CN112455460A - 车辆控制方法、装置、设备及存储介质 - Google Patents

Abstract

本发明属于车辆控制技术领域，公开了一种车辆控制方法、装置、设备及存储介质。本发明通过在检测到车辆扰动时，获取当前时刻车辆的位置信息、速度信息及加速度信息；将所述位置信息、所述速度信息及所述加速度信息输入预设车辆控制模型进行分析，以获得车辆控制参数；根据所述车辆控制参数控制车辆行驶。由于是在检测到车辆扰动时实时采集车辆的位置信息、速度信息及加速度信息输入预设车辆控制模型中进行分析，以计算出排除车辆干扰所需的车辆控制参数，且预设车辆控制模型已经提前训练完成，因此参数计算实时性极高，再通过预设车辆控制模型计算出的车辆控制参数控制车辆行驶，即可保证车辆控制可排除车辆扰动的干扰，使车辆平稳运行。

Description

车辆控制方法、装置、设备及存储介质

技术领域

本发明涉及车辆控制技术领域，尤其涉及一种车辆控制方法、装置、设备及存储介质。

背景技术

随着辅助驾驶和无人驾驶的发展，车联网技术在车辆行驶中起到关键性作用。车联网的关键技术V2X(Vehicle-To-Everything)，即车与车(V2V)、车与行人(V2P)、车与基础设施(V2I)、车与网络(V2N)等之间的通信***。V2X就像是车辆的千里眼，可以感知周围环境，为车辆做出正确决策提供强大的信息基础。在现有技术中，V2X可以感知周围500米左右的范围。随着5G技术的推广，车辆完全可以感知1公里的范围。这样就为车辆安全驾驶、路径规划和车辆协同的实现大大提升了提前判断的时间。

但在车辆控制中，不可避免的会受到环境中诸多因素的干扰，例如：道路颠簸、速度或位置探测器噪声、通信***故障等等。这些都会导致车辆控制的不稳定，如何处理好控制的扰动，直接关系到控制器对车辆控制的安全性和有效性。现有技术一般采用卡尔曼滤波、误差估计、误差修正的方法排除车辆扰动，但是，这些方法设计复杂且实时性差。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种车辆控制方法、装置、设备及存储介质，旨在解决现有技术排除车辆扰动的方法实时性差的技术问题。

为实现上述目的，本发明提供了一种车辆控制方法，所述方法包括以下步骤:

在检测到车辆扰动时，获取当前时刻车辆的位置信息、速度信息及加速度信息；

将所述位置信息、所述速度信息及所述加速度信息输入预设车辆控制模型进行分析，以获得车辆控制参数；

根据所述车辆控制参数控制车辆行驶。

优选地，所述在检测到车辆扰动时，获取当前时刻车辆的位置信息、速度信息及加速度信息的步骤之前，包括：

获取车辆的历史运行信息集；

根据所述历史运行信息集对初始神经网络模型进行训练，获得车辆控制神经网络模型；

根据所述历史运行信息集确定控制网络权值；

根据所述控制网络权值及所述车辆控制神经网络模型确定预设车辆控制模型。

优选地，所述根据所述历史运行信息集确定预设控制网络权值的步骤，包括：

根据所述历史运行信息集通过权值计算公式计算控制网络权值；

所述权值计算公式为：

式中，W⁽ⁱ⁺¹⁾为控制网络权值矩阵，M为历史运行信息集，i为迭代计算次数，A⁽ⁱ⁾为第i次迭代计算得到的运行矩阵值，B⁽ⁱ⁾为第i次迭代计算得到的运行积分值，T为矩阵转置符。

