CN113022520B - 自适应刹车方法、设备和存储介质 - Google Patents
自适应刹车方法、设备和存储介质 Download PDFInfo
- Publication number
- CN113022520B CN113022520B CN202110581076.8A CN202110581076A CN113022520B CN 113022520 B CN113022520 B CN 113022520B CN 202110581076 A CN202110581076 A CN 202110581076A CN 113022520 B CN113022520 B CN 113022520B
- Authority
- CN
- China
- Prior art keywords
- parameters
- vehicle
- group
- braking
- collision duration
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T7/00—Brake-action initiating means
- B60T7/12—Brake-action initiating means for automatic initiation; for initiation not subject to will of driver or passenger
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T2201/00—Particular use of vehicle brake systems; Special systems using also the brakes; Special software modules within the brake system controller
- B60T2201/02—Active or adaptive cruise control system; Distance control
- B60T2201/022—Collision avoidance systems
Landscapes
- Engineering & Computer Science (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Regulating Braking Force (AREA)
Abstract
本发明涉及车辆制动领域，具体而言，涉及一种自适应刹车方法、设备和存储介质。自适应刹车方法包括：随机生成多组参数，每组参数包括刹车压强和碰撞时长阈值；在本车行驶过程中，当一时刻的碰撞时长小于或等于每组参数中的碰撞时长阈值时，对所述本车施加同一组参数中的刹车压强；根据所述本车行驶过程中每组参数下的行驶数据的时间序列，评估所述本车在每组参数下的刹车性能；根据所述每组参数下的刹车性能优化所述多组参数，并返回所述刹车压强的施加操作，直到满足结束条件；根据最终优化得到的多组参数，确定目标刹车压强和目标碰撞时长阈值。本实施例能够自适应学习最优的刹车策略，不会过于激进和保守，提高驾驶员的体验。
Description
技术领域
本发明涉及车辆制动领域，具体而言，涉及一种自适应刹车方法、设备和存储介质。
背景技术
AEB（自动紧急刹车***）在与前车的距离小于安全距离时，会主动刹车，避免或减少追尾等碰撞事故的发生。
在实际使用过程中，AEB的刹车策略过于保守，在距离前车距离较远时就开始刹车，影响驾驶员的体验。
有鉴于此，特提出本发明。
发明内容
本发明实施例提供一种自适应刹车方法、设备和存储介质，以自适应学习最优的刹车策略，不会过于激进和保守，提高驾驶员的体验。
第一方面，本申请实施例提供了一种自适应刹车方法，包括：
随机生成多组参数，每组参数包括刹车压强和碰撞时长阈值；
在本车行驶过程中，当一时刻的碰撞时长小于或等于每组参数中的碰撞时长阈值时，对所述本车施加同一组参数中的刹车压强，以控制所述本车制动；
根据所述本车行驶过程中每组参数下的行驶数据的时间序列，评估所述本车在每组参数下的刹车性能；所述行驶数据的时间序列包括减速度的时间序列、与前车的相对车速的时间序列和与前车的车距的时间序列；
根据所述每组参数下的刹车性能优化所述多组参数，并返回所述刹车压强的施加操作，直到满足结束条件；
根据最终优化得到的多组参数，确定目标刹车压强和目标碰撞时长阈值，以供所述本车在碰撞时长小于或等于所述目标碰撞时长阈值时，对所述本车施加所述目标刹车压强。
可选的，所述在本车行驶过程中，当一时刻的碰撞时长小于或等于每组参数中的碰撞时长阈值时，对所述本车施加同一组参数中的刹车压强，包括：
在本车行驶过程中，实时采集所述本车的行驶数据；
根据所述行驶数据中的车距和相对车速，实时计算所述本车的碰撞时长，并与每组参数中的碰撞时长阈值作比较；
