科创中国

本申请提供一种基于场景自适应识别的自动驾驶方法及系统，该方法包括：获取驾驶场景下的环境信息及上一时刻操作信息；路径规划模块基于上一时刻操作信息，确定一条当前驾驶场景下的路径规划轨迹；根据路径规划轨迹的参数空间确定场景复杂度；模仿学习模块根据环境信息由神经网络得出决策的不确定性分布；根据不确定性分布确定场景异常度；决策模块根据场景复杂度及场景异常度，确定自动驾驶方法。该方案提高了自动驾驶对实时性能与准确性能。

1.一种基于场景自适应识别的自动驾驶方法，其特征在于，所述方法包括： 获取驾驶场景下的环境信息及上一时刻操作信息； 路径规划模块基于所述上一时刻操作信息，确定一条当前驾驶场景下的路径规划轨迹； 根据所述路径规划轨迹的参数空间确定场景复杂度； 模仿学习模块根据所述环境信息由神经网络得出决策的不确定性分布； 根据所述不确定性分布确定场景异常度； 决策模块根据所述场景复杂度及所述场景异常度，确定自动驾驶方法。 2.根据权利要求1所述的方法，其特征在于，所述路径规划模块采用模型预测控制方法，包括： 根据当前时刻的动力学模型预测预设时段内车辆的运动状态及轨迹，在考虑约束的条件下，优化每一具体时刻的控制轨迹以保证每一具体时刻的最优解。 3.根据权利要求2所述的方法，其特征在于，所述优化每一具体时刻的控制轨迹基于代价函数、加速度限制约束、速度限制约束、避障约束、动力学约束。

随着汽车智能化与电动化的不断升级，自动驾驶汽车成为汽车产业变革的一大趋势。自动驾驶汽车发展潜力巨大，自动驾驶技术已成为战略性新兴产业的重要组成部分，其快速发展将深刻影响人、资源和产品的流动方式，颠覆性地改变人类的生活方式。

目前常用的模仿学习算法会通过神经网络去学习数据集中的输入-输出对，不断优化神经元参数以逼近数据集的特征与逻辑，最终神经网络可以根据输入得到符合逻辑的输出。但模仿学习严重依赖数据集，对于数据集中未出现的场景决策置信度不够，因此模仿学习适合用于拥有相似特征的单一场景。而传统的路径规划方法是根据起始位置与目标位置以及环境信息，通过数学推理计算得出一条无碰撞的最优轨迹，再根据轨迹与当前位置近似得出下一个时刻的位置，以此为根据计算动力学参数。但路径规划在一些场景下计算耗时，可能难以求解，无法满足自动驾驶实时性的要求。

中国科学院深圳先进技术研究院提升了粤港地区及我国先进制造业和现代服务业的自主创新能力，推动我国自主知识产权新工业的建立，成为国际一流的工业研究院。 深圳先进院目前已初步构建了以科研为主的集科研、教育、产业、资本为一体的微型协同创新生态系统，由九个研究平台，国科大深圳先进技术学院，多个特色产业育成基地、多支产业发展基金、多个具有独立法人资质的新型专业科研机构等组成。开展先进技术研究，促进科技发展。信息、电子、通讯技术研究新材料、新能源技术研究高性能计算、自动化、精密机械研究生物医学与医疗仪器研究相关学历教育、博士后培养与学术交流。

由以上本说明书实施例提供的技术方案可见，该方案：结合了路径规划与模仿学习方法各自的优点，该方法能够根据不同的场景自适应地识别分析场景复杂度与场景异常度，智能地选择采用路径规划方法对约束求解，或是采用模仿学习方法由神经网络进行计算。综合考虑了这两种方法在自动驾驶的优劣，提高了自动驾驶对实时性能与准确性能。

技术合作

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。