[发明专利]基于两阶段模仿学习的自动驾驶控制系统及其控制方法

说明书

本发明涉及一种基于两阶段模仿学习的自动驾驶控制系统，包括目标发布模块、组合导航模块、感知模块、控制参数生成模块和底层控制模块；目标发布模块用来提供目标的导航信息；组合导航模块用来提供车辆的状态信息；感知模块用来提供周围环境的图片信息；控制参数生成模块用来收集组合导航模块、感知模块和目标发布模块所采集的信息进行控制参数的预测并生成车辆的控制信息；底层控制模块用来接收车辆的控制信息并通过控制信息进行车辆控制。本发明采用基于两阶段模仿学习的自动驾驶控制系统通过对当前的外部环境进行综合性的分析进行控制。

技术领域

本发明属于无人车端到端控制技术领域，具体涉及一种基于两阶段模仿学习的自动驾驶控制系统及其控制方法。

背景技术

自动驾驶汽车作为对人类社会造成最强影响的现代科技产品之一，已经成为国内外研究的热点。研究自动驾驶技术对于国防建设、科技发展以及对经济和社会的发展等多个方面都有着重要的意义，但是要箱实现真正的自动化驾驶，依然面临着许多的困难和挑战。

传统的自动驾驶控制系统通过将各个部分模块化来实现。模块化系统是指将传感器的输入到车辆底盘控制参数的输出之间过程分别构造成一个个独立的模块，典型的分为定位、建图、感知、预测、规划与控制。模块化的基本逻辑就是分而治之，将一个复杂的任务分成若干个较为简单的子任务。该方法首先通过感知和规划模块将输入的传感器信息转化为预测的车辆轨迹，然后控制模块利用生成的轨迹得到车辆的控制参数进而进行车辆的控制。该方法的优势在于对于一些特殊情况，例如紧急制动、超速等，系统可以从不同角度施加约束，可以保证在其中部分传感器出现偏差的时候仍能提供较为可靠的输出。反过来说，传统的控制算法也意味着出错的概率大大增加，当前面某个模块出现错误时可能会沿着进程传播扩散，进而导致得到的控制参数与理想的参数差距很大，从而影响车辆的正常控制。例如在2018年发生的特斯拉事故，感知模块误将白色拖车识别成了天空，即使后续的控制模块完全正确执行，错误也无法避免。

随着神经网络的快速发展，端到端的方法成为自动驾驶技术研究的热点。端到端指的是从传感器输入通过神经网络直接产生控制参数，该系统实际上就是一种控制算法，该控制算法利用传感器采集的信息直接得到控制参数进而进行车辆的控制，由于该控制算法直接输入的是传感器采集的信息，不需要其他模块预先处理的信息，所以能够有效避免因为某一模块出现错误而积累的误差。常见的端到端控制算法主要有两种方法：模仿学习和强化学习。其中模仿学习作为一种很有前途的训练自动驾驶系统的方法正在逐渐引起人们的兴趣。人类驾驶的示范很容易大规模收集，有了这样的示范，模仿学习就可以用来训练一个把感知输入映射到控制命令的模型，从而直接实现对车辆的控制。

2016年NVIDIA提出了一个基于CNN的端到端自动驾驶控制算法PilotNet，该算法是第一个用与预测车辆方向盘转角的控制算法。该算法将摄像机采集到的图片输入到CNN网络，通过CNN得到的预测值与真实的控制值进行比较，调整CNN的权重使预测值不断接近真实值。经过大量的数据训练完成后的算法就可以通过摄像机输入的图像直接生成车辆的控制参数进行驾驶。NVIDIA的算法由于每次只进行单帧图片的预测，因此忽略了多帧图片之间的关系，也就是图片之间的时间关联信息。为了解决这一问题，Eraqi H M等人提出了一种新的端到端控制算法CIL，该算法是将CNN与LSTM进行了整合，CNN在提取空间特征的同时LSTM可以将图片之间的时间信息融进去训练好的算法可以通过输入视频流从而更准确的预测控制参数。CIL虽然考虑了时间信息，但通过测试会发现某些空间信息在特征提取的过程中会发生丢失。Chi L等人针对这一问题提出了一种时空卷积短期长期记忆网络CIRL。该自动驾驶控制算法将过去几帧图片的空间与时间信息进行了结合，同时融合了车辆的历史状态，进行控制参数的预测，进而实现自动驾驶。