CN106874597A - 一种应用于自动驾驶车辆的高速公路超车行为决策方法 - Google Patents

Abstract

本发明涉及一种应用于自动驾驶车辆的高速公路超车行为决策方法，包括以下步骤：步骤S1、建立超车意图模型；步骤S2、判断是否产生超车意图；是，转步骤S3；否，继续车道保持状态；步骤S3、判断是否满足超车条件；是，转步骤S4；否，继续车道保持状态；步骤S4、进入超车子状态。本发明使用人工神经网络算法来产生超车意图，然后采用基于规则的安全性、舒适性等条件判定。解决了是否有必要进行超车及能不能进行超车的问题，既反映了超车过程的客观性规律，又充分考虑超车行为的主观因素，保证超车安全、舒适等条件下，使自动驾驶体现了人类的驾驶习惯。

Description

一种应用于自动驾驶车辆的高速公路超车行为决策方法

技术领域

本发明涉及自动驾驶技术领域，尤其涉及一种应用于自动驾驶车辆的高速公路超车行为决策方法。

背景技术

智能化是汽车工业发展的必然趋势，而自动驾驶技术是汽车智能化的重要研究内容，也因此受到了相关国家政策的支持鼓励。在国务院发布的《中国制造2025》[22]中，明确要求“到2025年，掌握自动驾驶总体技术及各项关键技术”。美国政府将在2016年7月推出全美自动驾驶汽车标准的国家蓝图，并且从2017年的预算中拨出40亿美元来支持自动驾驶技术的研发。

从自动驾驶汽车产业化发展进程来看，已经具备了理论研究与技术论证、市场推动、国家政策鼓励以及人才储备等良好条件。但是，自动驾驶技术依旧存在技术瓶颈与成本难题。两者是矛盾的，在一定条件下又可以相互转化，例如，增加传感器数量可以减少技术实现的难度，但是成本会不可避免的上升。这种转化关系类似“80/20法则”，即用20％的成本可以完成80％的路段行驶功能，而剩下的20％的路段行驶功能用80％的成本都难以实现。产业化进程中的自动驾驶功能与成本控制的矛盾，催生了两种实现自动驾驶的技术路线：一种是以谷歌公司为代表的直接实现自动驾驶功能，然后推出成熟产品；另一种以特斯拉为代表的先推出能够实现部分自动驾驶功能的产品，逐步实现全自主驾驶功能。

逐步实现全自动驾驶的技术路线可以降低研发难度、实现成本控制，也更容易被市场接受。美国高速公路安全局根据自动化程度将自动驾驶 技术分为了5个等级：0级，车辆不具备自动化功能；1级，具备1种以上自动化控制功能；2级，具备组合式的自动化控制功能；3级，具备特定环境下的自动驾驶功能；4级，具备全自动驾驶功能。从自动驾驶技术本身来看，在民用市场发展的内在推动力是它能够“解放人类”。换句话说，自动驾驶技术能够减轻人类驾驶员的驾驶强度，直至代替人类驾驶，使驾驶变得更轻松，而不再是一种负担。从这个角度出发，自动驾驶车辆自动化程度不断提高，就会不断吸引消费者。自动驾驶的另一个优点是安全，但是安全不是自动驾驶技术发展的本质驱动力，安全是作为汽车工业产品的必备属性。根据上述分析，美国高速公路安全局对自动驾驶的等级划分是具有很好指导意义的，也是非常实际的自动驾驶技术发展路线。

目前，大部分研究机构与企业都处在第3级的研发阶段，在成本因素限制下，面临了感知系统不确定性、决策规划复杂性等具体问题。高速公路是汽车行驶的重要的道路类型，当前针对高速公路的车道保持技术和自动巡航技术已相对成熟，但是针对自动驾驶汽车超车行为决策的研究并不完善，有待深入研究。

发明内容

鉴于上述的分析，本发明旨在提供一种应用于自动驾驶车辆的高速公路超车行为决策方法，用以解决现有针对自动驾驶汽车超车行为决策的研究并不完善的问题。

本发明的目的主要是通过以下技术方案实现的：

一种应用于自动驾驶车辆的高速公路超车行为决策方法，包括以下步骤：

步骤S1、建立超车意图模型；

步骤S2、根据环境感知信息和本车状态信息，采用超车意图模型，判断是否产生超车意图；是，转步骤S3；否，继续车道保持状态；

步骤S3、判断是否满足超车条件；是，转步骤S4；否，继续车道保持状态；

步骤S4、进入超车子状态。

进一步，所述步骤S1包括以下子步骤：

步骤S101、数据采集与预处理；

采集的数据包括本车、前车、左前车的速度、位置以及道路限速信息；将数据进行预处理得到数据集

S＝{x_host,y_host,v_host,x_front,y_front,v_front,x_left,y_left,v_left,v_limit,t}

其中，x_host,y_host,v_host分别表示本车的横向坐标、纵向坐标和速度，x_front,y_front,v_front分别表示前车的横向坐标、纵向坐标和速度，x_left,y_left,v_left分别表示左前车的横向坐标、纵向坐标和速度,v_limit表示道路限速，t表示时间；

步骤S102、特征选取与模型训练得到超车意图模型；

选取五个特征作为模型的输入向量，向量表达为：

采用RBF神经网络进行模型训练得到超车意图模型。

进一步，所述步骤S2包括以下子步骤：

步骤S201、获得环境感知信息；

步骤S202、获得本车状态信息；

步骤S203、将步骤S201和步骤S202获得的信息进行处理得到超车意图模型输入向量，输入超车意图模型，根据模型输出结果判断是否产 生超车意图；是，转步骤S3；否，继续车道保持状态。

进一步，所述步骤S3包括下述子步骤：

步骤S301，判断超车是否满足合法性和安全性；是，进入步骤S302；否，继续车道保持状态；

步骤S302、进行超车规则判断，满足则转步骤S4；不满足则继续车道保持状态。

进一步，所述合法性是指超车过程中必须遵循交通法律法规约束。

进一步，所述判断超车是否满足安全性是根据安全性判断规则进行判断；

所述安全性判断规则为：

其中，d为本车与前车的实际距离，d_safe为安全距离，TTC为本车与前车的碰撞时间，TTC_safe为安全碰撞时间。

进一步，所述安全距离采用下式得到：

d_safe＝μ_safev_host+L_vehicle+10

式中，μ_safe为驾驶员敏感系数，L_vehicle为本车车辆长度，10m为附加缓冲距离。

进一步，所述本车与前车的碰撞时间TTC由下式得到：

式中，y_front,y_host分别为前车与本车纵向坐标，v_front,v_host分别为前车与本车速度。

进一步，所述超车规则判断是指，判断是否满足Y_overtake＞N_overtake；其中，Y_overtake为超车收益、N_overtake为超车损失。

进一步，所述超车收益由下式计算得到：

Y_overtake＝μ_efficiencyC_efficiency

C_efficiency为效率性评价指标，μ_efficiency为权重系数；

C_efficiency＝μ_v(v_leftlane-v_currentlane)+μ_leftfrontB_leftfront+μ_frontB_front

其中，v_leftlane为左侧车道通行速度，v_currentlane为本车道通行速度，B_leftfront为左前车行为属性，数值取左前车加速度值；B_front为前车行为属性，数值取前车加速度值，μ_v,μ_leftfront,μ_front为权重系数；

