【技术实现步骤摘要】
本专利技术涉及车辆控制，尤其涉及一种基于深度学习的无人驾驶车辆控制方法。
技术介绍
1、随着人工智能技术的快速发展，无人驾驶车辆逐渐成为智能交通系统的重要组成部分。目前，市场上已有的无人驾驶技术大多依赖于多传感器数据的融合处理和传统的路径规划与决策控制算法，然而，在复杂的城市交通环境中，尤其是面对行人、自行车、电动自行车等弱小参与者时，现有技术在检测精度、行为预测以及实时决策方面仍存在诸多挑战。
2、在实际应用中，弱小参与者往往体积较小、移动速度不定，且常处于复杂背景或遮挡状态下，导致现有的计算机视觉算法容易出现误检或漏检情况。尽管引入了卷积神经网络(cnn)等深度学习模型，检测精度有所提升，但在复杂环境下，小型目标的识别效果仍然不尽如人意，难以满足无人驾驶车辆对弱小目标高精度、实时检测的要求。
3、传统的行为预测方法大多基于简单的运动学模型或短期轨迹预测，无法准确捕捉弱小参与者在复杂交通环境中的行为意图，如突然横穿马路、变道等。这种预测能力的不足严重影响了无人驾驶车辆的安全性和决策效率。现有的一些深度学习模型虽然能够在一定程度上预测弱小参与者的短期行为，但缺乏对环境上下文和多维信息的全面考虑，导致预测结果的准确性和可靠性有限。
4、在面对不确定性较高或潜在风险的情况下，现有的决策控制算法常表现出反应滞后或过于保守，难以及时调整车辆的路径规划和控制策略，容易导致安全隐患。尤其在弱小参与者行为变化频繁且难以预测的情况下，现有算法往往缺乏足够的应变能力，无法根据实时风险评估作出最佳决策。此外，紧急
技术实现思路
1、本专利技术提供了一种基于深度学习的无人驾驶车辆控制方法。
2、一种基于深度学习的无人驾驶车辆控制方法，包括以下步骤：
3、s1，通过车辆的多种传感器实时采集道路环境中的弱小参与者的多模态数据；在采集到的数据中，使用改进的卷积神经网络(cnn)进行对象检测，识别弱小参与者，并通过注意力机制增强模型对弱小参与者的检测精度，确保小型目标在复杂背景下的高精度识别，弱小参与者包括行人、自行车、电动自行车；
4、s2，基于已识别的弱小参与者，在预构建的时空图卷积神经网络st-gcn中引入动态路径卷积模块，考虑参与者的实时位置和速度信息，并引入环境上下文和场景理解模块，通过多维信息融合，预测其下一时刻的弱小参与者行为，进行弱小参与者的行为意图预测；
5、s3，基于弱小参与者的行为意图预测结果，通过自适应决策控制模块对车辆的路径规划和控制策略进行实时调整；其中，自适应决策控制模块采用深度强化学习(drl)算法，通过不断模拟和学习复杂场景中的多种潜在风险，优化车辆的规避路径和车速控制策略；
6、s4，当预测到的弱小参与者行为意图存在高度不确定性或潜在风险时，自动触发紧急规避机制，动态评估当前交通环境的风险等级，生成最佳规避路径并执行紧急停车或绕行操作。
7、可选的，所述s1中的多种传感器包括激光雷达、摄像头、毫米波雷达，其中；
8、激光雷达以固定的扫描频率对车辆周围环境进行360度全方位扫描，生成三维点云数据，用于检测道路上的物体及其空间位置，并通过点云密度分析区分弱小参与者与其他较大目标(车辆、建筑物)；
9、配备多角度摄像头，包括前置、侧置及后置摄像头，实时捕捉道路环境的二维图像数据；
10、利用毫米波雷达的长距离探测能力，以捕获弱小参与者的运动速度和方向。
11、可选的，所述s1中使用改进的卷积神经网络进行对象检测，并通过注意力机制增强模型对弱小参与者的检测精度具体包括：
12、s11，多尺度特征提取：所述改进的卷积神经网络采用多尺度特征提取模块，以捕捉不同尺寸、不同尺度的目标特征，包括在复杂背景和遮挡环境中，通过逐层卷积运算区分弱小参与者与背景杂物；
13、s12，基于注意力机制的特征增强：在改进的卷积神经网络的特征提取层后引入注意力机制模块，通过空间注意力机制和通道注意力机制动态分配特征图中各位置和通道的权重，以提升对弱小参与者的特征关注度，所述空间注意力机制通过强化目标区域的空间特征，使模型能够识别出弱小参与者的具体位置；所述通道注意力机制则通过增强具体通道上的显著特征，突出小型目标的特征表达，减少背景干扰对检测结果的影响；
14、s13，将改进的卷积神经网络与注意力机制进行端到端集成，通过反向传播算法同时优化改进的卷积神经网络的卷积核参数和注意力模块的权重分配，确保模型在多种复杂场景下对弱小目标的高精度检测与识别。
15、可选的，所述改进的卷积神经网络通过多尺度特征提取模块来捕捉不同尺度的目标特征，表示为：fi(x)＝conv(x,wi)+bi，其中，x表示输入的特征图，wi表示第i层卷积核的权重矩阵，bi表示第i层的偏置，fi(x)表示经过第i层卷积后的特征图；
