基于深度学习的虚拟到现实车道保持控制

摘要：

深度学习由于其强大的非线性拟合能力,已经被广泛应用于无人驾驶控制器训练领域.然而,由于其训练过程需要大量标注数据,耗费大量人力物力,且人为采集的数据很难覆盖危险工况,导致训练的模型泛化能力较差,影响了深度学习控制器的性能提升.本研究提出一种从虚拟世界采集样本,将训练模型向真实世界泛化的端对端卷积神经网络(CNN)控制器训练框架.为缩小虚拟和真实世界的差距,本研究以语义分割图像作为媒介,将虚拟和真实图像分别转化为语义分割图像用于训练和测试.结果表明,虚拟到现实训练得到的控制器可以较好地跟随道路变化趋势,经权值微调后预测输出与人类驾驶员操作相近,最大平均绝对误差和均方根误差分别为1.6939°和2.8850°,平均绝对百分比误差在5％以内.

关键词：无人驾驶、深度学习、仿真平台、图像分割、车道保持

所属期刊栏目：47

分类号：TP181(自动化基础理论)

资助基金：国家重点研发计划项目2016YFB0100904;国家自然科学基金资助项目U1564211

在线出版日期：2019-10-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：90-97