[发明专利]一种基于行车预测场和BP神经网络的智能车辆驾驶行为拟人化决策方法

权利要求书

1.一种基于行车预测场和BP神经网络的智能车辆驾驶行为拟人化决策方法，其特征在于，包括如下步骤：

步骤1：将周边车辆行为根据横向与纵向两个方面组合划分，离散化划分为9个典型行为bi，拟合每个车辆行为b_i对应的相似性轨迹，设目标车辆依照相似性轨迹行驶过的区域为

步骤2：取智能车辆当前车道的前后方车辆与相邻车道的前后方车辆作为其周围车辆，每辆交通环境参与车使用车载的GPS与IMU联合定位系统实时获取每个时刻自车的位置(x,y)、速度(V_x,V_y)、加速度(a_x,a_y)；

步骤3：根据相似性轨迹行驶过的区域为以及周边车辆的状态信息，建立行车预测场，包含安全预测场ES，效率预测场EE，驾驶舒适预测场EC；

所述步骤3中，安全预测场ES的建立方法为：

以智能车辆的前后向h辆周边交通车辆为产生安全场势的“电荷”，将前后向h辆周边交通车辆的位置、速度与加速度作为影响安全势值的主要变量；

写出智能车辆行车区域内任意一点位置受到周围第j辆车影响所具有的单位安全势值

其中，(X,Y)为智能车辆行车区域内任意一点位置；G_S为行车安全预测场待定常数；δ_j周围第j辆车的车辆类型系数；M_j为周围第j辆车的等效质量比，是第j辆车的长、宽、高乘积的倒数；(x_[j],y_[j])为智能车辆周围第j辆车当前时刻的位置向量；为周围第j辆车当前时刻的速度向量；为周围第j辆车当前时刻的加速度向量；ΔT为智能车辆行为决策执行时间；|| ||₂为欧几里德范数符号；

智能车辆行车区域内任意一点位置所具有的单位安全势值

则智能车辆某一行为bi的安全预测场场强和为

所述步骤3中，所述效率预测场EE的建立方法为：

以智能车辆为产生效率场势的“电荷”，将智能车辆的纵向位置作为影响效率势值的主要变量；

写出智能车辆行车区域内任意一点位置所具有的单位效率势值

Y为智能车辆行车区域内任意一点纵向位置；G_E为行车效率预测场待定常数；M₀为智能车辆的等效质量比，是智能车辆的长、宽、高乘积的倒数；y_[0]为智能车辆当前时刻的纵向位置；

则智能车辆某一行为b_i的效率预测场场强和为

所述步骤3中，所述驾驶舒适预测场EC的建立方法为：

以智能车辆为产生驾驶舒适场势的“电荷”，将智能车辆前往行驶区域某一位置的横纵向加速度作为影响驾驶舒适势值的主要变量；

写出智能车辆行车区域内任意一点位置所具有的单位驾驶舒适势值

(X,Y)为智能车辆行车区域内任意一点位置；G_C为行车驾驶舒适预测场待定常数；(x_[0],y_[0])为智能车辆当前时刻的位置向量；为智能车辆当前时刻的速度向量；ΔT为智能车辆行为决策执行时间；||||₂为欧几里德范数符号；

则智能车辆某一行为bi的驾驶舒适性预测场场强和为

步骤4：智能车辆依据实时获取各行为b_i在行车预测场下的子预测场场强和，并归一化处理后作为x向量输入训练好的BP神经网络驾驶行为决策模型，输出y向量解码后得出最合理的驾驶行为决策结果。

2.根据权利要求1所述的一种基于行车预测场和BP神经网络的智能车辆驾驶行为拟人化决策方法，其特征在于，所述步骤2中，智能车辆与周围车辆之间构建V2V通信网络，智能车辆使用V2V通信技术中LTE模块的D2D邻近通信服务实时获取所处交通环境周边车辆的状态信息。

3.根据权利要求1所述的一种基于行车预测场和BP神经网络的智能车辆驾驶行为拟人化决策方法，其特征在于，所述步骤4中，所述BP神经网络为三层27-16-9结构。