[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

摘要

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。

主权项

1.一种基于深度卷积神经网络的自动驾驶车辆路径规划方法，其特征在于，包括以下步骤：S1.构建深度卷积神经网络模型；S2.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，应用具有针对性的路径规划算法，根据障碍物栅格图和对应的参考路径，规划出在此障碍物栅格图和参考路径条件下的最优路径；取该最优路径上的点，作为此障碍物栅格图和参考路径所对应的关键采样区域，即输入对应的标签；之后建立用于深度卷积神经网络训练、验证和测试的样例数据库，数据库中每一个训练样例包含障碍物栅格图、参考路径和关键采样区域；S3.训练、验证和测试深度卷积神经网络；将步骤S2中建立的数据库分为三部分：训练集、验证集和测试集；首先用训练集中的样例训练神经网络，采用随机梯度下降方法最小化损失函数进行训练，直到损失收敛；然后用测试集测试训练完成的神经网络；S4.将测试完成的步骤S1中构建的神经网络用于路径规划；首先输入障碍物栅格图和参考路径，利用神经网络生成关键采样区域；然后使用基于采样的路径规划方法从关键采样区域中采样并生成路径。