裴玉龍，傅博涵，王子奇，張杰,2

(1.東北林業(yè)大學，土木與交通學院，哈爾濱 150040；2.寧德師范學院，信息與機電工程學院，福建寧德 352100)

0 引言

智能網聯(lián)自動駕駛車輛(Connected-automated Vehicle,CAV) 和人工駕駛車輛(Human-driving Vehicle,HV)的區(qū)別在于對于周圍信息感知的全面性和決策與執(zhí)行的即時性，相比于傳統(tǒng)的HV，CAV對安全距離和可接受換道間隙等的判斷依據不同，可以在更苛刻的條件下做出合理的換道決策，還可以通過實時信息交流與周邊車輛實現(xiàn)協(xié)同換道策略，并且使其換道行為對交通運行效率的影響降到最低。未來CAV 的市場滲透率將持續(xù)升高，換道決策是自動駕駛行為決策中極其重要的一部分，也是交通領域的研究熱點之一，故研究智能網聯(lián)環(huán)境下車輛的換道決策十分必要。

近年來，基于力場、勢場、分子動力學及機器學習等相關理論的模型及構建方法推廣至交通研究領域，并取得了一定的研究成果。秦雅琴等[1]采用社會力模型研究事故瓶頸影響下的換道決策行為?？紤]到車流中系統(tǒng)的相似性，曲大義等[2]將微觀車輛比作分子，基于分子動力學理論及動態(tài)影響因素建立分子動力學換道模型，更客觀地展現(xiàn)自動駕駛車輛的換道行為特性。利用深度學習方式進行換道決策模型的構建也是當今研究的熱點之一，基于規(guī)則與機器學習融合[3]和貝葉斯優(yōu)化算法[4]的車輛換道決策模型，通常以提升決策準確度和識別率為目標，通過決策樹提取換道特征和規(guī)則，實現(xiàn)換道決策的預測。

駕駛風格和換道行為的產生具有必要的聯(lián)系。馮煥煥等[5]提出引入駕駛風格的熵權法多屬性換道決策模型，發(fā)現(xiàn)普遍存在激進型駕駛風格平均換道概率最大和保守型駕駛風格平均換道概率最小的現(xiàn)象。呂超等[6]針對超車過程中主車和被超越車之間的交互行為，引入心理學中的“社會偏好”描述被超車的縱向特征，并將其融入基于強化學習的自主超車決策系統(tǒng)設計中，提升了決策的自適應性和合理性。

車輛的微觀特性服務于中觀及宏觀的車流狀態(tài)，而換道行為研究的重點在于車輛的交互行為及換道車輛對其他車輛的影響，可將換道模型分為利己性換道模型和利他性換道模型，前者更加關注換道車輛本身的狀態(tài)，強調換道后自身收益大小，楊達等[7]考慮創(chuàng)建主車感知范圍內多項指標的成本函數，以行車收益最大化為目標輸出最優(yōu)車道序列，以Gipps 模型為基礎構建安全條件判斷模型，篩選最優(yōu)車道，模型安全性較高；后者更關注與其他車的交互對整體交通效率的影響。駕駛員在換道過程中，存在各種主觀不確定因素，模糊邏輯推理可有效描述無法用準確模型表示的模糊概念，有研究人員基于建立模糊規(guī)則[8]，結合多車交互推演將目標車輛與本車間的預測距離作為輸入，通過模糊邏輯決策輸出換道概率，預測周圍其他車輛的運動趨勢。考慮車輛換道后對原車道與目標車道多輛后隨車制動影響程度的不同，潘義勇[9]構建加權整體制動最小化換道模型(Minimizing Overall Braking Induced by Lane Changes,MOBIL)，相對傳統(tǒng)模型而言，提高了交通流的平均速度，減少了整體的制動幅度，有效提高交通流的運行效率及安全性。

現(xiàn)有研究關于換道決策行為的研究中，對于交互的復雜性描述和量化尚不清晰，大多僅考慮主車和相鄰車道車輛的簡單場景，忽略了相鄰及相隔車道上車輛可能產生的換道和加減速行為對主車換道決策的影響，即缺乏對于車輛實施換道決策后車輛之間未來可能產生的競爭行為對駕駛人換道決策的影響分析。本文在深入研究自動駕駛換道決策的基礎上，從真實軌跡數據出發(fā)，基于悲觀主義原則量化分析可能產生的競爭行為，同時，考慮駕駛風格異質性，模擬人類駕駛員換道決策心理，綜合考慮換道意愿、競爭行為和換道后環(huán)境對主車換道決策的影響，提出引力框架下的換道決策模型，為自動駕駛車輛做出更準確的換道決策提供參考。

