摘要： 針對(duì)現(xiàn)有的駕駛員不滿度模型未考慮駕駛風(fēng)格而導(dǎo)致?lián)Q道決策難以適應(yīng)不同類型駕駛員的問題，改進(jìn)基于前車車速的駕駛員不滿度模型，并結(jié)合基于橢圓車輛模型的最小安全距離模型，建立基于駕駛風(fēng)格和駕駛員不滿度的換道決策模型.選取15個(gè)問題作為駕駛員行為問卷（driver behavior questionnaire，DBQ）調(diào)查內(nèi)容，利用主成分分析和K-means聚類將駕駛風(fēng)格分為激進(jìn)型、謹(jǐn)慎型和普通型3類.設(shè)計(jì)駕駛模擬器試驗(yàn)，采集不同駕駛風(fēng)格的駕駛員換道數(shù)據(jù)，得到不同駕駛風(fēng)格的駕駛員不滿度閾值.通過MATLAB/Simulink和Carsim仿真平臺(tái)驗(yàn)證換道決策模型的有效性.結(jié)果表明：換道決策模型可根據(jù)駕駛員不滿度正確產(chǎn)生換道意圖，保證換道過程的安全性，同時(shí)還可以適應(yīng)不同駕駛風(fēng)格的駕駛員，使基于駕駛員不滿度的換道決策模型更符合駕駛員的實(shí)際駕駛習(xí)慣.

關(guān)鍵詞：" 換道決策模型； 駕駛員不滿度； 駕駛風(fēng)格； 駕駛模擬器； 最小安全距離

中圖分類號(hào)： U471.1" 文獻(xiàn)標(biāo)志碼：" A" 文章編號(hào)："" 1671-7775（2024）05-0497-09

引文格式：" 郭 烈，衛(wèi)立任，秦增科，等. 基于駕駛風(fēng)格和駕駛員不滿度的換道決策模型［J］.江蘇大學(xué)學(xué)報(bào)（自然科學(xué)版），2024，45（5）：497-505.

收稿日期："" 2022-05-16

基金項(xiàng)目：" 國家自然科學(xué)基金資助項(xiàng)目（51975089，52175078）； 遼寧省自然科學(xué)基金資助項(xiàng)目（2021-MS-127）； 國家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2018YFE0197700）

作者簡介："" 郭 烈（1978—），男，江西分宜人，副教授（guo_lie@dlut.edu.cn），主要從事智能車輛、人機(jī)共駕與協(xié)同控制的研究.

衛(wèi)立任（1998—），男，內(nèi)蒙古呼倫貝爾人，碩士，助理工程師（wei_l_r@163.com），主要從事底盤電控仿真與開發(fā)的研究.

Lane-changing decision model based on driving

style and driver dissatisfaction

GUO Lie1，2， WEI Liren3， QIN Zengke1， XU Linli1

（1. School of Mechanical Engineering， Dalian University of Technology， Dalian， Liaoning 116024， China; 2. Ningbo Institute， Dalian University of Technology， Ningbo， Zhejiang 315016， China; 3. CATARC（Tianjin）Automotive Engineering Research Institute Co.， Ltd.， Tianjin 300300， China）

Abstract： To solve the problem that the existing driver dissatisfaction model did not consider driving style and thus made lane-changing decision difficult to adapt to different types of drivers， the driver dissatisfaction model based on the preceding vehicle speed was improved， and the minimum safe distance model based on the elliptical vehicle model was combined to establish lane-changing decision model based on driving style and driver dissatisfaction. Fifteen questions were selected as the driver behavior questionnaire （DBQ） survey content， and the driving styles were divided into three categories of aggressive， cautious and ordinary by principal component analysis and K-means clustering. The driving simulator test was designed to collect the lane-changing data of drivers with different driving styles， and the driver dissatisfaction thresholds of different driving styles were obtained. The" lane-changing decision model was verified by MATLAB/Simulink and Carsim simulation platforms. The results show that the lane-changing decision model can correctly generate lane-changing intentions according to driver dissatisfaction and ensure the safety of the lane-changing process to adapt to the drivers with different driving styles and make the lane-changing decision model based on driver dissatisfaction more in line with the actual driving habits of drivers.

Key words：" lane-changing decision model; driver dissatisfaction; driving style; driving simulator; minimum safe distance

在高速公路交通流量日益增加的背景下，高速公路的安全壓力也日益增大［1］.車道保持和車輛換道是高速公路上常見的2種駕駛行為，駕駛員需要綜合考慮周圍交通信息并做出正確的決策，從而避免換道過程中發(fā)生交通事故.據(jù)統(tǒng)計(jì)，駕駛員操作不當(dāng)?shù)膿Q道行為中，換道決策失誤占75%［2］.針對(duì)此類安全問題，設(shè)計(jì)合理的換道決策模型才可以保證車輛的換道安全性.

