建立安全換道域的換道決策與規(guī)劃

汪海松 胡明輝 黎萬洪 曹開斌

收稿日期：2022-01-11

網(wǎng)絡(luò)出版日期：2022-05-16

基金項目：國家自然科學(xué)基金資助項目（52072053）；國家重點研發(fā)計劃項目（2018YFB0106100）。

作者簡介：汪海松（1997—），男，碩士研究生，主要從事智能汽車路徑規(guī)劃與決策研究，（E-mail） 20162306@cqu.edu.cn。

通信作者：胡明輝，男，教授，博士生導(dǎo)師，（E-mail）minghui_h@163.com。

摘要：局部路徑規(guī)劃強調(diào)在微觀交通場景中輸出一條可行駛路徑，對每一離散時刻的路徑點都要求有極高的安全性和舒適性?，F(xiàn)有的局部路徑規(guī)劃方法中鮮有考慮路徑曲率是否連續(xù)、路徑起訖點約束等物理特性的基于安全換道域的換道決策與規(guī)劃方法。本研究中對典型的換道場景建立了臨界安全換道角模型，對無法演變?yōu)閱握系K車換道場景的雙障礙車換道場景建立了安全換道域。對比了幾種常用換道路徑，篩選出B樣條曲線法作為局部路徑規(guī)劃方法，利用換道時間和換道路徑平均曲率確定基于安全換道域的最優(yōu)換道路徑，并提出了基于安全換道域的換道決策，聯(lián)合Simulink和PreScan計算平臺在典型換道場景下實現(xiàn)了所提出的換道策略的仿真驗證。結(jié)果表明，所提出的換道決策和換道路徑規(guī)劃能夠?qū)崿F(xiàn)本車的安全換道。

關(guān)鍵詞：交通安全；安全換道域；運動規(guī)劃；規(guī)則換道決策

中圖分類號：U491 ?????????文獻(xiàn)標(biāo)志碼：A ?????????????文章編號：1000-582X（2024）03-016-14

換道是日常駕駛過程中常見的行為，它是駕駛員根據(jù)周圍車輛的車速、車輛間距等信息綜合作出的非量化決策，比跟馳行為更復(fù)雜，更容易引發(fā)交通事故和道路堵塞^[1-2]。隨著自動駕駛汽車的蓬勃發(fā)展，建立一個安全、準(zhǔn)確的換道軌跡規(guī)劃模型逐漸成為研究重點^[3-4]。

換道決策模型可分為基于馬爾科夫過程和基于規(guī)則的換道模型。Worrall等^[5]于1970年首先提出基于馬爾科夫過程的車輛換道模型，將隨機換道行為看作同質(zhì)的馬爾科夫鏈：未來的換道決策只與當(dāng)前車輛所處的交通環(huán)境有關(guān)，而與車輛的歷史狀態(tài)信息無關(guān)。丁楊等^[6]提出一種基于高斯混合隱馬爾科夫模型（Gaussian mixture model-hidden Markov model，GMM-HMM）和人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）的緊急換道行為預(yù)測方法。首先利用GMM-HMM模型辨別駕駛員的換道行為，然后采用ANN預(yù)測下一時段的駕駛行為，最后再預(yù)測換道過程中的橫向加速度變化率，從而判斷緊急換道的危險程度。1986年，Gipps^[7]提出第一個基于規(guī)則的換道模型，將障礙物、專用車道等因素歸納為具有一系列固定因素的決策樹，這些固定因素被設(shè)計成一個規(guī)則集；在換道過程中，根據(jù)重要程度對每一個規(guī)則依次進(jìn)行評估，最終輸出是否進(jìn)行換道行為。Balal等^[8]基于模糊規(guī)則提出一種二元模糊推理系統(tǒng)來模擬高速公路上車輛的換道行為，并用NGSIM（Next Generation Simulation）數(shù)據(jù)集對模型進(jìn)行了測試和驗證。李娟等^[9]將相對速度、間距、最遲換道距離和駕駛員性格等4個因素作為模糊推理系統(tǒng)的輸入變量，以換道支持度為輸出變量，建立了3種不同的換道規(guī)則，并以此來構(gòu)建模糊推理換道模型。

