CN113722835A - 拟人化随机换道驾驶行为建模方法 - Google Patents

Abstract

一种拟人化随机换道驾驶行为建模方法，属于人类驾驶员建模技术领域。本发明的目的是在横向换道驾驶场景中，考虑了人类驾驶员在换道过程中如“跟车忍耐度”、“换道礼让度”等换道心理动机/驾驶风格、关联驾驶风格的换道轨迹生成方法以及预瞄执行等拟人化特征，建立涵盖动机激励、理性决策和预瞄执行的全链条拟人化换道过程概率模型，实现了换道模型拟人化效果的拟人化随机换道驾驶行为建模方法。本发明包括换道场景驾驶片段数据库逻辑提取模块、换道心理动机、风格化换道轨迹规划以及换道预瞄执行模块。本发明解决了换道场景下拟人化特征提取困难的问题，提升了换道模型的易用性、有效性以及拟人化效果。

Description

拟人化随机换道驾驶行为建模方法

技术领域

本发明属于人类驾驶员建模技术领域。

背景技术

跟车和换道等典型场景下的驾驶员行为建模是自动驾驶研究领域中一个重要课题。在自动驾驶技术的发展进程中，自动驾驶车辆与人类驾驶车辆混行的场景将持续相当长的时间。人类驾驶的车辆对周围交通状况做出的反应行为直接影响着自动驾驶车辆的决策行为。换道是车辆行驶过程中最典型的场景，建立拟人化随机换道行驶模型是驾驶员行为研究、汽车智能辅助驾驶系统开发及其安全性评价的重要环节。

换道模型建立包括换道决策、换道规划、预瞄执行等过程。目前已公开的发明中，大多数是提出换道决策的方法或者换道的执行模型，但很少有建立起同时包括这三个模块的换道模型。换道决策的内容主要包括：换道意图产生和换道环境的评估。车辆在行驶过程中受到前车/障碍物的影响，或者必须进入/出匝道时，车辆产生换道意图，确定车辆是否需要执行换道操作。换道环境评估是车辆在确定需要换道后，对车辆换道环境进行评估，从而确保换道的高效性和安全性。

例如：专利CN110843789A公开了一种基于时序卷积网络的车辆换道意图预测方法。综合考虑了周围车辆对目标车辆意图的影响,采集了目标车辆和周围车辆的跟踪轨迹数据，从中提取出车道预测特征，建立起时序卷积网络，特征矩阵作为输入，对意图行驶车道和换道时间做出预测,输出目标车辆的当前意图车道。该模型预测换道意图时只考虑了周围环境的评估，没有考虑人类驾驶员对换道意图的影响。

专利CN111439264A公开了一种基于人机混驾的换道控制模型的实现方法。该发明根据追尾碰撞原理建立安全距离模型,根据前后车间距以及相邻车道前后车间距和速度等分别制定有人和无人驾驶的换道规则,使用Sigmoid函数拟合车辆换道轨迹,使用时间序列回归方法中的指数平滑模型规划车辆换道速度,使用Logistic曲线拟合有人驾驶下的换道概率。该模型建立起的换道模型依旧缺少对人类驾驶员心理动机和行为的考虑。

上述两个换道建模方法，虽然建立了换道决策方法，但是没有考虑到驾驶员的随机性、缺少与交通环境的行为关联交互、无法使模型具有拟人化特征，也并未考虑做出换道决策后的换道规划及换道执行等方法。

目前也有诸多公开的发明提出建立换道规划模型的方法。专利CN112965489A公开了一种基于碰撞检测的智能车高速换道规划方法。其对目标车道的状态空间进行采样得到换道结束点的终端状态,利用五次多项式对换道起始点和结束点之间的换道轨迹进行拟合,形成换道候选轨迹集，并利用代价评估函数选取了评估得分最低的轨迹作为最佳换道轨迹。获取了目标车道内目标车辆的历史运动状态信息并进行目标车辆轨迹预测。最终进行规划换道轨迹与目标车辆预测轨迹之间的碰撞检测,根据碰撞检测的结果控制车辆的换道行为。该发明通过碰撞检测的方式确定了车辆的最佳换道轨迹换道，并最大程度保证了高速换道的安全性。但该方法进行换道规划时生成的驾驶轨迹过于单一，没有加入拟人化行为特征、且没有同时考虑换道决策及换道执行。