当一时刻的碰撞时长小于或等于每组参数中的碰撞时长阈值时，对所述本车施加同一组参数中的刹车压强。
可选的，所述根据所述本车行驶过程中每组参数下的行驶数据的时间序列，评估所述本车在每组参数下的刹车性能，包括：
根据下述公式，计算所述本车在每组参数下的刹车评分b，作为所述刹车性能；
其中，n1、n2和m均是正数，a为一组参数下的减速度的时间序列，d为同一组参数下的车距的时间序列最小值，ttc为同一组参数中的碰撞时长阈值。
可选的，所述根据所述每组参数下的刹车性能优化所述多组参数，包括：
采用遗传算法，根据所述每组参数下的刹车评分优化所述多组参数。
可选的，在对所述本车施加同一组参数中的刹车压强，以控制所述本车制动之后，还包括：
当一时刻的碰撞时长大于同一组参数中的碰撞时长阈值时，撤销所述刹车压强；
所述结束条件包括：所述刹车性能收敛，或者所述多组参数收敛。
可选的，所述在本车行驶过程中，当一时刻的碰撞时长小于或等于每组参数中的碰撞时长阈值时，对所述本车施加同一组参数中的刹车压强，以控制所述本车制动，包括：
本车在多个场景的每个场景下行驶的过程中，当一时刻的碰撞时长小于或等于每组参数中的碰撞时长阈值时，对所述本车施加同一组参数中的刹车压强，以控制所述本车制动；
所述根据所述本车行驶过程中每组参数下的行驶数据的时间序列，评估所述本车在每组参数下的刹车性能，包括：
根据所述本车行驶过程中每个场景和每组参数下的行驶数据的时间序列，评估所述本车在每组参数下适用于全部场景的刹车性能。
可选的，所述根据所述本车行驶过程中每个场景和每组参数下的行驶数据的时间序列，评估所述本车在每组参数下适用于全部场景的刹车性能，包括：
根据下述公式，计算所述本车在每个场景中每组参数下的刹车评分b；
其中，n1、n2和m均是正数，a为一个场景中一组参数下的减速度的时间序列，d为同一场景和同一组参数下的车距的时间序列最小值，ttc为同一组参数中的碰撞时长阈值；
根据下述公式，计算所述本车在每组参数下适用于全部场景的刹车评分f；
其中，median(b)为每组参数在多个场景中的刹车评分平均值，min(b)为每组参数在多个场景中的刹车评分最小值。
可选的，在所述根据最终优化得到的多组参数，确定目标刹车压强和目标碰撞时长阈值之后，还包括：
采集本车驾驶员的真实行驶数据的时间序列，
根据所述真实行驶数据的时间序列，计算真实刹车压强和真实碰撞时长阈值；
采用所述真实刹车压强对所述目标刹车压强进行修正，采用所述真实碰撞时长阈值对所述目标碰撞时长阈值进行修正。
第二方面，本发明实施例还提供了一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现任一实施例所述的自适应刹车方法。
第三方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一实施例所述的自适应刹车方法。
与现有技术相比，本发明的有益效果为：
本实施例创造性地采用刹车压强和碰撞时长阈值作为刹车参数，而不采用与前车的车距作为刹车参数，从而可以针对不同的刹车力度、车距和相对速度，通过刹车性能自动优化参数的方式，自适应学习最优的刹车策略；而且，本实施例提供的刹车性能考虑到减速度、相对车速和车距，通过这三个数据综合评估刹车性能的优劣，能得到刹车性能更好的策略，不会过于激进和保守，提高驾驶员的体验。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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自适应刹车方法的流程图；
图2是本发明实施例提供的历次迭代的参数和刹车评分示意图；
图3是本发明实施例提供的另一种自适应刹车方法的流程图；
图4为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行清楚、完整的描述。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的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
图1是本发明实施例提供的一种自适应刹车方法的流程图，本实施例适用于随着车辆的行驶，不断迭代学习到最优的刹车策略的情况，本方法的执行主体为电子设备。该方法包括以下操作：
S110、随机生成多组参数，每组参数包括刹车压强和碰撞时长阈值。
刹车策略包括刹车压强和碰撞时长阈值。刹车压强为施加在车辆制动踏板上的压强，碰撞时长为本车与前车的车距除以相对车速，即理论上，经过碰撞时长后本车会与前车相撞。随着车辆的行驶，碰撞时长是一个变量，当碰撞时长小于或等于碰撞时长阈值时，需要向本车施加刹车压强对应的力。
示例性的，在0.5~3s的范围内随机选择多个碰撞时长阈值，在0.1~1Mpa的范围内随机选择多个刹车压强，将选择的所有碰撞时长阈值和刹车压强排列组合为多组参数。
