一种考虑周边车辆的智能汽车换道决策与轨迹规划方法、系统

技术领域

本发明属于智能交通和自动驾驶技术领域，具体涉及一种考虑周边车辆的智能汽车换道决策与轨迹规划方法、系统。

背景技术

随着当前智能网联汽车技术的发展，如何利用车联网技术进一步提高车辆驾驶安全成为智能汽车行业发展的重点和难点之一。自动驾驶车辆的换道行为决策和轨迹规划属于自动驾驶研究中十分重要的一个方向。目前换道决策研究方法主要分为基于规则的方法、基于学习的方法、基于效用函数的方法。基于规则的方法建立规则库，通过一定的逻辑依次判断目标车辆是否符合特定的规则，从而决定车辆应该执行哪种驾驶行为，优点是逻辑清晰，缺点是不同场景适用性差。基于学习的方法包括机器学习、强化学习、深度学习等，优点是决策效果较好，缺点是难以解释的黑盒效应。基于效用函数的方法，通过建立表征不同行为成本的效用函数来决定最优行为决策，既可以适应不同的复杂场景，也具有较好的可解释性。对轨迹规划的研究主要是包括曲线插值法、图搜索方法、采样方法和基于优化的方法，其中曲线插值法是最常用的换道轨迹规划方法，可通过不同类型的曲线拟合换道起点和终点。

近年来，有部分研究聚焦于通过有限状态机、强化学习等方法提升换道决策的合理性和安全性，通过采用不同曲线拟合方法提高换道轨迹的舒适性和安全性。然而目前的换道决策研究中，尚未有将周边车辆、局部车群以及路段车流统一考虑的换道决策方法；另外，现有的换道轨迹规划研究基本把重心放在提高自车的效率和舒适性上，很少研究关注换道轨迹对后方交通流的潜在影响。

发明内容

针对现有技术中存在不足，本发明提供了一种考虑周边车辆的智能汽车换道决策与轨迹规划方法、系统，有利于提高智能汽车换道决策的准确性，提高换道轨迹的安全性，以及降低换道轨迹对周围车辆正常运行的影响。

本发明是通过以下技术手段实现上述技术目的的。

一种考虑周边车辆的智能汽车换道决策与轨迹规划方法，其特征在于：

考虑当前车道满意度、相邻车道满意度、相邻车道换道的可行性以及换道过程的安全性，基于多阶段序贯决策树构建决策效用函数；实时获取的交通信息，经过决策效用函数，决策出目标车辆保持车道或执行换道；

在执行换道时，构建总成本函数，对换道持续时间和换道纵向位移进行搜索，得到考虑周边车辆的局部最优换道轨迹；

其中总成本函数包括目标车辆的舒适性成本函数、目标车辆的效率成本函数、后方车流的舒适性成本函数、后方车流的效率成本函数、轨迹安全成本函数以及驾驶人行为风格接近度成本函数，具体地：总成本函数J为：

其中：

所述

所述

所述

所述

进一步地，所述Risk(t)＝max(Risk

更进一步地：

其中：x

进一步地：

其中，x

更进一步地，当前车道后方车流的舒适性成本函数

更进一步地，目标车道后方车流的舒适性成本函数

更进一步地：

所述egolane_dk＝argmax

所述tarlane_dk＝argmax

当ATT

其中：ATT

其中：

更进一步地，所述对照组和实验组按照如下过程得到：

从基础历史轨迹数据库中基于倾向性得分匹配法为当前目标车辆轨迹寻找相似历史轨迹样本，得到当前目标车辆的相似历史轨迹库；

所述相似历史轨迹库中样本按干预变量划分为实验组和待处理对照组，使用卡尺近邻匹配方法在给定的卡尺范围δ

进一步地，所述决策效用函数为：

其中：T

且：

T

Δx

Δv

其中，T′

其中，Δx

D

D

其中，v

一种考虑周边车辆的智能汽车换道决策与轨迹规划系统，包括：

换道决策模块，基于多阶段序贯决策树构建决策效用函数，并决策出目标车辆保持车道或执行换道；

换道轨迹规划模块，在执行换道时，构建总成本函数，对换道持续时间和换道纵向位移进行搜索，得到考虑周边车辆的局部最优换道轨迹。

本发明的有益效果为：

(1)本发明将车道满意度、换道可行性和安全性按决策树的方法依次考量，通过考虑更大范围的周边车辆风险，使智能汽车做出更合理准确的换道决策。

(2)本发明提出通过车流影响范围指标确定目标车辆换道轨迹对后方车流的影响范围，采用人类驾驶员和智能网联汽车两种驾驶员模型下的跟驰模型来表征后方车流的驾驶行为特征，并将影响范围内的车辆纳入轨迹规划成本函数中，得到不同渗透率下考虑后方交通流效率的自动驾驶换道轨迹，降低目标车辆换道行为对周围车辆正常运行的影响。