換道路徑規(guī)劃方法主要有人工勢場法和曲線擬合法。Khabit^[10]于1985年首次提出人工勢場法。Malone等^[11]在機器人路徑規(guī)劃中建立虛擬力場模型，并產(chǎn)生隨機的點集，將點相連作為優(yōu)化路徑。Golan等^[12]引進(jìn)溫度場的概念，并定義障礙物溫度高、目標(biāo)溫度低，通過對溫度場求梯度實現(xiàn)機器人的路徑規(guī)劃。唐志榮等^[13]利用橢圓化距離代替?zhèn)鹘y(tǒng)斥力勢場中的實際距離，引入道路邊界斥力場模型，從而在較小車道空間內(nèi)獲得汽車避撞局部路徑。陳虹等^[14]在劃分車道可行區(qū)域基礎(chǔ)上，以區(qū)域虛擬力場進(jìn)行動態(tài)交通場景模擬，然后結(jié)合劃分的車道區(qū)域確定各虛擬力場的作用區(qū)域。人工勢場法規(guī)劃的局部路徑一般未考慮行駛曲率是否超限、曲率是否連續(xù)等物理條件，也沒有考慮到沿著路徑運行時的舒適性等要求。曲線擬合法通過在道路上選取關(guān)鍵點，利用曲線擬合函數(shù)，生成局部路徑曲線。Park等^[15]使用五次多項式曲線生成平滑路徑，并利用數(shù)值優(yōu)化方法優(yōu)化該曲線；Zhou等^[16]將3次多項式函數(shù)作為換道軌跡，但其平滑性不好；裴紅蕾^[17]和任玥等^[18]采用五次多項式曲線獲得平滑路徑；Hossein等^[19]利用貝塞爾曲線插值方法，獲得車輛避障路徑；由于貝塞爾曲線控制靈活性較差，且不容易局部修改；Berglund等^[20]通過用n次B樣條基函數(shù)更換伯恩斯坦基函數(shù)改進(jìn)了貝塞爾曲線，該曲線被稱為B樣條曲線，并應(yīng)用在自動駕駛汽車的路徑規(guī)劃上。

針對當(dāng)前研究現(xiàn)狀，本研究聚焦于在直線道路場景下所有通行車輛均保持道路中線勻速行駛時的最優(yōu)換道路徑規(guī)劃方法，從安全性、舒適性等方面著手，分析了典型的2種換道場景，分別建立對應(yīng)的臨界安全換道角模型；對比了多項式曲線、Dubins曲線、正弦曲線及B樣條曲線等曲線的曲率、起訖點約束性等物理特性，篩選了B樣條曲線法作為局部路徑規(guī)劃方法，結(jié)合安全換道角的概念提出了基于安全換道域的最優(yōu)換道路徑規(guī)劃方法；設(shè)定了典型換道場景，并利用Simulink和PreScan實現(xiàn)了自動駕駛的場景仿真。

1換道場景分析

根據(jù)行車道和超車道的車輛分布數(shù)量可以初步分為單障礙車換道場景和雙障礙車換道場景。

1.1單障礙車換道場景分析

在可視范圍內(nèi)當(dāng)本車道或目標(biāo)車道僅有一輛障礙車時，稱為單障礙車換道場景，如圖1所示的2種換道場景，黃車為本車，藍(lán)車和紅車為障礙車，換道場景的相關(guān)定義見表1。

圖1中的白色細(xì)虛線代表車道中心線，黃色虛線代表換道參考路徑，2個黃色圓點表示本車的換道起點或終點，分別稱為換道點和并道點。圖（a）表示黃車和藍(lán)車位于同一車道，黃車換道點距離藍(lán)車距離為；圖（b）橫向上紅車位于超車道（即黃車的換道目標(biāo)車道），縱向上當(dāng)黃車的換道點位于紅車的后方時定義為正，反之為負(fù)。

1.2雙障礙車換道場景分析

當(dāng)本車道和目標(biāo)車道各有一輛障礙車時，稱之為雙障礙車換道場景，如圖2所示。

雙障礙車就是場景1和場景2兩種單障礙車換道場景的復(fù)合，黃車與紅車、藍(lán)車的相對位置（）及3輛車的行車速度（）大小關(guān)系對黃車的換道決策影響極大。分析可知，當(dāng)藍(lán)車和紅車速度不等時，黃車總能通過一定的換道預(yù)操作（如加速、減速、勻速跟馳）將雙障礙車換道場景演變?yōu)閳鼍?或者場景2單障礙車換道場景；而當(dāng)藍(lán)車和紅車速度相等時，黃車的換道空間僅取決于此時的和，盡管無法演變?yōu)閱握系K車換道場景，但仍能參考場景1和場景2的結(jié)果做進(jìn)一步研究。

