基于預(yù)測(cè)風(fēng)險(xiǎn)場(chǎng)模型的智能車輛換道路徑規(guī)劃

摘 "要：針對(duì)智能車輛行駛環(huán)境和表達(dá)方式復(fù)雜等問題，提出了融合LSTM預(yù)測(cè)模型的智能車輛預(yù)測(cè)風(fēng)險(xiǎn)場(chǎng)模型。在傳統(tǒng)勢(shì)場(chǎng)模型基礎(chǔ)上，考慮了動(dòng)態(tài)目標(biāo)行為預(yù)測(cè)信息，建立動(dòng)態(tài)預(yù)測(cè)動(dòng)能場(chǎng)，同時(shí)與道路環(huán)境中其他風(fēng)險(xiǎn)元素風(fēng)險(xiǎn)場(chǎng)相疊加，構(gòu)建“預(yù)測(cè)風(fēng)險(xiǎn)場(chǎng)”統(tǒng)一模型。通過設(shè)計(jì)風(fēng)險(xiǎn)場(chǎng)代價(jià)函數(shù)完成規(guī)劃軌跡簇的最小代價(jià)評(píng)估，獲得最優(yōu)路徑規(guī)劃軌跡。為驗(yàn)證該方法的有效性，進(jìn)行了聯(lián)合仿真和實(shí)車驗(yàn)證。結(jié)果表明，預(yù)測(cè)風(fēng)險(xiǎn)場(chǎng)模型有效表達(dá)了復(fù)雜行駛環(huán)境的交通態(tài)勢(shì)，選取的最優(yōu)路徑提升了其綜合安全性。

關(guān)鍵詞：路徑規(guī)劃；軌跡預(yù)測(cè)；LSTM；預(yù)測(cè)風(fēng)險(xiǎn)場(chǎng)

中圖分類號(hào)：U463.6 " " " " " " " " " " " " " " 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1008-5483（2024）01-0007-06

Intelligent Vehicle Lane Changing Path Planning

Based on Predictive Risk Field Model

Yang Zhengcai1，2， Gu Shirui1，2， Wu Haoran1，2， Sun Wen3

（1. School of Automotive Engineering， Hubei University of Automotive Technology， Shiyan 442002， China;

2. Hubei Key Laboratory of Automotive Power Train and Electronic Control， Shiyan 442002， China;

3. School of Automotive Engineering， Changzhou Institute of Technology， Changzhou 213032， China）

Abstract： In view of complex driving environments and expression methods of intelligent vehicles， a predictive risk field model for intelligent vehicles incorporating long short term memory （LSTM） prediction model was proposed. Based on the traditional potential field model， the predictive information about dynamic target behaviors was considered， and the kinetic energy field of dynamic prediction was established. In addition， the kinetic energy field was superimposed with the risk field of other risk elements in the road environment to construct a unified model， namely the predictive risk field. By designing the cost function of the risk field， the minimum cost evaluation of the planning trajectory cluster was completed， and the optimal path planning trajectory was obtained. In order to verify the effectiveness of the method， joint simulations and real-vehicle verification were conducted. The experimental results show that the predictive risk field model effectively expresses the traffic situation in the complex driving environment， and the selected optimal paths improve comprehensive safety.

