车辆工程文献综述

驾驶员换道过程中越线时间预测

1. 研究背景及意义

驾驶人在正常驾驶过程中，有车道保持和车道变换两种类型。据欧盟数据统计，由车道变换引起的交通事故占总事故的4%-10%[1]。其中，以驾驶人的因素为主要诱因[2,3]。由车道变换引起的交通事故会造成不定时长的交通堵塞，对交通畅通性有很大影响。因此，越来越多的学者以及科研机构研究换道预警系统，意在辅助驾驶人驾驶车辆，使驾驶过程安全轻松[4]。

在换道预警系统中，越线时间 TLC 是一个重要的评价指标，TLC 可以预测驾驶人换道意图和预先告知车辆距车道线的越线时间。这样，在换道预警系统中，假若设定一个 TLC 阈值，当动态 TLC 预测值小于这个阈值时，可以给驾驶人以警告，告知此时采取的是换道操作行为，这样可以避免有些驾驶人注意力不集中或者疲倦所导致的非故意车道偏离行为。同时，TLC 指标还可以联合 TTC 指标实现换道预警。目前大部分换道预警只单纯的采用了TTC

这个指标，当驾驶人没有采取换道操作行为时，如果邻近车道出现障碍物，一旦检测到的

TTC 小于设定的 TTC 阈值，换道预警系统也会认定此时存在危险而出现误警的情形。因此，采用 TLC 检测驾驶人换道行为，采用 TTC 评价换道风险，只有当 TTC 和 TLC 同时满足换道预警系统设定的阈值时给出警告，这样会大大提高换道预警系统的正确性和有效性，出现误警的情形会大大降低。

目前成熟的车道偏离预警系统主要有：

奥迪车载主动式车道保持功能

奥迪主动式车道保持功能[3-4]是奥迪目前正在提供的辅助系统之一，车载软件负责从这些图像中监测出车道标记以及在两条车道标记中的车道。当车速达到一定阈值，车辆在转向灯未开启的前提下发生横向偏离，此时，车道保持功能自动触发，对自车的转向辅助系统进行微调，帮助车辆回归到原始位置。驾驶者可以通过媒体交互界面系统（Multi Media Interface, MMI）设定这个干预行为的反应速度，以及是否要结合方向盘振动进行警示。如果驾驶者设定系统在偏离开始的早期就进行干预，那么系统就可以使汽车基本能够保持直线行驶。

沃尔沃车道偏离报警系统

沃尔沃车道偏离报警系统[5]的开发是为了提醒驾驶员已经偏离了车道，该系统在车辆启动时自动开启，通过安装在汽车前挡风上的摄像装置监测前方车道线，如果汽车在没有检测到驾驶员主动操控行为的前提下车辆发生了横向偏离且即将越过车道线，系统就会通过声音预警提醒驾驶员；整个系统采用方向盘和转向灯信号作为偏离报警的抑制信号，偏离过程中一旦发现有这两种信号输入，则会立即停止报警。通过对驾驶员偏离状态的正确识别可大大减小驾驶员分神造成的事故几率。

奔驰主动式车道保持辅助系统

梅赛德斯-奔驰主动式车道保持辅助系统[6]可在多种情况下防止驾驶者无意识地离开车道。在增强的系统中，当相邻车道被占据，此时如果车辆变换车道，就会有撞车的危险，那么系统也会做出反应。当车辆时速达到60km/h时，系统便开始工作。摄像头自动寻找道路标记，同时雷达传感器开始监控汽车周围的路况。其中，后方的雷达传感器监控后方车辆，随时注意后方车辆的超车行为。远距雷达监控前方交通状况，近距雷达监测车辆的变道情况。如果雷达系统报告相邻车道已被占据，ESP 能够进行单侧刹车干预，将车辆带离危险区域。

综合来看，目前应用在实车上的车道偏离辅助系统均是通过前置摄像头采集行车过程中的车道标志线，当车辆出现横向偏离时，会对方向盘转角、转向灯信号进行抑制报警的判别；此外，一旦判别出车辆在驾驶员非主动操控下偏离车道，系统会主动修正车辆，促使其回归“正”道。这两个过程中，准确检测车道标志线是系统安全有效工作的前提，对于没有道路标志线或由于外界原因导致标志线不清晰的路段，车道偏离报警系统就会失效；对于只有一侧标志线的道路，甚至出现车辆被过度修正而导致交通事故的情况。这些都会严重降低乘员对车道偏离预警系统的接受性，进而也可能会在行车时选择关闭该功能甚至放弃购买具有此类功能的车辆。

因此，为减少偏离预警决策对外界环境感知和车辆转向信号的依赖性，有必要对能够反映驾驶员操纵状态的意识行为进行识别，以此作为车道偏离决策判别依据，从根本上提高系统可靠性，降低误报和漏报率，完善车道偏离系统预警决策。

2. 研究现状

国内外学者提出了很多驾驶员操作意图识别的方法，日产汽车研究院的Nobuyuki Kuge和麻省理工大学的Andrew Liu[7]对驾驶员换道意图的识别展开了系列研究，他们认为寻找一种能够优化驾驶员和智能辅助系统关系的数学模型是很必要的。为此他们在驾驶模拟器上进行试验，建立了基于隐马尔科夫（HMM）理论的紧急换道识别模型（lane change emergency）、正常换道识别模型（lane change normal）和保持车道识别模型（lane keeping normal）。日本爱知大学的Yoshifumi Kishimoto[8]基于驾驶行为模型建立了可以进行信息反馈的隐马尔科夫自回归模型，实验证明，通过对车速、制动踏板参数进行分析，系统可以准确识别驾驶员的制动意图。鲁尔大学的 Ueruen Dogan[9]在驾驶模拟器上采集了直道和弯道两种工况下，10 名不同驾驶员共计200分钟的换道数据，将预处理后的方向盘转角、侧向加速度、车道偏移量及其导数、与前车接触时间五种数据作为驾驶员换道意图识别模型的输入，利用前馈神经网络、递归神经网络和支持向量机三种算法进行换道意图识别。巴黎中央理工学院视觉计算中心的 Puneet Kumar[10]开发了一种基于支持向量机和贝叶斯滤波的驾驶员换道意图在线识别融合算法。马国成等人[11]通过模糊支持向量机的方法，解决了车辆并线意图辨识的问题。肖献强等人［12］建立隐马尔可夫模型，预测出驾驶员的驾驶行为。宗长富等人［13］通过双层隐马尔可夫模型，实现了驾驶员复合工况下的驾驶意图辨识和预测。HolgerBerndt 通过建立4连续隐马尔可夫模型，准确地辨识。出驾驶员的转向意图［14］。Stephanie Lefevre 通过建立贝叶斯网络，实现了对十字路口驾驶员意图的预测［15］。涂孝军、刘志强等人[16]提出了一种考虑人-车-路三者信息的基于支持向量机的换道意图辨识方法，对比不同参数组合下模型的分类效果。基于 HMM 的意图辨识方法，其结果取决于哪组HMM 模型输出概率最大，当输入的待辨识信号特征不明显时，可能导致若干HMM模型的输出概率相差无几，因此，以输出概率最大作为评判依据会降低意图识别率; 基于SVM 的意图辨识是根据当前时刻的信号特征来判别的，由于意图信息不足，忽视了前后时刻的联系，如果辨识的是干扰信号，将误判当前意图，大大降低识别率。

总体来看，目前驾驶员换道意图辨识研究大多局限于单一学习模型[17-19］。HMM 模型能分析时间序列的信号，更多地表达了类别内的相似性，却忽略了类别间的