基於前車變道意圖的自適應巡航控製目標車輛選擇算法

小君麼¹，
Guoying陳¹＆
鎮海高¹

bwin900手机版體積34，文章編號:135（2021）<一個href="#citeas" class="c-article-info-details__cite-as u-hide-print" data-track="click" data-track-action="cite this article" data-track-label="link">引用本文

1069訪問
2引用
指標細節

摘要

為提高傳統自適應巡航控製(ACC)係統在前車變道時的平順性和安全性，提出了一種基於前車變道意圖預測的目標車輛選擇算法。首先，利用下一代仿真數據集訓練基於滑動窗口支持向量機的變道意圖預測算法，通過橫向位置偏移量識別當前車道上前車的變道意圖;其次，根據變道意圖和前車的碰撞威脅，研究了安全變道、危險變道和變道取消三種不同情況下的目標車輛選擇算法。最後，在聯合仿真平台上驗證了算法的有效性。仿真結果表明，當前車安全變道或取消變道機動時，目標選車算法能保證目標車輛平穩過渡，有效減小被試車輛縱向加速度波動。在危險變道情況下，本文提出的目標車輛選擇算法比傳統ACC係統的目標車輛選擇方法對危險變道的響應速度更快;從而有效避免碰撞，提高被試車輛的安全性。

簡介

交通堵塞的問題變得越來越嚴重。因此，自適應巡航控製(ACC)作為先進駕駛輔助係統(ADASs)的關鍵技術得到了廣泛的研究，並逐漸引入到普通人的生活中。根據統計報告，變道是導致車禍的主要原因[<一個d一個t一個-track="click" data-track-action="reference anchor" data-track-label="link" data-test="citation-ref" title="1" href="#ref-CR1" id="ref-link-section-d69886069e385">1，<一個d一個t一個-track="click" data-track-action="reference anchor" data-track-label="link" data-test="citation-ref" title="2" href="#ref-CR2" id="ref-link-section-d69886069e385_1">2，<一個d一個t一個-track="click" data-track-action="reference anchor" data-track-label="link" data-test="citation-ref" title="3." href="#ref-CR3" id="ref-link-section-d69886069e385_2">3.，<一個d一個t一個-track="click" data-track-action="reference anchor" data-track-label="link" data-test="citation-ref" aria-label="Reference 4" title="4" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8" id="ref-link-section-d69886069e388">4］．當前麵的車輛改變車道時，傳統的ACC係統隻是簡單地宣布目標車輛(即主車緊隨其後的車輛)為當前主車車道上最近的車輛;因此，這些係統不能全麵考慮變道車輛。在這種情況下，縱向加速度會發生很大的波動;這大大降低了乘坐舒適度，甚至可能帶來碰撞風險[<一個d一個t一個-track="click" data-track-action="reference anchor" data-track-label="link" data-test="citation-ref" aria-label="Reference 5" title="5" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8" id="ref-link-section-d69886069e391">5，<一個d一個t一個-track="click" data-track-action="reference anchor" data-track-label="link" data-test="citation-ref" aria-label="Reference 6" title="6" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8" id="ref-link-section-d69886069e394">6］．為了防止這種情況的發生，一項關鍵技術是可靠的變道意圖預測技術，該技術可以在前車越過車道線之前識別出其變道意圖。這使得被試車輛能夠在前一車輛變道行動之前作出反應，從而減少加速度波動，並將碰撞風險降至最低。目前報道的預測前車變道意圖的最相關方法大致可以分為四類:基於模糊邏輯的、基於支持向量機(SVM)的、基於隱馬爾可夫模型(HMM)的和基於深度學習的。

基於模糊邏輯的方法以主體與前車的相對運動信息作為輸入變量;從而獲得前車的變道意圖，有效實現人的控製策略和體驗。莫恩等人。[<一個d一個t一個-track="click" data-track-action="reference anchor" data-track-label="link" data-test="citation-ref" aria-label="Reference 7" title="7" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8" id="ref-link-section-d69886069e400">7，<一個d一個t一個-track="click" data-track-action="reference anchor" data-track-label="link" data-test="citation-ref" aria-label="Reference 8" title="8" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8" id="ref-link-section-d69886069e403">8]提出了一種基於模糊邏輯的變道意圖預測器;該算法以前車與被試車輛的相對橫向距離和相對橫向速度為輸入，利用模糊規則確定前車變道概率。該方法假設橫向相對距離越小、橫向相對速度越大的車輛越容易變道。文獻中給出的模糊規則主要基於前車駛入狀態下的相對速度和相對距離的擬合曲線。然而，模糊邏輯控製器在很大程度上依賴於人的經驗，不能客觀地識別變道意圖。

基於支持向量機的方法利用相對運動信息選擇合適的特征向量，通過訓練得到最優的支持向量機參數，預測前車的變道意圖。馬等人[<一個d一個t一個-track="click" data-track-action="reference anchor" data-track-label="link" data-test="citation-ref" aria-label="Reference 9" title="9" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8" id="ref-link-section-d69886069e409">9，<一個d一個t一個-track="click" data-track-action="reference anchor" data-track-label="link" data-test="citation-ref" aria-label="Reference 10" title="10" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8" id="ref-link-section-d69886069e412">10]使用從實際交通環境中收集的數據作為訓練樣本，基於模糊支持向量機(fsvm)識別相鄰車道車輛的超車機動。為了提高插入識別器的訓練精度，對每個樣本引入模糊隸屬度係數求解FSVM，並對FSVM參數進行網格優化。Woo等人。[<一個d一個t一個-track="click" data-track-action="reference anchor" data-track-label="link" data-test="citation-ref" aria-label="Reference 11" title="11" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8" id="ref-link-section-d69886069e415">11]定義了特征向量，包括到中心線的距離、橫向速度和潛在特征。潛在特征通過分析前車與周圍車輛的位置關係來表征變道的可能性。通過添加潛在特征，該支持向量機算法可以消除曲折行駛產生的錯誤預測。

基於hmm的變道方法主要利用前車的觀測狀態信息來識別獨立的、不可見的變道意圖。Ma建立了一種混合高斯hmm模型來描述相鄰車輛的變道行為。通過模型參數對駕駛員決策狀態進行分割和描述[<一個d一個t一個-track="click" data-track-action="reference anchor" data-track-label="link" data-test="citation-ref" aria-label="Reference 12" title="12" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8" id="ref-link-section-d69886069e421">12］．此外，利用前車與主車中心之間的橫向距離來表征決策狀態的變化。使用Ref.[的結果。<一個d一個t一個-track="click" data-track-action="reference anchor" data-track-label="link" data-test="citation-ref" aria-label="Reference 12" title="12" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8" id="ref-link-section-d69886069e424">12，張[<一個d一個t一個-track="click" data-track-action="reference anchor" data-track-label="link" data-test="citation-ref" aria-label="Reference 13" title="13" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8" id="ref-link-section-d69886069e427">13根據碰撞風險，將變道機動分為安全的和危險的變道過程。基於保持變道和變道的特點，以及安全變道和危險變道的特點，設計了基於hmm的變道識別方法，采用滑動時間窗，並依次判斷每個時間窗的行駛狀態。Mitrovic提出了一種使用HMM識別駕駛事件的簡單而可靠的方法[<一個d一個t一個-track="click" data-track-action="reference anchor" data-track-label="link" data-test="citation-ref" aria-label="Reference 14" title="14" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8" id="ref-link-section-d69886069e430">14］．通過收集實車實驗數據，人工選擇觀察序列進行訓練和驗證，將每個觀察序列劃分為特定的事件類型，分別訓練每個駕駛事件的HMM模型參數。使用多個模型對來自訓練集的觀察序列進行評估。通過比較各個HMM模型計算出的觀測序列的概率，選擇最高HMM模型對應的事件作為估計結果。

這種基於深度學習的方法利用神經網絡預測前車的變道意圖或行駛軌跡。該方法需要龐大的數據集進行參數訓練，以提高預測結果。張等人。[<一個d一個t一個-track="click" data-track-action="reference anchor" data-track-label="link" data-test="citation-ref" aria-label="Reference 15" title="15" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8" id="ref-link-section-d69886069e437">15]以語音識別框架為例，他們將前車的行為(即變道或保持車道)映射到不同的語音詞。由於前車和周圍車輛的運動信息是連續的和時變的，因此在變道過程中，不同大小的單詞對應不同的駕駛風格。語音識別模型可以有效地應用於識別前車的變道行為。尹等人[<一個d一個t一個-track="click" data-track-action="reference anchor" data-track-label="link" data-test="citation-ref" aria-label="Reference 16" title="16" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8" id="ref-link-section-d69886069e440">16]利用徑向基函數網絡(RBFN)計算了多個目標車道和周圍車輛軌跡的變道可能性。RBFN預測算法利用分類分布和未來軌跡並行估計每個車道成為駕駛員目標車道的概率，並將RBFN轉化為一個包含不確定性的概率模型。李等人。[<一個d一個t一個-track="click" data-track-action="reference anchor" data-track-label="link" data-test="citation-ref" aria-label="Reference 17" title="17" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8" id="ref-link-section-d69886069e443">17]提出了一種基於卷積神經網絡(CNN)的車道改變意圖識別器。該方法將真實駕駛數據轉換為簡化的鳥瞰圖，使基於cnn的推理方法具有較低的計算成本和對噪聲輸入的魯棒性。

目前的大部分文獻都試圖預測相鄰車道中前車的變道意圖(如圖所示)<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">1）;而對當前車道上前車變道意圖的預測結果(如圖所示)<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">2)也確定了被測車輛的縱向加速度。例如，當當前車道上的前車改道，當前車道前方出現低速商用車或靜止物體時，被試車輛也會出現加速度波動甚至碰撞風險。因此，本文研究了相鄰車道上的前車和當前車道上的前車的變道意圖預測算法。由於以往的研究大多使用支持向量機來識別前路車輛的變道意圖，隻選取了支持向量機的某一特征向量和核函數，且未能解釋其選擇的原因。本研究比較了不同類型支持向量機的預測精度，選取RBF作為核函數，分析了不同滑動窗口大小對預測精度的影響。而且，以往的研究大多隻研究了前車變道成功的情況，而沒有考慮到前車變道失敗或取消的情況。研究了前車變道失敗時的目標車輛選擇問題。

本文其餘部分的結構如下<一個d一個t一個-track="click" data-track-label="link" data-track-action="section anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">2介紹了係統的體係結構<一個d一個t一個-track="click" data-track-label="link" data-track-action="section anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">3.介紹了變道意圖預測算法<一個d一個t一個-track="click" data-track-label="link" data-track-action="section anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">4介紹了目標車輛選擇算法，節<一個d一個t一個-track="click" data-track-label="link" data-track-action="section anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">5研究了縱向運動控製算法，節<一個d一個t一個-track="click" data-track-label="link" data-track-action="section anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">6在仿真中對提出的算法進行了評估<一個d一個t一個-track="click" data-track-label="link" data-track-action="section anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">7本文的結論是。

係統架構

本文提出的總體框架如圖所示<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">3.．它主要分為三個部分:變道意圖預測、目標車輛選擇和縱向運動控製。首先，主要利用滑動窗口支持向量機算法預測前車的變道意圖;我們使用下一代仿真(NGSIM)數據集來訓練支持向量機的參數，並確定滑動窗口的大小。通過橫向相對距離偏移量預測當前車道上前車的變道意圖。下一步是選擇目標車輛。目標車輛的選擇決定了安全變道、危險變道和取消變道三種不同情況下的目標車輛。縱向運動控製利用目標車輛的狀態信息生成致動器控製值。執行器控製量由前饋控製量和反饋控製量兩部分組成。

基於滑動窗口支持向量機的變道意圖預測算法

當前車變道時，傳統的ACC係統不能綜合考慮當前車道上的前車和變道車輛。在這種情況下，縱向加速度會產生較大的波動，大大降低了乘坐舒適性，甚至可能造成碰撞風險。為了避免目標車輛的跳躍引起縱向加速度的劇烈波動，采用滑動窗口支持向量機算法識別前車的變道意圖。

NGSIM數據集預處理

本研究使用NGSIM項目(由聯邦高速公路管理局於2002年發起)記錄的公共數據集來訓練滑動窗口支持向量機[<一個d一個t一個-track="click" data-track-action="reference anchor" data-track-label="link" data-test="citation-ref" aria-label="Reference 18" title="18" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8" id="ref-link-section-d69886069e554">18］．本程序利用安裝在路麵上方的高清攝像頭記錄車輛行駛數據，並利用視頻處理軟件每隔0.1 s獲取車輛軌跡數據。本文利用NGSIM數據集中的US101高速公路變道車輛數據，對變道意圖預測支持向量機進行訓練。

NGSIM US101高速公路數據的研究區域示意圖和攝像機覆蓋範圍如圖所示<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">4．經過簡單的濾波，得到了6100個單車行駛數據點。我們研究了乘用車的自由變道行為;因此，合理的變道車輛數據必須滿足以下約束條件:

(1）
由於本文研究的是汽車的自由變道，因此有必要將車輛的類型限製在2輛以內。
（2）
US101高速公路的7、8車道均為坡道，6巷為坡道入口的輔助車道，1巷為最左車道，5巷為最右車道，與6巷相鄰。為避免車輛進出坡道產生的強製變道行為數據的影響，本文使用的變道車輛數據剔除了其行駛車道ID中包含6、7、8車道的車輛軌跡，確保車輛軌跡數據中的車道ID發生變化。
（3）
為了防止一直在車道線附近行駛的車輛造成車輛車道ID的變化，我們比較了變道開始和結束之間橫向位置的偏差，確保該偏差超過2.75 m。

通過人工選擇，獲得了184條合理的變道車輛軌跡。由於被試車輛隻能通過傳感器獲取前車的相對位置和速度信息，因此需要計算前車相對於目標車道道路中心線的相對橫向距離和橫向速度。通過變道車輛中心線的局部坐標減去目標車道中心線的局部坐標，得到變道車輛相對於目標車道中心線的橫向相對距離。為減小NGSIM數據集測量誤差的影響，采用卡爾曼濾波方法計算相對橫向速度v_y和相對橫向加速度一個_y前麵車輛相對於目標車道的道路中心線。估計的相對橫向速度v_y和加速度一個_y如圖所示<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">5而且<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">6,分別。

卡爾曼濾波計算的相對橫向速度與原始NGSIM數據集中局部坐標Y的差值得到的相對橫向速度基本一致;然而，峰值被有效地抑製了。通過對速度差得到的加速度數據進行卡爾曼濾波計算得到的相對橫向加速度進行比較，發現這種濾波可以很好地抑製速度差產生的波動。

支持向量機算法設計

支持向量機算法

支持向量機是一種非常流行的機器學習算法。它主要用於在多維空間中識別一個合適的超平麵作為分類平麵，使樣本空間中正、負樣本的最小間距最大化。滿足最小間距的樣本稱為支持向量。對於線性不可分的情況，支持向量機可以利用核函數將非線性分類場景轉化為高維樣本空間中的線性可分情況[<一個d一個t一個-track="click" data-track-action="reference anchor" data-track-label="link" data-test="citation-ref" title="19" href="#ref-CR19" id="ref-link-section-d69886069e698">19，<一個d一個t一個-track="click" data-track-action="reference anchor" data-track-label="link" data-test="citation-ref" title="20." href="#ref-CR20" id="ref-link-section-d69886069e698_1">20.，<一個d一個t一個-track="click" data-track-action="reference anchor" data-track-label="link" data-test="citation-ref" aria-label="Reference 21" title="21" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8" id="ref-link-section-d69886069e701">21］．常用的核函數包括多項式核函數和高斯核函數。

