[发明专利]一种智能驾驶汽车避障决策方法及装置

说明书

本申请提供了一种智能驾驶汽车避障决策方法及装置，其中，高斯混合分布模型和隐马尔可夫模型均为机器学习中的一种模型，可以被处理器等终端自动执行，并基于数据进行自动训练，使训练好的高斯混合分布模型及训练隐马尔可夫模型得到的混淆矩阵及状态转移矩阵，相比于基于人工经验和人工标定的规则，准确性高，从而保证基于预先训练好的高斯混合分布模型和训练隐马尔可夫模型得到的混淆矩阵及状态转移矩阵，进行的避障决策的准确性高，进而使车辆能及时做出正确的决策，提高行驶效率及安全性。

技术领域

本申请涉及智能交通技术领域，特别涉及一种智能驾驶汽车避障决策方法及装置。

背景技术

智能驾驶汽车在行驶过程中，当前方存在静态障碍物或低速行驶的交通参与者时，若智能驾驶系统具备主动避障决策的功能，车辆可以通过换道或绕行等行为，避开前方的障碍物或交通参与者，以此来提高车辆行驶的效率和安全性，使车辆能够更加智能化地执行驾驶任务。

目前，智能驾驶汽车的主动避障决策方法一般是基于规则判断是否要进行主动避障，但是，规则的提取及判断条件需要基于人工经验和大量人工标定工作，导致基于规则判断的决策结果的准确性较低，使智能驾驶汽车难以及时做出正确的决策，影响行驶效率及安全性。

发明内容

为解决上述技术问题，本申请实施例提供一种智能驾驶汽车避障决策方法及装置，以达到提高决策结果的准确性，进而提高行驶效率及安全性的目的，技术方案如下：

一种智能驾驶汽车避障决策方法，包括：

确定目标车辆在不同时刻，与障碍物的相对行驶信息；

基于预先训练好的高斯混合分布模型，对每个时刻的所述相对行驶信息进行分类，得到每个时刻的所述相对行驶信息的类别；

对每个所述类别，从训练隐马尔可夫模型得到的混淆矩阵中获取所述类别对应的不同行为状态的概率，所述混淆矩阵包含各个时刻的相对行驶信息的类别对应的不同行为状态的概率；

对不同所述类别对应的行为状态组成的每个行为状态序列，从训练隐马尔可夫模型得到的状态转移矩阵中，获取所述行为状态序列中，任意相邻两个行为状态之间转移的概率，所述状态转移矩阵包含不同行为状态之间转移的概率；

对每个所述行为状态序列，基于每个所述类别对应的不同行为状态的概率及所述行为状态序列对应的行为状态之间转移的概率，确定所述行为状态序列的概率；

将概率最大的行为状态序列，作为目标行为状态序列；

基于所述目标行为状态序列中最后一个行为状态，进行避障决策。

所述相对行驶信息，包括：

相对车速、相对距离和碰撞时间；

所述基于预先训练好的高斯混合分布模型，对每个时刻的所述相对行驶信息进行分类，得到每个时刻的所述相对行驶信息的类别，包括：

对每个时刻的所述相对车速，利用分段函数，确定所述相对车速所属的车速类别，将所述相对车速所属的车速类别作为相对车速系数；

对每个时刻的所述相对距离，利用针对相对距离预先训练好的的高斯混合分布模型中多类高斯分布概率密度函数，确定所述相对距离的高斯分布概率，将最大的高斯分布概率所对应的类别作为相对距离系数；

对每个时刻的所述碰撞时间的倒数，利用针对碰撞时间预先训练好的高斯混合分布模型中多类高斯分布概率密度函数，确定所述碰撞时间的倒数的高斯分布概率，将最大的高斯分布概率所对应的类别作为相对碰撞时间系数；

对每个时刻的所述相对行驶信息，结合所述时刻的相对车速系数、所述相对距离系数及所述相对碰撞时间系数，确定所述相对行驶信息的类别。