专利CN108387242A公开了一种自动驾驶换道准备和执行一体化轨迹规划方法。该发明首先根据车辆运动特性建立一体化换道轨迹集,建立车辆在换道准备过程的运动轨迹模型，并引入三次多项式建立换道车辆在换道执行过程的轨迹方程。建立起换道准备和换道执行过程的安全距离模型和安全速度模型，即完成建立一体化轨迹优化模型,对换道准备和执行过程中的时间和加速度进行优化,得到满足安全、效率和舒适性的最优轨迹。该发明规划出的最优换道轨迹服务水平较高,能够保证乘客具有较高的舒适度体验与效率体验。尽管同时考虑了车辆换道决策及换道执行，但生成的驾驶轨迹模型也没有考虑人类驾驶员特征的影响，模型过于单一。

目前也有诸多公开的发明提出建立换道执行模型的方法。例如专利CN113104038A提出了一种车辆换道控制方法。该发明首先根据获取传感系统实时检测的传感信息及获取高精度地图系统采集的本车的位置信息,确定本车周围预设距离内的各个车辆的车辆信息及距离本车周围所述预设距离内的车道信息。将本车的车辆信息和车道信息与各个换道类型对应的换道条件进行匹配,并将本车符合的一换道类型确定为目标换道类型。本发明系统根据不同的道路和环境条件,对不同的换道条件进行判断了,满足驾驶员在行车过程中的换道需求。但该模型中的换道条件是固定的，在不同的换道环境里实用性不强、且缺少对人类驾驶员换道决策、执行的考虑。综上所述，目前关于车辆换道概率模型的建模方法已经有一些相关专利获得公开。但是目前将换道决策、换道规划和换道执行三个模块一体化的拟人化随机换道驾驶行为模型在换道模型领域尚属于空白，且在考虑换道决策时，没有将人类心理因素(如耐心、礼让等)融入换道决策中，从而导致在测试场景中背景车辆与测试车辆交互性变差，测试效果不明显。

发明内容

本发明的目的是在横向换道驾驶场景中，考虑了人类驾驶员在换道过程中如“跟车忍耐度”、“换道礼让度”等换道心理动机/驾驶风格、关联驾驶风格的换道轨迹生成方法以及预瞄执行等拟人化特征，建立涵盖动机激励、理性决策和预瞄执行的全链条拟人化换道过程概率模型，实现了换道模型拟人化效果的拟人化随机换道驾驶行为建模方法。

本发明步骤是：

S1、自然行驶数据原始采集，数据的采样频率为10Hz，以SPMD数据集作为自然行驶大数据；

S2、根据换道场景特性生成换道切入场景轨迹片段库，首先，提取SPMD数据集中前车数据集和换道数据集；其次，进行相对补集运算，选择在前车数据集但不在换道数据集中的数据；随后，逐帧对数据进行逻辑判断，判断前车在相邻时刻内从不是距主车最近的目标变为距主车最近，若是则将该帧数据放入换道切入轨迹片段库中，否则对下一帧数据进行判断，直到所有数据筛选完毕为止。并在该场景库中采集换道拟人化驾驶模型所需变量，其中包括：本车车速、本车加车速、前车车速以及后车加速度等变量；

S3、换道数据预处理，首先将采集的变量如本车车速、本车加车速、前车车速以及后车加速度等变量等转化为时序信号，并计算该时序信号的长度，并对该信号进行填充处理；其次对处理后的数据进行快速傅里叶变换，得到数据的频谱；随后根据数据的采样频率与滤波所需的截止频率，将频谱中截止频率之外的信号清除；最后将获得的频谱进行逆傅里叶变换，将其转化为时域信号，得到滤波后的数据；

S4、拟人化随机换道驾驶行为建模：

S41、提取人类驾驶员跟车忍耐度以及换道礼让度的换道心理动机特征，并设计基于换道心理动机的换道决策，

S411、跟车忍耐度用α_p表示，其描述为：

其中：v_des为人类驾驶员期望的驾驶速度；

为人类驾驶员继续跟随前车时所需的驾驶车速，T为换道时长；

S412、换道礼让度用p表示，建立换道礼让度模型：

其中：

与

与分别代表车辆c、n在c换道后的加速度，a_c与a_n分别代表c、n在车辆c换道前的加速度预测值，p代表礼让系数，用于反映当前车辆礼让程度的高低，Δa_th代表当前车辆礼让程度阈值；

