CN112230641B - 车辆的制动曲线的生成方法和装置 - Google Patents
车辆的制动曲线的生成方法和装置 Download PDFInfo
- Publication number
- CN112230641B CN112230641B CN201910578200.8A CN201910578200A CN112230641B CN 112230641 B CN112230641 B CN 112230641B CN 201910578200 A CN201910578200 A CN 201910578200A CN 112230641 B CN112230641 B CN 112230641B
- Authority
- CN
- China
- Prior art keywords
- particle
- current
- penalty function
- function score
- optimal
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 88
- 239000002245 particle Substances 0.000 claims abstract description 443
- 230000001133 acceleration Effects 0.000 claims abstract description 94
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 48
- 230000008569 process Effects 0.000 claims abstract description 35
- 230000008859 change Effects 0.000 claims abstract description 29
- 238000011156 evaluation Methods 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims description 168
- 230000003247 decreasing effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Optimization (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本申请提出一种车辆的制动曲线的生成方法和装置,其中,方法包括:利用粒子群算法获取规划参数的目标值,根据评估函数评分动态调整粒子群算法中的惯性权重,规划参数包括:第一时间转折点、第二时间转折点和加速度变化率;根据规划参数的目标值生成车辆的制动曲线。通过利用粒子群算法求解多个规划参数的值,根据获取的加速度发生转折的两个周期点和加速度变化率生成的制动曲线比较平滑,增加了车辆速度和加速度过渡性,提高了车辆制动过程中的舒适性和安全性,另外在利用粒子群求解的过程中,根据评估函数评分动态调整惯性权重,增加了粒子群算法的全局搜索能力,避免陷入局部最优解,提高了目标值的准确性,从而提高了规划的制动曲线的准确性。
Description
技术领域
本申请涉及车辆技术领域,尤其涉及一种车辆的制动曲线的生成方法和装置。
背景技术
对于车辆的控制过程,会涉及到制动过程,由于制动过程对车辆上乘客的安全性和舒适性影响极大,因此制动过程是关键的控制过程。
相关技术中,通常是车辆在接收到制动指令后,按照运动力学方程进行减速,这种方式下,车辆从匀速状态转向制动状态时,加速度的变化率的非常大,使得车辆在制动过程中安全性和舒适性较差。
发明内容
本申请实施例提出一种车辆的制动曲线的生成方法,用于解决相关技术中基于运动力学方程进行制动的方式,车辆的舒适性和安全性较低。
本申请实施例一方面提出一种车辆的制动曲线的生成方法,包括:
利用粒子群算法获取规划参数的目标值,其中,所述粒子群中每个粒子的位置代表所述规划参数的一组值,所述粒子群算法中的惯性权重根据评估函数评分动态调整,所述评估函数评分用于评估粒子群中各粒子的当前最优位置,所述规划参数包括:第一时间转折点、第二时间转折点和加速度变化率,其中,所述第一时间转折点为加速度由递减转折到恒定值的周期点,所述第二时间转折点为所述加速度由恒定值转折到递增的周期点;
根据所述规划参数的目标值生成车辆的制动曲线。
本申请实施例的车辆的制动曲线的生成方法,首先利用粒子群算法获取规划参数的目标值,其中,粒子群中每个粒子的位置代表规划参数的一组值,粒子群算法中的惯性权重根据评估函数评分动态调整,评估函数评分用于评估粒子群中各粒子的当前最优位置,规划参数包括:第一时间转折点、第二时间转折点和加速度变化率的绝对值,其中,第一时间转折点为加速度由递减转折到恒定值的周期点,第二时间转折点为加速度由恒定值转折到递增的周期点,然后根据规划参数的目标值生成车辆的制动曲线。由此,通过利用粒子群算法求解多个规划参数的值,根据获取的加速度发生转折的两个周期点和加速度变化率生成的制动曲线比较平滑,增加了车辆速度和加速度过渡性,提高了车辆制动过程中的舒适性和安全性,另外在利用粒子群求解的过程中,根据评估函数评分动态调整惯性权重,增加了粒子群算法的全局搜索能力,避免陷入局部最优解,提高了目标值的准确性,从而提高了规划的制动曲线的准确性。
本申请另一方面实施例还提出一种车辆的制动曲线的生成装置,包括:
获取模块,用于利用粒子群算法获取规划参数的目标值,其中,所述粒子群中每个粒子的位置代表所述规划参数的一组值,所述粒子群算法中的惯性权重根据评估函数评分动态调整,所述评估函数评分用于评估粒子群中各粒子的当前最优位置,所述规划参数包括:第一时间转折点、第二时间转折点和加速度变化率,其中,所述第一时间转折点为加速度由递减转折到恒定值的周期点,所述第二时间转折点为所述加速度由恒定值转折到递增的周期点;
生成模块,用于根据所述规划参数的目标值生成车辆的制动曲线。
本申请实施例的车辆的制动曲线的生成装置,通过利用粒子群算法获取规划参数的目标值,其中,粒子群中每个粒子的位置代表规划参数的一组值,粒子群算法中的惯性权重根据评估函数评分动态调整,评估函数评分用于评估粒子群中各粒子的当前最优位置,规划参数包括:第一时间转折点、第二时间转折点和加速度变化率的绝对值,其中,第一时间转折点为加速度由递减转折到恒定值的周期点,第二时间转折点为加速度由恒定值转折到递增的周期点,根据规划参数的目标值生成车辆的制动曲线。由此,通过利用粒子群算法求解多个规划参数的值,根据获取的加速度发生转折的两个周期点和加速度变化率生成的制动曲线比较平滑,增加了车辆速度和加速度过渡性,提高了车辆制动过程中的舒适性和安全性,另外在利用粒子群求解的过程中,根据评估函数评分动态调整惯性权重,增加了粒子群算法的全局搜索能力,避免陷入局部最优解,提高了目标值的准确性,从而提高了规划的制动曲线的准确性。