需要说明的是，各组参数会出现部分相同的情况，例如3s,0.1MPa，与3s, 0.3Mpa。在本方法中，每组参数都是独立运行的，即每次测试只会存在一组参数，所以不会出现一种驾驶场景同时满足多组阈值条件的情况。例如，某一次测试时，只测试(3s,0.1MPa)这组参数，在下一次测试时，只测试(3s,0.3Mpa)。
S120、在本车行驶过程中，当一时刻的碰撞时长小于或等于每组参数中的碰撞时长阈值时，对所述本车施加同一组参数中的刹车压强，以控制所述本车制动。
在本车行驶过程中，实时采集所述本车的行驶数据，包括与每一时刻采集到的减速度、与前车的相对车速和与前车的车距。根据所述行驶数据中的车距和相对车速，实时计算所述本车的碰撞时长，并与每组参数中的碰撞时长阈值作比较。当一时刻的碰撞时长小于或等于每组参数中的碰撞时长阈值时，对所述本车施加同一组参数中的刹车压强。例如一时刻下，车距是10m，相对车速为2m/s，则该时刻下的碰撞时长为5s。假设一组参数为2s和0.5Mpa，此时大于碰撞时长阈值，则不作任何操作；假设另一组参数为6s和0.3Mpa，则此时小于碰撞时长阈值，则对本车施加0.3Mpa的刹车压强。
假设共生成20组参数，每组参数中的刹车压强和碰撞时长阈值不完全相同。对于每一组参数均独立执行S120所述的操作。本车可以在实际道路环境中行驶进行实车试验，也可以在仿真环境中行驶进行仿真试验。这样，可以得到每组参数下的行驶数据的时间序列，参见表1，在1.71s时，对本车施加刹车压强0.5Mpa。参见表2，在0.57s时，对本车施加刹车压强0.48Mpa。
表1 行驶数据的时间序列
| 时间 | 减速度 | 相对车速 | 车距 | 刹车压强 |
| 1.68 | 0.039128671 | -11.06480229 | 72.44026734 | 0 |
| 1.69 | 0.039494216 | -11.06521459 | 72.32961547 | 0 |
| 1.7 | 0.039850825 | -11.06564432 | 72.21895914 | 0 |
| 1.71 | 0.014079074 | -11.06601427 | 72.10829854 | 0.5 |
| 1.72 | -0.136540746 | -11.06547694 | 71.99763959 | 0.5 |
注：减速度为上一时刻到这一时刻的过程中，单位时间内的速度变化。单位=m/s2。正号代表加速度，表示速度有所上升；负号代表负加速度，称为减速度，表示速度有所下降。
相对车速：前车车速-本车车速，单位=km/h，正号代表前车车速大于本车车速，负号代表前车车速小于本车车速。
车距：本车与前车之间的距离，单位=m。
表2
| 时间 | 减速度 | 相对车速 | 车距 | 刹车压强 |
| 0.54 | -0.060065931 | -11.06521813 | 85.04461065 | 0 |
| 0.55 | -0.058829676 | -11.06609339 | 84.9339559 | 0 |
| 0.56 | -0.057592095 | -11.0669488 | 84.82329045 | 0 |
| 0.57 | -0.079197914 | -11.06737216 | 84.71261688 | 0.48 |
| 0.58 | -0.211111407 | -11.06639604 | 84.60194651 | 0.48 |
| 0.59 | -0.386922712 | -11.06313113 | 84.49130411 | 0.48 |
在一些实施例中，制动的目的是让本车停下来，则可以一直施加刹车压强，直到本车停止，结束采集行驶数据。在另一些实施例中，制动的目的是避免本车和前车相撞，则在对所述本车施加同一组参数中的刹车压强，以控制所述本车制动之后，还包括：当一时刻的碰撞时长大于同一组参数中的碰撞时长阈值时，撤销所述刹车压强。也就是说，当相撞机会较小时，可以不再施加刹车压强，让本车回归正常的车速。这种情况下，可以指定一时长，如20s，只采集20s的行驶数据（但要保证这20s内向本车施加刹车压强，并后续撤销刹车压强）。
S130、根据所述本车行驶过程中每组参数下的行驶数据的时间序列，评估所述本车在每组参数下的刹车性能；所述行驶数据的时间序列包括减速度的时间序列、与前车的相对车速的时间序列和与前车的车距的时间序列。
本实施例提供的刹车性能考虑到减速度、相对车速和车距，通过这三个数据综合评估刹车性能的优劣，而非如现有技术一般仅考虑车距。
可选的，根据公式（1），计算所述本车在每组参数下的刹车评分b，作为所述刹车性能。
其中，n1、n2和m均是正数，a为一组参数下的减速度的时间序列，d为同一组参数下的车距的时间序列最小值，ttc为同一组参数中的碰撞时长阈值。
