自主駕駛與人為駕駛於變換車道行為之量化安全性比較

國立臺灣大學工學院機械工程學系 碩士論文

Department of Mechanical Engineering College of Engineering

National Taiwan University Master Thesis

自主駕駛與人為駕駛於變換車道行為之量化安全性比較 Quantitative Comparisons in Lane-Changing Maneuver Safety between Autonomous Driving and Human Driver

游右均 Yu-Chun Yu

指導教授：詹魁元博士

Advisor: Kuei-Yuan Chan, Ph.D.

中華民國 106 年 7 月

July, 2017

摘要

車 94% 為

為 目 研 究

行 車 車

研 究 建 號

系 統 探 討

量 化 行 為 與 為 表

案 例 研 究 變 換 車 道 為 模 圖

結 變 換 車 行 為 論 文

結果 變換車道 為

: 為 量化研究 變換車道

Abstract

Since human errors account for 94 percent of vehicle crashes, autonomous driving is expected to be the dominant means of transportation in the future.

Although driverless technology is promising, little evidence is available to show that traffic safety is much better without human surveillance. Various challenges of autonomous vehicles are also mentioned in real world traffic.

To assess the potential risk in automated vehicle system, we propose a method to quantitatively compare the safety between autonomous driving systems and human drivers. The analysis procedure is demonstrated through a lane-changing maneuver considering the effects of multiple factors. By considering the distance in lane-changing as a safety index, autonomous vehicles are significantly safer than conventional vehicles. The crash rate for an autonomous vehicle decreases to nearly one percent under certain scenario.

Keywords : human error, autonomous vehicle, risk assessment, quantitative research, lane-change, safe distance

目錄

... i

摘要 ... iii

Abstract... v

目錄 ... vii

圖目錄... xi

表目錄... xiii

符號列表 ... xv

緒論... 1

1.1 ... 1

1.2 與 車 ... 3

1.3 研究 與目 ... 5

1.4 結 ... 9

1.5 論文 構... 9

文獻探討 ... 13

2.1 系統 ... 13

2.1.1 ... 13

2.1.2 系統 ... 14

2.1.3 ... 15

2.2 車 ... 17

2.3 為 ... 20

2.4 結 ... 22

變換車道行為量化... 23

3.1 變換車道 與 ... 23

3.2 道 ... 24

3.3 ... 27

3.4 變換車道 圖 建構... 30

3.5 ... 32

3.6 結 ... 34

系統模型建構 ... 35

4.1 車系統 構 ... 35

4.2 系統 模型 ... 40

4.3 系統 構 變換車道 行 ... 42

案例研究 ... 45

5.1 ... 45

5.2 模 參 ... 46

5.3 案例 ... 51

5.3.1 為 ... 52

5.3.2 ... 54

研究結果與討論 ... 57

6.1 案例 1 - 為 ... 57

6.2 案例 2 - 為 ... 58

6.3 案例 3 - 為 ... 59

6.4 案例 4 - ... 60

6.5 案例 5 - 系統 ... 60

6.6 案例 6 - ... 61

6.7 案例 7 - ... 62

6.8 案例 結... 63

結論... 65

7.1 研究 結... 65

7.2 研究 獻... 66

7.3 研究 ... 66

7.4 結 ... 67

參考文獻 ... 69

圖目錄

圖 1.1 車 化 . . . 4

圖 1.2 車 換 . . . 8

圖 1.3 論文 構 . . . 11

圖 2.1 行為 . . . 16

圖 2.2 統車 與 車 車 . . . 17

圖 2.3 N-FOT 車 與 95% . . . 18

圖 2.4 號 圖 . . . 20

圖 3.1 . . . 24

圖 3.2 變換車道 . . . 27

圖 3.3 變換車道 變化與 . . . 27

圖 3.4 統 . . . 28

圖 3.5 (t₂− t1) . . . 29

圖 3.6 變換 (t₃ − t2) . . . 29

圖 3.7 變換車道 . . . 30

圖 3.8 變換車道 圖 . . . 31

圖 3.9 - 圖 . . . 33

圖 4.1 與車 模型 Level 0 車 . . . 37

圖 4.2 與車 模型 Level 3 車 . . . 38

圖 4.3 與車 模型 Level 4 車 . . . 39

圖 4.4 . . . 40

圖 4.5 系統 構 . . . 41

圖 4.6 變換車道 構 . . . 43

圖 5.1 . . . 48

圖 5.2 ( 車 ) . . . 49

圖 5.3 TTC . . . 50

圖 5.4 變換 PDF( 例 ) . . . 52

圖 5.5 變換車道 . . . 53

圖 5.6 變換車道 . . . 53

圖 5.7 . . . 54

圖 5.8 變換車道 . . . 54

圖 5.9 變換車道 . . . 56

圖 6.1 案例 2 模 結果參考 . . . 58

圖 6.2 案例 3 模 結果參考 . . . 59

圖 6.3 案例 6 模 結果 . . . 62

表目錄

表 1.1 車 統 . . . 1

表 1.2 統 . . . 2

表 1.3 NHTSA 車 表 . . . 3

表 1.4 Google 車 2016 . . . 6

表 3.1 列表 . . . 25

表 3.2 . . . 25

表 3.3 錄 . . . 26

表 5.1 模 符號表 . . . 46

表 5.2 車 參考 . . . 47

表 5.3 車 . . . 55

表 5.4 結果 . . . 56

表 6.1 案例 1 模 行結果 . . . 57

表 6.2 案例 2 模 行結果 . . . 58

表 6.3 案例 3 模 行結果 . . . 59

表 6.4 案例 4 模 行結果 . . . 60

表 6.5 案例 5 模 行結果 . . . 61

表 6.6 案例 6 模 行結果 . . . 61

表 6.7 為 與 (A) . . . 63

表 6.8 為 與 (B) . . . 63

符號列表

a

C 車

d

dFo 車道 車 (VFo) 與變換車道車 (Vo)

d_Ft 車道 車 (V_Ft) 與變換車道車 (V_o)

d_Rt 車道 車 (V_Rt) 與變換車道車 (V_o)

dsafe

E

F

L 車

S

So 變換車道車 (Vo)

S_Rt 目 車道 車 (V_Rt)

t₁

t₂ 變換車道車

t₃ 變換車道車 結

tTTC (time to collision)

V 車

V_Fo 車道 車

V_Ft 目 車道 車

Vo 變換車道車

VRt 目 車道 車

v

v_d

vFo 車道 車

vFt 目 車道 車

v_o 變換車道車

v_Rt 目 車道 車

W 車

∆t 變換車道

θ 車道

緒論

1.1

(World Health Organization, WHO)

