CN114228747B - 基于贝叶斯网络的高速公路换道决策方法 - Google Patents
基于贝叶斯网络的高速公路换道决策方法 Download PDFInfo
- Publication number
- CN114228747B CN114228747B CN202210085007.2A CN202210085007A CN114228747B CN 114228747 B CN114228747 B CN 114228747B CN 202210085007 A CN202210085007 A CN 202210085007A CN 114228747 B CN114228747 B CN 114228747B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- speed
- lane
- training
- 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
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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
- B60W2520/105—Longitudinal acceleration
-
- 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
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/802—Longitudinal distance
-
- 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
- B60W2554/804—Relative longitudinal speed
-
- 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)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于贝叶斯网络的高速公路换道决策方法,通过贝叶斯网络,以公开数据集为数据来源,通过训练得到最佳的决策网络和参数,生成换道决策模型,使得该模型根据周车位置、速度、加速度、车道信息决策出最佳的换道实际。本发明的优点是在合适的时机换道不仅提高自车车速,也让周车从自车速度提高的过程中收获更佳的速度收益,从而提高整个交通流的效率。
Description
技术领域
本发明涉及一种无人驾驶车辆技术领域,特别涉及一种基于贝叶斯网络的高速公路换道决策方法。
背景技术
高速公路行驶,车速高,且车流量也大,驾驶员略微分心就会导致灾难的产生,而很多事故易发生在车辆换道阶段。无人驾驶技术在高速公路上的应用之一便是解决高速换道问题,如何根据周车位置分布和速度、加速度信息决策出最佳换道时机,不仅影响着自车和周车的安全性,而且也能够很大程度上提高同行效率,因为在合适的时机换道不仅提高自车车速,也让周车从自车速度提高的过程中收获更佳的速度收益,从而提高整个交通流的效率。这是本申请需要着重改善的地方。
发明内容
本发明所要解决的技术问题是要提供一种提高交通流效率的基于贝叶斯网络的高速公路换道决策方法。
为了解决以上的技术问题,本发明提供了一种基于贝叶斯网络的高速公路换道决策方法,通过贝叶斯网络,以公开数据集为数据来源,通过训练得到最佳的决策网络和参数,生成换道决策模型,使得该换道决策模型根据周车位置、速度、加速度、车道信息决策出最佳的换道实际,具体步骤如下:
S1:基于数据提取算法从自然驾驶数据集中提取用于贝叶斯网络训练的训练集数据;
所述自然驾驶数据集由采用智能车辆和设备路测得到,包括车辆运动状态信息、周车信息以及车道线信息;
提取的数据包括换道数据和非换道数据;
换道数据提取包括:
S11:根据车辆ID将数据集中的数据打包为多个元胞数组;
S12:对于每个元胞数组,根据时间戳进行遍历,从中寻找车道编号发生变化的时间戳和自车车道编号、左右车道编号;根据此时间戳,保存此刻自车位置、速度、加速度信息;
S13:从所有其他元胞数组中寻找该时间戳下的车辆数据,并从中找到车道编号为上述保存的车道编号的车辆,从中筛选距离自车最近的前车、后车、左前车、右前车、左后车、右后车数据,并提取其中的位置、速度、车道信息,并保存;
S14:根据自车与周车位置、速度,计算自车与周车的相对纵向距离、相对速度以及自身车速,作为换道数据,并保存;
与上述步骤类似,选取非换道时刻的数据作为非换道数据;
数据分为两类:
1)周车信息:目标车道前车距离与速度、目标车道后车距离与速度、本车道前车距离与速度、本车道后车距离与速度;
2)自车信息:自车速度、加速度;
S2:基于ChiMerge算法对上述非换道数据与换道数据进行离散;
对于某一个属性,按照属性值从小到大排列,从第一个数据开始,分别计算相邻两个数据之间的卡方值,将卡方值较小的区间合并,直到合并后的区间使得卡方值不小于预先设定的阈值;
S3:采用Rosetta粗糙集工具对所选取的属性进行约简;
