張 濤，鄒 淵，張旭東，王文偉

（1.北京理工大學(xué)機(jī)械與車輛學(xué)院，北京 100081； 2.北京電動(dòng)車輛協(xié)同創(chuàng)新中心，北京 100081）

前言

自適應(yīng)巡航控制（adaptive cruise control，ACC）［1］作為高級(jí)駕駛輔助系統(tǒng)（advanced driver assistant system，ADAS）的典型應(yīng)用之一，利用車載雷達(dá)和相機(jī)獲知前方車輛信息，輔助駕駛員對(duì)主車進(jìn)行控制，有效地提升了行駛的舒適性和安全性。但受限于傳感器有限的感應(yīng)范圍和較少的信息量，行駛的安全水準(zhǔn)還有待提高。近年來，隨著信息通信、計(jì)算機(jī)和人工智能等技術(shù)的發(fā)展，智能網(wǎng)聯(lián)車輛成為新的研究熱點(diǎn)，通過車對(duì)車（vehicle-to-vehicle，V2V）無線通信［2］，駕駛員或自動(dòng)駕駛的車輛可獲取視野內(nèi)外更多車輛的多維度信號(hào)（包括速度、加速度、航向角、轉(zhuǎn)向盤轉(zhuǎn)角、GPS坐標(biāo)、車輛尺寸等），為大幅提升車輛安全性提供更大空間［3］。通過網(wǎng)聯(lián)通信構(gòu)建協(xié)同行駛的車輛隊(duì)列，被稱為協(xié)同自適應(yīng)巡航控制（cooperative adaptive cruise control，CACC），與ACC相比，CACC在避免碰撞沖突和增大交通流量上潛力更大，但仍然存在許多挑戰(zhàn)需要解決。例如，網(wǎng)聯(lián)CACC亟需能夠預(yù)測其他車輛的車道變換行為［4］。當(dāng)鄰車道車輛在主車前方突然切入換道時(shí)，穩(wěn)定行駛隊(duì)列中的車輛必須執(zhí)行緊急制動(dòng)，而這種緊急制動(dòng)反應(yīng)非常危險(xiǎn)，可能導(dǎo)致嚴(yán)重的碰撞。因此，預(yù)測和適當(dāng)?shù)奶崆胺磻?yīng)是提升行駛安全最具挑戰(zhàn)性的任務(wù)之一。

車輛的每次換道行為都對(duì)應(yīng)著車輛狀態(tài)參數(shù)的改變（轉(zhuǎn)向盤轉(zhuǎn)角、車速、航向角等），然而不同的操縱行為（換道、直行）所產(chǎn)出的狀態(tài)參數(shù)可能部分相似［5］。因此，需要一種可靠的方法來基于其車輛狀態(tài)參數(shù)屬性來區(qū)分不同的駕駛操縱行為。近年來，機(jī)器學(xué)習(xí)技術(shù)的發(fā)展對(duì)基于時(shí)序數(shù)據(jù)的預(yù)測提供了新的解決思路和工具，常見的機(jī)器學(xué)習(xí)駕駛員行為建模研究包括基于支持向量機(jī)、相關(guān)向量機(jī)（SVM、RVM）［6-7］和神經(jīng)網(wǎng)絡(luò)（NN）［8］等分類方法來識(shí)別車輛的行為。另一類主要的建模方案，如隱馬爾可夫模型（HMM）［9-10］和動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)（DBNs）［11］等，利用駕駛行為的歷史時(shí)間序列數(shù)據(jù)構(gòu)建一種因果預(yù)測框架，以便找到下一個(gè)最有可能的駕駛動(dòng)機(jī)。其中，文獻(xiàn)［6］中利用相關(guān)向量機(jī)（RVM）模型對(duì)換道過程參數(shù)進(jìn)行估計(jì)，并利用多項(xiàng)式對(duì)換道軌跡擬合，將擬合軌跡與可接受安全域面積的比值作為預(yù)警參數(shù)，用于對(duì)換道的安全性進(jìn)行評(píng)估；文獻(xiàn)［7］中提出基于雷達(dá)采集的旁車橫縱向運(yùn)動(dòng)信息，基于支持向量機(jī)（SVM）構(gòu)造旁車并線意圖識(shí)別器，由于雷達(dá)采集數(shù)據(jù)的準(zhǔn)確性較低，識(shí)別器對(duì)干擾信息的識(shí)別效果不佳；文獻(xiàn)［8］中基于車輛歷史運(yùn)動(dòng)行為。采用前饋神經(jīng)網(wǎng)絡(luò)預(yù)測車輛的行駛軌跡；文獻(xiàn)［9］和文獻(xiàn)［10］中在駕駛員操作過程中，將車輛可觀察時(shí)間序列行為與未觀察到的駕駛員意圖序列相關(guān)聯(lián)，根據(jù)當(dāng)前狀態(tài)預(yù)測下一步行為；文獻(xiàn)［11］中提出用于識(shí)別特殊的高速公路駕駛操作方法，在4個(gè)層次上模擬不同的駕駛操縱作為車與車道線、車與車之間的關(guān)系。時(shí)序預(yù)測方法有多種，上述方法能夠根據(jù)駕駛員的歷史行為預(yù)測駕駛員不同階段未來的行為，但是預(yù)測過程沒有時(shí)間和空間限制，不易于在實(shí)車應(yīng)用，且未將預(yù)測的行為數(shù)據(jù)轉(zhuǎn)化引入主車的動(dòng)態(tài)跟車策略中。