[1] 車 型

(National Highway Traffic Safety Administration, NHTSA)

1979 統 車 例 70% 90% [2] 2015

研究 表 94% [3]

表 1.1

表 1.1: 車 統 [3]

統 量 例 ±95%

2,046,000 94%± 2.2%

車 44,000 2%± 0.7%

52,000 2%± 1.3%

47,000 2%± 1.4%

2,189,000 100%

行車 車 要 車

要 與 要

為 為 型 [3] 表 1.2 行

型 與

行為 為 結

果 為 與

車型 例 道 與

車 換 為 車

表 1.2: 統 [3]

統 量 例 ±95%

845,000 41%± 2.2%

684,000 33%± 3.7%

210,000 11%± 2.7%

145,000 7%± 1.0%

162,000 8%± 1.9%

2,046,000 100%

為

車 系統 例 系統 (FCWS)

型

為 為

要

統 車 要目

研究 為 型 研究 與

1.2 與 車

系統 研 車 行車

系統 ( Advanced Driver Assistance Systems, ADAS ) 為

研究 ADAS 要 行 車道

系統 (LDWS) 車 系統 (ACCS) 車系統 (AEBS) 車

系統 (PAS) 系統

(Insurance Institute for Highway Safety, IIHS) 研究

[4] AEBS 40% AEBS 2022

為 車 要

ADAS 系統 車 化

NHTSA 車 為 [5] 為表 1.3 列 Level

0 Level 4¹ 目 Level 3 Level 4

車 車型

例 Google 車 (Self-driving car) 2009

行 行

表 1.3: NHTSA 車 表 [7]

Level 0 車

Level 1 車型 ESP 車 系統

Level 2 與車道 系統 結

Level 3 車 行 車

Level 4 車 型 要 目 車 要

為

* 1

1 2016 NHTSA 為 Level 0 Level 5 [6] 要

Level 4 論文 探討

車 要 為

McKinsey & Company [8] 90% 車

車 與 車

車

行 為 14 % 車 量 (Vehicle miles of

travel) [9] 車 車

量 化 統 為 車

量

圖 1.1: 車 化 [8]

車 研究

車 2020 車

[8] 2050 為 要 圖 1.1 變化

車 模 論 道

建 要

1.3 研究 與目

車

結果 ² 90 %

22 % 表 車 [10]

系統 目

究 要

論文 車 研究 :

1. 車

[11] 2016 車

Tesla Model S 模 ³(Autopilot Mode)

行 車

NHTSA 車 系統 [12]

系統

車 系統 車

車 車 [13] 要 錄 車

模 Google 為例 模

參 表 1.4 車 車 行為

系統 變

2 為

3 系統 車 行

表1.4:Google車2016[14](Disengagementbycause) 20152016 Total 121234567891011 disengageforweatherconditionsduringtesting1000000000001 disengageforarecklesslybehavingroaduser00100120212110 disengageforunwantedmaneuverofthevehicle024022210512030 disengageforaperceptiondiscrepancy03111223122220 disengageforincorrectbehaviorpredictionofother trafficparticipants0100010110116 disengageforasoftwarediscrepancy10143428878551 disengageforconstructionzoneduringtesting0000001001002 disengageforemergencyvehicleduringtesting0002000000002 disengagefordebrisintheroadway0000000200002 Total26776109241712159124

行 果 系統 要 目

論文

討論 列 :

•

– : 要

– : 例

• 系統

– 車 : 系統 統車

– 號 : 車 果 號

系統

•

– : 與

– : 行 行為 變

– :

行

– : 要 要

模 研究

結果 :

2.

車與 統 車

化 論

[15] 車 [16]

車 行為 量化

行為 (Predictive knowledge) 為

行 結果

系統 型 行為 為

要建

論 車 行為

車

Level 0

Level 1

Level 2

Level 3

Level 4

年分

圖 1.2: 車 換

車 統車 與 車 道

[15] 統車 圖 1.2 為

結果 [17] 要 2060 統車

要

道 建 (Ethical dilemma) [18]

行 與

變

車 研究 目 要 量化

統車 與 車 為 參考

1.4 結

1.3 與

論 要

為 研究 緒論 論 :

1. 車

2. 要 系統

車

3. 研究目 為 量化 為 車

1.5 論文 構

論文 構 圖 1.3 為 與 :

• 緒論

車 研究目

• 文獻探討

研究 文獻 目 研究 結 研究

• 變換車道行為量化

變換車道 參考 文獻 建 模型

• 系統模型建構

系統 構 變換車道行為 為 與

• 案例研究

模

• 研究結果與討論

案例探討 系統 為 與

• 結論

研究結果 結與 獻 研究 為

第一章 緒論

第二章 文獻探討

第三章 變換車道行為量化

第五章 案例研究

第六章 研究結果與討論

第七章 結論

第四章 系統模型建構

圖 1.3: 論文 構

文獻探討

[15] 車 (Self-driving vehicle)

結果 列 論 :

1. 車 車

2. 車表

3. 統車

論 表

為 量化 車 與 統車 文獻

車 目 統

行為 研究

2.1 系統

2.1.1

1. :

車 要

車

果 車

系統 要 要

模 目 道 究 要

2. :

果

與 結果 [19]

(例 : ) 系統

為 目 結果

[15, 18–21] Google 表 車

[22]

2.1.2 系統

1. 車 :

車 要 車

車 車

[15] 要

統車 車 要 行 量

要 為 要

系統

2. 號 :

考量 化 [23] 系統

車 系統 要 (Glitch)

果 車 100 果 為

(例 ) 100 換 2.8

車

2.1.3

1. :

行 行 果

結果 與

Google 車 與

[11, 19]

(Computer Vision)

要 (Computing effort) [18] 例

(CAPTCHA)

(Access)

目 為

變

2. :

車 車 [18, 24–27]

行為 (例 )

化

車行為 要 為行車

考量 果 車

3. ¹:

要 系統 車 與

論 考

車 [18] 車 車 系統

行 要 道 要 車

車

車

1 考 (Deep learning)

研究 行 目 車 系統

表 圖 2.1 為 例

模

1986 [28]

與 (Skill base)

(Rule base) (Knowledge base)

考 行車表

車 為

結 例 道 表

要 與

重覆學習

輔助 簡單的情境

• 白天

• 好天氣

• 郊區

• 熟悉環境

困難的情境

• 夜間

• 壞天氣

• 市區

• 陌生環境 規則類推

技術直覺

發展知識

圖 2.1: 行為

4. :

