CN104484911B - 基于QoE的个性化自动驾驶参数优化设定方法 - Google Patents

Abstract

基于QoE的个性化自动驾驶参数优化设定方法，采用如下步骤：1)路线分段及环境参数获取；2)从云端搜索与当前的环境参数近似的历史数据；3)基于QoE的个性化自动驾驶参数优化选择；4)自动驾驶参数设定。本发明利用存储在云端的相同型号车辆的历史行驶数据和道路信息，帮助新车快速设定驾驶参数和提高驾驶效率，具有时间更短，成本更低的优点。

Description

基于QoE的个性化自动驾驶参数优化设定方法

技术领域

本发明通过对存储在云端的相同型号车辆的历史行驶数据和道路信息的学习，提出了一种自动配置自动驾驶汽车行驶参数的方法，属于机器学习和智能控制领域。适用于为自动驾驶汽车提供基于云服务器的参数自动配置服务。

背景技术

随着汽车自动驾驶技术的不断成熟，自动驾驶车辆在未来具有广阔的市场应用价值。如何有效的配置行驶参数是亟待解决的重要问题，目前，通常让自动驾驶车辆在驾驶环境中通过一系列的训练学习获取相关参数。这种方法需要耗费大量的时间和财力针对不同的车辆单独进行学习和训练，训练时间长，成本也非常的高。

随着自动驾驶汽车智能化技术的发展，自动驾驶汽车不仅可以访问网络资源，而且还具有学习能力。但是，当前的汽车自动驾驶训练技术却不能充分利用每一辆汽车的智能特性，不能通过汽车物联网来改善汽车自动驾驶的训练与配置，而且这种驾驶参数的配置完全忽略了用户个性化的需求和用户体验质量(QoE)，难以保证乘客能在每一段路、每一次自动驾驶中都获得最佳的体验。

为了充分利用随时随刻都在生成的汽车行驶数据和提高用户体验质量，汽车的历史驾驶参数设置可以保存到云端服务器，并且可以被其他汽车共享和访问。如果一辆新的汽车将要在某一条高速公路上自动行驶，它可以从大量同一型号的汽车在这条高速公路上的自动驾驶历史数据中进行学习，获得最佳的自动驾驶参数，从而改进其自动驾驶的效率，如降低能耗、节省时间等。

发明内容

为了有效的配置自动驾驶汽车行驶参数，目前通常让自动驾驶车辆在驾驶环境中通过一系列的训练学习获取相关参数。这种方法需要耗费大量的时间和财力针对不同的车辆单独进行学习和训练，训练时间长，成本也非常的高，而且忽略了用户体验质量(QoE)。

本发明通过对存储在云端的相同型号车辆的历史行驶数据和道路信息的学习，提出了一种自动配置自动驾驶汽车行驶参数的方法，该方法根据驾驶员设定的出发点和目的地之间的道路坡度和弯曲度，将驾驶路线划分为多个不同的路段；然后从云端服务器获取当前路段相关的环境参数(如坡度、弯道、风向、天气、可视度等)；根据第二步获取的环境参数在云端寻找相似环境的历史行驶数据(如油门、方向、速度、档位等)；结合当前路段的特别需求和用户的体验而确定最优的行驶参数；最终设置自动驾驶汽车的驾驶参数。

本发明是通过如下技术方案来实现的。

基于QoE的个性化自动驾驶参数优化设定方法，本发明特征在于：采用如下步骤：

1)、路线分段及环境参数获取

在汽车行驶过程中行驶的路程的坡度、弯度、风向信息在不同路段是有所差异的；该步骤根据驾驶员设定的出发点和目的地之间的道路坡度和弯曲度，将驾驶路线划分为数个的行驶路段(路段个数根据弯道和坡道的个数决定)，在每一段行驶路段中拥有近似的坡度、弯度信息；根据GPS提供的这些路段的地形信息，获取该路段的环境信息特征向量：F_h＝{F_h1，F_h2，F_h3...F_hn}，n是向量的维度，该特征向量包含了道路弯曲度、坡度、宽度、路面状况、用户的体验质量、实时交通状况信息；考虑到每一个维度特征对参数设定的影响不一样，设每一维度特征具有一个权值，权值总和为1，并且满足：每一个路段近似认为其环境参数特征保持不变，即使用相同行驶参数进行行驶；