示例性的，n1=10，n2=3，m=6。只要存在小于等于0的车距，说明本车与前车相撞，评分为-10。在不相撞的前提下，计算减速度的中位数的绝对值。该绝对值越大说明刹车越急，评分越低。如果ttc大于6，说明刹车过于保守，应令评分降低，则在减速度和基础上再叠加ttc。参见公式（1）中第3个算式，随着ttc的增大，会在算式2评分的基础上减去n2倍数的评分。可见，公式（1）充分考虑了是否相撞、刹车是否急和过于保守，综合得到评分。
S140、是否满足结束条件，如果否，跳转到S150；如果是，跳转到S160。
本实施例对多组参数进行循环迭代，迭代的结束条件包括所述刹车性能收敛，或者所述多组参数收敛。
多组参数收敛为一次迭代得到的多组参数之间收敛，即多组刹车压强的方差和多组碰撞时长阈值的方差均小于一阈值，例如0.3；同时，历次迭代得到的参数也收敛。刹车性能收敛为一次迭代得到的多组参数下的多个刹车评分收敛，即多个刹车评分的方差小于一阈值，例如0.3；同时，历次迭代得到的刹车评分也收敛。
图2是本发明实施例提供的历次迭代的参数和刹车评分示意图，图2中每次迭代的刹车评分为当次迭代得到的多个评分中的最高值。相应的，每次迭代的参数为最高评分对应的参数。从图中看出，随着迭代次数的增多，参数和刹车评分逐渐收敛。
S150、根据所述每组参数下的刹车性能优化所述多组参数，并返回S120。
可选的，采用遗传算法，根据所述每组参数下的刹车评分优化所述多组参数。示例性的，得到多组参数下的刹车评分之后，第一步: 删除刹车评分最低的一组参数；第二步:在剩余的多组参数中选择一子集；第三步: 选择这个子集中，刹车评分最高的一组参数，进行复制，从而参数组数不变；第四步: 对上一步中选取的一组参数进行微调。可选的，在刹车压强和碰撞时长阈值上分别加上一个很小的随机数，εttc，εp。
对多组参数进行整体优化后，针对每组优化后的参数，执行S120的操作，并计算该组优化后参数下的刹车评分。然后，判断是否满足结束条件。
如果还是不满足结束条件，重复执行上述第一步~第四步，这样可以最终得到多组整体刹车性能较好的参数。
S160、根据最终优化得到的多组参数，确定目标刹车压强和目标碰撞时长阈值，以供所述本车在碰撞时长小于或等于所述目标碰撞时长阈值时，对所述本车施加所述目标刹车压强。结束本次操作。
可选的，在最终优化得到的多组参数中，选择刹车评分最高的参数，就是经过遗传算法迭代得到的最终策略。该组参数会固化到本车的控制芯片中，从而控制芯片判定本车在碰撞时长小于或等于所述目标碰撞时长阈值时，对所述本车施加所述目标刹车压强，此时的刹车性能做好。
本实施例创造性地采用刹车压强和碰撞时长阈值作为刹车参数，而不采用与前车的车距作为刹车参数，从而可以针对不同的刹车力度、车距和相对速度，通过刹车性能自动优化参数的方式，自适应学习最优的刹车策略；而且，本实施例提供的刹车性能考虑到减速度、相对车速和车距，通过这三个数据综合评估刹车性能的优劣，能得到刹车性能更好的策略，不会过于激进和保守，提高驾驶员的体验。
图3是本发明实施例提供的另一种自适应刹车方法的流程图，在图1所示实施例的基础上引入了多个场景，从而得到适用于多个场景的最优刹车策略。如图3所示，具体包括以下操作：
S210、随机生成多组参数，每组参数包括刹车压强和碰撞时长阈值。
S220、本车在多个场景的每个场景下行驶的过程中，当一时刻的碰撞时长小于或等于每组参数中的碰撞时长阈值时，对所述本车施加同一组参数中的刹车压强，以控制所述本车制动。
当本车在仿真环境中行驶时，可以在仿真软件中设置不同的场景参数，包括行驶参数（包括初始车速、行驶时长和车间距等），道路参数（包括坡度、角度和摩擦系数等），本车参数（包括本车重量、刹车方式、马力和尺寸等）。不同的场景参数组合得到多个场景。
当本车在实际道路环境中行驶时，可以有意识地行驶在不同的路况下，令本车参数和行驶参数不同，从而实现不同场景下的行驶。
假设共20个场景和20组参数，则对于每一个场景和每一组参数均独立执行S220所述的操作。
S230、根据所述本车行驶过程中每个场景和每组参数下的行驶数据的时间序列，评估所述本车在每组参数下适用于全部场景的刹车性能。
可选的，根据公式（3），计算所述本车在每个场景中每组参数下的刹车评分b，假设得到400个刹车评分。
其中，n1、n2和m均是正数，a为一个场景中一组参数下的减速度的时间序列，d为同一场景和同一组参数下的车距的时间序列最小值，ttc为同一组参数中的碰撞时长阈值。根据公式（4），计算所述本车在每组参数下适用于全部场景的刹车评分f。
其中，median(b)为每组参数在多个场景中的刹车评分平均值，min(b)为每组参数在多个场景中的刹车评分最小值。也就是说，从一组参数下对应于20个场景的20个刹车评分中，计算得到1个刹车评分，从而得到所有组参数下的共20个刹车评分。
刹车评分f反映了每组参数在全部场景中的平均表现以及最差的表现。
S240、是否满足结束条件，如果否，跳转到S250；如果是，跳转到S260。