車 化 結果 (Cyber security)

2016 Tesla

Model S 為 [29] 車

為

車 為 型 案

2.2 車

車 1.3

結果 究

為 行 與 :

1. 車 (Reported Crash Rate)

車 車 行道

行 錄 車

研究 (Virginia Tech Transportation Institute, VTTI)

Google 車 車 [30] 統 結果表 圖 2.2 圖

Google 車

車與 為 車

為 錄

量 NHTSA [31] 24.3% (injury

crashes) 59.7% (property damage only crashes)

錄 車 結論

0.9

1.6

1.9 2.1

3.2

0 0.5 1 1.5 2 2.5 3 3.5

Crash Rate per Million Miles

Reported Crash Rate Compared to Self-Driving Car Crash Rate (level 1 and level 2 crash severity)

Santa Clara LA County National Average King County WA Self-Driving Car

圖 2.2: 統車 與 車 車 [30]

2. (Naturalistic-Field Operational Test, N-FOT) 行

參

與 要 表 車

車 錄

建 量 表 VTTI

行研究 (The second Strategic Highway Research Program, SHRP 2)

參與 車

[30] 車 與 車 結果 圖

2.3 95% 圖 結論 圖 2.2 車

表 Google

車

0 5 10 15 20

Severity Lv 1 Severity Lv 2 Severity Lv 3

Crash Rate per Million Miles

Crash Severity

Estimated Crash Rate per Million Miles of Driving with 95 Percent Confidence Intervals

SHRP 2 Self-Driving Car

圖 2.3: N-FOT 車 與 95% [30]

N-FOT 為 車

行 要 車 要

結果 要 行 換 要

[32] 要

Google 車 為

表 結 Google [18] 目

車 行 ( Mountain View, California Austin, Texas

為 ) 表

例 行 Google

圖 圖

GPS Google 車 行 圖

[11, 19] 道

Google Map

為 車

車 車 例 模 車

變

3. (Worst-Case Scenario)

車 車

系統 結果 參 變 變

系統

為 車 系統 表

系統 要 [33] 例 系

統 (real-time) 考 行

行 系統 (Worst-Case Execution

Time) [34–36]

車 要

與

4. 模

模

變 變 系統

要模 系統 要 建 車 模型

例 文獻 [37] 變換車道 模型

車道 行為 車

模 表 模型與 系統

考量 行為

量化 模型 建構 為 模 結果

2.3 為

與 系統 為 系統

研究 文獻 [38] 統 車 系統

文 型 為

車 車

系統 圖 2.4

結果 與 系統 行

為 行探討

為

圖 2.4: 號 圖

1.

為

為

為 論

車 為 與

2.

車 行為

行為 例

行車 型 與 行

果

行為 量 量化 例 量

果 錄 建 模型

表 要

考 要 系統 要 參

量化 要建

模型 與 行為

3.

行為 行 為

表 [39] (intra-individual) 表

行 為 結果

(inter-individual) 表 模

車 例

要 表 為 車

型 變 量

2.4 結

化

果 與 要 結果

研究 車 構 行探討 車 系統

車 行為表 案例

變換車道 行為 [40, 41]

車 變換車道 行為 要

系統 與結 與 車

車 行為 變換車道 為 案例

文 參考結論 變換車道

變換車道行為量化

變換車道 行為 車 車道 車

道 要 變換車道

車 車道 車 果

車 研究 變換車道 為探討

要考量 行為 要

變換車道 行 變換車道

行為 建 模型 變

換車道 表 量化 行為

變換車道 要 文獻 行為 建 為

模型

3.1 變換車道 與

變換車道 圖 車 車道 結 [42]

圖 :

1. 車 : 車 例 車行為

2. : 車

3. : GPS 建 行 目 例

道

4. 車道 : 為目 行 車道 變換車道 例

道 道

5.

為 要 與 車

行為 行 行車

車 [43] 換 車 [44]

變換車道 探討 與 車

變換 為 行為 例

研究 參 車 變換車

道行為 [45] 3.4

3.2 道

為 變換車道 研究 為

為 道 行車 錄行車

目 行為 3.3 結果 量化

模 案例研究

圖 3.1 與表 3.1 列 行車 錄 車

(OBD-II) (IMU) 與 列 表 3.1

(a) 行車 錄 (b) OBD-II (c) IMU (d)

圖 3.1:

表 3.1: 列表

行車 錄 GPS 30 fps

OBD-II GPS ( ) 10 Hz( 1 Hz)

IMU 要 100 Hz

號 ( ) 10 Hz

行 錄 表 3.2 A 車 B

變換車道

車 行為 與 行為 參 行量化

變換車道

表 3.2:

105/07/12 道 3 號 ( - ) 8:20 - 9:00 A

105/08/08 道 3 號 ( ) 9:25 - 9:45 A

105/09/05 道 3 號 ( ) 10:20 - 11:00 A

105/10/19 道 3 號 ( - ) 14:15 - 14:50 B

105/10/26 3 61 ( - ) 15:10 - 17:20 B

105/11/11 道 3 號 ( - ) 13:40 - 19:15 B

105/11/15 3 1 ( - 化) 9:20 - 15:25 B

105/11/22 道 3 號 ( - ) 15:40 - 18:35 B

表 3.3 錄 錄 GPS (

) (rpm) (%) GPS OBD-II

號 號

表3.3:錄 GPSTimeDeviceTimeLongitudeLatitudeEngine rpm

Throttle position

Speed (GPS)

Speed (OBD-II)

Left cell

Right cellAccXAccYAccZ MonSep0510:21:1605-910:21:16.249121.533968325.006720841639.7523.1372547155.300231935400-0.06390.0323-1.0338 MonSep0510:21:1605-910:21:16.349121.533968325.006720841639.7523.1372547155.300231935401-0.0460.0421-0.9306 MonSep0510:21:1605-910:21:16.449121.533968325.006720841639.7523.1372547155.300231935401-0.05960.0233-0.8621 MonSep0510:21:1605-910:21:16.552121.533968325.006720841639.7523.1372547155.300231935401-0.03160.0292-0.8871 MonSep0510:21:1605-910:21:16.649121.533968325.006720841639.7523.1372547155.300231935401-0.08740.0639-1.0284 MonSep0510:21:1605-910:21:16.749121.533968325.006720841639.7523.1372547155.300231935401-0.04380.0367-1.1412 MonSep0510:21:1605-910:21:16.850121.533968325.006720841639.7523.1372547155.300231935401-0.04030.0989-1.0359 MonSep0510:21:1605-910:21:16.9121.533968325.006720841639.7523.1372547155.300231935401-0.03670.0486-0.9986 MonSep0510:21:1605-910:21:17.048121.533968325.006720841639.7523.1372547155.300231935401-0.02470.0387-0.9888 MonSep0510:21:1605-910:21:17.164121.533968325.006720841666.2523.1372547155.300231935401-0.00350.0577-0.9354 MonSep0510:21:1705-910:21:17.249121.533986825.006579281666.2523.1372547156.912326815401-0.03170.0703-0.9229 MonSep0510:21:1705-910:21:17.349121.533986825.006579281666.2523.1372547156.912326815401-0.02720.1241-1.014 MonSep0510:21:1705-910:21:17.448121.533986825.006579281666.2523.1372547156.9123268154010.0060.1062-1.0217 MonSep0510:21:1705-910:21:17.553121.533986825.006579281666.2523.1372547156.9123268154010.06390.0551-1.1136 MonSep0510:21:1705-910:21:17.649121.533986825.006579281666.2523.1372547156.9123268156010.01270.0431-1.087 MonSep0510:21:1705-910:21:17.752121.533986825.006579281666.2523.1372547156.912326815601-0.05450.0012-1.058 MonSep0510:21:1705-910:21:17.849121.533986825.006579281666.2523.1372547156.912326815601-0.00690.0996-0.9879 MonSep0510:21:1705-910:21:17.9121.533986825.006579281666.2523.1372547156.9123268156010.00480.1009-0.9235 MonSep0510:21:1705-910:21:18.050121.533986825.006579281666.2523.1372547156.912326815600-0.02750.0683-1.0173 MonSep0510:21:1705-910:21:18.164121.533986825.006579281666.2523.1372547156.912326815600-0.06750.0928-0.8372 MonSep0510:21:1805-910:21:18.249121.53401625.006425841666.2523.1372547158.687763215600-0.00530.004-0.9783

3.3

列 變換車道 行為 表 圖 3.2

t₁ 變化 表

號 t₁ t₂ t₃ 結

變化 行 圖

變換

變換車道 行為

車輛移動

意圖產生 宣告

時間

圖 3.2: 變換車道

1. 統

錄 行統

變換車道 錄 3.1

要探討 變化 行

圖 3.3: 變換車道 變化與

圖 3.3 變換車道 變化 錄 t₁

車 t2 車道

t₃ 結 變換車道 為

行為

錄 變換 統 圖 3.4

為 車 表 變換車道 要

行為 變化 行為

車 車

車 統 結論 統 結果

變換車道 要 建

圖 3.4: 統

2.

為 表

號 (t1) IMU 車

(t₂) 行變換車道 結果 圖 3.5

(t₂− t1) 圖 表 t₂

為 結果與 A 為

1.40 1.02 B 行為

3.65 0.83 A

(a) A (b) B

圖 3.5: (t₂− t1)

3. 變換

與 變換車道

(t₃− t2) 圖 3.6

(a) A (b) B

圖 3.6: 變換 (t₃− t2)

圖 3.6 B 行為模 4.97

A 3.30 0.55 A 1.07

結果 為 2.3 討論

3.4 變換車道 圖 建構

圖 3.7 變換車道 車 與符號 車 V_o 為 要

車道 為 車道 車道 為目 車道 車 VFo 表

車道 車 車 V_Ft 與 V_Rt 為目 車道 車 車 圖 3.7(a)

換 圖 3.7(b) 與 符號

(a) 車 (b) 與 符號

圖 3.7: 變換車道

變換車道 模型

建 [44] 車

車道 車 車

道 車 車道為目 車道 變換車道 圖 3.8 文

變換車道 圖 :

1. 目 車 果 變換車道

2. 果 果 變換車道

3. 車道 果 變換車道 圖

是否存在 相對優勢

具備 變換車道意圖

沒有 變換車道需求 是否無法

加速前進 是否未達 期望速度

是

是 是

否

否 否 1

2

3

圖 3.8: 變換車道 圖

化 (3.1) - (3.3) 圖 3.8

目 車 符 為 變換車道 圖 vo 表目

車 v_d v_Fo 車道 車 v_Ft 目 車道 車

(3.1) 表 目 果符 (3.2) 與 車 表

(3.3) 表 目 車道 車 目 車道 果 符

圖 結果

vo < vd (3.1)

v_o ≥ vFo (3.2)

v_Ft > v_Fo (3.3)

3.5

變換車道

行 要

研究 為 變換車道 車道 變換

考量 行 [44] 目 車道

要

變換車道 車 [46]

為 果

車 為 變換車道行為 與目 車道 車

dRt dsafe 為 (3.4) [46] SRt 變換

車 S_o L 車 W 車 θ 車道

dsafe = SRt− So+ L + W sin θ (3.4)

車 V_Rt 車 行變換 車 V_o 變換

(3.4) S t2 VRt 與 Vo

車 為 車 V_o 車 V_Rt V_o 車

道 為 a, (a < 0) 表 (3.5)

圖 3.9 d_safe ∆t, (∆t = t₃− t2) 為變換

dsafe 車 建

(proximity zone) [47] 變換車道 9.144 ( 30 )

符 (3.6) 變換

d_safe= 1

2(v_Rt− vo)∆t− (vRt− vo)²

2a + L + W sin θ (3.5)

dRt ≥ dsafe+ 9.144 (3.6)

速 度

時間

圖 3.9: - 圖

3.6 結

變換車道 研究 變換車道行為 量化

為 模 參考 :

1. 統 量化 結果 圖 3.6 結果

案例探討

2. 建 變換車道 變換車道 圖 研究 變換車道

行探討 化 (3.1) - (3.3)

3. 為 行變換車道 模 探討與

車 (3.6)

研究 探討 車 行為 變換車道 為

與 為 研究結果

表 車 變換車道

系統模型建構

車 系統 構 構 變

系統 車 系統 模型 為 “

” 案例 模型

4.1 車系統 構

與車 系統 車 行 化

車 NHTSA

變

• Level 0

Level 0 車 車 系統 車 目

例 構 圖 4.1 圖 (車

) 車 (例 : 表 )

