[发明专利]一种利用卷积神经网络模拟城市交通系统的方法及装置

说明书

本发明公开了一种利用卷积神经网络模拟城市交通系统的方法及装置，主要解决现有技术中存在的现虚拟的城市交通系统中生硬的还原驾驶员的基础驾驶行为且不能模拟极端情况下自动驾驶反应的问题。该发明先创建城市模型，然后设计其中车流，再然后模拟天气和时间转换，最后通过虚拟车辆采集道路图像训练后控制车辆在虚拟环境中行驶；天气和时间的转化可用于模拟各类气候转换情况；通过虚拟车辆采集图像如人眼所看到的图像，通过神经网络模型来训练采集的图像，利用卷积核对图像的局部信息进行处理，然后在更高层将局部信息综合起来得到全局信息，最后输出命令发送至车辆，控制车辆在虚拟环境中行驶，这样能更人性化的模拟驾驶员的驾驶。

技术领域

本发明涉及城市交通模拟领域，具体地说，是涉及一种利用卷积神经网络模拟城市交通系统的方法及装置。

背景技术

自动驾驶汽车又称无人驾驶汽车、电脑驾驶汽车、或轮式移动机器人，是一种通过电脑系统实现无人驾驶的智能汽车，在20世纪已有数十年的历史，21世纪初呈现出接近实用化的趋势；其是自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，让电脑可以在没有任何人类主动的操作下，自动安全地操作机动车辆。

自动驾驶的开发、测试、评估需要在一个高效的虚拟环境进行自动驾驶模拟即需要虚拟的城市交通系统，现虚拟的城市交通系统中都是使用Unity引擎的射线检测来模拟车辆驾驶员，这种方式只是死板给程序设置一个检测值，生硬的去还原驾驶员的基础驾驶行为，不能使机器的行为更人性化，且无法模拟在极端情况，如极端的气候条件的情况下，自动驾驶的反应等。

发明内容

本发明的目的在于提供一种利用卷积神经网络模拟城市交通系统的方法及装置，以解决现虚拟的城市交通系统中生硬的还原驾驶员的基础驾驶行为且不能模拟极端情况下自动驾驶反应的问题。

为了解决上述问题，本发明提供如下技术方案：

一种利用卷积神经网络模拟城市交通系统的方法包括以下步骤：

S1、创建城市模型；

S2、使用NavMesh设计步骤S1中城市模型的车流；

S3、使用插件在步骤S2得到的城市模型中模拟天气和时间转换；

S4、步骤S2中虚拟车辆采集道路图像，然后将图像发送至Python的训练模型，利用卷积神经网络训练模型，将训练模型输出的命令发送回车辆，控制车辆在虚拟环境中行驶。

本发明先创建城市模型，然后设计其中车流，再然后模拟天气和时间转换，最后通过虚拟车辆采集道路图像训练后控制车辆在虚拟环境中行驶；天气和时间的转化可用于模拟各类气候转换情况，如黑夜、白天、阴天、雨、雪、霜等；通过虚拟车辆模拟人眼所看到的画面，采集其图像如人眼所看到的图像，基于人眼对外界认知的模式，通过神经网络模型来训练采集的图像，神经网络模型利用卷积核对图像的局部信息进行处理，然后在更高层将局部信息综合起来得到全局信息，最后输出命令发送至车辆，控制车辆在虚拟环境中行驶，这样能更人性化的模拟驾驶员的驾驶。

进一步的，步骤S1的具体过程为：从Assets Store资源商店中获取已经搭建好的城市模型或者道路模型组件，自行设计道路系统；也可利用其他3D建模软件，构建自己需要的场景模。

进一步的，步骤S2的具体过程为：将NavMeshSurface附到道路平面，并选择可以行驶和不可以行驶的路面即完成城市模型中车流的设计；NavMesh是Unity中控制游戏角色进行空间探索和寻路的一个类，使用NavMesh设计行驶在虚拟环境中的AI车流；车辆整体的运行线路是固定的，但因为NavMesh会避开道路上的障碍物重新选择路线，故虚拟环境中AI车辆的具体行驶路线会有差别。

进一步的，步骤S3中使用Enviro插件模拟雨、雪、雾和白天黑夜的转换；也可选择其他环境模拟插件。