CN112464577B - 车辆动力学模型的构建及车辆状态信息预测方法、装置 - Google Patents

车辆动力学模型的构建及车辆状态信息预测方法、装置 Download PDF

Info

Publication number
CN112464577B
CN112464577B CN202110092643.3A CN202110092643A CN112464577B CN 112464577 B CN112464577 B CN 112464577B CN 202110092643 A CN202110092643 A CN 202110092643A CN 112464577 B CN112464577 B CN 112464577B
Authority
CN
China
Prior art keywords
state information
time
sample
vehicle
test
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
Application number
CN202110092643.3A
Other languages
English (en)
Other versions
CN112464577A (zh
Inventor
肖卓越
徐蒙恩
徐梓哲
梁健楠
周莫凡
付志强
严瑞辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Momenta Suzhou Technology Co Ltd
Original Assignee
Momenta Suzhou Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Momenta Suzhou Technology Co Ltd filed Critical Momenta Suzhou Technology Co Ltd
Priority to CN202110092643.3A priority Critical patent/CN112464577B/zh
Publication of CN112464577A publication Critical patent/CN112464577A/zh
Application granted granted Critical
Publication of CN112464577B publication Critical patent/CN112464577B/zh
Priority to EP21920563.0A priority patent/EP4216098A1/en
Priority to PCT/CN2021/109534 priority patent/WO2022156182A1/zh
Priority to US18/358,169 priority patent/US20230367934A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0097—Predicting future conditions
    • 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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • B60W2050/0037—Mathematical models of vehicle sub-units
    • B60W2050/0039—Mathematical models of vehicle sub-units of the propulsion unit
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/10—Historical data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Automation & Control Theory (AREA)
  • Geometry (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Human Computer Interaction (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Traffic Control Systems (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开一种车辆动力学模型的构建方法、装置及车辆状态信息预测方法、装置，该车辆动力学模型的构建方法包括：获得目标车辆的各样本时刻对应的样本历史状态信息、样本控制参数序列及标签车辆状态信息；针对每一样本时刻，将样本历史状态信息及样本控制参数序列，输入初始车辆动力学模型，确定样本预测状态信息；利用样本预测状态信息及标签车辆状态信息，确定当前损失值；基于当前损失值，调整初始车辆动力学模型的模型参数，直至初始车辆动力学模型达到预设收敛状态，得到预先建立的车辆动力学模型，以实现构建出更加贴合车辆的车辆动力学模型。

