[发明专利]一种用于驾驶模式切换的方法和装置

说明书

本发明的目的是提供一种用于驾驶模式切换的方法和装置。与现有技术相比，本发明利用自动驾驶车辆的车载传感器所采集到的安全场景数据和不安全场景数据，训练一个用于在端对端驾驶模式与循迹驾驶模式之前切换的深度学习决策模型，在实际应用中，该模型能够感知到当前实际场景是否安全，做出决策，输出指令在该两种驾驶模式中进行切换。本发明利用深度学习的决策能力自动切换循迹驾驶模式和端对端驾驶模式，训练出有推理决策能力的模型，将循迹驾驶模式与端对端自动驾驶模式自然地融合，大大提高了自动驾驶的安全性。

技术领域

本发明涉及车辆自动驾驶技术领域，尤其涉及一种用于驾驶模式切换的技术。

背景技术

现有的自动驾驶的两种主要模式是循迹驾驶模式和端对端自动驾驶模式，循迹驾驶模式具有很高的安全性，但是必须预设轨迹，实用性不强；端对端自动驾驶模式灵活性强，具有实用性，然而安全性较低。现有的二者结合的做法要么是简单的糅合，达不到相辅相成的效果，要么是基于人工定义规则进行自动切换，切换的时机难以正确把握，甚至会起到反作用。

因此，如何使得自动驾驶车辆准确、高效地在该两种驾驶模式中进行切换，成为本领域亟需解决的问题之一。

发明内容

本发明的目的是提供一种用于驾驶模式切换的方法和装置。

根据本发明的一个方面，提供了一种用于驾驶模式切换的方法，其中，该方法包括：

a获取自动驾驶车辆的车载传感器所采集的传感器数据，其中，所述传感器数据包括所述自动驾驶车辆的安全场景数据和不安全场景数据；

b将所述传感器数据作为输入，对应的端对端驾驶模式或循迹驾驶模式作为输出，训练模式切换模型；

其中，该方法还包括：

x实时获取所述自动驾驶车辆的车载传感器所采集的当前实际场景；

y根据所述当前实际场景，基于所述模式切换模型，在端对端驾驶模式或循迹驾驶模式中进行切换。

优选地，所述步骤a中的不安全场景数据由驾驶员故意进行不安全行为而采集。

优选地，所述步骤b包括：

建立卷积神经网络模型，将所述传感器数据作为输入，对应的端对端驾驶模式或循迹驾驶模式作为输出，训练所述模式切换模型。

更优选地，在所述卷积神经网络模型的每两层卷积层中加入负反馈层，每三层卷积层中加入dropout层。

优选地，所获取的车载传感器所采集的传感器数据分为测试集与训练集；

其中，所述步骤b包括：

将所述训练集作为输入，对应的端对端驾驶模式或循迹驾驶模式作为输出，训练所述模式切换模型。

更优选地，所述步骤b包括：

将所述训练集作为输入，对应的端对端驾驶模式或循迹驾驶模式作为输出，训练获得多个候选切换模型；

其中，该方法还包括：

根据所述测试集，自所述多个候选切换模型中选择确定所述模式切换模型。

优选地，该方法还包括：

记录所述自动驾驶车辆在自动驾驶过程中驾驶员的接手行为，获取对应时刻所述车载传感器所采集的传感器修正数据；

根据所述传感器修正数据，对所述模式切换模型进行修正。

根据本发明的另一个方面，还提供了一种用于驾驶模式切换的装置，其中，该装置包括：