CN112365710B - 一种基于概率输出模型的智能车辆换道决策方法 - Google Patents
一种基于概率输出模型的智能车辆换道决策方法 Download PDFInfo
- Publication number
- CN112365710B CN112365710B CN202011116778.0A CN202011116778A CN112365710B CN 112365710 B CN112365710 B CN 112365710B CN 202011116778 A CN202011116778 A CN 202011116778A CN 112365710 B CN112365710 B CN 112365710B
- Authority
- CN
- China
- Prior art keywords
- lane
- vehicle
- lane change
- changing
- driving
- 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.)
- Active
Links
- 230000008859 change Effects 0.000 title claims abstract description 202
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004458 analytical method Methods 0.000 claims abstract description 37
- 239000000446 fuel Substances 0.000 claims abstract description 25
- 238000007476 Maximum Likelihood Methods 0.000 claims description 8
- 238000011234 economic evaluation Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 56
- 238000004364 calculation method Methods 0.000 description 9
- 230000009471 action Effects 0.000 description 8
- 206010039203 Road traffic accident Diseases 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000005728 strengthening Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000006698 induction Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Analytical Chemistry (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明公开一种基于概率输出模型的智能车辆换道决策方法，获取行车环境参数并计算原始车道行驶预判车距和换道预判车距；建立换道概率输出模型，判断汽车执行操作后是否存在潜在碰撞，设计自由换道模糊控制器的输入和输出；由各输入的隶属度可以分别得到基于安全性分析和基于经济性分析输出的换道概率；根据模糊控制器输入的原始车道后车转向灯开启情况、原始车道后车对自车的影响程度，建立换道消极系数；结合二元选择Probit模型建立自由换道概率输出模型，输出自由换道概率；最终得到自车换道概率。本发明在满足换道安全的前提下能够使得自车行驶在驾驶空间优越，潜在碰撞风险小，燃油经济性好的驾驶环境中，有效地缓解交通拥挤、排放超标等问题。
Description
技术领域
本发明属于智能车领域，具体涉及一种基于概率输出模型的智能车辆换道决策方法。
背景技术
随着我国经济社会的不断发展，智能车研究成为汽车领域发展的前沿方向，未来随着路上车辆的数目不断增加，交通拥挤问题、排放超标问题甚至交通事故会更为凸显，而交通拥挤问题较多情况下是由错误换道造成的，并且换道后自车车速很大可能并没有行驶在经济性行驶的车速区间，由此造成了油耗的增加，长此以往，燃烧燃油数量的增加会造成碳排放量的进一步升高，因此，对于未来智能车而言，选择合理的换道策略，对保证汽车安全行驶、提高汽车燃油经济性进而减少碳排放具有重要研究价值。
然而，目前国内外的模糊换道模型多是选用多个单一的参数(例如相对间距、相对速度、最迟换道距离、驾驶员性格等)作为模糊推理系统的输入量选用的特征参数缺乏讨论，而且考虑周边车辆驾驶行为具有明显局限性，大多是追求驾驶空间的优越性，造成车辆换道后汽车驾驶性能并不能真正改善，也无法真实改善当前交通流中拥挤、排放高、交通事故频发的问题。
针对上述问题，中国发明申请号CN109948001A公开了一种基于驾驶员心理的换道概率输出模型，在满足换道后安全的前提下，应用模糊数学的思想将换道后自车与换道目标车道前车速度差作为诱惑程度指标，将换道后自车与换道目标车道后车作为影响程度指标，进行离散化划分，综合二者作为换道执行的判断条件。这种换道概率模型的建立一定程度上保证了换道后的车辆具备一定的驾驶空间优越性和经济性。但是这种换道概率输出模型具有明显的局限性：这种换道概率模型在满足行车安全的前提下，仅考虑目标车道行驶车辆的状态作为换道判断条件，缺乏在满足行车安全的前提下对原始车道行驶和换道之间的博弈，由于只考虑了换道目标车道前车车速对于自车车速提升的诱惑程度和自车对换道目标车道后车车速的影响情况，缺乏对换道后跟车距离过小导致的潜在碰撞风险的考虑；且只考虑速度提升而忽略了是否使得汽车行驶在经济车速，因此在缓解排放问题和降低交通事故发生率的作用上具有很大局限性；对于模型的建立缺乏对环境变化的动态适应性能。
发明内容
发明目的：本发明提供一种基于概率输出模型的智能车辆换道决策方法，在满足换道安全的前提下能够很大程度上使得自车行驶在驾驶空间优越，潜在碰撞风险小，燃油经济性好的驾驶环境中，有效地缓解交通拥挤、排放超标等问题。
技术方案：本发明所述的一种基于概率输出模型的智能车辆换道决策方法，包括以下步骤：
(1)通过自车车载传感器获取当前时刻行车环境参数；
(2)定义并计算原始车道行驶预判车距和换道预判车距；
(3)根据原始车道行驶预判车距和换道预判车距在满足不同条件时会具备不同的换道概率，建立换道概率输出模型；
(4)判断汽车执行操作后是否存在潜在碰撞，根据判断结论，当汽车执行操作后不存在潜在碰撞时，有一定概率自由换道，进入步骤(5)，当汽车执行操作后存在潜在碰撞时，直接输出非自由换道概率0或1进入步骤(9)；
(5)当自车在原始车道行驶和换道行驶都能保证安全的条件下，基于安全性和经济性分析，车辆倾向于越小潜在危险程度，越高燃油经济性和越小影响后车行驶的驾驶行为，以获得更优的驾驶空间；再结合路况信息、车况信息及驾驶员的驾驶风格分析，设计自由换道模糊控制器的输入和输出；
(6)针对步骤(5)设计的模糊控制器的输入，建立各个输入的隶属度函数得到各输入对应的隶属度，由各输入的隶属度可以分别得到基于安全性分析和基于经济性分析输出的换道概率；
(7)根据模糊控制器输入的原始车道后车转向灯开启情况、原始车道后车对自车的影响程度，建立换道消极系数；
(8)根据步骤(6)得到的基于安全性分析和基于经济性分析的换道概率和步骤(7)到的换道消极系数，结合二元选择Probit模型建立兼顾安全性和经济性的自由换道概率输出模型，输出自由换道概率；
(9)结合步骤(4)输出的非自由换道概率和步骤(8)输出的自由换道概率得到自车换道概率；
(10)当换道概率大于预先设定的换道阈值时，予以换道操作，当非自由换道概率或自由换道概率小于换道阈值时，不予换道操作。
进一步地，步骤(1)所述的行车环境参数包括自车和原始车道前车之间的车间距、自车和换道目标车道前车之间的车间距、自车和换道目标车道后车之间的车间距、自车和原始车道后车之间的车间距、当前时刻自车的速度、原始车道前车的速度、换道目标车道前车的速度、换道目标车道后车的速度及当前时刻原始车道后车转向灯使用情况。
进一步地，步骤(2)所述的原始车道行驶预判车距和换道预判车距包括：自车执行原始车道行驶后自车与原始车道前车之间的预判车间距、自车执行换道行驶后自车与换道目标车道前车之间的预判车间距及自车执行换道行驶后自车与换道目标车道后车之间的预判车间距。
进一步地，步骤(5)所述的模糊控制器的输入包括：自车执行原始车道行驶的潜在危险程度、自车执行原始车道行驶对保证汽车行驶时燃油经济性的诱惑程度、自车换道后与换道目标车道前车的潜在危险程度、自车换道后与换道目标车道后车的潜在危险程度、自车换道后对换道目标车道后车的干扰程度、自车换道后对保证汽车行驶时燃油经济性的诱惑程度、原始车道后车转向灯开启情况、原始车道后车对自车的影响程度；所述模糊控制器的输出为自由换道概率。
进一步地，步骤(6)所述的模糊控制器输入的隶属度函数包括：原始车道行驶的潜在危险程度隶属度函数、原始车道行驶对保证汽车行驶时燃油经济性的诱惑程度隶属度函数、换道后与换道目标车道前车的潜在危险程度隶属度函数、换道后与换道目标车道后车潜在危险程度隶属度函数、换道后自车对换道目标车道后车的干扰程度隶属度函数、换道后对保证汽车行驶时燃油经济性的诱惑程度隶属度函数。
进一步地，步骤(6)所述的基于安全性分析和基于经济性分析的换道概率是通过强化Q-Learning的方法，根据线性概率模型LPM建立安全性和经济性评价指标，生成对应于策略的奖励，代入到bellman方程中求解获得的。
进一步地，步骤(8)所述的二元选择Probit模型中的参数通过最大似然解的方法进行修正。
有益效果：与现有技术相比，本发明的有益效果：
1、综合考虑原始车道前后车和换道目标车道前后车的运动状态信息，环境信息采集更为全面；
