基于前車意圖識別的自動駕駛車輛實時避障換道策略研究

付智俊， 郭啟翔， 何 薇， 謝 斌

（東風(fēng)汽車股份有限公司商品研發(fā)院， 湖北 武漢 430000）

1 前言

自動駕駛作為一種能夠替代駕駛員并通過完備的控制算法來優(yōu)化車流行駛軌跡、避免交通事故的先進(jìn)技術(shù)，已經(jīng)發(fā)展成為車輛領(lǐng)域的研究重點。根據(jù)周邊環(huán)境，主要分為結(jié)構(gòu)化道路與非結(jié)構(gòu)化道路的自動駕駛［1］。結(jié)構(gòu)化道路主要指車輛視野良好、周車行駛軌跡比較規(guī)律、具有明顯交通標(biāo)示及車道線的道路，例如高速公路、大型工廠及景區(qū)內(nèi)部道路，是目前研究的主要對象。

換道是超車、并線、會車、避撞等自動駕駛的基本工況，Ammoun等［2］提出自動換道是自動駕駛重要的組成部分，車道變換不僅是4%-10%事故的原因，而且10%的道路延誤也是由不正常換道引起的。換道問題研究對促進(jìn)自動駕駛車輛的高效運行有十分重要的意義。目前的換道研究多集中于單車換道情形［3］與V2X （Vehicleto Everything） 換道［4］。單車情形中有駕駛模型［5］、換道意圖判別［6］、風(fēng)險判斷［7］、軌跡規(guī)劃與跟蹤、新型控制架構(gòu)等研究方向。

對于自動駕駛車輛換道軌跡規(guī)劃，最常用的是曲線插值方法。2000年，Piazzi和Bianco［8］兩位學(xué)者發(fā)現(xiàn)五次多項式曲線可以增加車道變換軌跡的魯棒性。Papadimitriou和Tomizuk［9］在2003年也使用五次多項式曲線來表示車道變換軌跡，并針對避免固定障礙物的情況提出了換道軌跡規(guī)劃模型。之后很多學(xué)者針對此進(jìn)行了拓展性研究。2016年，Thomas［10］針對五次多項式提出了一種優(yōu)化解法，通過將一個確定性約束改為軟約束，使軌跡可以滿足更多約束條件。

在換道軌跡確定之后，需要設(shè)計軌跡跟蹤策略以確保車輛沿既定軌跡行駛。目前常用的軌跡跟蹤策略有PID控制、MPC控制等。D. de Bruin et al.［11］在2004年使用比例為-微分（PD） 控制器實現(xiàn)車輛換道控制。文獻(xiàn)［12-13］提出了具有不同控制特性的控制器，這些控制器屬于傳統(tǒng)PID控制的變體。C. Kreuzen使用MPC控制方法控制換道過程，并發(fā)現(xiàn)模型預(yù)測控制（MPC） 的控制方法比PID控制更有前景，因為它能夠預(yù)測未來的情況并直接將控制算法實施到實時算法中。

為解釋換道過程中本車與周圍車輛和耦合運動，Nilsson［14］提出了一種有效的車道變換操縱方法，用于具有時變速度的自動車輛。羅禹貢［4］提出了一種實時調(diào)整的動態(tài)軌跡規(guī)劃算法，在使用優(yōu)化方法生成五次多項式曲線的時候把車輛視為一個剛體，考慮車輛橫向加速度的約束。香港大學(xué)Xu［15］提出一種動態(tài)換道設(shè)計方法，通過人機界面進(jìn)行換道時機和換道狀態(tài)的提醒，該方法仍然需要駕駛員進(jìn)行最終換道決策。北京理工大學(xué)劉凱［16］提出了動態(tài)換道模型，并且使用了可變步長離散化方法用于得到預(yù)測時域的動力學(xué)計算模型，將換道過程分為側(cè)重縱向控制和側(cè)重橫向控制的兩個連續(xù)階段，通過實車實驗取得了良好的效果。

然而，目前常見的策略為單次規(guī)劃-實時控制，對實時規(guī)劃控制的研究相對較少。實時規(guī)劃控制在每個時點都可以基于前車換道意圖、當(dāng)前車輛狀態(tài)以及剩余換道時間重新規(guī)劃換道軌跡，并且根據(jù)跟蹤模型計算控制量。由于軌跡實時更新，自車可以在軌跡規(guī)劃層面上對跟蹤誤差進(jìn)行彌補，并且基于當(dāng)前狀態(tài)規(guī)劃的換道軌跡將更加適合自車后續(xù)換道行為。本文參照這一思路，提出基于前車意圖識別的自動駕駛車輛實時避障換道策略，設(shè)計實時避障換道控制架構(gòu)并對其中關(guān)鍵技術(shù)要點進(jìn)行研究，最后進(jìn)行仿真驗證。

