徐进教授：山区复杂环境“人—车—路”系统协同机制与模型

重庆交通大学教授  徐进

一、研究背景

　　在西部地区，不管是在西南还是华南，还是重庆，山区是一个主导的地形，山区面积占三分之二。为了适应这种复杂的山区环境，道路是非常复杂的，而且这种情况下，山区道路的交通量很少，我们的车要实现无人驾驶、自动驾驶怎么办？车辆之间的间距很大，甚至前方看不到车辆，车辆都是自由行使，就没有控制条件（城市道路自动驾驶是以车间距/障碍物间距为控制条件），这种情况下，我们首先要解决的问题就是研究道路线形控制车速的行为，就是弯道密集条件下驾驶员是如何决策，如何引导车辆的驾驶。
　　在山区道路条件下，驾驶员是一直控制着方向盘，一直要踩刹车。我们知道高速公路环境是很简单的，自动驾驶是锦上添花。山区公路这种很复杂的道路条件，驾驶人的工作强度很大，自动驾驶是雪中送炭，锦上添花重要，雪中送炭更重要。
在山区公路有他的特殊性，第一行驶空间很大，第二车流量非常少，因袭驾驶风格有一个很好的表现空间。而在高速公路上，或者在城市道路上，驾驶员是中规中矩的驾驶，因为他没有一个展现驾驶风格的空间。因此在山区公路上，我们需要解决几个问题。第一，我们驾驶习惯是什么样的。汽车终究是一款产品，什么样的产品是让用户满意的？就是符合驾驶习惯的产品才是让用户满意的，无人驾驶出来以后，我想必然会分为两个阶段。第一，就是驾驶员中规中矩的驾驶，第二种就是像真人一样驾驶，你坐在这样的无人车上，感受与你自己开车或者坐在你朋友开的车上是一致的。

图1 山区公路

　　二、山区道路驾驶行为分型

　　为了得到山区公路上的驾驶习惯，我们在重庆和四川做了几万km公路的实车测试，其中高速公路有十几条，但我们主要是做山区的复杂公路。我们采集了十几条复杂公路的自然驾驶数据，主要有四类参数：第一类就是汽车的运行参数，第二类就是操控量，就是制动、油门、踏板、转向盘，第三类是驾驶人心电信号，第四类是环境信息（视频图像），根据这些来得到我们的驾驶习惯，就是一个真实的驾驶行为风格。

图2 实车实验

　　首先举个例，怎么来实现驾驶行为分析。根据GPS数据和视频数据可以得到汽车在路面上的一个横向位置，根据这个位置就可以实现轨迹线的精确定位。我们把轨迹线放在公路平面坐标系里面，就可以得到这个轨迹相对于道路边界的一个横向位置关系，根据这个位置关系，就可以得到轨迹的行为习惯。
　　我们定义了几种方向控制模式，和几种速度控制模式。我们针对弯道定义了5种驾驶行为模式，如图3。我们这个行为模式除了用于得到驾驶行为分型以外，还可以揭示弯道事故的机理，我们都知道弯道很容易发生事故。但是我们之前做改善时，我们找不到事故的具体发生原因，我们制定措施只是一个泛泛的，现在医学讲究靶向性，我们知道它为什么发生事故之后，再制定安全措施，它就可以是靶向性的、很有效的措施。
　　针对某一类特殊的弯道，我们知道山区道路有回头弯，这种回头弯是很典型的，对于这一种弯道，我们又细分了很多驾驶模式，红色框标注的都是危险的驾驶模式，我们在实现无人驾驶的时候可以把这种模式规避掉。不危险的，我们就是把它模拟出来。如图4所示：

图3 山区公路曲线路段过弯模式

图4 回头弯的过弯模式

　　速度方面，有的人喜欢在山区公路上开高速，有的人喜欢开的舒适一点，有的人喜欢开的平稳一点，这是整体上的一个分类。具体到某一个上坡或者下坡路段，我们之前总是习惯于猜测，在刚下坡的时候到底是在加速还是在减速，我们之前一直停留在假设的阶段，我们有这个实测的数据以后就可以统计出来，见图5，到底有多少人是在下坡的时候加速，有多少人是在下坡的时候减速，我们一切的假设都由真实的数据作为前提。
　　我们这项工作的依据是什么？我们之前做所谓的驾驶风格，或者是驾驶行为习惯，我们都是基于驾驶问卷的。但是我们都知道，人类是一种典型的言行不一致的物种，说的跟做的不一样，因此基于问卷得到的驾驶风格显然是不准确的。

