基于时空风险场的耦合动态-静态驾驶风险评估与编织路段中的轨迹规划

《Accident Analysis & Prevention》：Spatial-temporal risk field-based coupled dynamic-static driving risk assessment and trajectory planning in weaving segments

CAVs在 weaving段动态风险预见性不足，本文提出三维时空风险场（STRF）模型，整合时空距离量化未来障碍物风险与几何约束优化路径，采用YOLO机器视觉和动态风险平衡理论进行参数校准。基于STRF的轨迹规划方法融合时空风险图、动态迭代采样和二次规划，实现安全、高效、舒适多目标协同优化，案例验证其显著优于传统方案，降低12.7%车道切换耗时，速度波动减少18.4%。

　　

马国东|孙宝峰|梁洪超|杨文宇|周旭兴

吉林大学交通学院，中国长春130022

摘要

随着联网和自动化车辆（CAVs）逐渐融入现有交通系统，预计通过CAV技术可以减轻车辆在交织路段中的潜在湍流效应。然而，尽管在捕捉静态和动态风险因素方面取得了进展，传统的CAV技术仍缺乏对动态风险的预见能力。这导致轨迹规划效果不佳，从而阻碍了预期效益的最大化。为填补这些空白，我们首先提出了一种时空耦合风险评估范式，通过构建三维时空风险场（STRF）来实现。具体来说，我们引入了时空距离来量化动态障碍物未来轨迹的影响。此外，我们还为交织路段配置了一个几何结构化的专门场，以限制车辆的运动方向。为了提高STRF的准确性，我们进一步利用基于YOLO的机器视觉和动态风险平衡理论开发了一种参数校准方法。与传统风险场相比，STRF在风险预见性方面具有显著优势。基于这些结果，我们最终设计了一种基于STRF的CAV轨迹规划方法，该方法整合了时空风险占用图、动态迭代采样和二次规划，以提高安全性、舒适性和效率。通过在采样阶段同时考虑动态和静态风险因素，我们的方法确保了稳健的安全性能。此外，所提出的方法采用并行计算方法同时优化路径和速度，减少了计算时间。实际案例表明，与基线方案和真实人类驾驶轨迹相比，我们的方法显著提高了安全性，缩短了变道完成时间，并最小化了速度波动。

引言

高速公路是城市交通网络的主要干道，承载着高强度的交通流量（Yuan等人，2024年）。交织路段是高速公路的关键组成部分，通过匝道实现车辆的进出（Ouyang等人，2023年）。这些区域的交通流量主要受到三种相互作用的影响：匝道合流、匝道分流和主线直行交通。这三种交通流之间的频繁变道行为导致了复杂的相互作用，使得交织路段极易受到湍流效应的影响（van Beinum等人，2018年）。因此，交织路段成为事故风险高和拥堵严重的关键瓶颈（Chen和Ahn，2018年；Ouyang等人，2023年）。

近年来，联网和自动化车辆（CAV）技术的发展为通过增强感知、决策和控制能力来降低交织路段的驾驶风险提供了非常有前景的解决方案（Chen等人，2021a；Papadoulis等人，2019年）。然而，CAV与人类驾驶车辆（HDVs）在混合交通环境中的长期共存带来了重大挑战，阻碍了CAV技术优势的充分发挥。首先，传统交通流（纯HDVs）的不可预测性以及混合交通环境中驾驶行为的额外变化显著降低了传统驾驶风险评估方法在高速、动态和多源风险场景下的有效性。依赖二维静态场的传统方法无法捕捉风险的可预见性，从而忽略了高速动态障碍物未来轨迹对当前风险评估的影响（Han等人，2023年）。这些模型通常仅根据观察时刻的风险源状态来确定风险等级，导致对突发事件反应迟缓，安全冗余设计不准确。此外，交织路段中多源风险的存在对现有的轨迹规划方法构成了重大挑战。现有方法主要考虑静态障碍物，并对动态风险评估进行了过度简化（Yao和Sun，2025年），使其无法有效应对高速环境中的动态障碍物风险。

