主动安全研究现状.docx

主动安全研究现状.docx

《主动安全研究现状.docx》由会员分享，可在线阅读，更多相关《主动安全研究现状.docx（37页珍藏版）》请在冰豆网上搜索。

主动安全研究现状

多车协同安全换道策略

1.研究背景及意义

随着汽车工业的发展，各国的汽车保有量成逐渐增加的趋势，特别是我国的汽车保有量近几年来持续增加，2013年已经过亿[1]。

同时我国高速公路的建设日益增加，但其事故发生率和事故的严重程度呈逐年升高的趋势，而且与国外发达国家相比高出很多。

而在众多交通事故中，因为违规变道和未保持安全车距造成的交通事故在事故原因中占有相当比例[2]。

目前相关研究表明，75%的车辆碰撞事故都存在人为因素[3]。

驾驶员辅助系统的开发以及智能驾驶技术的研究将会使车辆事故的发生率大为降低[4]。

驾驶人在正常驾驶过程中，依据占用车道的情况，有车道保持和车道变换两种类型。

据欧盟数据统计，由车道变换引起的交通事故占总事故的4%-10%[5]。

其中驾驶人的因素是主要诱因之一[6,7]。

由车道变换引起的交通事故会造成不定时长的交通堵塞，对交通畅通性以及出行效率有很大影响。

因此，越来越多的学者以及科研机构研究换道预警系统，意在辅助驾驶人驾驶车辆，使驾驶过程安全轻松[8]。

与此同时，75%的换道事故是因为驾驶员的识别障碍，即对周围环境的感知不足[9]，所以在换道过程中，对环境的认知是十分重要的[10]。

此外，车车通信技术在汽车上的应用已成为必然趋势，其能够为提高行车安全，减少交通事故，改善交通和驾驶环境等方面提供技术支撑[11]。

因此工业界和学术界对基于车车通信的自动换道进行了大量研究[12,13]。

然而，实际换道过程中还存在这样的换道协同场景，即多辆车同时换道[14]。

这种协同行为提高了换道的安全性和成功率，使乘客获得了一个更为安全舒适的驾驶体验，同时也提高了局部交通的通行效率，但目前还鲜有深入研究。

此外，车车通信技术能够为换道车辆实时提供周围相关车辆的运动信息，为多车协同换道提供通信条件。

综上所述，多车自动协同换道控制策略的研究将使换道更加安全和舒适，提

高换道过程中安全性和成功率，提高交通通行效率，因此多车协同换道控制策略的研究具有十分重要的意义。

本课题基于车车通信的背景下，对多车协同换道场

景进行分析，制定协同换道控制策略，通过搭建仿真平台实现多车协同换道仿真，

并通过硬件在环试验验证协同换道控制策略的有效性。

2.研究现状

目前，关于自动换道的研究可以分为在单车自动换道和多车协同换道控制。

前者主要包括换道轨迹规划和轨迹跟踪控制，后者研究较少主要集中在合流区和

十字路口等方面。

下面进行详细阐述。

2.1自动换道控制研究现状

车辆行驶过程是驾驶员根据道路状况和交通环境实时进行车辆路径规划，并

进行轨迹跟踪的过程[15]。

自动驾驶中，路径规划是车辆自动驾驶的基础，需要为车辆行驶提供一条安全可靠的参考轨迹。

这些轨迹首先考虑的就是车辆行驶的安全性，其次是可靠性和舒适性，分别体现在安全距离模型和具体的轨迹行驶中，因此下面将从安全距离模型和各种换道轨迹进行阐述。

（1）安全距离模型

安全距离模型是车辆换道的安全保证。

现有换道安全距离模型假设周围车辆匀速，或者换道周围车辆状态已知，根据自车的规划轨迹进行临界碰撞的判断，进而建立数学模型。

加州大学伯克利分校的Hossein等人[13]根据换道可能发生的碰撞形式，推导了自动换道时的最小安全距离模型。

换道车辆M将从原车道换到左侧车道。

在换道的过程中，车M可能与前后车辆oL、oF发生追尾，也可能与目标车道前车dL发生侧碰、目标车道后车dF追尾。

根据这些碰撞形式，作者推导了最小安全距离模型。

吉林大学的王荣本[16]，Li-sheng[15]等人在Hossein的基础上，将安全距离模型应用到了更加复杂的场景上，如换道场景时间缩短为3秒等。

华南理工大学的许伦辉等人[17]不仅考虑了换道过程中的安全性，还对换道后的安全性进行了分析，使安全距离模型符合实际的车道变换。

（2）轨迹规划模型

自动换道轨迹规划属于局部路径规划问题，具有换道信息不确定的特点，在机器人领域和车辆领域都有相关研究。

其主要有多项式换道轨迹、贝塞尔曲线换道轨迹、基于MPC算法的换道轨迹、基于梯形横向加速度的换道轨迹、正弦曲线换道轨迹、遗传算法、蚁群算法、人工势场等方法。

下面将分别详细介绍车辆换道轨迹的特点。

加州大学伯克利分校的Iakovos等人[18]建立了五次多项式的换道轨迹，该多项式系数可以根据研究对象的初始状态和目标状态确定。

该研究中对有无障碍物分别进行轨迹规划。

当无障碍物时，纵向轨迹方程为五次多项式；当存在障碍物时，纵向方程为六次多项式。

文中对道路有无障碍的条件下分别仿真，证明了多项式轨迹的有效性。

韩国科学技术院的Jae-Hwan等人[19]利用五次多项式建立了周围车辆的直行轨迹函数，并通过参数轨迹曲线预测了直道和弯道上，周围车辆与自车碰撞时间。

印度伯拉卡德NSS工程大学的Jolly等人[20]针对多智能体的足球游戏机器人提出了贝尔塞曲线轨迹规划。

贝塞尔曲线是1962年由法国工程师贝塞尔发现的一种光滑插值曲线，可以通过多个点共同控制曲线的形状，其数学表达式如式1所示。

（1）

式中u是参数变量，n是多项式的阶数，i是求和系数，Bi代表多项式的顶点。

美国加州大学的Ji-wung[21]等人将贝塞尔曲线应用到地面车辆的轨迹规划中。

他将高阶贝塞尔曲线分段划分为3阶的多项式，从而保证的曲线的数值稳定性，为自动驾驶的自由和避障行驶提供了可行的规划轨迹。

中国科学院的陈成等人[22]在3阶贝塞尔曲线的基础上，为提高曲线曲率的连续性，满足无人车的初末状态约束，提出了4阶贝塞尔曲线轨迹。

该研究以曲率变化最小为目标，把问题转化为三参数优化问题，并满足速度连续约束、加速度有界约束和侧滑约束等，实现了更加光滑的贝塞尔曲线车辆轨迹规划。

（3）基于MPC算法的换道轨迹模型

美国卡内基米隆大学的Kelly等人[23]首次提出了利用MPC的算法进行轨迹规划。

车辆在行驶过程中，其动力学描述可以表示为4阶耦合的非线性模型。

卡麦基梅隆大学的Howard等人[24,25]将MPC路径规划算法拓展到了带有坡度的场景之中，并通过实车实验验证了在复杂环境下基于MPC算法轨迹的有效性和安全性。

