驾驶员换道过程越线时间的预测研究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]。

换道预警系统是集自动控制、人工智能、视觉计算、图像处理等众多技术于一体，是计算机科学、模式识别和智能控制技术高度发展的产物，它是传统安全驾驶辅助系统的一个重要分支，是提高车辆换道操作有效性、安全性的重要手段[5]。

在换道过程中，自车与周围车辆处在一个动态的时变环境中。

由于驾驶人行为特性极其复杂，受外在因素的多维干扰以及道路环境的时变性和汽车运行时无数随机因素的作用，单纯依靠驾驶人操控驾驶安全显得过于单一化，其驾驶安全也不能得到有效保障，这样驾驶安全存在一个很大的不稳定性[6,7,8]。

换道预警系统是基于机器视觉的理念，采用安装在汽车上的多方向传感器比如车道线识别系统、GPS、雷达、数码相机、惯导等，以用来获取自车周围障碍物信息。

因此，如果驾驶人在驾驶过程中，周围的行驶环境已经被检测到，那么当有危险情况发生时，驾驶辅助系统会对驾驶人进行危险警告，使驾驶人注意力集中，并让驾驶人意识到危险情况以及时采取适当的操作[9,10]。

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。

如今，很多的专家学者在换道预警系统中越来越重视TLC 这一评价指标，也进行了很广泛的深入和研究[11,12,13,14,15]。

现有的有关越线时间TLC 指标的研究，国内外大部分研究集中在TLC 的理论应用和TLC 预测模型这两个方面，也取得了比较好的理论研究成果。

但是，受限于过去实验手段的单一和实验仪器的性能，大部分TLC 预测模型基于驾驶模拟器来给予验证，而驾驶模拟器模拟的驾驶场景和现实的驾驶环境是存在一定出入的，因此，目前很多有关TLC 的研究没有实际的应用价值，只是局限于理论的研究范畴。

本文针对这种情况，依据实际道路上采集的驾驶人驾驶行为特性参数的值，提出了一种基于道路几何形状的计算TLC 的算法，并对影响到TLC精度的因素进行了研究，如车辆横向位移、车速、车辆的横摆角速度。

本文所建立的TLC 预测模型采用真实道路环境下所采集的实验数据给予验证，这样，所建立的TLC 的预测模型在换道预警系统更具有实用价值和参考价值，使得换道预警系统更完善，更有针对性。

随着汽车电子技术的不断发展，车载电子影音系统越加丰富，车辆驾驶辅助系统也越加智能。

但是，技术革新带来的影响是具有双面性的。

一方面，层出不穷的辅助驾驶功能降低了驾驶难度，为广大消费者带来了前所未有的方便快捷；另一方面，功能各异的电子影音系统在一定程度上增加了驾驶员的工作负荷，占用了一定的注意力资源，而由其引发的车辆偏离车道交通事故比例也在不断增长。

开展了车道偏离预警中决策涉及驾驶意图识别相关内容的研究是非常有必要的。

传统的车道偏离预警算法多基于视觉采集车道线信息，通过判断车辆相对车道线的相对位置来判断其车道偏离行为。

但在实际驾驶过程中，驾驶员在不开启转向灯时进行正常换道，也会被判定为有接近或者脱离标志线的行为，如果此时发生报警，则会给驾驶员造成一定的干扰，从一定程度上影响了驾驶员对LDWS的接受性。

ISO17361:2007国际标准中对LDWS 规定，系统在应用时的误报率和漏报率都要尽量少。

为此，世界各大汽车制造商和相关研究人员已经将研发重点转移到如何降低LDWS的误报率，提高用户接受度和满意度上，目前已经取得了一定的成果，比较有代表性的包括：(1)奥迪车载主动式车道保持功能奥迪主动式车道保持功能[11-12]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。

图1.1 奥迪主动式车道保持系统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。

(2)沃尔沃车道偏离报警系统沃尔沃车道偏离报警系统[13]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。

(3)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[4]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。

2、国内外研究现状有意识换道是驾驶员的主动行为，是驾驶员比较清楚地意识到要争取实现的目标和方法的需要，行为实施前会有一个意识准备过程，也就是产生换道意图；而无意识的车道偏离则是驾驶员无意识的行为方式，是驾驶员在注意力减弱或转移时产生分心而导致的车辆意外偏离。

国内外针对驾驶员换道意识的判别也主要是从驾驶意图识别和无意识车道偏离识别两个方面进行研究。

而本文由研究要求的需要，只对驾驶意图识别进行研究现状的综述。

很多的专家学者在换道预警系统中越来越重视TLC 这一评价指标，也进行了很广泛的深入和研究[11,12,13,14,15]。

现有的有关越线时间TLC 指标的研究，国内外大部分研究集中在TLC 的理论应用和TLC 预测模型这两个方面，也取得了比较好的理论研究成果。

2.1越线时间相关国内外研究2.1.1、TLC 预测模型（1）荷兰应用科学研究组织人为因素研究所的W. Van Winsum、荷兰格罗宁根大学环境和交通心理学研究中心的K.A. Brookhuis b, D. de Waard等[16]提出了一种基于横向位移的近似计算TLC 的模型。

其中：y 为前轮到车道边线的横向位移，y' 为横向速度，如果y'=0，TLC1为无穷大。

考虑非线性车辆运行的轨迹，在这里横向速度的变化率y' 作为修正系数被应用，它通过投影的横向速度的一阶导数和二阶导数作为目前横向速度的补充，这时假定横向速度不是恒定不变的。

（2）M. Tideman等[17]在2007 年美国西雅图智能交通运输国际会议上提出了基于TLC的算法。

基于TLC的安全辅助的优势在于：在相对地早期阶段能够发现可能的车道偏离，所建立的模型能够用来评估车辆将要离开车道的运动。

基于TLC建立了两种评估模型：第一种是假设车辆将保持当前的航向，而第二种模型则假设驾驶人将保持当前的方向盘转角。

第一种算法模型的计算公式为：其中，Δy'c 为车辆中心和车道中心之间所要预测横向位移的偏移，Δy c为车辆中心和车道中心之间实际横向位移的偏移，θ为车辆和车道的实际角度，Δx为预计行驶距离。

第二种算法模型的计算公式为：其中，Cc 为车辆运动轨迹的弯曲曲率。

（3）瑞典Linköping 大学电气工程控制与交通系的Andreas Eidehall 提出了一种基于横向位移和横向速度来计算车辆的越线时间[18]，如下述公式所示。

其中，TLC1为越过车道A的时间，TLC2为越过车道B的时间，W veh为主车道宽度，y off为横向位移，v 为车速。

（4）长安大学的王畅[19]提出了一种基于拟合的换道轨迹计算TLC 的方法。

论文中所构建的7次多项式换道模型如下：其中，y为车辆在横向方向距车道线的横向位移，x为车辆在纵向方向的行驶位移。

实际换道轨迹由车辆在纵向和横向方向上的速度与时间直接决定：2.1.2、TLC 的理论应用（1）美国卡内基梅隆大学的Parag H. Batavia 等[20]提出了两种计算TLC 的理论模型：一种是动态预测，如图1.4（a）；一种是采用记忆训练方法来计算TLC，如图1.4(b)。

a）动态预测模型：动态预测车辆的位置是一个很简单的模型，它是通过声音来执行的。

它需要给定当前车辆的状态，包括车辆的车道位移和车辆的横向速度，这样可以计算出在t的时间里计算出车辆的横向位移。

其计算算法公式为：其中，lp' 为所要预测的车道位置，lp为当前车道位置，lv为横向速度，t为所要预测的时间。

b）记忆训练预测：把所有换道数据以2 维数组（横向位移x 横向速度）存贮在训练数据库中，并以简化了的MBL 学习方法进行训练。

当向训练数据库里输入一个当前的横向位移和横向速度时，它会输出一个在ts 时间里所要预测的实际的横向位移。

(2)加利福尼亚大学的Mingyu Shi [21]提出了一种实时识别驾驶操纵行为以用来改善安全性。

其主要实现手段如下：a）利用ARMAX结构对驾驶行为进行建模，该模型的输入包括前瞻横向位置和道路曲率，模型输出为转向角度。

先利用离线数据分析确定ARMAX的最佳状态，然后应用到实时系统中。