比例為72%∶28%時(shí)，最優(yōu)模型總體正確率為91.42%，其中，向左換道預(yù)測(cè)正確率達(dá)到89.47%，向右換道預(yù)測(cè)正確率達(dá)到93.75%，隨機(jī)劃分訓(xùn)練集與驗(yàn)證集比例下所獲得的不同模型的平均正確率為90.34%；當(dāng)訓(xùn)練集與驗(yàn)證集比例為65%∶25%時(shí)，最優(yōu)模型總體正確率為88.64%，其中，向左換道預(yù)測(cè)正確率達(dá)到86.36%，向右換道預(yù)測(cè)正確率達(dá)到90.91%，隨機(jī)劃分訓(xùn)練集與驗(yàn)證集比例下所獲得的不同模型的平均正確率為86.67%；當(dāng)訓(xùn)練集與驗(yàn)證集比例為57%∶43%時(shí)，最優(yōu)模型總體正確率為88.68%，其中，向左換道預(yù)測(cè)正確率達(dá)到91.30%，向右換道預(yù)測(cè)正確率達(dá)到86.67%，隨機(jī)劃分訓(xùn)練集與驗(yàn)證集比例下所獲得的不同模型的平均正確率為88.82%；當(dāng)訓(xùn)練集與驗(yàn)證集比例為50%∶50%時(shí)，最優(yōu)模型總體正確率為90.32%，其中，向左換道預(yù)測(cè)正確率達(dá)到92.00%，向右換道預(yù)測(cè)正確率達(dá)到89.18%，隨機(jī)劃分訓(xùn)練集與驗(yàn)證集比例下所獲得的不同模型的平均正確率為89.21%。結(jié)果表明，本文所建立的模型精度較高，泛化能力較好，且具有一定的魯棒性。

表6 最優(yōu)模型正確率和隨機(jī)劃分集平均正確率Table 6 Correctness of optimal model and average correctness of randomly divided set

4.4 模型對(duì)比

為進(jìn)一步評(píng)價(jià)本文所建換道決策模型的合理性，分別選取支持向量機(jī)(Support Vector Machines,SVM)、隨機(jī)森林(Random Forest,RF)、樸素貝葉斯(Na?ve Bayse,NB)、K-近鄰算法(K-Nearest Neighbor,KNN)、邏輯回歸(Logistic Regression,LR)與本文模型進(jìn)行性能對(duì)比，使用相同的數(shù)據(jù)集評(píng)估上述模型性能。為保證各模型輸入輸出參數(shù)的同質(zhì)性，將本文模型中涉及到的所有基礎(chǔ)參數(shù)作為對(duì)比模型的輸入?yún)?shù)，以正確率為輸出參數(shù)，為避免模型過擬合，采用隨機(jī)排列交叉驗(yàn)證方法，取平均正確率作為模型預(yù)測(cè)效果對(duì)比指標(biāo)。

由于輸入?yún)?shù)維度較高，為降低噪聲信息對(duì)模型性能的干擾，通過主成分分析法PCA 指定解釋方差百分比為95%，85%，75%分別選取主成分，搜索其他分類器在決策中的最優(yōu)性能。模型性能對(duì)比結(jié)果如表7 所示，從預(yù)測(cè)結(jié)果可以看出，本文提出模型的正確率與SVM、KNN、LR、RF 和NB 相比分別高2.5%、4.1%、4.9%、8.1%和9.8%，說明本文所提出的模型性能更優(yōu)。

表7 模型性能對(duì)比結(jié)果Table 7 Model performance comparison results

5 結(jié)論

本文構(gòu)建以引力理論為框架，以綜合競(jìng)爭(zhēng)力為媒介，以車輛橫向速度為求解目標(biāo)的自動(dòng)駕駛擬人換道決策模型。主要?jiǎng)?chuàng)新點(diǎn)如下：考慮換道車輛駕駛風(fēng)格的影響并根據(jù)鄰近前車間距和速度差建立換道意愿函數(shù)，引入虛擬單元解決前方無車情境下?lián)Q道意愿無法量化的問題；提出一種基于悲觀主義原則的換道競(jìng)爭(zhēng)行為分析方法，假設(shè)周圍車輛均與主車產(chǎn)生競(jìng)爭(zhēng)行為，基于車頭間距比和駕駛風(fēng)格差提出車輛個(gè)體間的潛在競(jìng)爭(zhēng)強(qiáng)度概念，用低復(fù)雜度函數(shù)衡量主車各決策下的換道優(yōu)勢(shì)，有效客觀地刻畫車輛之間的交互行為及其對(duì)換道決策產(chǎn)生的影響；以換道意愿為等效引力常量和綜合競(jìng)爭(zhēng)強(qiáng)度為等效質(zhì)量，以速度“偽距”和加速度“偽距”為等效距離，應(yīng)用引力理論的正反比關(guān)系，構(gòu)建用于決策選擇的競(jìng)爭(zhēng)力表達(dá)式。

本文得出的主要結(jié)論如下：

(1)當(dāng)訓(xùn)練集與驗(yàn)證集比例為72%∶28%時(shí)，最優(yōu)模型總體正確率為91.42%，說明本文提出的換道決策模型具有可行性。采用RPCV 方法進(jìn)行模型泛化能力評(píng)估，隨機(jī)劃分集平均正確率穩(wěn)定分布在87.67%～90.34%內(nèi)，說明本文模型在不同訓(xùn)練集與驗(yàn)證集比例下具有較強(qiáng)的魯棒性和泛化能力。

(2)與SVM、KNN、LR、RF 和NB 模型相比，本文模型在正確率上分別高出2.5%，4.1%，4.9%，8.1%和9.8%，說明本文模型較傳統(tǒng)模型在決策性能上具有一定的優(yōu)越性。

(3)本文構(gòu)建的換道決策模型結(jié)構(gòu)清晰且輸入輸出關(guān)系明確，以道路上車輛運(yùn)行的真實(shí)軌跡數(shù)據(jù)為依據(jù)標(biāo)定模型參數(shù)，相比于數(shù)據(jù)驅(qū)動(dòng)的換道決策模型更具有解釋性，為自動(dòng)駕駛環(huán)境下的擬人化換道決策過程提供建模思路，也為自動(dòng)駕駛車輛換道決策機(jī)制和換道狀態(tài)評(píng)估等研究提供支持和依據(jù)。