CN108583578B - 用于自动驾驶车辆的基于多目标决策矩阵的车道决策方法 - Google Patents

Abstract

本发明提供一种用于自动驾驶车辆的基于多目标决策矩阵的车道决策方法，包括下列步骤：(1)以自动驾驶车辆左侧车道、所在车道和右侧车道作为待决策车道，在确定的导航路线上，采集每条待决策车道上能继续行驶的距离和限速信息，对每条待决策车道信息进行量化，得到每条待决策车道的评价信息；(2)采集每条待决策车道上相对自动驾驶车辆纵向距离最近的前后两侧的障碍物信息，判断前后两个障碍物的当前位置和速度信息，以及设定时间后的位置信息，并计算出当前时刻和设定时间前后两个障碍物分别相对自动驾驶车辆的相对距离；(3)将上述信息整理得到待决策车道的综合评价信息，形成决策矩阵；(4)对决策矩阵处理，计算得到决策车道，从而实现自动驾驶车辆的实时自主车道决策。

Description

用于自动驾驶车辆的基于多目标决策矩阵的车道决策方法

技术领域

本发明涉及一种自动驾驶方法，尤其是涉及一种用于自动驾驶车辆的基 于多目标决策矩阵的车道决策方法。

背景技术

自动驾驶是智能交通的关键技术，也是未来汽车发展的必然趋势。减少 驾驶压力、提高安全性、避免交通拥堵并降低污染是自动驾驶技术发展的主 要出发点。自动驾驶车辆作为一个复杂软硬件结合系统，其安全可靠运行需 要车载硬件、传感器集成、感知预测、决策规划控制等多个模块的协同配合 工作。其中决策规划模块是实现安全、可靠的车辆自动驾驶技术，从而实现 自动驾驶技术广泛普及的关键。

决策规划由车道决策和动作规划两部分组成。车道决策是指无人驾驶车 辆通过感知周边交通状况，结合车辆当前位置和路由意图，选择最合适的车 道行驶，是自动驾驶车辆的行为决策；动作规划是指自动驾驶车辆的动作决 策。

从车道决策的可行性、安全性和舒适性考虑，车道决策方法应该能够根 据路况信息综合选择最优的车道行驶。其中，可行性要求能够完成车道的自 主决策并保证到达目标位置，安全性要求车道决策必须保证行驶安全，舒适 性要求自动驾驶车辆避免频繁更换车道。

决策规划模块的实现需采集自动驾驶车辆周边重要的交通信息，不仅包 括其本身的当前位置、速度、运动方向以及所在车道，还包括通过感知得到 的障碍物、交通信号和车道信息。目前自动驾驶技术主要通过视觉传感器、 毫米波雷达、激光雷达等传感器感知自动驾驶车辆周围交通状况，传感器数 据经过处理后得到车辆周边障碍物的尺寸、位置、速度和运动方向等信息， 以及当前所在道路相关的交通信号。车道决策需在这些信息的基础上，作出 无人驾驶车辆的行驶策略。

自动驾驶车辆的决策规划模块的实现需由感知系统和地图提供信息输 入，其决策与规划过程可单独实现，也可同时实现。目前，车道决策一般采 用专家经验法、引力场方法、神经网络和障碍物威胁度等方法。这些方法普 遍存在考虑因素过多、计算复杂的缺点，或缺乏实时性和灵活性。

发明内容

根据现有自动驾驶车辆感知系统的特点，本发明提出了一种用于自动驾 驶车辆的基于多目标决策矩阵的车道决策方法，为车辆自动驾驶中道路决策 提供简单可靠的解决方案。

一种用于自动驾驶车辆的基于多目标决策矩阵的车道决策方法，包括下 列步骤：

(1)以自动驾驶车辆左侧车道、所在车道和右侧车道作为待决策车道， 在确定的导航路线上，根据自动驾驶车辆的位置，在该时刻下，采集每条待 决策车道上能继续行驶的距离和限速信息，对每条待决策车道信息进行量 化，得到每条待决策车道的评价信息；

