事故接管场景下L3自动驾驶换道轨迹的评价和分类

李振龙， 董爱华， 赵晓华， 杨磊

(北京工业大学城市交通学院， 北京 100124)

近年来，中国机动车辆和驾驶员人数持续快速增长，交通拥挤、事故频发等问题较突出。自动驾驶被认为是解决交通事故和交通拥堵的有效渠道，目前，L3自动驾驶的研发工作在众多汽车企业中展开。科研院校也已开展L3级自动驾驶的相关研究工作。但是目前大多数研究集中在驾驶员上，对于微观交通行为的研究较少。换道过程是一种微观驾驶行为，研究表明，在高速公路上60%的交通事故与换道有关，而且不规律的换道是导致城市交通拥堵的最主要原因之一[1]。换道过程是研究自动驾驶的重要部分，找到一条优秀的换道轨迹对于自动驾驶的发展和道路交通的顺畅、安全具有重要意义。

1为保护贴；2为内存卡；3为充电器；4为心电仪设备；5为心电仪设备扩展带图1 实验设备Fig.1 Equipment

学者们针对换道轨迹的评价问题已开展了大量研究。李玮等[2]采用最大侧向加速度、车辆换道轨迹起始位置的曲率值、换道轨迹的切线方向与车道线产生的夹角作为评价换道轨迹的指标。Tehrani等[3]用横向加速度评价高速公路上车辆实际换道数据和多项式拟合的换道数据的舒适性。潘兵宏等[4]采用横向加速度验证换道轨迹模型的舒适性。华一丁等[5]提出了一种基于鲁棒比例积微分控制(proportional-integral-derivative control，PID)的智能汽车自主换道轨迹跟踪控制算法，通过对比该算法与传统PID控制算法得到的横摆角速度值，证明了其算法可以使乘客更舒适。邓召文等[6]研究了不同冲击度约束下智能汽车换道轨迹优化问题，其用冲击度即汽车非匀速运动时加速度的导数值来描述舒适性，构建了考虑纵、横向冲击度和换道结束纵向位移的目标函数。闫尧等[7]采用横向速度、横向加速度表征舒适性，用平均曲率表征平稳性，用换道轨迹长度表征高效性。廖鹏等[8]以加速度和前轮转角为基础，构造了综合考虑燃油消耗量、前轮转角的角速度和换道时间的目标函数，所得轨迹可以在保证驾驶安全性的前提下，实现经济、舒适和高效等目标。Fotiades等[9]提出的车辆快速换道算法中用侧向加速度表征乘客的舒适性。张新锋等[10]用侧向加速度评价舒适性，用换道时间评价高效性，用车辆处于换道危险点时与周围车的距离评价安全性。柯涛[11]用最大加速度来表征舒适性，用燃油消耗量来表征经济性，用本车与当直接前车、目标车道后车的距离来表征安全性。裴晓飞等[12]通过车间时距、碰撞时间、车速以及加速度的导数评价换道轨迹在行驶效率、安全性、舒适性方面的性能。Luo等[13]用换道时间和换道距离作为变量进行换道轨迹规划。蒋锐等[14]引入包含加速度和速度的换车道危险系数表征车辆换道时的安全性。薛清文等[15]选择碰撞时间倒数、车头时距和碰撞裕度来评价换道过程中的碰撞风险。马小龙等[16]采用碰撞时间和碰撞余量作为换道过程的安全性评价指标。

综上可知，学者们对传统车辆和智能车辆的换道轨迹评价开展了大量研究，提出了比较丰富的评价指标，但是L3自动驾驶事故场景下的换道因存在控制权由车到人的切换而有所不同，对于L3自动驾驶事故场景下换道轨迹评价的研究尚鲜见报道。准确、简便地找到适合于该场景下的最优换道轨迹一方面可以在手动驾驶时为驾驶员提供指导，另一方面可以在自动驾驶时便于车辆遵循。鉴于此，从驾驶模拟实验获得的L3事故场景下人工接管后的换道轨迹数据出发，从舒适性、高效性、生态性、安全性4个方面选取评价指标，考虑到换道轨迹多指标性能综合评价的特点，运用多目标决策的熵权TOPSIS(technique for order preference by similarity to an ideal solution)法评价换道轨迹并进行标签标定，在此基础上训练得到支持向量机(support vector machine, SVM)分类器，以期换道轨迹的分类能更加简便。

