基于svo的自动驾驶智能控制方法技术

基于SVO理论的自动驾驶智能控制系统，1)完成高速公路行车数据集的结构化数据采集、半结构化数据解析，并抽取结构化数据来仿真高速路况；利用Matlab自动驾驶工具箱，构造不同曲率半径的S型道路；2)利用Matlab自动驾驶仿真数据集，训练自动驾驶仿真LSTM神经网络模型，模型通过引入“Social”池化层，在多辆汽车之间进行共同推理；3)根据预测结果和当前驾驶场景，基于模糊逻辑生成无人驾驶车辆的换道决策；4)采用B样条曲线算法优化模型的横向路径规划；然后基于最优化原理，规划全局路径。在路径规划中，利用动态算法纵向规划速度，B

【技术实现步骤摘要】
基于svo的自动驾驶智能控制方法


[0001]本专利技术属于智能交通
，涉及基于神经网络的高速车辆轨迹预测方法及基于交通预测的车辆路径规划方法。

技术介绍

[0002]随着无人驾驶技术的发展，在公共道路上行驶的自动驾驶汽车迫切需要提高效率和安全性。目前，自动驾驶汽车缺乏对人类行为的理解，因此只能采取保守的驾驶策略。保守的驾驶策略会造成交通拥堵，尤其在高速路口。同时这种保守行为，可能使自动驾驶汽车更容易受到人类驾驶员的追尾撞击，或者发生其它交通事故。在美国加州自动驾驶汽车的一份交通事故的分析中，57％的车祸是自动驾驶汽车被人类司机追尾，其中许多撞车事故的发生是因为自动驾驶汽车的行为方式出乎了人类司机的预料。为了使自动驾驶汽车与人类驾驶员安全的同行在公共道路上，自动驾驶系统必须了解人类驾驶员的意图和驾驶风格，并以贴合人类驾驶员的行驶方式做出驾驶行为。
[0003]自动驾驶领域是人工智能研究的一个重要的领域，其主要包括传感器、高速芯片和GPU等。如何提高汽车的视觉能力，如何在计算机系统中复制人类视觉反应能力，是目前摆在研发人员面前最棘手的技术难题。目前研发的汽车Vision系统，仍然非常原始。当车道上突然出现行人时，即使无人驾驶汽车扫描仪及时感知到，自动驾驶系统也无法立刻做出控制自动驾驶车辆避开的操作，控制系统的缺陷限制了自动驾驶的避险功能。无人驾驶汽车的难点还在于，汽车除了需要对周围其他车辆保持关注外，还必须能监测到一系列其它对象，比如路人、车道、停止线、交通指示牌以及周围的红绿灯等，目前自动驾驶预测系统并不能同时处理如此多的问题，特别是处理与人相关的问题，例如：当前行驶在前方路面上的车辆，会不会在几百米以外的地方终止行驶？另外，天气的影响也不能忽略不计，例如无人驾驶汽车在路面积雪的情况下，经常会面临难以看清路牌和其它细节信息的问题，这就导致汽车借助有限的信息很难准确定位，无人驾驶系统很难做出正确的决策。
[0004]经过对现有文献的检索发现，Wilko Schwarting,Alyssa Pierson等人于2019年在《Proceedings of the National Academy of Sciences of the United States of America上发表了题为“social behavior for autonomous vehicles(自动驾驶汽车的社会行为)”的文章。这些文章基于SVO理论，提出了将社会心理学工具应用到无人驾驶汽车预测上的方法。尽管将社会心理学工具应用到无人驾驶汽车预测上，但对于需要与多辆人类驾驶的交通车，共同行驶在高速公路上的无人驾驶控制系统而言，它难以完全满足控制要求。
[0005]经检索还发现，为了进一步优化车辆路径规划算法，Chang Guo等人在2021年发表的题为“The inverse variance
‑
flatness relation in stochastic gradient descent is critical for finding flat minima.(随机梯度下降中的逆方差
‑
平坦度关系对于找到平坦最小值至关重要)”的文章中，提出了几种路径规划曲线的优劣性。自动驾驶的路径规划不同于轨迹规划，轨迹规划蕴含了时间信息，与速度有关系，影响乘坐舒适感的舒适性
评价指标将占据主导，包括加速度，加加速度等指标；路径规划不包含时间信息，因此仅从路径曲线本身进行分析，参考路径长度与路径平均曲率的评价指标至关重要。
[0006]综上所述，现有技术存在的问题是：(1)现有的自动驾驶预测系统并不能同时处问题复杂的情景，特别是处理与人相关的问题(2)大部分路径规划算法无法适应高速上驾驶的需求(3)无人驾驶汽车借助有限的信息很难准确定位，无人驾驶系统很难做出正确的决策。解决上述技术问题的意义在于：基于目前人工智能技术的发展与智能交通技术的进步，更加高效可靠的高速车辆轨迹预测方法可以提高交通预测的准确度和丰富交通预测的信息量，为未来高速交通管理措施提供新的思路并促进智能交通领域技术及人工智能在交通领域应用的发展。

