智慧車輛考慮駕駛員特徵的人性化行為決策方法

隨著智能車輛技術的發展，如何使這些車輛能夠模仿人類駕駛行為成為了研究的重點。智慧車輛不僅要確保行車安全，還要提高乘坐舒適性，這就需要瞭解和模擬不同駕駛員的駕駛特徵。本篇研究提出了一種基於駕駛員特徵的人性化行為決策方法，通過對駕駛員特徵的識別和分類，來實現智能車輛的個性化決策。

交通事故的主要原因來自於駕駛員錯誤。據統計，每年因道路交通事故造成超過100萬人死亡，其中94%的致命事故是由人為錯誤引起的。智能車輛能夠通過主動變道決策來減少由駕駛員錯誤引發的交通事故，從而有效降低事故發生率。

目前，智慧車輛的決策方法主要分為基於學習的和基於規則的。基於學習的方法，如增強學習、深度學習等，能夠在複雜場景下實現智能車輛的決策。而基於規則的方法則強調駕駛安全和舒適性，但這些方法往往忽略了駕駛員的個性化特徵。因此，本文提出了一種基於駕駛員特徵的決策方法，以提高智慧車輛的駕駛行為與人類駕駛員的相似度。整體架構如圖一。

圖一、人性化行為決策方法

駕駛員特徵識別方法

本文設計了駕駛實驗來收集駕駛員的數據，如圖二，這些數據能夠反映駕駛員的駕駛特徵。在模擬交通場景中，通過記錄方向盤角度、速度等數據，提取出九組特徵數據。這些特徵數據包括方向盤速度、方向盤角度的標準差和平均速度。

圖二、收集駕駛特徵的駕駛實驗

使用k-means聚類演算法將駕駛員分為激進型和保守型兩類。k-means演算法根據駕駛員的特徵數據，將其分類為兩個中心（激進型和保守型）。同時，為了處理數據的非線性和不連續性，設計了一個雙隱層的BP神經網絡來進行駕駛員特徵識別。BP神經網絡通過訓練集進行學習，最終能夠在線識別駕駛員的類型，如圖三。

圖三、BP神經網絡

人性化變道決策

在駕駛過程中，駕駛員需要根據主觀需求決定是否變道。本文考慮了三個因素來計算變道概率：速度優勢、車距和被迫變道。當前車輛速度小於期望速度時，駕駛員傾向於加速並超車；當相鄰車道的車距較大時，更適合變道；在道路結束時，必須強制變道。

通過計算相鄰車道的平均速度效率、平均時間效率和道路長度效率來確定變道概率。根據不同駕駛員類型設計不同的變道決策，如圖四。例如，激進型駕駛員更傾向於選擇前方車距較小的變道間隙，而保守型駕駛員則選擇較大的變道間隙以確保安全。

圖四、變道決策

模擬結果分析

本文通過模擬實驗驗證了所提出方法的可行性。實驗中設計了一個交通場景，測試了保守型和激進型駕駛員在不同速度和車距條件下的變道概率，如圖五。結果顯示，激進型駕駛員在相同條件下更傾向於變道，而保守型駕駛員則更注重安全。

圖五、模擬測試實驗

最後，通過路徑規劃方法，獲得了不同類型駕駛員的變道路徑。實驗結果顯示，激進型駕駛員選擇更靠前的變道間隙以獲得更高的交通效率，而保守型駕駛員則選擇靠後的變道間隙以確保行車安全。這表明，本文提出的人性化決策方法能夠根據駕駛員特徵做出相應的正確行為決策。

圖六、變道路徑比較（左：激進型，右：保守型）

本文提出了一種基於駕駛員特徵的人性化變道決策方法，通過駕駛實驗獲取大量駕駛數據，並結合k-means聚類演算法和BP神經網絡進行駕駛員特徵識別。根據不同駕駛員類型計算變道概率和變道間隙，實現了安全、高效的駕駛決策。未來的研究將著重於如何理論上確定人性化參數，以進一步提高決策的擬人化程度，從而更好地滿足日益複雜的交通環境和人們對乘坐舒適性的需求。

撰文：陳祖喬

Reference:

M. Cui, C. Wang, Y. Lv, W. Yu, H. Guo and Y. Tian, "Human-like Behavior Decision Making Method for Intelligent Vehicle Considering Driver Characteristics," 2022 6th CAA International Conference on Vehicular Control and Intelligence (CVCI), Nanjing, China, 2022, pp. 1-6, doi: 10.1109/CVCI56766.2022.9964503.