一种无人车辆换道决策方法、装置、设备及介质

本申请涉及无人车驾驶决策规划控制，特别是涉及一种无人车辆换道决策方法、装置、设备及介质。

背景技术：

1、随着经济的发展、人民生活水平的提升、自动驾驶技术的不断进步以及车辆市场的逐渐饱和，无人驾驶技术已经成为全球汽车产业和科技公司竞相研究的热点，无人驾驶车辆已逐渐从实验室走向实际应用。无人驾驶车辆通过多种传感器感知周围环境，结合高精度地图以及复杂的决策、规划和控制算法，实现自主导航和驾驶。其中，换道决策是无人驾驶中的重要环节，它要求无人车能够准确判断当前车道的行驶状况，并根据驾驶任务、交通规则以及周围车辆的动态，安全、有效地进行换道操作。现有的自动驾驶系统在单一驾驶场景、单一驾驶风格的换道决策中已经取得了一定的成果。然而，在实际应用中，无人驾驶车辆往往需要面对多种驾驶场景和风格，这对其换道决策能力提出了更高的要求。

2、目前，主流的自动驾驶换道决策方法主要基于规则驱动和传统机器学习算法，这些方案往往面临着几个关键的技术问题。首先大多数现有方法在单一场景下表现良好，但在多种复杂场景下（如城市道路、高速公路、乡村道路等）的表现往往不尽如人意。现有方法缺乏有效处理多场景切换的能力。其次不同驾驶风格（如保守型、激进型）的换道决策需求不同，现有方法通常难以适应多种驾驶风格，无法根据实际需求灵活调整。最后，目前效果最好的深度学习方法可解释性不足，其决策过程往往是黑箱操作，缺乏透明性。这在实际应用中带来了安全风险和监管难题。

技术实现思路

1、本申请的目的是提供一种无人车辆换道决策方法、装置、设备及介质，可适应多种驾驶场景和风格，且通过训练好的驾驶员fnn换道决策模型进行换道决策，提高了可解释性。

2、为实现上述目的，本申请提供了如下方案。

3、第一方面，本申请提供了一种无人车辆换道决策方法，包括以下步骤。

4、响应换道需求，当目标车道和当前车道存在前车和后车时，获取设定历史时间段的车辆时间特征序列；设定历史时间段的车辆时间特征序列包括设定历史时间段的自车历史轨迹和周围车辆的行为交互数据；自车历史轨迹包括当前车辆的纵向速度、当前车辆的横向速度、当前车辆的纵向加速度以及当前车辆的横向加速度；周围车辆的行为交互数据包括当前车辆与目标车道后车的相对距离、当前车辆与目标车道前车的相对距离、当前车辆与当前车道前车的相对距离以及目标车道前车和目标车道后车的相对距离。

5、将设定历史时间段的车辆时间特征序列输入至训练好的社会车辆意图推理模型中，得到未来时间段的意图识别结果；意图识别结果包括目标车道和当前车道上前车和后车的让行意图；所述训练好的社会车辆意图推理模型基于注意力机制构建得到。

6、将未来时间段的意图识别结果和设定历史时间段的自车历史轨迹输入至训练好的驾驶员fnn换道决策模型中，得到当前车辆的换道决策指令。

7、第二方面，本申请提供了一种无人车辆换道决策装置，包括以下模块。

8、特征获取模块，用于响应换道需求，当目标车道和当前车道存在前车和后车时，获取设定历史时间段的车辆时间特征序列；设定历史时间段的车辆时间特征序列包括设定历史时间段的自车历史轨迹和周围车辆的行为交互数据；自车历史轨迹包括当前车辆的纵向速度、当前车辆的横向速度、当前车辆的纵向加速度以及当前车辆的横向加速度；周围车辆的行为交互数据包括当前车辆与目标车道后车的相对距离、当前车辆与目标车道前车的相对距离、当前车辆与当前车道前车的相对距离以及目标车道前车和目标车道后车的相对距离。

9、意图识别模块，用于将设定历史时间段的车辆时间特征序列输入至训练好的社会车辆意图推理模型中，得到未来时间段的意图识别结果；意图识别结果包括目标车道和当前车道上前车和后车的让行意图；所述训练好的社会车辆意图推理模型基于注意力机制构建得到。

10、换道决策模块，用于将未来时间段的意图识别结果和设定历史时间段的自车历史轨迹输入至训练好的驾驶员fnn换道决策模型中，得到当前车辆的换道决策指令。

11、第三方面，本申请提供了一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述无人车辆换道决策方法。

12、第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述无人车辆换道决策方法。

13、根据本申请提供的具体实施例，本申请公开了以下技术效果：本申请提供了一种无人车辆换道决策方法、装置、设备及介质，训练好的社会车辆意图推理模型融合注意力机制，对驾驶员换道过程中的意图进行推理，并通过训练好的驾驶员fnn换道决策模型进行换道决策，提高了可解释性，解决了现有换道决策方法不能适应多种驾驶场景和风格的问题，实现了复杂驾驶场景和风格的换道决策。

技术特征：

1.一种无人车辆换道决策方法，其特征在于，所述无人车辆换道决策方法包括：

2.根据权利要求1所述的无人车辆换道决策方法，其特征在于，所述无人车辆换道决策方法还包括：

3.根据权利要求1所述的无人车辆换道决策方法，其特征在于，所述训练好的社会车辆意图推理模型包括依次连接的投影模块、场景编码器和意图解码器；其中，投影模块包括第一投影单元和第二投影单元；

4.根据权利要求1所述的无人车辆换道决策方法，其特征在于，在将设定历史时间段的车辆时间特征序列输入至训练好的社会车辆意图推理模型中之前，所述无人车辆换道决策方法还包括：对社会车辆意图推理模型进行训练，训练过程如下：

5.根据权利要求4所述的无人车辆换道决策方法，其特征在于，获取多场景多风格驾驶数据集，具体包括：

6.根据权利要求5所述的无人车辆换道决策方法，其特征在于，对所有交通场景的数据集进行驾驶员多风格分类，得到多场景多风格驾驶数据集，具体包括：

7.根据权利要求1所述的无人车辆换道决策方法，其特征在于，所述训练好的驾驶员fnn换道决策模型包括隶属度函数层、模糊规则层、归一化层和输出层。

8.一种无人车辆换道决策装置，其特征在于，所述无人车辆换道决策装置包括：

9.一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-7中任一项所述的无人车辆换道决策方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7中任一项所述的无人车辆换道决策方法。

技术总结
本申请公开了一种无人车辆换道决策方法、装置、设备及介质，涉及无人车驾驶决策规划控制技术领域，该方法包括：将设定历史时间段的车辆时间特征序列输入至训练好的社会车辆意图推理模型中，得到未来时间段的意图识别结果，将未来时间段的意图识别结果和设定历史时间段的自车历史轨迹输入至训练好的驾驶员FNN换道决策模型中，得到当前车辆的换道决策指令。训练好的社会车辆意图推理模型融合注意力机制，对驾驶员换道过程中的意图进行推理，并通过训练好的驾驶员FNN换道决策模型进行换道决策，提高了可解释性，实现了复杂驾驶场景和风格的换道决策。

技术研发人员：于会龙,王海睿,翟涌,席军强
受保护的技术使用者：北京理工大学
技术研发日：
技术公布日：2024/12/5