CN112071059A - 一种基于瞬时风险评估的智能车辆换道轨迹协同规划方法 - Google Patents

Abstract

本发明公开了一种基于瞬时风险评估的智能车辆换道轨迹协同规划方法，包括：1)获取交通基础数据：车辆运动数据、车辆相对位置信息、车辆几何参数、道路几何条件和路面摩擦系数；2)采集周围车辆的运动轨迹构建换道样本，利用模糊C聚类算法提取周围车辆运动特征；3)基于周围车辆的运动特征，预测周围车辆在t时刻的车辆运动状态及车辆间距；4)建立换道条件安全判别模型，利用停车距离指标推导车辆运行瞬时风险指标；5)以瞬时风险最小化为目标函数，分别利用梯形加速度法与遗传算法规划车辆横纵向运动轨迹；6)通过计算机编程实现车辆换道轨迹规划功能。本发明可提前识别换道安全性，并规划车辆换道轨迹，为车辆换道轨迹规划系统提供理论参考与技术支持。

Description

一种基于瞬时风险评估的智能车辆换道轨迹协同规划方法

技术领域

本发明涉及智能车辆换道风险评估与换道轨迹最优性的技术领域，尤其是指一种基于瞬时风险评估的智能车辆换道轨迹协同规划方法。

背景技术

跟车行为与换道行为是车辆在高速公路上行驶时最常见的两种驾驶行为，当驾驶员意图执行换道行为时，驾驶员需要根据周围车辆的间距、运行状态、道路线形、道路使用情况以及交通限速管理等一系列的交通环境因素，对是否执行换道、何时换道以及如何换道等问题做出合理的分析和判断。一旦驾驶员对安全换道的可行性做出错误的判断，极易引发交通事故。据高速公路和快速路交通事故数据统计，与换道过程有关的交通事故占60％以上。由此可见，如何有效提高车辆在高速公路上的换道安全性是一项重要的研究内容。随着计算机技术与传感器技术的快速发展，智能网联汽车逐渐普及。有研究学者表明，自动驾驶技术在降低延误、减少交通事故和提高道路通行能力等方面具有巨大潜在研究价值。当自动驾驶技术发展成熟时，其技术应用可有效帮助驾驶员提升驾驶安全性、舒适性，避免因人为错误操作引发的交通事故。同时，随着5G通讯技术的发展，车辆与交通环境之间的通讯能力得到进一步提高，为自动驾驶技术的应用创造了良好的通讯环境，从而使智能网联汽车得到了加快推广。综上所述，通过电子传感器技术和通信技术实时获取周围环境的交通状态信息，为智能车辆规划安全、可靠、舒适、高效的换道轨迹已成为当今自动驾驶技术的研究热点，解决因行驶环境随机性和复杂性导致的换道轨迹规划安全难题。

目前，应用于无人驾驶车辆的换道轨迹规划模型种类繁多，主要包含多项式轨迹、回旋曲线、正反梯形横向加速度轨迹和圆弧轨迹等，各种轨迹模型各有侧重，性能存在较大差异。尽管换道轨迹建模已取得一定成果，但尚存部分亟待优化、改进之处。经归纳，不足之处主要表现在：①大部分模型仅考虑当前交通环境的安全性，难以提前评估即将遭遇的换道风险；②多数模型注重研究换道轨迹本身的性能，较少考虑换道车辆与周围车辆的博弈关系及其交互影响。因此，有必要实时提取周围车辆的运动特征，对其运动轨迹进行预测，从而判别智能车辆在未来短时间内的换道风险，并基于此规划换道轨迹。本发明考虑了智能车辆与周围车辆之间的交互作用，可对智能车辆换道风险进行提前识别，并基于未来交通环境与换道瞬时风险规划换道轨迹，从而提高智能车辆在实际应用中的换道安全性。

鉴于此，本发明基于当前交通条件信息，利用模糊C聚类算法提取周围车辆的运动特征，预测t时刻的周围车辆运动工况。其次，采用停车视距(Stopping sight distance，SSD)实时判别目标车辆在t时刻的换道冲突可能性，并利用停车距离指标(Stoppingdistance index,SDI)得到车辆运行瞬时风险评估指标。最后，以车辆运行瞬时风险最小化为目标函数，设置最大速度、最大加速度以及最大瞬时风险等约束条件，利用梯形加速度法规划车辆横向运动轨迹，采用遗传算法优化车辆纵向运动轨迹，进而组合得到车辆换道运动轨迹。本发明能够有效提取周围车辆运动模式特征，提前评估目标车辆在t时刻的瞬时风险，并综合考虑了车辆在换道过程中的安全性与舒适性，实时规划车辆换道轨迹，从而为车辆换道轨迹规划系统、自动驾驶车辆换道控制提供理论参考与技术支持。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于瞬时风险评估的智能车辆换道轨迹协同规划方法，通过采集交通基础数据，利用模糊C聚类算法提取周围车辆运动特征，预测周围车辆运动工况。同时，基于SSD判断换道条件是否安全，利用SDI评估车辆运行瞬时风险，并以瞬时风险最小化为目标函数，分别采用梯形加速度法与遗传算法规划车辆横纵向运动轨迹，输出安全、可靠、舒适的车辆换道轨迹方案。

为实现上述目的，本发明所提供的技术方案为：一种基于瞬时风险评估的智能车辆换道轨迹协同规划方法，包括以下步骤：

1)获取交通基础数据，包括车辆运动数据、车辆相对位置信息、车辆几何参数、道路几何条件和路面摩擦系数；

2)周围车辆运动特征提取：采集目标车辆换道过程中周围车辆的运动轨迹历史数据以构建换道样本，利用模糊C聚类算法提取换道样本中周围车辆的运动特征；

3)预测周围车辆未来运动工况：基于周围车辆的运动特征，预测周围车辆在t时刻的车辆运动状态及车辆间距；

4)评估车辆运行瞬时风险：基于停车视距建立换道条件安全判别模型，利用SDI获得车辆运行瞬时风险指标，以实时评估t时刻的风险系数；

5)构建瞬时风险最小化目标函数，规划车辆横纵向运动轨迹：以车辆运行瞬时风险最小化为目标函数，设置约束条件，包括最大速度、最大加速度以及最大瞬时风险，利用梯形加速度法与遗传算法规划车辆横纵向运动加速度，进而得到车辆换道轨迹；

6)通过计算机编程实现车辆运行瞬时风险评估功能，并输出车辆换道加速度方案。

在步骤1)中，所述车辆运动数据包括目标车辆与周围车辆的速度与加速度，能够通过智能车辆的车载传感器或路侧监控设备获取车辆实时运动数据；所述车辆相对位置信息包括目标车辆分别与当前车道前车、后车的车辆间距及目标车辆与当前车道前车、后车的车辆间距，能够从智能车辆的车载传感器以及路侧监控设备获取；所述车辆几何参数包括车辆长度和车辆宽度，能够通过读取车身电子标签信息或视频识别获取；所述道路几何条件包括车道数、车道宽度和坡度，能够通过车载导航地图或路侧视频设备识别获取；所述路面摩擦系数包括不同天气情况下的路面摩擦系数，能够通过专家法或相关标准设定。

所述步骤2)包括以下步骤：

2.1)定义目标车辆的周围车辆

目标车辆的周围车辆分布状况由实际情况而定，其数量设为n，则有0≤n≤4，即周围车辆最少为0辆车，最多为4辆车；当n＝4时，周围车辆包括目标车辆所在当前车道的后车与前车及目标车辆意图到达目标车道的后车与前车；

2.2)定义模糊C聚类算法的Hausdorff距离

已知目标车辆与周围车辆的运动轨迹，利用模糊C聚类算法将具有相似运动特征的车辆轨迹聚为同一类，以区分车辆的运动模式；选择Hausdorff距离来度量车辆轨迹的相似性，定义数据采样周期为c，轨迹时间长度为T，T为整数，车辆运动轨迹数为N，则两辆车的运动特征的Hausdorff距离为：

