[发明专利]一种基于深度学习的个性化车道保持辅助方法及装置

权利要求书

1.一种基于深度学习的个性化车道保持辅助方法，其特征在于，该方法包括：

获取驾驶人驾驶过程中的车辆运动状态信息、道路环境信息作为轨迹模型的参数表征；

基于深度卷积模糊系统和轨迹模型的参数，建立轨迹模型；

对所述轨迹模型进行优化，根据驾驶人的驾驶特性设定约束条件；

获取时实车辆运动状态信息和实时道路环境信息，并基于轨迹模型输出驾驶员的横向位置信息，控制车辆对横向位置进行跟踪；

所述车辆运动状态信息包括：横向加速度ay、横向速度vy、偏航率yawrate和横向位置lateral_(t-1)，所述道路环境信息包括：道路曲率curvature；

当t时刻轨迹规划器输出的横向位置的值不在(μ-2σ,μ+2σ)范围时，横向位置lateral的值为保持上一时刻的值，轨迹的横向位置的约束条件为：

其中，lateral_(t)表示t时刻的横向位置，lateral_(t-1)为t-1时刻的横向位置，μ和σ²数据集的分别为期望和方差，其中，所述μ和σ²数据集为统计驾驶人驾驶过程中横向位置信息的数据集。

2.根据权利要求1所述的基于深度学习的个性化车道保持辅助方法，其特征在于，所述基于深度卷积模糊系统和轨迹模型的参数，建立轨迹模型，包括：

确定建立轨迹模型的输入输出参数；

基于深度卷积模糊系统和输入输出参数进行快速训练，建立初始轨迹模型；

将驾驶人驾驶过程中进行在线学习，对初始轨迹模型进行更新，得到轨迹模型。

3.根据权利要求2所述的基于深度学习的个性化车道保持辅助方法，其特征在于，所述基于深度卷积模糊系统和输入输出参数进行快速训练，建立初始轨迹模型，包括：

(1)设置算法的窗口大小为m，步长为s，共l层模糊系统，模糊集个数为q；

(2)对l层中的每一个模糊系统都执行以下步骤：

在下面的式子中，Cell表示一个单元，即一个模糊系统，如Cell(0)表示第1个模糊系统单元，Cell(1)表示第2个模糊系统单元；j_i,j₂,…,j_m＝1,2,…,q指模糊集个数，指一个模糊系统的输入权重参数，指模糊系统的输出权重参数，表示模糊系统根据输入输出进行快速训练的参数，表示第t层的第i个输出，即表示第0层的输出，即第1层的输入：

①初始化Cell(x⁽¹⁾,x⁽²⁾,…,x^(m))的参数

②确定每个输入的端点；

③确定每个输入-输出数据对模糊集的最大隶属度值；

④更新参数

⑤确定的值；

⑥确定Cell(0)的邻域，得到Cell(1)；

⑦逐轮得到Cell(2)，···，Cell(i)，直到生成完整的模糊规则库；

更新i→i+1；

更新l→l+1；

(3)完成快速训练，建立初始轨迹模型。