一种基于行人意图与动态证据累积的车辆自动驾驶控制方法
本发明涉及自动驾驶,具体是一种基于行人意图与动态证据累积的车辆自动驾驶控制方法。
背景技术:
1、随着自动驾驶技术的发展,车辆在复杂交通环境中与弱势交通参与者之间的交互问题逐渐成为研究重点。其中,行人过街场景由于具有高度不确定性和强安全约束,被认为是自动驾驶决策中的关键难点之一。在实际交通环境中,行人是否过街、何时过街以及过街行为的演化过程均具有显著随机性和动态性,这对自动驾驶系统的实时感知与决策能力提出了较高要求。
2、现有自动驾驶系统通常依赖多传感器融合技术获取行人信息,并结合轨迹预测或行为识别模型对行人未来运动状态进行估计。在此基础上,决策模块根据预测结果判断是否采取避让行为。然而,由于行人行为具有较强的不确定性,仅依赖单一时刻的预测结果难以全面反映其行为演化过程,容易导致决策偏差。此外,在实际驾驶过程中,车辆不仅需要考虑行人与自身的冲突关系,还需兼顾后车约束、通行效率及整体交通流稳定性,这使得决策过程具有明显的多因素耦合特征。
3、因此,亟需一种能够在动态环境中综合利用行人行为概率、不确定性以及车辆与环境约束信息,通过时间连续的证据累积机制实现自适应决策的方法,从而在保证行车安全的同时,提高自动驾驶车辆在行人过街场景下的决策合理性与响应效率。
技术实现思路
1、为了弥补现有技术问题的不足,本发明的目的在于提供一种基于行人意图与动态证据累积的车辆自动驾驶控制方法,将冲突时间差、后车车头时距与自动驾驶车辆达到冲突点时间等多源证据构证据漂移率函数,建立证据积累机制;采用证据积累变量替代单帧固定阈值判断,证据量随观测时间动态更新,仅当积累量触及决策边界时才输出让行或通行决策,处于边界之间时持续观测,使决策时间由信息充分程度内生决定,量化行人意图预测的不确定性,用其对证据积累速率进行调制,在保证行车安全的同时,提高自动驾驶车辆在行人过街场景下的决策合理性与响应效率。
2、为实现上述目的,本发明提供如下技术方案:
3、一种基于行人意图与动态证据累积的车辆自动驾驶控制方法,包括以下步骤:
4、 (1)采集不同道路场景下行人行为视频并建立数据库,分别解析、统计数据库中行人过街与不过街模式下的位置、速度以及朝向;获取自动驾驶车辆自身运动信息,以及车辆周边行人、其他车辆的运动信息;
5、(2)基于步骤(1)的数据,分别计算出当前行人过街与不过街的支持程度,并计算当前行人的过街意图概率以及行人意图预测的不确定性;
6、(3)根据自动驾驶车辆与行人的运动信息确定潜在空间交汇点,计算自动驾驶车辆与行人到达交汇点的冲突时间差以及当前时刻潜在冲突强度;根据自动驾驶车辆与后车的运动信息构造后车约束项;
7、(4)基于行人过街意图概率、行人意图预测的不确定性、潜在冲突强度、后车约束项及自动驾驶车辆到达冲突点的时间构建证据漂移率函数,并根据证据累积过程设计证据积累机制;
8、(5)构建随时间动态变化的决策边界函数,结合当前状态下触发行为决策所需达到的最小证据量以及最大允许证据累积时间,输出对应的决策结果,根据决策结果对自动驾驶车辆进行控制。
9、本发明中,构建行人倾向于过街与倾向于不过街的支持程度函数,具体如下:
10、;
11、;
12、其中,为行人倾向于过街的支持程度函数,为行人倾向于不过街的支持程度函数;
s(
t)为行人状态特征向量,,为
t时刻行人的位置,为
t时刻行人的速度,为
t时刻行人的朝向;
13、用表示行人状态特征向量分量,即行人的横向位置、纵向位置、速度以及朝向,则为当前特征分量的概率密度函数;
14、对于特征分量,其概率密度函数形式如下:
15、;
16、式中,为特征分量的均值,为特征分量的方差,通过计算行人行为数据库中行人过街与行人不过街两种不同行为模式下特征分量的均值与方差获得。
17、本发明中,行人t时刻的过街意图概率的计算公式:
18、;
19、其中,为行人t-1时刻的过街意图概率,为行人倾向于过街的支持程度函数,为行人倾向于不过街的支持程度函数。
20、本发明中,获得行人的过街意图概率后,引入不确定性量化机制表征行人意图预测的可靠程度,则行人意图预测的不确定性表示为:
21、;
22、当越接近于0或1时,越小,表示预测结果越明确;当越接近于0.5时,值越大,当前状态下行人的过街意图越不明确。
