具有社會(huì)行為交互的無人駕駛汽車控制系統(tǒng)的制作方法
【專利摘要】本發(fā)明涉及一種具有社會(huì)行為交互的無人駕駛汽車控制系統(tǒng)及方法，所述控制系統(tǒng)分析其他車輛的駕駛意圖，根據(jù)其他車輛的駕駛意圖控制自身車輛的行駛狀態(tài)。依據(jù)本發(fā)明的系統(tǒng)和方法可以根據(jù)其它車輛的行駛意圖進(jìn)行社會(huì)行為交互，從而提高了無人駕駛車輛行車的安全性。
【專利說明】具有社會(huì)行為交互的無人駕駛汽車控制系統(tǒng)
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于汽車領(lǐng)域，具體而言涉及一種具有社會(huì)行為交互的無人駕駛汽車控制系統(tǒng)。
【背景技術(shù)】
[0002]無人駕駛汽車技術(shù)正在慢慢成熟，國內(nèi)無人駕駛車輛也有20多年的發(fā)展歷史，尤其是近幾年國家自然基金委組織的“中國智能車未來挑戰(zhàn)賽”(Future Challenge, FC)更是進(jìn)一步推進(jìn)了中國無人駕駛汽車的發(fā)展。國外汽車行業(yè)咨詢機(jī)構(gòu)IHS Automotive預(yù)測到2025年該類車型將會(huì)出現(xiàn)在市場上，并且其全球銷量將達(dá)到23萬輛；到2035年無人駕駛汽車的銷量將達(dá)到1，180萬輛，比例占全球汽車總銷量的9%。由此可見，無人駕駛汽車是未來汽車行業(yè)的一個(gè)必然選擇。
[0003]盡管如此，無人駕駛汽車完全應(yīng)用于現(xiàn)實(shí)生活還有很長一段距離，尤其是有人駕駛汽車與無人駕駛汽車混合行駛在交通場景中，如何實(shí)現(xiàn)與有人駕駛汽車以及行人等的交互，還是一大難點(diǎn)。以通過交叉路口為例，無人駕駛車輛往往采用被動(dòng)等待的技術(shù)。通常是等其他車輛通過路口后，再作相應(yīng)動(dòng)作；而不是與其他車輛在交叉口進(jìn)行動(dòng)態(tài)交互。因此要實(shí)現(xiàn)將無人駕駛汽車投入現(xiàn)實(shí)使用的目標(biāo)，無人駕駛汽車必須能像有人駕駛汽車那樣和其他車輛、行人進(jìn)行社會(huì)性的交互。
[0004]和有人駕駛汽車交通相比，無人駕駛汽車由于缺少人類思維的指導(dǎo)，要想在現(xiàn)實(shí)當(dāng)中上路行駛，就必須借助于自身安裝的智能設(shè)備和外界智能交通系統(tǒng)提供的信息。這就必須要讓無人駕駛汽車“模仿”人類的行為?，F(xiàn)有的“模仿”往往都是建立在規(guī)則基礎(chǔ)上的——也就是一次性的、完全根據(jù)外界信息和制定的規(guī)則來控制無人駕駛汽車。但是這樣的“模仿”是低效的、低魯棒性的，不符合發(fā)展的要求，所以要實(shí)現(xiàn)對人類思維的“模仿”。無人駕駛汽車在這個(gè)“模仿”過程當(dāng)中要完成信息獲取、分析、思考到反饋的一個(gè)循環(huán)任務(wù)。
