一、研究背景及意義
　　1.智能駕駛技術(shù)
　　智能駕駛技術(shù)的首要目的就是保障交通安全。因此，智能駕駛汽車的相關(guān)系統(tǒng)設(shè)計最初的角度主要是安全。目前，隨著智能駕駛技術(shù)的逐漸發(fā)展，在保障安全的前提下，可以進一步地考慮安全與效率之間的平衡關(guān)系。
　　2.量化交通環(huán)境的風(fēng)險
　　在智能汽車的整個行駛過程中，無論是跟馳、換道還是交叉口通行，都需要考慮行車環(huán)境的風(fēng)險問題。但是，如何對該風(fēng)險進行量化仍然是一個值得探索的問題。目前，智能汽車都是以一種相對客觀方法對風(fēng)險水平進行量化。但是在實際駕駛過程中，駕駛?cè)耸峭ㄟ^對周圍環(huán)境的感知對風(fēng)險進行主觀的評價。量化這種駕駛?cè)酥饔^感知的風(fēng)險才能夠更好的建模駕駛?cè)说鸟{駛行為，以及應(yīng)用于自動駕駛系統(tǒng)，使得自動駕駛系統(tǒng)的決策過程與人的期望保持一致，來提高駕駛?cè)藢ψ詣玉{駛的信任度，這具有重要的意義。但是由于主觀感知風(fēng)險是一個不可直接測量的量，因此需要通過一些可測量的量來間接的對該風(fēng)險進行量化。

3.駕駛?cè)说臎Q策機制
　　已有的駕駛行為模型很多是基于具體場景的，例如跟馳，換道等。但是由于交通的場景復(fù)雜多變，面向不同的場景構(gòu)建不同的模型會導(dǎo)致模型數(shù)量的膨脹，對智能控制決策帶來一定的影響，這是基于場景的建模方法面臨的最大的問題。駕駛?cè)藢嶋H上在不同場景中的決策被認(rèn)為是統(tǒng)一的，具有相同的決策機制。通過探究統(tǒng)一的駕駛?cè)藳Q策機制，建立不依賴于具體場景的行為模型是一個值得研究的問題。
　　二、基于場論的駕駛?cè)酥饔^風(fēng)險量化
　　1.整體思路

基于場論的方法來對駕駛?cè)说闹饔^感知風(fēng)險進行量化的目標(biāo)是使得量化的方法以及量化的結(jié)果與具體的場景無關(guān)，只與場景中存在的交通要素的自身屬性有關(guān)。交通場景中存在的一些靜態(tài)環(huán)境要素，例如車道線，道路邊緣線，護欄等，都會在它自身周圍區(qū)域產(chǎn)生一定的風(fēng)險來影響其它車輛的路徑規(guī)劃。對于交通場景中的運動物體，同樣會在其自身周圍區(qū)域產(chǎn)生一定的風(fēng)險，但是該風(fēng)險影響區(qū)域會跟隨著車輛進行變化，使得其它車輛在進行路徑規(guī)劃時還需要對該風(fēng)險的變化進行一定的預(yù)測。這些交通要素產(chǎn)生的風(fēng)險只與其自身的位置，屬性，以及運動狀態(tài)有關(guān)，與具體的環(huán)境無關(guān)。例如，速度更高的運動物體有著更高的不確定性，都會在其自身周圍范圍產(chǎn)生一個更高的風(fēng)險，使得其他車輛在路徑規(guī)劃時與其保持更遠(yuǎn)的距離。最后，通過將不同交通要素在其周圍產(chǎn)生的風(fēng)險進行疊加形成統(tǒng)一的風(fēng)險場，完成對整個交通環(huán)境的整體描述，以便于后續(xù)的行為決策建模。
　　2.場論約束

