網(wǎng)聯(lián)自動駕駛環(huán)境下改進的加權(quán)MOBIL自主性換道決策模型

潘義勇，王 松

(南京林業(yè)大學 汽車與交通工程學院，江蘇 南京210037)

0 引 言

隨著傳感技術(shù)、通信技術(shù)以及人工智能的飛速發(fā)展，網(wǎng)聯(lián)自動駕駛車將成為未來交通發(fā)展的熱點和趨勢。換道行為需要對兩條甚至多條道路上的交通流狀態(tài)進行判斷，并且控制著車輛縱向和橫向兩個方向的運動狀態(tài)。頻繁的換道極易引起交通流紊亂和行車延誤，激進的換道行為對駕駛安全有著重大的影響。為了提高高速公路運行效率，減少交通擁堵和交通事故的發(fā)生，研究網(wǎng)聯(lián)自動駕駛環(huán)境下高速公路換道模型有著至關(guān)重要的意義。

網(wǎng)聯(lián)自動駕駛車輛換道模型需要考慮目標車輛前后多車輛的情形。A.KESTING等[1]提出一種基于激勵準則和安全準則的換道模型MOBIL(minimizing overall braking induced by lane changes)，該模型以加速度作為效用函數(shù)，整體制動最小化為換道準則；J.I.GE等[2]提出基于加速度的巡航連接控制理論，該理論通過車車通信技術(shù)獲取來自前方多輛車的加速度信息；J.MONTEIL等[3]提出多預期合作規(guī)則，引入全速度差模型并與MOBIL換道模型相結(jié)合；V.TURRI等[4]為了安全、高效地協(xié)調(diào)排班中車輛，基于道路地形的信息預覽和車輛的實時控制，提出了一種重型車輛排班的兩層控制體系結(jié)構(gòu)；秦嚴嚴等[5]基于自動駕駛車輛與人工駕駛車輛混行的交通情況下，提出了自動駕駛與人工駕駛車輛不同比例下的混合交通流元胞傳輸模型；常浩[6]在車路協(xié)同的環(huán)境下研究車輛換道，考慮了周圍多輛車的行駛狀態(tài)對車輛換道的影響，根據(jù)模型預測出來的換道加速度作為駕駛建議對駕駛員進行輔助駕駛；聶建強等[7]建立了網(wǎng)聯(lián)自動駕駛環(huán)境下改進MOBIL模型，考慮了車輛換道后對原車道后隨車的積極影響以及對目標車道后隨車的消極影響，選取有最大積極影響車的效益和最小消極影響車的效益之和為總效益值；丁婉婷[8]在網(wǎng)聯(lián)自動駕駛環(huán)境下改進MOBIL模型基礎上，考慮了目標車的通信范圍內(nèi)換道對原車道和目標車道上所有后隨車的影響；聶建強[9]在網(wǎng)聯(lián)自動駕駛換道決策過程中，提出了基于MOBIL改進的單車期望換道決策模型，該模型考慮了車輛換道后對多輛后隨車的影響，但是其假設對多輛后隨車的影響是均勻的，其設置權(quán)重因子是常數(shù)，這不符合實際交通流情形，因其并未考慮車輛換道后對原車道和目標車道上后隨車影響的不均勻性。

針對以上問題，筆者在網(wǎng)聯(lián)自動駕駛環(huán)境下MOBIL自主性換道決策模型基礎上，考慮車輛換道后對原車道和目標車道上多輛后隨車的影響不均勻性，通過通信范圍內(nèi)的所有后隨車與目標車之間的相對運動狀態(tài)關(guān)系，構(gòu)建影響權(quán)重因子的表達式，建立改進的加權(quán)MOBIL自主性換道決策模型，減少交通擁堵，提高交通流的運行效率，更有效地仿真實際交通流情形下?lián)Q道行為。

首先介紹網(wǎng)聯(lián)自動駕駛車輛換道模型的前提假設和換道的場景設定以及傳統(tǒng)的MOBIL換道模型和適用于網(wǎng)聯(lián)自動駕駛的MOBIL換道決策模型；其次，介紹了改進的加權(quán)MOBIL換道決策模型的權(quán)重因子設置；再次，進行MATLAB數(shù)值仿真實驗，通過定性定量分析并與傳統(tǒng)MOBIL換道決策模型進行比較；最后，進行了總結(jié)。

