面向智能驾驶汽车决策规划的复杂交通网络中关键车辆识别方法及车用设备技术

本发明专利技术公开了面向智能驾驶汽车决策规划的复杂交通网络中关键车辆识别方法及车用设备，利用复杂网络理论对自动驾驶车辆及其周边复杂环境建模，构成自车的复杂网络，然后通过基于注意力机制的图神经网络(GNN)即图注意力网络(GAT)对周边车辆与自车关系进行重要性排序，识别车辆关键节点，将自动驾驶汽车对安全性具有重要影响的关键车辆识别问题转化为复杂网络中关键节点的重要性识别问题。并且通过图注意力网络对自动驾驶汽车构成的复杂网络进行识别异常节点即节点对自车的威胁突然变大，防止异常节点对车辆动态复杂网络造成影响，保护车辆安全。保护车辆安全。保护车辆安全。

【技术实现步骤摘要】
面向智能驾驶汽车决策规划的复杂交通网络中关键车辆识别方法及车用设备


[0001]本专利技术属于智能驾驶领域，具体的为一种融合复杂网络和基于注意力机制的图神经网络的智能车辆对安全性具有重要影响的关键车辆识别方法及车用设备。

技术介绍

[0002]随着自动驾驶汽车的发展普及并上路使用，道路上自动驾驶汽车与普通车辆将有很长一段时间处于这种车辆混行并存的状态，同时随着自动驾驶车辆的市场渗透率的不断提升，对现有的道路交通流也必将会产生重大的影响。相比于人工驾驶车辆，自动驾驶车辆对混行交通流的影响较小，也就是路权更小的情况下如何在复杂的混合交通环境中进行智能决策就显得十分重要，将人类驾驶的行为决策用于自动驾驶决策中，通过确定车辆自身运动重点交互对象也就是寻找关键车辆至关重要，这是进行有效决策的第一步。
[0003]复杂网络是一种高度复杂性的网络，是复杂系统的抽象，一般具有自组织，自相似，小世界，无标度等性质，而自动驾驶汽车是一个集合感知、决策、控制的综合系统。自动驾驶汽车面对的是一个复杂的系统，他自身的运动受到复杂环境及周边个体的影响，所以对于自动本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.面向智能驾驶汽车决策规划的复杂交通网络中关键车辆识别方法，其特征在于，包括：步骤1：利用复杂网络理论对自动驾驶汽车主体运动时以自身为主节点对驾驶环境进行动态建模；步骤2：利用基于注意力机制的图神经网络对输入层的特征向量进行聚合，对驾驶特征信息进行参数化，并通过多头注意力机制赋权，得出注意力参数，得出节点的重要性；步骤3：通过图注意力网络对自动驾驶汽车构成的复杂网络识别异常节点；利用图嵌入的方式，引入图注意力机制，通过捕获车辆之间的通信关系来分析异常行为，即利用图注意力机制来检测车辆的异常行为，利用车辆节点驾驶特征信息的改变来分析对于自车安全性的影响，出现异常即可将该节点进行更新学习，重新进行重要性确认；步骤4：在经过图注意力网络对于节点的学习处理，并且判断出异常节点，经过归一化之后，输出车辆节点特征v
′
j
通过图神经网络的连接层，得到网络中节点的差异，从而进行节点重要性排序，最终得到关键车辆节点。2.根据权利要求1所述的面向智能驾驶汽车决策规划的复杂交通网络中关键车辆识别方法，其特征在于，所述步骤1的具体实现包括：步骤1.1：基于复杂网络理论对自车和道路上的其他车辆视作复杂网络节点，道路为边构成包括周围邻居车辆节点的复杂网络模型，生成车辆动态复杂网络：G＝(V,B,W,P)其中G是时变复杂动态网络，V是时变复杂动态网络G中节点集合，B是时变复杂动态网络G中边的集合，表示节点之间的连线，W是时变复杂动态网络G中节点的权重，P为复杂动态网络G中边的函数，表示节点间的关系。步骤1.2：将复杂网络中的自车视为主节点，连接主节点和周边三阶以内的邻居节点，对自车邻居节点的驾驶特征信息进行收集，由驾驶特征信息构建对应的三自由度驾驶特征信息特征向量，以此构成图神经网络的输入层，通过图神经网络来处理复杂网络节点的特征向量。3.根据权利要求2所述的面向智能驾驶汽车决策规划的复杂交通网络中关键车辆识别方法，其特征在于，所述驾驶特征信息主要包括两车的之间的路径长度d
ij
，速度a和加速度a
+
。4.根据权利要求3所述的面向智能驾驶汽车决策规划的复杂交通网络中关键车辆识别方法，其特征在于，所述构建的驾驶特征信息特征向量为：v
j
＝(d
ij
,a,a
+
)其中d
ij
表示两节点的之间的路径长度，a为节点速度，a
+
为节点加速度。5.根据权利要求1或4所述的面向智能驾驶汽车决策规划的复杂交通网络中关键车辆识别方法，其特征在于，所述步骤2的具体实现包括：步骤2.1：利用图神经网络对收集的复杂网络节点特征信息进行汇集，构成一组节点特征，则有：v＝{v1,v2,
…
,v
n
},v
j
∈B
F
其中n为节点数，F为每个节点的特征数，v为车辆邻居节点的特征集合；步骤2.2：利用图注意力网络对车辆主节点和邻居节点进行映射，由一个权重矩阵W∈B
F
将各个车辆节点特征进行参数化，为了让节点获得足够的表达能力，将输入特征转换为更高级别的特征，需要一个可学习的线性转换，利用由权重矩阵W∈B
F
参数化的共享线性变换应用于每个节点，然后在各个车辆节点上执行自我注意——一种共享注意机制:R
F
′
×
R
F
′
→
R并计算注意力系数，则有：x
ij
＝(Wv
i
,Wv
j
),j∈V其中x
ij
表示节点j对于节点i的重要性，W为驾驶特征参数的权重矩阵，v
i
,v
j
为该车辆节点的驾驶特征信息；然后计算对应车辆节点的特征的线性组合，作为车辆节点的最终输出特征，应用激活函数将非线性问题，转化为线性问题，所以得出下列式子：v
′
j
为最终得出的节点j对于节点i的重要性的输出特征；步骤2.3：运用多头注意力机制，通过对单一节点特征的重要性评判，对这三个节点特征成立三个独立注意机制，对三个节点的特征信息进行参数化，并将其聚合后得出新的节点重要性系数，为了稳定自我注意学习的过程...

【专利技术属性】
技术研发人员：侯梦奇，蔡英凤，陈龙，王海，孙晓强，袁朝春，何友国，
申请(专利权)人：江苏大学，
类型：发明
国别省市：