相鄰車(chē)道車(chē)輛并道預(yù)測(cè)與跟車(chē)控制改進(jìn)的研究?

付 銳，袁小慧，郭應(yīng)時(shí)，馬 勇

(1.長(zhǎng)安大學(xué)汽車(chē)學(xué)院，西安 710064； 2.長(zhǎng)安大學(xué)，汽車(chē)運(yùn)輸安全保障技術(shù)交通行業(yè)重點(diǎn)實(shí)驗(yàn)室，西安 710064)

相鄰車(chē)道車(chē)輛并道預(yù)測(cè)與跟車(chē)控制改進(jìn)的研究?

付 銳1，2，袁小慧1，郭應(yīng)時(shí)1，馬 勇1

(1.長(zhǎng)安大學(xué)汽車(chē)學(xué)院，西安 710064； 2.長(zhǎng)安大學(xué)，汽車(chē)運(yùn)輸安全保障技術(shù)交通行業(yè)重點(diǎn)實(shí)驗(yàn)室，西安 710064)

為在自適應(yīng)跟車(chē)控制中，預(yù)測(cè)相鄰車(chē)道車(chē)輛的并道行為，提前調(diào)整自車(chē)速度控制策略，以提高自車(chē)的乘坐舒適性和安全性，通過(guò)采集和分析實(shí)際道路上自車(chē)與周?chē)?chē)輛的運(yùn)動(dòng)狀態(tài)信息，建立相鄰車(chē)道車(chē)輛并道行為預(yù)測(cè)模型，并在此基礎(chǔ)上對(duì)現(xiàn)有期望間距跟車(chē)模型進(jìn)行改進(jìn)。仿真結(jié)果表明：自車(chē)車(chē)速vM、自車(chē)與前車(chē)的車(chē)頭時(shí)距t1、自車(chē)與前車(chē)的相對(duì)速度vML和自車(chē)與相鄰車(chē)道車(chē)輛的相對(duì)速度vMF可作為預(yù)測(cè)并道行為的表征參數(shù)；所建立的預(yù)測(cè)模型可提前2s預(yù)測(cè)并道行為的類(lèi)型，對(duì)兩種并道行為預(yù)測(cè)的準(zhǔn)確率分別達(dá)到88%和90%；改進(jìn)的期望間距模型使跟車(chē)過(guò)程更加平穩(wěn)，可提高車(chē)輛的舒適性與安全性。

跟車(chē)；并道預(yù)測(cè)；期望間距；Fisher判別法

前言

在跟車(chē)過(guò)程中，如果相鄰車(chē)道車(chē)輛(后簡(jiǎn)稱(chēng)相鄰車(chē))突然并入本車(chē)道，插入至自車(chē)與前車(chē)之間，自車(chē)穩(wěn)定的跟車(chē)狀態(tài)被打破，跟車(chē)間距突然減小，與前車(chē)的相對(duì)速度發(fā)生突變，極易引發(fā)交通事故。如果能夠提前預(yù)測(cè)到相鄰車(chē)道車(chē)輛的并道行為，并做出響應(yīng)，自車(chē)的速度控制會(huì)更加平穩(wěn)，車(chē)輛的乘坐舒適性和安全性均會(huì)得到提高。

目前對(duì)換道行為預(yù)測(cè)方面的研究大多是以換道車(chē)輛為自車(chē)，對(duì)其換道意圖進(jìn)行識(shí)別，較少以相鄰車(chē)道車(chē)輛為研究對(duì)象，研究其并道意圖。文獻(xiàn)[1]中以實(shí)車(chē)試驗(yàn)采集到的自車(chē)速度、自車(chē)與相鄰車(chē)的縱向間距和橫向間距、縱向相對(duì)速度和橫向相對(duì)速度和卡爾曼濾波預(yù)估得到的縱向相對(duì)加速度和橫向相對(duì)加速度等7個(gè)參數(shù)作為特征參數(shù)，采用模糊支持向量機(jī)對(duì)實(shí)車(chē)試驗(yàn)數(shù)據(jù)進(jìn)行訓(xùn)練，并對(duì)相鄰車(chē)道車(chē)輛的并道意圖進(jìn)行識(shí)別。文獻(xiàn)[2]中采用模糊決策思想，認(rèn)為自車(chē)與相鄰車(chē)的橫向間距較小和橫向相對(duì)速度較大時(shí)，相鄰車(chē)更容易并道，采用該種判別方法定性描述了相鄰車(chē)的并道意圖，但未做到量化表達(dá)。文獻(xiàn)[3]中利用一種有關(guān)機(jī)率理論的模型對(duì)行車(chē)過(guò)程中車(chē)輛位置進(jìn)行分析和預(yù)測(cè)，并結(jié)合傳感技術(shù)，能對(duì)開(kāi)啟ACC系統(tǒng)進(jìn)行跟隨行駛的車(chē)輛進(jìn)行分析，并對(duì)本車(chē)道有車(chē)輛并入場(chǎng)景進(jìn)行有效識(shí)別。文獻(xiàn)[4]中使用駕駛模擬器分析了安裝有ACC系統(tǒng)的車(chē)輛跟隨前車(chē)行駛時(shí)，面對(duì)本車(chē)道前方有載貨車(chē)并入的情況，通過(guò)問(wèn)卷的形式對(duì)駕駛?cè)耸欠裥湃蜛CC系統(tǒng)，即是否會(huì)主動(dòng)操作，進(jìn)行調(diào)查和統(tǒng)計(jì)分析，來(lái)衡量駕駛?cè)藢?duì)系統(tǒng)的依賴(lài)程度。文獻(xiàn)[5]中在未劃分車(chē)道線的道路上研究了同一車(chē)道內(nèi)側(cè)前方車(chē)輛對(duì)跟車(chē)行為的影響，指出側(cè)向間距的增加會(huì)導(dǎo)致前后車(chē)跟車(chē)間距減小。文獻(xiàn)[6]中利用攝像機(jī)拍攝通過(guò)某一試驗(yàn)路段的交通流視頻，經(jīng)統(tǒng)計(jì)篩選得到相關(guān)數(shù)據(jù)，分析側(cè)向干擾因素尤其是側(cè)向車(chē)對(duì)后車(chē)的影響情況，從“引力”與“斥力”相互作用的特性角度出發(fā)，建立了考慮側(cè)向車(chē)影響的跟車(chē)模型。文獻(xiàn)[7]中建立駕駛?cè)诵袨闆Q策與車(chē)輛動(dòng)力學(xué)耦合的混合狀態(tài)模型，根據(jù)觀測(cè)到的參數(shù)追蹤目標(biāo)車(chē)輛的連續(xù)狀態(tài)，并采用隱馬爾科夫模型估計(jì)接近交叉口時(shí)駕駛?cè)俗羁赡艿鸟{駛行為。

本文中針對(duì)高速公路上自車(chē)在跟車(chē)過(guò)程中有相鄰車(chē)道車(chē)輛并入自車(chē)車(chē)道這一現(xiàn)象，研究相鄰車(chē)的并入行為及其對(duì)自車(chē)行駛狀態(tài)的影響。篩選車(chē)輛間各運(yùn)動(dòng)狀態(tài)參數(shù)，建立預(yù)測(cè)模型對(duì)相鄰車(chē)輛的并道行為進(jìn)行預(yù)測(cè)，并基于該模型，對(duì)現(xiàn)有的期望間距跟車(chē)模型進(jìn)行改進(jìn)。

1 并道行為特征參數(shù)的選取

本文中研究單向雙車(chē)道上的并道行為。如圖1所示，涉及的車(chē)輛包括自車(chē)M、前車(chē)L0、相鄰車(chē)F1和相鄰前車(chē)L1。試驗(yàn)場(chǎng)景是M車(chē)在本車(chē)道跟隨L0車(chē)行駛；相鄰車(chē)道上F1車(chē)在縱向位于M車(chē)與L0車(chē)之間，且跟隨L1車(chē)行駛。F1車(chē)具有換道意圖，即F1車(chē)隨后會(huì)并道至本車(chē)道，且并道行為有3種情形。第1種情形是F1車(chē)并道至L0車(chē)之前，記為Merg1；第2種情形是F1車(chē)并道至M車(chē)與L0車(chē)之間，記為Merg2；第3種情形是F1車(chē)并道至M車(chē)之后，記為Merg3。由實(shí)際數(shù)據(jù)采集情況看，Merg3情形很少，且對(duì)M車(chē)的影響較小，本文中只討論Merg1和Merg2并道行為。

圖1 3種并道行為

1.1 試驗(yàn)數(shù)據(jù)采集與處理

為采集本研究所需數(shù)據(jù)，進(jìn)行了高速公路實(shí)車(chē)試驗(yàn)。選取兩段交通量適中的全封閉雙向4車(chē)道高速公路為試驗(yàn)路段，路段1限速100km/h，試驗(yàn)里程為57.4km，路段 2限速 110km/h，試驗(yàn)里程為40.5km。有10名駕駛?cè)藚⑴c了本次試驗(yàn)，年齡為28歲至51歲，均值為39.1歲，標(biāo)準(zhǔn)差為6.59歲；駕齡分布范圍為3年至25年，均值為14.4年，標(biāo)準(zhǔn)差為7.04年。試驗(yàn)車(chē)為大眾途安1.8型自動(dòng)擋轎車(chē)，配備有多種數(shù)據(jù)采集設(shè)備，試驗(yàn)時(shí)主要使用德?tīng)柛SR毫米波雷達(dá)、VBOX 3I差分GPS、多通道視頻監(jiān)控系統(tǒng)和CAN數(shù)據(jù)采集卡等設(shè)備。

試驗(yàn)前給參試駕駛?cè)讼逻_(dá)的唯一指令為從出發(fā)地駛往目的地，試驗(yàn)車(chē)上另有一名測(cè)試人員。試驗(yàn)過(guò)程中采集了包括自由行駛、跟車(chē)和換道等所有駕駛行為數(shù)據(jù)。試驗(yàn)后，對(duì)采集的數(shù)據(jù)按如下原則進(jìn)行篩選。

(1)試驗(yàn)車(chē)的車(chē)速區(qū)間為60-100km/h。速度低于60km/h的數(shù)據(jù)不具備高速公路車(chē)輛正常行駛的特點(diǎn)，故予剔除。兩個(gè)試驗(yàn)路段的限速分別為100和110km/h，篩選的樣本中超過(guò)100km/h的數(shù)據(jù)很少，本文中只選取車(chē)速低于100km/h的數(shù)據(jù)。

(2)M車(chē)與L0車(chē)的車(chē)頭時(shí)距小于5s。文獻(xiàn)[8]和文獻(xiàn)[9]中將5或6s的車(chē)頭時(shí)距作為自由行駛和跟車(chē)行為的分界值，本文中采用5s作為分界值，即將車(chē)頭時(shí)距小于5s的情形界定為跟車(chē)行為[10-11]。

(3)并道意圖的判斷依據(jù)為F1車(chē)開(kāi)啟轉(zhuǎn)向燈，并道行為的判斷依據(jù)為F1車(chē)的橫向位置偏移。為確定相鄰車(chē)F1的并道意圖，由視頻信息將F1車(chē)轉(zhuǎn)向燈開(kāi)啟時(shí)刻作為其并道意圖起始點(diǎn)，而F1車(chē)有單側(cè)橫向偏移的開(kāi)始時(shí)刻為并道意圖的終止點(diǎn)，數(shù)據(jù)篩選時(shí)截取至該時(shí)刻前1～2s的連續(xù)數(shù)據(jù)。

基于以上原則，最終篩選出50次Merg1并道行為和50次Merg2并道行為，共包含800組Merg1并道行為樣本和 800組 Merg2并道行為樣本。其中，Merg1并道行為中速度在[60，80)km/h的數(shù)據(jù)共370組，在[80，100)km/h區(qū)間的數(shù)據(jù)共 430組；Merg2并道行為中速度在[60，80)km/h的數(shù)據(jù)共320組，在[80，100)km/h區(qū)間的數(shù)據(jù)共480組。在數(shù)據(jù)分析前，采用鄰域平滑濾波方法對(duì)數(shù)據(jù)進(jìn)行去噪處理。

1.2 并道行為表征參數(shù)分析

本文中初步選取與并道行為相關(guān)的參數(shù)有：自車(chē)速度vM；自車(chē)M與前車(chē)L0的縱向間距d1，自車(chē)M與前車(chē)L0的車(chē)頭時(shí)距t1，自車(chē)M與前車(chē)L0的縱向相對(duì)速度vML；自車(chē)M與相鄰車(chē)F1縱向間距d2，自車(chē)M與相鄰車(chē)F1的車(chē)頭時(shí)距t2，自車(chē)M與相鄰車(chē)F1的縱向相對(duì)速度vMF；自車(chē)M的縱向加速度a0，前車(chē)L0的縱向加速度a1和相鄰車(chē)F1的縱向加速度a2。這些參數(shù)均可由GPS和雷達(dá)所采集的數(shù)據(jù)計(jì)算得到。

表1為樣本數(shù)據(jù)中M車(chē)分區(qū)間速度分布情況。兩速度區(qū)間下，在兩種并道類(lèi)型Merg1和Merg2中M車(chē)速度的均值、最大值和最小值相差不大。

表1 自車(chē)M行駛速度分布數(shù)據(jù)統(tǒng)計(jì)

圖2為加速度a0，a1和a2分速度區(qū)間統(tǒng)計(jì)盒形圖。在并道類(lèi)型Merg1和Merg2中M車(chē)、L0車(chē)和F1車(chē)的加速度a0，a1和a2在兩個(gè)速度區(qū)間的區(qū)分度不大，且異常數(shù)據(jù)點(diǎn)很多，因此不將加速度a0，a1和a2作為預(yù)測(cè)F1并道行為的指標(biāo)。

在建立并道行為預(yù)測(cè)模型之前，為確定并道行為表征參數(shù)，對(duì)初選參數(shù)進(jìn)行了相關(guān)性和多重共線性檢驗(yàn)。在排除a0，a1和a23個(gè)參數(shù)之后，對(duì)其余7個(gè)變量 (vM，t1，t2，vML，vMF，d1，d2) 進(jìn)行線性相關(guān)性分析，并繪制相關(guān)系數(shù)矩陣圖，見(jiàn)圖3。

圖3中橢圓色塊可以直觀地表示變量間的線性相關(guān)程度。橢圓的形狀表示相關(guān)性強(qiáng)弱，長(zhǎng)軸方向表示變量是正相關(guān)還是負(fù)相關(guān)。而橢圓中的數(shù)值則定量給出7個(gè)變量?jī)蓛砷g相關(guān)系數(shù)值，數(shù)值大表明相關(guān)度高。從圖中可以看出，d2與t2和d1與t1的線性相關(guān)度是最高的，其相關(guān)系數(shù)分別達(dá)到0.98和0.95。此外，d2與d1和vM的線性相關(guān)性也較強(qiáng)，其相關(guān)系數(shù)分別為0.57和0.61。而vML和vMF與其余變量相關(guān)系數(shù)均小于0.4，線性相關(guān)性較弱。綜上所述，可考慮去除與其它變量相關(guān)性最強(qiáng)的變量d1和d2。

圖2 自車(chē)、前車(chē)和相鄰車(chē)的加速度分速度區(qū)間

圖3 相關(guān)系數(shù)矩陣

多重共線性診斷的方式很多，本文中用各參數(shù)的方差膨脹因子進(jìn)行多重共線性診斷。進(jìn)行參數(shù)xi關(guān)于其余自變量的多元線性回歸，計(jì)算其模型判定系數(shù)，記為R2i。

式中：SSEi為殘差平方和，SSTi為總離差平方和。

第i個(gè)參數(shù)的方差膨脹因子VIFi為

基于方差的膨脹因子診斷多重共線性時(shí)，存在如下診斷規(guī)則：VIFi＜5時(shí)，認(rèn)為不存在多重共線性(或共線性較弱)；5≤VIFi≤10時(shí)，認(rèn)為存在中等程度共線性；VIFi＞10時(shí)，則說(shuō)明共線性較高，必須消除多重共線性。