(2)采集每条待决策车道上相对自动驾驶车辆纵向距离最近的前后两 侧的障碍物信息，采集前后两个障碍物的当前位置和速度信息，以及经过一 段设定时间后的位置信息，并计算出当前时刻和到设定时间时前后两个障碍 物分别相对自动驾驶车辆的相对距离，获取每条待决策车道的四个相对距离 的信息；

(3)将上述得到的信息，即每条待决策车道的综合评价信息S_L，前方 障碍物当前时刻的相对距离S_f、前方障碍物设定时间后的相对距离S_fn、后 方障碍物当前时刻的相对距离S_b、后方障碍物设定时间后的相对距离S_bn， 整理得到决策矩阵；

(4)对决策矩阵进行处理，通过决策方法对每条待决策车道进行综合 排序。其中，决策方法包括决策信息权重计算、决策分析两个过程，从而实 现自动驾驶车辆的实时自主车道决策，进而判断当前时刻应选择的待决策车 道。

进一步的，步骤(1)中，自动驾驶车辆所处位置所有车道最大可继续 行驶的距离为L_max，最大限速为V_max，某条待决策车道可继续行驶的距离 为L_r，车道限速为V_r，则该条待决策车道的综合评价结果为S_L:

其中，W_L、W_V分别为该待决策车道可继续行驶的距离权重与该待决策 车道限速权重。

进一步的，步骤(2)中，当待决策车道上，相对自动驾驶车辆的前方 或后方没有障碍物时，假定存在与自动驾驶车辆速度相同的虚拟障碍物，且 其与自动驾驶车辆的相对距离为可变道的固定距离。

步骤(2)中，对不存在的车道或者不可跨越超车的车道，假定该车道 存在两个与自动驾驶车辆速度相同的虚拟障碍物，位于自动驾驶车辆的前方 和后方，且与自动驾驶车辆的相对距离为不可变道的固定距离。

步骤(2)中，对不存在的车道或者不可跨越超车的车道，车道综合评 价结果为固定最小值Sl_min。

进一步的，步骤(3)中，根据待决策车道的评价信息和关键障碍物当 前时刻和设定时刻后的相对位置信息，形成一个3行5列的决策矩阵。

进一步的，步骤(4)中，决策信息权重包括经验权重W_h和路况信息权 重W_e，其中经验权重W_h根据经验给定：

W_h＝(wh_l,wh_f,wh_fn,wh_b,wh_bn) (2)

wh_l、wh_f、wh_fn、wh_b、wh_bn分别为车道量化信息、当前时刻前方障碍物相对距离、 设定时间后前方障碍物相对距离、当前时刻后方障碍物相对距离、设定时间 后后方障碍物相对距离等属性的经验权重；

路况信息权重W_e采用熵权重分析方法得到，采集原始数据形成的决策 矩阵A如下式所示：

矩阵A中a_1j,a_2j,a_3j分别为左侧车道、当前车道和右侧车道的决策信息处理结 果，j＝1、2、3、4、5分别为自动驾驶车辆在每条待决策车道的车道量化信 息、当前时刻与前方障碍物相对距离、设定时间后与前方障碍物相对距离、 当前时刻与后方障碍物相对距离、设定时间后与后方障碍物相对距离；

利用路况信息权重和经验权重得到最终的权重W：

W＝α*W_h+(1-α)*W_e (4)

其中0<α<1，为权重系数；可通过调整权重系数α和经验权重W_h对车道决 策的效果进行调整。

然后，根据决策矩阵A得到路况信息权重W_e的处理步骤如下：

根据熵权重计算方法对决策矩阵进行归一化，得到归一化后决策矩阵B：

其中，

第j项属性的熵值e_j为:

其中m＝3；得到熵值后，归一化得到各属性的熵权重：

式(8)中n＝5。最后，熵权重具体为：

W_e＝(we_l,we_f,we_fn,we_b,we_bn) (9)

we_l、we_f、we_fn、we_b、we_bn分别为车道量化信息、当前时刻前方障碍物相对距离、 若干时间后前方障碍物相对距离、当前时刻后方障碍物相对距离、若干时间 后后方障碍物相对距离等属性的熵权重。

并且，步骤(4)中，决策分析过程如下：

首先，利用归一化后的决策矩阵B和权重计算方法得到的权重W：

W＝(w_l,w_f,w_fn,w_b,w_bn) (10)

w_l、w_f、w_fn、w_b、w_bn为综合经验权重和熵权重得到的各属性最终权重，利用归 一化决策矩阵B和权重W，计算得到加权规范化决策矩阵V：

其中，

v_ij＝w_j*b_ij(i∈m,j∈n) (12)

利用加权规范化决策矩阵可得到正理想解X⁺和负理想解X^-，正理想解由加 权规范化决策矩阵中每一列的最大值组成，负理想解由加权规范决策矩阵中 每一列的最小值组成，

然后，分别计算每条待决策车道的决策方案与正理想解和负理想解的欧 式距离，可以得到不同决策方案与正负理想解的差异程度：

最后，计算每个决策方案与理想解的相对接近度指数C_i:

由于0≤C_i≤1，且C_i越大表明方案越接近正理想解，所以最终决策车道 为C_i值最大的车道。

与现有主要车道决策方法相比，本发明方法具有参数少、反应快、计算 量少的特点，决策过程具有良好实时性和自主性；选取的决策参数简洁、明 确，且可以针对不同场景获得保证安全性前提下兼顾舒适性和敏捷性的车道 决策结果。

附图说明

图1是本发明提供的方法实现流程图；

图2是车道信息示意图；

图3是障碍物信息采集示意图

图4是车道决策信息示意图；

图5是特殊情况示意图；

图6是某时刻自动驾驶车辆A交通状况示意图。

具体实施方式

在目前技术水平下，自动驾驶车辆的感知系统主要通过摄像头、雷达、 红外线和超声波等方式检测周围交通状况。能检测的包括自动驾驶车辆周边 障碍物的类型、速度、运动方向以及所在车道等信息；交通信号灯、道路交 通线、道路限速以及路标等交通信息。由于遮挡、光照、天气等复杂因素， 自动驾驶车辆仅仅对所检测的自身周围距离较近的障碍物的信息具有较高 的置信度。

从交通信息可靠性和车道决策的可行性出发，本发明涉及的方法提出以 自动驾驶车辆所在车道、自动驾驶车辆左侧车道和右侧车道为待决策车道， 以待决策车道上距离自动驾驶车辆最近的障碍物为关键障碍物；收集车道信 息和关键障碍物信息，处理形成决策矩阵并采用多属性决策进行车道决策的 方法。

本发明中采集到的相关信息，是通过自动驾驶车辆的感知系统获取的， 其数据都采用实时数据，采集的数据包括距离、速度，如果利用更多的传感 器进行数据采集，并通过更快的数据计算设备进行相关数据的处理，本发明 能够极大的提高精确度和准确性。

对于每一条待决策车道，本发明提出的决策信息由两部分组成：(1) 待决策车道的道路拓扑结构、道路限速和车道线等形成的车道信息；(2) 关键障碍物所在车道、速度、位置等形成的障碍物信息。

综合考虑自动驾驶车道决策方法的可行性和安全性，对于每一条待决策 车道，本发明方法提出的决策参数具体由5个参数组成：

(1)待决策车道的道路拓扑结构和道路限速量化后的车道信息；

(2)当前时刻，自动驾驶车辆与待决策车道前方最近障碍物的相对距 离；

(3)假设自动驾驶车辆和障碍物匀速行驶条件下，若干时间后(N秒)， 自动驾驶车辆与待决策车道前方最近障碍物的相对距离；

(4)当前时刻，自动驾驶车辆与待决策车道后方最近障碍物的相对距 离；

(5)假设自动驾驶车辆和障碍物匀速行驶条件下，若干时间后(N秒)， 自动驾驶车辆与待决策车道后方最近障碍物的相对距离。

车道决策方案的实现由信息收集、处理与决策分析三部分组成，下面分 别进行详细说明。

一、车道信息采集与处理

1.车道信息采集

图2为车道信息采集与处理示意图。如图2所示，车辆A为自动驾驶 车辆，M1-M3为本发明方法关注的待决策车道。根据目的地位置和导航规 划结果，通过电子地图得到自动驾驶车辆在不违反目的地导航指令的情况 下，也就是在当前导航规划的路线上，在该路线不同的待决策车道所能继续 行驶的距离Lr(m)以及各待决策车道的限速V_max(km/h)。比如M1车道的 限速是60，M2车道的限速是50，M3车道的限速是40。

综合考虑车道决策的可行性和自动驾驶车辆的敏捷性，利用待决策车道 能继续行驶的距离和限速对待决策车道信息进行量化，得到每条待决策车道 的综合评价。该评价结果决定了自动驾驶车辆选择哪一条待决策车道进行行 驶，从而按照导航规划的结果顺利到达目的地。另一方面，需检测并识别相 邻车道是否为可以跨越超车的车道(图2车道线)。

2.车道信息处理

如图2所示，将自动驾驶车辆A的左侧车道、当前车道和右侧车道在该 路线上分别可继续行驶的距离记为L_r1、L_r2、L_r3，每一条待决策车道的限速分 别为V_L1、V_L2,、V_L3。

本发明方法按权重对每条待决策车道所能继续行驶的距离和限速进行量 化。假设某时刻，自动驾驶车辆所处位置的车道最大可继续行驶的距离为 L_max，最大限速为V_max。某条待决策车道可继续行驶的距离为L_r，车道限速 为V_r。该条待决策车道的综合评价结果为S_L:

其中，W_L、W_V分别为该待决策车道可继续行驶的距离权重与该待决策 车道限速权重。

二、障碍物信息采集与处理

1.障碍物信息采集

图3为关键障碍物信息采集示意图，本发明方法仅关注待决策车道上相 对自动驾驶车辆距离最近的障碍物，这些障碍物被称为“关键障碍物”。障 碍物的类型包括传感器所能检测到的所有类型，如车辆、行人、不明障碍物 等。如图3所示，自动驾驶车辆左侧车道前后方的关键障碍物分别为行驶车 辆L1和L2，当前时刻，它们与自动驾驶车辆的相对纵向距离分别为S_f和 S_b；当前车道前方障碍物为行驶车辆C1，后方障碍物为不明障碍物C2；右 侧车道前方障碍物为行驶车辆R1，后方障碍物为行人R2。其他障碍物为非 关键障碍物，如图3车辆X。为实现本发明方法，需要收集处理每条待决策 车道上关键障碍物所在的车道、位置和速度等信息。

2、障碍物信息处理

如图4所示，以自动驾驶车辆A左侧车道为例，对关键障碍物信息的处理 进行说明。某时刻，自动驾驶车辆A位置如图4所示，自动驾驶车辆速度为 V。当前时刻，左侧前方最近障碍物为L1，其速度为V_L1；后方最近障碍物 为L2，其速度为V_L2。

本发明方法所述的相对距离是指自动驾驶车辆与障碍物之间的纵向相对 距离。例如，自动驾驶车辆当前位置在地图上的纵向坐标为S_A，障碍物L1 在地图上的纵向坐标为S_L1，则它们之间的相对距离为：S_L1＝|S_A-S_L1|。当前 时刻，根据自动驾驶车辆和前后方最近障碍物的位置(图4实线)，可以得 到自动驾驶车辆与该条待决策车道上前方最近障碍物的相对距离S_f；自动驾 驶车辆与该条待决策车道上后方最近障碍物的相对距离S_b。

