[发明专利]一种自动驾驶汽车的路径规划学习方法

权利要求书

1.一种自动驾驶汽车的路径规划学习方法，其特征在于，包括：

通过车辆的摄像头和雷达采集车辆周边目标的图像，并根据所述图像对车辆周边目标进行左中右区域分类；

建立安全度计算模型，并根据车辆的车速和位置对左中右区域的各个目标进行行驶安全度计算；

获取车辆行驶的车道信息，并根据左中右区域各目标所对应的行驶安全度从高到低顺序进行车道选择及路径规划。

2.根据权利要求1所述的自动驾驶汽车的路径规划学习方法，其特征在于，还包括：

构建离线仿真环境，并根据所述图像对车辆周边的目标提供离线仿真数据；

搭建安全度预测量深度学习神经网络，并根据所述离线仿真数据进行自学习，以优化安全度计算模型。

3.根据权利要求2所述的自动驾驶汽车的路径规划学习方法，其特征在于，还包括：

将真实环境下采集到的感知信息通过透视变换，将3D场景变换为2D鸟瞰图，并对交通参与者进行类别标注和动态特征标注；

提取鸟瞰图特征，并根据所述鸟瞰图特征和所述行驶安全度对鸟瞰图进行聚类处理，以判断所述鸟瞰图对应到向左变道类、向右变道类和直行类，进而根据对应类别执行变道操作。

4.根据权利要求3所述的自动驾驶汽车的路径规划学习方法，其特征在于，还包括：

根据车辆在离线仿真环境中的测试仿真结果进行路径规划学习，并根据实际变道操作的结果，将此次变道操作的真实环境下的鸟瞰图添加到数据集中，以用真实的环境数据逐步地替换离线仿真生成的数据。

5.根据权利要求4所述的自动驾驶汽车的路径规划学习方法，其特征在于，还包括：

在真实环境下车辆完成变道操作后，对比变道前后的行驶安全度，若变道后行驶安全度不降低，则变道成功。

6.根据权利要求5所述的自动驾驶汽车的路径规划学习方法，其特征在于，所述搭建安全度预测量深度学习神经网络，并优化安全度计算模型，包括：

通过所述安全度预测量深度学习神经网络进行自学习，以预测各个目标的安全度变化量；

将计算得到各个目标所对应的行驶安全度与预测的安全度变化量之和作为优化后各个目标的安全度预测量。

7.根据权利要求6所述的自动驾驶汽车的路径规划学习方法，其特征在于，所述通过所述安全度预测量深度学习神经网络进行自学习，包括：

构建深度学习神经网络，将车辆计划变道行驶所对应车道的前车相对距离、前车相对速度、前车类别，后车相对距离、后车相对速度、后车类别作为神经网络的输入参数，神经网络的输出参数为安全度预测量；

将离线仿真数据作为神经网络的输入样本进行训练，每组离线仿真数据包括车辆计划变道行驶的那条车道的前车相对距离、前车相对速度、前车类别，后车相对距离、后车相对速度、后车类别，以及变道前后安全度的变化值；

通过梯度下降迭代优化，使神经网络收敛以得到输入与输出的映射关系。

8.根据权利要求7所述的自动驾驶汽车的路径规划学习方法，其特征在于，所述将真实环境下采集到的感知信息通过透视变换，将3D场景变换为2D鸟瞰图，并对交通参与者进行类别标注和动态特征标注，包括：

在真实环境下将摄像头、雷达采集的实景图像通过透视变化，转化为2D鸟瞰图，所述鸟瞰图为100m×100m的感知平面，且所有的交通参与者的类别标注通过车载摄像图的机器视觉算法完成，动态特性标注通过车载雷达及感知算法完成。

9.根据权利要求8所述的自动驾驶汽车的路径规划学习方法，其特征在于，所述判断所述鸟瞰图对应到向左变道类、向右变道类和直行类，进而根据对应类别执行变道操作，包括：

若真实环境下转换的鸟瞰图与向左变道类、向右变道类或直行类对应的鸟瞰图相似，则判定真实环境下的变道操作对应为：向左变道、向右变道或直行。