基于分布式智能空间的自动驾驶决策方法

High-level autonomous vehicles need to handle a variety of high-dimensional complex factors such as environmental uncertainty and unpredictability of behavior, which makes the problem of decision-making an optimization problem with dimension disaster. To solve this bottleneck problem, this project proposes a new decision framework based on distributed intelligent space which is the combination of situation-coupled decision-making knowledge and high-definition map. With the distributed intelligent space, the dimension disaster problem in decision-making can be solved by using priori decision knowledge. Furthermore, the situation adaptation capability of the decision-making system will be enhanced. The project will firstly study the driving space generation method for autonomous vehicles considering the requirements of decision process. Then analyze the complex factors of the decision-making process and decouple the situation-coupled factors, and decouple the decision-making process into situation-coupled and common decision-making processes. The method of projecting situation-coupled decision knowledge into high-definition map will be studied to generate the distributed intelligent space. The project will also establish a two-layer decision-making mechanism which combines situation-coupled and common decision-making knowledge. Moreover, the evaluation method of decision-making results will be established to verify and update the distributed intelligent space. Finally, the structure will be tested through simulation and real vehicle verification. The project provides new theoretical support for high-level autonomous vehicle decision making.

高级自动驾驶汽车需要面对环境的不确定性和行为的不可预测性等多种高维复杂因素。这导致自动驾驶决策问题成为一个具有维度灾难的优化问题。面对这一瓶颈问题，本项目开拓性地提出将地理特异性决策知识与高精度地图结合生成分布式智能空间，一方面可以利用先验决策知识解决自动驾驶决策的维度灾难，一方面解耦的决策机制提升了决策系统的空间迁移能力。项目首先将从决策的需求出发，研究自动驾驶汽车行驶空间生成方法；分析决策过程的复杂因素组成并解耦其中的地理特异性因素，将决策过程解耦为地理特异性和共性决策过程；研究地理特异性决策知识的数学模型，并结合高精度地图形成分布式智能空间；建立结合共性决策知识和地理特异性决策知识的双层决策机制，实现基于分布式智能空间的降维式决策架构，并在决策过程中实现基于决策结果评价的智能空间更新机制；最后通过仿真与实车结合的方式进行验证。该项目可为高级自动驾驶汽车决策机制提供新的理论支持。

自动驾驶决策应当具有本地化的特性。因为不同地理区域的驾驶习惯不同、驾驶规则不同，只有考虑了地理特异性信息的决策方法，才能因地制宜，提供最符合当地习惯的驾驶策略。地理特异性的决策知识来源于该地理区域的历史驾驶数据，但其具体含义、提取方法和应用方法都是难点问题。.本项目构建了基于分布式智能空间的自动驾驶决策方法，实现了充分考虑地理空间要素的环境认知和驾驶决策。首先提出了边界式行驶空间模型，面向决策需求将感知信息表达为统一的最简形式；在此基础上，将决策系统解耦为共性决策和地理特异性决策，实现了地理空间特征的建模和场景识别算法；进一步研究了基于自动驾驶地图的分布式智能空间生成，分布式存储地理因素特征并提取为联合编码状态；综合上述研究，在强化学习的框架下设计了基于分布式智能空间的自动驾驶决策方法；最后，在仿真环境和冬奥项目的实车平台上完成了算法的部署与测试，证明了本项目研究结果的有效性和可靠性。.本项目所研究机制和方法，能够以离线的自动驾驶地图存储地理特异性知识，使车辆具备在不同地理环境下的决策迁移能力。通过本项目研究的开展，掌握了相关领域知识产权，共发表SCI/EI检索论文7篇，申请国家发明专利4项，参与发布行业标准1项。