本發(fā)明涉及交通領(lǐng)域，特別涉及一種自動駕駛公交車輛的駕駛行為決策系統(tǒng)。

背景技術(shù)：

隨著目前全球交通事故多發(fā)率的不斷增長，交通安全和交通擁堵問題日益嚴(yán)峻。根據(jù)相關(guān)統(tǒng)計數(shù)據(jù)表明，道路交通事故每年造成全世界約130萬人直接死亡，約3500萬人受傷，造成直接經(jīng)濟損失數(shù)千億美元。其中我國尤為嚴(yán)重，平均每年發(fā)生道路交通事故多達20余萬起，死亡人數(shù)約為7萬人，換句話說也就是每天大約近200人死于道路交通事故。另外，隨著近年來社會經(jīng)濟的飛速發(fā)展和人們生活水平的不斷提高，使得我國汽車保有量逐年遞増。根據(jù)公安部交管局最新公布數(shù)據(jù)，截至2015年底，我國機動車保有量達2.79億輛，其中汽車1.72億輛；機動車駕駛?cè)送黄?.2億人，其中汽車駕駛?cè)似疬^2.8億人。駕齡不滿1年的駕駛?cè)?613萬，占總數(shù)的11.04％。這些都給我國道路交通安全和道路交通環(huán)境帶來了巨大的壓力?，F(xiàn)有的交通設(shè)施及道路條件已經(jīng)無法滿足快速膨脹的交通需求，交通擁堵、交通事故和交通污染等社會化問題日益凸顯。在此背景下，自動駕駛技術(shù)得到了世界各方的格外關(guān)注，目前也已經(jīng)成為國內(nèi)外研究的熱點。

另外，根據(jù)美國公共交通協(xié)會提供的數(shù)據(jù)，紐約交通運輸管理局平均每個工作日要記錄超過250萬趟公交車出行，在洛杉磯，平均每天也管理著超過100萬趟公交車出行。作為城市公共交通系統(tǒng)重要一部分，公交車緊密地將乘客與其工作、上學(xué)和購物聯(lián)系起來。自動駕駛公交的出現(xiàn)可提升主要道路的通行能力，緩解部分地區(qū)承受的巨大壓力的上下班交通系統(tǒng)，使人們的生活更加便捷和舒適。

自動駕駛的關(guān)鍵問題包括環(huán)境感知、行為決策與運動規(guī)劃以及車輛控制等。駕駛行為決策能力是自動駕駛車輛智能化水平的一個重要體現(xiàn)。自動駕駛車輛的行為決策需要依靠行為決策系統(tǒng)來進行駕駛策略的選擇，根據(jù)當(dāng)前的行駛狀態(tài)、駕駛?cè)蝿?wù)和道路環(huán)境感知信息，對車輛下一時刻的駕駛行為進行決策，并將決策結(jié)果傳遞給運動規(guī)劃系統(tǒng)。目前對于自動駕駛的研究集中在對車輛轉(zhuǎn)向控制、路徑規(guī)劃和交通標(biāo)志檢測和避障上，對于駕駛行為決策的研究非常少。

公開號為cn103996312a，發(fā)明名稱為“具有社會行為交互的無人駕駛汽車控制系統(tǒng)”的專利申請文件中公開了包含通信模塊、信息處理模塊和決策模塊，并考慮了并入車輛時的駕駛行為決策，沒有考慮其他情況的駕駛行為決策，例如十字路口的駕駛行為決策，且沒有對駕駛場景進行分類。

公開號為cn105480224a，發(fā)明名稱為“無人駕駛汽車系統(tǒng)”的專利申請文件中，公開了無人駕駛決策系統(tǒng)通過感知系統(tǒng)感知周圍環(huán)境信息傳遞給決策系統(tǒng)做決策。感知系統(tǒng)感知車道線、交通標(biāo)志、靜態(tài)和動態(tài)環(huán)境以及周圍行人和車輛。沒有考慮駕駛場景和對駕駛場景分類；且沒有具體的決策模型。

