CN115099009B - 一种基于推理图的混合交通流运动行为建模方法 - Google Patents

Abstract

本发明涉及一种基于推理图的混合交通流运动行为建模方法，包括：获取场景信息，将场景中的所有交通参与者表示为顶点，并用有向边表示各个交通参与者之间的交互关系，从而得到交互图；根据交互图，获取所有可能的交互情景；基于每一可能的交互情景，估计该交互情景中各个交通参与者的轨迹，并判断该轨迹是否符合预设的经过实证的决策准则，从而判断交互情景的合理性；依次判断交互情景构建步骤中获取的所有可能的交互情景的合理性，直至发现满足合理性的交互情景，将该交互情景对应的各个交通参与者的轨迹作为最终的执行轨迹。与现有技术相比，本发明可高逼真、高可信地生成智能汽车虚拟测试所需背景交通流。

Description

一种基于推理图的混合交通流运动行为建模方法

技术领域

本发明涉及交通流微观仿真领域，尤其是涉及基于推理图的混合交通流运动行为建模方法。

背景技术

近年来，智能网联汽车技术(Intelligent and Connected Vehicles,ICV)快速发展，但是所有车辆全部实现自动驾驶仍需要很长时间。在现阶段，ICV将与人类驾驶的机动车、非机动车和行人进行交互。对混合交通流的运动行为建模将有助于为ICV的规划决策行为建模提供参考。一方面行为模型源自对人类驾驶行为的学习和交互机理的充分认知，能够为ICV赋予拟人化驾驶能力。另一方面，行为模型可直接应用于交通仿真，而交通仿真作为测试和验证自动驾驶技术的重要手段，可通过逼真地再现真实道路交通环境，有效地为自动驾驶的研发测试环节提供反馈。

但是，目前的微观交通行为建模思路为基于车道的思路，即将交通参与者的行驶空间为预先设定的车道，其行为被离散为沿着车道方向的跟驰行为和垂直于车道方向的换道行为，在面临车辆交互时采用间隙选择模型确定交互双方的优先顺序。现有交通仿真均以车道为基本单元对路网进行结构化建模，即使在交叉口等无车道划分的共享空间也以虚拟车道的形式构建路网。同时，在车道之间的交叉处设置大量的优先权规则，低优先权的交通流根据间隙选择模型穿越高优先权交通流。上述做法在本质上与混合交通流交叉口场景下多主体在连续平面上同时交互、非严格遵守优先权、以及交互决策机制复杂等特征不相符合，难以满足高精度高可信度建模和仿真的需求，更无法为智能汽车提供高逼真的虚拟测试交通流环境。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于推理图的混合交通流运动行为建模方法，以图的方式构建了多交互场景形式化表达和解析方法。在场景解析过程中，通过构建推理过程合理地产生多对象间的上下游关系组合，构成可能出现的情景，然后结合跟驰模型和决策、规划模型构建求解过程，得出合理的规划决策结果。

本发明的目的可以通过以下技术方案来实现：

一种基于推理图的混合交通流运动行为建模方法，包括以下步骤：

交互图构建步骤：获取场景信息，将场景中的所有交通参与者表示为顶点，并用有向边表示各个交通参与者之间的交互关系，从而得到交互图；

交互情景构建步骤：根据所述交互图，获取所有可能的交互情景；

合理性判断步骤：从所述交互情景构建步骤中获取一交互情景，估计该交互情景中各个交通参与者的轨迹，并判断该轨迹是否符合预设的经过实证的决策准则，从而判断交互情景的合理性；

循环执行步骤：循环执行所述合理性判断步骤，依次判断所述交互情景构建步骤中获取的所有可能的交互情景的合理性，直至发现满足合理性的交互情景，将该交互情景对应的各个交通参与者的轨迹作为最终的执行轨迹。

