[发明专利]一种基于行车态势图的车辆自动驾驶决策系统及基于无人机的训练集制备方法

说明书

本发明涉及一种基于行车态势图的车辆自动驾驶决策系统及基于无人机的训练集制备方法。该车辆自动驾驶决策系统包括感知层、决策层、控制层以及安全模块，采用行车态势图和卷积神经网络可对周围行车环境进行既准确客观又考虑周围驾驶人心理的感知，经过训练后的以卷积神经网络为主体的学习算法模型可以得到与人类驾驶习惯契合度很高的驾驶决策，提高行车安全性与驾乘舒适性。本发明一并提出的基于无人机的训练数据集制备方法可以简便高效生成大量带标签的行车态势图序列供驾驶决策系统中的学习算法模型训练使用。

技术领域

本发明涉及交通技术领域，特别是涉及一种基于行车态势图的车辆自动驾驶决策系统及基于无人机的训练集制备方法。

背景技术

自动驾驶作为未来车辆智能化发展的必然趋势将对人们的出行乃至生活方式带来极大变革，因而受到社会各界的广泛关注，近年来越来越多的新理论新技术被提出以期实现安全可靠的无人驾驶技术。自动驾驶是一项融合计算机、汽车动力学、人工智能等多领域的复杂综合工程技术，其总体可分为环境感知、决策规划和运动控制三大部分。其中决策规划部分是自动驾驶的核心部分，其通过环境感知部分获取的周围环境态势做出换道、跟驰等驾驶行为决策，并生成对应的轨迹交由运动控制部分进行轨迹跟踪最终实现安全可靠的无人自主驾驶。

现阶段的决策规划系统过于关注驾驶行为和轨迹的安全性，而忽略了驾驶过程中的“人性”，即驾驶行为中可能存在的冒险、赌气、谦让等因素，未来很长一段时间内道路交通系统中都将是自动驾驶车辆和有人驾驶车辆共存的状态，如果自动驾驶车辆的决策规划系统不对驾驶行为中的“人性”加以考虑，很可能发生诸如换道时目标车道后方车辆不“谦让”发生碰撞等事故。这样的担忧并非空穴来风，2016年2月14日，谷歌公司一辆无人驾驶汽车在街头测试时试图绕开道路上的沙袋、向左并入道路中央时，却意外与左侧车道内一辆从后方驶来的公共汽车相撞，这起事故中的公共汽车并未因自动驾驶车辆的换道行为而做出“谦让”，显然谷歌无人车的决策规划系统并未发现后方驾驶员的异常，从而导致了事故的发生。除了“人性”之外，现阶段的决策规划系统对于轨迹规划方面也缺乏“舒适性”的考虑，生成的目标轨迹可能成功避开了所有的障碍物，但却是频繁转弯、频繁启停的轨迹，造成乘员身体的不适感，也将对无人驾驶的普及造成极大阻碍。

不论是跟周围车辆驾驶员在“人性”上的博弈，还是对乘员乘车“舒适性”的考量，都要求自动驾驶车辆的决策规划系统做出更加“以人为本”的决策。而这种“以人为本”的决策规划很难依靠当前被广泛应用的有限状态机实现，学习算法在这方面显现了独特的优势。相较于依靠复杂臃肿又不尽完善的人工设定规则，诸如深度学习等的学习算法通过大规模数据的训练，可以从中提取、归纳、学习到人类驾驶员的“人性化”驾驶行为以及符合乘员舒适性要求的运动轨迹。

然而现阶段基于学习算法的决策规划研究也并不尽如人意，尽管它们在某些特定场景下的效果非常出色，却无法兼容训练场景外的其他场景，这决定了在全工况全时空前提下它们无法被单独使用。一种可行的方案是将学习算法与有限状态机相结合，不同场景如十字路口、丁字路口即是不同的状态，不同的状态对应在相应场景下训练的学习算法。这样的设计很巧妙，但容易发现这种决策规划系统需要很多训练完善的学习算法模型，这将占用极大的储存空间，同时有限状态机中的有些场景并不容易明确划分，如何解决状态划分“灰色地带”的合理决策问题也并非易事。这已成了急需解决的技术问题。

发明内容

本发明所要解决的技术问题是提供一种自动驾驶车辆决策系统，以解决现有驾驶决策系统缺乏“人性”且泛化能力弱的问题，实现对周围有人驾驶车辆运动趋势的有效分析并显著提高行车安全性以及舒适性，同时针对带标签数据集获取困难的问题提供一种基于无人机航拍视频的获取驾驶决策系统内学习算法模型训练集的简易方法。

本申请是通过如下技术方案实现的：

一种基于行车态势图的车辆自动驾驶决策系统，该车辆自动驾驶决策系统包括感知层、决策层、控制层以及安全模块，其特征在于：