原文传递
基于分段学习模型的自动驾驶行为决策算法研究
| 题名： | 基于分段学习模型的自动驾驶行为决策算法研究 |
| 正文语种： | 中文 |
| 作者： | 周卫林;王玉龙;裴锋;黄明亮;闫春香 |
| 作者单位： | 广州汽车集团股份有限公司;湖南大学 |
| 关键词： | 汽车工程;驾驶行为决策;分段学习模型;深度神经网络;车道线检测;目标检测 |
| 摘要： | 在具有车道线的特定自动驾驶场景中.针对目前端到端的行为决策算法直接输入原始图像进行决策导致的网络模型迁移性差、预测精度欠佳、泛化能力不足等问题，提出一种基于分段学习模型的车辆自动驾驶行为决策算法。首先，基于GoogLeNet建立一种端到端的车道线检测网络模型.并引入车道中心线作为决策的重要线索提高算法的迁移能力，同时利用Y()L()v3目标检测模型对本车道内前方最近障碍物进行位置检测；而后，经几何测量模型将两者检测结果转换成环境状态信息向量为决策做支撑；最后，构建基于长短期记忆(LSTM)网络的驾驶行为决策模型，根据编码的历史状态信息刻画出动态环境中车辆的运动模式.并结合当前时刻的状态推理得到驾驶行为参量。使用建立的真实驾驶场景数据集对模型分别进行训练、验证与测试，离线测试结果显示车道线检测模型的检测位置误差小于1.3%.车道内前方障碍物检测模型的检测精度达98%以上，驾驶行为决策网络模型表征预测优度的决定系数大于0.7。为进一步验证算法的有效性，搭建了Sim-ulink/PreScan联合仿真平台，多种工况下的仿真验证试验中多个评价指标均达到工程精度要求，实车测试的试验结果也表明该算法可实现复杂驾驶场景下平稳、准确无偏航的预测效果并满足实时性要求，且与传统端到端模式的算法相比，具有更好的迁移性和泛化能力。 |
| 期刊名称： | 中国公路学报 |
| 出版年： | 2022 |
| 期： | 06 |
| 页码： | 323-338 |
检索历史
应用推荐
