趙志成 華一丁 王文揚 陳正

摘? 要：智能駕駛行為決策系統(tǒng)的構(gòu)建對智能駕駛的可靠性具有重要影響。本文對國內(nèi)外學(xué)者所提出的智能駕駛行為決策系統(tǒng)構(gòu)建方法進(jìn)行了分析總結(jié)，歸納總結(jié)不同方法的不足，并針對各方法的不足提出了解決方法，指出了未來的發(fā)展趨勢，以對智能駕駛行為決策系統(tǒng)的構(gòu)建提供一定的參考意義。

關(guān)鍵詞：智能駕駛;行為決策;有限狀態(tài)機;學(xué)習(xí)算法

中圖分類號：TP301.6? ? ? 文獻(xiàn)標(biāo)識碼：A 文章編號：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

隨著智能城市、智能醫(yī)療等概念的提出，智能化受到了國內(nèi)外眾多學(xué)者的關(guān)注，成為社會的研究熱點。同樣，因其在提升車輛行駛安全、緩解城市擁堵及降低物流成本等方面的作用，智能車輛亦受到了國內(nèi)外眾多企業(yè)及院校的關(guān)注。駕駛的智能化也將是未來的發(fā)展趨勢。

智能車輛是一個集成了環(huán)境信息感知、行為決策、路徑規(guī)劃及車輛控制等的復(fù)雜功能系統(tǒng)，其關(guān)鍵在于車輛駕駛行為決策的合理與否。智能駕駛行為決策模塊作為無人車輛的“大腦”，需要綜合周圍環(huán)境及車輛自身信息以指導(dǎo)車輛輸出安全、可靠及合理的駕駛動作[1]。但在實際駕駛環(huán)境中，影響智能車輛行為決策的因素眾多，包括戶外環(huán)境的多變性、環(huán)境檢測的不準(zhǔn)確性、交通規(guī)則的約束性、行人及其他車輛行為的不可預(yù)見性、雨霧等惡劣天氣等在內(nèi)的不利因素都將對車輛行為的準(zhǔn)確性及合理性產(chǎn)生影響。如何最大程度消除這些因素的影響，將是行為決策模塊的研究重點。因此，盡管工程人員進(jìn)行了不少的研究，在智能駕駛領(lǐng)域依舊存在不少問題亟待解決[2，3]。

本文通過總結(jié)分析并歸類智能車輛行為決策的相關(guān)方法，將現(xiàn)有方法歸類為基于有限狀態(tài)機的智能駕駛行為決策系統(tǒng)、基于學(xué)習(xí)算法的智能駕駛行為決策系統(tǒng)及其他類型的智能駕駛行為決策系統(tǒng)。結(jié)合分析結(jié)果，提出智能車輛行為決策系統(tǒng)未來的發(fā)展趨勢，為決策方法的設(shè)計與完善提供一定的幫助。

1? 基于有限狀態(tài)機的智能駕駛行為決策系統(tǒng)

有限狀態(tài)機作為系統(tǒng)不同狀態(tài)之間進(jìn)行轉(zhuǎn)移和動作觸發(fā)的可靠數(shù)學(xué)模型，為智能車輛行為決策系統(tǒng)的設(shè)計提供了新的方向[4，5]。基于有限狀態(tài)機，不同學(xué)者提出了不同的智能駕駛行為決策方法。

熊光明等針對道路交叉口場景，利用有限狀態(tài)機理論，構(gòu)建了交叉口其他車輛的行為模型。該有限狀態(tài)機模型準(zhǔn)確預(yù)測了其他車輛的駕駛行為[6]。結(jié)合有限狀態(tài)機理論，熊璐等設(shè)計了差動轉(zhuǎn)向無人車的控制策略，實現(xiàn)了無人車輛不同駕駛行為間的有效切換，保證了車輛行駛的安全性[7]。為了保證無人車輛在車輛跟隨，制動避障等不同駕駛場景下的可靠性，馮關(guān)明等結(jié)合有限狀態(tài)機理論及模糊控制理論，設(shè)計研發(fā)了適用于智能駕駛的汽車自適應(yīng)巡航控制系統(tǒng)[8]。冀杰等歸納分析了包括車道保持及換道、車輛跟隨等在內(nèi)的無人車典型駕駛行為，構(gòu)建了不同駕駛行為的有限狀態(tài)機模型，并利用危險勢能場理論設(shè)計觸發(fā)動作來實現(xiàn)各駕駛行為間的狀態(tài)轉(zhuǎn)移[9]。

