【技术实现步骤摘要】
本公开涉及用于交通载具运动控制的系统和方法。更具体地，本公开描述了用于交通载具运动控制的基于机器学习的预测系统和方法。
技术介绍
1、本引言总体上呈现了本公开的背景。当前提及的专利技术人在本引言所描述的范围内的工作以及在提交申请时可能未取得现有技术资格的描述的各方面既不明确地也不暗示地承认是相对于本公开的现有技术。
2、目前，一些自主交通载具使用模型预测控制(model predictive control,mpc)方法来确定未来的轨迹。然而，调谐并校准mpc参数是劳动密集型的。进一步地，已经开发了新的交通载具致动器(例如，差动驱动、后轮转向、四轮独立转向)，这使mpc参数的确定复杂化。使用mpc控制方法应对未知道路表面系数也具有挑战性。此外，当使用mpc方法时，自主交通载具可能不会针对轮胎变化(例如，轮胎磨损)考虑重大行为变化。因此，期望开发克服上述缺点的用于交通载具运动控制的基于机器学习的预测系统和方法。
技术实现思路
1、本公开描述了一种用于交通载具运动控制的方法。在本公开的一方面，该方法包括：从多个远程交通载具接收感测交通载具状态数据、致动命令数据和表面系数数据；将感测交通载具状态数据、致动命令数据和表面系数数据输入到自监督递归神经网络(rnn)中，以预测主交通载具在多个驾驶场景中的交通载具状态；以及命令主交通载具按照轨迹自主地移动，使用通过自监督rnn预测的交通载具状态确定轨迹。本段所描述的方法通过以下方式来改进自主交通载具技术：建立适用于任何交通载具模型的遗
2、在本公开的一方面，方法还包括训练自监督rnn。训练自监督rnn包括接收训练数据集。训练数据集包括感测交通载具状态数据和致动命令数据。缓冲感测交通载具状态数据。
3、在本公开的一方面，自监督rnn使用随机梯度下降学习来预测主交通载具在多个驾驶场景中的交通载具状态。
4、在本公开的一方面，自监督rnn包括用旁路连接顺序地链接的多个框。自监督rnn还包括递归层。递归层是自监督rnn的最后一层。
5、在本公开的一方面，多个框中的每一个都包括批归一化层(batch normalizationlayer)和在批归一化层之后的全连接层。
6、在本公开的一方面，全连接层包括渗漏(leaky)整流线性单元(rectified linearunit,relu)激活函数。
7、在本公开的一方面，多个框中的每一个都包括在全连接层之后的丢失(dropout)层。
8、在本公开的一方面，训练自监督rnn包括用多个随机权重来初始化自监督rnn。多个随机权重中的每一个都具有权重值。权重值小于预定值。
9、在本公开的一方面，训练自监督rnn包括最小化预测误差。
10、在本公开的一方面，预测误差使用以下方程式进行计算：
11、
12、其中：
13、e是所述预测误差；
14、γ是折扣因子，其中，0<γ<1；
15、‖·‖是用于处理异常值(outlier)的huber损失；
16、k是求和的指数；
17、t是求和的上限；
18、t是预定数量；
19、s(k)是主交通载具的交通载具状态；并且
20、是主交通载具的预测交通载具状态。
21、本公开还描述了一种有形的非暂时性机器可读介质，有形的非暂时性机器可读介质包括机器可读指令；当由一个或多个处理器执行时，机器可读指令使一个或多个处理器执行上述方法。
22、根据下文所提供的详细描述，本公开的另外的应用领域将变得显而易见。应当理解的是，详细描述和具体示例旨在仅用于说明目的并且不旨在限制本公开的范围。
23、当结合附图考虑时，根据详细描述(包括权利要求)和示例性实施例，当前公开的系统和方法的以上特征和优点以及其它特征和优点容易显而易见。
本文档来自技高网...【技术保护点】
1.一种用于交通载具运动控制的方法，所述方法包括：
2.根据权利要求1所述的方法，还包括：训练所述自监督RNN，其中，训练所述自监督RNN包括接收训练数据集，所述训练数据集包括所述感测交通载具状态数据和所述致动命令数据，并且缓冲所述感测交通载具状态数据。
3.根据权利要求2所述的方法，其中，所述自监督RNN使用随机梯度下降学习来预测所述主交通载具在所述多个驾驶场景中的所述交通载具状态。
4.根据权利要求3所述的方法，其中，所述自监督RNN包括用旁路连接顺序地链接的多个框，并且所述自监督RNN还包括递归层，并且所述递归层是所述自监督RNN的最后一层。
5.根据权利要求4所述的方法，其中，所述多个框中的每一个都包括批归一化层和在所述批归一化层之后的全连接层。
6.根据权利要求5所述的方法，其中，所述全连接层包括渗漏整流线性单元ReLU激活函数。
7.根据权利要求6所述的方法，其中，所述多个框中的每一个都包括在所述全连接层之后的丢失层。
8.根据权利要求7所述的方法，其中，训练所述自监督RNN包括：p>
9.根据权利要求8所述的方法，其中，训练所述自监督RNN包括最小化预测误差。
10.根据权利要求9所述的方法，其中，所述预测误差使用以下方程式进行计算：
...【技术特征摘要】
1.一种用于交通载具运动控制的方法，所述方法包括：
2.根据权利要求1所述的方法，还包括：训练所述自监督rnn，其中，训练所述自监督rnn包括接收训练数据集，所述训练数据集包括所述感测交通载具状态数据和所述致动命令数据，并且缓冲所述感测交通载具状态数据。
3.根据权利要求2所述的方法，其中，所述自监督rnn使用随机梯度下降学习来预测所述主交通载具在所述多个驾驶场景中的所述交通载具状态。
4.根据权利要求3所述的方法，其中，所述自监督rnn包括用旁路连接顺序地链接的多个框，并且所述自监督rnn还包括递归层，并且所述递归层是所述自监督rnn的最后...
【专利技术属性】
技术研发人员：曾树青，张玉彪，B·B·利特高希，
申请(专利权)人：通用汽车环球科技运作有限责任公司，
类型：发明
国别省市：
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。