2換道角及安全換道域

2.1單障礙車換道角建模

圖3為場景1中的黃車與藍(lán)車角碰示意圖，為計算方便，將黃車的換道路徑近似處理為一條直線。設(shè)置圖中所有車輛的長度L為4 728 mm，寬度W為1 845 mm；所有車道寬度d為3.5 m。

設(shè)黃車換道點為A，沿著AC直線換道，定義換道角。當(dāng)行駛至C點后，若黃車與行駛了路程后到達(dá)B點的藍(lán)車的左后方剛好發(fā)生角碰，此時稱為最小臨界安全換道角。

據(jù)此，可得黃車從開始變道到剛好發(fā)生角碰的所經(jīng)歷的時間為

同樣地，在類似場景2的單障礙車換道場景中，只要給定，均能繪制如圖4所示的最大臨界安全換道角曲面，然后通過和便可插值求得最大臨界安全換道角，且通過適當(dāng)減小換道角即可實現(xiàn)安全換道。臨界安全換道角其余變化規(guī)律與場景1相似，不再贅述。

2.2安全換道域

針對場景1和場景2兩種場景建立的臨界安全換道角模型，適用于單障礙車換道場景或者可以演變?yōu)閱握系K車換道場景的雙障礙車換道場景。對于無法演變?yōu)閱握系K車換道場景的雙障礙車換道場景，則可以將2種臨界安全換道角模型相結(jié)合，如圖5所示。

根據(jù)和插值獲得最小臨界安全換道角，根據(jù)和可以插值獲得最大臨界安全換道角。那么只要實際換道角介于與之間，即可保證安全換道，故定義圖5所示△ABC黃色區(qū)域為安全換道域。

然而，在安全換道角建模中，黃車在換道點后的換道軌跡被處理為沿著某直線行駛，這將導(dǎo)致車輛行駛至該換道點后，航向角從0突變?yōu)?，同時車輛到達(dá)并道點后航向角又從突變?yōu)??？紤]到車輛的換道過程是一個連續(xù)時變過程，故這在實際中是無法實現(xiàn)的。因此，在所建立的安全換道域理論框架基礎(chǔ)上，有必要進(jìn)一步研究適合車輛行駛的安全換道路徑曲線。

3基于安全換道域的換道路徑規(guī)劃

3.1B樣條曲線的定義

B樣條曲線基于貝塞爾曲線發(fā)展而來，具有連續(xù)性、凸包性等多種優(yōu)良性質(zhì)。設(shè)有一共n+1個控制點，這些控制點用于定義樣條曲線的走向和界限范圍。k階B樣條曲線的定義為

當(dāng)階數(shù)k>1時，k階B樣條基函數(shù)是由2個k-1階的B樣條基函數(shù)構(gòu)成，當(dāng)時，由于是常數(shù)，故是關(guān)于u的一次函數(shù)。照此規(guī)律，k階B樣條基函數(shù)是一個關(guān)于u的k-1次函數(shù)。涉及到一共k+1個節(jié)點，k個區(qū)間，因此從到共涉及一共n+k+1個節(jié)點，即節(jié)點向量為

根據(jù)節(jié)點值的大小變化關(guān)系，可以進(jìn)一步將B樣條曲線分為均勻B樣條曲線、準(zhǔn)均勻B樣條曲線及分段貝塞爾曲線。其中，當(dāng)兩端節(jié)點具有重復(fù)度k，如，則為準(zhǔn)均勻B樣條曲線，由于準(zhǔn)均勻B樣條曲線具有更加優(yōu)良的性質(zhì)，其用途最為廣泛。

B樣條曲線是貝塞爾曲線的推廣，兩者之間的區(qū)別在于所使用的基函數(shù)不同。以Bernstein基函數(shù)構(gòu)造的貝塞爾曲線有許多優(yōu)點，但是仍有不足：1）貝塞爾曲線或曲面不能做局部修改，控制多邊形的一個頂點發(fā)生變化，整條貝塞爾曲線的形狀便會發(fā)生變化；2）控制性較差，當(dāng)控制頂點較多時，曲線的階次較高，控制多邊形對曲線的控制將明顯減弱；3）雖然可以進(jìn)行曲線的拼接，但是貝塞爾曲線的拼接比較復(fù)雜。B樣條曲線克服了貝塞爾曲線的缺點，B樣條曲線具有基函數(shù)可選擇性和局部可修改性，當(dāng)改變某一個頂點時不會對整條曲線的形狀產(chǎn)生影響，具有很好的局部調(diào)節(jié)作用，而且克服了貝塞爾曲線的光滑拼接復(fù)雜的問題，B樣條曲線的斜率是連續(xù)變化的，曲線非常平滑。