H(F_i,F_j)＝max{h(F_i,F_j),h(F_j,F_i)}

其中，

式中，i＝1,2,…,N；j＝1,2,…,N；N为车辆运动轨迹数；l与k均为时间变量；H(F_i,F_j)表示轨迹F_i与轨迹F_j之间的Hausdorff距离；轨迹F_i＝(f_i ¹,f_i ²,…,f_i ^T)，轨迹F_j＝(f_j ¹,f_j ²,…,f_j ^T)；h(F_i,F_j)表示轨迹F_i到轨迹F_j的前向Hausdorff距离；h(F_j,F_i)表示轨迹F_j到轨迹F_i的后向Hausdorff距离；f_i ^k表示车辆i在k时刻的位置坐标(x_i ^k,y_i ^k),f_j ^l表示车辆j在l时刻的位置坐标(x_j ^l,y_j ^l)；d(f_i ^k,f_j ^l)表示位置坐标f_i ^k与f_j ^l之间的欧氏距离，即

2.3)基于模糊C聚类算法的车辆运动特征聚类

选择模糊C聚类算法实现轨迹聚类，模糊C聚类采用模糊思想，设计思路符合实际，有更好的鲁棒性和适用性，模糊C聚类算法实现车辆运动轨迹聚类的算法步骤如下：

Step 1:随机初始化K个轨迹聚类中心；

Step 2:计算每条车辆运动轨迹F_i分别到K个轨迹中心θ_k的Hausdorff距离，即：

H(F_i,θ_k)＝max{h(F_i,θ_k),h(θ_k,F_i)}

式中，H(F_i,θ_k)表示轨迹F_i与轨迹中心θ_k之间的Hausdorff距离；i＝1,2,3,…,N,N为车辆运动轨迹数；k＝1,2,…,K，K为轨迹中心的数量；h(F_i,θ_k)表示轨迹F_i到轨迹中心θ_k的前向Hausdorff距离；h(θ_k,F_i)表示轨迹中心θ_k到轨迹F_i的后向Hausdorff距离；

Step 3:计算每条车辆运动轨迹F_i分别到K个轨迹中心θ_k的隶属度μ_i,k：

式中，μ_i,k为轨迹F_i到轨迹中心θ_k的隶属度；K为轨迹中心的数量；N为车辆运动轨迹数；θ_k为第k个轨迹中心；F_i表示第i条轨迹；H(F_i,θ_k)表示轨迹F_i与轨迹中心θ_k之间的Hausdorff距离；

Step 4:根据每条车辆运动轨迹的隶属度更新K个轨迹中心θ_k：

式中，θ_k为第k个轨迹中心；F_i表示第i条轨迹；μ_i,k为轨迹F_i到轨迹中心θ_k的隶属度；N为车辆运动轨迹数；

Step 5:根据下式判断K个聚类中心是否收敛，若收敛结束循环，否则执行Step 2；

式中，K为轨迹中心的数量；r为迭代次数；θ_k(r)为第r次迭代的第k个轨迹中心；θ_k(r+1)为第r+1次迭代的第k个轨迹中心；ε为收敛上界；

模糊C聚类算法运行结束后，能够得到K个车辆运动轨迹中心θ_k，即

k＝1,2,...,K，其中(x_k ^T,y_k ^T)为车辆运动轨迹中心θ_k在T时刻的位置坐标。

所述步骤3)包括以下步骤：

3.1)车辆运动模式判断

基于所选取的车辆运动轨迹中心θ_k ⁱ推导其轨迹位置对应的加速度向量a_k ⁱ，且a_k ⁱ＝{a_k ⁱ(1),a_k ⁱ(2),…,a_k ⁱ(T)}，a_k ⁱ(T)为车辆运动轨迹中心θ_k ⁱ在T时刻的加速度；已知周围车辆i在过去T₁秒的运动轨迹数据，根据模糊C聚类算法得到的K个车辆运动轨迹中心结果，分别计算周围车辆i在过去T₁秒内的加速度与K个车辆运动轨迹中心在任意T₁秒内的加速度之间的方差，通过筛选得到加速度方差最小的车辆运行轨迹中心，即选取与周围车辆i运动模式相似度最高的车辆运动轨迹中心θ_k ⁱ，i≤n，n为周围车辆的数量；

3.2)预测周围车辆在t时刻的速度

已知周围车辆i的初始速度V_i(T₁)、加速度a_i(T₁)以及相似度最高的车辆运动轨迹中心加速度向量a_k ⁱ，则周围车辆i在t时刻的速度V_i(t)为：

式中，V_i(t)为周围车辆i在t时刻的速度，单位为m/s；τ为t时间内的任意时间；T₁为已经历的时间窗，单位为s；T为轨迹时间长度；a_k ⁱ(τ)为与周围车辆i运动轨迹点相似度最高的车辆运动轨迹中心在τ时刻的加速度，单位为m/s²；V_i(T₁)为周围车辆i的初始速度，单位为m/s；

3.3)计算目标车辆与周围车辆在t时刻的车辆间距

周围车辆i在t时刻的位移S_i(t)为：

式中，S_i(t)为周围车辆i在t秒后的位移，单位为m；c为采样周期，单位为s；τ为t时间内的任意时间；V_i(τ)为周围车辆i在τ时刻的速度，单位为m/s；T₁为已经历的时间窗，单位为s；T为轨迹时间长度；a_k ⁱ(τ)为与周围车辆i运动轨迹点相似度最高的车辆运动轨迹中心在τ时刻的加速度，单位为m/s²；

假设目标车辆在换道过程中周围存在n辆车，且1≤n≤4；已知目标车辆与周围车辆的初始车辆间距d_i(T₁)，且i＝1,2,…,n，则目标车辆与周围车辆i在t时刻的车辆间距d_i(t)为：

d_i(t)＝S_F(t)-S_R(t)+d_i(T₁)

式中：d_i(t)为目标车辆与周围车辆i在t时刻的纵向车辆间距，单位为m；S_F(t)为目标车辆与周围车辆i两者中处于前方位置的车辆在t时刻的纵向位移，单位为m；S_R(t)为目标车辆与周围车辆i两者中处于后方位置的车辆在t时刻的纵向位移，单位为m。

所述步骤4)包括以下步骤：

4.1)安全换道条件判别

基于目标车辆与周围车辆i在t时刻的速度以及纵向车辆间距，计算目标车辆与周围车辆i之间的停车视距，以判断t时刻的交通条件是否存在换道风险，则各车辆在t时刻的停车视距为D_j(t)：

式中，D_j(t)为车辆j在t时刻的停车视距，单位为m，j＝s,1,2,…,n，j＝s表示目标车辆，j＝1,2,…,n表示周围车辆；V_j(t)为车辆j在t时刻的速度，单位为km/h；f为路面摩擦系数；g为道路坡度；t_r为驾驶员反应时间，单位为s；

已知目标车辆与周围车辆i在t时刻的纵向车辆间距以及停车视距，则t时刻目标车辆与周围车辆i之间的停车距离指标SDI_i(t)为：

SDI_i(t)＝D_F(t)-D_R(t)+d_i(t)-l_F

式中：SDI_i(t)为目标车辆与周围车辆i在t时刻的停车距离指标，i＝1,2,…,n，单位为m；D_F(t)为目标车辆与周围车辆i两者中处于前方位置的车辆在t时刻的停车视距，单位为m；D_R(t)为目标车辆与周围车辆i两者中处于后方位置的车辆在t时刻的停车视距，单位为m；d_i(t)为目标车辆与周围车辆i在t时刻的纵向车辆间距，单位为m；l_F为目标车辆与周围车辆i两者中处于前方位置的车辆的车身长度，单位为m；

基于停车距离指标SDI_i(t)判断t时刻的交通条件是否存在换道风险，则安全换道条件判别函数L(G_s(t),G_i(t),d_i(t))为：

式中：L(G_s(t),G_i(t),d_i(t))＝1表示当前换道条件为安全，否则表示当前换道条件为不安全；G_s(t)为目标车辆在t时刻的运动状态信息，包括速度V_s(t)与加速度a_s(t)；G_i(t)为周围车辆i在t时刻的运动状态信息，包括速度V_i(t)与加速度a_i(t)；SDI_i(t)为目标车辆与周围车辆i在t时刻的停车距离指标；d_i(t)为目标车辆与周围车辆i在t时刻的纵向车辆间距，单位为m；

由上述可知，只有当目标车辆在t时刻的换道条件为不安全时才需要对目标车辆的换道瞬时风险进行评估，即跳转至步骤4.2)；若目标车辆在t时刻的交通条件为安全，则无需进一步评估；

4.2)计算目标车辆在t时刻运行的瞬时风险

车辆运行瞬时风险

定义为目标车辆与周围车辆的间距小于安全停车距离时存在的潜在风险严重程度，反映目标车辆在间距保持上的空间风险；当SDI_i(t)≥0时，

当SDI_i(t)<0时，

的计算公式为：

式中：

为目标车辆在t时刻的瞬时风险系数；SDI_i(t)为目标车辆与周围车辆i在t时刻的停车距离，单位为m；

为目标车辆与周围车辆i在t时刻的安全停车距离，单位为m；D_R(t)为目标车辆i与周围车辆i两者中处于后方位置的车辆在t时刻的停车视距，单位为m；l_F为目标车辆与周围车辆i两者中处于前方位置的车辆的车身长度，单位为m；

目标车辆在t时刻的换道瞬时风险

评估是目标车辆纵向轨迹规划的依据，其计算过程与目标车辆纵向运动规划程序协同进行，并非独立存在。

所述步骤5)包括以下步骤：

5.1)车辆纵向轨迹规划

在满足换道安全性、舒适性以及速度限制条件下，以车辆运行瞬时风险最小化为目标函数，以保证局部交通流的稳定运行，其目标函数为：

同时，满足以下约束：

0＜V_s(τ)≤V_max

|a_s(τ)|≤a_max

式中,

为目标车辆在换道过程中的总风险系数；t_c为目标车辆换道持续时间，单位为s；

为目标车辆在τ时刻的瞬时风险系数；τ为t_c时间内的任意时间；V_s(τ)为目标车辆在τ时刻的纵向速度，单位为m/s；V_max为目标车辆最大纵向限速，单位为m/s；a_s(τ)为目标车辆在τ时刻的纵向加速度，单位为m/s²；a_max为目标车辆在满足行车舒适性前提下的最大纵向加速度，单位为m/s²；δ为预设最大瞬时风险阈值，保证驾驶员具有足够的反应时间采取制动措施以避免碰撞；

5.2)车辆横向轨迹规划

采用梯形加速度法规划目标车辆的换道横向轨迹，若给定目标车辆换道最大横向加速度及横向加速度变化率的值，即可得到目标车辆在换道过程中的横向加速度a_s,y(τ)，其表达式为：

a_s,y(τ)＝k_af(τ)-k_a(τ-t₁)f(τ-t₁)-k_a(τ-t₂)f(τ-t₂)+k_a(τ-t₃)f(τ-t₃)+k_a(τ-t₄)f(τ-t₄)-k_a(τ-t_c)f(τ-t_c)

式中,a_s,y(τ)为目标车辆在换道过程中任意τ时刻的横向加速度，单位为m/s²；k_a为目标车辆横向加速度变化率，单位为m/s³；f(τ)为单位阶跃函数，当0≤τ时，f(τ)＝1，当τ≤0时，f(τ)＝0；f(τ-t₁)为单位阶跃函数，当t₁≤τ时，f(τ-t₁)＝1，当τ≤t₁时，f(τ-t₁)＝0；f(τ-t₂)为单位阶跃函数，当t₂≤τ时，f(τ-t₂)＝1，当τ≤t₂时，f(τ-t₂)＝0；f(τ-t₃)为单位阶跃函数，当t₃≤τ时，f(τ-t₃)＝1，当τ≤t₃时，f(τ-t₃)＝0；f(τ-t₄)为单位阶跃函数，当t₄≤τ时，f(τ-t₄)＝1，当τ≤t₄时，f(τ-t₄)＝0；f(τ-t_c)为单位阶跃函数，当t_c≤τ时，f(τ-t_c)＝1，当τ≤t_c时，f(τ-t_c)＝0；t_c为目标车辆换道持续时间，单位为s；t₁、t₂、t₃、t₄均为暂态时间变量，其中t₁、t₂分别为目标车辆开始与结束最大横向加速度a_s,y ^max的时刻,t₃、t₄分别为目标车辆开始与结束最小横向加速度-a_s,y ^max的时刻；

在目标车辆换道期间，假设车辆在当前车道与目标车道上的横向位移相等，两车道中心线横向间距为D,经过时间t_c后车辆恰好完成换道过程，则存在以下关系式：

t₂-t₁＝t₄-t₃

式中，a_s,y ^max为目标车辆最大横向加速度，单位为m/s²；k_a为目标车辆横向加速度变化率，单位为m/s³；t₁、t₂、t₃、t₄均为暂态时间变量，其中t₁、t₂分别为目标车辆开始与结束最大横向加速度a_s,y ^max的时刻,t₃、t₄分别为目标车辆开始与结束最小横向加速度-a_s,y ^max的时刻；t_c为目标车辆换道持续时间，单位为s；

在上述假设提前下，能够得到t₂的表达式为：

式中，a_s,y ^max为目标车辆最大横向加速度，单位为m/s²；t₂为目标车辆结束最大横向加速度a_s,y ^max的时刻；k_a为目标车辆横向加速度变化率，单位为m/s³；D为两车道中心线横向间距，单位为m；

对横向加速度等式进行二次积分，并联立以上3个等式代入横向加速度积分公式得：

式中，a_s,y ^max为目标车辆最大横向加速度，单位为m/s²；k_a为目标车辆横向加速度变化率，单位为m/s³；D为两车道中心线横向间距，单位为m；t_c为目标车辆换道持续时间，单位为s；

由于车辆的换道持续时间过长或过短都存在驾驶风险，在此需要对换道持续时间进行约束：

t_min＜t_c≤t_max

式中，目标车辆t_c为换道持续时间，单位为s；t_min为目标车辆最短换道时间，单位为s；t_max为目标车辆最大换道时间，单位为s；

5.3)车辆横纵向轨迹方案求解

采用遗传算法求解目标函数，得到车辆横纵向运动的控制策略，算法过程包括编码、种群初始化、交叉重组、变异、选择以及解码，具体步骤如下：

a)编码

目标函数的求解是对3类决策变量进行优化，包括换道持续时间t_c、换道时横向最大加速度a_s,y ^max和目标车辆的纵向加速度a_s(τ)；选择浮点数编码的编码方案，基因长度为Z，第1个基因位表示换道时间t_c，第2基因位表示换道时横向最大加速度a_s,y ^max，第3个至最后一个基因位表示换道时的纵向加速度a_s(τ)；为了解决决策变量数量变化的问题，对个体编码统一采用最长的编码长度；在解码和计算适应度函数的过程中，根据t_c确定有效的基因位，只将前t_c个纵向加速度a_x(τ)参与计算；

b)种群初始化

在种群初始化的过程，除了要求变量在制定的范围内随机生成，还根据约束条件对个体的实际意义作进一步的判断，对于不满足约束条件的种群，将重新生成：首先，对梯形横向加速度进行判断；然后，根据t_c、a_s,y ^max和公式

