CN113342005B - 一种无人驾驶设备的横向控制方法及装置 - Google Patents

一种无人驾驶设备的横向控制方法及装置 Download PDF

Info

Publication number
CN113342005B
CN113342005B CN202110888659.5A CN202110888659A CN113342005B CN 113342005 B CN113342005 B CN 113342005B CN 202110888659 A CN202110888659 A CN 202110888659A CN 113342005 B CN113342005 B CN 113342005B
Authority
CN
China
Prior art keywords
moment
matrix
weight
state data
current moment
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
CN202110888659.5A
Other languages
English (en)
Other versions
CN113342005A (zh
Inventor
王志超
任冬淳
张晓飞
颜诗涛
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.)
Beijing Sankuai Online Technology Co Ltd
Original Assignee
Beijing Sankuai Online 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 Beijing Sankuai Online Technology Co Ltd filed Critical Beijing Sankuai Online Technology Co Ltd
Priority to CN202110888659.5A priority Critical patent/CN113342005B/zh
Publication of CN113342005A publication Critical patent/CN113342005A/zh
Application granted granted Critical
Publication of CN113342005B publication Critical patent/CN113342005B/zh
Priority to PCT/CN2022/076705 priority patent/WO2023010828A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本说明书公开了一种无人驾驶设备的横向控制方法及装置，通过获取无人驾驶设备在若干历史时刻的控制数据和状态数据，以及当前时刻的状态数据。并将获取到的各控制数据和各状态数据，输入极限学习机中，确定当前时刻的第一权值以及第二权值。之后，根据当前时刻的第一权值和第二权值、至少部分历史时刻的控制数据、状态数据以及当前时刻的状态数据，确定当前时刻的控制数据，并根据当前时刻的控制数据，控制该无人驾驶设备行驶。通过极限学习机学习当前时刻的第一权值以及第二权值，并基于该第一权值、第二权值以及历史时刻的控制数据与状态数据，确定当前时刻的控制数据，避免了模型建立不准确对控制决策的影响，提高了控制精准度。

Description

一种无人驾驶设备的横向控制方法及装置
技术领域
本申请涉及无人驾驶技术领域，尤其涉及一种无人驾驶设备的横向控制方法及装置。
背景技术
无人驾驶设备的控制问题是无人驾驶技术的主要研究方向之一。无人驾驶设备的控制可分为横向控制以及纵向控制两个方面，横向控制主要用于无人驾驶设备转向系统的控制，纵向控制则主要用于无人驾驶设备动力和制动系统的控制，两者协同工作以使无人驾驶设备按照规划轨迹行驶。
其中，横向控制直接决定无人驾驶设备轨迹跟踪的性能，因此横向控制更为重要。
目前，常见的横向控制方法之一为基于模型预测控制（Model PredictiveControl，MPC）的方法，可基于车辆的侧向动力学和轮胎的侧偏特性，构建车辆的动力学模型，并以最小化该动力学模型输出的预测状态量与预先规划轨迹中的目标状态量之间的差异为目标，确定当前时刻的控制量。
但是，基于MPC的横向控制方法往往依赖于精准的模型建立，而无人驾驶设备行驶在不同的路况条件以及不同的气候条件下，都会产生干扰导致模型建立不准确，进而使得无人驾驶设备的控制精准度较差。
发明内容
本说明书实施例提供一种无人驾驶设备的横向控制方法及装置，用于部分解决现有技术中模型受环境影响建立不准确，导致控制精准度较差的问题。
本说明书实施例采用下述技术方案：
本说明书提供的一种无人驾驶设备的横向控制方法，包括：
获取无人驾驶设备在若干历史时刻的控制数据和状态数据，以及所述无人驾驶设备当前时刻的状态数据；
将获取到的各控制数据以及各状态数据作为输入，输入极限学习机中，确定当前时刻的第一权值以及第二权值；所述第一权值表征历史时刻的状态数据对当前时刻的状态数据的影响权重，所述第二权值表征历史时刻的控制数据对当前时刻的状态数据的影响权重；
根据当前时刻的第一权值和第二权值、至少部分历史时刻的控制数据、至少部分历史时刻的状态数据以及当前时刻的状态数据，确定当前时刻的控制数据，并根据当前时刻的控制数据，控制所述无人驾驶设备行驶。
可选地，获取无人驾驶设备在若干历史时刻的控制数据和状态数据之前，所述方法还包括：
根据预先规划的期望轨迹，确定所述无人驾驶设备在当前时刻的期望位置；
确定所述无人驾驶设备当前时刻的实际位置与所述期望位置之间的距离大于第一预设阈值。
可选地，将获取到的各控制数据以及各状态数据作为输入，输入极限学习机中，确定当前时刻的第一权值以及第二权值，具体包括：
将获取到的各控制数据以及各状态数据作为输入，输入极限学习机中，确定所述极限学习机的隐层输出的第一矩阵，作为当前时刻的第一矩阵；
根据获取到的各控制数据以及各状态数据，确定所述极限学习机中隐层与输出层之间的权值矩阵，作为当前时刻的权值矩阵；
根据当前时刻的权值矩阵以及当前时刻的第一矩阵，确定当前时刻的第一权值以及第二权值。
可选地，获取所述无人驾驶设备当前时刻的状态数据，具体包括：
确定所述无人驾驶设备在当前时刻的实际位置；
根据确定出的实际位置，从预先规划的期望轨迹上确定所述无人驾驶设备在所述当前时刻的预瞄点，所述预瞄点为所述期望轨迹上沿行驶方向，与所述无人驾驶设备的实际位置处于预设距离的位置点；
根据所述无人驾驶设备在所述当前时刻的实际位置和所述预瞄点的连线，与所述无人驾驶设备行驶方向之间的夹角，确定所述无人驾驶设备在所述当前时刻的预瞄偏差角，并根据所述当前时刻的预瞄偏差角，确定所述无人驾驶设备在所述当前时刻的状态数据。
可选地，根据当前时刻的第一权值和第二权值、至少部分历史时刻的控制数据、至少部分历史时刻的状态数据以及当前时刻的状态数据，确定当前时刻的控制数据，具体包括：
通过利普希茨条件，建立未来时刻的状态数据，与所述未来时刻之前至少部分历史时刻的控制数据和状态数据之间的函数关系；
以下一时刻的预瞄偏差角等于零为目标，根据当前时刻的第一权值和第二权值、至少部分历史时刻的控制数据、至少部分历史时刻的状态数据以及当前时刻的状态数据，通过确定出的函数关系，确定当前时刻的控制数据。
可选地，确定当前时刻的权值矩阵，具体包括：
确定当前时刻之前的第一时刻，并确定所述第一时刻的权值矩阵以及第一矩阵；
根据所述第一时刻的状态数据和控制数据、所述第一时刻之前的历史时刻的控制数据和状态数据，确定所述第一时刻的控制数据增量以及状态数据增量；
根据所述第一时刻的第一矩阵、所述第一时刻的控制数据增量以及状态数据增量，确定所述第一时刻的第二矩阵；
根据所述第一时刻的第二矩阵，确定所述当前时刻的权值矩阵变化量；
根据确定出的权值矩阵变化量以及所述第一时刻的权值矩阵，确定所述当前时刻的权值矩阵。
可选地，根据所述第一时刻的第二矩阵，确定所述当前时刻的权值矩阵变化量，具体包括：
确定所述第一时刻的第三矩阵，所述第三矩阵基于所述第一时刻的第二矩阵，以及所述第一时刻之前的第二时刻的第三矩阵得到，初始时刻的第三矩阵基于所述极限学习机中隐层的隐藏节点数确定；
根据所述第一时刻的状态数据、第二矩阵、第三矩阵和权值矩阵，以及当前时刻的状态数据，确定偏差指数；
判断所述偏差指数是否大于预设偏差值；
若是，根据所述第一时刻的第二矩阵、第三矩阵和权值矩阵，以及当前时刻的状态数据增量，确定所述当前时刻的权值矩阵变化量；
若否，确定所述当前时刻的权值矩阵变化量为零。
本说明书提供一种无人驾驶设备的横向控制装置，包括：
获取模块，获取无人驾驶设备在若干历史时刻的控制数据和状态数据，以及所述无人驾驶设备当前时刻的状态数据；
输入模块，将获取到的各控制数据以及各状态数据作为输入，输入极限学习机中，确定当前时刻的第一权值以及第二权值；所述第一权值表征历史时刻的状态数据对当前时刻的状态数据的影响权重，所述第二权值表征历史时刻的控制数据对当前时刻的状态数据的影响权重；
控制模块，根据当前时刻的第一权值和第二权值、至少部分历史时刻的控制数据、至少部分历史时刻的状态数据以及当前时刻的状态数据，确定当前时刻的控制数据，并根据当前时刻的控制数据，控制所述无人驾驶设备行驶。
本说明书提供的一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述无人驾驶设备的横向控制方法。
本说明书提供的一种无人驾驶设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述无人驾驶设备的横向控制方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
在本说明书中，通过获取无人驾驶设备在若干历史时刻的控制数据和状态数据，以及当前时刻的状态数据。并将获取到的各控制数据和各状态数据作为输入，输入极限学习机中，确定当前时刻的第一权值以及第二权值。之后，根据当前时刻的第一权值和第二权值、至少部分历史时刻的控制数据、状态数据以及当前时刻的状态数据，确定当前时刻的控制数据，并根据当前时刻的控制数据，控制该无人驾驶设备行驶。通过极限学习机学习当前时刻的第一权值以及第二权值，并基于该第一权值、第二权值以及历史时刻的控制数据与状态数据，确定当前时刻的控制数据，避免了模型建立不准确对控制决策的影响，提高了控制精准度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书实施例提供的预瞄偏差角的示意图；
图2为本说明书实施例提供的一种无人驾驶设备的横向控制方法的流程图；
图3为本说明书实施例提供的极限学习机的网络架构示意图；
图4为本说明书实施例提供的一种无人驾驶设备的横向控制装置的结构示意图；
图5为本说明书实施例提供的实现无人驾驶设备的横向控制方法的无人驾驶设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
