[發(fā)明專利]用于確定行駛策略的方法以及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202010115747.7
• 申請日: 2020-02-25
• 公開（公告）號: CN111626538A
• 公開（公告）日: 2020-09-04
• 發(fā)明（設計）人: M·施密特;C·維辛;A·霍曼;C·里恩克;T·伯特倫;C·曼納;K-H·格蘭德
• 申請（專利權）人: 采埃孚汽車德國有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/30;G06N20/00
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 王小東;黃綸偉

1.一種確定車輛的行駛策略的方法，具有以下步驟：

a)通過所述車輛(10)的行駛策略規(guī)劃模塊(22)獲得車輛參數(shù)(P)，

b)通過所述行駛策略規(guī)劃模塊(22)基于獲得的車輛參數(shù)(P)借助行駛策略規(guī)劃模塊(22)的至少一個決策子模塊(38)確定至少一個可行的行駛策略(M)，

c)將所述至少一個可行的行駛策略(M)傳輸至車輛(10)的運動規(guī)劃模塊(24)，

d)通過行駛策略規(guī)劃模塊(22)從運動規(guī)劃模塊(24)獲得評估量(B)，以及

e)根據(jù)獲得的評估量(B)調整所述至少一個決策子模塊(38)。

2.根據(jù)權利要求1所述的方法，其特征在于，從所述至少一個行駛策略(M)中選擇一個待實施的行駛策略(M_AZ)，其中所述運動規(guī)劃模塊(24)如此控制所述車輛(10)，使得車輛(10)實施行駛策略(M_AG)。

3.根據(jù)權利要求2所述的方法，其特征在于，通過所述運動規(guī)劃模塊(24)以所述經實施的行駛策略(M_AG)和/或實施行駛策略(M_AG)期間的車輛參數(shù)(P)為基礎測定所述評估量(B)，其中評估量(B)特別是具有與至少一個相鄰車輛的最小距離、最大橫向加速度、最大縱向加速度和/或行駛策略的成本值。

4.根據(jù)權利要求2或3中任一項所述的方法，其特征在于，將知識數(shù)據(jù)(E)傳輸至至少另一車輛(10)，其中所述知識數(shù)據(jù)(E)至少包含所述車輛參數(shù)(P)、所述待實施的行駛策略(M_AZ)、所述經實施的行駛策略(M_AG)和/或所述評估量(B)，其中特別是根據(jù)所述經傳輸?shù)闹R數(shù)據(jù)(E)調整所述另一車輛(10)的決策子模塊(38)。

5.根據(jù)上述權利要求中任一項所述的方法，其特征在于，所述至少一個決策子模塊(38)根據(jù)成本函數(shù)，決策樹，跟馳模型，特別是距離相關的跟馳模型和/或依據(jù)Wiedemann的心理物理學跟馳模型，以及/或者狀態(tài)機確定所述可行的行駛策略(M)。

6.根據(jù)上述權利要求中任一項所述的方法，其特征在于，所述至少一個決策子模塊(38)中的至少一個借助機器學習決策過程、特別是強化機器學習決策過程確定所述可行的行駛策略(M)。

7.根據(jù)權利要求6所述的方法，其特征在于，所述機器學習決策過程至少通過神經元網絡實現(xiàn)，基于博弈論，是Markow決策過程和/或部分可觀察的Markow決策過程。

8.根據(jù)權利要求6或7所述的方法，其特征在于，使用所述評估量(B)來對所述至少一個決策子模塊(38)的機器學習決策過程進行訓練。

9.根據(jù)上述權利要求中任一項所述的方法，其特征在于，設有數(shù)個決策子模塊(38)，其分別確定至少一個可行的行駛策略(M)，其中決策者(40)從所述經確定的可行的行駛策略(M)中選擇一個待實施的行駛策略(M_AZ)，其被傳輸至所述運動規(guī)劃模塊(24)。

10.根據(jù)權利要求9所述的方法，其特征在于，所述決策者(40)為車輛(10)的駕駛者、選擇模塊(44)或者上述的組合，其中所述選擇模塊(44)特別是根據(jù)對應的決策子模塊(38)的可信度的權重(a)和/或可行的行駛策略(M)的出現(xiàn)頻度選擇待實施的行駛策略(M_AZ)。

11.根據(jù)權利要求10所述的方法，其特征在于，所述選擇模塊(44)具有人造神經元網絡。

12.一種針對車輛的用于控制所述車輛的控制設備，其中所述控制設備(14)適于實施如上述權利要求中任一項所述的方法。