智能汽车换道时长预测及拟人化轨迹规划方法

1.本技术涉及智能汽车应用技术领域，特别涉及一种智能汽车换道时长预测及拟人化轨迹规划方法。


背景技术：

2.在人工驾驶和自动驾驶混行的混合交通环境下，自动驾驶汽车的换道行为受到周围交通车的影响，特别是人工驾驶车辆的不确定性影响，使得换道轨迹的纵向运动规律十分复杂。
3.相关技术中，通常假定换道过程中，智能汽车纵向速度保持不变，在这种理想工况下规划获得的换道轨迹，换道轨迹规划对横向运动规律的考量较多，然而，该方式缺乏对换道过程中车辆纵向运动的分析，未能充分考虑周围车辆对自车换道过程中纵向驾驶行为的影响，使得规划的轨迹的预期性能不一定能够满足预期要求，可能导致频繁的加减速，造成换道舒适性的降低，甚至还存在换道时长不足导致车辆侧向加速度过大，诱发自车的侧滑和侧倾等失稳风险，以及与周围车辆的碰撞风险增加等安全问题，亟待解决。


技术实现要素：

4.本技术提供一种智能汽车换道时长预测及拟人化轨迹规划方法，以解决相关智能汽车技术中未能充分量化评估周围车辆对自车换道过程中纵向驾驶行为的影响，而导致的换道时长决策合理性不足、可解释性差和可能存在的安全风险的问题，充分挖掘自然驾驶数据中优秀驾驶员的驾驶操纵规律，为智能汽车科学合理的换道决策提供参考，是智能汽车“学习人、模拟人、超越人和服务人”的拟人化决策理念在换道决策中的体现。
5.本技术第一方面实施例提供一种智能汽车换道时长预测及拟人化轨迹规划方法，包括以下步骤：从若干驾驶员的自然驾驶数据中提取优秀驾驶员的换道轨迹，并由所述优秀驾驶员的换道轨迹提取真实多车影响下的优秀驾驶员换道时长；获取换道车辆的周车运动信息，并根据所述周车运动信息建立多车影响下的车辆换道纵向运动学模型，以及将所述周车的影响表征为周车运动学参数对换道车辆的平均纵向加速度的非线性映射，进而获得训练好的多车影响下的换道时长预测模型和辨识获得的模型参数；在网联多车环境下的智能汽车应用所述换道时长预测模型进行决策的情况下，当下达换道指令时，基于预期换道纵向位移、所述智能汽车的纵向速度和换道后目标车道预期车速，结合所述智能汽车的周车信息，利用所述换道时长预测模型对所述智能汽车的换道时长进行优选，并根据优选获得的所述智能汽车的换道时长进行拟人化的轨迹规划，以实现所述智能汽车换道意图的准确实施。
6.在一些示例中，所述从若干驾驶员的自然驾驶数据中提取优秀驾驶员的换道轨迹，并由所述优秀驾驶员的换道轨迹提取真实多车影响下的优秀驾驶员换道时长，包括：
计算所述优秀驾驶员的换道轨迹的朝向角；基于所述朝向角从所述自然驾驶数据中确定峰值点，并且由所述峰值点向两边搜索，得到满足预设条件的时间点；由所述时间点匹配对应的换道轨迹的初始区间；根据所述初始区间计算所述换道轨迹侧向加速度峰
‑
峰值时间差，并基于所述时间差计算侧向加速度取得最大值和最小值时对应的时间点，得到所述换道轨迹在真实多车影响下的优秀驾驶员换道时长。
7.在一些示例中，所述获得训练好的多车影响下的换道时长预测模型和辨识获得的模型参数，包括：对所述换道车辆的平均纵向加速度进行加速度修正，得到修正后的平均纵向加速度，将所述周车的影响表征为周车运动学参数对换道车辆的所述平均纵向加速度的非线性映射；根据所述多车影响下的车辆换道纵向运动学模型和所述周车的影响表征为周车运动学参数对换道车辆的所述平均纵向加速度的非线性映射，得到所述多车影响下的换道时长预测模型和辨识获得的模型参数。
8.在一些示例中，所述换道时长预测模型为：，其中，为自车的换道时长，为所述自车预期换道纵向位移、为所述自车平均纵向加速度，为所述自车换道后在目标车道的预期车速。
9.在一些示例中，所述预期换道纵向位移是根据纵向位置、纵向速度和纵向加速度状态函数确定的。
