一种端到端自动驾驶决策算法的不确定性估计方法技术

本发明专利技术公开了一种端到端自动驾驶决策算法的不确定性估计方法，属于自动驾驶领域。是以n个基于多视角的端到端决策算法，构建的端到端网络模型作为基础模型；将公共数据集作为训练数据集，并按照比例随机划分为总训练集和验证集；将总训练集数据均为分n份子数据集，n份子数据集中的每一份子数据集负责训练验证一个端到端网络模型；由于在训练前对每个端到端网络模型的参数进行了随机初始化，从而能够得到不同参数相同结构的N个端到端决策网络作为最终的决策网络模型。然后利用该模型对同一场景进行推理，每个网络分别推理得到的结果使用集合计算，以此来计算出网络对于转角和速度估计的不确定性，提升了不确定度估算的准确率。率。率。

【技术实现步骤摘要】
一种端到端自动驾驶决策算法的不确定性估计方法


[0001]本专利技术属于自动驾驶领域，具体涉及一种端到端自动驾驶决策算法的不确定性估计方法。

技术介绍

[0002]我国汽车保有量不断增加，加之驾驶员驾驶技术良莠不齐，导致公路交通拥堵、发生交通事故的概率越来越高。自动驾驶则是依靠计算机技术与人工智能技术实现的驾驶，能够提高出行效率，极大程度避免因驾驶员误操作导致的交通拥堵和交通事故。
[0003]决策规划模块是自动驾驶技术体系中的重点模块之一，决策模块接收到感知信息后，对当前环境做出分析并计算出合理的控制量，并将控制量传达给下层执行模块。端到端决策方法是决策模型的一个实现方法，主要依靠深度学习或深度强化学习等方法设计出模型，借助大量的人类驾驶数据做训练，使得模型学习到从输入图像到输出方向盘转角和速度等控制量的关系。
[0004]当前人们对于自动驾驶安全非常重视，但“端到端决策算法”是一个典型的黑盒结构，研究人员无法得知该决策算法输出决策量是否可信，即缺乏对决策算法输出量可信度判断方法，使得人们对采用该类决策算法的自动驾驶车辆安全顾虑问题凸显。

