一种非保守型智能汽车决策规划一体化方法技术

本发明专利技术涉及一种复杂异质环境下的非保守型智能汽车决策规划一体化方法，包括以下步骤：离线构建社会互动知识学习模型并进行训练；实时在线获取周围交通参与者状态数据和智能汽车状态数据，并进行拼接处理后得到环境状态；以环境状态作为训练完成的社会互动知识学习模型的输入，得到包括智能汽车在内的所有交通参与者的预测轨迹；基于预测轨迹更新环境状态；将更新环境状态重新输入社会互动知识学习模型，迭代完成智能汽车轨迹决策规划，其中，智能汽车的规划轨迹为每次迭代得到的预测轨迹第一点的拼接结果。与现有技术相比，本发明专利技术具有考虑了社会互动的预测对轨迹的影响、决策规划一体化等优点。划一体化等优点。划一体化等优点。

【技术实现步骤摘要】
一种非保守型智能汽车决策规划一体化方法


[0001]本专利技术涉及智能汽车轨迹规划领域，尤其是涉及一种复杂异质环境下的非保守型智能汽车决策规划一体化方法。

技术介绍

[0002]随着智能汽车的发展以及人们对快捷且安全的出行方式的向往。由于现阶段的过于安全的智能驾驶汽车在复杂异质环境中的决策过于保守，导致智能汽车被周围行人和自行车频繁干预而通行效率低下。因此，一种具备专业驾驶员驾驶特性的非保守型智能汽车是提高智能汽车是提高智能汽车的使用率和舒适度的手段之一。
[0003]为实现智能汽车快速且安全的到达目的地，现有的主流架构是先进行动作决策再进行轨迹规划。其中动作决策是决定智能汽车通行效率的主要因数。由于动态贝叶斯网络具有与人类驾驶员决策过程的相同架构，具有良好的扩展性和解释性，因此被广泛使用。并且在公路中智能汽车换道决策中取得了较好的成绩。与之相似的还有深度学习算法。但都面临着由于复杂异质环境中环境信息量众多且数量变化的挑战，这会使得决策模型难易收敛或者覆盖面不全的问题。导致了现有的决策模型在复杂异质环境中的推广困难。除此之外，由于采用先进行动作决策再进行轨迹规划的架构，使得规划的未来轨迹依托于当前的交通参与者信息，而忽略了社会互动的预测对未来轨迹的影响。这使得规划的轨迹偏于保守，让智能汽车规划了不必要的减速行为甚至是急减速。这大弧度降低了智能汽车的舒适度和通行效率。
[0004]基于模型预测决策规划一体化架构也被研究者提出，但其目的是避免错误的决策导致规划的轨迹不可行，这并不能实现对未来社会互动预测以提高通行效率的问题。除此之外，依然面临着上述决策模型的由于复杂异质环境中环境信息量众多且数量变化的挑战。

技术实现思路

[0005]本专利技术的目的就是为了提供一种复杂异质环境下的非保守型智能汽车决策规划一体化方法，可以适应复杂异质环境，深度解析社会互动并预测，提高汽车通行效率，并避免错误决策导致规划的轨迹不可行。
[0006]本专利技术的目的可以通过以下技术方案来实现：
[0007]一种复杂异质环境下的非保守型智能汽车决策规划一体化方法，包括以下步骤：
[0008]离线构建社会互动知识学习模型并进行训练，所述社会互动知识学习模型的输入为交通参与者的位置、速度、加速度和类别信息，输出为不同交通参与者的预测轨迹；
[0009]实时在线获取周围交通参与者状态数据和智能汽车状态数据，并进行拼接处理后得到环境状态，所述环境状态包括所有交通参与者的位置、速度、加速度和类别信息；
[0010]以环境状态作为训练完成的社会互动知识学习模型的输入，得到包括智能汽车在内的所有交通参与者的预测轨迹；
[0011]基于预测轨迹更新环境状态；
[0012]将更新环境状态重新输入社会互动知识学习模型，迭代完成智能汽车轨迹决策规划，其中，智能汽车的规划轨迹为每次迭代得到的预测轨迹第一点的拼接结果。
[0013]所述社会互动知识学习模型包括编码部分和解码部分，所述编码部分基于交通参与者的位置、速度、加速度和类别信息分别构建引入专家经验的位置图、速度图、加速度图和类别图，并基于四个平行的空间关系捕捉网络与时间依赖关系捕捉网络分别对位置图、速度图、加速度图和类别图进行拓扑结构关系和时间依赖关系捕捉，得到位置隐状态、速度隐状态、加速度隐状态和类别隐状态；所述解码部分分别对位置隐状态、速度隐状态、加速度隐状态和类别隐状态进行解码，并基于预测轨迹与实际轨迹的差更新模型参数，得到不同交通参与者的未来轨迹预测结果。
[0014]所述位置图的构建方法为：
[0015]G
P
＝(U
P
，E
P
)
[0016][0017][0018][0019]式中：G
P
代表位置图；U
P
为位置图的节点，用交通参与者的位置表示；E
P
为位置图的边，表示由于相对位置影响下的互动关系；表示交通参与者i与交通参与者j之间的相对位置向量；是引入的相对位置关系的专家经验修正系数；是交通参与者i的速度向量，表示他的视场角中心线方向。
[0020]所述速度图的构建方法为：
[0021]G
V
＝(U
V
，E
V
)
[0022][0023][0024][0025]式中：G
V
代表速度图；U
V
为速度图的节点，用交通参与者的速度表示；E
V
为速度图的边，表示由于相对速度影响下的互动关系；是引入的相对速度关系的专家经验修正系数；表示交通参与者i与交通参与者j之间的相对位置向量；表示交通参与者i与交通参与者j之间的相对位置向量；分别是交通参与者i、j的速度向量。
[0026]所述加速度图的构建方法为：
[0027]G
A
＝(U
A
，E
A
)
[0028][0029][0030][0031]式中：G
A
代表加速度图；U
A
为加速度图的节点，用交通参与者的加速度表示；E
A
为加速度图的边，表示由于相对加速度影响下的互动关系；是引入的相对加速度关系的专家经验修正系数；是交通参与者i的加速度向量；是交通参与者j的加速度向量；表示交通参与者i与交通参与者j之间的相对位置向量。
[0032]所述类别图的构建方法为：
[0033]G
C
＝(U
C
，E
C
)
[0034][0035][0036][0037]式中：G
C
代表类别图；U
C
为类别图的节点，代表交通参与者危险系数，c∈[1，2，3]分别对应行人、自行车和汽车；E
C
为类别图的边，代表危险度；表示交通代理类别相关的专家经验修正系数；是交通参与者i的速度向量，是交通参与者j的速度向量；表示交通参与者i与交通参与者j之间的相对位置向量。
[0038]所述空间关系捕捉网络采用图卷积神经网络。
[0039]所述时间依赖关系捕捉网络为时间卷积网络、长短期神经网络、循环式神经网络或门控神经网络。
[0040]所述基于预测轨迹更新环境状态具体为：剔除所有交通参与者的历史轨迹中的第一点，并将剔除后的历史轨迹与预测轨迹的第一点进行拼接，更新环境状态。
[0041]所述周围交通参与者状态数据来源于智能汽车上安装的车载传感器。
[0042]与现有技术相比，本专利技术具有以下有益效果：
[0043](1)针对社会互动知识学习部分，本专利技术采用的是基于多层有向图卷积神经的编码解码架构，其中，编码部分包含位置图、速度图、加速度图和类别图四部分组成，它使得社会互动知识学习模型能够学习从多个信息中挑选干扰特征、从多互动交通参与者中挑选干扰邻近以及考虑不同交通参与者的差异化社会属性的能力本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种复杂异质环境下的非保守型智能汽车决策规划一体化方法，其特征在于，包括以下步骤：离线构建社会互动知识学习模型并进行训练，所述社会互动知识学习模型的输入为交通参与者的位置、速度、加速度和类别信息，输出为不同交通参与者的预测轨迹；实时在线获取周围交通参与者状态数据和智能汽车状态数据，并进行拼接处理后得到环境状态，所述环境状态包括所有交通参与者的位置、速度、加速度和类别信息；以环境状态作为训练完成的社会互动知识学习模型的输入，得到包括智能汽车在内的所有交通参与者的预测轨迹；基于预测轨迹更新环境状态；将更新环境状态重新输入社会互动知识学习模型，迭代完成智能汽车轨迹决策规划，其中，智能汽车的规划轨迹为每次迭代得到的预测轨迹第一点的拼接结果。2.根据权利要求1所述的一种复杂异质环境下的非保守型智能汽车决策规划一体化方法，其特征在于，所述社会互动知识学习模型包括编码部分和解码部分，所述编码部分基于交通参与者的位置、速度、加速度和类别信息分别构建引入专家经验的位置图、速度图、加速度图和类别图，并基于四个平行的空间关系捕捉网络与时间依赖关系捕捉网络分别对位置图、速度图、加速度图和类别图进行拓扑结构关系和时间依赖关系捕捉，得到位置隐状态、速度隐状态、加速度隐状态和类别隐状态；所述解码部分分别对位置隐状态、速度隐状态、加速度隐状态和类别隐状态进行解码，并基于预测轨迹与实际轨迹的差更新模型参数，得到不同交通参与者的未来轨迹预测结果。3.根据权利要求2所述的一种复杂异质环境下的非保守型智能汽车决策规划一体化方法，其特征在于，所述位置图的构建方法为：G
P
＝(U
P
，E
P
)))式中：G
P
代表位置图；U
P
为位置图的节点，用交通参与者的位置表示；E
P
为位置图的边，表示由于相对位置影响下的互动关系；表示交通参与者i与交通参与者j之间的相对位置向量；是引入的相对位置关系的专家经验修正系数；是交通参与者i的速度向量，表示他的视场角中心线方向。4.根据权利要求2所述的一种复杂异质环境下的非保守型智能汽车决策规划一体化方法，其特征在于，所述速度图的构建方法为：G
V
＝(U
V
，E
V
)
式中：G
V
代表速度图；U
V
为速度图的节点，用交通参与者的速度表示...

【专利技术属性】
技术研发人员：孟强，陈虹，张琳，余荣杰，洪金龙，
申请(专利权)人：同济大学，
类型：发明
国别省市：