定义6（适当的响应）：在跟车过程中，当后车和当前车道前方车辆的纵向距离小于安全纵向距离D f D_{f} D f ρ \rho ρ a min − a_{\min }^{-} a m i n − D c D_{c} D c ρ \rho ρ l a t a min − { }^{l a t} a_{\text {min }}^{-} l a t a min −
备注2：在定义安全纵向/横向距离时，考虑了从当前时间步到未来时间步驾驶过程中的变化/不确定性，这是基于最坏情况（相反运动的最坏情况）的有限理性反应（在反应时间后切换到最小减速度）定义的。其他最坏情况超出了RSS概念的范围。
备注3：对于两辆相邻车辆V 1 V_{1} V 1 V 2 V_{2} V 2 V 2 V_{2} V 2 V 1 V_{1} V 1 d 0 d_{0} d 0 v 1 v_{1} v 1 v 2 v_{2} v 2 V 2 V_{2} V 2 a max − a_{\max }^{-} a m a x − d d d
d ( t ) = d 0 + v 2 t − 1 2 a max − t 2 − v 1 t − ∫ 0 t a 1 ( t ) t d t d ˙ ( t ) = v 2 − a max − t − v 1 − a 1 ( t ) t d ˙ ( 0 ) = v 2 − v 1 \begin{align*}
& d(t)=d_{0}+v_{2} t-\frac{1}{2} a_{\text {max }}^{-} t^{2}-v_{1} t-\int_{0}^{t} a_{1}(t) t d t \tag{7}\\
& \dot{d}(t)=v_{2}-a_{\text {max }}^{-} t-v_{1}-a_{1}(t) t \tag{8}\\
& \dot{d}(0)=v_{2}-v_{1} \tag{9}
\end{align*} d ( t ) = d 0 + v 2 t − 2 1 a max − t 2 − v 1 t − ∫ 0 t a 1 ( t ) t d t d ˙ ( t ) = v 2 − a max − t − v 1 − a 1 ( t ) t d ˙ ( 0 ) = v 2 − v 1 ( 7 ) ( 8 ) ( 9 ) 因此，两车之间的最大纵向距离在t = 0 t=0 t = 0 t = 0 t=0 t = 0
方法论
A. 问题陈述 (Problem Statement)
假设自车 V e V_{e} V e V f V_{f} V f V t r V_{t r} V t r V t f V_{t f} V t f V t l V_{t l} V tl s = ( x , y ) , s ˙ = v s=(x, y), \dot{s}=v s = ( x , y ) , s ˙ = v v ˙ = a \dot{v}=a v ˙ = a
{ f x ( t ) = ∑ i = 0 5 ( 5 i ) ( 1 − t t ^ ) 5 − i ( t t ^ ) i x i f y ( t ) = ∑ i = 0 5 ( 5 i ) ( 1 − t t ^ ) 5 − i ( t t ^ ) i y i (10) \left\{\begin{array}{l}
f_{x}(t)=\sum_{i=0}^{5}\left(\begin{array}{c}
5 \\
i
\end{array}\right)\left(1-\frac{t}{\hat{t}}\right)^{5-i}\left(\frac{t}{\hat{t}}\right)^{i} x_{i} \tag{10}\\
f_{y}(t)=\sum_{i=0}^{5}\left(\begin{array}{c}
5 \\
i
\end{array}\right)\left(1-\frac{t}{\hat{t}}\right)^{5-i}\left(\frac{t}{\hat{t}}\right)^{i} y_{i}
\end{array}\right. ⎩ ⎨ ⎧ f x ( t ) = ∑ i = 0 5 ( 5 i ) ( 1 − t ^ t ) 5 − i ( t ^ t ) i x i f y ( t ) = ∑ i = 0 5 ( 5 i ) ( 1 − t ^ t ) 5 − i ( t ^ t ) i y i ( 10 ) 0 ≤ t ≤ t ^ 0 \leq t \leq \hat{t} 0 ≤ t ≤ t ^ t = t ^ t=\hat{t} t = t ^ ( x i , y i ) \left(x_{i}, y_{i}\right) ( x i , y i ) ( 0 ≤ i ≤ 5 ) (0 \leq i \leq 5) ( 0 ≤ i ≤ 5 ) t ^ \hat{t} t ^ ( x i , y i ) \left(x_{i}, y_{i}\right) ( x i , y i )
B. 约束条件 (Constraints)
位置限制：在整个换道过程中，自车 V e V_{e} V e V f , V t l , V t f V_{f}, V_{t l}, V_{t f} V f , V tl , V t f V t r V_{t r} V t r
V e V_{e} V e V f V_{f} V f
− f x ( t ) + v f t + f x ( 0 ) + d f l o n + 1 2 L l ≥ D f e , f \begin{equation*}
-f_{x}(t)+v_{f} t+f_{x}(0)+d_{f}^{l o n}+\frac{1}{2} L_{l} \geq D_{f}^{e, f} \tag{11}
\end{equation*} − f x ( t ) + v f t + f x ( 0 ) + d f l o n + 2 1 L l ≥ D f e , f ( 11 )
V e V_{e} V e V t f V_{t f} V t f
− f x ( t ) + v t f t + f x ( 0 ) + d t f l o n + 1 2 L l ≥ D f e , t f \begin{equation*}
-f_{x}(t)+v_{t f} t+f_{x}(0)+d_{t f}^{l o n}+\frac{1}{2} L_{l} \geq D_{f}^{e, t f} \tag{12}
\end{equation*} − f x ( t ) + v t f t + f x ( 0 ) + d t f l o n + 2 1 L l ≥ D f e , t f ( 12 )
V e V_{e} V e V t r V_{t r} V t r
f x ( t ) − v t r t − f x ( 0 ) + d t r l o n + 1 2 L l ≥ D f t r , e \begin{equation*}
f_{x}(t)-v_{t r} t-f_{x}(0)+d_{t r}^{l o n}+\frac{1}{2} L_{l} \geq D_{f}^{t r, e} \tag{13}
\end{equation*} f x ( t ) − v t r t − f x ( 0 ) + d t r l o n + 2 1 L l ≥ D f t r , e ( 13 )
V e V_{e} V e V t l V_{t l} V tl
− f y ( t ) + l a t v t l t + f y ( 0 ) + d t l l a t + 1 2 L w ≥ D c t l , e \begin{equation*}
-f_{y}(t)+{ }^{l a t} v_{t l} t+f_{y}(0)+d_{t l}^{l a t}+\frac{1}{2} L_{w} \geq D_{c}^{t l, e} \tag{14}
\end{equation*} − f y ( t ) + l a t v tl t + f y ( 0 ) + d tl l a t + 2 1 L w ≥ D c tl , e ( 14 )
速度限制：自车 V e V_{e} V e
( f x ′ ( t ) ) 2 + ( f y ′ ( t ) ) 2 ≤ v max f x ′ ( t ) ≥ 0 \begin{align*}
& \sqrt{\left(f_{x}^{\prime}(t)\right)^{2}+\left(f_{y}^{\prime}(t)\right)^{2}} \leq v_{\max } \tag{15}\\
& f_{x}^{\prime}(t) \geq 0 \tag{16}
\end{align*} ( f x ′ ( t ) ) 2 + ( f y ′ ( t ) ) 2 ≤ v m a x f x ′ ( t ) ≥ 0 ( 15 ) ( 16 ) f y ′ ( t ) ≥ 0 \begin{equation*}
f_{y}^{\prime}(t) \geq 0 \tag{17}
\end{equation*} f y ′ ( t ) ≥ 0 ( 17 )
加速度限制：自车 V e V_{e} V e
a min − ≤ f x ′ ′ ( t ) ) ≤ a max + l a t a min − ≤ f x ′ ′ ( t ) ) ≤ l a t a max + \begin{aligned}
& \left.a_{\min }^{-} \leq f_{x}^{\prime \prime}(t)\right) \leq a_{\max }^{+} \\
