一种单车智能车辆与人工驾驶车辆的交互策略优化方法

本发明涉及自动驾驶决策与交通安全领域，具体是一种单车智能车辆与人工驾驶车辆的交互策略优化方法。

背景技术：

1、本发明旨在研究自动驾驶渗透水平由低到高变化下，城市交叉口汇集多种交通参与者异质交通流的冲突博弈问题，尤其针对单车智能车辆与人工驾驶车辆之间的冲突问题，考虑到自动驾驶交通场景下，如何同时保证单车智能车辆与人工驾驶车辆之间的博弈均衡，即在智能车辆和人工驾驶车辆混行态环境下，兼顾安全与效率的交通管理、载运工具策略制定相关理论和解决方法是迫切需要攻克的难题。

2、《智能网联汽车技术路线图2.0》研究判断，到2025年，我国pa、ca级智能网联汽车销量占当年汽车总销量比例超过50％，c—v2x终端新车装配率达50％，未来智能单车和智能网联汽车形成混行交通流是汽车行业发展要求下的必然趋势。然而，单车智能是1，网联赋能是0，没有前面的1，车路协同网联环境根本无法实现。现阶段很多企业所研究的自动驾驶都是单车智能模式，即车辆配备硬件设备，写入智能软件系统，实现高级辅助驾驶系统。因此，研究单车智能车辆和人工驾驶车辆的冲突博弈问题是当前亟需解决的问题。

3、随着当下智能单车的占比增加，自动驾驶车辆将与人类驾驶员共享道路，虽然智能单车可以通过自身感知设备获取周围信息，但无法准确理解和预测人工驾驶车辆的驾驶行为；而人工驾驶车辆由于人类驾驶员的视野和注意力限制，无法感知视野盲区内的车辆驾驶情况，因此单车智能在与人工驾驶车辆交互的情况下，很难采取令人满意的策略，因而会出现冲突风险增加和潜在效率损失的情况(如图1所示)，存在不同智能水平下人车的交互风险。

4、交叉口是道路交通中最拥堵、最复杂的场景，同时也是容易发生交通事故的场景。交叉口场景的特点是车与车之间的决策相互干扰、相互影响。因此，在自动驾驶和人类驾驶员共享道路的复杂场景下，尤其是交叉口场景，研究自动驾驶与人工驾驶车辆之间的交互策略具有重要意义。目前相关方面研究存在着自动驾驶车辆及混行态交通流人车交互均衡博弈的揭示不足的问题，尚没有一个统一的、能够指导自动驾驶与其他多车进行交互的决策解决方案。

5、基于此，本发明提出一种单车智能车辆与人工驾驶车辆在交叉口环境下的交互策略的优化方法，用于探讨交叉口混合智能汽车间因人类驾驶员驾驶行为的难以预测而造成的安全问题。

技术实现思路

1、为了弥补现有技术问题的不足，本发明的目的在于一种单车智能车辆与人工驾驶车辆的交互策略优化方法，通过混合自动驾驶跟驰模型与跟驰模型的耦合建模，再利用动态博弈模型反映博弈双方的动态反馈机制以及行为-风险双向影响机制的内在特点，从而求解混行态下动态博弈模型的均衡点，解决现有技术当中对单车智能自动驾驶车辆与人工驾驶车辆交互博弈理论建模深度浅的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、一种单车智能车辆与人工驾驶车辆的交互策略优化方法，包括以下步骤：

4、(1)获取大量交叉口人车交互场景视频，通过人工筛选出冲突区域可能发生车辆交互的视频片段，从视频片段中提取出车辆的运动轨迹特征、道路基本参数交通参数；

5、(2)构建考虑驾驶风格的跟驰模型，跟驰模型包括单车智能跟驰模型、人工驾驶跟驰模型，用于获取单车智能或人工驾驶汽车混行状态下的加速度；

6、(3)在模拟器中进行场景搭建，并将人工驾驶跟驰模型轨迹特征导入模拟器，在模拟器中生成贴近真实场景的人工驾驶车辆的交通流；

7、(4)通过调查问卷筛选，将即将参与驾驶模拟实验的驾驶员分为谨慎、适度、激进三种不同驾驶风格的驾驶员；被试者使用驾驶模拟器在生成的道路场景中进行驾驶模拟实验，采集被试者的驾驶数据，通过机器学习对实验数据进行聚类分验证问卷结果的准确性，筛选出准确区别谨慎、适度、激进三种不同驾驶风格的驾驶员的驾驶数据；

8、(5)在sumo和carla仿真平台的开源场景中找到一条包含无信号十字交叉口的路段，基于人工驾驶车辆跟驰模型在该路段生成车队；

9、(6)通过步骤(4)中筛选出来的驾驶数据，对自动驾驶汽车模型进行人为参数标定，从而将自动驾驶车辆划分为不同的驾驶风格，不同的驾驶风格的自动驾驶汽车通过不同颜色区分开来，并基于单车智能跟驰模型在步骤(5)路段中随机生成各类型的单车智能车辆；

