王珂 王艷陽 鄧修金 黃秋實(shí) 廖凱凱

（1.西華大學(xué)，汽車測(cè)控與安全四川省重點(diǎn)實(shí)驗(yàn)室，成都 610039；2.西華大學(xué)，流體及動(dòng)力機(jī)械教育部重點(diǎn)實(shí)驗(yàn)室，成都 610039）

主題詞：不確定性 軌跡預(yù)測(cè) 控制方法 智能汽車

1 前言

智能車系統(tǒng)包括3 個(gè)關(guān)鍵子系統(tǒng)，即認(rèn)知系統(tǒng)、決策系統(tǒng)和執(zhí)行系統(tǒng)。認(rèn)知系統(tǒng)的主要功能為辨識(shí)當(dāng)前駕駛環(huán)境和行為意圖，并估計(jì)和預(yù)測(cè)未來環(huán)境變化，為決策和執(zhí)行系統(tǒng)提供可靠的依據(jù)。而對(duì)復(fù)雜道路環(huán)境的認(rèn)知是智能車輛認(rèn)知系統(tǒng)的重要功能，其關(guān)鍵技術(shù)之一為車輛軌跡預(yù)測(cè)。

車輛軌跡預(yù)測(cè)基于當(dāng)前或前一段車輛軌跡與環(huán)境信息，對(duì)該車輛的行駛軌跡進(jìn)行預(yù)測(cè)。其預(yù)測(cè)精度直接決定了車輛的安全性、穩(wěn)定性和舒適性。然而復(fù)雜交通環(huán)境具有多種不確定性，例如下一時(shí)刻交通環(huán)境的突變不可知、車輛建模過程的簡(jiǎn)化問題、傳感器的測(cè)量誤差及失效問題、駕駛行為的不確定性以及多車間的交互與博弈等。上述不確定性會(huì)直接影響車輛軌跡預(yù)測(cè)精度，甚至導(dǎo)致車輛偏離安全路徑，提高碰撞風(fēng)險(xiǎn)。

針對(duì)上述問題，本文通過對(duì)車輛軌跡預(yù)測(cè)時(shí)面臨的不確定性問題進(jìn)行綜述，分析單車軌跡預(yù)測(cè)時(shí)的環(huán)境預(yù)測(cè)不確定性、車輛模型不確定性和環(huán)境感知不確定性，以及多車間的駕駛行為不確定性和多智能體間的交互與博弈，并進(jìn)一步分析這些不確定性對(duì)軌跡預(yù)測(cè)的影響，以明確不確定性對(duì)車輛軌跡預(yù)測(cè)的影響機(jī)理及控制方法，為解決不確定性導(dǎo)致的車輛軌跡預(yù)測(cè)誤差問題提出合理的解決思路，并對(duì)有待進(jìn)一步解決的問題進(jìn)行討論，對(duì)未來的研究方向進(jìn)行展望。

2 車輛軌跡預(yù)測(cè)方法及其不確定性

車輛軌跡預(yù)測(cè)方法主要包括3個(gè)類別：基于行為認(rèn)知的軌跡預(yù)測(cè)、基于大數(shù)據(jù)驅(qū)動(dòng)的軌跡預(yù)測(cè)和基于物理學(xué)模型的軌跡預(yù)測(cè)。

基于行為認(rèn)知的軌跡預(yù)測(cè)方法主要依據(jù)車輛加速、減速、變道和跟蹤等駕駛行為的認(rèn)知結(jié)果來估計(jì)和預(yù)測(cè)未來的車輛軌跡，因此能夠在長(zhǎng)時(shí)間段內(nèi)從抽象層面預(yù)測(cè)車輛的運(yùn)動(dòng)趨勢(shì)。原型軌跡聚類法是基于行為認(rèn)知的軌跡預(yù)測(cè)方法之一，C.Hermes及其團(tuán)隊(duì)提出了一種基于軌跡分類和粒子濾波框架的長(zhǎng)期預(yù)測(cè)方法，可對(duì)未來某段軌跡進(jìn)行實(shí)時(shí)估計(jì)和預(yù)測(cè)。高斯過程學(xué)習(xí)法也是基于行為認(rèn)知軌跡的預(yù)測(cè)方法之一，T.Christopher提出了一個(gè)基于高斯過程的完整軌跡級(jí)概率運(yùn)動(dòng)模型。該模型為采用隱馬爾可夫模型構(gòu)建駕駛行為模型的一種變體，其優(yōu)點(diǎn)是能夠獨(dú)立于狀態(tài)空間表達(dá)未來的運(yùn)動(dòng)?；谛袨檎J(rèn)知的軌跡預(yù)測(cè)方法還包括駕駛行為認(rèn)知及軌跡定義法，但基于行為認(rèn)知的軌跡預(yù)測(cè)方法未考慮較低層次的車輛運(yùn)動(dòng)相關(guān)信息，如加速度、轉(zhuǎn)向盤轉(zhuǎn)角和路面附著系數(shù)等，因此在短時(shí)間內(nèi)預(yù)測(cè)精度較差。針對(duì)這一問題，B.D.Kim及其團(tuán)隊(duì)提出了一種基于遞歸神經(jīng)網(wǎng)絡(luò)的車輛軌跡預(yù)測(cè)框架，通過深度神經(jīng)網(wǎng)絡(luò)模型從大量的軌跡數(shù)據(jù)中學(xué)習(xí)車輛的復(fù)雜行為，基于此軌跡預(yù)測(cè)方法采用長(zhǎng)短期記憶（Long Short Term Memory，LSTM）遞歸神經(jīng)網(wǎng)絡(luò)分析周圍車輛的行為并預(yù)測(cè)未來的坐標(biāo)。裴炤等人將長(zhǎng)短期記憶網(wǎng)絡(luò)與社會(huì)親和力映射圖相結(jié)合進(jìn)行軌跡預(yù)測(cè)。同時(shí)，季學(xué)武等人設(shè)計(jì)了一種基于長(zhǎng)短期記憶網(wǎng)絡(luò)的駕駛意圖識(shí)別及車輛軌跡預(yù)測(cè)模型。此外，基于行為認(rèn)知的軌跡預(yù)測(cè)方法的基礎(chǔ)為駕駛行為認(rèn)知，而駕駛風(fēng)格的多樣性、駕駛員身體狀態(tài)的時(shí)變性和駕駛環(huán)境的突變性及多樣性會(huì)直接導(dǎo)致駕駛行為認(rèn)知存在極大的不確定性，進(jìn)而影響車輛軌跡預(yù)測(cè)精度。

基于大數(shù)據(jù)驅(qū)動(dòng)的軌跡預(yù)測(cè)方法首先，對(duì)數(shù)據(jù)庫中的知識(shí)進(jìn)行學(xué)習(xí)和挖掘，然后利用大量數(shù)據(jù)序列和數(shù)據(jù)驅(qū)動(dòng)模型（如深度學(xué)習(xí)網(wǎng)絡(luò)模型）對(duì)車輛軌跡進(jìn)行預(yù)測(cè)。大數(shù)據(jù)驅(qū)動(dòng)軌跡預(yù)測(cè)能夠在較長(zhǎng)時(shí)間段內(nèi)對(duì)車輛軌跡進(jìn)行預(yù)測(cè)，但是該方法也沒有考慮底層車輛運(yùn)動(dòng)信息，因此在短時(shí)間內(nèi)預(yù)測(cè)精度較差。針對(duì)這一問題，許多團(tuán)隊(duì)提出了長(zhǎng)短期記憶模型預(yù)測(cè)方法。此外，基于大數(shù)據(jù)驅(qū)動(dòng)的軌跡預(yù)測(cè)方法對(duì)數(shù)據(jù)庫要求較高。文獻(xiàn)[8]采集了3 730 s的駕駛信息，其中1 325個(gè)案例信息超過4 s，且85%的案例為訓(xùn)練集，15%的案例為驗(yàn)證集。文獻(xiàn)[9]通過采集261位行人的出行軌跡，研究行人與環(huán)境的交互信息。唐坤將早高峰時(shí)段7:00～9:00 以30 min為間隔劃分為4個(gè)連續(xù)時(shí)間段，在84 100個(gè)路段采集了329 083個(gè)駕駛行為數(shù)據(jù)。而數(shù)據(jù)庫在數(shù)據(jù)精度、數(shù)據(jù)容量、數(shù)據(jù)實(shí)時(shí)性及人為主觀因素等方面具有不確定性（或者多樣性），這會(huì)直接導(dǎo)致大數(shù)據(jù)驅(qū)動(dòng)的軌跡預(yù)測(cè)的不確定性，進(jìn)而增大車輛軌跡預(yù)測(cè)誤差。

