CN104760592A - 机动车决策控制方法 - Google Patents
机动车决策控制方法 Download PDFInfo
- Publication number
- CN104760592A CN104760592A CN201510081698.9A CN201510081698A CN104760592A CN 104760592 A CN104760592 A CN 104760592A CN 201510081698 A CN201510081698 A CN 201510081698A CN 104760592 A CN104760592 A CN 104760592A
- Authority
- CN
- China
- Prior art keywords
- maneuver
- self
- virtual world
- information
- propelled vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000011084 recovery Methods 0.000 claims description 8
- 230000008447 perception Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 230000009471 action Effects 0.000 abstract description 14
- 238000011217 control strategy Methods 0.000 abstract 1
- 230000006399 behavior Effects 0.000 description 30
- 230000008569 process Effects 0.000 description 30
- 230000007704 transition Effects 0.000 description 23
- 230000008859 change Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 230000001960 triggered effect Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 241000209094 Oryza Species 0.000 description 3
- 235000007164 Oryza sativa Nutrition 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 235000009566 rice Nutrition 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000931705 Cicada Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241000283070 Equus zebra Species 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0097—Predicting future conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
- B60W2555/60—Traffic rules, e.g. speed limits or right of way
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2556/00—Input parameters relating to data
- B60W2556/45—External transmission of data to or from the vehicle
- B60W2556/50—External transmission of data to or from the vehicle of positioning data, e.g. GPS [Global Positioning System] data
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2556/00—Input parameters relating to data
- B60W2556/45—External transmission of data to or from the vehicle
- B60W2556/65—Data transmitted between vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开机动车决策控制方法,包括如下步骤:获取虚拟世界模块输入的事件信息;获取导航模块输入的路径信息;根据事件信息和路径信息生成机动车机动动作。本发明技术方案综合虚拟世界和导航模块,使得机动车的控制满足实际的控制需求,并可以生成安全的控制策略。
Description
技术领域
本发明涉及机动车控制技术领域,尤其涉及机动车决策控制方法。
背景技术
行为决策模块(即对机动车的环境进行判断以及根据判断结果对机动车的行为进行决策)负责高层的车辆控制任务,相对于动作决策模块负责的底层车辆控制任务。高层车辆控制的主要任务是实时决策并且生成、监测、控制各种驾驶机动动作(以下简称机动动作)。而底层车辆控制的主要任务是负责将各种机动动作转化为电传操控或者刹车、油门、方向盘、变速箱驱动机的指令。
机动动作具有很明显的本地性特征,为一定时间和一定范围内为达到一定目的的一个运动。机动动作的目的为,在应对驾驶中碰到的各种情况的同时,向驾驶目的地接近。正如人类的驾驶经验,从点A到点B(A、B可以为城市道路网络中的任意两点)的驾驶过程可以分解为若干相互衔接的机动动作。例如,从家里的车库到办公楼停车场的驾驶过程可以包括这几个连续的机动动作:
1.驶出车库
2.融入车库门口马路
3.顺马路行驶
4.超车
5.顺马路行驶
6.过路口
7.跟随前方车辆行驶
8.过路口
9.紧急制动
10.顺马路行驶
11.进入停车场
12.停入车位。
由于驾驶过程中面临不断变化的路况和环境状况,行为决策模块需要准确地掌握最新的情况,即时地做出决策,并执行一个最优的机动动作。
并且,行为决策模块随时可能要根据新的状况中止正在执行的机动动作,重新决策选择一个新的机动动作执行。例如,在跟随前方车辆行驶的过程中,前方车辆突然减速,这个时候就要由“跟随前方车辆”转变为“紧急制动”)。即需要机动车根据不同的环境情况实现对机动车的决策控制。
发明内容
为此,需要提供机动车决策控制方案,解决机动车在不同场景中的决策控制问题。
为实现上述目的,发明人提供了机动车决策控制方法,应用于机动车的行为决策模块,包括如下步骤:
获取虚拟世界模块输入的事件信息;
获取导航模块输入的路径信息;
根据事件信息和路径信息生成机动车机动动作。
进一步地,还包括如下步骤:
在电子地图上的信息和现实的路况不一致时,输出路况信息到导航模块。
进一步地,还包括如下步骤:
重新评估道路的形状和走向;
输出道路信息到导航模块。
进一步地,所述事件信息包括虚拟世界事件,所述虚拟世界事件包括:
障碍物类的虚拟世界事件、车辆自身状态的虚拟世界事件、车辆当前行驶路段的虚拟世界事件或感知方面的虚拟世界事件。
进一步地,分析导航模块输入的路径信息,从中提取出机动车行驶的路线计划;
其中,路线计划包括往前直行、往前左拐、往前右拐或掉头行驶。
进一步地,所述“生成机动车机动动作”包括根据有限态自动机生成机动车机动动作。
进一步地,所述“生成机动车机动动作”包括使用一个佩特里网生成安全的机动车机动动作。
进一步地,所述“生成机动车机动动作”包括如下步骤:
根据事件信息和交通规则及驾驶知识信息生成安全的机动控制方法;
根据生成的机动控制方法和路线规划子网信息生成安全可行且与路线计划不矛盾的机动控制方法。
进一步地,还包括步骤:
在接收到错误状态时;
判断是否有符合该错误状态的错误恢复机动控制算法,有则执行该错误恢复机动控制算法;
否则,开始新一轮的执行周期,根据新的状态信息,选择一个新的机动控制算法。
区别于现有技术,上述技术方案综合虚拟世界和导航模块,使得机动车的控制满足实际的控制需求,并可以生成安全的控制策略。
附图说明
图1为行为决策模块和动作控制模块交流的界面示意图;
图2为机动车控制算法执行过程的有限态自动机示意图;
图3为使用一个佩特里网模拟复杂的决策过程示意图;
图4为一个佩特里网网络示意图;
图5为佩特里网的状态变化规则的示意图;
图6为一些佩特里网的原始结构示意图;
图7为多输入、多输出结构的决策网的示意图;
图8为单输入、单输出、多阶段变迁的决策网的结构示意图;
图9为决策网一个局部的机动车决策控制方法的结构示意图。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果,以下结合具体实施例并配合附图详予说明。
请参阅图1到图9所示,本实施例提供机动车决策控制方法,应用于机动车的行为决策模块,包括如下步骤:获取虚拟世界模块输入的事件信息;获取导航模块输入的路径信息;根据事件信息和路径信息生成机动车机动动作。其中,行为决策模块的输入数据来源有:感知模块中虚拟世界模块:虚拟世界以虚拟世界事件集合元组的形式为行为决策模块提供准确的、及时的、和驾驶决策相关的事件信息。导航模块:输出一个最佳路径,最佳路径告诉行为决策模块当前行驶的主要方向和车道的选择。行为决策模块在一些情况下还可以反馈信息回导航模块。
如图1所示,行为决策模块和动作控制模块交流的界面为行为目标指令。图1中的行动目标指令,每个行动目标指令:
●包括一个目标点。
o目标点通常在本地范围之内,即传感器的有效感知范围之内。
o目标点引导机动车接近/到达下一个航路点。
●分为基本指令和扩展指令。
行为目标指令交由动作控制模块处理(可参考本申请人申请的专利号:201510005390.6的中国专利申请)后,由动作控制模块生成运动轨迹,以及可以实现这一运动轨迹的、可由机动车电传操控***直接执行的控制信号。
行为决策模块大部分时候接受导航模块生成的最佳路径信息。在一些情形下,行为决策模块会输出信息到导航模块:如在实际驾驶过程中,发现电子地图上的信息和现实的路况不一致,比如:因交通事故、道路维护等造成原来可通行的一条路变得不可通行;或者电子地图存在误差,实际道路的几何形状和拓扑结构与电子地图上的不一致。即在电子地图上的信息和现实的路况不一致时,行为决策模块会输出路况信息到导航模块。
这个时候,行为决策模块会:开启道路测绘算法,重新评估道路的形状和走向。这种方法能保证机动车有能力探索未知道路,直到重新回到和电子地图吻合的道路上。在用道路测绘算法探索道路的同时,不断把新的道路信息回馈给导航模块。导航模块会依此更新电子地图。在未知道路状态下探索的最长时间由导航模块决定。如果在未知道路状态下探索超过了这个时间,则行为控制模块会放弃继续探索,将当前道路标记为不可通行,并且要求导航模块重新生成一条最佳路径。
感知模块中,包含有如下信息:
1.虚拟世界中的先验的信息(预先采集的信息)存储于电子地图中。其中包括了,道路网络、道路几何形状、道路上的行车线和路界、交通灯三维位置和类别等和驾驶相关的信息。
2.同时,车载传感器采集的实时数据,经过各种处理,会不断地更新虚拟世界里的本地范畴内的信息。
3.同时从车载通讯***获得的、来自其它联网车辆或者城市交通网络的信息也会不断地更新虚拟世界和感知模块的状态。
以上第2点和第3点情形中描述的每一次实时的数据更新,都有可能触发虚拟世界事件的产生。
负责产生虚拟世界事件的软件模块的实现,可以通过在虚拟世界软件模块中设置函数钩子(function hook)。
函数钩子(hook)设置在数据更新的代码通道(code path)的某个函数上。
在每一条数据更新的代码通道上,都要设置钩子,以保证任何可能产生虚拟世界事件的数据更新都不会被遗漏。
函数钩子指向一段程序(下称虚拟世界事件发生器),这段程序负责判断是否应触发某些(一个或者多个)虚拟世界事件。
虚拟世界事件发生器可以访问当前数据更新的具体内容,也可以访问虚拟世界软件模块内的所有信息。
每个虚拟世界事件为一个预先定义的、反映了周围环境中和驾驶决策有关的一些状况。
虚拟世界事件发生器在每一次被触发的时候,都会根据当前新的实时数据,和虚拟世界现有的各种信息,判断满足某个虚拟世界事件的条件是否成立。判断的具体依据可以为:
●传感器是否在一定可靠性范围内获取了一些特定的信息?
●虚拟世界中一些特定的条件是否满足?
●从更新数据中判断现实世界中是否发生了一些特定的事件?
虚拟世界事件按照类别可以包括:
●障碍物类的虚拟世界事件:
o车辆前方n米有行人。
o车辆左侧车道为同向行驶车道。
o车辆正左侧车道内没有障碍物。
o车辆左侧车道内、左后方安全距离内没有运动物体(安全距离取决于当前机动车速度)。
o车辆左侧车道被其他运动物体占据。
●车辆自身状态的虚拟世界事件:
o车载全球定位/惯性导航工作正常。
o轮胎胎压传感器的参数正常。
o燃料传感器的参数正常。
o引擎温度传感器的参数正常。
o制动状态传感器的参数正常。
●车辆当前行驶路段的虚拟世界事件:
o车辆正行驶在高速公路上。
o车辆正行驶在市区公路上。
o车辆前方100米右转车道为第一、第二车道(从右边数起)。
o车辆前方30米有斑马线。
●感知方面的虚拟世界事件
o正前方60度视野内被大型障碍物阻挡。
o前方路口右拐车道n米内车况不明(因为视野被阻挡或者传感器提供的信息不足以作明确的判断)
由此可见,每个虚拟世界事件要有一定原子性(atomicity),为了方便决策***中决策网的构建。
所有虚拟世界事件的集合(以下简称虚拟世界事件集合)要尽可能涵盖人脑在驾驶决策的过程中,所需要关注的环境要素。
虚拟世界事件集合可以包含丰富的语义,从而充分表述驾驶过程中面临的各种状况。
虚拟世界事件集合可以用一个元组(tuple)表达:
E=(e1,e2,…,ek)
其中每个el(l=1,2,…,k)代表一个特定的虚拟世界事件
每个特定的虚拟世界事件el都可以有两个状态,真(该虚拟世界事件发生了/条件满足了)或者假(该虚拟世界事件未发生/条件没有满足),用数学语言表达即el∈{true,false}。
虚拟世界事件发生器每一次更新虚拟世界事件集合,都会把当前所有条件满足的虚拟世界事件赋值为真,条件未满足的虚拟世界事件赋值为假。
虚拟世界事件集合同时还带有一个时间戳(times tamp),提供了时效性的信息。
虚拟世界事件集合元组提供了机动车决策控制方法灵活的、极为容易扩展的结构。集合中的虚拟世界事件的类别可以包括但不限于以上所示例的类别,每个类别内可以包括但不限于以上所示例的具体虚拟世界事件。实际应用中可以根据需要定义不同的虚拟事件,为了尽可能完整地覆盖当前应用所面临的不同环境。
例如,可以根据不同国家地区的驾驶规则和道路路况适当地制定合理的虚拟世界事件集合。
再例如,可以根据自动驾驶机动车主要行驶的区域的特点(如南方丘陵公路,城市公路,南方水田网公路,东北可能积雪的公路,城市公路,乡镇公路等)制定合理的虚拟世界事件集合。
虚拟世界事件集合元组这个界面的简洁性有利于和其他模块/子模块的信息交换。
在自动驾驶***开始运作前,需要用户提供行驶目的地。在得到了行驶目的地之后,导航模块参照电子地图(可参考本申请人申请的申请号为:201510040520.X的中国专利申请),生成一条到达目的地的最优路线。这条路线确定了按顺序必须到达的一组航路点。
许多情形下,路线的选择对于当前驾驶决策有着重要的影响,例如以下情形:
按照路线计划下一个路口要右转。当前机动车距离下一个路口不远(比如100米之内)。机动车现在位于右道行驶。机动车正前方同一车道内不远处(20米内)有一辆速度缓慢的车辆在行驶。在这种情况下,因为预知接下来将要右转的路线计划,行为决策模块合理的选择应为继续保持在当前车道行驶,以方便接下来的右转。若在做驾驶决策的时候没有未来路线计划的信息,则行为决策模块很可能会选择变道超越前方阻碍的车辆。然而这种选择很可能导致机动车在到达路口时处于非右转车道而需要执行相对激烈的动作右转。
又例如,如果当前路线计划为“掉头行驶”,则此时超车机动动作就不是一个合理的选择。
因此,为了使得做出的决策具有前瞻性,行为决策模块需要分析导航模块生成的最佳路线,从中提取出接下来行驶的路线计划。
在任一时刻的路线计划都是以下集合中的某一个元素:
D={往前直行,往前左拐,往前右拐,掉头行驶}
其中,
●往前直行表示车辆将继续沿着当前道路前进一段时间。
●往前左拐、往前右拐表示车辆在短时间内要左拐或者右拐。
●掉头行驶表示车辆马上需要做U形机动。
