本發(fā)明涉及自動(dòng)駕駛技術(shù)領(lǐng)域，尤其涉及一種應(yīng)用于自動(dòng)駕駛車輛的高速公路超車行為決策方法。

背景技術(shù)：

智能化是汽車工業(yè)發(fā)展的必然趨勢(shì)，而自動(dòng)駕駛技術(shù)是汽車智能化的重要研究?jī)?nèi)容，也因此受到了相關(guān)國(guó)家政策的支持鼓勵(lì)。在國(guó)務(wù)院發(fā)布的《中國(guó)制造2025》[22]中，明確要求“到2025年，掌握自動(dòng)駕駛總體技術(shù)及各項(xiàng)關(guān)鍵技術(shù)”。美國(guó)政府將在2016年7月推出全美自動(dòng)駕駛汽車標(biāo)準(zhǔn)的國(guó)家藍(lán)圖，并且從2017年的預(yù)算中撥出40億美元來(lái)支持自動(dòng)駕駛技術(shù)的研發(fā)。

從自動(dòng)駕駛汽車產(chǎn)業(yè)化發(fā)展進(jìn)程來(lái)看，已經(jīng)具備了理論研究與技術(shù)論證、市場(chǎng)推動(dòng)、國(guó)家政策鼓勵(lì)以及人才儲(chǔ)備等良好條件。但是，自動(dòng)駕駛技術(shù)依舊存在技術(shù)瓶頸與成本難題。兩者是矛盾的，在一定條件下又可以相互轉(zhuǎn)化，例如，增加傳感器數(shù)量可以減少技術(shù)實(shí)現(xiàn)的難度，但是成本會(huì)不可避免的上升。這種轉(zhuǎn)化關(guān)系類似“80/20法則”，即用20％的成本可以完成80％的路段行駛功能，而剩下的20％的路段行駛功能用80％的成本都難以實(shí)現(xiàn)。產(chǎn)業(yè)化進(jìn)程中的自動(dòng)駕駛功能與成本控制的矛盾，催生了兩種實(shí)現(xiàn)自動(dòng)駕駛的技術(shù)路線：一種是以谷歌公司為代表的直接實(shí)現(xiàn)自動(dòng)駕駛功能，然后推出成熟產(chǎn)品；另一種以特斯拉為代表的先推出能夠?qū)崿F(xiàn)部分自動(dòng)駕駛功能的產(chǎn)品，逐步實(shí)現(xiàn)全自主駕駛功能。

逐步實(shí)現(xiàn)全自動(dòng)駕駛的技術(shù)路線可以降低研發(fā)難度、實(shí)現(xiàn)成本控制，也更容易被市場(chǎng)接受。美國(guó)高速公路安全局根據(jù)自動(dòng)化程度將自動(dòng)駕駛 技術(shù)分為了5個(gè)等級(jí)：0級(jí)，車輛不具備自動(dòng)化功能；1級(jí)，具備1種以上自動(dòng)化控制功能；2級(jí)，具備組合式的自動(dòng)化控制功能；3級(jí)，具備特定環(huán)境下的自動(dòng)駕駛功能；4級(jí)，具備全自動(dòng)駕駛功能。從自動(dòng)駕駛技術(shù)本身來(lái)看，在民用市場(chǎng)發(fā)展的內(nèi)在推動(dòng)力是它能夠“解放人類”。換句話說(shuō)，自動(dòng)駕駛技術(shù)能夠減輕人類駕駛員的駕駛強(qiáng)度，直至代替人類駕駛，使駕駛變得更輕松，而不再是一種負(fù)擔(dān)。從這個(gè)角度出發(fā)，自動(dòng)駕駛車輛自動(dòng)化程度不斷提高，就會(huì)不斷吸引消費(fèi)者。自動(dòng)駕駛的另一個(gè)優(yōu)點(diǎn)是安全，但是安全不是自動(dòng)駕駛技術(shù)發(fā)展的本質(zhì)驅(qū)動(dòng)力，安全是作為汽車工業(yè)產(chǎn)品的必備屬性。根據(jù)上述分析，美國(guó)高速公路安全局對(duì)自動(dòng)駕駛的等級(jí)劃分是具有很好指導(dǎo)意義的，也是非常實(shí)際的自動(dòng)駕駛技術(shù)發(fā)展路線。