优选地，所述根据所述车辆控制参数控制车辆行驶的步骤之后，还包括：

采集所述车辆根据所述车辆控制参数行驶时的位置数据、速度数据及加速度数据；

根据所述位置数据、所述速度数据及所述加速度数据更新所述历史运行信息集；

根据更新后的历史运行信息集更新所述预设车辆控制模型中的控制网络权值。

优选地，所述在检测到车辆扰动时，获取当前时刻车辆的位置信息、速度信息及加速度信息的步骤之前，还包括：

获取车辆的运行参数；

根据所述运行参数判断是否存在***故障、探测器信号噪声或车辆颠簸；

在存在***故障、探测器信号噪声和/或车辆颠簸时，判定检测到车辆扰动。

优选地，所述根据所述车辆控制参数控制车辆行驶的步骤之后，还包括：

根据所述位置信息、所述速度信息、所述加速度信息及所述车辆控制参数生成车辆扰动排除记录，并获取所述车辆的驾驶模式；

在所述驾驶模式为自动驾驶模式时，向车辆安全员推送所述车辆扰动排除记录；

在所述驾驶模式为辅助驾驶模式时，将所述车辆扰动排除记录进行展示。

优选地，所述将所述位置信息、所述速度信息及所述加速度信息输入预设车辆控制模型进行分析，以获得车辆控制参数的步骤之前，还包括：

对所述位置信息、所述速度信息及所述加速度信息进行安全性校验；

在安全性校验通过时，执行所述将所述位置信息、所述速度信息及所述加速度信息输入预设车辆控制模型进行分析，以获得车辆控制参数的步骤。

此外，为实现上述目的，本发明还提出一种车辆控制装置，所述车辆控制装置包括以下模块：

信息获取模块，用于在检测到车辆扰动时，获取当前时刻车辆的位置信息、速度信息及加速度信息；

参数确定模块，用于将所述位置信息、所述速度信息及所述加速度信息输入预设车辆控制模型进行分析，以获得车辆控制参数；

车辆控制模块，用于根据所述车辆控制参数控制车辆行驶。

此外，为实现上述目的，本发明还提出一种车辆控制设备，所述车辆控制设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车辆控制程序，所述车辆控制程序被所述处理器执行时实现如上所述的车辆控制方法的步骤。

此外，为实现上述目的，本发明还提出一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有车辆控制程序，所述车辆控制程序执行时实现如上所述的车辆控制方法的步骤。

本发明通过在检测到车辆扰动时，获取当前时刻车辆的位置信息、速度信息及加速度信息；将所述位置信息、所述速度信息及所述加速度信息输入预设车辆控制模型进行分析，以获得车辆控制参数；根据所述车辆控制参数控制车辆行驶。由于是在检测到车辆扰动时实时采集车辆的位置信息、速度信息及加速度信息输入预设车辆控制模型中进行分析，以计算出排除车辆干扰所需的车辆控制参数，且预设车辆控制模型已经提前训练完成，因此参数计算实时性极高，再通过预设车辆控制模型计算出的车辆控制参数控制车辆行驶，即可保证车辆控制可排除车辆扰动的干扰，使车辆平稳运行。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的电子设备的结构示意图；

图2为本发明车辆控制方法第一实施例的流程示意图；

图3为本发明车辆控制方法第二实施例的流程示意图；

图4为本发明车辆控制装置第一实施例的结构框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的车辆控制设备结构示意图。

如图1所示，该电子设备可以包括：处理器1001，例如中央处理器(CentralProcessing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及车辆控制程序。

在图1所示的电子设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明电子设备中的处理器1001、存储器1005可以设置在车辆控制设备中，所述电子设备通过处理器1001调用存储器1005中存储的车辆控制程序，并执行本发明实施例提供的车辆控制方法。

本发明实施例提供了一种车辆控制方法，参照图2，图2为本发明一种车辆控制方法第一实施例的流程示意图。

本实施例中，所述车辆控制方法包括以下步骤：

步骤S10：在检测到车辆扰动时，获取当前时刻车辆的位置信息、速度信息及加速度信息；

需要说明的是，本实施例执行主体可以为所述车辆控制设备，所述车辆控制设备可以是车载电脑等电子设备，还可以为其他可实现相同或相似功能的设备，本实施例对此不加以限制，在本实施例及下述各实施例中，以车辆控制设备为例对本发明车辆控制方法进行说明。

需要说明的是，车辆扰动可以为在车辆运行时可能会对车辆控制产生干扰影响的因素，例如：通信***故障、探测器信号噪声或车辆剧烈颠簸等。位置信息可以是根据车辆GPS定位***等***采集的车辆当前位置信息。速度信息可以是通过车载速度传感器采集的车辆当前速度信息，加速度信息可以是通过车载加速度传感器采集的车辆当前加速度信息。

在实际使用中，可以获取车辆的运行参数；根据所述运行参数判断是否存在***故障、探测器信号噪声或车辆颠簸；在存在***故障、探测器信号噪声和/或车辆颠簸时，判定检测到车辆扰动。

