类人决策方法、以及类人决策模型构建方法和系统

1.本发明涉及智能汽车应用技术领域，尤其是涉及一种用于智能汽车的类人决策方法、以及用于构建智能汽车类人决策模型的方法和系统。


背景技术：

2.在自动驾驶汽车大规模应用前，智能汽车与人类驾驶汽车将长期共用交通道路。智能汽车作为新型交通参与者，其交通行为需要具有可预测性、可解释性以避免新型驾驶事故的发生，这就对智能汽车态势感知能力提出了更高要求。
3.在提高智能汽车可预测性和可解释性方面，研究者提出了多种类人决策方法，主要有以下几类：建立人类驾驶轨迹库，根据场景匹配得出当前应选择的轨迹，使智能汽车具有类人的驾驶轨迹；利用ndd标定用于决策的目标函数，使得av决策体现类人的驾驶特性；参考博弈理论离线制定决策规则及对应阈值，得到具有交互特性的决策方式。以上类人决策，一方面仅关注于决策结果的类人程度，并由于所使用的数据库、目标函数标定、以及博弈规则等信息均为离线设定，使得在应用于时序连续的场景中只能执行离散的判断结果，导致决策结果在某些临界值出现跳变，从而使得决策结果的输出缺乏机动性、灵活性，可扩展性差。


技术实现要素：

4.本发明的目的在于，需要提供一种用于类人决策的模型构建方案，以通过所构建的模型的应用来解决背景技术中的问题。
5.为了解决上述技术问题，本发明实施例提供了一种用于构建智能汽车类人决策模型的方法，包括：分析主车在当前交通环境的认知任务确定所述主车在交通场景中与认知环节相关的关键要素，基于此，分析主车与交通环境之间多智能体安全的表征方法，构建类人理解模型；分析所述关键要素所表征的长期安全风险，并根据长期安全风险评价结果和目的地规划结果，对交通态势进行未来时空范围的预测，构建启发式预判模型，进一步结合所述类人理解模型，形成类人理解与预判决策模型；根据除多智能体安全外的优化评价参量，对由所述类人理解与预判决策模型得到的决策结果进行优化。
6.优选地，在构建所述启发式预判模型的过程中，包括：根据所述关键要素和所述交通态势的描述，确定能够反应长期驾驶安全趋势的启发性参数，并对所述启发性参数在未来发展趋势下的潜在驾驶风险进行分析，建立针对所述启发性参数的长期安全评价模型；根据所述目的地规划结果和所述长期安全评价模型，评估安全驾驶的连续时间范围和空间范围，建立所述启发式预判模型。
7.优选地，以所述目的地规划结果作为约束条件，分析潜在驾驶风险，建立所述长期安全评价模型，生成对一定时空范围内多智能体安全的判断结果，从而生成所述启发式预判模型，以通过在所述交通场景中应用所述启发式预判模型来依据该模型输出的多智能体安全性得到决策结果。
8.优选地，在根据除多智能体安全外的优化评价参量，对所述根据类人理解与预判决策模型得到的决策结果进行优化的步骤中，包括：根据所述优化评价参量和相应评价参量的期望水平，评价由所述类人理解与预判决策模型输出的驾驶决策结果在所述优化评价参量上的表现水平；基于优化参量表现水平，对所述类人理解与预判决策模型输出的决策结果进行优化。
9.优选地，在根据所述优化评价参量和相应评价参量的期望水平，评价由所述类人理解与预判决策模型输出的驾驶决策结果对所述优化评价参量的影响关系的步骤中，包括：分析所述驾驶决策结果对每项所述优化评价参量的影响，依据所述期望水平，生成针对每项所述优化评价参量的奖惩函数，所述优化评价参量包括但不限于行驶效率、亲社会性和驾乘舒适性；根据所述奖惩函数，对所述驾驶决策结果对每项所述优化评价参量的影响进行量化评价。
10.优选地，在确定主车在交通场景中与认知环节相关的关键要素的步骤中，包括：根据所述感知信息，建立表征当前主车驾驶环境状态的典型交通场景模型；以所述主车在所述典型交通场景模型的交互为基础，分析在所述主车与多智能体之间的运动学变化及动力学变化、交规和道路条件对多智能体安全产生影响时所述主车需要完成的认知任务；根据所述认知任务分析结果，明确交通场景中的关键要素。
11.优选地，所述方法还包括：通过设置测试场景对所述类人理解模型的信度和效度进行仿真验证。
12.优选地，设置不同旁车数量、不同主车运动状态与不同旁车运动状态组合、不同道路条件和不同交通规则组合一系列组合条件下的多种测试场景。