計(jì)算 7 個(gè)變量 vM，t1，t2，vML，vMF，d1和 d2的方差膨脹因子，得 VIF7＝ [12.6140，79.3822，101.7321，1.2747，1.1917，114.6772，128.3634]， 可見(jiàn)存在嚴(yán)重共線性，首先去掉共線性最顯著的d2和d1，重新計(jì)算多方差膨脹因子，有VIF5＝[1.2823，1.4933，1.7139，1.2515，1.1387]。 由此可見(jiàn)，vM，t1，t2，vML和vMF這5個(gè)參數(shù)共線性很弱。

表2和表3給出了Merg1并道和Merg2并道行為在速度區(qū)間[60，80)km/h 和[80，100)km/h 下， t1，t2，vML和vMF等4個(gè)參數(shù)的數(shù)據(jù)匯總。

表 2 速度[60，80)km/h 下 t1，t2，v ML和 v MF值

對(duì)比表2和表3，可以看出，在兩個(gè)速度區(qū)間下，并道類(lèi)型Merg2的t1和vML均大于并道類(lèi)型Merg1；并道類(lèi)型Merg2的vMF則小于并道類(lèi)型Merg1；而對(duì)于參數(shù)t2，兩個(gè)速度區(qū)間下的趨勢(shì)不一致。綜合考慮參數(shù)的分布特征和共線性，本文將vM，t1，vML和vMF等4個(gè)參數(shù)作為并道行為的表征參數(shù)。

表 3 速度[80，100)km/h 下 t1，t2，v ML和 v MF

2 相鄰車(chē)道車(chē)輛并道行為預(yù)測(cè)模型的建立

2.1 預(yù)測(cè)模型的建立

由于Fisher判別法對(duì)數(shù)據(jù)的分布特征和方差大小等沒(méi)有要求，本文中選用Fisher判別法來(lái)預(yù)測(cè)相鄰車(chē)的并道行為。Fisher判別采用一元方差將k組p維數(shù)組投影在某方向上，使組間樣本盡量區(qū)分開(kāi)，而組內(nèi)樣本差距盡量小。下面簡(jiǎn)述線性判別式的建立和判別準(zhǔn)則的確定。

(1)判別式的建立

Fisher判別法的相關(guān)定義為：設(shè)有k個(gè)p維總體G1，G2，…，Gk， 從總體 Gi中抽取的樣本記作 xi1，則樣本總數(shù)、樣本均值和各總體樣本均值分別為和假設(shè)投影方向?yàn)閍 ＝ (a1，a2，…，ap)T，將 xij在a 上投影，則yij＝ a′xij(i＝ 1，2，…，k；j＝ 1，2，…，ni)，從而可得出投影數(shù)據(jù)均值分別為 y-＝則 yij(i ＝ 1，2，…，k；j＝1，2，…，ni)的組間離差平方和SSG與組內(nèi)離差平方和SSE分別為

若投影后的k組數(shù)據(jù)有明顯區(qū)別，則F或Δ(a)應(yīng)充分大，因此求Δ(a)最大值點(diǎn)，即可得出一個(gè)投影方向a，并約束a為單位向量。

根據(jù)矩陣相關(guān)知識(shí)，Δ(a)的最大值是E-1B的最大特征值。設(shè)E-1B中所有不為0特征值的排列為 λ1≥λ2≥… ≥λs，s≤min(k-1，p)，相應(yīng)的單位特征向量依次為則第 i判別式為第i判別式的判別效率為λi，對(duì)每組判別的貢獻(xiàn)率為如果前r(r≤s) 個(gè)判別式的總貢獻(xiàn)率高出了一個(gè)閾值(如85%以上)，則可利用前r個(gè)判別式很好地區(qū)分各組。

(2)判別準(zhǔn)則的確定

選定前r個(gè)判別式進(jìn)行判別，將它們作用在任意樣本 x上，得出投影向量(y1，y2，…，yr)T，即為 x的判別式得分向量；將前r個(gè)判別式作用在第i組的組均值xi上，得投影向量計(jì)算這兩種投影向量的歐氏距離，則判別準(zhǔn)則為

將篩選的800組Merg1并道樣本和800組Merg2并道樣本中的一半數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，建立預(yù)測(cè)模型，另一半樣本用于預(yù)測(cè)模型的檢驗(yàn)。

Merg1并道類(lèi)型和Merg2并道類(lèi)型和所有并道行為的各參數(shù)訓(xùn)練數(shù)據(jù)均值分別為

特征值只有一個(gè)，為 1.577 2，貢獻(xiàn)率達(dá)到100%。得到判別矩陣為

將Merg1并道類(lèi)型和Merg2并道類(lèi)型各參數(shù)均值x-(1)和 x-(2)分別代入 Fisher判別式 Can中，得到Merg1并道類(lèi)型的判別式均值為2.059 3，Merg2并道類(lèi)型的判別式均值為-1.947 7。由于本文中是對(duì)兩個(gè)總體的判別分析，歐氏距離等價(jià)于求一維空間中的距離，由此，求判別原則等價(jià)為根據(jù)樣本個(gè)數(shù)加權(quán)得到判別臨界值為0.055 8。

