【技术实现步骤摘要】
本专利技术属于人工智能，尤其涉及一种基于环境因素的自动驾驶智能障碍物感知方法。
技术介绍
1、随着自动驾驶技术的快速发展，如何有效地识别和处理路上的各种障碍物成为了一个重要的研究方向。传统的障碍物感知方法主要依靠雷达、摄像头等传感器直接采集数据，并使用基本的图像处理或机器学习技术进行处理。然而，这些方法往往受限于数据质量和多样性，难以应对复杂或未知的环境变化，容易出现误判或漏判情况。
2、申请号为cn202310969633.2的中国专利技术专利提出一种障碍物检测方法、路径规划方法、清洁机器人及计算机可读存储介质。障碍物检测方法包括：在清洁机器人向目标点运动的第一路径被障碍物截断的情况下，记录第一路径；根据第一路径，确定障碍物标记区域，以使清洁机器人重新规划路径时规避障碍物标记区域。本申请通过实际规划路径控制清洁机器人进行导航运动的情况下，根据当前被障碍物截断的路径，确定出障碍物的潜在位置，将不确定的障碍物位置转换为确定的标记区域，在重新规划导航路线时直接避开确定的标记区域，有效降低清洁机器人出现混乱或徘徊的概率，能够以更快、更优、更智能的方式确定路径的有效性，提高清洁效率。
3、申请号为cn202310861243.3的中国专利技术专利提出一种基于毫米波雷达和光学系统的低空障碍物协同探测方法，包括：步骤一、使用传统方法处理毫米波雷达数据，获取第一低空障碍物检测结果，若当前场景检测出低空障碍物，则进行步骤二；步骤二、获取当前场景下雷达扫描的方位角和俯仰角信息，并传送至红外和可见光图像采集设备，获取同一场景
4、申请号为cn202110820515.6的中国专利技术专利提出一种具有车前障碍物检测功能的无人驾驶车地协同系统，包括：路侧单元：沿轨道交通线路铺设若干路侧单元，通过路况检测传感器实时检测列车运行限界内路况信息；车载单元：车载单元将路侧单元发送过来的路况信息进行处理后通知列车控制单元；dcs网络：包括长距离车地无线网络和地面有线网络，路侧单元通过地面有线网络将路况信息发送至地面数据中心，地面数据中心通过长距离车地无线网络将路况信息发送至车载单元；wl-n网络：用于路侧单元和车载单元之间进行短距离无线通信。本专利技术具有难度低、全线实时检测等突出特点，具有非常强的应用价值。
5、但是，现有技术存在以下缺陷：(1)传统的自动驾驶障碍物感知方法可能依赖于较为单一的数据源或生成方式，导致训练出的模型泛化能力弱，无法有效应对复杂多变的实际驾驶环境。(2)传统的深度学习模型中，尤其是在深层网络中，梯度消失或爆炸是常见的问题，这会严重影响模型的训练效率和最终性能。(3)在没有有效控制模型复杂度的情况下，传统模型容易过拟合，尤其是在数据量不足时，模型的实用性和可靠性大大降低。因此，本专利技术提出了一种基于环境因素的自动驾驶智能障碍物感知方法。
技术实现思路
1、为解决上述技术问题，本专利技术提出了一种基于环境因素的自动驾驶智能障碍物感知方法，以解决上述现有技术存在的问题。
2、为实现上述目的，本专利技术提供了一种基于环境因素的自动驾驶智能障碍物感知方法，包括：
3、基于车载传感器采集属性数据构造数据集，基于量子计算对所述数据集进行数据扩充得到扩充后的数据；
4、构建自动驾驶智能障碍物感知模型，基于所述扩充后的数据对所述自动驾驶智能障碍物感知模型进行训练得到训练好的自动驾驶智能障碍物感知模型；
5、获取新属性数据，将所述新属性数据输入所述训练好的自动驾驶智能障碍物感知模型得到障碍感知结果。
6、可选地，基于量子计算对所述数据集进行数据扩充的过程包括：基于量子相位恢复的生成对抗网络算法进行数据扩充。
7、可选地，基于量子相位恢复的生成对抗网络算法进行数据扩充的训练过程包括：
8、s1、初始化生成器和判别器的网络参数；
9、s2、随机选择量子相位，所述生成器基于所述量子相位随机生成数据样本；
10、s3、所述判别器对所述数据样本的真实性进行评估得到评估结果；
11、s4、基于所述评估结果，更新所述生成器和判别器的网络参数；
12、s5、循环执行s2-s4直至达到预设迭代次数，完成数据扩充；
13、其中，基于对抗网络训练规则更新所述生成器和判别器的网络参数，更新规则为：
14、
15、式中，为更新后的生成器的参数，为更新后的判别器的参数，为更新前的生成器的参数，为更新前的判别器的参数，αg为生成器的学习率，αd为判别器的学习率，xr表示真实数据样本，表示对生成器参数的梯度，表示对判别器参数的梯度。