13.另一方面，本发明实施例提供了一种用于智能汽车的类人决策方法，所述类人决策方法应用如上述所构建的所述类人理解与预判决策模型来实现。
14.另外，本发明实施例还提供了一种用于构建智能汽车类人决策模型的系统，包括：类人理解模型构建模块，其配置为分析主车在当前交通环境的认知任务确定所述主车在交通场景中与认知环节相关的关键要素，基于此，分析主车与交通环境之间多智能体安全的表征方法，构建类人理解模型；类人理解与预判决策模型构建模块，其配置为分析所述关键要素所表征的长期安全风险，并根据长期安全风险评价结果和目的地规划结果，对交通态势进行未来时空范围的预测，构建启发式预判模型，进一步结合所述类人理解模型，形成类人理解与预判决策模型；决策结果优化模块，其配置为根据除多智能体安全外的优化评价参量，对由所述类人理解与预判决策模型得到的决策结果进行优化。
15.与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：
16.本发明提出了一种用于构建智能汽车类人决策模型的方法和系统、以及应用这一类人决策模型来实现的类人决策方法。具体地，通过建立类人理解模型、启发式预判模型以及决策结果评价模型，得到了类人理解-预判决策模型，提高了智能车对交通态势的理解水平，避免了智能汽车出现人类交通参与者难以及时正确反应的驾驶行为，最终提升了智能汽车的可预测性，在保证多智能体安全的基础上给出了进一步优化决策的扩展空间，有利于智能汽车以更高的社会接受度融入交通系统。
17.综上，本发明具有以下优点和积极效果：
18.(1)参考人类决策过程将自动驾驶决策分为交通态势理解、交通态势预判、决策结果优化三个过程，使决策具有时空连续性，避免了决策结果突变导致的追尾等交通事故；
19.(2)建立了类人理解模型，使智能汽车能够在多智能体交通环境下感知安全风险，相比于两两博弈的决策分析，能够在更复杂的交通场景下保证多智能体安全；
20.(3)建立启发式预判模型，赋予智能汽车对长期安全的感知能力，从源头上避免了智能汽车出现紧急刹车等难以被预测的行为；
21.(4)通过构建类人理解-预判决策模型，揭示了离散决策结果之间的过渡机制，使得每个决策结果所遵循的依据保持时空连续、可被其他人类交通参与者理解；
22.(5)考虑更高智能化水平的决策性能，建立了决策结果评价模型，为优化决策策略提供了扩展接口，以实现更高智能化水平的决策。
23.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
24.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：
25.图1为本技术实施例的用于构建智能汽车类人决策模型的方法的步骤图。
26.图2为本技术实施例的用于构建智能汽车类人决策模型的方法的原理示意图。
27.图3为本技术实施例的用于构建智能汽车类人决策模型的方法中的典型交通场景模型的示例图。
28.图4为本技术实施例的用于构建智能汽车类人决策模型的系统的模块框图。
具体实施方式
29.以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。
30.另外，附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
31.这里所使用的术语仅仅是为了描述具体实施例而不意图限制示例性实施例。除非上下文明确地另有所指，否则这里所使用的单数形式“一个”、“一项”还意图包括复数。还应当理解的是，这里所使用的术语“包括”和/或“包含”规定所陈述的特征、整数、步骤、操作、单元和/或组件的存在，而不排除存在或添加一个或更多其他特征、整数、步骤、操作、单元、组件和/或其组合。
32.在自动驾驶汽车大规模应用前，智能汽车与人类驾驶汽车将长期共用交通道路。智能汽车作为新型交通参与者，其交通行为需要具有可预测性、可解释性以避免新型驾驶事故的发生，这就对智能汽车态势感知能力提出了更高要求。