[0005]為了解決交互的問題，申請?zhí)枮?01210101461.9的中國發(fā)明專利提供一種基于車車通信的協(xié)同避撞裝置，通過通信單元采集周圍車輛車距、車速等信息，并與周圍的車輛進(jìn)行實(shí)時(shí)信息交互；當(dāng)出現(xiàn)車距小于安全車距時(shí)，后車信息處理控制單元會(huì)通過計(jì)算期望減速度完成減速避撞；當(dāng)僅靠后車無法完成避撞時(shí)，會(huì)發(fā)送分配加速度信息給前車，通知前車加速協(xié)同避撞。但是該專利必須要求各個(gè)車輛都裝有協(xié)同避撞系統(tǒng)，并且只能實(shí)現(xiàn)前后車間協(xié)作，無法適用于高速公路匝道入口、交叉路口等更復(fù)雜的交通情況。
[0006]申請?zhí)枮?01310058330.1的中國發(fā)明專利當(dāng)中描述了一種運(yùn)用交通管理器和車載輔助駕駛設(shè)備，通過無線通信傳輸信息為車輛通過交叉路口提供導(dǎo)航信息的方法。但是該專利只是說明了在交叉路口和存在交通管理器的情況下的通行管控系統(tǒng)，并且以傳感器得到的車輛動(dòng)力學(xué)信息作為計(jì)算依據(jù)，并沒有考慮駕駛員的駕駛意圖，無法實(shí)現(xiàn)真正意義上的社會(huì)行為交互。
[0007]所以，怎樣在現(xiàn)有無人駕駛技術(shù)和智能交通系統(tǒng)的研究成果基礎(chǔ)上設(shè)計(jì)出具有社會(huì)行為交互能力的無人駕駛汽車控制系統(tǒng)，提高無人駕駛汽車在復(fù)雜交通環(huán)境下的自主能力，是真正實(shí)現(xiàn)無人駕駛亟待解決的問題。

【發(fā)明內(nèi)容】

[0008]本發(fā)明正是基于現(xiàn)有技術(shù)的上述需求而提出的，其要解決的技術(shù)問題是提供一種具有社會(huì)行為交互的無人駕駛汽車控制系統(tǒng)或方法，可以實(shí)時(shí)估計(jì)其他車輛狀態(tài)得到其行駛意圖，并且根據(jù)行駛意圖進(jìn)行社會(huì)行為交互。
[0009]為了解決上述問題，根據(jù)本發(fā)明的第一個(gè)方面提供了一種具有社會(huì)行為交互的無人駕駛汽車控制系統(tǒng)，所述控制系統(tǒng)分析其他車輛的駕駛意圖，根據(jù)其他車輛的駕駛意圖控制自身車輛的行駛狀態(tài)。
[0010]根據(jù)本發(fā)明的另一個(gè)方面提供了一種具有社會(huì)行為交互的無人駕駛汽車控制系統(tǒng)，所述系統(tǒng)包括:狀態(tài)估計(jì)模塊，所述狀態(tài)估計(jì)模塊根據(jù)其他車輛的連續(xù)狀態(tài)判斷所述其他車輛的行駛意圖；決策模塊，所述決策模塊根據(jù)所述狀態(tài)估計(jì)模塊得到的其他車輛駕駛意圖和無人駕駛汽車自身的狀態(tài)信息來做出決策；信息處理器，所述信息處理模塊包括狀態(tài)處理單元和行駛信息判斷單元，所述狀態(tài)處理單元將所述決策模塊的決策轉(zhuǎn)換為對無人駕駛車輛的行駛命令；所述行駛信息判斷單元分析所述無人駕駛車輛的車輛動(dòng)力學(xué)信息得到無人駕駛車輛的行駛信息，并將上述信息返回至所述決策模塊；底層控制器，所述底層控制器根據(jù)所述行駛命令控制車輛的行駛狀態(tài)；所述底層控制器還持續(xù)感知所述車輛的行駛參數(shù)，并將所述參數(shù)返回給所述行駛信息判斷模塊。
[0011]其中，所述狀態(tài) 估計(jì)模塊采用隱形馬爾科夫模型來判斷其他車輛的行駛意圖；所述隱形馬爾科夫模型包括N個(gè)隱藏的狀態(tài)S = {Sl, S2,…，sN}，M個(gè)可以觀測的觀察狀態(tài)V=Iv1, V2,…，vM};用Rt和Ut分別表示在t時(shí)刻的隱藏狀態(tài)和觀察狀態(tài)，定義:狀態(tài)轉(zhuǎn)移矩陣:A = {a^},其中= P {Rt+i = Sj | Rt = sj , I ^ i, j ^ N,使用所述狀態(tài)轉(zhuǎn)移矩陣表示轉(zhuǎn)移概率；隱藏狀態(tài)的分布矩陣B = {bu}，所述隱藏狀態(tài)的分布矩陣和觀察狀態(tài)之間的關(guān)系用概率來表示:1? = bj (Vi) = P{Ut = Vi I Rt = S」}, I≤k≤M ;初始狀態(tài)分布向量π =1> J，其中π i = P (R1 = Si}，I≤i≤N ;則所述隱形馬爾科夫模型表示為λ = (A, B, π )。
[0012]其中本發(fā)明采用的二維HMM是對標(biāo)準(zhǔn)HMM的擴(kuò)展:一個(gè)二維HMM有兩個(gè)觀察狀態(tài)集合V和W，其定義與標(biāo)準(zhǔn)HMM相同。二維HMM可以表示為λ = (A, B1, B2, π )。其中A和η的定義不變，B1和B2分別對應(yīng)V和W兩個(gè)觀察狀態(tài)集合的隱藏狀態(tài)的分布矩陣。
[0013]其中，利用通訊模塊得到其他車輛的速度和加速度觀察狀態(tài)序列O = {0l，O2……0T}，其中Ot = (vt,at)T, vt和at分別是車輛速度和加速度數(shù)據(jù)經(jīng)過分級處理后的離散狀態(tài)。
[0014]其中，利用通訊模塊得到其他車輛的速度觀察狀態(tài)序列O = {0l，O2……οτ}，使用前向和后向算法來計(jì)算對應(yīng)不同參數(shù)的概率。
[0015]其中，所述系統(tǒng)包括通訊模塊，所述通信模塊采用V2V無線通信來獲取其他車輛的信息，速度信息，根據(jù)速度離散化區(qū)間對應(yīng)得到所述其它車輛的觀察狀態(tài)序列。
[0016]其中，在明確了其他車輛的行車意圖之后，根據(jù)當(dāng)前無人駕駛汽車的車速和其他車輛的車速計(jì)算在保持車速情況下，到達(dá)路徑交叉點(diǎn)的時(shí)間間隔是否在沖突范圍內(nèi)，進(jìn)而判斷兩車是否會(huì)發(fā)生碰撞；然后利用FSM模型對無人駕駛汽車的行車狀態(tài)進(jìn)行調(diào)整。
[0017]其中，所述FSM模型包括如下規(guī)則:設(shè)El表示保持當(dāng)前行車狀態(tài)無法避免碰撞，Ε2表示保持當(dāng)前行車狀態(tài)可以安全通過匝道口，Ε3表示其他車輛的駕駛意圖是讓車，Ε4表示其他車輛的駕駛意圖是不讓車；當(dāng)狀態(tài)為El和E3時(shí)進(jìn)行加速行駛，當(dāng)狀態(tài)為E2時(shí)保持當(dāng)前速度，當(dāng)狀態(tài)為El和E4時(shí)進(jìn)行減速行駛。(該規(guī)則以公路匝道入口為例，其他相似場景可制定相似規(guī)則)
[0018]根據(jù)本發(fā)明的又一個(gè)方面，提供了一種具有社會(huì)行為交互的無人駕駛汽車控制方法，所述方法采用上述系統(tǒng)來駕駛汽車。
