CN117008620A - 一种无人驾驶自适应路径规划方法、系统、设备及介质 - Google Patents
一种无人驾驶自适应路径规划方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN117008620A CN117008620A CN202311034085.0A CN202311034085A CN117008620A CN 117008620 A CN117008620 A CN 117008620A CN 202311034085 A CN202311034085 A CN 202311034085A CN 117008620 A CN117008620 A CN 117008620A
- Authority
- CN
- China
- Prior art keywords
- training
- neuron population
- neural network
- adaptive
- path planning
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 210000002569 neuron Anatomy 0.000 claims abstract description 87
- 238000013528 artificial neural network Methods 0.000 claims abstract description 63
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 60
- 230000003044 adaptive effect Effects 0.000 claims abstract description 37
- 230000002964 excitative effect Effects 0.000 claims abstract description 22
- 230000009471 action Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000007246 mechanism Effects 0.000 claims abstract description 17
- 230000002401 inhibitory effect Effects 0.000 claims abstract description 15
- 210000002364 input neuron Anatomy 0.000 claims abstract description 13
- 210000004205 output neuron Anatomy 0.000 claims abstract description 13
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 88
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 20
- 239000012528 membrane Substances 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 230000000946 synaptic effect Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 206010001497 Agitation Diseases 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000007321 biological mechanism Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- 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
