一种自动驾驶汽车的路径规划学习方法技术

本发明专利技术提供一种自动驾驶汽车的路径规划学习方法，包括：通过车辆的摄像头和雷达采集车辆周边目标的图像，并根据所述图像对车辆周边目标进行左中右区域分类；建立安全度计算模型，并根据车辆的车速和位置对左中右区域的各个目标进行行驶安全度计算；获取车辆行驶的车道信息，并根据左中右区域各目标所对应的行驶安全度从高到低顺序进行车道选择及路径规划。本发明专利技术能解决现有自动驾驶汽车进行路径规划时存在不便捷和不准确的问题，能提高自动驾驶汽车路径规划的准确性和效率，增加自动驾驶汽车的安全性。车的安全性。车的安全性。

【技术实现步骤摘要】
一种自动驾驶汽车的路径规划学习方法


[0001]本专利技术涉及汽车自动驾驶的
，具体为一种自动驾驶汽车的路径规划学习方法。

技术介绍

[0002]现有自动驾驶汽车常采用算法进行机器学习实现路径规划，如A*算法和RRT算法等。这种利用算法进行路径规划，需要通过机器学习驾驶员的变道过程操作，记录下变道过程的多个参数，在自动驾驶情境下，如果识别路况信息与已学习的某一个路况信息对应上，则按照学习过程中相应路况信息的变道过程参数进行自动驾驶变道操作。这是一种有监督的学习过程，需要对不同的路况信息进行标注(即将路况信息与变道参数对应上)，这便需要较多的时间和路况信息，对训练数据集的要求较高，如在自动驾驶过程中出现训练数据集上未曾出现的路况信息，将导致自动驾驶变道操作难以执行，影响路径规划的准确性。同时，自动驾驶汽车还使用高精地图建模来实现路径规划，在建模的地图上运用路径规划算法，找到起点与终点的可行路径。但这种路径规划，主要适用于地理环境相对固定的自动驾驶场景，存在使用不便捷的现象。因此，如何更便捷和更准确地对自动驾驶汽车进行路径规划，具有重要的意义。

