無人駕駛汽車決策規則提取演算法和換道策略匯總

名詞解釋

1）決策樹演算法

決策樹是一種智能分類方法，通常分三個步驟，特徵選擇，構建決策樹，修剪決策樹。在不斷的使用新的數據對前面建立起來的分類方法進行修正以後，使得決策樹的分類最為合理有效。

2）神經網路演算法

神經網路演算法，是模仿人類大腦的運行模式，實現非線性映射，摸索理解記憶事物規律。主要應用於規則不明顯，隨機性強的領域。

3）粒計算原理

粒計算是一個比較新的概念，主要解決數據量大，規則不明晰的問題，一類側重於不確定性處理; 另一類則注重於多粒度計算。

一個力度準則對應一個粒層，多個相互之間互相聯繫的粒層組成一個粒結構。一個粒結構可以容納一個實際問題。

1 決策知識提取演算法——決策樹

1.1貝葉斯演算法是對數據進行學習的常用方法，潘泉利用貝葉斯和模糊積分方法描述駕駛員多源信息的融合過程，確定駕駛員對車輛應採取的駕駛行為。

（潘泉. 信息融合理論的基本方法與進展 [J]. 自動化學報. 29(4), 2003: 600-605.）

1.2 KumarP、YamadaK 等人使用貝葉斯方法通過對駕駛員數據進行分析，使車輛能夠在車道數減少的情況下預測匯入車流時的車輛駕駛意圖。

（Kumar P, Perrollaz M, Lefevre S, et al. Learning-based approach for online lane change intention prediction[C]. Intelligent Vehicles Symposium (IV), 2013 IEEE. IEEE, 2013: 797-802.

Yamada K, Matsuyama H, Uchida K. A method for analyzing interaction of driver intention through vehicle behavior when merging[C]. Intelligent Vehicles Symposium Proceedings, 2014 IEEE. IEEE, 2014: 158-163.）

1.3 貝葉斯方法需要計算先驗概率和條件概率，Lidstr?mK 等人指出動態貝葉斯網路(DBN)可用來處理不確定時空依賴性，在使用過程中的重要難點在於由於交通環境是一個複雜結構，在建模時需要參數學習和概率推理。

（Lidstr?m K, Larsson T. Model-based estimation of driver intentions using particle filtering[C]. Intelligent Transportation Systems, 2008. ITSC 2008. 11th International IEEE Conference on. IEEE, 2008: 1177-1182.）

1.4 Schubert R 利用決策樹能融知識表示與獲取於一身的優點，將決策樹用於不同駕駛行為決策機制的研究，以實現對駕駛員行為的模擬再現。

（Schubert R. Evaluating the utility of driving: Toward automated decision making under uncertainty[J]. Intelligent Transportation Systems, IEEE Transactions on, 2012, 13(1): 354-364.）

1.5為解決在高速公路換道場景中觀測不確定性問題，有多人提出一種結合了混合自動機網路和決策樹的概率決策模型，自動機網路提供了一個高度靈活的結構，決策樹增強演算法的魯棒性及決策過程高效性。 然而當數據越來越複雜，所面臨的情況充滿不確定性時，決策樹的支架就會越來越龐大，從而降低了決策樹的搜索效率。

（王曉原, 楊新月. 基於決策樹的駕駛行為決策機制研究[J]. 系統模擬學報, 2008, 20(2): 415-419.

Ardelt M, Coester C, Kaempchen N. Highly automated driving on freeways in real traffic using a probabilistic framework[J]. Intelligent Transportation Systems, IEEE Transactions on, 2012, 13(4): 1576- 1585.

