一种基于超视距协同认知的无人驾驶汽车控制方法与系统

摘要

本发明公开了一种基于超视距协同认知的无人驾驶汽车控制方法与系统，属于智能交通领域。本发明的控制系统包括无人驾驶车和无人驾驶网络支撑平台，无人驾驶车包括个体态势认知系统和驾驶决策生成系统，无人驾驶网络支撑平台包括全局态势认知系统、局部态势认知系统和驾驶决策生成系统。应用此控制系统的控制方法为：首先个体态势认知系统形成微观驾驶态势认知；然后驾驶决策生成系统接收信息，处理后下发给驾驶决策生成系统，驾驶决策生成系统生成最终的驾驶操作；最后无人驾驶车通过驾驶执行器接收并执行最终的驾驶操作。本发明在网络端实时认知交通环境态势，实现安全、高效和可靠的无人驾驶，提高无人驾驶汽车控制服务的可执行性和有效性。

说明书

技术领域

本发明属于智能交通领域，具体是一种基于超视距协同认知的无人驾驶汽车控制方法与系统。

背景技术

智能交通系统(Intelligent Traffic System，简称ITS)是将先进的计算机技术、数据通信技术、传感器技术、电子控制技术、运筹学以及人工智能等有效地集成运用于整个交通运输管理体系，加强车辆、道路和使用者之间的关系，从而建立一种在大范围内、全方位发挥作用的，实时、准确、高效的综合交通运输管理系统。智能公路和安全辅助驾驶是ITS体系中用户服务领域之一，通过车辆控制、交通监控、运营车辆管理等ITS子系统，利用人工智能、大数据、机器学习等方法为用户提供智能公路与车辆信息收集、安全辅助驾驶、自动驾驶、车队自动运行等服务，从而提高路网通行能力，提升交通运行效率，缓解城市交通拥堵，降低能源消耗。

随着人工智能的渗透和汽车技术的发展，无人驾驶汽车也开始陆续出现，自动驾驶系统已经逐渐成为新一代汽车的标配。无人驾驶汽车是具有丰富的传感器系统，有一定的网络连接能力、感知能力和计算能力，依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，最终通过电脑系统实现无人驾驶的智能汽车。

无人驾驶汽车用传统的方法做驾驶决策时，是通过感知车辆周围的交通状况并结合导航地图从微观和宏观上做出驾驶决策。通过该方法，无人驾驶汽车可以做到基于OD点安全、可靠地行驶至目的地，但是缺乏行驶效率，在一定程度上增加了路网压力，甚至还加重了交通阻塞和环境污染。因为通过车辆自身携带的传感器系统，现有的无人驾驶汽车一般搭载了相机、激光雷达、毫米波雷达、GPS、OBD、高精度地图和惯导等，只能感测到车辆周边的交通环境状况，比如昂贵的64线激光雷达的有效最大探测距离是150m，一般摄像头的有效视距也只有5m-50m，即车辆只能感知到其可视范围内的交通状况。而当无人驾驶汽车在道路拥塞或复杂多变的路网环境下行驶时，会因为道路环境中物体的阻挡，使无人驾驶汽车感知不到更加具体的交通状态。因此，即便超视距之外的未来行驶路段交通状况良好，无人驾驶汽车也会因为没有提前规划好驾驶动作规则而导致当前处于一小段道路拥堵而无法高效地行驶，或者超视距之外的未来行驶路段也处于拥堵状态，而无人驾驶汽车又感知不到未来要经过的道路交通状态，从而导致车辆因无法进行决策而处于未知时间的拥堵状态。

另一方面，通过车辆本身感知到的周围环境状况以水平视角做出细粒度的驾驶决策，能够使车辆有效避开障碍物，实现安全行驶；在局部区域内以垂直视角提前主动地规划车辆在未来某个时间段内的驾驶规则，能够使无人驾驶汽车及时地调整最优行驶路线，实现高效行驶；通过导航地图和驾驶先验知识等以全局视角基于OD点做出粗粒度的行驶规划，以防车辆处于漫无目的的行驶状态，实现可靠行驶。因此，集水平视角、垂直视角和全局视角于一体，让车辆做优质的驾驶决策，可以实现更加安全、高效、可靠的无人驾驶。