我們假設分類函數是

$ $ h_{{\眉題{w}, b}}(\眉題{x}) = g \離開({\眉題{w} ^ {\ rm {T}} \眉題{x} + b} \右),$ $

(1）

在哪裏左\ (g (z) = \ \{{\開始{數組}{* c{20}}{1 \四{{如果}\ \文本,{{}}z \通用電氣0}}\ \{0 \四{{如果}\ \文本,{{}}z < 0}}{數組}}\ \ \ \端\)。，$\眉題{w} $而且\ (b \)是訓練參數，和$\眉題{x} $是特征向量。

在預測前車變道意圖的模型中，$h_{{\overline{w}，b}} (\overline{x}) = 1$表示前麵的車輛打算改變車道，並且$h_{{\overline{w}，b}} (\overline{x}) = 0$表示前車不打算改道，繼續在原車道行駛。支持向量機的優化目標是使正樣本和負樣本之間的幾何裕度最大化。幾何邊距的定義\ $γ^ {(i)} $是

左$ $ \ \{{\開始{數組}{* c{20}}{\伽馬^ {(i)} = y ^ {(i)} \離開({\離開({\壓裂{{\眉題{w}}}{{\左\ |{\眉題{w}} \右\ |}}}\右)^ {\ rm {T}} \眉題{x} ^ {(i)} + \壓裂{b}{{\左\ |{\眉題{w}} \右\ |}}}\右)},γ= \ \ {\ \ mathop{\分鍾}\ limits_ {i = 1,2,……，m} \gamma^{(i)}，} \\ \end{array}} \right.$$

（2）

在哪裏米表示訓練集中的樣本數，γ表示最小餘量。支持向量機的原始優化問題如下:

數組$ $ \開始{}{* c {20}} {\ max_{{\γ,\眉題{w}, b}}} & \伽馬\ \{{\文本{酸處理}}}和{y ^ {(i)} \離開({\眉題{w} ^ {\ rm {T}} \眉題{x} ^ {(i)} + b} \) \通用電氣\γ ,\;\;\;{\ kern 1 pt} i = 1, \ ldots, m } \\ {} & {\ 左\ |{\眉題{w}} \ \ | = 1。} \\ \end{array}$$

（3）

非凸約束$\左\| {\overline{w}} \右\| = 1$在原來的優化問題中意味著原來的問題很難解決。因此，必須轉化為凸優化問題:

$ $ \開始{聚集}{\文本{分鍾}_{{\伽馬},w b}} \壓裂{1}{2}\左\ |{\眉題{w}} \右\ | ^ {2 } { ,} \\ {\ 文本{酸處理}} \空間y ^ {(i)} \離開({\眉題{w} ^ {\ rm {T}} \眉題{x} ^ {(i)} + b} \) \通用電氣1 \;\;\;{\ kern 1 pt}我= 1,\ ldots, m。\ \ \{聚集}$ $

（4）

通過拉格朗日對偶性，將上述凸優化問題轉化為二次規劃問題，表示為

$ $ \開始{聚集}{\文本{馬克斯}_{{\λ}}}W(\λ)= \ \ limits_總和{i = 1} ^ {m} {\ lambda_{我}}- \壓裂{1}{2}\總和\ limits_ {i, j = 1} ^ {m} {y ^ {(i)}} y ^ {(j)} \ lambda_{我}\ lambda_ {j} \左\ langle{\眉題{x} ^ {(i)}, \眉題{x} ^ {(j)}} \ \糾正\,文本\ \{\{酸處理}} \空間\ lambda_{我}\通用電氣0 \;\;\;{\ kern 1 pt}我= 1,\ ldots m \ \ \ \ limits_總和{i = 1} ^ {m} {\ lambda_{我}}y ^ {(i)} = 0, \ \ \{聚集}$ $

（5）

在哪裏$左\ \ langle{\眉題{x} ^ {(i)}, \眉題{x} ^ {(j)}} \ \糾正\,$的核函數值$\眉題{x} ^ {(i)} $而且$\眉題{x} ^ {(j)} $,\λ(\ \)表示拉格朗日乘子。

支持向量機特征向量選擇

參考文獻中選擇的特征向量。[<一個d一個t一個-track="click" data-track-action="reference anchor" data-track-label="link" data-test="citation-ref" aria-label="Reference 10" title="10" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8" id="ref-link-section-d69886069e2255">10包括受試者與前車的縱向相對距離、橫向相對距離、縱向相對速度、橫向相對速度、縱向相對加速度、橫向相對加速度、受試者車輛速度;如圖所示<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">7．然而，訓練樣本是有限的，不能覆蓋SVM中可能出現的所有特征向量;例如，被試車輛的當前速度從未出現在訓練樣本中;此外，當前的縱向相對距離、縱向相對速度和縱向相對加速度超過了訓練樣本中特征向量的範圍。在上述情況下，支持向量機得到的變道意圖預測精度很低。Ref。<一個d一個t一個-track="click" data-track-action="reference anchor" data-track-label="link" data-test="citation-ref" aria-label="Reference 11" title="11" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8" id="ref-link-section-d69886069e2261">11]選取前車橫向相對距離、橫向相對速度和潛在特征(相對於被試車輛行駛車道中心線)作為特征向量。潛在特征分析了前車與周圍交通車輛的位置關係，代表了前車變道風險程度。增加這一功能是為了減少前車在原車道上進行之字形行駛時的錯誤預測。然而，毫米波雷達和攝像機作為ADAS的主要傳感器係統，不能獲得前車周圍交通車輛全麵、準確的運動狀態信息。此外，本文假設前車在原車道上曲折行駛，並不一定是未變道。可能是新手駕駛員駕駛經驗不足，也可能是變道後目標車輛處於目標車道調整階段。潛在的特征不能用來解決所有的曲折駕駛誤判。

本文選取的特征向量包括橫向相對距離d_y和橫向相對速度v_y前車相對於被試車輛行駛車道中心線的位置，如圖所示<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">8．當僅使用當前時刻的相對運動信息作為特征向量時，由於運動狀態的跳躍，往往會造成短期的誤判。而前車當前時刻的變道意圖預測往往與前幾個周期的相對運動信息有關。因此，本文取前車相對於被試車輛行駛車道中心線在前車中的相對運動信息k循環作為特征向量。特征向量$\眉題{x} _ {t} $在時間t可以表示為

$ $ \眉題{x} _ {t} =左\[{\眉題{D} _ {y} \眉題{V} _ {y}} \正確),$ $

(6）

$ $ \眉題{D} _ {y} =左\ [{d_ {{y, t - \離開({k - 1} \右)}},d_ {{y, t - \離開({k - 2} \右)}},\ cdots d_ {y, t}} \正確),$ $

(7）

V $ $ \眉題{}_ {y} =左\ [{v_ {{y, t - \離開({k - 1} \右)}},v_ {{y, t - \離開({k - 2} \右)}},\ cdots v_ {y, t}} \正確),$ $

（8）

在哪裏$\眉題{D} _ {y} $特征是橫向相對距離，和$\眉題{V} _ {y} $是相對於目標車輛行駛車道中心線的橫向相對速度的特征。

選擇前車相對於被試車輛行駛車道中心線的相對運動信息作為特征向量(而不是前車相對於被試車輛的相對運動信息)，一方麵可以減輕被試車輛橫向運動對變道意圖預測的影響;另一方麵，將相對橫向距離換算為非常方便d坐標下Frenet在彎道行駛時的坐標[<一個d一個t一個-track="click" data-track-action="reference anchor" data-track-label="link" data-test="citation-ref" aria-label="Reference 22" title="22" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8" id="ref-link-section-d69886069e2726">22，<一個d一個t一個-track="click" data-track-action="reference anchor" data-track-label="link" data-test="citation-ref" aria-label="Reference 23" title="23" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8" id="ref-link-section-d69886069e2729">23］．

支持向量機參數訓練

為了解決不同特征單元的影響，采用z分數歸一化方法對特征進行標準化。處理後各特征均值為零，標準差為1。在進行SVM參數訓練之前，NGSIM數據集按照7:3的比例分為訓練集和測試集樣本。訓練集和測試集樣本數分別為10080和4273。采用訓練集樣本對不同參數的支持向量機進行訓練，並通過測試集樣本檢驗支持向量機的預測精度。同時，我們采用交叉驗證的方法將訓練集數據劃分為N拷貝(N= 5在這篇文章)。在每個培訓過程中，$n - 1$選擇其中的一份進行訓練，剩下的一份作為驗證集。通過n-training，從驗證集中選取準確率最高的一組參數作為最終的訓練結果。支持向量機參數訓練流程圖如圖所示<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">9．

選擇線性、二次、三次和徑向基函數作為核函數來訓練支持向量機。同時，為了確定滑動窗口的大小，我們用4個不同的核函數在0-5 s的窗口大小範圍內訓練支持向量機，間隔為0.2 s。訓練結果如圖所示<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">10．

在圖<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">10(d)，我們可以看到，當滑動窗口大小為0.4 s時，線性核函數支持向量機的測試集精度達到最大值0.676。由於二次核函數、三次核函數和RBF核函數可以將樣本特征映射到更高的空間，並實現非線性分類，這三種核函數支持向量機與線性核函數支持向量機相比，驗證和測試集精度都有不同程度的提高。RBF核函數支持向量機的改進最為顯著。當滑動窗口為2.2 s時，RBF核函數支持向量機的測試集精度達到0.935。因此，我們選擇RBF核函數支持向量機來預測前車的變道意圖。

比較測試集和驗證集的精度，我們發現上述三種核函數支持向量機的測試集精度都在一定程度上低於驗證集精度。當滑動窗口的大小增加時，特征的數量增加，在SVM訓練過程中出現過擬合。隨著滑動窗口的增大，驗證集的精度不斷提高。然而，當滑動窗口大小超過一定範圍時，隨著時間窗口大小的增加，測試集預測精度下降(對於RBF核函數支持向量機尤其明顯);也就是說，就滑動窗口的大小而言，越長並不一定意味著越好。

如圖所示<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">10(a)當滑動窗口大小為2.2 s時，RBF核函數支持向量機的測試集精度最大。因此，我們選擇了滑動窗口大小為2.2 s的RBF核函數支持向量機來預測前車的變道意圖。在確定支持向量機的核函數和滑動窗口大小後，將測試樣本和訓練集樣本結合形成新的訓練集，並利用該訓練集進行訓練，得到最終的變道意圖預測支持向量機。上述車輛變道意圖預測的最終支持向量機參數如表所示<一個d一個t一個-track="click" data-track-label="link" data-track-action="table anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">1．這裏，KernelScale是參數\γ(\ \)，其中RBF的形式為:\ (K \離開({\眉題{x} ^ {(i)}, \眉題{x} ^ {(j)}} \右)= \ exp \離開({- \伽馬\左\ |{\眉題{x} ^ {(i)} - \眉題{x} ^ {(j)}} \右\ |}\)\)．BoxConstraint是一個正值，控製對殘差較大的觀測結果施加的懲罰[<一個d一個t一個-track="click" data-track-action="reference anchor" data-track-label="link" data-test="citation-ref" aria-label="Reference 24" title="24" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8" id="ref-link-section-d69886069e2987">24］．

表1前車變道意圖預測最終支持向量機的參數

全尺寸表

鄰近車道前車變道意圖預測結果

相鄰車道上的前車變道意圖預測結果如圖所示<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">11:(a)支持向量機特征，(b) SVM_2.2 s得到的變道意圖預測，(c) SVM_0 s得到的變道意圖預測。從圖中可以看出<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">11(a)在模擬開始後4.3-7秒內，前一輛車輛在原行車線內曲折行駛。此外，變道開始於10.5 s，結束於15 s。整體變道時間為4.5 s。從圖中可以看出<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">11(b)基於本研究設計的滑動窗口的變道意圖預測支持向量機(SVM_2.2 s)預測前車在11.9 s有變道意圖。從圖<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">11(a)，我們看到前麵的車輛在13.2秒時通過了主體車輛所在車道的車道線;因此，基於滑動窗口的變道意圖預測支持向量機提前1.3 s識別出前車的變道意圖。數字<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">11(c)為僅使用當前時刻運動狀態信息作為特征向量的支持向量機預測結果(記為SVM_0 s)，在4.9 s和6 s時出現短期誤判。SVM_0隻使用當前時刻的運動狀態信息作為特征向量;因此，在曲折行駛過程中，當運動狀態發生跳躍時，容易產生誤判。本文設計的變道意圖預測支持向量機采用了整個滑動窗口的運動狀態信息(窗口大小為2.2 s);因此，它可以處理鋸齒形驅動產生的運動狀態變化的幹擾。

與傳統ACC目標車輛選擇算法相比，基於svm的變道意圖預測輸出的時間優勢與前車開始變道時的初始橫向相對距離、整體變道時間等因素有關。數字<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">12為三種不同整體變道時間下前車變道意圖預測結果，其中整體變道時間分別為3.1 s、5.0 s、6.9 s，如圖所示<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">12(a)、(b)及(c);本文設計的變道意圖預測支持向量機比傳統ACC目標車輛選擇算法提前0.9 s、1.7 s、2.3 s識別了前車的變道意圖，如表所示<一個d一個t一個-track="click" data-track-label="link" data-track-action="table anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">2．當整體變道時間增加時，提前時間也相應增加。因此，不能將提前時間作為判斷變道意圖預測支持向量機質量的唯一標準。

表2不同整體換道次數的提前時間

全尺寸表

前車在當前車道的變道意圖預測結果

當當前車道上的前車變道時，如果當前車道前方出現低速車輛或靜止物體，則被試車輛將出現加速度波動或碰撞風險。因此，識別前車在當前車道上的變道意圖非常重要。但是，由於本文設計的變道意圖預測支持向量機使用了前車橫向相對距離和橫向相對速度(相對於目標車道中心線)作為特征向量，不能直接用於預測當前車道上前車的變道意圖。為了解決這一問題，對當前車道上的前一輛車的橫向相對距離分別進行左、右偏移。偏移距離為一車道寬，如圖所示<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">13．

橫向相對距離偏移不影響橫向相對速度的大小。通過將偏移橫向相對距離和橫向相對速度作為特征向量輸入到變道意圖預測支持向量機中，可以識別出當前車道(以左右相鄰車道為目標車道)中前車的變道意圖。當車道寬度向左移動時，前車目標車道從右側相鄰車道變為當前車道，利用變道意圖預測SVM識別當前車道內車輛的右側變道意圖。同樣，當車道寬度右移時，前車的目標車道從左鄰車道變為當前車道，識別出當前車道上車輛的左變道意圖。當前車道上前車變道意圖預測結果如圖所示<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">14:(a)左側變道意圖預測支持向量機特征，(b)左側變道意圖預測，(c)右側變道意圖預測支持向量機特征，(d)右側變道意圖預測。

由於左移一車道寬後橫向相對距離變化範圍為3.7 ~ 7.5 m，故前車右變道意圖的預測結果始終為零，即前車沒有右變道意圖。而當向右的橫向相對距離偏移量和橫向相對速度作為特征向量時，在10.6 s時支持向量機可以識別出前車的左側變道意圖。與傳統ACC目標車輛選擇算法相比，該算法可以提前1 s識別出當前車道上前車的變道意圖。

基於對前車變道意圖預測的目標車輛選擇

該研究忽略了當前車道上的車輛與相鄰車道上的車輛同時變道的情況;它隻考慮其中一人變道的情況;這裏，我們以前麵車輛在相鄰車道的變道為例，來說明目標車輛的選擇過程。

為了選擇目標車輛，需要計算每個目標的碰撞風險。碰撞風險用$ttc ^{- 1}$在本研究中[<一個d一個t一個-track="click" data-track-action="reference anchor" data-track-label="link" data-test="citation-ref" aria-label="Reference 25" title="25" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8" id="ref-link-section-d69886069e3330">25，<一個d一個t一個-track="click" data-track-action="reference anchor" data-track-label="link" data-test="citation-ref" aria-label="Reference 26" title="26" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8" id="ref-link-section-d69886069e3333">26］．$ttc ^{- 1}$可計算為

$$TTC^{- 1} = - \frac{{v_{x}}{{d_{x}}，$$

（9)

