详情

原文传递一种车辆的控制方法、模型的训练方法和装置

专利名称：	一种车辆的控制方法、模型的训练方法和装置
摘要：	本发明实施例公开了一种车辆的控制方法、模型的训练方法和装置。其中，车辆的控制方法包括：获取车辆的动态数据，所述动态数据包括当前初速度和期望加速度，所述期望加速度是通过预设比例积分PI控制算法根据期望速度和所述当前初速度得到的；根据所述动态数据和预设动力学拟合模型，确定所述车辆的执行器的开度，以控制车辆的纵向运动；其中，所述预设动力学拟合模型使得车辆的动态数据和车辆的执行器的开度相关联，所述执行器包括加速踏板和制动踏板。通过采用上述技术方案，在不需要车辆动力元件和对传统系统零部件的特征参数调节的情况下，能够准确控制车辆的纵向运动。
专利类型：	发明专利
国家地区组织代码：	江苏;32
申请人：	初速度(苏州)科技有限公司
发明人：	刘召栋;万登科;潘金文;牛晨骁
专利状态：	有效
申请日期：	2019-02-22T00:00:00+0800
发布日期：	2019-06-14T00:00:00+0800
申请号：	CN201910133675.6
公开号：	CN109878534A
代理机构：	北京挺立专利事务所(普通合伙)
代理人：	赵振
分类号：	B60W50/00(2006.01);B;B60;B60W;B60W50
申请人地址：	215131 江苏省苏州市相城区高铁新城南天成路88号天成信息大厦601-A32室
主权项：	1.一种车辆的控制方法，应用于自动驾驶，其特征在于，包括：获取车辆的动态数据，所述动态数据包括当前初速度和期望加速度，所述期望加速度是通过预设比例积分PI控制算法根据期望速度和所述当前初速度得到的；根据所述动态数据和预设动力学拟合模型，确定所述车辆的执行器的开度，以控制车辆的纵向运动；其中，所述预设动力学拟合模型使得车辆的动态数据和车辆的执行器的开度相关联，所述执行器包括加速踏板和制动踏板。 2.根据权利要求1所述的方法，其特征在于，所述预设动力学拟合模型通过如下方式构建：获取车辆的执行器在不同历史开度时所对应的历史动态数据，所述历史动态数据包括历史初速度和对应的历史期望加速度；对所述历史动态数据进行特征提取，得到特征序列；对所述历史开度执行标准化处理，并基于多个所述特征序列和对应的标准化后的历史开度生成训练样本集；利用所述训练样本集对预设神经网络模型进行训练，得到预设动力学拟合模型，所述预设动力学拟合模型使得所述训练样本集中每个历史动态数据和与该历史动态数据对应的标准化后的所述历史开度相关联。 3.一种动力学拟合模型的训练方法，应用于自动驾驶，其特征在于，包括：获取车辆的执行器在不同历史开度时所对应的历史动态数据，其中，所述历史动态数据包括历史初速度和对应的历史期望加速度；对所述历史动态数据进行特征提取，得到特征序列；基于多个所述特征序列和对应的车辆执行器的历史开度生成训练样本集；利用所述训练样本集对预设神经网络模型进行训练，得到动力学拟合模型，所述动力学拟合模型使得所述训练样本集中每个历史动态数据和与该历史动态数据对应的历史开度相关联。 4.根据权利要求3所述的方法，其特征在于，所述方法还包括：对各个历史开度执行标准化处理，使得制动踏板开度为-1-0之间的负值，加速踏板开度为0-1之间的正值；相应的，所述训练样本集基于多个所述特征序列和对应的标准化后的历史开度生成；相应的，所述动力学拟合模型使得所述训练样本集中每个历史动态数据和与该历史动态数据对应的标准化后的历史开度相关联。 5.根据权利要求4所述的方法，其特征在于，所述对各个历史开度执行标准化处理，包括：确定传感器所能够采集到的执行器的最大开度和最小开度；根据所述最大开度和所述最小开度对采集到的各个历史开度进行标准化处理。 6.