最早的換道決策模型是Gipps車輛換道模型［3］，許多學(xué)者基于此決策模型展開了進(jìn)一步研究，常用的有MITSIM模型［4］和SITRAS模型［5］等.MITSIM模型將換道行為分為強(qiáng)制換道和自由換道，用速度差以及忍耐因子作為換道的依據(jù).SITRAS模型將目標(biāo)車道前車的加速度以及目標(biāo)車道后車的減速度是否被駕駛員接受作為換道依據(jù).

隨著換道決策模型的發(fā)展，主要分為基于人工智能和基于速度不滿的換道決策模型.ZHOU X. C.等［6］利用博弈論的預(yù)測方法對(duì)周圍車輛的未來局部軌跡進(jìn)行預(yù)測，在此基礎(chǔ)上，設(shè)計(jì)了基于納什Q學(xué)習(xí)的車輛決策算法.R. SCHUBERT等［7］提出了一種在不確定性下基于貝葉斯網(wǎng)絡(luò)的換道決策模型.WANG X.等［8］提出了利用蝙蝠優(yōu)化的支持向量機(jī)決策模型，并與其他3種基于人工智能的決策模型進(jìn)行比較，驗(yàn)證了改進(jìn)后的決策模型優(yōu)于其他模型.基于人工智能的換道決策模型需要大量的數(shù)據(jù)進(jìn)行訓(xùn)練，可解釋性差，同時(shí)無法獲得較高的準(zhǔn)確率.

在行駛過程中，前方車輛持續(xù)低速，主車無法達(dá)到預(yù)期的速度，而導(dǎo)致駕駛員產(chǎn)生厭煩心理，從而激發(fā)其換道意圖.將上述駕駛員的厭煩心理稱為駕駛員不滿度.G. BHAM［9］提出的換道決策模型考慮了駕駛員對(duì)當(dāng)前車速的不滿以及目標(biāo)車道的速度增益.李斌［10］認(rèn)為當(dāng)主車車速和前方車輛車速的差值和期望車速的比值大于預(yù)定閾值，同時(shí)與前車的間距小于最大安全車距時(shí)，產(chǎn)生換道意圖，但未考慮對(duì)速度不滿的積累，出現(xiàn)換道意圖頻繁地產(chǎn)生和消失的問題.陳慧等［11］提出基于駕駛員不滿度的換道決策模型，當(dāng)駕駛員不滿度積累達(dá)到預(yù)設(shè)的閾值時(shí)會(huì)產(chǎn)生換道意圖.利用軟件在環(huán)和硬件在環(huán)驗(yàn)證了換道決策模型的有效性.該模型存在積累的過程，從而避免出現(xiàn)換道意圖震蕩的現(xiàn)象.但采用固定的駕駛員不滿度閾值，沒有考慮不同風(fēng)格駕駛員的不滿度閾值的差異.歐陽康強(qiáng)［12］利用駕駛模擬器采集跟車時(shí)間得到駕駛員不滿度閾值，但僅采集了12個(gè)人的換道數(shù)據(jù)，也沒有根據(jù)駕駛員風(fēng)格給出不同的閾值.

針對(duì)上述問題，筆者基于高速公路環(huán)境，提出一種考慮不同駕駛員風(fēng)格的基于駕駛員不滿度的換道決策模型，考慮駕駛員在實(shí)際駕駛中的心理因素以及駕駛員的風(fēng)格類型，將決策模型類人化.首先改進(jìn)現(xiàn)有的駕駛員不滿度模型，同時(shí)根據(jù)最小安全距離模型判斷車輛換道的可行性，保證車輛在換道過程中的安全性；再基于問卷調(diào)查并利用主成分分析和K-means聚類將駕駛風(fēng)格分為謹(jǐn)慎型、普通型和激進(jìn)型3類，通過駕駛模擬器試驗(yàn)得到3類駕駛風(fēng)格駕駛員的換道數(shù)據(jù)，并計(jì)算出駕駛員不滿度閾值；最后在MALTAB/Simulink和Carsim聯(lián)合仿真平臺(tái)上對(duì)所提出的換道決策模型進(jìn)行驗(yàn)證.

1 換道決策模型

1.1 駕駛員不滿度

為了量化駕駛員不滿度的積累，采用速度不滿的積累作為評(píng)價(jià)指標(biāo).對(duì)基于前車車速的駕駛員不滿度模型進(jìn)行改進(jìn)，考慮不滿度在車輛行駛中的積累過程，當(dāng)超過預(yù)定閾值時(shí)，駕駛員產(chǎn)生換道意圖，改進(jìn)后的駕駛員不滿度計(jì)算式為

S（k）=S（k-1）+icvdes-vFvdesT，（1）

式中： S（k）為k時(shí)刻駕駛員不滿度；S（k-1）為k-1時(shí)刻駕駛員不滿度；vdes為主車的期望車速；vF為前車車速；T為采樣時(shí)間；ic為增益系數(shù)，與前方車輛類型相關(guān)，在駕駛過程中，當(dāng)前方車輛為大型車輛時(shí)，駕駛員更容易產(chǎn)生換道意圖，駕駛員不滿度積累越快，ic取值更大，當(dāng)前方車輛為小型轎車時(shí)，則反之［13］.

