基于主观风险感量化的车辆跟驰和换道运动模型

一、研究背景及意义
　　1.智能驾驶技术
　　智能驾驶技术的首要目的就是保障交通安全。因此，智能驾驶汽车的相关系统设计最初的角度主要是安全。目前，随着智能驾驶技术的逐渐发展，在保障安全的前提下，可以进一步地考虑安全与效率之间的平衡关系。
　　2.量化交通环境的风险
　　在智能汽车的整个行驶过程中，无论是跟驰、换道还是交叉口通行，都需要考虑行车环境的风险问题。但是，如何对该风险进行量化仍然是一个值得探索的问题。目前，智能汽车都是以一种相对客观方法对风险水平进行量化。但是在实际驾驶过程中，驾驶人是通过对周围环境的感知对风险进行主观的评价。量化这种驾驶人主观感知的风险才能够更好的建模驾驶人的驾驶行为，以及应用于自动驾驶系统，使得自动驾驶系统的决策过程与人的期望保持一致，来提高驾驶人对自动驾驶的信任度，这具有重要的意义。但是由于主观感知风险是一个不可直接测量的量，因此需要通过一些可测量的量来间接的对该风险进行量化。

3.驾驶人的决策机制
　　已有的驾驶行为模型很多是基于具体场景的，例如跟驰，换道等。但是由于交通的场景复杂多变，面向不同的场景构建不同的模型会导致模型数量的膨胀，对智能控制决策带来一定的影响，这是基于场景的建模方法面临的最大的问题。驾驶人实际上在不同场景中的决策被认为是统一的，具有相同的决策机制。通过探究统一的驾驶人决策机制，建立不依赖于具体场景的行为模型是一个值得研究的问题。
　　二、基于场论的驾驶人主观风险量化
　　1.整体思路

基于场论的方法来对驾驶人的主观感知风险进行量化的目标是使得量化的方法以及量化的结果与具体的场景无关，只与场景中存在的交通要素的自身属性有关。交通场景中存在的一些静态环境要素，例如车道线，道路边缘线，护栏等，都会在它自身周围区域产生一定的风险来影响其它车辆的路径规划。对于交通场景中的运动物体，同样会在其自身周围区域产生一定的风险，但是该风险影响区域会跟随着车辆进行变化，使得其它车辆在进行路径规划时还需要对该风险的变化进行一定的预测。这些交通要素产生的风险只与其自身的位置，属性，以及运动状态有关，与具体的环境无关。例如，速度更高的运动物体有着更高的不确定性，都会在其自身周围范围产生一个更高的风险，使得其他车辆在路径规划时与其保持更远的距离。最后，通过将不同交通要素在其周围产生的风险进行叠加形成统一的风险场，完成对整个交通环境的整体描述，以便于后续的行为决策建模。
　　2.场论约束

基于场论对风险进行量化存在以下三点基本假设：（1）风险场中风险的最大值为1，仅存在于不可越过的障碍物所覆盖的区域；（2）每个要素产生的对应的风险场都是以自身为中心的；（3）通过取最大值的方式来对不同要素产生的风险场进行叠加得到最终的交通环境风险场。运动车辆产生的风险场如上左图所示，在一个路段上增加车道线以及道路边缘产生的风险场如上中图所示，在一个信号控制交叉口中增加由于动态交通管控信息产生的动态风险场如上右图所示。车辆会在其所处的风险场环境中，受到环境风险的综合作用来构建期望的路径。

3.风险函数
　　以运动车辆为例，其会对时空中的任意一点产生风险，该风险仅与它的位置、尺寸和速度等属性有关。随着车辆速度的增加，车辆的不稳定性增加，其会对周围产生更大的风险。其次，随着相对距离的减小，这些位置更容易受到车辆的影响，则有着更大的风险。此外，考虑到车辆作为一个不可越过的障碍物，在其覆盖范围内风险均等于最大风险。同时在车辆的纵向和横向上对风险场模型进行构建，并在其他区域综合考虑两个方向的风险，完成了对车辆周围影响区域的风险量化。其中，对于不同类型的车辆，模型待定参数和可能存在一定的差异，以此来考虑车辆其它属性对风险的影响。

