基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策方法与系统技术方案

本发明专利技术公开了基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策方法与系统，利用预测模型中复杂网络编码器将高清地图和智能体上下文编码为有向加权复杂网络的节点编码，得出各节点的可达情况。目标点预测器根据智能体历史轨迹信息和局部道路特征预测各智能体目标点，并结合车道节点可达性和智能体节点关键性获得参考轨迹的联合分布。轨迹解码器以参考轨迹为条件，输入智能体历史轨迹和运动学或动力学约束解码生成预测轨迹并优化。决策模型输入上游全局路径规划层提供的导航路线，判断是否有变道需求并确定车道的优先级。然后结合参考轨迹的联合分布概率、复杂网络风险值和车道优先级设计代价函数，挑选最优轨迹作为决策结果。作为决策结果。作为决策结果。

【技术实现步骤摘要】
基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策方法与系统


[0001]本专利技术属于智能车辆自动驾驶
，涉及一种基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策方法及系统。

技术介绍

[0002]自动驾驶的发展如火如荼，但是自动驾驶的产业化之难也成为业内共识。根据人工智能驾驶技术的发展五个阶段，我国L4级智能汽车想要实现真正技术落地，还有一段路要走。据《中国营运车辆智能化运用发展报告》预测：商用车的运输环境对自动驾驶汽车而言具有非常多的优势，带来的经济收益和节约的人力成本都比乘用车更高；同时，有望先在港区、矿区等封闭区域或高速公路等有限开放区域实现无人驾驶商业化应用，然后逐步收集数据，升级程序，并延伸到其他应用领域。总之，高速公路商用车可能是无人驾驶产业化的突破点之一。
[0003]自动驾驶中，轨迹预测一般位于感知模块的后端，决策规划模块的前端，是承上启下的模块。随着自动驾驶的发展，已经涌现了大量的轨迹预测模型，但美中不足的是：大多数预测方法并不强调场景一致性，即场景中不同智能体的多模态预测轨迹之间存在大量的自碰撞，使得下游规划困难。同时，充分考虑周边动静态障碍物的交互和地图信息后对自车轨迹的预测可以帮助自车进行决策，即在规划轨迹之前，可以根据周围障碍物判断自车下一步的行为(跟车、超车等)。另外，可解释性也是轨迹预测模块中需要引起更多重视的方面。