Description

车辆动力学模型的构建及车辆状态信息预测方法、装置
技术领域
本发明涉及自动驾驶技术领域，具体而言，涉及一种车辆动力学模型的构建方法、装置及车辆状态信息预测方法、装置。
背景技术
在自动驾驶领域中，自动驾驶车辆一般利用预先构建的车辆动力学模型预测得到车辆状态信息，进而完成自动驾驶。相应的，预先构建的车辆动力学模型的预测结果的准确性对自动驾驶车辆的安全性影响较大。
目前，一般使用仿真软件CarSim，仿真构建车辆的车辆动力学模型。在利用仿真软件CarSim针对车辆构建其车辆动力学模型的过程中，用户需要对车辆的各系统的特性参数以及工况有非常详细的了解。对于自动驾驶领域中仿真行业来说，多数情况下，无法从汽车制造商以及零部件供应商得到具体的车辆各系统的特性参数，只能通过不断通过启发式的参数调整，来不断减少仿真与车辆真实动力学的误差。
除此之外，即使在构建车辆的车辆动力学模型时获得该车辆的各系统的特性参数，由于车辆的制作工艺以及零件损耗等因素，利用仿真软件CarSim所构建的基于数学模型推衍的车辆动力学模型，与真实的车辆也会存在一定的误差。
发明内容
本发明提供了一种车辆动力学模型的构建方法、装置及车辆状态信息预测方法、装置，以实现构建出更加贴合车辆的车辆动力学模型，进而确定出准确的车辆状态信息。具体的技术方案如下：
第一方面，本发明实施例提供了一种车辆动力学模型的构建方法，所述方法包括：
获得目标车辆的各样本时刻对应的样本历史状态信息、样本控制参数序列以及各样本时刻的标签车辆状态信息，其中，各样本时刻对应的样本控制参数序列包括：该样本时刻及向前第一时长内各时刻的控制参数；
针对每一样本时刻，将该样本时刻对应的样本历史状态信息及样本控制参数序列，输入初始车辆动力学模型，确定出该样本时刻对应的样本预测状态信息；
针对每一样本时刻，利用该样本时刻对应的样本预测状态信息以及该样本时刻的标签车辆状态信息，确定所述初始车辆动力学模型对应的当前损失值；
基于所述当前损失值，调整所述初始车辆动力学模型的模型参数，直至所述初始车辆动力学模型达到预设收敛状态，得到预先建立的车辆动力学模型。
可选的，所述样本时刻对应的样本历史状态信息为所述目标车辆在该样本时刻的前第二时长所对应的时刻的车辆状态信息，所述第二时长小于所述第一时长。
可选的，所述针对每一样本时刻，将该样本时刻对应的样本历史状态信息及样本控制参数序列，输入初始车辆动力学模型，确定出该样本时刻对应的样本预测状态信息的步骤，包括：
针对每一样本时刻，将该样本时刻对应的样本历史状态信息输入所述初始车辆动力学模型的特征编码层，得到该样本时刻所对应样本历史状态信息对应的隐向量；
针对每一样本时刻，将该样本时刻所对应样本历史状态信息对应的隐向量以及该样本时刻对应的样本控制参数序列，输入所述初始车辆动力学模型的状态循环预测层，得到该样本时刻所对应车辆状态信息对应的隐向量；
针对每一样本时刻，将该样本时刻所对应车辆状态信息对应的隐向量输入所述初始车辆动力学模型的特征解码层，确定出该样本时刻对应的样本预测状态信息。
可选的，在所述确定所述初始车辆动力学模型收敛，得到预先构建的车辆动力学模型的步骤之后，所述方法还包括：
获得所述目标车辆的原始测试数据，其中，所述原始测试数据包括：所述目标车辆行驶过程中所生成的各测试时刻对应的测试历史状态信息、测试控制参数序列以及测试车辆状态信息，每一测试时刻对应的测试控制参数序列包括：所述测试时刻及向前所述第一时长内各时刻的控制参数，所述测试时刻对应的测试历史状态信息为：所述测试时刻的前第二时长所对应的时刻的车辆状态信息；
将第一测试时刻对应的测试历史状态信息和测试控制参数序列，输入所述预先构建的车辆动力学模型，确定出第一测试时刻对应的测试预测状态信息，其中，第一测试时刻包括：最早的测试时刻及其之后的第二时长所对应时刻之前的各时刻；
将第二测试时刻对应的预测历史状态信息以及测试控制参数序列，输入所述预先构建的车辆动力学模型，确定出该第二测试时刻对应的测试预测状态信息，其中，所述第二测试时刻为：所述测试时刻中除所述第一测试时刻外的时刻，所述第二测试时刻对应的预测历史状态信息为：所述第二测试时刻的前第二时长所对应时刻对应的测试预测状态信息；
利用各测试时刻对应的测试预测状态信息和测试车辆状态信息，确定所述预先构建的车辆动力学模型的测试结果。
第二方面，本发明实施例提供了一种车辆状态信息预测方法，所述方法包括：
获得目标车辆在当前时刻对应的历史状态信息以及当前控制参数序列，其中，所述当前控制参数序列包括：所述当前时刻及向前第一时长内各时刻的控制参数；
将所述历史状态信息以及当前控制参数序列，输入预先构建的车辆动力学模型，确定出所述目标车辆在当前时刻的车辆状态信息，其中，所述预先构建的车辆动力学模型为：基于所述目标车辆的各历史时刻对应的样本状态信息及其对应的样本控制参数序列训练所得的循环神经网络模型。
可选的，所述历史状态信息为所述目标车辆在当前时刻的前第二时长所对应的时刻的车辆状态信息，所述第二时长小于所述第一时长。
可选的，所述将所述历史状态信息以及当前控制参数序列，输入预先构建的车辆动力学模型，确定出所述目标车辆在当前时刻的车辆状态信息的步骤，包括：
将所述历史状态信息输入所述预先构建的车辆动力学模型的特征编码层，得到所述历史状态信息对应的隐向量；
将所述历史状态信息对应的隐向量以及所述当前控制参数序列，输入所述预先构建的车辆动力学模型的状态循环预测层，得到所述当前时刻所对应车辆状态信息对应的隐向量；
将所述当前时刻所对应车辆状态信息对应的隐向量输入所述预先构建的车辆动力学模型的特征解码层，得到当前时刻对应的车辆状态信息。
可选的，所述方法还包括：
获得预设控制参数确定模型基于所述当前时刻的车辆状态信息，确定的当前控制参数；
将包含所述当前控制参数的目标控制参数序列以及所述当前时刻的下一时刻对应的历史状态信息，输入所述预先构建的车辆动力学模型，确定出所述目标车辆在当前时刻的下一时刻的车辆状态信息，其中，所述目标控制参数序列还包括：所述当前时刻及向前第一时长所对应时刻的前一时刻中的各时刻的控制参数。
第三方面，本发明实施例提供了一种车辆动力学模型的构建装置，所述装置包括：
第一获得模块，被配置为获得目标车辆的各样本时刻对应的样本历史状态信息、样本控制参数序列以及各样本时刻的标签车辆状态信息，其中，各样本时刻对应的样本控制参数序列包括：该样本时刻及向前第一时长内各时刻的控制参数；
第一确定模块，被配置为针对每一样本时刻，将该样本时刻对应的样本历史状态信息及样本控制参数序列，输入初始车辆动力学模型，确定出该样本时刻对应的样本预测状态信息；
第二确定模块，被配置为针对每一样本时刻，利用该样本时刻对应的样本预测状态信息以及该样本时刻的标签车辆状态信息，确定所述初始车辆动力学模型对应的当前损失值；
调整模块，被配置为基于所述当前损失值，调整所述初始车辆动力学模型的模型参数，直至所述初始车辆动力学模型达到预设收敛状态，得到预先建立的车辆动力学模型。
可选的，所述样本时刻对应的样本历史状态信息为所述目标车辆在该样本时刻的前第二时长所对应的时刻的状态信息，所述第二时长小于所述第一时长。
可选的，所述第一确定模块，被具体配置为针对每一样本时刻，将该样本时刻对应的样本历史状态信息输入所述初始车辆动力学模型的特征编码层，得到该样本时刻所对应样本历史状态信息对应的隐向量；
针对每一样本时刻，将该样本时刻所对应样本历史状态信息对应的隐向量以及该样本时刻对应的样本控制参数序列，输入所述初始车辆动力学模型的状态循环预测层，得到该样本时刻所对应车辆状态信息对应的隐向量；
针对每一样本时刻，将该样本时刻所对应车辆状态信息对应的隐向量输入所述初始车辆动力学模型的特征解码层，确定出该样本时刻对应的样本预测状态信息。
可选的，所述装置还包括：
第二获得模块，被配置为在所述确定所述初始车辆动力学模型收敛，得到预先构建的车辆动力学模型之后，获得所述目标车辆的原始测试数据，其中，所述原始测试数据包括：所述目标车辆行驶过程中所生成的各测试时刻对应的测试历史状态信息、测试控制参数序列以及测试车辆状态信息，每一测试时刻对应的测试控制参数序列包括：所述测试时刻及向前所述第一时长内各时刻的控制参数，所述测试时刻对应的测试历史状态信息为：所述测试时刻的前第二时长所对应的时刻的车辆状态信息；
第四确定模块，被配置为将第一测试时刻对应的测试历史状态信息和测试控制参数序列，输入所述预先构建的车辆动力学模型，确定出第一测试时刻对应的测试预测状态信息，其中，第一测试时刻包括：最早的测试时刻及其之后的第二时长所对应时刻之前的各时刻；
第五确定模块，被配置为将第二测试时刻对应的预测历史状态信息以及测试控制参数序列，输入所述预先构建的车辆动力学模型，确定出该第二测试时刻对应的测试预测状态信息，其中，所述第二测试时刻为：所述测试时刻中除所述第一测试时刻外的时刻，所述第二测试时刻对应的预测历史状态信息为：所述第二测试时刻的前第二时长所对应时刻对应的测试预测状态信息；
第六确定模块，被配置为利用各测试时刻对应的测试预测状态信息和测试车辆状态信息，确定所述预先构建的车辆动力学模型的测试结果。
第四方面，本发明实施例提供了一种车辆状态信息预测装置，所述装置包括：
第三获得模块，被配置为获得目标车辆在当前时刻对应的历史状态信息以及当前控制参数序列，其中，所述当前控制参数序列包括：所述当前时刻及向前第一时长内各时刻的控制参数；
第七确定模块，被配置为将所述历史状态信息以及当前控制参数序列，输入预先构建的车辆动力学模型，确定出所述目标车辆在当前时刻的车辆状态信息，其中，所述预先构建的车辆动力学模型为：基于所述目标车辆的各历史时刻对应的样本状态信息及其对应的样本控制参数序列训练所得的循环神经网络模型。
可选的，所述历史状态信息为所述目标车辆在当前时刻的前第二时长所对应的时刻的车辆状态信息，所述第二时长小于所述第一时长。
可选的，所述第七确定模块，被具体配置为将所述历史状态信息输入所述预先构建的车辆动力学模型的特征编码层，得到所述历史状态信息对应的隐向量；
将所述历史状态信息对应的隐向量以及所述当前控制参数序列，输入所述预先构建的车辆动力学模型的状态循环预测层，得到所述当前时刻所对应车辆状态信息对应的隐向量；
将所述当前时刻所对应车辆状态信息对应的隐向量输入所述预先构建的车辆动力学模型的特征解码层，得到当前时刻对应的车辆状态信息。
可选的，所述装置还包括：
第四获得模块，被配置为获得预设控制参数确定模型基于所述当前时刻的车辆状态信息，确定的当前控制参数；
第八确定模块，被配置为将包含所述当前控制参数的目标控制参数序列以及所述当前时刻的下一时刻对应的历史状态信息，输入所述预先构建的车辆动力学模型，确定出所述目标车辆在当前时刻的下一时刻的车辆状态信息，其中，所述目标控制参数序列还包括：所述当前时刻及向前第一时长所对应时刻的前一时刻中的各时刻的控制参数。
由上述内容可知，本发明实施例提供的一种车辆动力学模型的构建方法、装置及车辆状态信息预测方法、装置，获得目标车辆的各样本时刻对应的样本历史状态信息、样本控制参数序列以及各样本时刻的标签车辆状态信息，其中，各样本时刻对应的样本控制参数序列包括：该样本时刻及向前第一时长内各时刻的控制参数；针对每一样本时刻，将该样本时刻对应的样本历史状态信息及样本控制参数序列，输入初始车辆动力学模型，确定出该样本时刻对应的样本预测状态信息；针对每一样本时刻，利用该样本时刻对应的样本预测状态信息以及该样本时刻的标签车辆状态信息，确定初始车辆动力学模型对应的当前损失值；基于当前损失值，调整初始车辆动力学模型的模型参数，直至初始车辆动力学模型达到预设收敛状态，得到预先建立的车辆动力学模型。
应用本发明实施例，可以利用目标车辆的各样本时刻对应的样本历史状态信息、样本控制参数序列以及各样本时刻的标签车辆状态信息，训练初始车辆动力学模型，以通过利用车辆动力学模型进行监督学习，学习得到目标车辆的各样本历史状态信息和样本控制参数序列，与样本时刻的标签车辆状态信息之间的关系，实现端到端的对车辆动力学进行建模，建模过程不需要人工参与，并且，训练模型的数据均为根据目标车辆的真实情况采集得到，所构建的车辆动力学模型更加贴合车辆自身特性，进而通过预先构建的车辆动力学模型可以确定出更加准确的车辆状态信息。当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
本发明实施例的创新点包括：
1、通过利用车辆动力学模型进行监督学习，学习得到目标车辆的各样本历史状态信息和样本控制参数序列，与样本时刻的标签车辆状态信息之间的关系，实现端到端的对车辆动力学进行建模，建模过程不需要人工参与，并且，训练模型的数据均为根据目标车辆的真实情况采集得到，所构建的车辆动力学模型更加贴合车辆自身特性，进而通过预先构建的车辆动力学模型可以确定出更加准确的车辆状态信息。
2、考虑到动力学系统为延时系统，即样本时刻的车辆状态信息与样本时刻的前第二时长所对应时刻的状态信息有关，且与样本时刻的前第二时长所对应时刻及之前时刻的样本控制参数序列有关。考虑到动力学系统的延时取值的随机性以及计算量，设置样本时刻及其更向前的第一时长所对应时刻之间的控制参数，作为样本时刻对应的样本控制参数序列，以保证该样本控制参数序列中必包含与样本时刻的车辆状态信息相关的控制参数，以保证训练模型的有效性且考虑到计算负担。并且上述设置可以使得模型隐式的学习车辆的动力学系统的延时取值，以使得训练得到的预先构建的车辆动力学模型可以更好的确定出准确的车辆状态信息。
3、利用学习得到目标车辆的各样本历史状态信息和样本控制参数序列，与样本时刻的标签车辆状态信息之间的关系的循环神经网络模型，即预先构建的车辆动力学模型，确定目标车辆在当前时刻的车辆状态信息，可以得到准确性更高且更贴合目标车辆自身性能的车辆状态信息，进而保证车辆行驶过程中的安全性。
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介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例。对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的车辆动力学模型的构建方法的一种流程示意图；
图2A为状态循环预测层的数据流动的一种示意图；
图2B为一种车辆动力学模型的结构示意图；
图3为本发明实施例提供的车辆状态信息预测方法的一种流程示意图；
图4为本发明实施例提供的车辆动力学模型的构建装置的一种结构示意图；
图5为本发明实施例提供的车辆状态信息预测装置的一种结构示意图。
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、完整的描述。显然，所描述的实施例仅仅是本发明的一部分实施例，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付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。
需要说明的是，本发明实施例及附图中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含的一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
本发明提供了一种车辆动力学模型的构建方法、装置及车辆状态信息预测方法、装置，以实现构建出更加贴合车辆的车辆动力学模型，进而确定出准确的车辆状态信息。下面对本发明实施例进行详细说明。
图1为本发明实施例提供的车辆动力学模型的构建方法的一种流程示意图。该方法可以包括如下步骤：
S101：获得目标车辆的各样本时刻对应的样本历史状态信息、样本控制参数序列以及各样本时刻的标签车辆状态信息。
其中，各样本时刻对应的样本控制参数序列包括：该样本时刻及向前第一时长内各时刻的控制参数。
本发明实施例所提供的车辆动力学模型的构建方法，可以应用于任一具有计算能力的第一电子设备，该第一电子设备可以为终端或者服务器。在一种实现中，实现该方法的功能软件可以以单独的客户端软件的形式存在，也可以以目前相关的客户端软件的插件的形式存在，例如可以以动力学系统的功能模块的形式存在，这都是可以的。
在一种情况中，该第一电子设备可以为车载设备，设置于目标车辆的内部，也可以为非车载设备，可以获得目标车辆的相关信息，这都是可以的。
在存在针对目标车辆构建其车辆动力学模型的需求的情况下，第一电子设备可以获得目标车辆的各样本时刻对应的样本历史状态信息、样本控制参数序列以及各样本时刻的标签车辆状态信息，其中，该样本时刻的标签车辆状态信息为目标车辆在样本时刻时的真实的车辆状态信息。样本时刻对应的样本历史状态信息为：样本时刻之前的时刻对应的历史状态信息。样本时刻对应的样本控制参数序列包括：该样本时刻及向前第一时长内各时刻的控制参数。该第一时长为根据经验设置的。每一时刻对应多种类型的控制参数，各时刻对应的控制参数的类型相同。
在一种情况中，车辆状态信息可以包括但不限于：车辆的速度、加速度、横摆角速度以及姿态角等。各时刻对应的控制参数的类型包括但不限于：刹车控制量以及油门控制量等。
考虑到车辆的真实的动力学系统为延时系统，假设将动力学系统从T-N时刻的车辆状态O(T-N)到T时刻的车辆状态O(T)的变化量，作为随机变量Y；Y与(-∞，T-X）的控制参数序列、T-N时刻的车辆状态O(T-N)相关。与T-N时刻的之后，直至T时刻之间的各时刻的控制参数序列不相关。相应的，若需要预测T-N时刻的车辆状态O(T-N)到T时刻的车辆状态O(T)的变化量，需要利用（T-N-σ， T-σ）之间的控制参数序列，其中，σ表示动力学系统的时延σ。一种情况中，动力学系统的时延σ的取值范围约在1.5帧~2.5帧之间即30ms ~50ms之间。
考虑到动力学系统的时延σ为随机变量，相应的，可以用于确定T时刻的车辆状态的控制数据序列的首尾对应的时刻拓宽至（T-N-σ-A, T），即(T-K, T），以时刻(T-K, T）的控制数据序列作为用于预测时刻T的车辆状态时，车辆动力学模型的输入，以让车辆动力学模型隐式的去学习随机变量σ，以使得后续的训练所得的预先构建的车辆动力学模型的输出结果达到更好的效果。T、N、σ、A以及K均为正数， K大于N。相应的，N表示第一时长，K表示第二时长。
相应的，在本发明的一种实现方式中，样本时刻对应的样本历史状态信息为目标车辆在该样本时刻的前第二时长所对应的时刻的车辆状态信息，第二时长小于第一时长。
S102：针对每一样本时刻，将该样本时刻对应的样本历史状态信息及样本控制参数序列，输入初始车辆动力学模型，确定出该样本时刻对应的样本预测状态信息。
