文档解析
本文研究了基于深度学习的端到端车辆运动规划方法，旨在解决自动驾驶框架中规划控制预测精度低的问题。研究者设计了一种多级时空注意力长短期记忆网络，用于自动驾驶仿真环境下的车辆运动规划任务。该网络通过提取和表征自动驾驶环境的深层抽象信息，实现端到端的车辆运动控制。研究使用前视摄像头模型获取的RGB仿真数据的历史连续视频帧序列作为输入，首先利用卷积模块提取图像的空间特征，然后通过LSTM模块融合图像历史时刻的空间信息以获得时间上下文特征。为了提高对时空关键信息的提取能力并加速网络收敛，研究在多级时空特征融合部分采用了时空注意力机制。在Carla仿真平台上的测试验证表明，所提出的方法相比单一时空算法能更精确地模仿人类驾驶决策行为。
研究的主要贡献包括：提出了一种基于端到端规控框架的多级时空注意力长短期记忆网络，该网络通过注意力机制整合历史时序中帧间的时空关联信息，实现车辆运动规划的端到端学习；提出了一种基于过滤和扩充的数据平衡方法，在增加有限数据集多样性的同时，平衡了不同场景的数据分布。实验设置包括了软硬件配置、数据获取和增强，以及三阶段的实验流程。实验结果表明，数据平衡、正弦编码分类以及考虑时空信息和注意力机制的模型架构均对提高模型性能有积极影响。
京公网安备 11010802033920号
Copyright © 2005-2026 EEWORLD.com.cn, Inc. All rights reserved
评论