CN111522245B - 用于控制无人设备的方法及装置 - Google Patents
用于控制无人设备的方法及装置 Download PDFInfo
- Publication number
- CN111522245B CN111522245B CN202010578540.3A CN202010578540A CN111522245B CN 111522245 B CN111522245 B CN 111522245B CN 202010578540 A CN202010578540 A CN 202010578540A CN 111522245 B CN111522245 B CN 111522245B
- Authority
- CN
- China
- Prior art keywords
- driving data
- sample
- control
- information
- optimized
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000015654 memory Effects 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 8
- 230000000875 corresponding effect Effects 0.000 description 43
- 230000001276 controlling effect Effects 0.000 description 25
- 238000010586 diagram Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 11
- 230000006872 improvement Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000032258 transport Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本说明书公开了用于控制无人设备的方法及装置，通过获取样本驾驶数据，驾驶数据包括姿态信息以及运行信息，将样本驾驶数据输入待训练控制模型，得到待训练控制模型输出的待优化控制参数，根据待优化控制参数以及样本姿态信息，确定预测运行信息，根据预测运行信息以及样本运行信息，对待训练控制模型进行训练，当确定无人设备处于运行状态时，则获取无人设备的驾驶数据，通过训练完成的控制模型，确定当前时刻的控制参数，根据当前时刻的控制参数，对无人设备进行控制。通过上述内容，无人设备可训练控制模型，当无人设备运行时，根据当前时刻的驾驶数据，通过控制模型确定控制参数，从而根据控制参数，实现对无人设备进行横向控制。
Description
技术领域
本说明书涉及无人驾驶技术领域，尤其涉及用于控制无人设备的方法及装置。
背景技术
在无人设备行驶时，通常可为无人设备规划出一条轨迹，以控制无人设备按照规划出的轨迹行驶。
对无人设备的控制可包括横向控制，即，如何控制无人设备的方向盘，以使无人设备沿着规划出的轨迹行驶。针对该问题，现有技术提供一种基于无模型自适应控制（Model-free adaptive control, MFAC）的横向控制方案，该方案将横向控制问题转化为预瞄偏差角跟踪问题，其中，预瞄偏差角为由无人设备运行方向延长线与指定直线形成的夹角，指定直线为无人设备当前位置点和位于规划轨迹上的预瞄点的连线。图1为现有技术中无人设备行驶时的预瞄偏差角示意图。如图1所示，θ为预瞄偏差角。
在现有技术中，可根据控制参数与预瞄偏差角，确定方向盘控制量。然而，由于很难获取控制参数的精确值，导致对无人设备的横向控制不够精确。
因此，如何精确的对无人设备进行横向控制，成为亟需解决的问题。
发明内容
本说明书实施例提供一种用于控制无人设备的方法及装置，以部分解决现有技术存在的上述问题。
本说明书实施例采用下述技术方案：
本说明书提供的一种用于控制无人设备的方法，所述方法包括：
获取无人设备的样本驾驶数据，驾驶数据包括姿态信息以及运行信息；
将所述样本驾驶数据以及预先初始化的待优化控制参数输入待训练控制模型，得到所述待训练控制模型输出的待优化控制参数，所述待优化控制参数表征所述无人设备的动力学特征；
根据所述待优化控制参数以及所述样本驾驶数据中的样本姿态信息，确定所述样本驾驶数据对应的预测运行信息；
根据所述预测运行信息以及所述样本驾驶数据中的样本运行信息，确定所述预测运行信息与所述样本运行信息之间的差异；
以所述差异最小化为优化目标，对所述待训练控制模型进行训练；
若确定所述无人设备处于运行状态，则获取所述无人设备的驾驶数据，通过训练完成的控制模型，确定当前时刻的控制参数，根据所述当前时刻的控制参数，对所述无人设备进行控制。
可选地，获取无人设备的样本驾驶数据，具体包括：
获取所述无人设备的第一指定时长的样本驾驶数据；
确定指定时刻，并在所述第一指定时长的样本驾驶数据中，将所述指定时刻之前的样本驾驶数据作为第一子数据，将所述指定时刻之后的样本驾驶数据作为第二子数据。
可选地，将所述样本驾驶数据以及预先初始化的待优化控制参数输入待训练控制模型，得到所述待训练控制模型输出的待优化控制参数，具体包括：
将所述第一子数据以及预先初始化的待优化控制参数输入所述待训练控制模型，得到所述待训练控制模型输出的待优化控制参数。
可选地，根据所述待优化控制参数以及所述样本驾驶数据中的姿态信息，确定所述样本驾驶数据对应的预测运行信息，具体包括：