Key words： path planning; trajectory prediction; LSTM; predicted risk field

隨著智能交通的發(fā)展，勢(shì)場(chǎng)理論廣泛應(yīng)用于交通環(huán)境中車輛規(guī)劃路徑時(shí)的風(fēng)險(xiǎn)描述。為了完善人工勢(shì)場(chǎng)理論在汽車領(lǐng)域的應(yīng)用，學(xué)者們對(duì)車道線、道路邊界以及其他障礙車輛在環(huán)境中所產(chǎn)生的勢(shì)能進(jìn)行了風(fēng)險(xiǎn)建模［1］。關(guān)于周圍障礙車輛所帶來(lái)的風(fēng)險(xiǎn)影響，許多研究人員規(guī)劃車輛路徑時(shí)通常只考慮當(dāng)前時(shí)刻障礙車輛狀態(tài)［3］，沒有綜合考慮道路結(jié)構(gòu)、交通規(guī)則約束，以及障礙物未來(lái)態(tài)勢(shì)。朱乃宣［4］全面的考慮了環(huán)境中動(dòng)態(tài)障礙物和靜態(tài)障礙物，并在勢(shì)場(chǎng)中將其區(qū)分開，依此設(shè)計(jì)車輛的換道算法，實(shí)現(xiàn)了智能車輛的個(gè)性化換道觸發(fā)。王建強(qiáng)等［5］融合了人-車-路的風(fēng)險(xiǎn)作用機(jī)理，提出了融合行車風(fēng)險(xiǎn)場(chǎng)統(tǒng)一模型，并給出了行車風(fēng)險(xiǎn)的量化評(píng)估方法。為彌補(bǔ)上述研究的不足，李林恒等［6］通過引入加速度參數(shù)對(duì)安全勢(shì)場(chǎng)模型進(jìn)行改進(jìn)，建立了車輛跟馳模型；Tian等［7］通過對(duì)橢圓修正公式進(jìn)行修改，解決了駕駛風(fēng)險(xiǎn)場(chǎng)在考慮道路上不同方向風(fēng)險(xiǎn)的缺陷；田野等［8］提出了基于碰撞時(shí)間的行車風(fēng)險(xiǎn)場(chǎng)擴(kuò)展模型，通過計(jì)算可能會(huì)發(fā)生碰撞的時(shí)間來(lái)表征行車風(fēng)險(xiǎn)的變化；王安杰等［9］通過在風(fēng)險(xiǎn)場(chǎng)中加入運(yùn)動(dòng)學(xué)預(yù)測(cè)模型，解決了汽車側(cè)方和后方的避撞問題。隨著深度學(xué)習(xí)算法的興起，基于長(zhǎng)短期記憶（long short term memory，LSTM）網(wǎng)絡(luò)的軌跡預(yù)測(cè)方法也應(yīng)用于交通領(lǐng)域。Woo H［10］提出利用LSTM網(wǎng)絡(luò)預(yù)測(cè)鄰近交通參與者的軌跡。季學(xué)武等［11］提出了意圖識(shí)別的LSTM模型，預(yù)測(cè)車輛未來(lái)的換道概率，并輸出預(yù)測(cè)軌跡。為全面表征車輛行駛風(fēng)險(xiǎn)多影響因素，提出了融合LSTM預(yù)測(cè)模型的智能車輛預(yù)測(cè)風(fēng)險(xiǎn)場(chǎng)模型，通過預(yù)測(cè)障礙車輛短時(shí)間內(nèi)的軌跡，完成最優(yōu)路徑規(guī)劃。

1 LSTM軌跡預(yù)測(cè)模型構(gòu)建

通過搭建引入殘差注意力模塊的LSTM神經(jīng)網(wǎng)絡(luò)，完成車輛軌跡預(yù)測(cè)任務(wù)［11］。預(yù)測(cè)模型包括歷史軌跡編碼模塊、注意力模塊、未來(lái)軌跡輸出模塊，模型結(jié)構(gòu)圖如圖1所示。

模型輸入輸出表達(dá)式為

[x=（Xtn-H，…，Xtn-1，Xtn）Xt=（xt0，yt0），（xt1，yt1），…，（xti，yti）Y=（xtn+1o，ytn+1o），…，（xtn+Po，ytn+Po）i∈（1，2，…，N）， " t∈（tn-H，tn）] （1）

式中：[H]為歷史觀測(cè)序列長(zhǎng)度；[x]為軌跡預(yù)測(cè)模型的輸入序列；[Xt]為[t]時(shí)刻所有車輛的坐標(biāo)集合；[（xto，yto）]為預(yù)測(cè)車輛[Vo]在[t]時(shí)刻的坐標(biāo)；[（xti，yti）]為障礙車輛[Vi]在[t]時(shí)刻的坐標(biāo)；[N]為障礙車輛數(shù)量；[Y]為車輛[Vo]在預(yù)測(cè)長(zhǎng)度[P]序列內(nèi)的坐標(biāo)。

