CN113022702B - 基于线控转向和博弈结果的智能网联汽车自适应避障系统 - Google Patents

Abstract

本发明公开了一种基于线控转向和博弈结果的智能网联汽车自适应避障系统，属于智能汽车决策领域，通过监测驾驶员驾驶状态、车辆行驶状态和周围环境信息，识别车辆前方障碍物信息，分析驾驶员与智能网联汽车避障博弈过程，根据驾驶员和智能网联汽车避障操作和路径评定博弈结果，量化驾驶员和智能网联汽车避障水平，将采集到的博弈期间的人车环境信息上报给中央服务器，将各个智能网联汽车上报数据分类并组成新的训练数据集，以此训练并提升智能网联汽车避障能力。

Description

基于线控转向和博弈结果的智能网联汽车自适应避障系统

技术领域

本发明属于智能汽车博弈决策领域，特别涉及一种基于线控转向和博弈结果的智能网联汽车自适应避障系统。

背景技术

智能网联汽车是集高精度感知技术、智能决策技术、V2X技术、深度学习技术和其他多项技术于一体的新型汽车，其符合汽车为驾驶员提供更安全、更舒适的驾驶体验的发展趋势。目前，车辆自适应巡航、自动泊车和一些处理简单场景的车辆技术日渐成熟，但在面对复杂且多变的驾驶环境和对道路上特殊物体识别情况时，智能网联汽车技术仍有很大的提升空间。

在当前车辆不能完全达到L4、L5自动驾驶水平的情况下，人机共驾，驾驶员和汽车共享控制权称为一种中间替代方案，这其中不可避免地涉及到驾驶员和汽车驾驶行为的相互影响，涉及到人车博弈情况。

当前识别技术和机器学习技术不能解决逻辑问题，如车辆前方的特殊障碍物，如小球，玩具这些不影响车辆通行，但有几率引来儿童以及这些小型物品拥有者靠近车辆行驶道路，甚至引发交通事故。并且当前识别技术也存在缺陷，并不能对所有已知障碍物识别方面达到100％准确。

中国专利CN110297494B公开了一种基于滚动博弈的自动驾驶车辆换道决策方法及系统，该方法通过滚动优化每一个时域内的最优决策，在每一个时域内考虑了长期的收益函数，通过驾驶激进度设定了不同的收益函数，在每一个时域内同时考虑周围车辆和智能车辆，通过双层规划来求解最优智能车辆的决策策略。在下一个时刻，更新智能车辆状态、周围车辆状态及道路状态信息，随后重复整个博弈过程，直至达到终止状态。

发明内容

为了应对不同障碍物识别结果下驾驶员和车辆避障的相互影响并提出相应的决策方案，本发明提出了一种基于线控转向和博弈结果的智能网联汽车自适应避障系统；

为实现以上目的，本发明采用以下解决方案：

一种基于线控转向和博弈结果的智能网联汽车自适应避障系统，其特征在于，其包括障碍物识别系统、人车环境监测系统、人车博弈系统、避障水平评分系统、信息上传系统；

障碍物识别系统，其用于利用配备的车载前视摄像头感知车辆行驶前方物体并通过训练的卷积神经网络判断其是否为障碍物，其中，卷积神经网络参数通过网络传输方式更新，其更新时间取决于训练数据集的获取速度；

人车环境监测系统，其用于在人车博弈发生期间监测驾驶员和智能网联汽车操纵方向盘时的扭矩、转角、角速度、角加速度、扭矩变化率，以及智能网联汽车行驶纵向速度和横向速度、车载摄像头图像、博弈持续时间、以该智能网联汽车为中心其他交通参与车辆的密度、本车和交通参与车辆行驶路径和本车行驶道路边线情况；

人车博弈系统，其用于根据驾驶员操作，判断驾驶员和智能网联汽车是否分别正确地识别出车辆行驶前方障碍物，并根据驾驶员和智能网联汽车各自的识别情况判断博弈结果，并存储博弈期间人车环境监测系统采集的驾驶员状态信息、车辆行驶信息和外部环境信息；

避障水平评分系统，其用于在驾驶员和智能网联汽车博弈结束后，根据人车博弈系统评定的博弈结果，利用elo评分方法对人和车辆的避障水平进行量化评分；

信息上传系统，其用于根据驾驶和智能网联汽车博弈结果，主动或被动上传博弈信息和避障水平评分系统评分至中央服务器，与其他车辆上传的数据组成新的训练数据集用来训练用于判断障碍物的卷积神经网络。

上述方案中，所述人车博弈系统包括博弈情景划分模块、线控辅助驾驶控制模块、博弈优化模块和博弈结果判定模块和博弈起止判断与信息存储模块；

博弈情景划分模块，其用于根据驾驶员操作和障碍物识别系统识别结果，划分当前驾驶员和智能网联汽车博弈情景，具体包括驾驶员未注意到障碍物而智能网联汽车识别出障碍物、驾驶员注意到障碍物而智能网联汽车未识别出障碍物、驾驶员和智能网联汽车都识别出障碍物、驾驶员和智能网联汽车都未识别出障碍物；

线控辅助驾驶控制模块，其用于根据障碍物识别系统障碍物识别情况，利用智能网联汽车线控转向系统进行辅助驾驶控制，以达到汽车安全行驶目的，并可发挥智能网联汽车线控转向系统特性，根据驾驶员和智能网联汽车的elo得分分配驾驶权；

博弈优化模块，其用于在博弈情景划分模块判定博弈情景为驾驶员和智能网联汽车都识别出障碍物时，根据设定的博弈收益函数，判别车辆实际行驶路径和智能网联汽车期望路径的优劣，作为避障水平评分系统对驾驶员和智能网联汽车避障水平评定的依据；