图5 驾驶员在坡道上的速度控制

　　三、山区道路横（纵）向加速度分布以及模型
　　为了得到驾驶行为决策模式，我们调查了几个关键的参数，其中第一个就是横向加速度参数，我们驾驶员在弯道上的行为，一部分是依赖于视觉信息，比如说让他提前看到这个弯道是什么样的，还有一部分就是他在弯道行驶过程中的动态受力。当然，安全性跟横向加速也是是有关系的，这个参数也是我们做道路设计的一个重要的控制参数。但我国的公路设计标准，从2003版到2014版没有更新过这个数据，这10年中国的道路条件、车辆结构和性能、还有驾驶行为都发生了翻天覆地的变化，但是他一直没有做更新，是非常滞后的。
　　现在来对比一下我们的一项研究结果，见图6，能看到现在的情况跟设计标准中假设的差距很大。我们经常有一种感受——在道路上开车很不适应，为什么？因为设计标准中的驾驶行为假定和行驶过程是很滞后的。

图6 设计标准中的横向加速度与实际值的比较

　　再来看一下纵向加速度，我们进入弯道的时候，是以什么样的方式进入，能够承受多大的减速度；出弯的时候，是以什么样的方式出弯，这是一个重要的控制参数。如图7所示。同时，这是也是我们道路设计的一个重要控制参数，道路设计需要保证弯道的最小长度值——能够保证驾驶员在到达弯道中点之前有一个完整的刹车行为。图8是现行的公路项目安全性评价规范中关于纵向加速度的推荐值，图中同时也给出了我们的道路测试结果（图中的表1-2），通过对比可以发现，规范中的值与我们在山区道路上的实测值之间的差异是非常大的，这说明规范建议值对山区道路的适应性较差，需要在下一版修订的时候加以调整。

图7 山区公路驾驶员进弯和出弯

图8 纵向加速度的规范推荐值与实测值

　　四、山区复杂路形驾驶行为决策以及仿真系统
　　以上一系列工作就是为了建立这个模型，即山区复杂路形的驾驶行为动态决策模型，这是我们原创性的成果。我们把车在路上的行驶过程，简化为一个视窗，用视窗在道路上的滚动，来模拟车辆的行驶，还有驾驶员对前方环境信息的获取过程，见图9。在视窗内划分成横断面，然后用一个点在横断面上的一个移动来表示驾驶员对轨迹的选择。行驶轨迹确定来以后，再确定出速度。这样，我们可以把人的复杂行为用数学算式来表示出来。
　　有这个概念之后，针对前面确定的每一种典型的驾驶风格（或者叫驾驶行为谱也好），都建立一个数学函数来模拟。前面的每一种方向控制模式和速度控制模式，都有对应的目标函数。通过对目标函数极大/极小值的求解，就可以实现复杂道路的轨迹跟速度的决策。同时，我们开发了一个滚动时域算法，山区道路的几何线形是很复杂的，之前的算法很多是面对这种场景是失效的，没有办法工作，我们的算法则可以解决任意复杂、任意长度的道路轨迹规划和速度规划的求解问题。

图9 山区复杂道路驾驶行为决策模型

图10 山区复杂道路行驶仿真系统

　　完成驾驶行为动态决策模型之后，我们把这个模型植入到现有的车辆动力学仿真系统，再进行一个二次开发，编制一个三维路面生成模块，就可以进行山区复杂道路的人-车-路协同仿真，得到典型驾驶模式的行驶仿真结果。

　　五、基于“人-车-路”协同方法的山区公路设计
　　最后主要讲一下成果的应用，我们的驾驶行为决策模型以及仿真系统主要应用在山区道路的设计上。最近二十年，我们一直在强调道路设计要“人-车-路”协同考虑，但事实上一直停留在理念上，因为没有技术手段作为支撑。那么，本项成果则解决了这一问题。这里以三条旅游公路为例，第一条是通往峨眉山的，第二条是到理塘，第三条是通往海螺沟。旅游公路肯定要注意安全，就是人车路协同式设计。以峨眉山为例，我们算出不同车型在三维复杂线形上的代表性驾驶模式运行速度，借鉴现有的评价方法，就可以看出哪些是事故高风险路段，哪些参数需要改。过去我们设计完成之后，就直接施工修建，缺少一个设计缺陷发现和改进的环节，现在我们这项成果就可以提供科学的方法和手段，在设计道路出来以后，建立三维路面模型，然后导入到人车路联合仿真系统，以不同的驾驶模式来行驶，看哪里出现问题，哪里容易发现翻车，哪里容易出现侧滑，然后再改进，就像设计车一样设计道路，使道路变得更加安全。
　　这是我们第二条路，采用类似的方法，这种复杂的道路就可以用轨迹给来控制它的一些线形参数。我们的目的是，不管是车也好、路也好、驾驶人也好，都把他考虑进去，最终使设计出来的道路变得安全、高效、舒适。