一种复杂碰撞场景下自动驾驶车辆的道德决策系统

技术领域

本发明涉及自动驾驶车辆领域，具体而言，涉及一种用于复杂碰撞场景下自动驾驶车辆的道德决策系统。尤其针对行人或者他车闯红灯以及其他违反交通规则情况下的道德决策系统。该系统旨在通过利用感知、决策和控制技术，使自动驾驶车辆能够在复杂碰撞场景中做出符合道德准则的决策，以最大程度地保护乘客和其他道路使用者的安全。

背景技术

随着自动驾驶技术的快速发展，自动驾驶车辆已经成为未来交通领域的重要发展方向。然而，在复杂碰撞场景中，自动驾驶车辆面临着道德决策的挑战。例如，在紧急情况下，车辆可能需要选择撞击障碍物以保护乘客，或者选择避免撞击障碍物以保护其他道路使用者。这种道德决策需要综合考虑多种因素，包括乘客安全、其他道路使用者的安全、道路交通规则等。

经检索现有公开技术，中国发明专利公开号：CN111079533B，公开日：2023-04-07公开了一份名称为无人车驾驶决策方法、无人车驾驶决策装置及无人车的发明专利申请，其中提到一种无人车驾驶决策方法，其特征在于，包括：“获取当前决策时刻所述无人车前方道路的拍摄图像，得到待决策图像......根据所述行驶回报值、所述预设碰撞回报值和所述减速回报值，计算所述目标驾驶动作对应的环境回报值。”等，但是此方案只是针对他车与自车之间的驾驶冲突进行决策，没有针对特定的情况如他车闯红灯时，或者行人闯红灯时这种情况下需要由人类道德标准来进行判断的决策。中国发明专利公开号CN112319477B，公开日：2022-02-11公布了一种用于无人驾驶的决策规划方法，改方法通过根据各个障碍车的行驶数据，计算每辆障碍车属于各个车道的概率来计算无人驾驶的主车在不同的加速度下，与各个障碍车发生碰撞的概率，以确定主车在不同的速度策略下的风险值，所述速度策略包括减速、匀速以及加速等。但是此技术方案仍未针对特定情况下的行人或者车辆违反交通准则的情况下车辆不制止会带来更大的伤害的复杂路况下的道德决策。

发明内容

为了解决上述背景技术所指出的不足，本发明的目的是提供一种复杂碰撞场景下自动驾驶车辆的道德决策系统，该系统能够准确判断不同情况下的道德优先级，并基于这些优先级做出符合道德准则的决策。通过该系统，自动驾驶车辆能够在复杂碰撞场景中做出最佳决策，最大程度地保护乘客和其他道路使用者的安全。

针对复杂碰撞场景下的道德决策，本发明提供了以下解决方案，包括以下组成部分、各个组成部分之间的连接关系以及组成部分所包含的子部件如下：

感知模块：

感知模块是系统的基础组成部分，负责实时感知车辆周围的环境信息。该模块包括以下子部件：

高精度传感器：包括摄像头、激光雷达、毫米波雷达，用于获取车辆周围的视觉和距离信息。

环境感知算法模块：利用机器学习和计算机视觉技术，对传感器数据进行处理和分析，提取出障碍物、行人、交通标志等关键信息。

决策模块：

决策模块负责根据感知模块提供的环境信息和道德准则，做出符合道德要求的决策。该模块包括以下子部件：

道德准则库：包含预设的道德准则，例如优先保护乘客、优先保护其他道路使用者。

决策算法模块：基于机器学习和人工智能技术，分析感知模块提供的环境信息和道德准则，评估不同决策方案的道德优先级，并选择最佳的决策方案。

控制模块：

控制模块负责将决策模块生成的决策指令转化为车辆的实际控制动作。该模块包括以下子部件：

车辆控制接口：与车辆的驾驶系统进行通信，将决策模块生成的决策指令传递给车辆。

控制算法模块：根据决策指令，计算车辆的加速、制动、转向等控制动作，实现决策的执行。

进一步的优选技术方案，本发明还包括学习与优化模块：

学习与优化模块是系统的进化部分，负责根据实际道德决策的结果进行反馈和优化。该模块包括以下子部件：

数据收集与存储模块：收集和存储系统在实际道德决策中的数据，包括环境信息、决策结果等。

学习算法：利用机器学习技术，分析和挖掘收集的数据，优化决策模块的算法和准则，提高决策的准确性和道德性。

以上组成部分之间的连接关系如下：

感知模块通过传感器获取环境信息，并传输给决策模块。决策模块根据感知模块提供的信息和道德准则，生成决策指令，并传递给控制模块。控制模块将决策指令转化为车辆的实际控制动作，实现决策的执行。学习与优化模块通过收集和分析实际决策数据，优化决策模块的算法和准则，实现系统的进化和改进。通过以上解决方案，本发明的复杂碰撞场景下的道德决策系统能够准确判断不同情况下的道德优先级，并基于这些优先级做出符合道德准则的决策。各个组成部分之间的协同工作，使系统能够在复杂碰撞场景中做出最佳决策，最大程度地保护乘客和其他道路使用者的安全。