发明内容

有鉴于此，本发明提出了一种基于超视距协同认知的无人驾驶汽车控制方法与系统。通过结合车辆周围的环境状态、局部范围内道路交通状况和全局导航地图，协同认知式决策无人驾驶汽车的横向控制和纵向控制规则，从而提高路网通行能力，实现安全、高效、可靠的无人驾驶。

所述的基于超视距协同认知的无人驾驶汽车控制系统，具体包括：无人驾驶车和无人驾驶网络支撑平台；

所述的无人驾驶车包括个体态势认知系统和驾驶决策生成系统(车载端)；

个体态势认知系统通过各类车载传感器采集车辆当前的位置、速度、加速度和方向等信息，并基于人工智能方法实现环境态势认知、车姿态势认知和个体记忆认知。

驾驶决策生成系统(车载端)包括微观驾驶决策模块和驾驶执行器。

微观驾驶决策模块通过集成微观驾驶态势认知、介观驾驶决策和宏观驾驶决策生成最终的驾驶执行动作，并交由驾驶执行器完成执行。

其中，微观驾驶态势认知通过接收环境态势认知、车姿态势认知和个体记忆认知等信息得到无人驾驶汽车的水平视角观测量。

介观驾驶决策和宏观驾驶决策是在无人驾驶网络支撑平台形成的。

无人驾驶网络支撑平台包括全局态势认知系统、局部态势认知系统和驾驶决策生成系统(网络端)。

局部态势认知系统负责接收环境态势认知和车姿态势认知的结果，以完成交互态势认知和群体记忆认知。

全局态势认知系统基于智能交通系统的城市交通路网信息，完成全局的交通规律认知和交通态势认知。

驾驶决策生成系统(网络端)主要生成介观驾驶决策和宏观驾驶决策。

其中，介观驾驶决策负责接收来自局部态势认知系统的认知结果，并以无人驾驶汽车的垂直视角生成介观驾驶决策；

宏观驾驶决策负责接收来自全局态势认知系统的认知结果，并以全局视角生成车辆的驾驶决策。

所述的驾驶决策生成系统(网络端)包括区域环境态势融合计算模块、车辆驾驶态势预测模块、车辆交互态势生成器、群体驾驶行为模式认知学习模块、群体驾驶模式存储器、群体驾驶模式匹配模块和基于局部态势认知的介观驾驶决策模块。

区域环境态势融合计算模块，负责根据局部范围内的环境态势认知信息，建立面向驾驶决策需要的各个车辆的行驶态势。

车辆驾驶态势预测模块，负责根据车辆自身的状态感知数据，主要是来自车姿传感器的数据，计算车辆自身的行驶态势。

车辆交互态势生成器，根据区域环境态势融合计算模块影响车辆做决策的其他邻近车辆的行驶状态和车辆驾驶态势预测模块车辆自身的行驶状态信息，以需要进行介观规划的车辆为中心，生成态势图。

群体驾驶行为模式认知学习模块，基于环境态势进行群体行为模式的认知计算，以形成不同的模式分类。

群体驾驶模式存储器，负责存储群体驾驶行为模式认知学习模块所生成的群体驾驶模式分类结果。

群体驾驶模式匹配模块，负责基于车辆交互态势生成器生成的交互态势和群体驾驶模式存储器保存的群体驾驶模式，结合宏观驾驶决策，完成车辆驾驶态势与群体驾驶模式的匹配。

基于局部态势认知的介观驾驶决策模块，根据车辆个体与群体驾驶模式的匹配结果，生成介观驾驶决策并下发至驾驶决策集成器，从而完成网络端驾驶决策的生成过程。

所述的基于超视距协同认知的无人驾驶汽车控制方法，具体步骤如下：

步骤一、针对某无人驾驶汽车，基于车载传感器进行环境态势认知、车姿态势认知和个体记忆认知，形成个体态势认知系统。

步骤二、通过接收来自个体态势认知系统的环境态势认知、车姿态势认知和个体记忆认知等信息，从无人驾驶汽车水平视角认知微观驾驶态势，形成微观驾驶态势认知。

无人驾驶汽车依据车载传感器感知车辆可视范围内的交通状况，通过对车辆周边交通状况的认知生成个体态势，车辆基于对个体态势的认知进行微观决策，目的是让无人驾驶汽车能够自动执行某个具体的驾驶动作。

步骤三、通过接收环境态势认知和车姿态势认知的认知结果，以完成交互态势认知和群体记忆认知，形成局部态势认知系统。

步骤四、基于智能交通系统的城市交通路网信息，完成全局的交通规律认知和交通态势认知，形成全局态势认知系统。

步骤五、驾驶决策生成系统(网络端)接收来自局部态势认知系统的认知结果，并以无人驾驶汽车的垂直视角生成介观驾驶决策，并下发给驾驶决策生成系统(车载端)。

介观驾驶决策是指通过边缘计算或网络智能等收集并处理车辆的驾驶行为数据，利用深度学习等人工智能方法学习认知局部区域内的交通状况，基于所生成的局部交通态势和对群体驾驶模式的记忆认知进行介观决策，目的是让无人驾驶汽车能够根据所认知的局部交通态势提前规划未来某一确定时间段内的驾驶规则。

具体步骤如下：

步骤501、针对某负责采集城市环境信息的无人驾驶汽车车辆，根据自身的车姿传感器数据选取某类群体驾驶模式；

也就是基于宏观驾驶决策的基础上进入介观驾驶决策的选取。

步骤502、判断选取的群体驾驶模式是否与当前的环境态势相匹配，如果是，进入步骤503；否则，进入步骤504；

步骤503、设置该类群体驾驶模式的驾驶决策模型；

步骤504、根据当前的环境态势无法选取出合适的驾驶模式进行决策，则使用默认的常规的跟车驾驶模型；

步骤505、无人驾驶汽车车辆提取以本车为中心的局部交通态势和历史的车辆驾驶决策序列，生成驾驶决策预测点；

步骤506、车辆权衡所产生的预测点是否可以满足驾驶条件，如果是，进入步骤507；否则，返回步骤505继续产生更多新的预测点；

步骤507、所产生的驾驶预测点满足驾驶条件，则生成介观驾驶决策，并下发给驾驶决策生成系统(车载端)。

步骤六、驾驶决策生成系统(网络端)接收来自全局态势认知系统的认知结果，并以全局视角生成车辆的宏观驾驶决策，并下发给驾驶决策生成系统(车载端)。

宏观决策是指基于导航地图或驾驶先验知识等进行OD点规划，目的是从宏观上规划行驶路线，起到可靠驾驶的作用；

步骤七、驾驶决策生成系统(车载端)集成微观驾驶态势认知、介观驾驶决策和宏观驾驶决策形成微观驾驶决策，并生成最终的驾驶操作。

具体步骤如下：

步骤701、当无人驾驶车辆基于交通环境态势生成介观驾驶决策后，判断介观驾驶决策和宏观驾驶决策是否冲突，如果是，进入步骤702；否则，进入步骤703；

步骤702、在宏观驾驶决策的基础上生成默认的介观驾驶决策，进入步骤703；

如果介观驾驶决策的行驶轨迹违反了宏观驾驶决策，或用户突然改变了宏观驾驶决策，则之前生成的驾驶决策失效，根据宏观的驾驶决策生成一条默认的行驶轨迹作为介观驾驶决策。

步骤703、介观驾驶决策与宏观驾驶决策互不冲突，则根据微观驾驶态势评判介观驾驶决策是否生效；如果是，生成基于介观驾驶决策的未来一段时间内的驾驶预期轨迹；否则，生成默认跟车的驾驶决策；