根据所述待优化控制参数以及所述第二子数据的姿态信息，确定所述第二子数据对应的预测运行信息；
根据所述预测运行信息以及所述样本驾驶数据中的样本运行信息，确定所述预测运行信息与所述样本运行信息之间的差异，具体包括：
根据所述第二子数据对应的预测运行信息以及所述第二子数据中的样本运行信息，确定所述第二子数据对应的预测运行信息与所述第二子数据中的样本运行信息之间的差异。
可选地，所述运行信息包括控制信息、轨迹信息；
根据所述待优化控制参数以及所述样本驾驶数据中的样本姿态信息，确定所述样本驾驶数据对应的预测运行信息，具体包括：
根据所述样本驾驶数据中的样本姿态信息、样本轨迹信息以及所述待优化控制参数，确定所述样本驾驶数据对应的预测控制信息。
可选地，所述运行信息包括控制信息、轨迹信息；
根据所述待优化控制参数以及所述样本驾驶数据中的样本姿态信息，确定所述样本驾驶数据对应的预测运行信息，具体包括：
根据所述样本驾驶数据中的样本姿态信息、样本控制信息以及所述待优化控制参数，确定所述样本驾驶数据对应的预测轨迹信息。
可选地，获取所述无人设备的驾驶数据，通过训练完成的控制模型，确定当前时刻的控制参数，具体包括：
获取所述无人设备在当前时刻的驾驶数据以及在当前时刻之前第二指定时长内的驾驶数据；
将所述无人设备在当前时刻之前第二指定时长内的驾驶数据输入所述控制模型，得到所述控制模型输出的当前时刻的控制参数；
根据所述当前时刻的控制参数，对所述无人设备进行控制，具体包括：
根据所述当前时刻的控制参数以及所述无人设备在当前时刻的驾驶数据，确定当前时刻的控制信息；
根据所述当前时刻的控制信息，对所述无人设备进行控制。
本说明书提供一种用于控制无人设备的装置，所述装置包括：
获取模块，用于获取无人设备的样本驾驶数据，驾驶数据包括姿态信息以及运行信息；
输入模块，用于将所述样本驾驶数据以及预先初始化的待优化控制参数输入待训练控制模型，得到所述待训练控制模型输出的待优化控制参数，所述待优化控制参数表征所述无人设备的动力学特征；
第一确定模块，用于根据所述待优化控制参数以及所述样本驾驶数据中的样本姿态信息，确定所述样本驾驶数据对应的预测运行信息；
第二确定模块，用于根据所述预测运行信息以及所述样本驾驶数据中的样本运行信息，确定所述预测运行信息与所述样本运行信息之间的差异；
训练模块，用于以所述差异最小化为优化目标，对所述待训练控制模型进行训练；
控制模块，用于若确定所述无人设备处于运行状态，则获取所述无人设备的驾驶数据，通过训练完成的控制模型，确定当前时刻的控制参数，根据所述当前时刻的控制参数，对所述无人设备进行控制。
本说明书提供的一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述用于控制无人设备的方法。
本说明书提供的一种无人设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述用于控制无人设备的方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
本说明书可获取样本驾驶数据，驾驶数据包括姿态信息以及运行信息，将样本驾驶数据以及预先初始化的待优化控制参数输入待训练控制模型，得到待训练控制模型输出的待优化控制参数，待优化控制参数表征无人设备的动力学特征，根据待优化控制参数以及样本驾驶数据中的样本姿态信息，确定样本驾驶数据对应的预测运行信息，根据预测运行信息以及样本运行信息，确定预测运行信息与样本运行信息之间的差异，以差异最小化为优化目标，对待训练控制模型进行训练，当确定无人设备处于运行状态时，则获取无人设备的驾驶数据，通过训练完成的控制模型，确定当前时刻的控制参数，根据当前时刻的控制参数，对无人设备进行控制。通过上述内容，无人设备可训练用于确定控制参数的控制模型，当无人设备运行时，根据当前时刻的驾驶数据，通过控制模型确定控制参数，从而根据控制参数，实现对无人设备进行横向控制。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为现有技术中无人设备行驶时的预瞄偏差角示意图；
图2为本说明书实施例提供的一种用于控制无人设备的方法流程图；
图3为本说明书实施例提供的待优化控制模型示意图；
图4为本说明书实施例提供的一种用于控制无人设备的装置的结构示意图；
图5为本说明书实施例提供的对应于图1的无人设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本说明书保护的范围。
无人设备可获取预先规划出的轨迹以及当前的驾驶数据，通过对无人设备的横向控制（也即，如何控制无人设备的方向盘），以使无人设备根据获取的轨迹行驶。
现有技术中，无人设备的横向控制问题可转为为预瞄偏差角跟踪问题，如背景技术中的图1所示，θ为由无人设备运行方向延长线与指定直线形成的夹角，其中，指定直线为无人设备当前位置点和位于规划轨迹上的预瞄点的连线。
在满足车辆的物理学特性以及无人设备的驾驶需求（即，沿着规划出的轨迹行驶）的情况下，通过对图1中所示的关于预瞄偏差角θ的几何关系处理，可将预瞄偏差角变化量与方向盘控制量（也即，控制无人设备转动方向盘的角度的变化量）之间的关系确定为动态线性化关系，即，下一时刻的预瞄偏差角为当前时刻的方向盘控制量与控制参数的积与当前时刻的预瞄偏差角的和值，可如公式（1）所示。
其中，
为无人设备在t+1时刻的预瞄偏差角，
为无人设备在t时刻的预瞄偏差角，
为控制参数，
为无人设备在t时刻的方向盘控制量。