1 自主性換道決策模型

1.1 換道模型的前提假設與場景設定

網(wǎng)聯(lián)自動駕駛車輛各個方面技術(shù)并沒有完全成熟，為了便于研究提出以下4點假設：①不考慮通信延誤，即在通信范圍內(nèi)，車輛之間能夠?qū)崟r發(fā)送和接受信息；②不考慮信息測量誤差和信息傳送誤差，認為車輛信息獲取和傳送均準確；③不考慮車輛的橫向速度、橫向加速度；④由于DSRC通信范圍為300 m，網(wǎng)聯(lián)自動駕駛車輛的通信范圍設為300 m。

圖1是網(wǎng)聯(lián)自動駕駛汽車簡化示意。圖1中：車輛V為目標車輛，所在車道為原車道；Vi為目標車的第i輛前導車；FVi為目標車第i輛后隨車；目標車V需要換道的車道為目標車道；換道間隙為目標間隙；TVi為目標車道上第i輛前導車；TFVi為目標車道上第i輛后隨車。

圖1 高速公路網(wǎng)聯(lián)自動駕駛汽車示意

1.2 MOBIL模型

基于激勵和安全標準的MOBIL換道決策模型[1]激勵標準依據(jù)車輛換道帶來的加速度增加或者減速度的減少，其安全標準采用換道引起的后隨車輛的減速不超過規(guī)定的閾值，防止碰撞的發(fā)生。

網(wǎng)聯(lián)自動駕駛環(huán)境下的MOBIL換道決策模型激勵準則根據(jù)通信范圍內(nèi)車輛的整體效益來衡量車道的吸引力，其安全準則考慮了所有上游車輛的減速度不超過規(guī)定的閾值。MOBIL換道決策模型可以很好的結(jié)合跟馳模型使用，將換道的需求產(chǎn)生和可行性判斷整合，既適用于人工駕駛車輛也適用于智能駕駛車輛。

適用于網(wǎng)聯(lián)自動駕駛的MOBIL換道模型結(jié)合自動化與網(wǎng)聯(lián)化的特征優(yōu)勢，在車輛通信范圍內(nèi)，考慮了車輛換道后對原車道和目標車道上的多輛后隨車的影響?，F(xiàn)有研究中通過目標車道和原車道上的多輛后隨車的加速度變化反映影響，沒有考慮車輛換道后對原車道和目標車道上多輛后隨車的影響不均勻性，這不符合實際交通流情形。車輛換道后對于原車道和目標車道上的后隨車影響程度不同，如果后隨車輛與目標車輛車距較近或者相對速度差大，換道行為對該輛后隨車的影響程度比其他后隨車的影響程度大。筆者提出的改進的加權(quán)MOBIL自主性換道決策模型通過整合目標車輛和后隨車之間的相對位置和相對速度，賦予后隨車不同權(quán)重來反映換道行為對整體交通流的影響。

2 改進加權(quán)MOBIL換道決策模型

2.1 傳統(tǒng)的MOBIL換道決策模型

A.KESTING等[1]提出的MOBIL換道模型是一種車輛跟馳的換道模型，其考慮車道變換后車輛加速度(或減速度)的差異作為函數(shù)的效益值，并對目標車道上的新跟隨者施加制動減速度，以避免事故發(fā)生。因此該模型包含安全準則模型和激勵準則模型兩個部分，并與M.TREIBER[10]等提出的IDM跟馳模型相結(jié)合。

2.1.1 安全準則模型

安全準則模型如式(1)：

(1)

2.1.2 激勵準則模型

激勵準則模型如式(2)：

(2)

2.1.3 IDM跟馳模型

IDM跟馳模型如式(3)～式(6)：

(3)

(4)

SV=‖xV-1-xV‖-lV

(5)

ΔvV=vV-vV-1

(6)

式中：aV為目標車輛V的加速度；vV為目標車輛V的速度；SV為目標車輛V的實際跟車距離；ΔvV為目標車輛V與其前導車的速度差；amax為車輛的最大加速度；δ為加速度指數(shù)；v0為目標車輛的期望速度；S0為靜止安全距離；T為安全車頭時距，s；b為車輛的舒適減速度，m/s2；xV為目標車輛V的縱向位置；xV-1為前導車V-1的縱向位置；lV為車輛的車長；vV-1為前導車V-1的速度。

2.2 適用于網(wǎng)聯(lián)駕駛的MOBIL換道決策模型

改進的MOBIL模型[8]是在傳統(tǒng)的MOBIL模型基礎上，考慮了在智能網(wǎng)聯(lián)汽車的環(huán)境下，從整體的角度考慮目標車換道后所引起的目標車輛以及在通信范圍內(nèi)所有后隨車的影響。該模型由安全準則模型、激勵準則模型兩部分構(gòu)成，并結(jié)合了M.GUéRIAU等[11]提出的改進IDM跟馳模型。

2.2.1 安全準則模型

網(wǎng)聯(lián)自動駕駛改進的安全準則模型如式(7)：

(7)

2.2.2 激勵準則模型

網(wǎng)聯(lián)自動駕駛激勵準則模型如式(8)：

(8)

2.2.3 改進的IDM跟馳模型

車輛在跟馳過程中速度受到前導車的影響較大，考慮了三輛前導車對目標車的不同影響權(quán)重。由于前導車對目標車的影響程度受到相對速度差與車間距的限制，結(jié)合IDM跟馳模型，改進的IDM跟馳模型如式(9)～式(11)：

(9)

mj=ρjTj

(10)

(11)

式中：ρj為車輛V-j與其前導車的運動相近程度；Tj為車輛V-j與其前導車的信息可靠度；SV-j為車輛V前第j輛車與車輛V前第j+1輛車的車間距；ΔvV-j為車輛V前第j輛車與車輛V前第j+1輛車的速度差。

2.3 權(quán)重因子的設置

由于目標車輛換道后會引起交通流的擾動，而擾動具有向后傳播的特性，當目標車道上游車輛車間距離較近或者車輛之間相對速度差較大時，擾動消散得較慢或者可能被放大[12]。由于車輛的速度主要受前導車的影響，當目標車輛換道后，目標車輛則成為前導車，會影響后隨車的速度。根據(jù)跟馳理論可知，前導車與后隨車的車間距與車輛之間的相對速度差是影響后隨車運動的兩個重要因素。因此，車間距與相對速度差是換道后對后隨車影響的重要因素。目標車換道后對后隨車的影響程度應該與距離成反比，與相對速度差正比。權(quán)重系數(shù)由車輛的運動相近程度和信息可靠度兩部分構(gòu)成。

假設不考慮車輛的橫向速度、橫向加速度，目標車換道后，原車道上目標前車V1與其第一輛后隨車FV1的車間距、相對速度差分別記為SV、ΔvV；與其第二輛后隨車FV2的車間距、相對速度差分別記為SV1、ΔvV1。依次類推，SVi、ΔvVi分別表示車輛V與其后第i+1輛后隨車FVi+1的車間距和相對速度差，如圖2。

圖2 改進加權(quán)MOBIL示意

SVi=‖xV(i+1)-xV‖-lV

(12)

ΔvVi=vV-vV(i+1)

(13)

hi=βiTi

(14)

(15)

(16)

式中：xV(i+1)為車輛V的第i+1輛后隨車的縱向位置；vV(i+1)為車輛V的第i+1輛后隨車的速度；βi為車輛與其第i+1輛后隨車的運動相近程度；Ti為車輛與其第i+1輛后隨車的信息可靠度；hi為原車道通信范圍內(nèi)車輛的權(quán)重。

同理，目標車換道后，在目標車道上目標車TV與其第一輛后隨車TFV1的車間距、相對速度差分別記為STV、ΔvTV；與其第二輛后隨車FV2的車間距、相對速度差分別記為STV1、ΔvTV1。依次類推，STVj、ΔvTVj分別表示車輛TV與其后第j+1輛后隨車TFVj+1的車間距和相對速度差，如圖2。

STVj=‖xTV(j+1)-xTV‖-lV

(17)

ΔvTVj=vTV-vTV(j+1)

(18)

hj=βjTj

(19)

(20)

(21)

式中：xV(j+1)為目標車道上車輛V的第j+1輛后隨車的縱向位置；vV(j+1)為目標車道上車輛V的第j+1輛后隨車的速度；βj為目標車道上目標車輛與其第j+1輛后隨車的運動相近程度；Tj為目標車道上目標車輛與其第j+1輛后隨車的信息可靠度；hj為目標車道上通信范圍內(nèi)車輛的權(quán)重。

