CN108216233A - 一种自适应巡航系统控制参数的标定方法及装置 - Google Patents
一种自适应巡航系统控制参数的标定方法及装置 Download PDFInfo
- Publication number
- CN108216233A CN108216233A CN201711458101.3A CN201711458101A CN108216233A CN 108216233 A CN108216233 A CN 108216233A CN 201711458101 A CN201711458101 A CN 201711458101A CN 108216233 A CN108216233 A CN 108216233A
- Authority
- CN
- China
- Prior art keywords
- data
- group
- vehicle
- training
- network model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000003062 neural network model Methods 0.000 claims abstract description 140
- 230000001133 acceleration Effects 0.000 claims abstract description 55
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 238000012216 screening Methods 0.000 claims description 58
- 230000003044 adaptive effect Effects 0.000 claims description 13
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 10
- 238000009795 derivation Methods 0.000 claims description 8
- 210000005036 nerve Anatomy 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 244000170916 Paeonia officinalis Species 0.000 description 1
- 235000006484 Paeonia officinalis Nutrition 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/14—Adaptive cruise control
- B60W30/143—Speed control
-
- 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
- B60W40/10—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 vehicle motion
- B60W40/107—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
- 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
- B60W2540/00—Input parameters relating to occupants
-
- 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
- B60W2540/00—Input parameters relating to occupants
- B60W2540/18—Steering angle
-
- 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
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4041—Position
-
- 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
- B60W2554/804—Relative 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
- B60W2720/00—Output or target parameters relating to overall vehicle dynamics
- B60W2720/10—Longitudinal speed
- B60W2720/106—Longitudinal acceleration
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种自适应巡航系统控制参数的标定方法及装置,所述方法通过获取本车行驶数据与前方车辆行驶数据,并将本车行驶数据与前方车辆行驶数据作为输入变量,输入到预先训练生成的深度神经网络模型中,可以快速、准确的获得自适应巡航系统控制参数;可见,利用预先训练生成的深度神经网络模型,能够将从多方面反映本车行驶情况的本车行驶数据,以及从多方面反映前方车辆行驶情况的前方车辆行驶数据作为输入变量,进而自动输出与之对应的自适应巡航系统控制参数,以便用其精准计算出令本车与前方车辆进入稳定状态所需的本车加速度值,有效提高了自适应巡航系统控制参数的标定速度与准确度。
Description
技术领域
本发明涉及汽车电子技术领域,更具体的说,是涉及一种自适应巡航系统控制参数的标定方法及装置。
背景技术
自适应巡航系统是一种智能化的自动控制系统,主要安装在车辆前部的车距传感器或雷达,用于在车辆行驶过程中,检测在本车前进道路上是否存在速度更慢的车辆,若存在速度更慢的车辆,自适应巡航系统会降低本车车速,控制本车与前方车辆的间隙达到预设目标距离,进而令本车与前方车辆均处于稳定状态,以避免发生车辆碰撞,与前车保持预设距离行驶。
自适应巡航系统为了令本车与前方车辆处于稳定状态,需要根据当前状态下本车与前方车辆的距离差、本车速度、前方车辆速度,稳定状态下的预设目标距离,以及自适应巡航系统控制参数,计算得到本车的加速度值,进而令本车按照计算出的加速度值行驶,以达到稳定状态。由此可知,自适应巡航系统控制参数的合理与否,直接影响着自适应巡航系统的性能。然而,目前往往是基于采集到的本车及前方车辆各自的行驶数据,采用人工标定的方法来获得自适应巡航系统控制参数,因而降低了自适应巡航系统控制参数的标定速度及准确度。
发明内容
有鉴于此,本发明提供了一种自适应巡航系统控制参数的标定方法及装置,提高了自适应巡航系统控制参数的标定速度及准确度。
为实现上述目的,本发明提供如下技术方案:
一种自适应巡航系统控制参数的标定方法,包括:
获取本车行驶数据与前方车辆行驶数据,其中,所述本车行驶数据包括本车的速度、时距值、目标距离、加速度、横摆角速度、方向盘转角、方向盘力矩、转向灯信号、油门踏板行程和刹车踏板行程,所述前方车辆行驶数据包括前方车辆的距离、速度、加速度、车辆类型、车辆宽度和车辆横向位置;
将所述本车行驶数据与所述前方车辆行驶数据输入到深度神经网络模型,获得自适应巡航系统控制参数,所述深度神经网络模型预先训练生成。
优选地,所述深度神经网络模型的训练过程包括:
