事故接管場景下L3自動駕駛換道軌跡的評價和分類

李振龍， 董愛華， 趙曉華， 楊磊

(北京工業(yè)大學(xué)城市交通學(xué)院， 北京 100124)

近年來，中國機動車輛和駕駛員人數(shù)持續(xù)快速增長，交通擁擠、事故頻發(fā)等問題較突出。自動駕駛被認(rèn)為是解決交通事故和交通擁堵的有效渠道，目前，L3自動駕駛的研發(fā)工作在眾多汽車企業(yè)中展開。科研院校也已開展L3級自動駕駛的相關(guān)研究工作。但是目前大多數(shù)研究集中在駕駛員上，對于微觀交通行為的研究較少。換道過程是一種微觀駕駛行為，研究表明，在高速公路上60%的交通事故與換道有關(guān)，而且不規(guī)律的換道是導(dǎo)致城市交通擁堵的最主要原因之一[1]。換道過程是研究自動駕駛的重要部分，找到一條優(yōu)秀的換道軌跡對于自動駕駛的發(fā)展和道路交通的順暢、安全具有重要意義。

1為保護(hù)貼；2為內(nèi)存卡；3為充電器；4為心電儀設(shè)備；5為心電儀設(shè)備擴展帶圖1 實驗設(shè)備Fig.1 Equipment

學(xué)者們針對換道軌跡的評價問題已開展了大量研究。李瑋等[2]采用最大側(cè)向加速度、車輛換道軌跡起始位置的曲率值、換道軌跡的切線方向與車道線產(chǎn)生的夾角作為評價換道軌跡的指標(biāo)。Tehrani等[3]用橫向加速度評價高速公路上車輛實際換道數(shù)據(jù)和多項式擬合的換道數(shù)據(jù)的舒適性。潘兵宏等[4]采用橫向加速度驗證換道軌跡模型的舒適性。華一丁等[5]提出了一種基于魯棒比例積微分控制(proportional-integral-derivative control，PID)的智能汽車自主換道軌跡跟蹤控制算法，通過對比該算法與傳統(tǒng)PID控制算法得到的橫擺角速度值，證明了其算法可以使乘客更舒適。鄧召文等[6]研究了不同沖擊度約束下智能汽車換道軌跡優(yōu)化問題，其用沖擊度即汽車非勻速運動時加速度的導(dǎo)數(shù)值來描述舒適性，構(gòu)建了考慮縱、橫向沖擊度和換道結(jié)束縱向位移的目標(biāo)函數(shù)。閆堯等[7]采用橫向速度、橫向加速度表征舒適性，用平均曲率表征平穩(wěn)性，用換道軌跡長度表征高效性。廖鵬等[8]以加速度和前輪轉(zhuǎn)角為基礎(chǔ)，構(gòu)造了綜合考慮燃油消耗量、前輪轉(zhuǎn)角的角速度和換道時間的目標(biāo)函數(shù)，所得軌跡可以在保證駕駛安全性的前提下，實現(xiàn)經(jīng)濟(jì)、舒適和高效等目標(biāo)。Fotiades等[9]提出的車輛快速換道算法中用側(cè)向加速度表征乘客的舒適性。張新鋒等[10]用側(cè)向加速度評價舒適性，用換道時間評價高效性，用車輛處于換道危險點時與周圍車的距離評價安全性。柯濤[11]用最大加速度來表征舒適性，用燃油消耗量來表征經(jīng)濟(jì)性，用本車與當(dāng)直接前車、目標(biāo)車道后車的距離來表征安全性。裴曉飛等[12]通過車間時距、碰撞時間、車速以及加速度的導(dǎo)數(shù)評價換道軌跡在行駛效率、安全性、舒適性方面的性能。Luo等[13]用換道時間和換道距離作為變量進(jìn)行換道軌跡規(guī)劃。蔣銳等[14]引入包含加速度和速度的換車道危險系數(shù)表征車輛換道時的安全性。薛清文等[15]選擇碰撞時間倒數(shù)、車頭時距和碰撞裕度來評價換道過程中的碰撞風(fēng)險。馬小龍等[16]采用碰撞時間和碰撞余量作為換道過程的安全性評價指標(biāo)。

綜上可知，學(xué)者們對傳統(tǒng)車輛和智能車輛的換道軌跡評價開展了大量研究，提出了比較豐富的評價指標(biāo)，但是L3自動駕駛事故場景下的換道因存在控制權(quán)由車到人的切換而有所不同，對于L3自動駕駛事故場景下?lián)Q道軌跡評價的研究尚鮮見報道。準(zhǔn)確、簡便地找到適合于該場景下的最優(yōu)換道軌跡一方面可以在手動駕駛時為駕駛員提供指導(dǎo)，另一方面可以在自動駕駛時便于車輛遵循。鑒于此，從駕駛模擬實驗獲得的L3事故場景下人工接管后的換道軌跡數(shù)據(jù)出發(fā)，從舒適性、高效性、生態(tài)性、安全性4個方面選取評價指標(biāo)，考慮到換道軌跡多指標(biāo)性能綜合評價的特點，運用多目標(biāo)決策的熵權(quán)TOPSIS(technique for order preference by similarity to an ideal solution)法評價換道軌跡并進(jìn)行標(biāo)簽標(biāo)定，在此基礎(chǔ)上訓(xùn)練得到支持向量機(support vector machine, SVM)分類器，以期換道軌跡的分類能更加簡便。

1 實驗設(shè)計與數(shù)據(jù)提取

1.1 實驗設(shè)備

實驗設(shè)備為北京工業(yè)大學(xué)AutoSimAS駕駛模擬系統(tǒng)，硬件主要包括駕駛模擬器、高性能計算機、華為平板、眼動儀、攝像機等，軟件為SCANeR1.9系統(tǒng)。通過場景開發(fā)軟件和平板設(shè)備開發(fā)虛擬場景和人機交互界面(human machine interface，HMI)，并將其導(dǎo)入駕駛模擬系統(tǒng)。駕駛模擬器以20 Hz的頻率動態(tài)采集坐標(biāo)、速度、橫向偏移等信息，實驗設(shè)備示意圖如圖1所示。

1.2 接管場景

接管場景包括主線接管、團(tuán)霧接管、事故接管、匝道接管。設(shè)計道路為閉環(huán)。其中，事故接管路段的限速為120 km/h，自動駕駛車輛速度為100 km/h，駕駛?cè)私庸苘囕v后根據(jù)道路限速行駛，由手動駕駛模式切換至自動駕駛模式后，車輛逐漸恢復(fù)速度100 km/h。接管方式為當(dāng)HMI發(fā)出接管請求后，駕駛?cè)诵璋磮D1中的“接管”按鈕將控制權(quán)由車輛移交給駕駛?cè)?，在自動駕駛功能可用時按圖1中的“啟動”按鈕將恢復(fù)自動駕駛。HMI界面如圖2所示。

1.3 被試

共邀請42名視力、聽力良好且有駕駛能力的被試，其中男性32人，女性10人。平均年齡為(43.45±17.16)歲，平均駕齡為(16.10±11.96)年。

1為自動駕駛模式；2為手動駕駛模式圖2 HMI界面設(shè)計Fig.2 HMI interface design

1.4 實驗步驟

每位駕駛?cè)诉M(jìn)行兩次實驗，實驗起點隨機確定。實驗開始前，先對駕駛?cè)诉M(jìn)行理論、視頻和實操培訓(xùn)，通過測試問卷后開始第一次正式實驗，為避免疲勞駕駛，第一次實驗結(jié)束后，駕駛?cè)诵菹?0～15 min，然后開始第二次實驗，兩次試驗結(jié)束后，駕駛?cè)颂顚懼饔^問卷，試驗結(jié)束。

1.5 數(shù)據(jù)提取

事故場景下，為保證車輛繼續(xù)通行，車輛必須換道繞過事故點。通過車輛橫向偏移和坐標(biāo)提取出113條換道軌跡用于接下來的評價和分類研究。

2 評價與分類

2.1 指標(biāo)體系構(gòu)建

從舒適性、高效性、生態(tài)性、安全性四個方面選取換道軌跡的評價指標(biāo)。

(1)舒適性。換道過程中應(yīng)盡可能確保乘坐人員的舒適度。多數(shù)研究用最大橫向加速度表征換道過程的舒適性，劉晨強[17]用最大橫向加速度和最大縱向加速度來表征換道過程的舒適性。因此選取最大橫向加速度axmax和最大縱向加速度aymax作為評價舒適性的參數(shù)。

(2)高效性。高效性是換道軌跡規(guī)劃中經(jīng)常考慮的問題，多數(shù)研究用換道時間或者換道軌跡長度來表征高效性。因此選取換道時間T和換道軌跡長度L作為評價高效性的參數(shù)。

(4)安全性。碰撞時間(time-to-collision，TTC)常用來判斷車輛是否會發(fā)生追尾事故，根據(jù)具體情況，TTC的計算方式為自車未完全駛離本車道情況下自車與事故點之間的TTC。為了避免兩車間的相對速度過小，從而導(dǎo)致TTC趨向于無窮大的問題，常用TTC的倒數(shù)ITTC來代替TTC。因此在安全性上選取的指標(biāo)為ITTC。

換道場景是前方出現(xiàn)事故，自動駕駛系統(tǒng)向駕駛員發(fā)出接管預(yù)警，隨后駕駛員接管車輛并進(jìn)行換道。這種情況下的換道比較緊急，平順性一般都較差，所以在進(jìn)行換道軌跡評價時不考慮平順性。建立的評價指標(biāo)體系如圖3所示。

圖3 換道軌跡評價指標(biāo)體系Fig.3 Evaluation index system for lane change trajectory

2.2 熵權(quán)TOPSIS評價模型

TOPSIS是一種常用的綜合評價法，因其具有應(yīng)用靈活、計算簡便、結(jié)果量化客觀等優(yōu)點而被廣泛應(yīng)用[19]，它的基本思想是通過計算各評價對象與正、負(fù)理想解的綜合距離來確定評價對象的優(yōu)劣順序。如果評價對象距離正理想解越近，距離負(fù)理想解越遠(yuǎn)，就認(rèn)為這個評價對象更好。正理想解與負(fù)理想解是一個虛擬的最優(yōu)解與最差解, 分別代表本身的各個指標(biāo)值都達(dá)到評價對象中的最優(yōu)值與最差值[20]。

設(shè)共有m個評價對象，每個評價對象有n個評價指標(biāo)，X=(xij)m×n為由各換道軌跡各指標(biāo)組成的矩陣，其中xij為第i(i=1,2,…,m)個換道軌跡的第j(j=1,2,…,n)個指標(biāo)值。記xj為矩陣X的第j列。采用熵權(quán)TOPSIS進(jìn)行綜合評價的步驟如下。

步驟1數(shù)據(jù)標(biāo)準(zhǔn)化。

正向化指標(biāo)可表示為

x′ij=(xij-minxj)/(maxxj-minxj)

(1)

負(fù)向化指標(biāo)可表示為

x′ij=(maxxj-xij)/(maxxj-minxj)

(2)

式中：maxxj為第j項指標(biāo)的最大值；minxj為第j項指標(biāo)的最小值；x′ij為xij標(biāo)準(zhǔn)化后的值。

步驟2計算評價指標(biāo)的熵權(quán)。

(3)

(4)

(5)

式中：yij為第i個軌跡的第j項指標(biāo)所占的比重；ej為第j項指標(biāo)的信息熵；K=1/lnm為常數(shù)；Wj為第j項指標(biāo)的權(quán)重。

應(yīng)用式(3)～式(5)[20]計算出各評價指標(biāo)熵權(quán)，結(jié)果如表1所示。

表1 各評價指標(biāo)熵權(quán)Table 1 Entropy weight of each evaluation index

步驟3構(gòu)造加權(quán)規(guī)范化矩陣。

(6)

式(6)中：W1,W2,…,Wn為式(5)計算得到的第1,2,…,n項指標(biāo)的權(quán)重。

步驟4計算正、負(fù)理想解。

定義正理想解V+和負(fù)理想解V-分別為

(7)

(8)

應(yīng)用式(7)得到正理想解為[20]

V+=[0.138,0.094,0.138,0.174,0.046,

0.124,0.112,0.093,0.081]

(9)

應(yīng)用式(8)得到負(fù)理想解為[20]

V-=[0,0,0,0,0,0,0,0,0,0]

(10)

步驟5計算距離。

(11)

(12)

步驟6計算相對貼近度。

各評價對象與理想解的相對貼近度Ci為

(13)

根據(jù)式(9)～式(11)[20]計算出每個換道軌跡的相對貼近度，并由此得到113條換道軌跡的優(yōu)劣排序，按等比例將樣本劃分為優(yōu)、中、差三類。