3.2換道路徑類型篩選

換道過程所涉及的局部路徑規(guī)劃方法多種多樣，常見的局部路徑規(guī)劃方法有多項式插值曲線法、Dubins曲線法、正弦曲線法、基于貝塞爾曲線法發(fā)展的B樣條曲線法等。前文中已經(jīng)設(shè)定黃車在換道過程中速度保持恒定，在篩選換道路徑類型時，僅從路徑本體討論不同路徑類型的優(yōu)劣。一般來說，有以下2個要求。

1）路徑曲率的倒數(shù)是車輛在該點的轉(zhuǎn)彎半徑。車輛在行駛過程中，方向盤只能連續(xù)漸變，不能突變，這要求路徑曲率連續(xù)變化，無突變情況。

2）在車輛的換道點和并道點處，要求路徑在兩點的切線與車道中心線平行，以保證車輛在兩點的速度方向平行于車道中心線。此外，還要求路徑在兩點的曲率為0，以保證此時方向盤位于原位。

圖6為場景1的局部路徑規(guī)劃示意圖。以A點（0，-1.75）為換道點，B點（50，1.75）為并道點，建立模擬換道場景，分別利用五次多項式曲線等4種局部路徑規(guī)劃方法得到4種局部路徑及路徑曲率，如圖7所示。

1）五次多項式曲線同時滿足了首末點曲率為0和曲率連續(xù)變化的要求。但五次多項式曲線同時規(guī)劃了路徑和速度信息，若考慮周邊車輛的未來路徑對本車的路徑規(guī)劃影響，則較難將這種影響量化為約束表達(dá)式，不易求得多項式系數(shù)，也就無法快速求解路徑。

2）Dubins曲線的路徑曲率出現(xiàn)了2次跳變。若車輛跟隨該路徑行駛，則要求車輛行駛到C點后立刻停車，然后將方向盤回正，當(dāng)繼續(xù)行駛到D點后又立刻停車，并將方向盤轉(zhuǎn)到滿足圓弧段轉(zhuǎn)彎半徑的角度后，再繼續(xù)行駛。顯然，Dubins換道路徑并不符合實際行駛要求。

3）正弦曲線換道路徑的路徑曲率滿足了連續(xù)變化的要求，但在換道點和并道點的曲率不為0，將導(dǎo)致車輛行駛至并道點后方向盤未在原位，后續(xù)將偏離車道中心線。故正弦曲線換道路徑也不符合實際行駛要求。

4）B樣條曲線幾近完美地規(guī)避了上述幾種換道曲線的缺陷，又保留了它們的優(yōu)勢，是較為理想的一種換道路徑類型。

一般來說，B樣條曲線的次數(shù)越低，樣條曲線逼近控制點效果越好；次數(shù)越高，則曲線的導(dǎo)數(shù)次數(shù)也較高，那么將有很多零點存在，較多的導(dǎo)數(shù)零點導(dǎo)致原曲線存在較多的極值，使曲線出現(xiàn)較多的峰谷值。三次準(zhǔn)均勻B樣條曲線能夠?qū)崿F(xiàn)二階導(dǎo)數(shù)連續(xù)，是最為理想的換道路徑曲線。

3.3基于安全換道域的B樣條曲線換道路徑

圖8為雙障礙車換道場景，設(shè)藍(lán)車、黃車及紅車的速度關(guān)系滿足，由于紅車和藍(lán)車的距離保持不變，兩車將一直以該相對位置出現(xiàn)在場景中，故該場景無法演變?yōu)閱握系K車換道場景，可以利用安全換道域模型規(guī)劃直線段換道路徑。很顯然，直線段換道路徑并不符合實際，在建立的安全換道域理論框架基礎(chǔ)上，引入三次準(zhǔn)均勻B樣條曲線進(jìn)行換道局部路徑規(guī)劃。

