CN110750877B - 一种Apollo平台下的车辆跟驰行为预测方法 - Google Patents

Abstract

本发明公开了一种Apollo平台下的车辆跟驰行为预测方法，在构建过程中通过场景理解获取车辆行驶中的动态信息以及静态信息，通过捕捉驾驶员的行为特征得出其期望距离以及反应时间，并采用启发式搜索算法改进车辆跟驰模型的去模糊化过程，在经过模糊推理模型计算后得出跟驰车加速度范围基于安全性和舒适性的最优解。同时使用Apollo仿真平台对模型进行测试及验证，确保模型的准确性与实用性。本发明解决了现有技术中模糊理论和人工神经网络的方法都只考虑引导车和跟驰车的速度、加速度以及两车的间距，缺乏对驾驶环境的考虑的问题。

Description

一种Apollo平台下的车辆跟驰行为预测方法

技术领域

本发明属于车辆跟驰行为技术领域，具体涉及一种Apollo平台下的车辆跟驰行为预测方法。

背景技术

交通，是市民出行的工具和环境。随着我国经济水平的提升，科技水平的发展，城市化进程的加快，市民在提高生活水平的同时，也对出行的需求和质量提出了更高的要求。然而，一、二线城市的发展和壮大，城市人口密度的不断加大，市民对汽车的消费购买力的提升，造成城市的交通负荷逐年攀升。市区的面积以及路网交通资源的限制，造成了城市交通的拥挤与堵塞现象，严重地降低了市民的出行满意度。为了应对日益严重的交通拥堵，国家先后出台了大力发展公共交通、车辆限号、车牌号摇号或拍卖、停车收费等政策，但是仍旧难以遏制小汽车数量激增的势头。车辆跟驰是道路交通中重要的现象，特别在交通拥堵时，车辆无法换道超车，车辆跟驰行为普遍存在。所以车辆跟驰行为的研究有助于理解交通流的特性。

自上个世纪50年代起，跟驰模型理论才开始得以发展，那时主要是依照数据拟合的思想对实测的车辆数据信息进行拟合，从而得出一定的数学公式，但这类方法得到的跟驰模型具有一定局限性，如数据发生变化时，其模型便不再适用，不利于模型的推广和扩展。因此，近年来学者从跟驰行为的内因出发，提出了多种模型极大丰富了交通流理论的研究。

但是由于驾驶员驾车时受多源信息影响，故其在决策、判断过程中表现为复杂的非线性形态，无法用一个简单的数学表达式来描述驾驶员的心理决策。模糊理论和人工神经网络在处理复杂非线性问题上表现出一定的运算优势，并且在大数据样本下也表现出较好的学习能力。故模糊理论和人工神经网络常常被用于模拟不同环境下的驾驶行为。但是由于目前的模糊理论和人工神经网络的方法都只考虑引导车和跟驰车的速度、加速度以及两车的间距，缺乏对驾驶环境的考虑。

2017年4月，百度提出了自动驾驶开放平台Apollo，该平台经过多次版本迭代后已具备定位、感知、决策、仿真等使能。Apollo可以帮助汽车行业及自动驾驶领域的合作伙伴结合车辆和硬件系统，快速搭建一套属于自己的自动驾驶系统。在Apollo仿真环境下，交通标识、标线及与周边车辆之间的关系等环境信息可通过相应接口输入到Dreamview中进行驾驶环境的构建。不仅如此，Apollo还可以对车辆跟驰模型进行验证，以及通过3D可视化界面进行算法调优。

发明内容

本发明的目的是提供一种Apollo平台下的车辆跟驰行为预测方法，解决了现有技术中模糊理论和人工神经网络的方法都只考虑引导车和跟驰车的速度、加速度以及两车的间距，缺乏对驾驶环境的考虑的问题。

本发明所采用的技术方案是，一种Apollo平台下的车辆跟驰行为预测方法，具体按照以下步骤实施：

步骤1、将车辆自动行驶过程中的场景信息分为静态信息和动态信息，并导入Apollo平台的Dreamview中构建道路场景；

步骤2：捕捉跟驰状态中跟驰车驾驶员行为特征，根据驾驶员的行驶数据，通过动力学公式计算出驾驶员的期望距离，以及利用多项式回归的方法拟合出在速度差和相对距离影响下驾驶员的反应时间分布函数；

