有人与无人驾驶混行条件下的车-车交互模型的制作方法

本发明属于智能交通技术领域，尤其是一种有人与无人驾驶混行条件下的车-车交互模型。

背景技术：

发展无人驾驶技术已成为全球共识，它在解决交通安全以及治理交通拥堵方面极具潜力。2014年美国交通运输部提出《its战略计划2015-2019》，明确美国未来5年发展目标为汽车网联化与自动控制智能化。2015年欧盟委员会提出《gear2030战略》，重点关注高度自动化和网联化驾驶领域等推进和合作。智能网联汽车将向网联协同感知、网联协同决策与控制、有条件自动驾驶和完全自动驾驶等方向进一步发展和应用。

尽管无人驾驶车辆相关技术研究已取得较大进展，实现了城市道路限定区域内的低速行驶，以及高速公路简单环境中的自主行驶，但是无人驾驶在汽车领域的应用也在不断出现问题，使得人们对于无人驾驶技术仍处于担心和忧虑之中。据密西根大学交通研究所关于有人与无人驾驶车辆的道路安全记录统计，研究表明无人驾驶车辆相比于有人驾驶车辆更易发生事故，两者事故比为9.1:1.9，其中无人驾驶车辆的追尾事故比例比有人驾驶车辆高出50％。例如2016年5月，特斯拉models在美国加利福尼亚州开启了自动驾驶状态下发生了交通事故，这是最早被报道因自动驾驶程序出错而导致的车祸。2018年3月，一辆uber无人驾驶测试车在亚利桑那州撞到一位行人致其死亡，这是自动驾驶汽车发生的第一起撞到行人导致的死亡事故，在事故发生后，uber暂停了自动驾驶测试工作。由此可见自动驾驶功能并不成熟，其决策控制系统依然存在安全隐患。

此外，在美国darpa城市挑战赛、“中国智能车未来挑战大赛(ivfc)”、“中国智能汽车大赛(civc)”、“世界智能驾驶挑战赛(widc)”中，面对有人驾驶车辆干扰时参赛车大都采用减速或等待的保守驾驶行为规避冲突，并没有考虑其他车辆动态交互行为的影响，忽略不同类型驾驶人的交互行为的差异性影响，这将大大限制了无人驾驶车辆的交叉口通行潜能。

目前汽车的智能化程度已实现了限定条件下的完全自动驾驶，自动化等级基本达到了l3级别，但是距离l4、l5级的无人驾驶级别还存在一定距离，那么未来无人驾驶车辆要实现真正上路行驶，将要面临与有人驾驶车辆共存的混合交通环境，这就需要无人驾驶车辆具备有效的交互机制，在混合行驶环境中实现有人与无人驾驶车辆协作驾驶，充分发挥精确控制与网联通信等优势。

针对上述问题，当有人与无人驾驶汽车共同使用道路资源时，只有两者实现交互协同才能发挥道路资源有效利用，并且防止交通事故的发生。本研究结合国家重点研发计划课题“自动驾驶电动汽车环境适应性量化评估技术研究”，以有人与无人驾驶车辆混行条件下的车-车交互关系为安全交互行驶的关键环节，建立路段车辆换道交互关系判定模型及交叉口穿越交互关系判定模型，用车辆合作竞争程度表示，帮助无人驾驶车辆理解、判断周边有人车辆行为。

技术实现要素：

本发明的目的在于克服现有技术不足，提供一种有人与无人驾驶混行条件下的车-车交互模型。基于模糊逻辑方法建立车辆换道交互关系及车辆穿越交互关系判定模型，该模型综合考虑交互双方换道(穿越)意愿高低与他车驾驶员类型，模糊推理车辆间的合作竞争程度，建立模糊推理输出值与交互关系预测结果之间的映射关系，以解析混行条件下的车-车交互行为，帮助无人驾驶车辆理解、判断周边有人车辆行为，为实现多车协作驾驶奠定基础。