Ardelt M, Waldmann P, Kaempchen N, et al. Strategic decision-making process in advanced driver assistance systems[C]. Advances in Automotive Control. 2010: 566-571.）

2 決策知識提取演算法——神經網路

2.1 神經網路演算法具有高度的非線性映射能力，處理智能控制、判別決策、模式識別、優化等領域具有獨特的優勢。

（陳雪梅, 田賡, 苗一松. 面向智能駕駛行為的機器學習[J]. 道路交通與安全, 2014, 14(6): 60-64.）

2.2神經網路分類效果好，效率高被廣泛用於數據挖掘中，Ardelt M 等人利用 BP 神經網路分析駕駛數據，選取車輛當前時刻的側向偏差 L 和車輛前方某處的偏離角 β 作為駕駛決策的依據變數，建立方向決策模型。

（Chong L, Abbas M M, Flintsch A M, et al. A rule-based neural network approach to model drivernaturalistic behavior in traffic[J]. Transportation Research Part C: Emerging Technologies, 2013, 32: 207-223.）

2.3 Chong L 等人提出了一種基於模糊規則的神經網路模型來模擬跟馳環境及安全關鍵事件的縱向和橫向的駕駛行為，基於模糊規則的神經網路從車輛軌跡中獲得駕駛員個人的駕駛規則，強化學慣用於訓練神經網路使神經網路可以模擬單個司機的駕駛行為。

（Ardelt M, Waldmann P. Hybrides Steuerungs-und Regelungskonzept für das hochautomatisierte Fahren auf Autobahnen[J]. at-Automatisierungstechnik Methoden und Anwendungen der Steuerungs-, Regelungs-und Informationstechnik, 2011, 59(12): 738-750.）

3 決策知識提取演算法——粒計算原理

神經網路演算法，能看到輸入，看到輸出，但中間的映射過程我們無法得知。缺少映射公式，使得研究人員對於神經網路操作效率無從評價，更無法著手改進。因此，神經網路深度學習演算法，天花板比較明確。

粒計算原理可以將複雜信息粒化，看成信息粒，模糊集和粗糙集法就是主要的粒計算方法。粗糙集由於其提取規則過程及結果透明的優點被廣泛應用於規則知識的提取中。

3.1 梁燕飛選取前車速度、後車速度、前後車距離差作為多源信息，通過粗糙集進行駕駛知識的挖掘，判斷駕駛員類型，並為駕駛員駕駛提供輔助預警。

（梁燕飛. 基於知識的汽車駕駛行為特性研究 [D]. 廣州: 廣東工業大學, 2010.）

3.2 程昳等人研究了基於粗糙模糊集的規則提取方法，基於粒度序和逐步縮小的論域的方法兒不是對屬性進行約減，從而避免了在屬性約減過程中產生的固有的不足。

（程昳, 苗奪謙, 馮琴榮. 動態粗糙模糊集及其在模糊規則提取中的應用[J]. 小型微型計算機系統, 2009, 30(2):289-294.）

3.3 王艷平通過，給出粗糙直覺模糊隸屬函數，建立了變精度粗糙直覺模糊集模型，在此模型基礎上定義了變精度粗糙直覺模糊集的近似質量和近似約簡，由近似約簡導出概率決策規則集，從而給出了直覺模糊決策表的概率決策規則獲取方法。

（王艷平. 基於變精度粗糙直覺模糊集的決策規則獲取[J]. 計算機工程與科學, 2014, 36(3):541-544.）

3.4 MKryszkiewicz 研究相容關係下的規則獲取問題，以元素的鄰域作為粒來計算，試圖研究找出所有的約簡。

（M Kryszkiewicz. Rough set approach to incomplete information systems [J].Information Sciences.112(1), 1998: 39-49.）

