一种基于行车预测场和BP神经网络的智能车辆驾驶行为拟人化决策方法技术

本发明专利技术公开了一种基于行车预测场和BP神经网络的智能车辆驾驶行为拟人化决策方法，步骤1：将周边车辆行为根据横向与纵向两个方面组合划分，划分为9个典型行为bi，拟合每个车辆行为bi对应的相似性轨迹，设目标车辆依照相似性轨迹行驶过的区域；步骤2：取智能车辆当前车道的前后方车辆与相邻车道的前后方车辆作为其周围车辆，智能车辆使用V2V通信实时获取每个时刻各车的位置、速度、加速度；步骤3：建立安全预测场，效率预测场，驾驶舒适预测场；步骤4：智能车辆依据实时获取各行为bi在行车预测场下的子预测场场强和，归一化处理后输入BP神经网络驾驶行为决策模型，输出y向量解码后得出最合理的驾驶行为决策结果。

【技术实现步骤摘要】
一种基于行车预测场和BP神经网络的智能车辆驾驶行为拟人化决策方法
本专利技术属于智能驾驶决策领域，具体涉及一种基于行车预测场和BP神经网络的智能车辆驾驶行为拟人化决策方法。
技术介绍
智能驾驶车辆是一种具有自主行驶能力的车辆，除了能够完成常规的汽车驾驶动作外，还具有针对交通场景的环境感知、行为决策、运动规划、车辆控制、自动避障等类人行为能力。作为无人驾驶车辆智能化水平的一个重要体现，驾驶行为决策目前己经成为各方专家学者研究的重点和难点。对于驾驶车辆这一复杂行为来说，驾驶员往往是凭借眼睛、耳朵等这些外部感知器官来收集道路环境信息，依据驾驶经验与期望追求来选择驾驶行为，从而制定运动规划。而智能驾驶车辆也应具有“拟人化”的决策机制，根据其根据当前的行驶状态、驾驶任务和道路环境感知信息，对车辆下一时刻的驾驶行为进行决策。现阶段，驾驶行为决策模型的研究往往先对驾驶交通场景进行分类然后针对该驾驶场景进行行为决策，虽然对某些特定驾驶场景能获得较好的决策结果，但在真实的交通环境中交通要素复杂、随机和不确定因素多，而决策系统不可能完全涵盖所有可能的驾驶场景，因此这类方法一般不能达到较好的鲁棒性和适应性。此外，现有智能车辆驾驶行为决策方法往往注重于车辆规避行车危险的能力，而正常理性的驾驶员在驾驶时的行为决策可以抽象为一个不断追求收益最大化的过程，此类方法忽视了驾驶员或乘客对车辆其它性能的期望收益，例如高效性、驾驶舒适性等。事实上，智能车辆“驾驶脑”也只有像人类一样达到对日益交通环境感知的升华，才能做到真正的“智能”驾驶。近年来，随着通信技术的发展，车联网、车对车(V2V)、智能手机等通信设备也可以帮助车辆准确地获取周围额外的信息，这也给建立一个能够适应多驾驶场景的行车预测场增添了便利。
技术实现思路
针对驾驶场景的复杂多变以及人们对于行车安全性、高效性和舒适性要求的提高，本专利技术提出了一种基于行车安全性、高效性和舒适性的行车预测场，并基于此和BP神经网络提出了一种智能车辆行为决策方法，能够根据周围交通环境合理地作出行为拟人化决策，为智能车辆自身的运动轨迹规划提供参考依据。本专利技术的目的可以通过以下技术方案来实现。一种基于行车预测场的智能车辆驾驶行为拟人化决策方法，具体包括：Step1：将周边车辆行为根据横向与纵向两个方面组合划分，离散化划分为9个典型行为bi。拟合每个车辆行为bi对应的相似性轨迹，设目标车辆依照相似性轨迹行驶过的区域为Step2：取智能车辆当前车道的前后方车辆与相邻车道的前后方车辆作为其周围车辆，每辆交通环境参与车使用车载的GPS与IMU联合定位系统实时获取每个时刻自车的位置(x,y)、速度(Vx,Vy)、加速度(ax,ay)。构建周边车辆群体实时V2V通信网络，主车(智能车辆)使用V2V通信技术中LTE模块的D2D(Device-To-Device)邻近通信服务(ProSe)实时获取所处交通环境周边车辆的状态信息。Step3：根据相似性轨迹行驶过的区域为以及所处交通环境周边车辆的状态信息，建立行车预测场，包含安全预测场ES，效率预测场EE，驾驶舒适预测场EC。