自動駕駛車輛研究的核心問題包括環(huán)境感知、行為決策和運動控制。針對環(huán)境感知和運動控制，各國研究學(xué)者和專家進行了大量而有成效的研究。而作為三大關(guān)鍵問題之一的行為決策方面的研究，尤其是復(fù)雜動態(tài)環(huán)境下具備仿生認(rèn)知決策能力的相關(guān)研究較少。原因在于，實際城市道路環(huán)境中，自動駕駛車輛所感知獲取的是瞬息萬變的復(fù)雜動態(tài)信息，交通要素變化的復(fù)雜、隨機和不確定性等特點，以及車輛對駕駛決策的實時性、魯棒性、環(huán)境適應(yīng)性等要求，復(fù)雜動態(tài)城市環(huán)境下自動駕駛車輛的行為決策面臨巨大的挑戰(zhàn)。

自動駕駛車輛駕駛行為決策的最終目標(biāo)是像熟練的駕駛員一樣產(chǎn)生安全、合理的駕駛行為。人類的駕駛行為模式包括自由行駛、跟車、車道變換、超車和停止線停車等基本行為。在城區(qū)復(fù)雜環(huán)境中，交通參與者眾多，自動駕駛車輛不斷從車外自然環(huán)境、交通環(huán)境、車內(nèi)復(fù)雜信息空間、車體本身獲取有關(guān)人、車、路及環(huán)境等多源信息，如何從這些數(shù)據(jù)中提取出關(guān)鍵信息，并像駕駛員一樣通過這些信息思考判斷、評價和輸出最終的駕駛行為，仍然是一個難點。到目前為止，在城區(qū)環(huán)境中自動駕駛車輛行為決策方法的研究仍然集中在簡單交通環(huán)境下或特定受控場景中。

技術(shù)實現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題在于，針對現(xiàn)有技術(shù)的上述缺陷，提供一種能提高自動駕駛公交車輛的駕駛安全、有效降低交通事故發(fā)生的概率的一種自動駕駛公交車輛的駕駛行為決策系統(tǒng)。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：構(gòu)造一種自動駕駛公交車輛的駕駛行為決策系統(tǒng)，包括外部環(huán)境感知模塊和設(shè)置在工控機內(nèi)的信息融合處理模塊、駕駛場景判定模塊和駕駛行為決策模塊，所述外部環(huán)境感知模塊包括視覺傳感器、激光雷達、毫米波雷達、gps定位模塊和高精度地圖，所述高精度地圖存儲在所述工控機的內(nèi)存中；所述駕駛場景判定模塊采用有限狀態(tài)機模型，所述駕駛行為決策模塊采用基于id3決策樹的駕駛行為判斷決策模型；

所述視覺傳感器進行紅綠燈檢測、車道線檢測、道路標(biāo)示牌檢測和車輛識別，并將檢測的視覺信息通過無線通信方式傳送到所述信息融合處理模塊，所述激光雷達對自動駕駛公交車輛的車身的周圍環(huán)境進行三維建模，并將建模信息通過無線通信方式傳送到所述信息融合處理模塊，所述毫米波雷達實時檢測自動駕駛公交車輛周圍障礙物的動態(tài)信息，并將所述動態(tài)信息通過無線通信方式傳送到所述信息融合處理模塊，所述gps定位模塊對所述自動駕駛公交車輛進行定位，并將定位信息通過無線通信方式傳送到所述信息融合處理模塊；

所述信息融合處理模塊對所述視覺信息、建模信息、動態(tài)信息、定位信息和所述高精度地圖的道路信息進行融合處理，并將融合處理后的信息分別發(fā)送到所述駕駛場景判定模塊和所述駕駛行為決策模塊，所述駕駛場景判定模塊根據(jù)所述融合處理后的信息判定所述自動駕駛公交車輛所處的駕駛場景，并將所述駕駛場景發(fā)送到所述駕駛行為決策模塊，所述駕駛行為決策模塊根據(jù)所述駕駛場景實時決策出符合交通規(guī)則的駕駛行為。

在本發(fā)明所述的一種自動駕駛公交車輛的駕駛行為決策系統(tǒng)中，所述信息融合處理為將所述視覺信息、建模信息、動態(tài)信息、定位信息和所述高精度地圖的道路信息統(tǒng)一到一個三維坐標(biāo)中。

