[发明专利]一种自动驾驶动态避障仿真测试方法

说明书

本发明公开了一种自动驾驶动态避障仿真测试方法,步骤一：选用仿真平台CARLA0.8.4版本，步骤二：基于视觉信息的模仿自动驾驶模型，建立DSCIL模型，步骤三：DSCIL模型采用34层ResNet网络提取前向图像特征，侧面图像的特征提取网络是ResNet18，采用连续4帧前向图像来进行环境感知，通过残差网络及LSTM网络得到640维环境特征向量；步骤四：利用分支决策网络解决车辆横向控制问题；步骤五：利用比例‑积分控制来控制车速，解决车辆纵向控制问题；步骤六：对数据进行预处理并设置对应的实验参数，测试结果并进行分析，该发明可以在动态环境下通过连续多帧图像的特征来感知动态障碍的速度和运动轨迹，从而能够很好的规避障碍物，从而使得汽车达到良好的安全驾驶能力。

技术领域

本发明涉及自动驾驶避障技术领域，具体为一种自动驾驶动态避障仿真测试方法。

背景技术

自动驾驶汽车又称无人驾驶汽车或轮式移动机器人，是一种通过电脑系统实现无人驾驶的智能汽车。在20世纪已有数十年的历史，21世纪初呈现出接近实用化趋势。

在人类驾驶的过程中，主要依靠视觉信息来确定前方交通状况，依靠速度表来确定汽车的运动状态。依靠神经网络模型模仿人类的驾驶行为需要收集人类的驾驶记录和传感器信息来进行监督学习，2005年，Lecun 等人构建了具有6层卷积神经网络的端到端模型DAVE，采用监督学习的方式进行神经网络的训练，研究表明该模型在野外环境下具有很好的鲁棒性。2016年NVIDIA通过采集实车驾驶数据训练了一个卷积神经网络模型预测方向盘角度，该模型能够根据前置摄像头传输的图像得到转向角度，可以在多种路况下行驶，这一成果证明了端到端控制方法的可行性，上述模型都是将当前图片作为网络输入，依靠当前图片我们仅仅能得到道路轨迹和当前时刻障碍物的位置信息。

事实上人类在驾驶过程中，可以基于过去一段时间的视觉信息判断出动态障碍的运动趋势和运动速度来决定驾驶策略，这对于现实场景下的驾驶是不可或缺的，然而对于上述模型而言，很难得到动态障碍的运动状态，并且不能很好的规避障碍，因此，亟待一种改进的技术来解决现有技术中所存在的这一问题。

发明内容

本发明的目的在于提供一种自动驾驶动态避障仿真测试方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种自动驾驶动态避障仿真测试方法,步骤一：选用仿真平台CARLA0.8.4版本，CARLA0.8.4版本包括Town01和Town02两张地图，15种不同的光照和天气组合，步骤二：基于视觉信息的模仿自动驾驶模型，建立DSCIL模型，DSCIL模型包括视觉感知网络、分支决策网络和车辆纵向控制，步骤三：DSCIL模型采用34层ResNet网络提取前向图像特征，特征维度是512维度，侧面图像的特征提取网络是ResNet18，在DSCIL模型中，采用连续4帧前向图像来进行环境感知，通过残差网络及LSTM网络得到640维环境特征向量；步骤四：利用分支决策网络对输入的640维环境特征向量进行处理，得到2维向量，即预测的车速和方向盘角度，解决车辆横向控制问题；步骤五：利用比例-积分控制来控制车速，解决车辆纵向控制问题；步骤六：利用已采用的数据集，对数据进行预处理并设置对应的实验参数，对比DSCIL模型和其他五种经典的端到端驾驶模型在CARLA benchmark上的测试结果并进行分析。

优选的，所述步骤二中，DSCIL网络为条件模仿学习架构，使用驾驶记录和传感器数据训练神经网络，使用分支网络实现不同的导航指令，所述DSCIL网络输入为多帧前向图像，网络输出为驾驶速度和方向盘角度。

优选的，所述步骤二中，DSCIL模型结构为以下流程：a. 4帧前向图片经过ResNet34网络得到4个512维特征向量，4个特征向量经过单层LSTM网络得到512维特征向量，b. 左右两侧当前帧图像经过同一个ResNet18网络分别得到64维特征向量，c. 3个特征向量拼接起来形成640联合特征向量，d. 联合特征向量经过3层全连接预测车辆速度和方向盘角度。