2)从云端搜索与当前的环境参数近似的历史数据

当云服务器段存储的驾驶参数历史记录超过一条，则采用常见的K-means聚类算法将其聚为M类并存储到服务器；当新的旅程行驶完成，会产生新的驾驶记录，该记录被存储到服务器，当新增记录数量大于1000条的时候，将所有记录重新进行聚类；对于每一个路段，计算该路段环境特征向量与M的聚类中心的距离，选取距离最近的3个类作为候选I_a，并在步骤中进行优化选择；其中距离采用如下公式计算：I_a＝argMin(D)；

其中，D＝Dis(F_c，F_irc)，i∈{1，2，3，...M}，M∈R；Dis(F_c，F_irc)＝||aF_c-aF_irc||；F_irc是第i个聚类中心，||·||表示向量距离算子；

3)基于QoE的个性化自动驾驶参数优化选择

根据步骤2的计算结果，从所有返回的历史参数集中选择最接近用户个性化需求的驾驶参数(或驾驶风格)历史记录应用到当前车辆中；(例如，如果用户希望省油，则优先选择具有最低的燃料消耗的驾驶参数，如果用户希望节省时间，则选择快速驾驶参数集合。)采用一个用户模型来描述车辆的车主的驾驶偏好；该用户模型是由用户的历史行驶参数的聚类获得其驾驶风格；采用聚集历史驱动参数到使用常见的聚类算法，如K均值或者K-median，并将其存储在云数据服务器；当新增记录数量大于1000条的时候，将所有记录重新进行聚类；在步骤2中选择了与当前驾驶环境最接近的3类驾驶参数作为候选；然后，根据这些驾驶参数对司机的QoE进行排序；然后根据QoE值的大小对相应的驾驶参数类进行排序，选择具有最佳QoE的驾驶参数设定为当前汽车的驾驶参数，然后开始自动驾驶；在每一次的驾驶过程中，通过监测血压、心跳和脑电波和内啡肽来测定用户的QoE值；(其他通过表情，语言和肢体语言和声音信息来计算QoE的方法也可以用到我们的驾驶参数优化系统。)

当我们得到内啡肽e和目前的平均生理信号向量{bp,h,bw}，其值已经归一化为0和1之间，通过比较其在驾驶某一段路前后的信号值的差异来估算出其QoE值。

$\mathrm{ev}=\frac{e-e_i}{e_i}$

$\mathrm{iv}=\frac{(\mathrm{bp}-{\mathrm{bp}}_i)+(h-h_i)+(\mathrm{bw}-{\mathrm{bw}}_i)}{{\mathrm{bp}}_i+h_i+{\mathrm{bw}}_i}$

其中ei,bpi,hi,和bwi表示内啡肽的含量和血压、心跳和脑电波最初的信号强度；利用ev和iv计算出其QoE值：

qoe＝ev×iv；

事实上，QoE还可以通过表情，语言和肢体语言和声音信息等计算，所有类似的计算方法都可以用到我们的驾驶参数优化系统中计算QoE。

4)自动驾驶参数设定

(由于现实中的环境参数和驾驶历史记录不能百分之百的匹配，)对步骤1到步骤3所获得的驾驶参数只是一个近似值设置，还需要根据驾驶过程中的实际情况进行微调；例如，如果所获得的驾驶参数的风阻比实际值低时，将适当增加发动机转速。另外，由于每一个分段路段的驾驶参数是分别获得的，将各个路段的驾驶参数之间变换进行平滑的过渡；将不同行驶路段的各个驾驶参数变化在5-10秒之间完成，以保证车辆的平稳运行。

本发明的有益效果是，相对于其他方法，本发明利用存储在云端的相同型号车辆的历史行驶数据和道路信息，帮助新车快速设定驾驶参数和提高驾驶效率，具有时间更短，成本更低的优点。

