基于本體推理和BN的無(wú)人駕駛行為決策

常嘉偉，施 衛(wèi)，劉 斌，李展峰，封功源

（江蘇理工學(xué)院 機(jī)械工程學(xué)院，江蘇 常州 213000）

無(wú)人駕駛系統(tǒng)核心技術(shù)包括環(huán)境感知、行為決策、運(yùn)動(dòng)規(guī)劃與控制等方面，其中行為決策系統(tǒng)作為無(wú)人駕駛汽車的“大腦”，決定車輛行駛過(guò)程的安全性、有效性和合法性。因此，優(yōu)化提升無(wú)人駕駛行為決策系統(tǒng)，使其盡可能地代替駕駛員，做到?jīng)Q策的“擬人化”，一直是研究者需要努力的方向。雖然在高速路段下的自動(dòng)輔助駕駛系統(tǒng)已較為成熟，并已大量商業(yè)化，但作為上層統(tǒng)籌的無(wú)人車行為決策系統(tǒng)仍因?qū)崟r(shí)性、安全性等方面的不足，無(wú)法應(yīng)對(duì)現(xiàn)實(shí)駕駛場(chǎng)景。尤其在城區(qū)路段，無(wú)人車輛需要面對(duì)更為復(fù)雜的導(dǎo)航需求和道路狀況，對(duì)周圍道路、障礙物、交通標(biāo)識(shí)、紅綠燈及全局導(dǎo)航信息需要有更為全面有效的評(píng)估，同時(shí)對(duì)周圍交通參與者的行為意圖也要有更為及時(shí)和精確的判斷。

面對(duì)當(dāng)前無(wú)人駕駛行為決策中的難題，狀態(tài)機(jī)模型是應(yīng)用最為廣泛的決策模型，即通過(guò)建立環(huán)境輸入與駕駛動(dòng)作之間的狀態(tài)遷移條件來(lái)實(shí)現(xiàn)駕駛過(guò)程中的決策任務(wù)，它運(yùn)用簡(jiǎn)單、易于實(shí)現(xiàn)，但無(wú)法有效應(yīng)對(duì)復(fù)雜工況和帶有不確定性場(chǎng)景?；谥R(shí)推理的決策模型對(duì)駕駛場(chǎng)景的描述清晰，控制邏輯合理，但隨著場(chǎng)景輸入條件的增多，容易出現(xiàn)規(guī)則的組合爆炸?；谏疃葘W(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)的決策方法透明性差，同時(shí)依賴于大規(guī)模的數(shù)據(jù)訓(xùn)練，訓(xùn)練時(shí)間較長(zhǎng)。貝葉斯網(wǎng)絡(luò)是基于統(tǒng)計(jì)的決策模型，對(duì)于不確定場(chǎng)景下的決策推理，有較高的置信度。但是其網(wǎng)絡(luò)建模存在維度災(zāi)難，條件概率分布表（Conditional Probability Table,CPT）需考慮的數(shù)量隨著節(jié)點(diǎn)數(shù)量呈指數(shù)級(jí)增長(zhǎng)。

采用有向無(wú)環(huán)圖可以顯著降低貝葉斯網(wǎng)絡(luò)建模的維度，同時(shí)如何設(shè)計(jì)合理的網(wǎng)絡(luò)結(jié)構(gòu)也就成了研究的難點(diǎn)。本體作為一種能在知識(shí)層次上描述知識(shí)模型的建模工具，可以統(tǒng)一、規(guī)范地描述場(chǎng)景知識(shí)，但其本身并不具備獨(dú)立的推理能力。通過(guò)本體理論對(duì)駕駛周邊道路場(chǎng)景進(jìn)行合理的建模，以知識(shí)邏輯推理將決策任務(wù)合理拆分，選擇對(duì)應(yīng)所需的本體信息構(gòu)建有向無(wú)環(huán)圖。通過(guò)先驗(yàn)信息和專家經(jīng)驗(yàn)生成CPT文件，即可構(gòu)建完整的貝葉斯網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)推理功能。最后通過(guò)貝葉斯網(wǎng)絡(luò)（Bayesian Network, BN）推理得到當(dāng)前駕駛環(huán)境下的最佳行為模式。

1 建立駕駛場(chǎng)景本體知識(shí)模型

本體是一種統(tǒng)一的、規(guī)范的知識(shí)描述方法，通常用來(lái)描述領(lǐng)域知識(shí)。運(yùn)用本體知識(shí)可以將駕駛場(chǎng)景概念化，分解歸納為合理類集，同時(shí)清楚地表達(dá)概念類之間的屬性關(guān)系。

