一种场景自适应的自动驾驶全局冲突决策与算力优化控制系统及方法与流程

本发明涉及自动驾驶智能决策控制、多模态传感器数据处理、轻量化神经网络算法、异构车载硬件调度及边缘-云端协同计算，尤其涉及一种场景自适应的自动驾驶全局冲突决策与算力优化控制系统及方法。

背景技术：

1、自动驾驶技术正逐步成为未来交通出行的重要发展方向。市场上的大多数车辆已实现了l2至l3级别的自动驾驶功能。未来随着技术不断进步，自动驾驶系统将逐步向l4、l5级别迈进。

2、然而，当前自动驾驶决策控制系统普遍采用静态固化架构设计，存在以下行业共性技术瓶颈：

3、其一，调度策略静态固化。现有自动驾驶系统的感知、规划、控制子模块采用固定优先级调度策略，无法根据高速、城市路口、行人密集区等差异化交通场景自适应调整任务优先级，复杂场景下易出现算力分配失衡、应急避让滞后、多模块决策冲突等问题。

4、其二，缺少全局仲裁机制。各感知、轨迹预测、路径规划、车辆控制子模块独立运算、分布式输出决策指令，无统一的冲突检测与最优收敛机制，多模块指令矛盾时易引发车辆顿挫、路径突变、制动异常等问题。

5、其三，算法结构固定且优化目标单一。传统神经网络采用固定稀疏结构，无法适配场景复杂度变化，简单场景算力冗余、复杂场景精度不足；常规知识蒸馏仅单一优化模型精度，无法兼顾自动驾驶低时延、高可靠、轻量化部署的核心需求；传统轨迹预测与决策算法无法同时满足应急实时响应与精细化最优决策的双重要求。

6、其四，感知数据冗余严重。车载摄像头、激光雷达、毫米波雷达采集的全量数据包含大量背景冗余信息，全局统一采样处理方式运算量大、耗时久，挤占核心决策算力，导致系统延迟升高。

7、其五，硬件调度策略粗放。车载cpu、gpu、fpga、tpu异构硬件任务绑定固化，无动态负载预判与资源分配机制；边缘-云端任务卸载仅依托单一网络时延判定标准，无法适配计算复杂度差异，易出现任务超时、算力闲置等问题。

8、综上，现有技术中各层模块独立设计、缺乏跨层参数同步与异常回退机制，无法在场景切换时使算法层、数据层、硬件调度层的参数在同一控制周期内协同更新，导致场景适配滞后与决策冲突。

技术实现思路

1、本发明所要解决的技术问题是：克服现有自动驾驶系统采用固定优先级调度导致的场景适配性差、多子模块分布式决策指令相互冲突、固定结构算法在简单场景算力冗余而复杂场景精度不足、感知背景数据冗余挤占核心算力、异构硬件任务绑定固化、以及边缘-云端卸载判定维度单一导致任务超时的技术问题，实现不同交通场景下感知、决策、控制与算力资源的协同动态适配。

2、为解决上述技术问题，本发明提供了一种场景自适应的自动驾驶全局冲突决策与算力优化控制系统，包括架构层、冲突控制层、算法层、数据层和硬件调度层；

3、所述架构层包括场景识别与优先级调度模块，用于基于多维度量化参数识别实时驾驶场景，至少划分高速巡航场景、城市路口场景、行人密集场景三类工况，根据预设阈值动态调整自动驾驶各子模块的执行优先级与算力占用权重；

4、所述算法层包括智能算法决策模块，集成动态稀疏化神经网络、双目标知识蒸馏框架、自适应采样蒙特卡洛树搜索mcts与高斯过程回归gpr融合的轨迹预测算法、以及规则引擎与深度强化学习分阶段决策框架，用于根据场景复杂度自适应调整模型结构、推理模式与决策逻辑；

5、所述数据层包括自适应数据处理模块，通过注意力机制自适应降采样结合语义分割多传感器融合过滤方式，对感知数据进行关键区域保真、背景冗余数据压缩与无效特征剔除；

6、所述硬件调度层包括异构硬件与边缘云端协同调度模块，用于实时预测车载异构硬件负载并动态分配运算任务，基于网络时延与计算复杂度双维度判定逻辑实现边缘-云端任务自适应卸载，并通过延迟预测与强化学习闭环优化任务调度时序；

7、所述冲突控制层包括全局冲突检测仲裁模块，独立于各功能子模块设置，用于实时采集路径规划、轨迹预测、障碍物避让、车辆控制的决策指令，识别多模块指令的方向冲突、幅度冲突与时序冲突，以行车安全、车辆稳定性、通行效率为评价指标，输出经仲裁确定的目标执行指令；

8、其中，所述场景识别与优先级调度模块通过共享参数配置总线分别连接所述动态稀疏化神经网络对应的稀疏度控制器、所述mcts对应的采样控制器、所述自适应数据处理模块的降采样率控制器、以及所述异构硬件与边缘云端协同调度模块的算力配比与卸载策略控制器；所述共享参数配置总线周期性广播场景标识与场景参数集；各控制器在接收到场景切换信号后的同一个控制周期内读取场景标识并更新本地参数；任一控制器在预设同步周期数内未完成本地参数更新的，触发该控制器的参数回退至上一稳定场景配置，并将同步异常上报至所述场景识别与优先级调度模块；经联动调整后由各子模块生成的决策指令统一发送至所述全局冲突检测仲裁模块，由所述全局冲突检测仲裁模块识别冲突并按预设综合评分公式仲裁后输出所述目标执行指令。

9、进一步的，所述场景识别与优先级调度模块内置量化判定阈值、防抖切换机制与场景归属优先序；高速巡航场景的判定条件为：车道数≥3、车速≥60km/h、行人面积占比＜5%，对应的场景内任务优先序为：路径规划＞车辆控制＞行人障碍物检测；城市路口场景的判定条件为：存在红绿灯或斑马线、横向来车数量≥2，对应的场景内任务优先序为：行人障碍物检测＞车辆制动控制＞路径规划；行人密集场景的判定条件为：行人密度≥8人/百平米，对应的场景内任务优先序为：近距离障碍物检测＞低速避让控制＞全局路径规划；当多个场景的判定条件同时满足时，按行人密集场景＞城市路口场景＞高速巡航场景的"场景归属优先序"确定当前场景类型；连续稳定判定时长≥1.2s时触发场景优先级切换。

10、进一步的，所述动态稀疏化神经网络基于权重幅值的迭代剪枝获得稀疏子网络，并根据实时交通参与者数量自适应调整稀疏度；交通参与者数量≤4个时稀疏度为65%，5～11个时稀疏度为40%，≥12个时稀疏度为20%。

11、进一步的，所述双目标知识蒸馏框架配置精度提升模式与轻量化压缩模式两种可切换工作模式，并结合注意力机制强化关键交通特征提取，支持目标检测与轨迹预测多任务联合蒸馏。

12、进一步的，所述mcts采样次数随交通参与者数量自适应调节：≤5个时采样80次，6～9个时采样120次，≥10个时采样200次；mcts在每次采样前按碰撞概率与最近碰撞时间排序，优先推演高碰撞风险路径，并结合高斯过程回归快速拟合动态交通参与者轨迹。

13、进一步的，所述规则引擎与深度强化学习分阶段决策框架包括两级递进决策逻辑：第一阶段规则引擎毫秒级响应突发险情，输出紧急制动、近距离避让硬性安全指令；第二阶段深度强化学习模型基于全局路况优化转向角度、行驶车速与最优通行路径；第一阶段输出对第二阶段具有强制覆盖权。

14、进一步的，所述自适应数据处理模块的注意力机制驱动降采样区间为30%-80%；对障碍物、行人、车道线关键关注区域保留原始高分辨率，对远景、绿植、天空背景区域动态降采样；通过语义分割算法剥离静态无效背景特征，融合摄像头、毫米波雷达、激光雷达多源有效数据。

