CN113060146A - 一种纵向跟踪控制方法、装置、设备及存储介质 - Google Patents
一种纵向跟踪控制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113060146A CN113060146A CN202110519112.8A CN202110519112A CN113060146A CN 113060146 A CN113060146 A CN 113060146A CN 202110519112 A CN202110519112 A CN 202110519112A CN 113060146 A CN113060146 A CN 113060146A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- driving data
- determining
- style
- acceleration
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W40/09—Driving style or behaviour
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
- B60W2520/105—Longitudinal acceleration
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2530/00—Input parameters relating to vehicle conditions or values, not covered by groups B60W2510/00 or B60W2520/00
- B60W2530/18—Distance travelled
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/802—Longitudinal distance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种纵向跟踪控制方法、装置、设备及存储介质。该方法包括:获取当前驾驶数据;根据所述当前驾驶数据确定驾驶风格;根据所述驾驶风格和所述当前驾驶数据确定本车的当前状态和本车期望加速度,通过本发明的技术方案,以实现能够满足不同习惯特性的驾驶人的差异化需求,大幅度提高驾驶人满意度和舒适度,为驾驶人提供更好的驾驶体验,这对提高***适用性、保障汽车安全、减少交通事故具有重大意义。
Description
技术领域
本发明实施例涉及车辆技术领域,尤其涉及一种纵向跟踪控制方法、装置、设备及存储介质。
背景技术
汽车纵向运动控制***通常被设计成分层结构:上层控制器根据相对车距和车速输出期望加速度,设计时主要考虑驾驶员特性、队列稳定性和交通流等问题;下层加速度跟踪控制器通过对执行机构的控制使汽车实际加速度跟踪期望值,设计时主要考虑车辆动力学问题。汽车纵向加速度跟踪控制是汽车纵向运动控制的关键技术之一。
近年来,随着智能汽车的不断发展,着眼于驾驶人驾驶技能和驾驶风格的研究也不断深入,越来越多的研究人员开始投身于驾驶人驾驶技能辨识方面的研究。考虑到真车存在损耗、浪费能源以及存在危险性等因素,亟需研发一种基于驾驶风格进行纵向跟踪控制的方法。
发明内容
本发明实施例提供一种纵向跟踪控制方法、装置、设备及存储介质,以实现能够满足不同习惯特性的驾驶人的差异化需求,大幅度提高驾驶人满意度和舒适度,为驾驶人提供更好的驾驶体验,这对提高***适用性、保障汽车安全、减少交通事故具有重大意义。
第一方面,本发明实施例提供了一种纵向跟踪控制方法,包括:
获取当前驾驶数据;
根据所述当前驾驶数据确定驾驶风格;
根据所述驾驶风格和所述当前驾驶数据确定本车的当前状态和本车期望加速度。
第二方面,本发明实施例还提供了一种纵向跟踪控制装置,该装置包括:
获取模块,用于获取当前驾驶数据;
第一确定模块,用于根据所述当前驾驶数据确定驾驶风格;
第二确定模块,用于根据所述驾驶风格和所述当前驾驶数据确定本车的当前状态和本车期望加速度。
第三方面,本发明实施例还提供了一种计算机设备,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如本发明实施例中任一所述的纵向跟踪控制方法。
第四方面,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如本发明实施例中任一所述的纵向跟踪控制方法。
本发明实施例通过获取当前驾驶数据;根据所述当前驾驶数据确定驾驶风格;根据所述驾驶风格和所述当前驾驶数据确定本车的当前状态和本车期望加速度,以实现能够满足不同习惯特性的驾驶人的差异化需求,大幅度提高驾驶人满意度和舒适度,为驾驶人提供更好的驾驶体验,这对提高***适用性、保障汽车安全、减少交通事故具有重大意义。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1是本发明实施例一中的一种纵向跟踪控制方法的流程图;
图2是本发明实施例二中的一种纵向跟踪控制装置的结构示意图;
图3是本发明实施例三中的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例一
图1为本发明实施例一提供的一种纵向跟踪控制方法的流程图,本实施例可适用于车辆纵向跟踪控制的情况,该方法可以由本发明实施例中的纵向跟踪控制装置来执行,该装置可采用软件和/或硬件的方式实现,如图1所示,该方法具体包括如下步骤:
