模拟人类驾驶行为以训练基于神经网络的运动控制器的方法与流程

车辆装置的制造及其改造技术1.本公开大体涉及的领域包括车辆运动控制器，以及制作和使用其的方法(包括模拟人类驾驶行为以训练基于神经网络的车辆运动控制器的方法)。背景技术：2.自主和半自主车辆可使用运动控制器来控制车辆的纵向和横向运动。技术实现要素：3.多种变型可包括车辆运动控制器，以及制作和使用其的方法(包括模拟人类驾驶行为以训练基于神经网络的车辆运动控制器的方法)。4.多种变型可包括训练神经网络车辆运动控制器的方法，该神经网络车辆运动控制器更接近地重复人类将如何使用凭直觉的车辆动力学变量驾驶车辆并且预测参数以便确定运动控制器应该如何将转向角、油门和中断输入传送到车辆来为车辆导航。5.在本发明的范围内的其他说明性变型将从下文中提供的详细描述中变得明显。应该理解的是，在公开本发明的范围内的变型的同时，仅意图将详细描述和特定示例用于说明的目的，而不意图限制本发明的范围。附图说明6.将从详细描述和附图中更全面地理解本发明的范围内的变型的选择示例，其中：图1示出了训练神经网络以模拟人类驾驶行为的方法，其可包括表征车辆的当前状态、驾驶员在路径几何学方面所看见的事物以及驾驶员通过应用转向和油门/制动输入修正的所察觉到的误差。7.图2是实施经训练的神经网络的框图，该神经网络包括基于神经网络架构的经训练的参数，其中x1是在图1中所示出的训练输入的向量，并且y1是控制参数的向量，这些控制参数被发送到致动器以控制车辆的横向和纵向运动。8.图3是示出训练神经网络的方法的框图。具体实施方式9.变型的下列描述在本质上仅为说明性的，并且决不意图限制本发明的范围、本发明的应用或使用。10.多种变型可包括车辆运动控制器，以及制作和使用其的方法(包括模拟人类驾驶行为以训练基于神经网络的车辆运动控制器的方法)。11.多种变型可包括训练神经网络车辆运动控制器的方法，该神经网络车辆运动控制器更接近地重复人类将如何使用由车辆动力学变量表征的“凭直觉”的感觉来驾驶车辆，以及预测参数以便确定运动控制器应该如何将转向角、油门和中断输入传送到车辆来为车辆导航。12.在此之前，横向和纵向车辆运动控制器已经为单独的，并且仅在将控制输入提供到车辆致动器时推断彼此在车辆动力学上的影响。这些类型的运动控制方法使得它们自身表现出非常像机器人的或不自然的车辆行为，这使人类车辆驾驶员和/或乘客明显地感觉生疏且不适。13.在多种变型中，预测数据可被用作或被参数化成由多阶微分方程代表的方程组。稍后，可将该数据以输入-输出形式馈送到神经网络(该输入-输出形式被预先准备成使网络获得将尽可能接近地适配输入数据组的权值和偏差)。然后，这些权值和偏差可被部署为“均匀运动控制器(homogeneous motion controller)”来以自主或半自主模式实现横向和纵向车辆运动控制。对于制动，这同样可实现。权值和偏差可被部署为“均匀运动控制器”来以自主或半自主模式实现车辆减速运动控制。到这样的车辆运动控制器的输入将与在训练中所使用的在变量方面的输入完全相同。但是由于神经网络的普遍性质的性质，在与训练数据比较时，神经网络对于变化将为像机器人的，并且将能够在所期望的道路上以路径规划者所要求的期望速率向前驾驶。因为已经基于所学习的在权值、偏差和相关的过程不确定性中模拟的行为在相同的输入向量上训练了神经网络，所以控制器的输出将非常接近地匹配人类将做的事(如果相同的成组输入展现给他们)。这将允许车辆以类似人类的方式经过路径，即使控制器本身不是人类。14.在多种变型中，均匀运动控制器可提供模仿人类驾驶行为的横向和纵向的运动控制信号。在多种变型中，通过利用具有不同驾驶个性或特征的人类车辆驾驶员来训练神经网络，均匀运动控制器可被构造并且布置成提供个性和不同的驾驶行为特点。在多种变型中，均匀运动控制器可具有连续学习驾驶员行为以及使用权值和偏差以适应其、并且时而更新神经网络的能力。可通过以多种不同的个性或特征驱动车辆来训练神经网络，该多种不同的个性或特征诸如进取的第一驾驶特征，其中驾驶员以快速或剧烈的方式转弯，并且以进取或快速的方式加速和/或减速；比第一驾驶特征更温和的第二驾驶特征，并且其中驾驶员以温和或较不剧烈的方式转弯，并且以温和或比第一驾驶特征较慢的方式加速和/或减速；在第三驾驶特征中，该第三驾驶特征比第二驾驶特征更保守，并且其中驾驶员更慢且更不剧烈地转弯，并且以比第二驾驶特征更慢或保守的方式加速和减速。将在下游约束经训练的神经网络，以将其保持在车辆和环境的安全操作限制内，而不管所学习的行为如何。15.参考图1，可利用车辆10(其可包括多个传感器12,14和一个或多个模块或计算装置15)来确定车辆相对于多种变量的当前状态，所述多种变量包括偏航18、速度20、横向加速度22、纵向加速度24、偏航率26、转向盘速率28、转向盘角30或转向角目标32中的至少一个。