基于駕駛員類型分析的智能車輛交叉口行為決策

宋威龍，熊光明，王詩源，陳慧巖

(北京理工大學 機械與車輛學院， 北京 100081)

?

基于駕駛員類型分析的智能車輛交叉口行為決策

宋威龍，熊光明，王詩源，陳慧巖

(北京理工大學 機械與車輛學院， 北京 100081)

提出一種基于車輛行為交互的兩階段智能車輛交叉口行為決策方法. 第一階段通過基于模糊邏輯的駕駛員激進程度判別模型，判斷交叉口其他車輛的駕駛員類型；第二階段通過駕駛員激進程度與碰撞到達時間(TTC)進行行為決策. 使用Prescan和Matlab/Simulink進行交叉口聯(lián)合仿真. 結果表明，該方法可以使智能車輛安全有效通過有其他車輛通行的交叉路口.

智能車輛；駕駛員類型；行為決策；交叉口

交叉口智能車輛與其他車輛的交互問題，是當前的一個熱點問題.美國DARPA挑戰(zhàn)賽中，冠軍Boss針對典型的T型路口，通過閾值測試，給出了車輛可以充分加減速的可通過情形[1].但是，對于可能發(fā)生沖突的情況，采用了較為保守的駕駛策略，通過減速以及停車等待等方法規(guī)避沖突，而并沒有考慮其他車輛潛在的讓行意圖，這可能導致沖突兩車同時減速而影響通行效率.Quinlan等基于先到先服務通行原則以及車輛與基礎設施通信技術，研究了智能車輛交叉口的通行問題[2-3].然而該研究并沒有考慮到駕駛員駕駛意圖[4]所帶來的影響，若其他車輛通行時不遵守該規(guī)則，則智能車輛的安全通行便會受到很大影響.

激進的駕駛行為是交通事故產(chǎn)生最重要的原因之一. 此外，激進、普通以及保守類型的駕駛員具有不同的駕駛行為，是存在潛在沖突時智能車輛讓行與否的重要依據(jù).車道行駛場景下，谷歌無人車通過判別周邊車輛是否為激進駕駛員，進行駕駛模式的切換. 因此，將駕駛員類型[5-8]引入智能車輛行為決策系統(tǒng)，對提高現(xiàn)有路口交互方法的安全性與時效性具有重要的意義，有助于智能車輛在真實城市交通環(huán)境中的安全穩(wěn)定行駛.

文中在作者已有研究工作基礎上[7]，解決智能車輛與其他車輛在路口交互過程中存在潛在沖突時的行為決策問題. 通過引入駕駛員類型的概念，將該問題轉(zhuǎn)換為其他車輛駕駛員激進程度的判斷問題. 基于模糊邏輯，設計了駕駛員激進程度判別模型. 基于其他車輛的行駛意圖、相對智能車輛的激進程度以及車輛距離沖突點的碰撞時間(time to collision，TTC)，建立行為決策規(guī)則表，并以此控制智能車輛安全有效的通過交叉口.

1 智能車輛交叉口行為決策框架

文中所針對的場景如圖1所示，智能車輛直行通過交叉口，實線圓圈區(qū)域代表車輛與基礎設施通信(V2I)的通信距離. 在通信距離范圍之內(nèi)，智能車輛可以與基礎設施通信并獲得其他車輛的速度、加速度、位置等信息. 當其他車輛進入駕駛意圖識別算法生效區(qū)域后，智能車輛能夠通過基于有限狀態(tài)機的駕駛意圖識別方法[7]有效判斷其他車輛駕駛意圖(左轉(zhuǎn)、右轉(zhuǎn)、直行、停車)，并以此判斷兩車行駛路線是否存在潛在的沖突. 文中研究的核心在于解決兩車沖突時智能車輛的決策問題.

