CN113076897B - 智能网联汽车的博弈动态行驶安全测控方法及调控终端 - Google Patents
智能网联汽车的博弈动态行驶安全测控方法及调控终端 Download PDFInfo
- Publication number
- CN113076897B CN113076897B CN202110387108.0A CN202110387108A CN113076897B CN 113076897 B CN113076897 B CN 113076897B CN 202110387108 A CN202110387108 A CN 202110387108A CN 113076897 B CN113076897 B CN 113076897B
- Authority
- CN
- China
- Prior art keywords
- intelligent network
- game
- automatic driving
- vehicle
- strategy
- 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
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000005259 measurement Methods 0.000 title claims abstract description 20
- 230000033001 locomotion Effects 0.000 claims abstract description 115
- 238000012360 testing method Methods 0.000 claims description 76
- 238000012549 training Methods 0.000 claims description 50
- 230000007613 environmental effect Effects 0.000 claims description 32
- 238000004088 simulation Methods 0.000 claims description 21
- 238000005516 engineering process Methods 0.000 claims description 18
- 230000001133 acceleration Effects 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 7
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 244000144972 livestock Species 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
- Toys (AREA)
Abstract
本申请提供一种智能网联汽车的博弈动态行驶安全测控方法及调控终端,涉及汽车技术领域。其中,该方法包括:获取混合交通场景下的环境特征数据和目标智能网联自动驾驶车辆的初始运动特征数据;根据混合交通场景下的环境特征数据和目标智能网联自动驾驶车辆的初始运动特征数据,基于安全博弈模型确定目标智能网联自动驾驶车辆的实时动态安全行驶博弈策略;向目标智能网联自动驾驶车辆发送实时动态安全行驶博弈策略,实现了可以在混合交通场景下,确定智能网联自动驾驶车辆的实时动态安全行驶博弈策略,以使目标智能网联自动驾驶车辆按照动态安全博弈策略行驶,提高了博弈动态行驶安全测控方法的鲁棒性和适用性。
Description
技术领域
本申请涉及汽车技术领域,特别涉及一种智能网联汽车的博弈动态行驶安全测控方法及调控终端。
背景技术
智能网联汽车(Intelligent Connected Vehicle,ICV),是指车联网与智能车的有机联合,是搭载先进的车载传感器、控制器、执行器等装置,并融合现代通信与网络技术,实现车与人、车、路、后台等智能信息交换共享,实现安全、舒适、节能、高效行驶,并最终可替代人来操作的新一代汽车。其中,根据是否可以自动驾驶,智能网联汽车又可以分为智能网联自动驾驶汽车和智能网联人工驾驶汽车。
现有的,控制智能网联自动驾驶汽车在道路上行驶时,主要是控制智能网联自动驾驶汽车在预设道路上行驶,交通场景较为简单,未进行混流交通系统的联动,动态安全决策存在简单化、控制策略不够严密等问题。
但由于实际交通场景一般都较为复杂,因此现有的控制方法无法满足实际混流交通场景的需求。
发明内容
本申请的目的在于,针对上述现有技术中的不足,提供一种智能网联汽车的博弈动态行驶安全测控方法及调控终端,可以满足实际混流交通场景的需求。
为实现上述目的,本申请实施例采用的技术方案如下:
第一方面,本发明提供一种智能网联汽车的博弈动态行驶安全测控方法,包括:
获取混合交通场景下的环境特征数据和目标智能网联自动驾驶车辆的初始运动特征数据,所述初始运动特征数据用于表征所述目标智能网联自动驾驶车辆的实际运动状态;
根据混合交通场景下的所述环境特征数据和所述目标智能网联自动驾驶车辆的初始运动特征数据,基于安全博弈模型确定所述目标智能网联自动驾驶车辆的实时动态安全行驶博弈策略,所述安全博弈模型根据训练样本数据集构建,所述安全博弈模型包括下述至少一个:负和博弈模型、零和博弈模型、正和博弈模型、动态博弈模型,所述训练样本数据集包括多个智能网联自动驾驶样本车辆对应的训练样本数据,且每个所述训练样本数据标注有博弈策略标签;
向所述目标智能网联自动驾驶车辆发送所述实时动态安全行驶博弈策略,以使所述目标智能网联自动驾驶车辆按照所述实时动态安全行驶博弈策略行驶。
在可选的实施方式中,所述基于安全博弈模型确定所述目标智能网联自动驾驶车辆的实时动态安全行驶博弈策略之前,所述方法还包括:
获取样本数据集,所述样本数据集包括多个样本数据,每个所述样本数据包括:预设历史时间段内混合交通场景下的环境特征数据和样本车辆对应的运动特征数据,所述样本车辆包括智能网联自动驾驶样本车辆,且所述智能网联自动驾驶样本车辆对应的样本数据标注有博弈策略标签,所述博弈策略标签包括所述智能网联自动驾驶样本车辆与任一所述样本车辆的博弈策略类型,以及每种博弈策略类型对应的博弈策略概率;
根据所述样本数据集,获取训练样本数据集,所述训练样本数据集包括所述智能网联自动驾驶样本车辆对应的训练样本数据;
根据所述智能网联自动驾驶样本车辆对应的训练样本数据,构建所述安全博弈模型。
在可选的实施方式中,所述根据所述智能网联自动驾驶样本车辆对应的训练样本数据,构建所述安全博弈模型之后,所述方法还包括:
根据所述样本数据集,获取测试样本数据集,所述测试样本数据集包括多个智能网联自动驾驶样本车辆对应的测试样本数据;
根据所述测试样本数据集和所述安全博弈模型,预测获取所述测试样本数据集中各智能网联自动驾驶样本车辆对应的博弈策略;
根据所述测试样本数据集中各智能网联自动驾驶样本车辆对应的博弈策略和博弈策略标签,更新所述安全博弈模型。
在可选的实施方式中,所述根据所述测试样本数据集中各智能网联自动驾驶样本车辆对应的博弈策略,更新所述安全博弈模型,包括:
根据所述测试样本数据集中各智能网联自动驾驶样本车辆对应标注的博弈策略标签和预测获取的所述测试样本数据集中各智能网联自动驾驶样本车辆对应的博弈策略,调整所述测试样本数据集中各智能网联自动驾驶样本车辆对应标注的博弈策略类型的博弈策略概率;
