本發(fā)明涉及自動駕駛技術領域，尤其涉及一種應用于自動駕駛車輛的高速公路超車行為決策方法。

背景技術：

智能化是汽車工業(yè)發(fā)展的必然趨勢，而自動駕駛技術是汽車智能化的重要研究內(nèi)容，也因此受到了相關國家政策的支持鼓勵。在國務院發(fā)布的《中國制造2025》[22]中，明確要求“到2025年，掌握自動駕駛總體技術及各項關鍵技術”。美國政府將在2016年7月推出全美自動駕駛汽車標準的國家藍圖，并且從2017年的預算中撥出40億美元來支持自動駕駛技術的研發(fā)。

從自動駕駛汽車產(chǎn)業(yè)化發(fā)展進程來看，已經(jīng)具備了理論研究與技術論證、市場推動、國家政策鼓勵以及人才儲備等良好條件。但是，自動駕駛技術依舊存在技術瓶頸與成本難題。兩者是矛盾的，在一定條件下又可以相互轉化，例如，增加傳感器數(shù)量可以減少技術實現(xiàn)的難度，但是成本會不可避免的上升。這種轉化關系類似“80/20法則”，即用20％的成本可以完成80％的路段行駛功能，而剩下的20％的路段行駛功能用80％的成本都難以實現(xiàn)。產(chǎn)業(yè)化進程中的自動駕駛功能與成本控制的矛盾，催生了兩種實現(xiàn)自動駕駛的技術路線：一種是以谷歌公司為代表的直接實現(xiàn)自動駕駛功能，然后推出成熟產(chǎn)品；另一種以特斯拉為代表的先推出能夠?qū)崿F(xiàn)部分自動駕駛功能的產(chǎn)品，逐步實現(xiàn)全自主駕駛功能。

逐步實現(xiàn)全自動駕駛的技術路線可以降低研發(fā)難度、實現(xiàn)成本控制，也更容易被市場接受。美國高速公路安全局根據(jù)自動化程度將自動駕駛 技術分為了5個等級：0級，車輛不具備自動化功能；1級，具備1種以上自動化控制功能；2級，具備組合式的自動化控制功能；3級，具備特定環(huán)境下的自動駕駛功能；4級，具備全自動駕駛功能。從自動駕駛技術本身來看，在民用市場發(fā)展的內(nèi)在推動力是它能夠“解放人類”。換句話說，自動駕駛技術能夠減輕人類駕駛員的駕駛強度，直至代替人類駕駛，使駕駛變得更輕松，而不再是一種負擔。從這個角度出發(fā)，自動駕駛車輛自動化程度不斷提高，就會不斷吸引消費者。自動駕駛的另一個優(yōu)點是安全，但是安全不是自動駕駛技術發(fā)展的本質(zhì)驅(qū)動力，安全是作為汽車工業(yè)產(chǎn)品的必備屬性。根據(jù)上述分析，美國高速公路安全局對自動駕駛的等級劃分是具有很好指導意義的，也是非常實際的自動駕駛技術發(fā)展路線。

目前，大部分研究機構與企業(yè)都處在第3級的研發(fā)階段，在成本因素限制下，面臨了感知系統(tǒng)不確定性、決策規(guī)劃復雜性等具體問題。高速公路是汽車行駛的重要的道路類型，當前針對高速公路的車道保持技術和自動巡航技術已相對成熟，但是針對自動駕駛汽車超車行為決策的研究并不完善，有待深入研究。

技術實現(xiàn)要素：

鑒于上述的分析，本發(fā)明旨在提供一種應用于自動駕駛車輛的高速公路超車行為決策方法，用以解決現(xiàn)有針對自動駕駛汽車超車行為決策的研究并不完善的問題。

本發(fā)明的目的主要是通過以下技術方案實現(xiàn)的：

一種應用于自動駕駛車輛的高速公路超車行為決策方法，包括以下步驟：

步驟S1、建立超車意圖模型；

步驟S2、根據(jù)環(huán)境感知信息和本車狀態(tài)信息，采用超車意圖模型，判斷是否產(chǎn)生超車意圖；是，轉步驟S3；否，繼續(xù)車道保持狀態(tài)；