技术实现思路

[0005]本专利技术的目的在于提供一种端到端自动驾驶决策算法的不确定性估计方法，以解决现有的端到端自动驾驶决策算法缺乏对决策算法输出量可信度进行评估，致使采用该类决策算法的自动驾驶车辆安全顾虑问题凸显等问题。
[0006]为实现上述目的，本专利技术采用如下技术方案：
[0007]一种端到端自动驾驶决策算法的不确定性估计方法，包括以下步骤：
[0008]S1、基于多视角注意力机制的端到端决策算法，建立n个需要估计不确定度的待测端到端决策模型；
[0009]S2、以公共数据集作为训练样本数据，对S1建立的决策模型进行训练，得到不同参数相同结构的n个端到端决策网络模型，详细过程如下：
[0010]S2.1、从训练样本数据中按比例随机抽取部分样本数据分别作为总训练集和验证集；
[0011]S2.2、将总训练集的样本数据随机均分为n份子数据集，将每份子数据集按比例随机划分为子训练集和子验证集；
[0012]S2.3、利用S2.2得到的子数据集对S1建立的n个模型进行训练和验证，每个模型各选择一份子数据集作为输入进行独立训练，得到不同参数相同结构的n个端到端决策网络模型；
[0013]S3、将S2.1得到的验证集作为输入数据，分别输入到S2.3训练好的不同参数相同结构的n个的端到端决策网络模型中，计算得到n组转角值和速度值；
[0014]S4、分别求S3得到的n组转角平均值和方差、n组速度的平均值和方差；将求得的n组转角平均值作为最终的控制转角输出，n组转角方差作为转角的不确定度；n组速度平均值作为最终的控制速度输出，n组速度方差作为速度的不确定度。
[0015]进一步的，所述步骤S2.3的详细过程为：
[0016]S2.3.1、对n个端到端决策网络模型的参数进行随机初始化；
[0017]S2.3.2、每个端到端决策网络模型根据其输入的子数据集中的训练集进行训练；每个端到端决策网络模型根据其输入的子数据集中的子验证集进行验证，直至训练损失不再降低。
[0018]进一步的，上述端到端自动驾驶决策算法的不确定性估计方法法中，由于采集的样本集数据和选择的决策网络不同，其转角不确定度和速度不确定度大小与范围并不相同；通过设定不同训练集和决策算法对应的阈值，将不确定度划分为低、中、高、超高四档，当不确定度值大于中时，表明当前环境自动驾驶故障概率较高。
[0019]进一步的，所述n的取值范围为5≤n≤8。
[0020]本专利技术以n个基于多视角的端到端决策算法构建的端到端网络模型作为基础模型；将公共数据集作为训练数据集，并按照比例将其随机划分为总训练集和验证集；将总训练集数据均为分n份子数据集，n份子数据集中的每一份子数据集负责训练验证一个端到端网络模型；由于在训练前对每个端到端网络模型的参数进行了随机初始化，从而能够得到不同参数相同结构的N个端到端决策网络作为最终的决策网络模型。利用该模型在推理时将同一场景经过每个网络分别推理后再使用集合计算方法，以此来计算出网络对于转角和速度估计的不确定性，提升了不确定度估算的准确率。此外，增加的不确定度划分判断自动驾驶故障概率，相当于在计算不确定性的过程中增加了对决策算法输出量可信度判断，有效提升了自动驾驶的安全性。
[0021]与现有技术相比，本专利技术的方法以现有公用数据作为样本数据，数据信息量大，且无需采集实施数据，更具有普适性，能够在不修改决策网络结构的前提下对网络不确定性进行估计，提高使用该类网络的整车安全性。
附图说明
[0022]图1为本专利技术方法原理图；
[0023]图2为实施例中N个同构异参端到端决策网络模型训练流程图；
[0024]图3为实施例利用训练好的N个同构异参端到端决策网络模型计算不确定度流程图。
具体实施例
[0025]下面结合附图和实施例对本专利技术作进一步说明。
[0026]如图1所示，本实施例提供的一种端到端自动驾驶决策算法的不确定性估计方法，包括以下步骤：
[0027]S1、基于多视角注意力机制的端到端决策算法，建立5个需要估计不确定度的待测端到端决策模型。
[0028]S2、以Drive 360数据集作为训练样本数据，对S1建立的模型进行训练得到不同参
数相同结构的5个端到端决策网络模型。如图2所示：
[0029]S2.1、从训练样本数据中随机抽取90％的样本数据分别作为总训练集，剩下10％的样本数据作为验证集。
[0030]S2.2、将总训练集的样本数据随机均分为5份子数据集，再将每份子数据集按比例随机划分为子训练集和子验证集；其中子训练集占每份子数据集的80％，子验证集占每份子数据集的20％。
[0031]S2.3、利用S2.2得到的子数据集对S1建立的5个模型进行训练和验证，每个模型各选择一份子数据集作为输入进行独立训练，得到不同参数相同结构的5个端到端决策网络模型。具体的：
[0032]S2.3.1、对5个端到端决策网络模型的参数进行随机初始化；
[0033]S2.3.2、每个端到端决策网络模型根据其输入的子数据集中的训练集进行训练；每个端到端决策网络模型根据其输入的子数据集中的子验证集进行验证，直至训练损失不再降低。
[0034]S3、自动驾驶过程中的转角不确定度和速度不确定度计算，如图3所示：
[0035]S3.1、将S2.1得到的验证集作为输入数据，分别输入到S2.3训练好的不同参数相同结构的5个的端到端决策网络模型中，计算得到5组转角和速度；
[0036]S3.2、分别求S4得到的5组转角平均值和方差、5组速度的平均值和方差；并将求取的5组转角平均值作为最终的控制转角输出，5组转角方差作为转角的不确定度；5组速度平均值作为最终的控制速度输出，5组速度方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种端到端自动驾驶决策算法的不确定性估计方法，其特征在于：包括以下步骤：S1、基于多视角注意力机制的端到端决策算法，建立n个需要估计不确定度的待测端到端决策模型；S2、以公共数据集作为训练样本数据，对S1建立的决策模型进行训练，得到不同参数相同结构的n个端到端决策网络模型，详细过程如下：S2.1、从训练样本数据中按比例随机抽取部分样本数据分别作为总训练集和验证集；S2.2、将总训练集的样本数据随机均分为n份子数据集，将每份子数据集按比例随机划分为子训练集和子验证集；S2.3、利用S2.2得到的子数据集对S1建立的n个模型进行训练和验证，每个模型各选择一份子数据集作为输入进行独立训练，得到不同参数相同结构的n个端到端决策网络模型；S3、将S2.1得到的验证集作为输入数据，分别输入到S2.3训练好的不同参数相同结构的n个的端到端决策网络模型中，计算得到n组转角值和速度值；S4、分别求S4得到的n组转角平均值和方差、n组速度的平均值和方差；将求得的n组转角平均值作为最终的控制转角输出，...

【专利技术属性】
技术研发人员：赵洋，李杰，王潇，李曙光，程洪，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：