最后，将所有要素产生的风险场通过坐标系变换转换到相同坐标系下，并通过取最大值的方式对它们进行叠加，都能够得到所需的能够描述交通环境对车辆运动约束的统一风险场。

三、基于风险量化的轨迹的规划模型
　　1.风险动态平衡原理
　　心理学上存在两个经典理论，风险动态平衡理论和行为补偿理论。类似于人的血压是一定时间内是在一个固定值的基础上进行波动的。这两个理论也认为在面对任何场景的时候，驾驶人存在一个固定的可接受风险水平，驾驶人通过行为调整使得其主观感知的风险在可接受风险水平上下波动。此外，该固定不变的期望风险也为主观感知风险的量化提供依据。

2.预瞄理论
　　另一个描述驾驶人行为的理论是预瞄理论。它认为驾驶人会通过行为调整使得自车在预瞄时间后到达期望的位置，再结合风险动态平衡理论，期望位置对应的风险可以被认为是期望风险。该预瞄时间大致是在0.5到1.5 s的范围内，一般可以取为1.5 s。因此，整个模型的构建思路就是，驾驶人判断预瞄时间后车辆承受的风险是不是等于期望风险。与此对应的驾驶人控制策略就是如果承受的风险小于期望风险，就可以通过加速提前通过该位置，到达风险相对更高的位置来获取更高的收益。如果承受的风险大于期望风险，就可以通过减速延迟通过该位置，损失一定的通行效率来保障行车安全。

四、轨迹规划模型的实际应用
　　通过风险场构建的轨迹规划模型被具体在跟驰和换道场景中进行简单的应用。首先，基于风险动态平衡理论对模型参数进行简单的标定。其核心在于不同的稳定状态下，驾驶人保持着相同的期望风险水平。以跟驰场景为例，在不同速度下的稳定跟驰场景中，驾驶人感知到的主观风险均在期望风险水平上下波动。此外，当前后车保持静止时亦处于稳定状态，驾驶人感知的风险也将位于期望风险水平附近。通过选取了一些特殊点，我们代入模型中对三个模型参数进行标定。标定的参数为，，。随后，我们在选择了一个NGSIM的实际跟驰案例来对模型效果进行验证，模型对该案例较好的拟合结果也表明了模型能够对跟驰以及停车起步的驾驶行为进行建模。

也将该模型与已有的经典跟驰模型（期望安全裕度模型，DSM和智能驾驶人模型，IDM）进行了模型对比。通过对比三个模型对跟驰案例建模的误差可以发现，提出的模型相较于IDM模型有着更好的拟合效果。这也就进一步证明了模型在跟驰场景中的有效性。同时也与已有的驾驶人主观感知风险的量化指标安全裕度（SM）进行比较，也发现两者的变化趋势较为一致。

该模型也被应用于换道场景，在换道场景中对模型进行验证。换道场景中可以分为换道空间不满足时的强制换道，此时换道车辆需要等待或者缓慢进行切入。另一种是自由换道，通常是换道的空间足够大。此外，由于产生换道意图时换道车辆与目标车辆的相对位置的差异，换道车辆在换道过程中可能是加速也可能是减速。此外，车辆在换道过程中，由于汽车动力学的相关关系，车辆的横向速度和纵向速度之间存在着一定的关系，需要基于车辆的纵向速度对车辆的横向速度进行约束。

选择了一个换道的自然驾驶数据进行建模。通过将仿真数据与实际数据进行对比可以发现，模型能够对换道行为进行良好的行为建模。此外，该案例在换道结束后存在着跟驰场景。可以发现，在使用完全相同的模型以及模型参数的情况下，模型能够同时对跟驰和换道行为进行建模。通过该案例证明了模型能够应用于不同的场景中对驾驶行为进行统一的建模。

此外，不同的驾驶人在跟驰过程中的期望风险可能不一样。如下图所示，IDM对该驾驶行为的拟合相对较差。模型使用普适性的参数也不能很好的适用于该特殊的驾驶人。当我们通过增加模型中的期望风险就能够对该驾驶人的跟驰行为进行很好的建模。该结论表明了模型能够较方便的调整来对不同类型的驾驶人的行为进行差异化的行为建模。

整体而言，首先，我们提出了一个与场景无关的驾驶人主观感知风险量化方法。其次，基于该风险量化方法提出的轨迹规划模型能够在跟驰和切入场景中有效描述实际的驾驶行为。该模型可以用于预测不同类型驾驶人的行驶轨迹，也可以描述驾驶人的行为决策，同时也能为自动驾驶系统提供一种类人的轨迹规划方法，具有一定的参考意义。