自动驾驶变道方法、装置、电子设备及存储介质

技术领域

本发明涉及自动驾驶技术领域，尤其是一种自动驾驶变道方法、装置、电子设备及存储介质。

背景技术

目前，道路交通伤害已成为人群的重要死亡原因之一，约95％的各类机动车事故在一定程度上是由驾驶员操作不当造成的，而完全由驾驶员不恰当的驾驶行为诱发的交通事故占到了事故总数的四分之三。因此，对驾驶员行为及驾驶员状态的分析是非常必要的。

目前自动驾驶多应用于特定场景，在复杂工况下还无法比拟人类驾驶员的决策控制能力，难以实现全工况应用。

发明内容

本发明的目的是提供一种自动驾驶变道方法、装置、电子设备及存储介质，旨在提高自动驾驶变道时的同步性和安全性。

第一方面，提供一种自动驾驶变道方法，包括：

获取实时的路况信息和实时的车况信息，所述路况信息包括车道数量、自车所在车道、行驶车辆以及表征自车与行驶车辆或障碍物相对距离的障碍间距，所述车况信息包括自车速度和自车定位；

对驾驶员进行脑电采集，得到实时的脑电信息，所述脑电信息表征驾驶员驾驶意图；

基于实时的路况信息和实时的车况信息，利用训练好的变道决策模型预测自车在当前路况行驶的行驶路线，得到路线预测结果；

将路线预测结果和脑电信息所表征的驾驶员驾驶意图进行比较，在路线预测结果与驾驶员驾驶意图一致时，控制自车沿路线预测结果执行变道行驶动作。

在一些实施例中，在所述获取路况信息和车况信息之前，还包括：

获取离线训练信息，所述离线训练信息包括离线的路况信息和离线的车况信息；

使用离线训练信息构造决策表；

对决策表中的离线训练信息进行离散化处理，利用预设的神经网络模型对离散化后的离线训练信息进行分类，得到离散分类结果；

依据离散分类结果对决策表进行属性约减，确定用于表达决策的最小条件属性集；

整合表达决策结果相同的最小条件属性集，计算整合后的最小条件属性集的覆盖度和置信水平以确定离线决策规则；

使用离线决策规则对变道决策模型进行训练，将变道决策模型的路线预测结果与离线的脑电信息进行比较。

在一些实施例中，所述依据离散分类对决策表进行属性约减，确定用于表达决策结果的最小条件属性集，包括：

依据离线训练信息构建训练数据集，随机对训练数据集中的各个类型的离线训练信息进行编码；

计算决策属性对决策所需离线训练信息的依赖程度；

判断当前的依赖程度是否等于最小相对依赖值；

若是，在连续若干代最优适应度的训练数据集不再提高时，输出最小条件属性集；

若否，迭代地对训练数据集进行随机选择、交叉和变异处理，将最优适应度的训练数据集复制给下一代的训练数据集，直至连续若干代最优适应度的训练数据集不再提高并输出最小条件属性集。

在一些实施例中，所述对驾驶员进行脑电采集，得到表征驾驶员驾驶意图的脑电信息，包括：

采集驾驶员驾驶时产生的脑电波信号，得到初始脑电信息；

对初始脑电信息进行预处理，使用预设的脑电类比模板对预处理后的初始脑电信息进行比较，得到脑电类比结果；

依据脑电类比结果确定预处理后的初始脑电信息中存在的错误电位并进行剔除处理，得到表征驾驶员驾驶意图的脑电信息。

在一些实施例中，所述控制自车沿路线预测结果执行变道行驶动作，包括：

依据自车与障碍物的距离找寻若干个预瞄点，使用预瞄点构建的贝塞尔曲线绘制换道路线；

对障碍物进行边界膨胀处理，依据当前的换道路线和自车环境信息设定障碍物的膨胀半径；

判断障碍物的膨胀半径是否大于障碍物的宽度；

若是，控制自车沿当前的换道路线行驶；

若否，重置预瞄点的位置，使用重置后的预瞄点构建的贝塞尔曲线重新绘制换道路线，重新绘制的换道路线所对应的自车转向角大于上一次绘制的换道路线所对应的自车转向角，返回对障碍物进行边界膨胀处理的步骤。

在一些实施例中，所述控制自车沿当前的换道路线行驶，包括：

检测范围内未出现连续障碍物时，控制换道后的自车驶过障碍物后再变换至初始行驶路线的车道；检测范围内出现连续障碍物时，控制换道后的自车驶过连续障碍物后再变换至初始行驶路线的车道；

