【CN110162040A】一种基于深度学习的低速自动驾驶小车控制方法及系统【专利】
无人驾驶技术基于深度学习的智能车辆控制系统
无人驾驶技术基于深度学习的智能车辆控制系统智能交通系统一直是科技创新的热点领域，而无人驾驶技术的迅猛发展更是为智能交通带来了无限可能。
基于深度学习的智能车辆控制系统作为无人驾驶技术的核心，正日益成为未来交通发展的重要驱动力。
本文将介绍无人驾驶技术基于深度学习的智能车辆控制系统的原理和应用。
一、深度学习在智能车辆控制系统中的作用深度学习是一种人工神经网络技术，通过模仿人脑神经元的工作方式，实现计算机对复杂数字数据的自动分析和处理。
在智能车辆控制系统中，深度学习扮演了至关重要的角色。
首先，深度学习可以通过大量数据的学习，使得车辆能够自动识别道路、交通信号和其他车辆。
其次，深度学习可以实现车辆的智能决策和规划，使其能够根据交通状况和行驶目的合理地选择最佳路径。
最后，深度学习可以通过对车辆的实时监控和分析，提升车辆的安全性和可靠性。
二、基于深度学习的智能车辆控制系统的原理基于深度学习的智能车辆控制系统的原理主要包括数据采集和预处理、特征提取和选择、模型训练和优化、实时推理和决策以及执行控制等几个关键步骤。
在数据采集和预处理阶段，车辆使用传感器和摄像头等设备获取道路、交通信号和其他车辆的信息，并对这些信息进行处理和归一化，以便后续的处理。
在特征提取和选择阶段，系统将处理后的数据传入深度学习模型，通过卷积神经网络等算法提取有效的特征。
在模型训练和优化阶段，系统使用已标注的训练数据对深度学习模型进行训练，并通过反向传播算法不断优化模型的参数，以提高模型的准确性和泛化能力。
在实时推理和决策阶段，系统将实时采集的数据输入已训练好的模型中，分析当前交通环境，并根据模型的输出做出智能决策和规划。
在执行控制阶段，系统将决策和规划结果传递给车辆的执行机构，如电动机和制动系统，实现对车辆的准确控制。
三、基于深度学习的智能车辆控制系统的应用基于深度学习的智能车辆控制系统已经在许多领域得到了广泛的应用。
首先，在智能驾驶领域，基于深度学习的智能车辆控制系统可以实现自动驾驶功能，使车辆能够自主感知和决策，实现真正意义上的无人驾驶。
基于深度学习的自动驾驶车辆、自动驾驶控制装置及自动驾驶控制方
专利名称：基于深度学习的自动驾驶车辆、自动驾驶控制装置及自动驾驶控制方法
专利类型：发明专利
发明人：任海昇,郑圣熹,李在殷
申请号：CN201810896066.1
申请日：20180808
公开号：CN109388138A
公开日：
20190226
专利内容由知识产权出版社提供
摘要：本实施例涉及基于深度学习的自动驾驶车辆、基于深度学习的自动驾驶控制装置及基于深度学习的自动驾驶控制方法，更详细地，涉及一种准确地区分并识别自动驾驶车辆行驶时所参照的控制目标物体与不是控制目标物体的其他结构物等，从而在必要的情况下，能够执行必要程度的自动驾驶控制的基于深度学习的自动驾驶车辆、基于深度学习的自动驾驶控制装置及基于深度学习的自动驾驶控制方法。
申请人：株式会社万都
地址：韩国京畿道
国籍：KR
代理机构：北京路浩知识产权代理有限公司
更多信息请下载全文后查看。
一种基于深度学习的车辆自主检测与控制系统[发明专利]
![一种基于深度学习的车辆自主检测与控制系统[发明专利]](https://img.taocdn.com/s3/m/bd64db18f705cc1754270999.png)
专利名称：一种基于深度学习的车辆自主检测与控制系统专利类型：发明专利
发明人：张佳锋,曹成航,彭晓东,牛文龙
申请号：CN202011466480.2
申请日：20201214
公开号：CN112697457A
公开日：
20210423
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于深度学习的车辆自主检测与控制系统，该系统包括：前端检测机构(2)、后端检测机构(3)、储存组件和处理器，其中，前端检测机构(2)和后端检测机构(3)分别安装在车体(1)的前端和后端，处理器与储存组件设置在车体(1)内部；前端检测机构(2)和后端检测机构(3)，分别用于对汽车前端正下方和后端正下方的路面进行检测，并将测量数据发送至处理器；还用于接收处理器的控制进行动作；储存组件，用于存储预先训练好的检测模型、测量规则和预定规则以及修正的误差数据和控制策略；处理器，用于接收测量数据，调取检测模型进行检测，调取测量规则和预定规则控制前端检测机构(2)和后端检测机构(3)工作。
