[发明专利]一种无人驾驶汽车在城市交通场景中驾驶策略计算方法

说明书

本发明涉及机器学习领域，公开了一种无人驾驶汽车在城市交通场景中驾驶策略计算方法，包括：收集数据样本，并对数据样本进行预处理，得到数据集；基于数据集构建并训练多尺度预测卷积神经网络；将摄像机获取的图像输入多尺度预测卷积精神网络，获取场景中目标类别以及置信度；根据目标类别识别交通场景；基于交通场景计算驾驶策略风险度和道德强度，生成驾驶策略。本发明提高了目标对象的识别精度和整体效率，在识别图像中目标类别的同时还计算出识别目标的精度。

技术领域

本发明涉及机器学习领域，尤其涉及一种无人驾驶汽车在城市交通场景中驾驶策略计算方法。

背景技术

随着人工智能技术的快速发展以及深度学习算法的不断完善，自动驾驶技术正逐步走向实际应用的轨道。目前国内某些城市已经允许自动驾驶网约车上路，与此同时，为了让无人驾驶汽车更好的适应复杂的城市交通场景，并在伦理困境中做出符合伦理道德的驾驶策略，需要对城市交通场景以及场景中的交通元素进行更具针对性的检测。传统的基于卷积神经网络的场景分类方法都在追求高精度的分类方法，没有从实际应用出发，更加具体的从交通元素出发对交通场景展开分类，并展示出最终识别出对象的类别以及对应的置信度，更没有对处于伦理困境中的无人驾驶汽车的驾驶策略展开研究。

发明内容

本发明的目的在于提供一种无人驾驶汽车在城市交通场景中驾驶策略计算方法，旨在提高目标对象的识别精度和整体效率，在识别图像中目标类别的同时还计算出识别目标的精度，最终在系统界面上显示场景类别以及场景中各个元素的置信度。

为实现上述目的，本发明提供了一种无人驾驶汽车在城市交通场景中驾驶策略计算方法，包括：收集数据样，并对数据样本进行预处理，得到数据集；基于数据集构建并训练多尺度预测卷积神经网络；将摄像机获取的图像输入多尺度预测卷积精神网络，获取场景中目标类别以及置信度；根据目标类别识别交通场景；基于交通场景计算驾驶策略风险度和道德强度，生成驾驶策略。

其中，所述收集数据样本，并对数据样本进行预处理，得到数据集的具体步骤是：获取数据源；数据源按比例6：2：2分成训练集、测试集和验证集；提取属性标签；基于属性标签使用LabelImg工具对数据源中的目标对象进行标注生成数据集。

其中，所述基于属性标签使用LabelImg工具对数据源中的目标对象进行标注生成数据集之后，所述步骤还包括：使用K-means聚类算法生成了六种不同尺寸的先验框。

其中，所述属性标签包括行人、骑手和车辆，行人包括性别和年龄，骑手包括戴头盔和不带头盔；车辆包括安全等级，载客数量、特殊用途和危险物品。

其中，所述将摄像机获取的图像输入多尺度预测卷积精神网络，获取场景中目标类别以及置信度的具体步骤为：采用逻辑回归的方法预测目标对象的类别；采用非极大值抑制算法计算预测对象的置信度。

其中，所述根据目标类别识别交通场景的具体步骤是：基于数据集设定多种交通场景；结合图像中的所有目标类别与交通场景进行匹配以识别当前交通场景；将当前交通场景进行显示。

其中，所述基于交通场景计算驾驶策略风险度和道德强度，生成驾驶策略的具体步骤为：计算驾驶策略风险度；基于社会影响、潜在伤害和危害大小计算道德强度；基于驾驶策略风险度和道德强度获取驾驶策略。

其中，所述驾驶策略风险度的具体步骤是：基于行人年龄和性别加权计算行人风险值；基于骑手是否佩戴头盔加权计算骑手风险值；基于车辆类别计算车辆风险值；结合行人风险值、骑手风险值和车辆风险值计算驾驶策略风险度。

本发明的一种无人驾驶汽车在城市交通场景中驾驶策略计算方法，包括：收集数据样本，并对数据样本进行预处理，得到数据集；基于数据集构建并训练多尺度预测卷积神经网络；将摄像机获取的图像输入多尺度预测卷积精神网络，获取场景中目标类别以及置信度；根据目标类别识别交通场景；基于交通场景计算驾驶策略风险度和道德强度，生成驾驶策略。

本发明具有如下优势：