一项关于连接式和自动驾驶车辆在混合交通环境中变更车道决策的研究，同时考虑了不同驾驶风格的影响

《Physica A: Statistical Mechanics and its Applications》：A study of mixed-traffic lane change decision for connected and autonomous vehicles considering driving styles

自动驾驶车辆在混合交通流中人车交互的换道决策优化研究，提出基于熵权法的多属性决策模型，通过驾驶风格聚类分析（保守/普通/激进）构建差异化避让系数，动态计算换道收益与风险，优化决策过程。

　　

李明|余新瑞|邹彦涛

中国西南交通大学

摘要

随着无人驾驶技术的快速发展，自动驾驶汽车和人工驾驶汽车共享通行权已成为必然。在混合流环境中如何做出合理高效的变道决策至关重要。目前，关于智能连接车辆在混合流环境中的变道模型已有大量研究，但缺乏对目标车道内车辆对变道行为影响的深入研究，也没有考虑潜在冲突车辆的不同驾驶风格对变道行为的影响。为了解决智能连接自动驾驶车辆（CAVs）在遇到潜在冲突车辆时的变道和合并行为问题，本研究将各种人类驾驶风格的影响纳入决策过程。我们开发了一个基于熵加权的多属性变道决策模型，旨在实现更有利的条件并获得更高的变道收益。这种方法为自动驾驶车辆在与人工驾驶车辆交互时的变道决策提供了新的视角和方法。

引言

车辆跟随和变道是交通流中的两种常见驾驶行为。与跟随行为相比，变道行为需要考虑更多因素。一方面，跟随行为只需考虑当前车道的交通流情况；而变道行为则涉及两个或多个车道的交通流，通常会对交通流造成更大的干扰。另一方面，在变道之前，除了考虑当前车道内车辆之间的距离和速度差异外，车辆还需要考虑其他因素，包括变道的安全间隔以及对目标车道后车辆的影响程度。因此，在做出变道决策时，不仅要考虑当前车道前后车辆的行驶状态，还要考虑目标车道前后车辆的行驶状态。不合理的变道决策可能导致交通问题，如交通瘫痪、瓶颈流减少、停车-行驶振荡和安全风险[1]。同时，不当的变道行为造成的财产损失和人员伤亡也不容忽视。然而，高效合理的变道可以在一定程度上改善交通状况。如何在交通流中实现高效安全的变道值得进一步研究。

现有大多数关于无人车辆变道的研究集中在轨迹规划、变道控制和意图预测等方面，而对于无人车辆变道决策，尤其是周围区域中不同驾驶风格驾驶员的区分，尚未进行深入探讨。尽管现有模型取得了成功，但在处理具有异质驾驶风格的混合交通流时仍存在局限性。经典的MOBIL模型[3]虽然在最小化制动方面有效，但通常依赖于固定参数（例如礼貌因子），这些参数缺乏适应激进或保守驾驶者动态行为的灵活性。同样，博弈论方法[4]、[5]、[6]虽然能够捕捉车辆间的互动，但往往假设完全理性，并且需要较高的计算资源，这对实时决策来说颇具挑战性。为了解决这些问题，本研究提出了一个基于熵加权方法的多属性决策模型。与MOBIL的静态规则不同，我们的模型根据实时数据分散动态计算决策权重；与复杂的博弈论均衡不同，它通过简化但有效的避让系数高效地融入了互动不确定性。这种方法旨在结合基于规则的模型的可解释性与复杂混合交通环境所需的适应性。

本文提出了一种在混合交通流中自动驾驶车辆变道决策的机制。使用K-means聚类算法对提取的NGSIM变道轨迹数据进行分类，识别出保守型、普通型和激进型三种驾驶员类型，然后根据不同驾驶员类型建立不同的收益函数，综合考虑变道条件和变道收益指标，通过目标加权方法获得最优决策。该方法提高了车辆变道的实时性、安全性和效率，为高级辅助驾驶和自动驾驶车辆提供了决策方法，对于实现安全高效的自动驾驶具有重要的理论和实践意义。