博弈结果判定模块，其用于结合博弈情景划分模块对博弈场景的划分以及博弈优化模块对驾驶员与智能网联汽车路径优劣的对比制定博弈规则，判断人车博弈胜负，判断结果可以作为避障水平评分系统对驾驶员和智能网联汽车避障水平评定的依据；

博弈起止判断与信息存储模块，其用于判断人车博弈的开始与结束并在人车博弈期间存储驾驶员、智能网联汽车信息。

上述方案中，所述人车博弈系统中博弈情景划分模块采用如下方法判定博弈情景；

当驾驶员、智能网联汽车操纵方向盘转角超过20°，方向盘角速度大于2.5rad/s时，判定驾驶员、智能网联汽车执行转向避障操作；

当驾驶员、智能网联汽车操纵方向盘转角不超过20°时，判定驾驶员、智能网联汽车执行直行操作；

当驾驶员采取直行操作而线控辅助驾驶控制模块采取转向操作时，可能的情况为驾驶员分心注意力不集中未能及时注意到障碍物、驾驶员注意到障碍物但没有及时执行避障操作，此时判定驾驶员未注意到障碍物而智能网联汽车识别出障碍物；

当驾驶员采取转向操作而线控辅助驾驶控制模块采取直行操作时，可能情况为驾驶员识别到特殊障碍物而智能网联汽车未能识别这种障碍物，此时驾驶员可以按下车内的信息上报按钮，提示智能网联汽车前方有障碍物，博弈情景划分模块会判定驾驶员注意到障碍物而智能网联汽车未识别出障碍物；

特殊障碍物包括需经过逻辑性思考后躲避的物体和如今技术不成熟情况下未能正确识别的物体，需经逻辑性思考后躲避的物体如小球、玩具这些不影响车辆通行，但有几率引来儿童以及这些小型物品拥有者靠近车辆行驶道路，甚至引发交通事故；

当驾驶员和智能网联汽车都采取转向操作时，可能情况为驾驶员和智能网联汽车都注意到前方障碍物并采取避障操作判定驾驶员和智能网联汽车都识别出障碍物；

当驾驶员和智能网联汽车都采取直行操作且发生事故时，可能情况为驾驶员和智能网联汽车都未注意到前方障碍物、障碍物较隐蔽驾驶员和智能网联汽车发现时来不及进行避障操作，判定驾驶员和智能网联汽车都未识别出障碍物。

上述方案中，所述人车博弈系统中博弈结果判定模块采用如下规则判断博弈结果，将结果提供给避障水平评分系统采集并存储智能网联汽车行驶信息；

当博弈情景划分模块判定驾驶员未注意到障碍物而智能网联汽车识别出障碍物时，判定驾驶员失败，智能网联汽车胜利；

当博弈情景划分模块判定驾驶员注意到障碍物而智能网联汽车未识别出障碍物时，判定驾驶员胜利，智能网联汽车失败；

当博弈情景划分模块判定驾驶员和智能网联汽车都识别出障碍物时，根据博弈优化模块判断结果，所选路径更优的一方胜利，所选路径较劣的一方失败；

当博弈情景划分模块判定驾驶员和智能网联汽车都未识别出障碍物时，判定驾驶员和智能网联汽车都失败；

博弈结果判定完毕后，存储本次博弈期间驾驶员和智能网联汽车操纵方向盘时的扭矩、转角和角速度，以及智能网联汽车行驶纵向速度和横向速度、车载摄像头图像、博弈持续时间、以该智能网联汽车为中心其他交通参与车辆的密度、本车和交通参与车辆行驶路径信息，将博弈信息发送给博弈优化模块。

上述方案中所述人车博弈系统中博弈优化模块采取如下方法评定驾驶员和智能网联汽车路径优劣；

将汽车实际行驶轨迹与智能网联汽车实际路径信息带入如下收益函数，路径信息包括行驶到该位置的时间、坐标和周围车辆密度，得到收益函数值较小的一方博弈获胜，其收益函数如下：

其中，ρ为以本车为中心附近10米内的车辆密度，y_a为车辆路径横向坐标，y_z为障碍物横向坐标，x_a为车辆路径纵向坐标，x_r为目标车道后车纵向坐标，t代表时间，T为博弈持续时间，参数k₁、k₂、k₃计算公式如下：

k₁＝10T

其中v_x为博弈起止判断与信息存储模块判断博弈开始瞬间车辆纵向速度，v_y为博弈起止判断与信息存储模块判断判断博弈开始瞬间车辆横向速度，收益函数值较小代表路径选择车流量较小，易采取避障后续调整且避障过程中转向幅度较小，危险性更低。

上述方案中，所述避障水平评分系统利用elo评分方法根据不同博弈场景下驾驶员和智能网联汽车的博弈结果对驾驶员和智能网联汽车的避障水平进行评估；

设驾驶员初始elo分为f_d，智能网联汽车初始elo分为f_a；

一般情况下驾驶员初始elo分设为2200，智能网联汽车初始elo分设为2000；

elo分与驾驶员绑定，不同智能网联汽车可通过车内摄像头识别不同驾驶员，从而确定其elo分；

驾驶员可以根据自身驾驶水平设定自身初始elo分，有三种水平可供选择，分别为初级(1500分)，中级(2200分)，高级(2500分)；

则根据博弈结果，驾驶员和智能网联汽车博弈后得分计算方法分别如下：

f_dn＝f_d+k*(p_d-p_ed)

f_an＝f_a+k*(p_a-p_ea)

