CN113276863A

CN113276863A - 车辆控制方法、装置、设备、介质及程序产品

Info

Publication number: CN113276863A
Application number: CN202110750811.3A
Authority: CN
Inventors: 张昆玉; 张承标; 朱敏婧; 徐帅权
Original assignee: Zhejiang Geely Holding Group Co Ltd; Geely Automobile Research Institute Ningbo Co Ltd
Current assignee: Zhejiang Geely Holding Group Co Ltd; Geely Automobile Research Institute Ningbo Co Ltd
Priority date: 2021-07-01
Filing date: 2021-07-01
Publication date: 2021-08-20
Anticipated expiration: 2041-07-01
Also published as: CN113276863B

Abstract

本申请提供了一种车辆控制方法、装置、设备、介质及程序产品，通过若检测到目标车辆的当前控制模型对目标行驶场景不适用，则向交互对象请求并获取训练数据；并根据训练数据以及预设神经元库构建待训练控制模型；然后利用神经网络训练算法，根据训练数据，对待训练控制模型进行训练，以确定目标控制模型；最后在目标行驶场景中，利用目标控制模型，对目标车辆进行控制，以满足与目标行驶场景对应的控制要求。解决了现有技术存在的自动控制模型应用范围小且时效性差的技术问题。将自动控制模型的训练分配到了各个车辆上，实现了无需研发人员介入即可不断更新完善模型，并且随着场景的变化能够及时更新，使得自动控制模型具备良好时效性的技术效果。

Description

车辆控制方法、装置、设备、介质及程序产品

技术领域

本申请涉及车辆工程技术领域，尤其涉及一种车辆控制方法、装置、设备、介质及程序产品。

背景技术

随着汽车技术的不断发展，智能网联汽车，以其可以提供更安全、更节能、更环保、更舒适的出行方式和综合解决方案，成为了城市智能交通系统的重要环节，也是构建绿色汽车社会的核心要素。其意义不仅在于汽车产品与技术的升级，更有可能带来汽车及相关产业全产业形态和价值链体系的重塑，是国际公认的未来汽车及交通的发展方向和关注焦点之一。

目前，各个汽车企业以及其它交通运输企业和高校都在对智能网联汽车的控制模型进行研究，试图通过人工智能、大数据等手段得到一个能够处理全部或者绝大部分应用场景的自动控制模型。

但是，由于现实中交通体系的应用场景十分复杂，且具备时变性，因此，绝大多数自动控制模型应用范围都太小，且时效性也无法满足及时更新的需求。即现有技术中存在自动控制模型应用范围小且时效性差的技术问题。

发明内容

本申请提供一种车辆控制方法、装置、设备、介质及程序产品，以解决现有技术存在的自动控制模型应用范围小且时效性差的技术问题。

第一个方面，本申请提供一种车辆控制方法，包括：

若检测到目标车辆的当前控制模型对目标行驶场景不适用，则向交互对象请求并获取训练数据；

根据训练数据以及预设神经元库构建待训练控制模型；

利用神经网络训练算法，根据训练数据，对待训练控制模型进行训练，以确定目标控制模型；

在目标行驶场景中，利用目标控制模型，对目标车辆进行控制，以满足预设控制要求，预设控制要求与目标行驶场景相对应。

在一种可能的设计中，根据训练数据以及预设神经元库构建待训练控制模型，包括：

提取训练数据的属性特征；

在预设神经元库中，根据属性特征，确定多个不同类型的神经元模型，神经元模型与属性特征相对应；

根据预设组网方式对多个神经元模型进行组合，以确定待训练控制模型。

在一种可能的设计中，利用神经网络训练算法，根据训练数据，对待训练控制模型进行训练，包括：

根据属性特征的数量确定循环训练的种类数量；

在每种循环训练中，对至少一个目标属性特征对应的权重矩阵进行训练，权重矩阵用于确定待训练控制模型输出的预测控制参数，属性特征包括一个或多个目标属性特征。

在一种可能的设计中，神经网络组网方式包括：由多层的神经元模型按预设方式组成预设网格形状的神经网络，神经网络包括至少一个输入层以及至少一个输出层，在每种循环训练中，对至少一个目标属性特征对应的权重矩阵进行训练，包括：

将目标训练数据输入对应的输入层，以根据第一权重矩阵确定第一输出数据，第一权重矩阵为输入层中各个神经元模型的权重矩阵；

将第一输出数据作为下一层神经元模型的输入数据，以实现逐层处理和传递，直至输出层的神经元模型输出预测控制参数。

可选的，交互对象包括：路基单元、交互车辆、可穿戴设备以及云端服务器，路基单元或交互车辆，或可穿戴设备的数量为一个或多个。

在一种可能的设计中，训练数据包括：路基单元，和/或交互车辆，和/或可穿戴设备对周围环境的识别信息、交互车辆的控制参数、云端服务器发送的天气信息和/或预设区域的交通信息。

第二方面，本申请提供一种车辆控制装置，包括：

获取模块，用于若检测到当前控制模型对目标车辆的控制，不满足目标行驶场景的控制要求，则向交互对象请求并获取训练数据；

训练模块，用于根据训练数据以及预设神经元库构建待训练控制模型；利用神经网络训练算法，根据训练数据，对待训练控制模型进行训练，以确定目标控制模型；

实时控制模块，用于在目标行驶场景中，利用目标控制模型，对目标车辆进行控制，以使目标车辆满足控制要求。

在一种可能的设计中，训练模块，用于：

提取训练数据的属性特征；

在一种可能的设计中，训练模块，用于：

根据属性特征的数量确定循环训练的种类数量；

在一种可能的设计中，神经网络组网方式包括：由多层的神经元模型按预设方式组成预设网格形状的神经网络，神经网络包括至少一个输入层以及至少一个输出层，对应的，训练模块，用于：

第三个方面，本申请提供一种电子设备，包括：

存储器，用于存储程序指令；

处理器，用于调用并执行所述存储器中的程序指令，执行第一方面所提供的任意一种可能的车辆控制方法。

第四方面，本申请提供一种车辆，包括第三方面所提供的电子设备。

第五个方面，本申请提供一种存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序用于执行第一方面所提供的任意一种可能的车辆控制方法。

第六方面，本申请还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面所提供的任意一种可能的车辆控制系统方法。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1为本申请实施例提供的一种交通生态系统的应用场景示意图；

图2为本申请实施例提供的一种车辆控制方法的流程示意图；

图3为本申请实施例提供的一种神经元模型的结构示意图；

图4为本申请实施提供的另一种车辆控制方法的流程示意图；

图5为本申请实施例提供的交通生态系统中数据传输示意图；

图6为本申请实施例提供的一种车辆控制装置的结构示意图；

图7为本申请提供的一种电子设备的结构示意图。

通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，包括但不限于对多个实施例的组合，都属于本申请保护的范围。

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

下面首先对本申请所涉及到的专业名词的定义作解释介绍：

智能网联汽车：是指搭载先进的车载传感器、控制器、执行器等装置，并融合现代通信与网络技术，实现V2X(即vehicle to everything，V代表车辆，X代表人、车、路基单元、云端服务器等)智能信息交换和共享，具备复杂环境感知、智能决策、协同控制等功能，可实现“安全、高效、舒适、节能”行驶，并最终可实现替代人来操作的新一代汽车。

现有的L1-L3级别的自动驾驶车辆更多的是利用车辆自身传感器来提供的环境感知信息，为了实现更高级别(L4-L5)的自动驾驶功能，需要增加车辆自身的传感器种类、增强传感器感知能力、和增强车载计算机处理能力，来覆盖更加复杂的驾驶场景(比如人流车流较多的交通路口)、增加自动驾驶功能、提升系统的安全等级等。这样一方面会极大的增加车辆的制造成本，另一方面会极大的增加车载计算机处理能力和复杂性。

目前，各个汽车企业或研发中心，以及其它交通运输企业或高校都在对智能网联汽车的控制模型进行研究，试图通过人工智能、大数据等手段得到一个能够处理全部或者绝大部分应用场景的自动控制模型。

但是，由于现实中交通体系的应用场景十分复杂，且具备时变性，因此，绝大多数自动控制模型应用范围都太小，且时效性也无法满足及时更新的需求。

因此现有技术中存在自动控制模型应用范围小且时效性差的技术问题，为解决此问题，本申请的发明构思是：

通过将道路基础设备、车辆、云端服务器等结合构成一个不断更新的控制系统训练体系。以改变现有技术的惯性思维，即由研发人员将构建和训练好后的自动控制模型预安装到控制器中，以及后续再定期进行更新的惯性思维。

