CN111413973A

CN111413973A - 车辆的换道决策方法及装置、电子设备、存储介质

Info

Publication number: CN111413973A
Application number: CN202010226577.XA
Authority: CN
Inventors: 菅少鹏; 陈新; 李彪
Original assignee: Beijing Automotive Group Co Ltd; Beijing Automotive Research Institute Co Ltd
Current assignee: Beijing Automotive Group Co Ltd; Beijing Automotive Research Institute Co Ltd
Priority date: 2020-03-26
Filing date: 2020-03-26
Publication date: 2020-07-14

Abstract

本申请提供一种车辆的换道决策方法及装置、电子设备、存储介质，该方法包括：获取感知信息；根据所述感知信息，判断所述车辆进入的换道决策状态；根据所述换道决策状态，将所述感知信息输入与所述换道决策状态对应的神经网络模型，得到所述神经网络模型的输出结果；根据所述神经网络模型的输出结果，执行换道动作。该方法实现了车辆的换道决策自动化，提高了车辆自动换道的精准性。

Description

车辆的换道决策方法及装置、电子设备、存储介质

技术领域

本申请涉及智能驾驶领域，特别涉及一种车辆的换道决策方法及装置、电子设备、存储介质。

背景技术

汽车的自动驾驶系统是一个可以模拟人类驾驶行为的自动化系统。在汽车行驶过程中，为了更方便通行或者一些外部因素，常常需要换道。目前，汽车的自动驾驶系统在进行换道决策时要面临很多复杂的情况，换道决策的精准性还有待提高。

发明内容

本申请实施例提供了一种车辆的换道决策方法，可以实现车辆的换道决策自动化，提高了车辆自动换道的精准性。

本申请实施例提供了一种车辆的换道决策方法，所述方法包括：

获取感知信息；

根据所述感知信息，判断所述车辆进入的换道决策状态；

根据所述换道决策状态，将所述感知信息输入与所述换道决策状态对应的神经网络模型，得到所述神经网络模型的输出结果；

根据所述神经网络模型的输出结果，执行换道动作。

在一实施例中，所述获取感知信息包括：

通过雷达和视觉传感器获取所述车辆周围的环境信息；

通过车载传感器和导航系统获取所述车辆的本车状态信息；

获取预设的任务信息并通过地理地图系统获取所述车辆的地理地图信息；

将所述环境信息、所述本车状态信息、所述地理地图信息和任务信息融合处理，获得感知信息。

在一实施例中，所述根据所述感知信息，判断所述车辆进入的换道决策状态，包括：

将所述感知信息输入有限状态机模型，获得所述有限状态机模型输出的状态转移结果；

根据所述有限状态机模型的状态转移结果，确定所述车辆进入自由换道决策状态或者强制换道决策状态。

在一实施例中，所述将所述感知信息输入有限状态机模型之前，所述方法还包括：

基于行驶规则和行驶经验数据，建立行驶规则库；

基于行驶规则库，建立所述有限状态机模型。

在一实施例中，所述根据所述换道决策状态，将所述感知信息输入与所述换道决策状态对应的神经网络模型，包括：

如果所述换道决策状态为自由换道决策状态，将所述感知信息输入所述自由换道决策状态对应的自由换道神经网络模型；

如果所述换道决策状态为强制换道决策状态，将所述感知信息输入所述强制换道决策状态对应的强制换道神经网络模型。

在一实施例中，所述根据所述换道决策状态，将所述感知信息输入与换道决策状态对应的神经网络模型之前，所述方法还包括：

获取自由换道决策状态对应的第一训练数据以及强制换道决策状态对应的第二训练数据；

通过所述第一训练数据训练得到所述自由换道决策状态对应的自由换道神经网络模型，以及通过所述第二训练数据训练得到所述强制换道神经网络模型。

在一实施例中，所述根据所述神经网络模型的输出结果，执行换道动作，包括：

判断所述输出结果是否为换道；

若所述输出结果为换道，判断所述输出结果是否满足动力学条件和舒适度条件；

若满足，执行换道动作；否则，保持原道行驶或者停止。

另一方面，本申请还提供了一种车辆的换道决策装置，所述装置包括：

信息获取模型，用于获取感知信息；

状态判断模块，用于根据所述感知信息，判断所述车辆进入的换道决策状态；

模型计算模块，用于根据所述换道决策状态，将所述感知信息输入与换道决策状态对应的神经网络模型，得到所述神经网络模型的输出结果；

换道实施模块，用于根据所述神经网络模型的输出结果，执行换道动作。

进一步地，本申请还提供了一种电子设备，所述电子设备包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行本申请提供的车辆的换道决策方法。