基于所述测试样本数据集中调整后的各智能网联自动驾驶样本车辆所对应的博弈策略类型的博弈策略概率,更新所述安全博弈模型。
在可选的实施方式中,所述根据所述智能网联自动驾驶样本车辆对应的训练样本数据,构建所述安全博弈模型之后,所述方法还包括:
基于数字孪生技术构建所述混合交通场景对应的虚拟仿真交通场景、所述目标智能网联自动驾驶车辆对应的车辆仿真模型;
根据所述虚拟仿真交通场景和所述车辆仿真模型,基于硬件在环技术对所述目标智能网联自动驾驶车辆进行仿真,确定所述实时动态安全行驶博弈策略下所述目标智能网联自动驾驶车辆对应的目标运动特征数据是否符合预设安全行驶要求;
若确定不符合预设安全行驶要求,则根据预设更新条件更新所述安全博弈模型。
在可选的实施方式中,所述根据混合交通场景下的所述环境特征数据和所述目标智能网联自动驾驶车辆的初始运动特征数据,基于安全博弈模型确定所述目标智能网联自动驾驶车辆的实时动态安全行驶博弈策略,包括:
根据所述混合交通场景下的环境特征数据,获取所述混合交通场景下其他车辆的运动特征数据;
根据所述目标智能网联自动驾驶车辆的初始运动特征数据和所述混合交通场景下其他车辆的运动特征数据,基于安全博弈模型确定所述目标智能网联自动驾驶车辆的实时动态安全行驶博弈策略。
在可选的实施方式中,所述向所述目标智能网联自动驾驶车辆发送所述实时动态安全行驶博弈策略之后,所述方法还包括:
获取所述实时动态安全行驶博弈策略下所述目标智能网联自动驾驶车辆对应的目标运动特征数据;
根据所述目标运动特征数据和预设安全行驶指标,确定所述目标运动特征数据是否符合预设安全行驶要求。
在可选的实施方式中,所述根据所述目标运动特征数据和预设安全行驶指标,确定所述目标运动特征数据是否符合预设安全行驶要求,包括:
若确定所述目标运动特征数据不符合预设安全行驶要求,则基于所述安全博弈模型重新确定所述目标智能网联自动驾驶车辆的实时动态安全行驶博弈策略,并根据预设筛选条件向混合交通场景中的至少一个所述其他车辆对应的控制信息和/或告警信息。
在可选的实施方式中,所述博弈策略包括下述至少一项:纵向加/减速度、横向加/减速度、变道、制动、停车、转向、掉头;
所述混合交通场景下的环境特征数据包括下述至少一项:其他车辆的运动特征数据、道路状况数据、交通设施数据、气象数据,交通参与者数据。
第二方面,本发明提供一种智能网联汽车的调控终端,该调控终端可以包括:
特征识别模块,用于获取混合交通场景下的环境特征数据和目标智能网联自动驾驶车辆的初始运动特征数据,所述初始运动特征数据用于表征所述目标智能网联自动驾驶车辆的实际运动状态;
博弈策略模块,用于根据混合交通场景下的所述环境特征数据和所述目标智能网联自动驾驶车辆的初始运动特征数据,基于安全博弈模型确定所述目标智能网联自动驾驶车辆的实时动态安全行驶博弈策略,所述安全博弈模型根据训练样本数据集构建,所述安全博弈模型包括下述至少一个:负和博弈模型、零和博弈模型、正和博弈模型、动态博弈模型,所述训练样本数据集包括多个智能网联自动驾驶样本车辆对应的训练样本数据,且每个所述训练样本数据标注有博弈策略标签;
所述发送模块,用于向所述目标智能网联自动驾驶车辆发送所述实时动态安全行驶博弈策略,以使所述目标智能网联自动驾驶车辆按照所述实时动态安全行驶博弈策略行驶。
在可选的实施方式中,所述博弈策略模块,还用于获取样本数据集,所述样本数据集包括多个样本数据,每个所述样本数据包括:预设历史时间段内混合交通场景下的环境特征数据和样本车辆对应的运动特征数据,所述样本车辆包括智能网联自动驾驶样本车辆,且所述智能网联自动驾驶样本车辆对应的样本数据标注有博弈策略标签,所述博弈策略标签包括所述智能网联自动驾驶样本车辆与任一所述样本车辆的博弈策略类型,以及每种博弈策略类型对应的博弈策略概率;
根据所述样本数据集,获取训练样本数据集,所述训练样本数据集包括所述智能网联自动驾驶样本车辆对应的训练样本数据;
根据所述智能网联自动驾驶样本车辆对应的训练样本数据,构建所述安全博弈模型。
在可选的实施方式中,所述博弈策略模块,还用于根据所述样本数据集,获取测试样本数据集,所述测试样本数据集包括多个智能网联自动驾驶样本车辆对应的测试样本数据;
根据所述测试样本数据集和所述安全博弈模型,预测获取所述测试样本数据集中各智能网联自动驾驶样本车辆对应的博弈策略;
根据所述测试样本数据集中各智能网联自动驾驶样本车辆对应的博弈策略和博弈策略标签,更新所述安全博弈模型。
在可选的实施方式中,所述博弈策略模块,具体用于根据所述测试样本数据集中各智能网联自动驾驶样本车辆对应标注的博弈策略标签和预测获取的所述测试样本数据集中各智能网联自动驾驶样本车辆对应的博弈策略,调整所述测试样本数据集中各智能网联自动驾驶样本车辆对应标注的博弈策略类型的博弈策略概率;
基于所述测试样本数据集中调整后的各智能网联自动驾驶样本车辆所对应的博弈策略类型的博弈策略概率,更新所述安全博弈模型。
在可选的实施方式中,所述调控终端还包括:动态响应评价反馈,用于基于数字孪生技术构建所述混合交通场景对应的虚拟仿真交通场景、所述目标智能网联自动驾驶车辆对应的车辆仿真模型;
根据所述虚拟仿真交通场景和所述车辆仿真模型,基于硬件在环技术对所述目标智能网联自动驾驶车辆进行仿真,确定所述实时动态安全行驶博弈策略下所述目标智能网联自动驾驶车辆对应的目标运动特征数据是否符合预设安全行驶要求;
若确定不符合预设安全行驶要求,则根据预设更新条件更新所述安全博弈模型。
在可选的实施方式中,所述博弈策略模块,具体用于根据所述混合交通场景下的环境特征数据,获取所述混合交通场景下其他车辆的运动特征数据;
根据所述目标智能网联自动驾驶车辆的初始运动特征数据和所述混合交通场景下其他车辆的运动特征数据,基于安全博弈模型确定所述目标智能网联自动驾驶车辆的实时动态安全行驶博弈策略。
在可选的实施方式中,所述发送模块,还用于获取所述实时动态安全行驶博弈策略下所述目标智能网联自动驾驶车辆对应的目标运动特征数据;
根据所述目标运动特征数据和预设安全行驶指标,确定所述目标运动特征数据是否符合预设安全行驶要求。
在可选的实施方式中,所述发送模块,具体用于若确定所述目标运动特征数据不符合预设安全行驶要求,则基于所述安全博弈模型重新确定所述目标智能网联自动驾驶车辆的实时动态安全行驶博弈策略,并根据预设筛选条件向混合交通场景中的至少一个所述其他车辆对应的控制信息和/或告警信息。
在可选的实施方式中,所述博弈策略包括下述至少一项:纵向加/减速度、横向加/减速度、变道、制动、停车、转向、掉头;
所述混合交通场景下的环境特征数据包括下述至少一项:其他车辆的运动特征数据、道路状况数据、交通设施数据、气象数据,交通参与者数据。
第三方面,本发明提供一种智能网联汽车的调控终端,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当调控终端运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如前述实施方式任一所述智能网联汽车的博弈动态行驶安全测控方法的步骤。
第四方面,本申请实施例提供了一种存储介质,存储介质上存储有计算机程序,计算机程序被处理器运行时执行如前述实施方式任一所述智能网联汽车的博弈动态行驶安全测控方法的步骤。
本申请的有益效果是:
本申请实施例提供的智能网联汽车的博弈动态行驶安全测控方法及调控终端中,实现了可以根据混合交通场景下的环境特征数据和目标智能网联自动驾驶车辆的初始运动特征数据,基于安全博弈模型确定目标智能网联自动驾驶车辆的实时动态安全行驶博弈策略;向目标智能网联自动驾驶车辆发送实时动态安全行驶博弈策略,实现了可以在混合交通场景下,确定智能网联自动驾驶车辆的实时动态安全行驶博弈策略,以使目标智能网联自动驾驶车辆按照动态安全博弈策略行驶,提高了博弈动态行驶安全测控方法的鲁棒性和适用性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的一种基于智能网联汽车的博弈动态行驶安全测控系统的架构图;
图2为本申请实施例提供的一种智能网联汽车的博弈动态行驶安全测控方法的流程示意图;
图3为本申请实施例提供的另一种智能网联汽车的博弈动态行驶安全测控方法的流程示意图;
图4为本申请实施例提供的又一种智能网联汽车的博弈动态行驶安全测控方法的流程示意图;
图5为本申请实施例提供的另一种智能网联汽车的博弈动态行驶安全测控方法的流程示意图;
图6为本申请实施例提供的又一种智能网联汽车的博弈动态行驶安全测控方法的流程示意图;
图7为本申请实施例提供的另一种智能网联汽车的博弈动态行驶安全测控方法的流程示意图;
图8为本申请实施例提供的又一种智能网联汽车的博弈动态行驶安全测控方法的流程示意图;
图9为本申请实施例提供的一种智能网联汽车的调控终端的功能模块示意图;
图10为本申请实施例提供的一种调控终端的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
应注意到: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。
其中,在介绍本申请之前,首先对本申请中混合交通场景下车辆的类型进行说明,其可以分为:
智能网联汽车(Intelligent Connected Vehicle,ICV),是指车联网与智能车的有机联合,是搭载先进的车载传感器、控制器、执行器等装置,并融合现代通信与网络技术,实现车与人、车、路、后台等智能信息交换共享,实现安全、舒适、节能、高效行驶,并最终可替代人来操作的新一代汽车。其中,根据是否可以自动驾驶,智能网联汽车又可以分为智能网联自动驾驶汽车和智能网联人工驾驶汽车。
智能网联自动驾驶汽车(Connected Autonomous Vehicle,CAV):具备网联通信的自动驾驶车辆,可自动接收和转发网联信息,对于智能网联云端指令趋近于100%完全执行。
网联人工驾驶车辆(Connected Vehicle,CV):具备网联通信的人工驾驶车辆,可人工接收和转发网联信息,驾驶员综合考虑智能网联信息以及周边情况综合判断做出驾驶决策,驾驶员可自主选择是否执行智能网联云端传达的命令,亦可自主决定是否转发智能网联信息,而这取决于驾驶员性格类型是激进型或是保守型,可以看出,此类车辆安全感知范围大且驾驶员决策的不确定性强。
非网联自动驾驶车辆(Autonomous Vehicle,AV):不具备网联通信的自动驾驶车辆,无法接收和转发网联信息,其自动驾驶水平将历经L1至L5等级的发展,其中L1至L4等级车辆在网联环境下特性与常规车辆相仿,而L5等级的非网联自动驾驶车辆在混合交通中多为固定线路的自动巡航车辆,例如无人驾驶公交车、无人驾驶清扫车等,此类车辆对交通流影响较小,在混合交通流中可近似理性驾驶员操控的常规车辆,其理性程度随自动驾驶等级的提升而增高。
常规车辆(Regular Vehicle,RV):不具备网联通信的人工驾驶车辆,无法接收和转发网联信息,完全依靠驾驶员对周围环境的判断做出决策,且驾驶决策很大程度上依赖于驾驶员性格类型。
现阶段,控制智能网联自动驾驶汽车在道路上行驶时,主要是控制智能网联自动驾驶汽车在预设道路上行驶,交通场景较为简单,但由于实际交通场景一般都较为复杂,比如混合交通场景,因此,现有的控制方法将无法满足实际交通场景的需求。其中,混合交通是指机动车、非机动车、行人在同一条公路混合行驶,可以想到的是,在混合交通场景下,由于无车行道与人行道、快车与慢车之分,因此,该场景下极容易出现人车、人畜、车畜之间的交通事故。
有鉴于此,本申请提供一种智能网联汽车的博弈动态行驶安全测控方法,该方法可以提高控制网联自动驾驶车辆的准确性和可靠性,降低事故风险。
图1为本申请实施例提供的一种基于智能网联汽车的博弈动态行驶安全测控系统的架构图,如图1所示,该控制系统可以包括控制中心101、至少一个智能网联汽车(Intelligent Connected Vehicle,ICV)102,其中,该控制中心101可以包括计算机、服务器、处理器等电子设备,该电子设备上可以安装车载服务器端,该ICV的车载终端上可以安装车载客户端,车载客户端可以通过网络103可以与控制中心101的车载服务器端进行通信。
图2为本申请实施例提供的一种智能网联汽车的博弈动态行驶安全测控方法的流程示意图,该方法的执行主体可以是上述的控制中心,如图1所示,该控制方法可以包括:
S101、获取混合交通场景下的环境特征数据和目标智能网联自动驾驶车辆的初始运动特征数据,初始运动特征数据用于表征目标智能网联自动驾驶车辆的实际运动状态。
可选地,混合交通场景下的环境特征数据可以包括但不限于:道路状况、交通设施、地物地貌、气象条件,以及其他交通参与者的交通活动,具体地,可以包括但不限于:道路中其他车辆所处的位置、其他车辆的运动状态数据、车流情况(比如,车流量较大、较小等)、道路标志(比如,警告标志、指示标志、道路施工安全标志、限速标志等)、绿化情况(比如,绿化位置、绿化区域等)、行人状态(比如,行人的数量、位置、行进速度等)、周围建筑情况(比如,周围建筑的位置)等,在此不作限定。混合交通场景下的环境特征数据可以通过目标智能网联自动驾驶车辆(比如,可以通过目标智能网联自动驾驶车辆上安装的多种环境传感器检测获取)、混合场景下其他智能网联汽车(Intelligent Connected Vehicle,ICV)、预设交通地图、车用无线通信技术(vehicle to X,V2X)等获取,在此不作限定,根据实际的应用场景,可以是其中的一种或多种的组合。
目标智能网联自动驾驶车辆也即具备网联通信的自动驾驶车辆,该自动驾驶车辆可以自动接收和转发网联信息,其可以根据控制中心下发的驾驶指令控制当前车辆行驶。可以理解的是,混合交通场景下,对于目标智能网联自动驾驶车辆来说,其行驶过程中可以实时采集自身的初始运动特征数据,并将该初始运动特征数据实时发送给控制中心,如此,控制中心即可获取到该目标智能网联自动驾驶车辆的初始运动特征数据。
其中,该初始运动特征数据可以表征目标智能网联自动驾驶车辆的实际运动状态,可以包括但不限于:本车辆的位置、碰撞时间、本车辆相对横向/纵向车辆的车速、最大纵向加/减速度、最大横向加/减速度、制动时间、碰撞概率、安全行驶距离等,在此不作限定。
S102、根据混合交通场景下的环境特征数据和目标智能网联自动驾驶车辆的初始运动特征数据,基于安全博弈模型确定目标智能网联自动驾驶车辆的实时动态安全行驶博弈策略。
其中,安全博弈模型根据训练样本数据集构建,安全博弈模型包括负和博弈模型、零和博弈模型、正和博弈模型、动态博弈模型中至少一个,训练样本数据集包括多个智能网联自动驾驶样本车辆对应的训练样本数据,且每个训练样本数据标注有博弈策略标签。
可以理解的是,由于混合交通场景的复杂性,网联汽车自主行驶时会受到周边不同智能层级的异质汽车、交通环境、物甚至人的影响,车辆在路径选择或定位控制等驾驶行为时,必将会与混合体系中不同主体(人、车等)之间进行交互博弈,因此,本申请基于博弈论来研究多主体之间的交互区域可能存在的冲突问题。