如图4所示，在假定自动驾驶车辆和障碍物匀速行驶的情况下，根据位置 和速度信息可以得到若干时间后(N秒)，自动驾驶车辆与前后方最近障碍 物的相对距离(图4虚线)。若干时间后(N秒)，自动驾驶车辆与该条待 决策车道上前方最近障碍物L1的相对距离为S_fn＝S_f+V_L1*N-V_A*N；自动驾驶 车辆与该条待决策车道上后方最近障碍物L2的相对距离为 S_fn＝S_f+V_L1*N-V_A*N。

三、特殊情况说明

在一些特殊情况下，为能够获得完整的车道决策信息，进行具体说明:

(1)如图5所示，当自动驾驶车辆位于最右侧车道时，此时不存在右侧 车道。对于此类情况，通过假定在右侧车道存在两个虚拟障碍物(R1、R2)， 它们与自动驾驶车辆的相对距离为设定的固定距离S_min，所述设定距离使得 自动驾驶车辆不能变换到右侧车道，当车辆位于最左侧车道也属于此类情 况。当某侧车道为不可跨越超车车道时，按最右侧或最左侧车道处理。如果 是单行道，则假定两侧设置有车道，并都存在虚拟障碍物。

(2)当待决策车道上在自动驾驶车辆的前方没有或检测不到障碍物时 (图5左侧车道)，则假定自动驾驶车辆前方存在虚拟障碍物(例如，图5 中L1)，其与自动驾驶车辆之间的相对距离为本方法设定的相对距离(S_max)， 该相对距离使得自动驾驶车辆能变换到该侧车道，与自动驾驶车辆所在车道 可继续行驶距离L之间的较小值，即S_f＝min(S_max,L)。

(3)当待决策车道相对自动驾驶车辆的后方没有或检测不到障碍物时， 假定自动驾驶车辆后方存在虚拟障碍物(例如图5中C2)，其与自动驾驶车 辆之间的相对距离为本方法设定的相对距离(S_max)。

(4)为便于处理若干时间后的相对距离，本方法中虚拟障碍物速度与自 动驾驶车辆速度相同。

(5)当不存在左侧或右侧车道，或某侧车道为不可跨越超车车道时，本 方法假定该待决策车道的综合评价结果为固定值Sl_min。

经过上述处理方法，可以得到左侧、右侧以及自动驾驶车辆当前车道完 整的决策信息。

四、决策分析

本发明方法基于所收集的车道和关键障碍物信息，处理得到决策矩阵所 需的参数如表1所示。每条待决策车道的综合评价结果S_L，前方障碍物当 前时刻的相对距离S_f、前方障碍物若干时间后(N秒)的相对距离S_fn、后 方障碍物当前时刻的相对距离S_b、后方障碍物若干时间后(N秒)的相对距 离S_bn。

表1决策矩阵示意表，每个空格中都有对应的数值，其中的XX是指 的计算出的数值。

	S<sub>L</sub>	S<sub>f</sub>	S<sub>fn</sub>	S<sub>b</sub>	S<sub>bn</sub>
						左侧车道	xx	xx	xx	xx	xx
当前车道	xx	xx	xx	xx	xx
						右侧车道	xx	xx	xx	xx	xx

本发明采用多属性决策方法，通过决策方法对每条待决策车道进行综合 排序，实现自动驾驶车辆实时自主车道决策。对于本发明方法，将自动驾驶 车辆的当前车道和左右相邻车道共同形成的待决策车道分别做出决策方案， 而每个方案由该待决策车道的1个车道信息和4个障碍物的相对距离信息组 成。决策方法由决策信息权重计算、决策分析两部分组成。图6为某时刻自 动驾驶车辆A周边交通状况示意图(仅显示待决策车道上关键障碍物的位 置)，下面以该实例对决策方法的过程进行介绍。

1.权重计算

如图1所示，本发明方法车道决策信息权重由路况信息权重和经验权重两 部分组成，其中经验权重W_h根据经验给定：

W_h＝(wh_l,wh_f,wh_fn,wh_b,wh_bn) (2)

wh_l、wh_f、wh_fn、wh_b、wh_bn分别为车道量化信息、当前时刻前方障碍物相对距离、 若干时间后前方障碍物相对距离、当前时刻后方障碍物相对距离、若干时间 后后方障碍物相对距离等属性的经验权重。