将经过离散化的数据输入工具箱,选择属性离散,最终得到用于决策的条件属性集,用于决策的属性为:左车道前车距离与速度、本车道前车距离与速度、右车道前车距离与速度、自车速度;
S4:基于K2算法进行贝叶斯网络结构进行训练;
定义损失函数,根据选取的某个贝叶斯网络结构计算损失函数值,直到得到最小的损失函数,此时的网络结构为最佳;
S5:基于Matlab的贝叶斯算法工具对网络参数进行训练;
将训练数据导入Matlab,采用贝叶斯网络训练工具包,训练得到网络参数,即得到父节点与子节点之间的条件概率与孤立节点的先验概率;
S6:按照训练得到的网络结构和参数进行换道决策;
根据训练得到的最佳网络结构、网络参数,通过脚本定义该贝叶斯网络的结构和参数,对输入数据进行预处理,根据离散化数据输入决策模型,得到换道或不换道的指令。
本发明的优越功效在于:
1)本发明使用贝叶斯网络进行高速公路换道决策,充分利用了贝叶斯网络作为一种概率推理方法的特点;
2)本发明采用自然驾驶数据集作为训练数据来源,训练得到的决策模型充分反映了与人类驾驶习惯相类似的决策效果,而且决策过程是概率推理过程,某一个感知数据失效对决策没有决定性影响,体现了良好的鲁棒性能;
3)本发明换道决策方法在合适的时机换道不仅提高自车车速,也让周车从自车速度提高的过程中收获更佳的速度收益,从而提高整个交通流的效率。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例换道决策方法的决策流程图;
图2为本发明实施例换道决策方法的贝叶斯网络结构示意图;
图3为本发明实施例换道决策方法的数据提取流程示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明。
图1示出了本发明实施例换道决策方法的决策流程图。如图1所示,本发明提供了一种基于贝叶斯网络的高速公路换道决策方法,包括如下的步骤:
S1:基于数据提取算法从自然驾驶数据集中提取用于贝叶斯网络训练的训练集数据;
所述自然驾驶数据集由采用智能车辆和设备路测得到,包括车辆运动状态信息、周车信息以及车道线信息;
提取的数据包括换道数据和非换道数据;
换道数据提取的步骤如下所示,如图3所示:
S11:根据车辆ID将数据集中的数据打包为多个元胞数组;
S12:对于每个元胞数组,根据时间戳进行遍历,从中寻找车道编号ID发生变化的时间戳和自车车道编号、左右车道编号;
S121:车道编号ID不发生变化,停止搜索;
S122:车道编号ID发生变化,保存该帧ID的自车位置、速度、加速度信息在数组中;
S13:从该帧ID开始按横向位置回溯,连续三帧数据大小比较,某帧数据变化趋势异于前面数据,如,前面的数据一直保持增长,而该帧数据下降,保存该帧ID,并从中找到该帧ID对应的自车位置、速度、加速度信息;寻找该帧ID对应的周车ID并保存,从中筛选距离自车最近的前车、后车、左前车、右前车、左后车、右后车数据,并提取其中的位置、速度、车道信息,并保存在数组中;去除车速大于100km/h的数据;
S14:根据自车与周车位置、速度,计算自车与周车的相对纵向距离、相对速度以及自身车速,作为换道数据,保存在数组;
与上述步骤类似,获取非换道数据保存于数组中,并合并为下列数组:
;
上述数组中元素分别表示自车车速与左前、左后、前方、后方、右前、右后最近车辆与本车的相对车速、相对距离以及是否换道标志;
数据分为两类:
1)周车信息:目标车道前车距离与速度、目标车道后车距离与速度、本车道前车距离与速度、本车道后车距离与速度;
2)自车信息:自车速度、加速度;
S2:基于ChiMerge算法对上述非换道数据与换道数据进行离散;
对于某一个属性,按照属性值从小到大排列,从第一个数据开始,分别计算相邻两个数据之间的卡方值,将卡方值较小的区间合并,直到合并后的区间使得卡方值不小于预先设定的阈值;
S3:采用Rosetta粗糙集工具对所选取的属性进行约简;
将经过离散化的数据输入工具箱,选择属性离散,最终得到用于决策的条件属性集,用于决策的属性为:左车道前车距离与速度、本车道前车距离与速度、右车道前车距离与速度、自车速度;
S4:基于K2算法进行贝叶斯网络结构进行训练;
定义损失函数,根据选取的某个贝叶斯网络结构计算损失函数值,直到得到最小的损失函数,此时的网络结构为最佳,按照每种树的结构计算损失函数,通过遍历得到损失函数值最小的树结构,即为图2的树结构;
S5:采用EM算法对网络参数进行训练;
将训练数据导入Matlab,采用贝叶斯网络训练工具包,训练得到网络参数,即得到父节点与子节点之间的条件概率与孤立节点的先验概率;
S6:按照训练得到的网络结构和参数进行换道决策;
根据训练得到的最佳网络结构、网络参数,作为换道决策的模型,定义网络结构和网络参数,将感知数据作为输入并进行离散化后作为数据输入贝叶斯网络,采用联合树方法进行概率推理,采用概率值较大的决策属性作为输出,决策属性即为换道或不换道指令。
本发明高速公路换道决策方法,通过贝叶斯网络,以自然驾驶数据集为数据来源,通过训练得到最佳的决策网络和参数,生成换道决策模型,使得该换道决策模型根据周车位置、速度、加速度、车道信息决策出最佳的换道,使用该换道决策模型,辅助人工决策。
