一种基于生成式对抗网络的智能车驾驶决策方法技术

本发明专利技术公开了一种基于生成式对抗网络的智能车驾驶决策方法，包括建立驾驶决策模型和驾驶决策控制。本发明专利技术基于生成式对抗网络对驾驶图像处理，能够处理非理想道路状况下的车辆驾驶路径规划，提高了端对端神经网络的可执行性。本发明专利技术通过生成式对抗网络处理，提取驾驶图像的最本质特征，将不同源的驾驶数据映射到统一的虚拟域中，实现强化学习到实车的应用，提高了网络的泛化性，适应不同样本的能力。本发明专利技术对于驾驶图像的输入，每次使用的输入图像为当前时刻时间戳的前几帧视频图像。以此种方法得到的预测图像，可以更大程度上的得到真实的预测图像作为驾驶决策规划的判断。本发明专利技术作为预测车辆最优决策的依据，建立起强化学习到实车应用的桥梁。

【技术实现步骤摘要】
一种基于生成式对抗网络的智能车驾驶决策方法
本专利技术涉及一种智能车驾驶决策方法，特别是基于驾驶图像输入及生成式对抗网络的决策方法。
技术介绍
随着社会的发展和科技的进步，汽车走进千家万户并导致交通事故的逐渐增多，因此，智能车辆的研究也日益重要。智能驾驶汽车技术的提出，在一定程度上降低了交通事故的发生并减轻了驾驶员的驾驶疲劳度，提升了驾驶员的操作方便性，代表着未来汽车技术的战略制高点。传统意义上，智能车通过输入的单幅驾驶图像，对驾驶环境进行车道线检测或者前方车辆跟踪检测。根据检测到的驾驶环境信息规划驾驶路径，使用控制器进行车辆的跟踪控制，输出包括转向、制动、驱动命令在内的汽车驾驶决策指令。而随着以深度学习(DeepLearning)和机器学习(MachineLearning)为代表的人工智能技术的发展，模拟驾驶员通过观察环境直接生成驾驶决策指令的“端到端”智能车驾驶决策方法日益得到研究者的重视。与传统的驾驶决策方法相比，“端到端”智能车驾驶决策方法能够适应于车道线不明确或者道路场景缺失、驾驶环境恶劣多变的复杂交通环境。基于深度学习的智能驾驶汽车通过模拟人脑从外界环境中学习和进行决策，本文档来自技高网...

【技术保护点】
1.一种基于生成式对抗网络的智能车驾驶决策方法，包括以下步骤：A：建立驾驶决策模型A1：基于生成式对抗网络的图像处理首先，通过车载摄像头采集真实驾驶场景的驾驶图像，并进行图像预处理，将图像输入生成式对抗网络；生成式对抗网络由生成器网络和判别器网络两部分组成，将采集的图像输入生成器网络，生成器网络根据车载摄像头采集并经过预处理之后的驾驶图像生成虚假图像；判别器网络则对生成的虚假图像进行判别；二者通过联合对抗训练，使生成器网络生成接近真实的路况；判别器网络判别输入的图像为采集的汽车驾驶图像还是生成器生成的虚假图像，输出图像为真实图像的概率；直至最后，判别器网络和生成器网络达到平衡，即所谓的“零和博...

【技术特征摘要】
1.一种基于生成式对抗网络的智能车驾驶决策方法，包括以下步骤：A：建立驾驶决策模型A1：基于生成式对抗网络的图像处理首先，通过车载摄像头采集真实驾驶场景的驾驶图像，并进行图像预处理，将图像输入生成式对抗网络；生成式对抗网络由生成器网络和判别器网络两部分组成，将采集的图像输入生成器网络，生成器网络根据车载摄像头采集并经过预处理之后的驾驶图像生成虚假图像；判别器网络则对生成的虚假图像进行判别；二者通过联合对抗训练，使生成器网络生成接近真实的路况；判别器网络判别输入的图像为采集的汽车驾驶图像还是生成器生成的虚假图像，输出图像为真实图像的概率；直至最后，判别器网络和生成器网络达到平衡，即所谓的“零和博弈”；最后，输出生成器网络产生的虚假图像；所述的联合对抗训练的过程是极大极小的博弈过程，归纳成如下公式：其中，x是根据输入图像提取的特征数据；Pg代表在输入特征数据x上学习的生成器的分布；Pdata(x)是真实图像的数据分布；定义Pz(z)为输入的噪声先验变量；G实际是G(z；θg)，代表数据空间的映射，是由含有参数θg的多层感知机表示的可微函数；这里，E是指在总输入噪声或者训练图片作为样本中选取一个最小的批次，选取随机梯度更新的方式更新判别器；D为D(x；θd)，是一个多层感知机，输出一个标量；D(x)表示x来自为真实图片的概率；G(z)是生成器网络通过输入的噪声生成的相应图片；最后，D和G的训练是关于值函数V(G,D)的极大、极小化地博弈问题；为了学习生成器网络在输入驾驶图像上的特征分布，定义其先验变量Pz(z)，使用G代表数据空间的映射；...

【专利技术属性】
技术研发人员：连静，杨日凯，李琳辉，周雅夫，孔令超，钱波，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁,21