进一步地，所述交互图构建步骤中交互关系的表示具体为：

定义在未来行驶轨迹上具有线性重叠特征的两个个体被称为存在物理交互关系，采用单向实线连接，箭头方向代表上下游关系；

定义在未来行驶轨迹上具有交点的两个个体被称为存在逻辑交互关系，由于上下游关系尚未确定，采用双向虚线连接。

进一步地，所述交互情景构建步骤具体为：

将转向车辆视为核心交互对象，

当场景中仅存在一个核心交互对象时，确定各个交通流中的间隙，从核心交互对象的角度出发采用从下游间隙到上游间隙的深度优先策略，确定可能的交互情景；

当场景中存在两个或两个以上的核心交互对象时，首先将一个核心交互对象放入交互图中，确定可能的交互情景，然后将其他核心交互对象依次添加到已经确定的交互情景中，进一步确定可能的交互情景；

如果后续加入的核心交互对象影响了之前核心交互对象的下游交通参与者，则将被影响的核心交互对象剔出交互图，重新确定交互关系，然后将被剔出的核心交互对象加入交互图中，得到最终的交互情景。

进一步地，根据交通参与者的类型，确定不同的交通流。

进一步地，合理性判断步骤中，各个交通参与者的轨迹估计过程具体为：

采用四阶贝塞尔曲线表征交通参与者运动的路径；

采用智能驾驶人模型作为速度规划模型确定交通参与者的速度。

进一步地，所述四阶贝塞尔曲线采用五个控制点确定曲线的形状，所述曲线的形状的计算表达式为：

式中，B(u)为参数u在区间[0,1]上变化时曲线的点，是包含所有点的x坐标与y坐标的二维矩阵，即B(u)＝[B_x(u),B_y(u)]；B(0)和B(1)为曲线的两端；B_i＝(X_i,Y_i)为贝塞尔曲线的控制点；b_i,n(u)为伯恩斯坦基多项式。

进一步地，所述路径的规划选择曲率变化的二次幂和作为目标函数，并设置约束以保证曲线端点连续性，所述目标函数的计算表达式为：

所述约束的计算表达式为：

式中，(x_s,y_s)为起点坐标；(x_e,y_e)为终点坐标；θ_s为起点处方向角；k_s为起点处曲率；k_s为终点处曲率。

进一步地，所述交通参与者的速度的确定过程具体为：

若当前对象的下游无其他对象，则认为当前对象按照期望加速度行驶；

若当前对象的下游有其它对象，则采用IDM模型作为跟驰模型，基于前方对象确定当前对象的速度，根据IDM模型确定的当前对象的加速度的计算表达式为：

式中，a_IDM(s,v,Δv)为根据IDM模型确定的当前对象的加速度，a_max为最大加速度，a_dd为期望减速度；v_d为期望速度；δ为自由加速指数，s^*(v,Δv)为有效最小间隙；s₀为由最小停车距离；T为期望时间间距；a_dd为期望减速度，v为本车速度，Δv为前车与本车速度差。

进一步地，合理性判断步骤中，所述决策准则包括：从当前交通参与者的角度，选取等待时间和延误进行交互决策；从其它交互对象的角度，选取合作加速度和延迟进行交互决策。

进一步地，所述合作加速度和延迟的计算表达式为：

式中，a_c为交互对象合作加速度，D为交互对象让行本车引起的延误，v_I为交互对象当前速度；d_I为交互对象至冲突点的距离；t_E为本车到达冲突点的时间；d_E为本车至冲突点的距离；a_da为车辆的期望加速度；

利用决策树方法建立从经验数据中学习交互双方行为的决策准则。

与现有技术相比，本发明具有以下优点：

(1)本发明提出的基于推理图的混合交通流行为建模方法，将各交通参与对象潜在的交互策略的组合作为情景，从情景的角度出发，推理各交通参与对象潜在的情景并逐一甄别，极大地提高了交通仿真模拟的真实度和可靠度；

(2)本发明学习了真实驾驶员的决策标准，将其作为判断各情景中交互策略合理性的标准，使执行的情景更符合人类驾驶员的驾驶习惯，进一步提高了模型的真实度和可信度；

(3)本发明提出的基于轨迹的运动行为模型，可适应智能汽车虚拟测试对于混合交通流二维平面多交互环境的构建及模拟需求，满足了智能汽车虚拟测试对于高逼真的背景交通流仿真模型的需求，对实现高等级智能驾驶具有重要的推动作用和实际价值。

