In and out vision-based driver-interactive assistance system

The overall driving environment consists of the Traffic environment, vehicle and driver states (TVD). advanced driver assistance Systems (ADAS) must consider not only information on each of the TVD states but also their context. Recent research has focused on making more efficient and effective assistance systems by fusing all the information from the TVD states. Based on this research trend, this paper focuses on decision-level fusion to estimate the level of danger of a warning by using visual information of the traffic environment and the driver state. The driver state consists of the gazing region and the facial feature points that are obtained using the active appearance model (AAM). The traffic environment state consists of time to collision (TTC), time to lane Crossing (TLC), and lane color information, which are obtained from the environment in front of the vehicle, i.e., position of lanes and other vehicles. Warnings against lane-off, collision, and driver inattention are generated by fusing this vision-based information from inside and outside the vehicle. The experimental results prove that our vision-based interactive driver assistance system reduces most useless warnings.     

基于无人机视频拍摄的高速公路小型车换道行为特性

为了研究高速公路小型车的换道行为特性,采用2台无人机同时在200 m的高空对交通流进行拍摄,获取交通流运行状态。构建拍摄路段的高精度地图,获取每一时刻车辆的精确运行状态数据,在此基础上对2个视频进行拼接,最终获得车道位置、速度、车辆编号等8项关键指标,共提取换道行为1 520条,筛选后得到完整的自由换道数据942条。采用车辆轨迹是否持续偏移作为判断换道行为起终点的依据,在此基础上分析换道的时间长度、空间长度、与周边车辆的相互状态以及换道行为的安全性等16个特征参数。得出平均换道时间长度为6.09 s,平均换道空间距离为148.08 m,换道时间与空间长度均符合对数正态分布。换道车辆与目标车道后方车辆的平均距离最小（34.29 m）,其相对距离在10 m以内的占28.24%,驾驶人为了加快行驶,在与目标车道后方车辆相对距离较小的情况下,依然采取换道措施。与正前方车辆的相对速度差最大,平均值为10.2 km·h^-1,并且在83%的情况下,本车的速度大于前车,说明车辆自由换道是由于前方车辆行驶速度较慢所引起。采用TTC,MTC分别对换道起始时刻的安全性进行分析,并将安全状态划分为4种类型：严重-紧急状态、严重-非紧急状态、非严重-紧急状态、非严重-非紧急状态。其中严重-非紧急,非严重-非紧急这2种状态占比最高。该研究成果对了解中国驾驶人在高速公路上的换道行为特性,以及对建立适用于中国实际交通环境特征的换道行为模型具有一定参考意义。     

智能网联环境下基于安全势场理论的车辆换道模型

为有效刻画未来智能网联环境下车辆在换道过程中面临的驾驶风险,保证车辆执行更加安全的换道决策,建立基于安全势场理论的车辆换道模型。首先针对车辆换道过程中所遇到的驾驶风险进行评估,利用势场理论给出车辆行驶过程中不同运动状态下安全势场的空间分布。其次根据换道过程中相关车辆不同安全势场分布情况计算出换道结束时的车间临界距离,相比于传统的车间临界距离计算模型,提出方法能够动态刻画出车辆在不同速度、加速度条件下临界距离的变化趋势,并且能够根据车辆不同的运动状态,动态表达出车辆间临界距离的变化。在此基础上,根据智能网联环境下车辆各类运动状态能够被实时感知的特点,总结出车辆各类运动状态下需要的换道安全临界时间,最终建立基于安全势场理论的最小安全距离换道模型。最后,对模型进行数值仿真分析,仿真结果表明：车辆换道所需要的最小纵向安全距离与换道车辆以及其周围车辆的运动状态有着直接关系。在今后趋于成熟的智能网联环境下,该模型可以进一步进行扩展,利用安全势场的分布情况,对车辆换道过程进行动态实时干涉,能够为今后智能网联环境下车辆协同换道、车辆自动驾驶以及车辆群体优化控制等相关研究提供一定的理论支撑。     

基于状态空间采样的高速公路智能网联车辆轨迹动态规划

为实现智能网联车辆在高速公路动态行车环境下的轨迹实时规划，提出一种基于状态空间采样的轨迹动态规划方法。首先，以安全性为原则选取主车当前行驶的理想车道。基于Frenet坐标与笛卡尔坐标的转换关系，建立车辆运动横、纵向解耦的独立积分系统。将高速公路常见的行驶状态分为车道保持与定速巡航、变道以及前车跟随3类，预测主车行驶车道并针对3类行驶状态分别设计轨迹终端的目标配置方法。然后，利用多项式函数生成连接初始配置和目标配置的多条待选轨迹。构建考虑轨迹偏离理想车道程度、始末速度变化、规划周期和轨迹舒适性的综合损失函数，结合速度、加速度、曲率检查来评价各条待选轨迹的成本并进行排序。最后，预测车辆的横、纵向运动轨迹并构建一种胶囊形的车辆虚拟安全边界，通过碰撞检测，确定主车的最优轨迹，设置动态规划触发条件及时更新最优轨迹并避免过度规划浪费资源。研究结果表明：提出的算法能满足高速公路场景的动态规划需求；通过对轨迹规划周期、虚拟安全边界、动态规划时间间隔等关键参数的分析与优化，主车的横摆角速度范围稳定在-0.1~0.15 (°)·s^-1，横向加速度范围稳定在-0.16~0.32 m·s^-2，跟踪参考轨迹的最大误差不超过0.022 m，提出的算法能规划出具有高安全性、稳定性和舒适性的轨迹。     

车队认知能力增强的通信区块间隙优化方法

为了在单车超越车队的过程中缩短超车车辆与车队间通信范围，减少车队通信压力，锁定影响车辆入队的关键车队区块，同时通过将待进入关键区块的车队进行间隙优化调整，为驾驶人提供定制化换道入队引导服务，提出了基于驾驶人超车风格特征参数的车队内信息传输关键区块锁定算法，通过分析影响驾驶人换道入队位置范围的关键因素，将驾驶人换道入队过程分为本车道速度调整过程与入队速度调整过程，利用非参数贝叶斯算法获取驾驶人超车换道特征数据并提出基于关键区块所在车队位置序列的车辆间隙优化调整策略。研究结果表明：超车车辆加速度、与前车预计碰撞时间、与车队相对速度是影响驾驶人换道入队范围的关键因素；通过非参数贝叶斯算法将超车车辆运行数据分类获取的驾驶人换道入队驾驶操作基元，可准确提供驾驶人行为特征关键参数；通过将驾驶人换道特征分为48个子类型，可锁定驾驶人换道入队范围且车队关键区块范围随着超车车辆与车队速度差值不同在各个特征类型上呈现不同变化趋势；针对驾驶人入队特征对待进入车队关键区块的车辆间隙进行优化调整，不仅可以为驾驶人提供可接受的驾驶辅助信息，同时减少了车队间隙产生过程中车辆加速度范围，提升了车队运行的舒适性。     

基于道路模型的弯道检测研究与应用

基于机器视觉的弯道图像能提供车辆行驶道路环境的丰富信息,从建立弯道模型、提取车道线像素点以及拟合车道模型等步骤分析了传统基于道路模型的弯道检测方法,针对传统方法很难适用于多种不同形状弯道的特点,提出一种基于特征点提取的弯道检测新方法;介绍了弯道检测在车道偏离预警、弯道限速以及弯道防碰撞预警等领域的应用情况;最后提出弯道检测应该建立三维车道线模型、注重发展多传感器融合技术,提高其适用性和鲁棒性.     

制动与转向协调动作的车辆避撞控制研究（双语出版）

为了弥补现有汽车避撞控制策略以及碰撞风险评价指标单一的不足，提出转向和制动协调的主动避撞控制系统。首先规划了五次多项式换道路径，在对其理论分析的基础上得到转向临界避撞距离和与目标车道车辆的安全距离约束。其次，考虑道路附着系数和系统延迟的影响，基于制动过程给出制动临界避撞距离，并以纵向行驶安全系数ξ和碰撞时间倒数T^-1_TC划分安全行驶区域，利用驾驶人实车跟车数据标定稳态跟随/定速巡航区域的阈值。随后，通过转向/制动临界避撞距离的对比给出2种避撞方式的安全收益范围。最后搭建Simulink/CarSim联合仿真模型，并对其进行不同初始条件下的避撞仿真试验。研究结果表明：转向操作在制动距离不足时仍是有效的；当主车高速近距离接近静止前车时，主车可以顺利采取转向换道动作，而常规ACC系统在2.5 s处的车间相对距离为-0.76 m，事实上已经发生了碰撞；当相邻车道前车与主车纵向间距不满足换道安全距离约束时，避撞控制系统进入紧急制动模式，最大制动减速度达到-0.8g（g为重力加速度），实际最小车间距为5.1 m；通过转向和制动的协调动作，充分发挥了车辆的避撞潜力；ξ和T^-1_TC指标的融合，可以更好地评估碰撞风险并实现不同控制模式的转换，在保证行车安全的同时可避免过分制动给乘客造成的紧张感。     

A similarity-based neuro-fuzzy modeling for driving behavior recognition applying fusion of smartphone sensors

Drivers’ behavior evaluation is one of the most important problems in intelligent transportation systems and driver assistant systems. It has a great influence on driving safety and fuel consumption. One of the challenges in this regard is the modeling perspective to treat with uncertainty in judgments about driving behaviors. Really, assessing a single maneuver with a rigid threshold leads to a weak judgment for driving evaluation. To fill this gap, a novel neuro-fuzzy system is proposed to classify the driving behaviors based on their similarities to fuzzy patterns when all of the various maneuvers are stated with some fuzzy numbers. These patterns are also fuzzy numbers and they are extracted from statistical analysis on the smartphone sensors data. Our driving evaluation system consists of three processes. Firstly, it detects the type of all of the maneuvers through the driving period, by using a multi-layer perceptron neural network. Secondly, it extracts a new feature based on the acceleration and assigns three fuzzy numbers to driver’s lane change, turn and U-turn maneuvers. Thirdly, it determines the similarity between these three fuzzy numbers and the fuzzy patterns to evaluate the safe and the aggressive driving scores. To validate this model, Driver’s Angry Score (DAS) questionnaires are used. Results show that the fusion of Inertial Measurement Unit (IMU) sensors of smartphones is enough for the proposed driving evaluation system. Accuracy of this system is 87% without using GPS and GIS data and this system is independent of smartphones and vehicles types.     

基于触觉引导的L2级智能汽车人机共享控制技术综述

因技术和法规等因素限制，智能汽车短时间内难以实现L1级到L5级的快速跨越，人机共驾将长期存在；基于触觉引导的人机共享控制技术为L2级智能汽车人机共驾提供了有效的人机共享控制途径。通过综述国内外车辆人机共享控制技术相关问题的研究现状，重点分析了基于触觉引导的车道保持、换道、避撞、倒车辅助等人机共享控制在路径规划、意图决策和权限分配转移等过程中，可能会造成人机冲突进而导致车辆稳定性降低、行车安全性变差和驾驶员操作舒适度与自由度恶化等关键问题。同时针对人机共享控制中固有的驾驶人风格及认知差异进行了探讨，以期进一步明确人机共享控制器的设计方法及人机冲突产生的机理。提出未来应在大量仿真或实测行车数据的基础上不断迭代优化智能系统，提高智能控制系统对行车环境和驾驶人状态识别的精准度，从而合理分配人机共享控制权重，有效解决人机冲突、车辆稳定性、行车安全性、驾驶员操作舒适性和自由度等问题。基于现有研究存在的问题，指出自适应性触觉引导共享控制器、权重分配共享控制器、基于神经肌肉反应共享控制器及基于高级辅助驾驶系统共享控制器等将是智能汽车人机共享控制的主要研究方向。      

驾驶风格对驾驶行为的影响

为了揭示驾驶风格对驾驶行为的影响规律,进而提取表征驾驶风格的特征参数,对不同风格驾驶人在感知层和操作层的驾驶行为数据进行了量化分析。首先,基于驾驶行为问卷对18名中国非职业驾驶人进行了驾驶风格问卷调查,并采用主成分分析、K-均值聚类等方法将被试驾驶人分为谨慎型、正常型和激进型3种类型。接着,被试驾驶人在搭载了SmartEye眼动仪的驾驶模拟器上开展了高速公路行车环境下的驾驶试验,同步采集了感知层的视觉特性参数和操作层的驾驶绩效参数,并采用判断抽样的方式将驾驶样本按照驾驶风格和驾驶模式（换道意图和车道保持）进行了划分,共选取了810组有效样本。最后,采用方差分析法分析了不同风格驾驶人在不同驾驶模式下的注视行为、扫视行为、横向控制特性、纵向控制特性方面相关参数的差异显著性,并提取了不同风格间存在显著差异的参数作为表征驾驶风格的特征参数。研究结果表明：驾驶风格越激进,驾驶人对周围环境关注越少,对车辆的横向控制稳定性越差,急加速和急减速行为发生的频次越高;不同风格驾驶人在意图时窗内对后视镜的注视次数（p=0.002）、方向盘转角熵值（p=0.04）、加速踏板开度（p=0.01）、制动踏板开度（p=0.02）这4个参数的差异均较为显著,因此可作为表征驾驶风格的特征参数。     

