[發(fā)明專利]基于預(yù)測(cè)和搜索框架的自動(dòng)駕駛汽車變道調(diào)度的實(shí)現(xiàn)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110030996.0
• 申請(qǐng)日: 2021-01-11
• 公開（公告）號(hào): CN112721948A
• 公開（公告）日: 2021-04-30
• 發(fā)明（設(shè)計(jì)）人: 劉順程;蘇涵;鄭凱;鄭渤龍
• 申請(qǐng)（專利權(quán)）人: 成都語(yǔ)動(dòng)未來科技有限公司;電子科技大學(xué)長(zhǎng)三角研究院（衢州）
• 主分類號(hào): B60W60/00
• 分類號(hào): B60W60/00;B60W30/18;B60W50/00
• 代理公司: 成都眾恒智合專利代理事務(wù)所(普通合伙) 51239
• 代理人: 楊佳麗

本發(fā)明公開了基于預(yù)測(cè)和搜索框架的自動(dòng)駕駛汽車變道調(diào)度的實(shí)現(xiàn)方法，該方法包括(S1)軌跡預(yù)測(cè)：通過GAS?LED軌跡預(yù)測(cè)模型對(duì)周圍常規(guī)車輛的未來軌跡進(jìn)行預(yù)測(cè)；(S2)行為決策：包括行為處理模塊和行為處理模塊，通過GAS?LED軌跡預(yù)測(cè)模型輸出周圍常規(guī)車輛的行為序列，Cheetah獵豹搜索自動(dòng)駕駛車輛的最優(yōu)行為序列，并決定如何進(jìn)行調(diào)度；(S3)結(jié)果輸出：收到調(diào)度信息后，行為決策模塊首先使用行為搜索模塊來得到離散的自動(dòng)駕駛車輛行為，然后行為處理模塊進(jìn)行連續(xù)化，最終輸出精確的自動(dòng)駕駛車輛調(diào)度行為。通過上述方案，本發(fā)明達(dá)到了輛高效、智能地進(jìn)行變換車道的目的，具有很高的實(shí)用價(jià)值和推廣價(jià)值。

技術(shù)領(lǐng)域

本發(fā)明屬于自動(dòng)駕駛技術(shù)領(lǐng)域，具體地講，是涉及基于預(yù)測(cè)和搜索框架的自動(dòng)駕駛汽車變道調(diào)度的實(shí)現(xiàn)方法。

背景技術(shù)

車輛軌跡預(yù)測(cè)：本研究將軌跡預(yù)測(cè)應(yīng)用于傳統(tǒng)車輛之軌跡預(yù)測(cè)，以更好地優(yōu)化自主車輛之變道決策。現(xiàn)有的車輛軌跡預(yù)測(cè)研究主要包括基于規(guī)則和基于學(xué)習(xí)的算法。對(duì)于第一種情況，基于規(guī)則的軌跡預(yù)測(cè)算法主要是利用交通規(guī)則或周圍道路狀況來模擬交通流模型。因此，它可以隨時(shí)間演化，這是一個(gè)典型的元胞自動(dòng)機(jī)模型。元胞自動(dòng)機(jī)算法能夠模擬單車道道路、雙車道道路和多車道道路的交通流。它們通常用于擴(kuò)展一種模擬車輛交通的元胞自動(dòng)機(jī)模型(NaSch模型)來開發(fā)一系列規(guī)則集，并且軌跡預(yù)測(cè)是通過離散空間、時(shí)間和速度來執(zhí)行的。其中，一種模擬車輛交通的元胞自動(dòng)機(jī)模型。是由1992年Nagle和Schreckenberg提出了著名的NaSch模型，在這一模型中，時(shí)間、空間以及速度都被離散化，道路被劃分為離散的格子(即元胞)，每個(gè)元胞都是空的，或者被一輛車占據(jù)，每輛車的速度可以取1，2，…，Vmax，Vmax為最大速度。在時(shí)間步增加的過程中，模型按照如下規(guī)則進(jìn)行演化。然而，這些算法忽略了車輛的歷史軌跡，難以完成長(zhǎng)期軌跡的預(yù)測(cè)。對(duì)于第二種情況，基于學(xué)習(xí)的軌跡預(yù)測(cè)算法將RNN(循環(huán)神經(jīng)網(wǎng)絡(luò))應(yīng)用于序列學(xué)習(xí)任務(wù)中的非線性時(shí)間相關(guān)性建模。已有大量的研究利用RNN來預(yù)測(cè)車輛的軌跡。LSTM(長(zhǎng)短期記憶人工神經(jīng)網(wǎng)絡(luò))作為RNN的一個(gè)變體，在解決RNN中消失梯度問題方面是有效的。