目前，大部分研究機(jī)構(gòu)與企業(yè)都處在第3級(jí)的研發(fā)階段，在成本因素限制下，面臨了感知系統(tǒng)不確定性、決策規(guī)劃復(fù)雜性等具體問(wèn)題。高速公路是汽車行駛的重要的道路類型，當(dāng)前針對(duì)高速公路的車道保持技術(shù)和自動(dòng)巡航技術(shù)已相對(duì)成熟，但是針對(duì)自動(dòng)駕駛汽車超車行為決策的研究并不完善，有待深入研究。

技術(shù)實(shí)現(xiàn)要素：

鑒于上述的分析，本發(fā)明旨在提供一種應(yīng)用于自動(dòng)駕駛車輛的高速公路超車行為決策方法，用以解決現(xiàn)有針對(duì)自動(dòng)駕駛汽車超車行為決策的研究并不完善的問(wèn)題。

本發(fā)明的目的主要是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的：

一種應(yīng)用于自動(dòng)駕駛車輛的高速公路超車行為決策方法，包括以下步驟：

步驟S1、建立超車意圖模型；

步驟S2、根據(jù)環(huán)境感知信息和本車狀態(tài)信息，采用超車意圖模型，判斷是否產(chǎn)生超車意圖；是，轉(zhuǎn)步驟S3；否，繼續(xù)車道保持狀態(tài)；

步驟S3、判斷是否滿足超車條件；是，轉(zhuǎn)步驟S4；否，繼續(xù)車道保持狀態(tài)；

步驟S4、進(jìn)入超車子狀態(tài)。

進(jìn)一步，所述步驟S1包括以下子步驟：

步驟S101、數(shù)據(jù)采集與預(yù)處理；

采集的數(shù)據(jù)包括本車、前車、左前車的速度、位置以及道路限速信息；將數(shù)據(jù)進(jìn)行預(yù)處理得到數(shù)據(jù)集

S＝{x_host,y_host,v_host,x_front,y_front,v_front,x_left,y_left,v_left,v_limit,t}

其中，x_host,y_host,v_host分別表示本車的橫向坐標(biāo)、縱向坐標(biāo)和速度，x_front,y_front,v_front分別表示前車的橫向坐標(biāo)、縱向坐標(biāo)和速度，x_left,y_left,v_left分別表示左前車的橫向坐標(biāo)、縱向坐標(biāo)和速度,v_limit表示道路限速，t表示時(shí)間；

步驟S102、特征選取與模型訓(xùn)練得到超車意圖模型；

選取五個(gè)特征作為模型的輸入向量，向量表達(dá)為：

采用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練得到超車意圖模型。

進(jìn)一步，所述步驟S2包括以下子步驟：

步驟S201、獲得環(huán)境感知信息；

步驟S202、獲得本車狀態(tài)信息；

步驟S203、將步驟S201和步驟S202獲得的信息進(jìn)行處理得到超車意圖模型輸入向量，輸入超車意圖模型，根據(jù)模型輸出結(jié)果判斷是否產(chǎn) 生超車意圖；是，轉(zhuǎn)步驟S3；否，繼續(xù)車道保持狀態(tài)。

進(jìn)一步，所述步驟S3包括下述子步驟：

步驟S301，判斷超車是否滿足合法性和安全性；是，進(jìn)入步驟S302；否，繼續(xù)車道保持狀態(tài)；

步驟S302、進(jìn)行超車規(guī)則判斷，滿足則轉(zhuǎn)步驟S4；不滿足則繼續(xù)車道保持狀態(tài)。

進(jìn)一步，所述合法性是指超車過(guò)程中必須遵循交通法律法規(guī)約束。

進(jìn)一步，所述判斷超車是否滿足安全性是根據(jù)安全性判斷規(guī)則進(jìn)行判斷；

所述安全性判斷規(guī)則為：

其中，d為本車與前車的實(shí)際距離，d_safe為安全距離，TTC為本車與前車的碰撞時(shí)間，TTC_safe為安全碰撞時(shí)間。

進(jìn)一步，所述安全距離采用下式得到：

d_safe＝μ_safev_host+L_vehicle+10

式中，μ_safe為駕駛員敏感系數(shù)，L_vehicle為本車車輛長(zhǎng)度，10m為附加緩沖距離。

進(jìn)一步，所述本車與前車的碰撞時(shí)間TTC由下式得到：

式中，y_front,y_host分別為前車與本車縱向坐標(biāo)，v_front,v_host分別為前車與本車速度。

進(jìn)一步，所述超車規(guī)則判斷是指，判斷是否滿足Y_overtake＞N_overtake；其中，Y_overtake為超車收益、N_overtake為超車損失。

進(jìn)一步，所述超車收益由下式計(jì)算得到：

Y_overtake＝μ_efficiencyC_efficiency

C_efficiency為效率性評(píng)價(jià)指標(biāo)，μ_efficiency為權(quán)重系數(shù)；

C_efficiency＝μ_v(v_leftlane-v_currentlane)+μ_leftfrontB_leftfront+μ_frontB_front

其中，v_leftlane為左側(cè)車道通行速度，v_currentlane為本車道通行速度，B_leftfront為左前車行為屬性，數(shù)值取左前車加速度值；B_front為前車行為屬性，數(shù)值取前車加速度值，μ_v,μ_leftfront,μ_front為權(quán)重系數(shù)；

所述超車損失由下式計(jì)算得到：

N_overtake＝μ_comfortC_comfort+μ_altruisticC_altruistic

C_comfort為舒適性評(píng)價(jià)指標(biāo)，C_altruistic為利他性評(píng)價(jià)指標(biāo)，μ_comfort、μ_altruistic分別為權(quán)重系數(shù)；

C_comfort＝μ_latj_lat+μ_lonj_lon

其中，j_lat為橫向加速度沖擊度，j_lon為縱向加速度沖擊度，μ_lat、μ_lon分別為權(quán)重系數(shù)；

C_altruistic＝μ_accacc+μ_intint

其中，acc為本車目標(biāo)加速度，int為車輛避讓意圖，μ_acc、μ_int分別為權(quán)重系數(shù)；acc≥0時(shí)，int＝1，acc≤0時(shí)，int＝0。

本發(fā)明有益效果如下：

針對(duì)駕駛狀態(tài)的轉(zhuǎn)換采取分層決策：使用人工神經(jīng)網(wǎng)絡(luò)算法來(lái)產(chǎn)生超車意圖，然后采用基于規(guī)則的安全性、舒適性等條件判定。超車意圖產(chǎn)生解決了是否有必要進(jìn)行超車的問(wèn)題。超車意圖產(chǎn)生具有較強(qiáng)的主觀性，而超車安全等指標(biāo)又具有較強(qiáng)的客觀性。由于訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)的駕駛數(shù)據(jù)來(lái)自特定的駕駛員，所以訓(xùn)練結(jié)果可以充分體現(xiàn)駕駛員的主觀特殊性。采用基于規(guī)則的超車條件判定，解決了能不能進(jìn)行超車的問(wèn)題，既反映了超車過(guò)程的客觀性規(guī)律，又能夠避免神經(jīng)網(wǎng)絡(luò)算法錯(cuò)誤的分類結(jié)果帶來(lái)的危險(xiǎn)。這種分層的決策方法，充分考慮超車行為的主觀方面與客觀方面的因素，保證超車安全、舒適等條件下，使自動(dòng)駕駛體現(xiàn)了人類的駕駛習(xí)慣。通過(guò)提出多層次微觀交通場(chǎng)景信息模型，使決策模塊的信息輸入更加豐富完善。采用層次狀態(tài)機(jī)對(duì)高速公路駕駛行為進(jìn)行離散化建模，將連續(xù)的駕駛行為解耦，降低決策的復(fù)雜度。這種人類駕駛行為習(xí)慣的體現(xiàn)有利于自動(dòng)駕駛技術(shù)的普及，一方面使自動(dòng)駕駛車輛行為決策能夠被其他交通參與者所理解，增加整個(gè)交通通行的安全性，使自動(dòng)駕駛車輛融入到真實(shí)的交通流中；另一方也很符合車內(nèi)駕駛員的駕駛行為習(xí)慣，良好的用戶體驗(yàn)是自動(dòng)駕駛車輛被認(rèn)可的前提。

本發(fā)明的其他特征和優(yōu)點(diǎn)將在隨后的說(shuō)明書中闡述，并且，部分的從說(shuō)明書中變得顯而易見，或者通過(guò)實(shí)施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點(diǎn)可通過(guò)在所寫的說(shuō)明書、權(quán)利要求書、以及附圖中所特別指出的結(jié)構(gòu)來(lái)實(shí)現(xiàn)和獲得。

附圖說(shuō)明

附圖僅用于示出具體實(shí)施例的目的，而并不認(rèn)為是對(duì)本發(fā)明的限制，在整個(gè)附圖中，相同的參考符號(hào)表示相同的部件。

圖1為本發(fā)明實(shí)施例超車行為示意圖；

圖2為本發(fā)明實(shí)施例超車行為決策方法流程示意圖；

圖3為本發(fā)明實(shí)施例超車意圖產(chǎn)生流程示意圖；

圖4是本發(fā)明超車子狀態(tài)示意圖。

具體實(shí)施方式

下面結(jié)合附圖來(lái)具體描述本發(fā)明的優(yōu)選實(shí)施例，其中，附圖構(gòu)成本申請(qǐng)一部分，并與本發(fā)明的實(shí)施例一起用于闡釋本發(fā)明的原理。

本實(shí)施例提出了一種應(yīng)用于自動(dòng)駕駛車輛的高速公路超車行為決策方法。使超車行為既能滿足特定駕駛員的駕駛習(xí)慣，又能滿足安全性、舒適性、高效性等基本要求。超車行為是指圖1中第2種和第3種超車行為，即超越本車道前車的行為；第1種并行超車的簡(jiǎn)單行為不予考慮。高速公路設(shè)施完善，無(wú)行人，無(wú)故障車輛，只有正常行駛的機(jī)動(dòng)車輛。

該決策方法，如圖2所示，包括以下步驟：

步驟S1、建立超車意圖模型；

具體地，如圖3所示，包括以下子步驟：

步驟S101、數(shù)據(jù)采集與預(yù)處理；

具體地，采集的數(shù)據(jù)包括本車、前車、左前車的速度、位置以及道路限速信息；將數(shù)據(jù)進(jìn)行預(yù)處理得到數(shù)據(jù)集

S＝{x_host,y_host,v_host,x_front,y_front,v_front,x_left,y_left,v_left,v_limit,t}

其中，x_host,y_host,v_host分別表示本車的橫向坐標(biāo)、縱向坐標(biāo)和速度，x_front,y_front,v_front分別表示前車的橫向坐標(biāo)、縱向坐標(biāo)和速度，x_left,y_left,v_left分別 表示左前車的橫向坐標(biāo)、縱向坐標(biāo)和速度,v_limit表示道路限速，t表示時(shí)間。由于本實(shí)施例認(rèn)為在駕駛員實(shí)施超車實(shí)際動(dòng)作前3s內(nèi)的數(shù)據(jù)都表示產(chǎn)生換道意圖的有效數(shù)據(jù)，因此采集數(shù)據(jù)為前3s內(nèi)的數(shù)據(jù)信息。

步驟S102、特征選取與模型訓(xùn)練得到超車意圖模型；

具體地，選取五個(gè)特征作為模型的輸入向量，向量表達(dá)為：

每組向量加上其標(biāo)簽作為一個(gè)樣本，將所有樣本按照4:1的比例分為訓(xùn)練集和測(cè)試集兩個(gè)部分。

利用訓(xùn)練集采用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練，測(cè)試集用來(lái)測(cè)試模型的分類準(zhǔn)確情況；其中RBF神經(jīng)網(wǎng)絡(luò)的徑向基函數(shù)采用高斯函數(shù)。

最終模型輸出的結(jié)果為0或1，0代表No即沒(méi)有產(chǎn)生超車意圖，1代表Yes即產(chǎn)生超車意圖。

上述步驟為離線訓(xùn)練過(guò)程，充分提取真實(shí)環(huán)境中有效信息，為超車決策奠定良好的基礎(chǔ)。通過(guò)分析人類的駕駛行為，對(duì)人類駕駛員超車決策過(guò)程中的主觀與客觀規(guī)律進(jìn)行建模。自動(dòng)駕駛車輛具有類人的決策能力，使其能夠適應(yīng)真實(shí)的交通環(huán)境，也能使車內(nèi)的駕乘人員得到良好的乘坐體驗(yàn)。利用RBF神經(jīng)網(wǎng)絡(luò)算法對(duì)采集到的駕駛數(shù)據(jù)進(jìn)行離線學(xué)習(xí)，得到超車意圖模型，以逼近特定駕駛員的主觀決策，帶來(lái)良好的駕乘體驗(yàn)。

步驟S2、根據(jù)環(huán)境感知信息和本車狀態(tài)信息，采用超車意圖模型，判斷是否產(chǎn)生超車意圖；是，轉(zhuǎn)步驟S3；否，繼續(xù)車道保持狀態(tài)；

本步驟包括以下子步驟：

步驟S201、獲得環(huán)境感知信息，所述環(huán)境感知信息包括前車、左前 車的速度和位置以及道路的限速信息；

步驟S202、獲取本車狀態(tài)信息，包括本車的位置和速度信息；

步驟S203、采用超車意圖模型，判斷是否產(chǎn)生超車意圖；是，轉(zhuǎn)步驟S3；否，繼續(xù)車道保持狀態(tài)；

具體地，將步驟S210和步驟S202獲得的數(shù)據(jù)進(jìn)行處理得到向量

將得到的上述向量輸入超車意圖模型后，根據(jù)模型輸出結(jié)果判斷是否產(chǎn)生超車意圖；模型輸出結(jié)果為1，表示是，轉(zhuǎn)步驟S3；模型輸出結(jié)果為0，表示否，繼續(xù)車道保持狀態(tài)；

步驟S3、判斷是否滿足超車條件；是，轉(zhuǎn)步驟S4；否，繼續(xù)車道保持狀態(tài)。

具體包括下述子步驟：

步驟S301，判斷超車是否滿足合法性和安全性；是，進(jìn)入步驟S302；否，繼續(xù)車道保持狀態(tài)；

合法性與安全性是超車規(guī)則的首要滿足的條件，是超車規(guī)則判斷的第一層。合法性是指超車過(guò)程中必須遵循交通法律法規(guī)約束，例如左側(cè)超車原則、匝道禁止超車等。

滿足安全性判斷規(guī)則，則超車滿足安全性。

安全性判斷規(guī)則為：

其中，d為本車與前車的實(shí)際距離，d_safe為安全距離，TTC為本車與前車的碰撞時(shí)間，TTC_safe為安全碰撞時(shí)間。本實(shí)施例安全碰撞時(shí)間為2.5s。

其中，安全距離模型采用Pitt模型：

d_safe＝μ_safeν_host+L_vehicle+10

式中，μ_safe為駕駛員敏感系數(shù)，根據(jù)經(jīng)驗(yàn)值選取，本實(shí)施例取駕駛員敏感系數(shù)為2s，L_vehicle為本車車輛長(zhǎng)度，10m為附加緩沖距離。

本車與前車的碰撞時(shí)間TTC：

式中，y_front,y_host分別為前車與本車縱向坐標(biāo)，v_front,v_host分別為前車與本車速度。

步驟S302、進(jìn)行超車規(guī)則判斷，滿足則轉(zhuǎn)步驟S4；不滿足則繼續(xù)車道保持狀態(tài)；

具體地，超車規(guī)則判斷是指，判斷是否滿足Y_overtake＞N_overtake；其中，Y_overtake為超車收益、N_overtake為超車損失。

超車收益與超車損失是在滿足超車合法性與安全性后的次級(jí)判斷準(zhǔn)則，主要考慮了效率性、舒適性與利他性。

超車收益由效率性評(píng)價(jià)指標(biāo)計(jì)算得到：

Y_overtake＝μ_efficiencyC_efficiency

效率性評(píng)價(jià)指標(biāo)C_efficiency主要用來(lái)描述超車行為所獲得的通行速度上的提升程度，考慮了目標(biāo)車道與本車道通行速度的不同以及左前車與前車行為的影響。μ_efficiency為權(quán)重系數(shù)，根據(jù)需要由本領(lǐng)域技術(shù)人員來(lái)設(shè)定。

效率性評(píng)價(jià)指標(biāo)通過(guò)下式計(jì)算：

C_efficiency＝μ_v(v_leftlane-v_currentlane)+μ_leftfrontB_leftfront+μ_frontB_front

其中，v_leftlane為左側(cè)車道通行速度，v_currentlane為本車道通行速度，B_leftfront為左前車行為屬性，數(shù)值取左前車加速度值；B_front為前車行為屬性，數(shù)值取前車加速度值，行為屬性指的是駕駛員的加速減速操作。μ_v,μ_leftfront,μ_front為 權(quán)重系數(shù)。

其中：μ_v＝1，

μ_leftfront+μ_front＝1

超車損失包含舒適性與利他性損失：

N_overtake＝μ_comfortC_comfort+μ_altruisticC_altruistic

C_comfort為舒適性評(píng)價(jià)指標(biāo)，C_altruistic為利他性評(píng)價(jià)指標(biāo)，μ_comfort、μ_altruistic分別為權(quán)重系數(shù)，本實(shí)施例中μ_comfort、μ_altruistic均取0.5。

舒適性評(píng)價(jià)指標(biāo)主要是衡量智能決策結(jié)果對(duì)駕乘人員乘坐感受的影響，采用反映車輛加速度變化的指標(biāo)沖擊度j來(lái)表達(dá)。

C_comfort＝μ_latj_lat+μ_lonj_lon

其中，j_lat為橫向加速度沖擊度，j_lon為縱向加速度沖擊度，μ_lat、μ_lon為權(quán)重系數(shù)。本實(shí)施例中μ_lat、μ_lon均取0.5。

沖擊度j，即整體加速度的變化率：

其中，θ是前輪轉(zhuǎn)角，L_wheelbase為軸距，v_host是車輛后軸中心運(yùn)動(dòng)速度。將式2和3分別代入式1即可求得j_lat和j_lon。

利他性評(píng)價(jià)指標(biāo)主要衡量超車行為對(duì)交通流或者其他車輛的影響。分析具體的超車行為，當(dāng)自動(dòng)駕駛車輛進(jìn)行超車時(shí)，干擾主要發(fā)生在兩次換道時(shí)，對(duì)左后車或者右后車可能會(huì)產(chǎn)生明顯的影響。這種影響主要 是指速度的降低或者加速行駛的中斷，自動(dòng)駕駛車輛超車決策在利他性上的基本原則是：對(duì)其他行駛車輛不產(chǎn)生或者輕微產(chǎn)生消極影響，盡量產(chǎn)生積極影響。下面，通過(guò)是否造成其他車輛速度下降來(lái)量化對(duì)其的影響，假設(shè)左換道時(shí)的左后車與右換道的右后車均在執(zhí)行正常車道保持行駛。在換道準(zhǔn)備過(guò)程中，利他性會(huì)充分考慮車輛避讓意圖。

