基于決策機理與支持向量機的車輛換道決策模型

谷新平, 韓云鵬, 于俊甫

(1.高效潔凈機械制造教育部重點實驗室(山東大學)，濟南 250061； 2．山東大學 機械工程學院，濟南 250061)

自動駕駛顯示出改善駕駛安全和交通系統(tǒng)效率的巨大潛力，是未來交通工具的發(fā)展方向[1]. 駕駛決策機制是保障自動駕駛車輛駕駛安全的關鍵技術[2]. 換道是駕駛過程中最常見同時也是危險程度較高的駕駛行為，在車道變換導致的事故中接近18%是由駕駛員不恰當的換道決策造成的[3]. 換道行為對通行能力、瓶頸形成以及交通安全等多方面存在重要影響[4]. 然而，在復雜的動態(tài)環(huán)境下使智能車輛做出符合社會規(guī)范的換道決策仍然是一個難點. 因此，本文的研究重點是換道決策分析.

最早針對換道決策行為的建模方法是基于規(guī)則的數理模型，由Gipps[5]在1986年提出，主要從換道行為的必要性、傾向性和安全性三方面進行分析. 在Gipps模型的基礎上，Yang等[6]人考慮了車道變換概率，并且引入了隨機誤差；Hidas[7]將車道變換行為分為自由換道、協作換道和強制換道3種類型. Kesting等[8]利用車輛加速度值來表征車道變換收益，提出了一種基于加速度控制的MOBIL模型. 隨著人工智能的發(fā)展很多學者試圖通過機器學習和深度學習的方法來提升車輛換道決策的準確率. Qiu等[9]提出利用人工智能方法貝葉斯網絡(Bayesian networks)根據周圍交通狀況建立車輛換道模型. Motamedidehkordi等[10]引入了集成學習方法中的隨機森林(random forest，RF)對換道決策行為進行建模. Díaz-lvarez 等[11]建立了基于神經網絡的換道決策模型. 張疊等[12]建立了基于支持向量機(SVM)的車輛換道決策模型，主要研究了決策數據處理與模型的參數優(yōu)化，但是未對換道決策的影響因素進行分析. Zhang等[13]對路況及其對駕駛決策的耦合影響進行了深入分析，建立了基于優(yōu)化支持向量機換道決策模型，但是只對道路狀況對車道變換決策的影響進行了討論. 因此，基于支持向量機的車輛換道決模型還需要進一步研究.

目前，雖然很多關于車輛變道輔助或自動駕駛的研究，但是關于自由換道的研究卻很少. 自動駕駛車輛在什么情況下實施換道為最優(yōu)決策這一重要問題仍未能很好地解決. 因此，為解決上述問題，有必要研究安全而且可學習的自動駕駛車輛自由換道決策模型. 本文的主要工作包括以下三個方面：

1)分析了影響車輛換道的因素，并在傳統(tǒng)模型的基礎上建立了基于收益、安全性和必要性的自由變道決策模型，表明變道決策是一個多參數、非線性的問題，為支持向量機(SVM)模型的特征選擇提供了依據；

2)針對目前車輛換道決策模型存在特征選擇不夠全面的問題，提出從與車輛物理狀態(tài)相關的特征、與交通交互相關的特征以及與道路結構相關的特征三個方面提取決策特征，使決策模型更加完善；

3)針對自由換道決策的多參數、非線性問題，提出了基于BOA Gaussian-SVM的自由換道決策模型，保證了該決策模型能夠更加符合駕駛員的駕駛習慣和決策特征.

本文提出的方法在NGSIM數據集上進行了驗證，結果表明提出的BOA Gaussian-SVM換道決策算法具有較好的性能，同時利用Airsim平臺對所提算法進行了仿真驗證. 最后，研究了駕駛環(huán)境對SVM模型的影響，并通過敏感分析量化了每個特征變量對駕駛決策的影響程度. 實驗結果進一步證明了BOA Gaussian-SVM換道決策模型的有效性.

