基于ANFIS连续风险指数的SAE Level-3自动驾驶安全可解释换道决策框架

《Frontiers in Neurorobotics》：Adaptive neuro-fuzzy risk index for safe and interpretable lane-change decisions in Level-3 autonomous driving

　　

引言：高速公路换道机动对SAE Level 3自动驾驶构成安全挑战，因为传统基于阈值的决策与孤立的替代安全措施（SSM, surrogate safety measures）可能难以充分刻画纵向制动需求与不断变化的车辆间隙之间的耦合。研究人员开发了一个可解释、风险感知的框架，用于在机动启动和执行期间进行连续换道评估。方法：自适应神经模糊推理系统（ANFIS, adaptive neuro-fuzzy inference system）将归一化纵向制动需求和最小车辆间隙相结合，生成范围为0到1的连续风险指数（R）。该指数被集成到两阶段决策机制中，包括多车威胁评估、区域相关机动取消、五次Bézier轨迹重规划和驾驶员接管监督。性能通过高保真SCANeR/ReScan与MATLAB/Simulink联合仿真，与静态Mamdani模糊、碰撞时间（TTC, time-to-collision）、减速度需求和车头时距基线进行比较评估。鲁棒性通过1,000次蒙特卡洛仿真评估，变化包括车辆速度、传感器噪声、路面摩擦和切入时机。结果：与TTC基线相比，所提框架将预警提前时间从0.86 s提高到1.84 s，最小二维间距（minimum two-dimensional clearance）从2.08 m提高到4.82 m，同时将最大减速度需求从4.92 m/s²降低到2.34 m/s²。平均计算执行时间为1.42 ms，低于10 ms仿真控制周期预算。在1,000次随机仿真中，所提框架未观察到碰撞；接近冲突（near-miss）和虚警率分别为0.30%和1.20%。讨论：仿真发现支持连续神经模糊风险评估在提供更早危险检测和更大安全裕度的同时，保留基于规则的可解释性和低计算成本的潜力。硬件在环（HIL, hardware-in-the-loop）和实车测试仍有必要，以建立在所评估仿真条件之外的性能。

该论文面向SAE Level 3（SAE 3级有条件自动驾驶）高速公路换道安全，提出并验证基于自适应神经模糊推理系统（ANFIS，adaptive neuro-fuzzy inference system，一种结合模糊推理与神经网络参数学习的推理系统）的连续风险指数和可解释换道决策框架。研究背景是，自动驾驶（AV）、网联自动驾驶（CAV）和智能交通系统（ITS）的发展使高速公路换道成为影响通行能力、交通流稳定性和乘坐舒适性的关键战术行为；换道不同于单一纵向跟驰，需要主车与原车道、目标车道前后多车进行多车时空协调，并受非完整约束、路面摩擦变化和感知不确定性影响。现有问题主要有：传统阈值规则、有限状态机（FSM）、静态MOBIL或间隙接受准则计算轻且透明，但通常以安全/不安全二元边界评价交通交互，难以刻画冲突严重度的连续随机梯度，在扰动或激进切入下易出现边界抖动、过度制动或延迟中止；轨迹规划虽可用高阶多项式、Bézier曲线或模型预测规划保证运动学可行性，但常忽略动态风险与轨迹可行性之间的连续反馈；概率威胁评估、效用最大化、鲁棒估计和深度学习方法虽增强交互建模或特征提取能力，但常受意图预测敏感性、计算开销、参数重校准或黑箱不可解释性制约。论文指出三个研究空白：指标解耦，即纵向减速能力与空间间隙接受解耦；缺乏动态相位意识，即多数框架把换道视为单状态离散事件；学习能力与模型透明性之间存在权衡。因此，研究人员提出连续、可解释、风险感知的换道决策与运动规划框架，核心是归一化多输入风险指数 R∈[0,1]，耦合归一化纵向制动需求和最小车间距，并嵌入两阶段决策机制。