申请人：中国科学院国家空间科学中心
地址：100190 北京市海淀区中关村南二条1号
国籍：CN
代理机构：北京方安思达知识产权代理有限公司
更多信息请下载全文后查看。
一种基于深度强化学习算法的汽车主动悬架智能控制方法[发明专利]
![一种基于深度强化学习算法的汽车主动悬架智能控制方法[发明专利]](https://img.taocdn.com/s3/m/fd72191a443610661ed9ad51f01dc281e53a56d5.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202010883936.9(22)申请日 2020.08.28(71)申请人 的卢技术有限公司地址 211100 江苏省南京市江宁区秣陵街道利源南路55号C4栋(72)发明人 董舒 孙亚龙 (74)专利代理机构 南京经纬专利商标代理有限公司 32200代理人 陆烨(51)Int.Cl.B60G 17/015(2006.01)G06F 30/15(2020.01)G06K 9/62(2006.01)(54)发明名称一种基于深度强化学习算法的汽车主动悬架智能控制方法(57)摘要本发明公开了一种基于深度强化学习算法的汽车主动悬架智能控制方法，该方法采集车身参数作为训练数据，并对深度强化学习算法进行自主训练，得到训练好的深度强化学习算法，利用该算法实时调整汽车主动控制悬架的阻尼力或刚度。
本发明在主动悬架中引入自学习能力，对可能的情况进行不断的探索，因而学习到比手动编码更优秀的控制策，且提高了主动悬架的实现效率。
权利要求书2页 说明书7页 附图4页CN 112078318 A 2020.12.15C N 112078318A1.一种基于深度强化学习算法的汽车主动悬架智能控制方法，其特征在于，具体包括如下步骤：步骤1：采集某一时刻汽车在路面行驶时的车身参数；所述车身参数包括：车身悬架垂直于地面方向上的加速度、车身悬架垂直于地面方向上的速度、悬架动行程、车身俯仰角、车身横摆角、车身侧倾角和车轮动载；步骤2：对车身参数进行预处理，具体为:将车身参数中每个参数进行缩放，使每个参数都缩放到该参数对应的数值范围内；步骤3：对深度强化学习算法进行训练：将缩放后的车身参数作为深度强化学习算法的输入，将深度强化学习算法的输出作为悬架控制系统的控制信号，在汽车继续行驶的过程中，悬架控制系统根据该控制信号做出响应，并得到车身参数的反馈值，将反馈值预处理后再次作为深度强化学习算法的输入；进行多次循环过程，采集每次循环过程中的车身参数数据，并使用该数据对深度强化学习算法进行训练；对步骤3进行多次迭代训练，从而得到训练好的深度强化学习算法；所述深度强化学习算法的输出为悬架阻尼力控制量和/或悬架的刚度控制量；步骤4：在汽车行驶的过程中，实时采集车身参数，并对车身参数进行预处理，将该预处理后的车身参数输入至训练好的深度强化学习算法中，得到实时的悬架控制系统的控制信号，基于该控制信号对汽车主动悬架进行实时的调整。
基于深度学习的自动驾驶小车控制系统设计
基于深度学习的自动驾驶小车控制系统设计自动驾驶技术是近年来备受关注的热门话题。
基于深度学习的自动驾驶小车控制系统设计是其中的重要组成部分，其在实现行驶决策、目标检测、路径规划等方面的应用具有巨大潜力。
本文将围绕这一任务名称，对基于深度学习的自动驾驶小车控制系统设计进行讨论，并探索其在现实生活中的应用。
首先，我们需要了解什么是深度学习。
深度学习是一种人工智能技术，通过建立人工神经网络模型，模仿人类大脑对信息的处理过程，从而实现对复杂数据的学习和模式识别。
在自动驾驶小车控制系统设计中，利用深度学习可以让车辆通过感知和学习环境中的各种信息，从而做出智能的驾驶决策。
在自动驾驶小车控制系统设计中，有几个关键的组成部分需要考虑。
首先是感知模块。
这个模块负责从传感器（如摄像头、激光雷达等）获取环境信息，并将其转化为计算机能够处理的数据。
深度学习在这一步骤中发挥了重要作用。
通过针对不同的场景和对象进行训练，深度学习模型可以准确地检测和识别道路、车辆、行人等重要元素。
第二个组成部分是决策模块。
在感知模块的基础上，决策模块利用深度学习技术对感知到的信息进行分析和理解，并做出相应的驾驶决策。
这包括了道路规划、行进速度和避险措施等。
深度学习可以通过对大量驾驶数据的学习，提取出规律和模式，从而使自动驾驶小车能够在复杂的道路环境中做出正确的决策。
例如，当遇到红灯时，深度学习模型可以识别并停下车辆，当检测到前方有障碍物时，模型可以及时采取避让措施。
除了感知和决策模块，自动驾驶小车控制系统还需要有执行控制的模块。
这个模块负责将决策模块得出的驾驶指令转化为车辆的实际动作，掌控转向、加速和刹车等功能。
深度学习在这个模块的应用相对较少，因为执行控制需要更低延迟和高可靠性，而深度学习一般需要大量的计算资源和时间。
基于深度学习的自动驾驶小车控制系统设计不仅在实验室中进行研究，也得到了在现实生活中的应用。
例如，无人驾驶汽车公司Waymo利用深度学习技术开发了自动驾驶系统，已经在美国多个城市进行了路测。
基于深度学习的无人驾驶车辆控制技术研究
基于深度学习的无人驾驶车辆控制技术研究无人驾驶技术是当今科技领域备受关注的热门话题之一。
基于深度学习的无人驾驶车辆控制技术正为我们展示出了一种新的驾驶方式，它具有极大的潜力和前景。
本文将从深度学习的基本原理、无人驾驶的概念、现有技术以及未来发展等方面，对基于深度学习的无人驾驶车辆控制技术进行研究和分析。
首先，深度学习是机器学习领域中的一个重要分支，其基本原理是通过多层神经网络进行模式识别和特征提取。
深度学习的核心思想是模仿人脑神经元的结构和工作方式，通过大量标记好的数据进行训练，使得神经网络能够自动从数据中学习到合适的表示和表达能力。
深度学习在计算机视觉、自然语言处理等领域取得了巨大成功，也为无人驾驶技术的发展提供了新的可能性。
无人驾驶车辆是指在没有人类驾驶员的情况下，能够自主感知环境、做出决策并控制车辆行驶的车辆系统。
无人驾驶技术的发展目标是实现车辆的完全自动化，提高行车安全性、减少交通事故、缓解交通拥堵并提高交通效率。
基于深度学习的无人驾驶技术将机器学习和计算机视觉等相关领域的知识相结合，使得无人驾驶车辆能够更好地感知周围环境、理解道路状况并做出相应的决策。
目前，基于深度学习的无人驾驶技术已经取得了一定的进展。
首先，在感知方面，通过深度学习算法，无人驾驶车辆能够准确地识别和分类道路上的各种交通标志、障碍物和行人等，并实时更新感知结果。
其次，在决策和控制方面，深度学习技术能够帮助无人驾驶车辆在复杂的交通环境下做出合理的决策，避免交通事故的发生。
然而，基于深度学习的无人驾驶技术仍然存在一些挑战和困难。
首先，无人驾驶车辆需要大量的训练数据和计算资源来进行模型训练，这对于实际应用来说是一个不小的挑战。
其次，无人驾驶车辆需要具备强大的计算和感知能力，以应对复杂多变的交通环境和各种意外情况。
此外，无人驾驶技术还需要解决法律法规、道路规则等方面的问题，以确保安全和合规性。
未来，基于深度学习的无人驾驶技术仍将得到进一步的研究和发展。
一种低速无人驾驶系统及方法[发明专利]
专利名称：一种低速无人驾驶系统及方法专利类型：发明专利
发明人：张钊,高丽萍,张友,王栋宇
申请号：CN201811458284.3
申请日：20181130
公开号：CN111252017B
公开日：
20220322
专利内容由知识产权出版社提供
摘要：本发明提供了一种低速无人驾驶系统及方法，该系统在无人驾驶系统基础上，增加备份制动控制器和备份驻车控制器。
智能控制器可以从制动控制器和备份制动控制器中确定用于执行制动操作的第一控制器，以在挡位控制器、动力控制器、转向控制器、第一CAN总线、第二CAN总线和网关中任意一个或多个处于失效状态的情况下，由第一控制器进行制动。
智能控制器还可以从驻车控制器和备份驻车控制器中确定用于执行驻车操作的第二控制器，以在车辆制动至静止状态的情况下，由第二控制器进行驻车。
基于本系统，可以在任意功能模块失效时车辆及时制动并驻车，保证车辆进入安全状态，以相对较低的成本满足了低速场景下的功能安全要求，从而避免对交通参与者造成伤害。
申请人：上海汽车集团股份有限公司,上海汽车工业(集团)总公司
地址：201203 上海市浦东新区张江高科技园区松涛路563号1号楼
国籍：CN
代理机构：北京信远达知识产权代理有限公司
代理人：魏晓波
更多信息请下载全文后查看。
基于深度学习的智能车辆控制技术研究
基于深度学习的智能车辆控制技术研究随着智能化技术的不断发展，深度学习技术已经在智能车辆控制方面得到了广泛应用。
深度学习不仅能够提高自主驾驶车辆的安全性和智能化程度，还能在多个领域进行应用，比如物体识别、自然语言处理等。
本文将对基于深度学习的智能车辆控制技术进行研究和探讨。
一、深度学习技术介绍深度学习是机器学习的一种，它利用人工神经网络进行学习和训练，通过多层次的特征抽取，在完成高级别的抽象学习后，得到一种高层次的表征形式。
深度学习模型包括卷积神经网络（CNN）、循环神经网络（RNN）和生成对抗网络（GAN）等。
在智能车辆控制中，这些模型可以用来提取复杂的图像和语音特征，并完成车辆的自主决策。
二、智能车辆控制中的应用1.视觉识别深度学习技术可以用来识别车辆周围的环境和路况。
通过摄像头捕捉到的图像信息，深度学习算法可以识别出道路标志、车道线、行人等物体，并进行分类和检测。
借助这些信息，智能车辆可以实现道路导航、自动泊车等功能。
2.语音识别智能车辆可以通过语音识别技术掌握驾驶员的意图。
例如，语音技术可以将用户的语音指令转换为控制指令，比如“打开空调”、“关门”等。
此外，语音技术还可以用于智能车辆的安全警报，当驾驶员出现疲劳、情绪不稳定等情况时，智能车辆可以根据声音特征进行判断，提醒驾驶员休息或警示可能的危险。
三、智能车辆控制技术的研究1.驾驶员状态监测深度学习技术可以用来监测驾驶员的状态。
通过识别面部表情、瞳孔大小、头部姿态等特征，深度学习算法可以判断驾驶员是否疲劳、分心或睡眠。
在这种情况下，智能车辆可以根据分析结果做出相应的决策，比如撤回自动驾驶模式或提醒驾驶员休息。
2.交通舒适性优化通过深度学习技术，智能车辆也可以实现交通舒适性的优化。
例如，一个智能车辆可以通过分析驾驶员的行为习惯（刹车力度、转向角度等），配合车辆的实时数据，来预测车辆行驶的状态，从而根据驾驶员的习惯实现更加舒适的驾驶模式。
四、未来展望随着深度学习技术的不断发展，智能车辆控制领域的应用也将不断扩展。
一种自动驾驶行车控制方法及装置
专利名称：一种自动驾驶行车控制方法及装置专利类型：发明专利
发明人：周伟,刘小青
申请号：CN202010754688.8
申请日：20200731
公开号：CN114056346A
公开日：
20220218
专利内容由知识产权出版社提供
摘要：本申请提供一种自动驾驶行车控制方法，所述方法包括：在多个行车偏好模式中确定当前行车偏好模式；在多个环境危险等级中确定当前环境危险等级；根据所述当前行车偏好模式和所述当前环境危险等级，在预设的多组行车参数值中选择当前组行车参数值，所述当前组行车参数值对应于所述当前行车偏好模式和所述当前环境危险等级；其中，所述多组行车参数值中的每组行车参数值包括至少一个行车参数值，且所述每组行车参数值与所述多个行车偏好模式中一个行车偏好模式和所述多个环境危险等级中的一个环境危险等级对应。
本申请通过预设行车参数使得自动驾驶行车控制系统无需计算，降低了系统的复杂度。
申请人：华为技术有限公司
地址：518129 广东省深圳市龙岗区坂田华为总部办公楼
国籍：CN
更多信息请下载全文后查看。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910388213.9
(22)申请日 2019.05.10
(71)申请人 重庆大学
地址 400044 重庆市沙坪坝区沙正街174号
重庆大学A区
(72)发明人 仲元红 张超 张明恒 李瑾熙
(74)专利代理机构 重庆上义众和专利代理事务
所(普通合伙) 50225
代理人 水淼
(51)Int.Cl.
