基于异构深度学习的无人驾驶车辆/机器人行为规划方法

摘要

本发明公开了一种基于异构深度学习的无人驾驶车辆/机器人行为规划方法。本发明设计了由不同类型深度学习网络组成的异构深度学习模型：在有限行为状态机的约束下，首先将输入图像进行降维编码，并将编码空间约束为正态分布空间，再在编码空间中实现对无人驾驶车辆/机器人的行为控制。本发明充分利用了不同种类深度学习模型的优势，包含基于擅长图像建模的卷积神经网络的自编码模型、基于擅长序列数据建模的循环神经网络的道路跟踪模型以及基于全连接神经网络的控制模型与评估模型；并利用当前传感信息、现行网络输出与驾驶员实际输出的偏差，从安全性、平滑性、快速性几个方面对多个相同结构的网络进行在线学习与评估，建立自主驾驶的终身学习机制。本发明有效解决了无人驾驶车辆/机器人自主规划的自学习问题，为基于视觉的自主导航提供了廉价、可行的解决方案。