所屬的技術人員知道,本發明可以實現為系統、方法或計算機程序產品,因此,本發明可以具體實現為以下形式,即:可以是完全的硬件、也可以是完全的軟件(包括固件、駐留軟件、微代碼等),還可以是硬件和軟件結合的形式,本文一般稱為“電路”、“模塊”或“系統”。此外,在一些實施例中,本發明還可以實現為在一個或多個計算機可讀介質中的計算機程序產品的形式,該計算機可讀介質中包含計算機可讀的程序代碼。可以采用一個或多個計算機可讀的介質的任意組合。計算機可讀介質可以是計算機可讀信號介質或者計算機可讀存儲介質。計算機可讀存儲介質例如可以是一一但不限于——電、磁、光、電磁、紅外線、或半導體的系統、裝置或器件,或者任意以上的組合。計算機可讀存儲介質的更具體的例子(非窮舉的列表)包括:具有一個或多個導線的電連接、便攜式計算機磁盤、硬盤、隨機存取存儲器(ram),只讀存儲器(rom)、可擦式可編程只讀存儲器(eprom或閃存)、光纖、便攜式緊湊磁盤只讀存儲器(cd-rom)、光存儲器件、磁存儲器件、或者上述的任意合適的組合。在本發明中,計算機可讀存儲介質可以是任何包含或存儲程序的有形介質,該程序可以被指令執行系統、裝置或者器件使用或者與其結合使用。盡管上面已經示出和描述了本發明的實施例,可以理解的是,上述實施例是示例性的,不能理解為對本發明的限制,本領域的普通技術人員在本發明的范圍內可以對上述實施例進行變化、修改、替換和變型。
背景技術:
1、主題名稱為“一種基于層次化深度感知的無人車運動規劃方法”(公開號為cn116048096a)的發明專利中,借鑒人腦不同深度區域的感知功能不同的特點,針對端到端運動規劃方法感知手段單一、可解釋性不足、泛化能力差等問題帶來的安全駕駛隱患,提出一種融合層次化深度感知、多幀狀態估計與多幀運動預測的條件模仿學習端到端運動規劃方法,該方法從像素級語義、道線級語義和目標級語義層面構建層次化深度感知網絡,然后將層次化深度特征的聯合向量應用于多幀估計與多幀預測條件模仿學習端到端運動規劃方法,提升了端到端運動規劃方法在未知和部分已知環境下的安全駕駛性能、泛化能力和可解釋性,但有如下缺點:
2、1)在面對果園環境較為復雜且導航模型圖像感知能力較弱等問題時,魯棒性和精確性均不足。
3、2)上述發明的應用場景仍是城市道路場景,盡管其考慮了天氣因素以及有無遮擋,但在果園復雜環境下的應用并未提及,也并不適用于果園復雜環境。
技術實現思路
1、本發明所要解決的技術問題是針對現有技術的不足,具體提供了一種基于條件模仿學習的導航系統、方法、設備和存儲介質,具體如下:
2、1)第一方面,本發明提供一種基于條件模仿學習的導航系統,具體技術方案如下:
3、包括:自主導航模塊;
4、自主導航模塊用于:當對待導航設備進行導航時,實時獲取待導航設備采集的視頻和待導航設備的位置,并輸入訓練好的導航模型中進行識別,實時得到航向預測結果和動作預測結果,其中,訓練好的導航模型是對改進后的cil模型進行訓練得到的,在基礎cil模型中的圖像感知模塊中引入具有時序信息處理能力的網絡結構,得到改進后的cil模型;
5、自主導航模塊還用于:根據實時得到的待導航設備的航向預測結果、動作預測結果以及位置,對待導航設備進行導航。
6、本發明提供的一種基于條件模仿學習的導航系統的有益效果如下:
7、在基礎cil模型中的圖像感知模塊中引入具有時序信息處理能力的網絡結構,改進后的cil模型增強了導航模型的圖像特征提取能力和魯棒性,適用于果園復雜環境。
8、在上述方案的基礎上,本發明的一種基于條件模仿學習的導航系統還可以做如下改進。
9、進一步,在基礎cil模型中的圖像感知模塊中引入具有時序信息處理能力的網絡結構為長短期記憶網絡,基礎cil模型中的卷積神經網絡用于提取待導航設備采集的圖像中的空間特征,引入的長短期記憶網絡用于:根據卷積神經網絡提取的空間特征進行序列建模,并將序列建模結果發送至基礎cil模型中的圖像全連接模塊。
10、進一步,還包括界面配置模塊,界面配置模塊用于:當對待導航設備進行導航時,通過界面接收用戶對待導航設備的參數配置。
11、采用上述進一步方案的有益效果是:目前,題名稱為“一種基于條件模仿學習的自動駕駛方法”(公開號為cn117250947a)的發明專利中,通過自動駕駛車輛上搭載的激光雷達、長焦相機和三個前視相機獲取環境感知數據。利用carla模擬器中的特權信息對交通燈檢測模型進行訓練,通過長焦相機的感知以確定自動駕駛車輛是否需要停車。同時,利用激光雷達和三個前視相機的感知信息,訓練自動駕駛網絡,并通過交通燈信號和高級轉向命令切換不同的網絡輸出分支,實現車輛控制,但該專利中,沒有多功能的界面設計,不便于用戶使用,而且,該專利注重城市交叉路口的駕駛情況,未提到面對果園復雜奇缺地形的自動駕駛情況。本發明中,通過界面便于用戶使用,而且,在基礎cil模型中的圖像感知模塊中引入具有時序信息處理能力的網絡結構,改進后的cil模型增強了導航模型的圖像特征提取能力和魯棒性,適用于果園復雜環境。
12、進一步,待導航設備為果園運輸車。
13、2)第二方面,本發明還提供一種基于條件模仿學習的導航方法,具體技術方案如下:
14、當對待導航設備進行導航時,實時獲取待導航設備采集的視頻和待導航設備的位置,并輸入訓練好的導航模型中進行識別,實時得到航向預測結果和動作預測結果,其中,訓練好的導航模型是對改進后的cil模型進行訓練得到的,在基礎cil模型中的圖像感知模塊中引入具有時序信息處理能力的網絡結構,得到改進后的cil模型;
15、根據實時得到的待導航設備的航向預測結果、動作預測結果以及位置,對待導航設備進行導航。
16、在上述方案的基礎上,本發明的一種基于條件模仿學習的導航方法還可以做如下改進。
17、進一步,在基礎cil模型中的圖像感知模塊中引入具有時序信息處理能力的網絡結構為長短期記憶網絡,基礎cil模型中的卷積神經網絡用于提取待導航設備采集的圖像中的空間特征,引入的長短期記憶網絡用于:根據卷積神經網絡提取的空間特征進行序列建模,并將序列建模結果發送至基礎cil模型中的圖像全連接模塊。
18、進一步,還包括:
19、當對待導航設備進行導航時,通過界面接收用戶對待導航設備的參數配置。
20、3)第三方面,本發明還提供一種待導航設備,包括控制器,控制器內安裝有上述任一項基于條件模仿學習的導航系統。
21、4)第四方面,本發明還提供一種電子設備,電子設備包括處理器,處理器與存儲器耦合,存儲器中存儲有至少一條計算機程序,至少一條計算機程序由處理器加載并執行,以使電子設備實現上述任一項基于條件模仿學習的導航方法。
22、5)第五方面,本發明還提供一種計算機可讀存儲介質,計算機可讀存儲介質中存儲有至少一條計算機程序,至少一條計算機程序由處理器加載并執行,以使計算機實現上述任一項基于條件模仿學習的導航方法。
23、需要說明的是,本發明的第二方面至第五方面的技術方案及對應的可能的實現方式所取得的有益效果,可以參見上述對第一方面及其對應的可能的實現方式的技術效果,此處不再贅述。