基于冲突消解的智能车辆城市交叉口通行决策多目标优化
模型
技术领域
[0001] 本
发明属于
智能交通系统与智能车辆研究技术领域，涉及驾驶交互行为分类，应用
模糊逻辑方法建立车辆换道交互关系判定模型及车辆穿越交互关系判定模型，并通过中国智能
汽车大赛和真实道路实车数据，验证交叉口穿越交互关系判定模型的有效性，帮助无人驾驶车辆理解、判断周边有人车辆行为，对提高无人驾驶汽车自主驾驶
水平具有重要的意义。
背景技术
[0002] 发展无人驾驶技术已成为全球共识，它在解决交通安全以及治理交通拥堵方面极具潜
力。2014年美国交通运输部提出《ITS战略计划2015-2019》，明确美国未来5年发展目标为汽车网联化与自动控制智能化。2015年欧盟委员会提出《GEAR 2030战略》，重点关注高度自动化和网联化驾驶领域等推进和合作。2014年，日本内阁联合多个政府部
门及丰田等主要汽车企业，提出“2020年实现完全无人驾驶系统市场化”目标，可见欧、美、日分别从国家战略规划推动无人驾驶和智能网联汽车技术的发展。在我国，车联网、无人驾驶相关政策相继出台，2015年《中国制造2025》明确提出智能网联汽车是重点发展内容，2016年中国汽车工程学会发布的《节能与新
能源汽车技术路线图》，明确中国智能网联汽车技术路线发展的短期、中期、长期目标，2017年工信部出台《车联网发展创新行动计划》，加快车联网技术研发和标准制定，智能化汽车产业发展已经上升到国家层面。智能网联汽车将向网联协同
感知、网联协同决策与控制、有条件自动驾驶和完全自动驾驶等方向进一步发展和应用。
[0003] 尽管无人驾驶车辆相关技术研究已取得较大进展，实现了城市道路限定区域内的低速行驶，以及高速公路简单环境中的自主行驶，但是无人驾驶在汽车领域的应用也在不断出现问题，使得人们对于无人驾驶技术仍处于担心和忧虑之中。据密西根大学交通研究所关于有人与无人驾驶车辆的道路安全记录统计，研究表明无人驾驶车辆相比于有人驾驶车辆更易发生事故，两者事故比为9.1:1.9，其中无人驾驶车辆的追尾事故比例比有人驾驶车辆高出50％。例如2016年5月，特斯拉Model S在美国加利福尼亚州开启了自动驾驶状态下发生了交通事故，这是最早被报道因自动驾驶程序出错而导致的车祸。2018年3月，一辆Uber无人驾驶测试车在亚利桑那州撞到一位行人致其死亡，这是自动驾驶汽车发生的第一起撞到行人导致的死亡事故，在事故发生后，Uber暂停了自动驾驶测试工作。由此可见自动驾驶功能并不成熟，其决策控制系统依然存在安全隐患。
[0004] 此外，在美国DARPA城市挑战赛、“中国智能车未来挑战大赛(IVFC)”、“中国智能汽车大赛(CIVC)”、“世界智能驾驶挑战赛(WIDC)”中，面对有人驾驶车辆干扰时参赛车大都采用减速或等待的保守驾驶行为规避冲突，并没有考虑其他车辆动态交互行为的影响，忽略不同类型驾驶人的交互行为的差异性影响，这将大大限制了无人驾驶车辆的交叉口通行潜能。
[0005] 目前汽车的智能化程度已实现了限定条件下的完全自动驾驶，自动化等级基本达到了L3级别，但是距离L4、L5级的无人驾驶级别还存在一定距离，那么未来无人驾驶车辆要实现真正上路行驶，将要面临与有人驾驶车辆共存的混合交通环境，这就需要无人驾驶车辆具备有效的交互机制，在混合行驶环境中实现有人与无人驾驶车辆协作驾驶，充分发挥精确控制与网联通信等优势。
[0006] 针对上述问题，当有人与无人驾驶汽车共同使用道路资源时，只有两者实现交互协同才能发挥道路资源有效利用，并且防止交通事故的发生。本研究结合国家重点研发计划课题“自动驾驶电动汽车环境适应性量化评估技术研究”，以有人与无人驾驶车辆混行条件下的车-车交互关系为安全交互行驶的关键环节，建立交叉口穿越交互关系判定模型，用车辆合作竞争程度表示，帮助无人驾驶车辆理解、判断周边有人车辆行为。
发明内容
[0007] 本发明的目的是提供一种
