CN110619340A - 一种自动驾驶汽车换道规则的生成方法 - Google Patents

Abstract

本发明提供一种自动驾驶汽车换道规则的生成方法，包括：步骤S1，获取选定道路区域的交通数据；步骤S2，根据换道行为影响因素从所述交通数据中筛选得到样本数据；步骤S3，根据所述样本数据计算各换道行为影响因素的灰熵关联度，获得换道行为的条件属性；步骤S4，基于所述换道行为的条件属性的信息增益和增益率，构建换道行为决策树，并根据所述换道行为决策树生成换道规则。本发明有效利用机器学习——决策树——学习模仿人类驾驶行为，避免了神经网络算法学习的驾驶行为的不可解释性，同时还避免了人为设定规则造成换道行为的过约束现象和欠约束现象。

Description

一种自动驾驶汽车换道规则的生成方法

技术领域

本发明汽车自动驾驶技术领域，尤其涉及一种自动驾驶汽车换道规则的生成方法。

背景技术

作为现代交通重要工具之一，汽车给人们的生活带来便利的同时也造成交通拥堵、交通事故频发等问题。研究表明，驾驶员注意力不集中或者驾驶经验不足等人为因素是导致交通事故的主要原因。自动驾驶汽车将驾驶员从传统的“人-车-路”闭环控制系统中解放出来，从根本上解决了上述问题。相对于驾驶员操作汽车，自动驾驶汽车有效避免注意力不集中，并且能对危险场景做出快速反应，从而有效提高车辆行驶安全性和交通系统的运输效率。

自动驾驶汽车利用摄像头、激光雷达和毫米波雷达等多种传感器感知周围的交通环境，从而由汽车大脑规划一条安全可行的最优行驶轨迹，通过模拟人类驾驶员的驾驶行为控制车辆速度和转向跟踪期望轨迹，从而保证车辆安全到达目的地。自动驾驶汽车的关键技术主要包括环境感知、行为决策、路径规划和轨迹跟踪。其中，行为决策作为自动驾驶汽车关键技术之一，是保证自动驾驶汽车安全行驶的必要条件。行为决策是根据车辆周围交通环境做出车道保持、换道、避障、减速停车等驾驶行为决策。城市快速路作为现代交通的重要组成部分，也是自动驾驶探索研究的重要场景之一；同时自主换道行为是自动驾驶汽车智能化的一个重要体现，因此面向城市快速路的自主换到行为得各企业和科研机构的广泛研究和应用。

自主换道行为按照换道行为执行过程可分为：换道意图的产生、换道可行性分析和换道执行三步。其中换道意图的产生是根据车辆周围的交通环境判定车辆是否需要换道；换道可行性分析是车辆产生换道意图之后需要根据目标车道的交通环境以及当前车辆行驶状态判定是否能安全换道；换道执行是通过可行性分析之后，确定车辆可以安全换道，规划一条安全的换道轨迹，并控制车辆跟踪期望轨迹。现有研究对于换道执行和换道安全性分析相对较多，而对于换道意图的判断的研究相对较少。同时现阶段的换道行为决策规则主要基于驾驶员经验，主观设定相应的规则和参数，造成过约束现象较严重，与人类驾驶员的换道行为差异性较大。

发明内容

本发明所要解决的技术问题在于，提供一种自动驾驶汽车换道规则的生成方法，以避免基于经验设定的换道规则造成的过约束现象，以及避免神经网络算法学习出的行为规则的不可解释性。

为了解决上述技术问题，本发明提供一种自动驾驶汽车换道规则的生成方法，包括：

步骤S1，获取选定道路区域的交通数据；

步骤S2，根据换道行为影响因素从所述交通数据中筛选得到样本数据；

步骤S3，根据所述样本数据计算各换道行为影响因素的灰熵关联度，获得换道行为的条件属性；

步骤S4，基于所述换道行为的条件属性的信息增益和增益率，构建换道行为决策树，并根据所述换道行为决策树生成换道规则。

其中，所述换道行为影响因素包括：当前车辆车速，与当前车道前车的相对车速，与当前车道后车的相对车速，与左侧车道前车的相对车速，与左侧车道后车的相对车速，与右侧车道前车的相对车速，与右侧车道后车的相对车速，与当前车道前车车头时距，与当前车道后车车头时距，与左侧车道前车车头时距，与左侧车道后车车头时距，与右侧车道前车车头时距，与右侧车道后车车头时距。

