CN113104010B - 车辆制动控制方法、系统、计算机设备和存储介质 - Google Patents
车辆制动控制方法、系统、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113104010B CN113104010B CN202110496112.0A CN202110496112A CN113104010B CN 113104010 B CN113104010 B CN 113104010B CN 202110496112 A CN202110496112 A CN 202110496112A CN 113104010 B CN113104010 B CN 113104010B
- Authority
- CN
- China
- Prior art keywords
- braking
- data
- vehicle
- simulation
- control signal
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T8/00—Arrangements for adjusting wheel-braking force to meet varying vehicular or ground-surface conditions, e.g. limiting or varying distribution of braking force
- B60T8/17—Using electrical or electronic regulation means to control braking
- B60T8/176—Brake regulation specially adapted to prevent excessive wheel slip during vehicle deceleration, e.g. ABS
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T8/00—Arrangements for adjusting wheel-braking force to meet varying vehicular or ground-surface conditions, e.g. limiting or varying distribution of braking force
- B60T8/17—Using electrical or electronic regulation means to control braking
- B60T8/171—Detecting parameters used in the regulation; Measuring values used in the regulation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T8/00—Arrangements for adjusting wheel-braking force to meet varying vehicular or ground-surface conditions, e.g. limiting or varying distribution of braking force
- B60T8/17—Using electrical or electronic regulation means to control braking
- B60T8/172—Determining control parameters used in the regulation, e.g. by calculations involving measured or detected parameters
Landscapes
- Engineering & Computer Science (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Regulating Braking Force (AREA)
Abstract
本申请涉及一种车辆制动控制方法、系统、计算机设备和存储介质,其中方法通过响应于车辆制动指令,采集车辆在制动过程中的制动数据,并将制动数据输入车辆制动控制模型,得到对车辆的目标制动控制信号,进而采用目标制动控制信号对车辆进行制动控制。由于车辆制动控制模型是采用仿真数据预先训练神经网络得到,从而使得神经网络能够从仿真数据中学习到最优的防抱死刹车策略,因此,基于车辆制动控制模型输出的目标制动控制信号对车辆进行制动控制,能够防止车辆在紧急制动中车轮抱死的情况发生,且基于仿真数据训练神经网络,从而不需要从现实世界中花费大量的人力、物力以及时间来采集大量的制动数据,因此,极大地节约了车辆制动控制的成本。
Description
技术领域
本申请涉及车辆控制技术领域,特别是涉及一种车辆制动控制方法、系统、计算机设备和存储介质。
背景技术
随着车辆控制技术的发展,汽车已经融入到人们日常生活的方方面面,为人类的生产、生活提供了极大的便利。在汽车行驶的道路中,积水路面、冰雪路面等湿滑路面是非常常见的,汽车在这种路面上进行紧急刹车时,容易发生侧滑,某些极限情况下会出现猛烈偏转的情况。当刹车系统给出的刹车/制动力过大时,车轮会出现抱死现象,导致驾驶员失去对汽车方向的控制,此时汽车就有可能驶出车道或驶入逆向车道,使其躲避障碍物的能力大大降低。而车轮在制动过程中产生抱死时,车轮相对于路面的运动不再是滚动,而是滑动,路面作用在轮胎上的侧滑摩擦力和纵向制动力将变得很小,路面越滑,对方向的控制就越难。而车轮抱死还会导致制动效率下降、制动距离变长、轮胎寿命降低以及车身不稳定。
传统技术中,为了防止紧急制动时车轮出现抱死,研发人员设计了防抱死刹车系统(antilock brake system,常见简写ABS)。然而,传统的防抱死刹车系统通常是通过实车采集刹车数据、手动编码设计制动规则来实现防抱死功能,需要耗费大量的人力、物力以及时间来采集不同路面下的制动数据,从而导致其成本较高。
发明内容
基于此,有必要针对上述传统的防抱死刹车系统成本较高的问题,提供一种车辆制动控制方法、系统、计算机设备和存储介质。
一种车辆制动控制方法,所述方法包括:
响应于车辆制动指令,采集所述车辆在制动过程中的制动数据;