第一电子设备在利用各样本时刻对应的样本历史状态信息、样本控制参数序列以及各样本时刻的标签车辆状态信息训练初始车辆动力学模型的过程中，可以利用单帧数据训练初始车辆动力学模型，即针对每一样本时刻，利用该样本时刻对应的样本历史状态信息及样本控制参数序列以及样本时刻的标签车辆状态信息训练初始车辆动力学模型。相应的，第一电子设备针对每一样本时刻，将该样本时刻对应的样本历史状态信息及样本控制参数序列，输入初始车辆动力学模型，确定出该样本时刻对应的样本预测状态信息。
一种实现中，初始车辆动力学模型为基于深度学习的循环神经网络模型，其可以包括特征编码层、状态循环预测层以及特征解码层。在一种情况中，特征编码层和特征解码层可以通过全连接层实现，状态循环预测层可以通过GRU（Gated Recurrent Unit，门控循环单元）实现。
S103：针对每一样本时刻，利用该样本时刻对应的样本预测状态信息以及该样本时刻的标签车辆状态信息，确定初始车辆动力学模型对应的当前损失值。
一种实现中，第一电子设备针对每一样本时刻，利用该样本时刻对应的样本预测状态信息以及该样本时刻的标签车辆状态信息，计算该样本时刻对应的样本预测状态信息及标签车辆状态信息之间的距离，将所计算的距离确定为初始车辆动力学模型对应的当前损失值。
另一种实现中，第一电子设备针对每一样本时刻，利用该样本时刻对应的样本预测状态信息以及该样本时刻的标签车辆状态信息，计算该样本时刻对应的样本预测状态信息及标签车辆状态信息之间的距离；将预设数量个样本时刻对应的样本预测状态信息及标签车辆状态信息之间的距离的平均值或和，作为初始车辆动力学模型对应的当前损失值。
S104：基于当前损失值，调整初始车辆动力学模型的模型参数，直至初始车辆动力学模型达到预设收敛状态，得到预先建立的车辆动力学模型。
本步骤中，第一电子设备可以首先判断当前损失值是否大于预设损失阈值，若判断当前损失值大于预设损失阈值，则确定该初始车辆动力学模型未收敛，则利用预设优化算法，调整初始车辆动力学模型的模型参数，并返回重新执行针对每一样本时刻，将该样本时刻对应的样本历史状态信息及样本控制参数序列，输入调整参数后的初始车辆动力学模型，确定出该样本时刻对应的样本预测状态信息，进而基于该样本时刻对应的样本预测状态信息与该样本时刻的标签车辆状态信息，确定初始车辆动力学模型对应的损失值，作为当前损失值，重新判断当前损失值是否大于预设损失阈值，若判断当前损失值大于预设损失阈值，则继续利用预设优化算法，调整调整参数后的初始车辆动力学模型的模型参数，以此类推，直至计算出的调整参数后的初始车辆动力学模型对应的损失值不大于预设损失阈值，则确定调整参数后的初始车辆动力学模型达到预设收敛状态，则确定当前的该参数后的初始车辆动力学模型，为预先建立的车辆动力学模型。
其中，预设优化算法可以为梯度下降法最小二乘法以及遗传算法等。计算当前损失值的过程中可以通过LOSS函数计算，例如可以通过L2 LOSS函数计算。
应用本发明实施例，可以利用目标车辆的各样本时刻对应的样本历史状态信息、样本控制参数序列以及各样本时刻的标签车辆状态信息，训练初始车辆动力学模型，以通过利用车辆动力学模型进行监督学习，学习得到目标车辆的各样本历史状态信息和样本控制参数序列，与样本时刻的标签车辆状态信息之间的关系，实现端到端的对车辆动力学进行建模，建模过程不需要人工参与，并且，训练模型的数据均为根据目标车辆的真实情况采集得到，所构建的车辆动力学模型更加贴合车辆自身特性，进而通过预先构建的车辆动力学模型可以确定出更加准确的车辆状态信息。
在本发明的另一实施例中，所述S102，可以包括如下步骤011-013：
011：针对每一样本时刻，将该样本时刻对应的样本历史状态信息输入初始车辆动力学模型的特征编码层，得到该样本时刻所对应样本历史状态信息对应的隐向量。
012：针对每一样本时刻，将该样本时刻所对应样本历史状态信息对应的隐向量以及该样本时刻对应的样本控制参数序列，输入初始车辆动力学模型的状态循环预测层，得到该样本时刻所对应车辆状态信息对应的隐向量。
013：针对每一样本时刻，将该样本时刻所对应车辆状态信息对应的隐向量输入初始车辆动力学模型的特征解码层，确定出该样本时刻对应的样本预测状态信息。
本实现方式中，样本时刻对应的历史状态信息为样本时刻的前第二时长所对应的时刻的状态信息，为单帧数据，为了保证后续的初始车辆动力学模型的有效训练，第一电子设备针对每一样本时刻，将该样本时刻对应的样本历史状态信息输入初始车辆动力学模型的特征编码层，得到该样本时刻所对应样本历史状态信息对应的隐向量，并将该样本时刻所对应样本历史状态信息对应的隐向量作为初始的状态向量以及该样本时刻对应的样本控制参数序列，输入初始车辆动力学模型的状态循环预测层，以使得状态循环预测层基于该初始的状态向量以及该样本时刻对应的样本控制参数序列，依次循环确定该初始的状态向量所对应时刻之后的各时刻的车辆状态信息对应的隐向量，直至确定出该样本时刻的车辆状态信息对应的隐向量。
进而，第一电子设备针对每一样本时刻，将该样本时刻所对应车辆状态信息对应的隐向量输入初始车辆动力学模型的特征解码层，以进行解码，解码得到该样本时刻对应的样本预测状态信息，即所预测的该样本时刻对应的车辆状态信息。
在一种实现中，该初始车辆动力学模型的特征编码层可以通过一个32维的全连接层实现，该初始车辆动力学模型的状态循环预测层可以通过GRU门控循环单元实现，该初始车辆动力学模型的特征解码层可以通过一个16维的全连接层和一个3维的全连接层实现。
如图2A所示，为状态循环预测层的一种数据流动示意图，其中，图2A中的
Figure 564373DEST_PATH_IMAGE001
和
Figure 412391DEST_PATH_IMAGE002
分别表示更新门对应的值和重置门对应的值。更新门用于控制
Figure 51183DEST_PATH_IMAGE003
时刻的车辆状态信息被带入到
Figure 603649DEST_PATH_IMAGE004
时刻的车辆状态信息中的程度，更新门的值越大说明
Figure 214759DEST_PATH_IMAGE005
时刻的车辆状态信息被带入的越多。重置门控制
Figure 365118DEST_PATH_IMAGE006
时刻的车辆状态信息有多少信息被写入到
Figure 897730DEST_PATH_IMAGE007
时刻的车辆状态信息，重置门越小
Figure 925992DEST_PATH_IMAGE008
时刻的车辆状态信息被写入的越少。
其中，状态循环预测层中各处理过程可以通过如下公式表示：
Figure 860449DEST_PATH_IMAGE009
；
Figure 181709DEST_PATH_IMAGE010
；
Figure 201618DEST_PATH_IMAGE011
；
Figure 797684DEST_PATH_IMAGE012
；
其中，
Figure 884851DEST_PATH_IMAGE013
、
Figure 580275DEST_PATH_IMAGE014
以及
Figure 149797DEST_PATH_IMAGE015
为状态循环预测层的参数，通过训练得到；
Figure 956079DEST_PATH_IMAGE016
表示
Figure 865129DEST_PATH_IMAGE017
时刻的车辆状态信息，训练过程中，
Figure 731454DEST_PATH_IMAGE018
的初始值为样本时刻对应的样本历史状态信息，后续的实际预测过程中，
Figure 492998DEST_PATH_IMAGE018
的初始值为当前时刻对应的历史状态信息，
Figure 102971DEST_PATH_IMAGE019
表示
Figure 538632DEST_PATH_IMAGE007
时刻的车辆状态信息，训练过程中，
Figure 890372DEST_PATH_IMAGE020
的为样本时刻对应的样本预测状态信息，后续的实际预测过程中，
Figure 372169DEST_PATH_IMAGE021
的为当前时刻对应的车辆状态信息；训练过程中，
Figure 520254DEST_PATH_IMAGE022
为样本时刻对应的样本控制参数序列；后续的实际预测过程中，
Figure 200634DEST_PATH_IMAGE023
为当前时刻对应的当前控制参数序列。上述公式中[]表示两个向量相连，*表示矩阵的乘积。
在本发明的另一实施例中，所述方法还可以包括对预先建立的车辆动力学模型的测试过程，以确定预先建立的车辆动力学模型所确定的车辆状态的优劣。相应的，在S105之后，所述方法还可以包括如下步骤021-024：
021：获得目标车辆的原始测试数据。
其中，原始测试数据包括：目标车辆行驶过程中所生成的各测试时刻对应的测试历史状态信息、测试控制参数序列以及测试车辆状态信息，每一测试时刻对应的测试控制参数序列包括：测试时刻及向前所述第一时长内各时刻的控制参数，测试时刻对应的测试历史状态信息为：测试时刻的前第二时长所对应的时刻的车辆状态信息。
022：将第一测试时刻对应的测试历史状态信息和测试控制参数序列，输入预先构建的车辆动力学模型，确定出第一测试时刻对应的测试预测状态信息。
其中，第一测试时刻包括：最早的测试时刻及其之后的第二时长所对应时刻之前的各时刻。
