車道變換行為研究進(jìn)展

張 磊，彭金栓，宋 臻，陳 鑫

(重慶交通大學(xué) 交通運(yùn)輸學(xué)院， 重慶 400074)

0 引言

作為建設(shè)交通強(qiáng)國(guó)的關(guān)鍵一環(huán)，道路交通安全是交通系統(tǒng)的生命線和永恒主題。開展跟馳、換道等駕駛行為的研究有助于彌補(bǔ)人車路系統(tǒng)的薄弱環(huán)節(jié)，有效提升道路交通安全水平。相較于難度較低的跟馳行為，換道過程中的駕駛?cè)嗽谝曈X搜索、判斷決策、動(dòng)作執(zhí)行等需要付出更多的心智努力[1]。換道過程中一旦駕駛?cè)顺霈F(xiàn)情緒緊張或判斷操作失誤，極易發(fā)生追尾或擦掛事故。據(jù)統(tǒng)計(jì)，不恰當(dāng)?shù)能嚨雷儞Q引起的交通事故約占事故總量的10%[2]。此外，在擁堵路段發(fā)生的頻繁換道在某種程度上會(huì)影響交通流的整體通行效率，引發(fā)交通擁堵[3]。

為揭示影響車道變換安全性的因素，探索科學(xué)有效的換道預(yù)警方法及手段，國(guó)內(nèi)外學(xué)者開展了多方面研究，取得了諸多有價(jià)值的學(xué)術(shù)成果，豐富了駕駛行為相關(guān)理論，并為各類換道輔助系統(tǒng)的性能提升及優(yōu)化提供了重要的理論依據(jù)和數(shù)據(jù)支持[4-6]。但是，目前尚缺乏對(duì)換道行為相關(guān)研究的系統(tǒng)性綜述與回顧，不利于相關(guān)學(xué)者對(duì)該領(lǐng)域的系統(tǒng)了解。本文分別選取2001—2021年(截至2021年6月)的CNKI數(shù)據(jù)庫(kù)以及Web of Science核心合集等數(shù)據(jù)庫(kù)中與車道變換相關(guān)的文獻(xiàn)，共得到中文文獻(xiàn)695篇，外文文獻(xiàn)6 629篇，發(fā)文量統(tǒng)計(jì)如圖1所示，可見國(guó)內(nèi)外針對(duì)車道變換的論文數(shù)量逐年穩(wěn)步提高。

圖1 2001—2021年國(guó)內(nèi)外年度發(fā)文量統(tǒng)計(jì)曲線

圖2中展示了CNKI中車道變換領(lǐng)域關(guān)鍵詞的年份與關(guān)系統(tǒng)計(jì)，可以看到中文文獻(xiàn)較多涉及到交通工程、交通安全、交通流、元胞自動(dòng)機(jī)等關(guān)鍵詞，而近年來的研究熱點(diǎn)逐漸轉(zhuǎn)移到自動(dòng)駕駛領(lǐng)域的軌跡規(guī)劃、路徑跟蹤等方向。而圖3表明，以Web of Science核心合集為代表的外文文獻(xiàn)中，駕駛模擬器(simulation)、交通流(traffic flow)、換道模型(model)、駕駛安全(safety)、路徑規(guī)劃(trajectory planning)是熱點(diǎn)關(guān)鍵詞。總體而言，在車路智能化水平不斷提高的當(dāng)下，如何通過更加精準(zhǔn)的換道模型與行為特征的理論研究，借助換道預(yù)警或者自動(dòng)換道等技術(shù)手段，不斷提升換道過程中的安全性、舒適性與高效性，是今后該領(lǐng)域重要的研究課題。

圖2 CNKI關(guān)鍵詞共現(xiàn)知識(shí)圖譜

圖3 Web of Science關(guān)鍵詞共現(xiàn)知識(shí)圖譜

1 換道模型

相比于跟馳行為，換道行為有可能會(huì)對(duì)自身及周圍車輛產(chǎn)生更大安全風(fēng)險(xiǎn)，因此換道行為模型的研究得到了越來越多相關(guān)學(xué)者的關(guān)注。從當(dāng)前換道行為模型相關(guān)成果中進(jìn)行梳理，大致可以從換道動(dòng)機(jī)與換道決策2個(gè)不同維度展開討論。從換道動(dòng)機(jī)角度出發(fā)，可以將換道行為模型分為自由換道模型、強(qiáng)制換道模型與綜合換道模型[7]；從換道決策角度出發(fā)，可將換道行為模型分為可行性模型、概率模型、數(shù)據(jù)驅(qū)動(dòng)模型。

1.1 換道動(dòng)機(jī)模型

在各類復(fù)雜的道路交通環(huán)境中，駕駛員因?yàn)樽非箢A(yù)期的車速、駛?cè)肫密嚨琅c規(guī)避障礙物等原因，進(jìn)而衍生出各種不同的換道動(dòng)機(jī)。針對(duì)強(qiáng)制換道，劉有軍[8]提出了一種基于Cellular Automata的模糊換道模型，并延伸到多車道強(qiáng)制換道模型。而對(duì)自由換道模型，陳慧等[9]引入了駕駛?cè)怂俣炔粷M度累積模型，當(dāng)達(dá)到一定閾值時(shí)產(chǎn)生換道動(dòng)機(jī)進(jìn)而執(zhí)行換道操作。在實(shí)際駕駛過程中，換道動(dòng)機(jī)是個(gè)多因素共存作用的結(jié)果。魏麗英等[7]在交叉口進(jìn)口道區(qū)域結(jié)合了自由換道概率與強(qiáng)制換道概率，建立了綜合換道概率模型，仿真結(jié)果顯示換道率受交通流密度的影響，同時(shí)又會(huì)影響平均車速。