按照第一预设时间间隔,采集预设时间段内第一组数的初始训练数据,每一组所述初始训练数据包括本车行驶训练数据和前方车辆行驶训练数据,所述本车行驶训练数据包括本车的速度、时距值、加速度、横摆角速度、方向盘转角、方向盘力矩、转向灯信号、油门踏板行程和刹车踏板行程,所述前方车辆行驶训练数据包括前方车辆的距离、速度、加速度、车辆类型、车辆宽度和车辆横向位置;
对采集到的所述第一组数的初始训练数据进行数据筛选,获得第二组数的筛选训练数据,所述第二组数小于或等于所述第一组数;
计算每一组所述筛选训练数据的自适应巡航系统控制参数,并将每一组所述筛选训练数据与对应的自适应巡航系统控制参数作为一组配对数据;
将所述配对数据输入到初始神经网络模型进行训练,获得所述深度神经网络模型。
优选地,所述计算每一组所述筛选训练数据的自适应巡航系统控制参数,包括:
依据每一组所述筛选训练数据中本车的时距值和前方车辆的速度,计算每一组所述筛选训练数据对应的本车的目标距离;
将每一组所述筛选训练数据中本车的速度、加速度,前方车辆的距离、速度,以及对应的本车的目标距离代入加速度计算公式,获得对应的训练方程,所述加速度计算公式为:
AX=k1×(d-G(Vtgt,HWSET))+k2×(Vtgt-Vego)
其中,AX为本车的加速度,Vego为本车的速度,G(Vtgt,HWSET)为本车的目标距离,d为前方车辆的距离,Vtgt为前方车辆的速度,k1与k2为未知的自适应巡航系统控制参数;
按照第二预设时间间隔,将所述第二组数的筛选训练数据的训练方程分组,获得第三组数的训练方程组,其中,所述第二预设时间间隔包括至少一个所述第一预设时间间隔,所述第三组数小于所述第二组数;
对每一组所述训练方程组进行求解运算,获得每一组所述训练方程组的解,作为所述训练方程组中每一个训练方程对应的所述筛选训练数据的自适应巡航系统控制参数。
优选地,所述将所述配对数据输入到初始神经网络模型进行训练,获得所述深度神经网络模型,包括:
将所述配对数据作为数据选取组,并从所述数据选取组中选取一组配对数据作为待训练数据;
将所述待训练数据输入到初始神经网络模型进行训练,获得控制参数输出量;
判断所述控制参数输出量与所述待训练数据中的自适应巡航系统控制参数是否相同;
若所述控制参数输出量与所述待训练数据中的自适应巡航系统控制参数不同,计算损失函数,所述损失函数为所述控制参数输出量与所述待训练数据中的自适应巡航系统控制参数的差的平方和;
利用Adam算法和所述损失函数,更新所述初始神经网络模型的隐藏层参数,并返回执行所述将所述待训练数据输入到初始神经网络模型进行训练,获得控制参数输出量,直到所述控制参数输出量与所述待训练数据中的自适应巡航系统控制参数相同,获得当前神经网络模型;
判断所述数据选取组中的配对数据的个数是否等于零;
若所述数据选取组中的配对数据的个数大于零,将所述当前神经网络模型作为所述初始神经网络模型,从所述数据选取组中剔除所述待训练数据,并返回执行所述从所述数据选取组中选取一组配对数据作为待训练数据;
若所述数据选取组中的配对数据的个数等于零,将所述当前神经网络模型作为所述深度神经网络模型。
一种自适应巡航系统控制参数的标定装置,包括:
获取模块,用于获取本车行驶数据与前方车辆行驶数据,其中,所述本车行驶数据包括本车的速度、时距值、目标距离、加速度、横摆角速度、方向盘转角、方向盘力矩、转向灯信号、油门踏板行程和刹车踏板行程,所述前方车辆行驶数据包括前方车辆的距离、速度、加速度、车辆类型、车辆宽度和车辆横向位置;
第一数据输入模块,用于将所述本车行驶数据与所述前方车辆行驶数据输入到深度神经网络模型,获得自适应巡航系统控制参数,所述深度神经网络模型预先训练生成。
优选地,所述标定装置还包括:
采集模块,用于按照第一预设时间间隔,采集预设时间段内第一组数的初始训练数据,每一组所述初始训练数据包括本车行驶训练数据和前方车辆行驶训练数据,所述本车行驶训练数据包括本车的速度、时距值、加速度、横摆角速度、方向盘转角、方向盘力矩、转向灯信号、油门踏板行程和刹车踏板行程,所述前方车辆行驶训练数据包括前方车辆的距离、速度、加速度、车辆类型、车辆宽度和车辆横向位置;
数据筛选模块,用于对采集到的所述第一组数的初始训练数据进行数据筛选,获得第二组数的筛选训练数据,所述第二组数小于或等于所述第一组数;
计算模块,用于计算每一组所述筛选训练数据的自适应巡航系统控制参数;
配对模块,用于将每一组所述筛选训练数据与对应的自适应巡航系统控制参数作为一组配对数据;
第二数据输入模块,用于将所述配对数据输入到初始神经网络模型进行训练,获得所述深度神经网络模型。
优选地,所述计算模块包括:
第一计算单元,用于依据每一组所述筛选训练数据中本车的时距值和前方车辆的速度,计算每一组所述筛选训练数据对应的本车的目标距离;
第二计算单元,用于将每一组所述筛选训练数据中本车的速度、加速度,前方车辆的距离、速度,以及对应的本车的目标距离代入加速度计算公式,获得对应的训练方程,所述加速度计算公式为:
AX=k1×(d-G(Vtgt,HWSET))+k2×(Vtgt-Vego)
其中,AX为本车的加速度,Vego为本车的速度,G(Vtgt,HWSET)为本车的目标距离,d为前方车辆的距离,Vtgt为前方车辆的速度,k1与k2为未知的自适应巡航系统控制参数;
分组单元,用于按照第二预设时间间隔,将所述第二组数的筛选训练数据的训练方程分组,获得第三组数的训练方程组,其中,所述第二预设时间间隔包括至少一个所述第一预设时间间隔,所述第三组数小于所述第二组数;
求解单元,用于对每一组所述训练方程组进行求解运算,获得每一组所述训练方程组的解,作为所述训练方程组中每一个训练方程对应的所述筛选训练数据的自适应巡航系统控制参数。
优选地,所述第二数据输入模块包括:
选取单元,用于将所述配对数据作为数据选取组,并从所述数据选取组中选取一组配对数据作为待训练数据;
数据输入单元,用于将所述待训练数据输入到初始神经网络模型进行训练,获得控制参数输出量;
第一判断单元,用于判断所述控制参数输出量与所述待训练数据中的自适应巡航系统控制参数是否相同;
第三计算单元,用于若所述控制参数输出量与所述待训练数据中的自适应巡航系统控制参数不同,计算损失函数,所述损失函数为所述控制参数输出量与所述待训练数据中的自适应巡航系统控制参数的差的平方和;
更新单元,用于利用Adam算法和所述损失函数,更新所述初始神经网络模型的隐藏层参数;
所述数据输入单元,还用于在所述更新单元利用Adam算法和所述损失函数,更新所述初始神经网络模型的隐藏层参数之后,将所述待训练数据输入到初始神经网络模型进行训练,获得控制参数输出量;
获取单元,用于若所述控制参数输出量与所述待训练数据中的自适应巡航系统控制参数相同,获得当前神经网络模型;
第二判断单元,用于在所述获取单元获得当前神经网络模型之后,判断所述数据选取组中的配对数据的个数是否等于零;
第一选择单元,用于若所述数据选取组中的配对数据的个数大于零,将所述当前神经网络模型作为所述初始神经网络模型,从所述数据选取组中剔除所述待训练数据;
所述选取单元,还用于在所述第一选择单元将所述当前神经网络模型作为所述初始神经网络模型,从所述数据选取组中剔除所述待训练数据之后,从所述数据选取组中选取一组配对数据作为待训练数据;
第二选择单元,用于若所述数据选取组中的配对数据的个数等于零,将所述当前神经网络模型作为所述深度神经网络模型。
经由上述的技术方案可知,与现有技术相比,本发明提供了一种自适应巡航系统控制参数的标定方法及装置,通过获取本车行驶数据与前方车辆行驶数据,并将本车行驶数据与前方车辆行驶数据作为输入变量,输入到预先训练生成的深度神经网络模型中,可以快速、准确的获得自适应巡航系统控制参数;可见,利用预先训练生成的深度神经网络模型,能够将从多方面反映本车行驶情况的本车行驶数据,以及从多方面反映前方车辆行驶情况的前方车辆行驶数据作为输入变量,进而自动输出与之对应的自适应巡航系统控制参数,以便用其精准计算出令本车与前方车辆进入稳定状态所需的本车加速度值,有效提高了自适应巡航系统控制参数的标定速度与准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种自适应巡航系统控制参数的标定方法的方法流程图;
