基于安全风险预测的自动驾驶自适应巡航控制优化
摘要
：从周边车辆运动学状态参数和道路设施条件参数中提取场景特征指标和安全风险度量指标，采用极端梯度提升模型（XGboost
）和长短时记忆模型（
LSTM
）进行安全风险预测，由此提出基于安全风险预测的自动驾驶自适应巡航控制（ACC
）优化方法，并选取碰撞发生概率、速度平均值、速度标准差3
种指标评价
ACC
表现。通过
Prescan
和
Simulink
联合仿真推演，验证了 ACC
优化方法的合理性和有效性。结果表明，基于安全风险预测的 ACC
优化方法的控制表现优于一般ACC
；利用
LSTM
预测安全风险，相比
XGboost
具有更好的 ACC
优化表现；预测安全风险时增加道路设施条件参数，显著提升了 ACC
表现，降低了自动驾驶碰撞发生概率。
关键词
：交通运输；自动驾驶；安全风险预测；控制优化；仿真推演
巡航控制是自动驾驶汽车决策控制系统重要组成之一
。频繁加减速、紧急制动等巡航控制，不仅影响交通通行效率和稳定性
，还会影响车辆行驶过程中的安全性和舒适性
，甚至导致严重的碰撞事故
。预测自动驾驶汽车行驶过程中安全风险并进行合理有效的巡航控制，对提升自动驾驶汽车应急避险能力、降低碰撞事故发生概率具有重要意义。
自动驾驶巡航控制通常包括自适应巡航控制（adaptive cruise control
，
ACC
）
、协同自适应巡航控制（cooperative adaptive cruise control
，
CACC
）
等。ACC
原理是基于目标前车的运动学状态，根据车头间距
、车头时距
等利用车辆运动学模型
行速度控制。然而，在有车辆切入
、切出
等道路交通条件复杂
的路段，自动驾驶汽车难以保证ACC和
CACC
响应的及时性和有效性。虽然有研究将周边更多目标车的运动学状态和驾驶行为特征纳入巡航控制考虑之中，并定义了风险场
、风险域
等来量化周边车辆对自动驾驶汽车造成的潜在威胁，但是，基于多目标车的ACC
控制策略在叠加多车综合影响时存在困难，因此难以应用到实际车辆控制系统中。此外，传统ACC
策略没有将道路设施条件考虑在控制模型中，自动驾驶汽车不会因道路线形变化、匝道出入口等进行速度优化，导致ACC 在复杂道路设施条件和复杂交通条件耦合作用下响应不及时，易引发自动驾驶汽车人工接管或碰撞。近年来，不少研究通过深度强化学习
等方式，提出了端对端的控制策略
，这不仅可辨别造成自动驾驶潜在碰撞的风险源，还可实现自动驾驶汽车轨迹选择和路径规划，如变道轨迹优化、纵向速度控制等。然而，深度强化学习对用于模型训练的数据规模和数据质量要求高，且难以解释其内在关联性，因此“稀疏”和“长尾”场景中存在决策失效的潜在隐患。
本文考虑自动驾驶汽车和周边车辆的运动学状态以及道路设施条件，量化自动驾驶汽车行驶过程中安全风险并利用深度学习等模型进行安全风险预测，由此提出基于安全风险预测的自动驾驶ACC
控制优化方法。搭建基于 Prescan
和
Simulink
的联合仿真推演平台，构建自动驾驶汽车安全风险预测模块和ACC
优化模块，基于实际导入的路网开展仿真模拟，验证ACC
优化方法的合理性和有效性。
1 模型与方法
1. 1 名词定义
（
1
）最小车头间距：自动驾驶汽车跟随前车稳定行驶时预设的最小跟车距离。最小车头间距越大，自动驾驶汽车有更长的时间对前车行为做出反应。
（
2
）自动驾驶限速：预设的自动驾驶汽车最大速度，依据道路限速和驾驶习惯自主设定，且不应超过道路限速和自动驾驶汽车运行设计域（operationaldesign domain，
ODD
）的速度要求。
（
3
）安全风险度量指标：自动驾驶汽车行驶过程中，表征其安全风险程度的定量化评价指标，包括碰撞时距（time to collision
，
TTC
）、避免碰撞减速率（deceleration rate to avoid a crash
，
DRAC
）、单步概率驾 驶 风 险 场（single step probabilistic driving risk field，
SPDRF
）等。本文提出基于概率的指标进行安全风险度量。
（
4
）场景特征指标：场景特征指标指从自车和周边车辆运动学参数和道路设施条件参数中提取，用作自动驾驶汽车场景描述的指标。
（
5
）预测时长：预测时长是预测时刻与当前时刻的时间差。
（
6
）
ACC
控制优化：在
ACC
的基础上，自动驾驶系统根据周边车辆运动学状态和道路设施条件，进行的速度控制优化。本文仅指纵向速度控制优化，不涉及自动驾驶汽车变道控制。
1. 2 参数与指标
1. 2. 1 场景特征指标
自动驾驶汽车运行安全风险与周边车辆的运动学状态相关。选取车辆运动学参数包括自车速度、自车加速度、前车速度、前车加速度、跟车间距、周边车辆（除前车）平均速度、周边车辆速度标准差等 7个参数。此外，道路曲率、交叉口或匝道出入口、中央分隔带可通过性等道路设施条件也会影响自动驾驶汽车运行安全风险。本文以快速路作为实验场景，主要考虑道路曲率和匝道出入口对安全风险的影响。选取道路曲率半径和距匝道出入口的距离2 个道路设施条件参数。针对不同安全风险预测模型，提取不同的场景特征指标。在长短时记忆（long short-
term memory model
，
LSTM
）模型中，提取以上9个参数的时间序列构成场景特征指标用作场景描述。在 极 端 梯 度 提 升（extreme gradient boosting
，XGboost）模型中，提取以上
9
个参数中每个参数时间序列的均值、标准差、最大值、最小值，耦合成 36个场景特征指标用作场景描述。
1. 2. 2 安全风险度量指标
常用安全风险度量纵向指标有
TTC
、
DRAC等，主要考虑车辆发生纵向碰撞的风险。横纵向指标有SPDRF
等，同时考虑车辆发生横纵向碰撞的风险。本文在SPDRF
指标的基础上，提出综合碰撞概率指标（synthetic collision probability index
，
SCPI
）作为安全风险度量指标。SCPI
值介于
0
和
1
之间，表征车辆在一段时间内发生碰撞的综合概率。