但傳統(tǒng)的自由換道模型存在邊界界定不清晰的缺陷，如無法有效區(qū)分前方慢車導(dǎo)致的選擇性換道和自由流狀態(tài)下的隨機(jī)性換道。為了更精確地描述不同類型換道行為的發(fā)生動(dòng)機(jī)差異，并為自動(dòng)駕駛速度與軌跡規(guī)劃提供更為科學(xué)的理論依據(jù)，有必要將傳統(tǒng)的換道動(dòng)機(jī)進(jìn)一步分解，具體如表1所示[10]。

表1 不同換道動(dòng)機(jī)差異

1.2 換道決策模型

當(dāng)駕駛?cè)水a(chǎn)生換道動(dòng)機(jī)之后，需要對(duì)換道操作的可行性和時(shí)機(jī)進(jìn)行判斷與決策?；谂卸l件選擇的差異性，學(xué)者們建立了各種換道決策模型，其中最為著名的是Gipps模型。Gipps模型主要基于可接受間距、障礙物位置、車間位置等因素判斷換道的可行性[11]。除此之外，還有學(xué)者基于換道概率視角建立了Ahmed模型。Ahmed[12]模型遵循以下3個(gè)步驟：產(chǎn)生換道意圖、選擇預(yù)期車道、判斷安全間距，該模型利用離散決策框架建立數(shù)學(xué)模型，確定目標(biāo)車輛在某時(shí)刻選擇不同換道模式的概率。

在駕駛?cè)藫Q道決策的過程中，期望是一個(gè)重點(diǎn)指標(biāo)，基于駕駛?cè)似谕臎Q策模型著重強(qiáng)調(diào)駕駛?cè)嗽谶M(jìn)行換道決策時(shí)希望得到的“優(yōu)勢(shì)”。MOBIL[13]模型基于2個(gè)指標(biāo)：激勵(lì)和安全，激勵(lì)標(biāo)準(zhǔn)來源于目標(biāo)車道給到駕駛?cè)说奈?，安全?biāo)準(zhǔn)基于換道產(chǎn)生的風(fēng)險(xiǎn)。該模型的優(yōu)點(diǎn)在于它考慮到駕駛?cè)说钠谕?，但只有一個(gè)效用函數(shù)限制了進(jìn)一步發(fā)展。

近年來由于計(jì)算機(jī)技術(shù)逐漸成熟，有學(xué)者開始利用大數(shù)據(jù)與人工智能的研究方法建立駕駛?cè)藫Q道決策模型，比較典型的有基于模糊邏輯理論模型和人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)模型。模糊邏輯理論考慮了換道的不確定性，并考慮實(shí)際變量的自然或主觀感知特性[10]。在該模糊邏輯模型中，強(qiáng)制換道需要考慮距離和需要換的車道數(shù)，自由換道考慮駕駛?cè)祟A(yù)期速度，但忽略車輛類型的影響。ANN模型采用與人腦類似的神經(jīng)元結(jié)構(gòu)和數(shù)學(xué)模型來模擬人類行為，并運(yùn)用于交通環(huán)境中來演示這些行為[14]，但此類模型完全由數(shù)據(jù)驅(qū)動(dòng)，過度依賴現(xiàn)場(chǎng)收集的交通數(shù)據(jù)的可靠性。

2 換道行為特征

換道行為的發(fā)生是人、車、路等因素相互耦合作用的結(jié)果，駕駛?cè)俗鳛閾Q道行為的發(fā)起者與執(zhí)行者，通過眼部及頭部的協(xié)同運(yùn)動(dòng)來獲取鄰車運(yùn)動(dòng)信息，并通過相應(yīng)操作表征為自車的運(yùn)動(dòng)狀態(tài)。

2.1 駕駛?cè)诵袨樘卣?/h3>

2.1.1駕駛?cè)搜鄄考邦^部運(yùn)動(dòng)特征

眼部及頭部運(yùn)動(dòng)是駕駛?cè)藫Q道過程中最為顯著的行為特征，其中視覺搜索由注視點(diǎn)、搜索路線、注視區(qū)域構(gòu)成。Liu[15]研究發(fā)現(xiàn)換道前駕駛?cè)藢?duì)后視鏡的注視次數(shù)顯著增加。Tijerina等[16]通過對(duì)比駕駛?cè)俗笥肄D(zhuǎn)向的注視行為時(shí)，也得出了相似的結(jié)論。郭應(yīng)時(shí)等[17]考慮駕駛熟練程度對(duì)注視次數(shù)的影響，研究表明無論在城市干道還是高速公路上，熟練駕駛?cè)藢?duì)臨近目標(biāo)的注視次數(shù)均顯著高于新手駕駛?cè)恕?/p>