基于冲突消解的智能车辆城市交叉口通行决策多目标优化模型。基于模糊逻辑方法车辆穿越交互关系判定模型，该模型综合考虑交互双方穿越意愿高低与他车驾驶员类型，模糊推理车辆间的合作竞争程度，建立模糊推理输出值与交互关系预测结果之间的映射关系，以解析混行条件下的车-车交互行为，帮助无人驾驶车辆理解、判断周边有人车辆行为，为实现多车协作驾驶奠定
基础。
[0008] 本发明的目的是提供一种基于冲突消解的智能车辆城市交叉口通行决策多目标优化模型，将交叉口冲突消解问题转化为一个带约束的多目标优化问题(MOP)。该模型以虚拟仿真实验为
支撑，以分析和提取交叉口有人驾驶和无人驾驶车辆互相避让的决策规则为研究切入点，以系统整体驾驶收益最大化为目标，以
加速度作为决策变量，建立交叉口车辆冲突消解的多目标优化模型，为智能驾驶车辆的决策系统提供坚实的基础。
[0009] 本发明提出了一种基于冲突消解的智能车辆城市交叉口通行决策多目标优化模型：
[0010] 所述的车辆穿越交互模型，以交叉口目标车辆的穿越意愿高低及冲突车辆的的驾驶类型，应用模糊逻辑方法建立车辆穿越交互关系判定模型，考虑交互双方穿越意愿高低与他车驾驶员类型，模糊推理车辆间合作竞争程度，建立模糊推理输出值与交互关系预测结果之间的映射关系，以表示交互过程中他车的合作与竞争关系；通过解析混行条件下的车-车交互行为，帮助无人驾驶车辆理解、判断周边有人车辆行为；
[0011] 基于此进行交叉口冲突消解的决策模型建立，以加速度作为决策变量控制车辆，将交叉口冲突消解问题转化为一个带约束的多目标优化问题，以系统整体驾驶收益最大化为目标，以加速度作为决策变量，建立交叉口车辆冲突消解的多目标优化模型，通过引入可变合作系数，完成交叉口不同交互方式下的无人驾驶车辆动作生成结果的优化；
[0012] 采用改进型非劣遗传
算法NSGA-II求解Pareto最优解集，然后采用熵权TOPSIS对Pareto最优解集进行多属性决策分析，根据决策者的偏好挑选出最优解。
[0013] 更进一步，车辆穿越交互关系模型，交叉口目标车辆穿越意愿的高低，与下列两个因素有关：
[0014] (1)冲突压力P
[0015] 由于交通规则等原因，会在交叉口产生交通冲突，在空间轨迹上产生重合区，极易引发交通事故；因此产生冲突的车辆需要调整通过重合区的时间，从而实现冲突消解；随着驾驶人越靠近冲突点，感受到的冲突压力越大，此时希望尽快穿越交叉口的意愿也会随着压力的增大而增大，穿越概率增加。
[0016] (2)冲突激烈程度Tc
[0017] 目标车辆穿越与否需考虑与冲突车辆发生冲突的可能性，用Tc评估交叉口车辆碰撞的危险程度；假设交通参与者之间存在冲突的点或面，则通过冲突点或冲突面的时间差为Tc；
[0018]
[0019] 式中LCSV(t)为目标车辆CSV距离冲突点的距离(m)；LCFV(t)为冲突车辆CFV距离冲突点的距离(m)；vCSV(t)为目标车辆CSV的速度(m/s)；vCFV(t)为冲突车辆CFV的速度(m/s)；
[0020] 当冲突压力P越大、冲突激烈程度Tc越小，驾驶人越有可能选择穿越以获取更好的驾驶条件；反之，冲突压力P越小，冲突激烈程度Tc越大，驾驶人穿越的可能性越小。
[0021] 更进一步，冲突车辆的驾驶类型：
[0022] 对于交叉口通行车辆来说，不同的驾驶人类型，车辆选择接受或拒绝穿越
请求的意愿也不同，冲突车辆驾驶类型的模糊逻辑构建方法同理换道中他车驾驶员类型。
[0023] 更进一步，多目标优化问题的数学模型常表示成以下形式：
[0024]
[0025] 其中，自变量X＝(x1,x2,...,xn)T是n维欧氏空间En中的向量；f(X)是目标函数hi(X)＝0和gj(X)≥0是约束条件。
[0026] 对于求解收益函数的最大值问题，可以转换成求其负函数的最小值问题，从而该优化问题的数学描述为：
[0027]
[0028] s.t.amin≤ai≤amax，i＝1，2
[0029] vmin≤νi≤νmax，i＝1，2
[0030] 式中，amin，amax为车辆加速度限制，vmin，vmax为车辆速度限制；p为合作系数，取值[0～1]。当车辆间为完全竞争关系时，p＝0；当车辆间为完全合作关系时，p＝1。
[0031] 对于任意一组(a1，a2)的速度改变方案则需满足安全约束条件如下：
[0032]
[0033] 式中 L为车长，W为车宽。
[0034] 其中一待交叉车辆速度调整时，其运动状态的计算公式为：
[0035]
[0036] 式中，x1(t)，y1(t)为车辆存在调速行为时，在t时刻的
位置坐标，(x1(0),y1(0))为初始位置，v1(0)为初始速度，a1(0)为加速度， 为航向
角。
[0037] 对于另一待交叉的车辆，当速度调整时，其运动状态的计算公式为：
[0038]
[0039] 式中，x2(t)，y2(t)为车辆存在调速行为时，在t时刻的位置坐标，(x2(0),y2(0))为初始位置，v2(0)为初始速度，a2(0)为加速度， 为航向角。
[0040] 2)由于受交叉口车道等影响，车辆MV和UV在任意时刻的速度都不能超过其限速的最大值，而允许的最小速度是零(即停车)，速度的约束条件如下：
[0041] 0＜vi(t)≤vmax
[0042] 其中，vmax取决于道路及交叉口的最大速度限制。
[0043] 3)在实际交通中车辆的加速度受车辆性能的限制，不可能过大或者过小，则对于加速度约束条件：
[0044] amin＜ai(t)≤amax
[0045] 其中，amin、amax的大小取决于车辆性能及行驶舒适性要求；
[0046] 采用Srinivas学者提出的改进型非劣
遗传算法(NSGA-II)，降低其算法计算复杂度；采用精英策略保证种群多样性，提高算法收敛性及运算
精度。
[0047] 本发明的有益效果是：
[0048] (1)基于模糊逻辑方法建立车辆换道交互关系判定模型及交叉口穿越交互关系判定模型，以解析混行条件下的车-车交互行为，帮助无人驾驶车辆理解、判断周边有人车辆行为；并选取中国智能汽车大赛中混行条件下几组路段及交叉口行驶数据作为模型的输入参数，验证车辆换道交互关系及交叉口穿越交互关系判定模型的有效性，结果表明模糊推理方法对车辆换道及交叉口穿越过程中合作竞争程度预测准确率超过87.3％和91.6％，车辆合作与竞争程度越极端，准确率越高，说明无人驾驶车辆具备理解人类行为的能力，这为实现多车协作驾驶奠定基础。
[0049] (2)根据交叉口无人驾驶和有人驾驶混行的特点，提出交叉口冲突消解的多目标优化模型，采用该模型协同驾驶时，有效提高了冲突车辆通过交叉口的效率，使得冲突车辆的行驶时间、行驶速度得到优化，提高智能驾驶车辆的行为决策水平。
附图说明
[0050] 图1为有人与无人驾驶车辆混行条件下的车-车交互关系图；
[0051] 图2为车辆穿越交互关系判定示意图；
[0052] 图3为交叉口穿越车辆交互关系预测结果图。
[0053] 图4为无
信号十字型交叉口冲突示意图；
[0054] 图5为NSGA-II的算法思想图；
[0056] 图7为交叉口冲突消解的多目标
优化算法流程图；
[0057] 图8为车辆交互避让系统的V模型设计图；
[0058] 图9为交叉口车辆冲突消解的实例模型图；
[0059] 图10为A组实验车辆MV与UV冲突消解算法仿真结果(p＝1)图；
[0060] 图11为B组实验车辆MV与UV冲突消解算法仿真结果(p＝0)图。
具体实施方式
[0061] 本发明采用模糊逻辑方法建立车辆穿越交互关系判定模型，该模型综合考虑交互双方穿越意愿高低与他车驾驶员类型，模糊推理车辆间合作竞争程度，建立模糊推理输出值与交互关系预测结果之间的映射关系，以表示交互过程中他车的合作与竞争关系。通过解析混行条件下的车-车交互行为，帮助无人驾驶车辆理解、判断周边有人车辆行为。
[0062] 以双方第1次冲突时对方的行为反应为判定准则，将交叉口穿越行为分为协作式穿越(Cooperative Crossing，COC)及竞争式穿越(Competitive Crossing，CMC)。