步骤704、将介观的驾驶预期轨迹作为微观驾驶态势的一部分，联合起来让微观驾驶决策去判定，从而生成具体的驾驶动作。

步骤705、判断驾驶动作是否完成，如果是，返回步骤701；否则，返回步骤704。

如果负责采集环境信息的车辆完成该驾驶动作，则进入新一轮的驾驶决策判定；如果驾驶动作未完成，则继续基于微观驾驶态势和驾驶预期轨迹生成微观驾驶决策。

步骤八、无人驾驶车通过驾驶执行器接收并执行最终的驾驶操作。

本发明的优点在于：

1)、一种基于超视距协同认知的无人驾驶汽车控制方法，可以基于边缘计算或网络智能等在网络端实时认知交通环境态势，为车辆做优质的驾驶决策提供支持。

2)、一种基于超视距协同认知的无人驾驶汽车控制方法，可以通过集成微观决策、介观决策和宏观决策，实现安全、高效和可靠的无人驾驶。

3)、一种基于超视距协同认知的无人驾驶汽车控制系统，明确了系统模块的功能结构，可以提高无人驾驶汽车驾驶控制服务的可执行性和有效性。

附图说明

图1为本发明一种基于超视距协同认知的无人驾驶汽车控制系统的架构示意图。

图2为本发明无人驾驶汽车控制系统中驾驶决策生成系统(网络端)的功能结构图。

图3为本发明一种基于超视距协同认知的无人驾驶汽车控制方法的介观驾驶决策生成流程图。

图4为本发明一种基于超视距协同认知的无人驾驶汽车控制方法的流程图。

具体实施方式

下面结合附图对本发明的具体实施方法进行详细说明。

本发明一种基于超视距协同认知的无人驾驶汽车控制系统，无人驾驶车主要负责车载端的环境状况认知和完成对最终驾驶决策的执行，主要包括个体态势认知系统和车载端的驾驶决策生成系统。架构如图1所示，包括：无人驾驶车S13和无人驾驶网络支撑平台S17。

无人驾驶车S13包括个体态势认知系统S11和驾驶决策生成系统(车载端)S12。

个体态势认知系统S11通过车辆自身携带的各类传感器，如OBD、GPS、惯导、摄像头、北斗、轮速计、雷达等各类车载传感器采集车辆所感知到的环境数据，包括当前的位置、速度、加速度、方向等信息，基于深度学习等人工智能方法实现环境态势认知、车姿态势认知和个体记忆认知。

个体态势认知系统主要从车辆左、前、右方的水平视角认知交通环境状况，负责为驾驶决策的生成提供数据支撑。

驾驶决策生成系统(车载端)S12主要负责集成微观驾驶态势、介观决策和宏观决策，通过微观驾驶决策S122生成最终的驾驶决策，并经由无人驾驶车的驾驶执行器完成最终驾驶动作的执行，从而实现安全、高效、可靠的无人驾驶。比如加速度至100Km/h、左转方向盘5度并保持2s直行等。

具体地，微观驾驶决策S122通过集成微观驾驶态势认知S121、介观驾驶决策S151和宏观驾驶决策S152生成最终的驾驶操作。

其中，微观驾驶态势认知S121通过接收来自个体态势认知系统S11的环境态势认知、车姿态势认知和个体记忆认知等信息，从无人驾驶汽车水平视角认知微观驾驶态势。

介观驾驶决策S151和宏观驾驶决策S152是在无人驾驶网络支撑平台S17形成的。

无人驾驶网络支撑平台S17包括局部态势认知系统S14、驾驶决策生成系统(网络端)S15和全局态势认知系统S16。主要是基于边缘计算或网络智能等在网络端完成对局部交通态势的认知和全局交通态势的认知，并基于认知结果进行介观驾驶决策和宏观驾驶决策，从而生成无人驾驶汽车在未来一段时间内的一系列驾驶规则。

局部态势认知系统主要通过深度学习等方法对局部区域内各个车辆的个体态势进行融合认知处理，从而得到局部交通态势，局部态势认知系统主要对局部区域以垂直视角看待交通环境状况；全局态势认知系统主要从智能交通系统获取全局交通数据，通过数据挖掘处理等得到全局交通态势，全局态势认知系统主要是基于OD点对候选行驶路径所在区域以全局视角看待交通环境状况；

局部态势认知系统S14负责接收来自个体态势认知系统S11的环境态势认知和车姿态势认知的认知结果，以完成交互态势认知和群体记忆认知。

全局态势认知系统S16负责基于智能交通系统S18的城市交通路网信息，完成全局的交通规律认知和交通态势认知。

驾驶决策生成系统(网络端)S15主要完成介观驾驶决策S151和宏观驾驶决策S152。其中，介观驾驶决策是基于局部交通态势和对群体的记忆认知所作出的决策，而宏观驾驶决策主要是基于地图导航和驾驶先验知识等进行的行驶线路规划。

介观驾驶决策S151负责接收来自局部态势认知系统S14的认知结果，并以无人驾驶汽车的垂直视角生成介观驾驶决策；宏观驾驶决策S152负责接收来自全局态势认知系统S16的认知结果，并以全局视角生成车辆的驾驶决策。

所述的驾驶决策生成系统(网络端)S15的功能结构，如图2所示，主要包括区域环境态势融合计算模块S21、车辆驾驶态势预测模块S22、车辆交互态势生成器S23、群体驾驶行为模式认知学习S24、群体驾驶模式存储器S25、群体驾驶模式匹配模块S26和基于局部态势认知的介观驾驶决策模块S27。

区域环境态势融合计算模块S21，负责根据局部范围内的环境态势认知信息，建立面向驾驶决策需要的各个车辆的行驶态势。

车辆驾驶态势预测模块S22，负责根据车辆自身的状态感知数据，主要是来自车姿传感器的数据，计算车辆自身的行驶态势。

车辆交互态势生成器S23，根据区域环境态势融合计算模块S21影响车辆做决策的其他邻近车辆的行驶状态和车辆驾驶态势预测模块S22车辆自身的行驶状态信息，以需要进行介观规划的车辆为中心，生成态势图。

群体驾驶行为模式认知学习模块S24，基于环境态势进行群体行为模式的认知计算，以形成不同的模式分类。

群体驾驶模式存储器S25，负责存储群体驾驶行为模式认知学习模块S24所生成的群体驾驶模式分类结果。

群体驾驶模式匹配模块S26，负责基于车辆交互态势生成器S23生成的交互态势和群体驾驶模式存储器S25保存的群体驾驶模式，结合宏观驾驶决策，完成车辆驾驶态势与群体驾驶模式的匹配。

基于局部态势认知的介观驾驶决策模块S27，根据车辆个体与群体驾驶模式的匹配结果，生成介观驾驶决策并下发至驾驶决策集成器，从而完成网络端驾驶决策的生成过程。

宏观路线规划将影响局部态势认知过程中的决策选择模式，如进入路口转弯模式和正常直线行驶时，在相同态势下的决策是不同的。

以基于车载传感器的无人驾驶汽车完成城市环境状态信息采集的车辆驾驶操作服务为例，所述的基于超视距协同认知的无人驾驶汽车控制方法，如图4所示，驾驶决策基于边缘计算完成，具体的生成步骤如下：

S41是当车辆基于交通环境态势生成介观驾驶决策后，判断宏观驾驶决策与介观驾驶决策是否冲突。如果介观驾驶决策的行驶轨迹违反了宏观驾驶决策，或用户突然改变了宏观驾驶决策，则之前生成的驾驶决策失效，根据宏观的驾驶决策生成一条默认的行驶轨迹作为介观驾驶决策，到达S42；否则，到达S43，介观驾驶决策与宏观驾驶决策互不冲突，则根据微观驾驶态势评判介观驾驶决策的有效性。然后，判定介观驾驶决策是否生效。如果介观驾驶决策有效，则到达S45，生成基于介观驾驶决策的未来一段时间内的驾驶预期轨迹；否则，到达S44，使用默认跟车的驾驶决策，以免在车辆行驶过程中出现交通问题。

最后到达S46，将介观的驾驶预期轨迹作为微观驾驶态势的一部分，联合起来让微观驾驶决策去判定，从而生成具体的驾驶动作。如果负责采集环境信息的车辆完成该驾驶动作，则进入新一轮的驾驶决策判定；如果驾驶动作未完成，则继续基于微观驾驶态势和驾驶预期轨迹生成微观驾驶决策。

具体步骤如下：

步骤一、针对某无人驾驶汽车，基于车载传感器进行环境态势认知、车姿态势认知和个体记忆认知，形成个体态势认知系统。

步骤二、通过接收来自个体态势认知系统的环境态势认知、车姿态势认知和个体记忆认知等信息，从无人驾驶汽车水平视角认知微观驾驶态势，形成微观驾驶态势认知。

无人驾驶汽车依据车载传感器感知车辆可视范围内的交通状况，通过对车辆周边交通状况的认知生成个体态势，车辆基于对个体态势的认知进行微观决策，目的是让无人驾驶汽车能够自动执行某个具体的驾驶动作。

步骤三、通过接收环境态势认知和车姿态势认知的认知结果，以完成交互态势认知和群体记忆认知，形成局部态势认知系统。

步骤四、基于智能交通系统的城市交通路网信息，完成全局的交通规律认知和交通态势认知，形成全局态势认知系统。

步骤五、驾驶决策生成系统(网络端)接收来自局部态势认知系统的认知结果，并以无人驾驶汽车的垂直视角生成介观驾驶决策，并下发给驾驶决策生成系统(车载端)。

如图3所示，介观驾驶决策基于边缘计算完成；

其中，S31是负责采集城市环境信息的无人驾驶汽车基于宏观驾驶决策(主要依据是导航地图)，进入介观驾驶决策的选取阶段。车辆根据自身驾驶态势(主要依据车姿传感器数据)首先选取某类群体驾驶模式并判断是否与车辆当前的环境态势相匹配，如果匹配，则设置选取的驾驶决策模型到达S32；如果根据当前的环境态势无法选取出一个合适的驾驶模式进行决策，则使用一个常规的跟车驾驶模型到达S33。

S34是提取以本车为中心的局部交通态势，然后S35基于S34和历史驾驶决策序列生成驾驶决策预测点(直接产生建议的预测轨迹点，而不是车辆的底层控制参数)。车辆权衡所产生的预测点数量的多少，如果预测点太少，则转至S35继续产生更多新的预测点；如果产生的驾驶预测点可以满足驾驶条件，则进入S36生成介观驾驶决策，并下发给车载端。

