CN114475607B - 自动驾驶车辆的拟人化换道方法、装置、车辆及存储介质 - Google Patents
自动驾驶车辆的拟人化换道方法、装置、车辆及存储介质 Download PDFInfo
- Publication number
- CN114475607B CN114475607B CN202210381723.5A CN202210381723A CN114475607B CN 114475607 B CN114475607 B CN 114475607B CN 202210381723 A CN202210381723 A CN 202210381723A CN 114475607 B CN114475607 B CN 114475607B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- lane
- speed
- influence
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 97
- 230000008859 change Effects 0.000 claims abstract description 126
- 230000008878 coupling Effects 0.000 claims abstract description 15
- 238000010168 coupling process Methods 0.000 claims abstract description 15
- 238000005859 coupling reaction Methods 0.000 claims abstract description 15
- 230000006399 behavior Effects 0.000 claims description 115
- 230000001133 acceleration Effects 0.000 claims description 36
- 238000012937 correction Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 27
- 230000001149 cognitive effect Effects 0.000 claims description 18
- 230000007246 mechanism Effects 0.000 claims description 15
- 238000013139 quantization Methods 0.000 claims description 14
- 230000036461 convulsion Effects 0.000 claims description 12
- 230000035484 reaction time Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 238000005096 rolling process Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000019771 cognition Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 206010048669 Terminal state Diseases 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 210000001520 comb Anatomy 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/18—Propelling the vehicle
- B60W30/18009—Propelling the vehicle related to particular drive situations
- B60W30/18163—Lane change; Overtaking manoeuvres
-
- 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
-
- 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
- B60W2554/4042—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
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本申请涉及自动驾驶技术领域，特别涉及一种自动驾驶车辆的拟人化换道方法、装置、车辆及存储介质，其中，方法包括：获取预先构建的拟人化驾驶行为特征参数集合，并根据参数集合中的特征参数设计本车的期望运动状态和可接受最小间距，并在本车满足换道条件时，根据拟人化驾驶行为特征参数集合中的特征参数、期望运动状态和可接受最小间距对本车分别进行横向轨迹规划和纵向轨迹规划，得到横向换道轨迹和纵向换道轨迹，对横向换道轨迹和纵向换道轨迹进行耦合，生成本车的目标换道轨迹，并利用目标换道轨迹控制本车进行换道。由此，解决了相关技术中自动驾驶车辆的拟人化决策存在的关键特征不明朗、应用场景受限、可解释性较差等问题。
Description
技术领域
本申请涉及自动驾驶技术领域，特别涉及一种自动驾驶车辆的拟人化换道方法、装置、车辆及存储介质。
背景技术
现有的拟人化自动驾驶决策算法，可根据目的和手段两个层面进行分类。从目的来看，可分为行为拟人和认知拟人；就手段而言，可分为基于学习和基于规则。以下分别从行为拟人和认知拟人这两种研究目的对现有研究进行总结，这两种不同目的的研究中又分别存在着基于学习和基于规则两种不同的手段。
第一，基于行为拟人的研究。行为拟人的自动驾驶决策算法旨在提高本车和周边车辆的安全和舒适等性能，常通过采用机器学习或物理规则演绎的方式对拟人化的驾驶行为进行复现。第二，基于认知拟人的研究。致力于认知拟人的算法有的是为了保证行为拟人，有的则是为了借鉴驾驶人的认知方式以提高车辆应对新场景的智能水平，如基于认知架构对驾驶人认知和行为进行建模，但是其中对于驾驶任务的具体决策方法仍需要独立设计，而且已有方法常是基于规则的。
综上，基于学习的方法直接从自然驾驶行为数据中挖掘参数或轨迹特征，而此类数据驱动的方法对数据质量的要求十分苛刻。数据中可能包含的不必要或表现差的行为特征，将直接影响学习获得的拟人化驾驶行为。因此需要对数据进行筛选，而如何对优秀的拟人化驾驶行为进行有效筛选是迫切需要解决的难题。另外，基于学习的方法在一般性场景中的适用性往往存在局限。基于规则的算法通常面向特定场景，其建模的工作量大，限制了算法对不同场景的泛化能力，同时，部分基于规则的算法也依然存在关键参数可解释性较差的问题。
发明内容
本申请提供一种自动驾驶车辆的拟人化换道方法、装置、车辆及存储介质，以解决相关技术中自动驾驶车辆的拟人化决策存在的关键特征不明朗、应用场景受限、可解释性较差等问题。
本申请第一方面实施例提供一种自动驾驶车辆的拟人化换道方法，包括以下步骤：获取预先构建的拟人化驾驶行为特征参数集合；根据所述拟人化驾驶行为特征参数集合中的特征参数设计本车的期望运动状态和可接受最小间距，并基于所述期望运动状态和所述可接受最小间距判断所述本车是否满足换道条件；在所述本车满足所述换道条件时，根据所述拟人化驾驶行为特征参数集合中的特征参数、所述期望运动状态和所述可接受最小间距对所述本车分别进行横向轨迹规划和纵向轨迹规划，得到横向换道轨迹和纵向换道轨迹，对所述横向换道轨迹和所述纵向换道轨迹进行耦合，生成所述本车的目标换道轨迹，并利用所述目标换道轨迹控制所述本车进行换道。
