[发明专利]智能驾驶横向换道决策方法、系统和装置

说明书

本发明属于智能驾驶领域，具体涉及一种智能驾驶横向换道决策方法，旨在为了解决现有决策方法对未知情况的泛化能力和对异常情况的抗干扰能力较差的问题。本发明采集目标车辆及相邻车辆的速度信息和位置信息，转化为环境表征；通过基于深度强化学习算法构建的高层决策模型获取高层横向驾驶决策动作；基于环境信息和高层横向驾驶决策动作，通过基于规则的低层校正器校正高层横向驾驶决策动作，获取目标车辆最终的横向驾驶决策动作。本发明在基于学习的方法的基础上，加入规则的限制，相比于规则的方法提高了泛化能力，相比于学习的方法提高了对异常情况的抗干扰能力，提高了稳定性，可实现高速路场景下安全、稳定的车辆自主横向换道决策。

技术领域

本发明属于智能驾驶领域，具体涉及一种智能驾驶横向换道决策方法、系统和装置。

背景技术

驾驶员失误作为发生交通事故的主要原因已被世界各国所公认，据统计，道路交通事故的原因中大约有75％是人为驾驶失误，其中有19％是因为无意识的车道偏离，26％是因为前向追尾。美国伊诺交通中心的研究发现，如果美国车辆的10％都是自动驾驶的，那么每年可以减少二十一万多起事故，挽救超过一千人的生命，汽车事故的经济成本将减少二百多亿美元。如果90％的汽车都是自动驾驶，这个数字将会更加可观：可以预防四百二十万起事故，挽救两万七千人的生命，并减少超过四千亿美元的损失。相对于人类驾驶，智能驾驶系统具有反应时间短、感知精度高等优点，因此研究智能驾驶技术对于减少因人为因素导致的交通事故具有十分重要的意义。

目前在智能驾驶的决策领域，主要有基于规则的方法和基于学习的方法这两大类。基于规则的方法通常需要大量的人工设计的规则和大量的专家知识，面对未出现过的复杂驾驶场景，如何做出正确可靠的决策行为是基于规则的传统方法面临的难题。基于学习的方法大多依赖于深度神经网络，虽然相较于基于规则的方法具有更好的泛化能力，但是在输入中加入小的扰动可能导致输出的巨大不同。

综上所述，现有决策方法对未知情况的泛化能力和对异常情况的抗干扰能力较差，因此一种稳定可靠的决策方法对车辆的智能驾驶系统至关重要。

发明内容

为了解决现有技术中的上述问题，即为了解决现有决策方法对未知情况的泛化能力和对异常情况的抗干扰能力较差的问题，本发明的第一方面，提出了一种智能驾驶横向换道决策方法，该方法包括：

步骤S100，获取目标车辆及其相邻车辆的预设类别环境信息，并转化为环境表征；

步骤S200，基于所述环境表征，通过高层决策模型获取所述目标车辆的高层横向驾驶决策动作；所述高层决策模型为基于深度强化学习算法构建的决策模型；

步骤S300，基于所述环境信息、所述目标车辆的高层横向驾驶决策动作，通过基于规则的低层校正器校正所述高层横向驾驶决策动作，获取目标车辆最终的横向驾驶决策动作；所述低层校正器为基于规则的分类器。

在一些优选的实施方式中，所述目标车辆及其相邻车辆的预设类别环境信息包括目标车辆及其相邻车辆的速度信息和位置信息。

在一些优选的实施方式中，步骤S100中“转化为环境表征”，其方法为：

步骤S110，将目标车辆、其相邻车辆的速度标准化至设定区间；

步骤S120，基于目标车辆及其所在车道构建N×L的网格阵列，其中L为车道数、N为每个车道所包含的纵向网格数；

步骤S130，依据预设的车辆在车道中所占的纵向网格数，以及目标车辆及其相邻车辆的位置、步骤S120中得到标准化后的速度，对所述网格阵列中各网格进行速度填充，获取矩阵形式的环境表征。

在一些优选的实施方式中，所述高层决策模型为基于深度强化学习算法的奖赏函数R、横向动作决策集合A构建的基于深度Q网络的决策模型，其训练方法为：