路况信息权重W_e采用熵权重分析方法得到，下面对熵权重计算方法进行 简要说明。采集原始数据形成的决策矩阵，决策矩阵A如式(3)所示。

矩阵A中a_1j,a_2j,a_3j分别为左侧车道、当前车道和右侧车道决策信息处理结果。 j＝1、2、3、4、5分别为决策车道的车道量化信息、当前时刻与前方障碍物 相对距离、若干时间(或者说是设定时间)后与前方障碍物相对距离、当前 时刻与后方障碍物相对距离、若干时间后与后方障碍物相对距离。例如，对 于图6所示实例，决策矩阵为：

根据熵权重计算方法对决策矩阵进行归一化，得到归一化后的决策矩阵B：

其中，

对于图6所示实例，归一化后的决策矩阵为：

第j项属性的熵值e_j为:

其中m＝3。得到熵值后，归一化得到各属性的熵权重：

式(8)中n＝5。最后，熵权重具体为：

W_e＝(we_l,we_f,we_fn,we_b,we_bn) (9)

we_l、we_f、we_fn、we_b、we_bn分别为车道量化信息、当前时刻前方障碍物相对距离、 若干时间后前方障碍物相对距离、当前时刻后方障碍物相对距离、若干时间 后后方障碍物相对距离各属性的熵权重。

通过对路况信息权重和经验权重得到最终的权重W(0<α<1为权重系 数)：

W＝α*W_h+(1-α)*W_e (10)

本发明方法可通过调整权重系数α和经验权重W_h对车道决策的效果进 行调整，如高速行驶、城市道路行驶时设置不同的经验权重，在保证安全性 情况下实现舒适性和敏捷性的调节。

2.决策分析

决策分析采用传统的TOPSIS(Technique for Order Preference by Similarityto an Ideal Solution)多属性决策分析方法，决策分析过程如下：

首先，利用初始决策信息得到的归一化后的决策矩阵B和权重计算方法 得到权重向量W：

W＝(w_l,w_f,w_fn,w_b,w_bn) (11)

w_l、w_f、w_fn、w_b、w_bn为综合经验权重和熵权重得到的各属性(分别为车道量化 信息、当前时刻前方障碍物相对距离、若干时间后前方障碍物相对距离、当 前时刻后方障碍物相对距离、若干时间后后方障碍物相对距离)最终权重。 利用归一化决策矩阵B和权重W，计算加权规范化决策矩阵V：

其中，

v_ij＝w_j*b_ij(i∈m,j∈n) (13)

利用加权规范化决策矩阵可得到正理想解X⁺和负理想解X^-，正理想解由加 权规范化决策矩阵中每一列的最大值组成，负理想解由加权规范决策矩阵中 每一列的最小值组成，

然后，分别计算每条待决策车道的决策方案与正理想解和负理想解的欧 式距离，可以得到不同决策方案与正负理想解的差异程度：

最后，计算每个决策方案与理想解的相对接近度指数C_i:

由于0≤C_i≤1，且C_i越大表明方案越接近正理想解，所以最终决策车道为 C_i值最大的车道。对于图6所示实例，决策结果见表2，因而车道决策为继续 在当前道路行驶。

表2图6实例决策结果

车道	左侧车道	当前车道	右侧车道
				计算结果	0.43	0.73	0.26

本发明具有以下特点：

1、图1提出的由信息收集、信息处理和决策分析三部分组成的车道决策 实现架构是本发明方法创新点之一。

2、本发明方法决策车道和关键障碍物的选取与考量，以及虚拟障碍物 的处理是其创新点之一。决策信息中车道可行走距离和限速信息体现了道路 决策的目的性，自动驾驶车辆与关键障碍物的相对距离和若干时间后的相对 距离综合考虑了道路决策的安全性和可行性。决策信息简洁、明确，是本发 明欲保护的主要创新点。

