本發(fā)明涉及自動駕駛，尤其涉及一種基于行為樹的自動泊車決策模型構(gòu)建方法及裝置。

背景技術(shù)：

1、隨著自動駕駛技術(shù)的發(fā)展，自動泊車(automated?parking?assistance，apa)除了傳統(tǒng)的靜態(tài)障礙物外，還需要與行人、車輛等動態(tài)交通參與者交互，應(yīng)對更加狹窄的泊車空間，適應(yīng)更加復雜的泊車環(huán)境。

2、傳統(tǒng)的有限狀態(tài)機(finite-state?machine，fsm)在復雜場景的決策處理上有一些不足之處：1)開發(fā)復雜，維護不便；2)可讀性差，缺少可視化手段。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供一種基于行為樹的自動泊車決策方法及裝置，以解決現(xiàn)有技術(shù)中存在的開發(fā)難度大、維護困難、代碼可讀性差以及缺少決策過程無法可視化的問題。

2、第一個方面，本發(fā)明提供了一種基于行為樹的自動泊車決策模型構(gòu)建方法，具體包括如下步驟：

3、步驟s1、構(gòu)建apa決策行為樹模型；

4、步驟s2、獲取感知信息；

5、步驟s3、將所述感知信息輸入所述apa決策行為樹模型，形成泊車決策信息。

6、優(yōu)選地，步驟s1中，所述行為樹包括根節(jié)點(root節(jié)點)、非葉節(jié)點(tree?node)和葉節(jié)點(leaf?node)；

7、其中，所述根節(jié)點表示所述行為樹最頂層的節(jié)點；所述非葉節(jié)點表示有子節(jié)點的節(jié)點；所述葉節(jié)點表示沒有子節(jié)點的終端節(jié)點，為真正執(zhí)行動作的節(jié)點；

8、其中，所述非葉節(jié)點包括一個或至少兩個子節(jié)點。

9、其中，所述非葉節(jié)點包括控制節(jié)點(control?node)和裝飾器節(jié)點(decoratornode)。

10、其中，所述葉節(jié)點包括執(zhí)行節(jié)點(action?node)和條件節(jié)點(condition?node)。

11、優(yōu)選地，步驟s2中，所述感知信息包括車輛當前狀態(tài)、車輛軌跡跟蹤情況、車位場景信息、定位場景信息、靜態(tài)障礙物場景信息和動態(tài)障礙物場景信息；

12、其中，所述車輛當前狀態(tài)包括車速；所述車輛軌跡跟蹤情況包括跟蹤誤差。

13、優(yōu)選地，步驟s2中，所述感知信息存儲在黑板(blackboard)中，所述黑板表示一個所有節(jié)點共享的容器，用于存儲鍵值對(key-value?pair)；其中，所述鍵值對中，鍵(key)表示元素的索引；值(value)表示存儲和讀取的數(shù)據(jù)。鍵值對表示根據(jù)鍵中元素的索引檢索讀取到的相應(yīng)數(shù)據(jù)。

14、更優(yōu)選地，端口(port)表示節(jié)點用來傳遞交換信息的通道；其中，兩個port之間通過存儲在blackboard中相同的key連接。

15、優(yōu)選地，步驟s3中，所述泊車決策信息包括規(guī)劃器組合信息、每個規(guī)劃器的起點和終點、靜態(tài)障礙物信息和動態(tài)障礙物信息。

16、在本技術(shù)中，所述規(guī)劃器用于自動或輔助生成車輛泊車過程中的合理路徑和動作序列。它基于車輛的運動學模型、環(huán)境信息以及泊車目標(如平行泊車、垂直泊車等)，通過路徑規(guī)劃算法(例如hybrid?a?star算法、straight?line算法、target?tree算法等路徑規(guī)劃算法)計算出車輛從規(guī)劃器的起點到規(guī)劃器的終點的最佳行駛軌跡和操作指令，不同的規(guī)劃器之間的路徑規(guī)劃算法不同。

17、優(yōu)選地，步驟s3中，將所述感知信息輸入所述apa決策行為樹模型，形成泊車決策信息，具體包括如下步驟：

18、步驟s301、將所述感知信息輸入所述apa決策行為樹模型后，形成tick信號；

19、步驟s302、將所述tick信號通過root節(jié)點進行傳輸，直到傳輸至leaf?node。

20、優(yōu)選地，步驟s302中，將所述tick信號通過root節(jié)點進行傳輸，直到傳輸至leafnode，具體包括如下步驟：

21、步驟s302a、將所述tick信號傳輸至root節(jié)點，所述root節(jié)點將所述tick信號傳輸至所述root節(jié)點的一個子節(jié)點a；

22、步驟s302b、當所述節(jié)點a接收到所述tick信號后，所述節(jié)點a將所述tick信號傳輸至所述節(jié)點a的一個子節(jié)點b；

23、步驟s302c、重復執(zhí)行步驟s302b，直到所述tick信號傳輸至leaf?node為止。

24、更優(yōu)選地，對于一個節(jié)點c，將tick信號傳輸至所述節(jié)點c的下一個子節(jié)點d，所述子節(jié)點d的選擇的規(guī)則為從左到右依次執(zhí)行所述節(jié)點c的子節(jié)點。

25、優(yōu)選地，任何一個節(jié)點在接收到所述tick信號后，均執(zhí)行當前節(jié)點的回調(diào)函數(shù)(callback?function)，并返回success、faliure和running三種狀態(tài)中的一種；其中，所述success表示執(zhí)行成功，所述faliure表示執(zhí)行失敗，所述running表示正在執(zhí)行；其中，所述running表示需要更多的時間返回success和faliure兩種狀態(tài)中的一種。

26、更優(yōu)選地，當一個非葉節(jié)點執(zhí)行失敗后，其子節(jié)點均不再執(zhí)行，并返回faliure狀態(tài)。

27、優(yōu)選地，對于一個節(jié)點e，其包含m個子節(jié)點，當所述m個子節(jié)點均返回success狀態(tài)時，節(jié)點e的狀態(tài)返回success；其中，m為正整數(shù)。

28、優(yōu)選地，對于一個節(jié)點f，其包含n個子節(jié)點f1,f2,...,fn，當所述n個子節(jié)點中的第一個子節(jié)點f1返回success狀態(tài)后，所述tick信號被傳輸至所述節(jié)點f的第二個子節(jié)點f2，并在所述子節(jié)點f2返回success狀態(tài)后，所述tick信號被傳輸至所述節(jié)點f的第三個子節(jié)點f3，以此類推，直至n個子節(jié)點均返回success狀態(tài)后，所述節(jié)點f執(zhí)行結(jié)束并返回success狀態(tài)；其中，n為正整數(shù)；在執(zhí)行子節(jié)點f1,f2,...,fn的過程中，節(jié)點f的狀態(tài)為running狀態(tài)。

29、優(yōu)選地，步驟s3中，將所述感知信息輸入所述apa決策行為樹模型，形成泊車決策信息的過程中，還包括運行狀態(tài)的可視化處理，將返回running狀態(tài)的節(jié)點顯示為橘黃色，將返回success狀態(tài)的節(jié)點顯示為綠色，將返回faliure狀態(tài)的節(jié)點顯示為紅色，未觸發(fā)的節(jié)點顯示為灰色。

30、第二個方面，本發(fā)明還提供了一種基于行為樹的自動泊車決策模型構(gòu)建裝置，具體包括如下模塊：

31、模型構(gòu)建模塊，用于構(gòu)建apa決策行為樹模型；

32、感知信息獲取模塊，用于獲取感知信息；

33、泊車決策生成模塊，用于將所述感知信息輸入所述apa決策行為樹模型，形成泊車決策信息。

34、優(yōu)選地，模型構(gòu)建模塊中，所述行為樹包括根節(jié)點(root節(jié)點)、非葉節(jié)點(treenode)和葉節(jié)點(leaf?node)；

35、其中，所述根節(jié)點表示所述行為樹最頂層的節(jié)點；所述非葉節(jié)點表示有子節(jié)點的節(jié)點；所述葉節(jié)點表示沒有子節(jié)點的終端節(jié)點，為真正執(zhí)行動作的節(jié)點；

36、其中，所述非葉節(jié)點包括一個或至少兩個子節(jié)點。

37、其中，所述非葉節(jié)點包括控制節(jié)點(control?node)和裝飾器節(jié)點(decoratornode)。

38、其中，所述葉節(jié)點包括執(zhí)行節(jié)點(action?node)和條件節(jié)點(condition?node)。

39、優(yōu)選地，感知信息獲取模塊中，所述感知信息包括車輛當前狀態(tài)、車輛軌跡跟蹤情況、車位場景信息、定位場景信息、靜態(tài)障礙物場景信息和動態(tài)障礙物場景信息；

40、其中，所述車輛當前狀態(tài)包括車速；所述車輛軌跡跟蹤情況包括跟蹤誤差。

41、優(yōu)選地，感知信息獲取模塊中，所述感知信息存儲在黑板(blackboard)中，所述黑板表示一個所有節(jié)點共享的容器，用于存儲鍵值對(key-value?pair)；其中，所述鍵值對中，鍵(key)表示元素的索引；值(value)表示存儲和讀取的數(shù)據(jù)。鍵值對表示根據(jù)鍵中元素的索引檢索讀取到的相應(yīng)數(shù)據(jù)。