在现有技术中，基于公式（1），设计控制器，通过控制器，确定控制参数。具体的，通过数学计算的方式，根据控制器确定控制参数。这种确定控制参数的方式存在较多的限制条件，例如，需要满足变量存在连续偏导数等，并且，由于采用数学计算的方式，因此，控制参数的初始值需要根据人工经验确定，导致很难获取到控制参数的精确值，从而使得现有技术对无人设备的横向控制不够精确。
因此，本说明书提供一种用于控制无人设备的方法，在本说明书中，可获取无人设备的样本驾驶数据，驾驶数据包括姿态信息以及运行信息，将样本驾驶数据以及预先初始化的待优化控制参数输入待训练控制模型，得到待训练控制模型输出的待优化控制参数，根据待优化控制参数以及样本驾驶数据中的样本姿态信息，确定样本驾驶数据对应的预测运行信息，根据预测运行信息以及样本驾驶数据中的样本运行信息，确定预测运行信息与样本运行信息之间的差异，以差异最小化为优化目标，对待训练控制模型进行训练。也即，本说明书可根据样本驾驶数据对待训练控制模型进行训练。当无人设备运行时，可获取无人设备的驾驶数据，通过训练完成的控制模型，确定控制参数，并根据控制参数对无人设备进行控制。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图2为本说明书实施例提供的一种用于控制无人设备的方法流程图，具体可包括以下步骤：
S200：获取无人设备的样本驾驶数据，驾驶数据包括姿态信息以及运行信息。
本说明书可获取无人设备的历史驾驶数据作为样本驾驶数据，也可获取普通车辆的历史驾驶数据作为样本驾驶数据。这是由于无人设备与普通车辆在行驶过程中的驾驶数据与车辆自身性能以及对车辆的控制情况有关，而与是否为人为驾驶无关。这里需要说明的是，本说明书获取的样本驾驶数据为车辆在历史上处于正常行驶状态下的驾驶数据，也即，样本驾驶数据为专家数据。
在本说明书中，驾驶数据，顾名思义，即车辆在驾驶过程中产生的数据。这里的车辆可指无人设备，也可指普通车辆。由于本说明书主要是为了控制无人设备，因此，本说明书以无人设备为主，无人设备主要包括无人车、无人机等智能无人驾驶设备，主要用于代替人工配送物品，例如，在大型货物仓储中心运输分拣后的货物，或将货物从某一地点运输到另一地点。
驾驶数据可包括姿态信息以及运行信息，姿态信息可包括无人设备的驾驶方向、方向盘角度等信息，所述姿态信息表征所述无人设备的状态。运行信息可包括控制信息以及轨迹信息，即，所述运行信息表征所述无人设备的驾驶行为。除了上述姿态信息以及运行信息之外，驾驶数据还可包括其他信息，例如，油门状态、刹车状态等信息。
另外，本说明书还可获取无人设备在不同场景下的样本驾驶数据。场景划分结果与场景划分规则有关，例如，按照道路行驶条件，可将场景划分为高速公路场景、乡镇道路场景等。针对每个场景，本说明书均可获取若干个样本驾驶数据。
针对每个样本驾驶数据，无人设备可对该样本驾驶数据进行采样，得到第一指定时长的样本驾驶数据，并可确定指定时刻，在该第一指定时长的样本驾驶数据中，将指定时刻之前的样本驾驶数据作为第一子数据，将指定时刻之后的样本驾驶数据作为第二子数据。故，若第i个样本驾驶数据为
，则第i个样本驾驶数据的第一子数据为
，第i个样本驾驶数据的第二子数据为
。
S202：将所述样本驾驶数据以及预先初始化的待优化控制参数输入待训练控制模型，得到所述待训练控制模型输出的待优化控制参数，所述待优化控制参数表征所述无人设备的动力学特征。
在获取到样本驾驶数据之后，无人设备可将样本驾驶数据输入待训练控制模型，得到待训练控制模型输出的待优化控制参数，其中，待优化控制参数可表征无人设备的动力学特征。
具体的，无人设备可预先对待优化控制参数进行随机初始化，并将第一子数据以及随机初始化后的待优化控制参数一起输入待训练控制模型，得到待训练控制模型输出的待优化控制参数。这里可将随机初始化后的待优化控制参数作为待优化控制参数的初始值。
待训练控制模型可以为长短期记忆网络（Long Short-Term Memory，LSTM）模型，也可以为其他机器学习模型，例如，循环神经网络（Recurrent Neural Network，RNN）。为便于描述，本说明书以控制模型为LSTM模型为例进行说明。
在构建LSTM模型时，可设置模型参数，并对模型参数进行随机初始化。故，根据上述内容，无人设备可将第一子数据输入LSTM模型，将预先初始化的待优化控制参数输入LSTM模型的隐层，并对LSTM模型的模型参数进行随机初始化，得到LSTM模型输出的待优化控制参数，并得到LSTM模型的待优化模型参数。
图3为本说明书实施例提供的待优化控制模型示意图。在图3中，LSTM模型可包含多层隐层，可将初始化后的待优化控制参数输入LSTM的第一层隐层，将第一子数据按照时刻顺序输入LSTM模型，通过LSTM模型以及模型参数（图中未示出），得到第一子数据对应的LSTM模型输出的待优化控制参数。也即，在t-M时刻，LSTM模型的第一层隐层为随机初始化后的待优化控制参数，LSTM模型的模型参数为随机初始化后的模型参数，将第一子数据输入LSTM模型后，通过LSTM模型，在t-1时刻，得到隐层输出信息为待优化控制参数，此时的LSTM模型的模型参数为待优化模型参数。
S204：根据所述待优化控制参数以及所述样本驾驶数据中的样本姿态信息，确定所述样本驾驶数据对应的预测运行信息。
通过上述步骤S202，无人设备通过待训练控制模型得到待优化控制参数，以及待训练控制模型的待优化模型参数后，则无人设备可根据待优化控制参数、待优化模型参数以及样本驾驶数据中的样本姿态信息，确定样本驾驶数据对应的预测运行信息。