2 實時避障換道控制架構(gòu)設(shè)計

在一般換道算法中，軌跡規(guī)劃僅在換道開始時進(jìn)行調(diào)用，計算結(jié)果會作為軌跡跟蹤模塊的參考軌跡并保持至換道結(jié)束。本文提出的實時規(guī)劃-跟蹤算法將軌跡規(guī)劃算法在每個控制周期進(jìn)行調(diào)用，作為當(dāng)前周期下的最佳參考軌跡，直至換道結(jié)束，其原理如圖1所示。

該算法的基本思想：在每個控制時點均存在最佳換道軌跡，最佳換道軌跡的評價方法體現(xiàn)在換道軌跡生成模塊中，并且隨著換道軌跡生成方法的不同而不同。一般換道算法中，車輛控制誤差會導(dǎo)致除換道剛開始外的其他時間控制點均無法同時滿足位移、速度和加速度條件，從而無法獲得最佳換道軌跡，進(jìn)而影響換道的穩(wěn)定性。實時規(guī)劃-跟蹤算法的控制誤差同樣存在，但其在每個控制時點重新考慮位移、速度和加速度條件，將滿足這些條件的軌跡作為新的參考軌跡，從而保證了在每個控制點該算法均能采用最佳換道軌跡。由圖1可知，該控制架構(gòu)主要包含環(huán)境感知 （即前車駕駛員的駕駛意圖）、軌跡規(guī)劃與跟蹤以及最后的車輛動力學(xué)控制。

圖1 實時規(guī)劃跟蹤算法原理

3 前車換道意圖識別

前車在換道時有明顯不同于非換道情形的運動學(xué)特征，本文針對原車道前車換道駕駛意圖，采用基于NGSIM數(shù)據(jù)集的隨機森林模型識別該非線性關(guān)系。NGSIM是美國聯(lián)邦公路局針對4種道路I-80、US-101、Lank、Peach進(jìn)行的數(shù)據(jù)采集，旨在通過向公眾提供權(quán)威數(shù)據(jù)的方式提高對道路效率、智能駕駛、輔助駕駛、交通系統(tǒng)分析等研發(fā)項目的支持。本文選取了US-101車道上的車輛信息，通過分析車輛換道前的行為，構(gòu)建合理的前車換道意圖識別模型。

3.1 隨機森林模型

隨機森林是在決策樹模型的基礎(chǔ)上采用bootstrap采樣方式而獲得的分類方法。決策樹的每個節(jié)點通過隨機特征子空間的方式選擇分裂點進(jìn)行分裂，最終這些決策樹將按照投票原則輸出隨機森林模型的最終分類結(jié)果，整體的決策流程如圖2所示，其中不同決策樹的參數(shù)獨立訓(xùn)練。

圖2 隨機森林決策流程

決策樹模型是一種廣泛應(yīng)用的樹狀分類器。通過特征工程獲得的特征需要具有非線性關(guān)系，并且每個特征在樹狀結(jié)構(gòu)中占據(jù)一個節(jié)點。每個節(jié)點從根節(jié)點出發(fā)，建立子節(jié)點的同時主要做兩項工作，一是根據(jù)評價指標(biāo)選擇最佳分裂特征，二是選擇分裂屬性的分裂值。決策過程沿著樹狀結(jié)構(gòu)不斷進(jìn)行，直到滿足建樹停止條件。

根據(jù)分裂時選擇的評價指標(biāo)不同，決策樹算法分為ID3、C4.5和CART共3種。本文隨機森林采用CART方法。它選用的評價標(biāo)準(zhǔn)是基尼系數(shù)，并且采用二分裂的方式遞歸創(chuàng)建決策樹。基尼系數(shù)的計算方法如公式 （1） 所示。在建樹選擇節(jié)點時，CART算法選擇基尼系數(shù)下降最多的特征屬性作為分裂節(jié)點。該特征將該節(jié)點分為左右2個子節(jié)點，以此類推直至滿足建樹的停止條件。