技术实现思路

[0004]为了解决上述技术问题，本专利技术提出了一种基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策方法及系统。
[0005]本专利技术提出的基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策系统包括：预测模型和决策模型；预测模型中复杂网络编码器将高清地图和智能体上下文编码为有向加权复杂网络的节点编码，并得出各节点的可达情况。目标点预测器根据智能体历史轨迹信息和局部道路特征预测各智能体目标点，并结合车道节点可达性和智能体节点关键性获得参考轨迹的联合分布。轨迹解码器以参考轨迹为条件，输入智能体历史轨迹和运动学或动力学约束解码生成预测轨迹并优化。
[0006]自动驾驶的决策规划模块可分为三层，即全局路径规划层(生成一条全局导航路线)、行为决策层(作出具体的行为决策)和运动规划层(规划生成一条满足特定约束条件的轨迹)层。本文提出的决策模型对应于第二层，即行为决策层。决策模型中，输入上游全局路径规划层提供的导航路线，以此判断是否有变道需求并确定车道的优先级。然后预测自车及认知域范围内其他智能体的轨迹，特别的，在结合车道节点可达性和智能体节点关键性获得参考轨迹的联合分布随后，结合参考轨迹的分布概率、复杂网络风险值和车道优先级
设计代价函数，挑选最优预测轨迹作为自车决策轨迹结果。
[0007]复杂网络编码器部分：基于复杂网络理论，对高清地图和智能体上下文进行编码，构造时变动态复杂网络G来刻画自动驾驶汽车的复杂交通环境。具体来说，以场景中的智能体为节点，节点之间的交互关系为边，节点之间的风险大小为边的权重，由高清地图表示的有向图为节点的活动区域。本专利技术首先采用基于可变高斯安全场的方法计算智能体节点间的风险值，构建智能体节点之间的时变动态网络，采用基于特征向量中心性法的复杂网络关键节点挖掘方法识别场景内的关键智能体节点，其次使用门控循环单元(GRU)编码器对智能体轨迹和道路特征进行独立编码，再使用注意力机制和图神经网络更新道路节点编码，并输出获得场景中道路节点的可达性。
[0008]目标点预测器：回顾以往经验中的类似场景，获得多模态未来移动目标点。它将代表性实例的特征(历史轨迹、交互特征、局部道路特征)存储在内存库中，然后使用内存寻址程序搜索内存库中与当前情况相关的历史实例，预测各智能体目标点，其次结合道路节点可达性获得可选路径，最后以关键节点谨慎处理、一般节点普通处理(关键节点考虑所有可选路径，一般节点只考虑可能性最高的可选路径)为原则遍历所有节点可能的联合分布，选取可能性最大的P种分布情况。
[0009]轨迹解码器：受到运动规划过程的启发，即将每个智能体视为一个运动规划器，并模拟其规划过程以输出轨迹预测。具体来说，运动规划器采用联合分布中的可选路径为参考导航轨迹，并对其进行调整，以满足约束条件。
[0010]决策模型：输入上游全局路径规划层提供的导航路线，判断是否有变道需求并确定车道的优先级。然后结合参考轨迹的联合分布概率、复杂网络风险值和车道优先级设计代价函数，挑选最优预测轨迹作为自车决策结果。
[0011]本专利技术提出的一种基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策方法，包括以下步骤：
[0012]S1:基于复杂网络和记忆网络对智能体目标点进行预测；包括：
[0013]S1.1：构建基于复杂网络的自动驾驶环境模型；具体的：
[0014]基于复杂网络理论，以驾驶环境中的车辆等运动主体为节点，构造动态复杂网络模型：
[0015]G
t
＝(P,E,W,Θ)
t
[0016]其中，G
t
是动态复杂网络，t为当前时间，P＝{p1,p2,
…
,p
N
}是节点的集合，节点的数量为N；E＝{e
1，2
,e
1，3
,
…
,e
i，j
,
…
,e
N
‑
1,N
}是边的集合，e
i,j
是代表节点p
i
和p
j
间的连线；W＝{w
1，2
,w
1,3
,
…
,w
i,j
,
…
,w
N
‑
1,N
}为边的权值集合，表示节点p
i
和p
j
之间的耦合强度；Θ为节点的活动区域，表示对网络中节点的动态约束。
[0017]进一步地，边的权值W由可变高斯安全场确定：
[0018][0019][0020][0021]式中，S
dyn
表示安全场的场强大小，C
a
为场强系数，(x,y)为车辆安全场中任意一点的坐标，(x0,y0)为自车节点坐标，也是车辆处于静止状态时风险中心的坐标，(x'0,y'0)为车辆处于运动状态是新的风险中心坐标，a
x
和b
y
是与车辆外形相关的函数，A和B本别表示自车的长和宽，是车辆运动的速度矢量，k
v
是调节因子，且有0＜k
v
＜1或
‑
1＜k
v
＜0，其符号与运动的前后方向相对应，β是转移矢量与x坐标轴的夹角。
[0022]驾驶环境中的节点交互是一个动态的复杂过程，节点之间的风险与距离、速度值和方向角密切相关。在可变高斯安全场的框架内，建立节点间的风险认知函数：
