CN113291308B - 一种考虑驾驶行为特性的车辆自学习换道决策系统及方法 - Google Patents

Abstract

本发明公开了一种考虑驾驶行为特性的车辆自学习换道决策系统及方法，所述车辆自学习换道决策系统包括：感知模块、数据获取模块、自学习换道决策模块、安全约束模块,感知模块用于获取车辆周围交通环境数据和车辆行驶状态数据，数据获取模块用于驾驶行为分析，生成训练数据集，自学习换道决策模块用于学习驾驶行为特征，做出换道决策指令，安全约束模块用于换道安全性分析，约束换道行为。本发明还公开了其决策的方法。本发明针对不同驾驶员具有不同驾驶习惯的问题，通过在线学习驾驶员换道行为，可提高驾驶员对智能汽车的接受度和认可度，并通过基于预设规则的换道安全性分析对换道行为进行约束，保证了换道安全性。

Description

一种考虑驾驶行为特性的车辆自学习换道决策系统及方法

技术领域

本发明涉及智能驾驶技术领域，特别是涉及一种考虑驾驶行为特性的车辆自学习换道决策系统及方法。

背景技术

近年来，随着大数据、人工智能等技术的快速发展，智能汽车已经从实验室进入实际道路，逐步开始普及。目前，智能汽车系统典型架构一般分为“感知-决策-控制”，其中，决策系统是智能汽车的关键部分之一，决策的优劣反映了智能汽车智能化水平的高低，同时决定了用户的驾乘体验。

目前，智能汽车通常是基于驾驶大数据预先建立换道决策模型，然而，不同驾驶员有着不同的驾驶习惯，预先建立的换道决策模型难以契合用户驾驶员的驾驶习惯，导致目前驾驶员对于智能汽车的接受度和认可度并不高。使车辆换道决策系统能够充分学习驾驶员换道行为特性，开发以驾驶员为中心的车辆自学习换道决策系统，提高驾驶员对于智能汽车的接受度和认可度，是智能驾驶技术急需解决的问题。基于神经网络的换道决策方法具有简单灵活、适应性好的特点，在智能车辆决策系统中得到广泛应用，然而，神经网络的可靠性较差，一种稳定可靠的安全约束方法对车辆换道决策系统至关重要。

发明内容

本发明的目的是针对现有技术中换道决策系统存在的技术缺陷，而提供一种考虑驾驶行为特性的车辆自学习换道决策系统。

本发明的另一个目的是提供一种考虑驾驶行为特性的车辆自学习换道决策方法。

为实现本发明的目的所采用的技术方案是：

一种考虑驾驶行为特性的车辆自学习换道决策系统，包括感知模块、数据获取模块、自学习换道决策模块和安全约束模块，其中：

所述感知模块用于实时获取车辆周围交通环境数据和车辆行驶状态数据；

所述数据获取模块包括采集单元、处理单元和存储单元；所述采集单元用于在人工驾驶模式下按照预设时间间隔采集车辆周围的所述交通环境数据和车辆行驶状态数据；所述处理单元用于对采集数据进行分析，确定驾驶行为和换道行为决策时机，生成训练数据集；所述存储单元用于保存所述采集数据和所述训练数据集数据；

所述自学习换道决策模块包括判断单元和自学习单元；所述判断单元用于判断训练数据是否满足预设条件；所述自学习单元用于在满足预设条件时，利用所述训练数据对建立的神经网络模型进行训练，并更新神经网络权值；自动驾驶模式下，做出换道决策指令；

所述安全约束模块用于判断当前驾驶环境下的换道安全性，如果判断安全，则执行换道指令，如果判断不安全，则由ACC控制车速，保持在原车道行驶。

在上述技术方案中，所述感知模块包括用于获取所述车辆周围交通环境数据的雷达、视觉传感器、超声波传感器；以及用于获取所述车辆行驶状态数据的车速传感器、方向盘转角传感器、加速度传感器。

