CN116050245A - 基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策方法与系统 - Google Patents
基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策方法与系统 Download PDFInfo
- Publication number
- CN116050245A CN116050245A CN202211546361.7A CN202211546361A CN116050245A CN 116050245 A CN116050245 A CN 116050245A CN 202211546361 A CN202211546361 A CN 202211546361A CN 116050245 A CN116050245 A CN 116050245A
- Authority
- CN
- China
- Prior art keywords
- track
- node
- complex network
- agent
- lane
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0097—Predicting future conditions
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- Evolutionary Computation (AREA)
- Transportation (AREA)
- Human Computer Interaction (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策方法与系统,利用预测模型中复杂网络编码器将高清地图和智能体上下文编码为有向加权复杂网络的节点编码,得出各节点的可达情况。目标点预测器根据智能体历史轨迹信息和局部道路特征预测各智能体目标点,并结合车道节点可达性和智能体节点关键性获得参考轨迹的联合分布。轨迹解码器以参考轨迹为条件,输入智能体历史轨迹和运动学或动力学约束解码生成预测轨迹并优化。决策模型输入上游全局路径规划层提供的导航路线,判断是否有变道需求并确定车道的优先级。然后结合参考轨迹的联合分布概率、复杂网络风险值和车道优先级设计代价函数,挑选最优轨迹作为决策结果。
Description
技术领域
本发明属于智能车辆自动驾驶技术领域,涉及一种基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策方法及系统。
背景技术
自动驾驶的发展如火如荼,但是自动驾驶的产业化之难也成为业内共识。根据人工智能驾驶技术的发展五个阶段,我国L4级智能汽车想要实现真正技术落地,还有一段路要走。据《中国营运车辆智能化运用发展报告》预测:商用车的运输环境对自动驾驶汽车而言具有非常多的优势,带来的经济收益和节约的人力成本都比乘用车更高;同时,有望先在港区、矿区等封闭区域或高速公路等有限开放区域实现无人驾驶商业化应用,然后逐步收集数据,升级程序,并延伸到其他应用领域。总之,高速公路商用车可能是无人驾驶产业化的突破点之一。
自动驾驶中,轨迹预测一般位于感知模块的后端,决策规划模块的前端,是承上启下的模块。随着自动驾驶的发展,已经涌现了大量的轨迹预测模型,但美中不足的是:大多数预测方法并不强调场景一致性,即场景中不同智能体的多模态预测轨迹之间存在大量的自碰撞,使得下游规划困难。同时,充分考虑周边动静态障碍物的交互和地图信息后对自车轨迹的预测可以帮助自车进行决策,即在规划轨迹之前,可以根据周围障碍物判断自车下一步的行为(跟车、超车等)。另外,可解释性也是轨迹预测模块中需要引起更多重视的方面。
发明内容
为了解决上述技术问题,本发明提出了一种基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策方法及系统。
本发明提出的基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策系统包括:预测模型和决策模型;预测模型中复杂网络编码器将高清地图和智能体上下文编码为有向加权复杂网络的节点编码,并得出各节点的可达情况。目标点预测器根据智能体历史轨迹信息和局部道路特征预测各智能体目标点,并结合车道节点可达性和智能体节点关键性获得参考轨迹的联合分布。轨迹解码器以参考轨迹为条件,输入智能体历史轨迹和运动学或动力学约束解码生成预测轨迹并优化。
