隋 振 梁 碩 ,2 田彥濤 ,3

駕駛員模型本質(zhì)上即智能車輛的自動駕駛控制器,自動完成車輛在特定駕駛?cè)蝿?wù)下的速度控制與轉(zhuǎn)向.通常根據(jù)車輛運動的維度,駕駛員模型可以大致分為縱向駕駛員模型、橫向駕駛員模型與復(fù)合駕駛員模型[1].現(xiàn)如今最優(yōu)控制理論、自適應(yīng)控制理論與模型預(yù)測控制(Model predictive control,MPC)理論已成為當前駕駛員建模的主流方法.如Yoshida 等[2]采取自適應(yīng)控制理論建立駕駛員模型.Qu 等[3-4]提出了基于隨機模型預(yù)測控制的駕駛員建模方法.Falcone 等[5]則利用線性時變模型預(yù)測控制算法建立了自動駕駛車輛的轉(zhuǎn)向控制器,也可認為是橫向駕駛員模型.Du 等[6]利用非線性模型預(yù)測控制(Nonlinear model predictive control,NMPC)實現(xiàn)車輛速度和轉(zhuǎn)向的綜合控制.未來隨著人工智能技術(shù)的推進,基于機器學(xué)習技術(shù)在特定駕駛?cè)蝿?wù)條件下建立駕駛員模型也逐漸引起了人們的重視.如Amsalu 等[7]利用支持向量機對駕駛員在十字路口處的駕駛行為進行了分析與建模,對駕駛員在十字路口的行為進行準確的預(yù)測,并用于指導(dǎo)實際駕駛行為.

在智能駕駛員模型飛速發(fā)展的同時,車輛的主動安全也逐漸引起了人們的重視[8].車輛的橫向運動過程中主要面對的安全威脅包括:1)在車輛轉(zhuǎn)向過程中,由于車輛系統(tǒng)的非線性和耦合性使其在高速、彎道或者在濕滑路面下極容易發(fā)生側(cè)滑、側(cè)翻、車道偏離等危險.2)在復(fù)雜交通環(huán)境中,因?qū)煌▓鼍爸协h(huán)境態(tài)勢分析的不足,導(dǎo)致和其他交通車輛發(fā)生碰撞事故.

本文研究的智能駕駛員模型主要解決兩方面問題:1)針對高速、低路面附著系數(shù)以及轉(zhuǎn)彎工況下,通過設(shè)計模型預(yù)測控制器作為車輛轉(zhuǎn)向控制器并考慮車輛的側(cè)向加速度、橫擺角速度、質(zhì)心側(cè)偏角和橫向轉(zhuǎn)移率等現(xiàn)實約束,實現(xiàn)智能車輛在跟蹤軌跡的同時提高側(cè)向穩(wěn)定.這里所指的側(cè)向穩(wěn)定性即車輛在行駛過程中,不發(fā)生側(cè)滑或側(cè)翻的極限性能,提高側(cè)向穩(wěn)定性即減小車輛發(fā)生側(cè)滑、側(cè)翻的風險.2)在直線多車道的道路條件下,通過分析一般工況下車輛換道行駛條件,采用線性模型預(yù)測理論設(shè)計速度調(diào)整控制算法,采用粒子群算法結(jié)合貝塞爾曲線設(shè)計軌跡發(fā)生器,輔助智能車安全的實現(xiàn)自動換道的駕駛?cè)蝿?wù),即在換道過程中不與環(huán)境車輛發(fā)生任意形式的碰撞.

1 智能駕駛員模型結(jié)構(gòu)

人類駕駛車輛的本質(zhì),從控制系統(tǒng)的角度出發(fā),可看做是人—車—路環(huán)境構(gòu)成的閉環(huán)系統(tǒng).人類駕駛員通過分析交通環(huán)境,通過大腦制定出車輛應(yīng)行駛的速度和軌跡,并驅(qū)動方向盤和踏板執(zhí)行相應(yīng)的駕駛?cè)蝿?wù).這一系列流程可概括為駕駛員的感知、決策和執(zhí)行.介于駕駛員具有以上特征,本文設(shè)計的在換道條件下的駕駛員模型結(jié)構(gòu)如圖1 所示.