所述连续障碍物为与相同车道中的前一个障碍物的距离小于预设的障碍距离阈值的障碍物。

在一些实施例中，依据实时的路况信息和实时的车况信息构建模拟行驶情景，将模拟行驶情景进行显示，所述模拟行驶情景将实时的路况信息转换为模拟的路况信息以及将实时的车况信息转换为模拟的车况信息。

第二方面，提供一种自动驾驶变道装置，所述装置包括：

获取模块，用于获取实时的路况信息和实时的车况信息，所述路况信息包括车道数量、自车所在车道、行驶车辆以及表征自车与行驶车辆或障碍物相对距离的障碍间距，所述车况信息包括自车速度和自车定位；

采集模块，用于对驾驶员进行脑电采集，得到实时的脑电信息，所述脑电信息表征驾驶员驾驶意图；

预测模块，用于基于实时的路况信息和实时的车况信息，利用训练好的变道决策模型预测自车在当前路况行驶的行驶路线，得到路线预测结果；

控制模块，用于将路线预测结果和脑电信息所表征的驾驶员驾驶意图进行比较，在路线预测结果与驾驶员驾驶意图一致时，控制自车沿路线预测结果执行变道行驶动作。

第三方面，提供一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面所述的自动驾驶变道方法。

第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的自动驾驶变道方法。

本发明的有益效果：基于深度学习的方法，基于离线的路况信息、车况信息和表征驾驶员驾驶意图的脑电信息对变道决策模型进行训练，促进类人自动驾驶的实现，基于脑电的驾驶员意图识别客观且准确率高，提升自动驾驶变道时的同步性和安全性。

附图说明

图1是第一个实施例示出的一种自动驾驶变道方法的流程示意图。

图2是第二个实施例示出的一种自动驾驶变道方法的流程示意图。

图3是图2中的步骤S204的第一种流程示意图。

图4是图1中的步骤S102的第二种流程示意图。

图5是图1中的步骤S104的第三种流程示意图。

图6是本申请实施例提供的自动驾驶变道装置的结构示意图。

图7是本申请实施例提供的电子设备的硬件结构示意图。

图8是第一个实施例示出的绘制换道路线的示意图。

图9是第二个实施例示出的绘制换道路线的示意图。

图10是第三个实施例示出的绘制换道路线的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清晰，下面将结合实施例和附图，对本发明作进一步的描述。

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

首先，对本申请中涉及的若干名词进行解析：

1)人工智能(Artificial Intelligence，AI)

人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

2)机器学习(Machine Learning，ML)

机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。

相关技术中，行为决策的算法主要包括基于规则的行为决策算法和基于学习的行为决策算法；基于规则的决策方法在场景遍历广度上具备优势，逻辑可解释性强，易于根据场景分模块设计，国内外均有很多应用有限状态机的决策系统实例。然而其系统结构决定了其在场景遍历深度、决策正确率上存在一定的瓶颈，难以处理复杂工况；基于学习算法的行为决策系统的优点是具备场景遍历深度的优势，针对某一细分场景，通过大数据系统更容易覆盖全部工况，但学习算法不具备场景遍历广度优势，不同场景所需采用的学习模型可能完全不同；机器学习需要大量试验数据作为学习样本；决策效果依赖数据质量，样本不足、数据质量差、网络结构不合理等会导致过学习、欠学习等问题，在复杂工况下还无法比拟人类驾驶员的决策控制能力，难以实现全工况应用。

基于此，本申请实施例提供了一种自动驾驶变道方法、装置、电子设备及存储介质，旨在提高自动驾驶变道时的同步性和安全性。

本申请实施例提供的自动驾驶变道方法、装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的推荐方法。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

本申请实施例提供的自动驾驶变道方法，涉及人工智能技术领域。本申请实施例提供的自动驾驶变道方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现表格信息抽取方法的应用等，但并不局限于以上形式。

本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

需要说明的是，在本申请的各个具体实施方式中，当涉及到需要根据用户信息、用户行为数据，用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时，都会先获得用户的许可或者同意，而且，对这些数据的收集、使用和处理等，都会遵守相关国家和地区的相关法律法规和标准。此外，当本申请实施例需要获取用户的敏感个人信息时，会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意，在明确获得用户的单独许可或者单独同意之后，再获取用于使本申请实施例能够正常运行的必要的用户相关数据。

