【技术实现步骤摘要】
本专利技术涉及自动驾驶，尤其是涉及一种基于长短期记忆模型的自动驾驶性能评价方法、系统及介质。
技术介绍
1、随着自动驾驶技术的不断完善，车辆所需的自动驾驶算法层出不穷，如何对自动驾驶算法的优劣进行评价，成为我们亟待解决的问题。
2、现有技术中，专利（申请号：202111150302.3）公开了一种车辆的自动驾驶评价系统及方法，该专利技术通过交互组件，执行组件，评价组件三个组件完成对自动驾驶车辆性能的评价，通过招募资深试驾员，建立相关指标评分表，以试驾员打分的形式反映自动驾驶相关算法的优劣，但是需要资深试驾员对自动驾驶信息进行人工评价，耗费大量时间及人力成本。
技术实现思路
1、鉴于以上现有技术的不足，本专利技术提供了一种基于长短期记忆模型的自动驾驶性能评价方法、系统及介质，不仅解决了自动驾驶l4对算法评估中非量化因子难以评价的舒适度以及高效性问题，而且在满足测试需求的前提下可节约时间及人工成本。
2、为了实现上述目的及其他相关目的，本专利技术提供的技术方案如下：
3、一种基于长短期记忆模型的自动驾驶性能评价方法，所述方法包括：
4、p1.以hil仿真平台为基础，关闭控制器中由自动驾驶算法实现的自动驾驶功能，由驾驶员通过外接踏板与方向盘对ego主车进行操控，行驶于随机交通流中，并通过对ros主题的订阅，实时获取ego主车的周围静态数据信息、动态信息和车辆行驶状态数据信息；
5、p2.基于所述ego主车的周围静态数据信息、动态
6、p3.将所述处理后的车辆综合数据信息输入长短期记忆网络模型进行训练和学习，经过多轮迭代训练，直到损失函数收敛，确定网络参数，输出训练好的长短期记忆网络模型；
7、p4.基于所述训练好的长短期记忆网络模型，输入由自动驾驶算法的自动驾驶车辆得到的车辆的综合数据信息，对车辆的运动状态进行预测，输出预测后的车辆的运动状态数据信息；
8、p5.基于所述预测后的车辆的运动状态数据信息，与同一时间的由自动驾驶算法的自动驾驶车辆的运动状态数据信息进行对比，建立评估函数，输出自动驾驶算法的评估数据信息。
9、进一步的，在步骤p1中，所述ego主车的周围静态数据信息包括车辆周围环境数据信息和静态障碍物数据信息，所述动态信息包括周围从车的位置数据信息、速度数据信息和方向数据信息，所述车辆行驶状态数据信息包括车辆的位姿数据信息和速度数据信息。
10、进一步的，在步骤p2中，所述进行数据预处理包括数据清洗、补全缺失帧和删除无用的数据，所述格式归一化处理为将预处理后的数据剪切成输入深度学习网络所需格式后归一化。
11、进一步的，在步骤p3中，所述将所述处理后的车辆综合数据信息输入长短期记忆网络模型进行训练和学习包括：
12、p31.基于所述处理后的车辆综合数据信息，建立长短期记忆网络模型的输入函数mt，
13、mt=f(xtw1+xt-1w2+bt)，
14、其中，xt为t时刻的处理后的车辆综合数据信息，xt-1为t-1时刻的处理后的车辆综合数据信息，w1为第一权重系数矩阵，w2为第二权重系数矩阵，bt为t时刻的偏置矩阵，f为激活函数，进行车辆数据的初步处理，输出初步处理后的车辆数据信息；
15、p32.基于所诉初步处理后的车辆数据信息，建立长短期记忆网络模型的中间函数nt，
16、nt=mt*nt-1+(1-mt)*nt+1,
17、进行车辆状态数据的初步预测，输出初步预测后的车辆状态数据信息；
18、p33.基于所述初步预测后的车辆状态数据信息，建立长短期记忆网络模型的输出函数qt，
19、qt=f(ntw3+nt+1w4+ɑ0)，
20、其中，f为激活函数，w3为第三权重系数矩阵，w4为第四权重系数矩阵，ɑ0为输出偏置系数矩阵，对车辆状态进行预测，输出预测后的车辆状态数据信息。
21、进一步的，所述激活函数f为，
22、f=tanh(xw5+w6xt+x*xt)，
23、其中，w5为第五权重系数矩阵，w6为第六权重系数矩阵，x为自变量。
24、进一步的，在步骤p5中，所述评估函数为l，
25、，
26、其中，β1和β2为对比系数，n为采样样本总数，si为第i时刻由自动驾驶算法得到的车辆状态数据信息，ci为第i时刻由自动驾驶算法预测得到的车辆状态数据信息。
27、进一步的，在步骤p3中，所述损失函数为j，
28、，
29、其中，n为正整数，λ1为损失因子，zj为模型预测样本为1的概率。
30、为了实现上述目的及其他相关目的，本专利技术还提供了一种用于实现任一项所述的基于长短期记忆模型的自动驾驶性能评价方法的系统，其特征在于，所述系统包括hil自动驾驶仿真平台、搭载自动驾驶算法的控制器、基于长短期记忆网络模型训练得出的类人驾驶决策系统和自动驾驶算法评价系统，
31、所述的hil自动驾驶仿真平台是用于创建，配置，仿真和评估虚拟环境；
32、所述搭载自动驾驶算法的控制器用于针对传入的环境，车辆信息，对ego主车驾驶行为进行决与控制，以确保ego主车正常行驶；
