基于深度学习的虚拟到现实车道保持控制

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．