1.1 軌跡預(yù)測(cè)編碼模塊

在編碼模塊中，使用編碼器對(duì)輸入的信息進(jìn)行編碼：

[ht=Enc（ht-1，xt，yt，we）] （2）

式中：[ht-1]為（t-1）時(shí)刻車輛軌跡的隱態(tài)特征向量信息；[（xt，yt）]為當(dāng)前時(shí)刻車輛坐標(biāo)；[we]為編碼模塊的權(quán)重；[ht]為t時(shí)刻車輛軌跡的隱態(tài)向量信息；[Enc（）]為L(zhǎng)STM編碼器函數(shù)。合并當(dāng)前時(shí)刻所有車輛的編碼隱態(tài)向量，具體公式為

[C=（hto，ht1，ht2，ht3，…，htn）， " n=1，2，3，…，N] （3）

式中：[C]為車輛在[t]時(shí)刻的編碼隱態(tài)向量。

為提高預(yù)測(cè)精度，根據(jù)障礙車輛相對(duì)于目標(biāo)車輛的位置，將每時(shí)刻目標(biāo)車輛周圍行駛區(qū)域內(nèi)其他車輛的編碼隱藏狀態(tài)向量填充到當(dāng)前交互張量對(duì)應(yīng)的位置中，得到[t]時(shí)刻預(yù)測(cè)車輛的交互張量[st]。

1.2 注意力模塊

根據(jù)文獻(xiàn)［13］在卷積和池化之前增加Bottom-up Top-down結(jié)構(gòu)的殘差注意力模塊來(lái)提高交互特征的有效性。注意力模塊的Mask分支用于計(jì)算周圍車輛隱態(tài)向量在張量中的權(quán)重，Trunk分支用于傳遞原始輸入的交互張量。將Mask分支和Truck分支的計(jì)算結(jié)果做點(diǎn)積運(yùn)算，得到增強(qiáng)交互特征后的交互張量，用于增強(qiáng)與預(yù)測(cè)車輛相關(guān)的特征，抑制不重要的交互特征。計(jì)算公式為

[wts=Softmax（Upsn（Pooln（st）））， " St=（wts+1）st] （4）

式中：[St]為增強(qiáng)交互特征后的交互張量；[Pooln（）]為Bottom-up函數(shù)；[Upsn（）]為Top-down函數(shù)；[n]為經(jīng)驗(yàn)值；[Softmax（）]為激活函數(shù)，計(jì)算周圍車輛的交互權(quán)重；[wts]為周圍車輛影響權(quán)重張量。

1.3 軌跡預(yù)測(cè)輸出模塊

在軌跡預(yù)測(cè)模塊中，利用卷積層和池化層提取[St]中預(yù)測(cè)車輛與障礙車輛間的交互特征：

[ftS=Pconv（St）， " fto=Get（hto， wo），ft=Contact（fto， ftS）] （5）

式中：[fto]為預(yù)測(cè)車輛歷史軌跡的運(yùn)動(dòng)特征；[ft]為目標(biāo)車輛與障礙車輛間的完整交互特征；[Pconv（）]為提取預(yù)測(cè)車輛與障礙車輛交互特征的卷積池化函數(shù)；[Get（）]為獲取預(yù)測(cè)車輛運(yùn)動(dòng)特征的線性層函數(shù)；[ωo]為線性層的權(quán)重；[Contact（）]為合并函數(shù)。

根據(jù)線性層將[ft]映射為車輛行為的概率預(yù)測(cè)：

[[Pk，Pr，Pl]=Linear（ft，wl）， " R=max[Pk，Pr，Pl]] （6）

式中：[Pk、Pr、Pl]分別為車輛保持直行、右換道和左換道的概率；[wl]為車輛行為線性層的權(quán)重；[R]為概率最大的行為預(yù)測(cè)結(jié)果。解碼公式為

[dt=Dec（ft，dt-1，R，wd）] （7）

式中：[Dec（）]為L(zhǎng)STM編碼器函數(shù)；[wd]為解碼器的權(quán)重；[dt]為t時(shí)刻預(yù)測(cè)軌跡的解碼隱態(tài)向量；[dt-1]為上一時(shí)刻解碼隱態(tài)向量。通過多層感知機(jī)將[dt]映射為未來(lái)預(yù)測(cè)軌跡的概率分布，用均值表示預(yù)測(cè)的下一時(shí)刻軌跡坐標(biāo)。過程表示為