本发明的另一方面，一种考虑驾驶行为特性的车辆自学习换道决策方法，包括以下步骤：

步骤S101：在人工驾驶模式下，按照预设时间间隔获取车辆周围交通环境数据和车辆行驶状态数据；

步骤S102：分析驾驶行为，确定换道决策时机，生成驾驶行为训练数据集；

步骤S103：构建神经网络换道决策模型，利用所述驾驶行为训练数据集对神经网络换道决策模型进行训练；

步骤S104：自动驾驶模式下，车辆实时获取车辆周围交通环境数据和车辆行驶状态数据，由所述神经网络换道决策模型做出换道决策指令；

步骤S105：换道安全性分析；

步骤S106：根据步骤S105换道安全性分析结果，如果满足换道安全性，则执行换道；如果不满足换道安全性，则由ACC系统控制车速，保持在原车道行驶。

在上述技术方案中，所述步骤S101中，所述车辆周围交通环境数据包括但不限于道路信息，相邻车道目标车的相对距离、相对速度，当前车道前车的相对距离、相对速度、加速度；

所述道路信息包括但不限于车道类型和车道线类型；

所述车辆行驶状态数据包括但不限于自车速度、自车加速度、方向盘转角。

在上述技术方案中，所述步骤S102中，通过对车辆周围交通环境数据和车辆行驶状态数据的分析，确定驾驶员换道行为；确定所述驾驶员换道行为后，通过对车辆行驶状态数据进行分析，确定换道行为决策时机；

在上述技术方案中，所述驾驶员换道行为包括向左换道、向右换道和车道保持；根据自车行驶状态数据进一步确定换道行为决策时机；生成训练数据集，一组训练数据包括所述换道行为决策时机对应时刻的驾驶行为数据和相应的驾驶行为标签，其中，所述驾驶行为数据包括：相邻车道目标车的相对距离、相对速度，当前车道前车的相对距离、相对速度、相对加速度，自车速度、自车加速度；所述驾驶行为标签包括：向左换道、向右换道和车道保持。

在上述技术方案中，所述步骤S103中，神经网络换道决策模型在首次训练时，驾驶行为训练数据集数据量满足第一数量要求，则确定满足预设条件，对模型进行训练；在之后的训练中，驾驶行为训练数据集新增数据量满足第二数量要求，则确定满足预设条件，对模型进行训练。

在上述技术方案中，所述步骤中S104中决策指令包括：向左换道、向右换道、车道保持。

在上述技术方案中，所述步骤S105中换道安全性分析具体包括以下步骤：

步骤S501：接收步骤S104发出的换道决策指令；

步骤S502：判断换道车道条件是否满足，如果存在目标车道且当前车道和所述目标车道间车道线的类型为非实线，则满足一级换道安全性；如果目标车道不存在或当前车道和所述目标车道间的车道线为实线，则不满足一级换道安全性；

步骤S503：计算最小换道安全距离，最小换道安全距离计算公式：

其中，v₀为自车车速，v_f为当前车道前车车速，a_f为当前车道前车加速度，d_s为初始相对距离，d_safe为换道安全间距，t_d为车辆侧向运动延迟时间，t_c为临界碰撞时间；

步骤S505：计算自车与目标车纵向行驶轨迹，根据步骤S104发出的换道决策指令，获取目标车道内目标车辆换道时间段内纵向行驶轨迹作为第一行驶轨迹，计算自车换道时间段内纵向行驶轨迹作为第二行驶轨迹；

步骤S506：目标车道换道安全性分析，以目标车道内目标车纵向行驶轨迹为第一行驶轨迹，自车纵向行驶轨迹为第二行驶轨迹；如果第一行驶轨迹与第二行驶轨迹间的最小距离大于换道安全间距，则满足三级换道安全性；如果最小距离小于换道安全间距，则不满足三级换道安全性，其中，最小距离确定方法如下：

X_min＝min(X₀+d₀-X_r)＝min((v₀-v_r)×t+d₀)，其中，t≤T；

步骤S106：根据步骤S105换道安全性分析结果，如果所述一级换道安全性、二级换道安全性、三级换道安全性皆满足，则执行换道；如果任一换道安全性不满足，则由ACC系统控制车速，保持在原车道行驶。

