CN113119984A - 高级驾驶辅助***和高级驾驶辅助方法 - Google Patents

高级驾驶辅助***和高级驾驶辅助方法 Download PDF

Info

Publication number
CN113119984A
CN113119984A CN201911415241.1A CN201911415241A CN113119984A CN 113119984 A CN113119984 A CN 113119984A CN 201911415241 A CN201911415241 A CN 201911415241A CN 113119984 A CN113119984 A CN 113119984A
Authority
CN
China
Prior art keywords
driving
driver
style model
training data
environment
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.)
Pending
Application number
CN201911415241.1A
Other languages
English (en)
Inventor
张帆
王海杰
龚杏雄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Robert Bosch GmbH filed Critical Robert Bosch GmbH
Priority to CN201911415241.1A priority Critical patent/CN113119984A/zh
Publication of CN113119984A publication Critical patent/CN113119984A/zh
Pending legal-status Critical Current

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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • B60W2050/0029—Mathematical model of the driver

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请涉及一种高级驾驶辅助***，包括：第一获取模块，获取且输出自车的驾驶环境的信号；第二获取模块，在驾驶员操纵自车时被激活，用以获取且输出驾驶员的驾驶行为的信号；训练数据生成模块，获取输出的驾驶环境和输出的驾驶员的驾驶行为，并且生成训练数据；信息处理模块，训练以及存储针对驾驶员的驾驶风格模型，驾驶风格模型描述驾驶环境与单个驾驶员的驾驶行为之间的对应关系，其中，信息处理中心在获得训练数据的情况下对驾驶风格模型进行训练和/或更新；以及决策模块，从信息处理中心下载对应于当前自车的驾驶员的驾驶风格模型，并且根据第一获取模块输出的驾驶环境通过驾驶风格模型输出对应于驾驶环境的驾驶行为。