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开一种无人驾驶自适应路径规划方法、系统、设备及介质,涉及路径规划领域;该方法包括:获取无人车在目标环境内实时的环境信息;环境信息包括:障碍物位置、无人车初始位置和无人车目标位置;将环境信息输入至路径规划模型中,得到规划路径;规划路径用于表征无人车的行动路径;路径规划模型是基于自适应机制的循环脉冲神经网络,采用深度学习方法构建的;其中,循环脉冲神经网络包括:相互连接的输入神经元群体、处理神经元群体和输出神经元群体;处理神经元群体包括并联的兴奋性神经元群体、抑制性神经元群体和自适应神经元群体;本发明能够应用于复杂环境且提高鲁棒性。
Description
技术领域
本发明涉及路径规划领域,特别是涉及一种无人驾驶自适应路径规划方法、系统、设备及介质。
背景技术
行驶路径的规划是无人驾驶技术中的关键性技术,它决定了无人驾驶系统的安全性、稳定性以及适用性等,根据给定的信息提出最优路径规划方案对于无人驾驶技术的发展至关重要。路径规划可分为局部路径规划和全局路径规划,对于全局路径规划,需要在采集的原始图像上进行路径规划,在能够对所处环境信息有全面了解的前提下,提高学习速度和稳定寻找到最优路径对于提高无人驾驶系统的实时性、鲁棒性和稳定性有很大帮助。
人工智能对于各种高新技术产业的发展推动具有重要意义。随着近几年来人工智能技术的井喷式发展,越来越多的行业在人工智能技术的助力下有了飞跃式突破,各个国家和联盟都针对人工智能技术的研究提出了未来发展规划,人类也已正式迈进了人工智能时代。
人工智能技术取得的突破也开始让人们思考能否将智能化技术运用到无人驾驶技术的相关研究中。传统的路径规划算法需要依赖计算机视觉将图像信息加工和转换,复杂且耗时较长,而利用深度学习算法则可以使无人驾驶汽车在原始图像上进行路径规划,大大降低了时间和空间的复杂度。
针对无人驾驶系统的路径规划问题,现有的路径规划算法通常使用A*算法、蚁群算法、模拟退火算法等,尚不能在复杂环境中具有较强的实时性和鲁棒性,亟需提出一种针对复杂环境研发出更优的路径规划算法。
发明内容
本发明的目的是提供一种无人驾驶自适应路径规划方法、系统、设备及介质,能够应用于复杂环境且提高鲁棒性。
为实现上述目的,本发明提供了如下方案:
一种无人驾驶自适应路径规划方法,所述方法包括:
获取无人车在目标环境内实时的环境信息;所述环境信息包括:障碍物位置、无人车初始位置和无人车目标位置;
将所述环境信息输入至路径规划模型中,得到规划路径;所述规划路径用于表征无人车的行动路径;所述路径规划模型是基于自适应机制的循环脉冲神经网络,采用深度学习方法构建的;
其中,所述循环脉冲神经网络包括:相互连接的输入神经元群体、处理神经元群体和输出神经元群体;所述处理神经元群体包括并联的兴奋性神经元群体、抑制性神经元群体和自适应神经元群体。
可选地,所述路径规划模型的确定方法,具体包括:
获取训练数据;所述训练数据包括无人车在训练环境内实时的环境信息和标签数据;所述标签数据包括:无人车在训练环境内对应的规划路径;
将所述训练数据划分为训练集和验证集;
构建自适应机制的循环脉冲神经网络;
将所述训练集和对应的标签数据输入至所述循环脉冲神经网络,以损失函数最小为目标对所述循环脉冲神经网络中的超参数集进行训练,得到训练好的循环脉冲神经网络;所述损失函数是根据所述循环脉冲神经网络输出的规划路径与对应的标签数据中的规划路径之间的误差确定的;所述超参数集包括:突触权重;
通过所述验证集和对应的标签数据,对训练好的循环脉冲神经网络的超参数集进行调整,得到调整后的循环脉冲神经网络;
将调整后的循环脉冲神经网络确定为所述路径规划模型。
可选地,将所述训练集和对应的标签数据输入至所述循环脉冲神经网络,以损失函数最小为目标对所述循环脉冲神经网络中的超参数集进行训练,得到训练好的循环脉冲神经网络,具体包括:
所述训练集和对应的标签数据经所述输入神经元群体转化为训练脉冲数据;所述训练脉冲数据包括:训练脉冲序列和标签脉冲序列;
所述处理神经元群体中的兴奋性神经元群体、抑制性神经元群体和自适应神经元群体,均按照超参数集根据所述训练脉冲序列,计算各自对应的训练尖峰脉冲;
将所有的训练尖峰脉冲确定为训练尖峰脉冲序列;
所述训练尖峰脉冲经所述输出神经元群体输出,得到输出脉冲序列;
通过所述输出脉冲序列和所述标签脉冲序列,确定损失函数;
根据所述损失函数对所述超参数集进行训练,并根据训练后的超参数集确定训练好的循环脉冲神经网络。
可选地,所述训练尖峰脉冲的计算方法,具体包括:
根据所述训练脉冲序列,按照所述超参数集计算膜电位;
判断所述膜电位是否不小于当前的阈值电位;
若是,则进行自适应放电,产生训练尖峰脉冲。
可选地,当前的阈值电位的计算公式为:
B(t)=b0+βb(t);
其中,B(t)为当前的阈值电位;b0为基准值;β为阈值电位变化率;b(t)为膜电位。
一种无人驾驶自适应路径规划系统,所述系统包括:
信息获取模块,用于获取无人车在目标环境内实时的环境信息;所述环境信息包括:障碍物位置、无人车初始位置和无人车目标位置;
规划模块,用于将所述环境信息输入至路径规划模型中,得到规划路径;所述规划路径用于表征无人车的行动路径;所述路径规划模型是基于自适应机制的循环脉冲神经网络,采用深度学习方法构建的;
其中,所述循环脉冲神经网络包括:相互连接的输入神经元群体、处理神经元群体和输出神经元群体;所述处理神经元群体包括并联的兴奋性神经元群体、抑制性神经元群体和自适应神经元群体。
一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述所述的无人驾驶自适应路径规划方法。
一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现上述所述的无人驾驶自适应路径规划方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种无人驾驶自适应路径规划方法、系统、设备及介质,通过获取无人车在目标环境内实时的环境信息;将环境信息输入至路径规划模型中,得到规划路径;路径规划模型是基于自适应机制的循环脉冲神经网络,采用深度学习方法构建的;其中,循环脉冲神经网络包括:相互连接的输入神经元群体、处理神经元群体和输出神经元群体;处理神经元群体包括并联的兴奋性神经元群体、抑制性神经元群体和自适应神经元群体;由于本发明引入了自适应神经元群体,使得构建的路径规划模型能够高效稳定的实现无人驾驶自适应路径的规划,能够应用于复杂环境且提高鲁棒性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的无人驾驶自适应路径规划方法的流程图;
图2为本发明实施例提供的仿真环境地图的示意图;
图3为本发明实施例提供的循环脉冲神经网络的连接结构图;
图4为本发明实施例提供的建立好的训练系统的示意图;
图5为本发明实施例提供的无人驾驶自适应路径规划系统的结构图。
符号说明:
信息获取模块1、规划模块2。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做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。
本发明的目的是提供一种无人驾驶自适应路径规划方法、系统、设备及介质,能够应用于复杂环境且提高鲁棒性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示,本发明实施例提供了一种无人驾驶自适应路径规划方法,该方法包括:
步骤100:获取无人车在目标环境内实时的环境信息;环境信息包括:障碍物位置、无人车初始位置和无人车目标位置。
步骤200:将环境信息输入至路径规划模型中,得到规划路径;规划路径用于表征无人车的行动路径;路径规划模型是基于自适应机制的循环脉冲神经网络,采用深度学习方法构建的。
其中,循环脉冲神经网络包括:相互连接的输入神经元群体、处理神经元群体和输出神经元群体;处理神经元群体包括并联的兴奋性神经元群体、抑制性神经元群体和自适应神经元群体。
路径规划模型的确定方法,具体包括:
获取训练数据;训练数据包括无人车在训练环境内实时的环境信息和标签数据;标签数据包括:无人车在训练环境内对应的规划路径。
将训练数据划分为训练集和验证集。
构建自适应机制的循环脉冲神经网络。
将训练集和对应的标签数据输入至循环脉冲神经网络,以损失函数最小为目标对循环脉冲神经网络中的超参数集进行训练,得到训练好的循环脉冲神经网络;损失函数是根据循环脉冲神经网络输出的规划路径与对应的标签数据中的规划路径之间的误差确定的;超参数集包括:突触权重。
通过验证集和对应的标签数据,对训练好的循环脉冲神经网络的超参数集进行调整,得到调整后的循环脉冲神经网络。
将调整后的循环脉冲神经网络确定为路径规划模型。
其中,将训练集和对应的标签数据输入至循环脉冲神经网络,以损失函数最小为目标对循环脉冲神经网络中的超参数集进行训练,得到训练好的循环脉冲神经网络,具体包括:
训练集和对应的标签数据经输入神经元群体转化为训练脉冲数据;训练脉冲数据包括:训练脉冲序列和标签脉冲序列。
处理神经元群体中的兴奋性神经元群体、抑制性神经元群体和自适应神经元群体,均按照超参数集根据所述训练脉冲序列,计算各自对应的训练尖峰脉冲。
将所有的训练尖峰脉冲确定为训练尖峰脉冲序列。
训练尖峰脉冲经输出神经元群体输出,得到输出脉冲序列。
通过输出脉冲序列和标签脉冲序列,确定损失函数。
根据损失函数对超参数集进行训练,并根据训练后的超参数集确定训练好的循环脉冲神经网络。
其中,训练尖峰脉冲的计算方法,具体包括:
根据训练脉冲序列,按照超参数集计算膜电位。
判断膜电位是否不小于当前的阈值电位。
若是,则进行自适应放电,产生训练尖峰脉冲。
具体地,当前的阈值电位的计算公式为:
B(t)=b0+βb(t);
其中,B(t)为当前的阈值电位;b0为基准值;β为阈值电位变化率;b(t)为膜电位。
在实际应用中,本发明提供的无人驾驶自适应路径规划方法,具体的实现步骤如下:
步骤1:训练环境的搭建。
为了模拟复杂且真实的环境,更加方便给与智能小车控制决策,现利用栅格法随机建立仿真环境地图。仿真环境地图如图2所示。地图是由100*100的网格构成的,随机在地图的网格中上生成障碍物,障碍物表示智能小车不能通行,没有障碍物的方格则表示智能小车可以通行。小车在训练前会随机确定初始位置,该实验中确定初始位置为(12,8),目标位置为(92,90),见图2。在该仿真环境中小车可以由某一网格向周围的八个网格移动,移动方向由路径规划算法提供。
步骤2:网络模型的搭建。
本发明将深度学习模型加入到了无人驾驶系统的路径规划中,其中用到的深度学习模型为具有自适应机制的循环脉冲神经网络。该模型一共由五个神经元群体组成,分别为输入神经元群体、输出神经元群体、兴奋性神经元群体、抑制性神经元群体以及自适应神经元群体。不同的群体有不同的功能,它们具体的连接方式见图3。模型中的神经元分为兴奋性神经元和抑制性神经元,不同群体间神经元的连接方式为稀疏连接,图3中箭头上的百分比表示兴奋性神经元和抑制性神经元的平均连接概率。
该模型相较于传统的循环脉冲神经网络最大的特点在于加入了具有自适应能力的兴奋性神经元,即自适应神经元群体。传统的循环脉冲神经网络缺少了在许多生物模型中存在的动态过程,自适应神经元正是将该生物学机制加入到模型中的产物。这些兴奋性神经元的兴奋性通过放电活动暂时性降低,即神经元正在进行自适应。兴奋性神经元群体、抑制性神经元群体和自适应神经元群体均从输入神经元群体接受脉冲序列,经过计算后由输出神经元群体读出计算结果。
自适应神经元群体的自适应模型如下:每当兴奋性神经元的膜电位达到阈值电位时,该兴奋性神经元就会被激活,产生尖峰脉冲,将该信号传递到下一个神经元,提高或降低其膜电位。而自适应神经元在进行一次放电后,阈值电位会被抬高,即进行自适应,从而降低其兴奋性。
具体表述为:当兴奋性神经元产生尖峰脉冲后,兴奋性神经元的触发阈值B(t)会增加某个固定值β/τ,然后以时间常数τ指数衰减回基准值b0,等到下一次膜电位达到阈值电位后,再次产生尖峰脉冲,阈值电位再次被提高,循环往复。将该连续过程离散化后,当步长δt=1ms时阈值电位的动态变化过程如下所示:
B(t)=b0+βb(t);
b(t+δt)=ρb(t)+(1-ρ)z(t);
其中,ρ=exp(-δt/τ)。z(t)是兴奋性神经元的棘波序列,其取值自{0,1/δt},当没有产生尖峰脉冲时,z=0;当产生尖峰脉冲时,z=1/δt。
b(t)是神经元阈值电位的变化量,β是神经元阈值电位的变化率,b(t+δt)是相对于t时刻后一个迭代时刻的神经元阈值电位的变化量,ρ是神经元指数衰减的衰减率。
步骤3:训练系统的搭建。
搭建好仿真环境和网络模型后,现对训练系统进行设计。如图4所示为建立好的训练系统。智能小车和仿真环境之间一直保持交流,智能小车会通过自身所带的传感器等获取仿真环境的状态,记作s;基于这个状态智能小车会做出动作,记作a;环境会反馈给智能小车一个奖励,记作r。以上交流的内容会存储在经验池中,作为网络模型的训练集。图4中的St为t时刻的环境状态;at为t时刻智能小车做出的动作;rt为t时刻环境反馈的奖励;St+1为t+1时刻的环境状态。
训练系统中智能小车的运行过程如下:智能小车获取环境信息后,与原来的环境状态、小车动作和奖励组成经验序列,存储在经验池中。网络模型具有对智能小车动作选择和评价动作优劣的功能,即根据经验池中的奖励来采集高回报的经验集,作为训练集投入到网络中,对动作进行评价,并根据环境状态对小车的动作进行选择。
步骤4:模型训练。
该训练系统采用的策略网络为具有自适应机制的循环脉冲神经网络,不同于传统神经网络的训练方式,该模型提出了learn-to-learn(自我学习)的学习方式。学习是在两个循环中进行的,分别为内环学习和外环学习。内环学习是指通过神经网络模型来对单个任务进行学习,这里网络模型即具有自适应机制的循环脉冲神经网络,所需要的训练集即从经验池中获取的高回报的经验集,学习的任务即评价动作的优劣和对动作进行选择。高回报经验集主要根据奖励函数的取值来获取,奖励函数由评价小车动作优劣的指标构成,如距离目标的距离、与障碍物的距离等,选取经验池中奖励函数值较高的一组经验集作为训练集。网络模型的超参数在外环中进行优化,从而优化输出动作,这样可以使得内环快速学习单个任务,提高了训练速度。外环学习通过时序反向传播算法实施,时间上的复杂性比内环学习要大得多,整合了对内环中不同任务学习的表现评估。将这种外部循环解释为模拟进化和发展优化过程以及先前学习对大脑网络学习能力的影响的过程。网络模型中所有的突触权重均属于超参数集,网络学习将学习单个任务的结果编码到内部状态,尤其是神经元触发活动以及阈值电位的自适应。通过对模型的训练,得到了优秀的经验集,借此优化了超参数集,从而优化膜电位的动态变化过程,与阈值电位的自适应变化相适应,更加符合循环脉冲神经网络的生物学家机理,最终达到优化输出动作,规划出最适合智能小车行动路径的目标。
步骤5:模型评估。
对构建好的训练系统通过实验对模型进行评估。自适应的循环脉冲神经网络从经验池中的优秀训练集中获取信息,通过训练得到动作,进而与环境进行交流,并通过外环学习更新网络中的相关参数。重复以上过程,从而得到一条合适的规划路径。对于模型训练的结果,可以将模型探索得到的规划路径与人为探索的路径进行对比,从而对模型的探索能力进行评估。对于模型评估,则通过模型的探索能力、训练速度、稳定性和鲁棒性评价该模型。以上指标值越高,模型的实用性越强。
实施例2
如图5所示,本发明实施例提供了一种无人驾驶自适应路径规划系统,该系统包括:信息获取模块1和规划模块2。
信息获取模块1,用于获取无人车在目标环境内实时的环境信息;环境信息包括:障碍物位置、无人车初始位置和无人车目标位置。
规划模块2,用于将环境信息输入至路径规划模型中,得到规划路径;规划路径用于表征无人车的行动路径;路径规划模型是基于自适应机制的循环脉冲神经网络,采用深度学习方法构建的。
其中,循环脉冲神经网络包括:相互连接的输入神经元群体、处理神经元群体和输出神经元群体;处理神经元群体包括并联的兴奋性神经元群体、抑制性神经元群体和自适应神经元群体。
实施例3
本发明实施例提供了一种电子设备,包括存储器及处理器,存储器用于存储计算机程序,处理器运行计算机程序以使电子设备执行实施例1中的无人驾驶自适应路径规划方法。
作为一种可选地实施方式,本发明还提供了一种计算机可读存储介质,其存储有计算机程序,计算机程序被处理器执行时实现实施例1中的无人驾驶自适应路径规划方法。
针对现有的无人驾驶路径规划技术存在的问题,基于类脑神经网络的自适应机制,考虑到复杂环境对路径规划的影响以及无人驾驶性能要求,提出一种基于自适应类脑神经网络的无人驾驶路径规划方法。相比运用到无人驾驶路径规划中的传统决策算法,该模型利用了神经元的自适应机制,对神经元触发阈值进行自适应更新,能够对环境信息进行更深层的挖掘,并改善现有研究存在的探索能力随探索进程深入逐渐乏力、学习速度慢、波动大等问题。针对复杂环境,该模型可以在短时间内给出最优路径。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种无人驾驶自适应路径规划方法,其特征在于,所述方法包括:
获取无人车在目标环境内实时的环境信息;所述环境信息包括:障碍物位置、无人车初始位置和无人车目标位置;
将所述环境信息输入至路径规划模型中,得到规划路径;所述规划路径用于表征无人车的行动路径;所述路径规划模型是基于自适应机制的循环脉冲神经网络,采用深度学习方法构建的;
其中,所述循环脉冲神经网络包括:相互连接的输入神经元群体、处理神经元群体和输出神经元群体;所述处理神经元群体包括并联的兴奋性神经元群体、抑制性神经元群体和自适应神经元群体。
2.根据权利要求1所述的无人驾驶自适应路径规划方法,其特征在于,所述路径规划模型的确定方法,具体包括:
获取训练数据;所述训练数据包括无人车在训练环境内实时的环境信息和标签数据;所述标签数据包括:无人车在训练环境内对应的规划路径;
将所述训练数据划分为训练集和验证集;
构建自适应机制的循环脉冲神经网络;
将所述训练集和对应的标签数据输入至所述循环脉冲神经网络,以损失函数最小为目标对所述循环脉冲神经网络中的超参数集进行训练,得到训练好的循环脉冲神经网络;所述损失函数是根据所述循环脉冲神经网络输出的规划路径与对应的标签数据中的规划路径之间的误差确定的;所述超参数集包括:突触权重;
通过所述验证集和对应的标签数据,对训练好的循环脉冲神经网络的超参数集进行调整,得到调整后的循环脉冲神经网络;
将调整后的循环脉冲神经网络确定为所述路径规划模型。
3.根据权利要求2所述的无人驾驶自适应路径规划方法,其特征在于,将所述训练集和对应的标签数据输入至所述循环脉冲神经网络,以损失函数最小为目标对所述循环脉冲神经网络中的超参数集进行训练,得到训练好的循环脉冲神经网络,具体包括:
所述训练集和对应的标签数据经所述输入神经元群体转化为训练脉冲数据;所述训练脉冲数据包括:训练脉冲序列和标签脉冲序列;
所述处理神经元群体中的兴奋性神经元群体、抑制性神经元群体和自适应神经元群体,均按照超参数集根据所述训练脉冲序列,计算各自对应的训练尖峰脉冲;
将所有的训练尖峰脉冲确定为训练尖峰脉冲序列;
所述训练尖峰脉冲经所述输出神经元群体输出,得到输出脉冲序列;
通过所述输出脉冲序列和所述标签脉冲序列,确定损失函数;
根据所述损失函数对所述超参数集进行训练,并根据训练后的超参数集确定训练好的循环脉冲神经网络。
4.根据权利要求3所述的无人驾驶自适应路径规划方法,其特征在于,所述训练尖峰脉冲的计算方法,具体包括:
根据所述训练脉冲序列,按照所述超参数集计算膜电位;
判断所述膜电位是否不小于当前的阈值电位;
若是,则进行自适应放电,产生训练尖峰脉冲。
5.根据权利要求4所述的无人驾驶自适应路径规划方法,其特征在于,当前的阈值电位的计算公式为:
B(t)=b0+βb(t);
其中,B(t)为当前的阈值电位;b0为基准值;β为阈值电位变化率;b(t)为膜电位。
6.一种无人驾驶自适应路径规划系统,其特征在于,所述系统包括:
信息获取模块,用于获取无人车在目标环境内实时的环境信息;所述环境信息包括:障碍物位置、无人车初始位置和无人车目标位置;
规划模块,用于将所述环境信息输入至路径规划模型中,得到规划路径;所述规划路径用于表征无人车的行动路径;所述路径规划模型是基于自适应机制的循环脉冲神经网络,采用深度学习方法构建的;
其中,所述循环脉冲神经网络包括:相互连接的输入神经元群体、处理神经元群体和输出神经元群体;所述处理神经元群体包括并联的兴奋性神经元群体、抑制性神经元群体和自适应神经元群体。
7.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行如权利要求1至5中任意一项所述的无人驾驶自适应路径规划方法。
8.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5中任意一项所述的无人驾驶自适应路径规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311034085.0A CN117008620A (zh) | 2023-08-16 | 2023-08-16 | 一种无人驾驶自适应路径规划方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311034085.0A CN117008620A (zh) | 2023-08-16 | 2023-08-16 | 一种无人驾驶自适应路径规划方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117008620A true CN117008620A (zh) | 2023-11-07 |
Family
ID=88565397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311034085.0A Pending CN117008620A (zh) | 2023-08-16 | 2023-08-16 | 一种无人驾驶自适应路径规划方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117008620A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117490703A (zh) * | 2023-12-29 | 2024-02-02 | 博创联动科技股份有限公司 | 一种农机作业路径规划方法及系统 |
