基于端到端深度学习的自动驾驶车辆转向与速度联合控制策略.docxVIP

PAGE2

基于端到端深度学习的自动驾驶车辆转向与速度联合控制策略

摘要

随着无人驾驶与低空经济的深度融合，智能网联车辆对控制系统的实时性与鲁棒性提出了更高要求。传统模块化自动驾驶架构存在信息损耗大、计算延迟高及子系统间耦合冲突等痛点，难以满足复杂动态场景下的精准控制需求。本课题旨在构建从传感器原始输入直接到车辆转向角与加速度输出的端到端深度学习联合控制模型，以简化传统架构并提升决策响应速度。

论文遵循工程递进思路展开。首先，通过需求分析明确系统在响应延迟、控制平滑度及场景泛化性上的指标；其次，进行总体与详细设计，规划特征提取与多任务输出的网络架构，并设计联合损失函数；再次，基于PyTorch框架与CARLA仿真平台完成系统实现，攻克转向与速度耦合冲突及数据分布偏移等难点；最后，通过开环指标评测与闭环行驶测试验证系统性能。核心创新点在于采用多任务学习机制实现转向与速度的联合回归控制，并引入动态损失权重缓解任务冲突，为无人驾驶及低空飞行器控制提供了新思路。

第一章绪论

1.1研究背景

无人驾驶技术是智能交通系统的核心驱动力，近年来与低空经济领域呈现出显著的协同发展趋势。低空经济依托无人机、飞行汽车等载体，要求地面无人驾驶车辆具备极高的动态响应能力与路空协同感知精度，以实现立体化交通调度。然而，当前自动驾驶系统在复杂城市环境与高频动态交互场景中仍面临诸多痛点。

传统模块化自动