[发明专利]人车交互决策方法及装置、存储介质、终端

说明书

一种人车交互决策方法及装置、存储介质、终端，所述人车交互决策方法包括：在当前车辆行驶过程中获取行人激进度，所述行人激进度表征行人风险程度；将所述行人激进度与其他输入信息输入至智能驾驶员模型或有限状态机模型；获取所述智能驾驶员模型或有限状态机模型输出的加速度并进行输出，以使所述当前车辆按照所述加速度继续行驶。本发明技术方案能够在人车混行场景下在保证安全驾驶的基础上提升车辆的通行效率。

技术领域

本发明涉及智能驾驶技术领域，尤其涉及一种人车交互决策方法及装置、存储介质、终端。

背景技术

近年来汽车与人工智能均是业界与学界最关注的问题之一，硬件方面的逐步完善使得汽车的控制越发精细，而算法方面的进步使得汽车电子控制单元(ElectronicControl Unit,ECU)的计算能力大幅提升，更多的功能得以实现，因此他们成为了如今的社会热点。而他们的结合——智能网联汽车(Intelligent Connected Vehicle,ICV)更被认为是当前汽车行业的核心问题之一。然而现状而言，目前市面上几乎所有已经量产商业化的智能驾驶汽车只能达到L2或L3，无法达到L4及以上的高级别自动驾驶。大部分当前智能驾驶无法到达高级别自动驾驶最大的痛点就在于人车混杂的复杂交通场景下通行效率过低。

当前ICV决策大概可以分为两类方法，一类为端到端的决策方法，以传感器数据为输入，基于深度学习、强化学习等方法完成决策输出，该类方法在某些简单场景下能够初步满足出行需求。第二类方法为分步式的决策方法，该类方法基于交通逻辑进行决策，较为经典的方法有智能驾驶员模型(IDM)模型、有限状态机模型(有限状态机)、模型预测模型(MPC)等等，这其中IDM与有限状态机的输入均为以下物理量：自车与行人之间的间距、自车速度、行人运动速度，而MPC的输入为前一段时间内行人运动的轨迹以及自车运动的轨迹；而决策模型的输出是一致的，均为自车加速度。该类模型通常能够应对已规定好的简单路况，同时具有解释性易于调整。

但是，目前现有的结果表明端到端的决策方法尚未具备能够应对复杂路况的能力，尤其是自车与行人混杂的危险场景。同时，该类方法依赖于大量的训练样本作为数据支撑，且训练结果常常不具备可解释性，因此限定了其应用范围，导致难以在复杂自车与行人路场景进行验证。现有的分步式的决策方法考虑的交通因素太少，往往只包含速度、位置等简单信息，因此不能满足驾驶员对于时间效率的要求，导致智能驾驶场景下车辆通行效率较低。

发明内容

本发明解决的技术问题是在人车混行场景下如何在保证安全驾驶的基础上提升车辆的通行效率。

为解决上述技术问题，本发明实施例提供一种人车交互决策方法，人车交互决策方法包括：在当前车辆行驶过程中获取行人激进度，所述行人激进度表征行人风险程度；将所述行人激进度与其他输入信息输入至智能驾驶员模型或有限状态机模型；获取所述智能驾驶员模型或有限状态机模型输出的加速度并进行输出，以使所述当前车辆按照所述加速度继续行驶。

可选的，所述加速度为负值，所述行人激进度越高，所述加速度越小。

可选的，所述获取行人激进度之后还包括：识别所述当前车辆的行驶场景，所述行驶场景包括路口路段和非路口路段；所述将所述行人激进度与其他输入信息输入至智能驾驶员模型或有限状态机模型包括：在所述行驶场景为所述路口路段时，将所述行人激进度与其他输入信息输入至所述有限状态机模型；或者，在所述行驶场景为所述非路口路段时，将所述行人激进度与其他输入信息输入至搜索智能驾驶员模型。

可选的，所述智能驾驶员模型输出的加速度与最小安全间隔负相关，所述最小安全间隔与所述行人激进度正相关。

可选的，所述智能驾驶员模型按照以下公式计算所述加速度：