當(dāng)車輛和前車的車距小于最小跟車距離且跟車距離不斷減少時(shí)，不滿度開始積累，當(dāng)不滿度超過閾值Sthr時(shí)，駕駛員產(chǎn)生換道意圖.車輛執(zhí)行換道操作，同時(shí)在車輛開始執(zhí)行換道后，駕駛員不滿度清零.不滿度需滿足：

S（k）≥Sthr.（2）

1.2 最小跟車安全距離

從制動(dòng)過程來看，一般分為4個(gè)過程：駕駛員做出反應(yīng)、制動(dòng)器起作用、持續(xù)制動(dòng)、放松制動(dòng).通過對(duì)不同轎車在良好路面上進(jìn)行的制動(dòng)試驗(yàn)，擬合出的車輛制動(dòng)距離公式［14］為

sb=0.012 2v+0.058 5v2，（3）

式中： sb為跟車安全距離；v為主車的車速.

一般在停車時(shí)，主車會(huì)和前方障礙物保持一定距離，本研究選取5 m.則最小跟車安全距離為

ssafe=sb+5.（4）

1.3 換道可行性

在換道過程中，駕駛員一般考慮當(dāng)前車道前車、目標(biāo)車道前車以及目標(biāo)車道后車對(duì)主車的影響.本研究主要考慮高速公路研究場景，一般車輛由于速度不滿而向左側(cè)換道，因此在考慮換道可行性時(shí)將道路簡化為同向兩車道，但本研究的方法也適用于多車道，簡化后的換道場景如圖1所示，其中：M為主車；L0為當(dāng)前車道前車；Ld為目標(biāo)車道前車；Fd為目標(biāo)車道后車；s1為車輛M與車輛L0的距離；s2為車輛M與車輛Ld的距離；s3為車輛M與車輛Fd的距離；vL0為車輛L0的速度；vM為主車M的速度；vLd為車輛Ld的速度；vFd為車輛Fd的速度.

采用橢圓模型來描述車輛模型，用橢圓的長半軸Lx和短半軸Ly描述不同方向的碰撞危險(xiǎn)程度［15］，橢圓車輛模型如圖2所示.

車輛的縱向長度對(duì)換道行為影響較大，因此，采用橢圓的長半軸Lx來建立車輛模型，即

Lx=L2+（1-Td）LWvFvR，（5）

式中： L為車身長度；W為車輛寬度；Td為駕駛員風(fēng)格系數(shù)；vR為后車車速.

Td值越小，橢圓的長半軸越長，說明所包含的車輛安全行駛范圍越大，駕駛員越謹(jǐn)慎，需要更大的安全距離，因此，橢圓車輛模型可以描述不同駕駛風(fēng)格.將駕駛員分為謹(jǐn)慎型、普通型和激進(jìn)型3類，根據(jù)文獻(xiàn)［16］的研究，選取3類風(fēng)格的Td值分別為0.2、0.5、0.8.利用多維高斯隱馬爾科夫模型可以將駕駛員駕駛風(fēng)格分為3類并進(jìn)行識(shí)別，文獻(xiàn)［17］中詳細(xì)介紹了該方法，本研究直接應(yīng)用識(shí)別結(jié)果并重點(diǎn)關(guān)注不同駕駛風(fēng)格間的差異.

在換道可行性分析時(shí)，通常采用換道最小安全距離（minimum safety spacing，MSS）模型，MSS通過主車和周圍車輛的距離、相對(duì)速度、加速度以及換道時(shí)間來判斷換道是否安全［18］.該部分不重點(diǎn)論述，僅給出一種情形的最小安全距離模型.

車輛M和車輛Ld換道過程中位置關(guān)系如圖3所示.為了保證車輛換道安全，需要保證本車與本車道前車不發(fā)生斜向碰撞，需要滿足的公式為

dMSS≥sM-sLd+2Lx+Wsin θ，（6）

式中： dMSS為最小安全距離；sM為主車M在換道過程中的行駛距離；sLd為車輛Ld在換道過程中的行駛距離；θ為車輛駕駛方向和車道線之間的夾角.

當(dāng)前車的車速小于或等于本車車速時(shí)，并且兩車保持勻速行駛，兩車的間距會(huì)逐漸減小或保持恒定，最小安全距離取決于橢圓車輛模型和車輛相對(duì)速度，即

dMMS≥（vM-vLd）tlc+L+2（1-Td）LWvLdvM+Wsin θ，vMgt;vLd，

L+（1-Td）LWvLdvM+Wsin θ， vM≤vLd，（7）

式中： tlc為換道時(shí)間.

1.4 換道決策模型流程

換道決策模型流程如圖4所示.首先判斷與前車距離是否滿足最小跟車距離，如果不滿足，不滿度開始積累，當(dāng)達(dá)到不滿度閾值后，如果滿足安全性條件，則會(huì)執(zhí)行換道操作，并清空不滿度.