图1是第一个实施例示出的一种自动驾驶变道方法的流程示意图，图1中的方法可以包括但不限于包括步骤S101至步骤S104。

步骤S101，获取实时的路况信息和实时的车况信息。

路况信息包括车道数量、自车所在车道、行驶车辆以及表征自车与行驶车辆或障碍物相对距离的障碍间距，车况信息包括自车速度和自车定位。

在一种可能的实现方式中，该路况信息和车况信息通过具有感知模块的设备采集的车辆的车辆环境信息和车辆状态信息，该感知模块包括激光雷达、摄像头、导航系统以及车机系统等。

在一种可能的实现方式中，路况信息可以是指通过激光雷达或摄像头等感知模块采集的该车辆所在环境中所有与车辆行驶安全相关的数据，例如车辆环境信息可以是车辆所在环境中所有车辆的行驶状态，也可以是车辆所在环境中行驶环境(例如车道线数据、障碍物数据、实时定位数据以及地图数据)，本申请实施例对此不做特殊限定。

在一种可能的实现方式中，车况信息可以是指车机系统等感知模块采集的该车辆在行驶中所有与车辆自身行驶状态的数据，例如车辆状态信息、实际车速数据、方向盘、制动踏板、油门踏板、离合器上的传感数据，本申请实施例对此不做特殊限定。

步骤S102，对驾驶员进行脑电采集，得到实时的脑电信息，所述脑电信息表征驾驶员驾驶意图。

可以理解的是，脑神经细胞在发生反应时会产生相应的电波，这些电波称为脑电波，对脑电波进行采集并以信号的形式进行表达，即为脑电信息，通过分析脑电信息的波形可以确定驾驶员的驾驶意图。

在一种可能的实现方式中，该脑电信息可以是通过具有脑机接口的设备采集到的驾驶员的脑电信息，该脑机接口具有至少两个电极，在通过该脑机接口对该驾驶员进行信号采集的过程中，该两个电极位于驾驶员头部的不同区域，以便采集到该驾驶员不同区域产生的脑电信息。

更为具体地，根据计算得到的余弦相似度构建余弦相似度矩阵，通过训练后的卷积神经网络对该余弦相似度矩阵所属的类型进行预测，得到该脑电波信号所属的驾驶意图类型。例如，若脑电信息的特征向量均为128个，则可以计算出128个余弦相似度，那么此时，便可以基于这128个余弦相似度构建余弦相似度矩阵，然后通过训练后的卷积神经网络对该余弦相似度矩阵所属的类型进行预测，得到该脑电信息所属的驾驶意图类型。

步骤S103，基于实时的路况信息和实时的车况信息，利用训练好的变道决策模型预测自车在当前路况行驶的行驶路线，得到路线预测结果。

将实时获取的路况信息和车况信息输入至训练好的变道决策模型，由变道决策模型进行行驶路线预测。路线预测结果可以是包括车道保持模式、换道行驶模式或路口转向模式。可以理解的是，车道保持模式、换道行驶模式和路口转向模式均为预设的行驶模式，路线预测结果是基于路况信息、车况信息和脑电信息判断自车当前所处的路况以及驾驶员驾驶意图的，实时行驶区域的行车空间满足对应行驶模式的预设条件时，在保证安全的基础上执行驾驶员的驾驶意图，从而得到路线预测结果。

在本实施例中，车道保持模式可理解为自车维持沿当前车道行驶的行驶模式，换道行驶模式可理解为自车从当前行驶车道切换至其他车道行驶的行驶模式，路口转向可以理解为自车到达路口时依据初始行驶路线或实时行驶路线进行转向的行驶模式。

步骤S104，将路线预测结果和脑电信息所表征的驾驶员驾驶意图进行比较，在路线预测结果与驾驶员驾驶意图一致时，控制自车沿路线预测结果执行变道行驶动作。

在一种可能的实现方式中，路线预测结果和脑电信息所表征的驾驶员驾驶意图进行比较，在路线预测结果与驾驶员驾驶意图一致时，通过与自车的控制系统进行交互，将路线预测结果发送至车辆的控制系统，车辆的控制系统将接收到的路线预测结果所指示的行驶模式转换为对车辆的控制指令，控制车辆按照基于路线预测结果所指示的行驶模式来行驶，当路线预测结果为变道时，控制自车执行变道行驶动作；否则，执行驾驶员驾驶意图所对应的驾驶动作。