无人驾驶设备的运动控制可分为横向控制和纵向控制两个方面，其中，纵向控制通过对油门和制动的协调，实现对期望车速的精确跟随，横向控制通过控制车辆方向盘的转向，实现对期望轨迹的精确追踪。
目前，无人驾驶设备的横向控制方法，按照是否引入车辆模型，可划分为基于模型的横向控制方法与无模型的横向控制方法。其中，基于模型的横向控制方法需要建立车辆的运动学或动力学模型，然而无人驾驶设备行驶在不同的路况条件以及不同的气候条件下，由于外界环境的干扰往往难以建立精准模型。无模型的横向控制方法包含比例-积分-微分（Proportional-Integral-Differential，PID）控制方法，基于车辆行驶过程中实际位姿与期望轨迹之间的偏离程度，确定控制策略。但是传统的PID控制算法，并未考虑车辆本身的特性，因此对外界干扰的鲁棒性较差。
基于上述存在的问题，本说明书提供一种无人驾驶设备的横向控制方法，属于无模型自适应控制（ModelFree Adaptive Control，MFAC），以下详细说明本申请各实施例提供的技术方案。
在无人驾驶设备的行驶过程中，可根据该无人驾驶设备规划的期望位姿与实际位姿之间的偏差，确定方向盘转角的控制数据，从而实现对期望轨迹的精准跟踪。本说明书提供的横向控制方法，将无人驾驶设备的期望位姿与实际位姿之间偏差的控制，转换为对该无人驾驶设备的预瞄偏差角的控制，以最小化该预瞄偏差角为目标，确定横向控制的控制数据。
图1为本说明书提供的预瞄偏差角的示意图，以无人驾驶设备为无人车为例，假设 当前处于k时刻，其中，坐标轴上的E、N分别表示正东方向、正北方向，矩形框表示无人车的 当前位姿，灰色填充的圆形a表示该无人车的当前位置，灰色填充的圆形b表示该无人车在 当前位置的预瞄点。LA表示期望轨迹上距离无人车当前位置最近的点与预瞄点的弧长距 离，也称预瞄距离，LB表示无人车当前位置与预瞄点运动方向延长线的距离，LC表示无人车 当前位置与预瞄点之间的距离，LD表示预瞄点与无人车运动方向延长线的距离。
Figure 787884DEST_PATH_IMAGE001
表示无 人车运动方向与正北方向的夹角，
Figure 642707DEST_PATH_IMAGE002
表示预瞄点运动方向与正北方向的夹角，
Figure 422445DEST_PATH_IMAGE003
表示无人 车当前位置与预瞄点的连线，与无人车运动方向之间的夹角，记作预瞄偏差角，
Figure 817654DEST_PATH_IMAGE004
表示无人 车运动方向与预瞄点运动方向之间的夹角。
需要说明的是，预瞄点为预先规划的期望轨迹上沿行驶方向，与该无人车的当前位置处于预设距离的位置点。预瞄偏差角越小，表示无人车的轨迹跟踪效果越好，该无人车的实际行驶轨迹与期望轨迹之间的偏差越小。
根据图1中的几何关系，可以得到：
Figure 818977DEST_PATH_IMAGE005
在轨迹跟踪过程中，该无人车接下来朝向该预瞄点的方向移动，因此存在LB（k+1）<LB（k），当该无人车持续朝向该预瞄点运动时，LB逐渐缩小，因此在未来某一时刻LB的极限为0。
由于预瞄点始终是期望轨迹上该无人车前方的一个位置点，因此
Figure 641439DEST_PATH_IMAGE006
，
Figure 846156DEST_PATH_IMAGE007
。 而LB的极限为0，因此根据公式（1）可推导出：当
Figure 45056DEST_PATH_IMAGE003
趋近于0时，
Figure 900885DEST_PATH_IMAGE004
也趋近于0。根据公式（2） 可推导出：当
Figure 831932DEST_PATH_IMAGE003
趋近于0时，LD也趋近于0。
因此无人驾驶设备的轨迹跟踪问题可以转换为：如何确定方向盘转角的控制数据，使得下一时刻的预瞄偏差角变为0，以实现轨迹的精准跟踪。
假设无人驾驶设备的方向盘转角的控制数据为u，由于无人驾驶设备的横向控制 系统是一个非线性系统，因此控制数据u与预瞄偏差角
Figure 586262DEST_PATH_IMAGE003
之间的关系也是非线性的，根据非 线性自回归滑动平均模型（Nonlinear auto regressive moving average，NARMAX），可确 定u与
Figure 510224DEST_PATH_IMAGE003
之间的关系表达式为：
Figure 33609DEST_PATH_IMAGE008
其中，f表示一个非线性函数，
Figure 401137DEST_PATH_IMAGE009
和
Figure 642762DEST_PATH_IMAGE010
表示未知参数。该横向控制系统的输出为
Figure 104836DEST_PATH_IMAGE011
，输入为若干历史时刻的状态数据
Figure 748307DEST_PATH_IMAGE003
以及控制数据u。
为了使上述公式（3）有解，该无人驾驶设备的横向控制系统需要符合以下假设条件：
假设1：该横向控制系统的输入输出可观测可控，针对期望有界的输出信号
Figure 21157DEST_PATH_IMAGE011
，一定存在一个可行的控制数据u（k），使得系统的输出等于期望值。
假设2：f（
Figure 750078DEST_PATH_IMAGE012
，u）关于变量
Figure 15844DEST_PATH_IMAGE013
，u（k）分别存在连续偏导数。
假设3：该横向控制系统满足利普希茨条件，即，针对函数f（x），其定义域中任意的 x1、x2，满足
Figure 513821DEST_PATH_IMAGE014
（b>0）。
根据公式（3），可见
Figure 223151DEST_PATH_IMAGE015
与
Figure 173790DEST_PATH_IMAGE016
之间存在 对应的函数关系，因此可推导得到：
Figure 243246DEST_PATH_IMAGE017
其中，i、j分别表示任意的两个时刻，
Figure 595730DEST_PATH_IMAGE018
表示k时刻的状态数据与控制数据的转 置矩阵。
Figure 475961DEST_PATH_IMAGE019
Figure 913895DEST_PATH_IMAGE020
根据上述公式（4）可以得到以下引理：
引理1：若该横向控制系统满足以上假设条件，则当
Figure 521463DEST_PATH_IMAGE021
时，一定存在一个 伪梯度的时变参数向量
Figure 994033DEST_PATH_IMAGE022
，可将该横向控制系统转换为：
Figure 45165DEST_PATH_IMAGE023
其中，
Figure 970396DEST_PATH_IMAGE024
、
Figure 194704DEST_PATH_IMAGE025
为两个未知的时变参数，
Figure 443152DEST_PATH_IMAGE024
表示历史时刻的状态数据对未 来时刻的状态数据的影响权重，
Figure 665186DEST_PATH_IMAGE025
表示历史时刻的控制数据对未来时刻的状态数据的 影响权重。且
Figure 77712DEST_PATH_IMAGE026
，
Figure 292662DEST_PATH_IMAGE027
。
由公式（5）可推导出：
Figure 474245DEST_PATH_IMAGE028
