原文传递
基于端到端深度学习的自动驾驶决策模型研究
| 论文题名： | 基于端到端深度学习的自动驾驶决策模型研究 |
| 关键词： | 自动驾驶汽车;决策模型;端到端深度学习;车速信息;方向盘转角信息 |
| 摘要： | 自动驾驶的决策算法是充分考虑车辆周围的环境、车辆自身的状态而进行的控制量输出的综合决策算法，过去的驾驶决策倾向将整个驾驶决策任务分解为多项子任务，包含车道识别、决策控制等目标更细化的子模块，整体系统架构复杂，很难适应各种复杂的驾驶环境。端到端的自动驾驶决策模型算法将这一系列的规则转化成为一个“黑盒”模块。通过输入直接得到输出量，决策模型的输入为车辆的状态信息及前方摄像头的捕捉画面，输出为方向盘转角控制量及车速控制量，“黑盒”模块通过大量数据集训练而得到。本文在端到端的自动驾驶决策方案上进行了更深入的探索，解决了预测结果连续性、卷积可视化、多目标预测等问题。 基于深度学习基础理论，建立以深度卷积为主体的图像特征提取器，获取实时的视觉信息为驾驶决策提供数据支持。基于LSTM长短期记忆网络的理论，构建了车速处理分支网络和方向盘转角分支网络，输入带时间序列的车速和方向盘转角产生新的特征向量。搭建多输入单输出车辆方向盘转角预测的网络模型，将路况图像特征和车速及方向盘转角特征向量进行映射得到预测的转向角，将方向盘转角的预测值通过与真实的驾驶数据进行对比，验证了考虑时间序列信息的转向预测模型的正确性。将这种考虑了时序输入的模型和普通的单输入模型进行对比，结果表明考虑了时序输入的模型可以更好解决转向角连续预测问题。 基于CAM类别激活映射理论，使用卷积层获得的响应值和完全连接层的连接权重生成卷积注意力图。将卷积注意力图的生产流程封装成ABN注意力分支网络，ABN分支网络从图像识别网络的中间部分获取输入从而生产卷积注意力图，通过卷积注意力图分析决策模型的转向决策依据。在ABN分支网络的末端引入一个WGP加权池化层，将加权池化的值纳入到损失值的计算中，使得ABN可以应用到方向盘转角值预测的回归问题。 构建了多个车辆状态信息处理分支，将前一时间内的车速信息和方向盘转角信息进行序列化，同识别图像特征一起输入到特征映射网络中。通过增加增加信息处理分支的方法增强模型的信息表达能力，增加模型训练过程中的约束和反馈信息使模型具备多目标预测的能力。结果表明，当能获得周围环境信息时，可以同时预测方向盘转角和车速。 |
| 作者： | 刘伟 |
| 专业： | 工程(车辆工程) |
| 导师： | 郑光泽;邓清鹏 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆理工大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