图2是第二个实施例示出的一种自动驾驶变道方法的流程示意图，在图一实施例的基础上，图2中的方法可以包括但不限于包括步骤S201至步骤S206。

步骤S201，获取离线训练信息。

离线训练信息包括离线的路况信息和离线的车况信息。

可以理解的是，离线训练信息是保存起来的历史信息，即历史数据路况信息和历史车况信息，历史数据路况信息和历史车况信息两者根据产生的时间来进行匹配并构成训练集。

步骤S202，使用离线训练信息构造决策表。

其中，决策表又称判断表，是一种呈表格状的图形工具，适用于描述处理判断条件较多，各条件又相互组合、有多种决策方案的情况。精确而简洁描述复杂逻辑的方式，将多个条件与这些条件满足后要执行动作相对应。但不同于传统程序语言中的控制语句，决策表能将多个独立的条件和多个动作直接的联系清晰的表示出来。

在一种可能的实现方式中，将离线训练信息进行预处理，使离线的路况信息和离线的车况信息按照时间进行匹配，对于不完备的匹配结果，适用粗糙神经网络算法剔除不完备的离线训练信息，从而形成决策表。

步骤S203，对决策表中的离线训练信息进行离散化处理，利用预设的神经网络模型对离散化后的离线训练信息进行分类，得到离散分类结果。

在一种可能的实现方式中，将离散化后的离线训练信息输入预设的神经网络模型，预设的神经网络模型预先设置有分类分布的概率参数，可以为服从预设概率参数的分类分布，预设概率参数具体概率值可预先进行初始设置，依次将离线训练信息中的各组数据进行编号，在得到预设概率参数后，获取标号与该分布选择参数相同的数据，并将选出的数据分类至对应的类别中，得到离散分类结果。

步骤S204，依据离散分类结果对决策表进行属性约减，确定用于表达决策的最小条件属性集。

可以理解的是，属性约减是对决策表中将决策作用不大的离线训练信息删除，减少决策表的数据量，这是由于离散化后的离线训练信息具有数据样本大、数据多样化，数据样本质量较高的特点，删除的离线训练信息也不会影响对对象的表达，将这些冗余数据删掉，简化决策的条件属性。

步骤S205，整合表达决策结果相同的最小条件属性集，计算整合后的最小条件属性集的覆盖度和置信水平以确定离线决策规则。

在一种可能的实现方式中，将表达决策结果相同的最小条件属性集进行归纳总结，从而对决策规则进行提取，具体地，规则提取是一个将前期工作进行归纳总结的过程，将决策表按照属性约减情况重新化简，将其中经过离散、约减后的条件属性区间以及决策属性一样的规则合并在一起，并计算出规则的覆盖度，覆盖度即为此条规则占决策属性相同的所有规则中所占比例。

步骤S206，使用离线决策规则对变道决策模型进行训练，将变道决策模型的路线预测结果与离线的脑电信息进行比较。

在一种可能的实现方式中，训练过程中迭代地调整变道决策模型的参数，当变道决策模型的路线预测结果与离线的脑电信息的吻合程度达到预设准确率时，结束训练。

请参阅图3，在一些实施例中，步骤S204可以包括但不限于包括步骤S301至步骤S305。

步骤S301，依据离线训练信息构建训练数据集，随机对训练数据集中的各个类型的离线训练信息进行编码。

在一种可能的实现方式中，对训练数据集中的各个类型的离线训练信息进行编码，可以是将各个数据用固定长度的二进制字符串来表示，使用随机的二进制数来表示，其中每一位表示一种属性，例如，1代表选择该决策属性为所需的数据，0代表不选择该决策属性为所需的数据。

示例性地，针对典型变道场景，离线训练信息构造的训练数据集为{x

步骤S302，计算决策属性对决策所需离线训练信息的依赖程度。

在一种可能的实现方式中，首先定义一个适应值函数，适应值函数为：

使用依赖度公式计算决策属性对决策所需离线训练信息的依赖程度，依赖度公式为：

其中，f(x)为适应度函数，h(x)为一条二进制字符串中1的个数，即为所选中的离线训练信息数据的个数，n为这一二进制字符串的总共字符数，即所有离线训练信息数据的个数，m为决策属性对这一二进制字符串中1代表的条件属性的依赖程度，m值越大，决策属性对条件属性的依赖越强，目标是在保证决策属性对整体的依赖度不变的情况下使h(x)尽量小，V