行為 車 行

• Level 1

車 車 車 系

統 例 車系統 (AEB) 行 Level

1 車

• Level 2

Level 2 型 系統 例 系統與車道 系統 結

行 化 車

• Level 3

Level 3 車 系統 車

圖 4.2 為 要 行 車 模

車

車 系統 車

行 系統 要

車 換

• Level 4

Level 4 為 圖 4.3 車 為

系統

與 Level 3 車 統車

行車 Level 3 表 為

換 車 系統與 圖 4.2

與 系統 車 車

(Level 4) 系統 變 車 系統

要 號 行

論文探討 與 統 為 模 表 研究

討論 型 車 (Light-duty vehicle)

型

為 與 車 研究目

系統 表 探討系統 號

4.2 系統 行

模 案例 系統模型 變

換車道

車輛

駕駛

致動裝置 •油門 •煞車 •轉向 •檔位 •離合器 訊號處理

人機介面

Le vel 0

…

…

環境

車輛

駕駛

致動裝置 •油門 •煞車 •轉向 •檔位 •離合器輔助系統 •ACC •AEB •LDW •CMS •FCW 演算處理情境判斷訊號整合

人機介面 知識庫

…

…

…

現在 (改 )

…

環境

車輛

乘客

致動裝置 •油門 •煞車 •轉向 •檔位 •離合器 全自主控制 系統 演算處理情境判斷訊號整合

輸入指令 知識庫

Le vel4 完全的

…

…

…

環境

4.2 系統 模型

系統 構 與

行為 建構 4.1

與車 圖 4.4

為 與

系統

耳朵 偵測階段

大腦 運算階段

手 動作階段

環境

眼睛 身體

腳

圖 4.4:

參考 系統 圖 4.5 表

行 車 行為 變

1.

要 例

要

2.

行

行車 (ECU)

建

感測模組 偵測階段

電腦 運算階段

驅動裝置 動作階段

環境

圖 4.5: 系統 構

3.

行 結果 車

系統

系統 為

結果 圖 4.5 表

車 要 模

變換車道 為 案例

4.3 系統 構 變換車道 行

變換車道 車 與 目 車 要

與 與 量

(例 : ) 模 要

行變換

車 構 變換車道行為 圖 4.5

構 圖 4.6 變換車道 號

圖 4.6 變換車道 要 考量

研究 變換車道 行 建 圖 4.6 表 系統 構 構結

變換車道 文 變換車道

要 行 :

1.

系統

車 與

2.

變換車道 圖 圖

為 變換

3.

行變換車道 車 目 車道 結

系統 變換車道 研究 變換車道 結果

與 統 為 模 文

量化 行 案例

影像擷取 偵測階段

影像辨識

轉向裝置 動作階段

油門 決策確認

運算階段

產生指令

攝影機 電腦

圖 4.6: 變換車道 構

案例研究

變換車道

案例 變換車道 模

系統模型

5.1

1.

車 (Vo) 車道 車 車道 車 (VFo) 目 車

道 車 (V_Ft) 車 (V_Rt) 車 與 為

2. 變換車道

目 變換車道 (3.1) - (3.3) 果

符 表 圖 目 車道 變換

3.

變換車道 行 與 車

討論

(3.6) 為 系統

4. 變換車道結果

為系統模型 變換車道 行為

結果 系統表 F

F = 變換

變換車道 (5.1)

(5.1) 變換車道 為 車 (30 )

車 車 C (5.2) 車

為 車

C = 車

變換車道 (5.2)

5.2 模 參

變換車道 圖 為 模

結果 要 參 行 表 5.1 列 符號

與 :

表 5.1: 模 符號表

符號

車 L 車

車 W 車

θ 變換車道 與 行

變換 ∆t 目 車道

vo , vFo , vFt , vRt 車 dFo , dFt , dRt 車 vd

a 車 量

• 車

表 5.2 列 車 型 列 車 車

變 為 變 車 為車 (L)4.8 車

(W )1.8 為

表 5.2: 車 參考 [48]

車 車 (mm) 車 (mm)

Toyota Sienna 5,085 1,985

Toyota Camry 4,815 1,820

Toyota Previa 4,795 1,800

Toyota Altis 4,620 1,775

Toyota Yaris 4,115 1,700

•

為 3^o 5^o [49] 變換

參 車 為 v 3.5

變換 表 為 (5.3)

∆t = 3.5

v sin θ (5.3)

• 變換

結果 統 A 與 B 變換 與

圖 3.6 果變換 表 為 (5.4)

θ = arcsin( 3.5

v × ∆t) (5.4)

• 與

車 與 車 與 為

參考 文獻 變換車道 研

究 [37] 模 SPMD¹ 參

車 研究

為 參 符 要 參 為 2 (m/s)

為 40 (m/s) 車 為 0.1 (m) 75 (m)

 : v ∈ [2 m/s , 40 m/s]

 : d∈ [0.1 m , 75 m]

(a)

(b)

圖 5.1:

1Safety Pilot Model Deploymet [50] 2,842 車 行 錄

為 N-FOT

為 (Gaussian distribution)

為 11 (m/s) 8 (m/s) 為 33 (m/s)

2.5 (m/s) 圖 5.1

考 車 要 目 車道 車

d_Rt d_Fo d_Ft 案例探討

(a)

-1)

(b)

圖 5.2: ( 車 )

圖 (Pareto distribution) 參 (shape

parameter) 參 (scale parameter) 參 (location parameter) 為

0.01 圖 5.2

車 與 要 (Time To Collision,

TTC) TTC 車

TTC (25 m/s ) (15 m/s

25 m/s) (15 m/s )

(exponential distribution) TTC (5.5) 表 (Probability Density Function, PDF)

(µ , µ = 1/λ) 變 µ = 0.02 µ = 0.03

µ = 0.06 TTC 圖 5.3 表

f_TTC−1 = λe^−λx (5.5)

-1)

圖 5.3: TTC

結 列 :

1. 圖 5.1 v_o v_Fo v_Ft

2. 圖 5.2 dFo−1 dFt−1 dRt−1

3. v_o 參考圖 5.3 TTC (t_TTC⁻¹)

4. (5.6) vRt

vRt = vo− ˙dRt = vo+tTTC−1

d_Rt⁻¹ (5.6)

•

120 為

( 33.33 m/s) 車

•

為 為 -2.5

(m/s²) 符 車 車 -2.5 (m/s²) 模 結果

為車 2 (m/s²) [51]

5.3 案例

為 系統

變換車道 要 :

• 為

– – –

•

– – –

考量 參考 量化

案例 考 模型

為 與 要 參考

換 文獻 建

參考

5.3.1 為

1.

