本文選題：無人駕駛車輛 + 行為決策��； 參考：《中國科學(xué)技術(shù)大學(xué)》2017年博士論文

【摘要】：無人駕駛車輛在現(xiàn)代交通系統(tǒng)和極端危險(xiǎn)場景下具有重大的應(yīng)用價(jià)值,并且可以作為驗(yàn)證相關(guān)新興技術(shù)的綜合試驗(yàn)平臺(tái),近年來吸引了國內(nèi)外廣泛的關(guān)注。作為無人駕駛車輛的"大腦",行為決策系統(tǒng)決定了其行駛的安全性與合理性,提高行為決策系統(tǒng)的智能化水平一直以來都是無人駕駛領(lǐng)域的研究重點(diǎn)和難點(diǎn)。與高速公路等交通環(huán)境相比,城區(qū)交通環(huán)境具有高度的復(fù)雜性和不確定性:復(fù)雜性主要體現(xiàn)在道路拓?fù)浣Y(jié)構(gòu)的復(fù)雜性、道路元素和交通參與者類型的多樣性、交通參與者之間以及交通參與者與道路元素之間交互的復(fù)雜性;不確定性主要體現(xiàn)在感知信息的不確定性、他車運(yùn)動(dòng)狀態(tài)的難以預(yù)測性等。由于這些復(fù)雜性和不確定性,無人駕駛車輛需要其行為決策系統(tǒng)能夠?qū)崟r(shí)給出高可靠性、高安全性的行為決策結(jié)果,但目前大多數(shù)行為決策方法只能適應(yīng)簡單、確定性的駕駛環(huán)境,無法滿足上述需求。為此,本文提出了一種基于本體論和馬爾科夫理論的行為決策方法,對其中的駕駛場景建模、他車運(yùn)動(dòng)狀態(tài)預(yù)測和駕駛動(dòng)作生成方法進(jìn)行了深入研究。具體研究內(nèi)容如下:(1)針對駕駛場景中的多源異構(gòu)信息和先驗(yàn)駕駛知識(shí)表達(dá)不充分所導(dǎo)致的行為決策準(zhǔn)確性差的問題,提出了一種基于本體論的駕駛場景建模方法。首先,通過深入研究駕駛場景信息的層次性和交互性,提出一種考慮場景元素之間語義關(guān)聯(lián)性的結(jié)構(gòu)化本體模型,實(shí)現(xiàn)了對駕駛場景的有效建模。進(jìn)而,基于駕駛場景的語義描述構(gòu)建了駕駛知識(shí)庫和在線推理系統(tǒng),實(shí)現(xiàn)了先驗(yàn)駕駛知識(shí)的高效利用。該模型解決了傳統(tǒng)建模方法(如柵格分解法)可理解性差、對場景元素間的關(guān)聯(lián)性描述不充分的問題,克服了先驗(yàn)知識(shí)與推理過程高度耦合導(dǎo)致的知識(shí)增量式更新困難的難題,為他車運(yùn)動(dòng)狀態(tài)預(yù)測和駕駛動(dòng)作生成奠定了堅(jiān)實(shí)的基礎(chǔ)。(2)針對現(xiàn)有行為決策方法缺乏對他車運(yùn)動(dòng)狀態(tài)的預(yù)測而導(dǎo)致的行為決策不合理的問題,提出了一種基于駕駛意圖的他車運(yùn)動(dòng)狀態(tài)預(yù)測方法。首先,以駕駛意圖為突破口,提出基于隱馬爾科夫模型(HMM)和知識(shí)推理的他車駕駛意圖預(yù)測方法,實(shí)現(xiàn)了動(dòng)態(tài)環(huán)境下場景自適應(yīng)的他車駕駛意圖預(yù)測。進(jìn)而,以駕駛意圖為引導(dǎo)信息提出一種基于三階貝塞爾曲線的快速軌跡預(yù)測方法。最后,在考慮駕駛行為不確定性的情況下,基于軌跡預(yù)測結(jié)果對他車的運(yùn)動(dòng)狀態(tài)進(jìn)行建模。實(shí)驗(yàn)結(jié)果表明:所提出的預(yù)測方法增加了駕駛意圖預(yù)測的預(yù)測步長和軌跡預(yù)測的實(shí)時(shí)性,提高了預(yù)測結(jié)果的準(zhǔn)確性和模型的場景適應(yīng)性,為動(dòng)態(tài)環(huán)境下的駕駛動(dòng)作生成提供了前提條件。(3)針對現(xiàn)有行為決策方法對不確定性考慮不足和知識(shí)推理能力差導(dǎo)致的行為決策不合理的問題,提出了一種混合部分可觀察馬爾科夫決策過程(POMDP)和邏輯推理的駕駛動(dòng)作生成方法。首先,為了考慮感知信息的不確定性,提出一種基于POMDP概率模型的駕駛動(dòng)作生成模型。針對該模型存在的知識(shí)推理能力差和"維度災(zāi)難"問題,借鑒人類駕駛員視覺行為的注意力分配機(jī)制,根據(jù)其目標(biāo)驅(qū)動(dòng)性和分布粒度不均勻性,構(gòu)建了基于交通規(guī)則知識(shí)和駕駛導(dǎo)向信息的邏輯推理系統(tǒng),實(shí)現(xiàn)了對駕駛場景的高效推理和對狀態(tài)空間的有效壓縮。通過概率模型和邏輯推理系統(tǒng)的有機(jī)協(xié)作實(shí)現(xiàn)了駕駛動(dòng)作的生成。實(shí)驗(yàn)結(jié)果顯示:該方法在安全性和行車效率方面優(yōu)于主流的基于有限狀態(tài)機(jī)的行為決策方法。本文以真實(shí)城區(qū)道路為測試環(huán)境,以"智能先鋒II"無人駕駛車輛為實(shí)驗(yàn)平臺(tái),對所提出的行為決策方法進(jìn)行了驗(yàn)證。實(shí)驗(yàn)結(jié)果表明,本研究提高了無人駕駛車輛在城區(qū)復(fù)雜、不確定環(huán)境下自主行為決策的合理性、安全性和實(shí)時(shí)性,有效促進(jìn)了無人駕駛車輛智能化水平的提升。
[Abstract]:Unmanned vehicle (unmanned vehicle) has great application value in modern traffic system and extreme dangerous scene, and it can be used as a comprehensive test platform to verify the related new technologies. In recent years, it has attracted wide attention both at home and abroad. As the "brain" of unmanned vehicle, the behavior decision system determines the safety and rationality of its driving. The intelligent level of the high behavior decision system has always been the focus and difficulty of the research in the unmanned field. Compared with the highway environment, the urban traffic environment has high complexity and uncertainty: complexity is mainly reflected in the complexity of road topology, the diversity of road elements and the types of traffic participants, The complexity of the interaction between the traffic participants and the traffic participants and the road elements; the uncertainty is mainly reflected in the uncertainty of the perception information, the unpredictability of the vehicle movement, and so on. Because of these complexity and uncertainty, the unmanned vehicle needs its behavior decision system to give high reliability and high safety in real time. The result of sexual behavior decision, but most behavior decision methods can only adapt to the simple, deterministic driving environment, and can not meet the above requirements. Therefore, a behavioral decision method based on ontology and Markoff theory is proposed in this paper, in