[发明专利]基于异构深度学习的无人驾驶车辆/机器人行为规划方法

说明书

本发明公开了一种基于异构深度学习的无人驾驶车辆/机器人行为规划方法。本发明设计了由不同类型深度学习网络组成的异构深度学习模型：在有限行为状态机的约束下，首先将输入图像进行降维编码，并将编码空间约束为正态分布空间，再在编码空间中实现对无人驾驶车辆/机器人的行为控制。本发明充分利用了不同种类深度学习模型的优势，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基于全连接神经网络的控制模型与评估模型；并利用当前传感信息、现行网络输出与驾驶员实际输出的偏差，从安全性、平滑性、快速性几个方面对多个相同结构的网络进行在线学习与评估，建立自主驾驶的终身学习机制。本发明有效解决了无人驾驶车辆/机器人自主规划的自学习问题，为基于视觉的自主导航提供了廉价、可行的解决方案。

技术领域

本发明涉及无人驾驶车辆/机器人自主规划领域，特别是一种基于异构深度学习的无人驾驶车辆/机器人行为规划方法。

背景技术

学习一个从当前环境到无人驾驶车辆/机器人控制的映射是当前众多无人驾驶车辆/机器人应用的核心问题。该映射一般是利用车载传感器来感知无人驾驶车辆/机器人周围环境，并根据所获得的环境信息，来控制无人驾驶车辆/机器人的角速度和线速度，从而完成无人驾驶车辆/机器人的行为规划。

当前无人驾驶车辆/机器人行为规划系统大多是通过预编程的方法实现，由领域内的专家对环境建模并定义控制逻辑，通过预编程已经成功的实现了在特定环境下对机器人的控制。但是由于环境的多样性，使得通过预编程使无人驾驶车辆/机器人在不同环境下都能完成行为规划变得非常复杂和困难，而且当无人驾驶车辆/机器人遇到更加复杂或者陌生的环境时，其控制将变得不稳定，即使对所有环境都能建模，但是其控制逻辑却并不一定稳定。

机器学习技术已经被成功的应用在当今世界最先进的无人驾驶车辆/机器人上。例如在2005年DARPA Grand Challenge获得冠军的无人车Stanley，其在无人车历史上具有里程碑式的意义，因为机器学习技术在户外障碍物检测和地形测绘的普遍应用，使得Stanley在比赛中表现的非常鲁棒和精确。不过由于比赛环境是静态的，Stanley在交通流中并不能实现行为规划。

基于视觉控制和强化学习的方法也取得了显著的成就，部分是依赖基于深度学习(Deep Learning，DL)的模型，机器人可对环境进行无约束访问以及对控制策略进行无限次的迭代，在这样的条件下，基于控制的人工神经网络(ANN)通过不断地训练就可以使用更好的策略重复访问并预测环境。在当前基于DL最成功的机器人应用中，大多是使用监督学习的方式训练ANN，来完成机器人的行为规划，而无监督的方式由于其理论和实践的欠缺，使得将ANN作为生成模型的成果较少。变分自编码在高斯先验分布的编码空间和原始数据空间中，成功的学习了生成模型，并给出了使用ANN训练该生成模型的方法，但是其解码使用的是均方误差代价函数，生成的图像看起来往往比较模糊、不自然，与真实图像相差较大。生成对抗网络(Generative Adversarial Networks，GAN)很好地解决了这个问题，该网络通过同时训练生成网络和鉴别网络，使得生成网络生成的图像看起来更加清晰自然。Larsen等人将VAE和GAN结合起来，从而提出将图像编码后，更好解码还原图像的方法。Hotz等人利用VAE和GAN，完成了对无人车采集的道路图像的编码、道路跟踪、道路编码图像解码的任务。

深度学习模型由于其强大的描述能力和简单的训练逻辑，近年来在诸多领域取得了显著的成功。

发明内容

本发明的目的在于提供一种基于异构深度学习的无人驾驶车辆/机器人行为规划方法，从而解决无人驾驶车辆/机器人视觉导航的安全性与自学习性问题。

实现本发明目的的技术解决方案为：一种基于异构深度学习的无人驾驶车辆/机器人行为规划方法，步骤如下：