S42、设计关联驾驶风格的换道轨迹生成方法

S421、提取换道数据库中换道轨迹对应的礼让系数、换道时长T、换道轨迹的侧向距离Di、换道轨迹的平均速度v₀，并以礼让系数在[-2,2]区间内每隔0.05划分不同的驾驶员轨迹簇；S422、在同一个轨迹簇内，随机选择轨迹簇中的轨迹特征，采用高阶多项式生成轨迹，其中多项式的初始条件为x_d(0)＝0；

y_d(0)＝0；

y_d(T)＝Di；

其中x_d(0)为第0时刻轨迹的x坐标，

为第0时刻的x坐标方向速度，

为第0时刻的x坐标方向加速度，

第T时刻的x坐标方向速度，

为第T时刻的x坐标方向加速度，y_d(0)为第0时刻轨迹的y坐标，

为第0时刻的y坐标方向速度，

为第0时刻的y坐标方向加速度,y_d(T)为第T时刻轨迹的y坐标，

第T时刻的y坐标方向速度，

为第T时刻的y坐标方向加速度，随后，采用如下方程组求解：

x_d(t)＝c₁+c₂*t+c₃*t²+c₄*t³+c₅*t⁴ (3)

y_d(t)＝b₁+b₂*t+b₃*t²+b₄*t³+b₅*t⁴+b₆*t⁵ (4)

其中：c₁、c₂、c₃、c₄、c₅以及b₁、b₂、b₃、b₄、b₅、b₆为待求解系数，将初始条件带入上述方程组中，其中t＝0，以及t＝T，即可解得上述系数，然后，利用方程：x(t)＝c₁+c₂*t+c₃*t²+c₄*t³+c₅*t⁴；y(t)＝b₁+b₂*t+b₃*t²+b₄*t³+b₅*t⁴+b₆*t⁵；生成风格化关联的换道轨迹；

S43、基于模型预测控制的拟人化预瞄执行生成方法

S431、建立车辆二自由度车辆动力学模型的状态空间方程

其中：C_αf和C_αr分别为前/后轮转弯刚度，l_r和l_r分别为前悬/后悬长度，m为车身质量，I_z为车辆绕z轴转动的转动惯量，V_x为转向速度，y为车辆行驶轨迹的横向坐标，

为车辆行驶轨迹的横向速度，ψ为车辆横摆角，

为车辆横摆角速度，δ为前轮转角；

S432、建立车辆状态预测模型的表达式

其中：k为预瞄步长，

为表示预瞄时域N_P内的系统输出，即

x(k)为表示为增量型状态空间表达式中的状态量，

表示预瞄时域N_P内的系统输入增量

Δu为控制量增量，Ψ系统状态矩阵

Θ为系统输入增量矩阵，A、B、C为增量型状态空间表达式的系数矩阵；

S433、建立模型预测控制的优化问题，优化目标函数：

其中：X_ref为换道规划轨迹，X为车辆实际行驶轨迹，U为控制输入，Q、R为权重矩阵。U_min为输入量的最小值，U_max为输入量的最大值，ΔU_min为输入量增量的最小值，ΔU_max为输入量增量的最大值。

本发明解决了换道场景下拟人化特征提取困难的问题，提升了换道模型的易用性、有效性以及拟人化效果。本发明的创新点及有益效果是：

1.发明了一种拟人化随机换道驾驶行为建模方法。在横向换道驾驶场景中，考虑了人类驾驶员在换道过程中如“跟车忍耐度”、“换道礼让度”等换道心理动机/驾驶风格、关联驾驶风格的换道轨迹生成方法以及预瞄执行等拟人化特征，建立涵盖动机激励、理性决策和预瞄执行的全链条拟人化换道过程概率模型，实现了换道模型的拟人化效果。

2.针对换道场景下拟人化特征参数辨识困难等问题，发明了一种驾驶员“跟车忍耐度”、“换道礼让度”等换道心理动机/驾驶风格的参数化数学描述与辨识方法，解决了换道场景下拟人化特征提取困难的问题。

3.在考虑拟人化因素及随机性的前提下采用基于传统动力学模型建立的拟人化随机换道驾驶行为建模方法具有计算简单且可移植性强的特点。

4.建立的全链条拟人化换道过程概率模型具有驾驶行为随机性、可以模拟驾驶员换道状态下的动机激励、理性决策和预瞄执行的拟人化特点，采用本模型进行自动驾驶车辆测试可以使得自动驾驶测试具有随机性且使自动驾驶测试环境更加真实有效。

附图说明

图1本发明一种拟人化随机换道驾驶行为建模方法结构图；

图2为本发明一种拟人化随机换道驾驶行为建模方法设计流程图；

图3为换道场景提取逻辑；

图4为基于换道心理动机的换道决策结构框图；

图5为跟车忍耐度概率密度分布图

图6为换道礼让度概率密度分布图

图7为关联驾驶风格的换道轨迹生成方法结构框图；

图8为基于模型预测控制的拟人化预瞄执行结构框图；

图9为拟人化换道模型规划轨迹与预瞄执行轨迹对比图。

具体实施方式

本发明提出了一种拟人化随机换道驾驶行为建模方法。在横向换道驾驶场景中，考虑了人类驾驶员在换道过程中如“跟车忍耐度”、“换道礼让度”等换道心理动机/驾驶风格、关联驾驶风格的换道轨迹生成方法以及预瞄执行等拟人化特征，建立涵盖动机激励、理性决策和预瞄执行的全链条拟人化换道过程概率模型，实现了换道模型的拟人化效果。发明了一种驾驶员“跟车忍耐度”、“换道礼让度”等换道心理动机/驾驶风格的参数化数学描述与辨识方法，解决了换道场景下拟人化特征提取困难的问题，提升了换道模型的易用性、有效性以及拟人化效果。

本发明是通过以下技术方案实现：包括：换道场景驾驶片段数据库逻辑提取模块、换道心理动机、风格化换道轨迹规划以及换道预瞄执行模块。本发明通过以下步骤实现：

步骤一：自然行驶数据原始采集。包括：车辆GPS信息、CAN信息、传感器信息等；

步骤二：换道场景提取，生成换道轨迹片段数据库。设计换道提取逻辑，在自然行驶数据库中采集换道拟人化驾驶模型所需变量，其中包括：本车车速、本车加车速、前车车速以及后车加速度等变量；

步骤三：换道数据预处理。为了给提供更平滑的轨迹故对采集的变量进行滤波处理；

步骤四：建立一种拟人化随机换道驾驶行为建模方法；

首先，提取人类驾驶员“跟车忍耐度”以及“换道礼让度”的换道心理动机特征以及并建立基于换道心理动机的换道决策。其次，建立关联“换道礼让度”与驾驶员换道轨迹的关联驾驶风格的换道轨迹生成模型。最后，建立基于模型预测控制的驾驶员换道“预瞄执行”特征及模型生成方法；

步骤五：对一种拟人化随机换道驾驶行为模型进行验证。

以下结合附图详细阐述本发明的具体实施方式，但本发明保护范围不局限于以下所述：

本发明提出了一种拟人化随机换道驾驶行为建模方法。在横向换道驾驶场景中，考虑了人类驾驶员在换道过程中如“跟车忍耐度”、“换道礼让度”等换道心理动机/驾驶风格、关联驾驶风格的换道轨迹生成方法以及预瞄执行等拟人化特征，建立涵盖动机激励、理性决策和预瞄执行的全链条拟人化换道过程概率模型，实现了换道模型的拟人化效果。发明了一种驾驶员“跟车忍耐度”、“换道礼让度”等换道心理动机/驾驶风格的参数化数学描述与辨识方法，解决了换道场景下拟人化特征提取困难的问题，提升了换道模型的易用性、有效性以及拟人化效果。本发明一种拟人化随机换道驾驶行为建模方法结构图，如图1所示。

具体实施为：首先，对自然行驶数据原始采集。包括：车辆GPS信息、CAN信息、传感器信息等。其次，提取换道场景，生成换道轨迹片段数据库。设计换道提取逻辑，在自然行驶数据库中采集换道拟人化驾驶模型所需变量，其中包括：本车车速、本车加车速、前车车速以及后车加速度等变量。随后，为了给提供更平滑的轨迹故对采集的变量进行滤波处理。根据换道场景轨迹片段库建立拟人化因素，如：跟车忍耐度、换道礼让度，并据此建立基于换道心理动机的换道决策；将“换道礼让度”于换道数据库中的轨迹进行关联，建立一种关联驾驶风格的换道轨迹生成方法；运用模型预测控制来模拟驾驶员在换道执行中的“预瞄执行”拟人化因素。最后完成了全链条拟人化换道过程概率模型的建模。