基于博弈论,混合交通场景下目标智能网联自动驾驶车辆和其他车辆之间的博弈关系可以包括:负和博弈关系、零和博弈关系、正和博弈关系以及动态博弈关系中的一种或多种。可以理解的是,根据该博弈关系以及多个智能网联自动驾驶样本车辆对应的训练样本数据,可以构建安全博弈模型,相应地,该安全博弈模型可以包括:负和博弈模型、零和博弈模型、正和博弈模型、动态博弈模型中的一种或多种,如此,在确定目标智能网联自动驾驶车辆的实时动态安全行驶博弈策略时,可以根据混合交通场景下的环境特征数据和目标智能网联自动驾驶车辆的初始运动特征数据,选择负和博弈模型、零和博弈模型、正和博弈模型、动态博弈模型中的一种或多种确定目标智能网联自动驾驶车辆的实时动态安全行驶博弈策略。
其中,需要说明的是,上述负和博弈关系多存在于不同类型车辆之间,不同类型车辆由于两个不对称关系产生竞争力的不同容易存在负和博弈关系,比如,智能网联自动驾驶车辆与非网联自动驾驶车辆之间;零和博弈关系多存在于同类型车辆之间,一般地,同类型车辆间可由于道路资源竞争力相近产生零和博弈关系,比如,两个智能网联自动驾驶车辆之间;动态博弈关系多存在于网联通信车辆之间,网联通信车辆由于具备信息感知优势彼此易产生多次往复交互的动态博弈关系,比如,智能网联自动驾驶车辆与智能网联人工驾驶车辆之间。可以理解的是,由于混合交通场景中不同主体间运动有先后,不同时点轨迹和定位均不同,后运动者可以观测到前运动者的选择,并据此作出相应的决策,此博弈定义为动态博弈。在V2X的背景下,目标智能网联自动驾驶车辆的驾驶过程更多可以看作动态博弈的过程,目标智能网联自动驾驶车辆先于其后方且次于其前方主体作出安全决策选择,可以将其视为有限次多阶段的动态重复博弈过程。
基于上述说明,在获取到混合交通场景下的环境特征数据和目标智能网联自动驾驶车辆的初始运动特征数据之后,则可以基于安全博弈模型确定目标智能网联自动驾驶车辆的实时动态安全行驶博弈策略,可选地,实时动态安全行驶博弈策略可以包括:加速、减速、刹车、停车、转弯、变道、保持当前行进状态等,在一些实施例中,更具体地,可以是:以加速度V1进行加速、控制目标智能网联自动驾驶车辆变道至车牌号为XXXX的后方、N秒后控制目标智能网联自动驾驶车辆以减速度V2进行减速等,在此不作限定,根据实际的应用场景和驾驶需求可以有所不同。
S103、向目标智能网联自动驾驶车辆发送实时动态安全行驶博弈策略,以使目标智能网联自动驾驶车辆按照实时动态安全行驶博弈策略行驶。
其中,在确定了目标智能网联自动驾驶车辆的实时动态安全行驶博弈策略后,则可以向目标智能网联自动驾驶车辆发送实时动态安全行驶博弈策略,具体地,可以是向目标智能网联自动驾驶车辆的车载终端发送实时动态安全行驶博弈策略,比如,实时动态安全行驶博弈策略为基于当前的车道和行驶方向,向右变道,车载终端在接收到该实时动态安全行驶博弈策略后,则可以控制目标智能网联自动驾驶车辆按照实时动态安全行驶博弈策略行驶,也即可以控制目标智能网联自动驾驶车辆基于当前的车道和行驶方式,向右变道,当然,实际的实时动态安全行驶博弈策略并不以此为限,根据实际的应用场景可以有所不同。
当然,需要说明的是,根据实际的应用场景,目标智能网联自动驾驶车辆的车载终端也可以在接收到实时动态安全行驶博弈策略后作进一步判定,以便可以使得实时动态安全行驶博弈策略最优,在此不作限定,根据实际的应用场景可以灵活设置。
综上,本申请实施例提供的智能网联汽车的博弈动态行驶安全测控方法,包括:获取混合交通场景下的环境特征数据和目标智能网联自动驾驶车辆的初始运动特征数据,初始运动特征数据用于表征目标智能网联自动驾驶车辆的实际运动状态;根据混合交通场景下的环境特征数据和目标智能网联自动驾驶车辆的初始运动特征数据,基于安全博弈模型确定目标智能网联自动驾驶车辆的实时动态安全行驶博弈策略;向目标智能网联自动驾驶车辆发送实时动态安全行驶博弈策略,以使目标智能网联自动驾驶车辆按照实时动态安全行驶博弈策略行驶,实现了可以根据混合交通场景下的环境特征数据和目标智能网联自动驾驶车辆的初始运动特征数据,确定目标智能网联自动驾驶车辆的实时动态安全行驶博弈策略,进而在混合交通场景下,可以控制目标智能网联自动驾驶车辆按照实时动态安全行驶博弈策略行驶,提高了博弈动态行驶安全测控方法的鲁棒性和适用性。
图3为本申请实施例提供的另一种智能网联汽车的博弈动态行驶安全测控方法的流程示意图。可选地,如图3所示,基于安全博弈模型确定目标智能网联自动驾驶车辆的实时动态安全行驶博弈策略之前,上述方法还包括:
S201、获取样本数据集。
其中,样本数据集包括多个样本数据,每个样本数据包括:预设历史时间段内混合交通场景下的环境特征数据和样本车辆对应的运动特征数据,样本车辆包括智能网联自动驾驶样本车辆,且智能网联自动驾驶样本车辆对应的样本数据标注有博弈策略标签,博弈策略标签包括智能网联自动驾驶样本车辆与任一样本车辆的博弈策略类型,以及每种博弈策略类型对应的博弈策略概率。
可选地,可以基于V2X技术采集获取预设历史时间段内某混合交通场景下的环境特征数据和样本车辆对应的运动特征数据,但实际获取方式并不以此为限。
在一些实施例中,智能网联自动驾驶样本车辆与任一样本车辆的博弈策略类型可以包括但不限于:保持直行、加速、减速、刹车、停车、转弯、变道等,每种博弈策略类型对应的博弈策略概率可以是0~1之间的任意数,本申请在此不作限定。
S202、根据样本数据集,获取训练样本数据集,训练样本数据集包括智能网联自动驾驶样本车辆对应的训练样本数据。
S203、根据智能网联自动驾驶样本车辆对应的训练样本数据,构建安全博弈模型。
其中,对于获取的样本数据集,可以选取其中的部分样本数据集作为训练样本数据集,可以理解的是,由于要根据该训练样本数据集,构建安全博弈模型,而该安全博弈模型是用于根据混合交通场景下的环境特征数据和目标智能网联自动驾驶车辆的初始运动特征数据,确定目标智能网联自动驾驶车辆的实时动态安全行驶博弈策略,因此,所获取的训练样本数据集中可以包括智能网联自动驾驶样本车辆对应的训练样本数据。
可选地,具体在进行构建时,可以根据环境特征数据、智能网联自动驾驶样本车辆的运动特征数据、智能网联自动驾驶样本车辆与任一样本车辆的博弈策略类型,以及每种博弈策略类型对应的博弈策略概率之间的对应关系来构建安全博弈模型。
可选地,在一些实施例中,构建安全博弈模型时,可以根据相邻车辆的相对距离、碰撞时间、车前可行驶空间(包括车前空间距离及车辆长度)相对车速、安全距离下的规划行驶时间等构建安全博弈模型,使得目标智能网联自动驾驶车辆基于安全博弈模型确定的实时动态安全行驶博弈策略行驶时,可以提高行驶的安全性。
图4为本申请实施例提供的又一种智能网联汽车的博弈动态行驶安全测控方法的流程示意图。可选地,如图4所示,根据智能网联自动驾驶样本车辆对应的训练样本数据,构建安全博弈模型之后,上述方法还包括:
S301、根据样本数据集,获取测试样本数据集,测试样本数据集包括多个智能网联自动驾驶样本车辆对应的测试样本数据。
S302、根据测试样本数据集和安全博弈模型,预测获取测试样本数据集中各智能网联自动驾驶样本车辆对应的博弈策略。
S303、根据测试样本数据集中各智能网联自动驾驶样本车辆对应的博弈策略和博弈策略标签,更新安全博弈模型。
