CN110775059A - 一种基于人工智能的自动跟车方法和相关装置 - Google Patents

Abstract

本申请实施例公开一种基于人工智能的自动跟车方法，预先建立了不同的跟车模型与跟车场景的对应关系，当进入自动跟车模式时，可以识别当前时刻的跟车场景，从而根据对应关系调用与跟车场景对应的目标跟车模型。之后，获取目标跟车模型所需的本车状态数据、前车状态数据以及本车与前车之间的目标距离，从而根据本车状态数据、前车状态数据、目标距离和目标跟车模型确定目标控制量，利用目标控制量对本车进行控制。可见，根据跟车场景调用合适的跟车模型计算目标控制量，不需要获取全部的前车状态数据，极大削弱对前车速度、加速度状态检测结果的依赖，降低了对传感器的要求，从而可以适用于各种类型的车辆，提高了自动跟车方法的可迁移性。

Description

一种基于人工智能的自动跟车方法和相关装置

技术领域

本申请涉及自动驾驶领域，特别是涉及一种基于人工智能的自动跟车方法和相关装置。

背景技术

随着车辆工业的快速发展和人们生活水平的不断提高，汽车在人们日常生活中的比重逐渐增大。由于道路上的车辆越来越多，车辆往往需要跟随前车保持一定的速度前后尾随行驶，因此需要驾驶员高度注意本车与前车之间的距离。持续较长时间后，驾驶员容易处于疲劳驾驶状态，导致发生交通事故。为了缓解拥堵路段车辆驾驶员的驾驶强度，自动跟车系统得到了广泛关注。

现有的跟车技术对传感器的实时性和准确率有严格要求，因而大多数都是基于比较昂贵的线控底盘系统和感知系统开发的，极少在中、低端发动机车上进行使用，更不能在车自身舒适性较差的情况下在自动跟车过程中保证良好的舒适性和安全性。

发明内容

为了解决上述技术问题，本申请提供了一种基于人工智能的自动跟车方法和相关装置，极大削弱对前车速度、加速度状态检测结果的依赖，降低了对传感器的要求，从而可以适用于各种类型的车辆，提高了自动跟车方法的可迁移性。

本申请实施例公开了如下技术方案：

第一方面，本申请实施例提供一种基于人工智能的自动跟车方法，预先设置跟车模型与跟车场景的对应关系，所述方法包括：

识别当前时刻的跟车场景；

根据所述对应关系，调用与所述跟车场景对应的目标跟车模型；

获取所述目标跟车模型所需的本车状态数据、前车状态数据以及所述本车与所述前车之间的目标距离；

根据所述本车状态数据、所述前车状态数据、所述目标距离和所述目标跟车模型确定目标控制量；

利用所述目标控制量对本车进行控制。

第二方面，本申请实施例提供一种基于人工智能的自动跟车装置，预先设置跟车模型与跟车场景的对应关系，所述装置包括识别单元、调用单元、获取单元、确定单元和控制单元：

所述识别单元，用于识别当前时刻的跟车场景；

所述调用单元，用于根据所述对应关系，调用与所述跟车场景对应的目标跟车模型；

所述获取单元，用于获取所述目标跟车模型所需的本车状态数据、前车状态数据以及所述本车与所述前车之间的目标距离；

所述确定单元，用于根据所述本车状态数据、所述前车状态数据、所述目标距离和所述目标跟车模型确定目标控制量；

所述控制单元，用于利用所述目标控制量对本车进行控制。

第三方面，本申请实施例提供一种用于自动跟车的设备，所述设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行第一方面所述的方法。

第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行第一方面所述的方法。

由上述技术方案可以看出，本申请实施例预先建立了不同的跟车模型与跟车场景的对应关系，当进入自动跟车模式时，可以识别当前时刻的跟车场景，从而根据对应关系调用与跟车场景对应的目标跟车模型。不同的跟车模型所使用的数据可能有所不同，获取目标跟车模型所需的本车状态数据、前车状态数据以及本车与前车之间的目标距离，从而根据本车状态数据、前车状态数据、目标距离和目标跟车模型确定目标控制量，利用目标控制量对本车进行控制。由于本申请实施例可以根据跟车场景调用合适的跟车模型计算目标控制量，不同跟车模型所需的前车状态数据不同，不需要获取全部的前车状态数据，甚至不需要获取前车加速度，极大削弱对前车速度、加速度状态检测结果的依赖，降低了对传感器的要求，从而可以适用于各种类型的车辆，提高了自动跟车方法的可迁移性。