& \left.{ }^{l a t} a_{\min }^{-} \leq f_{x}^{\prime \prime}(t)\right) \leq{ }^{l a t} a_{\max }^{+}
\end{aligned} a m i n − ≤ f x ′′ ( t ) ) ≤ a m a x + l a t a m i n − ≤ f x ′′ ( t ) ) ≤ l a t a m a x + C. 换道预测 (Lane-Change Prediction)
V t l V_{t l} V tl V e V_{e} V e
Y t ^ t l = f L C ( X P t l ) { 1 ∉ Y t ^ t l , if V e 左换道 − 1 ∉ Y t ^ t l , if V e 右换道 \begin{align*}
& \mathcal{Y}_{\hat{t}}^{t l}=f_{L C}\left(\mathcal{X}_{P}^{t l}\right) \tag{20}\\
& \begin{cases}1 \notin \mathcal{Y}_{\hat{t}}^{t l}, & \text { if } V_{e} \text { 左换道 } \\
-1 \notin \mathcal{Y}_{\hat{t}}^{t l}, & \text { if } V_{e} \text { 右换道 }\end{cases} \tag{21}
\end{align*} Y t ^ tl = f L C ( X P tl ) { 1 ∈ / Y t ^ tl , − 1 ∈ / Y t ^ tl , if V e 左换道 if V e 右换道 ( 20 ) ( 21 )
V f V_{f} V f V e V_{e} V e
Y t ^ f = f L C ( X P f ) { − 1 ∉ Y t ^ f , if V e 左换道 1 ∉ Y t ^ f , if V e 右换道 \begin{align*}
& \mathcal{Y}_{\hat{t}}^{f}=f_{L C}\left(\mathcal{X}_{P}^{f}\right) \tag{22}\\
& \begin{cases}-1 \notin \mathcal{Y}_{\hat{t}}^{f}, & \text { if } V_{e} \text { 左换道 } \\
1 \notin \mathcal{Y}_{\hat{t}}^{f}, & \text { if } V_{e} \text { 右换道 }\end{cases} \tag{23}
\end{align*} Y t ^ f = f L C ( X P f ) { − 1 ∈ / Y t ^ f , 1 ∈ / Y t ^ f , if V e 左换道 if V e 右换道 ( 22 ) ( 23 ) D. 成本函数 (Cost Function)
成本函数是平滑度和对 V t r V_{t r} V t r
C = C s + C f C s = ω 1 ∫ ( f x ′ ( t ) ) 2 + ( f y ′ ( t ) ) 2 d t + ω 2 ∫ ( f x ′ ′ ( t ) ) 2 + ( f y ′ ′ ( t ) ) 2 d t \begin{align*}
C= & C_{s}+C_{f} \tag{24}\\
C_{s}= & \omega_{1} \int\left(f_{x}^{\prime}(t)\right)^{2} \\
& +\left(f_{y}^{\prime}(t)\right)^{2} \mathrm{~d} t+\omega_{2} \int\left(f_{x}^{\prime \prime}(t)\right)^{2}+\left(f_{y}^{\prime \prime}(t)\right)^{2} \mathrm{~d} t \tag{25}
\end{align*} C = C s = C s + C f ω 1 ∫ ( f x ′ ( t ) ) 2 + ( f y ′ ( t ) ) 2 d t + ω 2 ∫ ( f x ′′ ( t ) ) 2 + ( f y ′′ ( t ) ) 2 d t ( 24 ) ( 25 ) C s C_{s} C s
C f = ω 3 ∫ ( [ v t r − f x ′ ( t ) ] + ) 2 d t \begin{equation*}
C_{f}=\omega_{3} \int\left(\left[v_{t r}-f_{x}^{\prime}(t)\right]^{+}\right)^{2} \mathrm{~d} t \tag{26}