1 車輛換道分析

1.1 車輛換道影響因素分析

車輛換道主要受車輛狀態(tài)、道路狀況以及駕駛員特性等多方面因素的影響，因此，換道預測特征較多，預測特征在模式識別領域至關重要[14-15]. 一般而言，常用的換道預測特征可分為三類：1)與車輛物理狀態(tài)相關的特征；2)與交通交互相關的特征；3)與道路結構相關的特征.

1.1.1 與車輛物理狀態(tài)相關的因素

基于物理的特征主要涉及周圍車輛的狀態(tài)(例如，位置、速度、加速度). 由于車輛的運動滿足運動學和動力學規(guī)律，因此可以利用具有運動學和動力學規(guī)律的車輛歷史狀態(tài)來推斷車輛未來可能的狀態(tài). 基于物理的特征會對自動駕駛車輛換道產生重要影響，這些特性主要包括以下5種：

1)車輛分類(Vehicle Classification，VC)主要包括摩托車、卡車和小型汽車等.

2)當前車道前車(Preceding Vehicle，PV)的轉向指示燈(Turn Indicators, TI)和剎車指示燈(Brake Indicators，BI)的狀態(tài)，其中包含開、關兩種狀態(tài).

3)橫向速度方向(the Direction of Lateral Velocity，DLV)，包含左右兩種狀態(tài).

4)道路切線的橫擺率(Yaw Rate，YR).

5)與相鄰車道線的邊界距離(Boundary Distance，BD).

1.1.2 與交通交互相關的因素

交互感知特征在考慮車輛之間的依賴性的情況下預測周圍車輛的軌跡. 這些特征表示運動如何受到交通互動(例如，避撞、社會習慣)的影響，變道行為通常受周圍車輛的間距和相對速度的影響. 因此，我們利用的交互感知特性代表了這兩個關鍵因素. 假設執(zhí)行換道的主體車輛SV的決策不受當前車道相鄰后車狀態(tài)的影響. 此外，由于鄰近車道的存在是相鄰車輛存在的前提，后者的特征依賴于前者. 因此，基于交互的特征可以分為如下3種:

1)左車道的關注區(qū)域中SV之前和之后的相鄰車輛的狀態(tài). 狀態(tài)包含前后車輛的存在狀態(tài)以及與SV的相對速度.

2)右車道的關注區(qū)域中PV之前和之后的相鄰車輛的狀態(tài)(RAFV/RBPV).

3)同一車道的關注區(qū)域中SV前車的狀態(tài)(CLPV).

1.1.3 道路結構的因素

基于道路結構的特征主要是指道路拓撲結構、道路標志和交通規(guī)則. 基于道路結構的特征主要包括以下2種:

1)在SV的占用車道旁邊存在左車道或右車道(LLE / RLE).

2)行駛路段的車道曲率(Lane Curvature，LCU). LCU可以決定換道在概率上是否可以接受，例如，在曲率較大的道路上變道行為并不常見.

1.2 基于決策機理的車輛換道過程分析

根據Yang等[16-17]人的研究，車輛換道執(zhí)行過程是指主體車輛以目標車道相鄰間隙為可接受間隙(Acceptable Gap, AG)，并通過橫向運動插入目標間隙的過程. 變道決策受各種交通因素的影響，為了分析決策過程，建立了自由車道變換模型，其包括一個原始車道和一個目標車道，該模型可以簡化為圖1. 其中，SV表示執(zhí)行換道的主體車輛，PV表示當前車道中的前車，TP和TF分別是目標車道中的前車和目標車道中的后車.

圖1 換道場景示意圖Fig.1 Schematic diagram of lane changing environment

由圖1可知主體車SV的換道決策受到TF、TP、PV的影響，但這些車輛如何影響自主車輛放棄原有車道選擇新的車道，需要深入分析. Gipps換道模型認為影響換道決策的因素主要有三個，即，期望程度、執(zhí)行換道的安全性以及換道的必要性[18]. 因此，本文將從換道收益、換道安全性和換道必要性三個方面對自由換道進行分析[19].