当然,需要说明的是,基于上述获取的样本数据集,也可以进一步获取测试样本数据集,通过该测试样本数据集和上述构建的安全博弈模型,预测获取该测试样本数据集中各智能网联自动驾驶样本车辆对应的博弈策略,进而基于预测获取的博弈策略和该测试样本数据集中各智能网联自动驾驶样本车辆对应的博弈策略标签,可以判断该安全博弈模型的准确性,可以理解的是,若上述获取的安全博弈模型的准确性较低,则可以更新该安全博弈模型,可选地,更新方式可以包括但不限于,调整安全博弈模型中的相关参数,又或者,可以增加训练样本数据集中训练样本数据的数据量等,本申请在此不作限定,根据实际的应用场景可以有所不同。
图5为本申请实施例提供的另一种智能网联汽车的博弈动态行驶安全测控方法的流程示意图。可选地,如图5所示,上述根据测试样本数据集中各智能网联自动驾驶样本车辆对应的博弈策略,更新安全博弈模型,可以包括:
S401、根据测试样本数据集中各智能网联自动驾驶样本车辆对应标注的博弈策略标签和预测获取的测试样本数据集中各智能网联自动驾驶样本车辆对应的博弈策略,调整测试样本数据集中各智能网联自动驾驶样本车辆对应标注的博弈策略类型的博弈策略概率。
S402、基于测试样本数据集中调整后的各智能网联自动驾驶样本车辆所对应的博弈策略类型的博弈策略概率,更新安全博弈模型。
在一些实施例中,具体在进行更新时,可以根据测试样本数据集中各智能网联自动驾驶样本车辆对应标注的博弈策略标签和预测获取的测试样本数据集中各智能网联自动驾驶样本车辆对应的博弈策略,来调整测试样本数据集中各智能网联自动驾驶样本车辆所对应的博弈策略类型的博弈策略概率。
其中,若测试样本数据集中各智能网联自动驾驶样本车辆对应标注的博弈策略标签与预测获取的测试样本数据集中各智能网联自动驾驶样本车辆对应的博弈策略不同,可选地,可以将该测试样本数据集中各智能网联自动驾驶样本车辆对应标注的博弈策略类型的博弈策略概率调大,当然,实际调整方式并不以此为限,进而可以基于测试样本数据集中调整后的各智能网联自动驾驶样本车辆所对应的博弈策略类型的博弈策略概率,更新安全博弈模型。
图6为本申请实施例提供的又一种智能网联汽车的博弈动态行驶安全测控方法的流程示意图。可选地,如图6所示,根据智能网联自动驾驶样本车辆对应的训练样本数据,构建安全博弈模型之后,上述方法还包括:
S501、基于数字孪生技术构建混合交通场景对应的虚拟仿真交通场景、目标智能网联自动驾驶车辆对应的车辆仿真模型。
其中,可以基于数字孪生技术构建数字孪生测试系统,通过数字孪生测试系统构建混合交通场景对应的虚拟仿真交通场景、目标智能网联自动驾驶车辆对应的车辆仿真模型,以实现对真实混合交通场景的仿真,当前,需要说明的是,根据实际的混合交通场景,还可以包括其他仿真模型,比如,交通参与者的仿真模型,但不以此为限。其中,应用数字孪生技术可以充分利用物理模型、传感器更新、运行历史等数据,集成多学科、多物理量、多尺度、多概率的仿真过程,在虚拟空间中完成映射。
可以理解的是,通过数字孪生测试系统能够节省大量的时间成本,同样的测试条件可重复性很高,且虚拟场景的切换过程较实车测试简单,并可以减少危险事件的发生概率,也可以节约不必要的器材损失,大幅度节约成本。
S502、根据虚拟仿真交通场景和车辆仿真模型,基于硬件在环技术对目标智能网联自动驾驶车辆进行仿真,确定实时动态安全行驶博弈策略下目标智能网联自动驾驶车辆对应的目标运动特征数据是否符合预设安全行驶要求。
可选地,可以基于硬件在环技术构建硬件在环模块,通过硬件在环模块在虚拟仿真交通场景下以实时处理器运行目标智能网联自动驾驶车辆对应的车辆仿真模型来模拟实际目标智能网联自动驾驶车辆的运行状态,通过模拟,可以获取模拟情况下实时动态安全行驶博弈策略下目标智能网联自动驾驶车辆对应的目标运动特征数据;此外,可以理解的是,基于上述构建的虚拟仿真交通场景,可以进一步模拟该虚拟仿真交通场景下的场景信息,该场景信息可以包括交通灯信号、交通参与者等,将上述仿真获取的目标运动特征数据和虚拟仿真交通场景下的场景信息作为数字孪生测试系统的输入数据,以便进行仿真,进而可以判断该实时动态安全行驶博弈策略下目标智能网联自动驾驶车辆对应的目标运动特征数据是否符合预设安全行驶要求。
可以理解的是,通过硬件在环模块以实时处理器运行车辆仿真模型来模拟目标智能网联自动驾驶车辆的运行状态时,可以通过I/O接口与被测的电子控制单元(ElectronicControl Unit,ECU)连接,对被测ECU进行全方面的、系统的测试,如此可以减少了实车路试的次数,提高控制方法的安全性。
当然,需要说明的是,根据实际的应用场景,也可以获取真实混合交通场景下的目标智能网联自动驾驶车辆动力学相关的参数等,作为数字孪生测试系统的输入数据,在此不作限定,如此,可以减少车辆动力学模型的参数规模,使测试结果更准确。
S503、若确定不符合预设安全行驶要求,则根据预设更新条件更新安全博弈模型。
基于上述说明,在获取到虚拟仿真交通场景和车辆仿真模型后,则可以将两者结合起来,实现对真实混合交通场景下目标智能网联自动驾驶车辆的仿真,通过仿真,可以获取到仿真情况下,实时动态安全行驶博弈策略下目标智能网联自动驾驶车辆对应的目标运动特征数据,进而可以根据该目标运动特征数据是否符合预设安全行驶要求,若确定不符合预设安全行驶要求,则根据预设更新条件更新安全博弈模型。可选地,该预设更新条件可以根据各博弈策略类型的博弈策略概率进行更新,本申请在此不作限定。应用本申请实施,可以看出,可以降低测试成本。
图7为本申请实施例提供的另一种智能网联汽车的博弈动态行驶安全测控方法的流程示意图。可选地,如图7所示,上述根据混合交通场景下的环境特征数据和目标智能网联自动驾驶车辆的初始运动特征数据,基于安全博弈模型确定目标智能网联自动驾驶车辆的实时动态安全行驶博弈策略,包括:
S601、根据混合交通场景下的环境特征数据,获取混合交通场景下其他车辆的运动特征数据。
在一些实施例中,也可以根据混合交通场景下的环境特征数据,获取该混合交通场景下其他车辆的运动特征数据,可选地,该其他车辆可以包括距离目标智能网联自动驾驶车辆最近的前后、后方、左边、右边的车辆,又或者,可以包括以目标智能网联自动驾驶车辆为中心,以预设距离为半径之内的所有车辆等,本申请在此并不限定其他车辆的类型,也并不限定其他车辆的数量。
S602、根据目标智能网联自动驾驶车辆的初始运动特征数据和混合交通场景下其他车辆的运动特征数据,基于安全博弈模型确定目标智能网联自动驾驶车辆的实时动态安全行驶博弈策略。
可以理解的是,目标智能网联自动驾驶车辆的实时动态安全行驶博弈策略会受周边其他车辆驾驶状态、周边其他环境参数(如上述的道路标志、绿化情况、行人状态、周围建筑情况等)的影响,因此,在获取到混合交通场景下其他车辆的运动特征数据后,可以根据目标智能网联自动驾驶车辆的初始运动特征数据、混合交通场景下其他车辆的运动特征数据以及周边的其他环境参数,基于安全博弈模型确定目标智能网联自动驾驶车辆的实时动态安全行驶博弈策略。
图8为本申请实施例提供的又一种智能网联汽车的博弈动态行驶安全测控方法的流程示意图。可选地,如图8所示,向目标智能网联自动驾驶车辆发送实时动态安全行驶博弈策略之后,上述方法还包括:
S701、获取实时动态安全行驶博弈策略下目标智能网联自动驾驶车辆对应的目标运动特征数据。
S702、根据目标运动特征数据和预设安全行驶指标,确定目标运动特征数据是否符合预设安全行驶要求。
可以理解的是,向目标智能网联自动驾驶车辆发送实时动态安全行驶博弈策略,目标智能网联自动驾驶车辆的车载终端在接收到该实时动态安全行驶博弈策略后,可以控制该目标智能网联自动驾驶车辆按照实时动态安全行驶博弈策略行驶,行驶过程中,则可以获取实时动态安全行驶博弈策略下目标智能网联自动驾驶车辆对应的目标运动特征数据,根据该目标运动特征数据和预设安全行驶指标,确定该目标运动特征数据是否符合预设安全行驶要求。
当然,需要说明的是,在获取实时动态安全行驶博弈策略下目标智能网联自动驾驶车辆对应的目标运动特征数据后,也可以对该目标特征数据作进一步处理,在此不限定具体处理的步骤。
可选地,上述根据目标运动特征数据和预设安全行驶指标,确定目标运动特征数据是否符合预设安全行驶要求,可以包括:
若确定目标运动特征数据不符合预设安全行驶要求,则基于安全博弈模型重新确定目标智能网联自动驾驶车辆的实时动态安全行驶博弈策略,并根据预设筛选条件向混合交通场景中的至少一个其他车辆对应的控制信息和/或告警信息。
基于上述实施例的基础上,若确定目标运动特征数据不符合预设安全行驶要求(比如,碰撞时间不符合预设安全行驶要求),则可以基于上述安全博弈模型重新确定目标智能网联自动驾驶车辆的实时动态安全行驶博弈策略,向目标智能网联自动驾驶车辆发送重新确定的实时动态安全行驶博弈策略,以便目标智能网联自动驾驶车辆调整行驶路线,驾驶状态等。当然,可以理解的是,为了尽量降低风险机率,可以根据预设筛选条件向混合交通场景中的至少一个其他车辆对应的控制信息和/或告警信息,可选地,预设筛选条件可以是距离目标智能网联自动驾驶车辆预设距离之内的其他车辆,其中,根据其他车辆的车辆类型可以发送对应的控制信息和/或告警信息,可选地,若其他车辆为智能网联自动驾驶汽车,可以向该智能网联自动驾驶汽车发送对应的控制信息和告警信息,若其他车辆为网联人工驾驶车辆,可以向该网联人工驾驶车辆发送对应的告警信息。可选地,控制信息,可以包括但不限于:纵向加/减速度、横向加/减速度、变道、制动、停车、转向、掉头等控制信息;告警信息可以包括但不限于:目标智能网联自动驾驶车辆的当前位置信息、目标智能网联自动驾驶车辆的方位信息等,本申请在此不作限定。
可选地,博弈策略包括下述至少一项:纵向加/减速度、横向加/减速度、变道、制动、停车、转向、掉头;
混合交通场景下的环境特征数据包括下述至少一项:其他车辆的运动特征数据、道路状况数据、交通设施数据、气象数据,交通参与者数据。
综上,可以看出,应用本申请实施例可以以真实智能交通系统数据为基础,通过虚拟硬件和虚拟传感器提取实际测试结果,融合智能网联虚拟仿真技术,能够针对复杂混合交通体系中的多源主体及信息进行智能网联场景设置,并可定义各等级网联车辆或导质车辆的驾驶状态,通过前后馈响应进行轨迹定位决策调整和优化,可以提高智能网联自动驾驶车辆的安全性和可靠性,降低反馈控制响应时延率和轨迹感知规划误差率,同时还能提高混合交通的稳定性和通行效率,降低交通事故的发生率。
图9为本申请实施例提供的一种基于智能网联自动驾驶系统的调控终端的功能模块示意图,该装置基本原理及产生的技术效果与前述对应的方法实施例相同,为简要描述,本实施例中未提及部分,可参考方法实施例中的相应内容。如图9所示,该调控终端100可以包括:
特征识别模块110,用于获取混合交通场景下的环境特征数据和目标智能网联自动驾驶车辆的初始运动特征数据,初始运动特征数据用于表征目标智能网联自动驾驶车辆的实际运动状态;
博弈策略模块120,用于根据混合交通场景下的环境特征数据和目标智能网联自动驾驶车辆的初始运动特征数据,基于安全博弈模型确定目标智能网联自动驾驶车辆的实时动态安全行驶博弈策略,安全博弈模型根据训练样本数据集构建,安全博弈模型包括下述至少一个:负和博弈模型、零和博弈模型、正和博弈模型、动态博弈模型,训练样本数据集包括多个智能网联自动驾驶样本车辆对应的训练样本数据,且每个训练样本数据标注有博弈策略标签;
发送模块130,用于向目标智能网联自动驾驶车辆发送实时动态安全行驶博弈策略,以使目标智能网联自动驾驶车辆按照实时动态安全行驶博弈策略行驶。
在可选的实施方式中,博弈策略模块120,还用于获取样本数据集,样本数据集包括多个样本数据,每个样本数据包括:预设历史时间段内混合交通场景下的环境特征数据和样本车辆对应的运动特征数据,样本车辆包括智能网联自动驾驶样本车辆,且智能网联自动驾驶样本车辆对应的样本数据标注有博弈策略标签,博弈策略标签包括智能网联自动驾驶样本车辆与任一样本车辆的博弈策略类型,以及每种博弈策略类型对应的博弈策略概率;
根据样本数据集,获取训练样本数据集,训练样本数据集包括智能网联自动驾驶样本车辆对应的训练样本数据;
根据智能网联自动驾驶样本车辆对应的训练样本数据,构建安全博弈模型。
在可选的实施方式中,博弈策略模块120,还用于根据样本数据集,获取测试样本数据集,测试样本数据集包括多个智能网联自动驾驶样本车辆对应的测试样本数据;
根据测试样本数据集和安全博弈模型,预测获取测试样本数据集中各智能网联自动驾驶样本车辆对应的博弈策略;
根据测试样本数据集中各智能网联自动驾驶样本车辆对应的博弈策略和博弈策略标签,更新安全博弈模型。
在可选的实施方式中,博弈策略模块120,具体用于根据测试样本数据集中各智能网联自动驾驶样本车辆对应标注的博弈策略标签和预测获取的测试样本数据集中各智能网联自动驾驶样本车辆对应的博弈策略,调整测试样本数据集中各智能网联自动驾驶样本车辆对应标注的博弈策略类型的博弈策略概率;
基于测试样本数据集中调整后的各智能网联自动驾驶样本车辆所对应的博弈策略类型的博弈策略概率,更新安全博弈模型。
在可选的实施方式中,调控终端还包括:动态响应评价反馈,还用于基于数字孪生技术构建混合交通场景对应的虚拟仿真交通场景、目标智能网联自动驾驶车辆对应的车辆仿真模型;
根据虚拟仿真交通场景和车辆仿真模型,基于硬件在环技术对目标智能网联自动驾驶车辆进行仿真,确定实时动态安全行驶博弈策略下目标智能网联自动驾驶车辆对应的目标运动特征数据是否符合预设安全行驶要求;
若确定不符合预设安全行驶要求,则根据预设更新条件更新安全博弈模型。
在可选的实施方式中,博弈策略模块120,具体用于根据混合交通场景下的环境特征数据,获取混合交通场景下其他车辆的运动特征数据;
根据目标智能网联自动驾驶车辆的初始运动特征数据和混合交通场景下其他车辆的运动特征数据,基于安全博弈模型确定目标智能网联自动驾驶车辆的实时动态安全行驶博弈策略。
在可选的实施方式中,发送模块130,还用于获取实时动态安全行驶博弈策略下目标智能网联自动驾驶车辆对应的目标运动特征数据;
根据目标运动特征数据和预设安全行驶指标,确定目标运动特征数据是否符合预设安全行驶要求。
在可选的实施方式中,发送模块130,具体用于若确定目标运动特征数据不符合预设安全行驶要求,则基于安全博弈模型重新确定目标智能网联自动驾驶车辆的实时动态安全行驶博弈策略,并根据预设筛选条件向混合交通场景中的至少一个其他车辆对应的控制信息和/或告警信息。
在可选的实施方式中,博弈策略包括下述至少一项:纵向加/减速度、横向加/减速度、变道、制动、停车、转向、掉头;
混合交通场景下的环境特征数据包括下述至少一项:其他车辆的运动特征数据、道路状况数据、交通设施数据、气象数据,交通参与者数据。
上述装置用于执行前述实施例提供的方法,其实现原理和技术效果类似,在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器(Digital Signal Processor,简称DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(CentralProcessing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,简称SOC)的形式实现。