023：将第二测试时刻对应的预测历史状态信息以及测试控制参数序列，输入预先构建的车辆动力学模型，确定出该第二测试时刻对应的测试预测状态信息。
其中，第二测试时刻为：测试时刻中除第一测试时刻外的时刻，第二测试时刻对应的预测历史状态信息为：第二测试时刻的前第二时长所对应时刻对应的测试预测状态信息。
024：利用各测试时刻对应的测试预测状态信息和测试车辆状态信息，确定预先构建的车辆动力学模型的测试结果。
本实现方式中，为了对预先建立的车辆动力学模型的预测结果的准确性进行测试，第一电子设备可以首先获得目标车辆的原始测试数据，该原始测试数据可以包括：目标车辆行驶过程中所生成的各时刻对应的测试历史状态信息、测试控制参数序列以及测试车辆状态信息，为了描述清楚，将测试过程中所利用到的数据对应的时刻称为测试时刻，其中，各测试时刻对应的测试车辆状态信息为目标车辆真实的车辆状态信息。
第一电子设备按照各第一测试时刻的时间先后顺序，依次将第一测试时刻对应的测试历史状态信息和测试控制参数序列，输入预先构建的车辆动力学模型，以通过预先构建的车辆动力学模型的特征编码层、状态循环预测层以及特征解码层，确定出各第一测试时刻对应的测试预测状态信息。
如图2B所示，预测T时刻对应的车辆状态时，需要使用T-N时刻对应的车辆状态，即图2B中所示的“O（T-N）”，以及T-K时刻至T时刻的控制参数序列即图2B中所示的“S（T）”，其中，N表示第一时长，K表示第二时长，N小于K。在T时刻为测试时刻中最早的时刻的情况下，T到T+N-1时刻即为第一测试时刻，相应的，确定其对应的车辆状态信息即对应的测试预测状态信息时，需要利用原始测试数据中，该第一测试时刻对应的测试历史状态信息和测试控制参数序列。
如图2B所示，预测T时刻对应的车辆状态时，将O（T-N）和S（T）作为预先建立的车辆动力学模型的特征编码层即32维的全连接层“FC（32）Initial States”进行编码，得到相应的隐向量；将隐向量作为初始的状态向量以及S（T）输入状态循环预测层即GRU门控循环单元，如图2B所示的“GRU”，以通过基于该初始的状态向量以及S（T）即T-K时刻至T时刻的控制参数序列，依次循环确定该初始的状态向量所对应时刻之后的各时刻的车辆状态信息对应的隐向量，直至确定出T时刻对应的车辆状态对应的隐向量。将该T时刻对应的车辆状态对应的隐向量输入特征解码层，即一个16维的全连接层如图2B中的“FC（16）”和一个3维的全连接层如图2B中的“FC（3）”，对T时刻对应的车辆状态对应的隐向量进行解码，得到T时刻对应的车辆状态，如图2B中的O（T）。
相应的，T+N时刻开始，计算该T+N时刻对应的车辆状态信息即对应的测试预测状态信息时，需要使用T时刻对应的车辆状态，以及T+N-K时刻至T+N时刻的控制参数序列。此时，T时刻对应的车辆状态包括：原始测试数据中T时刻对应的测试车辆状态信息，且包括预先构建的车辆动力学模型所输出的测试预测状态信息。
为了测试预先构建的车辆动力学模型的预测确定结果的准确性，确定T+N时刻对应的测试预测状态信息时，需要将T时刻对应的测试预测状态信息，作为T+N时刻对应的测试历史状态信息，相应的，将T时刻对应的测试预测状态信息以及T+N时刻对应的测试控制参数序列，即原始测试数据中T+N-K时刻至T+N时刻的控制参数序列，输入预先构建的车辆动力学模型，确定出该第二测试时刻对应的测试预测状态信息。依次类推，依次计算 T+N时刻之后的各时刻的测试预测状态信息。相应的，该T+N时刻及其之后的各测试时刻为上述的第二测试时刻。
相应的，确定出各第一测试时刻对应的测试预测状态信息之后，第一电子设备按照各第二测试时刻的时间先后顺序，依次将第二测试时刻对应的预测历史状态信息和测试控制参数序列，输入预先构建的车辆动力学模型，以通过预先构建的车辆动力学模型的特征编码层、状态循环预测层以及特征解码层，确定出各第二测试时刻对应的测试预测状态信息。该第二测试时刻对应的预测历史状态信息为第二测试时刻的前第二时长所对应时刻对应的测试预测状态信息。举例而言，第二测试时刻为T+N时刻的情况下，第二测试时刻对应的预测历史状态信息，为预先构建的车辆动力学模型输出的T时刻对应的测试预测状态信息。
确定出各测试时刻对应的测试预测状态信息之后，利用各测试时刻对应的测试预测状态信息和测试车辆状态信息，计算各测试时刻对应的测试预测状态信息和测试车辆状态信息之间的距离；基于各测试时刻对应的测试预测状态信息和测试车辆状态信息之间的距离，确定预先构建的车辆动力学模型的测试结果。
其中，确定预先构建的车辆动力学模型的测试结果的过程，可以是：统计测试时刻对应的测试预测状态信息和测试车辆状态信息之间的距离中，未超过预设距离阈值的距离的数量，若未超过预设距离阈值的距离的数量与距离总数的比值超过预设比值，则预先构建的车辆动力学模型的测试结果包括表征预先构建的车辆动力学模型测试通过的信息；反之，若未超过预设距离阈值的距离的数量与距离总数的比值不超过预设比值，则预先构建的车辆动力学模型的测试结果包括表征预先构建的车辆动力学模型测试未通过的信息。等，本发明实施例并不对确定预先构建的车辆动力学模型的测试结果的具体过程进行限定。
在确定预先构建的车辆动力学模型测试通过之后，则表征该预先构建的车辆动力学模型可用于目标车辆的车辆状态信息的确定过程；反之，确定预先构建的车辆动力学模型测试未通过，则需要重新训练获得预先构建的车辆动力学模型。
在本发明实施例中，用于训练和测试车辆动力学模型的数据包括在目标车辆的行驶过程中所记录的控制参数以及车辆状态信息，训练和测试车辆动力学模型的数据无需人工标注，在一定程度上节省了人工成本。车辆动力学模型不需要维护任何内部状态，模型的单次预测车辆状态的过程中，输入的车辆状态信息为历史某一帧即某一时刻的车辆状态信息。每一帧对应的一个独立的样本，在一定程度上可以增加在训练和测试车辆动力学模型的过程中的样本数据的数量，且降低了训练过程以及后续的测试和实际预测确定过程的计算难度。模型可以在任一时刻开始预测，不需要提前预热，即从目标车辆静止状态下开始执行车辆状态信息的预测确定过程。
相应于上述方法实施例，本发明实施例提供了一种车辆状态信息预测方法，该方法依赖于上述方法实施例中所构建的预先建立的车辆动力学模型。如图3所示，所述方法可以包括如下步骤S301-S302：
S301：获得目标车辆在当前时刻对应的历史状态信息以及当前控制参数序列。
其中，当前控制参数序列包括：当前时刻及向前第一时长内各时刻的控制参数。
本发明实施例所提供的车辆状态信息预测方法，可以应用于任一具有计算能力的第二电子设备，该第二电子设备可以为终端或者服务器。在一种实现中，实现该方法的功能软件可以以单独的客户端软件的形式存在，也可以以目前相关的客户端软件的插件的形式存在，例如可以以动力学系统的功能模块的形式存在，这都是可以的。该第二电子设备可以与上述第一电子设备为同一物理设备，也可以为不同物理设备。
在一种情况中，该第二电子设备可以为车载设备，设置于目标车辆的内部，也可以为非车载设备，可以获得目标车辆的相关信息，这都是可以的。
第二电子设备在对目标车辆的车辆状态信息预测确定的过程中，可以获得目标车辆在当前时刻对应的历史状态信息以及当前控制参数序列，其中，当前时刻对应的历史状态信息为：当前时刻之前的时刻对应的历史状态信息。当前时刻对应的当前控制参数序列包括：该当前时刻及向前第一时长内各时刻的控制参数。该第一时长为根据经验设置的。每一时刻对应多种类型的控制参数，各时刻对应的控制参数的类型相同。
在一种情况中，车辆状态信息可以包括但不限于：车辆的速度、加速度、横摆角速度以及姿态角等。各时刻对应的控制参数的类型包括但不限于：刹车控制量以及油门控制量等。
考虑到车辆的真实的动力学系统为延时系统，在本发明的一种实现方式中，历史状态信息为目标车辆在当前时刻的前第二时长所对应的时刻的车辆状态信息，第二时长小于第一时长。
S302：将历史状态信息以及当前控制参数序列，输入预先构建的车辆动力学模型，确定出目标车辆在当前时刻的车辆状态信息。
其中，预先构建的车辆动力学模型为：基于目标车辆的各历史时刻对应的样本状态信息及其对应的样本控制参数序列训练所得的循环神经网络模型。可以包括特征编码层、状态循环预测层以及特征解码层。在一种情况中，特征编码层和特征解码层可以通过全连接层实现，状态循环预测层可以通过GRU（Gated Recurrent Unit，门控循环单元）实现。
第二电子设备将历史状态信息以及当前控制参数序列，输入预先构建的车辆动力学模型，预先构建的车辆动力学模型通过其特征编码层、状态循环预测层以及特征解码层，对历史状态信息以及当前控制参数序列进行处理，确定出目标车辆在当前时刻的车辆状态信息。进而输出目标车辆在当前时刻的车辆状态信息，以通过目标车辆在当前时刻的车辆状态信息控制目标车辆的行驶状态。
应用本发明实施例，利用学习得到目标车辆的各样本历史状态信息和样本控制参数序列，与样本时刻的标签车辆状态信息之间的关系的循环神经网络模型，即预先构建的车辆动力学模型，确定目标车辆在当前时刻的车辆状态信息，可以得到准确性更高且更贴合目标车辆自身性能的车辆状态信息，进而保证车辆行驶过程中的安全性。
在本发明的另一实施例中，所述S302，可以包括如下步骤031-033：
031：将历史状态信息输入预先构建的车辆动力学模型的特征编码层，得到历史状态信息对应的隐向量。