最近，一些基于LSTM的方法被用來預(yù)測(cè)飛行器的軌跡的方法。例如，簡(jiǎn)單地使用LSTM網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，或者是一種基于LSTM編解碼結(jié)構(gòu)的預(yù)測(cè)模型，其中該模型首次被引入到機(jī)器翻譯任務(wù)中。此外，為了提高準(zhǔn)確性，也存在使用網(wǎng)格結(jié)構(gòu)來搜索結(jié)果。如提出了一種獲取對(duì)象交互信息的社會(huì)池結(jié)構(gòu)，以及有設(shè)計(jì)了一種基于4D圖的LSTM網(wǎng)絡(luò)體系結(jié)構(gòu)，用于預(yù)測(cè)異構(gòu)交通的軌跡。然而，由于訓(xùn)練參數(shù)和超參數(shù)較多，上述算法的訓(xùn)練過程往往比較耗時(shí)，這將妨礙自動(dòng)駕駛車輛及時(shí)更新模型參數(shù)。

自動(dòng)駕駛汽車的變道規(guī)劃：變道是自動(dòng)駕駛中最常見的行為之一。在這項(xiàng)研究中，一輛自動(dòng)駕駛汽車應(yīng)該計(jì)劃一系列的變道動(dòng)作。現(xiàn)有的車道變更規(guī)劃研究通常考慮車輛的駕駛安全性和舒適性。例如，有提出了一種新的基于情景模型預(yù)測(cè)控制(SCMPC)的高速公路變道輔助和自動(dòng)駕駛控制算法。其基本思想是通過少量的未來場(chǎng)景來解釋交通環(huán)境中的不確定性，以執(zhí)行安全的車道變換。還有提出了一種基于激勵(lì)的自動(dòng)駕駛車輛分散化協(xié)同換道決策框架，分別采用基于激勵(lì)的模型和避撞協(xié)調(diào)算法來確定相應(yīng)的決策。以及有提出了一種經(jīng)典的元胞自動(dòng)機(jī)模型(STNS)，該模型利用一組規(guī)則來判斷未來的變道行為。有人提出了一種車道變換的運(yùn)動(dòng)學(xué)模型，該模型可以根據(jù)多項(xiàng)式的特性來規(guī)劃車道的運(yùn)動(dòng)軌跡。此外，還應(yīng)用了無限動(dòng)態(tài)圓來檢測(cè)換道過程中的碰撞。有人提出了一種高速公路車道選擇模型(FLS)，該模型將使交通專業(yè)人員能夠更準(zhǔn)確地模擬高速公路上的變道行為。因此，交通模擬軟件將FLS算法整合到其軟件的商業(yè)版本中。FLS算法包括目標(biāo)車道選擇和間隙接受決策，其目的是輸出最精確的變道決策。

雖然上述的變道規(guī)劃算法主要關(guān)注換道的安全性、舒適性和準(zhǔn)確性，但忽略了換道對(duì)其他車輛的潛在影響。因此如何實(shí)現(xiàn)自動(dòng)駕駛汽車在變道時(shí)不對(duì)交通造成幽靈堵車現(xiàn)象，提高自動(dòng)駕駛車輛高效、智能地執(zhí)行車道變換是本領(lǐng)域技術(shù)人員亟需解決的問題。

發(fā)明內(nèi)容