[發明專利]自動駕駛路徑規劃方法及系統、計算機可讀存儲介質

在審

• 申請號: 202110376837.6
• 申請日: 2021-04-08
• 公開（公告）號: CN115195760A
• 公開（公告）日: 2022-10-18
• 發明（設計）人: 劉文如;閔歡;王玉龍;覃小藝;張劍鋒
• 申請（專利權）人: 廣州汽車集團股份有限公司
• 主分類號: B60W50/00
• 分類號: B60W50/00;B60W60/00
• 代理公司: 深圳匯智容達專利商標事務所(普通合伙) 44238
• 代理人: 徐文城

本發明涉及自動駕駛路徑規劃方法及系統、計算機可讀存儲介質，包括：獲取車載前視攝像頭所采集的當前時刻之前的n個時刻的前方圖像；n為預設數值；將所述n個時刻的前方圖像輸入預先訓練好的第一神經網絡模型以進行交通元素檢測處理，獲得交通元素；獲取歷史車輛軌跡，并將所述歷史車輛軌跡輸入預先訓練好的第二神經網絡模型以進行未來車輛軌跡預測處理，獲得未來車輛軌跡；根據所述前方圖像、所述前方交通元素以及所述未來車輛軌跡生成特征量，并將所述特征量輸入預先訓練好的第三神經網絡模型進行路徑規劃，獲得規劃路徑。本發明能夠解決目前深度學習網絡模型在自動駕駛系統應用上，可解釋性、安全性、先驗性存在不足的技術問題。

技術領域

本發明涉及自動駕駛技術領域，具體涉及一種自動駕駛路徑規劃方法及系統、計算機可讀存儲介質。

背景技術

深度學習網絡模型是機器學習領域中的一種模仿生物神經網絡結構和功能的計算模型。深度學習網絡模型由大量的人工神經元聯結進行計算，能在外界信息的基礎上改變內部結構，是一種自適應系統，具備學習功能。

在自動駕駛領域，基于深度學習的學習方式是指使用深度學習網絡模型對人類司機的駕駛行為進行模仿和學習的一種自動駕駛技術。這一技術的主要優點體現在學習能力上，能夠從數據中學習人類的駕駛行為。目前深度學習網絡模型在自動駕駛系統應用上，可解釋性、安全性、先驗性都存在不足，這是因為深度學習的黑箱性所導致的。

發明內容

本發明的目的在于提出一種自動駕駛路徑規劃方法及系統、計算機設備、計算機可讀存儲介質，以解決目前深度學習網絡模型在自動駕駛系統應用上，可解釋性、安全性、先驗性存在不足的技術問題。

為實現上述目的，本發明第一方面提出一種自動駕駛路徑規劃方法，包括：

獲取車載前視攝像頭所采集的當前時刻之前的n個時刻的前方圖像；n為預設數值；

將所述n個時刻的前方圖像輸入預先訓練好的第一神經網絡模型以進行交通元素檢測處理，獲得交通元素；

獲取歷史車輛軌跡，并將所述歷史車輛軌跡輸入預先訓練好的第二神經網絡模型以進行未來車輛軌跡預測處理，獲得未來車輛軌跡；

根據所述前方圖像、所述前方交通元素以及所述未來車輛軌跡生成特征量，并將所述特征量輸入預先訓練好的第三神經網絡模型進行路徑規劃，獲得規劃路徑。

可選地，所述交通元素和所述未來車輛軌跡均為圖像格式；其中，一個交通元素與未來任一時刻的車輛軌跡均對應一個尺寸為W*H*1的圖像，且所述前方圖像的尺寸為W*H*Z；W、H、Z為預設數值；所述交通元素至少包括車道線、車輛。

可選地，所述第一神經網絡模型包括卷積神經網絡模型和SSD網絡模型；其中，所述卷積神經網絡用于提取所述n個時刻的前方圖像的圖像特征；所述SSD網絡模型用于對所述卷積神經網絡所提取的圖像特征進行交通元素檢測獲得交通元素。

可選地，所述第二神經網絡模型為Resnet網絡模型。

可選地，所述第三神經網絡為深度學習網絡模型，所述深度學習網絡模型包括依次連接的圖像處理部分和全連接網絡部分，所述圖像處理部分包括依次連接的5個模塊，所述5個模塊均由多層Conv2D的卷積層構成，層數依次分別為2、2、3、6、5；所述5個模塊的過濾器數量分別為32、64、128、256、256，且過濾器的大小均為3*3，步幅均為1；

其中，所述圖像處理部分用于對所述特征量進行圖像卷積處理以獲得未來車輛軌跡對應的圖像序列；所述全連接網絡部分用于對所述圖像處理部分所提取的圖像序列，進行壓縮得到規劃路徑并輸出。

本發明第二方面提出一種自動駕駛路徑規劃系統，包括：

圖像獲取單元，用于獲取車載前視攝像頭所采集的當前時刻之前的n個時刻的前方圖像；n為預設數值；