本发明采用的技术方案是：

一种有人与无人驾驶混行条件下的车-车交互模型，基于环境感知模块获取无人驾驶车辆和有人驾驶车辆的行驶状态，运用模糊推理建立车辆交互关系判定模型，并以此得到预测结果进行无人驾驶车辆决策，将车辆间驾驶交互行为分为路段交互及交叉口交互两大类，然后应用模糊逻辑方法建立车辆换道交互关系判定模型及车辆穿越交互关系判定模型，该模型综合考虑交互双方换道(穿越)意愿高低与他车驾驶员类型，模糊推理车辆间合作竞争程度，建立模糊推理输出值与交互关系预测结果之间的映射关系，以解析混行条件下的车-车交互行为，帮助无人驾驶车辆理解、判断周边有人车辆行为。

而且，上述车辆换道交互关系判定模型，结合对换道行为交互特性的理解，在建立车辆换道交互关系判定模型时，分为两个步骤：第一步为判断原车道目标车辆的换道意愿高低；第二步为判断目标车道后随车的驾驶类型，综合上述两个步骤推理车辆间交互关系，表示车辆间合作程度高低。

而且，在判断原车道目标车辆的换道意愿高低过程中，车辆换道的主要判断标准是能否在满足安全的条件下获得更好的驾驶空间，以车辆换道后增加的驾驶利益△db及与目标车道后车的冲突程度tc作为模型输入量，以换道意愿高低程度作为输出变量，驾驶利益差用δdb表示，其公式如下：

δdb＝dbi-dbj

dbi＝(vpv(t)-vsv(t)+li(t))·α1

dbj＝(vtpv(t)-vsv(t)+lj(t))·α2

式中：

dbi－－原车道驾驶利益；

dbj－－目标车道驾驶利益；

vsv(t)——目标车辆速度(m/s)；

vpv(t)——原车道目标车辆前车速度(m/s)；

vtpv(t)——目标车道前车速度(m/s)；

li(t)——目标车辆与原车道前车的距离(m)；

lj(t)——目标车辆与目标车道前车的距离(m)；

α1——原车道前车的修正系数；

α2——目标车道前车的修正系数。

结合实测数据和现有研究构建驾驶利益差隶属度函数，将车道驾驶利益差值△db的论域范围设为{0，5，10，15，20}，模糊集为{很小(vs)、小(s)、中(m)、大(l)、很大(vl)}。

而且，冲突激烈程度tc当车辆产生换道意图之后并不会立刻执行换道操作，还需进一步判断是否满足换道安全条件，用ttc(timetocollision，ttc)表示与目标车道后车冲突的激烈程度，记为tc，在追尾冲突中碰撞点为后车车头与前车车尾发生接触，因此在计算ttc时应考虑车身长度，则其计算公式为：

式中：

xsv(t)——目标车辆sv当前的位置(m)；

xtfv(t)——目标车道后车tfv当前的位置(m)；

vsv(t)——目标车辆fv速度(m/s)；

vtfv(t)——目标车道后车tfv速度(m/s)；

l－－车身长度(m)。

而且，结合实测数据和现有研究将目标车辆与目标车道后车冲突的激烈程度tc的论域范围取为{0，3，5，7，10}，模糊集为{很大(vl)、大(l)、中(m)、小(s)、很小(vs)}，由上述分析可知，当车道驾驶利益值△db越大、本车与目标车道后车冲突tc越小，车辆越有可能选择换道以追求更好的驾驶条件；反之，车道驾驶利益值△db越小，与目标车道后车冲突tc越大，驾驶人换道的可能性越小。

而且，根据目标车辆换道意愿的高低，以及目标车道后车的驾驶类型，将换道意愿高低及他车驾驶员类型作为输入变量，输出为车辆合作竞争程度高低，车辆合作程度高低值用语言变量高(h)、中(m)、低(l)表示，分别对应他车交互关系为合作关系、不明确、竞争关系3种结果。

而且，车辆能否穿越交叉口主要与车辆感受的冲突压力及冲突激烈程度有关，以交叉口冲突压力p及冲突激烈程度tc作为模型输入量，输出变量为穿越意愿高低程度，设在150m车辆进入交叉口有效通信范围，将此处的冲突压力设为0，到达冲突点的压力设为1，冲突压力表达式为：