进一步地，本申请还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序可由处理器执行以完成本申请提供的车辆的换道决策方法。

本申请上述实施例提供的技术方案，通过获取感知信息来判断换道决策状态，进而将感知信息输入与换道决策状态对应的神经网络模型中，得出输出结果，并根据此输出结果执行换道动作，本申请实施例考虑了车辆进行换道决策时的不同场景，实现了车辆的换道决策自动化，提高了车辆自动换道的精准性。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍。

图1为本申请一实施例提供的车辆的换道决策方法的应用场景示意图；

图2为本申请一实施例提供的车辆的换道决策方法的流程示意图；

图3为图2对应实施例中步骤S210的细节流程图；

图4为本申请另一实施例提供的车辆的换道决策装置的框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。

相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

图1为本申请实施例提供的车辆的换道决策方法的应用场景示意图。如图1所示，该应用场景包括车辆100。该车辆100可以采用实施例提供的车辆的换道决策方法，实现车辆的换道决策自动化，提高车辆自动换道的精准性。

该车辆100可以包括车载传感系统110、地图系统120和车载控制器130。车载控制器130连接车载传感系统110和地图系统120。其中，车载传感系统110可以包括本车状态传感器、视觉传感器、雷达。车载传感系统110和地图系统120将获取到的信息发送给车载控制器130，从而车载控制器130可以采用实施例提供的车辆的换道决策方法，进行车辆100的换道决策。

本申请还提供了一种电子设备。该电子设备可以是图1所示的车载控制器130。如图1所示，车载控制器130可以包括处理器131和用于存储处理器131可执行指令的存储器132；其中，该处理器131被配置为执行本申请提供的车辆的换道决策方法。

存储器132可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read Only Memory，简称EPROM)，可编程只读存储器(Programmable Red-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。

本申请还提供了一种计算机可读存储介质，存储介质存储有计算机程序，计算机程序可由处理器131执行以完成本申请提供的车辆的换道决策方法。

图2为本申请实施例提供的车辆的换道决策方法的流程示意图。如图2所示，该方法包括以下步骤S210-S240。

步骤S210：获取感知信息。

感知信息可以包括可能影响到车辆换道决策行为的信息，例如车辆的速度、邻道车辆的速度以及邻道车辆离本车的距离等。

步骤S220：根据所述感知信息，判断所述车辆进入的换道决策状态。

其中，换道决策状态可以为该车辆在做换道决策时所处的状态，即该车辆在做换道决策时处于何种换道场景。换道决策可以是左换道、右换道或者不换道。在一实施例中，换道场景可以包括自由换道和强制换道。自由换道是指车辆处于正常的行驶过程中，由于前方车辆速度较慢或者邻道更易于通行而实施的换道，强制换道是指车辆行驶过程中遇到强制性因素被迫换道，通常包括前方遇到路障、前方路口转弯需走特定车道、靠边停车、匝道汇入等。对应地，换道决策状态可以包括自由换道决策状态，对应于自由换道场景以及强制换道决策状态，对应于强制换道场景。在这两换道决策状态下，影响车辆换道决策的主要因素是有所不同的。例如，在自由换道决策状态下，前车的速度对换道的决策影响很大，容易理解地，如果前车速度较快、超过了本车的目标速度，那么本车不考虑换道，而在强制换道决策状态下，只要接收到强制换道的指示，在符合安全性的前提下，仍会在合适时机实施换道。因此，根据获取到的感知信息，判断车辆处于哪一种换道决策状态下，将会使后续步骤的建模和预测更有针对性和可解释性。