10.本技术第二方面实施例提供一种智能汽车换道时长预测及拟人化轨迹规划装置，包括：提取模块，用于从若干驾驶员的自然驾驶数据中提取优秀驾驶员的换道轨迹，并由所述优秀驾驶员的换道轨迹提取真实多车影响下的优秀驾驶员换道时长；生成模块，用于获取换道车辆的周车运动信息，并根据所述周车运动信息建立多车影响下的车辆换道纵向运动学模型，以及将所述周车的影响表征为周车运动学参数对换道车辆的平均纵向加速度的非线性映射，进而获得训练好的多车影响下的换道时长预测模型和辨识获得的模型参数；以及换道轨迹规划模块，用于在网联多车环境下的所述智能汽车应用所述换道时长预测模型进行决策的情况下，当下达换道指令时，基于预期换道纵向位移、所述智能汽车的纵向速度和换道后目标车道预期车速，结合所述智能汽车的周车信息，利用所述换道时长预测模型对所述智能汽车的换道时长进行优选，并根据优选获得的所述智能汽车的换道时长进行拟人化的轨迹规划，以实现所述智能汽车换道意图的准确实施。
11.在一些示例中，所述提取模块，具体用于：计算所述优秀驾驶员的换道轨迹的朝向角；基于所述朝向角从所述自然驾驶数据中确定峰值点，并且由所述峰值点向两边搜
索，得到满足预设条件的时间点；由所述时间点匹配对应的换道轨迹的初始区间；根据所述初始区间计算所述换道轨迹侧向加速度峰
‑
峰值时间差，并基于所述时间差计算侧向加速度取得最大值和最小值时对应的时间点，得到所述换道轨迹在真实多车影响下的优秀驾驶员换道时长。
12.在一些示例中，所述生成模块，具体用于：对所述换道车辆的平均纵向加速度进行加速度修正，得到修正后的平均纵向加速度，将所述周车的影响表征为周车运动学参数对换道车辆的所述平均纵向加速度的非线性映射；根据所述多车影响下的车辆换道纵向运动学模型和所述周车的影响表征为周车运动学参数对换道车辆的所述平均纵向加速度的非线性映射，得到所述多车影响下的换道时长预测模型和辨识获得的模型参数。
13.在一些示例中，所述换道时长预测模型为：，其中，为自车的换道时长，为所述自车预期换道纵向位移、为所述自车平均纵向加速度，为所述自车换道后在目标车道的预期车速。
14.在一些示例中，所述预期换道纵向位移是根据纵向位置、纵向速度和纵向加速度状态函数确定的。
15.本技术第三方面实施例提供一种智能汽车换道轨迹决策设备，包括：换道意图识别模块和换道轨迹规划模块，其中，上述第一方面实施例所述的智能汽车换道时长预测及拟人化轨迹规划方法服务于所述换道意图识别模块和换道轨迹规划模块。
16.本技术第四方面实施例提供一种换道轨迹跟踪模块，其上存储有计算机程序，该程序被处理器执行，以用于实现上述第一方面实施例所述的智能汽车换道时长预测及拟人化轨迹规划方法。
17.本发明的实施例，可以从大量的驾驶员的自然驾驶数据中提取出优秀驾驶员的换道轨迹，并由优秀驾驶员的换道轨迹提取真实多车影响下的优秀驾驶员换道时长，然后，获取换道车辆的周车运动信息，并根据周车运动信息建立多车影响下的车辆换道纵向运动学模型，将周车的影响表征为周车运动学参数对换道车辆的平均纵向加速度的非线性映射，进而能够获得多车影响下的换道时长预测模型，这样，当该换道时长预测模型应用到网联多车环境下的智能汽车之后，该智能汽车便可以根据预期换道纵向位移、智能汽车的纵向速度和换道后目标车道预期车速等，结合智能汽车的周车信息，利用换道时长预测模型对智能汽车的换道时长进行优选，进而，可以根据优选获得的智能汽车的换道时长进行拟人化的轨迹规划，以实现所述智能汽车换道意图的准确实施。由此，解决了相关智能汽车技术中，未能充分量化评估周围车辆对自车换道过程中纵向驾驶行为的影响，而导致的换道时长决策合理性不足、可解释性差和可能存在的安全风险的问题，本发明的实施例，充分挖掘大量驾驶员的自然驾驶数据中优秀驾驶员的驾驶操纵规律，为智能汽车科学合理的换道决策提供参考，使智能汽车的换道过程更为合理，进而提升智能汽车的安全性和可靠性，是智
能汽车“学习人、模拟人、超越人和服务人”的拟人化决策理念在换道决策中的体现。
18.本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
附图说明
19.本技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：图1为根据本技术实施例提供的一种智能汽车换道时长预测及拟人化轨迹规划方法的流程图；图2为根据本技术一个实施例的自然驾驶轨迹集highd中提取的向左的换道轨迹、侧向速度和侧向加速度的变化规律示意图；图3为根据本技术一个实施例的自然驾驶轨迹集highd中提取的向右的换道轨迹、侧向速度和侧向加速度的变化规律；图4为根据本技术一个实施例的周车对自车换道过程中平均等效纵向加速度的非线性映射关系示意图；图5为根据本技术一个实施例的网联环境下周车运动参数识别说明示例图；图6为根据本技术一个实施例的实测自然驾驶数据集highd换道轨迹的纵向驾驶行为统计分析结果的示例图；图7为根据本技术一个实施例的预测获得的当前车辆的换道时长与换道轨迹对应的换道时长的对比的直方图和散点图的示意图；图8为根据本技术一个实施例的智能汽车换道时长预测及拟人化轨迹规划方法的流程图；图9为根据本技术实施例的智能汽车换道时长预测及拟人化轨迹规划装置的方框示意图。
具体实施方式
20.下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。
21.下面参考附图描述本技术实施例的智能汽车换道时长预测及拟人化轨迹规划方法。
22.在介绍本技术实施例的智能汽车换道时长预测及拟人化轨迹规划方法之前，先简单介绍下相关技术中换道轨迹提取方法。
23.相关技术中主要有两种方法：（1）采用驾驶模拟器采集换道数据进行分析；（2）直接从自然驾驶数据中提取换道轨迹进行分析。
24.具体地，驾驶模拟器数据能够直接结合驾驶员问卷调查，并采集同一驾驶员在不同场景下的不同驾驶换道数据，便于进行驾驶员风格的聚类分析，但驾驶模拟器存在样本量有限且与实际驾驶环境存在差异等弊端，因此现有换道研究越来越多的关注于从高精度的自然驾驶轨迹数据中直接提取并挖掘换道行为的规律。
25.然而，从自然驾驶数据中准确的提取出换道轨迹仍面临较大的挑战，现有自然驾驶数据换道轨迹提取的技术方案通常给定一个阈值，在车辆偏离车道线中心距离大于阈值时认为换道开始，而在车辆偏离目标车道中心线小于阈值时认为换道结束，或者根据侧向速度由零值
‑
峰值
‑
零值的变化过程来提取换道轨迹，以上方法在车辆侧向位移和速度存在波动的情况下，容易造成所提取的换道轨迹不完整或者存在冗余，进而影响下一步的换道时长的建模精度。
26.正是基于上述问题，本技术提供了一种智能汽车换道时长预测及拟人化轨迹规划方法，在该方法中，可以从大量的驾驶员的自然驾驶数据中提取出优秀驾驶员的换道轨迹，并由优秀驾驶员的换道轨迹提取真实多车影响下的优秀驾驶员换道时长，然后，获取换道车辆的周车运动信息，并根据周车运动信息建立多车影响下的车辆换道纵向运动学模型，将周车的影响表征为周车运动学参数对换道车辆的平均纵向加速度的非线性映射，进而能够获得多车影响下的换道时长预测模型，这样，当该换道时长预测模型应用到网联多车环境下的智能汽车之后，该智能汽车便可以根据预期换道纵向位移、智能汽车的纵向速度和换道后目标车道预期车速等，结合智能汽车的周车信息，利用换道时长预测模型对智能汽车的换道时长进行优选，进而，可以根据优选获得的智能汽车的换道时长进行拟人化的轨迹规划，以实现所述智能汽车换道意图的准确实施。由此，解决了相关智能汽车技术中，未能充分量化评估周围车辆对自车换道过程中纵向驾驶行为的影响，而导致的换道时长决策合理性不足、可解释性差和可能存在的安全风险的问题，本发明的实施例，充分挖掘大量驾驶员的自然驾驶数据中优秀驾驶员的驾驶操纵规律，为智能汽车科学合理的换道决策提供参考，使智能汽车的换道过程更为合理，进而提升智能汽车的安全性和可靠性，是智能汽车“学习人、模拟人、超越人和服务人”的拟人化决策理念在换道决策中的体现。
27.具体而言，图1为本技术实施例所提供的一种智能汽车换道时长预测及拟人化轨迹规划方法的流程示意图。
28.如图1所示，该智能汽车换道时长预测及拟人化轨迹规划方法包括以下步骤：在步骤s101中，从若干驾驶员的自然驾驶数据中提取优秀驾驶员的换道轨迹，并由所述优秀驾驶员的换道轨迹提取真实多车影响下的优秀驾驶员换道时长。即：从海量的驾驶员的自然驾驶数据中提取优秀驾驶员的换道轨迹，然后，提取出优秀驾驶员的换道轨迹对应的真实多车影响下的优秀驾驶员换道时长。
29.在具体示例中，从若干驾驶员的自然驾驶数据中提取优秀驾驶员的换道轨迹，并由所述优秀驾驶员的换道轨迹提取真实多车影响下的优秀驾驶员换道时长，包括：计算所述优秀驾驶员的换道轨迹的朝向角；基于所述朝向角从所述自然驾驶数据中确定峰值点，并且由所述峰值点向两边搜索，得到满足预设条件的时间点；由所述时间点匹配对应的换道轨迹的初始区间；根据所述初始区间计算所述换道轨迹侧向加速度峰
‑
峰值时间差，并基于所述时间差计算侧向加速度取得最大值和最小值时对应的时间点，得到所述换道轨迹在真实多车影响下的优秀驾驶员换道时长。
30.具体而言，在从海量的驾驶员的自然驾驶数据中提取车辆的换道轨迹时，本技术实施例可以首先计算换道轨迹的朝向角，峰值点可以为朝向角大于预设朝向角阈值的点，假设朝向角阈值为2，则自然驾驶数据中朝向角的点均为峰值点，由峰值点向两
边搜索，得到满足预设条件的时间点，其中，预设条件可以为，从而可以由时间点匹配对应的换道轨迹的初始区间。
31.由此，实现的对车辆的换道轨迹的初步提取，提取出的换道轨迹的初始区间由于车辆的侧向位移和速度波动，可能导致所提取的换道轨迹的初始区间存在冗余时间区间，因此，本技术实施例可以采用侧向加速度峰
‑
峰值进行换道轨迹的精确提取。
32.进一步地，换道轨迹侧向加速度峰
‑
峰值时间差的计算公式如式（1）所示：（1）其中，为绝对值计算符号，为侧向加速度取得最大值时对应的时间点，为侧向加速度取得最小值时对应的时间点，为换道轨迹对应的换道时长。
33.由此可知，换道轨迹对应的换道时长是两倍的侧向加速度峰
‑
峰值时间差，故换道时间起点和换道时间终点分别如式（2）和式（3）所示：（2）（3）其中，为取最小值符号，为取最大值符号。
34.举例来说，如图2和图3所示，图2中的（a）至（c）分别为自然驾驶轨迹集highd中提取的向左的换道轨迹、侧向速度和侧向加速度的变化规律；图3中的（a）至（c）分别为自然驾驶轨迹集highd中提取的向右的换道轨迹、侧向速度和侧向加速度的变化规律。在图2和图3中，换道起点和换道终点即对应于式（2）和式（3）中所提到的和，侧向加速度峰
‑
峰值对应的时间点即为和。由图2和图3可知，该换道轨迹提取方法可以准确而完整的从自然驾驶数据集中提取出换道轨迹，为下一步的换道时长预测建模奠定了可靠的数据基础。
35.在步骤s102中，获取换道车辆的周车运动信息，并根据所述周车运动信息建立多车影响下的车辆换道纵向运动学模型，以及将所述周车的影响表征为周车运动学参数对换道车辆的平均纵向加速度的非线性映射，进而获得训练好的多车影响下的换道时长预测模型和辨识获得的模型参数。在具体应用中，可以采用无人机获得换道车辆周围车辆的运动信息，例如，获取德国自然驾驶数据集highd中的数据；也可由路侧相机获得换道车辆周围车辆的运动信息，例如，获取美国自然驾驶数据集ngsim中的数据。
36.在一个具体示例中，获得训练好的多车影响下的换道时长预测模型和辨识获得的模型参数，包括：对所述换道车辆的平均纵向加速度进行加速度修正，得到修正后的平均纵
