申请/专利权人：中汽院智能网联科技有限公司;中国汽车工程研究院股份有限公司

申请日：2021-03-31

公开（公告）日：2024-03-19

公开（公告）号：CN113033902B

主分类号：G06Q10/047

分类号：G06Q10/047;G06N3/0499;G06N3/0442;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2021.07.13#实质审查的生效;2021.06.25#公开

摘要：本发明涉及车辆智能驾驶技术领域，具体涉及一种基于改进深度学习的自动驾驶换道轨迹规划方法，包括：S1、构建数学模型：根据针对的问题和已有的数据训练若干个LSTM神经网络，将这些神经网络以替换的方式对经典的BP神经网络中的激活函数进行替换，包括前向传播过程和反向传播过程；S2、规划最优轨迹：利用多项式曲线来模拟车辆换道过程中的行驶轨迹，得到最优轨迹曲线；S3、执行避障算法：在经典Gipps模型的基础上加入车身长度进行改进，作为最优轨迹曲线的约束条件，求解得到最小安全距离和最大安全速度。本发明能够确保换道车辆能够对突发情况做出反应，保障了车辆换道过程的安全性，解决了现有技术安全性不足的技术问题。

主权项：1.一种基于改进深度学习的自动驾驶换道轨迹规划方法，应用于车辆的行驶速度在110~120kmh之间的场景，其特征在于，包括：S1、构建数学模型：根据针对的问题和已有的数据训练若干个LSTM神经网络，将这些神经网络以替换的方式对经典的BP神经网络中的激活函数进行替换，包括前向传播过程和反向传播过程；S2、规划最优轨迹：利用多项式曲线来模拟车辆换道过程中的行驶轨迹，得到最优轨迹曲线；S3、执行避障算法：在经典Gipps模型的基础上加入车身长度进行改进，作为最优轨迹曲线的约束条件，求解得到最小安全距离和最大安全速度；S1中，LSTM神经网络包含一个输入层、若干个隐藏层以及一个输出层；其中，输入层是整个神经网络的入口，用于输入训练数据，训练数据为需要训练的换道轨迹规划数据；隐含层包含遗忘门、输入门、输出门和细胞状态，遗忘门、输入门、输出门对训练数据进行处理；输出层用于输出训练数据经过隐藏层处理之后得到的结果；遗忘门、输入门、输出门对训练数据进行处理，具体过程如下：A1、在新的训练数据传入神经网络时，遗忘门决定哪些旧的训练数据需要从细胞状态ht-1中扔掉，如下式所示， 式中，Wf是遗忘门的权重矩阵，ht-1是t-1时刻的细胞状态，xt是换道轨迹规划数据，bf是遗忘门的偏置项；A2、输入门决定哪些值需要更新，tanh函数层创建向量作为加入到细胞状态的候选值，如下式所示， 式中，bi是输入门的偏置项，是准备用以更新的数据矩阵，Wc是准备用以更新的数据的权重矩阵；A3、更新上一时刻细胞状态，从细胞状态移除掉在忘记门决定的信息，以决定对每一个状态值更新的比例来加入输入门计算出的候选值，如下式所示， A4、决定将要输出的部分，如下式所示， 式中，Wo是输出门的权重矩阵，bo是输出门的偏置项；S3中，求解最小安全距离和最大安全速度的公式，分别如下式所示， 式中，最小安全距离为，最大安全速度为，xn-1t为前车t时刻位置，xt为后车t时刻位置，vn-1t、vt分别表示前车和后车t时刻的速度，bn-1为前车最大制动量、b为后车最大制动量，a为后车实时加速度，为后车的反应时间，ln-1为前车的车身长度，l为后车的车身长度；对于前向传播过程，假设一个LSTM神经网络有p个输出，当该网络进行一次前向传播时，第j个神经元的输入如下式所示， 第j个神经元的输出如下式所示， 式中，F（）是激活函数，激活函数如下式所示， ；对于反向传播过程，输出层第j个神经元所对应的误差如下式所示， 对于嵌入层神经元而言， 所以得到损失矩阵如下式所示， 隐藏层所对应的误差矩阵是如下式所示， 对于LSTM神经网络的梯度进行求解，假设LSTM神经网络的隐藏状态是和细胞状态，那么有以下关系成立， 式中，L是损失函数。

全文数据：

权利要求：

百度查询： 中汽院智能网联科技有限公司;中国汽车工程研究院股份有限公司 一种基于改进深度学习的自动驾驶换道轨迹规划方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD