【技术实现步骤摘要】
一种基于LSTM的模拟驾驶员特性的自动跟车方法及系统
本专利技术属于智能驾驶
,具体涉及一种基于LSTM的模拟驾驶员特性的自动跟车方法及系统。
技术介绍
自动驾驶分为两个阶段,高级驾驶辅助阶段和自动驾驶阶段,高级驾驶辅助系统是自动驾驶的基础,虽然自动驾驶的发展如火如荼,但是目前市场量产车上搭载的大多还是高级驾驶辅助系统。自动跟车系统属于自适应巡航系统的重要组成部分之一,也是车辆高级辅助驾驶系统的必不可少的功能。现有此类系统基于视觉或雷达传感系统输出自身车辆与前方车辆的距离和相对运动信息,控制自身车辆车速以实现与前方车辆的距离保持或车速保持。但是由于驾驶员跟车动作是个连续过程,目前已有的自动跟车系统基本都是采用单帧传感数据作为控制模型的考量因素,并未考虑数据时序特征的影响,因此设计出的控制系统并不能很好的模拟驾驶员的跟车行为。同时由于驾驶员个体之间的驾驶风格、行为趋向以及安全需求都存在很大的差异,目前已有的自动跟车系统基本都采用较为固定的控制策略,这种采用固定参数的跟车系统也难以保证不同驾驶员的适应性。
技术实现思路
为了解决现有技术中存在的上述技术问题,本专利技术提供一种基于LSTM(LongShort-TermMemory,长短期记忆网络)模型的模拟驾驶员特性的自动跟车方法及系统。本专利技术引入LSTM循环神经网络模型,该模型应用优秀驾驶员稳态跟车过程中所采集的传感器信息时序数据和自车行驶时序数据等,对驾驶员跟车驾驶行为特征进行学习,建立起非线性输入输出映射关系知识库,进而预测车辆在跟车行驶过程中的纵向操作控制,实现系统对驾驶员特性的自动适应。本专利技 ...
【技术保护点】
1.一种基于LSTM的模拟驾驶员特性的自动跟车方法,用于控制目标车辆自身车速以实现目标车辆与前方车辆的距离保持或车速保持;其特征在于,包括以下步骤:步骤S101,根据不同地点、天气下采集的驾驶训练数据建立训练样本库;所述驾驶训练数据包括输入特征数据以及对应的驾驶操纵数据;所述输入特征数据包括自车车速、前车车速、自车加速度、车间距,所述驾驶操纵数据包括油门踏板和制动踏板传感器数据;步骤S102,建立LSTM网络模型;所述LSTM网络模型包括1个输入层、2个隐藏层、1个输出层;其中:输入层:定义输入向量Xt为4维向量,其中的4个元素分别表示车间距、自车车速与前车车速、以及自车加速度;将所有输入向量按时间序列展开;其中,所述输入向量Xt是指时间t处的输入;第一隐藏层:设置为全连接层,包括32个神经元;所述第一隐藏层为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;第二隐藏层:设置为全连接层,包括41个神经元;所述第二隐藏层为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;输出层:设置为softmax分类器;输出向量Ot由当前时间t及之前 ...
【技术特征摘要】
1.一种基于LSTM的模拟驾驶员特性的自动跟车方法,用于控制目标车辆自身车速以实现目标车辆与前方车辆的距离保持或车速保持;其特征在于,包括以下步骤:步骤S101,根据不同地点、天气下采集的驾驶训练数据建立训练样本库;所述驾驶训练数据包括输入特征数据以及对应的驾驶操纵数据;所述输入特征数据包括自车车速、前车车速、自车加速度、车间距,所述驾驶操纵数据包括油门踏板和制动踏板传感器数据;步骤S102,建立LSTM网络模型;所述LSTM网络模型包括1个输入层、2个隐藏层、1个输出层;其中:输入层:定义输入向量Xt为4维向量,其中的4个元素分别表示车间距、自车车速与前车车速、以及自车加速度;将所有输入向量按时间序列展开;其中,所述输入向量Xt是指时间t处的输入;第一隐藏层:设置为全连接层,包括32个神经元;所述第一隐藏层为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;第二隐藏层:设置为全连接层,包括41个神经元;所述第二隐藏层为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;输出层:设置为softmax分类器;输出向量Ot由当前时间t及之前部分记忆共同计算得到,对应离散纵向车辆操作向量;输出向量Ot中的车辆操作信息为41维向量,分别对应目标车辆的油门与制动踏板的操作状态,其中第1-20个元素表示油门操作,分别对应不同的油门踏板开度;第21个元素表示无操作;第22-41个元素表示制动操作,分别对应不同的制动踏板开度;步骤S103,根据训练样本对所述LSTM网络模型进行离线训练;所述离线训练的过程具体包括:步骤S1031,设置所述LSTM网络模型的超参数,所述超参数包括批量样本大小n、学习速率lr、权重衰退系数λ;步骤S1032,从所述训练样本库中获取所需的样本数据,并将获取的样本数据生成批量样本;将所述批量样本进行批规范化,获得批规范样本;将所述批规范样本输入到所述LSTM网络模型进行前向传导运算;步骤S1033,采用基于时间反向传播算法计算损失函数对参数的偏导,并用小批量梯度下降算法对损失求最优化解来更新并优化网络权重和偏置参数,直至预设的循环迭代次数完成或者达到预设的预测准确率,根据优化后神经网络权重和偏置参数完成对所述LSTM网络模型的训练;其中,损失计算公式如公式(1)所示:公式(1)中,Si为t时刻所述输出层的输出向量Ot中第i个元素的值,yi为对应的实际驾驶操纵数据中第i个的值,λ为权重衰退系数,n为批量样本大小,w为网络中的权重。步骤S104,将实时车况数据输入所述LSTM网络模型进行计算,输出对应的车辆操纵信号,实现自动跟车。2.根据权利要求1所述的自动跟车方法,其特征在于,在所述步骤S103和步骤S104之间,进一步包括以下步骤:步骤S201,根据驾驶员驾驶行为对训练后LSTM网络进行在线微调;具体包括:步骤S2011,实时采集所述驾驶训练数据,生成在线数据样本;步骤S2012,设置所述LSTM网络模型的超参数,将在线数据样本输入至训练后的LSTM网络中进行前向传导运算;步骤S2013,采用基于小批量梯度下降方法对损失求最优化解来更新和优化神经网络参数,直至设定的循环迭代次数完成,根据优化后神经网络权重和偏置参数完成对所述LSTM网络模型的微调;其中,损失计算公式如公式(1)所示:3.根据权利要求1所述的自动跟车方法,其特征在于,所述步骤S104进一步包括以下步骤:步骤S1041,采集实时车况数据,所述实时车况数据包括:车间距、自车车速与前车车速、以及自车加速度;步骤S1042,将所述实时车况数据经预处理后输入所述LSTM网络模型进行前向传导运算;步骤S1043,将所述LSTM网络模型的输出向量Ot中的最大元素所在位置对应到车辆相应的操作状态,获得输出向量Ot所对应的车辆油门踏板或制动踏板开度;步骤S1044,将所述输出向量Ot对应的油门踏板或制动踏...
【专利技术属性】
技术研发人员:程腾,曹聪聪,杜卿宇,蒋亚西,
申请(专利权)人:合肥工业大学,
类型:发明
国别省市:安徽,34
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。