[发明专利]基于相空间重构的自动驾驶汽车深度神经网络预测模型系统及建立方法

说明书

本发明公开了基于相空间重构的自动驾驶汽车深度神经网络预测模型系统及建立方法。在平面单轨模型PSTM的基础上建立历史序列输入和未来序列输出的车辆动力学相空间重构模型VDPSRM，再建立用于收集和存储真实车辆驾驶数据的获取和存储模块RVDDM，使用虚假最近邻计算模块FNNCM计算各典型驾驶工况下驾驶数据序列随延时的虚假最近邻，求取车辆动力学相空间重构模型中的嵌入维数m和每个时步的延迟时间τ，使用平均互信息计算模块AMICM计算各典型驾驶工况下驾驶数据序列的延时互信息，求取车辆动力学相空间重构模型中的预测维数n，构造深度神经网络模块DNNM学习相空间重构模型的重构映射G_rec，建立了对未来状态有良好预测能力的自动驾驶汽车深度神经网络预测模型。

技术领域

本发明涉及自动驾驶汽车应用技术领域，尤其涉及一种基于相空间重构的自动驾驶汽车深度神经网络预测模型系统及建立方法。

背景技术

自动驾驶汽车是计算机、自动化和人工智能互相交叉结合的高新科技产品，有望能够像人类驾驶员一样熟练和安全驾驶，这将减少对人类驾驶员的需求，并显著降低移动成本。自动驾驶汽车需要适应各种复杂的条件，包括在湿滑、低摩擦路面上的行驶，在曲折多变的道路上行驶，或在必要时进行紧急避障操作，以满足稳定、安全和舒适等多种需求。

自动驾驶汽车是机器人驾驶员和车辆的结合体，它应该具有有人驾驶汽车相似的运动特性，以增强普通驾驶员把它作为道路上伙伴的信心。人类安全驾驶的重要原因在于基于车辆当前的运行状态，对未来状态有良好的预测能力，自动驾驶汽车同样需要具有相似的特征，这就要求建立自动驾驶汽车预测模型。预测模型的建立将使规划和控制紧密结合，从而进一步提高自动驾驶汽车的整体性能。然而车辆动力学存在延时效应和时间依赖性，其中延时效应存在于输入变量和输出变量之间以及输入变量的各参数之间，时间依赖性则表现为输入和输出变量时序数据的联系性，在它们共同作用下，产生了相空间扭曲效应，而且这种效应随着车辆运动非线性程度的增加而加强。如何在相空间扭曲效应下建立自动驾驶汽车预测模型，成为当前亟需解决的重要难题。

发明内容

为解决上述技术问题，本发明提供一种基于相空间重构的自动驾驶汽车深度神经网络预测模型系统及建立方法，首先基于相空间重构理论，建立历史序列信息输入和未来序列信息输出的车辆动力学相空间重构模型；接着收集和存储包括典型驾驶工况和典型道路情况的真实车辆驾驶数据，所述的典型驾驶工况包括：直线行驶、弯道行驶、环形行驶、S形行驶和紧急避障行驶，所述的典型道路情况包括：高摩擦路面和低摩擦路面；然后使用平均互信息方法计算典型驾驶工况下驾驶数据序列的延时互信息，选取车辆动力学相空间重构模型中的预测维数；再使用虚假最近邻方法计算各典型驾驶工况下驾驶数据序列随嵌入维数变化的虚假最近邻，选取车辆动力学相空间重构模型中的嵌入维数和每个时步的延迟时间；最后，基于以上选取的预测维数、嵌入维数、每个时步的延迟时间共3个参数，构造深度神经网络学习车辆动力学相空间重构模型的映射关系，并进行深度神经网络学习效果的测试和验证。

本发明基于相空间重构的自动驾驶汽车深度神经网络预测模型系统的技术方案是：包括车辆动力学相空间重构模型VDPSRM，真实车辆驾驶数据收集和存储模块RVDDM，虚假邻近点计算模块FNNCM，平均互信息计算模块AMICM，深度神经网络模块DNNM。

所述车辆动力学相空间重构模型VDPSRM，是在平面单轨模型PSTM的基础上，在相空间重构理论框架下建立的理论模型，用于指导自动驾驶汽车深度神经网络预测模型的建立，包括重构的输入相空间、重构的输出相空间和重构映射，还包括下列重构参数：嵌入维数m、预测维数n、每个时步的延迟时间τ。

所述平面单轨模型PSTM: