[发明专利]一种考虑附着系数的自动驾驶汽车类人换道决策规划方法

说明书

本发明涉及一种考虑附着系数的自动驾驶汽车类人换道决策规划方法，将三种常见附着系数下的驾驶人换道数据分别送入三个基于LSTM的神经网络决策规划模型，先使用神经网络决策模型深度学习的方法学习人类换道决策行为，再使用神经网络规划模型深度学习的方法学习人类换道轨迹，得到当前交通环境下每种附着下的预测轨迹输出；在驾驶任务中，接收实际路面附着系数的估计值,结合离散附着系数的输出轨迹进行轨迹融合，得到当前实时决策行为以及规划轨迹。本发明研究人类驾驶员的驾驶行为与驾驶习性机理，并使自动驾驶汽车理解人类驾驶方式、像人类一样进行驾驶，提升人对自动驾驶汽车的乘坐认同感，为提升智能驾驶汽车接受度提供了参考。

技术领域

本发明涉及一种自动驾驶汽车换道决策规划方法，特别涉及一种考虑路面附着系数的自动驾驶汽车类人换道决策规划方法。

背景技术

自动驾驶汽车(Autonomous Vehicles，AV)是一项高速发展且日益成熟的技术，有可能通过提高汽车运输的安全性、可达性、效率和便利性来重塑移动出行概念，是世界汽车工业发展的必然趋势和主要赛场，也是我国汽车工业的战略制高点。自动驾驶车辆必须能够执行的安全关键任务包括在与其他车辆和行人共享的动态环境下进行合理运动规划，以及控制的鲁棒性。在现阶段，对单车来说，人类驾驶员和自动驾驶汽车共同完成驾驶任务的情况将共存；从多车角度来说，自动驾驶汽车与人类驾驶汽车共同构成混合交通局面。在未来，鉴于人类对驾驶活动的热情与对极致驾驶感受的追求，即使在高等级自动驾驶汽车普及的时代，人类驾驶汽车的情况也不会消失，故可以推断人机共驾和混合交通的情景将长期存在。人类具有出色的场景泛化，技能学习，紧急情况处理能力；因此研究人类驾驶员的驾驶行为与驾驶习性机理，并使自动驾驶汽车理解人类驾驶方式、像人类一样进行驾驶，提升人对AV的乘坐认同感，是智能驾驶汽车研究中不可忽视的方面。

在自动驾驶汽车技术体系中，决策规划是系统的中枢，承接感知与控制层，是提高车辆智能性、安全性、经济性、舒适性以及用户接受度和交通协调度的关键，因此，决策规划问题一直是自动驾驶汽车研究领域的热点和难点。当前自动驾驶汽车自主决策规划研究大多采用基于规则或基于学习的方法。随着人工智能技术的不断进步，基于数据学习的自动驾驶汽车决策规划策略引起了越来越多的关注，常用的学习算法有决策树、概率图模型、深度学习、强化学习等，但现有的换道决策规划方法缺少考虑实时的路面附着系数对于决策规划的影响，学习类方法存在泛化性较差、机理不明晰等问题。

发明内容

为了解决上述技术问题，本发明提供一种考虑路面附着系数的自动驾驶汽车类人换道决策规划方法，包括以下步骤：

步骤一、分别采集良好路面附着系数、中等路面附着系数和低路面附着系数下的熟练驾驶人换道数据；

步骤二、对所采集的换道数据进行预处理，以及统计学特征计算、特征构造，对良好路面附着下采集到的数据特征序列与特征值进行ANOVA相关性分析，得到对驾驶人换道行为具有显著影响的特征序列和特征值，后引入不同附着系数μ下采集得到的驾驶数据，分析μ是如何影响驾驶人的换道行为，得出映射关系；分析结果表明，当路面附着系数μ降低时相比于正常附着情况：

1、换道切入点远离前车；

2、换道过程自车侧向加速度峰值a_ymax降低；

3、换道时长增加；

步骤三、将三种常见附着系数μ＝0.1、0.5、0.8下的驾驶人换道数据分别送入三个基于LSTM的神经网络决策规划模型，神经网络决策规划模型采用分层架构，先使用神经网络决策模型深度学习的方法学习人类换道决策行为，即左换道、右换道、保持跟车三种决策；再使用神经网络规划模型深度学习的方法学习人类换道轨迹，得到当前交通环境下每种附着下的预测轨迹输出，即μ＝0.1、0.5、0.8下的三条轨迹；

步骤四、在驾驶任务中，决策规划系统实时接收由感知系统识别得到的实际路面附着系数的估计值结合离散附着系数的输出轨迹，采用拉格朗日三次多项式插值法进行轨迹融合：