由集合D中的元素组成的元组成为路线计划元组。和虚拟世界事件集合元组相似,路线计划元组中的每一个元素取值只有真/假两种选择。另外每一时刻只能有一个元素的值为真。
D集合中的路线计划可以根据实际实现的需要,做适当的调整。
同时,路线计划的提取需要一定的提前量。提前量具体根据当前驾驶环境、车速等因素决定(提前量合理的范围可以是50-150米)。
每一次做决策,行为决策模块都需要一个当前路线计划作为决策的输入数据(input)。
路线计划的提取可以由一个独立的软件子模块负责,也可以由导航模块或者行为决策模块中的一个子模块负责。
驾驶机动动作控制算法(以下简称机动控制算法)负责控制机动车在一定范围内和一定时间内做出一系列的机动动作。如上所述,这些机动动作的目的为:在应对驾驶中碰到的各种情况的同时,向驾驶目的地接近。
行为决策模块预先制定了一组机动控制算法,规定了每一个机动控制算法的具体目的、策略、步骤、机动动作。因为所有机动控制算法的执行过程都可以用一个有限态自动机(finite state automata)来模拟(如图2所述),所以行为决策模块还规定了每个机动控制算法的自动机的执行状态个数、状态转换方程、状态转换事件和状态维持条件。
每一个机动控制算法都是一个闭合控制算法(closed-loop algorithm),即被控制的物体(机动车)在接受指令后的输出(实际执行后的状态信息)会反馈到控制算法中,并影响到控制算法的下一个控制指令的生成。
以下列举几种最常见的机动控制算法。当然机动控制算法决不仅限于这几种,而是可以根据实际的需要制定。更多的机动控制算法可以使得机动车的动作更灵活,在同一路况下的选择更多。
●到达坐标点(顺马路行驶)
●过路口
●超车
●跟随前方车辆
●紧急制动
图2为机动控制算法执行过程的有限态自动机示意图。由图2可见,机动控制算法的执行过程由若干个不同的执行状态组成(q0,q1,…,qN)。执行状态之间的转换由执行状态转换事件触发。机动控制算法在某一个状态下,一旦一个执行状态转换事件发生,则转换到另一个执行状态。这个转换过程可以由一个状态转换方程表达:
δ:Q×E→Q
其中,Q={q0,q1,…,qN},
E为所有的状态转换事件,至少应该包括run(执行),error(错误),stop(停止),restart(重起),next_phase(下一阶段)
一个机动控制算法在被选中后,会马上开始执行。这个时候机动控制算法处于起始状态。
机动控制算法在执行过程中,通常由一个执行状态转换到下一个执行状态,直到终结。
每个机动控制算法都可以终结于两种执行状态:
●完成机动终结状态:机动的目标达成。
●错误终结状态:因故执行中断。
由此可见,一个机动控制算法中的每个执行状态代表了其不同的执行阶段。例如一个超车的机动控制算法可以分为以下几个状态:
1.起始状态q0:等待超车道可通行。
2.q1:进入超车道。
3.q2:到达被超车辆前方一定距离。
4.完成机动终结状态qf:变道回到原来车道。
在执行的过程中,如果进入下一个执行状态的条件(状态转换条件)满足,则进入下一个状态。状态转换条件的示例为:
●机动车到达了一个特定的位置,比如在超车的机动控制算法中,机动车运动到了超车道。
●周围环境中的信号发生了变化,比如在过路口的机动控制算法中,交通灯由红变为绿。
状态转换条件的满足可以允许一定的误差范围,比如达了一个特定的位置的条件可以允许实际位置和目标位置存在不影响接下来机动控制算法执行的偏差。
同时,每一个状态都包括了维持在这一状态所必须满足的条件(状态维持条件)。机动控制算法在执行过程中会不断地检测这些条件是否满足。如果这些条件不再满足,则机动控制算法会进入错误终结状态。
状态维持条件监测的是机动车当前的环境是否满足当前执行状态安全执行的需要。例如:
●在超车机动控制算法的q0状态下,一个条件为传感器的前方视野是否被遮挡到无法判断超车道的车况?
●在超车机动控制算法的q1状态下,假定超车道为逆行车道,一个条件为前方迎面驶来的车辆的速度和距离是否允许足够的空间和时间安全地完成接下来的超车动作?
●在超车机动控制算法的q2状态下:被超车辆此时的速度和该路段的最高时速是否允许变道回到原来的车道?
在某一个执行状态下,如果机动控制算法决定要执行一个特定的动作,则产生一个行为目标指令,输入动作控制模块,由后者完成对运动轨迹的搜寻和机械控制指令的输出。
每个机动控制算法,如超车或者过路口,都可以参数化(parameterize)。参数化产生一组行为目的一样,但驾驶风格有所不同的机动控制算法。比如对于超车机动控制算法,可以参数化为:
●近距离,慢速超车
●近距离,快速超车
●远距离,慢速超车
●远距离,快速超车
过路口机动控制算法可以参数化为:
●快速过路口
●慢速过路口
到达目标点(顺马路行驶)机动控制算法可以参数化为:
●快速到达坐标点
●慢速到达坐标点
跟随前方车辆机动控制算法可以参数化为:
●近距离跟随前方车辆
●远距离跟随前方车辆
由此可见,参数决定了机动控制算法执行过程中一些控制量的目标值/基准值。比如对于超车机动控制算法:
●超车速度参数决定了占用超车道的时间。
●变道回来时和被超车辆距离的参数反映了变道的突然性。
实时驾驶决策算法分析当前所有和驾驶相关的信息,寻找出一个最合适的机动控制算法。这个算法涉及到前面提到的3类数据结构:
●虚拟世界事件集合元组。机动车驾驶决策与人脑决策过程类似,决策的前提是对周围环境的充分的感知。虚拟世界事件集合元组代表了对感知的环境信息经过处理后的高度结构化的环境信息。这里的“环境”不仅仅包括马路上各种影响驾驶的路况,同时还包括机动车自身的状况(如胎压传感器,油料传感器,制动模块传感器,引擎温度传感器等监测的状态),同时还包括机动车各种传感器等设备的状态,同时还包括运行于车载计算机上各种软件程序的状态。
●路线计划元组,代表了当前总的行驶方向。
●机动控制算法集合,代表了行为控制模块有能力执行的各种机动动作。
实时驾驶决策算法分为两个阶段:
1.从所有机动控制算法的集合中选择出安全可行的机动控制算法。
2.在安全可行的机动控制算法中选择出最优的机动控制算法。
行为决策模块首要的要求就是生成的行为必须安全可行。安全可行的机动控制算法必须同时满足的条件为:
●保证其他道路使用者的安全。
●保证机动车自身的安全。
●遵守交通规则。
●对路况判断准确。
在不同的情形下,满足安全可行条件的机动控制算法可能有0个到多个。以下试举几种情形以明确安全可行条件的判定。假定在以下几种情形中,所有机动控制算法的集合为:
●到达坐标点(顺马路行驶)
●过路口
●超车
●跟随前方车辆
●紧急制动
情形1:
机动车顺着马路行驶,此时离路口还有相当的距离(比如,大于250米)。当前车道前方没有其他车辆。
此时,符合安全可行条件的机动控制算法应为:
●到达坐标点(顺马路行驶)
其他几个机动控制算法不符合因为:
●过路口:当前不在路口附近。
●超车:前方没有车辆可超。
●跟随前方车辆:前方没有车辆可跟随。
●紧急制动:前方没有障碍物。
情形2:
机动车跟随在另一辆车后面。
此时,符合安全可行条件的机动控制算法应为:
●跟随前方车辆。
●超车。
其他几个机动控制算法不符合因为:
●过路口:当前不在路口附近。
●到达坐标点(顺马路行驶):机动车自身的运动受制于前方车辆。
●紧急制动:前方障碍物在安全距离之外。
情形3:
机动车跟随在另一辆车后面,车道标线为实线。
此时,符合安全可行条件的机动控制算法应为:
●跟随前方车辆。
超车机动控制算法不再符合安全可行条件因为超车道不可用。
情形4:
机动车跟随在另一辆车后面。前方车速50公里/小时。车道标线为虚线,限速50公里/小时。
此时,符合安全可行条件的机动控制算法应为:
●跟随前方车辆。
超车机动控制算法不再符合安全可行条件。因为如果要执行这个机动控制算法,则必须加速超过前方车辆,而前方车辆已经达到了当前路段的速度限制。
情形5:
一个静态的障碍物(例如水泥电线杆)在机动车前方安全距离以内:
此时,唯一符合安全可行条件的机动控制算法为紧急制动。
由上面的情形可见,本算法关心的是机动控制算法是否安全以及是否遵守交通规则,而不是机动控制算法的效率和舒适性。后者由下一个阶段的最优机动控制选择算法筛选。
因此,选择安全可行的机动控制算法需要有完整的交通规则和机动车驾驶知识。
在具备上述知识的同时,选择安全可行的机动控制算法还需要能够结合当前路况做出决策。
由此可见,为了能够充分应对自动驾驶中可能碰到的各种情形,选择安全可行的机动控制算法需要考虑大量的,相互作用极其复杂的因素。
选择安全可行的机动控制算法使用一个佩特里网(Petri Net)(如图3,以下简称决策网)来模拟这么一个复杂的决策过程。
佩特里网具有严格的数学表达方式,以及丰富的用于其过程分析的数学模型。这使得完整地检验、分析一个佩特里网成为可能,无论这个佩特里网多么得复杂。这个特性对于驾驶决策这么一个极为复杂的过程非常重要。
对于一个机动车的自动驾驶***,安全性是无可辩驳的首要指标。而要确保安全性,就必须有严格、可靠、完整的测试过程。这个测试过程要能够对所有可能情形下决策网的输入/输出/行为有明确的、严格的论证。借助决策网的数学表达形式能够相对容易地实现这些论证,例如:
●在一定的虚拟世界事件条件下,紧急制动机动控制算法的库所是否可到达(reachable)。
●通过分析佩特里网有界性(boundedness)特性,可以得知某个机动控制算法被选中所需要的虚拟世界事件的个数。
●可以推断决策网会不会产生自相矛盾的决策。
如图4所示为一个简单的佩特里网网络,构成佩特里网的元素为,包括:
●库所(Place)圆形节点。
●变迁(Transition)方形节点。
●有向弧(Arc)是库所和变迁之间的有向弧。
●令牌(Token)是库所中的动态对象,可以从一个库所移动到另一个库所。
佩特里网元素的组网规则为:
●有向弧是有方向的。
●两个库所或变迁之间不允许有弧。
●库所可以拥有任意数量的令牌。
●有向弧可以连接库所和变迁。
●每个有向弧有一个容量值,缺省为1。
佩特里网的状态变化规则为(如图5所示)。
如果一个变迁的每个输入库所(input place)都拥有数量足够的令牌时,该变迁即为被允许(enable)。一个变迁被允许时,变迁将发生(fire),输入库所(input place)的令牌被消耗,同时为输出库所(output place)产生令牌。
同时:
●变迁的发生是原子的,也就是说,没有一个变迁只发生了一半的可能性。
●有两个或多个变迁都被允许的可能,但是一次只能发生一个变迁。这种情况下变迁发生的顺序没有定义。
●如果出现一个变迁,其输入库所的个数与输出库所的个数不相等,令牌的个数将发生变化,也就是说,令牌数目不守恒。