附图说明

图1为本发明实施例中提供的一种基于推理图的混合交通流运动行为建模方法的场景图示和构建的交互图；

图2为本发明实施例中提供的一种基于推理图的混合交通流运动行为建模方法的推理图框架图；

图3为本发明实施例中提供的一种基于推理图的混合交通流运动行为建模方法的交互关系问题转换成的间隙选择问题图；

图4为本发明实施例中提供的一种基于推理图的混合交通流运动行为建模方法的间隙选择问题的可选方案图；

图5为本发明实施例中提供的一种基于推理图的混合交通流运动行为建模方法的多转向车共存时的推理步骤示意图；

图6为本发明实施例中提供的一种基于推理图的混合交通流运动行为建模方法的行为建模后执行效果图；

图7为本发明实施例中提供的一种基于推理图的混合交通流运动行为建模方法的场景图示和构建的交互图的流程示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明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发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

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。

本方案以图的方式构建了多交互场景形式化表达和解析方法。在场景解析过程中，通过构建推理过程合理地产生多对象间的上下游关系组合，构成可能出现的情景，然后结合跟驰模型和决策、规划模型构建求解过程，得出合理的规划决策结果。

具体步骤如下：

S1：提出了基于图论的交互图来表示多交互对象场景。

S11：场景中所有的交通参与者都被表示为顶点。多交互对象场景中的交互图G由n个交通参与者A＝{A₁,A₂,…,A_n}，包括i个机动车辆M＝{M₁,M₂,…,M_i}，j非机动车辆N＝{N₁,N₂,…,N_j}和k个行人P＝{P₁,P₂,…,P_k}组成。同时，用有向边表示从下游交通参与者指向上游交通参与者的关系。其中在未来行驶轨迹上具有线性重叠特征的两个个体被称为存在物理交互关系E_P(A_i,A_j)，由下游个体A_i指向上游个体A_j。在未来行驶轨迹上具有交点(点重叠特征)的两个个体被称为存在逻辑交互关系E_I(A_i,A_j)，由于逻辑交互关系尚未确定，采用双向边连接。物理交互关系能够通过交通参与者运动过程直接识别出来，而逻辑交互关系需要通过推理过程，通过选择合理的上下游关系(即交通情景)来确定。

S2：构建了推理图框架用以解析交互关系确定交互情景。

逻辑交互关系常见于合流和穿越场景中，其中一个交通参与者与多个交互对象相关，这形成了各种交通情景。但是，在这些可能的交通情景中，只有少数符合当地的驾驶习惯的场景应该被仿真选择并呈现出来，因此建立一种推理方法，从可能的情况中选择最合理的交通情景，即推理图框架。

S21：推理图模型中有两个过程，推理过程和求解过程。推理过程负责产生当前交通场景所有可能出现的交通情景。这些交通情景往往是站在核心交互对象的角度产生。核心交互对象是指在交互图中的一组逻辑交互关系{E_I,1(E,M₁),E_I,2(M₁,E),…,E_I,2i-1(E,M_i),E_I,2i(M_i,E)}中所包含的共同顶点E。站在核心交互对象角度分析的交互情况能够更全面的解析当前交互问题。然后，将这些交通情景按照核心交互对象的通行效率最高到最低排序。

S22：基于推理过程生成的可能的情景，求解过程对每个情景的可行性进行分析。求解过程由针对逻辑前车的预测模块，针对核心交互对象的规划模块和针对逻辑后车的决策模块组成。最终针对逻辑后车优先权判断的结果将作为当前交互情景是否可行的最终结果。

S3：推理过程

S31：当场景中仅存在一个核心交互对象时，确定交互上下游关系的可以转化为一个间隙选择问题进行求解，采用从下游间隙到上游间隙的深度优先搜索策略，一旦一个通路被求解过程认可，其余路线就会被自然剪枝。

S32：场景中存在两个或更多个核心交互对象时，本方案提出一种“出图入图+”的推理方法以实现多核心交互对象下的快速推理。

首先将一个核心交互对象纳入推理图模型，确定该对象与其他交互对象的最佳交互情景。

然后，将其他的被逐个添加到已经确定的情景中。如果后续加入的核心交互对象影响之前核心交互对象的下游交通参与者，则应该将被影响的核心交互对象剔出交互图，重新考虑受影响的关系。

