[發(fā)明專利]一種基于GRU網(wǎng)絡(luò)模型與Gipps模型融合的車輛跟馳方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010075940.2
• 申請(qǐng)日: 2020-01-22
• 公開(kāi)（公告）號(hào): CN111338385A
• 公開(kāi)（公告）日: 2020-06-26
• 發(fā)明（設(shè)計(jì)）人: 張耀偉;李振龍;王皓昕;鄭淑欣;張靖思
• 申請(qǐng)（專利權(quán)）人: 北京工業(yè)大學(xué)
• 主分類號(hào): G05D1/12
• 分類號(hào): G05D1/12;G06N3/08
• 代理公司: 北京思海天達(dá)知識(shí)產(chǎn)權(quán)代理有限公司 11203
• 代理人: 吳蔭芳

本發(fā)明提供了一種基于GRU與Gipps融合的車輛跟馳方法，方法中引入GRU神經(jīng)網(wǎng)絡(luò)模型，該模型考慮駕駛員駕駛車輛的時(shí)序特性，通過(guò)真實(shí)的駕駛數(shù)據(jù)學(xué)習(xí)駕駛員的駕駛特性，輸出類似真實(shí)駕駛員控制車輛時(shí)的速度v_r(t)；同時(shí)利用基于安全距離的Gipps跟馳模型計(jì)算下一時(shí)刻的安全速度v_g(t)，校驗(yàn)網(wǎng)絡(luò)模型輸出的速度使之不超過(guò)安全速度，確保跟馳車輛與前車在安全距離范圍內(nèi)以平穩(wěn)的速度行駛。

技術(shù)領(lǐng)域

本發(fā)明設(shè)計(jì)車輛的自動(dòng)駕駛領(lǐng)域，具體涉及一種基于GRU與Gipps模型融合的車輛跟馳方法。

背景技術(shù)

隨著深度學(xué)習(xí)的興起，越來(lái)越多的深度學(xué)習(xí)算法應(yīng)用于自動(dòng)駕駛領(lǐng)域。利用車輛的傳感器獲取車輛周圍和本車輛的數(shù)據(jù)，將當(dāng)前時(shí)刻的數(shù)據(jù)輸入到基于深度學(xué)習(xí)模型建立的跟馳模型中，輸出跟馳車輛下一時(shí)刻的速度或者加速度，已達(dá)到控制跟馳車輛的目的。

目前已有的基于深度學(xué)習(xí)的跟馳模型多數(shù)是根據(jù)當(dāng)前時(shí)刻數(shù)據(jù)預(yù)測(cè)下一時(shí)刻的速度，但是，駕駛員的駕駛動(dòng)作可能會(huì)受前一時(shí)刻動(dòng)作的影響，僅利用當(dāng)前時(shí)刻的數(shù)據(jù)可能無(wú)法準(zhǔn)確預(yù)測(cè)出下一時(shí)刻的本車速度。而且，若將由駕駛員錯(cuò)誤操作產(chǎn)生的駕駛數(shù)據(jù)作為模型的輸入數(shù)據(jù)，則會(huì)導(dǎo)致模型輸出錯(cuò)誤的結(jié)果。

發(fā)明內(nèi)容

為了解決上述存在的技術(shù)問(wèn)題，本發(fā)明提出了一種將GRU深度神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)的Gipps模型相融合的車輛跟馳模型。GRU網(wǎng)絡(luò)模型在處理時(shí)間序列問(wèn)題是具有較好的效果，所以本發(fā)明利用GRU循環(huán)神經(jīng)網(wǎng)絡(luò)模型，將在跟馳狀態(tài)下的駕駛員的駕駛數(shù)據(jù)以時(shí)間序列形式作為模型的輸入，學(xué)習(xí)駕駛員的駕駛特征，輸出跟馳車輛的速度，做出類似人類駕駛員在跟馳狀態(tài)下的車輛駕駛控制；最后通過(guò)Gipps模型對(duì)GRU網(wǎng)絡(luò)模型輸出的速度進(jìn)行校驗(yàn)，以期在與前車保持絕對(duì)的安全距離情況下，控制車輛速度以最大限度地接近人類駕駛員的駕駛速度。

本發(fā)明所采用的技術(shù)方案的實(shí)現(xiàn)方法如下：

一種基于GRU與Gipps融合的車輛跟馳方法，在保證與前車安全距離的前提下，控制跟馳車輛做出類人駕駛；包括以下步驟：

步驟S1，采集多種交通環(huán)境和場(chǎng)景下的駕駛數(shù)據(jù)，數(shù)據(jù)以時(shí)間序列形式存儲(chǔ)，數(shù)據(jù)包括：跟馳車輛的速度，跟馳車輛的加速度，前車的速度，前車的加速度以及跟馳車輛與前車的距離；將數(shù)據(jù)進(jìn)行預(yù)處理，使其符合模型輸入的數(shù)據(jù)格式；

步驟S2，建立GRU神經(jīng)網(wǎng)絡(luò)模型，GRU神經(jīng)網(wǎng)絡(luò)模型用于預(yù)測(cè)車輛當(dāng)前時(shí)刻的速度，該模型包括1層輸入層，2層隱藏層和1層輸出層；激活函數(shù)使用Relu函數(shù)，隱藏層設(shè)置Dropout使部分神經(jīng)元停止工作，用于防止出現(xiàn)過(guò)擬合；

所述的GRU網(wǎng)絡(luò)模型包含輸入層，隱藏層，輸出層，其中：輸入層為1層，輸入的數(shù)據(jù)X為4維向量，包括：跟馳車輛的加速度，前車的速度，前車的加速度以及跟馳車輛與前車的距離。

隱藏層為2層，全部設(shè)置為全連接層，激活函數(shù)為Relu函數(shù)，第一層隱藏層包含32個(gè)神經(jīng)元，第二層包含64個(gè)神經(jīng)元，為防止模型出現(xiàn)過(guò)度擬合現(xiàn)象，在隱藏層設(shè)置Dropout，使隱藏層神經(jīng)元中的部分神經(jīng)元以一定的概率暫時(shí)停止工作。

輸出層為1層，預(yù)測(cè)輸出跟馳車輛當(dāng)前時(shí)刻的速度。

步驟S3，將預(yù)處理后的數(shù)據(jù)分為多個(gè)batch，輸入到深度學(xué)習(xí)模型中，通過(guò)多次迭代離線訓(xùn)練得到GRU模型的權(quán)重參數(shù)和偏置參數(shù)。

步驟S4，建立Gipps跟馳模型，并利用跟馳數(shù)據(jù)對(duì)模型的參數(shù)進(jìn)行標(biāo)定。

步驟S5，將實(shí)況駕駛時(shí)的數(shù)據(jù)輸入到參數(shù)標(biāo)定后Gipps模型中，得到當(dāng)前駕駛環(huán)境下的安全速度。

步驟S6，利用該安全速度校驗(yàn)GRU網(wǎng)絡(luò)模型輸出的車輛速度，確保GRU網(wǎng)路模型輸出的速度是安全的。

有益效果