计算机应用

作者：白丽贇, 胡学敏, 宋昇, 童秀迟, 张若晗

单位：湖北大学 计算机与信息工程学院, 武汉 430062

关键词：自动驾驶,运动规划,深度级联神经网络,卷积神经网络,长短期记忆模型

基金：国家自然科学基金资助项目（61806076）；湖北省自然科学基金资助项目（2018CFB158）；湖北省大学生创新创业训练计划项目（201810512055）。

针对基于规则的运动规划算法需要预先定义规则和基于深度学习的方法没有利用时间特征的问题，提出一种基于深度级联神经网络的运动规划模型。该模型将卷积神经网络（CNN）和长短期记忆网络（LSTM）这两种经典的深度学习模型进行融合并构成一种新的级联神经网络，分别提取输入图像的空间和时间特征，并用以拟合输入序列图像与输出运动参数之间的非线性关系，从而完成从输入序列图像到运动参数的端到端的规划。实验利用模拟驾驶环境的数据进行训练和测试，结果显示所提模型在乡村路、高速路、隧道和山路四种道路中均方根误差（RMSE）不超过0.017，且预测结果的稳定度优于未使用级联网络的算法一个数量级。结果表明，所提模型能有效地学习人类的驾驶行为，并且能够克服累积误差的影响，适应多种不同场景下的路况，具有较好的鲁棒性。

来源：2019年第10期

《计算机应用》期刊编辑部

查看计算机应用杂志2019年第10期