基于神经网络算法的自动驾驶物流车辆决策方法和装置制造方法及图纸

本发明专利技术涉及无人驾驶技术领域，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，所述方法包括对自动驾驶车辆周围环境图像进行获取和识别，并根据自动驾驶车辆周围环境图像内的目标进行检测和分类，其中相邻两帧图像进行对比，判断所述图像内的目标位置是否变化，若变化则判定为运动目标，若无变化则判定为静止目标，进而通过建立三维空间坐标来划分自动驾驶车辆周围的区域，并对运动目标进行位置变化预测，进而基于运动目标的预测位置进行决策，其中通过训练后的决策模型确定决策方法。这样可以实时对自动驾驶车辆进行控制，并在突发事件发生时，自动驾驶车辆能立即进行决策，进而防止事故发生。进而防止事故发生。进而防止事故发生。

【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]本专利技术的目的在于提供基于神经网络算法的自动驾驶物流车辆决策方法和装置，以改善上述问题。为了实现上述目的，本专利技术采取的技术方案如下：一方面，本申请提供了基于神经网络算法的自动驾驶物流车辆决策方法，所述方法包括：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。
[0005]第二方面，本申请实施例提供了一种基于神经网络算法的自动驾驶物流车辆决策装置，包括：获取单元，用于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；第一处理单元，用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，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；第二处理单元，用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，得到划分区域后的空间直角坐标系；预测单元，用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，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；发送单元，用于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。
[0006]第三方面，本申请实施例提供了一种基于神经网络算法的自动驾驶物流车辆决策设备，所述设备包括存储器和处理器。存储器用于存储计算机程序；处理器用于执行所述计算机程序时实现上述基于神经网络算法的自动驾驶物流车辆决策方法的步骤。
[0007]第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于神经网络算法的自动驾驶物流车辆决策方法的步骤。
[0008]本专利技术的有益效果为：本专利技术通过对自动驾驶车辆周围环境图像进行获取和识别，并根据自动驾驶车辆周围环境图像内的目标进行检测和分类，其中相邻两帧图像进行对比，判断所述图像内的目标位置是否变化，若变化则判定为运动目标，若无变化则判定为静止目标，进而通过建立三维空间坐标来划分自动驾驶车辆周围的区域，并对运动目标进行位置变化预测，进而基于运动目标的预测位置进行决策，其中通过训练后的决策模型确定决策方法。这样可以实时对自动驾驶车辆进行控制，并在突发事件发生时，自动驾驶车辆能立即进行决策，进而防止事故发生；本专利技术能够在复杂环境下，自动判断周围环境情况，进而判断是否需要减速或作出其他决策，实现不同环境下作出不同决策，并且由于配送物品是一条规划好的路线，不同的路线本专利技术会产生不同的决策。
[0009]本专利技术的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术实施例了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
[0010]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附
图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
[0011]图1为本专利技术实施例中所述的基于神经网络算法的自动驾驶物流车辆决策方法流程示意图；图2为本专利技术实施例中所述的基于神经网络算法的自动驾驶物流车辆决策装置结构示意图；图3是本专利技术实施例中所述的基于神经网络算法的自动驾驶物流车辆决策设备结构示意图。
[0012]图中标记：701、获取单元；702、第一处理单元；703、第二处理单元；704、预测单元；705、发送单元；7021、第一处理子单元；7022、第二处理子单元；7023、第一分类子单元；7031、计算子单元；7032、第三处理子单元；7033、第四处理子单元；7041、第五处理子单元；7042、第六处理子单元；7043、第七处理子单元；7051、第一获取子单元；7052、第八处理子单元；7053、第九处理子单元；70431、第二获取子单元；70432、第一训练子单元；70433、第二训练子单元；70434、第一对比子单元；70435、第二对比子单元；800、基于神经网络算法的自动驾驶物流车辆决策设备；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。
具体实施方式
[0013]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可本文档来自技高网...

【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：