式中：

p——冲突压力；

li(t)——第i车辆距离冲突点的距离(m)

以交叉口冲突压力p及冲突激烈程度tc作为模型输入量，输出变量为穿越意愿高低程度，构建冲突压力隶属度函数，将冲突压力p的论域范围设为{0.1，0.3，0.5，0.7，0.9}，模糊集为{很小(vs)、小(s)、中(m)、大(l)、很大(vl)}。

而且，标车辆穿越与否需考虑与冲突车辆发生冲突的可能性，用tc评估交叉口车辆碰撞的危险程度，假设交通参与者之间存在冲突的点或面，则通过冲突点或冲突面的时间差为tc，用下式表示：

式中：

lcsv(t)——目标车辆csv距离冲突点的距离(m)；

lcfv(t)——冲突车辆cfv距离冲突点的距离(m)；

vcsv(t)——目标车辆csv的速度(m/s)；

vcfv(t)——冲突车辆cfv的速度(m/s)

结合实测数据和现有研究，将冲突激烈程度tc的论域范围设为的论域范围取为{0，3，5，7，10}，模糊集为{很大(vl)、大(l)、中(m)、小(s)、很小(vs)}。

而且，当冲突压力p越大、冲突激烈程度tc越小，驾驶人越有可能选择穿越以获取更好的驾驶条件；反之，冲突压力p越小，冲突激烈程度tc越大，驾驶人穿越的可能性越小。

而且，计算得到车辆合作竞争程度与穿越意愿及驾驶类型之间的对应关系，对模糊推理输出值进行去模糊化处理，用p表示车辆合作程度的输出值，p取0～1之间值，p的量化值越低，表明车辆间竞争越激烈，反之，p的量化值越高，表明车辆间合作程度越高，下面建立模糊推理输出值与交互关系预测结果之间的映射关系，如下式：

其中3表示合作关系，2表示不明确状态，1表示竞争关系，通过车辆交互关系的预测，以解析混行条件下的车-车交互行为，帮助无人驾驶车辆理解、判断周边有人车辆行为。

本发明优点和积极效果为：

基于模糊逻辑方法建立车辆换道交互关系判定模型及交叉口穿越交互关系判定模型，以解析混行条件下的车-车交互行为，帮助无人驾驶车辆理解、判断周边有人车辆行为；并选取中国智能汽车大赛中混行条件下几组路段及交叉口行驶数据作为模型的输入参数，验证车辆换道交互关系及交叉口穿越交互关系判定模型的有效性，结果表明模糊推理方法对车辆换道及交叉口穿越过程中合作竞争程度预测准确率超过87.3％和91.6％，车辆合作与竞争程度越极端，准确率越高，说明无人驾驶车辆具备理解人类行为的能力，这为实现多车协作驾驶奠定基础。

附图说明

图1为本发明中的有人与无人驾驶车辆混行条件下的车-车交互关系图；

图2为本发明中的车辆换道交互关系判定示意图；

图3为本发明中的车辆换道交互关系判定时的驾驶利益差隶属度函数曲线图；

图4为本发明中的车辆换道交互关系判定时的冲突激烈程度隶属度函数曲线图；

图5为本发明中的车辆穿越交互关系判定时目标车道后随车速度隶属度函数曲线图；

图6为本发明中的车辆穿越交互关系判定时目标车道后随车加速度隶属度函数曲线图；

图7为本发明中的车辆穿越交互关系判定示意图；

图8为本发明中的车辆穿越交互关系判定时冲突压力隶属度函数曲线图；

图9为本发明中的车辆穿越交互关系判定时冲突激烈程度隶属度函数曲线图；

图10为具体实施方式中段换道数据样本路段行驶车辆交互关系预测结果图；

图11为具体实施方式中交叉口穿越车辆交互关系预测结果图。

具体实施方式

下面通过附图结合具体实施例对本发明作进一步详述，以下实施例只是描述性的，不是限定性的，不能以此限定本发明的保护范围。

一种有人与无人驾驶混行条件下的车-车交互模型，如图1所示，基于环境感知模块获取无人驾驶车辆和有人驾驶车辆的行驶状态，运用模糊推理建立车辆交互关系判定模型，并以此得到预测结果进行无人驾驶车辆决策，将车辆间驾驶交互行为分为路段交互及交叉口交互两大类，然后应用模糊逻辑方法建立车辆换道交互关系判定模型及车辆穿越交互关系判定模型，该模型综合考虑交互双方换道(穿越)意愿高低与他车驾驶员类型，模糊推理车辆间合作竞争程度，建立模糊推理输出值与交互关系预测结果之间的映射关系，以解析混行条件下的车-车交互行为，帮助无人驾驶车辆理解、判断周边有人车辆行为。

上述车辆换道交互关系判定模型，如图2所示，结合对换道行为交互特性的理解，在建立车辆换道交互关系判定模型时，分为两个步骤：第一步为判断原车道目标车辆的换道意愿高低；第二步为判断目标车道后随车的驾驶类型。综合上述两个步骤推理车辆间交互关系，表示车辆间合作程度高低。

判断原车道目标车辆的换道意愿高低

车辆换道的主要判断标准是能否在满足安全的条件下获得更好的驾驶空间，以车辆换道后增加的驾驶利益(drivingbenefit)△db及与目标车道后车的冲突程度tc作为模型输入量，以换道意愿高低程度作为输出变量。

模型变量及隶属度函数

目标车辆换道意愿的高低，一般来说与下列两个因素有关：

(1)驾驶利益

换道行为的目的是为了提高自身的驾驶利益，目标车辆换道后增加的驾驶利益越大，换道的动机越强，表示车辆换道需求越强烈，由于目标车道与原车道驾驶利益差引起换道意图的产生，而且利益差越大，驾驶人换道意愿越强。原车道驾驶利益考虑了目标车辆与原车道前车的距离li(t)以及速度差△vi(t)，目标车道驾驶利益考虑了目标车辆与目标车道前车的距离lj(t)以及速度差△vj(t)，除此之外，还考虑了车辆类型的修正。

驾驶利益差用δdb表示，其公式如下：

δdb＝dbi-dbj

dbi＝(vpv(t)-vsv(t)+li(t))·α1

dbj＝(vtpv(t)-vsv(t)+lj(t))·α2

式中：

dbi——原车道驾驶利益；

dbi——目标车道驾驶利益；

vsv(t)——目标车辆速度(m/s)；

vpv(t)——原车道目标车辆前车速度(m/s)；

vtpv(t)——目标车道前车速度(m/s)；

li(t)——目标车辆与原车道前车的距离(m)；

lj(t)——目标车辆与目标车道前车的距离(m)；

α1——原车道前车的修正系数；

α2——目标车道前车的修正系数。

结合实测数据和现有研究构建驾驶利益差隶属度函数，将车道驾驶利益差值δdb的论域范围设为{0，5，10，15，20}，模糊集为{很小(vs)、小(s)、中(m)、大(l)、很大(vl)}，驾驶利益差隶属度函数如图3所示。

(2)冲突激烈程度

tc当车辆产生换道意图之后并不会立刻执行换道操作，还需进一步判断是否满足换道安全条件。本章用ttc(timetocollision，ttc)表示与目标车道后车冲突的激烈程度，记为tc。在追尾冲突中碰撞点为后车车头与前车车尾发生接触，因此在计算ttc时应考虑车身长度，则其计算公式为：

式中：

xsv(t)——目标车辆sv当前的位置(m)；

xtfv(t)——目标车道后车tfv当前的位置(m)；

vsv(t)——目标车辆fv速度(m/s)；

vtfv(t)——目标车道后车tfv速度(m/s)；

l——车身长度(m)。

结合实测数据和现有研究将目标车辆与目标车道后车冲突的激烈程度tc的论域范围取为{0，3，5，7，10}，模糊集为{很大(vl)、大(l)、中(m)、小(s)、很小(vs)}。冲突的激烈程度tc隶属度函数如图4所示。

模糊控制规则

换道意愿高低程度用语言变量极低(pl)、低(l)、中(m)、高(h)、极高(ph)表示，由此确定车辆换道意愿模糊规则如表1所示。

表1换道意愿模糊逻辑规则表

由上述分析可知，当车道驾驶利益值△db越大、本车与目标车道后车冲突tc越小，车辆越有可能选择换道以追求更好的驾驶条件；反之，车道驾驶利益值△db越小，与目标车道后车冲突tc越大，驾驶人换道的可能性越小。

目标车道后随车的驾驶类型

当目标车辆产生换道意图后，对于目标车道后车来说，不同的驾驶人类型，车辆选择接受或拒绝换道请求的意愿也不同。如较为保守的驾驶人更容易礼让或者妥协，而较为激进的驾驶人更难以让行其他车辆，因此他车驾驶人类型与车辆交互关系密切相关。

人类驾驶员根据其驾驶激进程度可分为激进型、普通型、保守型三种类型，将车辆速度、加速度作为模型输入量，驾驶激进程度作为模型输出量，构建模糊逻辑规则。

速度、加速度输入值通过以下两个公式得到：

其中vi、ai分别表示i时刻的速度、加速度值，nv、n分别为接收速度、加速度信息所对应的时刻次数。

结合实测数据和现有研究，将目标车辆后随车的速度的论域范围取为{5，10，15，20，25}，模糊集为{很小(vs)、小(s)、中(m)、大(l)、很大(vl)}；将加速度绝对值的论域范围取为{1，2，3}，模糊集为{小(s)、中(m)、大(l)}速度、加速度隶属度函数如图5、图6所示。

根据专家经验法和观察法确定他车驾驶员类型模糊规则，驾驶激进程度分别用语言变量激进(a)、普通(n)、保守(c)表示，如表2所示。

表2模糊逻辑规则表

模糊推理

根据目标车辆换道意愿的高低，以及目标车道后车的驾驶类型，将换道意愿高低及他车驾驶员类型作为输入变量，输出为车辆合作竞争程度高低，车辆合作程度高低值用语言变量高(h)、中(m)、低(l)表示，分别对应他车交互关系为合作关系、不明确、竞争关系3种结果，车辆换道交互关系的模糊逻辑规则如表3所示。

表3车辆换道交互关系模糊逻辑规则表

该部分模糊推理的模糊蕴含关系均采用mamdani法则，解模糊采用重心法，计算得到车辆合作竞争程度与换道意愿、驾驶类型之间的对应关系。

车辆穿越交互关系判定模型，如图7所示，根据交叉口目标车辆的穿越意愿高低及冲突车辆的的驾驶类型，建立车辆穿越交互关系判定模型，利用模糊逻辑方法推理车辆间合作程度高低。

目标车辆穿越意愿的高低

车辆能否穿越交叉口主要与车辆感受的冲突压力及冲突激烈程度有关，以交叉口冲突压力p及冲突激烈程度tc作为模型输入量，输出变量为穿越意愿高低程度。

交叉口目标车辆穿越意愿的高低，一般来说与下列两个因素有关:

(1)冲突压力p一般来说，由于交通规则等原因，会在交叉口产生交通冲突，如直行及左转车辆可能形成交叉冲突，在空间轨迹上产生重合区，极易引发交通事故。因此产生冲突的车辆需要调整通过重合区的时间，从而实现冲突消解。随着驾驶人越靠近冲突点，感受到的冲突压力越大，此时希望尽快穿越交叉口的意愿也会随着压力的增大而增大，穿越概率增加。

为了能更好地描述冲突压力大小，假设在150m车辆进入交叉口有效通信范围，将此处的冲突压力设为0，到达冲突点的压力设为1，冲突压力表达式为:

式中：

p——冲突压力；

li(t)——第i车辆距离冲突点的距离(m)。

以交叉口冲突压力p及冲突激烈程度tc作为模型输入量，输出变量为穿越意愿高低程度。构建冲突压力隶属度函数，将冲突压力p的论域范围设为{0.1，0.3，0.5，0.7，0.9}，模糊集为{很小(vs)、小(s)、中(m)、大(l)、很大(vl)}，冲突压力隶属度函数如图8所示。

(2)冲突激烈程度tc目标车辆穿越与否需考虑与冲突车辆发生冲突的可能性，用tc评估交叉口车辆碰撞的危险程度，假设交通参与者之间存在冲突的点或面，则通过冲突点或冲突面的时间差为tc，用下式表示：

式中：

lcsv(t)——目标车辆csv距离冲突点的距离(m)；

lcfv(t)——冲突车辆cfv距离冲突点的距离(m)；

vcsv(t)——目标车辆csv的速度(m/s)；

vcfv(t)——冲突车辆cfv的速度(m/s)。

结合实测数据和现有研究，将冲突激烈程度tc的论域范围设为的论域范围取为{0，3，5，7，10}，模糊集为{很大(vl)、大(l)、中(m)、小(s)、很小(vs)}。冲突激烈程度tc隶属度函数如图9所示。

模糊控制规则由上述分析可知，当冲突压力p越大、冲突激烈程度tc越小，驾驶人越有可能选择穿越以获取更好的驾驶条件；反之，冲突压力p越小，冲突激烈程度tc越大，驾驶人穿越的可能性越小，由此确定车辆穿越意愿模糊规则如表4所示。

表4穿越意愿模糊逻辑规则表

冲突车辆的驾驶类型

对于交叉口通行车辆来说，不同的驾驶人类型，车辆选择接受或拒绝穿越请求的意愿也不同，冲突车辆驾驶类型的模糊逻辑构建方法同理换道中他车驾驶员类型。根据专家经验法和观察法确定冲突车辆驾驶类型的模糊规则如表5所示。

表5模糊逻辑规则表

将上述两个步骤得到的目标车辆的穿越意愿及他车驾驶员类型作为输入变量，输出为车辆穿越过程的合作程度高低，构建车辆穿越交互关系判定模型。车辆合作程度高低值用语言变量高(h)、中(m)、低(l)表示，分别对应他车交互关系为合作关系、不明确、竞争关系3种结果，车辆穿越交互关系模糊逻辑规则如表6所示。

表6车辆穿越交互关系模糊逻辑规则表

同理该部分模糊推理的模糊蕴含关系均采用mamdani法则，解模糊采用重心法，计算得到车辆合作竞争程度与穿越意愿及驾驶类型之间的对应关系，对模糊推理输出值进行去模糊化处理，用p表示车辆合作程度的输出值。p取0～1之间值，p的量化值越低，表明车辆间竞争越激烈，反之，p的量化值越高，表明车辆间合作程度越高。下面建立模糊推理输出值与交互关系预测结果之间的映射关系，如下式：

其中3表示合作关系，2表示不明确状态，1表示竞争关系。通过车辆交互关系的预测，以解析混行条件下的车-车交互行为，帮助无人驾驶车辆理解、判断周边有人车辆行为。

如图10所示，选择150组真实路段换道数据样本进行车辆合作竞争程度分类，其中3为合作关系，表示他车让行意图，2为不明确，表示他车不确定状态，1为竞争关系，表示他车不让行意图。由图中预测结果可知模型正确识别合作关系样本48个，不明确状态样本38个，竞争关系样本45个，合计正确识别131个，预测准确率为87.3％。车辆合作竞争程度越极端，准确率越高，预测结果为1或3的准确率均超过90％，说明无人驾驶车辆具备理解人类行为的能力，为有人与无人驾驶车辆协作奠定基础。

如图11所示，选择120组交叉口穿越数据样本进行车辆合作竞争程度分类，其中3为合作关系，表示他车让行意图，2为不明确，表示他车不确定状态，1为竞争关系，表示他车不让行意图。由图中可知模型正确识别合作关系样本38个，不明确状态样本35个，竞争关系样本37个，合计正确识别110个，检测准确率为91.6％。模糊推理方法对车辆的合作程度预测准确率超过90％，说明无人驾驶车辆具备理解人类行为的能力，为有人与无人驾驶车辆协作奠定基础。

尽管为说明目的公开了本发明的实施例和附图，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换、变化和修改都是可能的，因此，本发明的范围不局限于实施例和附图所公开的内容。