原文传递
面向预期功能安全的智能车行为决策算法研究
| 论文题名： | 面向预期功能安全的智能车行为决策算法研究 |
| 关键词： | 自动驾驶;预期功能安全;端到端决策算法;多视角注意力 |
| 摘要： | 为了应对自动驾驶领域越来越复杂的系统和工况，特别是非故障条件下系统功能不及预期导致危害事件的发生，预期功能安全（Safety of the Intended Functionality，SOTIF）应运而生。自动驾驶中常用的基于深度学习的端到端决策算法由于其网络模型缺乏可解释性和存在不确定性，导致预期功能安全问题凸显。本文提出改进算法用于增强端到端决策算法的可解释性以及不确定性的估计，从而改善算法性能，提高安全性。本文研究内容如下： （1）针对当前智能车端到端决策算法的可解释性不足的问题，本文提出一种全新的多视角注意力模块，通过建立不同视角中目标之间的联系，完成对智能车速度和方向盘转角预测。在Drive360数据集上的实验结果表明，多视角注意力模块的热力图（Attention Heatmap）可视化使得模型的可解释性大量提升，多数场景的决策逻辑得到解释，同时该算法的决策精度相比最新的环视方法提升15.1%。 （2）针对当前智能车端到端决策算法存在的不确定性问题，本文提出使用深度集成（Deep Ensemble）对端到端决策网络不确定性度量的方法，通过集成多个多视角注意力决策网络，完成对端到端决策网络的不确定性估计的同时预测智能车速度和方向盘转角。实验结果表明，在各种复杂的交通道路场景中，该网络可以准确输出不确定度，同时其决策精度在研究内容（1）的基础上进一步提升3.5%。（3）为了验证所提出算法在实际场景下的效果，本文搭建了实车采集平台，并对算法模型进行了轻量化设计，采集校园数据集并对模型进行离线实验，验证了校园场景下模型的决策精度、可解释性与不确定性表现。实验结果证明了决策算法在校园特殊场景（减速带、密集人群等）下不确定性估计的有效性，且对某些复杂场景的可解释性大为增强。 |
| 作者： | 李杰 |
| 专业： | 控制科学与工程 |
| 导师： | 程洪 |
| 授予学位： | 硕士 |
| 授予学位单位： | 电子科技大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