2 駕駛風(fēng)格聚類

在高級(jí)駕駛輔助系統(tǒng)中考慮駕駛風(fēng)格，可以提高駕駛的安全性和舒適性［19］.因此在設(shè)計(jì)決策模型時(shí)考慮駕駛員風(fēng)格的差異，可以將換道決策類人化，提升駕駛體驗(yàn).

采用問卷調(diào)查方法可得到駕駛員的駕駛風(fēng)格，對(duì)問卷結(jié)果進(jìn)行統(tǒng)計(jì)學(xué)分析，可以了解影響駕駛風(fēng)格的因素.YANG J. R.等［20］基于駕駛員行為問卷（driver behavior questionnaire，DBQ）對(duì)179名駕駛員進(jìn)行問卷調(diào)查，對(duì)駕駛風(fēng)格進(jìn)行分類.

2.1 問卷設(shè)計(jì)

根據(jù)李克特量表，設(shè)計(jì)一定的數(shù)值來表示駕駛員問卷調(diào)查中個(gè)人駕駛行為的發(fā)生頻率，用1到5 的5級(jí)來表示： 1表示從未出現(xiàn)；2表示偶爾出現(xiàn)；3表示有時(shí)出現(xiàn)；4表示時(shí)常出現(xiàn)；5表示總是出現(xiàn).基于這一量表設(shè)計(jì)方法，從而對(duì)問卷中的每種駕駛行為進(jìn)行定量表示.結(jié)合換道行為特征，選取15個(gè)和換道駕駛風(fēng)格相關(guān)的問題作為問卷調(diào)查內(nèi)容，如表1所示.

2.2 問卷調(diào)查

問卷調(diào)查共收集到200份問卷，其中有效問卷為195份，有效率達(dá)到97.5%.其中男性駕駛員145名，女性駕駛員50名，分別占74.36%和25.64%，年齡分布在21～60歲，平均年齡為31歲，標(biāo)準(zhǔn)差為9.62，駕駛年齡分布在2～31 a，平均駕駛年齡為5 a，標(biāo)準(zhǔn)差為4.29，駕駛里程分布在2×103～3×105 km，平均駕駛里程為20 918.456 41 km.駕駛員風(fēng)格的問卷統(tǒng)計(jì)情況如表1所示.

2.3 問卷有效性分析

1） 信度分析最常用的方法是克隆巴赫α系數(shù)（用α表示），一般α在0.600到0.700之間認(rèn)為可以接受，在0.800以上則認(rèn)為可靠性較高［21］.通過SPSS對(duì)問卷的分析，得到α的值為0.889，大于0.800，說明問卷有較好的信度.

2） 效度分析.采用Pearson相關(guān)系數(shù)來評(píng)估問卷的效度，每道題的得分與總得分的相關(guān)性越強(qiáng)，說明問卷的效度越好.本次問卷的Pearson相關(guān)系數(shù)如表1所示，所有題目和總得分的相關(guān)系數(shù)均為正值，且題目和總得分都具有0.01顯著性水平下的相關(guān)關(guān)系，因此問卷內(nèi)容效度良好.

2.4 基于主成分分析的駕駛員風(fēng)格量化

對(duì)問卷15個(gè)問題進(jìn)行主成分（A1、A2、…、A8）分析并計(jì)算出綜合得分用于駕駛員風(fēng)格分類.主成分的特征值、方差貢獻(xiàn)率和累計(jì)貢獻(xiàn)率如表2所示.

前3個(gè)成分特征值大于1，但是前3個(gè)成分的累計(jì)貢獻(xiàn)率僅有54.979%，未達(dá)到至少80%的要求，因此選取前8個(gè)成分作為主成分，累計(jì)方差貢獻(xiàn)率達(dá)到了80.133%，已經(jīng)基本上包含了所有因子的大部分信息［22］.將前8個(gè)主成分的初始因載荷和特征值的開平方相除得到主成分中對(duì)應(yīng)指標(biāo)的系數(shù).各主成分的得分為

Fi=az1+bz2+cz3+…+oz15， i=1，2，…，8，（8）

式中： a-o分別為各項(xiàng)系數(shù)；z1-z15為問題1到15的標(biāo)準(zhǔn)化變量.

將各個(gè)主成分的方差貢獻(xiàn)率作為權(quán)值，得到駕駛員風(fēng)格量化模型為

F=0.394 34F1+0.823 8F2+0.730 7F3+0.592 6F4+

0.552 6F5+0.480 8F6+0.476 2F7+0.413 3F8.（9）

將計(jì)算出的Fi代入式（9）中，可以得到評(píng)價(jià)每個(gè)駕駛員駕駛風(fēng)格的綜合得分，駕駛員的綜合得分越高，說明該駕駛員越激進(jìn).

2.5 基于K-means的駕駛風(fēng)格分類

利用K-means聚類方法將駕駛風(fēng)格分為激進(jìn)型、普通型和謹(jǐn)慎型3類，如圖5所示，第1類聚類中心為1.35，駕駛員數(shù)量為44個(gè)；第2類聚類中心為0.12，駕駛員數(shù)量為85個(gè)；第3類聚類中心為-1.06，駕駛員數(shù)量為66個(gè).