圖1 駕駛員模型結(jié)構(gòu)Fig.1 The structure of the driver model

在該結(jié)構(gòu)中,駕駛員模型可劃分為換道決策單元、轉(zhuǎn)向控制器模塊和速度控制器用來實現(xiàn)換道任務(wù).換道決策單元將結(jié)合具體車道環(huán)境,合理分析換道條件、規(guī)劃期望行駛的軌跡和車速避免事故的發(fā)生.期望軌跡和車速信號作用于下游的轉(zhuǎn)向控制器和速度控制器完成具體的轉(zhuǎn)向和速度操控.其中,本方案中的速度控制器根據(jù)現(xiàn)有成果,采用模糊神經(jīng)網(wǎng)絡(luò)算法計算指定工況下油門開度和制動壓強實現(xiàn)對汽車加速度的控制[9].而轉(zhuǎn)向控制器的設(shè)計,保證軌跡跟蹤精度的同時必須兼顧車輛自身的側(cè)向穩(wěn)定性.這里所說的側(cè)向穩(wěn)定性指標包括質(zhì)心側(cè)偏角、橫擺角速度、側(cè)向加速度和橫向轉(zhuǎn)移率.因此,轉(zhuǎn)向控制器的設(shè)計本質(zhì)上是以軌跡跟蹤精度為控制目標,以方向盤轉(zhuǎn)角為控制量,同時兼顧汽車質(zhì)心側(cè)偏角、橫擺角速度、側(cè)向加速度和橫向轉(zhuǎn)移率等穩(wěn)定性約束的,具有多目標多約束的最優(yōu)控制求解問題[10].下面將分別就本駕駛員模型中的轉(zhuǎn)向控制器以及決策規(guī)劃模塊的詳細內(nèi)容進行說明.

2 轉(zhuǎn)向控制器設(shè)計

2.1 車輛動力學(xué)模型

利用模型預(yù)測控制理論進行轉(zhuǎn)向控制器的設(shè)計,需要對被控對象進行清晰準確的描述.本文選取兩輪三自由度的非線性車輛動力學(xué)模型作為轉(zhuǎn)向控制器設(shè)計的依據(jù).假設(shè)車輛在行駛過程中前輪轉(zhuǎn)角與方向盤轉(zhuǎn)角之間的傳動比為線性關(guān)系,且兩個前輪的轉(zhuǎn)向角度一致.同時忽略車輛垂直與俯仰運動,忽略空氣動力學(xué)、側(cè)向風與輪胎回正力矩對車身的作用.模型結(jié)構(gòu)如圖2 所示.

圖2 簡化3 自由度車輛動力學(xué)模型Fig.2 The model of the vehicle of 3DOF

通過對車輛模型的縱向、側(cè)向、橫擺和側(cè)傾運動的受力分析,可以推導(dǎo)出其動力學(xué)方程為

圖2 中的各個參數(shù)分別表示如下:ax為車輛的縱向加速度 (m/s2);ay為車輛的側(cè)向加速度 (m/s2);ψ為車輛橫擺角 (rad);r為車輛的橫擺角速度 (rad/s);δ是汽車前輪轉(zhuǎn)角 (rad),其與方向盤轉(zhuǎn)角δsw之間的線性系數(shù)G;m是車輛的整體質(zhì)量 (kg);Iz代表車輛z軸的轉(zhuǎn)動慣量 (kg/m2).a和b分別為質(zhì)心到車輪前后軸的軸距 (m).通常,ax=,ay=和vy是車相對自身縱軸和橫軸的速度(m/s). 輪胎所受的縱向力Fxi與側(cè)向力Fyi(N) 由路面提供,通常在滑移率和輪胎側(cè)偏角較小的情況下,其可近似為

式中,i=f,r.Ki與Ci分別為輪胎的縱向剛度與側(cè)向剛度 (N/m),Si為輪胎滑移率,是一無量綱參數(shù),通常在車輛勻速行駛中可近似為一個定值,本文定義為 0.2. 輪胎側(cè)偏角αi(rad) 則滿足

此外,車輛在運動過程中,車輛在大地坐標系下的位移可表示為

式中,X與Y分別為車輛相對于地面的縱向與側(cè)向位移 (m).在轉(zhuǎn)向控制器的設(shè)計中,通常需要將復(fù)雜的車輛動力學(xué)方程簡化.實際轉(zhuǎn)向中車輛前輪轉(zhuǎn)角δ滿足 c osδ ≈1,s inδ ≈δ.因此,車輛系統(tǒng)狀態(tài)空間表達式[11]為

定義系統(tǒng)狀態(tài)變量ξ為:vy,vx,ψ,r,Y,X.定義前輪轉(zhuǎn)角δ為控制量u.車輛的側(cè)向位移與巡航角為系統(tǒng)的被控變量η,因此上述連續(xù)控制系統(tǒng)的狀態(tài)空間方程可以表示為

式中,矩陣h為系統(tǒng)輸出矩陣.

