[发明专利]一种基于行车态势图的车辆自动驾驶决策系统及基于无人机的训练集制备方法

权利要求书

1.一种基于行车态势图的车辆自动驾驶决策系统，该车辆自动驾驶决策系统包括感知层、决策层、控制层以及安全模块，其特征在于：

所述感知层对视频进行抽象化处理，获取行车态势图序列X，并将所获取的行车态势图序列X传输到决策层进行处理；

所述决策层接收行车态势图序列X，提取行车态势图序列X中的空间特征和运动特征，并将提取的所述空间特征与所述运动特征进行特征融合，得到融合后的特征图Fusion_conv5，将所述融合后的特征图Fusion_conv5输入Net_high卷积神经网络以从低级特征中提取感兴趣的高级特征并得到参考航迹点参数Δx、Δy、Δv和Δα，并进行轨迹拟合以及轨迹更迭；

所述安全模块接收所述感知层的数据进行安全检测以及轨迹更正，具体包括：

从感知系统处获得周围交通参与者的速度值后计算其加速度，当发现其加速度发生突变时以其突变后的加速度计算碰撞危险区域，根据碰撞危险区域修正参考轨迹从而避免碰撞；

所述轨迹更正的具体过程为先沿原轨迹减速行驶，驾驶决策系统根据当前状态重新规划轨迹，之后车辆按照新轨迹行驶；

其中，所述Net_high卷积神经网络为两层卷积层和三层全连接层的结构；

所述感知层对视频进行抽象化处理，具体包括，先截取感兴趣区，然后获取车辆对象，对其进行跟踪获得轨迹参数，最后对图中各物体尺寸进行度量，经过图像处理，获得驾驶决策代入车在决策起始帧对应时刻后0.5s、1.0s和1.5s时对应的行车关键参数，所有交通参与者的位置和外形尺寸，以及交通标线和道路边界的位置和尺寸。

2.根据权利要求1所述的车辆自动驾驶决策系统，其特征在于：

所述空间特征是指行车态势图中各个组成元素之间的相对位置关系，通过AlexNet卷积神经网络提取行车态势图中各个交通参与者之间距离、速度、与车道线距离特征，所述空间特征的提取仅限当前时刻t_n对应的行车态势图；

在提取所述行车态势图中的空间特征之前，还包括将行车态势图转化为灰度图，并将本车车速、周围车辆车速归一化到取值区间为[0,255]的对应“T”字形、三角形的灰度值，生成速度灰度态势图，所述速度灰度态势图通过图形区分不同的交通参与者。

3.根据权利要求2所述的车辆自动驾驶决策系统，其特征在于，提取所述运动特征具体包括：

使用基于多项式展开的双帧运动估计得到相邻态势图的光流，并将提取的光流数据归一化到取值区间[0,255]中，生成光流灰度图，再通过AlexNet卷积神经网络提取相邻态势图间的运动特征；

光流灰度图的序列Y表达了交通参与者的运动随时间变化的过程，将所述光流灰度图序列Y中所有光流灰度图在AlexNet卷积神经网络conv5层的像素层数据取均值得到序列整体的运动特征，融合后的特征层以Y_conv5指代。

4.根据权利要求3所述的车辆自动驾驶决策系统，其特征在于，将提取的所述空间特征与所述运动特征进行特征融合，得到融合后的特征图Fusion_conv5，具体包括：

将速度灰度态势图的conv5层特征图与光流灰度图Y_conv5的对应位置特征图通过如下公式实现对齐并加权求和：

F_fusion＝w_space F_space+w_motion F_motion

其中F_space为速度灰度态势图的conv5层特征图的像素层数据矩阵，F_motion为光流灰度图Y_conv5特征图的像素层数据矩阵，F_fusion为融合后的特征图Fusion_conv5的像素层数据矩阵，w_space和w_motion分别为空间特征和运动特征所占权重，且满足w_space+w_motion＝1。