[发明专利]一种基于LSTM的模拟驾驶员特性的自动跟车方法及系统

说明书

本发明提供一种基于LSTM的模拟驾驶员特性的自动跟车方法及系统，本发明引入LSTM循环神经网络模型，该模型应用优秀驾驶员稳态跟车过程中所采集的传感器信息时序数据和自车行驶时序数据等，对驾驶员跟车驾驶行为特征进行学习，建立起非线性输入输出映射关系知识库，进而预测车辆在跟车行驶过程中的纵向操作控制，实现系统对驾驶员特性的自动适应。本发明利用LSTM循环神经网络善于处理时序特征数据的特性来模拟驾驶员跟车行为特性，所设计的控制器输出在满足安全性、准确性以及舒适性的前提下更符合人类的驾驶行为特性，同时能够有效实现对驾驶员操作过程特性的自学习，实现了系统对驾驶员特性的自适应，具有普遍适用范围。

技术领域

本发明属于智能驾驶技术领域，具体涉及一种基于LSTM的模拟驾驶员特性的自动跟车方法及系统。

背景技术

自动驾驶分为两个阶段，高级驾驶辅助阶段和自动驾驶阶段，高级驾驶辅助系统是自动驾驶的基础，虽然自动驾驶的发展如火如荼，但是目前市场量产车上搭载的大多还是高级驾驶辅助系统。自动跟车系统属于自适应巡航系统的重要组成部分之一，也是车辆高级辅助驾驶系统的必不可少的功能。

现有此类系统基于视觉或雷达传感系统输出自身车辆与前方车辆的距离和相对运动信息，控制自身车辆车速以实现与前方车辆的距离保持或车速保持。但是由于驾驶员跟车动作是个连续过程，目前已有的自动跟车系统基本都是采用单帧传感数据作为控制模型的考量因素，并未考虑数据时序特征的影响，因此设计出的控制系统并不能很好的模拟驾驶员的跟车行为。同时由于驾驶员个体之间的驾驶风格、行为趋向以及安全需求都存在很大的差异，目前已有的自动跟车系统基本都采用较为固定的控制策略，这种采用固定参数的跟车系统也难以保证不同驾驶员的适应性。

发明内容

为了解决现有技术中存在的上述技术问题，本发明提供一种基于LSTM(LongShort-Term Memory，长短期记忆网络)模型的模拟驾驶员特性的自动跟车方法及系统。本发明引入LSTM循环神经网络模型，该模型应用优秀驾驶员稳态跟车过程中所采集的传感器信息时序数据和自车行驶时序数据等，对驾驶员跟车驾驶行为特征进行学习，建立起非线性输入输出映射关系知识库，进而预测车辆在跟车行驶过程中的纵向操作控制，实现系统对驾驶员特性的自动适应。

本发明是通过以下技术方案实现的：

一种基于LSTM的模拟驾驶员特性的自动跟车方法，用于控制目标车辆自身车速以实现目标车辆与前方车辆的距离保持或车速保持；包括以下步骤：

步骤S101，根据不同地点、天气下采集的驾驶训练数据建立训练样本库；所述驾驶训练数据包括输入特征数据以及对应的驾驶操纵数据；所述输入特征数据包括自车车速、前车车速、自车加速度、车间距，所述驾驶操纵数据包括油门踏板和制动踏板传感数据。

步骤S102，建立LSTM网络模型；所述LSTM网络模型包括1个输入层、2个隐藏层、1个输出层；其中：

输入层：定义输入向量X_t为4维向量，其中的4个元素分别表示车间距、自车车速与前车车速、以及自车加速度；将所有输入向量按时间序列展开；其中，所述输入向量X_t是指时间t处的输入。

第一隐藏层：设置为全连接层，包括32个神经元；所述第一隐藏层为dropout层，用于防止模型过拟合，自动丢弃该全连接层内一定比例的神经元。

第二隐藏层：设置为全连接层，包括41个神经元；所述第二隐藏层为dropout层，用于防止模型过拟合，自动丢弃该全连接层内一定比例的神经元。