1 实验设计与数据提取

1.1 实验设备

实验设备为北京工业大学AutoSimAS驾驶模拟系统，硬件主要包括驾驶模拟器、高性能计算机、华为平板、眼动仪、摄像机等，软件为SCANeR1.9系统。通过场景开发软件和平板设备开发虚拟场景和人机交互界面(human machine interface，HMI)，并将其导入驾驶模拟系统。驾驶模拟器以20 Hz的频率动态采集坐标、速度、横向偏移等信息，实验设备示意图如图1所示。

1.2 接管场景

接管场景包括主线接管、团雾接管、事故接管、匝道接管。设计道路为闭环。其中，事故接管路段的限速为120 km/h，自动驾驶车辆速度为100 km/h，驾驶人接管车辆后根据道路限速行驶，由手动驾驶模式切换至自动驾驶模式后，车辆逐渐恢复速度100 km/h。接管方式为当HMI发出接管请求后，驾驶人需按图1中的“接管”按钮将控制权由车辆移交给驾驶人，在自动驾驶功能可用时按图1中的“启动”按钮将恢复自动驾驶。HMI界面如图2所示。

1.3 被试

共邀请42名视力、听力良好且有驾驶能力的被试，其中男性32人，女性10人。平均年龄为(43.45±17.16)岁，平均驾龄为(16.10±11.96)年。

1为自动驾驶模式；2为手动驾驶模式图2 HMI界面设计Fig.2 HMI interface design

1.4 实验步骤

每位驾驶人进行两次实验，实验起点随机确定。实验开始前，先对驾驶人进行理论、视频和实操培训，通过测试问卷后开始第一次正式实验，为避免疲劳驾驶，第一次实验结束后，驾驶人休息10～15 min，然后开始第二次实验，两次试验结束后，驾驶人填写主观问卷，试验结束。

1.5 数据提取

事故场景下，为保证车辆继续通行，车辆必须换道绕过事故点。通过车辆横向偏移和坐标提取出113条换道轨迹用于接下来的评价和分类研究。

2 评价与分类

2.1 指标体系构建

从舒适性、高效性、生态性、安全性四个方面选取换道轨迹的评价指标。

(1)舒适性。换道过程中应尽可能确保乘坐人员的舒适度。多数研究用最大横向加速度表征换道过程的舒适性，刘晨强[17]用最大横向加速度和最大纵向加速度来表征换道过程的舒适性。因此选取最大横向加速度axmax和最大纵向加速度aymax作为评价舒适性的参数。

(2)高效性。高效性是换道轨迹规划中经常考虑的问题，多数研究用换道时间或者换道轨迹长度来表征高效性。因此选取换道时间T和换道轨迹长度L作为评价高效性的参数。

(4)安全性。碰撞时间(time-to-collision，TTC)常用来判断车辆是否会发生追尾事故，根据具体情况，TTC的计算方式为自车未完全驶离本车道情况下自车与事故点之间的TTC。为了避免两车间的相对速度过小，从而导致TTC趋向于无穷大的问题，常用TTC的倒数ITTC来代替TTC。因此在安全性上选取的指标为ITTC。

换道场景是前方出现事故，自动驾驶系统向驾驶员发出接管预警，随后驾驶员接管车辆并进行换道。这种情况下的换道比较紧急，平顺性一般都较差，所以在进行换道轨迹评价时不考虑平顺性。建立的评价指标体系如图3所示。

图3 换道轨迹评价指标体系Fig.3 Evaluation index system for lane change trajectory

2.2 熵权TOPSIS评价模型

TOPSIS是一种常用的综合评价法，因其具有应用灵活、计算简便、结果量化客观等优点而被广泛应用[19]，它的基本思想是通过计算各评价对象与正、负理想解的综合距离来确定评价对象的优劣顺序。如果评价对象距离正理想解越近，距离负理想解越远，就认为这个评价对象更好。正理想解与负理想解是一个虚拟的最优解与最差解, 分别代表本身的各个指标值都达到评价对象中的最优值与最差值[20]。