根據(jù)無(wú)人駕駛場(chǎng)景中需要考慮的環(huán)境因素，設(shè)定道路類、行為類、對(duì)象類、自身車輛類四種基礎(chǔ)概念類別，同時(shí)引入安全類和目的類兩類直接作用于行為決策的上層概念類集。

（1）道路類表示與道路相關(guān)的信息要素，包括車道數(shù)、車道線、路面標(biāo)記、路段類型等。

（2）行為類表示無(wú)人車輛可以執(zhí)行的駕駛動(dòng)作，分為橫向行為與縱向行為。為了更為簡(jiǎn)化，將單獨(dú)的駕駛動(dòng)作組合為完整的駕駛模式，包括直道行駛：自適應(yīng)巡航控制（Adaptive Cruise Control, ACC）&車道保持輔助功能（Lane Keeping Assistance, LKA）、左變道、右變道和緊急制動(dòng)。

（3）對(duì)象類表示當(dāng)前道路上存在對(duì)象，包括車輛、行人、障礙物等。

（4）自身車輛類表示自身車輛狀態(tài)，主要包括自車與其他車輛或障礙物的相對(duì)速度、距離等。

（5）安全類是基于其他基礎(chǔ)類別的上層判定類別，判定結(jié)果直接決定行為類的輸出。

（6）目的類表示服務(wù)于當(dāng)前駕駛行程的有效性，為換道行為提供主要參考依據(jù)。

駕駛場(chǎng)景分類如圖1所示。

考慮到無(wú)人車駕駛行為決策主要服務(wù)于最終的輸出模式，即本體中的行為類，因此，其父節(jié)點(diǎn)應(yīng)為行為類中各項(xiàng)的直接影響因素，同時(shí)每一節(jié)點(diǎn)的設(shè)計(jì)都應(yīng)考慮到安全性、合法性、有效性三個(gè)角度。

導(dǎo)航信息直接決定本次駕駛?cè)蝿?wù)的有效性，若無(wú)法到達(dá)目的地，整個(gè)駕駛過(guò)程將無(wú)意義。因此，當(dāng)前路段的導(dǎo)航信息為確定性要求，即到路口時(shí)是否需要左轉(zhuǎn)或右轉(zhuǎn)是確定的。但是導(dǎo)航信息無(wú)法直接轉(zhuǎn)換為變道條件，變道行為還需考慮到當(dāng)前道路是否滿足變道條件，即左右車道線的虛實(shí)以及此時(shí)本車道與周邊車道的安全性。

安全類作為行為決策的父節(jié)點(diǎn)之一，提供當(dāng)前道路環(huán)境的安全性依據(jù)。為駕駛過(guò)程帶來(lái)不確定因素的是其他車輛的駕駛動(dòng)作，它的影響主要體現(xiàn)在本車跟車和變道的過(guò)程中，同時(shí)直接決定了當(dāng)前駕駛的安全性。無(wú)人車決策前，應(yīng)知道當(dāng)前車道以及左右車道安全與否，因此，設(shè)定G，G，G作為行為決策的三個(gè)父節(jié)點(diǎn)，分別代表左車道、本車道以及右車道的安全性。

換道意圖的產(chǎn)生不僅僅取決于當(dāng)前駕駛?cè)蝿?wù)的目的性，在保證駕駛方向正確與行駛安全的基礎(chǔ)上，適當(dāng)?shù)某囆袨橐彩邱{駛更順暢的關(guān)鍵。為避免持續(xù)地跟車行駛導(dǎo)致整個(gè)駕駛?cè)蝿?wù)的總時(shí)長(zhǎng)過(guò)大，引入限速達(dá)成度（SpeedLimitDisparity）作為換道超車行為的參考依據(jù)。當(dāng)車輛在跟車狀態(tài)下與限速上限差值超過(guò)20%的時(shí)間到達(dá)閾值，則視為超出容忍度，可以進(jìn)行換道超車，因此，限速達(dá)成度也作為最終決策的父節(jié)點(diǎn)之一。

最終無(wú)人駕駛行為決策受到三大類別共5個(gè)父節(jié)點(diǎn)的影響，其本體知識(shí)模型如圖2所示。

在此基礎(chǔ)上，安全類主要與自身車輛類、對(duì)象類相關(guān)聯(lián)。目標(biāo)車道是否安全，主要取決于車道上的交通參與對(duì)象，即其他車輛、障礙物（Obstacle）、行人以及他們此時(shí)的狀態(tài)。