which the driving scene is built, the motion state of his car is predicted and the driving action is generated. The specific research contents are as follows: (1) a driving scene modeling method based on ontology is proposed in view of the poor accuracy of multi source heterogeneous information and poor prior driving knowledge in driving scenario. Firstly, the level and interaction of driving scene information are studied. A structured ontology model, which considers the semantic relevance between the scene elements, is proposed to achieve effective modeling of the driving scene. Then, a driving knowledge base and an online reasoning system are constructed based on the semantic description of the driving scene, and the efficient use of a priori driving knowledge is realized. The model solves the traditional modeling method (such as grid decomposition). The problem of poor comprehensibility and inadequate description of the correlation between the scene elements has overcome the difficult problem of the incremental updating of knowledge caused by the high coupling of prior knowledge and reasoning process, which lays a solid foundation for the motion state prediction and driving action generation of his car. (2) the current behavior decision method lacks the motion of his car. The problem of irrational behavior decision caused by the prediction of state of state, a method of moving state prediction based on driving intention is proposed. First, taking driving intention as a breakthrough, the driving intention prediction method based on Hidden Markov model (HMM) and knowledge reasoning is proposed to realize the adaptive scene of his car driving under the dynamic environment. Then, a fast trajectory prediction method based on the three order Bessel curve is proposed with the driving intention as the guidance information. Finally, the motion state of the vehicle is modeled based on the trajectory prediction results under the uncertainty of driving behavior. The experimental results show that the proposed prediction method increases the driving intention. The prediction step length and the real time of the trajectory prediction can improve the accuracy of the prediction results and the adaptability of the model scene, and provide the precondition for the driving action generation in the dynamic environment. (3) the problem that the existing behavior decision method is not reasonable in the uncertainty of the uncertainty and the poor ability of knowledge inference, is put forward. A hybrid part can be used to observe the driving action generation method of the Markov decision process (POMDP) and logical reasoning. First, in order to consider the uncertainty of the perceptual information, a driving motion generation model based on the POMDP probability model is proposed. The attention distribution mechanism of driver visual behavior, based on its target driving and distribution granularity inhomogeneity, constructs a logical reasoning system based on traffic rules knowledge and driving guidance information, which realizes the efficient reasoning of driving scenes and effective compression of the state space. The organic collaboration through the probability model and the logic reasoning system is carried out. The experimental results show that the method is superior to the mainstream behavior decision making method based on the finite state machine in the aspects of safety and driving efficiency. This paper takes the real urban road as the test environment and the "intelligent pioneer II" unmanned vehicle as the experimental platform, and verifies the proposed behavior decision method. The results show that the study improves the rationality, security and real-time performance of the autonomous behavior decision of unmanned vehicles in the complex and uncertain environment, which effectively promotes the intelligent level of unmanned vehicles.

【學(xué)位授予單位】：中國科學(xué)技術(shù)大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2017
【分類號】：U463.6

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 孫寶銀;談基于事實(shí)的決策方法[J];大眾標(biāo)準(zhǔn)化;2005年04期

2 黃健元;胡航宇;;改進(jìn)的模糊一致矩陣決策方法及其應(yīng)用[J];河海大學(xué)學(xué)報(bào)(自然科學(xué)版);2006年06期

3 高全勝;用決策方法指導(dǎo)施工組織[J];鐵道建筑;1984年08期

4 賈利民,張錫第;基于模糊集的專家決策方法[J];鐵道學(xué)報(bào);1990年04期

5 張祖驥;多屬性效用的決策方法研究[J];上海第二工業(yè)大學(xué)學(xué)報(bào);1994年01期

6 崔松巖;肖利哲;黃姍;;基于灰色理論的均衡決策方法研究[J];科技與管理;2013年03期

7 王啟家，閻長俊，，初長庚;決策方法發(fā)展趨勢[J];沈陽建筑工程學(xué)院學(xué)報(bào);1996年03期

8 吳慈生,鄭慎,李興國;事故損失風(fēng)險(xiǎn)的預(yù)期效用決策方法及其應(yīng)用[J];合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);1996年04期

9 戴楠,馮怡歡;多目標(biāo)綜合評價(jià)及方案決策方法新探[J];武漢水利電力大學(xué)學(xué)報(bào);1998年03期

10 徐飛,王浣塵;基于理想值和容忍偏差值的多目標(biāo)交互式?jīng)Q策方法[J];上海交通大學(xué)學(xué)報(bào);1998年03期

相關(guān)會(huì)議論文 前10條

1 劉殿國;徐兵;;可拓決策方法的探討[A];管理科學(xué)與系統(tǒng)科學(xué)進(jìn)展——全國青年管理科學(xué)與系統(tǒng)科學(xué)論文集（第4卷）[C];1997年

2 馬良;;集對分析模型下的群組決策方法[A];1996中國控制與決策學(xué)術(shù)年會(huì)論文集[C];1996年

3 呂瑞華;張世英;;復(fù)雜系統(tǒng)多層局勢決策方法研究[A];2003年中國管理科學(xué)學(xué)術(shù)會(huì)議論文集[C];2003年

4 夏洪勝;張素娟;;下層多人分散獨(dú)立的兩層多目標(biāo)決策問題的交互式?jīng)Q策方法[A];1995中國控制與決策學(xué)術(shù)年會(huì)論文集[C];1995年

5 張智光;;離散與連續(xù)混合多變量隨機(jī)決策方法及其在水環(huán)境—經(jīng)濟(jì)系統(tǒng)中的應(yīng)用[A];全國青年管理科學(xué)與系統(tǒng)科學(xué)論文集（第1卷）[C];1991年

6 夏洪勝;賀建勛;;一種全局搜索決策方法[A];1993中國控制與決策學(xué)術(shù)年會(huì)論文集[C];1993年

7 武剛;馮玉強(qiáng);;基于粗糙案例推理在線自我學(xué)習(xí)決策方法[A];第八屆中國管理科學(xué)學(xué)術(shù)年會(huì)論文集[C];2006年

8 ;第八章 決策方法的選擇及其應(yīng)用[A];21世紀(jì)數(shù)量經(jīng)濟(jì)學(xué)（第2卷）[C];2001年

9 王全鵬;吳斌;劉敏;;綜合評價(jià)及決策方法在特殊群體選拔中的應(yīng)用[A];決策科學(xué)與評價(jià)——中國系統(tǒng)工程學(xué)會(huì)決策科學(xué)專業(yè)委員會(huì)第八屆學(xué)術(shù)年會(huì)論文集[C];2009年

10 高玉波;;傳統(tǒng)BORDA數(shù)決策方法的幾點(diǎn)改進(jìn)[A];跨世紀(jì)的中國企業(yè)改革和發(fā)展理論與實(shí)踐研討會(huì)論文集[C];1999年

相關(guān)重要報(bào)紙文章 前6條

1 ;經(jīng)營管理（39）[N];中國電力報(bào);2000年

2 潘傳寶;略論領(lǐng)導(dǎo)決策方法[N];中國航空報(bào);2002年

3 高立法;債券投資的決策方法[N];財(cái)會(huì)信報(bào);2006年

4 劉寧;多重目標(biāo)：關(guān)于現(xiàn)代決策方法的思考[N];學(xué)習(xí)時(shí)報(bào);2006年

5 ;經(jīng)營管理（42）[N];中國電力報(bào);2000年

6 繆志聰;“教給學(xué)生思考和決策方法”[N];江蘇教育報(bào);2010年

相關(guān)博士學(xué)位論文 前9條

1 閆書麗;灰靶決策方法及應(yīng)用研究[D];南京航空航天大學(xué);2014年

2 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];中國科學(xué)技術(shù)大學(xué);2017年

3 陳希;雙邊匹配決策方法研究[D];東北大學(xué);2010年

4 黃灝然;多屬性消錯(cuò)決策方法研究[D];廣東工業(yè)大學(xué);2014年

5 李鵬;基于灰色關(guān)聯(lián)和證據(jù)推理的直覺模糊信息決策方法研究[D];南京航空航天大學(xué);2012年

6 劉蓉;基于聚類算法的多屬性復(fù)雜大群體決策方法研究[D];中南大學(xué);2006年

7 趙鑫業(yè);聯(lián)合作戰(zhàn)指揮控制過程模糊表示與決策方法研究[D];國防科學(xué)技術(shù)大學(xué);2014年

8 羅黨;灰色決策問題的分析方法研究[D];南京航空航天大學(xué);2005年

9 呂瑞華;復(fù)雜經(jīng)濟(jì)系統(tǒng)混沌預(yù)測方法與多層局勢決策方法研究[D];天津大學(xué);2004年

相關(guān)碩士學(xué)位論文 前10條

1 胡亞西;基于偏好序信息的雙邊匹配決策方法[D];廣西大學(xué);2015年

2 劉燕;具有個(gè)體和組合偏好序信息的雙邊匹配決策方法研究[D];東北大學(xué);2013年

3 陳朵朵;220kV繼電保護(hù)設(shè)備狀態(tài)評估與決策方法研究[D];華北電力大學(xué)(北京);2016年

4 徐蕾蕾;認(rèn)知無線網(wǎng)絡(luò)多因素入網(wǎng)決策方法研究[D];西安電子科技大學(xué);2015年

5 俞雷;商業(yè)銀行安全性信貸退出決策方法研究[D];福建師范大學(xué);2016年

6 鄒芬;帶有概率信息的猶豫模糊語言多屬性群組決策方法[D];西華大學(xué);2016年

7 王琛;政府投資工程項(xiàng)目決策方法研究[D];青島理工大學(xué);2016年

8 吳婉源;VSC-MTDC系統(tǒng)狀態(tài)平滑過渡型基本運(yùn)行點(diǎn)的優(yōu)化決策方法[D];深圳大學(xué);2017年

9 任明暉;面向企業(yè)戰(zhàn)略制定的魯棒決策方法研究[D];合肥工業(yè)大學(xué);2013年

10 孫曉東;基于灰色關(guān)聯(lián)分析的幾種決策方法及其應(yīng)用[D];青島大學(xué);2006年

本文編號：1849411