2、在满足安全行驶的前提下，从安全性和经济性两方面对原始车道行驶和换道行驶进行博弈，将潜在碰撞风险大小和和是否接近经济行驶车速作为博弈的关键，能够有效的规避潜在危险，保证汽车最大限度地行驶在经济车速附近，减少油耗，使得汽车具有良好的综合驾驶性能；
3、应用强化Q-learning理论处理基于安全性分析和基于经济性分析的换道概率涉及的策略参数修正；应用最大似然解方法处理二元选择Probit模型中的策略参数修正；能够使得策略参数不断进行在线和离线学习修正，使得自由换道概率模型能够更加适应不断变化的行车环境，提高决策动态适应性能和准确性；
4、针对自由换道模糊控制控制器输入的隶属度函数应用不同的连续隶属度函数模型，使得计算得到的隶属度更加精确，ECU计算决策时间缩短，很大程度上避免了由于环境突变造成的误换道现象；
5、为未来智能车发展提供了一种具有理论意义和实际应用价值的换道概率模型，能够大大缓解交通拥挤，排放污染甚至交通事故等交通问题。
附图说明
图1为本发明的流程图；
图2为本发明的场景设置示意图；
图3为本发明应用强化Q-Learning理论确定基于安全性分析的概率输出模型参数的方法示意图。
具体实施方式
下面结合附图对本发明做进一步详细说明。
如图1所示，本发明提出一种基于概率输出模型的智能车辆换道决策方法，图2为本实施方式的场景设置示意图，自车为i，原始车道前车A，换道目标车道前车为B，换道目标车道后车为C，原始车道后车为D，di,A(t)为自车i和原始车道前车A之间的车间距，di,B(t)为自车i和换道目标车道前车B之间的车间距，di,C(t)为自车i和换道目标车道后车C之间的车间距，di,D(t)为自车i与原始车道后车D之间的车间距，自车经济行驶的车速为
自车稳定行驶的最高车速为Vmax，安全跟车距离为Ds。
步骤1：通过自车i车载传感器获取当前时刻t时的行车环境参数。
行车环境参数包括：自车和原始车道前车之间的车间距,自车和换道目标车道前车之间的车间距，自车和换道目标车道后车之间的车间距以及自车和原始车道后车之间的车间距；获取当前时刻自车的速度，原始车道前车的速度，换道目标车道前车的速度，换道目标车道后车的速度；获取当前时刻原始车道后车转向灯使用情况。
如图2所示，本实施方式行车环境参数包括：自车i和车A之间的车间距di,A(t),自车i和车B之间的车间距di,B(t)，自车i和车C之间的车间距di,C(t)以及自车i和车D之间的车间距di,D(t)；获取当前时刻自车i的速度Vi(t)，车A的速度VA(t)，车B的速度VB(t)，车C速度VC(t)；获取当前时刻车D转向灯使用情况。
步骤2：定义并计算原始车道行驶预判车距和换道预判车距。
原始车道行驶预判车距和换道预判车距包括：自车i执行原始车道行驶后自车i与原始车道前车A之间的预判车间距
自车i执行换道行驶后自车i与换道目标车道前车B之间的预判车间距
自车i执行换道行驶后自车i与换道目标车道后车C之间的预判车间距
步骤3：根据原始车道行驶预判车距和换道预判车距在满足不同条件时会具备不同的换道概率，由此建立换道概率输出模型Pi。
其中，α为执行操作后不存在潜在碰撞的自由换道概率。
依据换道概率输出模型Pi公式所示，自车i执行操作后有以下三种情况：
1)
时，说明自车i执行操作后，在原始车道行驶条件下不能安全行驶，为保证安全行驶，必须换道，即Pi＝1。
2)
时，说明自车i执行操作后，在原始车道行驶条件下和换道行驶条件下都能保证安全行驶，此时自车i存在两种驾驶选择的权衡问题，仍有一定概率α换道。
3)
时，说明自车i执行操作后，在换道条件下不能安全行驶，为保证安全行驶，不予换道，即Pi＝0。
步骤4：判断汽车执行操作后是否存在潜在碰撞，根据判断结论，当汽车执行操作后不会存在潜在碰撞时，有一定概率α自由换道，进入步骤5，当汽车执行操作后存在潜在碰撞时，直接输出非自由换道概率Pf为0或1进入步骤9。
步骤5：当自车i执行操作后在原始车道行驶和换道行驶都能保证安全的条件下，基于安全性和经济性分析，自车i倾向于越小潜在危险程度，越高燃油经济性和越小影响后车行驶的驾驶行为，以获得更优的驾驶空间；再结合路况信息、车况信息及驾驶员的驾驶风格分析，设计自由换道模糊控制器的输入和输出。
模糊控制器的输入包括：自车执行原始车道行驶的潜在危险程度、自车执行原始车道行驶对保证汽车行驶时燃油经济性的诱惑程度、自车换道后与换道目标车道前车的潜在危险程度、自车换道后与换道目标车道后车的潜在危险程度、自车换道后对换道目标车道后车的干扰程度、自车换道后对保证汽车行驶时燃油经济性的诱惑程度、原始车道后车转向灯开启情况、原始车道后车对自车的影响程度；模糊控制器的输出包括：自由换道概率。
自由换道模糊控制器的输入和输出如式(2)所示：