技术实现思路

[0007]针对现有技术存在的问题，提出一种基于SVO理论的自动驾驶智能控制方法，即将社会心理学工具(SVO)集成到自动驾驶汽车的控制中。
[0008]本专利技术技术方案是这样实现的，基于SVO的自动驾驶智能控制方法，包括以下步骤：步骤1：完成(美国)高速公路行车数据集(NGSIM)的结构化数据采集、半结构化数据解析，并抽取非结构化数据来仿真高速路况；利用Matlab自动驾驶工具箱，构造不同曲率半径的S型道路，获取该道路的左右两条边界，同时仿真2辆历史交通车以及它们的行驶路径；
[0009]步骤2：利用Matlab自动驾驶仿真数据集，训练LSTM神经网络，模型利用LSTM网络来捕捉周边车辆实时变化的运动特征和隐藏状态。该模型通过引入“Social”池化层，使系统可以在多辆汽车之间进行共同推理，在每一段时间内，LSTM社区从相邻的LSTM社区接收到隐藏状态信息的池化，并利用社会池化的LSTM网络完成无人驾驶汽车的轨迹预测；
[0010]步骤3：根据预测结果和当前驾驶场景，利用模糊理论研究车辆行驶环境与换道决策这种复杂的非线性关系，通过一些模糊的行驶环境信息和参数来决定车辆是否换道然后，基于最优化原理，规划全局路径。
[0011]步骤4：采用B—SPLINE(B样条)曲线算法优化模型的横向路径规划，从路径曲线本身进行分析，建立参考路径长度与路径平均曲率的评价指标，从模型选择和性能评价两方面筛选模型，然后通过动态规划算法优化模型的纵向速度规划。
[0012]步骤5：采用车辆动力学车型，将模型转换为空间方程的线性状态，并引入参数完成相关控制：纵向控制——通过控制汽车制动/油门实现汽车的速度控制，横向控制——通过调节方向盘角度实现航向控制，实现模型预判控制(MPC)。
[0013]信息池化是一种灵活的工具，可以基于深度神经网络的优势和大量的开源编程，将时域空间和空域空间的智体关系抽象为低维的可量化嵌入(例如归一化连续向量)。将节点和边缘的时间信息捕获到演化图(EvolvingGraph)中。
[0014]模型中同一个场景的每个轨迹都有一个独立的LSTM网络。然后，LSTM通过社交池(S池)层相互连接。与传统的LSTM不同，此池化层可以使空间上接近的LSTM网络彼此共享信息。因此，它们可以通过平均聚合、加权聚合和图进化消息(或图消息传递)等聚合操作来表征人类驾驶者之间的互动强度。此外，池化操作可以在时域和空域维度的低维潜状态中，以不同的神经网络结构独立或同时嵌入信息。
[0015]符合社会价值取向(SVO)的自动驾驶算法如表1所示。
[0016]表1符合社会标准的自动驾驶算法
[0017][0018][0019]人类驾驶者在与他人互动时，会产生形形色色的社交偏好。通过对心理学倾向进行量化计算，可以得到不同的SV本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于SVO理论的自动驾驶智能控制系统，其特征在于：将社会心理学工具(SVO)集成到自动驾驶汽车的控制中包括以下步骤：步骤1：完成高速公路行车数据集的结构化数据采集、半结构化数据解析，并抽取结构化数据来仿真高速路况；利用Matlab自动驾驶工具箱，构造不同曲率半径的S型道路，获取该S型道路的左右两条边界，同时仿真2辆历史交通车以及它们的行驶路径；步骤2：利用Matlab自动驾驶仿真数据集，训练自动驾驶仿真LSTM