而该无人驾驶设备的横向控制系统，就是需要求取合适的控制数据u（k），使得该 无人驾驶设备按照该控制数据行驶后，使得预瞄偏差角
Figure 663917DEST_PATH_IMAGE012
能够尽快跟踪到0。因此当该横向 控制系统的
Figure 501423DEST_PATH_IMAGE029
，此时该控制数据具体可通过如下公式确定：
Figure 67534DEST_PATH_IMAGE030
本说明书提供的无人驾驶设备的横向控制方法，在推导出公式（7）所示的关系后，便可基于当前时刻的状态数据以及若干历史时刻的控制数据确定当前时刻的控制数据。其中，当前时刻的控制数据用于控制无人驾驶设备从当前时刻至下一时刻之间的行驶。
图2为本说明书实施例提供的一种无人驾驶设备的横向控制方法的流程示意图，具体可包括以下步骤：
S100：获取无人驾驶设备在若干历史时刻的控制数据和状态数据，以及所述无人驾驶设备当前时刻的状态数据。
本说明书提供的无人驾驶设备的横向控制方法，可由该无人驾驶设备执行，或者也可由控制该无人驾驶设备行驶的服务器执行，本说明书对此不做限制，具体可根据需要设置。其中，当由服务器执行该横向控制方法时，该无人驾驶设备可将通过自身传感器采集的各状态数据发送至该服务器，由该服务器根据历史时刻的状态数据，决策当前时刻的控制数据。
为方便描述，后续以无人驾驶设备执行该横向控制方法进行说明。
具体的，该无人驾驶设备可获取自身在行驶过程中若干历史时刻的控制数据和状态数据，以及当前时刻的状态数据。其中，由于本说明书仅针对无人驾驶设备的横向控制，因此横向的控制数据指的是方向盘转角。
在本说明书中一种实施例中，该状态数据可以是该无人驾驶设备的当前位置以及当前行驶方向等信息，则基于该无人驾驶设备的当前位置、当前行驶方向以及预先规划的期望轨迹，可确定该无人驾驶设备在当前时刻的预瞄偏差角。在本说明书另一种实施例中，也可直接将该无人驾驶设备在当前时刻的预瞄偏差角，作为该无人驾驶设备在当前时刻的状态数据。为方便描述，后续直接以预瞄偏差角作为状态数据进行说明。
于是，在确定该无人驾驶设备在当前时刻的状态数据时，可先确定该无人驾驶设备在当前时刻的实际位置。之后，根据确定出的实际位置，从预先规划的期望轨迹上确定该无人驾驶设备在当前时刻的预瞄点，其中，预瞄点为期望轨迹上沿行驶方向，与该无人驾驶设备的实际位置处于预设距离的位置点。最后，根据该无人驾驶设备在当前时刻的实际位置和该预瞄点的连线，与该无人驾驶设备行驶方向之间的夹角，确定该无人驾驶设备在当前时刻的预瞄偏差角，并根据当前时刻的预瞄偏差角，确定当前时刻的状态数据。其中，该预设距离与该无人驾驶设备的行驶速度正相关，该无人驾驶设备的行驶速度越快，该预设距离越远。
S102：将获取到的各控制数据以及各状态数据作为输入，输入极限学习机中，确定当前时刻的第一权值以及第二权值。
在本说明书一种或多种实施例中，为了实时确定当前时刻的控制数据，根据上述 推导得到的公式（7），还需实时确定当前时刻的
Figure 556153DEST_PATH_IMAGE024
以及
Figure 916727DEST_PATH_IMAGE025
。
由公式（7）可确定，
Figure 241529DEST_PATH_IMAGE024
以及
Figure 611331DEST_PATH_IMAGE025
与该无人驾驶设备当前时刻的状态数据以及 若干历史时刻的控制数据和状态数据有关，为了快速估计得到
Figure 688877DEST_PATH_IMAGE024
以及
Figure 485932DEST_PATH_IMAGE025
的值，在本 说明书中，可将
Figure 32451DEST_PATH_IMAGE024
和
Figure 205943DEST_PATH_IMAGE025
看作两个连续的函数，将当前时刻的状态数据以及若干历史 时刻的控制数据和状态数据作为输入，通过极限学习机（Extreme Learning Machine，ELM） 的迭代学习，不断逼近这两个连续函数，从而使ELM输出接近的
Figure 216624DEST_PATH_IMAGE024
以及
Figure 207469DEST_PATH_IMAGE025
。
本说明书所采用的ELM为单隐层前馈神经网络，包含输入层、隐层和输出层。其中，输入层与隐层之间的权值矩阵可通过高斯均匀随机分布生成，而隐层与输出层之间的权值矩阵是通过迭代学习不断变化的。
因此在本说明书中，可将获取到的各控制数据以及各状态数据作为输入，输入极 限学习机中，确定该极限学习机的隐层输出的第一矩阵，作为当前时刻的第一矩阵。之后， 根据获取到的各控制数据以及各状态数据，确定该极限学习机中隐层与输出层之间的权值 矩阵，作为当前时刻的权值矩阵。最后，根据当前时刻的权值矩阵以及当前时刻的第一矩 阵，确定当前时刻的第一权值
Figure 303601DEST_PATH_IMAGE024
以及第二权值
Figure 952888DEST_PATH_IMAGE025
。
进一步的，由于隐层与输出层之间的权值矩阵是不断更新迭代的，因此在确定当前时刻的权值矩阵时，可先确定当前时刻之前的第一时刻，并确定该第一时刻的权值矩阵以及第一矩阵。之后，根据该第一时刻的状态数据和控制数据、该第一时刻之前的历史时刻的控制数据和状态数据，确定该第一时刻的控制数据增量以及状态数据增量。再根据该第一时刻的第一矩阵、该第一时刻的控制数据增量以及状态数据增量，确定该第一时刻的第二矩阵。然后，根据该第一时刻的第二矩阵，确定当前时刻的权值矩阵变化量。最后，根据确定出的权值矩阵变化量以及该第一时刻的权值矩阵，更新当前时刻的权值矩阵。
更进一步的，在确定当前时刻的权值矩阵变化量时，可先确定该第一时刻的第三矩阵，其中，该第三矩阵基于该第一时刻的第二矩阵，以及该第一时刻之前的第二时刻的第三矩阵得到，初始时刻的第三矩阵基于该极限学习机中隐层的隐藏节点数确定。之后，根据该第一时刻的第二矩阵、第三矩阵、状态数据和权值矩阵，以及当前时刻的状态数据、确定偏差指数。然后，判断该偏差指数是否大于预设偏差值，当大于预设偏差值时，根据该第一时刻的第二矩阵、第三矩阵和权值矩阵，以及当前时刻的状态数据，确定当前时刻的权值矩阵变化量。否则，确定当前时刻的权值矩阵变化量为零。
图3为本说明书示例性提供的极限学习机的网络架构图，以当前时刻为k时刻，第 一时刻为k-1时刻，第二时刻为k-2时刻为例进行说明，该极限学习机的输入有
Figure 818076DEST_PATH_IMAGE031
、
Figure 143884DEST_PATH_IMAGE032
、
Figure 727312DEST_PATH_IMAGE033
以及
Figure 914711DEST_PATH_IMAGE034
，该极限学习机在当前时刻的隐层输出的第一矩阵为N（k）， 当前时刻隐层与输出层之间的权值矩阵为
Figure 899984DEST_PATH_IMAGE035
，基于隐层输出的第一矩阵N（k）、隐层与输 出层之间的权值矩阵
Figure 396693DEST_PATH_IMAGE035
，确定该ELM输出的
Figure 467418DEST_PATH_IMAGE024
和
Figure 458507DEST_PATH_IMAGE025
。
其中，在确定当前时刻隐层与输出层之间的权值矩阵
Figure 298287DEST_PATH_IMAGE035
时，具体可采用以下公 式：
Figure 778947DEST_PATH_IMAGE036
上述N（k-1）表示k-1时刻隐层输出的第一矩阵，
