一、研究背景及意義
　　1.智能駕駛技術
　　智能駕駛技術的首要目的就是保障交通安全。因此，智能駕駛汽車的相關系統設計最初的角度主要是安全。目前，隨著智能駕駛技術的逐漸發展，在保障安全的前提下，可以進一步地考慮安全與效率之間的平衡關系。
　　2.量化交通環境的風險
　　在智能汽車的整個行駛過程中，無論是跟馳、換道還是交叉口通行，都需要考慮行車環境的風險問題。但是，如何對該風險進行量化仍然是一個值得探索的問題。目前，智能汽車都是以一種相對客觀方法對風險水平進行量化。但是在實際駕駛過程中，駕駛人是通過對周圍環境的感知對風險進行主觀的評價。量化這種駕駛人主觀感知的風險才能夠更好的建模駕駛人的駕駛行為，以及應用于自動駕駛系統，使得自動駕駛系統的決策過程與人的期望保持一致，來提高駕駛人對自動駕駛的信任度，這具有重要的意義。但是由于主觀感知風險是一個不可直接測量的量，因此需要通過一些可測量的量來間接的對該風險進行量化。

3.駕駛人的決策機制
　　已有的駕駛行為模型很多是基于具體場景的，例如跟馳，換道等。但是由于交通的場景復雜多變，面向不同的場景構建不同的模型會導致模型數量的膨脹，對智能控制決策帶來一定的影響，這是基于場景的建模方法面臨的最大的問題。駕駛人實際上在不同場景中的決策被認為是統一的，具有相同的決策機制。通過探究統一的駕駛人決策機制，建立不依賴于具體場景的行為模型是一個值得研究的問題。
　　二、基于場論的駕駛人主觀風險量化
　　1.整體思路

基于場論的方法來對駕駛人的主觀感知風險進行量化的目標是使得量化的方法以及量化的結果與具體的場景無關，只與場景中存在的交通要素的自身屬性有關。交通場景中存在的一些靜態環境要素，例如車道線，道路邊緣線，護欄等，都會在它自身周圍區域產生一定的風險來影響其它車輛的路徑規劃。對于交通場景中的運動物體，同樣會在其自身周圍區域產生一定的風險，但是該風險影響區域會跟隨著車輛進行變化，使得其它車輛在進行路徑規劃時還需要對該風險的變化進行一定的預測。這些交通要素產生的風險只與其自身的位置，屬性，以及運動狀態有關，與具體的環境無關。例如，速度更高的運動物體有著更高的不確定性，都會在其自身周圍范圍產生一個更高的風險，使得其他車輛在路徑規劃時與其保持更遠的距離。最后，通過將不同交通要素在其周圍產生的風險進行疊加形成統一的風險場，完成對整個交通環境的整體描述，以便于后續的行為決策建模。
　　2.場論約束

基于場論對風險進行量化存在以下三點基本假設：（1）風險場中風險的最大值為1，僅存在于不可越過的障礙物所覆蓋的區域；（2）每個要素產生的對應的風險場都是以自身為中心的；（3）通過取最大值的方式來對不同要素產生的風險場進行疊加得到最終的交通環境風險場。運動車輛產生的風險場如上左圖所示，在一個路段上增加車道線以及道路邊緣產生的風險場如上中圖所示，在一個信號控制交叉口中增加由于動態交通管控信息產生的動態風險場如上右圖所示。車輛會在其所處的風險場環境中，受到環境風險的綜合作用來構建期望的路徑。

3.風險函數
　　以運動車輛為例，其會對時空中的任意一點產生風險，該風險僅與它的位置、尺寸和速度等屬性有關。隨著車輛速度的增加，車輛的不穩定性增加，其會對周圍產生更大的風險。其次，隨著相對距離的減小，這些位置更容易受到車輛的影響，則有著更大的風險。此外，考慮到車輛作為一個不可越過的障礙物，在其覆蓋范圍內風險均等于最大風險。同時在車輛的縱向和橫向上對風險場模型進行構建，并在其他區域綜合考慮兩個方向的風險，完成了對車輛周圍影響區域的風險量化。其中，對于不同類型的車輛，模型待定參數和可能存在一定的差異，以此來考慮車輛其它屬性對風險的影響。

