Shared Control for Vehicle Lane-Changing with Uncertain Driver Behaviors
作者: Jiamin Wu, Chenguang Zhao, Huan Yu
分类: eess.SY
发布日期: 2025-10-29
💡 一句话要点
提出基于马尔可夫跳跃过程的车辆换道共享控制框架，提升交通流稳定性。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 共享控制 车辆换道 马尔可夫跳跃过程 交通流稳定性 最小干预控制
📋 核心要点
- 人类驾驶行为的随机性和任务需求变化导致换道过程不稳定，影响交通流的整体效率和安全性。
- 论文提出将驾驶员行为建模为马尔可夫跳跃过程，并设计相应的共享控制策略，以应对驾驶员行为的不确定性。
- 实验结果表明，所提出的最小干预控制器（MIC）能够在保证驾驶员权限的同时，提升换道效率和交通流稳定性。
📝 摘要（中文）
换道是常见的驾驶操作，但充满挑战，需要持续决策和与周围车辆的动态交互。仅依赖驾驶员换道可能因人类行为的随机性和不同任务需求下的变异性而导致交通紊乱。这种不确定性会显著降低交通流的纵向稳定性，这对抑制扰动传播和确保换道车辆平稳汇入至关重要。本文提出了一种人-车共驾的换道控制框架，在保留驾驶员权限的同时，允许自动辅助系统在驾驶员行为不确定的情况下实现稳定的换道操作。人类驾驶行为被建模为马尔可夫跳跃过程，其状态转移由任务难度驱动，从而提供了一种易于处理的随机状态切换表示。基于此模型，我们首先设计了一个标称稳定控制器，保证在不完全模式估计下的随机${L}_2$纵向稳定性。为了进一步平衡性能和自动化程度，我们开发了一种最小干预控制器（MIC），在限制自动化的同时保持可接受的稳定性。使用NGSIM数据集的换道数据进行的仿真验证表明，标称控制器减少了速度扰动并缩短了换道时间，而MIC进一步降低了自动化程度并提高了舒适性，但稳定性和效率略有损失。在配备SAE Level 2车辆的TGSIM数据集上的验证表明，MIC能够比Level 2控制更早地进行换道，同时在略微牺牲稳定性的前提下保留驾驶员权限。这些发现突出了共享控制策略在平衡稳定性、效率和驾驶员接受度方面的潜力。
🔬 方法详解
问题定义：论文旨在解决车辆换道过程中，由于驾驶员行为的不确定性（例如驾驶风格变化、注意力分散等）导致的交通流不稳定问题。现有方法要么完全依赖驾驶员，导致安全性降低，要么过度依赖自动驾驶系统，导致驾驶员体验不佳。现有方法难以在驾驶员意图尊重和交通流稳定之间取得平衡。
核心思路：论文的核心思路是将驾驶员的行为建模为一个马尔可夫跳跃过程，该过程的状态转移概率由任务难度决定。通过这种建模方式，可以将驾驶员行为的不确定性纳入控制器的设计中，从而实现更鲁棒的换道控制。同时，论文设计了最小干预控制器（MIC），在保证一定稳定性的前提下，尽可能减少自动驾驶系统的干预，提升驾驶员的舒适度和接受度。
技术框架：整体框架包含以下几个主要模块：1) 驾驶员行为建模：使用马尔可夫跳跃过程对驾驶员的行为进行建模，状态转移概率由任务难度决定。2) 标称稳定控制器设计：基于驾驶员行为模型，设计一个保证随机${L}_2$纵向稳定性的控制器。3) 最小干预控制器（MIC）设计：在标称控制器的基础上，设计MIC，以减少自动驾驶系统的干预。4) 仿真验证：使用NGSIM和TGSIM数据集对所提出的控制策略进行仿真验证。
关键创新：论文的关键创新在于：1) 将驾驶员行为建模为马尔可夫跳跃过程，从而能够有效地处理驾驶员行为的不确定性。2) 提出了最小干预控制器（MIC），能够在保证一定稳定性的前提下，尽可能减少自动驾驶系统的干预，提升驾驶员的舒适度和接受度。与现有方法相比，该方法更注重驾驶员意图的尊重和人机协作。
关键设计：在马尔可夫跳跃过程中，状态代表不同的驾驶行为模式（例如激进型、保守型）。状态转移概率的计算依赖于任务难度，任务难度由周围车辆的距离、速度等因素决定。标称稳定控制器的设计基于线性矩阵不等式（LMI）优化，以保证随机${L}_2$纵向稳定性。MIC的设计通过引入一个惩罚项来限制自动驾驶系统的干预程度，该惩罚项与控制输入的幅度相关。
🖼️ 关键图片
📊 实验亮点
实验结果表明，标称控制器能够减少速度扰动并缩短换道时间。最小干预控制器（MIC）进一步降低了自动化程度并提高了舒适性，但稳定性和效率略有损失。在TGSIM数据集上的验证表明，MIC能够比Level 2控制更早地进行换道，同时在略微牺牲稳定性的前提下保留驾驶员权限。这些结果验证了所提出的共享控制策略在平衡稳定性、效率和驾驶员接受度方面的有效性。
🎯 应用场景
该研究成果可应用于高级驾驶辅助系统（ADAS）和自动驾驶系统，尤其是在高速公路等场景下的车辆换道辅助。通过共享控制策略，可以提升换道过程的安全性、效率和舒适性，降低交通事故风险，并提高驾驶员对自动驾驶系统的接受度。未来，该研究可以扩展到更复杂的驾驶场景，例如城市道路和拥堵环境。
📄 摘要（原文）
Lane changes are common yet challenging driving maneuvers that require continuous decision-making and dynamic interaction with surrounding vehicles. Relying solely on human drivers for lane-changing can lead to traffic disturbances due to the stochastic nature of human behavior and its variability under different task demands. Such uncertainties may significantly degrade traffic string stability, which is critical for suppressing disturbance propagation and ensuring smooth merging of the lane-changing vehicles. This paper presents a human-automation shared lane-changing control framework that preserves driver authority while allowing automated assistance to achieve stable maneuvers in the presence of driver's behavioral uncertainty. Human driving behavior is modeled as a Markov jump process with transitions driven by task difficulty, providing a tractable representation of stochastic state switching. Based on this model, we first design a nominal stabilizing controller that guarantees stochastic ${L}_2$ string stability under imperfect mode estimation. To further balance performance and automated effort, we then develop a Minimal Intervention Controller (MIC) that retains acceptable stability while limiting automation. Simulations using lane-changing data from the NGSIM dataset verify that the nominal controller reduces speed perturbations and shorten lane-changing time, while the MIC further reduces automated effort and enhances comfort but with moderate stability and efficiency loss. Validations on the TGSIM dataset with SAE Level 2 vehicles show that the MIC enables earlier lane changes than Level 2 control while preserving driver authority with a slight stability compromise. These findings highlight the potential of shared control strategies to balance stability, efficiency, and driver acceptance.