进一步地，根据所述拟人化驾驶行为特征参数集合中的特征参数、所述期望运动状态和所述可接受最小间距对所述本车进行横向轨迹规划，得到横向换道轨迹，包括：获取所述本车的当前位置坐标和目标横向坐标；在所述本车从本车道换道至目标车道的过程中，当本车处于本车道时，换道预计时长为本车与前车之间的预碰撞时间，并通过滚动时域方式更新所述预碰撞时间得到预碰撞时间序列，当所述本车进入所述目标车道，且处于回正阶段时，换道预计时长为所述预碰撞时间序列的倒序值；基于所述当前位置坐标、所述目标横向坐标、所述预碰撞时间序列、所述预碰撞时间序列的倒序值生成所述横向换道轨迹。
进一步地，根据所述拟人化驾驶行为特征参数集合中的特征参数、所述期望运动状态和所述可接受最小间距对所述本车进行纵向轨迹规划，得到纵向换道轨迹，包括：根据所述拟人化驾驶行为特征参数集合中的特征参数计算终端约束速度和约束位置；根据所述终端约束速度和约束位置对纵向轨迹规划的优化问题进行求解，得到最优控制率和纵向换道预计时长；根据所述最优控制率、所述纵向换道预计时长生成所述纵向换道轨迹。
进一步地，所述基于所述期望运动状态和所述可接受最小间距判断所述本车是否满足换道条件，包括：在所述本车的当前运动状态不满足所述期望运动状态时，获取目标车道的通行效率、本车车道的通行效率和实际换道间距；判断所述本车车道的通行效率是否小于所述目标车道的通行效率，且所述实际换道间距是否大于所述可接受最小间距；如果所述本车车道的通行效率小于所述目标车道的通行效率，且所述实际换道间距大于所述可接受最小间距，则判定所述本车满足所述换道条件。
进一步地，其中，当满足以下公式时，判定所述本车的当前运动状态不满足所述期望运动状态：
其中，v 1 为本车当前车速，v 4 为本车道前车车速，v ego_max 为本车基于当前路面和当前天气条件下限制的最高车速，s 1 为本车与本车道前车之间的间距，v max_l 为道路限速，v max_v 为可见度影响下的速度限速，v max_c 为道路曲率影响下的速度限速，∆T为驾驶人反应时间，L为本车车长，k lf 为跟车距离限定系数，s 1safe 为对应于v ego_max 的安全跟车距离。
进一步地，在获取预先构建的拟人化驾驶行为特征参数集合之前，还包括：基于预设驾驶人认知机理确定目标速度、目标位置、可接受加速度和反应时间之间的运动学关系；根据人驾驶的车辆的速度或位置数据标定量化表达式中的系数，并根据所述系数和所述运动学关系得到所述量化表达式；利用所述量化表达式对拟人化驾驶行为特征参数进行量化，并基于量化后的特征参数构建所述拟人化驾驶行为特征参数集合。
进一步地，所述拟人化驾驶行为特征参数集合包括：附着条件和可见度综合影响下的速度选择、附着条件和道路曲率综合影响下的速度选择、附着条件影响下的跟车间距、附着条件影响下的换道最小可接受间距、附着条件和限速综合影响下的速度选择、可接受的加速度和可接受的加加速度。
进一步地，所述量化表达式包括：附着条件和可见度综合影响下的速度选择公式、附着条件和道路曲率综合影响下的速度选择公式、附着条件影响下的跟车间距公式、附着条件影响下的换道最小可接受间距公式，其中，
所述附着条件和可见度综合影响下的速度选择公式为：
其中，v max_v 为可见度影响下的速度限速，k v 为不同可见度下速度限定系数，s为可见度距离，f为附着系数，α v 为基于附着条件对k v 的修正系数；
所述附着条件和道路曲率综合影响下的速度选择公式为：
其中，v max_c 为道路曲率影响下的速度限速，k c 为弯道速度限定系数，R为道路半径，d为车道宽度，α c 为基于附着条件对k c 的修正系数；
所述附着条件影响下的跟车间距公式为：
其中，k lf 为跟车距离限定系数，L为本车车长，∆T为驾驶人反应时间，v 0 '为稳定跟车速度，α lf 为基于附着条件对k lf 的修正系数；
所述附着条件影响下的换道最小可接受间距公式为：
其中，v 1 为本车当前速度，v 2 为目标车道前车速度，v 3 为目标车道后车速度，s 2 为本车与目标车道前车之间的间距，s 3 为本车与目标车道后车之间的间距，v med 为本车与目标车道后车车速的中间速度，a 1 为本车预期最大加速度水平，a 3 为目标车道后车预期最大减速度水平，a 1c 为基于附着条件的修正系数。
本申请第二方面实施例提供一种自动驾驶车辆的拟人化换道装置，包括：获取模块，用于获取预先构建的拟人化驾驶行为特征参数集合；判断模块，用于根据所述拟人化驾驶行为特征参数集合中的特征参数设计本车的期望运动状态和可接受最小间距，并基于所述期望运动状态和所述可接受最小间距判断所述本车是否满足换道条件；规划模块，用于在所述本车满足所述换道条件时，根据所述拟人化驾驶行为特征参数集合中的特征参数、所述期望运动状态和所述可接受最小间距对所述本车分别进行横向轨迹规划和纵向轨迹规划，得到横向换道轨迹和纵向换道轨迹，对所述横向换道轨迹和所述纵向换道轨迹进行耦合，生成所述本车的目标换道轨迹，并利用所述目标换道轨迹控制所述本车进行换道。
进一步地，所述规划模块进一步用于：获取所述本车的当前位置坐标和目标横向坐标；在所述本车从本车道换道至目标车道的过程中，当本车处于本车道时，换道预计时长为本车与前车之间的预碰撞时间，并通过滚动时域方式更新所述预碰撞时间得到预碰撞时间序列，当所述本车进入所述目标车道，且处于回正阶段时，换道预计时长为所述预碰撞时间序列的倒序值；基于所述当前位置坐标、所述目标横向坐标、所述预碰撞时间序列、所述预碰撞时间序列的倒序值生成所述横向换道轨迹。
进一步地，所述规划模块进一步用于：根据所述拟人化驾驶行为特征参数集合中的特征参数计算终端约束速度和约束位置；根据所述终端约束速度和约束位置对纵向轨迹规划的优化问题进行求解，得到最优控制率和纵向换道预计时长；根据所述最优控制率、所述纵向换道预计时长生成所述纵向换道轨迹。
进一步地，所述判断模块进一步用于：在所述本车的当前运动状态不满足所述期望运动状态时，获取目标车道的通行效率、本车车道的通行效率和实际换道间距；判断所述本车车道的通行效率是否小于所述目标车道的通行效率，且所述实际换道间距是否大于所述可接受最小间距；如果所述本车车道的通行效率小于所述目标车道的通行效率，且所述实际换道间距大于所述可接受最小间距，则判定所述本车满足所述换道条件。
进一步地，其中，当满足以下公式时，判定所述本车的当前运动状态不满足所述期望运动状态：
其中，v 1 为本车当前车速，v 4 为本车道前车车速，v ego_max 为本车基于当前路面和当前天气条件下限制的最高车速，s 1 为本车与本车道前车之间的间距，v max_l 为道路限速，v max_v 为可见度影响下的速度限速，vmax_c为道路曲率影响下的速度限速，∆T为驾驶人反应时间，L为本车车长，k lf 为跟车距离限定系数，s 1safe 为对应于v ego_max 的安全跟车距离。
进一步地，还包括：构建模块，用于在获取预先构建的拟人化驾驶行为特征参数集合之前，基于预设驾驶人认知机理确定目标速度、目标位置、可接受加速度和反应时间之间的运动学关系；根据人驾驶的车辆的速度或位置数据标定量化表达式中的系数，并根据所述系数和所述运动学关系得到所述量化表达式；利用所述量化表达式对拟人化驾驶行为特征参数进行量化，并基于量化后的特征参数构建所述拟人化驾驶行为特征参数集合。
进一步地，所述拟人化驾驶行为特征参数集合包括：附着条件和可见度综合影响下的速度选择、附着条件和道路曲率综合影响下的速度选择、附着条件影响下的跟车间距、附着条件影响下的换道最小可接受间距、附着条件和限速综合影响下的速度选择、可接受的加速度和可接受的加加速度。
进一步地，所述量化表达式包括：附着条件和可见度综合影响下的速度选择公式、附着条件和道路曲率综合影响下的速度选择公式、附着条件影响下的跟车间距公式、附着条件影响下的换道最小可接受间距公式，其中，
所述附着条件和可见度综合影响下的速度选择公式为：
