基于駕駛人特性的自適應換道預警算法研究*

劉志強，韓靜文，倪 捷

（江蘇大學汽車與交通工程學院，鎮江 212013）

前言

車道變換是駕駛過程中最常見也是危險程度較高的駕駛行為，美國高速公路安全管理局（national highway traffic safety administration，NHTSA）研究數據表明，由換道引發的交通事故在所有事故中占比高達27%，其中駕駛人因素導致的交通事故約占93%［1］。同時，我國大型實車路試驗（China field operational tests，China-FOT）統計數據也進一步顯示，換道切入危險事故占事故總量的23.91%［2］。因此，為降低由換道引發的交通事故，改善駕駛人的操作環境，換道預警輔助系統（lane changing warning system，LCWS）得到廣泛研究并實際應用［3］。

目前，國內外針對換道預警算法的研究多集中于兩方面：一是基于避撞時間（time to collision，TTC）的換道預警［4-5］；二是基于最小安全距離（minimum safety distance，MSD）的條件約束預警［6-7］。前者根據自車與前車相對位置及相對速度的變化情況預估車道變換的潛在風險。后者通過設定最小安全距離閾值及時向駕駛人做出危險警告。由于預警系統的激活可能會與駕駛人操作習慣相悖，導致此類系統接受度低，部分研究人員基于此開展針對駕駛人個體差異性的預警模型研究［8-9］。但大多駕駛人分類模型是離線狀態下完成的，運算量大，且模型參數單一固定，預警系統實時性差?；诖?，本文中提出一種在線學習駕駛人特性的換道預警算法。首先，搭建算法的框架結構；其次，確定換道危險感知模型，設計模型參數及預警閾值的動態調節算法；最后，通過實車試驗，驗證算法自適應駕駛人特性的能力及預警策略效果。

1 自適應駕駛人特性的LCWS結構

為使LCWS具有自適應駕駛人特性的能力，設計如圖1所示的系統結構。首先，確定換道模型，提出換道參數修正方法實現對多車碰撞風險的綜合評估，并給出模型參數的動態調節方法；其次，建立基于駕駛員操作感知的換道行為數據庫，設計基于信息熵的最優閾值搜索方法，同時建立閾值合理性評價體系，判斷閾值是否需要調整；最后，將實時危險評估值與預警閾值進行比較，判斷系統報警情況，使得預警系統在不干涉駕駛員操作的前提下，根據當前狀態自我調節，提高行車安全性。

圖1 自適應駕駛人特性的LCWS結構

2 自適應換道預警模型

考慮換道過程中周邊車輛的行駛狀態，綜合評價自車行駛危險程度，在模型中引入定量表征多車影響權重的指標，通過動態權重分配方法對換道參數進行修正。此外，為自適應駕駛人特性對模型參數進行在線辨識，實現預警模型的個性化設計。

2.1 換道預警模型

本文中所研究的換道場景為快速道路環境，如圖2所示。換道過程為SV車（自車）從原車道變換至目標車道，ALV車和AFV車分別表示目標車道上的前、后車輛，LV車表示同車道上前車，FV車表示同車道上后車。SV車從當前車道換至目標車道的前后車之間。換道過程中，通過車聯網環境實現信息交互，獲取的車輛狀態參數均以自車為參照物。

圖2 換道場景

基于自車與前車保持安全距離的假設，虛擬彈簧理論［10］將行車隊列中的駕駛人期望加速度（t）描述為

式中：D*（t）為駕駛人期望跟車間距；DSV（t）為 t時刻實際跟車距離；kr為虛擬彈簧常數與車輛質量的比值；kv為阻尼系數與車輛質量的比值；vLV（t）與vSV（t）為t時刻LV車和SV車的速度。另外，交通流中的全速度模型［11］也考慮了依賴于車頭時距的優化速度及正速度差對駕駛人的影響，該影響（t）為

