CN119007479B - 一种面向无人有人混合交通流的协同变道决策方法 - Google Patents

Abstract

本发明公开了一种面向无人有人混合交通流的协同变道决策方法，涉及交通控制技术领域。所述方法包括：进行交通流监测，生成实时交通流；基于有人驾驶车辆的状态时序进行变道行为预测，生成有人驾驶变道预测结果；以有人驾驶变道预测结果为基础，利用博弈决策网络根据无人驾驶车辆的状态时序针对多辆无人驾驶车辆进行协同变道决策，生成无人驾驶变道决策；确定需要进行变道的第一无人驾驶车辆和第一变道约束信息；根据第一变道约束信息对第一无人驾驶车辆进行变道监测提醒。解决了现有技术中无人驾驶车辆难以在混合交通流中有效应对有人驾驶车辆变道行为的技术问题，达到了提高无人驾驶车辆变道决策准确性和交通安全性的技术效果。

Description

一种面向无人有人混合交通流的协同变道决策方法

技术领域

本发明涉及交通控制技术领域，具体涉及一种面向无人有人混合交通流的协同变道决策方法。

背景技术

随着无人驾驶技术的快速发展，无人驾驶车辆在道路交通中的应用日益广泛。然而，在实际道路环境中，无人驾驶车辆与有人驾驶车辆往往需要共同运行，形成无人驾驶与有人驾驶混合交通流。在这种复杂的交通环境下，由于有人驾驶车辆的行为具有高度的不确定性，其变道行为对无人驾驶车辆的正常行驶和安全决策产生了显著的影响。无人驾驶车辆不仅需要实时感知交通状况，还必须对有人驾驶车辆的驾驶意图进行准确预测，以确保其变道决策的安全性和有效性。现有技术中，缺乏一种能够针对无人驾驶车辆在混合交通流中有效应对有人驾驶车辆变道行为的协同决策方法，导致无人驾驶车辆在变道时存在决策延迟、风险增加等问题。

发明内容

本申请提供了一种面向无人有人混合交通流的协同变道决策方法，解决了现有技术中无人驾驶车辆难以在混合交通流中有效应对有人驾驶车辆变道行为的技术问题。

鉴于上述问题，本申请提供了一种面向无人有人混合交通流的协同变道决策方法。

本申请提供了一种面向无人有人混合交通流的协同变道决策方法，所述方法包括：

连接预设道路区域内的交通监测模块进行交通流监测，生成实时交通流，其中，所述实时交通流包括无人驾驶车辆的状态时序和有人驾驶车辆的状态时序；基于所述有人驾驶车辆的状态时序进行变道行为预测，生成有人驾驶变道预测结果；以所述有人驾驶变道预测结果为基础，利用博弈决策网络根据所述无人驾驶车辆的状态时序针对多辆无人驾驶车辆进行协同变道决策，生成无人驾驶变道决策；基于所述无人驾驶变道决策确定需要进行变道的第一无人驾驶车辆和第一变道约束信息；根据所述第一变道约束信息对所述第一无人驾驶车辆进行变道监测提醒。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

首先，连接预设道路区域内的交通监测模块进行交通流监测，生成实时交通流，其中，实时交通流包括无人驾驶车辆的状态时序和有人驾驶车辆的状态时序。接着，基于有人驾驶车辆的状态时序进行变道行为预测，生成有人驾驶变道预测结果。然后，以有人驾驶变道预测结果为基础，利用博弈决策网络根据无人驾驶车辆的状态时序针对多辆无人驾驶车辆进行协同变道决策，生成无人驾驶变道决策。进一步，基于无人驾驶变道决策确定需要进行变道的第一无人驾驶车辆和第一变道约束信息。最后，根据第一变道约束信息对第一无人驾驶车辆进行变道监测提醒。解决了现有技术中无人驾驶车辆难以在混合交通流中有效应对有人驾驶车辆变道行为的技术问题，达到了提高无人驾驶车辆变道决策准确性和交通安全性的技术效果。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种面向无人有人混合交通流的协同变道决策方法流程示意图；

图2为本申请实施例提供的一种面向无人有人混合交通流的协同变道决策方法中进行变道行为预测的流程示意图。

具体实施方式

本申请通过提供一种面向无人有人混合交通流的协同变道决策方法，解决了现有技术中无人驾驶车辆难以在混合交通流中有效应对有人驾驶车辆变道行为的技术问题。

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要说明的是，术语“包括”和“具有”，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、产品或服务器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他步骤或模块。

实施例，如图1所示，本申请实施例提供了一种面向无人有人混合交通流的协同变道决策方法，其中，方法包括：

连接预设道路区域内的交通监测模块进行交通流监测，生成实时交通流，其中，所述实时交通流包括无人驾驶车辆的状态时序和有人驾驶车辆的状态时序。

在预先设定的道路区域内，部署交通监测模块，交通监测模块包括摄像头、雷达、激光雷达等，可以实时采集该区域内车辆的运动和状态数据。基于从交通监测模块收集到的数据，生成实时的交通流信息。通过连接预设道路区域内的交通监测模块，可以获取实时交通流，交通流指的是整个交通系统中所有车辆的运动情况和整体趋势，这些数据将以时间为序，形成状态时序，即每辆车在不同时间点的具体状态。无人驾驶车辆的状态时序是指每辆无人驾驶车辆在不同时间点的详细运动状态信息，包括车辆在某一时刻的速度、位置、加速/减速、方向、是否打转向灯、是否在变道、与周围其他车辆的距离等。同样，有人驾驶车辆的状态时序也包括车辆在道路上行驶时的所有运动状态数据。

基于所述有人驾驶车辆的状态时序进行变道行为预测，生成有人驾驶变道预测结果。

基于有人驾驶车辆的状态时序数据，进行变道行为预测，生成有人驾驶变道预测结果，有人驾驶变道预测结果描述了有人驾驶车辆可能的变道时间和位置。可选的，使用如机器学习、深度学习或统计学方法，来分析驾驶员的驾驶行为，预测其是否有可能在接下来的某一时刻变道。

进一步而言，如图2所示，基于所述有人驾驶车辆的状态时序进行变道行为预测，生成有人驾驶变道预测结果，包括：

采集历史车辆变道数据集，其中，所述历史车辆变道数据集包括历史驾驶行为、历史混合车流特征和对应的变道行为特征；以所述历史驾驶行为和所述历史混合车流特征建立变道行为预测模型；通过所述变道行为预测模型对所述有人驾驶车辆的状态时序进行分析，生成第一变道预测结果；基于所述有人驾驶车辆的状态时序进行变道影响分析，对所述第一变道预测结果进行优化，生成所述有人驾驶变道预测结果。

优选的，采集历史车辆变道数据集，包含历史驾驶行为信息，如驾驶员的加速、刹车、转向等行为记录，以及历史混合车流特征，如车辆密度、速度分布、车道占用情况等，还包含对应的变道行为特征，如变道时间、变道方向、变道成功与否等；以历史驾驶行为和历史混合车流特征作为训练数据，选择机器学习算法（如决策树、神经网络等）训练变道行为预测模型，通过分析历史驾驶行为与实际变道行为的关系，变道行为预测模型可以学会识别不同驾驶行为特征和混合车流特征下，驾驶员的变道意图；将当前有人驾驶车辆的状态时序输入变道行为预测模型进行实时分析，获得第一变道预测结果，第一变道预测结果是根据当前车辆的行为判断出的一次预测，包含了驾驶员是否有变道意图的初步结论；根据有人驾驶车辆的状态时序进行变道影响分析，也就是根据当前车辆状态、周围环境以及交通规则等因素，分析车辆在变道后对自身行驶的影响，比如变道后的行驶顺畅度、变道时是否安全、是否能减少拥堵等；将变道影响分析的结果与第一变道预测结果相结合，对第一变道预测结果进行优化，生成有人驾驶变道预测结果，有人驾驶变道预测结果更精确地反映当前有人驾驶车辆的变道意图。