向加速度，将所述周车的影响表征为周车运动学参数对换道车辆的所述平均纵向加速度的非线性映射；根据所述多车影响下的车辆换道纵向运动学模型和所述周车的影响表征为周车运动学参数对换道车辆的所述平均纵向加速度的非线性映射，得到所述多车影响下的换道时长预测模型和辨识获得的模型参数。
37.可以理解的是，在理想的驾驶员假设下，驾驶员换道是为了追求更高的行驶速度，因此在不考虑周车影响的换道过程中，驾驶员倾向于保持匀速或加速换道，以快速实现车道的变换和行驶效率的提升，而在复杂行车环境中，驾驶员的换道行为不得不考虑周车的影响，而周车对自车换道纵向驾驶行为的影响，需通过自车驾驶员的应激反应产生。因此，本技术实施例可以将车辆周边的预设范围内的其他车辆的影响等效为对自车平均纵向加速度的影响，等效系数（即影响值）与车辆周边的预设范围内的其他车辆状态之间的非线性映射关系，可用式（4）表述：（4）其中，式（4）的非线性映射的一种可行方案为式（5）和式（6）的回归模型方案。式（5）和式（6）中，、和均为回归系数，可根据实际换道轨迹（即步骤s101中提取到的换道轨迹）进行标定：（5）（6）进一步地，本技术实施例根据周车的影响对自车平均纵向加速度进行加速度修正时，平均纵向加速度的获取方式可以如图4所示，平均纵向加速度可以使用如式（7）所示的数学公式进行量化的表达：（7）式（7）中，为与车辆周边的预设范围内的其他车辆运动状态相关的等效系数，为理想条件下，只考虑换道效率收益的预期纵向加速度，的定义可以如式（8）所示：（8）式（8）中，为目标车道的预期行驶速度，在理想驾驶员假设前提下，驾驶员换道是为了追求更高的行驶效率，因此，，车辆在换道过程应快速的实现纵向行驶速度的提升，而换道过程中，驾驶员又不得不考虑与周车的交互，在与周车的交互博弈过程中，采取的最终实际纵向加速度是与周车博弈的结果，周车的影响主要体现在式（7）所示的影响值中。
38.由此，即可根据如式（9）所示的车辆换道纵向运动学模型等得到训练好的多车影
响下的换道时长预测模型。
39.（9）可选地，在一些实施例中，通过求解式（9）所示的一元二次方程，并剔除负数解，即可得到换道时长预测模型为：，其中，为自车的换道时长，为所述自车预期换道纵向位移、为所述自车平均纵向加速度，为所述自车换道后在目标车道的预期车速。
40.需要说明的是，式（10）在的数学极限条件下，可求得不考虑纵向加速度时的换道时长。显然，在时，式（10）为型数学极限问题，利用洛必达法则同时求得分子分母对的导数，如式（11）所示：（11）由式（11）可知，在换道时长的计算公式（10）中，自车平均纵向加速度趋向零时的解等于预期换道距离与换道后目标车道预期车速的比值，符合匀速运动运动学规律，说明传统的纵向匀速换道时长模型是本技术所提出的换道时长预测模型的特例。
41.需要说明的是，周车对自车平均纵向加速度的影响的非线性映射模型，不仅可用上述回归建模方法获得，在其他示例中，也可以由其他方式得到，例如：由神经网络模型、支持向量机模型、随机森林模型和深度学习模型等非参数化建模方法获得。
42.在步骤s103中，在网联多车环境下的智能汽车应用所述换道时长预测模型进行决策的情况下，当下达换道指令时，基于预期换道纵向位移、所述智能汽车的纵向速度和换道后目标车道预期车速，结合所述智能汽车的周车信息，利用所述换道时长预测模型对所述智能汽车的换道时长进行优选，并根据优选获得的所述智能汽车的换道时长进行拟人化的轨迹规划，以实现所述智能汽车换道意图的准确实施。
43.也就是说，当通过步骤s101和步骤s102得到换道时长预测模型之后，可以将该换道时长预测模型应用到智能车辆上进行自动且智能的换道控制。
44.应当理解的是，在网联多车环境下，智能汽车可以通过车载感知系统和v2x（vehicle to x，车对外界的信息交换），其中，x可以为车、路和云，智能汽车才可通过感知系统的传感器（如激光雷达、毫米波雷达、相机、gps和惯导等）和v2x通信设备获取周车运动信息，以便于对周围车辆运动产生的风险进行评估，从而为自车的换道决策提供准确的环境信息。