(3)本发明通过量化周边车辆与目标车辆的碰撞风险，并结合基于交通规则的行车风险，设计基于时间和空间两个维度的预测风险场，为规划换道轨迹的安全性提供依据。

(4)本发明考虑多种驾驶因素影响的换道轨迹规划包括不同渗透率下周围车辆效率和舒适性、目标车辆安全性、驾驶人行为风格接近度，能够有效降低智能汽车换道轨迹对交通流的影响，并提高换道轨迹的安全性和拟人性。

附图说明

图1为本发明所述考虑周围车辆的智能汽车换道决策与轨迹规划方法整体框架图；

图2为本发明所述换道决策流程图；

图3为本发明所述车流影响范围指标示意图；

图4为本发明所述障碍物风险场示意图。

具体实施方式

下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。

如图1所示，本发明一种考虑周边车辆的智能汽车换道决策与轨迹规划方法，具体包括如下步骤：

步骤(1)，构建基于车道满意度的换道决策树，如图2所示：分别考虑当前车道满意度、相邻车道满意度、相邻车道换道的可行性以及换道过程的安全性，基于多阶段序贯决策树构建决策效用函数；通过实时获取的交通信息，做出合理的保持车道或换道决策。

以目标车辆(自车)质心所在位置的道路横截面与中央分隔带的交点为原点，以沿车道前进方向为正向x轴，以其顺时针旋转90°方向为正向y轴，建立动态区间坐标系。

步骤(1.1)，由目标车辆的纵向位置和速度、当前车道相邻前车的纵向位置和速度、目标车辆的期望速度以及当前车道车流速度，确定当前车道满意度T

Δx

Δv

其中，K

对目标车辆来说，距离更近的车辆速度比距离更远的车辆速度更有意义，对于某车道lane，其车流速度v

其中，l＝1，2，...，m表示某车道lane上以目标车辆为中心的一定路段范围内的车辆，v

步骤(1.2)，考虑了换道过程中可行性和安全性的修正相邻车道满意度T

T

Δx

Δv

其中，T′

步骤(1.2.1)，为了更好的描述换道过程中的可行问题，采用相邻车道前后车间隙距离来判断目标车辆换道行为的可行性，换道可行性参数T

其中，Av

D

D

其中，v

步骤(1.2.2)综合考虑路段交通流、局部车群、相邻对车辆换道产生的风险，采用中国专利CN114613127A中的换道风险预测模型(输入周围的实时交通信息，输出预测换道风险等级概率)，来表示换道过程中周围车辆可能带来的潜在风险，换道安全性参数T

T

其中，p′为低风险等级的概率。

步骤(1.3)，采用决策效用函数，比较当前车道满意度和修正后的相邻车道满意度，从而做出换左车道、换右车道、保持车道三种车辆换道行为决策，行为决策decision计算方法如下：

其中，T

步骤(2)，基于步骤(1)获得的换道行为决策，考虑到驾驶人效益(包括目标车辆的舒适性、效率)、后方交通流效益(包括后方车辆的舒适性、效率)、安全性、拟人性，使用五次多项式曲线对换道轨迹的路径和速度进行规划。

在换道过程中以换道开始时刻目标车辆质心的位置为原点建立动态车辆坐标系，x轴为车辆行驶方向，以其顺时针旋转90°方向为正向y轴。

步骤(2.1)，使用五次多项式分别对目标车辆纵向和横向上轨迹进行规划，轨迹方程表达式如下：

其中，a

通过换道开始时刻、结束时刻下的横纵向位置、速度和加速度来计算上述的轨迹方程：

其中，下标x和y分别表示纵向和横向，s和f分别表示换道开始时刻和结束时刻；于是轨迹规划问题构成了由一个12个方程、14个未知参数组成的欠定方程组问题。

考虑到换道场景的特殊性，将换道开始时刻设定为0s，假设目标车辆在换道开始时刻的纵向加速度、横向速度、横向加速度均为零；自车在换道结束时刻的纵向位移为车道宽度W，纵向速度为目标车道的车流速度v

其中，tarlane为步骤(1.3)中decision的具体目标车道，由车流速度v

步骤(2.2)，设置目标车辆换道轨迹的运动学约束，删去不符合约束的轨迹，设置目标车辆在换道过程中的运动约束：

t

其中，v

步骤(2.3)，通过构造一种车流影响范围指标，如图3所示，以界定目标车辆换道对车道lane后方交通流的影响范围lane_dk，基于鲁宾因果模型以及PSM倾向性得分匹配法，分析目标车辆换道对其后方道路区域的车辆速度的影响。

步骤(2.3.1)，基于高速公路地理信息系统，选取与当前目标车辆行驶环境具有相同车道数和道路基本线型，且具有相同月份、周天和时段的高速公路路段历史车辆轨迹数据样本，并从中筛选出执行跟驰和换道两类行为的车辆为目标车辆样本，分别提取每个目标车辆样本的运动轨迹及其周围交通信息数据样本，得到基础历史轨迹数据库。

步骤(2.3.2)，对步骤(2.3.1)筛选的基础历史轨迹数据库中每一个目标车辆样本进行干预变量、结果变量和特征变量提取，并构建基于特征变量的干预变量二元logit回归模型。

步骤(2.3.2.1)，定义T

步骤(2.3.2.2)，定义Y

其中，Y

步骤(2.3.2.3)，定义X

步骤(2.3.2.4)，构建基于特征变量的干预变量二元logit回归模型：

其中：β

步骤(2.3.3)，从基础历史轨迹数据库中基于倾向性得分匹配法为当前目标车辆轨迹寻找相似历史轨迹样本，得到当前目标车辆的相似历史轨迹库，具体按照如下步骤实现：

步骤(2.3.3.1)，记当前目标车辆轨迹的特征变量为X

p(X

步骤(2.3.3.2)，根据历史轨迹数据的特征变量X

p(X

步骤(2.3.3.3)，使用倾向性得分匹配法中的半径匹配方法，在给定的半径范围δ

|p(X

所有满足上述不等式的历史轨迹样本组成当前目标车辆的相似历史轨迹库。

步骤(2.3.4)，将步骤(2.3.3)得到的相似历史轨迹库中样本按干预变量T划分为实验组(T＝1)和待处理对照组(T＝0)；考虑到待处理对照组样本数量远比实验组多(道路上跟驰行为比换道行为更常见)，使用倾向性得分匹配法中的卡尺近邻匹配方法，在给定的卡尺范围δ

步骤(2.3.5)，为量化当前目标车辆不同后方范围区间下的换道干预影响，将考虑的后方具体范围以20m为间隔步长设为8个子范围d

其中，

步骤(2.3.6)，计算当前目标车辆执行换道行为对车流的影响范围，目标车辆换道对当前车道egolane后方交通流的影响范围egolane_dk为：

s.t.ATT

对目标车道tarlane后方交通流的影响范围tarlane_dk为：

s.t.ATT

如果ATT

步骤(2.4)，考虑到当前目标车辆在换道过程对后方交通流的潜在影响，用全速度差模型FVD或协同自适应巡航模型CACC来表征当前车道以及目标车道后方车辆的跟驰行为，构造考虑目标车辆和后方车辆的舒适性成本函数、效率成本函数。

步骤(2.4.1)，构建全速度差模型来表征后方车流中人类驾驶车辆的跟车行为：

其中，a

步骤(2.4.2)，采用CACC协同自适应巡航模型表征后方车流中智能汽车的跟驰行为：

e(t)＝x

v(t)＝v

其中，e(t)为t时刻相邻智能汽车实际距离与期望距离之间的误差，T为最小安全车头时距，v

步骤(2.4.3)，设置基于当前目标车辆运动轨迹、当前车道后方车流轨迹和目标车道后方车流轨迹的成本函数。

步骤(2.4.3.1)，当前目标车辆的成本函数为当前目标车辆在换道过程的加加速度的累加、换道纵向距离和换道持续时间，三者分别代表了目标车辆在换道过程的舒适性、效率和对交通流的影响；记当前目标车辆的舒适性成本函数J