自动驾驶的决策规划模块可分为三层,即全局路径规划层(生成一条全局导航路线)、行为决策层(作出具体的行为决策)和运动规划层(规划生成一条满足特定约束条件的轨迹)层。本文提出的决策模型对应于第二层,即行为决策层。决策模型中,输入上游全局路径规划层提供的导航路线,以此判断是否有变道需求并确定车道的优先级。然后预测自车及认知域范围内其他智能体的轨迹,特别的,在结合车道节点可达性和智能体节点关键性获得参考轨迹的联合分布随后,结合参考轨迹的分布概率、复杂网络风险值和车道优先级设计代价函数,挑选最优预测轨迹作为自车决策轨迹结果。
复杂网络编码器部分:基于复杂网络理论,对高清地图和智能体上下文进行编码,构造时变动态复杂网络G来刻画自动驾驶汽车的复杂交通环境。具体来说,以场景中的智能体为节点,节点之间的交互关系为边,节点之间的风险大小为边的权重,由高清地图表示的有向图为节点的活动区域。本发明首先采用基于可变高斯安全场的方法计算智能体节点间的风险值,构建智能体节点之间的时变动态网络,采用基于特征向量中心性法的复杂网络关键节点挖掘方法识别场景内的关键智能体节点,其次使用门控循环单元(GRU)编码器对智能体轨迹和道路特征进行独立编码,再使用注意力机制和图神经网络更新道路节点编码,并输出获得场景中道路节点的可达性。
目标点预测器:回顾以往经验中的类似场景,获得多模态未来移动目标点。它将代表性实例的特征(历史轨迹、交互特征、局部道路特征)存储在内存库中,然后使用内存寻址程序搜索内存库中与当前情况相关的历史实例,预测各智能体目标点,其次结合道路节点可达性获得可选路径,最后以关键节点谨慎处理、一般节点普通处理(关键节点考虑所有可选路径,一般节点只考虑可能性最高的可选路径)为原则遍历所有节点可能的联合分布,选取可能性最大的P种分布情况。
轨迹解码器:受到运动规划过程的启发,即将每个智能体视为一个运动规划器,并模拟其规划过程以输出轨迹预测。具体来说,运动规划器采用联合分布中的可选路径为参考导航轨迹,并对其进行调整,以满足约束条件。
决策模型:输入上游全局路径规划层提供的导航路线,判断是否有变道需求并确定车道的优先级。然后结合参考轨迹的联合分布概率、复杂网络风险值和车道优先级设计代价函数,挑选最优预测轨迹作为自车决策结果。
本发明提出的一种基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策方法,包括以下步骤:
S1:基于复杂网络和记忆网络对智能体目标点进行预测;包括:
S1.1:构建基于复杂网络的自动驾驶环境模型;具体的:
基于复杂网络理论,以驾驶环境中的车辆等运动主体为节点,构造动态复杂网络模型:
Gt=(P,E,W,Θ)t
其中,Gt是动态复杂网络,t为当前时间,P={p1,p2,…,pN}是节点的集合,节点的数量为N;E={e1,2,e1,3,…,ei,j,…,eN-1,N}是边的集合,ei,j是代表节点pi和pj间的连线;W={w1,2,w1,3,…,wi,j,…,wN-1,N}为边的权值集合,表示节点pi和pj之间的耦合强度;Θ为节点的活动区域,表示对网络中节点的动态约束。
进一步地,边的权值W由可变高斯安全场确定:
式中,Sdyn表示安全场的场强大小,Ca为场强系数,(x,y)为车辆安全场中任意一点的坐标,(x0,y0)为自车节点坐标,也是车辆处于静止状态时风险中心的坐标,(x'0,y'0)为车辆处于运动状态是新的风险中心坐标,ax和by是与车辆外形相关的函数,A和B本别表示自车的长和宽,是车辆运动的速度矢量,kv是调节因子,且有0<kv<1或-1<kv<0,其符号与运动的前后方向相对应,β是转移矢量与x坐标轴的夹角。
驾驶环境中的节点交互是一个动态的复杂过程,节点之间的风险与距离、速度值和方向角密切相关。在可变高斯安全场的框架内,建立节点间的风险认知函数:
进一步地,复杂网络模型的构建基于层次化的认知域:
第一认知域的范围为:
max ax≤Sth1
Sth1=tc1·ve
式中,Sth1为第一阈值,tc1为人类驾驶的第一认知反应时间,可为3s,ve为驾驶环境中的节点的最大接近速度。
第二认知域的范围:
Sth1<max ax≤Sth2
Sth2=tc2·ve
式中,Sth2为第二阈值,tc2为人类驾驶的第二认知反应时间,可为6s。
进一步地,基于权值优先实现复杂网络生成与演化,输出认知域内节点的邻接矩阵和边的权重。
关键节点的挖掘基于特征向量中心性法:
式中,EC(i)为节点关键性的量化指标,c表示一个比例常数,xi是节点vi的特征向量中心性度量,在本发明中为节点的风险值。
对于车道图,首先使用门控循环单元(GRU)编码器对智能体轨迹和车道中心线特征进行独立编码。再使用缩放的点积注意力,用车道节点附近的智能体编码更新车道节点编码,再使用图神经网络(GNN)层聚合邻近节点特征再次更新节点编码,最后用两个MLP对车道节点二分类,获得车道节点的可达性属性。
S1.2:构建基于记忆网络的记忆库和内存寻址程序模型;具体的:
记忆库包含一对相关的记忆库:一个过去特征记忆库和一个意图记忆库。过去特征记忆库存储一组自车过去轨迹特征、认知域范围内其他智能体特征(交互特征)、局部道路特征,意图记忆库存储相应的未来目标点特征:
Mf={m1,m2…mi…mM}
Mt={n1,n2…ni…nM}
式中,Mf表示过去特征记忆库集合,mi是第i个记忆地址的实例,记录从第i个训练样本的过去轨迹和局部道路信息中提取的特征。Mt表示意图记忆库集合,ni是第i个记忆地址的实例,记录从第i个训练样本的目的地中提取的特征。过去特征的记忆库和意图记忆库有相同的大小。
S1.3:训练编码器、初始化记忆库
使用公开数据集对编码器进行训练,并在训练数据中枚举所有过去的样本,以初始化过去特征记忆库和意图记忆库。
当将所有过去和意图特征写入内存库对时,许多实例可能是冗余的,这会浪费存储空间。因此,对于第i个和第j个实例,如果它们的过去特征和未来意图特征都很接近,那么这对地址是多余的,应该删除实例j。
S1.4:预测目标点
内存寻址程序的功能是在内存库中搜索与输入类似的过去内存实例的地址,可利用两个特征之间的余弦距离作为相似性度量,计算所有实例的相似性分数,最后选择R个最大的相似性分数并返回它们的内存地址。
进一步地,为保证目标点预测的多样性,使用聚类算法将R个初步目标点聚类细化为N个最终目标点(R>>N),每个目标点根据其相似性分数获得离散分布概率。
S2:轨迹解码器输出预测轨迹
S2.1:基于遍历获得参考路径
以预测起点和S1.4预测得到的目标点为条件,通过遍历车道图输出多条可能的初始参考路径。为满足场景一致性,以关键节点谨慎处理、一般节点普通处理为原则,以自车节点为根节点,按关键性从高到低遍历所有智能体节点的初始参考路径,排除碰撞、速度v、加速度α或曲率k超过给定运动学约束的情况,获得可能的联合分布,选取可能性最大的P种分布情况。其中,初始参考路径的概率由目标点的概率决定,最终参考路径的概率由遍历初始参考路径的联合分布决定。
S2.2:基于运动规划过程输出预测轨迹
轨迹解码器受到运动规划过程的启发,即将每个代理视为一个运动规划器,并模拟其规划过程以输出轨迹预测。具体来说,是对参考轨迹进行调整,以满足约束条件。
对于一条参考轨迹,轨迹解码器使用多头缩放点积注意在参考轨迹节点序列上聚合道路特征和认知域内其他智能体特征,输出预测轨迹。最终场景中各智能体根据联合分布结果输出满足场景一致性的多模态预测轨迹。为了不惩罚模型输出的各种可能的轨迹,故使用概率最高的预测轨迹与地面真实轨迹的所有平均位移误差作为损失函数来训练解码器。
S3:基于对自车轨迹的预测进行决策
决策模型输入上游全局路径规划层提供的导航路线,判断是否有变道需求并确定车道的优先级。然后结合参考轨迹的联合分布概率、复杂网络风险值和车道优先级设计代价函数:
Cost=(λ1Rmax+λ2δ)(1-p)
式中,λ1和λ2表示权重,Rmax表示自车预测轨迹与其他智能体预测轨迹之间的最大风险值,δ表示车道优先级,p表示参考轨迹的联合分布概率。根据代价函数挑选最优预测轨迹作为自车决策结果。
本发明的有益效果:
1、本发明提出了一种基于复杂网络和记忆网络的高速公路商用车L4级自动驾驶轨迹预测与决策方法。复杂网络编码器将高清地图和智能体上下文编码为有向加权复杂网络的节点编码,并得出各节点的可达情况。目标点预测器根据智能体历史轨迹信息和局部道路特征预测各智能体目标点,并结合车道节点可达性和智能体节点关键性获得参考轨迹的联合分布。轨迹解码器以参考轨迹为条件,输入智能体历史轨迹和运动学或动力学约束解码生成轨迹并优化。最后决策模块结合全局路径规划路线设计代价函数选择自车预测轨迹的最优轨迹作为决策结果。
2、本发明提出基于复杂网络和记忆网络的轨迹预测与决策模型,模型通过构建复杂网络刻画复杂交通环境,并使用记忆网络预测智能体目的地,使用类似轨迹规划的方法生成预测轨迹。相比于深度神经网络轨迹预测方法解释性更强,这对智能驾驶来说是非常重要的。同时,智能体节点在预测时只考虑认知域范围内的其他智能体和道路信息,这更符合人类的驾驶习惯,也避免了其他不相关的信息对预测性能的影响。
3、本发明通过将所预测的目标点和道路节点可达性结合,获得初始参考轨迹,并按关键性的大小遍历其联合分布,排除碰撞、速度v、加速度α或曲率k超过给定运动学约束的情况。相比于单智能体的多模态预测和多智能体的单模态预测,同时满足了场景一致性和预测的多样性,可以更充分地考虑交通环境中智能体未来轨迹不确定性,有利于下游规划器做出更加安全又不会过分保守的运动规划。
附图说明
图1为基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策方法流程图;
图2为复杂网络编码器模型;
图3为目标点预测器模型;
图4为轨迹解码器模型;
图5为决策模型。
具体实施方式
下面结合附图对本发明作进一步说明。
图1为基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策方法流程图,包括预测模型和决策模型,其中预测模型包括:复杂网络编码器、目标点预测器、轨迹解码器,具体如下:
复杂网络编码器将高清地图和智能体上下文编码为有向加权复杂网络的节点编码,并得出各节点的可达情况。
目标点预测器根据智能体历史轨迹信息和局部道路特征预测各智能体目标点,并结合车道节点可达性和智能体节点关键性获得参考轨迹的联合分布。
轨迹解码器以参考轨迹为条件,输入智能体历史轨迹和运动学或动力学约束解码生成轨迹并优化。
决策模型输入上游全局路径规划层提供的导航路线设计代价函数,挑选最优预测轨迹作为自车决策轨迹结果。
图2为复杂网络编码器模型,具体如下:
构建基于复杂网络的自动驾驶环境模型;具体的:
基于复杂网络理论,以驾驶环境中的车辆等运动主体为节点,构造动态复杂网络模型:
Gt=(P,E,W,Θ)t
其中,Gt是动态复杂网络,t为当前时间,P={p1,p2,…,pN}是节点的集合,节点的数量为N;E={e1,2,e1,3,…,ei,j,…,eN-1,N}是边的集合,ei,j代表节点pi和pj间的连线;W={w1,2,w1,3,…,wi,j,…,wN-1,N}为边的权值集合,表示节点pi和pj之间的耦合强度;Θ为节点的活动区域,表示对网络中节点的动态约束。
进一步地,边的权值W由可变高斯安全场确定:
式中,Sdyn表示安全场的场强大小,Ca为场强系数,(x,y)为车辆安全场中任意一点的坐标,9x0,y0)为自车节点坐标,也是车辆处于静止状态时风险中心的坐标,(x'0,y'0)为车辆处于运动状态是新的风险中心坐标,ax和by是与车辆外形相关的函数,A和B本别表示自车的长和宽,是车辆运动的速度矢量,kv是调节因子,且有0<kv<1或-1<kv<0,其符号与运动的前后方向相对应,β是转移矢量与x坐标轴的夹角。
驾驶环境中的节点交互是一个动态的复杂过程,节点之间的风险与距离、速度值和方向角密切相关。在可变高斯安全场的框架内,建立节点间的风险认知函数:
进一步地,复杂网络模型的构建基于层次化的认知域:
第一认知域的范围为:
max ax≤Sth1
Sth1=tc1·ve
式中,Sth1为第一阈值,tc1为人类驾驶的第一认知反应时间,可为3s,ve为驾驶环境中的节点的最大接近速度。
第二认知域的范围:
Sth1<max ax≤Sth2
Sth2=tc2·ve
式中,Sth2为第二阈值,tc2为人类驾驶的第二认知反应时间,可为6s。
进一步地,基于权值优先实现复杂网络生成与演化,输出认知域内节点的邻接矩阵和边的权重。
关键节点的挖掘基于特征向量中心性法:
式中,EC(i)为节点关键性的量化指标,c表示一个比例常数,xi是节点vi的特征向量中心性度量,在本发明中为节点的风险值。
对于车道图,首先使用门控循环单元(GRU)编码器对智能体轨迹和车道中心线特征进行独立编码。再使用缩放的点积注意力,用车道节点附近的智能体编码更新车道节点编码,再使用图神经网络(GNN)层聚合邻近节点特征再次更新节点编码,最后用两个MLP对车道节点二分类,获得车道节点的可达性属性。
图3为目标点预测器模型,具体如下:
记忆库包含一对相关的记忆库:一个过去特征记忆库和一个意图记忆库。过去特征记忆库存储一组自车过去轨迹特征、认知域范围内其他智能体特征(交互特征)、局部道路特征,意图记忆库存储相应的未来目标点特征:
Mf={m1,m2…mi…mM}
Mt={n1,n2…ni…nM}
式中,Mf表示过去特征记忆库集合,mi是第i个记忆地址的实例,记录从第i个训练样本的过去轨迹和局部道路信息中提取的特征。Mt表示意图记忆库集合,ni是第i个记忆地址的实例,记录从第i个训练样本的目的地中提取的特征。过去特征的记忆库和意图记忆库有相同的大小。
当将所有过去和意图特征写入内存库对时,许多实例可能是冗余的,这会浪费存储空间。因此,对于第i个和第j个实例,如果它们的过去特征和未来意图特征都很接近,那么这对地址是多余的,应该删除实例j。
内存寻址程序的功能是在内存库中搜索与输入类似的过去内存实例的地址,可利用两个特征之间的余弦距离作为相似性度量,计算所有实例的相似性分数,最后选择R个最大的相似性分数并返回它们的内存地址。
进一步地,为保证目标点预测的多样性,使用聚类算法将R个初步目标点聚类细化为N个最终目标点(R>>N),每个目标点根据其相似性分数获得离散分布概率。
图4为轨迹解码器模型,具体如下:
以预测起点和预测得到的目标点为条件,通过遍历车道图输出多条可能的初始参考路径。为满足场景一致性,以关键节点谨慎处理、一般节点普通处理为原则,以自车节点为根节点,按关键性从高到低遍历所有智能体节点的初始参考路径,排除碰撞、速度v、加速度α或曲率k超过给定运动学约束的情况,获得可能的联合分布,选取可能性最大的P种分布情况。其中,初始参考路径的概率由目标点的概率决定,最终参考路径的概率由遍历初始参考路径的联合分布决定。
