CN114179830B - 一种自动驾驶车辆的自主超车方法和系统 - Google Patents

Abstract

本发明公开了一种自动驾驶车辆的自主超车方法和系统，属于自动驾驶技术领域。首先获取自动驾驶车辆的交通状态信息，必须同时满足精确计算结果、满足经验超车库条件、被超车意愿三个条件后才可以超车，既考虑了通过传感器传来的交通状态得出的精确超车条件，又考虑了通过神经网络算法，来模拟真实人类遇到相同状况时的决策，使自动驾驶车辆更加拟人性，通过三个维度条件的相互补充，提高了传感器和算法的容错率，当一个维度条件出现问题时，另外两个可以辅助决策，大大提高了超车的安全性，决策的合理性和准确性。

Description

一种自动驾驶车辆的自主超车方法和系统

技术领域

本发明属于自动驾驶技术领域，涉及一种自动驾驶车辆的自主超车方法和系统。

背景技术

伴随着5G、人工智能、大数据等技术的飞速发展，对自动驾驶的发展起到了巨大的推动作用，自动驾驶技术逐步成为汽车行业发展的重要方向。智能汽车的技术创新、产业生态、基础设施、法规标准、产品监管和网络安全体系等基本形成，新一代车用无线通信网络(5G-V2X)在部分城市、高速公路逐步开展应运，高精度时空基准服务网络实现全覆盖。自动驾驶技术是一个涉及了多个学科的综合领域，总的来说可以分为识别技术、决策技术、定位技术、通信安全技术、人机交互技术。其中决策技术就犹如人的大脑一般，他可以将各个车载传感器识别到的周边环境和交通状态信息进行分理性析，然后决定后续步骤，也可以通过AI算法进行大量的训练，积累犯错经验，相对更加灵活地做出决策。

随着越来越多的汽车厂商和互联网公司涉足自动驾驶领域，必然会有更多的自动驾驶技术的应用落地，例如特斯拉已经实现L3级别的自动驾驶，并且已经运用到了量产车中。尽管已经被证实自动驾驶要比人类驾驶可靠并且已经出台了许多地方性的监管规范，但是一些既有的政策法规依然给自动驾驶汽车发展形成阻碍。其中，最主要的因素还是，自动驾驶还是存在一定的安全隐患。在人类驾驶时，很大一部分车祸发生在超车路段，所以完善自动驾驶车辆的决策技术，控制自动驾驶车辆实现安全超车就成了一个非常重要的研究课题。

目前对自动驾驶车辆自主超车领域的研究并不是很完善，主要问题有，模拟人类驾驶的超车时机的选择和超车依据、考虑被超车辆和左前方来车的被超车意愿、用车载传感器精确计算自动驾驶车辆实现超车所需要的最大安全车距。现有方法中对被超车意愿、决策机制的拟人性以及最大安全车距等安全问题考虑的不是很充分，导致得出的超车决策存在一定的安全隐患。

发明内容

本发明的目的在于克服上述现有技术中，被超车意愿、决策机制的拟人性以及最大安全车距等安全问题考虑不足的缺点，提供一种自动驾驶车辆的自主超车方法和系统。

为了达到上述目的，本发明采用以下技术方案予以实现：

一种自动驾驶车辆的自主超车方法，包括如下步骤：

步骤1)获取自动驾驶车辆的交通状态信息；

步骤2)将得到的交通状态信息代入预先训练好的神经网络算法的输入层，模拟超车决策，并输出超车或不超车结果；

步骤3)基于预设的超车后最大安全车距，计算与左前方来车的实时距离，判断是否满足超车条件；

步骤4)左转向后，获取前方被超车辆的加速度和左前方来车加速度的变化情况，判断两辆车的被超车意愿；

步骤5)当步骤2)、步骤3)和步骤4)同时判断为超车时，基于经验库的节气门开度拟合曲线，进行超车，达到安全车距后，回到右侧车道；否则，放弃超车，保持自适应巡航驾驶。

优选地，步骤1)中，交通状态信息包括：己方车辆的速度，左前方来车的速度，前方被超车辆的速度，己方车辆与左前方来车的距离，己方车辆与前方被车的距离，左前方来车的加速度，前方被超车辆的加速度。