基于物理學(xué)模型的軌跡預(yù)測(cè)方法，依據(jù)運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)定律，采用數(shù)學(xué)語言描述車輛的物理運(yùn)動(dòng)，根據(jù)車輛加速度和轉(zhuǎn)向盤轉(zhuǎn)角，結(jié)合車輛結(jié)構(gòu)參數(shù)和路面工況等外在條件，預(yù)測(cè)車輛姿態(tài)及未來車輛軌跡。該方法直接考慮車輛底層運(yùn)動(dòng)信息，因此在短時(shí)間內(nèi)可以對(duì)車輛軌跡進(jìn)行精確預(yù)測(cè)。但該方法既沒有考慮自車變道、轉(zhuǎn)彎和加減速等駕駛行為信息，又沒有考慮其他車輛的行駛工況和行人行為，也較少考慮車輛建模過程中的不確定性，例如車身質(zhì)量的時(shí)變性、滑移率測(cè)量的精確性和車輛機(jī)電耦合的復(fù)雜性等。針對(duì)上述問題，文獻(xiàn)[11]建立平板制動(dòng)試驗(yàn)臺(tái)，構(gòu)建輪胎動(dòng)力學(xué)模型，研究了車載質(zhì)量對(duì)車輛制動(dòng)性能的影響。文獻(xiàn)[12]研究了基于滑移率辨識(shí)的汽車制動(dòng)時(shí)序視覺檢測(cè)方法。文獻(xiàn)[13]提出一種主動(dòng)懸架系統(tǒng)的多目標(biāo)優(yōu)化控制方法，建立機(jī)電耦合的集成模型，研究了電磁激勵(lì)特性，并分析了其對(duì)車輛動(dòng)力學(xué)的影響。這些不確定因素會(huì)直接降低車輛軌跡預(yù)測(cè)精度。更嚴(yán)重的問題是，基于物理學(xué)模型的軌跡預(yù)測(cè)誤差會(huì)隨時(shí)間的推移而不斷累積，最終導(dǎo)致預(yù)測(cè)誤差較大，無法滿足智能車輛決策和控制的需求。針對(duì)該問題，李培新等人將車輛運(yùn)動(dòng)學(xué)模型進(jìn)行線性化處理，得到車輛運(yùn)動(dòng)學(xué)線性跟蹤誤差模型。同時(shí)，潘世舉及其團(tuán)隊(duì)基于車輛動(dòng)力學(xué)模型，提出了基于跟蹤誤差模型的智能車輛軌跡跟蹤方法。研究結(jié)果表明，當(dāng)車速小于15 m/s 時(shí)，橫擺角誤差成功控制在0.52 m 以內(nèi)，偏航角誤差控制在0.067 rad以內(nèi)。

綜上所述，基于行為認(rèn)知的軌跡預(yù)測(cè)方法與大數(shù)據(jù)驅(qū)動(dòng)的軌跡預(yù)測(cè)方法主要考慮車輛上層運(yùn)動(dòng)信息和歷史運(yùn)動(dòng)數(shù)據(jù)來完成未來長(zhǎng)時(shí)間段內(nèi)的車輛軌跡預(yù)測(cè)。而基于物理學(xué)模型的軌跡預(yù)測(cè)方法主要考慮車輛的底層運(yùn)動(dòng)信息進(jìn)行未來短時(shí)間段內(nèi)的車輛軌跡預(yù)測(cè)。為了兼顧未來長(zhǎng)、短時(shí)間段內(nèi)的預(yù)測(cè)精度，上述3 種預(yù)測(cè)方法常結(jié)合使用，這在一定程度上可以提高預(yù)測(cè)精度。但無論是結(jié)合使用還是單獨(dú)使用，對(duì)3種預(yù)測(cè)方法不確定性的相關(guān)研究較少。車輛在實(shí)際運(yùn)行工況中，駕駛行為的不確定性、數(shù)據(jù)庫的不確定性和車輛模型及其行車環(huán)境的不確定性無法避免，而這些不確定性會(huì)直接影響預(yù)測(cè)算法的有效性，進(jìn)而降低軌跡預(yù)測(cè)精度。駕駛行為不確定性會(huì)直接影響車輛制動(dòng)、換道和轉(zhuǎn)向等工況，進(jìn)而造成車輛當(dāng)前時(shí)段的車輛軌跡與環(huán)境信息突變，影響車輛未來行駛路徑和軌跡精度受。數(shù)據(jù)庫的不確定性會(huì)直接影響車輛軌跡預(yù)測(cè)精度。車輛模型及其行車環(huán)境的不確定性會(huì)帶來過程噪聲和測(cè)量噪聲。物理模型建立過程中，假設(shè)了一些參數(shù)（如速度、加速度和角速度等）恒定，而在車輛實(shí)際行駛中，這些假設(shè)會(huì)產(chǎn)生變化，且隨著時(shí)間的推移變化不斷加大，這些假設(shè)會(huì)使車輛軌跡預(yù)測(cè)誤差增大，稱為車輛行駛的過程噪聲，是影響車輛軌跡精度的關(guān)鍵因素之一。傳感器對(duì)行車環(huán)境的數(shù)據(jù)采樣信息會(huì)產(chǎn)生測(cè)量誤差，稱為測(cè)量噪聲，也是影響車輛軌跡精度的關(guān)鍵因素之一。

3 環(huán)境預(yù)測(cè)不確定性

環(huán)境預(yù)測(cè)不確定性的研究主要包括2個(gè)方面：非預(yù)期障礙物規(guī)避和復(fù)雜天氣下物體高精度感知。

在非預(yù)期障礙物規(guī)避方面，胡延平及其團(tuán)隊(duì)采用衍生狀態(tài)格理論，充分考慮了障礙物的靜止及運(yùn)動(dòng)狀態(tài)，進(jìn)一步研究了直道避障模型和彎道避障模型，結(jié)合智能車輛軌跡預(yù)測(cè)算法，提出了避障車輛和障礙物狀態(tài)格之間的軌跡規(guī)劃問題。針對(duì)城市復(fù)雜交通環(huán)境換道時(shí)緊急避障的問題，張銳陳基于直線道路工況和彎曲道路工況利用奇次多項(xiàng)式確立了換道避障軌跡規(guī)劃方法，并建立了前方障礙物與自車之間的安全距離模型。文獻(xiàn)[18]提出了一種避障算法用于多目標(biāo)優(yōu)化，設(shè)計(jì)了動(dòng)態(tài)障礙物管理器。針對(duì)智能車輛在緊急工況下的主動(dòng)避障控制問題，文獻(xiàn)[19]開發(fā)了一種集成自適應(yīng)巡航控制、后轉(zhuǎn)向控制和側(cè)翻制動(dòng)控制的主動(dòng)安全協(xié)同控制系統(tǒng)。

