原文传递
基于自主学习的无人车行为规划方法
| 论文题名： | 基于自主学习的无人车行为规划方法 |
| 关键词： | 无人车;行为规划;自主学习;有限状态机 |
| 摘要： | 行为规划是无人车驾驶的关键技术。基于视觉的行为规划提供了廉价的解决方案，但是由于道路图像分布的复杂性和图像计算量的庞大，无人车行为规划系统的设计变得困难。本文对鲁棒实时的无人车行为规划系统的设计问题进行研究。针对无人车行为规划系统设计中的技术难点，提出了解决方案，使无人车能够自主地学习行为规划的能力，有效地解决了直接在图像空间建模和计算复杂的困难，并能较好地对无人车进行行为规划和有效地预防错误控制的发生。本文的主要工作如下: 首先，提出了一种基于异构深度学习的无人车行为规划系统，该系统设计了不同种类的深度学习模型，首先将道路图像降维编码，并将编码空间约束为标准正态分布空间，再在编码空间中实现对无人车的行为控制。无人车行为规划系统包含基于擅长图像建模的卷积神经网络的自编码模型、基于擅长序列数据建模的循环神经网络的道路跟踪模型，以及在编码空间中实现的使用了卷积神经网络、SENet、ResNet等不同网络结构的控制模型和评估模型。 其次，基于异构深度学习无人车行为规划系统，提出了一种基于有限状态机深度学习的无人车行为规划方法。由于基于异构深度学习的行为规划系统完成的是局部路径规划任务，给定全局路径或者到达路口时的行为选择须要借助有限状态机完成。通过对全局路径进行解析，使用有限状态机完成道路跟踪以及路口通过时的行为判断，并适时地选择不同的控制模型对无人车进行行为规划，减轻了对单个控制模型的训练难度，并能基于有限状态机，完成全局路径任务。 最后，基于异构深度学习的无人车行为规划系统，提出了一种基于协同深度学习的无人车行为规划方法。基于异构深度学习的行为规划系统中只使用了彩色图像作为数据源，经过处理后输出控制值。基于协同深度学习的无人车行为规划方法将彩色图像和深度图像作为数据源，控制模型从两种视图数据中学习行为规划能力，使控制模型间可以相互指导利用大量的无标记样本，提升了样本利用率以及模型的泛化能力。 实验结果表明，评估模型可以有效地评估跟踪控制效果，并有效防止系统做出错误的决策，另外无人车不仅学习到了样本中提供的行为，如道路保持、转弯等，还在一定程度上学习到了局部避障和车道矫正的能力，具有一定的泛化性。 |
| 作者： | 兰潇根 |
| 专业： | 模式识别与智能系统 |
| 导师： | 石朝侠 |
| 授予学位： | 硕士 |
| 授予学位单位： | 南京理工大学 |
| 学位年度： | 2017 |
| 正文语种： | 中文 |
检索历史
应用推荐