[（μt+1，σt+1， ρt+1）=MLP（dt，wm）（xt+1，yt+1）=（μt+1x， μt+1y）] （8）

式中：[MLP（）]為多層感知機(jī)函數(shù)；[wm]為多層感知機(jī)的權(quán)重； [μt+1、σt+1、ρt+1]分別為多層感知機(jī)輸出的預(yù)測(cè)軌跡點(diǎn)概率分布均值、標(biāo)準(zhǔn)差和相關(guān)系數(shù)。

2 道路環(huán)境預(yù)測(cè)風(fēng)險(xiǎn)場(chǎng)的構(gòu)建

在道路場(chǎng)景中，預(yù)測(cè)車輛面臨多種風(fēng)險(xiǎn)影響，因此可構(gòu)建不同類型的風(fēng)險(xiǎn)場(chǎng)，以反映不同類型風(fēng)險(xiǎn)的影響。

1） 車道線風(fēng)險(xiǎn)場(chǎng) 在結(jié)構(gòu)化道路上，為了防止車輛忽略車道線的影響而隨意跨越車道線，將車道線看作對(duì)車輛影響較小的風(fēng)險(xiǎn)場(chǎng)。構(gòu)建車道線風(fēng)險(xiǎn)場(chǎng)函數(shù)：

[ZL=ALexp-y-yl22σl2] （9）

式中：[AL]為車道線風(fēng)險(xiǎn)場(chǎng)的場(chǎng)強(qiáng)系數(shù)；[y]為道路寬度值；[yl]為車道線所在的縱坐標(biāo)位置（道路中心左側(cè)為負(fù)值，右側(cè)為正值）；[σl]為決定車道線風(fēng)險(xiǎn)場(chǎng)形狀的參數(shù)。

2） 障礙車輛風(fēng)險(xiǎn)場(chǎng) 障礙車輛風(fēng)險(xiǎn)場(chǎng)主要由障礙車輛自身基本屬性及車輛的位置信息等決定，基于此建立障礙車輛風(fēng)險(xiǎn)場(chǎng)函數(shù)[ZV]：

[ZV=AVexp-x-xobs2σ2x+y-yobs2σ2 y2] （10）

[σx=kxLobs， " σy=kyWobs] （11）

式中：[（x，y）]為交通環(huán)境內(nèi)某點(diǎn)的橫縱坐標(biāo)；[（xobs，yobs）]為障礙車輛中心點(diǎn)的橫縱坐標(biāo)；[AV]為障礙車輛風(fēng)險(xiǎn)場(chǎng)場(chǎng)強(qiáng)系數(shù)；[σx]和[σy]為障礙車輛的外形函數(shù)；[Lobs]為障礙物縱向方向的長(zhǎng)度；[Wobs]為側(cè)向方向的長(zhǎng)度；[kx]和[ky]為障礙物橫縱向尺寸系數(shù)。

3） 道路邊界風(fēng)險(xiǎn)場(chǎng) 道路邊界對(duì)車輛產(chǎn)生的風(fēng)險(xiǎn)影響是巨大的，因此可以將道路邊界看作對(duì)目標(biāo)車輛產(chǎn)生硬約束的風(fēng)險(xiǎn)場(chǎng)。道路邊界風(fēng)險(xiǎn)場(chǎng)函數(shù)[ZB]如式（12）所示：

[ZB=ABexp-y-ybn2σ2B] （12）

式中：[y]為交通環(huán)境內(nèi)某點(diǎn)的縱坐標(biāo)；[ybn]為道路邊界所在的縱坐標(biāo)位置（道路中心左側(cè)為負(fù)值，右側(cè)為正值）；[AB]為道路邊界風(fēng)險(xiǎn)場(chǎng)場(chǎng)強(qiáng)系數(shù)；[σB]為車道線的外形系數(shù)。

4） 動(dòng)態(tài)預(yù)測(cè)軌跡風(fēng)險(xiǎn)場(chǎng) 在錯(cuò)綜復(fù)雜的道路交通環(huán)境中，僅考慮道路組成元素對(duì)目標(biāo)車輛的風(fēng)險(xiǎn)影響是不夠的，除了障礙車輛自身屬性及車道線等環(huán)境屬性外，動(dòng)態(tài)障礙車輛行為預(yù)測(cè)信息也是車輛路徑規(guī)劃決策結(jié)果的決定性因素之一。交通場(chǎng)景動(dòng)態(tài)目標(biāo)行為預(yù)測(cè)可以為風(fēng)險(xiǎn)場(chǎng)模型提供重要的補(bǔ)充。通過對(duì)環(huán)境的未來(lái)狀態(tài)變化進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)信息與場(chǎng)理論模型相結(jié)合，綜合各種潛在因素的影響，可以更好地規(guī)劃出符合未來(lái)交通流變化的路徑。預(yù)測(cè)軌跡風(fēng)險(xiǎn)場(chǎng)[ZS]可以描述為

[ZS=ASexp-（ds-di）2σ2s] （13）

式中：[AS]為動(dòng)態(tài)預(yù)測(cè)軌跡風(fēng)險(xiǎn)場(chǎng)場(chǎng)強(qiáng)系數(shù)；[ds]為初始距離；[σs]為動(dòng)態(tài)預(yù)測(cè)軌跡風(fēng)險(xiǎn)場(chǎng)的外形參數(shù)；[di]為風(fēng)險(xiǎn)場(chǎng)模型中各點(diǎn)與軌跡坐標(biāo)點(diǎn)的最近距離。通過對(duì)障礙車輛未來(lái)軌跡的預(yù)測(cè)和分析，可以更準(zhǔn)確地評(píng)估目標(biāo)車輛與障礙車輛的碰撞風(fēng)險(xiǎn)。

5）總行車風(fēng)險(xiǎn)場(chǎng) 為全面考慮道路環(huán)境信息、障礙車輛屬性、動(dòng)態(tài)軌跡預(yù)測(cè)信息對(duì)目標(biāo)車輛規(guī)劃決策的影響，以目標(biāo)車輛行車風(fēng)險(xiǎn)場(chǎng)場(chǎng)強(qiáng)作為車輛碰撞風(fēng)險(xiǎn)的評(píng)價(jià)指標(biāo)，構(gòu)建了融合“靜態(tài)道路-動(dòng)態(tài)預(yù)測(cè)”的總行車風(fēng)險(xiǎn)場(chǎng)模型，簡(jiǎn)稱“預(yù)測(cè)風(fēng)險(xiǎn)場(chǎng)”模型。融合風(fēng)險(xiǎn)場(chǎng)模型過程中風(fēng)險(xiǎn)值去重復(fù)流程見圖2。結(jié)合圖2的方法，總行車風(fēng)險(xiǎn)場(chǎng)描述為

[Z=η1ZL+η2ZV+η3ZB+η4 f（xp，yp，ZS）] （14）

式中：[（xp，yp）]為障礙車輛未來(lái)的預(yù)測(cè)軌跡坐標(biāo)；[f（）]為添加預(yù)測(cè)坐標(biāo)點(diǎn)的映射算法函數(shù)；[η1]、[η2]、[η3]、[η4]為各個(gè)風(fēng)險(xiǎn)場(chǎng)在總行車風(fēng)險(xiǎn)場(chǎng)中的風(fēng)險(xiǎn)權(quán)重系數(shù)。

3 路徑生成和代價(jià)評(píng)估

根據(jù)目標(biāo)車輛在預(yù)測(cè)風(fēng)險(xiǎn)場(chǎng)中起始點(diǎn)和目標(biāo)點(diǎn)位置的車輛狀態(tài)信息，采用均勻采樣的方法生成符合情況的多條路徑，利用五次多項(xiàng)式進(jìn)行擬合。擬合公式：

[y=ax5+bx4+cx3+dx2+ex+f] （15）

式中：[a、b、c、d、e、f]為規(guī)劃路徑的形狀參數(shù)。最優(yōu)規(guī)劃路徑具有避障區(qū)域合理、路徑過渡平滑以及行駛安全性和舒適性等特點(diǎn)。為此提出風(fēng)險(xiǎn)場(chǎng)總代價(jià)函數(shù)［15-16］來(lái)篩選最優(yōu)規(guī)劃路徑，篩選公式為