所述超车损失由下式计算得到：

N_overtake＝μ_comfortC_comfort+μ_altruisticC_altruistic

C_comfort为舒适性评价指标，C_altruistic为利他性评价指标，μ_comfort、μ_altruistic分别为权重系数；

C_comfort＝μ_latj_lat+μ_lonj_lon

其中，j_lat为横向加速度冲击度，j_lon为纵向加速度冲击度，μ_lat、μ_lon分别为权重系数；

C_altruistic＝μ_accacc+μ_intint

其中，acc为本车目标加速度，int为车辆避让意图，μ_acc、μ_int分别为权重系数；acc≥0时，int＝1，acc≤0时，int＝0。

本发明有益效果如下：

针对驾驶状态的转换采取分层决策：使用人工神经网络算法来产生超车意图，然后采用基于规则的安全性、舒适性等条件判定。超车意图产生解决了是否有必要进行超车的问题。超车意图产生具有较强的主观性，而超车安全等指标又具有较强的客观性。由于训练人工神经网络的驾驶数据来自特定的驾驶员，所以训练结果可以充分体现驾驶员的主观特殊性。采用基于规则的超车条件判定，解决了能不能进行超车的问题，既反映了超车过程的客观性规律，又能够避免神经网络算法错误的分类结果带来的危险。这种分层的决策方法，充分考虑超车行为的主观方面与客观方面的因素，保证超车安全、舒适等条件下，使自动驾驶体现了人类的驾驶习惯。通过提出多层次微观交通场景信息模型，使决策模块的信息输入更加丰富完善。采用层次状态机对高速公路驾驶行为进行离散化建模，将连续的驾驶行为解耦，降低决策的复杂度。这种人类驾驶行为习惯的体现有利于自动驾驶技术的普及，一方面使自动驾驶车辆行为决策能够被其他交通参与者所理解，增加整个交通通行的安全性，使自动驾驶车辆融入到真实的交通流中；另一方也很符合车内驾驶员的驾驶行为习惯，良好的用户体验是自动驾驶车辆被认可的前提。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分的从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。

图1为本发明实施例超车行为示意图；

图2为本发明实施例超车行为决策方法流程示意图；

图3为本发明实施例超车意图产生流程示意图；

图4是本发明超车子状态示意图。

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理。

本实施例提出了一种应用于自动驾驶车辆的高速公路超车行为决策方法。使超车行为既能满足特定驾驶员的驾驶习惯，又能满足安全性、舒适性、高效性等基本要求。超车行为是指图1中第2种和第3种超车行为，即超越本车道前车的行为；第1种并行超车的简单行为不予考虑。高速公路设施完善，无行人，无故障车辆，只有正常行驶的机动车辆。

该决策方法，如图2所示，包括以下步骤：

步骤S1、建立超车意图模型；

具体地，如图3所示，包括以下子步骤：

步骤S101、数据采集与预处理；

具体地，采集的数据包括本车、前车、左前车的速度、位置以及道路限速信息；将数据进行预处理得到数据集

S＝{x_host,y_host,v_host,x_front,y_front,v_front,x_left,y_left,v_left,v_limit,t}

其中，x_host,y_host,v_host分别表示本车的横向坐标、纵向坐标和速度，x_front,y_front,v_front分别表示前车的横向坐标、纵向坐标和速度，x_left,y_left,v_left分别 表示左前车的横向坐标、纵向坐标和速度,v_limit表示道路限速，t表示时间。由于本实施例认为在驾驶员实施超车实际动作前3s内的数据都表示产生换道意图的有效数据，因此采集数据为前3s内的数据信息。

步骤S102、特征选取与模型训练得到超车意图模型；

具体地，选取五个特征作为模型的输入向量，向量表达为：

每组向量加上其标签作为一个样本，将所有样本按照4:1的比例分为训练集和测试集两个部分。

利用训练集采用RBF神经网络进行模型训练，测试集用来测试模型的分类准确情况；其中RBF神经网络的径向基函数采用高斯函数。

最终模型输出的结果为0或1，0代表No即没有产生超车意图，1代表Yes即产生超车意图。

上述步骤为离线训练过程，充分提取真实环境中有效信息，为超车决策奠定良好的基础。通过分析人类的驾驶行为，对人类驾驶员超车决策过程中的主观与客观规律进行建模。自动驾驶车辆具有类人的决策能力，使其能够适应真实的交通环境，也能使车内的驾乘人员得到良好的乘坐体验。利用RBF神经网络算法对采集到的驾驶数据进行离线学习，得到超车意图模型，以逼近特定驾驶员的主观决策，带来良好的驾乘体验。