具体步骤如下：

步骤501、针对某负责采集城市环境信息的无人驾驶汽车车辆，根据自身的车姿传感器数据选取某类群体驾驶模式；

也就是基于宏观驾驶决策的基础上进入介观驾驶决策的选取。

步骤502、判断选取的群体驾驶模式是否与当前的环境态势相匹配，如果是，进入步骤503；否则，进入步骤504；

步骤503、设置该类群体驾驶模式的驾驶决策模型；

步骤504、根据当前的环境态势无法选取出合适的驾驶模式进行决策，则使用默认的常规的跟车驾驶模型；

步骤505、无人驾驶汽车车辆提取以本车为中心的局部交通态势和历史的车辆驾驶决策序列，生成驾驶决策预测点；

步骤506、车辆权衡所产生的预测点是否可以满足驾驶条件，如果是，进入步骤507；否则，返回步骤505继续产生更多新的预测点；

步骤507、所产生的驾驶预测点满足驾驶条件，则生成介观驾驶决策，并下发给驾驶决策生成系统(车载端)。

步骤六、驾驶决策生成系统(网络端)接收来自全局态势认知系统的认知结果，并以全局视角生成车辆的宏观驾驶决策，并下发给驾驶决策生成系统(车载端)。

步骤七、驾驶决策生成系统(车载端)集成微观驾驶态势认知、介观驾驶决策和宏观驾驶决策形成微观驾驶决策，并生成最终的驾驶操作。

具体步骤如下：

步骤701、当无人驾驶车辆基于交通环境态势生成介观驾驶决策后，判断介观驾驶决策和宏观驾驶决策是否冲突，如果是，进入步骤702；否则，进入步骤703；

步骤702、在宏观驾驶决策的基础上生成默认的介观驾驶决策，进入步骤703；

如果介观驾驶决策的行驶轨迹违反了宏观驾驶决策，或用户突然改变了宏观驾驶决策，则之前生成的驾驶决策失效，根据宏观的驾驶决策生成一条默认的行驶轨迹作为介观驾驶决策。

步骤703、介观驾驶决策与宏观驾驶决策互不冲突，则根据微观驾驶态势评判介观驾驶决策是否生效；如果是，生成基于介观驾驶决策的未来一段时间内的驾驶预期轨迹；否则，生成默认跟车的驾驶决策；

步骤704、将介观的驾驶预期轨迹作为微观驾驶态势的一部分，联合起来让微观驾驶决策去判定，从而生成具体的驾驶动作。

步骤705、判断驾驶动作是否完成，如果是，返回步骤701；否则，返回步骤704。

如果负责采集环境信息的车辆完成该驾驶动作，则进入新一轮的驾驶决策判定；如果驾驶动作未完成，则继续基于微观驾驶态势和驾驶预期轨迹生成微观驾驶决策。

步骤八、无人驾驶车通过驾驶执行器接收并执行最终的驾驶操作。

本发明一种基于超视距协同认知的无人驾驶汽车控制方法，包括：

(1)驾驶决策应集成三个方面的决策：微观决策、介观决策和宏观决策；

以往的无人驾驶汽车在做驾驶决策时只进行了微观和宏观上的决策，导致忽略了对局部交通状况的认知，进而无人驾驶汽车用传统的方法做驾驶决策时显得太过被动，缺乏探知交通状况的主动性，不能高效合理地制定未来行驶路线，因此，无人驾驶汽车在做驾驶决策时，应要同时考虑介观决策，通过车辆对局部环境状态的认知，甚至是不可视的驾驶环境，提前进行驾驶动作操作的规划，从而达到高效驾驶的目的。本发明的驾驶决策集成了三个方面的决策：微观决策、介观决策和宏观决策。

微观决策是指无人驾驶汽车依据定位传感器、车姿传感器、视觉传感器和雷达传感器等感知车辆可视范围内的交通状况，通过对车辆周边交通状况的认知生成个体态势，车辆基于对个体态势的认知进行微观决策，目的是让无人驾驶汽车能够自动执行某个具体的驾驶动作，比如转动方向盘多少度、加多少油门等，有效避开车辆周边的障碍物，起到安全驾驶的作用；

其中，定位传感器包括GPS、北斗和轮速计；车姿传感器包括惯导和OBD；视觉传感器包括左、中、右摄像头和左右耳摄，雷达传感器包括微波雷达、激光雷达和毫米波雷达。

介观决策是指通过边缘计算或网络智能等收集并处理车辆的驾驶行为数据，利用深度学习等人工智能方法学习认知局部区域内的交通状况，基于所生成的局部交通态势和对群体驾驶模式的记忆认知进行介观决策，目的是让无人驾驶汽车能够根据所认知的局部交通态势提前规划未来某一确定时间段内的驾驶规则；比如未来两分钟内何时开始变更车道、何时超车、提前多长时间加速、什么时候调整方向盘到什么位置、何时开始准备驶出匝道等，起到超视距高效驾驶的作用；

其中，车辆的驾驶行为数据是指车载传感器收集的车辆轨迹数据、车载传感器感知数据，以及车辆驾乘人员的社交数据；局部交通态势是指局部区域内各道路的交通流量、行驶车速、交通密度、拥堵情况等；群体驾驶模式的记忆认知是指对已有的行驶路况和针对该路况做出的驾驶决策结果进行记忆，目的是当未来有相同或部分相同路况需要做出驾驶决策时起到辅助决策的作用。