Description

高级驾驶辅助***和高级驾驶辅助方法
技术领域
本申请涉及车辆的自动驾驶领域，具体而言，涉及一种高级驾驶辅助***和高级驾驶辅助方法。
背景技术
当前汽车行业的发展趋势是不断开发和完善越来越高级的驾驶辅助***（ADAS）。在此期间，汽车驾驶的舒适性和个性化对于高端车型来说越来越重要，根据驾驶员量身定制的驾驶辅助***成为目前的一个研究热点。
发明内容
本申请的目的在于实现或者至少推动现有技术中所提出的技术热点。
根据本申请的第一方面，提出一种高级驾驶辅助***，包括：
第一获取模块，所述第一获取模块获取且输出自车的驾驶环境的信号；
第二获取模块，所述第二获取模块在驾驶员操纵所述自车时被激活，用以获取且输出驾驶员的驾驶行为的信号；
训练数据生成模块，所述训练数据生成模块获取所述第一获取模块输出的驾驶环境和所述第二获取模块输出的驾驶员的驾驶行为，并且生成训练数据；
信息处理模块，所述信息处理模块训练以及存储针对驾驶员的驾驶风格模型，所述驾驶风格模型描述驾驶环境与单个驾驶员的驾驶行为之间的对应关系，其中，所述信息处理模块在获得所述训练数据的情况下对所述驾驶风格模型进行训练和/或更新；以及
决策模块，所述决策模块从所述信息处理模块下载对应于当前自车的驾驶员的驾驶风格模型，并且根据所述第一获取模块输出的驾驶环境通过所述驾驶风格模型输出对应于所述驾驶环境的驾驶行为。
根据本申请的第二方面，提出一种高级驾驶辅助方法，包括：
获取且输出自车的驾驶环境；
在驾驶员操纵所述自车时获取且输出驾驶员的驾驶行为；
获取所述驾驶环境和所述驾驶员的驾驶行为，并且生成训练数据；
训练以及存储针对驾驶员的驾驶风格模型，所述驾驶风格模型描述驾驶环境与单个驾驶员的驾驶行为之间的对应关系，在获得所述训练数据的情况下对所述驾驶风格模型进行训练和/或更新；以及
下载对应于当前自车的驾驶员的驾驶风格模型，并且根据所述驾驶环境通过所述驾驶风格模型输出对应于所述驾驶环境的驾驶行为。
根据本申请的第三方面，提出一种车辆，包括按照本申请的任一实施例所公开的高级驾驶辅助***。
根据本申请的第四方面，提出一种计算机可读存储介质，其中存储有计算机程序，其中，所述计算机程序能够由处理器执行按照本申请的任一实施例所描述的高级驾驶辅助方法的步骤。
根据本申请的第四方面，提出一种计算机设备，包括存储器、处理器和存储在存储器中并且能够由处理器执行的计算机程序，其中，所述处理器能够执行按照本申请的任一实施例所描述的高级驾驶辅助方法的步骤。
附图说明
参照附图，本发明的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于说明的目的，而并非意在对本发明的保护范围组成限制。此外，图中类似的数字用以表示类似的部件，其中：
图1示例性地示出按照本申请所公开的高级驾驶辅助***的结构框图；以及
图2示例性地示出按照本申请所公开的高级驾驶辅助方法的步骤流程图。
具体实施方式
本申请所公开的高级驾驶辅助***10能够根据驾驶自车的驾驶员所习惯的驾驶风格来“定制”车辆的自动驾驶行为。参照图1能够看出，本申请所公开的高级驾驶辅助***10包括第一获取模块1、第二获取模块2、训练数据生成模块3、信息处理模块4以及决策模块5。具体而言，高级驾驶辅助***10利用信息处理模块4训练出的符合当前驾驶员的驾驶风格模型来决策出对应当前的驾驶环境的符合驾驶员期望的驾驶行为。在本申请的范围中，驾驶风格模型理解为：通过其能够分别从不同的驾驶环境映射出一个驾驶员在该驾驶环境下的驾驶行为。也就是说，驾驶风格模型描述了驾驶环境与一个驾驶员的驾驶行为之间的一一对应关系。
