CN111368465A - 基于id3决策树的无人驾驶决策方法 - Google Patents
基于id3决策树的无人驾驶决策方法 Download PDFInfo
- Publication number
- CN111368465A CN111368465A CN202010385053.5A CN202010385053A CN111368465A CN 111368465 A CN111368465 A CN 111368465A CN 202010385053 A CN202010385053 A CN 202010385053A CN 111368465 A CN111368465 A CN 111368465A
- Authority
- CN
- China
- Prior art keywords
- decision
- decision tree
- calculating
- unmanned
- vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000003066 decision tree Methods 0.000 title claims abstract description 25
- 238000000638 solvent extraction Methods 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 230000001133 acceleration Effects 0.000 description 6
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及无人驾驶领域,是指基于ID3决策树的无人驾驶决策方法,解决了现有技术中决策方法不够实时和准确的问题。本发明包括以下步骤A计算给定样本分类所需的信息熵B计算每个特征的信息增益;C选出根节点或内部节点;D划分结束标志:子集中只有一个类别标签,停止划分。本发明公开的基于ID3决策树的无人驾驶决策方法,本技术则是选用的决策树算法,并在BrechtelS方法的基础上,利用决策树在知识自动获取与准确表达方面所具有的优势,构建基于ID3决策树的驾驶行为决策模型,实现对当前驾驶行为实时、准确的识别和对下一时刻行为的快速决策。
Description
技术领域
本发明涉及无人驾驶领域,特别是指基于ID3决策树的无人驾驶决策方法。
背景技术
路径规划作为无人驾驶技术最重要的部分之一,一直是各个专家学者发明的热点,目前学界存在多种无人汽车路径规划的方法,包括蚁群算法,遗传算法,决策树算法,人工势场法,基于本体论和马尔科夫理论的行为决策方法;基于神经网络的决策模型,该模型以足球机器人为实际背景,基于径向基函数,借助于神经元的训练,可以更好的利用多源信息进行规划,提升了决策的准确性,但是该模型灵活性较差,学习收敛速度慢;国外学者Brechtel S还提出了将连续状态层次贝叶斯转换模型嵌入 MDP 模型,使自动驾驶汽车在多车双车道高速公路场景可以进行决策;传统的人工势场法也用得比较多,但是它仍然存在局部最优、碰撞及达不到目标点的问题。在整个无人车应用过程中,存在大量的行为决策影响因素,他们种类繁多且无主次,从而导致决策信息获取和表示不充分,而本技术采用的基于ID3决策树的驾驶行为决策模型,能够有效的克服决策推理模型的冗余性和局限性,提高行为决策子系统的综合场景适应能力。。
亟待出现一种可解决上述问题的新型的无人驾驶决策方法。
发明内容
本发明提出基于ID3决策树的无人驾驶决策方法,解决了现有技术中决策方法不够实时和准确的问题。
本发明的技术方案是这样实现的:基于ID3决策树的无人驾驶决策方法,包括以下步骤A 计算给定样本分类所需的信息熵,根据公式计算出熵;B 计算每个特征的信息增益;C 从所有的特征列中选出信息增益最大的那个部分作为根节点或内部节点;D 划分结束标志:子集中只有一个类别标签,停止划分。
优选地,还包括步骤F,设置于步骤C和步骤D之间;具体的是,判断信息增益,没有则重复步骤C。
进一步地,步骤C具体的是:(1)根据划分节点的不同取值来拆分数据集为若干子集;(2)删除当前特征列,在计算剩余特征列的信息熵。
本发明公开的基于ID3决策树的无人驾驶决策方法,选用的决策树算法,并在BrechtelS方法的基础上,利用决策树在知识自动获取与准确表达方面所具有的优势,构建基于ID3决策树的驾驶行为决策模型,实现对当前驾驶行为实时、准确的识别和对下一时刻行为的快速决策。
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性的前提下,还可以根据这些附图获得其他的附图。
图1:双向十字路口场景模拟示意图;
图2:ID3决策树划分结果。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明公开的基于ID3决策树的无人驾驶决策方法,包括以下步骤A 计算给定样本分类所需的信息熵,根据公式计算出熵;B 计算每个特征的信息增益;C 从所有的特征列中选出信息增益最大的那个部分作为根节点或内部节点;D 划分结束标志:子集中只有一个类别标签,停止划分。
优选地,还包括步骤F,设置于步骤C和步骤D之间;具体的是,判断信息增益,没有则重复步骤C。
进一步地,步骤C具体的是:(1)根据划分节点的不同取值来拆分数据集为若干子集;(2)删除当前特征列,在计算剩余特征列的信息熵。
本发明模拟了一个双向的十字路口驾驶场景,如图1所示,在此场景中本车正在向北方向行驶,在十字路口右侧正有一辆匀速向西行驶的障碍车,本场景模拟的便是在不碰撞到障碍车的前提下进行本车此刻驾驶行为的自动决策,以通过此路口驶向目的地。首先选择本车的车速x1、障碍车的车速x2、本车的加速度x3、本车距路口入口处的距离x4、本车距道路中线的距离x5、本车距障碍车的垂直距离x6、本车距障碍车的水平距离x7、两车碰撞预测时间x8作为条件属性,而加速直行Y1、减速直行Y2、停车让行Y3、匀速直行Y4作为决策属性。所用到的训练样本如表1车辆行为训练样本表所示,其中的x的各种取值0、1、2、3、4是为了简化计算而标准化得出的整数,其真实的值对应于表2所示:例如表1在第二行第一列数据x1=0在表2中的真实数据是(-∞,4.2)区间的某个特定值。
表1 车辆行为训练样本表
表2 条件属性标准化值对应表
可以计算出信息熵为:I(Y1,Y2,Y3,Y4)=-(P1log2P1+P2log2P2+P3log2P3+P4log2P4)=-(0.233×log20.233+0.133log20.133+0.433×log20.433+0.2×log20.2)=1.8640。其次计算每个特征的信息增益,本车的车速x1分为3组:0,1,2。其中0占总样本概率为:P0=2/30=0.067,0中Y4的概率为1,根据公式计算出I=0。1根据公式计算出I=0.9148。2根据公式及计算出来I=1.9507,所以x1的平均信息期望为:E(x1)=0.067*0+0.467*0.9148+0.467*1.9507=1.3382,x1的信息增益为:G(x1)=1.8640-1.3382=0.0.5258。障碍车的车速x2的E(x2)=1.7527,G(x2)=0.1113。x3……。接着从所有的特征列中选出信息增益最大的那个部分作为根节点或内部节点:因为最终结果中G的最大值为G(x4)=0.7128,。所以我们首次选x4本车距路口入口处的距离来划分。再然后根据划分节点的不同取值来拆分数据集为若干子集,然后删除当前特征列,在计算剩余特征列的信息熵。如果没有信息增益,就重复第2步直至划分结束。最后划分结束标志:子集中只有一个类别标签,停止划分,最终决策树如图2所示。从图2可以得出如表3所示的行为决策表。
表3 车辆行为决策表
从表3可以看出,当本车的车速x1在[4.2,10)区间内,障碍车的车速x2在[4.2,10),本车的加速度x3任意取值,本车距路口入口处的距离x4在(-∞,-1.5)区间内,本车距道路中线的距离x5任意取值,本车距障碍车的垂直距离x6在(0,5)区间内,本车距障碍车的水平距离x7在[5,20)区间内,两车碰撞预测时间在(0,1)区间内时,其决策应该是停车让行。其他情况的决策可以参照此方法读表3得出。
对于其他的驾驶场景,其基本原理和该原理一样,只要知道本车的速度、加速度、障碍车的速度、加速度、两车之间的距离、安全车距等条件属性推导出的与之对应的加速、减速、换道等决策属性,便都能实现对当前驾驶行为实时、准确的识别和对下一时刻行为的快速决策。
本发明公开的基于ID3决策树的无人驾驶决策方法,选用的决策树算法,并在BrechtelS方法的基础上,利用决策树在知识自动获取与准确表达方面所具有的优势,构建基于ID3决策树的驾驶行为决策模型,实现对当前驾驶行为实时、准确的识别和对下一时刻行为的快速决策。
当然,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员应该可以根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (3)
2.根据权利要求1所述的基于ID3决策树的无人驾驶决策方法.,其特征在于:还包括步骤F,设置于步骤C和步骤D之间;具体的是,判断信息增益,没有则重复步骤C。
3.根据权利要求1所述的基于ID3决策树的无人驾驶决策方法,其特征在于:步骤C具体的是:
(1)根据划分节点的不同取值来拆分数据集为若干子集;
(2)删除当前特征列,在计算剩余特征列的信息熵。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911409849 | 2019-12-31 | ||
CN2019114098493 | 2019-12-31 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111368465A true CN111368465A (zh) | 2020-07-03 |
Family
ID=71209643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010385053.5A Pending CN111368465A (zh) | 2019-12-31 | 2020-05-09 | 基于id3决策树的无人驾驶决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111368465A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113232674A (zh) * | 2021-05-28 | 2021-08-10 | 南京航空航天大学 | 基于决策树和贝叶斯网络的车辆控制方法和装置 |