其中，所述步骤S2筛选样本数据时，对于多车道，当前车辆在最左侧车道时，其与左侧车道前车的相对车速的样本数据设置为采集的所有与左侧车道前车的相对车速中的最小值，其与左侧车道后车的相对车速的样本数据设置为采集的所有与左侧车道后车的相对车速中的最大值，其与左侧车道前车车头时距的样本数据设置为采集的所有与左侧车道前车车头时距中的最小值，其与左侧车道后车车头时距的样本数据设置为采集的所有与左侧车道后车车头时距中的最小值；当前车辆在最右侧车道时，其与右侧车道前车的相对车速的样本数据设置为采集的所有与右侧车道前车的相对车速中的最小值，其与右侧车道后车的相对车速的样本数据设置为采集的所有与右侧车道后车的相对车速中的最大值，其与右侧车道前车车头时距的样本数据设置为采集的所有与右侧车道前车车头时距中的最小值，其与右侧车道后车车头时距的样本数据设置为采集的所有与右侧车道后车车头时距中的最小值。

其中，所述步骤S2具体包括：

按照换道行为影响因素，分别从所述交通数据中筛选得到各换道行为影响因素的样本数据；

对各换道行为影响因素的样本数据整理形成多组样本数据，每组样本数据均包含各换道行为影响因素的样本数据。

其中，每组样本数据对应一个决策属性，所述决策属性包括：向左侧换道、车道保持和向右侧换道，向左侧换道行为样本数、车道保持样本数和向右侧换道行为样本数均相等。

其中，所述步骤S3具体包括：

对所述各换道行为影响因素的样本数据和决策属性进行归一化处理；

计算归一化处理后的各换道行为影响因素与决策属性之间的灰关联系数；

根据所述灰关联系数计算各换道行为影响因素的灰关联熵，并进一步计算得到各换道行为影响因素的灰熵关联度；

选择灰熵关联度大于设定阈值的换道行为影响因素作为换道行为的条件属性。

其中，所述归一化处理采用下述公式进行：

上式中：x_o为归一化处理之前的换道行为影响因素的样本数据，x_i为归一化之后的换道行为影响因素的样本数据，x_min和x_max为各换道行为影响因素的样本数据中的最大值和最小值；

所述灰关联系数采用下述公式计算：

上式中：i＝1,2,L m，k＝1,2,L n，m和n分别为换道行为影响因素个数和样本个数；x_i(k)表示归一化之后的换道行为影响因素的样本数据；x_j(k)表示归一化之后的决策属性，其中ρ由下式确定：

上式中：

所述换道行为影响因素的灰关联熵采用下述公式计算：

上式中：H_i表示换道行为影响因素的灰关联熵，则各换道行为影响因素的灰熵关联度为：

上式中：H_m＝log₂n。

其中，所述换道行为的条件属性包括：与当前车道前车的相对车速，与当前车道后车的相对车速，与左侧车道前车的相对车速，与左侧车道后车的相对车速，与右侧车道前车的相对车速，与右侧车道后车的相对车速，与当前车道前车车头时距，与当前车道后车车头时距，与左侧车道前车车头时距，与左侧车道后车车头时距，与右侧车道前车车头时距，与右侧车道后车车头时距。

其中，所述步骤S3之后还包括：

对获得的换道行为的条件属性中的连续量进行离散化，并将离散化后的样本数据划分为训练样本和测试样本。

其中，所述步骤S4具体包括：

计算经离散化后的训练样本的信息增益和增益率，选择信息增益大于所有条件属性信息增益的均值且增益率最大的条件属性作为决策树各层的根节点或父节点，直至叶节点的样本数据只包含一类驾驶行为，所述一类驾驶行为是向左侧换道、车道保持和向右侧换道中的任一种，构建换道行为决策树；

