CN112793576A - 一种基于规则与机器学习融合的换道决策方法及系统 - Google Patents

Abstract

本发明涉及一种基于规则与机器学习融合的换道决策方法及系统。该方法包括：从NGSIM数据集中获取车辆换道数据；根据主车的车速、当前车道前车的车速以及当前车道前车与主车的距离确定换道必要性特征；根据主车的车速、目标车道的前车与主车的距离、目标车道前车的车速、目标车道后车与主车的距离以及目标车道后车的车速确定换道安全性特征；根据主车的车速、当前车道前车与主车的距离、当前车道前车的车速、目标车道前车与主车的距离以及目标车道前车的车速确定换道收益特征；利用车辆换道数据、换道必要性特征、换道安全性特征以及换道收益特征训练换道决策模型；利用训练好的换道决策模型确定换道决策。本发明提升了换道决策模型的分类准确度。

Description

一种基于规则与机器学习融合的换道决策方法及系统

技术领域

本发明涉及机动车辆驾驶安全领域，特别是涉及一种基于规则与机器学习融合的换道决策方法及系统。

背景技术

近年来自动驾驶技术迅速发展，高级驾驶辅助(ADAS)系统功能日渐丰富。在结构化道路环境下，自主换道系统是目前驾驶辅助系统的开发方向之一。换道过程涉及车辆纵向和横向的运动，相对于车道保持而言，情况更加复杂，且与交通安全密切相关。车辆换道过程主要包括换道决策、轨迹规划与轨迹跟踪三部分，其中换道决策是保障车辆换道安全的前提。

目前的换道决策方法主要有基于规则与基于机器学习的两类模型，基于规则的方法通过建立换道决策规则库，判断车辆是否满足某些特定的换道规则，进而决定车辆是否有必要进行换道，该方法可解释性强，较为常用，但是往往无法针对不同司机实现个性化辅助驾驶，基于机器学习的模型能够针对不同驾驶员实现个性化换道决策，但是模型精度的提升也是需要考虑的问题。

专利CN 103996287B公开了一种基于决策树模型的车辆强制换道决策方法，该方法采用下列步骤：先通过传感器实时读取车辆强制并线换道时的相关数据；接着对获得的数据导入基于决策树模型的车辆强制换道决策模块中；最后通过决策模块可形成车辆强制换道时的决策判断结果，如决策判断结果为不能换道，则实时地发出警报提醒驾驶员不能换道。本发明减少了预警算法复杂、决策判断规则过多对判断结果的负面影响，提高了车辆强制换道时决策判断的准确度和可靠性，降低了误报率。专利CN 106777776A公开了一种基于支持向量机模型的车辆换道决策方法，该方法采用先通过传感器实时读取车辆换道时的相关数据；接着对获得的数据导入基于支持向量机模型的车辆换道决策模块中，该模块的构建步骤主要包括训练和测试样本的选取、样本数据的处理、模型的训练与检测；最后通过决策模块可形成车辆换道时的决策判断结果，如决策判断结果为不能换道，则实时地发出警报提醒驾驶员不能换道。本发明减少了预警算法复杂、决策判断规则过多对判断结果的负面影响，提高了车辆换道时决策判断的准确度和可靠性，降低了误报率。专利CN105620480B公开了一种智能车辆自主性换道时机决策方法，该方法通过传感器实时读取车辆自主换道时的相关数据；接着对获得的数据导入基于最近邻居换道决策模型的车辆自主换道决策模块中，该模块的主要构建步骤包括训练与测试数据的选取、内核集的构建、最近邻邻居的选取、换道时机决策的阈值的确定和决策模型的精确度验证；最后通过决策模块可形成自主换道时机的决策判断结果，如决策判断结果为不能换道，则实时地发出警报提醒驾驶员不能换道。

上述技术方案中，用于训练换道决策模型的数据均为直接从数据集中获取或者利用传感器测量得到，通常是本车以及周围车辆的距离、速度、加速度等参数，然而司机在实际驾驶过程中，往往会依据上述参数进行一些推断，例如目标车道空间在未来几秒内的变化，以及两个车道前车运动情况的比较等，这些参数是基于一定的换道判断规则，利用本车以及周围车辆的距离、速度、加速度等参数计算得到的，与换道决策的最终结果也有着很大联系。现有的换道决策模型由于缺少对传感器采集的周围车辆数据进行进一步挖掘，因而导致训练模型得到的输入信息较少，无法得到较好的分类效果。

因此，针对智能车辆在结构化道路下的自由换道决策问题，亟需一种新的换道决策方法，提升机器学习模型(换道决策模型)的分类准确度。

发明内容

本发明的目的是提供一种基于规则与机器学习融合的换道决策方法及系统，提升换道决策模型的分类准确度。

为实现上述目的，本发明提供了如下方案：

一种基于规则与机器学习融合的换道决策方法，包括：

从NGSIM数据集中获取车辆换道数据；所述车辆换道数据包括：当前车道前车与主车的车距、当前车道前车的速度、当前车道前车的加速度、当前车道前车与主车的时距、目标车道前车与主车的车距、目标车道前车的速度、目标车道前车的加速度、目标车道前车与主车的时距、目标车道后车与主车的车距、目标车道后车的速度、目标车道后车的加速度、目标车道后车与主车的时距以及主车的车速；

根据所述主车的车速、所述当前车道前车的车速以及所述当前车道前车与主车的距离确定换道必要性特征；所述换道必要性特征包括：主车与当前车道前车的车速之差、当前车道前车与主车的距离与期望时距之差、当前车道t′秒后车距以及当前车道t′秒后时距；

根据所述主车的车速、所述目标车道的前车与主车的距离、所述目标车道前车的车速、所述目标车道后车与主车的距离以及所述目标车道后车的车速确定换道安全性特征；所述换道安全性特征为目标车道前、后车之间的距离与换道最小安全距离之差；所述换道最小安全距离为主车长度加上安全阈值；

根据所述主车的车速、所述当前车道前车与主车的距离、所述当前车道前车的车速、所述目标车道前车与主车的距离以及所述目标车道前车的车速确定换道收益特征；所述换道收益特征包括：当前车道前车与目标车道前车的车速差、当前车道前车与目标车道前车的车距差、t′秒后当前车道前车与目标车道前车的车速差、t′秒后当前车道前车与目标车道前车的时距之差、当前车道前车与主车的距离与期望时距之差、当前车道前车与目标车道前车的时距之差以及t′秒后目标车道空间与前车的车距差；

利用所述车辆换道数据、所述换道必要性特征、所述换道安全性特征以及所述换道收益特征训练换道决策模型，确定训练好的换道决策模型；所述训练后的换道决策模型以所述车辆换道数据、所述换道必要性特征、所述换道安全性特征以及所述换道收益特征为输入，以换道决策为输出；所述换道决策为执行换道或不执行换道；

利用所述训练好的换道决策模型确定换道决策。

可选的，所述从NGSIM数据集中获取车辆换道数据，具体包括：

利用滑动平均滤波方法对所述NGSIM数据集进行滤波平滑处理；

对滤波平滑处理后的NGSIM数据集进行数据清洗与筛选，确定车辆换道数据。

可选的，所述从NGSIM数据集中获取车辆换道数据，之后还包括：

对所述车辆换道数据进行归一化处理。

可选的，所述利用所述车辆换道数据、所述换道必要性特征、所述换道安全性特征以及所述换道收益特征训练换道决策模型，确定训练好的换道决策模型，之前还包括：

根据所述车辆换道数据，采用支持向量机分类函数确定换道决策模型；

对所述换道决策模型进行贝叶斯优化；

利用五折交叉验证方法对优化后的换道决策模型进行测试。

一种基于规则与机器学习融合的换道决策系统，包括：

车辆换道数据获取模块，用于从NGSIM数据集中获取车辆换道数据；所述车辆换道数据包括：当前车道前车与主车的车距、当前车道前车的速度、当前车道前车的加速度、当前车道前车与主车的时距、目标车道前车与主车的车距、目标车道前车的速度、目标车道前车的加速度、目标车道前车与主车的时距、目标车道后车与主车的车距、目标车道后车的速度、目标车道后车的加速度、目标车道后车与主车的时距以及主车的车速；

