基于时空 LSTM 网络的自动驾驶车辆深度学习运动规划
计算机视觉与模式识别
2019-03-06 v1 人工智能
摘要
运动规划作为自动驾驶车辆自动导航的基础技术，在真实交通场景中仍是一个开放性的挑战问题，且大多由基于模型的方法应用。然而，由于交通场景的复杂性及边缘情况的不确定性，很难为自动驾驶车辆设计一个通用的运动规划系统。本文提出了一种基于深度学习（命名为时空 LSTM 网络）的运动规划模型，能够基于时空信息提取生成实时反应。具体而言，基于时空 LSTM 网络的模型具有三个主要结构。首先，使用卷积长短期记忆（Conv-LSTM）通过序列图像数据提取隐藏特征。然后，应用三维卷积神经网络（3D-CNN）从多帧特征信息中提取时空信息。最后，使用全连接神经网络构建自动驾驶车辆转向角的控制模型。实验表明，所提方法能为自动驾驶车辆生成鲁棒且准确的视觉运动规划结果。
引用
@article{arxiv.1903.01712,
title = {Deep Learning Based Motion Planning For Autonomous Vehicle Using Spatiotemporal LSTM Network},
author = {Zhengwei Bai and Baigen Cai and Wei Shangguan and Linguo Chai},
journal= {arXiv preprint arXiv:1903.01712},
year = {2019}
}
备注
5 pages, 8 figures, Accepted to 2018 Chinese Automation Congress (CAC)