CN111572555B - 一种自学习辅助驾驶方法 - Google Patents

Abstract

本发明涉及汽车控制技术领域，具体涉及一种自学习辅助驾驶方法。对车辆所处场景进行判断，场景包括天气、道路类别和拥堵状态；当用户为新用户或用户为老用户但选择重置自学习参数时，进行当前场景下的自学习过程，并在自学习过程结束后保存自学习结果，以及根据自学习结果内当前场景的驾驶参数进行辅助驾驶控制；当用户为老用户且未选择重置自学自参数时，根据当前场景从上次存储的自学习结果中选择对应场景的驾驶参数进行辅助驾驶控制。基于天气、道路类别和拥堵状态构成的不同场景进行自学习，能得到针对各种场景的自学习参数，从而在辅助驾驶时，能够调用与所述场景对应的驾驶参数进行驾驶，有效提高驾驶安全性。

Description

一种自学习辅助驾驶方法

技术领域

本发明涉及汽车控制技术领域，具体涉及一种自学习辅助驾驶方法。

背景技术

随着汽车的普及，驾驶员对于驾驶体验、舒适性、安全性等方面要求的逐渐提升。ADAS辅助驾驶系统也开始渐渐被广大用户熟悉，并开始逐渐普及。现有的辅助驾驶系统，由于受限于成本，往往无法满足多元化的用户需求和复杂的道路场景。而辅助驾驶中的驾驶参数也没有针对天气、道路拥堵状况、道路类别的不同而进行区分，而是采用相同的驾驶参数进行辅助驾驶，其驾驶体验较差，且安全性低。

同时，所有的感知识别都依托于摄像头和毫米波雷达，但是摄像头识别受天气、光线等影响很大，毫米波雷达对于雨天等状况的识别效果有限。因此，各种天气、道路拥堵状况、道路类别都无法做到有效识别。

此外，目前市场上普遍存在的自动驾驶系统并未考虑不同驾驶员对驾驶感受的需求，不能针对不同的驾驶习惯进行自主学习，也无法保存这些学习结果，无法给予用户定制化享受。

发明内容

本发明的目的就是针对现有技术的缺陷，提供一种自学习辅助驾驶方法，它能根据不同场景进行自学习以及辅助驾驶，提高驾驶的安全性。

本发明的技术方案为：对车辆所处场景进行判断，所述场景包括天气、道路类别和拥堵状态；

当用户为新用户或用户为老用户但选择重置自学习参数时，进行当前场景下的自学习过程，并在自学习过程结束后保存自学习结果，以及根据自学习结果内当前场景的驾驶参数进行辅助驾驶控制；

当用户为老用户且未选择重置自学自参数时，根据当前场景从上次存储的自学习结果中选择对应场景的驾驶参数进行辅助驾驶控制；

所述自学习过程为根据当前驾驶员的驾驶动作得到辅助驾驶所需的驾驶参数的过程。

较为优选的，所述天气、道路类别和拥堵状态均包括多个种类，当一个场景的天气、道路类别和拥堵状态中任意一个或多个的种类与另一个场景不同时，该场景与所述另一个场景属于不同的场景；

对一个场景进行自学习，得到该场景下的驾驶参数后，其余场景下的驾驶参数均通过修正的方式进行计算，所述当前场景下的驾驶参数和计算得到的其余场景下的驾驶参数均属于本次自学习结果。

较为优选的，所述自学习结束后，直接将自学习得到的驾驶参数存储为自学习结果，或

设置多个驾驶风格，并对每个驾驶风格的驾驶参数进行预设，将自学习得到的驾驶参数与各个驾驶风格预设的驾驶参数进行比对，将最接近的驾驶风格作为自学习结果；

所述将自学习得到的驾驶参数与各个驾驶风格预设的驾驶参数进行比对时，将驾驶参数中的每个参数均分别与各驾驶风格预设的对应参数进行比对，得到驾驶参数中各参数分别对应的驾驶风格。

较为优选的，所述驾驶参数包括跟车距离、跟车制动减速度、跟车加速度、起步价速度、跟停距离和碰撞预警时机。

较为优选的，所述天气包括晴朗、雨天、夜晚和雪天，每种天气均对应一个场景系数；

当其中一种天气下进行自学习得到驾驶参数后，同种道路类别和拥堵状态下其它天气的驾驶参数均通过各场景系数之间的比例关系进行计算；

当车辆处于复合天气时，该复合天气对应的场景系数为组成该复合天气的各天气的场景系数的乘积。

较为优选的，不同驾驶员自学习得到的自学习结果采用分组的方式进行存储，不同的分组间采用不同编号或不同命名进行标识区分；

驾驶员可选择与自己对应的分组并利用该分组存储的驾驶参数进行辅助驾驶。

较为优选的，所述道路类别基于导航系统和车速进行判断；

当导航系统有效时，根据导航系统判断道路类别；

当导航系统失效时，根据车速判断道路类别；

其中当车速大于设定车速时，判断为高速或快速路，反之为城市路况；

当导航系统失效，且车速信息获取异常时，将道路类别按默认设置处理。

较为优选的，所述拥堵状况根据导航系统、雷达和摄像头进行识别，当导航系统与雷达和摄像头识别的拥堵状况不一致时，对雷达和摄像头的判断标准进行修正。

较为优选的，所述天气通过光线传感器、前大灯、自动雨刮、雨量传感器中的一种或多种进行判断。

较为优选的，当某场景下自学习得到的碰撞预警时机低于该场景下的默认设置，则降低该场景下的默认设置；

当某场景下自学习得到的碰撞预警时机高于该场景下的默认设置，且在允许的安全范围内，则将该自学习得到的碰撞预警时机数据作为该场景下自学习结果的有效数据。

本发明的有益效果为：

1、基于天气、道路类别和拥堵状态构成的不同场景进行自学习，能得到针对各种场景的自学习参数(即自学习得到的驾驶参数)，从而在辅助驾驶时，能够调用与所述场景对应的驾驶参数进行驾驶，有效提高驾驶安全性。

2、不同的驾驶员可分组保存自己学习到的驾驶参数，使辅助驾驶时，能够满足不同驾驶员的驾驶习惯，增强驾驶体验。

3、自学习结果提供两种保存形式，可根据车辆配置选择合适的保存方式，对于高端车辆能够在自学习结束后提供更细致的驾驶参数，对于低端车辆，能够在满足车辆配置的情况下，提供最接近当前场景和驾驶员习惯的驾驶参数，保证驾驶员的良好体验和驾驶安全。

4、在天气、道路类别和拥堵状态的获取中，有效利用导航系统、摄像头、雷达、自动雨刮、雨量传感器、前大灯、光线传感器等部件，使各部件在获取数据时能相互弥补，保证数据获取的准确性。

附图说明

图1为本发明一种自学习辅助驾驶方法的流程示意图；

图2为本发明自学习流程示意图；

图3为本发明自学习结果中其中一种存储方式的列表示意图；

图4为本发明自学习结果中另一种存储方式的列表示意图；

图5为本发明各驾驶风格下各驾驶参数示意；

图6为本发明系统架构示意图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步的详细说明，便于清楚地了解本发明，但它们不对本发明构成限定。

如图1所示，本方案的流程如下：

对车辆所处场景进行判断，所述场景包括天气、道路类别和拥堵状态；

当用户为新用户或用户为老用户但选择重置自学习参数时，进行当前场景下的自学习过程，并在自学习过程结束后保存自学习结果，以及根据自学习结果内当前场景的驾驶参数进行辅助驾驶控制；

当用户为老用户且未选择重置自学自参数时，根据当前场景从上次存储的自学习结果中选择对应场景的驾驶参数进行辅助驾驶控制；

所述自学习过程为根据当前驾驶员的驾驶动作得到辅助驾驶所需的驾驶参数的过程。

其中，天气、道路类别和拥堵状态均包括多个种类，当一个场景的天气、道路类别和拥堵状态中任意一个或多个的种类与另一个场景不同时，该场景与所述另一个场景属于不同的场景。