其中，模糊控制器的输入为X0、X1、X2、X3、X4、X5，X6、X7,输出换道概率α；X0表示自车i执行原始车道行驶的潜在危险程度；X1表示自车i执行原始车道行驶对保证汽车行驶时燃油经济性的诱惑程度；X2表示自车i换道后与换道目标车道前车B的潜在危险程度；X3表示自车i换道后与换道目标车道后车C的潜在危险程度；X4表示自车i换道后对换道目标车道后车C的干扰程度；X5自车i换道后对保证汽车行驶时燃油经济性的诱惑程度；X6表示原始车道后车D转向灯开启情况，0表示未开启，1表示开启；X7表示自车i对原始车道后车D的影响程度。
步骤6：针对步骤5设计的模糊控制器的输入，建立各个输入的隶属度函数得到各输入对应的隶属度，由各输入的隶属度可以分别得到基于安全性分析和基于经济性分析输出的换道概率Pi。
自车i执行原始车道行驶的潜在危险程度隶属度函数P0(X0)、自车i换道后与换道目标车道前车B的潜在危险程度隶属度函数P2(X2)、自车i换道后与换道目标车道后车C潜在危险程度隶属度函数P3(X3)、自车i执行原始车道行驶对保证汽车行驶时燃油经济性的诱惑程度隶属度函数P1(X1)、自车i换道后对保证汽车行驶时燃油经济性的诱惑程度隶属度函数P5(X5)、自车i换道后对换道目标车道后车C的干扰程度隶属度函数P4(X4)。其中，自车执行原始车道行驶的潜在危险程度隶属度函数、自车换道后与换道目标车道前车的潜在危险程度隶属度函数、自车换道后与换道目标车道后车潜在危险程度隶属度函数属于钟形隶属度函数；自车执行原始车道行驶对保证汽车行驶时燃油经济性的诱惑程度隶属度函数、自车换道后对保证汽车行驶时燃油经济性的诱惑程度隶属度函数属于高斯型隶属度函数；自车换道后对换道目标车道后车的干扰程度隶属度函数属于三角形隶属度函数。换道后与换道目标车道前车的潜在危险程度隶属度函数、换道后与换道目标车道后车潜在危险程度隶属度函数共同决定换道后潜在危险程度，因此换道后潜在危险程度的隶属度函数为三维曲面。
模糊控制器输入的隶属度函数中，P0(X0)、P2(X2)、P3(X3)属于钟形隶属度函数；P1(X1)、P5(X5)属于高斯型隶属度函数；P4(X4)属于三角形隶属度函数；计算如下式所示：
由于安全跟车距离为Ds，X0的论域为[0，Ds]，定义描述原始车道行驶潜在危险程度高的模糊子集A0，在连续域上的隶属度如式(3)所示：
其中，P0表示原始车道行驶的潜在危险程度高的隶属度；X0越小，P0越大,说明原始车道行驶的潜在危险程度越大，自车i越倾向于换道操作以规避风险；因此可确定系数a0、b0、c0合理值的取值方法，当X0取Ds时，P0应近似为0。
X2和X3的论域也为[0，Ds]，对应换道后与换道目标车道前车B的潜在危险程度高的模糊子集A2和换道后与换道目标车道后车C潜在危险程度隶属度高的模糊子集A3；在连续域上的隶属度如式(4)、式(5)所示：
其中，P2表示换道后与换道目标车道前车B的潜在危险程度高的隶属度；X2越小，P2越大,说明换道后与换道目标车道前车B的潜在危险程度越大，自车i越倾向于原始车道行驶以规避风险；因此可确定系数a2、b2、c2合理值的取值方法，当X2取Ds时，P2应近似为0；P3表示换道后与换道目标车道后车C的潜在危险程度高的隶属度，系数a3、b3、c3合理值的取值方法同系数a2、b2、c2。
换道后与换道目标车道前车B的潜在危险程度隶属度函数、换道后与换道目标车道后车C潜在危险程度隶属度函数共同决定换道后潜在危险程度，因此换道后潜在危险程度的隶属度函数为三维曲面；定义换道后潜在危险程度隶属度函数P23(X2,X3)，在连续域上的隶属度如式(6)所示：
其中，P23表示换道后的潜在危险程度高的隶属度,由X2和X3双因素决定，α2和α3为换道后潜在危险程度分配系数，优先但不限于由自车追尾和后车追尾严重性衡量和汽车潜在运动状态变化率等决定。
由于自车i经济行驶的车速为
自车i稳定行驶的最高车速为Vmax，因此X4的论域为[-Vmax，Vmax]，定义描述自车i换道后对目标车道后车C干扰程度大的模糊子集A4，在连续域上的隶属度如式(7)所示：
其中，P4表示自车i换道后对目标车道后车C的干扰程度高的隶属度；P4越大，说明自车i换道对目标车道后车C的影响越大，安全性也随之降低，因此自车i更倾向于放弃换道以规避风险。
由于自车i经济行驶的车速为
自车i稳定行驶的最高车速为Vmax，X1和X5的论域为[0，Vmax]，定义描述原始车道跟车诱惑程度大的模糊子集A1，定义描述换道诱惑程度大的模糊子集A5，在连续域上的隶属度如式(8)、式(9)所示：
其中，P1表示自车i原始车道跟车行驶的诱惑程度大的隶属度；当原始车道前车A车速高于
时，能够保证自车i处于经济性驾驶的状态，当原始车道前车A车速较小时，自车i为了获得更优越的驾驶空间和经济性能，更倾向于换道行驶；P5表示自车i换道的诱惑程度大的隶属度，当换道目标车道前车B车速高于
时，能够保证自车i在换道后处于经济性驾驶的状态，自车i为了获得更优越的驾驶空间和经济性能，更倾向于换道行驶。
