CN113120003A - 无人驾驶车辆运动行为决策方法 - Google Patents
无人驾驶车辆运动行为决策方法 Download PDFInfo
- Publication number
- CN113120003A CN113120003A CN202110550801.5A CN202110550801A CN113120003A CN 113120003 A CN113120003 A CN 113120003A CN 202110550801 A CN202110550801 A CN 202110550801A CN 113120003 A CN113120003 A CN 113120003A
- Authority
- CN
- China
- Prior art keywords
- state
- unmanned vehicle
- vehicle
- lane
- distance
- 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.)
- Granted
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
- B60W60/00276—Planning or execution of driving tasks using trajectory prediction for other traffic participants for two or more other traffic participants
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4041—Position
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4042—Longitudinal speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/802—Longitudinal distance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Human Computer Interaction (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提出的无人驾驶车辆运动行为决策方法,针对现有基于规则的无人驾驶车辆运动行为决策系统复杂度较高的问题,简化了无人驾驶车辆的运动状态,给出了无人驾驶车辆运动行为决策方法,提高了无人驾驶车辆运动行为决策的效率性;同时,针对现有无人驾驶车辆运动行为决策方法优化目标单一的问题,通过多目标优化方法进行优化,保证了安全性和效率性的同时,提高了实用性。解决上述问题,为无人驾驶车辆在复杂环境下运动行为决策方法提供安全,有效和实用性保障。
Description
技术领域
本发明涉及无人驾驶领域,具体涉及无人驾驶车辆运动行为决策方法,可应用于城市和高速场景。
背景技术
国内外学者对无人驾驶车辆的运动行为决策均进行了深入的研究,现有的方法主要分为以下两类:
(1)基于深度学习的无人驾驶车辆运动行为决策方法:从感知数据到决策的单一映射,即采用深度学习的相关模型和算法,以感知数据为输入,控制属性如速度、方向盘角度等为输出。该方法采用基于端到端的训练,从而减少了工程的人工复杂度;同时,训练数据量丰富,模型具有较强的自学能力。然而,该方法通常需要特定的驾驶员来采集训练数据。人工驾驶员在采集数据时做出的决策很难达到实验所要求的客观性与合理性,导致整个模型对驾驶员的驾驶习惯存在偏向性,存在一定的安全风险;采集的数据通常限定在某一场景下,使得模型的泛化能力较差;此外,深度学习的方法模型对数据解析程度不够,且可解释性差,灵活性低,很难确定模型中“组件”对最终决策的贡献,难以保证模型的安全性和稳定性。
(2)基于规则的无人驾驶车辆运动行为决策方法:根据车辆的位置、动作以及相应事件,将车辆的状态整合输入有限状态自动机,然后通过状态之间的跳转条件、触发状态转换,经由底层控制器对这次状态跳转进行反应,并从安全性和效率性等方面对具体的控制属性进行优化,最后得到无人驾驶最终的行为决策方案。该方法结构清晰,可解释性强,受到广泛的关注与应用。然而,受限于有限状态机中状态的数量,该研究方法很难覆盖所有的工况,因而对于考虑之外的状态和工况,该方法处理效果不佳;由于行车环境的复杂性,有限状态自动机的数量随车辆行驶状态的增加也显著增加,进而增大了行为决策的计算量和复杂度;同时,现有方法优化标准单一,只考虑到了安全与效率,而实用度作为重要指标之一却没有得到关注。
(3)总结
现有国内外关于无人驾驶车辆运动行为决策系统研究成果具体总结如表1所示。
发明内容
发明目的:
本发明针对以上问题,该方法基于(程久军等发明人于2021年3月31日申请的《无人驾驶邻近车辆轨迹预测方法》(申请人:同济大学,专利申请号:2021103316612),针对现有基于规则的无人驾驶车辆运动行为决策系统复杂度较高的问题,简化了无人驾驶车辆的运动状态,给出了无人驾驶车辆运动行为决策方法,提高了无人驾驶车辆运动行为决策的效率性;同时,针对现有无人驾驶车辆运动行为决策方法优化目标单一的问题,通过多目标优化方法进行优化,保证了安全性和效率性的同时,提高了实用性。解决上述问题,为无人驾驶车辆在复杂环境下运动行为决策方法提供安全,有效和实用性保障。
为此,本发明具体给出以下技术方案实现:无人驾驶车辆运动行为决策方法,具体包括如下步骤:
步骤1.相关定义
步骤2.无人驾驶车辆运动行为决策
步骤2.1无人驾驶车辆状态跳转约束
步骤2.2无人驾驶车辆运动行为决策算法
步骤3.无人驾驶车辆运动行为决策的多目标优化
步骤3.1目标函数
步骤3.2约束条件
步骤3.3优化求解
步骤4.仿真实验验证
有益效果
本发明目的在于公开一种考虑针对现有无人驾驶车辆运动行为决策方法中车辆行驶状态复杂问题,通过无人驾驶邻近车辆轨迹预测方法得到周围车辆未来的行为与轨迹,并对影响无人驾驶车辆运动行为决策的因素进行考虑,简化无人驾驶运动状态,构建相应的有限状态自动跳转机,给出了无人驾驶车辆运动行为决策方法;此外,从多个方面对无人驾驶车辆运动行为决策的优化标准考虑,对涉及行为决策参数的指标进行定义,给出了无人驾驶车辆运动行为决策的多目标优化方法,从而使得无人驾驶车辆在复杂环境下运动行为得到安全,有效和实用性保障。
