【技术实现步骤摘要】
本专利技术涉及智能驾驶决策，尤其是涉及一种基于环境感知的智能驾驶决策方法、系统及介质。
技术介绍
1、随着智能驾驶技术的不断发展，越来越受到高新
重视，但是还存在有以下不足之处，现有车载传感器如摄像头、lidar、雷达等可以实现对周边环境和障碍物的检测与跟踪,为自动驾驶提供环境支持，但单一传感器识别能力还有限；强化学习作为一种在试错中优化策略的机器学习方法,其概念框架为自动驾驶决策提供了方法论指导。但在自动驾驶领域应用还不深入；目前主流模式包括：传统规则驾驶法则、end to end学习模式和基于机器视觉的重现驾驶模式，但各有不足；主流智能车在软硬件上有较大优势,为安全自动驾驶埋下伏笔,但整车集成和系统优化水平需不断推进。
2、因此，如何提高智能驾驶的水平，成为我们亟待解决的问题，其中，智能驾驶车辆的轨迹决策是技术中最重要的环节。
技术实现思路
1、鉴于以上问题，本专利技术提供了一种基于环境感知的智能驾驶决策方法、系统及介质，不仅能真实反映复杂道路实时环境,有效适应环境变化，而且可以反映当前最新交通情况,做出相应调整。
2、为了实现上述目的及其他相关目的，本专利技术提供的技术方案如下：
3、一种基于环境感知的智能驾驶决策方法，所述方法包括：
4、g1.车辆行驶在道路上，基于车载激光雷达实时获取道路的点云数据信息，基于车载摄像头实时获取道路的图像数据信息，基于车载imu实时获取车辆状态数据信息；
5、g2.基于所述车辆
6、g3.将所述车辆的环境状态数据信息输入策略与价值网络模型进行训练和学习，得到训练好的策略与价值网络模型，并输入实时获取的车辆的环境状态数据信息，对车辆行驶轨迹的关键点进行预测，输出预测后的车辆行驶轨迹关键点数据信息；
7、g4.基于所述预测后的车辆行驶轨迹关键点数据信息，采用三次样条函数对车辆的行驶轨迹进行拟合，并构建评估函数对车辆的行驶轨迹进行评估，输出最优化的车辆行驶轨迹数据信息。
8、进一步的，在步骤g2中，所述构建环境模型对车辆行驶环境状态进行预测和更新包括：
9、g21.基于所述道路的点云数据信息，使用hough变换从点云数据中提取边缘,判断其是否为目标，如果是则根据所述道路的图像数据信息，采用yolov5目标检测网络算法提取图像中的目标边界框,得到目标的像素坐标(xi,yi)；
10、g22.基于所述目标的像素坐标(xi,yi)和所述车辆状态数据信息，所述车辆状态数据信息包括车辆速度数据信息v、车辆位置数据信息(x,y)和车辆航向角数据信息θ，建立车辆与目标的距离函数ri和车辆与目标的方位角函数θi，
11、
12、
13、其中，x为车辆位置的横坐标，y为车辆位置的纵坐标，输出车辆环境状态数组si＝[x,y,θ,v,ri,θi]；
14、g23.基于所述车辆环境状态数组si，构建车辆环境状态预测函数y，
15、
16、其中，为车辆环境状态均值，n为采样样本总数，k为环境预测学习因子，输出车辆的环境状态数据信息。
17、进一步的，在步骤g21中，基于所述道路的点云数据信息，使用hough变换从点云数据中提取边缘,判断其不为目标，则将该点云数据进行剔除，重新进行提取边缘操作。
18、进一步的，在步骤g3中，所述将所述车辆的环境状态数据信息输入策略与价值网络模型进行训练和学习包括：
19、g31.基于所述车辆的环境状态数据信息，建立环境状态的价值评估函数q,
20、q(μ)＝e[α1s1+α2s2+...+αisi+...+αnsn|πμ]，
21、其中，si为第i个车辆环境状态数组，αi为第i个车辆环境状态数组的价值因子，i＝1,2,3,...,n，μ为价值网络参数，设置预设阈值，若环境状态的价值评估低于预设阈值则剔除，若高于预设阈值则输出价值评估后的车辆的环境状态数据信息；
22、g32.基于所述价值评估后的车辆的环境状态数据信息，建立策略轨迹关键点预测函数u,
23、
24、其中，si为第i个车辆环境状态数组，ci为第i个车辆环境状态数组的权重值；
25、g33.基于所述策略轨迹关键点预测函数u，得到预测后的车辆行驶轨迹关键点数据信息。
26、进一步的，在步骤g31中，所述车辆环境状态数组的价值因子αi的约束条件为：
27、
28、进一步的，在步骤g4中，所述采用三次样条函数对车辆的行驶轨迹进行拟合包括：
29、g41.获取所述预测后的车辆行驶轨迹关键点数据信息，建立三次样条拟合函数li(b),
30、li(b)＝zi0+zi1b1+zi2b2+zi3b3，
31、其中，zi0、zi1、zi2和zi3为待定系数，b为预测后的车辆行驶轨迹关键点；
