CN115994332B 联合时空信息的智能驾驶多步长时行为决策方法及装置 （之江实验室）

US2019033085A1,2019.01.31联合时空信息的智能驾驶多步长时行为决本发明公开了联合时空信息的智能驾驶多信息，通过先入先出队列和已探索驾驶状态列2节点外的其他节点有且仅有1个直系子节点，直系子节点的驾驶状态与父节点的驾驶状态点外的其他节点至多有2个旁系子节点，旁系子节点的驾驶状态与父节点的驾驶状态不相步骤S2.1：初始化一个空的先入先出队列一个空的已探索驾驶状态列表closedList=p以及决策步长D；步骤S2.3.2：使用纵向一步速度规划模型P纵向，得到nodei的直系子节点nodeiic，将有向边且xns.gclosedList时，则将nodeisc加入先入先出队列QFIFO队尾，将xnisc加入已探索2.根据权利要求1所述的联合时空信息的智能驾驶多步长时行为决策方法，其特征在3STG中分别添加从xi指向xj的有向边与3.根据权利要求2所述的联合时空信息的智能驾驶多步长时行为决策方法，其特征在于车道X上沿基准车道M的行驶方向前方INF处的虚拟交通参与者，INF为设定的第一阈值，(tX)表示车道X上其他交通参与者tX的后方区域，A(tXi)∩B(tXi+1)表示车道X上其他交通参与者tXi与tXi+1之间的区域，f表示将智能汽车V行于车道X上的区域A(tXi)∩B(tXi+1)映射到不同标记的车道对应的驾驶状态集合与驾驶为M上的其他交通参与者m的数为L上的其他交通参与者l的数为R上的其他交通参与者r的数为C上的其他交通参与者c的数4.根据权利要求1所述的联合时空信息的智能驾驶多步长时行为决策方法，其特征在于：所述步骤S2.3.2中的纵向一步速度规划模型P纵向具体为：假定以时空轨迹树的节点5.根据权利要求4所述的联合时空信息的智能驾驶多步长时行为决策方法，其特征在HT}}与sd＝si+vd×dt，其中，vd为nodei的直系子节点的期望速度值，vmin与vmax分别为在4在车道前方第一个交通参与者之间的距离，HT为最短车头时距，si为nodei的位置，sd为6.根据权利要求1所述的联合时空信息的智能驾驶多步长时行为决策方法，其特征在于：所述步骤S2.3.2中的横向一步换道决策模型P横向具体为：假定以时空轨迹树的节点7.根据权利要求6所述的联合时空信息的智能驾驶多步长时行为决策方法，其特征在于：所述横向一步换道决策模型P横向为：若dist(nodei,tPbehind(di))>d1且dist(nodei,tPahead(di))>d2，也即若节点nodei所在位置处与旁边车道P后方与前方第一个交通参与者的vdxdtmin与vmax分别为在ni的直系子节点能达到的8.根据权利要求1所述的联合时空信息的智能驾驶多步长时行为决策方法，其特征在guideC：引导性评估通过时空轨迹使V最终到达的车道与全局路线信息给出的目标车道guide据与时空轨迹关联的轨迹点序列与周围交通参efficconsist为对应指标的权重，从引导性Cguide最高的有效时空轨迹中选择总分9.一种联合时空信息的智能驾驶多步长时行为决策装执行代码时，用于实现权利要求1_8中任一项所述的联合时空信息的智能驾驶多步长时行5短时段的信息评估当前选择某一决策基元，可类驾驶员或下层的轨迹规划与控制产生更加明确6叶子节点外的其他节点有且仅有1个直系子节点，直系子节点的驾驶状态与父节点的驾驶子节点外的其他节点至多有2个旁系子节点，旁系子节点的驾驶状态与父节点的驾驶状态[0014]步骤S1.3：沿着基准车道M的行驶方向从后往前对车道X∈Slane上的除智能汽车V移图STG中分别添加从xi指向xj的有向边与从xj指向xSUS(M,L,C,R,且M∈Slane，且L∈Slane与C∈处的虚拟交通参与者，tXn+1为设置于车道X上沿基准车道M的行驶方向前方INF处的虚拟交车道X上其他交通参与者tXi与tXi+1之间的区域，f表示将智能汽车V行于车道X上的区域A7为M上的其他交通参与者m为L上的其他交通参与者l为R上的其他交通参与者r为C上的其他交通参与者cclosedList=p以及决策步长D；点的驾驶状态与父节点的驾驶状态不相同且不属于节点能达到的最小速度与最大速度，dist(nodei,tXaheadi(di))为nodei位置与它所在车道前8dist(nodei,tPahead(di))>d2，也即若节点ni所在位置处与旁guide[0039]C：引导性评估通过时空轨迹使V最终到达的车道与全局路线信息给出的目标guide可根据与时空轨迹关联的轨迹点序列与周围交通参与轨迹点序列中连续两节点不在同一车道的事[0043]步骤S3.3：通过加权求和计算总分Ctotal＝weffic×Ceffic+wsafe×Csafe+wconsist×Cconsisteffic用于实现所述的联合时空信息的智能驾驶多步长时行9L,c,R}且M∈Slane且L∈Slane与C[0061]步骤S1.3：沿着M的行驶方向从后往前对车道X∈Slane上的除V以外的交通参与者(tXn)∩B(tXn+1))}，其中，A(tX)表Xi)∩B(tXi+1)表示车道X上tXi与tXi+1之间的区域，f表示将V行与X上的区域A(tXi)∩B为M上的其他交通参与者数为L上的其他交通参与者数为R上的其他交通参与者数为C上的其他交通参与者数m10＝f(V,<A(tM1)∩B(tM2)>)}，得C上的驾驶状态集合SCstate＝{c0＝f(0与c0叶子节点外的其他节点有且仅有1个直系子节点，直系子节点的驾驶状态与父节点的驾驶子节点外的其他节点至多有2个旁系子节点，旁系子节点的驾驶状态与父节点的驾驶状态[0078]步骤S2.3.2：使用纵向一步速度规划模型(标记为P纵向)得到nodei的直系子节点[0080]一个优选的纵向一步速度规划模型P纵向为vd＝max{vmin,min{v分别为综合考虑nodei的速度、V的最大加/减速度以及车道限速等约速下在nodei的直系子节点能达到的最小速度与最大速度，dist(nodei,tXaheadi(di))为nodei位置与它所在车道前子节点外的其他节点至多有2个旁系子节点，旁系子节点的驾驶状态与父节点的驾驶状态[0083]一个优选的横向一步换道决策模型P横向为，若dist[0087]步骤S3.1：循着T收集从根节点到叶子节点的所有节点构成轨迹点序列(标记为guide[0089]C：引导性评估通过时空轨迹使V最终到达的车道与全局路线信息给出的目标guide可根据与时空轨迹关联的轨迹点序列与周围交通参与轨迹点序列中连续两节点不在同一车道的事[0093]步骤S3.3：通过加权求和计算总分Ctotal＝weffic×Ceffic+wsafe×Csafe+wconsist×Cconsisteffic还提供了联合时空信息的智能驾驶多步长时行为决策装置[0096]本发明联合时空信息的智能驾驶多步长时行为决策装置的实施例可以应用在任[0097]上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的[0100]所述计算机可读存储介质可以是前述任一