步骤S2、根据环境感知信息和本车状态信息，采用超车意图模型，判断是否产生超车意图；是，转步骤S3；否，继续车道保持状态；

本步骤包括以下子步骤：

步骤S201、获得环境感知信息，所述环境感知信息包括前车、左前 车的速度和位置以及道路的限速信息；

步骤S202、获取本车状态信息，包括本车的位置和速度信息；

步骤S203、采用超车意图模型，判断是否产生超车意图；是，转步骤S3；否，继续车道保持状态；

具体地，将步骤S210和步骤S202获得的数据进行处理得到向量

将得到的上述向量输入超车意图模型后，根据模型输出结果判断是否产生超车意图；模型输出结果为1，表示是，转步骤S3；模型输出结果为0，表示否，继续车道保持状态；

步骤S3、判断是否满足超车条件；是，转步骤S4；否，继续车道保持状态。

具体包括下述子步骤：

步骤S301，判断超车是否满足合法性和安全性；是，进入步骤S302；否，继续车道保持状态；

合法性与安全性是超车规则的首要满足的条件，是超车规则判断的第一层。合法性是指超车过程中必须遵循交通法律法规约束，例如左侧超车原则、匝道禁止超车等。

满足安全性判断规则，则超车满足安全性。

安全性判断规则为：

其中，d为本车与前车的实际距离，d_safe为安全距离，TTC为本车与前车的碰撞时间，TTC_safe为安全碰撞时间。本实施例安全碰撞时间为2.5s。

其中，安全距离模型采用Pitt模型：

d_safe＝μ_safeν_host+L_vehicle+10

式中，μ_safe为驾驶员敏感系数，根据经验值选取，本实施例取驾驶员敏感系数为2s，L_vehicle为本车车辆长度，10m为附加缓冲距离。

本车与前车的碰撞时间TTC：

式中，y_front,y_host分别为前车与本车纵向坐标，v_front,v_host分别为前车与本车速度。

步骤S302、进行超车规则判断，满足则转步骤S4；不满足则继续车道保持状态；

具体地，超车规则判断是指，判断是否满足Y_overtake＞N_overtake；其中，Y_overtake为超车收益、N_overtake为超车损失。

超车收益与超车损失是在满足超车合法性与安全性后的次级判断准则，主要考虑了效率性、舒适性与利他性。

超车收益由效率性评价指标计算得到：

Y_overtake＝μ_efficiencyC_efficiency

效率性评价指标C_efficiency主要用来描述超车行为所获得的通行速度上的提升程度，考虑了目标车道与本车道通行速度的不同以及左前车与前车行为的影响。μ_efficiency为权重系数，根据需要由本领域技术人员来设定。

效率性评价指标通过下式计算：

C_efficiency＝μ_v(v_leftlane-v_currentlane)+μ_leftfrontB_leftfront+μ_frontB_front

其中，v_leftlane为左侧车道通行速度，v_currentlane为本车道通行速度，B_leftfront为左前车行为属性，数值取左前车加速度值；B_front为前车行为属性，数值取前车加速度值，行为属性指的是驾驶员的加速减速操作。μ_v,μ_leftfront,μ_front为 权重系数。

其中：μ_v＝1，

μ_leftfront+μ_front＝1

超车损失包含舒适性与利他性损失：

N_overtake＝μ_comfortC_comfort+μ_altruisticC_altruistic

C_comfort为舒适性评价指标，C_altruistic为利他性评价指标，μ_comfort、μ_altruistic分别为权重系数，本实施例中μ_comfort、μ_altruistic均取0.5。

