CN114872735A - 基于神经网络算法的自动驾驶物流车辆决策方法和装置 - Google Patents

Abstract

本发明涉及无人驾驶技术领域，具体而言，涉及基于神经网络算法的自动驾驶物流车辆决策方法和装置，所述方法包括对自动驾驶车辆周围环境图像进行获取和识别，并根据自动驾驶车辆周围环境图像内的目标进行检测和分类，其中相邻两帧图像进行对比，判断所述图像内的目标位置是否变化，若变化则判定为运动目标，若无变化则判定为静止目标，进而通过建立三维空间坐标来划分自动驾驶车辆周围的区域，并对运动目标进行位置变化预测，进而基于运动目标的预测位置进行决策，其中通过训练后的决策模型确定决策方法。这样可以实时对自动驾驶车辆进行控制，并在突发事件发生时，自动驾驶车辆能立即进行决策，进而防止事故发生。

Description

基于神经网络算法的自动驾驶物流车辆决策方法和装置

技术领域

本发明涉及无人驾驶技术领域，具体而言，涉及基于神经网络算法的自动驾驶物流车辆决策方法和装置。

背景技术

目前部分新能源纯电动汽车厂家已配置具有自动驾驶功能或辅助驾驶功能（部分自动驾驶）的汽车，上述自动驾驶汽车可根据需要自主行驶并执行任务。在出现简单意外情况时，无人驾驶设备通常可以自行解决问题，例如在车辆运行过程中遇到单个行人穿过，配送用无人驾驶设备往往可以自动进行决策是否减速，或者停止，但是当前方出现多个行人或多个其他障碍物或环境较为复杂时，往往因无法精确识别或识别目标过多导致识别错误或识别速度降低，必须人为的进行判断和预测是否会撞到行人或障碍物，或者进行海量的复杂优化算法后的自动驾驶方法进行控制，而当道路环境发生变化时，该自动算法往往又无法使用。

但是，在物流配送领域中，无人驾驶汽车已经实现了在没有太多外界干扰的情况下自行根据规划路径行驶，这是由于对配送用车辆来说，该类车辆行驶的路线一般较为固定，仅在行驶路线中遇到不同的决策需要，即该类车辆的道路信息是可以认为已知不变的，仅环境变化；因此对这一类车辆，如使用现有的自动驾驶类车辆的自动驾驶设备成本过高；

针对以上情况，可以考虑单一物流配送用车辆的行驶线路单一，因此可以针对这样的情况通过提前采集环境信息进行相关决策训练，使行驶不同路线的配送车辆具有各自的决策模型，更好的降低成本，并提高自动驾驶过程中的判断精度和判断速度。

发明内容

本发明的目的在于提供基于神经网络算法的自动驾驶物流车辆决策方法和装置，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：

一方面，本申请提供了基于神经网络算法的自动驾驶物流车辆决策方法，所述方法包括：

获取第一信息和第二信息，所述第一信息包括自动驾驶车辆周围环境的图像信息，所述第二信息包括自动驾驶车辆紧急制动距离、常规制动距离和经济制动距离；

将所述第一信息进行目标检测和分类，得到分类后的目标信息，所述分类后的目标信息为对第一信息进行目标检测，并对检测得到的目标信息进行分类得到的信息；

基于所述分类后的目标信息和所述第二信息构建空间直角坐标系，并对构建后的空间直角坐标系进行区域划分，得到划分区域后的空间直角坐标系；

将所述分类后的目标信息和划分区域后的空间直角坐标系发送至预测模型进行预测，得到预测结果，所述预测结果为分类后的目标信息在所述划分区域后的空间直角坐标系的预测位置；

将所述预测结果发送至训练后的自动驾驶决策模型，得到自动驾驶车辆的运动决策方案。

第二方面，本申请实施例提供了一种基于神经网络算法的自动驾驶物流车辆决策装置，包括：

获取单元，用于获取第一信息和第二信息，所述第一信息包括自动驾驶车辆周围环境的图像信息，所述第二信息包括自动驾驶车辆紧急制动距离、常规制动距离和经济制动距离；

第一处理单元，用于将所述第一信息进行目标检测和分类，得到分类后的目标信息，所述分类后的目标信息为对第一信息进行目标检测，并对检测得到的目标信息进行分类得到的信息；

第二处理单元，用于基于所述分类后的目标信息和所述第二信息构建空间直角坐标系，并对构建后的空间直角坐标系进行区域划分，得到划分区域后的空间直角坐标系；

预测单元，用于将所述分类后的目标信息和划分区域后的空间直角坐标系发送至预测模型进行预测，得到预测结果，所述预测结果为分类后的目标信息在所述划分区域后的空间直角坐标系的预测位置；

发送单元，用于将所述预测结果发送至训练后的自动驾驶决策模型，得到自动驾驶车辆的运动决策方案。

第三方面，本申请实施例提供了一种基于神经网络算法的自动驾驶物流车辆决策设备，所述设备包括存储器和处理器。存储器用于存储计算机程序；处理器用于执行所述计算机程序时实现上述基于神经网络算法的自动驾驶物流车辆决策方法的步骤。