3 駕駛員不滿度閾值的確定

3.1 試驗(yàn)對(duì)象

試驗(yàn)從195名參加問卷調(diào)查的駕駛員中招募了36名駕駛員來開展駕駛模擬器試驗(yàn)，36名駕駛員均有C1駕駛證并能夠熟練操縱車輛.其中激進(jìn)型13個(gè)，普通型12個(gè)，謹(jǐn)慎型11個(gè).其中男性駕駛員為32名，女性駕駛員為4名.年齡在22～27歲，平均年齡為24歲，駕齡為2.0～7.0 a，平均駕齡為3.6 a.

3.2 試驗(yàn)設(shè)備和場景

試驗(yàn)設(shè)備選用基于羅技G29的駕駛模擬器，該駕駛模擬器包括可調(diào)整的駕駛座椅、羅技G29轉(zhuǎn)向盤、加速踏板和制動(dòng)踏板，并配有3塊分辨率為1 920×1 080像素的24寸顯示器.

在Prescan中設(shè)計(jì)了雙向六車道的高速公路作為試驗(yàn)場景，道路全程均為直線道路，道路長度為5 km，車道寬度為3.75 m，道路中央設(shè)有隔離護(hù)欄.試驗(yàn)車初始時(shí)刻在第2車道行駛，并在每個(gè)車道設(shè)置環(huán)境車，模擬實(shí)際環(huán)境.

3.3 試驗(yàn)流程

為了采集不同駕駛員的跟車時(shí)間、獲得不同速度差距的跟車時(shí)間，以及考慮到高速上車輛的車速一般在80～120 km/h.試驗(yàn)中設(shè)置主車期望車速分別為90、100、110 km/h，主車前方的環(huán)境車車速為80 km/h.

3.3.1 駕駛模擬器和預(yù)試驗(yàn)

首先駕駛員要在建立的場景中熟悉駕駛模擬器的基本操作，駕駛員能夠?qū)囕v加速和減速熟練控制，并熟練完成完整的換道行為，保證駕駛員符合日常的駕駛習(xí)慣.預(yù)試驗(yàn)的目的是熟悉整個(gè)試驗(yàn)流程和試驗(yàn)?zāi)康?，在正式試?yàn)中最大可能地消除偶然性，駕駛速度為90～120 km/h，前方環(huán)境車速度為80 km/h，當(dāng)遇到前方環(huán)境車之后，駕駛員剎車降速保證安全距離，然后駕駛員完成換道操作.練習(xí)和預(yù)試驗(yàn)至少15 min.

3.3.2 正式試驗(yàn)

動(dòng)態(tài)場景中為了防止駕駛員在熟悉環(huán)境之后，出現(xiàn)遇見車輛即換道的行為，導(dǎo)致試驗(yàn)失敗，因此在主車的前方設(shè)置干擾車輛，干擾車輛會(huì)在遇見主車后短時(shí)間內(nèi)加速.駕駛員初始時(shí)刻按照要求加速到期望車速并保持期望車速行駛，在遇到前方環(huán)境車之前不允許換道.當(dāng)遇到前方環(huán)境車之后，駕駛員剎車降速來保證安全距離，然后根據(jù)駕駛員個(gè)人意愿采取換道操作，駕駛員完成換道操作后，試驗(yàn)終止，保存該次試驗(yàn)的轉(zhuǎn)向盤轉(zhuǎn)角、主車車速、主車橫向位移和制動(dòng)踏板壓力.試驗(yàn)數(shù)據(jù)在Simulink中采集，采樣頻率為20 Hz.

正式試驗(yàn)中要采集3種工況下的跟車時(shí)間.使用拉丁方設(shè)計(jì)抵消了試驗(yàn)順序帶來的干擾.由于駕駛員的換道意圖受到環(huán)境和駕駛員心理因素影響，同時(shí)駕駛模擬器試驗(yàn)中，駕駛員具有較強(qiáng)的學(xué)習(xí)效應(yīng)，因此，每個(gè)工況駕駛員至多進(jìn)行2次正式試驗(yàn)，取其中1次結(jié)果或2次結(jié)果的平均值作為跟車時(shí)間，最終采集到200 組換道數(shù)據(jù)，并得到表征駕駛員跟車時(shí)間的換道變量.

3.4 不同類型駕駛員換道行為分析

3.4.1 數(shù)據(jù)有效性驗(yàn)證

根據(jù)采集到的駕駛員制動(dòng)踏板壓力和轉(zhuǎn)向盤轉(zhuǎn)角來計(jì)算主車的跟車時(shí)間，其中某個(gè)駕駛員試驗(yàn)中的制動(dòng)踏板壓力和轉(zhuǎn)向盤轉(zhuǎn)角的變化如圖6所示.最終得到36個(gè)駕駛員在不同主車期望車速下的跟車時(shí)間，如圖7所示.

計(jì)算出不同風(fēng)格駕駛員在各車速下跟車時(shí)間的平均值以及標(biāo)準(zhǔn)差，如表3所示，其中：t10、t20、t30分別為車速差距為10、20、30 km/h時(shí)的駕駛員跟車時(shí)間平均值；σ10、σ20、σ30分別為車速差距為10、20、30 km/h時(shí)的駕駛員跟車時(shí)間的標(biāo)準(zhǔn)差.

