车道变换行为研究进展

张 磊，彭金栓，宋 臻，陈 鑫

(重庆交通大学 交通运输学院， 重庆 400074)

0 引言

作为建设交通强国的关键一环，道路交通安全是交通系统的生命线和永恒主题。开展跟驰、换道等驾驶行为的研究有助于弥补人车路系统的薄弱环节，有效提升道路交通安全水平。相较于难度较低的跟驰行为，换道过程中的驾驶人在视觉搜索、判断决策、动作执行等需要付出更多的心智努力[1]。换道过程中一旦驾驶人出现情绪紧张或判断操作失误，极易发生追尾或擦挂事故。据统计，不恰当的车道变换引起的交通事故约占事故总量的10%[2]。此外，在拥堵路段发生的频繁换道在某种程度上会影响交通流的整体通行效率，引发交通拥堵[3]。

为揭示影响车道变换安全性的因素，探索科学有效的换道预警方法及手段，国内外学者开展了多方面研究，取得了诸多有价值的学术成果，丰富了驾驶行为相关理论，并为各类换道辅助系统的性能提升及优化提供了重要的理论依据和数据支持[4-6]。但是，目前尚缺乏对换道行为相关研究的系统性综述与回顾，不利于相关学者对该领域的系统了解。本文分别选取2001—2021年(截至2021年6月)的CNKI数据库以及Web of Science核心合集等数据库中与车道变换相关的文献，共得到中文文献695篇，外文文献6 629篇，发文量统计如图1所示，可见国内外针对车道变换的论文数量逐年稳步提高。

图1 2001—2021年国内外年度发文量统计曲线

图2中展示了CNKI中车道变换领域关键词的年份与关系统计，可以看到中文文献较多涉及到交通工程、交通安全、交通流、元胞自动机等关键词，而近年来的研究热点逐渐转移到自动驾驶领域的轨迹规划、路径跟踪等方向。而图3表明，以Web of Science核心合集为代表的外文文献中，驾驶模拟器(simulation)、交通流(traffic flow)、换道模型(model)、驾驶安全(safety)、路径规划(trajectory planning)是热点关键词。总体而言，在车路智能化水平不断提高的当下，如何通过更加精准的换道模型与行为特征的理论研究，借助换道预警或者自动换道等技术手段，不断提升换道过程中的安全性、舒适性与高效性，是今后该领域重要的研究课题。

图2 CNKI关键词共现知识图谱

图3 Web of Science关键词共现知识图谱

1 换道模型

相比于跟驰行为，换道行为有可能会对自身及周围车辆产生更大安全风险，因此换道行为模型的研究得到了越来越多相关学者的关注。从当前换道行为模型相关成果中进行梳理，大致可以从换道动机与换道决策2个不同维度展开讨论。从换道动机角度出发，可以将换道行为模型分为自由换道模型、强制换道模型与综合换道模型[7]；从换道决策角度出发，可将换道行为模型分为可行性模型、概率模型、数据驱动模型。

1.1 换道动机模型

在各类复杂的道路交通环境中，驾驶员因为追求预期的车速、驶入偏好车道与规避障碍物等原因，进而衍生出各种不同的换道动机。针对强制换道，刘有军[8]提出了一种基于Cellular Automata的模糊换道模型，并延伸到多车道强制换道模型。而对自由换道模型，陈慧等[9]引入了驾驶人速度不满度累积模型，当达到一定阈值时产生换道动机进而执行换道操作。在实际驾驶过程中，换道动机是个多因素共存作用的结果。魏丽英等[7]在交叉口进口道区域结合了自由换道概率与强制换道概率，建立了综合换道概率模型，仿真结果显示换道率受交通流密度的影响，同时又会影响平均车速。

但传统的自由换道模型存在边界界定不清晰的缺陷，如无法有效区分前方慢车导致的选择性换道和自由流状态下的随机性换道。为了更精确地描述不同类型换道行为的发生动机差异，并为自动驾驶速度与轨迹规划提供更为科学的理论依据，有必要将传统的换道动机进一步分解，具体如表1所示[10]。