駕駛?cè)藫Q道過程中，視點(diǎn)在注視區(qū)域之間的切換是通過頭部及眼部運(yùn)動(dòng)完成的，而各個(gè)注視區(qū)域之間是通過視點(diǎn)轉(zhuǎn)移路線連接的。在換道過程中，駕駛?cè)俗⒁曌疃嗟膮^(qū)域?yàn)楹笠曠R、當(dāng)前車道、目標(biāo)車道。Salvucci等[18]在探索換道中駕駛?cè)说囊朁c(diǎn)轉(zhuǎn)移規(guī)律時(shí)，發(fā)現(xiàn)換道前視點(diǎn)在當(dāng)前車道與目標(biāo)車道之間頻繁迂回轉(zhuǎn)移。Ayres等[19]提出駕駛?cè)嗽谙蜃髶Q道時(shí)，視點(diǎn)在左后視鏡和內(nèi)后視鏡之間來回切換。

由于單一注視點(diǎn)無法準(zhǔn)確描述駕駛?cè)说囊曈X運(yùn)動(dòng)規(guī)律，Lethaus等[20]通過注視點(diǎn)的興趣區(qū)域劃分，顯著降低了提取視覺搜索規(guī)律的難度。對(duì)于興趣區(qū)域傳統(tǒng)的劃分方法，Underwood等[21]將駕駛?cè)艘曇胺秶鷦澐譃?個(gè)獨(dú)立的興趣區(qū)域，而Fitch等[22]在前人研究的基礎(chǔ)上進(jìn)行更精細(xì)的區(qū)域劃分，包括左前、正前、右前、左窗、右窗、左后視、右后視鏡、內(nèi)后視鏡。但是以上興趣區(qū)域的劃分過于主觀，會(huì)對(duì)注視轉(zhuǎn)移特性規(guī)律的獲取產(chǎn)生不利影響。因此有學(xué)者利用視野平面法對(duì)注視區(qū)域進(jìn)行詳細(xì)劃分，以克服以上缺點(diǎn)，具體劃分如圖4所示[23]。

1.當(dāng)前車道；2.目標(biāo)車道；3.左后視鏡；4.左側(cè)區(qū)域；5.右側(cè)區(qū)域；6.儀表盤；7.內(nèi)后視鏡

在上述研究中，大多數(shù)研究者僅考慮了駕駛?cè)说难蹌?dòng)行為，而忽略了駕駛?cè)说念^部運(yùn)動(dòng)。而在真實(shí)情景下駕駛?cè)藫Q道時(shí)，大部分的視覺搜索都伴隨著頭部運(yùn)動(dòng)，即當(dāng)駕駛?cè)藳Q定產(chǎn)生注視轉(zhuǎn)移時(shí)，頭部和眼部開始進(jìn)行協(xié)同運(yùn)動(dòng)。Viola等[24]的研究表明頭部和眼部的移動(dòng)是相互關(guān)聯(lián)的并且兩者的運(yùn)動(dòng)幾乎是同時(shí)發(fā)生的。Robinson等[25]也提出眼動(dòng)和頭動(dòng)存在一定的關(guān)系，并通過試驗(yàn)進(jìn)行驗(yàn)證，發(fā)現(xiàn)眼部先頭部移動(dòng)大約50 ms。然而有學(xué)者通過分析視點(diǎn)大幅轉(zhuǎn)移條件下的頭眼協(xié)調(diào)模式，發(fā)現(xiàn)在注視轉(zhuǎn)移階段的初期100 ms內(nèi)水平視角并未發(fā)生變化，而頭部轉(zhuǎn)動(dòng)角度逐漸增大[23]。

2.1.2駕駛?cè)瞬倏v行為特征

一般而言，駕駛?cè)说膿Q道意圖通過轉(zhuǎn)向燈傳達(dá)給附近車輛[26]，而轉(zhuǎn)向燈開啟率、開啟時(shí)間是評(píng)價(jià)轉(zhuǎn)向燈操作的2個(gè)指標(biāo)。有學(xué)者通過實(shí)際道路試驗(yàn)分析發(fā)現(xiàn)，直到實(shí)際發(fā)生換道時(shí)，僅有48%的駕駛?cè)碎_啟轉(zhuǎn)向燈[27]。Salvucci等[18]和Krajewski等[27]通過不同的試驗(yàn)手段分析換道操作開始時(shí)轉(zhuǎn)向燈開啟率，得出與上文相似的結(jié)果。

在換道過程中，駕駛?cè)诉M(jìn)行一系列操作：視覺搜索、開啟轉(zhuǎn)向燈、轉(zhuǎn)動(dòng)方向盤，其中方向盤操控行為是完成換道行為最直接的表征[28]。在一般情況下，方向盤轉(zhuǎn)向行為受到車路環(huán)境特征、駕駛?cè)颂卣?、駕駛?cè)藸顟B(tài)的影響[29]。為了具體的描述方向盤的轉(zhuǎn)向行為，一些學(xué)者提出幾種度量轉(zhuǎn)向行為的方向盤指標(biāo)：方向盤轉(zhuǎn)角標(biāo)準(zhǔn)差、方向盤速度、方向盤轉(zhuǎn)動(dòng)角速度以及方向盤轉(zhuǎn)角熵值，通過對(duì)各指標(biāo)的評(píng)價(jià)效果進(jìn)行對(duì)比發(fā)現(xiàn)，方向盤轉(zhuǎn)角標(biāo)準(zhǔn)差及方向盤轉(zhuǎn)角熵值更能有效地評(píng)價(jià)駕駛?cè)藢?duì)方向盤的操控行為[30]。