1.2.1 換道收益

車道變換的目的是達到理想速度或獲得更大的空間[20]. 對于自動駕駛車輛，未來的行駛速度可以轉換為前導車輛的速度. 因此，速度收益可以表示為

vbenefit=f(videal-vPV,vTP-vPV).

(1)

其中videal表示在該工況下自動駕駛車輛最理想的行駛速度. 換道后前面的空間可以用相對距離來表示，所以距離收益可以表示為

Gbenefit=GTP-GPV,

(2)

因此，換道收益模型可以建立為

fbenefit=f(vbenefit,Gbenefit).

(3)

1.2.2 安全因素

安全性是指在執(zhí)行換道過程中為了避免與目標車道后車TF之間的碰撞. 顯然，SV和TF之間的間隙和相對速度越大，車道變換過程就越安全. 此外，車道變換需要最小的安全間隙. 因此，可以建立如下安全模型:

(4)

式中GTFmin表示SV和TF之間的最小安全間隙，需要滿足GTFmin>0；△vTF表示換道車輛SV與目標車道后車TF的速度差，△vTF=vSV-vTF.

1.2.3 換道必要性

當車道變換過程的收益和安全性足夠高時，自動駕駛車輛可能決定根據上述收益和安全函數執(zhí)行換道，但是SV和PV之間的距離可能相當大，如果在這種情況下仍決定換道可能會導致自動駕駛車輛頻繁換道，所以還需要建立必要性模型. 當SV接近PV時，主體車輛將在ACC (Adaptive Cruise Control)模式下跟隨PV，并且預期跟馳距離由速度和車頭時距(Time Headway，THW)確定. 因此，必要性模型可以建立為

fnecessity=f(GPV-vSV·tTHW).

(5)

式中，tTHW表示車頭時距.

1.3 基于規(guī)則的換道模型

為了建立簡單的車道變換模型，我們首先假設上述三個模型和影響因素是線性的.

(6)

其中a、b、c、d、e是系數.

基于規(guī)則的決策模型可以建立如下:

其中w是權重因子，fdecision是車道變換決策. 然而，自由車道變換決策是一個多參數、非線性問題，很難建立一個特定的數學模型. 因此，自由車輛的車道變換決策模型應表示為

fdecision=f(vincome,GTP-GPV,GTF,vSV-vTF,GPV-vSV·tTHW).

(7)

采用優(yōu)化的Gaussian-SVM模型來解決自由換道決策過程中的多參數和非線性問題，確保模型更加符合駕駛員的駕駛習慣和決策特性，具有更強的合理性與適用性，本文提出的方法原理圖如圖2所示.

圖2 本文提出的方法的示意圖Fig.2 Schematic diagram of the proposed method

2 數據處理與特征提取

2.1 數據介紹

本文使用的數據集是美國聯邦公路局的車輛軌跡數據集中的NGSIM I-80和NGSIM US-101，如圖3所示. 它們被廣泛應用于智能交通系統(tǒng)和預測算法的驗證[21-22]. 2個數據集包含6個15 min采集軌跡子集. NGSIM中的車輛狀態(tài)數據是用10 Hz頻率進行拍攝的多臺高空相機對交通路況進行采集，然后再利用圖像處理技術得到的，數據包括車輛ID、位置、速度、加速度、當前車道ID等數據[23].

(a)I-80 數據集研究區(qū)域

(b) US-101數據集研究區(qū)域圖3 NGSIM數據集研究區(qū)域Fig.3 Study area of NGSIM dataset

2.2 數據預處理

由于NGSIM中的定位數據(如位置、速度和加速度)是通過視頻分析獲得的，因此它們含有大量的噪聲. 因此，我們首先使用對稱指數移動平均(Symmetric Exponential Moving Average，SEMA)算法[24-25]來平滑原始數據. 此外，如果駕駛員操縱車輛越過車道線到其相鄰車道，則提取該車的所有地面實況車道變換數據. 車輛換道軌跡指的是車輛越過車道線并且在車道線兩側具有固定行駛距離的運動軌跡.