步骤S230：根据所述换道决策状态，将所述感知信息输入与所述换道决策状态对应的神经网络模型，得到所述神经网络模型的输出结果。

在本步骤中，每个换道决策状态对应一个神经网络模型，该模型用来根据感知信息预测换道决策。将感知信息输入与换道决策状态对应的神经网络模型中，得到该模型的输出结果。输出结果可以为左换道、右换道或者不换道。

步骤S240：根据所述神经网络模型的输出结果，执行换道动作。

根据步骤S230中的神经网络模型的输出结果，控制车辆实施左换道、右换道或者不换道。

在一实施例中，如图3所示，上述步骤S210包括以下步骤S211-S214。

步骤S211：通过雷达和视觉传感器获取所述车辆周围的环境信息。

其中，车辆周围的环境信息可以是车辆周围预设范围内的可能会对车辆换道决策产生影响的所有实体的信息。其中，实体可以为周围车辆、行人、路障、交通指示灯、交通指示牌、前方车道等。实体的信息可以为周围车辆和行人的速度、加速度、离本车的距离、路障的位置、交通灯信息、交通指示的文字信息以及前方车道的分叉或者汇入信息等。雷达通过向周围的实体发射电磁波并接收回波信号，来确定实体的位置。视觉传感器通过采集周围图像，并通过图像检测出实体的信息。一辆车可以装载有多个雷达和多个视觉传感器，它们可以朝向不同方向，以此来获取该车辆周围的尽可能完整的环境信息。

步骤S212：通过车载传感器和导航系统获取所述车辆的本车状态信息。

其中，本车状态信息可以包括车辆的行驶状态信息，例如速度、加速度等，以及车辆所处的位置。通过车载传感器获取车辆的行驶状态信息，通过导航系统来获取车辆的位置。

步骤S213：获取预设的任务信息并通过地理地图系统获取所述车辆的地理地图信息。

其中，预设的任务信息可以是车辆的行驶目的地或者必经路程。地理地图信息可以是车辆所处位置周围预设范围内的高精度地图。

步骤S211-S213可以同步进行，也可以逐步进行。

步骤S214：将所述环境信息、所述本车状态信息、所述地理地图信息和任务信息融合处理，获得感知信息。

在步骤S211-S213中，获取到的环境信息、本车状态信息以及地理地图信息和任务信息中可能含有相同的数据，例如环境信息中通过雷达和视觉传感器分别获得的邻道车辆的距离信息。在本步骤中，将获取到的所有信息进行融合处理，合并冗余的数据，剔除可靠度较低的数据，获得感知信息。

在一实施例中，上述步骤S220可以包括：将所述感知信息输入有限状态机模型，获得所述有限状态机模型输出的状态转移结果；根据所述有限状态机模型的状态转移结果，确定所述车辆进入自由换道决策状态或者强制换道决策状态。

其中，有限状态机模型是表示有限个状态以及在这些状态之间的转移和动作等行为的数学模型。有限状态机模型通常包含有状态转移表，A状态在条件1下可以转移到B状态，在条件2下可以转移到C状态。在本案中，有限状态机模型可以将获取到的感知信息作为输入条件，根据此时的状态以及输入条件来进行状态的转移。状态的转移过程中可能存在多个中间状态，最终的状态转移结果包括自由换道决策和强制换道决策。根据状态转移结果，确定车辆进入自由换道决策状态或者强制换道决策状态。

在一实施例中，在将所述感知信息输入有限状态机模型之前，所述方法还包括：基于行驶规则和行驶经验数据，建立行驶规则库；基于行驶规则库，建立所述有限状态机模型。

其中，行驶规则和行驶经验数据可以是交通规则以及车辆行驶过程中积累的经验数据，例如左转弯需走左转道、靠边停车需走最右边车道等，将这些行驶规则和行驶经验数据加入到行驶规则库中。然后，基于行驶规则库，确定有限状态机模型中可以存在的状态和输入，并建立状态转移表。例如，车辆启动行驶时在初始状态，判断前方是否需要转弯，如果需要，进入第一状态；在第一状态时，判断所处车道是否为可以转弯的车道，如果是，进入自由决策状态，否则进入强制决策状态。

