1.一种基于轻量级神经网络的自动驾驶方向预测方法，其特征在于，包括以下步骤：
步骤1：训练神经网络模型；
101：获取图像数据；
102：图像预处理；
103：将预处理的图像传入effnet网络中，effnet网络会根据输入图像产生一个期望转动的角度；
104：在手动模式下记录转动方向盘的角度，对其捕获的图像进行预处理，产生一个实际方向盘转动的角度；
105：计算期望转动的角度与实际方向盘转动的角度的差值；
106：将差值通过bp神经网络传播算法传给effnet网络，不断进行权重更新，以使期望转动的角度与实际方向盘转动的角度的差值达到最小，此时，保存最优训练神经网络模型；
步骤2：测试神经网络模型
201：利用unity模拟器中汽车的中央摄像头捕捉当前画面，将当前画面通过网络socketio传给effnet网络，作为effnet网络的输入；
202：effnet网络根据当前画面来预测汽车方向盘转动的方向和角度，把预测出来的角度传送给unity模拟器，让unity模拟器根据传回的角度控制汽车运行，汽车继续前行，将前方弧面实时传送effnet网络，以此反复。
2.根据权利要求1所述的一种基于轻量级神经网络的自动驾驶方向预测方法，其特征在于，在步骤101中，通过unity模拟器获取图像数据，该unity模拟器有左中右三个摄像头用以捕捉画面，按下手动模式，用来获取训练数据集，可以分别获取当前时刻驾驶汽车的角度、油门、速度以及刹车数据，生成24108图片，每张图片像素为320*160，保存到img文件夹下，并生成.csv文件进行保存。
3.根据权利要求1所述的一种基于轻量级神经网络的自动驾驶方向预测方法，其特征在于，在步骤102中，图像预处理包括以下步骤：
(1)图像切割；
(2)图像亮度调整；
(3)图像角度调整。
4.根据权利要求3所述的一种基于轻量级神经网络的自动驾驶方向预测方法，其特征在于，在上述步骤(2)中，首先将图像从rgb色彩空间转换为hsv色彩空间，其中v代表亮度，hs代表色度和饱和度；然后保持hs的值不变，将v的值乘以一个系数alpha，系数alpha取值范围为[0.1，1]；最后再将hsv图像转化为rgb图像。
5.根据权利要求3所述的一种基于轻量级神经网络的自动驾驶方向预测方法，其特征在于，在上述步骤(3)中，对图像进行水平翻转。
6.根据权利要求1所述的一种基于轻量级神经网络的自动驾驶方向预测方法，其特征在于，在上述步骤1和2中，effnet网络中，采用leakyrelu激活函数，采用自适应矩阵估计优化器，epoch为25次；批处理图像数量batch_size设置为32，损失函数为均方误差损失函数。
7.根据权利要求1所述的一种基于轻量级神经网络的自动驾驶方向预测方法，其特征在于，在上述步骤106中，利用bp反向传播算法来改变权重，反向传播的算法，采用δ学习算法调整各层间的权值；
输出层与隐藏层的连接权值学习算法为：
其中δ为学习效率,δ∈[0,1]；
k+1时刻网络的权值为：
wjo(k+1)＝wjo(k)+δwjo(2)
隐藏层与输入层连接权值wij学习算法
k+1时刻网络的权值为
wij(k+1)＝wij(k)+δwij(5)
为避免权值的学习过程发生振荡、收敛速度慢，即加入动量因子α使得，动量因子α∈[0,1]：
wjo(k+1)＝wjo(k)+δwjo+α*(wjo(k)-wjo*(k-1)(6)
wij(k+1)＝wij(k)+δwij+α*(wij(k)-wij*(k-1))(7)。