其中，f_dn为博弈结束后驾驶员得分，f_an为博弈结束后智能网联汽车得分；

k为随博弈情景可变的参数，当博弈情景划分模块判定驾驶员未注意到障碍物而智能网联汽车识别出障碍物时，k的值为20；

当博弈情景划分模块判定驾驶员注意到障碍物而智能网联汽车未识别出障碍物时，k的值为30；

当博弈情景划分模块判定驾驶员和智能网联汽车都识别出障碍物时，k的值为10；

当博弈情景划分模块判定驾驶员和智能网联汽车都未识别出障碍物时，直接扣除双方elo分100分；

p_d和p_a分别为驾驶员和智能网联汽车实际博弈结果，博弈胜利其值为1，博弈失败其值为0，p_ed和p_ea分别为驾驶员和智能网联汽车估计博弈结果，其计算方法如下：

p_ea＝1-p_ed

计算结束后，将f_dn和f_an分别作为新的f_d和f_a值代入下一次计算中。

上述方案中，所述人车博弈系统中线控辅助驾驶控制模块采取如下控制策略，并可以根据驾驶员和智能网联汽车的elo得分分配驾驶权；

当情景划分模块判定驾驶员未注意到障碍物而智能网联汽车识别出障碍物时，执行转向避障操作；

当情景划分模块判定驾驶员注意到障碍物而智能网联汽车未识别出障碍物时，关闭线控辅助驾驶控制模块，令驾驶员自行控制车辆；

当情景划分模块判定驾驶员和智能网联汽车都识别出障碍物，驾驶员和智能网联汽车共享汽车驾驶权限，设驾驶员输入转角为α_d，线控辅助驾驶控制模块输入转角为α_a，则最终输出行驶转角α计算方法如下：

当驾驶员输入转角α_d和线控辅助驾驶控制模块输入转角α_a方向相同时，最终输出行驶转角α值为

α＝λ*α_d+(1-λ)*α_a

其中，λ为驾驶权分配系数，计算公式如下

当驾驶员输入转角α_d和线控辅助驾驶控制模块输入转角α_a方向相反时，最终输出行驶转角α值为

α＝α_d。

上述方案中，所述人车博弈系统中博弈起止判断与信息存储模块采用如下方法判断博弈的的持续时间：

当发生智能网联汽车识别到智能网联汽车行驶方向有物体且该物体不是其他车辆，并且驾驶员操纵方向盘转角和线控辅助驾驶控制模块决策方向盘转角相差大于40°，驾驶员和智能网联汽车其中一方操纵方向盘角速度大于2.5rad/s，车辆侧向加速度大于3m/s²时，以及发生智能网联汽车识别到智能网联汽车行驶方向有物体且该物体不是其他车辆，并且驾驶员操纵方向盘转角与线控辅助驾驶控制模块决策方向盘转角都大于30°时，激活人车环境监测系统采集驾驶员和智能网联汽车方向盘时的扭矩、转角和角速度，车辆侧向加速度以及智能网联汽车行驶纵向速度和横向速度、车载摄像头图像、博弈持续时间、以该智能网联汽车为中心其他交通参与车辆的密度、本车和交通参与车辆行驶路径和本车行驶道路边线情况；

当智能网联汽车与车道线平行并且保持直行两秒后判断博弈结束，其中，智能网联汽车与车道线夹角在0°-5°皆认定为智能网联汽车车辆与车道线平行，记录博弈持续的时间，保存人车环境监测系统采集的信息，该信息即为信息上传系统上传信息。

上述方案中，所述信息上传系统具有主动和被动上传博弈异常信息功能，以帮助组建训练数据集，改进智能网联汽车识别障碍物能力；

当博弈情景划分模块判定驾驶员注意到障碍物而智能网联汽车未识别出障碍物时，驾驶员按下信息上报按钮，信息上传系统被动上传汽车行驶信息和车载摄像头影像；当博弈情景划分模块判定当驾驶员和智能网联汽车都采取直行操作，且发生事故时，信息上传系统主动上传汽车行驶信息和车载摄像头影像信息以形成新的训练集训练障碍物识别系统中的卷积神经网络；

在人车博弈结束后以及在驶入障碍物多发路段后，全路段的智能网联汽车定期与中央服务器进行信息交互，车辆将博弈期间人车环境信息上传至中央服务器，同时将计算得到的驾驶员和智能网联汽车的elo分上传至中央服务器；

中央服务器为具有运算能力、存储能力，且通过无线通讯技术与所有智能网联汽车联通的通信和计算枢纽，其定期与道路上所有智能网联汽车通信，获取其elo分信息，并接收智能网联汽车信息上传系统上传的驾驶员和智能网联汽车操纵方向盘时的扭矩、转角和角速度，以及智能网联汽车行驶车速、车载摄像头图像、博弈持续时间、周围车辆密度、行驶路径信息；

中央服务器将上传信息分类并创建新的数据集以训练卷积神经网络识别障碍物，其中elo分高的驾驶员驾驶的智能网联汽车上传的信息具有更高的训练优先级，其在收集到固定数量的数据后将其组成数据集训练卷积神经网络，最后将训练得到的新的卷积神经网络参数传输给各个智能网联汽车。

所述一种基于线控转向和博弈结果的智能网联汽车自适应避障系统，其特征在于，其可以与其他智能网联汽车避障系统联通，并获取其elo评分、车辆密度、行驶车速以做出决策；

当智能网联汽车有从岔道口驶入主路，以及在十字路口处转向驶入其他道路情况，智能网联汽车计算当前道路上其他车辆elo分平均值，若发生平均值低于2200分，有50％的其他智能网联汽车车速低于该智能网联汽车当前车速，以及50％的车辆在其半径20米范围内车辆数目大于等于三辆之一情况时，提醒驾驶员安全驾驶；