本发明拟人化随机换道驾驶行为建模方法结构图设计流程图如图2所示，具体包括以下步骤。

S1.自然行驶数据原始采集

SPMD数据集由美国交通部支持下建立，是目前世界最大的自然行驶数据库，其记录了密歇根州安阿伯2842辆装备车辆超过3490万英里的自然驾驶。其中，在SPMD数据库中，有98辆轿车配备了MobilEye的数据采集系统，该系统能够测量和记录主车和前车之间的相对速度、相对距离和道路曲率。数据的采样频率为10Hz。本文以SPMD数据集作为自然行驶大数据。

S2.根据换道场景特性生成换道切入场景轨迹片段库。其逻辑框图如图3所示。

首先，提取SPMD数据集中前车数据集和换道数据集。其次，进行相对补集运算，选择在前车数据集但不在换道数据集中的数据；随后，逐帧对数据进行逻辑判断，判断前车在相邻时刻内从不是距主车最近的目标变为距主车最近，若是则将该帧数据放入换道切入轨迹片段库中，否则对下一帧数据进行判断，直到所有数据筛选完毕为止。并在该场景库中采集换道拟人化驾驶模型所需变量，其中包括：本车车速、本车加车速、前车车速以及后车加速度等变量。

S3换道数据预处理

首先将采集的变量如本车车速、本车加车速、前车车速以及后车加速度等变量等转化为时序信号，并计算该时序信号的长度，并对该信号进行填充处理。其次对处理后的数据进行快速傅里叶变换，得到数据的频谱。随后根据数据的采样频率与滤波所需的截止频率，将频谱中截止频率之外的信号清除。最后将获得的频谱进行逆傅里叶变换，将其转化为时域信号，得到滤波后的数据。

S4.建立一种拟人化随机换道驾驶行为建模方法

S4.1提取人类驾驶员“跟车忍耐度”以及“换道礼让度”的换道心理动机特征以及并设计基于换道心理动机的换道决策。其换道心理动机的换道决策结构图如图4所示。

S411.人类驾驶员在做出换道决策前，会考虑到前车的实际速度与自身驾驶车辆的期望速度的差值，当该差值满足一定阈值时，人类驾驶员将产生换道的内心激励，这个阈值即为“跟车忍耐度”，用α_p表示，其描述“跟车忍耐度”的公式为：

其中：v_des为人类驾驶员期望的驾驶速度；

为人类驾驶员继续跟随前车时所需的驾驶车速，T为换道时长。

S412.当人类驾驶员无法忍耐前车的低速从而激发并满足了“跟车忍耐度”条件后，将考虑自身换道对周围车辆的影响，该影响为人类驾驶员在换道过程对周围车辆的减速操作。该行为反映了驾驶员的礼让程度，用p表示，礼让程度越高，周围车辆减速的概率越低。基于上述分析，建立“换道礼让度”模型，公式如下所示：

其中：

与

与分别代表车辆c、n在c换道后的加速度，a_c与a_n分别代表c、n在车辆c换道前的加速度预测值，p代表礼让系数，用于反映当前车辆礼让程度的高低，Δa_th代表当前车辆礼让程度阈值。

S413.在跟车数据库中对α_p和p进行标定。耐心模型阈值α_p的概率密度分布更好地近似广义极端值分布，如图5所示。

礼让系数p的变化范围为[-2,2]，其概率密度分布更好地近似t location-scale分布，如图6所示。

S4.2.设计一种关联驾驶风格的换道轨迹生成方法。其关联驾驶风格的换道轨迹生成方法框图如图7所示。

S421.提取换道数据库中换道轨迹对应的礼让系数、换道时长T、换道轨迹的侧向距离Di、换道轨迹的平均速度v₀。并以礼让系数在[-2,2]区间内每隔0.05划分不同的驾驶员轨迹簇。

S422.在同一个驾驶员轨迹簇内，随机选择轨迹簇中的轨迹特征。提取该轨迹特征。采用高阶多项式生成轨迹，其中多项式的初始条件为x_d(0)＝0；

y_d(0)＝0；

y_d(T)＝Di；

其中x_d(0)为第0时刻轨迹的x坐标，

为第0时刻的x坐标方向速度，

为第0时刻的x坐标方向加速度，

第T时刻的x坐标方向速度，

为第T时刻的x坐标方向加速度，y_d(0)为第0时刻轨迹的y坐标，

为第0时刻的y坐标方向速度，

为第0时刻的y坐标方向加速度,y_d(T)为第T时刻轨迹的y坐标，

第T时刻的y坐标方向速度，

为第T时刻的y坐标方向加速度，随后，采用如下方程组求解：

x_d(t)＝c₁+c₂*t+c₃*t²+c₄*t³+c₅*t⁴ (3)

y_d(t)＝b₁+b₂*t+b₃*t²+b₄*t³+b₅*t⁴+b₆*t⁵ (4)

其中：c₁、c₂、c₃、c₄、c₅以及b₁、b₂、b₃、b₄、b₅、b₆为待求解系数。将初始条件带入上述方程组中(其中t＝0，以及t＝T)，即可解得上述系数。然后，利用方程：x(t)＝c₁+c₂*t+c₃*t²+c₄*t³+c₅*t⁴；y(t)＝b₁+b₂*t+b₃*t²+b₄*t³+b₅*t⁴+b₆*t⁵；生成风格化关联的换道轨迹。

S4.3.设计一种基于模型预测控制的拟人化预瞄执行生成方法。其基于模型预测控制的拟人化预瞄执行生成方法框图如图8所示。

S431.建立车辆二自由度车辆动力学模型的状态空间方程，其公式如下所示：

其中：C_αf和C_αr分别为前/后轮转弯刚度，l_r和l_r分别为前悬/后悬长度，m为车身质量，I_z为车辆绕z轴转动的转动惯量，V_x为转向速度，y为车辆行驶轨迹的横向坐标，

为车辆行驶轨迹的横向速度，ψ为车辆横摆角，

为车辆横摆角速度，δ为前轮转角。

S432.建立车辆状态预测模型的表达式，其公式为：

其中：k为预瞄步长，

为表示预瞄时域N_P内的系统输出，即

x(k)为表示为增量型状态空间表达式中的状态量，

表示预瞄时域N_P内的系统输入增量

Δu为控制量增量，Ψ系统状态矩阵

Θ为系统输入增量矩阵，A、B、C为增量型状态空间表达式的系数矩阵。

S433.建立模型预测控制的优化问题描述如下，其优化目标函数如下公式所示：

其中：X_ref为换道规划轨迹，X为车辆实际行驶轨迹，U为控制输入，Q、R为权重矩阵。U_min为输入量的最小值，U_max为输入量的最大值，ΔU_min为输入量增量的最小值，ΔU_max为输入量增量的最大值。

S5对一种拟人化随机换道驾驶行为模型进行验证

图9为拟人化模型规划轨迹与预瞄执行轨迹对比图。从图9可以看出，基于全链条拟人化换道过程概率模型的预瞄执行轨迹与换道规划轨迹趋势基本保持一致。

本发明一种全链条拟人化换道过程概率模型的建模方法表现出如下优越性：充分考虑了人类驾驶员在换道过程中如“跟车忍耐度”、“换道礼让度”等换道心理动机/驾驶风格、关联驾驶风格的换道轨迹生成方法以及预瞄执行等拟人化特征。

Claims (1)

1.一种拟人化随机换道驾驶行为建模方法，

S1、自然行驶数据原始采集，数据的采样频率为10Hz，以SPMD数据集作为自然行驶大数据；

S2、根据换道场景特性生成换道切入场景轨迹片段库，首先，提取SPMD数据集中前车数据集和换道数据集；其次，进行相对补集运算，选择在前车数据集但不在换道数据集中的数据；随后，逐帧对数据进行逻辑判断，判断前车在相邻时刻内从不是距主车最近的目标变为距主车最近，若是则将该帧数据放入换道切入轨迹片段库中，否则对下一帧数据进行判断，直到所有数据筛选完毕为止。并在该场景库中采集换道拟人化驾驶模型所需变量，其中包括：本车车速、本车加车速、前车车速以及后车加速度等变量；