圖8中，定義按照直線段行駛的換道點B為假想換道點，按照曲線段行駛的換道點A為實際換道點。根據(jù)前文，若，則△BDG定義為安全換道域，域內(nèi)任選一條換道直線段BE即可保證安全換道。對于無法演變?yōu)閱握系K車換道場景的雙障礙車換道場景，定義換道角，從而確定假想換道線段BE。實際上，換道路徑不可能是線段ABCEF，而應(yīng)當(dāng)是類似圖8中綠色實線的換道路徑ACF。理由如下：在實際路徑曲線與假想換道線段長度相等的前提下，假想的換道線段BE分割了藍(lán)車和紅車所在區(qū)域，黃車跨過車道分界線C點前，只要滿足實際路徑曲線位于BC左邊，就能保證黃車不與藍(lán)車追尾。同理，黃車跨過C點后，只要滿足實際路徑曲線位于CE右邊，就能保證黃車不與紅車相撞。

上述的A、B、C、E、F剛好可以看作三次準(zhǔn)均勻B樣條曲線的5個控制點，所形成的換道路徑曲線可滿足以下要求：1）路徑曲率處處連續(xù)；2）控制點B保證路徑在A點的切線與AB重合，控制點E同理；3）路徑經(jīng)過C點，且AC部分位于BC左邊，CF部分位于CE右邊；4）路徑在A點和F點的曲率為0；5）定義B、C、E點的坐標(biāo)分別為，定義，分別計算出20條B樣條曲線路徑弧線段ACF的長度和對應(yīng)的直線段路徑ABCEF的長度，并求出兩者的差值，如圖9所示。

由圖9可以看出，越小，兩者長度差值越小。當(dāng)=10 m時，兩者的長度差值約為0.3 m，遠(yuǎn)遠(yuǎn)小于約195 m的路徑長度。因此，可認(rèn)為弧線段ACF和直線段ABCEF長度相等。至此，從理論上論證了基于安全換道域模型利用B樣條曲線進(jìn)行局部路徑規(guī)劃的可行性。

3.4最優(yōu)B樣條曲線換道路徑

在構(gòu)建B樣條曲線時人為定義了5個控制點，即存在以下2個問題：1）當(dāng)及保持恒定時，如何選擇的距離，即假想換道點B；2）當(dāng)確定了假想換道點B后，如何選擇的距離，即實際換道點A。上述問題可以歸納為在一定解空間內(nèi)，尋找滿足特定目標(biāo)函數(shù)的最優(yōu)解。綜合分析文中換道路徑特征和相關(guān)文獻(xiàn)^[21]，定義換道路徑綜合評價函數(shù)為

式中：代表換道路徑長度子目標(biāo)函數(shù)，用于反映換道全程時間；代表換道路徑平均曲率子目標(biāo)函數(shù)，用于反映換道過程的橫向舒適性；和是權(quán)重系數(shù)，考慮到更加注重橫向舒適性，兩者分別取為0.3和0.7；是換道路徑序列的坐標(biāo)；是第i個路徑點的曲率。顯然，綜合評價函數(shù)值越小代表該路徑性能越好。

4基于安全換道域的換道決策

以圖1和圖2為基本換道場景提出的換道決策如圖11所示。

換道決策的流程如下。

1）首先，本車在行車道定速巡航，通過攝像頭、雷達(dá)等傳感器實時獲取周邊環(huán)境的交通車輛的位置與速度信息。當(dāng)小于某個閾值時，觸發(fā)換道意圖。

2）接著，判斷此時本車所處的換道場景，若是單障礙車換道場景，則基于安全換道域模型，利用和插值計算最小（最大）臨界安全換道角，根據(jù)適當(dāng)選擇調(diào)整假想換道角，之后便根據(jù)和繪制綜合評價函數(shù)曲面，選擇最優(yōu)換道路徑。

3）若是雙障礙車速度相等，無法演變?yōu)閱握系K車換道場景，首先建立安全換道域，在2個臨界安全換道角曲面插值得到最大和最小臨界安全換道角，進(jìn)而求得假想換道角，然后利用建立綜合評價函數(shù)曲面，基于該綜合評價函數(shù)曲面挑選最優(yōu)換道路徑。

4）若是雙障礙車換道場景中的另外3種速度關(guān)系，分別討論如下。

由于黃車速度最高、紅車速度最低，黃車期望的并道點及對應(yīng)的藍(lán)車縱向位置應(yīng)當(dāng)在紅車前方。因此，黃車和藍(lán)車都在紅車前方時黃車開始換道最佳。針對換道前和的不同，又分為如下2種情況。

（i）若，此時若觸發(fā)了換道意圖，紅車已經(jīng)不對黃車產(chǎn)生障礙影響，故雙障礙車換道場景演變?yōu)閱握系K車換道場景。

（ii）若，紅車的存在會影響黃車的變道決策，設(shè)經(jīng)過時間t_a后黃車車頭與紅車平齊，則。在時間t_a過程中，對藍(lán)車和黃車做碰撞檢測，若，表明黃車追上紅車時未追尾藍(lán)車，此后黃車位于紅車前方，該場景演變?yōu)閱握系K車換道場景。而若，表明黃車保持車速行駛會與藍(lán)車追尾，故黃車需要做減速處理。設(shè)黃車以減速度逐步減速至?xí)r剛好與藍(lán)車追尾，則有如下關(guān)系式：

式中，為黃車減速至過程中藍(lán)車的行駛距離。

求解式（10）得到黃車的臨界安全減速度。因此，為保證黃車在減速過程中不與藍(lán)車追尾，則黃車實際減速度應(yīng)當(dāng)滿足。當(dāng)兩者速度相等后，黃車保持的速度跟馳，直到黃車超越紅車，進(jìn)而再擇機換道。

由于紅車速度最高，黃車期望的并道點在紅車后方。針對和的相對大小，分為2種情況：

黃車車速最高，黃車的期望并道點在紅車前方，針對和的不同，分為2種情況：

5仿真

5.1設(shè)定典型換道場景

以圖11的速度關(guān)系的雙障礙車換道場景為例，設(shè)初始時刻，其中分別代表本車道障礙車、本車和目標(biāo)車道障礙車的初始速度，分別代表本車道障礙車、本車和目標(biāo)車道障礙車的起始位置的橫坐標(biāo)，并定義觸發(fā)換道意圖的閾值。將整個換道過程劃分為如下6個階段。

5.1.1定速巡航階段

初始條件中，未觸發(fā)換道意圖，此時黃車保持定速巡航，設(shè)經(jīng)過時間后，黃車與藍(lán)車的距離減小為閾值，則定速巡航階段經(jīng)歷時間為

5.1.2勻減速階段

當(dāng)時，觸發(fā)換道意圖。首先判斷追尾碰撞檢測是否合格，設(shè)黃車與紅車車頭平齊經(jīng)歷時間為，則有

此時藍(lán)車與黃車行駛的路程分別為

由于，若黃車保持勻速行駛追趕紅車，將導(dǎo)致黃車與藍(lán)車追尾，故黃車應(yīng)當(dāng)采取制動減速。設(shè)黃車以減速度逐步減速至?xí)r黃車剛好與藍(lán)車追尾，則有

代入數(shù)值，解得。因此，只要滿足，黃車與藍(lán)車便不會追尾。在此定義減速度，當(dāng)黃車減速至?xí)r，耗時為：

則黃車和紅車在此階段的行駛距離和分別為

5.1.3勻速跟馳階段

若黃車減速至?xí)r還未與紅車的車頭平齊，進(jìn)入勻速跟馳階段，以達(dá)到黃車與紅車的車頭平齊，設(shè)該階段經(jīng)歷時間為，則

5.1.4預(yù)換道加速階段

勻速跟馳階段結(jié)束后，需要根據(jù)建立換道路徑簇的綜合評價函數(shù)曲面。由圖10可知，對綜合評價函數(shù)影響較低，取10 m較合適，故設(shè)假想換道點與藍(lán)車的期望距離，并設(shè)換道前的期望速度為，期望加速度為。

5.1.5換道階段

預(yù)換道加速階段結(jié)束后，采用B樣條曲線進(jìn)行換道擬合，進(jìn)入換道階段。

5.1.6超車道定速巡航階段

當(dāng)黃車換道駛?cè)氤嚨篮螅M(jìn)入定速巡航階段。

5.2基于PreScan和Simulink的換道場景聯(lián)合仿真

借助PreScan軟件構(gòu)建換道場景，并利用Simulink在邏輯判斷、流程控制方面的優(yōu)勢，實現(xiàn)兩者聯(lián)合仿真，以驗證所提出的基于安全換道域的換道決策規(guī)劃的安全和有效性。

基于PreScan軟件建立雙障礙車換道場景，場景建模效果如圖12所示。

得到3輛車橫縱向位置隨時間的變化曲線如圖13所示，黑色曲線未與紅色曲線和藍(lán)色曲線相交，即3輛車的路線在時空上沒有相遇，表明本車未與2個車道的障礙車發(fā)生碰撞，驗證了上述換道決策具有一定的安全性。為更加細(xì)致地描述上述換道過程，單獨繪制車速、縱向位置隨仿真時間的變化曲線如圖14所示，其中紅色實線的6個平臺分別代表了本車換道的定速巡航階段、勻減速階段、勻速跟馳階段、換道前加速階段、換道階段和超車道定速巡航階段共6個完整階段。仿真結(jié)果表明，所提出的換道決策和換道路徑規(guī)劃能夠?qū)崿F(xiàn)本車的安全換道。

6結(jié)??論

結(jié)合安全換道角的概念提出了基于安全換道域的最優(yōu)換道路徑規(guī)劃方法，并利用Simulink和PreScan實現(xiàn)了自動駕駛的場景仿真，得到如下結(jié)論。

1）對于無法演變?yōu)閱握系K車換道場景的雙障礙車換道場景（即速度關(guān)系），可以首先建立安全換道域，在2個臨界安全換道角曲面插值得到最大和最小臨界安全換道角，進(jìn)而求得假想換道角，設(shè)定的變化范圍可以獲得一簇B樣條換道路徑曲線，然后用式（9）建立綜合評價函數(shù)曲面，基于該曲面挑選最優(yōu)換道路徑。

2）對于可以演變?yōu)閱握系K車換道場景的雙障礙車換道場景（即速度關(guān)系除之外），則黃車可以通過一定的換道預(yù)操作（如加速、減速、勻速跟馳）騰出換道空間，將其轉(zhuǎn)變?yōu)閱握系K車換道場景后，直接在最大或最小臨界安全換道角的基礎(chǔ)上適當(dāng)調(diào)整一定角度，確定假想換道角即可安全變道。

3）B樣條曲線能夠?qū)崿F(xiàn)路徑曲率連續(xù)變化，無突變，并且路徑在換道點和并道點處的切線與車道中心線平行，所提出的基于安全換道角的換道決策和換道路徑規(guī)劃能夠?qū)崿F(xiàn)本車的安全換道。

參考文獻(xiàn)

［1］??李碩， 楊曉芳. 基于元胞自動機的競爭型換道模型[J]. 交通運輸研究， 2018， 4（4）： 9-15．

Li S， Yang X F. Competitive lane-changing model based on cellular automata[J]. Transport Research， 2018， 4（4）： 9-15. （in Chinese）

［2］??Sharma A，Zheng Z D，Bhaskara A．A pattern recognition algorithm for assessing trajectory completeness[J]. Transportation Research Part C： Emerging Technologies， 2018， 96： 432-457．

［3］??Yu H T， Tseng H E， Langari R. A human-like game theory-based controller for automatic lane changing[J]. Transportation Research Part C： Emerging Technologies， 2018， 88： 140-158.

［4］??陸建， 李英帥. 車輛換道行為建模的回顧與展望[J]. 交通運輸系統(tǒng)工程與信息， 2017， 17（4）： 48-55.

Lu J， Li Y S. Review and outlook of modeling of lane changing behavior[J]. Journal of Transportation Systems Engineering and Information Technology， 2017， 17（4）： 48-55.（in Chinese）

［5］??Worrall R， Bullen A， Gur Y. An elementary stochastic model of lane-changing on a multilane highway[J]. Highway ResearchRecord， 1970， 1（308）： 1-12.

［6］??于揚， 梁軍， 陳龍，等. 基于高斯混合隱馬爾科夫模型與人工神經(jīng)網(wǎng)絡(luò)的緊急換道行為預(yù)測方法[J]. 中國機械工程， 2020， 31（23）： 2874-2882.

Yu Y， Liang J， Chen L， et al. Vehicle emergency lane-changing behavior prediction method based on GMM-HMM and ANN[J]. China Mechanical Engineering， 2020， 31（23）： 2874-2882.（in Chinese）

［7］??Gipps P G. A model for the structure of lane-changing decisions[J]. Transportation Research Part B： Methodological， 1986， 20（5）： 403-414.

［8］??Balal E， Cheu R L， Sarkodie-Gyan T. A binary decision model for discretionary lane changing move based on fuzzy inference system[J]. Transportation Research Part C： Emerging Technologies， 2016， 67： 47-61.