将新场景的发现和对应控制模型的构建和训练都打散给道路基础设备、车辆、云端服务器。比如，高速公路某处发生了交通事故，或者道路维修，或者某地发生了极端天气，这些临时的新场景，一般都是需要人工接管驾驶车辆的，但是道路基础设备和/或云端服务器获取到相关信息后，立即向即将经过该场景的车辆发出对应信息，车辆中的实时信息决策模块开始构建对应的实时信息决策模型，并接收道路基础设备、云端服务器以及经过了或正处在目标场景中的车辆所发送的数据，来训练实时信息决策模型，在本车辆进入目标场景后，切换车辆的控制模型，或者为其添加训练好后的实时信息决策模型。

这样的模式就使得整个系统都在不断地进行深度自学习，研发人员只需要去维护和更新一些简单的基础模型，以供车辆建立待训练的实时信息决策模型。随着交通系统的运行，使得各类场景的不断丰富，模型库中就可以不断添加各个车辆训练好的实时信息决策模型。

这就形成了一个分布式的训练系统，由各个车辆分担了训练任务，减少了对研发中心的计算能力需求，也提高了训练的实效性，形成了良性循环，快速建立起能够真正实现完全自动驾驶的交通系统。

并且，通过智能网联自车的实时信息决策模块，利用神经网络构造实时信息决策模型。进而在不同天气、不同时间的复杂场景下，快速实现自车行驶预警或者按照法律法规行驶，如提醒关窗、提醒减速、提醒前方区域有雨雾、车窗自动关闭、雨刮自动启动等行为，可实时提高智能网联车辆的控制稳定性，提高车辆通行效率、多车交互合理性，改善区域路段的多车、多交通参与者的通行效率，这样也可以更加动态、合理地使用道路资源并提高道路使用率。

下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

图1为本申请实施例提供的一种交通生态系统的应用场景示意图。如图1所示，该交通生态系统包括：路基单元101、智能车辆102、智能交互车辆103、普通车辆104、其它交通参与者105，云端服务器106以及通信链路107。

路基单元101，包括：通信模块、感知模块、分析计算模块。其中，通信模块基于无线通信(如2/3/4/5G)或V2X技术进行与周边元素的信息交互，并与云端服务器进行信息分享。感知模块主要完成对周边交通环境的识别，通过但不限于激光雷达、摄像头、毫米波雷达、红外设备、V2X_RSU(road side unit，路测单元)、高精定位装置、RTK(Real-timekinematic,实时动态)基站、雨量传感器、路面湿滑检测单元等。分析计算模块主要由高性能的计算设备和/或存储设备构成，其中内置必须的相关基础数据，包括但不限于高精地图、基建信息、本交通区域内特定的交通法规配置化信息(例如潮汐车道、分时限速等)等，结合以上内置的基础数据与感知模块数据、通信模块数据，进行本区域内的主动警示。

智能车辆102：具有智能网联能力的车辆，基于无线通信(如2/3/4/5G)或V2X技术可以与周边元素(如智能交互车辆103、普通车辆104、其它交通参与者105等)、路基单元进行信息交互，同时自身具备一定的感知、决策和自动控制能力，可以实现一定的自动驾驶功能(包括但不限于高度自动驾驶能力)。

智能交互车辆103：与智能车辆102相同类型的车辆，具备与智能车辆102相同或相近的自动驾驶功能。

普通车辆104：不具备智能车辆102类似的自动驾驶功能的普通车辆。

其它交通参与者105：指非机动车交通参与者，例如行人、自行车、电动自行车等。这一类交通参与者往往不具备智能网联能力，且交通行为随机性较强、交通法规约束力较弱。但是其可以通过携带或穿戴智能交互设备实现与智能车辆102的信息交互。

云端服务器106：通过2/3/4/G远程通信或者其它无线通信手段，可以接收多个交通生态系统中路基单元提供的交通信息或者天气情况，进行更综合、更复杂的后台分析，并将相关结果和信息分享下发至需要的路基单元或智能车辆等信息使用对象。

通信链路107：是路基单元101与云端服务器106的通信链路，用于完成各路基单元101与云端服务器106的信息交互。

此外，图1还示例性地给出了三个不同的区域即目标场景100、目标场景200和目标场景300，具体的交通情况示例。

下面对如何实现本申请所提供的车辆控制方法进行详细介绍。

图2为本申请实施例提供的一种车辆控制方法的流程示意图。如图2所示，该车辆控制方法的具体步骤，包括：

S201、若检测到目标车辆的当前控制模型对目标行驶场景不适用，则向交互对象请求并获取训练数据。

在本步骤中，交互对象包括：路基单元、交互车辆、可穿戴设备以及云端服务器，路基单元或交互车辆，或可穿戴设备的数量为一个或多个。

训练数据包括：路基单元，和/或交互车辆，和/或可穿戴设备对周围环境的识别信息(如路况信息)、交互车辆的控制参数、云端服务器发送的天气信息和/或预设区域的交通信息。

在本实施例中，目标车辆即智能车辆102在设定了行驶目的地后，根据地图信息自动计算出行驶路线，并将行驶路线上报给云端服务器106。

云端服务器106统筹整个交通生态系统，对智能车辆102的行驶路线经过的区域所对应的各个场景进行检测，如果发现有场景突发了异常情况，如发生交通事故、修路、临时交通管制、冰雹、泥石流、暴雨等等，则云端服务器开始对智能车辆102中的当前控制模型进行适用性检测。

将目标行驶场景中的相关数据输入到当前控制模型中，从其输出的控制数据中，判定其是否能够做出正取的控制。比如，目标行驶场景正在下暴雨，如果当前控制模型不能够输出减速、慢行通过、关闭车窗等控制信号，则认为当前控制模型无法满足目标行驶场景的控制要求。

然后，云端服务器106就会通知智能车辆102检测结果不通过。然后智能车辆102开始为构建新的控制模型做准备，即向路基单元101、智能交互车辆103和云端服务器106分别获取目标行驶场景的各类相关数据，即训练数据。

S202、根据训练数据以及预设神经元库构建待训练控制模型。

在本步骤中，智能车辆102在自身存储的预设神经元库中寻找与训练数据对应的基础神经元模型，或者从云端服务器106的神经元库中搜寻最新的基础神经元模型。

需要说明的是，搜寻的原则是神经元模型是否能够处理上一步所得到的训练数据。

在得到基础神经元模型后，以预设的架构方式将各个基础神经元模型进行组合，以得到能够处理所有训练数据的神经网络模型，即待训练控制模型。

图3为本申请实施例提供的一种神经元模型的结构示意图。如图3所示，(x₁，x₂，x₃)是外界输入信号，一般代表一个训练数据样本的多个属性，如雨刮状态信息、路面湿润度信息、路面附着系数信息等。

(w₁，w₂，w₃)是每个输入信号的权重值，如用于表征对应的输入信号的重要性等级；

偏移量b是在神经元模型中，一定是输入信号的电平/电流大于某个临界值时，神经元细胞才会处于兴奋状态，这个b实际就是那个临界值，如每个信号的阈值。如：w₁*x₁+w₂*x₂+w₃*x₃+b≥0时，表明神经元处于兴奋状态；

输出信号

f表示激活函数，当神经元已处于兴奋状态时，向下一个神经元传递信号，但是要传递多强烈的信号，要由激活函数f来确定。

需要说明的是，如果激活函数是一个阶跃信号的话，非常不稳定。所以，激活函数一般有一个渐变的过程，具体的，激活函数的实现方式可以选择Sigmoid函数，如公式(1)所示：

或者tanh双曲正切函数，如公式(2)所示：

Sigmoid函数的区间为[0,1]，而tanh函数的区间为[-1,1]。若是使用Sigmoid作为神经元的激活函数，则当神经元的输出为1时表示该神经元被激活，否则称为未被激活。同样，对于激活函数是tanh时，神经元的输出为1时表示该神经元被激活，否则称为未被激活。