计算车辆横向加速度变化率k_a；最后，若k_a不满足约束条件，则重新生成；

c)交叉重组

从种群中随机选择2个个体x_A和x_B，对于这2个个体相同位置的基因位x_A,i和x_B,i，i＝1,2,…,Z，按照以下公式更新：

式中，x_A,i ^*和x_B,i ^*表示个体x_A和x_B交叉后的第i个基因位；x_A,i和x_B,i表示个体x_A和x_B的第i个基因位；α是交叉重组的一个常数，取值为(0,1]；

d)变异

从种群中选择1个个体x_A，对于个体x_A的基因位x_A,i，按照以下公式更新：

式中，x_A,i ^#为个体x_A变异后的第i个基因位；x_A,i表示个体x_A的第i个基因位；x_A,i ^max和x_A,i ^min分别表示基因位i的取值上限和下限；β是一个变异常数，取值为(0,1]；r是(0,1]之间的随机数；randint(2)表示随机生成一个0或1的整数；

e)选择

采用基于轮盘随机法的选择策略，具有以下4个步骤：

Step 1：根据下式计算个体j被选择保留到下一代种群的概率p_j：

式中，f_j为第j个个体的适应度函数；f_i为第i个个体的适应度函数；m为种群的个体数量；

Step 2：计算个体j的累计概率g_j：

式中，p_i为第i个个体被选择保留到下一代种群的概率；

Step 3：在[0,1]之间随机生成一个随机数r，将r与g_j进行比较，若g_j-1<r<g_j，则个体j被选择保留到下一代种群；g_j-1为个体j-1的累计概率；

Step 4：重复STEP 3，直到下一代种群规模与当前种群规模一致；

f)个体解码

经过多次迭代进化后，选择适应度最高的个体进行解码，作为车辆横纵向运行轨迹规划的最终方案。

本发明与现有技术相比，具有如下优点与有益效果：

1、提出基于瞬时风险评估的智能车辆换道轨迹规划方法，有利于提前识别未来交通条件存在的换道风险，使得轨迹规划方案更加安全合理，避免车辆在执行换道策略时遭遇交通冲突或碰撞等风险。

2、区别于以往仅考虑当前交通条件的车辆换道轨迹规划研究，本发明提取了周围车辆的运动模式，并基于此预测周围车辆未来运行工况。本发明考虑了未来交通环境演变的可预测性，解决了现有大多数换道轨迹方法存在时滞性与不确定性问题，使得智能车辆的换道轨迹规划更加科学、合理。

3、提出了一种基于停车视距的风险评估指标，可有效识别换道过程中存在的碰撞风险。以瞬时风险最小化为目标函数，设置最大风险系数、最大加速度以及最大速度等约束条件，提高智能车辆换道过程的安全性与舒适性。

4、采用梯形加速度法规划车辆换道横向轨迹，曲率变化连续、顺畅，具有良好的舒适性与安全性，在换道时间和变量控制方面都具有明显优势，较好适应不同结构尺寸的道路工况变化。

5、运用遗传算法实现车辆换道纵向轨迹规划的快速求解，具有求解速度快、运算灵活、不易陷入局部最优解等优势。

附图说明

图1为本发明的建模流程图。

图2为本发明的典型车辆换道场景示意图。

图3为本发明的换道轨迹规划方法基本原理流程图。

图4为本发明的车辆横向加速度变化图。

具体实施方式

下面结合具体实施例对本发明作进一步说明。

如图1所示，本实施例所提供的基于瞬时风险评估的智能车辆换道轨迹协同规划方法，其具体情况如下：

1)获取交通基础数据。交通基础数据包括车辆运动数据、车辆相对位置信息、车辆几何参数、道路几何条件和路面摩擦系数；

所述车辆运动数据包括目标车辆与周围车辆的速度与加速度，能够通过智能车辆的车载传感器或路侧监控设备获取车辆实时运动数据；所述车辆相对位置信息包括目标车辆分别与当前车道前车、后车的车辆间距，目标车辆与当前车道前车、后车的车辆间距，能够从智能车辆的车载传感器以及路侧监控设备获取；所述车辆几何参数包括车辆长度、车辆宽度，能够通过读取车身电子标签信息或视频识别获取；所述道路几何条件包括车道数、车道宽度、坡度，能够通过车载导航地图或路侧视频设备识别获取；所述路面摩擦系数包括不同天气情况下的路面摩擦系数，能够通过专家法或相关标准设定。

典型的换道场景如图2所示，车辆运动状态数据为：目标车辆初始速度V_s(T₁)＝10m/s；当前车道后车的初始速度V₁(T₁)＝8m/s；当前车道前车的初始速度V₂(T₁)＝8m/s；目标车道后车的初始速度V₃(T₁)＝12m/s；目标车道前车的初始速度V₄(T₁)＝12m/s。

车辆相对位置信息为：目标车辆与当前车道后车的初始车辆间距为d₁(T₁)＝20m；目标车辆与当前车道前车的初始车辆间距为d₂(T₁)＝25m；目标车辆与目标车道后车的初始车辆间距为d₃(T₁)＝20m；目标车辆与目标车道前车的初始车辆间距为d₄(T₁)＝30m。

车辆几何参数为：假设所有车辆均为小轿车，则有车辆长度l_s＝4m，车辆宽度W＝2.5m。

道路几何条件为：车道数为2，车道宽度D为3.75m，坡度为0。

路面摩擦系数为：假设天气状况为干燥天气，道路表面为水泥路面，则摩擦系数

2)周围车辆运动特征提取。采集目标车辆换道过程中周围车辆的运动轨迹历史数据以构建换道样本，利用模糊C聚类算法提取换道样本中周围车辆的运动特征。包括以下步骤：

2.1)定义目标车辆的周围车辆

如图2所示，设周围车辆的数量为4，包括目标车辆所在当前车道的后车(车辆1)与前车(车辆2)，目标车辆意图到达目标车道的后车(车辆3)与前车(车辆4)。

2.2)定义模糊C聚类算法的Hausdorff距离

定义数据采样周期为c＝1秒，轨迹时间长度为T＝9秒，车辆运动轨迹数N＝10则两辆车的运动特征的Hausdorff距离为：

H(F_i,F_j)＝max{h(F_i,F_j),h(F_j,F_i)}

其中

式中，i＝1,2,…,10；j＝1,2,…,10；H(F_i,F_j)表示轨迹F_i与轨迹F_j之间的Hausdorff距离；轨迹F_i＝(f_i ¹,f_i ²,…,f_i ^T)，轨迹F_j＝(f_j ¹,f_j ²,…,f_j ^T)；f_i ^k表示车辆i在l时刻的位置坐标(x_j ^l,y_j ^l),f_j ^l表示车辆j在l时刻的位置坐标(x_i ^k,y_i ^k)；d(f_i ^k,f_j ^l)表示位置坐标f_i ^k与f_j ^l之间的欧氏距离，即

2.3)基于模糊C聚类算法的车辆运动特征聚类

令轨迹聚类中心数K＝2，模糊C聚类算法实现车辆运动轨迹聚类的算法步骤如下：

Step 1:随机初始化2个轨迹聚类中心；

Step 2:计算每条车辆运动轨迹F_i分别到2个轨迹中心θ_k的Hausdorff距离，即：

H(F_i,θ_k)＝max{h(F_i,θ_k),h(θ_k,F_i)}

式中，H(F_i,θ_k)表示轨迹F_i与轨迹中心θ_k之间的Hausdorff距离；i＝1,2,3,…,10,k＝1,2。

Step 3:计算10条车辆运动轨迹F_i分别到2个轨迹中心θ_k的隶属度μ_i,k

式中，μ_i,k为轨迹F_i到轨迹中心θ_k的隶属度；θ_k为第k个轨迹中心；F_i表示第i条轨迹；H(F_i,θ_k)表示轨迹F_i与轨迹中心θ_k之间的Hausdorff距离。

