端到端自动驾驶轻量化模型设计

本项目主要面向无人驾驶仿真研究、智能车辆轨迹跟踪与轻量化控制算法验证场景，围绕端到端自动驾驶技术开展系统设计与实验开发。项目基于 CARLA 仿真平台构建虚拟驾驶环境，通过采集车辆前视图像、行驶状态和控制指令等数据，训练轻量化神经网络模型，实现从环境感知输入到车辆控制输出的端到端映射。项目可用于自动驾驶算法教学、科研训练、数据采集、模型训练、仿真测试和轨迹跟踪效果评估，为低成本、高效率的自动驾驶算法验证提供支持。
本项目主要功能包括仿真环境搭建、自动驾驶数据采集、数据预处理、模型训练、模型推理和效果评估等模块。系统可在 CARLA 仿真环境中生成车辆行驶场景，自动采集车辆前方图像、方向盘转角、油门、刹车等控制数据，并生成对应的数据标签文件；同时支持对采集数据进行划分和预处理，形成训练集、验证集和测试集。模型部分采用轻量化端到端神经网络结构，通过输入车辆前视图像，直接预测车辆控制指令或轨迹跟踪相关参数，从而实现车辆在仿真道路中的自主行驶与轨迹跟踪。项目还支持训练过程记录、模型保存、测试推理和结果可视化，便于对算法性能进行分析和改进。

本项目采用“仿真环境搭建—数据采集—数据处理—模型训练—仿真验证”的技术路线进行实现。首先基于 CARLA 自动驾驶仿真平台搭建车辆运行环境，配置地图、天气、车辆传感器和同步模式，利用仿真车辆在道路场景中自动行驶并采集前视图像、车辆速度、方向盘转角、油门、刹车等数据，生成端到端自动驾驶训练所需的数据集。随后对采集到的数据进行清洗、划分和格式化处理，生成训练集、验证集和测试集，保证模型训练过程的数据规范性。

在模型实现方面，项目构建轻量化端到端神经网络模型，以车辆前视图像作为输入，直接预测车辆控制指令或轨迹跟踪相关参数，实现从感知信息到控制输出的映射。训练过程中通过损失函数优化模型预测结果，并保存训练权重用于后续测试。最后将训练完成的模型接入 CARLA 仿真环境进行推理验证，使车辆能够根据实时图像输入完成转向、加速和制动控制，并通过行驶稳定性、轨迹跟踪效果和控制误差等指标对模型性能进行分析和改进。