在實(shí)際換道過程中，駕駛?cè)说男詣e、年齡與性格等特征都會(huì)影響換道操作行為。Reimer等[31]將165名被試按照年齡分為3個(gè)組別，利用實(shí)車試驗(yàn)數(shù)據(jù)，分析不同組別被試在換道頻次以及行駛車道定位選擇上的差異，發(fā)現(xiàn)老年組的換道頻次最低，且行駛在快車道的頻次最低。

除將性別、年齡或駕齡作為單因素進(jìn)行分析之外，也有學(xué)者圍繞換道持續(xù)時(shí)間、駕駛?cè)孙L(fēng)格以及駕駛?cè)松?、心理狀態(tài)變化等方向展開研究。Hill等[32]對(duì)換道持續(xù)時(shí)間進(jìn)行探究，發(fā)現(xiàn)其受駕駛?cè)笋{駛風(fēng)格影響，因此將46名駕駛?cè)朔譃榉浅１Ｊ亍⒈Ｊ?、激進(jìn)、非常激進(jìn)4組，并通過實(shí)車試驗(yàn)發(fā)現(xiàn)大多數(shù)保守類型的駕駛?cè)藫Q道持續(xù)時(shí)間更長(zhǎng)[33]。

2.2 車輛運(yùn)動(dòng)狀態(tài)特征

車輛運(yùn)動(dòng)狀態(tài)是駕駛?cè)瞬僮鲃?dòng)作的外在表征，是車輛行駛運(yùn)動(dòng)參數(shù)、操作參數(shù)的集合[34]，車輛的運(yùn)行狀況包含車輛自身動(dòng)態(tài)數(shù)據(jù)：自車車速、加減速度、航向角，以及車輛駕駛操縱行為：方向盤位置、油門開度、轉(zhuǎn)向燈使用情況等[35]，換道過程中的自車運(yùn)行狀況不僅受到駕駛?cè)诵袨樘匦缘挠绊?，也受到周圍車輛的影響[36]。

2.2.1自車運(yùn)動(dòng)狀態(tài)特征

在換道過程中，自車的速度特征是需要首要分析的目標(biāo)運(yùn)動(dòng)參數(shù)。Mar等[37]研究發(fā)現(xiàn)在換道起始時(shí)刻，常常伴隨著減速行為的發(fā)生。然而Tang等[38]通過統(tǒng)計(jì)高速公路換道數(shù)據(jù)，發(fā)現(xiàn)自車的加減速行為兼有發(fā)生。實(shí)際上，車速的控制是一個(gè)較為復(fù)雜的主觀行為，駕駛?cè)藗€(gè)體的差異導(dǎo)致車速數(shù)據(jù)離散程度較大，沒有明顯的速度分布規(guī)律，所以在進(jìn)行駕駛?cè)藫Q道行為特性研究時(shí)，無法單獨(dú)將速度作為參數(shù)。此外，道路線形也對(duì)車輛的橫擺角速度和橫向加速度產(chǎn)生較大影響，所以無法作為換道行為的預(yù)測(cè)指標(biāo)[39]。有學(xué)者通過分析實(shí)車試驗(yàn)數(shù)據(jù)，得到了與上述相似的結(jié)論[40]。

2.2.2鄰車運(yùn)動(dòng)狀態(tài)的影響

王榮本等[41]結(jié)合自車車速、加速度、臨界碰撞時(shí)間、車輛間相對(duì)速度等參數(shù)，發(fā)現(xiàn)當(dāng)前車道前車及目標(biāo)車道前后車對(duì)自車換道影響較大。此外，相關(guān)學(xué)者對(duì)碰撞時(shí)間(time to collision,TTC)和車速、相對(duì)距離之間的關(guān)系也進(jìn)行了深入研究[42-43]。王暢等[44]考慮了不同車速范圍下相對(duì)距離與TTC值的聯(lián)合分布情況。Lee等[45]根據(jù)TTC范圍將換道碰撞緊迫性劃分為4個(gè)程度。而金立生等[46]將2個(gè)TTC閾值參數(shù)作為換道預(yù)警系統(tǒng)的劃分依據(jù)，將換道安全等級(jí)分為3個(gè)級(jí)別。除了用TTC表征自車與目標(biāo)車道前后車的運(yùn)動(dòng)關(guān)系外，可接受間距也可描述自車與目標(biāo)車道前后車之間的相互作用。Zheng等[47]驗(yàn)證了上述結(jié)論，提出可接受間距對(duì)車輛換道行為有一定的影響，Gurupackiam等[48]則以可接受間隙為特征參數(shù)，發(fā)現(xiàn)擁堵路況下駕駛?cè)丝山邮芨〉陌踩遘囬g隙。