3.5蒙祖強等人針對不完備信息系統的特點，提出了一種完整的知識獲取演算法，該演算法包括不完備信息系統的屬性約簡演算法和系統中對象的約簡演算法。

（蒙祖強, 史忠植. 不完備信息系統中基於相容粒度計算的知識獲取方法 [J]. 計算機研究與發展. 45(增刊) , 2008: 264-267.）

3.6楊習貝等人從多視角考慮粗糙近似逼近問題，討論了鄰域系統粗糙集模型的性質，並建立了鄰域系統粗糙集模型；

（楊習貝, 楊靜宇. 鄰域系統粗糙集模型[J]. 南京理工大學學報. 36(2), 2012: 291-295.）

3.7 將多粒度理論引入不完備決策系統中，針對其不完備性，結合非對稱相似關係提出基於相似關係的不完備多粒度粗糙集模型，並討論該模型的性質。

（王麗娟,楊習貝,楊靜宇,吳陳. 基於多粒度理論的不完備決策規則獲取[J]. 南京理工大學學報.37(1), 2013: 12-18.）

3.8 將粗糙集理論與神經網路演算法相結合的演算法研究也是數據挖掘領域中一個熱點

研究領域，然而大部分研究者都是利用粗糙集可對數據屬性進行約減的優點來對數據

進行預處理，再用神經網路演算法進行訓練，以提高神經網路在訓練數據時的收斂速度。

但這仍然不能解決神經網路演算法中存在著訓練過程是一個黑箱的問題。庄傳禮等人使

用神經網路演算法保證數據離散過程中的一致性，之後再用粗糙集演算法提取規則，這種方法既避免了在使用粗糙集過程中產生結果不一致問題，又可以保留粗糙集演算法能夠直接提取規則的優點。

（庄傳禮, 楊萍, 李道亮,等. 基於神經網路和粗糙集規則的提取方法[J]. 計算機工程, 2006,32(20):191-192.）

4 換道策略匯總

4.1 Chee W認為換道策略是自動公路系統橫向控制的一部分，並採用滑模控制的演算法對換道行為進行了規劃決策。後來， Ran 等人改進了 Antoniotti 的匯入演算法，該演算法優點在於不僅適用於單個車輛，更適用於車流範圍內。

（Chee W, Tomizuka M. Lane change maneuver of automobiles for the intelligent vehicle and highway system (IVHS) [C]//American Control Conference, 1994. IEEE, 1994, 3: 3586-3587.）

4.2 HatipogluC研究了車輛在彎道上的自動換道行為，並將換道問題轉化為軌跡跟蹤問題，考慮了車輛的縱向速度最優的因素。

（Hatipoglu C, Ozguner U, Redmill K A. Automated lane change controller design [J]. IntelligentTransportation Systems, IEEE Transactions on, 2003, 4(1): 13-22.）

4.3 Papadimitriou I提出了一種智能車輛公路系統的快速車道變換演算法，該演算法是基於多項式的軌跡規劃，也考慮了動態約束條件，在多重障礙的換道中，體現了該演算法的優點。2004 年 Lu 等人提出了智能匯入策略演算法，並進行了測試。如果主車道出現一個合適的匯入間隙，車輛將被引導進行匯入，否則演算法將考慮在沒有合適間隙的情況下強行匯入到主幹道。

（Papadimitriou I, Tomizuka M. Fast lane changing computations using polynomials[C]//AmericanControl Conference, 2003. Proceedings of the 2003. IEEE, 2003, 1: 48-53.）

4.4 FotiadesK在智能車輛公路系統中提出了一種車輛快速換道演算法，保證了車輛在換道過程中，乘客的舒適性和車輛的穩定性。

（Fotiades K, Seimenis J. Notice of Violation of IEEE Publication Principles< BR> Fast lane changing algorithm for intelligent vehicle highway systems using clothoidal theory and Bezier points[C]//Intelligent Vehicles Symposium, 2005. Proceedings. IEEE. IEEE, 2005: 73-77.）

4.5 Nishiwaki Y認為換道的時間和軌跡是不確定的，根據統計學的原理，建立了基於隱馬爾科夫的車道變換模型。

（Nishiwaki Y, Miyajima C, Kitaoka N, et al. Generating lane-change trajectories of individual drivers[C]//Vehicular Electronics and Safety, 2008. ICVES 2008. IEEE International Conference on. IEEE, 2008: 271-275.）

4.6 Tomar R S認為車道變化時引起道路交通事故的一個主要原因，提出了基於神經網路的車道變換模型，考慮了車輛周圍環境不確定性和換道駕駛員的行為的因素。

（Tomar R S, Verma S, Tomar G S. Neural network based lane change trajectory predictions for collision prevention[C]//Computational Intelligence and Communication Networks (CICN), 2011 International Conference on. IEEE, 2011: 559-564.）

4.7 Tehrani H比較了駕駛員和計算機生成的變換車道行為，開發了一種能夠同時考慮橫向和縱向運動的軌跡演算法，與計程車司機向比較，該演算法能夠使車輛具有更好的運動平滑性。

（Tehrani H, Muto K, Yoneda K, et al. Evaluating human & computer for expressway lane changing[C]//Intelligent Vehicles Symposium Proceedings, 2014 IEEE. IEEE, 2014: 382-387.）

