一种基于卷积神经网络的换道决策模型的构建方法

1.本发明属于车辆自动驾驶技术领域，具体涉及一种基于卷积神经网络的换道决策模型的构建方法。


背景技术：

2.近些年，人工智能技术的快速发展，使得智能交通系统成为人们主要关注的对象之一，自动驾驶汽车作为该系统的核心，起着非常关键的作用，而路径规划中的换道决策则是自动驾驶问题中比较重要的问题之一。
3.智能汽车在行驶的过程当中，会接收到来自周围的环境信息，包括静态障碍物和动态障碍物速度、位置等信息，如何处理这些信息并做出合理的决策，目前常用的方法有基于规则的有限状态机和基于学习的神经网络，其中，基于深度学习的换道模型弥补了传统换道模型的不足，能够更加准确的描述和刻画换道行为，提高换道决策和换道轨迹的预测精度，在一定程度上能够促使车辆自主驾驶和微观驾驶行为仿真的进一步发展。但是传统的换道模型大多数使用的是普通的神经网络，在学习效率并没有达到预期的效果。


技术实现要素：

4.针对于上述现有技术的不足，本发明的目的在于提供一种基于卷积神经网络的换道决策模型的构建方法，以解决传统的换道决策模型仅仅是将智能汽车接收的所有环境信息放在一维数组中直接传入普通神经网络，导致模型只能处理数与数之间的关系，训练结果不佳的问题。
5.为达到上述目的，本发明采用的技术方案如下：
6.本发明的一种基于卷积神经网络的换道决策模型的构建方法，步骤如下：
7.1)筛选数据集中的换道时刻以及不换道时刻的自车以及周围车辆的运动状态信息，得到n个样本；
8.2)选择所述步骤1)中的一个样本并将其中所有车辆相对于自车的运动状态信息分别编码成一维数组；
9.3)创建一个空的三维数组的空间，用于存储数据；
10.4)在所述空的三维数组的空间中将步骤2)所选样本的每个车道上的车辆对应的一维数组分别放入该车道的(m n)/l空间中相应的位置，得到编码完成的三维数组；
11.5)对所述步骤4)中得到的三维数组进行标签；
12.6)重复步骤2)、3)、4)、5)，得到n个三维数组以及标签，搭建卷积神经网络，三维数组作为输入，标签作为输出，训练得到换道决策模型。
13.进一步地，所述步骤1)具体包括：对于每一个样本，以自车为参考点，将周围车辆的横向位移、纵向位移以及速度分别与自车的横向位移、纵向位移以及速度相减得到相对于自车的横向位移、纵向位移以及速度；筛选的车辆运动状态信息包括：自车的位置和速度、当前车道自车前方m米以内的所有车辆的位置和速度、当前车道自车后方n米以内的所
有车辆的位置和速度、左车道自车前方m米以内的所有车辆的位置和速度、左车道自车后方n米以内的所有车辆的位置和速度、右车道自车前方m米以内的所有车辆的位置和速度、右车道自车后方n米以内的所有车辆的位置和速度；其中，位置包括横向位移和纵向位移。
14.进一步地，所述步骤2)具体包括：每个车辆的长度至少大于l米，在一个车道上l米的纵向距离内只会存在一个车辆，则在一个车道上(m n)米的纵向距离内的所有车辆，最多需要(m n)/l个空间来储存车辆信息，此处默认(m n)/l为整数；创建一个(3，(m n)/l，5)的空的三维数组的空间，其中3对应网格中的三行，代表三条车道，从上到下分别为左车道、当前车道、右车道；(m n)/l对应每行有(m n)/l个空格，代表用于储存每个车辆信息的空间；5对应每个空格中需要储存的车辆特征，代表每个车辆的五个通道。
15.进一步地，所述五个通道包括：相对横向位移δx、相对纵向位移δy、相对速度δv、有无车道及有无车辆；其中，有无车道是为了区分左车道或右车道是否存在而设立的标注；有无车辆是为了区分所接收的某个车辆是否存在而设立的标注。
16.进一步地，所述步骤3)具体包括：对获取到的每个车辆分别创建一个长度为5的一维数组，并向其中添加车辆相对于自车的横向位移、纵向位移以及速度，并且有无车道设置为1，有无车辆设置为1，则自车对应的一维数组为[0 0 0 1 1]。
[0017]
进一步地，所述步骤4)具体包括：在任一车道上(m n)米的纵向距离内，以最左侧为坐标原点，第一个l距离内的车辆对应的一维数组放入第一个空间，第二个l距离内的车辆对应的一位数组放入第二个空间，以此类推，第(m n)/l个l距离内的车辆对应的一维数组放入第(m n)/l个空间；为确保模型输入的一致性，(m n)/l空间需要填充满，当任一l距离内的无车辆时，则需分两种情况填充数据：
[0018]
41)当任一车道不存在导致车辆不存在，则向该车道对应的每个空间中均填入一维数组[0 0 0 0 0]；例如，当自车处于最左边的车道时，则只有当前车道和右车道；
[0019]
42)当任一车道存在时，但任一l距离内的无车辆时，则向该l距离对应的空间中填入一位数组[0 0 0 1 0]。
[0020]
进一步地，所述步骤5)具体包括：左换道对应的标签为[1 0 0]，不换道对应的标签为[01 0]，右换道对应的标签为[0 0 1]。
[0021]
