一种考虑不确定性的无人车盲区路口规划方法

1.本发明涉及无人车盲区路口规划技术领域，尤其是涉及一种考虑不确定性的无人车盲区路口规划方法。


背景技术：

2.在高复杂度、高耦合度的城市交通场景中，自动驾驶的轨迹规划问题是研究热点问题。在无灯控交叉路口，由于没有交通信号灯的指示，无人车仅能通过与道路其他交通参与者的交互来选择自车最优动作，而道路其他动态交通参与者的行为意图具有高度的不确定性。此外，周围环境中的障碍物(车辆、建筑物等)可能会遮挡无人车的感知视野。遮挡区域潜在交通参与者的状态无法通过自车感知模块获得，这威胁到无人车的行驶安全。因此，如何在存在视野盲区的情况下规划出安全可靠的自车轨迹，成为无人车规划领域面临的挑战。
3.无灯控交叉路口存在各类不确定性因素，其中一个影响无人车轨迹规划的主要因素是周围车辆的意图不确定性。合理推测可见车辆的意图对于自车的安全行驶至关重要。一些研究为了解决自动驾驶城市对抗场景下的交互式规划问题，结合道路环境信息，利用深度神经网络推测周围车辆的短期驾驶意图和长期驾驶风格，利用部分可观测马尔科夫决策过程选取自车最优行驶策略。基于学习的方法具有天然的拟人特性，但场景迁移性较差，且可解释性不足。另外一些研究将利用逆向规划的方法对无灯控交叉路口处的车辆交互行为进行建模。逆向规划方法具有很强的可解释性，能够较好的保证路口通行的安全性。
4.以上研究仅考虑了可见车辆的意图不确定性，但没有考虑交叉路口处可能存在的遮挡因素的影响。基于可达集的方法不再试图推理盲区可能的交通状况，而是根据交通规则和动力学模型建立自车可达集，便以应对高动态高密度的交通场景，但易于提供过于保守的动作策略。深度学习方法可以端到端地推理盲区可能的交通情况，但数据驱动的深度神经网络是一个黑盒模型，无法保证安全性能。
5.针对无信号灯交叉路口的规划问题，现有的大多数方法都仅对盲区潜在障碍物不确定性或可见车辆意图不确定性之一进行估计，并往往考虑最坏情况。然而，在真实的交叉路口场景，车辆间的交互行为是高度耦合的，蕴含着大量可用信息。
6.现有技术没有有效利用车辆间的交互行为进行路口规划，其规划的结果不够准确。


技术实现要素：

7.本发明的目的就是为了克服上述现有技术存在的缺陷而提供了一种拟人化程度高、安全性好、通行效率高的考虑不确定性的无人车盲区路口规划方法。
8.本发明的目的可以通过以下技术方案来实现：
9.本发明给出了一种考虑不确定性的无人车盲区路口规划方法，其特征在于，该方法包括以下步骤：
10.步骤1、构建考虑驾驶员主观意识的盲区潜在交通参与者模型；
11.步骤2、构建不确定性估计器，针对盲区不确定性和可见车辆意图不确定性进行联合推理，生成不确定因素的概率分布；
12.步骤3、将不确定因素估计结果输入基于部分可观测马尔科夫模型的纵向速度规划器，获得无人车在无灯控盲区路口通行时的最优动作策略。
13.优选地，所述步骤1中考虑驾驶员主观意识的盲区潜在交通参与者模型，构建过程包括以下子步骤：
14.步骤1-1：根据当前视野边界和预设盲区边界确定风险区域，在风险区域内配置幻影车辆；
15.步骤1-2：基于风险碰撞理论，构建幻影车辆的纵向速度模型。
16.优选地，所述步骤1-1中在风险区域内配置幻影车辆，具体为：
17.在风险区域内沿车道中心线按照均匀分布配置有限辆盲区幻影车辆，并在视野边界额外配置1辆幻影车辆以考虑最坏情况；
18.认为幻影车辆以车道中心线为路径，沿路径行驶，则t时刻的幻影车辆集合为：
[0019][0020]
式中，ψ为盲区边界的位置；表示第i辆幻影车辆的配置，表达式为其中，为幻影车辆的位置；为幻影车辆的纵向速度；是一个布尔值，代表幻影车辆的存在状态。
[0021]
优选地，所述步骤1-2中幻影车辆的纵向速度模型，具体为：
[0022][0023]
式中，v为幻影车辆的纵向速度函数；为道路车辆平均行驶速度，可由交通流数据获得；kd为风险碰撞参数，与幻影车辆到路口的距离v有关，定义为：
