【技术实现步骤摘要】
一种基于GRU网络模型与Gipps模型融合的车辆跟驰方法
本专利技术设计车辆的自动驾驶领域，具体涉及一种基于GRU与Gipps模型融合的车辆跟驰方法。
技术介绍
随着深度学习的兴起，越来越多的深度学习算法应用于自动驾驶领域。利用车辆的传感器获取车辆周围和本车辆的数据，将当前时刻的数据输入到基于深度学习模型建立的跟驰模型中，输出跟驰车辆下一时刻的速度或者加速度，已达到控制跟驰车辆的目的。目前已有的基于深度学习的跟驰模型多数是根据当前时刻数据预测下一时刻的速度，但是，驾驶员的驾驶动作可能会受前一时刻动作的影响，仅利用当前时刻的数据可能无法准确预测出下一时刻的本车速度。而且，若将由驾驶员错误操作产生的驾驶数据作为模型的输入数据，则会导致模型输出错误的结果。
技术实现思路
为了解决上述存在的技术问题，本专利技术提出了一种将GRU深度神经网络与传统的Gipps模型相融合的车辆跟驰模型。GRU网络模型在处理时间序列问题是具有较好的效果，所以本专利技术利用GRU循环神经网络模型，将在跟驰状态下的驾驶员的驾驶数据...
【技术保护点】
1.一种基于GRU网络模型与Gipps模型融合的车辆跟驰方法，使车辆平稳且安全的跟随前车行驶，其特征在于，包括以下步骤：/n步骤S1，采集多种交通环境和场景下的驾驶数据，数据间序列形式存储，数据包括：跟驰车辆的速度，跟驰车辆的加速度，前车的速度，前车的加速度以及跟驰车辆与前车的距离；将数据进行预处理，使其符合模型输入的数据格式；/n步骤S2，建立GRU神经网络模型，用于预测跟驰车辆当前时刻的速度；/n步骤S3，初始化GRU神经网络模型中的权重参数W和偏置参数b，将预处理后的数据输入到GRU神经网络模型中，经过不断地迭代离线训练学习，更新权重参数W和偏置参数b；/n步骤S4，...
【技术特征摘要】
1.一种基于GRU网络模型与Gipps模型融合的车辆跟驰方法，使车辆平稳且安全的跟随前车行驶，其特征在于，包括以下步骤：
步骤S1，采集多种交通环境和场景下的驾驶数据，数据间序列形式存储，数据包括：跟驰车辆的速度，跟驰车辆的加速度，前车的速度，前车的加速度以及跟驰车辆与前车的距离；将数据进行预处理，使其符合模型输入的数据格式；
步骤S2，建立GRU神经网络模型，用于预测跟驰车辆当前时刻的速度；
步骤S3，初始化GRU神经网络模型中的权重参数W和偏置参数b，将预处理后的数据输入到GRU神经网络模型中，经过不断地迭代离线训练学习，更新权重参数W和偏置参数b；
步骤S4，建立Gipps跟驰模型，并利用采集的跟驰数据标定Gipps模型中的参数，所述的Gipps跟驰模型用于预测当前时刻的安全速度vg(t)，对GRU网络模型输出的速度进行校验；
步骤S5，训练完成的GRU网络模型根据实况驾驶时的车辆数据预测当前时刻的行驶速度vr(t)，同时Gipps跟驰模型根据实况驾驶时的车辆数据预测当前时刻跟驰车辆与前车保持安全距离所需要的安全速度vg(t)；
步骤S6，利用安全速度vg(t)去校验GRU神经网络输出的行驶速度vr(t)，跟驰车辆的最终预测速度vt始终保持在安全速度一下，最终实现车辆平稳且安全的行驶。
2.根据权利要求1所述的车辆跟驰方法，其特征在于，所述步骤2中，GRU神经网络模型的结构表达式如下：
zt＝σ(Wz[vt-1,xt-1]+bz)
rt＝σ(Wr[vt-1,xt-1]+br)
...
【专利技术属性】
技术研发人员：张耀伟，李振龙，王皓昕，郑淑欣，张靖思，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11
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。