王珂 王艳阳 邓修金 黄秋实 廖凯凯

（1.西华大学，汽车测控与安全四川省重点实验室，成都 610039；2.西华大学，流体及动力机械教育部重点实验室，成都 610039）

主题词：不确定性 轨迹预测 控制方法 智能汽车

1 前言

智能车系统包括3 个关键子系统，即认知系统、决策系统和执行系统。认知系统的主要功能为辨识当前驾驶环境和行为意图，并估计和预测未来环境变化，为决策和执行系统提供可靠的依据。而对复杂道路环境的认知是智能车辆认知系统的重要功能，其关键技术之一为车辆轨迹预测。

车辆轨迹预测基于当前或前一段车辆轨迹与环境信息，对该车辆的行驶轨迹进行预测。其预测精度直接决定了车辆的安全性、稳定性和舒适性。然而复杂交通环境具有多种不确定性，例如下一时刻交通环境的突变不可知、车辆建模过程的简化问题、传感器的测量误差及失效问题、驾驶行为的不确定性以及多车间的交互与博弈等。上述不确定性会直接影响车辆轨迹预测精度，甚至导致车辆偏离安全路径，提高碰撞风险。

针对上述问题，本文通过对车辆轨迹预测时面临的不确定性问题进行综述，分析单车轨迹预测时的环境预测不确定性、车辆模型不确定性和环境感知不确定性，以及多车间的驾驶行为不确定性和多智能体间的交互与博弈，并进一步分析这些不确定性对轨迹预测的影响，以明确不确定性对车辆轨迹预测的影响机理及控制方法，为解决不确定性导致的车辆轨迹预测误差问题提出合理的解决思路，并对有待进一步解决的问题进行讨论，对未来的研究方向进行展望。

2 车辆轨迹预测方法及其不确定性

车辆轨迹预测方法主要包括3个类别：基于行为认知的轨迹预测、基于大数据驱动的轨迹预测和基于物理学模型的轨迹预测。

基于行为认知的轨迹预测方法主要依据车辆加速、减速、变道和跟踪等驾驶行为的认知结果来估计和预测未来的车辆轨迹，因此能够在长时间段内从抽象层面预测车辆的运动趋势。原型轨迹聚类法是基于行为认知的轨迹预测方法之一，C.Hermes及其团队提出了一种基于轨迹分类和粒子滤波框架的长期预测方法，可对未来某段轨迹进行实时估计和预测。高斯过程学习法也是基于行为认知轨迹的预测方法之一，T.Christopher提出了一个基于高斯过程的完整轨迹级概率运动模型。该模型为采用隐马尔可夫模型构建驾驶行为模型的一种变体，其优点是能够独立于状态空间表达未来的运动。基于行为认知的轨迹预测方法还包括驾驶行为认知及轨迹定义法，但基于行为认知的轨迹预测方法未考虑较低层次的车辆运动相关信息，如加速度、转向盘转角和路面附着系数等，因此在短时间内预测精度较差。针对这一问题，B.D.Kim及其团队提出了一种基于递归神经网络的车辆轨迹预测框架，通过深度神经网络模型从大量的轨迹数据中学习车辆的复杂行为，基于此轨迹预测方法采用长短期记忆（Long Short Term Memory，LSTM）递归神经网络分析周围车辆的行为并预测未来的坐标。裴炤等人将长短期记忆网络与社会亲和力映射图相结合进行轨迹预测。同时，季学武等人设计了一种基于长短期记忆网络的驾驶意图识别及车辆轨迹预测模型。此外，基于行为认知的轨迹预测方法的基础为驾驶行为认知，而驾驶风格的多样性、驾驶员身体状态的时变性和驾驶环境的突变性及多样性会直接导致驾驶行为认知存在极大的不确定性，进而影响车辆轨迹预测精度。

基于大数据驱动的轨迹预测方法首先，对数据库中的知识进行学习和挖掘，然后利用大量数据序列和数据驱动模型（如深度学习网络模型）对车辆轨迹进行预测。大数据驱动轨迹预测能够在较长时间段内对车辆轨迹进行预测，但是该方法也没有考虑底层车辆运动信息，因此在短时间内预测精度较差。针对这一问题，许多团队提出了长短期记忆模型预测方法。此外，基于大数据驱动的轨迹预测方法对数据库要求较高。文献[8]采集了3 730 s的驾驶信息，其中1 325个案例信息超过4 s，且85%的案例为训练集，15%的案例为验证集。文献[9]通过采集261位行人的出行轨迹，研究行人与环境的交互信息。唐坤将早高峰时段7:00～9:00 以30 min为间隔划分为4个连续时间段，在84 100个路段采集了329 083个驾驶行为数据。而数据库在数据精度、数据容量、数据实时性及人为主观因素等方面具有不确定性（或者多样性），这会直接导致大数据驱动的轨迹预测的不确定性，进而增大车辆轨迹预测误差。

基于物理学模型的轨迹预测方法，依据运动学和动力学定律，采用数学语言描述车辆的物理运动，根据车辆加速度和转向盘转角，结合车辆结构参数和路面工况等外在条件，预测车辆姿态及未来车辆轨迹。该方法直接考虑车辆底层运动信息，因此在短时间内可以对车辆轨迹进行精确预测。但该方法既没有考虑自车变道、转弯和加减速等驾驶行为信息，又没有考虑其他车辆的行驶工况和行人行为，也较少考虑车辆建模过程中的不确定性，例如车身质量的时变性、滑移率测量的精确性和车辆机电耦合的复杂性等。针对上述问题，文献[11]建立平板制动试验台，构建轮胎动力学模型，研究了车载质量对车辆制动性能的影响。文献[12]研究了基于滑移率辨识的汽车制动时序视觉检测方法。文献[13]提出一种主动悬架系统的多目标优化控制方法，建立机电耦合的集成模型，研究了电磁激励特性，并分析了其对车辆动力学的影响。这些不确定因素会直接降低车辆轨迹预测精度。更严重的问题是，基于物理学模型的轨迹预测误差会随时间的推移而不断累积，最终导致预测误差较大，无法满足智能车辆决策和控制的需求。针对该问题，李培新等人将车辆运动学模型进行线性化处理，得到车辆运动学线性跟踪误差模型。同时，潘世举及其团队基于车辆动力学模型，提出了基于跟踪误差模型的智能车辆轨迹跟踪方法。研究结果表明，当车速小于15 m/s 时，横摆角误差成功控制在0.52 m 以内，偏航角误差控制在0.067 rad以内。

综上所述，基于行为认知的轨迹预测方法与大数据驱动的轨迹预测方法主要考虑车辆上层运动信息和历史运动数据来完成未来长时间段内的车辆轨迹预测。而基于物理学模型的轨迹预测方法主要考虑车辆的底层运动信息进行未来短时间段内的车辆轨迹预测。为了兼顾未来长、短时间段内的预测精度，上述3 种预测方法常结合使用，这在一定程度上可以提高预测精度。但无论是结合使用还是单独使用，对3种预测方法不确定性的相关研究较少。车辆在实际运行工况中，驾驶行为的不确定性、数据库的不确定性和车辆模型及其行车环境的不确定性无法避免，而这些不确定性会直接影响预测算法的有效性，进而降低轨迹预测精度。驾驶行为不确定性会直接影响车辆制动、换道和转向等工况，进而造成车辆当前时段的车辆轨迹与环境信息突变，影响车辆未来行驶路径和轨迹精度受。数据库的不确定性会直接影响车辆轨迹预测精度。车辆模型及其行车环境的不确定性会带来过程噪声和测量噪声。物理模型建立过程中，假设了一些参数（如速度、加速度和角速度等）恒定，而在车辆实际行驶中，这些假设会产生变化，且随着时间的推移变化不断加大，这些假设会使车辆轨迹预测误差增大，称为车辆行驶的过程噪声，是影响车辆轨迹精度的关键因素之一。传感器对行车环境的数据采样信息会产生测量误差，称为测量噪声，也是影响车辆轨迹精度的关键因素之一。

3 环境预测不确定性

环境预测不确定性的研究主要包括2个方面：非预期障碍物规避和复杂天气下物体高精度感知。

在非预期障碍物规避方面，胡延平及其团队采用衍生状态格理论，充分考虑了障碍物的静止及运动状态，进一步研究了直道避障模型和弯道避障模型，结合智能车辆轨迹预测算法，提出了避障车辆和障碍物状态格之间的轨迹规划问题。针对城市复杂交通环境换道时紧急避障的问题，张锐陈基于直线道路工况和弯曲道路工况利用奇次多项式确立了换道避障轨迹规划方法，并建立了前方障碍物与自车之间的安全距离模型。文献[18]提出了一种避障算法用于多目标优化，设计了动态障碍物管理器。针对智能车辆在紧急工况下的主动避障控制问题，文献[19]开发了一种集成自适应巡航控制、后转向控制和侧翻制动控制的主动安全协同控制系统。

在复杂天气下物体高精度感知方面，王科基于车载视频图像理论，针对雾霾天气下成像效果差的问题，提出了基于亮度通道引导滤波的视频图像去雾算法。研究结果表明，该算法能有效改善图像对比度和清晰度，计算效率分别比彩色直方图均衡化方法和多维图像增强算法（Retinex算法）提高了63.9%和98.3%，满足视频图像去雾需求。同时，隗寒冰等针对城市复杂动态环境下光照突变和识别精度低的问题，提出一种基于网状分类器与融合历史轨迹的多目标检测与跟踪算法。针对高速公路复杂路段不良天气条件导致的交通安全问题，邵东建分析了车速、圆曲线半径、超高、纵坡、降雨和横风等影响因素，运用正交试验法确定各因素影响程度，建立了高速公路行车风险评价体系。徐晶通过建立统一的去雨、雪和雾模型来提高图像处理能力，优化数据滤波算法。

上述工作主要从非预期障碍物规避及复杂天气下物体高精度感知方面研究环境预测不确定性，并通过预测模型、控制系统、图像处理和目标跟踪检测等方法来降低环境预测不确定性，但针对环境预测不确定性对车辆轨迹预测的影响研究较少。一方面，环境预测不确定性会导致车辆轨迹预测误差增大，甚至直接导致车辆失稳失控。例如非预期障碍物的出现造成车辆碰撞，导致车辆当前行驶轨迹与环境信息直接丢失，直接导致车辆轨迹预测失效。而突发的大雾、大雪和暴雨等天气会直接影响行车环境的辨识，提高车辆获取未来预测轨迹的难度，影响轨迹预测的精度。另一方面，环境预测不确定性会直接导致车辆紧急制动或者重新预测行驶轨迹、频繁更换行车路径，这会直接影响车辆的乘坐舒适性和行驶平顺性。若割裂环境预测不确定性对车辆轨迹预测的影响，单独研究环境预测的不确定性或者车辆轨迹预测方法，无法从系统层面提高智能车辆的安全性、舒适性和平顺性。

4 车辆模型不确定性

4.1 车辆物理模型

车辆物理学模型主要是基于物理定律由复杂的实际状况转化而来，可分为动力学模型和运动学模型。基于物理学模型的轨迹预测方法根据车辆加速度、转向盘转角等控制，输入结合外界条件以及车身特性对车辆位置、偏航角和速度等车辆状态进行预测。

车辆动力学模型主要考虑车辆运动的各种外力（如纵向和横向轮胎力）或道路倾斜角度，基于拉格朗日方程计算车辆的运动参数，车辆动力学模型的不确定性主要包括模型误差及作用于车辆的各种外力。为了估计车辆横向速度及作用于车辆的外部干扰，Lin 基于2 自由度车辆轨迹预测模型，结合稳定卡尔曼滤波算法，减小了模型不确定性。文献[25]在考虑了各种外力等不确定性因素的前提下，提出了基于动力学模型的车辆轨迹预测方法。另外，为了研究道路倾斜角度这一不确定性对轨迹预测的影响，刘凯及其团队基于路面具有一定倾角的智能车辆动力学模型，提出了越野地形下的轨迹跟踪方法，并进一步推导了基于零力矩点的车辆侧倾安全约束。针对车辆动力学模型轨迹预测，P.Wang 及其团队提出了一种新的交叉口车辆运动轨迹预测方法，该方法依赖于融合车辆动力学和对驾驶员未来动机的估计，通过偏航角卡尔曼滤波和位置卡尔曼滤波组成的双卡尔曼滤波算法估计当前车辆状态，根据道路几何信息和特定驾驶员的驾驶行为确定所需的轨迹。同时，文献[15]基于车辆动力学模型，提出一种基于线性时变模型的预测控制方法，以提升车辆轨迹预测精度。针对在复杂动态环境下智能车辆轨迹预测效果较差的问题，文献[28]提出基于车辆稳态动力学的高动态环境下驾驶辅助系统动态轨迹规划算法，在车辆轨迹预测的基础上建立“搜索空间”，在搜索空间中对发生器产生的每个轨迹进行评估，选择最优条件下的最优轨迹。

车辆运动学模型主要在不考虑车辆受力的情况下，根据车辆运动的各种参数来描述车辆的运动。运动学车辆轨迹预测模型根据速度、加速度等参数是否恒定，可分为恒速度（Constant Velocity，CV）模型、恒加速度（Constant Acceleration，CA）模型、恒横摆率和恒速度（Constant Turn Rate and Velocity，CTRV）模型、恒横摆率和恒加速度（Constant Turn Rate and Acceleration，CTRA）模型、恒转角和速度（Constant Steering Angle and Velocity，CSAV）模型、恒曲率和恒加速度（Constant Curvature and Acceleration，CCA）模型和恒转角和加速度（Constant Steering Angle and Acceleration）模型等。运动学模型的关系如图1所示，其中为加速度，为偏航角，为曲率，为偏航角速度。这些模型的运用可以忽略地面对车辆的摩擦力等外界作用力，使车辆轨迹预测更为简单高效。运动模型的不确定性是指轨迹预测的过程噪声，为了减小运动模型轨迹预测噪声，鲁浩基于滑动参数估计对滑动转向车辆轨迹预测进行了研究，在深入分析滑动转向车辆转向运动学及动力学特性的基础上，提出了一种基于瞬时转向中心的运动学建模方法，通过将车辆运动微分方程在参考轨迹上线性化，建立了线性时变扰动矩阵微分方程，并基于线性控制理论推导了轨迹误差的闭式解析解。同时，为了降低噪声的干扰，进一步提高预测精度，文献[32]提出基于同步定位与地图创建（Simultaneous Localization And Mapping，SLAM）算法的不变扩展卡尔曼滤波（Invariant Extended Kalman Filter，In-EKF）算法，研究了算法的一致性和收敛性。针对运动学轨迹预测模型长时域预测精度较差的问题，A.Houenou等提出了一种基于CTRA模型的轨迹预测和基于机动识别的轨迹预测相结合的轨迹预测方法。该算法既能保证短时域的轨迹预测精度，也能保证长时域的轨迹预测精度。运动学轨迹预测模型在导航系统中也有应用，文献[34]采用基于误差的卡尔曼滤波通过反馈策略进行数据融合处理，并利用运动学约束来提高惯性导航系统多普勒速度日志（Inertial Navigation System-Doppler Velocity Log，INS-DVL）导航性能。许建新等人设计了适用于智能手机平台的基于车辆运动模型辅助的车载航位推算（Dead Reckoning，DR）/全球定位系统（GlobalPositioning System，GPS）组合导航方案。

图1 运动模型间的关系[30]

上述工作主要研究了基于车辆物理学模型的智能车辆行驶轨迹预测方法对模型不确定性的处理，而没有充分研究车辆物理学模型的各种不确定性对轨迹预测的影响。复杂动态环境具有非线性、传感器量测延迟或信号丢失、传感器测量误差、外部未知干扰、噪声和非高斯等复杂特性，这些特性可能出现共存和耦合，就会造成模型的不确定性。车辆物理学模型的不确定性（如各种外力等不确定性因素）一方面会使车轮附着力降低，增加车辆侧翻风险，另一方面会直接导致轨迹预测精度降低，影响驾驶的安全性。之所以没有充分考虑车辆物理学模型的各种不确定性因素，是由于车辆建模过程中，要求从具体的实体车辆转换成抽象的物理模型，得到方便表达和计算的数学公式，这需要对车辆实体及其运动进行条件假设、参数近似和参数取舍。

4.2 车辆模型不确定性处理

在车辆轨迹预测中，针对车辆模型不确定性的处理主要有5种方法：卡尔曼滤波（Kalman Filters，KF）、扩展卡尔曼滤波（Extended Kalman Filters，EKF）、无迹卡尔曼滤波（Unscented Kalman Filters，UKF）、粒子滤波（Particle Filters，PF）和蒙特卡洛（Monte Carlo）等方法。S.Qiao等人提出了一种基于动态卡尔曼滤波的轨迹预测方法，对运动物体的动态行为进行状态估计，更新状态变量估计值。但卡尔曼滤波方法假设模型每一步迭代中，其先验概率都满足高斯分布，且所求解的方程为线性方程，所以KF 不能有效求解非线性方程（如非线性CTRV 模型）。Todoran 等基于扩展卡尔曼滤波方法将非线性问题线性化，实现了对非线性运动方程的概率估计。但在强非线性条件下，EKF会因为近似误差较大而出现较差的估计结果，甚至出现发散现象。而且J.Schulz 等人提出将多模型无迹卡尔曼滤波应用在动态贝叶斯网络意图估计和轨迹预测中。UKF 是KF 与无迹变换（Unscented Transform Theory，UT）的结合，对非线性问题进行概率分布估计，同时，PF基于粒子理论，通过产生大量的粒子，对非线性问题进行求解，但大量粒子的仿真会产生实时性问题。蒙特卡洛法通过构造概率模型，从已知概率模型进行随机抽样，产生随机变量，对目标变量进行数学估计。蒙特卡洛法一般需要大量的试验，试验次数越多，所得结果越精确。

文献[30]分析了车辆模型不确定性的处理方法，其描述CTRV模型主要是以加速度和角速度恒定作为假设条件，这2个假设为实际过程的主要过程噪声，其均值为0，且服从高斯分布，可计算得到CTRV模型中处理过程噪声的协方差矩阵。图2所示为CTRV模型，其中为偏航角，为车辆行驶速度。CTRV 运动模型为非线性模型，故需应用EKF处理运动模型的不确定性和传感器测量的不确定性，从而提高轨迹预测精度。通过对GPS进行分析，可以从接收机上得到由经纬度到平面坐标系的转换结果，表1所示为部分GPS经纬度坐标转换后的平面坐标。基于CTRV模型的预测轨迹是结合了GPS与惯性传感器（Inertial Measurement Unit，IMU）的融合定位数据，运用EKF算法处理模型噪声和传感器测量噪声，最后通过仿真可以得到车辆轨迹预测结果，如图3所示。

图2 CTRV模型[45]

表1 部分GPS经纬度坐标转换后的平面坐标[45] m

上述工作主要研究了车辆模型不确定性的处理算法，而没有分析对不确定性处理的效果。由图3a可以看出，EKF在弯道处的滤波轨迹符合车辆实际转弯工况下的轨迹，并且整体滤波达到预期效果，由图3b可以看出，线性轨迹的滤波效果误差小于3 m，弯道处轨迹的滤波误差为4～10 m。EKF 在弯道处的滤波效果与轨迹的滤波效果相比误差明显，并且在曲率较大的弯道处滤波有发散的趋势，这会带来智能车辆行车舒适性和安全性问题，因此需要进一步寻求更加优化的滤波算法来解决问题。而且EKF存在状态突变、未知干扰以及模型失配等情况，会造成车辆轨迹预测精度低及鲁棒性差的结果。

图3 基于CTRV运动模型的EKF轨迹预测[45]

5 环境感知不确定性

环境感知技术利用传感器对车辆所处环境及自身状态进行感知，为车辆的操纵和控制提供有效依据。环境感知不确定性是车辆轨迹预测的前提，主要来源于传感器，主要包括传感器测量误差和传感器失效两个方面。

传感器测量误差是环境感知不确定性的主要因素。降低传感器测量误差的方法主要包括传感器的融合与降噪。目前，车辆轨迹预测所使用的主要传感器包括车载摄像机、激光雷达、毫米波雷达、GPS 接收机和IMU。车载摄像机基于环境数据库匹配行驶环境中的实物，其具有检测距离远、成本低和帧速率高等优点，但易受光照、气候环境影响。激光雷达通过发射激光束探测目标位置，定位原点为车辆本身，如美国加州威力登（Velodyne）公司某多线全视场激光雷达具有64 个激光通道，探测范围为120 m，垂直角度为26.8°，垂直角分辨率为0.4°，探测精度达到了2 cm，能够实现全视场的3D环境描述，具有数据量大、实时性强的特点，可用于对目标车辆进行定位跟踪，同时具有高分辨率、隐蔽性好和低空探测性能好等优点，图4所示为激光雷达车身分布情况，但激光雷达受恶劣天气影响较大，抗环境变化能力差，且制造成本高。毫米波雷达工作频率通常选在30～300 GHz频域，其具有波束窄、隐蔽性好和抗环境变化能力强等优点，但其加工难度大，制造成本高。GPS传感器利用卫星作为参考点，在地面上进行三角交叉测量，计算接收器的位置，对本车进行定位追踪，具有使用方便和成本低等优点。然而，GPS存在高层建筑信号闭塞、更新频率较低和短期精度较差等问题。IMU作为参数解算系统，包含一个三轴陀螺仪和一个三轴加速度计，用来计算相对于全球参照系的姿态、角速度、线速度和位置。IMU具有良好的稳定性和短期精度，且更新频率高，但IMU 在长时域的误差较大，并会增加每次使用前初始对准时间的工作量。

图4 福特汽车车身激光雷达布局[48]

刘志励通过对车载摄像机和激光雷达进行研究，提出了基于双目视觉与激光雷达的局部路径规划算法。陈艳等提出了GPS和机器视觉的组合导航定位方法，并使用UKF 算法提升定位轨迹的精度和稳定性。华中科技大学郭嘉斌通过对单目车载摄像头与IMU 的研究提出了一个基于先验模型的视觉惯性混合追踪系统。赵翔及其团队提出了基于摄像机和毫米波雷达的车道级定位方法。文献[53]提出了毫米波雷达和激光雷达数据融合的SLAM 算法。文献[54]通过对激光雷达和IMU 的研究，提出了激光雷达/IMU 组合导航定位方法。陶倩文提出了基于车载激光雷达与GPS 数据融合的智能车高精度定位方法。文献[56]研究了高分辨成像中的GPS 和IMU 应用方法。在GPS 与IMU 融合系统中，可采用EKF处理传感器测量值，进一步得到更加准确、稳定的载体数据，处理方式如图5所示。

图5 GPS与IMU的传感器融合定位[57]

对于传感器降噪（不确定性）处理，同样采用KF、EKF、UKF、PF和蒙特卡洛这5种滤波算法。文献[58]提出了基于UKF 的位置融合和验证算法，旨在减小智能车辆传感器噪声，使车辆的行驶安全性能得到改善。通过建立短时短距航迹推算模型进行定位预测，使UKF实现预测定位结果与实际定位结果的非线性融合，从而提高定位精度。通过定位校验算法，判断实际定位数据是否发生偏移。UKF通过无迹变换解决KF在推理过程中的非线性传输问题。同时，文献[59]提出了基于CTRV模型的UKF 算法用于处理模型的过程噪声及传感器的测量噪声，研究结果表明，滤波器基于运动学模型并结合传感器的测量实现了理想目标真实状态的预测，且UKF 的滤波效果明显优于EKF 的滤波效果。T.Wang 及其团队提出了一种改进的卡尔曼滤波（Improved Kalman Filter，IKF）算法对四维轨迹进行估计，能够对传感器误差进行实时估计，提高了轨迹预测精度。为减小传感器的测量噪声，权义萍等人提出一种基于均值漂移（Mean-Shift）的卡尔曼粒子滤波算法来过滤传感器噪声，提升了物体追踪精度。

上述工作主要研究了传感器测量误差带来的环境感知不确定性，并通过传感器融合及5种滤波算法来降低传感器测量误差，提高轨迹定位精度，但缺少对传感器融合使用时在车身上的相对位置关系及数量的研究，以及对车辆轨迹预测精度影响的研究。对于车载传感器融合使用时在车身上的相对位置关系，需要针对每个传感器建立以自身为中心的坐标框架，然后在每2个传感器坐标间选取公共联测点，通过建立精确的传感器相对位置关系，降低传感器的测量误差，提升车辆轨迹预测精度。同时，传感器数量的增多会导致冗余数据的生成，增加算力要求，且增加决策时传感器优先级设计工作。因此，合理选择传感器及其数量能够优化系统算力，进一步提升车辆轨迹预测精度。

6 驾驶行为不确定性

驾驶行为不确定性主要体现在每个驾驶员的驾驶风格各有差异，对驾驶环境的解读也有所不同。关于驾驶行为不确定性的研究主要包括理论基础、模型建立和驾驶辅助系统3 个方面。驾驶员的行为在“人-车-路”控制系统（图6）中扮演着重要角色，为决定道路交通安全的关键因素之一。据美国国家公路交通安全管理局估算，虽然2020 年美国民众高速公路乘车出行总里程比上一年减少13.2%，但是车祸死亡人数增加约7.2%，为38 680人，创下2007年以来的新高。而这与超速驾驶、不系安全带以及醉酒、吸毒等多项危险驾驶行为存在关联。因此研究驾驶行为不确定性，对提升道路交通行驶安全十分关键。

图6 “人-车-路”控制系统[62]

6.1 理论基础

针对驾驶行为不确定性理论的研究，文献[64]提到，为了得到驾驶行为不确定性的理论依据，M.Yeo 及其团队通过对健康的驾驶员在车内的驾驶行为进行实时监控，提出基于支持向量机方式记录驾驶员在驾驶与静止2种状况下的脑电波，然后进行对比分析得出驾驶行为不确定性的理论依据。同时，A.Liu 提出2 种驾驶意图的推测方法理论，分别依据驾驶人的操作及所处环境，以及基于车辆的行驶参数。Berndt 教授提出了车道保持与驾驶行为的实时识别理论基础。王晓原等人将仿生学原理、D-S证据理论应用于驾驶行为。文献[68]基于行为和生理指标理论对驾驶行为不确定性进行研究。合肥工业大学谢国涛博士结合当前智能车驾驶行为不确定性的研究现状，提出了智能车驾驶行为认知方法理论框架，其一方面通过机器学习方法、博弈论方法和投票法对空间域的驾驶行为进行研究，另一方面通过固定时间窗口法、基于递归神经网络（Recurrent Neural Network，RNN）方法和马尔可夫（Markov）理论法对时间域的驾驶行为进行研究，如图7所示。

图7 驾驶行为认知方法[1]

上述工作主要对驾驶行为不确定性的理论基础进行了研究，而没有建立仿真模型。仿真模型的建立一方面能够更深入理解理论基础，另一方面可以通过模型仿真结果对理论基础进行验证。

6.2 驾驶行为模型

驾驶行为建模的目的就是预测驾驶动作、驾驶员心理和环境因素。驾驶行为模型的建立对驾驶行为不确定性研究十分关键，文献[69]提出了一类基于轨迹预测的驾驶员转向控制模型。同时，文献[70]基于鲁棒反步滑模控制理论，建立了汽车驾驶自动转向模型。2013年，肖献强及其团队利用隐马尔可夫模型，根据多项驾驶操作动作的观测特征，建立了驾驶行为不确定性的预测模型，其采集的操作信息及意义如表2 和表3 所示。该模型可以对转向与跑偏驾驶行为进行较好的预测，轨迹预测精度明显提升。在驾驶行为不确定性模型研究基础上，文献[72]建立了语义交互卷积驾驶行为模型。为进一步提高轨迹预测的精度，文献[73]建立了驾驶员变道的控制预测模型，文献[74]提出了基于模糊C均值和自适应神经网络相结合的变道分层预测模型。

表2 采集的操作动作信息[71]

表3 操作动作指标信息及意义[71]

上述工作主要对驾驶行为不确定性的模型进行了研究，重点分析了驾驶操纵行为的不确定性。通过对驾驶行为建模学习，可在高级驾驶辅助系统（Advanced Driver Assistance System，ADAS）层次对错误的驾驶操作进行危险预测，对驾驶员不良行为进行警告。这些模型包括融合概率模型、AI 模型和激励模型的微观模型。概率模型能够对车辆轨迹预测路径进行最优选择；AI模型能对驾驶行为大数据进行深度学习，存储于知识库中，供车辆在离线状态下进行轨迹预测；激励模型会考虑车道风险标准，能融入个性化因素，提高当前路段的环境信息识别能力，进而优化未来一段时间的车辆行驶轨迹。但基于驾驶行为不确定性的微观模型存在参数调节困难、算力要求高和交通流场景预判困难等问题，这些问题是影响车辆轨迹预测精度的关键因素。因此，为提高算力和优化模型，还需建立宏观模型（交通流）或微观与宏观混合模型，如道路网络模型（拓扑结构），故对多智能体间的交互行为不确定性研究十分必要。

6.3 驾驶辅助系统

ADAS主要包括车道保持、自动泊车、制动、倒车和行车5 个辅助系统。驾驶辅助系统的功能之一是轨迹预测，其精度可直接体现驾驶辅助系统性能的优劣，但系统不一定符合每个驾驶员的操纵习惯，这将导致驾驶行为不确定性。为提高驾驶辅助系统对驾驶员特性的自适应性，文献[75]提出基于神经网络方法研究具有驾驶人特性自学习的驾驶行为识别方法，以此方法融入驾驶辅助系统的高层控制来提高对驾驶员特性的自适应性。考虑到驾驶员的驾驶习惯，文献[76]基于机器学习算法自动识别危险驾驶行为，设计了智能辅助驾驶系统。文献[77]通过设计轨迹跟踪控制器，采集驾驶人驾驶行为数据，设计了基于驾驶行为的智能车个性化换道辅助系统。同时，文献[78]通过模糊聚类和随机森林算法建立驾驶行为的个性化车道保持辅助系统。张佳旭在纵向驾驶辅助系统的研究中，针对不同类型的驾驶员，设计了个性化的纵向控制策略。在个性化和智能化的驾驶安全辅助系统研究方面，肖献强等人提出了基于有向图的个性化驾驶员驾驶行为操纵模式建模方法。

上述工作主要针对驾驶辅助系统影响驾驶员操纵习惯的问题，研究了驾驶员驾驶行为操纵特性，进一步提出个性化驾驶辅助系统，以适应不同驾驶员的驾驶风格，降低驾驶行为的不确定性。目前，驾驶辅助系统主要依赖于摄像头和毫米波雷达等传感器，具备对当前路段交通环境信息识别的能力，并对未来车辆行驶轨迹进行预测。因此，降低驾驶行为不确定性可提升驾驶辅助系统对车辆轨迹预测的精度。但是，建立个性化的驾驶辅助系统，需要收集驾驶行为的大数据样本，加大了工作的难度。

7 多车间的交互与博弈

在复杂的交通环境中，传统车、智能车和行人相互竞争路权，三者之间的行为和决策互相影响。一方面，智能车辆的决策会受到周围车辆和行人决策的影响；另一方面，周围车辆的决策和控制以及行人的路径规划也会受到智能车辆的影响。这会直接造成多车间的交互和博弈，从而导致轨迹预测路径改变或终止，而轨迹预测也会影响多车间交互与博弈时的安全性。博弈行为本身就含有极大的不确定性。多车间的交互与博弈的研究方法主要有3种：势能场法、机器学习法和博弈论。

势能场法通过定义交通参与者间的关系函数，考虑车与车、车与人间的相互关系，当前在轨迹预测与路径规划方面广泛应用。针对弯道超车时安全风险大的问题，张家旭及其团队提出一种基于改进人工势场法的汽车弯道超车路径规划算法，并结合线性鲁棒控制理论规划最佳超车轨迹。该算法利用螺旋下降函数、斜坡正弦函数和指数函数构建弯道引力势能场、同车道行驶较慢车辆斥力势能场和弯道边界斥力势能场，并在这3种势能场中建立“搜索空间”，规划弯道超车轨迹。在车辆转向避障方面，唐志荣及其团队基于改进的人工势场法建立了以前轮转角为控制变量的3 自由度车辆动力学模型，采用模型预测控制算法对车辆轨迹进行预测，仿真结果显示，车辆轨迹平顺性和主动安全性得到了改善。同时，文献[83]将类椭圆形边界转化为三维类椭圆形的斥力场函数，对车辆轨迹进行规划跟踪。Receveur及其团队提出了遗传算法与分数阶势能场相结合的自动驾驶汽车决策与车辆轨迹预测方法。Yang 通过定义碰撞力、摩擦力、目标力以及社会相互作用力等力学模型帮助智能车辆实现更好的决策和局部车辆轨迹预测。文献[86]提出了基于人工势场精细阻力网络方法的自动驾驶汽车轨迹规划方法。

机器学习法指基于数据学习理论表示车辆间的相互作用与相互影响，目前机器学习中的成熟算法已经成功运用在车辆轨迹预测研究中。按照学习方式不同，机器学习算法分为监督学习、无监督学习和半监督学习。监督学习使用标记过的数据进行训练与测试，其主要包括支持向量机、神经网络和决策树等算法。冯延超基于支持向量机算法，结合驱动角度数据，提取车辆轨道关键信息，对车辆实际换道过程进行建模，并预测车辆横向移动轨迹。随着汽车保有量的不断增加，针对城市交通拥堵及道路规划问题，朱自升提出了基于神经网络的车辆轨迹预测方法，试验结果表明，最终的轨迹预测准确度达到82.9%。李根基于梯度提升决策树（Gradient Boosting Decision Tree，GBDT）建立了车辆汇入模型，并引用美国下一代交通仿真（Next-Generation SIMulation，NGSIM）项目中的车辆轨迹数据，对模型进行训练和测试，结果表明：GBDT的车辆轨迹预测精度较分类回归树和二元评定模型（Logit Model）分别提高5.3%和13.3%。无监督学习使用未标记数据进行训练与测试，其主要包括聚类算法和关联规则算法。曹菁菁提出了一种基于学习的车辆轨迹聚类方法及系统。李秋燕运用数据关联算法对多目标的运动状态和运行轨迹进行预测。半监督学习使用部分标记和大量未标记数据进行训练预测，其在计算机视觉领域中广泛运用。当前，车辆轨迹预测已成为智能车辆感知技术研究的热点，但车辆轨迹预测缺乏时间一致性，且预测精度还有待提升，针对这些问题，北京邮电大学的苏璐敏将机器学习用于轨迹预测，对轨迹信息进行预处理，然后提取特征向量，构建预测模型，并结合GPS数据提高了车辆轨迹预测效果。

在复杂的交通环境中，多车间的行为和决策是相互影响的，因此博弈论被用于智能车辆环境认知，主要研究多智能体间的交互与博弈，其对车辆轨迹预测的影响十分关键。Talebpour 等人提出了基于博弈论方法的变道模型，该模型考虑了联网车辆环境中的信息流，该方法能为当前智能车辆轨迹预测提供辅助，并进一步减小环境预测不确定性，保证智能车辆轨迹预测精度。赵万忠等基于博弈论的方法对周围车辆未来的交互行为进行概率预测，从而优化自身车辆的行驶轨迹，提升了行驶安全性。同时，陈明基于博弈论提出了网联车路径选择算法，使车辆轨迹预测安全性得到提高。李建平基于博弈论，首先对交通环境参与者行为进行预测，然后利用连续隐马尔可夫模型将车辆的行为建模为离散的状态，通过连续的车辆状态观测值对其可能的行为进行概率估计，最后基于高斯过程运动模型提出车辆轨迹预测方法。在车辆换道时的轨迹规划预测方面，马媛媛提出了基于博弈论的网联车辆换道辅助决策方法。

上述工作主要基于势能函数法、机器学习法和博弈论对多智能体交互和博弈进行研究，并构建模型对车辆轨迹进行预测，但仍有不足之处。势能场法存在局部最优点问题，易陷入局部极小点，且在相似障碍物间找不到路径，导致车辆轨迹预测误差增大。机器学习法存在数据集计算时样本不平衡和样本容量大等问题，是影响轨迹预测效率的关键因素之一。博弈论的缺陷主要是把对象假设为100%的经济人，而非自然人。自然人通常是感性的，无法兼顾周围环境与舆论压力，增加了车辆轨迹预测的不确定性。因此，基于这3 种方法建立预测车辆轨迹模型时，需进一步考虑相应方法的不足，建立控制方法加以改善，从而提升对车辆轨迹预测的精度。

8 存在的问题及发展趋势

对车辆环境认知的优化在智能车辆上有着广阔的应用前景，尽管国内外对车辆环境不确定性的控制模型及控制算法的研究取得了大量成果，但在智能车环境认知不确定性对车辆轨迹预测的影响方面研究不足，目前尚存在如下4个方面的问题有待进一步解决：

a.环境不确定性对智能车辆轨迹预测的影响机理研究。智能车辆轨迹预测是智能驾驶对环境理解的关键部分，精准的轨迹预测对车辆的决策规划起关键作用。但轨迹预测精度不仅受车辆自身产生的过程噪声及传感器定位的观测噪声影响，也受驾驶员行为、非预期障碍物和智能车辆间的博弈等不确定性因素影响。明确上述不确定性的影响机理是车辆轨迹预测的前提。

b.环境感知不确定性控制方法对轨迹预测精度影响的研究。使用车载传感器融合的方法减小环境感知不确定性，应明确传感器在车身上的相对位置关系，需要针对每个传感器建立以自身为中心的坐标框架，然后在每两个传感器坐标间选取公共联测点，通过建立精确的相对位置关系降低传感器的测量误差，提升车辆轨迹预测精度。同时，传感器数量的增多会导致冗余数据的生成，提高算力要求，且增加决策时传感器优先级设计工作。因此，合理选择传感器及其数量可优化系统算力，进一步提升智能车辆认知系统的轨迹预测精度。

c.车辆模型不确定性控制方法对轨迹预测影响的研究。复杂动态环境具有非线性、传感器量测延迟或信号丢失、传感器测量误差、外部未知干扰、噪声和非高斯等特性。这些特性可能出现共存和耦合，造成车辆模型不确定性。车辆模型不确定性会造成轨迹预测信号滞后。因此，研究卡尔曼滤波及其优化算法处理车辆模型不确定性可改善智能车决策系统时效性不强的问题。

d.驾驶行为不确定性控制方法对轨迹预测影响的研究。驾驶行为不确定性会直接影响车辆制动、换道和转向等工况，进而造成车辆当前时段的车辆轨迹与环境信息突变，使车辆未来行驶路径和轨迹精度受到影响。因此，采用滑模控制、预瞄控制和模糊控制等控制方法，并结合驾驶员模型，减小驾驶行为不确定性的干扰，提升轨迹预测精度，是提升智能车执行性能的发展趋势。