进一步而言，基于所述有人驾驶车辆的状态时序进行变道影响分析，对所述第一变道预测结果进行优化，生成所述有人驾驶变道预测结果，包括：

根据所述有人驾驶车辆的状态时序提取第一有人驾驶车辆，并根据所述第一有人驾驶车辆所在车道建立第一候选变道行为；以所述第一候选变道行为进行变道拟合，获取变道后所述第一有人驾驶车辆的第一变道自身影响，同时结合所述有人驾驶车辆的状态时序进行变道后的交通流影响分析，生成第一变道交通流影响；加权融合所述第一变道自身影响与所述第一变道交通流影响，生成第一变道综合影响，其中，所述第一变道自身影响的权重大于所述第一变道交通流影响的权重；以所述第一变道综合影响对所述第一变道预测结果进行优化，生成所述有人驾驶变道预测结果。

具体而言，从有人驾驶车辆的状态时序数据中，识别并提取出当前分析的第一有人驾驶车辆，并根据该车辆当前所在的车道，建立可能的第一候选变道行为，包括变道的方向（向左或向右）、变道的时间、变道的速度等；对第一候选变道行为，进行变道拟合，即模拟车辆执行该变道行为后的可能位置和速度变化；通过变道拟合，获取第一有人驾驶车辆在执行变道后的第一变道自身影响，第一变道自身影响包括车辆变道后是否更加安全、行驶效率是否提升、是否能够避免拥堵等；结合有人驾驶车辆的状态时序数据，分析变道行为对周围其他车辆以及整个交通流的影响，包括分析该车辆变道后，是否会影响其他车辆的行驶，例如造成其他车辆减速、变道，或者产生拥堵等，进而生成第一变道交通流影响；将第一变道自身影响与第一变道交通流影响进行加权融合，以生成第一变道综合影响，即综合的变道影响评估，其中，第一变道自身影响的权重大于第一变道交通流影响的权重，也就是更重视该变道行为对该车辆本身的直接影响，而不是对周围车辆的影响；以第一变道综合影响为依据，对初步生成的第一变道预测结果进行优化，也就是说将第一变道综合影响作为影响因子对第一变道预测结果进行调整，如果第一变道综合影响显示该变道对车辆本身有显著的正面效果，且对交通流的影响较小，会强化变道的可能性，认为该变道行为更加合理。

以所述有人驾驶变道预测结果为基础，利用博弈决策网络根据所述无人驾驶车辆的状态时序针对多辆无人驾驶车辆进行协同变道决策，生成无人驾驶变道决策。

在博弈决策网络中，无人驾驶车辆会根据有人驾驶车辆的行动和决策出自己的最优决策，也就是说每辆无人驾驶车辆在做出变道决策时，不仅会考虑自身状态，还会根据其他无人驾驶车辆的状态时序以及有人驾驶车辆的预测行为，做出整体上的最佳决策。将有人驾驶变道预测结果和无人驾驶车辆的状态时序数据作为输入数据输入博弈决策网络对多辆无人驾驶车辆进行协同变道决策，生成无人驾驶变道决策。

进一步而言，所述博弈决策网络包括第一层决策网络和第二层决策网络；其中，所述第一层决策网络用于针对每一辆无人驾驶车辆进行独立变道影响分析；所述第二层决策网络用于根据所述第一层决策网络输出的每一辆无人驾驶车辆对应的变道影响指标进行变道影响的均衡决策。

博弈决策网络由两层组成，即第一层决策网络和第二层决策网络，第一层决策网络负责对每一辆无人驾驶车辆进行独立变道影响分析，第二层决策网络是在第一层决策网络的基础上，针对所有无人驾驶车辆的变道影响指标，进行整体的均衡决策。

博弈决策网络通过第一层决策网络进行独立的变道影响分析，生成每一辆无人驾驶车辆的变道影响指标；然后，第二层决策网络基于这些指标进行全局的均衡决策，确保在多车变道需求下，实现变道行为的协调和最优决策。这种两层结构的博弈决策网络不仅保证了个体车辆的安全和效率，还通过全局均衡决策提升了整个交通流的稳定性和安全性。

