一种基于深度卷积神经网络的前车跟随方法技术

本发明专利技术涉及一种基于深度卷积神经网络的前车跟随方法。解决现有技术自适应巡航系统存在繁琐的视觉测距和控制器设计过程，以及无法依据驾驶员的驾驶习惯微调控制参数，不能满足个人不同驾驶习惯的问题。通过对驾驶行为数据的训练，在给定视觉传感输入下，依据深度卷积神经网络对周围环境的特征描述，模仿人类驾驶员在多种工况下实现对车辆油门以及自动踏板的准确控制。本发明专利技术无需针对不同的工况，设计控制器结构、调节控制器增益，只需利用不同工况训练样本对应深度神经网络参数进行微调。过程避免了繁琐的视觉测距与控制器设计过程，只需通过调整深度神经网络参数，实现模拟驾驶员的跟车行为。

A method of front vehicle following based on depth convolution neural network

The invention relates to a front vehicle following method based on a deep convolution neural network. Solve the existing technology of adaptive cruise control system is complicated vision and controller design process, and not based on parameter control of driver's driving habits fine-tuning, can not meet the different driving habits of the problem. Based on driving behavior data, given the visual sensor input, according to the features of deep convolutional neural network to the surrounding environment description, imitating human drivers under various conditions to achieve accurate control and automatic vehicle throttle pedal. The invention does not need to design the controller structure and adjust the controller gain according to the different working conditions, and only uses the training samples of different working conditions to adjust the parameters of the corresponding depth neural network. The process avoids the tedious design of visual distance measurement and controller design. Only by adjusting the parameters of the depth neural network, the simulation of driver's vehicle following behavior can be realized.

【技术实现步骤摘要】
一种基于深度卷积神经网络的前车跟随方法
本专利技术涉及一种汽车控制
，尤其是涉及一种基于深度卷积神经网络的前车跟随方法。
技术介绍
自适应巡航系统(ACC)是车辆高级辅助驾驶系统的重要组成功能之一。现有此类系统基于视觉或雷达传感系统输出的自身车辆与前方车辆的距离与相对运动信息，控制自身车辆车速以实现与前方车辆的距离保持(或设定车速保持)。此类系统首先将视觉系统或雷达系统的原始感知数据转化为对应控制器的输入，如车距与相对车速，无论雷达还是视觉系统，都很难避免测量误差(障碍物虚报等)；之后利用车辆动力系统的传递函数以及对应车辆状态反馈，综合考虑驾驶平顺性等车辆动力学状态，设计此类系统控制方法。主要运用的控制方法有：前馈控制、反馈控制、自适应控制等。现有此类系统由传感与控制两部分组成。传感器端需要通过一系列的滤波或跟踪算法确保时序传感信号的稳定性；控制器设计对开发人员控制理论以及车辆动力学知识要求较高，且需要大量测试来调节与验证控制器参数。控制器目标函数的选取直接影响控制器性能与用户体验，现有方法无法依据相应驾驶员的驾驶习惯微调控制器参数，从而满足个人不同的驾驶习惯。
技术实现思路
本专本文档来自技高网...

【技术保护点】
一种基于深度卷积神经网络的前车跟随方法，其特征在于：包括以下步骤：S1.建立训练样本库；S2.建立深度卷积神经网络；S3.根据训练样本对深度卷积神经网络进行离线训练；S4.根据驾驶员驾驶行为对训练后深度卷积神经网络进行在线微调；S5.将实际车况通过微调后深度卷积神经网络计算输出车辆操纵信号，进行前车跟随。

【技术特征摘要】
1.一种基于深度卷积神经网络的前车跟随方法，其特征在于：包括以下步骤：S1.建立训练样本库；S2.建立深度卷积神经网络；S3.根据训练样本对深度卷积神经网络进行离线训练；S4.根据驾驶员驾驶行为对训练后深度卷积神经网络进行在线微调；S5.将实际车况通过微调后深度卷积神经网络计算输出车辆操纵信号，进行前车跟随。2.根据权利要求1所述的一种基于深度卷积神经网络的前车跟随方法，其特征是步骤S1中训练样本库建立的具体过程包括：S11.用实验车辆采集不同地点、气候、天气下的驾驶训练数据，训练数据包括前视相机视觉数据和对应的驾驶操纵数据，操纵数据包括油门踏板和自动踏板传感数据；S12.将视觉数据和操纵数据进行同步；S13.筛选跟车操作部分的数据，离散化数据，生成数据样本，完成训练样本库的建立。3.根据权利要求1所述的一种基于深度卷积神经网络的前车跟随方法，其特征是步骤S2中深度卷积神经网络结构包括1个输入层、6个卷积层、3个池化层、3个全连接层，输入层依次连接第一个卷积层、第二个卷积层后连接第一个池化层，第一个池化层依次连接第三个卷积层、第四个卷积层后连击第二个池化层，第二个池化层依次连接第五个卷积层、第六个卷积层后连接第三个池化层，第三个齿化层依次连接第一个全连接层、第二个全连接层、第三个全连接层；输入层：用于输入时序RGB图片；卷积层：对图片进行卷积操作，采用3*3尺寸的卷积滑窗，对‘0’像素值边缘填充，步长为1，其中第一个卷积层和第二个卷积层的深度为64，第三个卷积层和第四个卷积层的深度为128，第五个卷积层和第六个卷积层的深度为256；池化层：对图片进行池化操作，采用2*2尺寸的齿化滑窗，取最大值滑窗内4个数值的最大值，步长为2；全连接层：第一和第二个全连接层为dropout层，用于防止模型过拟合，自动丢弃该全连接层内一定比例的神经元，参数设置为0.5；第三个全连接层为softmax分类器，输出对应离散纵向车辆操作向量。4.根据权利要求3所述的一种基于深...

【专利技术属性】
技术研发人员：缪其恒，王江明，许炜，
申请(专利权)人：浙江零跑科技有限公司，
类型：发明
国别省市：浙江,33