表1 不同换道动机差异

1.2 换道决策模型

当驾驶人产生换道动机之后，需要对换道操作的可行性和时机进行判断与决策。基于判定条件选择的差异性，学者们建立了各种换道决策模型，其中最为著名的是Gipps模型。Gipps模型主要基于可接受间距、障碍物位置、车间位置等因素判断换道的可行性[11]。除此之外，还有学者基于换道概率视角建立了Ahmed模型。Ahmed[12]模型遵循以下3个步骤：产生换道意图、选择预期车道、判断安全间距，该模型利用离散决策框架建立数学模型，确定目标车辆在某时刻选择不同换道模式的概率。

在驾驶人换道决策的过程中，期望是一个重点指标，基于驾驶人期望的决策模型着重强调驾驶人在进行换道决策时希望得到的“优势”。MOBIL[13]模型基于2个指标：激励和安全，激励标准来源于目标车道给到驾驶人的吸引力，安全标准基于换道产生的风险。该模型的优点在于它考虑到驾驶人的期望，但只有一个效用函数限制了进一步发展。

近年来由于计算机技术逐渐成熟，有学者开始利用大数据与人工智能的研究方法建立驾驶人换道决策模型，比较典型的有基于模糊逻辑理论模型和人工神经网络(artificial neural network，ANN)模型。模糊逻辑理论考虑了换道的不确定性，并考虑实际变量的自然或主观感知特性[10]。在该模糊逻辑模型中，强制换道需要考虑距离和需要换的车道数，自由换道考虑驾驶人预期速度，但忽略车辆类型的影响。ANN模型采用与人脑类似的神经元结构和数学模型来模拟人类行为，并运用于交通环境中来演示这些行为[14]，但此类模型完全由数据驱动，过度依赖现场收集的交通数据的可靠性。

2 换道行为特征

换道行为的发生是人、车、路等因素相互耦合作用的结果，驾驶人作为换道行为的发起者与执行者，通过眼部及头部的协同运动来获取邻车运动信息，并通过相应操作表征为自车的运动状态。

2.1 驾驶人行为特征

2.1.1驾驶人眼部及头部运动特征

眼部及头部运动是驾驶人换道过程中最为显著的行为特征，其中视觉搜索由注视点、搜索路线、注视区域构成。Liu[15]研究发现换道前驾驶人对后视镜的注视次数显著增加。Tijerina等[16]通过对比驾驶人左右转向的注视行为时，也得出了相似的结论。郭应时等[17]考虑驾驶熟练程度对注视次数的影响，研究表明无论在城市干道还是高速公路上，熟练驾驶人对临近目标的注视次数均显著高于新手驾驶人。

驾驶人换道过程中，视点在注视区域之间的切换是通过头部及眼部运动完成的，而各个注视区域之间是通过视点转移路线连接的。在换道过程中，驾驶人注视最多的区域为后视镜、当前车道、目标车道。Salvucci等[18]在探索换道中驾驶人的视点转移规律时，发现换道前视点在当前车道与目标车道之间频繁迂回转移。Ayres等[19]提出驾驶人在向左换道时，视点在左后视镜和内后视镜之间来回切换。

由于单一注视点无法准确描述驾驶人的视觉运动规律，Lethaus等[20]通过注视点的兴趣区域划分，显著降低了提取视觉搜索规律的难度。对于兴趣区域传统的划分方法，Underwood等[21]将驾驶人视野范围划分为9个独立的兴趣区域，而Fitch等[22]在前人研究的基础上进行更精细的区域划分，包括左前、正前、右前、左窗、右窗、左后视、右后视镜、内后视镜。但是以上兴趣区域的划分过于主观，会对注视转移特性规律的获取产生不利影响。因此有学者利用视野平面法对注视区域进行详细划分，以克服以上缺点，具体划分如图4所示[23]。

1.当前车道；2.目标车道；3.左后视镜；4.左侧区域；5.右侧区域；6.仪表盘；7.内后视镜

在上述研究中，大多数研究者仅考虑了驾驶人的眼动行为，而忽略了驾驶人的头部运动。而在真实情景下驾驶人换道时，大部分的视觉搜索都伴随着头部运动，即当驾驶人决定产生注视转移时，头部和眼部开始进行协同运动。Viola等[24]的研究表明头部和眼部的移动是相互关联的并且两者的运动几乎是同时发生的。Robinson等[25]也提出眼动和头动存在一定的关系，并通过试验进行验证，发现眼部先头部移动大约50 ms。然而有学者通过分析视点大幅转移条件下的头眼协调模式，发现在注视转移阶段的初期100 ms内水平视角并未发生变化，而头部转动角度逐渐增大[23]。