J

J

步骤(2.4.3.2)，考虑通过步骤(2.3)计算出的当前车道后方车交通流范围egolane_dk，当前车道后方车流的成本函数包括考虑车流范围内的周围车辆在目标车辆换道过程中加加速度的累加和车流速度与初速度差的累加，分别代表当前车道后方车流的舒适性和效率；如果没有渗透率条件下，目前车辆在换道过程中，当前车道上的后方车辆SV

其中，SV

与目标车辆纵向相对距离越小的当前车道后方车辆应该权重越大：

其中，

不同渗透率MRP下，当前车道后方车流的舒适性成本函数

步骤(2.4.3.3)，考虑通过步骤(2.3)计算出的目标车道后方车交通流范围tarlane_dk，目标车道后方车流的成本函数包括考虑车流范围内的周围车辆在目标车辆换道过程中加加速度的累加和车流速度与初速度差的累加，分别代表目标车道后方车流的舒适性和效率；如果没有渗透率条件下，目标车辆在换道过程中，目标车道上的后方车辆SV

其中，SV

与目标车辆纵向相对距离越小的目标车道后方车辆应该权重越大：

其中，

不同渗透率MRP下，目标车道后方车流的舒适性成本函数

步骤(2.4.4)，考虑到各成本函数的性质、量纲、大小范围都不一样，7个指标的最小值和最大值用下标min，max来表示，利用最大最小规范化的方法分别对7个指标进行数据处理，计算方法如下：

其中，J

步骤(2.4.5)，不同渗透率MRP条件下的当前目标车辆与后方车流的效率成本函数J

其中，C

步骤(2.5)，基于风险场理论，提出一种结合空间、时间两个维度表征目标车辆与周围车辆交互风险的预测风险场模型，用于构造轨迹安全成本函数，筛选出符合安全性的换道轨迹。

步骤(2.5.1)，使用短时间内精度较高的恒加速度模型，根据周围车辆的位置、速度和加速度，预测其在每一时间步长下的纵向、横向位置x(t)和y(t)。

x(t)＝x+v

y(t)＝y+v

其中，v

步骤(2.5.2)，建立以周围车辆坐标点为原点的坐标系，x轴沿车辆行驶方向，y轴垂直于x轴，且x、y轴的正方向指向目标车辆，如图4所示，t时刻下的周围车辆风险场Risk

其中，x

周围车辆的几何尺寸x

其中，l为车辆长度，w为车辆宽度。

周围车辆与目标车辆的临界横纵向距离y

其中，下标x和y分别表示纵向和横向方向，v

步骤(2.5.3)，车辆从车道中心线行驶到车道线的过程中，其暴露在风险的程度越来越高，因此需要考虑基于交通规则的车道风险场Risk

其中，Risk

步骤(2.5.4)，预测风险场为上述风险场的结合，取步骤(2.5.2)的周围车辆风险场和(2.5.3)车道风险场中的最大值，作为预测风险场模型：

Risk(t)＝max(Risk

步骤(2.5.5)，使用步骤(2.5.4)的预测风险场模型构建轨迹安全成本函数；每隔1s时间步长，对每条轨迹在纵向、横向方向各均匀采样10个点，计算轨迹的最大风险值、平均风险值，计算方法如下：

T＝[t

其中，Risk

风险值过高的轨迹可能会存在换道安全问题，因此需要排除最大风险值过高的轨迹，采用最大风险安全成本函数

其中，Risk

除了最大风险值，平均风险值也是衡量轨迹安全性的一个重要方法，平均风险安全成本函数

步骤(2.6)，为了使换道轨迹满足不同行为风格驾驶人的个性化需求，构造驾驶人行为风格接近度成本函数J

ξ

其中，特征集ξ

J

其中，特征集ξ

步骤(2.7)基于上述步骤，总成本函数J计算方法如下：

其中，′表示规范化处理，ω

步骤(2.8)基于上述步骤获得的轨迹参数公式、运动约束和总成本函数，通过遗传算法等优化算法对换道持续时间t

所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。