[发明专利]一种自动驾驶方法及其系统、计算机可读存储介质

说明书

本发明公开了一种自动驾驶方法及其系统、计算机可读存储介质，包括：获取当前时刻的本车前方图像；根据所述本车前方图像与目标检测网络模型获得当前时刻的R值；并根据所述本车前方图像与车道线识别网络模型获得当前时刻本车所在车道的车道中心线的多个特征点信息；根据当前时刻的R值与多个特征点信息获得当前时刻的多维特征信息，并根据当前时刻的多维特征信息与前k个时刻的多维特征信息生成多维特征信息序列，将所述多维特征信息序列输入LSTM网络模型进行驾驶决策处理，输出当前时刻用于控制本车驾驶执行机构自动驾驶的车速控制量和方向盘转角控制量。通过本发明，能够提高自动驾驶车辆驾驶安全性和自动驾驶能力。

技术领域

本发明涉及自动驾驶技术领域，具体涉及一种自动驾驶方法及其系统、计算机可读存储介质。

背景技术

传统基于规则方法的车辆自动驾驶过程一般划分为环境感知、决策规划和运动控制三大子任务，决策任务作为车辆自动驾驶过程中的关键环节直接决定了最终驾驶的效果，其功能在于根据实时感知到的场景信息预测输出车辆该时刻对应的横、纵向控制量，实现随机路况下合理的驾驶行为决策，这种方法的最终效果往往取决于人工对感知信息中有效特征的提取程度以及决策逻辑规则的完备程度。近年来基于深度学习的算法也逐渐被探索应用于该领域，且主流的研究思路聚焦于端到端方式，它的实现方式是直接将车辆传感器感知到的信息映射到车辆的方向盘转角、速度等驾驶行为参量上，无需过多特征工作方面的工作，算法效果主要依赖于端到端网络架构的合理程度及训练数据规模的大小，但它面临着可解释性欠缺、模型迁移性差等问题。具体地，现有技术大多通过车辆的前端摄像头采集车辆行驶环境数据，同时通过数据采集设备采集驾驶员驾驶行为数据，驾驶行为数据具体为方向盘转角，以采集的图像数据作为输入，以采集的驾驶员驾驶行为数据作为输出，建立深度学习自动驾驶网络模型进行训练，最后将训练完成的网络模型迁移到嵌入式设备中进行推理计算，完成自动驾驶功能。

在实现本发明的过程中，发明人发现现有技术至少存在以下技术问题：

①现有技术中的深度学习自动驾驶网络模型以车辆的前端摄像头采集的原始图像作为网络模型输入，由于原始图像中数据内容比较多，可能包括了一些与驾驶无关的元素，导致网络对道路交通元素关注度不够，系统鲁棒性较差，容易造成自动驾驶车辆发生安全事故；

②现有技术中的深度学习自动驾驶网络模型仅以方向盘转角作为输出，没有速度进行控制，所达到的自动驾驶能力较弱。

发明内容

本发明的目的在于提出一种自动驾驶方法及其系统、计算机可读存储介质，以解决上述现有技术所存在的技术问题。

为实现上述目的，根据第一方面，本发明的实施例提出一种自动驾驶方法，包括：

获取当前时刻的本车前方图像；

将所述本车前方图像输入预先训练好的目标检测网络模型进行目标检测；若检测到目标，则获取本车与所述目标的距离信息，并令当前时刻的R值等于该距离信息；若未检测到目标，则令当前时刻的R值等于预设距离值；

将所述本车前方图像输入预先训练好的车道线识别网络模型进行识别获得本车所在车道的车道线信息，并根据所述车道线信息获得车道中心线上的多个位置点信息，将所述多个位置点信息输出作为当前时刻的多个特征点信息；

根据当前时刻的R值与多个特征点信息获得当前时刻的多维特征信息，并根据当前时刻的多维特征信息与前k个时刻的多维特征信息生成多维特征信息序列，将所述多维特征信息序列输入利用预先训练好的LSTM网络模型进行驾驶决策处理，输出当前时刻的车速控制量和方向盘转角控制量；

根据所述车速控制量和方向盘转角控制量控制本车驾驶执行机构自动驾驶。

可选地，所述目标为本车所在车道的前方中离本车最近的车辆或行人。

可选地，所述获取本车与所述目标的距离信息，包括：