張 濤,鄒 淵,張旭東,王文偉
(1.北京理工大學機械與車輛學院,北京 100081; 2.北京電動車輛協(xié)同創(chuàng)新中心,北京 100081)
自適應巡航控制(adaptive cruise control,ACC)[1]作為高級駕駛輔助系統(tǒng)(advanced driver assistant system,ADAS)的典型應用之一,利用車載雷達和相機獲知前方車輛信息,輔助駕駛員對主車進行控制,有效地提升了行駛的舒適性和安全性。但受限于傳感器有限的感應范圍和較少的信息量,行駛的安全水準還有待提高。近年來,隨著信息通信、計算機和人工智能等技術(shù)的發(fā)展,智能網(wǎng)聯(lián)車輛成為新的研究熱點,通過車對車(vehicle-to-vehicle,V2V)無線通信[2],駕駛員或自動駕駛的車輛可獲取視野內(nèi)外更多車輛的多維度信號(包括速度、加速度、航向角、轉(zhuǎn)向盤轉(zhuǎn)角、GPS坐標、車輛尺寸等),為大幅提升車輛安全性提供更大空間[3]。通過網(wǎng)聯(lián)通信構(gòu)建協(xié)同行駛的車輛隊列,被稱為協(xié)同自適應巡航控制(cooperative adaptive cruise control,CACC),與ACC相比,CACC在避免碰撞沖突和增大交通流量上潛力更大,但仍然存在許多挑戰(zhàn)需要解決。例如,網(wǎng)聯(lián)CACC亟需能夠預測其他車輛的車道變換行為[4]。當鄰車道車輛在主車前方突然切入換道時,穩(wěn)定行駛隊列中的車輛必須執(zhí)行緊急制動,而這種緊急制動反應非常危險,可能導致嚴重的碰撞。因此,預測和適當?shù)奶崆胺磻翘嵘旭偘踩罹咛魬?zhàn)性的任務之一。
車輛的每次換道行為都對應著車輛狀態(tài)參數(shù)的改變(轉(zhuǎn)向盤轉(zhuǎn)角、車速、航向角等),然而不同的操縱行為(換道、直行)所產(chǎn)出的狀態(tài)參數(shù)可能部分相似[5]。因此,需要一種可靠的方法來基于其車輛狀態(tài)參數(shù)屬性來區(qū)分不同的駕駛操縱行為。近年來,機器學習技術(shù)的發(fā)展對基于時序數(shù)據(jù)的預測提供了新的解決思路和工具,常見的機器學習駕駛員行為建模研究包括基于支持向量機、相關(guān)向量機(SVM、RVM)[6-7]和神經(jīng)網(wǎng)絡(NN)[8]等分類方法來識別車輛的行為。另一類主要的建模方案,如隱馬爾可夫模型(HMM)[9-10]和動態(tài)貝葉斯網(wǎng)絡(DBNs)[11]等,利用駕駛行為的歷史時間序列數(shù)據(jù)構(gòu)建一種因果預測框架,以便找到下一個最有可能的駕駛動機。其中,文獻[6]中利用相關(guān)向量機(RVM)模型對換道過程參數(shù)進行估計,并利用多項式對換道軌跡擬合,將擬合軌跡與可接受安全域面積的比值作為預警參數(shù),用于對換道的安全性進行評估;文獻[7]中提出基于雷達采集的旁車橫縱向運動信息,基于支持向量機(SVM)構(gòu)造旁車并線意圖識別器,由于雷達采集數(shù)據(jù)的準確性較低,識別器對干擾信息的識別效果不佳;文獻[8]中基于車輛歷史運動行為。采用前饋神經(jīng)網(wǎng)絡預測車輛的行駛軌跡;文獻[9]和文獻[10]中在駕駛員操作過程中,將車輛可觀察時間序列行為與未觀察到的駕駛員意圖序列相關(guān)聯(lián),根據(jù)當前狀態(tài)預測下一步行為;文獻[11]中提出用于識別特殊的高速公路駕駛操作方法,在4個層次上模擬不同的駕駛操縱作為車與車道線、車與車之間的關(guān)系。時序預測方法有多種,上述方法能夠根據(jù)駕駛員的歷史行為預測駕駛員不同階段未來的行為,但是預測過程沒有時間和空間限制,不易于在實車應用,且未將預測的行為數(shù)據(jù)轉(zhuǎn)化引入主車的動態(tài)跟車策略中。