步驟S3、判斷是否滿足超車條件；是，轉步驟S4；否，繼續(xù)車道保持狀態(tài)；

步驟S4、進入超車子狀態(tài)。

進一步，所述步驟S1包括以下子步驟：

步驟S101、數(shù)據(jù)采集與預處理；

采集的數(shù)據(jù)包括本車、前車、左前車的速度、位置以及道路限速信息；將數(shù)據(jù)進行預處理得到數(shù)據(jù)集

S＝{x_host,y_host,v_host,x_front,y_front,v_front,x_left,y_left,v_left,v_limit,t}

其中，x_host,y_host,v_host分別表示本車的橫向坐標、縱向坐標和速度，x_front,y_front,v_front分別表示前車的橫向坐標、縱向坐標和速度，x_left,y_left,v_left分別表示左前車的橫向坐標、縱向坐標和速度,v_limit表示道路限速，t表示時間；

步驟S102、特征選取與模型訓練得到超車意圖模型；

選取五個特征作為模型的輸入向量，向量表達為：

采用RBF神經(jīng)網(wǎng)絡進行模型訓練得到超車意圖模型。

進一步，所述步驟S2包括以下子步驟：

步驟S201、獲得環(huán)境感知信息；

步驟S202、獲得本車狀態(tài)信息；

步驟S203、將步驟S201和步驟S202獲得的信息進行處理得到超車意圖模型輸入向量，輸入超車意圖模型，根據(jù)模型輸出結果判斷是否產(chǎn) 生超車意圖；是，轉步驟S3；否，繼續(xù)車道保持狀態(tài)。

進一步，所述步驟S3包括下述子步驟：

步驟S301，判斷超車是否滿足合法性和安全性；是，進入步驟S302；否，繼續(xù)車道保持狀態(tài)；

步驟S302、進行超車規(guī)則判斷，滿足則轉步驟S4；不滿足則繼續(xù)車道保持狀態(tài)。

進一步，所述合法性是指超車過程中必須遵循交通法律法規(guī)約束。

進一步，所述判斷超車是否滿足安全性是根據(jù)安全性判斷規(guī)則進行判斷；

所述安全性判斷規(guī)則為：

其中，d為本車與前車的實際距離，d_safe為安全距離，TTC為本車與前車的碰撞時間，TTC_safe為安全碰撞時間。

進一步，所述安全距離采用下式得到：

d_safe＝μ_safev_host+L_vehicle+10

式中，μ_safe為駕駛員敏感系數(shù)，L_vehicle為本車車輛長度，10m為附加緩沖距離。

進一步，所述本車與前車的碰撞時間TTC由下式得到：

式中，y_front,y_host分別為前車與本車縱向坐標，v_front,v_host分別為前車與本車速度。

進一步，所述超車規(guī)則判斷是指，判斷是否滿足Y_overtake＞N_overtake；其中，Y_overtake為超車收益、N_overtake為超車損失。

進一步，所述超車收益由下式計算得到：

Y_overtake＝μ_efficiencyC_efficiency

C_efficiency為效率性評價指標，μ_efficiency為權重系數(shù)；

C_efficiency＝μ_v(v_leftlane-v_currentlane)+μ_leftfrontB_leftfront+μ_frontB_front

其中，v_leftlane為左側車道通行速度，v_currentlane為本車道通行速度，B_leftfront為左前車行為屬性，數(shù)值取左前車加速度值；B_front為前車行為屬性，數(shù)值取前車加速度值，μ_v,μ_leftfront,μ_front為權重系數(shù)；

所述超車損失由下式計算得到：

N_overtake＝μ_comfortC_comfort+μ_altruisticC_altruistic

C_comfort為舒適性評價指標，C_altruistic為利他性評價指標，μ_comfort、μ_altruistic分別為權重系數(shù)；

C_comfort＝μ_latj_lat+μ_lonj_lon

其中，j_lat為橫向加速度沖擊度，j_lon為縱向加速度沖擊度，μ_lat、μ_lon分別為權重系數(shù)；

C_altruistic＝μ_accacc+μ_intint

其中，acc為本車目標加速度，int為車輛避讓意圖，μ_acc、μ_int分別為權重系數(shù)；acc≥0時，int＝1，acc≤0時，int＝0。

本發(fā)明有益效果如下：

針對駕駛狀態(tài)的轉換采取分層決策：使用人工神經(jīng)網(wǎng)絡算法來產(chǎn)生超車意圖，然后采用基于規(guī)則的安全性、舒適性等條件判定。超車意圖產(chǎn)生解決了是否有必要進行超車的問題。超車意圖產(chǎn)生具有較強的主觀性，而超車安全等指標又具有較強的客觀性。由于訓練人工神經(jīng)網(wǎng)絡的駕駛數(shù)據(jù)來自特定的駕駛員，所以訓練結果可以充分體現(xiàn)駕駛員的主觀特殊性。采用基于規(guī)則的超車條件判定，解決了能不能進行超車的問題，既反映了超車過程的客觀性規(guī)律，又能夠避免神經(jīng)網(wǎng)絡算法錯誤的分類結果帶來的危險。這種分層的決策方法，充分考慮超車行為的主觀方面與客觀方面的因素，保證超車安全、舒適等條件下，使自動駕駛體現(xiàn)了人類的駕駛習慣。通過提出多層次微觀交通場景信息模型，使決策模塊的信息輸入更加豐富完善。采用層次狀態(tài)機對高速公路駕駛行為進行離散化建模，將連續(xù)的駕駛行為解耦，降低決策的復雜度。這種人類駕駛行為習慣的體現(xiàn)有利于自動駕駛技術的普及，一方面使自動駕駛車輛行為決策能夠被其他交通參與者所理解，增加整個交通通行的安全性，使自動駕駛車輛融入到真實的交通流中；另一方也很符合車內(nèi)駕駛員的駕駛行為習慣，良好的用戶體驗是自動駕駛車輛被認可的前提。

本發(fā)明的其他特征和優(yōu)點將在隨后的說明書中闡述，并且，部分的從說明書中變得顯而易見，或者通過實施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點可通過在所寫的說明書、權利要求書、以及附圖中所特別指出的結構來實現(xiàn)和獲得。

附圖說明

附圖僅用于示出具體實施例的目的，而并不認為是對本發(fā)明的限制，在整個附圖中，相同的參考符號表示相同的部件。

圖1為本發(fā)明實施例超車行為示意圖；

圖2為本發(fā)明實施例超車行為決策方法流程示意圖；

圖3為本發(fā)明實施例超車意圖產(chǎn)生流程示意圖；

圖4是本發(fā)明超車子狀態(tài)示意圖。

具體實施方式

下面結合附圖來具體描述本發(fā)明的優(yōu)選實施例，其中，附圖構成本申請一部分，并與本發(fā)明的實施例一起用于闡釋本發(fā)明的原理。

本實施例提出了一種應用于自動駕駛車輛的高速公路超車行為決策方法。使超車行為既能滿足特定駕駛員的駕駛習慣，又能滿足安全性、舒適性、高效性等基本要求。超車行為是指圖1中第2種和第3種超車行為，即超越本車道前車的行為；第1種并行超車的簡單行為不予考慮。高速公路設施完善，無行人，無故障車輛，只有正常行駛的機動車輛。

該決策方法，如圖2所示，包括以下步驟：

步驟S1、建立超車意圖模型；

具體地，如圖3所示，包括以下子步驟：

步驟S101、數(shù)據(jù)采集與預處理；

具體地，采集的數(shù)據(jù)包括本車、前車、左前車的速度、位置以及道路限速信息；將數(shù)據(jù)進行預處理得到數(shù)據(jù)集

S＝{x_host,y_host,v_host,x_front,y_front,v_front,x_left,y_left,v_left,v_limit,t}

其中，x_host,y_host,v_host分別表示本車的橫向坐標、縱向坐標和速度，x_front,y_front,v_front分別表示前車的橫向坐標、縱向坐標和速度，x_left,y_left,v_left分別 表示左前車的橫向坐標、縱向坐標和速度,v_limit表示道路限速，t表示時間。由于本實施例認為在駕駛員實施超車實際動作前3s內(nèi)的數(shù)據(jù)都表示產(chǎn)生換道意圖的有效數(shù)據(jù)，因此采集數(shù)據(jù)為前3s內(nèi)的數(shù)據(jù)信息。

步驟S102、特征選取與模型訓練得到超車意圖模型；

具體地，選取五個特征作為模型的輸入向量，向量表達為：

每組向量加上其標簽作為一個樣本，將所有樣本按照4:1的比例分為訓練集和測試集兩個部分。

利用訓練集采用RBF神經(jīng)網(wǎng)絡進行模型訓練，測試集用來測試模型的分類準確情況；其中RBF神經(jīng)網(wǎng)絡的徑向基函數(shù)采用高斯函數(shù)。

最終模型輸出的結果為0或1，0代表No即沒有產(chǎn)生超車意圖，1代表Yes即產(chǎn)生超車意圖。

上述步驟為離線訓練過程，充分提取真實環(huán)境中有效信息，為超車決策奠定良好的基礎。通過分析人類的駕駛行為，對人類駕駛員超車決策過程中的主觀與客觀規(guī)律進行建模。自動駕駛車輛具有類人的決策能力，使其能夠適應真實的交通環(huán)境，也能使車內(nèi)的駕乘人員得到良好的乘坐體驗。利用RBF神經(jīng)網(wǎng)絡算法對采集到的駕駛數(shù)據(jù)進行離線學習，得到超車意圖模型，以逼近特定駕駛員的主觀決策，帶來良好的駕乘體驗。