剔出交互对象原因在于改变的图结构对下游个体的运动产生影响，这可能进一步影响上游交互对象的决策和规划。当确定所有逻辑交互关系时，终止推理过程，此情景认为是不存在内部逻辑冲突的情景并输出。

S4：在给定了各种推理得到的情景之后，情景求解过程确定各情景下各个交通参与者的运动轨迹。该过程主要有两个模块：轨迹规划和决策。轨迹规划模块一是确定了位于核心交互对象下游中不受核心交互对象影响的其他交通对象的轨迹；二是为核心交互对象设计行驶轨迹，该轨迹需要在让行多个下游交互对象的同时按照驾驶人习惯的舒适高效。决策模块根据交互决策规则来估计所规划的轨迹，以再现拟人的决策行为。如果当前交通情景的解决方案能成立，则根据预测模块的方法为位于核心交互对象上游的其他交互对象规划轨迹。反之，对下一个交互情景采用同样的过程进行求解。

S41：轨迹规划分解为路径预测和速度预测两步。

S411：路径规划

路径规划为每个交通参与者设计一条最优曲线，采用四阶贝塞尔曲线，用五个控制点确定曲线的形状，如下式所示：

式中，B(u)为参数u在区间[0,1]上变化时曲线的点，是包含所有点的x坐标与y坐标的二维矩阵，即B(u)＝[B_x(u),B_y(u)]；B(0)和B(1)为曲线的两端；B_i＝(X_i,Y_i)为贝塞尔曲线的控制点；b_i,n(u)为伯恩斯坦基多项式。

同时，路径规划选择曲率变化的二次幂和作为目标函数，即：

设置约束以保证曲线端点连续性，包括：

式中，(x_s,y_s)为起点坐标；(x_e,y_e)为终点坐标；θ_s为起点处方向角；k_s为起点处曲率；k_s为终点处曲率。

S412：车辆行驶状态通常有以下两种情况：①该对象下游无其他对象；②该对象下游有其他对象，需要跟随其行驶。对于情况①，本发明认为交互前车按照期望加速运动行驶。对于情况②，采用IDM作为跟驰模型确定车辆的速度。

根据IDM模型，后车的加速度由下式给出：

式中，a_max为最大加速度，a_dd为期望减速度；v_d为期望速度；δ为自由加速指数，表现了加速度随速度的减小规律；s^*(v,Δv)为有效最小间隙；s₀为由最小停车距离；T为期望时间间距；a_dd为期望减速度，v为本车速度，Δv为前车与本车速度差。

S42：情景合理性判断

首先基于实证分析探究真实人类驾驶员决策(即先行还是让行交互对象)的准则。站在本车驾驶人角度来看，选择等待时间T_E及其延误D_E作为影响变量的一部分，其分别代表驾驶人的耐心及其效率损失。站在其他交互对象的角度，预期的合作加速度a_c和它们的延迟D选择作为交互决策行为的影响因素。

在不同初始状态下，协作加速度和延误的变化规律和求解公式不同，可以分三种情况讨论，分别为交互车辆需要停车让行本车、交互车辆需要减速让行本车和交互车辆可以加速让行本车。三种情况下的合作加速度和延迟如下公式求得：

式中，v_I为交互对象当前速度；d_I为交互对象至冲突点的距离；t_E为本车到达冲突点的时间；d_E为本车至冲突点的距离；a_da为车辆的期望加速度。

利用决策树方法建立从经验数据中学习交互双方行为决策准则，结果如下：

式中，Y为交互双方的决策结果，当Y为1时，交互车让行，本车先行，当Y为0时，交互车先行，本车让行。

若某一交互关系不符合，则认为此情景不符合真实驾驶员的决策标准，应予以舍弃，应分析下一个潜在情景，直到找到所有交互关系符合人类驾驶员决策准则的情景。

S5：情景执行

在步骤S3推理得到某一情景，并通过步骤S41为该情景的各参与对象规划轨迹，并应用S42的决策方法判断情景的合理性，循环此过程直至发现某一情景合理，则停止推理与求解，此情景为最优情景，且基于此情景求解的轨迹作为最终的执行轨迹。