駕駛人期望加速度模型的作用是模擬駕駛人在行車過程中對車輛的控制特性。結合虛擬彈簧理論模型和全速度模型，說明駕駛人的操縱行為與車輛的車頭間距和速度直接相關，考慮到車頭時距（THW）和避撞時間倒數（TTCi）是反映車距和車速的重要參數，同時能表征駕駛員特性和行車狀態，是駕駛人穩定行車時的主要控制目標［12］，故確定期望加速度模型（t）為

式中：車頭時距THW（t）為自車相對前車距離與自車車速的比值；避撞時間的倒數TTCi（t）為相對車速與自車相對前車距離的比值；THW*（t）為期望跟車時距。

換道操作是一個連續的即時行為，主要研究車輛的縱向運動，如車頭時距、避撞時間和臨界安全距離等［13］。基于此假設，以上模型同樣適用于換道過程。但此類模型主要考慮自車與前車之間的防碰撞問題，在換道過程中，除了考慮自車道前車和目標車道前車，還需重點關注目標車道后車的影響。對目標車道后車的跟車時距 THWr和避撞時間倒數TTCir推導為

式中d為與前車的相對距離。

本文中綜合考慮自車換道時周邊多車的狀態信息，引用改進的加速度模型進行換道預警。將式（3）兩邊同時除以自車速度，得預警模型DR（i）為

式中：DR為換道風險指數，表征當前時刻換道風險程度的大小，s-1；i為換道數據的采樣序列號（本文中數據采樣時間為0.1 s）；THWd，hβ和 hμ為反映駕駛員特性動態變化的參數。

2.2 換道參數的修正

在一個換道周期中，須綜合考慮多車道前車及目標車道后車的行駛狀態，采用動態權重分配法定量評估各車影響程度大小。引入換道過程中的車輛速度關聯度、換道安全系數以及橫向偏移作為權重分配的判斷指標，對換道參數THW和TTCi進行修正，修正值W（i）和TCi（i）為

式中：k＝LV，ALV，AFV；ρk為權重系數。對于 ρk的確定，模糊邏輯法能夠模仿人腦的不確定性概念判斷，是現代人工智能技術的核心［14］，因此可用于駕駛輔助系統中的控制參數調節問題。將3個指標作為模型的輸入，權重系數ρk作為輸出，建立換道協同車輛的權重調節系統，其結構框圖如圖3所示。

圖3 模塊框圖設計

（1）速度關聯度 即換道車輛與周圍車輛相對速度的灰色關聯度，描述兩車之間的行車穩定程度。基于灰色關聯度分析的一般方法分為歸一化、求差序列、求兩級最大最小差值和求關聯系數矩陣4步。關聯度系數 gk（i）為

速度關聯度的歸一值有low，moderate和high 3個等級，分別表示協同車輛與自車的速度關聯度較小、居中和較大。

（2）橫向偏移 即換道車輛SV與周圍車輛的橫向位置的差值，是駕駛員對車輛控制量的直接表征參數。以自車與原車道前車為例，自車換道對前車的影響隨著橫向偏移的增加而逐漸降低。橫向偏移 offset（i）為

式中：Pt（i）為車輛橫向位置，t∈｛LV，AFV，ALV｝。

橫向偏移的歸一值有near，medium和far 3個等級，對應了周圍協同車輛與自車的橫向位置的偏差較近、適中和較遠。

（3）換道安全系數 即自車與周圍車輛的實際距離與安全距離的比值，反映了換道過程中自車與周圍車輛縱向距離的安全程度，換道安全系數φs為

式中：do為自車與周圍車輛的實際縱向距離；dsafe為兩車間的臨界安全距離。

對目標車道后車而言，dsafe為換道臨界安全距離。換道安全系數的歸一值有low，moderate和high 3個等級，對應了換道安全系數較低、中等和較高3個等級。選擇常用的高斯函數f作為參數等級的表達形式：

式中σ和c為實數常數。

由此可得到輸入和輸出的隸屬度函數曲線，權重系數的隸屬度函數曲線包含VS，S，M，B和VB 5條曲線，分別表示極小、小、中等、大和極大，如圖4所示。依據設定的模糊計算規則得到權重系數ρk的等級表達，并采用質心法解模糊得到其定量表達。

2.3 模型參數THW d，hβ和hμ的在線辨識

為實現對駕駛員換道特性的在線學習，采用運算量較小、并能實時處理的遞推極大似然估計算法。同時，為降低數據庫中過時數據對當前狀態判斷的影響，引入帶遺忘因子的迭代過程，使估計結果更符合當前狀態特征［15］。將系統模型考慮為線性差分方程 y（k），其表達式為

式中：a1，…，an，b0，…，bn為序列系數；ε（k）～N（μ，σ2）為高斯序列；n為序列長度。以上系統模型方程可表示成式（13）所示的向量問題：

式中：Y為觀測量，是系統的輸出；φ為系統輸入量；θ為待估參數變量；e為期望為0的高斯白噪聲。

根據式（5）換道預警模型，可得

式中σ為序列ε（k）的均方差。

根據極大似然原理，對式（15）中未知參數求偏導，令其為 0，可得待估參數 θ的極大似然估計值：L

根據遞推的極大似然估計算法，每觀測1次新數據遞推計算1次模型參數，如式（17）所示。

式中ε為適當小的數，即當3個參數的變化波動較小時，遞推即可停止。

2.4 換道模型有效性分析

通過分析基于實車試驗獲取的567組有效換道數據，對本文中建立的換道預警模型的有效性加以驗證?；趽Q道危險評估模型可獲得換道過程中的加速度預測值，將車輛加速度預測值與實際值進行對比，如圖5所示。

圖5 換道過程中的加速度曲線預測

由圖5可知，自適應駕駛員特性的加速度預測值符合駕駛員在實際換道過程中的操作特性，表明該模型能夠對危險換道情況進行有效預警。

3 預警閾值

3.1 預警閾值的確定

在一次完整的換道數據序列中，通過考察目標車道后車的駕駛行為來判斷自車換道過程是否安全。根據文獻［16］，高速情況下，車輛危險程度主要受最大制動減速度的影響。后車基本勻速甚至略有加速表明車輛換道行為對目標車道后車的影響小，換道行為安全；相反則說明換道行為不安全。考慮到加速度的取值對駕駛人操作舒適性有較大影響，本文中通過劃分最大減速度區間來確定換道過程中后車的危險程度，如表1所示。

表1 目標車道后車危險程度的劃分

將各狀態下的危險感知值實時存儲入數據庫，但樣本量的不斷增加會使得樣例類別的混亂程度增大，為獲得較為準確的預警閾值，用信息熵的概念來表征判別屬性的適應程度。信息熵是描述信息不確定度的期望值，熵越大集合信息的混亂程度越高，反之分類越清晰［17］。信息熵 Entr（X）為

式中：Di＝｛D1，D2，…，Dk｝為特征屬性，本文中取 k＝3，分別表示判別結果為安全、較危險和危險；P（Di，X）表示判別結果為Di的分類樣例占集合總數X的比例。

將較危險狀態的DR值作為區間值屬性的條件屬性 Ci＝｛C1，C2，…，Cn｝，將數據集按照條件屬性Ci的取值進行升序排列得到Ci′，并計算Ci中的最優割點［17］。對選定區間上每一個備選割點P，訓練數據集被分割成S1，S2和S3，分割的信息熵定義為數據集 Sj（j＝1，2，3）的類信息熵的加權平均 E（C，P；S），其計算方法為

其中 Entr（Sj）由式（20）計算得出。在所有的備選割點中選取使得E（C，P；S）達到最小值的P*，即為特征屬性Ci的最優割點，從而得最優閾值DRs為

即當實時危險感知值DR（i）∈DRs時，表明當前處于較危險狀態，系統進入一級報警模式；當DR（i）＜DRs，當前為危險狀態，系統進入二級報警模式；當DR（i）＞DRs時，為安全狀態。

3.2 閾值合理性判斷

本文中所建立的預警系統中的信息處理模塊選擇采用信號檢測理論（signal detection theory，SDT）［18］對預警模型進行評價，根據預警系統的判斷情況將實時獲取的換道數據分成4類，如表2所示。

