蛇形走位、侧向完全自由运动可以通过舍弃车道中心线力、舍弃车道线力等项来刻画。如图10-a所示，为车辆没有车道中心线和车道线的力的侧向运动结果，可以看到本模型可以刻画车辆的侧向异常行为。
图10 蛇形走位和侧向完全自由运动
3.4.3 醉驾
当驾驶员酒驾/醉驾/毒驾时，无法准确感知道路元素（车道线、车道中心线、周围车辆等，例如图 8中的感知误差）。假设驾驶员的车道线感知偏差为Zdrunk，服从OU过程如Eq.8。均值μdrunk为-1米。
Eq.8
图11-a中、车道1中的驾驶员都设定为醉驾驾驶员。从轨迹可以看出，车辆的运行偏离真实的车道中心线，部分车辆产生围绕车道线的较大波动、影响到了图11-b中车道2的车辆轨迹。图11-c和d是正常驾驶车流，可以看出和图11-a及b存在差距。
图 11 酒驾/醉驾/毒驾等
3.4.4 纵向驾驶
通过设定（公式Eq. 4中）αchaos大小可以控制车辆纵向行为的波动性。设定前车恒速行驶、后车通过本文提出的反常行为模型驾驶、调整αchaos大小得到的结果如图 12。图12-a~c为确定性IDM模型（无μdrunk）；图12-d~f为αchaos=1；图12-d~f为αchaos=2。确定性条件下，后车稳定跟随前车；混沌项考虑后，即使前车匀速行驶、后车也产生预设的波动。
图 12 纵向反常驾驶：纵向波动
04.
结语
驾驶行为是道路交通安全风险的主要来源之一。高等级自动驾驶车辆在开放世界中的交互对象复杂多样。本文将其分为自然人驾驶员、自动驾驶、人机同驾三类。并对自然人驾驶员中的“反常驾驶行为”进行建模，提出了基于跳跃—扩散随机过程的2D反常驾驶行为模型。并利用该模型对部分反常驾驶行为的轨迹进行了仿真。
感知预测—决策—控制是目前自动驾驶算法的代表性数据流。后续工作包括：1）基于生成式人工智能对反常行为进行合成；2）将反常行为纳入预测决策控制的流程。
1. https://github.com/yaohandong/HISTORIC-DATA
2. https://sumo.dlr.de/docs/Definition_of_Vehicles%2C_Vehicle_Types%2C_and_Routes.html#car-following_models
3. https://www.jidatraffic.com/#/brochure 中的第六章6.2和6.3节
4. https://github.com/yaohandong/HISTORIC-DATA
祁宏生 | 作者
张玉新 | 审核
来源：sasetech
作者：祁宏生
