[发明专利]一种基于开关式深度学习网络模型的自动驾驶决策方法及系统

说明书

本发明公开了一种基于开关式深度学习网络模型的自动驾驶决策方法，其包括：通过多个摄像头采集各导航指令下车辆行驶中的行车环境数据；步骤S11，将所述采集的行车环境数据，与实时的导航指令作为输入导入经预先训练优化好的自动驾驶决策模块中，所述自动驾驶决策模块采用开关式深度学习网络模型，所述开关式深度学习网络模型包括多级卷积神经网络(CNN)层、特征选择层、长短期记忆神经网络(LSTM)层以及输出层；步骤S12，所述自动驾驶决策模块根据所输入的行车环境数据与实时的导航指令的类型输出方向盘转角和车辆期望行驶速度，以控制车辆实现自动驾驶。本发明还公开了相应的系统。本发明可以根据不同的驾驶指令选择激活不同的特征开关，能实现复杂路况下的自动驾驶。

技术领域

本发明属于汽车自动驾驶领域，涉及一种基于开关式深度学习网络模型的自动驾驶决策方法及系统。

背景技术

采用深度学习来实现对车辆进行自动驾驶的方法是当前行业内前沿的自动驾驶算法模型。其一般的思路是，设计深度学习网络，然后将传感器采集的原始图像作为深度学习网络的输入，然后通过网络输出刹车、加速和转向等操作作为输出，然后对深度学习网络进行训练。其优势是模型可以直接对传感输入做出回应，不需要人类编写规则进行干预。这种深度学习自动驾驶技术意味着，只要人们提供足够多的训练数据，系统就能自动学会驾驶技术。

但是在一些场景下，例如车辆到达路口时，其接下来的决策需要由导航指令给出，包括左转、右转、直行或者停车。而目前基于深度学习的端到端自动驾驶决策系统无法根据相应的驾驶指令进行自动驾驶。

例如在现有的一种深度学习网络中，通过车辆前端左中右3个摄像头采集车辆行驶环境数据，同时通过数据采集设备采集驾驶员驾驶行为数据(方向盘转角)，以采集的图像数据作为输入，以采集的驾驶员驾驶行为数据作为输出，建立深度学习自动驾驶网络进行训练，最后将训练完成的模型迁移到嵌入式设备中进行推理计算，完成自动驾驶功能。但是现有的这种深度学习自动驾驶系统以原始图像作为输入，输出方向盘转角，只能做到在单车道内进行驾驶，无法完成路口、匝道以及换道等驾驶任务。且现有的这种深度学习自动驾驶系统仅以方向盘转角作为输出，没有对刹车和油门进行控制，所达到的自动驾驶能力较弱。

发明内容

本发明实施例所要解决的技术问题在于，本发明提供一种基于开关式深度学习网络模型的自动驾驶决策方法及系统，可以根据不同的驾驶指令激活不同的特征开关，从而使得网络可以接受来自系统的驾驶指令，实现复杂路况下的自动驾驶。

作为本发明的一方面，提供一种基于开关式深度学习网络模型的自动驾驶决策方法，其包括如下步骤：

步骤S10，通过至少一个摄像头实时采集各导航指令下车辆行驶中的行车环境数据，同时采集导航指令；

步骤S11，将所述采集的行车环境数据以及导航指令作为输入导入经预先训练优化好的自动驾驶决策模块中，根据所述导航指令的类型并结合所述行车环境数据进行决策，输出方向盘转角和车辆期望行驶速度；所述自动驾驶决策模块采用开关式深度学习网络模型，所述开关式深度学习网络模型包括多级卷积神经网络(CNN)层、特征选择层、长短期记忆神经网络(LSTM)层以及输出层；

步骤S12，根据自动驾驶决策模块输出的方向盘转角和车辆期望行驶速度，控制车辆实现自动驾驶。

优选地，进一步包括预先确定开关式深度学习网络模型并进行训练优化，形成自动驾驶决策模块的步骤，所述步骤包括：

步骤S20，通过多个摄像头采集各导航指令下车辆行驶中的行车环境数据，同时通过车辆传感器采集驾驶员的驾驶行为数据，包括车辆方向盘转角、油门开度、刹车力度、速度、车辆横摆角速度数据；每一行车环境数据与其对应的驾驶行为数据通过时间标签进行关联；

步骤S21对所述采集的行车环境数据以及驾驶行为数据进行筛选形成对应于不同导航指令的训练数据，其中，行车环境数据作为输入数据，驾驶行为数据作为输出数据；