其中，v max_v 为可见度影响下的速度限速，k v 为不同可见度下速度限定系数，s为可见度距离，f为附着系数，α v 为基于附着条件对k v 的修正系数；
所述附着条件和道路曲率综合影响下的速度选择公式为：
其中，v max_c 为道路曲率影响下的速度限速，k c 为弯道速度限定系数，R为道路半径，d为车道宽度，α c 为基于附着条件对k c 的修正系数；
所述附着条件影响下的跟车间距公式为：
其中，k lf 为跟车距离限定系数，L为本车车长，∆T为驾驶人反应时间，v 0 '为稳定跟车速度，α lf 为基于附着条件对k lf 的修正系数；
所述附着条件影响下的换道最小可接受间距公式为：
其中，v 1 为本车当前速度，v 2 为目标车道前车速度，v 3 为目标车道后车速度，s 2 为本车与目标车道前车之间的间距，s 3 为本车与目标车道后车之间的间距，v med 为本车与目标车道后车车速的中间速度，a 1 为本车预期最大加速度水平，a 3 为目标车道后车预期最大减速度水平，a 1c 为基于附着条件的修正系数。
本申请第三方面实施例提供一种自动驾驶车辆，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的自动驾驶车辆的拟人化换道方法。
本申请第四方面实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现如上述实施例所述的自动驾驶车辆的拟人化换道方法。
由此，本申请至少具有如下有益效果：
明确了拟人化驾驶行为的关键特征及其参数集合，可保证拟人化驾驶行为在改善驾乘体验方面的优势，也为拟人化驾驶行为保留了超越人类驾驶表现的空间；拟人化驾驶行为特征参数均具有明确的物理意义，自由换道决策的判断过程和轨迹规划算法的横、纵向耦合方式等均具有清晰、直接的逻辑，大大提升了算法的可解释性；基于拟人化驾驶行为特征参数的运动规划算法考虑了横、纵向耦合特征，使得算法在保证行车安全的前提下能够产生适应性的换道时长，且模拟了驾驶人在自由换道过程中的速度调整过程，保证了算法在广泛场景中均可产生拟人化驾驶行为。由此，解决了相关技术中自动驾驶车辆的拟人化决策存在的关键特征不明朗、应用场景受限、可解释性较差等技术问题。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本申请实施例提供的自动驾驶车辆的拟人化换道方法的流程图；
图2为根据本申请一个实施例提供的自动驾驶车辆的拟人化换道方法的流程图；
图3为根据本申请实施例提供的拟人化驾驶行为特征参数量化方法的流程图；
图4为根据本申请实施例提供的拟人化驾驶行为特征参数集合示意图；
图5为根据本申请实施例提供的典型换道场景示意图；
图6为根据本申请实施例提供的纵向终端位置约束示意图；
图7为根据本申请实施例提供的自动驾驶车辆的拟人化换道装置的示例图；
图8为根据本申请实施例提供的自动驾驶车辆的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
针对上述背景技术中提到的相关技术中自动驾驶车辆的拟人化决策存在的关键特征不明朗、应用场景受限、可解释性较差的问题，本申请提供了一种自动驾驶车辆的拟人化换道方法、装置、车辆及存储介质，下面参考附图描述本申请实施例的自动驾驶车辆的拟人化换道方法、装置、车辆及存储介质。
具体而言，图1为本申请实施例所提供的一种自动驾驶车辆的拟人化换道方法的流程示意图。
如图1所示，该自动驾驶车辆的拟人化换道方法包括以下步骤：
在步骤S101中，获取预先构建的拟人化驾驶行为特征参数集合。
其中，拟人化驾驶行为特征参数集合包括：可见度影响下的速度选择、道路曲率影响下的速度选择、跟车间距、换道最小可接受间距、限速影响下的速度选择、可接受的加速度和可接受的加加速度。
在本申请实施例中，在获取预先构建的拟人化驾驶行为特征参数集合之前，还包括：基于预设驾驶人认知机理确定目标速度、目标位置、可接受加速度和反应时间之间的运动学关系；根据人驾驶的车辆的速度或位置数据标定量化表达式中的系数，并根据系数和运动学关系得到量化表达式；利用量化表达式对拟人化驾驶行为特征参数进行量化，并基于量化后的特征参数构建拟人化驾驶行为特征参数集合。
可以理解的是，本申请实施例可以基于对驾驶人认知机理的统一假设，构建了拟人化驾驶行为特征参数的量化方法；在诸多典型场景中进行应用该量化方法，得出了拟人化驾驶行为的特征参数集合。
具体而言，如图2所示，拟人化驾驶行为特征参数集合构建方法包括：
（a）拟人化驾驶行为特征参数量化方法
如图3所示，假设驾驶人在驾驶过程中遵循认知负荷平衡机制，由此认为驾驶人的决策机制为“其预估当前情景下可能出现的潜在风险，保留充足的反应时间”。基于该决策机制，推理得到驾驶人的目标速度、目标位置、可接受加速度和反应时间之间的运动学关系。而后，明确在特定场景中的可调控参量，通常为目标速度或相对位置；换言之，在不同的场景中，驾驶人倾向于直接调整车辆的某一状态参数来保证行车安全，如在弯道场景中，是调整速度，而在不同的稳定跟车场景中，则是调整本车与前车的相对位置。最后，基于驾驶人的行为数据对典型场景中的关键参量表达式中的系数进行标定，获得完整的关键特征量化表达式。
（b）拟人化驾驶行为特征参数集合
如图4所示，影响驾驶人行为的因素可能来自于道路环境（如道路限速、附着条件、可见度和曲率），也可能来自于周围车辆或本车。通过详细分析来自道路、车辆等的影响因素，本申请实施例梳理了以下典型场景及其中的拟人化驾驶行为关键特征，构建了相应的特征参数集合，具体包括：附着条件和可见度综合影响下的速度选择、附着条件和道路曲率综合影响下的速度选择、附着条件影响下的跟车间距、附着条件影响下的换道最小可接受间距、附着条件和限速综合影响下的速度选择、可接受的加速度和可接受的加加速度等；其中，前四项的特征参数需要根据上述量化方法确定，且会受到附着条件的综合影响；后三项可直接确定。
基于上述特征参数量化方法可得，附着条件和可见度综合影响下的速度选择公式为：
其中，v max_v 为可见度影响下的速度限速，k v 为不同可见度下速度限定系数，s为可见度距离，f为附着系数，α v 为基于附着条件对k v 的修正系数。
附着条件和道路曲率综合影响下的速度选择公式为：
其中，v max_c 为道路曲率影响下的速度限速，k c 为弯道速度限定系数，R为道路半径，d为车道宽度，α c 为基于附着条件对k c 的修正系数。
附着条件影响下的跟车间距公式为：
其中，k lf 为跟车距离限定系数，L为本车车长，∆T为驾驶人反应时间，v 0 '为稳定跟车速度，α lf 为基于附着条件对k lf 的修正系数。
附着条件影响下的换道最小可接受间距公式为：
其中，如图5所示，v 1 为本车当前速度，v 2 为目标车道前车速度，v 3 为目标车道后车速度，s 2 为本车与目标车道前车之间的间距，s 3 为本车与目标车道后车之间的间距，v med 为本车与目标车道后车车速的中间速度，a 1 为本车预期最大加速度水平，a 3 为目标车道后车预期最大减速度水平，a 1c 为基于附着条件的修正系数。另外，v med 为本车与目标车道后车车速的中间速度，由下式可得：
其中，本车预期最大加速度水平为a 1 （正值），目标车道后车预期最大减速度水平为a 3 （负值）。
限速标记是一项保证公路交通安全的重要设施，在新建和改扩建公路时论证得出。面对限速标记，不同的驾驶人会有不同的倾向，如超速5%或保持在95%的限速范围内等。而在自动驾驶时，基于对行车安全和合法的考虑，遵守限速即可。当附着条件变差时，适当降低最大速度。对于加速度和加加速度等指标，基于大量的自然驾驶数据可统计得到人驾驶车辆的该参数的常见取值范围。经过调研，我们设定，纵向加速度舒适水平为±1m/s2以内，常见水平为±2m/s2以内，最大水平为±4m/s2以内。横向加速度常见水平为±0.5m/s2以内，最大水平为±3m/s2以内。纵向加加速度舒适水平为±0.25m/s3以内，最大在±1m/s3以内。横向加加速度舒适水平为±0.5m/s3以内，最大在±1m/s3以内。
在步骤S102中，根据拟人化驾驶行为特征参数集合中的特征参数设计本车的期望运动状态和可接受最小间距，并基于期望运动状态和可接受最小间距判断本车是否满足换道条件。
可以理解的是，本申请实施例可以拟人化驾驶行为特征参数设计换道逻辑中相关的各个参量，并保留期望运动状态、可接受间距。
在本申请实施例中，基于期望运动状态和可接受最小间距判断本车是否满足换道条件，包括：在本车的当前运动状态不满足期望运动状态时，获取目标车道的通行效率、本车车道的通行效率和实际换道间距；判断本车车道的通行效率是否小于目标车道的通行效率，且实际换道间距是否大于可接受最小间距；如果本车车道的通行效率小于目标车道的通行效率，且实际换道间距大于可接受最小间距，则判定本车满足换道条件。
可以理解的是，本申请实施例在进行车辆的自由换道决策时，可以基于期望落差判断是否存在换道意图，并在存在换道意图时，通过换道利好和实际间距的判断，确定是否满足换道条件。
具体而言，如图2所示，自由换道决策方法包括：
（a）基于期望落差的换道意图判断
本车明确当前的预期状态之后，若当前为多车道环境，有换道空间，则有可能产生换道意图。产生换道意图的条件是本车的预期状态不能满足期望状态要求。该原理较为常见，但是关键在于对期望状态的设计。本申请实施例的期望状态设计是基于上述实施例的拟人化驾驶行为特征参数设计。
对于自由换道，当驾驶人当前的通行效率与期望的通行效率有差距时，则会产生换道意图。假设本车当前车速v 1 ，而基于当前的路面和天气等环境条件其本可以较高车速v ego_max 行驶，而受制于前车的低车速v 4 ，本车即将也只能以较低的车速v 4 行驶，且本车与前方车辆之间的间距s 1 已经达到基于较高速度的安全距离s 1safe ，提速空间较小，这种条件下本车则会产生换道意图。对此，需要定义本车在当前路面和天气环境条件下可行驶的最大速度v ego_max 以及基于车速的安全距离s 1safe ，拟人化驾驶行为关键参数提供了解决方案：
其中，v 1 为本车当前车速，v 4 为本车道前车车速，v ego_max 为本车基于当前路面和当前天气条件下限制的最高车速，s 1 为本车与本车道前车之间的间距，v max_l 为道路限速，v max_v 为由于可见度带来的速度限速（具体见上一步骤），v max_c 为由于弯道带来的速度限速（具体见上一步骤），∆T为驾驶人反应时间，L为本车车长，k lf 为跟车距离限定系数，s 1safe 为对应于v ego_max 的安全跟车距离，由跟车场景中的间距选择获得，这些参量均根据上述拟人化驾驶行为特征参数获得。
（b）换道利好判断
换道过程应该改善驾驶体验，否则不需要进行换道。对于自由换道，如果换道操作不能够带来更好的通行效率，综合考虑换道过程中车辆需要进行复杂的认知和操作过程，因此不需要进行换道操作。而目标车道的通行效率更高的判断条件有两个：
其中，如图5所示，v 2 为目标车道前车车速，v 4 为本车道前车车速，s 1 为本车与当前车道前车间距，s 2 为本车与目标车道前车间距。t为一时间参量，可设为3s。上式不等式组中，第一个不等式考虑了车速影响，第二个不等式则考虑了前方通行空间的影响。
（c）实际间距比较
可接受间距在换道模型中很常见，但是具体设计方法不同。本申请实施例基于拟人化驾驶行为关键参数设计可接受最小间距。尽管前述最小间距是在目标车道前后方均有车的情景中推导出来的，然而实际上这个结果具有一般意义。当目标车道后方无车时，可认为a 3 绝对值为无穷大；当目标车道前方无车时，可认为s 2 为无穷大。
在自由换道场景中，对于本车预期最大加速度水平为
和目标车道后车预期最大减速度水平a 3 ，设置较为舒适的水平（在±1m/s2以内），如：
根据前述换道场景下的最小可接受间距，判断实际间距是否大于该最小间距，若大于则进行换道，否则保持在原车道行驶。
在步骤S103中，在本车满足换道条件时，根据拟人化驾驶行为特征参数集合中的特征参数、期望运动状态和可接受最小间距对本车分别进行横向轨迹规划和纵向轨迹规划，得到横向换道轨迹和纵向换道轨迹，对横向换道轨迹和纵向换道轨迹进行耦合，生成本车的目标换道轨迹，并利用目标换道轨迹控制本车进行换道。
可以理解的是，如图2所示，本申请实施例通过综合运用反馈和规划机制，设计了横、纵向耦合的基于Frenet坐标系的轨迹规划方法，其中，对于自由换道，驾驶人的纵向规划空间较大，选用最优控制进行速度规划；对于横向，则采用多项式拟合进行规划。本申请实施例的轨迹规划方法的横、纵向耦合体现在：（1）纵向规划考虑了受横向轨迹影响的合成轨迹曲率对车速选择的影响；（2）横向规划的终端时间与本车与当前车道前车的TTC（Time-to-collision，预碰撞时间）有关，尤其在换道过程中。下面将分别对纵向规划和横向规划进行详细阐述，具体如下：
在本申请实施例中，根据拟人化驾驶行为特征参数集合中的特征参数、期望运动状态和可接受最小间距对本车进行横向轨迹规划，得到横向换道轨迹，包括：获取本车的当前位置坐标和目标横向坐标；在本车从本车道换道至目标车道的过程中，当本车处于本车道时，换道预计时长为本车与前车之间的预碰撞时间，并通过滚动时域方式更新预碰撞时间得到预碰撞时间序列，当本车进入目标车道，且处于回正阶段时，换道预计时长为预碰撞时间序列的倒序值；基于当前位置坐标、目标横向坐标、预碰撞时间序列、预碰撞时间序列的倒序值生成横向换道轨迹。
具体而言，如图6所示，纵向规划方法如下：
考虑通行效率和舒适性，纵向规划的优化问题形式通常为：
其中，W T 是关于旅行时间的系数。t c 为纵向规划终端时间，为待定参数。j(t)为加加速度变化曲线。
运动方程：
其中，s(t)、v(t)、a(t)、j(t)分别为本车位移、速度、加速度和加加速度变化曲线。
初始条件：
其中，s(0)、v(0)、a(0)分别为规划问题中的初始位置、速度和加速度约束，v(0)和a(0)分别为本车当前的车速和加速度。
根据前述拟人化驾驶行为特征参数设定终端约束条件：
其中，v c 为规划问题中的终端速度约束。根据拟人化驾驶行为特征参数中在低可见度、不同弯道等场景下的速度选择等，可得：
其中，v max_l 为道路限速，v max_v 为由于可见度带来的速度限速，v max_c 为由于弯道带来的速度限速，v lead 为前车车速。在当前决策为换道时，前车为目标车道的前车；在当前决策为跟车时，前车为当前车道的前车。由于换道时，目标车道的前车往往车速高于本车车道的前车，由此可以减少换道过程中的效率损失。在v max_c 中应用的道路半径为规划得出的轨迹的最小半径。根据关键参数中跟车场景下的间距选择，可得：
其中，∆T为驾驶人反应时间，L为车长，k lf 为跟车距离限定系数。
通过对上述优化问题求解，可得出最优控制率和相应的终端时间
。
需要说明的是，在轨迹规划的纵向规划中，优化目标可具有不同的形式，如以速度平方的形式考虑燃油经济性等指标，即：
其中，W V 为燃油经济性的相应系数，W T 是关于旅行时间的系数。t c 为纵向规划终端时间，为待定参数。j(t)为加加速度变化曲线。
另外，该优化问题中可增加更多提高可行性的不等式约束，如增加对最大加速度的限制，即：
其中，a max 、a min 分别为车辆最大加速和减速能力。
在本申请实施例中，根据拟人化驾驶行为特征参数集合中的特征参数、期望运动状态和可接受最小间距对本车进行纵向轨迹规划，得到纵向换道轨迹，包括：根据拟人化驾驶行为特征参数集合中的特征参数计算终端约束速度和约束位置；根据终端约束速度和约束位置对纵向轨迹规划的优化问题进行求解，得到最优控制率和纵向换道预计时长；根据最优控制率、纵向换道预计时长生成纵向换道轨迹。