10、(7)构建无信号交叉口混合交通流信息非完全态的车车博弈通行决策均衡模型，车车博弈均衡模型中嵌入有跟驰模型，利用跟驰模型获得的混行状态下的车辆加速度作为解释变量的一部分，并从行车安全、行车效率和行车舒适性角度综合因素构建车辆通行决策的收益函数；

11、(8)利用sumo和carla对单车智能主体车与与其具有冲突的不同类型人工驾驶汽车进行博弈仿真；仿真时通过无信号交叉口混合交通流信息非完全态的车车博弈通行决策均衡模型获得当前情况下最优策略组合，根据当前情况下最优的组合对自动驾驶车辆的车速进行引导，若引导后的单车智能主体车与其它车辆之间的冲突还未消解，则再次重新仿真，通过反复迭代引导直到冲突消解，得出此类型下混行态下自动驾驶车辆与人工驾驶车辆交互博弈的“效率-安全”优化方案。

12、所述人工驾驶跟驰模型为：

13、

14、利用实际数据中不同车辆速度下的驾驶人反应时间，得到了反应时间t与车辆速度v的拟合函数，即t＝f1(vn)；

15、利用实际数据进行拟合，得到速度误差的平方γ2与实际速度vn之间的关系，即

16、γ2＝f2(vn)；

17、

18、

19、其中，v2(t)为主体车在t时刻的速度，ωi表示第i类驾驶人的加速度策略，i＝1，2，3分别表示激进型、常规型和谨慎型；vf(·)为主体车对紧邻前车的最优速度函数，为第i类驾驶人的主体车n与紧邻前车的车间距，λ1为人工驾驶主体车对速度差的敏感性系数；l是主体车的长度；δxa为实际车间距；δvn(t)＝vn-1(t)-vn(t)为人工驾驶主体车与紧邻前车之间的速度差；

20、所述单车智能跟驰模型为：

21、

22、p2为紧邻前车对智能主体车的影响权重，(1-p2)为紧邻后车对智能主体车的影响权重；vr(·)为主体车对紧邻后车的最优速度函数，λ2为智能主体车对速度差的敏感性系数；τ2为紧邻前车对智能主体车的影响权重，(1-τ2)为紧邻后车对智能主体车的影响权重；δvn+1(t)＝vn(t)-vn+1(t)为智能主体车与紧邻后车之间的速度差；k2为智能主体车对加速度差的敏感性系数；ξ2为紧邻前车对智能主体车的影响权重，(1-ξ2)为紧邻后车对智能主体车的影响权重；δan(t)＝an-1(t)-an(t)为主体车与紧邻前车之间的加速度差，δan+1(t)＝an(t)-an+1(t)为主体车与紧邻后车之间的加速度差。

23、单车智能主体车与其它车辆存在冲突的判断方法如下：

24、通过车载设备实时且连续接收车辆状态信息，实时计算车辆发生碰撞需要的时间ttc与安全防撞时间阈值tth进行比较；当ttc＞tth时，表示不存在冲突则不需要博弈，正常行驶通过交叉口；当ttc≤tth时，表示存在冲突，即博弈。

25、车辆发生碰撞需要的时间ttc的计算具体如下：

26、令自动驾驶车辆1发现人工驾驶车辆2的时刻为t0，车辆1与车辆2任一车辆先到达a点到位时刻为tk，将t0→tk时段等分成k份，即[t0,t1],[t1,t2],…，[tk-1,tk]；车辆1与车辆2在每一时段进行加速抢先、保持匀速和减速礼让决策；设车辆1与车辆2在tj时刻的速度、加速度分别为和到交叉口冲突点的距离为对于自动驾驶车辆1，是已知参数，即车辆1根据tj-1时刻车辆2的速度和加速度，预测车辆2在tj时刻的速度与加速度假设每一时段内车辆的加速度是恒定的，则车辆1认为车辆2在tj时刻的速度和加速度分别为：

27、

28、

29、式中，j＝1,2，…，k；δt为每一时段的时间长度；为车辆2的初始速度、初始加速度；

30、根据gps定位系统发送的当前车辆状态信息可计算得出车辆1的运动轨迹：

31、

32、式中，i为车辆的类型，i＝1，2分别代表人工驾驶车辆和单车智能汽车；为车辆i在tj时刻相对于x、y坐标轴的位置，为车辆i的初始位置，φi为车辆行驶的航向角；

33、车辆按照直线行驶：

34、

35、或

36、车辆运动轨迹可使用矢量法构建运动轨迹模型，将车辆看成以质点为圆心的一个圆，车辆对角线是车辆最长的直径，以对角线为圆的直径，半径为ri的圆模型，若两车在c点发生碰撞，两圆的位置状态是相切或相交；假设车辆1在ta时刻到达碰撞点，车辆2在tb时刻到达碰撞点；