2.1.2驾驶人操纵行为特征

一般而言，驾驶人的换道意图通过转向灯传达给附近车辆[26]，而转向灯开启率、开启时间是评价转向灯操作的2个指标。有学者通过实际道路试验分析发现，直到实际发生换道时，仅有48%的驾驶人开启转向灯[27]。Salvucci等[18]和Krajewski等[27]通过不同的试验手段分析换道操作开始时转向灯开启率，得出与上文相似的结果。

在换道过程中，驾驶人进行一系列操作：视觉搜索、开启转向灯、转动方向盘，其中方向盘操控行为是完成换道行为最直接的表征[28]。在一般情况下，方向盘转向行为受到车路环境特征、驾驶人特征、驾驶人状态的影响[29]。为了具体的描述方向盘的转向行为，一些学者提出几种度量转向行为的方向盘指标：方向盘转角标准差、方向盘速度、方向盘转动角速度以及方向盘转角熵值，通过对各指标的评价效果进行对比发现，方向盘转角标准差及方向盘转角熵值更能有效地评价驾驶人对方向盘的操控行为[30]。

在实际换道过程中，驾驶人的性别、年龄与性格等特征都会影响换道操作行为。Reimer等[31]将165名被试按照年龄分为3个组别，利用实车试验数据，分析不同组别被试在换道频次以及行驶车道定位选择上的差异，发现老年组的换道频次最低，且行驶在快车道的频次最低。

除将性别、年龄或驾龄作为单因素进行分析之外，也有学者围绕换道持续时间、驾驶人风格以及驾驶人生理、心理状态变化等方向展开研究。Hill等[32]对换道持续时间进行探究，发现其受驾驶人驾驶风格影响，因此将46名驾驶人分为非常保守、保守、激进、非常激进4组，并通过实车试验发现大多数保守类型的驾驶人换道持续时间更长[33]。

2.2 车辆运动状态特征

车辆运动状态是驾驶人操作动作的外在表征，是车辆行驶运动参数、操作参数的集合[34]，车辆的运行状况包含车辆自身动态数据：自车车速、加减速度、航向角，以及车辆驾驶操纵行为：方向盘位置、油门开度、转向灯使用情况等[35]，换道过程中的自车运行状况不仅受到驾驶人行为特性的影响，也受到周围车辆的影响[36]。

2.2.1自车运动状态特征

在换道过程中，自车的速度特征是需要首要分析的目标运动参数。Mar等[37]研究发现在换道起始时刻，常常伴随着减速行为的发生。然而Tang等[38]通过统计高速公路换道数据，发现自车的加减速行为兼有发生。实际上，车速的控制是一个较为复杂的主观行为，驾驶人个体的差异导致车速数据离散程度较大，没有明显的速度分布规律，所以在进行驾驶人换道行为特性研究时，无法单独将速度作为参数。此外，道路线形也对车辆的横摆角速度和横向加速度产生较大影响，所以无法作为换道行为的预测指标[39]。有学者通过分析实车试验数据，得到了与上述相似的结论[40]。

2.2.2邻车运动状态的影响

王荣本等[41]结合自车车速、加速度、临界碰撞时间、车辆间相对速度等参数，发现当前车道前车及目标车道前后车对自车换道影响较大。此外，相关学者对碰撞时间(time to collision,TTC)和车速、相对距离之间的关系也进行了深入研究[42-43]。王畅等[44]考虑了不同车速范围下相对距离与TTC值的联合分布情况。Lee等[45]根据TTC范围将换道碰撞紧迫性划分为4个程度。而金立生等[46]将2个TTC阈值参数作为换道预警系统的划分依据，将换道安全等级分为3个级别。除了用TTC表征自车与目标车道前后车的运动关系外，可接受间距也可描述自车与目标车道前后车之间的相互作用。Zheng等[47]验证了上述结论，提出可接受间距对车辆换道行为有一定的影响，Gurupackiam等[48]则以可接受间隙为特征参数，发现拥堵路况下驾驶人可接受更小的安全插车间隙。

3 换道预警方法

随着汽车工业新技术的不断发展与应用，为了保障驾驶人可以安全可靠地驾驶车辆进行换道操作，在对驾驶人换道意图正确识别的基础上，各类换道辅助与预警系统应运而生。因此，该部分首先介绍了现有换道辅助预警系统的构成与局限，并针对换道意图识别及行为预测的方法进行阐述。

3.1 换道辅助预警系统

车辆换道预警系统是在驾驶人换道前某时刻准确预测驾驶人换道意图，并在换道行为产生潜在风险前警示驾驶人的主动安全系统，典型的换道辅助预警系统构成如图5所示。系统通过传感器、摄像机等设备实时监测后方相邻车道在监控区域内的车辆与自车运动状况。当系统识别驾驶人通过操作转向灯表现出换道意图且监控区域内有车辆快速靠近时，系统向驾驶人发出预警信号。

图5 换道辅助系统构成示意图

预警条件的研究是换道辅助预警系统的基础，当前换道辅助系统主要监测自车与侧后方车辆的运动关系，一般包括TTC、相对距离或二者构成的组合。以相对距离作为考虑安全度识别模型时，由于影响因素过于单一，导致对安全度识别有一定的局限性。为了弥补上述缺陷，Roelofsen等[49]获取换道前车辆间的相对运动信息，认为当TTC小于6 s时应发出预警信息。为了进一步明确TTC的预警作用，王畅等[44]基于不同相对距离和速度区间，对TTC值进行了更为精细的划分，根据以速度和相对距离进行分组的预警算法，将10%误报率的TTC阈值作为二级预警阈值。为了保证换道预警的准确性，在TTC和相对距离作为换道预警判定条件的基础上，应同时考虑驾驶人行为特性、车辆运动特性、驾驶环境特性等多源数据[50]。为此，王畅等[51]将驾驶人的驾驶风格融入换道预警条件之间，并制定了面向于不同驾驶风格的换道行为预警规则。

通过对现有的换道辅助预警系统的工作原理进行剖析可知，换道辅助预警系统的正常工作严重依赖于转向灯是否开启以及何时开启。若驾驶人转向灯开启时刻较晚甚至于忘记开启，则将导致换道辅助预警系统的作用大打折扣，并降低驾驶人对该套系统的信任度。

3.2 换道意图识别与行为预测

为了克服现有换道辅助预警系统的缺陷，在换道行为发生之前，若系统可以及时在换道意图时窗内预测驾驶人的换道行为而不单独依靠转向灯的开启，则会有效提升换道过程中的行驶安全性。

相关研究表明，驾驶人在换道执行前的某一时窗宽度内表现出不同于车道保持阶段的特定驾驶行为，并将此段时间定义为换道意图时窗，但目前没有统一的标准确定时窗宽度。Lee等[45]与Fitch等[22]通过比较驾驶人换道前3 s与6 s表现出的典型行为特性，确定换道意图时窗宽为3 s，郭应时等[52]通过车内录像的视频分析，认为换道意图视窗宽度为6 s，但以上结论受主观影响较大。为了更加客观地确定时窗宽度，有学者尝试通过确定换道意图时窗起终点来获取时窗宽度，并将换道意图产生时刻作为意图时窗的起点，换道操作起始时刻作为换道意图时窗的终点。基于上述研究成果确定换道操作起始时刻之后，有学者认为换道意图时窗起点为驾驶人换道前首次关注后视镜的时刻，由此获取的换道意图时窗宽度如图6所示[53]。

图6 不同驾驶人意图时窗宽

意图时窗的确定有助于换道意图识别与行为预测参数的提取，近年来国内外学者基于各种模型、算法开展了驾驶人换道意图的识别，并取得了一些研究成果。Lethaus等[54]通过实车试验收集了驾驶人跟驰、换道等行为下的眼动参数，发现换道行为发生前均对伴随着典型的视觉运动特征。在此基础上，吴付威等[55]探索换道意图阶段驾驶人的视觉搜索特性，发现换道意图阶段驾驶人的视点在当前车道与目标车道之间转移比正常驾驶更加频繁，且在水平方向视搜索广度更大。因此，大量学者尝试基于驾驶人的视觉运动特性提取出换道前的眼动参数，进而完成对驾驶人换道意图的识别。此外，有学者从换道过程中的博弈行为出发，基于驾驶人头眼运动数据，构建了识别驾驶人换道意图的博弈模型[53]，识别成功率达到90%以上。在驾驶人视觉参数的基础上，Li等[56]通过心理问卷得分将驾驶人划分为3种驾驶风格，并将融合了高斯混合模型的变道贝叶斯网络用于预测驾驶人的换道意图。