图2为本发明实施例提供的一种深度神经网络模型的训练方法的方法流程图;
图3为本发明实施例提供的一种深度神经网络模型的获取方法的方法流程图;
图4为本发明实施例提供的一种自适应巡航系统控制参数的标定装置的结构示意图;
图5为本发明实施例提供的另一种自适应巡航系统控制参数的标定装置的结构示意图;
图6为本发明实施例提供的一种深度神经网络模型的获取装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅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前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种自适应巡航系统控制参数的标定方法,请参见附图1,所述方法具体包括以下步骤:
S101:获取本车行驶数据与前方车辆行驶数据,其中,所述本车行驶数据包括本车的速度、时距值、目标距离、加速度、横摆角速度、方向盘转角、方向盘力矩、转向灯信号、油门踏板行程和刹车踏板行程,所述前方车辆行驶数据包括前方车辆的距离、速度、加速度、车辆类型、车辆宽度和车辆横向位置;
具体的,本车行驶数据中的速度、加速度、横摆角速度属于本车的运动信号,可通过本车对应的传感器来实时获取;本车行驶数据中的时距值、方向盘转角、方向盘力矩、转向灯信号、油门踏板行程和刹车踏板行程属于本车驾驶员的控制信号,也可通过本车对应的传感器来实时获取。其中,本车行驶数据中的时距值可以预先设置;本车行驶数据中的目标距离可以是依据时距值与前方车辆的速度所生成的函数,可记为G(Vtgt,HWSET),Vtgt为前方车辆的速度,HWSET为本车驾驶员设置的跟车的时距值。
前方车辆行驶数据可通过本车内的对应传感器获取到。其中,前方车辆行驶数据中的车辆类型包括小轿车、卡车、公交车、摩托车、自行车等等;前方车辆行驶数据中的车辆横向位置是指前方车辆的中心轴线与本车的中心轴线之间的垂直距离差值,主要受由前方车辆的车辆宽度影响,可作为本车判断前车是否要驶离本车所在车道的依据。
S102:将所述本车行驶数据与所述前方车辆行驶数据输入到深度神经网络模型,获得自适应巡航系统控制参数,所述深度神经网络模型预先训练生成;
具体的,深度神经网络模型是预先训练生成的,其输入量是S101中获取到的本车行驶数据与前方车辆行驶数据,其输出量则为适用于本车与其前方车辆当前行驶状况的自适应巡航系统控制参数,以便本车自适应巡航系统利用其输出量,即自适应巡航系统控制参数,准确计算出令本车与前方车辆进入稳定状态所需的本车加速度值。
本发明提供了一种自适应巡航系统控制参数的标定方法,通过获取本车行驶数据与前方车辆行驶数据,并将本车行驶数据与前方车辆行驶数据作为输入变量,输入到预先训练生成的深度神经网络模型中,可以快速、准确的获得自适应巡航系统控制参数;可见,利用预先训练生成的深度神经网络模型,能够将从多方面反映本车行驶情况的本车行驶数据,以及从多方面反映前方车辆行驶情况的前方车辆行驶数据作为输入变量,进而自动输出与之对应的自适应巡航系统控制参数,以便用其精准计算出令本车与前方车辆进入稳定状态所需的本车加速度值,有效提高了自适应巡航系统控制参数的标定速度与准确度。
由于深度神经网络模型对于准确获得自适应巡航系统控制参数起到了决定性影响,因此如何通过训练生成深度神经网络模型,对于自适应巡航系统控制参数的标定过程至关重要。故针对S102,如图2所示,本发明实施例公开了一种深度神经网络模型的训练方法,所述方法具体包括以下步骤:
S201:按照第一预设时间间隔,采集预设时间段内第一组数的初始训练数据,每一组所述初始训练数据包括本车行驶训练数据和前方车辆行驶训练数据,所述本车行驶训练数据包括本车的速度、时距值、加速度、横摆角速度、方向盘转角、方向盘力矩、转向灯信号、油门踏板行程和刹车踏板行程,所述前方车辆行驶训练数据包括前方车辆的距离、速度、加速度、车辆类型、车辆宽度和车辆横向位置;
具体的,预设时间段可以是预先设定的一个时间段,如1小时、3小时等;而第一预设时间间隔则是预先设定的一个数据采集时间间隔值,如1秒;相应的,采集到的初始训练数据的组数,即第一组数为一个固定值。
下面针对按照第一预设时间间隔,采集预设时间段内的多组初始训练数据,进行举例说明:当预设时间段为1小时,第一预设时间间隔为1秒时,则每经过1秒,就采集一次当前时刻下的本车行驶训练数据和前方车辆行驶训练数据,并将采集到的数据作为一组初始训练数据,之后再经过1秒,则再次采集数据,获得下一组初始训练数据,直到时间总值达到1小时为止,此时,一共采集到3600组初始训练数据,即第一组数为3600组。
需要说明的是,采集到的预设时间段内的初始训练数据的组数为多组,且均是在驾驶员按照以下准则进行驾驶所产生的:
第一、不发生交通事故;第二、驾驶员和乘客乘坐舒适度高;第三、保持设定的时距值。
其次,采集到的预设时间段内的多组初始训练数据包括多种工况,如前方车辆刹车工况、前方车辆加速工况、前方车辆驶离本车所在车道工况、其他车辆驶入本车所在车道工况等,进而提高了采集到的预设时间段内的多组初始训练数据的适用性和准确性。
S202:对采集到的所述第一组数的初始训练数据进行数据筛选,获得第二组数的筛选训练数据,所述第二组数小于或等于所述第一组数;
具体的,数据筛选主要用于剔除不完整数据,如按照第一预设时间间隔所采集到的一组初始训练数据中出现数据缺失情况,则剔除该组初始训练数据。
需要说明的是,经过数据筛选后获得的筛选训练数据为多组;当第一组数的初始训练数据中存在不完整数据,则经过数据筛选后获得的筛选训练数据的组数要小于初始训练数据的组数,即第二组数小于第一组数;当第一组数的初始训练数据中不存在不完整数据,则经过数据筛选后获得的筛选训练数据与初始训练数据的组数相同,即第二组数等于第一组数。
S203:依据每一组所述筛选训练数据中本车的时距值和前方车辆的速度,计算每一组所述筛选训练数据对应的本车的目标距离;
具体的,本车的目标距离可以是依据时距值与前方车辆的速度所生成的函数,可记为G(Vtgt,HWSET),Vtgt为前方车辆的速度,HWSET为本车驾驶员设置的跟车的时距值。其中,本车的目标距离G(Vtgt,HWSET)可设置为前方车辆的速度与本车的时距值的乘积,即G(Vtgt,HWSET)=Vtgt×HWSET;也可设置为前方车辆的速度与本车的时距值的乘积,再加上合适的清空距离DClearance,即
S204:将每一组所述筛选训练数据中本车的速度、加速度,前方车辆的距离、速度,以及对应的本车的目标距离代入加速度计算公式,获得对应的训练方程,所述加速度计算公式为:
AX=k1×(d-G(Vtgt,HWSET))+k2×(Vtgt-Vego)
其中,AX为本车的加速度,Vego为本车的速度,G(Vtgt,HWSET)为本车的目标距离,d为前方车辆的距离,Vtgt为前方车辆的速度,k1与k2为未知的自适应巡航系统控制参数;
需要说明的是,在将每一组所述筛选训练数据中本车的速度、加速度,前方车辆的距离、速度,以及对应的本车的目标距离代入加速度计算公式后,所获得的与之对应的训练方程中,k1与k2是两个未知量,需要进行相关计算来确定出每一组筛选训练数据所对应的自适应巡航系统控制参数的具体数值,即k1与k2。