23、本发明中,步骤(3)中所述潜在冲突强度计算如下:
24、将冲突点定义为行人从当前位置垂直过街与自动驾驶车辆路径的空间交汇点,为自动驾驶车辆到达冲突点的时间,为行人到达冲突点的时间,计算二者到达冲突点的冲突时间差:
25、,
26、,
27、;
28、则当前时刻潜在冲突强度表示为:
29、;
30、其中,指的是自然常数的幂函数,是冲突时间差尺度参数。
31、本发明中,步骤(3)中后车约束项的计算如下:
32、根据自动驾驶车辆与后车的位置以及后车速度,计算自动驾驶车辆与后车的车头时距,进而构造后车约束项:
33、;
34、其中,为自动驾驶车辆在时刻的位置;为后车在时刻的位置;是待标定的自由参数。
35、本发明中,所述证据漂移率函数以及证据累积过程具体如下:
36、利用行人过街意图概率生成证据偏移方向参数:
37、;
38、其中, 为敏感度系数,将方向限制在 (-1, 1) 区间内,大于0,自动驾驶车辆偏向于让行;小于0,自动驾驶车辆偏向于不让行;等于0,自动驾驶车辆处于观望状态;
39、基于行人意图预测的不确定性构建漂移调节变量,用于模拟人类面对不确定性时的犹豫决策过程;
40、;
41、其中,为不确定性系数,当行人意图预测的不确定性高时,证据变弱,将导致更慢决策;当行人意图预测的不确定性低时,证据增强,将导致更快决策;
42、将潜在冲突强度、后车约束项及自动驾驶车辆到达冲突点的时间作为自动驾驶车辆进行避让决策时的证据,结合证据偏移方向参数以及漂移调节变量,构造证据漂移函数:
43、;
44、其中,、和分别为潜在冲突强度、后车约束项及自动驾驶车辆到达冲突点时间的权重参数;
45、则证据积累过程:
46、;
47、为t时刻的证据,的正值支持“让行”的决策,负值支持“不让行”的决策;为证据积累的漂移率;为证据中加入的随机噪声。
48、本发明中,构建随时间动态变化的决策边界函数,决策边界表示在当前状态下系统触发行为决策所需达到的最小证据量,其取值随自动驾驶车辆到达冲突点时间和行人意图预测的不确定性的变化而动态调整,定义如下:
49、;
50、其中,为基准边界值,为到达时间调节系数,为车辆到达时间参考阈值,为不确定性调节系数。
51、本发明中,最大允许证据累积时间
t
max根据自动驾驶车辆到达冲突点时间
tta
ev(
t)和车辆响应延迟
t
delay确定,
t
max=
tta
ev(
t)-
t
delay,车辆响应延迟
t
delay由系统延迟与执行延迟构成,即表征从车辆传感器采集行人及车辆状态信息到证据积累过程启动之间的系统延迟,以及从决策触发到控制指令执行之间的执行延迟。
52、本发明中,结合当前状态下触发行为决策所需达到的最小证据量以及最大允许证据累积时间
t
max,输出对应的决策结果:
53、当
t
max小于或等于零时,自动驾驶车辆不再等待证据继续累积,而是直接触发保守避让策略。
54、当
t
max大于零时,自动驾驶车辆允许证据累积过程在不超过
t
max的时间范围内进行;若证据累积变量在
t
max内达到正向决策边界,即,则输出让行决策;若证据累积变量在
t
max内达到负向决策边界,即,则输出通行决策;若在
t
max内未达到任一决策边界,则根据当前证据累积变量的符号输出让行或不让行决策。
55、与现有技术相比,本发明的有益效果是:
56、(1)本发明基于证据积累的决策框架,采用证据积累变量替代单帧固定阈值判断,证据量随观测时间动态更新,仅当积累量触及决策边界时才输出让行或通行决策,处于边界之间时持续观测,使决策时间由信息充分程度内生决定。
57、(2)本发明量化行人意图预测的不确定性,用其对证据积累速率进行调制;不确定性高时降低积累速率,系统进入“观望”状态,延长观察时间;不确定性低时保持或提高积累速率,系统果断决策。同时,决策边界根据冲突紧迫性和不确定性自适应调节,实现安全与效率的动态平衡。
58、(3)本发明构建多源证据融合的漂移率,漂移率的方向由行人过街意图概率决定,证据累积幅度由多个证据变量共同决定,所述证据变量包括冲突时间差、后车车头时距与自动驾驶车辆达到冲突点时间,使决策同时考虑行人行为意图与车辆运动态势。
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