在開放道路實(shí)現(xiàn)正常、安全、高效的行駛是自動駕駛汽車的終極目標(biāo)。自動駕駛汽車在開放世界中的交互對象復(fù)雜多樣，其行為是影響自動駕駛車輛安全的關(guān)鍵因素之一。本文首先對駕駛行為進(jìn)行分類、對駕駛行為譜系進(jìn)行分解，隨后基于跳躍—擴(kuò)散方程對反常駕駛行為進(jìn)行建模，并利用該模型對部分反常軌跡進(jìn)行仿真。

關(guān)鍵詞：駕駛行為；反常駕駛；跟馳模型；汽車安全；交通安全；跳躍—擴(kuò)散模型

作者：浙江大學(xué)智能交通研究所 祁宏生

01.駕駛行為譜系

1.1 譜系分解

得益于以大模型為代表的人工智能技術(shù)的進(jìn)步，近年來自動駕駛得到了長足的發(fā)展。安全是自動駕駛技術(shù)的關(guān)鍵考慮要素之一。自動駕駛車輛安全性能的檢驗(yàn)方法有多種。國內(nèi)研發(fā)機(jī)構(gòu)普遍先進(jìn)行仿真測試，再到封閉測試區(qū)測試，最后到實(shí)際道路的自動駕駛開放路段測試這3歩走的方式進(jìn)行。開放世界中與自動駕駛車輛交互的交通參與者類型多樣、行為復(fù)雜，是汽車安全風(fēng)險的重要來源之一。按照決策來源，本文提出的駕駛行為譜系如圖1所示。任意時刻，與自動駕駛車輛交互的任一行為主體屬于該譜系中的某一種。

圖1 駕駛行為譜系

如圖1所示，車輛的駕駛行為決策生成過程為：駕駛員—車輛單元進(jìn)行感知決策、生成操作指令，指令主要為加減速和轉(zhuǎn)向。由加減速和轉(zhuǎn)向操作、形成車輛的實(shí)時運(yùn)動狀態(tài)。依據(jù)決策來源，將譜系分解為三類：自然人駕駛員、自動駕駛車輛、人機(jī)共駕。第一類由人類駕駛員控制車輛運(yùn)動；第二類主要由算法/機(jī)器控制車輛運(yùn)動，第三類的運(yùn)動狀態(tài)同時受人類和算法/機(jī)器的操控。

(1) 自然人駕駛員

自然人駕駛員同樣也有許多種類。本文將其分為三類：理想駕駛行為、正常駕駛行為、反常駕駛行為。

a）理想駕駛行為指的是其行為可以由數(shù)學(xué)或物理方程精確刻畫，對其軌跡進(jìn)行預(yù)測、也可達(dá)到較高精度。典型的模型包括交通流理論中的跟馳模型、換道模型、Carla中的PID模型等。

b）第二類行為是正常駕駛行為，也是絕大部分駕駛員所體現(xiàn)出來的行為。這類行為的特征是存在一定的、可解釋的隨機(jī)性。例如，其隨機(jī)性來源于圖1中的路面隨機(jī)激勵輸入、駕駛員感知誤差和操縱誤差等。大體而言，這類行為也可以用數(shù)學(xué)/物理模型刻畫，其軌跡也可用模型進(jìn)行預(yù)測。該類行為可以進(jìn)一步細(xì)分為保守型、常規(guī)型、激進(jìn)型等。例如，激進(jìn)駕駛員的跟車時距較小、而保守駕駛員的加減速較為平緩。

c）第三類行為是反常駕駛行為。典型反常駕駛行為包括酒駕/醉駕/毒駕、路怒、蛇形走位、長時間跨車道線行駛、分心駕駛（如使用手機(jī)）等。之所以稱之為“反?！保且?yàn)槠湫袨楸畴x了駕駛?cè)蝿?wù)（如分心）、或者被嚴(yán)重干擾（如醉駕）。反常駕駛行為的運(yùn)動軌跡與前兩類存在相當(dāng)?shù)牟罹?，目前尚無微觀交通模型對其進(jìn)行刻畫。