在智能网联汽车前方相邻车道的另一辆智能网联汽车遇到障碍物时，该智能网联汽车可以获取前车elo分，当前车elo分低于2200分且前车车速低于该智能网联汽车时，车辆自动换道至离前车更远车道，当智能网联汽车无法变道时，选择降低车速操作；当前车elo分大于等于2200分时，车辆继续沿当前车道行驶。

附图说明

图1本发明一种基于线控转向和博弈结果的智能网联汽车自适应避障系统结构示意图；

具体实施方式

下面根据附图及具体实施例，对本发明进一步详细说明

如图1所示，本发明一种基于线控转向和博弈结果的智能网联汽车自适应避障系统包括障碍物识别系统、人车环境监测系统、人车博弈系统、避障水平评分系统、信息上传系统；

障碍物识别系统，其用于利用配备的车载前视摄像头感知车辆行驶前方物体并通过训练的卷积神经网络判断其是否为障碍物，其中，卷积神经网络参数通过网络传输方式更新，其更新时间取决于训练数据集的获取速度；

人车环境监测系统，其用于在人车博弈发生期间监测驾驶员和智能网联汽车操纵方向盘时的扭矩、转角、角速度、角加速度、扭矩变化率，以及智能网联汽车行驶纵向速度和横向速度、车载摄像头图像、博弈持续时间、以该智能网联汽车为中心其他交通参与车辆的密度、本车和交通参与车辆行驶路径和本车行驶道路边线情况；

人车博弈系统，其用于根据驾驶员操作，判断驾驶员和智能网联汽车是否分别正确地识别出车辆行驶前方障碍物，并根据驾驶员和智能网联汽车各自的识别情况判断博弈结果，并存储博弈期间人车环境监测系统采集的驾驶员状态信息、车辆行驶信息和外部环境信息；

避障水平评分系统，其用于在驾驶员和智能网联汽车博弈结束后，根据人车博弈系统评定的博弈结果，利用elo评分方法对人和车辆的避障水平进行量化评分；

信息上传系统，其用于根据驾驶和智能网联汽车博弈结果，主动或被动上传博弈信息和避障水平评分系统评分至中央服务器，与其他车辆上传的数据组成新的训练数据集用来训练用于判断障碍物的卷积神经网络。

上述方案中，所述人车博弈系统包括博弈情景划分模块、线控辅助驾驶控制模块、博弈优化模块和博弈结果判定模块和博弈起止判断与信息存储模块；

博弈情景划分模块，其用于根据驾驶员操作和障碍物识别系统识别结果，划分当前驾驶员和智能网联汽车博弈情景，具体包括驾驶员未注意到障碍物而智能网联汽车识别出障碍物、驾驶员注意到障碍物而智能网联汽车未识别出障碍物、驾驶员和智能网联汽车都识别出障碍物、驾驶员和智能网联汽车都未识别出障碍物；

线控辅助驾驶控制模块，其用于根据障碍物识别系统障碍物识别情况，利用智能网联汽车线控转向系统进行辅助驾驶控制，以达到汽车安全行驶目的，并可发挥智能网联汽车线控转向系统特性，根据驾驶员和智能网联汽车的elo得分分配驾驶权；

博弈优化模块，其用于在博弈情景划分模块判定博弈情景为驾驶员和智能网联汽车都识别出障碍物时，根据设定的博弈收益函数，判别车辆实际行驶路径和智能网联汽车期望路径的优劣，作为避障水平评分系统对驾驶员和智能网联汽车避障水平评定的依据；

博弈结果判定模块，其用于结合博弈情景划分模块对博弈场景的划分以及博弈优化模块对驾驶员与智能网联汽车路径优劣的对比制定博弈规则，判断人车博弈胜负，判断结果可以作为避障水平评分系统对驾驶员和智能网联汽车避障水平评定的依据；

博弈起止判断与信息存储模块，其用于判断人车博弈的开始与结束并在人车博弈期间存储驾驶员、智能网联汽车信息。

上述方案中，所述人车博弈系统中博弈情景划分模块采用如下方法判定博弈情景；

当驾驶员、智能网联汽车操纵方向盘转角超过20°，方向盘角速度大于2.5rad/s时，判定驾驶员、智能网联汽车执行转向避障操作；

当驾驶员、智能网联汽车操纵方向盘转角不超过20°时，判定驾驶员、智能网联汽车执行直行操作；

当驾驶员采取直行操作而线控辅助驾驶控制模块采取转向操作时，可能的情况为驾驶员分心注意力不集中未能及时注意到障碍物、驾驶员注意到障碍物但没有及时执行避障操作，此时判定驾驶员未注意到障碍物而智能网联汽车识别出障碍物；

当驾驶员采取转向操作而线控辅助驾驶控制模块采取直行操作时，可能情况为驾驶员识别到特殊障碍物而智能网联汽车未能识别这种障碍物，此时驾驶员可以按下车内的信息上报按钮，提示智能网联汽车前方有障碍物，博弈情景划分模块会判定驾驶员注意到障碍物而智能网联汽车未识别出障碍物；

特殊障碍物包括需经过逻辑性思考后躲避的物体和如今技术不成熟情况下未能正确识别的物体，需经逻辑性思考后躲避的物体如小球、玩具这些不影响车辆通行，但有几率引来儿童以及这些小型物品拥有者靠近车辆行驶道路，甚至引发交通事故；

当驾驶员和智能网联汽车都采取转向操作时，可能情况为驾驶员和智能网联汽车都注意到前方障碍物并采取避障操作判定驾驶员和智能网联汽车都识别出障碍物；

当驾驶员和智能网联汽车都采取直行操作且发生事故时，可能情况为驾驶员和智能网联汽车都未注意到前方障碍物、障碍物较隐蔽驾驶员和智能网联汽车发现时来不及进行避障操作，判定驾驶员和智能网联汽车都未识别出障碍物。