2.2 模型結(jié)果分析

由800個(gè)訓(xùn)練樣本數(shù)據(jù)的判別式得分散點(diǎn)圖如圖4所示。

圖4 訓(xùn)練樣本的判別式得分分布

從圖中可以看出，由判別準(zhǔn)則，即臨界值0.055 8能很好地將兩種并道行為分離開(kāi)，只有很少一部分有交叉。特別是對(duì)Merg1并道類(lèi)型的預(yù)測(cè)效果更為理想，只有個(gè)別數(shù)據(jù)點(diǎn)判別錯(cuò)誤。由訓(xùn)練樣本得出Fisher判別式得分的Merg1和Merg2并道類(lèi)型的正態(tài)密度函數(shù)曲線見(jiàn)圖5。

圖5 Merg1和Merg2并道類(lèi)型的正態(tài)密度曲線

由圖5可以看出，在臨界值0.055 8處，Merg2并道類(lèi)型的概率密度約為0.12，Merg1并道類(lèi)型的概率密度約為0.1。故根據(jù)本文中所建立的判別準(zhǔn)則，Merg1并道行為的判別準(zhǔn)確率約為90%，Merg2并道行為的判別準(zhǔn)確率約為88%。

根據(jù)訓(xùn)練數(shù)據(jù)對(duì)待檢驗(yàn)的800組數(shù)據(jù)進(jìn)行判定，得到判定準(zhǔn)確率矩陣即混淆矩陣，如表4所示。對(duì)于400組Merg1并道類(lèi)型，有12組判斷錯(cuò)誤，將其誤判為Merg2并道類(lèi)型；對(duì)于400組Merg2并道類(lèi)型，有43組判斷錯(cuò)誤，將其誤判為Merg1并道類(lèi)型。因此，上述預(yù)測(cè)模型對(duì)Merg1并道類(lèi)型的判斷準(zhǔn)確率為97%，對(duì)Merg2并道類(lèi)型的判斷準(zhǔn)確率為89.3%。

表4 預(yù)測(cè)模型混淆矩陣

3 考慮相鄰車(chē)道車(chē)輛并入的跟車(chē)控制改進(jìn)與仿真

3.1 跟車(chē)模型的選擇

目前跟車(chē)模型主要有安全距離模型和期望間距模型等。其中，前者給定的是后車(chē)跟隨前車(chē)行駛時(shí)的安全跟車(chē)臨界值，只能作為跟車(chē)時(shí)安全特性的一個(gè)表征，不能反映高速公路駕駛?cè)说母?chē)特性。期望間距跟車(chē)模型反映了駕駛?cè)烁?chē)行駛時(shí)的心理期望間距，實(shí)時(shí)刻畫(huà)了駕駛?cè)烁?chē)行駛時(shí)的間距，因此，相對(duì)安全間距跟車(chē)模型，期望間距跟車(chē)模型能夠更真實(shí)、貼切地反映駕駛?cè)说鸟{駛特性。

文獻(xiàn)[12]中建立了期望間距跟車(chē)模型，包括期望間距均值模型Davr、期望間距最大與最小值模型Dmax，Dmin和加速度模型 an(t+T)：

式中：v為自車(chē)速度，km/h；v′(t)是前車(chē)相對(duì)自車(chē)的速度，m/s；T是駕駛?cè)说姆磻?yīng)時(shí)間，取0.8s。

該模型是根據(jù)高速公路實(shí)車(chē)試驗(yàn)數(shù)據(jù)得出的，與本研究的前提條件較為接近，故將其作為基礎(chǔ)模型。

3.2 跟車(chē)模型的改進(jìn)

當(dāng)車(chē)輛處于穩(wěn)定跟車(chē)狀態(tài)時(shí)，跟隨車(chē)輛的運(yùn)動(dòng)由上述期望間距模型控制，此時(shí)若有相鄰車(chē)并入，即當(dāng)F1車(chē)并入本車(chē)道時(shí)，M車(chē)的跟車(chē)控制會(huì)將跟隨目標(biāo)由L0車(chē)切換為F1車(chē)，通常情況下，目標(biāo)切換時(shí)間為F1車(chē)的越線時(shí)刻。

根據(jù)2.1節(jié)所建立的并道預(yù)測(cè)模型，可實(shí)現(xiàn)在相鄰車(chē)并入本車(chē)道前2s時(shí)預(yù)測(cè)到并道行為，即在F1車(chē)發(fā)生單側(cè)橫向偏移前的2s。當(dāng)駕駛?cè)烁兄较噜徿?chē)的并道意圖時(shí)，通常會(huì)根據(jù)與相鄰車(chē)的間距和相對(duì)速度松開(kāi)油門(mén)踏板，或?qū)嵤┹p微制動(dòng)。模擬駕駛?cè)说脑摬僮餍袨?，在預(yù)測(cè)到相鄰車(chē)的并道行為后，若M車(chē)與F1車(chē)的間距小于期望間距，則對(duì)M車(chē)施加0.5m/s2的減速度。

