[發(fā)明專利]一種基于駕駛員場景認(rèn)知的車輛群組運(yùn)動(dòng)仿真方法

有效

• 申請?zhí)枺?/td>: 201910190962.0
• 申請日: 2019-03-14
• 公開（公告）號(hào): CN109885969B
• 公開（公告）日: 2022-12-06
• 發(fā)明（設(shè)計(jì)）人: 王華;田二林;姚妮;何曉宇;馬亞丹;潘明歌;張建偉;徐明亮
• 申請（專利權(quán)）人: 鄭州輕工業(yè)學(xué)院
• 主分類號(hào): G06F30/20
• 分類號(hào): G06F30/20
• 代理公司: 廣東君龍律師事務(wù)所 44470
• 代理人: 金永剛

1.一種基于駕駛員場景認(rèn)知的車輛群組運(yùn)動(dòng)仿真方法，其特征在于，包括步驟：

對場景感知進(jìn)行建模，構(gòu)建環(huán)境信息集，通過視覺過濾和信息融合感知的方式，對所述環(huán)境信息集進(jìn)行優(yōu)化，并由此得到感知信息集；

對感知結(jié)果進(jìn)行決策，構(gòu)建決策集，計(jì)算出駕駛員在得到所述感知信息集后各種決策的概率，從而選擇最優(yōu)決策方案；

利用所述最優(yōu)駕駛決策方案，仿真操縱車輛在跟車模式、巡航模式或換道模式進(jìn)行交通仿真；

所述環(huán)境信息集為D＝[X₁,X₂,...,X_N],N表示場景能夠提供的最大環(huán)境信息量，X_j(j∈[1,N])表示場景內(nèi)第j類互斥的信息量，其中m_j表示X_j中互斥信息的個(gè)數(shù)，d_ij(i∈[1,m_j])表示i類信息中第j條環(huán)境信息發(fā)生的概率，并且對任意j，d_ij∈[0,1]，

所述環(huán)境信息集D進(jìn)一步表示為信息集矩陣A＝(d_ij)_M×N，其中，M＝max{m₁,m₂,...,m_N}，對任意j，若Mm_j，則d_ij≡0,(i∈(m_j,M])；

對所述信息集矩陣A設(shè)經(jīng)由angle_level和angle_vertical構(gòu)成的視景椎裁剪后，得到的信息集矩陣A₁，并且有SUM(A₁)≤SUM(A)，其中，SUM(·)表示對矩陣內(nèi)所有元素求和，angle_vertical＝ω₁(a₂+b₂v+c₂v²)，angle_level表示水平視角，angle_vertical表示垂直視域視角，v表示當(dāng)前車輛的行駛速度，a₁,b₁,c₁,a₂,b₂,c₂均為常量，ω₁為不大于1的正常量，表示駕駛員的駕駛熟練程度；對信息集矩陣A₁再進(jìn)行視覺過濾后，進(jìn)一步得到信息集矩陣A₂＝A₁B，其中，B＝B_NN為對角陣，且

所述信息融合感知，以及對所述環(huán)境信息集進(jìn)行優(yōu)化包括：

對于A₂中第j個(gè)信息集中的第i個(gè)元素，c_ij為駕駛員記憶中第j個(gè)信息集中的第i個(gè)元素發(fā)生的概率，駕駛員感知到第j個(gè)信息集中的第i個(gè)元素的概率p_ij為：

其中是A₂中的元素，駕駛員最終感知得到的感知信息集是矩陣A_last＝(p_ij)_M×N。

2.根據(jù)權(quán)利要求1所述的基于駕駛員場景認(rèn)知的車輛群組運(yùn)動(dòng)仿真方法，其特征在于，所述決策集為Q＝[q₁,q₂,...,q_s]，其中，S表示決策總個(gè)數(shù)，q_i表示第i個(gè)決策變量，i∈[1,S]，且表示t個(gè)互斥的決策信息，進(jìn)一步有：

其中，β₀₀、β_ij通過最大似然估計(jì)計(jì)算得出，i∈[0,M],j∈[0,N]，p_ij為駕駛員感知到第j個(gè)信息集中的第i個(gè)元素的概率。

3.根據(jù)權(quán)利要求2所述的基于駕駛員場景認(rèn)知的車輛群組運(yùn)動(dòng)仿真方法，其特征在于，駕駛員環(huán)境感知決策下的車輛加速度表示為a_inf，在跟車模式下需要避免和前方車輛的碰撞，通過采用IDM模型求得的車輛加速度為a_IDM，則有車輛的仿真加速度a滿足：

a＝min{a_inf,a_IDM}。