3 換道預(yù)警方法

隨著汽車工業(yè)新技術(shù)的不斷發(fā)展與應(yīng)用，為了保障駕駛?cè)丝梢园踩煽康伛{駛車輛進(jìn)行換道操作，在對(duì)駕駛?cè)藫Q道意圖正確識(shí)別的基礎(chǔ)上，各類換道輔助與預(yù)警系統(tǒng)應(yīng)運(yùn)而生。因此，該部分首先介紹了現(xiàn)有換道輔助預(yù)警系統(tǒng)的構(gòu)成與局限，并針對(duì)換道意圖識(shí)別及行為預(yù)測(cè)的方法進(jìn)行闡述。

3.1 換道輔助預(yù)警系統(tǒng)

車輛換道預(yù)警系統(tǒng)是在駕駛?cè)藫Q道前某時(shí)刻準(zhǔn)確預(yù)測(cè)駕駛?cè)藫Q道意圖，并在換道行為產(chǎn)生潛在風(fēng)險(xiǎn)前警示駕駛?cè)说闹鲃?dòng)安全系統(tǒng)，典型的換道輔助預(yù)警系統(tǒng)構(gòu)成如圖5所示。系統(tǒng)通過傳感器、攝像機(jī)等設(shè)備實(shí)時(shí)監(jiān)測(cè)后方相鄰車道在監(jiān)控區(qū)域內(nèi)的車輛與自車運(yùn)動(dòng)狀況。當(dāng)系統(tǒng)識(shí)別駕駛?cè)送ㄟ^操作轉(zhuǎn)向燈表現(xiàn)出換道意圖且監(jiān)控區(qū)域內(nèi)有車輛快速靠近時(shí)，系統(tǒng)向駕駛?cè)税l(fā)出預(yù)警信號(hào)。

圖5 換道輔助系統(tǒng)構(gòu)成示意圖

預(yù)警條件的研究是換道輔助預(yù)警系統(tǒng)的基礎(chǔ)，當(dāng)前換道輔助系統(tǒng)主要監(jiān)測(cè)自車與側(cè)后方車輛的運(yùn)動(dòng)關(guān)系，一般包括TTC、相對(duì)距離或二者構(gòu)成的組合。以相對(duì)距離作為考慮安全度識(shí)別模型時(shí)，由于影響因素過于單一，導(dǎo)致對(duì)安全度識(shí)別有一定的局限性。為了彌補(bǔ)上述缺陷，Roelofsen等[49]獲取換道前車輛間的相對(duì)運(yùn)動(dòng)信息，認(rèn)為當(dāng)TTC小于6 s時(shí)應(yīng)發(fā)出預(yù)警信息。為了進(jìn)一步明確TTC的預(yù)警作用，王暢等[44]基于不同相對(duì)距離和速度區(qū)間，對(duì)TTC值進(jìn)行了更為精細(xì)的劃分，根據(jù)以速度和相對(duì)距離進(jìn)行分組的預(yù)警算法，將10%誤報(bào)率的TTC閾值作為二級(jí)預(yù)警閾值。為了保證換道預(yù)警的準(zhǔn)確性，在TTC和相對(duì)距離作為換道預(yù)警判定條件的基礎(chǔ)上，應(yīng)同時(shí)考慮駕駛?cè)诵袨樘匦?、車輛運(yùn)動(dòng)特性、駕駛環(huán)境特性等多源數(shù)據(jù)[50]。為此，王暢等[51]將駕駛?cè)说鸟{駛風(fēng)格融入換道預(yù)警條件之間，并制定了面向于不同駕駛風(fēng)格的換道行為預(yù)警規(guī)則。

通過對(duì)現(xiàn)有的換道輔助預(yù)警系統(tǒng)的工作原理進(jìn)行剖析可知，換道輔助預(yù)警系統(tǒng)的正常工作嚴(yán)重依賴于轉(zhuǎn)向燈是否開啟以及何時(shí)開啟。若駕駛?cè)宿D(zhuǎn)向燈開啟時(shí)刻較晚甚至于忘記開啟，則將導(dǎo)致?lián)Q道輔助預(yù)警系統(tǒng)的作用大打折扣，并降低駕駛?cè)藢?duì)該套系統(tǒng)的信任度。

3.2 換道意圖識(shí)別與行為預(yù)測(cè)

為了克服現(xiàn)有換道輔助預(yù)警系統(tǒng)的缺陷，在換道行為發(fā)生之前，若系統(tǒng)可以及時(shí)在換道意圖時(shí)窗內(nèi)預(yù)測(cè)駕駛?cè)说膿Q道行為而不單獨(dú)依靠轉(zhuǎn)向燈的開啟，則會(huì)有效提升換道過程中的行駛安全性。