相比现有技术方案，本发明的复杂碰撞场景下的道德决策系统具有以下优点：1.高度智能化：本发明采用机器学习和人工智能技术，使系统能够根据感知模块提供的环境信息和道德准则，自主地做出符合道德要求的决策。系统具备学习能力，能够根据实际决策结果进行反馈和优化，不断提高决策的准确性和道德性。

2.综合考虑多个因素：本发明的系统能够综合考虑多个因素，包括道路交通规则、道德优先级、风险评估等，以做出最佳决策。特别是在行人或车辆违反交通准则的情况下，系统能够权衡不同的因素，选择最合适的决策方案，以最大程度地保护乘客和其他道路使用者的安全。

3.可持续优化：本发明的系统通过学习与优化模块，能够不断收集和分析实际决策数据，优化决策模块的算法和准则。这使得系统能够不断进化和改进，适应不断变化的道德决策需求，提高决策的准确性和道德性。

附图说明

附图1：系统框架示意图；

附图2：感知模块示意图；

附图3：决策模块示意图；

附图4：控制模块示意图；

附图5：学习与优化模块示意图。

具体实施方式

下面参照附图说明本发明的具体实施方式：

参照图1-图5，一种复杂碰撞场景下自动驾驶车辆的道德决策系统，包括：感知模块，负责实时感知车辆周围的环境信息。该模块包括摄像头、激光雷达、毫米波雷达。摄像头负责获取车辆周围的视觉信息，通过连接到感知模块的接口，将实时的图像数据传输给感知模块。

激光雷达用于获取车辆周围的距离信息，通过连接到感知模块的接口，将实时的激光扫描数据传输给感知模块。

毫米波雷达也用于获取车辆周围的距离信息，通过连接到感知模块的接口，将实时的毫米波扫描数据传输给感知模块。

感知模块通过与摄像头、激光雷达和毫米波雷达的连接，实时获取车辆周围的环境信息，包括视觉和距离信息。这些信息将被传输到感知模块进行处理和分析，以支持后续的道德决策制定。

环境感知算法模块：利用机器学习和计算机视觉技术，对传感器数据进行处理和分析，提取出障碍物、行人、交通标志等关键信息。

环境感知算法包括以下步骤：

步骤一、传感器数据接收：负责接收来自传感器(摄像头、激光雷达、毫米波雷达)的原始数据。

步骤二、数据预处理：对接收到的传感器数据进行预处理，包括去噪、滤波、校准等操作，以提高数据质量和准确性。

具体的，由于步骤一中采集到的路况等数据较为嘈杂，进一步采用高斯滤波方法，当采用高斯滤波方法时，具体的算法公式是高斯核函数的应用。高斯滤波通过将获取到的路况图像和传感器数据与高斯核函数进行卷积来实现平滑处理。以下是高斯滤波的算法公式：

I_filtered(x,y)＝∑[G(x’,y’)*I(x-x’,y-y’)]

其中，I_filtered(x,y)表示滤波后的图像或传感器数据在位置(x,y)处的像素值。

G(x’,y’)表示高斯核函数在位置(x’,y’)处的值。

I(x-x’,y-y’)表示原始图像或传感器数据在位置(x-x’,y-y’)处的像素值。

具体解释如下：

(x,y)：表示采集到的路况图像和传感器路况数据中的像素位置，对应于具体的空间坐标。

I_filtered(x,y)：表示滤波后的路况图像或传感器路况数据在位置(x,y)处的像素值，即经过高斯滤波处理后的结果。

G(x’,y’)：表示高斯核函数在位置(x’,y’)处的值，用于计算滤波时的权重。高斯核函数是一个二维正态分布函数，根据坐标(x’,y’)的距离和方差来计算权重值。

I(x-x’,y-y’)：表示原始图像或传感器数据在位置(x-x’,y-y’)处的像素值，用于与高斯核函数进行卷积计算。

通过应用高斯核函数对图像进行平滑处理。它能够有效地减少高斯噪声，高斯滤波可以平滑数据并保持图像细节，提高数据的质量和可靠性。

步骤三、特征提取：利用计算机视觉技术和机器学习算法，从预处理后的数据中提取出关键的环境信息，包括障碍物、行人、交通标志等。

在面对车辆或行人闯红灯等需要进行道德判断的情况下，特征提取方法采用以下具体步骤：

步骤101、视频流分析：通过步骤一中摄像头和其他传感器获取的视频流，对交通场景进行分析。使用目标检测算法，如基于深度学习的目标检测模型，来检测和跟踪车辆和行人的位置和运动轨迹。

