[发明专利]一种基于隐马尔科夫模型的无人车路口驾驶决策方法

权利要求书

1.一种基于隐马尔科夫模型的无人车路口驾驶决策方法。其特征在于包括如下步骤。

1)准备阶段

a)获取驾驶车辆的历史观察数据，生成车辆的历史数据文档

b)结束准备阶段

2)训练阶段

a)构建基于HMM的意图预测过程

b)解析步骤1-a)中的车辆历史数据文档，根据所有车辆的历史数据，生成所有车辆的状态数据序列，例如加速度序列。

c)训练出车辆的意图对应的HMM模型参数

d)结束训练阶段

3)决策阶段

a)获取当前时刻自动驾驶车辆的状态(s，v，a)，其中s表示车辆到路中心的距离，v表示速度，a表示加速度。

b)获取当前时刻十字路口下有人驾驶车辆的状态(s_i，v_i，a_i)，i∈{1，2，…，m}，m为其他车辆的总数。

c)基于未来n个时间段的视野，每个时间段选择三种决策之一(加速，减速，匀速)，分析所有可能的情况。

d)分析所有的情况，对每一种情况计算预期收益，并选择预期收益最大的情况的第一个时间段的决策作为车辆应该采取的策略

e)执行策略并进入下一个时刻

f)重复3-a)至3-e)直到车辆通过十字路口。

g)结束决策阶段。

2.其中步骤3-d)所述的计算过程：

1)定义时刻k＝1，总收益R＝0

2)根据第k时刻车辆状态和2-c)所述HMM模型计算出车辆的意图I_k。

计算过程：

a)时刻t＝1时 ξ₁(i)＝π(i)*b_iol局部概率ξ_t(i)表示t时刻到达状态i的所有序列概率中最大的概率，π(i)表示初始为状态i的概率，b_iot表示t时刻状态i时观察到加速度o₁的概率。

b)t＞1时 ξ_t(i)＝max_j{b_iot*ξ_t-1(j)*a_ji}

c)k时刻意图I的下标j_result＝argmax_j{ξ_k-1(j)*a_ji}

d)I_k＝I_jresult

3)根据第k时间段的决策和车辆的状态计算当前时间段的收益。

计算收益过程：

a)t_host＝t(s_host，a_host)

其中t(s，a)表示加速度为a，距离路中心s时到达路中心的时间

t_host表示自动驾驶车辆到路中心的时间

t_i表示第i辆非自动驾驶车辆到路中心的时间。

Pr(a|I_i)由步骤2-c)中所得HMM模型参数B得到。

4)计算到第k时间段的总收益，计算公式：

R＝R+R_safety*γ^k-1

5)计算第k+1时间段状态

a)自动驾驶车辆和非自动驾驶车辆的DTC和v更新公式(Δt为时间段长度)：

v′＝v+aΔt

b)非自动驾驶车辆的加速度a更新公式：

a＝a_j

其中B为步骤2-c)所述HMM模型中的混淆矩阵，I_k为2)中所求I_k，j为意图为I_k时概率最大的加速度的下标。

c)自动驾驶车辆的a更新为第k时间段决策的a

6)更新k，k＝k+1

7)重复2)-6)直到k＝T。T为计算预期收益时考虑的时间段的数量。