CN108897313A - 一种分层式端到端车辆自动驾驶系统构建方法 - Google Patents

一种分层式端到端车辆自动驾驶系统构建方法 Download PDF

Info

Publication number
CN108897313A
CN108897313A CN201810498215.9A CN201810498215A CN108897313A CN 108897313 A CN108897313 A CN 108897313A CN 201810498215 A CN201810498215 A CN 201810498215A CN 108897313 A CN108897313 A CN 108897313A
Authority
CN
China
Prior art keywords
layer
output
automatic driving
driving system
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810498215.9A
Other languages
English (en)
Inventor
罗禹贡
王庭晗
李克强
陈锐
王礼坤
陈超义
杨殿阁
王建强
连小珉
郑四发
李升波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN201810498215.9A priority Critical patent/CN108897313A/zh
Publication of CN108897313A publication Critical patent/CN108897313A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G05D1/0253—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting relative motion information from a plurality of images taken successively, e.g. visual odometry, optical flow
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G05D1/028—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using a RF signal
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Electromagnetism (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种分层式端到端车辆自动驾驶系统构建方法，该方法将自动驾驶系统分为四层管理架构：第一层采用神经网络模型以摄像头原始采集的数据为输入，输出为隐层结果，仅包含交通环境特征；第二层采用两个神经网络模型，以第一层的输出为输入，输出分别为仅包含道路特征和道路参与者特征的隐层结果；第三层采用两个增强学习模型，以第二层的两个输出为输入，输出分别为仅考虑道路特征的车辆控制命令和仅考虑道路参与者特征的控制命令；第四层采用增强学习模型以第三层的两个输出为并列输入，输出终级车辆控制命令。相比于目前主流的端到端车辆自动驾驶方法，本方法结合了规则信息，能够提高端到端自动驾驶的可靠性。

Description

一种分层式端到端车辆自动驾驶系统构建方法
技术领域
本发明涉及车辆自动驾驶技术领域，特别是涉及一种基于深度学习的分层式端到端车辆自动驾驶方法。
背景技术
目前，实现车辆自动驾驶的主流方法包括“感知-决策-控制”方法和端到端方法，但是二者均面临诸多挑战。对于“感知-决策-控制”方法来说，其传感器信号由于人为进行提取，从而存在信息丢失的问题，其决策过程由于是基于规则的决策，因此难以全面定义行驶工况，而其控制过程多数基于模型控制，但难以对车辆进行精确建模；对于端到端方法来说，存在着传感器原始输入的无效信息过多、难以发现有效信息，输入与输出之间的映射定义易出错，难以进行多目标优化等问题。
因此，希望有一种车辆自动驾驶方法能够克服或至少减轻现有技术的上述缺陷中的至少一个。
发明内容
为克服上述现有技术之不足，本发明着力于提供一种分层式端到端车辆自动驾驶系统构建方法，其目的在于解决或至少减轻现有技术的上述缺陷中的至少一个。该方法能够获得较为可靠的自动驾驶效果。
本发明解决以上技术问题所采用的技术方案如下：一种分层式端到端车辆自动驾驶系统构建方法，所述方法是基于神经网络模型和增强学习模型，将自动驾驶系统搭建为四层管理架构：
第一层采用一个神经网络模型，以包括摄像头在内的传感器原始采集的数据为输入，以神经网络的隐层结果为输出，其中输出仅包含交通环境特征；
第二层并列采用两个神经网络模型，以所述第一层的输出结果为输入，以本层神经网络的隐层结果为输出，其中两个输出分别仅包含道路特征和道路参与者特征；
第三层并列采用两个增强学习模型，分别以所述第二层的两个输出结果为输入，输出分别为仅考虑道路特征的车辆控制命令和仅考虑道路参与者特征的控制命令；
第四层采用一个增强学习模型，以所述第三层的两个输出结果为并列输入，输出为包含有道路特征和道路参与者特征的终级车辆控制命令。
所述隐层结果是一种不为人类可直观理解的表现形式。
所述交通环境特征中包含有道路特征和道路参与者特征。
输出的终级车辆控制命令，包括有方向盘转角、油门踏板开度和刹车踏板开度命令。
所述第一层和第二层采用的神经网络模型为深度卷积神经网络模型。
所述第三层采用的两个增强学习模型，其中，用于输出含有道路特征的车辆控制命令的增强学习模型，为深度增强学习模型；用于输出含有道路参与者特征的车辆控制命令的增强学习模型，为结合循环神经网络的深度增强学习模型。
所述第四层采用的增强学习模型，为深度增强学习模型。
各层中的模型，在仿真系统中经过逐层循环训练，得以确定。
本发明提出的一种基于深度学习的分层式端到端的自动驾驶方法，通过结合卷积神经网络、循环神经网络、深度增强学习模型构建分层式框架实现自动驾驶，相比于传统的“感知-决策-控制”框架，本方法能够保证信息不会损失，并且各种场景之间的过渡更加平滑，对车辆模型精度的依赖性较低；相对于目前的端到端自动驾驶方法，本方法提供了中间结果输出，更易调试，且对于规则有了一定程度的结合，具有更好的可解释性。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制。
图1为本发明基于深度学习的分层式端到端车辆自动驾驶方法模型架构图。
具体实施方式
下面详细介绍本发明的实施。
本发明是一种基于深度学习和增强学习相结合的自动驾驶方法，在实施例中，采用深度卷积神经网络、循环神经网络模型和增强学习模型相结合的方法实现端到端自动驾驶。
该方法的实施概括为如下步骤：
1.前方道路图像数据的采集；
2.图像的标定；
3.搭建各深度卷积神经网络模型和深度增强学习模型的层级关系；
4.编写深度卷积神经网络模型和深度增强学习模型的代码；
5.搭建仿真系统；
6.逐层训练各层模型；
7.仿真调试，并对模型进行在线更新。
下面一一叙述各步骤的实现：
1.前方道路图像数据的采集
为了训练深度卷积神经网络模型，需要大量的训练集，因此需要采集实际前方道路图像。为了配合之后模型训练的需要，采集过程中需要将单目摄像头安装于前挡风玻璃正中央，并采集其拍摄的前方道路图像。
2.图像标定
为了训练深度卷积神经网络模型，需要对采集的图像进行标定：为了提取交通环境特征，需要将前方道路图像中的交通环境沿边框标出，交通环境中包括有车辆、行人、骑车人、交通信号灯、交通指示符、建筑、车道、人行道、树木等道路和道路参与者特征；为了提取道路特征，需要将前方道路图像中的道路沿边框标出；为了提取道路参与者特征，需要将前方道路图像中的道路参与者沿边框标出。
3.搭建各深度卷积神经网络模型和深度增强学习模型的层级关系
将系统模型按训练程度分层搭建，呈现为上下级关系，本发明采取四层架构模型，如图1所示，将深度卷积神经网络模型I设定为第一层(基础层)训练模型，直接获取摄像头拍摄的前方道路图像信息，输出具有交通环境特征的不为人类可直观理解形式(图像或物理量)的中间隐层结果，这种结果一般是数字矩阵的表现形式。
将深度卷积神经网络模型II、深度卷积神经网络模型III并列设定为第二层训练模型，输入都是由第一层深度卷积神经网络模型I所输出的具有交通环境特征的中间结果，其中，深度卷积神经网络模型II输出的是提取到的具有道路特征的同样是不为人类可直观理解形式的中间隐层结果；深度卷积神经网络模型III输出的是提取到的具有道路参与者特征的不为人类可直观理解形式的中间隐层结果。
将深度增强学习模型I、结合循环神经网络的深度增强学习模型II设定为并列的第三层训练模型，其中，深度增强学习模型I的输入为第二层的深度卷积神经网络模型II输出的具有道路特征的中间隐层结果，输出为在此输入基础上形成的控制命令1；结合循环神经网络的深度增强学习模型II的输入为第二层的深度卷积神经网络模型III输出的具有道路参与者特征的中间隐层结果，输出为在此输入基础上形成的控制命令2。
将深度增强学习模型III设定为第四层训练模型，输入为控制命令1和控制命令2，输出为控制命令3，用于进行车辆总控制。
4.编写深度卷积神经网络和深度增强学习模型的代码
在开源软件库(Tensorflow，一种已知的软件库)的支持下，编写三个深度卷积神经网络模型、三个深度增强学习模型的代码；上述6个模型在图1中分别记为深度卷积神经网络模型I、II、III，深度增强学习模型I、III，结合循环神经网络的深度增强学习模型II。
5.搭建仿真系统
利用仿真软件PreScan(一款已知的软件)搭建城市道路工况，搭建过程包括如下步骤：
(1)搭建道路交通环境，包括车辆、行人、骑车人、交通信号灯、交通指示符、建筑、车道，人行道、树木等。
(2)搭建自车模型的传感器模块，包括单目摄像头模型，用于采集前方道路图像；
(3)搭建自车模型的执行器模块，能够根据控制算法的输出量，响应出具体动作，将相关的力施加到车辆模型上。
6.逐层训练各模型
训练过程包括如下步骤：
(1)以安装于前挡风玻璃正中央的摄像头采集的图像信息为原始输入，利用采集的前方道路图像包括交通环境标记训练深度卷积神经网络模型I，使其能提取交通环境特征，包括路面、车道线、车辆、行人、骑车人、交通信号灯、交通指示符等；
(2)以上述输出的交通环境特征为输入，采用深度卷积神经网络模型II提取其中的道路特征，训练深度卷积神经网络模型II，使其能提取道路特征，包括路面、车道线、交通信号灯、交通指示符等；
(3)以上述输出的交通环境特征为输入，采用深度卷积神经网络模型III提取其中的道路参与者特征，训练深度卷积神经网络模型III，使其能提取道路参与者特征，包括车辆、行人、骑车人等；
(3)设计仅有道路信息输入条件下的环境多目标回报函数，以下形式不唯一：
其中，x为系统状态，cost_function(x)表示x的目标函数；
随后以提取到的道路特征为输入，在仿真环境中训练深度增强学习模型I，输出车辆控制命令1，包括方向盘转角、油门踏板开度和刹车踏板开度。
(4)设计仅有道路参与者信息输入条件下的环境多目标回报函数，以下形式不唯一：
随后以提取到的道路参与者特征为输入，在仿真环境中训练结合循环神经网络的深度增强学习模型II，输出车辆控制命令2，包括方向盘转角、油门踏板开度和刹车踏板开度。
由于道路参与者是动态的，因此需要结合循环神经网络以输入时间信息，故在仿真环境中训练结合循环神经网络的深度增强学习模型，输出车辆控制结果。
(5)以深度增强学习模型I、结合循环神经网络的深度增强学习模型II的输出即控制命令1、控制命令2，以及这两个模型的回报函数值为输入，在仿真环境中训练深度增强学习模型III，其回报函数为增强学习模型I和增强学习模型II的回报函数之和，输出车辆控制命令3，包括方向盘转角、油门踏板开度和刹车踏板开度。
7.仿真调试，并对模型进行在线更新
搭建更加多样的城市道路工况，利用之前的模型进行仿真试验，并对增强学习模型进行进一步训练。
本发明设计四层架构模型，架构第一层用于提取交通环境特征，其主要作用是为剔除与车辆控制无关的输入，避免输出与这些与车辆控制无关的输入产生错误的对应关系，但是这一层的输出形式并非为图像或物理量等直观人类可理解的形式，而是一种隐层结果，是为了避免因人为筛选信息而造成的信息丢失。
架构第二层以第一层输出为输入，分别输出道路和道路参与者特征，其主要作用为分离道路和道路参与者，避免在进行车辆控制时控制命令仅侧重于其中一种的影响。这一层的输出形式同样也不是图像和物理量等人类直观理解的形式，其目的也是为了避免因人为筛选信息而造成的信息丢失。
架构第三层以第二层输出为输入，分别输出控制命令，由于在第二层中分离了道路特征和道路参与者特征，因此需要在仅考虑道路和仅考虑道路参与者的情况下分别输出控制结果。
架构第四层以第三层输出为输入，输出最终的控制命令。由于车辆实际行驶时需要动态考虑道路和道路参与者的影响，因此需要在最后融合第三层的输出，输出最终的控制命令。

Claims (8)

1.一种分层式端到端车辆自动驾驶系统构建方法，其特征在于：所述方法基于神经网络模型和增强学习模型，将自动驾驶系统搭建为四层管理架构：
第一层采用一个神经网络模型，以包括摄像头在内的传感器原始采集的数据为输入，以神经网络的隐层结果为输出，其中输出仅包含交通环境特征；
第二层并列采用两个神经网络模型，以所述第一层的输出结果为输入，以本层神经网络的隐层结果为输出，其中两个输出分别仅包含道路特征和道路参与者特征；
第三层并列采用两个增强学习模型，分别以所述第二层的两个输出结果为输入，输出分别为仅考虑道路特征的车辆控制命令和仅考虑道路参与者特征的控制命令；
第四层采用一个增强学习模型，以所述第三层的两个输出结果为并列输入，输出为包含有道路特征和道路参与者特征的终级车辆控制命令。
2.根据权利要求1所述的分层式端到端车辆自动驾驶系统构建方法，其特征在于：所述隐层结果是一种不为人类可直观理解的表现形式。
3.根据权利要求1所述的分层式端到端车辆自动驾驶系统构建方法，其特征在于：所述交通环境特征中包含有道路特征和道路参与者特征。
4.根据权利要求1所述的分层式端到端车辆自动驾驶系统构建方法，其特征在于：输出的终级车辆控制命令，包括有方向盘转角、油门踏板开度和刹车踏板开度命令。
5.根据权利要求1所述的分层式端到端车辆自动驾驶系统构建方法，其特征在于：所述第一层和第二层采用的神经网络模型为深度卷积神经网络模型。
6.根据权利要求1所述的分层式端到端车辆自动驾驶系统构建方法，其特征在于：所述第三层采用的两个增强学习模型，其中，
用于输出含有道路特征的车辆控制命令的增强学习模型，为深度增强学习模型；
用于输出含有道路参与者特征的车辆控制命令的增强学习模型，为结合循环神经网络的深度增强学习模型。
7.根据权利要求1所述的分层式端到端车辆自动驾驶系统构建方法，其特征在于：所述第四层采用的增强学习模型，为深度增强学习模型。
8.根据权利要求1所述的分层式端到端车辆自动驾驶系统构建方法，其特征在于：各层中的模型，在仿真系统中经过逐层循环训练，得以确定。
CN201810498215.9A 2018-05-23 2018-05-23 一种分层式端到端车辆自动驾驶系统构建方法 Pending CN108897313A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810498215.9A CN108897313A (zh) 2018-05-23 2018-05-23 一种分层式端到端车辆自动驾驶系统构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810498215.9A CN108897313A (zh) 2018-05-23 2018-05-23 一种分层式端到端车辆自动驾驶系统构建方法

Publications (1)

Publication Number Publication Date
CN108897313A true CN108897313A (zh) 2018-11-27

Family

ID=64343783

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810498215.9A Pending CN108897313A (zh) 2018-05-23 2018-05-23 一种分层式端到端车辆自动驾驶系统构建方法

Country Status (1)

Country Link
CN (1) CN108897313A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109598934A (zh) * 2018-12-13 2019-04-09 清华大学 一种基于规则与学习模型的无人驾驶汽车驶离高速的方法
CN109656134A (zh) * 2018-12-07 2019-04-19 电子科技大学 一种基于时空联合递归神经网络的智能车端到端决策方法
CN109878508A (zh) * 2019-02-28 2019-06-14 东软睿驰汽车技术（沈阳）有限公司 一种端到端自动驾驶的方法及装置
CN109976153A (zh) * 2019-03-01 2019-07-05 北京三快在线科技有限公司 控制无人驾驶设备及模型训练的方法、装置及电子设备
CN110147101A (zh) * 2019-05-13 2019-08-20 中山大学 一种基于深度强化学习的端到端分布式多机器人编队导航方法
CN110281949A (zh) * 2019-06-28 2019-09-27 清华大学 一种自动驾驶统一分层决策方法
CN111899594A (zh) * 2019-05-06 2020-11-06 百度（美国）有限责任公司 用于自动驾驶车辆的动态模型的自动化训练数据提取方法
WO2021146905A1 (zh) * 2020-01-21 2021-07-29 深圳元戎启行科技有限公司 基于深度学习的场景模拟器构建方法、装置和计算机设备
CN113264059A (zh) * 2021-05-17 2021-08-17 北京工业大学 支持多驾驶行为的基于深度强化学习的无人车运动决策控制方法
CN113264043A (zh) * 2021-05-17 2021-08-17 北京工业大学 基于深度强化学习的无人驾驶分层运动决策控制方法
CN113811915A (zh) * 2019-02-26 2021-12-17 北京嘀嘀无限科技发展有限公司 用于在线共享出行平台的统一订单派发和车队管理