S205:按照第二预设时间间隔,将所述第二组数的筛选训练数据的训练方程分组,获得第三组数的训练方程组,其中,所述第二预设时间间隔包括至少一个所述第一预设时间间隔,所述第三组数小于所述第二组数;
具体的,第二预设时间间隔是第一预设时间间隔整数倍的一个时间间隔值,如第一预设时间间隔为0.1秒,则第二预设时间间隔为0.3秒。
下面针对按照第二预设时间间隔,将所述第二组数的筛选训练数据的训练方程分组,获得第三组数的训练方程组,进行举例说明:当第一预设时间间隔为0.1秒,第二预设时间间隔为0.3秒时,从0开始,将0-0.3秒采集到的筛选训练数据的训练方程分为一组,作为一组训练方程组,之后将0.4秒-0.6秒采集到的筛选训练数据的训练方程分为一组,作为下一组训练方程组,直到将全部的训练方程均进行了分组为止。
S206:对每一组所述训练方程组进行求解运算,获得每一组所述训练方程组的解,作为所述训练方程组中每一个训练方程对应的所述筛选训练数据的自适应巡航系统控制参数,并将每一组所述筛选训练数据与对应的自适应巡航系统控制参数作为一组配对数据;
举例说明,若每一组训练方程组中包含4个训练方程,则令这4个训练方程两两组合求解,获得6组自适应巡航系统控制参数(k1,k2),之后令6组自适应巡航系统控制参数中的6个k1相加求平均值令6组自适应巡航系统控制参数中的6个k2相加求平均值进而将自适应巡航系统控制参数 作为该组训练方程组中每一个训练方程对应的筛选训练数据的自适应巡航系统控制参数。
S207:将所述配对数据输入到初始神经网络模型进行训练,获得所述深度神经网络模型。
具体的,初始神经网络可以是预先建立的一个神经网络模型,该神经网络模型中的输入层数据即为每一组配对数据中的筛选训练数据,输出层数据即为对应筛选训练数据的自适应巡航系统控制参数;其中,输出层数据可设定为Softmax函数输出,进而令输出层数据的取值范围为[0,1];隐藏层的个数至少为3个。通过将多组配对数据输入到初始神经网络模型进行训练,可以不断调整该神经网络模型中隐藏层参数;当将配对数据中的筛选训练数据输入到训练中的神经网络模型后,可以获得与该筛选训练数据对应的自适应巡航系统控制参数,则证明当前神经网络模型中的隐藏层参数不再需要调整,即当前神经网络模型为最终获得的深度神经网络模型。
以上步骤S203~步骤S206仅仅是本发明实施例公开的“计算每一组所述筛选训练数据的自适应巡航系统控制参数”过程的一种优选的实现方式,有关此过程的具体实现方式可根据实际需求任意设置,在此不做限定。
本发明实施例中,通过对采集到的第一组数的初始训练数据进行数据筛选,获得第二组数的筛选训练数据,之后依次计算出每一组筛选训练数据对应的本车的目标距离及训练方程,并按照第二预设时间间隔,将第二组数的筛选训练数据的训练方程分组,获得第三组数的训练方程组,再对每一组训练方程组进行求解运算,以获得每一组训练方程组的解,作为训练方程组中每一个训练方程对应的筛选训练数据的自适应巡航系统控制参数,以便将筛选训练数据与对应的自适应巡航系统控制参数作为一组配对数据,输入到初始神经网络模型进行训练,获得深度神经网络模型;可见,将多组筛选训练数据及其对应计算出的自适应巡航系统控制参数作为配对数据,输入到初始神经网络模型进行训练,可以不断调整初始神经网络模型中的隐藏层参数,进而训练出适用于多种工况下的本车行驶数据与前方车辆行驶数据的深度神经网络模型,有效解决了因人工标定所导致的标定速度缓慢,以及标定准确度不高的问题。
请参见附图3,针对上述附图2所对应实施例中的S207:将所述配对数据输入到初始神经网络模型进行训练,获得所述深度神经网络模型,本发明实施例公开了一种深度神经网络模型的获取方法,所述方法具体包括以下步骤:
S301:将所述配对数据作为数据选取组,并从所述数据选取组中选取一组配对数据作为待训练数据。
S302:将所述待训练数据输入到初始神经网络模型进行训练,获得控制参数输出量。
S303:判断所述控制参数输出量与所述待训练数据中的自适应巡航系统控制参数是否相同,若否,则执行S304,若是,则执行S305。
S304:计算损失函数,所述损失函数为所述控制参数输出量与所述待训练数据中的自适应巡航系统控制参数的差的平方和,并执行S306;
举例说明,S302中获得的控制参数输出量为k1′和k2′,待训练数据所对应的自适应巡航系统控制参数为k1和k2,则令k1-k1′=Δk1,k2-k2′=Δk2,再将相减后的Δk1与Δk2分别进行平方后加和,进而获得损失函数Δk1 2+Δk2 2。
S305:获得当前神经网络模型,并执行S307;
具体的,若控制参数输出量与待训练数据中的自适应巡航系统控制参数相同,证明利用当前选取的待训练数据对初始神经网络模型进行的训练已成功。
S306:利用Adam算法和所述损失函数,更新所述初始神经网络模型的隐藏层参数,并返回执行S302;
举例说明,利用Adam算法,可以将S304获得的损失函数与初始神经网络模型的隐藏层参数进行加、减、乘、除其中的任意一项或多项计算,从而实现对隐藏层参数的更新操作。
S307:判断所述数据选取组中的配对数据的个数是否等于零,若否,则执行S308,若是,则执行S309。
S308:将所述当前神经网络模型作为所述初始神经网络模型,从所述数据选取组中剔除所述待训练数据,得到更新后的数据选取组,并返回执行S301;
具体的,若数据选取组中的配对数据的个数大于零,证明仍需要从剩余的配对数据所组成的数据选取组中选取出一个配对数据,作为下一次训练的待训练数据。
需要说明的是,下一次进行训练的待训练数据的初始神经网络模型为其上一次训练获得的当前神经网络模型,从而实现了对初始神经网络模型,利用多组待训练数据不断训练的目的,提高了最终获得的深度神经网络模型的准确性。
S309:将所述当前神经网络模型作为所述深度神经网络模型;
具体的,若判断数据选取组中的配对数据的个数等于零,证明已实现了利用多组配对数据对初始神经网络模型不断进行训练的目的,此时获得的深度神经网络模型能够适应大量工况,具备较高的适应性和准确性。
本发明实施例中,通过从多组配对数据组成的数据选取组中依次选取一组配对数据作为待训练数据,输入到初始神经网络模型进行训练,并将获得的控制参数输出量与该待训练数据中的自适应巡航系统控制参数进行比较,若相同,则获得当前神经网络模型,再对数据选取组中的配对数据的个数是否等于零进行判断,若大于零,则将该当前神经网络模型作为初始神经网络模型,从数据选取组中剔除待训练数据,并返回执行从数据选取组中选取一组配对数据作为待训练数据,直到判断出数据选取组中的配对数据的个数等于零,则将此时获得的当前神经网络模型作为深度神经网络模型;可见,将多组配对数据中的每一组配对数据依次作为待训练数据,输入到初始神经网络模型进行训练,能够确保经过多次训练所得的深度神经网络模型适应多种复杂工况,进而提升了深度神经网络模型的适应性和准确性。
本发明实施例公开了一种自适应巡航系统控制参数的标定装置,请参见附图4,包括:
获取模块401,用于获取本车行驶数据与前方车辆行驶数据,其中,所述本车行驶数据包括本车的速度、时距值、目标距离、加速度、横摆角速度、方向盘转角、方向盘力矩、转向灯信号、油门踏板行程和刹车踏板行程,所述前方车辆行驶数据包括前方车辆的距离、速度、加速度、车辆类型、车辆宽度和车辆横向位置;
第一数据输入模块402,用于将所述本车行驶数据与所述前方车辆行驶数据输入到深度神经网络模型,获得自适应巡航系统控制参数,所述深度神经网络模型预先训练生成。
本发明提供了一种自适应巡航系统控制参数的标定装置,通过获取模块401获取本车行驶数据与前方车辆行驶数据,并由第一数据输入模块402将本车行驶数据与前方车辆行驶数据作为输入变量,输入到预先训练生成的深度神经网络模型中,可以快速、准确的获得自适应巡航系统控制参数;可见,利用预先训练生成的深度神经网络模型,能够将从多方面反映本车行驶情况的本车行驶数据,以及从多方面反映前方车辆行驶情况的前方车辆行驶数据作为输入变量,进而自动输出与之对应的自适应巡航系统控制参数,以便用其精准计算出令本车与前方车辆进入稳定状态所需的本车加速度值,有效提高了自适应巡航系统控制参数的标定速度与准确度。
本发明实施例提供的各个模块的工作过程,请参照附图1所对应的方法流程图,具体工作过程不再赘述。
在上述附图4所对应实施例的基础上,本发明实施例公开了另一种自适应巡航系统控制参数的标定装置,请参见附图5,包括:
获取模块401,第一数据输入模块402,采集模块403,数据筛选模块404,计算模块405,配对模块406,第二数据输入模块407;
其中,所述采集模块403,用于按照第一预设时间间隔,采集预设时间段内第一组数的初始训练数据,每一组所述初始训练数据包括本车行驶训练数据和前方车辆行驶训练数据,所述本车行驶训练数据包括本车的速度、时距值、加速度、横摆角速度、方向盘转角、方向盘力矩、转向灯信号、油门踏板行程和刹车踏板行程,所述前方车辆行驶训练数据包括前方车辆的距离、速度、加速度、车辆类型、车辆宽度和车辆横向位置;
数据筛选模块404,用于对采集到的所述第一组数的初始训练数据进行数据筛选,获得第二组数的筛选训练数据,所述第二组数小于或等于所述第一组数;
计算模块405,用于计算每一组所述筛选训练数据的自适应巡航系统控制参数;
配对模块406,用于将每一组所述筛选训练数据与对应的自适应巡航系统控制参数作为一组配对数据;
第二数据输入模块407,用于将所述配对数据输入到初始神经网络模型进行训练,获得所述深度神经网络模型。
所述计算模块405包括:
第一计算单元4051,用于依据每一组所述筛选训练数据中本车的时距值和前方车辆的速度,计算每一组所述筛选训练数据对应的本车的目标距离;
第二计算单元4052,用于将每一组所述筛选训练数据中本车的速度、加速度,前方车辆的距离、速度,以及对应的本车的目标距离代入加速度计算公式,获得对应的训练方程,所述加速度计算公式为:
AX=k1×(d-G(Vtgt,HWSET))+k2×(Vtgt-Vego)
其中,AX为本车的加速度,Vego为本车的速度,G(Vtgt,HWSET)为本车的目标距离,d为前方车辆的距离,Vtgt为前方车辆的速度,k1与k2为未知的自适应巡航系统控制参数;
分组单元4053,用于按照第二预设时间间隔,将所述第二组数的筛选训练数据的训练方程分组,获得第三组数的训练方程组,其中,所述第二预设时间间隔包括至少一个所述第一预设时间间隔,所述第三组数小于所述第二组数;
求解单元4054,用于对每一组所述训练方程组进行求解运算,获得每一组所述训练方程组的解,作为所述训练方程组中每一个训练方程对应的所述筛选训练数据的自适应巡航系统控制参数。
本发明实施例中,通过数据筛选模块404对采集模块403采集到的第一组数的初始训练数据进行数据筛选,获得第二组数的筛选训练数据,之后第一计算单元4051、第二计算单元4052分别计算出每一组筛选训练数据对应的本车的目标距离及训练方程,再由分组单元4053按照第二预设时间间隔,将第二组数的筛选训练数据的训练方程分组,获得第三组数的训练方程组,求解单元4054再对每一组训练方程组进行求解运算,以获得每一组训练方程组的解,作为训练方程组中每一个训练方程对应的筛选训练数据的自适应巡航系统控制参数,以便配对模块406将筛选训练数据与对应的自适应巡航系统控制参数作为一组配对数据,经由第二数据输入模块407输入到初始神经网络模型进行训练,获得深度神经网络模型;可见,将多组筛选训练数据及其对应计算出的自适应巡航系统控制参数作为配对数据,输入到初始神经网络模型进行训练,可以不断调整初始神经网络模型中的隐藏层参数,进而训练出适用于多种工况下的本车行驶数据与前方车辆行驶数据的深度神经网络模型,有效解决了因人工标定所导致的标定速度缓慢,以及标定准确度不高的问题。
本发明实施例提供的各个模块的工作过程,请参照附图2所对应的方法流程图,具体工作过程不再赘述。
请参见附图6,上述附图5所对应实施例中的第二数据输入模块407具体包括:
选取单元4071,用于将所述配对数据作为数据选取组,并从所述数据选取组中选取一组配对数据作为待训练数据;
数据输入单元4072,用于将所述待训练数据输入到初始神经网络模型进行训练,获得控制参数输出量;
第一判断单元4073,用于判断所述控制参数输出量与所述待训练数据中的自适应巡航系统控制参数是否相同;
第三计算单元4074,用于若所述控制参数输出量与所述待训练数据中的自适应巡航系统控制参数不同,计算损失函数,所述损失函数为所述控制参数输出量与所述待训练数据中的自适应巡航系统控制参数的差的平方和;
更新单元4075,用于利用Adam算法和所述损失函数,更新所述初始神经网络模型的隐藏层参数;
所述数据输入单元4072,还用于在所述更新单元4075利用Adam算法和所述损失函数,更新所述初始神经网络模型的隐藏层参数之后,将所述待训练数据输入到初始神经网络模型进行训练,获得控制参数输出量;
获取单元4076,用于若所述控制参数输出量与所述待训练数据中的自适应巡航系统控制参数相同,获得当前神经网络模型;
第二判断单元4077,用于在所述获取单元获得当前神经网络模型之后,判断所述数据选取组中的配对数据的个数是否等于零;
第一选择单元4078,用于若所述数据选取组中的配对数据的个数大于零,将所述当前神经网络模型作为所述初始神经网络模型,从所述数据选取组中剔除所述待训练数据;
所述选取单元4071,还用于在所述第一选择单元将所述当前神经网络模型作为所述初始神经网络模型,从所述数据选取组中剔除所述待训练数据之后,从所述数据选取组中选取一组配对数据作为待训练数据;
第二选择单元4079,用于若所述数据选取组中的配对数据的个数等于零,将所述当前神经网络模型作为所述深度神经网络模型。
本发明实施例中,通过选取单元4071从多组配对数据组成的数据选取组中依次选取一组配对数据作为待训练数据,数据输入单元4072输入该待训练数据到初始神经网络模型进行训练,再由第一判断单元4073将输出获得的控制参数输出量与该待训练数据中的自适应巡航系统控制参数进行比较,若相同,则获取单元4076获得当前神经网络模型,再由第二判断单元4077对数据选取组中的配对数据的个数是否等于零进行判断,若大于零,则第一选择单元4078将该当前神经网络模型作为初始神经网络模型,从数据选取组中剔除待训练数据,并由选取单元4071再次执行从数据选取组中选取一组配对数据作为待训练数据,直到第二判断单元4077判断出数据选取组中的配对数据的个数等于零,则第二选择单元4079将此时获得的当前神经网络模型作为深度神经网络模型;可见,将多组配对数据中的每一组配对数据依次作为待训练数据,输入到初始神经网络模型进行训练,能够确保经过多次训练所得的深度神经网络模型适应多种复杂工况,进而提升了深度神经网络模型的适应性和准确性。
本发明实施例提供的各个模块的工作过程,请参照附图3所对应的方法流程图,具体工作过程不再赘述。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种自适应巡航系统控制参数的标定方法,其特征在于,包括:
获取本车行驶数据与前方车辆行驶数据,其中,所述本车行驶数据包括本车的速度、时距值、目标距离、加速度、横摆角速度、方向盘转角、方向盘力矩、转向灯信号、油门踏板行程和刹车踏板行程,所述前方车辆行驶数据包括前方车辆的距离、速度、加速度、车辆类型、车辆宽度和车辆横向位置;
将所述本车行驶数据与所述前方车辆行驶数据输入到深度神经网络模型,获得自适应巡航系统控制参数,所述深度神经网络模型预先训练生成。
2.根据权利要求1所述的标定方法,其特征在于,所述深度神经网络模型的训练过程包括:
按照第一预设时间间隔,采集预设时间段内第一组数的初始训练数据,每一组所述初始训练数据包括本车行驶训练数据和前方车辆行驶训练数据,所述本车行驶训练数据包括本车的速度、时距值、加速度、横摆角速度、方向盘转角、方向盘力矩、转向灯信号、油门踏板行程和刹车踏板行程,所述前方车辆行驶训练数据包括前方车辆的距离、速度、加速度、车辆类型、车辆宽度和车辆横向位置;
对采集到的所述第一组数的初始训练数据进行数据筛选,获得第二组数的筛选训练数据,所述第二组数小于或等于所述第一组数;
计算每一组所述筛选训练数据的自适应巡航系统控制参数,并将每一组所述筛选训练数据与对应的自适应巡航系统控制参数作为一组配对数据;
将所述配对数据输入到初始神经网络模型进行训练,获得所述深度神经网络模型。
3.根据权利要求2所述的标定方法,其特征在于,所述计算每一组所述筛选训练数据的自适应巡航系统控制参数,包括:
依据每一组所述筛选训练数据中本车的时距值和前方车辆的速度,计算每一组所述筛选训练数据对应的本车的目标距离;
将每一组所述筛选训练数据中本车的速度、加速度,前方车辆的距离、速度,以及对应的本车的目标距离代入加速度计算公式,获得对应的训练方程,所述加速度计算公式为:
AX=k1×(d-G(Vtgt,HWSET))+k2×(Vtgt-Vego)
其中,AX为本车的加速度,Vego为本车的速度,G(Vtgt,HWSET)为本车的目标距离,d为前方车辆的距离,Vtgt为前方车辆的速度,k1与k2为未知的自适应巡航系统控制参数;
按照第二预设时间间隔,将所述第二组数的筛选训练数据的训练方程分组,获得第三组数的训练方程组,其中,所述第二预设时间间隔包括至少一个所述第一预设时间间隔,所述第三组数小于所述第二组数;
对每一组所述训练方程组进行求解运算,获得每一组所述训练方程组的解,作为所述训练方程组中每一个训练方程对应的所述筛选训练数据的自适应巡航系统控制参数。
4.根据权利要求2所述的标定方法,其特征在于,所述将所述配对数据输入到初始神经网络模型进行训练,获得所述深度神经网络模型,包括:
将所述配对数据作为数据选取组,并从所述数据选取组中选取一组配对数据作为待训练数据;
将所述待训练数据输入到初始神经网络模型进行训练,获得控制参数输出量;
判断所述控制参数输出量与所述待训练数据中的自适应巡航系统控制参数是否相同;
若所述控制参数输出量与所述待训练数据中的自适应巡航系统控制参数不同,计算损失函数,所述损失函数为所述控制参数输出量与所述待训练数据中的自适应巡航系统控制参数的差的平方和;
利用Adam算法和所述损失函数,更新所述初始神经网络模型的隐藏层参数,并返回执行所述将所述待训练数据输入到初始神经网络模型进行训练,获得控制参数输出量,直到所述控制参数输出量与所述待训练数据中的自适应巡航系统控制参数相同,获得当前神经网络模型;
判断所述数据选取组中的配对数据的个数是否等于零;
若所述数据选取组中的配对数据的个数大于零,将所述当前神经网络模型作为所述初始神经网络模型,从所述数据选取组中剔除所述待训练数据,并返回执行所述从所述数据选取组中选取一组配对数据作为待训练数据;
若所述数据选取组中的配对数据的个数等于零,将所述当前神经网络模型作为所述深度神经网络模型。
5.一种自适应巡航系统控制参数的标定装置,其特征在于,包括:
获取模块,用于获取本车行驶数据与前方车辆行驶数据,其中,所述本车行驶数据包括本车的速度、时距值、目标距离、加速度、横摆角速度、方向盘转角、方向盘力矩、转向灯信号、油门踏板行程和刹车踏板行程,所述前方车辆行驶数据包括前方车辆的距离、速度、加速度、车辆类型、车辆宽度和车辆横向位置;
第一数据输入模块,用于将所述本车行驶数据与所述前方车辆行驶数据输入到深度神经网络模型,获得自适应巡航系统控制参数,所述深度神经网络模型预先训练生成。
6.根据权利要求5所述的标定装置,其特征在于,还包括:
采集模块,用于按照第一预设时间间隔,采集预设时间段内第一组数的初始训练数据,每一组所述初始训练数据包括本车行驶训练数据和前方车辆行驶训练数据,所述本车行驶训练数据包括本车的速度、时距值、加速度、横摆角速度、方向盘转角、方向盘力矩、转向灯信号、油门踏板行程和刹车踏板行程,所述前方车辆行驶训练数据包括前方车辆的距离、速度、加速度、车辆类型、车辆宽度和车辆横向位置;
数据筛选模块,用于对采集到的所述第一组数的初始训练数据进行数据筛选,获得第二组数的筛选训练数据,所述第二组数小于或等于所述第一组数;
计算模块,用于计算每一组所述筛选训练数据的自适应巡航系统控制参数;
配对模块,用于将每一组所述筛选训练数据与对应的自适应巡航系统控制参数作为一组配对数据;
第二数据输入模块,用于将所述配对数据输入到初始神经网络模型进行训练,获得所述深度神经网络模型。
7.根据权利要求6所述的标定装置,其特征在于,所述计算模块包括:
第一计算单元,用于依据每一组所述筛选训练数据中本车的时距值和前方车辆的速度,计算每一组所述筛选训练数据对应的本车的目标距离;
第二计算单元,用于将每一组所述筛选训练数据中本车的速度、加速度,前方车辆的距离、速度,以及对应的本车的目标距离代入加速度计算公式,获得对应的训练方程,所述加速度计算公式为:
AX=k1×(d-G(Vtgt,HWSET))+k2×(Vtgt-Vego)
其中,AX为本车的加速度,Vego为本车的速度,G(Vtgt,HWSET)为本车的目标距离,d为前方车辆的距离,Vtgt为前方车辆的速度,k1与k2为未知的自适应巡航系统控制参数;
分组单元,用于按照第二预设时间间隔,将所述第二组数的筛选训练数据的训练方程分组,获得第三组数的训练方程组,其中,所述第二预设时间间隔包括至少一个所述第一预设时间间隔,所述第三组数小于所述第二组数;
求解单元,用于对每一组所述训练方程组进行求解运算,获得每一组所述训练方程组的解,作为所述训练方程组中每一个训练方程对应的所述筛选训练数据的自适应巡航系统控制参数。
8.根据权利要求6所述的标定装置,其特征在于,所述第二数据输入模块包括:
选取单元,用于将所述配对数据作为数据选取组,并从所述数据选取组中选取一组配对数据作为待训练数据;
数据输入单元,用于将所述待训练数据输入到初始神经网络模型进行训练,获得控制参数输出量;
第一判断单元,用于判断所述控制参数输出量与所述待训练数据中的自适应巡航系统控制参数是否相同;
第三计算单元,用于若所述控制参数输出量与所述待训练数据中的自适应巡航系统控制参数不同,计算损失函数,所述损失函数为所述控制参数输出量与所述待训练数据中的自适应巡航系统控制参数的差的平方和;
更新单元,用于利用Adam算法和所述损失函数,更新所述初始神经网络模型的隐藏层参数;
所述数据输入单元,还用于在所述更新单元利用Adam算法和所述损失函数,更新所述初始神经网络模型的隐藏层参数之后,将所述待训练数据输入到初始神经网络模型进行训练,获得控制参数输出量;
获取单元,用于若所述控制参数输出量与所述待训练数据中的自适应巡航系统控制参数相同,获得当前神经网络模型;
第二判断单元,用于在所述获取单元获得当前神经网络模型之后,判断所述数据选取组中的配对数据的个数是否等于零;
第一选择单元,用于若所述数据选取组中的配对数据的个数大于零,将所述当前神经网络模型作为所述初始神经网络模型,从所述数据选取组中剔除所述待训练数据;
所述选取单元,还用于在所述第一选择单元将所述当前神经网络模型作为所述初始神经网络模型,从所述数据选取组中剔除所述待训练数据之后,从所述数据选取组中选取一组配对数据作为待训练数据;
第二选择单元,用于若所述数据选取组中的配对数据的个数等于零,将所述当前神经网络模型作为所述深度神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711458101.3A CN108216233B (zh) | 2017-12-28 | 2017-12-28 | 一种自适应巡航系统控制参数的标定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711458101.3A CN108216233B (zh) | 2017-12-28 | 2017-12-28 | 一种自适应巡航系统控制参数的标定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108216233A true CN108216233A (zh) | 2018-06-29 |
CN108216233B CN108216233B (zh) | 2019-10-15 |
Family
ID=62645555
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711458101.3A Active CN108216233B (zh) | 2017-12-28 | 2017-12-28 | 一种自适应巡航系统控制参数的标定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108216233B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816736A (zh) * | 2019-02-01 | 2019-05-28 | 上海蔚来汽车有限公司 | 车辆摄像头的自动标定方法、系统、车载控制设备 |
CN109878534A (zh) * | 2019-02-22 | 2019-06-14 | 初速度(苏州)科技有限公司 | 一种车辆的控制方法、模型的训练方法和装置 |
CN110497914A (zh) * | 2019-08-26 | 2019-11-26 | 格物汽车科技(苏州)有限公司 | 自动驾驶的驾驶员行为模型开发方法、设备和存储介质 |
CN110967991A (zh) * | 2018-09-30 | 2020-04-07 | 百度(美国)有限责任公司 | 车辆控制参数的确定方法、装置、车载控制器和无人车 |
WO2020124437A1 (en) * | 2018-12-18 | 2020-06-25 | Beijing Voyager Technology Co., Ltd. | Systems and methods for autonomous driving |
CN111348029A (zh) * | 2020-03-16 | 2020-06-30 | 吉林大学 | 一种考虑工况的混合动力汽车标定参数最优值确定方法 |
CN112009266A (zh) * | 2020-09-01 | 2020-12-01 | 三一专用汽车有限责任公司 | 动力参数标定方法、装置、车辆和计算机可读存储介质 |
US10955853B2 (en) | 2018-12-18 | 2021-03-23 | Beijing Voyager Technology Co., Ltd. | Systems and methods for autonomous driving |
CN113127489A (zh) * | 2021-04-22 | 2021-07-16 | 京东鲲鹏(江苏)科技有限公司 | 数据表更新方法和装置 |
CN113799772A (zh) * | 2020-09-18 | 2021-12-17 | 北京京东乾石科技有限公司 | 车辆的控制方法、装置以及控制系统 |
WO2022236833A1 (zh) * | 2021-05-14 | 2022-11-17 | 华为技术有限公司 | 参数标定模型、训练方法、参数标定装置和车辆 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324085A (zh) * | 2013-06-09 | 2013-09-25 | 中国科学院自动化研究所 | 基于监督式强化学习的最优控制方法 |
US20160092766A1 (en) * | 2014-09-30 | 2016-03-31 | Google Inc. | Low-rank hidden input layer for speech recognition neural network |
KR20170074539A (ko) * | 2015-12-22 | 2017-06-30 | 한국항공대학교산학협력단 | 딥 러닝을 이용한 무인기 비행 제어 시스템 및 방법 |
CN106990714A (zh) * | 2017-06-05 | 2017-07-28 | 李德毅 | 基于深度学习的适配控制方法与装置 |
CN107203134A (zh) * | 2017-06-02 | 2017-09-26 | 浙江零跑科技有限公司 | 一种基于深度卷积神经网络的前车跟随方法 |
CN107499262A (zh) * | 2017-10-17 | 2017-12-22 | 芜湖伯特利汽车安全系统股份有限公司 | 基于机器学习的acc/aeb系统及车辆 |
-
2017
- 2017-12-28 CN CN201711458101.3A patent/CN108216233B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324085A (zh) * | 2013-06-09 | 2013-09-25 | 中国科学院自动化研究所 | 基于监督式强化学习的最优控制方法 |
US20160092766A1 (en) * | 2014-09-30 | 2016-03-31 | Google Inc. | Low-rank hidden input layer for speech recognition neural network |
KR20170074539A (ko) * | 2015-12-22 | 2017-06-30 | 한국항공대학교산학협력단 | 딥 러닝을 이용한 무인기 비행 제어 시스템 및 방법 |
CN107203134A (zh) * | 2017-06-02 | 2017-09-26 | 浙江零跑科技有限公司 | 一种基于深度卷积神经网络的前车跟随方法 |
CN106990714A (zh) * | 2017-06-05 | 2017-07-28 | 李德毅 | 基于深度学习的适配控制方法与装置 |
CN107499262A (zh) * | 2017-10-17 | 2017-12-22 | 芜湖伯特利汽车安全系统股份有限公司 | 基于机器学习的acc/aeb系统及车辆 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110967991A (zh) * | 2018-09-30 | 2020-04-07 | 百度(美国)有限责任公司 | 车辆控制参数的确定方法、装置、车载控制器和无人车 |
US10955853B2 (en) | 2018-12-18 | 2021-03-23 | Beijing Voyager Technology Co., Ltd. | Systems and methods for autonomous driving |
WO2020124437A1 (en) * | 2018-12-18 | 2020-06-25 | Beijing Voyager Technology Co., Ltd. | Systems and methods for autonomous driving |
CN111338333A (zh) * | 2018-12-18 | 2020-06-26 | 北京航迹科技有限公司 | 用于自动驾驶的系统和方法 |
CN111338333B (zh) * | 2018-12-18 | 2021-08-31 | 北京航迹科技有限公司 | 用于自动驾驶的系统和方法 |
US11669097B2 (en) | 2018-12-18 | 2023-06-06 | Beijing Voyager Technology Co., Ltd. | Systems and methods for autonomous driving |
CN109816736A (zh) * | 2019-02-01 | 2019-05-28 | 上海蔚来汽车有限公司 | 车辆摄像头的自动标定方法、系统、车载控制设备 |
CN109878534A (zh) * | 2019-02-22 | 2019-06-14 | 初速度(苏州)科技有限公司 | 一种车辆的控制方法、模型的训练方法和装置 |
CN109878534B (zh) * | 2019-02-22 | 2021-05-04 | 初速度(苏州)科技有限公司 | 一种车辆的控制方法、模型的训练方法和装置 |
CN110497914A (zh) * | 2019-08-26 | 2019-11-26 | 格物汽车科技(苏州)有限公司 | 自动驾驶的驾驶员行为模型开发方法、设备和存储介质 |
CN110497914B (zh) * | 2019-08-26 | 2020-10-30 | 格物汽车科技(苏州)有限公司 | 自动驾驶的驾驶员行为模型开发方法、设备和存储介质 |
CN111348029A (zh) * | 2020-03-16 | 2020-06-30 | 吉林大学 | 一种考虑工况的混合动力汽车标定参数最优值确定方法 |
CN111348029B (zh) * | 2020-03-16 | 2021-04-06 | 吉林大学 | 一种考虑工况的混合动力汽车标定参数最优值确定方法 |
CN112009266A (zh) * | 2020-09-01 | 2020-12-01 | 三一专用汽车有限责任公司 | 动力参数标定方法、装置、车辆和计算机可读存储介质 |
CN113799772A (zh) * | 2020-09-18 | 2021-12-17 | 北京京东乾石科技有限公司 | 车辆的控制方法、装置以及控制系统 |
CN113799772B (zh) * | 2020-09-18 | 2024-03-01 | 北京京东乾石科技有限公司 | 车辆的控制方法、装置以及控制系统 |
CN113127489A (zh) * | 2021-04-22 | 2021-07-16 | 京东鲲鹏(江苏)科技有限公司 | 数据表更新方法和装置 |
WO2022236833A1 (zh) * | 2021-05-14 | 2022-11-17 | 华为技术有限公司 | 参数标定模型、训练方法、参数标定装置和车辆 |
Also Published As
Publication number | Publication date |
---|---|
CN108216233B (zh) | 2019-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108216233B (zh) | 一种自适应巡航系统控制参数的标定方法及装置 | |
CN106314428B (zh) | 一种避撞系统、避撞方法及机动车辆 | |
CN111439260B (zh) | 面向个性化需求的网联商用柴油车巡航行驶优化控制系统 | |
CN109801511B (zh) | 一种碰撞预警方法及装置 | |
JP4396723B2 (ja) | 省エネルギ運転促進装置 | |
CN109978260B (zh) | 混合交通流下网联车跟驰行为预测方法 | |
CN102506160B (zh) | 基于纵向动力学的坡道及车辆载荷识别方法 | |
CN103287431B (zh) | 车辆速度控制装置及方法 | |
CN104834776B (zh) | 一种微观交通仿真中交通车辆建模仿真系统及方法 | |
CN104851280B (zh) | 一种车辆行驶控制方法、装置、系统及相关设备 | |
EP2867560B1 (en) | Transmission control system | |
US9205841B2 (en) | System and method for computing slope of a road in an electric vehicle | |
SE1151256A1 (sv) | Metod och modul för att styra ett fordons hastighet genom simulering | |
CN106004878B (zh) | 一种自适应巡航舒适性控制系统及控制方法 | |
CN104334431A (zh) | 驾驶特性推定装置及驾驶支援系统 | |
CN104417558B (zh) | 减速度设定系统、方法以及程序 | |
SE1151246A1 (sv) | Metod och modul för att styra ett fordons hastighet baserat på regler och/eller kostnader | |
DE112012005806T5 (de) | Verzögerungsfaktorschätzvorrichtung und Fahrunterstützungsvorrichtung. | |
CN108694841A (zh) | 一种基于v2x技术的智能车辆通行路口红绿灯方法 | |
CN110341710A (zh) | 一种自适应巡航控制方法、装置及设备 | |
CN109064760B (zh) | 一种数据驱动的智能鲁棒车速实时规划方法及系统 | |
CN112277944B (zh) | 一种道路巡航方法、装置及介质 | |
EP2810840B1 (en) | Decelerating factor-estimating device | |
CN107139723A (zh) | 控制车辆的行驶速度的方法和装置 | |
CN102556022A (zh) | 一种智能刹车控制装置及其控制方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address |
Address after: 4 / F, building 1, No.14 Jiuxianqiao Road, Chaoyang District, Beijing 100020 Patentee after: Beijing Jingwei Hengrun Technology Co., Ltd Address before: 8 / F, block B, No. 11, Anxiang Beili, Chaoyang District, Beijing 100101 Patentee before: Beijing Jingwei HiRain Technologies Co.,Ltd. |
|
CP03 | Change of name, title or address |