[发明专利]一种基于不完全信息博弈的智能车换道决策方法

说明书

本发明公开了一种基于不完全信息博弈的智能车换道决策方法，首先在时间和空间上，对智能车换道意图和换道可行性进行建模；然后根据换道车辆及其周车的状态信息来建立收益矩阵；收益矩阵的求解采用博弈论中的帕累托最优和纳什均衡进行求解；为了解决不完全信息非合作动态博弈的行为信息未知问题，换道车辆对具有博弈冲突的车辆进行速度及加速度的纵向行为预测，所采用的方法是NARX神经网络模型；换道车辆的周车通过连续隐马尔科夫模型预测换道车辆的横向运动。博弈参与者通过预测他车未来的行为趋势来对收益矩阵的决策进行修正，在决策达到执行的阈值时执行。

技术领域

本发明涉及智能驾驶领域，具体涉及一种基于不完全信息博弈的智能车换道决策方法。

背景技术

为了把人们从大量的驾驶时间以及复杂的交通中解放出来，提高车辆的通行率，减少事故的发生，智能车的研究逐渐深入。旨在设计智能控制驾驶系统，代替人类驾驶汽车在交通环境中行驶，解决复杂的车辆行驶决策、规划和控制问题。智能车通常包含主控模块、决策与规划模块、环境感知模块和车辆控制模块，其中决策与规划模块作为智能车的核心模块尤为重要。

换道决策作为车辆核心行为决策之一，对驾驶的安全及通行的效率起着重要的作用。数据统计，由于车道变换所引起的交通事故占汽车总事故的4％～10％，并且导致了10％的道路堵塞问题。而在所有换道事故中，大约有75％的交通事故是由于驾驶员对于换道决策的判断失误而发生的，因此有必要提高车辆换道决策的安全性和高效性。

车道变换行为是驾驶员根据周围路况及周围车辆信息，以追求某种利益动机为目标，来调整车辆在交通中的位置，所采取的综合决策行为之一。根据换道意图的不同，车道变换通常可以分为强制性换道和任意性换道。一般有以下几种换道决策模型：基于规则的模型，以一系列固定规则确定是否采取换道行为，例如基于Gipps模型；基于离散选择的模型，依赖于逻辑或者概率模型来分析描述换道行为，换道行为的执行以概率来表示；基于人工智能模型，利用一系列人工智能算法来对换道行为进行建构分析，例如基于模糊的模型和人工神经网络模型；基于激励的模型，通常选择最大的收益来决定是否采取换道行为。

上述方法通常只关注于换道车辆，而没有充分考虑对周围车辆的影响，忽视了换道过程中的交互行为。在实际换道中，换道车辆与周围车辆的决策会相互影响，仅仅站在换道车辆的立场来考虑换道过程是不够的。基于博弈论的换道决策能考虑到与周车的交互，但是决策往往都是以V2X实现信息交互为前提，在信息不通信的情况下难以实现交互性的决策。同时，换道决策过程的时长会影响换道的安全性：换道越犹豫，初始决策的可行性变化就会越大；换道决策过程越短，换道考虑的环境动态变化信息就越少，容易错失最佳换道时机或者误判换道时机。

发明内容

为了解决上述现有技术存在的问题，本发明提出了一种基于不完全信息博弈的智能车换道决策方法，旨在引入不完全信息非合作动态博弈来制定换道决策，为了保证在信息不可通信情况下的交互性以及提高换道的可靠性和高效性，对不同车辆分别采用横向、纵向预测来弥补信息不可通信的问题，利用预测结果对决策进行修正，提高决策的可靠，减短决策过程，从而既保证了信息在不可通信情况下的交互性，又利用预测提高了决策的可靠性。

为实现上述目的，本发明采用的技术方案如下：

一种基于不完全信息博弈的智能车换道决策方法，其特征在于，包括以下步骤：

步骤一、产生换道意图：采集换道车辆及其周围车辆和环境信息，引入期望车速与期望间距的量化指标，当期望车速或期望间距超出阈值时，则换道车辆产生换道意图；

步骤二、判断换道的可行性：在车辆产生换道意图之后，判断换道车辆与目标车道前后车是否满足换道安全距离，进而判断换道的可行性；

步骤三、建立博弈收益矩阵：建立换道车辆CV与目标车道后车RV的非合作博弈的收益矩阵，该收益矩阵由速度收益、相对时距收益、期望跟车距离收益进行加权组合建立；