根据构建的换道行为决策树，按照从上至下、从每个根节点到每个叶节点以“与”逻辑连接生成一条换道规则。

其中，所述信息增益采用下述公式计算：

上式中：X_i为条件属性x_i的样本统计数，为条件属性x_i的第z个离散量对应的样本数量统计值，c为条件属性离散化分类总数，E(X_i)表示条件属性x_i的信息熵，表示条件属性x_i的第z个离散量信息熵，信息熵采用下述公式计算：

上式中：X为样本集合，p_t表示对应决策属性的第t类样本占样本集合X中的比例；q为决策属性分类总数。

所述增益率采用下述公式计算：

上式中：

其中，所述步骤S4之后还包括：

采用所述测试样本对生成的换道规则进行验证。

其中，所述采用所述测试样本对生成的换道规则进行验证，具体包括：

将不包含决策属性的测试样本输入所提取的换道规则中，由换道规则决策出相应的驾驶行为；

记录每组样本决策出的驾驶行为，统计出由换道规则决策出的驾驶行为与测试样本的驾驶行为一致的样本数；

将由换道规则决策出的驾驶行为与原测试样本的驾驶行为一致的样本数比上测试样本总数，得到换道规则决策正确率。

其中，训练样本和测试样本的比例为8:2。

本发明实施例的有益效果在于：本发明有效利用机器学习——决策树——学习模仿人类驾驶行为，避免了神经网络算法学习的驾驶行为的不可解释性，同时还避免了人为设定规则造成换道行为的过约束现象和欠约束现象。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一种自动驾驶汽车换道规则的生成方法的流程示意图。

图2是本发明实施例中选定道路区域的示意图。

图3是本发明实施例中换道行为的影响因素示意图。

图4是本发明实施例中构建的第一层决策树的示意图。

图5是本发明实施例中构建的局部决策树的示意图。

具体实施方式

以下各实施例的说明是参考附图，用以示例本发明可以用以实施的特定实施例。

请参照图1所示，本发明实施例提供一种自动驾驶汽车换道规则的生成方法，包括：

步骤S1，获取选定道路区域的交通数据；

步骤S2，根据换道行为影响因素从所述交通数据中筛选得到样本数据；

步骤S3，根据所述样本数据计算各换道行为影响因素的灰熵关联度，获得换道行为的条件属性；

步骤S4，基于所述换道行为的条件属性的信息增益和增益率，构建换道行为决策树，并根据所述换道行为决策树生成换道规则。

具体地，步骤S1所述的交通数据采集，是通过在路侧安装摄像头分不同时段对一段城市快速路的交通数据进行采集，采集过程中对车辆进行统一编号，每帧相隔100ms，采集的车辆属性包括：车辆相对预定道路区域的局部坐标，车速，车道编号，车辆当前时帧，当前车辆前导车，当前车辆跟随车。如图2所示，图中虚线框为预定道路区域，沿着车辆行驶方向，以预定道路区域左下方顶点作为预定道路区域局部坐标系顶点。

步骤S2中，通过分析产生换道行为的原因，确定换道行为影响因素，主要是基于驾驶员经验，并综合考虑相关换道行为模型的影响因素。本实施例中的换道行为影响因素包括：当前车辆车速v_c，与当前车道前车的相对车速v_cf，与当前车道后车的相对车速v_cb，与左侧车道前车的相对车速v_lf，与左侧车道后车的相对车速v_lb，与右侧车道前车的相对车速v_rf，与右侧车道后车的相对车速v_rb，与当前车道前车车头时距t_cf，与当前车道后车车头时距t_cb，与左侧车道前车车头时距t_lf，与左侧车道后车车头时距t_lb，与右侧车道前车车头时距t_rf，与右侧车道后车车头时距t_rb。