在上述技术方案中，t_c确定方法如下：

y为车辆换道横向运动距离；y_e为换道完成横向运动距离；t_e为换道时间；D为自车宽度；x_d为当前车道前车与当前车道和所述目标车道间车道线的横向距离。

在上述技术方案中，其中，换道时间段时间确定方法如下：

T＝t_e+2t_d

其中，T为自车换道时间段时间；t_e为换道时间；t_d为车辆侧向运动延迟时间；

目标车道内目标车纵向行驶轨迹为：X_lr＝v_lr×t，其中，t≤T；

自车纵向行驶轨迹为：X₀＝v₀×t，其中，t≤T。

与现有技术相比，本发明的有益效果是：

1.本发明一方面使智能车辆充分学习驾驶员的驾驶行为特性，使自动驾驶模式下的换道行为更加契合驾驶员的驾驶习惯，提高驾驶员对智能汽车的接受度和认可度；另一方面，通过基于预设规则的换道安全性分析对换道行为进行约束，保证换道安全性。

2.区别于传统基于驾驶大数据预装的车辆换道决策模型，本发明采集人工驾驶模式下驾驶员换道行为数据，通过在线学习的方式对神经网络换道决策模型进行训练并更新，使自动驾驶模式下的换道行为更加契合驾驶员驾驶习惯，能提高驾驶员对智能汽车的接受度和认可度。

3.针对神经网络可靠性较差的问题，本发明提出一种基于预设规则换道安全性分析的换道行为约束方法，考虑到实际驾驶环境中，当前车道前车并不一定在车道中心线上行驶，且当前车道前车车身宽度并不固定，在临界碰撞时间的计算中引入当前车道前车与当前车道和所述目标车道间车道线的横向距离x_d，本申请提出的换道行为约束方法具有计算量小、实用性更好、可靠性更高的特点。

附图说明

图1为本发明的自学习换道决策系统结构示意图；

图2为本发明的自学习换道决策系统方法流程示意图；

图3为本发明的应用场景示意图；

图4为本发明的神经网络换道决策模型结构示意图；

图5为本发明的换道安全性分析流程示意图；

图6为本发明的一个实施例中当前车道安全换道示意图；

图7为本发明的安全换道当前车道前车临界避撞示意图；

图8为本发明的一个实施例中目标车道安全换道示意图。

具体实施方式

以下结合具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例1

如图1所示，本实施例的考虑驾驶行为特性的车辆自学习换道决策系统包括感知模块、数据获取模块、自学习换道决策模块和安全约束模块，其中：

所述感知模块用于实时获取车辆周围交通环境数据和车辆行驶状态数据；

所述数据获取模块包括采集单元、处理单元和存储单元；所述采集单元用于在人工驾驶模式下按照预设时间间隔采集车辆周围的所述交通环境数据和车辆行驶状态数据；所述处理单元用于对采集数据进行分析，确定驾驶行为和换道行为决策时机，生成训练数据集；所述存储单元用于保存所述采集数据和所述训练数据集数据；

所述自学习换道决策模块包括判断单元和自学习单元；所述判断单元用于判断训练数据是否满足预设条件；所述自学习单元用于在满足预设条件时，利用所述训练数据对建立的神经网络模型进行训练，并更新神经网络权值；自动驾驶模式下，做出换道决策指令；

所述安全约束模块用于判断当前驾驶环境下的换道安全性，如果判断安全，则执行换道指令，如果判断不安全，则由ACC(自适应巡航控制系统)控制车速，保持在原车道行驶。

作为优选的，所述感知模块包括用于获取所述车辆周围交通环境数据的雷达、视觉传感器、超声波传感器；以及用于获取所述车辆行驶状态数据的车速传感器、方向盘转角传感器、加速度传感器。

作为优选的，确定驾驶员换道行为和换道行为决策时机时，通过对车辆周围交通环境数据和车辆行驶状态数据的分析，确定驾驶员换道行为；确定所述驾驶员换道行为后，通过对车辆行驶状态数据的分析，确定换道行为决策时机；