将所述制动数据输入车辆制动控制模型,得到对所述车辆的目标制动控制信号,所述车辆制动控制模型是采用仿真数据预先训练神经网络得到,所述仿真数据包括基于真实世界的路面类型在仿真系统中设置对应的仿真路面后,采集的仿真车辆的仿真制动数据;
采用所述目标制动控制信号对所述车辆进行制动控制。
在其中一个实施例中,所述方法还包括:采集所述车辆行驶的路面类型数据;所述将所述制动数据输入车辆制动控制模型,得到对所述车辆的目标制动控制信号,包括:将所述制动数据和所述路面类型数据输入所述车辆制动控制模型,得到对所述车辆的目标制动控制信号。
在其中一个实施例中,所述将所述制动数据输入车辆制动控制模型,包括:对所述制动数据进行归一化处理;将归一化处理后的制动数据输入所述车辆制动控制模型。
在其中一个实施例中,所述车辆制动控制模型的训练方法包括:获取用于模型训练的仿真数据,所述仿真数据中包括基于若干仿真路面类型采集的仿真车辆的仿真制动数据以及与所述仿真制动数据对应的期望制动控制信号;将所述仿真制动数据输入神经网络,得到所述神经网络输出的预测制动控制信号;根据所述仿真制动数据对应的预测制动控制信号与所述期望制动控制信号之间的差值,训练所述神经网络,得到所述车辆制动控制模型。
在其中一个实施例中,所述根据所述仿真制动数据对应的预测制动控制信号与所述期望制动控制信号之间的差值,训练所述神经网络,包括:若所述仿真制动数据对应的预测制动控制信号与所述期望制动控制信号之间的差值大于预设阈值,则调整所述神经网络的参数;重复执行将所述仿真数据中的仿真制动数据输入所述神经网络,得到所述神经网络输出的预测制动控制信号的步骤,直到所述仿真制动数据对应的预测制动控制信号与所述期望制动控制信号之间的差值小于所述预设阈值,则完成对所述神经网络的训练。
在其中一个实施例中,所述仿真数据中还包括仿真路面类型数据;所述将所述仿真制动数据输入神经网络,得到所述神经网络输出的预测制动控制信号,包括:将所述仿真制动数据以及对应的仿真路面类型数据输入所述神经网络,得到所述神经网络输出的预测制动控制信号。
在其中一个实施例中,所述将所述仿真制动数据输入神经网络,包括:对所述仿真制动数据进行归一化处理;将归一化处理后的仿真制动数据输入所述神经网络。
一种车辆制动控制系统,所述系统包括:
数据采集模块,用于响应于车辆制动指令,采集所述车辆在制动过程中的制动数据;
控制信号生成模块,用于将所述制动数据输入车辆制动控制模型,得到对所述车辆的目标制动控制信号,所述车辆制动控制模型是采用仿真数据预先训练神经网络得到,所述仿真数据包括基于真实世界的路面类型在仿真系统中设置对应的仿真路面后,采集的仿真车辆的仿真制动数据;
车辆控制模块,用于采用所述目标制动控制信号对所述车辆进行制动控制。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述方法的步骤。
上述车辆制动控制方法、系统、计算机设备和存储介质,通过响应于车辆制动指令,采集车辆在制动过程中的制动数据,并将制动数据输入车辆制动控制模型,得到对车辆的目标制动控制信号,进而采用目标制动控制信号对车辆进行制动控制。由于车辆制动控制模型是采用仿真数据预先训练神经网络得到,从而使得神经网络能够从仿真数据中学习到最优的防抱死刹车策略,因此,基于车辆制动控制模型输出的目标制动控制信号对车辆进行制动控制,能够防止车辆在紧急制动中车轮抱死的情况发生,且基于仿真数据训练神经网络,从而不需要从现实世界中花费大量的人力、物力以及时间来采集大量的制动数据,因此,极大地节约了车辆制动控制的成本。
附图说明
图1为一个实施例中车辆制动控制方法的流程示意图;
图2为一个实施例中车辆制动控制模型训练步骤的流程示意图;
图3为一个实施例中训练神经网络步骤的流程示意图;
图4为另一个实施例中车辆制动控制方法的流程示意图;
图5为一个实施例中车辆制动控制系统的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
传统的防抱死刹车系统已经经过很多年的发展,目前已经成为汽车必备的安全配置,但其基于实车采集刹车数据、手动编码设计制动规则来实现防抱死功能,需要耗费大量的人力、物力以及时间来采集不同路面下的制动数据,从而导致其成本较高。而且不容易适配新的车辆,如果出现新的设计和需求,之前设计的防抱死制动控制策略无法快速应用到新车型上,需要重新采集数据进行设计及调试,如果采集的数据不够全面,还会导致设计的防抱死刹车系统的性能达不到预期。
而近年来人工智能技术出现了飞跃的发展,其中使用模仿人类神经网络的人工神经网络,为人工智能技术的发展带来很大的帮助,神经网络具有强大的学习能力,能够通过拟合复杂的数学公式来解决问题。目前人工智能技术已经深入到日常生活中,例如汽车智能语音控制系统,车主能够直接通过语音控制车载设备,辅助驾驶系统中车道保持,能够识别车道线、辅助车主进行车道矫正。人工智能技术应用在汽车中,还能够提高行车安全性。
基于此,如图1所示,本申请提供了一种基于人工智能技术的车辆制动控制方法,以该方法应用于车辆制动控制系统为例进行说明,包括以下步骤:
步骤102,响应于车辆制动指令,采集车辆在制动过程中的制动数据。
其中,车辆制动指令是通过车辆的制动机构下发的用于对车辆进行制动控制的指示或命令。具体地,制动机构包括但不限于制动踏板、防碰撞系统等,制动指令则具体可以是制动力大小的目标值,例如在紧急制动中,制动力目标值通常是最大制动力值。制动数据则是通过车载传感器采集的车辆在制动过程中与制动相关的数据,例如,制动数据包括但不限于车身速度、车身加速度、车轮速度、车轮加速度、车辆前进方向角度、车辆前进方向角速度、车辆前进方向角加速度以及当前制动压力值等。制动过程则是指从制动开始到制动结束的整个过程,通常,当车辆制动控制系统获取到车辆制动指令时则表示制动开始,而车辆停止下来则制动结束,当然,当接收到停止制动的指令时,则也可以认为制动结束。
在本实施例中,当通过车辆的制动机构下发车辆制动指令后,车辆制动控制系统则响应于该车辆制动指令,并采集车辆在制动过程中的制动数据,进而通过后续步骤进行相应的制动控制。由于在制动过程中,车辆的制动数据是变化的,上一时刻的制动控制信号可能已经不适用于下一时刻的制动,而需要新的制动控制信号。因此,可以在整个制动过程中,周期性采集车辆的制动数据,其中,采集的周期可以是固定的,也可以是不固定的,本实施例中并不对此进行限定。
步骤104,将制动数据输入车辆制动控制模型,得到对车辆的目标制动控制信号。