附图说明

为了更清楚地说明本申请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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种基于人工智能的自动跟车方法的应用场景示意图；

图2为本申请实施例提供的一种基于人工智能的自动跟车方法的流程图；

图3为本申请实施例提供的一种跟车控制方法的原理图；

图4为本申请实施例提供的一种跟车场景的示例图；

图5为本申请实施例提供的一种计算后轮最大驱动力和后轮最大制动力的原理图；

图6为本申请实施例提供的一种基于人工智能的自动跟车装置的结构图；

图7为本申请实施例提供的一种用于自动跟车的设备的结构图；

图8为本申请实施例提供的一种服务器的结构图。

具体实施方式

下面结合附图，对本申请的实施例进行描述。

传统的自动跟车方法，例如奥迪(Audi)A8的级别3(Leve 3，简称L 3)系统或者特斯拉(Tesla)的自动驾驶仪(Autopilot)系统，都被应用在操控性和舒适性较好的底盘上，不一定能在更多车型上得到推广。

另外，常见的跟车方法往往只能够应用于特定场景，比如智能驾驶者模型(Intelligent driver model，简称IDM)，比较适用于比较常规的非拥堵非紧急停车工况，也很难区别处理稳定跟车场景与车辆切入的场景。

为了解决上述技术问题，本申请实施例提供一种基于人工智能的自动跟车方法，该方法预先建立了不同的跟车模型，当进入自动跟车模式时，可以识别当前时刻的跟车场景，从而根据跟车场景调用与跟车场景对应的跟车模型。极大削弱对前车速度、加速度状态检测结果的依赖，降低了对传感器的要求，从而可以适用于各种类型的车辆，提高了自动跟车方法的可迁移性。

需要强调的是，本申请实施例所提供的自动跟车方法是基于人工智能实现的，人工智能(Artificial Intelligence，简称AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术、机器学习/深度学习以及自动驾驶等几大方向。

在本申请实施例中，主要涉及的人工智能技术包括上述自动驾驶等方向。

例如可以涉及自动驾驶，自动驾驶技术通常包括环境感知、行为决策、路径规划、运动控制等技术，自动驾驶技术有着广泛的应用前景。环境感知包括感知传感器、高精度地图、定位、速度感知等；行为决策包括信息采集、信息预处理、决策等；路径规划包括全局路径规划、局部路径规划等；运动控制包括加速、减速、转弯、制动等。

该方法可以应用到数据处理设备，该数据处理设备可以是终端设备，终端设备例如可以是智能手机、计算机、个人数字助理(Personal Digital Assistant，简称PDA)、平板电脑、穿戴式设备和车载设备等具有通信功能的电子设备。

本申请实施例提供的自动跟车方法可以应用到L 2、L 3、L 4级别的无人驾驶汽车上，适用于发动机车或电动车，对车辆底盘的接受度很高，可以尽可能舒适的处理常规跟车，两侧车辆的切入/切出，前车频繁启停，以及应急刹车等。

为了便于理解本申请的技术方案，下面结合实际应用场景，对本申请实施例提供的自动跟车方法进行介绍。

参见图1，图1为本申请实施例提供的自动跟车方法的应用场景示意图。该应用场景中包括本车101、前车102和终端设备103。

其中，本车101是指当前被控的车辆，即己方车辆，终端设备103可以位于本车101上。前车102(又称“前方引导车辆”)，是指与本车101在同一车道且距离本车最近的前方车辆。

终端设备103可以识别当前时刻的跟车场景，从而根据对应关系调用与跟车场景对应的目标跟车模型。终端设备103从本车101获取目标跟车模型所需的本车状态数据，获取目标跟车模型所需的前车102的前车状态数据，以及获取本车101与前车102之间的目标距离。其中，状态数据可以包括速度、加速度、位置信息等一种或多种的组合。

终端设备103根据本车状态数据、前车状态数据、目标距离和目标跟车模型确定目标控制量，从而利用目标控制量对本车101进行控制。

由于本申请实施例可以根据跟车场景调用合适的跟车模型计算目标控制量，不同跟车模型所需的前车状态数据不同，不需要获取全部的前车状态数据，甚至不需要获取前车加速度，极大削弱对前车速度、加速度状态检测结果的依赖，降低了对传感器的要求，从而可以适用于各种类型的车辆，提高了自动跟车方法的可迁移性。