4.8游峰在對智能車輛自動換道和超車的研究中，提出了基於多項式軌跡演算法的運動規劃方法，並在 Simulink 中驗證了該演算法應用的可能性。

（游峰. 智能車輛自動換道與自動超車控制方法的研究 [D]. 長春: 吉林大學, 2005.）

4.9林暘從微觀層面上提出了基於模糊控制的車輛強制和自由換道模型，該換道模型充分利用駕駛員的知識和經驗來對車輛的換道行為進行控制。

（林暘, 蔣珉, 柴干. 基於模糊控制的微觀車輛換道模型的研究及模擬[J]. 計算機技術, 2009, 9(1).）

4.10李瑋通過研究傳統換道模型存在的缺點，如側向加速度過大或者曲率不連續等，提出了一種新的換道軌跡函數，並建立高速公路車輛自由換道模型。

（李瑋, 高德芝, 段建民. 智能車輛自由換道模型研究[J]. 公路交通科技, 2010 (2): 119-123.）

4.11 關羽利用微分法建立了加速車道上的車輛匯入概率模型。揭示了加速車道長度、主路外側車道車流量對於車輛匯入概率的影響規律。

（關羽, 張寧. 可變臨界間隙條件下的加速車道車輛匯入模型[J]. 公路交通科技, 2010, 27(6): 117-120.）

4.12王堅採用魚群的一些行為特點對車輛的換道行為進行了深入研究，並建立換道模型(EMLCM)。

（王堅, 任子暉. 魚群演算法在重大交通事故下車輛行為中的應用[J]. 系統模擬學報, 2011, 23(9): 1849-1853.）

4.13王暢提建立了基於預瞄—跟隨理論的智能車輛換道軌跡跟隨模型，提出了自動換道跟隨演算法，該模型體現了真實的駕駛行為，提高了智能車輛的行駛穩定性。

（王暢, 秦加合, 郭明華, 等. 智能汽車換道控制演算法的模擬研究[J]. 計算機工程與設計, 2013, 34(7): 2528-2532.）

4.14賈瑞在研究車輛避障的過程中，設計了基於約束模型的預測控制演算法，提高了自主車輛在換道過程中的穩定性和安全性。

（賈瑞. 基於滾動優化的自主駕駛車輛避障控制[D]. 吉林大學, 2014.）

4.15 劉志強利用決策樹的方法在高速公路入口合流區域建立併線決策模型，保證了車輛在匯入車流時的安全性。

（劉志強, 王俊彥, 汪澎, 等. 基於決策樹的高速公路入口合流區域換道研究[J]. 重慶理工大學學報 (自然科學版), 2014 (8).）

5 駕駛綜合決策策略——《無人駕駛模型整理——決策篇 》補充

在無人駕駛行為的識別判斷研究中，很多研究人員通過感測設備對道路環境、車輛狀態等信息進行感知，採用相應的機器學習演算法對駕駛行為進行識別判斷和決策。

5.1 ClaireDAgostino等人根據決策樹和線性邏輯分析的方法，構建了一種基於學習的自動識別駕駛行為模型。

（D『Agostino C, Saidi A, Scouarnec, Chen L Learning-based driving events classification[C]. //16th International IEEE Conference on Intelligent Transportation Systems (ITSC 2013), Piscataway, NJ, USA: IEEE, 2013:1778-83）

5.2 蔡旻融根據油門踏板受力信號的變化規律，採用決策樹分類器演算法對採集的數據建立分類模型，能夠準確的判斷油門誤踩行為。

（蔡旻融, 顧振宇, 董占勛. 基於非侵入行為監測技術的誤踩油門踏板研究[J]. 微型機與應用, 2014 (1):71-76.）

5.3 劉永濤等在對危險駕駛行為識別的過程中，通過車載設備獲取車道線數據以及前車距離，構建了方差貝葉斯網路模型，提高了危險駕駛行為的識別率。對於駕駛行為的行為預測，主要是針對一些危險、異常駕駛行為、緊急避障行為，通過對這些行為的預測，可以有效的減小事故發生概率，並為車輛的智能駕駛及決策提供幫助。

