原文传递
基于端到端神经网络的自主车决策算法研究
| 论文题名： | 基于端到端神经网络的自主车决策算法研究 |
| 关键词： | 自主车;决策算法;路径规划;端到端神经网络 |
| 摘要： | 自主驾驶是指自主车从自身传感器获取数据，并实现环境感知和理解，最终达到人类驾驶水平的自主控制技术，其本质是实现传感器数据到车辆控制指令之间的映射。传统的自主驾驶体系结构是一种由多个模块组成的模块化的结构，此结构虽具有可解释性的优点，但存在设计复杂、包含冗余信息等缺点。而相比之下，基于端到端的结构则使用深度学习的方法直接实现传感器数据到控制指令之间的映射，更类似于真实驾驶员的行为，且结构简单。此外，随着深度学习技术、多传感器技术和硬件设备的发展，基于端到端的自主驾驶系统结构的研究也逐渐成为热潮。因此，本文也便是在这种大趋势下，针对目前使用端到端网络来实现传感器输入到转向角这一映射技术展开了探索性研究，并设计一些较为实用性的轻量级网络模型。本文主要研究工作为： (1)设计了一种轻量级的基于图像的端到端自主决策模型。首先，本文认为这种端到端结构可以看成一种局部路径规划的过程，同时受传统路径规划算法启发，提出将一种称为像素方向的信息输入网络，以便端到端网络学习方向感知特征；其次，针对目前大多数自主驾驶数据集存在数据不均衡的问题，提出一种损失敏感型函数SteeringLoss2。最后，实验结果表明端到端自主决策模型通过学习方向感知特征能够更精准地预测转向角；而采用损失敏感型函数的模型适用于预测更大的转向角，且一定程度上能够缓和不均衡训练所带来的弊端。 (2)设计了一种基于点云的端到端自主决策模型。由于点云具有无序性、空间结构旋转和平移不变性的特点，使得点云不能如结构化图像般直接输入神经网络。因此，为了将点云输入网络并保留原始点云的空间结构特征，本来采用类似于PointNet的思路设计了一种基于点云的端到端自主决策模型。此外，在此模型的基础上进行改进，将点云全局特征和逐点特征拼接，以便减少点云局部特征的丢失。实验证明，在转向角很大时，此模型表现优于基于图像的端到端网络模型，而在部分转向角为零的情况下，此模型效果相对较差。 (3)设计了一种基于图像和点云融合的端到端自主决策模型。此模型采用前两种端到端网络的特征提取层分别提取点云和图像特征，并通过特征级融合的方式进行特征融合，最后由长短期记忆网络学习时间依赖关系并预测转向角。通过实验证明，相比于基于单源数据的网络模型，基于融合的端到端网络表现出最佳效果。另外本文通过模拟异构辅助网络的特征来学习转向角，尽管网络性能没有明显的提升，但这种结合异构辅助网络的方式具有一定的借鉴价值。 |
| 作者： | 万鹏 |
| 专业： | 智能计算与系统 |
| 导师： | 陆建峰 |
| 授予学位： | 硕士 |
| 授予学位单位： | 南京理工大学 |
| 学位年度： | 2020 |
检索历史
应用推荐