本实施例对多组参数进行循环迭代，迭代的结束条件包括所述刹车性能收敛，或者所述多组参数收敛。具体详见上述实施例的记载，此处不再赘述。
S250、根据所述每组参数下适用于全部场景的刹车性能，优化所述多组参数，并返回S220。
采用遗传算法，根据所述每组参数下适用于全部场景的刹车评分，优化所述多组参数。具体详见上述实施例的记载，此处不再赘述。
S260、根据最终优化得到的多组参数，确定目标刹车压强和目标碰撞时长阈值，以供所述本车在碰撞时长小于或等于所述目标碰撞时长阈值时，对所述本车施加所述目标刹车压强。
具体详见上述实施例的记载，此处不再赘述。
图1和图3所示实施例是按照刹车性能自适应学习到的参数，为了兼顾驾驶员的驾驶习惯本实施例在所述根据最终优化得到的多组参数，确定目标刹车压强和目标碰撞时长阈值之后，还包括：采集本车驾驶员的真实行驶数据的时间序列，根据所述真实行驶数据的时间序列，计算真实刹车压强和真实碰撞时长阈值；采用所述真实刹车压强对所述目标刹车压强进行修正，采用所述真实碰撞时长阈值对所述目标碰撞时长阈值进行修正。
具体的，真实行驶数据包括本车与前车的相对车速、车距和刹车压强。在施加刹车压强（即真实刹车压强）时，令车距除以相对车速，得到碰撞时长阈值。为了排除干扰，可以采集多种场景下的真实行驶数据，对每次计算得到的碰撞时长阈值求取平均，得到真实刹车压强和真实碰撞时长阈值。
修正的方式为加权求和。默认情况下，真实刹车压强与目标刹车压强，真实碰撞时长阈值与目标碰撞时长阈值的权值均为0.5。优选的，驾驶员可以自行设定二者的参数，以决定最终的策略是倾向于自适应的结果还是驾驶员的实际操作。
本实施例通过采用所述真实刹车压强对所述目标刹车压强进行修正，采用所述真实碰撞时长阈值对所述目标碰撞时长阈值进行修正，在自适应的结果中融合了驾驶员的操作，使得机器学习的结果更接近人的操作，进一步提高驾驶员的体验。
图4为本发明实施例提供的一种电子设备的结构示意图，如图4所示，该设备包括处理器20、存储器21、输入装置22和输出装置23；设备中处理器20的数量可以是一个或多个，图4中以一个处理器20为例；设备中的处理器20、存储器21、输入装置22和输出装置23可以通过总线或其他方式连接，图4中以通过总线连接为例。
存储器21作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的自适应刹车方法对应的程序指令/模块。处理器20通过运行存储在存储器21中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的自适应刹车方法。
存储器21可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器21可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器21可进一步包括相对于处理器20远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置22可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置23可包括显示屏等显示设备。
本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一实施例的自适应刹车方法。
本申请实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（RAM）、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案。
Claims (10)
1.一种自适应刹车方法，其特征在于，包括：
随机生成多组参数，每组参数包括刹车压强和碰撞时长阈值；
在本车行驶过程中，当一时刻的碰撞时长小于或等于每组参数中的碰撞时长阈值时，对所述本车施加同一组参数中的刹车压强，以控制所述本车制动；
根据所述本车行驶过程中每组参数下的行驶数据的时间序列，评估所述本车在每组参数下的刹车性能；所述行驶数据的时间序列包括减速度的时间序列、与前车的相对车速的时间序列和与前车的车距的时间序列；
根据所述每组参数下的刹车性能优化所述多组参数，并返回所述刹车压强的施加操作，直到满足结束条件；
根据最终优化得到的多组参数，确定目标刹车压强和目标碰撞时长阈值，以供所述本车在碰撞时长小于或等于所述目标碰撞时长阈值时，对所述本车施加所述目标刹车压强。
2.根据权利要求1所述的自适应刹车方法，其特征在于，所述在本车行驶过程中，当一时刻的碰撞时长小于或等于每组参数中的碰撞时长阈值时，对所述本车施加同一组参数中的刹车压强，包括：
在本车行驶过程中，实时采集所述本车的行驶数据；
根据所述行驶数据中的车距和相对车速，实时计算所述本车的碰撞时长，并与每组参数中的碰撞时长阈值作比较；
当一时刻的碰撞时长小于或等于每组参数中的碰撞时长阈值时，对所述本车施加同一组参数中的刹车压强。