(1)智能车辆行车区域内任意一点位置受到周围第j辆车影响所具有的单位安全势值其中，(X,Y)为智能车辆行车区域内任意一点位置；GS为行车安全预测场待定常数；δj智能车辆周围第j辆车的车辆类型系数；Mj为周围第j辆车的等效质量比，是第j辆车的长宽高乘积的倒数；(x[j],y[j])为周围第j辆车当前时刻的位置向量；为周围第j辆车当前时刻的速度向量；为周围第j辆车当前时刻的加速度向量；ΔT为智能车辆行为决策执行时间；||||2为欧几里德范数符号。得智能车辆行车区域内任意一点位置所具有的单位安全势值则智能车辆某一行为bi的安全预测场场强和为(2)智能车辆行车区域内任意一点位置所具有的单位效率势值Y为智能车辆行车区域内任意一点纵向位置；GE为行车效率预测场待定常数；M0为智能车辆的等效质量比，是智能车辆的长宽高乘积的倒数；y[0]为智能车辆当前时刻的纵向位置；则智能车辆某一行为bi的效率预测场场强和为(3)智能车辆行车区域内任意一点位置所具有的单位驾驶舒适势值(X,Y)为智能车辆行车区域内任意一点位置；GC为行车驾驶舒适预测场待定常数；(x[0],y[0])为智能车辆当前时刻的位置向量；为智能车辆当前时刻的速度向量；ΔT为周边智能车辆行为预测周期时间；||||2为向量的欧几里德范数符号。则智能车辆某一行为bi的驾驶舒适性预测场场强和为Step4：针对驾驶环境复杂多变导致驾驶行为各期望追求因素与驾驶行为合理性关系的高度非线性，使用三层BP神经网络自适应获得驾驶行为决策结果。该神经网络结构为27-16-9。以每个的车辆行为bi的子预测场场强和为元素构造9×3矩阵T，每列表示不同的车辆行为bi，每行表示各行车子预测场。将矩阵T转化为向量形式采用最值法对归一化处理得出输入向量为x＝(x1,x2,……,x27)。隐含层第j个神经元输出为其中表示输入层神经元i与隐含层神经元j之间的连接权值，aj表示隐含层神经元j的偏置值，f()是隐含层神经元的激活函数，采用Sigmoid函数，形式为针对车辆行为决策类型1～9采用“onehot”进行编码，输出层神经元数目为9，输出向量y＝(y1,y2,……,y9)。输出层第k个神经元输出为其中μjk表示隐含层神经元j与输出层神经元k之间的连接权值，bk表示输出层神经元j的偏置值。使用驾驶模拟器采集各交通场景下具有丰富驾驶经验的人类驾驶员的行为决策选择，并结合本专利技术建立的行车预测场进行计算和数据预处理，生成样本训练集L。对BP神经网络进行训练：(1)初始化BP网络，为层与层之间的连接权值和隐层、输出层节点的阈值为(-1,1)之间随机小量；(2)计算每个样本的hj和yk，获得均方误差其中ok为实际驾驶行为决策结果向量元素值；(3)通过误差反向传播更新连接权值和偏置值，使得误差函数值减小。连接权重μjk、ωij与偏置bk、aj更新公式为：μjk＝μjk+ηhjekbk＝bk+ηek其中η学习率，大小为0.35。(4)设置训练精度ε＝0.01，重复输入样本集L中的样本，并执行算法计算误差E(l)，当相邻两次迭代误差E(l)之间的差别低于ε或迭代次数达到100次时，连接权值和偏置更新方可停止，得出训练好的BP神经网络驾驶行为决策模型。Step4：智能车辆依据Step1-3实时获取各行为bi在行车预测场下的子预测场场强和，并归一化处理后作为x向量输入训练好的BP神经网络驾驶行为决策模型，输出y向量解码后得出最合理的驾驶行为决策结果。本专利技术的有益效果：(1)综合考虑驾驶期望追求三要素，在智能车辆的行驶区域建立了行车预测场，能够适应人们对于驾驶过程中行车安全性、高效性和舒适性日益增长的要求。(2)使用行车预测场进行智能车辆的驾驶行为决策，能够适应复杂多变的交通环境，实现人-车-路闭环系统的联系，行为决策准确性高、环境适应性强、鲁棒性好。(3)构建周边车辆群体实时V2V通信网络，主车直接获取其他车辆自测的实时状态信息，减免了视觉系统数据处理过程，数据准确性高、实时性好。(4)建立适用于本专利技术的特定BP神经网络，突破了各行车子预测场场强和权重系数难以选本文档来自技高网...

