超高速公路自动驾驶车辆换道轨迹规划策略

摘 要： 为提高自动驾驶车辆在超高速公路行驶的安全性，提出了一种换道轨迹规划策略。首先，采用5 次多项式生成一般变道轨迹簇，以车辆动力学极限和周围交通车辆为约束，将轨迹规划问题量化为求解换道行为持续时间；接着，考虑车辆动力学约束，建立了车辆动力学模型和Brush 轮胎模型，基于所建立汽车模型的轮胎侧向力数据求解轮胎侧偏刚度，辅以魔术轮胎模型，验证所求轮胎侧偏刚度；然后，引入质心侧偏角-横摆角速度相平面，得到高速车辆安全驾驶包络线，并给定多组车速和附着系数进行CarSim 仿真训练，确定满足车辆动力学约束的最短换道时间；最后，考虑与周围交通车辆的避撞约束，分析3 种典型的换道场景，基于单障碍车的位置，确定满足避撞要求的最短与最长换道持续时间，建立满足安全换道要求的换道持续时间阈值模型。经多参数安全换道域检验，所建立的车辆安全换道持续时间边界模型能够在给定参数下求解出安全可行的换道轨迹，为超高速公路换道行为提供轨迹参考，提高超高速公路换道行为的安全性。

关键词： 自动驾驶；转向稳定性；轨迹规划；超高速公路；建模仿真

1951 年版的《公路工程设计准则（草案）》规定我国公路最高设计车速为120 km/h ，并沿用至今。发达国家高速公路设计车速普遍高于我国，并有进一步提高的趋势。2016 年，本团队首次提出了超高速公路的概念，并对超高速公路进行了等级划分 。在“交通强国”和“新基建”战略要求推进下，智慧高速成为我国基础设施建设的热点之一。我国首条“超级高速”杭绍甬智慧高速公路于2023 年底通车，其最高试行限速可达150 km/h 。随着车辆自动化程度的提高和道路基础设施的健全，以无人驾驶车辆为服务对象的超二、超三级高速公路有着很大的发展潜力。

据美国公路交通安全管理局和美国交通运输部2020年的报告， 94% 的车祸是由人为失误引起的   。自动驾驶技术的研究和应用理论上能够减少因驾驶员驾驶速度过快、反应时间过长和操作不当等人为因素所造成的严重交通事故，不但可以减轻驾驶员的繁重工作量，还能增强超高速公路行驶的安全性。换道行为是驾驶员针对周围信息做出的综合非量化决策，与跟驰行为相比更为复杂，更容易引发交通事故和道路堵塞 。换道轨迹规划是为了寻求车辆在当前行车环境及车辆运动约束条件下的最优解。当周围存在障碍车辆，主动安全系统根据 碍车位置、车速等信息快速进行轨迹规划。随着速的增加，换道时长与距离也相应增加，故针对超高速公路建立一个安全、准确的换道轨迹规划模型尤为重要。选择适当的换道轨迹，关系超高速行驶下 车 辆 换 道 行 为 的 安 全 性、经 济 性 与 舒 适 性。因此，对超高速公路自动驾驶车辆换道轨迹规划策略的研究具有重要的意义。

文中以换道行为持续时间量化换道轨迹，换道过程中高速驾驶车辆的稳定性和安全性也随着换道持续时间的延长而提高；选用5 次多项式曲线生成一般换道轨迹簇，建立横摆角速度约束模型，确定满足车辆性能的最短换道时间，以期为紧急避撞系统提供参考值；分析了3 种典型换道场景，建立安全换道时间阈值模型和安全换道域模型，从一般换道轨迹中提取可行且安全的换道轨迹。

1　关键技术概述

1. 1　超高速公路

2018 年，本团队立足于现有技术水平，经多轮专家论证，基于设计速度划分超高速公路服务等级 。 2021 年，本团队通过文献研究和德尔菲法，确定了影响燃油消耗的 16 个因素，确定不同因素影响的权重及各因素之间的关系，并将其划分为驾驶员、车辆、道路和环境4 个维度，其中速度所占权重最大 。 2022 年，本团队基于 CarSim/Simulink 的联合仿真建立车辆制动避撞型，用于提高超高速公路行驶的安全性   。 2023 年，本团队基于车路协同路侧感知单元，验证了多传感器融合算法应用于超高速公路的可行性，可提高超高速公路传感器对目标距离和速度探测的精度 。