在哪裏\ (d_ {x} \)為縱向相對距離，\ (v_ {x} \)前車與被試車輛之間的縱向相對速度是否等於被試車輛縱向速度之差\ (v_{主題}\)和前麵的車輛先前\ (v_ {} \)，如圖<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">15．

當$ttc ^{- 1}$超過0，表示前麵的車輛正在接近，有發生碰撞的危險。碰撞威脅隨著的增大而增大$ttc ^{- 1}$．當$ttc ^{- 1}$小於零，表示前車距離被試車輛較遠，不存在碰撞風險。

根據變道意圖(記為意圖)和每個目標的碰撞威脅，相鄰車道上的目標可分為三類;這些被表示為DriveStatue［<一個d一個t一個-track="click" data-track-action="reference anchor" data-track-label="link" data-test="citation-ref" aria-label="Reference 7" title="7" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8" id="ref-link-section-d69886069e3661">7，如圖所示<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">16．

第1區表示前車並無換道意圖(意圖= 0)DriveStaue等於零。區域2表示前車有換道意圖，但無碰撞風險(意圖= 1,$ttc ^{- 1}$<Th_TTC）;在這種情況下，DriveStaue等於1。區域3表示前車有變道意圖，存在碰撞風險(意圖= 1，$ttc ^{- 1}$≥Th_TTC)．在這種情況下，DriveStaue等於2。

由於前方相鄰車道可能有多輛有換道意圖的車輛，因此需要選擇其中“最具威脅性”的一輛作為相鄰車道的目標車輛。首先，根據DriveStatue在相鄰車道的目標中，我們可以獲得優先級最高的行駛狀態RDS目前擔任代表DriveStatue，表示為

$ $ RDS = max \左\ {{DriveStatue_{我}}\右\},\,i = 1, 2, 3, \ ldots, n, $ $

（10）

在哪裏n是相鄰車道上的目標數。

他們的目標中DriveStatue是RDS在相鄰車道中，選取與被試車輛縱向相對距離最小的車輛作為相鄰車道中的目標車輛。根據不同的RDS值時，相鄰車道目標車輛與當前車道中離被試車輛最近的目標車輛(即傳統ACC目標車輛選擇算法獲得的目標車輛，簡稱當前車道目標車輛)的融合方法也不相同。的值\ (d_ {x, inlane} \)而且\ (v_ {x, inlane} \)表示當前車道目標車輛與被試車輛之間的縱向相對距離和速度;\ (d_ {{x,{\文本{相鄰車道}}}}\)而且\ (v_ {{x,{\文本{相鄰車道}}}}\)分別表示相鄰車道目標車輛與被試車輛之間的縱向相對距離和速度。

案例1:RDS= 0，相鄰車道上無車輛有換道意圖;這樣，可以直接選擇當前車道上的目標車輛作為目標車輛;也就是說,

$$d_{x,main} = d_{x,inlane}，$$

（11）

$$v_{x,main} = v_{x,inlane} .$$

（12）

案例2:RDS= 1，相鄰車道的目標車輛有變道意圖且不存在碰撞風險，即相鄰車道的目標車輛安全變道。在這種情況下，目標車輛選擇必須將當前車道上的目標車輛與相鄰車道上的目標車輛融合，使用

$ $ d_主要{x} = \αd_ {x, inlane} +(1 - \α)d_ {{x,{\文本{相鄰車道}}}},$ $

（13）

$ $ v_主要{x} = \αv_ {x, inlane} +(1 - \α)v_ {{x,{\文本{相鄰車道}}}},$ $

(14）

$ $ \α= \敏\左\{{\壓裂{{\左|{\左| {d_ {y, Init}} \右| - \左| {d_ {{y,{\文本{adjacentlane}}}}} \右|}\右|}}{{\左|{\左| {d_ {y, Init}} \右| - 0.875}\右|}},rm \{} 1} \右\},$ $

(15）

在哪裏\ (d_ {y, Init} \)當目標車輛第一次被檢測到有變道意圖時，目標車輛在相鄰車道上的橫向相對距離(相對於目標車輛所在車道的中心線)是否\ (d_ {{y,{\文本{adjacentlane}}}} \)是相鄰車道上目標車輛相對於目標車輛車道中心線的橫向相對距離。

在相鄰車道的目標車輛變道過程中，\ (d_ {{y,{\文本{adjacentlane}}}} \)改變從\ (d_ {y, Init} \)至0.875 m(當相鄰車道內目標橫向相對距離小於0.875 m時，可認為該目標為當前車道內目標)α平滑地從0到1。

案例3:RDS= 2，相鄰車道上的目標車輛有變道意圖且存在碰撞風險，即相鄰車道上的目標車輛危險變道。在這種情況下，首要目標是維護被試車輛的安全。從而直接選擇相鄰車道的目標車輛作為目標車輛;也就是說,

$$d_{x,main} = d_{{x，\rm{相鄰車道}}}，$$

（16）

$$v_{x,main} = v_{{x，\rm{相鄰通道}}}.$$

(17)

如圖所示<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">17，在某些情況下，前車會停止換道，回到原行車線。當檢測到這種抵消時，如果目標車輛直接變回當前車道上的目標車輛，被試車輛的縱向加速度將不可避免地由於目標車輛的跳躍而波動。

當相鄰車輛中目標車輛的變道意圖由1變為0時，和\ (d_ {{y,{\文本{adjacentlane}}}} \)超過0.875 m，可確定目標車輛在相鄰車輛中已取消變道。在變道取消條件下，目標車輛狀態計算為

$ $ d_主要{x} = \βd_ {x, inlane} +(1 - \β)d_ {{x,{\文本{相鄰車道}}}},$ $

（18)

$ $ v_主要{x} = \βv_ {x, inlane} +(1 - \β)v_ {{x,{\文本{相鄰車道}}}},$ $

(19)

$ $ \β= \ alpha_{取消}\ cdot \馬克斯\左\{{\壓裂{{2.875 - \左| {d_ {{y,{\文本{adjacentlane}}}}} \右|}}{{\左|{2.875 - \左| {d_ {y,取消}}\右|}\右|}},rm \{0}} \右\},$ $

(20)

在哪裏\ (d_ {y,取消}\)相鄰車道上目標車輛的橫向相對距離與目標車輛所在車道的中心線是否相對\ (\ alpha_{取消}\)的值α當首先檢測到相鄰車道上的目標車輛取消變道意圖時。

在相鄰車道目標車輛的變道取消過程中，\ (d_ {{y,{\文本{adjacentlane}}}} \)不同\ (d_ {y,取消}\)至2.875 m(當當前車道內目標橫向相對距離超過2.875 m時，可認為該目標為相鄰車道內目標)β\ (\ \)順利地從\ (\ alpha_{取消}\)為零。

縱向運動控製算法

根據目標車輛是否在前方，縱向運動控製可分為速度控製和跟隨控製。當目標車輛前麵沒有目標車輛時，隻應用速度控製。對於速度控製，隻需要被測車輛的速度\ (v_{主題}\)必須保持設定的速度嗎\ (v_組{}\)．因此，該模式下的控製目標為$\ v \到0$位置誤差可以直接設為零:

$$\Delta v = v_{set} - v_{subject}，$$

(21）

$$\Delta d = 0.$$

(22)

當目標車輛在被試車輛前麵時，控製是跟隨控製，它控製被試車輛的速度與目標車輛的速度相匹配，從而保持兩者之間的安全距離。本工作選擇恒定時隙安全距離作為安全距離[<一個d一個t一個-track="click" data-track-action="reference anchor" data-track-label="link" data-test="citation-ref" aria-label="Reference 27" title="27" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8" id="ref-link-section-d69886069e5571">27];計算方法為

$$d_{des} = v_{self} \tau_{h} + d_{0}，$$

(23）

在哪裏\ (\ tau_ {h} \)為時間間隔常數，一般設置為1.2-2 s。\ (d_ {0} \)是距離常數，一般設為2-3米。在這項研究中，\ (\ tau_ {h} \)設置為2秒，然後\ (d_ {0} \)設置為3米。