針對(duì)上述問題，本文中采用一種基于學(xué)習(xí)的行為預(yù)測建模方法，利用非線性自回歸（nonlinear autoregressive，NAR）神經(jīng)網(wǎng)絡(luò)對(duì)實(shí)際行駛工況下的旁車道車輛并線數(shù)據(jù)樣本進(jìn)行學(xué)習(xí)，通過迭代循環(huán)預(yù)測算法實(shí)現(xiàn)特定時(shí)間與空間約束下的車道變換預(yù)測，并將預(yù)測的橫向軌跡轉(zhuǎn)化為切入概率值，構(gòu)建考慮旁車切入概率的跟車策略，用于CACC控制器提升網(wǎng)聯(lián)車輛的行駛主動(dòng)安全性。

1 系統(tǒng)描述與數(shù)據(jù)采集

旁車并線切入的場景如圖1所示，相關(guān)參數(shù)含義見表1。隊(duì)列內(nèi)直接受可疑車輛（旁車）切入影響的車被稱為主車，在主車輛前方最近的車輛被稱為前車，本文中僅討論旁車切入后影響的主車道中最小兩車系統(tǒng)，未對(duì)CACC網(wǎng)聯(lián)隊(duì)列系統(tǒng)中其他遙遠(yuǎn)車輛進(jìn)行分析。劃定主車正前方的區(qū)域?yàn)槲ｋU(xiǎn)碰撞區(qū)，碰撞區(qū)域雙側(cè)的一定范圍為監(jiān)視區(qū)域，碰撞區(qū)域的大小與CACC系統(tǒng)設(shè)計(jì)的跟車距離策略及車輛尺寸有關(guān)。

圖1 旁車并線切入場景與區(qū)域參數(shù)示意圖

表1 切入?yún)^(qū)域參數(shù)含義

網(wǎng)聯(lián)車輛跟車策略的目標(biāo)是引導(dǎo)主車與前車之間保持相對(duì)的安全距離與車速，常用跟車距離模型為：固定跟車距離模型、固定跟車時(shí)距模型和非線性間距模型等［12-13］，式（1）為固定車間時(shí)距模型：

式中：ddes，i為主車期望的跟車距離；h為固定的車間時(shí)距；vi為主車的車速；d0，i為設(shè)計(jì)的主車停車安全距離。碰撞區(qū)域范圍與跟車距離模型有關(guān)，如圖1所示，區(qū)域的橫向尺寸Lw1與主車的寬度相同，縱向長度定義為

為了提高預(yù)測的有效性，減少系統(tǒng)計(jì)算負(fù)荷，劃定一定范圍的監(jiān)視區(qū)域，過濾掉一些遙遠(yuǎn)車輛的換道信息或鄰近車道車輛搖擺的非換道行為信息，只有當(dāng)旁車真實(shí)發(fā)生換道進(jìn)入監(jiān)視區(qū)域的行為才需要進(jìn)行預(yù)測。