[0063] 协作式穿越行为：即车辆CSV发出穿越请求，车辆CFV减速避让允许其穿越通过，随后车辆CFV再完成穿越。
[0064] 竞争式穿越行为：车辆CSV发出穿越请求，车辆CFV保持车速或加速拒绝其穿越请求，迫使车辆CSV作出妥协，直到下一个间隙允许其穿越请求，再穿越通过。
[0065] 根据上述交互关系可见，为了安全地完成交叉口穿越，双方驾驶人会出现一种合作与竞争的选择，最后都以一方礼让另一方穿越的结果安全通过，而驾驶人之间的完全竞争或者妥协将会造成交通事故或者降低通行效率，因此交叉口车辆的协作驾驶能够保证安全的同时提高通行效率。
[0066] 一、车辆穿越交互关系模型
[0067] 同理根据交叉口目标车辆的穿越意愿高低及冲突车辆的的驾驶类型，建立车辆穿越交互关系判定模型，利用模糊逻辑方法推理车辆间合作程度高低。
[0068] 1、目标车辆穿越意愿的高低
[0069] 车辆能否穿越交叉口主要与车辆感受的冲突压力及冲突激烈程度有关以交叉口冲突压力P及冲突激烈程度Tc作为模型输入量，输出变量为穿越意愿高低程度。交叉口目标车辆穿越意愿的高低，一般来说与下列两个因素有关：
[0070] (1)冲突压力P
[0071] 一般来说，由于交通规则等原因，会在交叉口产生交通冲突，如直行及左转车辆可能形成交叉冲突，在空间轨迹上产生重合区，极易引发交通事故。因此产生冲突的车辆需要调整通过重合区的时间，从而实现冲突消解。随着驾驶人越靠近冲突点，感受到的冲突压力越大，此时希望尽快穿越交叉口的意愿也会随着压力的增大而增大，穿越概率增加。为了能更好地描述冲突压力大小，假设在150m车辆进入交叉口有效通信范围，将此处的冲突压力设为0，到达冲突点的压力设为1，冲突压力表达式为：
[0072]
[0073] P——冲突压力；
[0074] Li(t)——第i车辆距离冲突点的距离(m)。
[0075] 构建冲突压力隶属度函数，将冲突压力P的论域范围设为{0.1，0.3，0.5，0.7，0.9}，模糊集为{很小(VS)、小(S)、中(M)、大(L)、很大(VL)}。
[0076] (2)冲突激烈程度Tc
[0077] 目标车辆穿越与否需考虑与冲突车辆发生冲突的可能性，用Tc评估交叉口车辆碰撞的危险程度。假设交通参与者之间存在冲突的点或面，则通过冲突点或冲突面的时间差为Tc。
[0078]
[0079] 式中LCSV(t)——目标车辆CSV距离冲突点的距离(m)；LCFV(t)为冲突车辆CFV距离冲突点的距离(m)；vCSV(t)——目标车辆CSV的速度(m/s)；vCFV(t)——冲突车辆CFV的速度(m/s)。
[0080] 结合实测数据和现有研究，将冲突激烈程度Tc的论域范围设为的论域范围取为{0，3，5，7，10}，模糊集为{很大(VL)、大(L)、中(M)、小(S)、很小(VS)}。
[0081] (3)模糊控制规则
[0082] 由上述分析可知，当冲突压力P越大、冲突激烈程度Tc越小，驾驶人越有可能选择穿越以获取更好的驾驶条件；反之，冲突压力P越小，冲突激烈程度Tc越大，驾驶人穿越的可能性越小，由此确定车辆穿越意愿模糊规则如表3.5所示。
[0083] 表3.5穿越意愿模糊逻辑规则表
[0084]
[0085] 2、冲突车辆的驾驶类型
[0086] 对于交叉口通行车辆来说，不同的驾驶人类型，车辆选择接受或拒绝穿越请求的意愿也不同，冲突车辆驾驶类型的模糊逻辑构建方法同理换道中他车驾驶员类型。根据专家经验法和观察法确定冲突车辆驾驶类型的模糊规则如表3.6所示。
[0087] 表3.6模糊逻辑规则表
[0088]
[0089] 3、模糊推理
[0090] 将上述两个步骤得到的目标车辆的穿越意愿及他车驾驶员类型作为输入变量，输出为车辆穿越过程的合作程度高低，构建车辆穿越交互关系判定模型。车辆合作程度高低值用语言变量高(H)、中(M)、低(L)表示，分别对应他车交互关系为合作关系、不明确、竞争关系3种结果，车辆穿越交互关系模糊逻辑规则如表3.7所示。
[0091] 表3.7车辆穿越交互关系模糊逻辑规则表