2.3 特征提取

車輛換道受到駕駛工況、周圍車輛狀態(tài)以及駕駛員特性等多種因素的影響，目前大多數微觀交通仿真和自動駕駛中的換道研究多集中于研究周圍車輛運動狀態(tài)對換道行為的影響，考慮的因素較為單一. 因此，本文從物理特性、交互感知特性和道路結構特性三個方面對換道決策進行分析.

2.3.1 基于車輛物理狀態(tài)的特征

與其他兩種類型的特征不同，部分基于物理的特征(如：VC，SL / BL，LVD)可以通過原始感知數據直接獲得，其余基于物理的特征YR和BD的提取過程如下.

計算道路切線(圖4中紅色箭頭線)與SV(圖4中綠色箭頭線)的運動方向之間的偏航角φ后，對YR的狀態(tài)進行離散. 道路的切線可以用相鄰車道線的切線來近似. 離散化過程如下，其中閾值φYR是離散化的可調參數.

(8)

圖4 基于物理特征的關鍵閾值參數描述:φYR和BD

Fig.4 Description of key threshold parameters of the physical-based features:φYRand BD

BD的狀態(tài)是根據它到每邊相鄰車道線的距離d離散的. 離散化過程如下，其中閾值dBD是一個可調參數.

(9)

其中dleft是到左車道線的距離，dright是到右車道線的距離.

2.3.2 基于交互感知的特征

交互感知特征(LAFV、LBPV、RAFV、RBPV、CLPV)考慮的是SV關注區(qū)域內相鄰的車輛，不能通過原始感知數據直接獲得. 如圖5所示，SV的關注區(qū)域被分成5個部分(圖5中的LA、LB、CB、RA、RB)，由預定的距離閾值確定. 同一車道的前車的距離閾值dthre2可能與其他車輛的距離閾值dthre1不同. SV關注區(qū)域的一部分為閾值dthre1生成一個圓與道路交集區(qū)域. 通過相鄰車輛的距離及其與SV的相對速度來判斷該特征的狀態(tài). 例如，LAFV的狀態(tài)提取如下:

(10)

其中ELA表示LA區(qū)域是否存在車輛，0表示不存在，1表示存在.vLA是LA區(qū)域內最近車輛的速度，vSV是SV的速度.

圖5 通過距離閾值將關注區(qū)域劃分為5個部分

Fig.5 The attention area is divided into five sections by the distance thresholds

2.3.3 基于道路結構的特征

由于基于道路結構的特征(LCU，LLE和RLE)不能通過原始感知數據直接獲得，所以提出的提取算法如下.

車道曲率的狀態(tài)取決于車道邊界的曲率. 因此，應擬合可觀測的車道邊界. 通常，車道邊界可擬合為直線、高次多項式或樣條曲線. 在計算擬合線或曲線的曲率后，可以將其離散為不同的值.

本文使用的換道決策數據為從NGSIM數據集中的US-101段和I-80段數據進行預處理和篩選后提取的，其中包括540條車道變換樣本和845條車道保持樣本，共計1385條樣本數據. 從樣本數據中隨機抽取80%(1108例)作為決策模型的訓練樣本，剩下的20%(277例)作為測試樣本.

Algorithm 1:Extraction algorithm for road-[structure

features: LLE and RLE

Require:PSV(the center point of the SV),LS(the set of lane lines)

Ensure:states of LLE and RLE

1: for alllinLsdo

2:Pn← Find Nearest Point(l,PSV)

5:NLLE←NLLE+1

6: else

7:NRLE←NRLE+1

8: end if

9: end for

10:NLLE>2: LLE=1?LLE=0

11:NRLE>2:RLE=1?RLE=0

3 支持向量機模型建立

自動駕駛車輛換道決策場景是具有代表性的分類情況，SVM的目的就是試圖獲得一個超平面，這個超平面可以完美地分割不同的數據集.