S110,获取当前驾驶数据。
其中,所述当前驾驶数据包括:当前车速、当前加速度、当前行驶距离、当前车辆状态、本车和前车之间的距离、当前减速度、本车累计行驶时间以及前车车速中的至少一种。
其中,所述当前驾驶数据的获取方式可以为通过CAN总线获取的当前驾驶数据,也可以为通过车载传感器获取到的当前驾驶数据,本发明实施例对此不进行限制。
S120,根据所述当前驾驶数据确定驾驶风格。
其中,所述驾驶风格可以为保守型、一般型、激进型中的任一种。所述驾驶风格还可以根据用户需求设置其他类型,本发明实施例对此不进行限制。
具体的,根据当前驾驶数据确定驾驶风格的方式可以为获取驾驶数据样本;建立待训练决策树模块;根据所述驾驶数据样本训练所述待训练决策树模型,得到目标决策树模型;将所述当前驾驶数据输入所述目标决策树模型得到所述当前驾驶数据对应的驾驶风格。
S130,根据所述驾驶风格和所述当前驾驶数据确定本车的当前状态和本车期望加速度。
具体的,根据所述驾驶风格和所述当前驾驶数据确定本车的当前状态和本车期望加速度的方式可以为:根据所述驾驶风格确定第一距离;当本车与前车之间的距离大于第一距离时,确定本车进入加速跟进状态;根据如下公式确定本车第一期望加速度:其中,ah为第一期望加速度,εstyle为个性化指数,驾驶风格为保守型时εstyle=0.8,驾驶风格为一般型时εstyle=1,驾驶风格为激进型时εstyle=1.2,vCIPV为前车车速,v1为本车车速,vcali为标定车速。根据所述驾驶风格和所述当前驾驶数据确定本车的当前状态和本车期望加速度的方式还可以为:根据所述驾驶风格确定第一距离;当本车与前车之间的距离小于第一距离,且大于距离阈值时,确定本车进入跟随状态;根据如下公式确定本车第二期望加速度: 其中,bh为第二期望加速度,KCIPV为第一标定常数,Dcali为标定距离,Dreal为本车与前车之间距离,Dstyle为第一距离;当本车与前车之间距离小于距离阈值时,确定本车进入紧急制动状态;根据如下公式确定本车第三期望加速度:其中,ch为第三期望加速度,dcali为第二标定常数。
可选的,根据所述当前驾驶数据确定驾驶风格包括:
获取驾驶数据样本;
建立待训练决策树模块;
根据所述驾驶数据样本训练所述待训练决策树模型,得到目标决策树模型;
将所述当前驾驶数据输入所述目标决策树模型得到所述当前驾驶数据对应的驾驶风格。
可选的,获取驾驶数据样本包括:
获取历史驾驶数据;
对所述历史驾驶数据进行叠加,得到第一驾驶数据;
对所述第一驾驶数据进行关于采样时间的拟合,得到拟合函数;
根据所述拟合函数对所述第一驾驶数据采样间隔之间的数据进行补充,得到驾驶数据样本。
可选的,根据所述驾驶数据样本训练所述待训练决策树模型,得到目标决策树模型,包括:
根据所述驾驶数据样本建立特征数据库,其中,所述特征数据库包括:平均速度、平均加速度、平均减速度、速度标准差、加速度标准差、行驶里程、最大加速度、最大减速度、最大速度、怠速时间比、加速时间比、减速时间比、匀速时间比、低速时间比、中速时间比以及高速时间比中的至少一种;
基于所述特征数据库训练至少一个待训练决策树模型,得到至少一个目标决策树模型。
可选的,根据所述驾驶风格和所述当前驾驶数据确定本车的当前状态和本车期望加速度,包括:
根据所述驾驶风格确定第一距离;
当本车与前车之间的距离大于第一距离时,确定本车进入加速跟进状态;
根据如下公式确定本车第一期望加速度:
其中,ah为第一期望加速度,εstyle为个性化指数,驾驶风格为保守型时εstyle=0.8,驾驶风格为一般型时εstyle=1,驾驶风格为激进型时εstyle=1.2,vCIPV为前车车速,v1为本车车速,vcali为标定车速。
可选的,根据所述驾驶风格和所述当前驾驶数据确定本车的当前状态和本车期望加速度,包括:
根据所述驾驶风格确定第一距离;
当本车与前车之间的距离小于第一距离,且大于距离阈值时,确定本车进入跟随状态;
根据如下公式确定本车第二期望加速度:
其中,bh为第二期望加速度,KCIPV为第一标定常数,Dcali为标定距离,Dreal为本车与前车之间距离,Dstyle为第一距离;
当本车与前车之间距离小于距离阈值时,确定本车进入紧急制动状态;
根据如下公式确定本车第三期望加速度:
其中,ch为第三期望加速度,dcali为第二标定常数。
可选的,所述驾驶数据包括:速度、加速度、行驶距离、怠速状态、加速状态、减速状态、本车和前车之间的距离、减速度、本车累计行驶时间以及前车车速中的至少一种。
在一个具体的例子中,本发明提供的一种个性化的车辆纵向控制方法包括有如下几个步骤:
步骤1、数据预处理:试验采集获得历史驾驶数据x及后续主要数据如表1所示:
表1
序号k | 1 | 2 | … | m |
时间点t | t<sub>1</sub> | t<sub>2</sub> | … | t<sub>m</sub> |
驾驶数据x | x<sub>1</sub> | x<sub>2</sub> | … | x<sub>m</sub> |
叠加数据X | X<sub>1</sub> | X<sub>2</sub> | … | X<sub>m</sub> |
历史驾驶数据x为通过实车试验采集到的数据,但是受到数据采集设备的局限,采集的到的数据往往是离散形式的,数据间隔周期即为采样步长,为了得到更加全面、更加连续的驾驶数据,对历史驾驶数据x进行补充,首先对历史驾驶数据x进行叠加,得到第一驾驶数据,以增加数据的线性关系,方便进行后续的拟合操作,具体的,第一驾驶数据X由历史驾驶数据x通过叠加得到:
X1=x1
X2=x1+x2
X3=x1+x2+x3
……
Xm=x1+x2+x3+……+xm
对具备更佳线性关系的第一驾驶数据X进行关于采样时间t的拟合,在软件matlab中构建自变量向量:m个采样时间t=[t1、t2…tm],构建因变量向量:m个叠加数据X=[X1、X2…Xm]。
通过以下MATLAB程序确定拟合方程的阶数n:
for i=1:6
xx1=polyfit(t,X,i);
XX=polyval(xxy1,t);
if sum(XX-X)2<0.05
c=i
break;
end
end
进而能够得到在误差值平方和小于0.05时的拟合方程阶数n。
接下来在MATLAB窗口中输入函数:
yy2=polyfit(t,X,n)
按下回车键即可获得多项式拟合函数系数:
a0、a1……、an;
ai是对应的xn-i的系数,如此便可写出即可获得拟合函数:
补充后的叠加数据X如表2所示:
表2
时间点t | t<sub>1</sub> | t<sub>1.5</sub> | t<sub>2</sub> | … | t<sub>e</sub> | t<sub>f</sub> | t<sub>g</sub> | … | t<sub>m</sub> |
叠加数据X | X<sub>1</sub> | X<sub>1.5</sub> | X<sub>2</sub> | … | X<sub>e</sub> | X<sub>f</sub> | X<sub>g</sub> | … | X<sub>m</sub> |
进一步,利用第一驾驶数据X与历史驾驶数据x之间的关系,反求扩充后的驾驶数据样本:
x1=X1
x1.5=X1.5-X1
x2=X2-X1.5
……
xm=Xm-Xm-1
驾驶数据样本如表3所示:
表3
定义驾驶数据样本:
Y1=x1
Y2=x1.5
Y3=x2
……
Y2m-1=xm
驾驶数据样本如表4所示:
表4
后续步骤中,利用驾驶数据样本进行驾驶风格分析。
步骤2、驾驶风格分析
基于驾驶数据样本构建用于驾驶风格判断的特征参数库,特征参数库包含如下16个特征参数:
(1)平均速度:T秒内车辆速度的算术平均值,不包含车辆怠速状态;
(2)平均加速度:T秒内,车辆在加速状态下各单位时间(秒)加速度的算术平均值;
(3)平均减速度:T秒内,车辆在减速状态下各单位时间(秒)减速度的算术平均值;
(4)速度标准差:T秒内车辆速度的标准差,即包括怠速状态;
(5)加速度标准差:T秒内处在加速状态的车辆加速度的标准差;
(6)行驶里程:T秒内车辆的行驶距离;
(7)最大加速度:T秒内车辆在加速状态下加速度的最大值;
(8)最大减速度:T秒内车辆在减速状态下减速度的最大值;
(9)最大速度:T秒内车辆的速度的最大值;
(10)怠速时间比:T秒内,怠速状态的累计时间长度占总时间长度的百分比;
(11)加速时间比:T秒内,处在加速状态的累计时间长度占总时间长度的百分比;
(12)减速时间比:T秒内,处在减速状态的累计时间长度占总时间长度的百分比;
(13)匀速时间比:T秒内,处在匀速(车辆加速度的绝对值小于0.1m/s2非怠速的连续过程)状态的累计时间长度占总时间长度的百分比;
(14)低速时间比:T秒内,车辆行驶速度小于40km/h的累计时间长度占总时间长度的百分比;
(15)中速时间比:T秒内,车辆行驶速度介于40-70km/h的累计时间长度占该时间周期总时间长度的百分比;
(16)高速时间比:T秒内,车辆行驶速度大于70km/h的累计时间长度占该时间周期总时间长度的百分比;
其中,T表示时间周期,T的计算公式如下:
其中,KT为第一速度系数,CT为第一速度基数,CC为第一速度指数。
当实时车速大于100km/h时,KT=1.3,CT=20,CC=1.2;
当实时车速大于60km/h时、小于100km/h时,KT=1.8,CT=15,CC=1.5;
当实时车速小于60km/h时,KT=2.2,CT=8,CC=1.8;
基于训练用驾驶数据Y构建的特征参数库,训练N个决策树分类器,每次训练时,从16个特征参数中有放回的随机选择K个参数作为决策树分类器的输入参数,K的计算公式如下:
K=4×KN×CN DD;
其中,KN为第二速度系数,CN为第二速度基数,
当实时车速大于100km/h时,KN=1.3,CN=20;
当实时车速大于60km/h时且小于100km/h时,KN=1.8,CN=15;
当实时车速小于60km/h时,KN=2.2,CN=8;
其中,DD的数值在MATLAB下随机生成:
clear all
clc
warning off
b=randperm(8);
DD=b(1);%随机生成DD的数值。
然后,采用决策树实现驾驶风格模型的训练生成,具体在MATLAB下实现,具体的语言程序如下所示:
load data.mat%加载数据
a=randperm(50);
Train=data(a(1:25),:);
Test=data(a(6:end),:);
P_train=Train(:,K+1:end);
T_train=Train(:,K);
P_test=Test(:,K+1:end);
T_test=Test(:,K);
model=classRF_train(P_train,T_train);
重复运行50次上述程序,及共计生成50个驾驶风格辨识决策树,输入驾驶数据后,50个驾驶风格辨识决策树中每个决策树都能输出一个驾驶风格(保守型、一般型、激进型)辨识结果,对50个决策树输出的结果进行投票,得票数最多的驾驶风格(保守型、一般型、激进型)即认定为最终的驾驶风格判断结果。
步骤3、个性化纵向跟车控制:
当本车与前车之间距离Dreal大于第一距离Dstyle时(驾驶风格为保守型时Dstyle=28,驾驶风格为一般型时Dstyle=20,驾驶风格为激进型时Dstyle=16),本车进入加速跟进状态,本车第一期望加速度为:
其中,ah为第一期望加速度,εstyle为个性化指数,驾驶风格为保守型时εstyle=0.8,驾驶风格为一般型时εstyle=1,驾驶风格为激进型时εstyle=1.2,vCIPV为目标车车速,v1为本车车速,vcali为标定车速,标定车速取值可以为15,也可以为根据用户需求进行设定。
当本车与前车之间距离Dreal小于Dstyle且大于距离阈值时,其中,距离阈值可以为5m,本车进入跟随状态,本车期望加速度为:
当本车与前车之间的距离小于第一距离,且大于距离阈值时,确定本车进入跟随状态;
根据如下公式确定本车第二期望加速度:
其中,bh为第二期望加速度,KCIPV为第一标定常数,Dcali为标定距离,Dreal为本车与前车之间距离,Dstyle为第一距离;KCIPV取值可以为36.6,Dcali取值可以为8。
当本车与前车之间距离小于距离阈值时,确定本车进入紧急制动状态;
根据如下公式确定本车第三期望加速度:
其中,ch为第三期望加速度,dcali为第二标定常数,取值可以为2。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
个性化的车辆纵向控制方法的发明给车辆控制器的使用带来了的便利,本发明实施例通过数据挖掘和机器学习理论探究驾驶人驾驶习性特征规律,建立驾驶习性辨识和表征方案,进而考虑驾驶人驾驶习性设计、实现个性化的车辆纵向控制方法,让汽车的设计回归到以人为本,满足不同习惯特性的驾驶人的差异化需求,大幅度提高驾驶人满意度和舒适度,为驾驶人提供更好的驾驶体验,这对提高***适用性、保障汽车安全、减少交通事故具有重大意义。
本实施例的技术方案,通过获取当前驾驶数据;根据所述当前驾驶数据确定驾驶风格;根据所述驾驶风格和所述当前驾驶数据确定本车的当前状态和本车期望加速度,以实现能够满足不同习惯特性的驾驶人的差异化需求,大幅度提高驾驶人满意度和舒适度,为驾驶人提供更好的驾驶体验,这对提高***适用性、保障汽车安全、减少交通事故具有重大意义。
实施例二
图2为本发明实施例二提供的一种纵向跟踪控制装置的结构示意图。本实施例可适用于纵向跟踪控制的情况,该装置可采用软件和/或硬件的方式实现,该装置可集成在任何提供纵向跟踪控制功能的设备中,如图2所示,所述纵向跟踪控制装置具体包括:获取模块210、第一确定模块220和第二确定模块230。
其中,获取模块210,用于获取当前驾驶数据;
第一确定模块220,用于根据所述当前驾驶数据确定驾驶风格;
第二确定模块230,用于根据所述驾驶风格和所述当前驾驶数据确定本车的当前状态和本车期望加速度。
上述产品可执行本发明任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。
本实施例的技术方案,通过获取当前驾驶数据;根据所述当前驾驶数据确定驾驶风格;根据所述驾驶风格和所述当前驾驶数据确定本车的当前状态和本车期望加速度,以实现能够满足不同习惯特性的驾驶人的差异化需求,大幅度提高驾驶人满意度和舒适度,为驾驶人提供更好的驾驶体验,这对提高***适用性、保障汽车安全、减少交通事故具有重大意义。
实施例三
图3为本发明实施例三中的一种计算机设备的结构示意图。图3示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图3显示的计算机设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,***存储器28,连接不同***组件(包括***存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture,ISA)总线,微通道体系结构(Micro Channel Architecture,MCA)总线,增强型ISA总线、视频电子标准协会(Video Electronics Standards Association,VESA)局域总线以及***组件互连(Peripheral Component Interconnect,PCI)总线。
计算机设备12典型地包括多种计算机***可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
***存储器28可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(Random Access Memory,RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***34可以用于读写不可移动的、非易失性磁介质(图3未显示,通常称为“硬盘驱动器”)。尽管图3中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(只读光盘(Compact Disc-Read Only Memory,CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory,DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。***存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如***存储器28中,这样的程序模块42包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。另外,本实施例中的计算机设备12,显示器24不是作为独立个体存在,而是嵌入镜面中,在显示器24的显示面不予显示时,显示器24的显示面与镜面从视觉上融为一体。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network,LAN),广域网Wide AreaNetwork,WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks,RAID)***、磁带驱动器以及数据备份存储***等。
处理单元16通过运行存储在***存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的纵向跟踪控制方法:
获取当前驾驶数据;
根据所述当前驾驶数据确定驾驶风格;
根据所述驾驶风格和所述当前驾驶数据确定本车的当前状态和本车期望加速度。
实施例四
本发明实施例四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如本申请所有发明实施例提供的纵向跟踪控制方法:
获取当前驾驶数据;
根据所述当前驾驶数据确定驾驶风格;
根据所述驾驶风格和所述当前驾驶数据确定本车的当前状态和本车期望加速度。
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或者是上述两者的任意组合。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。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(Hyper Text TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
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发明操作的计算机程序代码,所述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)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种纵向跟踪控制方法,其特征在于,包括:
获取当前驾驶数据;
根据所述当前驾驶数据确定驾驶风格;
根据所述驾驶风格和所述当前驾驶数据确定本车的当前状态和本车期望加速度。
2.根据权利要求1所述的方法,其特征在于,根据所述当前驾驶数据确定驾驶风格包括:
获取驾驶数据样本;
建立待训练决策树模块;
根据所述驾驶数据样本训练所述待训练决策树模型,得到目标决策树模型;
将所述当前驾驶数据输入所述目标决策树模型得到所述当前驾驶数据对应的驾驶风格。
3.根据权利要求2所述的方法,其特征在于,获取驾驶数据样本包括:
获取历史驾驶数据;
对所述历史驾驶数据进行叠加,得到第一驾驶数据;
对所述第一驾驶数据进行关于采样时间的拟合,得到拟合函数;
根据所述拟合函数对所述第一驾驶数据采样间隔之间的数据进行补充,得到驾驶数据样本。
4.根据权利要求2所述的方法,其特征在于,根据所述驾驶数据样本训练所述待训练决策树模型,得到目标决策树模型,包括:
根据所述驾驶数据样本建立特征数据库,其中,所述特征数据库包括:平均速度、平均加速度、平均减速度、速度标准差、加速度标准差、行驶里程、最大加速度、最大减速度、最大速度、怠速时间比、加速时间比、减速时间比、匀速时间比、低速时间比、中速时间比以及高速时间比中的至少一种;
基于所述特征数据库训练至少一个待训练决策树模型,得到至少一个目标决策树模型。
7.根据权利要求1所述的方法,其特征在于,所述驾驶数据包括:车速、加速度、行驶距离、怠速状态、加速状态、减速状态、本车和前车之间的距离、减速度、本车累计行驶时间以及前车车速中的至少一种。
8.一种纵向跟踪控制装置,其特征在于,包括:
获取模块,用于获取当前驾驶数据;
第一确定模块,用于根据所述当前驾驶数据确定驾驶风格;
第二确定模块,用于根据所述驾驶风格和所述当前驾驶数据确定本车的当前状态和本车期望加速度。
9.一种计算机设备,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如权利要求1-7中任一所述的纵向跟踪控制方法。
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1-7中任一所述的纵向跟踪控制方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110519112.8A CN113060146B (zh) | 2021-05-12 | 2021-05-12 | 一种纵向跟踪控制方法、装置、设备及存储介质 |
PCT/CN2022/086059 WO2022237418A1 (zh) | 2021-05-12 | 2022-04-11 | 一种纵向跟踪控制方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110519112.8A CN113060146B (zh) | 2021-05-12 | 2021-05-12 | 一种纵向跟踪控制方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113060146A true CN113060146A (zh) | 2021-07-02 |
CN113060146B CN113060146B (zh) | 2023-04-07 |
Family