在復(fù)雜天氣下物體高精度感知方面，王科基于車載視頻圖像理論，針對(duì)霧霾天氣下成像效果差的問題，提出了基于亮度通道引導(dǎo)濾波的視頻圖像去霧算法。研究結(jié)果表明，該算法能有效改善圖像對(duì)比度和清晰度，計(jì)算效率分別比彩色直方圖均衡化方法和多維圖像增強(qiáng)算法（Retinex算法）提高了63.9%和98.3%，滿足視頻圖像去霧需求。同時(shí)，隗寒冰等針對(duì)城市復(fù)雜動(dòng)態(tài)環(huán)境下光照突變和識(shí)別精度低的問題，提出一種基于網(wǎng)狀分類器與融合歷史軌跡的多目標(biāo)檢測(cè)與跟蹤算法。針對(duì)高速公路復(fù)雜路段不良天氣條件導(dǎo)致的交通安全問題，邵東建分析了車速、圓曲線半徑、超高、縱坡、降雨和橫風(fēng)等影響因素，運(yùn)用正交試驗(yàn)法確定各因素影響程度，建立了高速公路行車風(fēng)險(xiǎn)評(píng)價(jià)體系。徐晶通過建立統(tǒng)一的去雨、雪和霧模型來提高圖像處理能力，優(yōu)化數(shù)據(jù)濾波算法。

上述工作主要從非預(yù)期障礙物規(guī)避及復(fù)雜天氣下物體高精度感知方面研究環(huán)境預(yù)測(cè)不確定性，并通過預(yù)測(cè)模型、控制系統(tǒng)、圖像處理和目標(biāo)跟蹤檢測(cè)等方法來降低環(huán)境預(yù)測(cè)不確定性，但針對(duì)環(huán)境預(yù)測(cè)不確定性對(duì)車輛軌跡預(yù)測(cè)的影響研究較少。一方面，環(huán)境預(yù)測(cè)不確定性會(huì)導(dǎo)致車輛軌跡預(yù)測(cè)誤差增大，甚至直接導(dǎo)致車輛失穩(wěn)失控。例如非預(yù)期障礙物的出現(xiàn)造成車輛碰撞，導(dǎo)致車輛當(dāng)前行駛軌跡與環(huán)境信息直接丟失，直接導(dǎo)致車輛軌跡預(yù)測(cè)失效。而突發(fā)的大霧、大雪和暴雨等天氣會(huì)直接影響行車環(huán)境的辨識(shí)，提高車輛獲取未來預(yù)測(cè)軌跡的難度，影響軌跡預(yù)測(cè)的精度。另一方面，環(huán)境預(yù)測(cè)不確定性會(huì)直接導(dǎo)致車輛緊急制動(dòng)或者重新預(yù)測(cè)行駛軌跡、頻繁更換行車路徑，這會(huì)直接影響車輛的乘坐舒適性和行駛平順性。若割裂環(huán)境預(yù)測(cè)不確定性對(duì)車輛軌跡預(yù)測(cè)的影響，單獨(dú)研究環(huán)境預(yù)測(cè)的不確定性或者車輛軌跡預(yù)測(cè)方法，無法從系統(tǒng)層面提高智能車輛的安全性、舒適性和平順性。

4 車輛模型不確定性

4.1 車輛物理模型

車輛物理學(xué)模型主要是基于物理定律由復(fù)雜的實(shí)際狀況轉(zhuǎn)化而來，可分為動(dòng)力學(xué)模型和運(yùn)動(dòng)學(xué)模型?；谖锢韺W(xué)模型的軌跡預(yù)測(cè)方法根據(jù)車輛加速度、轉(zhuǎn)向盤轉(zhuǎn)角等控制，輸入結(jié)合外界條件以及車身特性對(duì)車輛位置、偏航角和速度等車輛狀態(tài)進(jìn)行預(yù)測(cè)。

車輛動(dòng)力學(xué)模型主要考慮車輛運(yùn)動(dòng)的各種外力（如縱向和橫向輪胎力）或道路傾斜角度，基于拉格朗日方程計(jì)算車輛的運(yùn)動(dòng)參數(shù)，車輛動(dòng)力學(xué)模型的不確定性主要包括模型誤差及作用于車輛的各種外力。為了估計(jì)車輛橫向速度及作用于車輛的外部干擾，Lin 基于2 自由度車輛軌跡預(yù)測(cè)模型，結(jié)合穩(wěn)定卡爾曼濾波算法，減小了模型不確定性。文獻(xiàn)[25]在考慮了各種外力等不確定性因素的前提下，提出了基于動(dòng)力學(xué)模型的車輛軌跡預(yù)測(cè)方法。另外，為了研究道路傾斜角度這一不確定性對(duì)軌跡預(yù)測(cè)的影響，劉凱及其團(tuán)隊(duì)基于路面具有一定傾角的智能車輛動(dòng)力學(xué)模型，提出了越野地形下的軌跡跟蹤方法，并進(jìn)一步推導(dǎo)了基于零力矩點(diǎn)的車輛側(cè)傾安全約束。針對(duì)車輛動(dòng)力學(xué)模型軌跡預(yù)測(cè)，P.Wang 及其團(tuán)隊(duì)提出了一種新的交叉口車輛運(yùn)動(dòng)軌跡預(yù)測(cè)方法，該方法依賴于融合車輛動(dòng)力學(xué)和對(duì)駕駛員未來動(dòng)機(jī)的估計(jì)，通過偏航角卡爾曼濾波和位置卡爾曼濾波組成的雙卡爾曼濾波算法估計(jì)當(dāng)前車輛狀態(tài)，根據(jù)道路幾何信息和特定駕駛員的駕駛行為確定所需的軌跡。同時(shí)，文獻(xiàn)[15]基于車輛動(dòng)力學(xué)模型，提出一種基于線性時(shí)變模型的預(yù)測(cè)控制方法，以提升車輛軌跡預(yù)測(cè)精度。針對(duì)在復(fù)雜動(dòng)態(tài)環(huán)境下智能車輛軌跡預(yù)測(cè)效果較差的問題，文獻(xiàn)[28]提出基于車輛穩(wěn)態(tài)動(dòng)力學(xué)的高動(dòng)態(tài)環(huán)境下駕駛輔助系統(tǒng)動(dòng)態(tài)軌跡規(guī)劃算法，在車輛軌跡預(yù)測(cè)的基礎(chǔ)上建立“搜索空間”，在搜索空間中對(duì)發(fā)生器產(chǎn)生的每個(gè)軌跡進(jìn)行評(píng)估，選擇最優(yōu)條件下的最優(yōu)軌跡。

車輛運(yùn)動(dòng)學(xué)模型主要在不考慮車輛受力的情況下，根據(jù)車輛運(yùn)動(dòng)的各種參數(shù)來描述車輛的運(yùn)動(dòng)。運(yùn)動(dòng)學(xué)車輛軌跡預(yù)測(cè)模型根據(jù)速度、加速度等參數(shù)是否恒定，可分為恒速度（Constant Velocity，CV）模型、恒加速度（Constant Acceleration，CA）模型、恒橫擺率和恒速度（Constant Turn Rate and Velocity，CTRV）模型、恒橫擺率和恒加速度（Constant Turn Rate and Acceleration，CTRA）模型、恒轉(zhuǎn)角和速度（Constant Steering Angle and Velocity，CSAV）模型、恒曲率和恒加速度（Constant Curvature and Acceleration，CCA）模型和恒轉(zhuǎn)角和加速度（Constant Steering Angle and Acceleration）模型等。運(yùn)動(dòng)學(xué)模型的關(guān)系如圖1所示，其中為加速度，為偏航角，為曲率，為偏航角速度。這些模型的運(yùn)用可以忽略地面對(duì)車輛的摩擦力等外界作用力，使車輛軌跡預(yù)測(cè)更為簡(jiǎn)單高效。運(yùn)動(dòng)模型的不確定性是指軌跡預(yù)測(cè)的過程噪聲，為了減小運(yùn)動(dòng)模型軌跡預(yù)測(cè)噪聲，魯浩基于滑動(dòng)參數(shù)估計(jì)對(duì)滑動(dòng)轉(zhuǎn)向車輛軌跡預(yù)測(cè)進(jìn)行了研究，在深入分析滑動(dòng)轉(zhuǎn)向車輛轉(zhuǎn)向運(yùn)動(dòng)學(xué)及動(dòng)力學(xué)特性的基礎(chǔ)上，提出了一種基于瞬時(shí)轉(zhuǎn)向中心的運(yùn)動(dòng)學(xué)建模方法，通過將車輛運(yùn)動(dòng)微分方程在參考軌跡上線性化，建立了線性時(shí)變擾動(dòng)矩陣微分方程，并基于線性控制理論推導(dǎo)了軌跡誤差的閉式解析解。同時(shí)，為了降低噪聲的干擾，進(jìn)一步提高預(yù)測(cè)精度，文獻(xiàn)[32]提出基于同步定位與地圖創(chuàng)建（Simultaneous Localization And Mapping，SLAM）算法的不變擴(kuò)展卡爾曼濾波（Invariant Extended Kalman Filter，In-EKF）算法，研究了算法的一致性和收斂性。針對(duì)運(yùn)動(dòng)學(xué)軌跡預(yù)測(cè)模型長(zhǎng)時(shí)域預(yù)測(cè)精度較差的問題，A.Houenou等提出了一種基于CTRA模型的軌跡預(yù)測(cè)和基于機(jī)動(dòng)識(shí)別的軌跡預(yù)測(cè)相結(jié)合的軌跡預(yù)測(cè)方法。該算法既能保證短時(shí)域的軌跡預(yù)測(cè)精度，也能保證長(zhǎng)時(shí)域的軌跡預(yù)測(cè)精度。運(yùn)動(dòng)學(xué)軌跡預(yù)測(cè)模型在導(dǎo)航系統(tǒng)中也有應(yīng)用，文獻(xiàn)[34]采用基于誤差的卡爾曼濾波通過反饋策略進(jìn)行數(shù)據(jù)融合處理，并利用運(yùn)動(dòng)學(xué)約束來提高慣性導(dǎo)航系統(tǒng)多普勒速度日志（Inertial Navigation System-Doppler Velocity Log，INS-DVL）導(dǎo)航性能。許建新等人設(shè)計(jì)了適用于智能手機(jī)平臺(tái)的基于車輛運(yùn)動(dòng)模型輔助的車載航位推算（Dead Reckoning，DR）/全球定位系統(tǒng)（GlobalPositioning System，GPS）組合導(dǎo)航方案。

圖1 運(yùn)動(dòng)模型間的關(guān)系[30]

上述工作主要研究了基于車輛物理學(xué)模型的智能車輛行駛軌跡預(yù)測(cè)方法對(duì)模型不確定性的處理，而沒有充分研究車輛物理學(xué)模型的各種不確定性對(duì)軌跡預(yù)測(cè)的影響。復(fù)雜動(dòng)態(tài)環(huán)境具有非線性、傳感器量測(cè)延遲或信號(hào)丟失、傳感器測(cè)量誤差、外部未知干擾、噪聲和非高斯等復(fù)雜特性，這些特性可能出現(xiàn)共存和耦合，就會(huì)造成模型的不確定性。車輛物理學(xué)模型的不確定性（如各種外力等不確定性因素）一方面會(huì)使車輪附著力降低，增加車輛側(cè)翻風(fēng)險(xiǎn)，另一方面會(huì)直接導(dǎo)致軌跡預(yù)測(cè)精度降低，影響駕駛的安全性。之所以沒有充分考慮車輛物理學(xué)模型的各種不確定性因素，是由于車輛建模過程中，要求從具體的實(shí)體車輛轉(zhuǎn)換成抽象的物理模型，得到方便表達(dá)和計(jì)算的數(shù)學(xué)公式，這需要對(duì)車輛實(shí)體及其運(yùn)動(dòng)進(jìn)行條件假設(shè)、參數(shù)近似和參數(shù)取舍。

4.2 車輛模型不確定性處理

在車輛軌跡預(yù)測(cè)中，針對(duì)車輛模型不確定性的處理主要有5種方法：卡爾曼濾波（Kalman Filters，KF）、擴(kuò)展卡爾曼濾波（Extended Kalman Filters，EKF）、無跡卡爾曼濾波（Unscented Kalman Filters，UKF）、粒子濾波（Particle Filters，PF）和蒙特卡洛（Monte Carlo）等方法。S.Qiao等人提出了一種基于動(dòng)態(tài)卡爾曼濾波的軌跡預(yù)測(cè)方法，對(duì)運(yùn)動(dòng)物體的動(dòng)態(tài)行為進(jìn)行狀態(tài)估計(jì)，更新狀態(tài)變量估計(jì)值。但卡爾曼濾波方法假設(shè)模型每一步迭代中，其先驗(yàn)概率都滿足高斯分布，且所求解的方程為線性方程，所以KF 不能有效求解非線性方程（如非線性CTRV 模型）。Todoran 等基于擴(kuò)展卡爾曼濾波方法將非線性問題線性化，實(shí)現(xiàn)了對(duì)非線性運(yùn)動(dòng)方程的概率估計(jì)。但在強(qiáng)非線性條件下，EKF會(huì)因?yàn)榻普`差較大而出現(xiàn)較差的估計(jì)結(jié)果，甚至出現(xiàn)發(fā)散現(xiàn)象。而且J.Schulz 等人提出將多模型無跡卡爾曼濾波應(yīng)用在動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)意圖估計(jì)和軌跡預(yù)測(cè)中。UKF 是KF 與無跡變換（Unscented Transform Theory，UT）的結(jié)合，對(duì)非線性問題進(jìn)行概率分布估計(jì)，同時(shí)，PF基于粒子理論，通過產(chǎn)生大量的粒子，對(duì)非線性問題進(jìn)行求解，但大量粒子的仿真會(huì)產(chǎn)生實(shí)時(shí)性問題。蒙特卡洛法通過構(gòu)造概率模型，從已知概率模型進(jìn)行隨機(jī)抽樣，產(chǎn)生隨機(jī)變量，對(duì)目標(biāo)變量進(jìn)行數(shù)學(xué)估計(jì)。蒙特卡洛法一般需要大量的試驗(yàn)，試驗(yàn)次數(shù)越多，所得結(jié)果越精確。

文獻(xiàn)[30]分析了車輛模型不確定性的處理方法，其描述CTRV模型主要是以加速度和角速度恒定作為假設(shè)條件，這2個(gè)假設(shè)為實(shí)際過程的主要過程噪聲，其均值為0，且服從高斯分布，可計(jì)算得到CTRV模型中處理過程噪聲的協(xié)方差矩陣。圖2所示為CTRV模型，其中為偏航角，為車輛行駛速度。CTRV 運(yùn)動(dòng)模型為非線性模型，故需應(yīng)用EKF處理運(yùn)動(dòng)模型的不確定性和傳感器測(cè)量的不確定性，從而提高軌跡預(yù)測(cè)精度。通過對(duì)GPS進(jìn)行分析，可以從接收機(jī)上得到由經(jīng)緯度到平面坐標(biāo)系的轉(zhuǎn)換結(jié)果，表1所示為部分GPS經(jīng)緯度坐標(biāo)轉(zhuǎn)換后的平面坐標(biāo)。基于CTRV模型的預(yù)測(cè)軌跡是結(jié)合了GPS與慣性傳感器（Inertial Measurement Unit，IMU）的融合定位數(shù)據(jù)，運(yùn)用EKF算法處理模型噪聲和傳感器測(cè)量噪聲，最后通過仿真可以得到車輛軌跡預(yù)測(cè)結(jié)果，如圖3所示。

圖2 CTRV模型[45]

表1 部分GPS經(jīng)緯度坐標(biāo)轉(zhuǎn)換后的平面坐標(biāo)[45] m

上述工作主要研究了車輛模型不確定性的處理算法，而沒有分析對(duì)不確定性處理的效果。由圖3a可以看出，EKF在彎道處的濾波軌跡符合車輛實(shí)際轉(zhuǎn)彎工況下的軌跡，并且整體濾波達(dá)到預(yù)期效果，由圖3b可以看出，線性軌跡的濾波效果誤差小于3 m，彎道處軌跡的濾波誤差為4～10 m。EKF 在彎道處的濾波效果與軌跡的濾波效果相比誤差明顯，并且在曲率較大的彎道處濾波有發(fā)散的趨勢(shì)，這會(huì)帶來智能車輛行車舒適性和安全性問題，因此需要進(jìn)一步尋求更加優(yōu)化的濾波算法來解決問題。而且EKF存在狀態(tài)突變、未知干擾以及模型失配等情況，會(huì)造成車輛軌跡預(yù)測(cè)精度低及魯棒性差的結(jié)果。

圖3 基于CTRV運(yùn)動(dòng)模型的EKF軌跡預(yù)測(cè)[45]

5 環(huán)境感知不確定性

環(huán)境感知技術(shù)利用傳感器對(duì)車輛所處環(huán)境及自身狀態(tài)進(jìn)行感知，為車輛的操縱和控制提供有效依據(jù)。環(huán)境感知不確定性是車輛軌跡預(yù)測(cè)的前提，主要來源于傳感器，主要包括傳感器測(cè)量誤差和傳感器失效兩個(gè)方面。

傳感器測(cè)量誤差是環(huán)境感知不確定性的主要因素。降低傳感器測(cè)量誤差的方法主要包括傳感器的融合與降噪。目前，車輛軌跡預(yù)測(cè)所使用的主要傳感器包括車載攝像機(jī)、激光雷達(dá)、毫米波雷達(dá)、GPS 接收機(jī)和IMU。車載攝像機(jī)基于環(huán)境數(shù)據(jù)庫匹配行駛環(huán)境中的實(shí)物，其具有檢測(cè)距離遠(yuǎn)、成本低和幀速率高等優(yōu)點(diǎn)，但易受光照、氣候環(huán)境影響。激光雷達(dá)通過發(fā)射激光束探測(cè)目標(biāo)位置，定位原點(diǎn)為車輛本身，如美國加州威力登（Velodyne）公司某多線全視場(chǎng)激光雷達(dá)具有64 個(gè)激光通道，探測(cè)范圍為120 m，垂直角度為26.8°，垂直角分辨率為0.4°，探測(cè)精度達(dá)到了2 cm，能夠?qū)崿F(xiàn)全視場(chǎng)的3D環(huán)境描述，具有數(shù)據(jù)量大、實(shí)時(shí)性強(qiáng)的特點(diǎn)，可用于對(duì)目標(biāo)車輛進(jìn)行定位跟蹤，同時(shí)具有高分辨率、隱蔽性好和低空探測(cè)性能好等優(yōu)點(diǎn)，圖4所示為激光雷達(dá)車身分布情況，但激光雷達(dá)受惡劣天氣影響較大，抗環(huán)境變化能力差，且制造成本高。毫米波雷達(dá)工作頻率通常選在30～300 GHz頻域，其具有波束窄、隱蔽性好和抗環(huán)境變化能力強(qiáng)等優(yōu)點(diǎn)，但其加工難度大，制造成本高。GPS傳感器利用衛(wèi)星作為參考點(diǎn)，在地面上進(jìn)行三角交叉測(cè)量，計(jì)算接收器的位置，對(duì)本車進(jìn)行定位追蹤，具有使用方便和成本低等優(yōu)點(diǎn)。然而，GPS存在高層建筑信號(hào)閉塞、更新頻率較低和短期精度較差等問題。IMU作為參數(shù)解算系統(tǒng)，包含一個(gè)三軸陀螺儀和一個(gè)三軸加速度計(jì)，用來計(jì)算相對(duì)于全球參照系的姿態(tài)、角速度、線速度和位置。IMU具有良好的穩(wěn)定性和短期精度，且更新頻率高，但I(xiàn)MU 在長(zhǎng)時(shí)域的誤差較大，并會(huì)增加每次使用前初始對(duì)準(zhǔn)時(shí)間的工作量。

圖4 福特汽車車身激光雷達(dá)布局[48]

劉志勵(lì)通過對(duì)車載攝像機(jī)和激光雷達(dá)進(jìn)行研究，提出了基于雙目視覺與激光雷達(dá)的局部路徑規(guī)劃算法。陳艷等提出了GPS和機(jī)器視覺的組合導(dǎo)航定位方法，并使用UKF 算法提升定位軌跡的精度和穩(wěn)定性。華中科技大學(xué)郭嘉斌通過對(duì)單目車載攝像頭與IMU 的研究提出了一個(gè)基于先驗(yàn)?zāi)Ｐ偷囊曈X慣性混合追蹤系統(tǒng)。趙翔及其團(tuán)隊(duì)提出了基于攝像機(jī)和毫米波雷達(dá)的車道級(jí)定位方法。文獻(xiàn)[53]提出了毫米波雷達(dá)和激光雷達(dá)數(shù)據(jù)融合的SLAM 算法。文獻(xiàn)[54]通過對(duì)激光雷達(dá)和IMU 的研究，提出了激光雷達(dá)/IMU 組合導(dǎo)航定位方法。陶倩文提出了基于車載激光雷達(dá)與GPS 數(shù)據(jù)融合的智能車高精度定位方法。文獻(xiàn)[56]研究了高分辨成像中的GPS 和IMU 應(yīng)用方法。在GPS 與IMU 融合系統(tǒng)中，可采用EKF處理傳感器測(cè)量值，進(jìn)一步得到更加準(zhǔn)確、穩(wěn)定的載體數(shù)據(jù)，處理方式如圖5所示。

圖5 GPS與IMU的傳感器融合定位[57]

對(duì)于傳感器降噪（不確定性）處理，同樣采用KF、EKF、UKF、PF和蒙特卡洛這5種濾波算法。文獻(xiàn)[58]提出了基于UKF 的位置融合和驗(yàn)證算法，旨在減小智能車輛傳感器噪聲，使車輛的行駛安全性能得到改善。通過建立短時(shí)短距航跡推算模型進(jìn)行定位預(yù)測(cè)，使UKF實(shí)現(xiàn)預(yù)測(cè)定位結(jié)果與實(shí)際定位結(jié)果的非線性融合，從而提高定位精度。通過定位校驗(yàn)算法，判斷實(shí)際定位數(shù)據(jù)是否發(fā)生偏移。UKF通過無跡變換解決KF在推理過程中的非線性傳輸問題。同時(shí)，文獻(xiàn)[59]提出了基于CTRV模型的UKF 算法用于處理模型的過程噪聲及傳感器的測(cè)量噪聲，研究結(jié)果表明，濾波器基于運(yùn)動(dòng)學(xué)模型并結(jié)合傳感器的測(cè)量實(shí)現(xiàn)了理想目標(biāo)真實(shí)狀態(tài)的預(yù)測(cè)，且UKF 的濾波效果明顯優(yōu)于EKF 的濾波效果。T.Wang 及其團(tuán)隊(duì)提出了一種改進(jìn)的卡爾曼濾波（Improved Kalman Filter，IKF）算法對(duì)四維軌跡進(jìn)行估計(jì)，能夠?qū)鞲衅髡`差進(jìn)行實(shí)時(shí)估計(jì)，提高了軌跡預(yù)測(cè)精度。為減小傳感器的測(cè)量噪聲，權(quán)義萍等人提出一種基于均值漂移（Mean-Shift）的卡爾曼粒子濾波算法來過濾傳感器噪聲，提升了物體追蹤精度。

上述工作主要研究了傳感器測(cè)量誤差帶來的環(huán)境感知不確定性，并通過傳感器融合及5種濾波算法來降低傳感器測(cè)量誤差，提高軌跡定位精度，但缺少對(duì)傳感器融合使用時(shí)在車身上的相對(duì)位置關(guān)系及數(shù)量的研究，以及對(duì)車輛軌跡預(yù)測(cè)精度影響的研究。對(duì)于車載傳感器融合使用時(shí)在車身上的相對(duì)位置關(guān)系，需要針對(duì)每個(gè)傳感器建立以自身為中心的坐標(biāo)框架，然后在每2個(gè)傳感器坐標(biāo)間選取公共聯(lián)測(cè)點(diǎn)，通過建立精確的傳感器相對(duì)位置關(guān)系，降低傳感器的測(cè)量誤差，提升車輛軌跡預(yù)測(cè)精度。同時(shí)，傳感器數(shù)量的增多會(huì)導(dǎo)致冗余數(shù)據(jù)的生成，增加算力要求，且增加決策時(shí)傳感器優(yōu)先級(jí)設(shè)計(jì)工作。因此，合理選擇傳感器及其數(shù)量能夠優(yōu)化系統(tǒng)算力，進(jìn)一步提升車輛軌跡預(yù)測(cè)精度。

6 駕駛行為不確定性

駕駛行為不確定性主要體現(xiàn)在每個(gè)駕駛員的駕駛風(fēng)格各有差異，對(duì)駕駛環(huán)境的解讀也有所不同。關(guān)于駕駛行為不確定性的研究主要包括理論基礎(chǔ)、模型建立和駕駛輔助系統(tǒng)3 個(gè)方面。駕駛員的行為在“人-車-路”控制系統(tǒng)（圖6）中扮演著重要角色，為決定道路交通安全的關(guān)鍵因素之一。據(jù)美國國家公路交通安全管理局估算，雖然2020 年美國民眾高速公路乘車出行總里程比上一年減少13.2%，但是車禍死亡人數(shù)增加約7.2%，為38 680人，創(chuàng)下2007年以來的新高。而這與超速駕駛、不系安全帶以及醉酒、吸毒等多項(xiàng)危險(xiǎn)駕駛行為存在關(guān)聯(lián)。因此研究駕駛行為不確定性，對(duì)提升道路交通行駛安全十分關(guān)鍵。

圖6 “人-車-路”控制系統(tǒng)[62]

6.1 理論基礎(chǔ)

針對(duì)駕駛行為不確定性理論的研究，文獻(xiàn)[64]提到，為了得到駕駛行為不確定性的理論依據(jù)，M.Yeo 及其團(tuán)隊(duì)通過對(duì)健康的駕駛員在車內(nèi)的駕駛行為進(jìn)行實(shí)時(shí)監(jiān)控，提出基于支持向量機(jī)方式記錄駕駛員在駕駛與靜止2種狀況下的腦電波，然后進(jìn)行對(duì)比分析得出駕駛行為不確定性的理論依據(jù)。同時(shí)，A.Liu 提出2 種駕駛意圖的推測(cè)方法理論，分別依據(jù)駕駛?cè)说牟僮骷八幁h(huán)境，以及基于車輛的行駛參數(shù)。Berndt 教授提出了車道保持與駕駛行為的實(shí)時(shí)識(shí)別理論基礎(chǔ)。王曉原等人將仿生學(xué)原理、D-S證據(jù)理論應(yīng)用于駕駛行為。文獻(xiàn)[68]基于行為和生理指標(biāo)理論對(duì)駕駛行為不確定性進(jìn)行研究。合肥工業(yè)大學(xué)謝國濤博士結(jié)合當(dāng)前智能車駕駛行為不確定性的研究現(xiàn)狀，提出了智能車駕駛行為認(rèn)知方法理論框架，其一方面通過機(jī)器學(xué)習(xí)方法、博弈論方法和投票法對(duì)空間域的駕駛行為進(jìn)行研究，另一方面通過固定時(shí)間窗口法、基于遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）方法和馬爾可夫（Markov）理論法對(duì)時(shí)間域的駕駛行為進(jìn)行研究，如圖7所示。

圖7 駕駛行為認(rèn)知方法[1]

上述工作主要對(duì)駕駛行為不確定性的理論基礎(chǔ)進(jìn)行了研究，而沒有建立仿真模型。仿真模型的建立一方面能夠更深入理解理論基礎(chǔ)，另一方面可以通過模型仿真結(jié)果對(duì)理論基礎(chǔ)進(jìn)行驗(yàn)證。

6.2 駕駛行為模型

駕駛行為建模的目的就是預(yù)測(cè)駕駛動(dòng)作、駕駛員心理和環(huán)境因素。駕駛行為模型的建立對(duì)駕駛行為不確定性研究十分關(guān)鍵，文獻(xiàn)[69]提出了一類基于軌跡預(yù)測(cè)的駕駛員轉(zhuǎn)向控制模型。同時(shí)，文獻(xiàn)[70]基于魯棒反步滑模控制理論，建立了汽車駕駛自動(dòng)轉(zhuǎn)向模型。2013年，肖獻(xiàn)強(qiáng)及其團(tuán)隊(duì)利用隱馬爾可夫模型，根據(jù)多項(xiàng)駕駛操作動(dòng)作的觀測(cè)特征，建立了駕駛行為不確定性的預(yù)測(cè)模型，其采集的操作信息及意義如表2 和表3 所示。該模型可以對(duì)轉(zhuǎn)向與跑偏駕駛行為進(jìn)行較好的預(yù)測(cè)，軌跡預(yù)測(cè)精度明顯提升。在駕駛行為不確定性模型研究基礎(chǔ)上，文獻(xiàn)[72]建立了語義交互卷積駕駛行為模型。為進(jìn)一步提高軌跡預(yù)測(cè)的精度，文獻(xiàn)[73]建立了駕駛員變道的控制預(yù)測(cè)模型，文獻(xiàn)[74]提出了基于模糊C均值和自適應(yīng)神經(jīng)網(wǎng)絡(luò)相結(jié)合的變道分層預(yù)測(cè)模型。

表2 采集的操作動(dòng)作信息[71]

表3 操作動(dòng)作指標(biāo)信息及意義[71]

上述工作主要對(duì)駕駛行為不確定性的模型進(jìn)行了研究，重點(diǎn)分析了駕駛操縱行為的不確定性。通過對(duì)駕駛行為建模學(xué)習(xí)，可在高級(jí)駕駛輔助系統(tǒng)（Advanced Driver Assistance System，ADAS）層次對(duì)錯(cuò)誤的駕駛操作進(jìn)行危險(xiǎn)預(yù)測(cè)，對(duì)駕駛員不良行為進(jìn)行警告。這些模型包括融合概率模型、AI 模型和激勵(lì)模型的微觀模型。概率模型能夠?qū)囕v軌跡預(yù)測(cè)路徑進(jìn)行最優(yōu)選擇；AI模型能對(duì)駕駛行為大數(shù)據(jù)進(jìn)行深度學(xué)習(xí)，存儲(chǔ)于知識(shí)庫中，供車輛在離線狀態(tài)下進(jìn)行軌跡預(yù)測(cè)；激勵(lì)模型會(huì)考慮車道風(fēng)險(xiǎn)標(biāo)準(zhǔn)，能融入個(gè)性化因素，提高當(dāng)前路段的環(huán)境信息識(shí)別能力，進(jìn)而優(yōu)化未來一段時(shí)間的車輛行駛軌跡。但基于駕駛行為不確定性的微觀模型存在參數(shù)調(diào)節(jié)困難、算力要求高和交通流場(chǎng)景預(yù)判困難等問題，這些問題是影響車輛軌跡預(yù)測(cè)精度的關(guān)鍵因素。因此，為提高算力和優(yōu)化模型，還需建立宏觀模型（交通流）或微觀與宏觀混合模型，如道路網(wǎng)絡(luò)模型（拓?fù)浣Y(jié)構(gòu)），故對(duì)多智能體間的交互行為不確定性研究十分必要。

6.3 駕駛輔助系統(tǒng)

ADAS主要包括車道保持、自動(dòng)泊車、制動(dòng)、倒車和行車5 個(gè)輔助系統(tǒng)。駕駛輔助系統(tǒng)的功能之一是軌跡預(yù)測(cè)，其精度可直接體現(xiàn)駕駛輔助系統(tǒng)性能的優(yōu)劣，但系統(tǒng)不一定符合每個(gè)駕駛員的操縱習(xí)慣，這將導(dǎo)致駕駛行為不確定性。為提高駕駛輔助系統(tǒng)對(duì)駕駛員特性的自適應(yīng)性，文獻(xiàn)[75]提出基于神經(jīng)網(wǎng)絡(luò)方法研究具有駕駛?cè)颂匦宰詫W(xué)習(xí)的駕駛行為識(shí)別方法，以此方法融入駕駛輔助系統(tǒng)的高層控制來提高對(duì)駕駛員特性的自適應(yīng)性?？紤]到駕駛員的駕駛習(xí)慣，文獻(xiàn)[76]基于機(jī)器學(xué)習(xí)算法自動(dòng)識(shí)別危險(xiǎn)駕駛行為，設(shè)計(jì)了智能輔助駕駛系統(tǒng)。文獻(xiàn)[77]通過設(shè)計(jì)軌跡跟蹤控制器，采集駕駛?cè)笋{駛行為數(shù)據(jù)，設(shè)計(jì)了基于駕駛行為的智能車個(gè)性化換道輔助系統(tǒng)。同時(shí)，文獻(xiàn)[78]通過模糊聚類和隨機(jī)森林算法建立駕駛行為的個(gè)性化車道保持輔助系統(tǒng)。張佳旭在縱向駕駛輔助系統(tǒng)的研究中，針對(duì)不同類型的駕駛員，設(shè)計(jì)了個(gè)性化的縱向控制策略。在個(gè)性化和智能化的駕駛安全輔助系統(tǒng)研究方面，肖獻(xiàn)強(qiáng)等人提出了基于有向圖的個(gè)性化駕駛員駕駛行為操縱模式建模方法。

上述工作主要針對(duì)駕駛輔助系統(tǒng)影響駕駛員操縱習(xí)慣的問題，研究了駕駛員駕駛行為操縱特性，進(jìn)一步提出個(gè)性化駕駛輔助系統(tǒng)，以適應(yīng)不同駕駛員的駕駛風(fēng)格，降低駕駛行為的不確定性。目前，駕駛輔助系統(tǒng)主要依賴于攝像頭和毫米波雷達(dá)等傳感器，具備對(duì)當(dāng)前路段交通環(huán)境信息識(shí)別的能力，并對(duì)未來車輛行駛軌跡進(jìn)行預(yù)測(cè)。因此，降低駕駛行為不確定性可提升駕駛輔助系統(tǒng)對(duì)車輛軌跡預(yù)測(cè)的精度。但是，建立個(gè)性化的駕駛輔助系統(tǒng)，需要收集駕駛行為的大數(shù)據(jù)樣本，加大了工作的難度。

7 多車間的交互與博弈

在復(fù)雜的交通環(huán)境中，傳統(tǒng)車、智能車和行人相互競(jìng)爭(zhēng)路權(quán)，三者之間的行為和決策互相影響。一方面，智能車輛的決策會(huì)受到周圍車輛和行人決策的影響；另一方面，周圍車輛的決策和控制以及行人的路徑規(guī)劃也會(huì)受到智能車輛的影響。這會(huì)直接造成多車間的交互和博弈，從而導(dǎo)致軌跡預(yù)測(cè)路徑改變或終止，而軌跡預(yù)測(cè)也會(huì)影響多車間交互與博弈時(shí)的安全性。博弈行為本身就含有極大的不確定性。多車間的交互與博弈的研究方法主要有3種：勢(shì)能場(chǎng)法、機(jī)器學(xué)習(xí)法和博弈論。

勢(shì)能場(chǎng)法通過定義交通參與者間的關(guān)系函數(shù)，考慮車與車、車與人間的相互關(guān)系，當(dāng)前在軌跡預(yù)測(cè)與路徑規(guī)劃方面廣泛應(yīng)用。針對(duì)彎道超車時(shí)安全風(fēng)險(xiǎn)大的問題，張家旭及其團(tuán)隊(duì)提出一種基于改進(jìn)人工勢(shì)場(chǎng)法的汽車彎道超車路徑規(guī)劃算法，并結(jié)合線性魯棒控制理論規(guī)劃最佳超車軌跡。該算法利用螺旋下降函數(shù)、斜坡正弦函數(shù)和指數(shù)函數(shù)構(gòu)建彎道引力勢(shì)能場(chǎng)、同車道行駛較慢車輛斥力勢(shì)能場(chǎng)和彎道邊界斥力勢(shì)能場(chǎng)，并在這3種勢(shì)能場(chǎng)中建立“搜索空間”，規(guī)劃彎道超車軌跡。在車輛轉(zhuǎn)向避障方面，唐志榮及其團(tuán)隊(duì)基于改進(jìn)的人工勢(shì)場(chǎng)法建立了以前輪轉(zhuǎn)角為控制變量的3 自由度車輛動(dòng)力學(xué)模型，采用模型預(yù)測(cè)控制算法對(duì)車輛軌跡進(jìn)行預(yù)測(cè)，仿真結(jié)果顯示，車輛軌跡平順性和主動(dòng)安全性得到了改善。同時(shí)，文獻(xiàn)[83]將類橢圓形邊界轉(zhuǎn)化為三維類橢圓形的斥力場(chǎng)函數(shù)，對(duì)車輛軌跡進(jìn)行規(guī)劃跟蹤。Receveur及其團(tuán)隊(duì)提出了遺傳算法與分?jǐn)?shù)階勢(shì)能場(chǎng)相結(jié)合的自動(dòng)駕駛汽車決策與車輛軌跡預(yù)測(cè)方法。Yang 通過定義碰撞力、摩擦力、目標(biāo)力以及社會(huì)相互作用力等力學(xué)模型幫助智能車輛實(shí)現(xiàn)更好的決策和局部車輛軌跡預(yù)測(cè)。文獻(xiàn)[86]提出了基于人工勢(shì)場(chǎng)精細(xì)阻力網(wǎng)絡(luò)方法的自動(dòng)駕駛汽車軌跡規(guī)劃方法。

機(jī)器學(xué)習(xí)法指基于數(shù)據(jù)學(xué)習(xí)理論表示車輛間的相互作用與相互影響，目前機(jī)器學(xué)習(xí)中的成熟算法已經(jīng)成功運(yùn)用在車輛軌跡預(yù)測(cè)研究中。按照學(xué)習(xí)方式不同，機(jī)器學(xué)習(xí)算法分為監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)。監(jiān)督學(xué)習(xí)使用標(biāo)記過的數(shù)據(jù)進(jìn)行訓(xùn)練與測(cè)試，其主要包括支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)和決策樹等算法。馮延超基于支持向量機(jī)算法，結(jié)合驅(qū)動(dòng)角度數(shù)據(jù)，提取車輛軌道關(guān)鍵信息，對(duì)車輛實(shí)際換道過程進(jìn)行建模，并預(yù)測(cè)車輛橫向移動(dòng)軌跡。隨著汽車保有量的不斷增加，針對(duì)城市交通擁堵及道路規(guī)劃問題，朱自升提出了基于神經(jīng)網(wǎng)絡(luò)的車輛軌跡預(yù)測(cè)方法，試驗(yàn)結(jié)果表明，最終的軌跡預(yù)測(cè)準(zhǔn)確度達(dá)到82.9%。李根基于梯度提升決策樹（Gradient Boosting Decision Tree，GBDT）建立了車輛匯入模型，并引用美國下一代交通仿真（Next-Generation SIMulation，NGSIM）項(xiàng)目中的車輛軌跡數(shù)據(jù)，對(duì)模型進(jìn)行訓(xùn)練和測(cè)試，結(jié)果表明：GBDT的車輛軌跡預(yù)測(cè)精度較分類回歸樹和二元評(píng)定模型（Logit Model）分別提高5.3%和13.3%。無監(jiān)督學(xué)習(xí)使用未標(biāo)記數(shù)據(jù)進(jìn)行訓(xùn)練與測(cè)試，其主要包括聚類算法和關(guān)聯(lián)規(guī)則算法。曹菁菁提出了一種基于學(xué)習(xí)的車輛軌跡聚類方法及系統(tǒng)。李秋燕運(yùn)用數(shù)據(jù)關(guān)聯(lián)算法對(duì)多目標(biāo)的運(yùn)動(dòng)狀態(tài)和運(yùn)行軌跡進(jìn)行預(yù)測(cè)。半監(jiān)督學(xué)習(xí)使用部分標(biāo)記和大量未標(biāo)記數(shù)據(jù)進(jìn)行訓(xùn)練預(yù)測(cè)，其在計(jì)算機(jī)視覺領(lǐng)域中廣泛運(yùn)用。當(dāng)前，車輛軌跡預(yù)測(cè)已成為智能車輛感知技術(shù)研究的熱點(diǎn)，但車輛軌跡預(yù)測(cè)缺乏時(shí)間一致性，且預(yù)測(cè)精度還有待提升，針對(duì)這些問題，北京郵電大學(xué)的蘇璐敏將機(jī)器學(xué)習(xí)用于軌跡預(yù)測(cè)，對(duì)軌跡信息進(jìn)行預(yù)處理，然后提取特征向量，構(gòu)建預(yù)測(cè)模型，并結(jié)合GPS數(shù)據(jù)提高了車輛軌跡預(yù)測(cè)效果。

