Human-Machine Shared Control Approach for the Takeover of CACC

📄 arXiv: 2407.11551v4 📥 PDF

作者: Haoran Wang, Zhexi Lian, Zhenning Li, Jiawei Wang, Arno Eichberger, Jia Hu, Yongyu Chen, Yongji Gao

分类: cs.RO

发布日期: 2024-07-16 (更新: 2025-08-08)

备注: This article has been published on IEEE Transactions on Intelligent Transportation Systems (2025)

DOI: 10.1109/TITS.2025.3580756

💡 一句话要点

提出一种人机共享控制方法，用于CACC系统平稳接管，提升安全性和交通效率。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 人机共享控制 CACC接管 Stackelberg博弈 模型预测控制 队列稳定性

📋 核心要点

  1. CACC系统在需要人工接管时存在风险，尤其是在近距离跟随策略下，可能导致驾驶员紧急制动，引发碰撞。
  2. 该研究提出一种基于Stackelberg博弈的人机共享控制方法，机器引导人类操作，维持队列稳定性，并优化预测控制。
  3. 实验结果表明，该控制器能实现平稳接管，确保队列稳定性，提高安全性，并显著降低对上游交通的影响。

📝 摘要（中文）

本研究旨在开发一种CACC接管控制器，确保从自动驾驶到人工驾驶的平稳过渡。该控制器采用间接人机共享控制方法，建模为Stackelberg博弈，其中机器作为领导者，人类作为跟随者。机器引导人类以符合其期望的方式做出反应，从而有助于维持跟随稳定性。此外，人类反应函数被集成到机器的预测控制系统中，超越了简单的“预测-规划”流程，从而提高了规划的最优性。实验验证表明，该控制器能够：i) 实现CACC的平稳接管；ii) 在车队规模小于6且人类控制权限小于40%的情况下，确保队列稳定性；iii) 通过机器干预，提高感知安全性和实际安全性；iv) 将对上游交通的影响降低高达60%。

🔬 方法详解

问题定义：论文旨在解决合作式自适应巡航控制（CACC）系统中，人工接管时可能出现的安全问题。CACC通常采用近距离跟随策略，直接人工接管可能导致驾驶员不适，产生急刹车等危险行为，从而引发碰撞。现有方法缺乏对人类驾驶行为的有效预测和引导，难以保证接管过程的平稳性和安全性。

核心思路：论文的核心思路是将人机接管过程建模为一个Stackelberg博弈，机器作为领导者，人类作为跟随者。机器通过预测人类的反应，并采取相应的控制策略，引导人类按照期望的方式进行操作，从而实现平稳过渡和队列稳定性。这种方法避免了直接控制人类行为，而是通过影响人类的决策过程来达到控制目标。

技术框架：整体框架包含以下几个主要模块：1) 人类反应函数建模：通过学习或预设规则来预测人类驾驶员在不同情况下的反应；2) 基于模型预测控制（MPC）的机器控制策略设计：将人类反应函数集成到MPC中，预测人类行为对车辆状态的影响，并优化机器的控制策略；3) Stackelberg博弈求解：求解机器作为领导者的最优策略，该策略能够引导人类做出符合机器期望的反应。

关键创新：该论文的关键创新在于将人类反应函数集成到机器的预测控制系统中，超越了传统的“预测-规划”流程。通过考虑人类行为对车辆状态的影响，机器能够制定更优的控制策略，从而实现更平稳、更安全的接管过程。此外，将人机交互建模为Stackelberg博弈，为解决人机协作问题提供了一种新的思路。

关键设计：论文中，人类反应函数可以通过多种方式建模，例如基于规则的方法、基于学习的方法等。MPC控制器的设计需要考虑车辆动力学模型、约束条件（如速度限制、安全距离等）以及优化目标（如平稳性、安全性等）。Stackelberg博弈的求解可以使用迭代算法或其他优化方法。具体的参数设置和损失函数需要根据实际应用场景进行调整。

📊 实验亮点

实验结果表明，该控制器能够实现CACC的平稳接管，并在车队规模小于6且人类控制权限小于40%的情况下，确保队列稳定性。此外，该控制器能够提高感知安全性和实际安全性，并将对上游交通的影响降低高达60%。这些结果表明，该方法在提高人机协作效率和安全性方面具有显著优势。

🎯 应用场景

该研究成果可应用于各种自动驾驶和辅助驾驶系统，尤其是在需要频繁人机切换的场景中，如高速公路驾驶、城市道路驾驶等。通过提高人机协作的效率和安全性，可以提升驾驶体验，降低事故风险，并促进自动驾驶技术的普及。

📄 摘要（原文）

Cooperative Adaptive Cruise Control (CACC) often requires human takeover for tasks such as exiting a freeway. Direct human takeover can pose significant risks, especially given the close-following strategy employed by CACC, which might cause drivers to feel unsafe and execute hard braking, potentially leading to collisions. This research aims to develop a CACC takeover controller that ensures a smooth transition from automated to human control. The proposed CACC takeover maneuver employs an indirect human-machine shared control approach, modeled as a Stackelberg competition where the machine acts as the leader and the human as the follower. The machine guides the human to respond in a manner that aligns with the machine's expectations, aiding in maintaining following stability. Additionally, the human reaction function is integrated into the machine's predictive control system, moving beyond a simple "prediction-planning" pipeline to enhance planning optimality. The controller has been verified to i) enable a smooth takeover maneuver of CACC; ii) ensure string stability in the condition that the platoon has less than 6 CAVs and human control authority is less than 40%; iii) enhance both perceived and actual safety through machine interventions; and iv) reduce the impact on upstream traffic by up to 60%.