Figure 258339DEST_PATH_IMAGE037
表示k-1时刻隐层与输出 层之间的权值矩阵，
Figure 115437DEST_PATH_IMAGE038
表示k-1时刻的预瞄偏差角
Figure 747406DEST_PATH_IMAGE039
与k-2时刻的预瞄偏差角
Figure 398967DEST_PATH_IMAGE040
之差，记作该k-1时刻的状态数据增量，H（k-1）表示k-1时刻的第二矩阵，a为预设的 常数，
Figure 631234DEST_PATH_IMAGE041
为行数和列数均为m的单位矩阵，m为隐层中隐藏节点的数量，P（1）表示初始时刻 的第三矩阵，P（k-1）表示k-1时刻的第三矩阵，
Figure 26444DEST_PATH_IMAGE042
表示预设偏差值。
因此在确定当前时刻隐层与输出层之间的权值矩阵
Figure 512920DEST_PATH_IMAGE035
时，可先确定历史上k-1 时刻隐层输出的第一矩阵N（k-1），以及历史上k-1时刻隐层与输出层之间的权值矩阵
Figure 600962DEST_PATH_IMAGE037
。其次，根据k-1时刻的状态数据
Figure 54946DEST_PATH_IMAGE039
，以及k-2时刻的状态数据
Figure 253846DEST_PATH_IMAGE040
，确定 k-1时刻的状态数据增量
Figure 594828DEST_PATH_IMAGE038
，并根据k-1时刻的控制数据
Figure 853771DEST_PATH_IMAGE043
，以及k-2时刻的控 制数据
Figure 608101DEST_PATH_IMAGE034
，确定k-1时刻的控制数据增量
Figure 532063DEST_PATH_IMAGE044
。再根据k-1时刻的第一矩阵N（k- 1）、控制数据增量
Figure 55448DEST_PATH_IMAGE044
以及状态数据增量
Figure 422976DEST_PATH_IMAGE038
，通过公式（10）确定k-1时刻的第二 矩阵H（k-1）。
之后，通过公式（13）确定k-1时刻的第三矩阵P（k-1），其中，k-1时刻的第三矩阵P（k-1）也是基于k-2时刻的第三矩阵P（k-2），以及k-1时刻的第二矩阵H（k-1）得到的，初始时刻的第三矩阵P（1）如公式（12）所示，基于该极限学习机中隐层的隐藏节点数m确定。
然后，根据k-1时刻的第二矩阵H（k-1）、第三矩阵P（k-1）、状态数据
Figure 399022DEST_PATH_IMAGE039
和权值 矩阵
Figure 126676DEST_PATH_IMAGE037
，以及当前时刻k的状态数据
Figure 770147DEST_PATH_IMAGE031
，通过上述公式（14）确定偏差指数
Figure 42996DEST_PATH_IMAGE045
。其中，
Figure 771918DEST_PATH_IMAGE046
是通过公式（11）基于k时刻的状态数据
Figure 37683DEST_PATH_IMAGE031
、 k-1时刻的状态数据
Figure 535660DEST_PATH_IMAGE039
、k-1时刻的第二矩阵H（k-1）和权值矩阵
Figure 979411DEST_PATH_IMAGE037
确定的。
判断该偏差指数
Figure 195629DEST_PATH_IMAGE045
是否大于预设偏差值
Figure 265085DEST_PATH_IMAGE042
，当大于 预设偏差值
Figure 617569DEST_PATH_IMAGE042
时，可根据k-1时刻的第二矩阵H（k-1）、第三矩阵P（k-1）和权值矩阵
Figure 497800DEST_PATH_IMAGE037
，以及当前时刻k的状态数据增量
Figure 935735DEST_PATH_IMAGE047
，确定当前时刻的权值矩阵变化量
Figure 543302DEST_PATH_IMAGE048
。否则，确定当前时刻的权值矩阵变化量为0。
最后，根据k-1时刻的权值矩阵
Figure 15872DEST_PATH_IMAGE037
，以及确定出的权值矩阵变化量，通过公式 （15）确定当前时刻隐层与输出层之间的权值矩阵
Figure 801425DEST_PATH_IMAGE035
。
需要说明的是，图3中ELM的输入只是示例性的选取了若干历史时刻的控制数据和状态数据，具体可根据需要选取历史时刻的数量。且图中隐层的隐藏节点的数量也只是示例性举例，具体可根据需要设置。
S104：根据当前时刻的第一权重和第二权重、至少部分历史时刻的控制数据、至少部分历史时刻的状态数据以及当前时刻的状态数据，确定当前时刻的控制数据，并根据当前时刻的控制数据，控制所述无人驾驶设备行驶。
在本说明书一种或多种实施例中，当得到当前时刻的第一权值
Figure 726656DEST_PATH_IMAGE024
以及第二权 值
Figure 950964DEST_PATH_IMAGE025
后，便可确定当前时刻的控制数据
Figure 464991DEST_PATH_IMAGE049
。
为了使该无人驾驶设备的横向控制系统有解，即，存在一个控制数据，使得该无人驾驶设备能够跟踪预先规划的期望轨迹。可确定该横向控制系统符合利普希茨条件，进而建立未来时刻的状态数据，与所述未来时刻之前至少部分历史时刻的控制数据和状态数据之间的函数关系，也即，上述公式（5）。
由于无人驾驶设备的横向控制系统的目标是使得预瞄偏差角
Figure 749342DEST_PATH_IMAGE050
能够尽快跟踪到 0，因此在推导得到公式（6）后，以下一时刻的预瞄偏差角
Figure 99551DEST_PATH_IMAGE051
等于0为目标，根据当前时 刻的第一权值
Figure 861971DEST_PATH_IMAGE024
和第二权值
Figure 230504DEST_PATH_IMAGE025
、至少部分历史时刻的控制数据
Figure 685757DEST_PATH_IMAGE043
、状态数据
Figure 523263DEST_PATH_IMAGE039
以及当前时刻的状态数据
Figure 89373DEST_PATH_IMAGE031
，通过公式（7）所示的函数关系，确定当前时刻的控 制数据
Figure 312413DEST_PATH_IMAGE049
。
基于图2所示无人驾驶设备的横向控制方法，可先获取无人驾驶设备在若干历史时刻的控制数据和状态数据，以及当前时刻的状态数据。之后，将获取到的各控制数据以及各状态数据作为输入，输入极限学习机中，确定当前时刻的第一权值以及第二权值。最后，根据当前时刻的第一权值和第二权值、至少部分历史时刻的控制数据、状态数据以及当前时刻的状态数据，确定当前时刻的控制数据，并根据当前时刻的控制数据，控制该无人驾驶设备行驶。通过极限学习机学习当前时刻的第一权值以及第二权值，并基于该第一权值、第二权值以及历史时刻的控制数据与状态数据，确定当前时刻的控制数据，避免了模型建立不准确对控制决策的影响，提高了控制精准度。
本说明书提供的基于ELM的横向控制方法，可结合基于MPC的横向控制方法，共同实现对无人驾驶设备的横向控制。当该无人驾驶设备的跟踪误差较小时，表征当前状态下构建的车辆模型较为精准，对无人驾驶设备的控制性能的影响有限，因此采用计算效率更高的基于MPC的横向控制方法。