步骤3：首先，将捕捉到的跟驰车驶员的行为特征数据采用改进的模糊推理车辆模型方法进行模糊化处理；其次，根据跟驰车驾驶员的驾驶行为特征分析，选定隶属函数，制定模糊规则库；再次，利用模糊推理中的Mamdani模型进行模糊推理；最后，利用启发式学习改进去模糊化的方法，提高解效率；

步骤4：利用改进的车辆推理模型预测跟驰车加速度a'，即加速度预测值，将计算出的加速度预测值a'与实际真实的加速度a代入期望安全距离公式中，计算出加速度预测值a'的期望距离D`与真实的加速度a的期望距离D的比值α，并将α作参数因子代入到期望安全距离公式，进行控制反馈调节。

本发明的特点还在于，

步骤1具体如下：

获得交通场景的三维信息和运动信息，交通场景的三维信息即对应场景信息的静态信息，交通场景的运动信息即场景信息系的动态信息，基础构建场景的拓扑结构，场景的拓扑结构包括信息有周围车辆数目、周围车辆占据的车道、距路边界距离，上述信息通过Apollo相应接口输入到Dreamview中，依据仿真环境提供的模块输出接口标准表给具体模块配置路径，通过该标准中已知的各个模块将场景理解的交通流和环境信息仿真环境结合起来进行环境构建。

步骤2具体按以下步骤实施：

步骤2.1、计算期望距离：

设跟驰车驾驶员能接受前车刺激的最大临界间距为H_max，在间距H_max内跟驰车期望的跟驰间距为h_e(t)，期望间距要保证前导车在突然以最大减速度停车情况下，跟驰车驾驶员经过反应后采取制动能保证安全避免碰撞，防止碰撞的条件为：

其中，h_e(t)为安全间距，x′_n+1(t)为t时刻跟驰车的速度，τ为驾驶员反应时间，L为车长，k表示停车后跟驰车车头与前车即被跟驰车车尾容许的缓冲间距，k为常数，a_n、a_n+1为跟驰行为中前后两车最大减速度；

由上式知，安全间距h_e(t)与前后两车的速度呈动态相关，驾驶员的期望间距为：

利用max函数，取式中二者较大的即为当前的驾驶员期望距离；

步骤2.2、计算反应时间：

首先根据前车加速度和跟驰车加速度变化的时间序列数据，计算反映时间τ，由于不同个体的反应时间不同，因此对应反应时间由推测得到；

然后每一个反映时间均对应一组数据速度差、相对距离(Δv,Δx)，同一个一个反应时间内，前车和跟驰车为一对，这一组数据速度差包含：每个车辆的反应时间内的速度变化以及相对距离，速度变化即每辆车的速度差，相对距离由速度差和加速度差通过相对距离公式得到；

最后，采用多项式回归的方法拟合出在速度差和相对距离影响下驾驶员的反应时间分布函数，反应时间分布函数针对不同个体的跟驰车驾驶员，会有不同的函数表示，如指数函数，Sigmoid函数。

步骤3具体按以下步骤实施：

步骤3.1、定义输入、输出量：

设速度差的计算公式：

Δv_n＝v_n-v_n+1

偏离差是两车在t时刻的距离差ΔL_n(t)与跟驰车期望间距D_n(t)之差，公式如下：

ε_n(t)＝ΔL_n(t)-D_n(t)

速度差和偏离差作为输入量，跟驰车的角速度为输出量，根据道路交通车辆行驶数据集计算出数据集中跟驰车的速度差和偏离差，利用统计的方式找出速度差、偏离差和加速度的范围；

步骤3.2、模糊化：

将速度差和偏离差作为模糊推理系统的输入量，跟驰车的加速度作为输出量，设置每一个输入量、输出量均有7个级别，7个级别分别表示为N3，N2，N1，ZE，P1，P2，P3，对于输入量中的速度差，其中级别P3表示速度差的值为正值且最大，级别P2、P1表示速度差的值为正值但值越来越小，级别ZE表示速度差的值为0，而级别N1、N2、N3表示的是速度差的值为负值，并且值越来越小，同理另一输入量偏差值及输出量加速度的七个级别同上；