●佩特里网是静态的,也就是说,不存在发生了一个变迁之后忽然冒出另一个变迁或者库所,从而改变佩特里网结构的可能。
●佩特里网的状态由令牌在库所的分布决定。也就是说,变迁发生完毕、下一个变迁等待发生的时候才有确定的状态,正在发生变迁的时候是没有一个确定的状态的。
以下是一些佩特里网的原始结构,如图6所示,可以用于决策网的构建。
同时,决策网可以使用如图7所示的多输入、多输出结构。这种结构一般用来代表多个因素与多个不同的结果的因果关系。
决策网还可以使用如图8所示的单输入、单输出、多阶段变迁结构。这种结构一般代表多个因素之间可递的(transitive)因果关系。
决策网在结构上分为两个子网:
●交通规则及驾驶知识子网(以下简称子网1)。
●路线规划子网(以下简称子网2)。
图9所示的为决策网一个局部的机动车决策控制方法可能的结构(仅仅示范决策网的构造思路):
因此,决策网的执行过程分为两步:
●第一步的输入数据为虚拟世界事件发生器生成的虚拟世界事件集合元组。经过子网1处理后,得到符合交通规则的安全可行机动控制算法。
●第二步在第一步过滤出的机动控制算法的基础上,进一步考虑路线计划。二者作为输入数据经过子网2的处理,得出安全可行且与路线计划不矛盾的机动控制算法。
决策网每一次执行之前,根据虚拟世界事件集合元组和路线计划元组的状态在其元素所对应的输入库所中设置令牌。每一个虚拟世界事件元组和路线计划元组的元素都对应一个输入库所。如果该元素的状态为真,则对应的输入库所被赋予一个令牌。
在执行完子网1之后,中间驾驶机动算法库所集合中所有可行的机动控制算法都会有一个令牌。
而后,在进一步执行完子网2之后,输出驾驶机动算法库所集合中有令牌的库所为最终确定的安全可行的机动控制算法。
若在执行完整个决策网之后,没有任何机动控制算法被选中,则机动车会保守地停下来,等待新的事件触发新一轮的决策,直到在某一轮决策后有机动控制算法被选中。
如果只有一个机动控制算法被选中,则该机动控制算法被直接执行。否则,如果多个机动控制算法被选中,行为决策模块进入下一个阶段,从这些机动控制算法中选择一个最优的。
每一次实时驾驶决策算法被触发称为一个执行周期。触发执行周期的条件可以为:
●当前执行的机动控制算法到达一个终结状态(完成机动终结状态或者错误终结状态)。
●虚拟世界事件集合元组发生了变化(例如其中某些虚拟世界事件的状态改变了)。
一旦一个机动控制算法被选中执行,则只要在新的执行周期中仍然被选中,那么这个机动控制算法就会继续执行下去,直到终结。
每次决策完成后,所有的令牌被清除,为下一次决策做准备。
任何一个机动控制算法都可能以错误状态终结。此时,决策模块可以转入执行错误恢复机动控制算法。错误恢复机动控制算法在结构上和其它机动控制算法一致。其目的主要是控制机动车从某种意外的状态下回到安全正常的状态下。机动控制算法进入错误终结状态通常由某些具体的条件触发。如果这些条件很明确地决定了一个特定的错误恢复机动控制算法,则行为决策模块直接执行这个错误恢复机动控制算法。否则,行为决策模块开始新一轮的执行周期,根据新的状态信息,选择一个新的机动控制算法。
特别地,最优的机动控制选择算法是机动车决策控制方法多标准决策算法(Multiple Criteria Decision Making),其目的是在一系列备选的机动控制算法中,根据一定的条件,选择出最优的机动控制算法。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括……”或“包含……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的要素。此外,在本文中,“大于”、“小于”、“超过”等理解为不包括本数;“以上”、“以下”、“以内”等理解为包括本数。
本领域内的技术人员应明白,上述各实施例可提供为方法、装置、或计算机程序产品。这些实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。上述各实施例涉及的方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成,所述的程序可以存储于计算机设备可读取的存储介质中,用于执行上述各实施例方法所述的全部或部分步骤。所述计算机设备,包括但不限于:个人计算机、服务器、通用计算机、专用计算机、网络设备、嵌入式设备、可编程设备、智能移动终端、智能家居设备、穿戴式智能设备、车载智能设备等;所述的存储介质,包括但不限于:RAM、ROM、磁碟、磁带、光盘、闪存、U盘、移动硬盘、存储卡、记忆棒、网络服务器存储、网络云存储等。
上述各实施例是参照根据实施例所述的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到计算机设备的处理器以产生一个机器,使得通过计算机设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机设备以特定方式工作的计算机设备可读存储器中,使得存储在该计算机设备可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机设备上,使得在计算机设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已经对上述各实施例进行了描述,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改,所以以上所述仅为本发明的实施例,并非因此限制本发明的专利保护范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围之内。
Claims (9)
1.机动车决策控制方法,应用于机动车的行为决策模块,其特征在于,包括如下步骤:
获取虚拟世界模块输入的事件信息;
获取导航模块输入的路径信息;
根据事件信息和路径信息生成机动车机动动作。
2.根据权利要求1所述的机动车决策控制方法,其特征在于,还包括如下步骤:
在电子地图上的信息和现实的路况不一致时,输出路况信息到导航模块。
3.根据权利要求2所述的机动车决策控制方法,其特征在于,还包括如下步骤:
重新评估道路的形状和走向;
输出道路信息到导航模块。
4.根据权利要求1所述的机动车决策控制方法,其特征在于,所述事件信息包括虚拟世界事件,所述虚拟世界事件包括:
障碍物类的虚拟世界事件、车辆自身状态的虚拟世界事件、车辆当前行驶路段的虚拟世界事件或感知方面的虚拟世界事件。
5.根据权利要求1所述的机动车决策控制方法,其特征在于,
分析导航模块输入的路径信息,从中提取出机动车行驶的路线计划;
其中,路线计划包括往前直行、往前左拐、往前右拐或掉头行驶。
6.根据权利要求1所述的机动车决策控制方法,其特征在于,所述“生成机动车机动动作”包括根据有限态自动机生成机动车机动动作。
7.根据权利要求1所述的机动车决策控制方法,其特征在于,所述“生成机动车机动动作”包括使用一个佩特里网生成安全的机动车机动动作。
8.根据权利要求1所述的机动车决策控制方法,其特征在于,所述“生成机动车机动动作”包括如下步骤:
根据事件信息和交通规则及驾驶知识信息生成安全的机动控制方法;
根据生成的机动控制方法和路线规划子网信息生成安全可行且与路线计划不矛盾的机动控制方法。
9.根据权利要求1所述的机动车决策控制方法,其特征在于,还包括步骤:
在接收到错误状态时;
判断是否有符合该错误状态的错误恢复机动控制算法,有则执行该错误恢复机动控制算法;
否则,开始新一轮的执行周期,根据新的状态信息,选择一个新的机动控制算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510081698.9A CN104760592B (zh) | 2015-02-15 | 2015-02-15 | 机动车决策控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510081698.9A CN104760592B (zh) | 2015-02-15 | 2015-02-15 | 机动车决策控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104760592A true CN104760592A (zh) | 2015-07-08 |
CN104760592B CN104760592B (zh) | 2016-02-17 |
Family
ID=53642784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510081698.9A Active CN104760592B (zh) | 2015-02-15 | 2015-02-15 | 机动车决策控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104760592B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107466359A (zh) * | 2017-07-06 | 2017-12-12 | 驭势(上海)汽车科技有限公司 | 道路表征方法、显示道路信息的方法与设备 |
WO2019037125A1 (zh) * | 2017-08-25 | 2019-02-28 | 深圳市得道健康管理有限公司 | 人工智能终端及其行为控制方法 |
CN109683602A (zh) * | 2017-10-18 | 2019-04-26 | 江苏卡威汽车工业集团股份有限公司 | 一种智能化无人驾驶电动汽车 |
CN109683603A (zh) * | 2017-10-18 | 2019-04-26 | 江苏卡威汽车工业集团股份有限公司 | 一种无人驾驶汽车自主控制*** |
CN110001658A (zh) * | 2017-12-11 | 2019-07-12 | 沃尔沃汽车公司 | 用于车辆的路径预测 |
CN115017074A (zh) * | 2022-07-06 | 2022-09-06 | 北京联合大学 | 个人云存储方法及移动存储适配器 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102005055744A1 (de) * | 2005-11-23 | 2007-05-24 | Robert Bosch Gmbh | Fahrerassistenzsystem für Kraftfahrzeuge |
US20100235032A1 (en) * | 2009-03-12 | 2010-09-16 | Electronics And Telecommunications Research Institute | Unmanned transport apparatus and operating method thereof |
CN202011393U (zh) * | 2011-03-05 | 2011-10-19 | 山东申普交通科技有限公司 | 基于图像识别技术的全自动可载人导盲车 |
CN103935361A (zh) * | 2013-01-21 | 2014-07-23 | 通用汽车环球科技运作有限责任公司 | 用于自主的车道变换、经过和超越行为的有效数据流算法 |
-
2015
- 2015-02-15 CN CN201510081698.9A patent/CN104760592B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102005055744A1 (de) * | 2005-11-23 | 2007-05-24 | Robert Bosch Gmbh | Fahrerassistenzsystem für Kraftfahrzeuge |
US20100235032A1 (en) * | 2009-03-12 | 2010-09-16 | Electronics And Telecommunications Research Institute | Unmanned transport apparatus and operating method thereof |
CN202011393U (zh) * | 2011-03-05 | 2011-10-19 | 山东申普交通科技有限公司 | 基于图像识别技术的全自动可载人导盲车 |
CN103935361A (zh) * | 2013-01-21 | 2014-07-23 | 通用汽车环球科技运作有限责任公司 | 用于自主的车道变换、经过和超越行为的有效数据流算法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107466359A (zh) * | 2017-07-06 | 2017-12-12 | 驭势(上海)汽车科技有限公司 | 道路表征方法、显示道路信息的方法与设备 |
US10962383B2 (en) | 2017-07-06 | 2021-03-30 | Uisee (Shanghai) Automotive Technologies Ltd. | Road characterization method, method for displaying road information and devices |
WO2019037125A1 (zh) * | 2017-08-25 | 2019-02-28 | 深圳市得道健康管理有限公司 | 人工智能终端及其行为控制方法 |
CN109683602A (zh) * | 2017-10-18 | 2019-04-26 | 江苏卡威汽车工业集团股份有限公司 | 一种智能化无人驾驶电动汽车 |
CN109683603A (zh) * | 2017-10-18 | 2019-04-26 | 江苏卡威汽车工业集团股份有限公司 | 一种无人驾驶汽车自主控制*** |
CN110001658A (zh) * | 2017-12-11 | 2019-07-12 | 沃尔沃汽车公司 | 用于车辆的路径预测 |
CN110001658B (zh) * | 2017-12-11 | 2022-04-12 | 沃尔沃汽车公司 | 用于车辆的路径预测 |
CN115017074A (zh) * | 2022-07-06 | 2022-09-06 | 北京联合大学 | 个人云存储方法及移动存储适配器 |
CN115017074B (zh) * | 2022-07-06 | 2023-03-24 | 北京联合大学 | 个人云存储方法及移动存储适配器 |
Also Published As
Publication number | Publication date |
---|---|
CN104760592B (zh) | 2016-02-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104760592B (zh) | 机动车决策控制方法 | |
JP7150846B2 (ja) | 自律車両のための物体相互作用予測システムおよび方法 | |
CN111006879B (zh) | 一种面向港口环境的人机混驾自动驾驶的测试方法及其测试平台 | |
CN109739219B (zh) | 通行路径的规划方法、装置、设备及可读存储介质 | |
US11243532B1 (en) | Evaluating varying-sized action spaces using reinforcement learning | |
He et al. | Rule-based safety-critical control design using control barrier functions with application to autonomous lane change | |
Furda et al. | Enabling safe autonomous driving in real-world city traffic using multiple criteria decision making | |
CN109991987B (zh) | 自动驾驶决策方法及装置 | |
Dresner et al. | Sharing the road: Autonomous vehicles meet human drivers. | |
CN112419775B (zh) | 基于强化学习的数字孪生智慧停车方法及*** | |
CN106198049A (zh) | 真实车辆在环测试***和方法 | |
CN105573323A (zh) | 自动驾驶轨迹生成方法及装置 | |
Thornton et al. | Value sensitive design for autonomous vehicle motion planning | |
CN114495527A (zh) | 一种混合交通环境下网联交叉口车路协同优化方法及*** | |
WO2021073781A1 (en) | Prediction and planning for mobile robots | |
CN113076897A (zh) | 智能网联汽车的博弈动态行驶安全测控方法及调控终端 | |
EP4291985A1 (en) | Performance testing for mobile robot trajectory planners | |
CN112406905B (zh) | 基于交通工具的数据处理方法、装置、计算机及存储介质 | |
Tahifa et al. | Swarm reinforcement learning for traffic signal control based on cooperative multi-agent framework | |
WO2023188617A1 (en) | System and method for jointly controlling connected autonomous vehicles (cays) and manual connected vehicles (mcvs) | |
Guzmán et al. | A cyber-physical systems approach to collaborative intersection management and control | |
CN111983934B (zh) | 一种无人车仿真测试用例生成方法及*** | |
Gong et al. | Intuitive decision-making modeling for self-driving vehicles | |
Madhavan et al. | Intelligent vehicle systems: a 4D/RCS Approach | |
KR20230024392A (ko) | 주행 의사 결정 방법 및 장치 및 칩 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |