基于时空神经网络模型的端到端自动驾驶方法研究

• 作 者: 赵瑞杰
• 出 处: 北京交通大学
• 发表日期: 2020年01期
• 关键词: 自动驾驶 端到端方法 时空神经网络 视觉注意力 可视化

自动驾驶技术对于未来汽车和交通的发展有着重要意义。近年来,随着人工智能和传感器等核心技术的发展,自动驾驶技术已经成为研究热点。目前,自动驾驶技术尚不成熟,如何使汽车智能自主地做出决策控制是自动驾驶技术的研究重点。本文通过研究端到端自动驾驶方法实现车辆的自主决策控制。端到端自动驾驶方法使用端到端自动驾驶算法模型学习驾驶员的驾驶经验做出决策控制。相比于传统自动驾驶方法,该方法不涉及复杂的环境感知任务,同时不需要人为制定规则生成驾驶决策,可以有效地降低自动驾驶系统的复杂度。本文通过设计高性能的端到端自动驾驶算法模型提升端到端自动驾驶方法的效果,论文主要工作如下:(1)基于时空神经网络模型设计了一种时空端到端自动驾驶算法模型。本文考虑驾驶过程的连续性,设计了一种可以依据当前和历史道路信息做出驾驶决策的时空端到端自动驾驶算法模型。该模型以车载相机采集的道路图像序列为输入,可以从中提取空间特征和时间特征并预测车辆的转向角度和加减速度控制。实验结果表明,相比于传统的端到端自动驾驶算法模型,本文设计的时空端到端自动驾驶算法模型预测的驾驶决策更准确,在仿真环境中能够更好地控制车辆完成自动驾驶任务。(2)设计视觉注意力端到端自动驾驶算法模型。受人类的视觉注意力启发,本文在端到端自动驾驶算法模型中增加视觉注意力机制CBAM形成视觉注意力端到端自动驾驶算法模型。CBAM可以对算法模型计算过程中的图像特征图进行加权计算,从而关注道路图像中与驾驶决策有关的重要信息。实验结果表明,相比于原算法模型,增加视觉注意力机制后的端到端自动驾驶算法模型在测试数据集上预测驾驶决策的误差更低,在基于仿真环境的自动驾驶任务中的表现效果更好。(3)对端到端自动驾驶算法模型进行可视化分析。本文对设计的端到端自动驾驶算法模型进行特征图可视化和模型学习特征可视化。可视化结果显示,端到端自动驾驶算法模型能够对道路图像中的特征提取抽象,算法模型学习到的特征是道路图像中的车道线和车辆,即模型能够识别车道线和车辆并基于环境信息做出驾驶决策。这符合正确的驾驶逻辑,证明了端到端自动驾驶算法模型的合理性。图37幅,表5个,参考文献60篇。