作为优选的，所述训练数据集数据包括所述换道行为决策时机对应时刻的驾驶行为数据和相应的驾驶行为标签；其中，所述驾驶行为数据包括：相邻车道目标车的相对距离、相对速度，当前车道前车的相对距离、相对速度、相对加速度，自车速度、自车加速度；所述驾驶行为标签包括：向左换道、向右换道和车道保持。

实施例2

本实施例基于实施例1的考虑驾驶行为特性的车辆自学习换道决策系统提供一种考虑驾驶行为特性的车辆自学习换道决策方法，流程图如图2所示，包括以下步骤：

步骤S101：在人工驾驶模式下，按照预设时间间隔获取车辆周围交通环境数据和车辆行驶状态数据；

步骤S102：分析驾驶员换道行为，确定换道行为决策时机，生成驾驶行为训练数据集；

步骤S103：构建神经网络换道决策模型，利用所述驾驶行为训练数据集对神经网络换道决策模型进行训练；

步骤S104：自动驾驶模式下，车辆实时获取车辆周围交通环境数据和车辆行驶状态数据，由所述神经网络换道决策模型做出换道决策指令；

步骤S105：换道安全性分析；

步骤S106：根据步骤S105换道安全性分析结果，如果满足换道安全性，则执行换道；如果不满足换道安全性，则由ACC系统控制车速，保持在原车道行驶。

实施例3

在实施例2的基础上，进行详细说明。

作为优选的，所述步骤S101中，所述预设时间间隔可根据实际需要设置，作为一个示例，设定时间间隔为0.2秒。

作为优选的，所述步骤S101中，所述车辆周围交通环境数据包括但不限于：道路信息，相邻车道目标车的相对距离、相对速度，当前车道前车的相对距离、相对速度、加速度，其中，道路信息包括车道类型和车道线类型；所述车辆行驶状态数据包括但不限于：自车速度、自车加速度、方向盘转角。

作为优选的，所述步骤S102中，通过雷达、视觉传感器、超声波传感器等获取周围车辆的位置、速度、加速度等车辆周围交通环境数据信息，通过车速传感器、方向盘转角传感器、加速度传感器获取车速、方向盘转角、加速度等车辆行驶状态数据信息；对所采集数据进行分析，确定驾驶员换道行为，进一步通过对方向盘转角变化的分析，确定驾驶员采取换道行为的初始时刻，即换道行为决策时机。

参见图3，图3为本发明的应用场景示意图。如图3所示，其中，C₀为自车，C_f为当前车道前车，C_lf为左侧相邻车道前车，C_lr为左侧相邻车道后车，C_rf为右侧相邻车道前车，C_rr为右侧相邻车道后车。作为一个示例，所述训练数据集数据包括所述换道行为决策时机对应时刻的驾驶行为数据和相应的驾驶行为标签；实施中，一组训练数据可以表示为S＝{X,Y},其中X为驾驶行为数据，包括：自车速度v_f、自车的加速度a₀、自车与当前车道前车的相对距离d_f、自车与当前车道前车的相对速度v_0f、当前车道前车的加速度a_f、自车与左侧相邻车道前车的相对距离d_lf、自车与左侧相邻车道前车的相对速度v_0lf、自车与左侧相邻车道后车的相对距离d_lr、自车与左侧相邻车道后车的相对速度v_0lr、自车与右侧相邻车道前车的相对距离d_rf、自车与右侧相邻车道前车的相对速度v_0rf、自车与右侧相邻车道后车的相对距离d_rr、自车与右侧相邻车道后车的相对速度v_0rr，X表示为 {v_f，a₀，d_f，v_0f，a_f，d_lf，v_0lf，d_lr，v_0lr，d_rf，v_0rf，d_rr，v_0rr}，如果在设定范围内相应车辆不存在，则将车辆信息设置为+∞；Y为驾驶行为标签，包括：向左换道、向右换道和车道保持，实施中，向左换道用数字1表示、向右换道用数字2表示，车道保持用数字0表示；