基于場論對風(fēng)險進行量化存在以下三點基本假設(shè)：（1）風(fēng)險場中風(fēng)險的最大值為1，僅存在于不可越過的障礙物所覆蓋的區(qū)域；（2）每個要素產(chǎn)生的對應(yīng)的風(fēng)險場都是以自身為中心的；（3）通過取最大值的方式來對不同要素產(chǎn)生的風(fēng)險場進行疊加得到最終的交通環(huán)境風(fēng)險場。運動車輛產(chǎn)生的風(fēng)險場如上左圖所示，在一個路段上增加車道線以及道路邊緣產(chǎn)生的風(fēng)險場如上中圖所示，在一個信號控制交叉口中增加由于動態(tài)交通管控信息產(chǎn)生的動態(tài)風(fēng)險場如上右圖所示。車輛會在其所處的風(fēng)險場環(huán)境中，受到環(huán)境風(fēng)險的綜合作用來構(gòu)建期望的路徑。

3.風(fēng)險函數(shù)
　　以運動車輛為例，其會對時空中的任意一點產(chǎn)生風(fēng)險，該風(fēng)險僅與它的位置、尺寸和速度等屬性有關(guān)。隨著車輛速度的增加，車輛的不穩(wěn)定性增加，其會對周圍產(chǎn)生更大的風(fēng)險。其次，隨著相對距離的減小，這些位置更容易受到車輛的影響，則有著更大的風(fēng)險。此外，考慮到車輛作為一個不可越過的障礙物，在其覆蓋范圍內(nèi)風(fēng)險均等于最大風(fēng)險。同時在車輛的縱向和橫向上對風(fēng)險場模型進行構(gòu)建，并在其他區(qū)域綜合考慮兩個方向的風(fēng)險，完成了對車輛周圍影響區(qū)域的風(fēng)險量化。其中，對于不同類型的車輛，模型待定參數(shù)和可能存在一定的差異，以此來考慮車輛其它屬性對風(fēng)險的影響。

最后，將所有要素產(chǎn)生的風(fēng)險場通過坐標(biāo)系變換轉(zhuǎn)換到相同坐標(biāo)系下，并通過取最大值的方式對它們進行疊加，都能夠得到所需的能夠描述交通環(huán)境對車輛運動約束的統(tǒng)一風(fēng)險場。

三、基于風(fēng)險量化的軌跡的規(guī)劃模型
　　1.風(fēng)險動態(tài)平衡原理
　　心理學(xué)上存在兩個經(jīng)典理論，風(fēng)險動態(tài)平衡理論和行為補償理論。類似于人的血壓是一定時間內(nèi)是在一個固定值的基礎(chǔ)上進行波動的。這兩個理論也認(rèn)為在面對任何場景的時候，駕駛?cè)舜嬖谝粋€固定的可接受風(fēng)險水平，駕駛?cè)送ㄟ^行為調(diào)整使得其主觀感知的風(fēng)險在可接受風(fēng)險水平上下波動。此外，該固定不變的期望風(fēng)險也為主觀感知風(fēng)險的量化提供依據(jù)。

2.預(yù)瞄理論
　　另一個描述駕駛?cè)诵袨榈睦碚撌穷A(yù)瞄理論。它認(rèn)為駕駛?cè)藭ㄟ^行為調(diào)整使得自車在預(yù)瞄時間后到達(dá)期望的位置，再結(jié)合風(fēng)險動態(tài)平衡理論，期望位置對應(yīng)的風(fēng)險可以被認(rèn)為是期望風(fēng)險。該預(yù)瞄時間大致是在0.5到1.5 s的范圍內(nèi)，一般可以取為1.5 s。因此，整個模型的構(gòu)建思路就是，駕駛?cè)伺袛囝A(yù)瞄時間后車輛承受的風(fēng)險是不是等于期望風(fēng)險。與此對應(yīng)的駕駛?cè)丝刂撇呗跃褪侨绻惺艿娘L(fēng)險小于期望風(fēng)險，就可以通過加速提前通過該位置，到達(dá)風(fēng)險相對更高的位置來獲取更高的收益。如果承受的風(fēng)險大于期望風(fēng)險，就可以通過減速延遲通過該位置，損失一定的通行效率來保障行車安全。