2.4 改進的加權(quán)MOBIL模型

在改進的MOBIL基礎上，考慮了目標車輛換道后對目標車道上以及原車道上在通信范圍內(nèi)所有后隨車的影響因子。由于目標車與每輛后隨車之間的相對位置和相對速度不同，因此所造成的影響程度也不同。2.3節(jié)依據(jù)目標車與后隨車的相對位置和相對速度設置了影響后隨車的權(quán)重因子，依據(jù)傳統(tǒng)MOBIL模型的兩個方面(安全準則模型、激勵準則模型)，并結(jié)合選取改進的IDM跟馳模型，整合成改進的加權(quán)MOBIL模型。

改進的IDM跟馳模型如式(22)：

(22)

改進的安全準則模型如式(23)：

(23)

改進的加權(quán)激勵準則模型如式(24)：

(24)

3 仿真實驗與評價

筆者進行交通流數(shù)值仿真實驗，模擬不同的仿真實驗環(huán)境。將網(wǎng)聯(lián)自動駕駛換道決策模型與傳統(tǒng)的換道決策模型進行比較，通過時空軌跡圖和延誤表來評估改進的加權(quán)網(wǎng)聯(lián)自動駕駛換道決策模型和傳統(tǒng)換道決策模型的交通流運行效率。

3.1 仿真環(huán)境與參數(shù)的設置

模擬無交織區(qū)的高速公路仿真實驗場景，利用MATLAB進行交通數(shù)值仿真，仿真實驗設置了4組換道決策模型與跟馳模型組合模擬的網(wǎng)聯(lián)自動駕駛車輛交通流場景。組合1模擬適用于傳統(tǒng)人工駕駛的換道決策模型(MOBIL)和傳統(tǒng)的跟馳模型(IDM)的人工環(huán)境下的交通流情況；組合2模擬了適用網(wǎng)聯(lián)駕駛的跟馳模型(改進IDM)和傳統(tǒng)的換道決策模型(MOBIL)的交通流場景；組合3模擬了適用于網(wǎng)聯(lián)自動駕駛的跟馳模型(改進IDM)和換道決策模型(改進MOBIL)的交通流場景；組合4模擬了適用于網(wǎng)聯(lián)自動駕駛的跟馳模型(改進IDM)和換道決策模型(改進的加權(quán)MOBIL)的交通流場景。

在仿真實驗中，如果車輛的行駛特征一致，可能導致交通流形成固定的運動狀態(tài)。因此，將實驗中的車輛分為兩類，依據(jù)不同的行駛速度分為快車和慢車。在我國高速公路上最低限速60 km/h，最高限速120 km/h。因此將快車的期望速度設置為 28 m/s(100 km/h)，為了增加速度的不均勻程度，每輛快車的速度變化為±20%，快車均勻分布在23～33 m/s。同理，慢車期望速度設置為20 m/s(70 km/h)，慢車期望速度均勻分布在17～22 m/s。在所有車輛中快車和慢車比例為8∶2。仿真時長為300 s，更新時間步長為0.1 s。為了防止換道引起的碰撞，設置的最大安全減速度bsafe應該小于車輛的最大可能加速度9 m/s2。若給定的最大安全減速度值過大會引起交通流的擾亂。最大安全減速度為4 m/s2，考慮駕駛的舒適性，設置最大安全減速度為2 m/s2。禮貌參數(shù)ρ表示利他主義強度，當ρ=0時，完全的利己主義；當ρ∈(0，1)時，同時兼顧自己與整體的效益；當ρ>1時，完全的利他主義。為了保證車輛能夠追求更快的速度兼顧整體的效益，設置ρ=0.1。根據(jù)MOBIL模型、IDM模型、改進的IDM模型以及參考現(xiàn)有文獻[13-14]中的取值，車輛的最大加速度amax=1.5 m/s2，靜止安全距離S0=2 m，安全車頭時距T=1.2 s，車輛的舒適減速度b=2 m/s2，加速度指數(shù)δ=4，換道效益閾值Δath=0.3 m/s2。此外，假定車輛的長度lV=4 m。模型參數(shù)設置如表1。

表1 交通流模型參數(shù)

