自动驾驶决策技术：从博弈论到类人驾驶

# 自动驾驶决策技术：从博弈论到类人驾驶 ## 1. 协作博弈论在自动驾驶决策中的应用 在解决复杂交通场景下自动驾驶车辆（CAVs）的驾驶冲突问题上，协作博弈论方法展现出了显著的优势。以无信号环岛场景为例，通过应用协作博弈论方法来进行协作决策。 ### 1.1 方法对比 在无信号环岛的协作决策问题中，对比了非协作博弈论方法和协作博弈论方法。两种方法的建模工作和决策收益函数相同，但决策算法不同。经过相同驾驶场景和测试用例的设计与实施，发现两种博弈论方法都能为无信号环岛处的CAVs做出可行且合理的决策，解决复杂环岛区域的驾驶冲突。不过，非协作博弈论方法更有利于个性化驾驶，而协作博弈论方法则有助于提高整个交通系统的效率。 ### 1.2 多车道合并问题的解决 为解决CAVs的多车道合并问题，设计了协作博弈论决策框架。提出了运动预测模型，以提升决策算法的性能。在决策成本函数设计中，考虑了包括安全、舒适和效率在内的各种驾驶性能。基于此决策成本函数，采用联盟博弈方法解决无信号环岛处CAVs的驾驶冲突，并提出了四种典型的联盟类型，用于CAVs进行协作决策。测试结果表明，所开发的联盟博弈方法能够为多车道合并区域的CAVs做出可行且合理的决策，不同的联盟形成方式能够适应各种驾驶场景。 ### 1.3 无信号环岛决策框架 为解决无信号环岛处CAVs的驾驶冲突，设计了基于大联盟博弈的协作博弈论决策框架，并与非协作博弈论方法进行了对比研究。测试结果显示，两种方法都能通过安全决策解决无信号环岛处CAVs的驾驶冲突。非协作博弈论方法更关注个性化驾驶，而协作博弈论方法则有利于提升整个交通系统的性能。 ## 2. 类人自动驾驶建模 类人自动驾驶建模工作分为两个部分，旨在让自动驾驶车辆（AVs）更好地模拟人类驾驶行为。 ### 2.1 类人驾驶特征识别与表示 常见的方法是根据现实世界的驾驶数据集进行驾驶风格划分，如将驾驶风格分为激进、正常和保守三种。然而，人类驾驶员的驾驶风格并非固定不变，会受到身体和心理状态、天气、道路条件等因素的影响。而现有研究中AVs的类人驾驶风格通常是固定的，无法体现人类驾驶员多变的驾驶风格。 为实现多变的驾驶风格，提出了驾驶激进性的概念。通过应用纵向速度和偏航率进行驾驶激进性分析，并结合模糊推理方法，得到了从0到1的连续变量——驾驶激进性，从而实现了类人驾驶特征的连续表示。不过，目前仅使用纵向速度和偏航率来反映驾驶激进性，未来可使用更多性能参数进行更准确的描述。 ### 2.2 类人驾驶行为建模 根据驾驶风格，为不同的驾驶性能（如驾驶安全、乘坐舒适性和行驶效率）分配不同的权重，使AVs能够表现出类人驾驶行为。在本研究中，每种驾驶风格的权重分配是固定的，但通过应用驾驶激进性，权重参数可以随时间变化，更加合理和类人。 为实现类人路径规划，不同的驾驶风格通过不同的人工势场（APF）分布来体现。在类人控制模型中，使用驾驶员模型，不同的参数设置可以模拟不同的驾驶风格。未来，可使用类脑模型进行AVs的类人控制。 以下是类人自动驾驶建模的流程： ```mermaid graph LR A[类人驾驶特征识别与表示] --> B[驾驶风格划分] B --> C[驾驶激进性分析] C --> D[模糊推理得到驾驶激进性] A --> E[类人驾驶行为建模] E --> F[根据驾驶风格分配权重] F --> G[类人路径规划（APF分布）] F --> H[类人控制模型（驾驶员模型）] ``` ## 3. 类人决策算法 在类人决策算法中，决策成本函数的设计至关重要，它涉及不同的性能指标和多个决策