步骤3.3、选取隶属函数：

设x^*为精确值，为转换后的模糊集合，三角隶属函数为：

其中：由三角隶属函数分布图知，σ＞0，当|x-x^*|＞σ时，三角形隶属函数模糊集合成为模糊单值，σ越大，x*的变化对的影响越小，即当σ足够大时，该方法具有足够强的抗扰能力；

步骤3.4、建立模糊规则库：

模糊关系为：

其中：

式中，表示由矩阵/>构成的维向量，即如果/>且/>则/>所以当输入/>则

利用条件语句将跟驰状态中的两车的速度差、偏离差和加速度的7个级别的转换关系表达出来，由此构建出49条模糊规则，当两车的速度差和偏离差都为N3级别时，说明跟驰车处于一个非常安全行驶的状态，前车的速度大于跟驰车的速度，并且实际车间距大于期望车间距，跟驰车驾驶员为了与引导车保持跟驰的状态，需要进行加速缩小两车的距离以达到期望距离，故随着偏离差不断的缩小，驾驶员的加速度也会随之变小；

步骤3.5、模糊推理：

采用Mamdani模型作为模糊推理模型，Mamdani模型通过模糊集合A和B的笛卡尔积取小求得：

步骤3.6、去模糊化：

步骤3.6.1、通过重心法得到跟驰车加速度初始解a^now，即跟驰车加速度a；然后令禁忌表H为空，即H＝φ；

步骤3.6.2、若满足终止条件，转步骤3.6.4；否则，在初始解a^now的邻域N(H,a^now)中选出满足禁忌要求的候选集Can_N(a^now)，转步骤3.6.3；

其中，禁忌要求为：邻域a^can，满足

终止条件为：当两次迭代得到的局部最优解不再变化，或者两次最优解的评价函数差别不大时，停止迭代；

步骤3.6.3、在候选集中选一个评价值最好的解a^next，更新禁忌表H＝H∪Can_N(a^now)，并将其设置为当前最优解a^now＝a^next，转步骤2；

步骤3.6.4、输出计算结果a^now，停止搜索。

步骤3.4中模糊规则构建如下：

依据速度差Δv_n、偏离差ε_n和加速度a_n+1的取值范围，将其平均分为7个级别：P3，P2，P1，ZE，N1，N2，N3，其中，P3表示正的最大值，对于速度差Δv_n，当速度差Δv_n为P3时，表示前后车的速度差值很大，P2、P3表示速度差Δv_n、偏离差ε_n和加速度a_n+1的值越来越小，ZE表示为0，而N1、N2、N3表示速度差Δv_n、偏离差ε_n和加速度a_n+1为负值，并且其值越来越小，两车速度差Δv_n和偏离差为ε_n的模糊规则建立如下：

令集合Q＝{N3,N2,N1,ZE,P1,P2,P3}，Δv_n∩ε_n→a_n+1，Δv_n∈Q，ε_n∈Q，a_n+1∈Q，已知Δv_n与ε_n各自有7种状态，因此得到49种加速度状态。

步骤4依据反馈调节公式进行控制反馈调节，反馈调节公式如下：

其中，α为反馈调节参数，通过此反馈调节公式，能够进行控制反馈调节。

本发明的有益效果是，一种Apollo平台下的车辆跟驰行为预测方法，(1)使用Apollo仿真平台对算法可行性进行测试与验证，并通过学习机制提高模型的准确性；(2)将根据驾驶员不同阶段变动的反应时间加入到期望距离公式中，并且引入一个参数因子，调整驾驶员的期望距离。使模型的仿真结果更加贴近现实中的驾驶员的跟驰行为，使模型具有自适应调整反馈控制的能力；(3)采用启发式搜索算法改进车辆跟驰行为模型的去模糊化过程，找到基于安全性和舒适性的加速度最优解。