33.在提高智能汽车可预测性和可解释性方面，研究者为此提出了多种类人决策方法，主要有以下几类：建立人类驾驶轨迹库，根据场景匹配得出当前应选择的轨迹，使智能汽车具有类人的驾驶轨迹；利用ndd标定用于决策的目标函数，使得av决策体现类人的驾驶特性；参考博弈理论离线制定决策规则及对应阈值，得到具有交互特性的决策方式。以上类人决策，一方面仅关注于决策结果的类人程度，并由于所使用的数据库、目标函数标定、以及博弈规则等信息均为离线设定，使得在应用于时序连续的场景中只能执行离散的判断结果，导致决策结果在某些临界值出现跳变，从而使得决策结果的输出缺乏机动性、灵活性，可扩展性差。
34.为了解决上述现有技术中存在的问题，本技术实施例提出了一种用于构建智能汽车类人决策模型的方法及系统。该方法及系统在实时感知信息到决策结果输出之间加入了态势理解和预判过程，使得决策结果在时空尺度上保持逻辑连续，并通过模型间的合理衔接提高决策模型的可解释性与可扩展性。
35.图1为本技术实施例的用于构建智能汽车类人决策模型的方法的步骤图。如图1所示，本发明实施例所述的用于构建智能汽车类人决策模型的方法(以下简称“类人决策模型构建方法”)包括如下步骤：步骤s110根据主车(当前智能车辆)在当前交通环境的认知任务分析来确定主车在交通场景中与认知环节相关的关键要素，并根据关键要素信息，分析表征主车与交通环境(包括但不限于：旁车、道路、交规等)之间的多智能体安全的交通态势，构建类人理解模型；步骤s120分析步骤s110所得到的关键要素所表征的长期安全风险，并根据长期安全风险评价结果和目的地规划结果，对交通态势进行未来时空范围的预测，构建启发式预判模型，进一步结合步骤s110所构建的类人理解模型，形成类人理解与预判决策模型；最后，步骤s130根据除多智能体安全外的优化评价参量，对由类人理解与预判决策模型得到的决策结果进行优化。
36.需要说明的是，在本发明实施例中，由于人类决策过程包括认知、理解、预判、决策和评价，其中，步骤s110所述的认知是指决策过程中的一个环节，所确定出的关键要素是指输入至“理解”环节的信息。
37.图2为本技术实施例的用于构建智能汽车类人决策模型的方法的原理示意图。下面结合图1和图2，对本发明实施例所述的类人决策模型构建方法进行具体说明。
38.在步骤s110中，首先需要根据感知信息分析交通场景中多智能体安全的影响因素，从而确定当前智能车辆(主车)在交通场景中的关键要素。
39.在一个实施例中，根据当前主车所探测到的表征当前车辆行驶环境状态的感知信息，建立表征当前主车驾驶环境状态的典型交通场景模型；而后，以主车在当前典型交通场景模型的行驶状态为基础，分析主车与旁车之间的运动学变化及动力学变化以及道路交通法规、路面条件等交通环境对多智能体安全产生的影响，确定主车需要完成的认知任务；根据当前认知任务分析结果，明确交通场景中的关键要素。
40.具体来说，获取当前主车所探测到的周围行驶环境状态的感知信息，这里所说的环境状态可以包括：主车的运动学及动力学信息、主车行驶位置、周围旁车的数量；旁车的行驶速度、位置、加速度、方向等运动学及动力学信息；以及所在行驶区域的交通法规、路面条件等因素。图3为本技术实施例的用于构建智能汽车类人决策模型的方法中的典型交通场景模型的示例图。图3所示展示了根据感知信息所构建的典型交通场景模型，在该典型交
通场景模型中，展示了主车(ego vehicle，ev)当前正在行驶的位置：同向三车道，以及主车周围存在可能对其产生影响的6辆旁车(background vehicles，bvs)。而后，需要在此场景模型下进行主车认知任务分析，并根据分析结果来确定关键要素。
41.主车认知任务分析是指考虑了ev与bvs之间在横向、纵向运动学变化及动力学特性方面对驾驶安全的影响以及道路交通法规、路面条件等环境因素时，主车需要完成的认知任务(其中一个认知分析结果的示例为：图3所示bv1减速会压缩ev的安全行驶空间)。接下来，根据认知任务分析结果可以明确交通场景中ev需要进一步理解的关键要素。其中，关键要素包括但不限于各旁车的位置、速度、加速度、行驶方向等。
42.由此，本发明实施例完成了典型交通场景模型的建立，并明确了交通场景中主车需要进一步理解的关键要素，即类人理解模型(human-like comprehension model，hcm)的输入。
43.进一步，在确定出交通场景关键要素后，本发明实施例还会根据所确定出的交通场景关键要素，结合交通态势，构建类人理解模型。
44.进一步，本发明实施例，根据上述主车在交通场景中需要进一步理解的关键要素，执行主车与交通环境之间存在的认知任务进行分析，具体分析主车与旁车之间在横、纵向运动学变化时可能产生的多智能体安全方面的影响，从而生成用于描述包括行车风险和驾驶冲突风险在内的交通态势的hcm模型。hcm模型是一种以交通场景关键要素作为输入来对当前主车所面临的交通态势进行描述的模型(例如：通过函数、表达式等方式来实现描述)，其中，类人理解模型的输出为交通态势理解结果。类人理解模型能够反应主车感知交通态势的能力，用来实现对包括当前主车周围任意数量旁车、旁车处于任意运动状态、主车所在交通区域的法规、道路标识等信息在内的交通态势的理解，在输入感知信息并确定关键要素后能够输出相应的交通态势理解结果。
45.如图3所示，本发明实施例能够分别对ev与bv1～bv6之间交互以及交规等交通影响因素存在的认知任务进行分析，从而构建hcm模型。
46.另外，为了保障当前所构建的hcm模型的准确性，步骤s110还会对当前所构建的类人理解模型进行验证。进一步，通过设置测试场景来对类人理解模型的信度和效度进行仿真验证。
47.具体来说，在设置测试场景时，本发明实施例通过设置不同旁车数量、不同主车运动状态与不同旁车运动状态组合、不同道路条件和不同交通规则组合一系列组合条件下的多种测试场景，从而通过多种测试场景来分别对类人理解模型的信度和效度进行仿真验证。其中，在信度和/或效度不足的情况下，可以重新调整交通场景关键要素和/或针对交通态势理解的描述。
48.在得到通过验证的类人理解模型后，进入到步骤s120中。
49.在步骤s120中，本发明实施例会先对步骤s110所获得的关键要素进行长期安全风险分析，再根据目的地规划结果和长期安全风险评价结果，对步骤s110所获得的瞬态性的交通态势理解结果进行基于未来时空范围的预测，从而构建启发式预判模型。
50.进一步，根据关键要素和瞬态性的交通态势理解的描述，确定能够反应长期安全趋势的启发性参数，并对当前启发性参数在未来发展趋势下的潜在驾驶风险进行分析，从而建立针对启发性参数的长期安全评价模型；而后，根据目的地规划结果和上述针对各启
发性参数的长期安全评价模型，评估安全驾驶的连续时间范围和空间范围，建立启发式预判模型。
51.具体来说，根据经过优化的类人理解模型对潜在驾驶风险(诸如包括潜在行车风险和潜在驾驶冲突风险)的描述，从各项关键要素中筛选出能够反应长期安全变化趋势的启发性参数(其中，启发性参数包括但不限于：主车及各旁车的急动度、主车及各旁车的车速、主车及各旁车的行驶方向等)，并对当前启发性参数的发展趋势来开展潜在驾驶风险安全性分析(在一个实施例中，针对每项启发性参数，具体分析每一段预测数据对主车驾驶安全性的影响，筛选出对主车安全驾驶产生潜在危险影响的不安全数据段和不会对主车安全驾驶产生潜在危险影响的安全数据段)，建立针对启发性参数的长期安全评价模型，从而完成对交通态势的未来时空预测。
52.在本发明实施例中，长期安全评价模型能够对各项启发性参数的连续性发展趋势中指示不安全数据段和安全数据段进行描述。
53.接下来，根据目的地规划结果(例如：当前车辆需要行驶到a目的地)和长期安全评价模型，评估安全驾驶的连续时间范围和空间范围，建立启发式预判模型。在一个实施例中，以目的地规划结果作为约束条件，分析潜在驾驶风险，建立长期安全评价模型，生成对一定时空范围内多智能体安全的判断结果，从而生成启发式预判模型，以通过在交通场景中应用当前启发式预判模型来依据该启发式预判模型输出的一定时空范围内的多智能体安全得到对应的驾驶决策结果。
54.在一个实施例中，目的地规划结果可以是根据待完成驾驶任务的导航结果。例如：当前路段需要在前方100m处右转，为完成驾驶任务需要在允许换道的区域换到最右侧车道，这就对主车的决策作出了上层限制。
55.在一个实施例中，安全驾驶的时间及空间范围可以是例如：以主车及交通环境当前状态作为初始变量，假设此时根据当前交通态势判断出主车需要变换至最右侧车道而最右侧车道上行驶的相邻旁车将在主车右前方维持当前车速继续行驶，主车以当前车速变道将在未来第s秒、(x,y)位置上发生碰撞，则从当前时刻至第s秒为安全时间范围，当前位置到(x,y)所包络的空间为安全空间范围。注意这里的安全时间范围可根据实际应用需求进行调整，例如加入安全裕度m，认为从当前时刻至第s-m秒为安全时间范围。
