一种基于环境信息编码的自动驾驶方法

1.本发明涉及自动驾驶领域，尤其涉及一种基于环境信息编码的自动驾驶方法。


背景技术：

2.自动驾驶的完成主要包括环境感知，决策规划和控制三大部分。
3.现在工业以及产业上的自动驾驶在环境感知部分主要基于人工智能方法实现，在决策规划控制和控制部分仍然是使用传统方法是实现。虽然现在学术界在研究基于人工智能的端到端的自动驾驶方法，但是由于其结果不稳定以及中间存在不可解释性导致还不能大规模的应用到产业上。
4.另外在学术界还存在通过两阶段的方法来实现自动驾驶，即将自动驾驶分为环境感知和决策规划控制两阶段，这两阶段都通过人工智能的方法实现。如何将第一阶段环境感知结果的信息有效的，简单的输入到第二阶段决策规划控制，是一个值得研究的问题。
5.目前环境感知方法多种多样，已经到了比较成熟的阶段，但是不同传感器得到的感知结果不一样，从而导致感知结果的表示格式也多种多样。
6.现有的技术或方法都是将周围的环境信息(如目标位置，速度)处理成简单的一维数组(如[x,y,v])的形式，然后将处理后的数组用全连接或者循环神经网络处理，得到最后的决策和规划结果(比如换道，制动，加速等)。
[0007]
但是这种简单处理成数组形式不能保留各目标之间的相对位置关系，或者说不能使全连接和循环神经网络理解各目标之间的相对位置(全连接和循环神经网络一般只能处理一维数组或者将数据按照一维数组来处理)，无法将环境信息的感知结果有效的用于后续的决策规划控制。