设共有m个评价对象，每个评价对象有n个评价指标，X=(xij)m×n为由各换道轨迹各指标组成的矩阵，其中xij为第i(i=1,2,…,m)个换道轨迹的第j(j=1,2,…,n)个指标值。记xj为矩阵X的第j列。采用熵权TOPSIS进行综合评价的步骤如下。

步骤1数据标准化。

正向化指标可表示为

x′ij=(xij-minxj)/(maxxj-minxj)

(1)

负向化指标可表示为

x′ij=(maxxj-xij)/(maxxj-minxj)

(2)

式中：maxxj为第j项指标的最大值；minxj为第j项指标的最小值；x′ij为xij标准化后的值。

步骤2计算评价指标的熵权。

(3)

(4)

(5)

式中：yij为第i个轨迹的第j项指标所占的比重；ej为第j项指标的信息熵；K=1/lnm为常数；Wj为第j项指标的权重。

应用式(3)～式(5)[20]计算出各评价指标熵权，结果如表1所示。

表1 各评价指标熵权Table 1 Entropy weight of each evaluation index

步骤3构造加权规范化矩阵。

(6)

式(6)中：W1,W2,…,Wn为式(5)计算得到的第1,2,…,n项指标的权重。

步骤4计算正、负理想解。

定义正理想解V+和负理想解V-分别为

(7)

(8)

应用式(7)得到正理想解为[20]

V+=[0.138,0.094,0.138,0.174,0.046,

0.124,0.112,0.093,0.081]

(9)

应用式(8)得到负理想解为[20]

V-=[0,0,0,0,0,0,0,0,0,0]

(10)

步骤5计算距离。

(11)

(12)

步骤6计算相对贴近度。

各评价对象与理想解的相对贴近度Ci为

(13)

根据式(9)～式(11)[20]计算出每个换道轨迹的相对贴近度，并由此得到113条换道轨迹的优劣排序，按等比例将样本划分为优、中、差三类。

2.3 支持向量机分类模型

SVM是对数据进行二元分类的广义线性分类器，是一种二分类模型，基本思想是求解能够正确划分训练数据集且最大化特征空间几何间隔的分离超平面。由于SVM具有理论完善、结构简单、泛化能力强、收敛性好等优点，得到了广泛应用。

当数据集线性可分时，超平面函数表达式为：wTx+b=0，几何间隔d=2‖w‖，其中，w为超平面的法向量，x为数据集中任一样本的坐标向量，b为截距，只要使得几何间隔最大，就可以求出最优分类超平面；当数据集是线性不可分时，SVM通过选择一个核函数对原始空间中的非线性数据进行映射转换，使其变为高维空间中的线性可分数据，从而求出最优分类超平面。

SVM分类器模型的构建可分为：训练集和测试集的划分、核函数选择和参数寻优、模型训练和分类预测，具体如下。

步骤1训练集和测试集的划分。利用十折交叉验证法，将数据集中113个样本平均分为10份，轮流将其中9份作为训练集，1份作为测试集，进行10组试验。取10组试验的平均准确率作为最终的预测准确率。

步骤2核函数选择和参数寻优。高斯径向基函数是一种局部性强的核函数，对大样本和小样本都适用，因此选择高斯径向基函数作为模型的核函数。为了更好地提升分类器的性能，分类前需要调整SVM模型的参数。参数c为惩罚因子，决定错分样本的处罚程度，参数g为核函数中的gamma函数设置，决定高维空间中数据的分布情况。c和g的选择对分类精度影响很大，试验中用函数SVMcgClass完成c和g的选择。

步骤3模型训练和分类预测。调用libsvm软件包，使用libsvm中的svmtrain函数来训练多分类模型，使用libsvm中的svmpredict函数来测试分类精度。

