【技术实现步骤摘要】
用于自动车辆的控制命令的端对端学习的方法及系统引言本专利技术总体上涉及自主车辆,并且更具体地涉及用于控制自主车辆的自主车辆控制器、自主车辆控制系统的系统及相关方法。更具体地,本专利技术涉及对用于控制自主车辆的控制命令的端对端学习的方法及系统。自主车辆是能够感测其环境并且以很少或不用用户输入导航的车辆。自主车辆包括智能地控制自主车辆的自主驾驶系统(ADS)。传感器系统使用诸如雷达、激光雷达、图像传感器等感测装置来感测其环境。ADS还可以处理来自全球定位系统(GPS)技术、导航系统、车对车通信、车辆对基础设施技术和/或线控驱动系统的信息来对车辆进行导航。车辆自动化已经被分类为从零(对应于全人为控制的非自动化)到五(对应于无人为控制的全自动化)的范围中的数值等级。各种自动驾驶员辅助系统(诸如巡航控制、自适应巡航控制以及停放辅助系统)对应于较低自动化等级,而真正的“无人驾驶”车辆对应于较高自动化等级。目前,有许多不同的自主车辆控制方法,但是都存在缺点。公路导航系统是用于实现全自主车辆的关键组成部分。尽管感知和控制一直是自主驾驶行业中单独研究的两个挑战,但是深度学习的最新进展已经引入了端对端学习作为学习自主车辆驾驶政策的新方法。与将车辆控制系统划分为单独的感知和控制模块的传统方法不同,端对端学习系统通常直接学习使用单个深度卷积神经网络来从感知(例如,来自由车载相机获取的图像的原始像素)映射到控制(例如,控制控制车辆的致动器的控制命令)。例如,在一种方法中,已经提出了一种端对端系统,其使用一个卷积神经网络来直接从原始像素学习转向控 ...
【技术保护点】
1.一种用于控制自主车辆的命令的端对端学习的方法,所述方法包括:/n在预处理器中对由传感器以当前时间步长(T)从环境获取的图像数据进行预处理以生成经预处理的图像数据;/n将所述经预处理的图像数据与至少一个附加输入级联以生成动态场景输出,所述动态场景输出是所述经预处理的图像数据和所述至少一个附加输入的级联;/n在卷积神经网络(CNN)中处理所述动态场景输出以生成包括提取空间特征的特征图;/n将车辆运动学与来自所述特征图的所述提取空间特征级联以生成空间上下文特征向量,所述空间上下文特征向量包括描述当前时间步长(T)的当前上下文的上下文特征;/n在包括长短期记忆(LSTM)单元的网络的LSTM网络中在所述当前时间步长(T)期间处理所述当前时间步长(T)的所述空间上下文特征向量和一个或多个相应的先前时间步长的一个或多个先前LSTM输出,以生成所述当前时间步长(T)的编码后时间上下文向量;以及/n在完全连接层中处理所述编码后时间上下文向量以学习一个或多个控制命令,其中每个控制命令包括以下至少一个:转向角控制命令、加速率控制命令或制动率控制命令。/n
【技术特征摘要】
20181105 US 16/1808491.一种用于控制自主车辆的命令的端对端学习的方法,所述方法包括:
在预处理器中对由传感器以当前时间步长(T)从环境获取的图像数据进行预处理以生成经预处理的图像数据;
将所述经预处理的图像数据与至少一个附加输入级联以生成动态场景输出,所述动态场景输出是所述经预处理的图像数据和所述至少一个附加输入的级联;
在卷积神经网络(CNN)中处理所述动态场景输出以生成包括提取空间特征的特征图;
将车辆运动学与来自所述特征图的所述提取空间特征级联以生成空间上下文特征向量,所述空间上下文特征向量包括描述当前时间步长(T)的当前上下文的上下文特征;
在包括长短期记忆(LSTM)单元的网络的LSTM网络中在所述当前时间步长(T)期间处理所述当前时间步长(T)的所述空间上下文特征向量和一个或多个相应的先前时间步长的一个或多个先前LSTM输出,以生成所述当前时间步长(T)的编码后时间上下文向量;以及
在完全连接层中处理所述编码后时间上下文向量以学习一个或多个控制命令,其中每个控制命令包括以下至少一个:转向角控制命令、加速率控制命令或制动率控制命令。
2.根据权利要求1所述的方法,其还包括:
在分割神经网络中分割所述经预处理的图像数据以生成分割图,其中已经为所述经预处理的图像数据的每个像素分配了标签;并且
其中将所述经预处理的图像数据与所述至少一个附加输入级联以生成所述动态场景输出包括:
将所述经预处理的图像数据与所述分割图级联以生成所述动态场景输出,其中所述动态场景输出包括增强分割图。
3.根据权利要求1所述的方法,其还包括:
在光流神经网络中处理所述经预处理的图像数据以生成估计光流的光流图;并且
其中将所述经预处理的图像数据与所述至少一个附加输入级联以生成所述动态场景输出包括:
将所述经预处理的图像数据与所述光流图级联以生成所述动态场景输出。
4.根据权利要求1所述的方法,其还包括:
在分割神经网络中分割所述经预处理的图像数据以生成分割图,其中已经为所述经预处理的图像数据的每个像素分配了标签;以及
在光流神经网络中处理所述经预处理的图像数据以生成估计光流的光流图,其中在所述光流神经网络中处理所述经预处理的图像数据与在所述分割神经网络中分割所述经预处理的图像数据并行发生;并且
其中将所述经预处理的图像数据与所述至少一个附加输入级联以生成所述动态场景输出包括:
将所述经预处理的图像数据与所述分割图和所述光流图级联以生成所述动态场景输出,其中所述动态场景输出包括增强分割图。
5.根据权利要求1所述的方法,其中所述一个...
【专利技术属性】
技术研发人员:P·帕拉尼萨梅,U·P·穆达里格,陈逸伦,J·M·多兰,K·米林,
申请(专利权)人:通用汽车环球科技运作有限责任公司,卡内基梅隆大学,
类型:发明
国别省市:美国;US
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。