接下来，将结合附图对本申请实施例提供的基于人工智能的自动跟车方法进行详细介绍。

参见图2，图2示出了一种自动跟车方法的流程图，方法包括：

S201、识别当前时刻的跟车场景。

在本申请实施例中，用户可以控制车辆切换到自动跟车模式，例如，用户可以通过本车上的模式切换功能进入自动跟车模式，从而利用本申请实施例提供的自动跟车方法进行自动跟车。

参见图3所示，图3示出了一种跟车控制方法的原理图，本车与前车可以进行通信，通过传感器可以获取本车的状态数据和前车的状态数据，进而传送至车辆控制器，车辆控制器可以根据本车的状态数据和前车的状态数据确定出控制量例如加速度、目标距离、速度等，从而利用该控制量对本车进行控制。当然，在一些情况下，车辆控制器用于控制本车的控制量也可以是用户输入的，例如，用户输入目标距离和目标速度，从而对本车进行控制。

为此，为了实现自动跟车，需要确定用于控制本车的控制量。在本申请实施例中，本车跟随前车行驶可能存在多种不同的情况，即存在多种跟车场景，例如，当有侧前方的车辆切入本车道时的跟车场景，前车出现明显制动的跟车场景，前车正常行驶、本车跟随前车稳定行驶的稳定车距跟车场景等。

由于不同跟车模型的作用有所不同，所依赖的状态数据也有所不同，不同跟车模型适用于不同的跟车场景，因此，为了准确地调用合适的跟车模型，首先需要识别当前时刻的跟车场景。

需要说明的是，在本实施例中，识别当前时刻跟车场景的方式可以包括多种，一种方式是确定是否有侧前方车辆切入本车所在车道，若是，为了在车辆切入时保证跟车的舒适性，需要尽量控制本车保持匀速跟车，因此，可以确定当前时刻的跟车场景为匀速跟车场景。其中，确定是否有侧前方车辆切入本车所在车道的方式可以是通过图像采集传感器采集前方的图像或视频信息，从而识别出是否有侧前方车辆切入本车所在车道。

另一种方式是，确定前车是否出现制动，若是，则跟车场景为制动场景。其中，确定前车是否出现制动的方式可以是本车与前车进行通信，前车可以将自身的行驶状态向本车发送，本车根据前车发送的行驶状态可以确定前车是否出现制动。

另一种方式还可以是，确定当前时刻所调用的跟车模型的制动距离与稳定车距跟车模型的制动距离是否满足预设条件，若当前时刻所调用的跟车模型的制动距离与稳定车距跟车模型的制动距离满足预设条件，则说明此时本车与前车已经达到稳定车距跟车，则可以确定跟车场景为稳定车距跟车场景。

S202、根据对应关系，调用与所述跟车场景对应的目标跟车模型。

在本申请实施例中，预先构建了适用于不同跟车场景的跟车模型，建立跟车场景与跟车模型的对应关系。接下来，对跟车模型的构建原理进行介绍。

参见图4所示，在图4中假设A为前车，B为被控车辆(本车)，两车目标距离为ΔL，并用e₁表示本车与前车的实际距离与目标距离之间的距离误差，即e₁＝Y_A-Y_B-ΔL，其中，Y_A为前车的位置，Y_B为本车的位置；e₂表示本车与前车的速度误差，而速度误差可以通过距离误差的e₁导数来表示，即

其中，V_A表示前车的速度，V_B表示本车的速度。定义e₂的导数

可以通过设计λ₁和λ₂使得e₁、e₂收敛到0。可以针对应用场景与车辆的动力学约束对目标加速度进行限制。对于高速路上的跟车场景，一般路面条件较好，道路曲率不致过大，车辆的动力学约束影响不明显。

故，期望加速度即用于对本车进行控制的加速度的计算模型可以是：

其中，

表示本车的加速度，f_Rx为本车的后轮驱动(制动)力，

表示本车的后轮最大驱动力，f _Rx表示本车的后轮最大制动力，m_B表示本车的质量，

表示前车速度的导数，e₁表示本车与前车的实际距离与目标距离之间的距离误差，e₂表示本车与前车的速度误差，λ₁和λ₂为常数。

该加速度可以作为对本车控制的目标控制量，当然，在一些实现方式中，还可以进一步利用该加速度计算后轮驱动(制动)力矩T_R，从而将T_R作为目标控制量，T_R的计算公式为：