以上所述仅为本发明的优先实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于贝叶斯网络的高速公路换道决策方法,包括如下的步骤:
S1:基于数据提取算法从自然驾驶数据集中提取用于贝叶斯网络训练的训练集数据;
数据提取的步骤如下:
S11:根据车辆ID将数据集中的数据打包为多个元胞数组;
S12:对于每个元胞数组,根据时间戳进行遍历,从中寻找车道编号发生变化的时间戳和自车车道编号、左右车道编号;根据此时间戳,保存此刻自车位置、速度、加速度信息;
S13:从所有其他元胞数组中寻找该时间戳下的车辆数据,并从中找到车道编号为上述保存的车道编号的车辆,从中筛选距离自车最近的前车、后车、左前车、右前车、左后车、右后车数据,并提取其中的位置、速度、车道信息,并保存;
S14:根据自车与周车位置、速度,计算自车与周车的相对纵向距离、相对速度以及自身车速,作为换道数据,并保存;
与上述步骤类似,选取非换道时刻的数据作为非换道数据,并保存;
S2:基于ChiMerge算法对上述非换道数据与换道数据进行离散;
对于某一个属性,按照属性值从小到大排列,从第一个数据开始,分别计算相邻两个数据之间的卡方值,将卡方值较小的区间合并,直到合并后的区间使得卡方值不小于预先设定的阈值;
S3:采用Rosetta粗糙集工具对所选取的属性进行约简;
将经过离散化的数据输入工具箱,选择属性离散,最终得到用于决策的条件属性集,用于决策的属性为:左车道前车距离与速度、本车道前车距离与速度、右车道前车距离与速度、自车速度;
S4:基于K2算法进行贝叶斯网络结构进行训练;
定义损失函数,根据选取的某个贝叶斯网络结构计算损失函数值,直到得到最小的损失函数,此时的网络结构为最佳;
S5:基于Matlab的贝叶斯算法工具对网络参数进行训练;
S6:按照训练得到的网络结构和参数进行换道决策;
根据训练得到的最佳网络结构、网络参数,作为换道决策的模型,定义网络结构和网络参数,对输入数据进行预处理,根据离散化数据输入决策模型,得到换道或不换道的指令。
2.根据权利要求1所述的基于贝叶斯网络的高速公路换道决策方法,其特征在于:所述步骤S1中,所述自然驾驶数据集由采用智能车辆和设备路测得到,包括车辆运动状态信息、周车信息以及车道线信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210085007.2A CN114228747B (zh) | 2022-01-25 | 2022-01-25 | 基于贝叶斯网络的高速公路换道决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210085007.2A CN114228747B (zh) | 2022-01-25 | 2022-01-25 | 基于贝叶斯网络的高速公路换道决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114228747A CN114228747A (zh) | 2022-03-25 |
CN114228747B true CN114228747B (zh) | 2023-04-25 |
Family
ID=80747121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210085007.2A Active CN114228747B (zh) | 2022-01-25 | 2022-01-25 | 基于贝叶斯网络的高速公路换道决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114228747B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115512540A (zh) * | 2022-09-20 | 2022-12-23 | 中国第一汽车股份有限公司 | 车辆的信息处理方法、装置、存储介质和处理器 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021103625A1 (zh) * | 2019-11-25 | 2021-06-03 | 北京理工大学 | 一种基于前车与自车互动的短期车速工况实时预测方法 |
CN113139331A (zh) * | 2021-03-29 | 2021-07-20 | 西北工业大学 | 一种基于贝叶斯网络的空空导弹态势感知与决策方法 |
-
2022
- 2022-01-25 CN CN202210085007.2A patent/CN114228747B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021103625A1 (zh) * | 2019-11-25 | 2021-06-03 | 北京理工大学 | 一种基于前车与自车互动的短期车速工况实时预测方法 |
CN113139331A (zh) * | 2021-03-29 | 2021-07-20 | 西北工业大学 | 一种基于贝叶斯网络的空空导弹态势感知与决策方法 |