基于安全性分析的自由换道概率由原始车道行驶的潜在危险程度隶属度函数、换道后与换道目标车道前车的潜在危险程度隶属度函数、换道后与换道目标车道后车潜在危险程度隶属度函数、换道后自车对换道目标车道后车的干扰程度隶属度函数计算得到；基于经济性分析的自由换道概率由原始车道行驶对保证汽车行驶时燃油经济性的诱惑程度隶属度函数、换道后对保证汽车行驶时燃油经济性的诱惑程度隶属度函数属于高斯型隶属度函数计算得到。
计算基于安全性分析和基于经济性分析的换道概率策略通过强化Q-Learning的方法，根据线性概率模型LPM建立安全性和经济性评价指标，生成对应于策略的奖励，代入到bellman方程中进行求解。
基于安全性分析输出的自由换道概率Pi定义为Ps，计算公式如式(10)所示：
Ps＝[β0,β1,β2][P0,(1-P23),P4]T (10)
其中，β0、β1和β2为基于安全性分析的换道概率分配系数，优先但不限于由原始车道和目标车道发生危险时的严重性、车辆潜在运动状态变化率和驾驶员风格等决定。
基于安全性分析的换道概率分配系数β0、β1和β2通过强化Q-Learning理论进行不断学习修正。通过聚类分析法对换道大数据中同一类的换道决策场景数据进行分类(不同行驶路况车况等)，利用同一类的换道决策场景数据，结合强化Q-Learning算法对换道概率分配系数β0、β1和β2进行求解。
强化Q-Learning算法对基于安全性分析的换道概率分配系数β0、β1和β2进行求解的步骤如下：
设自车i当前时刻行驶环境状态为s，自车i当前时刻的操作为动作a，Ps为在s状态下选择动作a转换到下一个状态s’的概率P(s’|s,a),[β0,β1,β2]为以规避潜在危险为目的的换道策略π。
1)为对s转换到下一个状态s’形成奖励R，应用线性概率模型LPM对执行操作后的自车i行驶状况建立安全性评价指标Qi，计算公式如式(11)所示；
其中，K0、Kj和μi为根据普适经验建立起来的安全性评价指标系数，x1’为自车i执行原始车道行驶后与前车A的距离，x2’为自车i换道后与前车B的距离，x3’为自车i换道后与后车C的距离；执行操作后，Qi达到指定阈值为真，生成高的奖励R，否则为伪真，生成低的奖励R。
对于Qi的判断阈值，其取法可以根据不同路况、车况结合车辆交通理论知识分析建立合理的取值。
2)定义状态值函数Vπ(s)，结合奖励R可以评价当前自车行驶状态的好坏，定义最优累计期望V*(s)，V*(s)与Vπ(s)的关系满足式(12)；
V*(s)＝maxπVπ(s) (12)
最优累计期望V*(s)的bellman方程计算公式如式(13)：
寻找最优换道策略[β0,β1,β2]的过程就是寻找最优累计期望V*(s)的过程；而在最优换道策略[β0,β1,β2]中存在使得动作A获得最大回报；
3)定义状态动作值函数Q(s,a)，其bellman方程计算公式如式(14)所示；
Qπ(s,a)＝Eπ[rt+1+γrt+2+γ2rt+3+....|At＝a,St＝s]＝Eπ[Gt|At＝a,St＝s] (14)
其中，γ为学习率，Gt是t时刻开始的总折扣奖励，γ可以根据不同交通场景换道决策的需要进行取值选择，可见，当γ越接近于1时，说明状态动作值函数Q(s,a)越有远见，会着重考虑后续状态的价值；当γ越接近于0时，状态动作值函数Q(s,a)会变得近视只考虑当前的利益影响；所以当对状态动作值函数Q(s,a)计算精确性要求不高时，可以将γ取得小些，ECU运算负担会减小，而当状态动作值函数Q(s,a)计算精确性要求高时，可以γ取得大些。
4)定义最优价值动作函数Q*(s,a)，其bellman方程计算公式如式(15)所示；
Q*(s,a)＝maxaQa(s,a)＝∑s'P(s'|s,a)(R(s,a,s')+γmaxa'Qa'(s',a')) (15)
其中，动作A对应最优价值动作函数Q*(s,a)。
5)我们对Q(s,a)值进行计算，形成Q-table，通过应用时间差分法建立更新公式不断学习对Q-table进行更新，如式(16)所示；
Q(s,a)←Q(s,a)+α[r+γmaxa'Qa'(s',a')-Q(s,a)] (16)
其中，α为学习率γ的奖励性衰变系数，更新公式的意义在于通过过往Q-table中的Q(s,a)来估计当前Q值，并通过选取下一状态最大的Q(s’,a’)乘以学习率γ加上真实回报值作为Q现实，由此可以计算出新的Q(s,a)。
6)在Q-table中，解算出最优控制策略max[β0,β1,β2]。
基于经济性分析输出的自由换道概率Pi定义为Pe，计算公式如式(17)所示；
Pe＝[ψ0,ψ1][(1-P1),P5]T (17)
其中，Ψ0和Ψ1为基于经济性分析的换道概率分配系数，优先但不限于由原始车道和目标车道发生危险时的严重性、车辆潜在运动状态变化率和驾驶员风格等决定。
基于经济性分析的换道概率分配系数Ψ0和Ψ1通过强化Q-Learning理论进行不断学习修正。方法同β0、β1和β2的取法，通过建立评价指标进而生成回报，通过深度Q-Learning方法找到回报最高的控制策略，进而不断对Ψ0和Ψ1进行修正。