例如：通过***定时通信校验是否存在***故障，通过对探测器信号进行解析判断是否存在噪音数据，通过对车载震动传感器采集的震动数据判断是否存在车辆颠簸。

步骤S20：将所述位置信息、所述速度信息及所述加速度信息输入预设车辆控制模型进行分析，以获得车辆控制参数；

需要说明的是，预设车辆控制模型是通过大量车辆历史运行信息进行训练及计算得到的模型，将位置信息、速度信息及加速度信息输入预设车辆控制模型即可计算出维持车辆稳定运行所需要的车辆控制参数。

需要说明的是，在复杂的场景中，因某些特殊情况的影响，例如：数据干扰或与其他车辆数据传输频率相同等，车辆控制设备接收的位置信息、速度信息及加速度信息可能并非自车数据，若此时根据此类信息进行计算获取车辆控制参数可能会导致车辆控制出现误判，产生交通事故。

进一步地，为了避免数据误判，提高安全性，本实施例步骤S20之前，还可以包括：

对所述位置信息、所述速度信息及所述加速度信息进行安全性校验；在安全性校验通过时，执行所述将所述位置信息、所述速度信息及所述加速度信息输入预设车辆控制模型进行分析，以获得车辆控制参数的步骤。

可以理解的是，安全性校验是验证位置信息、速度信息及加速度信息是否为本车数据的一种验证手段。

在实际使用中，可以将传输的信息中添加固定的标识数据，在获取到位置信息等信息之后信息中包含的标识数据是否与固定的标识数据相同，在相同时判定安全性验证通过，在不同时判定安全性验证不通过。还可以在发送位置信息等信息时生成对应的安全性校验参数，将安全性校验参数与位置信息等信息一同发送至车辆控制设备，车辆控制设备可以在接收到信息时以特定顺序进行排序之后加密以生成安全验证参数，将安全验证参数与接收到的安全验证参数进行比对，在两者相同时判定安全性校验通过，在两者不同是判定安全性校验不通过。具体的安全性校验可根据实际需要进行设置，本实施例对此不加以限制。

步骤S30：根据所述车辆控制参数控制车辆行驶。

可以理解的是，根据计算出的车辆控制参数控制车辆运行即可排除车辆扰动，使得车辆平稳运行。

进一步地，为了便于数据追溯且进一步提高安全性，本实施例步骤S30之后，还可以包括：

根据所述位置信息、所述速度信息、所述加速度信息及所述车辆控制参数生成车辆扰动排除记录，并获取所述车辆的驾驶模式；在所述驾驶模式为自动驾驶模式时，向车辆安全员推送所述车辆扰动排除记录；在所述驾驶模式为辅助驾驶模式时，将所述车辆扰动排除记录进行展示。

需要说明的是，车辆扰动排除记录是根据位置信息、速度信息、加速度信息及车辆控制参数生成的记录，在需要追溯故障或者异常发生原因时，可以通过车辆扰动排除记录进行追溯，而且技术人员在需要进行数据分析时，也可以根据车辆扰动排除记录进行分析。车辆安全员可以是在车辆自动驾驶时远程观察车辆运行是否安全的人员。

可以理解的是，在生成车辆扰动排除记录之后，还可以获取车辆的驾驶模式，根据驾驶模式的不同，采取不同的处理措施。

本实施例通过在检测到车辆扰动时，获取当前时刻车辆的位置信息、速度信息及加速度信息；将所述位置信息、所述速度信息及所述加速度信息输入预设车辆控制模型进行分析，以获得车辆控制参数；根据所述车辆控制参数控制车辆行驶。由于是在检测到车辆扰动时实时采集车辆的位置信息、速度信息及加速度信息输入预设车辆控制模型中进行分析，以计算出排除车辆干扰所需的车辆控制参数，且预设车辆控制模型已经提前训练完成，因此参数计算实时性极高，再通过预设车辆控制模型计算出的车辆控制参数控制车辆行驶，即可保证车辆控制可排除车辆扰动的干扰，使车辆平稳运行。

参考图3，图3为本发明一种车辆控制方法第二实施例的流程示意图。

基于上述第一实施例，本实施例车辆控制方法在所述步骤S10之前，还包括：

步骤S01：获取车辆的历史运行信息集；

需要说明的是，历史运行信息集可以是由多个历史运行信息组合构建的集合。历史运行信息可以包括信息采集时刻、位置信息、速度信息、加速度信息等信息。

步骤S02：根据所述历史运行信息集对初始神经网络模型进行训练，获得车辆控制神经网络模型；

可以理解的是，依据车辆的位置、速度、加速度三个状态量，可以构建车辆的近似神经网络模型，即初始神经网络模型，通过使用历史运行信息及对初始神经网络模型可以对神经网络模型进行训练，以获得车辆控制神经网络模型。

步骤S03：根据所述历史运行信息集确定控制网络权值；

需要说明的是，为了推导增强学习算法，可以假设车辆的状态模型如下：

x(t)＝[p(t) v(t) a(t)]^T

其中x(t)为车辆状态，t为信息采集时刻，p(t)为车辆的位置，v(t)为车辆的速度，a(t)为车辆的加速度。

假设车辆动态方程为：

x^&＝f(x)+g(x)(u+ω)

其中，x为状态的导数，f(x)为***动态，g(x)为输入动态，u为控制输入，ω为车辆扰动。

为了使车辆得到有效控制，根据实际情况，可以构建性能指标：

其中，ωM为对控制扰动的的性能指标，是大于车辆扰动ω的一个正函数可以根据实际情况设定，在性能指标中加入针对控制干扰的性能指标项可以有针对性的对干扰进行抑制，从而获得良好的控制效果。Q和R均为常数对角矩阵。x^TQx是对车辆状态的性能指标，是正定函数。u^TRu是对车辆控制的性能指标，也是正定函数。

定义哈密尔顿函数：

为了在控制车辆的同时，使得性能指标最小化，从而使得受控车辆轨迹最优，油耗最低，且能抵消干扰，根据最有型原理和哈密尔顿函数，可以求得车辆控制表达式如下：

将车辆控制表达式代入哈密尔顿函数即可得到哈密尔顿-雅克比-贝尔曼(HJB)方程：

从哈密尔顿-雅克比-贝尔曼(HJB)方程即可求得

再将其代入车辆控制表达式中即可得到车辆控制，但是由于车辆具体的动态表达式位置，且哈密尔顿-雅克比-贝尔曼(HJB)方程本身是一个非线性微分方程，难以求解，因此，可以设计增强学习方法求得车辆控制。

在实际使用中，可以将代价函数进行神经网络近似为：

V(x)＝W_c ^Tφ(x)

其中，φ(x)为由车辆状态多项式构成的神经网络，例如

W_c为代价网络权值。对代价函数进行神经网络近似，可以避免具体***参数未知造成的影响。

将车辆控制进行神经网络近似，可得到为

其中，车

也是由车辆状态多项式构成的神经网络但不同于代价神经网络，例如可以取

W_a表示控制网络权值，对车辆控制进行神经网络近似，同样可以避免未知***和未知扰动带来的影响。

根据策略迭代算法演进基于数据的增强学习算法如下所示：

其中，Δt表示采集数据的间隔时间，这是由采集速率决定的，一般为每秒两次，即Δt＝0.5。(i+1)表示要迭代求取的下一次的代价值，(i)表示本次已获得的值。

将车辆控制神经网络近似及代价函数神经网络近似代入增强学习算法，可以得到神经网络权值增强学习算法：

其中δ表示由于神经网络近似导致的误差。在多控制输入变量情况下，p表示第p维的控制输入的运算。为得到更加准确的近似神经网络，根据车辆不断得到的位置、速度和加速度信息数据。利用最小二乘法可以求得更加准确的网络权值。首先设：

设总体权值为：

则，神将网络权值增强学习算法可以简写为：

δ⁽ⁱ⁾＝A^TW⁽ⁱ⁺¹⁾-B⁽ⁱ⁾

利用最小二乘法即可求得权值公式为：

式中，W⁽ⁱ⁺¹⁾为控制网络权值矩阵，M为历史运行信息集，i为迭代计算次数，A⁽ⁱ⁾为第i次迭代计算得到的运行矩阵值，B⁽ⁱ⁾为第i次迭代计算得到的运行积分值，T为矩阵转置符。

在实际使用中，可以根据历史运行信息集通过权值计算公式计算控制网络权值。

步骤S04：根据所述控制网络权值及所述车辆控制神经网络模型确定预设车辆控制模型。

可以理解的是，根据计算得到的控制网络权值及训练完成的车辆控制神经网络模型即可得到完整的预设车辆控制模型。

需要说明的是，神经网络权值增强学习算法可以根据不断得到的位置信息、速度信息和加速度信息持续进行学习，得到更加准确的控制网络权值。

进一步地，为了得到更加准确的控制网络权值，所述根据所述车辆控制参数控制车辆行驶的步骤之后，还可以包括：

采集所述车辆根据所述车辆控制参数行驶时的位置数据、速度数据及加速度数据；根据所述位置数据、所述速度数据及所述加速度数据更新所述历史运行信息集；根据更新后的历史运行信息集更新所述预设车辆控制模型中的控制网络权值。

可以理解的是，根据神经网络权值增强学习算法得到的权值公式，在数据样本越多的情况下，计算得到的控制网络权值也越准确，因此，可以根据采集的位置数据、速度数据及加速度数据更新历史运行信息集，以便于计算更加准确的控制网络权值。

需要说明的是，还可以根据得到的位置数据、速度数据及加速度数据对车辆控制神经网络模型也进行进一步训练，令车辆控制神经网络模型计算的结果也更加符合实际情况。

本实施例通过获取车辆的历史运行信息集；根据所述历史运行信息集对初始神经网络模型进行训练，获得车辆控制神经网络模型；根据所述历史运行信息集确定控制网络权值；根据所述控制网络权值及所述车辆控制神经网络模型确定预设车辆控制模型。由于采用神经网络近似方式根据车辆状态多项式构成的神经网络，构建简单并可避免未知***和未知扰动带来的影响，使得整体预设车辆控制模型构建并不复杂，还可以根据后续不断采集的数据计算得到更加精准的控制网络权值，使得预设车辆控制模型更加的贴合实际情况，非常适于实际使用。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有车辆控制程序，所述车辆控制程序被处理器执行时实现如上文所述的车辆控制方法的步骤。

参照图4，图4为本发明车辆控制装置第一实施例的结构框图。

如图4所示，本发明实施例提出的车辆控制装置包括：

信息获取模块401，用于在检测到车辆扰动时，获取当前时刻车辆的位置信息、速度信息及加速度信息；

参数确定模块402，用于将所述位置信息、所述速度信息及所述加速度信息输入预设车辆控制模型进行分析，以获得车辆控制参数；

车辆控制模块403，用于根据所述车辆控制参数控制车辆行驶。

本实施例通过在检测到车辆扰动时，获取当前时刻车辆的位置信息、速度信息及加速度信息；将所述位置信息、所述速度信息及所述加速度信息输入预设车辆控制模型进行分析，以获得车辆控制参数；根据所述车辆控制参数控制车辆行驶。由于是在检测到车辆扰动时实时采集车辆的位置信息、速度信息及加速度信息输入预设车辆控制模型中进行分析，以计算出排除车辆干扰所需的车辆控制参数，且预设车辆控制模型已经提前训练完成，因此参数计算实时性极高，再通过预设车辆控制模型计算出的车辆控制参数控制车辆行驶，即可保证车辆控制可排除车辆扰动的干扰，使车辆平稳运行。

进一步地，所述信息获取模块401，还用于获取车辆的历史运行信息集；根据所述历史运行信息集对初始神经网络模型进行训练，获得车辆控制神经网络模型；根据所述历史运行信息集确定控制网络权值；根据所述控制网络权值及所述车辆控制神经网络模型确定预设车辆控制模型。

进一步地，所述信息获取模块401，还用于根据所述历史运行信息集通过权值计算公式计算控制网络权值；

所述权值计算公式为：

式中，W⁽ⁱ⁺¹⁾为控制网络权值矩阵，M为历史运行信息集，i为迭代计算次数，A⁽ⁱ⁾为第i次迭代计算得到的运行矩阵值，B⁽ⁱ⁾为第i次迭代计算得到的运行积分值，T为矩阵转置符。

进一步地，所述车辆控制模块403，还用于采集所述车辆根据所述车辆控制参数行驶时的位置数据、速度数据及加速度数据；根据所述位置数据、所述速度数据及所述加速度数据更新所述历史运行信息集；根据更新后的历史运行信息集更新所述预设车辆控制模型中的控制网络权值。

进一步地，所述信息获取模块401，还用于获取车辆的运行参数；根据所述运行参数判断是否存在***故障、探测器信号噪声或车辆颠簸；在存在***故障、探测器信号噪声和/或车辆颠簸时，判定检测到车辆扰动。

进一步地，所述车辆控制模块403，还用于根据所述位置信息、所述速度信息、所述加速度信息及所述车辆控制参数生成车辆扰动排除记录，并获取所述车辆的驾驶模式；在所述驾驶模式为自动驾驶模式时，向车辆安全员推送所述车辆扰动排除记录；在所述驾驶模式为辅助驾驶模式时，将所述车辆扰动排除记录进行展示。