3.根据权利要求1所述的自适应刹车方法，其特征在于，所述根据所述本车行驶过程中每组参数下的行驶数据的时间序列，评估所述本车在每组参数下的刹车性能，包括：
根据下述公式，计算所述本车在每组参数下的刹车评分b，作为所述刹车性能；
其中，n1、n2和m均是正数，a为一组参数下的减速度的时间序列，d为同一组参数下的车距的时间序列最小值，ttc为同一组参数中的碰撞时长阈值。
4.根据权利要求3所述的自适应刹车方法，其特征在于，所述根据所述每组参数下的刹车性能优化所述多组参数，包括：
采用遗传算法，根据所述每组参数下的刹车评分优化所述多组参数。
5.根据权利要求1-4任一项所述的自适应刹车方法，其特征在于，在对所述本车施加同一组参数中的刹车压强，以控制所述本车制动之后，还包括：
当一时刻的碰撞时长大于同一组参数中的碰撞时长阈值时，撤销所述刹车压强；
所述结束条件包括：所述刹车性能收敛，或者所述多组参数收敛。
6.根据权利要求1所述的自适应刹车方法，其特征在于，所述在本车行驶过程中，当一时刻的碰撞时长小于或等于每组参数中的碰撞时长阈值时，对所述本车施加同一组参数中的刹车压强，以控制所述本车制动，包括：
本车在多个场景的每个场景下行驶的过程中，当一时刻的碰撞时长小于或等于每组参数中的碰撞时长阈值时，对所述本车施加同一组参数中的刹车压强，以控制所述本车制动；其中，所述多个场景由不同的场景参数组合得到，所述场景参数包括行驶参数、道路参数和本车参数；
所述根据所述本车行驶过程中每组参数下的行驶数据的时间序列，评估所述本车在每组参数下的刹车性能，包括：
根据所述本车行驶过程中每个场景和每组参数下的行驶数据的时间序列，评估所述本车在每组参数下适用于全部场景的刹车性能。
7.根据权利要求6所述的自适应刹车方法，其特征在于，所述根据所述本车行驶过程中每个场景和每组参数下的行驶数据的时间序列，评估所述本车在每组参数下适用于全部场景的刹车性能，包括：
根据下述公式，计算所述本车在每个场景中每组参数下的刹车评分b；
其中，n1、n2和m均是正数，a为一个场景中一组参数下的减速度的时间序列，d为同一场景和同一组参数下的车距的时间序列最小值，ttc为同一组参数中的碰撞时长阈值；
根据下述公式，计算所述本车在每组参数下适用于全部场景的刹车评分f；
其中，median(b)为每组参数在多个场景中的刹车评分平均值，min(b)为每组参数在多个场景中的刹车评分最小值。
8.根据权利要求1所述的自适应刹车方法，其特征在于，在所述根据最终优化得到的多组参数，确定目标刹车压强和目标碰撞时长阈值之后，还包括：
采集本车驾驶员的真实行驶数据的时间序列，
根据所述真实行驶数据的时间序列，计算真实刹车压强和真实碰撞时长阈值；
采用所述真实刹车压强对所述目标刹车压强进行修正，采用所述真实碰撞时长阈值对所述目标碰撞时长阈值进行修正。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的自适应刹车方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一所述的自适应刹车方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110581076.8A CN113022520B (zh) | 2021-05-27 | 2021-05-27 | 自适应刹车方法、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110581076.8A CN113022520B (zh) | 2021-05-27 | 2021-05-27 | 自适应刹车方法、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113022520A CN113022520A (zh) | 2021-06-25 |
| CN113022520B true CN113022520B (zh) | 2021-08-13 |
Family
ID=76455962
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110581076.8A Active CN113022520B (zh) | 2021-05-27 | 2021-05-27 | 自适应刹车方法、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113022520B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114435379B (zh) * | 2022-01-07 | 2023-06-20 | 所托(杭州)汽车智能设备有限公司 | 车辆经济性驾驶控制方法及装置 |