CN113377662A (zh) * | 2021-06-24 | 2021-09-10 | 吉林大学 | 一种基于势场法和信息熵的自动驾驶安全性评价方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996287A (zh) * | 2014-05-26 | 2014-08-20 | 江苏大学 | 一种基于决策树模型的车辆强制换道决策方法 |
CN107272687A (zh) * | 2017-06-29 | 2017-10-20 | 深圳市海梁科技有限公司 | 一种自动驾驶公交车辆的驾驶行为决策系统 |
-
2020
- 2020-05-09 CN CN202010385053.5A patent/CN111368465A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996287A (zh) * | 2014-05-26 | 2014-08-20 | 江苏大学 | 一种基于决策树模型的车辆强制换道决策方法 |
CN107272687A (zh) * | 2017-06-29 | 2017-10-20 | 深圳市海梁科技有限公司 | 一种自动驾驶公交车辆的驾驶行为决策系统 |
Non-Patent Citations (2)
Title |
---|
一汽集团: "一汽集团展示红旗HQ3无人驾驶车型", 《汽车与安全》 * |
杜明博: ""基于人类驾驶行为的无人驾驶车辆行为决策与运动规划方法研究"", 《中国博士学位论文全文数据库(工程科技Ⅱ辑)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113232674A (zh) * | 2021-05-28 | 2021-08-10 | 南京航空航天大学 | 基于决策树和贝叶斯网络的车辆控制方法和装置 |
CN113377662A (zh) * | 2021-06-24 | 2021-09-10 | 吉林大学 | 一种基于势场法和信息熵的自动驾驶安全性评价方法 |
CN113377662B (zh) * | 2021-06-24 | 2022-09-27 | 吉林大学 | 一种基于势场法和信息熵的自动驾驶安全性评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112133089B (zh) | 一种基于周围环境与行为意图的车辆轨迹预测方法、系统及装置 | |
CN112347993B (zh) | 一种基于车辆-无人机协同的高速公路车辆行为和轨迹预测方法 | |
CN112215337A (zh) | 一种基于环境注意力神经网络模型的车辆轨迹预测方法 | |
CN107272687A (zh) | 一种自动驾驶公交车辆的驾驶行为决策系统 | |
CN111930110A (zh) | 一种结合社会生成对抗网络的意图轨迹预测方法 | |
CN111310583A (zh) | 一种基于改进的长短期记忆网络的车辆异常行为识别方法 | |
CN107229973A (zh) | 一种用于车辆自动驾驶的策略网络模型的生成方法及装置 | |
CN104731963B (zh) | 一种基于车联网的网格化路径推荐方法及系统 | |
CN113954864A (zh) | 一种融合周边车辆交互信息的智能汽车轨迹预测系统及方法 | |
CN105493109A (zh) | 使用多个数据源的空气质量推断 | |
CN114170789B (zh) | 基于时空图神经网络的智能网联车换道决策建模方法 | |
CN110182217A (zh) | 一种面向复杂超车场景的行驶任务复杂度量化评估方法 | |
CN112732905B (zh) | 一种基于知识图谱的交通事故分析与防控方法及系统 | |
CN111368465A (zh) | 基于id3决策树的无人驾驶决策方法 | |
CN113159403B (zh) | 路口行人轨迹预测的方法及装置 | |
CN109489679B (zh) | 一种导航路径中的到达时间计算方法 | |
CN115795808A (zh) | 一种自动驾驶决策危险场景生成方法、系统、设备及介质 | |
CN116205024A (zh) | 一种面向高低维测评场景的自适应自动驾驶动态场景通用生成方法 | |
CN108876144B (zh) | 一种基于深度学习算法的变电站预选址方法 | |
CN112559968A (zh) | 一种基于多情境数据的驾驶风格表征学习方法 | |
CN102880881A (zh) | 一种基于二类支持向量机和遗传算法的轿车车型识别方法 | |
CN106650814A (zh) | 一种基于车载单目视觉室外道路自适应分类器生成方法 | |
Cutrone et al. | A framework for identifying and simulating worst-case animal-vehicle interactions | |
CN116080681A (zh) | 基于循环卷积神经网络的周车行为识别与轨迹预测方法 | |
Zhang et al. | Spatial attention for autonomous decision-making in highway scene |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200703 |
|
WD01 | Invention patent application deemed withdrawn after publication |