具体而言，横向规划基于五次多项式拟合方法，具体如下：
初始态为本车当前位置的Frenet坐标值，终端态为目标横向位置的Frenet坐标值，通常为目标车道中心线的Frenet横向坐标值；若有障碍物，则对目标横向位置进行适当偏移即可。具有时变终端时间是横向规划单元的关键特征，轨迹规划的终端时刻t tim 与TTC有关。在跟车过程中，终端时刻为固定值，如4s或其他合理水平。而在换道过程中，当本车还处于原车道时，换道预计时长为TTC。经过一段滚动时域方式的执行，可以得到一个逐渐减小的TTC序列，存储下来。当本车进入目标车道，处于回正阶段时，换道预计时长为前半段换道过程中TTC序列的倒序值。
对横、纵向规划得到的轨迹基于时间进行离散，而后对相同时域内的状态变化轨迹进行合成，即为规划得出的轨迹。
综上，本申请实施例基于对驾驶人认知机理的统一假设，构建了拟人化驾驶行为特征参数的量化方法；在诸多典型场景中进行应用该量化方法，得出了拟人化驾驶行为的特征参数集合；基于上述拟人化驾驶行为特征参数，设计了自由换道决策方法及轨迹规划方法。本申请实施例从随机、多变、具有适应性的驾驶人行为数据中筛选出了拟人化驾驶行为的关键特征，并基于该些关键特征构建了可解释的、适用于广泛场景的、能反映驾驶人共性和差异性综合特征的拟人化自动驾驶车辆自由换道策略。
下面将通过一个具体实施对自动驾驶车辆的拟人化换道方法进行进一步阐述，具体如下：
（a）拟人化驾驶行为特征参数集合构建
提出的拟人化驾驶行为特征参数量化方法是依据驾驶人认知负荷平衡机制设计的。该决策机制的等效假设为“驾驶人预估当前情景下可能出现的潜在风险，保留充足的反应时间”。上述假设考量了驾驶人行为的多样性、适应性和高水平智能性：“驾驶人预估”考量了特定驾驶人对当前场景的理解，与驾驶人风格等有关；“当前场景下可能出现的潜在风险”考量了驾驶人对不同场景的理解；“保留充足的反应时间”则反映了驾驶人采取的适应性行为。依据该假设推理得出的关键特征参数能够满足驾驶人的认知时间需求，保证驾驶人在不同场景中均处于舒适的认知负荷。另外，基于该假设推导得出的关键参数是同时保证行车安全和驾驶人舒适的必要条件，自动驾驶车辆行为在满足这些必要的关键特征的条件下，可以对驾驶性能进行进一步优化，如在轨迹规划单元优化纵向速度调整过程等。
以不同可见度影响下的速度选择为例，说明上述拟人化驾驶行为特征参数量化方法。在低可见度场景中，根据上述决策机制，驾驶人需要保证当突然出现危险事物时能够及时操作车辆减速到一定水平以保证安全，因此可得
其中，v t 是驾驶人预测潜在危险事物可能的车速；a表示驾驶人耐受的最大减速度，为负值；T为驾驶人的简单反应时，通常为300ms左右；s为能见度距离。
以一个比例系数k'来表示减速的程度，即：
v
t
=v+∆ v = v+ k'∙v
其中，-1< k' <0。
再进一步整理得：
其中，
由于T较小，v∙T相较于s来讲通常较小，也可忽略。由于面对低可见度的情景，驾驶人主要通过调整车速来保证行车安全，因此该场景中的可调控参量为速度。由此：
则不同可见度条件下驾驶人的速度选择v max_v 为：
在道路附着条件良好的情况下采集自然驾驶数据标定系数k v 之后，可以得到在各种可见度距离下的最大速度。
道路附着条件可能结合可见度对驾驶人的车速选择产生综合影响。在与驾驶人决策相关的四个状态量（目标速度、目标位置、可接受加速度和反应时间）中，附着条件通过影响可接受加速度影响人驾驶的车辆行为：道路附着条件发生变化，驾驶人的可接受加速度发生变化，根据四个状态量之间的运动学关系，目标速度或目标位置相应发生变化。对此，可应用系数对k v 进行修正。因此，在道路附着条件和可见度综合影响下的速度选择为：
其中，f为附着系数，α v 为基于附着条件对k v 的修正系数。
车辆、环境等均会对驾驶人行为产生影响。环境主要是通过可见度、道路附着条件、道路曲率、限速标记对本车产生影响，周围车辆主要是在跟车、换道等任务对本车产生影响。而本车的加速度、加加速度也会影响驾乘人体验。因此，构建了如图3所示的特征参数集合。
（b）自由换道决策方法
自由换道决策方法中，本车的期望速度和期望安全距离，以及可接受的最小间距等均与上述拟人化驾驶行为关键特征参数有关，可以参照上述实施例的解释，为避免冗余，不再赘述。
（c）横、纵向耦合的轨迹规划方法
纵向规划的终端速度和位置约束与上述拟人化驾驶行为关键特征参数有关。横纵向耦合则体现在：纵向规划的终端速度约束与横、纵向合成后的轨迹曲率有关；纵向规划的终端时间与纵向的TTC有关。
在纵向规划单元中，终端速度约束有一项来自于前车车速。在当前决策为换道时，前车为目标车道的前车；在当前决策为跟车时，前车为当前车道的前车。结合“换道利好判断”中设置的换道条件，自由换道时目标车道的前车车速高于本车车道的前车车速，由此该设置可以减少换道过程中的效率损失，符合驾驶人在换道过程中可能会进行加速的现象。
在横向规划单元中，终端时间约束来自于TTC。本车需要在与原车道前车碰撞前完成换道行为，该设置可使得本车应对不同的换道场景产生不同的换道时长。另外，换道后半程的时间约束为换道前半程时间约束的倒序，可在车速变化在一定范围内的情况下保证车辆及时回正，避免冲出道路边界。
根据本申请实施例提出的自动驾驶车辆的拟人化换道方法，明确了拟人化驾驶行为的关键特征及其参数集合，可保证拟人化驾驶行为在改善驾乘体验方面的优势，也为拟人化驾驶行为保留了超越人类驾驶表现的空间；拟人化驾驶行为特征参数均具有明确的物理意义，自由换道决策的判断过程和轨迹规划算法的横、纵向耦合方式等均具有清晰、直接的逻辑，大大提升了算法的可解释性；基于拟人化驾驶行为特征参数的运动规划算法考虑了横、纵向耦合特征，使得算法在保证行车安全的前提下能够产生适应性的换道时长，且模拟了驾驶人在自由换道过程中的速度调整过程，保证了算法在广泛场景中均可产生拟人化驾驶行为。
其次参照附图描述根据本申请实施例提出的自动驾驶车辆的拟人化换道装置。
图7是本申请实施例的自动驾驶车辆的拟人化换道装置的方框示意图。
如图7所示，该自动驾驶车辆的拟人化换道装置10包括：获取模块100、判断模块200和规划模块300。
其中，获取模块100用于获取预先构建的拟人化驾驶行为特征参数集合；判断模块200用于根据拟人化驾驶行为特征参数集合中的特征参数设计本车的期望运动状态和可接受最小间距，并基于期望运动状态和可接受最小间距判断本车是否满足换道条件；规划模块300用于在本车满足换道条件时，根据拟人化驾驶行为特征参数集合中的特征参数、期望运动状态和可接受最小间距对本车分别进行横向轨迹规划和纵向轨迹规划，得到横向换道轨迹和纵向换道轨迹，对横向换道轨迹和纵向换道轨迹进行耦合，生成本车的目标换道轨迹，并利用目标换道轨迹控制本车进行换道。
在本申请实施例中，规划模块300进一步用于：获取本车的当前位置坐标和目标横向坐标；在本车从本车道换道至目标车道的过程中，当本车处于本车道时，换道预计时长为本车与前车之间的预碰撞时间，并通过滚动时域方式更新预碰撞时间得到预碰撞时间序列，当本车进入目标车道，且处于回正阶段时，换道预计时长为预碰撞时间序列的倒序值；基于当前位置坐标、目标横向坐标、预碰撞时间序列、预碰撞时间序列的倒序值生成横向换道轨迹。
在本申请实施例中，规划模块300进一步用于：根据拟人化驾驶行为特征参数集合中的特征参数计算终端约束速度和约束位置；根据终端约束速度和约束位置对纵向轨迹规划的优化问题进行求解，得到最优控制率和纵向换道预计时长；根据最优控制率、纵向换道预计时长生成纵向换道轨迹。
在本申请实施例中，判断模块200进一步用于：在本车的当前运动状态不满足期望运动状态时，获取目标车道的通行效率、本车车道的通行效率和实际换道间距；判断本车车道的通行效率是否小于目标车道的通行效率，且实际换道间距是否大于可接受最小间距；如果本车车道的通行效率小于目标车道的通行效率，且实际换道间距大于可接受最小间距，则判定本车满足换道条件。