應(yīng)用文獻(xiàn)[13]中的研究結(jié)果：當(dāng)F1車(chē)發(fā)生單側(cè)橫向偏移后0.6s，即可識(shí)別出F1車(chē)的并道行為。因此對(duì)M車(chē)施加0.5m/s2的減速度后，若F1車(chē)放棄并道，則M車(chē)?yán)^續(xù)跟隨L0車(chē)，切換回期望間距模型。若F1車(chē)實(shí)施并道，在F1車(chē)發(fā)生單側(cè)橫向偏移0.6s時(shí)，判斷M車(chē)與F1車(chē)的間距，若M車(chē)與F1車(chē)的間距大于期望間距，則按照期望間距模型進(jìn)行控制，將跟隨目標(biāo)切換為F1車(chē)；若M車(chē)與F1車(chē)的間距小于期望間距，則繼續(xù)減速行駛，至F1車(chē)越線時(shí)，將跟隨目標(biāo)切換為F1車(chē)。文獻(xiàn)[14]中得出我國(guó)小型客車(chē)的平均換道持續(xù)時(shí)長(zhǎng)為5.6s，因此改進(jìn)的跟車(chē)控制策略其跟隨目標(biāo)切換時(shí)刻比原跟車(chē)模型要提早2.2s。

3.3 有相鄰車(chē)并入的跟車(chē)仿真

PreScan是用于汽車(chē)先進(jìn)輔助系統(tǒng)和主動(dòng)安全系統(tǒng)開(kāi)發(fā)驗(yàn)證的仿真工具。本文中采用PreScan與MATLAB/Simulink對(duì)上述跟車(chē)過(guò)程進(jìn)行聯(lián)合仿真。

通過(guò)情景假設(shè)、仿真場(chǎng)景設(shè)置、添加傳感器和控制模塊實(shí)現(xiàn)運(yùn)動(dòng)仿真。在仿真之前進(jìn)行如下假設(shè)：假設(shè)在相鄰車(chē)并道前，M車(chē)在本車(chē)道跟隨L0車(chē)行駛時(shí)已達(dá)到穩(wěn)定跟車(chē)狀態(tài)，L0車(chē)始終沿本車(chē)道勻速行駛；F1車(chē)在并道過(guò)程中速度也保持不變。仿真場(chǎng)景設(shè)置如下：在PreScan中選取與試驗(yàn)車(chē)相似的車(chē)型，并參照試驗(yàn)車(chē)的數(shù)據(jù)對(duì)相關(guān)參數(shù)進(jìn)行設(shè)置；設(shè)定仿真道路為雙向4車(chē)道，車(chē)道寬度為3.75m；M車(chē)的初始車(chē)速為23m/s，L0車(chē)始終以23m/s的速度勻速行駛，F(xiàn)1車(chē)在并入本車(chē)道前、后始終以20m/s的速度勻速行駛，M車(chē)與F1車(chē)的初始縱向間距為45m。文獻(xiàn)[15]中得出的車(chē)輛換道持續(xù)時(shí)長(zhǎng)為(5.3±1)s，同時(shí)參考文獻(xiàn)[14]將換道持續(xù)時(shí)長(zhǎng)設(shè)定為5.6s。在國(guó)標(biāo)中規(guī)定ACC系統(tǒng)的平均減速度不應(yīng)大于3.0m/s2(以2s的長(zhǎng)度按采樣求均值)，系統(tǒng)的加速度不大于2m/s2[16]，因此，取 M車(chē)的加速度變化范圍為-3m/s2≤a0≤2m/s2。仿真選用TIS距離檢測(cè)傳感器，對(duì)自車(chē)與前車(chē)之間的距離、相對(duì)速度和相對(duì)角度進(jìn)行監(jiān)測(cè)。將選用的期望間距跟車(chē)模型與上述改進(jìn)的跟車(chē)模型分別導(dǎo)入Simulink控制模塊中，進(jìn)行仿真和對(duì)比分析。

原期望間距跟車(chē)模型和改進(jìn)跟車(chē)模型仿真結(jié)果如圖6和圖7所示。

圖6 原期望間距跟車(chē)模型仿真結(jié)果

圖7 改進(jìn)跟車(chē)模型仿真結(jié)果

對(duì)比圖6和圖7，當(dāng)有車(chē)輛并道時(shí)兩個(gè)模型均能實(shí)現(xiàn)對(duì)跟隨目標(biāo)的切換和有效控制，但兩個(gè)模型的響應(yīng)有所不同。比較二者的跟車(chē)間距：原期望間距模型的跟車(chē)間距偏離平均期望間距的幅度比較大，存在突破最小期望間距的情況；改進(jìn)模型，由于預(yù)測(cè)到了相鄰車(chē)的并道行為，提前實(shí)施了小幅度的減速，跟車(chē)間距偏離平均期望間距幅度小，始終介于最大和最小期望間距之間，最小間距比原模型長(zhǎng)6.4m，安全性得以提高。比較自車(chē)車(chē)速的變化：當(dāng)相鄰車(chē)并道時(shí)，原期望間距模型的自車(chē)速度調(diào)整幅度大，響應(yīng)快速，降至最低車(chē)速(16.98m/s)后，首次等于F1車(chē)車(chē)速(20m/s)的時(shí)間為23.25s；改進(jìn)的跟車(chē)模型，降至最低車(chē)速(17.71m/s)后，首次等于F1車(chē)車(chē)速(20m/s)的時(shí)間為27.15s，自車(chē)速度的調(diào)整較為平緩，速度調(diào)整幅度小?？梢?jiàn)改進(jìn)模型在相鄰車(chē)并入過(guò)程中的速度調(diào)整更加平穩(wěn)，乘坐的舒適性有所改善。

仿真得到兩個(gè)跟車(chē)模型的跟隨車(chē)制動(dòng)壓力和加速度，結(jié)果對(duì)比如圖8所示。對(duì)比兩個(gè)模型的制動(dòng)壓力和加速度，在相鄰車(chē)并入階段，改進(jìn)跟車(chē)模型的制動(dòng)壓力和加速度的變化均小于原期望間距模型，其中，制動(dòng)壓力小于 0.78MPa，減速度沒(méi)有超過(guò)-0.5m/s2，而原期望間距模型的制動(dòng)壓力突然增大，達(dá)到 2.2MPa，而減速度也出現(xiàn)一個(gè)峰值，達(dá)到-1.28m/s2。在跟隨目標(biāo)切換后的調(diào)整階段，原期望間距模型的加速度也略大于改進(jìn)模型的加速度。

圖8 跟隨車(chē)的制動(dòng)壓力和加速度對(duì)比

改變F1車(chē)并道時(shí)的縱向位置，將M車(chē)與F1車(chē)的初始縱向間距分別增加和減小10m，其余條件不變，重新進(jìn)行仿真，兩個(gè)模型各參數(shù)的仿真結(jié)果見(jiàn)表5。表中間距是指M車(chē)與F1車(chē)的縱向間距，初始時(shí)刻是指F1車(chē)并道前2.45s，并道開(kāi)始時(shí)刻是指F1車(chē)發(fā)生單向橫向偏移的初始時(shí)刻，越線時(shí)刻是指F1車(chē)的越線時(shí)刻。

表5 不同并入位置下兩個(gè)模型的評(píng)價(jià)參數(shù)比較

對(duì)比兩個(gè)模型的仿真結(jié)果，并道開(kāi)始時(shí)刻M車(chē)與F1車(chē)的間距相差不大；但在越線時(shí)刻M車(chē)的速度已有差異，由于原期望間距模型要到越線時(shí)刻才切換跟車(chē)目標(biāo)，故M車(chē)的速度仍接近于初始速度，而改進(jìn)模型已預(yù)測(cè)到F1車(chē)的并道行為，提前進(jìn)行了速度調(diào)整，因此在越線時(shí)刻M車(chē)的速度已比初始速度有所下降；也使得二者的最小間距、最大制動(dòng)壓力和最大制動(dòng)減速度均有較大差異。特別是當(dāng)初始間距為35m時(shí)，原期望間距模型的最大制動(dòng)減速度已達(dá)到減速度的界限值-3m/s2，最小間距已大大小于最小期望間距，而改進(jìn)模型的最大制動(dòng)減速度僅為-0.88m/s2，且最小間距比原模型長(zhǎng)4.8m。

4 結(jié)論

(1)通過(guò)采集和分析高速公路上自車(chē)、前車(chē)和相鄰車(chē)的運(yùn)動(dòng)狀態(tài)參數(shù)，得出當(dāng)相鄰車(chē)有并道意圖時(shí)，自車(chē)速度vM、自車(chē)與前車(chē)的車(chē)頭時(shí)距t1，前車(chē)與自車(chē)的相對(duì)速度vML和相鄰車(chē)與自車(chē)的相對(duì)速度vMF這4個(gè)參數(shù)與并道類(lèi)型相關(guān)性強(qiáng)，可作為相鄰車(chē)道車(chē)輛并道行為的表征參數(shù)。

(2)基于上述4個(gè)表征參數(shù)采用Fisher判別法建立并道行為預(yù)測(cè)模型，能在相鄰車(chē)并道前2s預(yù)測(cè)其并道行為類(lèi)型，相鄰車(chē)并道至自車(chē)之前和并道至前車(chē)之前這兩種并道類(lèi)型的預(yù)測(cè)準(zhǔn)確率分別達(dá)到88%和90%。

(3)對(duì)現(xiàn)有期望間距跟車(chē)模型進(jìn)行改進(jìn)，當(dāng)預(yù)測(cè)到相鄰車(chē)輛的并道意圖時(shí)，提前對(duì)自車(chē)的速度進(jìn)行調(diào)整。對(duì)改進(jìn)模型與原期望間距跟車(chē)模型的自車(chē)速度控制和與前車(chē)的最小間距進(jìn)行仿真對(duì)比。結(jié)果表明，改進(jìn)模型能預(yù)測(cè)相鄰車(chē)的并道行為，并調(diào)整自車(chē)車(chē)速，當(dāng)有相鄰車(chē)道車(chē)輛并入時(shí)，可使自車(chē)的速度控制更加平穩(wěn)，改善乘坐的舒適性，同時(shí)保證最小跟車(chē)間距，提高跟車(chē)控制的安全性。

(4)本文中在樣本選取時(shí)僅選擇相鄰車(chē)有并道意圖，且實(shí)際實(shí)施了并道，并道類(lèi)型有差異情況的樣本。而實(shí)際并道行為的種類(lèi)更加多樣，因此本文中預(yù)測(cè)模型和判別臨界值還應(yīng)針對(duì)更多樣的類(lèi)型和實(shí)際數(shù)據(jù)進(jìn)行訓(xùn)練，才能有較好的適應(yīng)性。

本文中對(duì)期望間距跟車(chē)模型的改進(jìn)僅體現(xiàn)在從預(yù)測(cè)時(shí)刻到相鄰車(chē)輛越線這個(gè)時(shí)段對(duì)自車(chē)速度的調(diào)整，雖然比原模型對(duì)車(chē)速的控制有明顯改善，但并未對(duì)期望間距模型本身做進(jìn)一步的研究與調(diào)整，今后應(yīng)對(duì)此做更深入的研究，以確認(rèn)改進(jìn)模型是否是最優(yōu)解決方案。

[1] 馬國(guó)成，劉昭度，裴曉飛，等.基于模糊支持向量機(jī)的旁車(chē)道車(chē)輛并線意圖識(shí)別方法[J].汽車(chē)工程，2014，36(3)：316-320.

[2] MOON S，KANG H，YIK.Multivehicle target selection for adaptive cruise control[J].Vehicle System Dynamics，2010，48(11)：1325-1343.

[3] DAGLI I，BREUEL G，SCHITTENHELM H，et al.Cutting-in vehicle recognition for ACC systems-towards feasible situation analysis methodologies[C].Intelligent Vehicles Symposium， IEEE，2004：925-930.

[4] RAJAONAH B，ANCEAUX F，VIENNE F.Trustand the use ofadaptive cruise control： a study of a cut-in situation[J].Cognition，Technology ＆ Work，2006，8(2)：146-155.

[5] GUNAY B.Car following theory with lateral discomfort[J].Transportation Research Part B： Methodological，2007，41(7)：722-735.

[6] 陶鵬飛.考慮側(cè)向車(chē)影響的跟馳行為分析與建模[D].長(zhǎng)春：吉林大學(xué)，2009.

[7] GADEPALLY V，KRISHNAMURTHY A，OZGUNERU.A framework for estimating driver decisions near intersections[J].IEEE Transactions on Intelligent Transportation Systems，2014，15(15)：637-646.

[8] 何民，榮建，任福田.判定跟馳狀態(tài)的研究[J].公路交通科技，2001，18(4)：74-78.

[9] 楊小寶，張寧.一種改進(jìn)的跟馳狀態(tài)判定方法[J].交通運(yùn)輸系統(tǒng)工程與信息，2006，6(2)：14-17.

[10] MICHAELS R M.Perceptual factors in car following[C].Proceedings of the Second International Symposium on the Theory of Road and Traffic Flow， OECD，1963：44-59.

[11] 魏麗英，雋志才，田春林.駕駛員車(chē)道變換行為模擬分析[J].中國(guó)公路學(xué)報(bào)，2001，14(1)：77-80.

[12] 袁偉，付銳，馬勇，等.基于高速實(shí)車(chē)駕駛數(shù)據(jù)的駕駛?cè)烁?chē)模型研究[J].汽車(chē)工程，2015，37(6)：679-685.

[13] 王暢，付銳，郭應(yīng)時(shí)，等.換道預(yù)測(cè)系統(tǒng)中越線時(shí)間的預(yù)測(cè)方法[J].汽車(chē)工程，2014，36(4)：509-514.

[14] 吳晨.基于PRESCAN的兩種換道預(yù)警模型的仿真與對(duì)比分析[D].西安：長(zhǎng)安大學(xué)，2015：10-20.

[15] WAKASUGIT.A study on warning timing for lane change decision aid systems based on driver's lane change maneuver[C].Proc.19th International Technical Conference on the Enhanced Safety of Vehicles，Paper 2005(05-0290).

[16] GB/T 20608—2006智能運(yùn)輸系統(tǒng)自適應(yīng)巡航控制系統(tǒng)性能要求與檢測(cè)方法[S].北京：中國(guó)標(biāo)準(zhǔn)出版社，2007.

A Study on the Merging Prediction of the Vehicle on Adjacent Lane and the Improvement of Vehicle-following Control

Fu Rui1，2， Yuan Xiaohui1， Guo Yingshi1＆ M a Yong1
1.School of Automobile， Chang'an University， Xi'an 710064；2.Chang'an University， Key Laboratory of Automotive Transportation Safety Technology， Ministry of Transport， Xi'an 710064

For predicting themergingmanoeuvre of the vehicle on adjacent lane，and adjusting the control strategy of ego-vehicle speed in advance to enhance the ride comfortand safety of ego-vehicle in adaptive car-following control，a predictivemodel for themergingmanoeuvre of the vehicle on adjacent lane is established by collecting and analyzing the real world motion state information of ego-vehicle and surrounding vehicles，and based on which the existing desired vehicle spacingmodel for vehicle following is improved.The results of simulation show that four variables can be regarded as characteristics parameters to predictmerging behavior.They are the speed of ego-vehicle，the time headway and relative speed between ego-vehicle and preceding vehicle and the relative speed between ego-vehicle and the vehicle on adjacent lane.The predictivemodel can predict the type ofmerging behavior 2 seconds in advance，and the prediction accuracy rates for twomerging types reach 88%and 90%respectively.The improved desired vehicle spacingmodelmakes vehicle following processmore stable，with the ride comfort and safety of vehicle enhanced.

vehicle follow ing； merging prediction； desired spacing； Fisher discrim ination method

10.19562/j.chinasae.qcgc.2017.10.002

?教育部創(chuàng)新團(tuán)隊(duì)發(fā)展計(jì)劃項(xiàng)目(IRT_17R95)、國(guó)家自然科學(xué)基金(61473046，61374196)和中央高校基本科研業(yè)務(wù)費(fèi)專(zhuān)項(xiàng)資金項(xiàng)目(310822153101，310822161006)資助。

原稿收到日期為2016年10月24日，修改稿收到日期為2016年12月22日。

馬勇，博士研究生，E-mail：mayong＠ chd.edu.cn。