其中,车辆制动控制模型是采用仿真数据预先训练神经网络得到,仿真数据则包括基于真实世界的路面类型在仿真系统中设置对应的仿真路面后,采集的仿真车辆的仿真制动数据。因此,通过人工智能算法使得神经网络能够从仿真数据中学习到最优的防抱死刹车策略。目标制动控制信号则是车辆制动控制模型输出的用于对车辆进行制动控制的信号。在本实施例中,通过将车辆制动过程中的制动数据输入车辆制动控制模型,从而得到模型输出的对车辆的目标制动控制信号。由于制动过程中的制动数据是周期性采集,因此,可以采集一次制动数据,模型则输出一次对应的目标制动控制信号。模型也可以基于多次采集的制动数据进行融合后,而输出一次对应的目标制动控制信号,具体由模型设定的模式决定。
步骤106,采用目标制动控制信号对车辆进行制动控制。
具体地,在本实施例中,通过上述得到的目标制动控制信号对车辆进行制动控制,从而达到制动目的。
上述车辆制动控制方法中,通过响应于车辆制动指令,采集车辆在制动过程中的制动数据,并将制动数据输入车辆制动控制模型,得到对车辆的目标制动控制信号,进而采用目标制动控制信号对车辆进行制动控制。由于车辆制动控制模型是采用仿真数据预先训练神经网络得到,从而使得神经网络能够从仿真数据中学习到最优的防抱死刹车策略,因此,基于车辆制动控制模型输出的目标制动控制信号对车辆进行制动控制,能够防止车辆在紧急制动中车轮抱死的情况发生,且基于仿真数据训练神经网络,从而不需要从现实世界中花费大量的人力、物力以及时间来采集大量的制动数据,因此,极大地节约了车辆制动控制的成本。
在一个实施例中,为了进一步提高车辆制动控制模型输出的准确率,还可以采集车辆行驶的路面类型数据,并将制动数据和路面类型数据一并输入车辆制动控制模型,从而得到车辆制动控制模型输出的更加贴合当前路面类型的目标制动控制信号。其中,路面类型数据是指车辆当前行驶的路面所对应的路面状态进行的分类数据,例如,路面类型数据包括但不限于高摩擦系数类型的路面(如干燥的柏油路面)、低摩擦系数类型的路面(如积雪结冰路面)、摩擦系数变化的路面(如附着沙子的路面)、左右轮胎不均衡的路面(如破损路面、井盖凸起的路面、半边积水的路面等)。上述路面类型可以单独存在,也可以相互组合而形成一条制动路面,例如,在一次完整制动过程中,车辆从高摩擦系数类型的路面驶入低摩擦系数类型的路面(如柏油路面部分结冰的情况)、左右轮胎不均衡的路面(只有半边路面积水)等。
由于对于不同的路面类型,对于车辆的制动控制需要差异化对待,因此,在本实施例中,通过将制动数据和路面类型数据一并输入车辆制动控制模型,从而得到车辆制动控制模型输出的更加贴合当前路面类型的目标制动控制信号,以提高对车辆的制动效率。
在一个实施例中,将制动数据输入车辆制动控制模型,具体包括:对制动数据进行预处理,将预处理后的制动数据输入车辆制动控制模型。其中,预处理是为了降低或消除数据之间的差异所带来的影响。例如,对于车身速度,其常规的单位是km/h或m/s,而100km/h约等于27.78m/s,两者数值不同,但代表的速度信息相同;再例如车辆前进方向角度10°与车身速度10km/h,虽然数值相同,但含义不相同。若直接使用上面的原始数据用于模型识别,则模型本身无法区分其中的差异,因此,在将数据输入模型前,需要先进行预处理,从而降低或消除其中的差异所带来的影响。在本实施例中,可以采用单位转换、数值归一化处理等方式对制动数据进行预处理。
在一个实施例中,如图2所示,上述车辆制动控制模型的训练方法可以包括如下步骤:
步骤202,获取用于模型训练的仿真数据。
其中,仿真数据是从仿真系统中获取的数据。在本实施例中,仿真系统可以参考实际的车辆参数设计车辆模型(即仿真车辆,并包括制动部分),并参考真实世界的路面类型设计对应的仿真路面,以涵盖真实世界中可能出现的各种路面情况。因此,仿真数据中包括基于若干仿真路面类型采集的仿真车辆的仿真制动数据以及与仿真制动数据对应的期望制动控制信号。
具体地,仿真制动数据则是采集的仿真车辆在制动过程中与制动相关的数据,包括但不限于车身速度、车身加速度、车轮速度、车轮加速度、车辆前进方向角度、车辆前进方向角速度、车辆前进方向角加速度以及当前制动压力值等。期望制动控制信号则是基于理论计算或是通过仿真分析得到的用于对车辆进行制动控制的最优信号,且期望制动控制信号与对应的仿真制动数据相匹配,即对于不同的仿真制动数据分别设置有一一对应的期望制动控制信号。
步骤204,将仿真制动数据输入神经网络,得到神经网络输出的预测制动控制信号。
其中,神经网络是基于人工智能算法实现的神经网络。预测制动控制信号则是神经网络基于仿真制动数据预测的用于对仿真车辆进行制动控制的信号。在本实施例中,通过将仿真制动数据输入神经网络,从而得到神经网络输出的对仿真车辆的预测制动控制信号。
步骤206,根据仿真制动数据对应的预测制动控制信号与期望制动控制信号之间的差值,训练神经网络,得到车辆制动控制模型。
在本实施例中,基于仿真制动数据对应的预测制动控制信号与期望制动控制信号,从而确定预测制动控制信号与期望制动控制信号之间的差值,并基于得到的差值训练神经网络,通过在训练过程中不断地调整网络参数,直到收敛,使得网络能够学习到有效地防抱死制动控制策略,从而得到能够用于实际车辆进行制动控制的车辆制动控制模型。具体地,在对神经网络进行训练时,如果将在仿真制动过程中单次采集的仿真制动数据认为是1组,则对神经网络进行训练的数据数量为n组,其中n可以根据具体的训练情况设定。
上述实施例中,通过获取用于模型训练的仿真数据,将仿真数据中的仿真制动数据输入神经网络,得到神经网络输出的预测制动控制信号,并根据仿真制动数据对应的预测制动控制信号与期望制动控制信号之间的差值,训练神经网络,从而得到能够用于实际车辆进行制动控制的车辆制动控制模型。由于仿真模型的成本远低于实车成本,且设计仿真路面的成本同样远低于设计实际路面的成本,因此,基于仿真数据进行模型训练可以节约成本。且从仿真系统中获取仿真数据能够降低采集实车制动数据来设计防抱死制动/刹车系统的时间,又由于仿真系统中采集仿真数据的方式,比起实车采集更全面,因此,不存在实车采集时的安全风险。
在一个实施例中,如图3所示,根据仿真制动数据对应的预测制动控制信号与期望制动控制信号之间的差值,训练神经网络,具体包括如下步骤:
步骤302,判断仿真制动数据对应的预测制动控制信号与期望制动控制信号之间的差值与预设阈值之间的关系。
其中,预设阈值是预先设置的用于评价模型是否收敛的指标。在本实施例中,通过判断仿真制动数据对应的预测制动控制信号与期望制动控制信号之间的差值与预设阈值之间的关系,从而可以确定模型是否收敛。具体地,当对应的差值大于预设阈值,则表示模型没有收敛,从而执行步骤304,继续训练神经网络;当对应的差值小于预设阈值,则表示模型收敛,从而执行步骤308,结束对神经网络的训练。
进一步地,制动控制信号还可以包括具体的制动距离、制动减速度等,因此,可以基于预测的制动距离、制动减速度与对应的期望值进行比较,并根据两者之间的差值与预设阈值之间的关系对神经网络进行训练。
步骤304,调整神经网络的参数。
具体地,基于上述得到的仿真制动数据对应的预测制动控制信号与期望制动控制信号之间的差值,对神经网络的参数进行调整,从而得到参数调整后的神经网络。
步骤306,将仿真数据中的仿真制动数据输入调整后的神经网络,得到神经网络输出的预测制动控制信号。
具体地,继续将仿真数据中的仿真制动数据输入调整后的神经网络,得到神经网络输出的预测制动控制信号,并重复执行上述步骤302的判断过程,直到预测制动控制信号与期望制动控制信号之间的差值小于预设阈值时,则完成对神经网络的训练。
步骤308,结束对神经网络的训练。
具体地,当预测制动控制信号与期望制动控制信号之间的差值小于预设阈值时,则完成对神经网络的训练,从而结束训练过程。由于仿真车辆和仿真路面是参考真实世界设计的,在仿真环境中采集的仿真数据与实车在真实世界中的采集的制动数据一致,因此,基于使用仿真环境中采集的仿真数据对神经网络进行训练,使得得到的车辆制动控制模型能够在真实世界中实现防抱死制动,且能够实现更优的效果。
在一个实施例中,为了提高模型的鲁棒性,在对模型进行训练时,仿真数据中还可以包括仿真路面类型数据。则将仿真制动数据输入神经网络,得到神经网络输出的预测制动控制信号,具体包括:将仿真制动数据以及对应的仿真路面类型数据输入神经网络,得到神经网络输出的预测制动控制信号。使得神经网络学习到的防抱死制动策略更全面,从而在实际应用时能够实现更优的制动效果。
在一个实施例中,将仿真制动数据输入神经网络,具体包括:对仿真制动数据进行预处理,将预处理后的仿真制动数据输入神经网络。从而降低或消除数据之间的差异所带来的影响。
以下通过一个具体的实施例进一步说明本申请的方法,如图4所示,包括如下步骤:
步骤402,获取用于模型训练的仿真数据。
其中,仿真数据是在仿真系统中参考现实世界的路面类型设计对应的仿真路面后,采集的仿真车辆的制动数据。具体地,仿真数据中包括基于若干仿真路面类型采集的仿真车辆的仿真制动数据以及与仿真制动数据对应的期望制动控制信号。在本实施例中,通过采集仿真车辆在制动过程中的仿真制动数据以及与仿真制动数据对应的期望制动控制信号,从而形成数据集,用于后续训练。可以理解的是,仿真车辆在制动过程中的仿真制动数据可以包括仿真车辆在不同路面类型的仿真路面上的仿真制动数据。
步骤404,对仿真制动数据进行预处理。其中,预处理是为了降低或消除数据之间的差异所带来的影响。
步骤406,将预处理后的仿真制动数据输入神经网络,得到神经网络输出的预测制动控制信号。
可以理解的是,为了使得神经网络学习到的防抱死制动策略更全面,还可以将仿真制动数据以及对应的仿真路面类型数据输入神经网络,以得到神经网络输出的预测制动控制信号,从而提高神经网络的鲁棒性。
步骤408,根据仿真制动数据对应的预测制动控制信号与期望制动控制信号训练神经网络,直到收敛,得到可以应用于实际车辆制动过程中的车辆制动控制模型。
对于神经网络的具体训练过程可以参考如图3所示的实施例,此处不再对此进行赘述。
步骤410,将上述得到的车辆制动控制模型用于实际车辆的车辆制动控制系统中,当车辆制动控制系统获取到车辆制动指令时,则采集车辆在制动过程中的制动数据。
步骤412,对制动数据进行预处理,将预处理后的制动数据输入车辆制动控制模型,得到对车辆的目标制动控制信号。
可以理解的是,为了进一步提高车辆制动控制模型输出的准确率,还可以采集车辆行驶的路面类型数据,并将制动数据和路面类型数据一并输入车辆制动控制模型,从而得到车辆制动控制模型输出的更加贴合当前路面类型的目标制动控制信号。
步骤414,采用目标制动控制信号对车辆进行制动控制。
具体地,通过上述得到的目标制动控制信号对车辆进行制动控制,从而达到制动目的。
上述实施例中,由于采集仿真数据的成本远低于采集实车数据的成本,因此,基于仿真数据进行模型训练可以节约成本。且从仿真系统中获取仿真数据能够降低采集实车制动数据来设计防抱死制动/刹车系统的时间,又由于仿真系统中采集仿真数据的方式,比起实车采集更全面,因此,不存在实车采集时的安全风险。而且仿真车辆和仿真路面都是参考真实世界设计的,在仿真环境中采集的仿真数据与实车在真实世界中的采集的制动数据相一致,因此,基于使用仿真环境中采集的仿真数据对神经网络进行训练,使得得到的车辆制动控制模型能够在真实世界中实现防抱死制动,且能够实现更优的效果。
应该理解的是,虽然图1-图4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-图4中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种车辆制动控制系统,包括:数据采集模块502、控制信号生成模块504和车辆控制模块506,其中:
数据采集模块502,用于响应于车辆制动指令,采集所述车辆在制动过程中的制动数据;
控制信号生成模块504,用于将所述制动数据输入车辆制动控制模型,得到对所述车辆的目标制动控制信号,所述车辆制动控制模型是采用仿真数据预先训练神经网络得到,所述仿真数据包括基于真实世界的路面类型在仿真系统中设置对应的仿真路面后,采集的仿真车辆的仿真制动数据;
车辆控制模块506,用于采用所述目标制动控制信号对所述车辆进行制动控制。
在一个实施例中,数据采集模块还用于采集车辆行驶的路面类型数据;则控制信号生成模块还用于,将制动数据和路面类型数据输入车辆制动控制模型,得到对车辆的目标制动控制信号。
在一个实施例中,所述系统还包括预处理模块,用于在将制动数据输入车辆制动控制模型之前,对制动数据进行预处理。
在一个实施例中,还包括模型训练模块,用于:获取用于模型训练的仿真数据,所述仿真数据中包括基于若干仿真路面类型采集的仿真车辆的仿真制动数据以及与所述仿真制动数据对应的期望制动控制信号;将所述仿真制动数据输入神经网络,得到所述神经网络输出的预测制动控制信号;根据所述仿真制动数据对应的预测制动控制信号与所述期望制动控制信号之间的差值,训练所述神经网络,得到所述车辆制动控制模型。
在一个实施例中,模型训练模块还用于:若仿真制动数据对应的预测制动控制信号与期望制动控制信号之间的差值大于预设阈值,则调整神经网络的参数;重复执行将仿真数据中的仿真制动数据输入神经网络,得到神经网络输出的预测制动控制信号的步骤,直到仿真制动数据对应的预测制动控制信号与期望制动控制信号之间的差值小于预设阈值,则完成对神经网络的训练。
在一个实施例中,模型训练模块还用于:将所述仿真制动数据以及对应的仿真路面类型数据输入所述神经网络,得到所述神经网络输出的预测制动控制信号。
在一个实施例中,模型训练模块还用于:在将仿真制动数据输入神经网络之前,对仿真制动数据进行预处理。
关于车辆制动控制系统的具体限定可以参见上文中对于车辆制动控制方法的限定,在此不再赘述。上述车辆制动控制系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种车辆制动控制方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
响应于车辆制动指令,采集所述车辆在制动过程中的制动数据;
将所述制动数据输入车辆制动控制模型,得到对所述车辆的目标制动控制信号,所述车辆制动控制模型是采用仿真数据预先训练神经网络得到,所述仿真数据包括基于真实世界的路面类型在仿真系统中设置对应的仿真路面后,采集的仿真车辆的仿真制动数据;
采用所述目标制动控制信号对所述车辆进行制动控制。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:采集所述车辆行驶的路面类型数据;所述将所述制动数据输入车辆制动控制模型,得到对所述车辆的目标制动控制信号,包括:将所述制动数据和所述路面类型数据输入所述车辆制动控制模型,得到对所述车辆的目标制动控制信号。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对所述制动数据进行预处理;将预处理后的制动数据输入所述车辆制动控制模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取用于模型训练的仿真数据,所述仿真数据中包括基于若干仿真路面类型采集的仿真车辆的仿真制动数据以及与所述仿真制动数据对应的期望制动控制信号;将所述仿真制动数据输入神经网络,得到所述神经网络输出的预测制动控制信号;根据所述仿真制动数据对应的预测制动控制信号与所述期望制动控制信号之间的差值,训练所述神经网络,得到所述车辆制动控制模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:若所述仿真制动数据对应的预测制动控制信号与所述期望制动控制信号之间的差值大于预设阈值,则调整所述神经网络的参数;重复执行将所述仿真数据中的仿真制动数据输入所述神经网络,得到所述神经网络输出的预测制动控制信号的步骤,直到所述仿真制动数据对应的预测制动控制信号与所述期望制动控制信号之间的差值小于所述预设阈值,则完成对所述神经网络的训练。
在一个实施例中,所述仿真数据中还包括仿真路面类型数据,则处理器执行计算机程序时还实现以下步骤:将所述仿真制动数据以及对应的仿真路面类型数据输入所述神经网络,得到所述神经网络输出的预测制动控制信号。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对所述仿真制动数据进行预处理;将预处理后的仿真制动数据输入所述神经网络。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
响应于车辆制动指令,采集所述车辆在制动过程中的制动数据;
将所述制动数据输入车辆制动控制模型,得到对所述车辆的目标制动控制信号,所述车辆制动控制模型是采用仿真数据预先训练神经网络得到,所述仿真数据包括基于真实世界的路面类型在仿真系统中设置对应的仿真路面后,采集的仿真车辆的仿真制动数据;
采用所述目标制动控制信号对所述车辆进行制动控制。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:采集所述车辆行驶的路面类型数据;所述将所述制动数据输入车辆制动控制模型,得到对所述车辆的目标制动控制信号,包括:将所述制动数据和所述路面类型数据输入所述车辆制动控制模型,得到对所述车辆的目标制动控制信号。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对所述制动数据进行预处理;将预处理后的制动数据输入所述车辆制动控制模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取用于模型训练的仿真数据,所述仿真数据中包括基于若干仿真路面类型采集的仿真车辆的仿真制动数据以及与所述仿真制动数据对应的期望制动控制信号;将所述仿真制动数据输入神经网络,得到所述神经网络输出的预测制动控制信号;根据所述仿真制动数据对应的预测制动控制信号与所述期望制动控制信号之间的差值,训练所述神经网络,得到所述车辆制动控制模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:若所述仿真制动数据对应的预测制动控制信号与所述期望制动控制信号之间的差值大于预设阈值,则调整所述神经网络的参数;重复执行将所述仿真数据中的仿真制动数据输入所述神经网络,得到所述神经网络输出的预测制动控制信号的步骤,直到所述仿真制动数据对应的预测制动控制信号与所述期望制动控制信号之间的差值小于所述预设阈值,则完成对所述神经网络的训练。
在一个实施例中,所述仿真数据中还包括仿真路面类型数据,则计算机程序被处理器执行时还实现以下步骤:将所述仿真制动数据以及对应的仿真路面类型数据输入所述神经网络,得到所述神经网络输出的预测制动控制信号。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对所述仿真制动数据进行预处理;将预处理后的仿真制动数据输入所述神经网络。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种车辆制动控制方法,其特征在于,所述方法包括:
响应于车辆制动指令,采集所述车辆在制动过程中的制动数据;