步骤102、特征描述子提取：对于检测到的车辆和行人，使用特征描述子提取算法来提取其外观特征。例如，可以使用局部特征描述子，如SIFT或SURF，来捕捉车辆的颜色、形状、纹理等信息，以及行人的姿态、衣着等信息。

步骤103、行为分析：通过分析车辆和行人的运动行为，提取关键的行为特征。使用光流估计算法，如Lucas-Kanade光流，来估计车辆和行人的运动方向和速度，并与交通信号灯的状态进行比较，以判断是否存在违反交通规则的行为。步骤104、考虑上下文信息来进行特征提取：利用车辆和行人的位置、道路拓扑结构、交通信号灯状态等上下文信息，综合判断是否存在道德决策的情况。例如，如果车辆闯红灯时，交通信号灯已经变红一段时间，可以将这一上下文信息纳入特征提取过程。

通过以上特征提取方法，自动驾驶系统可以从传感器数据中提取出关键的视觉特征、行为特征和上下文信息，以支持对车辆和行人闯红灯等情况下的道德判断决策。这样的特征提取方法可以为自动驾驶系统提供更全面、准确的信息，从而实现更智能、安全的决策能力。

此外，综合考虑自身车辆在进行道德决策之前所处的状态，对其自身车辆的环境情况进行评估，包括检测自身车辆的道路边缘检测。通过边缘检测算法提取图像中物体的边界信息，进行道路边缘的提取。边缘检测算法包括Canny边缘检测、Sobel算子。

其中，Canny边缘检测算法可以用于提取图像中物体的边界信息。

在道德决策中，无人驾驶车辆可以利用Canny边缘检测算法来获取道路的边缘信息。该算法通过以下步骤进行边缘检测：

预处理：首先，对图像进行预处理，包括灰度化、高斯滤波等操作，以减少噪声和平滑图像。

计算梯度：通过应用Sobel算子，计算图像中每个像素点的梯度幅值和方向。帮助找到图像中的边缘。

非极大值抑制：对梯度图像进行非极大值抑制，以保留具有最大梯度值的像素，从而细化边缘。

双阈值处理：根据设定的高阈值和低阈值，对非极大值抑制后的图像进行阈值处理。高于高阈值的像素被认为是强边缘，低于低阈值的像素被认为是弱边缘。边缘连接：通过连接强边缘像素和与之相邻的弱边缘像素，形成连续的边缘线段。

通过Canny边缘检测算法，无人驾驶车辆可以提取出道路的边缘信息。这些边缘信息可以用于判断车辆当前位置与道路边缘的距离，帮助车辆进行道路偏移检测和道路保持。在道德决策中，车辆可以根据道路边缘的位置和形状，结合其他信息，如交通信号灯状态和行人位置，来做出适当的决策，以确保安全驾驶和遵守交通规则。

步骤四、目标识别与分类：利用机器学习算法，对提取到的特征进行目标识别和分类。通过卷积神经网络(CNN)、支持向量机(SVM)等常用的目标识别算法，并通过训练模型，算法可以将提取到的特征与预定义的目标类别进行匹配和分类。

步骤五、环境建模：该部件将识别和分类的目标信息进行整合和建模，生成对环境的全局理解。环境建模采用图像分割、点云处理技术，将目标信息与车辆周围的地图数据进行融合，以获取更准确的环境模型。

附图3，决策模块：

决策模块负责根据感知模块提供的环境信息和道德准则，做出符合道德要求的决策。该模块包括以下子部件：

道德准则库：包含预设的道德准则，例如优先保护乘客、优先保护其他道路使用者。在本发明中还提出了一些基于道德决策的无人驾驶车辆道德准则：

决策算法模块：基于机器学习和人工智能技术，分析感知模块提供的环境信息和道德准则，评估不同决策方案的道德优先级，并选择最佳的决策方案。

附图4，控制模块：

控制模块负责将决策模块生成的决策指令转化为车辆的实际控制动作。该模块包括以下子部件：

车辆控制接口：与车辆的驾驶系统进行通信，将决策模块生成的决策指令传递给车辆。

控制算法模块：根据决策指令，计算车辆的加速、制动、转向等控制动作，实现决策的执行。

附图5，学习与优化模块：

学习与优化模块是系统的进化部分，负责根据实际道德决策的结果进行反馈和优化。该模块包括以下子部件：

数据收集与存储模块：收集和存储系统在实际道德决策中的数据，包括环境信息、决策结果等。

学习算法：利用机器学习技术，分析和挖掘收集的数据，优化决策模块的算法和准则，提高决策的准确性和道德性。

具体的，以下表格列出了一些自动驾驶车辆需要面临道德决策时的具体场景示例：