衡量車輛側(cè)傾穩(wěn)定性的性能指標通常取車輛橫向轉(zhuǎn)移率(Lateral transfer rate,LTR),其原理如圖3 所示.圖中的各個參數(shù)分別為:g代表重力加速度 (m/s2),φ是車輛的側(cè)傾角度 (rad),ms是車輛簧載質(zhì)量 (kg),Ix是車輛x軸的轉(zhuǎn)動慣量 (kg/m2).h為側(cè)傾臂長 (m),H代表簧載質(zhì)心距離地面的高度 (m),T表示車輛寬度 (m).其大小與車輛側(cè)向加速度、側(cè)傾角、側(cè)傾角加速度相關(guān),指標形式如下[12]:

圖3 車輛側(cè)傾動力學(xué)模型Fig.3 The roll dynamic model of the vehicle

2.2 轉(zhuǎn)向控制系統(tǒng)設(shè)計

本文中,轉(zhuǎn)向控制器設(shè)計采用線性時變模型預(yù)測控制理論,該控制器需要對預(yù)測模型、目標函數(shù)和約束條件進行設(shè)計[13].連續(xù)系統(tǒng)的狀態(tài)空間表達式,經(jīng)線性化、離散化和增量化后的結(jié)果為

其中,I為單位矩陣,其他各個符號的含義為

上述各式中,Ts定義為離散系統(tǒng)采樣時間,和為當前系統(tǒng)的狀態(tài)量和控制量.

由于轉(zhuǎn)向控制系統(tǒng)的主要控制目標是保證軌跡跟蹤精度并同時兼顧車輛的側(cè)向穩(wěn)定性.因此本文將其轉(zhuǎn)化為軌跡控制精度的性能指標以及對車輛主要狀態(tài)的約束的形式.系統(tǒng)的主要側(cè)向約束指標包括質(zhì)心側(cè)偏角、橫擺角速度、側(cè)向加速度和橫向轉(zhuǎn)移率,其具體形式為

考慮車輛系統(tǒng)的實際運動極限,轉(zhuǎn)向控制系統(tǒng)輸出量、控制增量和控制量也應(yīng)滿足約束

式中,εi為各個約束變量的松弛因子,用于保證系統(tǒng)存在可行解.為提高系統(tǒng)控制精度,減小執(zhí)行機構(gòu)的運動幅度,定義系統(tǒng)的性能指標為

式中,Np為預(yù)測模型的預(yù)測時域,Nc為預(yù)測模型的控制時域,ηref為期望輸出的側(cè)向軌跡.Q,R和ρ代表相應(yīng)的權(quán)重系數(shù).根據(jù)滾動優(yōu)化理論,系統(tǒng)狀態(tài)方程在預(yù)測時域和控制時域內(nèi)不斷迭代后得到的系統(tǒng)預(yù)測模型,結(jié)合性能指標與約束條件,經(jīng)二次規(guī)劃算法可計算出最優(yōu)控制序列

根據(jù)方向盤與前輪轉(zhuǎn)角的比例系數(shù)G,可計算出方向盤轉(zhuǎn)角的最優(yōu)解為

3 換道決策系統(tǒng)設(shè)計

當車輛前方出現(xiàn)妨礙自身正常行駛的車輛或障礙物時,為了提高駕駛效率,人類駕駛員會通過變換車道的方式實現(xiàn)更好的駕駛體驗[14].假設(shè)換道開始前交通車分布如圖4 所示.

圖4 換道前車輛分布情況Fig.4 Distribution of the vehicles before lane change

在換道行駛過程中,智能車M 會因轉(zhuǎn)向不足或安全間距過小導(dǎo)致和原車道前車(Lead vehicle of the original lane,Lo)發(fā)生追尾或斜向剮蹭.或因車速調(diào)整不當或安全間距不足導(dǎo)致和目標車道的前車(Lead vehicle of the destined lane,Ld)和后車(Follow vehicle of the destined lane,Fd)發(fā)生追尾或剮蹭.因此,針對目標車道的換道行為,本文將結(jié)合目標車道前后車的間距和速度情況做出分析,計算出合理的行駛車速和跟車間距.為避免因轉(zhuǎn)向不足導(dǎo)致的與原車道前車相撞,本駕駛員模型將結(jié)合前后兩車的間距及其換道方向,規(guī)劃換道路徑.

3.1 換道車輛安全性分析

根據(jù)圖4 中換道前車輛分布,設(shè)t0為換道開始時刻,ΔDLo,ΔDLd,和ΔDFd分別為智能車M與原車道前車、目標車道前車和后車的當前間距.dLs為車輛M與前車的期望安全間距,dFs為車輛M與后車的期望安全間距.vi為環(huán)境中各車車速(i=M,Lo,Ld,Fd).假設(shè)換道前后目標車道車輛的位置關(guān)系如圖5 所示.

圖5 換道后車輛分布情況Fig.5 Distribution of the vehicles after lane change

圖中虛線代表換道前各個車輛所處的位置,實線為換道結(jié)束后各車輛對應(yīng)的位置,Si為各車在換道期間行駛的路程.通常為使換道結(jié)束后前后兩車的車距仍處在駕駛員期望安全間距之外,車輛行駛過程應(yīng)滿足

前車安全間距dLs通常根據(jù)前后兩車車速vM與vL、路面附著系數(shù) Φ 重力加速度g和與車間最小安全間距d0來確定,其不同環(huán)境下的大小為[15]

上式中d0的定義參閱文獻[15],其形式為

式中,c和d為 一常量,在本文中定義c=1.8,d=0.17.k為反映駕駛員實際意圖的系數(shù).

假設(shè)車輛M的加速度為a,通常情況下,車輛M當前所處的車流中各車車速可大致劃分為:

工況1.vM＞vLd＞vFd,此時目標車道車速低于自車車速,智能車M向目標車道減速換道行駛.

工況2.vLd＞vFd＞vM,此時智能車M為了不與目標車道后車發(fā)生剮蹭,需加速換道.

工況3.vLd＞vM＞vFd,此時智能車M可以勻速或加速向目標車道換道行駛.

定義駕駛員反應(yīng)時間為τr.根據(jù)式(14) 以及牛頓運動學(xué)公式分別計算出智能車M在以上3 種情況下?lián)Q道過程中采取的加速度上下限,即amin與amax.

工況1 中,當ΔDLd＜dLs時,此時由于Ld車速慢于本車,且兩車間距已經(jīng)小于安全間距,換道會增大兩車相撞風險,所以此工況下不做換道操作.相反,若車間距關(guān)系滿足ΔDLd≥dLs,根據(jù)式(14)可計算出車輛M的加速度上下限為

在工況2 中,若此時換道時若車間距條件滿足ΔDFd＜dFs,由于目標車道后車車速較快且兩車距離已經(jīng)小于二者的安全間距,因此不做換道.相反,若ΔDFd≥dFs且ΔDLd＜dLs,則

若ΔDFd≥dFs且ΔDLd≥dLs,此時目標車道前車車速快于本車且兩車間距已大于安全間距,則車輛M擬采取的加速度范圍為

在工況3 中,由于此時目標車道后車慢于自車車速,因此智能車M無需考慮與其發(fā)生碰撞,只考慮與前車的安全間距.若ΔDLd＜dLs,加速度范圍滿足:

相反,若滿足ΔDLd≥dLs,加速度范圍為

通常人類駕駛車輛過程中,車輛實際行駛的極限加速度范圍為:a∈[asmin,asmax],此處asmin與asmax是在保證車輛與駕駛員的舒適與穩(wěn)定條件下加速度最小值與最大值.將前文所述的安全換道加速范圍與舒適性范圍取交集,即為本文設(shè)計駕駛員換道模型應(yīng)采取的加速范圍,當分析模塊計算出此范圍為非空集合時,代表當前工況下?lián)Q道存在可行性,即車速調(diào)整模塊實際采取的加速區(qū)間為