步驟S2、根據(jù)環(huán)境感知信息和本車狀態(tài)信息，采用超車意圖模型，判斷是否產(chǎn)生超車意圖；是，轉步驟S3；否，繼續(xù)車道保持狀態(tài)；

本步驟包括以下子步驟：

步驟S201、獲得環(huán)境感知信息，所述環(huán)境感知信息包括前車、左前 車的速度和位置以及道路的限速信息；

步驟S202、獲取本車狀態(tài)信息，包括本車的位置和速度信息；

步驟S203、采用超車意圖模型，判斷是否產(chǎn)生超車意圖；是，轉步驟S3；否，繼續(xù)車道保持狀態(tài)；

具體地，將步驟S210和步驟S202獲得的數(shù)據(jù)進行處理得到向量

將得到的上述向量輸入超車意圖模型后，根據(jù)模型輸出結果判斷是否產(chǎn)生超車意圖；模型輸出結果為1，表示是，轉步驟S3；模型輸出結果為0，表示否，繼續(xù)車道保持狀態(tài)；

步驟S3、判斷是否滿足超車條件；是，轉步驟S4；否，繼續(xù)車道保持狀態(tài)。

具體包括下述子步驟：

步驟S301，判斷超車是否滿足合法性和安全性；是，進入步驟S302；否，繼續(xù)車道保持狀態(tài)；

合法性與安全性是超車規(guī)則的首要滿足的條件，是超車規(guī)則判斷的第一層。合法性是指超車過程中必須遵循交通法律法規(guī)約束，例如左側超車原則、匝道禁止超車等。

滿足安全性判斷規(guī)則，則超車滿足安全性。

安全性判斷規(guī)則為：

其中，d為本車與前車的實際距離，d_safe為安全距離，TTC為本車與前車的碰撞時間，TTC_safe為安全碰撞時間。本實施例安全碰撞時間為2.5s。

其中，安全距離模型采用Pitt模型：

d_safe＝μ_safeν_host+L_vehicle+10

式中，μ_safe為駕駛員敏感系數(shù)，根據(jù)經(jīng)驗值選取，本實施例取駕駛員敏感系數(shù)為2s，L_vehicle為本車車輛長度，10m為附加緩沖距離。

本車與前車的碰撞時間TTC：

式中，y_front,y_host分別為前車與本車縱向坐標，v_front,v_host分別為前車與本車速度。

步驟S302、進行超車規(guī)則判斷，滿足則轉步驟S4；不滿足則繼續(xù)車道保持狀態(tài)；

具體地，超車規(guī)則判斷是指，判斷是否滿足Y_overtake＞N_overtake；其中，Y_overtake為超車收益、N_overtake為超車損失。

超車收益與超車損失是在滿足超車合法性與安全性后的次級判斷準則，主要考慮了效率性、舒適性與利他性。

超車收益由效率性評價指標計算得到：

Y_overtake＝μ_efficiencyC_efficiency

效率性評價指標C_efficiency主要用來描述超車行為所獲得的通行速度上的提升程度，考慮了目標車道與本車道通行速度的不同以及左前車與前車行為的影響。μ_efficiency為權重系數(shù)，根據(jù)需要由本領域技術人員來設定。

效率性評價指標通過下式計算：

C_efficiency＝μ_v(v_leftlane-v_currentlane)+μ_leftfrontB_leftfront+μ_frontB_front

其中，v_leftlane為左側車道通行速度，v_currentlane為本車道通行速度，B_leftfront為左前車行為屬性，數(shù)值取左前車加速度值；B_front為前車行為屬性，數(shù)值取前車加速度值，行為屬性指的是駕駛員的加速減速操作。μ_v,μ_leftfront,μ_front為 權重系數(shù)。

其中：μ_v＝1，

μ_leftfront+μ_front＝1

超車損失包含舒適性與利他性損失：

N_overtake＝μ_comfortC_comfort+μ_altruisticC_altruistic

C_comfort為舒適性評價指標，C_altruistic為利他性評價指標，μ_comfort、μ_altruistic分別為權重系數(shù)，本實施例中μ_comfort、μ_altruistic均取0.5。