3 结果分析

3.1 评价结果分析

将熵权TOPSIS模型应用于驾驶模拟得到的换道轨迹，根据相对贴近度将换道轨迹进行优劣排序，最优换道轨迹的各项指标值如表2所示。根据相关研究，人体承受纵向加速度和横向加速度的界限值不同[一般纵向加速度值为(-3 m/s2，3 m/s2)，横向加速度为(-2 m/s2，2 m/s2)][17]。高速公路环境换道时间一般在3.5～6.5 s。对应表2中的指标值可知换道过程中驾驶人感觉舒适，换道较为高效。油门踏板深度的平均值和最大值较小，油门踏板深度一阶导数的平均值和最大值也较小，说明换道过程中油门踏板深度变化平缓，即换道过程中车辆油耗较小。根据碰撞时间倒数的值可知碰撞时间为2.74 s，根据林庆峰等[21]的研究结果，在建立L3级自动驾驶汽车的接管安全性评价模型中将TTC大于1 s的设为安全组，小于1 s的设为危险组。所以此换道轨迹较为安全。综上，由熵权TOPSIS评价模型选择的最优轨迹在舒适性、高效性、生态性和安全性上综合表现优秀。

根据相对贴近度将113条换道轨迹进行排序，然后按等比例划分为好、中、差三类。选取每一类中相对贴近度最高和最低的轨迹作为代表，其各指标与正、负理想解之间的接近程度如图4所示。

由图4可知，正负理想解之间差距最大的为指标4(轨迹长度)；差距最小的为指标5(平均油门深度)。由各代表曲线(图4)也可以看出，在指标3(换道时间)和指标4(轨迹长度)上波动较大，好的类别的轨迹在这两个指标上的值也更好，说明各类别曲线在高效性上有明显区别；而在指标5(平均油门深度)和指标8(最大油门深度一阶导数)上，各曲线并没有较明显的波动，说明各类别曲线在生态性上差别并不大。从整体上看，在每个指标上各类别曲线的高低位置会发生变化，说明曲线在不同的指标上各有优劣。综上，熵权TOPSIS评价模型中，各指标由于其熵权不同在评价过程中占有不同程度的作用，但轨迹最终的评价结果是综合考虑各指标的表现决定的。

表2 最优换道轨迹指标值Table 2 Index values of optimal lane-changing trajectory

将三类轨迹的各项标准化指标取平均值，从整体上观察类别间的指标变化情况。如图5所示，轨迹长度在3种类别之间并没有明显变化，除最大纵向加速度和碰撞时间倒数外，其余各指标的变化趋势与各类别的优劣关系相符合。从数据上看，最大纵向加速度和碰撞时间倒数的熵权较小，与整体指标体系相比，其相反的变化趋势并不影响相应轨迹类别关系的判定。

V1为正理想解；V2为负理想解；Si1为第i类中的最好轨迹； Si2为第i类中的最差轨迹；指标序号1～9分别对应图3中的 二级指标，序号从左到右递增排序图4 与正负理想解的接近程度图Fig.4 Diagram of the closeness to the positive and negative ideal solutions

图5 类别间指标对比Fig.5 Comparison of indicators among categories

3.2 分类结果分析

为使分类更加简便，用已经带有分类标签的数据训练SVM分类器，经网格搜索后，c取2，g取0.078。如表3所示，用得到的SVM分类器模型对换道轨迹分类，得到的平均准确率为79.55%，平均精确率为79.52%，平均召回率为79.51%，平均F1分数为77.43%。图6为准确率是81.81%时测试集实际分类和预测分类的情况。综上，SVM分类器能以较为稳定的准确率完成换道轨迹的分类。

表3 分类器性能评价指标值Table 3 The performance evaluation index value of the classifier

图6 分类情况示例Fig.6 Example of classification

4 结论

基于驾驶模拟器设计L3级自动驾驶事故场景并提取该场景下的换道轨迹数据。用熵权TOPSIS模型对提取的113条换道轨迹进行评价以及标签标定，最后训练得到SVM分类器对换道轨迹进行分类。得出如下结论。

(1)用熵权TOPSIS评价模型得到的最优换道轨迹在舒适性、高效性、生态性和安全性上综合表现优秀。

(2)SVM分类器可以较为准确地完成换道轨迹的分类，且只根据评价指标就可以直接预测分类结果，相比于熵权TOPSIS模型，其更为简便。

换道数据来自L3事故场景，得到的最优换道轨迹可为自动驾驶车辆在该场景下的换道轨迹规划和轨迹跟踪提供参考。需要指出的是本文中权重的选择是根据本次实验得到的，对于其合理性还需要进一步研究，此外，研究结果是基于驾驶模拟舱得到的，在真实交通中的应用还需要进一步深入研究。