华南理工大学学报(自然科学版)

作者：杨顺 吴坚 蒋渊德 王国军 刘海贞

单位：吉林大学 汽车仿真与控制国家重点实验室，吉林 长春 130025

关键词：无人驾驶,深度学习,仿真平台,图像分割,车道保持

基金：国家重点研发计划项目(2016YFB0100904); 国家自然科学基金资助项目(U1564211)

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．

来源：2019年第9期

《华南理工大学学报(自然科学版)》期刊编辑部

查看华南理工大学学报(自然科学版)杂志2019年第9期