[发明专利]一种基于改进回声状态网络的行车智能控制方法

说明书

一种基于改进回声状态网络的行车智能控制方法，该方法包括以下步骤：步骤1，检测智能小车行驶的车速、路面图像和方向仰角等数据；步骤2，为样本数据添加噪声；步骤3，提取路面图像中的车道线轮廓；步骤4，训练改进后的回声状态网络；步骤5，在线调整回声状态网络权值；步骤6，将可在线调整阈值的改进回声状态网络嵌入传感器及其处理系统中，并实际应用。发明通过模拟噪声环境对传感器采集数据的影响，增强训练得到的模型的鲁棒性。此外，为提高回声状态网络的控制精度，通过对传统的回声状态网络中添加交替最小二乘计算的权重修正值，以实现输出权值矩阵的实时更新，同时权重修正值的使用增强了网络模型的稳定性和准确性。

技术领域

本发明涉及智能控制领域，特别是涉及一种基于改进回声状态网络的行车智能控制方法。

背景技术

智能小车是指一类能够自我感知环境、规划路径并对实时路况进行合理决策的路径循迹车辆。行为决策模块是自动驾驶智能小车的“大脑”，受到全世界的很多学者的关注。随着机器学习和深度学习在图像处理、语音识别、自然语言处理等领域的发展，自动驾驶技术可以与人工智能进行完美的结合。传统的自动驾驶行为决策算法需要人为设定复杂的规则，从而导致车辆决策时间长、决策效果不佳、对于新的环境不具有适应性，而机器学习作为近年来人工智能和智能控制领域的研究热点，车辆仅通过与环境交互便可以学习到合理、有效的策略。

经统计,在实现小车循迹的众多方法之中,以监督学习使用最为广泛,但监督学习要么需要人工标记大量学习样本,要么需要人工驾驶来获取足够的训练数据,由此而造成的巨大工作量使得这种方法饱受诟病。在实现小车循迹的众多方法之中,以监督学习使用最为广泛,但监督学习要么需要人工标记大量学习样本,要么需要人工驾驶来获取足够的训练数据,不能在线调整网络权值，由此而造成的巨大工作量使得这种方法饱受诟病。

发明内容

为解决上述问题，本发明在人工智能的基础上，提出了一种基于改进回声状态网络的行车智能控制方法。为尽可能的行车中恶劣环境对采集数据的影响，本发明通过模拟噪声环境对传感器采集数据的影响，增强训练得到的模型的鲁棒性。另外，为了提高回声状态网络的控制精度，通过对传统的回声状态网络中添加权重修正值以实现输出权值矩阵的实时更新，同时权重修正值的使用增强了网络模型的稳定性。为达此目的，本发明提供一种基于改进回声状态网络的行车智能控制方法，具体步骤如下，其特征在于：

步骤1，检测智能小车行驶的车速、路面图像和方向仰角数据：通过智能小车上各类传感器分别检测智能小车行驶的车速、路面图像和方向仰角数据，并将需要调整的行车角度和速度作为标签，采集多组样本数据；

步骤2，为样本数据添加噪声：由于行车常处于恶劣环境中，因此为路面图像添加椒盐噪声，信噪比范围控制在35~40dB；

步骤3，提取路面图像中的车道线轮廓：对采集的路面图像做平滑滤波处理，并将采集的路面图像转换为二值图像，再利用Canny边缘检测提取图像中的车道线轮廓；

步骤4，训练改进后的回声状态网络：将训练样本提取后的车道线轮廓数据以及车速、方向仰角作为输入，将需要调整的行车角度和速度作为输出，训练改进后的回声状态网络；

步骤5，在线调整回声状态网络权值：通过实时采集的数据，利用交替最小二次乘法计算出回声状态网络的权重修正值，实时进行微调，以提高模型的精确性；

步骤6，将可在线调整阈值的改进回声状态网络嵌入传感器及其处理系统中，并利用改进回声状态网络进行行车智能控制。

进一步，步骤2中为样本数据添加噪声的过程可以表示为：

为提高模型的鲁棒性和稳定性，在训练的路面图像中添加椒盐噪声，信噪比定义如下：

式中，表示路面图像信号的功率，表示噪声的功率。

进一步，步骤3中提取路面图像中的车道线轮廓的过程可以表示为：