[发明专利]一种面向高速公路场景的智能车端到端决策方法及系统

摘要

本发明公开了一种面向高速公路场景的智能车端到端决策方法及系统，具体包括以下几个模块，预训练决策模块、智能车端到端决策系统框架模块和智能车端到端决策系统测试模块，利用训练样本集训练初始训练网络模型，获得预训练初始化模型，在端到端决策系统里面加载训练好的决策模型计算出方向盘转角值，该系统有较强的稳定性，预测的方向盘转角值比较平稳，保证智能车在实际高速公路上能够平稳行驶，在智能车拐弯时能很好地拟合基准曲线，不会像卷积网络那样出现较大偏差；预训练好的时空特征融合网络已经具备一定的预测方向盘转角的能力，通过模型迁移法该决策网络直接迁移到高速公路场景下可以节省很多时间，不用再从头开始训练网络模型。

主权项

1.一种面向高速公路场景的智能车端到端决策方法，其特征在于，包括以下步骤：S1、采用迁移学习方法中的Finetuning方法重新训练初始训练网络模型，得到决策模型，包含以下分步骤：S11、采集高速公路场景下的熟练驾驶员行驶样本制作成样本标签作为所述初始训练网络模型的训练样本；S12、对已经训练好的初始训练模型进行Finetuning操作，利用所述的训练样本获得高速公路场景下的决策模型；S2、搭建高速公路场景下的智能车端到端决策系统的框架，包含以下分步骤：S21、摄像头采集到即刻拍摄的图像或视频首先传给端到端决策网络，决策网络利用输入的图像或视频计算出方向盘转角值；S22、使用卡尔曼滤波器对所述方向盘转角值进行滤波处理；S23、使用CAN协议将决策量传给车辆控制模块；S3、测试面向高速公路场景的智能车端到端决策系统，包含以下分步骤：S31、使用训练样本集训练初始训练网络模型，获得预训练初始化模型，首先将学习率设为0.0001，优化方法采用Adam，然后使用摄像头采集到即刻的图像或视频Finetuning预训练初始化模型，学习率设为0.00001，优化方法采用Adam，在网络收敛后得到高速公路场景下的端到端决策模型；S32、在端到端决策系统里面加载训练好的决策模型，输入所述高速公路场景即刻拍摄的图像或者视频，计算出方向盘转角值，将所述卡尔曼滤波器中的模型噪声参数设为1，观测噪声参数设为20；S33、利用离线数据测试端到端决策模型的输出，计算其预测的方向盘转角值与基准值之间的均方误差根，评价预测曲线与基准曲线的相似性。