在本申请的范围中，需要说明的是，“自车”指的是当前所研究的车辆、即本车。
在此，当前自车的驾驶环境由第一获取模块1获得，具体而言，第一获取模块1可以获取自车的传感器、例如雷达、摄像头、激光、高精地图以及IMU等利用传感器融合技术探测出的包括环境条件、即当前的天气、能见度、行驶路面的类型、曲率、高度、自车与周围障碍物以及目标的相对间距、相对速度等信息，从而能够得出自车当前在什么样的环境条件下行驶在什么样的路面情况中的驾驶环境信息。
高级驾驶辅助***10的第二获取模块2在驾驶员操纵自车时才被激活，也就是说，在并不是由驾驶员来驾驶自车的情况下，第二获取模块2并不会来获取自车的驾驶行为。在本申请的范围中，驾驶行为可以理解为包括涉及自车的加速度和加速度变化率等的一些信息。在此需要说明的是，加速度和加速度变化率分别指的都是矢量上的加速度和加速度变化率、即不仅包括沿着自车坐标系的纵向、横向以及竖向的加速度，还包括环绕自车坐标系的纵轴、横轴和竖轴的角加速度。
在第二获取模块2被激活而能够获得驾驶员的驾驶行为的情况下，训练数据生成模块3接收第一获取模块1所获得的自车的驾驶环境以及第二获取模块2所获得的驾驶员在以上驾驶环境下操纵自车所产生的驾驶行为，并且基于以上的驾驶环境和驾驶行为信息生成训练数据，并且将该训练数据输出用于训练出驾驶风格模型。也就是说，训练数据包括驾驶环境信息以及分别在不同的驾驶环境下对应的驾驶员的驾驶行为信息。
训练数据由此被传输至信息处理模块4。在本申请的范围中，信息处理模块4需要利用训练数据训练、储存以及更新驾驶风格模型、也就是说需要进行大量的数据处理和机器学习的工作。因此，信息处理模块4通常可以构造为云端的服务器和/或处理器，从而能够迅速地处理大量训练数据。
在本申请的一些实施例中，训练数据的一部分、例如70%的训练数据在此用于输入到训练模型（用于训练出驾驶风格模型的机器学习模型）中来训练出驾驶风格模型，而另一部分、例如30%的训练数据则用于验证和调整训练出的驾驶风格模型，从而使得该驾驶风格模型的可信度更高，用以更加安全和舒适地适应驾驶员的驾驶风格。
在本申请的一些实施例中，信息处理模块4还包括训练数据分类单元，其基于训练数据中不同的驾驶环境的特性来对训练数据进行分类。也就是说，例如训练数据分类单元能够基于不同的驾驶环境类型来将训练数据分为多个类别、例如针对弯道驾驶环境类型、拥堵路段驾驶环境类型。例如，训练数据分类单元能够根据行驶弯道路面的驾驶环境类型、即例如驾驶环境中涉及弯道的变量的大小等将该训练数据分类到驾驶环境类型为弯道路面的一类中。并且可选地，在本申请的范围中，针对不同的驾驶环境类型能够利用以上分类出的对应于其的训练数据通过不同的机器学习训练模型来训练出相应于该驾驶环境类型的驾驶风格模型。例如，信息处理模块4利用驾驶环境类型为弯道的训练数据中的驾驶环境以及驾驶行为作为机器学习训练模型的输入数据，而对于该弯道类别的训练数据能够采用特有的机器学习训练模型、例如弯道场景下的长短期记忆模型（Long Short Term Memory）来训练出驾驶风格模型。这种针对不同的驾驶环境类型所关注的驾驶行为的参量、例如加速度、自车的速度等来采取合适的机器学习训练模型的方式能够更加改善驾驶风格模型对驾驶员真实驾驶行为模拟的贴合度和可靠性。例如，在弯道行使的驾驶环境下，所关注的驾驶行为的参量可以是时域上速度的连续性，因此可以根据这一特性采用合适的训练模型、例如长短期记忆模型。
而根据本申请的高级驾驶辅助***10的决策模块5能够从信息处理模块4下载对应于当前自车的驾驶员的驾驶风格模型，并且根据第一获取模块1输出的驾驶环境通过所述驾驶风格模型输出对应于驾驶环境的驾驶行为。在本申请的范围中，决策模块5设置于车辆的控制器中，并且决策模块5仅仅根据从信息处理模块4下载的驾驶风格模型来基于当前的驾驶环境输出期望的驾驶行为。也就是说，决策模块5本身不进行驾驶风格模型的训练和更新，这样使得本申请的高级驾驶辅助***10能够更快地针对不同的驾驶环境作出符合驾驶员驾驶的风格的驾驶行为响应。此外，可以设置，决策模块5可以将训练数据发送至信息处理模块4，用以训练和/或更新驾驶风格模型。
在本申请的一些实施例中，能够考虑，在当前的驾驶员的由决策模块5下载的驾驶风格模型中没有覆盖到当前的驾驶环境所属的驾驶环境类型的情况下、也就是说驾驶员之前没有在以上所述的驾驶环境类型中有过驾驶行为（驾驶员之前没有在当前的驾驶环境所属的驾驶环境类型下操纵过车辆）或者在当前的驾驶环境类型下的训练数据较少且不足以形成针对当前的驾驶环境类型的驾驶员的驾驶风格模型的情况下，信息处理模块将存储的各个驾驶风格模型与该驾驶员在当前的驾驶环境之前的驾驶风格模型进行对比，选取与之前的驾驶风格模型最接近的驾驶风格模型作为推荐驾驶风格模型提供给决策模块5下载，决策模块5根据该推荐驾驶风格模型来输出该驾驶环境下的期望驾驶行为。在此，也就是说信息处理模块4选取的推荐驾驶风格模型满足以下的条件：1. 覆盖当前的驾驶环境所属的驾驶环境类型；且2. 该驾驶风格模型最接近于该驾驶员在当前的驾驶环境之前的驾驶风格模型。
在本申请的一些实施例中，还能够设置，当驾驶员自己操纵自车的情况下，决策模块5不再输出对应于驾驶环境的驾驶行为、也就是说决策模块5被置于“非活跃”状态。这能够保证驾驶员具有对车辆最高级别的操纵。
参照图2能够看出，本申请还公开了一种高级辅助驾驶方法，包括：
获取且输出自车的驾驶环境的信号S1；
在驾驶员操纵所述自车时获取且输出驾驶员的驾驶行为的信号S2；
获取所述驾驶环境和所述驾驶员的驾驶行为，并且生成训练数据S3；
训练以及存储针对驾驶员的驾驶风格模型，所述驾驶风格模型描述驾驶环境与单个驾驶员的驾驶行为之间的对应关系，其中，在获得所述训练数据的情况下对所述驾驶风格模型进行训练和/或更新S4；以及
下载对应于当前自车的驾驶员的驾驶风格模型，并且根据所述驾驶环境通过所述驾驶风格模型输出对应于所述驾驶环境的驾驶行为S5。
在本申请的范围中，驾驶风格模型理解为：通过其能够分别从不同的驾驶环境映射出一个驾驶员在该驾驶环境下的驾驶行为。也就是说，驾驶风格模型描述了驾驶环境与一个驾驶员的驾驶行为之间的一一对应关系。
在此，当前自车的驾驶环境利用传感器、例如雷达、摄像头、激光、高精地图以及IMU等例如通过传感器融合技术得出，其包括环境条件、即当前的天气、能见度、行驶路面的类型、曲率、高度、自车与周围障碍物和目标信息的相对间距、相对速度等信息。也就是说，驾驶环境能够表示自车当前在什么样的环境条件下行驶在什么样的路面情况中。
而在步骤S2在驾驶员操纵自车时才获取且输出驾驶员的驾驶行为的范围中，能够理解，在并不是由驾驶员来驾驶自车的情况下，并不会获取自车的驾驶行为的信号。在本申请的范围中，驾驶行为可以理解为包括涉及自车的速度、加速度和加速度变化率等的一些信息。在此需要说明的是，速度、加速度和加速度变化率分别指的都是矢量上的速度、加速度和加速度变化率、即不仅包括沿着自车坐标系的纵向、横向以及竖向的速度、加速度，还包括环绕自车坐标系的纵轴、横轴和竖轴的角速度、角加速度等。
在步骤S2能够获得驾驶员的驾驶行为的情况下，在步骤S3中，接收所获得的自车的驾驶环境以及所获得的驾驶员在以上驾驶环境下操纵自车所产生的驾驶行为，并且基于以上的驾驶环境和驾驶行为信息生成训练数据，并且将该训练数据输出用于训练出驾驶风格模型。也就是说，训练数据包括驾驶环境信息以及分别在不同的驾驶环境下对应的驾驶员的驾驶行为信息。
在本申请的范围中，在步骤S4中，需要利用训练数据训练、储存以及更新驾驶风格模型、也就是说需要进行大量的数据处理和机器学习的工作。因此，该步骤S4通常可以规定为在云端的服务器和/或处理器中进行，从而能够保证迅速地处理大量训练数据。
在本申请的一些实施例中，训练数据的一部分、例如70%的训练数据在此用于输入到训练模型（用于训练出驾驶风格模型的机器学习模型）中来训练出驾驶风格模型，而另一部分、例如30%的训练数据则用于验证和调整训练出的驾驶风格模型，从而使得该驾驶风格模型的可信度更高，用以更加安全和舒适地适应驾驶员的驾驶风格。
在本申请的一些实施例中，在步骤S4中还包括：基于训练数据中不同的驾驶环境的特性来对训练数据进行分类。也就是说，能够基于不同的驾驶环境类型来将训练数据分为多个类别、例如针对弯道驾驶环境类型、拥堵路段驾驶环境类型。例如，能够根据弯道路面驾驶环境类型的特性、即例如驾驶环境中涉及弯道的变量的大小等将该训练数据分类到驾驶环境类型为弯道路面的一类中。并且可选地，在本申请的范围中，针对以上分类出的不同驾驶环境类型可以利用对应的训练数据通过不同的机器学习训练模型来训练出相应于该驾驶环境类型的驾驶风格模型。例如，利用弯道驾驶环境类型下的训练数据中的驾驶环境以及驾驶行为作为机器学习训练模型的输入数据，而对于该弯道类别的训练数据能够采用特有的机器学习训练模型、例如弯道场景下的长短期记忆模型（Long Short TermMemory）来训练出驾驶风格模型。这种针对不同的驾驶环境类型所关注的驾驶行为的参量、例如加速度、自车的速度等来采取合适的机器学习训练模型的方式能够更加改善驾驶风格模型对驾驶员真实驾驶行为模拟的贴合度和可靠性。例如，在弯道行使的驾驶环境下，所关注的驾驶行为的参量可以是时域上速度的连续性，因此可以根据这一特性采用合适的训练模型、例如长短期记忆模型。
在步骤S5中，能够下载对应于当前自车的驾驶员的驾驶风格模型，并且根据获得的驾驶环境通过所述驾驶风格模型输出对应于驾驶环境的驾驶行为。在本申请的范围中，能够考虑，步骤S5在车辆的控制器中实施，并且仅仅根据下载的驾驶风格模型来基于当前的驾驶环境输出期望的驾驶行为。也就是说，步骤S5本身不进行驾驶风格模型的训练和更新，这样使得车辆能够更快地针对不同的驾驶环境作出符合驾驶员驾驶的风格的驾驶行为响应。
在本申请的一些实施例中，能够考虑，在针对该驾驶员的驾驶风格模型中没有覆盖到当前的驾驶环境所属的驾驶环境类型的情况下、也就是说驾驶员之前没有针对当前的驾驶环境所属的驾驶环境类型的驾驶行为（驾驶员之前没有在当前的驾驶环境类型下操纵过车辆）或者在当前的驾驶环境类型下的训练数据较少且不足以形成针对当前的驾驶环境的驾驶员的驾驶风格模型的情况下，步骤S4将存储的各个驾驶风格模型与该驾驶员在当前的驾驶环境之前的驾驶风格模型进行对比，选取与之前的驾驶风格模型最接近的驾驶风格模型作为推荐驾驶风格模型提供下载，并且根据该推荐驾驶风格模型来输出该驾驶环境下的期望驾驶行为。在此，也就是说选取的推荐驾驶风格模型满足以下的条件：1. 覆盖当前的驾驶环境所属的驾驶环境类型；且2. 该驾驶风格模型最接近于该驾驶员在当前的驾驶环境之前的驾驶风格模型。
在本申请的一些实施例中，还能够设置，当驾驶员自己操纵自车的情况下，步骤S5不再输出对应于驾驶环境的驾驶行为。这能够保证驾驶员具有对车辆最高级别的操纵。
此外，本申请还涉及一种计算机可读存储介质和/或计算机设备，其中的计算机程序上包括能够由处理器执行的按照本申请的任一实施例所述的高级驾驶辅助方法的步骤。

Claims (21)

1.一种高级驾驶辅助***（10），其特征在于，包括：
第一获取模块（1），所述第一获取模块（1）获取且输出自车的驾驶环境的信号；
第二获取模块（2），所述第二获取模块（2）在驾驶员操纵所述自车时被激活，用以获取且输出驾驶员的驾驶行为的信号；
训练数据生成模块（3），所述训练数据生成模块（3）获取所述第一获取模块（1）输出的驾驶环境和所述第二获取模块（2）输出的驾驶员的驾驶行为，并且生成训练数据；
信息处理模块（4），所述信息处理模块（4）训练以及存储针对驾驶员的驾驶风格模型，所述驾驶风格模型描述驾驶环境与单个驾驶员的驾驶行为之间的对应关系，其中，所述信息处理模块（4）在获得所述训练数据的情况下对所述驾驶风格模型进行训练和/或更新；以及
决策模块（5），所述决策模块（5）从所述信息处理模块（4）下载对应于当前自车的驾驶员的驾驶风格模型，并且根据所述第一获取模块（1）输出的驾驶环境通过所述驾驶风格模型输出对应于所述驾驶环境的驾驶行为。
2.按照权利要求1所述的高级驾驶辅助***（10），其特征在于，对于所述驾驶风格模型，使用所述训练数据来训练所述驾驶风格模型，并且而后通过所述训练数据来验证和/或调整训练出的驾驶风格模型。
3.按照权利要求1所述的高级驾驶辅助***（10），其特征在于，所述信息处理模块（4）还包括训练数据分类单元，其中，所述训练数据分类单元基于不同的驾驶环境类型的特性来对训练数据进行分类，从而分类出用于不同的驾驶环境类型的训练数据。
4.按照权利要求3所述的高级驾驶辅助***（10），其特征在于，针对不同的驾驶环境类型利用对应的训练数据通过不同的训练模型来训练出分别相应于不同的驾驶环境类型的驾驶风格模型。
5.按照权利要求1所述的高级驾驶辅助***（10），其特征在于，所述决策模块（5）在驾驶员操纵所述自车的情况下不输出所述对应于所述驾驶环境的驾驶行为。
6.按照权利要求4所述的高级驾驶辅助***（10），其特征在于，在所述驾驶风格模型没有覆盖到当前的驾驶环境所属的驾驶环境类型情况下，所述信息处理模块（4）从所存储的各个驾驶风格模型中选取出推荐驾驶风格模型，其对应地最接近于所述驾驶员在当前的驾驶环境之前的驾驶风格模型，并且将所述推荐驾驶风格模型传输给所述决策模块（5）。
7.按照权利要求1所述的高级驾驶辅助***（10），其特征在于，所述信息处理模块（4）设置在云端。
8.按照权利要求1所述的高级驾驶辅助***（10），其特征在于，所述驾驶环境包括环境条件、行驶路面的类型、曲率、高度、自车与周围障碍物的相对间距、相对速度。
9.按照权利要求1所述的高级驾驶辅助***（10），其特征在于，所述驾驶行为包括涉及所述自车的速度、加速度、加速度变化率的信息。
10.一种高级驾驶辅助方法，其特征在于，包括：
获取且输出自车的驾驶环境（S1）；
在驾驶员操纵所述自车时获取且输出驾驶员的驾驶行为（S2）；
获取所述驾驶环境和所述驾驶员的驾驶行为，并且生成训练数据（S3）；
训练以及存储针对驾驶员的驾驶风格模型，所述驾驶风格模型描述驾驶环境与单个驾驶员的驾驶行为之间的对应关系，在获得所述训练数据的情况下对所述驾驶风格模型进行训练和/或更新（S4）；以及
下载对应于当前自车的驾驶员的驾驶风格模型，并且根据所述驾驶环境通过所述驾驶风格模型输出对应于所述驾驶环境的驾驶行为（S5）。
11.按照权利要求10所述的高级驾驶辅助方法，其特征在于，对于所述驾驶风格模型，使用所述训练数据的一部分来训练所述驾驶风格模型，并且通过所述训练数据的另一部分来验证和/或调整训练出的驾驶风格模型。
12.按照权利要求10所述的高级驾驶辅助方法，其特征在于，在训练以及存储针对驾驶员的驾驶风格模型的步骤中，还包括：基于不同的驾驶环境类型的特性来对训练数据进行分类，从而分类出用于不同的驾驶环境类型的训练数据。
13.按照权利要求12所述的高级驾驶辅助方法，其特征在于，针对不同的驾驶环境类型利用对应的训练数据通过不同的训练模型来训练出分别相应于不同的驾驶环境类型的驾驶风格模型。
14.按照权利要求10所述的高级驾驶辅助方法，其特征在于，在驾驶员操纵所述自车的情况下不输出所述对应于所述驾驶环境的驾驶行为。
15.按照权利要求13所述的高级驾驶辅助方法，其特征在于，在所述驾驶风格模型没有覆盖到当前的驾驶环境所属的驾驶环境类型的情况下，在所述训练以及存储针对驾驶员的驾驶风格模型的步骤（S4）中，从所存储的各个驾驶风格模型中选取推荐驾驶风格模型，其对应地最接近于所述驾驶员在当前的驾驶环境之前的驾驶风格模型，并且提供所述推荐驾驶风格模型供下载。
16.按照权利要求15所述的高级驾驶辅助方法，其特征在于，所述训练以及存储针对驾驶员的驾驶风格模型的步骤（S4）在云端实施。
17.按照权利要求10所述的高级驾驶辅助方法，其特征在于，所述驾驶环境包括环境条件、行驶路面的类型、曲率、高度、自车与周围障碍物的相对间距、相对速度。
18.按照权利要求10所述的高级驾驶辅助方法，其特征在于，所述驾驶行为包括涉及所述自车的速度、加速度、加速度变化率的信息。
19.一种车辆，包括按照权利要求1至9中任一项所述的高级驾驶辅助***（10）。
20.一种计算机可读存储介质，其中存储有计算机程序，其中，所述计算机程序能够由处理器执行按照权利要求10至18中任一项所述的高级驾驶辅助方法的步骤。
21.一种计算机设备，包括存储器、处理器和存储在存储器中并且能够由处理器执行的计算机程序，其中，所述处理器执行所述程序时实现按照权利要求10至18中任一项所述的高级驾驶辅助方法的步骤。
CN201911415241.1A 2019-12-31 2019-12-31 高级驾驶辅助***和高级驾驶辅助方法 Pending CN113119984A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911415241.1A CN113119984A (zh) 2019-12-31 2019-12-31 高级驾驶辅助***和高级驾驶辅助方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911415241.1A CN113119984A (zh) 2019-12-31 2019-12-31 高级驾驶辅助***和高级驾驶辅助方法

