[发明专利]一种基于深度卷积神经网络的自动驾驶车辆路径规划方法

说明书

本发明涉及一种基于深度卷积神经网络的自动驾驶车辆路径规划方法；首先构建深度卷积神经网络模型；然后采集车辆在不同驾驶环境下的障碍物栅格图，以及对应的参考路径，用于构建深度卷积神经网络模型训练、验证和测试的样例数据库；最后，将训练和测试完成的深度卷积神经网络模型用于自动驾驶车辆，向神经网络实时输入障碍物栅格图和参考路径，生成关键采样区域，并利用基于采样的路径规划算法，从关键采样区域中采样并规划生成路径。本发明克服了端到端方法中，预测误差无法克服的问题，使自动驾驶车辆的行驶轨迹更稳定和可控；也克服了从预设的路径集中选择路径方法缺乏灵活性和适应性的缺点，提高路径规划的灵活性，同时并保证了路径质量。

技术领域

本发明涉及深度卷积神经网络及自动驾驶领域，更具体地，涉及一种基于深度卷积神经网络的自动驾驶车辆路径规划方法。

背景技术

近年来，无人驾驶技术逐渐成为国内外高校和企业的研究热点，也因其在商业应用测试中的频频亮相引起大众的关注。无人车在实现自动驾驶过程中，自主驾驶系统的路径规划子系统是无人车自动驾驶的关键基础，是保证无人车安全稳定，无碰撞正常行驶的前提。

深度卷积神经网络以其优越的性能已经在图像分类、目标检测、场景分割等多个领域取得巨大成功。与传统的方法相比，深度卷积神经网络能够实现端到端训练，无需手工设计特征，可以自动学习，准确率更高、鲁棒性更强。正因深度卷积神经网路的优点，其在自动驾驶的路径规划领域也得到越来越多的应用。有许多研究集中于实现端到端的规划路径生成，即将无人车前向视角的图片输入网络，直接生成有效的路径。也有一部分研究集中在利用前向视角的图像直接输出无人车的控制指令，将路径规划和运动控制融合。还有一些研究集中在利用深度卷积神经网路学习路径规划所需的关键信息，利用提取的信息加速路径规划速度，和改善规划路径的质量。

申请号为CN108469815A，公开了一种基于意图的计算机深度学习自动导航和驾驶方法，不需要传统意义上的高精度雷达地图，普通的地图导航结果即可用于自动驾驶。路径规划只用于意图提取，所述意图提取，对于自动驾驶，意图提取来源于路径规划。所述底层基于意图的决策，利用深度模仿学习来学习各种驾驶技能。申请号为CN108875998A，涉及一种自动驾驶车辆规划方法和系统，从体系上将全局路径规划、局部行为规划及运动规划进行融合，避免各模块孤立分布及缺乏逻辑层次；从信息流上采用至上而下与至下而上融合方式，提高系统鲁棒性。但是在上述方案中，第一，从全局路径中提取意图，然后利用深度卷积网络基于意图进行无人车辆的控制，相当于利用深度模仿学习实现了路径规划和控制的融合，是一种端到端的方法，此方法无法克服神经网络的预测误差对无人车辆的控制的影响。而且，训练过程需要大量样本，同时，无人车的行驶轨迹难以预测，安全性和稳定性不足；第二，通过从预设的路径集中选择适合当前环境的路径来完成路径规划任务，这种方法由于预先设定了可选的路径，较难适应复杂多变的交通环境。同时，没有针对场景进行路径的优化，在生成的路径的质量较难保证。

发明内容

本发明为克服上述现有技术中无法克服神经网络的预测误差对无人车辆的控制的影响的缺陷，提供一种基于深度卷积神经网络的自动驾驶车辆路径规划方法，利用深度卷积神经网络从参考路径和障碍物栅格图中自动提取特征并得到关键采样区域，然后利用基于采样的路径规划算法，从关键采样区域中采样并生成路径，从而克服了端到端方法中，预测误差无法克服的问题，使自动驾驶车辆的行驶轨迹更稳定和可控。

为解决上述技术问题，本发明采用的技术方案是：一种基于深度卷积神经网络的自动驾驶车辆路径规划方法，包括以下步骤：

S1.构建深度卷积神经网络模型，用于生成关键采样区域；