在接下來的控製中，被控車輛的速度必須與目標車輛的速度保持一致，並保持距離\ (d_ {x} \)主體和目標車輛之間必須控製為安全距離\ (d_ {des} \)；因此，該模式下的控製目標為$\ v \到0$，$\ d \到0$,在那裏

$$\Delta v = v_{x}，$$

(24）

$$\Delta d = d_{x} - d_{des} .$$

(25）

本研究選用線性二次型調節器(LQR)來計算被試車輛的期望加速度。縱向運動控製中的平衡狀態為$\ v \到0$，$\ d \到0$；因此，使用LQR控製器來計算目標車輛的期望加速度是非常合適的。同時，在縱向運動控製過程中，LQR控製器可以考慮輸入變量和狀態變量的權重，保證平順性。

在實際加速度之間會產生時間延遲實際$現代{}$並輸入所需的加速度$現代{des} $；這些可以近似地用一階慣性元件表示，如

$ $現代{實際}= \壓裂{1}{{\ tau_ {d} s + 1}}現代{des}, $ $

（26)

在哪裏\ (\ tau_ {d} \)是實際加速度之間的時間延遲嗎實際$現代{}$和輸入的期望加速度$現代{des} $，在這裏設置為0.5 s。

選擇狀態變量為$x = [\Delta d，\Delta v,a_{actual}]^{\rm{T}}$輸入變量為$現代{des} $，可得到縱向加速度控製的連續狀態空間方程為

左$ $ \[{\開始{數組}{* c{20}}{\三角洲\點{d}} \ \{\三角洲\點{v}} \ \{\點{一}_{實際}}\ \ \{數組}}結束\右]= \[{\開始離開數組{}{* c {20}} 0 & 1 & {- \ tau_ {h}} \ \ & 0 & {- 1} \ \ & 0 & {{{- 1} \ mathord{\左/ {\ vphantom {{- 1} {\ tau_ {d}}}} \。\ kern - \ nulldelimiterspace} {\ tau_ {d } }}} \\ \ 結束{數組}}\右]\離開[{\開始{數組}{* c{20}}{δd \} \ \{\δv} \ \{現代實際}{}\ \ \{數組}}結束\右]+ \[{\開始離開數組{}{* c {20}} \ \ 0 \ \ {{1 \ mathord{\左/ {\ vphantom {1 {\ tau_ {d}}}} \。\ kern - \ nulldelimiterspace} {\ tau_ {d } }}} \\ \ 結束{數組}}\右]現代{des} +左\[{\開始數組{}{* c{20}} 0 1 \ \ \ \ \ \ \{數組}}結束\右]現代{焦油},$ $

(27）

在哪裏$現代{焦油}$為目標車輛的加速度，表示幹擾項。

對上述連續狀態空間方程進行離散化，得到

左$ $ \[{\開始{數組}{* c{20}}{δd \} \ \{\δv} \ \{現代實際}{}\ \ \{數組}}結束\右]_ {k + 1} = \[{\開始離開數組{}{* c {20}} 1 & T & {- \ tau_ {h} T} \ \ 0 & 1 & {- T} \ \ & 0 & {{{1 - T} \ mathord{\左/ {\ vphantom {{1 - T} {\ tau_ {d}}}} \。\ kern - \ nulldelimiterspace} {\ tau_ {d } }}} \\ \ 結束{數組}}\右]\離開[{\開始{數組}{* c{20}}{δd \} \ \{\δv} \ \{現代實際}{}\ \ \{數組}}結束\右]_ {k} +左\[{\開始{數組}{* c {20}} \ \ 0 T \ mathord{\ \ \{{左/ {\ vphantom {T {\ tau_ {d}}}} \。\ kern - \ nulldelimiterspace} {\ tau_ {d } }}} \\ \ 結束{數組}}\右]現代{des} +左\[{\開始數組{}{* c {20}} 0 T \ \ \ \ \ \ \{數組}}結束\右]現代{焦油},$ $

(28)

在哪裏\ \ (T)是控製周期。

由於顛簸(加速度的導數)對平順性有很大影響，上述狀態空間方程不能考慮顛簸的重量。因此，我們將離散狀態空間方程展開為增量形式，並取所需的加速度增量\ $三角洲現代{des} $作為一種輸入，以配合抓舉的重量。展開狀態空間方程如下:

左$ $ \[{\開始{數組}{* c{20}}{δd \} \ \{\δv} \ \{現代實際}{}\ \{現代{des}} \ \ \{數組}}結束\右]_ {k + 1} = \離開[{\開始{數組}{* c {20}} 1 & T & {- \ tau_ {h} T} & 0 \ \ 0 & 1 & {- T} & 0 \ \ 0 & 0 & {1 - T / \ tau_ {d}}和{T / \ tau_ {d}} \ \ 0 & 0 & 0 & 1 \ \ \{數組}}結束\右]\離開[{\開始{數組}{* c{20}}{δd \} \ \{\δv} \ \{現代實際}{}\ \{現代{des}} \ \ \{數組}}結束\右]_ {k} +左\[{\開始數組{}{* c {20}} \ \ 0 \ \ {T / \ tau_ {d}} \ \ 1 \ \ \{數組}}結束\右]\三角洲現代{des} +左\[{\開始{數組}{* c {20}} 0 0 T \ \ \ \ \ \ \ \ \{數組}}結束\右]現代$ ${焦油}

(29)

LQR控製器的目標函數為:

$ $ J = \壓裂{1}{2}\ int_ {0} ^ {\ infty}{左\ [{q_ {l1} \ cdot \三角洲d ^ {2} + q_ {l2} \ cdot \δv ^ {2} + q_ {l3} \ cdot現代{實際}^ {2}+ q_ {l4} \ cdot現代{des} ^ {2} + r_ {l} \ cdot u ^{2}} \右]}{rm \ d {}} t, $ $

(30）

在哪裏u期望的加速度是遞增的嗎\ $三角洲現代{des} $；\ (q_ {l1} \)，\ (q_ {l2} \)，\ (q_ {l3} \)，\ (q_ {l4} \),r \ ({} _ {l} \)表示的權重\δv (\ \)，$δd \ $，實際$現代{}$，$現代{des} $,\ $三角洲現代{des} $,分別。在這裏,$q_{l1} = 2$，$q_{l2} = 1$，$q_{l3} = 0$，$q_{l4} = 3$,$r_{l} = 3$．

在LQR控製器計算出受試者車輛的期望加速度後，需要對受試者車輛的執行器(即油門開度和製動主缸壓力)進行控製，以確保受試者車輛的實際加速度接近計算出的期望加速度。本文首先建立了目標車輛的逆動力學模型。通過該模型可以得到執行器的前饋控製量。由於被試車輛逆動力學模型參數的偏差和幹擾的存在，僅通過開環控製很難使實際加速度穩定地接近預期加速度。產生了很大的靜態誤差。因此，為了提高縱向加速度控製的精度和魯棒性，以車輛實際加速度與期望加速度之間的偏差值為輸入，采用比例積分導數(PID)控製器計算執行器反饋控製量。

模擬與討論

然後，利用Matlab/Simulink、CarSim和Prescan軟件搭建聯合仿真平台，對所提出的算法進行驗證。在Prescan中建立場景和傳感器模型。Prescan中毫米波雷達模型的測量數據中含有噪聲，在一定程度上可以模擬現實世界中的雷達測量數據。在CarSim中建立高精度車輛動力學模型，在Matlab/Simulink中建立仿真環境集成與控製算法，如圖所示<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">18．分別在安全變道、危險變道和變道取消三種不同條件下進行了仿真。