32、g42.基于所述三次样条拟合函数li(b)，得到车辆的行驶轨迹数据信息。
33、进一步的，所述评估函数为s(li(b)),
34、
35、其中，li(b)为第i个三次样条拟合函数，b为预测后的车辆行驶轨迹关键点，n采样样本总数，topε()为比对函数，ε为比对因子，为均值样条函数，min()为最小值函数。
36、为了实现上述目的及其他相关目的，本专利技术还提供了一种用于实现任一项所述的基于环境感知的智能驾驶决策方法的系统，所述系统包括：
37、数据获取模块，用于实时获取车辆状态、车辆周围的图像数据信息和车辆周围点云数据信息；
38、环境模型模块，与所述数据获取模块连接，用于构建环境模型，输出车辆的环境状态数据信息；
39、数据处理模块，与所述环境模型模块连接，用于处理车辆的环境状态数据信息，输出车辆的预测行驶轨迹关键点数据信息；
40、数据优化模块，与所述数据处理模块连接，用于拟合车辆行驶的轨迹并进行优化输出。
41、进一步的，所述系统还包括数据显示模块，与所述数据优化模块连接，用于实时显示车辆的最优行驶轨迹数据信息。
42、为了实现上述目的及其他相关目的，本专利技术还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有被编程或配置以执行任意一项所述基于环境感知的智能驾驶决策方法的计算机程序。
43、本专利技术具有以下积极效果：
44、1.本专利技术通过构建环境模型对车辆行驶环境状态进行预测和更新，能真实反映复杂道路实时环境,有效适应环境变化，并通过多元传感器收集车辆本身状态和周边目标信息,构建环境状态表示vecs,较好地描述了驾驶场景，随着vecs的实时更新,决策算法可以反映当前最新交通情况,做本文档来自技高网...
【技术保护点】
1.一种基于环境感知的智能驾驶决策方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于环境感知的智能驾驶决策方法，其特征在于，在步骤G2中，所述构建环境模型对车辆行驶环境状态进行预测和更新包括：
3.根据权利要求2所述的基于环境感知的智能驾驶决策方法，其特征在于，在步骤G21中，基于所述道路的点云数据信息，使用Hough变换从点云数据中提取边缘,判断其不为目标，则将该点云数据进行剔除，重新进行提取边缘操作。
4.根据权利要求1所述的基于环境感知的智能驾驶决策方法，其特征在于，在步骤G3中，所述将所述车辆的环境状态数据信息输入策略与价值网络模型进行训练和学习包括：
5.根据权利要求4所述的基于环境感知的智能驾驶决策方法，其特征在于，在步骤G31中，所述车辆环境状态数组的价值因子αi的约束条件为：
6.根据权利要求1所述的基于环境感知的智能驾驶决策方法，其特征在于，在步骤G4中，所述采用三次样条函数对车辆的行驶轨迹进行拟合包括：
7.根据权利要求6所述的基于环境感知的智能驾驶决策方法，其特征在于：所述评
8.一种用于实现权利要求1-7任一项所述的基于环境感知的智能驾驶决策方法的系统，其特征在于，所述系统包括：
9.根据权利要求8所述的系统，其特征在于：所述系统还包括数据显示模块，与所述数据优化模块连接，用于实时显示车辆的最优行驶轨迹数据信息。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有被编程或配置以执行权利要求1～7中任意一项所述基于环境感知的智能驾驶决策方法的计算机程序。
...【技术特征摘要】
1.一种基于环境感知的智能驾驶决策方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于环境感知的智能驾驶决策方法，其特征在于，在步骤g2中，所述构建环境模型对车辆行驶环境状态进行预测和更新包括：
3.根据权利要求2所述的基于环境感知的智能驾驶决策方法，其特征在于，在步骤g21中，基于所述道路的点云数据信息，使用hough变换从点云数据中提取边缘,判断其不为目标，则将该点云数据进行剔除，重新进行提取边缘操作。
4.根据权利要求1所述的基于环境感知的智能驾驶决策方法，其特征在于，在步骤g3中，所述将所述车辆的环境状态数据信息输入策略与价值网络模型进行训练和学习包括：
5.根据权利要求4所述的基于环境感知的智能驾驶决策方法，其特征在于，在步骤g31中，所述车辆环境状态数组...
【专利技术属性】
技术研发人员：曹祥商，李勇，赵威，
申请(专利权)人：东风悦享科技有限公司，
类型：发明
国别省市：
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。