【技术实现步骤摘要】
基于领域自适应神经网络的自动驾驶转向角度预测方法
本专利技术涉及自动驾驶领域,具体涉及一种基于领域自适应方法(DomainAdaptation)和端到端的深度神经网络模型的自动驾驶车转向角度预测方法。
技术介绍
深度学习的蓬勃发展,尤其是它在计算机视觉和自然语言处理任务上的成功,极大地扩展了现代计算机的应用场景并深刻地影响着当下的社会生活。作为深度学习的重要应用之一,自动驾驶技术也成为了热点研究领域。该技术试图在汽车驾驶的问题上解放人类,利用计算机系统自动控制汽车的驾驶,提高汽车驾驶的安全性与便利性,因此该技术具有良好的应用前景。自动驾驶系统中的转向角度预测模块是其最重要的组成部分,其功能是控制汽车前轮的转向以控制汽车前进的方向。转向角度预测模块的工作流程通常是先由车前摄像头拍摄得到周围路面的视频或照片序列,输入车载计算系统进行处理,对下一时刻的转向角度进行预测,最后生成转向控制指令控制前轮转向。早期的转向角度预测方法依赖于在视频或图片输入中寻找符合人类经验的图像特征,如车道、行人、建筑物等,通过模式识别学习这些特征与汽车转向角度的关系。许多新的研究表明,采用一个端到端的神经网络模型,直接输入原始的像素数据进行转向角度预测,比基于人类经验特征的方法具有更好的效果。得益于深度卷积神经网络的强表征能力,端到端的转向预测模型可以自主学习路面场景中的哪些视觉信息和人类的驾驶行为存在联系,并依此进行正确、合理的预测。但是,基于深度学习的转向角度预测方法十分受限于自动驾驶数据集的规模和质量。自动驾驶数据集包含的样本,常为 ...
【技术保护点】
1.基于领域自适应神经网络的自动驾驶转向角度预测方法,其特征在于包括如下步骤:/n步骤1、获取数据集,进行数据预处理;/n获取真实数据集和虚拟数据集,对真实数据集和虚拟数据集中的图像数据进行简单的预处理作为后续深度神经网络的输入;/n步骤2、使用两个参数独立但结构相同的语义特征提取网络分别建模真实域语义映射和虚拟域语义映射;语义特征提取网络使用卷积神经网络实现,记真实域语义映射的网络模型参数为θ
【技术特征摘要】
1.基于领域自适应神经网络的自动驾驶转向角度预测方法,其特征在于包括如下步骤:
步骤1、获取数据集,进行数据预处理;
获取真实数据集和虚拟数据集,对真实数据集和虚拟数据集中的图像数据进行简单的预处理作为后续深度神经网络的输入;
步骤2、使用两个参数独立但结构相同的语义特征提取网络分别建模真实域语义映射和虚拟域语义映射;语义特征提取网络使用卷积神经网络实现,记真实域语义映射的网络模型参数为θv,虚拟域语义映射的网络模型参数θr;对来自真实数据集和虚拟数据集的输入Xr和Xv分别进行特征抽取,得到具有较高语义信息的特征向量sr和sv;将来自两种数据集的特征混合,并生成相应的域标签ci:
表示输入特征来自真实数据集,表示输入特征来自虚拟数据集;
步骤3、将特征向量si输入转向角度预测网络P和领域分类网络D并建模一组对抗性的损失函数;通过对抗性的网络训练实现领域自适应性,故需要设计两个输出层和两个损失函数:
步骤3-1.将特征向量si输入以θd为模型参数的领域分类网络,得到领域分类网络的输出进一步计算交叉熵损失函数作为分类损失
其中,Nr为真实数据集样本量,Nv为虚拟数据集样本量;
步骤3-2.将特征向量si输入以θp为模型参数的转向角度预测网络,输出标量预测结果然后计算预测损失函数,具体采用均方误差公式,即
其中,yi表示输入样本Xi对应的转向指令标签;
步骤4、对语义特征提取网络、领域分类网络和转向角度预测网络进行端到端地训练,优化模型参数θv、θr、θd和θp,采用的优化目标为:
其中,和分别为最优化θv、θr、θd和θp的得到的模型参数;λ为系数常量,表明分类损失相较于预测损失的重要程度;通过梯度反向传播算法和Adam优化器训练神经网络模型,使模型参数逼近上述优化目标;
步骤5、对模型进行测试或应用;要对训练完成的模型进行真实环境下的测试或实际应用时,只需要保留语义特征提取网络和转向角度预测网络,输入真实环境的图像数据,就可以得到具有较高泛化性的转向角度预测结果。
2.根据权利要求1所述的基于领域自适应神经网络的自动驾驶转向角度预测方法,其特征在于步骤(1)具体实现如下:
首先获取取样于真实驾驶环境的真实数据集和在计算机模拟环境中生成的虚拟数据集,对数据集中的视频数据进行抽帧,得到一组时序图片序列;将图片序列中的每张RGB图片调整为120×240大小;对每一个时刻t构造一个训练样本,取xt-3、xt-2、xt-1和xt四张图片在时间维度拼接,形成一个四阶张量的输入样本Xt,其大小为(3,4,120,240);每一个输入样本Xt对应一个转向指令的标签yt,这里yt=α/90∈(-1,1),α为前轮转向的角度,当汽车左转时α为负,右转时α为正;设真实数据集的样本量为Nr,虚拟数据集的样本量为Nv;通常来说,有Nr<Nr,为了保证训练数据的平衡,每一个训练步,从两个数据集中各随机抽取N个样本,即网络训练时每个批量的数据总共2N个样本。
3.根据权利要求2所述的基于领域自适应神经网络的自动驾驶转向角度预测方法,其特征在于步骤...
【专利技术属性】
技术研发人员:余宙,俞俊,邵镇炜,罗宇矗,
申请(专利权)人:杭州电子科技大学,
类型:发明
国别省市:浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。