[发明专利]一种基于场景分类的自动驾驶车辆导航方法

权利要求书

1.一种基于场景分类的自动驾驶车辆导航方法，其特征在于：包括以下步骤：

S1：利用车载相机对自动驾驶车辆周围环境的图像进行采集及分类处理；基于卷积神经网络技术建立场景分类模型，并对场景分类模型进行训练；

S2：基于扩展卡尔曼滤波框架,建立系统状态模型，利用扩展卡尔曼滤波预测步进行状态变量的先验估计，利用基于滤波信息的自适应算法实时更新先验状态的协方差阵，利用扩展卡尔曼滤波更新步进行状态变量的后验估计，实现车辆自适应定位，

S3：根据场景分类模型的分类结果，选择车辆控制模式，进行车辆的行驶控制；

S4：建立自动驾驶汽车导航框架；所述导航框架的导航过程包括：采集当前时刻自动驾驶车辆的周围环境图像作为场景分类模型的输入，根据场景分类模型的输出进行车辆的行驶控制，再根据自适应定位结果进行当前车辆位置判断，如此反复直到自动驾驶车辆到达目标位置。

2.根据权利要求1所述的基于场景分类的自动驾驶车辆导航方法，其特征在于：

所述S1具体包括以下步骤：

S1.1：获取样本数据集：利用车载相机拍摄不同环境的场景图片，并对场景图片进行分类处理；

S1.2：建立基于卷积神经网络架构的场景分类模型，对数据集进行归一化处理，并利用训练集对建立的场景分类模型进行训练；

S1.3：根据场景内事物种类的数量，调整场景分类模型超参数，超参数包括学习速率、衰减率、迭代次数、层数、每层神经元的个数、批大小及损失函数中各部分的权值；重复S1.2，训练适用于不同复杂度的场景分类模型，包括高、中、低复杂度的场景分类模型。

3.根据权利要求2所述的基于场景分类的自动驾驶车辆导航方法，其特征在于：

所述场景复杂度的不同表示样本数据集内场景图片所包含事物类别数量的不同；所包含事物类别数量小于等于三种时为低复杂度，大于三种小于七种为中复杂度，大于七种为高复杂度。

4.根据权利要求1所述的基于场景分类的自动驾驶车辆导航方法，其特征在于：

所述S1.1具体包括以下步骤：

S1.1.1：手动控制车辆行驶，通过安装在车辆预设处的相机采集环境图像，生成样本数据集，并记录每个样本数据拍摄的方向；

所述相机可进行正负八十度的扭转；所述样本数据拍摄方向分为五个方向，分别是正前方、左前方、右前方、左方和右方；

S1.1.2：将样本数据集中的每一个样本场景图片进行语义分类，并给每一个样本场景图片根据实际场景选择场景分类标签；

所述语义分类表示将样本场景图片内的事物按种类进行分类，包括公路、非机动车路、行人、车辆、建筑、路灯、树木，草地、沙地和天空十种类别；所述场景分类标签包括十五种标签类别，即正前方、左前方、右前方、左方和右方分别对应优先、可行、不可行三种情况；

S1.1.3：将场景分类处理完成的样本数据集按比例分为训练集和测试集。

5.根据权利要求1所述的基于场景分类的自动驾驶车辆导航方法，其特征在于：

所述S1.2具体包括以下步骤：

S1.2.1：使用现有Tensorflow开源框架，建立基于浅层卷积神经网络架构的场景分类模型；所述模型包括卷积层、池化层和全连接层；每个卷积和池化层输出x个特征图，通过全连接层进行特征融合，利用Softmax函数将场景分为十五个概率值输出；如式(1)所示：

其中，z_i为全连接层第i个节点输出值；z_c为全连接层第c个节点输出值；

S1.2.2：将场景分类处理完成的训练集样本调整为y*y大小作为场景分类模型的输入，对训练集和测试集进行统一归一化处理：

x_norm＝(x_RGB-min)/(max-min)-b (2)

其中，x_RGB为三个通道的颜色值；max和min是当前图像的极值，分别设置为255和0；将每幅图像的像素强度调整为[b,b]；

S1.2.3：利用样本数据集中的训练集进行场景分类模型的训练。