42、更優(yōu)選地，端口(port)表示節(jié)點用來傳遞交換信息的通道；其中，兩個port之間通過存儲在blackboard中相同的key連接。

43、優(yōu)選地，泊車決策生成模塊中，所述泊車決策信息包括規(guī)劃器組合信息、每個規(guī)劃器的起點和終點、靜態(tài)障礙物信息和動態(tài)障礙物信息。

44、優(yōu)選地，泊車決策生成模塊具體包括如下子模塊：

45、第一泊車決策子模塊，用于將所述感知信息輸入所述apa決策行為樹模型后，形成tick信號；

46、第二泊車決策子模塊，用于將所述tick信號通過root節(jié)點進行傳輸，直到傳輸至leaf?node。

47、優(yōu)選地，第二泊車決策子模塊具體包括如下孫模塊：

48、第一泊車決策孫模塊，用于將所述tick信號傳輸至root節(jié)點，所述root節(jié)點將所述tick信號傳輸至所述root節(jié)點的一個子節(jié)點a；

49、第二泊車決策孫模塊，用于當所述節(jié)點a接收到所述tick信號后，所述節(jié)點a將所述tick信號傳輸至所述節(jié)點a的一個子節(jié)點b；

50、第三泊車決策孫模塊，用于重復執(zhí)行第二泊車決策孫模塊，直到所述tick信號傳輸至leaf?node為止。

51、更優(yōu)選地，對于一個節(jié)點c，將tick信號傳輸至所述節(jié)點c的下一個子節(jié)點d，所述子節(jié)點d的選擇的規(guī)則為從左到右依次執(zhí)行所述節(jié)點c的子節(jié)點。

52、優(yōu)選地，任何一個節(jié)點在接收到所述tick信號后，均執(zhí)行當前節(jié)點的回調(diào)函數(shù)(callback?function)，并返回success、faliure和running三種狀態(tài)中的一種；其中，所述success表示執(zhí)行成功，所述faliure表示執(zhí)行失敗，所述running表示正在執(zhí)行；其中，所述running表示需要更多的時間返回success和faliure兩種狀態(tài)中的一種。

53、更優(yōu)選地，當一個非葉節(jié)點執(zhí)行失敗后，其子節(jié)點均不再執(zhí)行，并返回faliure狀態(tài)。

54、優(yōu)選地，對于一個節(jié)點e，其包含m個子節(jié)點，當所述m個子節(jié)點均返回success狀態(tài)時，節(jié)點e的狀態(tài)返回success；其中，m為正整數(shù)。

55、優(yōu)選地，對于一個節(jié)點f，其包含n個子節(jié)點f1,f2,...,fn，當所述n個子節(jié)點中的第一個子節(jié)點f1返回success狀態(tài)后，所述tick信號被傳輸至所述節(jié)點f的第二個子節(jié)點f2，并在所述子節(jié)點f2返回success狀態(tài)后，所述tick信號被傳輸至所述節(jié)點f的第三個子節(jié)點f3，以此類推，直至n個子節(jié)點均返回success狀態(tài)后，所述節(jié)點f執(zhí)行結(jié)束并返回success狀態(tài)；其中，n為正整數(shù)；在執(zhí)行子節(jié)點f1,f2,...,fn的過程中，節(jié)點f的狀態(tài)為running狀態(tài)。

56、可選的，泊車決策生成模塊還包括，狀態(tài)可視化子模塊，用于對決策行為樹模型在運行過程中的節(jié)點狀態(tài)進行可視化處理。

57、第三個方面，本發(fā)明還提供一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)本技術(shù)第一方面中任一項所述的一種基于行為樹的自動泊車決策模型構(gòu)建方法。

58、第四個方面，本發(fā)明還提供一種電子設(shè)備，所述電子設(shè)備包括：存儲器，存儲有一計算機程序：處理器，與所述存儲器通信相連，調(diào)用所述計算機程序時執(zhí)行本技術(shù)第一方面中任一項所述的一種基于行為樹的自動泊車決策模型構(gòu)建方法。

59、本發(fā)明與現(xiàn)有技術(shù)相比較，具有如下顯而易見的突出實質(zhì)性特點和顯著優(yōu)點：

60、本發(fā)明提供一種基于行為樹的自動泊車決策方法及裝置，解決了現(xiàn)有技術(shù)中存在的開發(fā)難度大、維護困難、代碼可讀性差以及缺少決策過程無法可視化的問題。通過行為樹作為泊車決策的主體，高效地實現(xiàn)了復雜泊車環(huán)境下的決策系統(tǒng)的構(gòu)建，同時，基于行為樹的自動泊車決策系統(tǒng)的可讀性強、維護方便且代碼的復用率高。