[发明专利]基于卷积神经网络和传统几何控制器的拟人化转向系统及其方法

权利要求书

1.一种基于卷积神经网络和传统几何控制器的拟人化转向系统，其特征在于，包括图像数据增强模块、传统几何控制器的转向角提取模块、模型训练模块，其中，

图像数据增强模块基于前视摄像头拍摄的图像序列，用于首先去除每帧图像中地平线上方的大部分天空的影响，然后降低图像的分辨，继而水平翻转该图像，最后随机旋转该图像到一定的角度；

传统几何控制器的转向角提取模块基于待跟踪路径，用于寻找自动驾驶汽车当前位置与待跟踪路径上若干个路径点的几何关系，根据几何关系提取出转向角向量；

模型训练模块是基于经过图像数据增强和传统几何控制器的转向角提取后得到的数据，用于最小化来自该模型的转向角输出和自动驾驶仪或人类驾驶员的转向角控制量之间的误差。

2.根据权利要求1所述的基于卷积神经网络和传统几何控制器的拟人化转向系统，其特征在于，所述的传统几何控制器的转向角提取模块中采用的卷积神经网络是具有VGGNet结构特征的卷积神经网络，为Udacity Challenge的CNN模型，所述的传统几何控制器为Pure Pursuit控制器。

3.根据权利要求2所述的基于卷积神经网络和传统几何控制器的拟人化转向系统，其特征在于，在所述的传统几何控制器的转向角提取模块中使用Udacity Challeng中的CNN模型与传统的几何转向控制器中的Pure Pursuit控制器融合后形成新型神经网络结构，该新型神经网络结构除了有图像数据输入外，还有一个输入是经过Pure Pursuit控制器处理后的数据。

4.一种基于卷积神经网络和传统几何控制器的拟人化转向方法，其特征在于，包括以下步骤：

S1.对图像数据进行增强处理前，首先裁剪部分像素以去除地平线上方的大部分天空的影响；

S2.将处理后的图像进行降低分别率处理以加速训练过程；

S3.对于每一帧图像，随机决定是否需要进行增强处理，对于需要增强处理的图像，继续水平翻转图像，接着随机旋转后的图像到一定的角度，至此，完成了图像数据的增强处理；

S4.设置Pure Pursuit控制器的最小预瞄距离以及最远预瞄距离，设置选取的路径点个数；

S5.Pure Pursuit控制器依据给定的路径点数据集和车辆的定位信息提取车辆前轮的转向角向量；

S6.使用Udacity Challeng中的CNN模型与传统的几何转向控制器中的Pure Pursuit控制器融合后形成新型神经网络结构，该新型神经网络结构除了有图像数据输入外，还有一个输入是经过Pure Pursuit控制器处理后的数据；通过该全新的神经网络结构进行提取转向角向量；

S7.将经过上述步骤预处理后得到的，包含有图像、车辆的前轮转向角数据和PurePursuit控制器提取的车辆前轮转向角向量的数据，通过全新网络结构最小化来自全新网络结构的转向角输出和自动驾驶仪或人类驾驶员的转向角控制量之间的误差。

5.根据权利要求4所述的基于卷积神经网络和传统几何控制器的拟人化转向方法，其特征在于，所述的S3步骤中，随机旋转的图像角度为-57°～57°。

6.根据权利要求4所述的基于卷积神经网络和传统几何控制器的拟人化转向方法，其特征在于，所述的S4步骤中，设置Pure Pursuit控制器的最小预瞄距离为前方1.0～1.5米，最远预瞄距离为前方20～60米，同时保证选取的路径点个数为50～150个。

7.根据权利要求6所述的基于卷积神经网络和传统几何控制器的拟人化转向方法，其特征在于，所述的S5步骤中，用于计算对应的车辆前轮转向角控制量的计算模型为：

S1，S2，...，S50＝Pure Pursuit(P1，P2，...，P50)

式中，(S1，S2，...，S50)表示对应于50个路径点(P1，P2，...，P50)的车辆前轮的转向角向量，即把自动驾驶汽车的定位信息分别与选取的50个路径点通过Pure Pursuit控制器计算出对应的车辆前轮转向角控制量，其中，路径点数据集是车辆的实时定位信息数据的集合。