1 車輛換道意愿分析

1.1 換道環(huán)境構建

CAV 與HV 混合駕駛的道路環(huán)境中，HV 表現(xiàn)出相對獨立的特性，車輛由駕駛人控制，環(huán)境與車輛的信息通過駕駛人視覺作為中介進行傳遞，這種傳遞具有延時性，具體表現(xiàn)為駕駛人為應對周圍環(huán)境變化產生的反應時間和信息處理所需要的決策時間相對較長，而且駕駛人僅能憑借周邊車輛和標志標線等的變化判斷下一步行為，不能像自動駕駛車輛那樣在短時內感知和預測駕駛人視覺盲區(qū)外各車輛的狀態(tài)并做出實時反饋和合理決策。

由于影響到車輛換道決策的車輛位置、車輛類型及駕駛風格等因素描述較為冗余且復雜，為辨別換道車輛周邊不同類型車輛的屬性，定義車輛Ci是由位置屬性(緊鄰前方左側車輛、緊鄰正前方車輛、緊鄰前方右側車輛、左側相隔車道平行車輛、右側相隔車道平行車輛、緊鄰后方左側車輛及緊鄰后方右側車輛)、車輛狀態(tài)(系統(tǒng)接管的CAV狀態(tài)與人類接管的類HV 狀態(tài))和駕駛風格屬性(普通型、常規(guī)型和冒險型)構成的交通個體?？紤]道路上普遍存在的換道場景，建立單向5 車道換道環(huán)境如圖1所示，其中，M 為主車，編號i=1,2,…,7 分別為主車行駛方向左前方車輛、正前方車輛、右前方車輛、左后方車輛、右后方車輛、左側相隔車道車輛及右側相隔車道車輛，在實際分析中，將與M 縱向車頭間距±10 m內的相隔左側車道車輛視為C6，相隔右側車輛視為C7。為便于后續(xù)分析主車左側和右側環(huán)境，將主車左側車輛編號i=1,4,6 所組成的環(huán)境稱作“車輛組L”，將主車前方車輛編號為i=1,2,3所組成的環(huán)境稱作“車輛組S”，將主車右側車輛編號為i=3,5,7 所組成的環(huán)境稱作“車輛組R”，N 表示組外車輛，即與M 換道決策無關的車輛。

圖1 傳統(tǒng)換道場景Fig.1 Traditional lane changing scenario

1.2 換道意愿屬性

換道過程包括意圖產生、換道決策和換道實施這3個過程，而換道意圖是換道決策的重要依據之一，換道意愿是換道意圖的量化，表示換道意圖的強度。車流密度相對低的交通環(huán)境中，左側車道的車速比右側車道快，對于駕駛人來說，向左換道后產生的舒適性收益和速度收益比向右換道高，駕駛人傾向于左側車道行駛導致向左換道的駕駛行為多發(fā)；在高密度交通流、臨近交叉口及臨近交織區(qū)出口等駕駛人面臨選擇的區(qū)域內，車流速度、車頭時距及車頭間距較小，車、路及環(huán)境等因素對車輛換道決策的干擾性強，駕駛策略的產生往往是被動的，常產生強制性換道行為；本文涉及交通流環(huán)境為中等密度交通流，混合著強制性換道行為和非強制換道行為，各車道車流速度差距小，在換道決策上不存在左右側速度收益差距過大的情況，故在換道意圖量化上不考慮向左換道的偏向性。

類似于駕駛人在限制視角范圍內接收外界信息，CAV 通過雷達或攝像頭獲取前方車輛信息，故主車換道意愿由前方車輛屬性決定，相關屬性如下。

(1)鄰近前車相對速度

車輛未達到駕駛人期望速度，且相鄰車道緊鄰前車速度較本車道前車速度高時，駕駛人產生換道意圖，故將鄰近前車相對速度ΔvCi-M作為換道意愿屬性，即

式中：vCi為主車M 周邊車輛Ci的速度，當i∈[1,3]時，vCi表示鄰近前車速度；vM為主車M 的速度。

(2)鄰近前車車頭間距

主車M 與當前車道前方車輛的車頭間距小于M 與相鄰車道緊鄰前方車輛的車頭間距時，駕駛人可能產生換道意圖。車頭間距dCi-M為主車與周邊車輛之間的車頭縱向距離，即

式中：dM為主車M 當前所在位置；dCi,i∈[1,3] 為鄰近前方車輛位置。

(3)駕駛風格

BERDOULAT等[10]發(fā)現(xiàn)，頻繁換道、魯莽換道及近距離跟馳等駕駛模式發(fā)生的頻率是激進駕駛的顯著表征，故不同的駕駛風格對換道決策存在一定影響?？紤]實際交通運行場景中車輛的駕駛風格Td,M的不同，分類標簽數量的增加會使分類的解釋變得復雜，現(xiàn)有研究普遍將駕駛風格歸結為激進、適度和保守這3 種類型，因此，以此3 種類型作為駕駛風格的主要分類依據。將駕駛風格的量化表達為