上述行為在數(shù)據(jù)上體現(xiàn)為什么樣的差別？為了回答這一問題，作者用數(shù)據(jù)（受控跟馳實(shí)驗(yàn)數(shù)據(jù)、highD數(shù)據(jù)和分心情況下的駕駛模擬器數(shù)據(jù)數(shù)1（Taamneh, 2017））對第二類和第三類的區(qū)別進(jìn)行了分析（關(guān)于第一類，可以參考著名的微觀交通仿真軟件SUMO中的跟馳模型列表2、國產(chǎn)微觀交通模型TESS NG的模型列表3等）?？v向駕駛情況下的加速度分布如圖2-a和b所示。圖2-a為（Taamneh, 2017）中、分心情況下的駕駛模擬器實(shí)驗(yàn)數(shù)據(jù)、圖2-b為受控跟馳實(shí)驗(yàn)?？梢钥吹?，自然駕駛員在穩(wěn)定跟車場景下的加速度分布（圖 2-b）近似服從正態(tài)分布，而分心駕駛場景下與正態(tài)分布不同；圖2-ｃ和ｄ為側(cè)向駕駛情況下、側(cè)向波動（車輛距離本車道中心線的距離）的標(biāo)準(zhǔn)差。圖2-c表明分心情況下、側(cè)向波動迅速增大；而圖2-d表明絕大部分車輛的std在0.2m左右，部分車輛呈現(xiàn)為較大的側(cè)向波動。

圖2 

（a）(Taamneh, 2017）中分心情況下的加速度分布；

（b）數(shù)據(jù)4中的加速度分布；

（c）分心情況下（Taamneh, 2017）的側(cè)向距離std；

（d）highd中的側(cè)向距離std

(2) 自動駕駛行為

駕駛行為譜系第二類是自動駕駛，其運(yùn)動狀態(tài)主要由機(jī)器或者算法生成。自動駕駛車輛的軟硬件架構(gòu)各異、算法不同；自動駕駛車輛有多種工作狀態(tài)，例如ACC、AEB等。此外，車輛還可以工作于不同的模式，如單車、編隊(duì)、協(xié)同換道等。

(3) 人機(jī)同駕

當(dāng)車輛的運(yùn)動狀態(tài)由人和機(jī)器共同決定時、形成了駕駛行為譜系中的第三類：人機(jī)同駕。人機(jī)同駕是人機(jī)共駕車輛工作在特定模式（類似于雙駕雙控（宗長富, 代昌華, & 張東. 2021））下的結(jié)果。人機(jī)同駕可以應(yīng)用于車輛的側(cè)向（吳超仲 et al., 2022; 謝有浩 et al., 2020）和縱向控制（劉平 et al., 2024）。

1.2 譜系內(nèi)不同行為之間的關(guān)系

需要對上述行為譜系進(jìn)一步說明：

● 譜系的構(gòu)成隨著技術(shù)條件的變化而進(jìn)化，新行為有可能出現(xiàn)、并改變譜系構(gòu)成。例如，遠(yuǎn)程輔助駕駛；

● 行為主體可以在譜系內(nèi)不同類別之間轉(zhuǎn)換。例如人類可以接管自動駕駛車輛。但轉(zhuǎn)換并非總是瞬時的。例如，從機(jī)器到駕駛員控制權(quán)切換完畢后，人類駕駛員的駕駛績效不一定能立刻達(dá)到最高點(diǎn)（張暉 et al., 2023)。Merat et al.（2014）發(fā)現(xiàn)在緊急情況下，雖然自然駕駛?cè)四茉?7~9s接管車輛, 但是保持車輛橫向穩(wěn)定卻需要 35~40s的控制時間；

● 譜系內(nèi)不同類別之間存在相互影響。研究表明，人類駕駛員在混入自動駕駛車流后，其行為特征發(fā)生明顯改變（Zwart, Kamphuis, and Cleij 2023; Wen, Cui, and Jian 2022），包括較小的車頭時距（降低6.38%）以及TTC（降低14.29%）。

02.現(xiàn)有建模方法在刻畫反常行為方面的缺陷

反常駕駛行為對自動駕駛車輛的安全造成較大風(fēng)險。自動駕駛仿真測試是應(yīng)對該類行為的可行技術(shù)手段。現(xiàn)有自動駕駛仿真?zhèn)戎貍鞲衅鞣抡妗④囕v動力學(xué)仿真、各類物體三維模型仿真，對交通流行為描述的解決方案主要是接入各類交通流仿真軟件（趙祥模, 2023）。交通流仿真軟件背后的技術(shù)為微觀交通流理論/模型。目前微觀交通行為建模方法包括如下類別：

● 傳統(tǒng)微觀交通流模型，例如Gipps模型、著名的IDM模型等。這類模型可參考Ni（2015）；

● 基于深度學(xué)習(xí)的駕駛?cè)四Ｐ?，利用LSTM、GAN、GNN、Transformer等各類深度學(xué)習(xí)方法，從數(shù)據(jù)中提取行為特征、并對微觀交通行為軌跡進(jìn)行刻畫；