换道意图的产生并不意味着换道行为必然会如期而至。例如当驾驶人表现出明显的换道意图后，但随即又观察到周围车辆会对自车换道构成威胁，驾驶人可能选择撤销意图。因此，相较于换道意图识别，换道行为预测更适于作为换道预警的切入条件。Peng等[40]基于车辆运动状态、驾驶状态和头部运动信息来预测变道行为时，可以在提前1.5 s时预测变道行为。为了进一步提升模型的识别效率，Kumar等[57]提出了一种基于支持向量机和贝叶斯滤波的在线换道行为预测模型，结果表明该方法能够平均提前1.3 s预测驾驶员换道行为，最大预测时间范围为3.29 s。通过文献的梳理，预测模型普遍存在参数考虑不足，时效性不理想等问题。未来的研究有必要探讨如何针对海量驾驶行为数据的在线学习，构建换道行为一体化、个性化的预测方法体系。

4 自主换道研究

近年来，随着自动驾驶汽车朝着更加智能化方向发展，换道行为的主体也在发生着转移。由过去驾驶人全权操作过渡到系统辅助操作，最终发展为智能汽车完全自主换道操作。这其中，换道轨迹规划和跟踪控制作为自主换道领域的重点研究内容，受到了国内外相关学者的广泛关注与研究。

4.1 自主换道轨迹规划

早期自主轨迹规划的相关研究可追溯至第一代自主移动机器人Shakey，其通过环境感知和障碍物分析的路径规划方式为之后的自主轨迹规划方法奠定了基础[58]。相较其他领域轨迹规划方法，自动驾驶汽车自主换道轨迹规划更多地要考虑车辆动力学、道路结构、交通规则的约束，兼顾安全性和舒适性。目前对于自主换道的轨迹规划方法，主要包括基于搜索的轨迹规划算法、基于几何曲线的轨迹规划算法、基于随机采样的轨迹规划算法。

基于搜索的轨迹规划方法是通过遍历状态空间搜索出一条从换道起始点到目标车道终点的可行路径，主要包括A*算法、动态A*算法、ARA*算法、人工势场法等。A*算法通过引入代价函数，实现了路径计算中对障碍物的定量表达，但代价函数会因搜索维度的提升导致计算量急剧增加[59]。因此，动态A*算法使用变化的环境信息动态修正初始规划路径，降低了A*算法的复杂性[60]。相较于基于搜索的轨迹规划算法，基于几何曲线的轨迹规划算法能够较好地模拟出车辆换道的轨迹，且具有良好的平滑性，曲线类型主要包括Clothoids曲线、Bezier曲线、多项式曲线、B样条曲线等。Broggi等[61]通过优化行驶可行域的代价函数，将车辆轨迹近似为Clothoids曲线，但Clothoids曲线的计算量较大，难以满足自动驾驶车辆高速行驶时的低时延性需求。为了降低计算复杂度，Chen等[62]基于道路线形与障碍物约束生成曲线控制点，使用二阶Bezier曲线规划出了平滑的换道轨迹。

基于随机采样的轨迹规划算法是在障碍物与道路约束下的可行域中进行随机采样，最典型的就是快速探索随机树算法(rapidly-exploring random tree,RRT)。RRT算法通过将更新后的控制节点在搜索树中进行迭代扩展，直至抵达目标位置并规划出一条平滑轨迹，但生成的轨迹由于约束的不足会导致不稳定的问题。为了解决这个问题，Macek等[63]添加了航向角、加速度、采样时间等约束，利用b样条曲线插值几何路径，并在RRT探索阶段对可能发生的碰撞进行迭代检查。这类算法相较于基于搜索的轨迹规划算法，能够快速完成规划轨迹的迭代计算，但是由于在节点扩展过程中严重依赖于初始节点的选取，因此需要在日后的研究中添加更全面的先验知识进行约束。

4.2 自主换道轨迹跟踪控制

通过自主换道轨迹规划算法生成出的光滑连续曲线需要通过轨迹跟踪控制，来缩小车辆行驶轨迹与参考轨迹的偏差。因此，克服车辆运动状态的非线性变化，并保证自主换道跟踪控制系统的精确性与鲁棒性是轨迹跟踪控制的关键。现有的研究方法主要包括PID控制、模型预测控制(model predictive control,MPC)、线性二次型调节器(linear quadratic regulator,LQR)控制、模糊控制等。

作为经典控制理论，PID控制结构简单、鲁棒性好，已广泛应用于各类工业过程控制，并同样适用于智能车辆的自主轨迹跟踪控制。Hessburg等[64]运用地磁钉作为路径跟踪标记，研究了PID前馈控制器在直线和曲线路段的轨迹跟踪精度。在此之后，赵熙俊等[65]利用期望航向偏差作为鲁棒PID控制系统的控制偏差，通过调整不同PID参数建立了适当车速范围内的轨迹跟踪控制系统。

由于自主换道过程中需要控制的车辆运动参数较多，并且存在车辆性能、道路环境等多因素的约束，使常规PID控制方法难以达到理想的控制效果。为了妥善处理车辆轨迹跟踪控制过程中的多输入多输出参数，MPC算法通过建立相应预测模型，能够有效解决有限时域内的优化问题[66]。传统的MPC控制器存在场景适应性弱、难以平衡多目标优化等缺点。Hou等[67]结合强化学习的智能自学习能力，设计了一种交互MPC算法，该控制算法可以显著提高换道轨迹的跟踪精度和稳定性。

LQR控制的目标是通过调整状态反馈控制器使二次型目标函数最小，Jond等[68]提出了一种基于LQR和后退地平线控制的实时自动驾驶快速轨迹跟踪控制策略，该策略将路径偏差参数集成到LQR中，可以控制车辆避免碰撞。与传统LQR和MPC相比，迭代线性二次型调节器是一种有效地解决非线性系统最优控制问题的算法，但是不能处理约束。基于此，Chen等[69]提出了约束迭代线性二次型调节器算法，解决了具有非线性系统动力学和一般约束形式的最优控制问题。若要保证上述3类轨迹跟踪控制方法的准确性，一般需要建立精确的数学模型，但由于车辆运动状态参数复杂多变、耦合性强，传统的轨迹跟踪控制往往效果有限。因此，有学者尝试从模糊控制的角度出发，验证此方法在轨迹跟踪控制领域的实用性。Hessburg等[70]较早提出了一种基于曲率半径的模糊预瞄规则，并设计了3套不同反馈变量的模糊逻辑控制器，实现了对车辆横向运动的控制。

5 讨论与展望

1) 现有模型在驾驶人换道可行性分析上，仅考虑自车与相邻前后车的速度、距离、加速度和减速度等特性。但驾驶人换道决策模型还应综合考虑道路线型、标志标线、交通环境等综合因素，并将换道过程中的动态博弈行为纳入模型调节因子中。以大数据、机器学习为代表的新型智能换道模型，在模型数据容量与数据种类等方面具有较为突出的优势，但此类新模型多处在前期验证环节，因此现阶段宜将新型模型与传统模型互补迭代。

2) 典型换道行为特征的提取为换道意图识别与行为预测模型的构建提供了训练参数，同时影响换道行为因素的融合为模型的安全性提供了边界条件。在未来的研究中应进一步明确不同驾驶人群体间换道风格、车道偏好等方面的差异，在保障安全性的基础上为自动驾驶换道系统个性化、舒适性的设计提供理论支撑。

3) 针对驾驶人的“意图撤销”现象带来的不确定性，有必要在意图识别的基础上，开展换道行为预测的相关研究，将预警的依据由“是否有意图”上升到“是否会发生”维度，进一步提升换道预警的精确性和个性化，降低系统漏报警以及误报警发生概率。

4) 常见的换道轨迹规划方法多基于仿真的典型场景展开，由于真实路况条件下系统约束更加复杂化，因此在未来的研究中应多在实车试验中积累多样化的换道样本数据，以提升自主换道规划与控制模型的鲁棒性。此外，随着车路协同理论与车联网的发展，车辆的自动换道方法应朝着全局最优化的协同换道方向发展。