上述方案中，所述人车博弈系统中博弈结果判定模块采用如下规则判断博弈结果，将结果提供给避障水平评分系统采集并存储智能网联汽车行驶信息；

当博弈情景划分模块判定驾驶员未注意到障碍物而智能网联汽车识别出障碍物时，判定驾驶员失败，智能网联汽车胜利；

当博弈情景划分模块判定驾驶员注意到障碍物而智能网联汽车未识别出障碍物时，判定驾驶员胜利，智能网联汽车失败；

当博弈情景划分模块判定驾驶员和智能网联汽车都识别出障碍物时，根据博弈优化模块判断结果，所选路径更优的一方胜利，所选路径较劣的一方失败；

当博弈情景划分模块判定驾驶员和智能网联汽车都未识别出障碍物时，判定驾驶员和智能网联汽车都失败；

博弈结果判定完毕后，存储本次博弈期间驾驶员和智能网联汽车操纵方向盘时的扭矩、转角和角速度，以及智能网联汽车行驶纵向速度和横向速度、车载摄像头图像、博弈持续时间、以该智能网联汽车为中心其他交通参与车辆的密度、本车和交通参与车辆行驶路径信息，将博弈信息发送给博弈优化模块。

上述方案中所述人车博弈系统中博弈优化模块采取如下方法评定驾驶员和智能网联汽车路径优劣；

将汽车实际行驶轨迹与智能网联汽车实际路径信息带入如下收益函数，路径信息包括行驶到该位置的时间、坐标和周围车辆密度，得到收益函数值较小的一方博弈获胜，其收益函数如下：

其中，ρ为以本车为中心附近10米内的车辆密度，y_a为车辆路径横向坐标，y_z为障碍物横向坐标，x_a为车辆路径纵向坐标，x_r为目标车道后车纵向坐标，t代表时间，T为博弈持续时间，参数k₁、k₂、k₃计算公式如下：

k₁＝10T

其中v_x为博弈起止判断与信息存储模块判断博弈开始瞬间车辆纵向速度，v_y为博弈起止判断与信息存储模块判断判断博弈开始瞬间车辆横向速度，收益函数值较小代表路径选择车流量较小，易采取避障后续调整且避障过程中转向幅度较小，危险性更低。

上述方案中，所述避障水平评分系统利用elo评分方法根据不同博弈场景下驾驶员和智能网联汽车的博弈结果对驾驶员和智能网联汽车的避障水平进行评估；

设驾驶员初始elo分为f_d，智能网联汽车初始elo分为f_a；

一般情况下驾驶员初始elo分设为2200，智能网联汽车初始elo分设为2000；

elo分与驾驶员绑定，不同智能网联汽车可通过车内摄像头识别不同驾驶员，从而确定其elo分；

驾驶员可以根据自身驾驶水平设定自身初始elo分，有三种水平可供选择，分别为初级(1500分)，中级(2200分)，高级(2500分)；

则根据博弈结果，驾驶员和智能网联汽车博弈后得分计算方法分别如下：

f_dn＝f_d+k*(p_d-p_ed)

f_an＝f_a+k*(p_a-p_ea)

其中，f_dn为博弈结束后驾驶员得分，f_an为博弈结束后智能网联汽车得分；

k为随博弈情景可变的参数，当博弈情景划分模块判定驾驶员未注意到障碍物而智能网联汽车识别出障碍物时，k的值为20；

当博弈情景划分模块判定驾驶员注意到障碍物而智能网联汽车未识别出障碍物时，k的值为30；

当博弈情景划分模块判定驾驶员和智能网联汽车都识别出障碍物时，k的值为10；

当博弈情景划分模块判定驾驶员和智能网联汽车都未识别出障碍物时，直接扣除双方elo分100分；

p_d和p_a分别为驾驶员和智能网联汽车实际博弈结果，博弈胜利其值为1，博弈失败其值为0，p_ed和p_ea分别为驾驶员和智能网联汽车估计博弈结果，其计算方法如下：

p_ea＝1-p_ed

计算结束后，将f_dn和f_an分别作为新的f_d和f_a值代入下一次计算中。

上述方案中，所述人车博弈系统中线控辅助驾驶控制模块采取如下控制策略，并可以根据驾驶员和智能网联汽车的elo得分分配驾驶权；

当情景划分模块判定驾驶员未注意到障碍物而智能网联汽车识别出障碍物时，执行转向避障操作；

当情景划分模块判定驾驶员注意到障碍物而智能网联汽车未识别出障碍物时，关闭线控辅助驾驶控制模块，令驾驶员自行控制车辆；

当情景划分模块判定驾驶员和智能网联汽车都识别出障碍物，驾驶员和智能网联汽车共享汽车驾驶权限，设驾驶员输入转角为α_d，线控辅助驾驶控制模块输入转角为α_a，则最终输出行驶转角α计算方法如下：

当驾驶员输入转角α_d和线控辅助驾驶控制模块输入转角α_a方向相同时，最终输出行驶转角α值为

α＝λ*α_d+(1-λ)*α_a

其中，λ为驾驶权分配系数，计算公式如下

当驾驶员输入转角α_d和线控辅助驾驶控制模块输入转角α_a方向相反时，最终输出行驶转角α值为

α＝α_d。

上述方案中，所述人车博弈系统中博弈起止判断与信息存储模块采用如下方法判断博弈的的持续时间：

当发生智能网联汽车识别到智能网联汽车行驶方向有物体且该物体不是其他车辆，并且驾驶员操纵方向盘转角和线控辅助驾驶控制模块决策方向盘转角相差大于40°，驾驶员和智能网联汽车其中一方操纵方向盘角速度大于2.5rad/s，车辆侧向加速度大于3m/s²时，以及发生智能网联汽车识别到智能网联汽车行驶方向有物体且该物体不是其他车辆，并且驾驶员操纵方向盘转角与线控辅助驾驶控制模块决策方向盘转角都大于30°时，激活人车环境监测系统采集驾驶员和智能网联汽车方向盘时的扭矩、转角和角速度，车辆侧向加速度以及智能网联汽车行驶纵向速度和横向速度、车载摄像头图像、博弈持续时间、以该智能网联汽车为中心其他交通参与车辆的密度、本车和交通参与车辆行驶路径和本车行驶道路边线情况；

