[发明专利]基于迁移学习的车道保持控制方法

说明书

本发明公开了一种基于迁移学习的车道保持控制方法，首先采集行车记录仪前置相机录制的视频和车辆的转向控制信号作为训练数据，通过改变亮度、重设尺寸、增加阴影等方式对数据进行预处理，利用基于ImageNet数据集训练的VGGNet作为特征提取网络，同时在顶层添加全连接层，由此构建端到端的车道线保持控制网络模型；通过采集的行车视频和转向信号对该模型进行进一步地训练，最后对网络模型稳健性进行评估；利用基于ImageNet数据集训练的VGGNet作为特征提取网络，在车载计算资源和数据集均有限的情况下，本发明能够较好地拟合自动驾驶的转向角度，同时在网络模型泛化方面具有一定的有效性与可靠性，可以广泛应用于各类自动驾驶相关的车道线保持任务系统中。

技术领域

本发明属于计算机技术领域，具体涉及一种基于迁移学习的车道保持控制方法。

背景技术

基于计算机视觉的传统模式识别方法，往往需要人为地设计特征。而人为设计特征往往容易存在疏漏，对于自动驾驶汽车来说，忽视了某种情况的程序设计缺陷可能会造成严重的后果。近年来，以卷积神经网络(Convolutional Neural Network,CNN)为代表的深度学习方法因其对于复杂环境的适应性，已成为自动驾驶领域的关键技术之一。卷积神经网络之所以能够成功应用,主要依赖两个因素:一是大型的公共数据集(比如ImageNet)，二是高性能计算平台(比如GPU集群)。然而在利用深度学习进行自动驾驶过程中仍然存在一些技术难点亟待解决。

其中之一就是深度学习算法模型对计算资源要求较高导致不利于车载计算平台训练。大型深层神经网络的训练对计算资源要求较高，但由于车载计算平台对于功耗、体积等多方面的需求，只适合搭建简单的深度学习计算环境，这成为阻碍深度学习在自动驾驶领域广泛应用的瓶颈之一。例如，用ImageNet数据集训练一个深度为16层的卷积神经网络，利用NVIDIA Tesla K80GPU需要大约10天才能完成模型训练。如果换做普通PC机(以GTX970为例)可能需要1年以上的时间才能完成训练。另一个问题是驾驶数据集采集难度大，而用较小的数据集训练的模型在面对真实复杂环境时泛化表现欠佳。

因此，在计算资源和数据集均有限的情况下，如何高效地获得可靠模型是当前深度学习技术在自动驾驶领域应用的一个主要难点。此外，传统的车道保持算法有例如重庆长安汽车股份有限公司提出的专利“基于偏差预测算法的车道保持及自动对中系统和方法”(申请日：2014-10-31，申请号：CN 201410613860，公开号：CN104442814B)和电子科技大学提出的专利“一种车道线检测稳固算法”(申请日：2017-8-18，申请号：CN 201710712894，公开号：CN107516078A)。上述两申请专利的方法都能够在一定程度上有效检测车道线。但是这两种方法本质上均是将车道识别与转向控制信号的生成分开处理，再基于特定规则进行车道线保持。因此，这些基于规则判断的算法很难满足复杂条件下的驾驶需求。

发明内容

本发明的目的在于提供一种基于迁移学习的车道保持控制方法，采用端到端模型，通过输入原始行车记录仪前置视频直接输出车辆转向控制信号，从而达到车道线保持的目的，解决现有技术的问题。

为了实现上述目的，本发明采用的技术方案是，基于迁移学习的车道保持控制方法，包括以下具体步骤：

S1，采集行车中视频数据和转向数据；

S2，对S1收集的数据进行切分与转换；经过切分与转换之后的数据集分为训练集和测试集，

S3，构建端到端的车道线保持控制模型，具体为：

S31采用迁移学习的手段对模型进行初始化，利用基于ImageNet数据集训练的VGGNet作为特征提取网络，冻结VGG16的前8层权重；在卷积层和全连接层之间加入Flatten层；在此基础上，同时将VGG16原有的3个全连接层改为5个全连接层；再添加一个全连接层输出转向角度值，构建出端到端的车道保持控制模型；