16、可选地，所述自动驾驶智能障碍物感知模型包括特征提取模型、数据降维模型和分类器模型；
17、其中，基于所述扩充后的数据，采用聚变现象原理的神经网络参数优化算法进行模型训练得到训练好的特征提取模型和数据特征；对特征提取模型的训练过程包括：
18、s6、定义神经网络结构并初始化权重和偏置；
19、s7、对每一对权重和偏置进行核合成循环操作得到合成后的新参数集合；
20、s8、对所述合成后的新参数集合进行能量评估，并更新参数状态；
21、s9、调节当前神经网络的聚变温度；
22、s10、检测当前参数状态的能量与动态平衡状态的关系，当当前参数状态的能量小于动态平衡状态时，执行s11，否则执行s7-s10；
23、s11、基于能量最优化原则更新参数配置。
24、可选地，更新参数配置的计算公式为：
25、
26、bnew＝b′k+βrateδb
27、式中，wnew为参数配置更新后的权重，w′j为聚变更新后的权重，b′k为聚变更新后的偏置，bnew为参数配置更新后的偏置，βrate为更新学习率，为融合调整因子，δw表示权重的增量，δb表示偏置的增量。
28、可选地，基于所述数据特征，采用渐进式学习的自编码器对所述数据降维模型进行训练；对所述数据降维模型进行训练的过程包括：
29、随机初始化自编码器参数；
30、采用逐渐向编码器和解码器中增加隐藏层的方式进行数据特征学习，并调整损失函数；
31、基于所述损失函数更新自编码器参数，直至损失值最小得到训练好的数据降维模型和降维后的数据。
32、可选地，基于重构误差和特征保持误差构建所述损失函数，所述损失函数的表达式为：
33、
34、式中，l表示损失函数，表示重构误差，∥pθ∥2表示正则化本文档来自技高网...
【技术保护点】
1.一种基于环境因素的自动驾驶智能障碍物感知方法，其特征在于，包括：
2.根据权利要求1所述的基于环境因素的自动驾驶智能障碍物感知方法，其特征在于，基于量子计算对所述数据集进行数据扩充的过程包括：基于量子相位恢复的生成对抗网络算法进行数据扩充。
3.根据权利要求2所述的基于环境因素的自动驾驶智能障碍物感知方法，其特征在于，基于量子相位恢复的生成对抗网络算法进行数据扩充的训练过程包括：
4.根据权利要求1所述的基于环境因素的自动驾驶智能障碍物感知方法，其特征在于，所述自动驾驶智能障碍物感知模型包括特征提取模型、数据降维模型和分类器模型；
5.根据权利要求4所述的基于环境因素的自动驾驶智能障碍物感知方法，其特征在于，更新参数配置的计算公式为：
6.根据权利要求4所述的基于环境因素的自动驾驶智能障碍物感知方法，其特征在于，基于所述数据特征，采用渐进式学习的自编码器对所述数据降维模型进行训练；对所述数据降维模型进行训练的过程包括：
7.根据权利要求6所述的基于环境因素的自动驾驶智能障碍物感知方法，其特征在于，基于重构
8.根据权利要求6所述的基于环境因素的自动驾驶智能障碍物感知方法，其特征在于，基于所述降维后的数据，采用独立决策的极端梯度提升决策树分类器算法对分类器模型进行训练的过程包括：
9.根据权利要求8所述的基于环境因素的自动驾驶智能障碍物感知方法，其特征在于，采用异步更新策略更新分类器模型的参数的表达式为：
10.根据权利要求1所述的基于环境因素的自动驾驶智能障碍物感知方法，其特征在于，所述障碍感知结果包括：实际障碍物、预判性障碍物、不确定性障碍物和无障碍物。
...【技术特征摘要】
1.一种基于环境因素的自动驾驶智能障碍物感知方法，其特征在于，包括：
2.根据权利要求1所述的基于环境因素的自动驾驶智能障碍物感知方法，其特征在于，基于量子计算对所述数据集进行数据扩充的过程包括：基于量子相位恢复的生成对抗网络算法进行数据扩充。
3.根据权利要求2所述的基于环境因素的自动驾驶智能障碍物感知方法，其特征在于，基于量子相位恢复的生成对抗网络算法进行数据扩充的训练过程包括：
4.根据权利要求1所述的基于环境因素的自动驾驶智能障碍物感知方法，其特征在于，所述自动驾驶智能障碍物感知模型包括特征提取模型、数据降维模型和分类器模型；
5.根据权利要求4所述的基于环境因素的自动驾驶智能障碍物感知方法，其特征在于，更新参数配置的计算公式为：
6.根据权利要求4所述的基于环境因素的自动驾驶智能障碍物感知方法，其...
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。