[发明专利]一种基于CNN-LSTM的自动驾驶控制方法

说明书

本发明公开了一种基于CNN‑LSTM的自动驾驶控制方法，包括以下步骤：S1：通过实车驾驶或行车录像或模拟驾驶系统与驾驶台架结合的方式，以相同的采样频率，采集图像数据和驾驶员的驾驶信息；S2：基于c++，python语言，结合openCV库，利用Tensorflow框架自动将图像数据提取到感兴区域，并规范为统一尺寸，驾驶图像数据整理为N×4的二维张量,并作为训练标签Label；解决了以往方法由于路况复杂多变，依靠传统穷举式的自动驾驶算法，无法涵盖所有路况的问题。

技术领域

本发明涉及自动驾驶控制领域，特别是一种基于CNN-LSTM的自动驾驶控制方法。

背景技术

随着电动汽车产业的兴起以及人工智能技术的火热发展，AI技术在智能驾驶方向表现出了极大的价值与潜力，而仿照人脑工作模式被设计而生的神经网络，更是凭借其强大的性能，以及广泛的适用性受到各界追捧。

卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络，仿造生物的视知觉机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征，例如像素和音频进行学习，有稳定的效果，且对数据没有额外的特征工程要求。

长短期记忆网络(LSTM)是循环神经网络的一种，它在算法中加入了一个判断信息有用与否的“处理器”，这个处理器作用的结构被称为细胞(cell)。一个cell当中被放置了三扇门，分别叫做输入门、遗忘门和输出门。一个信息进入LSTM的网络当中，可以根据规则来判断是否有用。只有符合算法认证的信息才会留下，不符的信息则通过遗忘门被遗忘。由此使得LSTM具有记忆长期及短期信息的能力，从而能够用来解决具有长期依赖的时序性问题。

CNN-LSTM结合可以提取路况的时间和空间域特征，训练后可以得到全面可靠的自动驾驶算法。

现有技术一，专利号为CN201810730555.X，现有技术一的缺点，第一，输入数据只有自车车速、前车车速、自车加速度、车间距四个特征，难以表征复杂的驾驶路况；第二，输出数据只有油门和踏板，无法控制车辆转向，只能用于简单跟车。

发明内容

为解决现有技术中存在的问题，本发明提供了一种基于CNN-LSTM的自动驾驶控制方法，解决了以往方法由于路况复杂多变，依靠传统穷举式的自动驾驶算法，无法涵盖所有路况的问题。

本发明采用的技术方案是，一种基于CNN-LSTM的自动驾驶控制方法，包括以下步骤：

S1：通过实车驾驶或行车录像或模拟驾驶系统与驾驶台架结合的方式，以相同的采样频率，采集图像数据和驾驶员的驾驶信息；

S2：基于c++，python语言，结合openCV库，利用Tensorflow框架自动将图像数据提取到感兴区域，并规范为统一尺寸，驾驶图像数据整理为N×4的二维张量,并作为训练标签Label

Label＝[[ac₀ br₀ st₀ ge₀]

···

···

[ac_n br_n st_n ge_n]]

其中，ac代表油门开度,br代表制动踏板开度,st代表方向盘转角,ge代表挡位,n代表样本序号；

S3：搭建CNN-LSTM神经网络，利用google Tensorflow框架根据参数搭建模型，其中，CNN部分由5个卷积层，4个池化层，2个全连接层组成；LSTM部分由10-300个LSTM单元组成；