[发明专利]一种基于深度卷积神经网络的前车跟随方法

权利要求书

1.一种基于深度卷积神经网络的前车跟随方法，其特征在于：包括以下步骤：

S1.建立训练样本库；

S2.建立深度卷积神经网络；

S3.根据训练样本对深度卷积神经网络进行离线训练；

S4.根据驾驶员驾驶行为对训练后深度卷积神经网络进行在线微调；在线微调的过程包括：

S41.采集驾驶员驾驶时前视相机视觉数据和对应的驾驶操纵数据，生成在线数据样本；

S42.设置深度卷积神经网络参数，将在线数据样本输入至训练后的深度卷积神经网络中计算；

S43.采用基于迷你批量方式的梯度下降方法对softmax损失求最优化解来优化神经网络权重参数，直至设定的循环迭代次数完成，softmax损失计算公式为：

根据优化后神经网络权重参数完成对深度卷积神经网络的微调；

S5.将实际车况通过微调后深度卷积神经网络计算输出车辆操纵信号，进行前车跟随。

2.根据权利要求1所述的一种基于深度卷积神经网络的前车跟随方法，其特征是步骤S1中训练样本库建立的具体过程包括：

S11.用实验车辆采集不同地点、气候、天气下的驾驶训练数据，训练数据包括前视相机视觉数据和对应的驾驶操纵数据，操纵数据包括油门踏板和制动踏板传感数据；

S12.将视觉数据和操纵数据进行同步；

S13.筛选跟车操作部分的数据，离散化数据，生成数据样本，完成训练样本库的建立。

3.根据权利要求1所述的一种基于深度卷积神经网络的前车跟随方法，其特征是步骤S2中深度卷积神经网络结构包括1个输入层、6个卷积层、3个池化层、3个全连接层，输入层依次连接第一个卷积层、第二个卷积层后连接第一个池化层，第一个池化层依次连接第三个卷积层、第四个卷积层后连接第二个池化层，第二个池化层依次连接第五个卷积层、第六个卷积层后连接第三个池化层，第三个池化层依次连接第一个全连接层、第二个全连接层、第三个全连接层；

输入层：用于输入时序RGB图片；

卷积层：对图片进行卷积操作，采用3*3尺寸的卷积滑窗，对‘0’像素值边缘填充，步长为1，其中第一个卷积层和第二个卷积层的深度为64，第三个卷积层和第四个卷积层的深度为128，第五个卷积层和第六个卷积层的深度为256；

池化层：对图片进行池化操作，采用2*2尺寸的齿化滑窗，取最大值滑窗内4个数值的最大值，步长为2；

全连接层：第一和第二个全连接层为dropout层，用于防止模型过拟合，自动丢弃该第一和第二个全连接层内一定比例的神经元，参数设置为0.5；第三个全连接层为softmax分类器，输出对应离散纵向车辆操作向量。

4.根据权利要求3所述的一种基于深度卷积神经网络的前车跟随方法，其特征是步骤S3中离线训练的过程包括：

S31.设置深度卷积神经网络参数，参数包括迷你批量样本大小n、学习速率lr、权重衰退系数wd、动量系数m；

S32.将数据样本输入深度卷积神经网络计算；

S33.采用基于迷你批量方式的梯度下降方法对softmax损失求最优化解来优化神经网络权重参数，直至设定的循环迭代次数完成，softmax损失计算公式为：

其中，z_j为输出向量的每个元素，根据优化后神经网络权重参数完成对深度卷积神经网络的训练。

5.根据权利要求1或2或3或4所述的一种基于深度卷积神经网络的前车跟随方法，其特征是步骤S5中车辆操纵信号输出的过程包括：

S51.采集实时车况的前视相机视觉数据；

S52.将前视相机视觉数据输入至微调后的深度卷积神经网络中计算；

S53.根据微调后的深度卷积神经网络输出与车辆相应的操作映射表；

S54.将操作信息转化为当前时刻的车辆控制信号，发送给对应的执行机构对车辆进行操纵。

6.根据权利要求3所述的一种基于深度卷积神经网络的前车跟随方法，其特征是深度卷积神经网络结构还包括激活层，激活层应用于每个卷积层后，激活方程式为修正线性单元，表达式为：max(0，x)，其中x为神经元输入。