為了確定監(jiān)視區(qū)域的合適范圍以及進(jìn)行后續(xù)的神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練，從實(shí)際道路環(huán)境下采集了大量的直行道路切入換道過程參數(shù)。具體采集過程如下：用于換道的車輛加裝了雷達(dá)、Mobileye攝像頭和NAV982 GNSS慣性導(dǎo)航儀，換道車輛主動(dòng)并線駛?cè)肓硪卉嚨勒Ｐ旭偟膬绍嚨拈g隙中，通過雷達(dá)和Mobileye攝像頭記錄前車位置與速度參數(shù)，通過慣導(dǎo)記錄下?lián)Q道車輛的行車軌跡與運(yùn)動(dòng)參數(shù)，由于事先對(duì)道路坐標(biāo)信息進(jìn)行標(biāo)定，因此可以利用坐標(biāo)變換，將換道車輛的地理信息位置換算為車輛坐標(biāo)系下與目標(biāo)車道前車的相對(duì)位移參數(shù)（Δx，Δy），尺寸參數(shù)如圖1所示。

在實(shí)際駕駛環(huán)境中，主車通過以下兩種途徑獲取車輛運(yùn)行狀態(tài)信息：一是基于自身雷達(dá)和攝像頭直接獲取視野內(nèi)車輛的速度與距離信息，距離信息比較準(zhǔn)確，但是運(yùn)動(dòng)參數(shù)誤差較大，由于Mobileye攝像頭圖像處理過程耗時(shí)較長，設(shè)備數(shù)據(jù)更新周期接近10 Hz；另一方面，基于慣導(dǎo)周期性的獲取車輛狀態(tài)以及駕駛員的操作參數(shù)，可準(zhǔn)確獲取航向、速度和轉(zhuǎn)向盤角度等信息，采樣頻率可調(diào)，設(shè)定慣導(dǎo)采樣頻率為10 Hz，因此可認(rèn)為兩組傳感器獲得的數(shù)據(jù)為同一時(shí)刻的車輛實(shí)時(shí)狀態(tài)信息。車道變換操作由4個(gè)獨(dú)立階段組成：意圖階段、準(zhǔn)備階段、過渡階段和完成階段［14］。為了提高數(shù)據(jù)訓(xùn)練樣本的有效性，對(duì)訓(xùn)練樣本數(shù)據(jù)有效區(qū)間進(jìn)行剪切，截取數(shù)據(jù)持續(xù)時(shí)間必須大于10 s，確保訓(xùn)練樣本數(shù)據(jù)中既有橫向換道數(shù)據(jù)，又包含直線行駛數(shù)據(jù)；為了減輕數(shù)據(jù)噪聲的影響，根據(jù)信號(hào)的不同性質(zhì)，對(duì)數(shù)據(jù)的變化進(jìn)行濾波以平滑時(shí)間序列差異，并過濾掉微小參數(shù)降低噪聲的影響。

分析采集到的換道數(shù)據(jù)可知：轉(zhuǎn)向盤轉(zhuǎn)角和航向角變化趨勢相同；換道過程中橫向加速度大多數(shù)相對(duì)較小，部分時(shí)刻的采集數(shù)據(jù)與慣導(dǎo)的零漂數(shù)據(jù)發(fā)生混淆，不利于與并線行為建立相關(guān)性；車道變換期間，換道車輛與前車的縱向距離跟換道車速之間沒有絕對(duì)相關(guān)性，因?yàn)槿魏诬囁傧埋{駛員都可能選擇進(jìn)行平穩(wěn)換道、加速換道或者減速換道，本文中暫時(shí)不區(qū)分3種換道之間的細(xì)微差別。另外，慣導(dǎo)采集自身的三軸速度、加速度等，三軸方向正置于車輛中間位置，但是車輛平穩(wěn)換道過程橫向移動(dòng)速度普遍較低，因此采集的高速航向車速較為準(zhǔn)確，而垂直于航向的橫向車速不精確。由于主要關(guān)注于車輛的橫向軌跡，最終選取了換道車輛的航向速度v、轉(zhuǎn)向盤角度α、航向角φ以及與目標(biāo)車道前車的相對(duì)距離Δx和Δy對(duì)換道行為進(jìn)行描述，并令ζ＝［v，α，φ，Δx，Δy］T∈R5×1。