对于一条参考轨迹,轨迹解码器使用多头缩放点积注意在参考轨迹节点序列上聚合道路特征和认知域内其他智能体特征,输出预测轨迹。最终场景中各智能体根据联合分布结果输出满足场景一致性的多模态预测轨迹。为了不惩罚模型输出的各种可能的轨迹,故使用概率最高的预测轨迹与地面真实轨迹的所有平均位移误差作为损失函数来训练解码器。
图5为决策模型,具体如下:
决策模块输入上游全局路径规划层提供的导航路线,确定应选择的车道,结合自车所处车道判断是否有变道需求并确定车道的优先级。然后结合参考轨迹的联合分布概率、复杂网络风险值和车道优先级设计代价函数:
Cost=(λ1Rmax+λ2δ)(1-p)
式中,λ1和λ2表示权重,Rmax表示自车预测轨迹与其他智能体预测轨迹之间的最大风险值,δ表示车道优先级,p表示参考轨迹的联合分布概率。
根据代价函数挑选最优预测轨迹作为自车决策结果。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技术所创的等效方式或变更均应包含在本发明的保护范围之内。
Claims (10)
1.基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策系统,其特征在于,包括预测模型和决策模型;
所述预测模型包括复杂网络编码器、目标点预测器和轨迹解码器,复杂网络编码器将高清地图和智能体上下文编码为有向加权复杂网络的节点编码,并得出各节点的可达情况;目标点预测器根据智能体历史轨迹信息和局部道路特征预测各智能体目标点,并结合车道节点可达性和智能体节点关键性获得参考轨迹的联合分布;轨迹解码器以参考轨迹为条件,输入智能体历史轨迹和运动学或动力学约束解码生成预测轨迹并优化;
所述决策模型,输入上游全局路径规划层提供的导航轨迹路线,以此判断是否有变道需求并确定车道的优先级,然后预测自车及认知域范围内其他智能体的轨迹,在结合车道节点可达性和智能体节点关键性获得参考轨迹的联合分布随后,结合参考轨迹的分布概率、复杂网络风险值和车道优先级设计代价函数,挑选最优预测轨迹作为自车决策轨迹结果。
2.根据权利要求1所述的基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策系统,其特征在于,所述复杂网络编码器:对高清地图和智能体上下文进行编码,构造时变动态复杂网络G来刻画自动驾驶汽车的复杂交通环境,具体地:以场景中的智能体为节点,节点之间的交互关系为边,节点之间的风险大小为边的权重,由高清地图表示的有向图为节点的活动区域,首先采用基于可变高斯安全场计算智能体节点间的风险值,构建智能体节点之间的时变动态网络,采用基于特征向量中心性法的复杂网络关键节点挖掘方法识别场景内的关键智能体节点,其次使用门控循环单元(GRU)编码器对智能体轨迹和道路特征进行独立编码,再使用注意力机制和图神经网络更新道路节点编码,并输出获得场景中道路节点的可达性。
3.根据权利要求1所述的基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策系统,其特征在于,所述目标点预测器:用于回顾以往经验中的类似场景,获得多模态未来移动目标点,并将代表性实例的特征(历史轨迹、交互特征、局部道路特征)存储在内存库中,然后使用内存寻址程序搜索内存库中与当前情况相关的历史实例,预测各智能体目标点,其次结合道路节点可达性获得可选路径,最后以关键节点谨慎处理、一般节点普通处理为原则遍历所有节点可能的联合分布,选取可能性最大的P种分布情况。
4.根据权利要求1所述的基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策系统,其特征在于,所述轨迹解码器:将每个智能体视为一个运动规划器,并模拟其规划过程以输出轨迹预测,具体地,运动规划器采用联合分布中的可选路径为参考导航轨迹,并对其进行调整,以满足约束条件。
5.基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策方法,其特征在于,包括以下步骤:
S1:基于复杂网络和记忆网络对智能体目标点进行预测;
S2:利用轨迹解码器输出预测轨迹;
S3:基于对自车轨迹的预测进行决策。
6.根据权利要求5所述的基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策方法,其特征在于,所述S1具体包括:
S1.1:构建基于复杂网络的自动驾驶环境模型;
基于复杂网络理论,以驾驶环境中的车辆等运动主体为节点,构造动态复杂网络模型:
Gt=(P,E,W,Θ)t
其中,Gt是动态复杂网络,t为当前时间,P={p1,p2,…,pN}是节点的集合,节点的数量为N;E={e1,2,e1,3,…,ei,j,…,eN-1,N}是边的集合,ei,j代表节点pi和pj间的连线;W={w1,2,w1,3,…,wi,j,…,wN-1,N}为边的权值集合,表示节点pi和pj之间的耦合强度;Θ为节点的活动区域,表示对网络中节点的动态约束;