-
2023
- 2023-08-16 CN CN202311034085.0A patent/CN117008620A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117490703A (zh) * | 2023-12-29 | 2024-02-02 | 博创联动科技股份有限公司 | 一种农机作业路径规划方法及系统 |
CN117490703B (zh) * | 2023-12-29 | 2024-03-08 | 博创联动科技股份有限公司 | 一种农机作业路径规划方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110262511B (zh) | 基于深度强化学习的双足机器人自适应性行走控制方法 | |
CN110956148B (zh) | 无人车的自主避障方法及装置、电子设备、可读存储介质 | |
Du et al. | Model-based reinforcement learning for semi-markov decision processes with neural odes | |
US10339447B2 (en) | Configuring sparse neuronal networks | |
KR101700145B1 (ko) | 뉴럴 역학을 수정하기 위한 자동화 방법 | |
KR20160076520A (ko) | 인과적 현출성 시간 추론 | |
KR20160136381A (ko) | 신경 네트워크들에서의 차분 인코딩 | |
KR20160136364A (ko) | 콜드 뉴런 스파이크 타이밍 역 전파 | |
KR20160076533A (ko) | 지도 학습을 이용하여 클래스들을 태깅하기 위한 방법들 및 장치 | |
KR20170031695A (ko) | 신경망들에서의 콘볼루션 동작의 분해 | |
CN112884131A (zh) | 一种基于模仿学习的深度强化学习策略优化防御方法和装置 | |
KR20160123309A (ko) | 확률적 스파이킹 베이지안망들에 대한 이벤트-기반 추론 및 학습 | |
CN104662526A (zh) | 用于高效地更新尖峰神经元网络的装置和方法 | |
US20160260012A1 (en) | Short-term synaptic memory based on a presynaptic spike | |
US10552734B2 (en) | Dynamic spatial target selection | |
KR20160084401A (ko) | 스파이킹 뉴럴 네트워크들에서 리플레이를 사용한 시냅스 학습의 구현 | |
KR20160076531A (ko) | 다차원 범위에 걸쳐 분리가능한 서브 시스템들을 포함하는 시스템의 평가 | |
CN113561986A (zh) | 自动驾驶汽车决策方法及装置 | |
CN117008620A (zh) | 一种无人驾驶自适应路径规划方法、系统、设备及介质 | |
KR101825937B1 (ko) | 가소성 시냅스 관리 | |
CN108027896A (zh) | 用于解码具有连续突触可塑性的脉冲储层的系统和方法 | |
US9449272B2 (en) | Doppler effect processing in a neural network model | |
CN116080688B (zh) | 一种类脑启发的智能驾驶视觉辅助方法、装置及存储介质 | |
CN116382267B (zh) | 一种基于多模态脉冲神经网络的机器人动态避障方法 | |
KR20160124791A (ko) | 좌표 변환을 위한 위상 코딩 |
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 |