16、在多尺度特征提取中，使用不同尺寸的卷积核wi来提取多尺度特征，通过组合不同尺度的特征，捕捉弱小参与者在不同环境下的细节特征。
17、可选的，所述s2具体包括：
18、s21，构建一个时空图卷积神经网络st-gcn，其中，节点表示每个弱小参与者的状态，边表示参与者之间的相互关系或运动轨迹的连通性，时间维度的节点用于捕捉参与者在不同时刻的状态变化，空间维度的边用于捕捉参与者之间的空间关系；
19、s22，动态路径卷积模块的引入：在st-gcn中引入动态路径卷积模块，该模块通过卷积操作动态提取参与者在不同时间节点上的位置和速度信息；
20、s23，环境上下文和场景理解模块的引入：将环境上下文和场景理解模块的输出特征通过信息融合机制与动态路径卷积模块的输出进行多维特征融合，输出特征包括道路类型、天气条件、交通流量；
21、s24，弱小参与者行为预测：基于融合后的多维特征，通过全连接层和softmax层对下一时刻的弱小参与者行为进行预测，生成预测结果
22、可选的，所述时空图卷积神经网络包括时空图的构建，时空图表示为：g＝(v,e)，由节点集v和边集e组成；
23、节点v：每个节点v∈v表示一个弱小参与者在特定时刻的状态,节点特征包括参与者的位置信息速度信息以及环境特征
24、边e:边连接在不同时刻和空间位置上相关的节点。
25、在图卷积层中，节点v在时刻t的特征通过聚合邻域节点的特征来更新：其中，是节点v在时刻t+1的更新特征，表示节点v的邻域节点，wt是图卷积层的权重矩阵，σ是激活函数；
26、时间维度的建模：为了捕捉时间上的动态变化，st-gcn通过引入时间维度的节点和边来建模弱小参与者的行为变化：
27、时间维度节点：每个节点在不同时间点都有一个表示；
28、时间维度边：在不同时刻的相同参与者节本文档来自技高网...
【技术保护点】
1.一种基于深度学习的无人驾驶车辆控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的无人驾驶车辆控制方法，其特征在于，所述S1中的多种传感器包括激光雷达、摄像头、毫米波雷达，其中；
3.根据权利要求1所述的一种基于深度学习的无人驾驶车辆控制方法，其特征在于，所述S1中使用改进的卷积神经网络进行对象检测，并通过注意力机制增强模型对弱小参与者的检测精度具体包括：
4.根据权利要求3所述的一种基于深度学习的无人驾驶车辆控制方法，其特征在于，所述改进的卷积神经网络通过多尺度特征提取模块来捕捉不同尺度的目标特征，表示为：Fi(x)＝Conv(x,Wi)+bi，其中，x表示输入的特征图，Wi表示第i层卷积核的权重矩阵，bi表示第i层的偏置，Fi(x)表示经过第i层卷积后的特征图；
5.根据权利要求1所述的一种基于深度学习的无人驾驶车辆控制方法，其特征在于，所述S2具体包括：
6.根据权利要求5所述的一种基于深度学习的无人驾驶车辆控制方法，其特征在于，所述时空图卷积神经网络包括时空图的构建，时空图表示为：
7.根据权利要求1所述的一种基于深度学习的无人驾驶车辆控制方法，其特征在于，所述S3具体包括：
8.根据权利要求7所述的一种基于深度学习的无人驾驶车辆控制方法，其特征在于，所述S34中的响应包括：
9.根据权利要求1所述的一种基于深度学习的无人驾驶车辆控制方法，其特征在于，所述S4具体包括：
10.根据权利要求9所述的一种基于深度学习的无人驾驶车辆控制方法，其特征在于，所述路径规划表示为：
...【技术特征摘要】
1.一种基于深度学习的无人驾驶车辆控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的无人驾驶车辆控制方法，其特征在于，所述s1中的多种传感器包括激光雷达、摄像头、毫米波雷达，其中；
3.根据权利要求1所述的一种基于深度学习的无人驾驶车辆控制方法，其特征在于，所述s1中使用改进的卷积神经网络进行对象检测，并通过注意力机制增强模型对弱小参与者的检测精度具体包括：
4.根据权利要求3所述的一种基于深度学习的无人驾驶车辆控制方法，其特征在于，所述改进的卷积神经网络通过多尺度特征提取模块来捕捉不同尺度的目标特征，表示为：fi(x)＝conv(x,wi)+bi，其中，x表示输入的特征图，wi表示第i层卷积核的权重矩阵，bi表示第i层的偏置，fi(x)表示经过第i层卷积后的特征...
【专利技术属性】
技术研发人员：翁秀奇，陈加国，周立，汪自虎，
申请(专利权)人：南京工业职业技术大学，
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。