基于V2I技術，智能車輛可以獲知其他車輛的位置、速度、加速度等車輛狀態(tài)信息，基于該信息、本車狀態(tài)信息以及路口的幾何信息，文中將智能車輛交叉口行為決策問題分解為兩階段決策過程：其他車輛駕駛員類型判斷階段與智能車輛行為決策階段. 其他車輛駕駛員類型判斷階段為從智能車輛與其他車輛進入有效通信范圍(圖1中實線圓圈區(qū)域)到其他車輛進入駕駛意圖識別算法生效區(qū)域(圖1虛線圓圈區(qū)域)之間的交互過程. 該階段基于其他車輛的行駛速度與縱向加速度，通過模糊邏輯設計了其他車輛駕駛員激進程度判別方法，判別其他車輛的駕駛員激進程度. 智能車輛行為決策階段為從其他車輛進入駕駛意圖識別算法生效區(qū)域到路口交互結束的整個過程. 當智能車輛到達交叉口區(qū)域后，通過有限狀態(tài)機判別其他車輛的行駛方向，對于潛在的沖突區(qū)域，基于TTC和駕駛員相對激進程度，設計了相應的行為決策規(guī)則，將加速、減速、勻速行駛的指令發(fā)給智能車輛控制系統(tǒng)，控制智能車輛安全、有效通過十字交叉口.

2 基于模糊邏輯的駕駛員類型劃分

為實現(xiàn)駕駛員類型劃分的模糊邏輯推理，首先將速度、加速度離散為語言變量，然后構建模糊邏輯規(guī)則，將模糊推理的結果最后經(jīng)過解模糊得到駕駛員激進程度值. 對于加速度的選擇，參照文獻[8]，只保留加速度值大于0.4 m/s2或小于-0.4 m/s2并且加速時間達到0.5 s的階段，作為加速度進行計算，速度加速度輸入值由式(1)～(2)得到.

(1)

(2)

式中：vi、ai分別為i時刻的速度、加速度值，Nv、N分別為接收速度、加速度信息所對應時刻的次數(shù).

在文中所示的城市道路中，假定車道行駛時限速為60 km/h(約等于16.67 m/s)，進而構建速度隸屬度函數(shù)，將速度值模糊化為語言變量極小(NS)、小(S)、中位(M)、大(H)、極大(PH). 加速度值模糊化為語言變量低(S)、中位(M)、高(H). 輸出駕駛員激進程度模糊化為保守(C)、普通(N)、激進(A). 各變量的隸屬度函數(shù)如圖2所示.

針對語言變量，構建模糊規(guī)則表，如表1所示，表中第一行表示速度語言變量，第一列表示加速度語言變量，每個速度、加速度語言變量相交的位置為所對應的駕駛激進程度語言變量.

該部分模糊推理的模糊蘊含關系采用Mamdani法則，輸出變量解模糊采用重心法，計算得到不同速度、加速度下駕駛員激進程度輸出曲面如圖3所示. 由此，就得到了不同速度，加速度輸入與駕駛員駕駛激進程度值之間的對應關系.

表1 模糊邏輯規(guī)則表

3 交叉口沖突區(qū)域與TTC分析

交叉口沖突區(qū)域的選擇主要有將車輛假設為質(zhì)點求得不同車輛行駛曲線的交叉點，以及在此基礎上考慮車輛尺寸兩種方式.然而車輛在車道內(nèi)的行駛軌跡并不確定，這使得所選定的沖突點隨時間可能會發(fā)生變化.文中將車道線約束考慮在內(nèi)，如圖4所示(根據(jù)有限狀態(tài)機方法已判斷其他車輛要左轉(zhuǎn)通過路口)，區(qū)域A即為兩車的潛在沖突區(qū)域，而點O(十字交叉口中心點)即為潛在沖突的起點，故將點O選取為TTC計算的參考點.其他車輛以及智能車輛距離點OTTC計算公式為

(3)

式中：di(i=1，2)為智能車輛與其他車輛距離參考點O的距離；vi(i=1，2)為兩者速度；TOi(i=1，2)為智能車輛與其他車輛距離參考點O的TTC.

若兩輛車存在潛在沖突，則需要滿足

(4)

(5)

式中Li為車輛長度，為保證安全，選取兩倍車輛長度計算時間閾值Tth.

4 基于TTC的智能車輛交叉口行為決策機制

根據(jù)式(4)～(5)，可以判定智能車輛與其他車輛是否存在潛在沖突. 當存在潛在沖突時智能車輛行為決策流程如圖5所示. 首先計算其他車輛與智能車輛到達沖突區(qū)域的時間，若時間差小于安全閾值，則進一步根據(jù)第一階段的駕駛歷史數(shù)據(jù)判定其他車輛與智能車輛的駕駛激進程度差值. 若該值大于激進判定啟發(fā)值，則根據(jù)行為決策規(guī)則表選取當前決策方案，進一步進行智能車輛的速度控制，最終安全通過交叉口. 若兩者激進程度基本相同，則通過調(diào)整智能車輛自身速度，改變兩者激進程度差，通過決策規(guī)則表得到適當決策結果，進而控制智能車輛通過交叉口.

智能車輛與其他車輛之間的相對駕駛激進程度大小ΔA

(6)

對于不同的ΔA，當ΔA<-0.05時認為前者相對后者為保守類型;當ΔA>0.05時為激進類型;當-0.05≤ΔA≤0.05為普通類型.

為了保證駕駛安全性，智能車輛需要滿足使用最大減速度情況下在沖突區(qū)域前能夠停車這一先驗要求. 故存在潛在沖突情況下智能車輛的運動需要滿足以下約束：

(7)

(8)

車輛的最大減速度adecmax可由車輛模型得到. 由于式(7)～(8)中v1為智能車輛的速度控制量，故選取另兩個參數(shù)TO1以及d1作為行為決策的輸入.根據(jù)模糊邏輯的速度劃分情況，求得決策臨界值，將參數(shù)離散化為表2的幾個區(qū)間. 并以此構建行為決策規(guī)則表，得到其他車輛相對駕駛員類型為激進和保守時的駕駛規(guī)則如表2～表3所示.

表2 其他車輛相對類型為激進時的駕駛規(guī)則表(ΔA<-0.05時)

Tab.2 Drive rules when relative driver type of other vehicle is aggressive (ΔA<-0.05)

d1/mTO1/s020

注：LK為勻速指令，Dec為減速指令，Acc為加速指令.

在相對沖突區(qū)域不同距離以及不同TTC的情況下，智能車輛將分別做出不同的行為決策以與其他車輛進行交互.

表3 其他車輛相對類型為保守時的駕駛規(guī)則表(ΔA>0.05)

Tab.3 Drive rules when relative driver type of other vehicle is conservation (ΔA>0.05)

d1/mTO1/s0

注：同表2.

當-0.05≤ΔA≤0.05時，智能車輛與其他車輛的駕駛激進程度基本相同，調(diào)節(jié)智能車輛自身的駕駛激進程度等級，使ΔA處于表2或表3的范圍，進而可以根據(jù)表中相應規(guī)則進行行為決策生成.

5 仿真實驗

系統(tǒng)采用Prescan7.0.0和Matlab-Simulink/Stateflow進行聯(lián)合仿真，其中Prescan7.0.0 GUI用來搭建仿真需要的基本元素，Simulink處理相關控制器算法. Stateflow建立有限狀態(tài)機模型.仿真環(huán)境見圖4，智能車輛直行通過交叉口，在交叉口的左邊出現(xiàn)其他車輛，其行駛方向為左轉(zhuǎn)通過路口，兩者存在潛在沖突.假定其他車輛距離路口中心100 m時進入通信范圍，距離路口50 m時，智能車輛判斷出其他車輛的行駛意圖.智能車輛的初始速度為15 m/s，道路的限定車速設計為60 km/h (即16.67 m/s).

圖6為其他車輛為保守類型駕駛員時的實驗結果.基于模糊邏輯的駕駛激進程度判別算法，圖6(a)對應的數(shù)據(jù)以及式(6)，求得相對駕駛員激進程度為0.107，進而判定該車輛為保守類型駕駛.根據(jù)圖6(b)的對應關系，通過表3，得到圖6(c)所示的智能車輛決策結果，其中0為勻速行駛，5為退出路口.根據(jù)圖6(d)，6(e)以及6(f)，可以看出，若智能車輛通過減速，等待沖突消解后再通過路口，必須降低到很低的速度讓行其他車輛，這將影響安全性與路口通過效率. 而文中的方法有效地避免了這一缺點，識別了其他車輛減速的意圖，自身平穩(wěn)勻速行駛，避免了潛在沖突，并率先通過路口.

圖7為其他車輛為激進類型駕駛員時的實驗結果. 基于圖7(a)所對應的行駛數(shù)據(jù)以及模糊邏輯的駕駛激進程度判別算法，以及式(6)，求得相對駕駛激進程度為-0.168，進而判定該車輛為激進類型駕駛.