變換 (∆t) 3.3 A

B 行為量化 結果 圖 3.6

量 變換 為

(lognormal distribution) 為

參 (Maximum Likelihood

Estimation, MLE) 模型參 A 參 µ 為 1.2927 參

σ 為 0.2422 為 3.6426 B µ 為 1.5934 σ 為 0.1103

為 4.9203 結果 圖 5.4 圖 表

(a) A (b) B

圖 5.4: 變換 PDF( 例 )

2.

車 (例

) (例 行 ) 論 為

果 車

文獻 [40] 統 變換車道 ² 統

2統 為

0.174 車 行變換車道 與

車 為 模

圖 5.5表

變換車道規則 安全距離評估 執行變換車道

產生隨機情境

流程中機率跳過評估步驟

圖 5.5: 變換車道

3.

系統 號 為 車行為

車 變化 行為

統 [52] 結果

為 240

統 為

行 圖 5.6 變換車道 為

車 變

變換車道規則 安全距離評估 執行變換車道

產生隨機情境

反應時間延遲

圖 5.6: 變換車道

5.3.2

1.

量

論文 為例 探討

文獻 [53] 為車

系統 45 為 5 % 90 為 10 %

為 圖 5.7 表

為 75 為 8.3 %

(%)

圖 5.7:

量

圖 5.8 要 (E)

變換車道規則 安全距離評估 執行變換車道

產生隨機情境

感測誤差

圖 5.8: 變換車道

(E) 結果 變 變換車道 行為

模 表

變

 : d −−→ d^error error ∈ [ d × (1 − 0.5E) , d × (1 + 0.5E) ]

 : v −−→ v^error error∈ [ v × (1 − 0.5E) , v × (1 + 0.5E) ]

2.

車 系統 目 ISO26262 為

車 Automotive Safety Integrity Level, ASIL 為

ASIL A 為 ASIL D 要 列 表 5.3 表 PMHF

(Probabilistic Metrics for Hardware Failure) 為 (Failures In Time, FIT) ASIL D 為例 10⁹ -

10 符

系統 要

(Severity) (Exposure) (Controllability) 案

例研究 車 為 ASIL D 車

要 要 為 車

表 5.3: 車 [54]

ASIL A ASIL B ASIL C ASIL D

SPFM N/A > 90% > 97% > 99%

LFM N/A > 60% > 80% > 90%

PMHF N/A < 100 FITs < 100 FITs < 10 FITs

ASIL D 研究 車 10⁹ 10

車 10 10 車

車 系統 車

3.

目 車 系統

車 行

為

與 變化 變 結果

果 文獻 [55] 車

為 T P R (true positive rate) (5.7) 車

T P R = 車

車 (5.7)

文獻 T P R 果 與

結果 表 5.4 3

模

T P R 表 車 車 V_Rt

圖 5.9 果 與 車

表 5.4: 結果 [55]

道 型 T P R

1 4:00 pm

變

95.0 %

2 9:00 am 道 91.7 %

3 12:30 pm 99.8 %

變換車道規則 安全距離評估 執行變換車道

產生隨機情境

圖 5.9: 變換車道

研究結果與討論

6.1 案例 1 - 為

案例 1 為 型 變

換車道 A B 變換

表

行 10⁸ 結果 錄 表 6.1 研究 (5.1)

(5.2) 變換車道行為 模 結果 B

車 B A 模 結果與

表 6.1: 案例 1 模 行結果

符 變換車道 變換 車 F

(×10⁻⁴)

車 C

(×10⁻⁴) A 28, 276, 139 27, 758, 494 68, 217 3, 608 25 1.2998 B 28, 276, 139 27, 550, 075 44, 260 83 16 0.0301

6.2 案例 2 - 為

案例 2 為 0.174 車 變換車道 考

行

換 案例 2 探討 果

行 10⁸ 結果 錄 表 6.2

案例 2 車

為 車 變換

車

車 圖 6.1 變化

0 0.174 行 圖

表 6.2: 案例 2 模 行結果

符 變換車道 變換 車 F

(×10⁻⁴)

車 C

(×10⁻⁴) A 28, 256, 650 27, 830, 950 90, 045 50, 088 32 18 B 28, 256, 650 27, 657, 844 126, 460 70, 455 46 25

F C

(a) A

F C

(b) B

圖 6.1: 案例 2 模 結果參考

6.3 案例 3 - 為

案例 3 240

型 A B 模 變換車道

行 10⁸ 結 果 錄 表 6.3 結 果

案例 1 車 表 240

車 變 化 車 變 30

240 2

結果 圖 6.2 車

表 6.3: 案例 3 模 行結果

符 變換車道 變換 車 F

(×10⁻⁴)

車 C

(×10⁻⁴)

A 28, 300, 978 27, 786, 550 75, 745 0 27 0

B 28, 300, 978 27, 573, 765 91, 322 0 33 0

F C

(a) A

F C

(b) B

圖 6.2: 案例 3 模 結果參考

6.4 案例 4 -

案例 4 行探討 為 車 車

系統變換車道 為 5 [46]( A 為 3.6426

B 為 4.9203 )

與 參考圖 5.7

行 10⁸ 結果 錄 表 6.4 結果

行為 車 案例 為 與

[53] 為 (例 LiDAR)

表 6.4: 案例 4 模 行結果

符 變換車道 變換 車 F

(×10⁻⁴)

車 C

(×10⁻⁴) 車 28, 346, 654 27, 599, 525 37, 333 103 14 0.0373

6.5 案例 5 - 系統

案例 5 系統 行探討 變換 系統

系統 行車 車

果 ASIL D 車 系統 變換車道 5

要 720 變換車道 表 6.5 10⁸ 模

車 結果 ASIL

C 模 車 要 案例 5

294 車 [56] 要 34

系統 [57]

車 與 表 600 車

表 6.5: 案例 5 模 行結果

符 變換車道 變換 車 F

(×10⁻⁴)

車 C

(×10⁻⁴)

車 28, 294, 475 27, 548, 953 0 0 0 0

6.6 案例 6 -

案例 6 探討 為 車 考 與系統

與案例 4 要 參考表 5.4

• 1: 車 T P R = 95.0%

• 2: 車 T P R = 91.7%

• 3: 車 T P R = 99.8%

行 模 T P R 行 10⁸

結果 錄 表 6.6 果 車 案例 6 結果

99.8 % 車 圖 6.3

模 結果變化

表 6.6: 案例 6 模 行結果

符 變換車道 變換 車 F

(×10⁻⁴)

車 C

(×10⁻⁴) 1 28, 255, 292 27, 547, 718 37, 552 20, 871 14 7.5763 2 28, 255, 292 27, 571, 847 61, 681 34, 331 22 12 3 28, 255, 292 27, 511, 629 1, 463 827 0.5318 0.3006

F C

1-TPR

圖 6.3: 案例 6 模 結果

6.7 案例 7 -

案例 案例 為 與

參考 表 系統

統 :

• 為

– 考 變換 (案例 1)

– 考 0.174 車 (案例 2)

– 考 240 (案例 3)

•

– 考 與 (案例 4)

– 系統 量 考 (案例 5)

– 考 車 為 99.8 % (案例 6)

模 行 行 10⁸ A 與 車

表 A 為 結果列 表 6.7 B 與

車 表 B 為 結果列 表 6.8 模 結果

表 車 為 為 0.99% 1.1% (

A 與 B)

表 6.7: 為 與 (A)

符 變換車道 變換 車 F

(×10⁻⁴)

車 C

(×10⁻⁴) A 28, 237, 515 27, 811, 432 205, 453 66, 007 74 24 車 28, 243, 253 27, 724, 908 27, 455 661 9.9026 0.2384

表 6.8: 為 與 (B)

符 變換車道 變換 車 F

(×10⁻⁴)

車 C

(×10⁻⁴) B 28, 296, 421 27, 697, 468 232, 566 81, 135 84 29 車 28, 302, 831 27, 572, 570 37, 649 917 14 0.3326

6.8 案例 結

為例 變換車道 車 240,000 610,000 [41]

60,000 車 行 4.8 ( 3 ) [57]

研究 行 變換車道 0.05 0.6 換 變換車道 車

8.29× 10⁻⁸ 2.53× 10⁻⁶ 案例 7 為 模 結果

:

1. 車 量 案

車 變化 [30, 31]

2. 變換車道模型 考

車

3. 車模 車

變換車道 行為 [46]

4. 車 (vRt) (vo) 模

探討

與 案例 7 模

: 1.

2. 為 行車表 變換車道

為

結論

7.1 研究 結

研究 探討 與 統 為 表 量化

變換車道 車 研究 果 結 :

1. 變換車道行為 為 研究

車

2. 為 與

研究結論

為 結論

為 表 車

車

[16] 果 結果

系統

要 為 要 為

論文模 系

統 量化 結果 論文 結論 為

道 案 研究

要

7.2 研究 獻

1. 統 行車

為 系統 文獻 行

2. 建構變換車道 模型

文獻與 建 變換車道模型 圖 行

3. 量化系統

文獻 建 量化 系統

變換車道行為

4. 參考

行為 與 為 表 量化 模 結果

7.3 研究

行 論文 果 文 參考 結論

研究 行 與 為

建 研究

1. 案例研究 探討變換車道 車 行為 要 討

論 結果 系統

2. 系統 探討 量化

研究 表 型

7.4 結

文獻 文 論 論文 論

論

車

論 目 案 論文 參考 表

要

• ?

• ?

統 車 100 [58]

行 [59]

表

行 道 車

車

參考文獻

[1] World Health Organization. “Global Status Report on Road Safety 2015”.

http://www.who.int/, 2015.

[2] J.Treat, N. Tumbas, S. McDonald, D. Shinar, R. Hume, R. Mayer, R. Stansifer and N. Castellan. “Tri-Level Study of the Causes of Traffic Accidents: Final Report”. DOT HS 034 3 535, 1979.

[3] National Highway Traffic Safety Administration. “Critical Reasons for Crashes Investigated in the National Motor Vehicle Crash Causation Survey”. https:

//crashstats.nhtsa.dot.gov/, 2015.

[4] IIHS News. “U.S. DOT and IIHS Announce Historic Commitment of 20 Au- tomakers to Make Automatic Emergency Braking Standard on New Vehicles”.

http://www.iihs.org/, 2016.

[5] National Highway Traffic Safety Administration. “U.S. Department of Trans- portation Releases Policy on Automated Vehicle Development”. http://www.

nhtsa.gov/, 2013.

[6] H. Reese. “Autonomous Driving Levels 0 to 5: Understanding the Differences”.

TechRepublic, https://www.techrepublic.com/, 2016.

[7] 車 研究 . “ 車 要”. https://www.artc.

org.tw/, 2013.

[8] M. Bertoncello and D. Wee. “Ten Ways Autonomous Driving Could Redefine the Automotive World”. McKinsey & Company, http://www.mckinsey.com/, 2015.

[9] C. Harper, C. Hendrickson, S. Mangones and C. Samaras. “Estimating Poten- tial Increases in Travel with Autonomous Vehicles for the Non-Driving, Elderly and People with Travel-Restrictive Medical Conditions”. Transportation Re- search Part C: Emerging Technologies, 72: 1–9, 2016.

[10] B. Schoettle and M. Sivak. “A Survey of Public Opinion about Autonomous and Self-Driving Vehicles in the U.S., the U.K., and Australia”. Report UMTRI- 2014-21, Transportation Research Institute, University of Michigan, 2014.

[11] L. Gomes. “Driving in Circles: The Autonomous Google Car May Never Actu- ally Happen”. Slate Magazine, http://www.slate.com/, 2014.

[12] Office of Defects Investigations and National Highway Traffic Safety Adminis- tration. “ODI Resume - Investigation: PE 16-007”. https://static.nhtsa.

gov/odi/inv/2016/INCLA-PE16007-7876.PDF, 2017.

[13] Department of Motor Vehicles. “Autonomous Vehicle Disengagement Reports 2016”. https://www.dmv.ca.gov/, 2016.

[14] Google Auto, LLC/Waymo. “Report on Autonomous Mode Disengagements for Waymo Self-Driving Vehicles in California”. https://www.dmv.ca.gov/, 2016.

[15] M. Sivak and B. Schoettle. “Road Safety with Self-Driving Vehicles: General Limitations and Road Sharing with Conventional Vehicles”. Report UMTRI- 2015-2, Transportation Research Institute, University of Michigan, 2015.

[16] S. Ferguson, E. Teoh and A. McCartt. “Progress in Teenage Crash Risk during the Last Decade”. Journal of Safety Research, 38(2): 137–145, 2007.

[17] Goldman Sachs. “Monetizing the Rise of Autonomous Vehicles”. Cars 2025, 3, 2015.

[18] M. Sivak and B. Schoettle. “Should We Require Licensing Tests and Graduated Licensing for Self-Driving Vehicles ?”. Report UMTRI-2015-33, Transportation Research Institute, University of Michigan, 2015.

[19] L. Gomes. “Hidden Obstacles for Google’s Self-Driving Cars: Impressive Progress Hides Major Limitations of Google’s Quest for Automated Driving”.

MIT Technology Review, https://www.technologyreview.com/, 2014.

[20] D. Lavrinc. “This Is How Bad Self-Driving Cars Suck in the Rain”. Jalopnik, http://jalopnik.com/, 2014.

[21] S. Sutherland. “How Will Driverless Cars Handle Canada’s Nasty Weather ?”.

The Weather Network, https://www.theweathernetwork.com/, 2015.

[22] C. Trudell. “Snow Problem When It Comes to Self-Driving Cars, Says Google”.

Insurance Journal, http://www.insurancejournal.com/, 2015.

[23] K. Fraser. “How Reliable Can Aged Autonomous Cars Be ?”. WardsAuto, http://wardsauto.com/, 2016.

[24] A. Barr and M. Ramsey. “Google Tries to Make Its Cars Drive More Like Humans”. The Wall Street Journal, https://www.wsj.com/, 2015.

[25] L. Mathews. “Google Is Making Its Self-Driving Cars Drive More Like People”.

Geek.com, https://www.geek.com/, 2015.

[26] C. Matyszczyk. “Google Teaching Self-Driving Cars to Drive Like Humans”.

CNET, https://www.cnet.com/, 2015.

[27] J. Titcomb. “Google to Make Driverless Cars Act More Like Humans After Complaints They Are Too Polite”. The Telegraph, http://www.telegraph.

co.uk/, 2015.

[28] J. Rasmussen. Information Processing and Human-Machine Interaction: An Approach to Cognitive Engineering. Elsevier Science Inc., 1986.

[29] S. Palmer. “Can Self-Driving Cars Ever Really Be Safe ?”. Shelly Palmer, https://www.shellypalmer.com/, 2017.

[30] M. Blanco, J. Atwood, S. Russell, T. Trimble, J. McClafferty and M. Perez.

“Automated Vehicle Crash Rate Comparison Using Naturalistic Data”. Tech- nical report, Virginia Tech Transportation Institute, 2016.

[31] L. Blincoe, T. Miller, E. Zaloshnja and B. Lawrence. “The Economic and Societal Impact of Motor Vehicle Crashes, 2010 (Revised May 2015)”. https:

//crashstats.nhtsa.dot.gov/, 2015.

[32] N. Kalra and S. Paddock. “Driving to Safety: How Many Miles of Driving Would It Take to Demonstrate Autonomous Vehicle Reliability ?”. Transporta- tion Research Part A: Policy and Practice, 94: 182–193, 2016.

[33] H. Peng. “Evaluation of the Performance and Safety of Automated Vehicles”.

2012.

[34] N. Gobillot, F. Guet, D. Doose, C. Grand, C. Lesire and L. Santinelli.

“Measurement-Based Real-Time Analysis of Robotic Software Architectures”.

In 2016 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), pages 3306–3311, 2016.

[35] Y. Saito, T. Azumi, S. Kato and N. Nishio. “Priority and Synchronization Support for ROS”. In 2016 IEEE 4th International Conference on Cyber- Physical Systems, Networks, and Applications (CPSNA), pages 77–82, 2016.

[36] C. Hubmann, M. Aeberhard and C. Stiller. “A Generic Driving Strategy for Ur- ban Environments”. In 2016 IEEE 19th International Conference on Intelligent Transportation Systems (ITSC), pages 1010–1016, 2016.

[37] D. Zhao, H. Lam, H. Peng, S. Bao, D. LeBlanc, K. Nobukawa and C. Pan. “Ac- celerated Evaluation of Automated Vehicles Safety in Lane-Change Scenarios Based on Importance Sampling Techniques”. IEEE transactions on intelligent transportation systems, 18(3): 595–607, 2017.

[38] N. Stanton and P. Salmon. “Human Error Taxonomies Applied to Driving: A Generic Driver Error Taxonomy and Its Implications for Intelligent Transport Systems”. Safety Science, 47(2): 227–237, 2009.

[39] D. Su and K.-Y. Chan. “Compensating for Operational Uncertainty in Man- Machine Systems: A Case Study on Intelligent Vehicle Parking Assist”. ASCE- ASME Journal of Risk and Uncertainty in Engineering Systems, Part B: Me- chanical Engineering, 1(3), 2015.

[40] C. Munro, J. Jefferys, E. Gower, B. Muñoz, C. Lyketsos, L. Keay, K. Turano, K. Bandeen-Roche and S. West. “Predictors of Lane-Change Errors in Older Drivers”. Journal of the American Geriatrics Society, 58(3): 457–464, 2010.

[41] G. Fitch, S. Lee, S. Klauer, J. Hankey, J. Sudweeks and T. Dingus. “Analysis of Lane-Change Crashes and Near-Crashes”. US Department of Transportation, National Highway Traffic Safety Administration, 2009.

[42] S. Habenicht, H. Winner, S. Bone, F. Sasse and P. Korzenietz. “A Maneuver- Based Lane Change Assistance System”. In 2011 IEEE Intelligent Vehicles Symposium (IV), pages 375–380, 2011.

[43] J. Ding, R. Dang, J. Wang and K. Li. “Driver Lane Change Decision Analysis and Intention Recognition Algorithm”. Qinghua Daxue Xuebao/Journal of Tsinghua University, 55(7): 769–774, 2015.

[44] L. Li and F.-Y. Wang. “The Automated Lane-Changing Model of Intelligent Vehicle Highway Systems”. In Proceedings. The IEEE 5th International Con- ference on Intelligent Transportation Systems, pages 216–218, 2002.

[45] J. Peng, R. Fu and Y. Guo. “Real-Time Prediction of Lane-Changing Behaviors under Naturalistic Driving Conditions”. Harbin Gongye Daxue Xuebao/Journal of Harbin Institute of Technology, 47(9): 119–123, 2015.

[46] L.-H. Xu, S.-G. Hu, Q. Luo and Y. Zhou. “Lane-Changing Model Based on Different Types of Drivers”. Journal of South China University of Technology (Natural Science Edition), 42(8): 104–111, 2014.

[47] S. Lee, W. Wierwille and E. Olden. “A Comprehensive Examination of Natu- ralistic Lane Changes”. National Highway Traffic Safety Administration, 2004.

[48] TOYOTA. http://www.toyota.com.tw/, 2017.

[49] B.-Y. Shi, X.-G. Yang and X.-F. Yu. “Modeling and Simulation of Discretionary Lane-Change Considering the Combination with the Car-Following Model”.

Journal of Transport Science and Engineering, 25(4): 91–96, 2009.