优选地，步骤2)中，预先训练的具体过程为：

步骤21)采集拥有十年驾龄司机安全超车时的交通状态信息，形成经验库样本集，设定步长，记录每次超车时的节气门开度；

步骤22)从经验库样本集中随机选取若干个样本作为训练组；

步骤23)将神经网络算法中各个权重和偏向设置为随机数，并初始化学习率；

步骤24)从训练组中取一个输入样本，添加到神经网络算法的输入层，并给定其目标输出值，得到神经网络中隐藏层的输出值和输出层的输出值；

步骤25)基于输出层输出值与目标输出值，计算得到输出层输出误差；

步骤26)对输出层输出误差进行反向传递，判断是否满足精度要求，如果不满足，则继续迭代；如果满足，则训练结束。

优选地，步骤24)中，从训练组中取一个输入样本，经神经网络加权求和，并根据非线性方程转化输出，得到神经网络隐藏层的输出值和输出层的输出值；

步骤25)中，输出层输出误差为输出层输出值与目标输出值的差值；

步骤26)中，对输出层输出误差进行反向传递，计算得到隐藏层输出误差、各权重和偏向的变化量，利用各权重和偏向的变化量，调整权重和偏向，基于权重和偏向判断是否满足精度要求；

精度要求的条件为：每次迭代后权重和偏向的变化量低于设定阀值；神经网络算法预测成功的比例大于99.9％；迭代次数达到预先设置的迭代上限。

优选地，步骤3)中，计算与左前方来车的实时距离的具体过程为：

s₃＝s₂+s_前+s_对+X_max+c₁+c₂

v₁t₁+0.5at₁ ²+v_tt₂＝s₂+s_前+X_max+c₁+c₂

s_对＝v₃t

s_前＝v₂t

v_t＝v₁+at₁

t＝t₁+t₂

超车的条件为：s₁>s₃

其中，v₁为己方车辆的速度，v₂为左前方来车的速度，v₃为前方被超车辆的速度，s₃为安全超车所需的与左前方来车的距离，s₂为己方车辆与前方被车的距离，s_前为前方被超车行驶距离，s_对为左前方来车行驶距离，X_max为超车后最大安全距离，c₁为己方车辆长度；c₂被超车辆长度，t为超车总时长，t₁为加速超车时长，t₂为匀速超车时长，v_t为当前路段交通法规规定最高车速，a为加速超车的加速度，a＝Δv/Δt，其中，Δv＝v₂-v₁。

优选地，步骤4)中，判断两辆车的被超车意愿，具体条件为：

若a₁>＝5m/s²或a₂>＝5m/s²，则代表不愿被超车；

若a₁<5m/s²且a₂<5m/s²，则代表愿意被超车；

其中，a₁为左前方来车的加速度，a₂为前方被超车辆的加速度。

优选地，步骤5)中，节气门开度拟合曲线的获取方法为：

实时探测节气门开度的大小和变化的快慢，在超车时，把节气门位置信号以0.1s为步长记录并保存下来，当后期匹配到此次超车样本时，提取出保存的各点节气门信息，绘制出拟合曲线，并根据拟合曲线控制节气门大小，给汽车加速。

优选地，步骤5)中，完成超车后，将对应的超车数据中的超车距离进行更新处理，并添加到经验库，之后对经验库进行优化，使安全车距不断趋近于最小安全车距；

更新处理的具体过程为：

s₁’＝s₁-s’

s’＝(s₁-s₃)/2

其中，s₁’安全超车后重新存入经验库的与左前方来车的安全距离，s₁为此次安全超车与左前方来车的实际距离，s’为此次安全超车后的奖励值，s₃为通过相关公式计算出的能够实现安全超车的精确距离。

一种自动驾驶车辆的自主超车系统，包括：

数据获取单元，用于获取自动驾驶车辆的交通状态信息；

评估单元，与数据获取单元相交互，包括训练模拟模块、距离判断模块、和加速度判断模块；

训练模拟模块用于将得到的交通状态信息代入预先训练好的神经网络算法的输入层，模拟超车决策，并输出超车或不超车结果；

距离判断模块是基于预设的超车后最大安全车距，计算与左前方来车的实时距离，判断是否满足超车条件；

加速度判断模块是在左转向后，获取前方被超车辆的加速度和左前方来车加速度的变化情况，判断两辆车的被超车意愿；

超车决策单元，分别与训练模拟模块、距离判断模块和加速度判断模块相交互，当训练模拟模块、距离判断模块和加速度判断模块的判断结果均为超车时，进行超车；否则，放弃超车。

