本技术涉及一种适用于人车混合道路环境的无人驾驶车辆智能决策方法,旨在提升无人驾驶车辆在复杂交通场景中的决策能力。该方法通过收集各类交通参与者的历史数据,并构建多智能体交互模型,以实现更精准的行为预测和决策制定。
背景技术
无人驾驶车辆的行为决策模型是实现自动驾驶的核心环节,其目标是在确保安全的前提下,模拟人类驾驶员的决策过程,以适应复杂的交通环境。在实际交通环境中,包含车辆、非机动车以及行人等多种类型交通参与者,人类驾驶员能够综合考虑不同类型交通参与者的不同特征,从而做出安全合理的驾驶行为决策。无人驾驶车辆想要实现与人类类似甚至更加优越的决策能力,就必须将交通环境中不同类型的交通参与者均纳入考虑的范围,而不能只考虑单一的类型。
图注意力网络(Graph Attention Network,GAT)作为一种图神经网络,为无人驾驶车辆提供了强大的信息整合和决策支持能力,允许车辆有效地理解和应对其周围复杂的交通环境,从而提高了自动驾驶系统的性能和安全性。当无人驾驶车辆做出变道决策时,与距离较远的车辆相比,与其距离更近的车辆可能会被分配更大的权重。此外,与已经在自车身后的交通参与者相比,将更大的注意力权重分配给在自车身前和与自车纵向有重叠的交通参与者。在GAT中,这种相对重要性会自动编码为权重,并且权重是从成功和不成功的训练过程中学习到的。
GAT的输入通常包括一个节点特征矩阵和邻接矩阵,其中包含每辆车的原始信息,如速度、位置和意图等。GAT的输出是节点的特征向量,通过将来自不同来源的原始数据融合,其中既包含局部环境的信息,也包含了更广泛的全局环境信息。输出的节点向量映射成为了无人驾驶车辆在其所处的交通环境中制定驾驶决策所需的关键信息,节点信息经过GAT的处理,具备更好的信息集成和抽象能力,以更有效地支持智能驾驶决策的制定。
在无人驾驶车辆进行行为决策时,交通参与者之间的交互作用是影响无人驾驶车辆行驶的决定性因素,因此边携带的交互信息不可忽略。而当前GAT对图进行特征聚合更新的过程中,忽略了图中边携带的信息只考虑了节点之间的关系。这可能导致模型无法充分利用边特征,从而影响了对车辆行为的理解和预测能力。
实现思路