在本發(fā)明所述的一種自動駕駛公交車輛的駕駛行為決策系統(tǒng)中，所述駕駛場景包括路上、預(yù)路口、路口和u型轉(zhuǎn)彎。

在本發(fā)明所述的一種自動駕駛公交車輛的駕駛行為決策系統(tǒng)中，所述有限狀態(tài)機模型由有限狀態(tài)集合、輸入集合和狀態(tài)轉(zhuǎn)移規(guī)則集合組成，所述有限狀態(tài)集合用于表示自動駕駛公交車輛的不同狀態(tài)，所述輸入集合表示所述自動駕駛公交車輛接收的不同輸入信息，所述狀態(tài)轉(zhuǎn)移規(guī)則集合是指能引起所述自動駕駛公交車輛狀態(tài)轉(zhuǎn)換的觸發(fā)事件的集合，所述有限狀態(tài)機模型通過觸發(fā)事件和狀態(tài)轉(zhuǎn)移來表述所述自動駕駛公交車輛的駕駛場景轉(zhuǎn)換。

在本發(fā)明所述的一種自動駕駛公交車輛的駕駛行為決策系統(tǒng)中，所述駕駛場景的狀態(tài)轉(zhuǎn)移的觸發(fā)事件包括第一觸發(fā)事件、第二觸發(fā)事件、第三觸發(fā)事件、第四觸發(fā)事件、第五觸發(fā)事件和第六觸發(fā)事件，所述第一觸發(fā)事件為基于自動駕駛公交車輛運動方向，所述自動駕駛公交車輛與下一個路口入口點的垂直距離大于100m；所述第二觸發(fā)事件為基于自動駕駛公交車輛運動方向，所述自動駕駛公交車輛距離下一個路口入口點垂直距離大于0m小于100m；所述第三觸發(fā)事件為基于自動駕駛公交車輛運動方向，所述自動駕駛公交車輛距離路口入口點垂直距離小于0m；所述第四觸發(fā)事件為基于自動駕駛公交車輛運動反方向，所述自動駕駛公交車輛距離路口出口點垂直距離大于0m；所述第五觸發(fā)事件為路網(wǎng)下一任務(wù)點屬性為u型轉(zhuǎn)彎場景，且基于自動駕駛公交車輛運動方向，所述自動駕駛公交車輛與u型轉(zhuǎn)彎入口點垂直距離小于100m；所述第六觸發(fā)事件為基于自動駕駛公交車輛運動反方向，所述自動駕駛公交車輛距離u型轉(zhuǎn)彎出口點垂直距離大于0m且車頭方向與下一段道路方向夾角小于10度。

在本發(fā)明所述的一種自動駕駛公交車輛的駕駛行為決策系統(tǒng)中，在建立所述基于id3決策樹的駕駛行為判斷決策模型時，首先確定自動駕駛公交行為決策模型的條件屬性和決策屬性，采用灰關(guān)聯(lián)熵法進行條件屬性影響度排序，構(gòu)建駕駛行為決策樹并提取出對應(yīng)的決策規(guī)則，然后根據(jù)實時獲取的駕駛環(huán)境信息，基于產(chǎn)生式規(guī)則推理出駕駛行為決策結(jié)果；所述自動駕駛公交行為決策的條件屬性包括本車速度、本車加速度、車輛位置、距離其他車輛橫/縱向距離、安全車距、其他車車速和交通標(biāo)志/信號，所述自動駕駛公交行為決策的決策屬性包括變換車道、加速行駛、車道保持、減速行駛和勻速行駛。

在本發(fā)明所述的一種自動駕駛公交車輛的駕駛行為決策系統(tǒng)中，所述基于id3決策樹的駕駛行為判斷決策模型包括交叉路口駕駛場景下的駕駛行為決策模型、預(yù)路口駕駛場景下的駕駛行為決策模型、路上駕駛場景下的駕駛行為決策模型和u型轉(zhuǎn)彎駕駛場景下的駕駛行為決策模型。