应用强化Q-Learning方法找到最优控制策略(换道概率分配系数)的方法如图3所示，智能车通过车联网与云端换道数据库联接，当智能车行车环境换道数据采集模块采集到与前后车车距和前后车车速等环境信息后，此环境信息通过链路进入智能车ECU的决策模块，也通过车联网进入到云端换道数据库，同时决策模块从Q-table模块调取预先形成的Q表进行匹配后找到最优策略输出到执行模块，控制智能车进行行驶操作，与此同时，学习模块同时读取行车环境换道数据采集模块的环境信息、决策模块的决策结果、云端换道数据库换道数据，进行线上和线下两种模式的学习，从而不断更新Q-table模块的Q表，使得决策结果更接近最优策略。
步骤7：根据模糊控制器输入的原始车道后车转向灯开启情况、原始车道后车对自车的影响程度，建立换道消极系数。
X6的论域为{0，1}，X7的论域为(-Ds，Ds),引入换道消极系数λ。换道消极系数λ取值如式(18)所示；
可见，存在换道消极系数λ定义下的绝对窗口距离(-∞，-Ds)和(Ds，+∞)区间，换道消极系数λ为0；当原始车道后车开启转向灯时，根据实际自车i换道的风险会加大，因此此时换道消极系数λ不为0，自车i换道概率降低。
步骤8：换道概率Pi的输出由安全性输出概率Ps、经济性输出概率Pe和换道消极系数λ共同决定，结合二元选择Probit模型建立兼顾安全性和经济性的自由换道概率模型α的输出函数。
二元选择Probit模型中的参数可以通过最大似然解的方法进行修正。
自由换道概率模型α的输出函数如式(19)、式(20)所示；
其中,α*为潜变量，不能观测，可以观测的为自由换道概率α；ε0为常系数，εj为对应安全性和经济性的分配系数，εi为优先但不限于由路况、车况、驾驶员风格等决定的扰动系数，设定为正态分布。
对应安全性和经济性的分配系数εj的可以用最大似然解方法求解：
确定εj的合理值的最大似然解方法如式(21)：
其中，F为εi的累积分布函数，若εi的分布关于y坐标轴对称，则上式可写成式(22)所示；
列似然函数如式(23)：
L＝Πα＝1αcΠα＝0(1-αc) (23)
应用聚类分析法，将同一类型的汽车流分类，将自由换道概率高的数据带入式(23)，应用最大似然解方法，求解出εj的合理值。
则在满足执行操作后不发生潜在碰撞的前提下，能够得到自由换道概率模型模糊控制器的输出α为Pi。
步骤9：结合步骤4输出的非自由换道概率Pf和步骤8输出的自由换道概率α得到自车i换道概率Pi。
步骤10：当自车i换道概率Pi大于换道阈值时，予以换道操作，当非自由换道概率或自由换道概率小于换道阈值时，不予换道操作。
在满足换道安全的前提下，综合分析安全性和经济性两大指标，建立二元选择Probit概率输出模型，并结合强化Q-Learning理论和最大似然解方法不断针对环境和换道数据变化对模型进行修正，在满足换道安全的前提下能够很大程度上使得自车行驶在驾驶空间优越，潜在碰撞风险小，燃油经济性好的驾驶环境中，有效地缓解交通拥挤、排放超标等问题。
Claims (7)
1.一种基于概率输出模型的智能车辆换道决策方法，其特征在于，包括以下步骤：
(1)通过自车车载传感器获取当前时刻行车环境参数；
(2)定义并计算原始车道行驶预判车距和换道预判车距；
(3)根据原始车道行驶预判车距和换道预判车距在满足不同条件时会具备不同的换道概率，建立换道概率输出模型；
(4)判断汽车执行操作后是否存在潜在碰撞，根据判断结论，当汽车执行操作后不存在潜在碰撞时，有一定概率自由换道，进入步骤(5)，当汽车执行操作后存在潜在碰撞时，直接输出非自由换道概率0或1进入步骤(9)；
(5)当自车在原始车道行驶和换道行驶都能保证安全的条件下，基于安全性和经济性分析，车辆倾向于越小潜在危险程度，越高燃油经济性和越小影响后车行驶的驾驶行为，以获得更优的驾驶空间；再结合路况信息、车况信息及驾驶员的驾驶风格分析，设计自由换道模糊控制器的输入和输出；
(6)针对步骤(5)设计的模糊控制器的输入，建立各个输入的隶属度函数得到各输入对应的隶属度，由各输入的隶属度可以分别得到基于安全性分析和基于经济性分析输出的换道概率；
(7)根据模糊控制器输入的原始车道后车转向灯开启情况、原始车道后车对自车的影响程度，建立换道消极系数；
(8)根据步骤(6)得到的基于安全性分析和基于经济性分析的换道概率和步骤(7)到的换道消极系数，结合二元选择Probit模型建立兼顾安全性和经济性的自由换道概率输出模型，输出自由换道概率；
(9)结合步骤(4)输出的非自由换道概率和步骤(8)输出的自由换道概率得到自车换道概率；
(10)当换道概率大于预先设定的换道阈值时，予以换道操作，当非自由换道概率或自由换道概率小于换道阈值时，不予换道操作。
2.根据权利要求1所述的基于概率输出模型的智能车辆换道决策方法，其特征在于，步骤(1)所述的行车环境参数包括自车和原始车道前车之间的车间距、自车和换道目标车道前车之间的车间距、自车和换道目标车道后车之间的车间距、自车和原始车道后车之间的车间距、当前时刻自车的速度、原始车道前车的速度、换道目标车道前车的速度、换道目标车道后车的速度及当前时刻原始车道后车转向灯使用情况。