45.因此，在智能汽车的换道意图模块和换道决策模块下达换道指令时，基于预期换道纵向位移、自车平均纵向加速度和换道后目标车道预期车速，结合智能汽车感知系统和v2x设备获取的周车信息，利用所述换道时长预测模型对所述智能汽车的换道时长进行优
选，并根据优选获得的所述智能汽车的换道时长进行拟人化的轨迹规划，以实现所述智能汽车换道意图的准确实施。
46.其中，所述预期换道纵向位移是根据纵向位置、纵向速度和纵向加速度状态函数确定的。
47.具体地，如图5所示，在换道过程中，本技术实施例可以考虑的周围车辆分别是来自当前车道的前后车和目标车道的前后车，图5中，1号车为当前车道前车，2号车为当前车道后车，3号车为目标车道后车，4号车为目标车道前车，为各车的纵向位置、纵向速度和纵向加速度状态函数。
48.由此，解决了相关智能汽车技术中，未能充分量化评估周围车辆对自车换道过程中纵向驾驶行为的影响，而导致的换道时长决策合理性不足、可解释性差和可能存在的安全风险的问题，充分挖掘自然驾驶数据中优秀驾驶员的驾驶操纵规律，为智能汽车科学合理的换道决策提供参考，是智能汽车“学习人、模拟人、超越人和服务人”的拟人化决策理念在换道决策中的体现。
49.为使得本领域技术人员进一步了解本技术实施例的智能汽车换道时长预测及拟人化轨迹规划方法，下面以自然驾驶数据集highd为例进行详细说明。
50.具体地，highd数据集中的换道轨迹共5600多条，从中剔除多次变道的数据，并提取出换道过程中周车符合图5所示的环境的换道轨迹，从中随机选择1000条换道轨迹作为研究对象。
51.如图6所示，图6（a）至图6（c）分别是这些换道轨迹的纵向位移、纵向初始速度和平均等效纵向加速度的实测结果的统计分布图。由图6可知，纵向位移服从正态分布，换道过程纵向位移分布在的区间内。初始纵向速度呈双峰分布，且集中在的高速行驶区间内。由自车平均纵向加速度的分布特性可知，受到周车影响，换道过程可能产生平均加速度为负的场景，而在大部分场景下，驾驶员希望维持平均纵向加速度为零的工况，从而把更多的注意力放在顺利完成换道的横向驾驶行为上。
52.进一步地，如图7所示，图7（a）和图7（b）分别为根据本技术预测获得的当前车辆的换道时长与初始实测换道轨迹对应的换道时长的对比的直方图和散点图，由统计直方图可知，换道时长服从对数正态分布，采用对数正态分布建立起预测换道时长的概率密度曲线与实测获得的换道时长的统计直方图具有高度的一致性，说明本技术预测得到的当前车辆的换道时长的精确性较高。由换道轨迹对应的换道时长与预测的当前车辆的换道时长的散点图对比可知，预测的换道时长均匀的分散在真实值两侧，说明建模的效果较好。
53.综上，如图8所示，本技术首先从自然驾驶数据中提取完整的换道轨迹，并计算换道时长；其次是利用网联技术获取自车周围车辆的运动学参数，为周车影响下的量化评估提供数据；最后是换道时长建模，在给定换道纵向距离、纵向速度的前提下，结合周车影响下的纵向加速度，可直接由运动学模型求解出换道时长的预测值（利用换道时长预测模型得到的当前车辆的换道时长）。
54.根据本技术实施例提出的智能汽车换道时长预测及拟人化轨迹规划方法，可以从