\end{equation*} C f = ω 3 ∫ ( [ v t r − f x ′ ( t ) ] + ) 2 d t ( 26 ) C f C_{f} C f V t r V_{t r} V t r ω 1 , ω 2 , ω 3 ∈ [ 0 , 1 ] \omega_{1}, \omega_{2}, \omega_{3} \in[0,1] ω 1 , ω 2 , ω 3 ∈ [ 0 , 1 ]
备注 4：关于公式中添加 C f C_{f} C f V e V_{e} V e V t r V_{t r} V t r C f C_{f} C f V t r V_{t r} V t r V e V_{e} V e V t f , V t l V_{t f}, V_{t l} V t f , V tl V f V_{f} V f
在这项工作中，提出了一种新颖的变道行为决策和轨迹规划框架，以提高自动驾驶重型卡车的性能，如 Fig. 1 所示。在决策阶段，首先利用效用理论根据运动预测确定所需车道。然后，基于贝叶斯推理评估目标车道当前和未来的风险级别。如果目标相邻车道的安全概率占主导，则将确定换道决策。做出换道决策后，将通过对行驶速度和换道持续时间进行采样来生成一组候选轨迹。然后通过最小化定义的成本函数来选择最佳轨迹。引入重型卡车的运动和动力学特性来设计约束条件和成本函数。为了更好地验证所提出的框架，考虑了几种直车道场景，在未来的工作中将研究具有坐标变换的弯曲道路。
本研究的主要贡献总结如下：1）为了提高自动驾驶重型卡车的安全性和稳定性，我们提出了分层概率决策和轨迹规划框架。利用效用理论和风险评估分别对换道行为的意图和可行性进行建模。 2）为了减少自动重卡变道操作对其他车辆的影响，提出了攻击性指数（AI）来量化考虑车辆尺寸和质量的情况下对周围交通参与者的不对称风险。 3）轨迹规划模块考虑横向和侧倾动力学稳定性，规划动态可行且更适合卡车的换道轨迹。
B. 风险评估指标
在生成变道意图后，评估变道的可行性至关重要。与 [13] 中的间隙接受模型不同，本文设计了考虑车辆异质性的风险评估模块来确定变道执行时间。首先考虑独立的潜在碰撞以及侵略性来分别评估 L A V LAV L A V L E V LEV L E V
1) 自车风险度量
碰撞时间 (TTC) 是描述预测碰撞时间的常用指标。然而，当分母接近零时，微小的变化会导致剧烈的波动。因此，引入了 TTC 的倒数 (TTCi)。
T T C i = { v f − v l ∣ x f − x l ∣ , v f > v l 0 , v f ≤ v l (7) TTCi= \begin{cases}\frac{v_{f}-v_{l}}{\left|x_{f}-x_{l}\right|}, & v_{f}>v_{l} \tag{7}\\ 0, & v_{f} \leq v_{l}\end{cases} TTC i = { ∣ x f − x l ∣ v f − v l , 0 , v f > v l v f ≤ v l ( 7 ) 其中 x l x_{l} x l x f , v l x_{f}, v_{l} x f , v l v f v_{f} v f
在实际交通中，交通参与者的运动可能会发生突然变化。与前车保持足够的距离有助于提高安全性。考虑到乘用车和重型卡车不同的制动和加速能力造成的异质性风险，提出安全距离指数 ( S D I ) (SDI) ( S D I )
S D I = d min ∣ x l − x f ∣ \begin{equation*}
SDI=\frac{d_{\min }}{\left|x_{l}-x_{f}\right|} \tag{8}
\end{equation*} S D I = ∣ x l − x f ∣ d m i n ( 8 ) 其中最小安全距离 d min d_{\text {min }} d min
d min = v f τ + a f τ 2 2 + ( v f + a f τ ) 2 2 b f − v l 2 2 b l \begin{equation*}
d_{\min }=v_{f} \tau+\frac{a_{f} \tau^{2}}{2}+\frac{\left(v_{f}+a_{f} \tau\right)^{2}}{2 b_{f}}-\frac{v_{l}^{2}}{2 b_{l}} \tag{9}
\end{equation*} d m i n = v f τ + 2 a f τ 2 + 2 b f ( v f + a f τ ) 2 − 2 b l v l 2 ( 9 ) 其中 a f a_{f} a f b f b_{f} b f b l b_{l} b l τ \tau τ
2) 对周围车辆的侵略性