其次，随着自动驾驶技术的进步，轨迹规划必须综合考虑多个指标的协调优化，包括安全性、效率和实时性能。在这些指标中，安全性和实时性能尤为重要，尤其是在涉及多个交织交通流的交织路段等高交互场景中。尽管许多先前的研究已经广泛探讨了轨迹规划中安全性和效率之间的权衡，并在传统场景中取得了良好进展，但这些传统模型在应用于安全性要求极高的城市高速公路交织路段时面临重大挑战。实时性能在交织路段同样至关重要；一些研究将100毫秒作为轨迹规划的时间阈值（Liu等人，2025年）。交织路段中多车辆交互造成的巨大计算负荷导致某些模型在这种环境下出现计算超时。交织路段独特的几何特性导致合流和分流行为之间的高度耦合，使得多车辆交互更加显著，因此对安全性和实时性能的要求比传统道路路段更为严格。在这种特殊场景下，需要在考虑其他目标之前，以差异化的方式优先考虑安全性和实时性能的硬性约束，这是一个亟需解决的挑战。

为了解决交织路段特有的理论空白和挑战，本研究从两个维度进行了深入探索：精确的风险量化和高效率的多目标轨迹规划。首先，在安全评估层面，本研究通过构建三维时空风险场（STRF）模型，提出了一种创新的时空耦合风险评估范式。该模型通过建立时间和空间维度之间的严格关联，克服了传统二维静态场的局限性，并使用时空距离指标主动量化动态障碍物未来轨迹的潜在危险。同时，该模型深入整合了通过YOLO机器视觉提取的交织路段实际轨迹数据用于参数校准，从而实现了高保真的微观层面风险演变建模。其次，在轨迹规划层面，为了解决交织路段的特殊场景，本文引入了一种基于STRF的轨迹规划框架。该框架整合了时空风险占用图、动态迭代采样和二次规划，专门用于解决交织路段复杂合流和分流交互中的多目标权衡问题。通过将安全性和实时执行作为严格优先级，该框架成功平衡了相互竞争的驾驶指标。值得注意的是，它实现了路径和速度的并行优化。这一架构优势显著降低了计算负荷，同时通过风险场保证了物理安全性，完全满足了高频多车辆交互的严格时间要求。最终，本研究提供了一种新颖的集成解决方案，用于风险评估和轨迹规划，确保了CAV在混合交通流中的安全、高效和舒适运行。

文献综述与主要贡献

文献综述将重点关注导致交织路段拥堵和安全问题的两个主要挑战：用于交织路段驾驶风险评估的替代安全措施（SSMs）以及交织路段轨迹规划的研究趋势。

STRF：一种新的驾驶风险评估范式

根据场论，整个交通环境可以被概念化为一个风险场，该风险场根据特定规则影响车辆运动。与基本路段相比，交织路段涉及多个影响因素，因此该路段的风险场可以视为由各种交通元素生成的场的叠加。在分析该场内的运动规则之前，首先

利用YOLO机器视觉技术对STRF进行参数校准

风险场模型包含许多未确定的参数。如果没有有效的参数校准，模型的性能和适应性将受到严重影响。现有三种主要的校准方法如下：

(1)

宏观统计数据：为了提高模型在各种场景中的适用性，经常使用宏观统计数据作为校准标准（Ashutosh等人，2023年；Hua等人，2022年）。这种方法可以

基于STRF的交织路段CAV轨迹规划方法

为了在之前构建的STRF安全评估模型和本节中的具体轨迹规划框架之间建立坚实的方法论桥梁，首先需要详细阐明如何将连续的3D风险场有效地转化为实际的车辆控制约束。STRF提供了全局动态风险的宏观和精确量化。它不仅包括静态道路结构的几何边界约束，而且

案例研究与讨论：轨迹规划性能分析

为了评估所提出的轨迹规划方法的安全性、实时性能、效率和舒适性，我们进行了一系列对比实验。第6.1节概述了所有轨迹规划案例的来源、比较方法和参数设置。在此基础上，第6.2节对三种方法在四种场景下的性能进行了全面分析，强调了所提出方法在效率和舒适性方面的优势

结论

本文解决了两个关键挑战：混合交通场景中的动态风险评估以及交织路段中CAV的轨迹规划。首先，我们提出了一种新的时空距离范式，整合了时间维度和动态障碍物的未来轨迹，并构建了一个三维STRF模型，该模型克服了传统二维静态场在捕捉动态风险方面的局限性。此外，我们还对特定因素施加了约束

CRediT作者贡献声明

马国东：撰写 – 审稿与编辑，撰写 – 原稿，软件开发，方法论，形式分析，概念化。孙宝峰：撰写 – 审稿与编辑，监督，资金获取。梁洪超：方法论，形式分析。杨文宇：形式分析。周旭兴：监督。

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。

致谢

本研究得到了国家自然科学基金（项目编号：52472313）的支持。作者感谢编辑和匿名审稿人的宝贵意见和建议，这些意见有助于改进本文。