4. 环境建模与风险评估
车道合并与匝道汇入的核心挑战在于：驾驶员必须在有限的时间和空间内，对周围多个动态交通参与者的未来状态做出判断，并据此选择一条既不激进也不犹豫的轨迹。这一决策过程的基础，并非简单的“看后视镜、打转向灯”，而是一个完整的感知-建模-预测-评估-决策闭环。本章将深入拆解如何将周围车辆的运动状态转化为可计算的数学模型，如何预测其意图，如何量化碰撞风险，并最终确定一个既安全又高效的汇入间隙。这一能力不仅是高级驾驶辅助系统（ADAS）的核心算法逻辑，也是人类驾驶员从“经验驾驶”升级为“策略驾驶”的关键认知框架。
4.1 周围车辆运动模型：从物理轨迹到状态空间
建立周围车辆的运动模型，本质上是将连续、模糊的交通流离散化为可计算的数学表达。最基础且工程上最常用的是恒定速度（CV）与恒定加速度（CA）模型。CV模型假设目标车辆在短时间窗内速度不变，适用于高速公路上平稳跟车场景；CA模型则引入加速度项，能更好地描述匝道汇入时主路车辆的减速或加速行为。然而，真实交通中车辆轨迹具有强非线性，尤其在弯道或换道过程中，恒定转率和加速度（CTRA）模型通过引入横摆角速度，能够更精确地预测车辆在二维平面内的运动轨迹。
在实际工程应用中，我们通常采用卡尔曼滤波或粒子滤波对传感器（毫米波雷达、摄像头、激光雷达）的原始测量值进行状态估计。每个目标车辆的状态向量通常包含：纵向位置、横向位置、纵向速度、横向速度、纵向加速度、横摆角速度。这些状态量并非确定值，而是服从一定的概率分布，用协方差矩阵表示不确定性。例如，雷达对远距离目标的测距误差较大，其协方差值相应增大，这直接影响后续风险评估的置信度。
4.2 意图预测：从物理量到行为语义
运动模型只能回答“车辆现在在哪里、将要去哪里”，而意图预测要回答“车辆想要做什么”。在匝道汇入场景中，主路车辆的意图直接决定了汇入车辆是否有足够的安全空间。常见的意图类别包括：车道保持、向左变道、向右变道、减速让行、加速通过。预测方法可分为三类：基于规则、基于学习、基于模型。
基于规则的方法依赖明确的逻辑判断，例如：若目标车辆开启左转向灯且横向偏移量持续增大，则判定为向左变道意图。这种方法可解释性强，但无法覆盖所有场景。基于学习的方法（如LSTM、Transformer）通过大量自然驾驶数据训练，能够捕捉微妙的驾驶风格差异，但需要高质量标注数据且存在黑盒问题。基于模型的方法利用交互博弈论或马尔可夫决策过程，将自车与目标车辆视为博弈参与者，预测双方的最优策略组合。
| 预测方法 | 输入特征 | 输出形式 | 适用场景 | 局限性 |
|---|---|---|---|---|
| 基于规则 | 转向灯、横向速度、车道位置 | 离散意图标签 | 高速公路巡航 | 无法处理模糊场景 |
| 基于学习 | 轨迹序列、周围车辆相对关系 | 意图概率分布 | 城市复杂路口 | 需要大量数据、可解释性差 |
| 基于博弈 | 自车与目标车的可行轨迹集 | 纳什均衡策略 | 匝道汇入博弈 | 计算复杂度高 |
在工程实践中，推荐采用混合架构：先用规则模型快速筛选出高置信度意图（如转向灯+轨迹偏移），再用学习模型对剩余低置信度场景进行概率预测。最终输出的不是单一意图，而是意图概率向量，例如：车道保持0.6、减速让行0.3、向左变道0.1。这个概率向量将作为后续风险评估的权重因子。
4.3 碰撞风险评估：从安全距离到危险势能场
碰撞风险评估的核心是量化自车与周围车辆在未来一段时间内的冲突程度。最经典的指标是碰撞时间（TTC），定义为两车保持当前速度不变时，从当前时刻到碰撞发生所需的时间。TTC阈值通常设定为2.5秒至4秒，低于阈值则触发警告或干预。然而，TTC仅考虑了纵向相对运动，无法反映横向切入风险。因此，工程上引入扩展TTC（ETTC），将横向距离和横向相对速度纳入计算。
另一种更全面的评估框架是责任敏感安全模型（RSS），由Mobileye提出。RSS定义了一套形式化的安全距离公式，要求自车在任何时刻都应保持一个最小安全距离，使得即使前车以最大减速度制动，自车也能通过最大加速度避撞。该模型将“安全”从主观感受转化为可验证的数学约束，尤其适用于自动驾驶系统的安全论证。
对于车道合并场景，我们更推荐使用危险势能场模型。该模型将每辆周围车辆视为一个虚拟的“斥力源”，其影响范围与车速、车重、道路摩擦系数相关。自车在汇入轨迹上的每一点都受到来自所有车辆的势能叠加，势能越高，该位置越危险。通过计算汇入轨迹上的势能积分，可以直观地比较不同汇入时机的风险大小。
4.4 安全间隙与可接受间隙：决策阈值的确定
在明确了碰撞风险后，最后一个关键问题是：什么样的间隙是“足够安全”的？这里需要区分两个概念：安全间隙与可接受间隙。安全间隙是物理上保证不发生碰撞的最小时间或距离间隔，由车辆动力学和制动性能决定，是一个客观值。可接受间隙则是驾驶员或决策算法主观愿意接受的最小间隙，通常大于安全间隙，包含了舒适性、效率和心理容忍度因素。
确定可接受间隙的经典方法是临界间隙理论。在匝道汇入场景中，临界间隙定义为：主路车辆间隙小于该值时，汇入车辆100%会等待；大于该值时，汇入车辆100%会汇入。实际驾驶中，由于驾驶员个体差异，临界间隙并非固定值，而是服从对数正态分布。例如，某驾驶员在车流密度较低时，可接受间隙为4.5秒；但在拥堵时，可能降至3.2秒。
工程实现上，可接受间隙通常建模为动态阈值函数，输入变量包括：自车速度、目标间隙的TTC、主路车辆类型（卡车/轿车）、天气条件、车道坡度。一个典型的阈值公式为：
Gap_accept = Gap_base + k1 * (v_ego - v_ref) + k2 * (TTC_target - TTC_ref) + k3 * (truck_factor) + k4 * (rain_factor)其中，Gap_base为基准间隙（如4.0秒），k1~k4为标定系数。当实际间隙大于Gap_accept时，决策系统输出“汇入”指令；否则输出“等待”或“调整速度以匹配间隙”。
4.5 案例拆解：城市快速路匝道汇入的决策闭环
下面通过一个完整案例，演示上述方法如何协同工作。场景设定为：城市快速路，限速80km/h，匝道为两车道，汇入点前方200米处有弯道。
初始状态：自车（Ego）以40km/h行驶在匝道加速段，目标汇入主路最右侧车道。主路车流密集，平均车头时距约2.8秒。传感器检测到主路有两辆关键车辆：目标车A（轿车，位于自车左前方15米，速度75km/h，正在加速），目标车B（卡车，位于A车后方30米，速度70km/h，保持车道）。
建模与预测：采用IMM算法对A车进行状态估计，发现A车横向速度从0.1m/s增至0.4m/s，且左转向灯亮起，意图预测模块输出：A车向左变道概率0.75，车道保持概率0.25。B车保持车道意图概率0.95。基于CTRA模型预测A车未来3秒轨迹，发现其将完全离开自车所在车道。
风险评估：计算自车与A车的TTC为6.2秒（安全），与B车的TTC为4.8秒（临界）。但考虑A车变道后，B车将成为自车前方直接障碍物。利用势能场模型，评估自车以当前加速度（2.0m/s²）汇入时，汇入点处的势能值为0.35（中等风险）。若将加速度提升至2.8m/s²，汇入点前移10米，势能值降至0.22（低风险）。
间隙决策：动态阈值函数计算得出当前可接受间隙为3.5秒。实际检测到B车与自车之间的间隙为4.2秒，大于阈值，且B车速度稳定，无加速迹象。决策系统输出“汇入”指令，并规划一条平滑的S形轨迹，同时将自车加速度设定为2.5m/s²以留出安全裕度。
执行与反馈：汇入过程中，系统持续监测B车实际加速度。若B车突然加速导致间隙缩小至3.0秒，系统将立即切换至“放弃汇入”策略，减速并回到匝道等待区。整个决策周期为100ms，满足实时性要求。
4.6 常见误区与总结复盘
在环境建模与风险评估的工程实践中，存在几个高频误区，需要特别警惕。
- 误区一：过度依赖单一传感器。毫米波雷达对横向运动不敏感，摄像头对距离估计精度低。必须采用多传感器融合，且在不同工况下动态调整融合权重。
- 误区二：忽略模型不确定性。运动模型的预测输出是一个分布，而非一个点。若直接将均值作为决策依据，在高速场景下可能产生灾难性后果。正确的做法是将协方差矩阵传递至风险评估模块，计算最坏情况下的风险。
- 误区三：可接受间隙固定不变。驾驶员的心理状态、当前任务负荷（如分心驾驶）会显著影响可接受间隙。在L2级辅助驾驶中，若检测到驾驶员视线偏离前方，应自动增大可接受间隙阈值。
- 误区四：风险评估与路径规划割裂。风险评估不应只评估当前候选轨迹，而应评估一组可行轨迹集合，并选择风险最低且效率可接受的轨迹。这需要将风险评估嵌入到规划器的代价函数中，而非作为独立的硬约束。
总结而言，环境建模与风险评估是一个从“数据”到“信息”再到“决策”的递进过程。运动模型提供了物理约束，意图预测赋予了行为语义，风险评估量化了冲突代价，间隙决策则完成了从“安全”到“可行”的最终映射。一个优秀的汇入策略，不是追求零风险，而是在风险与效率之间找到动态平衡点。这要求系统具备对不确定性的深刻理解，以及对驾驶员意图的精准建模能力。在下一阶段的系统设计中，建议将本章所述的方法封装为独立的“风险评估引擎”，通过标准化接口与感知层、规划层解耦，便于模块化升级和测试验证。