附图说明

图1是本发明的网络联接示意图；

图2是本发明的路段划分示意图一；

图3是本发明的路段划分示意图二；

图4是本发明的算法流程图。

图3中，11、角度划分间隔点；12、路段；13、自动驾驶汽车。

具体实施方式

现结合附图对本发明作进一步描述，本发明整个流程可以参考附图4，具体的实施步骤如下：

1)路线分段及环境参数获取

在汽车行驶过程中行驶的路程的坡度、弯度、风向等信息在不同路段是有所差异的。该步骤根据驾驶员设定的出发点和目的地之间的道路坡度和弯曲度，将驾驶路线划分为多个不同的行驶路段，在每一段行驶路段中拥有近似的坡度、弯度等信息，如图2所示。通过检测这些环境参数，获取该路段的环境信息特征向量：F_h＝{F_h1，F_h2，F_h2...F_hn}，n是向量的维度，该特征向量包含了道路弯曲度、坡度、宽度、路面状况、用户的体验质量、实时交通状况等信息；考虑到每一个维度特征对参数设定的影响不一样，设每一维度特征具有一个权值，权值总和为1，并且满足：每一个路段近似认为其环境参数特征保持不变，即使用相同行驶参数进行行驶；

2)从云端搜索与当前的环境参数近似的历史数据

如果云服务器段存储的驾驶参数历史记录超过一条，则采用常见的K-means聚类算法将其聚为M类并存储到服务器，在这里，其它类似的聚类算法也是可以的。当新的旅程行驶完成，会产生新的驾驶记录，该记录被存储到服务器，当新增记录数量大于1000条的时候，将所有记录重新进行聚类。

对于每一个路段，计算该路段环境特征向量与M的聚类中心的距离，选取距离最近的3个类作为候选I_a，并在步骤中进行优化选择；其中距离采用如下公式计算：

I_a＝argMin(D)；

其中，D＝Dis(F_c，F_irc)，i∈{1，2，3，...M}，M∈R；Dis(F_c，F_irc)＝||aF_c-aF_irc||；F_irc是第i个聚类中心，||·||表示向量距离算子；

3)基于QoE的个性化自动驾驶参数优化选择

根据步骤2的计算结果，从所有返回的历史参数集中选择最接近用户个性化需求的驾驶参数(或驾驶风格)历史记录应用到当前车辆中。例如，如果用户希望省油，则优先选择具有最低的燃料消耗的驾驶参数，如果用户希望节省时间，则选择快速驾驶参数集合。

例如使用一个用户模型来描述车辆的车主的驾驶偏好，该用户模型是由用户的历史行驶参数的聚类获得其驾驶风格，我们聚集历史驱动参数到使用常见的聚类算法，如K均值和k-median，在这里，其它类似的聚类算法也是可以的；并将其存储在云数据服务器。需要注意的是，当新增记录数量大于1000条的时候，将所有记录重新进行聚类。

为了确保每种类型的乘客在每一段路程都获得最好的用户体验(QoE)，在步骤2中我们选择了与当前驾驶环境最接近的3类驾驶参数作为候选。然后，我们根据这些驾驶参数对司机的QoE进行排序，QoE的计算在见公式。然后我们根据QoE值的大小对相应的驾驶参数类进行排序，选择具有最佳QoE的驾驶参数设定为当前汽车的驾驶参数，然后开始自动驾驶；

在每一次的驾驶过程中，我们持续监控驾驶员和乘客体内的内啡肽的含量和血压、心跳和脑电波等生理信号，内啡肽在体内的含量可以有效表明人体的快乐程度，从而可以通过监测血压、心跳和脑电波和内啡肽来测定用户的QoE值；

假设我们得到内啡肽e和目前的平均生理信号向量{bp,h,bw}，其值已经归一化为0和1之间，我们可以通过比较其在驾驶某一段路前后的信号值的差异来估算出其QoE值。

$\mathrm{ev}=\frac{e-e_i}{e_i}$

$\mathrm{iv}=\frac{(\mathrm{bp}-{\mathrm{bp}}_i)+(h-h_i)+(\mathrm{bw}-{\mathrm{bw}}_i)}{{\mathrm{bp}}_i+h_i+{\mathrm{bw}}_i}$

其中ei,bpi,hi,和bwi表示内啡肽的含量和血压、心跳和脑电波最初的信号强度。利用ev和iv计算出其QoE值：

qoe＝ev×iv

QoE还可以通过表情，语言和肢体语言和声音信息等计算，所有类似的计算方法都可以用到我们的驾驶参数优化系统中计算QoE。

4)自动驾驶参数设定

由于现实中的环境参数和驾驶历史记录不能百分之百的匹配，步骤1到步骤3所获得的驾驶参数只是一个近似值设置，还需要根据驾驶过程中的实际情况进行微调。例如，如果所获得的驾驶参数的风阻比实际值低时，将适当增加发动机转速。