附表说明
表1现有无人驾驶车辆运动行为决策方法总结
表2本发明中的符号说明
表3仿真实验参数
附图说明
图1道路环境抽象示意图
图2无人驾驶车辆行驶状态转换图
图3无人驾驶车辆运动行为决策算法流程图
图4无人驾驶车辆运动行为决策多目标优化算法流程图
图5各行为决策方法下无人驾驶车辆与前车距离随时间分布图
图6各行为决策方法下无人驾驶车辆行驶距离随时间分布图
图7各行为决策方法下无人驾驶车辆加速度随时间分布图
图8各行为决策方法下无人驾驶车辆与前车距离随时间分布图
图9各行为决策方法下无人驾驶车辆行驶距离随时间分布图
图10各行为决策方法下无人驾驶车辆加速度随时间分布图
图11无人驾驶车辆距十字路口距离随时间分布图
图12无人驾驶车辆制动加速度随时间分布图
图13优化前后无人驾驶车辆与前车距离随时间分布图
图14优化前后无人驾驶车辆加速度随时间分布图
图15优化前后无人驾驶车辆制动加速度随时间分布图
图16为本发明方法流程图
具体实施方式
本发明的具体实施过程如图16所示,包括如下4个方面:
①相关定义
②无人驾驶车辆运动行为决策
③无人驾驶车辆运动行为决策的多目标优化
④仿真实验验证
①
相关定义
本发明无人驾驶车辆运动行为决策方法构建中需要用到的主要符号,具体涵义说明如表1所示。
为了研究无人驾驶车辆运动行为决策方法,相关定义如下:
(1)无人驾驶车辆运动行为决策的影响因素:
定义1道路环境限制因素RL(Restriction for Lanes):不同的道路环境存在不同的限制因素,RL可以定义如下:
RL={γ,δ,CLallowble,β,LA} (1)
其中,γ表示所在车道限制的最低速度,δ表示最高限速,CLallowable表示所在车道是否允许变道,β表示安全距离,LA表示最大横向加速度。
定义2车辆自身物理限制因素PRV(Physical Restriction for Vehicles):无人驾驶车辆由于自身的硬件条件,会存在一些物理限制,PRV可以定义如下:
PRV={MaxA,MinA} (2)
其中,MaxA表示最高加速度,是一个恒大于0的值;MinA表示最大减速度,是一个恒小于0的值。
(2)无人驾驶车辆行驶状态定义
现有的基于有限状态自动机的无人驾驶车辆运动行为决策方法对无人驾驶车辆的驾驶状态定义过于冗余,容易造成计算过于复杂等问题,本发明依据无人驾驶车辆的行驶环境对其行驶状态进行了重新定义。由于无人驾驶系统中的路径规划模块会根据起始地点和目的地,综合道路信息,提前规划好行驶路线。因此,无人驾驶车辆的行驶道路可以抽象成一条近似线段的道路。如图1所示。
其中,红绿灯、十字路口等具有交通标志的路段可以抽象成带有限制信息的道路。因此,可以将无人驾驶车辆在道路上的行驶状态简单定义为以下五种状态。
定义3停止等待状态SW(Stop and Wait):该状态包含无人驾驶车辆初始化状态和速度长时间为0的状态(因为某些事件,例如红绿灯,导致的速度长时间为零)。其具体定义如下:
State=SW
s.t.State=initialized or St=0(t=1,2,...,T) (3)
定义4跟车状态FC(Follow the Car):无人驾驶车辆在道路上行驶时,出现次数最多的行驶状态为跟车状态。现有的方法根据不同的场景进行了细分,造成计算冗余,模型求解复杂,因此,我们将不存在变道行为且前方存在车辆的状态均定义为跟车行为,因此跟车状态FC可以定义如下:
State=FC
γ≤S≤δ (4)
其中,Sahead和Pahead分别代表前车的速度以及位置,α和β分别代表相对速度和相对距离的阈值。这里主要是考虑到两车只有保持一定的距离且相对速度较小,后车才是跟车状态。
定义5自由状态FS(Free State):当前方道路畅通,即所行驶的车道内前方不存在车辆时,由于影响因素的大幅度减少,可以将此状态定义为自由状态。
定义6超车状态OC(Overtake the Car):由于出行效率因素的影响,车辆之间存在超车行为,且超车行为仅存在于直行的道路上。因此对其形式化定义如下:
State=OC
s.t.Sahead(t)<S(t)≤δ
CLallowable=true
0≤A(t)≤MaxA
Pahead(k).y-P(k).y=0
t=1,2,...,k (5)
超车状态相对于其他状态更为复杂,首先车辆所在车道必须满足CLallowable=true,即允许车辆变道。其次,超车状态存在一个渐变的过程。在t=1,2,...,k时间段内,需满足Sahead(t)<S(t)≤δ,即处于超车状态的车辆的速度一直大于所要超车的对象,且在k时刻时满足Pahead(k).y-P(k).y=0,即完成超车。
定义7回归行车道状态BL(Back to the Lane):同向多车道存在超车道和行车道。当车辆超车完成之后,为避免影响其他车辆正常行驶,需要回到其行车道内,所以回归行车道的状态可以定义如下:
State=BL
s.t.γ≤S(t)≤δ
0≤A(t).x≤MaxA
t=1,2,...,k (6)
其中,在t=1,2,...,k这段时间内存在一个横向的加速度A(t).x,使得车辆由超车道转向行车道。
②
无人驾驶车辆运动行为决策
根据周围环境的影响,无人驾驶车辆运动行为决策可能存在多个方案。本发明结合无人驾驶邻近车辆轨迹预测方法得到的邻近车辆的行为与轨迹,依据五种状态下的约束条件,给出了基于有限状态自动机的无人驾驶车辆运动行为决策方法。
(1)无人驾驶车辆状态跳转约束
无人驾驶车辆在道路上的运动行为决策本质上是状态之间的转换。无人驾驶车辆自身的状态受行为决策的影响,而车辆行为决策又受到周围环境的约束。定义2中已经定义了无人驾驶车辆在道路上的行驶状态,根据各状态的特点,给出状态之间跳转的约束条件,并给出了无人驾驶车辆运动行为决策方法,具体状态转换如图2所示。
根据定义2中五种行驶状态,给出了相应状态之间跳转的数学形式化约束。具体如下:
1)停止等待状态SW:
根据定义,停止等待状态主要是速度在某段时间内持续为0的状态。所以该状态可以根据前方是否存在车辆跳转至自由状态或者跟车状态。
2)跟车状态FC:
相对于停止等待状态来说,跟车状态可以跳转的状态更为丰富。当前方车辆的速度小于无人驾驶车辆在该车道内的目标速度Starget,即满足条件Sahead<Starget,且此时无人驾驶车辆与红绿灯的距离DisToTL大于μβ(μ是安全距离系数,β为安全距离,μ通常大于2),后方车辆不存在超车行为时,无人驾驶车辆可以从跟车状态跳转到超车状态;当前方车辆因为某些原因离开无人驾驶车辆所在车道时,可以从跟车状态跳转到自由状态;当无人驾驶车辆在超车道,且根据预测的后方车辆的轨迹trarear(t),判断在接下来一段时间内,距离大于安全距离时,可以由FC→BL;否则,保持跟车状态。
3)自由状态FS:
只有无人驾驶车辆在超车道时,且满足在接下来一段时间内,后方车辆预测的轨迹位置与其轨迹的距离大于安全距离时,才可以从自由状态跳转到BL;此外,当车道前方出现车辆时,可以由自由状态跳转到跟车状态;当到红绿灯的距离DisToTL小于安全距离,且禁止通过交叉路口时,需跳转到停止等待状态;否则继续保持自由状态。
4)超车状态OC:
为了更加贴近真实场景,在完成超车之后,无人驾驶车辆并不会立马进入回归行车道状态,而是根据前方是否存在车辆,跳转至跟车状态或者自由行驶状态。
5)回归行车道状态BL:
在从超车道转入行车道之后,无人驾驶车辆会根据前方是否存在车辆,跳转至跟车状态或者自由行驶状态。
(2)无人驾驶车辆运动行为决策算法
根据状态之间的跳转约束条件,可以得到下一个行驶状态集合ProbState。本节根据不同状态的跳转,提出了无人驾驶车辆运动行为决策算法DMAV(Definate Machine forAutonomous Vehicles),具体流程如下:
Step1:根据无人驾驶车辆的当前状态State,得到其在状态跳转图中指向的状态集合SetState。
Step2:存在NextSatate∈SetState,且NextState并未访问过,转第三步;否则,转第四步。
Step3:若满足ConditionState→NextState的跳转条件,将NextState放入集合ProbState。转第二步。
Step4:根据集合ProbState的长度生成随机种子数,等概率的选取ProbState中的行驶状态作为最终的目标状态TargetState。
Step5:TargetState为跟车状态:加速度A=(F(Starget,S,Sahead,P,Pahead),0);TargetState为自由状态:加速度A=(F(Starget,S),0);TargetState为超车状态时,A=(F(Starget,S,Sahead,P,Pahead),LA);TargetState为回归行车道状态时,设置一个向右的横向加速度-LA。
算法中文描述具体如下:
无人驾驶车辆运动行为决策算法流程图如图3所示。
在算法1中,根据无人驾驶车辆自身的速度S、位置P,期望的速度Starget,以及前方车辆的速度Sabead和位置Pahead,加速度的计算公式F主要由以下三个部分组成:
1)期望速度影响系数Wtarget:
当Starget-S>0时,Wtarget>0,即当速度小于期望速度时,会存在一个正向的加速度系数;当Starget-S<0时,Wtarget<0,即当速度大于期望速度时,会存在一个负向的加速度系数。
2)安全距离影响系数WsafeDis:
当safeDis-(Pahead-P)=0时,WsafeDis=-1,即当无人驾驶车辆与前车的距离等于安全距离时,加速度系数达到最小值-1;当safeDis-(Pahead-P)>0时,WsafeDis<0,即当无人驾驶车辆与前车的距离接近安全距离时,会根据接近的程度动态调整安全距离加权系数。
3)与前车相对速度影响系数Wvel:
Sahead-S与Wvel存在正相关关系,即无人驾驶车辆会根据前车的速度动态调整自身的加速度。
综上,加速度的计算公式F可以表示为:
F(Starget,S,Sahead,P,Pahead)=a*(Wtarget+WsafeDis+Wvel) (15)
其中,a为无人驾驶车辆的最大加速度。
③
无人驾驶车辆运动行为决策的多目标优化
在复杂道路场景下,为了保证无人驾驶车辆在外界的干扰下依旧能够做出正确、合理的行为决策,需要从行为决策的安全性、效率性、对实用性等多个方面来进行考虑。主要对无人驾驶车辆的运动行为决策进行多目标优化,定义了相关指数(效率性、安全性和实用性)的目标函数,然后,给出动态约束条件。最后,采用多目标优化方法对其求解。
(1)目标函数
无人驾驶车辆在道路上行驶存在相应的目的,可以是将货物按时运送到目的地,也可以是将乘客安全送至某个站台。所以,在考虑无人驾驶车辆的行为决策时,需要对一些具体的目标进行形式化的定义。
1)效率性
无人驾驶车辆的效率性可以形式化定义为在相同的外部情况下,从静止状态开始运动,相同的时间跨度可以行驶的距离;或者,相同的运动距离所需要的时间。所以,效率性可以表示如下:
Ei=S(t)or Ei=T(s) (16)
其中Ei表示无人驾驶车辆i行为决策的效率性,S(t)表示在时间t内行驶的距离,而T(s)表示行驶距离为s时所需要的时间。
2)安全性
无人驾驶车辆运动行为决策的安全性主要体现为无人驾驶车辆与前车的距离。距离越大,安全性越高。所以,无人驾驶车辆运动行为决策的安全性可以表示为:
3)实用性
无论是运送货物还是搭载乘客,实用性无疑是必要的,可以保证货物的价值以及乘客的体验。然而现有的对无人驾驶车辆运动行为决策的方法更倾向于效率性和安全性,忽略了实用性。所以对无人驾驶车辆运动行为决策的实用性进行形式化的定义,主要如下:
Utili={vt-vt-1|t=(0,1,2,...,k)} (18)
其中,Utili表示无人驾驶车辆运动行为决策的实用性,{vt-vt-1|t=(0,1,2,...,k)}表示在连续时间段t内,加速度的波动情况。
(2)约束条件
在对无人驾驶车辆运动行为决策各目标函数进行优化求解之前,需要对其中的约束条件进行定义。根据上述的三个目标函数,可以将约束条件分为静态约束条件和动态约束条件。
1)静态约束条件:
静态约束条件主要包括无人驾驶车辆自身的物理约束条件如车辆最大速度vmax、最大纵向加减速度Max(Min)A、最大横向加速度LA,即车辆自身物理条件约束PRV;车辆行驶环境的约束条件,如车道最小最大限速γ(δ)、车道是否允许变道GLallowable等,即道路环境约束条件RL。所以,无人驾驶车辆的静态约束条件可以形式化定义如下:
kstatic:<PRV,RL> (19)
2)动态约束条件:
由于无人驾驶车辆是在一个动态的环境进行行为决策,所以存在一部分约束是随着无人驾驶车辆的状态进行转变的,相对来说最具有代表性的就是安全距离。虽然各个交通法规对于安全距离有着明确的规定,但却难以施行,主要原因就是不同的速度下,安全距离的大小是截然不同的。按速度区间进行安全距离定义的做法,无疑会在速度区间低点影响通行效率,在速度区间高点影响行驶安全。所以,在此对安全距离进行一个动态化的约束:
在有人驾驶中,存在反应距离和制动距离组成的安全距离的形式。这里借鉴了这个方法。虽然无人驾驶的感知是无时无刻的,但是也存在相应的反应时间Δt,是在采取最大制动时,从运动到停止所需要的时间,MinDis是速度为0时最小的车辆前后间隔。
综上所述,基于多目标优化的无人驾驶车辆运动行为决策,目标函数可以表示为:
(3)优化求解
无人驾驶车辆运动行为决策的安全性、效率性与实用性之间存在相互制约的关系。更高的安全性必然会导致更保守的无人驾驶车辆运动行为决策,进而影响效率性;更高的效率性往往会导致更激进的无人驾驶车辆运动行为决策,进而影响安全性和实用性;更优的实用性会导致较为迟缓的连续反应,存在对安全性和效率性的影响。为了在保证安全性的前提下,提高效率性和实用性,根据无人驾驶车辆运动行为决策的限制条件,通过多目标优化算法对问题进行优化求解。
基于安全性、效率性角度提出的无人驾驶车辆运动行为决策方法没有考虑各个影响因素所占的权重以及对实用性的影响。故通过加以权重向量[w1,w2,w3],将加速度的计算公式F改写为F=a*(w1*Wtarget+w2*WsafeDis+w3*Wvel),并通过无人驾驶车辆运动行为决策多目标优化算法(如算法2所示)对[w1,w2,w3]进行求解,以达到对安全性、效率性和实用性的动态优化,主要流程如下:
Step1:初始化仿真环境以及部分解集合Result。
Step2:若迭代次数小于设定的epoch,则转步骤3;否则转步骤9。
Step3:存在Vector1属于集合Result,且未被访问,则转步骤4;否则转步骤8;
Step4:自我迭代:将Vector1中的权重系数[w1,w2,w3]分别加上随机数random(0≤random≤1),并进行仿真实验,计算得到与前车距离Dis以及动态安全距离SafeDis。若满足则认为在该权重系数下,无人驾驶车辆运动行为决策方法严格满足安全性要求,将[w1,w2,w3]放入集合temp。转步骤5。
Step5:存在Vector2(Vector2≠Vector1)属于集合Result,且未被访问,转步骤6;否则转步骤7。
Step6:组合:将Vector1与Vector2的权重系数[w1,w2,w3]进行加权组合,并进行仿真实验,计算得到与前车距离Dis以及动态安全距离SafeDis。若满足则认为在该权重系数下,无人驾驶车辆运动行为决策方法严格满足安全性要求,将[w1,w2,w3]放入集合temp。转步骤7。
Step7:将Vector1从Result中删除,转步骤3。
Step8:根据实用性对temp进行排序,并将实用性较高的前60%更新为Result,转步骤2。
Step9:输出各影响因素加权系数可行解集合Result。
算法中文描述具体如下:
无人驾驶车辆运动行为决策多目标优化算法流程图如图4所示。
④
仿真实验验证
为了验证无人驾驶车辆运动行为决策方法的合理性和准确性,本发明采用仿真实验的方法对无人驾驶车辆在道路上的行驶过程进行软件仿真,并计算和分析了相应的数据指标。
(1)仿真实验数据和方法
1)仿真实验数据
为了验证基于轨迹预测的无人驾驶车辆运动行为决策方法的合理性和准确性,结合城市场景,利用仿真工具Sumo创建了一个无限长度,且涵盖红绿灯的行驶路段区域。仿真的试验参数如表2所示。仿真实验主要分为两个方面:在仿真时间跨度200s内,无人驾驶车辆在DMAV算法下由静止到运动到车况所允许的最大速度,以及遇到红灯时,由运动状态转变到停止等待状态。为了更好地模拟有人车辆对无人驾驶车辆的干扰,本发明主要采用了CACC算法来控制有人驾驶车辆。含实验车辆,本次仿真实验所采用的总仿真车辆数目为60辆。此外,本次仿真实验的采样频率为1s。
2)实验方法
仿真实验数据主要如上表所示,除此之外,为了获得较好的对比效果,本次仿真实验通过SUMO进行仿真,采用CACC算法来模拟作为干扰车辆的有人驾驶车辆,通过移动模型注入,仅改变无人驾驶车辆的行为决策算法,起到控制变量的效果。并计算和保存下随时间变化的相应指标的数据。
在多目标优化阶段,根据自我迭代和组合迭代的优化参数,通过注入的方法,将优化后的参数传递给移动模型。在实验过程中,可能会出现优化候选集合不变或者很早达到最优解的情况,可以通过设定时间阈值。若优化候选集合在大于时间阈值时,其候选集合中最优解不变,则提前终止多目标优化算法,计算并保存随时间变化的效率性、安全性和实用性相应的指标。
(2)仿真与试验结果分析
根据本发明中对无人驾驶车辆行驶状态的定义可知,跟车状态是较为常见的一种状态,具有较高的研究价值,所以通过仿真实验对不同的无人驾驶车辆运动行为决策的跟车状态进行研究,计算并比较DMAV、TPAVDM和IDM在安全性、效率性和实用性上各方法的优势。
由于在跟车状态下,存在静态和动态安全距离,所以对不同的安全距离以及在动态安全距离的条件下车辆的制动情况进行了仿真实验,并对比了优化前与优化后的DMAV方法。
1)无人驾驶车辆运动行为决策方法
DMAV、TPAVDM和IDM方法在固定安全距离条件下无人驾驶车辆与前车距离随时间分布如图5所示。其中,TargetSafeDistance为固定安全距离,值为60m。总仿真时间为200s,由于在50s以后各方法趋势相对稳定,故仅取前50s数据进行比较。如图,TPAVDM方法在仿真时间0~10s时间段内,与前车的距离小于固定的安全距离,存在一定的安全风险。主要原因是TPAVDM方法在车辆速度为0时存在较大的启动加速度;在10~200时间段内,与前车的安全距离呈稳步上升状态,在200s处达到100m,大于固定的安全距离指标。IDM方法在仿真时间0~30s时间段内,与前车的安全距离呈上升趋势,在30s处达到最大值,为173.3m。主要原因是,IDM采取了较为保守的最大加速,所以在无人驾驶车辆启动初期,速度的上升幅度较小;在30~200s时间段内,与前车的安全距离呈下降状态,但恒大于固定的安全距离指标。DMAV方法与前车的距离围绕着安全距离向上波动,在仿真时间200s内一直大于所设定的安全距离。主要原因是,DMAV方法严格考虑了安全距离对无人驾驶车辆行为决策的限制,且能够根据安全距离、速度、相对速度条件进行决策。综上,三种方法均能满足在静态安全距离条件下,无人驾驶安全性的要求,但DMAV方法更为稳定。
DMAV、TPAVDM和IDM方法在固定安全距离条件下无人驾驶车辆的行驶距离随时间分布如图6所示。在仿真时间0~30s时间段内,DMAV方法的行驶距离恒小于TPAVDM方法,主要原因是TPAVDM方法在速度为0时存在更大的启动加速度;在30s~50s时间段内,DMAV方法的行驶距离实现了反超,恒大于TPAVDM方法,且三种方法最终都能达到目标速度。主要原因是,DMAV方法能够根据安全距离条件进行决策,可以在保证安全距离的条件下,选择合适的跟车速度,达到更远的行驶距离。综上,DMAV方法在效率性上的表现更优。
DMAV、TPAVDM和IDM方法在固定安全距离条件下无人驾驶车辆的加速度波动随时间分布如图7所示。在仿真开始阶段,TPAVDM方法立即获得了较高的加速度1.8m/s2,且在1s~10s加速度呈下降趋势。IDM方法相对保守,持续采用了较小且较为稳定的加速度0.5m/s2。DMAV方法在1s~3s提升到最大加速度1.6m/s2,并在3s~14s持续下降,并在15s以后保持加速度为0的状态。主要原因是,TPAVDM相比于其他两种方法,有着更高的启动速度,所以在仿真开始阶段加速度达到峰值,并由于安全距离等因素而逐渐降低;IDM较为保守,加速度比较平稳;DMAV方法能够根据相对速度条件进行决策,所以在仿真开始阶段,当所有仿真车辆速度均为0时,加速度缓慢提升,在3s以后,根据当前速度与目标速度的相对值,加速度逐渐放缓,并最终保持0。所以,相对于TPAVDM和IDM方法,DMAV有着更小的加速度波动,且能尽快稳定加速度为0,故DMAV有着更优的实用性。
综上,DMAV相比于其他两种方法在保证固定安全距离的前提下,有着更高的效率性和更优的实用性。
DMAV、TPAVDM和IDM方法在动态安全距离条件下无人驾驶车辆与前车距离随时间分布如图8所示。其中,TargetSafeDistance为DMAV方法的动态安全距离,仿真时间为200s。如图,TPAVDM方法在仿真时间0~10s时间段内,与前车的距离逐渐缩小。主要原因是TPAVDM方法在车辆速度为0时存在较大的启动加速度;在10~200时间段内,与前车的安全距离呈稳步上升状态。IDM方法在仿真时间0~40s时间段内,与前车的安全距离呈上升趋势,在40s处达到最大值,为185m。主要原因是,IDM采取了较为保守的最大加速,所以在无人驾驶车辆启动初期,速度的上升幅度较小;在30~200s时间段内,与前车的安全距离呈下降状态,但恒大于固定的安全距离指标。DMAV方法与前车的距离围绕着安全距离向上波动,在部分时间点存在于动态安全距离相等的情况,并在总仿真时间200s内一直大于安全距离。主要原因是,DMAV方法考虑了安全距离对无人驾驶车辆行为决策的限制,且能够根据动态安全距离条件进行决策。综上,三种方法均能满足无人驾驶安全性的要求。
DMAV、TPAVDM和IDM方法在动态安全距离条件下无人驾驶车辆的行驶距离随时间分布如图9所示。在仿真时间0~20s时间段内,DMAV方法的行驶距离与TPAVDM方法相近,主要原因是相比于固定安全距离的方法,DMAV在仿真开始阶段安全距离较小,故存在较大的启动加速度;在20s~50s时间段内,DMAV方法的行驶距离恒大于TPAVDM方法。主要原因是,DMAV方法能够根据动态安全距离、速度、相对速度条件进行决策,可以再保证动态安全距离的条件下,选择合适的跟车速度,达到更远的行驶距离。综上,DMAV方法在效率性上的表现更优。
DMAV、TPAVDM和IDM方法在动态安全距离条件下无人驾驶车辆的加速度波动随时间分布如图10所示。在仿真开始阶段,TPAVDM与DMAV方法获得了较高的加速度;在1s~10s加速度均呈下降趋势。IDM方法相对保守,持续采用了较小且较为稳定的加速度。DMAV方法在仿真开始阶段加速度达到最大值2.2m/s2,并在1s~10s持续下降,在10s~20s时间段内,加速度持续波动,且波动幅度较大。主要原因是,DMAV方法在仿真开始阶段由于动态安全距离较小,因而具有较大的启动加速度;随着仿真时间的增加,当前速度与目标速度的相对值变小,加速度逐渐放缓;当速度接近于目标速度,而安全距离接近于动态安全距离时,影响因素全部集中在动态安全距离上,因此加速度波动较大。
综上,DMAV相比于其他两种方法在保证动态安全距离的前提下,有着更高的效率性,但在实用性方面堪忧。
DMAV、TPAVDM和IDM方法在动态安全距离的条件下,面对红灯采取制动措施时,无人驾驶车辆距十字路口的距离随时间变化的曲线如图11所示。可以看到,三种方法均能够采取适当的制动措施,且都收敛到2m,满足车辆在静止时与前车保持适当距离的限制条件。所以,三种方法均能满足无人驾驶车辆在制动时安全距离的条件。
DMAV、TPAVDM和IDM方法在制动时无人驾驶车辆的制动加速度波动随时间分布如图12所示。在仿真时间0~10s时间段内,DMAV与TPAVDM方法拥有较为接近的制动加速度,而IDM方法在0~5s制动加速度较其他两种方法较小,但在5~10s,制动加速度逐渐增大。在11s~20s,TPAVDM与IDM方法的制动加速度逐渐收敛到0,而DMAV方法的制动加速度波动较大,主要原因是在制动阶段,由于效率性(当前速度与目标速度)和安全性(当前距离与动态安全距离)的相互制约,由算法1计算得到的制动加速度波动较大。
综上,DMAV相较于TPAVDM和IDM方法,无论是在固定安全距离还是动态安全距离的条件下,能够保证安全性指标,并在效率性指标上更优。为后续的无人驾驶车辆运动行为决策多目标优化奠定了前提基础。
2)多目标优化
通过多目标优化算法,在保证安全距离的条件下,提高DMAV方法的效率性和实用性,主要实验结果如下。
DMAV方法优化前后无人驾驶车辆与前车距离以及动态安全距离随时间分布如图13所示。从图中可以看出,优化前DMAV方法与前车距离曲线跟动态安全距离曲线贴合较近,且在部分时间点存在重合的情况,即在保证安全性和较高的效率性时存在一定的安全风险;而优化后的DMAV方法在仿真0~29s时间段内,与前车的安全距离一直增大,在30~160s又持续缩小,直至与动态安全距离保持一定的幅度波动。主要原因是,为提高实用性,DMAV方法优化后,在效率性方面做出了让步,但随着仿真时间的增加,优化后与优化前距前车安全距离逐渐接近。可以得出结论,通过多目标优化算法后,DMAV方法在保证同样的效率性时,较优化前有着更高的安全性。
在跟车状态下,DMAV方法优化前后无人驾驶车辆速度波动随时间分布如图14所示。从图中可以看出,优化后的DMAV方法速度波动较小,且随着时间的增加呈现下降的趋势。可以得出结论,通过多目标优化算法后,DMAV方法较优化前有着更高的实用性。
DMAV方法优化前后无人驾驶车辆制动速度波动随时间分布如图15所示。从图中可以看出,优化后的DMAV方法速度波动较小,不存在优化前制动加速度来回波动的情况,且随着时间的增加呈现下降的趋势,最终收敛到0。可以得出结论,通过多目标优化算法后,DMAV方法较优化前有着更高的实用性。
创新点
基于无人驾驶邻近车辆轨迹预测方法,(程久军等发明人于2021年3月31日申请的《无人驾驶邻近车辆轨迹预测方法》(申请人:同济大学,专利申请号:2021103316612)),针对现有的无人驾驶车辆运动行为决策方法存在的问题,简化了无人驾驶车辆的运动状态,结合邻近车辆的预测轨迹,给出了基于轨迹预测的无人驾驶车辆运动行为决策方法,并在跟车和制动状态下与多个行为决策方法进行了比较,在安全性和效率性指标上验证了其有效性;通过多目标优化方法对其进行优化,相较于优化前,本发明在优化后保证了安全性和与优化前的效率性,提高了实用性。从而为无人驾驶车辆在复杂路网环境下安全有效行驶提供保障。
说明书附表
表1
表2
表3
Claims (4)
1.无人驾驶车辆运动行为决策方法,具体包括如下步骤:
步骤1.相关定义
步骤2.无人驾驶车辆运动行为决策
步骤2.1无人驾驶车辆状态跳转约束
步骤2.2无人驾驶车辆运动行为决策算法
步骤3.无人驾驶车辆运动行为决策的多目标优化
步骤3.1目标函数
步骤3.2约束条件
步骤3.3优化求解。
2.如权利要求书1所述无人驾驶车辆运动行为决策方法,其特征在于,
定义具体如下:
(1)无人驾驶车辆运动行为决策的影响因素:
定义1道路环境限制因素RL(Restrictionfor Lanes):不同的道路环境存在不同的限制因素,RL定义如下:
RL={γ,δ,CLallowable,β,LA}#(1)
其中,γ表示所在车道限制的最低速度,δ表示最高限速,CLallowable表示所在车道是否允许变道,β表示安全距离,LA表示最大横向加速度;
定义2车辆自身物理限制因素PRV(PhysicalRestrictionforVehicles):PRV定义如下:
PRV={MaxA,MinA}#(2)
其中,MaxA表示最高加速度,是一个恒大于0的值;MinA表示最大减速度,是一个恒小于0的值;
(2)无人驾驶车辆行驶状态定义
无人驾驶车辆的行驶道路抽象成一条近似线段的道路,其中,具有交通标志的路段抽象成带有限制信息的道路,将无人驾驶车辆在道路上的行驶状态定义为以下五种状态:
定义3停止等待状态SW(Stop and Wait):该状态包含无人驾驶车辆初始化状态和速度长时间为0的状态具体如下:
State=SW
s.t.State=initialized or St=0(t=1,2,...,T)#(3)
定义4跟车状态FC(Followthe Car):将不存在变道行为且前方存在车辆的状态均定义为跟车行为,跟车状态FC定义如下:
State=FC
γ≤S≤δ#(4)
其中,Sahead和Pahead分别代表前车的速度以及位置,α和β分别代表相对速度和相对距离的阈值;
定义5自由状态FS(Free State):当前方道路畅通,此状态定义为自由状态;
定义6超车状态OC(Overtake the Car):车辆之间存在超车行为,且超车行为仅存在于直行的道路上,其形式化定义如下:
State=OC
s.t.Sahead(t)<S(t)≤δ
CLallowable=true
0≤A(t)≤MaxA
Pahead(k).y-P(k).y=0
t=1,2,...,k#(5)
车辆所在车道必须满足CLallowable=true,即允许车辆变道;超车状态存在一个渐变的过程;在t=1,2,...,k时间段内,需满足Sahead(t)<S(t)≤δ,即处于超车状态的车辆的速度一直大于所要超车的对象,且在k时刻时满足Pahead(k).y-P(k).y=0,即完成超车;
定义7回归行车道状态BL(Backto the Lane):当车辆超车完成之后,需要回到其行车道内,回归行车道的状态定义如下:
State=BL
s.t.γ≤S(t)≤δ
0≤A(t).x≤MaxA
t=1,2,...,k#(6)
其中,在t=1,2,...,k这段时间内存在一个横向的加速度A(t).x,使得车辆由超车道转向行车道。
3.如权利要求书1所述无人驾驶车辆运动行为决策方法,其特征在于,步骤2.中所述无人驾驶车辆运动行为决策:
(1)无人驾驶车辆状态跳转约束
根据定义2中五种行驶状态,给出了相应状态之间跳转的数学形式化约束,具体如下:
1)停止等待状态SW:
根据定义,停止等待状态是速度在某段时间内持续为0的状态,该状态根据前方是否存在车辆跳转至自由状态或者跟车状态;
2)跟车状态FC:
当前方车辆的速度小于无人驾驶车辆在该车道内的目标速度Starget,即满足条件Sahead<Starget,且此时无人驾驶车辆与红绿灯的距离DisToTL大于μβ(μ是安全距离系数,β为安全距离,μ通常大于2),后方车辆不存在超车行为时,无人驾驶车辆可以从跟车状态跳转到超车状态;当前方车辆因为某些原因离开无人驾驶车辆所在车道时,可以从跟车状态跳转到自由状态;当无人驾驶车辆在超车道,且根据预测的后方车辆的轨迹trarear(t),判断在接下来一段时间内,距离大于安全距离时,由FC→BL;否则,保持跟车状态;
3)自由状态FS:
只有无人驾驶车辆在超车道时,且满足在接下来一段时间内,后方车辆预测的轨迹位置与其轨迹的距离大于安全距离时,才可以从自由状态跳转到BL;当车道前方出现车辆时,由自由状态跳转到跟车状态;当到红绿灯的距离DisToTL小于安全距离,且禁止通过交叉路口时,跳转到停止等待状态,否则继续保持自由状态;
4)超车状态OC:
在完成超车之后,无人驾驶车辆并不会立马进入回归行车道状态,而是根据前方是否存在车辆,跳转至跟车状态或者自由行驶状态;
5)回归行车道状态BL:
在从超车道转入行车道之后,无人驾驶车辆会根据前方是否存在车辆,跳转至跟车状态或者自由行驶状态;
(2)无人驾驶车辆运动行为决策算法
根据不同状态的跳转,提出了无人驾驶车辆运动行为决策算法DMAV(DefinateMachineforAutonomousVehicles),具体流程如下:
Step1:根据无人驾驶车辆的当前状态State,得到其在状态跳转图中指向的状态集合SetState;
Step2:存在NextState∈SetState,且NextState并未访问过,转第三步;否则,转第四步;
Step3:若满足Conditionstate→NextState的跳转条件,将NextState放入集合ProbState,转第二步;
Step4:根据集合ProbState的长度生成随机种子数,等概率的选取ProbState中的行驶状态作为最终的目标状态TargetState;
Step5:TargetState为跟车状态:加速度A=(F(Starget,S,Sahead,P,Pahead),0);TargetState为自由状态:加速度A=(F(Starget,S),0);TargetState为超车状态时,A=(F(Starget,S,Sahead,P,Pahead),LA);TargetState为回归行车道状态时,设置一个向右的横向加速度-LA。
4.如权利要求书1所述无人驾驶车辆运动行为决策方法,其特征在于,步骤3.所述无人驾驶车辆运动行为决策的多目标优化:
首先确立目标函数,然后,给出动态约束条件,最后,采用多目标优化方法对其求解;
(1)目标函数
1)效率性
表示如下:
Ei=S(t) or Ei=T(s)#(16)
其中Ei表示无人驾驶车辆i行为决策的效率性,S(t)表示在时间t内行驶的距离,而T(s)表示行驶距离为s时所需要的时间;
2)安全性
表示为:
3)实用性
如下:
Utili={vt-vt-1|t=(0,1,2,...,k)} (18)
其中,Utili表示无人驾驶车辆运动行为决策的实用性,{vt-vt-1|t=(0,1,2,...,k)}表示在连续时间段t内,加速度的波动情况;
(2)约束条件
根据上述的三个目标函数,将约束条件分为静态约束条件和动态约束条件;
1)静态约束条件:
静态约束条件包括车辆自身物理条件约束PRV,包括无人驾驶车辆自身的物理约束条件如车辆最大速度vmax、最大纵向加减速度Max(Min)A、最大横向加速度LA;道路环境约束条件RL,包括如车道最小最大限速γ(δ)、车道是否允许变道CLallowable;无人驾驶车辆的静态约束条件形式化定义如下:
kstatic:<PRV,RL>#(19)
2)动态约束条件:
对安全距离进行一个动态化的约束:
基于多目标优化的无人驾驶车辆运动行为决策,目标函数表示为:
(3)优化求解
根据无人驾驶车辆运动行为决策的限制条件,通过多目标优化算法对问题进行优化求解,流程如下:
Step1:初始化仿真环境以及部分解集合Result;
Step2:若迭代次数小于设定的epoch,则转Step3;否则转Step9;
Step3:存在Vector1属于集合Result,且未被访问,则转Step4;否则转Step8;
Step4:自我迭代:将Vector1中的权重系数[w1,w2,w3]分别加上随机数random(0≤random≤1),运行,计算得到与前车距离Dis以及动态安全距离SafeDis;若满足则认为在该权重系数下,无人驾驶车辆运动行为决策方法严格满足安全性要求,将[w1,w2,w3]放入集合temp;转Step5;
Step5:存在Vector2(Vector2≠Vector1)属于集合Result,且未被访问,转Step6;否则转Step7;
Step6:组合:将Vector1与Vector2的权重系数[w1,w2,w3]进行加权组合,并进行运行,计算得到与前车距离Dis以及动态安全距离SafeDis;若满足则认为在该权重系数下,无人驾驶车辆运动行为决策方法严格满足安全性要求,将[w1,w2,w3]放入集合temp;转Step7;
Step7:将Vector1从Result中删除,转Step3;
Step8:根据实用性对temp进行排序,并将实用性较高的前60%更新为Result,转Step2;
Step9:输出各影响因素加权系数可行解集合Result。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110550801.5A CN113120003B (zh) | 2021-05-18 | 2021-05-18 | 无人驾驶车辆运动行为决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110550801.5A CN113120003B (zh) | 2021-05-18 | 2021-05-18 | 无人驾驶车辆运动行为决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113120003A true CN113120003A (zh) | 2021-07-16 |
CN113120003B CN113120003B (zh) | 2022-06-03 |
Family
ID=76782960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110550801.5A Active CN113120003B (zh) | 2021-05-18 | 2021-05-18 | 无人驾驶车辆运动行为决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113120003B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113548049A (zh) * | 2021-07-27 | 2021-10-26 | 武汉理工大学 | 一种基于有限状态机的智能车辆驾驶行为决策方法及系统 |
CN113879323A (zh) * | 2021-10-26 | 2022-01-04 | 清华大学 | 可信赖学习型自动驾驶决策方法、系统、存储介质及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107315411A (zh) * | 2017-07-04 | 2017-11-03 | 合肥工业大学 | 一种基于车车协同下无人驾驶车辆的换道轨迹规划方法 |
CN109598934A (zh) * | 2018-12-13 | 2019-04-09 | 清华大学 | 一种基于规则与学习模型的无人驾驶汽车驶离高速的方法 |
CN110992695A (zh) * | 2019-12-13 | 2020-04-10 | 北京理工大学 | 基于冲突消解的智能车辆城市交叉口通行决策多目标优化模型 |
CN112242059A (zh) * | 2020-09-30 | 2021-01-19 | 南京航空航天大学 | 基于动机与风险评估的无人驾驶车辆智能决策方法 |
-
2021
- 2021-05-18 CN CN202110550801.5A patent/CN113120003B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107315411A (zh) * | 2017-07-04 | 2017-11-03 | 合肥工业大学 | 一种基于车车协同下无人驾驶车辆的换道轨迹规划方法 |
CN109598934A (zh) * | 2018-12-13 | 2019-04-09 | 清华大学 | 一种基于规则与学习模型的无人驾驶汽车驶离高速的方法 |
CN110992695A (zh) * | 2019-12-13 | 2020-04-10 | 北京理工大学 | 基于冲突消解的智能车辆城市交叉口通行决策多目标优化模型 |
CN112242059A (zh) * | 2020-09-30 | 2021-01-19 | 南京航空航天大学 | 基于动机与风险评估的无人驾驶车辆智能决策方法 |
Non-Patent Citations (1)
Title |
---|
赵治国等: "无人驾驶车辆路径跟踪控制预瞄距离自适应优化", 《机械工程学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113548049A (zh) * | 2021-07-27 | 2021-10-26 | 武汉理工大学 | 一种基于有限状态机的智能车辆驾驶行为决策方法及系统 |
CN113879323A (zh) * | 2021-10-26 | 2022-01-04 | 清华大学 | 可信赖学习型自动驾驶决策方法、系统、存储介质及设备 |
CN113879323B (zh) * | 2021-10-26 | 2023-03-14 | 清华大学 | 可信赖学习型自动驾驶决策方法、系统、存储介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113120003B (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN113805572B (zh) | 运动规划的方法与装置 | |
CN112888612A (zh) | 自动驾驶车辆规划 | |
CN113044064B (zh) | 基于元强化学习的车辆自适应的自动驾驶决策方法及系统 | |
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 | |
CN113120003B (zh) | 无人驾驶车辆运动行为决策方法 | |
CN115344052B (zh) | 基于改进的群优化算法的车辆路径控制方法及控制系统 | |
CN116432448B (zh) | 基于智能网联车和驾驶员遵从度的可变限速优化方法 | |
CN113516277B (zh) | 一种基于路网动态定价的网联智能交通路径规划方法 | |
CN115257789A (zh) | 城市低速环境下的营运车辆侧向防撞驾驶决策方法 | |
Mavrogiannis et al. | B-gap: Behavior-guided action prediction for autonomous navigation | |
Ren et al. | Self-learned intelligence for integrated decision and control of automated vehicles at signalized intersections | |
CN114715193A (zh) | 一种实时轨迹规划方法及系统 | |
CN111488674B (zh) | 一种平面交叉口车辆运行轨迹模拟方法 | |
CN116524745B (zh) | 一种云边协同区域交通信号动态配时系统及方法 | |
Shi et al. | Efficient Lane-changing Behavior Planning via Reinforcement Learning with Imitation Learning Initialization | |
Lin et al. | Adaptive prediction-based control for an ecological cruise control system on curved and hilly roads | |
CN116432454A (zh) | 基于性格选择的自动驾驶汽车决策规划方法 | |
CN115062202A (zh) | 驾驶行为意图及轨迹的预测方法、装置、设备及存储介质 | |
CN114802306A (zh) | 一种基于人机共驾理念的智能车辆集成式决策系统 | |
Dong et al. | Lane-changing trajectory control strategy on fuel consumption in an iterative learning framework | |
CN114360290B (zh) | 一种基于强化学习的交叉口前车辆群体车道选择方法 | |
Tang et al. | Research on decision-making of lane-changing of automated vehicles in highway confluence area based on deep reinforcement learning | |
CN116540602B (zh) | 一种基于路段安全级别dqn的车辆无人驾驶方法 | |
Zheng et al. | Traffic-Aware Autonomous Driving with Differentiable Traffic Simulation |
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 |