具体的，由于样本驾驶数据为专家驾驶数据，也即，通过样本驾驶数据，可完整确定无人设备在第一指定时长内的运行情况。本说明书中，无人设备可根据第一子数据，确定待优化控制参数以及待优化模型参数，可根据待优化控制参数、待优化模型参数以及第二子数据的姿态信息，确定第二子数据对应的预测运行信息。这里的预测运行信息是指，在无人设备的姿态信息为第二子数据的姿态信息，使用待优化控制参数以及待优化模型参数的情况下，得到的运行信息（并非实际运行中产生的运行信息，而是基于待优化控制参数以及实际运行中的姿态信息，预测得到的运行信息）。而第二子数据中包含的运行信息为无人设备实际运行时的运行信息（又称，样本运行信息）。
由于本说明书主要涉及对无人设备进行横向控制，因此，运行信息可包括控制信息、轨迹信息等，其中，所述控制信息表征为所述无人设备的方向盘控制量，所述轨迹信息表征为所述无人设备的预瞄偏差角，在对无人设备进行纵向控制时，控制信息可表示为其他信息，例如，无人设备的油门控制量等，同时，轨迹信息也可表示为其他方面的信息，这里不再赘述。
因此，无人设备可根据待优化控制参数、第二子数据的姿态信息以及轨迹信息，确定第二子数据对应的预测控制信息。
具体的，无人设备可根据在t-1时刻的待优化控制参数、待优化模型参数以及第二子数据在t时刻的姿态信息，确定在t时刻的待优化控制参数。然后，根据在t时刻的待优化控制参数以及在t时刻的轨迹信息、在t+1时刻的轨迹信息，确定在t时刻的预测控制信息。也即，无人设备可将在t时刻的待优化控制参数、在t时刻的轨迹信息、在t+1时刻的轨迹信息代入公式（1）中，得到在t时刻的预测控制信息。也就是说，无人设备可根据上一时刻的待优化控制参数、当前时刻的姿态信息、待优化模型参数，通过LSTM模型，得到当前时刻的待优化控制参数，将当前时刻的待优化控制参数以及第二子数据中当前时刻的轨迹信息、下一时刻的轨迹信息代入公式（1）中，得到当前时刻的第二子数据对应的预测控制信息。
当然，除了上述确定第二子数据对应的预测控制信息的方式之外，还可通过其他方式，根据待优化控制参数、第二子数据的姿态信息以及轨迹信息，确定第二子数据对应的预测控制信息，例如，直接根据待优化控制参数以及第二子数据在t时刻的姿态信息，确定第二子数据在t+1时刻的预测姿态信息，根据t时刻的姿态信息、t+1时刻的预测姿态信息以及第二子数据在t时刻、t+1时刻轨迹信息，确定第二子数据对应的预测控制信息。
另外，无人设备还可根据待优化控制参数、第二子数据的姿态信息以及控制信息，确定第二子数据对应的预测轨迹信息。
具体的，无人设备可根据在t-1时刻的待优化控制参数、待优化模型参数以及第二子数据在t时刻的姿态信息，确定在t时刻的待优化控制参数。然后，根据在t时刻的待优化控制参数、在t时刻的控制信息以及在t时刻的轨迹信息，确定在t+1时刻的预测轨迹信息。也即，无人设备可将在t时刻的待优化控制参数、在t时刻的控制信息以及在t时刻的轨迹信息代入公式（1）中，得到在t+1时刻的预测轨迹信息。也就是说，无人设备可根据上一时刻的待优化控制参数、当前时刻的姿态信息、待优化模型参数，通过LSTM模型，得到当前时刻的待优化控制参数，将当前时刻的待优化控制参数以及第二子数据中当前时刻的轨迹信息、第二子数据中当前时刻的控制信息代入公式（1）中，得到下一时刻的预测轨迹信息。
当然，除了上述确定第二子数据对应的预测轨迹信息的方式之外，还可通过其他方式，根据待优化控制参数、第二子数据的姿态信息以及控制信息，确定第二子数据对应的预测轨迹信息，例如，直接根据待优化控制参数以及第二子数据在t时刻的姿态信息，确定第二子数据在t+1时刻的预测姿态信息，根据t时刻的姿态信息、t+1时刻的预测姿态信息以及第二子数据在t时刻控制信息，确定第二子数据对应的预测轨迹信息。
除了上述根据第一子数据确定待优化控制参数，根据第二子数据确定预测运行信息之外，本说明书也可无需对样本驾驶数据进行拆分，直接根据样本驾驶数据确定待优化控制参数，并根据待优化控制参数以及样本驾驶数据，确定样本驾驶数据对应的预测运行信息，也即，根据样本驾驶数据中的样本姿态信息、样本轨迹信息以及待优化控制参数，确定样本驾驶数据对应的预测控制信息，根据样本驾驶数据中的样本姿态信息、样本控制信息以及待优化控制参数，确定样本驾驶数据对应的预测轨迹信息，其具体的实现方式可参考上述根据第二子数据确定预测运行信息的内容。
S206：根据所述预测运行信息以及所述样本驾驶数据中的样本运行信息，确定所述预测运行信息与所述样本运行信息之间的差异。
S208：以所述差异最小化为优化目标，对所述待训练控制模型进行训练。
无人设备在确定预测运行信息之后，还可根据预测运行信息以及样本运行信息，确定预测运行信息与样本运行信息之间的差异，作为损失。
具体的，无人设备可根据第二子数据对应的预测运行信息以及第二子数据的样本运行信息，确定第二子数据对应的预测运行信息与样本运行信息之间的差异。
由上述步骤S204可知，运行信息可包括控制信息以及轨迹信息，并且，无人设备可得到预测控制信息以及预测轨迹信息，无人设备可将预测控制信息与样本控制信息之间的差异作为第一差异，将预测轨迹信息与样本轨迹信息之间的差异作为第二差异，故，无人设备在确定损失时，可单独将第一差异作为LSTM模型的损失，也可单独将第二差异作为LSTM模型的损失，还可以根据第一差异与第二差异，确定损失，例如，可将第一差异与第二差异的和值作为损失，因此，损失与第一差异正相关，损失与第二差异正相关。
无人设备可以损失最小化为训练目标，优化待优化控制参数以及待优化模型参数，对待训练控制模型进行训练。
由于损失是关于待优化控制参数与待优化模型参数的函数，故在以损失最小化为训练目标时，可对待优化控制参数以及待优化模型参数进行调节，以训练待训练控制模型。
在调节待优化控制参数以及待优化模型参数时，可采用梯度下降法，一般常用的为最速梯度下降法、共轭梯度下降法，通常，使用最速梯度下降法调节待优化控制参数以及待优化模型参数时，容易出现陷入局部极小值的问题，为避免出现上述问题，本说明书可采用共轭梯度下降法，例如，PRP共轭梯度梯度下降法，对待优化控制参数以及待优化模型参数进行调节，以使损失最小化，从而对待训练控制模型进行训练。
在训练待训练控制模型时，由于获取的样本驾驶数据为无人设备在各个场景下的样本驾驶数据，因此，可选择各场景下的样本驾驶数据组成训练样本集，该训练样本集中的样本驾驶数据来自不同无人设备在不同场景下的驾驶数据，使用训练样本集中的样本驾驶数据，通过上述内容，对待训练模型进行训练。
另外，考虑到训练模型所需要消耗的时间等因素，为了加快训练过程中的收敛速度，无人设备还可针对每个场景，选择该场景下的样本驾驶数据组成训练样本集。在各场景中，选择场景，并使用该场景下的训练样本集中的样本驾驶数据，通过上述内容，对待训练模型进行训练，得到该场景下的待优化模型参数以及待优化控制参数，然后重新在各场景中，选择场景，将上一场景下的待优化模型参数以及待优化控制参数输入当前场景中的LSTM模型，注意，这里不再是将随机初始化后的待优化控制参数输入LSTM模型，同时，LSTM模型的模型参数也无需随机初始化，而是使用上一场景下的待优化模型参数，同样根据上述内容，对LSTM模型训练，得到当前场景下的待优化控制参数以及待优化模型参数，依次选择场景进行迭代，直到符合预设的条件为止。其中，预设的条件可包括训练LSTM模型的次数达到预设的次数等。
S210：若确定所述无人设备处于运行状态，则获取所述无人设备的驾驶数据，通过训练完成的控制模型，确定当前时刻的控制参数，根据所述当前时刻的控制参数，对所述无人设备进行控制。
无人设备在完成对控制模型的训练之后，若确定无人设备当前处于运行状态，则可获取无人设备在当前时刻的驾驶数据以及在当前时刻之前第二指定时长内的驾驶数据，并将在当前时刻之前第二指定时长内的驾驶数据输入控制模型，得到控制模型输出的当前时刻的控制参数，然后，根据当前时刻的控制参数以及无人设备在当前时刻的驾驶数据，确定当前时刻的控制信息，最后，根据当前时刻的控制信息，对无人设备进行控制。
具体的，无人设备可获取当前时刻之前第二指定时长内的驾驶数据，这里的第二指定时长可参考第一子数据对应的时长，也即，获取的当前时刻之前第二指定时长内的驾驶数据可表示为
，将获取到的驾驶数据与训练控制模型完成时得到的控制参数、模型参数输入控制模型，得到当前时刻的控制参数。或者，第二指定时长也可以大于第一子数据对应的时长，由于这里主要考虑使用第二指定时长内的驾驶数据对控制模型的控制参数进行优化，以使优化后的控制参数更加符合无人设备的当前驾驶情况，因此，第二指定时长可设置为大于等于第一子数据对应的时长，以便根据第二指定时长内的驾驶数据，得到当前时刻的控制参数。无人设备可预先获取规划的轨迹，根据预先规划的轨迹与当前时刻的姿态信息，可确定无人设备在当前时刻的轨迹信息，将当前时刻的轨迹信息以及当前时刻的控制参数代入公式（1）中，由于期望无人设备沿着规划轨迹行驶，期望下一时刻的预瞄偏差角为零，故可将下一时刻的轨迹信息置为零，可得到当前时刻的控制信息，故，无人设备可根据当前时刻的控制信息，对无人设备进行横向控制，以使无人设备沿着规划的轨迹行驶。
通过上述内容，本说明书根据无人设备在不同场景下的驾驶数据，对控制模型进行训练，得到适用于各场景下的控制参数。此处得到的控制参数，具有泛化能力，对各场景均适用，但是需要说明的是，对任一场景来说，该控制参数较为粗糙，可根据该场景中的驾驶数据，对该控制参数进行优化，使优化后的控制参数更加符合无人设备在该场景的驾驶情况。当无人设备处于运行状态时，由于现实场景的复杂性，无人设备无法确定当前所处的场景具体为哪种场景，也即，当前场景为未知场景。无人设备可获取当前场景下的驾驶数据（也即，当前时刻的驾驶数据以及在当前时刻之前第二指定时长内的驾驶数据），根据当前场景下在当前时刻之前第二指定时长内的驾驶数据以及通过上述内容训练完成控制模型得到的控制参数，通过训练完成的控制模型，得到适用于当前场景下的控制参数，并基于适用于当前场景下的控制参数，根据当前时刻的驾驶数据，确定当前时刻的控制信息，并根据当前时刻的控制信息，对无人设备进行控制。
本说明书提供的上述用于控制无人设备的方法，具体可应用于使用无人设备进行配送的领域，例如，使用无人设备进行快递、外卖等配送的场景。具体的，在上述的场景中，可使用多个无人设备所构成的无人驾驶车队进行配送。
基于图1所示的用于控制无人设备的方法，本说明书实施例还对应提供一种用于控制无人设备的装置的结构示意图，如图4所示。
图4为本说明书实施例提供的一种用于控制无人设备的装置的结构示意图，所述装置包括：
获取模块401，用于获取无人设备的样本驾驶数据，驾驶数据包括姿态信息以及运行信息；
输入模块402，用于将所述样本驾驶数据以及预先初始化的待优化控制参数输入待训练控制模型，得到所述待训练控制模型输出的待优化控制参数，所述待优化控制参数表征所述无人设备的动力学特征；
第一确定模块403，用于根据所述待优化控制参数以及所述样本驾驶数据中的样本姿态信息，确定所述样本驾驶数据对应的预测运行信息；
第二确定模块404，用于根据所述预测运行信息以及所述样本驾驶数据中的样本运行信息，确定所述预测运行信息与所述样本运行信息之间的差异；
训练模块405，用于以所述差异最小化为优化目标，对所述待训练控制模型进行训练；
控制模块406，用于若确定所述无人设备处于运行状态，则获取所述无人设备的驾驶数据，通过训练完成的控制模型，确定当前时刻的控制参数，根据所述当前时刻的控制参数，对所述无人设备进行控制。
可选地，所述获取模块401具体用于，获取所述无人设备的第一指定时长的样本驾驶数据；确定指定时刻，并在所述第一指定时长的样本驾驶数据中，将所述指定时刻之前的样本驾驶数据作为第一子数据，将所述指定时刻之后的样本驾驶数据作为第二子数据。
可选地，所述输入模块402具体用于，将所述第一子数据以及预先初始化的待优化控制参数输入所述待训练控制模型，得到所述待训练控制模型输出的待优化控制参数。
可选地，所述第一确定模块403具体用于，根据所述待优化控制参数以及所述第二子数据的姿态信息，确定所述第二子数据对应的预测运行信息；
所述第二确定模块404具体用于，根据所述第二子数据对应的预测运行信息以及所述第二子数据中的样本运行信息，确定所述第二子数据对应的预测运行信息与所述第二子数据中的样本运行信息之间的差异。
可选地，所述运行信息包括控制信息、轨迹信息；
所述第一确定模块403具体用于，根据所述样本驾驶数据中的样本姿态信息、样本轨迹信息以及所述待优化控制参数，确定所述样本驾驶数据对应的预测控制信息。
可选地，所述运行信息包括控制信息、轨迹信息；
所述第一确定模块403具体用于，根据所述样本驾驶数据中的样本姿态信息、样本控制信息以及所述待优化控制参数，确定所述样本驾驶数据对应的预测轨迹信息。
可选地，所述控制模块406具体用于，获取所述无人设备在当前时刻的驾驶数据以及在当前时刻之前第二指定时长内的驾驶数据；将所述无人设备在当前时刻之前第二指定时长内的驾驶数据输入所述控制模型，得到所述控制模型输出的当前时刻的控制参数；根据所述当前时刻的控制参数以及所述无人设备在当前时刻的驾驶数据，确定当前时刻的控制信息；根据所述当前时刻的控制信息，对所述无人设备进行控制。
本说明书实施例还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图2提供的用于控制无人设备的方法。
基于图2所示的用于控制无人设备的方法，本说明书实施例还提出了图5所示的无人设备的示意结构图。如图5，在硬件层面，该无人设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图2所述的用于控制无人设备的方法。
当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、***、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备（***）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、***或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。
Claims (9)
1.一种用于控制无人设备的方法，其特征在于，所述方法包括：
获取无人设备的样本驾驶数据，驾驶数据包括姿态信息以及运行信息；
将所述样本驾驶数据以及预先初始化的待优化控制参数输入待训练控制模型，得到所述待训练控制模型输出的待优化控制参数，所述待优化控制参数表征所述无人设备的动力学特征；
根据所述待优化控制参数以及所述样本驾驶数据中的样本姿态信息，确定所述样本驾驶数据对应的预测运行信息；
根据所述预测运行信息以及所述样本驾驶数据中的样本运行信息，确定所述预测运行信息与所述样本运行信息之间的差异；
以所述差异最小化为优化目标，对所述待训练控制模型进行训练；
若确定所述无人设备处于运行状态，则获取所述无人设备在当前时刻的驾驶数据以及在当前时刻之前第二指定时长内的驾驶数据，将所述无人设备在当前时刻之前第二指定时长内的驾驶数据输入训练后的控制模型，得到所述控制模型输出的当前时刻的控制参数；根据所述当前时刻的控制参数以及所述无人设备在当前时刻的驾驶数据，确定当前时刻的控制信息，根据所述当前时刻的控制信息，对所述无人设备进行控制。
2.如权利要求1所述的方法，其特征在于，获取无人设备的样本驾驶数据，具体包括：
获取所述无人设备的第一指定时长的样本驾驶数据；
确定指定时刻，并在所述第一指定时长的样本驾驶数据中，将所述指定时刻之前的样本驾驶数据作为第一子数据，将所述指定时刻之后的样本驾驶数据作为第二子数据。
3.如权利要求2所述的方法，其特征在于，将所述样本驾驶数据以及预先初始化的待优化控制参数输入待训练控制模型，得到所述待训练控制模型输出的待优化控制参数，具体包括：
将所述第一子数据以及预先初始化的待优化控制参数输入所述待训练控制模型，得到所述待训练控制模型输出的待优化控制参数。
4.如权利要求2所述的方法，其特征在于，根据所述待优化控制参数以及所述样本驾驶数据中的姿态信息，确定所述样本驾驶数据对应的预测运行信息，具体包括：
根据所述待优化控制参数以及所述第二子数据的姿态信息，确定所述第二子数据对应的预测运行信息；
根据所述预测运行信息以及所述样本驾驶数据中的样本运行信息，确定所述预测运行信息与所述样本运行信息之间的差异，具体包括：
根据所述第二子数据对应的预测运行信息以及所述第二子数据中的样本运行信息，确定所述第二子数据对应的预测运行信息与所述第二子数据中的样本运行信息之间的差异。
5.如权利要求1所述的方法，其特征在于，所述运行信息包括控制信息、轨迹信息；
根据所述待优化控制参数以及所述样本驾驶数据中的样本姿态信息，确定所述样本驾驶数据对应的预测运行信息，具体包括：
