[發明專利]一種考慮附著系數的自動駕駛汽車類人換道決策規劃方法

在審

• 申請號: 202111569940.9
• 申請日: 2021-12-21
• 公開（公告）號: CN114030485A
• 公開（公告）日: 2022-02-11
• 發明（設計）人: 朱冰;孫一;趙健;宋東鑒;張伊晗;靳萬里;李波;禚淞瑀;劉宇翔;姜景文;黃殷梓;李響
• 申請（專利權）人: 吉林大學
• 主分類號: B60W60/00
• 分類號: B60W60/00;B60W40/064;G06F30/20;G06F30/15
• 代理公司: 長春市恒譽專利代理事務所(普通合伙) 22212
• 代理人: 梁紫鉞

本發明涉及一種考慮附著系數的自動駕駛汽車類人換道決策規劃方法，將三種常見附著系數下的駕駛人換道數據分別送入三個基于LSTM的神經網絡決策規劃模型，先使用神經網絡決策模型深度學習的方法學習人類換道決策行為，再使用神經網絡規劃模型深度學習的方法學習人類換道軌跡，得到當前交通環境下每種附著下的預測軌跡輸出；在駕駛任務中，接收實際路面附著系數的估計值,結合離散附著系數的輸出軌跡進行軌跡融合，得到當前實時決策行為以及規劃軌跡。本發明研究人類駕駛員的駕駛行為與駕駛習性機理，并使自動駕駛汽車理解人類駕駛方式、像人類一樣進行駕駛，提升人對自動駕駛汽車的乘坐認同感，為提升智能駕駛汽車接受度提供了參考。

技術領域

本發明涉及一種自動駕駛汽車換道決策規劃方法，特別涉及一種考慮路面附著系數的自動駕駛汽車類人換道決策規劃方法。

背景技術

自動駕駛汽車(Autonomous Vehicles，AV)是一項高速發展且日益成熟的技術，有可能通過提高汽車運輸的安全性、可達性、效率和便利性來重塑移動出行概念，是世界汽車工業發展的必然趨勢和主要賽場，也是我國汽車工業的戰略制高點。自動駕駛車輛必須能夠執行的安全關鍵任務包括在與其他車輛和行人共享的動態環境下進行合理運動規劃，以及控制的魯棒性。在現階段，對單車來說，人類駕駛員和自動駕駛汽車共同完成駕駛任務的情況將共存；從多車角度來說，自動駕駛汽車與人類駕駛汽車共同構成混合交通局面。在未來，鑒于人類對駕駛活動的熱情與對極致駕駛感受的追求，即使在高等級自動駕駛汽車普及的時代，人類駕駛汽車的情況也不會消失，故可以推斷人機共駕和混合交通的情景將長期存在。人類具有出色的場景泛化，技能學習，緊急情況處理能力；因此研究人類駕駛員的駕駛行為與駕駛習性機理，并使自動駕駛汽車理解人類駕駛方式、像人類一樣進行駕駛，提升人對AV的乘坐認同感，是智能駕駛汽車研究中不可忽視的方面。

在自動駕駛汽車技術體系中，決策規劃是系統的中樞，承接感知與控制層，是提高車輛智能性、安全性、經濟性、舒適性以及用戶接受度和交通協調度的關鍵，因此，決策規劃問題一直是自動駕駛汽車研究領域的熱點和難點。當前自動駕駛汽車自主決策規劃研究大多采用基于規則或基于學習的方法。隨著人工智能技術的不斷進步，基于數據學習的自動駕駛汽車決策規劃策略引起了越來越多的關注，常用的學習算法有決策樹、概率圖模型、深度學習、強化學習等，但現有的換道決策規劃方法缺少考慮實時的路面附著系數對于決策規劃的影響，學習類方法存在泛化性較差、機理不明晰等問題。

發明內容

為了解決上述技術問題，本發明提供一種考慮路面附著系數的自動駕駛汽車類人換道決策規劃方法，包括以下步驟：

步驟一、分別采集良好路面附著系數、中等路面附著系數和低路面附著系數下的熟練駕駛人換道數據；

步驟二、對所采集的換道數據進行預處理，以及統計學特征計算、特征構造，對良好路面附著下采集到的數據特征序列與特征值進行ANOVA相關性分析，得到對駕駛人換道行為具有顯著影響的特征序列和特征值，后引入不同附著系數μ下采集得到的駕駛數據，分析μ是如何影響駕駛人的換道行為，得出映射關系；分析結果表明，當路面附著系數μ降低時相比于正常附著情況：

1、換道切入點遠離前車；

2、換道過程自車側向加速度峰值a_ymax降低；

3、換道時長增加；

步驟三、將三種常見附著系數μ＝0.1、0.5、0.8下的駕駛人換道數據分別送入三個基于LSTM的神經網絡決策規劃模型，神經網絡決策規劃模型采用分層架構，先使用神經網絡決策模型深度學習的方法學習人類換道決策行為，即左換道、右換道、保持跟車三種決策；再使用神經網絡規劃模型深度學習的方法學習人類換道軌跡，得到當前交通環境下每種附著下的預測軌跡輸出，即μ＝0.1、0.5、0.8下的三條軌跡；

步驟四、在駕駛任務中，決策規劃系統實時接收由感知系統識別得到的實際路面附著系數的估計值結合離散附著系數的輸出軌跡，采用拉格朗日三次多項式插值法進行軌跡融合：