本发明涉及自动驾驶,尤其是涉及一种基于长短期记忆模型的自动驾驶性能评价系统、方法及介质。
背景技术:
1、随着科技的快速发展,自动驾驶技术的研究越来越受到人们的重视,但是对于多种多样的自动驾驶技术进行评价,成为我们亟待解决的问题。
2、现有技术中,专利(申请号:202111150302.3)公开了一种车辆的自动驾驶评价系统及方法,其中,系统包括:交互组件,用于确定评价人员对自动驾驶功能中的至少一个待评价项目,并根据至少一个
3、待评价项目生成车辆的至少一个控制指令;执行组件,用于根据至少一个控制指令控制车辆在自动驾驶模式下执行控制指令对应的车辆动作;评价组件,用于采集评价人员基于车辆动作的执行过程和/或执行结果生成的每个待评价项目的体验信息,并结合体验信息和/或车辆动作的执行数据得到每个待评价项目和/或自动驾驶功能的评价报告,但是该专利需要资深试驾员对自动驾驶信息进行人工评价,耗费大量时间及人力成本。
技术实现思路
1、鉴于以上现有技术的不足,本发明提供了一种基于长短期记忆模型的自动驾驶性能评价系统、方法及介质,不仅节约了大量时间,降低了人力成本,而且提高了自动驾驶性能评价的准确性。
2、为了实现上述目的及其他相关目的,本发明提供的技术方案如下:
3、一种基于长短期记忆模型的自动驾驶性能评价系统,所述系统包括:
4、hil自动驾驶仿真平台,用于提供主车的动态数据信息和对手车的动态驾驶数据信息,以及道路数据信息和障碍物数据信息;
5、搭载自动驾驶算法的自动驾驶控制系统,与所述hil自动驾驶仿真平台连接,获取主车的动态数据信息、对手车的动态驾驶数据信息、道路数据信息和障碍物数据信息,采用自动驾驶算法对主车驾驶行为进行决策和控制,输出主车的自动驾驶数据信息;
6、基于类lstm深度学习模型训练得出的类人驾驶决策系统,与所述hil自动驾驶仿真平台连接,将获取的主车的动态数据信息、对手车的动态驾驶数据信息、道路数据信息和障碍物数据信息,输入类lstm深度学习模型进行训练和学习,得到训练好的类lstm深度学习模型,再根据训练好的类lstm深度学习模型对主车的行为进行预测,输出主车的行为预测数据信息;
7、自动驾驶算法评价系统,与所述搭载自动驾驶算法的自动驾驶控制系统连接,与所述类lstm深度学习模型训练得出的类人驾驶决策系统连接,以所述主车的行为预测数据信息为依据,对所述主车的自动驾驶数据信息进行评价。
8、进一步的,所述hil自动驾驶仿真平台包括场景解释器、基于交通流模型的模块和基于动力学模型的模块,所述场景解释器用于解析对手车的动态驾驶数据信息,根据不同的驾驶场景得到不同场景的对手车驾驶状态数据信息。
9、进一步的,所述基于交通流模型的模块用于根据道路数据信息,建立交通流模型函数q,
10、,
11、其中,kj为第j时刻道路的车流阻塞密度,v为车流速度,vf为车流的最高速度,从而得到交通车的运动轨迹。
12、进一步的,所述基于动力学模型的模块为进行车辆的动力学仿真,根据车辆的状态数据信息建立车辆模型,与实车的数据对比标定后,根据需求定制化的输出动力学模型响应曲线。
13、进一步的,所述自动驾驶算法为dijkstra算法、a*算法、d*算法、基于随机采样的路径规划算法和基于曲线插值的路径规划算法中的任意一种。
14、进一步的,所述类lstm深度学习模型包括n个池化层和一个输出层,每个池化层与m个lstm单元连接。
15、进一步的,所述自动驾驶算法评价系统根据所述主车的行为预测数据信息和所述主车的自动驾驶数据信息,建立评价函p,
16、,
17、其中,n为采集样本总数,ai为第i次采样的主车的行为预测矩阵数据信息,bi为第i次采样的主车的自动驾驶矩阵数据信息。
18、进一步的,根据所述评价函数p的数值,设置预设参数,若p大于或等于0.8则自动驾驶性能满足要求,若p小于0.8则自动驾驶性能不满足要求。
19、为了实现上述目的及其他相关目的,本发明还提供了一种基于长短期记忆模型的自动驾驶性能评价方法,所述方法应用于任一项所述的基于长短期记忆模型的自动驾驶性能评价系统,包括:
20、l1.基于hil自动驾驶仿真,获取主车的动态数据信息和对手车的动态驾驶数据信息,以及道路数据信息和障碍物数据信息;
21、l2.根据所述主车的动态数据信息、对手车的动态驾驶数据信息、道路数据信息和障碍物数据信息,采用自动驾驶算法对主车进行决策和控制,输出主车自动驾驶数据信息;
22、l3.将所述主车的动态数据信息、对手车的动态驾驶数据信息、道路数据信息和障碍物数据信息输入训练好的类lstm深度学习模型对主车的行为进行预测,输出主车的行为预测数据信息;
23、l4.基于所述主车的行为预测数据信息和所述主车自动驾驶数据信息,建立评价函数p,输出主车的自动驾驶性能评价数据信息。
24、为了实现上述目的及其他相关目的,本发明还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有被编程或配置以执行所述的基于长短期记忆模型的自动驾驶性能评价方法的计算机程序。
25、本发明具有以下积极效果:
26、1.本发明通过hil自动驾驶仿真平台对车辆的状态数据及其他相关数据信息进行采集,不仅得到的数据更加全面,而且无需更多人工进行参与,且仿真测试无需铺设场地,降低成本。
27、2.本发明通过类lstm深度学习模型对主车的行为进行预测,不仅得到的主车的预测数据精确度高,而且得到主车的状态数据信息更加全面。
28、3.本发明通过建立评价函数对车辆的自动驾驶算法进行评估,不仅方便节约时间,而且对多种自动驾驶算法都能够一一进行评估,应用面大。
1.一种基于长短期记忆模型的自动驾驶性能评价系统,其特征在于,所述系统包括:
2.根据权利要求1所述的基于长短期记忆模型的自动驾驶性能评价系统,其特征在于:所述hil自动驾驶仿真平台包括场景解释器、基于交通流模型的模块和基于动力学模型的模块,所述场景解释器用于解析对手车的动态驾驶数据信息,根据不同的驾驶场景得到不同场景的对手车驾驶状态数据信息。
3.根据权利要求2所述的基于长短期记忆模型的自动驾驶性能评价系统,其特征在于:所述基于交通流模型的模块用于根据道路数据信息,建立交通流模型函数q,
4.根据权利要求2所述的基于长短期记忆模型的自动驾驶性能评价系统,其特征在于:所述基于动力学模型的模块为进行车辆的动力学仿真,根据车辆的状态数据信息建立车辆模型,与实车的数据对比标定后,根据需求定制化的输出动力学模型响应曲线。
5.根据权利要求1所述的基于长短期记忆模型的自动驾驶性能评价系统,其特征在于:所述自动驾驶算法为dijkstra算法、a*算法、d*算法、基于随机采样的路径规划算法和基于曲线插值的路径规划算法中的任意一种。
6.根据权利要求1所述的基于长短期记忆模型的自动驾驶性能评价系统,其特征在于:所述类lstm深度学习模型包括n个池化层和一个输出层,每个池化层与m个lstm单元连接。
7.根据权利要求1所述的基于长短期记忆模型的自动驾驶性能评价系统,其特征在于:所述自动驾驶算法评价系统根据所述主车的行为预测数据信息和所述主车的自动驾驶数据信息,建立评价函数p,
8.根据权利要求7所述的基于长短期记忆模型的自动驾驶性能评价系统,其特征在于:根据所述评价函数p的数值,设置预设参数,若p大于或等于0.8则自动驾驶性能满足要求,若p小于0.8则自动驾驶性能不满足要求。
9.一种基于长短期记忆模型的自动驾驶性能评价方法,其特征在于,所述方法应用于权利要求1—8任一项所述的基于长短期记忆模型的自动驾驶性能评价系统,包括:
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有被编程或配置以执行权利要求9中所述的基于长短期记忆模型的自动驾驶性能评价方法的计算机程序。