将所述制动数据输入车辆制动控制模型,得到对所述车辆的目标制动控制信号,所述车辆制动控制模型是采用仿真数据预先训练神经网络得到,所述仿真数据包括基于真实世界的路面类型在仿真系统中设置对应的仿真路面后,采集的仿真车辆的仿真制动数据;
采用所述目标制动控制信号对所述车辆进行制动控制;
所述车辆制动控制模型的训练方法包括:
获取用于模型训练的仿真数据,所述仿真数据中包括基于若干仿真路面类型采集的仿真车辆的仿真制动数据以及与所述仿真制动数据对应的期望制动控制信号;
将所述仿真制动数据输入神经网络,得到所述神经网络输出的预测制动控制信号;
根据所述仿真制动数据对应的预测制动控制信号与所述期望制动控制信号之间的差值,训练所述神经网络,得到所述车辆制动控制模型。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
采集所述车辆行驶的路面类型数据;
所述将所述制动数据输入车辆制动控制模型,得到对所述车辆的目标制动控制信号,包括:
将所述制动数据和所述路面类型数据输入所述车辆制动控制模型,得到对所述车辆的目标制动控制信号。
3.根据权利要求1所述的方法,其特征在于,所述将所述制动数据输入车辆制动控制模型,包括:
对所述制动数据进行归一化处理;
将归一化处理后的制动数据输入所述车辆制动控制模型。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述根据所述仿真制动数据对应的预测制动控制信号与所述期望制动控制信号之间的差值,训练所述神经网络,包括:
若所述仿真制动数据对应的预测制动控制信号与所述期望制动控制信号之间的差值大于预设阈值,则调整所述神经网络的参数;
重复执行将所述仿真数据中的仿真制动数据输入所述神经网络,得到所述神经网络输出的预测制动控制信号的步骤,直到所述仿真制动数据对应的预测制动控制信号与所述期望制动控制信号之间的差值小于所述预设阈值,则完成对所述神经网络的训练。
5.根据权利要求1至3任一项所述的方法,其特征在于,所述仿真数据中还包括仿真路面类型数据;所述将所述仿真制动数据输入神经网络,得到所述神经网络输出的预测制动控制信号,包括:
将所述仿真制动数据以及对应的仿真路面类型数据输入所述神经网络,得到所述神经网络输出的预测制动控制信号。
6.根据权利要求1至3任一项所述的方法,其特征在于,所述将所述仿真制动数据输入神经网络,包括:
对所述仿真制动数据进行归一化处理;
将归一化处理后的仿真制动数据输入所述神经网络。
7.一种车辆制动控制系统,其特征在于,所述系统包括:
数据采集模块,用于响应于车辆制动指令,采集所述车辆在制动过程中的制动数据;
控制信号生成模块,用于将所述制动数据输入车辆制动控制模型,得到对所述车辆的目标制动控制信号,所述车辆制动控制模型是采用仿真数据预先训练神经网络得到,所述仿真数据包括基于真实世界的路面类型在仿真系统中设置对应的仿真路面后,采集的仿真车辆的仿真制动数据;
车辆控制模块,用于采用所述目标制动控制信号对所述车辆进行制动控制;
还包括模型训练模块,用于获取用于模型训练的仿真数据,所述仿真数据中包括基于若干仿真路面类型采集的仿真车辆的仿真制动数据以及与所述仿真制动数据对应的期望制动控制信号;将所述仿真制动数据输入神经网络,得到所述神经网络输出的预测制动控制信号;根据所述仿真制动数据对应的预测制动控制信号与所述期望制动控制信号之间的差值,训练所述神经网络,得到所述车辆制动控制模型。
8.根据权利要求7所述的系统,其特征在于,
所述数据采集模块还用于采集车辆行驶的路面类型数据;
所述控制信号生成模块还用于将制动数据和路面类型数据输入车辆制动控制模型,得到对车辆的目标制动控制信号。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
10.一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,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110496112.0A CN113104010B (zh) | 2021-05-07 | 2021-05-07 | 车辆制动控制方法、系统、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110496112.0A CN113104010B (zh) | 2021-05-07 | 2021-05-07 | 车辆制动控制方法、系统、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113104010A CN113104010A (zh) | 2021-07-13 |
CN113104010B true CN113104010B (zh) | 2022-04-15 |
Family
ID=76721195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110496112.0A Active CN113104010B (zh) | 2021-05-07 | 2021-05-07 | 车辆制动控制方法、系统、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113104010B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113479177B (zh) * | 2021-07-07 | 2024-04-09 | 的卢技术有限公司 | 车辆制动控制方法、系统、计算机设备和存储介质 |
CN113658479B (zh) * | 2021-08-25 | 2023-05-05 | 郑州捷安高科股份有限公司 | 一种列车气路仿真方法、装置及介质 |
CN114722697A (zh) * | 2022-03-09 | 2022-07-08 | 山东拓新电气有限公司 | 一种基于机器学习的掘进机控制参数确定方法及其装置 |
CN114407852B (zh) * | 2022-03-31 | 2022-07-15 | 山西维度空间信息科技有限公司 | 一种矿车制动控制方法、装置、矿车及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5586028A (en) * | 1993-12-07 | 1996-12-17 | Honda Giken Kogyo Kabushiki Kaisha | Road surface condition-detecting system and anti-lock brake system employing same |
