智能车辆驾驶行为决策方法研究

赵志成 华一丁 王文扬 陈正

摘  要：智能驾驶行为决策系统的构建对智能驾驶的可靠性具有重要影响。本文对国内外学者所提出的智能驾驶行为决策系统构建方法进行了分析总结，归纳总结不同方法的不足，并针对各方法的不足提出了解决方法，指出了未来的发展趋势，以对智能驾驶行为决策系统的构建提供一定的参考意义。

关键词：智能驾驶;行为决策;有限状态机;学习算法

中图分类号：TP301.6      文献标识码：A 文章编号：2096-4706（2019）24-0191-03

Abstract：The construction of intelligent driving behavior decision system has an important influence on the reliability of intelligent driving. This paper analyzes and summarizes the construction methods of intelligent driving behavior decision-making system proposed by scholars at home and abroad，this paper sums up the shortcomings of different methods，puts forward solutions to the shortcomings of each method，and points out the future development trend，so as to provide some reference for the construction of intelligent driving behavior decision system.

Keywords：intelligent driving;behavior decision;finite state machine;learning algorithm

0  引  言

隨着智能城市、智能医疗等概念的提出，智能化受到了国内外众多学者的关注，成为社会的研究热点。同样，因其在提升车辆行驶安全、缓解城市拥堵及降低物流成本等方面的作用，智能车辆亦受到了国内外众多企业及院校的关注。驾驶的智能化也将是未来的发展趋势。

智能车辆是一个集成了环境信息感知、行为决策、路径规划及车辆控制等的复杂功能系统，其关键在于车辆驾驶行为决策的合理与否。智能驾驶行为决策模块作为无人车辆的“大脑”，需要综合周围环境及车辆自身信息以指导车辆输出安全、可靠及合理的驾驶动作[1]。但在实际驾驶环境中，影响智能车辆行为决策的因素众多，包括户外环境的多变性、环境检测的不准确性、交通规则的约束性、行人及其他车辆行为的不可预见性、雨雾等恶劣天气等在内的不利因素都将对车辆行为的准确性及合理性产生影响。如何最大程度消除这些因素的影响，将是行为决策模块的研究重点。因此，尽管工程人员进行了不少的研究，在智能驾驶领域依旧存在不少问题亟待解决[2，3]。

本文通过总结分析并归类智能车辆行为决策的相关方法，将现有方法归类为基于有限状态机的智能驾驶行为决策系统、基于学习算法的智能驾驶行为决策系统及其他类型的智能驾驶行为决策系统。结合分析结果，提出智能车辆行为决策系统未来的发展趋势，为决策方法的设计与完善提供一定的帮助。

1  基于有限状态机的智能驾驶行为决策系统

有限状态机作为系统不同状态之间进行转移和动作触发的可靠数学模型，为智能车辆行为决策系统的设计提供了新的方向[4，5]。基于有限状态机，不同学者提出了不同的智能驾驶行为决策方法。

熊光明等针对道路交叉口场景，利用有限状态机理论，构建了交叉口其他车辆的行为模型。该有限状态机模型准确预测了其他车辆的驾驶行为[6]。结合有限状态机理论，熊璐等设计了差动转向无人车的控制策略，实现了无人车辆不同驾驶行为间的有效切换，保证了车辆行驶的安全性[7]。为了保证无人车辆在车辆跟随，制动避障等不同驾驶场景下的可靠性，冯关明等结合有限状态机理论及模糊控制理论，设计研发了适用于智能驾驶的汽车自适应巡航控制系统[8]。冀杰等归纳分析了包括车道保持及换道、车辆跟随等在内的无人车典型驾驶行为，构建了不同驾驶行为的有限状态机模型，并利用危险势能场理论设计触发动作来实现各驾驶行为间的状态转移[9]。

因此，基于有限状态机构建无人驾驶车辆的行为决策系统不仅可以较好地实现车道保持、车辆跟随等简单驾驶行为，也可以完成路口驾驶等复杂驾驶场景。利用有限状态机，技术人员可以对智能驾驶行为决策系统进行较为直观的建模，易于实施。但有限状态机理论在智能驾驶领域的运用与推广还存在以下问题：

（1）智能驾驶场景的复杂性与多变性增加了有限状态机的建模难度。同时，智能驾驶所面对的场景越复杂，所需考虑的状态数也会逐渐增加，可能会使状态机决策系统过于庞大，降低系统的决策效率与可靠性;

（2）各驾驶场景间所存在的“模糊地带”，使得状态间跳转规则的制定较为困难，例如：当车辆检测到前方有行人，但尚有足够躲避空间时，是继续行驶，还是停车等待，难以决策。显然，跳转规则的不清晰不利于无人车辆输出及时、可靠的驾驶行为，在一定程度上降低了无人驾驶的安全性。

2  基于学习算法的智能驾驶行为决策系统

随着人工智能的快速兴起与发展，各种算法亦愈发成熟，为智能驾驶的行为决策系统的设计与研发提供了新的思路[10]。基于各类学习算法模型，不同学者提出了不同的智能驾驶行为决策系统构建方法。

Mobileye利用增强学习来强化智能驾驶策略的学习，提升了智能驾驶决策过程的可靠性[11]。刘春明等通过构建车辆的14自由度模型，采取强增学习理论，对大量的仿真数据进行归纳分析，得出智能驾驶车辆的行为决策模型[12]。Bojarski等基于卷积神经网络，通过构建输入图像到相应控制指令的映射关系，实现智能驾驶的行为决策[13]。陈雪梅等通过分析所采集的多位驾驶员的真实行驶行为数据，构建相应的行为规则库，为智能驾驶行为决策的学习提供知识库，并基于此方法较好地实现了车辆的换道行为[5]。Oliver等基于无人车辆所感知的车辆自身信息、其他车辆信息、行人信息等原始信息，通过构建车辆的隐马尔科夫模型，实现智能驾驶行为的自主决策，且决策的可靠性较高[14]。

基于學习算法，工程人员可以覆盖较为广泛的智能驾驶场景，提高智能驾驶行为决策的可靠性与准确性。同时，场景的广泛覆盖也降低了不同场景之间转换的模糊程度，提高了决策过程的可行性。但学习算法在智能驾驶的运用与进一步推广还存在以下问题：

（1）智能驾驶场景数目较多，意味着必须要通过积累大量的样本数据来支撑相应的学习行为。同时，如何从样本数据中提取有效数据或高质量数据，亦是工程人员所需解决的问题。样本数据的有效性不足，将会降低智能驾驶行为决策系统的可靠性;

（2）通过学习算法，工程人员将智能驾驶行为决策流程映射到网络结构中。如何优化相应的网络结构，配置合适的学习权重参数以不断改进学习效果，也是需要解决的关键问题。

3  其他智能驾驶行为决策系统

除了上述方法，一些学者也提出了一些其他的智能驾驶行为决策系统构建方法。

陈佳佳基于分层有限状态机方法构建了智能驾驶的行为决策系统，并以真实驾驶员的驾驶行为为标准，提出了全新的决策模型[1]。Vacek等通过构建覆盖不同驾驶场景的案例库，通过推理得出案例库中与当前驾驶场景的案例，采取与案例场景相同的相应驾驶行为。同时，通过实际运用并对案例进行调整完善[15]。杜明博等自顶向下构建了智能驾驶的行为决策树，通过驾驶行为属性寻找相应的驾驶动作[16]。耿新力基于驾驶员的驾驶意图，对他车意图进行判断，提升行为决策的可靠性[17]。Furdad等对动作的属性值赋予一定权重，计算各动作的效用值，并比较得出适用于当前场景的最佳驾驶动作[18]。

4  结  论

通过对现有智能驾驶行为决策系统构建方法的比较分析及各方法所需解决关键问题的提出，智能驾驶行为决策系统的发展趋势可进行如下归纳分析：

（1）有限状态机的场景分析逻辑清晰，构建方法易于实施，但各场景间存在的逻辑“灰色地带”限制了该方法的进一步推广及运用。因此，为了提高方法的可靠性，可在有限状态机决策模型中进一步融入学习算法，提升对各驾驶场景遍历的深度，消除“灰色地带”，拓宽方法的运用空间。

（2）随着多传感器融合技术、信息过滤技术等相关技术的发展以及各类算法模型的日渐成熟，智能驾驶行为决策过程中所能获取的环境信息、其他交通参与者信息及自车状态信息将会更加全面、更加有效可靠;同时，对有效信息的提取亦会更加快速、高效。这也意味着基于学习算法的决策模型将会在智能驾驶决策系统的设计中得到更加广泛的运用。

（3）智能驾驶行为决策系统在达到一定的可靠性后，在不同驾驶场景中应更加人性化，即将用户体验作为一项评价指标来选择符合当前场景的驾驶动作。例如：在制动场景中，无人车辆要在保障制动安全性的前提下，提升制动过程的平缓性，保证用户的乘车舒适性。

参考文献：

[1] 陈佳佳.城市环境下无人驾驶车辆决策系统研究 [D].合肥：中国科学技术大学，2014.