当智能网联汽车与车道线平行并且保持直行两秒后判断博弈结束，其中，智能网联汽车与车道线夹角在0°-5°皆认定为智能网联汽车车辆与车道线平行，记录博弈持续的时间，保存人车环境监测系统采集的信息，该信息即为信息上传系统上传信息。

上述方案中，所述信息上传系统具有主动和被动上传博弈异常信息功能，以帮助组建训练数据集，改进智能网联汽车识别障碍物能力；

当博弈情景划分模块判定驾驶员注意到障碍物而智能网联汽车未识别出障碍物时，驾驶员按下信息上报按钮，信息上传系统被动上传汽车行驶信息和车载摄像头影像；当博弈情景划分模块判定当驾驶员和智能网联汽车都采取直行操作，且发生事故时，信息上传系统主动上传汽车行驶信息和车载摄像头影像信息以形成新的训练集训练障碍物识别系统中的卷积神经网络；

在人车博弈结束后以及在驶入障碍物多发路段后，全路段的智能网联汽车定期与中央服务器进行信息交互，车辆将博弈期间人车环境信息上传至中央服务器，同时将计算得到的驾驶员和智能网联汽车的elo分上传至中央服务器；

中央服务器为具有运算能力、存储能力，且通过无线通讯技术与所有智能网联汽车联通的通信和计算枢纽，其定期与道路上所有智能网联汽车通信，获取其elo分信息，并接收智能网联汽车信息上传系统上传的驾驶员和智能网联汽车操纵方向盘时的扭矩、转角和角速度，以及智能网联汽车行驶车速、车载摄像头图像、博弈持续时间、周围车辆密度、行驶路径信息；

中央服务器将上传信息分类并创建新的数据集以训练卷积神经网络识别障碍物，其中elo分高的驾驶员驾驶的智能网联汽车上传的信息具有更高的训练优先级，其在收集到固定数量的数据后将其组成数据集训练卷积神经网络，最后将训练得到的新的卷积神经网络参数传输给各个智能网联汽车。

所述一种基于线控转向和博弈结果的智能网联汽车自适应避障系统，其特征在于，其可以与其他智能网联汽车避障系统联通，并获取其elo评分、车辆密度、行驶车速以做出决策；

当智能网联汽车有从岔道口驶入主路，以及在十字路口处转向驶入其他道路情况，智能网联汽车计算当前道路上其他车辆elo分平均值，若发生平均值低于2200分，有50％的其他智能网联汽车车速低于该智能网联汽车当前车速，以及50％的车辆在其半径20米范围内车辆数目大于等于三辆之一情况时，提醒驾驶员安全驾驶；

在智能网联汽车前方相邻车道的另一辆智能网联汽车遇到障碍物时，该智能网联汽车可以获取前车elo分，当前车elo分低于2200分且前车车速低于该智能网联汽车时，车辆自动换道至离前车更远车道，当智能网联汽车无法变道时，选择降低车速操作；当前车elo分大于等于2200分时，车辆继续沿当前车道行驶。

Claims (10)

1.一种基于线控转向和博弈结果的智能网联汽车自适应避障系统，其特征在于，其包括障碍物识别系统、人车环境监测系统、人车博弈系统、避障水平评分系统、信息上传系统；

障碍物识别系统，其用于利用配备的车载前视摄像头感知车辆行驶前方物体并通过训练的卷积神经网络判断其是否为障碍物，其中，卷积神经网络参数通过网络传输方式更新，其更新时间取决于训练数据集的获取速度；

人车环境监测系统，其用于在人车博弈发生期间监测驾驶员和智能网联汽车操纵方向盘时的扭矩、转角、角速度、角加速度、扭矩变化率，以及智能网联汽车行驶纵向速度和横向速度、车载摄像头图像、博弈持续时间、以该智能网联汽车为中心其他交通参与车辆的密度、本车和交通参与车辆行驶路径和本车行驶道路边线情况；

人车博弈系统，其用于根据驾驶员和车辆在同一驾驶场景下各自的方向盘转角操作，其中，当驾驶员、智能网联汽车操纵方向盘转角超过20°，方向盘角速度大于2.5rad/s时，判定驾驶员、智能网联汽车执行转向避障操作；当驾驶员、智能网联汽车操纵方向盘转角不超过20°时，判定驾驶员、智能网联汽车执行直行操作；判断驾驶员和智能网联汽车是否分别正确地识别出车辆行驶前方障碍物，并根据驾驶员和智能网联汽车各自的识别情况判断博弈结果，并存储博弈期间人车环境监测系统采集的驾驶员状态信息、车辆行驶信息和外部环境信息；

避障水平评分系统，其用于在驾驶员和智能网联汽车博弈结束后，根据人车博弈系统评定的博弈结果，利用elo评分方法对人和车辆的避障水平进行量化评分；

信息上传系统，其用于根据驾驶员和智能网联汽车博弈结果，主动或被动上传博弈信息和避障水平评分系统评分至中央服务器，与其他车辆上传的数据组成新的训练数据集用来训练用于判断障碍物的卷积神经网络。

