單車場景下城市交叉口的智能駕駛車輛左轉決策研究

陳雪梅，歐洋佳欣，王子嘉，李夢溪

（北京理工大學 機械與車輛學院，北京 100081）

智能駕駛對于保證道路通行效率和通行安全具有重要的作用。復雜動態(tài)城市環(huán)境下，尤其是城市交叉口，智能車輛的行為決策研究是制約其真實道路行駛的關鍵因素之一，因此，加強城市交叉口通行決策研究具有重要的現(xiàn)實意義和學術價值。

復雜動態(tài)時變交通環(huán)境下，智能駕駛車輛的決策與交通參與者的運動狀態(tài)密切相關。很多學者基于預測-決策框架開展了智能行為決策研究。LI Junxiang 等[1]結合車輛狀態(tài)、道路結構及車間交互等特征屬性，提出了基于動態(tài)貝葉斯網絡（DBN）的換道行為預測模型，并在公開數(shù)據(jù)集上進行了驗證。M?NTT?RI 等[2]提出了一種基于深度學習的換道行為預測方法。該方法將車輛在高速公路上的換道場景數(shù)據(jù)轉化Recurrent Convolutional Neural Netw 為特定格式的俯視視角圖片，輸入到循環(huán)神經網絡（RCNN，ork）中進行訓練，在不需要顯性地建立車輛交互關系的情況下獲得了較為精準的預測模型。LEFèVRE 等[3]通過分析與本車存在潛在沖突的車輛的駕駛意圖（Intention）和它們被期望的（Expectation）駕駛動作間的差異，結合交叉口結構形式設置不同級別的風險預警，為無人駕駛車輛的策略選擇提供參考。CHEN Xuemei 等[4]利用間隙可接受理論和換道決策規(guī)則構建了自由換道決策模型。CHEN Xuemei 等[5]采用RSAN（Rought-Set Artificial Neural Network）對跟車場景下的決策進行研究。但是以上研究沒有針對復雜動態(tài)的城市交叉口中的車輛運動不確定性對智能車輛行為決策影響機理以及穿越行為過程進行分析。

本文利用車載傳感器和攝像法對典型城市交叉口交通進行數(shù)據(jù)采集，并對車輛運動模式進行識別。然后基于高斯過程回歸模型對車輛進行建模和長時預測。最終建立了基于沖突消解理論的左轉決策模型并驗證了該模型的有效性。

1 基于高斯過程回歸模型的軌跡預測

1.1 城市交叉口左轉沖突分析

本文將智能車輛城市交叉口穿越通行全過程劃分為3 個階段，分別為穿越直行機動車車流、穿越非機動車流以及穿越橫穿馬路的行人。將左轉車與其他移動目標在路徑上的重合區(qū)域設為沖突區(qū)域，如圖1a 中橙色區(qū)域所示。

為了保證通行安全，避免車輛碰撞，左轉車輛與對向的直行車應該交錯通過沖突區(qū)域。決策系統(tǒng)框架如圖1b 所示。由于篇幅所限，本文重點闡述左轉車如何穿越對向直行車，其他情況在他文另做闡述。

圖1 交叉口行為及決策系統(tǒng)

1.2 數(shù)據(jù)采集與預處理

本文采用車載傳感器和攝像法獲取智能車輛左轉通行城市交叉口（北京市海淀區(qū)魏公村路口）的行為數(shù)據(jù)以及周邊車輛和環(huán)境信息，并且使用對稱指數(shù)移動平均法（sEMA）來進行數(shù)據(jù)預處理。預處理數(shù)據(jù)如圖2 所示，部分原始標定數(shù)據(jù)見表1 和表2。

圖2 數(shù)據(jù)預處理

1.3 基于高斯過程回歸模型的預測方法

高斯過程回歸（Gaussian Process Regression，GPR）[7]是近年發(fā)展起來的一種機器學習回歸方法，在處理高維數(shù)、小樣本、非線性等復雜的問題上具有很好的適應性，且泛化能力強。本文利用高斯過程模型重點對對向直行車的運動軌跡進行長時精準預測分析。

一般帶噪聲的預測模型可以定義為：y=f(x)+ε，其中，x為輸入向量；y為觀測值；ε是均值為0，方差為的高斯白噪聲；f為未知的函數(shù)關系。協(xié)方差函數(shù)為：

可以把觀測值y以及預測值看成一個從聯(lián)合高斯分布采樣來的一個點，則觀測值和預測值的聯(lián)合先驗分布為：

表1 交叉口部分左轉車輛數(shù)據(jù)

