在自动驾驶汽车领域，变道算法一直是研究焦点之一。目前的变道算法有两大缺陷。要么，它们依赖环境的详细统计模型，既难以构建，反应速度也不够快;要么，它们太简单，以至于只能做出过于保守的决策——永远不变道，这同样无法接受。

　　在近日举行的国际机器人和自动化会议(International Conference on Robotics and Automation)上，麻省理工学院计算机科学和人工智能实验室(CSAIL)的研究人员展示了一种新的自动驾驶汽车变道算法。该算法较简单算法，能更主动地进行变道，但是只依赖于当下的环境信息——周边其他车辆的行使速度方向和大小，无需复杂的统计模型。

　　CSAIL 博士后和论文第一作者 Alyssa Pierson 表示，该算法的设计思想是用尽可能少的信息做出变道决策——就像人类驾驶员那样。

　　团队负责人 Rus 表示，最好的解决方法当然是对从保守到主动的各种变道风格建模，当然还要考虑安全空间。

　　自动驾驶汽车避障的标准算法是计算周围其他车辆周围的安全空间。安全空间不仅描述了各辆汽车当下的位置，还必须对它们将来的位置进行短期预测。因此，变道决策实际上是一个计算车辆的安全空间的问题。

　　基于描述路况的数学模型，可以检验变道算法的避撞性能。安全区的计算很耗时，因此算法一般会提前计算并存储各种典型情况下的安全空间，然后在行使时，根据感知到的当前环境，调用对应的安全空间参数。

　　然而问题在于，当道路上车速足够高，且密度足够大时，保守的预先计算会认为没有足够的安全空间。此时，自动驾驶汽车只能一直不变道，但是人类司机却可以在这种情况下轻松变道。

　　MIT 新算法的改进在于：如果当前的默认安全空间模型导致汽车的变道能力低于人类驾驶员，则系统会实时计算新的安全空间。

　　该算法的关键是设计足够高效的算法来计算安全空间，否则无法应对多变的路况。研究人员基于高斯分布，描述了车辆的当前位置、车辆长度和其位置的不确定性。

　　接着，基于车辆速度方向和大小的估计，研究人员构建了一个 logistic 函数。高斯分布和 logistic 函数的乘积，使得高斯分布的峰值向汽车的运动方向偏移，速度越快，偏移幅度越大。

　　偏斜分布定义了车辆的新安全空间。该数学描述足够简单，只有几个变量，因此完全可以进行实时计算。研究人员在有几百辆汽车的模拟环境中，测试了 16 辆自动驾驶汽车的避撞性能。

　　Pierson 表示：各辆自动驾驶汽车之间没有通讯联系，只依靠各自的算法进行变道和避障。每辆自动驾驶汽车使用不同的风险阈值，生成不同的驾驶风格，相当于保守和主动变道的人类司机。静态算法的预先计算安全空间只能允许保守驾驶，而新算法对主动变道的支持程度大得多。

　　电子工程和计算机科学维特比教授 Daniela Rus 、航空学副教授 Sertac Karaman、电子工程和计算机科学研究生 Wilko Schwarting 也参与了该工作。丰田汽车研究所和海军研究实验室为该研究项目提供了部分资助。