摘要：为解决无人驾驶船舶的多船避碰问题,结合船舶领域知识、国际海上避碰规则(COLREGs)及船舶操纵特性,提出一种基于深度确定性策略梯度(DDPG)算法的多船会遇避碰行为决策方法。采用门控循环单元(GRU)构建神经网络模型,并进行层归一化处理,可有效处理高维观测数据,提高了行为决策的效率。本文设计的奖励函数符合国际海上避碰规则,并考虑了尽量使用小舵角进行避让的船舶操纵习惯。多船会遇的仿真实验验证了本文避碰决策方法在灵活性和有效性方面的优势。

摘要：为减小乘员手动控制水下运载器上浮减压的安全风险,以水下运载器自动上浮停留减压问题为研究对象,分析水下运载器在水中的一系列减压过程,提出水下运载器自动上浮停留减压需求,基于行为树技术对水下运载器在减压过程中的行为决策进行设计与建模。针对该行为决策模型进行仿真实验,通过仿真实验验证所设计行为树符合预期,为提升水下运载器智能化奠定基础。

摘要：未知环境中移动机器人柔性的行为决策是完成各种任务的前提.目前的机器人行为决策方法在面对动态变化的环境时柔性较差,机器人难以获得持续稳定的学习能力.本文作者曾尝试通过集成小脑监督学习和基底神经节的强化学习来实现移动机器人动态环境下的柔性行为决策,但所提算法适应动态环境的能力有限.在前期工作基础上,本文设计了更有生物学意义的好奇度指标代替原来的警觉度指标,通过模拟蓝斑活动在基音模式和阶段模式之间的动态切换,实现移动机器人环境探索-利用的动态自适应调节.同时,设计随外部环境变化的自适应调节因子,实现移动机器人动态环境中基于小脑监督学习和基底神经节强化学习的柔性行为决策,使机器人可以获得持续稳定的学习能力.动态环境和实际环境中的实验结果验证了本文所提算法的有效性.

摘要：交通环境中存在着众多影响自动驾驶车辆行为决策安全的不确定性因素,准确并及时地处理不确定性因素对自动驾驶车辆安全至关重要。因此,建立了以人工驾驶行为分类为基础的贝叶斯网络(Bayesian network,BN)行为决策模型。利用决策树分类算法对人工驾驶行为进行分类,利用BN建模驾驶环境并生成最优驾驶动作,此方法既可以及时地分析人类驾驶员行为类别,又能够充分考虑驾驶场景中的不确定性因素。利用仿真工具PreScan设计仿真实验,仿真结果表明行为决策模型能够给出安全、合理的自动驾驶车辆行为。

摘要：计算机兵棋能够对敌对双方或多方的军事行动进行模拟,为军事智能决策的研究提供贴近真实战争的决策背景和试验环境。随着被控制棋子类型和数量增加,这些作战实体的行为决策控制将面临巨大的挑战。本文提出了知识与数据互补的兵棋行为决策算法,针对较多作战实体(50个左右)的群队级兵棋,提出了按实体类型分组决策、作战目标指引、位置评估指标并行计算等方法,设计了群队级兵棋人工智能(artificial intelligence, AI)技术框架,并实现了一个群队级兵棋AI。该兵棋AI将知识、数据和学习融为一体,具有设计简单、迁移能力强、决策灵活等优点。

摘要：在自动驾驶技术发展中,安全性一直作为首要因素被业界重视.行为决策与运动规划系统作为该技术的关键环节,对智慧属性具有更高要求,需要不断地随着环境变化做出当前的最优策略与行为,确保车辆行驶过程中的安全.文中分别对行为决策和运动规划系统进行深层次阐述,首先,介绍行为决策中基于规则的决策算法、基于监督学习的决策算法、基于强化学习的决策算法的算法理论及其在实车中的应用.然后,介绍运动规划中基于采样的规划算法、基于图搜索的规划算法、基于数值优化的规划算法和基于交互性的规划算法,并对算法的设计展开讨论,从安全角度分析行为决策和运动规划,对比各类方法的优缺点.最后,展望自动驾驶领域未来的安全研究方向及挑战.

摘要：为汽车自动驾驶提供安全高效的自动驾驶行为决策,是汽车自动驾驶领域面临的挑战性问题之一.目前,随着自动驾驶行业的蓬勃发展,工业界与学术界提出了诸多自动驾驶行为决策方法,但由于汽车自动驾驶行为决策受环境不确定因素的影响,决策本身也要求实效性及高安全性,现有的行为决策方法难以完全支撑这些要素.针对以上问题,提出了一种基于贝叶斯网络构建RoboSim模型的自动驾驶行为决策方法.首先,基于领域本体分析自动驾驶场景元素之间的语义关系,并结合LSTM模型预测场景中动态实体的意图,进而为构建贝叶斯网络提供驾驶场景理解信息;然后,通过贝叶斯网络推理特定场景的自动驾驶行为决策,并使用RoboSim模型的状态迁移承载行为决策的动态执行过程,以减少贝叶斯网络推理的冗余操作,提高了决策生成的效率.RoboSim模型具有平台无关、能模拟仿真执行周期的特点,并支持多种形式化的验证技术.为确保行为决策的安全性,使用模型检测工具UPPAAL对RoboSim模型进行验证分析.最后,结合变道超车场景案例,进一步证实所提方法的可行性,为设计安全、高效的自动驾驶行为决策提供了一种可行的途径.

摘要：智能汽车人机协同决策是指驾驶人与驾驶自动化系统之间进行信息共享、交互和协同决策的过程,其对于提升智能汽车的安全性、舒适性和通行效率具有重要意义。针对人机协同决策技术在当下文献研究中碎片化且缺乏相关综述研究的现状,介绍了智能汽车人机协同决策技术的研究现状及未来的发展趋势。首先,基于对人机协同驾驶领域研究现状的梳理,从驾驶权限和人机交互2个维度对人机协同决策方法进行分类,前者包含以人为主、人机驾驶权限切换和以机为主的3种决策方式,后者包含人机直接交互和人机间接交互2种决策形式。进一步根据智驾系统中人机协同决策的层级差异,将人机协同决策技术分为人机协同行为决策、人机协同运动规划两大关键技术。前者可分为仲裁驾驶权限、协调驾驶意图和人类在环学习3类,后者可分为人机协同的路径规划和轨迹规划2类。最后,对智能汽车人机协同决策技术的发展趋势进行了总结与展望。通过梳理总结认为:智能汽车人机协同决策技术的发展不仅局限于决策层面,也依赖于上下游共同的技术进步,且多模态人机界面和深度强化学习等技术将成为其进一步发展的重要动力;未来,人机协同决策技术将依托新型决策意图传导技术与大语言模型步入新阶段。

摘要：考虑动态驾驶场景下车辆间的交互影响,提出了一种基于图卷积网络和二次规划的智能车辆自主换道行为决策与运动规划方法.首先将感兴趣区域进行分层建模,以图结构数据的形式对驾驶场景的全局和局部动态交互信息进行聚合,通过图卷积网络输出自车应采取的驾驶行为决策指令,然后与运动规划模块结合,基于局部子图划分可通行区域,构建并求解二次规划模型,得到满足运动学约束的无碰撞运动轨迹,最终完成无碰撞自主换道.对提出的方法进行了仿真实验与实车验证,实验结果证明该方法的性能要优于传统的规划方法,具有更好的实验成功率以及场景泛化性能.

摘要：近年来,数字经济成为世界经济发展的重要引擎,引起了各国政府和学术界的高度重视。与传统经济场景相比,数字经济场景具有参与人的异质性和多样性、市场影响因素的复杂性以及市场状态的动态和非均衡性等特征。有效利用数字经济运行过程中所产生和积累的大量数据,开展数据驱动的行为决策和机制设计研究,有利于深度理解数字经济场景,特别是网络交易平台等场景下个体和群体的决策机理,进而指导设计与完善市场机制和监管措施,为我国的数字经济健康发展提供支持。