本發(fā)明涉及智能駕駛，特別是一種基于分布式的駕駛決策生成方法、系統(tǒng)及存儲介質(zhì)。

背景技術(shù)：

1、現(xiàn)有的智能駕駛系統(tǒng)主要依賴于高度集成的單一智能體架構(gòu)，該架構(gòu)通過融合雷達(dá)、激光雷達(dá)（lidar）、攝像頭以及全球定位系統(tǒng)（gps）等多種傳感器數(shù)據(jù)，結(jié)合先進(jìn)的機(jī)器視覺和人工智能算法，實(shí)現(xiàn)了對車輛周圍環(huán)境的全面感知與決策制定。然而，盡管這一架構(gòu)在特定場景下展現(xiàn)了較高的自動駕駛能力，但在面對復(fù)雜多變的真實(shí)駕駛環(huán)境時(shí)，其局限性逐漸顯現(xiàn)。

2、首先，單一智能體架構(gòu)在處理多任務(wù)時(shí)，如同時(shí)執(zhí)行環(huán)境感知、決策制定和車輛控制，面臨著計(jì)算資源和處理能力分配的挑戰(zhàn)。這種“一肩挑”的模式導(dǎo)致在復(fù)雜或突發(fā)情況下，系統(tǒng)往往難以保證感知的全面性和決策的精準(zhǔn)性，從而增加了交通事故的風(fēng)險(xiǎn)。特別是在高速公路上的緊急避障、城市路況中的行人檢測與避讓等高風(fēng)險(xiǎn)場景中，單一智能體的反應(yīng)速度和決策準(zhǔn)確性成為制約其性能的關(guān)鍵因素。

3、其次，不同駕駛場景對智能駕駛系統(tǒng)的要求差異顯著，從城市道路到高速公路，從晴天到惡劣天氣，每種場景都有其獨(dú)特的挑戰(zhàn)。單一智能體難以針對每一種特定場景進(jìn)行深度優(yōu)化，導(dǎo)致在特定環(huán)境下的表現(xiàn)不盡如人意。例如，城市環(huán)境中頻繁出現(xiàn)的行人、非機(jī)動車及多變的交通信號，對系統(tǒng)的實(shí)時(shí)響應(yīng)和決策能力提出了更高要求；而在高速公路上，則更側(cè)重于車距控制、車道保持及高速行駛下的穩(wěn)定性。

4、再者，現(xiàn)有智能駕駛系統(tǒng)普遍缺乏足夠的靈活性和擴(kuò)展性。當(dāng)駕駛環(huán)境發(fā)生顯著變化或系統(tǒng)需要應(yīng)對新的駕駛場景時(shí)，單一智能體的調(diào)整能力有限，難以迅速適應(yīng)新環(huán)境并優(yōu)化其感知與決策策略。這種局限性限制了智能駕駛系統(tǒng)在實(shí)際應(yīng)用中的廣泛性和可靠性，阻礙了無人駕駛技術(shù)的進(jìn)一步推廣。

5、綜上，現(xiàn)有的智能駕駛方法存在先進(jìn)性與靈活性較差的技術(shù)問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的主要目的在于提供了一種基于分布式的駕駛決策生成方法、系統(tǒng)及存儲介質(zhì)，旨在解決現(xiàn)有的基于分布式的駕駛決策生成方法用戶使用體驗(yàn)感不佳的技術(shù)問題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供了一種基于分布式的駕駛決策生成方法，其包括以下步驟：采集車輛周圍的多源環(huán)境數(shù)據(jù)，多源環(huán)境數(shù)據(jù)至少包括環(huán)境圖像數(shù)據(jù)、雷達(dá)數(shù)據(jù)、衛(wèi)星數(shù)據(jù)、imu數(shù)據(jù)中的兩種數(shù)據(jù)；對多源環(huán)境數(shù)據(jù)進(jìn)行預(yù)處理，并對預(yù)處理后的多源環(huán)境數(shù)據(jù)進(jìn)行數(shù)據(jù)融合，得到環(huán)境感知數(shù)據(jù)；通過深度學(xué)習(xí)算法，基于環(huán)境感知數(shù)據(jù)識別當(dāng)前駕駛情境；根據(jù)預(yù)設(shè)分類方法對當(dāng)前駕駛情境進(jìn)行分類，以確定車輛所處的駕駛情境類型，駕駛情境類型為城市道路、高速公路、復(fù)雜交叉口或惡劣天氣；多智能體系中的各智能體之間通過分布式協(xié)議共享環(huán)境感知數(shù)據(jù)和駕駛情境類型，以生成各智能體對應(yīng)的局部決策；將各智能體對應(yīng)的局部決策進(jìn)行決策融合，以形成全局駕駛決策，全局駕駛決策包括路徑規(guī)劃、速度控制和避障策略三項(xiàng)內(nèi)容。

3、可選的，對多源環(huán)境數(shù)據(jù)進(jìn)行預(yù)處理，至少包括以下步驟：對多源環(huán)境數(shù)據(jù)分別進(jìn)行噪聲過濾，得到環(huán)境圖像有效數(shù)據(jù)、雷達(dá)有效數(shù)據(jù)、gps有效數(shù)據(jù)、imu有效數(shù)據(jù)；將衛(wèi)星數(shù)據(jù)的時(shí)間戳和位置信息作為基準(zhǔn)，對多源環(huán)境數(shù)據(jù)進(jìn)行時(shí)間同步和空間對齊；對環(huán)境圖像有效數(shù)據(jù)進(jìn)行特征提取，得到物理對象的位置數(shù)據(jù)；對雷達(dá)有效數(shù)據(jù)進(jìn)行特征提取，得到物理對象的距離、速度、徑向速度、角度中的一種或兩種以上數(shù)據(jù)；對gps有效數(shù)據(jù)進(jìn)行特征提取，得到車輛定位數(shù)據(jù)；對imu有效數(shù)據(jù)進(jìn)行特征提取，得到車輛的姿態(tài)數(shù)據(jù)、加速度、角速度中的一種或兩種以上數(shù)據(jù)。

4、可選的，物理對象包括其他車輛、行人、動物、障礙物、交通標(biāo)志、車道線其中一種或兩種以上。

5、可選的，各智能體是根據(jù)駕駛功能需求劃分得到的，駕駛功能需求包括：環(huán)境感知、路徑規(guī)劃、行為決策與控制執(zhí)行。

6、可選的，將各智能體對應(yīng)的局部決策進(jìn)行決策融合，至少包括以下步驟：

7、對局部決策進(jìn)行驗(yàn)證；根據(jù)駕駛情境類型，設(shè)置各局部決策的權(quán)重值，以確定各局部決策的優(yōu)先級；使用預(yù)設(shè)合并規(guī)則或算法合并局部決策。

8、可選的，還包括：基于環(huán)境感知數(shù)據(jù)與全局駕駛決策對多智能體參數(shù)進(jìn)行迭代優(yōu)化，以調(diào)整各智能體的決策策略；根據(jù)各智能體對應(yīng)的局部決策與全局決策的對比結(jié)果對各智能體進(jìn)行優(yōu)化。

9、可選的，還包括：根據(jù)異常檢測周期對多智能體系中的所有智能體進(jìn)行周期性檢測，若智能體存在異常，則通過預(yù)設(shè)智能體異常應(yīng)對方法對故障智能體進(jìn)行處理。

10、可選的，智能體異常應(yīng)對方法至少包括重新啟動故障智能體、將故障智能體切換為備用智能體、重新配置多智能體參數(shù)其中之一。

11、與所述基于分布式的駕駛決策生成方法相對應(yīng)的，本發(fā)明提供一種基于分布式的駕駛決策生成系統(tǒng)，其包括：數(shù)據(jù)采集模塊，用于采集車輛周圍的多源環(huán)境數(shù)據(jù)，多源環(huán)境數(shù)據(jù)至少包括環(huán)境圖像數(shù)據(jù)、雷達(dá)數(shù)據(jù)、衛(wèi)星數(shù)據(jù)、imu數(shù)據(jù)中的兩種以上數(shù)據(jù)；數(shù)據(jù)處理模塊，用于對多源環(huán)境數(shù)據(jù)進(jìn)行預(yù)處理，并對預(yù)處理后的多源環(huán)境數(shù)據(jù)進(jìn)行數(shù)據(jù)融合，得到環(huán)境感知數(shù)據(jù)；駕駛情境識別模塊，用于通過深度學(xué)習(xí)算法，基于環(huán)境感知數(shù)據(jù)識別當(dāng)前駕駛情境；駕駛情境分類模塊，用于根據(jù)預(yù)設(shè)分類方法對當(dāng)前駕駛情境進(jìn)行分類，以確定車輛所處的駕駛情境類型，駕駛情境類型為城市道路、高速公路、復(fù)雜交叉口或惡劣天氣；局部決策生成模塊，用于多智能體系中的各智能體之間通過分布式協(xié)議共享環(huán)境感知數(shù)據(jù)和駕駛情境類型，以生成各智能體對應(yīng)的局部決策；全局駕駛決策生成模塊，用于將各智能體對應(yīng)的局部決策進(jìn)行決策融合，以形成全局駕駛決策，全局駕駛決策包括路徑規(guī)劃、速度控制和避障策略三項(xiàng)內(nèi)容。

12、此外，為實(shí)現(xiàn)上述目的，本發(fā)明還提供一種計(jì)算機(jī)可讀存儲介質(zhì)，所述計(jì)算機(jī)可讀存儲介質(zhì)上存儲有基于分布式的駕駛決策生成程序，所述基于分布式的駕駛決策生成程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上文所述的基于分布式的駕駛決策生成方法的步驟。

13、本發(fā)明的有益效果是：

14、（1）與現(xiàn)有技術(shù)相比，本發(fā)明實(shí)現(xiàn)了對復(fù)雜駕駛情境類型的準(zhǔn)確分類，為智能駕駛策略的制定提供了可靠依據(jù)；根據(jù)駕駛情境類型靈活調(diào)整駕駛策略和決策優(yōu)先級，提高了智能駕駛的靈活性；通過分布式協(xié)議實(shí)現(xiàn)了智能體間的信息共享與協(xié)作，提升了整體決策的智能性和魯棒性；進(jìn)一步綜合各智能體的局部決策，形成全局最優(yōu)的智能駕駛決策，確保了智能駕駛方法的先進(jìn)性和安全性；本發(fā)明能夠廣泛應(yīng)用于各種需要自動生成駕駛決策的場景，提供了更廣泛的技術(shù)應(yīng)用可能性；

15、（2）與現(xiàn)有技術(shù)相比，本發(fā)明通過預(yù)處理確保了多源環(huán)境數(shù)據(jù)在時(shí)間維度上的一致性，為后續(xù)的數(shù)據(jù)融合提供了基礎(chǔ)，提高了數(shù)據(jù)的純凈度，減少了誤判和誤操作的風(fēng)險(xiǎn)；并且，能夠從有效數(shù)據(jù)中提取出關(guān)鍵信息，為后續(xù)的情境識別和決策提供了有力支持；

16、（3）與現(xiàn)有技術(shù)相比，本發(fā)明不僅關(guān)注車輛和行人，還考慮了動物、障礙物、交通標(biāo)志、車道線等多種對象，提高了環(huán)境感知的全面性和準(zhǔn)確性；

17、（4）與現(xiàn)有技術(shù)相比，本發(fā)明根據(jù)駕駛功能需求劃分智能體，實(shí)現(xiàn)了功能的解耦和模塊化，便于系統(tǒng)維護(hù)和升級；

18、（5）與現(xiàn)有技術(shù)相比，本發(fā)明通過將各智能體對應(yīng)的局部決策進(jìn)行決策融合，保證駕駛的安全性和效率；

19、（6）與現(xiàn)有技術(shù)相比，本發(fā)明通過迭代優(yōu)化多智能體參數(shù)，不斷提升各智能體的決策能力和系統(tǒng)整體的性能；并且，基于局部決策與全局決策的對比結(jié)果，對智能體進(jìn)行針對性優(yōu)化，提高了系統(tǒng)的準(zhǔn)確性和穩(wěn)定性；

20、（7）與現(xiàn)有技術(shù)相比，本發(fā)明通過周期性檢測，能夠及時(shí)發(fā)現(xiàn)并處理智能體異常，保證了系統(tǒng)的持續(xù)穩(wěn)定運(yùn)行；

21、（8）與現(xiàn)有技術(shù)相比，本發(fā)明通過預(yù)設(shè)的應(yīng)對方法，能夠快速有效地處理智能體異常，減少了故障對智能駕駛系統(tǒng)的影響，也提供了多種異常應(yīng)對方案，可根據(jù)實(shí)際情況選擇最合適的處理方式，提高了系統(tǒng)的靈活性和可靠性。