第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于神经网络算法的自动驾驶物流车辆决策方法的步骤。

本发明的有益效果为：

本发明通过对自动驾驶车辆周围环境图像进行获取和识别，并根据自动驾驶车辆周围环境图像内的目标进行检测和分类，其中相邻两帧图像进行对比，判断所述图像内的目标位置是否变化，若变化则判定为运动目标，若无变化则判定为静止目标，进而通过建立三维空间坐标来划分自动驾驶车辆周围的区域，并对运动目标进行位置变化预测，进而基于运动目标的预测位置进行决策，其中通过训练后的决策模型确定决策方法。这样可以实时对自动驾驶车辆进行控制，并在突发事件发生时，自动驾驶车辆能立即进行决策，进而防止事故发生；

本发明能够在复杂环境下，自动判断周围环境情况，进而判断是否需要减速或作出其他决策，实现不同环境下作出不同决策，并且由于配送物品是一条规划好的路线，不同的路线本发明会产生不同的决策。

本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例中所述的基于神经网络算法的自动驾驶物流车辆决策方法流程示意图；

图2为本发明实施例中所述的基于神经网络算法的自动驾驶物流车辆决策装置结构示意图；

图3是本发明实施例中所述的基于神经网络算法的自动驾驶物流车辆决策设备结构示意图。

图中标记：701、获取单元；702、第一处理单元；703、第二处理单元；704、预测单元；705、发送单元；7021、第一处理子单元；7022、第二处理子单元；7023、第一分类子单元；7031、计算子单元；7032、第三处理子单元；7033、第四处理子单元；7041、第五处理子单元；7042、第六处理子单元；7043、第七处理子单元；7051、第一获取子单元；7052、第八处理子单元；7053、第九处理子单元；70431、第二获取子单元；70432、第一训练子单元；70433、第二训练子单元；70434、第一对比子单元；70435、第二对比子单元；800、基于神经网络算法的自动驾驶物流车辆决策设备；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

实时例1

如图1所示，本实施例提供了基于神经网络算法的自动驾驶物流车辆决策方法，其所述方法包括步骤S1、步骤S2、步骤S3、步骤S4和步骤S5。

步骤S1、获取第一信息和第二信息，所述第一信息包括自动驾驶车辆周围环境的图像信息，所述第二信息包括自动驾驶车辆紧急制动距离、常规制动距离和经济制动距离；

可以理解的是本申请通过时刻获取自动驾驶车辆周围环境的图像信息，进而判断是否可能会有突发情况发生，例如行人突然横穿马路等情况，其中第二信息中的紧急制动距离、常规制动距离和经济制动距离，均可以根据车辆当前速度、车辆制动力大小、路面附着系数计算得出，其中路面附着系数可初始设置为一个固定值，然后从导航信息中根据不同路况和不同环境下调整，所述车辆周围环境的图像信息可以为车辆正前方的图像信息，或正前方、正后方图像信息，或以车辆为中心周围一定圆形区域内的图像信息。

可以理解的是对电动汽车来说，紧急制动距离为电驱动制动装置制动力100%+能量回收制动装置制动力100%下的制动距离，常规制动距离为电驱动制动装置制动力1%-99%，能量回收制动装置制动力100%下的制动距离；经济制动距离为仅能量回收制动装置制动力100%下的制动距离；对应的，紧急制动距离、经济制动距离各自对应的半径为定值，常规制动距离对应的半径为可变值，该可变值由之后的位置预测模型进行目标位置预测，进而推导得到不同行车速度范围，然后设置为多个定值作为常规制动距离，在目标位置在不同的行车速度范围内得到不同的常规制动距离。

可以理解的是上述自动驾驶车辆为固定行驶路线的自动驾驶车辆，其中自动驾驶车辆的固定路线可以随时进行调整，针对于不同路线的自动驾驶车辆，本发明也可以使用。

步骤S2、将所述第一信息进行目标检测和分类，得到分类后的目标信息，所述分类后的目标信息为对第一信息进行目标检测，并对检测得到的目标信息进行分类得到的信息；

可以理解的是本发明中的目标检测是检测的移动目标和静止目标，其中移动目标和静止目标为相对的，因为自动驾驶车辆的在行驶过程中，其他不同行驶方向和不同速度的目标均是相对运动的，因此需要本发明中的运动目标为相对运动的目标，例如行人在路边没有动，但是自动驾驶车辆在运动，因此行人和自动驾驶车辆是相对运动的，因此在路边没有动的行人也算相对运动目标，进而在自动驾驶车辆向行人行驶时，也会将行人作为运动目标进行判断和预测是否会撞上去，进而进行自动决策进行减速、急停或者换道等操作。

可以理解的是本发明通过判断目标是移动目标和静止目标来为之后的移动目标在不同时间段的距离预测做准备，静止目标则不会进行预测，减少预测计算量并增加预测的准确性。

步骤S3、基于所述分类后的目标信息和所述第二信息构建空间直角坐标系，并对构建后的空间直角坐标系进行区域划分，得到划分区域后的空间直角坐标系；

可以理解的是本发明通过基于自动驾驶车辆为原点建立空间直角坐标系，进而将所有目标在空间直角坐标系内，并对空间直角坐标系进行区域划分，判断空间直角坐标系内的急停区域和减速区域是否有目标点存在，若有目标点存在则会将目标点的位置发送至自动驾驶决策模型进行决策，得到决策方案，并基于决策方案来控制自动驾驶车辆。

步骤S4、将所述分类后的目标信息和划分区域后的空间直角坐标系发送至预测模型进行预测，得到预测结果，所述预测结果为分类后的目标信息在所述划分区域后的空间直角坐标系的预测位置；

可以理解的是本发明通过对空间直角坐标系内的目标信息进行位置预测，其中静止目标的位置则自动不变，移动目标的位置则基于训练后的位置预测模型进行预测，其中采用LSTM算法对不同时间的不同位置进行预测，确定自动驾驶车辆的不同时间移动目标的不同位置，进而为之后的决策方案提供信息，防止移动目标与无人驾驶车辆发生事故。

可以理解的是本步骤中的训练后的位置预测模型是基于LSTM算法建立的神经网络模型，其中通过将分类后的历史目标信息和划分区域后的空间直角坐标系进行对应，得到分类后的历史目标的位置信息，将分类后的历史目标的坐标信息作为输入信息发送至基于LSTM算法建立的神经网络进行处理，得到分类后的历史目标的预测坐标信息，然后将所述分类后的历史目标的预测坐标信息和其对应的分类后的历史目标的实际坐标信息进行对比，得到一个对比结果，然后判断所述对比结果是否符合要求，若不符合要求，则调整LSTM算法的预测参数，并将所述分类后的历史目标的预测坐标信息作为新的输入发送至调整参数后的神经网络模型，并重复多次判断和调整参数，直至所述判断结果符合要求，最终得到神经网络模型的输出结果为符合要求的预测结果，进而得到训练后的神经网络模型；而在使用训练后的神经网络模型时直接将所述分类后的目标信息和划分区域后的空间直角坐标系发送至训练后的神经网络模型就可直接得到一个输出，所述输出为分类后的目标信息在所述划分区域后的空间直角坐标系的预测位置。

步骤S5、将所述预测结果发送至训练后的自动驾驶决策模型，得到自动驾驶车辆的运动决策方案。

可以理解的是上述步骤是通过对不同时间的不同预测结果进行判断，进而对自动驾驶车辆进行决策，控制所述自动驾驶车辆进行运行，其中若预测结果为所述在之后的一段时间内所述移动目标的预测位置在急停区域或者减速区域，则自动驾驶车辆会进行减速或者急停，并且自动驾驶决策模型会基于历史决策对神经网络进行训练，进而可以在移动目标移动至与历史位置相同时，做出同样的决策来保障车辆正常运行。

可以理解的是本发明通过对自动驾驶车辆周围环境图像进行获取和识别，并根据自动驾驶车辆周围环境图像内的目标进行检测和分类，其中相邻两帧图像进行对比，判断所述图像内的目标位置是否变化，若变化则判定为运动目标，若无变化则判定为静止目标，进而通过建立三维空间坐标来划分自动驾驶车辆周围的区域，并对运动目标进行位置变化预测，进而基于运动目标的预测位置进行决策，其中通过训练后的决策模型确定决策方法。这样可以实时对自动驾驶车辆进行控制，并在突发事件发生时，自动驾驶车辆能立即进行决策，进而防止事故发生。

可以理解的是当第一信息中的运动目标进入经济制动距离半径，车辆可选择减速继续行驶或减速停车或变道加速超车，当第一信息中的运动目标进入常规制动距离，车辆可选择减速继续行驶或减速停车或变道行驶，变道后重新计算；当第一信息中的运动目标进入紧急制动距离半径，车辆可选择减速继续行驶或减速停车，或在两侧道路没有其他车辆的情况下减速变道避让，变道后如未发生碰撞重新计算，如发生碰撞则减速停车。

在本公开的一种具体实施方式中，所述步骤S2包括步骤S21、步骤S22和步骤S23。

步骤S21、将所述第一信息发送至目标检测模型进行目标检测，得到至少两个目标框选图像；

可以理解的是本发明通过目标检测模型对图像进行检测，其中将目标图像进行框选，进而可以通过框选目标来判断目标的中心点，为之后的关键点做准备。

步骤S22、将所有的所述目标框选图像发送至图像对比模块进行处理，其中将目标框选图像信息和所述目标框选图像的对应的前一帧图像进行对比，得到至少一个目标位置变化信息，所述目标位置变化信息为目标框选图像内的目标在相邻两帧图像内的位置变化信息；