表2 交叉口部分直行車輛數(shù)據(jù)

式中：X為訓練集；X*為測試集；K為數(shù)據(jù)集之間的協(xié)方差；In為單位矩陣。

由此計算預測值f*在觀測值下的條件分布，即f*的后驗分布：

建模過程如下：首先將軌跡數(shù)據(jù)劃分為測試集和訓練集；其次選取合適的核函數(shù)并設置超參數(shù)的初始值，從而確定GPR 的先驗模型；然后通過訓練集訓練模型，優(yōu)化超參數(shù)；最后將測試集的車輛運動狀態(tài)參數(shù)輸入訓練好的GPR 模型中，得到預測值及其預測分布估計，如圖3 所示。本文利用路基平臺采集的軌跡數(shù)據(jù)訓練高斯過程回歸模型并優(yōu)化其超參數(shù)，將x和y方向的加速度預測解耦，減少了模型計算的復雜度。在x方向上，使用目標的位置和速度[x(t),y(t),vx(t),vy(t)]作為預測模型的輸入，模型的預測值是目標x方向上的加速度ax(t)；在y方向上使用[x(t),y(t),vx(t),vy(t)]作為車預測模型的輸入，模型的預測值是目標y方向上的加速度ay(t)。通過GPR 算法建立加速度與車輛當前位置和速度的映射關系，訓練得到的GPR 加速度預測模型如圖4 所示。

圖3 高斯過程回歸模型訓練過程

圖4 GPR 加速度預測模型

2 基于沖突消解的左轉決策建模

通過視頻數(shù)據(jù)分析可以得出，智能車輛左轉通過城市交叉口沖突區(qū)域可能遇到的情況包括：

（1）當t20≤t10≤t21時，直行車先進入沖突區(qū)域，在其離開沖突區(qū)域前左轉車進入，會發(fā)生碰撞。

（2）當t10≤t20≤t11時，左轉車先進入沖突區(qū)域，在其離開沖突區(qū)域前直行車進入，會發(fā)生碰撞。

（3）當t21≤t10時，直行車先通過沖突區(qū)域，在其離開沖突區(qū)域后左轉車進入。

（4）當t11≤t20≤t21時，左轉車先通過沖突區(qū)域，在其離開沖突區(qū)域后直行車進入。

上面列舉的安全通行方式可按圖5b 中的時間軸方式表示，其中橙色矩形表示車輛占用沖突區(qū)域的時間段。

圖5 單車場景下左轉通行模型

2.1 智能車輛左轉決策流程

智能駕駛車輛在進入路口時，對直行車輛的軌跡進行了預測，得到了其通過沖突區(qū)域的時間區(qū)間。若二者可能會在沖突區(qū)域相遇，左轉車則需要選擇合適的速度，控制車輛在時間上避開直行車輛。

本文將智能駕駛車輛的動作空間離散化，設置多個待選動作值，決策算法輸出的是車輛的速度期望值。在考慮了決策合理性和算法效率后，設置了如下動作空間，其中包含了多組加速動作和減速動作：

在實際仿真應用過程中，車輛速度由PID 模塊控制，根據(jù)當前車速和輸入的期望車速生成加速和減速的動作量。

綜合考慮動作選取及高效性、舒適性等因素，得到單車場景下的決策流程，如圖6 所示。

圖6 單車場景下的動作選擇流程

2.2 動作選擇標準

在實際道路環(huán)境中，駕駛動作的選擇需要考慮駕駛安全性、通行高效性等因素，以提高決策過程的合理性。

2.2.1 安全性

通過檢測車輛之間是否發(fā)生碰撞而定義。以直行車和左轉車通過沖突區(qū)域的時間差值為參考指標，當時間差值大于0 時，車輛安全通行如式（7）所示。

2.2.2 高效性

表征車輛通過城市交叉口的效率，以左轉車從進入交叉口到離開沖突區(qū)域的駕駛總用時為參考指標，如式（8）所示。

式中：twait為減速讓行的總用時（包括停車等待時間）；tpass為直行車通過后，左轉車通過沖突區(qū)域的時間。在保證安全性條件的基礎上，需要選擇總用時盡可能短的動作，才能保證通行過程的高效性，即：

式中：Taction為T1、T2中用時更少的值，以表明選擇此用時代表的是更為高效的動作來執(zhí)行。

3 仿真試驗及結果分析

本文基于Prescan & Matlab/Simulink 進行了聯(lián)合仿真試驗設計。仿真參數(shù)設置如下：左轉車輛與直行車輛的長度分別為4.79 m 和5.2 m；仿真步長為0.05 s。下面將對仿真場景和真實場景的驗證結果進行分析。

3.1 仿真場景

場景一：左轉車采取讓行策略。

當左轉車不由算法控制時兩車發(fā)生碰撞。由圖7可知，當仿真時間t=5.8 s 時，系統(tǒng)檢測到碰撞信號。

圖7 碰撞檢測信號

當左轉車由算法控制時，其整個通行過程如下：左轉車駛入路口后，先基于直行車當前的運動狀態(tài)對其未來軌跡做出預測，如圖8a 所示；再將預測的軌跡傳入決策算法，動作選擇算法根據(jù)多因素影響下的目標函數(shù)選擇最優(yōu)動作，輸出期望速度，從而決定本車優(yōu)先通過或讓行。在本場景中，當左轉車進入路口時，直行車已十分接近沖突區(qū)域，在此情況下，算法得出讓行結論，左轉車減速讓行，直行車優(yōu)先通過。算法給出的期望速度信號及實際車速變化如圖8b 所示。仿真開始時，左轉車以5 m/s 的期望速度行駛，在駛入路口得出讓行決策后，將速度調整為1 m/s，減速讓行，并在直行車離開沖突區(qū)域后恢復原始期望速度5 m/s。

圖8 仿真結果分析

場景二：左轉車采取加速通過沖突區(qū)域的策略。

當左轉車到達判斷區(qū)域時，直行車剛剛進入交叉口，距離沖突區(qū)域相對較遠。在此情況下，決策算法傾向于讓左轉車加速優(yōu)先通過沖突區(qū)域。左轉車在駛入路口后，將期望速度調整為7 m/s；當其完全通過沖突區(qū)域后，期望速度又恢復到5 m/s，如圖9b 所示。

盡管在加入決策算法前，左轉車、直行車先后通過交叉口，沒有發(fā)生碰撞。但在加入決策算法后，智能駕駛車輛選擇加速通過沖突區(qū)域，增大了兩車距離，如圖9c 和9d 所示。這樣的通行方法在實際道路上不但可以提高左轉車的通行效率，同時減小了對直行車流的影響，如圖9c 和9d 所示。

圖9 仿真結果分析

本文共設計了30 次仿真試驗來對提出的決策模型的合理性和適應能力進行驗證，其中成功穿行28 次，成功率93%。

3.2 真實場景

圖10 真實場景

在左轉車優(yōu)先通過的場景下，其車速變化主要分為以下3 個階段，進入路口的穩(wěn)定行駛階段，動作選擇后的加速通過階段，以及通過沖突區(qū)域后的速度恢復階段，如圖11 所示。圖中實際車速曲線在9 s 后逐漸上升，主要是因為駕駛員在判斷路口處沒有行人及非機動車影響后，提前加速到了車道內行駛的期望速度。

圖11 車速對比

圖12 反映了車輛在不同時刻的位置與速度信息。由圖可知，算法得出的數(shù)據(jù)與真實數(shù)據(jù)在整體變化趨勢上非常接近。

圖12 時空軌跡對比

4 結論

本文針對單車場景下智能駕駛車輛在城市交叉口的左轉行為決策問題，利用高斯過程模型對對向直行車進行軌跡預測，并基于沖突消解理論建立左轉決策模型，得出以下結論：

（1）根據(jù)城市交叉口通行車輛的5 種運動模式分類，利用高斯過程模型對對向直行車進行長時軌跡預測，最終獲得了具有較高精度的長時預測軌跡，與實際情況十分接近。

（2）將左轉車穿越交叉口的行為分為3 個階段，分別是穿越機動車、非機動車及行人。主要針對單輛對向直行車的情況考慮了沖突消解，進行了速度控制策略的研究，設計了左轉決策流程和基于安全性、高效性等因素的動作選擇標準。

（3）利用仿真驗證平臺對提出的算法的可靠性和有效性進行驗證。結果表明，30 次仿真試驗中左轉車成功穿越交叉口28 次，成功率93%，即該決策算法能夠引導智能駕駛車輛順利完成駕駛任務，能夠在一定程度上提高駕駛安全性和通行效率。

由于本文篇幅限制，不同時段的交通流密度對駕駛行為的影響、本車對對向車輛行為決策的影響，行人及非機動車等交通參與者對本車行為決策的影響分析和建模將在另外的文章中進行闡述。