当前位置:主页 > 电子通信论文 >

基于端到端神经网络的自动驾驶模型设计

更新时间:2019-01-30
价格100 元 资料包括:原始论文 常见问题答疑
论文格式:doc/docx 论文字数:16800 本站论文可以通过查重吗
以下为论文提纲简介以及检测报告截图,扫一扫付款马上可获取全文,付款金额见标题左下角“价格”。付款后请把付款结果截图及本篇论文的网址发给客服,客服核实后,马上将论文发到您的邮箱或者在线传送给您。
客服QQ:312050216 点击这里给我发消息
扫一扫 扫一扫
基于端到端神经网络的自动驾驶模型设计

摘要

自动驾驶是指车辆在没有人为输入的情况下,能够感知周围环境,实时调整驾驶,完成驾驶任务的行为。研究自动驾驶技术意义深远,可以有效提高道路交通资源的利用率、减少发生交通事故概率和节约居民的出行成本。
基于计算机视觉的自动驾驶方法通常使用如摄像机这样的视觉传感器采集的图像作为输入,将车辆的控制信号如速度和转向角作为输出。常用的基于计算机视觉的自动驾驶算法主要分为三类:间接感知型(Mediated Perception)、直接感知型(Direct Perception)和端到端控制型(End-to-End Control)。其中间接感知型算法包含计算机视觉领域的多个子任务模块。直接感知型算法由系统从图像中直接学习一些人为设计的关于自动驾驶的关键指标。端到端控制型算法不进行任务拆分,而是建立由传感器到驾驶指令的直接映射关系。
在NVIDIA实验室证明基于端到端卷积神经网络的自动驾驶模型可行性的前提下,本文以该结构为基础设计了一个自动驾驶系统。该系统是由m个卷积层及3个全连接层构成的卷积神经网络,卷积核大小为3×3与5×5,采用ReLU函数作为激活函数。为优化模型的性能,对训练用的DeepTesla数据集进行了数据预处理,进行了最大池化、Dropout、批标准化、ELU函数、He权重初始化等优化,在网络状态、测试集方面做了可视化,并将其与基准模型相比较,进行性能分析,结果表明优化后的模型在验证集上的损失最小,而且收敛速度也最快;不仅如此,该模型在测试集上也能得到最小的损失,表现出良好的效果。

关键词:自动驾驶  计算机视觉  端到端  卷积神经网络  模型优化  

目录
 
第1章  绪论 1
1.1  课题背景 1
1.2  国内外研究现状分析 2
1.3  章节安排 5
第2章  基于计算机视觉的典型自动驾驶方法 7
2.1  引言 7
2.2  关于自动驾驶的数据集 7
2.3  间接感知型自动驾驶算法 9
2.3.1  目标检测与跟踪 10
2.3.2  场景语义分割 12
2.3.3  相机模型及标定 12
2.3.4  三维重建 13
2.4  直接感知型自动驾驶算法 14
2.5  端到端控制型自动驾驶算法 15
2.6  基于计算机视觉的典型自动驾驶算法对比 16
2.7  本章小结 17
第3章  基于端到端卷积神经网络模型的实现 18
3.1  引言 18
3.2  算法概述 18
3.2.1  监督学习 18
3.2.2  神经网络 19
3.2.3  卷积神经网络 19
3.2.4  基础模型 19
3.3  卷积神经网络(CNN)的实现 20
3.3.1  网络结构 21
3.3.2  损失函数 22
3.3.3  卷积层 22
3.3.4  激活函数 22
3.4  本章小结 23
第4章  模型优化与结果分析 24
4.1 引言 24
4.2 基准模型 24
4.3 优化方法 25
4.3.1  数据预处理 25
4.3.2  池化 26
4.3.3  Dropout 26
4.3.4  批标准化 27
4.3.5  ELU函数 28
4.3.6  He 权重初始化 28
4.4 结果与分析 29
4.4.1  模型比较 29
4.4.2  网络状态的可视化 31
4.4.3  在测试集上的可视化 32
4.5  本章小结 32
第5章  总结与展望 33
5.1  结论 33
5.2  模型缺陷与改进方案 33
5.3  对自动驾驶技术的分析与展望 34
致谢 36
参考文献 37