其中，T_R为后轮驱动(制动)力矩，

为加速度，R_W为车轮的半径，m_B为本车的质量，I_W为车轮的转动惯量。

需要说明的是，

和f _Rx的计算方法可以参见图5所示，首先对本车速度进行分解，得到图5所示的Vx和Vy，其中，本车速度与Vx之间的夹角为β，计算得到tanβ，根据tanβ确定点A，过点A做与前车速度所示箭头方向平行的直线，与半径为

的圆相交于点B和点C，则点C对应的是后轮最大驱动力，点B对应的是后轮最大制动力，据此，得到的

和f _Rx的计算公式分别如下所示：

在上述公式(2)和公式(3)中，

为后轮最大驱动力，f _Rx为后轮最大制动力，m为车轮的质量，g为重力加速度，l_f为重心到前轴距离，l_r为重心到后轴距离，

为后轮综合摩擦系数，为后轮综合滑移率，h为重心高度，β侧偏角，即本车速度与Vx之间的夹角。

由此可见，目标控制量可以通过S_e,V_e,S_l,V_l,a_l；λ₁,λ₂等参数确定。若用于控制本车的目标控制量为加速度，目标控制量可以由以下公式表示：

其中，μ为目标控制量(加速度)，f()表示函数，S_e表示本车的位置，V_e表示本车的速度，S_l表示前车的位置，V_l表示前车的速度，a_l表示前车的加速度，λ₁和λ₂为常数。

通过对公式(5)所示的目标控制变量的公式的变化，从而得到适用于不同跟车场景的跟车模型。在本实施例中，构建的跟车模型可以包括稳定车距跟车模型、匀速跟车模型和停车模型中一种或多种的组合。

匀速跟车模型适用于匀速跟车场景，主要用于提升舒适性，需要车辆对位置反馈比较迟钝，但是对速度反馈比较灵敏。当有侧前方车辆切入本车道时，模型需要根据距离误差变化给出过大的响应，此种情况应由匀速跟车模型处理。通过对上述公式(5)的变化，匀速跟车模型由下式给出：

其中，a_e表示本车的加速度即目标控制量，S_e表示本车的位置，V_e表示本车的速度，S_l表示前车的位置，V_l表示前车的速度，ΔL表示目标距离。

因此，若确定有侧前方车辆切入本车所在车道，即跟车场景为匀速跟车场景，则可以调用与匀速跟车场景对应的匀速跟车模型作为目标跟车模型，进行后续目标控制量的计算。

停车模型适用于前车出现制动的场景，比如说在使用匀速跟车模型跟车的过程中，前车出现明显制动。通过对上述公式(5)的变化，停车模型可以由以下公式给出：

其中，a_e表示本车的加速度即目标控制量，Se表示本车的位置，V_e表示本车的速度，S_l表示前车的位置，V_l表示前车的速度，ΔL表示目标距离，a_l表示前车的加速度。

因此，若确定前车出现制动，即跟车场景为制动场景，为了保证及时制动，保证安全性，可以调用对位置反馈敏感的停车模型作为目标跟车模型，进行后续目标控制量的计算。

稳定车距跟车模型适用于稳定车距跟车场景，稳定车距跟车模型应该能够根据距离变化对车速进行调整。当对前车速度、加速度的感知结果不准确或存在不可忽略的延时时，该稳定车距跟车模型应该可以根据距离误差迅速反应进行制动或加速，从而保证稳定车距跟车。通过对上述公式(5)的变化，稳定车距跟车模型可由下式给出：

其中，a_e表示本车的加速度即目标控制量，S_e表示本车的位置，V_e表示本车的速度，S_l表示前车的位置，V_l表示前车的速度，ΔL表示目标距离，Δt是可设置的时间常数，即调整车距至目标距离所需的时间。

由于在使用稳定车距跟车模型之前可能使用其他跟车模型，例如匀速跟车模型或停车模型，若当前时刻所调用的跟车模型的制动距离与稳定车距跟车模型的制动距离满足预设条件，则可以认为此时已经拉开车距，需要保持稳定车距跟车，即确定当前时刻的跟车场景为稳定车距跟车场景，可以调用稳定车距跟车场景对应的稳定车距跟车模型作为目标跟车模型，进行后续目标控制量的计算。

S203、获取所述目标跟车模型所需的本车状态数据、前车状态数据以及所述本车与所述前车之间的目标距离。

从上述跟车模型对应的公式可以看出，不同跟车模型计算目标控制量所需的前车状态数据不同，不需要获取全部的前车状态数据，甚至不需要获取前车加速度，极大削弱对前车速度、加速度状态检测结果的依赖，降低了对传感器的要求。

在确定出目标跟车模型之后，可以获取目标跟车模型所需的本车状态数据、前车状态数据以及所述本车与所述前车之间的目标距离。

例如，目标跟车模型为匀速跟车模型，有公式(6)可以看出，该跟车模型所需的本车状态数据包括本车的位置和本车的速度，前车状态数据包括前车的位置和前车的速度，以及目标距离。

S204、根据所述本车状态数据、所述前车状态数据、所述目标距离和所述目标跟车模型确定目标控制量。

将获取到的本车状态数据、前车状态数据、目标距离代入目标跟车模型确定目标控制量，例如，目标跟车模型为匀速跟车模型，将本车的位置、本车的速度、前车的位置、前车的速度以及目标距离代入匀速跟车模型所对应的公式(6)，从而计算出目标控制量(加速度)。

S205、利用所述目标控制量对本车进行控制。

将该目标控制量反馈至车辆控制器，从而利用该目标控制量对本车进行控制，例如，利用加速度调节本车的车速和跟车距离，从而达到目标距离和目标车速。

由上述技术方案可以看出，本申请实施例预先建立了不同的跟车模型与跟车场景的对应关系，当进入自动跟车模式时，可以识别当前时刻的跟车场景，从而根据对应关系调用与跟车场景对应的目标跟车模型。不同的跟车模型所使用的数据可能有所不同，获取目标跟车模型所需的本车状态数据、前车状态数据以及本车与前车之间的目标距离，从而根据本车状态数据、前车状态数据、目标距离和目标跟车模型确定目标控制量，利用目标控制量对本车进行控制。由于本申请实施例可以根据跟车场景调用合适的跟车模型计算目标控制量，不同跟车模型所需的前车状态数据不同，不需要获取全部的前车状态数据，甚至不需要获取前车加速度，极大削弱对前车速度、加速度状态检测结果的依赖，降低了对传感器的要求，从而可以适用于各种类型的车辆，提高了自动跟车方法的可迁移性。

需要说明的是，针对某一特定模型和特定场景，比如稳定车距跟车模型、匀速跟车模型还可以使用参数化的状态反馈控制器替换，也可以通过优化IDM模型替换，本实施例对模型的具体形式不做限定。

接下来，将结合具体应用场景对本申请实施例提供的自动跟车方法进行介绍。在该应用场景中，用户位于车辆B中，当用户希望车辆B可以自动跟随前方的车辆A行驶时，用户可以点击车辆B上自动跟车功能的按键，使得车辆B进入自动跟车模式。该自动跟车方法可以通过车载终端实现，车载终端可以识别当前时刻的跟车场景，从而根据对应关系，调用与跟车场景对应的目标跟车模型。车载终端获取目标跟车模型所需的本车状态数据、前车状态数据以及本车与前车之间的目标距离，通过本车状态数据、前车状态数据、目标距离和目标跟车模型确定目标控制量，进而将目标控制量反馈至车辆控制器对本车进行控制。

基于前述实施例提供的基于人工智能的自动跟车方法，本申请实施例还提供一种自动跟车装置，参见图6，预先设置跟车模型与跟车场景的对应关系，所述装置包括识别单元601、调用单元602、获取单元603、确定单元604和控制单元605：

所述识别单元601，用于识别当前时刻的跟车场景；

所述调用单元602，用于根据所述对应关系，调用与所述跟车场景对应的目标跟车模型；

所述获取单元603，用于获取所述目标跟车模型所需的本车状态数据、前车状态数据以及所述本车与所述前车之间的目标距离；

所述确定单元604，用于根据所述本车状态数据、所述前车状态数据、所述目标距离和所述目标跟车模型确定目标控制量；

所述控制单元605，用于利用所述目标控制量对本车进行控制。

在一种可能的实现方式中，跟车模型包括稳定车距跟车模型、匀速跟车模型和停车模型中一种或多种的组合。

在一种可能的实现方式中，所述识别单元601，用于：

确定是否有侧前方车辆切入所述本车所在车道；

若是，则所述跟车场景为匀速跟车场景；

所述调用单元602，用于：

调用与所述匀速跟车场景对应的所述匀速跟车模型作为所述目标跟车模型。

在一种可能的实现方式中，所述识别单元601，用于：

确定所述前车是否出现制动；

若是，则所述跟车场景为制动场景；

所述调用单元602，用于：

调用与所述制动场景对应的所述停车模型作为所述目标跟车模型。

在一种可能的实现方式中，所述识别单元601，用于：

若所述当前时刻所调用的跟车模型的制动距离与所述稳定车距跟车模型的制动距离满足预设条件，确定所述跟车场景为稳定车距跟车场景；

所述调用单元602，用于：

调用与所述稳定车距跟车场景对应的所述稳定车距跟车模型作为所述目标跟车模型。

在一种可能的实现方式中，所述目标控制量为加速度。

本申请实施例还提供了一种用于自动跟车的设备，下面结合附图对用于自动跟车的设备进行介绍。请参见图7所示，本申请实施例提供了一种用于自动跟车的设备700，该设备700还可以是终端设备，该终端设备可以为包括手机、平板电脑、个人数字助理(PersonalDigital Assistant，简称PDA)、销售终端(Point of Sales，简称POS)、车载电脑等任意智能终端，以终端设备为手机为例：

图7示出的是与本申请实施例提供的终端设备相关的手机的部分结构的框图。参考图7，手机包括：射频(Radio Frequency，简称RF)电路710、存储器720、输入单元730、显示单元740、传感器750、音频电路760、无线保真(wireless fidelity，简称WiFi)模块770、处理器780、以及电源790等部件。本领域技术人员可以理解，图7中示出的手机结构并不构成对手机的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

下面结合图7对手机的各个构成部件进行具体的介绍：

RF电路710可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，给处理器780处理；另外，将设计上行的数据发送给基站。通常，RF电路710包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low NoiseAmplifier，简称LNA)、双工器等。此外，RF电路710还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(Global System of Mobile communication，简称GSM)、通用分组无线服务(GeneralPacket Radio Service，简称GPRS)、码分多址(Code Division Multiple Access，简称CDMA)、宽带码分多址(Wideband Code Division Multiple Access，简称WCDMA)、长期演进(Long Term Evolution，简称LTE)、电子邮件、短消息服务(Short Messaging Service，简称SMS)等。

存储器720可用于存储软件程序以及模块，处理器780通过运行存储在存储器720的软件程序以及模块，从而执行手机的各种功能应用以及数据处理。存储器720可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器720可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

输入单元730可用于接收输入的数字或字符信息，以及产生与手机的用户设置以及功能控制有关的键信号输入。具体地，输入单元730可包括触控面板731以及其他输入设备732。触控面板731，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板731上或在触控面板731附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触控面板731可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器780，并能接收处理器780发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板731。除了触控面板731，输入单元730还可以包括其他输入设备732。具体地，其他输入设备732可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。

显示单元740可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元740可包括显示面板741，可选的，可以采用液晶显示器(Liquid CrystalDisplay，简称LCD)、有机发光二极管(Organic Light-Emitting Diode，简称OLED)等形式来配置显示面板741。进一步的，触控面板731可覆盖显示面板741，当触控面板731检测到在其上或附近的触摸操作后，传送给处理器780以确定触摸事件的类型，随后处理器780根据触摸事件的类型在显示面板741上提供相应的视觉输出。虽然在图7中，触控面板731与显示面板741是作为两个独立的部件来实现手机的输入和输入功能，但是在某些实施例中，可以将触控面板731与显示面板741集成而实现手机的输入和输出功能。

手机还可包括至少一种传感器750，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板741的亮度，接近传感器可在手机移动到耳边时，关闭显示面板741和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

音频电路760、扬声器761，传声器762可提供用户与手机之间的音频接口。音频电路760可将接收到的音频数据转换后的电信号，传输到扬声器761，由扬声器761转换为声音信号输出；另一方面，传声器762将收集的声音信号转换为电信号，由音频电路760接收后转换为音频数据，再将音频数据输出处理器780处理后，经RF电路710以发送给比如另一手机，或者将音频数据输出至存储器720以便进一步处理。

WiFi属于短距离无线传输技术，手机通过WiFi模块770可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图7示出了WiFi模块770，但是可以理解的是，其并不属于手机的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。

处理器780是手机的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器720内的软件程序和/或模块，以及调用存储在存储器720内的数据，执行手机的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器780可包括一个或多个处理单元；优选的，处理器780可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器780中。