神经网络模型，模型利用LSTM网络来捕捉自动驾驶仿真时周边车辆实时变化的运动特征和隐藏状态的信息；该模型通过引入“Social”池化层，在多辆汽车之间进行共同推理，在每一段时间内，LSTM神经网络的社区从相邻的LSTM神经网络的社区接收到隐藏状态信息的社会与信息池化，并利用社会与信息池化的LSTM网络完成无人驾驶汽车的轨迹预测；步骤3：根据预测结果和当前驾驶场景，基于模糊逻辑生成无人驾驶车辆的换道决策；然后，基于最优化原理，规划全局路径；步骤4：采用B—SPLINE(B样条)曲线算法优化模型的横向路径规划，同时通过动态规划算法优化模型的纵向速度规划；引入参数完成相关控制：纵向控制——通过控制汽车制动/油门实现汽车的速度控制，横向控制——通过调节方向盘角度实现航向控制，实现模型预判控制(MPC)；社会与信息池化LSTM网络，将时域空间和空域空间的智体关系抽象为低维的可量化嵌入LSTM网络；将节点和边缘的时间信息捕获到演化图中；自动驾驶仿真LSTM神经网络模型中同一个场景的每个轨迹都有一个独立的LSTM网络；然后，LSTM通过社交池(社会与信息池，S池)层相互连接；池化层使空间上接近的LSTM网络彼此共享信息；通过平均聚合、加权聚合和图进化消息或图消息传递聚合操作来表征人类驾驶者之间的互动强度；池化操作在时域和空域维度的低维潜状态中，以不同的神经网络结构独立或同时嵌入信息；符合社会价值取向(SVO)的自动驾驶算法如表1所示；表1符合社会标准的自动驾驶算法人类驾驶者在与他人互动时，会产生形形色色的社交偏好；通过对心理学倾向进行量化计算，得到不同的SVO心理学倾向，分别为利己主义与利他主义；SVO心理学倾向衡量车手是否将自己在道路上行驶的优先权设置为高于其他车手；使用一种非交互式基线算法，对除本自动驾驶车辆的其他驾驶员车辆模型进行计算，得到其最佳策略；利用数据集和轨迹历史，将其他驾驶员建模为动态驾驶交通车辆，同时，将基线预测得到的性能标准与SVO理论模型的标准进行比较，针对不同的驾驶交互行为，产生不同的静态SVO：1)静态利己主义
SVO；2)静态利他主义SVO；3)动态社会性SVO；最佳静态SVO对应整个驾驶交互过程中为保持恒定时的最佳SVO估计值；路径规划与速度有关，影响乘坐舒适感的舒适性评价指标占据主导，如加速度，加加速度等指标；路径规划不包含时间信息，因此仅从路径曲线本身进行分析，建立参考路径长度与路径平均曲率的评价指标；采用两个路径评价指标：路径长度与路径平均曲率；常用的多目标优化方法有：Pareto最优化前沿，线性加权法即多目标转单目标，NSGA非支配性排序遗传算法；根据换道路径筛选这一问题的复杂程度；选择线型加权法；f＝ω1f
length
+ω2f
curvature
其中f
length
和f
curvature
分别表示根据权重系数构造的路径长度与路径平均曲率函数；采用路径规划算法为B
‑
spline(B样条)曲线算法；B
‑
spline曲线定义为：其中p
i
是特征多边形的顶点；B
i
,k称为k阶(k
‑
1次)基函数，B
‑
spline算法阶数为次数加1；在非零定义域中，在每个重复度k的结点中，K
‑
1的基函数最大限度地减少；在每个复数k的内部结点中，非零基函数的p
...

【专利技术属性】
技术研发人员：操凤萍，柏子洋，朱林，弭娜，
申请(专利权)人：东南大学成贤学院，
类型：发明
国别省市：