在本發(fā)明所述的一種自動駕駛公交車輛的駕駛行為決策系統(tǒng)中，所述交叉路口駕駛場景下的駕駛行為決策模型的條件屬性包括所述自動駕駛公交車輛的車速、干擾車的車速、所述自動駕駛公交車輛的加速度、紅綠燈信號、所述自動駕駛公交車輛距路口入口停車線的距離、所述自動駕駛公交車輛距干擾車縱向的距離、所述自動駕駛公交車輛距干擾車橫向的距離以及碰撞預(yù)測時間；所述交叉路口駕駛場景下的駕駛行為決策模型的決策屬性包括加速行駛、勻速行駛、減速行駛和停車讓行。

在本發(fā)明所述的一種自動駕駛公交車輛的駕駛行為決策系統(tǒng)中，所述預(yù)路口駕駛場景下的駕駛行為決策模型的條件屬性包括所述自動駕駛公交車輛的車速、所述自動駕駛公交車輛的加速度、所述自動駕駛公交車輛當(dāng)前所在車道與期望所在車道是否一致、所述自動駕駛公交車輛與同車道相鄰前車的距離、所述自動駕駛公交車輛與相鄰車道側(cè)方前車的距離、碰撞預(yù)測時間以及紅綠燈信號；所述預(yù)路口駕駛場景下的駕駛行為決策模型的決策屬性包括變換車道、加速行駛、減速行駛和勻速行駛。

在本發(fā)明所述的一種自動駕駛公交車輛的駕駛行為決策系統(tǒng)中，所述路上駕駛場景下的駕駛行為決策模型的條件屬性包括所述自動駕駛公交車輛當(dāng)前車速與期望車速之差、所述自動駕駛公交車輛當(dāng)前所在車道與期望所在車道是否一致、所述自動駕駛公交車輛當(dāng)前車速與同車道相鄰前車車速之差、所述自動駕駛公交車輛與同車道相鄰前車安全距離與實際距離之差、所述自動駕駛公交車輛與相鄰車道側(cè)方前車安全距離與實際距離之差；所述路上駕駛場景下的駕駛行為決策模型的決策屬性包括車道保持、勻速跟馳、加速跟馳、減速跟馳和變換車道。

在本發(fā)明所述的一種自動駕駛公交車輛的駕駛行為決策系統(tǒng)中，所述u型轉(zhuǎn)彎駕駛場景下的駕駛行為決策模型的條件屬性包括彎道寬度、彎道半徑、所述自動駕駛公交車輛距離障礙物的縱向距離、所述自動駕駛公交車輛距離障礙物的橫向距離以及碰撞預(yù)測時間；所述u型轉(zhuǎn)彎駕駛場景下的駕駛行為決策模型的決策屬性為滿足u型轉(zhuǎn)彎和不滿足u型轉(zhuǎn)彎。

實施本發(fā)明的一種自動駕駛公交車輛的駕駛行為決策系統(tǒng)，具有以下有益效果：由于使用外部環(huán)境感知模塊和設(shè)置在工控機內(nèi)的融合處理模塊、駕駛場景判定模塊和駕駛行為決策模塊，外部環(huán)境感知模塊包括視覺傳感器、激光雷達、毫米波雷達、gps定位模塊和高精度地圖；駕駛場景判定模塊采用有限狀態(tài)機模型，駕駛行為決策模塊采用基于id3決策樹的駕駛行為判斷決策模型；通過多種傳感器感知外部環(huán)境信息，通過信息融合處理模塊對感知的環(huán)境信息進行融合處理，駕駛場景判定模塊判定當(dāng)前自動駕駛公交車輛所處的駕駛場景，最后通過駕駛行為決策模塊實時決策出符合交通規(guī)則的駕駛行為，通過判定駕駛場景后決策駕駛行為，因此能提高自動駕駛公交車輛的駕駛安全、有效降低交通事故發(fā)生的概率。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明自動駕駛公交車輛的駕駛行為決策系統(tǒng)一個實施例中的結(jié)構(gòu)示意圖；

圖2為所述實施例中駕駛場景轉(zhuǎn)換示意圖；

圖3為所述實施例中基于id3決策樹的駕駛行為判斷決策模型的示意圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

