[发明专利]一种基于GRU的驾驶员模型优化方法

说明书

一种基于GRU的驾驶员模型优化方法，其用于对驾驶员模型决策的预瞄路径过程进行多因素权重调整的深度神经网络训练，从而减小预瞄路径和实际路径的偏差，GRU是指门控循环单位网络，优化方法包括以下总步骤：采用门控循环单位网络GRU对驾驶员预瞄模型输出的预瞄路径数据和预设的车速作为基础得到的转向盘转角δ_sw以及利用驾驶员预瞄模型优化后的转向盘转角δ_sw作为输入通过车辆二自由度模型获得质心侧偏角、横摆角速度和侧向加速度等参数的过程进行训练以获得优化后的各项训练数据，并将训练数据与驾驶模拟器得到的实际路径数据一起拟合，最终得出优化后的GRU路径曲线与实际路径之间的对比图像。

技术领域

本发明涉及驾驶过程计算模拟领域，尤其涉及一种基于GRU的驾驶员模型优化方法。

背景技术

随着计算机的发展以及人工智能技术的出现，传统的汽车驾驶方式面临着巨大的改变，特别是智能驾驶汽车以及智能辅助驾驶的出现已经逐渐开始改变人们的驾驶体验。智能驾驶是一种跨学科综合技术，其问题复杂性较高，其中一个难题之一是如何利用智能的算法对汽车跟随道路进行运行时提升其运行轨迹与预期轨迹贴合性。

CN108829110A一种横/纵向运动统一框架的驾驶员模型建模方法，包含以下步骤：利用双曲正切函数建立车辆横向单变道轨迹解析式，采集道路以及车辆自身以及其行驶状态信息，根据道路状态信息得到车辆横向位移量的约束，根据驾驶员特性以及安全需求建立指标函数，得到优化横向位移参数，结合车辆行驶状态以及环境因素计算车辆所受横向力约束，利用横向力约束获得车辆轨迹平缓度约束，结合驾驶员特性建立指标函数得到平缓度参数的优化值，最终得到优化的轨迹期望。以横向期望，纵向速度为期望值，建立描述横/纵向运动统一框架的驾驶员模型，以实现轨迹跟踪的目的。

然而现有技术中采用的驾驶员模型属于较老的技术方案，其对于直线路径所形成的跟随路径较为准确，但是对于弯道较多的路线，其在曲率变化较大的区域具有较大的偏差，因此不能将传统的驾驶员模型直接应用于实际的车辆控制或行车辅助当中，而是还需要一定的升级优化以提升其在跟随道路的贴合性。

此外，一方面由于对本领域技术人员的理解存在差异；另一方面由于发明人做出本发明时研究了大量文献和专利，但篇幅所限并未详细罗列所有的细节与内容，然而这绝非本发明不具备这些现有技术的特征，相反本发明已经具备现有技术的所有特征，而且申请人保留在背景技术中增加相关现有技术之权利。

发明内容

为解决上述现有技术中存在的至少一部分问题，本发明提供了一种基于GRU的驾驶员模型优化方法，其用于对驾驶员模型决策的预瞄路径过程进行多因素权重调整的深度神经网络训练，从而减小预瞄路径和实际路径的偏差，GRU是指门控循环单位网络，优化方法包括以下总步骤：采用门控循环单位网络GRU对驾驶员预瞄模型输出的预瞄路径数据和预设的车速作为基础得到的转向盘转角δ_sw以及利用驾驶员预瞄模型优化后的转向盘转角δ_sw作为输入通过车辆二自由度模型获得质心侧偏角、横摆角速度和侧向加速度等参数的过程进行训练以获得优化后的各项训练数据，并将训练数据与驾驶模拟器得到的实际路径数据一起拟合，最终得出优化后的GRU路径曲线与实际路径之间的对比图像。

优选地，总步骤包括步骤S100：建立基于预瞄跟随的驾驶员模型并且根据驾驶员滞后效应传递函数以及侧向加速度误差反馈对汽车侧向位移过程进行分析以及修正分析结果，获得转向盘转角为δ_sw。