【技术实现步骤摘要】
本专利技术涉及智能驾驶轨迹预测，具体为一种基于rcsm-pl网络的仿人智能驾驶轨迹规划方法。
技术介绍
1、目前针对车辆的耗能问题的研究，多集中在运动控制方面、车辆结构优化方面、环境影响方面对车辆的能量消耗问题进行研究，在车辆轨迹规划方面研究较少，轨迹规划对车辆的行驶具有指引作用，行驶轨迹的不同将直接影响车辆行驶消耗情况，故从轨迹规划、决策的角度对工程作业车辆的能源消耗情况进行研究是非常必要的。
2、常用的轨迹规划方法包括图搜索法、采样法、人工势场法等，其中图搜索法受环境轮廓影响较大，较难在场景中搜索出最优轨迹；采样法搜索过程中随机性较大，搜索轨迹会导致车辆能耗较高；人工势场法在接近障碍物时，规划轨迹会出现大幅摆动的现象，故应用时受到限制。非结构环境中的道路无法呈现规则的道路形状，以上提出的规划方法优化出的轨迹会为车辆带来较多的冗余里程负担，当车辆跟踪行驶时会消耗较多的能量，并且从能耗方面提取特征从而设计出约束函数具有较大难度，需要寻找合适的方法在非结构环境中规划出使车辆跟踪行驶时减少能源消耗的轨迹。
3、因此提供一种基于rcsm-pl网络的仿人智能驾驶轨迹规划方法解决上述问题，从轨迹规划的角度对车辆的能耗问题进行研究，通过采用数据驱动的机器学习方法来学习人类操控行为，规划出一种较好的方式能够符合人类操控习惯的轨迹，并且机器学习方法避免了手动设计约束函数的过程，可以直接从操控数据中学习决策规则，人类操控员可以根据复杂变化的环境调整不同的操控路线，从而操控车辆安全、平稳的行驶。
1、为了克服现有技术的上述缺陷，本专利技术的实施例提供一种基于rcsm-pl网络的仿人智能驾驶轨迹规划方法，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：一种基于rcsm-pl网络的仿人智能驾驶轨迹规划方法，包括以下步骤：
3、步骤1：进行驾驶操控轨迹数据采集；
4、步骤2：对步骤1采集的驾驶操控轨迹数据进行分析；
5、步骤3：对步骤2处理出的雷达图以及原始图像中的轨迹数据特征进行提取；
6、步骤4：使用多头注意力机制通过不同维度的线性变换对步骤3提取出的行驶轨迹空间特征进行学习；
7、步骤5：根据步骤4中得到的补偿网络输出的未来轨迹点、电量以及动力学特征参数在时间上具有较强相关性，以lstm网络作为基础结构，去捕捉和记忆时间序列中的长期依赖关系。
8、优选的，所述人类操控原始数据采集模块中驾驶操控轨迹数据包括行驶轨迹电量参数和行驶空间场景参数，其中行驶空间场景参数为雷达坐标数据和行驶区域图像像素数据。
9、优选的，所述人类操控数据分析模块中其分析包括以下步骤；
10、步骤2.1：人类操控轨迹及电量分析单元中对行驶轨迹电量参数进行分析，选择5条行驶路线，然后对不同行驶路线下车辆行驶过程中左右轮的电能消耗进行累积，根据电能消耗累积的结果绘制出5条路线下车辆电量累积消耗图，从而选择图2中id1路线对应的轨迹数据，最后对采集的数据进行分组处理，用于深度网络的训练；
11、步骤2.2：行驶空间场景处理与分析单元中对行驶空间场景参数进行分析，包括以下步骤：
12、步骤2.2.1：仿人操控轨迹信息，坐标转换模型为：其中xl,yl,zl分别表示激光雷达坐标系中点云坐标，λ表示尺度因子，ui,vi表示像素坐标系下点云坐标，m表示相机内参，r、t分别表示相机与激光雷达之间的旋转矩阵和偏移向量；