在本發(fā)明一種自動駕駛公交車輛的駕駛行為決策系統(tǒng)實施例中，該自動駕駛公交車輛的駕駛行為決策系統(tǒng)的結(jié)構(gòu)示意圖如圖1所示。圖1中，該自動駕駛公交車輛的駕駛行為決策系統(tǒng)包括外部環(huán)境感知模塊1和設(shè)置在工控機內(nèi)的融合處理模塊2、駕駛場景判定模塊3和駕駛行為決策模塊4，外部環(huán)境感知模塊1利用多傳感器獲取車身周圍環(huán)境信息，并將其傳送到工控機。

具體的，外部環(huán)境感知模塊1包括視覺傳感器11、激光雷達12、毫米波雷達13、gps定位模塊14和高精度地圖15，視覺傳感器11采用雙目攝像頭，視覺傳感器11進行紅綠燈檢測、車道線檢測、道路標(biāo)示牌檢測和車輛識別，并將檢測的視覺信息通過無線通信方式傳送到信息融合處理模塊2，激光雷達12對自動駕駛公交車輛的車身的周圍環(huán)境進行三維建模，并將建模信息通過無線通信方式傳送到信息融合處理模塊2，毫米波雷達13實時檢測自動駕駛公交車輛周圍障礙物的動態(tài)信息，例如前車的速度和行駛方向，并將動態(tài)信息通過無線通信方式傳送到信息融合處理模塊2，gps定位模塊14為高精度gps定位模塊，對自動駕駛公交車輛進行定位，并將定位信息通過無線通信方式傳送到信息融合處理模塊2，其定位精度達到厘米級。

高精度地圖15存儲在工控機的內(nèi)存中，高精度地圖15的定位精度達到亞米級，此外高精度地圖15中還存放車道數(shù)量、車道寬度、道路曲率、坡度、限制速度和推薦行駛速度等信息。

本實施例中，信息融合處理模塊2對上述視覺信息、建模信息、動態(tài)信息、定位信息和高精度地圖的道路信息進行融合處理，即將上述視覺信息、建模信息、動態(tài)信息、定位信息和高精度地圖的道路信息統(tǒng)一到一個三維坐標(biāo)中，然后將融合處理后的信息分別發(fā)送到駕駛場景判定模塊3和駕駛行為決策模塊4，為駕駛行為決策提供完整統(tǒng)一的信息。駕駛場景判定模塊3根據(jù)融合處理后的信息判定自動駕駛公交車輛所處的駕駛場景，并將駕駛場景發(fā)送到駕駛行為決策模塊4，駕駛行為決策模塊4根據(jù)駕駛場景實時決策出符合交通規(guī)則的駕駛行為。

本實施例中，駕駛場景包括路上、預(yù)路口、路口和u型轉(zhuǎn)彎。駕駛場景判定模塊3采用有限狀態(tài)機模型，駕駛場景的判別采用有限狀態(tài)機模型，針對不同的駕駛場景采取不同的駕駛行為決策策略，駕駛行為決策模塊4采用基于id3決策樹的駕駛行為判斷決策模型。

本發(fā)明通過多種傳感器感知外部環(huán)境信息，再對感知的環(huán)境信息進行融合處理，判定當(dāng)前公交車輛所處的駕駛場景，最后實時決策符合交通規(guī)則的駕駛行為，因此能提高自動駕駛公交車輛的駕駛安全、有效降低交通事故發(fā)生的概率。

本實施例中，有限狀態(tài)機模型由有限狀態(tài)集合、輸入集合和狀態(tài)轉(zhuǎn)移規(guī)則集合組成，有限狀態(tài)集合用于表示自動駕駛公交車輛的不同狀態(tài)，輸入集合表示自動駕駛公交車輛接收的不同輸入信息，狀態(tài)轉(zhuǎn)移規(guī)則集合是指能引起自動駕駛公交車輛狀態(tài)轉(zhuǎn)換的觸發(fā)事件的集合，