图10为本申请实施例提供的一种调控终端的结构示意图。如图10所示,该调控终端可以包括:处理器210、存储介质220和总线230,存储介质220存储有处理器210可执行的机器可读指令,当调控终端运行时,处理器210与存储介质220之间通过总线230通信,处理器210执行机器可读指令,以执行上述方法实施例的步骤。具体实现方式和技术效果类似,这里不再赘述。
可选地,本申请还提供一种存储介质,存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述方法实施例的步骤。具体实现方式和技术效果类似,这里不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元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)或处理器(英文:processor)执行本申请各个实施例方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到: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。以上仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (9)
1.一种智能网联汽车的博弈动态行驶安全测控方法,其特征在于,包括:
获取混合交通场景下的环境特征数据和目标智能网联自动驾驶车辆的初始运动特征数据,所述初始运动特征数据用于表征所述目标智能网联自动驾驶车辆的实际运动状态,所述混合交通场景下的环境特征数据包括下述至少一项:其他车辆的运动特征数据、道路状况数据、交通设施数据、气象数据,交通参与者数据;
根据混合交通场景下的所述环境特征数据和所述目标智能网联自动驾驶车辆的初始运动特征数据,基于安全博弈模型确定所述目标智能网联自动驾驶车辆的实时动态安全行驶博弈策略,所述安全博弈模型根据训练样本数据集构建,所述安全博弈模型包括下述至少一个:负和博弈模型、零和博弈模型、正和博弈模型、动态博弈模型,所述训练样本数据集包括多个智能网联自动驾驶样本车辆对应的训练样本数据,且每个所述训练样本数据标注有博弈策略标签,所述博弈策略标签包括当前智能网联自动驾驶样本车辆与任一其他智能网联自动驾驶样本车辆的博弈策略类型,以及每种博弈策略类型对应的博弈策略概率;
向所述目标智能网联自动驾驶车辆发送所述实时动态安全行驶博弈策略,以使所述目标智能网联自动驾驶车辆按照所述实时动态安全行驶博弈策略行驶;
所述方法还包括:
基于数字孪生技术构建所述混合交通场景对应的虚拟仿真交通场景、所述目标智能网联自动驾驶车辆对应的车辆仿真模型;
根据所述虚拟仿真交通场景和所述车辆仿真模型,基于硬件在环技术对所述目标智能网联自动驾驶车辆进行仿真,确定所述实时动态安全行驶博弈策略下所述目标智能网联自动驾驶车辆对应的目标运动特征数据是否符合预设安全行驶要求;
若确定不符合预设安全行驶要求,则根据预设更新条件更新所述安全博弈模型。
2.根据权利要求1所述的方法,其特征在于,所述基于安全博弈模型确定所述目标智能网联自动驾驶车辆的实时动态安全行驶博弈策略之前,所述方法还包括:
获取样本数据集,所述样本数据集包括多个样本数据,每个所述样本数据包括:预设历史时间段内混合交通场景下的环境特征数据和样本车辆对应的运动特征数据,所述样本车辆包括智能网联自动驾驶样本车辆,且所述智能网联自动驾驶样本车辆对应的样本数据标注有博弈策略标签,所述博弈策略标签包括所述智能网联自动驾驶样本车辆与任一所述样本车辆的博弈策略类型,以及每种博弈策略类型对应的博弈策略概率;
根据所述样本数据集,获取训练样本数据集,所述训练样本数据集包括所述智能网联自动驾驶样本车辆对应的训练样本数据;
根据所述智能网联自动驾驶样本车辆对应的训练样本数据,构建所述安全博弈模型。
3.根据权利要求2所述的方法,其特征在于,所述根据所述智能网联自动驾驶样本车辆对应的训练样本数据,构建所述安全博弈模型之后,所述方法还包括:
根据所述样本数据集,获取测试样本数据集,所述测试样本数据集包括多个智能网联自动驾驶样本车辆对应的测试样本数据;
根据所述测试样本数据集和所述安全博弈模型,预测获取所述测试样本数据集中各智能网联自动驾驶样本车辆对应的博弈策略;
根据所述测试样本数据集中各智能网联自动驾驶样本车辆对应的博弈策略和博弈策略标签,更新所述安全博弈模型。
4.根据权利要求3所述的方法,其特征在于,所述根据所述测试样本数据集中各智能网联自动驾驶样本车辆对应的博弈策略,更新所述安全博弈模型,包括:
根据所述测试样本数据集中各智能网联自动驾驶样本车辆对应标注的博弈策略标签和预测获取的所述测试样本数据集中各智能网联自动驾驶样本车辆对应的博弈策略,调整所述测试样本数据集中各智能网联自动驾驶样本车辆对应标注的博弈策略类型的博弈策略概率;
基于所述测试样本数据集中调整后的各智能网联自动驾驶样本车辆所对应的博弈策略类型的博弈策略概率,更新所述安全博弈模型。
5.根据权利要求1所述的方法,其特征在于,所述根据混合交通场景下的所述环境特征数据和所述目标智能网联自动驾驶车辆的初始运动特征数据,基于安全博弈模型确定所述目标智能网联自动驾驶车辆的实时动态安全行驶博弈策略,包括:
根据所述混合交通场景下的环境特征数据,获取所述混合交通场景下其他车辆的运动特征数据;
根据所述目标智能网联自动驾驶车辆的初始运动特征数据和所述混合交通场景下其他车辆的运动特征数据,基于安全博弈模型确定所述目标智能网联自动驾驶车辆的实时动态安全行驶博弈策略。
6.根据权利要求5所述的方法,其特征在于,所述向所述目标智能网联自动驾驶车辆发送所述实时动态安全行驶博弈策略之后,所述方法还包括:
获取所述实时动态安全行驶博弈策略下所述目标智能网联自动驾驶车辆对应的目标运动特征数据;
根据所述目标运动特征数据和预设安全行驶指标,确定所述目标运动特征数据是否符合预设安全行驶要求。
7.根据权利要求6所述的方法,其特征在于,所述根据所述目标运动特征数据和预设安全行驶指标,确定所述目标运动特征数据是否符合预设安全行驶要求,包括:
若确定所述目标运动特征数据不符合预设安全行驶要求,则基于所述安全博弈模型重新确定所述目标智能网联自动驾驶车辆的实时动态安全行驶博弈策略,并根据预设筛选条件向混合交通场景中的至少一个所述其他车辆发送对应的控制信息和/或告警信息。
8.根据权利要求1-7任一项所述的方法,其特征在于,
所述博弈策略包括下述至少一项:纵向加/减速度、横向加/减速度、变道、制动、停车、转向、掉头。
9.一种智能网联汽车的调控终端,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当调控终端运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如权利要求1-8任一所述智能网联汽车的博弈动态行驶安全测控方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110387108.0A CN113076897B (zh) | 2021-04-09 | 2021-04-09 | 智能网联汽车的博弈动态行驶安全测控方法及调控终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110387108.0A CN113076897B (zh) | 2021-04-09 | 2021-04-09 | 智能网联汽车的博弈动态行驶安全测控方法及调控终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113076897A CN113076897A (zh) | 2021-07-06 |
CN113076897B true CN113076897B (zh) | 2024-06-25 |
Family
ID=76617225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110387108.0A Active CN113076897B (zh) | 2021-04-09 | 2021-04-09 | 智能网联汽车的博弈动态行驶安全测控方法及调控终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113076897B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642177A (zh) * | 2021-08-16 | 2021-11-12 | 清华大学 | 数字孪生虚实多车混行仿真方法及装置 |
CN115272994B (zh) * | 2021-09-29 | 2023-07-25 | 上海仙途智能科技有限公司 | 自动驾驶预测模型训练方法、装置、终端及介质 |
CN113954870B (zh) * | 2021-10-26 | 2023-03-03 | 海南大学 | 基于数字孪生技术的自动驾驶车辆行为决策优化系统 |
US20230169322A1 (en) * | 2021-11-29 | 2023-06-01 | Guangzhou Automobile Group Co., Ltd. | Vehicle control method, electronic device and medium |
CN114771560B (zh) * | 2022-03-28 | 2023-04-25 | 小米汽车科技有限公司 | 车辆行驶控制方法、装置、设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112373485A (zh) * | 2020-11-03 | 2021-02-19 | 南京航空航天大学 | 一种考虑交互博弈的自动驾驶车辆决策规划方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298131B (zh) * | 2019-07-05 | 2021-07-13 | 西南交通大学 | 一种混合驾驶环境下自动驾驶换道决策模型建立方法 |
CN110647839B (zh) * | 2019-09-18 | 2022-08-12 | 深圳信息职业技术学院 | 自动驾驶策略的生成方法、装置及计算机可读存储介质 |
CN112015843B (zh) * | 2020-09-02 | 2023-10-24 | 中国科学技术大学 | 基于多车意图交互结果的行车风险态势评估方法及系统 |
-
2021
- 2021-04-09 CN CN202110387108.0A patent/CN113076897B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112373485A (zh) * | 2020-11-03 | 2021-02-19 | 南京航空航天大学 | 一种考虑交互博弈的自动驾驶车辆决策规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113076897A (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113076897B (zh) | 智能网联汽车的博弈动态行驶安全测控方法及调控终端 | |
CN111123933B (zh) | 车辆轨迹规划的方法、装置、智能驾驶域控制器和智能车 | |
CN109421742B (zh) | 用于监测自主车辆的方法和设备 | |
CN110562258B (zh) | 一种车辆自动换道决策的方法、车载设备和存储介质 | |
US10202127B2 (en) | User profile-based automatic parameter tuning system for connected vehicles | |
CN107024927B (zh) | 一种自动驾驶系统和方法 | |
US11537127B2 (en) | Systems and methods for vehicle motion planning based on uncertainty | |
CN110673602B (zh) | 一种强化学习模型、车辆自动驾驶决策的方法和车载设备 | |
EP3309721A1 (en) | Autonomous system validation | |
US20190235521A1 (en) | System and method for end-to-end autonomous vehicle validation | |
CN113496602B (zh) | 智能路侧工具箱 | |
US11142209B2 (en) | Vehicle road friction control | |
DE102020128153A1 (de) | Sampling von fahrszenarien zum trainieren/abstimmen maschineller lernmodelle für fahrzeuge | |
CN113508065B (zh) | 用于自主车辆控制的跨平台控制剖析 | |
US11260875B2 (en) | Systems and methods for road surface dependent motion planning | |
CN114363862A (zh) | 一种服务于车路协同自动驾驶的智能信息转换系统和方法 | |
CN114501385A (zh) | 一种应用于智能网联交通系统的协同自动驾驶系统 | |
JP2022041923A (ja) | 接続されたデータ分析プラットフォームを用いた車両経路指定 | |
CN114529131A (zh) | 一种风险评估方法、装置、电子设备及存储介质 | |
CN114812589A (zh) | 用于运载工具的方法、自主运载工具和存储介质 | |
CN112014859A (zh) | 估计速率分布 | |
CN107395757B (zh) | 基于acp方法和社会物理信息系统的平行车联网系统 | |
CN114077541A (zh) | 验证用于自动驾驶车辆的自动控制软件的方法和系统 | |
CN117015493A (zh) | 自动紧急制动系统 | |
CN117130298A (zh) | 用于评估自动驾驶系统的方法、装置及存储介质 |
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 |