2.根据权利要求1所述的基于线控转向和博弈结果的智能网联汽车自适应避障系统，其特征在于，所述人车博弈系统包括博弈情景划分模块、线控辅助驾驶控制模块、博弈优化模块、博弈结果判定模块、博弈起止判断与信息存储模块；

博弈情景划分模块，其用于根据驾驶员操作和障碍物识别系统识别结果，划分当前驾驶员和智能网联汽车博弈情景，具体包括驾驶员未注意到障碍物而智能网联汽车识别出障碍物、驾驶员注意到障碍物而智能网联汽车未识别出障碍物、驾驶员和智能网联汽车都识别出障碍物、驾驶员和智能网联汽车都未识别出障碍物；

线控辅助驾驶控制模块，其用于根据障碍物识别系统障碍物识别情况，利用智能网联汽车线控转向系统进行辅助驾驶控制，以达到汽车安全行驶目的，并可发挥智能网联汽车线控转向系统特性，根据驾驶员和智能网联汽车的elo得分分配驾驶权；

博弈优化模块，其用于在博弈情景划分模块判定博弈情景为驾驶员和智能网联汽车都识别出障碍物时，根据设定的博弈收益函数，判别车辆实际行驶路径和智能网联汽车期望路径的优劣，作为避障水平评分系统对驾驶员和智能网联汽车避障水平评定的依据；

博弈结果判定模块，其用于结合博弈情景划分模块对博弈场景的划分以及博弈优化模块对驾驶员与智能网联汽车路径优劣的对比制定博弈规则，判断人车博弈胜负，判断结果可以作为避障水平评分系统对驾驶员和智能网联汽车避障水平评定的依据；

博弈起止判断与信息存储模块，其用于判断人车博弈的开始与结束并在人车博弈期间存储驾驶员、智能网联汽车信息。

3.根据权利要求2所述的基于线控转向和博弈结果的智能网联汽车自适应避障系统，其特征在于，所述的人车博弈系统，其博弈情景划分模块采用如下方法判定博弈情景；

当驾驶员采取直行操作而线控辅助驾驶控制模块采取转向操作时，判定驾驶员未注意到障碍物而智能网联汽车识别出障碍物；当驾驶员采取转向操作而线控辅助驾驶控制模块采取直行操作时，驾驶员可以按下车内的信息上报按钮，博弈情景划分模块会判定驾驶员注意到障碍物而智能网联汽车未识别出障碍物；当驾驶员和智能网联汽车都采取转向操作时，判定驾驶员和智能网联汽车都识别出障碍物；当驾驶员和智能网联汽车都采取直行操作且发生事故时，判定驾驶员和智能网联汽车都未识别出障碍物。

4.根据权利要求2所述的基于线控转向和博弈结果的智能网联汽车自适应避障系统，其特征在于，所述的人车博弈系统，其博弈结果判定模块采用如下规则判断博弈结果，将结果提供给避障水平评分系统采集并存储智能网联汽车行驶信息；

当博弈情景划分模块判定驾驶员未注意到障碍物而智能网联汽车识别出障碍物时，判定驾驶员失败，智能网联汽车胜利；当博弈情景划分模块判定驾驶员注意到障碍物而智能网联汽车未识别出障碍物时，判定驾驶员胜利，智能网联汽车失败；当博弈情景划分模块判定驾驶员和智能网联汽车都识别出障碍物时，根据博弈优化模块判断结果，所选路径更优的一方胜利，所选路径较劣的一方失败；当博弈情景划分模块判定驾驶员和智能网联汽车都未识别出障碍物时，判定驾驶员和智能网联汽车都失败；

博弈结果判定完毕后，存储本次博弈期间驾驶员和智能网联汽车操纵方向盘时的扭矩、转角和角速度，以及智能网联汽车行驶纵向速度和横向速度、车载摄像头图像、博弈持续时间、以该智能网联汽车为中心其他交通参与车辆的密度、本车和交通参与车辆行驶路径信息，将博弈信息发送给博弈优化模块。

5.根据权利要求2所述的基于线控转向和博弈结果的智能网联汽车自适应避障系统，其特征在于，所述的人车博弈系统，其博弈优化模块采取如下方法评定驾驶员和智能网联汽车路径优劣；

将汽车实际行驶轨迹与智能网联汽车实际路径信息代入如下收益函数，路径信息包括行驶到该位置的时间、坐标和周围车辆密度，得到收益函数值较小的一方博弈获胜，其收益函数如下：

其中，ρ为以本车为中心附近10米内的车辆密度，y_a为车辆路径横向坐标，y_z为障碍物横向坐标，x_a为车辆路径纵向坐标，x_r为目标车道后车纵向坐标，t代表时间，T为博弈持续时间，参数k₁、k₂、k₃计算公式如下：

k₁＝10T

其中v_x为博弈起止判断与信息存储模块判断博弈开始瞬间车辆纵向速度，v_y为博弈起止判断与信息存储模块判断博弈开始瞬间车辆横向速度，收益函数值较小代表路径选择车流量较小，易采取避障后续调整且避障过程中转向幅度较小，危险性更低。

6.根据权利要求2所述的基于线控转向和博弈结果的智能网联汽车自适应避障系统，其特征在于，所述的避障水平评分系统，其利用elo评分方法根据不同博弈场景下驾驶员和智能网联汽车的博弈结果对驾驶员和智能网联汽车的避障水平进行评估；

设驾驶员初始elo分为f_d，智能网联汽车初始elo分为f_a，则根据博弈结果，驾驶员和智能网联汽车博弈后得分计算方法分别如下：

f_dn＝f_d+k*(p_d-p_ed)

f_an＝f_a+k*(p_a-p_ea)