与重型卡车发生碰撞会导致更高的死亡率。另一方面，碰撞概率并非均匀分布。作为一个综合指标，侵略性应同时考虑碰撞概率和后续碰撞的严重程度。
图 3 显示了变道场景中碰撞概率的分析，其中 E V EV E V L A V LAV L A V L E V LEV L E V E V EV E V L A V / L E V LAV / LEV L A V / L E V L A V / L E V LAV / LEV L A V / L E V Δ t \Delta t Δ t
Δ t l a v = t l a v − t e , Δ t l e v = t e − t l e v \begin{equation*}
\Delta t_{lav}=t_{lav}-t_{e}, \Delta t_{lev}=t_{e}-t_{lev} \tag{10}
\end{equation*} Δ t l a v = t l a v − t e , Δ t l e v = t e − t l e v ( 10 ) 其中 t e , t l a v t_{e}, t_{lav} t e , t l a v t l e v t_{lev} t l e v
t e = Δ y / v y , t i = ( − v i ± v i 2 + 2 a i s i ) / a i , i = L E V , L A V \begin{equation*}
t_{e}=\Delta y / v_{y}, t_{i}=\left(-v_{i} \pm \sqrt{v_{i}^{2}+2 a_{i} s_{i}}\right) / a_{i}, i=LEV, LAV \tag{11}
\end{equation*} t e = Δ y / v y , t i = ( − v i ± v i 2 + 2 a i s i ) / a i , i = L E V , L A V ( 11 )
图 3. 变道过程中与 LAV 和 LEV 的潜在碰撞。 其中 s l a v s_{lav} s l a v s l e v s_{lev} s l e v L A V LAV L A V L E V LEV L E V a l a v a_{lav} a l a v a l e v a_{lev} a l e v L A V LAV L A V L E V LEV L E V △ y \triangle y △ y E V EV E V L A V LAV L A V L E V LEV L E V
对于碰撞严重程度，选择碰撞前后车辆的质量和速度差作为衡量标准。假设重型卡车与其他车辆之间的碰撞是非弹性的。然后可以根据动量守恒定律获得严重程度。
{ m f o l v f o l + m l e a d v l e a d = ( m f o l + m l e a d ) v ~ Δ v f o l = v f o l − v ~ = m l e a d ( v f o l − v l e a d ) / ( m f o l + m l e a d ) Δ v lead = v lead − v ~ = m f o l ( v l e a d − v f o l ) / ( m f o l + m lead ) (12) \left\{\begin{array}{l}
m_{fol} v_{fol}+m_{lead} v_{lead}=\left(m_{fol}+m_{lead}\right) \tilde{v} \tag{12}\\
\Delta v_{fol}=v_{fol}-\tilde{v}=m_{lead}\left(v_{fol}-v_{lead}\right) /\left(m_{fol}+m_{lead}\right) \\
\Delta v_{\text {lead }}=v_{\text {lead }}-\tilde{v}=m_{fol}\left(v_{lead}-v_{fol}\right) /\left(m_{fol}+m_{\text {lead }}\right)
\end{array}\right. ⎩ ⎨ ⎧ m f o l v f o l + m l e a d v l e a d = ( m f o l + m l e a d ) v ~ Δ v f o l = v f o l − v ~ = m l e a d ( v f o l − v l e a d ) / ( m f o l + m l e a d ) Δ v lead = v lead − v ~ = m f o l ( v l e a d − v f o l ) / ( m f o l + m lead ) ( 12 ) 引入指数函数来解决速度差为负的情况。随后，卡车在变道过程中对周围道路使用者施加的侵略性定义如下：
