[发明专利]基于激光雷达和端到端深度学习方法的自动驾驶方法

说明书

本发明公开了一种基于激光雷达和端到端深度学习方法的自动驾驶方法，包括以下步骤：将激光雷达获取的行车环境信息实时转化为深度图；根据位于基准数据时间戳两侧的被匹配数据的时间戳与基准数据时间戳差值的大小确定具体匹配元素，将完成匹配的数据保存为数据‑标注对，作为训练数据；将训练数据输入构建的深度卷积神经网络模型进行训练，通过深度卷积神经网络模型得到驾驶数据。该方法计算快速，通过深度图可以快速得到距离信息，能够准确、高效的获取端到端深度学习神经网络所需要的数据和标签，有效完成端到端的驾驶控制。

技术领域

本发明属于智能交通技术领域的自动驾驶方法，具体地涉及一种基于激光雷达和端到端深度学习方法的自动驾驶方法。

背景技术

现有的机动车自动驾驶技术，借助雷达系统、超声波系统和/或摄像头系统来检测机动车前方、后方和两侧的行车环境并计算出车道、道路类型和/或机动车、行人和/或障碍物等信息以及其它与驾驶相关的数据，例如机动车的车道和转向等数据，并将获取的所述与驾驶相关的数据作为机动车自动驾驶过程中的参考数据。

在自动驾驶领域，通常的方案是对车载摄像头采集的视频数据进行人工拆解，如拆解成车道标记与检测，线路规划，车辆控制等子任务。这种方案需要采集的数据量巨大，工作任务繁重，并且不可能包含行车环境的所有可能性。

中国专利文献CN 105652867公开了一种汽车自动驾驶方法，包括：利用超声波收发器，确定汽车的周围物体的距离信息；通过累积预设时间段内所述周围物体的距离信息，确定所述周围物体的运动速度；根据所述周围物体的距离信息和所述周围物体的运动速度，确定所述汽车当前的最佳驾驶方向和最佳驾驶速度，并控制汽车按照所述最佳驾驶方向和最佳驾驶速度进行行驶。首先其距离信息是通过发送信号与接收信息的时间差计算得到，需要实时计算大量的数据。其次，确定所述汽车当前的最佳驾驶方向和最佳驾驶速度需要人工拆解成繁琐的子任务，需要大量的计算，不能及时准确的得到驾驶数据。

发明内容

为了解决上述存在的技术问题，本发明提供了一种基于激光雷达和端到端深度学习方法的自动驾驶方法，计算快速，通过深度图可以快速得到距离信息，能够准确、高效的获取端到端深度学习神经网络所需要的数据和标签，有效完成端到端的驾驶控制。

本发明的技术方案是：

一种基于激光雷达和端到端深度学习方法的自动驾驶方法，包括以下步骤：

S01：将激光雷达获取的行车环境信息实时转化为深度图；

S02：根据位于基准数据时间戳两侧的被匹配数据的时间戳与基准数据时间戳差值的大小确定具体匹配元素，将完成匹配的数据保存为数据-标注对，作为训练数据；

S03：将训练数据输入构建的深度卷积神经网络模型进行训练，通过深度卷积神经网络模型得到驾驶数据。

优选的，所述步骤S01包括，将行车环境信息的每帧数据的数据点向行车前方左右分别一定夹角内投影，得到具有固定宽度和高度的深度图像；所述深度图像同一行像素的点对应于激光雷达数据中同一个俯仰角的点，同一列像素的点对应于激光雷达数据中同一偏转角的点。

优选的，所述步骤S02之前还包括，将各类型数据的时间戳转化为一定大小的整型时间戳。

优选的，所述深度卷积神经网络模型包括多级卷积神经网络和全连接神经网络。

与现有技术相比，本发明的优点是：

1、本发明中，自动驾驶汽车的环境感知，采取激光雷达传感器，相比现有技术中的摄像头，在绝大多数气象条件下均可使用，强光、雨雪等天气对激光雷达获取数据影响不大；并且激光雷达具有数据量大，无感知盲区等优势。

2、投影算法实施简单，计算快速，能实时得到表达行车环境的标准化和白化的深度图。