[发明专利]基于ID3决策树的无人驾驶决策方法

说明书

本发明涉及无人驾驶领域，是指基于ID3决策树的无人驾驶决策方法，解决了现有技术中决策方法不够实时和准确的问题。本发明包括以下步骤A计算给定样本分类所需的信息熵B计算每个特征的信息增益;C选出根节点或内部节点;D划分结束标志：子集中只有一个类别标签，停止划分。本发明公开的基于ID3决策树的无人驾驶决策方法,本技术则是选用的决策树算法，并在BrechtelS方法的基础上，利用决策树在知识自动获取与准确表达方面所具有的优势，构建基于ID3决策树的驾驶行为决策模型，实现对当前驾驶行为实时、准确的识别和对下一时刻行为的快速决策。

技术领域

本发明涉及无人驾驶领域，特别是指基于ID3决策树的无人驾驶决策方法。

背景技术

路径规划作为无人驾驶技术最重要的部分之一，一直是各个专家学者发明的热点，目前学界存在多种无人汽车路径规划的方法，包括蚁群算法，遗传算法，决策树算法，人工势场法，基于本体论和马尔科夫理论的行为决策方法；基于神经网络的决策模型，该模型以足球机器人为实际背景,基于径向基函数,借助于神经元的训练,可以更好的利用多源信息进行规划,提升了决策的准确性，但是该模型灵活性较差，学习收敛速度慢；国外学者Brechtel S还提出了将连续状态层次贝叶斯转换模型嵌入 MDP 模型，使自动驾驶汽车在多车双车道高速公路场景可以进行决策；传统的人工势场法也用得比较多，但是它仍然存在局部最优、碰撞及达不到目标点的问题。在整个无人车应用过程中，存在大量的行为决策影响因素，他们种类繁多且无主次，从而导致决策信息获取和表示不充分，而本技术采用的基于ID3决策树的驾驶行为决策模型，能够有效的克服决策推理模型的冗余性和局限性，提高行为决策子系统的综合场景适应能力。。

亟待出现一种可解决上述问题的新型的无人驾驶决策方法。

发明内容

本发明提出基于ID3决策树的无人驾驶决策方法，解决了现有技术中决策方法不够实时和准确的问题。

本发明的技术方案是这样实现的：基于ID3决策树的无人驾驶决策方法，包括以下步骤A 计算给定样本分类所需的信息熵，根据公式计算出熵;B 计算每个特征的信息增益;C 从所有的特征列中选出信息增益最大的那个部分作为根节点或内部节点;D 划分结束标志：子集中只有一个类别标签，停止划分。

优选地，还包括步骤F，设置于步骤C和步骤D之间；具体的是，判断信息增益，没有则重复步骤C。

进一步地，步骤C具体的是：（1）根据划分节点的不同取值来拆分数据集为若干子集；（2）删除当前特征列，在计算剩余特征列的信息熵。

本发明公开的基于ID3决策树的无人驾驶决策方法,选用的决策树算法，并在BrechtelS方法的基础上，利用决策树在知识自动获取与准确表达方面所具有的优势，构建基于ID3决策树的驾驶行为决策模型，实现对当前驾驶行为实时、准确的识别和对下一时刻行为的快速决策。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1：双向十字路口场景模拟示意图；

图2：ID3决策树划分结果。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。