56.进一步，启发式预判模型旨在输出能够保证主车多智能体安全的未来一段时空范围，为得到最终决策结果提供参考。在本发明实施例中，目的地规划结果限制主车在一定空间范围内完成向最右侧车道的换道行为，驾驶安全的连续时空范围则限制了主车换道的时机以及车速、加速度等驾驶策略的选择。综合目的地规划结果以及安全时空范围可以对未来驾驶安全做出时空范围限制，从而得到启发式预判模型。
57.进一步，在本发明实施例中，启发式预判模型是一种以交通态势理解结果作为输入来对当前主车在面临当前交通态势时的安全驾驶时空范围进行描述的模型(例如：通过函数、表达式等方式来实现描述)，其中，启发式预判模型的输出为安全驾驶的时间范围和空间范围。启发式预判模型能够反映主车对交通态势的感知能力，用来得到具有时空连续性且更高态势感知水平的决策结果。
58.在获得启发式预判模型后，步骤s120还会将步骤s110所生成的(经过验证的)类人理解模型和当前生成的启发式预判模型进行关联，得到关联时-空安全范围的类人理解与
预判决策模型。
59.同时，本发明实施例还可直接根据由当前主车所探测到的感知信息而得到的交通场景关键要素，使用类人理解与预判决策模型获得相应的驾驶策略结果。
60.在本发明实施例中，类人理解与预判决策模型以交通场景关键要素作为输入，考虑了多智能体交通态势理解的瞬态安全和应对多智能体长期安全风险的决策，从而以保证多智能体安全的驾驶时空范围作为模型输出，并根据此安全驾驶的时空限制作为约束，在将当前类人理解与预判决策模型在测试交通场景或实际驾驶交通场景中应用后，便能直接得到安全驾驶的决策结果(例如在当前车速下以某一范围内的加速度进行右换道操作能够保证多智能体安全)。
61.进一步，在获得类人理解与预判决策模型后，本发明实施例进入到步骤s130中。步骤s130根据除多智能体安全外的优化评价参量，对步骤s120中由类人理解与预判决策模型得到的决策结果进行优化，从而得到完整的类人决策模型。
62.在一个实施例中，根据优化评价参量和相应评价参量的期望水平，评价由类人理解与预判决策模型输出的驾驶决策结果在各项优化评价参量上的表现水平，从而建立决策结果评价模型；而后，基于前述优化参量表现水平的评价结果(即基于决策结果评价模型)，对由类人理解与预判决策模型得到的、仅考虑多智能体安全的决策结果进行优化，从而生成类人决策模型。
63.具体地说，首先获得一项或多项优化评价参量、以及每项优化评价参量所期望的目标水平(即每项优化评价参量的期望水平)。在本发明实施例中，优化评价参量表征与主车安全驾驶关联性较低的一类参量，包括但不限于：行驶效率(主车完成从a地到b地的驾驶任务所需要的时间，时间越短则认为行驶效率越高)、亲社会性和驾乘舒适性等。期望水平是一种表征当前待评价智能驾驶车辆在相应优化评价参量方面下所期望达到的智能化量化水平的参量。
64.在对驾驶决策结果分别对各项优化评价参量的影响关系进行评价时，需要先分析当前驾驶决策结果对每项优化评价参量的影响，依据对应项优化评价参量的期望水平，生成针对每项优化评价参量的奖惩函数，而后，根据每项优化评价参量的奖惩函数，对驾驶决策结果对每项优化评价参量的影响进行量化评价，以对驾驶决策结果的合理性做出量化评价。
65.接下来，本发明步骤s130还会根据上述驾驶决策结果对每项优化评价参量的表现水平，对根据类人理解与预判决策模型得到的、仅考虑多智能体安全的决策结果进行优化，由此，本发明实施例利用步骤s130从决策结果评价方面对步骤s120所构建的类人理解与预判决策模型进行优化，形成类人决策模型。
66.下面以行驶效率的优化评价参量为例，对类人理解与预判决策模型的优化过程进行说明，具体地：
67.1)分析当前驾驶决策结果对ev行驶效率的积极或消极影响，根据期望行驶效率，构建奖惩函数；
68.2)根据奖惩函数，量化评价决策结果对行驶效率的影响；
69.3)根据评价结果得到类人理解-预判决策模型的决策结果优化方向，以利用当前优化方向对类人理解-预判决策模型的决策输出部分的描述进行优化，从而完成了针对行
驶效率这一优化评价参量对类人理解-预判决策模型的优化，得到类人决策模型。
