關(guān)鍵詞：人工智能；主動(dòng)安全；軌跡規(guī)劃；決策控制

0 前言

截至2023 年12 月底，我國大陸地區(qū)機(jī)動(dòng)車保有量已達(dá)4.35 億輛，汽車駕駛總?cè)藬?shù)達(dá)到4.63 億人［1］。受地理環(huán)境及經(jīng)濟(jì)發(fā)展等因素影響，我國的人口分布不均，帶給行車的影響是交通環(huán)境變得更為復(fù)雜，而不斷發(fā)生的道路交通事故也給人民群眾帶來了巨大損失。據(jù)統(tǒng)計(jì)，僅2022 年我國道路事故死亡人數(shù)約為6.06 萬人［2］，因此提高車輛行駛的安全性意義重大。主動(dòng)安全作為提高汽車安全性的重要手段正越來越受到全球各地區(qū)的重視，同時(shí)，多個(gè)針對車輛主動(dòng)安全的評測法規(guī)也相繼推出。

國內(nèi)外學(xué)者對復(fù)雜路口場景的汽車主動(dòng)安全已有大量研究。ARIKERE 等［3］為交叉路口中左轉(zhuǎn)智能車輛提出了一種緊急避讓對向直行車輛的避撞策略。祝琳等［4］將分級制動(dòng)策略引入到自動(dòng)緊急剎車（AEB）控制中。HILLENBRAND 等［5］針對前向碰撞提出了多級碰撞緩解方案，并在追尾、切入和交叉路口場景下進(jìn)行了仿真測試，但其算法算力消耗大。PATEL 等［6］設(shè)計(jì)部署了基于DeepSORT 算法跟蹤框架的實(shí)時(shí)人工智能檢測模型YOLO-v5，該模型能對交叉路口中車輛交錯(cuò)時(shí)的碰撞時(shí)間（TTC）和后侵入時(shí)間（PET）進(jìn)行估計(jì)。王錕等［7］提出了一種基于實(shí)時(shí)軌跡檢測的交叉路口行人過街風(fēng)險(xiǎn)評估方法，在該方法中通過目標(biāo)檢測融合框架實(shí)現(xiàn)對人-車沖突的檢測，進(jìn)而對人-車沖突風(fēng)險(xiǎn)指標(biāo)進(jìn)行評估。但由于算力及功能安全的限制，上述基于人工智能的算法框架難以完成量產(chǎn)部署。

1 風(fēng)險(xiǎn)評估及安全最優(yōu)收益函數(shù)設(shè)計(jì)

在日常行車過程中，駕駛員經(jīng)常會(huì)遇到復(fù)雜交通環(huán)境下自車借道超車場景，如圖1 所示，此處自車速度為80km/h，本車道內(nèi)自車正前方有一低速同向行駛的目標(biāo)4，自車駕駛員以某一橫向速度（如1m/s）向左借道對向車道加速超車（目標(biāo)4）。當(dāng)駕駛員因?yàn)槠诨蚍中?，尤其是較長時(shí)間使用L2 級巡航類駕駛輔助功能，如領(lǐng)航輔助（NOP）后，該情況下自車駕駛員并未意識到其將與左側(cè)車道正常行駛的目標(biāo)1（速度比自車高的摩托車）發(fā)生碰撞。

常規(guī)的L2級巡航類駕駛輔助功能為了不違背駕駛員的駕駛意圖，在該情況下并不會(huì)因?yàn)榭赡馨l(fā)生的碰撞而阻止駕駛員進(jìn)行上述變道操作，相反，因駕駛員主動(dòng)操作程度較高，該功能會(huì)暫時(shí)進(jìn)入待命（standby）模式。另外，由于無法準(zhǔn)確得到自車道及相鄰車道目標(biāo)（如目標(biāo)4、目標(biāo)1）的反應(yīng)，在自車變道趨勢［4］發(fā)生時(shí)（如打轉(zhuǎn)向燈換道），目標(biāo)車輛可能采取加速或減速、打方向等操作來影響自車行駛安全。

本文基于上游感知模塊輸出的環(huán)境信息，實(shí)時(shí)預(yù)測自車及其他目標(biāo)軌跡，設(shè)計(jì)了基于自車及其他交通參與者、靜態(tài)環(huán)境信息等的碰撞風(fēng)險(xiǎn)計(jì)算邏輯，實(shí)時(shí)計(jì)算風(fēng)險(xiǎn)及功能干預(yù)安全收益函數(shù)，最終決策控制模塊基于實(shí)時(shí)交通狀態(tài)對避撞動(dòng)作執(zhí)行進(jìn)行閉環(huán)控制。決策時(shí)根據(jù)人工智能算法來優(yōu)化自車的行車行為，獲得主動(dòng)安全系統(tǒng)干預(yù)與否及操作的最優(yōu)解。

1. 2. 2 其他交通參與者所需博弈行為及行為烈度代價(jià)函數(shù)G₂

其他交通參與者采取措施并以期與自車避撞的行為集包括：加速、減速、左打方向、右打方向（如圖4 所示），且不同情況下可采取的有效逃逸操作類型及幅度大小是不同的（如圖5 所示），存在一個(gè)最優(yōu)避讓操作。最優(yōu)避讓是指其他交通參與者相對于其當(dāng)前狀態(tài)，需要采取的避撞行為種類不止一種且其需要的能量最小。因此，若功能干預(yù)過程留給其他交通參與者的逃逸避撞行為可能性越多、其他交通參與者所需采取的避撞行為幅度越小、逃逸避撞操作越緩和，則代表功能干預(yù)過程越安全，功能干預(yù)實(shí)時(shí)交通擾動(dòng)影響代價(jià)越小，功能干預(yù)的安全收益就越高。

2 功能驗(yàn)證

采用本文設(shè)計(jì)的人工智能主動(dòng)安全輔助算法，基于當(dāng)前目標(biāo)平臺傳感器和架構(gòu)配置，使用二自由度車輛動(dòng)力學(xué)模型［8］進(jìn)行仿真，結(jié)果如圖6 所示。由圖6 可知：所設(shè)計(jì)的人工智能行車主動(dòng)安全干預(yù)輔助算法可在保證自車安全的前提下減小對其他交通參與者的通行影響。

3 結(jié)語

本文從碰撞風(fēng)險(xiǎn)評估、軌跡規(guī)劃、運(yùn)動(dòng)決策控制等方向出發(fā)，設(shè)計(jì)了一種可以提升復(fù)雜環(huán)境下行車安全的轉(zhuǎn)向干預(yù)避撞的智能算法。建立自車和目標(biāo)物的時(shí)空軌跡預(yù)測模型，并實(shí)時(shí)計(jì)算自車碰撞風(fēng)險(xiǎn)大小及最優(yōu)避撞軌跡。所開發(fā)的智能算法優(yōu)化了自車干預(yù)過程對整個(gè)交通環(huán)境下各交通參與者的安全收益影響，進(jìn)而保證了功能干預(yù)的正向安全收益。仿真測試驗(yàn)證了所提出的風(fēng)險(xiǎn)評估及避撞決策方法的有效性。