1、第 27 卷第 6 期2022 年 12 月哈 尔 滨 理 工 大 学 学 报JOUNAL OF HABIN UNIVESITY OF SCIENCE AND TECHNOLOGYVol.27No.6Dec.2022特约稿件高速公路场景下车辆变道行为探究刘彪，王恒阳，宋昱鹏，马晓宇(北京交通大学 电气工程学院，北京 100044)摘要:针对复杂动态交通环境下，智能网联汽车做出安全合理的变道决策需要大量数据为支撑的问题，对车辆变道行为特征进行深入研究。首先对真实交通信息数据集 NGSIM(next genera-tion Simulation)的驾驶数据进行平滑去噪处理，再识别出车辆变道行为的产
2、生和结束时刻，得到3 200个包含交通环境时序信息的驾驶行为片段;基于 8 车交通模型对本车道及相邻车道前、后、旁车的相对速度、相对纵向距离以及本车变道时间等车辆周围的微观交通特性进行聚类分析，归纳出车辆变道的原因及行为特征。结果表明，寻求更高的驾驶速度和规避前方慢车以避免碰撞是车辆采取变道行为的两个主要原因，车辆更倾向于往车道行驶车速快和变道安全距离长的车道变道;车辆的变道行为在纵向空间维度具有前瞻性。这为微观交通仿真、驾驶模拟、无人驾驶车辆换道决策数据集的建立提供了理论基础。关键词:自动驾驶汽车;智能交通;变道行为;数据分析DOI:10 15938/j jhust 2022 06 002中
3、图分类号:U461.6文献标志码:A文章编号:10072683(2022)06001311收稿日期:2022 04 07基金项目:中央高校基本科研业务经费(2021YJS152);国家重点研发计划(2017YFB1201304);北京市自然科学基金(L201021)作者简介:王恒阳(1996)，男，博士;宋昱鹏(1996)，男，硕士通信作者:刘彪(1982)，男，博士，副教授，博士研究生导师，E-mail:liubiao bjtu edu cnesearchon Vehicle Lane Changing Behavior on the HighwayLIU Biao，WANG Heng-ya
4、ng，SONG Yu-peng，MA Xiao-yu(School of Electrical Engineering，Beijing Jiaotong University，Beijing 100044，China)Abstract:Aiming at the problem that intelligent networked vehicles need a large amount of data to make safeand reasonable lane-changing decisions in complex dynamic traffic environments，the c
5、haracteristics of vehicle lane-changing behaviors are deeply studied.Firstly，the driving data of NGSIM(Next Generation Simulation)weresmoothed and de-noised.Then，the occurrence and end moments of lane change behavior were identified，and3，200 lane change behavior fragments containing temporal informa
6、tion of traffic environment were obtained.Basedon the 8-car traffic model，the micro-traffic characteristics around the vehicle，such as the relative speed，relativelongitudinal distance and lane change time of the vehicle before，behind and beside the vehicle in the lane andadjacent lane，were analyzed
7、by clustering，and the reasons and behavior characteristics of the vehicle lane changewere summarized.The results show that seeking higher driving speed and avoiding the slow vehicle ahead to avoidcollision are the two main reasons for vehicles to change lanes.Lane-changing behavior is forward-lookin
8、g in thelongitudinal spatial dimension.This provides a theoretical basis for the establishment of data sets for micro-trafficsimulation，driving simulation，and unmanned vehicle lane-changing decision-making.Keywords:autonomous vehicles;intelligent transportation;lane changing behavior;data analytics0
9、引言在微观交通流系统中，跟驰与变道是机动车的两种典型交通行为，是驾驶人通过对车辆运行环境的认知和对车辆运行状态的估计来调整决策思维并完成自身驾驶目标策略的综合行为过程1。由于相邻车道的影响，变道行为的研究过程更为复杂。且车辆变道行为会对周围的交通状况产生很大的影响，不合理的变道行为会造成交通阻塞，导致道路通行能力下降，甚至引发交通事故2。要使自动驾驶汽车做出安全合理的变道决策，需要对车辆变道行为进行深层次的探索和研究。近年来，随着车联网技术、智能网联汽车感知、决策技术的蓬勃发展，针对车辆变道行为的研究成为热点3 4。1986 年 Gipps5 基于规则的数理模型首次提出了车辆变道模型，在此基础
10、上，国内外学者针对变道行为特征方面开展了深入的研究。根据追求驾驶利益的不同，变道行为可以分为强制性变道和任意性变道6，张颖达等7 从微观交通特性的角度分析拟合出 5 次多项式自由换道和强制换道的横向移动轨迹，但未考虑周围车辆的相互影响。Mat-thew Vechione 等8 对 NGSIM 数据进行描述性统计，用于强制性与任意性换道行为的比较;J Nilsson等9 提出了基于规则的变道意图识别方法，通过计算横向速度线索和横向位置线索来确定车辆的运动机动;Chauhan Prajwal 等10 提出一种利用累积侧向速度导数的绝对值来识别换道作业时间窗;Tran D等11 提出了一个驾驶员意图
11、识别系统，利用连续隐马尔可夫模型，通过收集车速、加速度和转向角等时间信息来识别驾驶员的变道策略;吴斌等12 基于中国自然驾驶工况数据，分析了紧急转向变道避撞、侧移和稳定阶段的驾驶员转向特征，从变道车辆的角度研究了其转向变道持续时间、方向盘转速和转角的线性关系;马小龙等13 用无人机视频获取车辆行驶轨迹，从车辆换道行为的时间长度、空间长度、与周边车辆的相互状态、安全性等特征参数进行分析，但仅对换道执行阶段展开研究;庞梦圆14 分析了 NGSIM 数据集的车辆类型，提取出车辆换道次数、换道持续时间，用来刻画换道行为的微观特性;陈景旭等15 筛选和处理了 NGSIM 轨迹数据，以碰撞时间作为安全指标
12、，计算前后车速度、加速度、距离差值，对车辆跟驰行为的周围微观特性进行了分析，为车辆变道行为微观特性的研究提供了借鉴;黄玲等16 对 NGSIM 数据进行了处理，筛除部分不合理项，获得相邻车的相对状态信息;赵树恩等17 在离散化 NGSIM 数据中提取所需数据对变道过程周围微观状态进行分析，但仅考虑了靠近前车时对自车变道行为的影响;王雪松等18 从变道切入准备、实施过程、变道切入持续时间与转向灯使用情况等方面解析中国驾驶员的变道切入行为，并研究了自车变道行为对后随车的影响;张策等19 利用采集的高速公路驾驶数据获取每辆车连续的运行状态，识别换道行为，得到周围环境车辆对换道车辆影响的优先等级，但并
13、未考虑本车换道行为对周围车辆驾驶行为的影响。综上所述，现有的研究大多基于自然驾驶数据的预处理或描述性统计，从变道车辆本身的运动轨迹、运行状态参数的角度进行研究，对变道车辆周围微观交通流的研究较少且不够全面，而周围车辆的驾驶行为会对变道车辆的行为产生不可忽略的影响，挖掘微观交通流特性可以更直观地掌握车辆换道行为特性20 21。本文基于大量的自然驾驶采集数据，通过对车辆变道行为关键时刻的识别以及产生换道行为时周围车道车辆的驾驶行为、周围交通微观特性的分析，提取影响车辆变道行为的交通特性量以及车辆变道场景的一般规律，进而为后续驾驶行为决策数据集的建立提供理论基础。1数据集介绍与预处理1.1数据集介绍
14、NGSIM 数据集22 是由美国联邦公路管理局(US Federal Highway Administration)公开的自然驾驶数据集，该数据集通过安装在高速公路旁的监控系统获取到交通流视频信息，旨在收集可以用于研究微观车辆驾驶行为的车辆行驶轨迹数据。相关资料表明23，中美两国交通规则无太大差异，驾驶员的驾驶习惯比较相似，因此该数据集能够较准确地反映我国高速公路的车辆驾驶特性。41哈尔滨理工大学学报第 27 卷根据结构化场景研究需求，选取了两条子高速公路 NGSIM US 101 和 NGSIM I 80 的数据集。其中 NGSIM US 101 子数据集采集于 2005 年 6 月15 日
15、上午 750 至上午 835，采集地点位于美国加利福尼亚州洛杉矶 101 公路(US 101)共 640 m 的路段，该路段包括 5 条主车道和 1 条辅车道，车道从上到下依次编号为 1 6(见图 1)。NGSIM I 80 子数据集采集于 2005 年 4 月 13 日下午 2 时至下午 7时，采集地点位于美国旧金山湾区 80 号州际公路共500 m 的区域，该区域同样包含了 6 条高速道，车道从下到上依次编号为 1 6(见图 2)。图 1NGSIM US 101 车道编号Fig.1NGSIM I 101 lane number图 2NGSIM I 80 车道编号Fig.2NGSIM I 1
16、80 lane number两个子数据集一共包括 6 个约 15 min 时长的交通流信息文件(记录周期 0.1 s)。每个文件中的数据样本包含多种车辆信息，如车辆编号、车道号、车辆类型(摩托车、汽车、卡车)、时间戳、横向坐标、纵向坐标、速度、加速度、车身长度、车辆宽度、前车编号、后车编号等属性。图 3 展示了 NGSIM US 101 数据集 120 m 到 300 m 路段第 899 帧所有车辆数据;图4 展示了 NGSIM I 80 数据集60 m 到120 m路段第 603 帧所有车辆数据。图 3NGSIM US 101 路段(120 m 300 m)第 899 帧数据Fig.3Frame 899 data of NGSUM US 101 section(120 m 300 m)图 4NGSIM I 80 路段(60 m 240 m)第 603 帧数据Fig.4Frame 603 data of NGSUM US 80 section(60 m 240 m)1.2数据集处理经过总体分析，NGSIM US 101 子数据集和NGSIM I 80 子数据集共有776 398条数据记