032：将历史状态信息对应的隐向量以及当前控制参数序列，输入预先构建的车辆动力学模型的状态循环预测层，得到当前时刻所对应车辆状态信息对应的隐向量。
033：将当前时刻所对应车辆状态信息对应的隐向量输入预先构建的车辆动力学模型的特征解码层，得到当前时刻对应的车辆状态信息。
本实现方式中，当前时刻对应的历史状态信息为当前时刻的前第二时长所对应的时刻的状态信息，为单帧数据，为了保证后续的预先建立的车辆动力学模型的有效预测确定，第二电子设备将该当前时刻对应的历史状态信息输入预先建立的车辆动力学模型的特征编码层，得到当前时刻所对应历史状态信息对应的隐向量，并将该当前时刻所对应历史状态信息对应的隐向量作为初始的状态向量以及当前控制参数序列，输入预先建立的车辆动力学模型的状态循环预测层，以使得状态循环预测层基于该初始的状态向量以及当前控制参数序列，依次循环确定该初始的状态向量所对应时刻之后的各时刻的车辆状态信息对应的隐向量，直至确定出当前时刻的车辆状态信息对应的隐向量。
进而，第二电子设备将当前时刻所对应车辆状态信息对应的隐向量输入预先建立的车辆动力学模型的特征解码层，以进行解码，解码得到当前时刻对应的车辆状态信息。
在一种实现中，该预先建立的车辆动力学模型的特征编码层可以通过一个32维的全连接层实现，该预先建立的车辆动力学模型的状态循环预测层可以通过GRU门控循环单元实现，该预先建立的车辆动力学模型的特征解码层可以通过一个16维的全连接层和一个3维的全连接层实现。
在本发明的另一实施例中，所述方法还可以包括如下步骤：041-042：
041：获得预设控制参数确定模型基于当前时刻的车辆状态信息，确定的当前控制参数。
042：将包含当前控制参数的目标控制参数序列以及当前时刻的下一时刻对应的历史状态信息，输入预先构建的车辆动力学模型，确定出目标车辆在当前时刻的下一时刻的车辆状态信息。
其中，目标控制参数序列还包括：当前时刻及向前第一时长所对应时刻的前一时刻中的各时刻的控制参数。
本实现方式中，第二电子设备在确定出当前时刻的车辆状态信息之后，可以将该当前时刻的车辆状态信息输入至预设控制参数确定模型，以通过该预设控制参数确定模型基于当前时刻的车辆状态信息，确定出目标车辆在当前时刻的下一时刻对应的控制参数。相应的，第二电子设备获得该当前时刻的下一时刻对应的控制参数；将当前时刻的下一时刻对应的控制参数，添加至目标控制参数序列，作为当前时刻的下一时刻对应的控制参数序列。将包含当前控制参数的目标控制参数序列以及当前时刻的下一时刻对应的历史状态信息，输入预先构建的车辆动力学模型，确定出目标车辆在当前时刻的下一时刻的车辆状态信息。
其中，该预设控制参数确定模型可以利用相关技术中任一可以确定车辆控制参数的确定算法，基于该当前时刻的车辆状态信息确定当前时刻的下一时刻对应的控制参数，用于控制目标车辆的行驶。
相应于上述方法实施例，本发明实施例提供了一种车辆动力学模型的构建装置，如图4所示，所述装置可以包括：
第一获得模块410，被配置为获得目标车辆的各样本时刻对应的样本历史状态信息、样本控制参数序列以及各样本时刻的标签车辆状态信息，其中，各样本时刻对应的样本控制参数序列包括：该样本时刻及向前第一时长内各时刻的控制参数；
第一确定模块420，被配置为针对每一样本时刻，将该样本时刻对应的样本历史状态信息及样本控制参数序列，输入初始车辆动力学模型，确定出该样本时刻对应的样本预测状态信息；
第二确定模块430，被配置为针对每一样本时刻，利用该样本时刻对应的样本预测状态信息以及该样本时刻的标签车辆状态信息，确定所述初始车辆动力学模型对应的当前损失值；
调整模块440，被配置为基于所述当前损失值，调整所述初始车辆动力学模型的模型参数，直至所述初始车辆动力学模型达到预设收敛状态，得到预先建立的车辆动力学模型。
应用本发明实施例，可以利用目标车辆的各样本时刻对应的样本历史状态信息、样本控制参数序列以及各样本时刻的标签车辆状态信息，训练初始车辆动力学模型，以通过利用车辆动力学模型进行监督学习，学习得到目标车辆的各样本历史状态信息和样本控制参数序列，与样本时刻的标签车辆状态信息之间的关系，实现端到端的对车辆动力学进行建模，建模过程不需要人工参与，并且，训练模型的数据均为根据目标车辆的真实情况采集得到，所构建的车辆动力学模型更加贴合车辆自身特性，进而通过预先构建的车辆动力学模型可以确定出更加准确的车辆状态信息。
在本发明的另一实施例中，所述样本时刻对应的样本历史状态信息为所述目标车辆在该样本时刻的前第二时长所对应的时刻的状态信息，所述第二时长小于所述第一时长。
在本发明的另一实施例中，所述第一确定模块420，被具体配置为针对每一样本时刻，将该样本时刻对应的样本历史状态信息输入所述初始车辆动力学模型的特征编码层，得到该样本时刻所对应样本历史状态信息对应的隐向量；
针对每一样本时刻，将该样本时刻所对应样本历史状态信息对应的隐向量以及该样本时刻对应的样本控制参数序列，输入所述初始车辆动力学模型的状态循环预测层，得到该样本时刻所对应车辆状态信息对应的隐向量；
针对每一样本时刻，将该样本时刻所对应车辆状态信息对应的隐向量输入所述初始车辆动力学模型的特征解码层，确定出该样本时刻对应的样本预测状态信息。
在本发明的另一实施例中，所述装置还包括：
第二获得模块（图中未示出），被配置为在所述确定所述初始车辆动力学模型收敛，得到预先构建的车辆动力学模型之后，获得所述目标车辆的原始测试数据，其中，所述原始测试数据包括：所述目标车辆行驶过程中所生成的各测试时刻对应的测试历史状态信息、测试控制参数序列以及测试车辆状态信息，每一测试时刻对应的测试控制参数序列包括：所述测试时刻及向前所述第一时长内各时刻的控制参数，所述测试时刻对应的测试历史状态信息为：所述测试时刻的前第二时长所对应的时刻的车辆状态信息；
第四确定模块（图中未示出），被配置为将第一测试时刻对应的测试历史状态信息和测试控制参数序列，输入所述预先构建的车辆动力学模型，确定出第一测试时刻对应的测试预测状态信息，其中，第一测试时刻包括：最早的测试时刻及其之后的第二时长所对应时刻之前的各时刻；
第五确定模块（图中未示出），被配置为将第二测试时刻对应的预测历史状态信息以及测试控制参数序列，输入所述预先构建的车辆动力学模型，确定出该第二测试时刻对应的测试预测状态信息，其中，所述第二测试时刻为：所述测试时刻中除所述第一测试时刻外的时刻，所述第二测试时刻对应的预测历史状态信息为：所述第二测试时刻的前第二时长所对应时刻对应的测试预测状态信息；
第六确定模块（图中未示出），被配置为利用各测试时刻对应的测试预测状态信息和测试车辆状态信息，确定所述预先构建的车辆动力学模型的测试结果。
相应于上述方法实施例，本发明实施例提供了一种车辆状态信息预测装置，如图5所示，所述装置可以包括：
第三获得模块510，被配置为获得目标车辆在当前时刻对应的历史状态信息以及当前控制参数序列，其中，所述当前控制参数序列包括：所述当前时刻及向前第一时长内各时刻的控制参数；
第七确定模块520，被配置为将所述历史状态信息以及当前控制参数序列，输入预先构建的车辆动力学模型，确定出所述目标车辆在当前时刻的车辆状态信息，其中，所述预先构建的车辆动力学模型为：基于所述目标车辆的各历史时刻对应的样本状态信息及其对应的样本控制参数序列训练所得的循环神经网络模型。
应用本发明实施例，利用学习得到目标车辆的各样本历史状态信息和样本控制参数序列，与样本时刻的标签车辆状态信息之间的关系的循环神经网络模型，即预先构建的车辆动力学模型，确定目标车辆在当前时刻的车辆状态信息，可以得到准确性更高且更贴合目标车辆自身性能的车辆状态信息，进而保证车辆行驶过程中的安全性。
在本发明的另一实施例中，所述历史状态信息为所述目标车辆在当前时刻的前第二时长所对应的时刻的车辆状态信息，所述第二时长小于所述第一时长。
在本发明的另一实施例中，所述第七确定模块520，被具体配置为将所述历史状态信息输入所述预先构建的车辆动力学模型的特征编码层，得到所述历史状态信息对应的隐向量；
将所述历史状态信息对应的隐向量以及所述当前控制参数序列，输入所述预先构建的车辆动力学模型的状态循环预测层，得到所述当前时刻所对应车辆状态信息对应的隐向量；
将所述当前时刻所对应车辆状态信息对应的隐向量输入所述预先构建的车辆动力学模型的特征解码层，得到当前时刻对应的车辆状态信息。
在本发明的另一实施例中，所述装置还包括：
第四获得模块（图中未示出），被配置为获得预设控制参数确定模型基于所述当前时刻的车辆状态信息，确定的当前控制参数；
第八确定模块（图中未示出），被配置为将包含所述当前控制参数的目标控制参数序列以及所述当前时刻的下一时刻对应的历史状态信息，输入所述预先构建的车辆动力学模型，确定出所述目标车辆在当前时刻的下一时刻的车辆状态信息，其中，所述目标控制参数序列还包括：所述当前时刻及向前第一时长所对应时刻的前一时刻中的各时刻的控制参数。
上述系统、装置实施例与系统实施例相对应，与该方法实施例具有同样的技术效果，具体说明参见方法实施例。装置实施例是基于方法实施例得到的，具体的说明可以参见方法实施例部分，此处不再赘述。本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
本领域普通技术人员可以理解：实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明实施例技术方案的精神和范围。