從表3可以看出：各組跟車時(shí)間的標(biāo)準(zhǔn)差都在1.000 s以下，采集到的數(shù)據(jù)沒有特殊極值等異常數(shù)據(jù)，本次試驗(yàn)所采集的數(shù)據(jù)有效，同時(shí)數(shù)據(jù)波動(dòng)較小，離散程度在接受范圍內(nèi).因此，采用平均值來表示不同風(fēng)格駕駛員的跟車時(shí)間.對(duì)不同風(fēng)格駕駛員的跟車時(shí)間在相同速度差距下進(jìn)行ANOVA檢驗(yàn)，結(jié)果如表4所示，其中vs為車速差距.

從表4可以看出：在車速差距分別為10、20和30 km/h時(shí)，不同類型駕駛員的跟車時(shí)間在相同車速差距下有統(tǒng)計(jì)學(xué)意義，跟車時(shí)間受駕駛風(fēng)格影響顯著.在相同車速差距下，激進(jìn)型駕駛員的跟車時(shí)間明顯比普通型和謹(jǐn)慎型駕駛員的跟車時(shí)間短，說明激進(jìn)型駕駛員產(chǎn)生換道意圖更快.在相同類型下，主車目標(biāo)速度和前方車輛的速度差距越大，駕駛員跟車時(shí)間越短.結(jié)合第1節(jié)所述的駕駛員不滿度模型，當(dāng)主車目標(biāo)速度和前方車輛的速度差距越大時(shí)，駕駛員不滿度積累越快，更快地產(chǎn)生換道意圖，因此，本次試驗(yàn)所采集到的數(shù)據(jù)和駕駛員不滿度模型具有一致性.

3.4.2 駕駛員不滿度計(jì)算

本研究針對(duì)高速公路場景，因此，只有跟車時(shí)間和車速差距對(duì)駕駛員不滿度影響較大.為了后續(xù)仿真描述清晰，根據(jù)第1節(jié)提出的駕駛員不滿度模型，利用所采集到的跟車時(shí)間來計(jì)算駕駛員不滿度閾值，ic取值為100，得到不同類型駕駛員在不同車速差距下的不滿度閾值如表5所示，其中Sthr10、Sthr20、Sthr30分別為車速差距為10、20、30 km/h時(shí)駕駛員的不滿度閾值.

4 仿真驗(yàn)證

為驗(yàn)證提出的決策模型有效性，在MATLAB/Simulink和Carsim的聯(lián)合仿真平臺(tái)搭建不同駕駛風(fēng)格、相同駕駛風(fēng)格、換道安全性不滿足的工況對(duì)算法進(jìn)行不同方面驗(yàn)證.

4.1 不同駕駛風(fēng)格仿真試驗(yàn)

該工況主要考慮相同速度差距下，不同風(fēng)格駕駛員的不滿度變化，以及和文獻(xiàn)［11］中未考慮駕駛風(fēng)格的駕駛員不滿度模型（傳統(tǒng)駕駛員不滿度模型）的對(duì)比.選取Carsim中C級(jí)車輛，車輛寬度為1.92 m，車身長度為4.75 m，換道時(shí)間設(shè)置為5 s.主車M車速為100 km/h，車輛L0車速為80 km/h，并保持勻速行駛，兩車初始間距為100.00 m.車輛Ld和主車M相距30.00 m，車速為100 km/h，后方車輛距離主車60.00 m，車速為100 km/h.

駕駛員不滿度每0.2 s積累1次，即采樣時(shí)間T為0.2 s.為了和不考慮駕駛員風(fēng)格的閾值進(jìn)行對(duì)比，設(shè)置固定的駕駛員不滿度閾值為65，仿真結(jié)果如圖8、9所示，其中箭頭處表示駕駛員有換道意圖.

從圖8可以看出：主車車速為100 km/h，在與本車道前方環(huán)境車距離為50.48 m時(shí)開始減速，此時(shí)駕駛員不滿度也開始積累，當(dāng)積累到閾值時(shí)（圖9中箭頭處），產(chǎn)生換道意圖，同時(shí)駕駛員不滿度在產(chǎn)生換道操作后清零，并保持0不增長，在成功換道至目標(biāo)車道后，主車加速至100 km/h，達(dá)到目標(biāo)速度，說明此換道決策模型的有效性.

從圖9可以看出：由于前車速度均為80 km/h，速度差距相同，所以不滿度增長速度相同；激進(jìn)型駕駛員換道意圖產(chǎn)生最快，謹(jǐn)慎型駕駛員不滿度產(chǎn)生最慢，激進(jìn)型駕駛員跟車時(shí)間最短.這與不滿度模型相符合，說明了試驗(yàn)所得數(shù)據(jù)的有效性.

對(duì)于傳統(tǒng)駕駛員不滿度模型來說，沒有考慮駕駛員風(fēng)格，因此對(duì)于所有駕駛員來說都是一樣的閾值.從圖9還可以看出：傳統(tǒng)不滿度模型產(chǎn)生換道意圖的時(shí)間介于普通型和激進(jìn)型之間，容易讓激進(jìn)型駕駛員感到不耐煩，而謹(jǐn)慎型駕駛員可能會(huì)感到慌張.因此，考慮駕駛員風(fēng)格之后，可以讓換道決策模型更加靈活，更符合實(shí)際.

4.2 相同駕駛風(fēng)格仿真試驗(yàn)

設(shè)置主車M的期望車速分別為90、100、110 km/h，同時(shí)車輛Fd和車輛Ld的車速分別為90、100、110 km/h，并保持勻速行駛，車輛Fd和主車M相距80.00 m，駕駛員為普通型，其他參數(shù)與上一工況相同.相同駕駛風(fēng)格駕駛員不滿度仿真結(jié)果如圖10所示.

從圖10可以看出：當(dāng)小于最小跟車距離時(shí)，駕駛員不滿度不斷積累，在達(dá)到閾值時(shí)，產(chǎn)生換道意圖；在車速差距不同，駕駛員類型相同時(shí)，駕駛員不滿度積累速度不同，速度差距越大，駕駛員不滿度積累越快，駕駛員跟車時(shí)間越短，越早產(chǎn)生換道意圖，同第1節(jié)所述的駕駛員不滿度模型相符合，驗(yàn)證了本研究決策模型的有效性.

4.3 換道安全性不滿足仿真試驗(yàn)

本工況主要考慮在產(chǎn)生換道意圖時(shí)，安全性不滿足的情況下駕駛員不滿度的變化.同時(shí)關(guān)注換道意圖時(shí)是否會(huì)出現(xiàn)消失或震蕩.設(shè)置主車的初始車速為100 km/h，車輛Fd車速為110 km/h，并保持勻速行駛，初始時(shí)刻和主車相距50.00 m，車輛L0速度為80 km/h，初始時(shí)刻和主車相距100.00 m，目標(biāo)車道前車Ld車速為100 km/h，初始時(shí)刻和主車相距30.00 m.換道時(shí)間為5 s.駕駛員類型為激進(jìn)型，不滿度閾值為55.2.其他參數(shù)和不同駕駛風(fēng)格工況相同，仿真結(jié)果如圖11、12所示.

從圖11、12可以看出：當(dāng)不滿度積累到閾值時(shí)，產(chǎn)生換道意圖，但主車M和車輛Fd的距離小于最小安全距離，不滿足換道的安全性，不能執(zhí)行換道，此時(shí)要等待車輛Fd超過本車，當(dāng)距離大于安全距離時(shí)，才可繼續(xù)換道.從圖12可以看出：在未執(zhí)行換道之前，不滿度一直積累，同時(shí)大于閾值之后，產(chǎn)生的換道意圖一直存在；在15 s左右，兩車的距離大于最小安全距離，滿足換道安全性條件并執(zhí)行換道，不滿度清零，同時(shí)換道意圖也消失，并在成功換道后，主車逐漸加速到目標(biāo)車速100 km/h.驗(yàn)證了所提的換道決策模型不僅可以正確產(chǎn)生換道意圖，還可以保證換道過程的安全性.同時(shí)在不滿足換道安全性時(shí)，駕駛員不滿度沒有提前清空或不增長，駕駛員的換道意圖也沒有出現(xiàn)消失或震蕩的現(xiàn)象，滿足換道決策的要求.

5 結(jié) 論

1） 改進(jìn)了基于前車車速的駕駛員不滿度模型，提出了考慮駕駛風(fēng)格的駕駛員不滿度換道決策模型，在駕駛員產(chǎn)生換道意圖后，利用最小安全距離進(jìn)行換道安全性分析.在MATLAB/Simulink和Carsim仿真平臺(tái)中驗(yàn)證了換道決策模型的有效性.

2） 采用問卷形式將195名駕駛員通過主成分分析和K-means聚類分為激進(jìn)型、普通型和謹(jǐn)慎型3類.通過駕駛模擬器試驗(yàn)得到不同駕駛風(fēng)格駕駛員的換道數(shù)據(jù)，并計(jì)算出不同駕駛風(fēng)格的駕駛員不滿度閾值.考慮駕駛風(fēng)格后，基于駕駛員不滿度的換道決策模型更加靈活，符合實(shí)際駕駛習(xí)慣.

3） 由于駕駛模擬器具有較強(qiáng)的學(xué)習(xí)效應(yīng)，與實(shí)車試驗(yàn)得到的數(shù)據(jù)具有一定的差異，同時(shí)采集到的駕駛員數(shù)據(jù)和速度差距范圍也有限.在后續(xù)的研究中可以考慮實(shí)車試驗(yàn)，并增加試驗(yàn)人員的數(shù)量和速度范圍的覆蓋，使換道決策模型更加類人化.

參考文獻(xiàn)（References）

［1］ TIAN Y J， XIAO D L， WANG L， et al. Expressway traffic safety early warning system based on cloud architecture［J］. Computer Communications， 2021，171：140-147.

［2］ SUN D J， ELEFTERIADOU L. Lane-changing behavior on urban streets： a focus group-based study［J］. Applied Ergonomics， 2011，42（5）：682-691.

［3］ GIPPS P G. A model for the structure of lane-changing decisions［J］. Transportation Research Part B： Methodological， 1986，20（5）：403-414.

［4］ YANG Q， KOUTSOPOULOS H N. A microscopic traffic simulator for evaluation of dynamic traffic management systems［J］. Transportation research，Part C：Emerging Technologies， 1996，4（3）：113-129.

［5］ RATROUT N T， RAHMAN S M.A comparative analysis of currently used microscopic and macroscopic traffic simulation software［J］. The Arabian Journal for Science and Engineering， 2009，34：121-133.

［6］ ZHOU X C， KUANG D M， ZHAO W Z， et al. Lane-changing decision method based Nash Q-learning with considering the interaction of surrounding vehicles［J］. IET Intelligent Transport Systems， 2020，14（14）：2064-2072.

［7］ SCHUBERT R， SCHULZE K， WANIELIK G. Situation assessment for automatic lane-change maneuvers［J］. IEEE Transactions on Intelligent Transportation Systems， 2010，11（3）：607-616.

［8］ WANG X， FANG J H， LIU N. A novel decision-making algorithm of autonomous vehicle based on improved SVM［C］∥Proceedings of the 2020 International Conference on Aviation Safety and Information Technology. New York，USA： Association for Computing Machinery， 2020：643-648.

［9］ BHAM G. A simple lane change model for microscopic traffic flow simulation in weaving sections［J］. Transportation Letters： The International Journal of Transportation Research， 2011，3（4）：231-251.

［10］ 李斌. 汽車快速行駛換道場景分析與決策方法研究［D］. 長春：吉林大學(xué)，2020.

［11］ 陳慧，王潔新. 基于駕駛?cè)瞬粷M度的高速公路自動(dòng)駕駛換道決策［J］. 中國公路學(xué)報(bào)， 2019，32（12）：1-9，45.

CHEN H， WANG J X. A decision-making method for lane changes of automated vehicles on freeways based on drivers′ dissatisfaction ［J］. China Journal of Highway and Transport， 2019，32（12）：1-9，45.（in Chinese）

［12］ 歐陽康強(qiáng). 智能車車道保持與變道行為決策方法研究［D］. 濟(jì)南：齊魯工業(yè)大學(xué)，2021.

［13］ 蔣瀟杰. 基于RRT與LQR的智能汽車路徑規(guī)劃與跟蹤控制［D］. 鎮(zhèn)江：江蘇大學(xué)，2021.

［14］ 劉新亮. 智能車輛高速公路換道行為控制技術(shù)研究［D］. 西安：長安大學(xué)，2021.

［15］ 李林恒，甘婧，曲栩，等.智能網(wǎng)聯(lián)環(huán)境下基于安全勢場理論的車輛換道模型［J］. 中國公路學(xué)報(bào)，2021，34（6）：184-195.

LI L H， GAN J， QU X， et al. Lane-changing model based on safety potential field theory under the connec-ted and automated vehicles environment［J］. China Journal of Highway and Transport， 2021，34（6）：184-195.（in Chinese）

［16］ LI R H， XU J M， LUO Q， et al.Research on early-warning model of vehicle lane-changing on the fast lane based on driver type［C］∥2018 13th World Congress on Intelligent Control and Automation. Piscataway，USA：IEEE， 2018：1244-1249.

［17］ SUN B H， DENG W W， WU J， et al. Research on the classification and identification of driver′s driving style［C］∥IEEE 10th International Symposium on Computational Intelligence and Design. Piscataway，USA：IEEE， 2017：28-32.

［18］ DENG S J， ZHONG Y Y， WANG H Z， et al. A dyna-mic variety model to describe the traffic flow of target lane affected by lane change on urban road［J］. Advances in Mechanical Engineering，2019，11（4）：1-10.

［19］ YAN F W， LIU M T， DING C H， et al. Driving style recognition based on electroencephalography data from a simulated driving experiment［J］. Frontiers in Psycho-logy，DOI：10.3389/fpsyg.2019.01254.

［20］ YANG J R， CHU D F， WANG R K， et al. Coupling effect modeling of driver vehicle environment factors influencing speed selections in curves［J］. Proceedings of the Institution of Mechanical Engineers， Part D： Journal of Automobile Engineering，2020，234（7）：2066-2078.

［21］ DEB S， STRAWDERMAN L， CARRUTH D W， et al. Development and validation of a questionnaire to assess pedestrian receptivity toward fully autonomous vehicles［J］. Transportation Research， Part C： Emerging， 2017，84：178-195.

［22］ REN X M， YU J W. Research on key influence factors of creativity development of applied undergraduates based on PCA［J］. Applied Mathematics and Nonlinear Sciences， 2021，6（1）：141-150.

（責(zé)任編輯 賈國方）