S203、利用神经网络训练算法，根据训练数据，对待训练控制模型进行训练，以确定目标控制模型。

在本步骤中，神经网络训练算法的具体步骤包括：

使用随机算法，初始化神经网络的各个矩阵，如可以根据高斯分布或者正太分布进行初始化；

将一个或者多个训练数据代入各个权重矩阵中，进行神经网络训练，其中，上一层神经元在处理输入数据后再通过将激活函数传入下一层神经元，最终得到神经网络模型的预测值；

根据预测值和训练数据中包含的真实值的差距，计算神经网络模型的损失函数；

根据损失函数以及反向微分方程的结果，反向对权重矩阵的值做修改；

再利用训练数据，以及经过修改的权重矩阵，再次进行神经网络训练。

就这样不断的迭代下去，直到满足预设的训练结束条件就可以停止训练。如输出的预测值与真实值的差距小于预设阈值。

训练完成后，可将神经网络的结果和权重矩阵，即目标控制模型，保存到云端服务器106或智能车辆102的预设模型库中，以便于后续直接调用此模型。

S204、在目标行驶场景中，利用目标控制模型，对目标车辆进行控制，以满足预设控制要求。

在本步骤中，预设控制要求与目标行驶场景相对应。

具体的，经过神经网络训练，构造出实时信息决策模型即目标控制模型，智能车辆102,可在不同天气、不同时间的复杂场景时，快速实现自车行驶预警或者按照法律法规行驶，如提醒关窗、提醒减速、提醒前方区域有雨雾、车窗自动关闭、雨刮自动启动等行为，可实时提高智能网联车辆的控制稳定性，这样也可以更加动态、合理地使用道路资源并提高道路使用率。

本实施例提供了一种车辆控制方法，通过若检测到目标车辆的当前控制模型对目标行驶场景不适用，则向交互对象请求并获取训练数据；并根据训练数据以及预设神经元库构建待训练控制模型；然后利用神经网络训练算法，根据训练数据，对待训练控制模型进行训练，以确定目标控制模型；最后在目标行驶场景中，利用目标控制模型，对目标车辆进行控制，以满足与目标行驶场景对应的控制要求。解决了现有技术存在的自动控制模型应用范围小且时效性差的技术问题。将自动控制模型的训练分配到了各个车辆上，实现了无需研发人员介入即可不断更新完善模型，并且随着场景的变化能够及时更新，使得自动控制模型具备良好时效性的技术效果。

图4为本申请实施提供的另一种车辆控制方法的流程示意图。如图4所示，该车辆控制方法的具体步骤包括：

S401、若检测到目标车辆的当前控制模型对目标行驶场景不适用，则向交互对象请求并获取训练数据。

检测目标车辆的当前控制模型是否适用于目标行驶场景，可以参加S201，在此不再赘述。

而对于获取训练数据，在本实施例中，如图5所示。

图5为本申请实施例提供的交通生态系统中数据传输示意图。如图5所示，智能车辆102中包含实时信息决策模块，其作用是对车辆在目标行驶场景中行驶时进行智能控制，比如提醒用户关窗，或者控制车窗自动关闭；提醒用户减速，或者控制车辆自动减速；提醒前方区域有雨雾等等。