標(biāo)準(zhǔn)的有限狀態(tài)機m是一個五元組：

式中，q為有限狀態(tài)機的所有狀態(tài)集合，q＝{q0，q1，q2，...，qn}；￡為對象接收的所有輸入的集合，即引起對象轉(zhuǎn)換的所有事件集合；δ為狀態(tài)轉(zhuǎn)移函數(shù)，δ：q×￡→q；q0為對象初始狀態(tài)，q0∈q；f為對象終止?fàn)顟B(tài)集合，f∈q。

有限狀態(tài)機模型通過觸發(fā)事件和狀態(tài)轉(zhuǎn)移來表述自動駕駛公交車輛的駕駛場景轉(zhuǎn)換。如果自動駕駛公交車輛當(dāng)前處于qi∈q，當(dāng)前輸入觸發(fā)事件為ti∈￡,那么自動駕駛公交車輛會根據(jù)狀態(tài)轉(zhuǎn)移函數(shù)δ轉(zhuǎn)移到另一個狀態(tài)qj∈q。

圖2為本實施例中駕駛場景轉(zhuǎn)換示意圖，本實施例中，駕駛場景的狀態(tài)轉(zhuǎn)移的觸發(fā)事件包括第一觸發(fā)事件a1、第二觸發(fā)事件a2、第三觸發(fā)事件a3、第四觸發(fā)事件a4、第五觸發(fā)事件a5和第六觸發(fā)事件a6，其中，第一觸發(fā)事件a1為基于自動駕駛公交車輛運動方向，自動駕駛公交與下一個路口入口點的垂直距離大于100m；第二觸發(fā)事件a2為基于自動駕駛公交車輛運動方向，自動駕駛公交車輛距離下一個路口入口點垂直距離大于0m小于100m；第三觸發(fā)事件a3為基于自動駕駛公交車輛運動方向，自動駕駛公交車輛距離路口入口點垂直距離小于0m；第四觸發(fā)事件a4為基于自動駕駛公交車輛運動反方向，自動駕駛公交車輛距離路口出口點垂直距離大于0m；第五觸發(fā)事件a5為路網(wǎng)下一任務(wù)點屬性為u型轉(zhuǎn)彎場景，且基于自動駕駛公交車輛運動方向，自動駕駛公交車輛與u型轉(zhuǎn)彎入口點垂直距離小于100m；第六觸發(fā)事件a6為基于自動駕駛公交車輛運動反方向，自動駕駛公交車輛距離u型轉(zhuǎn)彎出口點垂直距離大于0m且車頭方向與下一段道路方向夾角小于10度。

本實施例中，把決策樹方法引入到該自動駕駛車輛的駕駛行為決策系統(tǒng)中，利用決策樹在知識自動獲取與準(zhǔn)確表達方面所具有的優(yōu)勢，構(gòu)建基于id3決策樹的駕駛行為決策模型，實現(xiàn)對當(dāng)前駕駛環(huán)境實時、準(zhǔn)確的識別和對下一時刻駕駛行為的快速決策。

決策樹是依托決策而建立起來，用以分類和決策的，類似二叉樹或者多叉樹結(jié)構(gòu)。在機器學(xué)習(xí)中，決策樹是一種預(yù)測模型，代表的是一種對象屬性與對象值之間的映射關(guān)系。決策樹主要由內(nèi)部節(jié)點和外部葉子結(jié)點構(gòu)成，其內(nèi)部節(jié)點代表的是訓(xùn)練樣本集中對象屬性的測試，葉結(jié)點則代表一個類或類的分布。其頂點為樹的根節(jié)點，由該根節(jié)點至葉結(jié)點的"路徑"就可以轉(zhuǎn)化為一個相應(yīng)產(chǎn)生式規(guī)則。

id3算法是一種自頂向下、貪婪的搜索方法。它選擇測試屬性的依據(jù)是信息熵的下降速度。也就是說，對于其內(nèi)部節(jié)點，選擇信息増益最大且還沒有用于劃分的屬性作為其進行分枝的依據(jù)。接著不斷重復(fù)迭代，直至得到能對訓(xùn)練樣本集進行分類的決策樹。在決策樹構(gòu)造中，如何選取一個條件屬性作為形成決策樹的節(jié)點是建樹的核心。一般會選擇最能代表訓(xùn)練樣本集不同類別特征的屬性作為其測試屬性。

id3決策樹算法通過對所有決策屬性的信息増益進行求解，算出其中信息増益最大的屬性，并將其作為訓(xùn)練樣本集的測試節(jié)點。在此基礎(chǔ)上，通過對該測試節(jié)點屬性的不同取值得到對應(yīng)的分支節(jié)點，再根據(jù)這些被標(biāo)記了不同屬性的分支節(jié)點分別得到相應(yīng)的分支。