相關(guān)研究表明，駕駛?cè)嗽趽Q道執(zhí)行前的某一時(shí)窗寬度內(nèi)表現(xiàn)出不同于車道保持階段的特定駕駛行為，并將此段時(shí)間定義為換道意圖時(shí)窗，但目前沒有統(tǒng)一的標(biāo)準(zhǔn)確定時(shí)窗寬度。Lee等[45]與Fitch等[22]通過比較駕駛?cè)藫Q道前3 s與6 s表現(xiàn)出的典型行為特性，確定換道意圖時(shí)窗寬為3 s，郭應(yīng)時(shí)等[52]通過車內(nèi)錄像的視頻分析，認(rèn)為換道意圖視窗寬度為6 s，但以上結(jié)論受主觀影響較大。為了更加客觀地確定時(shí)窗寬度，有學(xué)者嘗試通過確定換道意圖時(shí)窗起終點(diǎn)來獲取時(shí)窗寬度，并將換道意圖產(chǎn)生時(shí)刻作為意圖時(shí)窗的起點(diǎn)，換道操作起始時(shí)刻作為換道意圖時(shí)窗的終點(diǎn)?；谏鲜鲅芯砍晒_定換道操作起始時(shí)刻之后，有學(xué)者認(rèn)為換道意圖時(shí)窗起點(diǎn)為駕駛?cè)藫Q道前首次關(guān)注后視鏡的時(shí)刻，由此獲取的換道意圖時(shí)窗寬度如圖6所示[53]。

圖6 不同駕駛?cè)艘鈭D時(shí)窗寬

意圖時(shí)窗的確定有助于換道意圖識(shí)別與行為預(yù)測(cè)參數(shù)的提取，近年來國(guó)內(nèi)外學(xué)者基于各種模型、算法開展了駕駛?cè)藫Q道意圖的識(shí)別，并取得了一些研究成果。Lethaus等[54]通過實(shí)車試驗(yàn)收集了駕駛?cè)烁Y、換道等行為下的眼動(dòng)參數(shù)，發(fā)現(xiàn)換道行為發(fā)生前均對(duì)伴隨著典型的視覺運(yùn)動(dòng)特征。在此基礎(chǔ)上，吳付威等[55]探索換道意圖階段駕駛?cè)说囊曈X搜索特性，發(fā)現(xiàn)換道意圖階段駕駛?cè)说囊朁c(diǎn)在當(dāng)前車道與目標(biāo)車道之間轉(zhuǎn)移比正常駕駛更加頻繁，且在水平方向視搜索廣度更大。因此，大量學(xué)者嘗試基于駕駛?cè)说囊曈X運(yùn)動(dòng)特性提取出換道前的眼動(dòng)參數(shù)，進(jìn)而完成對(duì)駕駛?cè)藫Q道意圖的識(shí)別。此外，有學(xué)者從換道過程中的博弈行為出發(fā)，基于駕駛?cè)祟^眼運(yùn)動(dòng)數(shù)據(jù)，構(gòu)建了識(shí)別駕駛?cè)藫Q道意圖的博弈模型[53]，識(shí)別成功率達(dá)到90%以上。在駕駛?cè)艘曈X參數(shù)的基礎(chǔ)上，Li等[56]通過心理問卷得分將駕駛?cè)藙澐譃?種駕駛風(fēng)格，并將融合了高斯混合模型的變道貝葉斯網(wǎng)絡(luò)用于預(yù)測(cè)駕駛?cè)说膿Q道意圖。

換道意圖的產(chǎn)生并不意味著換道行為必然會(huì)如期而至。例如當(dāng)駕駛?cè)吮憩F(xiàn)出明顯的換道意圖后，但隨即又觀察到周圍車輛會(huì)對(duì)自車換道構(gòu)成威脅，駕駛?cè)丝赡苓x擇撤銷意圖。因此，相較于換道意圖識(shí)別，換道行為預(yù)測(cè)更適于作為換道預(yù)警的切入條件。Peng等[40]基于車輛運(yùn)動(dòng)狀態(tài)、駕駛狀態(tài)和頭部運(yùn)動(dòng)信息來預(yù)測(cè)變道行為時(shí)，可以在提前1.5 s時(shí)預(yù)測(cè)變道行為。為了進(jìn)一步提升模型的識(shí)別效率，Kumar等[57]提出了一種基于支持向量機(jī)和貝葉斯濾波的在線換道行為預(yù)測(cè)模型，結(jié)果表明該方法能夠平均提前1.3 s預(yù)測(cè)駕駛員換道行為，最大預(yù)測(cè)時(shí)間范圍為3.29 s。通過文獻(xiàn)的梳理，預(yù)測(cè)模型普遍存在參數(shù)考慮不足，時(shí)效性不理想等問題。未來的研究有必要探討如何針對(duì)海量駕駛行為數(shù)據(jù)的在線學(xué)習(xí)，構(gòu)建換道行為一體化、個(gè)性化的預(yù)測(cè)方法體系。

4 自主換道研究

近年來，隨著自動(dòng)駕駛汽車朝著更加智能化方向發(fā)展，換道行為的主體也在發(fā)生著轉(zhuǎn)移。由過去駕駛?cè)巳珯?quán)操作過渡到系統(tǒng)輔助操作，最終發(fā)展為智能汽車完全自主換道操作。這其中，換道軌跡規(guī)劃和跟蹤控制作為自主換道領(lǐng)域的重點(diǎn)研究?jī)?nèi)容，受到了國(guó)內(nèi)外相關(guān)學(xué)者的廣泛關(guān)注與研究。

