基于深度学习的虚拟到现实车道保持控制 |
| |
引用本文: | 杨顺,吴坚,蒋渊德,王国军,刘海贞.基于深度学习的虚拟到现实车道保持控制[J].华南理工大学学报(自然科学版),2019,47(9). |
| |
作者姓名: | 杨顺 吴坚 蒋渊德 王国军 刘海贞 |
| |
作者单位: | 吉林大学 汽车仿真与控制国家重点实验室,吉林 长春,130025;吉林大学 汽车仿真与控制国家重点实验室,吉林 长春,130025;吉林大学 汽车仿真与控制国家重点实验室,吉林 长春,130025;吉林大学 汽车仿真与控制国家重点实验室,吉林 长春,130025;吉林大学 汽车仿真与控制国家重点实验室,吉林 长春,130025 |
| |
基金项目: | 国家重点研发计划;国家自然科学基金 |
| |
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1.693 9°和2.885 0°,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 |
本文献已被 CNKI 万方数据 等数据库收录! |
|