四、軌跡規(guī)劃模型的實際應(yīng)用
　　通過風(fēng)險場構(gòu)建的軌跡規(guī)劃模型被具體在跟馳和換道場景中進行簡單的應(yīng)用。首先，基于風(fēng)險動態(tài)平衡理論對模型參數(shù)進行簡單的標(biāo)定。其核心在于不同的穩(wěn)定狀態(tài)下，駕駛?cè)吮３种嗤钠谕L(fēng)險水平。以跟馳場景為例，在不同速度下的穩(wěn)定跟馳場景中，駕駛?cè)烁兄降闹饔^風(fēng)險均在期望風(fēng)險水平上下波動。此外，當(dāng)前后車保持靜止時亦處于穩(wěn)定狀態(tài)，駕駛?cè)烁兄娘L(fēng)險也將位于期望風(fēng)險水平附近。通過選取了一些特殊點，我們代入模型中對三個模型參數(shù)進行標(biāo)定。標(biāo)定的參數(shù)為，，。隨后，我們在選擇了一個NGSIM的實際跟馳案例來對模型效果進行驗證，模型對該案例較好的擬合結(jié)果也表明了模型能夠?qū)ΩY以及停車起步的駕駛行為進行建模。

也將該模型與已有的經(jīng)典跟馳模型（期望安全裕度模型，DSM和智能駕駛?cè)四Ｐ停琁DM）進行了模型對比。通過對比三個模型對跟馳案例建模的誤差可以發(fā)現(xiàn)，提出的模型相較于IDM模型有著更好的擬合效果。這也就進一步證明了模型在跟馳場景中的有效性。同時也與已有的駕駛?cè)酥饔^感知風(fēng)險的量化指標(biāo)安全裕度（SM）進行比較，也發(fā)現(xiàn)兩者的變化趨勢較為一致。

該模型也被應(yīng)用于換道場景，在換道場景中對模型進行驗證。換道場景中可以分為換道空間不滿足時的強制換道，此時換道車輛需要等待或者緩慢進行切入。另一種是自由換道，通常是換道的空間足夠大。此外，由于產(chǎn)生換道意圖時換道車輛與目標(biāo)車輛的相對位置的差異，換道車輛在換道過程中可能是加速也可能是減速。此外，車輛在換道過程中，由于汽車動力學(xué)的相關(guān)關(guān)系，車輛的橫向速度和縱向速度之間存在著一定的關(guān)系，需要基于車輛的縱向速度對車輛的橫向速度進行約束。

選擇了一個換道的自然駕駛數(shù)據(jù)進行建模。通過將仿真數(shù)據(jù)與實際數(shù)據(jù)進行對比可以發(fā)現(xiàn)，模型能夠?qū)Q道行為進行良好的行為建模。此外，該案例在換道結(jié)束后存在著跟馳場景?？梢园l(fā)現(xiàn)，在使用完全相同的模型以及模型參數(shù)的情況下，模型能夠同時對跟馳和換道行為進行建模。通過該案例證明了模型能夠應(yīng)用于不同的場景中對駕駛行為進行統(tǒng)一的建模。

此外，不同的駕駛?cè)嗽诟Y過程中的期望風(fēng)險可能不一樣。如下圖所示，IDM對該駕駛行為的擬合相對較差。模型使用普適性的參數(shù)也不能很好的適用于該特殊的駕駛?cè)?。?dāng)我們通過增加模型中的期望風(fēng)險就能夠?qū)υ擇{駛?cè)说母Y行為進行很好的建模。該結(jié)論表明了模型能夠較方便的調(diào)整來對不同類型的駕駛?cè)说男袨檫M行差異化的行為建模。

整體而言，首先，我們提出了一個與場景無關(guān)的駕駛?cè)酥饔^感知風(fēng)險量化方法。其次，基于該風(fēng)險量化方法提出的軌跡規(guī)劃模型能夠在跟馳和切入場景中有效描述實際的駕駛行為。該模型可以用于預(yù)測不同類型駕駛?cè)说男旭傑壽E，也可以描述駕駛?cè)说男袨闆Q策，同時也能為自動駕駛系統(tǒng)提供一種類人的軌跡規(guī)劃方法，具有一定的參考意義。