4.1 自主換道軌跡規(guī)劃

早期自主軌跡規(guī)劃的相關(guān)研究可追溯至第一代自主移動(dòng)機(jī)器人Shakey，其通過環(huán)境感知和障礙物分析的路徑規(guī)劃方式為之后的自主軌跡規(guī)劃方法奠定了基礎(chǔ)[58]。相較其他領(lǐng)域軌跡規(guī)劃方法，自動(dòng)駕駛汽車自主換道軌跡規(guī)劃更多地要考慮車輛動(dòng)力學(xué)、道路結(jié)構(gòu)、交通規(guī)則的約束，兼顧安全性和舒適性。目前對(duì)于自主換道的軌跡規(guī)劃方法，主要包括基于搜索的軌跡規(guī)劃算法、基于幾何曲線的軌跡規(guī)劃算法、基于隨機(jī)采樣的軌跡規(guī)劃算法。

基于搜索的軌跡規(guī)劃方法是通過遍歷狀態(tài)空間搜索出一條從換道起始點(diǎn)到目標(biāo)車道終點(diǎn)的可行路徑，主要包括A*算法、動(dòng)態(tài)A*算法、ARA*算法、人工勢(shì)場(chǎng)法等。A*算法通過引入代價(jià)函數(shù)，實(shí)現(xiàn)了路徑計(jì)算中對(duì)障礙物的定量表達(dá)，但代價(jià)函數(shù)會(huì)因搜索維度的提升導(dǎo)致計(jì)算量急劇增加[59]。因此，動(dòng)態(tài)A*算法使用變化的環(huán)境信息動(dòng)態(tài)修正初始規(guī)劃路徑，降低了A*算法的復(fù)雜性[60]。相較于基于搜索的軌跡規(guī)劃算法，基于幾何曲線的軌跡規(guī)劃算法能夠較好地模擬出車輛換道的軌跡，且具有良好的平滑性，曲線類型主要包括Clothoids曲線、Bezier曲線、多項(xiàng)式曲線、B樣條曲線等。Broggi等[61]通過優(yōu)化行駛可行域的代價(jià)函數(shù)，將車輛軌跡近似為Clothoids曲線，但Clothoids曲線的計(jì)算量較大，難以滿足自動(dòng)駕駛車輛高速行駛時(shí)的低時(shí)延性需求。為了降低計(jì)算復(fù)雜度，Chen等[62]基于道路線形與障礙物約束生成曲線控制點(diǎn)，使用二階Bezier曲線規(guī)劃出了平滑的換道軌跡。

基于隨機(jī)采樣的軌跡規(guī)劃算法是在障礙物與道路約束下的可行域中進(jìn)行隨機(jī)采樣，最典型的就是快速探索隨機(jī)樹算法(rapidly-exploring random tree,RRT)。RRT算法通過將更新后的控制節(jié)點(diǎn)在搜索樹中進(jìn)行迭代擴(kuò)展，直至抵達(dá)目標(biāo)位置并規(guī)劃出一條平滑軌跡，但生成的軌跡由于約束的不足會(huì)導(dǎo)致不穩(wěn)定的問題。為了解決這個(gè)問題，Macek等[63]添加了航向角、加速度、采樣時(shí)間等約束，利用b樣條曲線插值幾何路徑，并在RRT探索階段對(duì)可能發(fā)生的碰撞進(jìn)行迭代檢查。這類算法相較于基于搜索的軌跡規(guī)劃算法，能夠快速完成規(guī)劃軌跡的迭代計(jì)算，但是由于在節(jié)點(diǎn)擴(kuò)展過程中嚴(yán)重依賴于初始節(jié)點(diǎn)的選取，因此需要在日后的研究中添加更全面的先驗(yàn)知識(shí)進(jìn)行約束。

4.2 自主換道軌跡跟蹤控制

通過自主換道軌跡規(guī)劃算法生成出的光滑連續(xù)曲線需要通過軌跡跟蹤控制，來縮小車輛行駛軌跡與參考軌跡的偏差。因此，克服車輛運(yùn)動(dòng)狀態(tài)的非線性變化，并保證自主換道跟蹤控制系統(tǒng)的精確性與魯棒性是軌跡跟蹤控制的關(guān)鍵。現(xiàn)有的研究方法主要包括PID控制、模型預(yù)測(cè)控制(model predictive control,MPC)、線性二次型調(diào)節(jié)器(linear quadratic regulator,LQR)控制、模糊控制等。

作為經(jīng)典控制理論，PID控制結(jié)構(gòu)簡(jiǎn)單、魯棒性好，已廣泛應(yīng)用于各類工業(yè)過程控制，并同樣適用于智能車輛的自主軌跡跟蹤控制。Hessburg等[64]運(yùn)用地磁釘作為路徑跟蹤標(biāo)記，研究了PID前饋控制器在直線和曲線路段的軌跡跟蹤精度。在此之后，趙熙俊等[65]利用期望航向偏差作為魯棒PID控制系統(tǒng)的控制偏差，通過調(diào)整不同PID參數(shù)建立了適當(dāng)車速范圍內(nèi)的軌跡跟蹤控制系統(tǒng)。