瑞典查尔姆斯理工大学的Nilsson等人[26]在车辆轨迹规划的过程中将车辆的安全性条件转化为MPC问题的约束条件，从而保证了车辆换道过程中的安全性。

该研究中将车辆换道的纵横向运动分别考虑，简化了规划模型。

其算法先考虑车辆纵向运动的轨迹，如果安全纵向轨迹存在，进一步考虑横向轨迹。

该算法简单高效，能够实现轨迹的实时规划，并且减少了MPC计算的复杂度。

（4）基于梯形横向加速度的换道轨迹

加州大学伯克利分校的Wonshik等人[27]，认为基于梯形横向加速度的曲线参数求解简单，且加加速度可参数化，因此设计了该换道轨迹。

这种换道轨迹规划方法主要是设计换道时横向的加速度，提出的具体方法为：

横向的加速度是由两个梯形组成的，更确切的说是两个大小相等但方向相反的两个梯形。

（5）正弦曲线换道轨迹

加州大学的Wonshik等人[19]还对正弦曲线做出相关研究。

正弦曲线具有曲率连续可导，光滑，参数简单的优点，但也难以适应多参数优化。

定义坐标系如下：

x轴为沿着道路的方向，y轴为垂直道路的方向。

基于sin函数的换道轨迹的运动方程为：

其中，x0和y0为车辆的位置，v为车辆的速度，dy为道路的宽度，tlc为车辆换道的总共用时。

车辆的横向加速度为：

假设车辆的最大横向加速度为ymax，所以车辆的换道时间为：

（6）基于多项式的换道轨迹

基于多项式的换道方法根据车辆的初始状态和结束状态从横向和纵向两个方面规划轨迹。

用函数f（x,t）和g（x,t）来描述纵向和横向的轨迹，我们想要找到某条曲线，它能够描述车辆从初始状态到最终状态的动态特性，它还不能超出道路的几何构造。

本文中，我们选取五次多项式规划轨迹如下：

（7）其他曲线换道轨迹

换道轨迹的其他研究目前还有很多，有基于几何方法考虑的轨迹，如β样条曲线[28]等；有基于人工智能的方法，如基于神经网络的轨迹规划[29]、基于遗传算法的轨迹规划[30]等；以及一些新方法，如基于人工势场的轨迹规划[30]等。

换道轨迹不仅要考虑曲率的连续性，也要考虑轨迹曲率变化率的连续性[31]。

基于此，只有多项式换道轨迹，贝塞尔曲线换道轨迹，回旋曲线换道轨迹满足条件，而后两种换道轨迹计算复杂且优化难以达到理想效果。

因此多项式换道轨迹不失为车辆换道轨迹的最好选择。

前文介绍了几种轨迹规划方法，从上面的几种方法可以看出：

四种轨迹规划方法都能够实现在规定的时间换道，但是也存在着各自的特点，其中基于sin函数的换道轨迹规划方法最为直观，设计方法也足够简单，是可以考虑采用的方法；基于圆弧的换道轨迹规划方法充分考虑了在最短的时间内完成换道的问题，但是随之带来横向加速度可能过大但无法加以限制的不足；基于正反梯形的方法需要从横向加速度和横向加速度率两方面合理设计和配合才能完成换道，如果规划的不合理，可能会由于换道时间过长换道失败。

2.2协同换道控制研究现状

目前关于协同换道策略还没有一个统一的概念。

新南威尔士大学的PeterHidas[32]和JohannKelsch[33]等人认为协同换道是指在车辆换道过程中，目标车道后车，通过减速操作配合换道车辆换道的行为。

吉林大学的谭云龙[34]在研究合流区车辆协同换道时定义为主干道车辆通过减速或切换到内侧车道而让行于汇入车辆的换道行为。

法国国家科学研究院的HOC等人[35]认为协同换道是当两个（或两个以上）行驶或行走在道路上的多智能体的目标、资源等发生冲突时，这些多智能体会采取相应行动来解决冲突，完成个人或共同的目标的行为。

德国宇航中心的Matthias等人[36]研究了实际换道过程中，驾驶员可能采取的协同行为。

其采用试验的方法对图1的典型场景进行试验，并用逻辑模型进行了回归处理。

试验结果表明当V2车辆左侧车道可用时，且V1车辆可能导致V2车辆刹车时，V2车辆多采用换道方式来协同完成V1的换道过程；当左侧车道封闭时，V2采用刹车方式协同完成换道。

图1协同换道中的典型场景

目前根据协同换道的特点将协同分为目标车道后车减速协同和多车道换道协同。

目标车道后车减速协同定义为协同车辆协同过程中不具有换到意图的协同车辆必须通过控制自身的运动状态来协同完成换道，如合流区的协同；多车换道协同行为定义为多车道多车场景下，多车同时换道的协同行为。

