第2章：驾驶员模型分析

大家好，我是你们的老朋友。今天我们来聊聊驾驶员模型。

很多人觉得，纵向控制嘛，不就是油门刹车来回踩？其实没那么简单。我做了这么多年控制，发现最难的不是算法本身，而是怎么让车开起来像「人」。说白了，就是要把驾驶员的意图翻译成机器能懂的语言。

2.1 驾驶员纵向操作特性

先说说人的操作习惯。你想想看，一个老司机和一个新手，踩油门的风格完全不一样。

老司机开车，油门变化很平滑。他们预判能力强，知道前面要减速了，会提前松油门。新手呢？经常是「一脚油门一脚刹车」，坐车的容易晕车。

我总结了一下，驾驶员纵向操作有几个典型特征：

• 滞后性：从看到情况到做出反应，大概有0.3-0.8秒的延迟。这个在控制里必须考虑。
• 非线性：车速低的时候，人对加速度变化很敏感。车速高了，反而感觉迟钝。所以低速跟车时，油门要细腻。
• 适应性：人会根据路况调整自己的操作风格。比如雨天，大家都会下意识地开得柔和些。

2.2 期望加速度的生成

这是整个纵向控制的「灵魂」环节。期望加速度怎么来？我见过很多方案，但归根结底就两种思路。

2.2.1 基于车距的加速度生成

这种思路很直观。你离前车近了，就减速；远了，就加速。但具体怎么算？

我常用的一个公式是这样的：

a_des = k1 * (d_actual - d_des) + k2 * (v_ego - v_target)

其中：

• d_actual 是实际车距
• d_des 是期望车距（通常用跟车时距算）
• v_ego 是本车速度
• v_target 是目标速度（前车速度或限速）

嗯，这里要注意。k1和k2的标定很关键。k1太大，车会一窜一窜的。k2太大，又容易反应迟钝。我曾经在一个项目里，光调这两个参数就花了两周。

2.2.2 基于舒适性的加速度限制

光有公式还不够。你想想，如果前车急刹，你直接按公式算出一个-8m/s²的加速度，那乘客肯定要骂娘。

所以，我一般会加一个舒适性限制：

场景	最大加速度 (m/s²)	最大减速度 (m/s²)
正常跟车	1.5	-2.0
中等制动	2.0	-3.5
紧急制动	2.5	-5.0

2.3 跟车行为模型

跟车模型，说白了就是描述「前车怎么动，我该怎么跟」的数学关系。这里面学问大了。

2.3.1 经典跟车模型

最经典的当属Gipps模型。它假设驾驶员会保持一个安全距离，确保前车急刹时自己不会追尾。

公式长这样：

v_ego(t+τ) = min{
    v_ego(t) + 2.5 * a_max * τ * (1 - v_ego(t)/v_des) * sqrt(0.025 + v_ego(t)/v_des),
    b_max * τ + sqrt(b_max² * τ² - b_max * [2*(d_actual - d_min) - v_ego(t)*τ - v_target(t)²/b_max])
}

看着复杂吧？其实核心思想就两点：

1. 我想加速到目标速度
2. 但前提是不能撞上

我个人觉得，Gipps模型虽然老，但物理意义清晰，特别适合做安全验证。

2.3.2 智能驾驶员模型（IDM）

现在更常用的是IDM模型。它把跟车行为描述得更平滑。

a = a_max * [1 - (v_ego/v_des)^δ - (d_des/d_actual)^2]

这里：

• δ 是加速度指数，一般取4
• d_des 是期望车距，跟速度有关

2.3.3 模型对比

我整理了一个对比表，方便大家选型：

模型	优点	缺点	适用场景
Gipps	安全边界清晰，物理意义强	参数多，标定麻烦	安全验证、碰撞避免
IDM	平滑性好，参数少	低速表现一般	正常跟车、ACC
线性模型	简单，计算快	精度差，不自然	快速原型、仿真

2.4 我的实践建议

说了这么多理论，最后分享点干货。

在实际工程中，我一般会这样做：

1. 先用IDM做基础跟车，因为它平滑，乘客体验好。
2. 叠加Gipps的安全约束，确保极端情况下不会追尾。
3. 加入驾驶员风格参数，比如激进型、舒适型，让用户自己选。

举个例子，我曾经给一个主机厂做ACC标定。他们要求「运动模式」下跟车距离近、加速猛。我就在IDM模型里把跟车时距从1.5秒调到1.0秒，加速度上限从1.5调到2.5。效果立竿见影。

嗯，今天就聊到这儿。下一章我们讲油门和刹车的具体执行策略，到时候会涉及到更细的标定技巧。