灰關(guān)聯(lián)熵法是在灰關(guān)聯(lián)理論基礎(chǔ)上發(fā)展起來的，由于灰關(guān)聯(lián)是通過逐點計算關(guān)聯(lián)測度值的平均值來進行關(guān)聯(lián)度的求解，所以這種做法在一定程度上會造成個性信息的損失并且存在局部關(guān)聯(lián)的傾向。而灰關(guān)聯(lián)熵法恰好彌補了這一不足，利用信息熵對各個比較列與參考列的相似度進行定量的描述，并對指標(biāo)進行量化處理，完成所有相關(guān)影響因素的排序。

令參考列表示駕駛行為決策時間序列，即決策屬性；比較列表示決策影響因素的時間序列，即決策屬性對應(yīng)的條件屬性。由于各個條件屬性的量化不同，需要對原始數(shù)據(jù)列作初始化數(shù)據(jù)預(yù)處理。

其中為的均值，得到的無量綱參考列為x0＝[x0(1)，x0(2)，...，x0(n)]，比較列為xj＝[xj(1)，xj(2)，...，xj(n)]。

令γjk為各個比較列與參考列之間的灰關(guān)聯(lián)系數(shù)，代表比較列與參考列在各時間段內(nèi)的關(guān)聯(lián)度：

其中，δmin＝minjmink|x0(k)-xj(k)|；δmax＝maxjmaxk|x0(k)-xj(k)|，ρ∈{0，1)為分辨系數(shù)。

為了取得較好的分辨能力，ρ通常遵照下面的取值規(guī)律：

其中，為所有差值絕對值的均值；是均值與最大差值的比值。

以pjk為條件屬性的灰關(guān)聯(lián)熵為：

其中，為灰關(guān)聯(lián)系數(shù)分布映射。

灰關(guān)聯(lián)序列的排序依據(jù)：對于比較列來說，其灰關(guān)聯(lián)熵的值越大，則代表其與參考列的相關(guān)程度越高，關(guān)聯(lián)性越強，也就說明其對參考列的影響越大，那么其所對應(yīng)的條件屬性排名就越靠前。

在建立基于id3決策樹的駕駛行為判斷決策模型時，首先確定自動駕駛公交行為決策模型的條件屬性和決策屬性，自動駕駛公交行為決策的條件屬性包括本車速度、本車加速度、車輛位置、距離其他車輛橫/縱向距離、安全車距、其他車車速和交通標(biāo)志/信號，自動駕駛公交行為決策的決策屬性從車輛行駛方向和行駛速度兩個方面考慮，具體包括變換車道、加速行駛、車道保持、減速行駛和勻速行駛，但u型轉(zhuǎn)彎作為一種基于駕駛?cè)蝿?wù)的特殊駕駛行為考慮。然后采用灰關(guān)聯(lián)熵法進行條件屬性影響度排序，構(gòu)建駕駛行為決策樹，進而提取出對應(yīng)的決策規(guī)則，然后根據(jù)實時獲取的駕駛環(huán)境信息，基于產(chǎn)生式規(guī)則推理出駕駛行為決策結(jié)果，該基于id3決策樹的駕駛行為判斷決策模型的示意圖如圖3所示。

本實施例中，基于id3決策樹的駕駛行為判斷決策模型包括交叉路口駕駛場景下的駕駛行為決策模型、預(yù)路口駕駛場景下的駕駛行為決策模型、路上駕駛場景下的駕駛行為決策模型和u型轉(zhuǎn)彎駕駛場景下的駕駛行為決策模型。