[0019]其中，利用Baum-Welch算法訓(xùn)練出對于不同意圖的參數(shù)λ i? i對應(yīng)于不同的車輛駕駛意圖；利用駕駛員駕駛車輛從入口車道行駛進(jìn)入主道，分別執(zhí)行讓車和不讓車的意圖，每隔0.5秒記錄一次所述駕駛員駕駛的車輛的速度和加速度，經(jīng)過分級處理獲得一系列離散的狀態(tài)數(shù)據(jù)；然后通過MATLab程序計(jì)算出兩種駕駛意圖對應(yīng)的HMM模型參數(shù)。
[0020]依據(jù)本發(fā)明的系統(tǒng)和方法可以實(shí)時(shí)估計(jì)其他車輛狀態(tài)得到其行駛意圖，并且根據(jù)行駛意圖進(jìn)行社會(huì)行為交互，從而提高了無人駕駛車輛行車的安全性。
【專利附圖】

【附圖說明】
[0021 ] 圖1為聞速公路阻道入口不意圖；
[0022]圖2為車載智能駕駛控制設(shè)備；
[0023]圖3為混合狀態(tài)系統(tǒng)示意圖；
[0024]圖4為基于經(jīng)驗(yàn)規(guī)則的FSM ；
[0025]圖5為控制器流程圖。
【具體實(shí)施方式】
[0026]下面依照附圖對本發(fā)明的【具體實(shí)施方式】進(jìn)行說明，需要指出的是，下述具體的實(shí)施方式僅僅是對本發(fā)明優(yōu)選實(shí)現(xiàn)方案的舉例，其內(nèi)容并不能理解為對本發(fā)明保護(hù)范圍的限制。
[0027]本發(fā)明考慮無人駕駛汽車在行駛過程中會(huì)出現(xiàn)的各種需要進(jìn)行車間交互的情況，在這些交通場景下，無人駕駛汽車面對的不再是靜止的車道線、建筑物，而是動(dòng)態(tài)的車輛。如果雙方不能夠明白對方的意圖，有時(shí)會(huì)產(chǎn)生不可控制的后果。
[0028]以公路匝道入口或其他相似場景為例，往往會(huì)因?yàn)檐囕v之間缺乏信息交流而造成交通事故。對于無人駕駛汽車而言，如果在缺乏人類思維指導(dǎo)的情況下，對于這些較為復(fù)雜的交通場景很難做出正確的反應(yīng)。
[0029]本實(shí)施例中以公路匝道入口場景為例對于本發(fā)明的要點(diǎn)進(jìn)行說明，然而可以理解的是，本發(fā)明的發(fā)明構(gòu)思并不僅限于公路的匝道入口處。在其他的交通場景同樣能夠適用。
[0030]如圖1示出了一種典型的公路匝道入口的場景，主路上包括行車道、超車道與減速帶，減速帶位于路的邊緣，匝道與所述減速帶相連。行車道和超車道上有行駛在公路上的公路車輛，其他車輛從所述匝道駛?cè)胨龉贰Ｓ捎诠奋囕v與其他車輛在匝道入口附近交會(huì)，因此公路匝道入口是交通事故多發(fā)地帶，經(jīng)常會(huì)發(fā)生刮擦追尾事故。
[0031]根據(jù)現(xiàn)有的交通規(guī)則，車輛在通過匝道入口進(jìn)入高速公路之前要在減速車道上先將車速降下來；但是經(jīng)常有駕駛員不顧交通規(guī)則，沒有在減速車道上減速就直接進(jìn)入行車道，而這時(shí)行駛在行車道上的車輛因?yàn)闆]有察覺到這一違反規(guī)則的行為，從而造成交通事故。[0032]假設(shè)在行車道上行駛的公路車輛是無人駕駛汽車，將從右側(cè)匝道即將進(jìn)入行車道的動(dòng)態(tài)車輛稱為其他車輛。要讓無人駕駛汽車安全通過這個(gè)匝道入口，就必須知道同一時(shí)間在此進(jìn)入高速的其他車輛的狀態(tài)，通過計(jì)算發(fā)生碰撞的情況，在此基礎(chǔ)上對無人駕駛汽車進(jìn)行控制。