进一步地，所述参数确定模块402，还用于对所述位置信息、所述速度信息及所述加速度信息进行安全性校验；在安全性校验通过时，执行所述将所述位置信息、所述速度信息及所述加速度信息输入预设车辆控制模型进行分析，以获得车辆控制参数的步骤。

应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。

需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。

另外，未在本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控制方法，此处不再赘述。

此外，需要说明的是，在本文中，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、物品或者***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、物品或者***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，并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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介质(如只读存储器(Read Only Memory，ROM)/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种车辆控制方法，其特征在于，所述车辆控制方法包括以下步骤：

在检测到车辆扰动时，获取当前时刻车辆的位置信息、速度信息及加速度信息；

将所述位置信息、所述速度信息及所述加速度信息输入预设车辆控制模型进行分析，以获得车辆控制参数；

根据所述车辆控制参数控制车辆行驶。

2.如权利要求1所述的车辆控制方法，其特征在于，所述在检测到车辆扰动时，获取当前时刻车辆的位置信息、速度信息及加速度信息的步骤之前，包括：

获取车辆的历史运行信息集；

根据所述历史运行信息集对初始神经网络模型进行训练，获得车辆控制神经网络模型；

根据所述历史运行信息集确定控制网络权值；

根据所述控制网络权值及所述车辆控制神经网络模型确定预设车辆控制模型。

3.如权利要求2所述的车辆控制方法，其特征在于，所述根据所述历史运行信息集确定预设控制网络权值的步骤，包括：

根据所述历史运行信息集通过权值计算公式计算控制网络权值；

所述权值计算公式为：

式中，W⁽ⁱ⁺¹⁾为控制网络权值矩阵，M为历史运行信息集，i为迭代计算次数，A⁽ⁱ⁾为第i次迭代计算得到的运行矩阵值，B⁽ⁱ⁾为第i次迭代计算得到的运行积分值，T为矩阵转置符。

4.如权利要求2所述的车辆控制方法，其特征在于，所述根据所述车辆控制参数控制车辆行驶的步骤之后，还包括：

采集所述车辆根据所述车辆控制参数行驶时的位置数据、速度数据及加速度数据；

根据所述位置数据、所述速度数据及所述加速度数据更新所述历史运行信息集；

根据更新后的历史运行信息集更新所述预设车辆控制模型中的控制网络权值。

5.如权利要求1-4中任一项所述的车辆控制方法，其特征在于，所述在检测到车辆扰动时，获取当前时刻车辆的位置信息、速度信息及加速度信息的步骤之前，还包括：

获取车辆的运行参数；

根据所述运行参数判断是否存在***故障、探测器信号噪声或车辆颠簸；

在存在***故障、探测器信号噪声和/或车辆颠簸时，判定检测到车辆扰动。

6.如权利要求1-4中任一项所述的车辆控制方法，其特征在于，所述根据所述车辆控制参数控制车辆行驶的步骤之后，还包括：

根据所述位置信息、所述速度信息、所述加速度信息及所述车辆控制参数生成车辆扰动排除记录，并获取所述车辆的驾驶模式；

在所述驾驶模式为自动驾驶模式时，向车辆安全员推送所述车辆扰动排除记录；

在所述驾驶模式为辅助驾驶模式时，将所述车辆扰动排除记录进行展示。

7.如权利要求1-4中任一项所述的车辆控制方法，其特征在于，所述将所述位置信息、所述速度信息及所述加速度信息输入预设车辆控制模型进行分析，以获得车辆控制参数的步骤之前，还包括：

对所述位置信息、所述速度信息及所述加速度信息进行安全性校验；

在安全性校验通过时，执行所述将所述位置信息、所述速度信息及所述加速度信息输入预设车辆控制模型进行分析，以获得车辆控制参数的步骤。

8.一种车辆控制装置，其特征在于，所述车辆控制装置包括以下模块：

信息获取模块，用于在检测到车辆扰动时，获取当前时刻车辆的位置信息、速度信息及加速度信息；

参数确定模块，用于将所述位置信息、所述速度信息及所述加速度信息输入预设车辆控制模型进行分析，以获得车辆控制参数；

车辆控制模块，用于根据所述车辆控制参数控制车辆行驶。

9.一种车辆控制设备，其特征在于，所述车辆控制设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车辆控制程序，所述车辆控制程序被所述处理器执行时实现如权利要求1-7中任一项所述的车辆控制方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有车辆控制程序，所述车辆控制程序执行时实现如权利要求1-7中任一项所述的车辆控制方法的步骤。

Images