清华大学的LiLi等人[37]研究了合流区多车的协同策略。

该研究为简化模型，对交通流进行局部截断，只研究接近合流区的合流车辆。

LiLi也用类似的方法对十字路口的多车协同行为进行了研究，并给出了协同轨迹方法[38]。

日产汽车的WenJingCao等人[39]采用MPC对合流区的车辆运动轨迹进行优化。

该模型将协同行为简化为合流车辆和原车道协同车辆两辆车的协同模型；同时认为车辆为质点，道路为直线。

北京航空航天大学的Yunpeng等人[40]提出了合流区的协同模型，进一步解决了合流区的安全问题。

2.3多车辆换道

根据多车辆换道时的情景，可以分析出多车辆换道时的特点如下：

（1）不确定性：

多车辆换道时周围环境存在有很多随机性，并且还要受不确定出现的其它车辆的影响。

（2）复杂性：

多车辆换道是一个复杂的过程，是动态时变的，换道轨迹的规划也非常复杂。

（3）多限制：

车辆的运动受到物理限制和几何限制。

物理限制是指车辆的速度，加速度和转向等性能是在一定范围的。

（4）多目标：

多车辆换道时是有多种要求的，例如时间、距离或安全等，这些目标要求有时候甚至是冲突的，这就要求规划换道路径时要根据具体的侧重点折中处理。

根据上述的特点，我们可以看出不是随意的轨迹都可以实现换道的。

因此，本文引入换道轨迹设计应满足的几条要求：

（1）轨迹是连续的。

（2）轨迹的一阶和二阶导数是连续且有界的。

（3）轨迹能够容易且快速产生。

（4）轨迹是合理的，可实现的。

（5）轨迹应避免控制器太剧烈的输出。

智能多车辆中车辆之间的通讯在智能多车辆中占据了举足轻重的地位，在多车辆换道的过程中，车辆之间的通讯同样重要，甚至更加重要，根据通讯的状况多车辆换道也分为两种情况，一种多车辆车辆之间通讯畅通，通讯速率够快，信息能够快速并准确的传递；第二种情况是多车辆之间通讯受限，信息不能或者不能及时快速准确的传递。

多车辆换道的轨迹规划是基于单个车辆换道的轨迹规划的，并且限于研究内容和研究时间，本文只讨论前方无车辆且目标车道无车辆时的换道和前方有车辆但目标车道无车辆这两种情况。

（1）前方无车辆且目标车道无车辆时车辆换道。

下式表示本文采用的五阶多项式：

对上式求导得：

（2）前方有车辆但目标车道无车辆时车辆换道。

从图中可以得出换道车辆C0和障碍车辆C1的位移分别为：

前方有障碍车辆的车辆换道是基于无障碍车辆的换道的，可是又有不同的地方。

主要是要避免和前方车辆的碰撞，上一小节的5次多项式的轨迹规划只是考虑了初始和结束两个状态的要求，没有考虑避撞问题，所以实现避撞功能要增加轨迹规划时的约束。

我们可以从横向和纵向两个方面增加约束，实际中，车辆行驶过程中纵向的速度和加速度的可变化范围比横向的可变化范围大，并且从驾驶舒适度来说，纵向的速度变化比横向的速度变化更容易接受，因此，本文选取增加纵向（x方向）多项式次数的方法来实现避撞。

在纵向采用六次多项式，横向还是采用五次多项式，如下式所示：

对上式求导得：

首先引进车辆和障碍物距离概念，目前为止，已经有了很多种方法来表示车辆和障碍物之间的距离。

因为车辆和障碍物绝大所数都是不规则的形状，如果直接用它们实际的形状来处理运算量会很大也很复杂，因此会采用将车辆或障碍物适当扩展成标准形状的方法来处理，其中大多数的方法都是采用将车辆和障碍物扩展为圆形进行处理，如图3.7所示，图中实线方框代表车辆，图中的虚线圆形为能将车辆或障碍物全部包围进来的半径最小的圆，用这个圆来表示车辆的范围，（x,y）表示圆心的坐标，r表示圆的半径。

根据上述的方法，车辆避障问题变为在达到目标状态的前提下找到合适的轨迹不要发生碰撞。

2.4现状总结

自动换道控制策略研究主要集中在两个方面，换道轨迹规划和轨迹跟踪。

轨

迹规划方法有基于几何法和优化算法两种。

几何法轨迹规划简单、迅速，能够提高车辆实时性，但同时因为未充分考虑车辆的运动学约束和动力学约束，可能导致车辆不能实时跟踪规划的轨迹，如基于正弦曲线的轨迹规划；相反，优化算法考虑了车辆的动力学约束，为车辆实时跟踪提供了前提，但计算复杂。

轨迹跟踪控制主要是基于车辆五自由度动力学模型的控制，控制较为精确，同时因为模型非线性，自由度较多，为简化模型，多只采用横向控制，忽略了换道控制的纵横向耦合特性，如滑模轨迹跟踪控制。

这种不完整的信息不一定适用于现实世界中连接的车辆环境。

在上述合作的跟车模型中，可以考虑在换道过程中增加的车辆相互作用的数量。

因此，这将增加控制问题的维数和计算负载。

对于大型车辆的协同控制，集中式通信和优化在实际中是不可行的。

协同换道控制策略是基于车车通信的环境下为完成安全换道提出的控制策略，国内外研究集中在两个方面，合流区协同换道控制策略和双车道（或三车道）协同换道控制策略。

合流区协同换道控制策略是指合流车为实现合流目的必须实现车道变换，是一种强制车道变换。

目前其研究方法是将合流区场景简化为两辆车的场景，较为简单；其协同控制方法是将安全距离指标加入目标函数进行协同控制，但其未充分考虑其他车辆的影响。

双车道（或三车道）协同换道控制策略是基于规则的换道策略，只能用于交通流仿真，而且在控制方法方面还处于分析阶段，有待进一步研究。

附:

外文文献阅读报告

（1）CoordinatedAdaptiveCruiseControlSystem

WithLane-ChangeAssistance

换道辅助协调自适应巡航控制系统

一、论文概述

（ACC换道辅助最小安全空间模型预测控制）

介绍

系统框架

换道预警算法

动态模型

追踪性能的设计

LCACC控制器算法安全性能的设计

舒适度性能的设计

优化问题

仿真分析涉及两辆前车的场景

紧急制动场景

结论

本研究主要提出了一种具有车道变换辅助功能的新型协调ACC（自适应巡航控制系统），即LCACC，解决了传统ACC系统引起的阻碍驾驶员换道的问题，可实现双目标跟踪，安全换道和提高乘坐舒适度等目标。

首先通过计算主车与周边车辆之间的最小安全距离来分析车道变化的风险，然后使用模型预测控制理论开发协调控制算法。

系统的跟踪性能是基于主车和两辆前车的跟踪误差而设计的，同时通过考虑主车与周围车辆之间的安全距离来保证安全性能，并且通过限制车辆的纵向加速度来提高乘坐舒适度。

在驾驶模拟器上进行的测试表明，提出的LCACC系统可以克服传统ACC的缺点，调整所需的纵向加速度，以辅助车道变换过程，并在车道变换过程中实现多目标协调优化，实时响应司机的换车意图，评估车道变更风险；换道预警算法考虑周边车辆的运动，基于MPC理论分别分析了主车与各车辆之间的最小安全距离，介绍了驾驶员风格因素，提高驾驶员的风险意识，实现了有效的风险警告。

二、存在的问题

1.（Ⅲ）换道预警算法中，计算主车H与周围四辆车之间的最小安全距离时，公式1中最后一个式子

中，中间一个因式是什么意思呢？

解答：

中间这个公式是主车采取制动减速到和前车一样的速度的过程，此后就是安全的，因为主车速度小于了前车，中间这个式子为此过程的行驶距离。

2.（Ⅳ）控制器算法中，公式4里的Acont是什么意思，什么叫做状态矩阵，这是怎么得来的？

解答：

根据上文Acont是控制器的相关参数的含义，状态矩阵一般和系统参数、时间参数等有关，这个公式你可以根据你学的车辆相关知识查一下，期望加速度于实际加速度的关系表达公式。

3.（ⅣC）安全性能指标设计中，表二为安全性能的参数设计中，选择了三种情况RLVB、cut-in、CSVA，为什么不考虑由于距离较小而导致的后方碰撞呢？

解答：

这种情况涵盖在RLVB和CSVA中，都是由于前车制动或速度慢导致的车间距变小的碰撞。

4.（Ⅳ）中一直出现的成本函数在这里是什么意思？

是系统输出与输入的关系吗？

引用这个概念的目的是什么？

解答：

这是效用函数，根据不同的情况，可以设定不同的效用函数作为目标函数，比如能耗最小、距离最近等。

如此可以根据目标函数和约束条件取最优值。

三、可借鉴的点

1.具有换道辅助功能的自适应巡航控制系统的设计（LCACC）方法。

2.换道预警算法中，主车与周围车辆的最小安全距离计算，包括综合考虑驾驶员的驾驶特性，引用Cstyle作为修正因子进一步优化MSS公式。

3.自适应巡航控制系统的控制器算法设计，包括动态模型的设计、实现功能的设计以及相应的优化问题。

4.仿真场景的设计，包括各车车速、车间距离的设置，及结果分析。

其他：

这篇文章的几个流程图非常好，可以借鉴。

（2）Drivers’Car-followingCorrelativeBehaviorwithPrecedingVehiclesinMultilaneDriving*

驾驶员多车道驾驶中的跟车关联行为

一、论文概述

介绍

实车实验

跟车参数定义

实验数据预处理数据滤波及估计

传统跟车行为的局限性分析

基于灰色关联度的跟车行为描述方法灰色系统的相关理论

多车道跟车灰色关联度计算

多车道跟车关联行为分析

多车道目标跟驰特性分析本车道跟车关联行为分析

邻车道跟车关联行为分析

驾驶员多车道目标跟驰中的行为危险分析

结论

这篇论文是之前那篇硕士学位论文中驾驶员多车道目标跟驰特性研究部分。

针对传统跟车序列提取方式及驾驶员跟车特性分析方法的局限，提出了基于灰色关联度的驾驶员多车道跟车行为特性描述方法，挖掘了自车与多辆前车之间的状态参数分布规律，揭示了多车道与单车道跟车行为的差异。

结果表明，a当主车道前车与本车的THW保持在一个较小的变化范围且呈现低危险状态时，本车倾向于选择主车道前车作为稳定的跟车目标；b当主车道前车为多车道中距离最远的前车，则本车倾向于关注相邻车道前车的动向，为提高驾驶辅助系统在多车道条件下的适应性和可接受性奠定了理论基础。

二、存在的问题

1.（ⅣA）公式3中minmin（i）（k）、maxmax（i）（k）怎么理解？

解答：

这个就是i和k分别都要罗列出来，取极值。

2.（ⅤA）图6对于左前车、前车、右前车，分别作出的各个序列中THW和TTCi对灰色关联度的散点图是用什么软件作出的图？

像这种结论图，没有前期的数据，如果要自己做验证的话，是不是做不出？

解答：

一般两种软件：

excel和spss，spss是处理数据非常好用的软件，我这儿有软件和教程，这些图都需要试验数据，你无法验证；不过我有类似试验的原始数据。

3.（Ⅵ）图10是说与本车距离最近的车不一定是最关联车辆，但是是对本车的威胁最大的车辆，所以说最关联车辆这个概念与对本车造成威胁程度最大的车辆是不相同的吗？

解答：

这两个概念是角度不同，最关联车辆是从驾驶员的角度，他最跟随的车辆；威胁最大的车辆是我们设置的评价标准。

三、可借鉴的点

1.（Ⅱ）研究驾驶员跟车特性堵塞实验设计方法和各硬件布设。

2.（Ⅳ）基于灰色关联度的驾驶员多车道跟车行为特性的描述方法（包括跟车参数的选择、定义；数据的处理方法）。

3.（Ⅴ）本车与多车道前车的跟车关联行为分析方法。

4.写小论文和大论文的区别，小论文着重介绍核心内容，比如研究方法、实验结果分析；写大论文要详尽，从前期实验设置到最后得出的结论，中间的步骤阶段要面面俱到。

（3）ADriverSteeringBehaviorModelBasedonLane-Keeping

CharacteristicsAnalysis

一种基于车道保持的驾驶员转向行为模型特性分析

一、论文内容概述

介绍

实际道路驾驶实验

概况

车道位置的影响分析

实际路面驾驶员车道保持特性分析周围影响因素分析

曲线道路影响因素分析

驾驶员转向行为机理分析

驾驶员转向行为建模驾驶员转向行为建模

模型验证

结论

论文主要的目的是分析在实际道路上驾驶员的车道保持特性，并设计了一种基于驾驶员转向控制机理的转向模型。

首先，通过记录十二名驾驶员在城际高速公路上的自然驾驶数据，建立可以反映的驾驶员转向特性的模型。

这些数据用于分析车道保持过程中驾驶员的一般特征，以及车道位置，附近障碍物和道路曲率等因素如何影响驾驶员行为。

然后，提出了“预期横向驾驶区”的概念以及驾驶员转向行为机制。

基于该机制和最优控制理论设计了驾驶员转向行为模型。

最后，选择三种典型场景，将该新模型与单点预览模型和驾驶员实际转向行为进行比较。

结果表明，新型号可以做到更准确地预测驾驶员的转向角度。

SteeringReversalPoint（SRP）：

驾驶员开始改变方向的时刻

timetolanecrossing（TLC）：

车辆与车道线的相对距离除以车辆与车道之间的相对速度

二、论文疑点

1.论文题目：

基于车道保持特性的车辆转向行为模型，车道保持的意思不就是保持车道不变吗？

既然分析的是转向行为模型，那为什么要分析驾驶员的车道保持特性？

解答：

这里要理清几个概念，车道保持不等于没有转向行为或方向盘转动行为，在直线道路上存在方向盘的调整，在曲线道路和转弯时为保持在车道中央，更需要