• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于端到端學(xué)習(xí)機(jī)制的高速公路行駛軌跡曲率預(yù)測(cè)*

    2019-01-29 06:46:44焦新宇楊殿閣謝詩(shī)超王思佳
    汽車工程 2018年12期
    關(guān)鍵詞:曲率正確率車道

    焦新宇,楊殿閣,江 昆,曹 重,謝詩(shī)超,王思佳

    (汽車安全與節(jié)能國(guó)家重點(diǎn)實(shí)驗(yàn)室,智能新能源汽車協(xié)同創(chuàng)新中心,清華大學(xué)汽車工程系,北京 100084)

    前言

    智能汽車駕駛決策是無人駕駛實(shí)現(xiàn)的關(guān)鍵技術(shù)。經(jīng)典的決策方法是基于人工控制邏輯,結(jié)合環(huán)境感知和車輛動(dòng)力學(xué)模型生成車輛行駛軌跡[1-2]。這種明確的控制邏輯最大優(yōu)勢(shì)就是可靠性高,但卻因?yàn)閳?chǎng)景和環(huán)境動(dòng)態(tài)的高度復(fù)雜性和多變性,需要人工針對(duì)性設(shè)定各種復(fù)雜的控制邏輯,這就需要人類知識(shí)的積累可以覆蓋車輛行駛時(shí)的各種場(chǎng)景和意外情況。

    人工智能技術(shù)特別是深度學(xué)習(xí)等端到端學(xué)習(xí)技術(shù)的發(fā)展為車輛行駛軌跡的決策提供了全新的思路[3-4],可以實(shí)現(xiàn)從傳感信息到行駛軌跡或行駛控制指令的端到端預(yù)測(cè),就可以避免復(fù)雜的車輛動(dòng)力學(xué)控制模型和人工邏輯。NVIDIA公司使用深度神經(jīng)網(wǎng)絡(luò)[5],實(shí)現(xiàn)了較精確的從圖像到轉(zhuǎn)向盤轉(zhuǎn)角的端到端車輛控制,COMMA.AI公司也進(jìn)行了類似的研究[6]。百度公司也致力基于深度學(xué)習(xí)的端到端自動(dòng)駕駛,公布了阿波羅計(jì)劃,并公布了Roadhackers數(shù)據(jù)庫(kù),含有10 000km的攝像頭行駛數(shù)據(jù)等,對(duì)無人駕駛研究進(jìn)行支持。

    基于百度Roadhackers數(shù)據(jù)庫(kù)與端到端學(xué)習(xí)機(jī)制,可以對(duì)智能車無人駕駛控制邏輯進(jìn)行探索,實(shí)現(xiàn)從圖像到行駛軌跡曲率的預(yù)測(cè),進(jìn)而可以支持行駛方向和轉(zhuǎn)向盤的直接控制。但由于數(shù)據(jù)庫(kù)中訓(xùn)練數(shù)據(jù)有限,原始數(shù)據(jù)中存在駕駛員行為決策不定性的因素,基于該數(shù)據(jù)實(shí)現(xiàn)行駛軌跡曲率的準(zhǔn)確預(yù)測(cè)存在很大困難。為此,本文中對(duì)行駛軌跡進(jìn)行量化,建立行駛軌跡曲率預(yù)測(cè)模型,并提出合理的評(píng)價(jià)體系。此后,采用端到端學(xué)習(xí)機(jī)制研究直接從圖像到行駛軌跡曲率的預(yù)測(cè),針對(duì)其性能不佳的問題,采用場(chǎng)景切分和特征預(yù)提取進(jìn)行優(yōu)化,并對(duì)其進(jìn)行試驗(yàn)驗(yàn)證。

    1 行駛軌跡曲率預(yù)測(cè)模型與評(píng)價(jià)體系

    建立行駛軌跡曲率預(yù)測(cè)模型,給出行駛軌跡曲率和軌跡位置坐標(biāo)以及轉(zhuǎn)向盤轉(zhuǎn)角的關(guān)系。在此基礎(chǔ)上,考慮曲率的波動(dòng)量,建立行駛軌跡曲率的評(píng)價(jià)體系。