与现有技术相比，本发明具有以下有益效果：

本发明公开了一种自动驾驶车辆的自主超车方法，该方法包括以下步骤：通过车载环境感知传感器实时接收自动驾驶车辆的周围环境信息，将得到的数据代入事先训练好的神经网络算法的输入层，来模拟在相同或类似情况下人的超车决策，并输出超车或不超车；考虑进去超车后的最大安全车距后，用公式精确计算出安全超车所需的与左前方来车的距离，并判断是否满足超车条件；在打了左转向后，观察之前得到的前方被超车辆的加速度和左前方来车加速度的变化情况，判断两辆车的被超车意愿；在同时满足上述的三个约束条件后，根据经验库所匹配的节气门开度拟合曲线，给汽车加速进行超车，达到安全车距后，回到右侧车道，若不满足上述任意一个约束条件，则立马放弃超车，保持自适应巡航。本发明不仅通过公式精确计算了安全超车的客观条件，还运用神经网络算法和相关数据模拟了相同情况下人类的主观决策，两者结合，大大提高了自动驾驶车辆超车时的安全性。

进一步地，完成超车后，对经验库库不断优化，使安全车距不断趋近于最小安全车距。即每一次实现超车后，都会对算法和经验库进行一次更新，使之更加精确，更加高效。

本发明还公开了一种自动驾驶车辆的自主超车系统，即本发明包括数据获取单元、评估单元和超车决策单元，首先获取自动驾驶车辆的交通状态信息，评估单元中设了三种超车条件，一方面超车条件更为严格，必须同时满足精确计算结果、满足经验超车库条件、被超车意愿三个条件后才可以超车，另一方面，既考虑了通过传感器传来的交通状态得出的精确超车条件，又考虑了通过神经网络算法，来模拟真实人类遇到相同状况时的决策，使自动驾驶车辆更加拟人性，通过三个维度条件的相互补充，提高了传感器和算法的容错率，当一个维度条件出现问题时，另外两个可以辅助决策，大大提高了超车的安全性，决策的合理性和准确性。

附图说明

图1为本发明实施例中自动驾驶车辆超车环境的示意图；

图2为本发明实施例中自动驾驶车辆自主超车方法的流程图；

图3为本发明实施例中神经网络算法结构示意图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

实施例1

一种自动驾驶车辆的自主超车方法，包括如下步骤：

步骤1)获取自动驾驶车辆的交通状态信息；

步骤2)将得到的交通状态信息代入预先训练好的神经网络算法的输入层，模拟超车决策，并输出超车或不超车结果；

步骤3)基于预设的超车后最大安全车距，计算与左前方来车的实时距离，判断是否满足超车条件；

步骤4)左转向后，获取前方被超车辆的加速度和左前方来车加速度的变化情况，判断两辆车的被超车意愿；

步骤5)当步骤2)、步骤3)和步骤4)同时判断为超车时，基于经验库的节气门开度拟合曲线，进行超车，达到安全车距后，回到右侧车道；否则，放弃超车，保持自适应巡航驾驶。

实施例2

一种自动驾驶车辆的自主超车方法，如图2所示，包括如下步骤：

步骤a，如图1所示，通过车载环境感知传感器实时接收自动驾驶车辆的周围环境信息包括：己方车辆的速度v₁，左前方来车的速度v₂，前方被超车辆的速度v₃，己方车辆与左前方来车的距离s₁，己方车辆与前方被车的距离s₂，左前方来车的加速度a₁，前方被超车辆的加速度a₂，得到数据(s₁，s₂，v₁，v₂，v₃，a₁，a₂)；