在本申请实施例中，其中，当满足以下公式时，判定本车的当前运动状态不满足期望运动状态：
其中，v 1 为本车当前车速，v 4 为本车道前车车速，v ego_max 为本车基于当前路面和当前天气条件下限制的最高车速，s 1 为本车与本车道前车之间的间距，v max_l 为道路限速，v max_v 为可见度影响下的速度限速，vmax_c为道路曲率影响下的速度限速，∆T为驾驶人反应时间，L为本车车长，klf为跟车距离限定系数，s 1safe 为对应于v ego_max 的安全跟车距离。
在本申请实施例中，本申请实施例的装置10还包括：构建模块。其中，构建模块用于在获取预先构建的拟人化驾驶行为特征参数集合之前，基于预设驾驶人认知机理确定目标速度、目标位置、可接受加速度和反应时间之间的运动学关系；根据人驾驶的车辆的速度或位置数据标定量化表达式中的系数，并根据系数和运动学关系得到量化表达式；利用量化表达式对拟人化驾驶行为特征参数进行量化，并基于量化后的特征参数构建拟人化驾驶行为特征参数集合。
在本申请实施例中，拟人化驾驶行为特征参数集合包括：附着条件和可见度综合影响下的速度选择、附着条件和道路曲率综合影响下的速度选择、附着条件影响下的跟车间距、附着条件影响下的换道最小可接受间距、附着条件和限速综合影响下的速度选择、可接受的加速度和可接受的加加速度。
在本申请实施例中，量化表达式包括：附着条件和可见度综合影响下的速度选择公式、附着条件和道路曲率综合影响下的速度选择公式、附着条件影响下的跟车间距公式、附着条件影响下的换道最小可接受间距公式，其中，
附着条件和可见度综合影响下的速度选择公式为：
其中，v max_v 为可见度影响下的速度限速，k v 为不同可见度下速度限定系数，s为可见度距离，f为附着系数，α v 为基于附着条件对k v 的修正系数；
附着条件和道路曲率综合影响下的速度选择公式为：
其中，v max_c 为道路曲率影响下的速度限速，k c 为弯道速度限定系数，R为道路半径，d为车道宽度，α c 为基于附着条件对k c 的修正系数；
附着条件影响下的跟车间距公式为：
其中，k lf 为跟车距离限定系数，L为本车车长，∆T为驾驶人反应时间，v 0 '为稳定跟车速度，α lf 为基于附着条件对k lf 的修正系数；
附着条件影响下的换道最小可接受间距公式为：
其中，v 1 为本车当前速度，v 2 为目标车道前车速度，v 3 为目标车道后车速度，s 2 为本车与目标车道前车之间的间距，s 3 为本车与目标车道后车之间的间距，v med 为本车与目标车道后车车速的中间速度，a 1 为本车预期最大加速度水平，a 3 为目标车道后车预期最大减速度水平，a 1c 为基于附着条件的修正系数。
需要说明的是，前述对自动驾驶车辆的拟人化换道方法实施例的解释说明也适用于该实施例的自动驾驶车辆的拟人化换道装置，此处不再赘述。
根据本申请实施例提出的自动驾驶车辆的拟人化换道装置，明确了拟人化驾驶行为的关键特征及其参数集合，可保证拟人化驾驶行为在改善驾乘体验方面的优势，也为拟人化驾驶行为保留了超越人类驾驶表现的空间；拟人化驾驶行为特征参数均具有明确的物理意义，自由换道决策的判断过程和轨迹规划算法的横、纵向耦合方式等均具有清晰、直接的逻辑，大大提升了算法的可解释性；基于拟人化驾驶行为特征参数的运动规划算法考虑了横、纵向耦合特征，使得算法在保证行车安全的前提下能够产生适应性的换道时长，且模拟了驾驶人在自由换道过程中的速度调整过程，保证了算法在广泛场景中均可产生拟人化驾驶行为。
图 8为本申请实施例提供的车辆的结构示意图。该车辆可以包括：
存储器801、处理器802及存储在存储器801上并可在处理器802上运行的计算机程序。
处理器802执行程序时实现上述实施例中提供的自动驾驶车辆的拟人化换道方法。
进一步地，车辆还包括：
通信接口803，用于存储器801和处理器802之间的通信。
存储器801，用于存放可在处理器802上运行的计算机程序。
存储器801可能包含高速RAM（Random Access Memory，随机存取存储器）存储器，也可能还包括非易失性存储器，例如至少一个磁盘存储器。
如果存储器801、处理器802和通信接口803独立实现，则通信接口803、存储器801和处理器802可以通过总线相互连接并完成相互间的通信。总线可以是ISA（IndustryStandard Architecture，工业标准体系结构）总线、PCI（Peripheral Component，外部设备互连）总线或EISA（Extended Industry Standard Architecture，扩展工业标准体系结构）总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器801、处理器802及通信接口803，集成在一块芯片上实现，则存储器801、处理器802及通信接口803可以通过内部接口完成相互间的通信。
处理器802可能是一个CPU（Central Processing Unit，中央处理器），或者是ASIC（Application Specific Integrated Circuit，特定集成电路），或者是被配置成实施本申请实施例的一个或多个集成电路。
本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的自动驾驶车辆的拟人化换道方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列，现场可编程门阵列等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
Claims (16)
1.一种自动驾驶车辆的拟人化换道方法，其特征在于，包括以下步骤：
获取预先构建的拟人化驾驶行为特征参数集合；
根据所述拟人化驾驶行为特征参数集合中的特征参数设计本车的期望运动状态和可接受最小间距，并基于所述期望运动状态和所述可接受最小间距判断所述本车是否满足换道条件；以及
在所述本车满足所述换道条件时，根据所述拟人化驾驶行为特征参数集合中的特征参数、所述期望运动状态和所述可接受最小间距对所述本车分别进行横向轨迹规划和纵向轨迹规划，得到横向换道轨迹和纵向换道轨迹，对所述横向换道轨迹和所述纵向换道轨迹进行耦合，生成所述本车的目标换道轨迹，并利用所述目标换道轨迹控制所述本车进行换道；
根据所述拟人化驾驶行为特征参数集合中的特征参数、所述期望运动状态和所述可接受最小间距对所述本车进行横向轨迹规划，得到横向换道轨迹，包括：获取所述本车的当前位置坐标和目标横向坐标；在所述本车从本车道换道至目标车道的过程中，当本车处于本车道时，换道预计时长为本车与前车之间的预碰撞时间，并通过滚动时域方式更新所述预碰撞时间得到预碰撞时间序列，当所述本车进入所述目标车道，且处于回正阶段时，换道预计时长为所述预碰撞时间序列的倒序值；基于所述当前位置坐标、所述目标横向坐标、所述预碰撞时间序列、所述预碰撞时间序列的倒序值生成所述横向换道轨迹。
2.根据权利要求1所述的方法，其特征在于，根据所述拟人化驾驶行为特征参数集合中的特征参数、所述期望运动状态和所述可接受最小间距对所述本车进行纵向轨迹规划，得到纵向换道轨迹，包括：
根据所述拟人化驾驶行为特征参数集合中的特征参数计算终端约束速度和约束位置；
根据所述终端约束速度和约束位置对纵向轨迹规划的优化问题进行求解，得到最优控制率和纵向换道预计时长；
根据所述最优控制率、所述纵向换道预计时长生成所述纵向换道轨迹。
3.根据权利要求1所述的方法，其特征在于，所述基于所述期望运动状态和所述可接受最小间距判断所述本车是否满足换道条件，包括：
在所述本车的当前运动状态不满足所述期望运动状态时，获取目标车道的通行效率、本车车道的通行效率和实际换道间距；
判断所述本车车道的通行效率是否小于所述目标车道的通行效率，且所述实际换道间距是否大于所述可接受最小间距；