針對上述問題,本文中采用一種基于學習的行為預測建模方法,利用非線性自回歸(nonlinear autoregressive,NAR)神經(jīng)網(wǎng)絡對實際行駛工況下的旁車道車輛并線數(shù)據(jù)樣本進行學習,通過迭代循環(huán)預測算法實現(xiàn)特定時間與空間約束下的車道變換預測,并將預測的橫向軌跡轉(zhuǎn)化為切入概率值,構(gòu)建考慮旁車切入概率的跟車策略,用于CACC控制器提升網(wǎng)聯(lián)車輛的行駛主動安全性。
旁車并線切入的場景如圖1所示,相關(guān)參數(shù)含義見表1。隊列內(nèi)直接受可疑車輛(旁車)切入影響的車被稱為主車,在主車輛前方最近的車輛被稱為前車,本文中僅討論旁車切入后影響的主車道中最小兩車系統(tǒng),未對CACC網(wǎng)聯(lián)隊列系統(tǒng)中其他遙遠車輛進行分析。劃定主車正前方的區(qū)域為危險碰撞區(qū),碰撞區(qū)域雙側(cè)的一定范圍為監(jiān)視區(qū)域,碰撞區(qū)域的大小與CACC系統(tǒng)設計的跟車距離策略及車輛尺寸有關(guān)。
圖1 旁車并線切入場景與區(qū)域參數(shù)示意圖
表1 切入?yún)^(qū)域參數(shù)含義
網(wǎng)聯(lián)車輛跟車策略的目標是引導主車與前車之間保持相對的安全距離與車速,常用跟車距離模型為:固定跟車距離模型、固定跟車時距模型和非線性間距模型等[12-13],式(1)為固定車間時距模型:
式中:ddes,i為主車期望的跟車距離;h為固定的車間時距;vi為主車的車速;d0,i為設計的主車停車安全距離。碰撞區(qū)域范圍與跟車距離模型有關(guān),如圖1所示,區(qū)域的橫向尺寸Lw1與主車的寬度相同,縱向長度定義為
為了提高預測的有效性,減少系統(tǒng)計算負荷,劃定一定范圍的監(jiān)視區(qū)域,過濾掉一些遙遠車輛的換道信息或鄰近車道車輛搖擺的非換道行為信息,只有當旁車真實發(fā)生換道進入監(jiān)視區(qū)域的行為才需要進行預測。
為了確定監(jiān)視區(qū)域的合適范圍以及進行后續(xù)的神經(jīng)網(wǎng)絡模型訓練,從實際道路環(huán)境下采集了大量的直行道路切入換道過程參數(shù)。具體采集過程如下:用于換道的車輛加裝了雷達、Mobileye攝像頭和NAV982 GNSS慣性導航儀,換道車輛主動并線駛?cè)肓硪卉嚨勒P旭偟膬绍嚨拈g隙中,通過雷達和Mobileye攝像頭記錄前車位置與速度參數(shù),通過慣導記錄下?lián)Q道車輛的行車軌跡與運動參數(shù),由于事先對道路坐標信息進行標定,因此可以利用坐標變換,將換道車輛的地理信息位置換算為車輛坐標系下與目標車道前車的相對位移參數(shù)(Δx,Δy),尺寸參數(shù)如圖1所示。
在實際駕駛環(huán)境中,主車通過以下兩種途徑獲取車輛運行狀態(tài)信息:一是基于自身雷達和攝像頭直接獲取視野內(nèi)車輛的速度與距離信息,距離信息比較準確,但是運動參數(shù)誤差較大,由于Mobileye攝像頭圖像處理過程耗時較長,設備數(shù)據(jù)更新周期接近10 Hz;另一方面,基于慣導周期性的獲取車輛狀態(tài)以及駕駛員的操作參數(shù),可準確獲取航向、速度和轉(zhuǎn)向盤角度等信息,采樣頻率可調(diào),設定慣導采樣頻率為10 Hz,因此可認為兩組傳感器獲得的數(shù)據(jù)為同一時刻的車輛實時狀態(tài)信息。車道變換操作由4個獨立階段組成:意圖階段、準備階段、過渡階段和完成階段[14]。為了提高數(shù)據(jù)訓練樣本的有效性,對訓練樣本數(shù)據(jù)有效區(qū)間進行剪切,截取數(shù)據(jù)持續(xù)時間必須大于10 s,確保訓練樣本數(shù)據(jù)中既有橫向換道數(shù)據(jù),又包含直線行駛數(shù)據(jù);為了減輕數(shù)據(jù)噪聲的影響,根據(jù)信號的不同性質(zhì),對數(shù)據(jù)的變化進行濾波以平滑時間序列差異,并過濾掉微小參數(shù)降低噪聲的影響。
分析采集到的換道數(shù)據(jù)可知:轉(zhuǎn)向盤轉(zhuǎn)角和航向角變化趨勢相同;換道過程中橫向加速度大多數(shù)相對較小,部分時刻的采集數(shù)據(jù)與慣導的零漂數(shù)據(jù)發(fā)生混淆,不利于與并線行為建立相關(guān)性;車道變換期間,換道車輛與前車的縱向距離跟換道車速之間沒有絕對相關(guān)性,因為任何車速下駕駛員都可能選擇進行平穩(wěn)換道、加速換道或者減速換道,本文中暫時不區(qū)分3種換道之間的細微差別。另外,慣導采集自身的三軸速度、加速度等,三軸方向正置于車輛中間位置,但是車輛平穩(wěn)換道過程橫向移動速度普遍較低,因此采集的高速航向車速較為準確,而垂直于航向的橫向車速不精確。由于主要關(guān)注于車輛的橫向軌跡,最終選取了換道車輛的航向速度v、轉(zhuǎn)向盤角度α、航向角φ以及與目標車道前車的相對距離Δx和Δy對換道行為進行描述,并令ζ=[v,α,φ,Δx,Δy]T∈R5×1。
圖2 換道橫向軌跡與換道持續(xù)時間概率分布圖
在整個車道變換過程的跨線中間階段,橫向移動速度變化范圍不大,圖2(a)描繪了兩種車速下的橫向換道軌跡,從圖中可以看出,換道過程橫向移動過程的中間段位移可近視為直線,可認為橫向階段性的勻速移動。文獻[15]中基于美國NGSIM數(shù)據(jù)研究,統(tǒng)計得到車道變換時間滿足正態(tài)分布,超過99.7%的車輛在12 s內(nèi)完成車道變換,其統(tǒng)計方法的起點與終點邊界范圍較大,且多數(shù)為自由無壓力換道過程,不適用于本文中的統(tǒng)計過程。圖2(b)統(tǒng)計了本文中采集切入數(shù)據(jù)中橫向位移跨度3 m內(nèi)的換道持續(xù)時間,超過90%的持續(xù)時間大于2.8 s,即換道中間階段,大多數(shù)車輛橫向移動速度小于1 m/s。我國高速公路上的四車道、六車道和八車道的標準車道寬度分別為2×7.5 m、2×11.25 m和2×15 m,即單車道寬為3.75 m,由于大多數(shù)小汽車的寬度在1.8 m左右,這意味著在單車道內(nèi),單車道內(nèi)車輛兩側(cè)各有接近0.9 m的活動區(qū)域。當發(fā)生換道行為時,按照平均1 m/s的橫向移動速度,換道車輛的車頭外沿在越過本車道線后,需要0.9 s的時間駛出鄰車道的活動區(qū)域切入碰撞區(qū)域,為了確保能夠完全監(jiān)控接近1 s的切入過程,劃定監(jiān)視區(qū)域的Lw2為1 m。
人工神經(jīng)網(wǎng)絡(artificial neural networks,ANN)是描述和預測非線性系統(tǒng)最有效的工具,本文中采用NAR神經(jīng)網(wǎng)絡搭建循環(huán)預測網(wǎng)絡,進行駕駛員換道行為建模。使用歷史參數(shù)訓練NAR神經(jīng)網(wǎng)絡模型,并基于當前可用狀態(tài)值預測不同系統(tǒng)輸入的未來模式,即利用轉(zhuǎn)向盤角度、航向速度、航向角和車輛相對位移參數(shù)作為模型的外源輸入,對車輛的橫向軌跡進行建模。設定神經(jīng)網(wǎng)絡有1個隱藏層、20個節(jié)點和20步短期記憶,這意味著網(wǎng)絡使用2 s的過去信息進行預測下一步狀態(tài)參數(shù)。由于神經(jīng)網(wǎng)絡訓練過程是自由隨機的,節(jié)點的數(shù)量設置并非固定,在訓練過程中按照75∶15∶10的劃分依據(jù)將數(shù)據(jù)分為訓練集、驗證集和測試集,在多次訓練結(jié)果中,以較小的均方差作為評判指標選取合適的網(wǎng)絡模型參數(shù)。
在應用NAR網(wǎng)絡預測時,設定預測步數(shù)q為10步,基于歷史駕駛數(shù)據(jù)ζ1:t-1和當前時刻的觀測數(shù)據(jù)ζt預測下一步狀態(tài)ζt+1,并通過迭代算法預測車輛未來tp時刻的狀態(tài)ζt+1:t+tp,根據(jù)每步的預測結(jié)果計算對應的未來橫向移動距離,具體算法如表2所示。
表2 估計預測計算過程
上述Ls2為車輛橫向?qū)挾鹊囊话?,設定Δt與數(shù)據(jù)采樣頻率一致,Δt=0.1 s。在系統(tǒng)時間進入到下一次計算周期時,用最新的觀測數(shù)據(jù)覆蓋舊的觀測數(shù)據(jù),循環(huán)采用算法1預測新觀測數(shù)據(jù)下的未來10步值。為了檢驗所訓練網(wǎng)絡的預測效果,使用一組全新的換道和直行原始數(shù)據(jù)進行預測,如圖3所示,圖3(a)為換道行為,圖3(b)為非換道行為。從圖中可以看出,針對真實的換道行為或者橫向晃動的非換道行為,雖然NAR迭代預測網(wǎng)絡的計算結(jié)果與真實值之間存在一定的誤差,但預測值與真實值變化趨勢相同,誤差在可接受的范圍內(nèi),有理由認為所訓練的網(wǎng)絡可用于換道行為的預測。
圖3 NAR網(wǎng)絡預測的橫向行為軌跡
圖4 預測步與切入概率示意圖
根據(jù)橫向移動距離Δy^t+(j+1)Δt和監(jiān)控區(qū)域的寬度Lw2構(gòu)建車輛的切入概率p計算模塊,將預測結(jié)果轉(zhuǎn)化為0到1之間的概率值。首先根據(jù)算法1預測當前時刻下未來旁車與前車間橫向距離,同時循環(huán)計算第j步時旁車的橫向移動距離,并判斷此移動距離下旁車是否進入碰撞區(qū)域。若預測步中沒有任何計算值超過Lw2,取p=0;當預測步中有車輛進入碰撞區(qū)域時,設第j步為預測步中車輛第一次進入碰撞區(qū)域,見圖4,則取p=1.1-j·Δt,i=1,2,…,10;若j步之后出現(xiàn)不連續(xù)的預測步越過監(jiān)控區(qū)域時,統(tǒng)計第j步及之后預測進入碰撞區(qū)域的次數(shù)為n,在切入概率計算中引入置信因子γ=n/(11-j),則當前時刻下,旁車切入概率p計算公式為
現(xiàn)使用一組全新的換道數(shù)據(jù),通過預測網(wǎng)絡及切入概率計算方法獲得實時的預測切入概率,如圖5所示,圖中實線為采集的車輛真實橫向位移數(shù)據(jù),選定其中橫向跨度1 m的數(shù)據(jù)作為監(jiān)控區(qū)域的對比數(shù)據(jù),使用前2.6 s的狀態(tài)數(shù)據(jù)作為初始測量值,利用迭代NAR網(wǎng)絡預測未來橫向1 m跨度內(nèi)的每100 ms的最大切入概率,繪制為圖中虛線。從圖中可以看出,預測的切入概率值非連續(xù)變化,且變化率與真實橫向位移有一定的差異,但總體上預測的切入概率值逐漸增大到1,與車輛駛?cè)氡O(jiān)控區(qū)域的真實情況相符合。
圖5 換道軌跡及其切入概率預測示意圖
在傳統(tǒng)CACC系統(tǒng)中,根據(jù)式(1)計算實時的跟車距離誤差:
式中:Li為主車的長度;xi和xi+1分別為兩車的縱向位置;drel,i為主車前保險杠與前車后保險杠之間的相對距離;δi為跟車距離誤差。若兩車的相對距離為雷達或攝像頭直接測量所得,可忽略式(4)的計算過程。
在CACC穩(wěn)定的隊列跟車系統(tǒng)中,車輛之間保持相同的跟車距離,當鄰車道車輛并入主車道后被突然識別為新的跟蹤目標,主車往往會緊急制動來保證安全的跟車距離,易引發(fā)后續(xù)車輛的危險碰撞行為。因此,主車的跟車距離誤差δi應該不僅考慮主車與前車之間的縱向距離,同時還需要考慮旁車的切入行為,進行動態(tài)調(diào)整期望跟車誤差值。當旁車意圖并入隊列中的第i和i+1車的間隙時,為了在達到新的平衡之前確保有足夠的安全間隙保證旁車切入,提出了一個新的隨機間距誤差δi的定義:
式中μ為0到1以內(nèi)的靈敏度系數(shù),用于緩沖主車跟車距離誤差變化的激烈程度。若無切入事件發(fā)生,令p=0,主車與前車的距離誤差式(6)與式(5)相同,通過調(diào)整主車車速實現(xiàn)與前車保持動態(tài)平衡;當p≠0時且逐漸增大時,μ越大,δi突變幅度越劇烈,下文中取μ=0.5用于仿真計算;由于考慮切入概率的跟車距離策略式(6)能夠提前獲得間距誤差,進而確保主車提前減速以減小跟車誤差,拉大兩車的縱向間隙。當旁車切入并接觸到碰撞區(qū)域時,CACC系統(tǒng)需要將旁車更新作為新的跟蹤目標車i+1,而之前的前車編號變?yōu)閕+2,此后,巡航控制器控制系統(tǒng)按照新的目標進行跟車調(diào)整。
聯(lián)網(wǎng)巡航分層控制系統(tǒng)在設計控制算法時,采用之前的研究成果[16],上層控制中引入了切入概率的計算,利用加速度前饋及誤差反饋的控制算法計算實時期望加速度控制量;在底層控制中設計了加速度逆動力學模型查詢表,直接根據(jù)期望加速度和當前的車速查詢加速踏板和制動踏板開度,系統(tǒng)架構(gòu)如圖6所示,其中控制器算法如圖6中虛線框所示。
圖6 基于預測的聯(lián)網(wǎng)巡航控制系統(tǒng)架構(gòu)圖
文獻[16]中詳細論證了所設計控制器算法的穩(wěn)定性,可以實現(xiàn)快速準確的控制響應,本文中著重分析所設計的切入概率模塊對主車跟車響應的影響。參考上述控制器,設定k1=0.3,k2=0.5,k3=0.6,其中k3為Fi的近似值,驅(qū)動響應的1階慣性延遲環(huán)節(jié)中,Gi取慣性時間為0.1 s,時間延時為0.3 s,仿真試驗中忽略V2V通信延遲,因為未來基于5G的通信延遲將會更低。
參照圖4所示場景,在Matlab/Simulink中建立3車的兩種跟車并線試驗,一種是針對式(5)動態(tài)跟車策略的NAR-CACC跟車仿真,一種是不考慮旁車并線過程式(4)的CACC跟車仿真。兩種仿真中,所有車輛均以25 m/s的速度勻速行駛,設定車間時距h=1.2,停車距離d0,i為3 m。旁車初始縱向距離前車10 m,與主車保持等速行駛,待主車與前車達到穩(wěn)態(tài)平衡后,旁車逐漸移動到主車與前車的間隙中。旁車的仿真行為參數(shù)采用之前采集到的實車數(shù)據(jù)進行數(shù)值模擬。圖7顯示了針對兩種不同跟車距離控制策略下主車的響應效果,其中圖7(a)為主車與前車的速度誤差曲線,圖7(c)為跟車距離的誤差曲線,圖7(b)和圖7(d)分別為主車的加速度及速度曲線。
圖7 網(wǎng)聯(lián)跟車仿真主車響應曲線
從圖7(a)和圖7(c)中可以看到,在兩種跟車策略下,主車與前車的縱向距離和速度誤差均趨于0,即主車均能夠達到最終的穩(wěn)定平衡。值得注意的是,NAR-CACC跟車策略相比較傳統(tǒng)CACC跟車策略,系統(tǒng)可以更早地開始響應旁車的切入行為。觀察圖7(b)的加速度曲線可知,在旁車切入時,由于NAR-CACC策略下主車提前進行緩慢制動而不是緊急制動,而傳統(tǒng)CACC策略下劇烈突變的加速度影響乘坐舒適性,同時緊急制動行為會嚴重影響交通安全性與交通流通性。觀察所有NAR-CACC策略下曲線變化,主車在各方面響應表現(xiàn)都更加優(yōu)異。提前響應的時間值取決于NAR網(wǎng)絡的預測結(jié)果,由于NAR網(wǎng)絡預測采用迭代預測,而預測的時間步越多,其預測結(jié)果誤差越大,因此本文中并未使用更遠的預測步結(jié)果來增加預測時間,而是結(jié)合監(jiān)控區(qū)域的尺寸以及固定的預測步數(shù)限制,進行旁車并線切入概率計算。綜上可知,考慮旁車并線預測的NARCACC跟車策略可使主車的跟車響應更早、更快、更安全,有利于提升車隊的交通安全性。
在相同的仿真條件下,取不同的μ值,觀察主車的速度與加速度響應變化特征,如圖8所示,靈敏度系數(shù)μ取值越大,主車的速度與加速度變化幅度越大,且能更早地達到速度平衡;從圖8(b)的加速度曲線可以看出,μ取值越大導致加速度變化較大,降低了駕駛的舒適性,因此需要根據(jù)不同跟車速度與跟車距離選擇合適的μ值。未來可以繼續(xù)探討不同切入行為下,跟車誤差距離變化程度對車輛響應行為的影響特點,在確保安全性的同時,提升駕駛的舒適性。
圖8 不同靈敏度系數(shù)下的主車速度和加速度變化曲線
本文中以網(wǎng)聯(lián)電動車輛為基礎(chǔ),依靠采集的實車并線行為數(shù)據(jù)對NAR神經(jīng)網(wǎng)絡進行訓練,通過預測模型迭代循環(huán)計算旁車的切入概率,并設計了一種考慮切入概率的跟車誤差策略,最后使用真實并線數(shù)據(jù)進行Matlab仿真試驗跟車。結(jié)果表明所設計的并線切入預測算法可以有效檢測旁車的并線切入行為,添加了切入概率預測模塊的網(wǎng)聯(lián)CACC系統(tǒng)可以更早、更快地響應旁車并線時的跟車目標變化,提升乘坐的舒適性,保障了車隊行駛的安全性。
由于受試驗條件限制,本文中未能開展真實路況下多車實時通信的并線行為在線預測與巡航控制試驗,同時由于訓練樣本多為中低速直線工況數(shù)據(jù),算法在彎道下的效果還有待分析,測試結(jié)果針對不同駕駛員行為預測的泛化能力還有待研究。