式中：d 為駕駛人，表示駕駛風格的擬人化性質。

1.3 換道意愿量化表征

由于換道意愿的模型計算涉及主車換道意愿屬性，其中，包括前后車車頭間距和相對速度，而在實際換道場景下，常常會出現(xiàn)前方3車道部分車道或全部車道沒有行駛車輛的現(xiàn)象，此時，無法在模型中通過車頭間距和相對速度量化主車換道意愿，為方便模型的計算且對結果不產生影響，在圖1所示相應位置缺失車輛時引入虛擬單元，虛擬單元1、單元2及單元3是假設存在，在實際中是不存在的，將其與主車的縱向間距設為協(xié)作換道行為接受間隙的最大值30 m[11]，即至少可以保證車輛從容換道的臨界距離；虛擬單元速度為快速路交織區(qū)限速80 km·h-1，具體設置值可根據所在路段限速值進行調節(jié)，這規(guī)定了主車換道后可實現(xiàn)的最大車速。

復雜環(huán)境下，采用前方車輛與主車的速度屬性和位置屬性反映主車的換道意愿，表征方式為

式中：GD=(??)為主車M 產生換道意圖時，在行車環(huán)境中的換道意愿表征函數；lead 為換道意愿量化依據的是前方車輛屬性；TM為主車M 的類型，指駕駛風格Td,M；D∈{l,r} 分別為向左和向右的換道意圖。

隨著目標車道緊鄰前車與主車的車頭間距和速度差的增大，駕駛人對于該目標車道的意愿增加，且增加值相對于速度量綱變化較小，故直接采用間距作為模型的一部分，當前后車速度差超過閾值時，駕駛人對目標車道的速度期望易達到滿足，速度差對駕駛人換道決策的影響逐漸趨于穩(wěn)定，模型使用tanh 函數對速度差進行范圍約束，同時，降低最終的計算成本，由于駕駛人做出決策最直接的判斷方法是緊鄰前車與主車之間的距離，而駕駛人的期望間距隨駕駛風格而改變，故在模型內對間距施加駕駛風格的影響，即

式中：τ為期望速度修正系數；γ為期望間距修正系數。

2 換道競爭行為分析

2.1 悲觀主義原則下的潛在競爭強度定義

傳統(tǒng)換道過程分為自由換道、協(xié)作換道和強制換道這3 種，現(xiàn)有研究中，車輛協(xié)作行為的定義多是指主車通過多次發(fā)出換道請求直到后車接受，若后車接受換道請求，則會實施減速和勻速等協(xié)作行為，為主車提供成功換道的條件，若后車拒絕對方換道請求，則采取加速或者勻速等競爭策略。在我國，受周圍環(huán)境、社會文化以及自身道德水平等多方面因素影響，駕駛人多采用競爭式駕駛行為，與發(fā)達國家的協(xié)作式通行行為存在顯著差異。駕駛人在實施換道行為時，要考慮前車和后車間距，保證換道后主車和跟隨車均能安全跟馳。

由上述分析，考慮通過駕駛風格差異和車頭間距比引入“潛在競爭強度”的概念。潛在競爭強度是主車產生換道意愿時，在與周邊車輛產生競爭行為的情況中其換道優(yōu)勢的量化。潛在競爭強度的概念建立在悲觀主義準則(最大最小準則)的基礎上，即考慮主車周邊的車輛與其產生競爭行為的“最壞”情況下，建立的模型并選擇最優(yōu)決策，體現(xiàn)了保守決策原則，即

式中：(?)為主車M 與車輛Ci的潛在競爭強度函數；fgap為產生競爭行為時，關于車頭間距的反正切函數；?為間距修正系數；β為駕駛風格修正系數；ΔTd,M-Ci為駕駛風格差異；treact為決策干預因子。對潛在競爭強度表達式的相關屬性解釋如下。

(1)車頭間距比

以指定車輛間的車頭間距比衡量主車的換道優(yōu)勢，假定主車與對比車輛在相同區(qū)域存在競爭關系時，擁有更好間距條件的車輛在競爭區(qū)域的占據上更有優(yōu)勢，車頭間距為式(2)。

(2)決策干預因子

引入決策干預因子使CAV 能夠在恰當的時候人為實現(xiàn)非接管狀態(tài)下決策的干預，避免人類接管行為的不確定性。treact為決策干預因子，不干預狀態(tài)下默認駕駛風格為常規(guī)型(Td,M=0.5)；干預狀態(tài)下，可設定人類喜愛的駕駛風格Td,M進行決策干預調節(jié)。

由于擬人化決策模型采用人類駕駛數據反映駕駛風格，故本文模型在初步確立的過程中采用軌跡數據確認駕駛風格，即視為人類干預狀態(tài)。參數標定后的模型在實際應用中可通過決策干預因子調整CAV駕駛風格。

