本發(fā)明涉及智能駕駛軌跡預(yù)測(cè)，具體為一種基于rcsm-pl網(wǎng)絡(luò)的仿人智能駕駛軌跡規(guī)劃方法。

背景技術(shù)：

1、目前針對(duì)車(chē)輛的耗能問(wèn)題的研究，多集中在運(yùn)動(dòng)控制方面、車(chē)輛結(jié)構(gòu)優(yōu)化方面、環(huán)境影響方面對(duì)車(chē)輛的能量消耗問(wèn)題進(jìn)行研究，在車(chē)輛軌跡規(guī)劃方面研究較少，軌跡規(guī)劃對(duì)車(chē)輛的行駛具有指引作用，行駛軌跡的不同將直接影響車(chē)輛行駛消耗情況，故從軌跡規(guī)劃、決策的角度對(duì)工程作業(yè)車(chē)輛的能源消耗情況進(jìn)行研究是非常必要的。

2、常用的軌跡規(guī)劃方法包括圖搜索法、采樣法、人工勢(shì)場(chǎng)法等，其中圖搜索法受環(huán)境輪廓影響較大，較難在場(chǎng)景中搜索出最優(yōu)軌跡；采樣法搜索過(guò)程中隨機(jī)性較大，搜索軌跡會(huì)導(dǎo)致車(chē)輛能耗較高；人工勢(shì)場(chǎng)法在接近障礙物時(shí)，規(guī)劃軌跡會(huì)出現(xiàn)大幅擺動(dòng)的現(xiàn)象，故應(yīng)用時(shí)受到限制。非結(jié)構(gòu)環(huán)境中的道路無(wú)法呈現(xiàn)規(guī)則的道路形狀，以上提出的規(guī)劃方法優(yōu)化出的軌跡會(huì)為車(chē)輛帶來(lái)較多的冗余里程負(fù)擔(dān)，當(dāng)車(chē)輛跟蹤行駛時(shí)會(huì)消耗較多的能量，并且從能耗方面提取特征從而設(shè)計(jì)出約束函數(shù)具有較大難度，需要尋找合適的方法在非結(jié)構(gòu)環(huán)境中規(guī)劃出使車(chē)輛跟蹤行駛時(shí)減少能源消耗的軌跡。

3、因此提供一種基于rcsm-pl網(wǎng)絡(luò)的仿人智能駕駛軌跡規(guī)劃方法解決上述問(wèn)題，從軌跡規(guī)劃的角度對(duì)車(chē)輛的能耗問(wèn)題進(jìn)行研究，通過(guò)采用數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)方法來(lái)學(xué)習(xí)人類(lèi)操控行為，規(guī)劃出一種較好的方式能夠符合人類(lèi)操控習(xí)慣的軌跡，并且機(jī)器學(xué)習(xí)方法避免了手動(dòng)設(shè)計(jì)約束函數(shù)的過(guò)程，可以直接從操控?cái)?shù)據(jù)中學(xué)習(xí)決策規(guī)則，人類(lèi)操控員可以根據(jù)復(fù)雜變化的環(huán)境調(diào)整不同的操控路線(xiàn)，從而操控車(chē)輛安全、平穩(wěn)的行駛。

技術(shù)實(shí)現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)的上述缺陷，本發(fā)明的實(shí)施例提供一種基于rcsm-pl網(wǎng)絡(luò)的仿人智能駕駛軌跡規(guī)劃方法，以解決上述背景技術(shù)中提出的問(wèn)題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種基于rcsm-pl網(wǎng)絡(luò)的仿人智能駕駛軌跡規(guī)劃方法，包括以下步驟：

3、步驟1：進(jìn)行駕駛操控軌跡數(shù)據(jù)采集；

4、步驟2：對(duì)步驟1采集的駕駛操控軌跡數(shù)據(jù)進(jìn)行分析；

5、步驟3：對(duì)步驟2處理出的雷達(dá)圖以及原始圖像中的軌跡數(shù)據(jù)特征進(jìn)行提??；

6、步驟4：使用多頭注意力機(jī)制通過(guò)不同維度的線(xiàn)性變換對(duì)步驟3提取出的行駛軌跡空間特征進(jìn)行學(xué)習(xí)；

7、步驟5：根據(jù)步驟4中得到的補(bǔ)償網(wǎng)絡(luò)輸出的未來(lái)軌跡點(diǎn)、電量以及動(dòng)力學(xué)特征參數(shù)在時(shí)間上具有較強(qiáng)相關(guān)性，以lstm網(wǎng)絡(luò)作為基礎(chǔ)結(jié)構(gòu)，去捕捉和記憶時(shí)間序列中的長(zhǎng)期依賴(lài)關(guān)系。

8、優(yōu)選的，所述人類(lèi)操控原始數(shù)據(jù)采集模塊中駕駛操控軌跡數(shù)據(jù)包括行駛軌跡電量參數(shù)和行駛空間場(chǎng)景參數(shù)，其中行駛空間場(chǎng)景參數(shù)為雷達(dá)坐標(biāo)數(shù)據(jù)和行駛區(qū)域圖像像素?cái)?shù)據(jù)。

9、優(yōu)選的，所述人類(lèi)操控?cái)?shù)據(jù)分析模塊中其分析包括以下步驟；

10、步驟2.1：人類(lèi)操控軌跡及電量分析單元中對(duì)行駛軌跡電量參數(shù)進(jìn)行分析，選擇5條行駛路線(xiàn)，然后對(duì)不同行駛路線(xiàn)下車(chē)輛行駛過(guò)程中左右輪的電能消耗進(jìn)行累積，根據(jù)電能消耗累積的結(jié)果繪制出5條路線(xiàn)下車(chē)輛電量累積消耗圖，從而選擇圖2中id1路線(xiàn)對(duì)應(yīng)的軌跡數(shù)據(jù)，最后對(duì)采集的數(shù)據(jù)進(jìn)行分組處理，用于深度網(wǎng)絡(luò)的訓(xùn)練；

11、步驟2.2：行駛空間場(chǎng)景處理與分析單元中對(duì)行駛空間場(chǎng)景參數(shù)進(jìn)行分析，包括以下步驟：

12、步驟2.2.1：仿人操控軌跡信息，坐標(biāo)轉(zhuǎn)換模型為：其中xl,yl,zl分別表示激光雷達(dá)坐標(biāo)系中點(diǎn)云坐標(biāo)，λ表示尺度因子，ui,vi表示像素坐標(biāo)系下點(diǎn)云坐標(biāo)，m表示相機(jī)內(nèi)參，r、t分別表示相機(jī)與激光雷達(dá)之間的旋轉(zhuǎn)矩陣和偏移向量；

13、步驟2.2.2：對(duì)激光雷達(dá)采集的點(diǎn)云數(shù)據(jù)在高度方向進(jìn)行投影，處理出二值可行使區(qū)域，黑色像素為不可行使區(qū)域，白色像素為可行使區(qū)域，之后將可行域均分為8個(gè)部分，對(duì)每一部分的中不可行駛區(qū)域占總區(qū)域的百分比進(jìn)行計(jì)算，從而以每一部分的占比作為獨(dú)立維度繪制出雷達(dá)圖，其不可行駛區(qū)域占比計(jì)算模型為：其中ni表示不同區(qū)域的總像素點(diǎn)數(shù)量，nb表示對(duì)應(yīng)區(qū)域黑色像素?cái)?shù)量，p表示黑色像素?cái)?shù)量占比。

14、優(yōu)選的，所述時(shí)空序列軌跡規(guī)劃特征提取模塊中通過(guò)采用resnet50網(wǎng)絡(luò)中的殘差結(jié)構(gòu)，殘差模型為：y＝r(x,{wi})+x，其中x和y表示殘差塊的輸入和輸出，r(·)表示待學(xué)習(xí)的殘差映射，wi表示待學(xué)習(xí)的參數(shù)，r(·)+x表示相應(yīng)位置的和。

15、優(yōu)選的，所述時(shí)空序列軌跡規(guī)劃特征提取模塊中在殘差塊中引入通道注意力，對(duì)有用的特征通道進(jìn)行關(guān)注，忽略其他通道，通過(guò)最大池化和平均池化對(duì)輸入特征圖f的空間信息進(jìn)行聚合，生成兩種不同類(lèi)型的特征：最大池化特征和平均池化特征；然后，將兩種不同類(lèi)型的特征傳送到一個(gè)由具有一個(gè)隱藏層的多層感知器(multi-layer?perceptrons)組成的權(quán)重共享網(wǎng)絡(luò)，再經(jīng)過(guò)進(jìn)一步的最大池化和平均池化以及一個(gè)非線(xiàn)性激活單元，生成通道注意力圖mc(f)，將生成的mc(f)和輸入特征圖f通過(guò)element-wise?multiplication合并后得出f'，計(jì)算模型為：mc(f)＝σ(mlp(avgpool(f))+mlp(maxpool(f)))，其中σ表示激活函數(shù)，表示逐元素相乘。

16、優(yōu)選的，所述時(shí)空序列軌跡規(guī)劃特征提取模塊中將f'輸入空間注意力中，對(duì)感興趣的局部區(qū)域進(jìn)行關(guān)注，沿通道維度進(jìn)行最大池化和平均池化操作，得到突出信息區(qū)域，通過(guò)卷積核尺寸為(3×3)的卷積層合并和卷積后，得出空間注意力圖ms(f')，然后，通過(guò)空間特征圖ms(f')和f'之間的元素相乘，生成細(xì)化特征圖f”，計(jì)算模型為：

17、ms(f')＝σ(f([avgpool(f')；maxpool(f')]))，其中σ表示sigmoid函數(shù)，f表示與濾波器大小的卷積運(yùn)算。

18、優(yōu)選的，所述時(shí)空序列軌跡規(guī)劃特征學(xué)習(xí)模塊中使用多頭注意力機(jī)制通過(guò)不同維度的線(xiàn)性變換對(duì)提取出的行駛軌跡空間特征進(jìn)行學(xué)習(xí)，并且加入一層誤差補(bǔ)償層，計(jì)算模型為：其中dn,dk,dv表示不同的維度，誤差補(bǔ)償公式為：其中t0為真值的第一個(gè)序列點(diǎn)，p0為預(yù)測(cè)的第一個(gè)序列點(diǎn)，δa為第一個(gè)序列點(diǎn)中真值與預(yù)測(cè)點(diǎn)的差，wi和bi為可訓(xùn)練參數(shù)，pi為預(yù)測(cè)點(diǎn)，pl為補(bǔ)償后預(yù)測(cè)點(diǎn)。

19、優(yōu)選的，所述時(shí)空序列軌跡規(guī)劃特征特征參數(shù)依賴(lài)關(guān)系分析模塊中以lstm網(wǎng)絡(luò)作為基礎(chǔ)結(jié)構(gòu)，去捕捉和記憶時(shí)間序列中的長(zhǎng)期依賴(lài)關(guān)系，具體計(jì)算模型如下：

20、it＝σ(wic⊙ct-1+wihht-1+wixxt+bi),

21、ft＝σ(wft⊙ct-1+wfhht-1+wfxxt+bf),

22、ct＝ft⊙ct-1+it⊙tanh(wchht-1+wcxxt+bc),

23、ot＝σ(woc⊙ct+wohht-1+woxxt+bo),

24、ht＝ot⊙tanh(ct),

25、其中it,ft,ot分別是輸入門(mén)、遺忘門(mén)、輸出門(mén)；ct為狀態(tài)細(xì)胞；wuv(u,v∈{x,i,f,c,h,o})表示權(quán)值矩陣；bu(u∈{i,f,c,o})為偏置向量；⊙為元素積；σ(x)＝1/(1+e-x)為sigmoid激活函數(shù)；ht為短期記憶輸出。

26、本發(fā)明的技術(shù)效果和優(yōu)點(diǎn)：

27、1、本發(fā)明通過(guò)高程數(shù)據(jù)對(duì)可行使區(qū)域進(jìn)行分割，并計(jì)算出可行使區(qū)域不同部分的危險(xiǎn)程度，以各部分的危險(xiǎn)程度為獨(dú)立維度構(gòu)建出雷達(dá)圖，作為行駛場(chǎng)景的輔助信息和原始圖片一起輸入深度網(wǎng)絡(luò)，用于生成仿人操控軌跡信息，并且通過(guò)不同路線(xiàn)耗能程度對(duì)數(shù)據(jù)進(jìn)行篩選，從而構(gòu)建出人類(lèi)操控行為數(shù)據(jù)集；

28、2、本發(fā)明根據(jù)車(chē)輛動(dòng)力學(xué)特征參數(shù)以及行駛過(guò)程中的耗電量作為約束，引入殘差結(jié)構(gòu)，從而避免了網(wǎng)絡(luò)退化現(xiàn)象的發(fā)生，以及在特征提取網(wǎng)絡(luò)中從不同維度融入注意力機(jī)制，對(duì)有用的特征通道和感興趣的局部區(qū)域進(jìn)行關(guān)注，有助于更好的從行駛軌跡空間中提取特征；

29、3、本發(fā)明根據(jù)補(bǔ)償網(wǎng)絡(luò)輸出的未來(lái)軌跡點(diǎn)、電量以及動(dòng)力學(xué)特征參數(shù)在時(shí)間上具有較強(qiáng)相關(guān)性，以lstm網(wǎng)絡(luò)作為基礎(chǔ)結(jié)構(gòu)，去捕捉和記憶時(shí)間序列中的長(zhǎng)期依賴(lài)關(guān)系，通過(guò)引入專(zhuān)門(mén)的存儲(chǔ)單元和門(mén)控機(jī)制控制信息流的輸出，從而提高對(duì)未來(lái)長(zhǎng)序列軌跡點(diǎn)的規(guī)劃能力。