ID=76568345
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110519112.8A Active CN113060146B (zh) | 2021-05-12 | 2021-05-12 | 一种纵向跟踪控制方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113060146B (zh) |
WO (1) | WO2022237418A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113401125A (zh) * | 2021-07-29 | 2021-09-17 | 中国第一汽车股份有限公司 | 纵向跟车控制方法、装置、电子设备及存储介质 |
WO2022237418A1 (zh) * | 2021-05-12 | 2022-11-17 | 中国第一汽车股份有限公司 | 一种纵向跟踪控制方法、装置、设备及存储介质 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1170652A1 (fr) * | 2000-07-06 | 2002-01-09 | Renault | Procédé de régulation adaptive de la distance entre deux véhicules mobiles |
CN101405176A (zh) * | 2006-03-22 | 2009-04-08 | Gm全球科技运作股份有限公司 | 对驾驶方式敏感的车辆子***控制方法和装置 |
US20170369052A1 (en) * | 2014-12-29 | 2017-12-28 | Robert Bosch Gmbh | Systems and methods for operating autonomous vehicles using personalized driving profiles |
CN109624986A (zh) * | 2019-03-01 | 2019-04-16 | 吉林大学 | 一种基于模式切换的驾驶风格的学习巡航控制***及方法 |
US20190188467A1 (en) * | 2017-12-14 | 2019-06-20 | MAGNETI MARELLI S.p.A. | Method for recognizing the driving style of a driver of a land vehicle, and corresponding apparatus |
CN109927725A (zh) * | 2019-01-28 | 2019-06-25 | 吉林大学 | 一种具有驾驶风格学习能力的自适应巡航***及实现方法 |
CN111391830A (zh) * | 2018-12-29 | 2020-07-10 | 长城汽车股份有限公司 | 自动驾驶车辆的纵向决策***及纵向决策确定方法 |
CN111703423A (zh) * | 2019-03-18 | 2020-09-25 | 长城汽车股份有限公司 | 自动驾驶车辆的纵向控制安全监测方法及*** |
CN111703426A (zh) * | 2020-06-05 | 2020-09-25 | 中国第一汽车股份有限公司 | 一种车辆驾驶模式控制方法、装置、车载设备及存储介质 |
CN111797780A (zh) * | 2020-07-08 | 2020-10-20 | 中国第一汽车股份有限公司 | 一种跟车轨迹规划方法、装置、服务器及存储介质 |
CN111845744A (zh) * | 2020-06-24 | 2020-10-30 | 深圳中集智能科技有限公司 | 车辆跟随控制方法、装置、电子设备和存储介质 |
KR20200130773A (ko) * | 2019-05-03 | 2020-11-20 | 현대자동차주식회사 | 차량 자율 주행 제어 장치, 그를 포함한 시스템 및 그 방법 |
CN111994084A (zh) * | 2020-09-21 | 2020-11-27 | 华南理工大学 | 一种驾驶员驾驶风格识别方法及其***、存储介质 |
CN112109708A (zh) * | 2020-10-26 | 2020-12-22 | 吉林大学 | 一种考虑驾驶行为的自适应巡航控制***及其控制方法 |
CN112519788A (zh) * | 2019-09-19 | 2021-03-19 | 北京新能源汽车股份有限公司 | 一种驾驶风格的确定方法、装置及汽车 |
CN112677952A (zh) * | 2020-12-29 | 2021-04-20 | 上海汽车集团股份有限公司 | 一种智能驾驶控制方法及*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023344B (zh) * | 2016-06-06 | 2019-04-05 | 清华大学 | 基于驾驶模式转换概率的驾驶风格估计方法 |
CN111267847B (zh) * | 2020-02-11 | 2021-08-17 | 吉林大学 | 一种个性化的自适应巡航控制*** |
CN112721949B (zh) * | 2021-01-12 | 2022-07-12 | 重庆大学 | 一种自动驾驶车辆纵向驾驶拟人化程度评价方法 |