实施例1

针对两相位无左转保护相位的交叉口，以本车E左转通过交叉口为例(如附图1所示)说明实施推理图，解析交互关系，做出合理的决策。

(1)应用交互图表示两相位交叉口场景

交互图如附图1所示。本车E具有左转意图，而机动车辆M₁，M₂和非机动车辆群N₁、N₂直行通过交叉口。非机动车和行人首先需要通过聚类处理，将纵向距离小于机动车宽度并且横向距离小于机动车长度的非机动车和行人作为群组处理，如附图1所示的场景中非机动车群N₂被当作群组处理。对于本车E而言，场景中的直行机动车和非机动车都与本车的行驶方向存在潜在冲突点，因此这些交通参与者均为交互对象。同时，直行机动车M₂正在跟驰M₁行驶，直行非机动车群N₂正在跟驰N₁行驶，在交互图中，通过图中的实线有向边(M₁,M₂)和(N₁,N₂)表示以上两个物理交互关系。此外，本车和其他直行交通参与者的交互关系尚未确定，所有可能的情况通过虚线有向边表示。

(2)构建了推理图框架用以解析交互关系确定交互情景。针对附图1所示场景，构建推理图框架如附图2。

一个交通场景可能有若干种情景运行。推理过程负责产生当前交通场景所有可能出现的交通情景。以附图2中所示的转向车辆通过交叉口为例，交通参与者可能按照情景1通行，即左转车E优先于直行机动车和非机动车通过交叉口，也可能按照情景2通行，即左转车E优先于M₁通过，然后让行于N₁，并在N₂之前通过。以此类推直至所有情景。

在附图2中，一个转向车辆可能会对应多个直行交通参与者，而一个直行交通参与者只对应一个转向车辆。因此，转向车辆视为核心交互对象。然后，将这些交通情景按照核心交互对象的通行效率最高到最低排序，如附图2中的情景1核心交互对象E受到直行交通流的影响最小，而情景n中E需让行所有交互对象，其效率最低。

(3)基于构建的推理图执行推理过程

当场景中仅存在一个核心交互对象时，确定交互上下游关系的可以转化为一个间隙选择问题进行求解。同样以附图1中所示的一个具有一个左转车辆的简单场景为例，该交互关系确定问题被转换为间隙选择问题。请见附图3。

图3中核心交互对象为左转车E，左转车选择与直行车的交互关系等价于选择直行车流中的间隙，例如当左转车期望提前于直行机动车M₁时，等价于选择g₁通行。因此，核心交互对象通过交叉口的所有可能交互情景可以通过遍历间隙选择情况得到。

将交互场景转化为间隙选择网络，如附图3右图所示。图中的O点即为核心交互对象的位置，D点为核心交互对象期望驶出交叉口的位置，O点到D点的通路即为通过交叉口的一种交通情景。网络中的节点为可选择的间隙，在同一股交通流的间隙中，例如g₁、g₂、g₃，只能选择一个通过，此外这些间隙从上到下按照核心交互与其相遇的先后顺序排列。通过深度优先遍历过程，附图4中所示的间隙网络所产生的所有通路如下所示，分别对应了9种交互情景。

当在附图1中所示的场景中存在两个或更多个核心交互对象时。如附图5所示，场景中的核心交互对象除了之前的左转车E还有右转车M₃。本发明设计的推理方案为，首先将一个核心交互对象纳入推理图模型，确定该对象与其他交互对象的最佳交互情景。然后，将其他的被逐个添加到已经确定的情景中。如果后续加入的核心交互对象影响之前核心交互对象的下游交通参与者，则应该将被影响的核心交互对象剔出交互图，重新考虑受影响的关系。剔出交互对象原因在于改变的图结构对下游个体的运动产生影响，这可能进一步影响上游交互对象的决策和规划。例如附图5中，M₃的加入影响了E的下游N₁，根据推理规则，需要将E剔出交互图，重新将E加入带有M₃的交互图中，L重新加入的过程中，考虑了M₃对N₁的影响，制定了更加合理的决策和规划结果，从而避免异常驾驶行为的发生。当确定所有逻辑交互关系时，终止推理过程。