A I = 1 Δ t m e e Δ v i m s + m e , i = L A V , L E V \begin{equation*}
AI=\frac{1}{\Delta t} \frac{m_{e} e^{\Delta v_{i}}}{m_{s}+m_{e}}, i=LAV, LEV \tag{13}
\end{equation*} A I = Δ t 1 m s + m e m e e Δ v i , i = L A V , L E V ( 13 ) 其中 m s m_{s} m s m e m_{e} m e Δ v \Delta v Δ v Δ v lav = v lav + a lav t lav − v e − a e t e \Delta v_{\text {lav }}=v_{\text {lav }}+a_{\text {lav }} t_{\text {lav }}-v_{e}-a_{e} t_{e} Δ v lav = v lav + a lav t lav − v e − a e t e Δ v lev = \Delta v_{\text {lev }}= Δ v lev = v e + a e t e − v l e v − a l e v t l e v v_{e}+a_{e} t_{e}-v_{l e v}-a_{l e v} t_{l e v} v e + a e t e − v l e v − a l e v t l e v a e a_{e} a e
最终选择以上三个指标来评估风险等级，目标车道的交通状况描述为 X ∈ Φ = { T T C i , S D I , A I } X \in \Phi=\{T T C i, S D I, A I\} X ∈ Φ = { TTC i , S D I , A I }
C. 目标车道的风险等级
风险评估的目的是确定变道或保持车道的离散决策。因此，定义了三个离散风险等级作为随机变量 Ξ ∈ ε = { D , A , S } \Xi \in \varepsilon=\{D, A, S\} Ξ ∈ ε = { D , A , S }
由于存在三个风险等级，因此需要两个临界值，通过似然函数将观察到的交通状况映射到相应的风险等级。假设它是以下 S 形隶属函数：
P ( X = x m ∣ Ξ = ξ i ) = { ( 2 − 4 β ) / ( 1 + exp ( − α x m ( x m − ξ ˉ i c r ) ) ) + ( 3 β − 1 ) , if x m > ξ ˉ i c r ( 4 β − 2 ) / ( 1 + exp ( − α x m ( x m − ξ ‾ i c r ) ) ) + ( 1 − β ) , if x m ≤ ξ i c r ‾ β , otherwise \begin{align*}
& P\left(X=x_{m} \mid \Xi=\xi_{i}\right) \\
& =\left\{\begin{array}{l}
(2-4 \beta) /\left(1+\exp \left(-\alpha_{x_{m}}\left(x_{m}-\bar{\xi}_{i}^{c r}\right)\right)\right)+(3 \beta-1), \text { if } x_{m}>\bar{\xi}_{i}^{c r} \\
(4 \beta-2) /\left(1+\exp \left(-\alpha_{x_{m}}\left(x_{m}-\underline{\xi}_{i}^{c r}\right)\right)\right)+(1-\beta), \text { if } x_{m} \leq \underline{\xi_{i}^{c r}} \\
\beta, \text { otherwise }
\end{array}\right. \tag{14}
\end{align*} P ( X = x m ∣ Ξ = ξ i ) = ⎩ ⎨ ⎧ ( 2 − 4 β ) / ( 1 + exp ( − α x m ( x m − ξ ˉ i cr ) ) ) + ( 3 β − 1 ) , if x m > ξ ˉ i cr ( 4 β − 2 ) / ( 1 + exp ( − α x m ( x m − ξ i cr ) ) ) + ( 1 − β ) , if x m ≤ ξ i cr β , otherwise ( 14 ) 其中 x m x_{m} x m Φ \Phi Φ ξ i ( i = D , A , S ) \xi_{i}(i=D, A, S) ξ i ( i = D , A , S ) α x m \alpha_{x m} α x m β \beta β ξ ˉ i c r \bar{\xi}_{i}^{c r} ξ ˉ i cr ξ i c r ‾ \underline{\xi_{i}^{c r}} ξ i cr