CN113060146B (zh) * | 2021-05-12 | 2023-04-07 | 中国第一汽车股份有限公司 | 一种纵向跟踪控制方法、装置、设备及存储介质 |
-
2021
- 2021-05-12 CN CN202110519112.8A patent/CN113060146B/zh active Active
-
2022
- 2022-04-11 WO PCT/CN2022/086059 patent/WO2022237418A1/zh active Application Filing
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1170652A1 (fr) * | 2000-07-06 | 2002-01-09 | Renault | Procédé de régulation adaptive de la distance entre deux véhicules mobiles |
CN101405176A (zh) * | 2006-03-22 | 2009-04-08 | Gm全球科技运作股份有限公司 | 对驾驶方式敏感的车辆子***控制方法和装置 |
US20170369052A1 (en) * | 2014-12-29 | 2017-12-28 | Robert Bosch Gmbh | Systems and methods for operating autonomous vehicles using personalized driving profiles |
US20190188467A1 (en) * | 2017-12-14 | 2019-06-20 | MAGNETI MARELLI S.p.A. | Method for recognizing the driving style of a driver of a land vehicle, and corresponding apparatus |
CN111391830A (zh) * | 2018-12-29 | 2020-07-10 | 长城汽车股份有限公司 | 自动驾驶车辆的纵向决策***及纵向决策确定方法 |
CN109927725A (zh) * | 2019-01-28 | 2019-06-25 | 吉林大学 | 一种具有驾驶风格学习能力的自适应巡航***及实现方法 |
CN109624986A (zh) * | 2019-03-01 | 2019-04-16 | 吉林大学 | 一种基于模式切换的驾驶风格的学习巡航控制***及方法 |
CN111703423A (zh) * | 2019-03-18 | 2020-09-25 | 长城汽车股份有限公司 | 自动驾驶车辆的纵向控制安全监测方法及*** |
KR20200130773A (ko) * | 2019-05-03 | 2020-11-20 | 현대자동차주식회사 | 차량 자율 주행 제어 장치, 그를 포함한 시스템 및 그 방법 |
CN112519788A (zh) * | 2019-09-19 | 2021-03-19 | 北京新能源汽车股份有限公司 | 一种驾驶风格的确定方法、装置及汽车 |
CN111703426A (zh) * | 2020-06-05 | 2020-09-25 | 中国第一汽车股份有限公司 | 一种车辆驾驶模式控制方法、装置、车载设备及存储介质 |
CN111845744A (zh) * | 2020-06-24 | 2020-10-30 | 深圳中集智能科技有限公司 | 车辆跟随控制方法、装置、电子设备和存储介质 |
CN111797780A (zh) * | 2020-07-08 | 2020-10-20 | 中国第一汽车股份有限公司 | 一种跟车轨迹规划方法、装置、服务器及存储介质 |
CN111994084A (zh) * | 2020-09-21 | 2020-11-27 | 华南理工大学 | 一种驾驶员驾驶风格识别方法及其***、存储介质 |
CN112109708A (zh) * | 2020-10-26 | 2020-12-22 | 吉林大学 | 一种考虑驾驶行为的自适应巡航控制***及其控制方法 |
CN112677952A (zh) * | 2020-12-29 | 2021-04-20 | 上海汽车集团股份有限公司 | 一种智能驾驶控制方法及*** |
Non-Patent Citations (2)
Title |
---|
朱冰等: "基于随机森林的驾驶人驾驶习性辨识策略", 《汽车工程》 * |
罗莉华;龚李龙;李平;王慧;: "考虑驾驶员行驶特性的双模式自适应巡航控制设计" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022237418A1 (zh) * | 2021-05-12 | 2022-11-17 | 中国第一汽车股份有限公司 | 一种纵向跟踪控制方法、装置、设备及存储介质 |
CN113401125A (zh) * | 2021-07-29 | 2021-09-17 | 中国第一汽车股份有限公司 | 纵向跟车控制方法、装置、电子设备及存储介质 |
WO2023005681A1 (zh) * | 2021-07-29 | 2023-02-02 | 中国第一汽车股份有限公司 | 纵向跟车控制方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113060146B (zh) | 2023-04-07 |