[0024][0025]
其中，ζ
safe
为预定义的安全距离；λ∈(0,1)为驾驶员注意力参数。
[0026]
优选地，所述步骤2包括以下子步骤：
[0027]
步骤2-1、构建评价车辆行驶轨迹的代价函数；
[0028]
步骤2-2、构建基于a*算法的理性驾驶员模型；
[0029]
步骤2-3、比较不同交通情况配置下，可见车辆的理性驾驶轨迹和真实历史轨迹的代价函数差异，得到可见车辆历史轨迹观测值对应的交通情况配置的似然估计；
[0030]
步骤2-4、根据贝叶斯法则，得到可见车辆意图和盲区交通状况配置的概率分布。
[0031]
优选地，所述步骤2-3具体为：
[0032]
交通情况配置包括可见车辆意图和盲区潜在交通情况；
[0033]
将不同交通情况配置下可见车辆的理性驾驶轨迹和真实历史轨迹的代价函数差异参数化为玻尔兹曼分布，可见车辆历史轨迹观测值对应的交通情况配置的似然估计为：
[0034]
[0035]
其中，gi为可见车辆的意图配置；zk为盲区交通情况配置；为可见车辆从初始时刻到t时刻的历史轨迹观测值；β为玻尔兹曼分布的温度系数；cost(
·
)函数为步骤2-1中构建的代价函数；为可见车辆在交通情况配置zk下从初始时刻到t时刻的理性行驶轨迹。
[0036]
优选地，所述步骤2-4具体为：
[0037]
盲区交通情况配置的概率分布：
[0038][0039]
其中，μ1为归一化因子；p(gi)为可见车辆意图的先验概率分布；p(zk)为盲区交通情况配置的概率分布；l(
·
)为可见车辆历史轨迹观测值对应的交通情况配置的似然估计；
[0040]
可见车辆意图的概率分布：
[0041][0042]
其中，μ2为归一化因子。
[0043]
优选地，所述步骤3包括以下子步骤：
[0044]
步骤3-1、构建无灯控交叉路口处的部分可观测马尔科夫模型，并确定模型的状态空间和观测空间；
[0045]
步骤3-2、融合不确定因素估计结果，确定模型的初始置信和转移函数；
[0046]
步骤3-3、确定模型的动作空间；
[0047]
步骤3-4、确定模型的奖励函数，表达式为：
[0048]
r＝rs+rv+ra+rc[0049]
其中，rs为无人车与目标点之间距离的奖励函数，rv为无人车速度与参考速度之间差异的奖励函数，ra为无人车舒适度奖励函数，rc为避免发生碰撞的奖励函数；
[0050]
步骤3-5、通过蒙特卡洛搜索树方法对马尔科夫模型进行在线求解，根据奖励函数实时选择最优动作策略。
[0051]
优选地，所述步骤3-1具体为：
[0052]
状态空间s：
[0053]
s＝{s
ε
,si,
…
,gi,
…
,z}
[0054]
式中，s
ε
为自车状态，表达式为：s
ε
＝[p
ε
,v
ε
,r
ε
]
t
，其中，p
ε
＝[x
ε
,y
ε
]
t
为自车位置坐标，v
ε
为自车速度，r
ε
为自车参考路径；si为第i辆可见车辆状态，表达式为：si＝[pi,vi]
t
，其中，pi＝[xi,yi]
t
为可见车辆位置坐标，v
ε
为可见车辆速度；z为盲区交通情况配置；g为可见车辆意图配置
[0055]
观测空间o为传感器可直接观测的状态量集合：
[0056]
o＝{o
ε
,oi,
…
}
[0057]
式中，o
ε
、oi分别为传感器可直接观测的自车状态空间、传感器可直接观测的可见车辆状态空间。
[0058]
优选地，所述步骤3-2具体为：
[0059]
将步骤2中的不确定性估计结果分别作为可见车辆意图和盲区交通情况配置的初始置信；将步骤1所述的考虑驾驶员主观意识的盲区交通状况模型和步骤s2-2中的理性驾驶员模型作为状态转移函数。
[0060]
与现有技术相比，本发明具有以下优点：
[0061]
1)拟人化程度高：综合分析车辆间的交互行为，充分利用可见车辆的历史观测行为蕴含的信息，对无灯控交叉路口的交通情况进行理解和估计，针对可见车辆意图不确定性和盲区潜在交通状况不确定性进行联合推理，提供拟人化的推理结果；
[0062]
2)通行效率高：大多现有方法针对不确定性仅考虑最坏情况，易于提供过于保守的策略选择，本发明中的无人车轨迹规划方法融合了不确定性推理结果，能够在保证安全的情况下，有效提升无人车在交叉路口处的通行效率。
附图说明
[0063]
图1为本发明的方法流程图；
[0064]
图2为考虑不确定性的无人车盲区路口规划方法框架图；
[0065]
图3为本发明实施例中交通场景表示图；
[0066]
其中，右侧车辆为无人车，左侧车辆为可见车辆，ψ
t
为t时刻自车视野边界，ζ
max
为风险区域边界，δ为盲区内配置幻影车辆的间隔距离，ζ为幻影车辆与路口之间的距离，g1,g2,g3为可见车辆的三种不同意图(直行、右转、左转)。
具体实施方式
[0067]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
[0068]
实施例
[0069]
本实施例提供了一种考虑路口不确定性的无人车交互式规划方法，该方法利用不确定因素估计器得到可见车辆意图和盲区交通状况的概率分布，将推理结果输入基于部分可观测马尔科夫模型的规划器，进行最优动作选择，如图1所示，包括以下步骤：
[0070]
步骤1：构建考虑驾驶员主观意识的盲区潜在交通参与者模型；
[0071]
步骤1-1：根据当前视野边界和预设盲区边界确定风险区域，在风险区域内配置幻影车辆；
[0072]
在风险区域内沿车道中心线按照均匀分布配置有限辆盲区幻影车辆，并在视野边界额外配置1辆幻影车辆以考虑最坏情况。认为幻影车辆以车道中心线为路径，沿路径行驶。t时刻的幻影车辆集合：
[0073][0074]
其中，ψ为盲区边界的位置；表示第i辆幻影车辆的配置：
[0075][0076]
其中，为幻影车辆的位置；为幻影车辆的纵向速度；是一个布
尔值，代表幻影车辆的存在状态。
[0077]
步骤1-2：基于风险碰撞模型，构建幻影车辆的纵向速度模型。
[0078]
幻影车辆的纵向速度函数：
[0079][0080]
其中，为道路车辆平均行驶速度，可由交通流数据获得；风险碰撞参数kd与幻影车辆到路口的距离有关，定义为：
[0081][0082]
其中，ζ
safe
为预定义安全距离，λ∈(0,1)为驾驶员注意力参数。为了避免碰撞风险，幻影车辆距离路口越近，其通行速度越低，这与具有主观意识的人类驾驶员的驾驶行为相符合。
[0083]
步骤2：针对盲区不确定性和可见车辆意图不确定性进行联合推理，生成不确定因素的概率分布；
[0084]
步骤2-1：构建评价车辆行驶轨迹的代价函数；
[0085]
步骤2-2：构建基于a*算法的理性驾驶员模型；
[0086]
步骤2-3：比较不同交通情况配置下，可见车辆的理性驾驶轨迹和真实历史轨迹的代价函数差异，得到可见车辆历史轨迹观测值对应的交通情况配置的似然估计。
[0087]
交通情况配置包含可见车辆意图和盲区潜在交通情况两部分。可见车辆意图g∈{g1,g2,
…
}，盲区潜在交通情况如步骤1-1所述。
[0088]
将不同交通情况配置下可见车辆的理性驾驶轨迹和真实历史轨迹的代价函数差异参数化为玻尔兹曼分布，可见车辆历史轨迹观测值对应的交通情况配置的似然估计为：
[0089][0090]
其中，gi为可见车辆的意图配置；zk为盲区交通情况配置；为可见车辆从初始时刻到t时刻的历史轨迹观测值；β为玻尔兹曼分布的温度系数；cost(
·
)函数为步骤2-1中构建的代价函数；为可见车辆在交通情况配置zk下从初始时刻到t时刻的理性行驶轨迹；
[0091]
步骤2-4：根据贝叶斯法则，得到可见车辆意图和盲区交通状况配置的概率分布。
[0092]
盲区交通情况配置的概率分布：
[0093][0094]