(3)駕駛風格差異

CAV 決策系統(tǒng)引入符合人類習慣的駕駛風格參數實現(xiàn)擬人化，駕駛風格越激進，駕駛人更傾向于頻繁換道，且對車輛的橫向控制穩(wěn)定性越差，所以，在執(zhí)行換道行為前后對周邊車輛產生較大的威脅，融合決策干預因子后的駕駛風格差異量化為

式中：Td,M為M 車的駕駛風格；Td,Ci為Ci車的駕駛風格。ΔTd,M-Ci>0 時，M 車比Ci車相對激進，M 車傾向于競爭位置；ΔTd,M-Ci<0 時，M 車比Ci駕駛人保守，M 車傾向于讓出位置。

2.2 基于潛在競爭強度的換道競爭行為分析

(1) M 與C6的潛在競爭強度

當M 和C6均發(fā)起向中間車道同一目標間隙的換道請求時，若中間車道僅能滿足其中一輛車的最小可接受間隙，則僅有一輛車可以成功換道，如圖2所示。由于本文不考慮換道環(huán)境外其他車輛對環(huán)境內車輛(包括主車及其周邊7輛車)的影響，同時，為降低模型的復雜性，引入虛擬單元Cf表示C6當前車道前方車輛，并假設Cf與C1縱向位置相同，即dCf=dC1。當C6所在車道前車Cf與C6的車頭間距越大，M 所在車道前車C2與M 的車頭間距越小時，M 相對于C6具有較強的競爭性。同樣，考慮駕駛人風格，駕駛人的激進程度對競爭強度產生正反饋效果。故M 與C6存在該位置關系時的潛在競爭強度為

圖2 M 與C6 的競爭關系Fig.2 Competitive relationship between M and C6

(2) M 與C4的潛在競爭強度

M 向左換道時，會占據C4前方空隙，若換道條件不充分，例如，C1與C4間隙小于M 所能接受的最小換道間隙，M 會向C4發(fā)起換道請求，若C4不同意換道請求，則會保持原速或加速，與M 形成競爭關系，如圖3所示。M 與C2的車頭間距越小，與C4的車頭間距越大，M 的換道可能性越高，潛在競爭強度越高，駕駛員越激進，其競爭成功性越強，故M 與C4存在位置關系時的潛在競爭強度為

圖3 M 與C4 的競爭關系Fig.3 Competitive relationship between M and C4

(3) M 與C1的潛在競爭強度

M 和C1存在兩種競爭行為，一種是，M 向左換道與C1的競爭，M 與C2的車頭間距越小，M 與C1的車頭間距越大時，M 向左換道的可能性越高，潛在競爭強度越高；另一種是，M 加速時與向右換道的C1產生的競爭，當C1因前方組外車輛N 而產生向右換道決策時，則會產生和M 爭搶前方空隙(競爭區(qū)域2)的競爭行為，如圖4所示，M 與C1存在位置關系時的潛在競爭強度如下。

圖4 M 與C1 的競爭關系Fig.4 Competitive relationship between M and C1

向左換道為

保持車道為

(4) M 與C2的潛在競爭強度

若C2和M 兩者同時存在向左換道傾向，且C1與C4的間隙小于M 與C2同時換道所需要的最小換道間隙(競爭區(qū)域2)時，兩者僅有一輛可成功換道，存在競爭關系，此時，C2的換道選擇影響著M的換道決策，M 比C2激進時，M 更有可能爭搶到換道機會，本文未考慮協(xié)同換道，故不將M 與C2存在的換道競爭強度納入計算中。如圖5所示，當C2存在向左或向右換道傾向時，會為M 前方留出空隙(競爭區(qū)域1)使M 向前補充，C2比M 激進時，C2換道及加速的可能性越高，此時，M 向前加速保持車道的可能性增加，故M 與C2存在位置關系時的潛在競爭強度為

圖5 M 與C2 的競爭關系Fig.5 Competitive relationship between M and C2

(5) M 與其他車輛的潛在競爭強度

CAV通過感知端獲取周邊車輛運行信息，不考慮駕駛位置對駕駛人判斷和操作的影響，故采用對稱式換道分析方法，M 與左側車輛和右側車輛的競爭存在如圖1所示的對稱關系，將其用符號表示為?，例如，M ?C3表示M 與C3之間的競爭關系，等價關系為

對于潛在競爭強度的計算，作出以下說明：M周邊車輛存在如圖1所示位置關系時，則將潛在競爭強度納入考慮；相應位置不存在車輛時，不納入潛在競爭強度計算。

3 換道決策模型構建

3.1 引力理論框架下的競爭力表征

在引力與質量成正比，與距離成反比的理論框架上，應用競爭力與換道決策下的綜合競爭強度和保持車道決策下的綜合競爭強度成正比，與換道后的環(huán)境穩(wěn)定性成反比的關系，構建基于引力理論的競爭力為

