无人驾驶车辆多目标决策控制方法、装置及计算机可读存储介质制造方法及图纸

本发明专利技术公开了一种无人驾驶车辆多目标决策控制方法、装置及计算机可读存储介质，包括以下步骤：将传感器能感知的区域划分为安全区和感兴趣区；判断感兴趣区内是否有车辆；若感兴趣区内有车辆，判断车辆是否有靠近趋势，以及车辆是否有压线；根据感兴趣区内是否有目标车辆、感兴趣区内的车辆是否有靠近趋势和是否有压线的情况，判断本车辆的危险等级，并输出场景标签；基于危险等级对本车的期望行为进行决策。本发明专利技术在现有无人驾驶应用领域的基础上增加了对多目标场景的理解，根据不同的场景激活对应的控制模块，使得无人驾驶车辆行为接近熟练驾驶员的行为，提高乘员的乘坐体验和车辆的行驶安全性。

Multiobjective Decision Control Method, Device and Computer Readable Storage Medium for Unmanned Vehicles

The invention discloses a multi-objective decision-making control method, device and computer readable storage medium for an unmanned vehicle, which includes the following steps: dividing the sensing area of the sensor into safety zone and region of interest; judging whether there is a vehicle in the region of interest; judging whether there is a vehicle in the region of interest, whether the vehicle is close to the trend, and whether the vehicle has a pressure line; and judging whether there is a vehicle in the region of interest; Whether there is a target vehicle in the area, whether the vehicle in the area of interest is close to the trend and whether there is pressure line, judge the danger level of the vehicle, and output the scene label; make a decision on the expected behavior of the vehicle based on the danger level. Based on the existing application field of unmanned driving, the invention adds the understanding of multi-objective scenarios, activates corresponding control modules according to different scenarios, makes the behavior of unmanned vehicles close to that of skilled drivers, and improves the passenger's riding experience and driving safety of vehicles.

【技术实现步骤摘要】
无人驾驶车辆多目标决策控制方法、装置及计算机可读存储介质
本专利技术属于无人驾驶车辆环境认知
，具体涉及一种无人驾驶车辆多目标决策控制方法、装置及计算机可读存储介质。
技术介绍
当前工程应用领域，无人驾驶车辆决策控制一般为基于单目标跟随的ACC，仅根据本车道内的一辆车的状态自适应调整本车的状态。这种算法的局限性在于仅能应用于较低等级的自动驾驶和较为简单的工况，例如车流量比较小的高速路工况。为了满足更高等级的自动驾驶，例如拥堵高速公路下的自动驾驶，车流量比较大，驾驶环境比较复杂，不确定性比较多，如果仅跟随前方目标车辆，乘员的实际体验较差，并且不能有效地减少或避免交通事故的发生。在学术研究领域，目前主要分为两个方向，一种是基于试验数据模型的危险等级评估，另外一种是基于长短时域的目标车辆轨迹预测。基于试验数据模型的危险等级评估有较多的局限性：第一，获取试验数据、提取特征参数、特种参数的聚类以及建立数据模型需要进行大量的试验，需要消耗较多的人力和物力；第二，提取特征数据时存在较大的不确定性，较难保证在不同的场景下均能在相同的时机提取出需要的数据；第三，使用此方法将场景与模型进行映射需要用到机器学习，现有的机器学习方法，例如支持向量机和决策树，目前尚无商用化的可行性方案。基于长短时域的目标车辆轨迹预测方法局限性也较多：第一，短时域预测一般基于车辆运动学模型，仅适用于短时间内的车辆轨迹预测，其预测误差随着预测时长的增加而增大；第二，长时域预测一般是基于行为认知模型，例如动态贝叶斯网络模型，动态贝叶斯网络涉及先验概率，此先验概率较难获取，因而应用前景另外，此模型的短时域预测精度较差。在长时域预测和短时域预测的基础上发展起来的综合时域预测模型，兼备长时域精度预测和短时域预测的优势，然而此方法的应用难度远比长时域预测和短时域预测高，实际应用前景受到限制。
技术实现思路
本专利技术旨在克服现有技术的问题，提供了一种无人驾驶车辆多目标决策控制方法、装置及计算机可读存储介质，在提高无人驾驶车辆乘坐体验和安全性的前提下，能兼顾实际应用的可行性。本专利技术所述的一种无人驾驶车辆多目标决策控制方法，包括以下步骤：将传感器能感知的区域划分为安全区和感兴趣区；判断感兴趣区内是否有车辆；若感兴趣区内有车辆，判断车辆是否有靠近趋势，以及车辆是否有压线；根据感兴趣区内是否有目标车辆、感兴趣区内的车辆是否有靠近趋势和是否有压线的情况，判断本车辆的危险等级，并输出场景标签；基于危险等级对本车的期望行为进行决策。进一步，传感器能感知区域根据如下规则定义：安全区：RT1车尾前方的本车道及其相邻车道内的区域；感兴趣区：本车的车头前方和RT1车尾后方之间的本车道及其相邻车道内的区域；其中：RT1是指本车道内与本车纵向距离最近的车辆。进一步，感兴趣区内是否有车辆，根据如下规则进行判断：判断RT3或RT4是否存在；若RT3存在且在感兴趣区内，或者RT4存在且在感兴趣区内，则感兴趣区内有车辆；其中：RT3是指本车的左侧相邻车道内与本车纵向距离最近的车辆；RT4是指本车的右侧相邻车道内与本车纵向距离最近的车辆。进一步，判断车辆是否有靠近趋势的方法为：当RT3存在且在感兴趣区内时，实时检测当前时刻RT3与本车的横向相对距离和横向车速，若在预设时间后RT3与本车的横向相对距离小于预设距离，则认为当前时刻的RT3有靠近趋势；当RT4存在且在感兴趣区内时，实时检测当前时刻RT4与本车的横向相对距离和横向车速，若在预设时间后RT4与本车的横向相对距离小于预设距离，则认为当前时刻的RT4有靠近趋势。进一步，判断车辆是否有压线的方法为：当车道线存在时，利用传感器输出的系数，得到本车道左侧和右侧的车道线方程；当车道线不存在时，利用本车的车速和横摆角速度近似计算车辆的转向半径，以此为依据得到车道线中心线方程，然后向左和向右偏移半个车道宽度，即得到本车道左侧和右侧的车道线方程；以目标车辆的尾部中心为基准点，用长度为Am、宽度为传感器检测到的实际宽度的长方形表示目标车辆，长方形的四个点的坐标即表示车辆的四个边缘点坐标；利用目标车辆边缘点坐标和车道线方程，判断车辆是否压线：若RT3在感兴趣区内，且至少有两个边缘点与车道线的横向偏移小于零，则RT3压线，反之，则RT3未压线；同理，若RT4在感兴趣区内，且至少有两个边缘点与车道线的横向偏移大于零，则RT4压线，反之，则RT4未压线。进一步，场景标签判断规则如下：（1）感兴趣区无车，即RT3或者RT4均不在感兴趣区内，则场景标签flag为0；（2）感兴趣区有2辆车，即RT3和RT4均在感兴趣区内，此时：A.若RT3和RT4均未压线，且均无靠近趋势，则场景标签flag为1；B.若RT3和RT4均未压线，且至少有一辆车有靠近趋势，则场景标签flag为2；C.若RT3或RT4压线了，则场景标签flag为3；此时，若一段时间内压线车辆并无靠近趋势，则场景标签flag跳转到2；D.若RT3和RT4均压线了，则场景标签flag为4；（3）感兴趣区有1辆车，即RT3或RT4在感兴趣区内，此时：A.若RT3在感兴趣区内，未压线，且无靠近趋势；或者若RT4在感兴趣区内，未压线，且无靠近趋势；则场景标签flag为1；B.若RT3在感兴趣区内，未压线，且有靠近趋势；或者若RT4在感兴趣区内，未压线，且有靠近趋势；则场景标签flag为2；C.若RT3在感兴趣区内，且压线；或者若RT4在感兴趣区内，且压线；则场景标签flag为3；此时，若一段时间内RT3或RT4无靠近趋势，则场景标签flag跳转到2。进一步，基于危险等级对本车的期望行为进行决策，具体如下：（1）若flag为0，则以RT1为跟车目标，基于标准的跟车时距，进行自适应巡航算法的设计；（2）若flag为1，则以RT1为跟车目标，基于标准的跟车时距，进行自适应巡航算法的设计，但需对加速度峰值作出限制；（3）若flag为2，则以RT1为跟车目标，先丢油门，并基于较大的跟车时距，进行自适应巡航算法的设计，同时对加速度峰值作出限制；（4）若flag为3，则以压线车辆为跟车目标，在保持安全距离的前提下，平滑减速至与跟车目标相同的车速，且在达到此车速时恢复较大的跟车时距；此时，若压线车辆无靠近趋势，则以RT1为跟车目标，基于较大的跟车时距，进行自适应巡航算法的设计，同时对加速度峰值作出限制；（5）若flag为4，则以较危险的压线车辆为跟车目标，在保持安全距离的前提下，平滑减速至与跟车目标相同的车速，且在达到此车速时恢复较大的跟车时距；此时，若压线车辆无靠近趋势，则以靠得最近的压线车辆为跟车目标，基于较大的跟车时距，进行自适应巡航算法的设计，同时对加速度峰值作出限制；其中，较危险的压线车辆是指预碰撞时间较小的车辆。进一步，为避免场景标签频繁跳转，对场景进行保持处理，处理规则如下：（1）若被触发的场景标签比当前时刻的场景标签大，即下一时刻的场景比当前时刻危险，判断当前时刻的场景是否被保持了第一预定时间，若未保持到第一预定时间，则保持到第一预定时间之后跳转到被触发的场景标签，若保持时间超过了第一预定时间，则立即跳转到下一个时刻的场景标签；（2）若被触发的场景标签比当前时刻的场景标签小，即下一时刻的场景比当前时刻安全，判本文档来自技高网...

【技术保护点】
1.一种无人驾驶车辆多目标决策控制方法，其特征在于，包括以下步骤：将传感器能感知的区域划分为安全区和感兴趣区；判断感兴趣区内是否有车辆；若感兴趣区内有车辆，判断车辆是否有靠近趋势，以及车辆是否有压线；根据感兴趣区内是否有目标车辆、感兴趣区内的车辆是否有靠近趋势和是否有压线的情况，判断本车辆的危险等级，并输出场景标签；基于危险等级对本车的期望行为进行决策。

【技术特征摘要】
1.一种无人驾驶车辆多目标决策控制方法，其特征在于，包括以下步骤：将传感器能感知的区域划分为安全区和感兴趣区；判断感兴趣区内是否有车辆；若感兴趣区内有车辆，判断车辆是否有靠近趋势，以及车辆是否有压线；根据感兴趣区内是否有目标车辆、感兴趣区内的车辆是否有靠近趋势和是否有压线的情况，判断本车辆的危险等级，并输出场景标签；基于危险等级对本车的期望行为进行决策。2.根据权利要求1所述的无人驾驶车辆多目标决策控制方法，其特征在于：传感器能感知区域根据如下规则定义：安全区：RT1车尾前方的本车道及其相邻车道内的区域；感兴趣区：本车的车头前方和RT1车尾后方之间的本车道及其相邻车道内的区域；其中：RT1是指本车道内与本车纵向距离最近的车辆。3.根据权利要求1或2所述的无人驾驶车辆多目标决策控制方法，其特征在于：感兴趣区内是否有车辆，根据如下规则进行判断：判断RT3或RT4是否存在；若RT3存在且在感兴趣区内，或者RT4存在且在感兴趣区内，则感兴趣区内有车辆；其中：RT3是指本车的左侧相邻车道内与本车纵向距离最近的车辆；RT4是指本车的右侧相邻车道内与本车纵向距离最近的车辆。4.根据权利要求3所述的无人驾驶车辆多目标决策控制方法，其特征在于：判断车辆是否有靠近趋势的方法为：当RT3存在且在感兴趣区内时，实时检测当前时刻RT3与本车的横向相对距离和横向车速，若在预设时间后RT3与本车的横向相对距离小于预设距离，则认为当前时刻的RT3有靠近趋势；当RT4存在且在感兴趣区内时，实时检测当前时刻RT4与本车的横向相对距离和横向车速，若在预设时间后RT4与本车的横向相对距离小于预设距离，则认为当前时刻的RT4有靠近趋势。5.根据权利要求4所述的无人驾驶车辆多目标决策控制方法，其特征在于：判断车辆是否有压线的方法为：当车道线存在时，利用传感器输出的系数，得到本车道左侧和右侧的车道线方程；当车道线不存在时，利用本车的车速和横摆角速度近似计算车辆的转向半径，以此为依据得到车道线中心线方程，然后向左和向右偏移半个车道宽度，即得到本车道左侧和右侧的车道线方程；以目标车辆的尾部中心为基准点，用长度为Am、宽度为传感器检测到的实际宽度的长方形表示目标车辆，长方形的四个点的坐标即表示车辆的四个边缘点坐标；利用目标车辆边缘点坐标和车道线方程，判断车辆是否压线：若RT3在感兴趣区内，且至少有两个边缘点与车道线的横向偏移小于零，则RT3压线，反之，则RT3未压线；同理，若RT4在感兴趣区内，且至少有两个边缘点与车道线的横向偏移大于零，则RT4压线，反之，则RT4未压线。6.根据权利要求5所述的无人驾驶车辆多目标决策控制方法，其特征在于：场景标签判断规则如下：（1）感兴趣区无车，即RT3或者RT4均不在感兴趣区内，则场景标签flag为0；（2）感兴趣区有2辆车，即RT3和RT4均在感兴趣区内，此时：A.若RT3和RT4均未压线，且均无靠近趋势，则场景标签flag为1；B.若RT3和RT4均未压线，且至少有一辆车有靠近趋势，则场景标签flag为2；C.若RT3或RT4压线了，则场景标签flag为3；此时，若一段时间内压线车辆并无靠近趋势，则场景标签flag...

【专利技术属性】
技术研发人员：邱利宏，游虹，冯荣，丁可，孔周维，
申请(专利权)人：重庆长安汽车股份有限公司，
类型：发明
国别省市：重庆,50