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106873566A (zh) * 2017-03-14 2017-06-20 东北大学 一种基于深度学习的无人驾驶物流车
CN106970615A (zh) * 2017-03-21 2017-07-21 西北工业大学 一种深度强化学习的实时在线路径规划方法
CN106990714A (zh) * 2017-06-05 2017-07-28 李德毅 基于深度学习的适配控制方法与装置
CN107563332A (zh) * 2017-09-05 2018-01-09 百度在线网络技术（北京）有限公司 用于确定无人车的驾驶行为的方法和装置
CN107808360A (zh) * 2017-09-05 2018-03-16 百度在线网络技术（北京）有限公司 一种端到端自动驾驶系统的数据处理方法及装置
CN107826105A (zh) * 2017-10-31 2018-03-23 清华大学 半透明自动驾驶人工智能系统及车辆
US20180107215A1 (en) * 2016-10-17 2018-04-19 Uber Technologies, Inc. Neural network system for autonomous vehicle control
CN107944375A (zh) * 2017-11-20 2018-04-20 北京奇虎科技有限公司 基于场景分割的自动驾驶处理方法及装置、计算设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180107215A1 (en) * 2016-10-17 2018-04-19 Uber Technologies, Inc. Neural network system for autonomous vehicle control
CN106873566A (zh) * 2017-03-14 2017-06-20 东北大学 一种基于深度学习的无人驾驶物流车
CN106970615A (zh) * 2017-03-21 2017-07-21 西北工业大学 一种深度强化学习的实时在线路径规划方法
CN106990714A (zh) * 2017-06-05 2017-07-28 李德毅 基于深度学习的适配控制方法与装置
CN107563332A (zh) * 2017-09-05 2018-01-09 百度在线网络技术（北京）有限公司 用于确定无人车的驾驶行为的方法和装置
CN107808360A (zh) * 2017-09-05 2018-03-16 百度在线网络技术（北京）有限公司 一种端到端自动驾驶系统的数据处理方法及装置
CN107826105A (zh) * 2017-10-31 2018-03-23 清华大学 半透明自动驾驶人工智能系统及车辆
CN107944375A (zh) * 2017-11-20 2018-04-20 北京奇虎科技有限公司 基于场景分割的自动驾驶处理方法及装置、计算设备

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHENYI CHEN: "DeepDriving: Learning Affordance for Direct Perception in Autonomous Driving", 《COMPUTER SCIENCE》 *
MARIO MUNOZ-ORGANERO: "Automatic detection of traffic lights, street crossings and urban roundaboutscombining outlier detection and deep learning classification techniquesbased on GPS traces while driving", 《COMPUTERS, ENVIRONMENT AND URBAN SYSTEMS》 *
王德宇: "基于深度学习的车辆检测方法", 《计算机与现代化》 *
邹斌: "基于端到端深度学习的智能车自动转向研究", 《计算机应用研究》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109656134A (zh) * 2018-12-07 2019-04-19 电子科技大学 一种基于时空联合递归神经网络的智能车端到端决策方法
CN109598934A (zh) * 2018-12-13 2019-04-09 清华大学 一种基于规则与学习模型的无人驾驶汽车驶离高速的方法
CN109598934B (zh) * 2018-12-13 2020-11-06 北京超星未来科技有限公司 一种基于规则与学习模型的无人驾驶汽车驶离高速的方法
CN113811915A (zh) * 2019-02-26 2021-12-17 北京嘀嘀无限科技发展有限公司 用于在线共享出行平台的统一订单派发和车队管理
CN113811915B (zh) * 2019-02-26 2024-05-31 北京嘀嘀无限科技发展有限公司 用于在线共享出行平台的统一订单派发和车队管理
CN109878508A (zh) * 2019-02-28 2019-06-14 东软睿驰汽车技术（沈阳）有限公司 一种端到端自动驾驶的方法及装置
CN109878508B (zh) * 2019-02-28 2021-04-06 东软睿驰汽车技术（沈阳）有限公司 一种端到端自动驾驶的方法及装置
CN109976153A (zh) * 2019-03-01 2019-07-05 北京三快在线科技有限公司 控制无人驾驶设备及模型训练的方法、装置及电子设备
WO2020177417A1 (zh) * 2019-03-01 2020-09-10 北京三快在线科技有限公司 控制无人驾驶设备及训练模型
US11704554B2 (en) 2019-05-06 2023-07-18 Baidu Usa Llc Automated training data extraction method for dynamic models for autonomous driving vehicles
CN111899594A (zh) * 2019-05-06 2020-11-06 百度（美国）有限责任公司 用于自动驾驶车辆的动态模型的自动化训练数据提取方法
CN110147101A (zh) * 2019-05-13 2019-08-20 中山大学 一种基于深度强化学习的端到端分布式多机器人编队导航方法
CN110147101B (zh) * 2019-05-13 2020-05-22 中山大学 一种基于深度强化学习的端到端分布式多机器人编队导航方法
CN110281949A (zh) * 2019-06-28 2019-09-27 清华大学 一种自动驾驶统一分层决策方法
CN113490940A (zh) * 2020-01-21 2021-10-08 深圳元戎启行科技有限公司 基于深度学习的场景模拟器构建方法、装置和计算机设备
WO2021146905A1 (zh) * 2020-01-21 2021-07-29 深圳元戎启行科技有限公司 基于深度学习的场景模拟器构建方法、装置和计算机设备
CN113490940B (zh) * 2020-01-21 2024-07-23 深圳元戎启行科技有限公司 基于深度学习的场景模拟器构建方法、装置和计算机设备
CN113264059A (zh) * 2021-05-17 2021-08-17 北京工业大学 支持多驾驶行为的基于深度强化学习的无人车运动决策控制方法
CN113264043A (zh) * 2021-05-17 2021-08-17 北京工业大学 基于深度强化学习的无人驾驶分层运动决策控制方法

Similar Documents

Publication Publication Date Title
CN108897313A (zh) 一种分层式端到端车辆自动驾驶系统构建方法
CN110647839B (zh) 自动驾驶策略的生成方法、装置及计算机可读存储介质
CN110304075B (zh) 基于混合动态贝叶斯网络和高斯过程的车辆轨迹预测方法
CN110427827A (zh) 一种多尺度感知及全局规划下的自主驾驶网络
CN109977793A (zh) 基于变尺度多特征融合卷积网络的路侧图像行人分割方法
CN109977812A (zh) 一种基于深度学习的车载视频目标检测方法
CN103164579B (zh) 一种实现微观交通仿真器与驾驶模拟器交互式一体化实验平台的方法
CN113525357B (zh) 自动泊车决策模型优化系统及方法
CN114168457A (zh) 自动驾驶汽车测试场景生成方法及系统
CN114035575B (zh) 基于语义分割的无人驾驶车辆运动规划方法及系统
CN110751847A (zh) 一种自动驾驶车辆行为决策方法及系统
CN110182217A (zh) 一种面向复杂超车场景的行驶任务复杂度量化评估方法
CN113552883A (zh) 基于深度强化学习的地面无人车自主驾驶方法及系统
CN115523934A (zh) 一种基于深度学习的车辆轨迹预测方法及系统
CN110619340B (zh) 一种自动驾驶汽车换道规则的生成方法
CN114170488A (zh) 基于条件模仿学习和强化学习的自动驾驶方法
CN113077642A (zh) 一种交通信号灯控制方法、装置及计算机可读存储介质
CN119417671B (zh) 基于强化学习的智驾场景自适应教学方法及系统
DE102021201177A1 (de) Computerimplementiertes Verfahren und Computerprogramm zur Generierung von Fahrstrecken für ein automatisiertes Fahrsystem
CN118861963A (zh) 一种基于多模态输入的端到端自动驾驶换道决策方法
CN118228612A (zh) 一种基于强化学习的自然性自动驾驶场景生成方法及装置
CN114620059A (zh) 一种自动驾驶方法及其系统、计算机可读存储介质
CN111488674A (zh) 一种平面交叉口车辆运行轨迹模拟方法
CN117799637A (zh) 一种基于模仿学习的可变驾驶风格的自动驾驶决策方法
CN116946183A (zh) 一种考虑驾驶能力的商用车驾驶行为预测方法及车用设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20181127

RJ01 Rejection of invention patent application after publication