[Cbest=minω1Cscure，ri+ω2Csmooth，ri+ω3Cbias，ri] （16）

[Cscure，ri=k=1NRcg（i-k）] （17）

[g（i-k）=12πσexp-（i-k）22σ2] （18）

[Csmooth，ri=riS2i（s）ds+riS2i（s）ds+riS2i （s）ds] （19）

[Cbias，ri=ri（Si（s）-d）2ds， " i=1，2，3，…] （20）

式中：[Cscure，ri]為候選路徑的安全代價(jià)函數(shù)；[Csmooth，ri]為候選路徑的平滑代價(jià)函數(shù)；[Cbias，ri]為候選路徑的偏移代價(jià)函數(shù)；[Rc]為碰撞檢測(cè)結(jié)果；[g（i-k）]為離散高斯函數(shù)；[σ]為碰撞風(fēng)險(xiǎn)標(biāo)準(zhǔn)差，決定碰撞的范圍；[Si（s）]為所生成路徑函數(shù)；[ri]為所生成路徑；[d]為所生成路徑距離道路中心線的法向偏移量；[ω1]、[ω2]和[ω3]分別為各代價(jià)函數(shù)的權(quán)重系數(shù)，取0.5、0.3、0.2；[i]為候選路徑的標(biāo)號(hào)。

4 車輛換道算法驗(yàn)證

4.1 車輛換道仿真

設(shè)置車輛典型換道場(chǎng)景，通過Prescan與MATLAB聯(lián)合仿真驗(yàn)證預(yù)測(cè)風(fēng)險(xiǎn)場(chǎng)模型可行性。仿真時(shí)，[Vtar]表示目標(biāo)車輛，[ Vobs1]、[ Vobs2]、[ Vobs3]表示障礙車輛，所有車輛均勻速行駛。仿真場(chǎng)景的俯瞰圖如圖3所示，以車道左側(cè)為起點(diǎn)，車輛[Vtar]的行駛方向?yàn)閅軸正向。參數(shù)設(shè)置如表1所示。實(shí)際行駛中車輛通常會(huì)在換道前5 s內(nèi)顯示出換道的趨勢(shì)，因此模型采用數(shù)據(jù)長(zhǎng)度為50的序列作為輸入，預(yù)測(cè)未來(lái)3 s的軌跡。模型初始學(xué)習(xí)率為0.1，訓(xùn)練周期為500個(gè)Epoch，Dropout率設(shè)置為0.3，LSTM層數(shù)為2，其維度分別為128和256。為更好表達(dá)預(yù)測(cè)風(fēng)險(xiǎn)場(chǎng)模型，[η1]、[η2]、[η3]和[η4]分別取0.05、0.35、0.35和0.25。將風(fēng)險(xiǎn)場(chǎng)中對(duì)目標(biāo)車輛影響最直接的最大場(chǎng)強(qiáng)系數(shù)標(biāo)定為1，其他場(chǎng)強(qiáng)系數(shù)則小于1。各個(gè)風(fēng)險(xiǎn)場(chǎng)的參數(shù)如表2所示，其中[σl]為車道線風(fēng)險(xiǎn)場(chǎng)的外形參數(shù)，[σB]為道路邊界的外形參數(shù)。

在障礙車換道工況下，基于LSTM預(yù)測(cè)模型對(duì)仿真場(chǎng)景中障礙車輛的未來(lái)軌跡進(jìn)行預(yù)測(cè)，得出其未來(lái)3 s的軌跡曲線如圖4所示。利用式（14）和圖2算法流程，將換道仿真場(chǎng)景中各個(gè)風(fēng)險(xiǎn)場(chǎng)進(jìn)行疊加，構(gòu)成總預(yù)測(cè)風(fēng)險(xiǎn)場(chǎng)模型?；谠撃Ｐ停谇胺秸系K車輛換道工況下，預(yù)測(cè)風(fēng)險(xiǎn)場(chǎng)模型規(guī)劃出9條不同的路徑，如圖5所示。采用式（16）對(duì)各路徑進(jìn)行總代價(jià)評(píng)估，其中安全、平滑和偏移等代價(jià)函數(shù)權(quán)重系數(shù)分別取0.8、0.1、0.1，得出各路徑的總代價(jià)函數(shù)值如圖6所示。在障礙車輛換道情形下，若不考慮障礙車輛未來(lái)軌跡帶來(lái)的風(fēng)險(xiǎn)影響，傳統(tǒng)風(fēng)險(xiǎn)場(chǎng)模型規(guī)劃的最優(yōu)路徑是路徑5，而基于預(yù)測(cè)風(fēng)險(xiǎn)場(chǎng)模型所規(guī)劃的最佳路徑是路徑2?？梢悦黠@看出，在換道情況下，傳統(tǒng)風(fēng)險(xiǎn)場(chǎng)模型與預(yù)測(cè)風(fēng)險(xiǎn)場(chǎng)模型在路徑規(guī)劃中存在顯著差異，傳統(tǒng)模型并不適用于該情景。因此，對(duì)路徑2和路徑5在預(yù)測(cè)風(fēng)險(xiǎn)場(chǎng)模型中進(jìn)行代價(jià)對(duì)比，各項(xiàng)代價(jià)對(duì)比如圖7所示。根據(jù)圖6～7可知，在預(yù)測(cè)風(fēng)險(xiǎn)場(chǎng)模型中，雖然路徑2在平滑性和偏移性上有優(yōu)勢(shì)，但考慮到安全因素，該路徑的危險(xiǎn)程度較高，遠(yuǎn)超過平滑性和偏移性綜合影響的總和。考慮到障礙車輛未來(lái)軌跡的潛在影響，路徑5～9的代價(jià)值普遍較大，與實(shí)際情況相符，因此預(yù)測(cè)風(fēng)險(xiǎn)場(chǎng)模型能規(guī)劃出更加有效和安全的路徑。

4.2 實(shí)車驗(yàn)證

為驗(yàn)證預(yù)測(cè)風(fēng)險(xiǎn)場(chǎng)模型及路徑規(guī)劃有效性，針對(duì)前方障礙車輛直行工況進(jìn)行了實(shí)車驗(yàn)證。實(shí)驗(yàn)所用目標(biāo)車輛為某L3級(jí)智能網(wǎng)聯(lián)電車，具體硬件配置如圖8所示。搭建前方障礙車輛直行測(cè)試場(chǎng)景，如圖9所示。

實(shí)車測(cè)試過程中，道路寬度為6 m，道路長(zhǎng)度為50 m，障礙車輛速度為15 km·h?1，目標(biāo)車輛速度為30 km·h?1，目標(biāo)車輛和障礙車輛與道路中心線的距離分別為1.4 m、1.3 m，兩車間的直線距離為20 m。以目標(biāo)車輛后方10 m的距離作為起始位置。通過圖10所示的數(shù)據(jù)獲取圖，可采集測(cè)試過程中前方障礙車輛在過去5 s中的坐標(biāo)，將其作為預(yù)測(cè)模型的輸入，預(yù)測(cè)障礙車輛在未來(lái)3 s的軌跡見圖11。

將目標(biāo)車輛的起始點(diǎn)作為路徑規(guī)劃的起點(diǎn)，距起始點(diǎn)直線距離35 m為目標(biāo)位置，根據(jù)五次多項(xiàng)式進(jìn)行軌跡擬合，得出風(fēng)險(xiǎn)場(chǎng)中的5條路徑如圖12所示。通過式（16）～（20）對(duì)圖12中的路徑1～5進(jìn)行總代價(jià)值評(píng)估，具體代價(jià)值分別為0.76、0.51、0.27、0.16、0.70。對(duì)于前方障礙車輛直行工況而言，綜合考慮各條路徑安全、平滑和偏移等代價(jià)，最終選擇代價(jià)值最小的路徑4作為最優(yōu)換道路徑。

5 結(jié)論

文中提出了智能車輛復(fù)雜交通環(huán)境的換道路徑規(guī)劃方法，綜合考慮復(fù)雜交通環(huán)境中的各類風(fēng)險(xiǎn)影響因素，并以此完成車輛的路徑規(guī)劃，結(jié)合風(fēng)險(xiǎn)代價(jià)函數(shù)，評(píng)估并選取了最優(yōu)規(guī)劃軌跡，使得最優(yōu)路徑在平滑性、偏移性和安全性等綜合方面表現(xiàn)良好。仿真與實(shí)車結(jié)果表明，預(yù)測(cè)風(fēng)險(xiǎn)場(chǎng)模型能夠較好地表征多類風(fēng)險(xiǎn)因素對(duì)車輛行駛環(huán)境認(rèn)知及規(guī)劃決策的影響，充分響應(yīng)了交通態(tài)勢(shì)變化，有效提高了路徑規(guī)劃準(zhǔn)確性和適用性。

參考文獻(xiàn)：

［1］ Wang P W，Gao S，Li L，et al. Obstacle Avoidance Path Planning Design for Autonomous Driving Vehicles Based on an Improved Artificial Potential Field Algorithm［J］. Energies，2019，12（12）：2342.

