A human-like trajectory could give a safe and comfortable feeling for the occupants in an autonomous vehicle especially in corners. The research of this paper focuses on planning a human-like trajectory along a section road on a test track using optimal control method that could reflect natural driving behaviour considering the sense of natural and comfortable for the passengers, which could improve the acceptability of driverless vehicles in the future. A mass point vehicle dynamic model is modelled in the curvilinear coordinate system, then an optimal trajectory is generated by using an optimal control method. The optimal control problem is formulated and then solved by using the Matlab tool GPOPS-II. Trials are carried out on a test track, and the tested data are collected and processed, then the trajectory data in different corners are obtained. Different TLCs calculations are derived and applied to different track sections. After that, the human driver’s trajectories and the optimal line are compared to see the correlation using TLC methods. The results show that the optimal trajectory shows a similar trend with human’s trajectories to some extent when driving through a corner although it is not so perfectly aligned with the tested trajectories, which could conform with people’s driving intuition and improve the occupants’ comfort when driving in a corner. This could improve the acceptability of AVs in the automotive market in the future. The driver tends to move to the outside of the lane gradually after passing the apex when driving in corners on the road with hard-lines on both sides.

类似人的轨迹可以为自动驾驶汽车中的乘员提供安全舒适的感觉，尤其是在弯道中。本文的研究侧重于使用最优控制方法在测试轨道上沿人行道规划类似人的轨迹，该方法可以考虑到乘客的自然舒适感，从而反映自然的驾驶行为，从而可以提高无人驾驶车辆的可接受性将来。在曲线坐标系中对质点车辆动力学模型进行建模，然后采用最优控制方法生成最优轨迹。制定了最优控制问题，然后使用Matlab工具GPOPS-II解决了该问题。在测试轨道上进行测试，并收集和处理测试数据，然后获得不同角落的轨迹数据。得出了不同的TLC计算，并将其应用于不同的轨道部分。之后，使用TLC方法比较驾驶员的轨迹和最佳路线，以查看相关性。结果表明，最佳行驶轨迹与人的行驶轨迹在一定程度上具有相似的趋势，尽管它与测试轨迹并不完全吻合，这可能符合人们的驾驶直觉，并提高了驾车时乘员的舒适度。一个角落。将来，这可能会提高AV在汽车市场中的接受度。在两侧都带有硬线的道路拐角处行驶时，驾驶员往往会在经过顶点之后逐渐移至车道外侧。得出了不同的TLC计算，并将其应用于不同的轨道部分。之后，使用TLC方法比较驾驶员的轨迹和最佳路线，以查看相关性。结果表明，最佳行驶轨迹与人的行驶轨迹在一定程度上具有相似的趋势，尽管它与测试轨迹并不完全吻合，这可能符合人们的驾驶直觉，并提高了驾车时乘员的舒适度。一个角落。将来，这可能会提高AV在汽车市场中的接受度。在两侧都带有硬线的道路拐角处行驶时，驾驶员往往会在经过顶点之后逐渐移至车道外侧。得出了不同的TLC计算，并将其应用于不同的轨道部分。之后，使用TLC方法比较驾驶员的轨迹和最佳路线，以查看相关性。结果表明，最佳行驶轨迹与人的行驶轨迹在一定程度上具有相似的趋势，尽管它与测试轨迹并不完全吻合，这可能符合人们的驾驶直觉，并提高了驾车时乘员的舒适度。一个角落。将来，这可能会提高AV在汽车市场中的接受度。在两侧都带有硬线的道路拐角处行驶时，驾驶员往往会在经过顶点之后逐渐移至车道外侧。使用TLC方法比较驾驶员的轨迹和最佳路线，以查看相关性。结果表明，最佳行驶轨迹与人的行驶轨迹在一定程度上具有相似的趋势，尽管它与测试轨迹并不完全吻合，这可能符合人们的驾驶直觉，并提高了驾车时乘员的舒适度。一个角落。将来，这可能会提高AV在汽车市场中的接受度。在两侧都带有硬线的道路拐角处行驶时，驾驶员往往会在经过顶点之后逐渐移至车道外侧。使用TLC方法比较驾驶员的轨迹和最佳路线，以查看相关性。结果表明，最佳行驶轨迹与人的行驶轨迹在一定程度上具有相似的趋势，尽管它与测试轨迹并不完全吻合，这可能符合人们的驾驶直觉，并提高了驾车时乘员的舒适度。一个角落。将来，这可能会提高AV在汽车市场中的接受度。在两侧都带有硬线的道路拐角处行驶时，驾驶员往往会在经过顶点之后逐渐移至车道外侧。结果表明，最佳行驶轨迹与人的行驶轨迹在一定程度上具有相似的趋势，尽管它与测试轨迹并不完全吻合，这可能符合人们的驾驶直觉，并提高了驾车时乘员的舒适度。一个角落。将来，这可能会提高AV在汽车市场中的接受度。在两侧都带有硬线的道路拐角处行驶时，驾驶员往往会在经过顶点之后逐渐移至车道外侧。结果表明，最佳行驶轨迹与人的行驶轨迹在一定程度上具有相似的趋势，尽管它与测试轨迹并不完全吻合，这可能符合人们的驾驶直觉，并提高了驾车时乘员的舒适度。一个角落。将来，这可能会提高AV在汽车市场中的接受度。在两侧都带有硬线的道路拐角处行驶时，驾驶员往往会在经过顶点之后逐渐移至车道外侧。