3.1.1 隨機森林的內(nèi)容

隨機森林是bagging集成方法在決策樹模型中的應(yīng)用，主要包括以下三個部分。

1） Bootstrap采樣：根據(jù)決策樹的數(shù)量，隨機又放回地抽取等量樣本，將每次抽取的樣本輸至對應(yīng)的決策樹模型。需要說明的是，這里每次抽取由于都是有放回的，所以屬于等權(quán)重采樣。

2） 分裂特征選擇：針對每個決策樹模型，使用CART方法選擇。

3） 多數(shù)投票：每個決策樹首先進(jìn)行獨立類別判斷，然后隨機森林模型通過投票方式最終決定判別結(jié)果。

3.1.2 隨機森林的評價指標(biāo)

隨機森林模型屬于二分類模型，采用以下評價指標(biāo)。

1） 準(zhǔn)確率：所有預(yù)測正確的樣本/總的樣本，對于正誤判斷在兩種類別中沒有偏向情形側(cè)重選擇該評價指標(biāo)。

2） 精確率：將正類預(yù)測為正類/所有預(yù)測為正類。

3） ROC曲線：ROC曲線上每個點反映分類問題在一定閾值條件下的判斷結(jié)果，橫縱坐標(biāo)點分別表示具有典型含義的比例值。其中，真正類率（True Positive Rate，TPR），即正確地判斷為換道的樣本在所有換道樣本中所占比例；假正類率 （False Positive Rate，F(xiàn)PR），即錯誤地判斷為換道的樣本在所有不換道樣本中所占比例。一般隨著閾值的變化，真正類率與假正類率反向變動。ROC曲線刻畫的是二者之間的變化關(guān)系。如果隨機分類，那么ROC曲線將趨近斜率為1的直線。

4） AUC （ Area Under Curve）：圖3中實線下方的面積。該參數(shù)考慮了連續(xù)分類閾值下的模型綜合識別效果。隨機分類的AUC接近于0.5，理想分類器的AUC結(jié)果為1，優(yōu)秀的分類器AUC 結(jié)果往往位于0.85～0.95之間。

圖3 ROC和AUC

3.2 前車換道特征構(gòu)造與提取

特征構(gòu)造是機器學(xué)習(xí)模型中最為重要的一個環(huán)節(jié)，它從本質(zhì)上決定了在該特征組合下樣本是否可分。本節(jié)首先從數(shù)據(jù)集中拆分單個車輛的行駛軌跡，劃分之后如圖4a所示，然后計算車輛換道次數(shù)，定義從小號車道換至大號車道為右換道，從大號車道換道至小號車道為左換道，車道號未發(fā)生變化的為不換道，統(tǒng)計結(jié)果如圖4b所示。數(shù)據(jù)集中的車輛總數(shù)為1916輛，其中80%以上的車輛在整個過程中均沒有發(fā)生換道現(xiàn)象；271輛車發(fā)生左換道，共計349車次；140輛車發(fā)生右換道，共計161車次。為了增加換道樣本數(shù)據(jù)，將識別到的右換道數(shù)據(jù)通過對稱方式轉(zhuǎn)化為左換道數(shù)據(jù)，轉(zhuǎn)化前后如圖5所示，轉(zhuǎn)化之后有效換道共計510車次。沒有換道行為的數(shù)據(jù)提取結(jié)果如圖6所示，有效非換道共計8632車次。需要說明的是，數(shù)據(jù)集的局部X坐標(biāo)為垂直于車道中心線的方向，局部Y坐標(biāo)表示垂直車道中心線方向，為便于展示和理解，本文圖表中除附有“局部”字樣外，X方向均表示平行車道線方向，Y方向表示垂直于車道線方向。

圖4 數(shù)據(jù)集軌跡圖和換道次數(shù)占比

圖5 換道樣本提取

圖6 不換道樣本提取

通過分析樣本特征并結(jié)合實際工程中的經(jīng)驗，本課題最終選擇了5個樣本特征作為隨機森林模型的訓(xùn)練特征。特征集合為以下5個。

1） 縱向速度均值：車輛的換道決策與自車縱向車速并不直接相關(guān)，車速主要影響換道其他特性參數(shù)。例如當(dāng)車速較大時，換道過程中駕駛員控制橫向速度在較小的范圍，從而防止出現(xiàn)失穩(wěn)的情形，車速較小時，橫向速度可以較大?？v向車速與其他參數(shù)存在非線性關(guān)系從而需要納入到特征選擇當(dāng)中。

2） 縱向加速度：縱向加速度與換道密切相關(guān)，通常目標(biāo)車道的車速要大于原車道，所以換道行為發(fā)生前一定時間窗口內(nèi)，車輛縱向加速度一般為正值，并且持續(xù)一段時間。該特征采用均值的方式處理。