37、在tj时刻，设车辆1的质心为速度为车辆2的质心为速度为则两圆心之间的距离d为：

38、

39、d≤r1+r2

40、

41、当ta＝tb时，两车到达碰撞点位置的时间相同，求碰撞的位置；若有解，则两车存在冲突；若无解，两车之间不存在冲突；

42、在tj时刻，设车辆1的质心为速度为航向角车辆2的质心为速度为航向角可以得出公式：

43、

44、两质心相连接求出两点间距离

45、

46、车辆2的相对速度δvj在直线上的投影为：

47、

48、两车相遇产生冲突的时间ttcj为：

49、

50、解释变量包括性格因子、车辆速度、车辆加速度、到达碰撞点的时间、到达碰撞点的距离。

51、构建无信号交叉口混合交通流信息非完全态的车车博弈通行决策均衡模型的步骤包括：

52、将s定义为博弈参与者的选择集，s1为自动驾驶的决策集，s2为人工驾驶的选择集，规定博弈双方在交互过程中会采取最高效用的决策，并假定对方同样采取这样决策策略，同时考虑风险变化对于决策效益的负向影响；

53、假设自动驾驶决策s1＝{加速，减速}，人工驾驶决策s2＝{加速，减速}；

54、从行车安全、行车效率和行车舒适性角度综合因素构建车辆通行决策的收益函数：

55、

56、其中，表示车辆i在第j个时间段的收益水平，i＝1、2分别代表自动驾驶汽车和人工驾驶汽车，j＝1,2，…，k；α、β、δ分别为安全收益、效率收益、舒适收益的权重系数，且α+β+δ＝1；

57、行车安全效益函数

58、

59、式中，令μ为性格因子，不同驾驶风格的驾驶员类型之间存在相对的势为ε(μ1，μ2)，驾驶员的策略显然和ε(μ1，μ2)有关，其中μ1、μ2分别为自动驾驶汽车1与人工驾驶车辆2的驾驶风格；假设在采取某种博弈策略后，车辆1在时刻到达碰撞点，车辆2在时刻到达碰撞点；是车辆当前位置到达交叉口冲突点的距离，l为车辆间相互产生影响的最长距离范围；

60、行车效率收益函数

61、

62、式中，v0j为车辆博弈前的初始速度；为车辆博弈过程的加速度；为车辆当前位置到达冲突点的距离；为车辆i以某种加速或减速行驶策略计算出到达冲突点的时间；

63、假如实际以先匀速后加速或减速进行博弈其推导公式(29)：

64、

65、行车舒适收益函数

66、

67、式中，表示车辆i在t+1时刻的加速度，表示车辆i在t时刻的加速度；amax表示车辆最大加速度；amin表示车辆最小加速度；用δai表示纵向加速度在某一段时间内的变化率；

68、约束条件：

69、(1)位置约束

70、为了避免车辆在无信号控制的交叉口发生碰撞，车辆运动轨迹空间位置冲突点的消解是不易实现的，而时间冲突可通过速度调节进行消解；将车辆的模型简化成圆，根据圆的坐标计算出两圆的距离，当两圆不相交也相切时，才能保证不会有冲突，即两车位置约束条件是要满足两车之间的距离大于两个车的半径和，才能保证两车不会相撞；对于任意局中人c1、c2的位置约束条件：

71、

72、式中，(x1,y1)、(x2,y2)代表着车辆1和车辆2的位置坐标，r1、r2为参与交叉口冲突博弈的车辆1和车辆2半径；

73、(2)速度约束

74、车辆在交叉口处汇集时应提前减速慢行观察，速度过快驾驶员周围的环境不了解，遇到行人横穿马路或车辆冲突在短时间内无法做出准确的判断和合理的决策，容易导致事故发生；速度过慢或停车等待会影响其他车辆的运行，容易造成拥堵现象；无信号交叉口车速约束条件为：

75、0≤vi≤vmax

76、式中，vi为参与无信号交叉口博弈的车辆速度，vmax为无信号交叉口车辆最大限速；

77、(3)加速度约束

78、纵向最大加速度大小不仅影响着车辆行驶的速度，也对驾驶员的舒适性有着较大影响，较大的加速度会使驾驶员较大产生推力感，减速度过大乘客会因为惯性向前倾倒趋势，过大的加速度造成燃油消耗增加，导致汽车尾气排放的加重；加速度的约束条件为：

79、amin≤ai≤amax

80、式中，amin为最小加速度，amax为最大加速度，加速度的阈值决定车辆的稳定性和舒适性。

81、与现有技术相比，本发明的有益效果是：

82、1、本发明基于混合自动驾驶跟驰模型，结合重复博弈算法，建立混合自动驾驶交通流车车交叉口动态博弈模型，利用动态博弈模型反映博弈双方的动态反馈机制，考虑不同驾驶风格对车辆行驶工况的影响，以车辆安全、效率、舒适为目标建立收益函数，通过纳什均衡求出最优组合策略，解决现有技术当中对混合自动驾驶车车交互博弈理论建模深度浅的问题。

83、2、本发明基于sumo和carla的联合仿真，使用较为成熟的方案为求解重复博弈下交叉口车车博弈的最优策略组合，多次迭代实时更新至交叉口处的冲突消解博弈结束，可以得出混行态下行人与自动驾驶车辆交互博弈的“效率-安全”优化方案，为不同自动驾驶渗透水平的交互博弈模型提供建模思路。