2.3 支持向量機分類模型

SVM是對數(shù)據(jù)進(jìn)行二元分類的廣義線性分類器，是一種二分類模型，基本思想是求解能夠正確劃分訓(xùn)練數(shù)據(jù)集且最大化特征空間幾何間隔的分離超平面。由于SVM具有理論完善、結(jié)構(gòu)簡單、泛化能力強、收斂性好等優(yōu)點，得到了廣泛應(yīng)用。

當(dāng)數(shù)據(jù)集線性可分時，超平面函數(shù)表達(dá)式為：wTx+b=0，幾何間隔d=2‖w‖，其中，w為超平面的法向量，x為數(shù)據(jù)集中任一樣本的坐標(biāo)向量，b為截距，只要使得幾何間隔最大，就可以求出最優(yōu)分類超平面；當(dāng)數(shù)據(jù)集是線性不可分時，SVM通過選擇一個核函數(shù)對原始空間中的非線性數(shù)據(jù)進(jìn)行映射轉(zhuǎn)換，使其變?yōu)楦呔S空間中的線性可分?jǐn)?shù)據(jù)，從而求出最優(yōu)分類超平面。

SVM分類器模型的構(gòu)建可分為：訓(xùn)練集和測試集的劃分、核函數(shù)選擇和參數(shù)尋優(yōu)、模型訓(xùn)練和分類預(yù)測，具體如下。

步驟1訓(xùn)練集和測試集的劃分。利用十折交叉驗證法，將數(shù)據(jù)集中113個樣本平均分為10份，輪流將其中9份作為訓(xùn)練集，1份作為測試集，進(jìn)行10組試驗。取10組試驗的平均準(zhǔn)確率作為最終的預(yù)測準(zhǔn)確率。

步驟2核函數(shù)選擇和參數(shù)尋優(yōu)。高斯徑向基函數(shù)是一種局部性強的核函數(shù)，對大樣本和小樣本都適用，因此選擇高斯徑向基函數(shù)作為模型的核函數(shù)。為了更好地提升分類器的性能，分類前需要調(diào)整SVM模型的參數(shù)。參數(shù)c為懲罰因子，決定錯分樣本的處罰程度，參數(shù)g為核函數(shù)中的gamma函數(shù)設(shè)置，決定高維空間中數(shù)據(jù)的分布情況。c和g的選擇對分類精度影響很大，試驗中用函數(shù)SVMcgClass完成c和g的選擇。

步驟3模型訓(xùn)練和分類預(yù)測。調(diào)用libsvm軟件包，使用libsvm中的svmtrain函數(shù)來訓(xùn)練多分類模型，使用libsvm中的svmpredict函數(shù)來測試分類精度。

3 結(jié)果分析

3.1 評價結(jié)果分析

將熵權(quán)TOPSIS模型應(yīng)用于駕駛模擬得到的換道軌跡，根據(jù)相對貼近度將換道軌跡進(jìn)行優(yōu)劣排序，最優(yōu)換道軌跡的各項指標(biāo)值如表2所示。根據(jù)相關(guān)研究，人體承受縱向加速度和橫向加速度的界限值不同[一般縱向加速度值為(-3 m/s2，3 m/s2)，橫向加速度為(-2 m/s2，2 m/s2)][17]。高速公路環(huán)境換道時間一般在3.5～6.5 s。對應(yīng)表2中的指標(biāo)值可知換道過程中駕駛?cè)烁杏X舒適，換道較為高效。油門踏板深度的平均值和最大值較小，油門踏板深度一階導(dǎo)數(shù)的平均值和最大值也較小，說明換道過程中油門踏板深度變化平緩，即換道過程中車輛油耗較小。根據(jù)碰撞時間倒數(shù)的值可知碰撞時間為2.74 s，根據(jù)林慶峰等[21]的研究結(jié)果，在建立L3級自動駕駛汽車的接管安全性評價模型中將TTC大于1 s的設(shè)為安全組，小于1 s的設(shè)為危險組。所以此換道軌跡較為安全。綜上，由熵權(quán)TOPSIS評價模型選擇的最優(yōu)軌跡在舒適性、高效性、生態(tài)性和安全性上綜合表現(xiàn)優(yōu)秀。

根據(jù)相對貼近度將113條換道軌跡進(jìn)行排序，然后按等比例劃分為好、中、差三類。選取每一類中相對貼近度最高和最低的軌跡作為代表，其各指標(biāo)與正、負(fù)理想解之間的接近程度如圖4所示。

由圖4可知，正負(fù)理想解之間差距最大的為指標(biāo)4(軌跡長度)；差距最小的為指標(biāo)5(平均油門深度)。由各代表曲線(圖4)也可以看出，在指標(biāo)3(換道時間)和指標(biāo)4(軌跡長度)上波動較大，好的類別的軌跡在這兩個指標(biāo)上的值也更好，說明各類別曲線在高效性上有明顯區(qū)別；而在指標(biāo)5(平均油門深度)和指標(biāo)8(最大油門深度一階導(dǎo)數(shù))上，各曲線并沒有較明顯的波動，說明各類別曲線在生態(tài)性上差別并不大。從整體上看，在每個指標(biāo)上各類別曲線的高低位置會發(fā)生變化，說明曲線在不同的指標(biāo)上各有優(yōu)劣。綜上，熵權(quán)TOPSIS評價模型中，各指標(biāo)由于其熵權(quán)不同在評價過程中占有不同程度的作用，但軌跡最終的評價結(jié)果是綜合考慮各指標(biāo)的表現(xiàn)決定的。

表2 最優(yōu)換道軌跡指標(biāo)值Table 2 Index values of optimal lane-changing trajectory

將三類軌跡的各項標(biāo)準(zhǔn)化指標(biāo)取平均值，從整體上觀察類別間的指標(biāo)變化情況。如圖5所示，軌跡長度在3種類別之間并沒有明顯變化，除最大縱向加速度和碰撞時間倒數(shù)外，其余各指標(biāo)的變化趨勢與各類別的優(yōu)劣關(guān)系相符合。從數(shù)據(jù)上看，最大縱向加速度和碰撞時間倒數(shù)的熵權(quán)較小，與整體指標(biāo)體系相比，其相反的變化趨勢并不影響相應(yīng)軌跡類別關(guān)系的判定。

V1為正理想解；V2為負(fù)理想解；Si1為第i類中的最好軌跡； Si2為第i類中的最差軌跡；指標(biāo)序號1～9分別對應(yīng)圖3中的 二級指標(biāo)，序號從左到右遞增排序圖4 與正負(fù)理想解的接近程度圖Fig.4 Diagram of the closeness to the positive and negative ideal solutions

圖5 類別間指標(biāo)對比Fig.5 Comparison of indicators among categories

3.2 分類結(jié)果分析

為使分類更加簡便，用已經(jīng)帶有分類標(biāo)簽的數(shù)據(jù)訓(xùn)練SVM分類器，經(jīng)網(wǎng)格搜索后，c取2，g取0.078。如表3所示，用得到的SVM分類器模型對換道軌跡分類，得到的平均準(zhǔn)確率為79.55%，平均精確率為79.52%，平均召回率為79.51%，平均F1分?jǐn)?shù)為77.43%。圖6為準(zhǔn)確率是81.81%時測試集實際分類和預(yù)測分類的情況。綜上，SVM分類器能以較為穩(wěn)定的準(zhǔn)確率完成換道軌跡的分類。

表3 分類器性能評價指標(biāo)值Table 3 The performance evaluation index value of the classifier

圖6 分類情況示例Fig.6 Example of classification

4 結(jié)論

基于駕駛模擬器設(shè)計L3級自動駕駛事故場景并提取該場景下的換道軌跡數(shù)據(jù)。用熵權(quán)TOPSIS模型對提取的113條換道軌跡進(jìn)行評價以及標(biāo)簽標(biāo)定，最后訓(xùn)練得到SVM分類器對換道軌跡進(jìn)行分類。得出如下結(jié)論。

(1)用熵權(quán)TOPSIS評價模型得到的最優(yōu)換道軌跡在舒適性、高效性、生態(tài)性和安全性上綜合表現(xiàn)優(yōu)秀。

(2)SVM分類器可以較為準(zhǔn)確地完成換道軌跡的分類，且只根據(jù)評價指標(biāo)就可以直接預(yù)測分類結(jié)果，相比于熵權(quán)TOPSIS模型，其更為簡便。

換道數(shù)據(jù)來自L3事故場景，得到的最優(yōu)換道軌跡可為自動駕駛車輛在該場景下的換道軌跡規(guī)劃和軌跡跟蹤提供參考。需要指出的是本文中權(quán)重的選擇是根據(jù)本次實驗得到的，對于其合理性還需要進(jìn)一步研究，此外，研究結(jié)果是基于駕駛模擬艙得到的，在真實交通中的應(yīng)用還需要進(jìn)一步深入研究。