[发明专利]一种基于规则与机器学习融合的换道决策方法及系统

说明书

本发明涉及一种基于规则与机器学习融合的换道决策方法及系统。该方法包括：从NGSIM数据集中获取车辆换道数据；根据主车的车速、当前车道前车的车速以及当前车道前车与主车的距离确定换道必要性特征；根据主车的车速、目标车道的前车与主车的距离、目标车道前车的车速、目标车道后车与主车的距离以及目标车道后车的车速确定换道安全性特征；根据主车的车速、当前车道前车与主车的距离、当前车道前车的车速、目标车道前车与主车的距离以及目标车道前车的车速确定换道收益特征；利用车辆换道数据、换道必要性特征、换道安全性特征以及换道收益特征训练换道决策模型；利用训练好的换道决策模型确定换道决策。本发明提升了换道决策模型的分类准确度。

技术领域

本发明涉及机动车辆驾驶安全领域，特别是涉及一种基于规则与机器学习融合的换道决策方法及系统。

背景技术

近年来自动驾驶技术迅速发展，高级驾驶辅助(ADAS)系统功能日渐丰富。在结构化道路环境下，自主换道系统是目前驾驶辅助系统的开发方向之一。换道过程涉及车辆纵向和横向的运动，相对于车道保持而言，情况更加复杂，且与交通安全密切相关。车辆换道过程主要包括换道决策、轨迹规划与轨迹跟踪三部分，其中换道决策是保障车辆换道安全的前提。

目前的换道决策方法主要有基于规则与基于机器学习的两类模型，基于规则的方法通过建立换道决策规则库，判断车辆是否满足某些特定的换道规则，进而决定车辆是否有必要进行换道，该方法可解释性强，较为常用，但是往往无法针对不同司机实现个性化辅助驾驶，基于机器学习的模型能够针对不同驾驶员实现个性化换道决策，但是模型精度的提升也是需要考虑的问题。

专利CN 103996287B公开了一种基于决策树模型的车辆强制换道决策方法，该方法采用下列步骤：先通过传感器实时读取车辆强制并线换道时的相关数据；接着对获得的数据导入基于决策树模型的车辆强制换道决策模块中；最后通过决策模块可形成车辆强制换道时的决策判断结果，如决策判断结果为不能换道，则实时地发出警报提醒驾驶员不能换道。本发明减少了预警算法复杂、决策判断规则过多对判断结果的负面影响，提高了车辆强制换道时决策判断的准确度和可靠性，降低了误报率。专利CN 106777776A公开了一种基于支持向量机模型的车辆换道决策方法，该方法采用先通过传感器实时读取车辆换道时的相关数据；接着对获得的数据导入基于支持向量机模型的车辆换道决策模块中，该模块的构建步骤主要包括训练和测试样本的选取、样本数据的处理、模型的训练与检测；最后通过决策模块可形成车辆换道时的决策判断结果，如决策判断结果为不能换道，则实时地发出警报提醒驾驶员不能换道。本发明减少了预警算法复杂、决策判断规则过多对判断结果的负面影响，提高了车辆换道时决策判断的准确度和可靠性，降低了误报率。专利CN105620480B公开了一种智能车辆自主性换道时机决策方法，该方法通过传感器实时读取车辆自主换道时的相关数据；接着对获得的数据导入基于最近邻居换道决策模型的车辆自主换道决策模块中，该模块的主要构建步骤包括训练与测试数据的选取、内核集的构建、最近邻邻居的选取、换道时机决策的阈值的确定和决策模型的精确度验证；最后通过决策模块可形成自主换道时机的决策判断结果，如决策判断结果为不能换道，则实时地发出警报提醒驾驶员不能换道。

上述技术方案中，用于训练换道决策模型的数据均为直接从数据集中获取或者利用传感器测量得到，通常是本车以及周围车辆的距离、速度、加速度等参数，然而司机在实际驾驶过程中，往往会依据上述参数进行一些推断，例如目标车道空间在未来几秒内的变化，以及两个车道前车运动情况的比较等，这些参数是基于一定的换道判断规则，利用本车以及周围车辆的距离、速度、加速度等参数计算得到的，与换道决策的最终结果也有着很大联系。现有的换道决策模型由于缺少对传感器采集的周围车辆数据进行进一步挖掘，因而导致训练模型得到的输入信息较少，无法得到较好的分类效果。

因此，针对智能车辆在结构化道路下的自由换道决策问题，亟需一种新的换道决策方法，提升机器学习模型(换道决策模型)的分类准确度。

发明内容

本发明的目的是提供一种基于规则与机器学习融合的换道决策方法及系统，提升换道决策模型的分类准确度。