进一步地，所述步骤6)具体包括：使用卷积神经网络识别并学习三维数组中的数据时，选择对应大小的卷积核处理三维数组，当步骤1)中筛选的范围中周围车辆多时，选择小的卷积核处理，反之则选择大的卷积核处理，从而减小神经网络模型复杂度的同时又能快速捕捉到空间信息。
[0022]
本发明的有益效果：
[0023]
本发明将获取的每一项车辆信息根据该车辆所处的相对位置放置于三维数组中相应的位置上，使得车辆与车辆之间的关系除了体现在三维数组中储存的具体数值上，车辆与车辆之间的空间位置关系也体现在三维数组中数值所处的相对位置上，通过卷积神经网络不仅可以学习到三维数组中本来包含的数值信息，还可以快速捕捉到其中的空间位置信息，这样训练得到的换道决策模型的测试精度提升了百分之五左右，学习效果更好。
附图说明
[0024]
图1为本发明中交通示意图。
[0025]
图2为三维数组示意图。
具体实施方式
[0026]
为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。
[0027]
本发明的一种基于卷积神经网络的换道决策模型的构建方法，步骤如下：
[0028]
1)筛选数据集中的换道时刻以及不换道时刻的自车以及周围车辆的运动状态信息，得到n个样本，具体包括：
[0029]
对于每一个样本，以自车为参考点，将周围车辆的横向位移、纵向位移以及速度分别与自车的横向位移、纵向位移以及速度相减得到相对于自车的横向位移、纵向位移以及速度；如图1所示，筛选的车辆运动状态信息包括：自车的位置和速度、当前车道自车前方m米以内的所有车辆的位置和速度、当前车道自车后方n米以内的所有车辆的位置和速度、左车道自车前方m米以内的所有车辆的位置和速度、左车道自车后方n米以内的所有车辆的位置和速度、右车道自车前方m米以内的所有车辆的位置和速度、右车道自车后方n米以内的所有车辆的位置和速度；其中，位置包括横向位移和纵向位移。
[0030]
2)选择所述步骤1)中的一个样本并将其所有车辆相对于自车的运动状态信息分别编码成一维数组，具体包括：
[0031]
每个车辆的长度至少大于l米，在一个车道上l米的纵向距离内只会存在一个车辆，则在一个车道上(m n)米的纵向距离内的所有车辆，最多需要(m n)/l个空间来储存车辆信息，此处默认(m n)/l为整数；创建一个(3，(m n)/l，5)的空的三维数组的空间，如图2所示，其中3对应网格中的三行，代表三条车道，从上到下分别为左车道、当前车道、右车道；(m n)/l对应每行有(m n)/l个空格，代表用于储存每个车辆信息的空间；5对应每个空格中需要储存的车辆特征，代表每个车辆的五个通道。
[0032]
其中，所述五个通道包括：相对横向位移δx、相对纵向位移δy、相对速度δv、有无车道及有无车辆；其中，有无车道是为了区分左车道或右车道是否存在而设立的标注；有无车辆是为了区分所接收的某个车辆是否存在而设立的标注。
[0033]
3)创建一个空的三维数组的空间，用于存储数据；
[0034]
对获取到的每个车辆分别创建一个长度为5的一维数组，并向其中添加车辆相对于自车的横向位移、纵向位移以及速度，并且有无车道设置为1，有无车辆设置为1，则自车对应的一维数组为[0 0 0 1 1]。
[0035]
4)在所述空的三维数组的空间中将步骤2)所选样本的每个车道上的车辆对应的一维数组分别放入该车道的(m n)/l空间中相应的位置，得到编码完成的三维数组；
[0036]
在任一车道上(m n)米的纵向距离内，以最左侧为坐标原点，第一个l距离内的车辆对应的一维数组放入第一个空间，第二个l距离内的车辆对应的一位数组放入第二个空间，以此类推，第(m n)/l个l距离内的车辆对应的一维数组放入第(m n)/l个空间；为确保模型输入的一致性，(m n)/l空间需要填充满，当任一l距离内的无车辆时，则需分两种情况填充数据：
[0037]
41)当任一车道不存在导致车辆不存在，则向该车道对应的每个空间中均填入一维数组[0 0 0 0 0]；例如，当自车处于最左边的车道时，则只有当前车道和右车道；
[0038]
42)当任一车道存在时，但任一l距离内的无车辆时，则向该l距离对应的空间中填入一位数组[0 0 0 1 0]。
[0039]
5)对所述步骤4)中得到的三维数组进行标签；
[0040]
左换道对应的标签为[1 0 0]，不换道对应的标签为[0 1 0]，右换道对应的标签为[0 0 1]。
[0041]
6)重复步骤2)、3)、4)、5)，得到n个三维数组以及标签，搭建卷积神经网络，三维数组作为输入，标签作为输出，训练得到换道决策模型；
[0042]
使用卷积神经网络识别并学习三维数组中的数据时，选择对应大小的卷积核处理三维数组，当步骤1)中筛选的范围中周围车辆多时，选择小的卷积核处理，反之则选择大的卷积核处理，从而减小神经网络模型复杂度的同时又能快速捕捉到空间信息。
[0043]
本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。