[发明专利]一种基于轻量级神经网络的自动驾驶方向预测方法

说明书

本发明具体公开了一种基于轻量级神经网络的自动驾驶方向预测方法，包括以下步骤：步骤1：训练神经网络模型；步骤2：测试神经网络模型；在训练神经网络模型过程，对获取的图像进行预处理，经过对数据进行水平翻转，亮度调整，角度调整以及数据筛除操作，丰富了数据集，增加了训练样本，使得训练网络模型更好。且将EffNet网络与BP神经网络传播算法结合，来调整预测方向盘转动的角度与实际方向盘转动的角度的误差，减少了网络预算需求，具有实际参考价值，有很大的市场前景。

技术领域

本发明属于自动驾驶方向预测技术领域，具体涉及一种基于轻量级神经网络的自动驾驶方向预测方法。

背景技术

自动驾驶汽车技术是主要依赖于人工智能，辅助以各类其他技术，如毫米波雷达测距，激光雷达测距，GPS等。有效的环境感知和对象检测是安全驾驶的前提，文献“Policy-Gradient and Actor-Critic Based State Representation Learning for SafeDriving of Autonomous Vehicles”提出利用状态表示学习(SRL)进行自主驾驶的环境感知框架，文献[2]提出了自动驾驶中避障路径规划的引力搜索算法，提升做出反应的速度，能够减少事故的发生。文献“基于引力搜索算法的自动驾驶车辆避障路径规划研究”提出了基于双级多维高斯隐藏马尔科夫过程(MGHMP)的网上驾驶风格识别，在人与车混合的交通道路上实现个性化自动驾驶。文献“Learning Personalized Autonomous DrivingBehavior with Progressively Optimized Reward Function”提出人与环的DRL算法，以渐进式学习方式学习个性化自动驾驶行为，该学习方法有在线学习能力和环境适应性，使得驾驶体验变好。光线对于自动驾驶影响巨大，文献“A deep learning based imageenhancement approach for autonomous driving at night”提出了一个将日间图像转换为低光图像的生成管道方法，经过实际测试，光线增强效果不错，在本文中利用HSV空间亮度调整算法来改变光线强度，增加训练数据集。

随着深度学习的发展及广泛应用，Marius.B等人提出一种端到端的深度学习自动驾驶技术“End to End Learning for Self-Driving Car”，加快了计算速度，但是对于硬件配置要求较高。利用传统的卷积神经网络预测方向盘转动角度，由于硬盘配置较低，运算速度较慢，可能会导致车辆驶出车道。希望在生活中自动驾驶的汽车有毫秒甚至微妙级别的反应，尤其是在车速很快或者危机情况下，希望车辆能够迅速做出反应。

发明内容

针对上述存在的问题，本发明旨在提供一种基于轻量级神经网络的自动驾驶方向预测方法，有效减少了消耗的计算时间、计算延迟内存和计算需求，并且能够显著降低计算成本，使运行速度得到很大提高。

为了实现上述目的，本发明所采用的技术方案如下：

一种基于轻量级神经网络的自动驾驶方向预测方法，包括以下步骤：

步骤1：训练神经网络模型；

步骤1：训练神经网络模型；

101：获取图像数据；

102：图像预处理；

103：将预处理的图像传入EffNet网络中，EffNet网络会根据输入图像产生一个期望转动的角度；

104：在手动模式下记录转动方向盘的角度，对其捕获的图像进行预处理，产生一个实际方向盘转动的角度；

105：计算期望转动的角度与实际方向盘转动的角度的差值；

106：将差值通过BP神经网络传播算法传给EffNet网络，不断进行权重更新，以使期望转动的角度与实际方向盘转动的角度的差值达到最小，此时，保存最优训练神经网络模型；