换道必要性特征确定模块，用于根据所述主车的车速、所述当前车道前车的车速以及所述当前车道前车与主车的距离确定换道必要性特征；所述换道必要性特征包括：主车与当前车道前车的车速之差、当前车道前车与主车的距离与期望时距之差、当前车道t′秒后车距以及当前车道t′秒后时距；

换道安全性特征确定模块，用于根据所述主车的车速、所述目标车道的前车与主车的距离、所述目标车道前车的车速、所述目标车道后车与主车的距离以及所述目标车道后车的车速确定换道安全性特征；所述换道安全性特征为目标车道前、后车之间的距离与换道最小安全距离之差；所述换道最小安全距离为主车长度加上安全阈值；

换道收益特征确定模块，用于根据所述主车的车速、所述当前车道前车与主车的距离、所述当前车道前车的车速、所述目标车道前车与主车的距离以及所述目标车道前车的车速确定换道收益特征；所述换道收益特征包括：当前车道前车与目标车道前车的车速差、当前车道前车与目标车道前车的车距差、t′秒后当前车道前车与目标车道前车的车速差、t′秒后当前车道前车与目标车道前车的时距之差、当前车道前车与主车的距离与期望时距之差、当前车道前车与目标车道前车的时距之差以及t′秒后目标车道空间与前车的车距差；

训练好的换道决策模型确定模块，用于利用所述车辆换道数据、所述换道必要性特征、所述换道安全性特征以及所述换道收益特征训练换道决策模型，确定训练好的换道决策模型；所述训练后的换道决策模型以所述车辆换道数据、所述换道必要性特征、所述换道安全性特征以及所述换道收益特征为输入，以换道决策为输出；所述换道决策为执行换道或不执行换道；

换道决策确定模块，用于利用所述训练好的换道决策模型确定换道决策。

可选的，所述车辆换道数据获取模块具体包括：

滤波平滑处理单元，用于利用滑动平均滤波方法对所述NGSIM数据集进行滤波平滑处理；

车辆换道数据确定单元，用于对滤波平滑处理后的NGSIM数据集进行数据清洗与筛选，确定车辆换道数据。

可选的，还包括：

归一化处理模块，用于对所述车辆换道数据进行归一化处理。

可选的，还包括：

换道决策模型确定模块，用于根据所述车辆换道数据，采用支持向量机分类函数确定换道决策模型；

换道决策模型优化模块，用于对所述换道决策模型进行贝叶斯优化；

换道决策模型测试模块，用于利用五折交叉验证方法对优化后的换道决策模型进行测试。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明所提供的一种基于规则与机器学习融合的换道决策方法及系统，根据车辆换道数据确定换道必要性特征、换道安全性特征以及换道收益特征，并且利用所述车辆换道数据、所述换道必要性特征、所述换道安全性特征以及所述换道收益特征训练换道决策模型。即本发明对周围车辆数据进行分析，计算了多个影响换道决策的因素，并用这些因素对原训练数据集进行增广得到新数据集，目的在于通过丰富训练数据集的信息提高换道决策模型的分类准确度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明所提供的一种基于规则与机器学习融合的换道决策方法流程示意图；

图2为US-101高速公路结构示意图；

图3为车辆换道数据迭代优化结果示意图；

图4为增加换道必要性特征之后的迭代优化结果示意图；

图5为增加换道收益特征之后的迭代优化结果示意图；

图6为增加换道必要性特征和换道收益特征之后的迭代优化结果示意图；

图7为本发明所提供的一种基于规则与机器学习融合的换道决策系统结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种基于规则与机器学习融合的换道决策方法及系统，提升换道决策模型的分类准确度。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明所提供的一种基于规则与机器学习融合的换道决策方法流程示意图，如图1所示，本发明所提供的一种基于规则与机器学习融合的换道决策方法，包括：

S101，从NGSIM数据集中获取车辆换道数据；所述车辆换道数据包括：当前车道前车与主车的车距、当前车道前车的速度、当前车道前车的加速度、当前车道前车与主车的时距、目标车道前车与主车的车距、目标车道前车的速度、目标车道前车的加速度、目标车道前车与主车的时距、目标车道后车与主车的车距、目标车道后车的速度、目标车道后车的加速度、目标车道后车与主车的时距以及主车的车速。

NGSIM数据集是美国联邦公路局利用高清摄像头采集并通过一系列处理后生成的车辆自然驾驶轨迹数据集，被广泛应用于智慧交通相关研究。该数据集包含三条公路上的数据，本发明采用US-101高速公路的车辆行驶数据，包括3个15分钟的子集，代表了车流从畅通到拥堵的不同阶段。数据的采集频率为10Hz,包含了车辆编号、速度、加速度、位置等信息。从车辆信息中可以提取环境车辆的数据。US-101高速公路的示意图如图2所示，共有六条车道，其中第6车道为匝道。

S101具体包括：

利用滑动平均滤波方法对所述NGSIM数据集进行滤波平滑处理。

对滤波平滑处理后的NGSIM数据集进行数据清洗与筛选，确定车辆换道数据。

作为一个具体的实施例，按照如下流程筛选车辆换道数据：

(1)NGSIM数据集中包含了多种类型车辆的数据，包括大型商用车、乘用车、摩托车等，本发明换道模型主要是针对乘用车搭建的，因此，仅保留乘用车数据；

(2)US-101公路包括六个车道，其中第1车道为最里侧车道，第6车道为汇入匝道。由于汇入匝道上车辆的换道属于强制换道，因此，将涉及第6车道的数据删去，仅保留第1至5车道的数据进行分析；

(3)车辆换道行为包含连续变道行为，连续变道行为常常受到强制换道因素的影响，不适用于训练自由换道决策模型，因此，数据提取时删去了多次换道行为数据；

(4)换道数据提取时，换道开始时刻的选择极其关键，该时刻车辆周围的环境应是适合驾驶员换道的。本发明以主车横向速度大于0.2m/s的时刻作为换道开始时刻，同时考虑到车辆在无换道意图时也可能会发生横向速度的波动，需剔除该部分数据。取车辆车道编号变化(即成功换道)的时刻为t，从[t-5,t]的时间范围内提取车辆横向速度首次大于0.2m/s的时刻作为换道开始时刻t_s。利用上述方法提取某辆车换道开始点的结果如图4所示。

(5)将t_s-2时刻的数据作为未换道数据。由于该车将于两秒后发生换道，初步判断该车驾驶员具有改善行车环境的意愿，t_s-2时刻未发生换道，则说明该时刻的行车环境不适合换道。采用上述方法，可以保证换道和未换道数据集规模接近。筛选出车辆换道行为数据以后，给数据集加上标签，按照上述方法对NGSIM数据集进行筛选。

NGSIM数据集中包含大量信息，需要从中筛选出对车辆自由换道决策产生影响的信息作为特征变量。本发明通过对车辆换道决策过程的分析，提出了13个可从数据集中直接获取的特征变量。这些特征变量反映了主车和环境车辆的行驶状况，提取特征变量后，即可建立模型训练数据集，本发明选取的特征变量如表1所示：

表1

S101之后还包括：

为了使模型参数寻优过程更平缓，加快求解速度对所述车辆换道数据进行归一化处理。使用标准归一化方法对车辆换道数据进行处理，将原始的车辆换道数据归一化为均值为0、方差为1的数据，归一化公式表示为：

式中，z为原特征变量；z′为归一化后的特征变量；a和s分别为车辆换道数据中该特征变量的均值和标准差。

S102，根据所述主车的车速、所述当前车道前车的车速以及所述当前车道前车与主车的距离确定换道必要性特征；所述换道必要性特征包括：主车与当前车道前车的车速之差、当前车道前车与主车的距离与期望时距之差、当前车道t′秒后车距以及当前车道t′秒后时距。

S103，根据所述主车的车速、所述目标车道的前车与主车的距离、所述目标车道前车的车速、所述目标车道后车与主车的距离以及所述目标车道后车的车速确定换道安全性特征；所述换道安全性特征为目标车道前、后车之间的距离与换道最小安全距离之差；所述换道最小安全距离为主车长度加上安全阈值。换道安全性特征则作为模型的硬约束，即d_TP+d_TR<L_E+2d_s时，禁止模型输出换道指令，其中L_E为主车车身长度，d_s为两车间最小车距。其中，安全阈值为5m。

S104，根据所述主车的车速、所述当前车道前车与主车的距离、所述当前车道前车的车速、所述目标车道前车与主车的距离以及所述目标车道前车的车速确定换道收益特征；所述换道收益特征包括：当前车道前车与目标车道前车的车速差、当前车道前车与目标车道前车的车距差、t′秒后当前车道前车与目标车道前车的车速差、t′秒后当前车道前车与目标车道前车的时距之差、当前车道前车与主车的距离与期望时距之差、当前车道前车与目标车道前车的时距之差以及t′秒后目标车道空间与前车的车距差。

S105，利用所述车辆换道数据、所述换道必要性特征、所述换道安全性特征以及所述换道收益特征训练换道决策模型，确定训练好的换道决策模型；所述训练后的换道决策模型以所述车辆换道数据、所述换道必要性特征、所述换道安全性特征以及所述换道收益特征为输入，以换道决策为输出；所述换道决策为执行换道或不执行换道。

影响驾驶员换道决策的因素。这些因素可以总结为下列三类：

1.换道必要性f_n

换道必要性主要由本车道前车的行驶状况决定，体现了换道的紧迫性。本车道前车的速度越低、车距越小，换道的必要性越大。因此，车辆的换道必要性应当符合；

f_n＝f(v_E,v_P,d_P)；

2.换道安全性f_s

换道安全性主要是指车辆在换道过程中发生碰撞的风险。该指标是换道过程的硬性约束，在目标车道空间不能满足换道安全的情况下，换道行为不允许发生。换道安全性通常取决于主车与目标车道前后方车辆的距离及速度差，可表示为：

f_s＝f(v_E,d_TP,v_TP,d_TR,v_TR)；

3.换道收益f_b

车道变换的目的是获得更快的行驶速度或者更大的行驶空间。如果目标车道车速更快、行驶空间更大，则可能使驾驶员产生换道动机。本发明利用换道收益这一概念来描述车辆换道后主车在速度和空间上获得的改善。因此，车辆的换道收益可表示为：

f_b＝f(v_E,d_P,v_P,d_TP,v_TP)；

直接从数据集中得到的13项特征变量也在一定程度上反映了上述三类因素，通过总结换道过程中影响决策的因素，可以得到与换道决策相关性更高的变量，例如，当前车道在未来一段时间内的车距变化情况也会对换道决策结果产生较大的影响，但机器学习模型可能较难挖掘出这一因素。由于驾驶员在考虑换道时，还会考虑交通状况的变化趋势，本发明依据当前环境车辆的位置、速度与加速度，对未来环境车辆的运动状况进行了预测，并将预测结果也作为数据集的新特征。

增加新特征后的训练数据集能够有效提高分类准确度。增加新特征后的训练数据集如表2所示：

表2

S105之前还包括：

根据所述车辆换道数据，采用支持向量机分类函数确定换道决策模型。

支持向量机是一种对数据进行二元分类的广义分类器，通过建立超平面的方式将数据集分割为两个部分，属于监督学习的范畴。换道决策训练数据集的格式为：

式中，{(x_i,y_i)}为模型训练样本；x_i为样本的特征输入，在换道模型中为主车以及周围环境车辆的行驶信息；y_i是样本的类别，在换道模型中即是否发生换道。分割数据集D的超平面表示为：

ω^Tx+b＝0；

式中，ω^T为超平面的法向量，决定了超平面的方向；b为超平面相对于原点的偏置量，它与ω^T决定了超平面的位置。样本空间中每一点与超平面之间的距离为：

其中，ω为超平面法向量；距超平面最近的样本点被称为“支持向量”，两个异类支持向量到超平面的距离之和为：

该距离之和称为“间隔”，支持向量机算法的目的是确定具有最大间隔的超平面。由距离之和的表达式可知，要使间隔最大，需要使‖ω‖^-1最大化，即令‖ω‖²最小化，故支持向量机模型的求解可以转化为：

车辆换道决策属于非线性问题，无法使用普通的线性可分支持向量机求解，因此，需要使用核函数将样本变量从原始空间映射到更高维的空间，以保证样本在高维空间线性可分。由于可能不存在能将样本完全分开的超平面，因此，引入“松弛变量”e。此时，上述最优分类超平面的求解可描述为：

式中，C>0为一个常数，该常数代表了松弛变量的权值，即模型误分类的代价大小；C越小，模型误分类的代价越小，模型复杂度和与数据的拟合程度也越低，但泛化能力变强；C越大，模型误分类的代价越大，模型复杂度和与数据的拟合程度也越高，但泛化能力变弱。上式的对偶表达式为：

式中，α_i为第i条约束的拉格朗日乘子；κ为模型的核函数。本发明选用高斯核函数，其表达式为：

式中，σ是高斯核的带宽，σ越小则高斯分布越集中，易导致过拟合；反之，σ越大则易导致欠拟合。

对所述换道决策模型进行贝叶斯优化。即为了达到最优的模型分类效果，使用了贝叶斯优化算法确定模型两个超参数——松弛变量的权重C和高斯核的带宽σ的最佳值。

利用五折交叉验证方法对优化后的换道决策模型进行测试。

S106，利用所述训练好的换道决策模型确定换道决策。

利用新特征对训练数据进行增广后，需要用增广后的数据训练模型，并将不同数据得到的训练效果进行对比，验证新特征加入后的影响。表3为原始的数据与增广后数据的训练结果对比，包括四个数据对应的最佳模型参数及其AUC值。可以看出，换道必要性因素与换道收益因素均可改善数据集的训练结果。增加换道必要性因素后，数据集的AUC值提高了0.01；增加换道收益因素以后，数据集的AUC值提高了0.0077；如果同时考虑两种因素，则可将数据集的AUC值提高0.0152。图3至图6分别为四个数据集的贝叶斯优化过程。

表3

从AUC值的角度对比分析不同数据集的训练效果后，还需从对换道与不换道状况判断准确率的角度对模型的训练效果进行进一步的评估。本文采用模型的分类准确率R_T、真正率R_TP和真负率R_TN评估训练效果。R_T是模型对所有测试样本的分类准确率；真正率R_TP是模型将正样本判断为正的概率，即对换道样本的判断准确率；真负率R_TN是模型将负样本判断为负的概率，即对非换道样本的判断准确率。在实际行驶过程中，将非换道判断为换道具有更大的危险性，因此，换道决策模型应当在保持较高的分类准确率的同时具备更高的真负率，以减少非换道被判断为换道的情况。表4展示了不同数据集下模型的训练效果。可以看出，增加换道规则因素对模型的分类准确率具有明显的改善效果，增加必要性和收益因素之后的模型具有更高的分类准确率、真正率以及真负率，且在保持高分类准确率的同时具有更好的真负率。

表4

图7为本发明所提供的一种基于规则与机器学习融合的换道决策系统结构示意图，如图7所示，本发明所提供的一种基于规则与机器学习融合的换道决策系统，包括：

车辆换道数据获取模块701，用于从NGSIM数据集中获取车辆换道数据；所述车辆换道数据包括：当前车道前车与主车的车距、当前车道前车的速度、当前车道前车的加速度、当前车道前车与主车的时距、目标车道前车与主车的车距、目标车道前车的速度、目标车道前车的加速度、目标车道前车与主车的时距、目标车道后车与主车的车距、目标车道后车的速度、目标车道后车的加速度、目标车道后车与主车的时距以及主车的车速。

换道必要性特征确定模块702，用于根据所述主车的车速、所述当前车道前车的车速以及所述当前车道前车与主车的距离确定换道必要性特征；所述换道必要性特征包括：主车与当前车道前车的车速之差、当前车道前车与主车的距离与期望时距之差、当前车道t′秒后车距以及当前车道t′秒后时距。

换道安全性特征确定模块703，用于根据所述主车的车速、所述目标车道的前车与主车的距离、所述目标车道前车的车速、所述目标车道后车与主车的距离以及所述目标车道后车的车速确定换道安全性特征；所述换道安全性特征为目标车道前、后车之间的距离与换道最小安全距离之差；所述换道最小安全距离为主车长度加上安全阈值。

换道收益特征确定模块704，用于根据所述主车的车速、所述当前车道前车与主车的距离、所述当前车道前车的车速、所述目标车道前车与主车的距离以及所述目标车道前车的车速确定换道收益特征；所述换道收益特征包括：当前车道前车与目标车道前车的车速差、当前车道前车与目标车道前车的车距差、t′秒后当前车道前车与目标车道前车的车速差、t′秒后当前车道前车与目标车道前车的时距之差、当前车道前车与主车的距离与期望时距之差、当前车道前车与目标车道前车的时距之差以及t′秒后目标车道空间与前车的车距差。

训练好的换道决策模型确定模块705，用于利用所述车辆换道数据、所述换道必要性特征、所述换道安全性特征以及所述换道收益特征训练换道决策模型，确定训练好的换道决策模型；所述训练后的换道决策模型以所述车辆换道数据、所述换道必要性特征、所述换道安全性特征以及所述换道收益特征为输入，以换道决策为输出；所述换道决策为执行换道或不执行换道。

换道决策确定模块706，用于利用所述训练好的换道决策模型确定换道决策。

所述车辆换道数据获取模块701具体包括：

滤波平滑处理单元，用于利用滑动平均滤波方法对所述NGSIM数据集进行滤波平滑处理。

车辆换道数据确定单元，用于对滤波平滑处理后的NGSIM数据集进行数据清洗与筛选，确定车辆换道数据。

本发明所提供的一种基于规则与机器学习融合的换道决策系统，还包括：

归一化处理模块，用于对所述车辆换道数据进行归一化处理。

本发明所提供的一种基于规则与机器学习融合的换道决策系统，还包括：

换道决策模型确定模块，用于根据所述车辆换道数据，采用支持向量机分类函数确定换道决策模型。

换道决策模型优化模块，用于对所述换道决策模型进行贝叶斯优化。

换道决策模型测试模块，用于利用五折交叉验证方法对优化后的换道决策模型进行测试。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本发明中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于规则与机器学习融合的换道决策方法，其特征在于，包括：

从NGSIM数据集中获取车辆换道数据；所述车辆换道数据包括：当前车道前车与主车的车距、当前车道前车的速度、当前车道前车的加速度、当前车道前车与主车的时距、目标车道前车与主车的车距、目标车道前车的速度、目标车道前车的加速度、目标车道前车与主车的时距、目标车道后车与主车的车距、目标车道后车的速度、目标车道后车的加速度、目标车道后车与主车的时距以及主车的车速；

根据所述主车的车速、所述当前车道前车的车速以及所述当前车道前车与主车的距离确定换道必要性特征；所述换道必要性特征包括：主车与当前车道前车的车速之差、当前车道前车与主车的距离与期望时距之差、当前车道t′秒后车距以及当前车道t′秒后时距；

根据所述主车的车速、所述目标车道的前车与主车的距离、所述目标车道前车的车速、所述目标车道后车与主车的距离以及所述目标车道后车的车速确定换道安全性特征；所述换道安全性特征为目标车道前、后车之间的距离与换道最小安全距离之差；所述换道最小安全距离为主车长度加上安全阈值；

根据所述主车的车速、所述当前车道前车与主车的距离、所述当前车道前车的车速、所述目标车道前车与主车的距离以及所述目标车道前车的车速确定换道收益特征；所述换道收益特征包括：当前车道前车与目标车道前车的车速差、当前车道前车与目标车道前车的车距差、t′秒后当前车道前车与目标车道前车的车速差、t′秒后当前车道前车与目标车道前车的时距之差、当前车道前车与主车的距离与期望时距之差、当前车道前车与目标车道前车的时距之差以及t′秒后目标车道空间与前车的车距差；

利用所述车辆换道数据、所述换道必要性特征、所述换道安全性特征以及所述换道收益特征训练换道决策模型，确定训练好的换道决策模型；所述训练后的换道决策模型以所述车辆换道数据、所述换道必要性特征、所述换道安全性特征以及所述换道收益特征为输入，以换道决策为输出；所述换道决策为执行换道或不执行换道；

利用所述训练好的换道决策模型确定换道决策。

2.根据权利要求1所述的一种基于规则与机器学习融合的换道决策方法，其特征在于，所述从NGSIM数据集中获取车辆换道数据，具体包括：

利用滑动平均滤波方法对所述NGSIM数据集进行滤波平滑处理；

对滤波平滑处理后的NGSIM数据集进行数据清洗与筛选，确定车辆换道数据。

3.根据权利要求1所述的一种基于规则与机器学习融合的换道决策方法，其特征在于，所述从NGSIM数据集中获取车辆换道数据，之后还包括：

对所述车辆换道数据进行归一化处理。

4.根据权利要求3所述的一种基于规则与机器学习融合的换道决策方法，其特征在于，所述利用所述车辆换道数据、所述换道必要性特征、所述换道安全性特征以及所述换道收益特征训练换道决策模型，确定训练好的换道决策模型，之前还包括：

根据所述车辆换道数据，采用支持向量机分类函数确定换道决策模型；

对所述换道决策模型进行贝叶斯优化；

利用五折交叉验证方法对优化后的换道决策模型进行测试。

5.一种基于规则与机器学习融合的换道决策系统，其特征在于，包括：

车辆换道数据获取模块，用于从NGSIM数据集中获取车辆换道数据；所述车辆换道数据包括：当前车道前车与主车的车距、当前车道前车的速度、当前车道前车的加速度、当前车道前车与主车的时距、目标车道前车与主车的车距、目标车道前车的速度、目标车道前车的加速度、目标车道前车与主车的时距、目标车道后车与主车的车距、目标车道后车的速度、目标车道后车的加速度、目标车道后车与主车的时距以及主车的车速；

换道必要性特征确定模块，用于根据所述主车的车速、所述当前车道前车的车速以及所述当前车道前车与主车的距离确定换道必要性特征；所述换道必要性特征包括：主车与当前车道前车的车速之差、当前车道前车与主车的距离与期望时距之差、当前车道t′秒后车距以及当前车道t′秒后时距；

换道安全性特征确定模块，用于根据所述主车的车速、所述目标车道的前车与主车的距离、所述目标车道前车的车速、所述目标车道后车与主车的距离以及所述目标车道后车的车速确定换道安全性特征；所述换道安全性特征为目标车道前、后车之间的距离与换道最小安全距离之差；所述换道最小安全距离为主车长度加上安全阈值；

换道收益特征确定模块，用于根据所述主车的车速、所述当前车道前车与主车的距离、所述当前车道前车的车速、所述目标车道前车与主车的距离以及所述目标车道前车的车速确定换道收益特征；所述换道收益特征包括：当前车道前车与目标车道前车的车速差、当前车道前车与目标车道前车的车距差、t′秒后当前车道前车与目标车道前车的车速差、t′秒后当前车道前车与目标车道前车的时距之差、当前车道前车与主车的距离与期望时距之差、当前车道前车与目标车道前车的时距之差以及t′秒后目标车道空间与前车的车距差；

训练好的换道决策模型确定模块，用于利用所述车辆换道数据、所述换道必要性特征、所述换道安全性特征以及所述换道收益特征训练换道决策模型，确定训练好的换道决策模型；所述训练后的换道决策模型以所述车辆换道数据、所述换道必要性特征、所述换道安全性特征以及所述换道收益特征为输入，以换道决策为输出；所述换道决策为执行换道或不执行换道；

换道决策确定模块，用于利用所述训练好的换道决策模型确定换道决策。

6.根据权利要求5所述的一种基于规则与机器学习融合的换道决策系统，其特征在于，所述车辆换道数据获取模块具体包括：

滤波平滑处理单元，用于利用滑动平均滤波方法对所述NGSIM数据集进行滤波平滑处理；

车辆换道数据确定单元，用于对滤波平滑处理后的NGSIM数据集进行数据清洗与筛选，确定车辆换道数据。

7.根据权利要求5所述的一种基于规则与机器学习融合的换道决策系统，其特征在于，还包括：

归一化处理模块，用于对所述车辆换道数据进行归一化处理。

8.根据权利要求7所述的一种基于规则与机器学习融合的换道决策系统，其特征在于，还包括：

换道决策模型确定模块，用于根据所述车辆换道数据，采用支持向量机分类函数确定换道决策模型；

换道决策模型优化模块，用于对所述换道决策模型进行贝叶斯优化；

换道决策模型测试模块，用于利用五折交叉验证方法对优化后的换道决策模型进行测试。

Images