安全變道條件下的仿真結果

為了驗證本文提出的目標車輛選擇算法在安全變道條件下的有效性，在聯合仿真平台中設計了如下仿真條件:初始被試車輛以設定的速度(25 m/s)跟隨當前車道上的前車，被試與當前車道上的前車縱向相對距離為50 m。一輛前車出現在左鄰車道上。仿真開始時前車在相鄰車道的行駛速度為18 m/s，與被試車輛的縱向相對距離為70 m。模擬開始5秒後，前車開始變道。仿真結果如圖所示<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">19而且<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">20.．

在仿真開始6.6 s時，基於滑動窗口支持向量機的變道意圖預測算法檢測到相鄰車道上的前車意圖變道;在這裏,RDS為1，表示相鄰車道的目標車輛有變道意圖，不存在碰撞風險，如圖<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">19(一)——(b)。因此，目標車輛選擇算法將當前車道上的目標車輛與相鄰車道上的目標車輛融合。融合結果如圖所示<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">19(c) - (d)。目標車輛從當前車道(ID3)順利過渡到相鄰車道(ID393)。如圖所示<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">20.(b) - (c)，采用傳統ACC係統的目標車輛選擇方法時，目標車輛以7.8 s的速度從當前車道的目標車輛直接跳到相鄰車道的目標車輛。本文設計的基於滑動窗口支持向量機的變道意圖預測算法比傳統的目標車輛選擇方法提前1.2 s識別出前車的變道意圖。此外，在9.4 s時，當前車道目標車輛狀態突然發生變化，如圖所示<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">19(c) - (d)。這是因為當鄰近車道的目標車輛完成換道時，當前車道的目標車輛被阻塞，無法被被試車輛傳感器檢測到。

數據<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">19(e)和<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">20.(d)顯示被試車輛在安全變道條件下的縱向加速度曲線。從仿真結果可以看出，被試車輛的最大縱向減速為2.62 m/s²在整個控製過程中，采用本文提出的目標車輛選擇算法時。采用傳統的目標車輛選擇方法時，目標車輛的最大縱向減速為3.90 m/s²．本文提出的目標車輛選擇算法對相鄰車道上前車變道的響應速度更快(提前1.2 s)。相應的最大縱向減速降低了1.28 m/s²．這樣可以有效地減少被試車輛因相鄰車道上前車的安全變道而引起的縱向加速度波動，從而提高乘坐舒適性。

危險變道工況下的仿真結果

最初，受試者車輛以設定的速度在當前車道上跟隨前車，行駛速度為25 m/s，受試者與前車在當前車道上的縱向相對距離為50 m。仿真開始時前車在相鄰車道的行駛速度為15 m/s，與被試車輛的縱向相對距離為70 m。在模擬開始4.5 s後，前車開始變道。仿真結果如圖所示<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">21而且<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">22．

在仿真開始5.5 s後，基於滑動窗口支持向量機的變道意圖預測算法檢測到相鄰車道上的前車有變道意圖;在這裏,RDS為2，表示相鄰車道的目標車輛有變道意圖，存在碰撞風險，如圖<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">21(一)——(b)。在這種情況下，應該優先考慮相鄰車道上的目標車輛。結果如圖所示<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">21(c) - (d)。本文提出的目標車輛選擇算法在檢測到變道意圖時，直接從當前車道上的目標車輛跳到相鄰車道上的目標車輛。根據圖<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">22(b) - (c)，在使用傳統ACC算法的目標車輛選擇方法時，當相鄰車道的目標車輛越過車道線時，目標車輛在6.25 s時從當前車道的目標車輛直接跳到相鄰車道的目標車輛。基於滑動窗口支持向量機的變道意圖預測算法比傳統ACC目標車輛選擇算法提前0.75 s識別出前車的變道意圖。

數據<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">21(e)和<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">22(d)顯示被試車輛在危險變道情況下的縱向加速度曲線。數據<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">21(f)和<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">22(e)顯示受影響車輛與周圍交通車輛之間的碰撞信號。仿真結果表明，本文提出的目標車輛選擇算法和傳統ACC係統的目標車輛選擇方法下被試車輛的最大縱向減速均達到最大值4 m/s²．然而，所提出的目標車輛選擇算法對相鄰車道上前車的變道反應更快(提前0.75 s)。在數據<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">21(f)和<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">22(e)，使用傳統ACC係統的目標車輛選擇方法時，可以看到被試車輛在7.56 s時與相鄰車道的目標車輛相撞。由於所提出的目標車輛選擇方法，被試車輛可以提前減速0.75 s，被試與相鄰車道目標車輛之間的最小縱向相對距離為4.5 m，有效避免了碰撞。

變道對消條件下的仿真結果

最初，受試者車輛以設定的速度在當前車道上跟隨前車，行駛速度為25 m/s，受試者與前車在當前車道上的縱向相對距離為50 m。仿真開始時前車在相鄰車道的行駛速度為20 m/s，與被試車輛的縱向相對距離為70 m。在模擬開始4.5 s後，前車開始變道。仿真結果如圖所示<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">23而且<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">24．

在仿真開始5.7 s時，基於滑動窗口支持向量機的變道意圖預測算法檢測到相鄰車道上的前車有變道意圖;在這裏,RDS為1，表示相鄰車道上的目標車輛有換道意圖，不存在碰撞風險，如圖<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">23(一)——(b)。因此，目標車輛選擇算法將當前車道的目標車輛與相鄰車道的目標車輛進行融合。融合結果如圖所示<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">23(c) - (d)。目標車輛從當前車道(ID3)順利過渡到相鄰車道(ID393)。

在變道完成前，所提出的變道意圖預測算法檢測到相鄰車道的目標車輛在7.8 s時取消變道機動α為0.58，如圖<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">23(一)——(b)。如果目標車輛直接切換回當前車道上的目標車輛，必然會導致目標車輛的跳車。因此，需要根據變道取消條件下的目標車輛選擇算法選擇目標車輛，使目標車輛能夠順利過渡回當前車道上的目標車輛。目標車輛信息如圖所示<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">23(c) - (d)。

在使用傳統ACC係統的目標車輛選擇方法時，由於相鄰車道的目標車輛以6.6 s的時間越過左車道線，目標車輛直接從當前車道的目標車輛跳到相鄰車道的目標車輛。在8.3 s時，由於相鄰車道的目標車輛越過左車道線返回原車道，目標車輛從相鄰車道的目標車輛切換回當前車道的目標車輛。數據<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">23(e)和<一個d一個t一個-track="click" data-track-label="link" data-track-action="figure anchor" href="//www.saiwangsj.com/articles/10.1186/s10033-021-00650-8">24(d)顯示被試車輛在變道取消條件下的縱向加速度。從仿真結果可以看出，被試車輛的最大縱向減速為1.94 m/s²在整個控製過程中，采用本文提出的目標車輛選擇算法時。采用傳統ACC係統的目標車輛選擇方法時，被試車輛的最大縱向減速為3.70 m/s²．最大縱向減速降低了1.28 m/s²．然而，最大加速度幾乎是相同的。這是因為在當前的速度下，被試車輛的加速度是有限的，這意味著在模擬開始的8.5-10秒內，被試車輛的油門開度已經達到100%。但是，從期望加速度曲線也可以看出，通過目標車輛的平穩過渡，最大期望加速度降低了1.14 m/s²當使用所提出的目標車輛選擇算法時(最大期望加速度為2.24 m/s²)與傳統ACC係統的目標車輛選擇方法進行比較(最大期望加速度為3.38 m/s²)．

結論

提出了一種基於前車變道意圖預測的目標車輛選擇算法。該變道意圖通過基於滑動窗口支持向量機的變道意圖預測算法識別，並在NGSIM數據集上進行訓練。本文提出的變道意圖預測算法既適用於當前車道上的前車，也適用於相鄰車道上的前車。通過與傳統ACC係統的目標選車方法的對比，仿真結果表明，本文提出的目標選車算法能夠提前響應前車的變道，從而有效減小危險變道條件下的縱向加速度波動，避免碰撞。

