一种基于TTC规则的物理一致性大语言模型车辆跟驰决策方法及系统
本发明属于智能交通、自动驾驶车辆控制决策和人工智能,具体涉及一种基于ttc规则的物理一致性大语言模型车辆跟驰决策方法及系统。
背景技术:
1、自动驾驶车辆需要根据自车状态、周围车辆状态、道路环境和交通规则生成安全、合理且可执行的控制决策。现有车辆决策方法主要包括基于规则的方法、基于优化的方法和基于学习的方法。基于规则的方法可解释性强,但难以覆盖复杂交通场景;基于优化的方法能够考虑车辆运动约束,但对模型精度和计算条件要求较高;基于学习的方法具有较强的数据驱动能力,但其输出结果往往缺乏明确的物理安全约束。
2、近年来,大语言模型在语义理解、场景推理和结构化生成方面表现出较强能力,可用于车辆控制决策任务。然而,大语言模型生成的决策可能存在“文本合理但物理不可执行”的问题。例如,在自车快速接近前车时,模型可能输出保持车速或加速等不安全动作,导致决策结果不满足安全距离、制动距离或碰撞时间约束。
3、碰撞时间ttc是车辆跟驰风险判断中的重要指标,能够反映在当前相对运动状态下车辆发生碰撞的时间风险。若将ttc规则、制动距离和仿真验证机制引入大语言模型车辆决策过程,可有效提升模型输出的物理一致性和安全性。因此,有必要提出一种结合ttc规则、大语言模型推理和交通仿真反馈的车辆决策方法。
技术实现思路
1、发明目的,现有大语言模型直接用于车辆控制决策时,虽然能够根据交通场景描述生成具有一定语义合理性的驾驶动作,但其输出结果并不一定满足真实交通环境中的车辆运动约束、安全距离约束和交通规则约束。尤其是在前车低速、自车追近、车距缩短等高风险场景下,大语言模型可能生成保持车速、加速或制动力不足的候选动作,导致模型输出在文本层面合理、但在物理层面不可执行的问题。
2、碰撞时间ttc能够反映在当前相对运动状态下自车与前向目标车辆发生碰撞的时间风险,制动距离能够反映车辆在当前速度和路面条件下是否具备安全减速或停车空间。若仅依靠大语言模型自身推理生成车辆控制动作,容易忽略上述物理约束;若仅依靠传统规则方法,又难以充分利用大语言模型对交通场景语义、风险状态和决策逻辑的表达能力。基于此,本发明提出一种基于 ttc 规则的物理一致性大语言模型车辆决策方法及系统,旨在将 ttc 规则、制动距离约束、大语言模型结构化推理和交通仿真验证相结合,提高车辆控制决策的安全性、可解释性和物理可执行性。
3、技术方案,为了实现上述目的,本发明提出一种基于ttc规则的物理一致性大语言模型车辆跟驰决策方法,该方法包括:
4、s1:获取车辆运行场景中的多源输入信息,所述多源输入信息包括自车状态信息、前向目标车辆状态信息、道路环境信息和历史轨迹信息;
5、s2:对所述多源输入信息进行坐标统一和目标筛选,确定与自车行驶决策相关的前向目标车辆;
6、s3:根据自车速度、前向目标车辆速度和两车距离,计算相对速度、碰撞时间ttc和制动距离;
7、s4:根据所述ttc、制动距离以及预设安全规则,将连续物理变量映射为风险语义标签,并生成风险等级及ttc规则决策;
8、s5:将自车状态信息、前向目标车辆状态信息、道路环境信息、物理指标、风险等级和ttc规则决策组织为面向qwen2.5-1.5b大语言模型的结构化输入;
9、s6:将所述结构化输入输入至大语言模型,由大语言模型生成车辆控制决策的结构化输出;
10、s7:对所述结构化输出进行ttc规则校核和交通仿真验证,判断其是否满足车辆物理约束;
11、s8:将未通过验证的模型输出作为rejected样本,将修正后的模型输出作为chosen样本,构建偏好优化样本,用于大语言模型直接偏好优化训练。
12、进一步的,所述步骤s1包括:
13、所述自车状态信息包括自车位置、自车速度、自车航向角和自车历史轨迹中的至少一种;
14、所述前向目标车辆状态信息包括前车位置、前车速度、前车距离和前车运动趋势中的至少一种;
15、所述道路环境信息包括道路限速、车道信息、路面摩擦系数和交通规则信息中的至少一种。
16、进一步的,所述步骤s2包括:
17、s2-1:根据自车位置和自车航向角建立自车坐标系,并将目标车辆位置转换至所述自车坐标系中;
18、s2-2:根据目标车辆相对于自车的纵向距离、横向偏移和方位角,筛选位于自车前方且对自车纵向控制决策具有影响的候选目标车辆;
19、s2-3:当存在多个候选目标车辆时,将距离最近或ttc最小的目标车辆确定为关键前向目标车辆。
20、进一步的,所述步骤s3中,所述相对速度按照如下方式计算:
21、;
22、其中,表示自车速度,表示前向目标车辆速度;当时,表示自车正在接近前向目标车辆。
23、进一步的,所述步骤s3中,当时,所述碰撞时间ttc按照如下方式计算:
24、;
25、其中,表示自车与前向目标车辆之间的距离;当时,将ttc判定为安全状态或设为无穷大。
26、进一步的,所述步骤s3中,所述制动距离按照如下方式计算:
27、;
28、其中,表示制动距离,示路面摩擦系数,表示重力加速度。
29、进一步的,步骤s4中,所述风险等级包括安全、预警、危险和紧急四类。根据车辆相对速度及碰撞时间ttc进行风险等级判定:当相对速度大于0且时,判定为紧急风险状态,执行紧急制动控制,使车辆当前速度降低30%~50%;当相对速度大于0且时,判定为危险风险状态,执行舒适制动控制,使车辆当前速度降低10%~30%,以扩大安全间隔;当相对速度大于0且时,判定为预警风险状态,保持当前跟驰状态并持续监测,控制车辆速度变化比例不超过5%;当相对速度小于等于0或时,判定为安全风险状态,根据车辆状态执行加速控制。
30、进一步的,步骤s6,所述大语言模型生成的结构化输出包括场景感知、物理推导、安全验证、决策动作和轨迹描述五个部分;其中,决策动作包括加速、保持、舒适减速、紧急减速和停车中的至少一种。
31、进一步的,所述步骤s7包括:
32、s7-1:提取大语言模型生成的结构化输出中的决策动作;
33、s7-2:将所述决策动作与ttc规则决策进行一致性比较;
34、s7-3:当所述决策动作的安全等级低于ttc规则决策要求时,对所述决策动作进行修正;
35、s7-4:将修正后的决策动作提交至交通仿真模块进行验证,判断其是否存在碰撞、超速、安全距离不足或制动约束不满足的问题。
36、此外,本发明提出一种基于ttc规则的物理一致性大语言模型车辆决策系统,该系统包括:
37、多源场景数据获取模块,用于获取车辆运行场景信息;
38、目标筛选与物理指标计算模块,用于筛选前向目标车辆并计算相对速度、ttc和制动距离;
39、风险语义映射模块,用于生成风险等级和ttc规则决策;
40、结构化输入构建模块,用于构建面向大语言模型的结构化输入;
41、大语言模型推理模块,用于生成结构化车辆控制决策;
42、物理一致性验证模块,用于对模型输出进行ttc规则校核和交通仿真验证;
43、偏好优化模块,用于基于验证结果构建偏好样本并优化大语言模型。
44、有益效果,与现有技术相比,本发明的技术方案具有如下有益技术效果:
45、(1)本发明将 ttc 规则、相对速度和制动距离共同引入大语言模型车辆决策过程,使车辆控制决策不再单纯依赖文本推理,而是受到碰撞时间、安全距离和制动能力等物理约束。通过判断自车是否正在接近前向目标车辆,并进一步计算 ttc 和制动距离,能够更加准确地识别前车距离较短、自车速度较高或相对速度较大时的潜在追尾风险,避免大语言模型在危险场景下输出保持或加速等不安全动作。
46、(2)本发明将连续物理变量映射为风险语义标签和ttc 规则决策,有利于提高大语言模型对交通物理状态的理解稳定性。速度、距离、相对速度、ttc 和制动距离等数值信息直接输入大语言模型时,容易造成模型理解不稳定或风险判断偏差;本发明将其转化为安全、预警、危险、紧急等风险等级,并进一步对应到保持、舒适减速、紧急减速、停车等决策动作,使模型能够更清晰地学习车辆物理状态与控制决策之间的对应关系。
47、(3)本发明采用结构化输入和五段式结构化输出方式,提高了大语言模型车辆决策的可解释性、可审查性和工程可解析性。结构化输入将自车状态、前向目标车辆状态、道路环境、关键物理指标、风险等级和 ttc 规则决策统一组织后输入模型,减少信息遗漏和表达歧义;五段式输出使模型同时给出场景感知、物理推导、安全验证、决策动作和轨迹描述,便于系统解析模型是否正确识别场景、引用物理指标并作出符合安全逻辑的车辆决策。
48、(4)本发明设置ttc规则校核和交通仿真验证机制,能够对大语言模型生成的候选动作进行二次安全判断和执行层验证。当候选动作的安全等级低于 ttc 规则要求时,系统可将其修正为舒适减速、紧急减速或停车等更安全的动作;同时,通过交通仿真验证检测候选决策是否存在碰撞、超速、安全距离不足、加速度超限或决策不一致等问题,从而避免不满足物理约束的模型输出直接进入执行层,提高车辆决策结果的真实可执行性。
49、(5)本发明将在线物理校核与离线模型优化结合起来,形成“场景输入—大语言模型决策—ttc规则校核—交通仿真验证—偏好样本构建—模型优化”的闭环流程。对于未通过ttc规则校核或仿真验证的原始输出,将其作为负样本;对于经过安全修正并通过验证的输出,将其作为正样本,由此构建模型优化数据,使大语言模型逐步学习物理可行输出优于物理不可行输出的偏好关系,持续提升车辆控制决策的安全性、可解释性和物理一致性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com