可以理解的是将相邻两帧目标框选图像进行对比可以判断所述目标框选图像在整体图像中的位置变化，进而可以判断所述相邻两帧图像是否相对移动。

步骤S23、基于所有的所述目标位置变化信息对目标框选图像内的目标进行分类，得到分类后的目标信息，所述分类后的目标信息包括静止目标信息和运动目标信息。

可以理解的是本申请通过对目标是否与自动驾驶车辆进行相对移动，进而判断所述目标框选图像的目标是相对静止的还是相对运动的，并且在目标分类时，道路标线、道路旁护栏识别后不作为目标信息，一般情况下仅对识别出的车辆、行人、障碍物作为目标信息进行分类。

在本公开的一种具体实施方式中，所述步骤S3包括步骤S31、步骤S32和步骤S33。

步骤S31、计算所述分类后的目标信息中所有目标与所述自动驾驶车辆的距离，得到所有目标和所述自动驾驶车辆的距离信息；

可以理解的是上述步骤中的目标与自动驾驶车辆的距离为自动驾驶车辆上的测距仪测量得到的目标和自动驾驶车辆的距离，并且上述自动驾驶车辆的距离可以为第一信息内的图像上的距离，例如图像上目标图像与自动驾驶车辆的距离为2CM，则可以将第二信息内的紧急制动距离、常规制动距离和经济制动距离进行相对调整，进而保证安全距离是相对的就可以。

步骤S32、基于所有目标和自动驾驶车辆的距离信息建立空间直角坐标系，其中将自动驾驶车辆作为空间直角坐标系的原点，并所述目标分类信息中的静止目标和运动目标均转化为坐标点，得到标记了坐标点的空间直角坐标系，所述静止目标为第一颜色的坐标点，所述运动目标为第二颜色的坐标点；

可以理解的是上述步骤通过对所有目标标记在空间直角坐标系上，其中静止目标和运动目标的颜色不同，进而可以对第二颜色的目标进行预测，在静止目标突然运动时，也会将第一颜色变化为第二颜色，进而对第二颜色的坐标点进行预测，这样可以实时判断对目标点的位置进行预测，同理若自动驾驶车辆在停止时，需要启动，其周围的相对静止目标也会立即变为运动目标，进而防止自动驾驶车辆撞上去，会对变为运动目标的位置进行预测。

步骤S33、将所述第二信息发送至所述标记了坐标点的空间直角坐标系进行处理，得到标记了急停区域和减速区域空间直角坐标系，其中基于坐标原点为中心，紧急制动距离、常规制动距离和经济制动距离作为半径，确定紧急制动区域、常规制动区域和经济制动区域。

可以理解的是上述步骤通过对直角坐标系进行区域划分，其中还可划分正常行驶区域或加速区域，例如在后车快要撞上来时，还可以做出决策进行加速。

在本公开的一种具体实施方式中，所述步骤S4包括步骤S41、步骤S42和步骤S43。

步骤S41、将每帧图像内分类后的目标信息进行关键点处理，得到每帧图像内的所有目标的关键点，其中所述目标的关键点为所述目标的中心点；

步骤S42、将所述每帧图像内的所有目标关键点进行标号处理，其中每帧图像内的同一目标的关键点标号相同，得到标号后的目标的关键点；

步骤S43、基于训练后的位置预测模型对每个所述标号后的目标的关键点进行位置变化预测处理，并将预测得到的标号后的目标的关键点位置发送至空间直角坐标系内进行对应标记，得到每个预测时间点所述目标在所述空间直角坐标系内的位置信息。

可以理解的是上述步骤通过对每帧图像内的目标进行中心点提取，进而将中心点与原点的距离作为判断距离，其中不同距离做出的判断是不同的，并且不同时间的不同距离做出的判断结果也是不同，因此需要对移动目标的位置进行预测，进而可以通过预测来做出一个完整的决策方案，并基于每个移动目标的实时位置变化，实时调整预测位置，进而实时调整决策方案。

在本公开的一种具体实施方式中，所述步骤S5包括步骤S51、步骤S52和步骤S53。

步骤S51、获取所述预测结果的历史自动驾驶决策方案信息，并筛选所述历史自动驾驶决策方案信息中的可行方案信息，对所述历史自动驾驶决策方案中的可行方案信息进行标定，得到标定后的可行方案信息；

步骤S52、基于CART算法和所述标定后的可行方案信息，得到CART决策树，对所述CART决策树进行随机剪枝处理并确定所述CART决策树的常量，得到至少一个未训练的子决策树；

步骤S53、基于所述未训练的子决策树和基尼指数计算方法得到最优的子决策树，基于所述最优的子决策树得到可行方案识别模型，所述可行方案识别模型包含所述最优子决策树及其对应的目标常数。

可以理解的是上述步骤通过基于CART算法建立决策树模型，并基于历史可行方案对决策树模型进行训练，进而得到一个训练好的决策模型，实现自动确定决策方案，而且在历史可行方案的基础上进行训练，可以增加自动确定决策方案的可行性，提高决策准确率，保障自动驾驶安全。

在本公开的一种具体实施方式中，所述步骤S43包括步骤S431、步骤S432、步骤S433、步骤S434和步骤S435。

步骤S431、获取历史运动目标的关键点位置信息；

步骤S432、将历史运动目标的关键点位置信息进行按照每隔一定时间T进行时间序列划分，并将划分好时间序列的历史运动目标的关键点位置信息分为训练集和验证集；

步骤S433、将所述训练集发送至基于LSTM算法构建的位置预测模型进行预测，得到预测的历史运动目标的关键点位置信息；

步骤S434、将所述预测的历史运动目标的关键点位置信息和验证集进行对比，得到对比结果；

步骤S435、若所述对比结果为所述预测的历史运动目标的关键点位置信息和验证集内的关键点位置信息不同，则调整LSTM算法的特征参数，并进行迭代预测和判断，直至所述对比结果为所述预测的历史运动目标的关键点位置信息和验证集内的关键点位置信息相同，得到训练后的位置预测模型。

可以理解的是本发明通过对历史数据按照不同的时间序列进行划分，

所述的时间间隔T按照以下方式调整：

车辆启动后至其行驶速度V不超过20-25km/h时，以0.2-0.5s作为划分序列时间T；在此期间，若提取的第一信息中目标框选图像超过3个，则以0.1-0.3s作为划分序列时间T；

车辆速度范围在20-60km/h时，以0.15-0.25s作为划分序列时间T；在此期间，若提取的第一信息中目标框选图像超过3个，则以0.1-0.15s作为划分序列时间T；

车辆速度范围在60-100km/h时，以0.1-0.15s作为划分序列时间T；在此期间，若提取的第一信息中目标框选图像超过2个，则以0.05-0.1s作为划分序列时间T；

车辆速度超过100km/h时，以0.02-0.1s作为划分序列时间T；

根据车辆行驶速度和周围环境信息调整序列时间T，可以使低速行驶时，少量处理信息，减少计算量，中等速度行驶时，增加信息处理量，高速行驶时，进行最大信息量处理，保证车辆和环境安全；同时在不同速度时，还根据车辆周围环境信息对T进行动态调整，进一步提高车辆的适应性并在保证车辆安全的情况下减少计算量。

并将划分好的数据分为训练集和验证集，然后通过LSTM算法来对移动目标的在不同时间的位置进行预测，进而判断训练集的预测结果和验证集的位置是否相同，若不同则调整预测特征参数，进而达到训练位置预测模型的效果。

实施例2

如图2所示，本实施例提供了一种基于神经网络算法的自动驾驶物流车辆决策装置，所述装置包括获取单元701、第一处理单元702、第二处理单元703、预测单元704和发送单元705。

获取单元701，用于获取第一信息和第二信息，所述第一信息包括自动驾驶车辆周围环境的图像信息，所述第二信息包括自动驾驶车辆紧急制动距离、常规制动距离和经济制动距离；

第一处理单元702，用于将所述第一信息进行目标检测和分类，得到分类后的目标信息，所述分类后的目标信息为对第一信息进行目标检测，并对检测得到的目标信息进行分类得到的信息；

第二处理单元703，用于基于所述分类后的目标信息和所述第二信息构建空间直角坐标系，并对构建后的空间直角坐标系进行区域划分，得到划分区域后的空间直角坐标系；

预测单元704，用于将所述分类后的目标信息和划分区域后的空间直角坐标系发送至预测模型进行预测，得到预测结果，所述预测结果为分类后的目标信息在所述划分区域后的空间直角坐标系的预测位置；

发送单元705，用于将所述预测结果发送至训练后的自动驾驶决策模型，得到自动驾驶车辆的运动决策方案。

在本公开的一种具体实施方式中，所述第一处理单元702包括第一处理子单元7021、第二处理子单元7022和第一分类子单元7023。

第一处理子单元7021，用于将所述第一信息发送至目标检测模型进行目标检测，得到至少两个目标框选图像；

第二处理子单元7022，用于将所有的所述目标框选图像发送至图像对比模块进行处理，其中将目标框选图像信息和所述目标框选图像的对应的前一帧图像进行对比，得到至少一个目标位置变化信息，所述目标位置变化信息为目标框选图像内的目标在相邻两帧图像内的位置变化信息；

第一分类子单元7023，用于基于所有的所述目标位置变化信息对目标框选图像内的目标进行分类，得到分类后的目标信息，所述分类后的目标信息包括静止目标信息和运动目标信息。

在本公开的一种具体实施方式中，所述第二处理单元703包括计算子单元7031、第三处理子单元7032和第四处理子单元7033。

计算子单元7031，用于计算所述分类后的目标信息中所有目标与所述自动驾驶车辆的距离，得到所有目标和所述自动驾驶车辆的距离信息；

第三处理子单元7032，用于基于所有目标和自动驾驶车辆的距离信息建立空间直角坐标系，其中将自动驾驶车辆作为空间直角坐标系的原点，并所述目标分类信息中的静止目标和运动目标均转化为坐标点，得到标记了坐标点的空间直角坐标系，所述静止目标为第一颜色的坐标点，所述运动目标为第二颜色的坐标点；

第四处理子单元7033，用于将所述第二信息发送至所述标记了坐标点的空间直角坐标系进行处理，得到标记了急停区域和减速区域空间直角坐标系，其中基于坐标原点为中心，紧急制动距离、常规制动距离和经济制动距离作为半径，确定紧急制动区域、常规制动区域和经济制动区域。

在本公开的一种具体实施方式中，所述预测单元704包括第五处理子单元7041、第六处理子单元7042和第七处理子单元7043。

第五处理子单元7041，用于将每帧图像内分类后的目标信息进行关键点处理，得到每帧图像内的所有目标的关键点，其中所述目标的关键点为所述目标的中心点；

第六处理子单元7042，用于将所述每帧图像内的所有目标关键点进行标号处理，其中每帧图像内的同一目标的关键点标号相同，得到标号后的目标的关键点；

第七处理子单元7043，用于基于训练后的位置预测模型对每个所述标号后的目标的关键点进行位置变化预测处理，并将预测得到的标号后的目标的关键点位置发送至空间直角坐标系内进行对应标记，得到每个预测时间点所述目标在所述空间直角坐标系内的位置信息。

在本公开的一种具体实施方式中，所述发送单元705包括第一获取子单元7051、第八处理子单元7052和第九处理子单元7053。

第一获取子单元7051，用于获取所述预测结果的历史自动驾驶决策方案信息，并筛选所述历史自动驾驶决策方案信息中的可行方案信息，对所述历史自动驾驶决策方案中的可行方案信息进行标定，得到标定后的可行方案信息；

第八处理子单元7052，用于基于CART算法和所述标定后的可行方案信息，得到CART决策树，对所述CART决策树进行随机剪枝处理并确定所述CART决策树的常量，得到至少一个未训练的子决策树；

第九处理子单元7053，用于基于所述未训练的子决策树和基尼指数计算方法得到最优的子决策树，基于所述最优的子决策树得到可行方案识别模型，所述可行方案识别模型包含所述最优子决策树及其对应的目标常数。

在本公开的一种具体实施方式中，所述第七处理子单元7043包括第二获取子单元70431、第一训练子单元70432、第二训练子单元70433、第一对比子单元70434和第二对比子单元70435。

第二获取子单元70431，用于获取历史运动目标的关键点位置信息；

第一训练子单元70432，用于将历史运动目标的关键点位置信息进行按照每隔0.1S进行时间序列划分，并将划分好时间序列的历史运动目标的关键点位置信息分为训练集和验证集；

第二训练子单元70433，用于将所述训练集发送至基于LSTM算法构建的位置预测模型进行预测，得到预测的历史运动目标的关键点位置信息；

第一对比子单元70434，用于将所述预测的历史运动目标的关键点位置信息和验证集进行对比，得到对比结果；

第二对比子单元70435，用于若所述对比结果为所述预测的历史运动目标的关键点位置信息和验证集内的关键点位置信息不同，则调整LSTM算法的特征参数，并进行迭代预测和判断，直至所述对比结果为所述预测的历史运动目标的关键点位置信息和验证集内的关键点位置信息相同，得到训练后的位置预测模型。

需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

实施例3

相应于上面的方法实施例，本公开实施例还提供了一种基于神经网络算法的自动驾驶物流车辆决策设备，下文描述的一种基于神经网络算法的自动驾驶物流车辆决策设备与上文描述的基于神经网络算法的自动驾驶物流车辆决策方法可相互对应参照。

图3是根据一示例性实施例示出的一种基于神经网络算法的自动驾驶物流车辆决策设备800的框图。如图3所示，该基于神经网络算法的自动驾驶物流车辆决策设备800可以包括：处理器801，存储器802。该基于神经网络算法的自动驾驶物流车辆决策设备800还可以包括多媒体组件803，I/O接口804，以及通信组件805中的一者或多者。

其中，处理器801用于控制该基于神经网络算法的自动驾驶物流车辆决策设备800的整体操作，以完成上述的基于神经网络算法的自动驾驶物流车辆决策方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该基于神经网络算法的自动驾驶物流车辆决策设备800的操作，这些数据例如可以包括用于在该基于神经网络算法的自动驾驶物流车辆决策设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static RandomAccess Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该基于神经网络算法的自动驾驶物流车辆决策设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(NearFieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。

在一示例性实施例中，基于神经网络算法的自动驾驶物流车辆决策设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable LogicDevice，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的基于神经网络算法的自动驾驶物流车辆决策方法。

在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的基于神经网络算法的自动驾驶物流车辆决策方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由基于神经网络算法的自动驾驶物流车辆决策设备800的处理器801执行以完成上述的基于神经网络算法的自动驾驶物流车辆决策方法。

实施例4

相应于上面的方法实施例，本公开实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的基于神经网络算法的自动驾驶物流车辆决策方法可相互对应参照。