式中：FD為對應D決策下的競爭力，D∈{l,r} ；GD為換道意愿；mD為向左和向右換道決策的綜合競爭強度；mk為保持車道的綜合競爭強度；?為速度“偽距”，v表示速度；為加速度“偽距”，a表示加速度。具體屬性解釋如下。

(1)換道意愿——等效引力常量

換道意愿是判斷是否換道的依據，涉及保持車道、向左換道和向右換道這3種決策的綜合競爭強度模型均與前方車輛的潛在交互行為有關，說明M很大程度受到來自前方車輛的影響，所構建的模型符合實際。向左或向右兩種換道決策所依據的換道意愿等值，其大小視當時前方車輛的狀態(tài)決定，故視為等效引力常量，表達式為式(5)。

(2)綜合競爭強度——等效質量

綜合競爭強度是執(zhí)行不同決策后，主車與其他車輛間的潛在競爭強度之和，分別包括向左換道D=l、向右換道D=r 和保持車道D=k 這3 種決策下的綜合競爭強度，即

如圖1 所示，D=l 時，綜合競爭強度的計算對象為車輛組L 內的車輛1、車輛4 及車輛6；D=r時，綜合競爭強度的計算對象為車輛組R 內的車輛3、車輛5 及車輛7；D=k 時，綜合競爭強度的計算對象為車輛組K 內的車輛1、車輛2及車輛3。

(3)速度“偽距”與加速度“偽距”——等效距離

周邊車輛的運行狀態(tài)及趨勢決定著M 執(zhí)行換道決策后的行駛環(huán)境，LEE等[12]通過實際車輛變道數據的采集與分析表明，接近95%的駕駛人會因車輛頻繁加減速而產生不舒適感，故換道決策還應考慮換道前后車內人員的舒適感，同時，考慮到自動駕駛環(huán)境下CAV比例的增加有利于交通流穩(wěn)定性的提升。本文引入速度“偽距”和加速度“偽距”，采用M 周邊各車輛縱向上加速度和速度的離散程度，以表征周邊車輛的運動波動程度，波動程度越大，主車M 選擇換道后環(huán)境相對于保持車道所處環(huán)境的不穩(wěn)定性越大，乘員舒適性越低，即

式中：ai為車輛Ci在M 產生換道決策時的瞬時縱向加速度；vi為車輛Ci在M 產生換道決策時的瞬時縱向速度；ND為各決策下，對應車輛組中的車輛個數，Nl、Nr分別為M 左側和右側車輛個數；D為各決策下，對應車輛組內的車輛縱向加速度平均值；

3.2 基于綜合競爭力的換道決策模型

綜合競爭力FM是兩種決策下競爭力的合力，規(guī)定向左決策的競爭力方向為正。當FM>0 時，向左換道決策的綜合競爭強度產生的競爭力大于向右換道決策的綜合競爭強度產生的競爭力，此時，M 更傾向于向左換道；當FM<0 時，向右換道決策的綜合競爭強度產生的競爭力大于向左換道決策的綜合競爭強度產生的競爭力，M 更傾向于向右換道。

式中：Fl為向左換道決策下所產生的競爭力；Fr為向右換道決策下所產生的競爭力。

力是改變物體運動狀態(tài)的原因，車輛短期內的運動狀態(tài)變化反映了決策的結果，初步考慮用速度或加速度作為決策判斷結果的參考，但由于數據采集精度及數據處理的影響，需要對橫向距離-時間曲線求導，并進行降噪處理得到橫向速度和橫向加速度隨時間變化的曲線圖，相對于橫向加速度而言，橫向速度數據降噪后的精度損失較小，故采用橫向速度作為模型求解目標。M 受綜合競爭力FM作用下產生的橫向加速度lateral為

主車在換道決策階段仍保持當前車道行駛，故視為橫向初速度為0 m·s-1，為降低計算成本，假設主車換道過程中橫向速度均勻變化，在2 s 內達到最大橫向速度，在換道判斷上采取橫向速度采樣時段2 s 內的橫向速度均值為求解目標，故橫向速度M為

式中：tsample為采樣時間段，取2 s；v0為橫向初速度，取0 m·s-1；vmax為換道過程中最大橫向速度。

綜上，模型求解目標值橫向速度為

模型輸入-輸出如圖6所示。

4 模型參數標定

4.1 數據準備

擬人化自動駕駛決策模型是基于人類駕駛數據進行模型訓練的，本文所用軌跡數據集為東南大學UTE(Ubiquitous Traffic Eyes)開源數據集[13]中的KZM5數據集，數據集車輛識別精度100%，研究路段長度140 m，雙向10 車道，采集視頻覆蓋100 m的雙向交織區(qū)，如圖7 所示。車輛軌跡數據庫包括：車輛編號、位置坐標、車道編號、車輛長度、車輛寬度、行駛速度、車頭時距、車頭間距及加減速度等字段，時間精度為0.03 s，滿足研究需求。

圖7 KZM5數據集無人機拍攝區(qū)域Fig.7 Area photographed by drone in KZM5 dataset

數據集中，車流密度相對適中，換道行為的發(fā)生具有普遍且較強的典型特性，能夠精確地表征車輛換道情況下的微觀駕駛行為，可以為換道決策模型的標定提供良好的數據基礎。由于初始數據(原始數據結構如表1 所示)直接反映車輛的動力學參數和空間參數，而且包含除換道行為外的數據，所以，需要對原始數據進行預處理工作。數據處理步驟如下：

表1 原始車輛數據Table 1 Original vehicle data

(1)篩選樣本

記錄同一車輛編號的位置坐標及車道編號發(fā)生變化的時刻，且變化后車輛的速度、加速度以及穩(wěn)定時間符合上述要求，記為換道行為樣本，篩選樣本數據結構如表2所示。通過人工篩選得到113輛換道車的124 條換道樣本。

表2 換道車輛數據Table 2 Data on lane-changing vehicles

(2)決策時刻數據提取

選取換道行為樣本中各車輛編號在車道變化前一采樣時刻，向前以2 s時間窗進行平移[14]，并將平移后所在時刻作為換道決策事件開始幀，并記錄該采樣時刻周邊車輛的車速、加速度以及車輛位置，車輛組數據結構如表3 所示。在處理過程中，周邊車輛在主車換道決策同一時刻下有部分數據缺失的現(xiàn)象，針對此問題，采取視頻觀測結合浮動取值的方法，即以采樣精度為時間窗長度，以初始換道決策事件開始幀為起點，向該時刻前后平移時間窗，并按平移后時刻進行視頻觀測和數據表核查，保證換道決策時刻下的數據完整性。

表3 編號397換道決策時刻的車輛組數據Table 3 No.397 vehicle group data at moment of decision to change lanes

(3)駕駛風格聚類

根據車輛在路段上的駕駛表現(xiàn)確定駕駛風格，以縱向速度平均值、縱向加速度標準差、換道頻數、速度變異系數[15]及縱向加速度均值絕對值為特征指標，對數據進行Z-score標準化后，選用誤差平方和(Sum of Square due to Error,SSE)和CH 系數(CalinskiHarabasz,CH)對k值選取進行評價，評價結果如圖8 所示。當簇為k=3 時，SSE 折線出現(xiàn)“肘點”，且此時CH達到最高值，即最佳k值為3，證明了將樣本劃分為“保守型”“常規(guī)型”“冒險型”這3種駕駛風格的合理性。針對主車以及涉及到主車換道環(huán)境中的各車輛駕駛風格，進行k-means 聚類分析，得到包含所有換道車輛的駕駛風格樣本庫分布如表4所示。為可視化駕駛風格聚類結果，通過主成分分析法(Principal Component Analysis,PCA)將5 維特征變量降至3 維，篩選出相關車輛數據繪制聚類可視化圖，如圖9所示，其中，X,Y,Z軸表示降維后的3個維度，可視化結果顯示，3種駕駛風格在空間中區(qū)分較清晰，聚類效果較好。

表4 樣本庫駕駛風格分布Table 4 Sample pool driving style distribution

圖8 SSE及CH指標簇評價Fig.8 SSE and CH cluster indicator

圖9 相關車輛駕駛風格聚類的可視化圖Fig.9 Visualization of driving style clusters

圖10(a)～圖10(d)分別為縱向速度平均值、加速度標準差、加速度平均值和速度變異系數指標按聚類標簽劃分的箱型圖。從圖10(a)可以看出，冒險型風格傾向于高速行駛，且速度較為集中，常規(guī)型風格縱向速度的中位數和上下四分位線低于保守型數據，但是，常規(guī)型風格的縱向速度相比于其他兩類數據分散；從圖10(b)可以看出，保守型和常規(guī)型風格縱向加速度標準差的中位數和上下四分位數相差不大，與圖10(a)有相似的分布趨勢，其中，冒險型風格縱向加速度標準差中位數和上下四分位數與其他兩類有明顯差異，說明冒險型風格具有大幅度加減速操作；從圖10(c)和圖10(d)可以看出，縱向加速度均值絕對值和速度變異系數的中位線和上下四分位線存在冒險型大于常規(guī)型大于保守型的顯著關系，除上述特征指標，換道頻數對駕駛風格聚類結果的影響較低。綜上所述，冒險型標簽表征高速行駛和劇烈加減速特征；保守型標簽表征較小幅度加減速和速度集中特征；常規(guī)型標簽相關特征指標分布位于兩者之間，且具有速度分散特征。

圖10 不同駕駛風格特征指標箱型圖Fig.10 Characteristic indicators box plots of different driving styles

