[发明专利]一种多尺度感知及全局规划下的自主驾驶网络

说明书

一种多尺度感知及全局规划下的自主驾驶网络，主要侧重于对感知能力的更深的探索以及对避障规划、网络解释等能力的有效提升，并为上文所述较薄弱的三大核心问题，提出一种有效的解决方案。首先将网络结构化分层以提高网络各部分的解释能力，其次通过预训练FPN网络[15]以提高网络多尺度的感知能力，并增加避障模块以优化车辆规划能力，最终通过感知避障特征及规划导航指令把控控制流向，以实现车辆对全局意图及局部特征的有效反馈。

技术领域

本发明涉及一种无人自主驾驶系统导航定位过程有故障分析和安全保证技术领域，特别是提供了一种多尺度感知及全局规划下的自主驾驶网络。

背景技术

自1950年，美国Barret Electrnies公司研发出第一辆自主驾驶汽车起，自主驾驶技术便成为汽车领域最热点的研究方向。在Google 2009年加入自动驾驶阵营后，自动驾驶技术很快就成为了各大高科技公司科技竞争的有力筹码，并陆续推出了Waymo，Cruise，Apollo，Zoox，Nuro等杰出的自主驾驶汽车^[1]。这些自主驾驶系统统一按照感知、规划和控制模块进行设计，并通过大量云端仿真进行调优。虽然这些领先的自主驾驶系统有较高的调优效果，但是依然存在部分瓶颈，诸如在受控计算力约束下，所表现出的底层语义感知不确定、高级语义感知不稳定和规划方式趋于规则化等问题。并且这种架构体系对硬件需求过高，诸如64线velodyne激光雷达单个就价值数万美金，而其他所需的超声波、毫米波雷达和大量的单/双目摄像头都是不菲的成本，而这些也只是传感器的费用，还没有计算系统工控等高昂的系统费用。此类自主驾驶系统由于需要对时效、成本、安全等很多层面的考量，导致很多成熟算法都由于硬件计算能力的限制无法最终投入到实时应用场景。而另一种基于神经网络的端到端自主驾驶策略，自1988年提出^[2]，便受到极大的追捧，并在2016年NVIIDA DAVE-2端到端自主驾驶系统发布后^[3]，逐渐成为近年来快捷高效搭建自动驾驶系统的发展趋势。端到端自主驾驶网络通过训练感知到控制的映射函数^[2-7]实现端到端的自主驾驶能力，既摒弃了高成本的系统架构，又解决了感知、控制层面协调不一致等问题。这种端到端的自动驾驶策略，便以自身简洁、高效、统一的特点，成为自主驾驶研究领域逐渐兴起的研究方向。

目前先进的端到端自主驾驶系统主要包括NVIDIA DAVE-2网络^[3]与Felipe等人于2018年提出的基于高级约束指令下的的自主驾驶网络^[4]。其中DAVE-2网络依赖模仿学习率先采用端到端神经网络对人类驾驶行为进行学习，最终回归网络驾驶动作，实现基本自主驾驶能力，但是依然存在以下问题：

(1)缺少全局规划的能力，在行驶至路口时没有确定行驶方向，无法根据系统内部的驾驶意图完成相应的行为，只会尽可能复现训练驾驶员行驶至当前路口后的驾驶动作，无法做出相应的选择；

(2)感知、规划、控制层强耦合在一起，过于黑盒的设计导致无法根据错误样本回归错误本源，也无法通过修改各层效果进行分层算法优化；

(3)感知能力过于薄弱，当将网络模型反卷积后可见其学习的特征区域集中在道路的边界及周围的较大型物体但却忽略更应注意的车辆、行人等结构化目标信息^[7]；

(4)缺乏避障能力，网络很难学习避障的刹车或转向行为。

文献^[4]则在问题(1)基础上，着眼于全局规划对于车辆控制端的影响效果，初步分离了感知与控制层，并通过全局高级指令约束特定场景下的控制反馈，诸如十字路口下全局规划的方向，将高级指令作为控制分支间的筛选器以实现不同高级指令下的不同的控制效果。这种网络的实现虽然很大程度解决了自主驾驶车辆的学习单一性与全局规划缺失等问题^[4]，但是依然没有对问题(2-4)提出有效解决方案，自主驾驶网络依然缺乏解释性、缺乏对避障问题的学习能力、缺乏多尺度结构化感知能力，而对于学习特征也依然侧重于道路边界而欠缺对重要结构化目标(汽车、行人等)的学习方法。