根据所述样本驾驶数据中的样本姿态信息、样本轨迹信息以及所述待优化控制参数，确定所述样本驾驶数据对应的预测控制信息。
6.如权利要求1所述的方法，其特征在于，所述运行信息包括控制信息、轨迹信息；
根据所述待优化控制参数以及所述样本驾驶数据中的样本姿态信息，确定所述样本驾驶数据对应的预测运行信息，具体包括：
根据所述样本驾驶数据中的样本姿态信息、样本控制信息以及所述待优化控制参数，确定所述样本驾驶数据对应的预测轨迹信息。
7.一种用于控制无人设备的装置，其特征在于，所述装置包括：
获取模块，用于获取无人设备的样本驾驶数据，驾驶数据包括姿态信息以及运行信息；
输入模块，用于将所述样本驾驶数据以及预先初始化的待优化控制参数输入待训练控制模型，得到所述待训练控制模型输出的待优化控制参数，所述待优化控制参数表征所述无人设备的动力学特征；
第一确定模块，用于根据所述待优化控制参数以及所述样本驾驶数据中的样本姿态信息，确定所述样本驾驶数据对应的预测运行信息；
第二确定模块，用于根据所述预测运行信息以及所述样本驾驶数据中的样本运行信息，确定所述预测运行信息与所述样本运行信息之间的差异；
训练模块，用于以所述差异最小化为优化目标，对所述待训练控制模型进行训练；
控制模块，用于若确定所述无人设备处于运行状态，则获取所述无人设备在当前时刻的驾驶数据以及在当前时刻之前第二指定时长内的驾驶数据，将所述无人设备在当前时刻之前第二指定时长内的驾驶数据输入训练后的控制模型，得到所述控制模型输出的当前时刻的控制参数；根据所述当前时刻的控制参数以及所述无人设备在当前时刻的驾驶数据，确定当前时刻的控制信息，根据所述当前时刻的控制信息，对所述无人设备进行控制。
8.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1-6任一所述的方法。
9.一种无人设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1-6任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010578540.3A CN111522245B (zh) | 2020-06-23 | 2020-06-23 | 用于控制无人设备的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010578540.3A CN111522245B (zh) | 2020-06-23 | 2020-06-23 | 用于控制无人设备的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111522245A CN111522245A (zh) | 2020-08-11 |
| CN111522245B true CN111522245B (zh) | 2020-11-03 |
Family
ID=71910270
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010578540.3A Active CN111522245B (zh) | 2020-06-23 | 2020-06-23 | 用于控制无人设备的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111522245B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112925331B (zh) * | 2021-05-10 | 2021-09-24 | 北京三快在线科技有限公司 | 一种无人设备控制方法、装置、存储介质及电子设备 |
| CN113552888B (zh) * | 2021-07-29 | 2022-07-19 | 中国第一汽车股份有限公司 | 应用于无人车的行驶轨迹控制方法、装置、设备及介质 |
| CN113342005B (zh) * | 2021-08-04 | 2021-11-30 | 北京三快在线科技有限公司 | 一种无人驾驶设备的横向控制方法及装置 |
| CN116755862B (zh) * | 2023-08-11 | 2023-12-19 | 之江实验室 | 一种算子优化调度模型的训练方法、装置、介质及设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020128751A1 (en) * | 2001-01-21 | 2002-09-12 | Johan Engstrom | System and method for real-time recognition of driving patters |
| CN106066644A (zh) * | 2016-06-17 | 2016-11-02 | 百度在线网络技术（北京）有限公司 | 建立智能车辆控制模型的方法、智能车辆控制方法及装置 |
| CN110221611A (zh) * | 2019-06-11 | 2019-09-10 | 北京三快在线科技有限公司 | 一种轨迹跟踪控制方法、装置及无人驾驶车辆 |
| CN110371112A (zh) * | 2019-07-06 | 2019-10-25 | 深圳数翔科技有限公司 | 一种自动驾驶车辆的智能避障***及方法 |
| CN110456799A (zh) * | 2019-08-22 | 2019-11-15 | 合肥云驾智能科技有限公司 | 一种无人驾驶车辆控制模型在线增量式学习方法 |
| CN110968088A (zh) * | 2018-09-30 | 2020-04-07 | 百度（美国）有限责任公司 | 车辆控制参数的确定方法、装置、车载控制器和无人车 |
| CN111007719A (zh) * | 2019-11-12 | 2020-04-14 | 杭州电子科技大学 | 基于领域自适应神经网络的自动驾驶转向角度预测方法 |
-
2020
- 2020-06-23 CN CN202010578540.3A patent/CN111522245B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020128751A1 (en) * | 2001-01-21 | 2002-09-12 | Johan Engstrom | System and method for real-time recognition of driving patters |
| CN106066644A (zh) * | 2016-06-17 | 2016-11-02 | 百度在线网络技术（北京）有限公司 | 建立智能车辆控制模型的方法、智能车辆控制方法及装置 |
| CN110968088A (zh) * | 2018-09-30 | 2020-04-07 | 百度（美国）有限责任公司 | 车辆控制参数的确定方法、装置、车载控制器和无人车 |
| CN110221611A (zh) * | 2019-06-11 | 2019-09-10 | 北京三快在线科技有限公司 | 一种轨迹跟踪控制方法、装置及无人驾驶车辆 |
| CN110371112A (zh) * | 2019-07-06 | 2019-10-25 | 深圳数翔科技有限公司 | 一种自动驾驶车辆的智能避障***及方法 |
| CN110456799A (zh) * | 2019-08-22 | 2019-11-15 | 合肥云驾智能科技有限公司 | 一种无人驾驶车辆控制模型在线增量式学习方法 |
| CN111007719A (zh) * | 2019-11-12 | 2020-04-14 | 杭州电子科技大学 | 基于领域自适应神经网络的自动驾驶转向角度预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于深度强化学习的自动驾驶策略学习方法;夏伟 等;《集成技术》;20170531;第06卷(第03期);29-40 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111522245A (zh) | 2020-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111522245B (zh) | 用于控制无人设备的方法及装置 | |
| CN111208838B (zh) | 一种无人驾驶设备的控制方法及装置 | |
| CN110929431B (zh) | 一种车辆行驶决策模型的训练方法及装置 | |
| CN111190427A (zh) | 一种轨迹规划的方法及装置 | |
| CN110989636A (zh) | 一种障碍物的轨迹预测方法及装置 | |
| CN111076739B (zh) | 一种路径规划的方法及装置 | |
| CN112766468A (zh) | 一种轨迹预测方法、装置、存储介质及电子设备 | |
| CN110991095A (zh) | 一种车辆行驶决策模型的训练方法及装置 | |
| CN112346467B (zh) | 一种无人驾驶设备的控制方法及装置 | |
| CN112990375B (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
| CN113110526B (zh) | 一种模型训练的方法、无人驾驶设备的控制方法及装置 | |
| CN111238523A (zh) | 一种运动轨迹的预测方法及装置 | |
| CN111532285B (zh) | 一种车辆控制方法及装置 | |
| CN113419547B (zh) | 一种多车协同控制方法及装置 | |
| CN111062372A (zh) | 一种预测障碍物轨迹的方法及装置 | |
| CN114547972A (zh) | 动力学模型构建方法、装置、存储介质及电子设备 | |
| CN113342005B (zh) | 一种无人驾驶设备的横向控制方法及装置 | |
| CN113325855B (zh) | 基于迁移场景用于预测障碍物轨迹的模型训练方法 | |
| CN111123957B (zh) | 一种轨迹规划的方法及装置 | |
| CN112925331B (zh) | 一种无人设备控制方法、装置、存储介质及电子设备 | |
| CN113515108B (zh) | 一种无人驾驶设备的控制方法及控制装置 | |
| CN112987754B (zh) | 一种无人设备的控制方法、装置、存储介质及电子设备 | |
| CN110895406A (zh) | 一种基于干扰物轨迹规划的无人设备的测试方法及装置 | |
| CN111046981B (zh) | 一种无人车控制模型的训练方法及装置 | |
| CN114153207A (zh) | 一种无人驾驶设备的控制方法及控制装置 |
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 |