王玉龙 裴 锋 刘文如 闫春香 周卫林 李 智

1.广州汽车集团股份有限公司汽车工程研究院，广州，510641 2.湖南大学汽车车身先进设计制造国家重点实验室，长沙，410082

0 引言

传统规则式自动驾驶系统将自动驾驶过程划分为感知、决策、规划以及控制执行等子任务[1-2]，其优势是算法结构清晰且可靠性高，但由于汽车在行驶过程中需要面临非常复杂的行驶环境，仅依靠人为编写规则很难满足高级别自动驾驶对决策和规划的开发需求。近年来，深度神经网络算法性能的大幅提升给自动驾驶带来了全新的开发思路，深度神经网络算法已逐渐应用于自动驾驶感知、决策以及规划等任务中。

深度神经网络对自动驾驶感知能力的提升已经得到了业界普遍认可[3-4]，但在决策及规划任务中的应用仍处于研究阶段，其中一个重要的分支是研究拟人化自动驾驶决策。拟人化自动驾驶决策是通过建立深度神经网络模型来学习人类的驾驶行为，直接由传感器信息映射到转向、加速以及制动等车辆控制信号，不需要人为编写大量的行驶规则，只需要提供足够多的训练数据，系统就能自动学习到不同场景下的驾驶能力。BOJARSKI等[5-6]基于卷积神经网络(convolutional neural networks,CNN)建立了从单帧图像映射到车辆转向盘转角的端到端拟人化自动驾驶决策模型，其测试结果表明，该模型在多种测试工况下均可获得良好的车道保持效果；CHOWDHURI等[7]在跟车、换道、转弯以及停车等不同场景下设计了不同的CNN模型，通过不同CNN模型的切换使得自动驾驶系统对多场景下的转向盘转角和速度均能较好的预测；……