US5904215A (en) * | 1995-09-14 | 1999-05-18 | Fuji Jukogyo Kabushiki Kaisha | Automatic brake control system and the method thereof |
WO2007130043A1 (en) * | 2006-05-05 | 2007-11-15 | Bombardier Recreational Products Inc. | Three-wheel vehicle electronic stability system |
EP3028910A1 (en) * | 2014-12-03 | 2016-06-08 | The Goodyear Tire & Rubber Company | Slip ratio point optimization system and method for vehicle control |
CN106990714A (zh) * | 2017-06-05 | 2017-07-28 | 李德毅 | 基于深度学习的适配控制方法与装置 |
CN108422983A (zh) * | 2018-03-03 | 2018-08-21 | 孙国栋 | 一种基于人工智能的车辆辅助制动系统 |
CN109131275A (zh) * | 2018-09-25 | 2019-01-04 | 合肥龙多电子科技有限公司 | 一种汽车自动刹车系统和方法 |
AT520073B1 (de) * | 2017-10-05 | 2019-01-15 | Ve Vienna Engineering Forschungs Und Entw Gmbh | Verfahren und Bremsensteuerung zum Betätigen einer Reibungsbremse |
CN110001608A (zh) * | 2019-03-06 | 2019-07-12 | 江苏大学 | 一种基于路面视觉检测的汽车智能制动系统及其控制方法 |
CN112706728A (zh) * | 2020-12-30 | 2021-04-27 | 吉林大学 | 基于视觉的路面附着系数估计的自动紧急制动控制方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE60121963T2 (de) * | 2001-10-15 | 2007-01-18 | Ford Global Technologies, LLC, Dearborn | Verfahren und Einrichtung zur Steuerung eines Fahrzeuges |
JP4046059B2 (ja) * | 2002-11-08 | 2008-02-13 | 株式会社豊田中央研究所 | 路面状態推定装置 |
CN101544227A (zh) * | 2009-04-01 | 2009-09-30 | 北京理工大学 | 汽车制动防抱双模式控制方法 |
US10656644B2 (en) * | 2017-09-07 | 2020-05-19 | Tusimple, Inc. | System and method for using human driving patterns to manage speed control for autonomous vehicles |
CN109591811B (zh) * | 2017-09-28 | 2020-08-14 | 华为技术有限公司 | 车辆制动方法、装置及存储介质 |
CN108839614A (zh) * | 2018-04-27 | 2018-11-20 | 李德祥 | 一种用于电动车的车辆安全减速系统 |
CN108960426B (zh) * | 2018-07-09 | 2021-05-14 | 吉林大学 | 基于bp神经网络的道路坡度综合估计系统 |
US20200406894A1 (en) * | 2019-06-28 | 2020-12-31 | Zoox, Inc. | System and method for determining a target vehicle speed |
CN110509916B (zh) * | 2019-08-30 | 2021-06-29 | 的卢技术有限公司 | 一种基于深度神经网络的车身姿态稳定方法和系统 |
CN110516380B (zh) * | 2019-08-30 | 2023-09-26 | 的卢技术有限公司 | 一种基于车辆行驶仿真数据的深度强化测试方法和系统 |
CN111645698B (zh) * | 2020-05-23 | 2022-02-22 | 东南大学 | 一种重载车辆侧翻阈值自适应估计方法 |
-
2021
- 2021-05-07 CN CN202110496112.0A patent/CN113104010B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5586028A (en) * | 1993-12-07 | 1996-12-17 | Honda Giken Kogyo Kabushiki Kaisha | Road surface condition-detecting system and anti-lock brake system employing same |
US5904215A (en) * | 1995-09-14 | 1999-05-18 | Fuji Jukogyo Kabushiki Kaisha | Automatic brake control system and the method thereof |
WO2007130043A1 (en) * | 2006-05-05 | 2007-11-15 | Bombardier Recreational Products Inc. | Three-wheel vehicle electronic stability system |
EP3028910A1 (en) * | 2014-12-03 | 2016-06-08 | The Goodyear Tire & Rubber Company | Slip ratio point optimization system and method for vehicle control |
CN106990714A (zh) * | 2017-06-05 | 2017-07-28 | 李德毅 | 基于深度学习的适配控制方法与装置 |
AT520073B1 (de) * | 2017-10-05 | 2019-01-15 | Ve Vienna Engineering Forschungs Und Entw Gmbh | Verfahren und Bremsensteuerung zum Betätigen einer Reibungsbremse |
CN108422983A (zh) * | 2018-03-03 | 2018-08-21 | 孙国栋 | 一种基于人工智能的车辆辅助制动系统 |
CN109131275A (zh) * | 2018-09-25 | 2019-01-04 | 合肥龙多电子科技有限公司 | 一种汽车自动刹车系统和方法 |
CN110001608A (zh) * | 2019-03-06 | 2019-07-12 | 江苏大学 | 一种基于路面视觉检测的汽车智能制动系统及其控制方法 |
CN112706728A (zh) * | 2020-12-30 | 2021-04-27 | 吉林大学 | 基于视觉的路面附着系数估计的自动紧急制动控制方法 |
Non-Patent Citations (1)
Title |
---|
带神经网络的防抱死制动系统(ABS)路面辨识;王铁等;《中国工程机械学报》;20040128(第01期);96-108 * |
Also Published As
Publication number | Publication date |
---|---|
CN113104010A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113104010B (zh) | 车辆制动控制方法、系统、计算机设备和存储介质 | |
CN103407451B (zh) | 一种道路纵向附着系数估计方法 | |
CN110901561B (zh) | 汽车的底盘域控制器、系统及方法 | |
CN113010967B (zh) | 一种基于混合交通流模型的智能汽车在环仿真测试方法 | |
CN111332362B (zh) | 一种融合驾驶员个性的智能线控转向控制方法 | |
CN108482481B (zh) | 四轮独立驱动与转向电动汽车的四轮转向控制方法 | |
CN104773170A (zh) | 一种车辆稳定性集成控制方法 | |
KR20210073291A (ko) | 차량 성능 평가 시스템 | |
CN112829742A (zh) | 乘员安全决策方法和装置 | |
CN106570560A (zh) | 基于标准化驾驶行为和相空间重构的驾驶风格定量评价方法 | |
CN111830962A (zh) | 强化学习代理控制器的解释数据 | |
CN113479177B (zh) | 车辆制动控制方法、系统、计算机设备和存储介质 | |
CN112918448A (zh) | 一种基于神经网络算法实现的汽车防抱死制动控制方法、装置、车辆、存储介质 | |
KR102462403B1 (ko) | 차량 내 can-bus 센서에 대한 희소 학습 기능을 갖춘 경량 운전자 행동 식별 모델 | |
Jin et al. | Road friction estimation method based on fusion of machine vision and vehicle dynamics | |
CN114371691B (zh) | 一种辅助驾驶弯道轨迹跟踪控制方法 | |
US20230001940A1 (en) | Method and Device for Optimum Parameterization of a Driving Dynamics Control System for Vehicles | |
CN104670222B (zh) | 滑动模式的行驶路径投票策略模块及驾驶控制系统与方法 | |
KR102389160B1 (ko) | 기계학습을 이용한 스마트휠센서 기반의 노면상태추정 방법 및 장치 | |
DE102022129933A1 (de) | An einer karosserie angeordnete luftbremsen für stabilität und steuerung bei niedrigen mu-bedingungen in autonomen fahrzeugen und verfahren zum verwenden derselben | |
Lu et al. | Road adhesion coefficient identification method based on vehicle dynamics model and multi-algorithm fusion | |
CN112596388B (zh) | 一种基于驾驶员数据的lstm神经网络aeb系统控制方法 | |
US20230219569A1 (en) | Personalized vehicle operation for autonomous driving with inverse reinforcement learning | |
Sachan et al. | Application of machine learning technique for development of indirect tire pressure monitoring system | |
US11782451B1 (en) | Training machine learning model for controlling autonomous vehicle |
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 |