(11)

假設給定訓練樣本{(xi,yi)}，i=1,2,…,m,x∈Rn,yi∈{-1,+1},其中xi是特征輸入，即，第i個樣本的多維特征向量(換道決策點處的特征參數)，m為樣本個數，Rn為n維實數空間，yi代表類別(自動駕駛車輛的決策結果). 我們用下面的線性方程來表示這個超平面:

ωTx+b=0.

(12)

其中ω=(ω1;ω2;…;ωd)是可調的權值向量，它決定了超平面的方向；b是偏置，它確定超平面和坐標原點之間的距離[26]. 對于車輛換道決策這樣的非線性問題，線性可分支持向量機并不能有效解決，要使用非線性模型才能很好地分類. 對于這樣的問題，可以將訓練樣本從原始空間映射到一個更高維的空間，使得樣本在這個空間中線性可分[27]. 對于線性不可分情況，最優(yōu)分類超平面描述為

(13)

其中C>0是一個常數，C越小，模型的復雜度越低，但與數據的擬合程度越低，容易出現欠擬合.C越大，模型的復雜度越大，對數據的擬合程度越高，越容易發(fā)生過擬合.ξi為引入的“松弛變量”，式(13)的對偶表達式為

(14)

這里的函數κ(xi,xj)就是核函數，由于高斯核函數具有強大的映射能力，因此本文選用高斯核函數，其表達式如下:

(15)

σ是高斯核的帶寬，σ越小高斯分布越集中，分的類別會越細，越容易過擬合；參數σ越大，分的類別會越粗，導致欠擬合，無法將數據區(qū)分開來.

最后利用如公式(16)所示的決策函數來確定最終分類結果.

(16)

4 模型驗證及結果分析

4.1 貝葉斯優(yōu)化算法

從上文可以看出來，SVM的性能高度依賴于超參數C和σ的選擇，因此，需要對這2個參數進行優(yōu)化. 貝葉斯優(yōu)化算法[28](Bayesian optimization algorithm，BOA)試圖最小化有界域中x的標量目標函數f(x)可以幫助找到最佳的C和σ. 與其他參數優(yōu)化方法相比，BOA可以獲得更加穩(wěn)定和高效的參數優(yōu)化結果. 將交叉驗證的誤差率f(C,σ)作為目標函數，假設f(C,σ)服從高斯過程

f(x)：GP(E(x),K(x,x')),x=[C,σ].

(17)

利用采集函數來計算最大預期改進量，以通過貝葉斯后驗概率找到下一次要獲取的x=[C,σ].

EI(x,Q)=EQ[max(0,μQ(xbest)-f(x))].

(18)

其中，xbest是當前最佳點，即交叉驗證錯誤率最低的點，μQ(xbest)是當前最佳點的交叉驗證錯誤率，EI(x,Q)是預期的改進，貝葉斯優(yōu)化算法的運行步驟如算法2所示.

Algorithm2: Bayesian Optimization

1: forn=1, 2, …, do

2: select newxn+1by optimizing acquisition function

a:

3: query objective function to obtainyn+1

4: augment the dataDn+1={Dn,(xn+1,yn+1)}

5: update statistical model

6: end for

4.2 模型參數優(yōu)化

數據集中不同的維度的特征具有不同的量綱，需要消除不同量綱的影響. 其次，有些維度參數具有較大變化范圍，容易引起部分數據被淹沒，進而影響模型的預測效果. 此外，數據集變化范圍太大會增加模型的訓練時間和復雜程度, 因此需要進行數據歸一化處理. 對特征變量進行歸一化處理后還能使最優(yōu)解的尋優(yōu)過程變得更加平緩，更容易快速正確地收斂到最優(yōu)解. 這里采用min-max方法對數據進行歸一化處理，將特征變量的取值都轉換到[0,1]，數據歸一化的公式如下:

x′=(x-xmin)/(xmax-xmin).