3.2 車速調(diào)整控制系統(tǒng)設(shè)計

通常,駕駛員在駛?cè)肱cLo的安全間距之內(nèi),首先要根據(jù)Lo的運動狀態(tài)調(diào)整兩車的間距和速度關(guān)系,并同時判斷目標車道是否存在換道空間,當換道空間達成后以目標車道前車為跟車對象進行車速和軌跡的調(diào)整.因此在本駕駛員模型車速調(diào)整控制中,將以前后兩車的運動關(guān)系為被控對象進行調(diào)整.在實際車輛行駛過程中,前后兩車間距ΔD、速度差vr、前后車車速vL與vM,前后車加速度aL和aM,后車期望加速度aMd之間滿足

將上式轉(zhuǎn)換為狀態(tài)空間表達式形式,定義狀態(tài)量x=[ΔD vr vM aM]T,控制量u=aMd,擾動量d=aL,系統(tǒng)輸出y=[ΔD vr]T,上述方程可表示為

取采樣周期T,取增量式進行算法設(shè)計,因此系統(tǒng)離散化后結(jié)果為

其中,Ad=I+TA,Bdu=TBu,Bdi=TBi,Cd=C.同樣采用滾動優(yōu)化思想,對狀態(tài)方程在預(yù)測時域p和控制時域m內(nèi)迭代出系統(tǒng)的預(yù)測方程.為了滿足所要達到的控制目標,定義控制器的參考輸入r(k+i)=[Ddes(k)0]T,其中Ddes(k)此處定義為期望安全間距dls,期望兩車速度差vr為0.速度控制系統(tǒng)的性能指標與控制量約束為

式中,Q和S代表輸出量與控制增量序列的權(quán)重矩陣.同樣利用二次規(guī)劃算法計算出期望加速度的最優(yōu)解

3.3 期望軌跡發(fā)生器的設(shè)計

為避免因轉(zhuǎn)向不足導(dǎo)致和前車Lo的斜向剮蹭,本駕駛員模型采用基于粒子群的貝塞爾曲線實施軌跡規(guī)劃.通常n次貝塞爾曲線可表示為

其中,Pi為曲線的關(guān)鍵點坐標.在軌跡規(guī)劃中,軌跡規(guī)劃的關(guān)鍵點的選取方式如圖6 所示.

圖6 軌跡規(guī)劃原理Fig.6 The principle of trajectory planing

圖6 顯示了自車在換道開始前兩車的位置關(guān)系.設(shè)兩車當前間距為ΔDLo.以實施左換道為例,定義各個主要關(guān)鍵點的位置為:實驗車M的車頭中心坐標P1(x1,y1),前車左后點P6(x6,y6).根據(jù)車輛軌跡的曲線特性,在軌跡中距離前車P6點最近的一點必為該軌跡切點P3(x3,y3). 定義兩點間的距離為R,R也可看做是軌跡與前車間的最小距離.P3同時也是以P6為圓心的圓的外切點.那么將P3切線與兩側(cè)車道中心線的交點定義為P3(x3,y3) 和P4(x4,y4).而目標車道上位于P4前方的任意一點被定義為P5(x5,y5).

因此,根據(jù)參考軌跡初步設(shè)置的5 個關(guān)鍵點,故可采用四次貝塞爾曲線來實現(xiàn)軌跡規(guī)劃.為使該參考軌跡更加平滑、均勻[16],易于跟蹤,因此本文選取優(yōu)化性能指標為

式中,ρ(x) 與為貝塞爾曲線的曲率及其導(dǎo)數(shù),B(x)與S(x) 分別為貝塞爾曲線函數(shù)和結(jié)構(gòu)線函數(shù),θ為過P3點的切線與x軸的夾角.而ωi為各個性能指標的權(quán)系數(shù).為使性能指標盡快達到最優(yōu)結(jié)果,本文最終采用粒子群算法求解各個主要關(guān)鍵點的最優(yōu)坐標,最后根據(jù)貝塞爾曲線公式,得出車輛換道過程的參考軌跡

4 智能駕駛系統(tǒng)實驗驗證

本智能駕駛員模型將在CarSim/Simulink 仿真環(huán)境下,分別就車輛在軌跡跟蹤以及自主換道兩種交通場景進行實驗驗證.實驗車輛為CarSim 2016 中的D-Class 型轎車.

4.1 智能車軌跡跟蹤與側(cè)向穩(wěn)定性驗證

為驗證本模型轉(zhuǎn)向控制算法的可靠性,本文分別對該駕駛員模型在高速、低路面附著系數(shù)以及彎道三種工況下駕駛員模型轉(zhuǎn)向控制器進行驗證.分別對無約束模型預(yù)測控制器和本文采用的帶約束模型預(yù)測控制器的控制效果進行對比說明.

工況1.高速雙移線工況.

此工況定義車速25 m/s,路面附著系數(shù)為0.9,裝備不同轉(zhuǎn)向控制算法的智能車輛行駛軌跡和主要系統(tǒng)狀態(tài)如圖7 所示.

圖7 工況1 條件下車輛行駛狀態(tài)Fig.7 The states of the vehicle on work Condition 1

工況2.低路面附著系數(shù)雙移線工況.

此工況定義車速25 m/s,路面附著系數(shù)為0.5,裝備不同轉(zhuǎn)向控制算法的智能車輛行駛軌跡和主要系統(tǒng)狀態(tài)如圖8 所示.

圖8 工況2 條件下車輛行駛狀態(tài)Fig.8 The states of the vehicle on work Condition 2

工況3.彎道路況.

此工況下,定義車速14 m/s,路面附著系數(shù)為0.9,彎道曲率0.25.裝備不同轉(zhuǎn)向控制算法的智能車輛行駛軌跡和主要系統(tǒng)狀態(tài)如圖9 所示.

圖9 工況3 條件下車輛行駛狀態(tài)Fig.9 The states of the vehicle on work Condition 3

根據(jù)實驗結(jié)果,在工況1 條件下,無約束MPC在25 m/s 車速下軌跡跟蹤的能力較差,其在變道過程中產(chǎn)生了震蕩.這是因為高速行駛中車輛的側(cè)向加速度與質(zhì)心側(cè)偏角的變化幅度大,且不受任何約束限制,導(dǎo)致車輛在行車過程中發(fā)生了失穩(wěn)現(xiàn)象.而帶約束MPC 由于質(zhì)心側(cè)偏角、橫擺角速度、側(cè)向加速度和橫向轉(zhuǎn)移率受彈性約束,因此其變化幅度更小,更加平穩(wěn),因而其在軌跡跟蹤上的效果更好.

在工況2 條件下,定義車速依然保持25 m/s 不變,而路面附著系數(shù)減小至0.5 時,無約束MPC 控制的智能車輛的軌跡跟蹤效果愈發(fā)的變差,其控制的車輛完全偏離了期望跟隨的目標車道.而車輛質(zhì)心側(cè)偏角、橫擺角速度和側(cè)向加速度也發(fā)生了大幅擺動,穩(wěn)定性變差,而橫向轉(zhuǎn)移率也在某些時刻超過了1 的極限值,說明此時車輛有很嚴重的側(cè)翻風險.而帶約束MPC 控制的車輛盡管也偏離了原車道,但很快恢復(fù)至正常軌跡中,且其側(cè)向穩(wěn)定性更好.

工況3 的結(jié)果顯示,帶約束MPC 控制的車輛較好地跟隨了彎道路徑,而無約束MPC 控制的實驗車在彎道后半程由于彎道曲率方向的改變,其偏離了期望軌跡,質(zhì)心側(cè)偏角、橫擺角速度、側(cè)向加速度和橫向轉(zhuǎn)移率的幅度加大,其發(fā)生側(cè)傾、側(cè)滑等風險更高.

4.2 智能車自主換道實驗驗證

本節(jié)驗證駕駛員模型在換道場景下的安全性、可靠性和有效性[17],檢驗當前交通環(huán)境下車輛換道行駛前后的側(cè)向軌跡、車速變化情況以及實驗車與各交通車之間的安全車距.安全車距即智能車在行駛過程中,與環(huán)境中其他各個車輛的等效外接矩形的直線最短距離.其效果如圖10 所示.

圖10 安全車距定義Fig.10 The definition of the vehicles safety distance

本文通過設(shè)置不同的安全間距、加速度及其增量范圍和系統(tǒng)的反應(yīng)時間來體現(xiàn)出智能車不一樣的駕駛方式,詳細參數(shù)設(shè)置如表1 所示[18].