本申请另一方面实施例还提出一种计算机设备,包括处理器和存储器;
其中,所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于实现如上述一方面实施例所述的车辆的制动曲线的生成方法。
本申请另一方面实施例还提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述一方面实施例所述的车辆的制动曲线的生成方法。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例提供的一种车辆的制动曲线的生成方法的流程示意图;
图2为本申请实施例中的一种速度-距离曲线示意图;
图3为本申请实施例提供的一种速度-周期曲线示意图;
图4为本申请实施例提供的一种加速度-周期曲线的示意图;
图5为本申请实施例提供的一种获取目标参数的方法的流程示意图;
图6为本申请实施例提供的另一种获取目标规划参数的方法的流程示意图;
图7为本申请实施例提供的一种车辆的制动曲线的生成装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的车辆的制动曲线的生成方法和装置。
图1为本申请实施例提供的一种车辆的制动曲线的生成方法的流程示意图。
如图1所示,该车辆的制动曲线的生成方法包括:
步骤101,利用粒子群算法获取规划参数的目标值。
粒子群算法用于多目标求解问题,本实施例中,在车辆行驶过程中,可在车辆接收到制动指令时,利用粒子群算法获取规划参数的目标值,即获取规划参数的最优解。
其中,规划参数包括第一时间转折点、第二时间转折点和加速度变化率。需要说明的是,第一时间转折点和第二时间转折点是制动周期的整数倍。其中,制动周期为车辆下发指令的时间间隔,即制动周期为车辆下发指令的周期。
这里的制动指令可以是车辆根据车辆上的传感器采集的数据生成的,也可以是根据用户的制动操作生成的,本申请对此不做限制。比如,根据车辆上的传感器采集的数据,确定前方80米为红绿灯路口,那么车辆可生成制动指令。
本实施例中,规划参数包括第一时间转折点、第二时间转折点和加速度变化率三个参数,可将规划参数的一组值抽象为一个粒子,规划参数的多组值构成了粒子群。其中,粒子群中每个粒子的位置代表规划参数的一组值,粒子每次更新一次位置,即粒子进行移动,说明粒子的位置对应的规划参数的值发生了变化,通过粒子群中各个粒子的运动找到最优位置,即找到规划参数的最优解即目标值。可以理解的是,本实施例中求解的是三个参数的值,那么粒子群中各粒子的位置是三维的。
比如,将初始化时得到的规划参数第一时间转折点、第二时间转折点和加速度变化率的三组值{200、300、-0.002}、{150、300、-0.0035}、{165、235、-0.004}分别抽象为三个粒子。
在具体实现时,可以生成多个粒子,比如50个粒子或者100个粒子,或者更多粒子,具体的粒子数量可以根据实际需要设定。
标准的粒子群算法的粒子速度更新公式中包含惯性权重,惯性权重用于表示粒子当前速度对前一次速度的依赖程度。为提高了粒子群算法全局搜索能力,本实施例中,根据评估函数评分动态调整惯性权重,由此可以增加粒子群算法的全局搜索能力,避免陷入局部最优解,提高了求解出的目标值的准确性。
本实施例中,在车辆状态转折点利用变加速度原理增加车辆加速度过渡性,用两个转折点把减速区间分为三段区间。作为一个示例,第一段区间为加速度为零到恒定值的减速区间,可以恒定加速度变化率使车辆加速度较缓慢从零达到恒定负值;第二段区间是车辆以恒定加速度运行的减速区间;第三段区间的加速度较缓慢的从恒定值变为零的减速区间,可以恒定加速度变化率使车辆加速度较缓慢从恒定值变为零。其中,第一段区间和第三段区间内加速度变率的绝对值相等,这里获取的加速度变化率为第一段区间内加速度的变化率,为负值,而第二段区间内的加速度变化率为第一段区间内加速度变化率的绝对值。在实际应用中,也可以直接求解加速度变化率的绝对值,即求解一个正值。
作为另一个示例,第一段区间为加速度为零到恒定值的减速区间,可以非恒定加速度变化率使车辆加速度较缓慢从零达到恒定负值;第二段区间是车辆以恒定加速度运行的减速区间;第三段区间的加速度较缓慢的从恒定值变为零的减速区间,可以非恒定加速度变化率使车辆加速度较缓慢从恒定值变为零。其中,第一段区间和第三段区间内加速度变率的绝对值可以不相等。
因此,本实施例中,第一时间转折点是加速度由递减转折到恒定值的周期点,第二时间转折点是加速度由恒定值转折到递增的周期点,也就是说,第一时间转折点和第二时间转折点是加速变化率的值发生变化的时间点,即第一时间转折点是加速度变化率由小于零变化为等于零的周期点,第二时间转折点是加速度变化率由等于变化为大于零的周期点。这里的周期点是指时间转折点为制动周期的整数倍。
在实际应用中,可根据实际需要设定第一时间转折点、第二时间转折点和加速度变化率。
步骤102,根据规划参数的目标值生成车辆的制动曲线。
本实施例中,可在获取规划参数的目标值后,可根据规划参数的目标值生成车辆的制动曲线。其中,制动曲线包括但不限于速度-距离曲线、速度-周期曲线、加速度-周期曲线、距离-周期曲线、加速度-距离曲线等。需要说明的是,制动曲线中的周期是车辆的制动周期。
例如,根据第一时间转折点、第二时间转折点、加速度变化率和车辆的制动周期可直接生成加速度-周期曲线。可以理解的是,在已知加速度-周期曲线的情况下,也可以绘制出其他制动曲线。
比如,制动周期为0.5秒,图2为本申请实施例中的一种速度-距离曲线示意图,图3为本申请实施例提供的一种速度-周期曲线示意图,图4为本申请实施例提供的一种加速度-周期曲线的示意图,需要说明的是,制动曲线是由离散的点组成的,由于车辆从制动开始到停车所经历的时间远大于制动周期,因此,图2-图4中的曲线中离散点形成了实线。由图2和图3可以看出生成的制动曲线,相比根据公式v末 2-v初 2=2as得到曲线,速度的变化比较平滑;图4中,T1为第一时间转折点,T2为第二时间转折点。
在实际应用中,大多数车辆对精准位置停车有一定要求,制动指令发出到制动实施有一定延时,从图3可以看出本实施例生成的制动曲线,使得车辆静止之前几个制动命令周期车辆速度较低,从而可以降低延时系统造成的停车误差。
在实际应用中,为了提高车辆的跟随效率,可以根据规划参数的目标值生成多条制动曲线,使车辆根据多条制动曲线进行制动,以在车辆根据制动曲线制动的过程中,提高车辆的跟随效率。
比如,制动目标为停车,生成的制动曲线为加速度-周期曲线、速度-周期曲线、速度-距离曲线,当车辆根据速度-周期曲线中规划的速度行驶时,还根据速度-距离曲线,那么可以使车辆能够达到制动目标,而且车辆还根据加速度-周期曲线中的规划的加速度进行制动,可以快速调整车辆的加速度,无需通过其他参数计算得到后再调整,由此,根据多条制动曲线进行制动可以提高了车辆的跟随效率。