舒适性评价指标主要是衡量智能决策结果对驾乘人员乘坐感受的影响，采用反映车辆加速度变化的指标冲击度j来表达。

C_comfort＝μ_latj_lat+μ_lonj_lon

其中，j_lat为横向加速度冲击度，j_lon为纵向加速度冲击度，μ_lat、μ_lon为权重系数。本实施例中μ_lat、μ_lon均取0.5。

冲击度j，即整体加速度的变化率：

其中，θ是前轮转角，L_wheelbase为轴距，v_host是车辆后轴中心运动速度。将式2和3分别代入式1即可求得j_lat和j_lon。

利他性评价指标主要衡量超车行为对交通流或者其他车辆的影响。分析具体的超车行为，当自动驾驶车辆进行超车时，干扰主要发生在两次换道时，对左后车或者右后车可能会产生明显的影响。这种影响主要 是指速度的降低或者加速行驶的中断，自动驾驶车辆超车决策在利他性上的基本原则是：对其他行驶车辆不产生或者轻微产生消极影响，尽量产生积极影响。下面，通过是否造成其他车辆速度下降来量化对其的影响，假设左换道时的左后车与右换道的右后车均在执行正常车道保持行驶。在换道准备过程中，利他性会充分考虑车辆避让意图。

根据换道时是否对左后车或右后车造成减速影响，考虑其避让意图来计算利他性评价指标：

C_altruistic＝μ_accacc+μ_intint

其中，acc为通过ACC模型计算得到的加速度，int为车辆避让意图，μ_acc、μ_int为权重系数，本实施例均取0.5；acc≥0时，int＝1，acc≤0时，int＝0。

车辆执行自适应巡航(Adaptive Cruise Control，ACC)模型：

其中，d_min为本车与目标车辆最小间隔距离，h_desired为本车与目标车辆时距，v_target为目标车辆速度，d_target为本车与目标车辆距离，v_host为本车速度，acc为本车目标加速度，μ_d、μ_v为权重系数。目标车辆根据实际情况指本车左后车或者右后车。

步骤S4、进入超车子状态，开始超车。

具体地，如图4所示，由于交通法规限定超车行为必须从左侧进行，因此只考虑了从被超车辆左侧超越的情况。与人类驾驶员超车过程相似，超车子状态依次包括左换道准备、左换道、并行超越、右换道准备和右换道完成超车。其中，左换道准备是超车子状态的初始默认状态。

本实施例，通过提出多层次微观交通场景信息模型，使决策模块的 信息输入更加丰富完善。采用层次状态机对高速公路驾驶行为进行离散化建模，将连续的驾驶行为解耦，降低决策的复杂度。针对驾驶状态的转换采取分层决策：使用人工神经网络算法来产生超车意图，然后采用基于规则的安全性、舒适性等条件判定。超车意图解决了是否有必要进行超车的问题。超车意图的产生具有较强的主观性，而超车安全等指标又具有较强的客观性。由于训练人工神经网络的驾驶数据来自特定的驾驶员，所以训练结果可以充分体现驾驶员的主观特殊性。采用基于规则的超车条件判定，解决了能不能进行超车的问题，既反映了超车过程的客观性规律，又能够避免神经网络算法错误的分类结果带来的危险。这种分层的决策方法，充分考虑超车行为的主观方面与客观方面的因素，保证超车安全、舒适等条件下，使自动驾驶体现了人类的驾驶习惯。这种人类驾驶行为习惯的体现有利于自动驾驶技术的普及，一方面使自动驾驶车辆行为决策能够被其他交通参与者所理解，增加整个交通通行的安全性，使自动驾驶车辆融入到真实的交通流中；另一方也很符合车内驾驶员的驾驶行为习惯，良好的用户体验是自动驾驶车辆被认可的前提。

本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种应用于自动驾驶车辆的高速公路超车行为决策方法，其特征在于，包括以下步骤：

步骤S1、建立超车意图模型；

步骤S2、根据环境感知信息和本车状态信息，采用超车意图模型，判断是否产生超车意图；是，转步骤S3；否，继续车道保持状态；

步骤S3、判断是否满足超车条件；是，转步骤S4；否，继续车道保持状态；

步骤S4、进入超车子状态。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1包括以下子步骤：

步骤S101、数据采集与预处理；

采集的数据包括本车、前车、左前车的速度、位置以及道路限速信息；将数据进行预处理得到数据集

S＝{x_host,y_host,v_host,x_front,y_front,v_front,x_left,y_left,v_left,v_limit,t}

其中，x_host,y_host,v_host分别表示本车的横向坐标、纵向坐标和速度，x_front,y_front,v_front分别表示前车的横向坐标、纵向坐标和速度，x_left,y_left,v_left分别表示左前车的横向坐标、纵向坐标和速度，v_limit表示道路限速，t表示时间；