基于導(dǎo)航的換道需求（LaneChangeDemand）是由導(dǎo)航信息直接決定的，以車輛為主體，當(dāng)所在車道與導(dǎo)航（Navigation）信息相匹配，則無(wú)換道需求，反之，則需進(jìn)行換道準(zhǔn)備。同時(shí)換道行為受到左右車道線的約束，當(dāng)車道線為實(shí)線，則無(wú)法進(jìn)行換道。

因此，可以建立城區(qū)交通環(huán)境下的無(wú)人駕駛行為決策本體模型，如圖3所示。

2 建立貝葉斯網(wǎng)絡(luò)

其條件概率公式為

根據(jù)貝葉斯定理可得

式中，()為類“先驗(yàn)”概率；(,)為樣本相對(duì)于類標(biāo)記的條件概率。

貝葉斯的推理過(guò)程是指在網(wǎng)絡(luò)結(jié)構(gòu)和CPT已知的情況下，計(jì)算某個(gè)變量取值的最大概率。本文主要基于的后驗(yàn)概率問(wèn)題來(lái)決定無(wú)人車輛當(dāng)下應(yīng)該采取的駕駛動(dòng)作。后驗(yàn)概率問(wèn)題是指在已知一些節(jié)點(diǎn)概率的基礎(chǔ)上，再根據(jù)新的先驗(yàn)概率，通過(guò)貝葉斯公式修正，得到后驗(yàn)概率，取對(duì)應(yīng)節(jié)點(diǎn)中概率值最大的狀態(tài)作為無(wú)人車輛的動(dòng)作輸出。

利用貝葉斯網(wǎng)絡(luò)的推理過(guò)程如圖4所示。

2.1 確立BN拓?fù)浣Y(jié)構(gòu)

將上文中的無(wú)人駕駛行為決策本體模型中的節(jié)點(diǎn)及其父子關(guān)系映射為貝葉斯網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。本體模型中每一類集中的每一對(duì)象即可成為貝葉斯網(wǎng)絡(luò)中的一個(gè)節(jié)點(diǎn)，本體理論中的對(duì)象屬性則可映射為有向無(wú)環(huán)圖中的有向邊。相對(duì)于本體模型，新構(gòu)建的貝葉斯網(wǎng)絡(luò)只需為各個(gè)節(jié)點(diǎn)添加合理的狀態(tài)變量及其可能的取值。貝葉斯網(wǎng)絡(luò)節(jié)點(diǎn)變量及其狀態(tài)取值如表1所示。C表示與后車碰撞可能較高，即1.7 s<≤3.5 s。

Behavior節(jié)點(diǎn)包含四種狀態(tài)，作為無(wú)人車行為決策的最終輸出，分別對(duì)應(yīng)四種駕駛模式：LKC+ACC的直道駕駛模式、向左換道模式、向右換道模式以及自主剎車模式；G、G、G三個(gè)節(jié)點(diǎn)分別對(duì)應(yīng)左中右三車道的安全性，有安全和危險(xiǎn)兩種狀態(tài)，若無(wú)左或右車道，則同樣歸類為危險(xiǎn)；PresentLane節(jié)點(diǎn)表示本車當(dāng)前所處車道（駕駛場(chǎng)景默認(rèn)為三車道）；LaneChangeDemand表示根據(jù)導(dǎo)航（Navigation）以及左右車道線約束給出的換道建議；Left（Center/Right）LaneCondition表示本車與對(duì)應(yīng)道路上其他車輛之間的相互行駛狀態(tài)，引入兩車從沖突開始到發(fā)生碰撞的時(shí)間（Time To Contact, TTC）作為評(píng)價(jià)車輛狀態(tài)安全與否的指標(biāo)，TTC越小表示兩車越容易發(fā)生碰撞。評(píng)估公式為

式中，為跟隨車與被跟隨車的相對(duì)距離；為跟隨車的速度；為被跟隨車的速度。

節(jié)點(diǎn)中狀態(tài)含義如下：

C表示即將與前車碰撞，即≤1.7 s；

C表示即將與后車碰撞，即≤1.7 s；

C表示與前車碰撞可能較高，即1.7 s<≤3.5 s；

C表示與前后車不會(huì)發(fā)生碰撞，即>3.5 s&>3.5 s。

2.2 確定BN條件概率表

構(gòu)建完整的有向無(wú)環(huán)圖后，需要根據(jù)歷史駕駛案例和專家經(jīng)驗(yàn)確定每個(gè)節(jié)點(diǎn)的條件概率表。