宏观决策是指基于导航地图或驾驶先验知识等进行OD点规划，目的是从宏观上规划行驶路线，起到可靠驾驶的作用；

(2)在网络端实时认知局部交通态势，基于态势认知结果和群体记忆认知实现介观决策；

在网络端实时认知局部交通态势，是指基于网络对无人驾驶汽车的驾驶行为数据进行处理，可以通过边缘计算或网络智能等方法实现；一方面，车辆本身的计算能力不足以支持多而杂的数据计算，另一方面，在网络边缘处理数据而不是在远程云端，目的是减少传输延迟，这对无人驾驶汽车能够实时地进行驾驶操作是至关重要的；

实时地认知局部交通态势是指在局部范围内各个车辆通过自身携带的传感器设备以及路侧单元等获取静态的道路交通状况图，利用深度学习等方法对所获取到的静态道路交通状况进行学习认知，从而获得局部区域的交通态势；

局部交通态势是被实时或准实时更新的，且会被告知给局部范围内的所有车辆，所有车辆所认知的交通态势可能不是完全一致的，这要与车辆当前所处的位置、未来行驶路线、以及乘车人意愿等相关；

基于态势认知结果和群体记忆认知实现介观决策，是指无人驾驶汽车根据所认知的局部交通态势和保存下来的已有的路况和相应决策结果，通过深度神经网络等方法预测无人驾驶汽车在该局部区域内未来某个时间段内的一系列驾驶规则，比如，决策的输出是未来50s内无人驾驶汽车的驾驶规则，其中，第5s时向左打方向盘5度，行驶2s后回正方向盘，正常行驶5s后减速至80Km/h，保持5s后右打方向盘2度，保持1s后回正方向盘……。

(3)基于个体态势认知、局部交通态势和全局导航地图等，集成微观决策、介观决策和宏观决策，实现安全、高效和可靠的无人驾驶。

个体态势认知是指通过无人驾驶汽车自身携带的各类传感器和路侧单元等感知车辆周边的环境状况，具体包括环境态势认知、车姿态势认知和个体记忆认知；

个体态势认知是无人驾驶汽车做驾驶决策的依据；其中，个体记忆认知是指无人驾驶汽车基于车辆周边的环境状态进行的微观决策的记忆，比如一次停车知识、右拐知识、脱险知识等，目的是当未来有相同或类似的决策场景时起到辅助决策的作用；

局部交通态势是对局部区域内道路交通状况的呈现，局部交通态势是无人驾驶汽车做介观决策的依据；无人驾驶汽车根据全局导航地图(比如，百度导航、高德导航、腾讯地图等)和驾驶先验知识等进行OD点规划，目的是从宏观上规划行驶路线，起到可靠驾驶的作用；

基于个体态势认知、局部交通态势和全局导航地图等，集成微观决策、介观决策和宏观决策，实现安全、高效和可靠的无人驾驶，是指通过整合微观决策所产生的某个特定的驾驶动作、介观决策所产生的未来一定时间段内的一系列驾驶规则和宏观决策所产生的OD点行驶轨迹，生成最终的智能车辆驾驶执行决策，从而实现更加安全、高效和可靠的无人驾驶。

微观决策是基于对个体态势的认知对无人驾驶汽车作出某个特定的驾驶操作，比如加油门、踩刹车、转动方向盘等；介观决策是基于对局部交通态势的认知对无人驾驶汽车作出未来某个时间段内的一系列可能驾驶操作规则，比如何时加多少油、几秒后转动方向盘等；宏观决策是基于对全局交通态势的认知并结合导航地图和驾驶先验知识等对行驶路线做全局上的把控，以防无人驾驶汽车偏离行驶路线，比如几百米后右转、何时驶入主路、何时变更车道等。

需要说明的是，本发明还可有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员可根据本发明做出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。