需要说明的是，上述的关于驾驶行为数据和驾驶行为标签的说明，仅是一个示例。在具体实施中，驾驶行为数据可以包括上述所列举数据中的一部分，或者包括更多的能够反映驾驶行为特性的数据，驾驶行为标签可以包括上述所列举标签中的一部分，或者包括更多的驾驶行为标签。

作为优选的，在所述步骤S103中，神经网络换道决策模型模型在首次训练时，为保证模型能够充分学习驾驶员换道行为特征，判断训练数据集数据量是否达到一定数量(如第一数量)，若达到第一数量则确定满足预设条件，对模型进行训练；在之后的训练中，为保证模型更新的有效性及减少更新次数，判断驾驶行为训练数据集新增数据量是否达到一定数量(如第二数量)，若达到第二数量则确定满足预设条件，对模型进行再次训练更新。

参见图4，图4为本发明神经网络换道决策模型结构示意图，作为一个示例，网络结构由单个输入层、单个输出层和双隐含层组成，输入层节点数为13(对应图4中i＝13)，输出层节点数为3(对应图4中n＝3)，隐含层节点数由经验公式确定大概范围，再经多次实验验证网络精度最终确定，双隐含层节点数均为13。经验公式：

其中，m、n、l分别为隐含层、输入层、输出层节点个数；a为1～10之间常数。

训练数据满足预设条件时，对所述神经网络换道决策模型进行训练，并对模型精度进行检测，精度满足预设条件时，将更新后的神经网络权值进行保存。

作为优选的，所述步骤S104中决策指令包括：向左换道、向右换道、车道保持。

作为优选的，所述步骤S105换道安全性分析，参见图5，图5为本发明的换道安全性分析流程示意图，具体包括：

步骤S501：接收步骤S104发出的换道决策指令；

步骤S502：判断换道车道条件是否满足，如果存在目标车道且当前车道和所述目标车道间车道线的类型为非实线，则满足一级换道安全性；如果目标车道不存在或当前车道和所述目标车道间的车道线为实线，则不满足一级换道安全性；

步骤S503：计算最小换道安全距离，参见图6，图6为本发明的一个实施例中，当前车道安全换道示意图，作为一个示例，假设初始条件为：自车车速v₀为27.78m/s，当前车道前车车速v_f为20m/s，当前车道前车加速度a_f为0，初始相对距离d_s为50m，由最小换道安全距离计算公式：

其中，临界碰撞时间t_c确定方法如下：

考虑到实际行车环境中，当前车道前车不一定位于车道中心行驶且前车宽度并不固定，本申请在临界碰撞时间t_c计算中引入了当前车道前车与当前车道和所述目标车道间车道线的横向距离x_d，x_d可通过自车搭载的摄像头传感器基于机器视觉方式获得，参见图7，图7为本发明的安全换道当前车道前车临界避撞示意图，当

时，自车横向位移为D时，刚好与前车避免碰撞；当

时，自车横向位移为

时，刚好与前车避免碰撞；当

时，自车横向位移为

时，刚好与前车避免碰撞。

作为其中一个具体实施例，车辆侧向运动延迟时间t_d为0.3s；换道安全间距d_safe为10m；换道完成横向运动距离y_e为3.75m；换道时间t_e为4s；自车宽度D为1.8m；假设当前车道前车与当前车道和所述目标车道间车道线的横向距离x_d为

计算得临界碰撞时间t_c为 1.96s，计算得最小换道安全距离为27.58m；

步骤S504：当前车道换道安全性分析，如果自车与当前车道前车初始相对距离大于最小换道安全距离，则满足二级换道安全性；如果自车与当前车道前车初始相对距离小于最小换道安全距离，则不满足二级换道安全性；

步骤S505：计算自车与目标车纵向行驶轨迹，根据步骤S104发出的换道决策指令，获取目标车道内目标车辆换道时间段内纵向行驶轨迹作为第一行驶轨迹，计算自车换道时间段内纵向行驶轨迹作为第二行驶轨迹；其中，换道时间段时间确定方法如下：