步骤b，将步骤a得到的数据代入事先训练好的神经网络算法的输入层，来模拟在相同或类似情况下人的超车决策，并输出超车或不超车；

步骤c，考虑进去超车后的最大安全车距X_max后，用公式精确计算出安全超车所需的与左前方来车的距离s₃，并判断是否满足超车条件；

步骤d，在打了左转向后，观察步骤a得到的前方被超车辆的加速度a₁和左前方来车加速度a₂的变化情况，判断两辆车的被超车意愿；

步骤e，在同时满足步骤b，步骤c，步骤d的三个约束条件后，根据经验库所匹配的节气门开度拟合曲线，给汽车加速进行超车，达到安全车距后，回到右侧车道，若不满足步骤b，步骤c，步骤d中的任意一个约束条件，则立马放弃超车，保持自适应巡航；

步骤f，完成超车后，将此次超车数据中的s₁，经过奖励后更新为s₁’，将(s₁’，s₂，v₁，v₂，v₃，a₁，a₂)添加到经验库。并将经验库库不断优化，使安全车距x不断趋近于最小安全车距。

实施例3

除以下内容外，其余内容与实施例2相同。

步骤a的具体实现方式如下：

己方车辆与左前方来车的距离s₁，己方车辆与前方被车的距离s₂，是利用装在汽车前面的单目摄像机测得的；

己方车辆的速度v₁通过车速传感器测得的，左前方来车的速度v₂和前方被超车辆的速度v₃是利用安装在车上的雷达测得的；

左前方来车的加速度a₁，前方被超车辆的加速度a₂也是利用安装在车上的雷达，通过相应的计算测得的。具体过程为：雷达在Δt的时间间隔内连续发射两次信号，得出两个速度v₁和v₂，因为时间间隔足够小，所以可以近似的认为加速度a＝Δv/Δt，其中，Δv＝v₂-v₁。

如图3所示，步骤b的具体实现方式如下：

所述神经网络算法分为正向传播和反向传播。

(1)正向传播：

利用采集到的拥有十年驾龄老司机安全超车时的交通状态X＝(s₁，s₂，v₁，v₂，v₃，a₁，a₂)，形成经验库样本集。并以0.1s为步长，记录每次超车时的及气门开度；

从采集到的样本集中随机抽选出若干个样本(X_i，1)作为训练组；

将算法中各个权重W和偏向B设置为(-1，1)之间的随机数，并初始化学习率L；

从训练组中取一个输入样本(X_i，1)加到神经网络算法输入层，并给定其目标输出值1；

经神经网络加权求和，并根据非线性方程转化输出，求得神经网络隐藏层的输出值O_j和输出层的输出值O_k,在此过程中，网络计算公式如下：

加权求和：

非线性转化：

将输出层输出值与目标输出值进行做差，计算出输出层输出误差：

E_k＝O_K(1-O_K)²

(2)反向传播：

根据输出层输出误差反向传递，依次计算出隐藏层输出误差，各权重和偏向的变化量，利用各权重和偏向的变化量，调整权重和偏向；

隐藏层输出误差：

E_j＝O_j(1-O_j)∑E_kW_jk

权重更新：

偏向更新：

判断是否满足精度要求，如果不满足，继续迭代；如果满足，则训练结束。

满足精度要求的条件为：每次迭代后权重和偏向的变化量低于某个设定阀值，神经网络算法预测成功的比例大于99.9％，迭代次数达到预先设置的迭代上限。

实施例4

除以下内容外，其余内容与实施例2相同。

步骤c，用公式精确计算出安全超车所需的与左前方来车的距离s₃的具体公式如下：

s₃＝s₂+s_前+s_对+X_max+c₁+c₂

v₁t₁+0.5at₁ ²+v_tt₂＝s₂+s_前+X_max+c₁+c₂

s_对＝v₃t

s_前＝v₂t

v_t＝v₁+at₁

t＝t₁+t₂

其中，v₁为己方车辆的速度，v₂为左前方来车的速度，v₃为前方被超车辆的速度，s₃为安全超车所需的与左前方来车的距离，s₂为己方车辆与前方被车的距离，s_前为前方被超车行驶距离，s_对为左前方来车行驶距离，X_max为超车后最大安全距离，c₁为己方车辆长度；c₂被超车辆长度，t为超车总时长，t₁为加速超车时长，t₂为匀速超车时长，v_t为当前路段交通法规规定最高车速，a为加速超车的加速度。

满足超车的条件为：s₁>s₃

步骤d中，判断两辆车的被超车意愿的依据为：若a₁>＝5m/s²或a₂>＝5m/s²，代表不愿被超车；若a₁<5m/s²且a₂<5m/s²，则代表愿意被超车。

步骤e，根据经验库所匹配的节气门开度拟合曲线的获取方法为：

利用安装在节气门体上节气门轴一端的节气门位置传感器，实时探测节气门开度的大小和变化的快慢，在超车时，把节气门位置信号以0.1s为步长记录并保存下来，当后期匹配到此次超车样本时，提取出保存的各点节气门信息，绘制出拟合曲线，并根据曲线控制节气门大小，给汽车加速。

步骤f中超车后经过奖励的s₁’的获取方法为：

s₁’＝s₁-s’

s’＝(s₁-s₃)/2

其中，s₁’安全超车后重新存入经验库的与左前方来车的安全距离，s₁为此次安全超车实际的与左前方来车的距离，s’为此次安全超车后的奖励值，s₃为此次超车计算机通过相关公式计算出的能够实现安全超车的精确距离。

综上所述，本发明的自动驾驶车辆的自主超车方法，即考虑了通过传感器传来的交通状态得出的精确超车条件，又考虑了通过神经网络算法，来模拟真实人类遇到相同状况时的决策，使自动驾驶车辆更加拟人性，通过三个维度条件的相互补充，提高了传感器和算法的容错率，当一个出现问题时，另外两个可以辅助决策，大大提高了超车的安全性，决策的合理性和准确性。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (8)

1.一种自动驾驶车辆的自主超车方法，其特征在于，包括如下步骤：

步骤1）获取自动驾驶车辆的交通状态信息；

步骤2）将得到的交通状态信息代入预先训练好的神经网络算法的输入层，模拟超车决策，并输出超车或不超车结果；

其中，预先训练的具体过程为：

步骤21）采集拥有十年驾龄司机安全超车时的交通状态信息，形成经验库样本集，设定步长，记录每次超车时的节气门开度；

步骤22）从经验库样本集中随机选取若干个样本作为训练组；

步骤23）将神经网络算法中各个权重和偏向设置为随机数，并初始化学习率；

步骤24）从训练组中取一个输入样本，添加到神经网络算法的输入层，并给定其目标输出值，得到神经网络中隐藏层的输出值和输出层的输出值；

步骤25）基于输出层输出值与目标输出值，计算得到输出层输出误差；

步骤26）对输出层输出误差进行反向传递，判断是否满足精度要求，如果不满足，则继续迭代；如果满足，则训练结束；

步骤3）基于预设的超车后最大安全车距，计算与左前方来车的实时距离，判断是否满足超车条件；

步骤4）左转向后，获取前方被超车辆的加速度和左前方来车加速度的变化情况，判断两辆车的被超车意愿；

步骤5）当步骤2）、步骤3）和步骤4）同时判断为超车时，基于经验库的节气门开度拟合曲线，进行超车，达到安全车距后，回到右侧车道；否则，放弃超车，保持自适应巡航驾驶。

2.根据权利要求1所述的自动驾驶车辆的自主超车方法，其特征在于，步骤1）中，交通状态信息包括：己方车辆的速度，左前方来车的速度，前方被超车辆的速度，己方车辆与左前方来车的距离，己方车辆与前方被车的距离，左前方来车的加速度，前方被超车辆的加速度。

3.根据权利要求1或2所述的自动驾驶车辆的自主超车方法，其特征在于，步骤24）中，从训练组中取一个输入样本，经神经网络加权求和，并根据非线性方程转化输出，得到神经网络隐藏层的输出值和输出层的输出值；

步骤25）中，输出层输出误差为输出层输出值与目标输出值的差值；

步骤26）中，对输出层输出误差进行反向传递，计算得到隐藏层输出误差、各权重和偏向的变化量，利用各权重和偏向的变化量，调整权重和偏向，基于权重和偏向判断是否满足精度要求；