Step 4:根据每条车辆运动轨迹的隶属度更新2个轨迹中心θ_k

式中，θ_k为第k个轨迹中心；F_i表示第i条轨迹；μ_i,k为轨迹F_i到轨迹中心θ_k的隶属度。

Step 5:根据下式判断2个聚类中心是否收敛，若收敛结束循环，否则执行Step 2。

式中，θ_k为第k个轨迹中心；ε为收敛上界，r为迭代次数。

模糊C聚类算法运行结束后，可以得到2个车辆运动轨迹中心θ_k，即

k＝1,2。

3)基于周围车辆的运动特征，预测周围车辆在t时刻的车辆运动状态及车辆间距。

3.1)车辆运动模式判断

以周围车辆1为例，即目标车辆在换道前的后方车辆。设T₁＝3秒，运用模糊C聚类算法得到周围车辆1的2个运动轨迹中心θ₁ ¹、θ₂ ¹，推导其轨迹位置对应的加速度向量a₁ ¹和a₂ ¹，其中a₁ ¹＝{1,1.5,2,2,2,2,2,2,2}，a₂ ¹＝{1.5,1,1,1,1,1,1,0,0}，单位为m/s²。设周围车辆1在过去3秒内的加速度为a₁＝{1.5,1,1}，分别比较a₁与a₁ ¹、a₂ ¹在任意3秒内的相似度(即方差)，通过筛选得到运动模式相似度最高的车辆运行轨迹中心。在本案例中，与周围车辆1的运动模式最相近的是车辆运动轨迹中心θ₂ ¹，其加速度向量为a₂ ¹＝{1.5,1,1,1,1,1,1,0,0}，单位为m/s²。

以此类推，分别得到其他周围车辆运动模式最相近的车辆运动轨迹中心加速度向量a₁ ²＝{0,0,0,0,0,0,-1,-1,-1}、a₁ ³＝{1,1,0,0,0,0,0,0,0}、a₁ ⁴＝{0,0,1,1,1,1,1,1,1}，单位为m/s²。

3.2)预测周围车辆在t＝6s时刻的速度

已知当前车道前车的初始速度V₁(3)＝8m/s；当前车道后车的初始速度V₂(3)＝8m/s；目标车道前车的初始速度V₃(3)＝12m/s；目标车道后车的初始速度V₄(3)＝12m/s。令t＝6，则周围车辆i在t＝6s时刻的速度V_i(6)为：

V₁(6)＝1+1+1+8＝11m/s

V₂(6)＝0+0+0+8＝8m/s

V₃(6)＝0+0+0+12＝12m/s

V₄(6)＝1+1+1+12＝15m/s

3.3)计算目标车辆与周围车辆在t＝6s时刻的车辆间距

设周围车辆i在t＝6s时刻的位移S_i(6)为：

已知目标车辆与周围车辆i的初始车辆间距分别为d₁(3)＝20m，d₂(3)＝25m，d₃(3)＝30m，d₄(3)＝20m，则目标车辆与周围车辆i在t＝6s时刻的车辆间距为：

4)基于停车视距建立换道条件安全判别模型，利用SDI获得车辆运行瞬时风险指标，以实时评估t＝6s时刻的风险系数。

4.1)安全换道条件判别

计算目标车辆与周围车辆i之间的停车视距，以判断t＝6s时刻的交通条件是否存在换道风险，令驾驶员反应时间t_r＝1.5s；则各车辆在t＝6s时刻的停车视距D_j(6)为：

已知目标车辆与周围车辆i在t＝6s时刻的纵向车辆间距以及停车视距，则t＝6s时刻目标车辆与周围车辆i之间的停车距离指标SDI_i(6)为：

基于停车距离指标SDI_i(t)判断t＝6s时刻的交通条件是否存在换道风险，则安全换道条件判别函数L(G_sub(t),G_sur(t))为：

当目标车辆在t＝6s时刻的换道条件为不安全时，需对目标车辆的换道瞬时风险进行评估，即跳转至步骤4.2)；若目标车辆在t＝6s时刻的交通条件为安全，则无需进一步评估。由于在本案例中尚未给出目标车辆在t＝6s时刻的运动状态，故未能进一步判断。

4.2)计算目标车辆在t＝6s时刻运行的瞬时风险

当SDI_i(6)≥0时，

当SDI_i(6)<0时，

的计算公式为：

目标车辆在t时刻的换道瞬时风险

评估是目标车辆纵向轨迹规划的依据，其计算过程与目标车辆纵向运动规划程序协同进行，并非独立存在。

5)以车辆运行瞬时风险最小化为目标函数，设置约束条件，包括最大速度、最大加速度以及最大瞬时风险，利用梯形加速度法与遗传算法规划车辆横纵向运动加速度，进而得到车辆换道轨迹。换道轨迹规划方法基本原理如图3所示。

5.1)车辆纵向轨迹规划

在满足换道安全性、舒适性以及速度限制等条件下，设目标车辆最大纵向限速V_max＝80km/h，目标车辆最大纵向加速度a_max＝2.5m/s²，预设最大瞬时风险阈值δ＝0.1，基因长度Z＝8，最短换道时间t_min＝3s，最长换道时间t_max＝9s。采用遗传算法求解目标函数，得到目标车辆换道持续时间t_c＝6s与目标车辆纵向加速度变量a_s(τ)，a_s(τ)＝{0，1，2，2，2，1}，单位为m/s²。基于纵向加速度变量计算目标车辆的纵向速度与位移，进而得到目标车辆与周围车辆的间距，根据停车距离指标推导公式可知，目标车辆在τ时刻的SDI_i(τ)均大于0(0≤τ≤6)，即

则目标函数为：

同时，目标车辆的速度、加速度与瞬时风险系数满足以下约束：

0＜V_s(τ)≤80km/h

|a_s(τ)|≤2.5m/s²

5.2)车辆横向轨迹规划

在目标车辆换道期间，假设车辆在当前车道与目标车道上的横向位移相等，两车道中心线横向间距为D＝3.75m,经过时间t_c＝6s后车辆恰好完成换道过程，满足约束：

3＜t_c≤6

利用遗传算法求解得到最大横向加速度a_s,y ^max＝1m/s²，则由式

推导可得：

可推导得到t₁、t₂、t₃、t₄：

t₃＝t₁+t₄-t₂＝t_c-t₂＝6-1.8321＝4.1679s

t₄＝t_c-t₁＝6-1.75＝4.25s

目标车辆横向加速度方案如图4所示，目标车辆在换道过程中任意τ时刻的横向加速度a_s,y(t)表达式为：

a_s,y(τ)＝0.5714f(τ)-0.5714(τ-1.75)f(τ-1.75)-0.5714(τ-1.8321)f(τ-1.8321)+0.5714(τ-4.1679)f(τ-4.1679)+0.5714(τ-4.25)f(τ-4.25)-0.5714(τ-6)f(τ-6)

5.3)车辆横纵向轨迹方案求解

采用遗传算法求解目标函数，得到车辆横纵向运动的控制策略，算法过程包括编码、种群初始化、交叉重组、变异、选择以及解码，具体步骤如下：

a)编码

目标函数的求解是对3类决策变量进行优化，包括换道持续时间t_c、换道时横向最大加速度a_s,y ^max和目标车辆的纵向加速度a_s(τ)；选择浮点数编码的编码方案，基因长度Z＝8，第1个基因位表示换道时间t_c，第2基因位表示换道时横向最大加速度a_s,y ^max，第3个至最后一个基因位表示换道时的纵向加速度a_s(τ)；为了解决决策变量数量变化的问题，对个体编码统一采用最长的编码长度；在解码和计算适应度函数的过程中，根据t_c确定有效的基因位，只将前t_c个纵向加速度a_x(τ)参与计算；

b)种群初始化

在种群初始化的过程，除了要求变量在制定的范围内随机生成，还根据约束条件对个体的实际意义作进一步的判断，对于不满足约束条件的种群，将重新生成：首先，对梯形横向加速度进行判断；然后，根据t_c、a_s,y ^max和公式

计算车辆横向加速度变化率k_a；最后，若k_a不满足约束条件，则重新生成；

c)交叉重组

从种群中随机选择2个个体x_A和x_B，x_A＝(6,1,0，2，2，1,1,1)，x_B＝(6,1,1,1,2,2，2，1)，对于这2个个体相同位置的基因位x_A,4和x_B,4，设α＝0.6，按照以下公式更新：

式中，x_A,4 ^*和x_B,4 ^*表示个体x_A和x_B交叉后的第4个基因位；x_A,4和x_B,4表示个体x_A和x_B的第4个基因位；

d)变异

从种群中选择1个个体x_A，x_A＝(6,1,0，2，2，1,1,1)，设变异常数β＝0.5，随机数r＝0.6，x_A,4 ^max＝2，x_A,4 ^min＝-2，则对于个体x_A的基因位x_A,4，按照以下公式更新：

即

其中，x_A,4 ^#为个体x_A变异后的第4个基因位；x_A,4表示个体x_A的第4个基因位；x_A,4 ^max和x_A,4 ^min分别表示基因位4的取值上限和下限；randint(2)表示随机生成一个0或1的整数；

e)选择

采用基于轮盘随机法的选择策略，具有以下4个步骤：

Step 1：设种群的个体数量m＝3，所有个体的适应度函数分别为f₁＝10、f₂＝20、f₃＝30，则个体2被选择保留到下一代种群的概率p₂为

Step 2：计算个体2的累计概率g₂：

式中，p_i为第i个个体被选择保留到下一代种群的概率；

Step 3：在[0,1]之间随机生成一个随机数r＝0.6，将r与g₂进行比较，存在0.17<0.6<0.67，即g₁<r<g₂，故个体2被选择保留到下一代种群；Step 4：重复STEP 3，直到下一代种群规模与当前种群规模一致；

f)个体解码

经过多次迭代进化后，选择适应度最高的个体(6,1,0，1，2，2，2，1)进行解码，得到目标车辆换道持续时间t_c＝6s、最大横向加速度a_s,y ^max＝1m/s²以及目标车辆纵向加速度变量a_s(τ)，a_s(τ)＝{0，1，2，2，2，1}，单位为m/s²

6)通过计算机编程实现车辆运行瞬时风险评估功能，并输出车辆换道加速度方案。

以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (6)

1.一种基于瞬时风险评估的智能车辆换道轨迹协同规划方法，其特征在于，包括以下步骤：

1)获取交通基础数据，包括车辆运动数据、车辆相对位置信息、车辆几何参数、道路几何条件和路面摩擦系数；

2)周围车辆运动特征提取：采集目标车辆换道过程中周围车辆的运动轨迹历史数据以构建换道样本，利用模糊C聚类算法提取换道样本中周围车辆的运动特征；

3)预测周围车辆未来运动工况：基于周围车辆的运动特征，预测周围车辆在t时刻的车辆运动状态及车辆间距；

4)评估车辆运行瞬时风险：基于停车视距建立换道条件安全判别模型，利用SDI获得车辆运行瞬时风险指标，以实时评估t时刻的风险系数；

5)构建瞬时风险最小化目标函数，规划车辆横纵向运动轨迹：以车辆运行瞬时风险最小化为目标函数，设置约束条件，包括最大速度、最大加速度以及最大瞬时风险，利用梯形加速度法与遗传算法规划车辆横纵向运动加速度，进而得到车辆换道轨迹；

6)通过计算机编程实现车辆运行瞬时风险评估功能，并输出车辆换道加速度方案。

2.根据权利要求1所述的一种基于瞬时风险评估的智能车辆换道轨迹协同规划方法，其特征在于，在步骤1)中，所述车辆运动数据包括目标车辆与周围车辆的速度与加速度，能够通过智能车辆的车载传感器或路侧监控设备获取车辆实时运动数据；所述车辆相对位置信息包括目标车辆分别与当前车道前车、后车的车辆间距及目标车辆与当前车道前车、后车的车辆间距，能够从智能车辆的车载传感器以及路侧监控设备获取；所述车辆几何参数包括车辆长度和车辆宽度，能够通过读取车身电子标签信息或视频识别获取；所述道路几何条件包括车道数、车道宽度和坡度，能够通过车载导航地图或路侧视频设备识别获取；所述路面摩擦系数包括不同天气情况下的路面摩擦系数，能够通过专家法或相关标准设定。

3.根据权利要求1所述的一种基于瞬时风险评估的智能车辆换道轨迹协同规划方法，其特征在于，所述步骤2)包括以下步骤：

2.1)定义目标车辆的周围车辆

目标车辆的周围车辆分布状况由实际情况而定，其数量设为n，则有0≤n≤4，即周围车辆最少为0辆车，最多为4辆车；当n＝4时，周围车辆包括目标车辆所在当前车道的后车与前车及目标车辆意图到达目标车道的后车与前车；

2.2)定义模糊C聚类算法的Hausdorff距离

已知目标车辆与周围车辆的运动轨迹，利用模糊C聚类算法将具有相似运动特征的车辆轨迹聚为同一类，以区分车辆的运动模式；选择Hausdorff距离来度量车辆轨迹的相似性，定义数据采样周期为c，轨迹时间长度为T，T为整数，车辆运动轨迹数为N，则两辆车的运动特征的Hausdorff距离为：

H(F_i,F_j)＝max{h(F_i,F_j),h(F_j,F_i)}

其中，

式中，i＝1,2,…,N；j＝1,2,…,N；N为车辆运动轨迹数；l与k均为时间变量；H(F_i,F_j)表示轨迹F_i与轨迹F_j之间的Hausdorff距离；轨迹F_i＝(f_i ¹,f_i ²,…,f_i ^T)，轨迹F_j＝(f_j ¹,f_j ²,…,f_j ^T)；h(F_i,F_j)表示轨迹F_i到轨迹F_j的前向Hausdorff距离；h(F_j,F_i)表示轨迹F_j到轨迹F_i的后向Hausdorff距离；f_i ^k表示车辆i在k时刻的位置坐标(x_i ^k,y_i ^k),f_j ^l表示车辆j在l时刻的位置坐标(x_j ^l,y_j ^l)；d(f_i ^k,f_j ^l)表示位置坐标f_i ^k与f_j ^l之间的欧氏距离，即

2.3)基于模糊C聚类算法的车辆运动特征聚类

选择模糊C聚类算法实现轨迹聚类，模糊C聚类采用模糊思想，设计思路符合实际，有更好的鲁棒性和适用性，模糊C聚类算法实现车辆运动轨迹聚类的算法步骤如下：

Step1:随机初始化K个轨迹聚类中心；

Step2:计算每条车辆运动轨迹F_i分别到K个轨迹中心θ_k的Hausdorff距离，即：

H(F_i,θ_k)＝max{h(F_i,θ_k),h(θ_k,F_i)}

式中，H(F_i,θ_k)表示轨迹F_i与轨迹中心θ_k之间的Hausdorff距离；i＝1,2,3,…,N,N为车辆运动轨迹数；k＝1,2,…,K，K为轨迹中心的数量；h(F_i,θ_k)表示轨迹F_i到轨迹中心θ_k的前向Hausdorff距离；h(θ_k,F_i)表示轨迹中心θ_k到轨迹F_i的后向Hausdorff距离；