大量的驾驶员的自然驾驶数据中提取出优秀驾驶员的换道轨迹，并由优秀驾驶员的换道轨迹提取真实多车影响下的优秀驾驶员换道时长，然后，获取换道车辆的周车运动信息，并根据周车运动信息建立多车影响下的车辆换道纵向运动学模型，将周车的影响表征为周车运动学参数对换道车辆的平均纵向加速度的非线性映射，进而能够获得多车影响下的换道时长预测模型，这样，当该换道时长预测模型应用到网联多车环境下的智能汽车之后，该智能汽车便可以根据预期换道纵向位移、智能汽车的纵向速度和换道后目标车道预期车速等，结合智能汽车的周车信息，利用换道时长预测模型对智能汽车的换道时长进行优选，进而，可以根据优选获得的智能汽车的换道时长进行拟人化的轨迹规划，以实现所述智能汽车换道意图的准确实施。由此，解决了相关智能汽车技术中，未能充分量化评估周围车辆对自车换道过程中纵向驾驶行为的影响，而导致的换道时长决策合理性不足、可解释性差和可能存在的安全风险的问题，本发明的实施例，充分挖掘大量驾驶员的自然驾驶数据中优秀驾驶员的驾驶操纵规律，为智能汽车科学合理的换道决策提供参考，使智能汽车的换道过程更为合理，进而提升智能汽车的安全性和可靠性，是智能汽车“学习人、模拟人、超越人和服务人”的拟人化决策理念在换道决策中的体现。
55.其次参照附图描述根据本技术实施例提出的智能汽车换道时长预测及拟人化轨迹规划装置。
56.图9是本技术实施例的智能汽车换道时长预测及拟人化轨迹规划装置的方框示意图。
57.如图9所示，该智能汽车换道时长预测及拟人化轨迹规划装置10包括：提取模块100、生成模块200和换道轨迹规划模块300。
58.其中，提取模块100用于从若干驾驶员的自然驾驶数据中提取优秀驾驶员的换道轨迹，并由所述优秀驾驶员的换道轨迹提取真实多车影响下的优秀驾驶员换道时长；生成模块200用于获取换道车辆的周车运动信息，并根据所述周车运动信息建立多车影响下的车辆换道纵向运动学模型，以及将所述周车的影响表征为周车运动学参数对换道车辆的平均纵向加速度的非线性映射，进而获得训练好的多车影响下的换道时长预测模型和辨识获得的模型参数；以及换道轨迹规划模块300用于在网联多车环境下的所述智能汽车应用所述换道时长预测模型进行决策的情况下，当下达换道指令时，基于预期换道纵向位移、所述智能汽车的纵向速度和换道后目标车道预期车速，结合所述智能汽车的周车信息，利用所述换道时长预测模型对所述智能汽车的换道时长进行优选，并根据优选获得的所述智能汽车的换道时长进行拟人化的轨迹规划，以实现所述智能汽车换道意图的准确实施。
59.可选地，提取模块100具体用于：计算所述优秀驾驶员的换道轨迹的朝向角；基于所述朝向角从所述自然驾驶数据中确定峰值点，并且由所述峰值点向两边搜索，得到满足预设条件的时间点；由所述时间点匹配对应的换道轨迹的初始区间；根据所述初始区间计算所述换道轨迹侧向加速度峰
‑
峰值时间差，并基于所述时间差计算侧向加速度取得最大值和最小值时对应的时间点，得到所述换道轨迹在真实多车影响下的优秀驾驶员换道时长。
60.可选地，生成模块200具体用于：对所述换道车辆的平均纵向加速度进行加速度修正，得到修正后的平均纵向加速度，将所述周车的影响表征为周车运动学参数对换道车辆的所述平均纵向加速度的非线性映射；根据所述多车影响下的车辆换道纵向运动学模型和所述周车的影响表征为周车运动学参数对换道车辆的所述平均纵向加速度的非线性映射，得到所述多车影响下的换道时长预测模型和辨识获得的模型参数。
61.可选地，所述换道时长预测模型为：，其中，为自车的换道时长，为所述自车预期换道纵向位移、为所述自车平均纵向加速度，为所述自车换道后在目标车道的预期车速。
62.可选地，所述预期换道纵向位移是根据纵向位置、纵向速度和纵向加速度状态函数确定的。
63.需要说明的是，前述对智能汽车换道时长预测及拟人化轨迹规划方法实施例的解释说明也适用于该实施例的智能汽车换道时长预测及拟人化轨迹规划装置，此处不再赘述。