3.2 仿真結(jié)果定性分析

通過繪制車輛時空軌跡圖,將筆者提出的改進的網(wǎng)聯(lián)自動駕駛換道決策模型與傳統(tǒng)MOBIL模型進行比較和分析。車輛時空軌跡圖能夠?qū)⑺熊囕v直觀的體現(xiàn)在仿真實驗中，所有車輛的速度分布情況，擾動產(chǎn)生的時間、位置和傳播特征定性地描述了交通流的均質(zhì)性。4組換道決策模型和跟馳模型組合下的時空軌跡如圖3～圖6。

圖3 傳統(tǒng)MOBIL+傳統(tǒng)IDM車輛時空軌跡

圖4 傳統(tǒng)MOBIL+改進IDM車輛時空軌跡

圖5 改進MOBIL+改進IDM車輛時空軌跡

圖6 改進加權(quán)MOBIL+改進IDM車輛時空軌跡

圖3中的交通流平均速度較低，交通流的均質(zhì)性較差，說明在傳統(tǒng)人工環(huán)境下?lián)Q道交通流的整體效率較低。圖4、圖5中的車輛時空軌跡圖中車輛以較高的速度行駛的比例較高，圖6中車輛時空軌跡圖車輛以較高的速度運行比例最高，說明了網(wǎng)聯(lián)自動駕駛車輛仍能夠保持較高的平均速度和較好的均質(zhì)性。因此筆者提出的基于MOBIL改進的網(wǎng)聯(lián)自動駕駛車輛換道決策模型能夠較好地提高部分車輛的運行速度。

3.3 仿真結(jié)果定量分析

延誤是可以體現(xiàn)交通流效率的一個重要指標，頻繁的換道或者不合理的換道會對交通流有巨大的干擾。圖7是在仿真實驗中，不同組合下的總延誤，圖8是不同組合下的平均延誤，圖9是不同組合下的延誤占行程時間比例。從圖7～9中可以看出，組合1的總延誤、平均延誤和延誤占行程時間比例均最高，組合2、3、4均比組合一要低很多，說明在傳統(tǒng)人工環(huán)境下，換道延誤時間較長，整體交通流效率較低。側(cè)向說明網(wǎng)聯(lián)自動駕駛模型能夠減少行車延誤，提高交通流效率。

圖7 不同組合下的總延誤

圖8 不同組合下的平均延誤

圖9 不同組合下的延誤占行程時間比例

總減速度是用來表示上游車輛整體制動的情況，頻繁的制動會影響行車的舒適性。圖10和圖11分別表示不同組合下的總減速度和平均減速度。從圖10～11中可以看出，組合1的總減速度和平均加速度均最高，組合2、3、4的減速度都很接近，表明網(wǎng)聯(lián)自動駕駛環(huán)境下整體制動幅度小于人工的駕駛環(huán)境。在換道中考慮多輛后隨車的不同影響可以減少整體的制動幅度。

圖10 不同組合下的總減速度

圖11 不同組合下的平均減速度

4 結(jié) 語

在高速公路上頻繁地、不合理地換道會導致交通流的紊亂，在交通瓶頸處甚至會導致交通擁堵。筆者研究了網(wǎng)聯(lián)自動駕駛環(huán)境下自主性換道決策模型，考慮車輛換道后對原車道和目標車道上多輛后隨車的影響不均勻性，通過通信范圍內(nèi)的所有后隨車與目標車之間的相對運動狀態(tài)關(guān)系，構(gòu)建影響權(quán)重因子的表達式，建立改進的加權(quán)MOBIL自主性換道決策模型，對高速公路上交通流換道行為進行數(shù)值仿真。通過仿真車輛的時空軌跡圖定性與定量分析車輛運行的速度變化情況和整體交通流的均質(zhì)性，與傳統(tǒng)的換道模型和現(xiàn)有網(wǎng)聯(lián)換道模型進行了比較，驗證了改進的加權(quán)MOBIL換道決策模型能夠減少交通擁堵，提高交通流的運行效率，更有效地仿真實際交通流情形下?lián)Q道行為。該模型是對MOBIL換道決策模型在理論上的擴展，在未來網(wǎng)聯(lián)自動駕駛環(huán)境下?lián)Q道行為仿真方面具有潛在的實際應用。