智能網聯環境下的多車協同換道策略研究*

劉志強，韓靜文，倪 捷

（江蘇大學汽車與交通工程學院，鎮江 212016）

前言

據歐盟數據統計［1］，由換道導致的交通事故約占總交通事故數的5%，并帶來極大的交通延遲。與此同時，75%的換道事故是由于駕駛員識別失誤導致的，即對自車狀態信息及周圍環境感知不足。近年來隨著傳感器技術、車車通信技術在汽車上的應用，車輛與車輛或道路設施之間的互聯正在成為現實。在網聯環境下，行駛路段周圍車輛信息的獲取能幫助車輛制定更優的換道控制策略，從而改善換道過程中車輛的運行速度和車頭間距等微觀交通流特性，提高車輛駕駛的安全性和舒適性［2－3］。

自動換道的研究分為單車自動換道和多車協同換道控制。前者主要研究單車換道軌跡規劃和軌跡跟蹤控制；后者研究相對較少，目前關于多車協同換道策略的概念可分為目標車道前后車加減速協同和多車道多車換道協同兩類［4－8］。前者定義為，不具有換道意圖的協同車輛在協同過程中必須通過控制自身的運動狀態來配合完成換道；后者定義為，在多車道多車情景下多車同時換道的協同行為［8－10］。日產汽車的 Cao等人［7］采用模型預測控制（model predictive control，MPC）對合流區的車輛運動軌跡進行優化，將協同行為簡化為包含合流車輛和原車道合作車輛的協同模型；吉林大學的譚云龍［9］研究了快速路合流區的車輛協同換道模型，結合駕駛員特征建立了模型決策框架；德國宇航中心的Heesen等人［10］通過試驗研究了實際換道中，駕駛員可能采取的協同行為，并用邏輯模型進行了回歸處理。

上述研究主要是基于自動網聯汽車進行多車協同駕駛的系統結構設計，對自車控制算法和周圍車輛協同控制算法研究相對較少；研究場景較單一，主要集中在合流區和十字路口，不能解決實際情況下復雜交通環境的問題。另外，由于避撞約束的維度和車輛運動學的非線性，優化控制函數通常難以求解。

據此，本文中提出一種集中決策與分布控制的多車協同安全換道策略。首先提出一種基于激勵函數的換道收益函數模型，判斷當前交通狀況是否適合進行協同換道操作。其次提出一種基于模型預測控制的協同換道優化控制模型，實時獲取各車的期望控制輸入量。選取美國NGSIM開源交通數據庫中一個典型時段路段場景，在Matlab中應用協同策略進行仿真，驗證該方法在提高交通效率與穩定性和行車安全性與舒適性方面的效果。

1 多車協同安全換道系統架構

本文中所研究的多車協同換道場景如圖1所示。SV（自車）為換道車輛，ALV和AFV分別表示目標車道上的前、后車輛，LV表示同車道上前車。換道過程為SV從當前車道換道至目標車道的前車和后車之間。換道過程中，ALV、AFV和LV通過加減速配合SV完成換道，實現安全、高效駕駛的目標。其中，通過車聯網環境實現換道過程中信息交互，獲取的車輛狀態參數均以自車為參照物。

圖1 協同換道場景圖

為充分利用道路條件，實現系統合作的架構如圖2所示。其中，智能傳感層對車輛狀態參數和環境信息進行感知；協調層制定協同換道駕駛策略和控制目標；車輛控制層根據協同駕駛策略的反饋，利用執行機構對油門開度、制動壓力和轉向盤轉角進行控制；車車、車路通信技術負責車輛間信息的傳遞和共享，最終達到完成協同駕駛任務的目的。

圖2 多車協同換道系統架構

多車協同換道系統工作流程如圖3所示。通過信息感知獲取車輛狀態參數和道路信息，構建換道收益函數，綜合評估當前時刻協同換道行為對交通狀況的獲益程度，進行協同換道可行性集中決策；根據判斷結果建立多目標協調優化控制模型，制定多車協同換道策略；基于換道策略獲取各協作車輛的期望控制輸入量，通過通信技術實現信息共享；協同換道結束后通知各車停止協作，否則繼續執行協同操作。