[0092]
[0093] 同理该部分模糊推理的模糊蕴含关系均采用Mamdani法则，解模糊采用
重心法，计算得到车辆合作竞争程度与穿越意愿及驾驶类型之间的对应关系，
[0094] 对模糊推理输出值进行
去模糊化处理，用p表示车辆合作程度的输出值。p取0～1之间值，p的量化值越低，表明车辆间竞争越激烈，反之，p的量化值越高，表明车辆间合作程度越高。下面建立模糊推理输出值与交互关系预测结果之间的映射关系，如下式，其中3表示合作关系，2表示不明确状态，1表示竞争关系。通过车辆交互关系的预测，以解析混行条件下的车-车交互行为，帮助无人驾驶车辆理解、判断周边有人车辆行为。
[0095]
[0096] 所述的车辆穿越交互模型，其特征是以交叉口目标车辆的穿越意愿高低及冲突车辆的的驾驶类型，建立车辆穿越交互关系判定模型，利用模糊逻辑方法推理车辆间合作程度高低。
[0097] 先构建了车辆交叉口穿越交互关系判定模型，基于此进行交叉口冲突消解的决策模型建立，由于交叉口通行过程中车辆的相关状态和动作都为连续值，以加速度作为决策变量控制车辆，将交叉口冲突消解问题转化为一个带约束的多目标优化问题(MOP)，以系统整体驾驶收益最大化为目标，以加速度作为决策变量，建立交叉口车辆冲突消解的多目标优化模型，通过引入可变合作系数，完成交叉口不同交互方式下的无人驾驶车辆动作生成结果的优化。采用改进型非劣遗传算法(NSGA-II)求解Pareto最优解集，然后采用熵权TOPSIS对Pareto最优解集进行多属性决策分析，根据决策者的偏好挑选出最优解，兼顾了安全性与舒适性的收益，保证了优化结果的全局最优性，并在虚拟仿真平台上进行实验验证。
[0098] 所述的车辆交叉口穿越交互关系判定模型，基于交叉口目标车辆的穿越意愿高低及冲突车辆的驾驶类型建立，并利用模糊逻辑方法推理车辆间合作程度高低。所述的多目标优化模型，定义模型目标函数，确定约束条件，最后利用改进型非劣遗传算法(NSGA-II)进行求解，降低其算法计算复杂度，采用精英策略保证种群多样性，提高算法收敛性及运算精度。
[0099] 多目标优化问题的数学模型常表示成以下形式：
[0100]
[0101] 其中，自变量X＝(x1,x2,...,xn)T是n维欧氏空间En中的向量；f(X)是目标函数hi(X)＝0和gj(X)≥0是约束条件。
[0102] 对于求解收益函数的最大值问题，可以转换成求其负函数的最小值问题，从而该优化问题的数学描述为：
[0103]
[0104] s.t.amin≤ai≤amax，i＝1，2
[0105] vmin≤vi≤νmax，i＝1，2
[0106] 式中，amin、amax为车辆加速度限制，vmin、vmax为车辆速度限制；p为合作系数，取值[0～1]。当车辆间为完全竞争关系时，p＝0；当车辆间为完全合作关系时，p＝1。
[0107] 对于任意一组(a1，a2)的速度改变方案则需满足安全约束条件如下：
[0108]
[0109] 式中 L为车长，W为车宽。
[0110] 其中一待交叉车辆速度调整时，其运动状态的计算公式为：
[0111]
[0112] 式中，x1(t)，y1(t)为车辆存在调速行为时，在t时刻的位置坐标，(x1(0),y1(0))为初始位置，v1(0)为初始速度，a1(0)为加速度， 为航向角。
[0113] 对于另一待交叉的车辆，当速度调整时，其运动状态的计算公式为：
[0114]
[0115] 式中，x2(t)，y2(t)为车辆存在调速行为时，在t时刻的位置坐标，(x2(0),y2(0))为初始位置，v2(0)为初始速度，a2(0)为加速度， 为航向角。
[0116] 2)由于受交叉口车道等影响，车辆MV和UV在任意时刻的速度都不能超过其限速的最大值，而允许的最小速度是零(即停车)，速度的约束条件如下：
[0117] 0＜νi(t)≤vmax
[0118] 其中，vmax取决于道路及交叉口的最大速度限制。
[0119] 3)在实际交通中车辆的加速度受车辆性能的限制，不可能过大或者过小，则对于加速度约束条件：