(4)橫向數據處理

換道橫向速度數據由數據集中的字段“Langitude distance”獲得，該字段表示車輛中心與當前車道中心曲線之間的距離，正常行駛情境下，當該值發(fā)生躍變時，表示車輛中心已經越過車道線，發(fā)生變道；當該值跨越0線時，表示車輛越過當前車道中心，如圖11(a)和圖12(a)所示。將Langitude distance 按車道連續(xù)性進行處理得到如圖11(b)和圖12(b)所示的時空軌跡圖，可以直觀地展示車輛進行橫向位移的過程。

圖11 141號車輛時空屬性Fig.11 Temporal and spatial properties of vehicle 141

圖12 336號車輛時空屬性Fig.12 Temporal and spatial properties of vehicle 336

對時空軌跡圖進行多項式擬合并求導，獲得車輛換道開始過程各采樣時刻的橫向瞬時速度，經過降噪處理后，獲得較平滑的橫向速度-時間圖，選取方向盤回轉時刻前2 s 計算平均橫向速度。如圖11(c)所示，141號車輛換道發(fā)生階段的橫向速度估計為0.72239 m·s-1，表示向左換道；如圖12(c)所示，336 號車輛換道發(fā)生階段的橫向速度分別估計為0.73581 m·s-1，0.91522 m·s-1，表示該車輛發(fā)生兩次向左換道。

4.2 參數標定與初步驗證

參數標定通常是以模型結果與真實數據之差最小為目標函數的非線性最優(yōu)化問題，通過不斷修正模型參數值使模型結果盡可能接近實際值，即尋找到使兩者差距最小的參數。現(xiàn)有研究常采用遺傳算法進行參數標定，但遺傳算法的搜索速度比較慢，且局部搜索能力比較差，較易產生早熟收斂的問題，而蟻群算法中每只螞蟻搜索過程彼此獨立，僅通過信息激素進行通信，可以看作是一個分布式的多智能體系統(tǒng)，在問題空間的多點同時開始進行獨立的解搜索，不僅增加了算法的可靠性，也使算法具有較強的全局搜索能力，故本文采用蟻群算法(Ant Clony Optimization,ACO)標定所建立的換道決策模型參數。具體流程如圖13所示。

圖13 蟻群算法流程Fig.13 Ant colony algorithm process

初步按72%∶28%的比例將數據集劃分為訓練集與驗證集，通過蟻群算法進行標定，驗證模型的可行性，本文選取表示數據序列與真實值之間關系的均方根誤差(Root Mean Square Error,RMSE)值最小為目標函數，即

式中：x為需要進行誤差分析的指標，在本模型中，為向目標車道開始換道階段的橫向平均速度；為決策模型對第i個樣本的橫向速度預測值；I為樣本量為第i個樣本的橫向速度真實值。獲得初步標定結果如表5所示。

表5 參數初步標定結果Table 5 Preliminary calibration results of parameters

由于橫向速度的正負分別表示預測結果為向左換道和向右換道，故采取符號函數判斷預測是否正確，即

式中：xi為預測值與真實值的乘積；sgn(xi)為輸入為xi的符號函數。當預測值與真實值同號，sgn(xi)=1 時，模型結果為正確；預測值與真實值異號，sgn(xi)=-1時，模型結果為錯誤。

模型正確率r為

式中：NT為驗證集中識別正確的樣本量；NF為驗證集中識別錯誤的樣本量。

將參數標定結果代入模型中，對剩余數據集進行驗證，得到換道預測結果如圖14(a)所示，得到換道預測正確率為91.42%，證明了該模型的有效性。

圖14 不同訓練集與驗證集比例下最優(yōu)模型實際結果與模型結果對比Fig.14 Comparison of actual results and model results with different training set-validation set ratios

4.3 模型泛化能力驗證

為避免模型對數據的過擬合，在使用72%∶28%的訓練集與驗證集比例驗證模型有效性的基礎上，通過設置不同的訓練集與驗證集比例，采用隨機排列交叉驗證(Random Permutations Cross-Validation,RPCV)方法進行多次參數標定及驗證，以隨機劃分集的平均正確率作為評估模型的預測效果和泛化性能的指標。

不同訓練集與驗證集比例下，獲得的最優(yōu)模型對應的預測結果如圖14 所示，實線中的編號點表示真實值V-real，虛線中的編號點表示預測值V-simu，真實值和預測值隨樣本的變化趨勢基本一致，證明了不同訓練與驗證比下，標定后的模型對于結果的敏感性。

為形象表示模型預測效果，繪制預測效果散點圖，如圖15所示。預測獲得的橫向速度較小，大多在[-0.8,0.8]m·s-1內，未出現(xiàn)離群點，說明該模型的計算結果較穩(wěn)定，且可使車輛實現(xiàn)決策下的平穩(wěn)換道。識別錯誤的樣本中，其橫向速度的預測值集中在0 值附近，經過軌跡驗證，該類車輛存在換道橫向擺動的現(xiàn)象較多，反映擬人換道決策時駕駛人的猶豫心理，使橫向速度識別產生誤差，對模型結果產生一定干擾。