70.这样，本发明实施例还可以按照上述步骤1)-3)中的流程以其他优化评价参量对类人理解-预判决策模型继续进行优化，从而构建用于实现更高智能化水平的类人决策的模型，得到了经过优化评价参量优化后的类人理解与预判决策模型。
71.另一方面，基于上述类人决策模型构建方法，本发明实施例还提供了一种用于构建智能汽车类人决策模型的系统(也称“类人决策模型构建系统”)。图4为本技术实施例的用于构建智能汽车类人决策模型的系统的模块框图。如图4所示，本发明实施例所述的类人决策模型构建系统包括：类人理解模型构建模块41、类人理解与预判决策模型构建模块42和决策结果优化模块43。
72.具体地，类人理解模型构建模块41按照上述步骤s110实施，配置为分析主车在当前交通环境的认知任务确定主车在交通场景中与认知环节相关的关键要素，基于此，分析主车与交通环境之间多智能体安全的表征方法，构建类人理解模型；类人理解与预判决策模型构建模块42按照上述步骤s120实施，配置为分析关键要素所表征的长期安全风险，并根据长期安全风险评价结果和目的地规划结果，对交通态势进行未来时空范围的预测，构建启发式预判模型，进一步结合类人理解模型，形成类人理解与预判决策模型；决策结果优化模块43按照上述步骤s130实施，配置为根据除多智能体安全外的优化评价参量，对由类人理解与预判决策模型得到的决策结果进行优化。
73.此外，基于上述类人决策模型构建方法，本发明实施例还提供了一种用于智能汽车的类人决策方法。该类人决策方法应用上述类人决策模型构建方法所生成的类人决策模型来实现。
74.本发明公开了一种用于构建智能汽车类人决策模型的方法和系统、以及应用这一类人决策模型来实现的类人决策方法。具体地，通过建立类人理解模型、启发式预判模型以及决策结果评价模型，得到了类人理解-预判决策模型，提高了智能车对交通态势的理解水平，避免了智能汽车出现人类交通参与者难以及时正确反应的驾驶行为，最终提升了智能汽车的可预测性，在保证多智能体安全的基础上给出了进一步优化决策的扩展空间，有利于智能汽车以更高的社会接受度融入交通系统。
75.综上，本发明具有以下优点和积极效果：
76.(1)参考人类决策过程将自动驾驶决策分为交通态势理解、交通态势预判、决策结果优化三个过程，使决策具有时空连续性，避免了决策结果突变导致的追尾等交通事故；
77.(2)建立了类人理解模型，使智能汽车能够在多智能体交通环境下感知安全风险，相比于两两博弈的决策分析，能够在更复杂的交通场景下保证多智能体安全；
78.(3)建立启发式预判模型，赋予智能汽车对长期安全的感知能力，从源头上避免了智能汽车出现紧急刹车等难以被预测的行为；
79.(4)通过构建类人理解-预判决策模型，揭示了离散决策结果之间的过渡机制，使得每个决策结果所遵循的依据保持时空连续、可被其他人类交通参与者理解；
80.(5)考虑更高智能化水平的决策性能，建立了决策结果评价模型，为优化决策策略提供了扩展接口，以实现更高智能化水平的决策。
81.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人员在本发明所揭露的技术范围内，可轻易想到的变化或替换，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该以权利要求的保护范围为准。
82.在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上；术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
83.在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
84.应该理解的是，本发明所公开的实施例不限于这里所公开的特定结构、处理步骤或材料，而应当延伸到相关领域的普通技术人员所理解的这些特征的等同替代。还应当理解的是，在此使用的术语仅用于描述特定实施例的目的，而并不意味着限制。
85.说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。
86.虽然本发明所披露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。