具体实施方式

出于简洁和说明性目的，本文主要参考其示范实施例来描述本申请的原理。但是，本领域技术人员将容易地认识到相同的原理可等效地应用于所有类型的换道方法、换道系统、存储介质以及车辆，并且可以在其中实施这些相同或相似的原理，任何此类变化不背离本申请的真实精神和范围。

本申请的一方面提供了一种换道方法。如图1所示，换道方法10包括如下步骤：在步骤S102中接收条件信息；在步骤S104中以条件信息为神经网络的输入得到初始换道策略；以及在步骤S106中基于预定规则和条件信息对初始换道策略进行校正。本发明中的换道策略包括了保持原有车道、向左换道和向右换道，并且每种策略都伴随一定的概率。在一些示例中，在最终确定策略时可以选择概率最高的那个策略输出。需要说明的是，本文中的“校正”包括了维持原结果这一特殊情形。

根据本发明一些方面的换道方法10在步骤S102中接收例如驾驶过程中以图像传感器等获取的连续多帧下的条件信息。其中，条件信息包括了当前车辆的速度信息、相邻车辆状态信息以及车道线信息。在本文中，当前车辆是指实施换道方法10的车辆，相邻车辆是指邻近当前车辆并且可能对换道决策造成影响的车辆。以上在步骤S102中接收的条件信息是实现换道方法10的基础数据，因而可靠的条件信息是生成科学的换道策略的前提。需要说明的是，本文主要考虑的是同向换道，因而对向车道及其上的车辆不在研究范围之内。

在一些示例中，相邻车辆可以是车载探测器（例如，毫米波雷达、激光雷达、视觉传感器等）可探测范围内的车辆。取决于探测器的种类和数量，可探测范围内的相邻车辆的数量可能有所不同。以这种方式选取相邻车辆的优势在于数据更加丰富，因而决策的可靠性可能会更高。但是如果考虑的相邻车辆的数量过多计算量可能会很大，这可能会影响决策效率。

在本申请的一些实施例中，可以在探测器可探测范围内的车辆中选取与换道最相关的若干车辆作为相邻车辆。例如，如图3所示，相邻车辆可以为当前车辆C0行进方向（图中车头的箭头方向）上的前方紧邻车辆C2、后方紧邻车辆C7、左方紧邻车辆C4、右方紧邻车辆C5、左上方紧邻车辆C1、右上方紧邻车辆C3、左下方紧邻车辆C6和右下方紧邻车辆C8。需要说明的是，这里的相邻车辆是指理论上可纳入考虑的车辆，若实际情况中不存在这样的车辆也不影响实施本发明。例如，探测器在预定范围内并未探测到图示位置的右下方紧邻车辆C8，那么在实施本发明的各个步骤时就将这个位置置为“空”。

在本申请的一些实施例中，继续参考图3，相邻车辆的状态信息包括了相邻车辆的横向速度和纵向速度、相邻车辆与当前车辆的横向距离和纵向距离。以左方紧邻车辆C4为例，其当前速度为V，可以分解为水平分量V_x（横向速度）和垂直分量V_y（纵向速度）。左方紧邻车辆C4与当前车辆C0的横向距离为X、纵向距离为Y。状态信息将有利于描绘各相邻车辆的状态，进而可以据此生成准确的换道策略。

在本申请的一些实施例中，车道线信息包括当前车辆所在车道及其相邻车道（若存在的话）的车道线拟合曲线的系数。继续参考图3，当前车辆C0所在车道M与左侧相邻车道K共用车道线L2，与右侧相邻车道N共用车道线L3。左侧相邻车道K还包括车道线L1，而右侧相邻车道N还包括车道线L4。在本发明的一些示例中，主要研究图示的车道线L1、L2、L3和L4，因而车道线信息包括车道线L1、L2、L3和L4中每一条的拟合曲线的系数。

根据本发明一些方面的换道方法10在步骤S104中以条件信息为神经网络的输入，并经由神经网络处理得到初始换道策略。在神经网络用于处理实时输入的数据并产生初始换道策略之前，可以利用人工驾驶经验数据训练神经网络。相关训练过程可以按照现有技术展开，在此不再赘述。

在本申请的一些实施例中，在步骤S104中利用长短期记忆（LSTM）神经网络来生成初始换道策略。长短期记忆是一种特殊的循环神经网络（RNN），相比于普通的循环神经网络，长短期记忆神经网络能够在更长的序列中有更好的表现。发明人在研发过程中发现，长短期记忆神经网络在处理车辆自主换道策略过程中相比于其他类型的神经网络具有更好的效果，不但效率更高，而且生成的换道策略也更加令人满意。

根据本发明一些方面的换道方法10在步骤S106中基于预定规则和条件信息对初始换道策略进行校正以生成校正换道策略并输出。在通过步骤S104得到当前车辆在实时环境下的初始换道策略（例如，保持直行、向左右换道）的概率后，可以通过一个定制化的专家系统将概率值做进一步处理。专家系统可以利用已有知识或经验对步骤S104产生的结果进行优化处理，从而对复杂的决策问题效果更好。具体而言，专家系统可以在神经网络输出结果的基础上结合人类在行驶过程中直观驾驶经验，优化输出的换道决策。