G05D 1/02(2006.01)
(54)发明名称
一种基于深度学习的低速自动驾驶小车控
制方法及系统
(57)摘要
一种基于深度学习的低速自动驾驶小车控
制方法，一：启动系统；二：等待用户路线信息指
令，获得则进入下一步；三：通过网络分别获取地
图数据和车辆位置及姿态数据；四：根据用户路
线信息、地图信息和车辆位置信息规划车辆行驶
路线方案；五：车辆采集路面图像数据，识别出可
行驶路面，从规划车辆行驶路线方案中选定适合
的行驶路线，并调整车辆姿势，避开障碍物；六：
发出控制指令，车辆按照五中确定的行驶路线行
驶。
车辆利用全局路径规划确定网络地图中小车
的实时位置；利用通信系统由PC或手机客户端远
程发送小车起点及目的地位置并回传小车实时
状态信息；通过全局路径规划、局部避障和通信
系统的结合实现了在半开放环境中的低成本低
速自动运行。
权利要求书3页 说明书5页CN 110162040 A 2019.08.23
C N 110162040
A
权 利 要 求 书1/3页CN 110162040 A
1.一种基于深度学习的低速自动驾驶小车控制方法，其特征在于，采用的步骤为：
步骤一：启动系统；
步骤二：等待用户路线信息指令，获得则进入下一步；
步骤三：通过网络获取地图数据，通过GPS和IMU传感器获取车辆位置及姿态数据；
步骤四：根据用户路线信息、地图信息和车辆位置信息规划车辆行驶路线方案；
步骤五：车辆采集路面图像数据，识别出可行驶路面，从所述规划车辆行驶路线方案中选定适合的行驶路线，并调整车辆姿势，避开障碍物；
步骤六：发出控制指令，车辆按照步骤五中确定的行驶路线行驶。
2.根据权利要求1所述基于深度学习的低速自动驾驶小车控制方法，其特征在于：所述步骤五中车辆采集路面图像数据，识别出可行驶路面具体体为；
5.1车载摄像头实时获取道路前方图像，将图像处理为240x426个像素点的大小；
5.2识别图形下部，具体为140x426像素点大小；
5.3送入可行驶路面识别的深度学习网络；
5.4识别出的路面存在破碎，边缘层次不齐的情况，采用相似度的比较方法进行修补，使得最终的可行驶路面连通区域集中，同时移除区域较小的路面。
3.根据权利要求2所述基于深度学习的低速自动驾驶小车控制方法，其特征在于：所述步骤5.4具体为；
5.4.1将原图RGB转化成灰度图；
5.4.2采用欧氏距离计算方法计算逐点像素与左上，左下，右上，右下四个像素点的相似度，生成图1；
5.4.3再将原图以步长为3缩小，继续计算逐点相似度，生成图2；
5.4.4重复步骤5.4.3，生成图3；
5.4.5将图3通过插值放大到图2大小，并按照图3比图2等于1.5：1的比重与图2相加，生成新图1；
5.4.6将新图1通过插值放大到图1大小，并按照新图1：图1等于2：1的比重与图1相加，生成新图2，由此得到每一像素点对于全局的相似度；
5.4.7将整个相似度图分为70x142的小块，在每块之间将相似度量化为0,1,2,3,4,5,共6个级别，对每个级别中是路面的点进行统计，若该类中50％都被识别为路面，则认为该类是路面的可能性较大，进行补偿，同时不是路面则进行削减；
5.4.8将生成的补偿与削减情况与网络输出的softmax层的概率相加，最终进行路面的判别；
5.4.9根据两个softmax的值，获得到当前路面的可行驶区域，计算每块连通区域大小，移除大小小于2000的小区域，最终得到可行驶路面。
4.根据权利要求1所述基于深度学习的低速自动驾驶小车控制方法，其特征在于：所述步骤五中从所述规划车辆行驶路线方案中选定适合的行驶路线，并调整车辆姿势，避开障碍物，具体方法为：
从当前线路中，选取三个指标对路面进行评价，最大连续路面长度，路面梯度，路面到达的最远距离，获取可行驶路面的二值化图像，0代表不可行驶，1代表可行驶，有深度学习网络输出；计算图像像素中每一列的1的个数，作为对道路长度的估计，如可行驶路面的最
2。