(4)求解过程

(4.1.1)路径规划

路径规划为每个交通参与者设计一条最优曲线。贝塞尔曲线具有形式简单性和曲率连续性，通过平衡约束的数量和复杂性，选择四阶贝塞尔曲线，用五个控制点确定曲线的形状。

式中，B(u)为参数u在区间[0,1]上变化时曲线的点；B(0)和B(1)为曲线的两端；B_i＝(X_i,Y_i)为贝塞尔曲线的控制点；b_i,n(u)为伯恩斯坦基多项式

同时，选择曲率变化的二次幂和作为目标函数，即

设置约束以保证曲线端点连续性，包括：

式中，(x_s,y_s)为起点坐标；(x_e,y_e)为终点坐标；θ_s为起点处方向角；k_s为起点处曲率；k_s为终点处曲率。

(4.1.2)车辆行驶状态通常有以下两种情况：①该对象下游无其他对象；②该对象下游有其他对象，需要跟随其行驶。对于情况①，本研究认为交互前车按照期望加速运动行驶。对于情况②，下游交互对象的速度预测需要充分考虑跟驰作用的影响。这里采用IDM作为跟驰模型确定车辆的速度。

根据IDM模型，后车的加速度由下式给出：

式中，a_max为最大加速度，a_dd为期望减速度；v_d为期望速度；δ为自由加速指数，表现了加速度随速度的减小规律；s^*(v,Δv)为有效最小间隙；s₀为由最小停车距离；T为期望时间间距；a_dd为期望减速度。

(4.2)决策方法

选择预期的合作加速度a_c和它们的延迟D选择作为交互决策行为的影响因素。

在不同初始状态下，协作加速度和延误的变化规律和求解公式不同，可以分三种情况讨论，情况1为交互车辆需要停车让行本车，情况2为交互车辆需要减速让行本车，情况3为交互车辆可以加速让行本车，不同情况下的协作加速度与延误求解方法如下：

式中，v_I为交互对象当前速度；d_I为交互对象至冲突点的距离；t_E为本车到达冲突点的时间；d_E为本车至冲突点的距离；a_da为车辆的期望加速度。

利用决策树方法建立从经验数据中学习交互双方行为决策规律。基于实际收集的仙霞路剑河路交叉口处的车辆轨迹数据，训练此决策树模型，得出的决策结果为下：①当直行车协作加速度大于-0.152m/s²时，样本中89.6％的样本最终结果为优先通过交叉点。②当直行车需采取的协作作加速度大于0.152而且直行车延误小于3.4s时，也就是说，左转行为对直行车的安全有一定影响，但是对直行车效率的影响较小时，有60.6％的样本选择穿越。③当直行车的协作加速度绝对值大于0.152而且直行车延误大于3.4s时，也就是说，左转行为对直行车的安全和效率均有严重影响时，98.5％的样本选择让行。

具体决策树模型结果如下：

式中，Y——交互双方的决策结果，当Y为1时，交互车让行，本车先行，当Y为0时，交互车先行，本车让行。

(5)情景执行

在步骤(3)推理得到某一情景，并通过步骤(4.1)为该情景的各参与对象规划轨迹，并应用(4.2)的决策方法判断情景的合理性，循环此过程直至发现某一情景合理，则停止推理与求解，此情景为最优情景，且基于此情景求解的轨迹作为最终的轨迹进行执行。执行效果见附图6。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (6)

1.一种基于推理图的混合交通流运动行为建模方法，其特征在于，包括以下步骤：

交互图构建步骤：获取场景信息，将场景中的所有交通参与者表示为顶点，并用有向边表示各个交通参与者之间的交互关系，从而得到交互图；

交互情景构建步骤：根据所述交互图，获取所有可能的交互情景；

合理性判断步骤：从所述交互情景构建步骤中获取一交互情景，估计该交互情景中各个交通参与者的轨迹，并判断该轨迹是否符合预设的经过实证的决策准则，从而判断交互情景的合理性；

循环执行步骤：循环执行所述合理性判断步骤，依次判断所述交互情景构建步骤中获取的所有可能的交互情景的合理性，直至发现满足合理性的交互情景，将该交互情景对应的各个交通参与者的轨迹作为最终的执行轨迹；