Step3:计算每条车辆运动轨迹F_i分别到K个轨迹中心θ_k的隶属度μ_i,k：

式中，μ_i,k为轨迹F_i到轨迹中心θ_k的隶属度；K为轨迹中心的数量；N为车辆运动轨迹数；θ_k为第k个轨迹中心；F_i表示第i条轨迹；H(F_i,θ_k)表示轨迹F_i与轨迹中心θ_k之间的Hausdorff距离；

Step4:根据每条车辆运动轨迹的隶属度更新K个轨迹中心θ_k：

式中，θ_k为第k个轨迹中心；F_i表示第i条轨迹；μ_i,k为轨迹F_i到轨迹中心θ_k的隶属度；N为车辆运动轨迹数；

Step5:根据下式判断K个聚类中心是否收敛，若收敛结束循环，否则执行Step2；

式中，K为轨迹中心的数量；r为迭代次数；θ_k(r)为第r次迭代的第k个轨迹中心；θ_k(r+1)为第r+1次迭代的第k个轨迹中心；ε为收敛上界；

模糊C聚类算法运行结束后，能够得到K个车辆运动轨迹中心θ_k，即

其中(x_k ^T,y_k ^T)为车辆运动轨迹中心θ_k在T时刻的位置坐标。

4.根据权利要求1所述的一种基于瞬时风险评估的智能车辆换道轨迹协同规划方法，其特征在于，所述步骤3)包括以下步骤：

3.1)车辆运动模式判断

基于所选取的车辆运动轨迹中心θ_k ⁱ推导其轨迹位置对应的加速度向量a_k ⁱ，且a_k ⁱ＝{a_k ⁱ(1),a_k ⁱ(2),…,a_k ⁱ(T)}，a_k ⁱ(T)为车辆运动轨迹中心θ_k ⁱ在T时刻的加速度；已知周围车辆i在过去T₁秒的运动轨迹数据，根据模糊C聚类算法得到的K个车辆运动轨迹中心结果，分别计算周围车辆i在过去T₁秒内的加速度与K个车辆运动轨迹中心在任意T₁秒内的加速度之间的方差，通过筛选得到加速度方差最小的车辆运行轨迹中心，即选取与周围车辆i运动模式相似度最高的车辆运动轨迹中心θ_k ⁱ，i≤n，n为周围车辆的数量；

3.2)预测周围车辆在t时刻的速度

已知周围车辆i的初始速度V_i(T₁)、加速度a_i(T₁)以及相似度最高的车辆运动轨迹中心加速度向量a_k ⁱ，则周围车辆i在t时刻的速度V_i(t)为：

式中，V_i(t)为周围车辆i在t时刻的速度，单位为m/s；τ为t时间内的任意时间；T₁为已经历的时间窗，单位为s；T为轨迹时间长度；a_k ⁱ(τ)为与周围车辆i运动轨迹点相似度最高的车辆运动轨迹中心在τ时刻的加速度，单位为m/s²；V_i(T₁)为周围车辆i的初始速度，单位为m/s；

3.3)计算目标车辆与周围车辆在t时刻的车辆间距

周围车辆i在t时刻的位移S_i(t)为：

式中，S_i(t)为周围车辆i在t秒后的位移，单位为m；c为采样周期，单位为s；τ为t时间内的任意时间；V_i(τ)为周围车辆i在τ时刻的速度，单位为m/s；T₁为已经历的时间窗，单位为s；T为轨迹时间长度；a_k ⁱ(τ)为与周围车辆i运动轨迹点相似度最高的车辆运动轨迹中心在τ时刻的加速度，单位为m/s²；

假设目标车辆在换道过程中周围存在n辆车，且1≤n≤4；已知目标车辆与周围车辆的初始车辆间距d_i(T₁)，且i＝1,2,…,n，则目标车辆与周围车辆i在t时刻的车辆间距d_i(t)为：

d_i(t)＝S_F(t)-S_R(t)+d_i(T₁)

式中：d_i(t)为目标车辆与周围车辆i在t时刻的纵向车辆间距，单位为m；S_F(t)为目标车辆与周围车辆i两者中处于前方位置的车辆在t时刻的纵向位移，单位为m；S_R(t)为目标车辆与周围车辆i两者中处于后方位置的车辆在t时刻的纵向位移，单位为m。

5.根据权利要求1所述的一种基于瞬时风险评估的智能车辆换道轨迹协同规划方法，其特征在于，所述步骤4)包括以下步骤：

4.1)安全换道条件判别

基于目标车辆与周围车辆i在t时刻的速度以及纵向车辆间距，计算目标车辆与周围车辆i之间的停车视距，以判断t时刻的交通条件是否存在换道风险，则各车辆在t时刻的停车视距为D_j(t)：

式中，D_j(t)为车辆j在t时刻的停车视距，单位为m，j＝s,1,2,…,n，j＝s表示目标车辆，j＝1,2,…,n表示周围车辆；V_j(t)为车辆j在t时刻的速度，单位为km/h；f为路面摩擦系数；g为道路坡度；t_r为驾驶员反应时间，单位为s；

已知目标车辆与周围车辆i在t时刻的纵向车辆间距以及停车视距，则t时刻目标车辆与周围车辆i之间的停车距离指标SDI_i(t)为：

SDI_i(t)＝D_F(t)-D_R(t)+d_i(t)-l_F

式中：SDI_i(t)为目标车辆与周围车辆i在t时刻的停车距离指标，i＝1,2,…,n，单位为m；D_F(t)为目标车辆与周围车辆i两者中处于前方位置的车辆在t时刻的停车视距，单位为m；D_R(t)为目标车辆与周围车辆i两者中处于后方位置的车辆在t时刻的停车视距，单位为m；d_i(t)为目标车辆与周围车辆i在t时刻的纵向车辆间距，单位为m；l_F为目标车辆与周围车辆i两者中处于前方位置的车辆的车身长度，单位为m；

基于停车距离指标SDI_i(t)判断t时刻的交通条件是否存在换道风险，则安全换道条件判别函数L(G_s(t),G_i(t),d_i(t))为：

式中：L(G_s(t),G_i(t),d_i(t))＝1表示当前换道条件为安全，否则表示当前换道条件为不安全；G_s(t)为目标车辆在t时刻的运动状态信息，包括速度V_s(t)与加速度a_s(t)；G_i(t)为周围车辆i在t时刻的运动状态信息，包括速度V_i(t)与加速度a_i(t)；SDI_i(t)为目标车辆与周围车辆i在t时刻的停车距离指标；d_i(t)为目标车辆与周围车辆i在t时刻的纵向车辆间距，单位为m；

由上述可知，只有当目标车辆在t时刻的换道条件为不安全时才需要对目标车辆的换道瞬时风险进行评估，即跳转至步骤4.2)；若目标车辆在t时刻的交通条件为安全，则无需进一步评估；

4.2)计算目标车辆在t时刻运行的瞬时风险

车辆运行瞬时风险

定义为目标车辆与周围车辆的间距小于安全停车距离时存在的潜在风险严重程度，反映目标车辆在间距保持上的空间风险；当SDI_i(t)≥0时，

当SDI_i(t)<0时，

的计算公式为：

式中：

为目标车辆在t时刻的瞬时风险系数；SDI_i(t)为目标车辆与周围车辆i在t时刻的停车距离，单位为m；SDI_i ^safe(t)为目标车辆与周围车辆i在t时刻的安全停车距离，单位为m；D_R(t)为目标车辆i与周围车辆i两者中处于后方位置的车辆在t时刻的停车视距，单位为m；l_F为目标车辆与周围车辆i两者中处于前方位置的车辆的车身长度，单位为m；

目标车辆在t时刻的换道瞬时风险

评估是目标车辆纵向轨迹规划的依据，其计算过程与目标车辆纵向运动规划程序协同进行，并非独立存在。

6.根据权利要求1所述的一种基于瞬时风险评估的智能车辆换道轨迹协同规划方法，其特征在于，所述步骤5)包括以下步骤：

5.1)车辆纵向轨迹规划

在满足换道安全性、舒适性以及速度限制条件下，以车辆运行瞬时风险最小化为目标函数，以保证局部交通流的稳定运行，其目标函数为：

同时，满足以下约束：

0＜V_s(τ)≤V_max

|a_s(τ)|≤a_max

式中,

为目标车辆在换道过程中的总风险系数；t_c为目标车辆换道持续时间，单位为s；

为目标车辆在τ时刻的瞬时风险系数；τ为t_c时间内的任意时间；V_s(τ)为目标车辆在τ时刻的纵向速度，单位为m/s；V_max为目标车辆最大纵向限速，单位为m/s；a_s(τ)为目标车辆在τ时刻的纵向加速度，单位为m/s²；a_max为目标车辆在满足行车舒适性前提下的最大纵向加速度，单位为m/s²；δ为预设最大瞬时风险阈值，保证驾驶员具有足够的反应时间采取制动措施以避免碰撞；

5.2)车辆横向轨迹规划

采用梯形加速度法规划目标车辆的换道横向轨迹，若给定目标车辆换道最大横向加速度及横向加速度变化率的值，即可得到目标车辆在换道过程中的横向加速度a_s,y(τ)，其表达式为：

a_s,y(τ)＝k_af(τ)-k_a(τ-t₁)f(τ-t₁)-k_a(τ-t₂)f(τ-t₂)+k_a(τ-t₃)f(τ-t₃)+k_a(τ-t₄)f(τ-t₄)-k_a(τ-t_c)f(τ-t_c)

式中,a_s,y(τ)为目标车辆在换道过程中任意τ时刻的横向加速度，单位为m/s²；k_a为目标车辆横向加速度变化率，单位为m/s³；f(τ)为单位阶跃函数，当0≤τ时，f(τ)＝1，当τ≤0时，f(τ)＝0；f(τ-t₁)为单位阶跃函数，当t₁≤τ时，f(τ-t₁)＝1，当τ≤t₁时，f(τ-t₁)＝0；f(τ-t₂)为单位阶跃函数，当t₂≤τ时，f(τ-t₂)＝1，当τ≤t₂时，f(τ-t₂)＝0；f(τ-t₃)为单位阶跃函数，当t₃≤τ时，f(τ-t₃)＝1，当τ≤t₃时，f(τ-t₃)＝0；f(τ-t₄)为单位阶跃函数，当t₄≤τ时，f(τ-t₄)＝1，当τ≤t₄时，f(τ-t₄)＝0；f(τ-t_c)为单位阶跃函数，当t_c≤τ时，f(τ-t_c)＝1，当τ≤t_c时，f(τ-t_c)＝0；t_c为目标车辆换道持续时间，单位为s；t₁、t₂、t₃、t₄均为暂态时间变量，其中t₁、t₂分别为目标车辆开始与结束最大横向加速度a_s,y ^max的时刻,t₃、t₄分别为目标车辆开始与结束最小横向加速度-a_s,y ^max的时刻；

在目标车辆换道期间，假设车辆在当前车道与目标车道上的横向位移相等，两车道中心线横向间距为D,经过时间t_c后车辆恰好完成换道过程，则存在以下关系式：

t₂-t₁＝t₄-t₃

式中，a_s,y ^max为目标车辆最大横向加速度，单位为m/s²；k_a为目标车辆横向加速度变化率，单位为m/s³；t₁、t₂、t₃、t₄均为暂态时间变量，其中t₁、t₂分别为目标车辆开始与结束最大横向加速度a_s,y ^max的时刻,t₃、t₄分别为目标车辆开始与结束最小横向加速度-a_s,y ^max的时刻；t_c为目标车辆换道持续时间，单位为s；

在上述假设提前下，能够得到t₂的表达式为：

式中，a_s,y ^max为目标车辆最大横向加速度，单位为m/s²；t₂为目标车辆结束最大横向加速度a_s,y ^max的时刻；k_a为目标车辆横向加速度变化率，单位为m/s³；D为两车道中心线横向间距，单位为m；

对横向加速度等式进行二次积分，并联立以上3个等式代入横向加速度积分公式得：

式中，a_s,y ^max为目标车辆最大横向加速度，单位为m/s²；k_a为目标车辆横向加速度变化率，单位为m/s³；D为两车道中心线横向间距，单位为m；t_c为目标车辆换道持续时间，单位为s；

由于车辆的换道持续时间过长或过短都存在驾驶风险，在此需要对换道持续时间进行约束：

t_min＜t_c≤t_max

式中，目标车辆t_c为换道持续时间，单位为s；t_min为目标车辆最短换道时间，单位为s；t_max为目标车辆最大换道时间，单位为s；

5.3)车辆横纵向轨迹方案求解

采用遗传算法求解目标函数，得到车辆横纵向运动的控制策略，算法过程包括编码、种群初始化、交叉重组、变异、选择以及解码，具体步骤如下：

a)编码

目标函数的求解是对3类决策变量进行优化，包括换道持续时间t_c、换道时横向最大加速度a_s,y ^max和目标车辆的纵向加速度a_s(τ)；选择浮点数编码的编码方案，基因长度为Z，第1个基因位表示换道时间t_c，第2基因位表示换道时横向最大加速度a_s,y ^max，第3个至最后一个基因位表示换道时的纵向加速度a_s(τ)；为了解决决策变量数量变化的问题，对个体编码统一采用最长的编码长度；在解码和计算适应度函数的过程中，根据t_c确定有效的基因位，只将前t_c个纵向加速度a_x(τ)参与计算；

b)种群初始化

在种群初始化的过程，除了要求变量在制定的范围内随机生成，还根据约束条件对个体的实际意义作进一步的判断，对于不满足约束条件的种群，将重新生成：首先，对梯形横向加速度进行判断；然后，根据t_c、a_s,y ^max和公式

计算车辆横向加速度变化率k_a；最后，若k_a不满足约束条件，则重新生成；

c)交叉重组

从种群中随机选择2个个体x_A和x_B，对于这2个个体相同位置的基因位x_A,i和x_B,i，i＝1,2,…,Z，按照以下公式更新：

式中，x_A,i ^*和x_B,i ^*表示个体x_A和x_B交叉后的第i个基因位；x_A,i和x_B,i表示个体x_A和x_B的第i个基因位；α是交叉重组的一个常数，取值为(0,1]；

d)变异

从种群中选择1个个体x_A，对于个体x_A的基因位x_A,i，按照以下公式更新：

式中，x_A,i ^#为个体x_A变异后的第i个基因位；x_A,i表示个体x_A的第i个基因位；x_A,i ^max和x_A,i ^min分别表示基因位i的取值上限和下限；β是一个变异常数，取值为(0,1]；r是(0,1]之间的随机数；randint(2)表示随机生成一个0或1的整数；

e)选择

采用基于轮盘随机法的选择策略，具有以下4个步骤：

Step1：根据下式计算个体j被选择保留到下一代种群的概率p_j：

式中，f_j为第j个个体的适应度函数；f_i为第i个个体的适应度函数；m为种群的个体数量；

Step2：计算个体j的累计概率g_j：

式中，p_i为第i个个体被选择保留到下一代种群的概率；

Step3：在[0,1]之间随机生成一个随机数r，将r与g_j进行比较，若g_j-1<r<g_j，则个体j被选择保留到下一代种群；g_j-1为个体j-1的累计概率；

Step4：重复STEP3，直到下一代种群规模与当前种群规模一致；

f)个体解码

经过多次迭代进化后，选择适应度最高的个体进行解码，作为车辆横纵向运行轨迹规划的最终方案。

Images