[发明专利]一种基于改进深度学习的自动驾驶换道轨迹规划方法

权利要求书

1.一种基于改进深度学习的自动驾驶换道轨迹规划方法，应用于车辆的行驶速度在110～120km/h之间的场景，其特征在于，包括：

S1、构建数学模型：根据针对的问题和已有的数据训练若干个BP神经网络，将这些神经网络以替换的方式对经典的BP神经网络中的激活函数进行替换，包括前向传播过程和反向传播过程；

S2、规划最优轨迹：利用多项式曲线来模拟车辆换道过程中的行驶轨迹，得到最优轨迹曲线；

S3、执行避障算法：在经典Gipps模型的基础上加入车身长度进行改进，作为最优轨迹曲线的约束条件，求解得到最小安全距离和最大安全速度。

2.如权利要求1所述的基于改进深度学习的自动驾驶换道轨迹规划方法，其特征在于，S1中，神经网络包含一个输入层、若干个隐藏层以及一个输出层；其中，输入层是整个神经网络的入口，用于输入训练数据，训练数据为需要训练的换道轨迹规划数据；隐含层包含遗忘门、输入门、输出门和细胞状态，遗忘门、输入门、输出门对训练数据进行处理；输出层用于输出训练数据经过隐藏层处理之后得到的结果。

3.如权利要求2所述的基于改进深度学习的自动驾驶换道轨迹规划方法，其特征在于，遗忘门、输入门、输出门对训练数据进行处理，具体过程如下：

A1、在新的训练数据传入神经网络时，遗忘门决定哪些旧的训练数据需要从细胞状态h_t-1中扔掉，如下式所示，

f_t＝σ(W_f[h_t-1,x_t]+b_f)

式中，W_f是遗忘门的权重矩阵，h_t-1是t-1时刻的细胞状态，x_t是换道轨迹规划数据，b_f是遗忘门的偏置项；

A2、输入门决定哪些值需要更新，tanh函数层创建向量作为加入到细胞状态的候选值，如下式所示，

i_t＝σ(W_i[h_t-1,x_t]+b_i)

式中，b_i是输入门的偏置项，是准备用以更新的数据矩阵，W_c是准备用以更新的数据的权重矩阵；

A3、更新上一时刻细胞状态，从细胞状态移除掉在忘记门决定的信息，以决定对每一个状态值更新的比例来加入输入门计算出的候选值，如下式所示，

A4、决定将要输出的部分，如下式所示，

O_t＝σ(W_o[h_t-1,x_t]+b_o)

式中，W_o是输出门的权重矩阵，b_o是输出门的偏置项。

4.如权利要求3所述的基于改进深度学习的自动驾驶换道轨迹规划方法，其特征在于，S1中，反向传播过程中嵌入层和隐藏层的误差矩阵分别如下式所示，

并根据损失矩阵调整各层神经元的权重矩阵，具体如下式所示，

W_o＝W+ηδ_ZZ^T

W_i＝W+ηδ_HX^T

式中，L为损失函数。

5.如权利要求4所述的基于改进深度学习的自动驾驶换道轨迹规划方法，其特征在于，S2中，利用三次多项式曲线来模拟车辆换道过程中的行驶轨迹，其表达式如下：

式中，a₀、a₁、a₂、a₃均为待确定的参数，x_n为车辆n的纵向位置，y_n为车辆n的横向位置；

确定各项参数如下式所示，

式中，θ_i为规划步长起点的航向角，为终点横向坐标。