[发明专利]一种考虑车辆双向交互的智能车预测决策融合方法

说明书

本发明公开了一种考虑车辆双向交互的智能车预测决策融合方法，包括步骤如下：建立POMDP模型；通过车载感知系统获取自车及周围车辆的初始状态，得到初始状态和初始观察；将第k步观察输入IMM算法更新得到模型转移矩阵；预测周围车辆的纵向运动，计算得到第k步的置信状态；通过POMDP算法计算出最大状态‑动作值函数，并取相应的动作作为智能车第k步的动作；将k步的状态和动作代入状态转移函数计算得到k+1步的状态和观察；判断迭代次数是否达到最大迭代次数。本发明将IMM算法与POMPD算法相结合，解决了传统方法预测结果不准确，决策结果不满足安全性要求的问题。

技术领域

本发明属于智能车决策技术领域，具体指代一种考虑车辆双向交互的智能车预测决策融合方法。

背景技术

随着人工智能的发展，智能汽车的研究成为汽车领域的研究热点。智能车主要包括感知系统、决策系统以及执行系统。决策系统作为智能汽车的关键部分，可分为三个部分：周围车辆运动预测部分、决策部分和轨迹规划部分；周围车辆运动预测部分需要预测出周围车辆未来的行驶状态；决策部分需要根据车辆的行驶状态以及周围的车辆状态做出安全可行的意图决策；轨迹规划部分则根据决策结果给出相应的行驶轨迹。周围车辆运动状态的预测通常仅考虑周围车辆自车的状态参数而忽略智能车对其的影响，导致预测结果不准确，与实际相差较大。目前，大多数车辆的决策系统仅考虑周围车辆当前的状态，而没有考虑周围车辆未来行驶状态的变化，使决策系统做出危险的行为决策，导致智能车与周围车辆发生碰撞。因此，在决策过程中有必要对周围车辆未来的运动状态进行预测。

发明内容

针对于上述现有技术的不足，本发明的目的在于提供一种考虑车辆双向交互的智能车预测决策融合方法，以解决现有技术中车辆预测结果不准确，决策结果不可行的问题；本发明能够有效的对周围车辆的运动状态进行预测，同时使智能车决策出安全可行的行驶意图和行驶轨迹。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种考虑车辆双向交互的智能车预测决策融合方法，包括步骤如下：

步骤1：建立POMDP(部分可观测马尔可夫决策)模型：{S,O,A,P,R}，其中，S为车辆状态集合，O为观察集合，A为动作集合，P为状态转移函数，R为回报函数；

步骤2：通过车载感知系统获取自车及周围车辆的初始状态，得到初始状态s₀和初始观察o₀；

步骤3：将第k步观察o_k输入IMM(交互多模型)算法更新得到模型转移矩阵T_k，k＝0,1,2,…,N；预测周围车辆的纵向运动，计算得到第k步的置信状态；

步骤4：通过POMDP算法计算出最大状态-动作值函数Q(s_k,a_k)_max，并取相应的动作作为智能车第k步的动作A_k＝a_k；

步骤5：将k步的状态s_k和动作A_k代入状态转移函数P计算得到k+1步的状态s_k+1和观察o_k+1；

步骤6：判断迭代次数是否达到最大迭代次数N；若达到最大迭代次数，则结束；若未达到迭代次数，则k＝k+1并返回步骤3。

优选的，所述步骤1具体包括：

11)车辆状态集合S包括智能车状态以及周围车辆状态，具体为：

S＝{s_ego,s₁,s₂,…,s_n}