由于自主換道過程中需要控制的車輛運(yùn)動(dòng)參數(shù)較多，并且存在車輛性能、道路環(huán)境等多因素的約束，使常規(guī)PID控制方法難以達(dá)到理想的控制效果。為了妥善處理車輛軌跡跟蹤控制過程中的多輸入多輸出參數(shù)，MPC算法通過建立相應(yīng)預(yù)測(cè)模型，能夠有效解決有限時(shí)域內(nèi)的優(yōu)化問題[66]。傳統(tǒng)的MPC控制器存在場(chǎng)景適應(yīng)性弱、難以平衡多目標(biāo)優(yōu)化等缺點(diǎn)。Hou等[67]結(jié)合強(qiáng)化學(xué)習(xí)的智能自學(xué)習(xí)能力，設(shè)計(jì)了一種交互MPC算法，該控制算法可以顯著提高換道軌跡的跟蹤精度和穩(wěn)定性。

LQR控制的目標(biāo)是通過調(diào)整狀態(tài)反饋控制器使二次型目標(biāo)函數(shù)最小，Jond等[68]提出了一種基于LQR和后退地平線控制的實(shí)時(shí)自動(dòng)駕駛快速軌跡跟蹤控制策略，該策略將路徑偏差參數(shù)集成到LQR中，可以控制車輛避免碰撞。與傳統(tǒng)LQR和MPC相比，迭代線性二次型調(diào)節(jié)器是一種有效地解決非線性系統(tǒng)最優(yōu)控制問題的算法，但是不能處理約束?；诖?，Chen等[69]提出了約束迭代線性二次型調(diào)節(jié)器算法，解決了具有非線性系統(tǒng)動(dòng)力學(xué)和一般約束形式的最優(yōu)控制問題。若要保證上述3類軌跡跟蹤控制方法的準(zhǔn)確性，一般需要建立精確的數(shù)學(xué)模型，但由于車輛運(yùn)動(dòng)狀態(tài)參數(shù)復(fù)雜多變、耦合性強(qiáng)，傳統(tǒng)的軌跡跟蹤控制往往效果有限。因此，有學(xué)者嘗試從模糊控制的角度出發(fā)，驗(yàn)證此方法在軌跡跟蹤控制領(lǐng)域的實(shí)用性。Hessburg等[70]較早提出了一種基于曲率半徑的模糊預(yù)瞄規(guī)則，并設(shè)計(jì)了3套不同反饋?zhàn)兞康哪：壿嬁刂破鳎瑢?shí)現(xiàn)了對(duì)車輛橫向運(yùn)動(dòng)的控制。

5 討論與展望

1) 現(xiàn)有模型在駕駛?cè)藫Q道可行性分析上，僅考慮自車與相鄰前后車的速度、距離、加速度和減速度等特性。但駕駛?cè)藫Q道決策模型還應(yīng)綜合考慮道路線型、標(biāo)志標(biāo)線、交通環(huán)境等綜合因素，并將換道過程中的動(dòng)態(tài)博弈行為納入模型調(diào)節(jié)因子中。以大數(shù)據(jù)、機(jī)器學(xué)習(xí)為代表的新型智能換道模型，在模型數(shù)據(jù)容量與數(shù)據(jù)種類等方面具有較為突出的優(yōu)勢(shì)，但此類新模型多處在前期驗(yàn)證環(huán)節(jié)，因此現(xiàn)階段宜將新型模型與傳統(tǒng)模型互補(bǔ)迭代。

2) 典型換道行為特征的提取為換道意圖識(shí)別與行為預(yù)測(cè)模型的構(gòu)建提供了訓(xùn)練參數(shù)，同時(shí)影響換道行為因素的融合為模型的安全性提供了邊界條件。在未來的研究中應(yīng)進(jìn)一步明確不同駕駛?cè)巳后w間換道風(fēng)格、車道偏好等方面的差異，在保障安全性的基礎(chǔ)上為自動(dòng)駕駛換道系統(tǒng)個(gè)性化、舒適性的設(shè)計(jì)提供理論支撐。

3) 針對(duì)駕駛?cè)说摹耙鈭D撤銷”現(xiàn)象帶來的不確定性，有必要在意圖識(shí)別的基礎(chǔ)上，開展換道行為預(yù)測(cè)的相關(guān)研究，將預(yù)警的依據(jù)由“是否有意圖”上升到“是否會(huì)發(fā)生”維度，進(jìn)一步提升換道預(yù)警的精確性和個(gè)性化，降低系統(tǒng)漏報(bào)警以及誤報(bào)警發(fā)生概率。

4) 常見的換道軌跡規(guī)劃方法多基于仿真的典型場(chǎng)景展開，由于真實(shí)路況條件下系統(tǒng)約束更加復(fù)雜化，因此在未來的研究中應(yīng)多在實(shí)車試驗(yàn)中積累多樣化的換道樣本數(shù)據(jù)，以提升自主換道規(guī)劃與控制模型的魯棒性。此外，隨著車路協(xié)同理論與車聯(lián)網(wǎng)的發(fā)展，車輛的自動(dòng)換道方法應(yīng)朝著全局最優(yōu)化的協(xié)同換道方向發(fā)展。