技术实现思路

[0003]本专利技术提供一种自动驾驶汽车的路径规划学习方法，解决现有自动驾驶汽车进行路径规划时存在不便捷和不准确的问题，能提高自动驾驶汽车路径规划的准确性和效率，增加自动驾驶汽车的安全性。
[0004]为实现以上目的，本专利技术提供以下技术方案：
[0005]一种自动驾驶汽车的路径规划学习方法，包括：
[0006]通过车辆的摄像头和雷达采集车辆周边目标的图像，并根据所述图像对车辆周边目标进行左中右区域分类；
[0007]建立安全度计算模型，并根据车辆的车速和位置对左中右区域的各个目标进行行驶安全度计算；
[0008]获取车辆行驶的车道信息，并根据左中右区域各目标所对应的行驶安全度从高到低顺序进行车道选择及路径规划。
[0009]优选的，还包括：
[0010]构建离线仿真环境，并根据所述图像对车辆周边的目标提供离线仿真数据；
[0011]搭建安全度预测量深度学习神经网络，并根据所述离线仿真数据进行自学习，以优化安全度计算模型。
[0012]优选的，还包括：
[0013]将真实环境下采集到的感知信息通过透视变换，将3D场景变换为2D鸟瞰图，并对交通参与者进行类别标注和动态特征标注；
[0014]提取鸟瞰图特征，并根据所述鸟瞰图特征和所述行驶安全度对鸟瞰图进行聚类处理，以判断所述鸟瞰图对应到向左变道类、向右变道类和直行类，进而根据对应类别执行变道操作。
[0015]优选的，还包括：
[0016]根据车辆在离线仿真环境中的测试仿真结果进行路径规划学习，并根据实际变道操作的结果，将此次变道操作的真实环境下的鸟瞰图添加到数据集中，以用真实的环境数据逐步地替换离线仿真生成的数据。
[0017]优选的，还包括：
[0018]在真实环境下车辆完成变道操作后，对比变道前后的行驶安全度，若变道后行驶安全度不降低，则变道成功。
[0019]优选的，所述搭建安全度预测量深度学习神经网络，并优化安全度计算模型，包括：
[0020]通过所述安全度预测量深度学习神经网络进行自学习，以预测各个目标的安全度变化量；
[0021]将计算得到各个目标所对应的行驶安全度与预测的安全度变化量之和作为优化后各个目标的安全度预测量。
[0022]优选的，所述通过所述安全度预测量深度学习神经网络进行自学习，包括：
[0023]构建深度学习神经网络，将车辆计划变道行驶所对应车道的前车相对距离、前车相对速度、前车类别，后车相对距离、后车相对速度、后车类别作为神经网络的输入参数，神经网络的输出参数为安全度预测量；
[0024]将离线仿真数据作为神经网络的输入样本进行训练，每组离线仿真数据包括车辆计划变道行驶的那条车道的前车相对距离、前车相对速度、前车类别，后车相对距离、后车相对速度、后车类别，以及变道前后安全度的变化值；
[0025]通过梯度下降迭代优化，使神经网络收敛以得到输入与输出的映射关系。
[0026]优选的，所述将真实环境下采集到的感知信息通过透视变换，将3D场景变换为2D鸟瞰图，并对交通参与者进行类别标注和动态特征标注，包括：
[0027]在真实环境下将摄像头、雷达采集的实景图像通过透视变化，转化为2D鸟瞰图，所述鸟瞰图为100m
×
100m的感知平面，且所有的交通参与者的类别标注通过车载摄像图的机器视觉算法完成，动态特性标注通过车载雷达及感知算法完成。
[0028]优选的，所述判断所述鸟瞰图对应到向左变道类、向右变道类和直行类，进而根据对应类别执行变道操作，包括：
[0029]若真实环境下转换的鸟瞰图与向左变道类、向右变道类或直行类对应的鸟瞰图相似，则判定真实环境下的变道操作对应为：向左变道、向右变道或直行。
[0030]本专利技术提供一种自动驾驶汽车的路径规划学习方法，根据车辆周边目标的左中右区域分类和安全度计算，进行车道选择和路径规划，解决现有自动驾驶汽车进行路径规划时存在不便捷和不准确的问题，能提高自动驾驶汽车路径规划的准确性和效率，增加自动驾驶汽车的安全性。
附图说明
[0031]为了更清楚地说明本专利技术的具体实施例，下面将对实施例中所需要使用的附图作简单地介绍。
[0032]图1为本专利技术提供的一种自动驾驶汽车的路径规划学习方法的示意图。
[0033]图2是本专利技术提供的一种离线强化学习方法流程图。
具体实施方式
[0034]为了使本
的人员更好地理解本专利技术实施例的方案，下面结合附图和实施方式对本专利技术实施例作进一步的详细说明。
[0035]针对当前自动驾驶汽车进行路径规划时存在不便捷和不准确的问题，本专利技术提供一种自动驾驶汽车的路径规划学习方法，解决现有自动驾驶汽车进行路径规划时存在不便捷和不准确的问题，能提高自动驾驶汽车路径规划的准确性和效率，增加自动驾驶汽车的安全性。
[0036]如图1所示，一种自动驾驶汽车的路径规划学习方法，包括：
[0037]S1：通过车辆的摄像头和雷达采集车辆周边目标的图像，并根据所述图像对车辆周边目标进行左中右区域分类。
[0038]S2：建立安全度计算模型，并根据车辆的车速和位置对左中右区域的各个目标进行行驶安全度计算。
[0039]S3：获取车辆行驶的车道信息，并根据左中右区域各目标所对应的行驶安全度从高到低顺序进行车道选择及路径规划。
[0040]具体地，行驶安全度是针对摄像头感知的每一帧图像并融合雷达测距信息来进行计算生成的。在车流量较大的车道环境中行驶时，针对摄像头和雷达采集到一帧图像，根据图像范围内采集到的目标类别信息、目标距离信息、目标相对速度信息按照特定算法计算左中右区域内的行驶安全度。算法遵循的基本原则是：行驶环境中有行人、大型拖挂车等且距离较近，行驶本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自动驾驶汽车的路径规划学习方法，其特征在于，包括：通过车辆的摄像头和雷达采集车辆周边目标的图像，并根据所述图像对车辆周边目标进行左中右区域分类；建立安全度计算模型，并根据车辆的车速和位置对左中右区域的各个目标进行行驶安全度计算；获取车辆行驶的车道信息，并根据左中右区域各目标所对应的行驶安全度从高到低顺序进行车道选择及路径规划。2.根据权利要求1所述的自动驾驶汽车的路径规划学习方法，其特征在于，还包括：构建离线仿真环境，并根据所述图像对车辆周边的目标提供离线仿真数据；搭建安全度预测量深度学习神经网络，并根据所述离线仿真数据进行自学习，以优化安全度计算模型。3.根据权利要求2所述的自动驾驶汽车的路径规划学习方法，其特征在于，还包括：将真实环境下采集到的感知信息通过透视变换，将3D场景变换为2D鸟瞰图，并对交通参与者进行类别标注和动态特征标注；提取鸟瞰图特征，并根据所述鸟瞰图特征和所述行驶安全度对鸟瞰图进行聚类处理，以判断所述鸟瞰图对应到向左变道类、向右变道类和直行类，进而根据对应类别执行变道操作。4.根据权利要求3所述的自动驾驶汽车的路径规划学习方法，其特征在于，还包括：根据车辆在离线仿真环境中的测试仿真结果进行路径规划学习，并根据实际变道操作的结果，将此次变道操作的真实环境下的鸟瞰图添加到数据集中，以用真实的环境数据逐步地替换离线仿真生成的数据。5.根据权利要求4所述的自动驾驶汽车的路径规划学习方法，其特征在于，还包括：在真实环境下车辆完成变道操作后，对比变道前后的行驶安全度，若变道后行驶安全度不降低，则变道成功。6.根据权利要求5所述的自动驾驶汽车的路径规划学习方法，其特征在于，所述搭建安全度预测量深度学习神经网络，并优化安全度计算模型，包括：通过所述安全...

【专利技术属性】
技术研发人员：宋心雷，黄秋生，王苗，李盈盈，李新红，魏江文，李旭东，
申请(专利权)人：安徽江淮汽车集团股份有限公司，
类型：发明
国别省市：