1. 2　换道轨迹规划

换道轨迹规划属于局部路径规划，任务是生成一条无碰撞可执行的轨迹，保证车辆从换道起点安全地驾驶到换道终点，并尽可能快速高效。常见的路径规划算法分类如表1所示。

人工势场法多用于车辆的局部避障轨迹规划，应用于换道轨迹规划时常将其周围车辆视为障碍物进行避障。Zuo 等 ［ 8 ］ 将人工势场与模型预测控制 （MPC ）相结合，得到无碰撞的轨迹规划。孙豫等［ 9 ］ 为解决局部最小化问题，改进斥力势场作用范围，使其避障过程仅受横向分力的影响。赵奉奎等［ 10 ］ 基于改进的人工势场法，将圆形障碍物模型改进为不规则椭圆形障碍物模型，规划了不同车速下的行驶轨迹，使避障轨迹更加光滑。但传统人工势场法存在目标不可达、局部最优以及与障碍物碰撞 的缺点，特别是在进行势场划分时未考虑障碍物的 速度且生成路径未考虑曲率是否连续，不适用于高速行驶车辆在复杂交通环境下的换道轨迹规划。量训练 基于机器学习的算法大多依据变道数据进行大，进而确定变道轨迹规划模型参数。输入车辆运行状态和驾驶环境等实时信息，输出规划完成的轨迹。算法计算速度快、泛化求解能力强。但机器学习需要大量训练样本进行离线学习，目前车辆超高速行驶的换道数据仍处于匮乏阶段，同时也存在过拟合和安全性尚待提高的问题。

基于数值优化的算法生成换道轨迹本质上是一个多目标优化的数学问题，主要的优化目标包括：

① 安全性，即避免与场景中障碍物发生碰撞；②动 力学约束，即基于车辆动力学和自车稳定性考虑， 在超高速公路高速驾驶时对轨迹曲率和横摆角速度 提出了更高的要求，避免车辆发生侧翻；③ 时效性， 即在满足安全性和稳定性的同时，保证车辆快速完 成换道任务；④ 舒适性，即满足乘员在加减速及转向过程中的舒适性，一般可以考虑车辆行驶过程中的加速度值。传统最优控制基于滚动优化，庞大的计算量给实时求解带来巨大的挑战。胡杰等 联合A* 算法和数值优化法生成可行轨迹，A * 算法用于生成初始轨迹，数值优化法添加约束条件筛选可行轨迹。 高锋等  通过降低优化变量的维度和简化非凸避障约束，减少了数值优化对计算资源的巨大需求。基于曲线插值的算法是由已知路点信息，拟合生成满足车辆行驶约束且具有较好连续性、平滑性的路径。当路径中有障碍物出现时，能够生成局部避障轨迹。曲线插值法求解路径的速度较快，并且能够满足路径平滑性、可行性，故文中选用曲线插 值法生成换道轨迹。

1. 3　曲线插值法的轨迹规划

常见的插值曲线有多项式曲线、余弦曲线、正弦曲线、Dubins 曲线、 Bezier 曲线、 B 样条曲线等。 Dubins曲线以曲线 - 直线 - 曲线的路段相衔接，要求车辆于直线段起点立刻停车并回正方向盘，于直线段终点立刻停车，调整方向盘使其满足曲线段的转弯半径后再继续行驶，衔接点路径曲率会发生两次突变。显然，Dubins 换道路径更适合于停车轨迹规划，并不符合实际超高速行驶的换道要求。正弦和余弦曲线的曲率变化连续，但换道点和并道点的曲率不为0 ，导致车辆偏离车道中心线行驶。多项式曲线通过选取适当的几何阶次，规划出符合特定运动学约束的路径。因高速无人驾驶车辆对算法的实时性要求较高，考虑到算法的实时性，一般用3 次和 5 次多项式曲线进行路径规划。 5 次多项式曲线能同时满足首末点曲率为0 和曲率连续变化的要求，且能同时规划车辆路径和速度信息。Zhou等   基于 3 次多项式轨迹规划模型和线性MPC，提出了复杂驾驶环境下智能汽车的最优变道策略，通过求解多目标优化问题，很好地解决了轨迹跟踪、驾驶舒适性、侧滑和变道效率等问题。Yang 等 开发了动态变道轨迹规划模型，采用了与时间无关的3 次多项式轨迹曲线。牛国臣等 以动态规划换道时间和舒适性为约束条件，改进5 次多项式，采用双 5 次多项式的算法进行轨迹规划。宋洁等 借助 PreScan 还原实际驾驶员换道场景，得到车辆换道行驶轨迹。黄晶等 融合个性化驾驶员风格，建立了考虑驾驶员风格的车辆换道轨迹规划及控制模型。