进一步而言，以所述有人驾驶变道预测结果为基础，利用博弈决策网络根据所述无人驾驶车辆的状态时序针对多辆无人驾驶车辆进行协同变道决策，生成无人驾驶变道决策，包括：

根据所述有人驾驶变道预测结果进行交通流的更新拟合，生成拟合混合交通流；通过所述第一层决策网络以所述拟合混合交通流为约束，针对所述多辆无人驾驶车辆分别进行变道影响分析，生成多个独立变道影响指标；根据所述多个独立变道影响指标提取独立变道影响指标大于或等于预设指标的多辆第一候选变道无人驾驶车辆；通过所述第二层决策网络根据所述多辆第一候选变道无人驾驶车辆进行变道影响的均衡决策，生成所述无人驾驶变道决策。

具体而言，基于有人驾驶变道预测结果对当前的交通流进行更新拟合，也就是根据有人驾驶车辆的变道行为，通过仿真技术推测出整个交通流可能发生的变化，进而得到混合交通流，混合交通流既包含了有人驾驶车辆的行为预测，也隐含了无人驾驶车辆可能作出的反应；将拟合后的混合交通流作为约束条件，输入到第一层决策网络中，同时，还需输入多辆无人驾驶车辆的状态时序数据，在第一层决策网络中，针对每辆无人驾驶车辆分别进行变道影响分析，包括对车辆执行不同变道动作后的安全性、效率性以及交通流适应性等多方面的评估，对于每辆无人驾驶车辆，生成一个独立变道影响指标，独立变道影响指标综合反映了车辆在执行变道动作后可能产生的多方面影响；设定一个预设指标，用于衡量变道影响的可接受程度，根据生成的独立变道影响指标，筛选出那些影响指标大于或等于预设指标的多辆无人驾驶车辆，作为第一候选变道车辆；将第一候选变道无人驾驶车辆的集合以及它们各自的独立变道影响指标输入到第二层决策网络中，对第一候选变道无人驾驶车辆进行变道影响的均衡决策，生成无人驾驶变道决策，无人驾驶变道决策包含每一辆无人驾驶车辆是否需要变道、变道的时机、变道的方向等具体行动指导。

进一步而言，通过所述第二层决策网络根据所述多辆第一候选变道无人驾驶车辆进行变道影响的均衡决策，生成所述无人驾驶变道决策，包括：

根据所述多辆第一候选变道无人驾驶车辆对应的独立变道影响指标，按照由大到小的顺序对所述多辆第一候选变道无人驾驶车辆进行排序，生成候选变道车辆序列；遍历所述候选变道车辆序列进行多辆第一候选变道无人驾驶车辆的协同变道影响叠加均衡分析，生成所述无人驾驶变道决策。

具体而言，根据每辆候选变道车辆的独立变道影响指标，按照由大到小的顺序进行排序，这意味着变道影响指标较大的车辆具有更大的变道优先级；排序之后，将这些车辆按优先级排列，形成候选变道车辆序列；依次遍历排在序列中的每一辆候选变道车辆，从变道影响指标最大的车辆开始进行分析，每当分析某辆候选车辆时，会将其变道行为与之前已分析过的车辆的变道行为进行协同影响叠加分析，确保不同车辆的变道行为能够相互协调，不会出现因为某辆车的变道而导致其他车辆的行驶安全性下降或交通拥堵加剧；在遍历完所有候选变道车辆后，通过对所有车辆的协同影响叠加分析和均衡决策，最终生成无人驾驶变道决策。

进一步而言，遍历所述候选变道车辆序列进行多辆第一候选变道无人驾驶车辆的协同变道影响叠加均衡分析，生成所述无人驾驶变道决策，包括：

提取所述候选变道车辆序列中位于首位的第一候选变道车辆，以所述拟合混合交通流为基础进行变道拟合和变道影响分析，生成第一混合车流拟合更新结果和第一变道影响指标；提取所述候选变道车辆序列中与所述第一候选变道车辆相邻的第二候选变道车辆，以所述第一混合车流拟合更新结果为基础进行变道拟合和变道影响分析，生成第二混合车流拟合更新结果和第二变道影响指标；判断所述第二变道影响指标是否大于或等于所述第一变道影响指标，若否，继续获取第三候选变道车辆，并返回至所述第一混合车流拟合更新结果进行变道拟合和变道影响分析，生成第三混合车流拟合更新结果和第三变道影响指标；重复分析，直至遍历所述候选变道车辆序列，生成最终的混合车流拟合更新结果；以所述最终的混合车流拟合更新结果生成所述无人驾驶变道决策。

从候选变道车辆序列中提取处于首位的第一候选变道车辆，这是变道影响指标最大的车辆，具有最高优先级；以拟合混合交通流为基础，对第一候选变道车辆进行变道拟合和变道影响分析，模拟第一候选变道车辆在变道后的行为及其对交通流的影响；通过变道拟合分析，更新混合车流，生成一个新的混合车流状态即第一混合车流拟合更新结果，第一混合车流拟合更新结果反映了第一候选车辆变道后的整体交通流变化；同时，还生成了第一候选车辆的第一变道影响指标，用于量化评估该车辆变道后对交通流和自身的影响；从候选变道车辆序列中提取与第一候选变道车辆相邻的第二候选变道车辆；以第一混合车流拟合更新结果为基础，进行该车辆的变道拟合和变道影响分析，即分析第二候选车辆在已考虑第一候选车辆变道后的交通流中，进行变道时的行为和影响；通过分析，生成更新后的交通流状态，即第二混合车流拟合更新结果，第二混合车流拟合更新结果反映了两辆候选变道车辆变道后的交通流变化，与此同时，还会生成第二候选车辆的第二变道影响指标，用于表示第二候选车辆变道后的综合影响；对第二变道影响指标与第一变道影响指标进行比较，判断第二候选车辆的变道行为是否相对更加合理；若第二变道影响指标大于或等于第一变道影响指标，则说明第二候选车辆的变道行为是合理的，会接受其变道行为，继续进行后续的分析；若第二变道影响指标小于第一变道影响指标，则说明该变道行为可能不如前一车辆的变道行为合理，将继续从序列中提取下一个候选变道车辆（即第三候选变道车辆），并返回到第一混合车流拟合更新结果，对第三车辆进行变道拟合和影响分析；重复上述分析过程，逐一处理候选变道车辆序列中的每一辆车，每一轮分析都基于前一辆车的混合车流拟合更新结果，确保在考虑之前车辆变道的基础上，对后续车辆的变道行为进行协调；通过这种递进式的拟合和影响分析，最终会生成一个完整的、经过多次更新的最终混合车流拟合更新结果，该结果反映了所有候选变道车辆变道后的整体交通流状态。

基于所述无人驾驶变道决策确定需要进行变道的第一无人驾驶车辆和第一变道约束信息。

通过博弈决策网络生成了完整的无人驾驶变道决策，这些决策包含了关于每一辆无人驾驶车辆的变道计划，包括变道的时机、变道的方向以及对其他车辆的潜在影响等。从这些生成的变道决策中，确定具体需要执行变道操作的车辆。此时，会根据交通流情况和每辆车的变道需求，优先选出第一无人驾驶车辆，即当前需要变道的第一辆无人驾驶车辆，并为第一无人驾驶车辆确定一组第一变道约束信息，第一变道约束信息指的是第一无人驾驶车辆在执行变道时需要遵循的条件或限制，确保变道的安全性和有效性；第一变道约束信息可能包括时间约束、速度约束、车道约束、距离约束等。

根据所述第一变道约束信息对所述第一无人驾驶车辆进行变道监测提醒。

在确定了第一无人驾驶车辆及其变道约束信息后，会对该车辆的变道过程进行监测，并发出相关的提醒，以确保变道的顺利进行。

进一步而言，根据所述第一变道约束信息对所述第一无人驾驶车辆进行变道监测提醒，包括：

对所述第一无人驾驶车辆进行行驶状态监测，获取第一监测数据；根据所述第一监测数据判断所述第一无人驾驶车辆是否满足所述第一变道约束信息；若是，根据所述第一无人驾驶车辆的前后车辆距离判断当前路段是否适合变道；根据判断结果向所述第一无人驾驶车辆发出变道指令。