具體的，基于駕駛員在通過交叉路口時所受的環(huán)境因素影響，建立在交叉路口駕駛場景下的駕駛行為決策模型。該交叉路口駕駛場景下的駕駛行為決策模型的條件屬性包括自動駕駛公交車輛的車速、干擾車的車速、自動駕駛公交車輛的加速度、紅綠燈信號、自動駕駛公交車輛距路口入口停車線的距離、自動駕駛公交車輛距干擾車縱向的距離、自動駕駛公交車輛距干擾車橫向的距離以及碰撞預(yù)測時間；該交叉路口駕駛場景下的駕駛行為決策模型的決策屬性包括加速行駛、勻速行駛、減速行駛和停車讓行。

基于駕駛員在預(yù)路口時所受到的環(huán)境因素影響，建立在預(yù)路口駕駛場景下的駕駛行為決策模型。該預(yù)路口駕駛場景下的駕駛行為決策模型的條件屬性包括自動駕駛公交車輛的車速、自動駕駛公交車輛的加速度、自動駕駛公交車輛當(dāng)前所在車道與期望所在車道是否一致、自動駕駛公交車輛與同車道相鄰前車的距離、自動駕駛公交車輛與相鄰車道側(cè)方前車的距離、碰撞預(yù)測時間以及紅綠燈信號；該預(yù)路口駕駛場景下的駕駛行為決策模型的決策屬性包括變換車道、加速行駛、減速行駛和勻速行駛。

基于駕駛員在路上行駛時所受到的環(huán)境因素影響，建立在路上駕駛場景下的駕駛行為決策模型。該路上駕駛場景下的駕駛行為決策模型的條件屬性包括自動駕駛公交車輛當(dāng)前車速與期望車速之差、自動駕駛公交車輛當(dāng)前所在車道與期望所在車道是否一致、自動駕駛公交車輛當(dāng)前車速與同車道相鄰前車車速之差、自動駕駛公交車輛與同車道相鄰前車安全距離與實際距離之差、自動駕駛公交車輛與相鄰車道側(cè)方前車安全距離與實際距離之差；該路上駕駛場景下的駕駛行為決策模型的決策屬性包括車道保持、勻速跟馳、加速跟馳、減速跟馳和變換車道。

u型轉(zhuǎn)彎作為一種特殊的駕駛行為，駕駛員在u行轉(zhuǎn)彎時考慮的更多的是道路環(huán)境是否滿足u型轉(zhuǎn)彎的條件。該u型轉(zhuǎn)彎駕駛場景下的駕駛行為決策模型的條件屬性包括彎道寬度、彎道半徑、自動駕駛公交車輛距離障礙物的縱向距離、自動駕駛公交車輛距離障礙物的橫向距離以及碰撞預(yù)測時間；該u型轉(zhuǎn)彎駕駛場景下的駕駛行為決策模型的決策屬性為滿足u型轉(zhuǎn)彎和不滿足u型轉(zhuǎn)彎。

總之，本發(fā)明通過多傳感器信息的融合，為駕駛行為決策提供更加完整、準(zhǔn)確的環(huán)境信息；將城區(qū)道路的駕駛場景分為路上、預(yù)路口、路口和u型轉(zhuǎn)彎四類，并采用有限狀態(tài)機模型進行駕駛場景的轉(zhuǎn)換；能根據(jù)駕駛場景決策出符合交通規(guī)則的駕駛行為；駕駛行為包括啟動、制動、加速、減速、勻速、轉(zhuǎn)向等六類基礎(chǔ)和共性的。針對具體的駕駛場景衍生出不同形式的駕駛行為，例如路上駕駛場景的駕駛行為可以分為車道保持、加速跟隨、減速跟隨、勻速跟隨和變換車道。駕駛行為決策采用id3決策樹算法構(gòu)建決策模型，采用灰關(guān)聯(lián)熵法對駕駛行為決策模型的條件屬性的灰關(guān)聯(lián)熵進行排序。本發(fā)明通過對駕駛場景進行識別和分類，針對不同的駕駛場景做出對應(yīng)駕駛行為決策；因此能提高自動駕駛公交車輛的駕駛安全，有效地降低交通事故發(fā)生的概率。

以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。