基于行为识别的智能车纵向决策研究

曹 波，李永乐，赵 凯，朱 愿

(1.陆军军事交通学院镇江校区，江苏镇江212003；2.陆军军事交通学院军事交通运输研究所，天津300161)

0 引 言

决策规划是智能车关键技术之一，旨在综合环境感知和任务规划等信息生成可行的行驶轨迹，为自动控制奠定基础.智能车决策分为横向决策和纵向决策：横向决策用于规划无碰撞路径；纵向决策用于规划平滑的速度曲线，提高智能车行驶过程的安全性和舒适性.

杜明博[1]为克服复杂场景对智能车决策实时性和准确性的影响，提出基于ID3决策树的驾驶行为决策模型，满足智能车对决策子系统的要求.张立增[2]提出基于机理和规则的智能车方向和速度混合决策模型，将安全性和合法性基于规则建模，以约束预瞄加速度可行域，提高智能车的行驶安全性.Gao 等[3]为解决传统决策方法在陌生或复杂条件下适应性较差问题，提出基于奖励和更新函数的强化Q 学习决策，随机模拟实验验证了其可行性.

已有方法能有效解决智能车决策问题且具有较好效果，但未考虑被决策对象所处环境对其行为约束及其运动状态的变化.基于此，本文提出基于行为识别的纵向决策方法.构建环境车辆运动模式识别模型，建立相应的轨迹预测方程并求解，提出基于预测轨迹的决策模型，对单个环境车辆做出纵向决策，并综合所有决策结果做出综合决策.

1 环境建模

使用同一环境模型描述空间域和时间域信息比较困难，故分别就空间域和时间域建立环境模型.

1.1 空间域模型

采用SL图进行空间域建模，如图1所示，以当前位置为坐标原点，轨迹前进方向为S轴正方向，轨迹垂直方向朝右为L轴正方向，s0、l0分别环境车辆在S轴和L轴的坐标.

图1 空间域环境模型Fig.1 Spatial domain environment model

1.2 时间域模型

ST 图即路径—时间图，是基于当前时间域位置和行驶轨迹建立S-T坐标系，将交通参与者相关信息投影至坐标系中.如图2 所示，智能车沿轨迹S行驶，动态交通参与者(以动态环境车辆为例)在t0～t1期间行驶至S0与S1之间的某个位置.

2 环境车辆行为识别

2.1 车辆运动模式识别

2.1.1 车辆运动模式

结构化道路中运动模式主要包括直行、换道[4]和转弯(调头)3种.假设行驶受交通规则约束，换道时保留安全距离，转弯限定在特定区域.

图2 智能车ST 图示意图Fig.2 Intelligent vehicle ST figure schematic diagram

动态交通参与者轨迹预测如图3 所示.首先，获取一定范围的道路信息(交通规则)，得到运动模式集；结合环境车辆当前状态和运动模式集识别行为，确定结束状态位姿信息；基于初始和结束状态生成预测轨迹.

图3 动态交通参与者轨迹预测流程Fig.3 Process of dynamic traffic participant trajectory prediction

2.1.2 运动模式识别

运动模式识别可简化为判断车辆是否保持直行.

(1)换道识别.

换道识别由车辆偏离当前车道中心的程度判断，定义Y为车辆偏离左右车道距离值向量，即Y=[σ,ς]，σ和ς分别为车辆中心与左、右边线的距离.当前车道中心与车道左右边线的距离为Y1=[Δσ,Δς]，Δσ=Δς，统计距离的平方为

式中：P1和P分别为Y1和Y协方差矩阵；D2是卡方分布.

为减少偶然性误差，增强识别准确性，选取N组有效历史数据，根据时效性赋予数据相应权重ωi，时间性越强权重越大，Di为第i组数据的卡方分布值.

选取阈值ψ：Dk≤ψ时，环境车辆保持直行，记作0；Dk＞ψ时，车辆换道，若σ＞ς，车辆向右换道，记作1，若σ＜ς，车辆向左换道，记作-1.根据道路环境获取换道合法性标志γ：仅可左换道记作-1，仅可右换道记作1，左右均可换道记作2，只能直行记作0.识别结果如表1所示.