因此，基于有限狀態(tài)機構(gòu)建無人駕駛車輛的行為決策系統(tǒng)不僅可以較好地實現(xiàn)車道保持、車輛跟隨等簡單駕駛行為，也可以完成路口駕駛等復(fù)雜駕駛場景。利用有限狀態(tài)機，技術(shù)人員可以對智能駕駛行為決策系統(tǒng)進(jìn)行較為直觀的建模，易于實施。但有限狀態(tài)機理論在智能駕駛領(lǐng)域的運用與推廣還存在以下問題：

（1）智能駕駛場景的復(fù)雜性與多變性增加了有限狀態(tài)機的建模難度。同時，智能駕駛所面對的場景越復(fù)雜，所需考慮的狀態(tài)數(shù)也會逐漸增加，可能會使?fàn)顟B(tài)機決策系統(tǒng)過于龐大，降低系統(tǒng)的決策效率與可靠性;

（2）各駕駛場景間所存在的“模糊地帶”，使得狀態(tài)間跳轉(zhuǎn)規(guī)則的制定較為困難，例如：當(dāng)車輛檢測到前方有行人，但尚有足夠躲避空間時，是繼續(xù)行駛，還是停車等待，難以決策。顯然，跳轉(zhuǎn)規(guī)則的不清晰不利于無人車輛輸出及時、可靠的駕駛行為，在一定程度上降低了無人駕駛的安全性。

2? 基于學(xué)習(xí)算法的智能駕駛行為決策系統(tǒng)

隨著人工智能的快速興起與發(fā)展，各種算法亦愈發(fā)成熟，為智能駕駛的行為決策系統(tǒng)的設(shè)計與研發(fā)提供了新的思路[10]?；诟黝悓W(xué)習(xí)算法模型，不同學(xué)者提出了不同的智能駕駛行為決策系統(tǒng)構(gòu)建方法。

Mobileye利用增強學(xué)習(xí)來強化智能駕駛策略的學(xué)習(xí)，提升了智能駕駛決策過程的可靠性[11]。劉春明等通過構(gòu)建車輛的14自由度模型，采取強增學(xué)習(xí)理論，對大量的仿真數(shù)據(jù)進(jìn)行歸納分析，得出智能駕駛車輛的行為決策模型[12]。Bojarski等基于卷積神經(jīng)網(wǎng)絡(luò)，通過構(gòu)建輸入圖像到相應(yīng)控制指令的映射關(guān)系，實現(xiàn)智能駕駛的行為決策[13]。陳雪梅等通過分析所采集的多位駕駛員的真實行駛行為數(shù)據(jù)，構(gòu)建相應(yīng)的行為規(guī)則庫，為智能駕駛行為決策的學(xué)習(xí)提供知識庫，并基于此方法較好地實現(xiàn)了車輛的換道行為[5]。Oliver等基于無人車輛所感知的車輛自身信息、其他車輛信息、行人信息等原始信息，通過構(gòu)建車輛的隱馬爾科夫模型，實現(xiàn)智能駕駛行為的自主決策，且決策的可靠性較高[14]。

基于學(xué)習(xí)算法，工程人員可以覆蓋較為廣泛的智能駕駛場景，提高智能駕駛行為決策的可靠性與準(zhǔn)確性。同時，場景的廣泛覆蓋也降低了不同場景之間轉(zhuǎn)換的模糊程度，提高了決策過程的可行性。但學(xué)習(xí)算法在智能駕駛的運用與進(jìn)一步推廣還存在以下問題：

（1）智能駕駛場景數(shù)目較多，意味著必須要通過積累大量的樣本數(shù)據(jù)來支撐相應(yīng)的學(xué)習(xí)行為。同時，如何從樣本數(shù)據(jù)中提取有效數(shù)據(jù)或高質(zhì)量數(shù)據(jù)，亦是工程人員所需解決的問題。樣本數(shù)據(jù)的有效性不足，將會降低智能駕駛行為決策系統(tǒng)的可靠性;

（2）通過學(xué)習(xí)算法，工程人員將智能駕駛行為決策流程映射到網(wǎng)絡(luò)結(jié)構(gòu)中。如何優(yōu)化相應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)，配置合適的學(xué)習(xí)權(quán)重參數(shù)以不斷改進(jìn)學(xué)習(xí)效果，也是需要解決的關(guān)鍵問題。

3? 其他智能駕駛行為決策系統(tǒng)