步骤S102、特征选取与模型训练得到超车意图模型；

选取五个特征作为模型的输入向量，向量表达为：

$EigenVector={\[\frac{v_{host}}{v_{front}},\frac{v_{front}}{v_{\lim it}},\frac{v_{left}-v_{front}}{v_{\lim it}},\frac{v_{front}-v_{host}}{v_{\lim it}},\frac{y_{front}-y_{host}}{v_{host}}\]}^T$

采用RBF神经网络进行模型训练得到超车意图模型。

3.根据权利要求1或2所述的方法，其特征在于：所述步骤S2包括以下子步骤：

步骤S201、获得环境感知信息；

步骤S202、获得本车状态信息；

步骤S203、将步骤S201和步骤S202获得的信息进行处理得到超车意图模型输入向量，输入超车意图模型，根据模型输出结果判断是否产生超车意图；是，转步骤S3；否，继续车道保持状态。

4.根据权利要求1所述的方法，其特征在于：所述步骤S3包括下述子步骤：

步骤S301，判断超车是否满足合法性和安全性；是，进入步骤S302；否，继续车道保持状态；

步骤S302、进行超车规则判断，满足则转步骤S4；不满足则继续车道保持状态。

5.根据权利要求4所述的方法，其特征在于：所述合法性是指超车过程中必须遵循交通法律法规约束。

6.根据权利要求4或5所述的方法，其特征在于：所述判断超车是否满足安全性是根据安全性判断规则进行判断；

所述安全性判断规则为：

$\left\{\begin{array}{c}d>d_{safe}\\ TTC>{\mathrm{TTC}}_{safe}\end{array}\right.$

其中，d为本车与前车的实际距离，d_safe为安全距离，TTC为本车与前车的碰撞时间，TTC_safe为安全碰撞时间。

7.根据权利要求6所述的方法，其特征在于：所述安全距离采用下式得到：

d_safe＝μ_safev_host+L_vehicle+10

式中，μ_safe为驾驶员敏感系数，v_host表示本车速度，L_vehicle为本车车辆长度，10m为附加缓冲距离。

8.根据权利要求6所述的方法，其特征在于：所述本车与前车的碰撞时间TTC由下式得到：

$TTC=\frac{y_{front}-y_{host}}{v_{host}-v_{front}}$

式中，y_frot,y_host分别为前车与本车纵向坐标，v_front,v_host分别为前车与本车速度。

9.根据权利要求4所述的方法，其特征在于：所述超车规则判断是指，判断是否满足Y_overtake＞N_overtake；其中，Y_overtake为超车收益、N_overtake为超车损失。

10.根据权利要求9所述的方法；其特征在于：所述超车收益由下式计算得到：

Y_overtake＝μ_efficiencyC_efficiency

C_efficiency为效率性评价指标，μ_efficiency为权重系数；

C_efficiency＝μ_v(v_leftlane-v_currentlane)+μ_leftfrontB_leftfront+μ_frontB_front

其中，v_leftlane为左侧车道通行速度，v_currentlane为本车道通行速度，B_leftfront为左前车行为属性，数值取左前车加速度值；B_front为前车行为属性，数值取前车加速度值，μ_v,μ_leftfront,μ_front为权重系数；

所述超车损失由下式计算得到：

N_overtake＝μ_comfortC_comfort+μ_altruisticC_altruistic

C_comfort为舒适性评价指标，C_altruistic为利他性评价指标，μ_comfort、μ_altruistic分别为权重系数；

C_comfort＝μ_latj_lat+μ_lonj_lon

其中，j_lat为横向加速度冲击度，j_lon为纵向加速度冲击度，μ_lat、μ_lon分别为权重系数；

C_altruistic＝μ_accacc+μ_intint

其中，acc为本车目标加速度，int为车辆避让意图，μ_acc、μ_int分别为权重系数；acc≥0时，int＝1，acc≤0时，int＝0。