技术特征：
1.一种用于无管控路口的自动驾驶决策规划系统，其特征在于，包括：副驾驶模块和主驾驶模块，其中：所述副驾驶模块，用于基于态势预测进行辅助决策，包括：对存在冲突可能的社会车辆进行轨迹预测，并判断是否会与受控车辆当前轨迹规划产生冲突；当存在冲突时，以安全为首要原则，搜索、选择最优动作序列，并向主驾驶模块输出；所述主驾驶模块，用于实时轨迹规划，包括：根据当前观测情况和副驾驶模块的辅助决策结果，进行轨迹规划并对规划的轨迹进行冲突检测，当确定存在冲突时进行动作调整，即更新轨迹。2.如权利要求1所述的系统，其特征在于，所述副驾驶模块每1s运行一次，每次得出3s内的最优动作序列；所述主驾驶模块每0.1s运行一次。3.如权利要求1所述的系统，其特征在于，还包括社会车辆选择模块，用于对社会车辆的意图和/或驾驶风格进行判断；其中，意图的判断用于进一步筛选进行轨迹预测的车辆，确定采样路径；驾驶风格的判断用于控制目标点的采样密度。4.一种应用于权1-3中任一所述系统的以预测结果为导向的动作序列搜索方法，包括以下步骤：以受控车辆当前每个可能的动作为基础，分别根据车辆运动学进行逐步前向仿真；每一步仿真完成后，基于受控车辆与目标车辆的碰撞可能性，对各个候选动作的安全性进行评估；以通过评估的动作为基础，继续进行下一步前向仿真搜索，直到获取一系列满足搜索深度要求的动作序列。5.如权利要求4所述的搜索方法，其特征在于，所述搜索方法具体包括以下步骤：针对受控车当前的状态生成候选动作对集合a
raw
，其中，a为受限于最大加加速度的纵向加速度动作集，i为可选的车道路径集；分别以每个候选动作a
jd
＝(a
jd
,id
jd
)∈a
raw
作为起始状态，根据车辆运动学模型进行前向仿真，生成受控车在未来t时间段内的轨迹a
jd
为纵向加速度，id
jd
为车道路径编号；j为动作编号，d为搜索深度；在每步前向仿真完成后，基于所述轨迹检查受控车辆与目标车辆在该过程中的碰撞情况，对候选动作a
jd
进行安全评估；以安全性高的候选动作为基础，继续进行下一步的搜索，直到满足搜索深度要求。6.如权利要求5所述的搜索方法，其特征在于，所述安全评估的方法包括：每个候选动作a
jd
都伴随一个分数列表r，列表最大值为最终危险评分r(a
jd
)，如式(4a)所示：在分数列表中，存储着受控车与每一个目标车辆n的第k条预测轨迹的危险评分它来源于时间危险值序列r
n,k
的均值，r
n,k
是受控车与目标车辆n的第k条预测轨迹在所有t∈t时刻危险值的时间列表；
其中，是受控车和目标车n的第k条预测轨迹在t时刻的危险值，计算方法如式(4c)所示：其中，表示t时刻受控车的安全外接矩形，为车辆自身外形尺寸+安全余量扩展得到的矩形，表示目标车n的安全外接矩形；表示受控车车体外接矩形，其形状由车辆自身的外形尺寸决定，表示预测出的目标车辆车体外接矩形；表示此条预测轨迹发生的概率，表示预测碰撞时间；预测碰撞时间的计算方法如式(4d)所示，即目标车辆n在t时刻的预测状态转化到受控车局部frenet坐标系下的坐标值与受控车frenet坐标系下的位置求差，除以受控车在s方向上的速度v
s
，其中，s表示局部frenet坐标系纵轴。7.如权利要求4-6中任一所述的搜索方法，其特征在于，所述目标车辆轨迹预测的时间长度为3秒，所述动作序列的搜索深度长度为3。8.一种应用权利要求1-3中任一所述系统的无管控路口自动驾驶决策方法，包括以下步骤：步骤s1，对无车道划分的路口进行虚拟车道划分；步骤s2，选取目标车辆；步骤s3，对目标车辆进行轨迹预测；步骤s4，判断目标车辆的预测轨迹与受控车当前的轨迹规划是否存在冲突；步骤s5，存在冲突时，以安全为首要原则，进行动作序列搜索；步骤s6，从得到的一系列动作序列中选取最优动作序列。9.如权利要求8所述的决策方法，其特征在于，基于tnt模型，进行目标车辆的轨迹预测。10.如权利要求8所述的决策方法，其特征在于，还包括步骤s7和/或步骤s8，其中：步骤s7，利用随机森林模型，判断目标车辆的意图；基于意图，进一步筛选进行轨迹预测的目标车辆，确定采样的路径；步骤s8，基于imm交互式多模型，对目标车辆的驾驶风格进行判断；基于驾驶风格，确定目标样本的采样密度。
11.如权利要求10所述的决策方法，其特征在于，所述步骤s8具体包括：假设任意一辆目标车辆n可能的驾驶风格有三种，分别是激进式、正常和保守式，记为{ξ
a
,ξ
b
,ξ
c
}，每一种驾驶风格ξ都对应一定的加速度范围；当目标车辆初次被观察到时，将属于三种驾驶风格的概率初始化为相同值，在此之后，会基于对车辆的观测预估的车辆状态与该车辆实际到达的状态进行对比，计算似然度λ
ξ
；然后使用交互式多模型的预测部分来更新所属风格概率，其中p为协方差，∈为避免零除数的极小常量，ξ
′
为归一化处理后的ξ；则目标样本将会以分辨率r＝r0/λ
ξ
采样，其中r0为固定的采用分辨率。12.如权利要求8-11中任一所述的决策方法，其特征在于，还包括以下步骤：根据所述最优动作序列对应的最优状态序列，以及对社会车辆的实时观测结果，进行实时轨迹规划和冲突检测；当确定存在冲突时进行动作调整，即更新轨迹。13.如权利要求12所述的决策方法，其特征在于，当确定存在冲突时，利用博弈模型进行动作调整。
技术总结
本发明公开了一种无控制信号路口的自动驾驶决策方案，将自动驾驶决策分工为基于预测的辅助决策和实时规划两大主体，各主体相对独立运行，辅助决策部分负责对目标车辆进行预测和最优动作决策，向实时规划部分输出决策结果；而实时规划部分则基于观测信息和辅助决策信息进行实时轨迹规划和冲突检测，并在必要时调整动作。该框架结构清晰，保证了模型的透明度和道路行驶过程中的安全可控，充分考虑了车辆之间的交互性和不确定性，最优动作决策采用了以预测结果为导向的决策树搜索方法，能够有效减小运算消耗，提高实时决策效率。提高实时决策效率。提高实时决策效率。
技术研发人员：付梦印 张婷 宋文杰 杨毅 王美玲
受保护的技术使用者：北京理工大学
技术研发日：2022.09.23
技术公布日：2023/1/19