可在多种时间处(诸如在车辆10沿路径11运动时的t=0和t=1处)记录车辆相对于这些参数的当前状态。神经网络还可记录驾驶员相对于多种变量所做出的预测34，所述多种变量包括x方向36、y方向38、系数#1 40、系数#2 42、系数#3 44中的至少一个，其中系数#1、#2和#3代表特征或参数曲线方程、车辆与意图路径的横向偏差46、车辆当前航向与意图路径的航向偏差48、未来轨迹的曲率50或目标速度52。这些变量中的一个或多个可通过一个或多个模块或计算装置15获得。可向当前车辆状态16添加其它参数，诸如环境条件、道路表面摩擦和车辆健康信息。16.现在参考图2，输入数据可被递送到神经网络，其中这样的输入数据来自车辆16的当前状态和驾驶员所做出的预测34，以及所需要的其它参数，诸如是否需要输出以用于进取的第一驾驶特征、温和的第二驾驶特征或保守的第三驾驶特征。神经网络将为单独的控制器，并且可独立工作或结合现有的传统控制功能工作，并且可比较或平均每个的输出。17.多种变型可包括训练神经网络的方法，该训练神经网络的方法包括使人类驾驶员以用于第一驾驶特征的第一速率在测试跑道上驾驶并且使用多个传感器12,14和一个或多个模块或计算装置15，从而使用偏航18、速度20、横向加速度22、纵向加速度24、偏航率2,6、速率28、转向盘角30或转向角目标32中的至少一个来在多个时间点处确定车辆的当前状态，以及确定驾驶员（drive）所做出的预测，即x方向36、y方向38、系数#1 40、系数#2 42、系数#3 44中的至少一个，其中系数#1、#2和#3代表特征或参数曲线方程、车辆与意图路径的横向偏差46、车辆当前航向与意图路径的航向偏差48、未来轨迹的曲率50或目标速度52，以及根据所述确定产生输入数据，并且将输入数据传达到神经网络以模拟人类驾驶行为且从其中产生输出数据，并且将输出数据传达到构造且布置成至少在一段时间内驾驶车辆而无需人类输入的自主驾驶车辆模块。第一速率可处于相对快速的速度以模拟进取驾驶员的人类驾驶行为。可将相同的过程以比第一速率更小的第二速率重复，以模拟温和驾驶员的人类驾驶行为。类似地，对于比第二速率更小的第三速率，可重复该相同的过程，以模拟保守驾驶员的人类驾驶行为。18.多种变型可包括构造且布置成产生输出数据的经训练的神经网络，已经通过接收通过以下方式获得输入数据来训练该神经网络：使人类驾驶员以用于第一驾驶特征的第一速率在测试跑道上驾驶并且使用多个传感器12,14和一个或多个模块或计算装置15，从而使用偏航18、速度20、横向加速度22、纵向加速度24、偏航率2,6、速率28、转向盘角30或转向角目标32中的至少一个来在多个时间点处确定车辆的当前状态，以及确定驾驶员（drive）所做出的预测，即x方向36、y方向38、系数#1 40、系数#2 42、系数#3 44中的至少一个，其中系数#1、#2和#3代表特征或参数曲线方程、车辆与意图路径的横向偏差46、车辆当前航向与意图路径的航向偏差48、未来轨迹的曲率50或目标速度52。19.除了以上所描述的训练方法，一旦已经在具有基本经训练的神经网络的情况下将车辆交付给客户，则可将软件模块激活，使得其连续地记录车辆状态、预测信息以及在驾驶员人工地操作车辆的情况下连续地记录驾驶员输入。如果确定所记录的信息来自已经在经训练的神经网络中被视为具有较低可靠程度的驾驶特征区域，那么该信息将被作为附加信息馈送回到神经网络，并且权值、偏差和不确定性将被更新。该过程将确保神经网络均匀控制器的连续学习和改进。20.现在参考图3，多种变型可包括训练神经网络的方法，该方法包括初始神经网络训练和发展行为，该初始神经网络训练和发展行为包括：收集如由图1所描述的那样的针对在给定的成组舒适参数和速率下驾驶的多个驾驶员的实际驾驶数据302；预处理驾驶数据以使得能够将其馈送到训练算法304；使用神经网络/机器学习训练算法以训练多级深度网络，在该多级深度网络中，理解多种不确定性以及数据平均值和标准差，并且该成组权值和偏差被用作用于人类驾驶员对所给定的成组输入的响应的数学表达式306；使用权值和偏差以产生控制车辆轨迹的横向和纵向运动控制器308；并且然后执行持续或后续的神经网络训练和发展行为，该发展行为包括：一旦部署经训练的神经网络，则在人类驾驶员以人工模式继续驾驶时收集数据310；将数据上传到云基础设施或车辆上的计算资源，在该云基础设施或车辆上的计算资源处针对新训练数据来评估神经网络，并且将不确定性、平均值和偏差与原始的经训练的神经网络进行比较312；以及如果差异被视为改善神经网络的性能并且在安全限制内，那么如果车辆的拥有者/驾驶员可以接受的话，则更新权值和偏差314。21.本发明的范围内的选择变型的以上描述在本质上仅为说明性的，并且因此其变型或变体将不被视为偏离本发明的精神和范围。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!