最后，將所有要素產生的風險場通過坐標系變換轉換到相同坐標系下，并通過取最大值的方式對它們進行疊加，都能夠得到所需的能夠描述交通環境對車輛運動約束的統一風險場。

三、基于風險量化的軌跡的規劃模型
　　1.風險動態平衡原理
　　心理學上存在兩個經典理論，風險動態平衡理論和行為補償理論。類似于人的血壓是一定時間內是在一個固定值的基礎上進行波動的。這兩個理論也認為在面對任何場景的時候，駕駛人存在一個固定的可接受風險水平，駕駛人通過行為調整使得其主觀感知的風險在可接受風險水平上下波動。此外，該固定不變的期望風險也為主觀感知風險的量化提供依據。

2.預瞄理論
　　另一個描述駕駛人行為的理論是預瞄理論。它認為駕駛人會通過行為調整使得自車在預瞄時間后到達期望的位置，再結合風險動態平衡理論，期望位置對應的風險可以被認為是期望風險。該預瞄時間大致是在0.5到1.5 s的范圍內，一般可以取為1.5 s。因此，整個模型的構建思路就是，駕駛人判斷預瞄時間后車輛承受的風險是不是等于期望風險。與此對應的駕駛人控制策略就是如果承受的風險小于期望風險，就可以通過加速提前通過該位置，到達風險相對更高的位置來獲取更高的收益。如果承受的風險大于期望風險，就可以通過減速延遲通過該位置，損失一定的通行效率來保障行車安全。

四、軌跡規劃模型的實際應用
　　通過風險場構建的軌跡規劃模型被具體在跟馳和換道場景中進行簡單的應用。首先，基于風險動態平衡理論對模型參數進行簡單的標定。其核心在于不同的穩定狀態下，駕駛人保持著相同的期望風險水平。以跟馳場景為例，在不同速度下的穩定跟馳場景中，駕駛人感知到的主觀風險均在期望風險水平上下波動。此外，當前后車保持靜止時亦處于穩定狀態，駕駛人感知的風險也將位于期望風險水平附近。通過選取了一些特殊點，我們代入模型中對三個模型參數進行標定。標定的參數為，，。隨后，我們在選擇了一個NGSIM的實際跟馳案例來對模型效果進行驗證，模型對該案例較好的擬合結果也表明了模型能夠對跟馳以及停車起步的駕駛行為進行建模。

也將該模型與已有的經典跟馳模型（期望安全裕度模型，DSM和智能駕駛人模型，IDM）進行了模型對比。通過對比三個模型對跟馳案例建模的誤差可以發現，提出的模型相較于IDM模型有著更好的擬合效果。這也就進一步證明了模型在跟馳場景中的有效性。同時也與已有的駕駛人主觀感知風險的量化指標安全裕度（SM）進行比較，也發現兩者的變化趨勢較為一致。

該模型也被應用于換道場景，在換道場景中對模型進行驗證。換道場景中可以分為換道空間不滿足時的強制換道，此時換道車輛需要等待或者緩慢進行切入。另一種是自由換道，通常是換道的空間足夠大。此外，由于產生換道意圖時換道車輛與目標車輛的相對位置的差異，換道車輛在換道過程中可能是加速也可能是減速。此外，車輛在換道過程中，由于汽車動力學的相關關系，車輛的橫向速度和縱向速度之間存在著一定的關系，需要基于車輛的縱向速度對車輛的橫向速度進行約束。

選擇了一個換道的自然駕駛數據進行建模。通過將仿真數據與實際數據進行對比可以發現，模型能夠對換道行為進行良好的行為建模。此外，該案例在換道結束后存在著跟馳場景。可以發現，在使用完全相同的模型以及模型參數的情況下，模型能夠同時對跟馳和換道行為進行建模。通過該案例證明了模型能夠應用于不同的場景中對駕駛行為進行統一的建模。

此外，不同的駕駛人在跟馳過程中的期望風險可能不一樣。如下圖所示，IDM對該駕駛行為的擬合相對較差。模型使用普適性的參數也不能很好的適用于該特殊的駕駛人。當我們通過增加模型中的期望風險就能夠對該駕駛人的跟馳行為進行很好的建模。該結論表明了模型能夠較方便的調整來對不同類型的駕駛人的行為進行差異化的行為建模。

整體而言，首先，我們提出了一個與場景無關的駕駛人主觀感知風險量化方法。其次，基于該風險量化方法提出的軌跡規劃模型能夠在跟馳和切入場景中有效描述實際的駕駛行為。該模型可以用于預測不同類型駕駛人的行駛軌跡，也可以描述駕駛人的行為決策，同時也能為自動駕駛系統提供一種類人的軌跡規劃方法，具有一定的參考意義。