面向动态避障的智能汽车滚动时域路径规划

为解决城市低速条件下智能汽车在避障过程中的路径规划问题，提出面向动态避障的智能汽车滚动时域路径规划方法。首先，划分车道可行区域，利用3次拉格朗日插值法拟合车道边界，并根据"车-路"的相对位置关系将车道区域进一步划分为车道间区域与车道内区域两部分。其次，以区域虚拟力场进行动态交通场景模拟，包括在障碍车周身沿车道方向的虚拟矩形区域斥力场，行驶目标位置的虚拟引力场和车道保持虚拟区域引力场3个部分，然后结合划分的车道区域确定各虚拟力场的作用区域。再次，建立主车动力学与运动学模型，障碍车运动学预测模型，把主车与障碍车无碰撞，主车行驶在车道内区域，趋向目标位置以及保证车辆稳定性作为优化目标，综合车辆模型的控制输入、状态变量等动力学约束条件，构建多目标的滚动时域控制器用于车辆避障路径规划，求解获得前轮转角作为控制量。最后，利用MATLAB和veDYNA软件对提出的路径规划控制系统分别在静态障碍和动态障碍工况下进行联合仿真。研究结果表明：该方法能够很好地解决躲避静态障碍和低速动态障碍车的问题，控制车辆驶向目标位置，并且在避障过程中满足车辆的动力学约束，同时又不会与道路边界发生碰撞，保证了车辆的安全性和稳定性。     

基于注意力Seq2Seq网络的高速公路交织区车辆变道轨迹预测

针对交通状态复杂的高速公路交织区域,经验丰富的驾驶人能够通过正确地推断周围车辆的未来运动进行及时的车道变换,这对于实现安全高效的自动驾驶至关重要,然而目前的自动驾驶车辆往往缺乏这种预测能力。为此,基于深度学习理论,提出了一种结合注意力机制和编-解码器结构的交织区车辆强制性变道轨迹预测方法,利用Next Generation Simulation（NGSIM）数据集提取车辆变道过程中的关键特征,并引入碰撞时间（Time to Collision,TTC）和避免碰撞减速度（Deceleration Rate to Avoid a Crash,DRAC）2种风险指标,将变道车辆及其周围车辆视为一个整体状态单元,同时补全状态单元内部不同车辆在横向和纵向上的时空状态特征,从而更有效地刻画车辆间的动态交互行为;然后将不同观测车辆的连续窗口序列输入基于长短期记忆网络（Long Short-term Memory,LSTM）的编-解码器,预测交织区车辆变道的未来运动轨迹,通过添加软注意力模块,使模型能够集中聚焦于影响车辆在不同时刻下位置变化的关键信息,再现了真实交通场景下车辆的变道行为。试验验证表明：基于注意力机制的编-解码器模型与当前流行的卷积长短期记忆网络、极限梯度提升树等模型相比具有更高的轨迹预测精度,在长时域的变道轨迹拟合上有显著的优越性,为辅助和自动驾驶领域的发展提供了新思路。     

Effect of drowsiness on driving performance variables of commercial vehicle drivers

Driver drowsiness is a major safety concern, especially among commercial vehicle drivers, and is responsible for thousands of accidents and numerous fatalities every year. The design of a drowsiness detection system is based on identifying suitable driver-related and/or vehicle-related variables that are correlated to the driver’s level of drowsiness. Among different candidates, vehicle control variables seem to be more promising since they are unobtrusive, easy to implement, and cost effective. This paper focuses on in-depth analysis of different driver-vehicle control variables, e.g., steering angle, lane keeping, etc. that are correlated with the level of drowsiness. The goal is to find relationships and to characterize the effect of a driver’s drowsiness on measurable vehicle or driving variables and set up a framework for developing a drowsiness detection system. Several commercial drivers were tested in a simulated environment and different variables were recorded. This study shows that drowsiness has a major impact on lane keeping and steering control behavior. The correlation of the number and type of accidents with the level of drowsiness was also examined. Significant patterns in lateral position variations and steering corrections were observed, and two phases of drowsiness-related degradation in steering control were identified. The two steering degradation phases examined are suitable features for use in drowsiness detection systems.     

