[发明专利]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

说明书

本发明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bsubgt;i/subgt;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bsubgt;i/subgt;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。

技术领域

本发明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。

背景技术

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。

发明内容

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，本发明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。本发明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b_i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(V_x,V_y)、加速度(a_x,a_y)。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E_S，效率预测场E_E，驾驶舒适预测场E_C。

(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