【技术实现步骤摘要】
基于神经网络算法的自动驾驶物流车辆决策方法和装置
[0001]本专利技术涉及无人驾驶
,具体而言,涉及基于神经网络算法的自动驾驶物流车辆决策方法和装置。
技术介绍
[0002]目前部分新能源纯电动汽车厂家已配置具有自动驾驶功能或辅助驾驶功能(部分自动驾驶)的汽车,上述自动驾驶汽车可根据需要自主行驶并执行任务。在出现简单意外情况时,无人驾驶设备通常可以自行解决问题,例如在车辆运行过程中遇到单个行人穿过,配送用无人驾驶设备往往可以自动进行决策是否减速,或者停止,但是当前方出现多个行人或多个其他障碍物或环境较为复杂时,往往因无法精确识别或识别目标过多导致识别错误或识别速度降低,必须人为的进行判断和预测是否会撞到行人或障碍物,或者进行海量的复杂优化算法后的自动驾驶方法进行控制,而当道路环境发生变化时,该自动算法往往又无法使用。
[0003]但是,在物流配送领域中,无人驾驶汽车已经实现了在没有太多外界干扰的情况下自行根据规划路径行驶,这是由于对配送用车辆来说,该类车辆行驶的路线一般较为固定,仅在行驶路线中遇到不同的决策需要,即该类车辆的道路信息是可以认为已知不变的,仅环境变化;因此对这一类车辆,如使用现有的自动驾驶类车辆的自动驾驶设备成本过高;针对以上情况,可以考虑单一物流配送用车辆的行驶线路单一,因此可以针对这样的情况通过提前采集环境信息进行相关决策训练,使行驶不同路线的配送车辆具有各自的决策模型,更好的降低成本,并提高自动驾驶过程中的判断精度和判断速度。
技术实现思路
[0004]本专利技术的 ...
【技术保护点】
【技术特征摘要】
1.基于神经网络算法的自动驾驶物流车辆决策方法,其特征在于,包括:获取第一信息和第二信息,所述第一信息包括自动驾驶车辆周围环境的图像信息,所述第二信息包括自动驾驶车辆紧急制动距离、常规制动距离和经济制动距离;将所述第一信息进行目标检测和分类,得到分类后的目标信息,所述分类后的目标信息为对第一信息进行目标检测,并对检测得到的目标信息进行分类得到的信息;基于所述分类后的目标信息和所述第二信息构建空间直角坐标系,并对构建后的空间直角坐标系进行区域划分,得到划分区域后的空间直角坐标系;将所述分类后的目标信息和划分区域后的空间直角坐标系发送至预测模型进行预测,得到预测结果,所述预测结果为分类后的目标信息在所述划分区域后的空间直角坐标系的预测位置;将所述预测结果发送至训练后的自动驾驶决策模型,得到自动驾驶车辆的运动决策方案。2.根据权利要求1所述的基于神经网络算法的自动驾驶物流车辆决策方法,其特征在于,将所述第一信息进行目标检测和分类,得到分类后的目标信息,包括:将所述第一信息发送至目标检测模型进行目标检测,得到至少两个目标框选图像;将所有的所述目标框选图像发送至图像对比模块进行处理,其中将目标框选图像信息和所述目标框选图像的对应的前一帧图像进行对比,得到至少一个目标位置变化信息,所述目标位置变化信息为目标框选图像内的目标在相邻两帧图像内的位置变化信息;基于所有的所述目标位置变化信息对目标框选图像内的目标进行分类,得到分类后的目标信息,所述分类后的目标信息包括静止目标信息和运动目标信息。3.根据权利要求1所述的基于神经网络算法的自动驾驶物流车辆决策方法,其特征在于,基于所述分类后的目标信息和所述第二信息构建空间直角坐标系,并对构建后的空间直角坐标系进行区域划分,包括:计算所述分类后的目标信息中所有目标与所述自动驾驶车辆的距离,得到所有目标和所述自动驾驶车辆的距离信息;基于所有目标和自动驾驶车辆的距离信息建立空间直角坐标系,其中将自动驾驶车辆作为空间直角坐标系的原点,并所述目标分类信息中的静止目标和运动目标均转化为坐标点,得到标记了坐标点的空间直角坐标系,所述静止目标为第一颜色的坐标点,所述运动目标为第二颜色的坐标点;将所述第二信息发送至所述标记了坐标点的空间直角坐标系进行处理,得到标记了急停区域和减速区域空间直角坐标系,其中基于坐标原点为中心,紧急制动距离、常规制动距离和经济制动距离作为半径,确定紧急制动区域、常规制动区域和经济制动区域。4.根据权利要求1所述的基于神经网络算法的自动驾驶物流车辆决策方法,其特征在于,将所述分类后的目标信息和划分区域后的空间直角坐标系发送至预测模型进行预测,包括:将每帧图像内分类后的目标信息进行关键点处理,得到每帧图像内的所有目标的关键点,其中所述目标的关键点为所述目标的中心点;将所述每帧图像内的所有目标关键点进行标号处理,其中每帧图像内的同一目标的关键点标号相同,得到标号后的目标的关键点;
基于训练后的位置预测模型对每个所述标号后的目标的关键点进行位置变化预测处理,并将预测得到的标号后的目标的关键点位置发送至空间直角坐标系内进行对应标记,得到每个预测时间点所述目标在所述空间直角坐标系内的位置信息。5.根据权利要求4所述的基于神经网络算法的自动驾驶物流车辆决策方法,其特征在于,所述训练后的位置预测模型的构建方法,包括:获取历史运动目标的关键点位置信息;将历史运动目标的关键点位置信息进行按照每隔一定时间T进行时间序列划分,并将划分好时间序列的历史运动目标的关键点位置信息分为训练集和验证集;将所述训练集发送至基于LSTM算法构建的位置预测模型进行预测,得到预测的历史运动目标的关键点位置信息;将所述预测的历史运动目标的关键点位置信息和验证集进行对比,得到对比结果;若所述对比结果为所述预测的历史运动目标的关键点位置信息和验证集内的关键点位置信息不同,则调整LSTM算法的特征参数,并进行迭代预测和判断,直至所述对比结果为所述预测的历史运动目标的关键点位置信息和验证集内的关键点位置信息相同,得到训练后的位置预测模型;所述的时间间隔T按照以下方式调整:车辆启动后至其行驶速度V不超过20
‑
25km/h时,以0.2
‑
0.5s作为划分序列时间T;在此期间,若提取的第一信息中目标框选图像超过3个,则以0.1
‑
0.3s作为划分序列时间T;车辆速度范围在20
‑
60km/h时,以0.15
‑
0.25s作为划分序列时间T;在此期间,若提取的第一信息中目标框选图像超过3个,则以0.1
‑
0.15s作为划分序列时间T;车辆速度范围在60...
【专利技术属性】
技术研发人员:熊庆,王从明,陶沙沙,陈凯镔,
申请(专利权)人:成都工业职业技术学院,
类型:发明
国别省市:
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。