[发明专利]基于深度图的无人车局部自主控制方法、装置和设备

说明书

本申请涉及基于深度图的无人车局部自主控制方法、装置和设备，方法包括：获取无人车视野拍摄的深度图并提取深度图的深度特征矢量；将历史时刻连续拍摄得到的多个深度图像对应的深度特征矢量与拍摄所述深度图像时无人车的导航目标点位置坐标进行拼接融合，得到融合特征矢量并作为无人车的导航神经网络的输入状态；设计综合奖励函数；利用融合特征矢量和综合奖励函数，在障碍物仿真环境中采用超参数分段的训练策略对导航神经网络进行训练；在真实物理环境中，利用训练好的所述导航神经网络对深度图像处理，输出无人车控制指令。上述方法提高了算法的泛化性能，保持较好的导航能力，环境适应性较强。

技术领域

本申请涉及无人车视觉感知与智能控制技术领域，特别是涉及一种基于深度图的无人车局部自主控制方法、装置和设备。

背景技术

无人车的导航通常包括全局导航和局部导航。全局导航是指根据全局地图为无人车规划出一条从起始位置到目标位置的安全路径，其通常需要依赖全局地图构建和离线的路径规划，具有全局最优性，常用的全局路径规划算法包括栅格法、A*算法、快速搜索随机树法（RRT）、人工势场法、粒子群算法和遗传算法等。局部导航是指无人车根据其自身对当前环境中障碍物的感知情况进行短期的避障决策和规划，其通常体现为运动控制指令序列，常用的规划方法包括人工势场法、模糊逻辑、动态窗口法和强化学习等。

局部导航要求具有较高的可靠性和快速性。端到端的反应式架构可以提供快速、可靠的导航。强化学习和深度强化学习不需要依赖环境模型和监督训练标签，而是通过Agent与环境的交互积累经验，并从经验中学习最优行为策略，因此其被越来越多的用于复杂场景下的无人车决策规划和智能控制。然而，在实现本发明的过程中，发明人发现无人车传统的基于深度强化学习的局部控制方法，仍然存在着环境适应性较差的技术问题。

发明内容

基于此，有必要针对上述技术问题，提供一种基于深度图的无人车局部自主控制方法、一种基于深度图的无人车局部自主控制装置以及一种计算机可读存储设备，对导航的环境适应性较强。

为了实现上述目的，本发明实施例采用以下技术方案：

一方面，本发明实施例提供一种基于深度图的无人车局部自主控制方法，包括步骤：

获取无人车视野拍摄的深度图像；

对所述深度图像进行处理，提取得到深度特征矢量；

将历史时刻连续拍摄得到的多个深度图像对应的深度特征矢量与拍摄所述深度图像时无人车的导航目标点位置坐标进行拼接融合，得到融合特征矢量并作为无人车的导航神经网络的输入状态；

将设计的目标趋近奖励、避障奖励和能量优化奖励进行加和运算，得到综合奖励函数；

利用所述融合特征矢量和所述综合奖励函数，在障碍物仿真环境中采用超参数分段的训练策略对所述导航神经网络进行训练；

在真实物理环境中，获取当前时刻无人车视野拍摄的深度图像，将深度图像输入至训练好的所述导航神经网络，输出无人车控制指令。

另一方面，还提供一种基于深度图的无人车局部自主控制装置，包括：

深度矢量模块，用于获取无人车视野拍摄的深度图像；对所述深度图像进行处理，提取得到深度特征矢量；

矢量融合模块，用于将历史时刻连续拍摄得到的多个深度图像对应的深度特征矢量与拍摄所述深度图像时无人车的导航目标点位置坐标进行拼接融合，得到融合特征矢量并作为无人车的导航神经网络的输入状态；

综合奖励模块，用于将设计的目标趋近奖励、避障奖励和能量优化奖励进行加和运算，得到综合奖励函数；

网络训练模块，用于利用所述融合特征矢量和所述综合奖励函数，在障碍物仿真环境中采用超参数分段的训练策略对所述导航神经网络进行训练；