一种基于搜索技术的自动驾驶车辆变道行为决策方法技术

本发明专利技术公开了一种基于搜索技术的自动驾驶车辆变道行为决策方法，该决策方法包括如下步骤：(S1)在预测了周围车辆的未来轨迹之后，自动驾驶汽车决策自己的驾驶行为；(S2)在行为决策中，分别通过行为搜索模块和行为处理模块对自动驾驶车辆的变道行为进行决策。通过上述方案，本发明专利技术达到了高效的自动驾驶目的，具有很高的实用价值和推广价值。

【技术实现步骤摘要】
一种基于搜索技术的自动驾驶车辆变道行为决策方法
本专利技术属于自动驾驶
，具体地讲，是涉及一种基于搜索技术的自动驾驶车辆变道行为决策方法。
技术介绍
现有很多学着针对自动驾驶提出了很多中模型预测，分比如下：基于情景模型预测变道：有人提出了一种新的基于情景模型预测控制(SCMPC)的高速公路变道辅助和自动驾驶控制算法。其基本思想是通过少量的未来场景来解释交通环境中的不确定性，以执行安全的车道变换。基于激励的自动驾驶车辆分散化协同换道：基于激励的自动驾驶车辆分散化协同换道决策框架，分别采用基于激励的模型和躲避碰撞协调算法来确定相应的决策。基于元胞自动机模型预测变道：有人提出了一种经典的元胞自动机模型(STNS)，该模型利用一组规则来判断未来的变道行为。基于运动学模型预测变道：有人提出了一种车道变换的运动学模型，该模型可以根据多项式的特性来规划车道的运动轨迹。此外，还应用了无限动态圆来检测换道过程中的碰撞。基于选择模型预测变道：有人提出了一种高速公路车道选择模型(FLS)，该模型将使交通专业人员能够更准确地模拟高速公路上的变道行为。因此，交通模拟软件将FLS算法整合到其软件的商业版本中。FLS算法包括目标车道选择和间隙接受决策，其目的是输出最精确的变道决策。上述的变道规划算法主要关注换道的安全性、舒适性和准确性，但忽略了换道对其他车辆的潜在影响，因而无法使得自动驾驶车辆更加智能化的处理道路环境，无法达到高效的自动驾驶。因此如何解决现有技术中存在的问题是本领域技术人员亟需解决的问题。
技术实现思路
为了克服现有技术中的上述不足，本专利技术提供一种基于搜索技术的自动驾驶车辆变道行为决策方法，使得自动驾驶车辆更加智能化，从而达到高效的自动驾驶。为了实现上述目的，本专利技术采用的技术方案如下：一种基于搜索技术的自动驾驶车辆变道行为决策方法，包括如下步骤：(S1)在预测了周围车辆的未来轨迹之后，自动驾驶汽车决策自己的驾驶行为；(S2)在行为决策中，分别通过行为搜索模块和行为处理模块对自动驾驶车辆的变道行为进行决策。进一步地，所述步骤(S1)中周围车辆未来轨迹预测结果包括九种即九个节点，分别是：(a)左变道加速、(b)左变道减速、(c)左变道保持速度、(d)不变道加速、(e)不变道减速、(f)不变道保持速度、(g)右变道加速、(h)右变道减速、(i)右变道保持速度。进一步地，所述步骤(S2)中行为搜索模块的作用是系统搜索离散的自动驾驶车辆的最优行为。进一步地，所述步骤(S2)中行为处理模块的作用是系统直接将离散的行为转换为连续的精确值作为输出结果。具体地，所述步骤(S2)中行为决策的具体步骤如下：(S21)行为搜索模块获取周围车辆的轨迹预测结果；(S22)通过获取的周围车辆的轨迹预测结果构建搜索树；(S23)对构建的搜索树执行行为搜索；(S24)通过行为处理模块对执行行为中的离散行为转换为连续的精确值；(S25)行为处理模块将连续的精确值作为结果输出。进一步地，所述步骤(S22)中搜索树是基于树的数据结构体，树的深度为Z，每个非叶子节点都拥有九个子节点，其中，根节点代表当前状态，而其他子节点则代表未来时刻对应的行为，并且每个节点除根节点之外均表示一种行为。具体地，所述步骤(S22)中搜索树的每条边都拥有两个权重，即影响因子Fim和速度VA，其中，影响因子Fim的计算方法如下：公式(1)表示所有周围普通车辆的影响因子求和结果，其中，取值为1，2，3分别代表排队情况、插队情况以及交叉情况。与现有技术相比，本专利技术具有以下有益效果：(1)本专利技术首先获取周围车辆的未来轨迹的预测结果，通过行为搜索模块对预测结果构建搜索树，然后通过行为处理模块对其转换为连续的精准值输出。由于车辆的运动行为是一个连续的值，直接对其进行搜索将非常耗时，本申请的行为决策包括行为搜索模块和行为处理模块两阶段过程，从而将搜索信息进行分散，减少了数据的处理时间，加快搜索过程，提高了行为决策处理效率。并且通过构建搜索树的搜索算法和剪枝策略，有效地找到了最优决策序列，从而使得自动驾驶车辆更加智能化，达到高效的自动驾驶。附图说明图1为本专利技术的动态剪枝示意图。图2为本专利技术三个影响因素示意图。图3为本专利技术最长重叠路径示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步说明，本专利技术的实施方式包括但不限于下列实施例。实施例如图1至图3所示，一种基于搜索技术的自动驾驶车辆变道行为决策方法，包括如下步骤：(S1)在预测了周围车辆的未来轨迹之后，自动驾驶汽车决策自己的驾驶行为，(S2)在行为决策中，分别通过行为搜索模块和行为处理模块对自动驾驶车辆的变道行为进行决策。其中，周围车辆未来轨迹预测结果包括九种即九个节点，分别是：(a)左变道加速、(b)左变道减速、(c)左变道保持速度、(d)不变道加速、(e)不变道减速、(f)不变道保持速度、(g)右变道加速、(h)右变道减速、(i)右变道保持速度。所述步骤中搜索树是基于树的数据结构体，树的深度为Z，每个非叶子节点都拥有九个子节点(即3×3个离散自动驾驶车辆行为)，其中，根节点代表当前状态，而其他子节点则代表未来时刻对应的行为，并且每个节点除根节点之外均表示一种行为，其中搜索树的结构如图1所示。所述搜索树的每条边都拥有两个权重，即影响因子Fim和速度VA，其中，速度计算方法是纵向行驶距离/单位时间，它的单位为m/s，影响因子Fim的计算方法如下：公式(1)表示所有周围普通车辆的影响因子求和结果，其中，取值为1，2，3分别代表排队情况、插队情况以及交叉情况，三种变道情况如图2所示。在行为搜索部分，使用BeamSearch算法来执行搜索，BeamSearch是一种启发式搜索算法，其使用广度优先搜索来构建搜索树，可降低内存需求，但不一定到全局最优解。BeamSearch系统使用广度优先策略建立搜索树，在树的每一层，按照启发代价对节点进行排序，然后仅留下预先确定的个数(BeamWidth-集束宽度)的节点，仅这些节点在下一层次继续扩展，其他节点就被剪掉了。本申请以快速找到最优的变道行为，使用决策树结构来表示整个搜索空间。使用动态修剪策略，可以将操纵树保持在易于处理的大小内，从而可以高效地执行搜索。搜索过程有两个目标：第一个是使自动驾驶车辆的平均速度最大化，该平均速度被计算为纵向行进距离除以持续时间。第二个是使其对周围普通车辆的影响最小化，通过影响因子可以模拟普通车辆受自动驾驶车辆的影响程度。最终行为决策功能输出得到自动驾驶车辆最优的行为。行为决策功能由行为搜索和行为处理两个子模块组成。在行为搜索阶段，系统搜索得到一个离散化版本的最优行为序列。具体地说，离散化行为是横向变道行为和纵向运动行为的离散化，考虑以下三种变道行为：本文档来自技高网...