研究人员开展的研究是：构建两输入一阶Takagi-Sugeno ANFIS风险引擎，将归一化临界纵向减速度 ā_x^c 与归一化最小车头时距 d?_min 映射为连续风险 R；设计机动启动与机动执行两阶段决策、多车威胁评估、非对称风险聚合 R_agg、分量否决、区域依赖取消、五次Bézier轨迹生成与在线重规划，以及SAE Level 3驾驶员接管管理。性能评估采用高保真SCANeR/ReScan与MATLAB/Simulink联合仿真，在高速公路上设置多种场景，并与静态Mamdani模糊、TTC、减速度需求（DRAC）和车头时距（THW）基线比较；鲁棒性用1,000次蒙特卡洛仿真，扰动车辆速度、传感器噪声、路面摩擦和切入时机。研究结论是，该方法能更早检测危险、扩大安全裕度、降低最大减速度需求、避免决策抖动并保持低计算成本；意义在于为SAE Level 3高速公路换道提供兼具规则可解释性和实时性的连续风险评估与决策方案，但硬件在环和实车测试仍必要。

关键技术方法可概括为：构建两输入一阶Takagi-Sugeno ANFIS，将归一化临界纵向减速度 ā_x^c 与归一化最小车头时距 d?_min 映射为连续风险 R∈[0,1]；设计两阶段决策、多车威胁加权聚合 R_agg 与分量否决、区域依赖取消、五次Bézier轨迹重规划和SAE Level 3接管管理；在SCANeR/ReScan与MATLAB/Simulink中进行联合仿真，采用Audi A8平台参数，设置场景A、B、C，并以1,000次蒙特卡洛扰动评估鲁棒性；对比静态Mamdani、TTC、DRAC和THW基线。样本队列来源为高保真联合仿真环境与随机化仿真队列，非实车或临床队列。

研究结果如下。8.1 Scenario A: Baseline lane change（场景A：基线换道）：通过场景A仿真，研究人员观察到主车横向位移保持在中线，说明高层决策单元因安全关键风险阈值执行了拒绝换道命令；风险A和风险D频繁超过约0.93的临界阈值，构成拒绝换道的依据；横向加速度接近零，纵向加速度反映初始稳定调整；制动压力出现初始尖峰后转为稳定跟驰，时间到机动（TTM）与HMI警告在约40 s降至零，表明安全自主换道执行不再有保证。结论是高风险环境下系统拒绝换道。

8.2 Scenario B: Dynamic abort maneuver execution（场景B：动态中止机动执行）：通过场景B仿真，研究人员发现风险升高后决策模块发起中止，实际轨迹平滑返回原车道，与初始规划路径分离；加速度曲线显示机动中断附近明显负向纵向加速度，即主动制动以维持安全裕度，横向加速度出现因部分横向位移和纠正转向造成的瞬态峰值；转向输入快速反向并伴随显著负横摆率，随后振荡衰减，表明闭环稳定；风险指标超过预设阈值后快速分化并触发中止，机动取消后主导风险逐渐下降。结论是系统可动态中止换道并保持轨迹连续性、横向稳定性和乘坐舒适性。

8.3 Scenario C: Dense multi-agent highway traffic（场景C：密集多智能体高速公路交通）：通过密集多智能体交通场景仿真，研究人员观察到主车在风险重分配中继续推进换道，但在约15.3 s触发安全警告；实际轨迹与预规划轨迹出现偏离，用于自适应响应动态约束，同时保持曲率平滑；横向加速度显著上升且纵向加速度适度为负，合成加速度无突刺，说明舒适性和动力学可行性约束得到满足；转向与横摆率强相关并最终回零，表明换道后恢复稳定直线行驶；风险D峰值约0.92，风险B升至约0.28至0.36，TTC与风险协同演化，系统避免仅凭瞬时TTC触发虚警。结论是系统能在复杂交通中平衡机动完成与安全干预。

