[发明专利]基于深度学习的智能驾驶决策方法及系统

说明书

本发明涉及一种基于深度学习的智能驾驶决策方法及系统，该方法包括如下步骤：建立具有智能驾驶功能的深度学习网络模型；利用所建立的深度学习网络模型控制车辆自动运行，实时采集车辆的外部环境信息和内部运行信息以形成实时外部环境数据和实时内部运行数据，将实时外部环境数据和实时内部运行数据输入深度学习模块以获取车辆实时控制指令；以及依据车辆实时控制指令控制车辆运行。本发明利用深度学习网络模块模拟人脑的决策过程，输入到输出之间通过大量的神经元相互连接，深度学习网络模型并非基于固定的规则，具有自学习和自更新的特点，可以灵活的适应于各种不同的环境状态，能够较好的兼顾有效性和时效性。

技术领域

本发明涉及智能驾驶控制的技术领域，特指一种基于深度学习的智能驾驶决策方法及系统。

背景技术

自动驾驶车辆的控制中，一般的控制流程为环境感知、工况分析、路径规划、控制决策以及控制执行，其中环境感知是通过各种传感器采集车辆环境数据，获取环境信息和车辆运行定位数据；工况分析用于分析车辆处于的工况，判断是可以直行还是需要转弯或是需要绕行；路径规划是通过路径规划算法，计算车辆的行驶轨迹；控制决策通过轨迹跟踪控制算法，计算车辆的控制指令，例如车辆的加速度指令，转弯指令；控制执行用于执行控制指令，主要包括驱动、制动和转向。

目前算法主要是基于规则的控制理论为基础，应用在和环境交互比较密切的智能驾驶领域，主要确定是预先设定的规则有时无法适应变化的道路环境，主要表现在：实际的车辆运行环境非常复杂，会遇到各种各样的环境，然而在系统设计中，不可能穷举所有可能遇到的场景，因此实际工作过程中难免会遇到无法适应的情况。目前路径规划算法和控制决策较多，但鲜有同时兼顾有效性和实时性的方案。

发明内容

本发明的目的在于克服现有技术的缺陷，提供一种基于深度学习的智能决策方法及系统，解决现有的智能驾驶方案中存在的难免遇到无法适应的情况以及难以兼顾有效性和实时性的问题。

实现上述目的的技术方案是：

本发明提供了一种基于深度学习的智能驾驶决策方法，包括如下步骤：

建立具有智能驾驶功能的深度学习网络模型；

利用所建立的深度学习网络模型控制车辆自动运行，实时采集车辆的外部环境信息和内部运行信息以形成实时外部环境数据和实时内部运行数据，将所述实时外部环境数据和所述实时内部运行数据输入所述深度学习模块以获取车辆实时控制指令；以及

依据所述车辆实时控制指令控制车辆运行。

本发明利用深度学习网络模块代替传统的控制测量中的工况分析、路径规划和控制决策这三个受环境信息影响较大的关键模块。深度学习网络模块模拟人脑的决策过程，输入到输出之间通过大量的神经元相互连接，深度学习网络模型并非基于固定的规则，具有自学习和自更新的特点，可以灵活的适应于各种不同的环境状态，能够较好的兼顾有效性和时效性。

本发明基于深度学习的智能驾驶决策方法的进一步改进在于，建立具有智能驾驶功能的深度学习网络模型的步骤包括：

采集车辆运行时的车外环境信息形成环境训练数据；

采集车辆运行时的运行信息形成运行训练数据；

采集车辆运行时的操控信息形成控制训练数据；

利用所述环境训练数据、所述运行训练数据以及所述控制训练数据进行深度学习训练，并获得所述深度学习网络模型。

本发明基于深度学习的智能驾驶决策方法的进一步改进在于，采集车辆的外部环境信息形成实时外部环境数据的步骤包括：

利用车载的激光雷达、毫米波雷达以及超声波雷达采集车辆外部的障碍物信息形成雷达数据；

利用车载的摄像头采集车辆外部的图像信息形成图像数据；