圖2 換道橫向軌跡與換道持續(xù)時(shí)間概率分布圖

在整個(gè)車道變換過程的跨線中間階段，橫向移動(dòng)速度變化范圍不大，圖2（a）描繪了兩種車速下的橫向換道軌跡，從圖中可以看出，換道過程橫向移動(dòng)過程的中間段位移可近視為直線，可認(rèn)為橫向階段性的勻速移動(dòng)。文獻(xiàn)［15］中基于美國NGSIM數(shù)據(jù)研究，統(tǒng)計(jì)得到車道變換時(shí)間滿足正態(tài)分布，超過99.7%的車輛在12 s內(nèi)完成車道變換，其統(tǒng)計(jì)方法的起點(diǎn)與終點(diǎn)邊界范圍較大，且多數(shù)為自由無壓力換道過程，不適用于本文中的統(tǒng)計(jì)過程。圖2（b）統(tǒng)計(jì)了本文中采集切入數(shù)據(jù)中橫向位移跨度3 m內(nèi)的換道持續(xù)時(shí)間，超過90%的持續(xù)時(shí)間大于2.8 s，即換道中間階段，大多數(shù)車輛橫向移動(dòng)速度小于1 m／s。我國高速公路上的四車道、六車道和八車道的標(biāo)準(zhǔn)車道寬度分別為2×7.5 m、2×11.25 m和2×15 m，即單車道寬為3.75 m，由于大多數(shù)小汽車的寬度在1.8 m左右，這意味著在單車道內(nèi)，單車道內(nèi)車輛兩側(cè)各有接近0.9 m的活動(dòng)區(qū)域。當(dāng)發(fā)生換道行為時(shí)，按照平均1 m／s的橫向移動(dòng)速度，換道車輛的車頭外沿在越過本車道線后，需要0.9 s的時(shí)間駛出鄰車道的活動(dòng)區(qū)域切入碰撞區(qū)域，為了確保能夠完全監(jiān)控接近1 s的切入過程，劃定監(jiān)視區(qū)域的Lw2為1 m。

2 預(yù)測模型設(shè)計(jì)

人工神經(jīng)網(wǎng)絡(luò)（artificial neural networks，ANN）是描述和預(yù)測非線性系統(tǒng)最有效的工具，本文中采用NAR神經(jīng)網(wǎng)絡(luò)搭建循環(huán)預(yù)測網(wǎng)絡(luò)，進(jìn)行駕駛員換道行為建模。使用歷史參數(shù)訓(xùn)練NAR神經(jīng)網(wǎng)絡(luò)模型，并基于當(dāng)前可用狀態(tài)值預(yù)測不同系統(tǒng)輸入的未來模式，即利用轉(zhuǎn)向盤角度、航向速度、航向角和車輛相對(duì)位移參數(shù)作為模型的外源輸入，對(duì)車輛的橫向軌跡進(jìn)行建模。設(shè)定神經(jīng)網(wǎng)絡(luò)有1個(gè)隱藏層、20個(gè)節(jié)點(diǎn)和20步短期記憶，這意味著網(wǎng)絡(luò)使用2 s的過去信息進(jìn)行預(yù)測下一步狀態(tài)參數(shù)。由于神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程是自由隨機(jī)的，節(jié)點(diǎn)的數(shù)量設(shè)置并非固定，在訓(xùn)練過程中按照75∶15∶10的劃分依據(jù)將數(shù)據(jù)分為訓(xùn)練集、驗(yàn)證集和測試集，在多次訓(xùn)練結(jié)果中，以較小的均方差作為評(píng)判指標(biāo)選取合適的網(wǎng)絡(luò)模型參數(shù)。

在應(yīng)用NAR網(wǎng)絡(luò)預(yù)測時(shí)，設(shè)定預(yù)測步數(shù)q為10步，基于歷史駕駛數(shù)據(jù)ζ1：t-1和當(dāng)前時(shí)刻的觀測數(shù)據(jù)ζt預(yù)測下一步狀態(tài)ζt＋1，并通過迭代算法預(yù)測車輛未來tp時(shí)刻的狀態(tài)ζt＋1：t＋tp，根據(jù)每步的預(yù)測結(jié)果計(jì)算對(duì)應(yīng)的未來橫向移動(dòng)距離，具體算法如表2所示。

表2 估計(jì)預(yù)測計(jì)算過程

上述Ls2為車輛橫向?qū)挾鹊囊话耄O(shè)定Δt與數(shù)據(jù)采樣頻率一致，Δt＝0.1 s。在系統(tǒng)時(shí)間進(jìn)入到下一次計(jì)算周期時(shí)，用最新的觀測數(shù)據(jù)覆蓋舊的觀測數(shù)據(jù)，循環(huán)采用算法1預(yù)測新觀測數(shù)據(jù)下的未來10步值。為了檢驗(yàn)所訓(xùn)練網(wǎng)絡(luò)的預(yù)測效果，使用一組全新的換道和直行原始數(shù)據(jù)進(jìn)行預(yù)測，如圖3所示，圖3（a）為換道行為，圖3（b）為非換道行為。從圖中可以看出，針對(duì)真實(shí)的換道行為或者橫向晃動(dòng)的非換道行為，雖然NAR迭代預(yù)測網(wǎng)絡(luò)的計(jì)算結(jié)果與真實(shí)值之間存在一定的誤差，但預(yù)測值與真實(shí)值變化趨勢相同，誤差在可接受的范圍內(nèi)，有理由認(rèn)為所訓(xùn)練的網(wǎng)絡(luò)可用于換道行為的預(yù)測。

圖3 NAR網(wǎng)絡(luò)預(yù)測的橫向行為軌跡

圖4 預(yù)測步與切入概率示意圖

3 切入概率計(jì)算與跟車策略

根據(jù)橫向移動(dòng)距離Δy＾t＋（j＋1）Δt和監(jiān)控區(qū)域的寬度Lw2構(gòu)建車輛的切入概率p計(jì)算模塊，將預(yù)測結(jié)果轉(zhuǎn)化為0到1之間的概率值。首先根據(jù)算法1預(yù)測當(dāng)前時(shí)刻下未來旁車與前車間橫向距離，同時(shí)循環(huán)計(jì)算第j步時(shí)旁車的橫向移動(dòng)距離，并判斷此移動(dòng)距離下旁車是否進(jìn)入碰撞區(qū)域。若預(yù)測步中沒有任何計(jì)算值超過Lw2，取p＝0；當(dāng)預(yù)測步中有車輛進(jìn)入碰撞區(qū)域時(shí)，設(shè)第j步為預(yù)測步中車輛第一次進(jìn)入碰撞區(qū)域，見圖4，則取p＝1.1-j·Δt，i＝1，2，…，10；若j步之后出現(xiàn)不連續(xù)的預(yù)測步越過監(jiān)控區(qū)域時(shí)，統(tǒng)計(jì)第j步及之后預(yù)測進(jìn)入碰撞區(qū)域的次數(shù)為n，在切入概率計(jì)算中引入置信因子γ＝n／（11-j），則當(dāng)前時(shí)刻下，旁車切入概率p計(jì)算公式為

現(xiàn)使用一組全新的換道數(shù)據(jù)，通過預(yù)測網(wǎng)絡(luò)及切入概率計(jì)算方法獲得實(shí)時(shí)的預(yù)測切入概率，如圖5所示，圖中實(shí)線為采集的車輛真實(shí)橫向位移數(shù)據(jù)，選定其中橫向跨度1 m的數(shù)據(jù)作為監(jiān)控區(qū)域的對(duì)比數(shù)據(jù)，使用前2.6 s的狀態(tài)數(shù)據(jù)作為初始測量值，利用迭代NAR網(wǎng)絡(luò)預(yù)測未來橫向1 m跨度內(nèi)的每100 ms的最大切入概率，繪制為圖中虛線。從圖中可以看出，預(yù)測的切入概率值非連續(xù)變化，且變化率與真實(shí)橫向位移有一定的差異，但總體上預(yù)測的切入概率值逐漸增大到1，與車輛駛?cè)氡O(jiān)控區(qū)域的真實(shí)情況相符合。

圖5 換道軌跡及其切入概率預(yù)測示意圖

在傳統(tǒng)CACC系統(tǒng)中，根據(jù)式（1）計(jì)算實(shí)時(shí)的跟車距離誤差：

式中：Li為主車的長度；xi和xi＋1分別為兩車的縱向位置；drel，i為主車前保險(xiǎn)杠與前車后保險(xiǎn)杠之間的相對(duì)距離；δi為跟車距離誤差。若兩車的相對(duì)距離為雷達(dá)或攝像頭直接測量所得，可忽略式（4）的計(jì)算過程。

在CACC穩(wěn)定的隊(duì)列跟車系統(tǒng)中，車輛之間保持相同的跟車距離，當(dāng)鄰車道車輛并入主車道后被突然識(shí)別為新的跟蹤目標(biāo)，主車往往會(huì)緊急制動(dòng)來保證安全的跟車距離，易引發(fā)后續(xù)車輛的危險(xiǎn)碰撞行為。因此，主車的跟車距離誤差δi應(yīng)該不僅考慮主車與前車之間的縱向距離，同時(shí)還需要考慮旁車的切入行為，進(jìn)行動(dòng)態(tài)調(diào)整期望跟車誤差值。當(dāng)旁車意圖并入隊(duì)列中的第i和i＋1車的間隙時(shí)，為了在達(dá)到新的平衡之前確保有足夠的安全間隙保證旁車切入，提出了一個(gè)新的隨機(jī)間距誤差δi的定義：

式中μ為0到1以內(nèi)的靈敏度系數(shù)，用于緩沖主車跟車距離誤差變化的激烈程度。若無切入事件發(fā)生，令p＝0，主車與前車的距離誤差式（6）與式（5）相同，通過調(diào)整主車車速實(shí)現(xiàn)與前車保持動(dòng)態(tài)平衡；當(dāng)p≠0時(shí)且逐漸增大時(shí)，μ越大，δi突變幅度越劇烈，下文中取μ＝0.5用于仿真計(jì)算；由于考慮切入概率的跟車距離策略式（6）能夠提前獲得間距誤差，進(jìn)而確保主車提前減速以減小跟車誤差，拉大兩車的縱向間隙。當(dāng)旁車切入并接觸到碰撞區(qū)域時(shí)，CACC系統(tǒng)需要將旁車更新作為新的跟蹤目標(biāo)車i＋1，而之前的前車編號(hào)變?yōu)閕＋2，此后，巡航控制器控制系統(tǒng)按照新的目標(biāo)進(jìn)行跟車調(diào)整。

4 巡航控制仿真試驗(yàn)分析

聯(lián)網(wǎng)巡航分層控制系統(tǒng)在設(shè)計(jì)控制算法時(shí)，采用之前的研究成果［16］，上層控制中引入了切入概率的計(jì)算，利用加速度前饋及誤差反饋的控制算法計(jì)算實(shí)時(shí)期望加速度控制量；在底層控制中設(shè)計(jì)了加速度逆動(dòng)力學(xué)模型查詢表，直接根據(jù)期望加速度和當(dāng)前的車速查詢加速踏板和制動(dòng)踏板開度，系統(tǒng)架構(gòu)如圖6所示，其中控制器算法如圖6中虛線框所示。

圖6 基于預(yù)測的聯(lián)網(wǎng)巡航控制系統(tǒng)架構(gòu)圖

文獻(xiàn)［16］中詳細(xì)論證了所設(shè)計(jì)控制器算法的穩(wěn)定性，可以實(shí)現(xiàn)快速準(zhǔn)確的控制響應(yīng)，本文中著重分析所設(shè)計(jì)的切入概率模塊對(duì)主車跟車響應(yīng)的影響。參考上述控制器，設(shè)定k1＝0.3，k2＝0.5，k3＝0.6，其中k3為Fi的近似值，驅(qū)動(dòng)響應(yīng)的1階慣性延遲環(huán)節(jié)中，Gi取慣性時(shí)間為0.1 s，時(shí)間延時(shí)為0.3 s，仿真試驗(yàn)中忽略V2V通信延遲，因?yàn)槲磥砘?G的通信延遲將會(huì)更低。

參照?qǐng)D4所示場景，在Matlab／Simulink中建立3車的兩種跟車并線試驗(yàn)，一種是針對(duì)式（5）動(dòng)態(tài)跟車策略的NAR-CACC跟車仿真，一種是不考慮旁車并線過程式（4）的CACC跟車仿真。兩種仿真中，所有車輛均以25 m／s的速度勻速行駛，設(shè)定車間時(shí)距h＝1.2，停車距離d0，i為3 m。旁車初始縱向距離前車10 m，與主車保持等速行駛，待主車與前車達(dá)到穩(wěn)態(tài)平衡后，旁車逐漸移動(dòng)到主車與前車的間隙中。旁車的仿真行為參數(shù)采用之前采集到的實(shí)車數(shù)據(jù)進(jìn)行數(shù)值模擬。圖7顯示了針對(duì)兩種不同跟車距離控制策略下主車的響應(yīng)效果，其中圖7（a）為主車與前車的速度誤差曲線，圖7（c）為跟車距離的誤差曲線，圖7（b）和圖7（d）分別為主車的加速度及速度曲線。

圖7 網(wǎng)聯(lián)跟車仿真主車響應(yīng)曲線

從圖7（a）和圖7（c）中可以看到，在兩種跟車策略下，主車與前車的縱向距離和速度誤差均趨于0，即主車均能夠達(dá)到最終的穩(wěn)定平衡。值得注意的是，NAR-CACC跟車策略相比較傳統(tǒng)CACC跟車策略，系統(tǒng)可以更早地開始響應(yīng)旁車的切入行為。觀察圖7（b）的加速度曲線可知，在旁車切入時(shí)，由于NAR-CACC策略下主車提前進(jìn)行緩慢制動(dòng)而不是緊急制動(dòng)，而傳統(tǒng)CACC策略下劇烈突變的加速度影響乘坐舒適性，同時(shí)緊急制動(dòng)行為會(huì)嚴(yán)重影響交通安全性與交通流通性。觀察所有NAR-CACC策略下曲線變化，主車在各方面響應(yīng)表現(xiàn)都更加優(yōu)異。提前響應(yīng)的時(shí)間值取決于NAR網(wǎng)絡(luò)的預(yù)測結(jié)果，由于NAR網(wǎng)絡(luò)預(yù)測采用迭代預(yù)測，而預(yù)測的時(shí)間步越多，其預(yù)測結(jié)果誤差越大，因此本文中并未使用更遠(yuǎn)的預(yù)測步結(jié)果來增加預(yù)測時(shí)間，而是結(jié)合監(jiān)控區(qū)域的尺寸以及固定的預(yù)測步數(shù)限制，進(jìn)行旁車并線切入概率計(jì)算。綜上可知，考慮旁車并線預(yù)測的NARCACC跟車策略可使主車的跟車響應(yīng)更早、更快、更安全，有利于提升車隊(duì)的交通安全性。

在相同的仿真條件下，取不同的μ值，觀察主車的速度與加速度響應(yīng)變化特征，如圖8所示，靈敏度系數(shù)μ取值越大，主車的速度與加速度變化幅度越大，且能更早地達(dá)到速度平衡；從圖8（b）的加速度曲線可以看出，μ取值越大導(dǎo)致加速度變化較大，降低了駕駛的舒適性，因此需要根據(jù)不同跟車速度與跟車距離選擇合適的μ值。未來可以繼續(xù)探討不同切入行為下，跟車誤差距離變化程度對(duì)車輛響應(yīng)行為的影響特點(diǎn)，在確保安全性的同時(shí)，提升駕駛的舒適性。

圖8 不同靈敏度系數(shù)下的主車速度和加速度變化曲線

5 結(jié)論

本文中以網(wǎng)聯(lián)電動(dòng)車輛為基礎(chǔ)，依靠采集的實(shí)車并線行為數(shù)據(jù)對(duì)NAR神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，通過預(yù)測模型迭代循環(huán)計(jì)算旁車的切入概率，并設(shè)計(jì)了一種考慮切入概率的跟車誤差策略，最后使用真實(shí)并線數(shù)據(jù)進(jìn)行Matlab仿真試驗(yàn)跟車。結(jié)果表明所設(shè)計(jì)的并線切入預(yù)測算法可以有效檢測旁車的并線切入行為，添加了切入概率預(yù)測模塊的網(wǎng)聯(lián)CACC系統(tǒng)可以更早、更快地響應(yīng)旁車并線時(shí)的跟車目標(biāo)變化，提升乘坐的舒適性，保障了車隊(duì)行駛的安全性。

由于受試驗(yàn)條件限制，本文中未能開展真實(shí)路況下多車實(shí)時(shí)通信的并線行為在線預(yù)測與巡航控制試驗(yàn)，同時(shí)由于訓(xùn)練樣本多為中低速直線工況數(shù)據(jù)，算法在彎道下的效果還有待分析，測試結(jié)果針對(duì)不同駕駛員行為預(yù)測的泛化能力還有待研究。