15、进一步的，所述全局冲突检测仲裁模块对采集到的各决策指令进行冲突判定：转向或变道方向相反的指令判定为方向冲突；制动或加速控制量的差值超过预设幅度阈值的指令判定为幅度冲突；作用于同一时间窗口且相互矛盾的指令判定为时序冲突；对存在冲突的候选指令 i 按 j(i)=w1s1+w2s2+w3s3计算综合评分，行车安全指标 s1低于预设安全阈值的候选指令被直接剔除，剩余候选指令中 j(i) 最大者作为目标执行指令输出。

16、进一步的，所述异构硬件动态资源分配逻辑为：可编程逻辑器件优先承载雷达点云解析任务，人工智能推理加速芯片优先承载深度学习推理任务，中央处理器统筹系统指令调度与数据交互；基于负载预测模型预测下一调度周期的负载状态，当任一硬件单元的预测负载超过预设负载阈值时，将部分任务迁移至负载低于预设阈值的硬件单元。

17、进一步的，所述边缘-云端协同卸载机制以50ms网络时延为临界阈值，结合任务计算复杂度分级调度；碰撞检测、应急制动、实时避障高实时性任务固定在车载边缘端执行；长距离路径规划、全域路况研判、模型迭代优化非实时任务在网络时延≤50ms时卸载至云端执行；网络时延＞50ms或链路信号波动时将云端任务收回本地执行。

18、进一步的，所述延迟预测闭环调度机制通过机器学习模型预测各任务的运算延迟，配置10ms-100ms弹性时间窗口；强化学习状态空间包括各任务的剩余截止时间、各硬件单元的实时负载率、当前网络时延以及任务队列长度；动作空间包括任务执行顺序调整、各硬件单元算力分配比例调整以及任务卸载/收回决策；奖励函数 r = -(α·超时任务数 +β·端到端总时延 + γ·负载方差)；通过在线迭代使任务超时次数与端到端时延最小化，同时抑制各硬件单元间的负载失衡；延迟数据闭环反馈至强化学习调度单元。

19、本发明还提供一种场景自适应的自动驾驶决策控制方法，包括：步骤s1：场景识别与优先级调度模块采集多维度量化参数识别实时驾驶场景类型，经防抖判定后触发场景切换；步骤s2：通过共享参数配置总线向各控制器广播场景标识与场景参数集，各控制器在同一个控制周期内更新本地参数，未在同步周期内完成更新的控制器回退至上一稳定场景配置；步骤s3：基于联动调整后的参数执行感知数据处理、目标检测与轨迹预测，生成各决策指令；步骤s4：全局冲突检测仲裁模块识别方向冲突、幅度冲突与时序冲突，按加权综合评分仲裁后输出目标执行指令；步骤s5：执行所述目标执行指令，并闭环反馈任务延迟数据；步骤s6：场景识别与优先级调度模块接收同步异常上报，异常计数超过阈值时进入保守运行模式。

20、本发明还提供一种车辆，包括上述场景自适应的自动驾驶全局冲突决策与算力优化控制系统。

21、本发明还提供一种计算机可读存储介质，其上存储的计算机程序被处理器执行时实现上述场景自适应的自动驾驶决策控制方法。

22、本发明的五层协同自适应架构，通过场景动态优先级调度与全局冲突仲裁，减小了复杂路况下的决策冲突与执行异常概率。共享参数配置总线与同步回退机制使算法稀疏度、预测采样次数、数据降采样率、硬件算力配比与卸载策略在同一控制周期内联动更新，缩短了场景切换到参数生效的时延。自适应数据提纯机制削减背景冗余数据，降低整机运算负荷。异构硬件动态调度与边缘-云端协同卸载机制盘活了车载与云端算力，减小了任务超时与算力闲置的概率。