表1 中,最小安全間距do由式(16)定義,3,2,1 是式(16)中參數(shù)k的具體數(shù)值,它反映了不同駕駛員對安全間距的要求.在接下來實驗中0.9 為道路附著系數(shù)條件下,do的值分別為:5.1,3.4 和1.7.

表1 智能駕駛員系統(tǒng)參數(shù)設(shè)置Table 1 The definition of the intelligent driver system

工況1.第1 種加速換道場景.

此工況下,裝備智能駕駛員模型的實驗車M以20 m/s 的速度正常行駛,此時其前方30 m 處交通車輛Lo正以18 m/s 的速度勻速行駛.其左前方車輛Lo與M初始間距5 m,車速25 m/s.左后方車輛Fd速度20 m/s,距M初始間距10 m.三種智能車執(zhí)行加速超車的結(jié)果如圖11～15 所示.

圖11 工況1 換道軌跡Fig.11 The trajectory of the vehicle on work Condition 1

如圖所示,三種智能車均自主完成了換道行為.車速和間距均以目標車道前車為跟車對象進行調(diào)整并逐漸趨于穩(wěn)定.從速度曲線和軌跡曲線的分析可以看出,C車因安全間距do比A、B兩車小,因此其啟動換道的時刻最晚,同時速度調(diào)整也越快.根據(jù)速度曲線第45 s 時間內(nèi),C車率先減速,目的是為保持和前車Lo安全間距,而后發(fā)現(xiàn)鄰車道具備換道空間進而加速駛?cè)?

車間距的對比上,各個實驗車與前車Lo的最小間距一段時間內(nèi)始終保持約2 m,說明當前實驗車換道后正超越前車Lo,此時兩車在相鄰車道上并列行駛.而換道結(jié)束后,實驗車A、B、C對車輛Ld做跟車行駛并趨于穩(wěn)定.由于各車執(zhí)行換道的時間不同,三臺車對Ld的跟車間距有所差異.由于A、B車同一工況下啟動換道時間較早,此時雖與Lo距離較遠,但離后車Fd距離較近,最終迫使Fd提前減速,使Fd與A、B車間的距離相比C車越來越大.

工況2.第2 種加速換道場景

圖12 工況1 速度控制Fig.12 The velocity of the vehicle on work Condition 1

圖13 工況1 智能車與原車道前車間距Fig.13 The distance between the intelligent vehicle with the lead vehicle of the original lane on work Condition 1

圖14 工況1 智能車與目標車道前車間距Fig.14 The distance between the intelligent vehicle with the lead vehicle of the target lane on work Condition 1

圖15 工況1 智能車與目標車道后車間距Fig.15 The distance between the intelligent vehicle with the follow vehicle of the target lane on work Condition 1

此工況下,裝備智能駕駛員模型的實驗車M以20 m/s 的速度正常行駛,此時其前方30 m 處交通車輛Lo正以18 m/s 的速度勻速行駛.其左前方車輛Lo對M初始間距0 m,車速22.2 m/s.左后方車輛速度22.2 m/s,距M初始間距30 m.三種智能車執(zhí)行加速超車的結(jié)果如圖16～20 所示.

圖16 工況2 換道軌跡Fig.16 The trajectory of the vehicle on work Condition 2

圖17 工況2 速度控制Fig.17 The velocity of the vehicle on work Condition 2

圖18 工況2 智能車與原車道前車間距Fig.18 The distance between the intelligent vehicle with the lead vehicle of the original lane on work Condition 2

圖19 工況2 智能車與目標車道前車間距Fig.19 The distance between the intelligent vehicle with the lead vehicle of the target lane on work Condition 2

圖20 工況2 智能車與目標車道后車間距Fig.20 The distance between the intelligent vehicle with the follow vehicle of the target lane on work Condition 2

從速度曲線和軌跡曲線的分析可以看出,A車和B車由于對車輛安全間距do期望較高,因此提前減速對Lo進行跟車,待與Ld的間距達到期望的安全距離以后開始換道行為.C車由于對前后方的安全車距do要求較低,所以沒有對Lo跟車減速,而是直接執(zhí)行換道.三種車在換道過程中和環(huán)境車Lo,Ld和Fd的位置關(guān)系與工況一大致相同.且三輛車均以略小于前車Ld的車速穩(wěn)定行駛,以逐步拉大與Ld的間距,保證縱向安全.