如果所述本车车道的通行效率小于所述目标车道的通行效率，且所述实际换道间距大于所述可接受最小间距，则判定所述本车满足所述换道条件。
4.根据权利要求3所述的方法，其特征在于，其中，
当满足以下公式时，判定所述本车的当前运动状态不满足所述期望运动状态：
其中，v 1 为本车当前车速，v 4 为本车道前车车速，v ego_max 为本车基于当前路面和当前天气条件下限制的最高车速，s 1 为本车与本车道前车之间的间距，v max_l 为道路限速，v max_v 为可见度影响下的速度限速，v max_c 为道路曲率影响下的速度限速，∆T为驾驶人反应时间，L为本车车长，k lf 为跟车距离限定系数，s 1safe 为对应于v ego_max 的安全跟车距离。
5.根据权利要求1所述的方法，其特征在于，在获取预先构建的拟人化驾驶行为特征参数集合之前，还包括：
基于预设驾驶人认知机理确定目标速度、目标位置、可接受加速度和反应时间之间的运动学关系；
根据人驾驶的车辆的速度或位置数据标定量化表达式中的系数，并根据所述系数和所述运动学关系得到所述量化表达式；
利用所述量化表达式对拟人化驾驶行为特征参数进行量化，并基于量化后的特征参数构建所述拟人化驾驶行为特征参数集合。
6.根据权利要求5所述的方法，其特征在于，所述拟人化驾驶行为特征参数集合包括：附着条件和可见度综合影响下的速度选择、附着条件和道路曲率综合影响下的速度选择、附着条件影响下的跟车间距、附着条件影响下的换道最小可接受间距、附着条件和限速综合影响下的速度选择、可接受的加速度和可接受的加加速度。
7.根据权利要求6所述的方法，其特征在于，所述量化表达式包括：附着条件和可见度综合影响下的速度选择公式、附着条件和道路曲率综合影响下的速度选择公式、附着条件影响下的跟车间距公式、附着条件影响下的换道最小可接受间距公式，其中，
所述附着条件和可见度综合影响下的速度选择公式为：
其中，v max_v 为可见度影响下的速度限速，k v 为不同可见度下速度限定系数，s为可见度距离，f为附着系数，α v 为基于附着条件对k v 的修正系数；
所述附着条件和道路曲率综合影响下的速度选择公式为：
其中，v max_c 为道路曲率影响下的速度限速，k c 为弯道速度限定系数，R为道路半径，d为车道宽度，α c 为基于附着条件对k c 的修正系数；
所述附着条件影响下的跟车间距公式为：
其中，k lf 为跟车距离限定系数，L为本车车长，∆T为驾驶人反应时间，v 0 '为稳定跟车速度，α lf 为基于附着条件对k lf 的修正系数；
所述附着条件影响下的换道最小可接受间距公式为：
其中，v 1 为本车当前速度，v 2 为目标车道前车速度，v 3 为目标车道后车速度，s 2 为本车与目标车道前车之间的间距，s 3 为本车与目标车道后车之间的间距，v med 为本车与目标车道后车车速的中间速度，a 1 为本车预期最大加速度水平，a 3 为目标车道后车预期最大减速度水平，a 1c 为基于附着条件的修正系数。
8.一种自动驾驶车辆的拟人化换道装置，其特征在于，包括：
获取模块，用于获取预先构建的拟人化驾驶行为特征参数集合；
判断模块，用于根据所述拟人化驾驶行为特征参数集合中的特征参数设计本车的期望运动状态和可接受最小间距，并基于所述期望运动状态和所述可接受最小间距判断所述本车是否满足换道条件；以及
规划模块，用于在所述本车满足所述换道条件时，根据所述拟人化驾驶行为特征参数集合中的特征参数、所述期望运动状态和所述可接受最小间距对所述本车分别进行横向轨迹规划和纵向轨迹规划，得到横向换道轨迹和纵向换道轨迹，对所述横向换道轨迹和所述纵向换道轨迹进行耦合，生成所述本车的目标换道轨迹，并利用所述目标换道轨迹控制所述本车进行换道；
所述规划模块进一步用于：获取所述本车的当前位置坐标和目标横向坐标；在所述本车从本车道换道至目标车道的过程中，当本车处于本车道时，换道预计时长为本车与前车之间的预碰撞时间，并通过滚动时域方式更新所述预碰撞时间得到预碰撞时间序列，当所述本车进入所述目标车道，且处于回正阶段时，换道预计时长为所述预碰撞时间序列的倒序值；基于所述当前位置坐标、所述目标横向坐标、所述预碰撞时间序列、所述预碰撞时间序列的倒序值生成所述横向换道轨迹。
9.根据权利要求8所述的装置，其特征在于，所述规划模块进一步用于：
根据所述拟人化驾驶行为特征参数集合中的特征参数计算终端约束速度和约束位置；
根据所述终端约束速度和约束位置对纵向轨迹规划的优化问题进行求解，得到最优控制率和纵向换道预计时长；
根据所述最优控制率、所述纵向换道预计时长生成所述纵向换道轨迹。
10.根据权利要求8所述的装置，其特征在于，所述判断模块进一步用于：
在所述本车的当前运动状态不满足所述期望运动状态时，获取目标车道的通行效率、本车车道的通行效率和实际换道间距；
判断所述本车车道的通行效率是否小于所述目标车道的通行效率，且所述实际换道间距是否大于所述可接受最小间距；
如果所述本车车道的通行效率小于所述目标车道的通行效率，且所述实际换道间距大于所述可接受最小间距，则判定所述本车满足所述换道条件。
11.根据权利要求10所述的装置，其特征在于，其中，
当满足以下公式时，判定所述本车的当前运动状态不满足所述期望运动状态：
其中，v 1 为本车当前车速，v 4 为本车道前车车速，v ego_max 为本车基于当前路面和当前天气条件下限制的最高车速，s 1 为本车与本车道前车之间的间距，v max_l 为道路限速，v max_v 为可见度影响下的速度限速，v max_c 为道路曲率影响下的速度限速，∆T为驾驶人反应时间，L为本车车长，k lf 为跟车距离限定系数，s 1safe 为对应于v ego_max 的安全跟车距离。
12.根据权利要求8所述的装置，其特征在于，还包括：
构建模块，用于在获取预先构建的拟人化驾驶行为特征参数集合之前，基于预设驾驶人认知机理确定目标速度、目标位置、可接受加速度和反应时间之间的运动学关系；根据人驾驶的车辆的速度或位置数据标定量化表达式中的系数，并根据所述系数和所述运动学关系得到所述量化表达式；利用所述量化表达式对拟人化驾驶行为特征参数进行量化，并基于量化后的特征参数构建所述拟人化驾驶行为特征参数集合。
13.根据权利要求12所述的装置，其特征在于，所述拟人化驾驶行为特征参数集合包括：附着条件和可见度综合影响下的速度选择、附着条件和道路曲率综合影响下的速度选择、附着条件影响下的跟车间距、附着条件影响下的换道最小可接受间距、附着条件和限速综合影响下的速度选择、可接受的加速度和可接受的加加速度。
14.根据权利要求13所述的装置，其特征在于，所述量化表达式包括：附着条件和可见度综合影响下的速度选择公式、附着条件和道路曲率综合影响下的速度选择公式、附着条件影响下的跟车间距公式、附着条件影响下的换道最小可接受间距公式，其中，
所述附着条件和可见度综合影响下的速度选择公式为：
其中，v max_v 为可见度影响下的速度限速，k v 为不同可见度下速度限定系数，s为可见度距离，f为附着系数，α v 为基于附着条件对k v 的修正系数；
所述附着条件和道路曲率综合影响下的速度选择公式为：
其中，v max_c 为道路曲率影响下的速度限速，k c 为弯道速度限定系数，R为道路半径，d为车道宽度，α c 为基于附着条件对k c 的修正系数；
所述附着条件影响下的跟车间距公式为：
其中，k lf 为跟车距离限定系数，L为本车车长，∆T为驾驶人反应时间，v 0 '为稳定跟车速度，α lf 为基于附着条件对k lf 的修正系数；
所述附着条件影响下的换道最小可接受间距公式为：
其中，v 1 为本车当前速度，v 2 为目标车道前车速度，v 3 为目标车道后车速度，s 2 为本车与目标车道前车之间的间距，s 3 为本车与目标车道后车之间的间距，v med 为本车与目标车道后车车速的中间速度，a 1 为本车预期最大加速度水平，a 3 为目标车道后车预期最大减速度水平，a 1c 为基于附着条件的修正系数。