而当该无人驾驶设备的跟踪误差较大时，表征当前状态下构建的车辆模型精准度较低，对无人驾驶设备的控制性能的影响较大，因此可采用本申请的基于ELM的横向控制方法，使决策出的控制数据更精准。
因此在确定当前时刻采用哪种横向控制方法之前，该无人驾驶设备还可根据预先规划的期望轨迹，确定该无人驾驶设备在当前时刻的期望位置。之后，判断该无人驾驶设备当前时刻的实际位置与该期望位置之间的距离是否大于第一预设阈值，若是，可确定采用本申请基于ELM的横向控制方法。为了保障横向控制系统的稳定性，避免控制方法切换过于频繁，可当两者之间的距离小于第二预设阈值时，再切换为基于MPC的横向控制方法。其中，第一预设阈值大于第二预设阈值，具体可根据需要设置。
需要说明的是，由于该无人驾驶设备的横向控制方法不断在基于MPC的横向控制方法与基于ELM的横向控制方法之间切换，导致基于ELM的横向控制方法在时间维度上并不连续。因此每当重新切换为基于ELM的横向控制方法时，可基于历史上最近一次确定出的ELM的权值矩阵，对切换后的ELM的权值矩阵进行更新。
例如，假设在t1~t2时刻采用基于ELM的横向控制方法，在t2~t3时刻切换为基于 MPC的横向控制方法，继续在t3~t4时刻重新切换为基于ELM的横向控制方法，则t3时刻的权 值矩阵
Figure 938566DEST_PATH_IMAGE052
时，可基于历史上最近一次，在t2时刻确定出的权值矩阵
Figure 325685DEST_PATH_IMAGE053
更新得到。
为了保障横向控制系统决策的准确性，当出现以下一种或多种情况时，
Figure 367591DEST_PATH_IMAGE054
Figure 710716DEST_PATH_IMAGE055
Figure 507771DEST_PATH_IMAGE056
Figure 54290DEST_PATH_IMAGE057
Figure 227782DEST_PATH_IMAGE058
Figure 425414DEST_PATH_IMAGE059
Figure 393370DEST_PATH_IMAGE060
表示基于ELM的横向控制方法误差较大，此时可采用基于MPC的横向控制方法确定当前时刻的控制数据。
其中，
Figure 427185DEST_PATH_IMAGE061
表示预设的常数，
Figure 873210DEST_PATH_IMAGE062
表示
Figure 190928DEST_PATH_IMAGE024
的符号（正负），
Figure 329785DEST_PATH_IMAGE063
表示
Figure 913213DEST_PATH_IMAGE024
与
Figure 100612DEST_PATH_IMAGE064
异号，
Figure 85886DEST_PATH_IMAGE065
表示
Figure 582595DEST_PATH_IMAGE025
与
Figure 653319DEST_PATH_IMAGE066
异号。
基于图2所示的一种无人驾驶设备的横向控制方法，本说明书实施例还对应提供一种无人驾驶设备的横向控制装置的结构示意图，如图4所示。
图4为本说明书实施例提供的一种无人驾驶设备的横向控制装置的结构示意图，包括：
获取模块200，获取无人驾驶设备在若干历史时刻的控制数据和状态数据，以及所述无人驾驶设备当前时刻的状态数据；
输入模块202，将获取到的各控制数据以及各状态数据作为输入，输入极限学习机中，确定当前时刻的第一权值以及第二权值；所述第一权值表征历史时刻的状态数据对当前时刻的状态数据的影响权重，所述第二权值表征历史时刻的控制数据对当前时刻的状态数据的影响权重；
控制模块204，根据当前时刻的第一权值和第二权值、至少部分历史时刻的控制数据、至少部分历史时刻的状态数据以及当前时刻的状态数据，确定当前时刻的控制数据，并根据当前时刻的控制数据，控制所述无人驾驶设备行驶。
可选地，所述获取模块200具体用于，根据预先规划的期望轨迹，确定所述无人驾驶设备在当前时刻的期望位置，确定所述无人驾驶设备当前时刻的实际位置与所述期望位置之间的距离大于第一预设阈值。
可选地，所述输入模块202具体用于，将获取到的各控制数据以及各状态数据作为输入，输入极限学习机中，确定所述极限学习机的隐层输出的第一矩阵，作为当前时刻的第一矩阵，根据获取到的各控制数据以及各状态数据，确定所述极限学习机中隐层与输出层之间的权值矩阵，作为当前时刻的权值矩阵，根据当前时刻的权值矩阵以及当前时刻的第一矩阵，确定当前时刻的第一权值以及第二权值。
可选地，所述获取模块200具体用于，确定所述无人驾驶设备在当前时刻的实际位置，根据确定出的实际位置，从预先规划的期望轨迹上确定所述无人驾驶设备在所述当前时刻的预瞄点，所述预瞄点为所述期望轨迹上沿行驶方向，与所述无人驾驶设备的实际位置处于预设距离的位置点，根据所述无人驾驶设备在所述当前时刻的实际位置和所述预瞄点的连线，与所述无人驾驶设备行驶方向之间的夹角，确定所述无人驾驶设备在所述当前时刻的预瞄偏差角，并根据所述当前时刻的预瞄偏差角，确定所述无人驾驶设备在所述当前时刻的状态数据。
可选地，所述控制模块204具体用于，通过利普希茨条件，建立未来时刻的状态数据，与所述未来时刻之前至少部分历史时刻的控制数据和状态数据之间的函数关系，以下一时刻的预瞄偏差角等于零为目标，根据当前时刻的第一权值和第二权值、至少部分历史时刻的控制数据、至少部分历史时刻的状态数据以及当前时刻的状态数据，通过确定出的函数关系，确定当前时刻的控制数据。
可选地，所述输入模块202具体用于，确定当前时刻之前的第一时刻，并确定所述第一时刻的权值矩阵以及第一矩阵，根据所述第一时刻的状态数据和控制数据、所述第一时刻之前的历史时刻的控制数据和状态数据，确定所述第一时刻的控制数据增量以及状态数据增量，根据所述第一时刻的第一矩阵、所述第一时刻的控制数据增量以及状态数据增量，确定所述第一时刻的第二矩阵，根据所述第一时刻的第二矩阵，确定所述当前时刻的权值矩阵变化量，根据确定出的权值矩阵变化量以及所述第一时刻的权值矩阵，确定所述当前时刻的权值矩阵。
可选地，所述输入模块202具体用于，确定所述第一时刻的第三矩阵，所述第三矩阵基于所述第一时刻的第二矩阵，以及所述第一时刻之前的第二时刻的第三矩阵得到，初始时刻的第三矩阵基于所述极限学习机中隐层的隐藏节点数确定，根据所述第一时刻的状态数据、第二矩阵、第三矩阵和权值矩阵，以及当前时刻的状态数据、确定偏差指数，判断所述偏差指数是否大于预设偏差值，若是，根据所述第一时刻的第二矩阵、第三矩阵和权值矩阵，以及当前时刻的状态数据增量，确定所述当前时刻的权值矩阵变化量，若否，确定所述当前时刻的权值矩阵变化量为零。
本说明书实施例还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图2提供的无人驾驶设备的横向控制方法。
根据图2所示的一种无人驾驶设备的横向控制方法，本说明书实施例还提出了图5所示的无人驾驶设备的示意结构图。如图5，在硬件层面，该无人驾驶设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图2所示的无人驾驶设备的横向控制方法。
当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和生成专用的集成电路芯片。而且，如今，取代手工地生成集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (8)