3、本发明方法中决策属性权重的选取与调整能够在安全可行前提下， 针对不同路况场景实现舒适性和敏捷性的调整，是本方法的一个重要创新 点。

4、本发明方法采集并处理自动驾驶车辆周边车道信息和关键障碍物信 息，并采用多属性决策方法实现实时、快捷的车道决策是本发明的一个重要 创新点。任何以自动驾驶车辆所在位置不同车道的障碍物和车道信息处理得 到决策矩阵，并采用多属性决策方法的车道决策方法属于本发明方法的变体 或扩展。

Claims (9)

1.一种用于自动驾驶车辆的基于多目标决策矩阵的车道决策方法，其特征在于，包括下列步骤：

(1)以自动驾驶车辆左侧车道、所在车道和右侧车道作为待决策车道，在确定的导航路线上，根据自动驾驶车辆的位置，在该时刻下，采集每条待决策车道上能继续行驶的距离和限速信息，对每条待决策车道信息进行量化，得到每条待决策车道的评价信息，包括每条待决策车道可继续行驶的距离权重与该待决策车道限速权重；

(2)采集每条待决策车道上相对自动驾驶车辆纵向距离最近的前后两侧的障碍物信息，采集前后两个障碍物的当前位置和速度信息，以及经过一段设定时间后的位置信息，并计算出当前时刻和到设定时间时前后两个障碍物分别相对自动驾驶车辆的相对距离，获取每条待决策车道的四个相对距离的信息；

(3)将上述得到的信息，即每条待决策车道的综合评价信息S_L，前方障碍物当前时刻的相对距离S_f、前方障碍物设定时间后的相对距离S_fn、后方障碍物当前时刻的相对距离S_b、后方障碍物设定时间后的相对距离S_bn，整理得到决策矩阵；

(4)对决策矩阵进行处理，通过决策方法对每条待决策车道进行综合排序；其中，决策方法包括决策信息权重计算、决策分析两个过程，所述决策信息权重包括经验权重Wh和路况信息权重We，经验权重W_h根据经验给定，路况信息权重W_e采用熵权重分析方法得到，利用路况信息权重和经验权重得到最终的权重W；

采集原始数据形成的决策矩阵A，根据熵权重计算方法对决策矩阵进行归一化，得到归一化后决策矩阵B，利用归一化决策矩阵B和权重W，计算得到加权规范化决策矩阵V，利用加权规范化决策矩阵可得到正理想解和负理想解，分别计算每条待决策车道的决策方案与正理想解和负理想解的欧式距离，得到不同决策方案与正负理想解的差异程度，计算每个决策方案与理想解的相对接近度指数，从而实现自动驾驶车辆的实时自主车道决策，进而判断当前时刻应选择的待决策车道。

2.根据权利要求1所述的用于自动驾驶车辆的基于多目标决策矩阵的车道决策方法，其特征在于：步骤(1)中，自动驾驶车辆所处位置所有车道最大可继续行驶的距离为L_max，最大限速为V_max，某条待决策车道可继续行驶的距离为L_r，车道限速为V_r，则该条待决策车道的综合评价结果为S_L:

其中，W_L、W_V分别为该待决策车道可继续行驶的距离权重与该待决策车道限速权重。

3.根据权利要求1所述的用于自动驾驶车辆的基于多目标决策矩阵的车道决策方法，其特征在于：步骤(2)中，当待决策车道上，相对自动驾驶车辆的前方或后方没有障碍物时，假定存在与自动驾驶车辆速度相同的虚拟障碍物，且其与自动驾驶车辆的相对距离为可变道的固定距离。

4.根据权利要求1所述的用于自动驾驶车辆的基于多目标决策矩阵的车道决策方法，其特征在于：步骤(2)中，对不存在的车道或者不可跨越超车的车道，假定该车道存在两个与自动驾驶车辆速度相同的虚拟障碍物，位于自动驾驶车辆的前方和后方，且与自动驾驶车辆的相对距离为不可变道的固定距离。

