[發明專利]一種基于行車態勢圖的車輛自動駕駛決策系統及基于無人機的訓練集制備方法

有效

• 申請號: 201910295812.6
• 申請日: 2019-04-12
• 公開（公告）號: CN110007675B
• 公開（公告）日: 2021-01-15
• 發明（設計）人: 田大新;鄭坤賢;段續庭;周建山;韓旭;張創;趙元昊;衛靜怡;王叢毓;閆慧文;黃米琪;劉赫;拱印生
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G05D1/02
• 分類號: G05D1/02;G06K9/00;G06K9/62
• 代理公司: 北京華仁聯合知識產權代理有限公司 11588
• 代理人: 蘇雪雪

1.一種基于行車態勢圖的車輛自動駕駛決策系統，該車輛自動駕駛決策系統包括感知層、決策層、控制層以及安全模塊，其特征在于：

所述感知層對視頻進行抽象化處理，獲取行車態勢圖序列X，并將所獲取的行車態勢圖序列X傳輸到決策層進行處理；

所述決策層接收行車態勢圖序列X，提取行車態勢圖序列X中的空間特征和運動特征，并將提取的所述空間特征與所述運動特征進行特征融合，得到融合后的特征圖Fusion_conv5，將所述融合后的特征圖Fusion_conv5輸入Net_high卷積神經網絡以從低級特征中提取感興趣的高級特征并得到參考航跡點參數Δx、Δy、Δv和Δα，并進行軌跡擬合以及軌跡更迭；

所述安全模塊接收所述感知層的數據進行安全檢測以及軌跡更正，具體包括：

從感知系統處獲得周圍交通參與者的速度值后計算其加速度，當發現其加速度發生突變時以其突變后的加速度計算碰撞危險區域，根據碰撞危險區域修正參考軌跡從而避免碰撞；

所述軌跡更正的具體過程為先沿原軌跡減速行駛，駕駛決策系統根據當前狀態重新規劃軌跡，之后車輛按照新軌跡行駛；

其中，所述Net_high卷積神經網絡為兩層卷積層和三層全連接層的結構；

所述感知層對視頻進行抽象化處理，具體包括，先截取感興趣區，然后獲取車輛對象，對其進行跟蹤獲得軌跡參數，最后對圖中各物體尺寸進行度量，經過圖像處理，獲得駕駛決策代入車在決策起始幀對應時刻后0.5s、1.0s和1.5s時對應的行車關鍵參數，所有交通參與者的位置和外形尺寸，以及交通標線和道路邊界的位置和尺寸。

2.根據權利要求1所述的車輛自動駕駛決策系統，其特征在于：

所述空間特征是指行車態勢圖中各個組成元素之間的相對位置關系，通過AlexNet卷積神經網絡提取行車態勢圖中各個交通參與者之間距離、速度、與車道線距離特征，所述空間特征的提取僅限當前時刻t_n對應的行車態勢圖；

在提取所述行車態勢圖中的空間特征之前，還包括將行車態勢圖轉化為灰度圖，并將本車車速、周圍車輛車速歸一化到取值區間為[0,255]的對應“T”字形、三角形的灰度值，生成速度灰度態勢圖，所述速度灰度態勢圖通過圖形區分不同的交通參與者。

3.根據權利要求2所述的車輛自動駕駛決策系統，其特征在于，提取所述運動特征具體包括：

使用基于多項式展開的雙幀運動估計得到相鄰態勢圖的光流，并將提取的光流數據歸一化到取值區間[0,255]中，生成光流灰度圖，再通過AlexNet卷積神經網絡提取相鄰態勢圖間的運動特征；

光流灰度圖的序列Y表達了交通參與者的運動隨時間變化的過程，將所述光流灰度圖序列Y中所有光流灰度圖在AlexNet卷積神經網絡conv5層的像素層數據取均值得到序列整體的運動特征，融合后的特征層以Y_conv5指代。

4.根據權利要求3所述的車輛自動駕駛決策系統，其特征在于，將提取的所述空間特征與所述運動特征進行特征融合，得到融合后的特征圖Fusion_conv5，具體包括：

將速度灰度態勢圖的conv5層特征圖與光流灰度圖Y_conv5的對應位置特征圖通過如下公式實現對齊并加權求和：

F_fusion＝w_space F_space+w_motion F_motion

其中F_space為速度灰度態勢圖的conv5層特征圖的像素層數據矩陣，F_motion為光流灰度圖Y_conv5特征圖的像素層數據矩陣，F_fusion為融合后的特征圖Fusion_conv5的像素層數據矩陣，w_space和w_motion分別為空間特征和運動特征所占權重，且滿足w_space+w_motion＝1。