3.根据权利要求1所述的基于概率输出模型的智能车辆换道决策方法，其特征在于，步骤(2)所述的原始车道行驶预判车距和换道预判车距包括：自车执行原始车道行驶后自车与原始车道前车之间的预判车间距、自车执行换道行驶后自车与换道目标车道前车之间的预判车间距及自车执行换道行驶后自车与换道目标车道后车之间的预判车间距。
4.根据权利要求1所述的基于概率输出模型的智能车辆换道决策方法，其特征在于，步骤(5)所述的模糊控制器的输入包括：自车执行原始车道行驶的潜在危险程度、自车执行原始车道行驶对保证汽车行驶时燃油经济性的诱惑程度、自车换道后与换道目标车道前车的潜在危险程度、自车换道后与换道目标车道后车的潜在危险程度、自车换道后对换道目标车道后车的干扰程度、自车换道后对保证汽车行驶时燃油经济性的诱惑程度、原始车道后车转向灯开启情况、原始车道后车对自车的影响程度；所述模糊控制器的输出为自由换道概率。
5.根据权利要求1所述的基于概率输出模型的智能车辆换道决策方法，其特征在于，步骤(6)所述的模糊控制器输入的隶属度函数包括：原始车道行驶的潜在危险程度隶属度函数、原始车道行驶对保证汽车行驶时燃油经济性的诱惑程度隶属度函数、换道后与换道目标车道前车的潜在危险程度隶属度函数、换道后与换道目标车道后车潜在危险程度隶属度函数、换道后自车对换道目标车道后车的干扰程度隶属度函数、换道后对保证汽车行驶时燃油经济性的诱惑程度隶属度函数。
6.根据权利要求1所述的基于概率输出模型的智能车辆换道决策方法，其特征在于，步骤(6)所述的基于安全性分析和基于经济性分析的换道概率是通过强化Q-Learning的方法，根据线性概率模型LPM建立安全性和经济性评价指标，生成对应于策略的奖励，代入到bellman方程中求解获得的。
7.根据权利要求1所述的基于概率输出模型的智能车辆换道决策方法，其特征在于，步骤(8)所述的二元选择Probit模型中的参数通过最大似然解的方法进行修正。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011116778.0A CN112365710B (zh) | 2020-10-19 | 2020-10-19 | 一种基于概率输出模型的智能车辆换道决策方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011116778.0A CN112365710B (zh) | 2020-10-19 | 2020-10-19 | 一种基于概率输出模型的智能车辆换道决策方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112365710A CN112365710A (zh) | 2021-02-12 |
| CN112365710B true CN112365710B (zh) | 2021-09-24 |
Family
ID=74506869
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011116778.0A Active CN112365710B (zh) | 2020-10-19 | 2020-10-19 | 一种基于概率输出模型的智能车辆换道决策方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112365710B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113895439B (zh) * | 2021-11-02 | 2022-08-12 | 东南大学 | 一种基于车载多源传感器概率融合的自动驾驶变道行为决策方法 |
| CN114056425B (zh) * | 2021-11-23 | 2023-07-18 | 东软集团股份有限公司 | 车辆转向控制方法、装置、车辆及存储介质 |
| CN114506342B (zh) * | 2022-03-03 | 2023-12-05 | 东风悦享科技有限公司 | 一种自动驾驶变道决策的方法、系统及车辆 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105047057A (zh) * | 2015-07-09 | 2015-11-11 | 同济大学 | 一种考虑多驾驶员类型和车道选择偏好的高快速路网宏观交通流仿真方法 |
| CN107738644A (zh) * | 2017-09-30 | 2018-02-27 | 长安大学 | 一种车辆避碰控制方法 |
| CN108595823A (zh) * | 2018-04-20 | 2018-09-28 | 大连理工大学 | 一种联合驾驶风格和博弈理论的自主车换道策略的计算方法 |