根據表2分析可知，Ⅰ類和Ⅳ類數據分別表征預警系統的誤警情況和漏警情況，即實際情況是正常換道時，系統卻發出警報的案例，以及實際情況是危險換道，系統并沒有進行預警的案例。若這兩種案例占比過大，超出駕駛人對預測模型的容忍限度，說明當前閾值不合理，會降低駕駛人對輔助系統的接受程度。

表2 評價結果

3.3 閾值調整規則

數據庫中不斷添入新數據，同時將過時數據剔除，使算法決策判斷的數據樣本可靠性提高，也提升了搜索最優閾值的判別能力。當系統漏警和誤警情況比率超出限定值時，系統依據現存數據庫對最優閾值進行重新搜索，通常將限定值取為8%［12］。

4 算法驗證

為驗證算法性能，本文中設計了如下實車試驗。路線選取為城市快速公路，選擇10名駕駛人作為受試對象。試驗車輛裝配有毫米波雷達、行車記錄儀、轉向盤傳感器、速度傳感器、陀螺儀和GPS等設備。車輛信息數據采集系統主要采集車速、轉向盤轉角、制動和節氣門開度等運動參數。工控機負責記錄信息數據，將各路信號集中轉換，實現數據信號的同步輸出，主要試驗設備如圖6所示。

圖6 數據采集試驗設備

數據采集方式為設備自動獲取數據，后期完成數據的提取處理及樣本篩選工作。對獲取的換道試驗數據進行分類處理，存儲各狀態的危險感知值，該值由換道預警模型獲得，即將實時修正的車頭時距、避撞時間的倒數和當前狀態下模型最新參數代入計算，部分DR序列如圖7所示。

圖7 部分DR序列

計算該數據集下的最優割點DRs∈［-0.008，0.057 6］。DR（i）＜-0.008時，換道車輛處于危險狀態；DR（i）＞0.0576時，車輛處于安全狀態。圖8比較了兩種狀態下自適應模型（ALC）與非自適應模型（N-ALC）的危險感知值序列，自適應預警模型相對于非自適應模型對危險的感知可提前0.3～1 s，為駕駛人采取措施規避危險提供了時間優勢。

圖8 兩種模型下的DR序列

利用訓練模型對測試數據進行預測，分別將非自適應模型與自適應模型情況下的預測結果與實際結果進行對比，分析系統各狀態的識別準確率，具體結果如表3所示。

表3 驗證結果 %

引入接受者操作特性曲線（receiver operating characteristic curve，ROC）來衡量模型預判的準確率。ROC曲線下的面積AUC（area under curve）值越大分類性能越好。通過計算，分別給出非自適應模型和自適應模型的ROC曲線，如圖9（a）和9（b）所示。圖9（a）中3種狀態的ROC曲線的AUC值分別為t1＝0.818（安全）、t2＝0.836（較危險）和 t3＝0.865（危險）。圖9（b）中自適應模型下的 ROC曲線分別為 t1＝0.908（安全），t2＝0.919（較危險）和 t3＝0.941（危險）。由ROC曲線性質可知，AUC越大，其性能就越好。由此說明自適應模型的判別能力較好，且誤警率相對于非自適應模型大大降低。

圖9 兩種模型下的ROC曲線

5 結論

（1）建立了模型參數和預警閾值可調的自適應換道預警模型，并通過實車試驗進行了驗證。結果表明，參數動態變化的自適應模型更加符合實際的駕駛操作行為，且能夠反映不同駕駛員在復雜交通環境下的駕駛風格差異。

（2）自適應預警算法充分考慮駕駛人特性，相對于非自適應模型能較早感知危險，為駕駛人提供0.3～1 s避撞時間。另外，自適應模型的危險狀態識別率達到92.1%，誤警率低，表明該模型應用于城市快速道路或高速公路上的換道危險感知時有較高的精度，較好地解決了駕駛人與智能輔助系統之間匹配度不高的問題。