【技术保护点】
1.一种基于搜索技术的自动驾驶车辆变道行为决策方法，其特征在于，包括如下步骤：/n(S1)在预测了周围车辆的未来轨迹之后，自动驾驶汽车决策自己的驾驶行为；/n(S2)在行为决策中，分别通过行为搜索模块和行为处理模块对自动驾驶车辆的变道行为进行决策。/n

【技术特征摘要】
1.一种基于搜索技术的自动驾驶车辆变道行为决策方法，其特征在于，包括如下步骤：
(S1)在预测了周围车辆的未来轨迹之后，自动驾驶汽车决策自己的驾驶行为；
(S2)在行为决策中，分别通过行为搜索模块和行为处理模块对自动驾驶车辆的变道行为进行决策。


2.根据权利要求1所述的一种基于搜索技术的自动驾驶车辆变道行为决策方法，其特征在于，所述步骤(S1)中周围车辆未来轨迹预测结果包括九种即九个节点，分别是：(a)左变道加速、(b)左变道减速、(c)左变道保持速度、(d)不变道加速、(e)不变道减速、(f)不变道保持速度、(g)右变道加速、(h)右变道减速、(i)右变道保持速度。


3.根据权利要求2所述的一种基于搜索技术的自动驾驶车辆变道行为决策方法，其特征在于，所述步骤(S2)中行为搜索模块的作用是系统搜索离散的自动驾驶车辆的最优行为。


4.根据权利要求3所述的一种基于搜索技术的自动驾驶车辆变道行为决策方法，其特征在于，所述步骤(S2)中行为处理模块的作用是系统直接将离散的行为转换为连续的精确值作为输出结果。


5.根据权利要求4所述的一种基于搜索技术的...

【专利技术属性】
技术研发人员：刘顺程，苏涵，郑凯，郑渤龙，
申请(专利权)人：成都语动未来科技有限公司，电子科技大学长三角研究院衢州，
类型：发明
国别省市：四川;51