［2］ Yang Z C，Hu Y Z，Zhang Y B. Path-planning Strategy for Lane Changing Based on Adaptive-grid Risk-fields of Autonomous Vehicles［J］. World Electric Vehicle Journal，2022，13（10）：175.

［3］ Yang W，Li C，Zhou Y P. A Path Planning Method for Autonomous Vehicles Based on Risk Assessment［J］. World Electric Vehicle Journal，2022，13（12）：234.

［4］ "朱乃宣，高振海，胡宏宇，等. 基于交通風(fēng)險(xiǎn)評(píng)估的個(gè)性化換道觸發(fā)研究［J］. 汽車工程，2021，43（9）：1314-1321.

［5］ "王建強(qiáng)，吳劍，李洋. 基于人-車-路協(xié)同的行車風(fēng)險(xiǎn)場(chǎng)概念、原理及建模［J］. 中國(guó)公路學(xué)報(bào)，2016，29（1）：105-114.

［6］ "李林恒，甘婧，曲栩，等. 智能網(wǎng)聯(lián)環(huán)境下基于安全勢(shì)場(chǎng)理論的車輛換道模型［J］. 中國(guó)公路學(xué)報(bào)，2021，34（6）：184-195.

［7］ "Tian Y，Pei H X，Zhang Y. Path Planning for CAVs Considering Dynamic Obstacle Avoidance Based on Improved Driving Risk Field and A* Algorithm［C］//2020 5th International Conference on ISCTT. IEEE，2020：281-286.

［8］ "田野，裴華鑫，晏松，等. 車路協(xié)同環(huán)境下行車風(fēng)險(xiǎn)場(chǎng)模型的擴(kuò)展與應(yīng)用［J］. 清華大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，62（3）：447-457.

［9］ "王安杰，鄭玲，李以農(nóng)，等. 基于預(yù)測(cè)風(fēng)險(xiǎn)場(chǎng)的智能汽車主動(dòng)避撞運(yùn)動(dòng)規(guī)劃［J］. 汽車工程，2021，43（7）：1096-1104.

［10］ "Woo H，Sugimoto M，Wu J，et al. Trajectory Prediction of Surrounding Vehicles Using LSTM network［C］//2018 IEEE Intelligent Vehicles Symposium. 2018.

［11］ "季學(xué)武，費(fèi)聰，何祥坤，等. 基于LSTM網(wǎng)絡(luò)的駕駛意圖識(shí)別及車輛軌跡預(yù)測(cè)［J］. 中國(guó)公路學(xué)報(bào)，2019，32（6）：34-42.

［12］ "Deo N，Trivedi M M. Convolutional Social Pooling for Vehicle Trajectory Prediction［C］//2018 IEEE/CVF Conference on CVPRW. IEEE，2018：1549-15498.

［13］ "Wang F，Jiang M Q，Qian C，et al. Residual Attention Network for Image Classification［C］//2017 IEEE Conference on CVPR. IEEE，2017：6450-6458.

［14］ "Hu X M，Chen L，Tang B，et al. Dynamic Path Planning for Autonomous Driving on Various Roads with Avoidance of Static and Moving Obstacles［J］. Mechanical Systems and Signal Processing，2018，100：482-500.

［15］ "蘇衛(wèi)星，趙曉雯，溫永剛，等. 基于環(huán)境風(fēng)險(xiǎn)的自動(dòng)駕駛局部路徑規(guī)劃算法［J］. 信息與控制，2023，52（3）：369-381.

［16］ "王明強(qiáng)，王震坡，張雷. 基于碰撞風(fēng)險(xiǎn)評(píng)估的智能汽車局部路徑規(guī)劃方法研究［J］. 機(jī)械工程學(xué)報(bào)，2021，57（10）：28-41.