智能車輛駕駛行為決策方法研究

趙志成 華一丁 王文揚 陳正

摘? 要：智能駕駛行為決策系統(tǒng)的構建對智能駕駛的可靠性具有重要影響。本文對國內外學者所提出的智能駕駛行為決策系統(tǒng)構建方法進行了分析總結，歸納總結不同方法的不足，并針對各方法的不足提出了解決方法，指出了未來的發(fā)展趨勢，以對智能駕駛行為決策系統(tǒng)的構建提供一定的參考意義。

關鍵詞：智能駕駛;行為決策;有限狀態(tài)機;學習算法

中圖分類號：TP301.6? ? ? 文獻標識碼：A 文章編號：2096-4706（2019）24-0191-03

Abstract：The construction of intelligent driving behavior decision system has an important influence on the reliability of intelligent driving. This paper analyzes and summarizes the construction methods of intelligent driving behavior decision-making system proposed by scholars at home and abroad，this paper sums up the shortcomings of different methods，puts forward solutions to the shortcomings of each method，and points out the future development trend，so as to provide some reference for the construction of intelligent driving behavior decision system.

Keywords：intelligent driving;behavior decision;finite state machine;learning algorithm

0? 引? 言

隨著智能城市、智能醫(yī)療等概念的提出，智能化受到了國內外眾多學者的關注，成為社會的研究熱點。同樣，因其在提升車輛行駛安全、緩解城市擁堵及降低物流成本等方面的作用，智能車輛亦受到了國內外眾多企業(yè)及院校的關注。駕駛的智能化也將是未來的發(fā)展趨勢。

智能車輛是一個集成了環(huán)境信息感知、行為決策、路徑規(guī)劃及車輛控制等的復雜功能系統(tǒng)，其關鍵在于車輛駕駛行為決策的合理與否。智能駕駛行為決策模塊作為無人車輛的“大腦”，需要綜合周圍環(huán)境及車輛自身信息以指導車輛輸出安全、可靠及合理的駕駛動作[1]。但在實際駕駛環(huán)境中，影響智能車輛行為決策的因素眾多，包括戶外環(huán)境的多變性、環(huán)境檢測的不準確性、交通規(guī)則的約束性、行人及其他車輛行為的不可預見性、雨霧等惡劣天氣等在內的不利因素都將對車輛行為的準確性及合理性產生影響。如何最大程度消除這些因素的影響，將是行為決策模塊的研究重點。因此，盡管工程人員進行了不少的研究，在智能駕駛領域依舊存在不少問題亟待解決[2，3]。

本文通過總結分析并歸類智能車輛行為決策的相關方法，將現(xiàn)有方法歸類為基于有限狀態(tài)機的智能駕駛行為決策系統(tǒng)、基于學習算法的智能駕駛行為決策系統(tǒng)及其他類型的智能駕駛行為決策系統(tǒng)。結合分析結果，提出智能車輛行為決策系統(tǒng)未來的發(fā)展趨勢，為決策方法的設計與完善提供一定的幫助。

1? 基于有限狀態(tài)機的智能駕駛行為決策系統(tǒng)

有限狀態(tài)機作為系統(tǒng)不同狀態(tài)之間進行轉移和動作觸發(fā)的可靠數(shù)學模型，為智能車輛行為決策系統(tǒng)的設計提供了新的方向[4，5]?；谟邢逘顟B(tài)機，不同學者提出了不同的智能駕駛行為決策方法。

熊光明等針對道路交叉口場景，利用有限狀態(tài)機理論，構建了交叉口其他車輛的行為模型。該有限狀態(tài)機模型準確預測了其他車輛的駕駛行為[6]。結合有限狀態(tài)機理論，熊璐等設計了差動轉向無人車的控制策略，實現(xiàn)了無人車輛不同駕駛行為間的有效切換，保證了車輛行駛的安全性[7]。為了保證無人車輛在車輛跟隨，制動避障等不同駕駛場景下的可靠性，馮關明等結合有限狀態(tài)機理論及模糊控制理論，設計研發(fā)了適用于智能駕駛的汽車自適應巡航控制系統(tǒng)[8]。冀杰等歸納分析了包括車道保持及換道、車輛跟隨等在內的無人車典型駕駛行為，構建了不同駕駛行為的有限狀態(tài)機模型，并利用危險勢能場理論設計觸發(fā)動作來實現(xiàn)各駕駛行為間的狀態(tài)轉移[9]。

因此，基于有限狀態(tài)機構建無人駕駛車輛的行為決策系統(tǒng)不僅可以較好地實現(xiàn)車道保持、車輛跟隨等簡單駕駛行為，也可以完成路口駕駛等復雜駕駛場景。利用有限狀態(tài)機，技術人員可以對智能駕駛行為決策系統(tǒng)進行較為直觀的建模，易于實施。但有限狀態(tài)機理論在智能駕駛領域的運用與推廣還存在以下問題：

（1）智能駕駛場景的復雜性與多變性增加了有限狀態(tài)機的建模難度。同時，智能駕駛所面對的場景越復雜，所需考慮的狀態(tài)數(shù)也會逐漸增加，可能會使狀態(tài)機決策系統(tǒng)過于龐大，降低系統(tǒng)的決策效率與可靠性;

（2）各駕駛場景間所存在的“模糊地帶”，使得狀態(tài)間跳轉規(guī)則的制定較為困難，例如：當車輛檢測到前方有行人，但尚有足夠躲避空間時，是繼續(xù)行駛，還是停車等待，難以決策。顯然，跳轉規(guī)則的不清晰不利于無人車輛輸出及時、可靠的駕駛行為，在一定程度上降低了無人駕駛的安全性。

2? 基于學習算法的智能駕駛行為決策系統(tǒng)

隨著人工智能的快速興起與發(fā)展，各種算法亦愈發(fā)成熟，為智能駕駛的行為決策系統(tǒng)的設計與研發(fā)提供了新的思路[10]?；诟黝悓W習算法模型，不同學者提出了不同的智能駕駛行為決策系統(tǒng)構建方法。

Mobileye利用增強學習來強化智能駕駛策略的學習，提升了智能駕駛決策過程的可靠性[11]。劉春明等通過構建車輛的14自由度模型，采取強增學習理論，對大量的仿真數(shù)據進行歸納分析，得出智能駕駛車輛的行為決策模型[12]。Bojarski等基于卷積神經網絡，通過構建輸入圖像到相應控制指令的映射關系，實現(xiàn)智能駕駛的行為決策[13]。陳雪梅等通過分析所采集的多位駕駛員的真實行駛行為數(shù)據，構建相應的行為規(guī)則庫，為智能駕駛行為決策的學習提供知識庫，并基于此方法較好地實現(xiàn)了車輛的換道行為[5]。Oliver等基于無人車輛所感知的車輛自身信息、其他車輛信息、行人信息等原始信息，通過構建車輛的隱馬爾科夫模型，實現(xiàn)智能駕駛行為的自主決策，且決策的可靠性較高[14]。

基于學習算法，工程人員可以覆蓋較為廣泛的智能駕駛場景，提高智能駕駛行為決策的可靠性與準確性。同時，場景的廣泛覆蓋也降低了不同場景之間轉換的模糊程度，提高了決策過程的可行性。但學習算法在智能駕駛的運用與進一步推廣還存在以下問題：

（1）智能駕駛場景數(shù)目較多，意味著必須要通過積累大量的樣本數(shù)據來支撐相應的學習行為。同時，如何從樣本數(shù)據中提取有效數(shù)據或高質量數(shù)據，亦是工程人員所需解決的問題。樣本數(shù)據的有效性不足，將會降低智能駕駛行為決策系統(tǒng)的可靠性;

（2）通過學習算法，工程人員將智能駕駛行為決策流程映射到網絡結構中。如何優(yōu)化相應的網絡結構，配置合適的學習權重參數(shù)以不斷改進學習效果，也是需要解決的關鍵問題。

3? 其他智能駕駛行為決策系統(tǒng)

除了上述方法，一些學者也提出了一些其他的智能駕駛行為決策系統(tǒng)構建方法。

陳佳佳基于分層有限狀態(tài)機方法構建了智能駕駛的行為決策系統(tǒng)，并以真實駕駛員的駕駛行為為標準，提出了全新的決策模型[1]。Vacek等通過構建覆蓋不同駕駛場景的案例庫，通過推理得出案例庫中與當前駕駛場景的案例，采取與案例場景相同的相應駕駛行為。同時，通過實際運用并對案例進行調整完善[15]。杜明博等自頂向下構建了智能駕駛的行為決策樹，通過駕駛行為屬性尋找相應的駕駛動作[16]。耿新力基于駕駛員的駕駛意圖，對他車意圖進行判斷，提升行為決策的可靠性[17]。Furdad等對動作的屬性值賦予一定權重，計算各動作的效用值，并比較得出適用于當前場景的最佳駕駛動作[18]。

4? 結? 論

通過對現(xiàn)有智能駕駛行為決策系統(tǒng)構建方法的比較分析及各方法所需解決關鍵問題的提出，智能駕駛行為決策系統(tǒng)的發(fā)展趨勢可進行如下歸納分析：

（1）有限狀態(tài)機的場景分析邏輯清晰，構建方法易于實施，但各場景間存在的邏輯“灰色地帶”限制了該方法的進一步推廣及運用。因此，為了提高方法的可靠性，可在有限狀態(tài)機決策模型中進一步融入學習算法，提升對各駕駛場景遍歷的深度，消除“灰色地帶”，拓寬方法的運用空間。

（2）隨著多傳感器融合技術、信息過濾技術等相關技術的發(fā)展以及各類算法模型的日漸成熟，智能駕駛行為決策過程中所能獲取的環(huán)境信息、其他交通參與者信息及自車狀態(tài)信息將會更加全面、更加有效可靠;同時，對有效信息的提取亦會更加快速、高效。這也意味著基于學習算法的決策模型將會在智能駕駛決策系統(tǒng)的設計中得到更加廣泛的運用。

（3）智能駕駛行為決策系統(tǒng)在達到一定的可靠性后，在不同駕駛場景中應更加人性化，即將用戶體驗作為一項評價指標來選擇符合當前場景的駕駛動作。例如：在制動場景中，無人車輛要在保障制動安全性的前提下，提升制動過程的平緩性，保證用戶的乘車舒適性。

參考文獻：

[1] 陳佳佳.城市環(huán)境下無人駕駛車輛決策系統(tǒng)研究 [D].合肥：中國科學技術大學，2014.

[2] KATRAKAZAS C，QUDDUS M，CHEN W H，et al. Real-time motion planning methods for autonomous on-road driving：State-of-the-art and future research directions [J]. Transportation Research Part C：Emerging Technologies，2015（60）：416-442.

[3] OKUMURA B ，JAMES M R ，KANZAWA Y ，et al. Challenges in perception and decision making for intelligent automotivevehicles：a case study [J].IEEE Transactions on Intelligent Vehicles，2016，1（1）：20-32.

[4] KURT A，?ZGüNER ü.Hierarchical finite state machines for autonomous mobile systems [J]. Control Engineering Practice，2013，21（2）：184-194.

[5] 陳雪梅，田賡，苗一松，等.城市環(huán)境下無人駕駛車輛駕駛規(guī)則獲取及決策算法 [J].北京理工大學學報，2017，37（5）：491-496.

[6] 熊光明，李勇，王詩源.基于有限狀態(tài)機的智能車輛交叉口行為預測與控制 [J].北京理工大學學報，2015，35（1）：34-38.

[7] 熊璐，黃少帥，王龍祥，等.基于有限狀態(tài)機的差動轉向無人車整車控制策略設計 [J].制造業(yè)自動化，2015，37（19）：146-152.

[8] 馮關明，胡大宏，吳壯文.基于FSM理論的模糊自適應控制汽車巡航系統(tǒng)仿真與設計 [J].機械科學與技術，2012，31（3）：446-451.

[9] 冀杰，黃巖軍，李云伍，等.基于有限狀態(tài)機的車輛自動駕駛行為決策分析 [J].汽車技術，2018（12）：1-7.

[10] You Y R，Pan X L，Wang Z Y，et al. Virtual to real reinforcement learning for autonomous driving [J/OL].arXiv：1704.03952 [cs.AI]（2017-04-13）. https：//arxiv.org/abs/1704.03952.

[11] SHALEV-SHWARTZ S，SHAMMAH S，SHASHUA A. Safe，multi-agent，reinforcement learning for autonomous driving [J/OL].arXiv：1610.03295 [cs.AI]（2016-10-11）. https：//arxiv.org/abs/1610.03295v1.

[12] ZHENG R，LIU C，GUO Q. A decision-making method for autonomous vehicles based on simulation and reinforcement learning [C]//2013 International Conference on Machine Learning and Cybernetics.IEEE，2013.

[13] BOJARSKI M，DEL TESTA D，DWORAKOWSKI D，et al. End to end learning for self-driving cars [J/OL]. arXiv：1604.07316 [cs.CV]（2016-04-25）. https：//arxiv.org/abs/1604.07316.

[14] OLIVER N，PENTLAND AP. Graphical models for driver behavior recognition in a SmartCar [C]// Intelligent Vehicles Symposium，2000. IV 2000. Proceedings of the IEEE. S.l.：s.n.，2000：7-12.

[15] VACEK S，GINDELE T，ZOLLNER J M，et al. Using case-based reasoning for autonomous vehicle guidance [C]//2007 IEEE/RSJ International Conference on Intelligent Robots and Systems. IEEE，2007.

[16] 杜明博.基于人類駕駛行為的無人駕駛車輛行為決策與運動規(guī)劃方法研究 [D].合肥：中國科學技術大學，2016.

[17] 耿新力.城區(qū)不確定環(huán)境下無人駕駛車輛行為決策方法研究 [D].合肥：中國科學技術大學，2017.

[18] FURDA A，VLACIC L. Enabling Safe Autonomous Driving in Real-World City Traffic Using Multiple Criteria Decision Making [J].IEEE INTELLIGENT TRANSPORTATION SYSTEMS MAGAZINE，2011，3（1）：4-17.

作者簡介：趙志成（1985.09-），男，漢族，天津人，高級工程師，工學學士，研究方向：智能網聯(lián)汽車。