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方案

本发明专利技术提供一种基于LSTM的模拟驾驶员特性的自动跟车方法及系统，本发明专利技术引入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。本发明专利技术利用LSTM循环神经网络善于处理时序特征数据的特性来模拟驾驶员跟车行为特性，所设计的控制器输出在满足安全性、准确性以及舒适性的前提下更符合人类的驾驶行为特性，同时能够有效实现对驾驶员操作过程特性的自学习，实现了系统对驾驶员特性的自适应，具有普遍适用范围。

【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。本专利技术是通过以下技术方案实现的：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；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。一种基于LSTM的模拟驾驶员特性的自动跟车系统，包括环境感知模块、训练样本库模块、自动跟车控制算法模块以及下位机执行模块；其中：所述环境感知模块包括：车速传感器、加速度传感器和雷达系统模块；所述车速传感器用于实时获取目标车辆的自车车速v1，所述加速度传感器模块用于实时获取目标车辆的自车加速度a，所述雷达系统模块用于实时获取前车车速v2以及目标车辆与前方车辆之间的车间距s。所述训练样本库模块用于根据不同地点、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数据。所述自动跟车控制算法模块用于建立LSTM网络模型，对所述LSTM网络模型进行离线训练和在线微调，并将所述环境感知模块采集的实时车况数据输入所述LSTM网络模型进行计算，输出车辆操纵信号；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，第21个元素表示无操作，第22-41个元素表示制动操作。所述下位机执行模块用于执行所述车辆操纵信号，实现自动跟车。本专利技术相对于现有技术的有益效果在于：(1)本专利技术利用LSTM循环神经网络善于处理时序特征数据的特性来模拟驾驶员跟车行为特性，考虑到了驾驶员跟车行为的时序特性，所设计的控制器输出在满足安全性、准确性以及舒适性的前提下更符合人类的驾驶行为特性；同时在实际操作只需通过不同驾驶员的实时行驶数据在线微调神经网络参数，能够有效实现对跟车过程中驾驶员操作特性的自学习，实现了系统对驾驶员特性的自适应，具有普遍适用范围。(2)本专利技术中将车辆自身加速度作为输入特征之一，即将加速度作为考量因素，考虑了跟车过程中的乘坐舒适性，使得整个跟车控制过程更为平顺。附图说明图1是本专利技术基于LSTM的模拟驾驶员特性的自动跟车方法的流程示意图。图2是本专利技术引入的LSTM网络模型的结构示意图。图3是本专利技术基于LSTM的模拟驾驶员特性的自动跟车系统的结构示意图。图4是本发本文档来自技高网...

【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：...

【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