附图说明

图1是方法流程图；

图2是紧急制动安全间距示意图；

图3是模糊推理系统的流程图；

图4是三角隶属函数图；

图5是Mamdani模型模糊推理图；

图6是Dreamview仿真环境界面。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明Apollo平台下的车辆跟驰行为预测方法，首先，通过场景理解形成场景的结构化描述，给出车辆运动几何、物理层面的约束，并将交通标识、标线及与周边车辆之间的关系等环境信息输入到Apollo平台的Dreamview中构建一个真实的道路场景；然后，将跟驰车驾驶员的驾驶行为分为感知阶段、推理阶段、决策阶段、执行阶段这4个阶段。感知阶段是将获取的外界信息进行处理，计算当前时刻跟驰车驾驶员的期望间距和速度差；推理阶段是利用模糊推理规则推理跟驰车驾驶员的行动方案；决策阶段是将跟驰车驾驶员的行动方案用去模糊化的方法获取驰车驾驶员基于安全性和舒适性的最优加速度；执行阶段是驾驶员将决策从大脑到手的操作后车的速度的过程。最后，使用Apollo仿真平台对方法进行测试及验证，确保方法的准确性与实用性。

本发明一种Apollo平台下的车辆跟驰行为预测方法，流程图如图1所示，具体按照以下步骤实施：

步骤1、将车辆自动行驶过程中的场景信息分为静态信息和动态信息，并导入Apollo平台的Dreamview中构建道路场景，具体如下：

获得交通场景的三维信息和运动信息，交通场景的三维信息即对应场景信息的静态信息，交通场景的运动信息即场景信息系的动态信息，基础构建场景的拓扑结构，场景的拓扑结构包括信息有周围车辆数目、周围车辆占据的车道、距路边界距离，上述信息通过Apollo相应接口输入到Dreamview中，依据仿真环境提供的模块输出接口标准表给具体模块配置路径，通过该标准中已知的各个模块将场景理解的交通流和环境信息仿真环境结合起来进行环境构建，如表1所示。

表1仿真提供的模块输出接口标准表

步骤2：捕捉跟驰状态中跟驰车驾驶员行为特征，根据驾驶员的行驶数据，通过动力学公式计算出驾驶员的期望距离，以及利用多项式回归的方法拟合出在速度差和相对距离影响下驾驶员的反应时间分布函数，具体按以下步骤实施：

步骤2.1、计算期望距离：

设跟驰车驾驶员能接受前车刺激的最大临界间距为H_max，在间距H_max内跟驰车期望的跟驰间距为h_e(t)，期望间距要保证前导车在突然以最大减速度停车情况下，跟驰车驾驶员经过反应后采取制动能保证安全避免碰撞，制动条件下的安全间距示意见图2，防止碰撞的条件为：

其中，h_e(t)为安全间距，x′_n+1(t)为t时刻跟驰车的速度，τ为驾驶员反应时间，L为车长，k表示停车后跟驰车车头与前车即被跟驰车车尾容许的缓冲间距，k为常数，a_n、a_n+1为跟驰行为中前后两车最大减速度；

由上式知，安全间距h_e(t)与前后两车的速度呈动态相关，驾驶员的期望间距为：

利用max函数，取式中二者较大的即为当前的驾驶员期望距离；

步骤2.2、计算反应时间：

首先根据前车加速度和跟驰车加速度变化的时间序列数据，计算反映时间τ，由于不同个体的反应时间不同，因此对应反应时间由推测得到；

然后每一个反映时间均对应一组数据速度差、相对距离(Δv,Δx)，同一个一个反应时间内，前车和跟驰车为一对，这一组数据速度差包含：每个车辆的反应时间内的速度变化以及相对距离，速度变化即每辆车的速度差，相对距离由速度差和加速度差通过相对距离公式得到；

最后，采用多项式回归的方法拟合出在速度差和相对距离影响下驾驶员的反应时间分布函数，反应时间分布函数针对不同个体的跟驰车驾驶员，会有不同的函数表示，如指数函数，Sigmoid函数。

如图、图4、图5所示，步骤3：首先，将捕捉到的跟驰车驶员的行为特征数据采用改进的模糊推理车辆模型方法进行模糊化处理；其次，根据跟驰车驾驶员的驾驶行为特征分析，选定隶属函数，制定模糊规则库；再次，利用模糊推理中的Mamdani模型进行模糊推理；最后，利用启发式学习改进去模糊化的方法，提高解效率，具体按以下步骤实施：

步骤3.1、定义输入、输出量：

设速度差的计算公式：

Δv_n＝v_n-v_n+1

偏离差是两车在t时刻的距离差ΔL_n(t)与跟驰车期望间距D_n(t)之差，公式如下：

ε_n(t)＝ΔL_n(t)-D_n(t)

速度差和偏离差作为输入量，跟驰车的角速度为输出量，根据道路交通车辆行驶数据集计算出数据集中跟驰车的速度差和偏离差，利用统计的方式找出速度差、偏离差和加速度的范围；

步骤3.2、模糊化：

将速度差和偏离差作为模糊推理系统的输入量，跟驰车的加速度作为输出量，设置每一个输入量、输出量均有7个级别，7个级别分别表示为N3，N2，N1，ZE，P1，P2，P3，如表2所示，对于输入量中的速度差，其中级别P3表示速度差的值为正值且最大，级别P2、P1表示速度差的值为正值但值越来越小，级别ZE表示速度差的值为0，而级别N1、N2、N3表示的是速度差的值为负值，并且值越来越小，同理另一输入量偏差值及输出量加速度的七个级别同上；

表2模糊规则对应表

步骤3.3、选取隶属函数：

设x^*为精确值，为转换后的模糊集合，三角隶属函数为：

其中：如图4所示，由三角隶属函数分布图知，σ＞0，当|x-x^*|＞σ时，三角形隶属函数模糊集合成为模糊单值，σ越大，x*的变化对的影响越小，即当σ足够大时，该方法具有足够强的抗扰能力；

步骤3.4、建立模糊规则库：

模糊关系为：

其中：

式中，表示由矩阵/>构成的维向量，即如果/>且/>则/>所以当输入/>则

利用条件语句将跟驰状态中的两车的速度差、偏离差和加速度的7个级别的转换关系表达出来，由此构建出49条模糊规则，如表2所示，当两车的速度差和偏离差都为N3级别时，说明跟驰车处于一个非常安全行驶的状态，前车的速度大于跟驰车的速度，并且实际车间距大于期望车间距，跟驰车驾驶员为了与引导车保持跟驰的状态，需要进行加速缩小两车的距离以达到期望距离，故随着偏离差不断的缩小，驾驶员的加速度也会随之变小；

步骤3.5、模糊推理：

采用Mamdani模型作为模糊推理模型，Mamdani模型输入输出都为模糊氧，在模糊推理后要解模糊，采用Max-Min算子时，模糊推理如图5所示，Mamdani模型通过模糊集合A和B的笛卡尔积取小求得：

步骤3.6、去模糊化：

步骤3.6.1、通过重心法得到跟驰车加速度初始解a^now，即跟驰车加速度a；然后令禁忌表H为空，即H＝φ；

重心法是取模糊集合隶属函数曲线同基础变量轴所围面积的重心对应的元素作为清晰值的方法，也是一种常用的去模糊化方法。

禁忌搜索算法的基本思想就是通过对搜索历史的记录，使用一个禁忌表记录陷入局部最优解，在下一次搜索中利用禁忌表中的信息禁止重复选择局部极值点的搜索，跳出局部最优点，以利于获得全局最优解。

步骤3.6.2、若满足终止条件，转步骤3.6.4；否则，在初始解a^now的邻域N(H,a^now)中选出满足禁忌要求的候选集Can_N(a^now)，转步骤3.6.3；

其中，禁忌要求为：邻域a^can，满足

终止条件为：当两次迭代得到的局部最优解不再变化，或者两次最优解的评价函数差别不大时，停止迭代；

步骤3.6.3、在候选集中选一个评价值最好的解a^next，更新禁忌表H＝H∪Can_N(a^now)，并将其设置为当前最优解a^now＝a^next，转步骤2；

步骤3.6.4、输出计算结果a^now，停止搜索。

评价值是计算车头时距除以预测的加速度。因为在同等驾驶条件下，车头时距越大，说明跟驰车碰撞的可能性越小。而考虑到舒适性，加速度的绝对值一般不宜过大，过大的加速度会引起车内人员的不适。所以，加速度和车头时距是成反比关系。

步骤3.4中模糊规则构建如下：

依据速度差Δv_n、偏离差ε_n和加速度a_n+1的取值范围，将其平均分为7个级别：P3，P2，P1，ZE，N1，N2，N3，其中，P3表示正的最大值，对于速度差Δv_n，当速度差Δv_n为P3时，表示前后车的速度差值很大，P2、P3表示速度差Δv_n、偏离差ε_n和加速度a_n+1的值越来越小，ZE表示为0，而N1、N2、N3表示速度差Δv_n、偏离差ε_n和加速度a_n+1为负值，并且其值越来越小，两车速度差Δv_n和偏离差为ε_n的模糊规则建立如下：

令集合Q＝{N3,N2,N1,ZE,P1,P2,P3}，Δv_n∩ε_n→a_n+1，Δv_n∈Q，ε_n∈Q，a_n+1∈Q，已知Δv_n与ε_n各自有7种状态，因此得到49种加速度状态。

步骤4：利用改进的车辆推理模型预测跟驰车加速度a'，即加速度预测值，将计算出的加速度预测值a'与实际真实的加速度a代入期望安全距离公式中，计算出加速度预测值a'的期望距离D`与真实的加速度a的期望距离D的比值α，并将α作参数因子代入到期望安全距离公式，进行控制反馈调节,反馈调节公式如下：

其中，α为反馈调节参数，通过此反馈调节公式，能够进行控制反馈调节。

本发明在构建过程中通过场景理解获取车辆行驶中的动态信息以及静态信息，通过捕捉驾驶员的行为特征得出其期望距离以及反应时间，并采用启发式搜索算法改进车辆跟驰模型的去模糊化过程，在经过模糊推理模型计算后得出后车加速度范围基于安全性和舒适性的最优解。同时使用Apollo仿真平台对模型进行测试及验证，确保模型的准确性与实用性。

本发明一种Apollo平台下的车辆跟驰行为预测方法，使用Apollo仿真平台进行验证方法。在配置好Apollo软件环境后，将Apollo平台的输出接口与方法进行对接。在模糊推理行为控制策略模型方法成功预测后车加速度等信息后，将其与Apollo的决策规划模块Planning进行对接，最终由Apollo软件实现该模糊推理行为控制策略模型方法的测试与验证，在多次仿真过程中不断调整参数，并通过Apollo的可视化平台对算法进行调优，具体如下：

步骤a、部署环境(例如Docker环境)，拉取Apollo的容器镜像。

步骤b、进入Apollo容器，并编译仿真环境(例如Dreamview仿真环境)；

步骤c、编译成功后运行仿真环境；

步骤d、最终利用相应仿真环境对模型的有效性进行测试以及验证，其界面要参考仿真环境界面，界面如图6所示，具体如下：

首先将Apollo的输出交通流以及环境信息与模型的输入对接，其后将模型得到的加速度预测值转化为planning输入仿真平台，具体对接路径如表3所示；然后仿真平台车辆便可依据已输入的规划调整车速，其最终加速度预测值与实际值通过反馈调节优化模型对驾驶员跟车距离的期望。

在Apollo仿真环境测试与验证模型：

将Apollo的输出交通流以及环境信息与模型的输入对接，其后将模型得到的加速度预测值转化为planning输入仿真平台，具体对接路径如图6所示仿真平台车辆便可依据已输入的规划调整车速，其最终加速度预测值与实际值通过反馈调节优化模型对驾驶员跟车距离的期望。

表3决策规划模块接口标准表

/>

Claims (6)

1.一种Apollo平台下的车辆跟驰行为预测方法，其特征在于，具体按照以下步骤实施：

步骤1、将车辆自动行驶过程中的场景信息分为静态信息和动态信息，并导入Apollo平台的Dreamview中构建道路场景；

步骤2：捕捉跟驰状态中跟驰车驾驶员行为特征，根据驾驶员的行驶数据，通过动力学公式计算出驾驶员的期望距离，以及利用多项式回归的方法拟合出在速度差和相对距离影响下驾驶员的反应时间分布函数；

步骤3：首先，将捕捉到的跟驰车驶员的行为特征数据采用改进的模糊推理车辆模型方法进行模糊化处理；其次，根据跟驰车驾驶员的驾驶行为特征分析，选定隶属函数，制定模糊规则库；再次，利用模糊推理中的Mamdani模型进行模糊推理；最后，利用启发式学习改进去模糊化的方法，提高解效率；

步骤4：利用改进的车辆推理模型预测跟驰车加速度a'，即加速度预测值，将计算出的加速度预测值a'与实际真实的加速度a代入期望安全距离公式中，计算出加速度预测值a'的期望距离D`与真实的加速度a的期望距离D的比值α，并将α作参数因子代入到期望安全距离公式，进行控制反馈调节。

2.根据权利要求1所述的一种Apollo平台下的车辆跟驰行为预测方法，其特征在于，所述步骤1具体如下：

获得交通场景的三维信息和运动信息，交通场景的三维信息即对应场景信息的静态信息，交通场景的运动信息即场景信息系的动态信息，基础构建场景的拓扑结构，场景的拓扑结构包括信息有周围车辆数目、周围车辆占据的车道、距路边界距离，上述信息通过Apollo相应接口输入到Dreamview中，依据仿真环境提供的模块输出接口标准表给具体模块配置路径，通过该标准表中已知的各个模块将场景理解的交通流和环境信息仿真环境结合起来进行环境构建。

3.根据权利要求1所述的一种Apollo平台下的车辆跟驰行为预测方法，其特征在于，所述步骤2具体按以下步骤实施：

步骤2.1、计算期望距离：

设跟驰车驾驶员能接受前车刺激的最大临界间距为H_max，在间距H_max内跟驰车期望的跟驰间距为h_e(t)，期望间距要保证前导车在突然以最大减速度停车情况下，跟驰车驾驶员经过反应后采取制动能保证安全避免碰撞，防止碰撞的条件为：

其中，h_e(t)为安全间距，x′_n+1(t)为t时刻跟驰车的速度，τ为驾驶员反应时间，L为车长，k表示停车后跟驰车车头与前车即被跟驰车车尾容许的缓冲间距，k为常数，a_n、a_n+1为跟驰行为中前后两车最大减速度；

由上式知，安全间距h_e(t)与前后两车的速度呈动态相关，驾驶员的期望间距为：

利用max函数，取式中二者较大的即为当前的驾驶员期望距离；

步骤2.2、计算反应时间：

首先根据前车加速度和跟驰车加速度变化的时间序列数据，计算反映时间τ，由于不同个体的反应时间不同，因此对应反应时间由推测得到；

然后每一个反映时间均对应一组数据速度差、相对距离(Δv,Δx)，同一个反应时间内，前车和跟驰车为一对，这一组数据速度差包含：每个车辆的反应时间内的速度变化以及相对距离，速度变化即每辆车的速度差，相对距离由速度差和加速度差通过相对距离公式得到；

最后，采用多项式回归的方法拟合出在速度差和相对距离影响下驾驶员的反应时间分布函数，反应时间分布函数针对不同个体的跟驰车驾驶员，会有不同的函数表示，如指数函数，Sigmoid函数。

4.根据权利要求3所述的一种Apollo平台下的车辆跟驰行为预测方法，其特征在于，所述步骤3具体按以下步骤实施：

步骤3.1、定义输入、输出量：

设速度差的计算公式：

Δv_n＝v_n-v_n+1

偏离差是两车在t时刻的距离差ΔL_n(t)与跟驰车期望间距D_n(t)之差，公式如下：

ε_n(t)＝ΔL_n(t)-D_n(t)

速度差和偏离差作为输入量，跟驰车的角速度为输出量，根据道路交通车辆行驶数据集计算出数据集中跟驰车的速度差和偏离差，利用统计的方式找出速度差、偏离差和加速度的范围；

