[发明专利]一种基于RoboSim的自动驾驶行为决策模型的构建方法

说明书

本发明公开了一种基于RoboSim的自动驾驶行为决策模型的构建方法，旨在通过构建面向自动驾驶场景的安全高效的行为决策模型，帮助自动驾驶系统生成可靠的行为决策。该方法的特点包括：基于自动驾驶领域本体和他车意图预测LSTM模型；基于贝叶斯网络生成决策信息；利用贝叶斯网络决策信息进一步构建面向自动驾驶行为决策的RoboSim模型。本发明针对自动驾驶行为决策生成，在贝叶斯网络决策的基础上，进一步构建RoboSim决策模型，通过RoboSim模型的状态迁移代替贝叶斯网络生成决策的计算过程，能够让自动驾驶车辆在相同的场景下，减少贝叶斯网络推理的冗余操作，有效的提高了自动驾驶行为决策的生成效率。

技术领域

本发明涉及自动驾驶决策生成、系统建模，尤其是一种针对自动驾驶行为决策模型的构建方法。

背景技术

目前，自动驾驶系统主要包含感知、决策、执行三大模块。其中，决策模块需要接受感知模块的数据并进行分析，再根据当前的驾驶场景如车辆周围环境等做出最优的决策，最后将相应的指令传输给执行模块以执行具体的决策动作。作为自动驾驶中的关键技术，行为决策生成仍面临诸多挑战。首先，自动驾驶场景具有高度的复杂性与不确定性，如环境因素的多样性、其他车辆及行人意图的不确定性等。其次，自动驾驶车辆在行驶过程中应考虑决策执行的高效性，即对复杂的环境信息及时做出响应。在同一自动驾驶场景中，车辆周围的环境在一连续时间内不会发生剧烈改变，若重复执行决策算法势必会产生诸多冗余计算，引起不必要的时间消耗。

目前，汽车自动驾驶车辆的行为决策方法主要分为基于学习、基于规则和基于概率统计模型三类。基于学习的方法主要利用深度学习等算法对环境样本进行自主学习，进而产生行为决策。基于规则的方法主要通过划分车辆状态，以建立驾驶环境与驾驶动作之间的映射关系，进而进行决策，代表方法包括状态机模型和基于知识推理的模型等。基于概率统计模型的方法主要包括部分可观测马尔可夫决策过程（partiallyobservable Markovdecision process, POMDP）、贝叶斯网络等。然而，这些方法难以充分表达驾驶场景信息以及自动驾驶领域知识，且存在由于冗余计算导致决策效率低的问题。

发明内容

本发明的目的是为了解决自动驾驶领域的行为决策生成问题，提供了一种基于RoboSim的自动驾驶行为决策模型的构建方法，该方法采用基于自动驾驶领域本体和他车意图预测LSTM模型构建的贝叶斯网络提供决策信息，结合决策信息、车辆状态信息和环境信息进一步构建面向自动驾驶行为决策的RoboSim模型，通过RoboSim模型的状态迁移代替贝叶斯网络决策的生成过程，有效地减少了贝叶斯网络推理的冗余操作，保证了决策的高效性。

实现本发明目的的具体技术方案是：

一种基于RoboSim的自动驾驶行为决策模型的构建方法，特点是使用基于自动驾驶领域本体和他车意图预测LSTM模型构建贝叶斯网络生成决策信息，通过结合决策信息、车辆状态信息和环境信息进一步构建面向自动驾驶行为决策的RoboSim模型，该方法包括如下具体步骤：

A：基于驾驶场景中元素之间的层次性和关联性，提取驾驶场景中的车辆状态、驾驶环境、车辆驾驶行为决策元素的语义信息，构建自动驾驶领域本体概念模型；

B：针对驾驶场景中周围车辆未来运动状态的随机性，基于车辆轨迹数据，构建LSTM模型进行他车意图预测；

C：基于自动驾驶领域本体概念模型、他车意图预测LSTM模型的预测结果和车辆轨迹数据，构建面向自动驾驶行为决策的贝叶斯网络进行贝叶斯推理，生成车辆驾驶行为决策信息；

D：基于车辆轨迹数据，结合数据中体现的车辆状态信息、环境信息和贝叶斯网络生成的车辆驾驶行为决策信息，构建面向自动驾驶行为决策的RoboSim模型。

步骤A构建自动驾驶领域本体概念模型，具体包括：

A1：自身车辆类，描述当前车辆自身的状态，包括当前车辆的速度、加速度、与障碍物之间的相对距离、当前所处车道以及行驶方向；

A2：环境类，表示自动驾驶场景中的环境因素，由行人、车辆、天气、路网结构组成；