[0120] amin＜ai(t)≤amax
[0121] 其中，amin、amax的大小取决于车辆性能及行驶舒适性要求；
[0122] 采用Srinivas学者提出的改进型非劣遗传算法(NSGA-II)，降低其算法计算复杂度；采用精英策略保证种群多样性，提高算法收敛性及运算精度。
[0123] 仿真实验验证，利用PreScan
软件与Matlab/SimuLink软件搭建交叉口混行条件下的车辆交互避让决策仿真验证平台，验证多目标优化模型的有效性，多目标优化冲突消解算法较好地模拟了车辆间合作与竞争方式，提高了决策系统的鲁棒性，对混合行驶场景具有更强的适应能力。
[0124] 所述的车辆穿越交互关系判定模型验证，结合智能汽车大赛的视频处理与GPS数据相结合获取有效的车辆运动参数，选取交叉口混行条件下交叉口行驶数据作为模型的输入参数，用于验证交叉口车辆穿越交互关系判定模型的有效性。
[0126] 如图1所示，基于环境感知模
块获取无人驾驶车辆和有人驾驶车辆的行驶状态，运用模糊推理建立车辆交互关系判定模型，并以此得到预测结果进行无人驾驶车辆决策。
[0127] 如图2所示，根据交叉口目标车辆的穿越意愿高低及冲突车辆的的驾驶类型，建立车辆穿越交互关系判定模型，利用模糊逻辑方法推理车辆间合作程度高低。
[0128] 如图3所示，选择120组交叉口穿越数据样本进行车辆合作竞争程度分类，其中3为合作关系，表示他车让行意图，2为不明确，表示他车不确定状态，1为竞争关系，表示他车不让行意图。由图中可知模型正确识别合作关系样本38个，不明确状态样本35个，竞争关系样本37个，合计正确识别110个，检测准确率为91.6％。模糊推理方法对车辆的合作程度预测准确率超过90％，说明无人驾驶车辆具备理解人类行为的能力，为有人与无人驾驶车辆协作奠定基础。
[0129] 如图4所示，以两车道无信号十字型交叉口为例，无人驾驶车辆直行与将右转、直行及左转有人车辆可能形成合流冲突和交叉冲突，在空间上轨迹重合区为CABCD，因此极易引发交通事故。
[0130] 如图5所示，将交叉口存在冲突的有人与无人驾驶车辆看作一个多车协作系统，在车联网环境下通过冲突分析得到发生冲突的车辆集合，加入他车驾驶员类型的多样性模拟，计算所有待选动作的收益，输出最大收益对应的动作，实现交叉口有人与无人驾驶车辆冲突消解的协作优化。
[0131] 如图6所示，搭建交叉口混行条件下的车辆交互避让决策仿真验证平台，该平台涉及V循环中的概念设计，模型设计，代码生成与系统验证四个部分。
[0132] 如图7所示，对于交叉口存在潜在冲突的两辆车，首先要判断其是否存在冲突，若无冲突，则不需要博弈，正常行驶即可。一旦进入冲突区，博弈即开始，通过博弈实现冲突消解。
[0133] 如图8所示，将驾驶员类型分为冲动型(A)、普通型(N)、保守型(C)，将无人驾驶车辆驾驶
风格设置为保守型与普通守型2种类型，以两车驾驶激
进程度为保守型-保守型博弈为例，车辆MV与UV在博弈时间段内一直执行加速-加速、加速-减速、减速-加速、减速-减速4种策略组合时得到有人与无人驾驶车辆的效用函数值变化趋势。
[0134] 如图9所示，在整个博弈过程中，无人驾驶车辆UV会根据对方驾驶员MV的行为调整自身的行为策略，与不同类型驾驶员的冲突博弈过程中，其行为决策存在较大区别。
[0135] 如图10、图11所示，A组中车辆MV与UV分别在11s和14s时通过冲突点，B组中车辆MV与UV分别在13s和18s时通过冲突点。A组相比于B组平均通行时间更短，使得交叉口的延误降低，提高了交叉口的通行效率。
[0136] 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
本技术领域的技术人员在本发明披露的技术范围内，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
权利要求书的保护范围为准。