【技术保护点】
1.一种基于行车预测场和BP神经网络的智能车辆驾驶行为拟人化决策方法，其特征在于，包括如下步骤：步骤1：将周边车辆行为根据横向与纵向两个方面组合划分，离散化划分为9个典型行为bi，拟合每个车辆行为bi对应的相似性轨迹，设目标车辆依照相似性轨迹行驶过的区域为

【技术特征摘要】
1.一种基于行车预测场和BP神经网络的智能车辆驾驶行为拟人化决策方法，其特征在于，包括如下步骤：步骤1：将周边车辆行为根据横向与纵向两个方面组合划分，离散化划分为9个典型行为bi，拟合每个车辆行为bi对应的相似性轨迹，设目标车辆依照相似性轨迹行驶过的区域为步骤2：取智能车辆当前车道的前后方车辆与相邻车道的前后方车辆作为其周围车辆，每辆交通环境参与车使用车载的GPS与IMU联合定位系统实时获取每个时刻自车的位置(x,y)、速度(Vx,Vy)、加速度(ax,ay)；步骤3：根据相似性轨迹行驶过的区域为以及周边车辆的状态信息，建立行车预测场，包含安全预测场ES，效率预测场EE，驾驶舒适预测场EC；步骤4：智能车辆依据实时获取各行为bi在行车预测场下的子预测场场强和，并归一化处理后作为x向量输入训练好的BP神经网络驾驶行为决策模型，输出y向量解码后得出最合理的驾驶行为决策结果。2.根据权利要求1所述的一种基于行车预测场和BP神经网络的智能车辆驾驶行为拟人化决策方法，其特征在于，所述步骤2中，智能车辆与周围车辆之间构建V2V通信网络，智能车辆使用V2V通信技术中LTE模块的D2D邻近通信服务实时获取所处交通环境周边车辆的状态信息。3.根据权利要求1所述的一种基于行车预测场和BP神经网络的智能车辆驾驶行为拟人化决策方法，其特征在于，所述步骤3中，安全预测场ES的建立方法为：以智能车辆的前后向h辆周边交通车辆为产生安全场势的“电荷”，将前后向h辆周边交通车辆的位置、速度与加速度作为影响安全势值的主要变量；写出智能车辆行车区域内任意一点位置受到周围第j辆车影响所具有的单位安全势值其中，(X,Y)为智能车辆行车区域内任意一点位置；GS为行车安全预测场待定常数；δj周围第j辆车的车辆类型系数；Mj为周围第j辆车的等效质量比，是第j辆车的长宽高乘积的倒数；(x[j],y[j])为智能车辆周围第j辆车当前时刻的位置向量；为周围第j辆车当前时刻的速度向量；为周围第j辆车当前时刻的加速度向量；ΔT为智能车辆行为决策执行时间；||||2为欧几里德范数符号；智能车辆行车区域内任意一点位置所具有的单位安全势值则智能车辆某一行为bi的安全预测场场强和为4.根据权利要求1所述的一种基于行车预测场和BP神经网络的智能车辆驾驶行为拟人化决策方法，其特征在于，所述步骤3中，所述效率预测场EE的建立方法为：以智能车辆为产生效率场势的“电荷”，将智能车辆的纵向位置作为影响效率势值的主要变量；写出智能车辆行车区域内任意一点位置所具有的单位效率势值Y为智能车辆行车区域内任意一点纵向位置；GE为行车效率预测场待定常数；M0为智能车辆的等效质量比，是智能车辆的长宽高乘积的倒数；y[0]为智能车辆当前时刻的纵向位置；则智能车辆某一行为bi的效率预测场场强和为5.根据权利要求1所述的一种基于行车预测场和BP神经网络的智能车...

【专利技术属性】
技术研发人员：蔡英凤，邰康盛，刘擎超，梁军，陈小波，李祎承，何友国，陈龙，唐斌，王海，
申请(专利权)人：江苏大学，
类型：发明
国别省市：江苏,32