使用专家系统的优势在于可以通过定制化地加入/修改/删减系统内经验，使智能换道决策输出更符合驾驶员预期，也更有利于决策机的维护与迭代。

在本申请的一些实施例中，步骤S106中提及的预定规则可以包括以下内容：

（1）速差压制规则。神经网络在学习时使用人类驾驶员的驾驶数据，不同驾驶员在面对前方有慢车存在时，选择换道的条件不尽相同。专家系统在处理神经网络给出的换道概率时，首先会限定决策场景为“前方存在车辆，且该车速度与当前车辆期望行驶速度间差值大于一定阈值，并保持一定时间”。其中当前车辆期望的行驶速度可以为驾驶员设定的当前巡航速度表示。在满足速差压制条件时可以修订神经网络的各输出概率。例如，对于与前车速差较大的场景，适当增加左/右换道的概率值并降低直行的概率值。具体而言，在当前车辆的期望速度与其所在车道的前方车辆的速度差值高于第一预定值的情况下增加初始换道策略中向相邻车道换道的概率并降低保持原来车道的概率。

（2）快车道优先规则。当神经网络输出向一侧换道概率远大于其他两种输出时，可以认为大多数驾驶员在该场景下选择向这一侧进行换道，专家系统即选择该方向作为换道决策的方向进行输出。当神经网络输出向直行概率极小，但向两侧换道概率相当时，可认为此时向左/右换道均符合驾驶员预期。考虑到绝大多数道路以左侧车道作为快车道，且右侧车道可能存在尚未观测到的前方慢车，专家系统会适当增加向左换道的输出概率并调低向右换道的输出概率，使整体决策更倾向于向快车道行驶。具体而言，在初始换道策略中保持原来车道的概率低于第二预定值并且向相邻左车道换道的概率与向相邻右车道换道的概率差值低于第三阈值的情况下增加向左换道的概率值并降低向右换道的概率值。

（3）决策冷却规则。在行驶过程中，由于当前车辆在各类状态间的切换，导致存在一些即使符合触发智能换道条件，但不希望有频繁换道决策的场景。例如当车辆刚完成一个换道动作，此时再进行换道会增加驾驶员的不安全感。针对这类场景，专家系统会在运行中进行识别，并根据每个场景类别设定冷却时间。在冷却时间内，即使行驶场景符合，智能换道决策也会被专家系统抑制。具体而言，在当前车辆自上次向相邻左车道换道完成后的预定时间内抑制初始换道策略中向相邻车道换道。

本申请的另一方面提供了一种换道系统。如图2所示，换道系统20包括接收单元202、神经网络单元204和专家规则单元206。尽管图中示出为独立的单元，但是这些单元模块可以集成实现。例如，神经网络单元204、专家规则单元206可以利用专用或者通用处理器实现（辅以必要的存储设备）。

换道系统20的接收单元202被配置成接收例如驾驶过程中以图像传感器等获取的连续多帧下的条件信息，其中，条件信息包括当前车辆的速度信息、相邻车辆状态信息以及车道线信息。在本文中，当前车辆可以是指换道系统20所属的车辆，相邻车辆是指邻近当前车辆并且可能对换道决策造成影响的车辆。以上通过接收单元202接收的条件信息是换道系统20得以继续工作的基础数据，因而可靠的条件信息是生成科学的换道策略的前提。需要说明的是，本文主要考虑的是同向换道，因而对向车道及其上的车辆不在研究范围之内。

在一些示例中，相邻车辆可以是车载探测器（例如，毫米波雷达、激光雷达、视觉传感器等）可探测范围内的车辆。取决于探测器的种类和数量，可探测范围内的相邻车辆的数量可能有所不同。以这种方式选取相邻车辆的优势在于数据更加丰富，因而决策的可靠性可能会更高。但是如果考虑的相邻车辆的数量过多计算量可能会很大，这可能会影响决策效率。

在本申请的一些实施例中，换道系统20可以在车辆探测器（图中未示出）可探测范围内的车辆中选取与换道最相关的若干车辆作为相邻车辆。例如，如图3所示，相邻车辆可以为当前车辆C0行进方向（图中车头的箭头方向）上的前方紧邻车辆C2、后方紧邻车辆C7、左方紧邻车辆C4、右方紧邻车辆C5、左上方紧邻车辆C1、右上方紧邻车辆C3、左下方紧邻车辆C6和右下方紧邻车辆C8。需要说明的是，这里的相邻车辆是指理论上可纳入考虑的车辆，若实际情况中不存在这样的车辆也不影响实施本发明。例如，探测器在预定范围内并未探测到图示位置的右下方紧邻车辆C8，那么换道系统20可以将这个位置置为“空”。