T＝t_e+2t_d

其中，T为自车换道时间段时间；t_e为换道时间；t_d为车辆侧向运动延迟时间。作为一个示例，车辆侧向运动延迟时间t_d为0.3s，换道时间t_e为4s，计算得自车换道时间段时间T为 4.6s；

参见图8，图8为本发明的一个实施例中，目标车道安全换道示意图，假设向左侧相邻车道换道，初始条件为：自车车速v₀为27.78m/s，相邻左侧车道后方目标车车速v_lr为25m/s，目标车道前方无目标车，初始相对距离d₀为30m，自车换道时间段时间T为4.6s；

目标车道内目标车纵向行驶轨迹为：X_lr＝v_lr×t，其中，t≤T；

自车纵向行驶轨迹为：X₀＝v₀×t，其中，t≤T；

步骤S506：目标车道换道安全性分析，以目标车道内目标车纵向行驶轨迹为第一行驶轨迹，自车纵向行驶轨迹为第二行驶轨迹；如果第一行驶轨迹与第二行驶轨迹间的最小距离大于换道安全间距，则满足三级换道安全性；如果最小距离小于换道安全间距，则不满足三级换道安全性，其中，最小距离确定方法如下：

X_min＝min(X₀+d₀-X_r)＝min((v₀-v_r)×t+d₀)，其中，t≤T；

作为其中一个具体实施例，换道安全间距d_safe为10m；计算最小距离X_min为30m,大于换道安全间距，满足三级换道安全性。

步骤S106：根据步骤S105换道安全性分析结果，如果所述一级换道安全性、二级换道安全性、三级换道安全性皆满足，则执行换道；如果任一换道安全性不满足，则由ACC系统控制车速，保持在原车道行驶。

需要说明的是，上述实施例提供的车辆自学习换道决策系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或步骤再分解或者组合，例如，上述实施例的一个模块或步骤可以拆分为多个子模块或步骤，也可以将多个子模块或步骤组合为一个模块或步骤。对于本发明实施例中涉及的模块或步骤名称，仅仅是为了区分各个模块或步骤，不视为对本发明的不当限定。

综上所述，本实施例提供了一种考虑驾驶行为特性的车辆自学习换道决策系统及方法，针对不同驾驶员具有不同驾驶习惯的问题，采集人工驾驶模式下驾驶行为数据，通过在线学习的方式对神经网络换道决策模型进行训练并更新，使自动驾驶模式下的换道行为更加契合驾驶员驾驶习惯，能提高驾驶员对智能汽车的接受度和认可度，并通过基于预设规则的换道安全性分析对换道行为进行约束，保证了换道安全性。

以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。需要说明的是，本领域的技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (7)

1.一种考虑驾驶行为特性的车辆自学习换道决策方法，其特征在于，包括以下步骤：

步骤S101：在人工驾驶模式下，按照预设时间间隔获取车辆周围交通环境数据和车辆行驶状态数据；

步骤S102：分析驾驶行为，确定换道决策时机，生成驾驶行为训练数据集；

步骤S103：构建神经网络换道决策模型，利用所述驾驶行为训练数据集对神经网络换道决策模型进行训练；

步骤S104：自动驾驶模式下，车辆实时获取车辆周围交通环境数据和车辆行驶状态数据，由所述神经网络换道决策模型做出换道决策指令；

步骤S105：换道安全性分析；具体包括以下步骤：

步骤S501：接收步骤S104发出的换道决策指令；

步骤S502：判断换道车道条件是否满足，如果存在目标车道且当前车道和所述目标车道间车道线的类型为非实线，则满足一级换道安全性；如果目标车道不存在或当前车道和所述目标车道间的车道线为实线，则不满足一级换道安全性；

步骤S503：计算最小换道安全距离，最小换道安全距离计算公式：

其中，v₀为自车车速，v_f为当前车道前车车速，a_f为当前车道前车加速度，d_s为初始相对距离，d_safe为换道安全间距，t_d为车辆侧向运动延迟时间，t_c为临界碰撞时间；