    1.1 行駛軌跡及轉(zhuǎn)向盤轉(zhuǎn)角與行駛軌跡曲率換算模型

    行駛軌跡曲率可以定量地反映行駛軌跡的彎曲程度。實(shí)際數(shù)據(jù)采集中,可以由GPS信息計(jì)算曲率。為計(jì)算給定點(diǎn)軌跡曲率,取其前后各10個(gè)點(diǎn),共21個(gè)點(diǎn),擬合三次方程并計(jì)算曲率。

    通過車輛建模,即可實(shí)現(xiàn)轉(zhuǎn)向盤轉(zhuǎn)角和曲率的換算。以線性2自由度車輛模型為例:

    式中:δ為轉(zhuǎn)向盤轉(zhuǎn)角;k為曲率;u為速度;K為穩(wěn)定性因數(shù);L為軸距;n為轉(zhuǎn)向系角傳動(dòng)比。使用更精確的車輛模型,可以實(shí)現(xiàn)轉(zhuǎn)向盤轉(zhuǎn)角和行駛軌跡曲率更精確的對(duì)應(yīng)。

    由上述分析可知,行駛軌跡曲率可以對(duì)行駛軌跡的彎曲程度進(jìn)行反映,且可以和轉(zhuǎn)向盤轉(zhuǎn)角相互換算。因此,實(shí)現(xiàn)圖片到行駛軌跡曲率的預(yù)測(cè),即可化為對(duì)行駛軌跡和轉(zhuǎn)向盤轉(zhuǎn)角的預(yù)測(cè)。

    1.2 行駛軌跡曲率預(yù)測(cè)評(píng)價(jià)體系

    在軌跡規(guī)劃或軌跡預(yù)測(cè)中,均需對(duì)所得軌跡的優(yōu)劣進(jìn)行量化評(píng)價(jià)?,F(xiàn)有軌跡規(guī)劃或預(yù)測(cè)中,一般只能通過直觀顯示[1]或車道中心線偏移距[2,5]來評(píng)價(jià)。但是,以車道中心線為標(biāo)準(zhǔn)僅適用于車道保持,且不能反映轉(zhuǎn)彎方向的預(yù)測(cè)性能。

    針對(duì)上述問題,本文中提出一種更為全面合理的軌跡預(yù)測(cè)評(píng)價(jià)體系。以行駛軌跡曲率預(yù)測(cè)模型進(jìn)行量化,以均方根誤差和相關(guān)系數(shù)對(duì)預(yù)測(cè)軌跡曲率的數(shù)值進(jìn)行評(píng)價(jià),并基于允許誤差的思想,對(duì)預(yù)測(cè)正確率進(jìn)行評(píng)價(jià)。由于轉(zhuǎn)彎方向?qū)Π踩兄匾饬x,單獨(dú)對(duì)方向預(yù)測(cè)提出一個(gè)評(píng)價(jià)指標(biāo)。

    行駛軌跡曲率預(yù)測(cè)評(píng)價(jià)體系由4個(gè)評(píng)價(jià)指標(biāo)組成,如圖1所示。

    圖1 行駛軌跡曲率預(yù)測(cè)評(píng)價(jià)體系

    1.2.1 均方根誤差與相關(guān)系數(shù)

    回歸分析中,常用均方根誤差RMSE與相關(guān)系數(shù)r進(jìn)行評(píng)價(jià):

    1.2.2 預(yù)測(cè)正確率與方向正確率

    在實(shí)際的交通場(chǎng)景中,不同人類駕駛員的駕駛軌跡曲率是不同的,轉(zhuǎn)向盤抖動(dòng)也導(dǎo)致駕駛軌跡曲率的波動(dòng)。因此,計(jì)算預(yù)測(cè)正確率時(shí),應(yīng)在數(shù)據(jù)庫(kù)人類駕駛員數(shù)據(jù)基礎(chǔ)上允許一定的誤差。