Publications (1)

Publication Number Publication Date
CN113119984A true CN113119984A (zh) 2021-07-16

Family

ID=76770513

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911415241.1A Pending CN113119984A (zh) 2019-12-31 2019-12-31 高级驾驶辅助***和高级驾驶辅助方法

Country Status (1)

Country Link
CN (1) CN113119984A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113859244A (zh) * 2021-10-31 2021-12-31 东风商用车有限公司 一种发动机模式控制方法、装置、设备与存储介质
CN113895464A (zh) * 2021-12-07 2022-01-07 武汉理工大学 融合个性化驾驶风格的智能车驾驶地图生成方法及***

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113859244A (zh) * 2021-10-31 2021-12-31 东风商用车有限公司 一种发动机模式控制方法、装置、设备与存储介质
CN113859244B (zh) * 2021-10-31 2023-09-01 东风商用车有限公司 一种发动机模式控制方法、装置、设备与存储介质
CN113895464A (zh) * 2021-12-07 2022-01-07 武汉理工大学 融合个性化驾驶风格的智能车驾驶地图生成方法及***
CN113895464B (zh) * 2021-12-07 2022-04-08 武汉理工大学 融合个性化驾驶风格的智能车驾驶地图生成方法及***

Similar Documents

Publication Publication Date Title
JP6835772B2 (ja) ビークルの協調制御を提供するためのシステムおよび方法
CN108885836B (zh) 驾驶辅助装置、***、方法、控制装置、车辆及介质
CN109421738B (zh) 用于监视自主车辆的方法和装置
CN111532257B (zh) 用于补偿交通工具校准误差的方法和***
KR102303716B1 (ko) 차량-도로인프라 정보융합 기반 자율협력주행 방법 및 시스템
US11269329B2 (en) Dynamic model with learning based localization correction system
CN107368069B (zh) 基于车联网的自动驾驶控制策略的生成方法与生成装置
US9791857B2 (en) System and method for monitoring and alerting vehicle occupant to operating efficiencies of autonomous driving assistance systems
US11897505B2 (en) In-vehicle operation of simulation scenarios during autonomous vehicle runs
CN111923927B (zh) 用于交互感知交通场景预测的方法和装置
CN109421742A (zh) 用于监测自主车辆的方法和设备
JP2019510677A (ja) 運転者のルールベース型支援のための制御データ作成方法
KR20180063069A (ko) 운전 제어 장치 및 운전 제어 방법, 그리고 프로그램
CN110654396A (zh) 用于生成用于自主道路车辆的控制命令的方法和装置
US10752253B1 (en) Driver awareness detection system
CN110901656A (zh) 用于自动驾驶车辆控制的实验设计方法和***
US11900811B2 (en) Crowdsourcing road conditions from abnormal vehicle events
EP4129797A1 (en) Method and system for training an autonomous vehicle motion planning model
CN113119984A (zh) 高级驾驶辅助***和高级驾驶辅助方法
CN115907250A (zh) 用于调整自主驾驶车辆的运动规划器的基于学习的评论器
Weber et al. Approach for improved development of advanced driver assistance systems for future smart mobility concepts
WO2022004448A1 (ja) 情報処理装置、および情報処理方法、情報処理システム、並びにプログラム
US20230121905A1 (en) Information processing apparatus, information processing method, and program
WO2023286522A1 (ja) 処理システム、処理装置、処理方法、処理プログラム
JP7143538B2 (ja) 運転支援装置および運転支援方法

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