[發明專利]一種面向自動駕駛的平行規劃方法、設備及存儲介質

有效

• 申請號: 202110254316.3
• 申請日: 2021-03-09
• 公開（公告）號: CN112947466B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 胡學敏;陳龍
• 申請（專利權）人: 湖北大學
• 主分類號: G05D1/02
• 分類號: G05D1/02
• 代理公司: 武漢智嘉聯合知識產權代理事務所(普通合伙) 42231
• 代理人: 陳建軍

本發明涉及一種面向自動駕駛的平行規劃方法、設備及存儲介質，方法包括：獲取虛擬駕駛場景數據和真實駕駛場景數據，并基于所述虛擬駕駛場景數據和真實駕駛場景數據建立聯合數據集；構建端到端的自動駕駛運動規劃模型；構建用于預測各種虛擬未來駕駛場景的平行時空視頻生成模型；采用所述聯合數據集對所述自動駕駛運動規劃模型和平行時空視頻生成模型進行訓練，以得到平行規劃模型；采用所述平行規劃模型對各種虛擬未來駕駛場景進行平行規劃。本發明解決了目前自動駕駛領域中規劃算法無法應對緊急駕駛場景的問題。

技術領域

本發明涉及自動駕駛技術領域，尤其涉及一種面向自動駕駛的平行規劃方法、設備及存儲介質。

背景技術

運動規劃是自動駕駛領域的一個重要研究方向，而運動規劃的本質是持續感知的序列數據到運動操控參數的映射。公開號為CN105487537A的中國專利申請中提出了一種車輛運動規劃方法和無人車，該方法將實際路徑轉換為概率表示，并根據車輛的狀態信息計算轉換到對應柵格的概率，提高了路徑搜索效率；公開號為CN111665853A的中國專利申請中提出了一種面向規劃控制聯合優化的無人車輛運動規劃方法，將車輛動力學模型引入規劃算法中，提高規劃效率，保證規劃與控制的一致性。這類基于規則的運動規劃方法，在規則之內的場景能夠做出很好的規劃結果，對于規則之外的場景卻難以取得理想的效果，并且不具備自主學習的能力，難以應對自動駕駛中不斷變化的復雜場景。

將深度學習技術引入運動規劃領域，可以實現從感知數據到運動參數的端到端的運動規劃，讓算法具備學習能力。然而深度學習強烈依賴于大規模標記的數據集，樣本數通常在百萬級或以上才能夠覆蓋足夠大的特征空間。對于自動駕駛運動規劃，獲取大量多樣化的交通數據，是一個極為耗費人力和物力、時間和金錢成本的過程，并且具有一定危險性，特別是對于一些緊急駕駛場景。此外，目前自動駕駛運動規劃算法都是針對當前場景進行規劃，并未考慮潛在的緊急事件，存在一定的安全隱患。

發明內容

有鑒于此，有必要提供一種面向自動駕駛的平行規劃方法、設備及存儲介質，用以解決目前自動駕駛領域中規劃算法無法應對緊急駕駛場景的問題。

第一方面，本發明提供一種面向自動駕駛的平行規劃方法，包括如下步驟：

獲取虛擬駕駛場景數據和真實駕駛場景數據，并基于所述虛擬駕駛場景數據和真實駕駛場景數據建立聯合數據集；

構建端到端的自動駕駛運動規劃模型；

構建用于預測各種虛擬未來駕駛場景的平行時空視頻生成模型；

采用所述聯合數據集對所述自動駕駛運動規劃模型和平行時空視頻生成模型進行訓練，以得到平行規劃模型；

采用所述平行規劃模型對各種虛擬未來駕駛場景進行平行規劃。

優選的，所述的面向自動駕駛的平行規劃方法中，所述自動駕駛運動規劃模型的基礎模型為深度強化模型，其中，所述深度強化模型采用深度Q網絡與Actor-Critic框架融合的算法建立，Actor網絡采用分層的結構，高層決策輸出為駕駛行為，低層決策輸出為具體的規劃指令；Critic網絡輸出Q值，用于評價動作的好壞和計算梯度，更新網絡。

優選的，所述的面向自動駕駛的平行規劃方法中，所述自動駕駛運動規劃模型的狀態提取網絡由卷積神經網絡與長短時記憶網絡級聯構成。

優選的，所述的面向自動駕駛的平行規劃方法中，所述自動駕駛運動規劃模型的輸入為自動駕駛汽車中左、中、右三個前向RGB車載相機采集的序列圖像，所述自動駕駛運動規劃模型的輸出包括高層輸出和低層輸出，其中，所述高層輸出為駕駛決策，所述低層輸出為具體的規劃指令。

優選的，所述的面向自動駕駛的平行規劃方法中，所述平行時空視頻生成模型由改進的條件生成對抗網絡構成。