CN109878534A - 一种车辆的控制方法、模型的训练方法和装置 - Google Patents
一种车辆的控制方法、模型的训练方法和装置 Download PDFInfo
- Publication number
- CN109878534A CN109878534A CN201910133675.6A CN201910133675A CN109878534A CN 109878534 A CN109878534 A CN 109878534A CN 201910133675 A CN201910133675 A CN 201910133675A CN 109878534 A CN109878534 A CN 109878534A
- Authority
- CN
- China
- Prior art keywords
- history
- aperture
- vehicle
- dynamic data
- fit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Feedback Control In General (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明实施例公开了一种车辆的控制方法、模型的训练方法和装置。其中,车辆的控制方法包括:获取车辆的动态数据,所述动态数据包括当前初速度和期望加速度,所述期望加速度是通过预设比例积分PI控制算法根据期望速度和所述当前初速度得到的;根据所述动态数据和预设动力学拟合模型,确定所述车辆的执行器的开度,以控制车辆的纵向运动;其中,所述预设动力学拟合模型使得车辆的动态数据和车辆的执行器的开度相关联,所述执行器包括加速踏板和制动踏板。通过采用上述技术方案,在不需要车辆动力元件和对传统***零部件的特征参数调节的情况下,能够准确控制车辆的纵向运动。
Description
技术领域
本发明涉及自动驾驶技术领域,具体涉及一种车辆的控制方法、模型的训练方法和装置。
背景技术
在自动驾驶领域,车辆的驱动力和制动力对车辆纵向运动的控制至关重要。其中,车辆驱动力是从车辆的动力元件输出后经过传动***各部件传递后输出到车轮,车辆的制动力是从制动***到达车轮。
目前,车辆的纵向速度控制器有基于PID(比例、积分、微分)等的无模型控制方法和基于车辆动力学模型的控制方法。无模型控制方法通用性强,但往往需要大量的调参过程,难以很好的适应所有的车速工况。基于车辆动力学模型的方法基本能覆盖所有工况,前提是需要对车辆建立准确的模型,而受限于技术因素往往非常难得到车辆的动力配置参数。
发明内容
本发明实施例公开一种车辆的控制方法、模型的训练方法和装置,在不需要车辆动力元件和对传统***零部件的特征参数调节的情况下,能够准确控制车辆的纵向运动。
第一方面,本发明实施例公开了一种车辆的控制方法,该方法包括:
获取车辆的动态数据,所述动态数据包括当前初速度和期望加速度,所述期望加速度是通过预设比例积分PI控制算法根据期望速度和所述当前初速度得到的;
根据所述动态数据和预设动力学拟合模型,确定所述车辆的执行器的开度,以控制车辆的纵向运动;
其中,所述预设动力学拟合模型使得车辆的动态数据和车辆的执行器的开度相关联,所述执行器包括加速踏板和制动踏板。
作为一种可选的实施方式,在本发明实施例第一方面中,所述预设动力学拟合模型通过如下方式构建:
获取车辆的执行器在不同历史开度时所对应的历史动态数据,所述历史动态数据包括历史初速度和对应的历史期望加速度;
对所述历史动态数据进行特征提取,得到特征序列;
对所述历史开度执行标准化处理,并基于多个所述特征序列和对应的标准化后的历史开度生成训练样本集;
利用所述训练样本集对预设神经网络模型进行训练,得到预设动力学拟合模型,所述预设动力学拟合模型使得所述训练样本集中每个历史动态数据和与该历史动态数据对应的标准化后的所述历史开度相关联。
第二方面,本发明实施例还提供了一种动力学拟合模型的训练方法,该方法包括:
获取车辆的执行器在不同历史开度时所对应的历史动态数据,其中,所述历史动态数据包括历史初速度和对应的历史期望加速度;
对所述历史动态数据进行特征提取,得到特征序列;
基于多个所述特征序列和对应的车辆执行器的历史开度生成训练样本集;
利用所述训练样本集对预设神经网络模型进行训练,得到动力学拟合模型,所述动力学拟合模型使得所述训练样本集中每个历史动态数据和与该历史动态数据对应的历史开度相关联。
作为一种可选的实施方式,所述方法还包括:
对各个历史开度执行标准化处理,使得制动踏板开度为-1-0之间的负值,加速踏板开度为0-1之间的正值;
相应的,所述训练样本集基于多个所述特征序列和对应的标准化后的历史开度生成;
相应的,所述动力学拟合模型使得所述训练样本集中每个历史动态数据和与该历史动态数据对应的标准化后的历史开度相关联。
作为一种可选的实施方式,所述对各个历史开度执行标准化处理,包括:
确定传感器所能够采集到的执行器的最大开度和最小开度;
根据所述最大开度和所述最小开度对采集到的各个历史开度进行标准化处理。
作为一种可选的实施方式,根据所述最大开度和所述最小开度对采集到的各个历史开度进行标准化处理,包括:
将车辆的执行器的历史开度与所述最小开度作差,得到第一差值,并将所述最大开度和所述最小开度作差,得到第二差值;
计算所述第一差值和所述第二差值的商;
其中,对于加速踏板,所述第一差值和所述第二差值的商为标准化处理后加速踏板的历史开度;对于制动踏板,所述第一差值和所述第二差值的商为标准化处理后制动踏板的历史开度的相反数。
作为一种可选的实施方式,所述动力学拟合模型包括隐藏层,所述隐藏层和所述动力学拟合模型的输入层均使用y=tanh(x)作为激活函数;
其中,对于所述输入层,x为动力学拟合模型中对输入数据进行线性变换后的输出,y为输入层的输出;对于所述隐藏层,x为输入层的输出,y为隐藏层的输出。
第三方面,本发明实施例还公开了一种车辆的控制装置,该装置包括:
动态数据获取模块,被配置为获取车辆的动态数据,所述动态数据包括当前初速度和期望加速度,所述期望加速度是通过预设比例积分PI控制算法根据期望速度和所述当前初速度得到的;
执行器开度确定模块,被配置为根据所述动态数据和预设动力学拟合模型,确定所述车辆的执行器的开度,以控制车辆的纵向运动;
其中,所述预设动力学拟合模型使得车辆的动态数据和车辆的执行器的开度相关联,所述执行器包括加速踏板和制动踏板。
作为一种可选的实施方式,所述预设动力学拟合模型通过如下方式构建:
获取车辆的执行器在不同历史开度时所对应的历史动态数据,所述历史动态数据包括历史初速度和对应的历史期望加速度;
对所述历史动态数据进行特征提取,得到特征序列;
对所述历史开度执行标准化处理,并基于多个所述特征序列和对应的标准化后的历史开度生成训练样本集;
利用所述训练样本集对预设神经网络模型进行训练,得到预设动力学拟合模型,所述预设动力学拟合模型使得所述训练样本集中每个历史动态数据和与该历史动态数据对应的标准化后的所述历史开度相关联。
第四方面,本发明实施例还提供了一种动力学拟合模型的训练装置,该装置包括:
历史动态数据获取模块,被配置为获取车辆的执行器在不同历史开度时所对应的历史动态数据,其中,所述历史动态数据包括历史初速度和对应的历史期望加速度;
特征数据确定模块,被配置为对所述历史动态数据进行特征提取,得到特征序列;
训练样本集生成模块,被配置为基于多个所述特征序列和对应的车辆执行器的历史开度生成训练样本集;
模型训练模块,被配置为利用所述训练样本集对预设神经网络模型进行训练,得到动力学拟合模型,所述动力学拟合模型使得所述训练样本集中每个历史动态数据和与该历史动态数据对应的历史开度相关联。
作为一种可选的实施方式,所述装置还包括:
标准化处理模块,被配置为对各个历史开度执行标准化处理,使得制动踏板开度为-1-0之间的负值,加速踏板开度为0-1之间的正值;
相应的,相应的,所述训练样本集基于多个所述特征序列和对应的标准化后的历史开度生成;
相应的,所述动力学拟合模型使得所述训练样本集中每个历史动态数据和与该历史动态数据对应的标准化后的历史开度相关联。
作为一种可选的实施方式,所述标准化处理模块包括:
最大开度和最小开度确定单元,被配置为确定传感器所能够采集到的执行器的最大开度和最小开度;
标准化处理单元,被配置为根据所述最大开度和所述最小开度对采集到的各个历史开度进行标准化处理。
作为一种可选的实施方式,所述标准化处理单元具体被配置为:
将车辆的执行器的历史开度与所述最小开度作差,得到第一差值,并将所述最大开度和所述最小开度作差,得到第二差值;
计算所述第一差值和所述第二差值的商;
其中,对于加速踏板,所述第一差值和所述第二差值的商为标准化处理后加速踏板的历史开度;对于制动踏板,所述第一差值和所述第二差值的商为标准化处理后制动踏板的历史开度的相反数。
作为一种可选的实施方式,所述动力学拟合模型包括隐藏层,所述隐藏层和所述动力学拟合模型的输入层均使用y=tanh(x)作为激活函数;
其中,对于所述输入层,x为动力学拟合模型中对输入数据进行线性变换后的输出,y为输入层的输出;对于所述隐藏层,x为输入层的输出,y为隐藏层的输出。
第五方面,本发明实施例还提供了一种车载终端,包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明任意实施例所提供的车辆的控制方法的部分或全部步骤。
第六方面,本发明实时还提供了一种车载终端,包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明任意实施例所提供的动力学拟合模型的训练方法的部分或全部步骤。
第七方面,本发明实施例还提供了一种计算机可读存储介质,其存储计算机程序,所述计算机程序包括用于执行本发明任意实施例所提供的车辆的控制方法的部分或全部步骤的指令。
第八方面,本发明实施例还提供了一种计算机可读存储介质,其存储计算机程序,所述计算机程序包括用于执行本发明任意实施例所提供的动力学拟合模型的训练的部分或全部步骤的指令。
第九方面,本发明实施例还提供了一种计算机程序产品,当所述计算机程序产品在计算机上运行时,使得所述计算机执行本发明任意实施例所提供的车辆的控制方法的部分或全部步骤。
第十方面,本发明实施例还提供了一种计算机程序产品,当所述计算机程序产品在计算机上运行时,使得所述计算机执行本发明任意实施例所提供的动力学拟合模型的训练的部分或全部步骤。
本实施例提供的技术方案,通过采用无模型的PI控制可得到车辆的期望加速度。通过将得到的期望加速度和车辆的当前速度作为预设动力学拟合模型的输入,该模型的输出即为车辆的执行器的开度,利用得到的开度可以有效地控制车辆的纵向运动。其中,由于PI控制具有适应性强、鲁棒性强且实现简单等特点,并且利用深度神经网络能够模拟复杂的数学模型,避免了人工标定,因此,通过采用本实施例提供的技术方案能够在不需要大量调参的情况下达到对车辆良好的控制效果。
本发明的发明点包括:
1、利用深度学习从车辆采集的数据中建立起车辆的预设动力学拟合模型,并利用PI控制算法适应性强,鲁棒性强的特点,实现在不需要大量调参的情况下达到对车辆良好的控制效果,是本发明的发明点之一。
2、动力学拟合模型中设计了一层隐藏层,以表征输入数据和输出数据之间的关系,在保证网络能够表达数据特征的基础上减少了计算量,是本发明的发明点之一。
3、动力学拟合模型的输入层和隐藏层均使用y=tanh(x)作为激活函数,以更好、更清楚的表征输入数据和输出数据之间的关系,是本发明的发明点之一。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种动力学拟合模型的训练方法的流程示意图;
图2是本发明实施例提供的一种车辆的控制方法的流程示意图;
图3是本发明实施例提供的一种动力学拟合模型的训练装置的结构示意图;
图4是本发明实施例提供的一种车辆的控制装置的结构示意图;
图5是本发明实施例提供的一种车载终端的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,本发明实施例及附图中的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
请参阅图1,图1是本发明实施例提供的一种动力学拟合模型的训练方法的流程示意图。该方法应用于自动驾驶中,可由动力学拟合模型的训练装置来执行,该装置可通过软件和/或硬件的方式实现,一般可集成在车载电脑、车载工业控制计算机(Industrialpersonal Computer,IPC)等车载终端中,本发明实施例不做限定。如图1所示,本实施例提供的动力学拟合模型的训练方法具体包括:
110、获取车辆的执行器在不同历史开度时所对应的历史动态数据。
其中,车辆的执行器包括车辆的加速踏板和制动踏板,执行器的开度表示的是执行器被踩深度占执行器最大深度的百分比。本发明实施例中,执行器的不同历史开度是指在动力学拟合模型的训练过程中所需要用到的开度经验值。
本发明实施例中,历史动态数据与当前动态数据相对应,历史动态数据是指在动力学拟合模型训练的过程中所用到的样本数据,当前动态数据是指在车辆运行的过程中实时采集到的数据。其中,历史动态数据包括历史初速度和历史初速度所对应的历史期望加速度。历史初速度是指在动力学拟合模型训练的过程中所获取的任意时刻的车速,每个时刻的实际车速均可作为该时刻的初速度。对于任意时刻的车速均存在对应的期望加速度。在动力学拟合模型的训练过程中,执行器不同开度对应的历史初速度和与历史初速度对应的历史期望加速度均可采用经验值作为模型的输入参数。
120、对历史动态数据进行特征提取,得到特征序列。
130、基于多个特征序列和对应的历史开度生成训练样本集。
本实施例中,可优选采用有监督的训练方式,因而,训练样本集中包括车辆执行器的不同开度,各开度对应的速度以及各速度对应的期望加速度等样本数据。
140、利用训练样本集对预设神经网络模型进行训练,得到动力学拟合模型,所述动力学拟合模型使得训练样本集中每个历史动态数据和与该历史动态数据对应的历史开度相关联。
在获取到训练样本集后,可以将样本数据输入到预先建立的初始深度回归网络模型,以便利用样本数据对初始深度回归网络模型进行训练,得到动力学拟合模型,该动力学拟合模型使得训练样本集中每个历史动态数据和与该历史动态数据对应的历史开度相关联。
需要说明的是,本实施例中,预设神经网络模型包括三层,分别为输入层、隐藏层和输出层。其中,输入层为神经网络的第一层,它接收输入信号(值)并将其传递至下一层,但不对输入信号(值)执行任何运算,并且它没有自己的权重值和偏置值。隐藏层的层数设计不唯一,它的神经元(节点)通过不同方式转换输入数据。一个隐藏层是一个垂直堆栈的神经元集。最后一个隐藏层把值传递给输出层。隐藏层中所有的神经元彼此连接,下一层的每个神经元也是同样情况,从而可得到一个全连接的隐藏层。输出层是神经网络的最后一层,接收来自最后一个隐藏层的输入。通过输出层可以得到合理范围内的理想数值。
本实施例中,在保证网络能够表达数据特征的基础上为了尽量减少计算量,降低运算复杂度,优选设置为一层隐藏层,以表征输入数据和输出数据之间的关系。此外,为了能够更好、清楚地表征输入和输出数据之间的关系,本实施例还采用了函数y=tanh(x)作为隐藏层和输入层的激活函数。其中,对于输入层而言,x为动力学拟合模型中对输入数据进行线性变换后的输出,y为输入层的输出;对于隐藏层而言,x为输入层的输出,y为隐藏层的输出。
还需要说明的是,本实施例中,在将执行器的历史开度输入到预设神经网络模型进行训练之前,还可进一步对各个历史开度执行标准化处理,使得制动踏板开度为-1-0之间的负值,加速踏板开度为0-1之间的正值。这样设置的好处在于:使得标准化后的历史开度可适用于不同类型的车辆。相应的,训练样本集则为基于多个特征序列和对应的标准化后的历史开度所生成。利用这样的训练样本集对预神经网络模型进行训练后,得到的动力学拟合模型使得训练样本集中每个历史动态数据和与该历史动态数据对应的标准化后的历史开度相关联,并且动力学拟合模型也能够应用于各种车辆。
作为一种可选的实施方式,对车辆执行器的开度执行标准化处理可通过如下方式来进行:确定传感器所能够采集到的执行器的最大开度和最小开度,并根据最大开度和最小开度对采集到的各个历史开度进行标准化处理。
其中,最大开度和最小开度表示的是传感器的采集范围,这两个数值可通过读取传感器数据来确定。在利用最大开度和最小开度对采集到的各个历史开度进行标准化处理时,可通过将车辆的执行器的历史开度与最小开度作差,得到第一差值,并将最大开度和最小开度作差,得到第二差值;通过计算第一差值和第二差值的商可得到标准化处理后的开度值。
具体的,对于加速踏板,第一差值和第二差值的商为标准化处理后加速踏板的历史开度;而对于制动踏板,第一差值和第二差值的商为标准化处理后制动踏板的历史开度的相反数。这样设置,即可使得标准化处理后的加速踏板的开度值为0-1之间的百分比,制动踏板处理后的开度值-1-0之间的百分比。
本实施例提供的技术方案,通过利用车辆的执行器不同历史开度及其所对应的历史动态数据对预设神经网络模型进行训练后,可得到动力学拟合模型,该模型可使得每个历史动态数据和与该历史动态数据对应的历史开度相关联,从而利用该模型能够在输入为车速和加速度的条件下,得到车辆执行器的开度。在不需要车辆动力元件和对传统***零部件的特征参数调节的情况下,可控制车辆的纵向运动。此外,为了降低运算复杂度,利用该模型中间设置的一层隐藏层即可表达出输入数据和输出数据的关系,并使用非线性函数y=tanh(x)作为激活函数以更好的表征输入数据和输出数据的关系。
实施例二
请参阅图2,图2是本发明实施例提供的一种车辆的控制方法的流程示意图。该方法应用于自动驾驶中,可由车辆的控制装置来执行,该装置可通过软件和/或硬件的方式实现,一般可集成在车载电脑、车载工业控制计算机等车载终端中,本发明实施例不做限定。如图2所示,本实施例提供的车辆的控制方法具体包括:
210、获取车辆的动态数据。其中,动态数据包括当前初速度和期望加速度。
其中,当前初速度是指车辆在任意一个时刻的实际车速,该车速可作为该时刻车辆的初速度。期望加速度是通过预设比例积分PI控制算法根据期望速度和当前初速度得到的。其中,PI调节算法是一种线性控制算法,其适应性和鲁棒性强,它根据给定值与实际输出值构成控制偏差,将偏差的比例和积分通过线性组合构成控制量,对被控对象进行控制。本实施例中,PI控制算法的被控对象为车辆的速度,PI控制时的输入量为上层决策模块的输出,为期望速度,反馈量为当前实际速度,通过PI控制算法可得到期望加速度。
220、根据动态数据和预设动力学拟合模型,确定车辆的执行器的开度,以控制车辆的纵向运动。
其中,执行器包括加速踏板和制动踏板。预设动力学拟合模型使得车辆的动态数据和车辆的执行器的开度相关联,该预设动力学拟合模型的构建可参照上述任意实施例提供的内容,本实施例在此不做赘述。
需要说明的是,为了使预设动力学拟合模型能够应用于所有车辆,在训练预设动力学拟合模型时,可优选采用标准化后的执行器开度,这样在预设动力学拟合模型的实际应用过程中,该模型的输出也为标准化后的执行器的开度,从而使得本实施例提供的车辆的控制方法能够适用于所有车辆。其中,对车辆的执行器开度进行标准化的过程可参照上述实施例提供的标准化方式。
本实施例提供的车辆的控制方法,通过采用无模型的PI控制可得到车辆的期望加速度。通过将得到的期望加速度和车辆的当前速度作为预设动力学拟合模型的输入,该模型的输出即为车辆的执行器的开度,利用得到的开度可以有效地控制车辆的纵向运动。其中,由于PI控制具有适应性强、鲁棒性强且实现简单等特点,并且利用深度神经网络能够模拟复杂的数学模型,避免了人工标定,因此,通过采用本实施例提供的技术方案能够在不需要大量调参的情况下达到对车辆良好的控制效果。
实施例三
请参阅图3,图3是本发明实施例提供的一种动力学拟合模型的训练装置的结构示意图。如图3所示,该装置包括:历史动态数据获取模块310、特征数据确定模块320、训练样本集生成模块330和模型训练模块340。其中,
历史动态数据获取模块310,被配置为获取车辆的执行器在不同历史开度时所对应的历史动态数据,其中,所述历史动态数据包括历史初速度和对应的历史期望加速度;
特征数据确定模块320,被配置为对所述历史动态数据进行特征提取,得到特征序列;
训练样本集生成模块330,被配置为基于多个所述特征序列和对应的车辆执行器的历史开度生成训练样本集;
模型训练模块340,被配置为利用所述训练样本集对预设神经网络模型进行训练,得到动力学拟合模型,所述动力学拟合模型使得所述训练样本集中每个历史动态数据和与该历史动态数据对应的历史开度相关联。
本实施例提供的技术方案,通过利用车辆的执行器在不同历史开度及其所对应的历史动态数据对预设神经网络模型进行训练后,可得到动力学拟合模型,该模型可使得每个历史动态数据和与该历史动态数据对应的历史开度相关联,从而利用该模型能够在输入为车速和加速度的条件下,得到车辆执行器的开度,在不需要车辆动力元件和对传统***零部件的特征参数调节的情况下,可控制车辆的纵向运动。
在上述实施例的基础上,所述装置还包括:
标准化处理模块,被配置为对各个历史开度执行标准化处理,使得制动踏板开度为-1-0之间的负值,加速踏板开度为0-1之间的正值;
相应的,所述训练样本集基于多个所述特征序列和对应的标准化后的历史开度生成;
相应的,所述动力学拟合模型使得所述训练样本集中每个历史动态数据和与该历史动态数据对应的标准化后的历史开度相关联。
在上述实施例的基础上,所述标准化处理模块包括:
最大开度和最小开度确定单元,被配置为确定传感器所能够采集到的执行器的最大开度和最小开度;
标准化处理单元,被配置为根据所述最大开度和所述最小开度对采集到的各个历史开度进行标准化处理。
在上述实施例的基础上,所述标准化处理单元具体被配置为:
将车辆的执行器的历史开度与所述最小开度作差,得到第一差值,并将所述最大开度和所述最小开度作差,得到第二差值;
计算所述第一差值和所述第二差值的商;
其中,对于加速踏板,所述第一差值和所述第二差值的商为标准化处理后加速踏板的历史开度;对于制动踏板,所述第一差值和所述第二差值的商为标准化处理后制动踏板的历史开度的相反数。
在上述实施例的基础上,所述动力学拟合模型包括隐藏层,所述隐藏层和所述动力学拟合模型的输入层均使用y=tanh(x)作为激活函数;
其中,对于所述输入层,x为动力学拟合模型中对输入数据进行线性变换后的输出,y为输入层的输出;对于所述隐藏层,x为输入层的输出,y为隐藏层的输出。
本发明实施例所提供的车辆的动力学拟合模型的训练装置可执行本发明任意实施例所提供的车辆的动力学拟合模型的训练方法,具备执行方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的车辆的动力学拟合模型的训练方法。
实施例四
请参阅图4,图4是本发明实施例提供的一种车辆的控制装置的结构示意图。如图4所示,该装置包括:动态数据获取模块410和执行器开度确定模块420。其中,
动态数据获取模块410,被配置为获取车辆的动态数据,所述动态数据包括当前初速度和期望加速度,所述期望加速度是通过预设比例积分PI控制算法根据期望速度和所述当前初速度得到的;
执行器开度确定模块420,被配置为根据所述动态数据和预设动力学拟合模型,确定所述车辆的执行器的开度,以控制车辆的纵向运动;
其中,所述预设动力学拟合模型使得车辆的动态数据和车辆的执行器的开度相关联,所述执行器包括加速踏板和制动踏板。
作为一种可选的实施方式,所述预设动力学拟合模型通过如下方式构建:
获取车辆的执行器在不同历史开度时所对应的历史动态数据,所述历史动态数据包括历史初速度和对应的历史期望加速度;
对所述历史动态数据进行特征提取,得到特征序列;
对所述历史开度执行标准化处理,并基于多个所述特征序列和对应的标准化后的历史开度生成训练样本集;
利用所述训练样本集对预设神经网络模型进行训练,得到预设动力学拟合模型,所述预设动力学拟合模型使得所述训练样本集中每个历史动态数据和与该历史动态数据对应的标准化后的所述历史开度相关联。
实施例五
请参阅图5,图5是本发明实施例提供的一种车载终端的结构示意图。如图5所示,该车载终端可以包括:
存储有可执行程序代码的存储器701;
与存储器701耦合的处理器702;
其中,处理器702调用存储器701中存储的可执行程序代码,执行本发明任意实施例所提供的车辆的控制方法。
本发明实施例还提供了另外一种车载终端,包括存储有可执行程序代码的存储器;与存储器耦合的处理器;其中,处理器调用存储器中存储的可执行程序代码,执行本发明任意实施例所提供的动力学拟合模型的训练方法。
本发明实施例公开一种计算机可读存储介质,其存储计算机程序,其中,该计算机程序使得计算机执行本发明任意实施例所提供的车辆的控制方法。
本发明实施例还公开一种计算机可读存储介质,其存储计算机程序,其中,该计算机程序使得计算机执行本发明任意实施例所提供的动力学拟合模型的训练方法。
本发明实施例公开一种计算机程序产品,其中,当计算机程序产品在计算机上运行时,使得计算机执行本发明任意实施例所提供的车辆的控制方法的部分或全部步骤。
本发明实施例还公开一种计算机程序产品,其中,当计算机程序产品在计算机上运行时,使得计算机执行本发明任意实施例所提供的动力学拟合模型的训练方法的部分或全部步骤。
在本发明的各种实施例中,应理解,上述各过程的序号的大小并不意味着执行顺序的必然先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在本发明所提供的实施例中,应理解,“与A相应的B”表示B与A相关联,根据A可以确定B。但还应理解,根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。
另外,在本发明各实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的单元若以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可获取的存储器中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或者部分,可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干请求用以使得一台计算机设备(可以为个人计算机、服务器或者网络设备等,具体可以是计算机设备中的处理器)执行本发明的各个实施例上述方法的部分或全部步骤。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
以上对本发明实施例公开的一种车辆的控制方法、模型的训练方法和装置进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (14)
1.一种车辆的控制方法,应用于自动驾驶,其特征在于,包括:
获取车辆的动态数据,所述动态数据包括当前初速度和期望加速度,所述期望加速度是通过预设比例积分PI控制算法根据期望速度和所述当前初速度得到的;
根据所述动态数据和预设动力学拟合模型,确定所述车辆的执行器的开度,以控制车辆的纵向运动;
其中,所述预设动力学拟合模型使得车辆的动态数据和车辆的执行器的开度相关联,所述执行器包括加速踏板和制动踏板。
2.根据权利要求1所述的方法,其特征在于,所述预设动力学拟合模型通过如下方式构建:
获取车辆的执行器在不同历史开度时所对应的历史动态数据,所述历史动态数据包括历史初速度和对应的历史期望加速度;
对所述历史动态数据进行特征提取,得到特征序列;
对所述历史开度执行标准化处理,并基于多个所述特征序列和对应的标准化后的历史开度生成训练样本集;
利用所述训练样本集对预设神经网络模型进行训练,得到预设动力学拟合模型,所述预设动力学拟合模型使得所述训练样本集中每个历史动态数据和与该历史动态数据对应的标准化后的所述历史开度相关联。
3.一种动力学拟合模型的训练方法,应用于自动驾驶,其特征在于,包括:
获取车辆的执行器在不同历史开度时所对应的历史动态数据,其中,所述历史动态数据包括历史初速度和对应的历史期望加速度;
对所述历史动态数据进行特征提取,得到特征序列;
基于多个所述特征序列和对应的车辆执行器的历史开度生成训练样本集;
利用所述训练样本集对预设神经网络模型进行训练,得到动力学拟合模型,所述动力学拟合模型使得所述训练样本集中每个历史动态数据和与该历史动态数据对应的历史开度相关联。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
对各个历史开度执行标准化处理,使得制动踏板开度为-1-0之间的负值,加速踏板开度为0-1之间的正值;
相应的,所述训练样本集基于多个所述特征序列和对应的标准化后的历史开度生成;
相应的,所述动力学拟合模型使得所述训练样本集中每个历史动态数据和与该历史动态数据对应的标准化后的历史开度相关联。
5.根据权利要求4所述的方法,其特征在于,所述对各个历史开度执行标准化处理,包括:
确定传感器所能够采集到的执行器的最大开度和最小开度;
根据所述最大开度和所述最小开度对采集到的各个历史开度进行标准化处理。
6.根据权利要求3-5任一所述的方法,其特征在于,根据所述最大开度和所述最小开度对采集到的各个历史开度进行标准化处理,包括:
将车辆的执行器的历史开度与所述最小开度作差,得到第一差值,并将所述最大开度和所述最小开度作差,得到第二差值;
计算所述第一差值和所述第二差值的商;
其中,对于加速踏板,所述第一差值和所述第二差值的商为标准化处理后加速踏板的历史开度;对于制动踏板,所述第一差值和所述第二差值的商为标准化处理后制动踏板的历史开度的相反数。
7.根据权利要求3-6任一所述的方法,其特征在于,所述动力学拟合模型包括隐藏层,所述隐藏层和所述动力学拟合模型的输入层均使用y=tanh(x)作为激活函数;
其中,对于所述输入层,x为动力学拟合模型中对输入数据进行线性变换后的输出,y为输入层的输出;对于所述隐藏层,x为输入层的输出,y为隐藏层的输出。
8.一种车辆的控制装置,应用于自动驾驶,其特征在于,包括:
动态数据获取模块,被配置为获取车辆的动态数据,所述动态数据包括当前初速度和期望加速度,所述期望加速度是通过预设比例积分PI控制算法根据期望速度和所述当前初速度得到的;
执行器开度确定模块,被配置为根据所述动态数据和预设动力学拟合模型,确定所述车辆的执行器的开度,以控制车辆的纵向运动;
其中,所述预设动力学拟合模型使得车辆的动态数据和车辆的执行器的开度相关联,所述执行器包括加速踏板和制动踏板。
9.根据权利要求8所述的装置,其特征在于,所述预设动力学拟合模型通过如下方式构建:
获取车辆的执行器在不同历史开度时所对应的历史动态数据,所述历史动态数据包括历史初速度和对应的历史期望加速度;
对所述历史动态数据进行特征提取,得到特征序列;
对所述历史开度执行标准化处理,并基于多个所述特征序列和对应的标准化后的历史开度生成训练样本集;
利用所述训练样本集对预设神经网络模型进行训练,得到预设动力学拟合模型,所述预设动力学拟合模型使得所述训练样本集中每个历史动态数据和与该历史动态数据对应的标准化后的所述历史开度相关联。
10.一种动力学拟合模型的训练装置,应用于自动驾驶,其特征在于,包括:
历史动态数据获取模块,被配置为获取车辆的执行器在不同历史开度时所对应的历史动态数据,其中,所述历史动态数据包括历史初速度和对应的历史期望加速度;
特征数据确定模块,被配置为对所述历史动态数据进行特征提取,得到特征序列;
训练样本集生成模块,被配置为基于多个所述特征序列和对应的车辆执行器的历史开度生成训练样本集;
模型训练模块,被配置为利用所述训练样本集对预设神经网络模型进行训练,得到动力学拟合模型,所述动力学拟合模型使得所述训练样本集中每个历史动态数据和与该历史动态数据对应的历史开度相关联。
11.根据权利要求10所述的装置,其特征在于,所述装置还包括:
标准化处理模块,被配置为对各个历史开度执行标准化处理,使得制动踏板开度为-1-0之间的负值,加速踏板开度为0-1之间的正值;
相应的,相应的,所述训练样本集基于多个所述特征序列和对应的标准化后的历史开度生成;
相应的,所述动力学拟合模型使得所述训练样本集中每个历史动态数据和与该历史动态数据对应的标准化后的历史开度相关联。
12.根据权利要求11所述的装置,其特征在于,所述标准化处理模块包括:
最大开度和最小开度确定单元,被配置为确定传感器所能够采集到的执行器的最大开度和最小开度;
标准化处理单元,被配置为根据所述最大开度和所述最小开度对采集到的各个历史开度进行标准化处理。
13.根据权利要求12所述的装置,其特征在于,所述标准化处理单元具体被配置为:
将车辆的执行器的历史开度与所述最小开度作差,得到第一差值,并将所述最大开度和所述最小开度作差,得到第二差值;
计算所述第一差值和所述第二差值的商;
其中,对于加速踏板,所述第一差值和所述第二差值的商为标准化处理后加速踏板的历史开度;对于制动踏板,所述第一差值和所述第二差值的商为标准化处理后制动踏板的历史开度的相反数。
14.根据权利要求10-13任一所述的装置,其特征在于,所述动力学拟合模型包括隐藏层,所述隐藏层和所述动力学拟合模型的输入层均使用y=tanh(x)作为激活函数;
其中,对于所述输入层,x为动力学拟合模型中对输入数据进行线性变换后的输出,y为输入层的输出;对于所述隐藏层,x为输入层的输出,y为隐藏层的输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910133675.6A CN109878534B (zh) | 2019-02-22 | 2019-02-22 | 一种车辆的控制方法、模型的训练方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910133675.6A CN109878534B (zh) | 2019-02-22 | 2019-02-22 | 一种车辆的控制方法、模型的训练方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109878534A true CN109878534A (zh) | 2019-06-14 |
CN109878534B CN109878534B (zh) | 2021-05-04 |
Family
ID=66929001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910133675.6A Active CN109878534B (zh) | 2019-02-22 | 2019-02-22 | 一种车辆的控制方法、模型的训练方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109878534B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110501941A (zh) * | 2019-08-16 | 2019-11-26 | 东南大学 | 一种电动汽车整车控制模型获取方法 |
CN111931286A (zh) * | 2020-06-29 | 2020-11-13 | 北京百度网讯科技有限公司 | 纵向动力学模型的训练方法、装置及设备 |
CN112241511A (zh) * | 2019-07-19 | 2021-01-19 | 上海杰之能软件科技有限公司 | 交通工具辅助电气***的性能检测方法及装置、终端 |
CN114084111A (zh) * | 2021-11-25 | 2022-02-25 | 北京轻舟智航科技有限公司 | 一种基于实时反馈和历史减速度的刹车控制方法 |
WO2023197409A1 (zh) * | 2022-04-13 | 2023-10-19 | 魔门塔(苏州)科技有限公司 | 速度控制模型的生成方法、车辆控制方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005216202A (ja) * | 2004-02-02 | 2005-08-11 | Fuji Heavy Ind Ltd | 未来値予測装置および未来値予測方法 |
CN103914985A (zh) * | 2014-04-25 | 2014-07-09 | 大连理工大学 | 一种混合动力客车未来车速轨迹预测方法 |
CN106154831A (zh) * | 2016-07-25 | 2016-11-23 | 厦门大学 | 一种基于学习法的智能汽车纵向神经滑模控制方法 |
CN106203626A (zh) * | 2016-06-30 | 2016-12-07 | 北京奇虎科技有限公司 | 汽车驾驶行为检测方法及装置、汽车 |
CN106909990A (zh) * | 2017-03-01 | 2017-06-30 | 腾讯科技(深圳)有限公司 | 一种基于历史数据的预测方法及装置 |
CN108216233A (zh) * | 2017-12-28 | 2018-06-29 | 北京经纬恒润科技有限公司 | 一种自适应巡航***控制参数的标定方法及装置 |
CN108803604A (zh) * | 2018-06-06 | 2018-11-13 | 深圳市易成自动驾驶技术有限公司 | 车辆自动驾驶方法、装置以及计算机可读存储介质 |
CN108944930A (zh) * | 2018-07-05 | 2018-12-07 | 合肥工业大学 | 一种基于lstm的模拟驾驶员特性的自动跟车方法及*** |
-
2019
- 2019-02-22 CN CN201910133675.6A patent/CN109878534B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005216202A (ja) * | 2004-02-02 | 2005-08-11 | Fuji Heavy Ind Ltd | 未来値予測装置および未来値予測方法 |
CN103914985A (zh) * | 2014-04-25 | 2014-07-09 | 大连理工大学 | 一种混合动力客车未来车速轨迹预测方法 |
CN106203626A (zh) * | 2016-06-30 | 2016-12-07 | 北京奇虎科技有限公司 | 汽车驾驶行为检测方法及装置、汽车 |
CN106154831A (zh) * | 2016-07-25 | 2016-11-23 | 厦门大学 | 一种基于学习法的智能汽车纵向神经滑模控制方法 |
CN106909990A (zh) * | 2017-03-01 | 2017-06-30 | 腾讯科技(深圳)有限公司 | 一种基于历史数据的预测方法及装置 |
CN108216233A (zh) * | 2017-12-28 | 2018-06-29 | 北京经纬恒润科技有限公司 | 一种自适应巡航***控制参数的标定方法及装置 |
CN108803604A (zh) * | 2018-06-06 | 2018-11-13 | 深圳市易成自动驾驶技术有限公司 | 车辆自动驾驶方法、装置以及计算机可读存储介质 |
CN108944930A (zh) * | 2018-07-05 | 2018-12-07 | 合肥工业大学 | 一种基于lstm的模拟驾驶员特性的自动跟车方法及*** |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112241511A (zh) * | 2019-07-19 | 2021-01-19 | 上海杰之能软件科技有限公司 | 交通工具辅助电气***的性能检测方法及装置、终端 |
CN112241511B (zh) * | 2019-07-19 | 2024-05-14 | 上海杰之能软件科技有限公司 | 交通工具辅助电气***的性能检测方法及装置、终端 |
CN110501941A (zh) * | 2019-08-16 | 2019-11-26 | 东南大学 | 一种电动汽车整车控制模型获取方法 |
CN111931286A (zh) * | 2020-06-29 | 2020-11-13 | 北京百度网讯科技有限公司 | 纵向动力学模型的训练方法、装置及设备 |
CN111931286B (zh) * | 2020-06-29 | 2024-06-14 | 阿波罗智能技术(北京)有限公司 | 纵向动力学模型的训练方法、装置及设备 |
CN114084111A (zh) * | 2021-11-25 | 2022-02-25 | 北京轻舟智航科技有限公司 | 一种基于实时反馈和历史减速度的刹车控制方法 |
CN114084111B (zh) * | 2021-11-25 | 2022-07-29 | 北京轻舟智航科技有限公司 | 一种基于实时反馈和历史减速度的刹车控制方法 |
WO2023197409A1 (zh) * | 2022-04-13 | 2023-10-19 | 魔门塔(苏州)科技有限公司 | 速度控制模型的生成方法、车辆控制方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109878534B (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109878534A (zh) | 一种车辆的控制方法、模型的训练方法和装置 | |
CN107203134B (zh) | 一种基于深度卷积神经网络的前车跟随方法 | |
Zhao et al. | Model-free optimal control based intelligent cruise control with hardware-in-the-loop demonstration [research frontier] | |
Bowen et al. | Dynamic ultrafiltration of proteins–A neural network approach | |
CN105946861A (zh) | 一种基于驾驶意图识别的nar神经网络车速预测方法 | |
EP4216098A1 (en) | Methods and apparatuses for constructing vehicle dynamics model and for predicting vehicle state information | |
EP3751465A1 (en) | Methods, apparatuses and computer programs for generating a reinforcement learning-based machine-learning model and for generating a control signal for operating a vehicle | |
CN111753982B (zh) | 一种基于强化学习的人机融合自主性边界切换方法及*** | |
CN105059213A (zh) | 一种智能跟车控制***及方法 | |
CN113655794A (zh) | 基于鲁棒模型预测控制的多车协同控制方法 | |
CN110103960B (zh) | 车辆自适应巡航控制方法、***及车辆 | |
CN109318897A (zh) | 基于自动推理机制的接管巡航方法及*** | |
CN112124310B (zh) | 一种车辆的路径变换方法和装置 | |
Xu et al. | Modeling Lateral Control Behaviors of Distracted Drivers for Haptic-Shared Steering System | |
CN106934556A (zh) | 一种公交车驾驶人出站操纵品质特性的评价方法 | |
Maraba et al. | Speed control of an asynchronous motor using pid neural network | |
CN103632033A (zh) | 一种基于bp神经网络的map标定方法 | |
Salvucci et al. | Toward a unified framework for tracking cognitive processes | |
Liu et al. | Stability and H∞ performance of human-in-the-loop control systems through hidden semi-Markov human behavior modeling | |
Krupka et al. | Learned steering feel by a neural network for a steer-by-wire system | |
Shakouri et al. | Teaching fuzzy logic control based on a robotic implementation | |
WO2008027349A2 (en) | Method and device for adaptive control | |
CN107161150A (zh) | 一种控制车辆起步的方法及装置 | |
Protzel et al. | Fuzzy distance control for intelligent vehicle guidance | |
CN117302261B (zh) | 基于人工智能学习的车辆自适应驾驶控制方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220316 Address after: 215100 floor 23, Tiancheng Times Business Plaza, No. 58, qinglonggang Road, high speed rail new town, Xiangcheng District, Suzhou, Jiangsu Province Patentee after: MOMENTA (SUZHOU) TECHNOLOGY Co.,Ltd. Address before: Room 601-a32, Tiancheng information building, No. 88, South Tiancheng Road, high speed rail new town, Xiangcheng District, Suzhou City, Jiangsu Province Patentee before: MOMENTA (SUZHOU) TECHNOLOGY Co.,Ltd. |