圖3 多車協同換道流程圖

2 多車協同換道場景

2.1 可行性判斷

由于換道行為對原車道和目標車道的上、下游車輛都會造成影響，故須容納來自多個周邊車輛的信息進行換道可行性判斷。為了對協同換道集中決策行為進行建模，在激勵模型（incentive-based model，IBM）的基礎上定義換道收益函數，以判斷換道操作的獲益程度［11］。換道車輛SV的候選決策生成模型公式定義如下：

式中：O和T分別為自車SV當前車道和目標車道；G（SV，O，T）為在協同情況下，SV從 O換道到T的總體收益；NO和NT分別為在通信車道范圍l內，當前車道上的后續車輛和目標車道中的后續車輛；Δath為切換閾值，表示當前交通條件下車道變換行為優于車道保持行為；a為車輛當前狀態下的加速度，a－為自車換道后車輛的加速度，由下節的狀態預測模型計算得到。

當且僅當收益函數G滿足式（3）條件時，系統決策為協同換道可行，對于 G（SV，O，T）的計算，公式右半部分第1項是自車SV通過換道獲取的速度優勢。第2項中，η為禮貌因子，表征換道操作對目標車道中后續車輛（通信范圍內）NT的影響，旨在減少不必要或激進的換道行為，避免破壞交通穩定性。a－t－at計算結果總是非正的，其最小值代表換道行為的最大影響。第3項中，μ為受益因子，表示當前車道上的后續車輛NO因自車換道獲得的速度優勢，表征換道行為對交通效率產生的積極影響。a－o－ao計算結果總是非負的，因此選擇其最大值表示最大影響。

即總體收益G（SV，O，T）是由自車SV的速度收益、目標車道后續車輛NT的整體交通穩定收益和當前車道后續車輛NO的速度收益組成。

2.2 狀態預測模型

為獲得主車換道后各車輛的加速度，選取優化速度模型（optimal velocity model，OVM）作為車輛跟馳模型。該模型不僅能反映駕駛員特性，而且能描述交通流特性［12－13］，如式（4）所示。

式中：an為車輛縱向加速度；sn＋1－sn為兩車間的車頭間距；Vm（sn＋1－sn）為優化速度函數；lc為包含車身長度的最小安全車距；V1、V2為常數參數；C1、C2為對應系數。各參數的取值可參考以往研究中的數據［13］。

3 基于MPC的協同換道策略

為實現安全、舒適、高效的換道目標，建立多目標協調優化控制模型［14］。為降低最優控制量的求解難度，將整個換道過程分為兩個階段。第1階段為稀疏縱向間距階段，使協同換道車隊從原來的形態轉移到一個足夠稀疏的形態，以避免碰撞；第2階段為換道階段，該階段從稀疏隊形開始，車輛間的安全距離得以滿足，因而可降低避免沖突的約束要求。

3.1 稀疏縱向間距階段

第1階段在換道開始前，調整換道車輛與前后車之間的縱向間距，使車輛間距離足夠稀疏。假設每輛車都是矩形，當且僅當車輛的4個拐角不碰到路障時，才能避免碰撞。如圖4所示，假設4個拐角點的坐標為（xAi，yAi）、（xBi，yBi）、（xCi，yCi）和（xDi，yDi）。根據三角形面積準則［15］可得兩個不規則放置的矩形之間的避碰條件，從而將車輛之間的避碰約束公式化為

