[发明专利]基于卷积神经网络和传统几何控制器的拟人化转向系统及其方法

说明书

本发明涉及一种基于卷积神经网络和传统几何控制器的拟人化转向系统及其方法。本发明使用端到端神经网络中的VGG类型网络与传统的几何转向控制器中的Pure Pursuit控制器融合形成全新的神经网络结构，同时，在该神经网络中加入了图像数据预处理与Pure Pursuit控制器转角向量提取的过程。这种通过融合端到端神经网络框架与位置信息和运动模型信息而形成的转向模型只需使用较小规模、较少数驾驶场景的训练数据集，即可适应较多数驾驶场景，降低了对训练数据集的要求，提高了训练的效率、模型的普适性和鲁棒性。同时，除了能适应多驾驶场景以外，其也能很好地抑制定位数据噪声。

技术领域

本发明涉及自动驾驶技术领域，更具体地，涉及一种基于卷积神经网络和传统几何控制器的拟人化转向系统及其方法。

背景技术

在现代自动驾驶系统的各项技术组成中，通过控制自动驾驶汽车的转向以实现对目标路径进行跟踪的路径跟踪技术是自动驾驶领域必不可少的技术部分。目前的自动驾驶平台，大多采用传统的转向控制器来进行路径跟踪或者仅仅使用神经网络以构造从视觉摄像头获取的图像数据到转向指令的映射关系，从而控制车辆转向来达到路径跟踪的目的。

然而，传统的转向控制器依赖于足够精确的定位信息，不具备足够的鲁棒性，如，在城市等交通环境复杂的场景下，GPS信号经过多次反射或被建筑物遮挡，导致定位数据出现较大误差，进而，传统的转向控制器有时会输出错误的转向指令。对于依赖视觉感知的行为反射法，虽然视觉摄像头具有低成本的优势，但其易受光学环境影响的缺点使其感知数据不可靠，从而导致这些方法很难适应多变的驾驶场景。依靠单一的技术往往难以适应自动驾驶领域复杂多变的应用场景，需要融合多种技术以适应多种情景。

发明内容

本发明为克服上述现有技术中的缺陷，提供一种基于卷积神经网络和传统几何控制器的拟人化转向系统及其方法，提高了训练的效率、模型的普适性和鲁棒性，且能适应多驾驶场景。

为解决上述技术问题，本发明采用的技术方案是：一种基于卷积神经网络和传统几何控制器的拟人化转向系统，包括图像数据增强模块、传统几何控制器的转向角提取模块、模型训练模块，其中，

图像数据增强模块基于前视摄像头拍摄的图像序列，用于首先去除每帧图像中地平线上方的大部分天空的影响，然后降低图像的分辨，继而水平翻转该图像，最后随机旋转该图像到一定的角度；

传统几何控制器的转向角提取模块基于待跟踪路径，用于寻找自动驾驶汽车当前位置与待跟踪路径上若干个路径点的几何关系，根据几何关系提取出转向角向量；

模型训练模块是基于经过图像数据增强和传统几何控制器的转向角提取后得到的数据，用于最小化来自该模型的转向角输出和自动驾驶仪或人类驾驶员的转向角控制量之间的误差。

进一步的，所述的传统几何控制器的转向角提取模块中采用的卷积神经网络是具有VGGNet结构特征的卷积神经网络，为Udacity Challenge的CNN模型，所述的传统几何控制器为Pure Pursuit控制器。

进一步的，在所述的传统几何控制器的转向角提取模块中使用Udacity Challeng中的CNN模型与传统的几何转向控制器中的Pure Pursuit控制器融合后形成新型神经网络结构，该新型神经网络结构除了有图像数据输入外，还有一个输入是经过Pure Pursuit控制器处理后的数据。

本发明还提供一种基于卷积神经网络和传统几何控制器的拟人化转向方法，包括以下步骤：

S1.对图像数据进行增强处理前，首先裁剪部分像素以去除地平线上方的大部分天空的影响；

S2.将处理后的图像进行降低分别率处理以加速训练过程；降低后的分别率可优选128×128；