在一实施例中，所述根据所述换道决策状态，将所述感知信息输入与换道决策状态对应的神经网络模型之前，所述方法还包括：获取自由换道决策状态对应的第一训练数据以及强制换道决策状态对应的第二训练数据；通过所述第一训练数据训练得到所述自由换道决策状态对应的自由换道神经网络模型，以及通过所述第二训练数据训练得到所述强制换道神经网络模型。

其中，第一训练数据是指车辆在自由换道决策状态下的感知信息和换道决策行为。第二训练数据是指车辆在强制换道决策状态下的感知信息和换道决策行为。通过对于第一训练数据的训练，可以得到自由换道决策状态对应的自由换道神经网络模型的权重参数；通过对于第二训练数据的训练，可以得到强制换道决策状态对应的强制换道神经网络模型的权重参数。

通过有限状态机模型对车辆的换道决策状态进行区分，按照区分的结结果将感知信息输入与强制换道决策状态或者自由换道决策状态对应的神经网络模型中，使得神经网络模型的训练更具有针对性，在细化场景下训练的神经网络模型的预测效果更佳。

在一实施例中，上述步骤S240可以包括：判断所述输出结果是否为换道；若所述输出结果为换道，判断所述输出结果是否满足动力学条件和舒适度条件；若满足，执行换道动作；否则，保持原道行驶或者停止。

在步骤S230中，神经网络模型的输出结果可以为左换道、右换道和不换道。如果输出结果为左换道或者右换道，判断在此时换道是否满足动力学条件和舒适度条件。其中，动力学条件是指符合车辆的动力学特性，设置动力学条件是为了对车辆的伤害和磨损较小，也在一定程度上确保安全性。舒适度条件是为了保证车上乘客的舒适度，例如，如果横向加速度过大，会给乘客带来不适。根据不同的车辆以及乘客的喜好，动力学条件和舒适度条件有着一定可以调节的范围，可以在车辆行驶前预设。

如果换道决策满足上述动力学条件和舒适度条件，则车辆执行换道动作，否则将视前方情况保持原道行驶，遇到需要强制换道而又不满足换道条件的，可以减速或者停止。

下述为本申请装置实施例，可以用于执行本申请上述车辆的换道决策方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请车辆的换道决策方法实施例。

图4为本申请一实施例示出的车辆的换道决策装置的框图。如图4所示，所述装置包括：信息获取模块410、状态判断模块420、模型计算模块430和换道实施模块440。

信息获取模块410，用于获取感知信息；

状态判断模块420，用于根据所述感知信息，判断所述车辆进入的换道决策状态；

模型计算模块430，用于根据所述换道决策状态，将所述感知信息输入与换道决策状态对应的神经网络模型，得到所述神经网络模型的输出结果；

换道实施模块440，用于根据所述神经网络模型的输出结果，执行换道动作。

上述装置中各个模块的功能和作用的实现过程具体详见上述车辆的换道决策方法中对应步骤的实现过程，在此不再赘述。

在本申请所提供的几个实施例中，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims

1.一种车辆的换道决策方法，其特征在于，所述方法包括：

获取感知信息；

根据所述感知信息，判断所述车辆进入的换道决策状态；

根据所述神经网络模型的输出结果，执行换道动作。

2.根据权利要求1所述的车辆的换道决策方法，其特征在于，所述获取感知信息包括：

通过雷达和视觉传感器获取所述车辆周围的环境信息；

通过车载传感器和导航系统获取所述车辆的本车状态信息；

3.根据权利要求1所述的车辆的换道决策方法，所述根据所述神经网络模型的输出结果，执行换道动作，包括：

判断所述输出结果是否为换道；

若满足，执行换道动作；否则，保持原道行驶或者停止。

4.一种车辆的换道决策装置，其特征在于，所述装置包括：

信息获取模型，用于获取感知信息；

5.一种电子设备，其特征在于，所述电子设备包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行权利要求1-3任意一项所述的车辆的换道决策方法。

6.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序可由处理器执行以完成权利要求1-3任意一项所述的车辆的换道决策方法。