10、基于卷积和循环深度网络的自动驾驶车辆转向研究

基于卷积和循环深度网络的自动驾驶车辆转向研究

1 数据集优化与平衡

在自动驾驶车辆转向研究中，数据集的质量和平衡性至关重要。最初的数据集包含大量低角度图像，这可能导致模型产生偏差。通过调整，训练数据集得到了更好的平衡，数据集中的输入图像数量从 7000 张减少到约 3800 张。尽管低角度数据仍然占主导地位，但输入数据之间的平等性有所提高，从而降低了偏差风险。

2 不同模型的测试结果

2.1 原始 CD（CNN + DNN）模型

原始的 CD 模型由 Timmis 等人提出，其均方误差为 0.2653 rad。进一步测试发现，该模型在十字路口容易出现混淆，不确定是应该直行还是转弯。在实际测试路径中，车辆在私人车道交叉口出现转向错误，这表明模型在车道场景的训练上不够充分。

2.2 简单 RNN 模型

经过归一化处理后的实验表明，简单 CD 模型的误差为 0.721 rad，CD + RNN 模型的误差为 0.397 rad，CD + LSTM 模型的误差为 0.403 rad，CD + GRU 模型的误差为 0.399 rad。从测试误差来看，CD + RNN 模型表现最佳，而简单 CD 模型表现最差。这是因为在评估输入时不需要长短期记忆，RNN 层更容易忘记旧信息，因此在这种情况下更具灵活性。

2.3 CD 与新数据和可互换预训练网络

对收集的数据测试了八种预训练网络，结果显示 InceptionV3 的平均绝对误差最低（0.2799 rad），而 MobileNet 的平均绝对误差最高（0.4738 rad）。具体结果如下表所示：
| 预训练网络 | 测