工況3.減速換道場景

假設(shè)在工況3 條件下,裝備智能駕駛員系統(tǒng)的實驗車M以20 m/s 的速度正常行駛,此時其前方40 m 處交通車輛Lo正以15 m/s 的速度勻速行駛.其右前方車輛Ld對M初始間距20 m,車速18 m/s.左后方車輛速度18 m/s,距M 初始間距10 m.三種智能車輛執(zhí)行加速超車的結(jié)果如圖21～25 所示.

圖21 工況3 換道軌跡Fig.21 The Trajectory of the vehicle on work Condition 3

圖22 工況3 速度控制Fig.22 The velocity of the vehicle on work Condition 3

圖23 工況3 智能車與原車道前車間距Fig.23 The distance between the intelligent vehicle with the lead vehicle of the original lane on work Condition 3

圖24 工況3 智能車與目標車道前車間距Fig.24 The distance between the intelligent vehicle with the lead vehicle of the target lane on work Condition 3

圖25 工況3 智能車與目標車道后車間距Fig.25 The distance between the intelligent vehicle with the follow vehicle of the target lane on work Condition 3

從速度曲線和軌跡曲線的分析可以看出,由于前車Lo和目標車道的車速均小于本車車速,且Lo車速小于目標車道的前車Ld.因此為了提高駕駛效率,智能駕駛員模型選擇了向車速較慢的一側(cè)進行換道行駛.此方案主要檢驗智能駕駛員模型在減速換道場景下的換道安全.綜合以上三種工況,說明在同一種工況下,具有不同參數(shù)的駕駛員模型往往可以體現(xiàn)出不同的駕駛方式.

5 結(jié)束語

本文將結(jié)合智能車在道路行駛中可能出現(xiàn)的安全問題,設(shè)計了一種具有橫向安全性的新型駕駛員模型.該駕駛員模型從結(jié)構(gòu)上由速度控制器、轉(zhuǎn)向控制器和感知決策模塊組成.主要實現(xiàn)車輛準確跟蹤軌跡并提高穩(wěn)定性,減小側(cè)向安全風險,實現(xiàn)自主安全換道.

首先,轉(zhuǎn)向控制器采用預(yù)測模型結(jié)合車輛質(zhì)心側(cè)偏角、橫擺角速度、側(cè)向加速度和橫向轉(zhuǎn)移率的約束條件相結(jié)合,通過對性能指標與約束條件的二次規(guī)劃求解,得出車輛模型的最優(yōu)控制率.最終在高速、低路面附著系數(shù)以及轉(zhuǎn)彎路況下,轉(zhuǎn)向控制器具有良好的軌跡跟蹤性能和側(cè)向穩(wěn)定性.

其次,為了避免在換道過程中與目標車道上的車輛發(fā)生碰撞,通過對目標車道安全間距的分析,確定出智能車執(zhí)行換道的主要條件與駛?cè)雽ο筌嚨赖膮⒖技铀俣确秶?采用線性模型預(yù)測控制理論設(shè)計速度調(diào)整控制算法進行車速的控制.為避免和原車道前車的發(fā)生碰撞,采用粒子群算法計算最優(yōu)的換道路徑.在三種換道工況下,智能車均實現(xiàn)了通用場景下的主動換道行為,并與環(huán)境車輛保持一定的安全間距.不同駕駛員參數(shù)的設(shè)置,也體現(xiàn)出了駕駛員模型在同一工況下的差異.

最后,本文還存在以下改進工作:

1) 實驗中設(shè)置不同駕駛員模型參數(shù)所引起的駕駛行為差異,體現(xiàn)出實際行駛過程中不同駕駛員在同一路況往往體現(xiàn)出不一樣的駕駛風格.針對駕駛風格的定義及其判定依據(jù)和主要參數(shù)指標目前依然缺乏客觀統(tǒng)一的依據(jù),后期仍需通過對真實駕駛數(shù)據(jù)的分析進行探索.

2) 實際路況復(fù)雜多樣,論文研究難以對所有復(fù)雜路況進行一一驗證.目前本文所做工作也只能在一般條件下的換道過程進行檢驗.如何使智能車適應(yīng)更加極端的工況以及如何建立通用的換道檢驗標準也將成為本文接下來要進行的工作.