[0023][00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策系统，其特征在于，包括预测模型和决策模型；所述预测模型包括复杂网络编码器、目标点预测器和轨迹解码器，复杂网络编码器将高清地图和智能体上下文编码为有向加权复杂网络的节点编码，并得出各节点的可达情况；目标点预测器根据智能体历史轨迹信息和局部道路特征预测各智能体目标点，并结合车道节点可达性和智能体节点关键性获得参考轨迹的联合分布；轨迹解码器以参考轨迹为条件，输入智能体历史轨迹和运动学或动力学约束解码生成预测轨迹并优化；所述决策模型，输入上游全局路径规划层提供的导航轨迹路线，以此判断是否有变道需求并确定车道的优先级，然后预测自车及认知域范围内其他智能体的轨迹，在结合车道节点可达性和智能体节点关键性获得参考轨迹的联合分布随后，结合参考轨迹的分布概率、复杂网络风险值和车道优先级设计代价函数，挑选最优预测轨迹作为自车决策轨迹结果。2.根据权利要求1所述的基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策系统，其特征在于，所述复杂网络编码器：对高清地图和智能体上下文进行编码，构造时变动态复杂网络G来刻画自动驾驶汽车的复杂交通环境，具体地：以场景中的智能体为节点，节点之间的交互关系为边，节点之间的风险大小为边的权重，由高清地图表示的有向图为节点的活动区域，首先采用基于可变高斯安全场计算智能体节点间的风险值，构建智能体节点之间的时变动态网络，采用基于特征向量中心性法的复杂网络关键节点挖掘方法识别场景内的关键智能体节点，其次使用门控循环单元(GRU)编码器对智能体轨迹和道路特征进行独立编码，再使用注意力机制和图神经网络更新道路节点编码，并输出获得场景中道路节点的可达性。3.根据权利要求1所述的基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策系统，其特征在于，所述目标点预测器：用于回顾以往经验中的类似场景，获得多模态未来移动目标点，并将代表性实例的特征(历史轨迹、交互特征、局部道路特征)存储在内存库中，然后使用内存寻址程序搜索内存库中与当前情况相关的历史实例，预测各智能体目标点，其次结合道路节点可达性获得可选路径，最后以关键节点谨慎处理、一般节点普通处理为原则遍历所有节点可能的联合分布，选取可能性最大的P种分布情况。4.根据权利要求1所述的基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策系统，其特征在于，所述轨迹解码器：将每个智能体视为一个运动规划器，并模拟其规划过程以输出轨迹预测，具体地，运动规划器采用联合分布中的可选路径为参考导航轨迹，并对其进行调整，以满足约束条件。5.基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策方法，其特征在于，包括以下步骤：S1:基于复杂网络和记忆网络对智能体目标点进行预测；S2：利用轨迹解码器输出预测轨迹；S3：基于对自车轨迹的预测进行决策。6.根据权利要求5所述的基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策方法，其特征在于，所述S1具体包括：S1.1：构建基于复杂网络的自动驾驶环境模型；
基于复杂网络理论，以驾驶环境中的车辆等运动主体为节点，构造动态复杂网络模型：G
t
＝(P,E,W,Θ)
t
其中，G
t
是动态复杂网络，t为当前时间，P＝{p1,p2,
…
,p
N
}是节点的集合，节点的数量为N；E＝{e
1，2
,e
1，3
,
…
,e
i，j
,
…
,e
N
‑
1,N
}是边的集合，e
i,j
代表节点p
i
和p
j
间的连线；W＝{w
1，2
,w
1,3
,
…
,w
i,j
,
…
,w
N
‑
1,N
}为边的权值集合，表示节点p
i
和p
j
之间的耦合强度；Θ为节点的活动区域，表示对网络中节点的动态约束；S1.2：构建基于记忆网络的记忆库和内存寻址程序模型；记忆库包含一对相关的记忆库：一个过去特征记忆库和一个意图记忆库，过去特征记忆库存储一组自车过去轨迹特征、认知域范围内其他智能体特征(交互特征)、局部道路特征，意图记忆库存储相应的未来目标点特征：M
f
＝{m1,m2…
m
i
…
m
M
}M
t
＝{n1,n2…
n
i
…
n
M
}式中，M
f
表示过去特征记忆库集合，m
i
是第i个记忆地址的实例，记录从第i个训练样本的过去轨迹和局部道路信息中提取的特征，M
t
表示意图记忆库集合，n
i
是第i个记忆地址的实例，记录从第i个训练样本的目的地中提取的特征，过去特征的记忆库和意...

【专利技术属性】
技术研发人员：赵高士，蔡英凤，陈龙，滕成龙，王海，孙晓强，刘擎超，
申请(专利权)人：江苏大学，
类型：发明
国别省市：