[發明專利]一種端到端自動駕駛方法與系統、存儲介質

在審

• 申請號: 202111515832.3
• 申請日: 2021-12-13
• 公開（公告）號: CN116264005A
• 公開（公告）日: 2023-06-16
• 發明（設計）人: 王丹;王玉龍
• 申請（專利權）人: 廣州汽車集團股份有限公司
• 主分類號: G06V20/56
• 分類號: G06V20/56;G06V10/26;G06V10/764;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

本發明涉及一種端到端自動駕駛方法與系統、存儲介質，包括：在車輛駕駛過程中，接收當前時刻的車輛前方圖像，并對所述當前時刻的車輛前方圖像進行語義識別獲得當前時刻的第一語義分割圖；將所述當前時刻的車輛前方圖像和所述當前時刻的第一語義分割圖作為當前時刻的模型輸入量一并輸入預先訓練好的端到端自動駕駛模型進行處理，得到第二語義分割圖和所述車輛動作控制信息；其中，所述車輛動作控制信息包括方向盤轉角、車輛速度。本發明能夠解決傳統自動駕駛的端到端模型無法獲知駕駛策略是如何對駕駛環境進行解釋的，且駕駛策略學習的輸入樣本包括多種信息，較為復雜的技術問題。

技術領域

本發明涉及自動駕駛技術領域，具體涉及一種端到端自動駕駛方法與系統、存儲介質。

背景技術

在傳統自動駕駛中，都是采用基于規則的模塊化方法，一般分為感知、決策規劃和控制。模塊化方案依賴于各個模塊的精細復雜設計，而人為設計的系統往往覆蓋不了各種駕駛場景，比如感知模塊需要以一種有意義的表示形式來完美地表征外部環境，有助于決策與控制模塊；而端到端自動駕駛方案更接近于人類本質，是一種純AI的方法，端到端自動駕駛方案具有人工智能特性，以純數據驅動的學習形式，學習感知的同時采取控制行為。

在實現本發明的過程中，發明人發現傳統自動駕駛的端到端模型無法獲知駕駛策略是如何對駕駛環境進行解釋的，再者是駕駛策略學習的輸入樣本包括多種信息，較為復雜。

發明內容

本發明的目的在于提出一種端到端自動駕駛方法與系統，以解決傳統自動駕駛的端到端模型無法獲知駕駛策略是如何對駕駛環境進行解釋的，且駕駛策略學習的輸入樣本包括多種信息，較為復雜的技術問題。

為實現上述目的，本發明的實施例提出一種端到端自動駕駛方法，包括如下步驟：

步驟S100、在車輛駕駛過程中，接收當前時刻的車輛前方圖像，并對所述當前時刻的車輛前方圖像進行語義識別獲得當前時刻的第一語義分割圖；

步驟S200、將所述當前時刻的車輛前方圖像和所述當前時刻的第一語義分割圖作為當前時刻的模型輸入量一并輸入預先訓練好的端到端自動駕駛模型進行處理，得到第二語義分割圖和所述車輛動作控制信息；其中，所述車輛動作控制信息包括方向盤轉角、車輛速度；

其中，所述端到端自動駕駛模型包括概率圖模型和駕駛策略模型；所述概率圖模型用于根據當前時刻的模型輸入量進行推理得到潛在狀態變量，并根據所述潛在狀態變量進行解碼得到第二語義分割圖；所述駕駛策略模型用于根據所述概率圖模型輸出的潛在狀態變量進行駕駛決策得到車輛動作控制信息。

優選地，所述概率圖模型具體用于根據所述當前時刻的模型輸入量以及歷史時刻的模型輸入量和車輛動作進行推理得到潛在狀態變量。

優選地，所述概率圖模型包括濾波模塊、潛在動態模塊和生成模塊，所述濾波模塊用于對輸入所述概率圖模型的模型輸入量進行濾波處理，所述潛在動態模塊用于根據所述濾波模塊的濾波處理結果推理得到潛在狀態變量，所述生成模塊用于根據所述潛在狀態變量進行解碼得到第二語義分割圖。

優選地，所述駕駛策略模型基于最大熵強化學習算法中的隨機策略學習算法訓練得到。

優選地，所述端到端自動駕駛模型的優化目標函數為f＝f₁+f₂，所述概率圖模型的優化目標函數為f₁，所述駕駛策略模型的優化目標函數為f₂；

其中：