驾驶决策的研究一直是无人车导航的一个重要研究环节,很多情况下无人车需要在夜间行驶,而在夜晚光线较昏暗甚至无光的状态下,通过红外成像仪和雷达来获取驾驶所需要的信息至关重要。通过红外成像仪获得的红外图像通常具有对比度及信噪比较低等缺陷,因此从夜间红外图像及雷达数据中得到可靠的信息及模型是夜间机器视觉领域的重点研究项目,而雷达所获取的距离信息是无人车导航决策的重要依据,并且其研究成果能够在民用、工业、军事等领域得到较好的实际应用。角度和速度是无人车在夜间行驶的关键信息,因而研究无人车在夜间运动状态的角度及速度信息,进而得出相应的驾驶决策,使得无人车能够在黑暗环境下平稳的行驶具有很重要的意义。本文应用深度学习技术,给出了夜间无人车的驾驶决策模型。论文主要分为三个部分:第一部分介绍了无人车驾驶决策的背景及其研究现状,并阐述机器学习中的深度学习框架及其作用;第二部分为基于深度学习分类网络的无人车方向决策模型,把方向决策研究转化为分类问题;第三部分在上一部分的基础上加入深度估计模型,并将其结合,提出了基于深度信息的无人车速度决策模型。本论文的创新点如下:(1)将深度学习分类的思想应用到了无人车方向决策,优化了传统的分类网络输出类别数量,使分类网络能够识别道路的方向信息,给出相对应的驾驶建议。其次,将原本普遍应用于彩色图像的网络应用到了红外图像中,使之能够对夜间场景给出更合理的建议。(2)在方向决策模型的基础上,加入了深度估计网络,使深度模型和分类模型较好的结合起来,从而得到了速度分类决策模型,不仅提高了预测精度,且能够额外的获得红外图像场景中的距离信息。综合速度模型与方向模型,最终得到了完整的驾驶决策模型。