根据权利要求3-5任一所述的方法，其特征在于，根据所述最大开度和所述最小开度对采集到的各个历史开度进行标准化处理，包括：将车辆的执行器的历史开度与所述最小开度作差，得到第一差值，并将所述最大开度和所述最小开度作差，得到第二差值；计算所述第一差值和所述第二差值的商；其中，对于加速踏板，所述第一差值和所述第二差值的商为标准化处理后加速踏板的历史开度；对于制动踏板，所述第一差值和所述第二差值的商为标准化处理后制动踏板的历史开度的相反数。 7.根据权利要求3-6任一所述的方法，其特征在于，所述动力学拟合模型包括隐藏层，所述隐藏层和所述动力学拟合模型的输入层均使用y＝tanh(x)作为激活函数；其中，对于所述输入层，x为动力学拟合模型中对输入数据进行线性变换后的输出，y为输入层的输出；对于所述隐藏层，x为输入层的输出，y为隐藏层的输出。 8.一种车辆的控制装置，应用于自动驾驶，其特征在于，包括：动态数据获取模块，被配置为获取车辆的动态数据，所述动态数据包括当前初速度和期望加速度，所述期望加速度是通过预设比例积分PI控制算法根据期望速度和所述当前初速度得到的；执行器开度确定模块，被配置为根据所述动态数据和预设动力学拟合模型，确定所述车辆的执行器的开度，以控制车辆的纵向运动；其中，所述预设动力学拟合模型使得车辆的动态数据和车辆的执行器的开度相关联，所述执行器包括加速踏板和制动踏板。 9.根据权利要求8所述的装置，其特征在于，所述预设动力学拟合模型通过如下方式构建：获取车辆的执行器在不同历史开度时所对应的历史动态数据，所述历史动态数据包括历史初速度和对应的历史期望加速度；对所述历史动态数据进行特征提取，得到特征序列；对所述历史开度执行标准化处理，并基于多个所述特征序列和对应的标准化后的历史开度生成训练样本集；利用所述训练样本集对预设神经网络模型进行训练，得到预设动力学拟合模型，所述预设动力学拟合模型使得所述训练样本集中每个历史动态数据和与该历史动态数据对应的标准化后的所述历史开度相关联。 10.一种动力学拟合模型的训练装置，应用于自动驾驶，其特征在于，包括：历史动态数据获取模块，被配置为获取车辆的执行器在不同历史开度时所对应的历史动态数据，其中，所述历史动态数据包括历史初速度和对应的历史期望加速度；特征数据确定模块，被配置为对所述历史动态数据进行特征提取，得到特征序列；训练样本集生成模块，被配置为基于多个所述特征序列和对应的车辆执行器的历史开度生成训练样本集；模型训练模块，被配置为利用所述训练样本集对预设神经网络模型进行训练，得到动力学拟合模型，所述动力学拟合模型使得所述训练样本集中每个历史动态数据和与该历史动态数据对应的历史开度相关联。 11.根据权利要求10所述的装置，其特征在于，所述装置还包括：标准化处理模块，被配置为对各个历史开度执行标准化处理，使得制动踏板开度为-1-0之间的负值，加速踏板开度为0-1之间的正值；相应的，相应的，所述训练样本集基于多个所述特征序列和对应的标准化后的历史开度生成；相应的，所述动力学拟合模型使得所述训练样本集中每个历史动态数据和与该历史动态数据对应的标准化后的历史开度相关联。 12.根据权利要求11所述的装置，其特征在于，所述标准化处理模块包括：最大开度和最小开度确定单元，被配置为确定传感器所能够采集到的执行器的最大开度和最小开度；标准化处理单元，被配置为根据所述最大开度和所述最小开度对采集到的各个历史开度进行标准化处理。 13.根据权利要求12所述的装置，其特征在于，所述标准化处理单元具体被配置为：将车辆的执行器的历史开度与所述最小开度作差，得到第一差值，并将所述最大开度和所述最小开度作差，得到第二差值；计算所述第一差值和所述第二差值的商；其中，对于加速踏板，所述第一差值和所述第二差值的商为标准化处理后加速踏板的历史开度；对于制动踏板，所述第一差值和所述第二差值的商为标准化处理后制动踏板的历史开度的相反数。 14.根据权利要求10-13任一所述的装置，其特征在于，所述动力学拟合模型包括隐藏层，所述隐藏层和所述动力学拟合模型的输入层均使用y＝tanh(x)作为激活函数；其中，对于所述输入层，x为动力学拟合模型中对输入数据进行线性变换后的输出，y为输入层的输出；对于所述隐藏层，x为输入层的输出，y为隐藏层的输出。
所属类别：	发明专利