S1.2:构建基于记忆网络的记忆库和内存寻址程序模型;
记忆库包含一对相关的记忆库:一个过去特征记忆库和一个意图记忆库,过去特征记忆库存储一组自车过去轨迹特征、认知域范围内其他智能体特征(交互特征)、局部道路特征,意图记忆库存储相应的未来目标点特征:
Mf={m1,m2…mi…mM}
Mt={n1,n2…ni…nM}
式中,Mf表示过去特征记忆库集合,mi是第i个记忆地址的实例,记录从第i个训练样本的过去轨迹和局部道路信息中提取的特征,Mt表示意图记忆库集合,ni是第i个记忆地址的实例,记录从第i个训练样本的目的地中提取的特征,过去特征的记忆库和意图记忆库有相同的大小;
S1.3:训练编码器、初始化记忆库
使用公开数据集对编码器进行训练,并在训练数据中枚举所有过去的样本,以初始化过去特征记忆库和意图记忆库;
S1.4:预测目标点
内存寻址程序的功能是在内存库中搜索与输入类似的过去内存实例的地址,可利用两个特征之间的余弦距离作为相似性度量,计算所有实例的相似性分数,最后选择R个最大的相似性分数并返回它们的内存地址。
7.根据权利要求6所述的基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策方法,其特征在于,所述S1.1的具体实现包括:
边的权值W由可变高斯安全场确定:
式中,Sdyn表示安全场的场强大小,Ca为场强系数,(x,y)为车辆安全场中任意一点的坐标,(x0,y0)为自车节点坐标,,也是车辆处于静止状态时风险中心的坐标,(x'0,y'0)为车辆处于运动状态是新的风险中心坐标,ax和by是与车辆外形相关的函数,A和B本别表示自车的长和宽,是车辆运动的速度矢量,kv是调节因子,且有0<kv<1或-1<kv<0,其符号与运动的前后方向相对应,β是转移矢量与x坐标轴的夹角;
并在可变高斯安全场的框架内,建立节点间的风险认知函数:
式中,wi,j表示节点pi与节点pj之间的权重值,是节点pi在节点pj处的场强,是节点pj的标量速度,方向角θi,j是节点pj的速度矢量与场强矢量的夹角(顺时针为正向),kc为风险认知调节系数。
自动驾驶环境模型的构建基于层次化的认知域:
第一认知域的范围为:
maxax≤Sth1
Sth1=tc1·ve
式中,Sth1为第一阈值,tc1为人类驾驶的第一认知反应时间,可暂定为3s,ve为驾驶环境中的节点的最大接近速度;
第二认知域的范围:
Sth1<maxax≤Sth2
Sth2=tc2·ve
式中,Sth2为第二阈值,tc2为人类驾驶的第二认知反应时间,可暂定为6s;
采用基于权值优先实现复杂网络生成与演化,输出认知域内节点的邻接矩阵和边的权重,其关键节点的挖掘基于特征向量中心性法:
式中,EC(i)为节点关键性的量化指标,c表示一个比例常数,xi是节点vi的特征向量中心性度量,在本发明中为节点的风险值;
对于车道图,首先使用门控循环单元(GRU)编码器对智能体轨迹和车道中心线特征进行独立编码,再使用缩放的点积注意力,用车道节点附近的智能体编码更新车道节点编码,再使用图神经网络(GNN)层聚合邻近节点特征再次更新节点编码,最后用两个MLP对车道节点二分类,获得车道节点的可达性属性。
8.根据权利要求5所述的基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策方法,其特征在于,所述S2的实现包括:
S2.1:基于遍历获得参考路径
以预测起点和S1.4预测得到的目标点为条件,通过遍历车道图输出多条可能的初始参考路径,以自车节点为根节点,按关键性从高到低遍历所有智能体节点的初始参考路径,排除碰撞、速度v、加速度α或曲率k超过给定运动学约束的情况,获得可能的联合分布,选取可能性最大的P种分布情况,其中,初始参考路径的概率由目标点的概率决定,最终参考路径的概率由遍历初始参考路径的联合分布决定;
S2.2:基于运动规划过程输出预测轨迹
轨迹解码器受到运动规划过程的启发,即将每个代理视为一个运动规划器,并模拟其规划过程以输出轨迹预测。
9.根据权利要求5所述的基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策方法,其特征在于,所述S3的具体实现包括:
决策模型输入上游全局路径规划层提供的导航路线,判断是否有变道需求并确定车道的优先级;然后结合参考轨迹的联合分布概率、复杂网络风险值和车道优先级设计代价函数,根据代价函数挑选最优预测轨迹作为自车决策结果。
10.根据权利要求9所述的基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策方法,其特征在于,所述代价函数为:
Cost=(λ1Rmax+λ2δ)(1-p)
式中,λ1和λ2表示权重,Rmax表示自车预测轨迹与其他智能体预测轨迹之间的最大风险值,δ表示车道优先级,p表示参考轨迹的联合分布概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211546361.7A CN116050245A (zh) | 2022-12-05 | 2022-12-05 | 基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211546361.7A CN116050245A (zh) | 2022-12-05 | 2022-12-05 | 基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116050245A true CN116050245A (zh) | 2023-05-02 |
Family
ID=86132057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211546361.7A Pending CN116050245A (zh) | 2022-12-05 | 2022-12-05 | 基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116050245A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150247A (zh) * | 2023-10-30 | 2023-12-01 | 中国标准化研究院 | 一种智能产品质量风险控制方法 |
CN117492447A (zh) * | 2023-12-28 | 2024-02-02 | 苏州元脑智能科技有限公司 | 自动驾驶车辆行驶轨迹规划方法、装置、设备及存储介质 |
CN117901724A (zh) * | 2024-03-19 | 2024-04-19 | 吉林大学 | 一种纯电动汽车热管理系统控制方法、系统及设备 |
-
2022
- 2022-12-05 CN CN202211546361.7A patent/CN116050245A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150247A (zh) * | 2023-10-30 | 2023-12-01 | 中国标准化研究院 | 一种智能产品质量风险控制方法 |
CN117150247B (zh) * | 2023-10-30 | 2023-12-26 | 中国标准化研究院 | 一种智能产品质量风险控制方法 |
CN117492447A (zh) * | 2023-12-28 | 2024-02-02 | 苏州元脑智能科技有限公司 | 自动驾驶车辆行驶轨迹规划方法、装置、设备及存储介质 |
CN117492447B (zh) * | 2023-12-28 | 2024-03-26 | 苏州元脑智能科技有限公司 | 自动驾驶车辆行驶轨迹规划方法、装置、设备及存储介质 |
CN117901724A (zh) * | 2024-03-19 | 2024-04-19 | 吉林大学 | 一种纯电动汽车热管理系统控制方法、系统及设备 |
CN117901724B (zh) * | 2024-03-19 | 2024-05-10 | 吉林大学 | 一种纯电动汽车热管理系统控制方法、系统及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | A driving intention prediction method based on hidden Markov model for autonomous driving | |
US11899411B2 (en) | Hybrid reinforcement learning for autonomous driving | |
US20220374712A1 (en) | Decision making for motion control | |
CN112099496B (zh) | 一种自动驾驶训练方法、装置、设备及介质 | |
CN112347993B (zh) | 一种基于车辆-无人机协同的高速公路车辆行为和轨迹预测方法 | |
CN116050245A (zh) | 基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策方法与系统 | |
Liu et al. | Deep structured reactive planning | |
Zhang et al. | A systematic solution of human driving behavior modeling and simulation for automated vehicle studies | |
Hu et al. | Holistic transformer: A joint neural network for trajectory prediction and decision-making of autonomous vehicles | |
Sharma et al. | Kernelized convolutional transformer network based driver behavior estimation for conflict resolution at unsignalized roundabout | |
Khalil et al. | Exploiting multi-modal fusion for urban autonomous driving using latent deep reinforcement learning | |
Bharilya et al. | Machine learning for autonomous vehicle's trajectory prediction: A comprehensive survey, challenges, and future research directions | |
Liu et al. | Multi-agent trajectory prediction with graph attention isomorphism neural network | |
Wang et al. | Deep understanding of big geospatial data for self-driving: Data, technologies, and systems | |
Kou et al. | Dual-objective intelligent vehicle lane changing trajectory planning based on polynomial optimization | |
Rais et al. | Decision making for autonomous vehicles in highway scenarios using Harmonic SK Deep SARSA | |
Zhou et al. | Spatiotemporal attention-based pedestrian trajectory prediction considering traffic-actor interaction | |
Yu et al. | Hierarchical framework integrating rapidly-exploring random tree with deep reinforcement learning for autonomous vehicle | |
Geng et al. | Dynamic-learning spatial-temporal Transformer network for vehicular trajectory prediction at urban intersections | |
Masmoudi et al. | Autonomous car-following approach based on real-time video frames processing | |
Lodh et al. | Autonomous vehicular overtaking maneuver: A survey and taxonomy | |
Xiaoqiang et al. | Graph convolution reinforcement learning for decision-making in highway overtaking scenario | |
Peng et al. | Imitative reinforcement learning fusing vision and pure pursuit for self-driving | |
CN116331259A (zh) | 一种基于半监督模型的车辆多模态轨迹预测方法 | |
Jamal et al. | Adaptive maneuver planning for autonomous vehicles using behavior tree on apollo platform |
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 |