Safety-Aware Human-Lead Vehicle Platooning by Proactively Reacting to Uncertain Human Behaving

📄 arXiv: 2405.07556v3 📥 PDF

作者: Jia Hu, Shuhan Wang, Yiming Zhang, Haoran Wang, Zhilong Liu, Guangzhi Cao

分类: cs.RO

发布日期: 2024-05-13 (更新: 2025-03-27)

期刊: Transportation Research Part C: Emerging Technologies, 170, 104941 (2025)

DOI: 10.1016/j.trc.2024.104941

💡 一句话要点

提出基于随机模型预测控制的安全感知HL-CACC，应对人类驾驶行为的不确定性

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: HL-CACC 随机模型预测控制 人类驾驶行为预测 车辆编队 安全感知 智能驾驶 协同控制

📋 核心要点

  1. 现有HL-CACC技术未能充分考虑人类驾驶员行为的不确定性，导致驾驶安全性存在隐患。
  2. 采用基于SMPC的HL-CACC控制器，通过预测前车驾驶意图，提升系统对不确定性的适应能力。
  3. 仿真结果表明，该控制器在安全性、稳定性和计算效率方面均有显著提升，具备实时部署潜力。

📝 摘要（中文）

本文提出了一种基于随机模型预测控制(SMPC)的人类引导协同自适应巡航控制(HL-CACC)控制器，旨在解决现有HL-CACC技术在驾驶安全方面的局限性，即缺乏对人类驾驶员不确定行为的考虑。该控制器能够预测前车（联网人类驾驶车辆CHV）的驾驶意图，并具备以下特点：增强了在振荡交通中的感知安全性；保证了应对急刹车的安全性；以及满足实时实现所需的计算效率。该控制器在PreScan&Simulink仿真平台上进行了评估，并使用真实车辆轨迹数据进行校准。结果表明，该控制器在振荡交通中将感知安全性提高了19.17%，应对急刹车的实际安全性提高了7.76%，并验证了纵向稳定性。在配备Intel i5-13500H CPU的笔记本电脑上运行，计算时间约为3.2毫秒，表明该控制器已为实时实现做好准备。

🔬 方法详解

问题定义：现有的人类引导协同自适应巡航控制（HL-CACC）系统在应对前车（人类驾驶）的不确定行为时存在安全隐患。尤其是在交通流振荡或前车急刹车的情况下，后车容易发生追尾等事故。现有方法通常假设人类驾驶员的行为是确定的，或者使用简单的规则来应对突发情况，无法有效预测和应对人类驾驶员的复杂行为模式。

核心思路：本文的核心思路是利用随机模型预测控制（SMPC）来显式地考虑人类驾驶员行为的不确定性。通过建立人类驾驶员行为的概率模型，SMPC能够预测未来一段时间内人类驾驶员可能采取的多种行为，并据此优化后车的控制策略，从而提高系统的安全性和鲁棒性。这种方法的核心在于将不确定性纳入控制器的设计中，而不是简单地将其视为干扰。

技术框架：该HL-CACC控制器的整体框架包括以下几个主要模块：1) 人类驾驶员行为预测模块：基于历史数据和当前状态，预测人类驾驶员未来一段时间内的行为概率分布。2) 随机模型预测控制模块：利用预测的人类驾驶员行为概率分布，优化后车的控制策略，目标是最小化成本函数，同时满足安全约束。3) 车辆动力学模型：描述车辆的运动状态和控制输入之间的关系。4) 安全约束模块：定义车辆之间的安全距离和速度差，防止发生碰撞。

关键创新：该论文的关键创新在于将随机模型预测控制（SMPC）应用于HL-CACC系统，从而能够显式地考虑人类驾驶员行为的不确定性。与传统的确定性模型预测控制（MPC）相比，SMPC能够更好地应对人类驾驶员的复杂行为模式，提高系统的安全性和鲁棒性。此外，该论文还提出了一种高效的SMPC求解算法，能够在保证控制性能的同时，满足实时性要求。

关键设计：在人类驾驶员行为预测模块中，可以使用高斯过程回归、隐马尔可夫模型等方法来建立人类驾驶员行为的概率模型。在随机模型预测控制模块中，需要选择合适的成本函数和安全约束。成本函数通常包括跟踪误差、控制输入和安全距离等项。安全约束可以采用概率约束或场景约束等形式。此外，还需要设计高效的SMPC求解算法，例如基于场景树的方法或基于Tube MPC的方法。

📊 实验亮点

实验结果表明，所提出的SMPC-HL-CACC控制器在振荡交通中将感知安全性提高了19.17%，应对急刹车的实际安全性提高了7.76%，并验证了纵向稳定性。此外，该控制器的计算时间约为3.2毫秒，表明其具备实时实现的潜力。这些结果表明，该控制器在安全性、稳定性和计算效率方面均优于现有方法。

🎯 应用场景

该研究成果可应用于高级驾驶辅助系统(ADAS)和自动驾驶领域，尤其是在混行交通环境中，人类驾驶车辆与自动驾驶车辆共存的场景。通过提高HL-CACC系统的安全性，可以降低交通事故风险，提升交通效率，并促进自动驾驶技术的普及。未来，该技术还可以扩展到其他类型的车辆编队控制，例如卡车编队和无人机编队。

📄 摘要（原文）

Human-Lead Cooperative Adaptive Cruise Control (HL-CACC) is regarded as a promising vehicle platooning technology in real-world implementation. By utilizing a Human-driven Vehicle (HV) as the platoon leader, HL-CACC reduces the cost and enhances the reliability of perception and decision-making. However, state-of-the-art HL-CACC technology still has a great limitation on driving safety due to the lack of considering the leading human driver's uncertain behavior. In this study, a HL-CACC controller is designed based on Stochastic Model Predictive Control (SMPC). It is enabled to predict the driving intention of the leading Connected Human-Driven Vehicle (CHV). The proposed controller has the following features: i) enhanced perceived safety in oscillating traffic; ii) guaranteed safety against hard brakes; iii) computational efficiency for real-time implementation. The proposed controller is evaluated on a PreScan&Simulink simulation platform. Real vehicle trajectory data is collected for the calibration of the simulation. Results reveal that the proposed controller: i) improves perceived safety by 19.17% in oscillating traffic; ii) enhances actual safety by 7.76% against hard brakes; iii) is confirmed with string stability. The computation time is approximately 3.2 milliseconds when running on a laptop equipped with an Intel i5-13500H CPU. This indicates the proposed controller is ready for real-time implementation.