自动驾驶方法、装置、设备、系统、车辆和计算机可读存储介质制造方法及图纸

本申请公开了一种基于神经网络的自动驾驶方法，神经网络包括经训练的第一特征提取部分、第二特征提取部分和决策部分，第一特征提取部分和决策部分是前馈神经网络，第二特征提取部分是卷积神经网络，方法包括：将与车辆的自动驾驶相关联的第一类数据输入第一特征提取部分以提取出第一类特征，第一类数据是一维数据；将与车辆的自动驾驶相关联的第二类数据输入第二特征提取部分以提取出第二类特征，第二类数据是多维数据；将第一类特征和第二类特征输入决策部分，以确定自动驾驶的车辆当前的驾驶策略。还公开了自动驾驶装置等。

【技术实现步骤摘要】
自动驾驶方法、装置、设备、系统、车辆和计算机可读存储介质
本申请涉及自动驾驶，更具体地，涉及自动驾驶方法、装置、设备、系统、车辆和计算机可读存储介质。
技术介绍
自动驾驶技术通常包括高精地图、环境感知、行为决策、路径规划、运动控制等技术，有着广泛的应用前景。2013年，美国交通部下辖的美国国家公路交通安全管理局（NHTSA），率先发布了自动驾驶汽车的分级标准，其对自动化的描述共有4个级别，其包括特定功能自动化、部分自动化、有条件自动化、完全自动化四个阶段，其大概意思就是车辆自动化程度和操控车辆接管时人类参与的程度，人参与度越低自动驾驶程度越高。2014年，美国国际自动机工程师学会（SAE）也制订了一套自动驾驶汽车分级标准，其对自动化的描述分为5个等级，其增加了完全自动驾驶这一项最高水平的自动驾驶。这为我们判定目前市场上这些在售车型的自动驾驶级别提供了一个可靠的标准。下表描述了NHTSA和SAE给出的自动驾驶级别。
技术实现思路
本专利技术的实施例提供了一种基于神经网络的自动驾驶方法、装置、设备、系统、车辆和计算机可读存储介质。根据本专利技术的第一方面，提供一种基于神经网络的自动驾驶方法，其中，神经网络包括经训练的第一特征提取部分、第二特征提取部分和决策部分，其中，第一特征提取部分和决策部分是前馈神经网络，第二特征提取部分是卷积神经网络，该方法包括：将与车辆的自动驾驶相关联的第一类数据输入神经网络的第一特征提取部分以提取出第一类特征，其中，第一类数据是一维数据；获取与车辆的自动驾驶相关联的第二类数据，并输入神经网络的第二特征提取部分以提取出第二类特征，其中，第二类数据是多维数据；以及将第一类特征和第二类特征输入神经网络的决策部分，以确定自动驾驶的车辆当前的驾驶策略。根据一个实施例，第一类数据包括：自动驾驶的车辆当前的任务数据、自动驾驶的车辆自身的状态数据以及当前的交通规则有关的数据，第二类数据包括：自动驾驶的车辆当前的目标障碍物的数据和自动驾驶的车辆当前行驶环境中的道路有关的数据，以及自动驾驶的车辆当前的驾驶策略包括：针对目标障碍物的决策结果。根据一个实施例，任务数据包括与特定道路场景关联的任务数据。根据一个实施例，第二类数据包括经采样的自动驾驶的车辆当前的目标障碍物的轨迹的坐标数据以及经采样的自动驾驶的车辆当前行驶环境中的道路边界的坐标数据。根据一个实施例，经采样的自动驾驶的车辆当前的目标障碍物的轨迹的坐标数据以及经采样的自动驾驶的车辆当前行驶环境中的道路边界的坐标数据采用相同的格式。根据一个实施例，神经网络的第一特征提取部分的输出节点和神经网络的决策部分中与之对应的输入节点以全连接的方式相连，神经网络的第二特征提取部分的输出节点和神经网络的决策部分中与之对应的输入节点以一一对应的方式相连。根据一个实施例，自身的状态数据包括：自动驾驶的车辆的位置坐标、速度、朝向以及几何信息。根据一个实施例，当前的交通规则有关的数据包括：指示自动驾驶的车辆当前面对的交通信号灯状态的数据。根据一个实施例，当前的交通规则有关的数据包括：自动驾驶的车辆的当前道路的限速数据。根据一个实施例，目标障碍物包括多个目标障碍物，决策结果包括分别针对多个目标障碍物的每一个的决策结果。根据一个实施例，目标障碍物的确定与任务数据相关联。根据一个实施例，第一类数据还包括目标障碍物的几何数据。根据一个实施例，任务数据包括：直行、向左换道、向右换道、路口直行、路口左拐、路口右拐，合流。根据一个实施例，决策结果包括：忽略、让行、绕行、跟从、避让和切入。根据本专利技术的第二方面，提供一种基于神经网络的自动驾驶装置，神经网络包括经训练的第一特征提取部分、第二特征提取部分和决策部分，其中，第一特征提取部分和决策部分是前馈神经网络，第二特征提取部分是卷积神经网络，装置包括：第一提取模块，其配置来将与车辆的自动驾驶相关联的第一类数据输入神经网络的第一特征提取部分以提取出第一类特征，其中，第一类数据是一维数据；第二提取模块，其配置来将与车辆的自动驾驶相关联的第二类数据输入神经网络的第二特征提取部分以提取出第二类特征，其中，第二类数据是多维数据；以及确定模块，其配置来将第一类特征和第二类特征输入神经网络的决策部分，以确定自动驾驶的车辆当前的驾驶策略。根据本专利技术的第三方面，提供了一种自动驾驶设备，包括：处理器；以及存储器，其被配置为在其上存储有计算机可执行指令，指令当在处理器中执行时，使得处理器实现上述第一方面及其任一实施例的方法。根据本专利技术的第四方面，提供了一种其上存储计算机可执行指令的计算机可读存储介质，指令当由计算设备执行时，使得计算设备实现上述第一方面及其任一实施例的方法。根据本专利技术的第五方面，提供了一种自动驾驶系统，包括：数据获取装置，配置来获取与车辆的自动驾驶相关联的第一类数据和第二类数据，以及根据本专利技术的第三方面的自动驾驶设备。根据一个实施例，数据获取装置包括车辆可用的感知系统、电子地图、电子导航中的一个或多个。根据本专利技术的第六方面，提供了一种车辆，包括根据本专利技术的第五方面的自动驾驶系统。通过设计复合的输入数据，例如包括一维数据和多维数据，以及通过设计一个深度神经网络来处理简单的数据，包括自动驾驶的车辆当前的场景类型，自动驾驶的车辆自车的状态，自动驾驶的车辆当前面对的信号灯的状态等，并设计一个与之并行的卷积神经网络来处理多维数据信号，包括障碍物的轨迹和道路的几何边界信息，可以有效利用有利于自动驾驶的现有数据而不必拘泥于一种数据结构，同时这种结构优化的神经网络可以极大发挥不同神经网络处理不同数据的优势，能够简化各部分神经网络的结构，从而简化整体神经网络的结构并提高其效率。通过将任务与场景关联，进一步细化了任务，使得精细化的任务的获取与神经网络能够在功能上彼此相互支持、存在相互作用关系，从而有利于更准确地计算预期驾驶行为。通过将目标障碍物的确定与任务相关联，而任务与道路场景相关联，从而使得目标障碍物数据的基于任务分析的获取与神经网络能够功能上彼此相互支持、存在相互作用关系，从而能够更准确地计算预期驾驶行为。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1图示了一种路口多障碍物的概念图。图2a图示了根据本专利技术实施例的用于获得自动驾驶的车辆的驾驶策略的神经网络的一个结构示例。图2b图示了根据本专利技术实施例的用于获得自动驾驶的车辆的驾驶策略的神经网络的又一个结构示例。图3a图示了根据本专利技术实施例的一种场景下的环境车辆。图3b图示了根据本专利技术实施例的另一种场景下的环境车辆。图3c图示了根据本专利技术实施例的又一种场景下的环境车辆本文档来自技高网...