手机还包括给各个部件供电的电源790(比如电池)，优选的，电源可以通过电源管理系统与处理器780逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。

尽管未示出，手机还可以包括摄像头、蓝牙模块等，在此不再赘述。

在本实施例中，该终端设备所包括的处理器780还具有以下功能：

识别当前时刻的跟车场景；

根据所述对应关系，调用与所述跟车场景对应的目标跟车模型；

获取所述目标跟车模型所需的本车状态数据、前车状态数据以及所述本车与所述前车之间的目标距离；

根据所述本车状态数据、所述前车状态数据、所述目标距离和所述目标跟车模型确定目标控制量；

利用所述目标控制量对本车进行控制。

本申请实施例还提供服务器，请参见图8所示，图8为本申请实施例提供的服务器800的结构图，服务器800可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(Central Processing Units，简称CPU)822(例如，一个或一个以上处理器)和存储器832，一个或一个以上存储应用程序842或数据844的存储介质830(例如一个或一个以上海量存储设备)。其中，存储器832和存储介质830可以是短暂存储或持久存储。存储在存储介质830的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器822可以设置为与存储介质830通信，在服务器800上执行存储介质830中的一系列指令操作。

服务器800还可以包括一个或一个以上电源826，一个或一个以上有线或无线网络接口850，一个或一个以上输入输出接口858，和/或，一个或一个以上操作系统841，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。

上述实施例中由服务器所执行的步骤可以基于该图8所示的服务器结构。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种基于人工智能的自动跟车方法，其特征在于，预先设置跟车模型与跟车场景的对应关系，所述方法包括：

识别当前时刻的跟车场景；

根据所述对应关系，调用与所述跟车场景对应的目标跟车模型；

获取所述目标跟车模型所需的本车状态数据、前车状态数据以及所述本车与所述前车之间的目标距离；

根据所述本车状态数据、所述前车状态数据、所述目标距离和所述目标跟车模型确定目标控制量；

利用所述目标控制量对本车进行控制。

2.根据权利要求1所述的方法，其特征在于，跟车模型包括稳定车距跟车模型、匀速跟车模型和停车模型中一种或多种的组合。

3.根据权利要求2所述的方法，其特征在于，所述识别当前时刻的跟车场景，包括：

确定是否有侧前方车辆切入所述本车所在车道；

若是，则所述跟车场景为匀速跟车场景；

所述根据所述对应关系，调用与所述跟车场景对应的目标跟车模型，包括：

调用与所述匀速跟车场景对应的所述匀速跟车模型作为所述目标跟车模型。

4.根据权利要求2所述的方法，其特征在于，所述识别当前时刻的跟车场景，包括：

确定所述前车是否出现制动；

若是，则所述跟车场景为制动场景；

所述根据所述对应关系，调用与所述跟车场景对应的目标跟车模型，包括：

调用与所述制动场景对应的所述停车模型作为所述目标跟车模型。

5.根据权利要求2所述的方法，其特征在于，所述识别当前时刻的跟车场景，包括：

若所述当前时刻所调用的跟车模型的制动距离与所述稳定车距跟车模型的制动距离满足预设条件，确定所述跟车场景为稳定车距跟车场景；

所述根据所述对应关系，调用与所述跟车场景对应的目标跟车模型，包括：

调用与所述稳定车距跟车场景对应的所述稳定车距跟车模型作为所述目标跟车模型。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述目标控制量为加速度。

7.一种基于人工智能的自动跟车装置，其特征在于，预先设置跟车模型与跟车场景的对应关系，所述装置包括识别单元、调用单元、获取单元、确定单元和控制单元：

所述识别单元，用于识别当前时刻的跟车场景；

所述调用单元，用于根据所述对应关系，调用与所述跟车场景对应的目标跟车模型；

所述获取单元，用于获取所述目标跟车模型所需的本车状态数据、前车状态数据以及所述本车与所述前车之间的目标距离；

所述确定单元，用于根据所述本车状态数据、所述前车状态数据、所述目标距离和所述目标跟车模型确定目标控制量；

所述控制单元，用于利用所述目标控制量对本车进行控制。

8.根据权利要求7所述的装置，其特征在于，跟车模型包括稳定车距跟车模型、匀速跟车模型和停车模型中一种或多种的组合。

9.一种用于自动跟车的设备，其特征在于，所述设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行权利要求1-6任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-6任一项所述的方法。

Images