针对无人车转角输出的端对端方法

针对端对端学习过程中的数据不均衡、时间成本高、输出不够鲁棒等问题,通过数据均衡、图像尺寸变换及双边滤波对数据集进行优化,降低了卷积神经网络(CNN)模型输出的误差,此外使用固定区域的图像剪切与图像尺寸变换降低了模型训练的时间成本。分别对是否经过均衡与处理的数据集进行训练获得两种模型,首先将两种模型的输出与原始数据进行对比,此外对平均训练时间进行比较,最终在智能小车上进行了自动驾驶实验。证明所提出方法改善了端对端输出的鲁棒性、降低了模型训练的时间成本。