S3、换道数据预处理，首先将采集的变量如本车车速、本车加车速、前车车速以及后车加速度等变量等转化为时序信号，并计算该时序信号的长度，并对该信号进行填充处理；其次对处理后的数据进行快速傅里叶变换，得到数据的频谱；随后根据数据的采样频率与滤波所需的截止频率，将频谱中截止频率之外的信号清除；最后将获得的频谱进行逆傅里叶变换，将其转化为时域信号，得到滤波后的数据；

其特征在于：

S4、拟人化随机换道驾驶行为建模：

S41、提取人类驾驶员跟车忍耐度以及换道礼让度的换道心理动机特征，并设计基于换道心理动机的换道决策，

S411、跟车忍耐度用α_p表示，其描述为：

其中：v_des为人类驾驶员期望的驾驶速度；

为人类驾驶员继续跟随前车时所需的驾驶车速，T为换道时长；

S412、换道礼让度用p表示，建立换道礼让度模型：

其中：

与

与分别代表车辆c、n在c换道后的加速度，a_c与a_n分别代表c、n在车辆c换道前的加速度预测值，p代表礼让系数，用于反映当前车辆礼让程度的高低，Δa_th代表当前车辆礼让程度阈值；

S42、设计关联驾驶风格的换道轨迹生成方法

S421、提取换道数据库中换道轨迹对应的礼让系数、换道时长T、换道轨迹的侧向距离Di、换道轨迹的平均速度v₀，并以礼让系数在[-2,2]区间内每隔0.05划分不同的驾驶员轨迹簇；

S422、在同一个轨迹簇内，随机选择轨迹簇中的轨迹特征，采用高阶多项式生成轨迹，其中多项式的初始条件为x_d(0)＝0；

y_d(0)＝0；

y_d(T)＝Di；

其中x_d(0)为第0时刻轨迹的x坐标，

为第0时刻的x坐标方向速度，

为第0时刻的x坐标方向加速度，

第T时刻的x坐标方向速度，

为第T时刻的x坐标方向加速度，y_d(0)为第0时刻轨迹的y坐标，

为第0时刻的y坐标方向速度，

为第0时刻的y坐标方向加速度,y_d(T)为第T时刻轨迹的y坐标，

第T时刻的y坐标方向速度，

为第T时刻的y坐标方向加速度，随后，采用如下方程组求解：

x_d(t)＝c₁+c₂*t+c₃*t²+c₄*t³+c₅*t⁴ (3)

y_d(t)＝b₁+b₂*t+b₃*t²+b₄*t³+b₅*t⁴+b₆*t⁵ (4)

其中：c₁、c₂、c₃、c₄、c₅以及b₁、b₂、b₃、b₄、b₅、b₆为待求解系数，将初始条件带入上述方程组中，其中t＝0，以及t＝T，即可解得上述系数，然后，利用方程：x(t)＝c₁+c₂*t+c₃*t²+c₄*t³+c₅*t⁴；y(t)＝b₁+b₂*t+b₃*t²+b₄*t³+b₅*t⁴+b₆*t⁵；生成风格化关联的换道轨迹；

S43、基于模型预测控制的拟人化预瞄执行生成方法

S431、建立车辆二自由度车辆动力学模型的状态空间方程

其中：C_αf和C_αr分别为前/后轮转弯刚度，l_r和l_r分别为前悬/后悬长度，m为车身质量，I_z为车辆绕z轴转动的转动惯量，V_x为转向速度，y为车辆行驶轨迹的横向坐标，

为车辆行驶轨迹的横向速度，ψ为车辆横摆角，

为车辆横摆角速度，δ为前轮转角；

S432、建立车辆状态预测模型的表达式

其中：k为预瞄步长，

为表示预瞄时域N_P内的系统输出，即

x(k)为表示为增量型状态空间表达式中的状态量，

表示预瞄时域N_P内的系统输入增量

Δu为控制量增量，Ψ系统状态矩阵

Θ为系统输入增量矩阵，A、B、C为增量型状态空间表达式的系数矩阵；

S433、建立模型预测控制的优化问题，优化目标函数：

其中：X_ref为换道规划轨迹，X为车辆实际行驶轨迹，U为控制输入，Q、R为权重矩阵。U_min为输入量的最小值，U_max为输入量的最大值，ΔU_min为输入量增量的最小值，ΔU_max为输入量增量的最大值。

Images