其中，μ1为归一化因子；p(gi)为可见车辆意图的先验概率分布；p(zk)为盲区交通情况配置的概率分布。
[0095]
可见车辆意图的概率分布：
[0096][0097]
其中，μ2为归一化因子。
[0098]
步骤3：将不确定因素估计结果输入基于部分可观测马尔科夫模型的纵向速度规划器，获得无人车在无灯控盲区路口通行时的最优动作策略。
[0099]
步骤3-1：构建无灯控交叉路口处的部分可观测马尔科夫模型，确定模型的状态空间、观测空间；
[0100]
无人车在无灯控交叉路口场景的状态空间包括无人车和可见车辆的状态，可见车辆意图g以及盲区交通情况配置z，可表示为：
[0101]
s＝{s
ε
,si,
…
,gi,
…
,z}
[0102]
其中，自车状态：
[0103]sε
＝[p
ε
,v
ε
,r
ε
]
t
[0104]
其中p
ε
＝[x
ε
,y
ε
]
t
为自车位置坐标，v
ε
为自车速度，r
ε
为自车参考路径。
[0105]
第i辆可见车辆状态：
[0106]
si＝[pi,vi]
t
[0107]
其中pi＝[xi,yi]
t
为可见车辆位置坐标，v
ε
为可见车辆速度。
[0108]
可见车辆意图g如步骤2-4所述，盲区交通情况配置如步骤1-1所述。
[0109]
模型假定场景中不存在传感器噪声，模型的观测空间即为传感器可直接观测的状态量集合：
[0110]
o＝{o
ε
,oi,
…
}
[0111]
步骤3-2：融合不确定因素估计结果，确定模型的初始置信和转移函数；
[0112]
将步骤2所述的不确定性估计结果分别作为可见车辆意图和盲区交通情况配置的初始置信；将步骤1所述的考虑驾驶员主观意识的盲区交通状况模型和步骤2-2所述的理性驾驶员模型作为状态转移函数。
[0113]
步骤3-3：确定模型的动作空间；
[0114]
将无人车的动作空间定义为一维空间，仅考虑纵向速度策略的选择。
[0115]
步骤3-4：确定模型的奖励函数，具体为：
[0116]
r＝rs+rv+ra+rc[0117]
其中，rs为无人车与目标点之间距离的奖励函数；rv为无人车速度与参考速度之间差异的奖励函数；ra为无人车舒适度奖励函数；rc为避免发生碰撞的奖励函数。
[0118]
步骤3-5：对模型进行在线求解，得到无人车最优动作策略。
[0119]
通过蒙特卡洛搜索树方法对马尔科夫模型进行在线求解，根据奖励函数实时选择最优动作策略，实现无人车在存在盲区的无灯控交叉路口处的安全高效通行。
[0120]
下面提供一种具体应用例：
[0121]
在实际运行中，参见图2，首先利用不确定性估计器生成不确定因素的概率分布，步骤如下：
[0122]
步骤一，建立盲区潜在交通状况模型，见图3。根据无人车感知视野边界和预定义的风险边界规定风险区域，确定盲区幻影车辆的有限集合根据风险碰撞模型，确定每个盲区幻影车辆的速度其中，为先验的道路平均车速，风险碰撞参数ζ
safe
为预定义安全距离，λ∈(0,1)为驾驶
员注意力参数。
[0123]
步骤二，基于逆向规划框架，比较不同交通状况配置下理性轨迹和真实历史轨迹的代价函数差异。生成可见车辆理性轨迹的理性驾驶模型认为可见车辆按照当前意图沿对应车道中心线行驶，纵向速度利用a*算法在s-t图中搜索得到；可见车辆真实历史轨迹由无人车感知模块记录。代价函数对指标包括轨迹纵向速度、纵向加速度、纵向距离和路径曲率。
[0124]
步骤三，计算所有可能的交通状况配置的似然估计，基于贝叶斯法则得到不确定因素的概率分布。将不同交通情况配置下可见车辆的理性驾驶轨迹和真实历史轨迹的代价函数差异参数化为玻尔兹曼分布，计算可见车辆历史轨迹观测值对应的交通情况配置的似然估计其中，gi为可见车辆的意图配置；zk为盲区交通情况配置；为可见车辆从初始时刻到t时刻的历史轨迹观测值；β为玻尔兹曼分布的温度系数；cost(
·
)函数为步骤二构建的代价函数。根据贝叶斯法则计算得到盲区交通情况配置的概率分布和可见车辆意图的概率分布