【技术保护点】
1.一种基于神经网络的自动驾驶方法，其特征在于：/n所述神经网络包括经训练的第一特征提取部分、第二特征提取部分和决策部分，其中，所述第一特征提取部分和所述决策部分是前馈神经网络，所述第二特征提取部分是卷积神经网络，所述方法包括：/n将与车辆的自动驾驶相关联的第一类数据输入所述神经网络的第一特征提取部分以提取出第一类特征，其中，所述第一类数据是一维数据；/n将与所述车辆的自动驾驶相关联的第二类数据输入所述神经网络的第二特征提取部分以提取出第二类特征，其中，所述第二类数据是多维数据；以及/n将所述第一类特征和所述第二类特征输入所述神经网络的决策部分，以确定所述自动驾驶的车辆当前的驾驶策略。/n

【技术特征摘要】
1.一种基于神经网络的自动驾驶方法，其特征在于：
所述神经网络包括经训练的第一特征提取部分、第二特征提取部分和决策部分，其中，所述第一特征提取部分和所述决策部分是前馈神经网络，所述第二特征提取部分是卷积神经网络，所述方法包括：
将与车辆的自动驾驶相关联的第一类数据输入所述神经网络的第一特征提取部分以提取出第一类特征，其中，所述第一类数据是一维数据；
将与所述车辆的自动驾驶相关联的第二类数据输入所述神经网络的第二特征提取部分以提取出第二类特征，其中，所述第二类数据是多维数据；以及
将所述第一类特征和所述第二类特征输入所述神经网络的决策部分，以确定所述自动驾驶的车辆当前的驾驶策略。


2.如权利要求1所述的方法，其特征在于：
所述第一类数据包括：所述自动驾驶的车辆当前的任务数据、所述自动驾驶的车辆自身的状态数据以及当前的交通规则有关的数据，
所述第二类数据包括：所述自动驾驶的车辆当前的目标障碍物的数据和所述自动驾驶的车辆当前行驶环境中的道路有关的数据，以及
所述自动驾驶的车辆当前的驾驶策略包括：针对所述目标障碍物的决策结果。


3.如权利要求2所述的方法，其特征在于：所述任务数据包括与特定道路场景关联的任务数据。


4.如权利要求1或2所述的方法，其特征在于：所述第二类数据包括经采样的所述自动驾驶的车辆当前的目标障碍物的轨迹的坐标数据以及经采样的所述自动驾驶的车辆当前行驶环境中的道路边界的坐标数据。


5.如权利要求4所述的方法，其特征在于：所述经采样的所述自动驾驶的车辆当前的目标障碍物的轨迹的坐标数据以及所述经采样的所述自动驾驶的车辆当前行驶环境中的道路边界的坐标数据采用相同的格式。


6.如权利要求1或2所述的方法，其特征在于：所述神经网络的第一特征提取部分的输出节点和所述神经网络的决策部分中与之对应的输入节点以全连接的方式相连，所述神经网络的第二特征提取部分的输出节点和所述神经网络的决策部分中与之对应的输入节点以一一对应的方式相连。


7.如权利要求2所述的方法，其特征在于：
所述自身的状态数据包括：所述自动驾驶的车辆的位置坐标、速度、朝向以及几何信息；
所述当前的交通规则有关的数据包括：指示所述自动驾驶的车辆当前面对的交通信号灯状态的数据，和/...

【专利技术属性】
技术研发人员：由长喜，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44