| CN109471436A (zh) * | 2018-11-09 | 2019-03-15 | 上海理工大学 | 基于混合高斯-隐马尔科夫模型的换道模型参数优化方法 |
| CN111746539A (zh) * | 2020-07-02 | 2020-10-09 | 清华大学 | 一种智能网联汽车严格安全换道入队控制方法 |
-
2020
- 2020-10-19 CN CN202011116778.0A patent/CN112365710B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105047057A (zh) * | 2015-07-09 | 2015-11-11 | 同济大学 | 一种考虑多驾驶员类型和车道选择偏好的高快速路网宏观交通流仿真方法 |
| CN107738644A (zh) * | 2017-09-30 | 2018-02-27 | 长安大学 | 一种车辆避碰控制方法 |
| CN108595823A (zh) * | 2018-04-20 | 2018-09-28 | 大连理工大学 | 一种联合驾驶风格和博弈理论的自主车换道策略的计算方法 |
| CN109471436A (zh) * | 2018-11-09 | 2019-03-15 | 上海理工大学 | 基于混合高斯-隐马尔科夫模型的换道模型参数优化方法 |
| CN111746539A (zh) * | 2020-07-02 | 2020-10-09 | 清华大学 | 一种智能网联汽车严格安全换道入队控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于模型预测控制的汽车紧急换道控制研究;张凤娇 等;《现代制造工程》;20170331;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112365710A (zh) | 2021-02-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112365710B (zh) | 一种基于概率输出模型的智能车辆换道决策方法 | |
| WO2021077725A1 (zh) | 一种基于驾驶意图的周围车辆运动状态预测系统及方法 | |
| CN108225364B (zh) | 一种无人驾驶汽车驾驶任务决策系统及方法 | |
| CN110297494B (zh) | 一种基于滚动博弈的自动驾驶车辆换道决策方法及系统 | |
| CN113291308B (zh) | 一种考虑驾驶行为特性的车辆自学习换道决策系统及方法 | |
| CN111572555B (zh) | 一种自学习辅助驾驶方法 | |
| CN112099496A (zh) | 一种自动驾驶训练方法、装置、设备及介质 | |
| CN112249008B (zh) | 针对复杂动态环境的无人驾驶汽车预警方法 | |
| CN109334667B (zh) | 一种智能车变道控制方法及装置 | |
| CN111775938B (zh) | 一种变道路径规划方法、装置及系统 | |
| CN112859838B (zh) | 一种自动驾驶控制方法、装置、设备和介质 | |
| CN109436085A (zh) | 一种基于驾驶风格的线控转向系统传动比控制方法 | |
| CN108711285B (zh) | 一种基于道路路口的混合交通模拟方法 | |
| CN110619340B (zh) | 一种自动驾驶汽车换道规则的生成方法 | |
| CN117032203A (zh) | 基于svo的自动驾驶智能控制方法 | |
| CN113823076B (zh) | 一种基于联网车辆协调控制的即停即走路段缓堵方法 | |
| CN116341288B (zh) | 一种异质交通流行车安全场建模方法 | |
| CN109572697B (zh) | 基于模糊控制的特殊路段行进车辆的油门自动控制方法 | |
| CN115571108A (zh) | 一种节油控制方法 | |
| CN115871671A (zh) | 一种考虑周边车辆的智能汽车换道决策与轨迹规划方法、系统 | |
| CN110378460B (zh) | 决策方法 | |
| CN113722982A (zh) | 一种基于多模型融合的汽车传感器攻击检测与防御方法 | |
| CN112590792A (zh) | 一种基于深度强化学习算法的车辆汇合控制方法 | |
| CN114842432A (zh) | 一种基于深度学习汽车灯光控制方法及系统 | |
| CN116176600B (zh) | 一种智能健康座舱的控制方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |