自适应均衡学习的端到端类人驾驶控制决策网络

针对现有端到端自动驾驶网络对于类人驾驶行为与思维特征模拟不足的问题,从类人驾驶特征出发,设计了一个包含时空特征、历史状态特征及未来特征的端到端类人驾驶控制决策网络。采用多层卷积和长短期卷积时序记忆网络(Conv-LSTM),对前方道路视觉感知图像时间序列进行时空特征提取,同时采用一维卷积和长短期时序记忆网络(Long Short-Term Memory,LSTM)对车辆状态信息时间序列进行历史状态特征提取,进而采用多任务参数共享方式进行当前时刻和未来序列的方向盘转角、车速的控制决策,并以未来序列作为辅助任务督促当前时刻的主任务学习。为更好地耦合汽车纵横向控制参数学习的过程,还提出一种权衡纵横向控制参数损失量级及学习速度的权重自适应方法,并引入容差阈值,建立衡量纵横向控制参数训练效果的评价方法。依托Comma2k19数据集对所构建控制决策网络进行训练和验证,体现出良好的可行性及优越性。