后验概率可以通过多个威胁指标的加权来确定和归一化 [25]，然后可以获得具有所有测量威胁指标的特定风险等级的概率。
P ( Ξ = ξ i ∣ X j = x m j ) = ∑ j = 1 N Ξ ω j P ( Ξ = ξ i ∣ X = x m ) ∑ j = 1 N Ξ ω j , j = 1 , 2 , 3 \begin{equation*}
P\left(\Xi=\xi_{i} \mid X_{j}=x_{m}^{j}\right)=\frac{\sum_{j=1}^{N_{\Xi}} \omega_{j} P\left(\Xi=\xi_{i} \mid X=x_{m}\right)}{\sum_{j=1}^{N_{\Xi}} \omega_{j}}, j=1,2,3 \tag{15}
\end{equation*} P ( Ξ = ξ i ∣ X j = x m j ) = ∑ j = 1 N Ξ ω j ∑ j = 1 N Ξ ω j P ( Ξ = ξ i ∣ X = x m ) , j = 1 , 2 , 3 ( 15 ) 对于特定的变道，风险来自目标车道中的 LAV 和 LEV。因此，变道风险概率应该是每个风险等级与新函数的组合 [25]。
{ P ( Ξ l = D ) = 1 − ∏ k = L A V , L E V P ( Ξ k = ¬ D ∣ X j k = x m j , k ) P ( Ξ l = S ) = ∏ k = L A V , L E V P ( Ξ k = S ∣ X j k = x m j , k ) P ( Ξ l = A ) = 1 − P ( Ξ l = D ) − P ( Ξ l = S ) (16) \left\{\begin{array}{l}
P\left(\Xi_{l}=D\right)=1-\prod_{k=L A V, L E V} P\left(\Xi_{k}=\neg D \mid X_{j}^{k}=x_{m}^{j, k}\right) \tag{16}\\
P\left(\Xi_{l}=S\right)=\prod_{k=L A V, L E V} P\left(\Xi_{k}=S \mid X_{j}^{k}=x_{m}^{j, k}\right) \\
P\left(\Xi_{l}=A\right)=1-P\left(\Xi_{l}=D\right)-P\left(\Xi_{l}=S\right)
\end{array}\right. ⎩ ⎨ ⎧ P ( Ξ l = D ) = 1 − ∏ k = L A V , L E V P ( Ξ k = ¬ D ∣ X j k = x m j , k ) P ( Ξ l = S ) = ∏ k = L A V , L E V P ( Ξ k = S ∣ X j k = x m j , k ) P ( Ξ l = A ) = 1 − P ( Ξ l = D ) − P ( Ξ l = S ) ( 16 ) 其中 X j L A V X_{j}^{L A V} X j L A V X j L E V X_{j}^{L E V} X j L E V x m j , L A V x_{m}^{j, L A V} x m j , L A V x m j , L E V x_{m}^{j, L E V} x m j , L E V
预测范围内的未来风险也使用上述程序确定。因此，可以通过综合当前风险 P t ( Ξ l = ξ i ) P_{t}\left(\Xi_{l}=\xi_{i}\right) P t ( Ξ l = ξ i ) P τ ( Ξ l = ξ i ) , τ ∈ [ t , t + T p ] P_{\tau}\left(\Xi_{l}=\xi_{i}\right), \tau \in\left[t, t+T_{p}\right] P τ ( Ξ l = ξ i ) , τ ∈ [ t , t + T p ]
D. 驾驶行为决策
在获得选择每个车道作为目标车道的概率以及每个车道的风险等级后，提出了一种决策逻辑来确定是否变道。如图 4 所示，当当前车道的效用最大时，提出的决策模型将生成保持车道决策。否则，如果一个相邻车道在预测范围内具有最大的总效用，则将其选择为潜在目标车道。然后，根据预测的 T T C i ( τ ) T T C i(\tau) TTC i ( τ ) S D I ( τ ) S D I(\tau) S D I ( τ ) A I ( τ ) A I(\tau) A I ( τ ) τ ∈ [ t , t + T p ] \tau \in\left[t, t+T_{p}\right] τ ∈ [ t , t + T p ]