    據(jù)牛清寧[7]的研究,在正常駕駛情況下,時(shí)間窗為20s時(shí),轉(zhuǎn)向盤轉(zhuǎn)角標(biāo)準(zhǔn)差約為0.973°。采用線性2自由度車輛模型將其換算為曲率波動(dòng),車輛模型參數(shù)選為:穩(wěn)定性因數(shù)K=0.0015s2/m2,軸距L=3m,轉(zhuǎn)向系角傳動(dòng)比n=15。高速公路場(chǎng)景下,取車速為30m/s,代入式(1)得

    額外考慮到不同駕駛員的駕駛軌跡曲率的差異,計(jì)算預(yù)測(cè)正確率時(shí),取2.5×10-4m-1作為允許誤差。

    方向正確率計(jì)算中,考慮到安全性的要求,允許誤差應(yīng)取較小值,取曲率絕對(duì)值小于1×10-4m-1為直行。取曲率左轉(zhuǎn)為正,右轉(zhuǎn)為負(fù),預(yù)測(cè)曲率和實(shí)際曲率符號(hào)相同則視為方向預(yù)測(cè)正確。

    2 基于端到端學(xué)習(xí)機(jī)制的行駛軌跡曲率預(yù)測(cè)

    卷積神經(jīng)網(wǎng)絡(luò)是一種典型的端到端學(xué)習(xí)模型,適于組織圖像中的特征,被用于NVIDIA和COMMA.AI公司從圖像到轉(zhuǎn)向盤轉(zhuǎn)角的端到端預(yù)測(cè)。使用百度Roadhackers數(shù)據(jù)庫(kù),卷積神經(jīng)網(wǎng)絡(luò)輸入端為圖片像素值,輸出端為軌跡曲率數(shù)值,原理框圖見圖2。

    圖2 圖片 -軌跡曲率預(yù)測(cè)原理框圖

    軌跡曲率預(yù)測(cè)基于COMMA.AI公司的卷積神經(jīng)網(wǎng)絡(luò)模型,如圖3所示。

    圖3 卷積神經(jīng)網(wǎng)絡(luò)端到端學(xué)習(xí)模型

    神經(jīng)網(wǎng)絡(luò)輸入為3×320×160的RGB圖像矩陣,綜合使用卷積層、Dropout層和全連接層,輸出層含有1個(gè)節(jié)點(diǎn),與曲率標(biāo)簽對(duì)應(yīng)。

    訓(xùn)練集為百度Roadhackers數(shù)據(jù)庫(kù)中的81 484張行駛圖片及對(duì)應(yīng)曲率,測(cè)試集為12 760張。每次訓(xùn)練采樣500張圖片,共訓(xùn)練50次。

    測(cè)試結(jié)果曲率 時(shí)間曲線如圖4所示。

    評(píng)價(jià)結(jié)果:均方根誤差 RMSE=2.9773×10-4m-1,相關(guān)系數(shù)r=0.3326,預(yù)測(cè)正確率64.4%,方向正確率61.1%。

    可以看出,端到端預(yù)測(cè)結(jié)果的預(yù)測(cè)正確率和方向正確率均較低,且均方根誤差較大,相關(guān)系數(shù)也較低,預(yù)測(cè)結(jié)果存在大量不符合實(shí)際的波動(dòng)。

    圖4 卷積神經(jīng)網(wǎng)絡(luò)端到端行駛軌跡曲率預(yù)測(cè)

    以端到端學(xué)習(xí)機(jī)制為基礎(chǔ)的智能汽車自主決策,當(dāng)相同環(huán)境信息輸入網(wǎng)絡(luò)時(shí),其輸出結(jié)果必然一致。而真實(shí)駕駛中,人類駕駛員針對(duì)同樣的環(huán)境輸入,可能由于不同的駕駛?cè)蝿?wù)和自身個(gè)性而進(jìn)行不同的行為決策。面向經(jīng)典監(jiān)督學(xué)習(xí)的數(shù)據(jù)庫(kù)圖片-標(biāo)簽形式下,行為決策的不定性在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練中難以體現(xiàn),加深網(wǎng)絡(luò)或結(jié)合強(qiáng)化學(xué)習(xí)進(jìn)行決策,也難以解決這一問題。

    進(jìn)行場(chǎng)景劃分,預(yù)先進(jìn)行行為決策,包含駕駛員的主觀因素,在駕駛模式固定的前提下,利用神經(jīng)網(wǎng)絡(luò)進(jìn)行軌跡決策或車輛控制,則可以避免上述的神經(jīng)網(wǎng)絡(luò)行為決策困難的問題。

    另外,圖片中含有大量無關(guān)信息,如天空、樹木、建筑物等,神經(jīng)網(wǎng)絡(luò)難以提取周圍車輛、車道線等有效信息。經(jīng)過上述討論,以場(chǎng)景切分實(shí)現(xiàn)決策固化,以特征預(yù)提取降低神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)難度,能夠?qū)崿F(xiàn)對(duì)端到端的預(yù)測(cè)結(jié)果的優(yōu)化。

    3 場(chǎng)景切分與特征預(yù)提取

    3.1 高速公路行駛場(chǎng)景切分

    國(guó)內(nèi)外主流研究將高速公路行駛場(chǎng)景切分為跟馳和變道兩種[8-9]??紤]無前車的自由流,將高速公路行駛分為車道保持和變道兩種場(chǎng)景。

    3.2 變道場(chǎng)景特征預(yù)提取

    變道場(chǎng)景下,車輛行駛方向的快速變化,引起圖片中車道線位置的快速變化,因此,車道線信息是變道場(chǎng)景行駛軌跡曲率預(yù)測(cè)中的有效信息,將其進(jìn)行預(yù)提取,可以進(jìn)一步提高預(yù)測(cè)性能。

    車道線識(shí)別的任務(wù)可以由機(jī)器視覺或手動(dòng)標(biāo)注的方法來實(shí)現(xiàn),如圖5所示。

    為提高神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能,必須保證其訓(xùn)練集和測(cè)試集的準(zhǔn)確性。圖5(b)為基于LIM等[10]的車道線識(shí)別方法進(jìn)行優(yōu)化后的結(jié)果,出現(xiàn)一些漏判和錯(cuò)判。而圖5(a)的手動(dòng)提取結(jié)果,將原始車道和目標(biāo)車道的3條車道線標(biāo)注出來,保證了神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)集的準(zhǔn)確性。

    圖5 車道線識(shí)別方法對(duì)比

    車道線原始數(shù)據(jù)為6個(gè)坐標(biāo)點(diǎn),將坐標(biāo)點(diǎn)數(shù)據(jù)處理為直線解析式y(tǒng)=kx+b,經(jīng)過預(yù)處理后,即可將3條車道線信息以6個(gè)數(shù)據(jù)的形式儲(chǔ)存。

    4 基于場(chǎng)景切分和特征預(yù)提取的行駛軌跡曲率預(yù)測(cè)

    以變道場(chǎng)景為例,以端到端學(xué)習(xí)機(jī)制為基礎(chǔ),說明基于場(chǎng)景切分和特征預(yù)提取的行駛軌跡曲率預(yù)測(cè)優(yōu)化方法的有效性。

    將車道線畫在圖片上突出表達(dá),即可輸入卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。此外,將圖片中車道線的數(shù)學(xué)特征輸入BP神經(jīng)網(wǎng)絡(luò),還可實(shí)現(xiàn)車道線- 軌跡曲率的預(yù)測(cè),并進(jìn)行連續(xù)圖片數(shù)據(jù)輸入優(yōu)化。系統(tǒng)方案如圖6所示。

    圖6 變道場(chǎng)景行駛軌跡曲率預(yù)測(cè)方案

    4.1 卷積神經(jīng)網(wǎng)絡(luò)變道場(chǎng)景行駛軌跡曲率預(yù)測(cè)

    使用與端到端曲率預(yù)測(cè)中相同的卷積神經(jīng)網(wǎng)絡(luò)端到端學(xué)習(xí)模型,以1 700張圖片及對(duì)應(yīng)曲率為訓(xùn)練集,測(cè)試集為500張。采用場(chǎng)景切分和特征預(yù)提取的方法,針對(duì)變道場(chǎng)景,將車道線畫在圖片上,再輸入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

    預(yù)測(cè)結(jié)果如圖7所示,圖中正負(fù)交替的峰反映了測(cè)試集左右交替的變道行為。

    將場(chǎng)景切分和特征預(yù)提取優(yōu)化結(jié)果與端到端的預(yù)測(cè)結(jié)果對(duì)比,如表1所示。

    圖7 基于車道線提取的變道場(chǎng)景軌跡曲率預(yù)測(cè)

    表1 卷積神經(jīng)網(wǎng)絡(luò)端到端與優(yōu)化結(jié)果對(duì)比

    由表1看出,場(chǎng)景切分和特征預(yù)提取使4項(xiàng)評(píng)價(jià)指標(biāo)均有大幅改善。由圖7可知,曲線趨勢(shì)可以較好地反映出來。

    通過實(shí)車試驗(yàn)對(duì)上述優(yōu)化方法進(jìn)行驗(yàn)證。以地基增強(qiáng)的差分GPS采集車輛位置坐標(biāo),以攝像頭同步采集行駛圖片,試驗(yàn)設(shè)備如圖8所示。

    圖8 試驗(yàn)設(shè)備與安裝

    進(jìn)行場(chǎng)景切分和特征預(yù)提取優(yōu)化后,基于車道線提取的變道場(chǎng)景曲率預(yù)測(cè)的試驗(yàn)結(jié)果見圖9。

    與使用百度數(shù)據(jù)訓(xùn)練的優(yōu)化結(jié)果進(jìn)行對(duì)比,如表2所示。

    圖9 基于車道線提取的變道場(chǎng)景曲率預(yù)測(cè)試驗(yàn)驗(yàn)證

    表2 卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化結(jié)果試驗(yàn)驗(yàn)證

    由表2可知,試驗(yàn)數(shù)據(jù)訓(xùn)練結(jié)果相關(guān)系數(shù)略低于百度數(shù)據(jù)訓(xùn)練結(jié)果,而均方根誤差、預(yù)測(cè)正確率和方向正確率則略好。4項(xiàng)指標(biāo)數(shù)值上都較為接近,試驗(yàn)結(jié)果證明了基于車道線提取的卷積神經(jīng)網(wǎng)絡(luò)變道場(chǎng)景曲率預(yù)測(cè)方法的有效性。

    可見,經(jīng)過場(chǎng)景切分和特征預(yù)提取后,在相同的行為決策模式內(nèi),端到端學(xué)習(xí)對(duì)人類駕駛員的駕駛模式的模仿和預(yù)測(cè)性能有了大幅提高。

    4.2 BP神經(jīng)網(wǎng)絡(luò)變道場(chǎng)景行駛軌跡曲率預(yù)測(cè)

    在場(chǎng)景切分和特征預(yù)提取的系統(tǒng)方案中,已做出變道行為決策之后,前方車輛、障礙物等引發(fā)變道決策的因素可以不必繼續(xù)考慮,僅用車道線信息作為輸入,即可完成變道動(dòng)作。為此,可以使用神經(jīng)網(wǎng)絡(luò)直接實(shí)現(xiàn)車道線- 軌跡曲率的預(yù)測(cè)。變道場(chǎng)景下,本車道和目標(biāo)車道的車道線斜率和截距特征只需6個(gè)數(shù)據(jù)表達(dá),可以使用節(jié)點(diǎn)數(shù)量較少的BP神經(jīng)網(wǎng)絡(luò),結(jié)構(gòu)如圖10所示。

    圖10 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

    訓(xùn)練集為與卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)中相同的1 700張變道場(chǎng)景圖片車道線數(shù)據(jù)及對(duì)應(yīng)曲率,測(cè)試集為500張。訓(xùn)練結(jié)果見圖11。

    將均經(jīng)過場(chǎng)景切分和特征預(yù)提取優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)的車道線- 軌跡曲率預(yù)測(cè)與卷積神經(jīng)網(wǎng)絡(luò)端到端學(xué)習(xí)預(yù)測(cè)結(jié)果進(jìn)行對(duì)比,如表3所示。

    由表3可以看出,車道線- 軌跡曲率的預(yù)測(cè)結(jié)果在4項(xiàng)指標(biāo)上均優(yōu)于卷積神經(jīng)網(wǎng)絡(luò)的結(jié)果。這是因?yàn)锽P神經(jīng)網(wǎng)絡(luò)輸入的是純車道線信息,而卷積神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)中,雖然突出顯示了車道線,但是圖片中仍有天空、樹木等其它信息。同時(shí),這也體現(xiàn)了端到端學(xué)習(xí)的潛力,在數(shù)據(jù)量較大時(shí),可能學(xué)習(xí)到更多的有效特征。

    圖11 變道場(chǎng)景車道線- 軌跡曲率預(yù)測(cè)

    表3 車道線- 軌跡曲率與端到端學(xué)習(xí)預(yù)測(cè)對(duì)比

    由于實(shí)際駕駛的時(shí)空連續(xù)性,每一時(shí)刻的駕駛決策不僅與當(dāng)前時(shí)刻的環(huán)境輸入有關(guān),還與此前一段時(shí)間的環(huán)境輸入有關(guān)。據(jù)此進(jìn)行連續(xù)輸入優(yōu)化,將連續(xù)5張圖片所提取的車道線特征數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入,訓(xùn)練結(jié)果如圖12所示。

    圖12 連續(xù)輸入車道線- 軌跡曲率預(yù)測(cè)結(jié)果

    將車道線 軌跡曲率預(yù)測(cè)的5張連續(xù)圖片預(yù)測(cè)結(jié)果和單張輸入預(yù)測(cè)結(jié)果進(jìn)行對(duì)比,如表4所示。

    表4 車道線- 軌跡曲率預(yù)測(cè)連續(xù)輸入優(yōu)化

    由表4看出,連續(xù)5張圖片輸入下,各項(xiàng)指標(biāo)全面優(yōu)于單張圖片,說明考慮行駛的時(shí)空連續(xù)性使預(yù)測(cè)更為準(zhǔn)確。

    對(duì)上述性能最佳的BP神經(jīng)網(wǎng)絡(luò)連續(xù)輸入曲率預(yù)測(cè)結(jié)果,通過行駛軌跡 曲率換算模型計(jì)算行駛軌跡,并投影到道路平面進(jìn)行可視化,如圖13所示。白色實(shí)線為實(shí)際軌跡,黑色點(diǎn)為預(yù)測(cè)軌跡。

    圖13 連續(xù)輸入車道線- 軌跡曲率預(yù)測(cè)結(jié)果可視化

    由圖13可見,預(yù)測(cè)軌跡和實(shí)際軌跡較為接近,實(shí)現(xiàn)了較為準(zhǔn)確的軌跡預(yù)測(cè)。

    對(duì)連續(xù)輸入車道線- 軌跡曲率預(yù)測(cè)進(jìn)行試驗(yàn)驗(yàn)證,訓(xùn)練集取1 000張圖片數(shù)據(jù),測(cè)試集為470張,預(yù)測(cè)效果見圖14。