本实施例中，天气包括晴朗、雨天、夜晚、雪天；道路类别包括高速/快速路、城市路况；拥堵状态包括通畅、拥堵。

系统首先进行场景判断，从智能中控系统获得当前的天气、行驶道路、拥堵状态。通过这些信息，系统可以初步判断出车辆当前所处的场景。但是导航定位系统偏差可能超过数米，路况信息存在延时且其监控的是路段而不能精确到本车场景。因此，再结合摄像头和雷达提供的车辆周围的局部信息与车辆状态，既能有效做到宏观把控，又能减少单独信息判断的误差。例如：如果天气预报显示雨天，但是雨水传感器显示没有雨水且光线传感器判断光线充足，则应该认为是晴朗；如果无水但是光线不足，可以认为是阴天(白天如果光线弱的情况下，可同夜间场景对待)。另外，在拥堵情况的判断中，摄像头信息占据主导，智能中控提供的路况信息作为辅助。

场景判断具体如下：

通过车载GPS和导航地图，可以判断驾驶是行驶在高速/快速路，还是城市路况；如果导航系统失效，根据车速进行判断，例如：60km/h以上认为是高速/快速路，反之为城市路况。

如果无法提供准确信息，将按照默认设置进行控制。(默认场景为道路通畅、天气晴朗。)

通过导航提供道路拥堵信息，结合雷达和摄像头识别到的前方车辆数量，以及行驶车速与平均车速，判断是否属于拥堵/通畅场景。当导航认为道路与雷达和摄像头识别到的拥堵状况不一致时，会对雷达和摄像头判断要求进行修正，最终状态识别以修正后的结果为准。例如：导航认为通畅，摄像头在当前车速下识别到了10辆车以内可判断为通畅，那么当导航认为拥堵时，这个限制可能会变为7辆车。如果无法提供准确信息，将按照默认道路通畅进行控制。

将典型天气场景区分为4种，晴朗、雨天、夜晚、雪天；(阴天根据光线强度进行划分，光线较强时，认为是晴朗天气，光线较差时，和夜晚同类处理。)

天气的区分主要来源于智能中控提供的实时天气信息：

如果车辆搭载了自动大灯或光线传感器，可通过其光线传感器辅助判断晴朗和夜晚状态。(大灯开启或光线传感器识别到光线不足时，判断为夜晚。)

如果车辆搭载了自动雨刮系统或雨量传感器，可通过其雨量传感器辅助判断雨雪天气。(自动雨刮工作或雨量传感器识别到有雨时，判断为雨天。)

由于定义的4个天气场景并不能完全解耦，因此通过算法，对组合场景进行修正。例如夜间下雨，会根据标定的场景系数，对该场景下的控制参数进行修正，以提升安全性。

场景系统的设置可参考以下方式：晴朗天气的场景系数为1；雨天场景风险较大，系数可以设置为0.5；夜间场景风险介于雨天和晴天之间，可设置为0.8。那么雨天、夜间场景的场景系数就是0.5*0.8，即0.4。在场景系数使用时，以自适应巡航跟车距离为例，假设目前跟车距离为10米，那么，晴朗天气跟车距离为10米，雨天跟车距离为10米/0.5＝20米，夜间雨天的跟车距离就是10米/0.4＝25米。

对于雨天、雪天、夜晚，会根据雨量大小、雪量大小、夜间亮度，对控制参数进行修正。

以雨量大小为例，不下雨时，修正系数为基准修正系数1，小雨为0.8，中雨为0.5，大雨为0.2。同样以自适应巡航跟车距离10米为例，小雨时跟车距离为10米/0.8＝12.5米，中雨时跟车距离为10米/0.5＝20米，大雨时跟车距离为10米/0.2＝50米。注意，此系数低于一定范围时，表示该场景控制风险太大，辅助驾驶系统已经不能使用了。比如大雨情况下，这时应该功能退出，并提醒驾驶员控制车辆。

在无法识别到准确天气状况时，系统将按照默认晴朗天气进行控制。

系统完成场景判断之后，会将判断结果提供给自学习单元和模式选择单元。自学习单元借助场景判断结果，区分此时学习的场景或场景。模式选择单元会依据场景不同，选择最合适控制参数供辅助驾驶控制单元进行辅助驾驶控制。

如图2所示，用户选择为新用户或用户为老用户但选择重置自学习参数(统不会直接删除原自学习结果，而是在原来基础上进行自学习)时，系统会开启自学习模式；

开启自学习模式之后，系统首先根据场景判断结果，进行场景判断，确定需要学习的场景对应的参数。其他场景对应的参数根据识别到的修正倾向进行适应性调整。

自学习过程中，辅助驾驶系统各项条件判断逻辑会持续运行，根据驾驶员踩下刹车的时机、深度和速度，油门踏板踩下的时机、深度和速度，车辆行驶速度、加/减速度，前车相对距离、相对速度等信息，直接得到或通过进一步计算得到驾驶参数：跟车距离、跟车制动减速度、跟车加速度、起步价速度、跟停距离和碰撞预警时机。

由于自学习可能无法覆盖全部特征数据，在学习到某特征点数据之后，会对其他特征点数据进行预判修正。例如，驾驶员在市区进行自学习，可能在此过程中，他没有遇到堵车，或者没有遇到雨天等情况。那么系统会对这些场景的系数进行一定程度的调整。

本实施例以自适应巡航跟车距离为例：如驾驶员在晴朗天气下自学习到的跟车距离为15米，系统之前的默认设置是10米，而自学习过程没有覆盖的雨天默认雨天的设置是20米。此时，系统会对雨天设置进行修正，该修正方法可以采用等比例转换，即雨天跟车距离修正为20米*(15米/10米)＝30米。不同参数的修正方法会有一些差异，一些对条件范围有明确限制的参数，会根据范围进行调整，以免出现超出范围或不合理的参数设置。

当该场景下自学习结果趋于稳定，即图3中的各组参数变化趋势收敛(例如近10次记录值波动范围不超过10％或方差不超过设定值)之后，系统会提示驾驶员已经完成自学习，驾驶员可以开启自适应巡航功能开始体验。体验过程中，系统自学习暂停。驾驶员可以通过开关或智能中控选择是否保存自学习结果。保存结果代表该场景的自学习完成。不保存，当驾驶员关闭功能时，系统会继续对驾驶员习惯进行学习。

自学习结果主要用于职能辅助驾驶中的ACC(自适应巡航，后文意义相同)和FCW(前方碰撞预警，后文意义相同)功能。学习后的参数会替换默认参数设置，以满足驾驶员对驾驶风格的需求。

系统支持多个用户保存各自喜欢的辅助驾驶参数设置，用户可以通过开关或智能中控选择自己的参数设置。系统将会分组保存每个用户的参数信息，并将每组参数进行编号，用户通过选择这些编号信息，系统会将对应的参数用于辅助驾驶控制。在智能中控系统支持的情况下，可以对这些编号进行命名进行个性化设置，例如：某某的驾驶设置或飙车模式等。系统可接收驾驶员提供的用户选择对应的分组数据，若驾驶员未进行选择，按照默认设置进行辅助驾驶控制。

本方案提供两种不同的自学习方法，如图3和图4。两种方法的对算力的要求不一样，对于不同的车辆配置(控制器性能)，可选择不同的方法设计软件。

第一种方法会直接学习各项参数指标，如图3，包括跟车距离、跟车制动减速度、跟车加速度、起步加速度、跟停距离、碰撞预警时机，该参数指标直接作为自学习结果保存。

其中，跟车距离、跟车制动减速度、跟车加速度、起步加速度、跟停距离主要用于ACC控制。自学习结果不能超过辅助驾驶控制系统允许的最大安全范围，避免安全风险。

碰撞预警时机用于FCW功能自学习，实际代表的是TTC(碰撞事件，后文意义相同)。通过一个数组对每一个FCW对应的场景分别自学习(FCW标准场景包括CCRs(前程静止)、CCRm(前车运动)和CCRb(前车制动)等，可以参考法规，也可以软件设计时进行自定义)。如果当前默认的TTC设置高于驾驶员驾驶实际情况，系统将自动降低该FCW场景下的TTC设置，防止出现频繁报警。报警参数设置不能超过FCW系统允许的最大安全范围，避免安全风险。例如，在某个场景下TTC的最大安全设置是2s，默认设置是3s,自学习发现驾驶员通常会在2.5s时采取紧急制动，及刹车踩下速度快且踩下深度大，系统会将设置由3s更新为2.5s。

该方法用于内存充足，算力足够的系统。

第二种方法会评估驾驶员驾驶习惯，如图4，系统会将驾驶习惯设为5个级别：新手、舒适、平衡、竞速、激进，各级别的参数设置如图5(即设置了5个驾驶风格，并对每个驾驶风格的驾驶参数进行了预设)。其中新手级别设置最为保守；舒适级别较为保守；平衡级别较中庸；竞速级别较激进；激进模式最为激进。5个级别是递进关系，其中新手级别和激进级别的设置通常是最大或最小设置，如图5，其他三个级别再最大值和最小值之间取线性插值。

该方法和第一种一样，会从跟车距离、跟车制动减速度、跟车加速度、起步加速度、跟停距离、碰撞预警时机这些方面去分场景进行个性化学习。但是学习得到的结果不再是参数，而是5个不同级别。根据比较自学习结果和五个级别的默认设置值，取最接近的设置的级别为学习结果。例如，新手级别的加速度设置为1m/s²，舒适级别是1.5m/s²，平衡级别是2m/s²，自学习的结果是1.7m/s²。自学习结果1.7m/s²介于舒适级别和平衡级别之间，那么将自学习结果分别于舒适级别和平衡级别相减并取绝对值，与哪一级别绝对值较小则学习结果归为哪一级别。因此1.7m/s²的结果判定为舒适级别。

跟车距离、跟车制动减速度、跟车加速度、起步加速度、跟停距离的级别主要用于ACC控制。5个级别对应的控制参数预先在辅助驾驶控制单元中的ACC功能内已经设定好。

碰撞预警时机的级别用于FCW功能自学习。5个级别对应的控制参数预先在辅助驾驶控制单元中的FCW功能内已经设定好。

该方法用于内存和算力较有限的系统。

系统完成自学习之后，模式选择模块会结合驾驶员选择、场景场景、自学习结果，选择最优的参数进行辅助驾驶控制。如图3，在参数选择时，系统会依次判断当前所处的场景(道路类别、拥堵状况、天气)，选择对应的控制参数组。之后，在根据当前的运动信息设置驾驶参数(跟车距离设置根据当前车速实时选择，跟车制动减速度设置根据车速、相对距离、相对车速实时选择，跟车加速度设置根据车速、相对距离、相对车速实时选择，起步加速度设置根据相对距离、相对车速实时选择，跟停距离设置直接调用)。而后，会将被选择的参数传递给辅助驾驶控制单元，将辅助完成对执行机构的交互控制。

如图6所示，该方法的系统架构主要包括：车身控制单元、智能中控系统、雷达、摄像头、存储器、智能辅助驾驶控制器、发动机管理系统、电子助力转向系统、变速箱控制系统、车身稳定控制系统。其中，智能辅助驾驶控制器包括自学习单元、场景判断单元、模式选择单元和辅助驾驶控制单元。

其中，存储器的作用是保存运行数据，存储器中需要有一部分存储单元具备断电之后保留数据的能力，以确保个性化设置不会因为断电擦除。

本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (9)

1.一种自学习辅助驾驶方法，其特征在于：

对车辆所处场景进行判断，所述场景包括天气、道路类别和拥堵状态；

当用户为新用户或用户为老用户但选择重置自学习参数时，进行当前场景下的自学习过程，并在自学习过程结束后保存自学习结果，以及根据自学习结果内当前场景的驾驶参数进行辅助驾驶控制；

当用户为老用户且未选择重置自学习参数时，根据当前场景从上次存储的自学习结果中选择对应场景的驾驶参数进行辅助驾驶控制；

所述自学习过程为根据当前驾驶员的驾驶动作得到辅助驾驶所需的驾驶参数的过程；

所述自学习结束后，直接将自学习得到的驾驶参数存储为自学习结果，或

设置多个驾驶风格，并对每个驾驶风格的驾驶参数进行预设，将自学习得到的驾驶参数与各个驾驶风格预设的驾驶参数进行比对，将最接近的驾驶风格作为自学习结果；

所述将自学习得到的驾驶参数与各个驾驶风格预设的驾驶参数进行比对时，将驾驶参数中的每个参数均分别与各驾驶风格预设的对应参数进行比对，得到驾驶参数中各参数分别对应的驾驶风格。

2.根据权利要求1所述的自学习辅助驾驶方法，其特征在于：所述天气、道路类别和拥堵状态均包括多个种类，当一个场景的天气、道路类别和拥堵状态中任意一个或多个的种类与另一个场景不同时，该场景与所述另一个场景属于不同的场景；

对一个场景进行自学习，得到该场景下的驾驶参数后，其余场景下的驾驶参数均通过修正的方式进行计算，所述当前场景下的驾驶参数和计算得到的其余场景下的驾驶参数均属于本次自学习结果。

3.根据权利要求1所述的自学习辅助驾驶方法，其特征在于：所述驾驶参数包括跟车距离、跟车制动减速度、跟车加速度、起步加速度、跟停距离和碰撞预警时机。

4.根据权利要求1所述的自学习辅助驾驶方法，其特征在于：所述天气包括晴朗、雨天、夜晚和雪天，每种天气均对应一个场景系数；

当其中一种天气下进行自学习得到驾驶参数后，同种道路类别和拥堵状态下其它天气的驾驶参数均通过各场景系数之间的比例关系进行计算；

当车辆处于复合天气时，该复合天气对应的场景系数为组成该复合天气的各天气的场景系数的乘积。

5.根据权利要求1所述的自学习辅助驾驶方法，其特征在于：不同驾驶员自学习得到的自学习结果采用分组的方式进行存储，不同的分组间采用不同编号或不同命名进行标识区分；

驾驶员可选择与自己对应的分组并利用该分组存储的驾驶参数进行辅助驾驶。

6.根据权利要求1所述的自学习辅助驾驶方法，其特征在于：所述道路类别基于导航系统和车速进行判断；

当导航系统有效时，根据导航系统判断道路类别；

当导航系统失效时，根据车速判断道路类别；

其中当车速大于设定车速时，判断为高速或快速路，反之为城市路况；

当导航系统失效，且车速信息获取异常时，将道路类别按默认设置处理。

7.根据权利要求1所述的自学习辅助驾驶方法，其特征在于：所述拥堵状态根据导航系统、雷达和摄像头进行识别，当导航系统与雷达和摄像头识别的拥堵状态不一致时，对雷达和摄像头的判断标准进行修正。

8.根据权利要求1所述的自学习辅助驾驶方法，其特征在于：所述天气通过光线传感器、前大灯、自动雨刮、雨量传感器中的一种或多种进行判断。

9.根据权利要求3所述的自学习辅助驾驶方法，其特征在于：当某场景下自学习得到的碰撞预警时机低于该场景下的默认设置，则降低该场景下的默认设置；

当某场景下自学习得到的碰撞预警时机高于该场景下的默认设置，且在允许的安全范围内，则将该自学习得到的碰撞预警时机数据作为该场景下自学习结果的有效数据。

Images