[发明专利]一种面向自动驾驶的平行规划方法、设备及存储介质

说明书

本发明涉及一种面向自动驾驶的平行规划方法、设备及存储介质，方法包括：获取虚拟驾驶场景数据和真实驾驶场景数据，并基于所述虚拟驾驶场景数据和真实驾驶场景数据建立联合数据集；构建端到端的自动驾驶运动规划模型；构建用于预测各种虚拟未来驾驶场景的平行时空视频生成模型；采用所述联合数据集对所述自动驾驶运动规划模型和平行时空视频生成模型进行训练，以得到平行规划模型；采用所述平行规划模型对各种虚拟未来驾驶场景进行平行规划。本发明解决了目前自动驾驶领域中规划算法无法应对紧急驾驶场景的问题。

技术领域

本发明涉及自动驾驶技术领域，尤其涉及一种面向自动驾驶的平行规划方法、设备及存储介质。

背景技术

运动规划是自动驾驶领域的一个重要研究方向，而运动规划的本质是持续感知的序列数据到运动操控参数的映射。公开号为CN105487537A的中国专利申请中提出了一种车辆运动规划方法和无人车，该方法将实际路径转换为概率表示，并根据车辆的状态信息计算转换到对应栅格的概率，提高了路径搜索效率；公开号为CN111665853A的中国专利申请中提出了一种面向规划控制联合优化的无人车辆运动规划方法，将车辆动力学模型引入规划算法中，提高规划效率，保证规划与控制的一致性。这类基于规则的运动规划方法，在规则之内的场景能够做出很好的规划结果，对于规则之外的场景却难以取得理想的效果，并且不具备自主学习的能力，难以应对自动驾驶中不断变化的复杂场景。

将深度学习技术引入运动规划领域，可以实现从感知数据到运动参数的端到端的运动规划，让算法具备学习能力。然而深度学习强烈依赖于大规模标记的数据集，样本数通常在百万级或以上才能够覆盖足够大的特征空间。对于自动驾驶运动规划，获取大量多样化的交通数据，是一个极为耗费人力和物力、时间和金钱成本的过程，并且具有一定危险性，特别是对于一些紧急驾驶场景。此外，目前自动驾驶运动规划算法都是针对当前场景进行规划，并未考虑潜在的紧急事件，存在一定的安全隐患。

发明内容

有鉴于此，有必要提供一种面向自动驾驶的平行规划方法、设备及存储介质，用以解决目前自动驾驶领域中规划算法无法应对紧急驾驶场景的问题。

第一方面，本发明提供一种面向自动驾驶的平行规划方法，包括如下步骤：

获取虚拟驾驶场景数据和真实驾驶场景数据，并基于所述虚拟驾驶场景数据和真实驾驶场景数据建立联合数据集；

构建端到端的自动驾驶运动规划模型；

构建用于预测各种虚拟未来驾驶场景的平行时空视频生成模型；

采用所述联合数据集对所述自动驾驶运动规划模型和平行时空视频生成模型进行训练，以得到平行规划模型；

采用所述平行规划模型对各种虚拟未来驾驶场景进行平行规划。

优选的，所述的面向自动驾驶的平行规划方法中，所述自动驾驶运动规划模型的基础模型为深度强化模型，其中，所述深度强化模型采用深度Q网络与Actor-Critic框架融合的算法建立，Actor网络采用分层的结构，高层决策输出为驾驶行为，低层决策输出为具体的规划指令；Critic网络输出Q值，用于评价动作的好坏和计算梯度，更新网络。

优选的，所述的面向自动驾驶的平行规划方法中，所述自动驾驶运动规划模型的状态提取网络由卷积神经网络与长短时记忆网络级联构成。

优选的，所述的面向自动驾驶的平行规划方法中，所述自动驾驶运动规划模型的输入为自动驾驶汽车中左、中、右三个前向RGB车载相机采集的序列图像，所述自动驾驶运动规划模型的输出包括高层输出和低层输出，其中，所述高层输出为驾驶决策，所述低层输出为具体的规划指令。

优选的，所述的面向自动驾驶的平行规划方法中，所述平行时空视频生成模型由改进的条件生成对抗网络构成。