前言

　　车辆自动驾驶系统始终要为人类提供服务，因此需考虑人类的个性化驾驶需求。在实际的道路交通环境中，不同驾驶员的驾驶行为特性具有显著差异性，单一行为模式的自动驾驶决策与控制方式无法适应不同驾驶员的驾乘需求。特别地，对于高级别自动驾驶而言，若自动驾驶行为与人类预期不相符，会降低人类对自动驾驶系统的接受度，并在紧急情况下引发人类驾驶员的恐慌，进而造成安全事故。然而，当前的自动驾驶车辆决策、规划与控制，未考虑不同人类驾驶员之间的行为差异性。

　　本书针对自动驾驶车辆的个性化决策、规划、控制及测评方法展开研究，建立自动驾驶车辆的决策框架，利用自然驾驶实验分析的结果标定模型参数，提出体现人类驾驶行为的自动驾驶方法，在此基础上研究考虑环境车行为特征的自动驾驶系统，使车辆的自动驾驶能够体现人类驾驶员的个性特征，最后构建测试评价体系，实现算法的量化测试。具体地，本书开展的研究工作如下： 

　　(1) 利用高速公路自然驾驶数据，提取典型驾驶场景下的个性化驾驶操作特征。通过开展自然驾驶实验，基于时序模糊C均值聚类算法，将换道、跟驰数据划分为不同的阶段，分析不同驾驶员在跟驰、换道场景下的车头时距、车道偏移、速度、航向角、加速度、横摆角速度及横摆角加速度的差异。根据所需标定的参数数量以及不同驾驶员自然驾驶特征变量差异的显著程度，选取车头时距、加速度以及横摆角加速度变量作为体现驾驶员差异性的指标。

　　(2) 基于混成自动机方法，提出个性化自动驾驶行为决策框架。针对体现人类驾驶行为的自动驾驶和考虑环境车行为特征的自动驾驶，分别设计混成自动机决策框架。基于改进的人工势场方法，提出自动驾驶车辆的个性化轨迹规划方法。建立障碍物势场(如路面散落物)、道路势场、环境车势场等，结合自然驾驶状态下典型驾驶场景的个性化操作特征，对人工势场模型的主要参数进行标定，生成个性化轨迹。

　　(3) 基于改进的模型预测控制(Model Predictive Control，MPC)方法，设计能适应多种典型驾驶场景的个性化轨迹跟踪控制器。为了消除传统MPC控制器内部模型失真造成的稳态误差，在传统MPC算法中加入一个PID反向通道。同时，为解决MPC控制器消耗过多计算资源的问题，对其进行显式化，将优化求解的过程离线处理，实现MPC的实时控制。然后，基于混成自动机，实现在不同驾驶场景下多控制器的模式切换。最后，基于机会约束模型将不同驾驶员的操作特性引入MPC控制算法中。

　　(4) 研究考虑环境车行为特征的决策、规划与控制方法。提出驾驶行为相容性的评价指标，针对不同的驾驶行为相容性程度，自动驾驶车辆与环境车之间采取不同的协同策略，并设计基于分布式MPC算法结构的自动驾驶控制器，避免出现未考虑环境车行为特征的“误判”的情况，使控制结果更加符合驾驶员的个性化需求。

　　(5) 研究个性化算法的测试评价体系。通过层次分析法和德尔菲法搭建了自动驾驶车辆的评价指标体系，并将其分为多个层级。通过综合考虑主、客观权重的方法融合得到的综合权重确认方法来确认自动驾驶车辆智能水平定量综合评价体系每个层级中所有评价指标权重。最终通过模糊综合评价法对自动驾驶车辆进行综合定量评价，并计算得出该自动驾驶车辆综合智能水平分数的最终结果。

　　本书针对自动驾驶车辆的个性化决策、规划、控制与测评问题展开研究。一方面，建立自动驾驶车辆的决策、规划与控制系统架构，在自然驾驶实验分析基础上标定模型参数，使其能够体现人类驾驶员的个性特征； 另一方面，通过软件在环仿真、硬件在环仿真和实车实验三种实验方式，对决策、规划与控制方法进行了验证。本书提出的个性化决策、规划与控制算法，能够控制车辆较为平稳地完成跟驰、换道等典型的驾驶场景，并体现出一定的驾驶行为个性。该研究不仅能改善驾驶员/乘员对自动驾驶的接受度，还能够提高道路交通安全水平，促进自动驾驶车辆的应用与推广。

　　本书是作者在近年来研究工作的基础上写作而成的，衷心感谢清华大学车辆与运载学院郑四发教授、王建强教授，以及武汉理工大学智能交通系统研究中心吴超仲教授、褚端峰研究员。本书的研究成果为作者在武汉理工大学智能交通系统研究中心攻读博士学位期间，在日本京都大学博士联合培养期间，在清华大学苏州汽车研究院/车辆与运载学院博士后工作期间以及武汉科技大学工作期间所得，向所有帮助过作者的领导、教授与同事们一并表示感谢。同时也感谢有关领导对作者工作以及书稿出版的支持。该专著出版受国家重点研发计划（2018YFE0204302）、国家自然科学基金（52002215）、江苏省青年基金项目(BK20220243)、苏州市工业和信息化局产业链核心技术攻关项目(20210210SB0053)的资助。限于作者的水平，书中难免有缺点与不完善之处，恳请批评指正。

作者

2023年1月