其中，f_dn为博弈结束后驾驶员得分，f_an为博弈结束后智能网联汽车得分，k为随博弈情景可变的参数，当博弈情景划分模块判定驾驶员未注意到障碍物而智能网联汽车识别出障碍物时，k的值为20；当博弈情景划分模块判定驾驶员注意到障碍物而智能网联汽车未识别出障碍物时，k的值为30；当博弈情景划分模块判定驾驶员和智能网联汽车都识别出障碍物时，k的值为10；当博弈情景划分模块判定驾驶员和智能网联汽车都未识别出障碍物时，直接扣除双方elo分100分；

p_d和p_a分别为驾驶员和智能网联汽车实际博弈结果，博弈胜利其值为1，博弈失败其值为0，p_ed和p_ea分别为驾驶员和智能网联汽车估计博弈结果，其计算方法如下：

p_ea＝1-p_ed

计算结束后，将f_dn和f_an分别作为新的f_d和f_a值代入下一次计算中。

7.根据权利要求6所述的基于线控转向和博弈结果的智能网联汽车自适应避障系统，其特征在于，所述的人车博弈系统，其线控辅助驾驶控制模块采取如下控制策略，并可以根据驾驶员和智能网联汽车的elo得分分配驾驶权；

当博弈情景划分模块判定驾驶员未注意到障碍物而智能网联汽车识别出障碍物时，执行转向避障操作；当博弈情景划分模块判定驾驶员注意到障碍物而智能网联汽车未识别出障碍物时，关闭线控辅助驾驶控制模块，令驾驶员自行控制车辆；当博弈情景划分模块判定驾驶员和智能网联汽车都识别出障碍物，驾驶员和智能网联汽车共享汽车驾驶权限，设驾驶员输入转角为α_d，线控辅助驾驶控制模块输入转角为α_a，则最终输出行驶转角α计算方法如下：

当驾驶员输入转角α_d和线控辅助驾驶控制模块输入转角α_a方向相同时，最终输出行驶转角α值为

α＝λ*α_d+(1-λ)*α_a

其中，λ为驾驶权分配系数，计算公式如下

当驾驶员输入转角α_d和线控辅助驾驶控制模块输入转角α_a方向相反时，最终输出行驶转角α值为

α＝α_d。

8.根据权利要求2所述的基于线控转向和博弈结果的智能网联汽车自适应避障系统，其特征在于，所述博弈起止判断与信息存储模块采用如下方法判断博弈的持续时间：

当发生智能网联汽车识别到智能网联汽车行驶方向有物体且该物体不是其他车辆，并且驾驶员操纵方向盘转角和线控辅助驾驶控制模块决策方向盘转角相差大于40°，驾驶员和智能网联汽车其中一方操纵方向盘角速度大于2.5rad/s，车辆侧向加速度大于3m/s²时，以及发生智能网联汽车识别到智能网联汽车行驶方向有物体且该物体不是其他车辆，并且驾驶员操纵方向盘转角与线控辅助驾驶控制模块决策方向盘转角都大于30°时，激活人车环境监测系统采集驾驶员和智能网联汽车方向盘时的扭矩、转角和角速度，车辆侧向加速度以及智能网联汽车行驶纵向速度和横向速度、车载摄像头图像、博弈持续时间、以该智能网联汽车为中心其他交通参与车辆的密度、本车和交通参与车辆行驶路径和本车行驶道路边线情况；当智能网联汽车与车道线平行并且保持直行两秒后判断博弈结束，记录博弈持续的时间，保存人车环境监测系统采集的信息，该信息即为信息上传系统上传信息。

9.根据权利要求2所述的基于线控转向和博弈结果的智能网联汽车自适应避障系统，其特征在于，所述的信息上传系统，其具有主动和被动上传博弈异常信息功能，以帮助组建训练数据集，改进智能网联汽车识别障碍物能力；

当博弈情景划分模块判定驾驶员注意到障碍物而智能网联汽车未识别出障碍物时，驾驶员按下信息上报按钮，信息上传系统被动上传汽车行驶信息和车载摄像头影像；当博弈情景划分模块判定当驾驶员和智能网联汽车都采取直行操作，且发生事故时，信息上传系统主动上传汽车行驶信息和车载摄像头影像信息以形成新的训练集训练障碍物识别系统中的卷积神经网络；

在人车博弈结束后以及在驶入障碍物多发路段后，全路段的智能网联汽车与中央服务器进行信息交互，车辆将博弈期间人车环境信息上传至中央服务器，中央服务器将上传信息分类并创建新的数据集以训练卷积神经网络识别障碍物，并将训练得到的新的卷积神经网络参数传输给各个智能网联汽车。

10.根据权利要求1-9所述的任意一种基于线控转向和博弈结果的智能网联汽车自适应避障系统，其特征在于，其可以与其他智能网联汽车避障系统联通，并获取其elo评分、车辆密度、行驶车速以做出决策；

当智能网联汽车有从岔道口驶入主路，以及在十字路口处转向驶入其他道路情况，智能网联汽车计算当前道路上其他车辆elo分平均值，若发生平均值低于2200分，有50％的其他智能网联汽车车速低于该智能网联汽车当前车速，以及50％的车辆在其半径20米范围内车辆数目大于等于三辆之一情况时，提醒驾驶员安全驾驶；

在智能网联汽车前方相邻车道的另一辆智能网联汽车遇到障碍物时，该智能网联汽车可以获取前车elo分，当前车elo分低于2200分且前车车速低于该智能网联汽车时，车辆自动换道至离前车更远车道，当智能网联汽车无法变道时，选择降低车速操作；当前车elo分大于等于2200分时，车辆继续沿当前车道行驶。

Images