本文的主要创新点如下：（1）利用轨迹数据聚类来确定变道执行的起始和结束点，并提取用于驾驶风格划分的垂直和水平特征参数；（2）将变道执行阶段分为两个阶段，分别设置变道车辆和目标车道后车辆的加速度更新机制；（3）为不同驾驶风格的车辆设置不同的避让系数，通过避让和不避让两种情况下的决策回报之和作为变道车辆的决策回报，从而建立了一个考虑潜在冲突车辆驾驶风格的熵加权多属性变道决策模型。

本文的其余部分安排如下：第2节对选定的NGSIM数据集进行了预处理；第3节利用车辆轨迹属性确定变道执行的起始和结束点，并通过比较分析确定本文采用的随机森林算法作为驾驶风格识别算法；第4节建立了综合考虑变道条件和潜在冲突车辆的多属性熵加权变道决策模型；第5节对变道决策模型进行了仿真验证；第6节对整篇论文进行了简要总结。

小节片段

变道决策

在现有的变道研究中，变道决策模型主要基于规则、效用和博弈论分为三种类型[2]。最早的基于规则的模型由Gipps提出[7]。该模型考虑了一系列影响变道行为的因素，如障碍物位置、车辆类型和专用车道。当有多个车道可用时，目标车道由优先规则确定。基于Gipps的方法，Yangand Koutsopoulos进行了进一步的研究[8]。

自由变道过程

假设自由变道过程如图1所示。变道车辆从当前车道驶向目标车道，车辆1是目标车道前的车辆，车辆2是目标车道后的车辆，车辆3是当前车道前的车辆，车辆4是当前车道后的车辆。

设$t=0$为车辆M开始侧向加速的时刻，标志着变道执行的开始；设$t=T$为车辆完成变道的时刻。

最小安全间距

车辆M需要以一定的纵向和横向加速度驶入车辆Ld和Fd之间的间隙以实现变道过程。车辆Ld和Fd的行驶速度以及车辆M和Ld之间的纵向间距主要用于评估车辆M的潜在变道风险。车辆M可以轻松控制与Lo的距离，而车辆Fo的距离主要由车辆Fo控制。因此，在评估风险时...

考虑驾驶风格的决策收益分析

基于车辆Fd的决策不确定性，本文确定了车辆M和Fd的所有决策组合，为后续构建一个考虑潜在冲突车辆驾驶风格的熵加权多属性变道决策模型提供了依据。图4展示了所有决策组合及其对应的收益值。

考虑到不同驾驶员的意愿存在差异...

数据来源

NGSIM数据集是由美国联邦公路管理局收集和发布的公开权威行驶轨迹数据集。NGSIM中的轨迹数据以csv文件形式存储，每辆车的每一帧驾驶数据保存在不同的行中，每一列代表车辆的不同驾驶信息，该数据集共包含25列交通车辆信息。

结论

本文在以往研究的基础上，研究了网格连接自动驾驶车辆的变道决策行为，同时考虑了潜在冲突车辆的驾驶风格，取得了以下成果：

（1）将车辆变道执行阶段分为两个阶段，并分别设置了变道车辆和目标车道后车辆的加速度更新机制。

CRediT作者贡献声明

李明：撰写 – 审稿与编辑；余新瑞：撰写 – 原始草稿；邹彦涛：撰写 – 原始草稿。

利益冲突声明

本手稿尚未在其他地方部分或全部发表，也未被其他期刊考虑。所有研究参与者均提供了知情同意。我们已阅读并理解了您期刊的政策，认为本手稿和研究内容均未违反任何规定。不存在需要声明的利益冲突。

致谢

本文得到了中国国家自然科学基金（项目编号：72474184）、四川省自然科学基金（项目编号：2025NSFSC1929）和四川省自然科学基金青年科学基金B类项目（项目编号：2026NSFSC1317）的支持。