[0125]
参见图2，基于部分可观测马尔科夫模型的无人车轨迹规划器运行步骤如下：
[0126]
步骤一，构建无灯控交叉路口场景的部分可观测马尔科夫决策模型。确定模型的状态空间为s＝{s
ε
,si,
…
,gi,
…
,z}，观测空间为o＝{o
ε
,oi,
…
}，分别确定状态空间中自车和可见车辆的位姿、速度、可达意图和盲区可能的潜在交通状况。
[0127]
步骤二、将不确定因素估计器的推理结果，纳入规划框架，确定模型的初始置信和转移函数。不确定因素推理结果的表述形式为概率分布，可直接作为每个规划周期的初始置信输入部分可观测马尔可夫模型中。不同交通情况配置对应不同的状态转移函数，盲区幻影车辆根据步骤一的盲区交通状况模型进行状态转移，可见车辆不同意图下的状态转移函数根据步骤二的理性驾驶模型生成。
[0128]
步骤三，确定模型的动作空间。动作空间定义为一维空间，仅考虑无人车纵向加速度的选择。可选的纵向加速度按照一定步长选取一系列正值和负值，以表示不同程度的加速和减速动作。
[0129]
步骤四，确定模型的奖励函数r＝rs+rv+ra+rc。其中，rs为无人车与目标点之间距离的奖励函数，鼓励选择使得无人车更接近目标点的动作；rv为无人车速度与参考速度之间差异的奖励函数，鼓励选择使得无人车行驶速度更接近参考速度的动作；ra为无人车舒适度奖励函数，使得车辆行驶更加平稳舒适；rc为避免发生碰撞的奖励函数，避免发生碰撞，保证车辆行驶的安全性。
[0130]
步骤五，通过蒙特卡洛搜索树方法对马尔科夫模型进行在线求解，根据奖励函数实时选择最优动作策略，实现无人车在存在盲区的无灯控交叉路口处的安全高效通行。
[0131]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种考虑不确定性的无人车盲区路口规划方法，其特征在于，该方法包括以下步骤：步骤1、构建考虑驾驶员主观意识的盲区潜在交通参与者模型；步骤2、构建不确定性估计器，针对盲区不确定性和可见车辆意图不确定性进行联合推理，生成不确定因素的概率分布；步骤3、将不确定因素估计结果输入基于部分可观测马尔科夫模型的纵向速度规划器，获得无人车在无灯控盲区路口通行时的最优动作策略。2.根据权利要求1所述的一种考虑不确定性的无人车盲区路口规划方法，其特征在于，所述步骤1中考虑驾驶员主观意识的盲区潜在交通参与者模型，构建过程包括以下子步骤：步骤s1-1：根据当前视野边界和预设盲区边界确定风险区域，在风险区域内配置幻影车辆；步骤s1-2：基于风险碰撞理论，构建幻影车辆的纵向速度模型。3.根据权利要求2所述的一种考虑不确定性的无人车盲区路口规划方法，其特征在于，所述步骤1-1中在风险区域内配置幻影车辆，具体为：在风险区域内沿车道中心线按照均匀分布配置有限辆盲区幻影车辆，并在视野边界额外配置1辆幻影车辆以考虑最坏情况；认为幻影车辆以车道中心线为路径，沿路径行驶，则t时刻的幻影车辆集合为：式中，ψ为盲区边界的位置；表示第i辆幻影车辆的配置，表达式为其中，为幻影车辆的位置；为幻影车辆的纵向速度；是一个布尔值，代表幻影车辆的存在状态。4.根据权利要求2所述的一种考虑不确定性的无人车盲区路口规划方法，其特征在于，所述步骤1-2中幻影车辆的纵向速度模型，具体为：式中，v为幻影车辆的纵向速度函数；为道路车辆平均行驶速度，由交通流数据获得；k
d
为风险碰撞参数，与幻影车辆到路口的距离ζ有关，定义为：其中，ζ
safe
为预定义的安全距离；λ∈(0,1)为驾驶员注意力参数。5.根据权利要求2所述的一种考虑不确定性的无人车盲区路口规划方法，其特征在于，所述步骤2包括以下子步骤：步骤2-1、构建评价车辆行驶轨迹的代价函数；步骤2-2、构建基于a*算法的理性驾驶员模型；步骤2-3、比较不同交通情况配置下，可见车辆的理性驾驶轨迹和真实历史轨迹的代价函数差异，得到可见车辆历史轨迹观测值对应的交通情况配置的似然估计；步骤2-4、根据贝叶斯法则，得到可见车辆意图和盲区交通状况配置的概率分布。6.根据权利要求5所述的一种考虑不确定性的无人车盲区路口规划方法，其特征在于，所述步骤2-3具体为：