具体而言，对第一无人驾驶车辆的行驶状态进行实时监测，收集有关车辆当前行驶情况的第一监测数据，包括速度、位置、行驶方向、与周围车辆的距离等；对第一监测数据进行分析，判断该车辆的当前状态是否符合之前定义的第一变道约束信息；若第一无人驾驶车辆满足第一变道约束信息，还需要进一步根据前后车辆距离判断当前路段是否适合进行变道操作；如果前方车辆距离过近，可能不适合进行变道，以避免发生碰撞或交通阻塞；如果后方车辆距离较远，则适合变道；但如果后方车辆距离较近，变道可能导致后车减速或危险情况；基于分析结果决定是否发出变道指令，若当前路段适合变道，则向第一无人驾驶车辆发出明确的变道指令，指示车辆开始执行变道操作；若当前路段不适合变道，则会延迟变道，或发出提醒指令，建议车辆等待更合适的时机再进行变道。

综上所述，本申请实施例至少具有如下技术效果：

首先，连接预设道路区域内的交通监测模块进行交通流监测，生成实时交通流，其中，实时交通流包括无人驾驶车辆的状态时序和有人驾驶车辆的状态时序。接着，基于有人驾驶车辆的状态时序进行变道行为预测，生成有人驾驶变道预测结果。然后，以有人驾驶变道预测结果为基础，利用博弈决策网络根据无人驾驶车辆的状态时序针对多辆无人驾驶车辆进行协同变道决策，生成无人驾驶变道决策。进一步，基于无人驾驶变道决策确定需要进行变道的第一无人驾驶车辆和第一变道约束信息。最后，根据第一变道约束信息对第一无人驾驶车辆进行变道监测提醒。解决了现有技术中无人驾驶车辆难以在混合交通流中有效应对有人驾驶车辆变道行为的技术问题，达到了提高无人驾驶车辆变道决策准确性和交通安全性的技术效果。

需要说明的是，上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (8)

1.一种面向无人有人混合交通流的协同变道决策方法，其特征在于，所述方法包括：

连接预设道路区域内的交通监测模块进行交通流监测，生成实时交通流，其中，所述实时交通流包括无人驾驶车辆的状态时序和有人驾驶车辆的状态时序；

基于所述有人驾驶车辆的状态时序进行变道行为预测，生成有人驾驶变道预测结果；

以所述有人驾驶变道预测结果为基础，利用博弈决策网络根据所述无人驾驶车辆的状态时序针对多辆无人驾驶车辆进行协同变道决策，生成无人驾驶变道决策；

基于所述无人驾驶变道决策确定需要进行变道的第一无人驾驶车辆和第一变道约束信息；

根据所述第一变道约束信息对所述第一无人驾驶车辆进行变道监测提醒。

2.如权利要求1所述的一种面向无人有人混合交通流的协同变道决策方法，其特征在于，基于所述有人驾驶车辆的状态时序进行变道行为预测，生成有人驾驶变道预测结果，包括：

采集历史车辆变道数据集，其中，所述历史车辆变道数据集包括历史驾驶行为、历史混合车流特征和对应的变道行为特征；

以所述历史驾驶行为和所述历史混合车流特征建立变道行为预测模型；

通过所述变道行为预测模型对所述有人驾驶车辆的状态时序进行分析，生成第一变道预测结果；

基于所述有人驾驶车辆的状态时序进行变道影响分析，对所述第一变道预测结果进行优化，生成所述有人驾驶变道预测结果。

3.如权利要求2所述的一种面向无人有人混合交通流的协同变道决策方法，其特征在于，基于所述有人驾驶车辆的状态时序进行变道影响分析，对所述第一变道预测结果进行优化，生成所述有人驾驶变道预测结果，包括：

根据所述有人驾驶车辆的状态时序提取第一有人驾驶车辆，并根据所述第一有人驾驶车辆所在车道建立第一候选变道行为；

以所述第一候选变道行为进行变道拟合，获取变道后所述第一有人驾驶车辆的第一变道自身影响，同时结合所述有人驾驶车辆的状态时序进行变道后的交通流影响分析，生成第一变道交通流影响；