1.一种无人驾驶设备的横向控制方法，其特征在于，包括：
获取无人驾驶设备在若干历史时刻的控制数据和状态数据，以及所述无人驾驶设备当前时刻的状态数据；
将获取到的各控制数据以及各状态数据作为输入，输入极限学习机中，确定所述极限学习机的隐层输出的第一矩阵，作为当前时刻的第一矩阵；根据获取到的各控制数据以及各状态数据，确定所述极限学习机中隐层与输出层之间的权值矩阵，作为当前时刻的权值矩阵，根据当前时刻的权值矩阵以及当前时刻的第一矩阵，确定当前时刻的第一权值以及第二权值；所述第一权值表征历史时刻的状态数据对当前时刻的状态数据的影响权重，所述第二权值表征历史时刻的控制数据对当前时刻的状态数据的影响权重；
根据当前时刻的第一权值和第二权值、至少部分历史时刻的控制数据、至少部分历史时刻的状态数据以及当前时刻的状态数据，确定当前时刻的控制数据，并根据当前时刻的控制数据，控制所述无人驾驶设备行驶；
其中，所述当前时刻的权值矩阵采用以下方式确定：
确定当前时刻之前的第一时刻，并确定所述第一时刻的权值矩阵以及第一矩阵；
根据所述第一时刻的状态数据和控制数据、所述第一时刻之前的历史时刻的控制数据和状态数据，确定所述第一时刻的控制数据增量以及状态数据增量；
根据所述第一时刻的第一矩阵、所述第一时刻的控制数据增量以及状态数据增量，确定所述第一时刻的第二矩阵；
根据所述第一时刻的第二矩阵，确定所述当前时刻的权值矩阵变化量；
根据确定出的权值矩阵变化量以及所述第一时刻的权值矩阵，确定所述当前时刻的权值矩阵。
2.如权利要求1所述的方法，其特征在于，获取无人驾驶设备在若干历史时刻的控制数据和状态数据之前，所述方法还包括：
根据预先规划的期望轨迹，确定所述无人驾驶设备在当前时刻的期望位置；
确定所述无人驾驶设备当前时刻的实际位置与所述期望位置之间的距离大于第一预设阈值。
3.如权利要求1所述的方法，其特征在于，获取所述无人驾驶设备当前时刻的状态数据，具体包括：
确定所述无人驾驶设备在当前时刻的实际位置；
根据确定出的实际位置，从预先规划的期望轨迹上确定所述无人驾驶设备在所述当前时刻的预瞄点，所述预瞄点为所述期望轨迹上沿行驶方向，与所述无人驾驶设备的实际位置处于预设距离的位置点；
根据所述无人驾驶设备在所述当前时刻的实际位置和所述预瞄点的连线，与所述无人驾驶设备行驶方向之间的夹角，确定所述无人驾驶设备在所述当前时刻的预瞄偏差角，并根据所述当前时刻的预瞄偏差角，确定所述无人驾驶设备在所述当前时刻的状态数据。
4.如权利要求3所述的方法，其特征在于，根据当前时刻的第一权值和第二权值、至少部分历史时刻的控制数据、至少部分历史时刻的状态数据以及当前时刻的状态数据，确定当前时刻的控制数据，具体包括：
通过利普希茨条件，建立未来时刻的状态数据，与所述未来时刻之前至少部分历史时刻的控制数据和状态数据之间的函数关系；
以下一时刻的预瞄偏差角等于零为目标，根据当前时刻的第一权值和第二权值、至少部分历史时刻的控制数据、至少部分历史时刻的状态数据以及当前时刻的状态数据，通过确定出的函数关系，确定当前时刻的控制数据。
5.如权利要求1所述的方法，其特征在于，根据所述第一时刻的第二矩阵，确定所述当前时刻的权值矩阵变化量，具体包括：
确定所述第一时刻的第三矩阵，所述第三矩阵基于所述第一时刻的第二矩阵，以及所述第一时刻之前的第二时刻的第三矩阵得到，初始时刻的第三矩阵基于所述极限学习机中隐层的隐藏节点数确定；
根据所述第一时刻的状态数据、第二矩阵、第三矩阵和权值矩阵，以及当前时刻的状态数据，确定偏差指数；
判断所述偏差指数是否大于预设偏差值；
若是，根据所述第一时刻的第二矩阵、第三矩阵和权值矩阵，以及当前时刻的状态数据增量，确定所述当前时刻的权值矩阵变化量；
若否，确定所述当前时刻的权值矩阵变化量为零。
6.一种无人驾驶设备的横向控制装置，其特征在于，包括：
获取模块，获取无人驾驶设备在若干历史时刻的控制数据和状态数据，以及所述无人驾驶设备当前时刻的状态数据；
输入模块，将获取到的各控制数据以及各状态数据作为输入，输入极限学习机中，确定所述极限学习机的隐层输出的第一矩阵，作为当前时刻的第一矩阵；根据获取到的各控制数据以及各状态数据，确定所述极限学习机中隐层与输出层之间的权值矩阵，作为当前时刻的权值矩阵，根据当前时刻的权值矩阵以及当前时刻的第一矩阵，确定当前时刻的第一权值以及第二权值；所述第一权值表征历史时刻的状态数据对当前时刻的状态数据的影响权重，所述第二权值表征历史时刻的控制数据对当前时刻的状态数据的影响权重，其中，所述当前时刻的权值矩阵采用以下方式确定：确定当前时刻之前的第一时刻，并确定所述第一时刻的权值矩阵以及第一矩阵，根据所述第一时刻的状态数据和控制数据、所述第一时刻之前的历史时刻的控制数据和状态数据，确定所述第一时刻的控制数据增量以及状态数据增量，根据所述第一时刻的第一矩阵、所述第一时刻的控制数据增量以及状态数据增量，确定所述第一时刻的第二矩阵，根据所述第一时刻的第二矩阵，确定所述当前时刻的权值矩阵变化量，根据确定出的权值矩阵变化量以及所述第一时刻的权值矩阵，确定所述当前时刻的权值矩阵；
控制模块，根据当前时刻的第一权值和第二权值、至少部分历史时刻的控制数据、至少部分历史时刻的状态数据以及当前时刻的状态数据，确定当前时刻的控制数据，并根据当前时刻的控制数据，控制所述无人驾驶设备行驶。
7.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1~5任一所述的方法。
8.一种无人驾驶设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1~5任一所述的方法。
CN202110888659.5A 2021-08-04 2021-08-04 一种无人驾驶设备的横向控制方法及装置 Active CN113342005B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110888659.5A CN113342005B (zh) 2021-08-04 2021-08-04 一种无人驾驶设备的横向控制方法及装置
PCT/CN2022/076705 WO2023010828A1 (zh) 2021-08-04 2022-02-17 一种无人驾驶设备的横向控制

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110888659.5A CN113342005B (zh) 2021-08-04 2021-08-04 一种无人驾驶设备的横向控制方法及装置

Publications (2)

Publication Number Publication Date
CN113342005A CN113342005A (zh) 2021-09-03
CN113342005B true CN113342005B (zh) 2021-11-30

Family

ID=77480629

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110888659.5A Active CN113342005B (zh) 2021-08-04 2021-08-04 一种无人驾驶设备的横向控制方法及装置

Country Status (2)

Country Link
CN (1) CN113342005B (zh)
WO (1) WO2023010828A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113342005B (zh) * 2021-08-04 2021-11-30 北京三快在线科技有限公司 一种无人驾驶设备的横向控制方法及装置
CN116155965B (zh) * 2023-04-21 2023-06-30 天津洪荒科技有限公司 一种全方向amr的多级控制方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9731755B1 (en) * 2016-02-16 2017-08-15 GM Global Technology Operations LLC Preview lateral control for automated driving
US10737717B2 (en) * 2018-02-14 2020-08-11 GM Global Technology Operations LLC Trajectory tracking for vehicle lateral control using neural network
EP3924795A4 (en) * 2019-02-15 2022-12-21 Bayerische Motoren Werke Aktiengesellschaft TRAJECTORY PREDICTION USED FOR A DRIVING STRATEGY
CN110688920B (zh) * 2019-09-17 2022-06-14 宁波吉利汽车研究开发有限公司 一种无人驾驶控制方法、装置及服务器
EP3796241A1 (en) * 2019-09-18 2021-03-24 Tata Consultancy Services Limited System and method for categorical time-series clustering
CN111522245B (zh) * 2020-06-23 2020-11-03 北京三快在线科技有限公司 用于控制无人设备的方法及装置
CN112987577B (zh) * 2021-04-22 2021-07-30 中国人民解放军国防科技大学 一种无人车数据驱动自适应控制方法和装置
CN113342005B (zh) * 2021-08-04 2021-11-30 北京三快在线科技有限公司 一种无人驾驶设备的横向控制方法及装置

Also Published As

Publication number Publication date
CN113342005A (zh) 2021-09-03
WO2023010828A1 (zh) 2023-02-09

Similar Documents

Publication Publication Date Title
CN111079721B (zh) 一种障碍物的轨迹预测方法及装置
CN113342005B (zh) 一种无人驾驶设备的横向控制方法及装置
CN112766468B (zh) 一种轨迹预测方法、装置、存储介质及电子设备
CN111522245B (zh) 用于控制无人设备的方法及装置
CN111208838A (zh) 一种无人驾驶设备的控制方法及装置
CN110262486B (zh) 一种无人驾驶设备运动控制方法及装置
CN111190427A (zh) 一种轨迹规划的方法及装置
CN112306059B (zh) 一种控制模型的训练方法、控制方法以及装置
CN111238523B (zh) 一种运动轨迹的预测方法及装置
CN111062372B (zh) 一种预测障碍物轨迹的方法及装置
CN110688920A (zh) 一种无人驾驶控制方法、装置及服务器
CN112949756B (zh) 一种模型训练以及轨迹规划的方法及装置
CN113419547B (zh) 一种多车协同控制方法及装置
CN111532285B (zh) 一种车辆控制方法及装置
CN112346467A (zh) 一种无人驾驶设备的控制方法及装置
CN112734810B (zh) 一种障碍物追踪方法及装置
CN114348026A (zh) 一种车辆控制方法、装置、设备以及存储介质
CN114547972A (zh) 动力学模型构建方法、装置、存储介质及电子设备
CN112731957B (zh) 无人机的控制方法、装置、计算机可读存储介质及无人机
CN111123957B (zh) 一种轨迹规划的方法及装置
CN114153207B (zh) 一种无人驾驶设备的控制方法及控制装置
CN112925331B (zh) 一种无人设备控制方法、装置、存储介质及电子设备
CN114167857B (zh) 一种无人驾驶设备的控制方法及装置
CN113515108B (zh) 一种无人驾驶设备的控制方法及控制装置
CN114559439B (zh) 一种移动机器人智能避障控制方法、装置和电子设备

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