Non-Patent Citations (1)
Title |
---|
邱小平 ; 刘亚龙 ; 马丽娜 ; 杨达 ; .基于贝叶斯网络的车辆换道模型.交通运输系统工程与信息.2015,(05),第67-73页. * |
Also Published As
Publication number | Publication date |
---|---|
CN114228747A (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111046919B (zh) | 一种融合行为意图的周围动态车辆轨迹预测系统及方法 | |
CN110758382B (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 | |
CN112099496B (zh) | 一种自动驾驶训练方法、装置、设备及介质 | |
CN108583578B (zh) | 用于自动驾驶车辆的基于多目标决策矩阵的车道决策方法 | |
CN116563548A (zh) | 使用蒙片进行数据分割的系统和方法 | |
CN114228747B (zh) | 基于贝叶斯网络的高速公路换道决策方法 | |
CN112793576B (zh) | 一种基于规则与机器学习融合的换道决策方法及系统 | |
US11934957B2 (en) | Methods, systems, and apparatuses for user-understandable explainable learning models | |
CN110843789A (zh) | 一种基于时序卷积网络的车辆换道意图预测方法 | |
US11577723B2 (en) | Object trajectory association and tracking | |
CN108694841A (zh) | 一种基于v2x技术的智能车辆通行路口红绿灯方法 | |
US11654933B2 (en) | Navigation trajectory using reinforcement learning for an ego vehicle in a navigation network | |
CN110619340B (zh) | 一种自动驾驶汽车换道规则的生成方法 | |
CN115100867B (zh) | 一种基于数字孪生的城市智能交通仿真方法 | |
Sequeira et al. | A lane merge coordination model for a V2X scenario | |
Liu et al. | A novel method for predicting vehicle state in internet of vehicles | |
Chen et al. | Advanced driver assistance strategies for a single-vehicle overtaking a platoon on the two-lane two-way road | |
Deng et al. | Classifying human behaviors: Improving training of conventional algorithms | |
Qin et al. | Stability analysis and connected vehicles management for mixed traffic flow with platoons of connected automated vehicles | |
CN114332797A (zh) | 一种带自评测机制的道路场景语义分割方法及系统 | |
Valdés-Vela et al. | An application of a fuzzy classifier extracted from data for collision avoidance support in road vehicles | |
Adnan et al. | Traffic congestion prediction using deep convolutional neural networks: A color-coding approach | |
Itkina et al. | Convolutional neural network information fusion based on Dempster-Shafer theory for urban scene understanding | |
CN116451084B (zh) | 一种用于驾驶风格识别模型的训练样本预处理方法 | |
WO2020132305A1 (en) | Safe system operation using latency determinations and cpu usage determinations |
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 |