基于多属性决策的无人驾驶自主变道决策技术研究

在无人驾驶领域,随着车辆上布置的传感器不断丰富,无人驾驶系统可以从周围环境获得更多的信息,从而为车辆的自主判断行为决策带来可能。然而即使是有经验的驾驶员在进行变道动作的时候也需要格外的小心,因此无人驾驶系统的变道行为分析需要做到足够准确和谨慎,才能保证安全性,这也正是目前为止还没有非常完善的无人驾驶变道决策系统的原因。本文提出一种基于多属性决策的无人驾驶自主变道决策技术,帮助无人驾驶车辆在道路行驶中进行更有效、更安全的自主变道决策。     

Analysing classes of motion drive algorithms based on paired comparison techniques

A paired comparison experiment using 23 subjects was run on the VIRTTEX driving simulator to compare a lane position based motion drive algorithm (MDA) with a classical MDA for a highway speed, lane change manoeuvre. Two different tuning states of the lane position algorithm and four different tuning states for the classical algorithm were tested. The subjective fidelity of the six different motion cases was compared with each other and a Bradley–Terry model was fit to find the fidelity merit of each case. In addition, the driving performance of the subjects for six motion cases was recorded and compared. The motion-tuning cases were selected such that the trade-off in motion quality between overall motion scaling and motion shape distortion (shape-error), as well as the trade-off between lateral specific force and roll-rate motion errors, could be studied. It was found that when the overall scaling is the same, drivers perform better with the lane position algorithm than with the the classical algorithm. A well-tuned, manoeuvre-specific, classical MDA, however, did achieve a subjective fidelity level on a par with the lane position MDA. A generically tuned classical MDA, however, has a significantly reduced fidelity and driving performance when compared with a lane position algorithm with the same scale factor. A strong trade-off between motion shape-errors and overall motion scaling was found. A small increase in motion cue shape-error, combined with an increase in the scale factor from 0.3 to 0.5, led to improved performance and increased subjective fidelity. The results of the experiment also suggest that simulator motion can be improved by reducing the angular-rate shape-error at the expense of the specific force shape-error (while keeping the total normalised shape-error constant).     

基于ITS技术的汽车驾驶安全辅助系统

基于ITS技术的汽车驾驶安全辅助系统是提高道路交通安全的有效手段,本文介绍了清华大学汽车安全与节能国家重点实验室在此领域的研究与开发工作。在研究行驶环境感知和信息融合、驾驶员特性和安全距离模型、车辆运动控制及系统集成等关键技术的基础上,研制了汽车驾驶安全辅助系统试验平台和试验样车,实现了行车前撞预警、安全车距保持、智能车道保持等功能,并完成了相关试验分析与评价,为进一步开展基于ITS的汽车主动安全辅助技术的研究以及汽车驾驶辅助系统的产业化奠定了基础。     

基于自然驾驶数据的跨江大桥小客车跟驰特性研究

为明确跨江大桥的跟驰行为特征以及驾驶模式,在重庆菜园坝大桥展开了30位被试的小客车实车驾驶试验,使用华测航姿测量系统和前视碰撞预警系统Mobileye 630采集自然驾驶状态下汽车的连续行驶速度、车头时距和车头间距等数据。通过筛选得到了725条有效跟驰轨迹数据,对比分析发现跨江大桥与城市一般道路的跟驰行为存在一定差异性,明确了菜园坝大桥车头时距和车头间距的分布特征,并且对强跟驰(小于1.6 s)、过渡区间(1.6~2.6 s之间)以及弱跟驰(大于2.6 s)3种跟驰状态和驾驶人性别差异下的跟驰数据进行了分析。结果表明:桥梁段车头时距分布集中在1.6 s处,车头间距分布集中在18 m处;超过1/3的跟驰轨迹处于强跟驰状态,此状态下前车驾驶行为对跟驰车辆具有较强制约性;当车辆处于弱跟驰状态时,前车对于后车的约束性会随车头时距的增大而快速降低;过渡区间的设立更好地揭示了强/弱跟驰状态之间的转变并不是只有一个临界值,而是存在一个转换过程,并且其间车辆跟驰特性的变化与驾驶人本身的操作行为存在较大关联;驾驶人的性别差异对跟驰距离几乎没有影响,但男性驾驶人往往会采取更加冒险的驾驶行为,平均车头时距、车头间距以及相对速度均高于女性驾驶人。     