5.根据权利要求1所述的用于自动驾驶车辆的基于多目标决策矩阵的车道决策方法，其特征在于：步骤(2)中，对不存在的车道或者不可跨越超车的车道，车道综合评价结果为固定最小值Sl_min。

6.根据权利要求1所述的用于自动驾驶车辆的基于多目标决策矩阵的车道决策方法，其特征在于：步骤(3)中，根据待决策车道的评价信息和关键障碍物当前时刻和设定时刻后的相对位置信息，形成一个3行5列的决策矩阵。

7.根据权利要求1所述的用于自动驾驶车辆的基于多目标决策矩阵的车道决策方法，其特征在于：步骤(4)中，决策信息权重包括经验权重W_h和路况信息权重W_e，其中经验权重W_h根据经验给定：

W_h＝(wh_l,wh_f,wh_fn,wh_b,wh_bn)(2)

wh_l、wh_f、wh_fn、wh_b、wh_bn分别为车道量化信息、当前时刻前方障碍物相对距离、设定时间后前方障碍物相对距离、当前时刻后方障碍物相对距离、设定时间后后方障碍物相对距离等属性的经验权重；

路况信息权重W_e采用熵权重分析方法得到，采集原始数据形成的决策矩阵A如下式所示：

矩阵A中a_1j,a_2j,a_3j分别为左侧车道、当前车道和右侧车道的决策信息处理结果，j＝1、2、3、4、5分别为自动驾驶车辆在每条待决策车道的车道量化信息、当前时刻与前方障碍物相对距离、设定时间后与前方障碍物相对距离、当前时刻与后方障碍物相对距离、设定时间后与后方障碍物相对距离；

利用路况信息权重和经验权重得到最终的权重W：

W＝α*W_h+(1-α)*W_e(4)

其中0＜α＜1，为权重系数；可通过调整权重系数α和经验权重W_h对车道决策的效果进行调整。

8.根据权利要求7所述的用于自动驾驶车辆的基于多目标决策矩阵的车道决策方法，其特征在于，根据决策矩阵A得到路况信息权重W_e的处理步骤如下：

根据熵权重计算方法对决策矩阵进行归一化，得到归一化后决策矩阵B：

其中，

第j项属性的熵值e_j为:

其中m＝3；得到熵值后，归一化得到各属性的熵权重：

式(8)中n＝5；最后，熵权重具体为：

W_e＝(we_l,we_f,we_fn,we_b,we_bn) (9)

we_l、we_f、we_fn、we_b、we_bn分别为车道量化信息、当前时刻前方障碍物相对距离、若干时间后前方障碍物相对距离、当前时刻后方障碍物相对距离、若干时间后后方障碍物相对距离等属性的熵权重。

9.根据权利要求8所述的用于自动驾驶车辆的基于多目标决策矩阵的车道决策方法，其特征在于：步骤(4)中，决策分析过程如下：

首先，利用归一化后的决策矩阵B和权重计算方法得到的权重W：

W＝(w_l,w_f,w_fn,w_b,w_bn)(10)

w_l、w_f、w_fn、w_b、w_bn为综合经验权重和熵权重得到的各属性最终权重，利用归一化决策矩阵B和权重W，计算得到加权规范化决策矩阵V：

其中，

v_ij＝w_j*b_ij(i∈m,j∈n) (12)

利用加权规范化决策矩阵可得到正理想解X⁺和负理想解X^-，正理想解由加权规范化决策矩阵中每一列的最大值组成，负理想解由加权规范决策矩阵中每一列的最小值组成，

然后，分别计算每条待决策车道的决策方案与正理想解和负理想解的欧式距离，可以得到不同决策方案与正负理想解的差异程度：

最后，计算每个决策方案与理想解的相对接近度指数C_i:

由于0≤C_i≤1，且C_i越大表明方案越接近正理想解，所以最终决策车道为C_i值最大的车道。