9 Comparative validation and quantitative robustness assessment（比较验证与定量鲁棒性评估）：通过外部物理指标比较，包括最小二维间距 d_2D^min、减速度需求 DRAC、预警提前时间 Δt_lead、模式切换数 N_switch、横向急动度 J_lat、纵向急动度 J_long、横向交叉轨迹误差 e_y,RMS 和执行时间 T_exe。所提ANFIS达到 d_2D^min=4.82 m、最大减速度需求 DRAC_max=2.34 m/s²、预警提前时间1.84 s、N_switch=0、J_lat=0.82 m/s³、e_y,RMS=0.048 m、T_exe=1.42 ms；相比TTC基线，预警提前时间增加0.98 s（+113.9%），最小二维间距和减速度需求均改善。结论是ANFIS在安全、舒适、稳定和实时性上优于静态Mamdani、TTC、DRAC和THW策略，且无模式抖动，满足100 Hz、10 ms控制周期预算。

9.1 Stochastic robustness, Monte Carlo parameter sweeps, and failure analysis（随机鲁棒性、蒙特卡洛参数扫描与失效分析）：通过1,000次随机仿真，扰动主车初速度、周边车辆速度、传感器高斯白噪声、路面摩擦系数和切入延迟，研究人员发现所提ANFIS碰撞率为0.00%，近碰率0.30%，虚警率1.20%，平均停车/间距距离5.24 m，95百分位横向急动度 J_lat,95%=1.12 m/s³。低摩擦且晚切入时，传统TTC和DRAC基线碰撞率为2.90%，而ANFIS结合动态状态反馈提前触发中止并维持0碰撞；高噪声环境中，单变量运动学触发假警超过8%，ANFIS多输入连续模糊化与Schmitt触发滞回将假警抑制到1.20%。结论是框架在随机扰动下具有更高安全裕度和抗虚警能力。

讨论部分认为，仿真发现支持连续神经模糊风险评估可提供更早危险检测和更大安全裕度，同时保留基于规则的可解释性和低计算成本；但硬件在环和实车测试仍是确认评估仿真条件之外性能的必要步骤。10 Conclusion（结论）翻译如下：该研究提出了基于ANFIS的可解释、风险感知自主换道决策与轨迹控制架构，将动态多车威胁评估与五次Bézier运动规划结合；通过综合纵向制动需求和动态车辆间距，框架建立了连续、物理基础的安全包络，克服传统单指标替代安全措施的奇异性与虚假保守。核心运行优势与实证发现包括：高保真风险推断与收敛，校准的9规则高斯ANFIS引擎在150个训练周期内于测试验证集取得决定系数 R²=0.9815、均方根误差 RMSE=0.0248、平均绝对误差 MAE=0.0182；主动动态威胁缓解，不同于等速巡航 Δv→0 时失效的传统TTC，复合包络 R_composite 能连续捕获后车加速度尖峰和目标车道压缩，在高风险切入场景中比标准阈值SSM最早提前3.2 s发出缓解动作；确定性多阶段接管请求（TOR）架构，符合ISO 21448（SOTIF）和NHTSA标准，仿真验证两阶段警报在 TTM≤27.66 s 触发第一阶段咨询警告，在 TTM≤12.99 s 触发第二阶段关键TOR，获得7.0 s提前时间预算，并在需要时执行平滑回退减速 a_x=-2.5 m/s²；运动学平滑Bézier重规划与中止，动态重规划在目标车道扰动下保持严格 C² 连续性，在预承诺区 τ≤0.50 可动态重塑或中止标称轨迹而不超过乘坐舒适限 |a_y|≤1.80 m/s² 或违反轮胎附着圆 μ_g≤0.85g，在后承诺区 τ>0.50 通过优先纵向减速保持安全而不破坏横向横摆动力学；计算确定性与可解释性，相比黑箱深度强化学习（DRL）策略，Takagi-Sugeno模糊规则结构保证透明输入输出因果，同时每控制周期平均执行时间1.42 ms，满足嵌入式汽车电子控制单元实时要求。未来研究方向包括：多车道密集城市环境，将动态风险包络扩展至多车道高速汇入和高密度混合城市干道及弱势道路使用者（VRU）；车到一切（V2X）赋能的协作感知，加入V2X通信以扩展传感器范围并共享邻近自动驾驶车辆的预期制动曲线；硬件在环（HIL）和真实赛道验证，从软件仿真转向全尺度车辆原型测试，在试验场和专用测功机上量化恶劣天气下的传感器噪声敏感性、执行器延迟和轮胎道路摩擦不确定性。