加权融合所述第一变道自身影响与所述第一变道交通流影响，生成第一变道综合影响，其中，所述第一变道自身影响的权重大于所述第一变道交通流影响的权重；

以所述第一变道综合影响对所述第一变道预测结果进行优化，生成所述有人驾驶变道预测结果。

4.如权利要求1所述的一种面向无人有人混合交通流的协同变道决策方法，其特征在于，所述博弈决策网络包括第一层决策网络和第二层决策网络；

其中，所述第一层决策网络用于针对每一辆无人驾驶车辆进行独立变道影响分析；所述第二层决策网络用于根据所述第一层决策网络输出的每一辆无人驾驶车辆对应的变道影响指标进行变道影响的均衡决策。

5.如权利要求4所述的一种面向无人有人混合交通流的协同变道决策方法，其特征在于，以所述有人驾驶变道预测结果为基础，利用博弈决策网络根据所述无人驾驶车辆的状态时序针对多辆无人驾驶车辆进行协同变道决策，生成无人驾驶变道决策，包括：

根据所述有人驾驶变道预测结果进行交通流的更新拟合，生成拟合混合交通流；

通过所述第一层决策网络以所述拟合混合交通流为约束，针对所述多辆无人驾驶车辆分别进行变道影响分析，生成多个独立变道影响指标；

根据所述多个独立变道影响指标提取独立变道影响指标大于或等于预设指标的多辆第一候选变道无人驾驶车辆；

通过所述第二层决策网络根据所述多辆第一候选变道无人驾驶车辆进行变道影响的均衡决策，生成所述无人驾驶变道决策。

6.如权利要求5所述的一种面向无人有人混合交通流的协同变道决策方法，其特征在于，通过所述第二层决策网络根据所述多辆第一候选变道无人驾驶车辆进行变道影响的均衡决策，生成所述无人驾驶变道决策，包括：

根据所述多辆第一候选变道无人驾驶车辆对应的独立变道影响指标，按照由大到小的顺序对所述多辆第一候选变道无人驾驶车辆进行排序，生成候选变道车辆序列；

遍历所述候选变道车辆序列进行多辆第一候选变道无人驾驶车辆的协同变道影响叠加均衡分析，生成所述无人驾驶变道决策。

7.如权利要求6所述的一种面向无人有人混合交通流的协同变道决策方法，其特征在于，遍历所述候选变道车辆序列进行多辆第一候选变道无人驾驶车辆的协同变道影响叠加均衡分析，生成所述无人驾驶变道决策，包括：

提取所述候选变道车辆序列中位于首位的第一候选变道车辆，以所述拟合混合交通流为基础进行变道拟合和变道影响分析，生成第一混合车流拟合更新结果和第一变道影响指标；

提取所述候选变道车辆序列中与所述第一候选变道车辆相邻的第二候选变道车辆，以所述第一混合车流拟合更新结果为基础进行变道拟合和变道影响分析，生成第二混合车流拟合更新结果和第二变道影响指标；

判断所述第二变道影响指标是否大于或等于所述第一变道影响指标，若否，继续获取第三候选变道车辆，并返回至所述第一混合车流拟合更新结果进行变道拟合和变道影响分析，生成第三混合车流拟合更新结果和第三变道影响指标；

重复分析，直至遍历所述候选变道车辆序列，生成最终的混合车流拟合更新结果；

以所述最终的混合车流拟合更新结果生成所述无人驾驶变道决策。

8.如权利要求1所述的一种面向无人有人混合交通流的协同变道决策方法，其特征在于，根据所述第一变道约束信息对所述第一无人驾驶车辆进行变道监测提醒，包括：

对所述第一无人驾驶车辆进行行驶状态监测，获取第一监测数据；

根据所述第一监测数据判断所述第一无人驾驶车辆是否满足所述第一变道约束信息；

若是，根据所述第一无人驾驶车辆的前后车辆距离判断当前路段是否适合变道；

根据判断结果向所述第一无人驾驶车辆发出变道指令。