根據(jù)換道時(shí)是否對(duì)左后車或右后車造成減速影響，考慮其避讓意圖來(lái)計(jì)算利他性評(píng)價(jià)指標(biāo)：

C_altruistic＝μ_accacc+μ_intint

其中，acc為通過(guò)ACC模型計(jì)算得到的加速度，int為車輛避讓意圖，μ_acc、μ_int為權(quán)重系數(shù)，本實(shí)施例均取0.5；acc≥0時(shí)，int＝1，acc≤0時(shí)，int＝0。

車輛執(zhí)行自適應(yīng)巡航(Adaptive Cruise Control，ACC)模型：

其中，d_min為本車與目標(biāo)車輛最小間隔距離，h_desired為本車與目標(biāo)車輛時(shí)距，v_target為目標(biāo)車輛速度，d_target為本車與目標(biāo)車輛距離，v_host為本車速度，acc為本車目標(biāo)加速度，μ_d、μ_v為權(quán)重系數(shù)。目標(biāo)車輛根據(jù)實(shí)際情況指本車左后車或者右后車。

步驟S4、進(jìn)入超車子狀態(tài)，開始超車。

具體地，如圖4所示，由于交通法規(guī)限定超車行為必須從左側(cè)進(jìn)行，因此只考慮了從被超車輛左側(cè)超越的情況。與人類駕駛員超車過(guò)程相似，超車子狀態(tài)依次包括左換道準(zhǔn)備、左換道、并行超越、右換道準(zhǔn)備和右換道完成超車。其中，左換道準(zhǔn)備是超車子狀態(tài)的初始默認(rèn)狀態(tài)。

本實(shí)施例，通過(guò)提出多層次微觀交通場(chǎng)景信息模型，使決策模塊的 信息輸入更加豐富完善。采用層次狀態(tài)機(jī)對(duì)高速公路駕駛行為進(jìn)行離散化建模，將連續(xù)的駕駛行為解耦，降低決策的復(fù)雜度。針對(duì)駕駛狀態(tài)的轉(zhuǎn)換采取分層決策：使用人工神經(jīng)網(wǎng)絡(luò)算法來(lái)產(chǎn)生超車意圖，然后采用基于規(guī)則的安全性、舒適性等條件判定。超車意圖解決了是否有必要進(jìn)行超車的問(wèn)題。超車意圖的產(chǎn)生具有較強(qiáng)的主觀性，而超車安全等指標(biāo)又具有較強(qiáng)的客觀性。由于訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)的駕駛數(shù)據(jù)來(lái)自特定的駕駛員，所以訓(xùn)練結(jié)果可以充分體現(xiàn)駕駛員的主觀特殊性。采用基于規(guī)則的超車條件判定，解決了能不能進(jìn)行超車的問(wèn)題，既反映了超車過(guò)程的客觀性規(guī)律，又能夠避免神經(jīng)網(wǎng)絡(luò)算法錯(cuò)誤的分類結(jié)果帶來(lái)的危險(xiǎn)。這種分層的決策方法，充分考慮超車行為的主觀方面與客觀方面的因素，保證超車安全、舒適等條件下，使自動(dòng)駕駛體現(xiàn)了人類的駕駛習(xí)慣。這種人類駕駛行為習(xí)慣的體現(xiàn)有利于自動(dòng)駕駛技術(shù)的普及，一方面使自動(dòng)駕駛車輛行為決策能夠被其他交通參與者所理解，增加整個(gè)交通通行的安全性，使自動(dòng)駕駛車輛融入到真實(shí)的交通流中；另一方也很符合車內(nèi)駕駛員的駕駛行為習(xí)慣，良好的用戶體驗(yàn)是自動(dòng)駕駛車輛被認(rèn)可的前提。

本領(lǐng)域技術(shù)人員可以理解，實(shí)現(xiàn)上述實(shí)施例方法的全部或部分流程，可以通過(guò)計(jì)算機(jī)程序來(lái)指令相關(guān)的硬件來(lái)完成，所述的程序可存儲(chǔ)于計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中。其中，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)為磁盤、光盤、只讀存儲(chǔ)記憶體或隨機(jī)存儲(chǔ)記憶體等。

以上所述，僅為本發(fā)明較佳的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。