精度要求的条件为：每次迭代后权重和偏向的变化量低于设定阀值；神经网络算法预测成功的比例大于99.9%；迭代次数达到预先设置的迭代上限。

4.根据权利要求3所述的自动驾驶车辆的自主超车方法，其特征在于，步骤3）中，计算与左前方来车的实时距离的具体过程为：

s₃=s₂+s_前+s_对+X_max+c₁+c₂

v₁t₁+0.5at₁ ²+v_tt₂=s₂+s_前+X_max+c₁+c₂

s_对=v₃t

s_前=v₂t

v_t=v₁+at₁

t=t₁+t₂

超车的条件为：s₁>s₃

其中，v₁为己方车辆的速度，v₂为左前方来车的速度，v₃为前方被超车辆的速度，s₃为安全超车所需的与左前方来车的距离，s₂为己方车辆与前方被车的距离，s_前为前方被超车行驶距离，s_对为左前方来车行驶距离，X_max为超车后最大安全距离，c₁为己方车辆长度；c₂被超车辆长度，t为超车总时长，t₁为加速超车时长，t₂为匀速超车时长，v_t为当前路段交通法规规定最高车速，a为加速超车的加速度，a=Δv/Δt，其中，Δv=v₂-v₁。

5.根据权利要求4所述的自动驾驶车辆的自主超车方法，其特征在于，步骤4）中，判断两辆车的被超车意愿，具体条件为：

若a₁>=5m/s²或a₂>=5m/s²，则代表不愿被超车；

若a₁<5m/s²且a₂<5m/s²，则代表愿意被超车；

其中，a₁为左前方来车的加速度，a₂为前方被超车辆的加速度。

6.根据权利要求5所述的自动驾驶车辆的自主超车方法，其特征在于，步骤5）中，节气门开度拟合曲线的获取方法为：

实时探测节气门开度的大小和变化的快慢，在超车时，把节气门位置信号以0.1s为步长记录并保存下来，当后期匹配到此次超车样本时，提取出保存的各点节气门信息，绘制出拟合曲线，并根据拟合曲线控制节气门大小，给汽车加速。

7.根据权利要求6所述的自动驾驶车辆的自主超车方法，其特征在于，步骤5）中，完成超车后，将对应的超车数据中的超车距离进行更新处理，并添加到经验库，之后对经验库进行优化，使安全车距不断趋近于最小安全车距；

更新处理的具体过程为：

s₁’=s₁-s’

s’=(s₁-s₃)/2

其中，s₁’安全超车后重新存入经验库的与左前方来车的安全距离，s₁为此次安全超车与左前方来车的实际距离，s’为此次安全超车后的奖励值，s₃为通过相关公式计算出的能够实现安全超车的精确距离。

8.一种自动驾驶车辆的自主超车系统，其特征在于，包括：

数据获取单元，用于获取自动驾驶车辆的交通状态信息；

评估单元，与数据获取单元相交互，包括训练模拟模块、距离判断模块、和加速度判断模块；

训练模拟模块用于将得到的交通状态信息代入预先训练好的神经网络算法的输入层，模拟超车决策，并输出超车或不超车结果；

其中，预先训练的具体过程为：

步骤21）采集拥有十年驾龄司机安全超车时的交通状态信息，形成经验库样本集，设定步长，记录每次超车时的节气门开度；

步骤22）从经验库样本集中随机选取若干个样本作为训练组；

步骤23）将神经网络算法中各个权重和偏向设置为随机数，并初始化学习率；

步骤24）从训练组中取一个输入样本，添加到神经网络算法的输入层，并给定其目标输出值，得到神经网络中隐藏层的输出值和输出层的输出值；

步骤25）基于输出层输出值与目标输出值，计算得到输出层输出误差；

步骤26）对输出层输出误差进行反向传递，判断是否满足精度要求，如果不满足，则继续迭代；如果满足，则训练结束；

距离判断模块是基于预设的超车后最大安全车距，计算与左前方来车的实时距离，判断是否满足超车条件；

加速度判断模块是在左转向后，获取前方被超车辆的加速度和左前方来车加速度的变化情况，判断两辆车的被超车意愿；

超车决策单元，分别与训练模拟模块、距离判断模块和加速度判断模块相交互，当训练模拟模块、距离判断模块和加速度判断模块的判断结果均为超车时，进行超车；否则，放弃超车。

Images