步骤S303，判断当前的依赖程度是否等于最小相对依赖值。若是执行步骤S304；若否，执行步骤S305。

步骤S304，在连续若干代最优适应度的训练数据集不再提高时，输出最小条件属性集。

步骤S305，迭代地对训练数据集进行随机选择、交叉和变异处理，将最优适应度的训练数据集复制给下一代的训练数据集，直至连续若干代最优适应度的训练数据集不再提高并输出最小条件属性集。

请参阅图4，在一些实施例中，步骤S102可以包括但不限于包括步骤S401至步骤S403。

步骤S401，采集驾驶员驾驶时产生的脑电波信号，得到初始脑电信息。

步骤S402，对初始脑电信息进行预处理，使用预设的脑电类比模板对预处理后的初始脑电信息进行比较，得到脑电类比结果。

步骤S403，依据脑电类比结果确定预处理后的初始脑电信息中存在的错误电位并进行剔除处理，得到表征驾驶员驾驶意图的脑电信息。

在一种可能的实现方式中，基于Biopac actiCHAmp 64导脑电采集分析系统对FP1～O2共32个EEG通道进行脑电信号进行采集；根据自车的位置进行划分，分为左前、正前、右前、左后、正后、右后六块区域，采集自车的位置、速度信息和六块区域的其他车辆位置、速度信息。使用FP1、F3、F7、FC5、FC1、FP2、F7、F4、F8、FC6、FC2通道的脑电信号使用共同平均参考值(Common Averagen Reference,CAR)进行空间滤波，消除噪声；利用1-10hz带通滤波进行带通滤波；通过典型相关分析(canonical correlation analysis，CCA)增强脑电信号特征，最后基于类比模板进行模板匹配实现分类，若产生错误相关电位则剔除。

请参阅图5，在一些实施例中，步骤S104可以包括但不限于包括步骤S501至步骤S505。

步骤S501，依据自车与障碍物的距离找寻若干个预瞄点，使用预瞄点构建的贝塞尔曲线绘制换道路线。

贝塞尔曲线(Bézier curve)，又称贝兹曲线或贝济埃曲线，是应用于二维图形应用程序的数学曲线。贝塞尔曲线是通过控制曲线上的四个点(起始点、终止点以及两个相互分离的中间点)来创造、编辑图形，其中起重要作用的是位于曲线中央的控制线。这条线是虚拟的，中间与贝塞尔曲线交叉，两端是控制端点。移动两端的端点时贝塞尔曲线改变曲线的曲率(弯曲的程度)；移动中间点(也就是移动虚拟的控制线)时，贝塞尔曲线在起始点和终止点锁定的情况下做均匀移动。

贝塞尔曲线具有曲率连续、易于跟踪和满足车辆动力学约束等优点。因此本发明实施例选择采用五阶贝塞尔曲线进行换道路线绘制。

五阶贝塞尔曲线可以表示为：

其中，B(t)表示贝塞尔曲线，P

依据自车与障碍物的距离找寻若干个预瞄点可以是在实时行驶区域内进行选取，将选取得到的各个预瞄点进行连接得到贝塞尔曲线，作为换道路线。如图8所示，五阶贝塞尔曲线中的6个预瞄点的坐标P

首先确定预瞄点P

P

P

将自车与障碍物的距离划分为4个部分，得到P

P

P

P

P

其中，L为感知系统检测到的在frenet坐标系下自车与障碍物的距离；w

步骤S502，对障碍物进行边界膨胀处理，依据当前的换道路线和自车环境信息设定障碍物的膨胀半径。

使用贝塞尔曲线绘制变道路线时，由于将车辆看作为一个质点，忽略了车辆自身宽度，自车沿变道路线行驶时存在与障碍物产生碰撞的可能，通过对障碍物进行边界膨胀处理，将自车沿变道路线行驶时与障碍物之间的距离和边界膨胀处理的障碍物碰撞的半径进行比较，进行碰撞评估。碰撞评估的公式可以表示为：

其中，r为障碍物的膨胀半径，

步骤S503，判断障碍物的膨胀半径是否大于障碍物的宽度。若是，执行步骤S504；若否，执行步骤S505。

判断障碍物的膨胀半径是否大于障碍物的宽度时，即：

步骤S404，控制自车沿当前的换道路线行驶。

步骤S505，重置预瞄点的位置，使用重置后的预瞄点构建的贝塞尔曲线重新绘制换道路线，重新绘制的换道路线所对应的自车转向角大于上一次绘制的换道路线所对应的自车转向角。返回步骤S502。