另外，由于每一个分段路段的驾驶参数是分别获得的，在各个路段的驾驶参数之间变换需要平滑的过渡。在不同行驶路段的各个驾驶参数变化在5-10秒之间完成，以保证车辆的平稳运行。

Claims (1)

1.基于QoE的个性化自动驾驶参数优化设定方法，其特征在于：采用如下步骤：

1)路线分段及环境参数获取

在汽车行驶过程中行驶的路程的坡度、弯曲度、风向信息在不同路段是有所差异的；该步骤根据驾驶员设定的出发点和目的地之间的道路坡度和弯曲度，将驾驶路线划分为数个的行驶路段，在每一段行驶路段中拥有近似的坡度、弯曲度信息；根据GPS提供的这些路段的地形信息，获取该路段的环境信息特征向量：F_h＝{F_h1，F_h2，F_h3...F_hn}，n是向量的维度，该特征向量包含了道路弯曲度、坡度、宽度、路面状况、用户的体验质量、实时交通状况信息；考虑到每一个维度特征对参数设定的影响不一样，设每一维度特征具有一个权值，权值总和为1，并且满足：每一个路段近似认为其环境参数特征保持不变，即使用相同行驶参数进行行驶；

2)从云数据服务器搜索与当前的环境参数近似的历史数据

当云数据服务器存储的驾驶参数历史记录超过一条，则采用K-means聚类算法将其聚为M类并存储到云数据服务器；当新的旅程行驶完成，会产生新的驾驶记录，该记录被存储到云数据服务器，当新增记录数量大于1000条的时候，将所有记录重新进行聚类；对于每一个路段，计算该路段环境特征向量与M的聚类中心的距离，选取距离最近的3个类作为候选I_a，并在步骤3中进行优化选择；其中距离采用如下公式计算：I_a＝argMin(D)；

其中，D＝Dis(F_c，F_irc)，i∈{1，2，3，...M}，M∈R；Dis＝(F_c，F_irc)＝||aF_c-aF_irc||；F_irc是第i个聚类中心，||·||表示向量距离算子；

3)基于QoE的个性化自动驾驶参数优化选择

根据步骤2的计算结果，从所有返回的历史参数集中选择最接近用户个性化需求的驾驶参数历史记录应用到当前车辆中；采用一个用户模型来描述车辆的车主的驾驶偏好；该用户模型是由用户的历史行驶参数的聚类获得其驾驶风格；使用K-means聚类算法将用户历史行驶参数聚类，并将其存储在云数据服务器；当新增记录数量大于1000条的时候，将所有记录重新进行聚类；在步骤2中选择了与当前驾驶环境最接近的3类驾驶参数作为候选；然后，根据这些驾驶参数对司机的QoE进行排序；然后根据QoE值的大小对相应的驾驶参数类进行排序，选择具有最佳QoE的驾驶参数设定为当前汽车的驾驶参数，然后开始自动驾驶；在每一次的驾驶过程中，通过监测血压、心跳和脑电波和内啡肽来测定用户的QoE值；

当得到内啡肽e和目前的平均生理信号向量{bp,h,bw}，其值已经归一化为0和1之间，通过比较其在驾驶某一段路前后的信号值的差异来估算出其QoE值：

$ev=\frac{e-e_i}{e_i}$

$iv=\frac{(bp-{\mathrm{bp}}_i)+(h-h_i)+(bw-{\mathrm{bw}}_i)}{{\mathrm{bp}}_i+h_i+{\mathrm{bw}}_i}$

其中ei,bpi,hi和bwi分别表示内啡肽的含量和血压、心跳和脑电波最初的信号强度；利用ev和iv计算出其QoE值：

qoe＝ev×iv；

4)自动驾驶参数设定

对步骤1到步骤3所获得的驾驶参数，根据驾驶过程中的实际情况进行微调；将各个路段的驾驶参数之间变换进行平滑的过渡；将不同行驶路段的各个驾驶参数变化在5-10秒之间完成，以保证车辆的平稳运行。