而获取训练数据就是为实施信息决策模块训练其内设置的实时决策模型而准备的，实时决策模型即为目标控制模型。

训练数据的来源途径有三条，分别为：智能交互车辆103、路基单元101以及云端服务器106。

智能交互车辆103上的各类传感器检测到目标行驶场景中的各类信息，包括：坡度信息、路面湿滑度、雨量、雨刮状态、路面附着系数、车窗状态等等。

路基单元101上也具备各类数据采集模块，包括：雨量传感器、摄像头、路面湿滑检测单元、毫米波雷达、激光雷达等等，用于获取目标行驶场景的各类环境数据。

云端服务器106中统筹管理着所有智能车辆以及路基单元所上传的各类信息，包括交通信息以及天气情况等。

上述三个交互对象将其所拥有的信息发送给智能车辆102，作为实施决策模块的训练数据。

S402、提取训练数据的属性特征。

在本步骤中，属性特征包括：天气特征、温度特征、湿度特征、路面附着度特征、交通拥堵情况特征、车辆自身状态特征等等。

S403、在预设神经元库中，根据属性特征，确定多个不同类型的神经元模型。

在本步骤中，神经元模型与属性特征相对应。

在预设神经元库中，有开发人员预先设置好的与各个属性特征相对应的神经元模型。

S404、根据预设组网方式对多个神经元模型进行组合，以确定待训练控制模型。

在本步骤中，预设组网方式包括：平面多边形多层网格形式、空间多边形嵌套网格形式等等。

平面多边形多层网格形式，其每一层可以看成是一个平面多边形网格，如四边形网格网络、六边形网格网络、三角形网格网络等等。

空间多边形嵌套网格形式等等，其每一层可以理解为一个多面体的网格表面，或者是球体的网格表面等等。

S405、根据属性特征的数量确定循环训练的种类数量。

在本实施例中，每种类型的神经元模型对应一种属性特征数据，所以通过多种不同的循环训练方式，分别训练不同的神经元模型。

需要说明的是，循环训练的种类数量小于或等于属性特征的数量。

S406、在每种循环训练中，对至少一个目标属性特征对应的权重矩阵进行训练。

在本步骤中，具体步骤包括：

S407、在目标行驶场景中，利用目标控制模型，对目标车辆进行控制，以满足预设控制要求。

本步骤的具体原理及步骤介绍可以参考S204，在此不再赘述。

为了便于理解，再次对本申请所提供的车辆控制方法进行解释：

首先，路基单元接收传感器或其它交互对象发送的信息，并对其进行处理，再通过V2I(Vehicle to Infrastructure，车辆到基础设施)技术传递到智能车辆102的实时信息决策模块。例如，路基单元通过对雨量传感器的感应数据进行分析处理，得到当前天气状态、雨量级别等数据，通过V2I分享给智能网联车辆(自车)；

然后，智能交互车辆103接收传感器或其它交互对象发送的信息，经其处理后，再通过V2V传递给智能车辆102的实时信息决策模块。例如，智能交互车辆103中的控制器通过接收到的坡度信息、路面湿滑度、雨量传感器、雨刮状态等数据，通过V2V分享给智能车辆102；

再次，云端服务器106通过接收各个路基单元发送的各类型的信息，并以其强大的运算能力进行处理，包括：大数据统计、人工智能演算等等，在通过2/3/4/5G等无线通讯网络传递给智能车辆102的实时信息决策模块。例如，云端服务器106汇聚了各个目标场景的交通信息、天气信息等数据，再通过5G网络或者车联网网络分享给各个智能车辆102；

最后，每个智能车辆102会通过接收的数据，搭建至少一个神经元模型，安装一定的网络架构，组合成神经网络模型，即待训练控制模型，然后对其进行神经网络训练，将训练后模型保存到自身存储器或者云端服务器106的模型库中，在车辆进入到不同的目标场景时，控制车辆对不同的情况采取不同的响应动作。例如对自车进行提醒关闭车窗、提醒减速、提醒前方区域有雨雾、车窗自动关闭及其车辆自动减速等动作。

图6为本申请实施例提供的一种车辆控制装置的结构示意图。该车辆控制装置600可以通过软件、硬件或者两者的结合实现。

如图6所示，该车辆控制装置600包括：

获取模块601，用于若检测到当前控制模型对目标车辆的控制，不满足目标行驶场景的控制要求，则向交互对象请求并获取训练数据；

训练模块602，用于根据训练数据以及预设神经元库构建待训练控制模型；利用神经网络训练算法，根据训练数据，对待训练控制模型进行训练，以确定目标控制模型；

实时控制模块603，用于在目标行驶场景中，利用目标控制模型，对目标车辆进行控制，以使目标车辆满足控制要求。

在一种可能的设计中，训练模块602，用于：

提取训练数据的属性特征；

在一种可能的设计中，训练模块602，用于：

根据属性特征的数量确定循环训练的种类数量；

在一种可能的设计中，神经网络组网方式包括：由多层的神经元模型按预设方式组成预设网格形状的神经网络，神经网络包括至少一个输入层以及至少一个输出层，对应的，训练模块602，用于：

值得说明的是，图6所示实施例提供的装置，可以执行上述任一方法实施例中所提供的方法，其具体实现原理、技术特征、专业名词解释以及技术效果类似，在此不再赘述。

图7为本申请实施例提供的一种电子设备的结构示意图。如图7所示，该电子设备700，可以包括：至少一个处理器701和存储器702。图7示出的是以一个处理器为例的电子设备。

存储器702，用于存放程序。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。

存储器702可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

处理器701用于执行存储器702存储的计算机执行指令，以实现以上各方法实施例所述的方法。

其中，处理器701可能是一个中央处理器(central processing unit，简称为CPU)，或者是特定集成电路(application specific integrated circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。