技术实现要素：

[0008]
本发明所要解决的技术问题是针对背景技术中所涉及到的缺陷，提供一种基于环境信息编码的自动驾驶方法。
[0009]
本发明为解决上述技术问题采用以下技术方案：
[0010]
一种基于环境信息编码的自动驾驶方法，包含以下步骤：
[0011]
步骤1)，根据交通场景构建网格地图；
[0012]
步骤2)，以自车为网格地图的原点，获得网格地图中的各个障碍物即各个目标的信息，所述目标的信息包含纵向相对位移、横向相对位移、纵向相对速度、横向相对速度、目标类别；
[0013]
步骤3)，将获取的各个目标的信息根据网格地图编码到环境信息矩阵中，所述环境信息矩阵采用三维矩阵，其中，第1个维度为网格在网格地图上的横坐标，第2个维度为网格在网格地图上网格的纵坐标，第3个维度网格上目标的信息；
[0014]
步骤5)，将环境信息矩阵使用卷积神经网络处理，获得驾驶行为决策并执行。
[0015]
作为本发明一种基于环境信息编码的自动驾驶方法进一步的优化方案，所述步骤
3)中将各个目标的信息根据网格地图编码到环境信息矩阵中时，将目标的信息中的纵向相对速度、横向相对速度通过sigmoid函数归一化，便于卷积神经网络的处理分析。
[0016]
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
[0017]
本发明对环境信息进行编码，使其不仅包含周围环境信息具体数据(如周围目标的位置，速度，种类等)，还包含环境信息中各个目标之间的相对位置以及自车和周围环境中其他目标的相对位置，接着在通过卷积神经网络处理，和普通方法相比(将环境信息处理成简单一位数组，然后经过全连接或者循环神经网络处理)，本发明能够得到更加准确的规划决策结果。
附图说明
[0018]
图1是本发明中高速场景和城市场景的对比示意图；
[0019]
图2是本发明中将目标信息编码到环境信息矩阵中的示意图。
具体实施方式
[0020]
下面结合附图对本发明的技术方案做进一步的详细说明：
[0021]
本发明可以以许多不同的形式实现，而不应当认为限于这里所述的实施例。相反，提供这些实施例以便使本公开透彻且完整，并且将向本领域技术人员充分表达本发明的范围。在附图中，为了清楚起见放大了组件。
[0022]
一般情况下，高速场景中交通参与者类别简单，运动轨迹简单，运动区域清晰，运动速度快，各交通参与者的间隔距离较大，交通标志较少；城市等场景中，交通参与者类别繁多，运动轨迹多变，运动速度较慢，不同类别的运动速度和轨迹差异度较大，各个交通参与者之间的间隔距离一般高速场景中较小，交通标志较多，所以要根据不同的交通场景需要选择不同的网络地图的网格大小。高速场景和城市等场景如图1所示。
[0023]
本发明公开了一种基于环境信息编码的自动驾驶方法，包含以下步骤：
[0024]
步骤1)，根据交通场景构建网格地图；
[0025]
网格地图的大小视需要而定，在高速公路场景中一般建议选择纵向前方距离为200米，纵向后方距离为20米，横向距离一般包括所有车道的距离，即车道宽度乘以车道数目，如3.75(车道宽)
×
3(车道数)，那么左右双方的各自的距离均为3.75(车道宽)
×
1.5；在城市等交通参与者繁多的场景中，一般建议选择纵向距离为110米，横向距离在有车道的情况下，选择方法同高速路场景一样，如果没有具体车道或者行驶区域，横向距离一般选着20米，那么左右双方各自均为10米。在网格地图中设置网格大小为1米(视情况而定，在交通参与者稠密的情况下，可以考虑选择0.5米，甚至更小)。
[0026]
如图2所示，构建一个22
×
14的网格地图，各个网格的大小为1
×
1(m
×
m)。
[0027]
步骤2)，以自车为网格地图的原点，获得网格地图中的各个障碍物即各个目标的信息，所述目标的信息包含纵向相对位移、横向相对位移、纵向相对速度、横向相对速度、目标类别。所述目标类别包含行人、车辆、不存在目标，其包含种类根据具体情况而定，对于其具体的表示方法，可以通过自然数进行表示，即用大于等于0的正整数表示，譬如行人采用0表示，小轿车采用1表示。如果某网格处不存在目标，则用-1表示。
[0028]
如图2所示，在构建的网格地图中，除了自车外，还存在两个目标，目标1现对与自
车的相对位置为(x1＝14.5m,y1＝3.5m,vx1,vy1,c1)，x1、y1、vx1、vy1、c1分别代表目标1的纵向相对位移、横向相对位移、纵向相对速度、横向相对速度、目标类别，目标2现对与自车的相对位置为(x2＝10.5m,y2＝4.5m,vx2,vy2,c2)，x2、y2、vx2、vy2、c2分别代表目标2的纵向相对位移、横向相对位移、纵向相对速度、横向相对速度、目标类别。
[0029]
步骤3)，将获取的各个目标的信息根据网格地图编码到环境信息矩阵中，所述环境信息矩阵采用三维矩阵，其中，第1个维度为网格在网格地图上的横坐标，第2个维度为网格在网格地图上网格的纵坐标，第3个维度网格上目标的信息。
[0030]
以目标1为例，因为网格大小为1
×
1(m
×
m)，则将目标1的信息编码到在环境信息矩阵的位置上，即编码到(14,3)上。
[0031]
传感器获取的速度信息为相对速度，那么在该网格地图中，自车的速度信息为0。其它目标的速度信息都是相对于自车的相对速度，即存在负速度和正速度；可以直接将目标的纵向相对速度、横向相对速度编码到环境信息矩阵的第3个维度上，即将(vx1,vy1)编码到环境信息矩阵的第3个维度上；也可以将纵向相对速度、横向相对速度通过sigmoid函数归一化后再进行编码，即将(sigmoid(vx1),sigmoid(vy1))编码到环境信息矩阵的第3个维度上，这样的好处是速度信息全部规划到了0～1之间，便于卷积神经网络的处理分析，譬如，目标1环境信息矩阵中的第3个维度上的信息为(x1-x,y1-y,sigmoid(vx1),sigmoid(vy1),c1)。
[0032]
编码信息完成后，将得到一个22
×
14
×
5的矩阵，然后就可以将该矩阵输入到决策规划控制模块中进行处理，因为输入的是一个规范的矩阵，那么就可以很方便的使用卷积神经网络提出特征。
[0033]
网格上目标的信息还可以包含其他内容，根据具体情况添加。
[0034]
步骤5)，将环境信息矩阵使用卷积神经网络处理，获得驾驶行为决策并执行。
[0035]
在本发明中将车辆周围的环境信息处理成多维数组，一方面保留了原始的数据信息，而且体现了个目标之间的相对关系，然后将该多维数组用卷积神经网络进行处理，能够更好地处理和利用环境信息的感知结果。
[0036]
下面在公开数据集ngsim以及high-d上对本发明的方法和普通方法(将环境信息处理成简单的一位数组，然后使用全连接或者循环神经网络处理)进行对比，比较最后决策的准确性。
[0037]
数据集ngsim以及high-d为公开的交通场景的数据集，其中包含自车周围的车辆信息(位置，速度等)，同时还有自车的各种决策规划(左右换道，保持车道行驶等)，具体如下：
[0038]
数据集场景描述地点时长/min采样率/hz数据格式ngsim高速、城市道路美国9010csvhigh-d高速公路德国69025csv
[0039]
我们对这两个数据集进整理，去除干扰信息，在ngsim得到500条可用的有效信息，根据7:3的比例划分训练集和验证集，在训练集上训练完成后，在验证集上的结果(准确率)如下表所示：
[0040][0041]
同理，我们在high-d数据集上整理了1000条数据，根据7:3的比例划分训练集和验证集，在训练集上训练完成后，在验证集上的结果(准确率)如下表所示：
[0042][0043]
由此，根据在公开数据集ngsim以及high-d上的实验，我们可以得到本发明提出的方法的驾驶行为决策结果均优于其它方法。
[0044]
本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
[0045]
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。