15.一种自动驾驶车辆，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-7任一项所述的自动驾驶车辆的拟人化换道方法。
16.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-7任一项所述的自动驾驶车辆的拟人化换道方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210381723.5A CN114475607B (zh) | 2022-04-13 | 2022-04-13 | 自动驾驶车辆的拟人化换道方法、装置、车辆及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210381723.5A CN114475607B (zh) | 2022-04-13 | 2022-04-13 | 自动驾驶车辆的拟人化换道方法、装置、车辆及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114475607A CN114475607A (zh) | 2022-05-13 |
| CN114475607B true CN114475607B (zh) | 2022-07-12 |
Family
ID=81488865
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210381723.5A Active CN114475607B (zh) | 2022-04-13 | 2022-04-13 | 自动驾驶车辆的拟人化换道方法、装置、车辆及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114475607B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115384502A (zh) * | 2022-08-30 | 2022-11-25 | 吉林大学 | 一种基于驾驶风格的自动驾驶车辆车道选择方法 |
| CN116714591B (zh) * | 2023-08-09 | 2023-10-24 | 福瑞泰克智能系统有限公司 | 换道意图的生成方法、装置和存储介质及电子设备 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4031428A1 (en) * | 2019-09-18 | 2022-07-27 | C.R.F. Società Consortile per Azioni | Model-based design of trajectory planning and control for automated motor-vehicles in a dynamic environment |
| CN111338353A (zh) * | 2020-03-26 | 2020-06-26 | 吉林大学 | 一种动态驾驶环境下智能车辆变道轨迹规划方法 |
| CN113722835B (zh) * | 2021-09-14 | 2023-10-20 | 吉林大学 | 拟人化随机换道驾驶行为建模方法 |
| CN113665574B (zh) * | 2021-10-22 | 2022-01-11 | 清华大学 | 智能汽车换道时长预测及拟人化轨迹规划方法 |
| CN114234993B (zh) * | 2021-12-15 | 2024-09-17 | 北京福田戴姆勒汽车有限公司 | 车辆局部路径规划方法、自动驾驶系统和自动驾驶车辆 |
-
2022
- 2022-04-13 CN CN202210381723.5A patent/CN114475607B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN114475607A (zh) | 2022-05-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110834644B (zh) | 一种车辆控制方法、装置、待控制车辆及存储介质 | |
| JP6931937B2 (ja) | 人の走行データをトレーニングデータとして利用して、強化学習を支援することによりカスタマイズ型経路プランニングを遂行する学習方法及び学習装置 | |
| CN109213148B (zh) | 一种基于深度强化学习的车辆低速跟驰决策方法 | |
| CN114475607B (zh) | 自动驾驶车辆的拟人化换道方法、装置、车辆及存储介质 | |
| CN110843789B (zh) | 一种基于时序卷积网络的车辆换道意图预测方法 | |
| CN110750877A (zh) | 一种Apollo平台下的车辆跟驰行为预测方法 | |
| US11465650B2 (en) | Model-free reinforcement learning | |
| CN107168303A (zh) | 一种汽车的自动驾驶方法及装置 | |
| CN113071505B (zh) | 驾驶行为习惯的确定、车辆行驶控制方法、装置及设备 | |
| CN111301419A (zh) | 用于sae 4级自动化车道变更的基于强化学习的方法 | |
| CN112249008B (zh) | 针对复杂动态环境的无人驾驶汽车预警方法 | |
| CN113581182B (zh) | 基于强化学习的自动驾驶车辆换道轨迹规划方法及系统 | |
| CN112406904B (zh) | 自动驾驶策略的训练方法、自动驾驶方法、设备和车辆 | |
| CN114987498B (zh) | 自动驾驶车辆的拟人化轨迹规划方法、装置、车辆及介质 | |
| Wei et al. | Game theoretic merging behavior control for autonomous vehicle at highway on-ramp | |
| JP7520444B2 (ja) | 乗り物に基づくデータ処理方法、データ処理装置、コンピュータ機器、及びコンピュータプログラム | |
| CN112418237A (zh) | 车辆驾驶决策方法、装置及电子设备 | |
| Hart et al. | Formulation and validation of a car-following model based on deep reinforcement learning | |
| CN115923833A (zh) | 车辆的拟人化决策控制方法、装置、车辆及存储介质 | |
| CN114802306A (zh) | 一种基于人机共驾理念的智能车辆集成式决策系统 | |
| CN116596380A (zh) | 高速公路施工组织方案和管控方案的优化确定方法、平台、设备及介质 | |
| CN114475608A (zh) | 自动驾驶车辆的拟人化换道方法、装置、车辆及存储介质 | |
| CN115204455A (zh) | 适用于高速与环路交通场景的长时域驾驶行为决策方法 | |
| JP2023531927A (ja) | 運転意思決定方法および運転意思決定装置ならびにチップ | |
| WO2022044210A1 (ja) | 運転支援装置、学習装置、運転支援方法、運転支援プログラム、学習済モデルの生成方法、学習済モデル生成プログラム |
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 |