融合复杂网络理论和部分可观察马尔可夫决策过程的智能驾驶行为决策方法及设备

    公开(公告)号:CN116027788A

    公开(公告)日:2023-04-28

    申请号:CN202310026965.7

    申请日:2023-01-09

    Applicant: 江苏大学

    Abstract: 本发明公开了融合复杂网络理论和部分可观察马尔可夫决策过程的智能驾驶行为决策方法及设备,通过引入部分可观察马尔可夫决策过程(POMDP),提供了一种在不确定性环境下,多智能体交互的理想决策模型,随着模型维度的增加,其计算复杂度也大大增加,为解决计算复杂度问题,本发明引入基于复杂网络认知理论对驾驶环境进行建模,用于评估重要节点并提取风险树,以缩小POMDP模型的置信空间、加速模型求解,从而实现在高度交互的动态不确定性驾驶环境下进行实时性的行为决策,相比于采用有限状态机和RL的行为决策方法,本发明在保证算法可解释性的同时,可在高度交互的动态不确定性驾驶环境中有效运行,为高级别的智能驾驶系统开发提供了新的解决思路。

    融合复杂网络理论和深度神经网络的高速公路商用车轨迹规划方法及车用电子设备

    公开(公告)号:CN115950445A

    公开(公告)日:2023-04-11

    申请号:CN202310026978.4

    申请日:2023-01-09

    Applicant: 江苏大学

    Abstract: 本发明公开了融合复杂网络理论和深度神经网络的高速公路商用车轨迹规划方法及车用电子设备,通过模型评估重要车辆节点并提取风险树,用于扩展自车轨迹规划的行动空间,并将各类车辆节点建模为场的形式,用于评估规划轨迹的碰撞风险。同时直接在高速公路场景中的XYT坐标系下进行轨迹规划,将预测的他车轨迹和其他障碍物的边框(Bounding Box)映射到根据坐标系生成的栅格地图中,利用深度神经网络(DNN)做卷积操作,得出安全可行的无碰撞轨迹,从而降低商用车和乘用车不同尺寸对轨迹规划的影响,同时解决道路建模困难和计算量过大的问题。实现在整个智能驾驶系统框架内无需进行坐标系的转换,即可规划一条可以同时兼顾安全、效率和灵活性的高质量轨迹。

Patent Agency Ranking