可选地，存储器702既可以是独立的，也可以跟处理器701集成在一起。当所述存储器702是独立于处理器701之外的器件时，所述电子设备700，还可以包括：

总线703，用于连接所述处理器701以及所述存储器702。总线可以是工业标准体系结构(industry standard architecture，简称为ISA)总线、外部设备互连(peripheralcomponent，PCI)总线或扩展工业标准体系结构(extended industry standardarchitecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等，但并不表示仅有一根总线或一种类型的总线。

可选的，在具体实现上，如果存储器702和处理器701集成在一块芯片上实现，则存储器702和处理器701可以通过内部接口完成通信。

本申请实施例还提供一种车辆，包括图7所示的实施例中任意一种可能的电子设备。

本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random accessmemory，RAM)、磁盘或者光盘等各种可以存储程序代码的介质，具体的，该计算机可读存储介质中存储有程序指令，程序指令用于上述各方法实施例中的方法。

本申请实施例还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由本申请的权利要求书指出。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。

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

Claims

1.一种车辆控制方法，其特征在于，包括：

根据所述训练数据以及预设神经元库构建待训练控制模型；

利用神经网络训练算法，根据所述训练数据，对所述待训练控制模型进行训练，以确定目标控制模型；

在所述目标行驶场景中，利用所述目标控制模型，对所述目标车辆进行控制，以满足预设控制要求，所述预设控制要求与所述目标行驶场景相对应。

2.根据权利要求1所述的控制方法，其特征在于，所述根据所述训练数据以及预设神经元库构建待训练控制模型，包括：

提取所述训练数据的属性特征；

在所述预设神经元库中，根据所述属性特征，确定多个不同类型的神经元模型，所述神经元模型与所述属性特征相对应；

根据预设组网方式对多个所述神经元模型进行组合，以确定所述待训练控制模型。

3.根据权利要求2所述的控制方法，其特征在于，所述利用神经网络训练算法，根据所述训练数据，对所述待训练控制模型进行训练，包括：

根据所述属性特征的数量确定循环训练的种类数量；

在每种所述循环训练中，对至少一个目标属性特征对应的权重矩阵进行训练，所述权重矩阵用于确定所述待训练控制模型输出的预测控制参数，所述属性特征包括一个或多个所述目标属性特征。

4.根据权利要求3所述的控制方法，其特征在于，所述神经网络组网方式包括：由多层的所述神经元模型按预设方式组成预设网格形状的神经网络，所述神经网络包括至少一个输入层以及至少一个输出层，所述在每种所述循环训练中，对至少一个目标属性特征对应的权重矩阵进行训练，包括：

将目标训练数据输入对应的所述输入层，以根据第一权重矩阵确定第一输出数据，所述第一权重矩阵为所述输入层中各个神经元模型的权重矩阵；

将所述第一输出数据作为下一层神经元模型的输入数据，以实现逐层处理和传递，直至所述输出层的神经元模型输出所述预测控制参数。

5.根据权利要求1-4中任意一项所述的控制方法，其特征在于，所述交互对象包括：路基单元、交互车辆、可穿戴设备以及云端服务器，所述路基单元或所述交互车辆，或所述可穿戴设备的数量为一个或多个。

6.根据权利要求5所述的控制方法，其特征在于，所述训练数据包括：所述路基单元，和/或所述交互车辆，和/或所述可穿戴设备对周围环境的识别信息、所述交互车辆的控制参数、所述云端服务器发送的天气信息和/或预设区域的交通信息。

7.一种车辆控制装置，其特征在于，包括：

训练模块，用于根据所述训练数据以及预设神经元库构建待训练控制模型；利用神经网络训练算法，根据所述训练数据，对所述待训练控制模型进行训练，以确定目标控制模型；

实时控制模块，用于在所述目标行驶场景中，利用所述目标控制模型，对所述目标车辆进行控制，以使所述目标车辆满足所述控制要求。

8.一种电子设备，其特征在于，包括：处理器以及存储器；

所述存储器，用于存储所述处理器的计算机程序；

所述处理器配置为经由执行所述计算机程序来执行权利要求1至6任一项所述的车辆控制方法。

9.一种车辆，其特征在于，包括权利要求8所述的电子设备。

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任一项所述的车辆控制方法。

11.一种计算机程序产品，包括计算机程序，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任一项所述的车辆控制方法。