圖15 模型預測效果散點圖Fig.15 Scatterplot of model prediction effects

經統(tǒng)計，模型預測正確率如表6所示。當訓練集與驗證集比例為72%∶28%時，最優(yōu)模型總體正確率為91.42%，其中，向左換道預測正確率達到89.47%，向右換道預測正確率達到93.75%，隨機劃分訓練集與驗證集比例下所獲得的不同模型的平均正確率為90.34%；當訓練集與驗證集比例為65%∶25%時，最優(yōu)模型總體正確率為88.64%，其中，向左換道預測正確率達到86.36%，向右換道預測正確率達到90.91%，隨機劃分訓練集與驗證集比例下所獲得的不同模型的平均正確率為86.67%；當訓練集與驗證集比例為57%∶43%時，最優(yōu)模型總體正確率為88.68%，其中，向左換道預測正確率達到91.30%，向右換道預測正確率達到86.67%，隨機劃分訓練集與驗證集比例下所獲得的不同模型的平均正確率為88.82%；當訓練集與驗證集比例為50%∶50%時，最優(yōu)模型總體正確率為90.32%，其中，向左換道預測正確率達到92.00%，向右換道預測正確率達到89.18%，隨機劃分訓練集與驗證集比例下所獲得的不同模型的平均正確率為89.21%。結果表明，本文所建立的模型精度較高，泛化能力較好，且具有一定的魯棒性。

表6 最優(yōu)模型正確率和隨機劃分集平均正確率Table 6 Correctness of optimal model and average correctness of randomly divided set

4.4 模型對比

為進一步評價本文所建換道決策模型的合理性，分別選取支持向量機(Support Vector Machines,SVM)、隨機森林(Random Forest,RF)、樸素貝葉斯(Na?ve Bayse,NB)、K-近鄰算法(K-Nearest Neighbor,KNN)、邏輯回歸(Logistic Regression,LR)與本文模型進行性能對比，使用相同的數據集評估上述模型性能。為保證各模型輸入輸出參數的同質性，將本文模型中涉及到的所有基礎參數作為對比模型的輸入參數，以正確率為輸出參數，為避免模型過擬合，采用隨機排列交叉驗證方法，取平均正確率作為模型預測效果對比指標。

由于輸入參數維度較高，為降低噪聲信息對模型性能的干擾，通過主成分分析法PCA 指定解釋方差百分比為95%，85%，75%分別選取主成分，搜索其他分類器在決策中的最優(yōu)性能。模型性能對比結果如表7 所示，從預測結果可以看出，本文提出模型的正確率與SVM、KNN、LR、RF 和NB 相比分別高2.5%、4.1%、4.9%、8.1%和9.8%，說明本文所提出的模型性能更優(yōu)。

表7 模型性能對比結果Table 7 Model performance comparison results

5 結論

本文構建以引力理論為框架，以綜合競爭力為媒介，以車輛橫向速度為求解目標的自動駕駛擬人換道決策模型。主要創(chuàng)新點如下：考慮換道車輛駕駛風格的影響并根據鄰近前車間距和速度差建立換道意愿函數，引入虛擬單元解決前方無車情境下?lián)Q道意愿無法量化的問題；提出一種基于悲觀主義原則的換道競爭行為分析方法，假設周圍車輛均與主車產生競爭行為，基于車頭間距比和駕駛風格差提出車輛個體間的潛在競爭強度概念，用低復雜度函數衡量主車各決策下的換道優(yōu)勢，有效客觀地刻畫車輛之間的交互行為及其對換道決策產生的影響；以換道意愿為等效引力常量和綜合競爭強度為等效質量，以速度“偽距”和加速度“偽距”為等效距離，應用引力理論的正反比關系，構建用于決策選擇的競爭力表達式。

本文得出的主要結論如下：

(1)當訓練集與驗證集比例為72%∶28%時，最優(yōu)模型總體正確率為91.42%，說明本文提出的換道決策模型具有可行性。采用RPCV 方法進行模型泛化能力評估，隨機劃分集平均正確率穩(wěn)定分布在87.67%～90.34%內，說明本文模型在不同訓練集與驗證集比例下具有較強的魯棒性和泛化能力。

(2)與SVM、KNN、LR、RF 和NB 模型相比，本文模型在正確率上分別高出2.5%，4.1%，4.9%，8.1%和9.8%，說明本文模型較傳統(tǒng)模型在決策性能上具有一定的優(yōu)越性。

(3)本文構建的換道決策模型結構清晰且輸入輸出關系明確，以道路上車輛運行的真實軌跡數據為依據標定模型參數，相比于數據驅動的換道決策模型更具有解釋性，為自動駕駛環(huán)境下的擬人化換道決策過程提供建模思路，也為自動駕駛車輛換道決策機制和換道狀態(tài)評估等研究提供支持和依據。