(19)

式中：x為原始數據，x′為歸一化后的數據，xmax和xmin分別為歸一化前該維特征數據的最大值和最小值.

將歸一化后的數據作為構建SVM模型的樣本，選用高斯徑向基函數(Radial Basis Function，RBF)作為核函數進行SVM建模，關于懲罰因子參數C和核函數參數σ的選擇，采用貝葉斯優(yōu)化算法進行優(yōu)化，選取分類準確率最高的參數C和σ作為最優(yōu)參數. 經過多次迭代后，得到Gaussian-SVM中C和σ的最佳值，其過程如圖6(a)所示. 由圖6(b)可知，最小交叉驗證誤差與C和σ有很大關系，迭代時可達到27.45%.

同時在python環(huán)境下利用貝葉斯優(yōu)化工具包Bayesian-Optimization對RF、GBDT、KNN模型進行參數優(yōu)化得到各自的最優(yōu)參數. 優(yōu)化過程如圖7所示，其中i為迭代次數，AUC為接受者操作特性曲線(Receiver operating characteristic curve，ROC )的線下面積.

4.3 不同模型性能對比

為了全面評估預測性能，我們采用了4個量化性能指標：精度(Precision，PRE)、召回率(Recall)、F1 Score和準確率(Accuracy，ACC).

(a) 目標函數的分布

(b) 迭代過程最小目標函數

圖6 貝葉斯優(yōu)化過程

Fig.6 Bayesian optimization process

(a)Gaussian-SVM參數優(yōu)化過程

(c) GBDT參數優(yōu)化過程

(b) RF參數優(yōu)化過程

(d) KNN參數優(yōu)化過程

圖7 決策模型參數優(yōu)化過程

Fig.7 Parameter optimization process of decision model

1)精度可以看作精確性的度量，是預測為正的所有事件中對應的正確分類比例，即

(20)

2)召回率也稱為真正類率(true positive rate, TPR)，是在所有真實事件中，預測對的正例數占真正的正例數的比率，即

(21)

3)F1 Score是Precision和Recall兩個指標的調和平均值，即

(22)

4)正確率反映分類器對整個樣本的判定能力，能將正的判定為正，負的判定為負的能力，即

(23)

式中：TP表示實際為正類，也被預測為正類的樣本數；TN表示實際為負類，也被預測為負類的樣本數；FP表示實際為負類，但被預測為正類的樣本數；FN 表示實際為正類，但被預測為負類的樣本數.

確定好各個換道決策模型的參數后，將各模型參數尋優(yōu)的結果在測試集上進行驗證，結果如表1所示. 由表1可知，基于規(guī)則的模型準確率較低，只有72.42%，這表明基于規(guī)則的模型對數據中隱含信息的挖掘能力較弱，無法準確反映真實情況下駕駛員車道變換決策的特性. 貝葉斯優(yōu)化高斯核函數支持向量機模型(BOA Gaussian-SVM)的準確率最高，達到了92.97%. 此外，貝葉斯優(yōu)化RF、GBDT、KNN模型也具有較好的效果，梯度提升樹耗時最少，但準確率低于BOA Gaussian-SVM. 在所有方法中BOA Gaussian-SVM模型的召回率最高，達到92.91%，平均綜合得分F1得分最高，為93.05%. 這表明該模型更符合實際情況中駕駛員的操作特性和決策習慣，具有較高的綜合預測性能.

表1 不同方法的性能比較Tab.1 Performance comparison of different approaches

4.4 仿真實驗

為了對Gaussian-SVM決策模型模型在交通場景中的有效性進行驗證，我們對模型進行了仿真實驗. 使用Airsim作為仿真平臺，基于python語言用tensorflow框架完成模型搭建，模擬平臺遵循模塊化設計，核心組件包括環(huán)境模型、車輛模型、物理引擎、傳感器模型、公共API層和車輛固件接口層. Gaussian-SVM模型測試的環(huán)境系統(tǒng)架構如圖8所示.