在復(fù)雜的交通環(huán)境中，多車間的行為和決策是相互影響的，因此博弈論被用于智能車輛環(huán)境認(rèn)知，主要研究多智能體間的交互與博弈，其對(duì)車輛軌跡預(yù)測(cè)的影響十分關(guān)鍵。Talebpour 等人提出了基于博弈論方法的變道模型，該模型考慮了聯(lián)網(wǎng)車輛環(huán)境中的信息流，該方法能為當(dāng)前智能車輛軌跡預(yù)測(cè)提供輔助，并進(jìn)一步減小環(huán)境預(yù)測(cè)不確定性，保證智能車輛軌跡預(yù)測(cè)精度。趙萬忠等基于博弈論的方法對(duì)周圍車輛未來的交互行為進(jìn)行概率預(yù)測(cè)，從而優(yōu)化自身車輛的行駛軌跡，提升了行駛安全性。同時(shí)，陳明基于博弈論提出了網(wǎng)聯(lián)車路徑選擇算法，使車輛軌跡預(yù)測(cè)安全性得到提高。李建平基于博弈論，首先對(duì)交通環(huán)境參與者行為進(jìn)行預(yù)測(cè)，然后利用連續(xù)隱馬爾可夫模型將車輛的行為建模為離散的狀態(tài)，通過連續(xù)的車輛狀態(tài)觀測(cè)值對(duì)其可能的行為進(jìn)行概率估計(jì)，最后基于高斯過程運(yùn)動(dòng)模型提出車輛軌跡預(yù)測(cè)方法。在車輛換道時(shí)的軌跡規(guī)劃預(yù)測(cè)方面，馬媛媛提出了基于博弈論的網(wǎng)聯(lián)車輛換道輔助決策方法。

上述工作主要基于勢(shì)能函數(shù)法、機(jī)器學(xué)習(xí)法和博弈論對(duì)多智能體交互和博弈進(jìn)行研究，并構(gòu)建模型對(duì)車輛軌跡進(jìn)行預(yù)測(cè)，但仍有不足之處。勢(shì)能場(chǎng)法存在局部最優(yōu)點(diǎn)問題，易陷入局部極小點(diǎn)，且在相似障礙物間找不到路徑，導(dǎo)致車輛軌跡預(yù)測(cè)誤差增大。機(jī)器學(xué)習(xí)法存在數(shù)據(jù)集計(jì)算時(shí)樣本不平衡和樣本容量大等問題，是影響軌跡預(yù)測(cè)效率的關(guān)鍵因素之一。博弈論的缺陷主要是把對(duì)象假設(shè)為100%的經(jīng)濟(jì)人，而非自然人。自然人通常是感性的，無法兼顧周圍環(huán)境與輿論壓力，增加了車輛軌跡預(yù)測(cè)的不確定性。因此，基于這3 種方法建立預(yù)測(cè)車輛軌跡模型時(shí)，需進(jìn)一步考慮相應(yīng)方法的不足，建立控制方法加以改善，從而提升對(duì)車輛軌跡預(yù)測(cè)的精度。

8 存在的問題及發(fā)展趨勢(shì)

對(duì)車輛環(huán)境認(rèn)知的優(yōu)化在智能車輛上有著廣闊的應(yīng)用前景，盡管國內(nèi)外對(duì)車輛環(huán)境不確定性的控制模型及控制算法的研究取得了大量成果，但在智能車環(huán)境認(rèn)知不確定性對(duì)車輛軌跡預(yù)測(cè)的影響方面研究不足，目前尚存在如下4個(gè)方面的問題有待進(jìn)一步解決：

a.環(huán)境不確定性對(duì)智能車輛軌跡預(yù)測(cè)的影響機(jī)理研究。智能車輛軌跡預(yù)測(cè)是智能駕駛對(duì)環(huán)境理解的關(guān)鍵部分，精準(zhǔn)的軌跡預(yù)測(cè)對(duì)車輛的決策規(guī)劃起關(guān)鍵作用。但軌跡預(yù)測(cè)精度不僅受車輛自身產(chǎn)生的過程噪聲及傳感器定位的觀測(cè)噪聲影響，也受駕駛員行為、非預(yù)期障礙物和智能車輛間的博弈等不確定性因素影響。明確上述不確定性的影響機(jī)理是車輛軌跡預(yù)測(cè)的前提。

b.環(huán)境感知不確定性控制方法對(duì)軌跡預(yù)測(cè)精度影響的研究。使用車載傳感器融合的方法減小環(huán)境感知不確定性，應(yīng)明確傳感器在車身上的相對(duì)位置關(guān)系，需要針對(duì)每個(gè)傳感器建立以自身為中心的坐標(biāo)框架，然后在每?jī)蓚€(gè)傳感器坐標(biāo)間選取公共聯(lián)測(cè)點(diǎn)，通過建立精確的相對(duì)位置關(guān)系降低傳感器的測(cè)量誤差，提升車輛軌跡預(yù)測(cè)精度。同時(shí)，傳感器數(shù)量的增多會(huì)導(dǎo)致冗余數(shù)據(jù)的生成，提高算力要求，且增加決策時(shí)傳感器優(yōu)先級(jí)設(shè)計(jì)工作。因此，合理選擇傳感器及其數(shù)量可優(yōu)化系統(tǒng)算力，進(jìn)一步提升智能車輛認(rèn)知系統(tǒng)的軌跡預(yù)測(cè)精度。

c.車輛模型不確定性控制方法對(duì)軌跡預(yù)測(cè)影響的研究。復(fù)雜動(dòng)態(tài)環(huán)境具有非線性、傳感器量測(cè)延遲或信號(hào)丟失、傳感器測(cè)量誤差、外部未知干擾、噪聲和非高斯等特性。這些特性可能出現(xiàn)共存和耦合，造成車輛模型不確定性。車輛模型不確定性會(huì)造成軌跡預(yù)測(cè)信號(hào)滯后。因此，研究卡爾曼濾波及其優(yōu)化算法處理車輛模型不確定性可改善智能車決策系統(tǒng)時(shí)效性不強(qiáng)的問題。

d.駕駛行為不確定性控制方法對(duì)軌跡預(yù)測(cè)影響的研究。駕駛行為不確定性會(huì)直接影響車輛制動(dòng)、換道和轉(zhuǎn)向等工況，進(jìn)而造成車輛當(dāng)前時(shí)段的車輛軌跡與環(huán)境信息突變，使車輛未來行駛路徑和軌跡精度受到影響。因此，采用滑?？刂啤㈩A(yù)瞄控制和模糊控制等控制方法，并結(jié)合駕駛員模型，減小駕駛行為不確定性的干擾，提升軌跡預(yù)測(cè)精度，是提升智能車執(zhí)行性能的發(fā)展趨勢(shì)。