在本申请的一些实施例中，继续参考图3，相邻车辆的状态信息包括了相邻车辆的横向速度和纵向速度、相邻车辆与当前车辆的横向距离和纵向距离。以左方紧邻车辆C4为例，其当前速度为V，可以分解为水平分量V_x（横向速度）和垂直分量V_y（纵向速度）。左方紧邻车辆C4与当前车辆C0的横向距离为X、纵向距离为Y。状态信息将有利于描绘各相邻车辆的状态，换道系统20进而可以据此生成准确的换道策略。

在本申请的一些实施例中，车道线信息包括当前车辆所在车道及其相邻车道（若存在的话）的车道线拟合曲线的系数。继续参考图3，当前车辆C0所在车道M与左侧相邻车道K共用车道线L2，与右侧相邻车道N共用车道线L3。左侧相邻车道K还包括车道线L1，而右侧相邻车道N还包括车道线L4。在本发明的一些示例中，主要研究图示的车道线L1、L2、L3和L4，因而换道系统20纳入考虑的车道线信息包括车道线L1、L2、L3和L4中每一条的拟合曲线的系数。

换道系统20的神经网络单元204被配置成以条件信息为输入并生成初始换道策略输出。在神经网络单元204用于处理实时输入的数据并产生初始换道策略之前，可以利用人工驾驶经验数据训练神经网络单元204。相关训练过程可以按照现有技术展开，在此不再赘述。

在本申请的一些实施例中，神经网络单元204由长短期记忆神经网络构成。长短期记忆是一种特殊的循环神经网络，相比于普通的循环神经网络，长短期记忆神经网络能够在更长的序列中有更好的表现。发明人在研发过程中发现，长短期记忆神经网络在处理车辆自主换道策略过程中相比于其他类型的神经网络具有更好的效果，不但效率更高，而且生成的换道策略也更加令人满意。

换道系统20的专家规则单元206被配置成基于预定规则和条件信息对初始换道策略进行校正以生成校正换道策略并输出。在神经网络单元204得到当前车辆在实时环境下的初始换道策略（例如，保持直行、向左右换道）的概率后，可以通过一个定制化的专家规则单元206将概率值做进一步处理。专家规则单元206可以利用已有知识或经验对神经网络单元204产生的结果进行优化处理，从而对复杂的决策问题效果更好。具体而言，专家规则单元206可以在神经网络单元204输出结果的基础上结合人类在行驶过程中直观驾驶经验，优化输出的换道决策。

使用专家系统的优势在于可以通过定制化地加入/修改/删减系统内经验，使智能换道决策输出更符合驾驶员预期，也更有利于决策机的维护与迭代。

在本申请的一些实施例中，专家规则单元206中采用的预定规则可以包括以下方面。（1）速差压制规则，其基本原理可以参见上文描述，在此不再赘述。具体而言，在当前车辆的期望速度与其所在车道的前方车辆的速度差值高于第一预定值的情况下增加初始换道策略中向相邻车道换道的概率并降低保持原来车道的概率。（2）快车道优先规则，其基本原理可以参见上文描述，在此不再赘述。具体而言，在初始换道策略中保持原来车道的概率低于第二预定值并且向相邻左车道换道的概率与向相邻右车道换道的概率差值低于第三阈值的情况下增加向左换道的概率值并降低向右换道的概率值。（3）决策冷却规则，其基本原理可以参见上文描述，在此不再赘述。具体而言，在当前车辆自上次向相邻左车道换道完成后的预定时间内抑制初始换道策略中向相邻车道换道。

本申请的另一方面提供了一种车辆，其包括如上文所述的任意一种换道系统。配置有换道系统的车辆在自动驾驶或者辅助驾驶过程中可以实现智能、安全和高效的换道。

根据本申请的另一方面，提供一种计算机可读存储介质，其中存储有指令，当所述指令由处理器执行时，使得所述处理器执行如上文所述的任意一种换道方法。本申请中所称的计算机可读介质包括各种类型的计算机存储介质，可以是通用或专用计算机能够存取的任何可用介质。举例而言，计算机可读介质可以包括RAM、ROM、EPROM、E²PROM、寄存器、硬盘、可移动盘、CD-ROM或其他光盘存储器、磁盘存储器或其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码单元并能够由通用或专用计算机、或者通用或专用处理器进行存取的任何其他临时性或者非临时性介质。如本文所使用的盘通常磁性地复制数据，而碟则用激光来光学地复制数据。上述的组合也应当包括在计算机可读介质的保护范围之内。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读写信息。在替换方案中，存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中，处理器和存储介质可作为分立组件驻留在用户终端中。

本发明的以上一些示例提供了解决了在复杂驾驶环境下自动驾驶汽车的智能换道决策的方案。根据这些方案可以根据当前的车道线信息、周围车辆的连续运行状态、当前车辆的连续运行状态等自动生成智能、安全的换道决策。自动驾驶系统的控制系统可以根据这一换道决策实现换道动作。

以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此。本领域的技术人员可以根据本申请所披露的技术范围想到其他可行的变化或替换，此等变化或替换皆涵盖于本申请的保护范围之中。在不冲突的情况下，本申请的实施方式及实施方式中的特征还可以相互组合。本申请的保护范围以权利要求的记载为准。