[0033]本發(fā)明實(shí)施例提供的車載智能駕駛控制設(shè)備，如圖2所示。它包括通信模塊、狀態(tài)估計(jì)模塊、決策模塊、信息處理器和底層控制器。
[0034]其中，所述通信模塊，用于獲取道路中本車之外的其他車輛的連續(xù)狀態(tài)信息。在本實(shí)施例的場景中，所述通信模塊獲取的是該匝道入口處將要并入相同車道的其他其他車輛的連續(xù)狀態(tài)信息。優(yōu)選地，本實(shí)施方式中采用的是V2V無線通信來獲取其他車輛的信息的。V2V無線通信中，所有相關(guān)車輛都安裝了可以發(fā)送自身車輛狀態(tài)信息的無線發(fā)送器。優(yōu)選地，本實(shí)施例中當(dāng)車輛到達(dá)路口前提前發(fā)送自身車輛狀態(tài)信息。通過主動(dòng)發(fā)送自身車輛狀態(tài)能夠提醒在主路上行駛的車輛在匝道處有外來車輛駛?cè)?，從而能夠方便在主道行駛的車輛提早獲取匝道駛?cè)胲囕v的信息以便于提早做出判斷。
[0035]通訊模塊可以準(zhǔn)確的獲取其他車輛的狀態(tài)信息，包括高速匝道入口的地理信息和車輛的速度信息等。有時(shí)候可能會(huì)由于通訊故障造成無法準(zhǔn)確獲得其他車輛的狀態(tài)信息，為避免由于盲目駕駛造成交通事故，采取消極避讓的策略減速慢行，讓其他車輛先行通過。
[0036]所述狀態(tài)估計(jì)模塊，用于根據(jù)通信模塊獲得的所述其他車輛的連續(xù)經(jīng)過狀態(tài)估計(jì)模塊得到所述其他車輛的行駛意圖(例如，所述其他車輛是否讓車)。
[0037]狀態(tài)估計(jì)模塊在獲得其他車輛的狀態(tài)信息之后，根據(jù)這些信息來估計(jì)其他車輛的駕駛意圖，這如同有人駕駛情況下人類思考的過程。本發(fā)明采用隱形馬爾科夫模型(HMM)來實(shí)現(xiàn)這一估計(jì)。
[0038]一個(gè)離散HMM模型包括N個(gè)隱藏的狀態(tài)S = {Sl, s2,…，sN}，M個(gè)可以觀測的觀察狀態(tài)V = Iv1, V2,…，vM}。用Rt和Ut分別表示在t時(shí)刻的隱藏狀態(tài)和觀察狀態(tài)，定義:
[0039]狀態(tài)轉(zhuǎn)移矩陣:A= {aij},其中 a" = P {Rt+1 = Sj | Rt = sj , I ≤i, j ≤ N,使用所述狀態(tài)轉(zhuǎn)移矩陣表示轉(zhuǎn)移概率；
[0040]隱藏狀態(tài)的分布矩陣B = {bu}，稱作混淆矩陣，它和觀察狀態(tài)之間的關(guān)系也用概率來表示:1? = bj (Vi) = P {Ut = Vi I Rt = Sj}，I ≤ k ≤ M ;
[0041]初始狀態(tài)分布向量π = {τι J，其中π i = PfR1 = Si}，I≤i≤N ;這樣一個(gè)HMM模型可以表示為λ = (A, B, π ) 0
[0042]二維HMM是對標(biāo)準(zhǔn)HMM的擴(kuò)展:一個(gè)二維HMM有兩個(gè)觀察狀態(tài)集合V和W，其定義與標(biāo)準(zhǔn)HMM相同。二維HMM可以表示為λ = (A, B1, B2, π )。其中A和π的定義不變，B1和B2分別對應(yīng)V和W兩個(gè)觀察狀態(tài)集合的隱藏狀態(tài)的分布矩陣。
[0043]其中的參數(shù)乂81;82和π可以通過大量的實(shí)驗(yàn)數(shù)據(jù)訓(xùn)練得到，對于這里的問題取其他車輛的速度V和加速度a為實(shí)驗(yàn)所需數(shù)據(jù)，利用Baum-Welch算法訓(xùn)練出對于不同意圖的參數(shù)λ pi對應(yīng)于不同的車輛駕駛意圖。在這里對于兩種意圖，讓車和不讓車，利用通訊模塊得到離散的觀察序列O = 11, O2……οτ}。
[0044]根據(jù)這一觀察序列可以用窮舉法計(jì)算對應(yīng)不同參數(shù)的概率，但是這樣計(jì)算量巨大，所以采用前向一后向算法，前向和后向算法基本思想都是用遞歸的方法來減少計(jì)算量。以前向算法為例，定義前向局部概率at(i)表示在已知觀察序列后t時(shí)刻處于隱藏狀態(tài)Si的概率。對其進(jìn)行初始化(6^(/) = 5.4(4)/7/(4);當(dāng)t > I時(shí)at(i)等于所有達(dá)到這
一狀態(tài)路徑的概率之和，用遞歸的方法計(jì)算:
【權(quán)利要求】
1.一種具有社會(huì)行為交互的無人駕駛汽車控制系統(tǒng)，其特征在于，所述控制系統(tǒng)分析其他車輛的駕駛意圖，根據(jù)其他車輛的駕駛意圖控制自身車輛的行駛狀態(tài)。
2.一種具有社會(huì)行為交互的無人駕駛汽車控制系統(tǒng)，其特征在于，所述系統(tǒng)包括: 狀態(tài)估計(jì)模塊，所述狀態(tài)估計(jì)模塊根據(jù)其他車輛的連續(xù)狀態(tài)判斷所述其他車輛的行駛意圖； 決策模塊，所述決策模塊根據(jù)所述狀態(tài)估計(jì)模塊得到的其他車輛駕駛意圖和無人駕駛汽車自身的狀態(tài)信息來做出決策； 信息處理器，所述信息處理器包括狀態(tài)處理單元和行駛信息判斷單元，所述狀態(tài)處理單元將所述決策模塊的決策轉(zhuǎn)換為對無人駕駛車輛的行駛命令；所述行駛信息判斷單元分析所述無人駕駛車輛的車輛動(dòng)力學(xué)信息得到無人駕駛車輛的行駛信息，并將上述信息返回至所述決策模塊； 底層控制器，所述底層控制器根據(jù)所述行駛命令控制車輛的行駛狀態(tài)；所述底層控制器還持續(xù)感知所述車輛的行駛參數(shù)，并將所述參數(shù)返回給所述行駛信息判斷單元。
3.根據(jù)權(quán)利要求2所述的系統(tǒng)，其特征在于，所述狀態(tài)估計(jì)模塊采用隱形馬爾科夫模型來判斷其他車輛的行駛意圖； 所述隱形馬爾科夫模型包括N個(gè)隱藏的狀態(tài)S = Is1, S2,…，sN}，M個(gè)可以觀測的觀察狀態(tài)V = Iv1, V2,…，vM};用Rt和Ut分別表示在t時(shí)刻的隱藏狀態(tài)和觀察狀態(tài)，定義: 狀態(tài)轉(zhuǎn)移矩陣A = {au},其中au = P {Rt+1 = Sj Rt = sj , I ≤i, j ≤N,使用所述狀態(tài)轉(zhuǎn)移矩陣表示轉(zhuǎn)移概率； 隱藏狀態(tài)的分布矩陣B = {bu}，所述隱藏狀態(tài)的分布矩陣和觀察狀態(tài)之間的關(guān)系用概率來表示:1? = bj (Vi) = P {Ut = Vi I Rt = S」}, I ≤ k ≤M ; 初始狀態(tài)分布向量π = {Ji J ,其中π i = PlR1 = Si}，I≤i≤N ; 則所述隱形馬爾科夫模型表示為λ = (Α，Β，π)。 在以上標(biāo)準(zhǔn)HMM的基礎(chǔ)上對于多觀測序列的HMM進(jìn)行擴(kuò)展。當(dāng)觀測變量是兩個(gè)的時(shí)候，將標(biāo)準(zhǔn)的HMM擴(kuò)展為二維ΗΜΜ。此時(shí)有兩個(gè)觀察狀態(tài)集合V和W，其定義與標(biāo)準(zhǔn)HMM相同，于是一個(gè)二維HMM可以表示為λ = (A, B1, B2, π)。其中A和π的定義不變，B1和B2分別對應(yīng)V和W兩個(gè)觀察狀態(tài)集合的隱藏狀態(tài)的分布矩陣。
4.根據(jù)權(quán)利要求3所述的系統(tǒng)，其特征在于， 利用通訊模塊得到其他車輛的連續(xù)狀態(tài)數(shù)據(jù)，并經(jīng)過處理得到離散的觀察序列O ={Oj, O2......0j}， 使用前向和后向算法來計(jì)算對應(yīng)不同參數(shù)的概率。
5.根據(jù)權(quán)利要求4所述的系統(tǒng)，其特征在于，所述系統(tǒng)包括通訊模塊，所述通信模塊采用V2V無線通信來獲取其他車輛的信息，進(jìn)而得到所述其他車輛的觀察序列。
6.根據(jù)權(quán)利要求3-5中任意一項(xiàng)所述的系統(tǒng)，其特征在于，在明確了其他車輛的行車意圖之后，根據(jù)當(dāng)前無人駕駛汽車的車速和其他車輛的車速計(jì)算在保持車速情況下，到達(dá)路徑交叉點(diǎn)的時(shí)間間隔是否在沖突范圍內(nèi)，進(jìn)而判斷兩車是否會(huì)發(fā)生碰撞；然后利用FSM模型對無人駕駛汽車的行車狀態(tài)進(jìn)行調(diào)整。
7.根據(jù)權(quán)利要求6所述的系統(tǒng)，其特征在于，所述FSM模型包括如下規(guī)則:設(shè)El表示保持當(dāng)前行車狀態(tài)無法避免碰撞，E2表示保持當(dāng)前行車狀態(tài)可以安全通過匝道口，E3表示其他車輛的駕駛意圖是讓車，E4表示其他車輛的駕駛意圖是不讓車；當(dāng)狀態(tài)為El和E3時(shí)進(jìn)行加速行駛，當(dāng)狀態(tài)為E2時(shí)保持當(dāng)前速度，當(dāng)狀態(tài)為El和E4時(shí)進(jìn)行減速行駛。
8.一種具有社會(huì)行為交互的無人駕駛汽車控制方法，其特征在于，所述方法采用如權(quán)利要求7所述的系統(tǒng)來駕駛汽車。
9.根據(jù)權(quán)利要求8所述的方法，其特征在于，利用Baum-Welch算法訓(xùn)練出對于不同意圖的參數(shù)Xi, i對應(yīng)于不同的車輛駕駛意圖；利用駕駛員駕駛車輛從入口車道行駛進(jìn)入主道，分別執(zhí)行讓車和不讓車的意圖，每隔0.5秒記錄一次所述駕駛員駕駛的車輛的速度和加速度，用分級方法將獲得的數(shù)據(jù)對應(yīng)到的相應(yīng)的狀態(tài)區(qū)間獲得一系列觀察狀態(tài)序列；然后通過MATLab程序自帶 的關(guān)于HMM模型的函數(shù)訓(xùn)練出兩種駕駛意圖對應(yīng)的HMM模型參數(shù)。
【文檔編號】G08G1/16GK103996312SQ201410221906
【公開日】2014年8月20日 申請日期:2014年5月23日 優(yōu)先權(quán)日:2014年5月23日
【發(fā)明者】熊光明, 王詩源, 李勇, 陳慧巖 申請人:北京理工大學(xué)