一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的基于神经网络算法的自动驾驶物流车辆决策方法的步骤。

该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.基于神经网络算法的自动驾驶物流车辆决策方法，其特征在于，包括：

获取第一信息和第二信息，所述第一信息包括自动驾驶车辆周围环境的图像信息，所述第二信息包括自动驾驶车辆紧急制动距离、常规制动距离和经济制动距离；

将所述第一信息进行目标检测和分类，得到分类后的目标信息，所述分类后的目标信息为对第一信息进行目标检测，并对检测得到的目标信息进行分类得到的信息；

基于所述分类后的目标信息和所述第二信息构建空间直角坐标系，并对构建后的空间直角坐标系进行区域划分，得到划分区域后的空间直角坐标系；

将所述分类后的目标信息和划分区域后的空间直角坐标系发送至预测模型进行预测，得到预测结果，所述预测结果为分类后的目标信息在所述划分区域后的空间直角坐标系的预测位置；

将所述预测结果发送至训练后的自动驾驶决策模型，得到自动驾驶车辆的运动决策方案。

2.根据权利要求1所述的基于神经网络算法的自动驾驶物流车辆决策方法，其特征在于,将所述第一信息进行目标检测和分类，得到分类后的目标信息，包括：

将所述第一信息发送至目标检测模型进行目标检测，得到至少两个目标框选图像；

将所有的所述目标框选图像发送至图像对比模块进行处理，其中将目标框选图像信息和所述目标框选图像的对应的前一帧图像进行对比，得到至少一个目标位置变化信息，所述目标位置变化信息为目标框选图像内的目标在相邻两帧图像内的位置变化信息；

基于所有的所述目标位置变化信息对目标框选图像内的目标进行分类，得到分类后的目标信息，所述分类后的目标信息包括静止目标信息和运动目标信息。

3.根据权利要求1所述的基于神经网络算法的自动驾驶物流车辆决策方法，其特征在于,基于所述分类后的目标信息和所述第二信息构建空间直角坐标系，并对构建后的空间直角坐标系进行区域划分，包括：

计算所述分类后的目标信息中所有目标与所述自动驾驶车辆的距离，得到所有目标和所述自动驾驶车辆的距离信息；

基于所有目标和自动驾驶车辆的距离信息建立空间直角坐标系，其中将自动驾驶车辆作为空间直角坐标系的原点，并所述目标分类信息中的静止目标和运动目标均转化为坐标点，得到标记了坐标点的空间直角坐标系，所述静止目标为第一颜色的坐标点，所述运动目标为第二颜色的坐标点；

将所述第二信息发送至所述标记了坐标点的空间直角坐标系进行处理，得到标记了急停区域和减速区域空间直角坐标系，其中基于坐标原点为中心，紧急制动距离、常规制动距离和经济制动距离作为半径，确定紧急制动区域、常规制动区域和经济制动区域。

4.根据权利要求1所述的基于神经网络算法的自动驾驶物流车辆决策方法，其特征在于,将所述分类后的目标信息和划分区域后的空间直角坐标系发送至预测模型进行预测，包括：

将每帧图像内分类后的目标信息进行关键点处理，得到每帧图像内的所有目标的关键点，其中所述目标的关键点为所述目标的中心点；

将所述每帧图像内的所有目标关键点进行标号处理，其中每帧图像内的同一目标的关键点标号相同，得到标号后的目标的关键点；

基于训练后的位置预测模型对每个所述标号后的目标的关键点进行位置变化预测处理，并将预测得到的标号后的目标的关键点位置发送至空间直角坐标系内进行对应标记，得到每个预测时间点所述目标在所述空间直角坐标系内的位置信息。

5.根据权利要求4所述的基于神经网络算法的自动驾驶物流车辆决策方法，其特征在于,所述训练后的位置预测模型的构建方法，包括：

获取历史运动目标的关键点位置信息；

将历史运动目标的关键点位置信息进行按照每隔一定时间T进行时间序列划分，并将划分好时间序列的历史运动目标的关键点位置信息分为训练集和验证集；将所述训练集发送至基于LSTM算法构建的位置预测模型进行预测，得到预测的历史运动目标的关键点位置信息；

将所述预测的历史运动目标的关键点位置信息和验证集进行对比，得到对比结果；

若所述对比结果为所述预测的历史运动目标的关键点位置信息和验证集内的关键点位置信息不同，则调整LSTM算法的特征参数，并进行迭代预测和判断，直至所述对比结果为所述预测的历史运动目标的关键点位置信息和验证集内的关键点位置信息相同，得到训练后的位置预测模型；

所述的时间间隔T按照以下方式调整：

车辆启动后至其行驶速度V不超过20-25km/h时，以0.2-0.5s作为划分序列时间T；在此期间，若提取的第一信息中目标框选图像超过3个，则以0.1-0.3s作为划分序列时间T；

车辆速度范围在20-60km/h时，以0.15-0.25s作为划分序列时间T；在此期间，若提取的第一信息中目标框选图像超过3个，则以0.1-0.15s作为划分序列时间T；