步骤3.2、模糊化：

将速度差和偏离差作为模糊推理系统的输入量，跟驰车的加速度作为输出量，设置每一个输入量、输出量均有7个级别，7个级别分别表示为N3，N2，N1，ZE，P1，P2，P3，对于输入量中的速度差，其中级别P3表示速度差的值为正值且最大，级别P2、P1表示速度差的值为正值但值越来越小，级别ZE表示速度差的值为0，而级别N1、N2、N3表示的是速度差的值为负值，并且值越来越小，同理另一输入量偏差值及输出量加速度的七个级别同上；

步骤3.3、选取隶属函数：

设x*为精确值，为转换后的模糊集合，三角隶属函数为：

其中：由三角隶属函数分布图知，σ＞0，当|x-x^*|＞σ时，三角形隶属函数模糊集合成为模糊单值，σ越大，x*的变化对μ_A*(x)的影响越小，即当σ足够大时，该方法具有足够强的抗扰能力；

步骤3.4、建立模糊规则库：

模糊关系为：

其中：

式中，表示由矩阵/>构成的维向量，即如果/>且/>则/>所以当输入/>则

利用条件语句将跟驰状态中的两车的速度差、偏离差和加速度的7个级别的转换关系表达出来，由此构建出49条模糊规则，当两车的速度差和偏离差都为N3级别时，说明跟驰车处于一个非常安全行驶的状态，前车的速度大于跟驰车的速度，并且实际车间距大于期望车间距，跟驰车驾驶员为了与引导车保持跟驰的状态，需要进行加速缩小两车的距离以达到期望距离，故随着偏离差不断的缩小，驾驶员的加速度也会随之变小；

步骤3.5、模糊推理：

采用Mamdani模型作为模糊推理模型，Mamdani模型通过模糊集合A和B的笛卡尔积取小求得：

步骤3.6、去模糊化：

步骤3.6.1、通过重心法得到跟驰车加速度初始解a^now，即跟驰车加速度a；然后令禁忌表H为空，即H＝φ；

步骤3.6.2、若满足终止条件，转步骤3.6.4；否则，在初始解a^now的邻域N(H,a^now)中选出满足禁忌要求的候选集Can_N(a^now)，转步骤3.6.3；

其中，禁忌要求为：邻域a^can，满足

终止条件为：当两次迭代得到的局部最优解不再变化，或者两次最优解的评价函数差别不大时，停止迭代；

步骤3.6.3、在候选集中选一个评价值最好的解a^next，更新禁忌表H＝H∪Can_N(a^now)，并将其设置为当前最优解a^now＝a^next，转步骤2；

步骤3.6.4、输出计算结果a^now，停止搜索。

5.根据权利要求4所述的一种Apollo平台下的车辆跟驰行为预测方法，其特征在于，所述步骤3.4中模糊规则构建如下：

依据速度差Δv_n、偏离差ε_n和加速度a_n+1的取值范围，将其平均分为7个级别：P3，P2，P1，ZE，N1，N2，N3，其中，P3表示正的最大值，对于速度差Δv_n，当速度差Δv_n为P3时，表示前后车的速度差值很大，P2、P3表示速度差Δv_n、偏离差ε_n和加速度a_n+1的值越来越小，ZE表示为0，而N1、N2、N3表示速度差Δv_n、偏离差ε_n和加速度a_n+1为负值，并且其值越来越小，两车速度差Δv_n和偏离差为ε_n的模糊规则建立如下：

令集合Q＝{N3,N2,N1,ZE,P1,P2,P3}，Δv_n∩ε_n→a_n+1，Δv_n∈Q，ε_n∈Q，a_n+1∈Q，已知Δv_n与ε_n各自有7种状态，因此得到49种加速度状态。

6.根据权利要求4所述的一种Apollo平台下的车辆跟驰行为预测方法，其特征在于，所述步骤4依据反馈调节公式进行控制反馈调节，反馈调节公式如下：

其中，α为反馈调节参数，通过此反馈调节公式，能够进行控制反馈调节。