1.一种基于DRF模型与自适应预瞄的无人车类人驾驶换道方法，其特征在于，包括：车辆对周围环境进行感知，得到感知信息；获取驾驶员感知信息和驾驶员行为的不确定性，并构建驾驶员风险场模型；将感知信息输入到驾驶员风险场模型中，得到行车风险量化值；基于车辆的运动学和二自由度动力学模型建立自适应预瞄方法，采用自适应预瞄方法设置待优化的评价函数，根据待优化的评价函数提取最优预瞄时间；构建类人换道决策模型，根据历史感知信息计算感知风险阈值，将计算出的行车风险量化值与感知风险阈值进行对比，根据对比结果和最优预瞄时间采用类人换道决策模型对无人车进行类人换道。

2.根据权利要求1所述的一种基于DRF模型与自适应预瞄的无人车类人驾驶换道方法，其特征在于，车辆对周围环境进行感知包括：采用传感器对环境信息进行感知，其中感知信息包括周围车辆信息和环境信息，环境信息包括道路边界信息和周围道路植被位置信息；

根据感知信息构建代价地图。

3.根据权利要求1所述的一种基于DRF模型与自适应预瞄的无人车类人驾驶换道方法，其特征在于，驾驶员风险场模型的表达式为：其中，z(x,y)表示驾驶员风险场模型，p表示高斯抛物线陡度，(xc,yc)为上一时刻车辆旋转中心，Rcar为车辆旋转半径，s表示旋转弧长，v为车辆瞬时速度，tla为驾驶员前视时间，v·tla表征前视距离，σ表示高斯截面的抛物线宽度。

4.根据权利要求3所述的一种基于DRF模型与自适应预瞄的无人车类人驾驶换道方法，其特征在于，高斯截面的抛物线宽度的表达式为：σ(s)＝(m+ki|δ|)s+c

其中，ki表示转向时场内外边缘变化参数，i＝1表示内边缘，i＝2表示外边缘；m为直行时场变化的斜率；c表征车辆所在位置场宽。

5.根据权利要求1所述的一种基于DRF模型与自适应预瞄的无人车类人驾驶换道方法，其特征在于，建立无人车自适应预瞄方法的过程包括：建立车辆运动学模型，并对模型的参数进行更新；根据更新后的参数对运动学模型进行更新；根据新的运动学模型更新下一时刻车辆运动状态；建立车辆二自由度动力学模型，并对模型参数进行更新；根据更新后的模型参数建立预瞄时间拟人化评价函数，其中预瞄时间拟人化评价函数的表达式为：其中，α1为驾驶准确风格系数，α2为驾驶舒适风格系数；JE为基于横向误差的评价函数，为基于侧向加速度的评价函数。

6.根据权利要求5所述的一种基于DRF模型与自适应预瞄的无人车类人驾驶换道方法，其特征在于，对车辆二自由度动力学模型进行参数更新的公式为：其中，u表示车辆纵向速度；vlat表示车辆侧向速度；Iz表示绕z轴的转动惯量；k1、k2表示前、后轮胎的侧偏刚度；lf、lr表示前、后轴到质心的距离；L为车辆轴距；isw为车辆转动系传动比；ay为侧向加速度。

7.根据权利要求1所述的一种基于DRF模型与自适应预瞄的无人车类人驾驶换道方法，其特征在于，采用类人换道决策模型对无人车进行类人换道的过程包括：将量化的行车风险Ck与风险阈值Ct进行对比，将当前速度与期望速度进行对比，根据对比结果构建决策树；

根据决策树第无人车进行类人换道；决策树包括：

当Ck＜Ct且vk＜vdes或者Ck＜Ct且vk＞vdes时，获取最优预瞄时间下道路航向角和车辆航向角以及；根据最优预瞄时间下道路航向角和车辆航向角对当前无人车的转向角进行更新；根据当前无人车的速度和期望速度预测下一时间段无人车的速度；根据更新后的转向角和下一时间段无人车的速度控制无人车换道；对当前无人车的转向角进行更新和预测下一时间段无人车速度的公式为：δk+1＝δk+kφ(φr‑φcar)

vk+1＝vk+kv(vdes‑vk)

当Ck＞Ct且vk＜vdes时，根据当前的行车风险和行车速度获取最优的无人车转向角，并预测下一时间段无人车速度，其中当Ck+1＜Ct或最小化Ck+1时，为最优无人车转向角；根据最优的转向角和下一时间段无人车的速度控制无人车换道；下一时间段无人车速度的预测公式为：vk+1＝vk+kv(vdes‑vk)

Ck＞Ct且vk＞vdes时，根据当前的行车风险和行车速度获取最优的无人车转向角，并预测下一时间段无人车速度，其中当Ck+1最小化时，为最优无人车转向角；根据最优的转向角和下一时间段无人车的速度控制无人车换道；下一时间段无人车速度的预测公式为：vk+1＝vk+kvc(Ct‑Ck)+kv(vdes‑vk)

其中， 为预瞄时间tla秒后道路的航向角， 为预瞄时间tla秒后车辆的航向角，vdes为期望速度，kφ为航向控制的增益。

8.一种基于DRF模型与自适应预瞄的无人车类人驾驶换道系统，其特征在于该系统包括：数据获取模块、行车风险评估模块、自适应预瞄模块以及类人决策模块；

所述数据获取模块用于获取车辆的环境信息，其中感知信息包括障碍物信息和环境信息，其中障碍物信息包括周围车辆信息；环境信息包括道路边界信息和周围道路植被位置信息；

所述行车风险评估模块用于计算当前车辆量化风险，即根据数据获取模块获取的信息构建驾驶员风险场模型，并根据驾驶员风险场计算驾驶员行车量化风险；

所述自适应预瞄模块通过预瞄时间评价函数计算当前最优预瞄时间，并根据预瞄时间更新车辆下一时刻状态；

所述类人决策模块根据行车风险量化值、当前速度、期望速度、风险阈值对车辆进行类人决策换道。