（劉永濤, 喬潔, 魏朗等. 危險駕駛行為辨識演算法研究[J]. 計算機工程與設計, 2014, 35(4):1322-1326）

5.4 Tsironis, Loukas等採用決策樹的方法對異常駕駛行為進行建模，並測評了模型預測的準確性。

（Tsironis Loukas, Mavropoulos Harry, Moustakis Vassilis, Kontogiannis Tom．Mining aberrant driving behavior characteristics [J]．Transactions on Information Science and Applications, 2005.11, 2(11) :1743-1750.）

5.5 Kumagai,T等人在對駕駛行為的預測中，採用了貝葉斯網路和聯合樹演算法，提高了駕駛行為預測的準確率。

（Kumagai T, Akamatsu M. Prediction of human driving behavior using dynamic bayesian networks[J]. IEICE transactions on information and systems, 2006, 89(2): 857-860.）

5.6 Prakash, A.K.構建了一種基於人工神經網路的駕駛員模型，與傳統的 PID 模型相比較，在跟馳加速過程中，它能夠更好的預測和控制駕駛行為。

（PrakashAK, Patil, Amol. Artificial neural network based driver modeling for vehicle systems[C]. //8th SAEINDIA International Mobility Conference and Exposition and Commercial Vehicle Engineering Congress 2013, SIMCOMVEC 2013, SAE International, 400 Commonwealth Drive, Warrendale, PA 15096-0001, United States, 2013.）

5.7 秦小虎根據事故統計數據的特點，建立了貝葉斯網路的學習和推理演算法，構造了基於貝葉斯網路的交通事故預測模型，並分析了模型的適用範圍。

（秦小虎, 劉利, 張穎. 一種基於貝葉斯網路模型的交通事故預測方法[J]. 計算機模擬, 2006, 22(11): 230-232.）

5.8 周立軍採用人工神經網路技術建立了車輛跟馳模型，開發了基於粒子群優化演算法的 ANN 訓練演算法，增強了模型的魯棒性。

（周立軍, 王殿海, 李衛青. 人工神經網路及粒子群優化演算法在跟馳模型中的應用[J]. 吉林大學學報: 工學版, 2009 (4): 896-899.）

5.9 Ishikawa, K通過人工神經網路和約束邏輯程序（CLP）對機器人周邊的環境信息進行處理，提高了機器人的行為決策能力。

（Ishikawa K, Fujinami T, Sakurai A. Integration of constraint logic programming and artificial neural networks for driving robots[C]//Intelligent Robots and Systems, 2001. Proceedings. 2001 IEEE/RSJ International Conference on. IEEE, 2001, 2: 1011-1016.）

5.10 Linsen Chong針對車輛跟馳行為建立了基於規則的神經網路模型，採用了增強學習演算法來訓練神經網路，使模型能夠有效的模擬駕駛員的駕駛行為。

（Linsen Chong, Montasir M Abbas, Alejandra Medina Flintsch, Bryan Higgs．A rule-based neural network approach to model driver naturalistic behavior in traffic [J]. Transportation Research Part C， 2012：32 (2073) 207-223.）

5.11 王曉原、楊新月構建了駕駛決策識別模型，採用 ID3 決策樹分類演算法提高了模型推理速度，實現了跟馳、換道等駕駛行為的模擬，具備了一定的實時決策能力。

（王曉原, 楊新月. 基於決策樹的駕駛行為決策機制研究[J]. 系統模擬學報, 2008, 20(2): 415-419.）

5.12 徐濤採用遺傳演算法對高速列車的距離一速度曲線進行優化，得到了列車在不同工況的最佳轉換時機，改善了列車的自動駕駛能力。

（徐濤, 余進. 遺傳演算法在優化高速列車自動駕駛中的應用[J]. 城市軌道交通研究, 2014, 17(3)；59-62.）

上述內容整理自下列兩篇論文：

田賡 複雜動態城市環境下無人駕駛車輛仿生換道決策模型研究

袁盛玥 自動駕駛車輛城區道路環境換道行為決策方法研究

（圖片來自互聯網）