根據(jù)圖7(b)所示的對應關系以及表2，得到圖7(c)前3.5 s所示的智能車輛決策結果，其中0為勻速行駛，1為減速，2為加速，5為退出路口.該圖中對應的加速過程為其他車輛已經(jīng)通過交叉口沖突區(qū)域時，智能車輛加速到自身期望速度的過程. 通過圖7(d)，7(e)以及7(f)，可以看出智能車輛與其他車輛有效交互，減速讓行以順利通過路口.

6 結 論

針對智能車輛在交叉口與其他車輛交互的問題，引入駕駛員類型這一重要因素，提出了基于其他車輛駕駛激進程度的兩階段行為決策方法. 通過其他車輛歷史行駛軌跡，基于模糊邏輯判定其駕駛激進程度，進而結合其他車輛意圖識別，對于潛在的沖突情形提出了分段式行為決策方法，基于TTC與距沖突點距離，建立了不同激進程度下行為決策規(guī)則表. 最后聯(lián)合Prescan和Matlab對智能車輛交叉口動態(tài)交通環(huán)境進行仿真，仿真結果顯示，該方法可以使智能車輛有效識別其他車輛駕駛員類型，實現(xiàn)與不同駕駛員類型的其他車輛交互并安全有效地通過交叉口.

[1] Urmson C， Anhalt J， Bagnell D, et al. Autonomous driving in urban environments: boss and the urban challenge[J]. Journal of Field Robotics， 2008，25:425-466.

[2] Wang C， Peng S P. A multiagent approach to autonomous intersection management[J]. Journal of Artificial Intelligence Research， 2008，31(3):591-656.

[3] Quinlan M， Au T C， Zhu J， et al. Bringing simulation to life: a mixed reality autonomous intersection[C]∥Proceedings of IEEE/RSJ International Conference on Intelligent Robots & Systems. [S.l.]: IEEE, 2010：6083-6088.

[4] Gadepally V， Krishnamurthy A， Ozguner U. A framework for estimating driver decisions near intersections[J]. IEEE Transactions on Intelligent Transportation Systems， 2014，15(15):637-646.

[5] Chen D， Ahn S， Laval J， et al. On the periodicity of traffic oscillations and capacity drop: The role of driver characteristics[J]. Transportation Research Part B Methodological， 2014，59(1):117-136.

[6] Rodrí GuezGonzá Lez A B， Wilby M R， Vinagre Di＇Az J J， et al. Modeling and detecting aggressiveness from driving signals[J]. IEEE Transactions on Intelligent Transportation Systems， 2014，15(4):1419-1428.

[7] 熊光明，李勇，王詩源.基于有限狀態(tài)機的智能車輛交叉口行為預測與控制[J].北京理工大學學報：自然科學版，2015，35(1):34-38.

Xiong Guangming， Li Yong， Wang Shiyuan. Behavior prediction and control method based on FSM for intelligent vehicles in an intersection[J]. Transactions of Beijing Institute of Technology， 2015，35(1):34-38. (in Chinese)

[8] Dorr D, Grabengiesser D, Gauterin F. Online driving style recognition using fuzzy logic[C]∥Proceedings of IEEE Intelligent Conference on Intelligent Transport-ation Systems. [S.l.]: IEEE, 2014:1021-1026.

(責任編輯：孫竹鳳)

Decision Making for Intelligent Vehicles Based on Driver Type Analyzing in an Intersection

SONG Wei-long，XIONG Guang-ming，WANG Shi-yuan，CHEN Hui-yan

(School of Mechanical Engineering， Beijing Institute of Technology， Beijing 100081， China)

A two-stage method of intelligent vehicle(IV) decision making for traffic interaction in an intersection was proposed in this paper. In the first stage, a driver type recognition model was presented based on fuzzy logic to get the aggressive rate of social vehicles. In the second stage, a rule-based decision-making algorithm was used to generate the best behavior for IV based on vehicle’s aggressive ratio and time to collision(TTC). Finally， a Co-simulation with Prescan and Matlab/Simulink was performed to verify the algorithm. The results show that the method could lead IV get through intersection safely and efficiently.

intelligent vehicle; driver type; decision making; intersection

2015-04-22

國家自然科學基金資助項目(91420203)

宋威龍(1988—)，男，博士研究生，E-mail：songweilong8896@gmail.com.

熊光明(1975—)，男，博士，副教授，E-mail: xiongguangming@bit.edu.cn.

TP 242.6

A

1001-0645(2016)09-0917-06

10.15918/j.tbit1001-0645.2016.09.007