融合时空特征的端到端驾驶决策算法及仿真实现

作     者：梁黄黄 

作者单位：电子科技大学 

学位级别：硕士

导师姓名：杨路

授予年度：2019年

学科分类：08[工学] 082304[工学-载运工具运用工程] 080203[工学-机械设计及理论] 080204[工学-车辆工程] 0802[工学-机械工程] 0823[工学-交通运输工程] 

主      题：端到端驾驶决策 时空联合深度残差网络 Conv-LSTM 智能驾驶仿真 

摘      要：智能汽车决策系统的目标是使智能汽车整合环境及车辆内部信息,确保车辆安全稳定地运行。为了学习在道路上驾驶,传统方法利用多传感器目标检测和融合技术获取周围环境情况,并将处理后的关键信息发送给决策层,最后将规划适当的路径、速度等信息发送给控制层。而端到端方法将学习从感知信息映射到转向角的单个网络,直接基于输入图像计算决策值,将认知过程统一到决策过程中,以这种方式简化了系统结构。针对传统智能汽车驾驶决策算法在特征提取上和现有端到端驾驶决策算法不考虑车辆动态信息的问题,本文提出了一种基于时空联合深度残差网络模型的端到端驾驶决策方法,该方法能够准确预测方向盘角度值。本文主要做了以下三个工作:(1)针对传统端到端驾驶决策算法无法很好地获取历史图像输入之间的时空联合信息这一问题,提出了一种基于时空联合特征的深度残差网络模型,该算法结合了时空联合深度残差网络(Residual Network,ResNet)和卷积长短时记忆网络(Convolutional Long Short Term Memory Network,Conv-LSTM),通过提取历史若干帧之间的时空联合特征,对智能汽车当前时刻的转向角进行更为精确的预测。(2)针对传统基于图像的端到端驾驶决策算法输入信息的单一性这一问题,本文提出了一种融合车辆动力学信息的端到端驾驶决策算法。该决策算法基于上述的时空联合深度残差网络结构,在其预测网络中融入历史若干帧的车辆动力学信息(如速度、位置信息、车辆姿态、历史转向角等),从而更加平稳并且精确地预测当前时刻智能汽车的转向角。(3)文中提出的端到端驾驶决策算法分别在公用驾驶决策数据集Udacity Challenge-II以及在AirSim仿真环境下采集的驾驶决策数据集上进行了实验,并与一些传统的端到端驾驶决策算法(如PilotNet、CgNet等)进行了对比,实验结果表明文中提出的决策算法在智能汽车方向盘转向角的预测上有更好的表现。最后对文中提出的驾驶决策算法进行了仿真验证,搭建了基于电子科技大学清水河校区的仿真环境并验证了决策算法的有效性。本文研究的端到端驾驶决策算法通过提取历史若干帧的时空联合特征,并且融合车辆动力学信息到预测网络中,提高了该决策算法对智能汽车当前时刻转向角的预测精度,为智能汽车在复杂场景中的应用提供了技术基础的合理性。