[发明专利]基于知识与数据驱动的无人车分层决策方法、系统、装置

说明书

本发明属于无人车领域，具体涉及一种基于知识与数据驱动的无人车分层决策方法、系统、装置，旨在为了解决现有无人车决策方法对复杂环境适应性差的问题。本发明方法包括获取时刻t下的第一感知数据，所述第一感知数据包括被控无人车周围环境数据、被控无人车自身状态数据；基于所述第一感知数据，通过行为决策网络，获取所述被控无人车的最佳行为策略；基于所述最佳行为策略所转换的目标状态，通过动作决策网络，输出所述被控无人车的最佳动作策略。本发明能够根据各种场景下的无人车周围环境信息和自身状态做出最佳行为动作决策，对复杂环境适应性强。

技术领域

本发明属于无人车领域，具体涉及一种基于知识与数据驱动的无人车分层决策方法、系统、装置。

背景技术

从国际无人车产业总体发展情况看，美国、德国等国家科技研发投入较早，引领产业前沿，发展水平领先于我国。随着传感器技术的日益发展和5G技术的成熟，智能技术的不断创新带来了无人车更广泛的应用前景。其中，决策规划系统是支撑无人车自主行驶的核心算法之一，通过综合周围环境和自身信息，基于无人车行驶合法、安全、舒适等准则，合理决策出无人车的行为动作，发送给无人车控制层执行。

无人车决策系统主要有基于知识和基于数据两大类。基于知识的决策方法包括有限状态机等，将无人车的行为进行划分，根据行驶规则、知识和交通法规等建立规则库，基于规则逻辑确定无人车的行为动作。优势在于可解释性强，算法逻辑清晰，便于建模等，但存在规则的分割导致无人车行为不连贯，知识规则难以覆盖所有可能遇到的情况，尤其对于复杂环境下无法基于实时系统及时更新优化规则与方法。

基于数据的决策方法研究起步较晚，通过对环境样本进行自主学习，利用不同的学习方法与网络结构，由数据驱动建立与环境相匹配的规则库，输出决策行为动作，涉及深度学习、决策树等方法研究。它能够基于构建的环境模型，通过自学习数据训练的方式优化模型，对复杂环境和可能出现的未知情况覆盖面更广，但存在决策结果解释性差、需要大量试验数据等问题。因此，针对无人车决策规划的研究并不完善，有待深入研究。

发明内容

为了解决现有技术中的上述问题，即为了解决现有无人车决策方法对复杂环境适应性差的问题，本发明的第一方面，提出了一种基于知识与数据驱动的无人车分层决策方法，该方法包括以下步骤：

步骤S100，获取时刻t下的第一感知数据，所述第一感知数据包括被控无人车周围环境数据、被控无人车自身状态数据；

步骤S200，基于所述第一感知数据，通过行为决策网络，获取所述被控无人车的最佳行为策略；

步骤S300，基于所述最佳行为策略所转换的目标状态，通过动作决策网络，输出所述被控无人车的最佳动作策略。

在一些优选实施方式中，所述被控无人车自身状态数据包括被控无人车的位置、速度、加速度；所述被控无人车周围环境数据包括所述被控无人车周围对象的为位置、速度、加速度、交通标识。

在一些优选实施方式中，所述行为决策网络中：

行为决策层D的节点包括加速D₁、减速D₂、超车D₃、左变道D₄、右变道D₅、保持D₆；

准则层L的节点包括合法性L₁、安全性L₂、舒适性L₃、快速性L₄；准则层L各节点的等级表示为L_ij，其中i为节点类型，j为节点等级；

观测层O的节点包括所述被控无人车及其前、后、左、右四个方向对象的位置速度加速度以及交通标识其中， k＝1，2，3，4，5，表示无人车自身、前、后、左、右方向的对象；

决策网络条件概率表，包括所述行为决策层到准则层、准则层到观测层各变量的条件概率，分别为