表1 环境车辆运动模式识别Table 1 Environment vehicle motion pattern recognition

(2)转弯识别.

车辆驶入路口时，根据所处车道类型，判断是否转弯及转弯类型.若有多个转弯选择，根据各个选择分别生成预测轨迹.

2.2 预测轨迹生成

在SL 坐标系下，运动状态向量S、L.预测初始状态已知，预测结束状态根据是否换道选取.

2.2.1 换道轨迹

车辆一般在4～8 s 内完成换道，换道后沿目标车道中心行驶.故换道轨迹预测的终点为目标车道中心，且终点航向与车道中心线航向一致.

2.2.2 非换道轨迹

非换道轨迹包含直行和转弯，根据驾驶习惯，通常沿车道中心行驶，故不换道轨迹终点为目标车道中心，预测时长与换道时长一致.

预测初始和结束状态确定后，分别构建纵向和横向运动状态模型.纵向运动简化为匀变速运动，由L0和Lf确定起始、结束状态的位姿参数；建立关于时间的五次样条曲线[5]横向运动模型.车辆轨迹变化为

式中：s(t)、l(t)分别为轨迹的横向和纵向坐标值，S0为纵向行驶参数向量，P、Q分别为五次、二次时间序列向量；B为五次系数向量.

将L0和Lf带入式(3)，系数为

式中：R=(L0,Lf)T；λ为系数矩阵，即

至此，获得预测时长内动态环境车辆运动状态.

3 智能车纵向决策

3.1 纵向决策概述

3.1.1 单个环境车辆决策

纵向决策主要考虑动态环境车辆(简称环境车辆).环境车辆预测轨迹与智能车行驶轨迹关系包括无交集区域和有交集区域.有交集区域时，在时间域上的相互关系为：环境车辆位于轨迹上方，环境车辆位于轨迹下方和环境车辆与轨迹相交等.据此，纵向决策集包含保持、先行、让行.

(1)保 持.

如图4所示，当环境车辆不影响智能车纵向行驶时，智能车保持当前行驶状态.

图4 保持纵向决策Fig.4 Maintain longitudinal decision

(2)先 行.

如图5所示，智能车在时间域上先于环境车辆通过轨迹交集区域.

图5 先行纵向决策Fig.5 Leadlongitudinal decision

(3)避 让.

如图6所示，智能车在时间域上晚于环境车辆通过轨迹交集区域.

图6 避让纵向决策Fig.6 Avoid longitudinal decision

3.1.2 综合决策

如图7所示，智能车行驶环境可能包含多个决策结果不同的环境车辆，而智能车纵向驾驶行为仅为加速、减速和匀速行驶.在单个环境车辆决策结果的基础上，综合处理所有环境车辆，做出合理的综合决策，转化为智能车纵向驾驶行为.

图7 加速、减速和匀速综合决策Fig.7 Comprehensive decisionamongacceleration,deceleration and uniform driving

3.2 纵向决策模型

在决策集中做出合理选择，即完成综合纵向决策.假设智能车以速度v匀速行驶生成自身轨迹se=vt，其中，t为行驶时长，t∈(0,8).若智能车与环境车辆在轨迹预测时长内没有交集，决策结果为保持；若两者轨迹存在交集，即∍t0∈(0,8) ，使s=se=vt，其中，s为环境车辆S轴坐标，基于时效性和安全性原则，决策为

式中：st表示预测的环境车辆在t时刻的纵向坐标，se为智能车t时刻的纵向坐标.

纵向综合决策结果直接影响智能车纵向行驶安全性，故基于安全性原则综合所有环境车辆的决策结果，依照避让、先行(保持)的优先级关系做出决策，即

式中：Vmax为智能车期望速度.

4 实验结果与分析

基于自主研发的智能车平台验证所提决策方法的合理性，平台硬件构成主要包括感知设备、计算平台和电源模块.

实验环境包括城市快速路和复杂环境下的城市道路(弯道、十字路口、红绿灯、人行道及限速标志等典型静态元素)，交通参与者包括环境车辆、自行车、行人，具有数量多、类型杂、不确定性大的特点，满足实验条件.实车测试16 次，采样间隔4 s，采样时长2 s.以当前帧对所有动态环境车辆行为识别结果是否与上一帧相同为判断标准展开数据统计，采集有效数据89 次，识别环境车辆658 辆.实验中所有环境车辆识别结果如表2所示.