交通情况配置包括可见车辆意图和盲区潜在交通情况；将不同交通情况配置下可见车辆的理性驾驶轨迹和真实历史轨迹的代价函数差异参数化为玻尔兹曼分布，可见车辆历史轨迹观测值对应的交通情况配置的似然估计为：其中，g
i
为可见车辆的意图配置；z
k
为盲区交通情况配置；为可见车辆从初始时刻到t时刻的历史轨迹观测值；β为玻尔兹曼分布的温度系数；cost(
·
)函数为步骤2-1中构建的代价函数；为可见车辆在交通情况配置z
k
下从初始时刻到t时刻的理性行驶轨迹。7.根据权利要求5所述的一种考虑不确定性的无人车盲区路口规划方法，其特征在于，所述步骤2-4具体为：盲区交通情况配置的概率分布：其中，μ1为归一化因子；p(g
i
)为可见车辆意图的先验概率分布；p(z
k
)为盲区交通情况配置的概率分布；l(
·
)为可见车辆历史轨迹观测值对应的交通情况配置的似然估计；可见车辆意图的概率分布：其中，μ2为归一化因子。8.根据权利要求5所述的一种考虑不确定性的无人车盲区路口规划方法，其特征在于，所述步骤3包括以下子步骤：步骤3-1、构建无灯控交叉路口处的部分可观测马尔科夫模型，并确定模型的状态空间和观测空间；步骤3-2、融合不确定因素估计结果，确定模型的初始置信和转移函数；步骤3-3、确定模型的动作空间；步骤3-4、确定模型的奖励函数，表达式为：r＝r
s
+r
v
+r
a
+r
c
其中，r
s
为无人车与目标点之间距离的奖励函数，r
v
为无人车速度与参考速度之间差异的奖励函数，r
a
为无人车舒适度奖励函数，r
c
为避免发生碰撞的奖励函数；步骤3-5、通过蒙特卡洛搜索树方法对马尔科夫模型进行在线求解，根据奖励函数实时选择最优动作策略。9.根据权利要求8所述的一种考虑不确定性的无人车盲区路口规划方法，其特征在于，所述步骤3-1具体为：状态空间s：s＝{s
ε
,s
i
,
…
,g
i
,
…
,z}式中，s
ε
为自车状态，表达式为：s
ε
＝[p
ε
,v
ε
,r
ε
]
t
，其中，p
ε
＝[x
ε
,y
ε
]
t
为自车位置坐标，v
ε
为自车速度，r
ε
为自车参考路径；s
i
为第i辆可见车辆状态，表达式为：s
i
＝[p
i
,v
i
]
t
，其中，p
i
＝[x
i
,y
i
]
t
为可见车辆位置坐标，v
ε
为可见车辆速度；z为盲区交通情况配置；g为可见车辆
意图配置观测空间o为传感器可直接观测的状态量集合：o＝{o
ε
,o
i
,
…
}式中，o
ε
、o
i
分别为传感器可直接观测的自车状态空间、传感器可直接观测的可见车辆状态空间。10.根据权利要求8所述的一种考虑不确定性的无人车盲区路口规划方法，其特征在于，所述步骤3-2具体为：将步骤2中的不确定性估计结果分别作为可见车辆意图和盲区交通情况配置的初始置信；将步骤1所述的考虑驾驶员主观意识的盲区交通状况模型和步骤2-2中的理性驾驶员模型作为状态转移函数。

技术总结
本发明涉及一种考虑不确定性的无人车盲区路口规划方法，该方法包括以下步骤：步骤1、构建考虑驾驶员主观意识的盲区潜在交通参与者模型；步骤2、构建不确定性估计器，针对盲区不确定性和可见车辆意图不确定性进行联合推理，生成不确定因素的概率分布；步骤3、将不确定因素估计结果输入基于部分可观测马尔科夫模型的纵向速度规划器，获得无人车在无灯控盲区路口通行时的最优动作策略。与现有技术相比，本发明具有拟人化程度高、安全性好、通行效率高的优点。率高的优点。率高的优点。


技术研发人员：王峻 赵栩鹤
受保护的技术使用者：同济大学
技术研发日：2023.04.12
技术公布日：2023/7/13