［9］??李娟， 曲大義， 劉聰. 基于模糊推理的駕駛員換道模型[J]. 濟(jì)南大學(xué)學(xué)報（自然科學(xué)版）， 2017， 31（5）： 408-413.

Li J， Qu D Y， Liu C. Lane-changing models research based on fuzzy inference[J]. Journal of University of Jinan （Science and Technology）， 2017， 31（5）： 408-413.（in Chinese）

［10］??Khatib O. Real-time obstacle avoidance for manipulators and mobile robots [J]. The International Journal of Robotics Research， 1986， 5（1）： 90-98.

［11］??Malone N， Chiang H T， Lesser K， et al. Hybrid dynamic moving obstacle avoidance using a stochastic reachable set-based potential field[J]. IEEE Transactions on Robotics， 2017， 33（5）： 1124-1138.

［12］??Golan Y， Edelman S， Shapiro A， et al. Online robot navigation using continuously updated artificial temperature gradients[J]. IEEE Robotics and Automation Letters， 2017， 2（3）： 1280-1287.

［13］??唐志榮， 冀杰， 吳明陽， 等. 基于改進(jìn)人工勢場法的車輛路徑規(guī)劃與跟蹤[J]. 西南大學(xué)學(xué)報（自然科學(xué)版）， 2018， 40（6）： 174-182.

Tang Z R， Ji J， Wu M Y， et al. Vehicle path planning and tracking based on an improved artificial potential field method， Journal of Southwest University （Natural Science Edition）， 2018， 40（6）： 174-182.（in Chinese）

［14］??陳虹，申忱，郭洪艷，等. 面向動態(tài)避障的智能汽車滾動時域路徑規(guī)劃[J]. 中國公路學(xué)報， 2019， 32（1）： 162-172.

Chen H， Shen C， Guo H Y， et al. Moving horizon path planning for intelligent vehicle considering dynamic obstacle avoidance[J]. China Journal of Highway and Transport， 2019， 32（1）： 162-172.（in Chinese）

［15］??Park B， Han W Y. Polynomial curve-based longitudinal motion planning for safe deceleration[C]// 15th International Conference on Control， Automation and Systems （ICCAS）， October 13-16， 2015， Busan， South Korea. IEEE， 2015： 1186-1189.

［16］??Zhou J， Zheng H， Wang J， et al. Multiobjective optimization of lane-changing strategy for intelligent vehicles in complex driving environments[J]. IEEE Transactions on Vehicular Technology， 2020， 69（2）： 1291-1308.

［17］??裴紅蕾. 智能汽車換道避障路徑規(guī)劃與跟蹤方法[J]. 中國安全科學(xué)學(xué)報， 2018， 28（9）： 26-32.

Pei H L. Method of path planning and tracking for intelligent vehicle obstacle avoidance by lane changing[J]. China Safety Science Journal， 2018， 28（9）： 26-32.（in Chinese）

［18］??任玥， 鄭玲， 張巍，等. 基于模型預(yù)測控制的智能車輛主動避撞控制研究[J]. 汽車工程， 2019， 41（4）： 404-410.

Ren Y， Zheng L， Zhang W， et al. A study on active collision avoidance control of autonomous vehicles based on model predictive control[J]. Automotive Engineering， 2019， 41（4）： 404-410.（in Chinese）

［19］??Hossein T N N， Mita S， Long H. Multi-sensor data fusion for autonomous vehicle navigation through adaptive particle filter[C]// 2010 IEEE Intelligent Vehicles Symposium， June 21-24， 2010， La Jolla， CA， USA. IEEE， 2010， 752-759.

［20］??Berglund T， Brodnik A， Jonsson H， et al. Planning smooth and obstacle-avoiding B-spline paths for autonomous mining vehicles[J]. IEEE Transactions on Automation Science and Engineering， 2010， 7（1）： 167-172.

［21］??周慧子， 胡學(xué)敏， 陳龍. 面向自動駕駛的動態(tài)路徑規(guī)劃避障算法[J]. 計算機應(yīng)用， 2017， 37（3）： 883-888.

Zhou H Z， Hu X M， Chen L， et al. Dynamic path planning for autonomous driving with avoidance of obstacles[J]. Journal of Computer Applications， 2017， 37（3）： 883-888.（in Chinese）

（編輯??羅敏）