WO2022237418A1 (zh) | 2022-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11842404B2 (en) | Enhancement using analytics based on vehicle kinematic data | |
Jia et al. | Long short‐term memory and convolutional neural network for abnormal driving behaviour recognition | |
Wali et al. | The relationship between driving volatility in time to collision and crash-injury severity in a naturalistic driving environment | |
CN113060146B (zh) | 一种纵向跟踪控制方法、装置、设备及存储介质 | |
US20150051826A1 (en) | System and method for providing global positioning system (gps) feedback to a user | |
WO2020107894A1 (zh) | 一种驾驶行为评分方法、装置及计算机可读存储介质 | |
JP2021519980A (ja) | テレマティクスデータに基づく車両分類 | |
CN110304068B (zh) | 汽车行驶环境信息的采集方法、装置、设备和存储介质 | |
Xu et al. | Aggressive driving behavior prediction considering driver’s intention based on multivariate-temporal feature data | |
Varotto et al. | Adaptations in driver behaviour characteristics during control transitions from full-range Adaptive Cruise Control to manual driving: an on-road study | |
WO2016107876A1 (en) | Vehicular motion monitoring method | |
CN110969844A (zh) | 一种基于行车数据计算驾驶行为相似度的方法及应用 | |
CN111951560A (zh) | 服务异常检测方法、训练服务异常检测模型的方法和训练声音模型的方法 | |
Chelbi et al. | Worst-case scenarios identification approach for the evaluation of advanced driver assistance systems in intelligent/autonomous vehicles under multiple conditions | |
Wang et al. | Modeling aggressive driving behavior based on graph construction | |
CN111797755A (zh) | 一种汽车乘员情绪识别方法及电子设备 | |
Aldridge et al. | Intelligent vehicular networks, deep learning-based sensing technologies, and big data-driven algorithmic decision-making in smart transportation systems | |
Zheng et al. | Influence of driver characteristics on emissions and fuel consumption | |
Sentouh et al. | Advanced vehicle–infrastructure–driver speed profile for road departure accident prevention | |
CN113320537A (zh) | 一种车辆控制方法和*** | |
Wang et al. | Development of AEB control strategy for autonomous vehicles on snow-asphalt joint pavement | |
Tawfeek et al. | Location-based analysis of car-following behavior during braking using naturalistic driving data | |
Wang et al. | Developing a car-following model with consideration of driver’s behavior based on an Adaptive Neuro-Fuzzy Inference System | |
CN112373471B (zh) | 用于控制车辆行驶的方法、装置、电子设备和可读介质 | |
CN114228719A (zh) | 车辆辅助制动方法、电子设备及存储介质 |
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 |