圖8 描述核心組件及其交互的系統(tǒng)架構

Fig.8 The architecture of the system that depicts the core components and their interactions

在實驗過程中，測試車輛可以通過Airsim平臺實時獲取當前車道和相鄰車道內車輛的運動狀態(tài)數據和位置數據. 測試環(huán)境采用同向四車道高速工況，車道寬度為3.5 m，試驗車型為小汽車. 為了模擬動態(tài)交通流的變化，系統(tǒng)采用快車和慢車兩種車型，快車的平均期望速度設置為28 m/s，每輛車的期望速度服從[23 m/s, 33 m/s]上的均勻分布；慢車的平均期望速度設置為20 m/s，每輛車的平均期望速度服從[15 m/s,25 m/s]上的均勻分布. 當車輛做出換道決策后，為滿足車輛運動約束以及實時性要求，采用基于B樣條曲線的方法來規(guī)劃換道路徑.

4.4.1 不同決策模型性能對比

換道次數是換道成功的標志，也是評價決策模型的重要指標，可以通過對比決策模型在不同駕駛環(huán)境中換道次數來分析各個模型的性能和對駕駛環(huán)境變化的適應性. 測試過程中按照飽和度值每遞增0.1向系統(tǒng)內輸入相應的車輛數來模擬駕駛環(huán)境的動態(tài)變化. 理論上，交通流中車輛數增多則飽和度增大，間隔距離縮小，車輛所受約束條件變嚴格，這可能導致平均車速降低，具有換道動機的車輛增加. 對RF、GBDT、KNN以及Gaussian-SVM4種決策模型在不同的飽和度下進行測試，不同決策模型在3 500 s時間內平均換道次數統(tǒng)計結果如圖9所示.

圖9 不同算法平均換道次數

Fig.9 Average lane-changing times for different algorithms

從圖9可以看出：當V/C<0.2時，交通流中車輛較少，車輛間距較大，車流接近自由流狀態(tài)，車速基本不受到前導車輛PV的影響，此時，車輛一般不會產生換道動機. 隨著V/C增大進入同步流狀態(tài)后，車速受到限制，間距縮小，具有換道動機的車輛增多. 在V/C=0.3時平均換道次數開始迅速增加，在V/C=0.4達到了極大值，隨著V/C值進一步增加而呈現緩慢下降形態(tài). 在不同飽和度V/C情況下，KNN和GBDT模型換道次數變化率較大，而且變道較為頻繁；RF模型換道次數最少，整個過程變化較平緩，Gaussian-SVM換道決策模型在不同飽和度時換道次數適中，且變化較為平滑.

4.4.2 車輛換道頻率分析

通過分析決策模型對每個決策變量變化的敏感性，定量評估BOA Gaussian-SVM換道決策模型的性能以及特征參數對駕駛決策的影響. 以道路曲率ρ的變化為例，將ρ取值設為不同的值，其他決策參數仍然保持標準，每次ρ改變時都會獲得一組新的駕駛決策樣本并輸入到決策模型中，根據模型的輸出計算不同交通密度下的換道率. 然后，分別在ρ取0、1、1.65和3的情況下得到換道率隨交通密度變化的趨勢. 同樣，在其他決策參數保持標準，改變慢車比例p的值也可以得出當系統(tǒng)中快、慢車比例采用不同值時換道率隨交通密度變化的趨勢，在此操作和數據統(tǒng)計之后的結果如圖10所示.

(a) 換道率-密度-道路曲率關系

(b) 換道率-密度-慢車比例關系圖10 不同條件下車輛換道率Fig.10 The rate of lane changing under different conditions

從圖10可以看出：

1)車道曲率對換道率的影響：在中、低交通密度范圍(5～15 veh/km)內，道路條件的變化對駕駛決策的影響較大，在高交通密度范圍(ρ>25 veh/km)內影響較小(圖10(a)). 所以我們可以得出結論：在低交通密度范圍內，駕駛決策主要受道路條件的限制，因此，在不考慮道路條件的情況下，結果容易出錯. 另一方面，在高交通密度范圍內，駕駛決策主要受到車輛狀態(tài)的限制，因此即使不考慮道路條件，決策結果也不會受到太大影響.

2)慢車比例對換道率的影響：慢車比例對換道率的影響因密度的不同而改變(圖10(b)). 在中、低密度范圍(5～15 veh/km)，此時交通密度不高，能夠提供刺激車輛產生換道動機的空間優(yōu)勢和速度優(yōu)勢，因此不同快、慢車比例時換道率都較高. 當慢車比例在0.2～0.4之間時，車道變換率都超過了20%，因為此時交通流中具有換道動機的車輛多，而且快慢車相互干擾強，所以換道也最為頻繁. 在高密度范圍(ρ>25 veh/km)內不同快、慢車比例時換道率都較低，均趨近于0.

3)車流密度對換道率的影響：從圖10可知，換道率隨密度的變化曲線趨于一致，均呈倒“V”形，且中密度范圍(10～15 veh/km)內換道率都較高. 情形1中，在不同道路曲率下，換道率隨密度的增加先增加后下降，當密度大于25 veh/km時，換道率趨近于0. 情形2中換道率隨密度的變化趨勢與情形1基本相同. 在2種情形中，同一密度下慢車比例不同，導致車流速度不同，從而對速度優(yōu)勢和空間優(yōu)勢產生不同的影響. 中密度范圍內相鄰車道中存在較大的行車空間，有利于速度優(yōu)勢或空間優(yōu)勢產生，所以換道最為頻繁. 隨著交通密度繼續(xù)增大，車輛“溢出”現象導致交通流中車速降低、間距縮小，難以產生激發(fā)車輛產生換道意圖的速度優(yōu)勢或空間優(yōu)勢，因此換道率也逐漸降低.

4.4.3 車輛換道決策過程分析

以下僅取交通流中任意單車換道過程進行研究，換道過程如圖11所示. 實驗開始時，測試車輛以videal=80 km/h的速度在虛擬環(huán)境中的高速工況下行駛. 開始時測試車輛與前車速度接近，27.5 s之后測試車輛開始加速兩車相對距離不斷減小，30 s時測試車輛速度增加至58.91 km/h，兩車相對距離減小到76.58 m，當前車道前車速度為54.92 km/h，此時Gaussian-SVM換道決策算法做出換道決策. 然后，自動駕駛車輛通過調整橫向速度(圖10(a))成功改變車道，車速逐漸提高到接近所設置理想車速(圖10(b))，達到了74.47 km /h. 此時前導車輛變?yōu)門P，與前車的相對距離增加至107.12 m，如圖11(c)所示. 改變車道后，測試車輛的速度提升了26.41%，與前車相對距離提升了39.88%. 測試車輛換道決策過程與第1節(jié)換道決策機理分析相符，進一步證明了所提換道決策模型的合理性和有效性.

(a)車輛橫向位置與加速度

(b)換道期間的車速變化

(c)相對距離圖11 車輛換道過程Fig.11 Vehicle lane-changing process

5 結 論

1)傳統(tǒng)的數理模型雖然能夠在一定程度上體現駕駛員的決策機理，但是并不能充分體現實際駕駛決策過程中各方面的影響因素，其準確性和適用性明顯不足.

2)車輛換道主要受車輛狀態(tài)和道路狀況等多方面因素的影響，從基于道路結構特征、基于交互感知的特征與基于物理的特征三個方面提取決策特征，使決策模型考慮的因素更加全面，決策結果更符合駕駛員的操作特性和決策習慣.

3)BOA Gaussian-SVM決策模型在測試集上以92.97% 的預測準確率超越了其他換道決策模型并遠高于規(guī)則模型，能夠較為準確地預測主體車輛的自由換道行為. 實驗結果進一步證明了所提模型的有效性，說明該模型在自動駕駛和輔助駕駛系統(tǒng)開發(fā)中具有應用價值和借鑒意義.