33、所述基于长短期记忆网络模型训练得出的类人驾驶决策系统用于以ego主车及从车车辆信息和环境为输入，用于对ego主车将来行为的预测，该预测行为高度符合人类行车逻辑；
34、所述自动驾驶算法评价系统以自动驾驶算法所生成的ego主车行为和由长短期记忆网络模型预测所生成的ego主车行为作为输入，以长短期记忆网络模型生成的ego主车行为作为蓝本，评价自动驾驶算法的优劣。
35、进一步的，所述系统还包括场景解释器用于描述对手车的动态驾驶信息，解析虚拟场景中的对手车驾驶行为，基于不同的测试场景采集不同车辆的驾驶数据。
36、为了实现上述目的及其他相关目的，本专利技术还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有被编程或配置以执行任意一项所述的基于长短期记忆模型的自动驾驶性能评价方法的计算机程序。
37、本专利技术具有以下积极效果：
38、1.本专利技术通过训练好的长短期记忆网络模型，输入由自动驾驶算法的自动驾驶车辆得到的车辆的综合数据信息，对车辆的运动状态进行预测，结合评估函数，对自动驾驶算法的优劣进行评估，不仅解决了自动驾驶l4对算法评估中非量化因子难以评价的舒适度以及高效性问题。
39、2.本专利技术将处理后的车辆综合数据信息输入长短期记忆网络模型进行训练和学习，得到训练好的长短期记忆网络模型，对自动驾驶算法的自动驾驶车辆进行预测，不仅能够对车辆的运动状态进行准确的预测，而且整个过程无需人工进行参与，降低了评估成本。
本文档来自技高网...【技术保护点】
1.一种基于长短期记忆模型的自动驾驶性能评价方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于长短期记忆模型的自动驾驶性能评价方法，其特征在于，在步骤P1中，所述EGO主车的周围静态数据信息包括车辆周围环境数据信息和静态障碍物数据信息，所述动态信息包括周围从车的位置数据信息、速度数据信息和方向数据信息，所述车辆行驶状态数据信息包括车辆的位姿数据信息和速度数据信息。
3.根据权利要求1所述的基于长短期记忆模型的自动驾驶性能评价方法，其特征在于，在步骤P2中，所述进行数据预处理包括数据清洗、补全缺失帧和删除无用的数据，所述格式归一化处理为将预处理后的数据剪切成输入深度学习网络所需格式后归一化。
4.根据权利要求1所述的基于长短期记忆模型的自动驾驶性能评价方法，其特征在于，在步骤P3中，所述将所述处理后的车辆综合数据信息输入长短期记忆网络模型进行训练和学习包括：
5.根据权利要求4所述的基于长短期记忆模型的自动驾驶性能评价方法，其特征在于：所述激活函数f为，
6.根据权利要求1所述的基于长短期记忆模型的自动驾驶性能
7.根据权利要求1所述的基于长短期记忆模型的自动驾驶性能评价方法，其特征在于，在步骤P3中，所述损失函数为J，
8.一种用于实现权利要求1-7任一项所述的基于长短期记忆模型的自动驾驶性能评价方法的系统，其特征在于，所述系统包括HIL自动驾驶仿真平台、搭载自动驾驶算法的控制器、基于长短期记忆网络模型训练得出的类人驾驶决策系统和自动驾驶算法评价系统，
9.根据权利要求8所述的系统，其特征在于：所述系统还包括场景解释器用于描述对手车的动态驾驶信息，解析虚拟场景中的对手车驾驶行为，基于不同的测试场景采集不同车辆的驾驶数据。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有被编程或配置以执行权利要求1～7中任意一项所述的基于长短期记忆模型的自动驾驶性能评价方法的计算机程序。
...【技术特征摘要】
1.一种基于长短期记忆模型的自动驾驶性能评价方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于长短期记忆模型的自动驾驶性能评价方法，其特征在于，在步骤p1中，所述ego主车的周围静态数据信息包括车辆周围环境数据信息和静态障碍物数据信息，所述动态信息包括周围从车的位置数据信息、速度数据信息和方向数据信息，所述车辆行驶状态数据信息包括车辆的位姿数据信息和速度数据信息。
3.根据权利要求1所述的基于长短期记忆模型的自动驾驶性能评价方法，其特征在于，在步骤p2中，所述进行数据预处理包括数据清洗、补全缺失帧和删除无用的数据，所述格式归一化处理为将预处理后的数据剪切成输入深度学习网络所需格式后归一化。
4.根据权利要求1所述的基于长短期记忆模型的自动驾驶性能评价方法，其特征在于，在步骤p3中，所述将所述处理后的车辆综合数据信息输入长短期记忆网络模型进行训练和学习包括：
5.根据权利要求4所述的基于长短期记忆模型的自动驾驶性能评价方法，其...
【专利技术属性】
技术研发人员：曹恺，骆嫚，赵欣昊，陈乾坤，
申请(专利权)人：东风悦享科技有限公司，
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。