如图3所示，其中： 表示当前车道前车的车速，表示当前车道后车的车速，表示左侧车道前车的车速，表示右侧车道后车的车速，表示右侧车道前车的车速，表示右侧车道后车的车速。

按照上述换道行为影响因素，从步骤S1采集的交通数据中筛选出各换道行为影响因素的样本数据，然后整理形成多组样本数据，每组样本数据均包含各换道行为影响因素的样本数据。每组样本数据对应的决策结果为：向左侧换道、车道保持和向右侧换道，为便于后续步骤构建决策树，用实数值表示三个语义量，具体地，决策属性D＝-1表示向左侧换道，D＝0表示车道保持不进行换道，D＝1表示向右侧换道。同时，为保证所筛选的样本数据能均匀覆盖预定道路区域城市快速路的换道行为，筛选的样本数据中，向左侧换道行为样本数、车道保持样本数和向右侧换道行为样本数均相等，即D(-1):D(0):D(1)＝1:1:1。另外，对于多车道，当车辆在最左侧车道时，则其左侧车道相对车速和车头时距因没有前车或后车导致无法采集样本数据，本实施例采用设置值来作为其样本数据，分别设置为：v_lf(k)＝min{v_lf}，v_lb(k)＝max{v_lb}，T_lf(k)＝min{T_lf}，T_lb(k)＝min{T_lb}；同理最右侧车道车辆的相对车速和车头时距设置为v_rf(k)＝min{v_rf}，v_rb(k)＝max{v_rb}，T_rf(k)＝min{T_rf}，T_rb(k)＝min{T_rb}。

步骤S3将基于灰熵关联度筛选换道行为的条件属性，即根据所筛选的各换道行为影响因素的样本数据，计算各换道行为影响因素的灰熵关联度，筛选灰熵关联度较大的换道行为影响因素作为换道行为的条件属性。灰熵关联度计算过程如下所示：

首先，为消除量纲影响，采用公式(1)所述的线性归一化对初步筛选的样本数据进行归一化处理：

上式中：x_o为归一化处理之前的换道行为影响因素的样本数据，x_i为归一化之后的换道行为影响因素的样本数据，x_min和x_max为各样本的换道行为影响因素的最大值和最小值。决策属性也通过公式(1)进行归一化处理，将之前的-1、0、1分别线性归一化为0、0.5、1。

由公式(2)计算归一化之后的各换道行为影响因素与决策属性之间的灰关联系数：

上式中：i＝1,2,L m，k＝1,2,L n，m和n分别为换道行为影响因素个数和样本个数；x_i(k)表示归一化之后的换道行为影响因素的样本数据；x_j(k)表示归一化之后的决策属性，其中ρ由公式(3)确定：

上式中：

换道行为影响因素的灰关联熵为：

上式中：H_i表示换道行为影响因素的灰关联熵，则各换道行为影响因素关于决策属性的灰熵关联度为：

上式中：H_m＝log₂n。

最终由公式(5)计算得到的各换道行为影响因素的灰熵关联度，灰熵关联度越大则表明该换道行为影响因素对决策属性的影响最大，反之则越小，因此筛选灰熵关联度较大的换道行为影响因素作为换道行为的条件属性。

筛选出的换道行为的条件属性中，相对车速和车头时距均为连续变量，决策属性则只有向左侧换道、车道保持和向右侧换道三种离散状态。由于后续构建决策树是基于离散量，因此需要对连续量进行离散化，即步骤S3中所述的离散化是针对相对车速和车头时距。将离散化后的样本数据分为训练样本和测试样本，比例为8:2。

步骤S4中，计算经离散化后的训练样本的信息增益和增益率，构建换道行为决策树，具体是通过计算离散化之后的训练样本的信息增益和增益率，选择信息增益大于所有条件属性信息增益的均值且增益率最大的条件属性作为决策树各层的根节点或父节点。