● 基于強(qiáng)化學(xué)習(xí)的駕駛?cè)四Ｐ停湫凸ぷ骼珩R依寧（2023）。

上述方法各有優(yōu)劣，已有文獻(xiàn)對其進(jìn)行了詳盡歸納（He, 2022）。本文僅從反常行為駕駛這一角度、對上述建模的技術(shù)路線進(jìn)行論述：

● 現(xiàn)有的微觀交通流模型基于正常行為假設(shè)（例如駕駛員穩(wěn)定跟隨前車、駕駛員能穩(wěn)定保持在車道線內(nèi)、駕駛員會保持一定車距等），已有部分工作、改進(jìn)微觀模型，然而，全面刻畫反常駕駛軌跡還需進(jìn)一步研究。本文的反常行為模型是這方面的努力之一；

● 基于數(shù)據(jù)的建模方法。反常行為屬于典型的長尾場景，目前學(xué)術(shù)界和工業(yè)界積累了相當(dāng)多的路測數(shù)據(jù)，然而這些數(shù)據(jù)是否覆蓋了足夠多的反常行為值得探討。反常行為的提取也需要構(gòu)建相應(yīng)的方法；

● 強(qiáng)化學(xué)習(xí)方法構(gòu)建反常行為，該類方法目前存在一部分研究成果（馬依寧等，2023）?？偹苤?，強(qiáng)化學(xué)習(xí)需要指定reward函數(shù)、構(gòu)建訓(xùn)練流程。利用強(qiáng)化學(xué)習(xí)、對反常行為進(jìn)行刻畫，還需進(jìn)一步探索。

03.反常駕駛行為建模

3.1 建模思路

為了對反常駕駛行為進(jìn)行建模，首先歸納正常駕駛行為的特征：（1）駕駛員對周圍車輛和環(huán)境（標(biāo)志標(biāo)線等）有準(zhǔn)確的感知；（2）縱向上能穩(wěn)定跟隨前車、側(cè)向上能穩(wěn)定維持其在車道內(nèi)的位置；（3）正常駕駛行為不會導(dǎo)致較高的風(fēng)險水平?；诤驼Ｐ袨榈膶Ρ龋岢龇闯Ｐ袨楸碚骷疤幚硭悸啡鐖D 3所示。反常行為分解為縱向（A1、A2）、側(cè)向（B1~B4）兩個維度以及風(fēng)險水平risk level（A3和B5、A4和B6）。

縱向維度包括：

● A1: 前車的感知（leader perception）。如酒駕/醉駕/毒駕情況下，駕駛員無法準(zhǔn)確感知與前車的相對距離，從而影響軌跡；

● A2: 均衡狀態(tài)（equilibrium point）。即使當(dāng)前車勻速行駛時、后車也無法維持穩(wěn)定跟車狀態(tài)，產(chǎn)生波動（如新手駕駛員）。

側(cè)向維度包括：

● B1: 車道/道路的感知。在酒駕情況下，駕駛員無法準(zhǔn)確感知車道線、道路邊界等；

● B2: 缺乏明確的側(cè)向目標(biāo)位置。理想的側(cè)向目標(biāo)是本車道中心線或者目標(biāo)車道中心線。當(dāng)駕駛員分心情況下，無法通過軌跡確定其側(cè)向目標(biāo)位置、導(dǎo)致車輛側(cè)向波動；

● B3: 側(cè)向波動。自然人駕駛員在正常情況下、與本車道中心線的距離可近似正態(tài)分布，其標(biāo)準(zhǔn)差約為0.2~0.3米左右。然而，反常駕駛環(huán)境下、側(cè)向來回波動較大。例如，新手駕駛員；

● B4: 完全側(cè)向自由運(yùn)動。當(dāng)駕駛員失去對車輛的控制、或者駕駛員失去意識，車輛呈現(xiàn)側(cè)向無控制狀態(tài)。

風(fēng)險水平的因素考慮兩類：駕駛員對周圍車輛的假設(shè)、駕駛員對本車操控性能的假設(shè)。正常駕駛環(huán)境下，駕駛員會對周圍駕駛員以及本車的操控性能有一定的假設(shè)。

與之對應(yīng)，反常駕駛分為：

● A3和B5：駕駛員對周圍車輛的假設(shè)過于樂觀，當(dāng)這些車輛表現(xiàn)異常時、本車駕駛員無法在規(guī)定時間內(nèi)進(jìn)行規(guī)避動作、產(chǎn)生風(fēng)險；

● A4和B6：駕駛員對自車的操控性能的假設(shè)過于樂觀、或無法產(chǎn)生準(zhǔn)確操控結(jié)果（側(cè)向和縱向的加減速），從而產(chǎn)生風(fēng)險。

上述解釋了圖 3中的Block A。Block B的解釋見下述章節(jié)。

圖 3 反常行為分解、及建模思路