车辆速度范围在60-100km/h时，以0.1-0.15s作为划分序列时间T；在此期间，若提取的第一信息中目标框选图像超过2个，则以0.05-0.1s作为划分序列时间T；

车辆速度超过100km/h时，以0.02-0.1s作为划分序列时间T。

6.一种基于神经网络算法的自动驾驶物流车辆决策装置，基于权利要求1至权利要求5所述的任意一种基于神经网络算法的自动驾驶物流车辆决策方法，其特征在于，包括：

获取单元，用于获取第一信息和第二信息，所述第一信息包括自动驾驶车辆周围环境的图像信息，所述第二信息包括自动驾驶车辆紧急制动距离、常规制动距离和经济制动距离；

第一处理单元，用于将所述第一信息进行目标检测和分类，得到分类后的目标信息，所述分类后的目标信息为对第一信息进行目标检测，并对检测得到的目标信息进行分类得到的信息；

第二处理单元，用于基于所述分类后的目标信息和所述第二信息构建空间直角坐标系，并对构建后的空间直角坐标系进行区域划分，得到划分区域后的空间直角坐标系；

预测单元，用于将所述分类后的目标信息和划分区域后的空间直角坐标系发送至预测模型进行预测，得到预测结果，所述预测结果为分类后的目标信息在所述划分区域后的空间直角坐标系的预测位置；

发送单元，用于将所述预测结果发送至训练后的自动驾驶决策模型，得到自动驾驶车辆的运动决策方案。

7.根据权利要求6所述的基于神经网络算法的自动驾驶物流车辆决策装置，其特征在于，所述装置包括：

第一处理子单元，用于将所述第一信息发送至目标检测模型进行目标检测，得到至少两个目标框选图像；

第二处理子单元，用于将所有的所述目标框选图像发送至图像对比模块进行处理，其中将目标框选图像信息和所述目标框选图像的对应的前一帧图像进行对比，得到至少一个目标位置变化信息，所述目标位置变化信息为目标框选图像内的目标在相邻两帧图像内的位置变化信息；

第一分类子单元，用于基于所有的所述目标位置变化信息对目标框选图像内的目标进行分类，得到分类后的目标信息，所述分类后的目标信息包括静止目标信息和运动目标信息。

8.根据权利要求6所述的基于神经网络算法的自动驾驶物流车辆决策装置，其特征在于，所述装置包括：

计算子单元，用于计算所述分类后的目标信息中所有目标与所述自动驾驶车辆的距离，得到所有目标和所述自动驾驶车辆的距离信息；

第三处理子单元，用于基于所有目标和自动驾驶车辆的距离信息建立空间直角坐标系，其中将自动驾驶车辆作为空间直角坐标系的原点，并所述目标分类信息中的静止目标和运动目标均转化为坐标点，得到标记了坐标点的空间直角坐标系，所述静止目标为第一颜色的坐标点，所述运动目标为第二颜色的坐标点；

第四处理子单元，用于将所述第二信息发送至所述标记了坐标点的空间直角坐标系进行处理，得到标记了急停区域和减速区域空间直角坐标系，其中基于坐标原点为中心，紧急制动距离、常规制动距离和经济制动距离作为半径，确定紧急制动区域、常规制动区域和经济制动区域。

9.根据权利要求6所述的基于神经网络算法的自动驾驶物流车辆决策装置，其特征在于，所述装置包括：

第五处理子单元，用于将每帧图像内分类后的目标信息进行关键点处理，得到每帧图像内的所有目标的关键点，其中所述目标的关键点为所述目标的中心点；

第六处理子单元，用于将所述每帧图像内的所有目标关键点进行标号处理，其中每帧图像内的同一目标的关键点标号相同，得到标号后的目标的关键点；

第七处理子单元，用于基于训练后的位置预测模型对每个所述标号后的目标的关键点进行位置变化预测处理，并将预测得到的标号后的目标的关键点位置发送至空间直角坐标系内进行对应标记，得到每个预测时间点所述目标在所述空间直角坐标系内的位置信息。

10.根据权利要求9所述的基于神经网络算法的自动驾驶物流车辆决策装置，其特征在于，所述装置包括：

第二获取子单元，用于获取历史运动目标的关键点位置信息；

第一训练子单元，用于将历史运动目标的关键点位置信息进行按照每隔0.1S进行时间序列划分，并将划分好时间序列的历史运动目标的关键点位置信息分为训练集和验证集；

第二训练子单元，用于将所述训练集发送至基于LSTM算法构建的位置预测模型进行预测，得到预测的历史运动目标的关键点位置信息；

第一对比子单元，用于将所述预测的历史运动目标的关键点位置信息和验证集进行对比，得到对比结果；

第二对比子单元，用于若所述对比结果为所述预测的历史运动目标的关键点位置信息和验证集内的关键点位置信息不同，则调整LSTM算法的特征参数，并进行迭代预测和判断，直至所述对比结果为所述预测的历史运动目标的关键点位置信息和验证集内的关键点位置信息相同，得到训练后的位置预测模型。

Images