欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025111415942
申请人: 安徽大学
专利类型:发明专利
专利状态:已下证
专利领域: 一般车辆
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.具备动态风险感知与注意力聚焦的自动驾驶决策方法,其特征在于,包括如下步骤:S1.基于当前观测的车辆状态初始化粒子集,通过车辆运动学模型更新粒子集状态并引入高斯噪声模拟不确定性,采用多维高斯分布计算粒子权重,经重采样优化后输出加权平均的预测轨迹;所述粒子权重包括位置误差、航向角误差和速度误差;

S2.基于车辆当前位置、预测位置、速度及安全距离,分别计算纵向碰撞风险值和横向碰撞风险值,并根据车流密度动态调整权重,融合输出综合驾驶风险值IDR;

S3.将所述综合驾驶风险值IDR和车辆行驶意图进行特征整合后输入基于注意力机制增强的双深度Q网络,生成自动驾驶车辆的换道决策。

2.根据权利要求1所述的具备动态风险感知与注意力聚焦的自动驾驶决策方法,其特征在于,步骤S1包括:S11.获取当前时刻观测车辆的实时状态数据,包括车辆位置坐标、航向角和速度;

S12.在三维状态空间中,根据当前观测状态数据生成个初始粒子,各粒子状态服从以观测值为均值的高斯分布;

S13.对于每个粒子,根据车辆运动学模型计算下一时刻状态预测值;

S14.对于每个预测粒子,计算其与最新观测数据的三维误差,包括位置误差、航向角误差和速度误差;

S15.基于三维误差计算粒子权重,对权重进行归一化处理,并执行系统重采样,保留高权重粒子;

S16.输出重采样后粒子的加权平均状态作为最终预测结果。

3.根据权利要求2所述的具备动态风险感知与注意力聚焦的自动驾驶决策方法,其特征在于,步骤S13中,所述粒子状态更新采用如下运动学模型:;

其中分别是车辆的预测位置,预测航向角以及预测速度;分别是车辆的当前位置,当前航向角以及当前速度;是偏航角,是预测时间步长,L是车辆的轴距,是高斯噪声,分别是自车当前加速度和高斯噪声的方差。

4.根据权利要求2所述的具备动态风险感知与注意力聚焦的自动驾驶决策方法,其特征在于,步骤S2包括:S21.获取自车及周围车辆当前状态和预测状态;

S22.计算纵向风险值,如下式:

;

其中和分别代表周围车辆和自车的纵向位置,和分别代表周围车辆和自车的预测纵向位置;是自车与周围车辆的纵向安全距离,是自车与周围车辆的纵向真实距离;是纵向风险的最大值,是形状调节因子;,分别是沿着纵向方向的动态收敛系数和预测动态收敛系数,其中是参考速度,是自车当前速度,是自车预测速度,是常系数,是纵向常数收敛系数;

S23.计算横向风险值,如下式:

;

其中是横向风险的最大值,是自车与周围车辆的横向安全距离,基于道路宽进行设定;横向真实距离,其中是自车与周围车辆的横向距离,代表自车质心到车身侧面的距离;并且,,分别是沿横向方向的动态收敛系数与预测动态收敛系数,其中是常系数,是横向常数收敛系数;

S24.计算综合风险值IDR,如下式:

;

其中和分别是与车流密度相关的纵向和横向风险的动态权重系数,,;其中为当前车流密度,是根据一定范围内的车辆数与道路数的比值计算得出;和分别是车流密度的最小值和最大值。

5.根据权利要求4所述的具备动态风险感知与注意力聚焦的自动驾驶决策方法,其特征在于,步骤S22中,所述纵向安全距离和真实距离的计算包括下式:;

;

其中和分别代表自车与周围车辆的速度和预测速度;和分别代表自车和周围车辆的航向角和预测航向角,是自车与周围车辆的纵向距离,是自车质心到车头的距离,代表自车质心到车身侧面的距离,是安全距离裕度,是驾驶员反应时间,是车辆制动系统反映时间,是车辆的最大减速度。

6.根据权利要求5所述的具备动态风险感知与注意力聚焦的自动驾驶决策方法,其特征在于,步骤S3包括:S31.将自车和周围车辆状态编码为特征向量;S32.通过自注意力机制计算自车与周围车辆的相似性权重,加权融合生成表征注意力分布的环境特征;

S33.将所述特征与原始自车状态拼接,输入DDQN网络生成动作策略,所述动作策略包括:左换道、右换道、加速、减速和保持。

7.根据权利要求6所述的具备动态风险感知与注意力聚焦的自动驾驶决策方法,其特征在于,所述方法还包括奖励函数设计,具体包括:设置安全奖励函数用于在发生碰撞时惩罚与自车速度正相关,如下式:;

是安全奖励函数,其中是自车的前进速度,是道路允许的最大行驶速度,是安全奖励权重系数;设置效率奖励函数用于激励车辆接近道路限速行驶,如下式:;

是效率奖励函数,其中是效率奖励权重系数,是道路允许速度最小值;

设置场景特定奖励函数用于汇入车道场景,避免阻碍其他车辆,如下式:;

是汇入车道速度惩罚奖励函数,是其权重系数,是自车通过汇入车道的目标速度。

8.一种自动驾驶决策系统,其特征在于,应用于实现如权利要求1-7任一项所述的自动驾驶决策方法,所述系统包括:环境感知模块,用于获取车辆状态信息;

轨迹预测模块,用于基于当前观测的车辆状态初始化粒子集,通过车辆运动学模型更新粒子集状态并引入高斯噪声模拟不确定性,采用多维高斯分布计算粒子权重,经重采样优化后输出加权平均的预测轨迹;所述粒子权重包括位置误差、航向角误差和速度误差;

风险评估模块,用于基于车辆当前位置、预测位置、速度及安全距离,分别计算纵向碰撞风险值和横向碰撞风险值,并根据车流密度动态调整权重,融合输出综合驾驶风险值IDR;

决策生成模块,用于将所述综合驾驶风险值IDR和车辆行驶意图进行特征整合后输入基于注意力机制增强的双深度Q网络,生成自动驾驶车辆的换道决策;

控制执行模块,用于将换道决策转换为控制信号。

9.一种车辆,其特征在于,包括如权利要求8所述的一种自动驾驶决策系统。