[2] KATRAKAZAS C，QUDDUS M，CHEN W H，et al. Real-time motion planning methods for autonomous on-road driving：State-of-the-art and future research directions [J]. Transportation Research Part C：Emerging Technologies，2015（60）：416-442.

[3] OKUMURA B ，JAMES M R ，KANZAWA Y ，et al. Challenges in perception and decision making for intelligent automotivevehicles：a case study [J].IEEE Transactions on Intelligent Vehicles，2016，1（1）：20-32.

[4] KURT A，ÖZGÜNER Ü.Hierarchical finite state machines for autonomous mobile systems [J]. Control Engineering Practice，2013，21（2）：184-194.

[5] 陈雪梅，田赓，苗一松，等.城市环境下无人驾驶车辆驾驶规则获取及决策算法 [J].北京理工大学学报，2017，37（5）：491-496.

[6] 熊光明，李勇，王诗源.基于有限状态机的智能车辆交叉口行为预测与控制 [J].北京理工大学学报，2015，35（1）：34-38.

[7] 熊璐，黄少帅，王龙祥，等.基于有限状态机的差动转向无人车整车控制策略设计 [J].制造业自动化，2015，37（19）：146-152.

[8] 冯关明，胡大宏，吴壮文.基于FSM理论的模糊自适应控制汽车巡航系统仿真与设计 [J].机械科学与技术，2012，31（3）：446-451.

[9] 冀杰，黄岩军，李云伍，等.基于有限状态机的车辆自动驾驶行为决策分析 [J].汽车技术，2018（12）：1-7.

[10] You Y R，Pan X L，Wang Z Y，et al. Virtual to real reinforcement learning for autonomous driving [J/OL].arXiv：1704.03952 [cs.AI]（2017-04-13）. https：//arxiv.org/abs/1704.03952.

[11] SHALEV-SHWARTZ S，SHAMMAH S，SHASHUA A. Safe，multi-agent，reinforcement learning for autonomous driving [J/OL].arXiv：1610.03295 [cs.AI]（2016-10-11）. https：//arxiv.org/abs/1610.03295v1.

[12] ZHENG R，LIU C，GUO Q. A decision-making method for autonomous vehicles based on simulation and reinforcement learning [C]//2013 International Conference on Machine Learning and Cybernetics.IEEE，2013.

[13] BOJARSKI M，DEL TESTA D，DWORAKOWSKI D，et al. End to end learning for self-driving cars [J/OL]. arXiv：1604.07316 [cs.CV]（2016-04-25）. https：//arxiv.org/abs/1604.07316.

[14] OLIVER N，PENTLAND AP. Graphical models for driver behavior recognition in a SmartCar [C]// Intelligent Vehicles Symposium，2000. IV 2000. Proceedings of the IEEE. S.l.：s.n.，2000：7-12.

[15] VACEK S，GINDELE T，ZOLLNER J M，et al. Using case-based reasoning for autonomous vehicle guidance [C]//2007 IEEE/RSJ International Conference on Intelligent Robots and Systems. IEEE，2007.

[16] 杜明博.基于人类驾驶行为的无人驾驶车辆行為决策与运动规划方法研究 [D].合肥：中国科学技术大学，2016.

[17] 耿新力.城区不确定环境下无人驾驶车辆行为决策方法研究 [D].合肥：中国科学技术大学，2017.

[18] FURDA A，VLACIC L. Enabling Safe Autonomous Driving in Real-World City Traffic Using Multiple Criteria Decision Making [J].IEEE INTELLIGENT TRANSPORTATION SYSTEMS MAGAZINE，2011，3（1）：4-17.

作者简介：赵志成（1985.09-），男，汉族，天津人，高级工程师，工学学士，研究方向：智能网联汽车。