13、步骤2.2.2：对激光雷达采集的点云数据在高度方向进行投影，处理出二值可行使区域，黑色像素为不可行使区域，白色像素为可行使区域，之后将可行域均分为8个部分，对每一部分的中不可行驶区域占总区域的百分比进行计算，从而以每一部分的占比作为独立维度绘制出雷达图，其不可行驶区域占比计算模型为：其中ni表示不同区域的总像素点数量，nb表示对应区域黑色像素数量，p表示黑色像素数量占比。
14、优选的，所述时空序列轨迹规划特征提取模块中通过采用resnet50网络中的残差结构，残差模型为：y＝r(x,{wi})+x，其中x和y表示残差块的输入和输出，r(·)表示待学习的残差映射，wi表示待学习的参数，r(·)+x表示相应位置的和。
15、优选的，所述时空序列轨迹规划特征提取模块中在残差块中引入通道注意力，对有用的特征通道进行关注，忽略其他通道，通过最大池化和平均池化对输入特征图f的空间信息进行聚合，生成两种不同类型的特征：最大池化特征和平均池化特征；然后，将两种不同类型的特征传送到一个由具有一个隐藏层的多层感知器(multi-layer perceptrons)组成的权重共享网络，再经过进一步的最大池化和平均池化以及一个非线性激活单元，生成通道注意力图mc(f)，将生成的mc(f)和输入特征图f通过element-wise multiplication合并后得出f'，计算模型为：mc(f)＝σ(mlp(avgpool(f))+mlp(maxpool(f)))，其中σ表示激活函数，表示逐元素相乘。
16、优选的，所述时空序列轨迹规划特征提取模块中将f'输入空间注意力中，对感兴趣的局部区域进行关注，沿通道维度进行最大池化和平均池化操作，得到突出信息区域，通过卷积核尺寸为(3×3)的卷积层合并和卷积后，得出空间注意力图ms(f')，然后，通过空间特征图ms(f')和f'之间的元素相乘，生成细化特征图f”，计算模型为：
17、ms(f')＝σ(f([avgpool(f')；maxpool(f')]))，其中σ表示sigmoid函数，f表示与滤波器大小的卷积运算。
18、优选的，所述时空序列轨迹规划特征学习模块中使用多头注意力机制通过不同维度的线性变换对提取出的行驶轨迹空间特征进行学习，并且加入一层误差补偿层，计算模型为：其中dn,dk,dv表示不同的维度，误差补偿公式为：其中t0为真值的第一个序列点，p0为预测的第一个序列点，δa为第一个序列点中真值与预测点的差，wi和bi为可训练参数，pi为预测点，pl为补偿后预测点。
19、优选的，所述时空序列轨迹规划特征特征参数依赖关系分析模块中以lstm网络作为基础结构，去捕捉和记忆时间序列中的长期依赖关系，具体计算模型如下：
20、it＝σ(wic⊙ct-1+wihht-1+wixxt+bi),
21、ft＝σ(wft⊙ct-1+wfhht-1+wfxxt+bf),
22、ct＝ft⊙ct-1+it⊙tanh(wchht-1+wcxxt+bc),
23、ot＝σ(woc⊙ct+wohht-1+woxxt+bo),
24、ht＝ot⊙tanh(ct),
25、其中it,ft,ot分别是输入门、遗忘门、输出门；ct为状态细胞；wuv(u,v∈{x,i,f,c,h,o})表示权值矩阵；bu(u∈{i,本文档来自技高网...