舒適性評價指標主要是衡量智能決策結果對駕乘人員乘坐感受的影響，采用反映車輛加速度變化的指標沖擊度j來表達。

C_comfort＝μ_latj_lat+μ_lonj_lon

其中，j_lat為橫向加速度沖擊度，j_lon為縱向加速度沖擊度，μ_lat、μ_lon為權重系數(shù)。本實施例中μ_lat、μ_lon均取0.5。

沖擊度j，即整體加速度的變化率：

其中，θ是前輪轉角，L_wheelbase為軸距，v_host是車輛后軸中心運動速度。將式2和3分別代入式1即可求得j_lat和j_lon。

利他性評價指標主要衡量超車行為對交通流或者其他車輛的影響。分析具體的超車行為，當自動駕駛車輛進行超車時，干擾主要發(fā)生在兩次換道時，對左后車或者右后車可能會產(chǎn)生明顯的影響。這種影響主要 是指速度的降低或者加速行駛的中斷，自動駕駛車輛超車決策在利他性上的基本原則是：對其他行駛車輛不產(chǎn)生或者輕微產(chǎn)生消極影響，盡量產(chǎn)生積極影響。下面，通過是否造成其他車輛速度下降來量化對其的影響，假設左換道時的左后車與右換道的右后車均在執(zhí)行正常車道保持行駛。在換道準備過程中，利他性會充分考慮車輛避讓意圖。

根據(jù)換道時是否對左后車或右后車造成減速影響，考慮其避讓意圖來計算利他性評價指標：

C_altruistic＝μ_accacc+μ_intint

其中，acc為通過ACC模型計算得到的加速度，int為車輛避讓意圖，μ_acc、μ_int為權重系數(shù)，本實施例均取0.5；acc≥0時，int＝1，acc≤0時，int＝0。

車輛執(zhí)行自適應巡航(Adaptive Cruise Control，ACC)模型：

其中，d_min為本車與目標車輛最小間隔距離，h_desired為本車與目標車輛時距，v_target為目標車輛速度，d_target為本車與目標車輛距離，v_host為本車速度，acc為本車目標加速度，μ_d、μ_v為權重系數(shù)。目標車輛根據(jù)實際情況指本車左后車或者右后車。

步驟S4、進入超車子狀態(tài)，開始超車。

具體地，如圖4所示，由于交通法規(guī)限定超車行為必須從左側進行，因此只考慮了從被超車輛左側超越的情況。與人類駕駛員超車過程相似，超車子狀態(tài)依次包括左換道準備、左換道、并行超越、右換道準備和右換道完成超車。其中，左換道準備是超車子狀態(tài)的初始默認狀態(tài)。

本實施例，通過提出多層次微觀交通場景信息模型，使決策模塊的 信息輸入更加豐富完善。采用層次狀態(tài)機對高速公路駕駛行為進行離散化建模，將連續(xù)的駕駛行為解耦，降低決策的復雜度。針對駕駛狀態(tài)的轉換采取分層決策：使用人工神經(jīng)網(wǎng)絡算法來產(chǎn)生超車意圖，然后采用基于規(guī)則的安全性、舒適性等條件判定。超車意圖解決了是否有必要進行超車的問題。超車意圖的產(chǎn)生具有較強的主觀性，而超車安全等指標又具有較強的客觀性。由于訓練人工神經(jīng)網(wǎng)絡的駕駛數(shù)據(jù)來自特定的駕駛員，所以訓練結果可以充分體現(xiàn)駕駛員的主觀特殊性。采用基于規(guī)則的超車條件判定，解決了能不能進行超車的問題，既反映了超車過程的客觀性規(guī)律，又能夠避免神經(jīng)網(wǎng)絡算法錯誤的分類結果帶來的危險。這種分層的決策方法，充分考慮超車行為的主觀方面與客觀方面的因素，保證超車安全、舒適等條件下，使自動駕駛體現(xiàn)了人類的駕駛習慣。這種人類駕駛行為習慣的體現(xiàn)有利于自動駕駛技術的普及，一方面使自動駕駛車輛行為決策能夠被其他交通參與者所理解，增加整個交通通行的安全性，使自動駕駛車輛融入到真實的交通流中；另一方也很符合車內(nèi)駕駛員的駕駛行為習慣，良好的用戶體驗是自動駕駛車輛被認可的前提。

本領域技術人員可以理解，實現(xiàn)上述實施例方法的全部或部分流程，可以通過計算機程序來指令相關的硬件來完成，所述的程序可存儲于計算機可讀存儲介質(zhì)中。其中，所述計算機可讀存儲介質(zhì)為磁盤、光盤、只讀存儲記憶體或隨機存儲記憶體等。

以上所述，僅為本發(fā)明較佳的具體實施方式，但本發(fā)明的保護范圍并不局限于此，任何熟悉本技術領域的技術人員在本發(fā)明揭露的技術范圍內(nèi)，可輕易想到的變化或替換，都應涵蓋在本發(fā)明的保護范圍之內(nèi)。