[发明专利]一种基于时空特征融合递归神经网络的智能车端到端决策方法

摘要

本发明公开了一种基于时空特征融合递归神经网络的智能车端到端决策方法，包括建立时空特征融合递归神经网络、建立时空特征融合递归神经网络训练模型和时空特征融合递归神经网络模型测试等三个步骤，在深度神经网络中，特征融合方法能够融合两种甚至多种不同的特征，促进网络收敛，本发明探索了时空特征相加、时空特征相减、时空特征相乘和时空特征级联四种特征融合方法对决策网络的影响，设计了一种基于时空特征融合的智能车决策网络实验证明了在智能车方向盘转角预测问题上，时空特征相加方法优于其它三种特征融合方法，并从反向传播求导的角度详细分析了四种特征融合方法的优劣。

主权项

1.一种基于时空特征融合递归神经网络的智能车端到端决策方法，其特征在于，包括以下步骤：S1、建立时空特征融合递归神经网络，所述时空特征融合递归神经网络包括卷积层、LSTM层、Pooling池化层、Merge合并层和全连接层，所述卷积层提取空间位置特征向量与LSTM层提取时间上下文特征向量后通过Pooling池化层进行特征池化方法以减少网络参数，所述Merge合并层将所述空间位置特征向量和时间上下文特征向量分别通过时空特征相加、时空特征相减、时空特征相乘和时空特征级联四种特征融合方法生成四种新的融合特征向量，将所述四种新的融合特征向量传给所述全连接层进行信息提取整合得到决策量；S2、建立时空特征融合递归神经网络训练模型，输入决策量数据建立Comma.ai数据集和Udacity数据集,所述数据集包括训练集和测试集，所述训练集用于训练所述四种特征融合方法形成的决策网络，记录校验损失函数值并保存每一步的模型权重值，画出loss损失函数曲线，找到校验损失函数值最小时的迭代步数和模型权重值，使用交叉验证的方法调整模型的超参数，找出最好的模型；S3、时空特征融合递归神经网络模型测试，在测试集上测试所述决策网络的权重值，预测智能车方向盘转角的效果，比较预测值与基准值之间的差距，计算测试场景中预测值与基准值之间的均方误差根，均方误差根越低代表预测曲线与基准曲线越接近，比较预测曲线与基准曲线的相似程度，相似程度越高说明决策网络的预测行为越接近熟练驾驶员的驾驶习惯，选出均方误差根最小和相似程度最高的预测曲线作为最终模型权重。