表2 环境车辆行为识别Table 2 Environmental vehicle behavior identification

由表2可知，本文方法对环境车辆行为的识别率均在87%以上，效果较好.将采集的环境车辆行驶和预测轨迹信息取平均值进行分析，CTRV 模型[6]、本文方法预测轨迹和实际轨迹变化(横、纵轴分别为局部坐标系横纵坐标值)如图8所示.

由图8 可知直行、换道和转弯模式下：CRTV模型预测结果与实际轨迹最大误差分别为0.2，1.3，18.7 m，平均误差为0.1，0.6，7.2 m；本文预测方法最大误差为0.2，06，2.1 m，平均误差为0.1，0.3，0.8 m.本文轨迹预测误差值均低于2.1 m，预测精度较高.单个环境车辆纵向决策结果如表3 所示，综合决策结果如表4所示.

图8 不同运动模式轨迹预测结果对比Fig.8 Comparison of trajectory prediction results of different motion mode

表3 单个环境车辆决策Table 3 Single environment vehicle decision

表4 智能车综合决策Table 4 Intelligent vehicle comprehensive decision

智能车基于表3 和表4 决策结果进行速度规划和纵向控制，整个实验过程均能与环境车辆保持安全距离，纵向行驶平稳，安全性和舒适性较好.以3 个典型场景阐述决策结果的合理性，如图9所示.

图9 实车实验场景Fig.9 Real vehicle experiment scene

3 个实验场景中，距离智能车最近3 辆车的纵向决策结果如表5所示.

表5 纵向决策结果Table 5 Longitudinal decision results

场景1中：2号车向右换道，位于智能车前方约10 m处，两车间距较小，根据轨迹预测结果(图9(a)中环境车辆前方粒状线条)，属于较紧急状态，为保证行驶安全，智能车减速避让；1、3 号车距智能车较远，可忽略.在内部条件一致的前提下，智能车基于障碍检测方法[7]和本文方法的决策结果，输出速度曲线如图10所示.基于障碍检测方法，从0.9 s开始减速，持续1.1 s，减速度平均值为0.91 m/s2；基于本文方法，从0时刻开始减速避让前方车辆，减速持续1.6 s，减速度平均值为0.31 m/s2.本文方法使智能车提前减速避让环境车辆，提高行车安全性.

图10 场景1 速度变化曲线Fig.10 Scenario first velocity curve

场景2 中：1 号车先从智能车右侧换道进入当前车道，继续向左换道后，位于前方约35 m处；2号车由右侧车道进入当前车道，速度为34 km/h，距智能车约25 m；3号车位于智能车右侧车道，直行；智能车速度为28.5 km/h，目标车速为40 km/h.据此，智能车做出加速行驶的综合决策.智能车基于障碍检测方法和本文方法提供的决策结果，输出速度曲线如图11 所示.基于障碍物检测方法的平均加速度为0.39 m/s2，平均减速度为0.53 m/s2；基于本文方法的平均加速度为0.35 m/s2，平均减速度为0.41 m/s2.本文方法使智能车在复杂动态环境中加减速更加平稳，乘坐舒适性更佳.

图11 场景2 速度变化曲线Fig.11 Scenario second velocity curve

场景3 中：1 号车位于左侧车道前方，约25 m处，直行；2号车位于右侧转弯车道，速度约4 km/h；3号车位于左侧第2车道；智能车位于丁字路口，行驶环境较复杂，当前车速30 km/h，目标车速30 km/h.虽存在较多干扰车辆，但智能车能准确忽略影响，合理地匀速行驶.

综上，本文方法的纵向决策结果合理，有效提升智能车行驶安全性和舒适性，算法具有可靠性.

5 结 论

本文决策模型的实车实验表明，基于本文方法的环境车辆轨迹预测精度高，纵向决策合理，对提高智能车行驶安全性和乘坐舒适性具有重要意义，促进智能车进一步实用化.后续研究需逐步完善，提高决策合理；此外，对多个环境车辆的综合决策模型也需进一步完善.