【技术保护点】
1.一种基于RCSM-PL网络的仿人智能驾驶轨迹规划方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于RCSM-PL网络的仿人智能驾驶轨迹规划方法，其特征在于：所述人类操控原始数据采集模块中驾驶操控轨迹数据包括行驶轨迹电量参数和行驶空间场景参数，其中行驶空间场景参数为雷达坐标数据和行驶区域图像像素数据。
3.根据权利要求1所述的一种基于RCSM-PL网络的仿人智能驾驶轨迹规划方法，其特征在于：所述人类操控数据分析模块中其分析包括以下步骤；
4.根据权利要求1所述的一种基于RCSM-PL网络的仿人智能驾驶轨迹规划方法，其特征在于：所述时空序列轨迹规划特征提取模块中通过采用resnet50网络中的残差结构，残差模型为：y＝R(x,{Wi})+x，其中x和y表示残差块的输入和输出，R(·)表示待学习的残差映射，Wi表示待学习的参数，R(·)+x表示相应位置的和。
5.根据权利要求1所述的一种基于RCSM-PL网络的仿人智能驾驶轨迹规划方法，其特征在于：所述时空序列轨迹规划特征提取模块中在残差块中引入通道注意力，对有用的特征
6.根据权利要求1所述的一种基于RCSM-PL网络的仿人智能驾驶轨迹规划方法，其特征在于：所述时空序列轨迹规划特征提取模块中将F'输入空间注意力中，对感兴趣的局部区域进行关注，沿通道维度进行最大池化和平均池化操作，得到突出信息区域，通过卷积核尺寸为(3×3)的卷积层合并和卷积后，得出空间注意力图Ms(F')，然后，通过空间特征图Ms(F')和F'之间的元素相乘，生成细化特征图F”，计算模型为：
7.根据权利要求1所述的一种基于RCSM-PL网络的仿人智能驾驶轨迹规划方法，其特征在于：所述时空序列轨迹规划特征学习模块中使用多头注意力机制通过不同维度的线性变换对提取出的行驶轨迹空间特征进行学习，并且加入一层误差补偿层，计算模型为：其中dn,dk,dv表示不同的维度，误差补偿公式为：其中t0为真值的第一个序列点，p0为预测的第一个序列点，Δa为第一个序列点中真值与预测点的差，wi和bi为可训练参数，pi为预测点，pl为补偿后预测点。
8.根据权利要求1所述的一种基于RCSM-PL网络的仿人智能驾驶轨迹规划方法，其特征在于：所述时空序列轨迹规划特征特征参数依赖关系分析模块中以LSTM网络作为基础结构，去捕捉和记忆时间序列中的长期依赖关系，具体计算模型如下：
...【技术特征摘要】
1.一种基于rcsm-pl网络的仿人智能驾驶轨迹规划方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于rcsm-pl网络的仿人智能驾驶轨迹规划方法，其特征在于：所述人类操控原始数据采集模块中驾驶操控轨迹数据包括行驶轨迹电量参数和行驶空间场景参数，其中行驶空间场景参数为雷达坐标数据和行驶区域图像像素数据。
3.根据权利要求1所述的一种基于rcsm-pl网络的仿人智能驾驶轨迹规划方法，其特征在于：所述人类操控数据分析模块中其分析包括以下步骤；
4.根据权利要求1所述的一种基于rcsm-pl网络的仿人智能驾驶轨迹规划方法，其特征在于：所述时空序列轨迹规划特征提取模块中通过采用resnet50网络中的残差结构，残差模型为：y＝r(x,{wi})+x，其中x和y表示残差块的输入和输出，r(·)表示待学习的残差映射，wi表示待学习的参数，r(·)+x表示相应位置的和。
5.根据权利要求1所述的一种基于rcsm-pl网络的仿人智能驾驶轨迹规划方法，其特征在于：所述时空序列轨迹规划特征提取模块中在残差块中引入通道注意力，对有用的特征通道进行关注，忽略其他通道，通过最大池化和平均池化对输入特征图f的空间信息进行聚合，生成两种不同类型的特征：最大池化特征和平均池化特征；然后，将两种不同类型的特征传送到一个由具有一个隐藏层的多层感知器(multi-layer perceptrons)组成的权重共享网络，再经过进一步的最大池化和平均池化以及一个非线性激活单元，生成通道注意力图mc(f...
【专利技术属性】
技术研发人员：李响，肖贺文，马瑞雪，杨宝库，赵安虎，吴玉洁，
申请(专利权)人：江苏聚芯精仪科技有限公司，
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。