    圖14 連續(xù)輸入車道線- 軌跡曲率預(yù)測(cè)試驗(yàn)驗(yàn)證

    評(píng)價(jià)結(jié)果:均方根誤差 RMSE=1.5645×10-4m-1,相關(guān)系數(shù)r=0.9141,預(yù)測(cè)正確率96.0%,方向正確率98.7%。

    可以看出,試驗(yàn)驗(yàn)證結(jié)果的評(píng)價(jià)指標(biāo)反映出的性能較好,均方根誤差很小,相關(guān)系數(shù)、預(yù)測(cè)正確率和方向正確率均較高,說明在實(shí)際應(yīng)用中,在變道場(chǎng)景的固定決策模式下,僅用車道線信息進(jìn)行軌跡預(yù)測(cè)的方法是合理的。

    5 結(jié)論

    基于端到端學(xué)習(xí)機(jī)制,直接從圖像實(shí)現(xiàn)行駛軌跡曲率的準(zhǔn)確預(yù)測(cè),從而為實(shí)現(xiàn)車輛方向的直接控制提供依據(jù)。

    (1)建立了行駛軌跡曲率預(yù)測(cè)模型,實(shí)現(xiàn)了對(duì)行駛軌跡的量化表達(dá)。在此基礎(chǔ)上,建立了合理的行駛軌跡曲率預(yù)測(cè)評(píng)價(jià)體系。

    (2)使用卷積神經(jīng)網(wǎng)絡(luò)端到端學(xué)習(xí)模型,利用百度Roadhackers數(shù)據(jù)庫(kù),進(jìn)行了行駛軌跡曲率預(yù)測(cè),并指出行為決策的不定性帶來的困難,提出通過場(chǎng)景切分預(yù)先進(jìn)行行為決策,以實(shí)現(xiàn)預(yù)測(cè)性能優(yōu)化的思想。

    (3)以變道場(chǎng)景為例,通過車道線特征預(yù)提取實(shí)現(xiàn)了端到端學(xué)習(xí)預(yù)測(cè)性能優(yōu)化。此外,利用BP神經(jīng)網(wǎng)絡(luò),實(shí)現(xiàn)了從車道線特征到行駛軌跡曲率的預(yù)測(cè),并進(jìn)行了連續(xù)圖片數(shù)據(jù)輸入優(yōu)化。利用場(chǎng)景切分和特征預(yù)提取方法在變道場(chǎng)景下實(shí)現(xiàn)了較為準(zhǔn)確的軌跡預(yù)測(cè),并得到了試驗(yàn)驗(yàn)證。

    猜你喜歡
    曲率正確率車道
    大曲率沉管安裝關(guān)鍵技術(shù)研究
    一類雙曲平均曲率流的對(duì)稱與整體解
    北斗+手機(jī)實(shí)現(xiàn)車道級(jí)導(dǎo)航應(yīng)用
    避免跟車闖紅燈的地面車道線
    淺談MTC車道改造
    門診分診服務(wù)態(tài)度與正確率對(duì)護(hù)患關(guān)系的影響
    半正迷向曲率的四維Shrinking Gradient Ricci Solitons
    生意
    品管圈活動(dòng)在提高介入手術(shù)安全核查正確率中的應(yīng)用
    生意
    梓潼县| 寿阳县| 商都县| 通榆县| 肥西县| 井陉县| 射阳县| 从化市| 荥阳市| 婺源县| 岳阳市| 姚安县| 共和县| 个旧市| 隆尧县| 库伦旗| 台东市| 柞水县| 永丰县| 云和县| 阿荣旗| 安康市| 雅江县| 阿拉善左旗| 天台县| 九台市| 北京市| 水富县| 潜江市| 乌拉特后旗| 肇东市| 大港区| 沙坪坝区| 聊城市| 抚宁县| 简阳市| 洪泽县| 黔西县| 鄂托克旗| 新兴县| 元江|