1.一种基于轻量级神经网络的自动驾驶方向预测方法，其特征在于，包括以下步骤：步骤1：训练神经网络模型；

101：获取图像数据；

102：图像预处理；

103：将预处理的图像传入EffNet网络中，EffNet网络会根据输入图像产生一个期望转动的角度；

104：在手动模式下记录转动方向盘的角度，对其捕获的图像进行预处理，产生一个实际方向盘转动的角度；

105：计算期望转动的角度与实际方向盘转动的角度的差值；

106：将差值通过BP神经网络传播算法传给EffNet网络，不断进行权重更新，以使期望转动的角度与实际方向盘转动的角度的差值达到最小，此时，保存最优训练神经网络模型；

步骤2：测试神经网络模型

201：利用Unity模拟器中汽车的中央摄像头捕捉当前画面，将当前画面通过网络socketio传给EffNet网络，作为EffNet网络的输入；

202：EffNet网络根据当前画面来预测汽车方向盘转动的方向和角度，把预测出来的角度传送给Unity模拟器，让Unity模拟器根据传回的角度控制汽车运行，汽车继续前行，将前方弧面实时传送EffNet网络，以此反复。

2.根据权利要求1所述的一种基于轻量级神经网络的自动驾驶方向预测方法，其特征在于，在步骤101中，通过Unity模拟器获取图像数据，该Unity模拟器有左中右三个摄像头用以捕捉画面，按下手动模式，用来获取训练数据集，可以分别获取当前时刻驾驶汽车的角度、油门、速度以及刹车数据，生成24108图片，每张图片像素为320*160，保存到IMG文件夹下，并生成.csv文件进行保存。

3.根据权利要求1所述的一种基于轻量级神经网络的自动驾驶方向预测方法，其特征在于，在步骤102中，图像预处理包括以下步骤：(1)图像切割；

(2)图像亮度调整；

(3)图像角度调整。

4.根据权利要求3所述的一种基于轻量级神经网络的自动驾驶方向预测方法，其特征在于，在上述步骤(2)中，首先将图像从RGB色彩空间转换为HSV色彩空间，其中V代表亮度，HS代表色度和饱和度；然后保持HS的值不变，将V的值乘以一个系数alpha，系数alpha取值范围为[0.1，1]；最后再将HSV图像转化为RGB图像。

5.根据权利要求3所述的一种基于轻量级神经网络的自动驾驶方向预测方法，其特征在于，在上述步骤(3)中，对图像进行水平翻转。

6.根据权利要求1所述的一种基于轻量级神经网络的自动驾驶方向预测方法，其特征在于，在上述步骤1和2中，EffNet网络中，采用Leaky ReLU激活函数，采用自适应矩阵估计优化器，epoch为25次；批处理图像数量batch_size设置为32，损失函数为均方误差损失函数。

7.根据权利要求1所述的一种基于轻量级神经网络的自动驾驶方向预测方法，其特征在于，在上述步骤106中，利用BP反向传播算法来改变权重，反向传播的算法，采用δ学习算法调整各层间的权值；

输出层与隐藏层的连接权值学习算法为：其中δ为学习效率,δ∈[0,1]；

k+1时刻网络的权值为：

wjo(k+1)＝wjo(k)+Δwjo         (2)隐藏层与输入层连接权值wij学习算法k+1时刻网络的权值为

wij(k+1)＝wij(k)+Δwij    (5)为避免权值的学习过程发生振荡、收敛速度慢，即加入动量因子α使得，动量因子α∈[0,1]：

wjo(k+1)＝wjo(k)+Δwjo+α*(wjo(k)‑wjo*(k‑1)    (6)wij(k+1)＝wij(k)+Δwij+α*(wij(k)‑wij*(k‑1))    (7)。