[發明專利]基于復雜網絡的自動駕駛汽車復雜環境模型、認知系統及認知方法

有效

• 申請號: 202110504041.4
• 申請日: 2021-05-10
• 公開（公告）號: CN113406955B
• 公開（公告）日: 2022-06-21
• 發明（設計）人: 蔡英鳳;滕成龍;熊曉夏;王海;孫曉東;劉擎超
• 申請（專利權）人: 江蘇大學
• 主分類號: G05D1/02
• 分類號: G05D1/02
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于復雜網絡的自動駕駛汽車復雜環境模型，其特征在于，以運動主體為節點，構造時變復雜動態網絡G作為復雜環境模型：

G＝(V,B,X,P,Θ) (3)

其中，G是時變復雜動態網絡，V是時變復雜動態網絡G中節點集合，B是時變復雜動態網絡G中邊的集合，表示節點之間的連線，X是時變復雜動態網絡G中節點的狀態向量，P為復雜動態網絡G中邊的強度函數，表示節點間的耦合關系，Θ為時變復雜動態網絡G的區域函數，表示對時變復雜動態網絡G的動態約束；

將時變復雜動態網絡G等效為具有N個節點的連續時間動態系統，設第i節點的狀態變量為x_i，則第i節點的動力學方程為：

其中，f(x_i)為第i節點狀態變量的自變函數，ξ0為共同連接關系強度系數，p_ij(t)為第i節點和第j節點之間的耦合系數，H(x_j)為節點間的內聯函數，是駕駛風格和節點距離的函數；

記X＝[x₁,x₂,…,x_N]^T，F(X)＝[f(x₁),f(x₂),…,f(x_N)]^T，P(t)＝[(p_ij(t))]∈R^N×N,H(X)＝[H(x₁),H(x₂),…,H(x_N)]^T，則時變復雜動態網絡G的節點系統動力學方程為：

其中，X為時變復雜動態網絡G中節點的狀態向量，F(X)為時變復雜動態網絡G中節點的動態方程向量，P(t)為時變復雜動態網絡G中節點間的耦合矩陣，H(X)為時變復雜動態網絡G中節點的內聯向量；

所述復雜環境模型中，隨著節點的運動和環境的變化，節點的位置和狀態處于動態變化中，有節點匯入和流出網絡，節點間的耦合關系和網絡區域函數也隨之變化，復雜網絡系統隨時間不斷地演化發展。

2.基于復雜網絡的自動駕駛汽車的認知系統，其特征在于，包括：駕駛風格識別模塊，復雜環境模型模塊，節點差異化認知模塊，層次化認知模塊，全局風險態勢認知模塊；

所述駕駛風格識別模塊，是在提取駕駛特征參數的基礎上，構造駕駛風格特征矩陣C_J，將駕駛風格特征矩陣C_J輸入隨機森林分類器R_f，通過隨機森林分類器R_f輸出駕駛風格類別K_drive；

所述復雜環境模型模塊為權利要求1所述的復雜環境模型；

所述節點差異化認知模塊，利用復雜環境模型中節點的量g_i、度k_i、點權s_i和重要度I(i)共四個參數來表述了網絡節點的差異性，并用正態分布圖對所有節點進行差異化分析；

所述層次化認知模塊，是采用凝聚算法對復雜環境模型中的節點進行層次劃分，實現對自動駕駛汽車復雜環境的層次化、階梯性認知；

所述全局風險態勢認知模塊，利用系統熵和熵變對復雜環境模型的無序程度進行度量，描述整體風險及變化態勢，實現對全局共性的狀態認知。

3.根據權利要求2所述的自動駕駛汽車的認知系統，其特征在于，所述駕駛特征參數，包括縱向駕駛特征參數、橫向駕駛特征參數和模式轉移特征參數； 所述縱向駕駛特征參數是指有限時窗內的縱向加速度a₊、跟弛時距d_time，所述橫向駕駛特征參數是指有限時窗內的橫向加速度均方根RMS(a_-)、橫擺角速度標準差SD(r)，所述模式轉移特征參數有限時窗內的左換道狀態轉移概率P(l_c)和右換道狀態轉移概率P(r_c)。

4.根據權利要求2所述的自動駕駛汽車的認知系統，其特征在于，所述駕駛風格特征矩陣C_J，是指由縱向駕駛特征參數、橫向駕駛特征參數和模式轉移特征參數構成的三維六自由度特征矩陣：