一种基于深度学习的大型营运车辆车道变换决策方法技术

本发明专利技术公开了一种基于深度学习的大型营运车辆车道变换决策方法。首先，定义车道变换决策方法适用的营运车辆运动场景。其次，将车道变换决策问题描述为马尔科夫决策过程，利用软演员评论家算法建立大型营运车辆的车道变换决策模型，得到不同交通环境和行驶工况下的变道决策策略。本发明专利技术提出的决策方法，能够为驾驶员提供是否变道、何时变道等安全驾驶策略，实现了准确、有效的大型营运车辆车道变换驾驶决策，具备同时保障大型营运车辆防侧翻和防碰撞的能力，可以有效保障大型营运车辆变道过程中的行车安全。过程中的行车安全。过程中的行车安全。

【技术实现步骤摘要】
一种基于深度学习的大型营运车辆车道变换决策方法


[0001]本专利技术涉及车辆驾驶控制技术，尤其是涉及一种大型营运车辆车道变换决策方法，属于汽车安全


技术介绍

[0002]大型营运车辆作为道路运输的主要承担者，其安全状况直接影响道路运输安全。大型营运车辆具有运营强度大、运行时间长，运行环境复杂等特点，在运输过程中更容易发生交通事故。
[0003]车道变换是行车过程中最常见也是最危险的驾驶行为之一，由其导致的碰撞等事故占比较高。车道变换驾驶决策是主动安全防控的重要一环，为了有效减少因车道变换导致的交通事故，需要在车道变换过程中，确定合理的安全驾驶决策策略。因此，研究大型营运车辆在车道变换过程中的驾驶决策，对于保障车辆运行安全、提高公路安全通行能力具有重要意义。
[0004]目前，已有较多文献、专利对车道变换驾驶决策进行了研究，研究对象主要为普通乘用车辆，部分文献针对出租车等小型营运车辆的变道行为进行了研究，但缺乏面向大型营运车辆变道决策的针对性研究。不同于普通乘用车辆和小型营运车辆，大型、特大型客车、半挂车等大型营运车辆本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的大型营运车辆车道变换决策方法，其特征在于，包括如下步骤：步骤一：定义车道变换决策方法适用的营运车辆运动场景至少有3条车道，大型营运车辆执行车道变换时刻，在目标车道存在着交通参与者；步骤二：建立营运车辆车道变换决策模型采用软演员评论家算法构建车道变换决策模型，具体包括以下3个子步骤：子步骤1：定义车道变换决策模型的参数对车道变换决策模型的基础参数进行定义，包括状态空间、动作空间以及对应的奖励函数：(1)状态空间式中，S
t
表示t时刻的状态空间，P
lon
,P
lat
分别表示大型营运车辆的纵向位置和横向位置，v
lon
,v
lat
分别表示大型营运车辆的纵向速度和横向速度，a
lon
,a
lat
分别表示大型营运车辆的纵向加速度和侧向加速度，分别表示大型营运车辆与第i辆车的相对纵向距离和相对横向距离，分别表示大型营运车辆与第i辆车的相对速度和相对加速度，i＝1,2,3,4,5,6，表示当前车道和目标车道的交通参与者；(2)动作空间A
t
＝[A
lat
,A
lon
]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)式中，A
t
表示t时刻的动作空间，A
lat
,A
lon
分别表示输出的横向动作和纵向动作，且A
lat
＝[A1,A2,A3]，A
lon
＝[A4,A5]，A1,A2,A3分别表示大型营运车辆选择左侧车道为目标车道、选择当前车道为目标车道、选择右侧车道为目标车道的横向动作，A4,A5分别表示大型营运车辆选择跟随当前车道的前车、选择跟随换道车道的前车的纵向动作；(3)奖励函数R
t
＝R1(t)+R2(t)+R3(t)+R4(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)式中，R
t
为t时刻的奖励函数，R1(t),R2(t),R3(t),R4(t)分别表示t时刻的防碰撞奖励函数、防侧翻奖励函数、稳定性奖励函数和惩罚函数；子步骤2：设计车道变换决策模型的网络架构利用多个全连接层结构的神经网络建立策略网络和值函数网络：(1)策略网络首先，对大型营运车辆的自身运动状态量[P
lon
,P
lat
,v
lon
,v
lat
,a
lon
,a
lat
]进行归一化，并依次输入到全连接层H1、全连接层H2和全连接层H3，得到输出O1；其次，对大型营...

【专利技术属性】
技术研发人员：周炜，董轩，张学文，胡玮明，
申请(专利权)人：交通运输部公路科学研究所，
类型：发明
国别省市：