| CN116092297B (zh) * | 2023-04-07 | 2023-06-27 | 南京航空航天大学 | 一种低渗透率分布式差分信号控制的边缘计算方法及*** |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101077708A (zh) * | 2006-05-23 | 2007-11-28 | 株式会社电装 | 用于车辆的制动控制*** |
| DE102010051203A1 (de) * | 2010-11-12 | 2012-05-16 | Lucas Automotive Gmbh | Verfahren zur Erkennung von kritischen Fahrsituationen von Lastkraft- oder Personenkraftwagen, insbesondere zur Vermeidung von Kollisionen |
| JP5668706B2 (ja) * | 2012-02-03 | 2015-02-12 | トヨタ自動車株式会社 | 制動制御装置、制動制御方法、プログラム及び媒体 |
| JP2016142203A (ja) * | 2015-02-03 | 2016-08-08 | トヨタ自動車株式会社 | 衝突回避装置 |
| CN107697047A (zh) * | 2016-08-09 | 2018-02-16 | 丰田自动车株式会社 | 用于车辆的制动控制设备 |
| CN107933536A (zh) * | 2016-10-13 | 2018-04-20 | 铃木株式会社 | 制动力控制装置 |
| CN111105041A (zh) * | 2019-12-02 | 2020-05-05 | 成都四方伟业软件股份有限公司 | 一种用于智慧数据碰撞的机器学习方法及装置 |
| CN111348015A (zh) * | 2020-03-17 | 2020-06-30 | 佛山市龙生光启科技有限公司 | 一种汽车制动装置及应用其的制动*** |
| CN111976721A (zh) * | 2020-09-02 | 2020-11-24 | 湖北汽车工业学院 | 一种基于矩形聚类碰撞锥模型的主动避障控制方法 |
| CN112009397A (zh) * | 2020-07-31 | 2020-12-01 | 武汉光庭信息技术股份有限公司 | 一种自动驾驶路测数据分析方法及装置 |
| CN112208506A (zh) * | 2020-09-23 | 2021-01-12 | 西南交通大学 | 用于铁路货车空气制动装置的智能故障检测方法 |
| CN112721932A (zh) * | 2021-01-25 | 2021-04-30 | 中国汽车技术研究中心有限公司 | 车辆变道参数的确定方法、装置、电子设备和介质 |
-
2021
- 2021-05-27 CN CN202110581076.8A patent/CN113022520B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101077708A (zh) * | 2006-05-23 | 2007-11-28 | 株式会社电装 | 用于车辆的制动控制*** |
| DE102010051203A1 (de) * | 2010-11-12 | 2012-05-16 | Lucas Automotive Gmbh | Verfahren zur Erkennung von kritischen Fahrsituationen von Lastkraft- oder Personenkraftwagen, insbesondere zur Vermeidung von Kollisionen |
| JP5668706B2 (ja) * | 2012-02-03 | 2015-02-12 | トヨタ自動車株式会社 | 制動制御装置、制動制御方法、プログラム及び媒体 |
| JP2016142203A (ja) * | 2015-02-03 | 2016-08-08 | トヨタ自動車株式会社 | 衝突回避装置 |
| CN107697047A (zh) * | 2016-08-09 | 2018-02-16 | 丰田自动车株式会社 | 用于车辆的制动控制设备 |
| CN107933536A (zh) * | 2016-10-13 | 2018-04-20 | 铃木株式会社 | 制动力控制装置 |
| CN111105041A (zh) * | 2019-12-02 | 2020-05-05 | 成都四方伟业软件股份有限公司 | 一种用于智慧数据碰撞的机器学习方法及装置 |
| CN111348015A (zh) * | 2020-03-17 | 2020-06-30 | 佛山市龙生光启科技有限公司 | 一种汽车制动装置及应用其的制动*** |