除了上述方法，一些學(xué)者也提出了一些其他的智能駕駛行為決策系統(tǒng)構(gòu)建方法。

陳佳佳基于分層有限狀態(tài)機方法構(gòu)建了智能駕駛的行為決策系統(tǒng)，并以真實駕駛員的駕駛行為為標(biāo)準(zhǔn)，提出了全新的決策模型[1]。Vacek等通過構(gòu)建覆蓋不同駕駛場景的案例庫，通過推理得出案例庫中與當(dāng)前駕駛場景的案例，采取與案例場景相同的相應(yīng)駕駛行為。同時，通過實際運用并對案例進(jìn)行調(diào)整完善[15]。杜明博等自頂向下構(gòu)建了智能駕駛的行為決策樹，通過駕駛行為屬性尋找相應(yīng)的駕駛動作[16]。耿新力基于駕駛員的駕駛意圖，對他車意圖進(jìn)行判斷，提升行為決策的可靠性[17]。Furdad等對動作的屬性值賦予一定權(quán)重，計算各動作的效用值，并比較得出適用于當(dāng)前場景的最佳駕駛動作[18]。

4? 結(jié)? 論

通過對現(xiàn)有智能駕駛行為決策系統(tǒng)構(gòu)建方法的比較分析及各方法所需解決關(guān)鍵問題的提出，智能駕駛行為決策系統(tǒng)的發(fā)展趨勢可進(jìn)行如下歸納分析：

（1）有限狀態(tài)機的場景分析邏輯清晰，構(gòu)建方法易于實施，但各場景間存在的邏輯“灰色地帶”限制了該方法的進(jìn)一步推廣及運用。因此，為了提高方法的可靠性，可在有限狀態(tài)機決策模型中進(jìn)一步融入學(xué)習(xí)算法，提升對各駕駛場景遍歷的深度，消除“灰色地帶”，拓寬方法的運用空間。

（2）隨著多傳感器融合技術(shù)、信息過濾技術(shù)等相關(guān)技術(shù)的發(fā)展以及各類算法模型的日漸成熟，智能駕駛行為決策過程中所能獲取的環(huán)境信息、其他交通參與者信息及自車狀態(tài)信息將會更加全面、更加有效可靠;同時，對有效信息的提取亦會更加快速、高效。這也意味著基于學(xué)習(xí)算法的決策模型將會在智能駕駛決策系統(tǒng)的設(shè)計中得到更加廣泛的運用。

（3）智能駕駛行為決策系統(tǒng)在達(dá)到一定的可靠性后，在不同駕駛場景中應(yīng)更加人性化，即將用戶體驗作為一項評價指標(biāo)來選擇符合當(dāng)前場景的駕駛動作。例如：在制動場景中，無人車輛要在保障制動安全性的前提下，提升制動過程的平緩性，保證用戶的乘車舒適性。

參考文獻(xiàn)：

[1] 陳佳佳.城市環(huán)境下無人駕駛車輛決策系統(tǒng)研究 [D].合肥：中國科學(xué)技術(shù)大學(xué)，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，?ZGüNER ü.Hierarchical finite state machines for autonomous mobile systems [J]. Control Engineering Practice，2013，21（2）：184-194.

[5] 陳雪梅，田賡，苗一松，等.城市環(huán)境下無人駕駛車輛駕駛規(guī)則獲取及決策算法 [J].北京理工大學(xué)學(xué)報，2017，37（5）：491-496.

[6] 熊光明，李勇，王詩源.基于有限狀態(tài)機的智能車輛交叉口行為預(yù)測與控制 [J].北京理工大學(xué)學(xué)報，2015，35（1）：34-38.

[7] 熊璐，黃少帥，王龍祥，等.基于有限狀態(tài)機的差動轉(zhuǎn)向無人車整車控制策略設(shè)計 [J].制造業(yè)自動化，2015，37（19）：146-152.

[8] 馮關(guān)明，胡大宏，吳壯文.基于FSM理論的模糊自適應(yīng)控制汽車巡航系統(tǒng)仿真與設(shè)計 [J].機械科學(xué)與技術(shù)，2012，31（3）：446-451.

[9] 冀杰，黃巖軍，李云伍，等.基于有限狀態(tài)機的車輛自動駕駛行為決策分析 [J].汽車技術(shù)，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.基于人類駕駛行為的無人駕駛車輛行為決策與運動規(guī)劃方法研究 [D].合肥：中國科學(xué)技術(shù)大學(xué)，2016.

[17] 耿新力.城區(qū)不確定環(huán)境下無人駕駛車輛行為決策方法研究 [D].合肥：中國科學(xué)技術(shù)大學(xué)，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.

作者簡介：趙志成（1985.09-），男，漢族，天津人，高級工程師，工學(xué)學(xué)士，研究方向：智能網(wǎng)聯(lián)汽車。