64.根据本技术实施例提出的智能汽车换道时长预测及拟人化轨迹规划装置，可以从大量的驾驶员的自然驾驶数据中提取出优秀驾驶员的换道轨迹，并由优秀驾驶员的换道轨迹提取真实多车影响下的优秀驾驶员换道时长，然后，获取换道车辆的周车运动信息，并根据周车运动信息建立多车影响下的车辆换道纵向运动学模型，将周车的影响表征为周车运动学参数对换道车辆的平均纵向加速度的非线性映射，进而能够获得多车影响下的换道时长预测模型，这样，当该换道时长预测模型应用到网联多车环境下的智能汽车之后，该智能汽车便可以根据预期换道纵向位移、智能汽车的纵向速度和换道后目标车道预期车速等，结合智能汽车的周车信息，利用换道时长预测模型对智能汽车的换道时长进行优选，进而，可以根据优选获得的智能汽车的换道时长进行拟人化的轨迹规划，以实现所述智能汽车换道意图的准确实施。由此，解决了相关智能汽车技术中，未能充分量化评估周围车辆对自车换道过程中纵向驾驶行为的影响，而导致的换道时长决策合理性不足、可解释性差和可能存在的安全风险的问题，本发明的实施例，充分挖掘大量驾驶员的自然驾驶数据中优秀驾驶员的驾驶操纵规律，为智能汽车科学合理的换道决策提供参考，使智能汽车的换道过程更为合理，进而提升智能汽车的安全性和可靠性，是智能汽车“学习人、模拟人、超越人和服务人”的拟人化决策理念在换道决策中的体现。
65.另外，本技术实施例提供一种智能汽车换道轨迹决策设备，包括：换道意图识别模块和换道轨迹规划模块，其中，如上述任意一个实施例所述的智能汽车换道时长预测及拟人化轨迹规划方法服务于所述换道意图识别模块和换道轨迹规划模块。
66.此外，本技术第四方面实施例提供一种换道轨迹跟踪模块，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现上述的智能汽车换道时长预测及拟人化
轨迹规划方法。
67.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或n个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
68.此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本技术的描述中，“n个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
69.流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更n个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本技术的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本技术的实施例所属技术领域的技术人员所理解。
70.在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或n个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（ram），只读存储器（rom），可擦除可编辑只读存储器（eprom或闪速存储器），光纤装置，以及便携式光盘只读存储器（cdrom）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
71.应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，n个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（pga），现场可编程门阵列（fpga）等。
72.本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
73.此外，在本技术各个实施例中的各功能单元可以集成在一个处理模块中，也可以
是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
74.上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。