车车通信环境下基于驾驶意图共享的车辆避撞预警算法

针对传统基于距离或时间的车辆避撞预警算法存在较高误警率的问题，考虑在避撞预警算法中引入驾驶意图共享的概念，提出了基于实际外场复杂车车通信V2V（Vehicle-to-vehicle，V2V）环境下的车辆跟驰避撞预警算法。基于LTE-V构建外场V2V环境，将车辆行驶过程描述为一个时间序列的隐性马尔可夫随机过程，借助隐马尔可夫模型（Hidden Markov Model，HMM）建立驾驶人驾驶意图与车辆相对行驶状态序列之间的隐含关系模型，并给出基于Viterbi算法的驾驶意图预判求解方法，将驾驶意图作为特征因子集成到安全距离模型中，提出基于驾驶意图共享的避撞（Driving Intention Based Collision Avoidance，DI-CA）预警算法。利用构建的V2V试验环境，实现了匀速、加速、减速和紧急制动等4种驾驶意图，以及相对速度和相对距离增加、减小、保持不变等9种组合的车辆行驶状态试验数据获取，并利用试验数据对所提出的DI-CA预警算法进行实证分析。结果表明：所提出预警算法能够针对不同驾驶意图提供有效的车辆碰撞预警。在此基础上将4种驾驶意图下的DI-CA预警算法与Mazda预警算法求得的安全距离进行了对比分析，所提出的DI-CA预警算法的平均预警正确率为84%，高于Mazda预警算法的78%，而DI-CA预警算法的平均误警率和漏警率分别为5%和16%，均明显低于Mazda预警算法，说明所提出的DI-CA预警算法在提升预警效果的同时明显降低了误警率和漏警率，可避免行驶过程中因误警而导致的连续刹车，以及因漏警而导致的可能碰撞事故发生。最后，总结并给出了驾驶意图共享理论应用于车辆避撞预警的研究展望。     

Vision-based fusion of robust lane tracking and forward vehicle detection in a real driving environment

With the goal of developing an accurate and fast lane tracking system for the purpose of driver assistance, this paper proposes a vision-based fusion technique for lane tracking and forward vehicle detection to handle challenging conditions, i.e., lane occlusion by a forward vehicle, lane change, varying illumination, road traffic signs, and pitch motion, all of which often occur in real driving environments. First, our algorithm uses random sample consensus (RANSAC) and Kalman filtering to calculate the lane equation from the lane candidates found by template matching. Simple template matching and a combination of RANSAC and Kalman filtering makes calculating the lane equation as a hyperbola pair very quick and robust against varying illumination and discontinuities in the lane. Second, our algorithm uses a state transfer technique to maintain lane tracking continuously in spite of the lane changing situation. This reduces the computational time when dealing with the lane change because lane detection, which takes much more time than lane tracking, is not necessary with this algorithm. Third, false lane candidates from occlusions by frontal vehicles are eliminated using accurate regions of the forward vehicles from our improved forward vehicle detector. Fourth, our proposed method achieved robustness against road traffic signs and pitch motion using the adaptive region of interest and a constraint on the position of the vanishing point. Our algorithm was tested with image sequences from a real driving situation and demonstrated its robustness.     

复杂动态环境下智能汽车局部路径规划与跟踪算法研究

路径规划及路径跟踪控制是智能汽车研究的关键技术，而复杂、时变的交通环境给智能汽车的路径规划与跟踪提出严苛要求。针对现有局部路径规划方法只适用于较为简单的工况，无法应对多车道、多静/动态障碍等复杂工况的问题，提出一种基于离散优化思想的动态路径规划算法。该算法利用样条曲线曲率变化均匀的特性，在s-ρ曲线坐标系中生成了一组参数化候选路径簇；考虑动态碰撞安全影响，在碰撞带约束下结合道路法规限制及车辆动态安全要求，规划车辆速度；此外，综合考虑静态安全性、舒适性、目标车道、道路占用率等影响因素，以选择最优路径。在路径跟踪层面，基于预瞄理论设计鲁棒性好、跟踪精度高的分数阶PID路径跟踪控制器，以跟踪误差最小为目标，采用粒子群优化算法对分数阶PID控制器参数进行整定。最后，基于Simulink/CarSim建立联合仿真平台，设计多车道，多静/动态障碍的复杂工况以验证该算法的有效性。研究结果表明：由于在评价函数中引入动态安全评价指标、目标车道评价指标以及道路占用率指标，极大地提升了规划器性能，使车辆在行驶过程中根据驾驶环境自主调整速度，降低换道次数，从而保证智能汽车的主动安全性能，提升了通行效率，使该算法能够较好地处理复杂动态环境下的避障问题。