步骤S504：当前车道换道安全性分析，如果自车与当前车道前车初始相对距离大于最小换道安全距离，则满足二级换道安全性；如果自车与当前车道前车初始相对距离小于最小换道安全距离，则不满足二级换道安全性；

步骤S505：计算自车与目标车纵向行驶轨迹，根据步骤S104发出的换道决策指令，获取目标车道内目标车辆换道时间段内纵向行驶轨迹作为第一行驶轨迹，计算自车换道时间段内纵向行驶轨迹作为第二行驶轨迹；换道时间段时间确定方法如下：

T＝t_e+2t_d

其中，T为自车换道时间段时间；t_e为换道时间；t_d为车辆侧向运动延迟时间；

目标车道内目标车纵向行驶轨迹为：X_lr＝v_lr×t，其中，t≤T；

自车纵向行驶轨迹为：X₀＝v₀×t，其中，t≤T；

步骤S506：目标车道换道安全性分析，以目标车道内目标车纵向行驶轨迹为第一行驶轨迹，自车纵向行驶轨迹为第二行驶轨迹；如果第一行驶轨迹与第二行驶轨迹间的最小距离大于换道安全间距，则满足三级换道安全性；如果最小距离小于换道安全间距，则不满足三级换道安全性，其中，最小距离确定方法如下：

X_min＝min(X₀+d₀-X_r)＝min((v₀-v_r)×t+d₀)，其中，t≤T；

步骤S106：根据步骤S105换道安全性分析结果，如果所述一级换道安全性、二级换道安全性、三级换道安全性皆满足，则执行换道；如果任一换道安全性不满足，则由ACC系统控制车速，保持在原车道行驶。

2.如权利要求1所述的考虑驾驶行为特性的车辆自学习换道决策方法，其特征在于，所述步骤S101中，所述车辆周围交通环境数据包括但不限于道路信息，相邻车道目标车的相对距离、相对速度，当前车道前车的相对距离、相对速度、加速度；

所述道路信息包括但不限于车道类型和车道线类型；

所述车辆行驶状态数据包括但不限于自车速度、自车加速度、方向盘转角。

3.如权利要求1所述的考虑驾驶行为特性的车辆自学习换道决策方法，其特征在于，所述步骤S102中，通过对车辆周围交通环境数据和车辆行驶状态数据的分析，确定驾驶员换道行为；确定所述驾驶员换道行为后，通过对车辆行驶状态数据进行分析，确定换道行为决策时机。

4.如权利要求3所述的考虑驾驶行为特性的车辆自学习换道决策方法，所述驾驶员换道行为包括向左换道、向右换道和车道保持；根据自车行驶状态数据进一步确定换道行为决策时机；生成训练数据集，一组训练数据包括所述换道行为决策时机对应时刻的驾驶行为数据和相应的驾驶行为标签，其中，所述驾驶行为数据包括：相邻车道目标车的相对距离、相对速度，当前车道前车的相对距离、相对速度、相对加速度，自车速度、自车加速度；所述驾驶行为标签包括：向左换道、向右换道和车道保持。

5.如权利要求1所述的考虑驾驶行为特性的车辆自学习换道决策方法，其特征在于，所述步骤S103中，神经网络换道决策模型在首次训练时，驾驶行为训练数据集数据量满足第一数量要求，则确定满足预设条件，对模型进行训练；在之后的训练中，驾驶行为训练数据集新增数据量满足第二数量要求，则确定满足预设条件，对模型进行训练。

6.如权利要求1所述的考虑驾驶行为特性的车辆自学习换道决策方法，其特征在于，所述步骤中S104中决策指令包括：向左换道、向右换道、车道保持。

7.如权利要求1所述的考虑驾驶行为特性的车辆自学习换道决策方法，其特征在于，t_c确定方法如下：

y为车辆换道横向运动距离；y_e为换道完成横向运动距离；t_e为换道时间；D为自车宽度；x_d为当前车道前车与当前车道和所述目标车道间车道线的横向距离。

Images