【技术实现步骤摘要】
一种人机混驾环境下的多车协同决策方法
[0001]本专利技术涉及自动驾驶领域，尤其是涉及一种人机混驾环境下的多车协同决策方法
。
技术介绍
[0002]随着自动驾驶汽车的快速发展，在未来很长一段时间里，人类驾驶汽车
(Human
‑
driving Vehicle,HV)
与网联自动驾驶汽车
(Connected and Automated Vehicle,CAV)
将会以人机混驾交通流的形式共享道路资源
。
人机混驾场景下如何保证安全
、
提高效率是未来自动驾驶研究的重要议题
。
单车智能的自动驾驶在复杂交互环境中具有环境感知局限性，难以保证交互安全；往往表现出相对保守的交互行为，难以保证交互效率；在面对复杂场景时难以做出最佳决策，且存在设备成本较高等现实问题
。
随着
CAV
渗透率的提高，可以考虑采用车车协同的方式解决复杂环境中的驾驶冲突，提升安全和效率
。
[0003]但是，目前车车协同相关研究，多为纯
CAV
环境下研究车辆协同或以单车智能的视角研究
CAV
与
HV
的交互，缺乏混驾场景
CAV
与
HV
交互以及
CAV
之间协同的综合考虑
。
目前大多研究仅将
HV
当作动态障碍物或用跟驰模型进行简单表达，
HV
【技术保护点】
【技术特征摘要】
1.
一种人机混驾环境下的多车协同决策方法，其特征在于，总涉及构建三个决策模型：
CAV
与
HV
交互模型
、CAV
协同决策模型
、
人机混驾交互与协同模型；总涉及包括以下步骤：
S1
车辆属性及状态信息更新步骤：输入场景中所有车辆的属性信息，包含车辆类型
、
运动学参数；车辆状态信息，包含车辆位置
、
车辆速度
、
加速度；
S2
博弈对象列表更新及模型切换步骤：根据车辆状态，判断进入近冲突区域及冲突区域内的车辆，更新博弈对象列表中所包含的交互与协同车辆；根据博弈对象类型与数量，确定实际执行的模型；
S3 CAV
与
HV
交互建模步骤：建立
CAV
与
HV
交互的模型；
S4 CAV
协同决策建模步骤：建立
CAV
车辆内部协同决策的模型；
S5
人机混驾交互协同建模步骤：耦合上述
CAV
与
HV
交互模型
、CAV
协同决策模型，进行人机混驾交互协同模型，并进行模型求解，预测博弈对象列表中
HV
的动作，求解
CAV
的最优动作策略，即加速度；
S6
车辆状态更新步骤：
CAV
根据输出的加速度决策结果，通过运动学公式实现车辆状态更新，求解更新速度
、
位置；
HV
的加速度
、
速度
、
位置从环境中重新采集
。2.
如权利要求1所述的方法，其特征在于，所述步骤
S1
中，所述车辆属性及状态信息更新步骤具体为：从环境中获取每辆车的车辆类型信息，即车辆为
CAV
或
HV
；运动学相关参数，包括最大加速度
、
最大减速度
、
最大速度；在每一个时间步，采集更新环境中
HV
当下的加速度
、
速度
、
位置；
CAV
按照模型输出的最优加速度根据运动学公式更新车辆速度
、
位置；车辆状态信息作为模型的输入
。3.
如权利要求1所述的方法，其特征在于，所述步骤
S2
中，所述博弈对象列表更新及模型切换步骤，具体为：场景中所有的车辆
S
＝
{S1，
S2，
…
，
S
k
，
…
，
S
K
}
，其中包含
I
辆
CAV
，表示为
M
＝
{M1，
M2，
…
，
M
i
，
…
，
M
I
}
和
J
辆
HV
，表示为
N
＝
{N1，
N2，
…
，
N
j
，
…
，
N
J
}
；定义博弈范围，即近冲突区域及冲突区域内；进入博弈范围内的车辆被加入到博弈对象列表；车辆通过冲突区域后即退出博弈对象列表；博弈对象列表中的车辆其中包含
P
辆
CAV
，表示为，表示为
Q
辆
HV
，表示为根据博弈对象列表中车辆的种类和各类车的数量，进行模型的选择和切换，当博弈对象列表中无
CAV
车辆或仅有一辆车，则车辆可自由通过，无需考虑交互协同；当博弈对象列表中车辆均为
CAV
车辆时，仅进行
CAV
协同决策，选择
CAV
协同决策模型进行车辆最优加速度策略求解；当博弈对象列表中车辆同时含
CAV
和
HV
，且仅有一辆
CAV
时，仅需
CAV
与
HV
交互决策，选择
CAV
与
HV
交互模型进行
CAV
最优加速度策略求解；当博弈对象列表中车辆为同时含
CAV
和
HV
，且含多辆
CAV
时，需要耦合
CAV
协同决策模型和
CAV
与
HV
交互决策模型实现人机混驾场景下的协同决策
。4.
如权利要求1所述的方法，其特征在于，所述步骤
S3
中，
CAV
与
HV
交互建模步骤中交互模型具体为：
基于博弈理论，构建一个非合作模型，将
CAV
和
HV
分别划分为领导者和跟随者；考虑车辆运行过程中安全
、
效率
、
舒适性三方面的需求，设计
CAV
的收益函数
f
p
和
HV
的收益函数
f
q
；两者的收益函数形式一致，车辆个体收益值为三者的加权求和；；两者的收益函数形式一致，车辆个体收益值为三者的加权求和；式中，为
CAV
的安全性指标，为
CAV
的效率指标，为
CAV
舒适性指标；分别是三个指标的权重值；分别为
HV
的安全
、
效率
、
舒适性指标，为各自的权重值；具体指标计算如下式所示：为各自的权重值；具体指标计算如下式所示：为各自的权重值；具体指标计算如下式所示：为各自的权重值；具体指标计算如下式所示：为各自的权重值；具体指标计算如下式所示：为各自的权重值；具体指标计算如下式所示：式中，
Δ
L
p
为
CAV
车辆
p
距离与
HV
车辆
q
的冲突点的距离，
v
p
(k+1)
为第
k+1
时刻
CAV
车辆
p
的速度，
a
p
(k)、a
p
(k+1)
分别为第
k、k+1
时刻
CAV
车辆
p
的加速度；
Δ
L
q
为
HV
车辆
q
距离与
CAV
车辆
p
的冲突点的距离，
v
q
(k+1)
为第
k+1
时刻
HV
车辆
q
的速度，
a
q
(k)、a
q
(k+1)
分别为第
k、k+1
时刻
HV
车辆
q
的加速度；
HV
的安全
、
效率权重值在前一时刻权重值的基础上，根据
CAV
对其的预测加速度与其实际加速度的相似程度，实时进行更新；为了降低模型参数更新...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。