沒有父節(jié)點(diǎn)的變量在決策系統(tǒng)中是作為外部環(huán)境感知的輸入，只需給節(jié)點(diǎn)一個(gè)初始概率。G、G、G和LaneChangeDemand節(jié)點(diǎn)都有一個(gè)以上的父節(jié)點(diǎn)，以G和LaneChangeDemand節(jié)點(diǎn)為例，G節(jié)點(diǎn)的條件概率分布如表2所示。

LaneChangeDemand節(jié)點(diǎn)的部分條件概率分布如表3所示。

完整的貝葉斯網(wǎng)絡(luò)構(gòu)建完成，即可根據(jù)先驗(yàn)信息推理當(dāng)前最佳駕駛行為。

3 駕駛場(chǎng)景的搭建與實(shí)例驗(yàn)證分析

Netica是當(dāng)下最為流行的可視化貝葉斯推理工具，它的優(yōu)點(diǎn)是可以圖形化，簡(jiǎn)易快速地建立貝葉斯網(wǎng)絡(luò)。本文通過(guò)Netica作為貝葉斯網(wǎng)絡(luò)的推理工具，并驗(yàn)證上文構(gòu)建網(wǎng)絡(luò)的有效性。

本文采用Prescan仿真軟件來(lái)預(yù)設(shè)駕駛場(chǎng)景，預(yù)設(shè)駕駛場(chǎng)景為城區(qū)道路環(huán)境下的一個(gè)十字路口，如圖4所示。

該十字路口為雙向六車道，規(guī)定限速為60 km/h，場(chǎng)景（1）如圖5所示。本車（紅色小車）行駛在中間車道，距離路口尚且有一段距離，其左右和前方車道都有車輛在行駛。本車目前行駛速度為50 km/h，中間車道最前方車輛（車輛1）因即將駛?cè)肼房?，故開始減速，車輛1后方車輛（車輛2）未開始減速，仍保持48 km/h的速度行駛，與本車距離為8 m，左車道兩車均以55 km/h的速度行駛，右車道車輛（車輛3）以54 km/h的速度行駛，車身超出本車車頭3 m。

根據(jù)導(dǎo)航本車需在該路口右轉(zhuǎn)，傳感器獲取的當(dāng)前道路信息作為先驗(yàn)條件，貝葉斯網(wǎng)絡(luò)給出的判斷如圖6所示。由圖6可以看出，保持當(dāng)前車道行駛的概率為90%，制動(dòng)的概率為10%。雖然目前有向右換道的需求，但是右方車道不滿足換道條件，因此，車輛仍將保持直道行駛。

駕駛場(chǎng)景（2）如圖7所示。

車輛1減速后，車輛2緊跟著減速，本車在看到前車剎車燈亮起后也開始減速，由此，車輛3與本車的速度差變大，兩車之間的前后距離也隨之增加。貝葉斯網(wǎng)絡(luò)給出的判斷如圖7所示。

向右換道的概率為90%，直道行駛和制動(dòng)的概率分別為8%和2%。由于向右換道的需求持續(xù)存在，在此時(shí)刻，右方車輛與本車已經(jīng)拉開了距離，右車道具備了換道條件，因此，本車可以順利地做出向右換道的選擇。

駕駛場(chǎng)景（2）的BN如圖8所示。

4 結(jié)束語(yǔ)

本文通過(guò)本體知識(shí)推理建立城區(qū)駕駛場(chǎng)景本體模型，再映射為貝葉斯網(wǎng)絡(luò)實(shí)現(xiàn)模型的推理功能，通過(guò)最大后驗(yàn)概率選擇當(dāng)前最佳無(wú)人駕駛行為，最后在Prescan中設(shè)置駕駛場(chǎng)景并通過(guò)Netica建立貝葉斯網(wǎng)絡(luò)驗(yàn)證該模型在一般場(chǎng)景中的可行性。該方法能有效地利用當(dāng)前道路因素，并反應(yīng)它們之間的相互關(guān)系，通過(guò)增設(shè)安全類與目的類使繁多的類別合并以降低建模的維度，同時(shí)使設(shè)計(jì)能更好地符合安全性、合法性、有效性的初衷。貝葉斯網(wǎng)絡(luò)面對(duì)城區(qū)復(fù)雜多變的駕駛場(chǎng)景也有較高魯棒性，通過(guò)父節(jié)點(diǎn)與子節(jié)點(diǎn)的連接可以更直觀地反應(yīng)道路因素與駕駛行為間的因果關(guān)系。在面對(duì)城區(qū)復(fù)雜駕駛環(huán)境時(shí)，本方法能使車輛較好地判斷當(dāng)前最優(yōu)駕駛行為。