本申请实施例的车辆的制动曲线的生成方法,首先通过利用粒子群算法获取规划参数的目标值,其中,粒子群中每个粒子的位置代表规划参数的值,粒子群算法中的惯性权重根据评估函数评分动态调整,然后根据规划参数的目标值生成车辆的制动曲线。由此,通过利用粒子群算法求解多个规划参数的值,根据获取的加速度发生转折的两个周期点和加速度变化率生成的制动曲线比较平滑,增加了车辆速度和加速度过渡性,提高了车辆制动过程中的舒适性和安全性,另外在利用粒子群求解的过程中,根据评估函数评分动态调整惯性权重,增加了粒子群算法的全局搜索能力,避免陷入局部最优解,提高了目标值的准确性,从而提高了规划的制动曲线的准确性。
由于规划参数包括多个参数,获取规划参数的目标值可以看作是一个多目标求解的问题。下面结合图5,对获取规划参数的目标值的方法进行解释说明。图5为本申请实施例提供的一种获取规划参数的目标值的方法的流程示意图。
本实施例中,评估函数为惩罚函数,那么评分函数评分为惩罚函数评分。由于是生成车辆的制动曲线,比如停车,那么车辆最终车辆时的速度和距离,可用于评价规划参数的优劣,规定的车辆最终的速度越接近零,规划的车辆停车时的距离和目标停车距离越接近,说明规划参数的值越好,粒子的位置越好。
如图5所示,该获取位置的目标值的方法包括:
步骤201,获取各粒子当前位置。
本实施例中,当前位置为前一次更新过程中得到的各粒子更新后的位置。如果当前更新过程为第一次更新过程中,那么当前位置即为各粒子初始位置。其中,各粒子初始位置为第一次根据各粒子当前位置获取对应的惩罚函数评分时,各粒子当前位置。
本实施例中,规划参数第一时间转折点、第二时间转折点和加速度变化率具有对应的限定范围。初始化时,对于各粒子,在规划参数对应的限定范围内随机选取一个值作为初始值,得到规划参数的一组值,这组值作为粒子群中所有粒子的初始位置,即粒子群中各粒子的初始位置相同,所有粒子从同一点开始运动。
比如,车辆开始制动时的速度为vmax,在0.9vmax至0.7vmax速度范围内选取任一速度对应的周期点作为第一时间转折点的初始值,在0.1vmax至0.3vmax速度范围内选取任一速度对应的周期点作为第二时间转折点,在范围-0.5m/s3至-0.0001m/s3范围内选取任一值作为加速度的变化率。
步骤202,根据各粒子当前位置获取对应的惩罚函数评分。
其中,惩罚函数评分用于评价当前位置接近最优解的程度。其中,惩罚函数评分越大,粒子当前位置距离最优解的程度越远。
本实施例中,通过获取各粒子当前位置对应的惩罚函数评分,来评价当前位置即前一次更新后的位置是否为当前最优位置。
如果各粒子当前位置为各粒子初始位置,那么获取各粒子初始位置对应的惩罚函数评分,,以判断初始位置是否满足更新结束条件。
由于车辆制动时,对速度、目标距离等具有一定的要求,比如停车,那么生成的曲线中最终速度越接近为零,车辆的行驶距离越接近目标距离,说明生成的曲线越好。因此,本申请实施例中,可将车辆的目标速度、车辆的行驶距离等作为评价依据。
具体地,可根据如下公式(1)获取各粒子当前位置对应的惩罚函数评分:
f(vmax,T1,T2,da,s)=M1×|s-st|+M2×|da×T1-at|+M3×|v-vt|(1)
其中,f(vmax,T1,T2,da,s)为惩罚函数,vmax为车辆开始制动如减速或停车时的速度,M1、M2和M3为权重,T1为第一时间转折点,T2为第二时间转折点,da为加速度变化率,s为车辆从开始减速或停车到当前的实际行驶距离,st为目标距离,at为T1对应的目标加速度,v为根据当前位置对应的规划参数的值规划的车辆的末速度,vt为车辆的目标速度。
本实施例中,M1、M2和M3为权重,代表各目标优化求解优先级,优先级越高,对应的权重越大,可以根据实际需要进行设定。比如,目标是停车,那么目标速度为0优先级最高,其次是精确停车,因此目标距离优先级次之,最后是舒适性,T1对应的目标加速度最低,那么对应的M1最大,M2次之,M3最小;目标距离是指车辆开始减速时最终要行驶的距离,比如车辆接收到停车指令后,车辆开始减速时车辆与停车位置之间的距离为目标距离;T1对应的目标加速度at可根据需要进行设定,比如设定at=-0.6m/s2;根据当前位置对应的规划参数的值规划得到的末速度是指根据当前位置对应的T1、T2和da的值生成的包含速度的曲线中的车辆的最终速度,比如,速度-周期曲线中,规划的车辆最终的速度为0.02m/s,若制动目标为停车,即车辆的目标速度为0,而规划的曲线中车辆的末速度不为零,说明该位置对应的规划参数的值不是最优解。
可以理解是,当当前位置对应的规划参数的值规划的末速度v与车辆的目标速度vt相等时,公式(1)中速度部分为0,说明当前位置比较好,相对于不相等的情况,位置对应的惩罚函数评分较小。
步骤203,根据各粒子当前位置对应的惩罚函数评分,确定是否满足结束条件。
本实施例中,可预先设定惩罚函数评分阈值,更新结束条件为粒子群的最优惩罚函数评分小于惩罚函数评分阈值。
在确定各粒子当前位置对应的惩罚函数评分后,将各粒子当前位置对应的惩罚函数评分与粒子群历史最优惩罚函数评分进行比较,将最小的惩罚函数评分作为粒子群的当前最优惩罚函数评分,并将粒子群的当前最优惩罚函数评分与惩罚函数评分阈值进行比较,其中,粒子群历史最优惩罚函数评分是粒子群前一次更新后确定的粒子群最优惩罚函数评分。如果粒子群的当前最优惩罚函数评分大于惩罚函数评分阈值,说明不满足更新结束条件;如果粒子群的当前最优惩罚函数评分小于或等于惩罚函数评分阈值,说明满足更新结束条件。
比如,惩罚函数评分阈值为0,那么当粒子群的当前最优惩罚函数评分等于0时,说明满足更新结束条件;否则,不满足更新结束条件。
步骤204,若不满足,则根据各粒子当前位置对应的惩罚函数评分确定各粒子当前最优位置和粒子群当前最优位置。
本实施例中,若不满足更新结束条件,根据各粒子当前位置对应的惩罚函数评分确定各粒子当前最优位置时,针对每个粒子,将粒子当前位置对应的惩罚函数评分与粒子历史最优的惩罚函数评分进行比较,将较小的惩罚函数评分作为粒子当前最优惩罚函数评分,粒子当前最优惩罚函数评分对应的位置作为粒子当前最优位置。
也就是说,若粒子当前位置对应的惩罚函数评小于粒子历史最优惩罚函数评分,则粒子当前位置对应的惩罚函数评分为粒子当前最优惩罚函数评分,粒子当前位置为粒子当前最优位置;若粒子当前位置对应的惩罚函数评大于或等于粒子历史最优惩罚函数评分,则粒子历史最优位置为粒子当前最优位置,将粒子历史最优惩罚函数评分作为粒子当前最优惩罚函数评分。其中,粒子历史最优位置与历史最优惩罚函数评分对应。
在确定粒子群当前最优位置时,可将各粒子当前位置对应的惩罚函数评分与粒子群最优惩罚函数评分进行比较,确定出最小的惩罚函数评分作为粒子群当前最优惩罚函数评分,将当前最优惩罚函数评分对应的位置,作为粒子群当前最优位置,即,粒子群当前最优位置是各个粒子当前位置,对应的规划参数的一组值最接近车辆制动时各参数的目标值的位置。
需要说明的是,如果当前更新过程为第一次更新过程,那么各粒子当前位置为各粒子初始位置,如果各粒子初始位置对应的惩罚函数评分不满足粒子更新结束条件,那么设定初始位置为各粒子当前最优位置和粒子群当期最优位置。
步骤205,根据各粒子当前最优位置和粒子群当前最优位置对各粒子当前位置进行更新。
在确定各粒子当前最优位置和粒子群当前最优位置后,根据粒子当前最优位置和粒子群当前最优位置对各粒子当前位置进行更新。具体地,针对每个粒子,根据粒子当前最优位置、粒子群当前最优位置和粒子当前位置计算粒子速度,根据粒子速度获取粒子更新后的位置。
在具体实现时,可根据公式(2)和公式(3)对各粒子当前位置进行更新。
V(Xi+1)=W(f)*V(Xi)+c1*r1*(pbpi-presenti)+c2*r2*(gbpi-presenti)(2)
presenti+1=presenti+V(Xi+1)(3)
其中,W(f)为惯性权重,表示对粒子前一次速度的依赖程度,可以为固定值;f为粒子当前位置的惩罚函数评分;X表示粒子,V(Xi)为粒子X当前位置对应的速度;pbpi为粒子当前最优位置;gbpi为粒子群当前最优位置;presenti为粒子当前位置;presenti+1为粒子更新后的位置;c1和c2为学习因子;r1和r2是介于(0,1)之间的随机数,本申请对此不做限制。
需要说明的是,c1和c2表示了局部寻找最优解和全局寻找最优解的权重,这两个值可以根据实际需要设定,通常c1=c2=1,本申请对此不做限制;每次根据公式(2)和公式(3)对粒子的位置进行更新时,都可以从(0,1)中随机确定r1和r2的值,也就说,每次更新时,r1的值可能与前一次更新过程中r1的值不同也可能相同,r2的值可能与前一次更新过程中r2的值不同也可能相同。
如果当前更新过程为第一次更新过程,由于更新涉及到粒子速度,本实施例中,在预设范围内随机初始化各个粒子的速度得到各粒子的初始速度,并根据各粒子的初始速度对各粒子的初始位置进行更新。比如,在[-1,1]范围内随机初始化获取各粒子初始速度。步骤206,获取各粒子更新后的位置对应的惩罚函数评分。
在粒子群中各粒子更新完毕后,获取各粒子更新后的位置对应的惩罚函数评分,具体地,可根据各粒子更新后的位置,获取更新后的位置对应的惩罚函数评分,具体方法与上述步骤202中获取各粒子当前位置对应的惩罚函数评分的方法类似,故在此不再赘述。
步骤207,根据各粒子更新后的位置对应的惩罚函数评分,确定是否满足结束条件。
步骤208,若不满足,则根据各粒子更新后的位置对应的惩罚函数评分,确定各粒子当前最优位置和粒子群当前最优位置。
本实施例中,步骤207-步骤208与前述步骤203-步骤204类似,故在此不再赘述。
步骤209,根据各粒子当前最优位置和粒子群当前最优位置,对各粒子更新后的位置继续更新,直到满足结束条件,此时粒子群当前最优位置对应的规划参数的值为规划参数的目标值。
本实施例中,当从各粒子当前位置对应的惩罚函数评分与粒子群历史最优惩罚函数评分中确定的粒子群的当前最优惩罚函数的评分满足结束条件,那么停止对各粒子的位置的更新,这时粒子群当前最优惩罚函数评分对应的粒子位置为最优解,将该位置对应的规划参数的一组值作为规划参数的目标值。
本实施例中,在每次更新过程中,先对各粒子当前位置进行评估,判断是否满足粒子更新结束条件,若不满足,则确定各粒子的当前最优位置和粒子群当前最优位置,并根据各粒子当前最优位置和粒子群当前最优位置对各粒子当前位置进行更新,然后进入下一次更新过程。然后,在下一次更新过程中,先对前一次更新过程中各粒子更新后的位置进行评估,判断是否满足更新结束条件,若不满足,则继续更新。
可以理解的是,对于当前更新过程而言,需要评估的各粒子当前位置为前一次更新过程中各粒子更新后的位置。由此,若某次更新过程中对各粒子当前位置进行评估,确定满足粒子群更新结束条件,那么将粒子群当前最优位置对应的规划参数的一组值作为要求解的目标值。
本申请实施例中,每个粒子可以根据惩罚函数评分确定自身当前的最优位置和粒子群当前最优位置,并根据自身当前的最优位置和粒子群当前最优位置调整自己的位置,从而粒子群向最优位置移动,从而得到最优解,即获取规划参数的目标值。
在实际应用中,粒子群初始化时,初始位置即为最优位置的概率非常低,因此,在本申请的一个实施例中,对于初始化的位置可不进行评估,而是从初次更新开始,对各粒子的位置进行评估。
具体而言,在上述获取规划参数的一组初始值作为粒子群中所有粒子的初始位置后,随机初始化粒子群中各粒子的速度,比如从范围[-1,1]中为各粒子随机选取速度,并设置初始位置为各粒子当前最优位置也是群最优位置,各粒子的初始位置对应的惩罚函数评分为最优惩罚函数评分,然后根据各粒子当前最优位置和群最优位置对各粒子的初始位置进行更新。
由于粒子的位置代表三个规划参数的值,那么粒子的位置是三维的,而粒子的初始速度是随机的,那么初次更新后,粒子群中各粒子的速度不同,即初次更新后粒子群中各粒子的位置不同。
在具体实现时,若当前位置为初始次更新得到的位置,那么可将初次更新后得到位置看作粒子的当前位置,可以根据各粒子的当前位置,获取各粒子当前位置对应的惩罚函数评分,以对初次更新后的位置进行评估。
本申请实施例中,将初次更新后的位置,即第一次更新后的位置,看作出是初始化信息,从初次更新后的位置开始,每次更新后对粒子的位置进行评估,确定各粒子的最优位置和粒子群的最优位置,以进行下一次更新。
在实际应用中,通常各粒子初次更新后存在最优解的可能性也比较小,那么可以直接对各粒子初次更新后各粒子的位置进行更新。图6为本申请实施例提供的另一种获取目标规划参数的方法的流程示意图。
如图6所示,获取目标规划参数的方法包括:
步骤301,初始化获得规划参数的一组初始值。
本实施例中,在初始化时,可在各规划参数对应的限定范围内进行初始化,获取一组初始值,将该组初始值作为粒子群中各粒子的初始位置。
比如,车辆开始制动时的速度为vmax,在0.9vmax至0.7vmax速度范围内选取任一速度对应的周期点作为第一时间转折点的初始值,在0.1vmax至0.3vmax速度范围内选取任一速度对应的周期点作为第二时间转折点,在范围-0.5m/s3至-0.0001m/s3范围内选取任一值作为加速度的变化率
步骤302,对各粒子初始位置进行更新。
本实施例中,随机初始化粒子群中各粒子的速度,比如从范围[-1,1]中为各粒子随机选取速度,并设置初始位置为各粒子当前最优位置也是群最优位置,各粒子的初始位置对应的惩罚函数评分为最优惩罚函数评分,然后根据各粒子当前最优位置和群最优位置,利用公式(2)和(3)对各粒子的初始位置进行位置。
步骤303,评估各粒子当前最优位置。
本实施例中,由于粒子群中各粒子初次更新后存在最终最优解的可能性比较小,因此评估各粒子初次更新后各粒子当前最优位置和粒子群最优位置。
具体地,可将各粒子初始位置更新后的位置,即各粒子初次更新后的位置作为各粒子当前位置,获取各粒子当前位置对应的惩罚函数评分,通过根据各粒子当前位置对应的惩罚函数评分与各粒子历史最优惩罚函数评分,来确定各粒子当前最优规划参数,可以理解的是,当将各粒子初次更新后的位置作为各粒子的当前位置为时,那么各粒子的历史最优惩罚函数评分为规划参数的初始值对应的惩罚函数评分。具体方法与上述步骤203类似,故在此不再赘述。
步骤304,评估粒子群当前最优位置。
本实施例中,可将各粒子初始位置更新后的位置,即各粒子初次更新后的位置作为各粒子当前位置,获取各粒子当前位置对应的惩罚函数评分。然后,根据各粒子当前位置对应的惩罚函数评分与粒子群历史最优惩罚函数评分,确定粒子群当前最优惩罚函数评分,粒子群当前最优惩罚函数评分对应的位置即为粒子群当前最优位置。
可以理解的是,当将各粒子初次更新后的位置作为各粒子的当前位置为时,那么各粒子的历史最优惩罚函数评分为规划参数的初始值对应的惩罚函数评分,由于各粒子的初始位置相同,那么初始位置对应的惩罚函数评分即为粒子群最优惩罚函数评分。
步骤305,对各粒子当前位置进行更新。
在确定各粒子当前最优位置和粒子群当前最优位置后,可根据上述公式(2)和(3)对各粒子当前位置进行更新。
步骤306,是否满足结束条件。如果满足结束条件,则执行步骤307;如果不满足结束条件,则执行步骤303。
本实施例中,结束条件可以是粒子群当前最优惩罚函数评分小于或等于惩罚函数评分阈值,可以是粒子群当前最优规划参数规划的曲线中某个量满足要求,比如规划的曲线中末速度等于目标速度,或者规划的行驶距离等于目标距离等等。
步骤307,将粒子群当前最优位置对应的规划参数的值作为规划参数的目标值。
本实施例中,当满足结束条件时,可将粒子群当前最优位置对应规划参数的值作为规划参数的目标值。这里的粒子群当前最优位置,可以根据各粒子当前位置对应的惩罚函数评分以及粒子群最优惩罚函数评分确定,即将最小惩罚函数评分作为粒子群最优惩罚函数评分,该粒子群最优惩罚函数评分对应的粒子位置代表的规划参数的值为规划参数的目标值。
在实际应用中,如果公式(2)中的惯性权重为固定值,容易使粒子群陷入局部最优解,即求出的最优解不是最优的。基于此,在本申请的一个实施例中,每次对各粒子当前位置进行更新之前,可先根据各粒子当前位置对应的惩罚函数评分动态调整惯性权重。
在具体实现可根据公式(4)和惩罚函数评分动态调整惯性权重。
其中,Wb表示最佳收敛惯性权重,f为各粒子当前位置对应的惩罚函数评分。
本实施例中,可预先利用图5或图6所示的获取规划参数的目标值的方法获取最佳收敛惯性权重。具体地,在公式(2)中惯性权重为固定值的情况下多次执行图5或图6所示的方法,需要说明的是,这里的惯性权重为固定值是指每次执行时惯性权重不同,每次执行之前可从限定范围内随机选取,同一执行过程中惯性权重为固定值。比如,限定范围为(0,1),那么每次执行时,从该限定范围内选取一个值作为惯性权重。
其中,最佳收敛惯性权重Wb的评价指标可以为n次速度-距离曲线V-S的发散程度,即方差公式(5):
本申请实施例中,在对各粒子当前位置更新之前,先通过惩罚函数评分动态调整惯性权重,可以增加全局搜索能力,避免陷入局部最优解,从而提高了生成的制动曲线的准确性。
为了提高生成的制动曲线效率和准确性,在本申请的一个实施例中,可对规划参数的范围进行限定,在根据各粒子当前最优位置和粒子群当前最优位置对各粒子当前规划参数进行更新时,使其在各参数对应的限定范围进行更新,即在可行解范围内寻找最优解。
比如,作为一个示例,车辆开始制动时的速度为vmax,限定第一时间转折点对应的速度在0.9vmax~0.7vmax速度范围内,第二时间转折点对应的速度在0.1vmax~0.3vmax速度范围内,加速度变化率的绝对值的在0.0001~0.5m/s3范围内,而不局限于此。
为了实现上述实施例,本申请实施例还提出一种车辆的制动曲线的生成装置。图7为本申请实施例提供的一种车辆的制动曲线的生成装置的结构示意图。
如图7所示,该车辆的制动曲线的生成装置包括:获取模块410、生成模块420。
获取模块410,用于利用粒子群算法获取规划参数的目标值,其中,粒子群中每个粒子的位置代表规划参数的值,粒子群算法中的惯性权重根据评估函数评分动态调整,评估函数评分用于评估粒子群中各粒子的当前最优位置,规划参数包括:第一时间转折点、第二时间转折点和加速度变化率,其中,第一时间转折点为加速度由递减转折到恒定值的周期点,第二时间转折点为所述加速度由恒定值转折到递增的周期点;
生成模块420,用于根据规划参数的目标值生成车辆的制动曲线。
在本申请实施例一种可能的实现方式中,上述获取模块410包括:
第一获取单元,用于获取各粒子当前位置;
第二获取单元,用于根据各粒子当前位置获取对应的惩罚函数评分;
判断单元,用于根据各粒子当前位置对应的惩罚函数评分,确定是否满足结束条件;
确定单元,用于在不满足结束条件时,根据各粒子当前位置对应的惩罚函数评分确定各粒子当前最优位置和所述粒子群当前最优位置;
更新单元,用于根据各粒子当前最优位置和所述粒子群当前最优位置对各粒子当前位置进行更新;
第二获取单元,还用于获取各粒子更新后的位置对应的惩罚函数评分;
判断单元,还用于根据各粒子更新后的位置对应的惩罚函数评分,确定是否满足结束条件;
确定单元,还用于在不满足更新条件时,根据各粒子更新后的位置对应的惩罚函数评分,确定各粒子当前最优位置和粒子群当前最优位置;
更新单元,还用于根据各粒子当前最优位置和所述粒子群当前最优位置,对各粒子更新后的位置继续更新,直到满足结束条件,此时粒子群当前最优位置对应的规划参数的一组值为规划参数的目标值。
在本申请实施例一种可能的实现方式中,上述第一获取单元,还用于:
对于各粒子,在规划参数对应限定范围内随机选取一组值作为初始位置,其中,各粒子初始位置为第一次根据各粒子当前位置获取对应的惩罚函数评分时,各粒子当前位置。在本申请实施例一种可能的实现方式中,上述第二获取单元,具体用于:
根据如下公式获取各粒子当前位置对应的惩罚函数评分:f(vmax,T1,T2,da,s)=M1×|s-st|+M2×|da×T1-at|+M3×|v-vt|
其中,vmax为车辆开始减速或停车时的速度,M1、M2和M3为权重,T1为第一时间转折点,T2为第二时间转折点,da为加速度变化率的绝对值,s为车辆从开始减速或停车到当前的实际行驶距离,st为目标距离,at为T1对应的目标加速度,v为根据当前位置对应的规划参数的值规划的末速度,vt为车辆的目标速度。
在本申请实施例一种可能的实现方式中,上述确定单元,具体用于:
如果粒子当前位置对应的惩罚函数评分小于粒子历史最优惩罚函数评分,则粒子当前位置为粒子当前最优位置;
如果粒子当前位置对应的惩罚函数评分大于或者等于粒子历史最优惩罚函数评分,则粒子的历史最优位置为粒子当前最优位置。
在本申请实施例一种可能的实现方式中,上述更新单元,具体用于:
通过如下公式进行更新:
V(Xi+1)=W(f)*V(Xi)+c1*r1*(pbpi-presenti)+c2*r2*(gbpi-presenti);
presenti+1=presenti+V(Xi+1);
其中,W(f)为惯性权重,f为当前位置的惩罚函数评分,V(Xi)为粒子当前位置对应的速度,pbpi为粒子当前最优位置,gbpi为粒子群当前最优位置,presenti为粒子当前位置,presenti+1为粒子更新后的位置,c1和c2为学习因子,r1和r2是介于(0,1)之间的随机数。
在本申请实施例一种可能的实现方式中,上述获取模块410,还包括:
调整单元,用于根据预先获取的最佳收敛惯性权重和各粒子当前位置对应的惩罚函数评分,对所述惯性权重进行调整。
在本申请实施例一种可能的实现方式中,上述获取模块410,具体用于:
根据如下公式调整所述惯性权重:
其中,Wb表示最佳收敛惯性权重,f为各粒子当前位置对应的惩罚函数评分。在本申请实施例一种可能的实现方式中,上述更新单元,还用于:
在各规划参数对应的限定范围内进行更新。
在本申请实施例一种可能的实现方式中,所述制动曲线包括速度-距离曲线、速度-周期曲线、加速度-距离曲线、加速度-周期曲线、距离-周期曲线中的一种或多种。
需要说明的是,上述对车辆的制动曲线的生成方法实施例的解释说明,也适用于该实施例的车辆的制动曲线的生成装置,故在此不再赘述。
本申请实施例的车辆的制动曲线的生成装置,通过利用粒子群算法获取规划参数的目标值,其中,粒子群中每个粒子的位置代表规划参数的一组值,粒子群算法中的惯性权重根据评估函数评分动态调整,评估函数评分用于评估粒子群中各粒子的当前最优位置,规划参数包括:第一时间转折点、第二时间转折点和加速度变化率的绝对值,其中,第一时间转折点为加速度由递减转折到恒定值的周期点,第二时间转折点为加速度由恒定值转折到递增的周期点,根据规划参数的目标值生成车辆的制动曲线。由此,通过利用粒子群算法求解多个规划参数的值,根据获取的加速度发生转折的两个周期点和加速度变化率生成的制动曲线比较平滑,增加了车辆速度和加速度过渡性,提高了车辆制动过程中的舒适性和安全性,另外在利用粒子群求解的过程中,根据评估函数评分动态调整惯性权重,增加了粒子群算法的全局搜索能力,避免陷入局部最优解,提高了目标值的准确性,从而提高了规划的制动曲线的准确性。
为了实现上述实施例,本申请实施例还提出一种计算机设备,包括处理器和存储器;
其中,处理器通过读取存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于实现如上述实施例所述的车辆的制动曲线的生成方法。
为了实现上述实施例,本申请实施例还提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例所述的车辆的制动曲线的生成方法。
在本说明书的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,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模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (15)
1.一种车辆的制动曲线的生成方法,其特征在于,包括:
利用粒子群算法获取规划参数的目标值,其中,所述粒子群中每个粒子的位置代表所述规划参数的一组值,所述粒子群算法中的惯性权重根据惩罚函数评分动态调整,所述惩罚函数评分用于评估粒子群中各粒子的当前最优位置,所述规划参数包括:第一时间转折点、第二时间转折点和加速度变化率,其中,所述第一时间转折点为加速度由递减转折到恒定值的周期点,所述第二时间转折点为所述加速度由恒定值转折到递增的周期点;
所述粒子群算法中的惯性权重根据惩罚函数评分动态调整,包括:根据预先获取的最佳收敛惯性权重和各粒子当前位置对应的惩罚函数评分,对所述惯性权重进行调整,其中,
所述根据预先获取的最佳收敛惯性权重和各粒子当前位置对应的惩罚函数评分,对所述惯性权重进行调整,包括:
根据如下公式调整所述惯性权重:
其中,Wb表示最佳收敛惯性权重,f为各粒子当前位置对应的惩罚函数评分;
在惯性权重为固定值的情况下多次执行获取规划参数的目标值方法获取所述最佳收敛惯性权重,其中,所述惯性权重为固定值是指每次执行时惯性权重不同,每次执行之前从限定范围内随机选取,同一执行过程中惯性权重为固定值;最佳收敛惯性权重Wb的评价指标为n次速度-距离曲线的发散程度,公式如下:
根据所述规划参数的目标值生成车辆的制动曲线。
2.根据权利要求1所述的方法,其特征在于,所述利用粒子群算法获取规划参数的目标值,包括:
获取各粒子当前位置;
根据各粒子当前位置获取对应的惩罚函数评分;
根据各粒子当前位置对应的惩罚函数评分,确定是否满足结束条件;
若不满足,则根据各粒子当前位置对应的惩罚函数评分确定各粒子当前最优位置和所述粒子群当前最优位置;
根据各粒子当前最优位置和所述粒子群当前最优位置对各粒子当前位置进行更新;
直到各粒子当前位置对应的惩罚函数评分满足结束条件,此时粒子群当前最优位置对应的规划参数的一组值为所述规划参数的目标值。
3.根据权利要求2所述的方法,其特征在于,所述获取各粒子当前位置,包括:
对于各粒子,在规划参数对应限定范围内随机选取一组值作为初始位置,其中,各粒子初始位置为第一次根据各粒子当前位置获取对应的惩罚函数评分时,各粒子当前位置。
4.根据权利要求2所述的方法,其特征在于,所述根据各粒子当前位置获取对应的惩罚函数评分,包括:
根据如下公式获取各粒子当前位置对应的惩罚函数评分:f(vmax,T1,T2,da,s)=M1×|s-st|+M2×|da×T1-at|+M3×|v-vt|
其中,vmax为车辆开始减速或停车时的速度,M1、M2和M3为权重,T1为第一时间转折点,T2为第二时间转折点,da为加速度变化率的绝对值,s为车辆从开始减速或停车到当前的实际行驶距离,st为目标距离,at为T1对应的目标加速度,v为根据当前位置对应的规划参数的值规划的末速度,vt为车辆的目标速度。
5.根据权利要求2所述的方法,其特征在于,所述根据各粒子当前位置对应的惩罚函数评分确定各粒子当前最优位置,包括:
如果粒子当前位置对应的惩罚函数评分小于粒子历史最优惩罚函数评分,则粒子当前位置为粒子当前最优位置;
如果粒子当前位置对应的惩罚函数评分大于或者等于粒子历史最优惩罚函数评分,则粒子的历史最优位置为粒子当前最优位置。
6.根据权利要求2所述的方法,其特征在于,所述根据各粒子当前最优位置和所述粒子群当前最优位置对各粒子当前位置进行更新,包括:
通过如下公式进行更新:
V(Xi+1)=W(f)*V(Xi)+c1*r1*(pbpi-presenti)+c2*r2*(gbpi-presenti);
presenti+1=presenti+V(Xi+1);
其中,W(f)为惯性权重,f为当前位置的惩罚函数评分,V(Xi)为粒子当前位置对应的速度,pbpi为粒子当前最优位置,gbpi为粒子群当前最优位置,presenti为粒子当前位置,presenti+1为粒子更新后的位置,c1和c2为学习因子,r1和r2是介于(0,1)之间的随机数。
7.根据权利要求2所述的方法,其特征在于,所述根据各粒子当前最优位置和所述粒子群当前最优位置对各粒子当前位置进行更新,包括:
在规划参数对应的限定范围内进行更新。
8.根据权利要求 1-7任一所述的方法,其特征在于,所述制动曲线包括速度-距离曲线、速度-周期曲线、加速度-距离曲线、加速度-周期曲线、距离-周期曲线中的一种或多种。
9.一种车辆的制动曲线的生成装置,其特征在于,包括:
获取模块,用于利用粒子群算法获取规划参数的目标值,其中,所述粒子群中每个粒子的位置代表所述规划参数的一组值,所述粒子群算法中的惯性权重根据惩罚函数评分动态调整,所述惩罚函数评分用于评估粒子群中各粒子的当前最优位置,所述规划参数包括:第一时间转折点、第二时间转折点和加速度变化率,其中,所述第一时间转折点为加速度由递减转折到恒定值的周期点,所述第二时间转折点为所述加速度由恒定值转折到递增的周期点;所述粒子群算法中的惯性权重根据惩罚函数评分动态调整,包括:根据预先获取的最佳收敛惯性权重和各粒子当前位置对应的惩罚函数评分,对所述惯性权重进行调整,其中,所述最佳收敛惯性权重为从限定范围内获得的最优权重;
所述根据预先获取的最佳收敛惯性权重和各粒子当前位置对应的惩罚函数评分,对所述惯性权重进行调整,包括:
根据如下公式调整所述惯性权重:
其中,Wb表示最佳收敛惯性权重,f为各粒子当前位置对应的惩罚函数评分;
在惯性权重为固定值的情况下多次执行获取规划参数的目标值方法获取所述最佳收敛惯性权重,其中,所述惯性权重为固定值是指每次执行时惯性权重不同,每次执行之前从限定范围内随机选取,同一执行过程中惯性权重为固定值;最佳收敛惯性权重Wb的评价指标为n次速度-距离曲线的发散程度,公式如下:
生成模块,用于根据所述规划参数的目标值生成车辆的制动曲线。
10.根据权利要求 9所述的装置,其特征在于,所述获取模块,包括:
第一获取单元,用于获取各粒子当前位置;
第二获取单元,用于根据各粒子当前位置获取对应的惩罚函数评分;
判断单元,用于根据各粒子当前位置对应的惩罚函数评分,确定是否满足结束条件;
确定单元,用于在不满足结束条件时,根据各粒子当前位置对应的惩罚函数评分确定各粒子当前最优位置和所述粒子群当前最优位置;
更新单元,用于根据各粒子当前最优位置和所述粒子群当前最优位置对各粒子当前位置进行更新;
第二获取单元,还用于获取各粒子更新后的位置对应的惩罚函数评分;
判断单元,还用于根据各粒子更新后的位置对应的惩罚函数评分,确定是否满足结束条件;
确定单元,还用于在不满足更新条件时,根据各粒子更新后的位置对应的惩罚函数评分,确定各粒子当前最优位置和所述粒子群当前最优位置;
更新单元,还用于根据各粒子当前最优位置和所述粒子群当前最优位置,对各粒子更新后的位置继续更新,直到满足结束条件,此时粒子群当前最优位置对应的规划参数的一组值为所述规划参数的目标值。
11.根据权利要求 10所述的装置,其特征在于,所述第一获取单元,还用于:
对于各粒子,在规划参数对应限定范围内随机选取一组值作为初始位置,其中,各粒子初始位置为第一次根据各粒子当前位置获取对应的惩罚函数评分时,各粒子当前位置。
12.根据权利要求 10所述的装置,其特征在于,所述第二获取单元,具体用于:
根据如下公式获取各粒子当前位置对应的惩罚函数评分:f(vmax,T1,T2,da,s)=M1×|s-st|+M2×|da×T1-at|+M3×|v-vt|
其中,vmax为车辆开始减速或停车时的速度,M1、M2和M3为权重,T1为第一时间转折点,T2为第二时间转折点,da为加速度变化率的绝对值,s为车辆从开始减速或停车到当前的实际行驶距离,st为目标距离,at为T1对应的目标加速度,v为根据当前位置对应的规划参数的值规划的末速度,vt为车辆的目标速度。
13.根据权利要求 10所述的装置,其特征在于,所述确定单元,具体用于:
如果粒子当前位置对应的惩罚函数评分小于粒子历史最优惩罚函数评分,则粒子当前位置为粒子当前最优位置;
如果粒子当前位置对应的惩罚函数评分大于或者等于粒子历史最优惩罚函数评分,则粒子的历史最优位置为粒子当前最优位置。
14.一种计算机设备,其特征在于,包括处理器和存储器;
其中,所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于实现如权利要求1-8中任一所述的车辆的制动曲线的生成方法。
15.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-8中任一所述的车辆的制动曲线的生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910578200.8A CN112230641B (zh) | 2019-06-28 | 2019-06-28 | 车辆的制动曲线的生成方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910578200.8A CN112230641B (zh) | 2019-06-28 | 2019-06-28 | 车辆的制动曲线的生成方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112230641A CN112230641A (zh) | 2021-01-15 |
CN112230641B true CN112230641B (zh) | 2022-04-15 |
Family
ID=74111411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910578200.8A Active CN112230641B (zh) | 2019-06-28 | 2019-06-28 | 车辆的制动曲线的生成方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112230641B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112977556B (zh) * | 2021-04-27 | 2021-08-31 | 北京全路通信信号研究设计院集团有限公司 | 一种列车制动曲线分段方法、系统及列车控制方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631516A (zh) * | 2015-11-16 | 2016-06-01 | 长沙理工大学 | 基于历史经验和实时调整相结合的粒子群优化算法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101982992A (zh) * | 2010-10-30 | 2011-03-02 | 鲁东大学 | 认知无线电网络中基于改进粒子群的功率控制最优化算法 |
FR2993213B1 (fr) * | 2012-07-12 | 2015-10-23 | Commissariat Energie Atomique | Procede de gestion de l'energie consommee par un vehicule automobile et systeme mettant en œuvre un tel procede |
DE102015000403B3 (de) * | 2015-01-13 | 2016-04-07 | Audi Ag | Übertragen von Streckendaten an ein Kraftfahrzeug |
CN105785795B (zh) * | 2016-05-05 | 2018-11-23 | 北京交通大学 | 一种基于粒子群算法的列车运行速度曲线节能优化方法 |
US10613489B2 (en) * | 2017-06-20 | 2020-04-07 | Baidu Usa Llc | Method and system for determining optimal coefficients of controllers for autonomous driving vehicles |
CN107472302A (zh) * | 2017-07-31 | 2017-12-15 | 湖南福德电气有限公司 | 一种列车站间节能运行方法 |
CN107472292B (zh) * | 2017-07-31 | 2019-03-08 | 中车南京浦镇车辆有限公司 | 基于速度的分段制动力控制方法 |
CN109765887B (zh) * | 2018-12-21 | 2020-08-14 | 杭州翱朝科技有限公司 | 一种自动驾驶控制方法 |
-
2019
- 2019-06-28 CN CN201910578200.8A patent/CN112230641B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631516A (zh) * | 2015-11-16 | 2016-06-01 | 长沙理工大学 | 基于历史经验和实时调整相结合的粒子群优化算法 |
Also Published As
Publication number | Publication date |
---|---|
CN112230641A (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11292466B2 (en) | Method and system for vehicle curve speed restriction | |
CN106926844B (zh) | 一种基于实时环境信息的动态自动驾驶换道轨迹规划方法 | |
CN107393314B (zh) | 针对燃料效率的交通信号灯控制 | |
US7177750B2 (en) | System for influencing the speed of a motor vehicle | |
US7248962B2 (en) | System for influencing the speed of a motor vehicle | |
US7792624B2 (en) | Cruise control system | |
CN102310859B (zh) | 在车辆中推荐节约燃料的驾驶风格的方法、系统和设备 | |
JP5127917B2 (ja) | 車両制御装置 | |
US7386385B2 (en) | System for recognising the lane-change manoeuver of a motor vehicle | |
US7212907B2 (en) | System for influencing the speed of a motor vehicle | |
US10160317B2 (en) | Vehicle speed control apparatus and vehicle speed limiting apparatus | |
JP6827107B2 (ja) | 車両制御装置 | |
CN114655248A (zh) | 自动驾驶车辆的横向控制方法、装置及车辆 | |
US7162361B2 (en) | System for influencing the speed of a motor vehicle | |
CN109305195B (zh) | 列车控制方法及装置 | |
CN110347167A (zh) | 一种速度规划方法及速度规划系统 | |
US9823660B2 (en) | System for distance to stop | |
JP5796547B2 (ja) | 車両の走行支援装置 | |
US20050216170A1 (en) | System for influencing the spread of a motor vehicle | |
CN112026756A (zh) | 基于跟踪目标的危险目标选择方法、系统及车辆 | |
US20220227391A1 (en) | Systems and methods for scenario dependent trajectory scoring | |
EP3725609B1 (en) | Calibrating method for vehicle anti-collision parameters, vehicle controller and storage medium | |
GB2543921A (en) | Active vehicle suspension | |
CN112124292A (zh) | 用于车辆运动曲线的动态调节的方法和装置 | |
JP2018124663A (ja) | 移動物体予測装置 |
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 |