| CN112009397A (zh) * | 2020-07-31 | 2020-12-01 | 武汉光庭信息技术股份有限公司 | 一种自动驾驶路测数据分析方法及装置 |
| CN111976721A (zh) * | 2020-09-02 | 2020-11-24 | 湖北汽车工业学院 | 一种基于矩形聚类碰撞锥模型的主动避障控制方法 |
| CN112208506A (zh) * | 2020-09-23 | 2021-01-12 | 西南交通大学 | 用于铁路货车空气制动装置的智能故障检测方法 |
| CN112721932A (zh) * | 2021-01-25 | 2021-04-30 | 中国汽车技术研究中心有限公司 | 车辆变道参数的确定方法、装置、电子设备和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113022520A (zh) | 2021-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113022520B (zh) | 自适应刹车方法、设备和存储介质 | |
| KR102373430B1 (ko) | 자율 주행 차량의 사용자에게 캘리브레이션된 맞춤형 및 적응형 딥러닝 모델을 제공하는 방법 및 장치 | |
| CN108569287B (zh) | 生成车辆控制命令的方法和装置、车辆控制器、存储介质 | |
| CN109885033B (zh) | 车辆控制指令的安全处理方法和装置 | |
| US11994862B2 (en) | Method and system for training reinforcement learning agent using adversarial sampling | |
| CN110263628B (zh) | 障碍物检测方法、装置、电子设备以及存储介质 | |
| EP3570214A2 (en) | Automobile image processing method and apparatus, and readable storage medium | |
| CN112009397B (zh) | 一种自动驾驶路测数据分析方法及装置 | |
| JP6916548B2 (ja) | 自律走行自動車のレベル４を満たすために必要なｈｄマップとのコラボレーションを支援するエンベディングロス及びソフトマックスロスを利用して少なくとも一つの車線を有するイメージをセグメンテーションする学習方法及び学習装置、並びにそれを利用したテスト方法及びテスト装置 | |
| CN110271537B (zh) | 一种自动泊车方法、装置及设备 | |
| US9630627B2 (en) | Method and apparatus for adaptive drive control including fuel-economic mode engagement | |
| CN108569268B (zh) | 车辆防碰撞参数标定方法和装置、车辆控制器、存储介质 | |
| CN114092913A (zh) | 车道线的确定方法和装置、电子设备和存储介质 | |
| CN116258058A (zh) | 用于自动驾驶加速测试的关键边缘测试场景在线生成方法 | |
| US20210201141A1 (en) | Neural network optimization method, and neural network optimization device | |
| WO2023005681A1 (zh) | 纵向跟车控制方法、装置、电子设备及存储介质 | |
| CN116749961B (zh) | 自动驾驶车辆的控制方法、装置、设备及存储介质 | |
| CN113665580B (zh) | 一种自动紧急制动控制方法、装置、设备及存储介质 | |
| CN111775952A (zh) | 自动驾驶方法、装置和存储介质 | |
| CN111357011A (zh) | 环境感知方法、装置以及控制方法、装置和车辆 | |
| JP2021012446A (ja) | 学習装置及びプログラム | |
| KR102681320B1 (ko) | 자율 주행 차량을 위한 강화 학습 기반의 협력 그룹 결정 방법 및 장치 | |
| CN116901998A (zh) | 自动驾驶控制方法及装置 | |
| CN115273456B (zh) | 一种两轮电动车违规行驶的判定方法、***和存储介质 | |
| EP4173917A1 (en) | Lane change method and system, storage medium, and vehicle |
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 |