圖4 車輛運動學示意圖

式中：SΔ為三角區域面積；SX為矩形區域面積；P∈｛Aj，Bj，Cj，Dj｝，i，j＝1，2，…，Nv（i≠j），Nv為通信范圍內的車輛數。

對自車、原車道前車和目標車道前、后車的加速度誤差進行優化，保證其縱向駕駛舒適性，該階段目標函數為

式中：N為預測時域；μ＝｛SV，FV，ALV，AFV｝；ωμ為權重因子；amin、amax為駕駛員可接受的最小、最大舒適加速度；aSV′＝aSV（k＋i＋1｜k）－aSV（k＋i｜k）為車輛的加速度變化率；Tp為駕駛員可接受的最大舒適縱向加速度變化率，加速度變化太大同樣會引起駕駛員的不適。

3.2 車道變換階段

第2階段由稀疏隊形開始，因此可降低避撞約束條件的維數，減小模型求解的難度，提升計算速度。對自車與周圍車輛的加速度和跟車車距誤差進行優化，表征換道過程中的舒適性代價和跟蹤性代價，該階段目標函數為

式中：hφ、λβ為各項的權重因子；（k＋i＋1｜k）為基于 k時刻的信息對k＋i＋1時刻的值進行預測；β＝｛SV，ALV，AFV｝；φ＝｛SV，AFV｝；asmin、asmax為駕駛員可接受的最小、最大舒適換道加速度；Dz（k）為k時刻兩車之間的實際距離，且 z＝｛SV－ALV，SV－AFV｝；THW為兩車間的安全臨界跟車時距；TTC為安全臨界碰撞時間；Vf為前車速度；Sf為最小安全車間距。

式（9）前5式保證了換道過程中各車的安全性和舒適性，確保狀態控制變量在容許范圍內，式（9）最后一式表示兩車間的距離滿足最小安全距離。

在車道變換階段，SV的縱向加速度隨期望的控制輸入量而變化，采用如式（10）所示的正弦函數表達橫向加速度 ay（t）［16］：

式中：T為整個換道過程橫向移動持續時間；W為車道寬度，即需要完成的橫向位移。

根據換道橫向加速度可得到橫向位移的變化：

當換道車輛的橫向位移達到車道寬度W時，即可視為完成換道階段，如圖5所示。

圖5 SV換道過程

3.3 問題求解

由于本文中所建立的目標函數為多目標協調優化控制問題，故采用滾動時域優化算法求解該問題。即隨著采樣時刻的推進，在滾動的有限時間區間內反復對每一時刻的偏差進行優化計算［17］，得到控制階段各車的期望輸入從而實現主動協作。系統預測時域內，約束條件均為AX≤B的形式，因此采用約束管理法軟化硬約束。選擇Dantizig-wolfe有效集法［18］求解多目標協調優化控制問題，得到最優控制變量：

約束條件如式（7）和式（9）所示。

提取最優控制量的首個元素X（0），將其輸入自行車的車輛模型中，得到期望的最優油門開度c*thr（0）和最優制動踏板壓力c*brk（0），實現對車輛驅動和制動的優化控制。模型中的參數取值見表1。

表1 多目標協調優化控制策略的特征參數及數值

4 仿真驗證

4.1 仿真場景

本文中基于美國NGSIM開源交通流數據［19］，采用Matlab／Simulink聯合仿真，對模型進行驗證。該數據源利用圖像處理技術提取并開放了車輛的運動軌跡數據。選取數據庫中101高速公路上某路段交通數據進行分析。該路段全長約640 m（2 100 ft），如圖6所示。將選定時刻內自然駕駛行為下的實際換道場景定義為一般傳統換道（general lane changing，GLC）；將應用多車協同換道策略后的仿真換道場景定義為協同換道（cooperative lane changing，CLC）。

圖6 選取的高速路場景

一般傳統換道的結果是車輛在該路段第4、5車道上8：05－8：20 am期間的行駛數據和統計分析，并以此作為驗證所提策略的參照結果。協同換道結果是基于上述場景，在相同工況下使用多車協同換道策略，對換道過程進行仿真得到的車輛運行數據。

通過比較兩種情形下換道過程中局部交通系統的性能指標和車輛運行參數，驗證所提策略的有效性。

4.2 結果與分析

圖7為傳統換道場景下的車輛運行軌跡圖，選取路段該時段內共發生6次換道行為。圖8為應用多車協同換道策略后的車輛運行軌跡圖。對比圖8和圖7可見，車輛速度區間值提升，車輛行駛到相同位置的時間縮短，道路通行效率提高。另外，在該場景中評估傳統換道和協同換道情況下所有可行的換道數量，在CLC場景下可實現的換道數量提升至10次。換道可行性的增加相對不明顯，這是由于驗證場景所取路段較短，且處于自由流狀態的車輛較多所致。

本場合的平均車速是指一定時間或空間范圍內所有車輛速度的平均值，包括時間平均車速和空間平均車速，是評價交通系統的重要性能指標。圖9為一般換道和協同換道情況下各時間段內時空平均車速，協同換道策略下車輛的時間平均速度最多可由11.79提升到14.31 m／s，空間平均速度最多可由9.86提升到12.05 m／s，平均車速得到明顯提升。

圖9 兩種情況下的時間、空間平均速度

稀疏縱向距離階段第1輛換道車輛的實際加速度與期望加速度曲線如圖10所示。CLC場景下各車實際加速度接近于駕駛員期望加速度，且加速度變化率在駕駛員可接受的范圍內，表明多車協同換道策略符合駕駛員的操作習慣且滿足舒適性要求。

換道車輛的行駛軌跡如圖11所示。由圖可見，換道軌跡各個點的位移、速度和加速度曲線光滑連續，換道過程平穩。

圖10 第1階段各車加速度（CLC）

圖11 換道軌跡圖

換道階段換道車輛和周圍各車的加速度如圖12所示。設定換道前，換道車輛SV以相同的速度勻速行駛，換道過程中各車的速度變化率均在駕駛員可接受的舒適加速度范圍內。圖12（a）為協同換道場景下換道車輛SV在換道階段的加速度變化情況。換道車輛的加速度變化趨勢為先減速后加速，加速度變化平緩。圖12（b）為協同換道場景下目標車道前車ALV在換道階段的加速度變化情況。圖中第1個交點為換道車輛1與換道車輛5在3.6 s左右加速度達到相同值，即車輛1的加速度變化率大于車輛5的加速度變化率。場景設置中，車輛1與前車的車間距為16 m，小于車輛5與前車的車間距（22 m），目標車道前、后車根據當前環境信息調整自身行駛狀態。圖12（c）為協同換道場景下目標車道后車AFV在換道階段的加速度變化情況。圖中4.7 s左右各車加速度均近似逼近于0。參數設置中，目標車道后車與換道車輛之間的車間距接近最小安全距離，因此在安全性得到滿足的前提下，令各車的縱向加速度以駕駛員可接受的最大舒適縱向加速度變化率變換至期望目標縱向加速度后勻速行駛，并使目標函數U（k）達到最小值。

圖12 第2階段各車加速度（CLC）

5 結論

本文中基于全面實時的多車信息，充分考慮自車換道過程中周圍車輛的主動合作，相對于一般換道，為駕駛員提供更為舒適的駕駛體驗。本文中提出的基于集中式決策和分布式控制的多車協同換道MPC策略將整個換道過程劃分為稀疏縱向距離階段和車道變換階段，減小了優化控制模型的求解難度。通過美國NGSIM開源交通流數據庫中的實際交通場景對CLC策略和GLC策略進行了比較，得到如下結論。

（1）與一般換道相比，協同換道策略能提高車輛換道的可行性；且交通流中的沖擊波可得到一定程度的緩解，上游車輛的減速度減小，降低了換道對目標車道車輛的消極影響。

（2）在協同換道過程中，車輛的平均速度提升20%～25%；各車加速度變化趨于平穩，換道過程更加安全高效，道路通行效率提高。

（3）本文中研究忽略了通信延遲或傳感故障，將在今后的工作中加以考慮，并根據配備協作裝備的車輛現場數據進一步設計相關的控制策略。