[發明專利]一種基于行車態勢圖的車輛自動駕駛決策系統及基于無人機的訓練集制備方法

有效

• 申請號: 201910295812.6
• 申請日: 2019-04-12
• 公開（公告）號: CN110007675B
• 公開（公告）日: 2021-01-15
• 發明（設計）人: 田大新;鄭坤賢;段續庭;周建山;韓旭;張創;趙元昊;衛靜怡;王叢毓;閆慧文;黃米琪;劉赫;拱印生
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G05D1/02
• 分類號: G05D1/02;G06K9/00;G06K9/62
• 代理公司: 北京華仁聯合知識產權代理有限公司 11588
• 代理人: 蘇雪雪

本發明涉及一種基于行車態勢圖的車輛自動駕駛決策系統及基于無人機的訓練集制備方法。該車輛自動駕駛決策系統包括感知層、決策層、控制層以及安全模塊，采用行車態勢圖和卷積神經網絡可對周圍行車環境進行既準確客觀又考慮周圍駕駛人心理的感知，經過訓練后的以卷積神經網絡為主體的學習算法模型可以得到與人類駕駛習慣契合度很高的駕駛決策，提高行車安全性與駕乘舒適性。本發明一并提出的基于無人機的訓練數據集制備方法可以簡便高效生成大量帶標簽的行車態勢圖序列供駕駛決策系統中的學習算法模型訓練使用。

技術領域

本發明涉及交通技術領域，特別是涉及一種基于行車態勢圖的車輛自動駕駛決策系統及基于無人機的訓練集制備方法。

背景技術

自動駕駛作為未來車輛智能化發展的必然趨勢將對人們的出行乃至生活方式帶來極大變革，因而受到社會各界的廣泛關注，近年來越來越多的新理論新技術被提出以期實現安全可靠的無人駕駛技術。自動駕駛是一項融合計算機、汽車動力學、人工智能等多領域的復雜綜合工程技術，其總體可分為環境感知、決策規劃和運動控制三大部分。其中決策規劃部分是自動駕駛的核心部分，其通過環境感知部分獲取的周圍環境態勢做出換道、跟馳等駕駛行為決策，并生成對應的軌跡交由運動控制部分進行軌跡跟蹤最終實現安全可靠的無人自主駕駛。

現階段的決策規劃系統過于關注駕駛行為和軌跡的安全性，而忽略了駕駛過程中的“人性”，即駕駛行為中可能存在的冒險、賭氣、謙讓等因素，未來很長一段時間內道路交通系統中都將是自動駕駛車輛和有人駕駛車輛共存的狀態，如果自動駕駛車輛的決策規劃系統不對駕駛行為中的“人性”加以考慮，很可能發生諸如換道時目標車道后方車輛不“謙讓”發生碰撞等事故。這樣的擔憂并非空穴來風，2016年2月14日，谷歌公司一輛無人駕駛汽車在街頭測試時試圖繞開道路上的沙袋、向左并入道路中央時，卻意外與左側車道內一輛從后方駛來的公共汽車相撞，這起事故中的公共汽車并未因自動駕駛車輛的換道行為而做出“謙讓”，顯然谷歌無人車的決策規劃系統并未發現后方駕駛員的異常，從而導致了事故的發生。除了“人性”之外，現階段的決策規劃系統對于軌跡規劃方面也缺乏“舒適性”的考慮，生成的目標軌跡可能成功避開了所有的障礙物，但卻是頻繁轉彎、頻繁啟停的軌跡，造成乘員身體的不適感，也將對無人駕駛的普及造成極大阻礙。

不論是跟周圍車輛駕駛員在“人性”上的博弈，還是對乘員乘車“舒適性”的考量，都要求自動駕駛車輛的決策規劃系統做出更加“以人為本”的決策。而這種“以人為本”的決策規劃很難依靠當前被廣泛應用的有限狀態機實現，學習算法在這方面顯現了獨特的優勢。相較于依靠復雜臃腫又不盡完善的人工設定規則，諸如深度學習等的學習算法通過大規模數據的訓練，可以從中提取、歸納、學習到人類駕駛員的“人性化”駕駛行為以及符合乘員舒適性要求的運動軌跡。

然而現階段基于學習算法的決策規劃研究也并不盡如人意，盡管它們在某些特定場景下的效果非常出色，卻無法兼容訓練場景外的其他場景，這決定了在全工況全時空前提下它們無法被單獨使用。一種可行的方案是將學習算法與有限狀態機相結合，不同場景如十字路口、丁字路口即是不同的狀態，不同的狀態對應在相應場景下訓練的學習算法。這樣的設計很巧妙，但容易發現這種決策規劃系統需要很多訓練完善的學習算法模型，這將占用極大的儲存空間，同時有限狀態機中的有些場景并不容易明確劃分，如何解決狀態劃分“灰色地帶”的合理決策問題也并非易事。這已成了急需解決的技術問題。

發明內容

本發明所要解決的技術問題是提供一種自動駕駛車輛決策系統，以解決現有駕駛決策系統缺乏“人性”且泛化能力弱的問題，實現對周圍有人駕駛車輛運動趨勢的有效分析并顯著提高行車安全性以及舒適性，同時針對帶標簽數據集獲取困難的問題提供一種基于無人機航拍視頻的獲取駕駛決策系統內學習算法模型訓練集的簡易方法。

本申請是通過如下技術方案實現的：

一種基于行車態勢圖的車輛自動駕駛決策系統，該車輛自動駕駛決策系統包括感知層、決策層、控制層以及安全模塊，其特征在于：