在实时行驶区域内重新选取预瞄点，首先重新确定预瞄点P

P

如图9所示，自车沿当前的换道路线行驶并绕过障碍物后，控制自车返回值初始行驶路线的车道上，可以是使用镜像的贝塞尔曲线绘制返回初始行驶路线的车道上的路线，从而在绕过障碍物后返回值初始行驶路线的车道。

在一些实施例中，如图10所示，控制自车沿当前的换道路线行驶可以是检测范围内未出现连续障碍物时，控制换道后的自车驶过障碍物后再变换至初始行驶路线的车道；检测范围内出现连续障碍物时，控制换道后的自车驶过连续障碍物后再变换至初始行驶路线的车道。其中，连续障碍物为与相同车道中的前一个障碍物的距离小于预设的障碍距离阈值的障碍物。

上述实施例中，对自车的控制包括横向控制和纵向控制。

横向控制采用LQR算法，离散情况下LQR算法步骤如下：

1、确定迭代范围N；

2、设置迭代初始值，令P

3、循环迭代，从后往前t＝N,…,1：

P

4、从t＝0,…,N-1,循环计算反馈系数：

K

5、最终得到优化的控制量：

纵向控制基于PID算法进行控制，具体为：

构建基于目标速度的控制量输出模型，所述控制量输出模型为：

其中，U

对所述控制量输出模型进行离散化处理，得到离散的控制量输出模型，所述离散的控制量输出模型为：

其中，T为控制器的指令周期，e

使用所述离散的控制量输出模型计算所述控制输出量，通过计算得到的所述控制输出量对车辆进行辅助驾驶控制。

在一些实施例中，依据实时的路况信息和实时的车况信息构建模拟行驶情景，将模拟行驶情景进行显示，所述模拟行驶情景将实时的路况信息转换为模拟的路况信息以及将实时的车况信息转换为模拟的车况信息。

由上可知，在本申请实施例所提供的自动驾驶变道方法中，基于深度学习的方法，基于离线的路况信息、车况信息和表征驾驶员驾驶意图的脑电信息对变道决策模型进行训练，促进类人自动驾驶的实现，基于脑电的驾驶员意图识别客观且准确率高，提升自动驾驶变道时的同步性和安全性。

为了更好地实施以上方法，本发明实施例还提供一种辅助驾驶装置，该辅助驾驶装置具体可以集成在服务器或终端等电子设备中。

请参阅图6，本申请实施例还提供一种自动驾驶变道装置，可以实现上述实施例提到的自动驾驶变道方法，该装置包括：

获取模块601，用于获取实时的路况信息和实时的车况信息，所述路况信息包括车道数量、自车所在车道、行驶车辆以及表征自车与行驶车辆或障碍物相对距离的障碍间距，所述车况信息包括自车速度和自车定位；

采集模块602，用于对驾驶员进行脑电采集，得到实时的脑电信息，所述脑电信息表征驾驶员驾驶意图；

预测模块603，用于基于实时的路况信息和实时的车况信息，利用训练好的变道决策模型预测自车在当前路况行驶的行驶路线，得到路线预测结果；

控制模块604，用于将路线预测结果和脑电信息所表征的驾驶员驾驶意图进行比较，在路线预测结果与驾驶员驾驶意图一致时，控制自车沿路线预测结果执行变道行驶动作。

该自动驾驶变道装置的具体实施方式与上述自动驾驶变道方法的具体实施例基本相同，在此不再赘述。

本申请实施例还提供了一种电子设备，电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述自动驾驶变道方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。

请参阅图7，图7示意了另一实施例的电子设备的硬件结构，电子设备包括：

处理器701，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；

存储器702，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器702可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器702中，并由处理器701来调用执行本申请实施例的自动驾驶变道方法；

输入/输出接口703，用于实现信息输入及输出；

通信接口704，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；

总线705，在设备的各个组件(例如处理器701、存储器702、输入/输出接口703和通信接口704)之间传输信息；

其中处理器701、存储器702、输入/输出接口703和通信接口704通过总线705实现彼此之间在设备内部的通信连接。

本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述自动驾驶变道方法。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

本申请实施例提供的自动驾驶变道方法、装置、电子设备及存储介质，基于深度学习的方法，基于离线的路况信息、车况信息和表征驾驶员驾驶意图的脑电信息对变道决策模型进行训练，促进类人自动驾驶的实现，基于脑电的驾驶员意图识别客观且准确率高，提升自动驾驶变道时的同步性和安全性。

本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

本领域技术人员可以理解的是，图中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。

以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。