原文传递
基于深度学习的无人驾驶汽车控制研究
| 论文题名： | 基于深度学习的无人驾驶汽车控制研究 |
| 关键词： | 无人驾驶;汽车控制;车道线检测;语义分割;深度学习 |
| 摘要： | 随着人工智能和传感器等核心技术的进一步发展，深度学习技术被广泛应用在无人驾驶汽车感知、决策以及控制，有效地减少了交通事故，提高了行车安全性。本文分别针对分段式感知控制无人驾驶汽车模型和端到端无人驾驶汽车控制模型展开研究，具体研究内容如下： 第一，提出一种包括车道线检测模型和驾驶控制网络模型的分段式感知控制无人驾驶汽车模型。许多基于深度学习的车道线检测模型通过增加神经网络复杂度来获取更高的准确率，会导致网络模型参数量大并且效率低下等问题。针对此问题，本文首先提出一种轻量化车道线检测模型VU_FA，该模型主要包括一个全局上下文注意力信息融合模块用以增强特征提取，一个深度可分离卷积用以减少模型参数以及提高效率，在TuSimple数据集上的实验表明，该模型可以在不降低准确率的前提下，大幅度减少模型参数并且使效率加快。其次搭建驾驶控制网络模型Pred_RNN，通过二次曲线方程拟合车道线检测模型输出的语义分割图得到车道线二次曲线参数并将其与车速和方向盘转角作为Pred_RNN的输入，在驾驶控制数据集上的实验结果表明Pred_RNN模型可学习到人类驾驶习惯并较好地控制车速和方向盘转角，实现对无人驾驶汽车的控制。 第二，针对分段式感知控制模型中需要花费大量成本对图像进行标注以进行感知控制以及现有端到端控制模型没有充分利用输入图像的历史关联性并且模型输出单一的问题，设计了人类视觉注意力模块与时空特征融合的端到端控制网络模型LSMA_PN。在端到端控制数据集上的实验结果表明，LSMA_PN可以快速准确地模拟人类驾驶行为，从图像信息直接获得需要的方向盘转角与车速。 第三，仿真实验验证与实车数据集验证。本文基于Udacity仿真平台，对提出的分段式感知控制无人驾驶汽车模型以及端到端控制模型LSMA_PN进行了仿真验证，结果表明端到端模型LSMA_PN比分段式感知控制模型的误差率更低，控制效果更好，但分段式感知控制模型拥有更好的可解释性。为进一步验证实车效果，本文在城市道路环境采集制作实车数据集并进行验证，结果表明LSMA_PN模型可以快速准确地实现对无人驾驶汽车的控制。 |
| 作者： | 王晨 |
| 专业： | 车辆工程 |
| 导师： | 高扬 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长安大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