在未來的工作中，將預測前麵車輛的行駛軌跡，進一步提高被試車輛的行駛安全性。同時，將在實車平台上對算法進行驗證，驗證算法的實時性和對真實道路環境幹擾的魯棒性。

參考文獻

沙,醫學院畢業。(2019)。自適應巡航控製(ACC)市場在預測期內將呈現顯著增長。<一個href="https://doi.org/10.13140/RG.2.2.27676.44163">https://doi.org/10.13140/RG.2.2.27676.44163．
齊格勒，本德，施賴伯等。讓伯莎駕駛在一條曆史性的路線上進行自動駕駛。IEEE智能交通係統雜誌浙江農業學報，2014,6(2):8-20。
文章穀歌學者
金俊傑，金俊傑，張桂傑，等。基於極限學習機的卷積神經網絡快速學習方法及其在車道檢測中的應用。神經， 2017, 87: 109-121。
文章穀歌學者
Umberto, D Shilp, F Saber等。麵向互聯自動駕駛:用例回顧。車輛係統動力學， 2018: 1-36。
陳旭，張傑，劉贇。基於模糊係統的汽車巡航係統智能控製與仿真研究。工程數學問題， 2016, 6: 1-12。
穀歌學者
J·馬丁內斯，C·卡努達斯-德-威特。用於自適應巡航控製和走走停停場景的安全縱向控製。控製係統技術IEEE彙刊， 2007, 15:246-258。
文章穀歌學者
文珊珊，康宏，伊家強。自適應巡航控製的多車目標選擇。車輛係統動力學:國際車輛力學與機動性雜誌地球物理學報，2010,48(11):1325-1343。
文章穀歌學者
D Kim, S Moon, H Kim，等。汽車自動駕駛中具有變道支持的自適應巡航控製/避碰係統設計。ICCAS-SICE．IEEE 2009。
馬剛，劉錚，佩X，等。基於模糊支持向量機的側車道車輛超車機動辨識。汽車工程地球化學，2014,36(3):316-320。(中文)
穀歌學者
鄒毅，魏思思，馬剛，等。自適應巡航控製係統中側車道車輛駛入控製的研究。汽車工程岩石力學與工程學報，2016,38(3):323-329。(中文)
穀歌學者
吳浩，姬永誌，河野浩，等。基於車輛軌跡預測的車道變化檢測。IEEE機器人與自動化通訊， 2017: 1。<一個href="https://doi.org/10.1109/LRA.2017.2660543">https://doi.org/10.1109/LRA.2017.2660543．
文章穀歌學者
馬。智能車輛變道行為判斷與碰撞風險估計研究．哈爾濱:哈爾濱工業大學，2016。(中文)
K。智能車輛變道行為及危險等級識別方法．哈爾濱:哈爾濱工業大學，2017。(中文)
D Mitrovic。一種可靠的駕駛事件識別方法。IEEE智能交通係統彙刊岩石力學與工程學報，2005,6(2):198-205。
文章穀歌學者
張宏，傅榮。高速公路場景中相鄰前車行駛行為識別與意圖預測。運輸係統工程與信息技術學報浙江農業學報，2020,20(1):40-46。(中文)
MathSciNet 穀歌學者
尹碩，全H，琴德。基於徑向基函數網絡的預測巡航控製和機會約束模型預測控製。IEEE智能交通係統彙刊， 2019(99): 1-12。
穀歌學者
李d，權勇，S mc市思，等。基於卷積神經網絡的ACC周圍車輛變道意圖預測。IEEE第20屆智能交通係統國際會議．IEEE 2017。
FHWA，美國交通部。ngsim下一代仿真。(2020-3-11)。<一個href="http://ops.fhwa.dot.gov/trafficanalysistools/ngsim.htm">http://ops.fhwa.dot.gov/trafficanalysistools/ngsim.htm．已於2012年7月30日訪問。
P Kumar, M Perrollaz, S Lefevre，等。基於學習的在線變道意圖預測方法。IEEE智能汽車國際會議論文集， 2013: 797-802。
貝內特，布萊登斯坦納。支持向量機分類器中的對偶性和幾何性質。第十七屆機器學習國際會議論文集， 2000: 57-64。
S Amsalu, A Homaifar, F Afghah，等。基於統計特征提取的支持向量機交叉路口駕駛員行為建模智能汽車研討會．IEEE 2015。
M Werling, J Ziegler, S Kammel，等。frenet框架下動態街道場景的最優軌跡生成。機器人與自動化(ICRA)，2010年IEEE國際會議。IEEE, 2010年。
M P Do Carmo。曲線和曲麵的微分幾何。普倫蒂斯·霍爾出版社,1976年。
V N Vapnik。統計學習理論的本質。施普林格,1995年。
P Fancher Z Bareket R Ervin。以人為本的車輛製動與前方碰撞預警係統設計。2001, 36(2-3): 203-223。
文章穀歌學者
胡曼江，廖源，王文軍，等。基於決策樹的駕駛員追尾風險規避行為機動預測。先進交通雜誌， 2017: 7170358。
穀歌學者
王j, R Rajamani。自適應巡航控製係統應該被設計成保持車輛之間恒定的時間間隔嗎?IEEE車輛技術彙刊地球物理學報，2004,53(5):1480-1490。
文章穀歌學者

下載參考

確認

不適用。

資金

國家重點研發計劃項目(No. 2017YFB0102601)和國家自然科學基金項目(No. 51775236, U1564214)資助。

作者信息

作者和隸屬關係

吉林大學汽車仿真與控製國家重點實驗室，吉林長春130022
姚軍，陳國英，高振海

作者

小君麼

查看作者出版物

您也可以在中搜索這個作者PubMed穀歌學者
Guoying陳

查看作者出版物

您也可以在中搜索這個作者PubMed穀歌學者
鎮海高

查看作者出版物

您也可以在中搜索這個作者PubMed穀歌學者

貢獻

JY和GC負責整個試驗;JY撰寫了手稿;ZG審閱了手稿。所有作者閱讀並批準了最終稿件。

作者的信息

姚軍，1995年生，現為清華大學博士研究生吉林大學汽車工程學院，中國長春．他獲得了學士學位吉林大學，中國2020年7月。他的研究方向包括車輛動力學和控製，以及自動駕駛汽車。

陳國英，1984年生，現任北京大學副教授吉林大學，中國．他獲得了博士學位吉林大學，中國2012年。他的研究方向包括線控汽車控製和自動駕駛汽車。

高振海，目前是一名教授吉林大學，中國．他獲得了汽車工程博士學位吉林大學, 2000年。他是一名外國研究人員東京大學．近年來，主要研究方向為汽車聯網及自動駕駛、駕駛員行為分析、高級駕駛員輔助係統、人機界麵等。

相應的作者

對應到<一個id="corresp-c1" href="mailto:gaozh@jlu.edu.cn">鎮海高．

道德聲明

相互競爭的利益

作者聲明沒有競爭的經濟利益。

權利與權限

開放獲取本文遵循創作共用署名4.0國際許可協議(Creative Commons Attribution 4.0 International License)，該協議允許在任何媒體或格式中使用、分享、改編、分發和複製，隻要您給予原作者和來源適當的署名，提供創作共用許可協議的鏈接，並說明是否有更改。本文中的圖片或其他第三方材料包含在文章的創作共用許可中，除非在材料的信用額度中另有說明。如果材料不包含在文章的創作共用許可中，並且您的預期用途不被法律法規允許或超出了允許的用途，您將需要直接從版權所有者那裏獲得許可。欲查看此許可證的副本，請訪問<一個href="http://creativecommons.org/licenses/by/4.0/" rel="license">http://creativecommons.org/licenses/by/4.0/．

轉載及權限

關於本文

引用本文

姚軍，陳剛，高錚。基於變道意圖的自適應巡航控製目標車輛選擇算法。下巴。j .機械工程。Eng。34， 135(2021)。https://doi.org/10.1186/s10033-021-00650-8

下載引用

收到了：10月7日2020
修改後的：2021年9月1日
接受：2021年11月11日
發表：2021年12月11日
DOI：https://doi.org/10.1186/s10033-021-00650-8

關鍵字

換道意圖
目標車輛選擇
支持向量機
自適應巡航控製