[发明专利]一种基于LSTM的模拟驾驶员特性的自动跟车方法及系统

摘要

本发明提供一种基于LSTM的模拟驾驶员特性的自动跟车方法及系统，本发明引入LSTM循环神经网络模型，该模型应用优秀驾驶员稳态跟车过程中所采集的传感器信息时序数据和自车行驶时序数据等，对驾驶员跟车驾驶行为特征进行学习，建立起非线性输入输出映射关系知识库，进而预测车辆在跟车行驶过程中的纵向操作控制，实现系统对驾驶员特性的自动适应。本发明利用LSTM循环神经网络善于处理时序特征数据的特性来模拟驾驶员跟车行为特性，所设计的控制器输出在满足安全性、准确性以及舒适性的前提下更符合人类的驾驶行为特性，同时能够有效实现对驾驶员操作过程特性的自学习，实现了系统对驾驶员特性的自适应，具有普遍适用范围。

主权项

1.一种基于LSTM的模拟驾驶员特性的自动跟车方法，用于控制目标车辆自身车速以实现目标车辆与前方车辆的距离保持或车速保持；其特征在于，包括以下步骤：步骤S101，根据不同地点、天气下采集的驾驶训练数据建立训练样本库；所述驾驶训练数据包括输入特征数据以及对应的驾驶操纵数据；所述输入特征数据包括自车车速、前车车速、自车加速度、车间距，所述驾驶操纵数据包括油门踏板和制动踏板传感器数据；步骤S102，建立LSTM网络模型；所述LSTM网络模型包括1个输入层、2个隐藏层、1个输出层；其中：输入层：定义输入向量Xt为4维向量，其中的4个元素分别表示车间距、自车车速与前车车速、以及自车加速度；将所有输入向量按时间序列展开；其中，所述输入向量Xt是指时间t处的输入；第一隐藏层：设置为全连接层，包括32个神经元；所述第一隐藏层为dropout层，用于防止模型过拟合，自动丢弃该全连接层内一定比例的神经元；第二隐藏层：设置为全连接层，包括41个神经元；所述第二隐藏层为dropout层，用于防止模型过拟合，自动丢弃该全连接层内一定比例的神经元；输出层：设置为softmax分类器；输出向量Ot由当前时间t及之前部分记忆共同计算得到，对应离散纵向车辆操作向量；输出向量Ot中的车辆操作信息为41维向量，分别对应目标车辆的油门与制动踏板的操作状态，其中第1‑20个元素表示油门操作，分别对应不同的油门踏板开度；第21个元素表示无操作；第22‑41个元素表示制动操作，分别对应不同的制动踏板开度；步骤S103，根据训练样本对所述LSTM网络模型进行离线训练；所述离线训练的过程具体包括：步骤S1031，设置所述LSTM网络模型的超参数，所述超参数包括批量样本大小n、学习速率lr、权重衰退系数λ；步骤S1032，从所述训练样本库中获取所需的样本数据，并将获取的样本数据生成批量样本；将所述批量样本进行批规范化，获得批规范样本；将所述批规范样本输入到所述LSTM网络模型进行前向传导运算；步骤S1033，采用基于时间反向传播算法计算损失函数对参数的偏导，并用小批量梯度下降算法对损失求最优化解来更新并优化网络权重和偏置参数，直至预设的循环迭代次数完成或者达到预设的预测准确率，根据优化后神经网络权重和偏置参数完成对所述LSTM网络模型的训练；其中，损失计算公式如公式(1)所示：公式(1)中，Si为t时刻所述输出层的输出向量Ot中第i个元素的值，yi为对应的实际驾驶操纵数据中第i个的值，λ为权重衰退系数，n为批量样本大小，w为网络中的权重。步骤S104，将实时车况数据输入所述LSTM网络模型进行计算，输出对应的车辆操纵信号，实现自动跟车。