3） 橫向速度：換道為發(fā)生前的一段時間窗口內(nèi)，車輛必定存在橫向速度以及加速度。而對于非換道行為，車輛可能存在波動的橫向速度和橫向加速度，但是該特征通過均值化后一般接近于0，從而與換道行為的特征存在差別，因此該特征選入模型訓(xùn)練的特征，且針對該特征采用均值化的方式處理。

4） 橫向加速度：車輛在換道行為發(fā)生前一般會產(chǎn)生較為明顯的橫向加速度，該特征采用均值化的方式進(jìn)行處理。

5） 偏離車道中心的距離：在車輛正常駕駛時，車輛往往位于車道中心線附近，一旦車輛偏離車道中心線并且持續(xù)一定時間，那么有較大把握可以認(rèn)為前車具有很強的換道意圖。

3.3 模型訓(xùn)練及結(jié)果分析

基于相關(guān)文獻(xiàn)查閱及調(diào)試經(jīng)驗，本文對比了主要的3個參數(shù)：學(xué)習(xí)率、決策樹個數(shù)、決策樹最大深度。綜合考慮訓(xùn)練時間和誤差收斂情況，決策樹數(shù)目，即基學(xué)習(xí)器的數(shù)目設(shè)定為250，其他參數(shù)及設(shè)置見表1。

表1 模型調(diào)試結(jié)果

圖7 精確率與召回率訓(xùn)練結(jié)果

圖8 準(zhǔn)確率與AUC訓(xùn)練結(jié)果

當(dāng)學(xué)習(xí)率取0.05，0.10，0.15，決策樹最大深度取3，4，5，6時，訓(xùn)練集合測試集的結(jié)果如圖7和圖8所示。精確率評價指標(biāo)在參數(shù)空間內(nèi)均保持在90%以上，在最佳參數(shù)組合下可以達(dá)到93.73%。精確率意味著模型判斷出原車道前車出現(xiàn)換道意圖時其確實發(fā)生換道行為的概率。精確值較高表示出現(xiàn)誤報的概率小，換道策略在接收到換道意圖識別結(jié)果時做出的安全條件判斷修正更加合理。召回率只有5%左右，這意味著為了保持較低的誤判率，換道意圖識別模型會避免對大多數(shù)的換道行為的認(rèn)定。準(zhǔn)確率和AUC在全參數(shù)組合下均非常接近于1，這一方面是因為模型中不換道模型數(shù)據(jù)量較大，對其判斷正確的樣本較多，另外一方面也體現(xiàn)了模型判斷的正確性。

4 實時軌跡規(guī)劃與決策控制

4.1 多項式軌跡模型

多項式曲線是較為常見的軌跡生成模型，相較于其他模型如樣條曲線模型，該模型的參數(shù)具有更明確的物理含義而且模型方便求解，降低給實時系統(tǒng)帶來的計算負(fù)擔(dān)。本文采用五次多項式曲線，在給定換道始末橫縱向位置及車輛橫縱向狀態(tài)時，可以通過線性運算得到在車道方向和車道垂向的五次樣條軌跡。五次多項式軌跡模型表達(dá)式如公式 （2） 所示，邊界約束條件如公式（3） 所示，參數(shù)含義如圖9所示。

圖9 五次多項式軌跡參數(shù)含義

在橫縱向上分別通過求解可得系數(shù)如公式 （4）、 （5）所示。

在換道結(jié)束時車輛進(jìn)入目標(biāo)車道，并且處于穩(wěn)定狀態(tài)，所以換道終點縱向加速度.. ，橫向速度.，橫向加速度..一般設(shè)為0。

4.2 決策矩陣模型建立與設(shè)計

針對本車道前車換道和目標(biāo)車道前車減速兩種工況，本節(jié)設(shè)計了統(tǒng)一的安全條件判斷模型，如圖10所示。

圖10 安全條件判斷與控制模式

圖11 距離條件

自車在接收到周車信息之后，依次進(jìn)行意圖判斷、距離條件判斷、加速度條件判斷。經(jīng)過條件判斷后，算法進(jìn)入3種控制模式其中之一。每種控制模式有其對應(yīng)的軌跡規(guī)劃和橫縱向的軌跡跟蹤方法?？刂颇Ｊ?的橫向控制具有最高的優(yōu)先級，自車一旦進(jìn)入模式3進(jìn)而做出返回原車道的決策后，剩余換道時間內(nèi)，自車的軌跡規(guī)劃和橫向控制不再發(fā)生改變。縱向控制仍可以根據(jù)距離和加速度條件判斷的結(jié)果在不同模式下切換。

原車道前車換道行為判斷依據(jù)是橫向距離超過車道寬度的1/2，目標(biāo)車道前車的減速行為判斷依據(jù)是：減速度大于2m/s2持續(xù)1s以上。當(dāng)算法未檢測到影響自車換道的周車駕駛行為/意圖時，選擇模式1，反之算法進(jìn)入距離條件判斷。

距離條件主要是自車基于當(dāng)前的相對車速，相對距離和減速度判斷是否需要調(diào)整縱向跟蹤策略，如圖11所示。CFC避障工況下，原車道前車一般加速換道，影響自車換道安全的主要是自車與前車的相對速度和相對距離；在TFD避障工況下，目標(biāo)車道前車減速行為是影響換道安全的主要因素。如果換道結(jié)束時相對距離大于安全距離閾值，則當(dāng)前控制模式進(jìn)入模式1，反之進(jìn)入加速度條件判斷模塊。需要說明的是，車輛相對距離計算時采用了車輛質(zhì)心作為參考點，在安全判斷時算法不對車輛外形尺寸進(jìn)行單獨討論，外形因素包含在中。在聯(lián)合仿真時實車測試中剔除了外形因素之后的安全距離，取值為5m。

加速度條件主要是自車當(dāng)檢測到距離條件不滿足時，對于所需的目標(biāo)制動減速度的判斷。進(jìn)行加速度條件判斷的前提是：安全距離條件不滿足。加速度條件判斷之后將決定車輛進(jìn)入模式2或模式3控制狀態(tài)。如果所需的目標(biāo)制動減速度未超過設(shè)定的閾值，則控制模式選用模式2，反之控制模式選用模式3。

目標(biāo)制動減速度的計算如圖12所示。

圖12 加速度條件

需要說明的是，閾值在實車設(shè)定時可以通過駕駛風(fēng)格選項來體現(xiàn)，激進(jìn)的駕駛風(fēng)格可以選用較大的閾值，使得換道避障算法在決策時可以自主選用較大制動減速度。閾值具體大小與駕駛風(fēng)格的對應(yīng)關(guān)系可以通過標(biāo)定實現(xiàn)。本課題對此不進(jìn)行探討，在聯(lián)合仿真和實車測試時，該閾值設(shè)定為5m/s2。

通過對原車道前車和目標(biāo)車道前車的條件判斷，決定自車當(dāng)前的控制模式分為3種：①模式1針對兩種情形：沒有檢測到周車影響自車駕駛行為 （意圖）；雖然自車檢測到意圖但是基于當(dāng)前的速度分析和加速度分析，在自車完成換道時間內(nèi)，與周車的縱向距離仍處于安全閾值之內(nèi)。該兩種情形下自車不需要調(diào)整軌跡規(guī)劃和跟蹤策略。②模式2針對距離條件不滿足但加速度條件滿足時的情形，該情形下自車需要將縱向控制切換為目標(biāo)減速度跟蹤控制。③模式3對應(yīng)最為危險的避障情形，當(dāng)前車輛允許的最大制動加速度已經(jīng)無法滿足換道需求，此時需要返回原車道?？刂颇Ｊ脚c相關(guān)模塊的對應(yīng)關(guān)系如圖13所示。

圖13 不同控制模式下的軌跡規(guī)劃與跟蹤方法

在具體的軌跡規(guī)劃和軌跡跟蹤方法上，在模式1中，采用常規(guī)五次多項式形式進(jìn)行軌跡跟蹤，基于當(dāng)前自車狀態(tài)和目標(biāo)車道（此時為左車道） 位置和速度信息實時設(shè)計換道軌跡。軌跡跟蹤采用MPC同時輸出目標(biāo)前輪轉(zhuǎn)角和目標(biāo)車速。前輪轉(zhuǎn)角通過轉(zhuǎn)向傳動比輸出轉(zhuǎn)向盤轉(zhuǎn)角控制量，目標(biāo)車速通過車速分段PID控制輸出油門或制動減速度控制量。

在模式2中，軌跡規(guī)劃方法與控制模式1的方法相同。軌跡跟蹤在縱向上采用PID閉環(huán)控制輸出目標(biāo)制動減速度。目標(biāo)減速度的計算方法已在圖11中得到討論。軌跡跟蹤在橫向上采用預(yù)瞄模型輸出前輪轉(zhuǎn)角，然后通過轉(zhuǎn)向傳動比輸出轉(zhuǎn)向盤轉(zhuǎn)角。

在模式3中，自車需要返回原車道。軌跡規(guī)劃同樣采用五次多項式形式，不同模式1、2之處在于目標(biāo)車道設(shè)定為原車道?？v向控制采用最大制動減速度控制，橫向控制方法和參數(shù)同模式2。需要說明的是，縱向控制采用最大制動加速度控制，該制動加速度與路面附著識別、車身狀態(tài)估計以及橫擺力偶矩控制有關(guān)，計算邏輯與ESC功能類似，并非本論文討論的重點，在聯(lián)合仿真和實車測試時，該值設(shè)定為7m/s2。

4.3 軌跡跟蹤控制器設(shè)計

軌跡跟蹤控制器采用MPC+PID聯(lián)合控制策略。MPC模型由2個模塊組成。第1個模塊基于車輛三自由度運動學(xué)模型。該模型以車輛前輪轉(zhuǎn)角和車速為模型控制量，通過最小化預(yù)測模型的成本函數(shù)得出最佳控制量。第2個模塊通過轉(zhuǎn)向傳動比計算出轉(zhuǎn)向盤轉(zhuǎn)角，通過比例模型計算出車輛縱向控制量，即油門和制動強度，系統(tǒng)框架圖如圖14所示。

圖14 MPC控制系統(tǒng)

5 仿真與驗證

5.1 仿真平臺搭建

搭建了仿真平臺和實車平臺上對換道避障算法進(jìn)行驗證。仿真平臺采用CARSIM和MATLAB進(jìn)行聯(lián)合仿真。如圖15所示。CARSIM提供自車、周車模型以及道路環(huán)境，MATLAB進(jìn)行條件判斷、決策矩陣選擇、軌跡規(guī)劃以及軌跡跟蹤模塊的計算。

5.2 仿真結(jié)果驗證

采用本課題提出的實時換道避障策略，圖16顯示了工況1.1的實時仿真軌跡?？傮w來看，算法通過基于當(dāng)前自車運動狀態(tài)設(shè)計的五次多項式軌跡可以在每個時間點順利生成，且較平滑，可以作為換道的跟蹤軌跡。

圖15 MATLAB與CARSIM聯(lián)合仿真示意圖

自車在縱向15m的位置，規(guī)劃的軌跡發(fā)生了不連貫變化，這主要是因為軌跡參數(shù)優(yōu)化模塊在1.55s優(yōu)化換道長度參數(shù)，參數(shù)變化如圖17a所示。1.55s之前，五次多項式軌跡的距離參數(shù)由當(dāng)前車速與剩余換道時間決定，變化連續(xù)；1.55s之后，為了保證換道軌跡的單調(diào)性，軌跡參數(shù)優(yōu)化結(jié)果單調(diào)遞增，因此出現(xiàn)了換道軌跡不連貫的情況。換道過程中，橫向速度最大值為0.16m/s，均方根值為0.07m/s；橫向加速度絕對值最大值為1.32m/s2，均方根值為0.51m/s2；橫擺角速度絕對值最大值為7.50°/s，均方根值為3.55°/s。該算法控制車輛完成橫向換道距離25%，50%，75%，95%分別用時1.65s，2.25s，2.90s，3.75s。

圖16 實時仿真軌跡

圖17 換道過程中的車輛動力學(xué)狀態(tài)

6 結(jié)論

本文研究了前車換道意圖識別方面的問題，利用前車一段時間窗口內(nèi)的駕駛行為，如加速度統(tǒng)計值、車道線偏移量等判斷前車未來時間窗口內(nèi)進(jìn)行換道操作的可能性，從而為換道提供更多決策信息。采用隨機森林構(gòu)建判斷模型，通過8632車次的非換道樣本以及510車次的換道樣本構(gòu)成的樣本空間，模型獲得了93.73%的識別精確度。對前車換道意圖的識別有利于車輛在換道過程中及時避障，提高行駛安全性。研究了換道過程中軌跡規(guī)劃與軌跡跟蹤的算法。分析了軌跡規(guī)劃參數(shù)的優(yōu)化方法，為實際決策中避免極端軌跡提供了基礎(chǔ)。提出了實時規(guī)劃跟蹤的MPC+PID換道避障算法，構(gòu)建了安全判斷條件和決策矩陣，分析并驗證了該算法在正常換道和避障換道工況下的控制效果。