所述交互图构建步骤中交互关系的表示具体为：

定义在未来行驶轨迹上具有线性重叠特征的两个个体被称为存在物理交互关系，采用单向实线连接，箭头方向代表上下游关系；

定义在未来行驶轨迹上具有交点的两个个体被称为存在逻辑交互关系，由于上下游关系尚未确定，采用双向虚线连接；

所述交互情景构建步骤具体为：

将转向车辆视为核心交互对象，

当场景中仅存在一个核心交互对象时，确定各个交通流中的间隙，从核心交互对象的角度出发采用从下游间隙到上游间隙的深度优先策略，确定可能的交互情景；

当场景中存在两个或两个以上的核心交互对象时，首先将一个核心交互对象放入交互图中，确定可能的交互情景，然后将其他核心交互对象依次添加到已经确定的交互情景中，进一步确定可能的交互情景；

如果后续加入的核心交互对象影响了之前核心交互对象的下游交通参与者，则将被影响的核心交互对象剔出交互图，重新确定交互关系，然后将被剔出的核心交互对象加入交互图中，得到最终的交互情景；

合理性判断步骤中，各个交通参与者的轨迹估计过程具体为：

采用四阶贝塞尔曲线表征交通参与者运动的路径；

采用应用智能驾驶人模型作为速度规划模型确定交通参与者的速度；

合理性判断步骤中，所述决策准则包括：从当前交通参与者的角度，选取等待时间和延误进行交互决策；从其它交互对象的角度，选取合作加速度和延迟进行交互决策。

2.根据权利要求1所述的一种基于推理图的混合交通流运动行为建模方法，其特征在于，根据交通参与者的类型，确定不同的交通流。

3.根据权利要求1所述的一种基于推理图的混合交通流运动行为建模方法，其特征在于，所述四阶贝塞尔曲线采用五个控制点确定曲线的形状，所述曲线的形状的计算表达式为：

式中，B(u)为参数u在区间[0,1]上变化时曲线的点，是包含所有点的x坐标与y坐标的二维矩阵，即B(u)＝[B_x(u),B_y(u)]；B(0)和B(1)为曲线的两端；B_i＝(X_i,Y_i)为贝塞尔曲线的控制点；b_i,n(u)为伯恩斯坦基多项式。

4.根据权利要求3所述的一种基于推理图的混合交通流运动行为建模方法，其特征在于，所述路径的规划选择曲率变化的二次幂和作为目标函数，并设置约束以保证曲线端点连续性，所述目标函数的计算表达式为：

minF＝∫₀ ¹B_x″′(u)²+B_y″′(u)²du

所述约束的计算表达式为：

式中，(x_s,y_s)为起点坐标；(x_e,y_e)为终点坐标；θ_s为起点处方向角；j_s为起点处曲率；k_s为终点处曲率。

5.根据权利要求1所述的一种基于推理图的混合交通流运动行为建模方法，其特征在于，所述交通参与者的速度的确定过程具体为：

若当前对象的下游无其他对象，则认为当前对象按照期望加速度行驶；

若当前对象的下游有其它对象，则采用智能驾驶人模型作为跟驰模型，基于前方对象确定当前对象的速度，根据IDM模型确定的当前对象的加速度的计算表达式为：

式中，a_IDM(s,v,Δv)为根据IDM模型确定的当前对象的加速度，a_max为最大加速度，a_dd为期望减速度；v_d为期望速度；δ为自由加速指数，s^*(v,Δv)为有效最小间隙；s₀为由最小停车距离；T为期望时间间距；a_dd为期望减速度，v为本车速度，Δv为前车与本车的速度差。

6.根据权利要求1所述的一种基于推理图的混合交通流运动行为建模方法，其特征在于，所述合作加速度和延迟的计算表达式为：

式中，a_c为合作加速度，D为延误，v_I为交互对象当前速度；d_I为交互对象至冲突点的距离；t_E为本车到达冲突点的时间；d_E为本车至冲突点的距离；a_da为车辆的期望加速度；

利用决策树方法建立从经验数据中学习交互双方行为的决策准则。