其中信息增益G(X_i)由公式(6)计算而得：

上式中：X_i为条件属性x_i的样本统计数，为条件属性x_i的第z个离散量对应的样本数量统计值，c为样本离散化分类总数，E(X_i)表示条件属性x_i的信息熵，表示条件属性x_i的第z个离散量信息熵，信息熵能较好的反映样本集合纯度，可由公式(7)求得：

上式中：X为样本集合，p_t表示对应决策属性的第t类样本(决策属性的第t个离散量)占样本集合X中的比例，q为决策属性分类总数。

由于信息增益对取值较多的属性有所偏好，为减少这种不必要的偏好带来的过拟合影响，采用信息增益率R(X_i)来确定决策树各层父节点或根节点(即选择最优划分属性)，信息增益率R(X_i)由公式(8)计算而得：

上式中：

按照上述规则逐层选择各层根节点或父节点来构建决策树。

步骤S4中，根据换道行为决策树生成换道规则，具体是依据构建的换道行为决策树，按照从上至下、从每个根节点到每个叶节点以“与”逻辑连接生成一条换道规则。

为保证生成的换道规则的有效性，还需要对各换道规则进行验证。具体地，采用离散的测试样本对换道规则进行测试验证。

以下再以具体实例对本发明进行说明。

由步骤S1采集的交通数据，整理成如表1所示：

表1采集的交通数据表

上表中，Vel_ID：本车ID；Fra_ID：当前时间帧；Loc_x：局部横坐标；Loc_y：局部纵坐标；V：当前车速；Lane_ID：当前车道编号；Preceding：前导车；Following：跟随车。

从步骤S1采集的交通数据按照前述13个换道行为影响因素整理样本数据。其中向左侧换道、车道保持和向右侧换道行为样本比例为1:1:1。

由公式(1)将整理的样本数据进行归一化，进而按照公式(2)至(5)计算归一化之后各换道行为影响因素的灰关联系数，如表2所示。

表2换道行为影响因素的灰熵关联度

比较各换道行为影响因素的灰熵关联度，选择灰熵关联度大于设定阈值的换道行为影响因素作为换道行为的条件属性。从表2可知，E(t_cf)>E(v_cf)>E(v_cb)>E(t_cb)>E(t_lb)>E(t_lf)>E(t_rb)>E(t_rf)>E(v_rb)>E(v_lf)>E(v_lb)>E(v_rf)>E(v_c)，且当前车速v_c相对于决策属性的灰熵关联度明显小于其他换道行为影响因素的灰熵关联度。因此选择v_cf，v_cb，v_lf，v_lb，v_rf，v_rb，t_cf，t_cb，t_lf，t_lb，t_rf，t_rb作为换道行为决策树的条件属性。

步骤S3采用如表3所示的离散化表将获得的换道行为的条件属性的样本数据进行离散化处理，并将离散化之后的样本数据按照8:2的比例分成训练样本和测试样本。

表3连续量离散化表

步骤S4根据由公式(6)和公式(8)计算所筛选训练样本的信息增益和增益率，如表4所示：

表4信息增益和增益率

选取增益率大于均值的条件属性其中v_cf、v_lf、v_lb、v_rf、v_rb、t_cf、t_cb、t_lf等条件属性均大于均值；同时选取增益率最大的条件属性R(X_i)＝max{R(X_i)}作为决策树第一层根节点；因此决策树的第一层根节点选择t_cf条件属性，则第一层决策树如图4所示，其中的0、1、2即表3中的离散化标准值。

根据第一层根节点t_cf的不同离散化标准值，依次计算下一个层各节点信息增益和增益率，选择相应的条件属性作为下层的各节点。依次选择各节点直到该节点包含的样本只包含一类驾驶行为(向左侧换道、车道保持和向右侧换道)，逐层构建如图5所示的决策树。图5示出了局部决策树，即针对图4所示t_cf＝1的情况，按上述步骤构建的该部分决策树。

根据所建立的决策树按照从上至下、从每个根节点到每个叶节点以“与”逻辑连接生成相应的规则，则该换道规则如表5所示：

表5换道规则

测试样本原始数据如下表所示：

表6测试样本原始数据表

测试样本离散化后数据如下表所示：

表7测试样本离散数据表

将测试样本(不包含决策属性)输入所提取的换道规则中，由换道规则判定出相应的驾驶行为。记录每组样本决策出的驾驶行为，统计出由换道规则决策出的驾驶行为与原测试样本的驾驶行为一致的样本数N_r，正确率η等于N_r比上测试样本总数N_s，即：正确率越高则表明决策的准确率越高，一般η＞90％认为可接受，前述示例的准确率因此本发明能模拟人类驾驶行为决策出正确的驾驶行为。

需要说明的是，人工智能算法如神经网络一般是将换道影响因素和行为决策结果之间的逻辑关系看作黑箱模型，通过样本数据训练相应的神经网络，从而调整神经网络各层权值矩阵，因此最终得到的行为决策模型类似于一个黑箱模型，无法通过明确的逻辑关系和数学关系解释其中影响因素与行为决策结果之间的内在联系，特别是判定结果出错时，无法解释出错的原因。本发明有效利用机器学习——决策树——学习模仿人类驾驶行为，避免了神经网络算法学习的驾驶行为的不可解释性，同时还避免了人为设定规则造成换道行为的过约束现象和欠约束现象。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (14)

1.一种自动驾驶汽车换道规则的生成方法，其特征在于，包括：

步骤S1，获取选定道路区域的交通数据；

步骤S2，根据换道行为影响因素从所述交通数据中筛选得到样本数据；

步骤S3，根据所述样本数据计算各换道行为影响因素的灰熵关联度，获得换道行为的条件属性；

步骤S4，基于所述换道行为的条件属性的信息增益和增益率，构建换道行为决策树，并根据所述换道行为决策树生成换道规则。

2.根据权利要求1所述的生成方法，其特征在于，所述换道行为影响因素包括：当前车辆车速，与当前车道前车的相对车速，与当前车道后车的相对车速，与左侧车道前车的相对车速，与左侧车道后车的相对车速，与右侧车道前车的相对车速，与右侧车道后车的相对车速，与当前车道前车车头时距，与当前车道后车车头时距，与左侧车道前车车头时距，与左侧车道后车车头时距，与右侧车道前车车头时距，与右侧车道后车车头时距。

3.根据权利要求2所述的生成方法，其特征在于，所述步骤S2筛选样本数据时，对于多车道，当前车辆在最左侧车道时，其与左侧车道前车的相对车速的样本数据设置为采集的所有与左侧车道前车的相对车速中的最小值，其与左侧车道后车的相对车速的样本数据设置为采集的所有与左侧车道后车的相对车速中的最大值，其与左侧车道前车车头时距的样本数据设置为采集的所有与左侧车道前车车头时距中的最小值，其与左侧车道后车车头时距的样本数据设置为采集的所有与左侧车道后车车头时距中的最小值；

当前车辆在最右侧车道时，其与右侧车道前车的相对车速的样本数据设置为采集的所有与右侧车道前车的相对车速中的最小值，其与右侧车道后车的相对车速的样本数据设置为采集的所有与右侧车道后车的相对车速中的最大值，其与右侧车道前车车头时距的样本数据设置为采集的所有与右侧车道前车车头时距中的最小值，其与右侧车道后车车头时距的样本数据设置为采集的所有与右侧车道后车车头时距中的最小值。

4.根据权利要求1所述的生成方法，其特征在于，所述步骤S2具体包括：

按照换道行为影响因素，分别从所述交通数据中筛选得到各换道行为影响因素的样本数据；

对各换道行为影响因素的样本数据整理形成多组样本数据，每组样本数据均包含各换道行为影响因素的样本数据。

5.根据权利要求4所述的生成方法，其特征在于，每组样本数据对应一个决策属性，所述决策属性包括：向左侧换道、车道保持和向右侧换道，向左侧换道行为样本数、车道保持样本数和向右侧换道行为样本数均相等。

6.根据权利要求4所述的生成方法，其特征在于，所述步骤S3具体包括：

对所述各换道行为影响因素的样本数据和决策属性进行归一化处理；

计算归一化处理后的各换道行为影响因素与决策属性之间的灰关联系数；

根据所述灰关联系数计算各换道行为影响因素的灰关联熵，并进一步计算得到各换道行为影响因素的灰熵关联度；

选择灰熵关联度大于设定阈值的换道行为影响因素作为换道行为的条件属性。

7.根据权利要求6所述的生成方法，其特征在于，所述归一化处理采用下述公式进行：

上式中：x_o为归一化处理之前的换道行为影响因素的样本数据，x_i为归一化之后的换道行为影响因素的样本数据，x_min和x_max为各换道行为影响因素的样本数据中的最大值和最小值；

所述灰关联系数采用下述公式计算：

上式中：i＝1,2,L m，k＝1,2,L n，m和n分别为换道行为影响因素个数和样本个数；x_i(k)表示归一化之后的换道行为影响因素的样本数据；x_j(k)表示归一化之后的决策属性，其中ρ由下式确定：

上式中：

所述换道行为影响因素的灰关联熵采用下述公式计算：

上式中：H_i表示换道行为影响因素的灰关联熵，

各换道行为影响因素的灰熵关联度为：

上式中：H_m＝log₂n。

8.根据权利要求6所述的生成方法，其特征在于，所述换道行为的条件属性包括：与当前车道前车的相对车速，与当前车道后车的相对车速，与左侧车道前车的相对车速，与左侧车道后车的相对车速，与右侧车道前车的相对车速，与右侧车道后车的相对车速，与当前车道前车车头时距，与当前车道后车车头时距，与左侧车道前车车头时距，与左侧车道后车车头时距，与右侧车道前车车头时距，与右侧车道后车车头时距。

9.根据权利要求1所述的生成方法，其特征在于，所述步骤S3之后还包括：

对获得的换道行为的条件属性中的连续量进行离散化，并将离散化后的样本数据划分为训练样本和测试样本。

10.根据权利要求9所述的生成方法，其特征在于，所述步骤S4具体包括：

计算经离散化后的训练样本的信息增益和增益率，选择信息增益大于所有条件属性信息增益的均值且增益率最大的条件属性作为决策树各层的根节点或父节点，直至叶节点的样本数据只包含一类驾驶行为，所述一类驾驶行为是向左侧换道、车道保持和向右侧换道中的任一种，构建换道行为决策树；

根据构建的换道行为决策树，按照从上至下、从每个根节点到每个叶节点以“与”逻辑连接生成一条换道规则。

11.根据权利要求10所述的生成方法，其特征在于，所述信息增益采用下述公式计算：

上式中：X_i为条件属性x_i的样本统计数，为条件属性x_i的第z个离散量对应的样本数量统计值，c为条件属性离散化分类总数，E(X_i)表示条件属性x_i的信息熵，表示条件属性x_i的第z个离散量信息熵，信息熵采用下述公式计算：

上式中：X为样本集合，p_t表示对应决策属性的第t类样本占样本集合X中的比例；q为决策属性分类总数；

所述增益率采用下述公式计算：

上式中：

12.根据权利要求10所述的生成方法，其特征在于，所述步骤S4之后还包括：

采用所述测试样本对生成的换道规则进行验证。

13.根据权利要求12所述的生成方法，其特征在于，所述采用所述测试样本对生成的换道规则进行验证，具体包括：

将不包含决策属性的测试样本输入所提取的换道规则中，由换道规则决策出相应的驾驶行为；

记录每组样本决策出的驾驶行为，统计出由换道规则决策出的驾驶行为与测试样本的驾驶行为一致的样本数；

将由换道规则决策出的驾驶行为与原测试样本的驾驶行为一致的样本数比上测试样本总数，得到换道规则决策正确率。

14.根据权利要求9所述的生成方法，其特征在于，训练样本和测试样本的比例为8:2。