Claims (8)

1.一种车辆动力学模型的构建方法，其特征在于，所述方法包括：
获得目标车辆的各样本时刻对应的样本历史状态信息、样本控制参数序列以及各样本时刻的标签车辆状态信息，其中，各样本时刻对应的样本控制参数序列包括：该样本时刻及向前第一时长内各时刻的控制参数，所述样本时刻对应的样本历史状态信息为所述目标车辆在该样本时刻的前第二时长所对应的时刻的车辆状态信息，所述第二时长小于所述第一时长；
针对每一样本时刻，将该样本时刻对应的样本历史状态信息及样本控制参数序列，输入初始车辆动力学模型，确定出该样本时刻对应的样本预测状态信息；
针对每一样本时刻，利用该样本时刻对应的样本预测状态信息以及该样本时刻的标签车辆状态信息，确定所述初始车辆动力学模型对应的当前损失值；
基于所述当前损失值，调整所述初始车辆动力学模型的模型参数，直至所述初始车辆动力学模型达到预设收敛状态，得到预先建立的车辆动力学模型。
2.如权利要求1所述的方法，其特征在于，所述针对每一样本时刻，将该样本时刻对应的样本历史状态信息及样本控制参数序列，输入初始车辆动力学模型，确定出该样本时刻对应的样本预测状态信息的步骤，包括：
针对每一样本时刻，将该样本时刻对应的样本历史状态信息输入所述初始车辆动力学模型的特征编码层，得到该样本时刻所对应样本历史状态信息对应的隐向量；
针对每一样本时刻，将该样本时刻所对应样本历史状态信息对应的隐向量以及该样本时刻对应的样本控制参数序列，输入所述初始车辆动力学模型的状态循环预测层，得到该样本时刻所对应车辆状态信息对应的隐向量；
针对每一样本时刻，将该样本时刻所对应车辆状态信息对应的隐向量输入所述初始车辆动力学模型的特征解码层，确定出该样本时刻对应的样本预测状态信息。
3.如权利要求1所述的方法，其特征在于，在所述确定所述初始车辆动力学模型收敛，得到预先构建的车辆动力学模型的步骤之后，所述方法还包括：
获得所述目标车辆的原始测试数据，其中，所述原始测试数据包括：所述目标车辆行驶过程中所生成的各测试时刻对应的测试历史状态信息、测试控制参数序列以及测试车辆状态信息，每一测试时刻对应的测试控制参数序列包括：所述测试时刻及向前所述第一时长内各时刻的控制参数，所述测试时刻对应的测试历史状态信息为：所述测试时刻的前第二时长所对应的时刻的车辆状态信息；
将第一测试时刻对应的测试历史状态信息和测试控制参数序列，输入所述预先构建的车辆动力学模型，确定出第一测试时刻对应的测试预测状态信息，其中，第一测试时刻包括：最早的测试时刻及其之后的第二时长所对应时刻之前的各时刻；
将第二测试时刻对应的预测历史状态信息以及测试控制参数序列，输入所述预先构建的车辆动力学模型，确定出该第二测试时刻对应的测试预测状态信息，其中，所述第二测试时刻为：所述测试时刻中除所述第一测试时刻外的时刻，所述第二测试时刻对应的预测历史状态信息为：所述第二测试时刻的前第二时长所对应时刻对应的测试预测状态信息；
利用各测试时刻对应的测试预测状态信息和测试车辆状态信息，确定所述预先构建的车辆动力学模型的测试结果。
4.一种基于权利要求1-3任一项所述的方法所构建车辆动力学模型的车辆状态信息预测方法，其特征在于，所述方法包括：
获得目标车辆在当前时刻对应的历史状态信息以及当前控制参数序列，其中，所述当前控制参数序列包括：所述当前时刻及向前第一时长内各时刻的控制参数；所述历史状态信息为所述目标车辆在当前时刻的前第二时长所对应的时刻的车辆状态信息，所述第二时长小于所述第一时长；
将所述历史状态信息以及当前控制参数序列，输入预先构建的车辆动力学模型，确定出所述目标车辆在当前时刻的车辆状态信息，其中，所述预先构建的车辆动力学模型为：基于所述目标车辆的各历史时刻对应的样本状态信息及其对应的样本控制参数序列训练所得的循环神经网络模型。
5.如权利要求4所述的方法，其特征在于，所述将所述历史状态信息以及当前控制参数序列，输入预先构建的车辆动力学模型，确定出所述目标车辆在当前时刻的车辆状态信息的步骤，包括：
将所述历史状态信息输入所述预先构建的车辆动力学模型的特征编码层，得到所述历史状态信息对应的隐向量；
将所述历史状态信息对应的隐向量以及所述当前控制参数序列，输入所述预先构建的车辆动力学模型的状态循环预测层，得到所述当前时刻所对应车辆状态信息对应的隐向量；
将所述当前时刻所对应车辆状态信息对应的隐向量输入所述预先构建的车辆动力学模型的特征解码层，得到当前时刻对应的车辆状态信息。
6.如权利要求4所述的方法，其特征在于，所述方法还包括：
获得预设控制参数确定模型基于所述当前时刻的车辆状态信息，确定的当前控制参数；
将包含所述当前控制参数的目标控制参数序列以及所述当前时刻的下一时刻对应的历史状态信息，输入所述预先构建的车辆动力学模型，确定出所述目标车辆在当前时刻的下一时刻的车辆状态信息，其中，所述目标控制参数序列还包括：所述当前时刻及向前第一时长所对应时刻的前一时刻中的各时刻的控制参数。
7.一种车辆动力学模型的构建装置，其特征在于，所述装置包括：
第一获得模块，被配置为获得目标车辆的各样本时刻对应的样本历史状态信息、样本控制参数序列以及各样本时刻的标签车辆状态信息，其中，各样本时刻对应的样本控制参数序列包括：该样本时刻及向前第一时长内各时刻的控制参数；
第一确定模块，被配置为针对每一样本时刻，将该样本时刻对应的样本历史状态信息及样本控制参数序列，输入初始车辆动力学模型，确定出该样本时刻对应的样本预测状态信息；
第二确定模块，被配置为针对每一样本时刻，利用该样本时刻对应的样本预测状态信息以及该样本时刻的标签车辆状态信息，确定所述初始车辆动力学模型对应的当前损失值；
调整模块，被配置为基于所述当前损失值，调整所述初始车辆动力学模型的模型参数，直至所述初始车辆动力学模型达到预设收敛状态，得到预先建立的车辆动力学模型。
8.一种基于权利要求7所述的装置所构建车辆动力学模型的车辆状态信息预测装置，其特征在于，所述装置包括：
第三获得模块，被配置为获得目标车辆在当前时刻对应的历史状态信息以及当前控制参数序列，其中，所述当前控制参数序列包括：所述当前时刻及向前第一时长内各时刻的控制参数；
第七确定模块，被配置为将所述历史状态信息以及当前控制参数序列，输入预先构建的车辆动力学模型，确定出所述目标车辆在当前时刻的车辆状态信息，其中，所述预先构建的车辆动力学模型为：基于所述目标车辆的各历史时刻对应的样本状态信息及其对应的样本控制参数序列训练所得的循环神经网络模型。
CN202110092643.3A 2021-01-25 2021-01-25 车辆动力学模型的构建及车辆状态信息预测方法、装置 Active CN112464577B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202110092643.3A CN112464577B (zh) 2021-01-25 2021-01-25 车辆动力学模型的构建及车辆状态信息预测方法、装置
EP21920563.0A EP4216098A1 (en) 2021-01-25 2021-07-30 Methods and apparatuses for constructing vehicle dynamics model and for predicting vehicle state information
PCT/CN2021/109534 WO2022156182A1 (zh) 2021-01-25 2021-07-30 车辆动力学模型的构建及车辆状态信息预测方法、装置
US18/358,169 US20230367934A1 (en) 2021-01-25 2023-07-25 Method and apparatus for constructing vehicle dynamics model and method and apparatus for predicting vehicle state information

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110092643.3A CN112464577B (zh) 2021-01-25 2021-01-25 车辆动力学模型的构建及车辆状态信息预测方法、装置

Publications (2)

Publication Number Publication Date
CN112464577A CN112464577A (zh) 2021-03-09
CN112464577B true CN112464577B (zh) 2021-04-20

Family

ID=74802705

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110092643.3A Active CN112464577B (zh) 2021-01-25 2021-01-25 车辆动力学模型的构建及车辆状态信息预测方法、装置

Country Status (4)

Country Link
US (1) US20230367934A1 (zh)
EP (1) EP4216098A1 (zh)
CN (1) CN112464577B (zh)
WO (1) WO2022156182A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112464577B (zh) * 2021-01-25 2021-04-20 魔门塔(苏州)科技有限公司 车辆动力学模型的构建及车辆状态信息预测方法、装置
CN113492827A (zh) * 2021-06-23 2021-10-12 东风柳州汽车有限公司 一种混合动力汽车能量管理方法及装置
CN115826544B (zh) * 2023-02-17 2023-07-11 江苏御传新能源科技有限公司 一种汽车配件的生产调参系统

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3803103B2 (ja) * 2004-05-21 2006-08-02 シャープ株式会社 イオン濃度分布の予測方法、解析装置およびイオン濃度分布の予測プログラム
CN106671985A (zh) * 2016-10-25 2017-05-17 长春工业大学 电动汽车动力学系统建模方法
US10814881B2 (en) * 2018-10-16 2020-10-27 Toyota Motor Engineering & Manufacturing North America, Inc. Vehicle velocity predictor using neural networks based on V2X data augmentation to enable predictive optimal control of connected and automated vehicles
CN111125854B (zh) * 2018-10-31 2024-03-29 百度在线网络技术（北京）有限公司 车辆动力学模型的优化方法、装置、存储介质和终端设备
CN111152796B (zh) * 2020-04-07 2020-08-07 北京三快在线科技有限公司 一种车辆运动状态预测方法及装置
CN111626219B (zh) * 2020-05-28 2023-06-09 深圳地平线机器人科技有限公司 轨迹预测模型生成方法、装置、可读存储介质及电子设备
CN111931286A (zh) * 2020-06-29 2020-11-13 北京百度网讯科技有限公司 纵向动力学模型的训练方法、装置及设备
CN112238857B (zh) * 2020-09-03 2021-09-17 北京国家新能源汽车技术创新中心有限公司 自动驾驶车辆的控制方法
CN111930015B (zh) * 2020-09-16 2021-06-04 北京三快在线科技有限公司 一种无人车控制方法及装置
CN112464577B (zh) * 2021-01-25 2021-04-20 魔门塔(苏州)科技有限公司 车辆动力学模型的构建及车辆状态信息预测方法、装置

Also Published As

Publication number Publication date
CN112464577A (zh) 2021-03-09
US20230367934A1 (en) 2023-11-16
WO2022156182A1 (zh) 2022-07-28
EP4216098A1 (en) 2023-07-26

Similar Documents

Publication Publication Date Title
CN112464577B (zh) 车辆动力学模型的构建及车辆状态信息预测方法、装置
US20200090042A1 (en) Data efficient imitation of diverse behaviors
CN107697070B (zh) 驾驶行为预测方法和装置、无人车
US20220363259A1 (en) Method for generating lane changing decision-making model, method for lane changing decision-making of unmanned vehicle and electronic device
CN112997128B (zh) 一种自动驾驶场景的生成方法、装置及系统
CN113561986B (zh) 自动驾驶汽车决策方法及装置
CN109299732B (zh) 无人驾驶行为决策及模型训练的方法、装置及电子设备
CN112119404A (zh) 样本高效的强化学习
CN113561994B (zh) 轨迹规划方法、装置、存储介质及电子设备
CN114881339A (zh) 车辆轨迹预测方法、系统、计算机设备及存储介质
CN114139637A (zh) 多智能体信息融合方法、装置、电子设备及可读存储介质
CN114194211A (zh) 一种自动驾驶方法、装置及电子设备和存储介质
CN114239974B (zh) 多智能体的位置预测方法、装置、电子设备及存储介质
CN110826695B (zh) 数据处理方法、装置和计算机可读存储介质
CN111507499B (zh) 预测用模型的构建方法、测试方法、装置及系统
RU2019145038A (ru) Способы и процессоры для управления рулением беспилотным автомобилем
CN115719547A (zh) 基于多重交互行为的交通参与者轨迹预测方法及系统
CN111443701A (zh) 基于异构深度学习的无人驾驶车辆/机器人行为规划方法
CN113156961B (zh) 驾驶控制模型训练方法、驾驶控制方法及相关装置
CN110826749A (zh) 基于snn的溶解氧含量预测方法、电子设备及系统
CN114104005A (zh) 自动驾驶设备的决策方法、装置、设备及可读存储介质
CN113033902A (zh) 一种基于改进深度学习的自动驾驶换道轨迹规划方法
CN114399901A (zh) 一种控制交通系统的方法和设备
CN115427966A (zh) 通过具有不确定性估计的强化学习的战术决策制定
CN112766310B (zh) 一种节油换道决策方法和系统

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