随着汽车工业发展和城镇化的进行,全球城市汽车保有量持续增加,日益增长的汽车数量带来了严重的交通和安全问题。自动驾驶在缓解上述问题的同时,还可以优化用户的出行体验,带来巨大的经济效益。基于模仿学习的端到端自动驾驶技术根据专家示范学习从感知到行为的映射关系,从而实现类似专家的控制策略,简化了传统基于规则的模块化方法。在端到端自动驾驶中,如何更好地提高网络模型的感知和决策能力从而提升驾驶表现一直是研究的热门。本文在感知-决策一体化架构基础上,完成了端到端自动驾驶模型的设计,并在现有的网络结构上进行了改进,拥有了更优的驾驶能力。本文完成的主要工作内容如下:1.利用深度学习框架构建了基于模仿学习的端到端自动驾驶模型。该模型以环境特征提取和后端行为预测网络为主。其中,后端行为预测网络作为解码器,用于输出控制信号。在此,本文通过将轨迹规划和控制预测进行结合,保留了两种控制方式的优点,加强解码器的表达能力。另外,在编码环节,通过使用Transfuser融合激光雷达和RGB相机的输入提取环境特征,与仅使用Res Net网络提取RGB相机输入特征的方法相比,减少了33%的碰撞。2.对于现有模型输入状态特征仅包含单个时刻而无法反映驾驶行为动态变化的问题,本文加入了时间特征提取子网络。这样,驾驶速度、转向角、目标点等状态信息可以帮助自动驾驶车辆更好地做出决策。最后本文将历史连续状态信息作为输入,通过使用门控循环单元网络来融合时间特征。3.针对后端行为预测网络中对于未来时间步控制指令预测仅利用对应时间步航路点特征,缺乏对未来思考能力的问题,本文采用门控自注意力机制,使控制分支在关注当前时间步航路点特征时也按权重关注其他时刻特征,从而赋予重要区域更高的权重,进一步提高了驾驶表现。4.最后,在CARLA虚拟环境中对本文提出的端到端自动驾驶感知决策模型进行了有效性测试与验证。首先使用Roach作为驾驶专家在CARLA中采集驾驶数据集,然后将模型在此数据集中训练,最后对训练得到的模型在CARLA不同的城镇路线上进行闭环任务验证和参数微调。广泛的实验表明,加入时间特征提取子网络和门控自注意力机制后,驾驶表现提升了11.5%,从而验证了本文设计模块的有效性。