CN114056386B

CN114056386B - 车速控制方法及装置，存储介质及车辆

Info

Publication number: CN114056386B
Application number: CN202010754091.3A
Authority: CN
Inventors: 沈剑罡
Original assignee: BYD Co Ltd
Current assignee: BYD Co Ltd
Priority date: 2020-07-30
Filing date: 2020-07-30
Publication date: 2023-08-08
Anticipated expiration: 2040-07-30
Also published as: CN114056386A

Abstract

本公开涉及一种车速控制方法及装置，存储介质及车辆，以解决相关技术中车速控制的精确度较低的技术问题。包括：确定车辆实际运行状态下的速度误差；根据所述车辆的实际速度、目标速度和所述速度误差，基于第一神经网络模型得到第一模型输出参数；根据所述速度误差，基于以所述第一模型输出参数作为调节参数的PID控制器得到加速度补偿量；根据所述加速度补偿量和所述车辆的当前加速度计算得到校正加速度；根据所述校正加速度控制所述车辆行驶。这样，可以提高车速控制的精确度，进而提高车辆乘坐的舒适度。

Description

车速控制方法及装置，存储介质及车辆

技术领域

本公开涉及自动驾驶技术领域，具体地，涉及一种车速控制方法及装置，存储介质及车辆。

背景技术

列车自动运行(Automatic Train Operation简称ATO)系统的自动驾驶功能主要根据车辆自动运行曲线，控制车辆的行驶速度和进站时的精准停车。发明人发现，因为坡度、风阻等的影响，需要实时调整车辆的行驶状态，以控制车辆按照自动运行曲线中的状态行驶。

相关技术中，一般根据以往的行驶经验对车辆的实际速度和加速度进行控制，利用预设的控制策略进行加速度的调整，从而实现实际速度与车辆自动运行曲线中的目标速度的匹配。例如，在实际速度与目标速度的差值大于预设阈值时，基于经验性阈值确定加速度调整值，但是车辆在实际运行过程中，遇到的轨道行驶状态多变且较为复杂，经验性阈值与实际情况匹配度较低，导致在实际运行过程中，车速控制的精确度较低。

发明内容

本公开的目的是提供一种车速控制方法及装置，存储介质及车辆，以解决相关技术中车速控制的精确度较低的技术问题。

为了实现上述目的，本公开第一方面提供一种车速控制方法，所述车速控制方法包括：

确定车辆实际运行状态下的速度误差；

根据所述车辆的实际速度、目标速度和所述速度误差，基于第一神经网络模型得到第一模型输出参数；

根据所述速度误差，基于以所述第一模型输出参数作为调节参数的PID控制器得到加速度补偿量；

根据所述加速度补偿量和所述车辆的当前加速度计算得到校正加速度；

根据所述校正加速度控制所述车辆行驶。

本公开第二方面提供一种车速控制装置，所述车速控制装置包括：

确定模块，用于确定车辆实际运行状态下的速度误差；

第一执行模块，用于根据所述车辆的实际速度、目标速度和所述速度误差，基于第一神经网络模型得到第一模型输出参数；

第二执行模块，用于根据所述速度误差，基于以所述第一模型输出参数作为调节参数的PID控制器得到加速度补偿量；

计算模块，用于根据所述加速度补偿量和所述车辆的当前加速度计算得到校正加速度；

控制模块，用于根据所述校正加速度控制所述车辆行驶。

本公开第三方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述车速控制方法的步骤。

本公开第四方面提供一种车速控制装置，所述车速控制装置包括：

存储器，其上存储有计算机程序；

处理器，用于执行所述存储器中的所述计算机程序，以实现上述任一项所述车速控制方法的步骤。

本公开第五方面提供一种车辆，所述车辆包括所述的车速控制装置。

通过上述技术方案，至少可以达到以下技术效果：

通过确定车辆实际运行状态下的速度误差，并根据车辆的实际速度、目标速度和所述速度误差，基于第一神经网络模型得到第一模型输出参数；根据速度误差，基于以第一模型输出参数作为调节参数的PID控制器得到加速度补偿量，进而根据加速度补偿量和车辆的当前加速度计算得到校正加速度，根据校正加速度控制车辆行驶。这样，PID控制器可以合理地计算出加速度补偿量，从而实现自适应地调整车辆的加速度。可以提高车速控制的精确度，进而提高车辆乘坐的舒适度。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：

图1是根据一示例性实施例示出的一种车速控制方法的流程图。

图2是一种实现图1中的步骤S11的示例性流程图。

图3是另一种实现图1中的步骤S11的示例性流程图。

图4是根据一示例性实施例示出的一种车速控制方法的示意图。

图5是根据一示例性实施例示出的另一种车速控制方法的示意图。

图6是根据一示例性实施例示出的一种车速控制装置400的框图。

图7是根据一示例性实施例示出的确定模块410的框图。

图8是根据另一示例性实施例示出的确定模块410的框图。

图9是根据一示例性实施例示出的一种车速控制装置400的框图。

具体实施方式

以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。

需要说明的是，在本公开中，说明书和权利要求书以及附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必理解为描述特定的顺序或先后次序。同理，术语“S11”、“S12”等用于区别步骤，而不必理解为按照特定的顺序或先后次序执行方法步骤。

在介绍本公开所提供的车速控制方法及装置，存储介质及车辆之前，首先对本公开各实施例的应用场景进行介绍。本公开的各实施例可以应用于车辆的ATO系统，实现车辆的自动驾驶。

精准地控制车辆的行驶速度，可以避免大幅度的加速和减速，提高车辆运行的舒适性，并且避免与轨道上的其他车辆运行产生冲突，引发安全事故，进而提高整个自动驾驶网络中轨道车辆运行的稳定性和安全性。相关技术中，根据速度误差采用误差偏差微分滤波器计算误差偏差；根据速度误差和误差偏差，采用PID控制器计算控制量；根据前馈值、最大目标制动加速度、最大目标牵引加速度和速度误差对控制量进行更新。

然而申请人发现，车辆在实际运行过程中，遇到的轨道行驶状态多变且较为复杂，经验性阈值与实际情况匹配度较低，并且，依靠最大目标制动加速度、最大目标牵引加速度等对控制量进行更新，而不同的车辆，以及同一车辆的不同行驶速度，对制动加速度和牵引加速度的需求不同，仅考虑最大目标制动加速度和最大目标牵引加速度，难以准确地控制车辆的加速度。进一步地，在车辆进站时，仅考虑车辆的行驶速度，难以使车辆准确地停靠在月台的下客区，造成车辆行驶速度控制的自适应能力较差。

为此，本公开提供一种车速控制方法，该方法可以应用于例如车辆的ATO系统，参照图1所示出的一种车速控制方法的流程图，所述车速控制方法包括：

S11、确定车辆实际运行状态下的速度误差。

S12、根据所述车辆的实际速度、目标速度和所述速度误差，基于第一神经网络模型得到第一模型输出参数。

S13、根据所述速度误差，基于以所述第一模型输出参数作为调节参数的PID控制器得到加速度补偿量。

S14、根据所述加速度补偿量和所述车辆的当前加速度计算得到校正加速度。

S15、根据所述校正加速度控制所述车辆行驶。

具体地，实际速度可以通过测速传感器采集，例如，通过轮速传感器采集车辆车轮转动的速度，进而计算出对应的实际速度。目标速度是根据车辆自动运行曲线中的速度-时间曲线得到的。

具体地，校正加速度a_n是通过如下公式计算得到的：a_n＝a+Δa_n，其中，a为当前加速度，Δa_n为加速度补偿量。

进一步地，根据校正加速度确定车辆需要减速或者加速，再确定相应的执行机构的工作状态，例如，在车辆需要减速的情况下，确定制动系统的制动力参数，进而使车辆在制动力作用下减速行驶，使实际速度达到车辆自动运行曲线中对应的目标速度。在车辆需要加速的情况下，确定牵引系统的牵引力参数，进而使车辆在牵引力作用下加速行驶，使实际速度达到车辆自动运行曲线中对应的目标速度。

可选地，校正加速度可以转化为车辆控制级位信息传送给相应的车辆执行机构，校正加速度与车辆控制级位信息之间的函数关系，可以由车辆的动力性能等决定。

在每一个控制时刻PID控制器的调整参数都会根据车辆的实际速度、目标速度和速度误差由第一神经网络模型得到，进而PID控制器可以根据调整参数和速度误差输出的加速度补偿量，达到车辆自动运行曲线跟随的自适应性，避免进行大量实验确定PID调整参数，减少了工作量。

可以说明的是，在车辆处于站间行驶的情况下，通常更多的关注车辆的实际速度与目标速度之间的速度误差，这样，可以基于速度误差得到PID控制器的调节参数，提高了加速度补偿量计算的精确度。

上述技术方案通过确定车辆实际运行状态下的速度误差，并将车辆的实际速度、目标速度和速度误差输入第一神经网络模型，得到第一神经网络模型输出的第一模型输出参数，可以精确地、实时地计算出PID控制器的调节参数，进一步地，将速度误差输入以第一模型输出参数作为调节参数的PID控制器，得到PID控制器输出的加速度补偿量，进而根据加速度补偿量和车辆的当前加速度计算得到校正加速度，根据校正加速度控制车辆行驶。这样，PID控制器可以合理地计算出加速度补偿量，从而实现自适应地调整车辆的加速度。可以提高车速控制的精确度，进而提高车辆乘坐的舒适度。

在一种可能实现的方式中，如图2所示，步骤S11中，确定车辆实际运行状态下的速度误差，包括：

S111、获取所述车辆的实际里程信息，并根据获取所述实际里程信息的第一时刻，从车辆自动运行曲线中获取对应所述第一时刻的目标里程信息。

S112、根据所述实际里程信息和所述目标里程信息计算得到里程差。

S113、根据所述实际里程信息、所述目标里程信息和所述里程差，基于第二神经网络模型得到第二模型输出参数。

S114、根据所述里程差、历史里程差，基于以所述第二模型输出参数为调节参数的第二PID控制器得到速度补偿量。

S115、根据目标速度、实际速度和所述速度补偿量计算得到所述速度误差。

具体地，在车辆进站过程中，获取车辆的实际里程信息，例如，从上一个停靠站到下一个停靠站实际里程数，并记录获取实际里程信息的第一时刻，进而从车辆自动运行曲线的里程-时间曲线中获取对应第一时刻的目标里程数。示例地，在车辆进站过程中，在车辆的车头达到进站的第一个屏蔽门位置时，获取实际里程信息，比记录此时的第一时刻为9:00，进而从车辆自动运行曲线的里程-时间曲线中获取9:00的目标里程数。

进一步地，将实际里程数和目标里程数的差值作为里程差。

可选地，在该里程差小于预设里程差阈值的情况下，可以确定里程差在可接受范围内，此时的里程差对车辆行驶速度的影响可以忽略，进而不对速度补偿量进行计算。

进一步地，将实际里程数、目标里程数和里程差输入第二神经网络模型，第二神经网络模型将该实际里程数、目标里程数、里程差和预设偏置构成一个4*1的矩阵，对应到第二神经网络模型的输入层的4个神经元。经过与第一神经网络模型相同的计算公式，输出第二模型输出参数。

进一步地，将第二模型输出参数中的三个参数分别作为第二PID控制器的调整参数，输入里程差和历史里程差到第二PID控制器，第二PID控制器输出速度补偿量。

可选地，在步骤S111中，获取所述车辆的实际里程信息，并根据获取所述实际里程信息的第一时刻，从车辆自动运行曲线中获取对应所述第一时刻的目标里程信息包括：

获取所述车辆行驶方向上的车站的第一位置信息和所述车辆的第二位置信息；

基于所述第一位置信息和所述第二位置信息，确定所述车辆是否处于所述车站的预设范围内；

在确定所述车辆处于所述车站的预设范围内的情况下，获取所述车辆的实际里程信息，并根据获取所述实际里程信息的第一时刻，从车辆自动运行曲线中获取对应所述第一时刻的目标里程信息。

具体地，ATO系统可以从车辆自动运行曲线中获取所述车辆行驶方向上的车站的第一位置信息。ATO系统可以通过轨旁设备，例如计轴等获取车辆的第二位置信息，以确定当前车辆行驶区段。

进一步地，在车辆当前行驶区段与车站的距离不大于预设范围时，确定车辆处于车站的预设范围内。

在一种情况下，在确定车辆未处于车站的预设范围内的情况下，ATO系统停止获取车辆的实际里程信息，根据实际速度和目标速度确定速度误差。

可选地，所述速度补偿量Δv_c是通过如下公式计算得到的：

其中，和/>均为所述第二模型输出参数，ΔS_n为所述里程差，ΔS_n-1和ΔS_n-2均为所述历史里程差，其中，ΔS_n-1为ΔS_n上一时刻的实际里程数与目标里程数的历史里程差，ΔS_n-2为ΔS_n-1上一时刻的实际里程数与目标里程数的历史里程差。

可选地，所述速度误差Δv是通过如下公式计算得到的：

其中，为所述目标速度，v为所述实际速度，Δv_c为所述速度补偿量。

值得说明的是，实际速度与目标速度之间存在着误差值，可以通过神经网络模型计算出该速度补偿量。

可以说明的是，在车辆处于进站停车阶段行驶的情况下，通常需要关注车辆的实际速度与目标速度之间的速度误差，以及实际里程数和目标里程数的差值，这样，可以基于实际里程数和目标里程数的差值计算得到速度误差，提高了加速度补偿量计算的精确度。

这样，在车辆进站时，可以根据实际里程数和目标里程数的差值通过神经网络模型准确地确定速度误差，进而根据目标速度、实际速度和速度误差精确地确定车辆行驶的加速度，将用于确定速度误差的第二神经网络模型与用于确定加速度误差的第一神经网络模型串联使用，可以根据多个影响车辆运行的因素，例如位移和速度，确定车辆加速度，可以提高车辆停靠月台的精确度，提高车辆运行的自适应能力。

在另一种可能实现的方式中，如图3所示，步骤S11中，确定车辆实际运行状态下的速度误差，包括：

S116、根据预设频率获取所述车辆的实际速度。

S117、根据获取所述实际速度的第二时刻，从车辆自动运行曲线中获取对应所述第二时刻的目标速度。

S118、确定所述实际速度与所述目标速度之间的差值作为所述车辆实际运行状态下的所述速度误差。

示例地，按照1分钟/次的预设频率获取车辆的实际速度为138km/h，记录下获取实际速度时的第二时刻，例如获取实际速度的时间为9:00，查找车辆自动运行曲线的速度-时间曲线中9:00对应的目标速度140km/h。

进一步地，计算9:00时目标速度140km/h与实际速度138km/h的差值为2km/h，将该差值2确定为车辆实际运行状态下的速度误差，进而执行如图1所示的加速度补偿量的计算步骤。

可选地，在该差值小于预设差值阈值的情况下，可以确定速度误差在可接受范围内，此时的速度误差对车辆行驶影响可以忽略，进而不对加速度补偿量进行计算。例如，目标速度与实际速度的差值为0.01km/h，在差值0.01小于预设差值阈值0.02的情况下，可以确定速度误差在可接受范围内。这样，在不影响车辆行驶的情况下，减小了计算量，节约了相应控制器的资源。

可选地，可以根据车辆行驶的路段确定预设频率，不同行驶路段的转弯角度不同、坡度大小不同，对车辆的行驶状态影响不同。例如，在转弯角度较大的行驶路段，预设频率可以较大；坡度较大的行驶路段，预设频率可以较大。

可选地，可以根据不同的天气或者季节确定预设频率，不同的天气或者季节风力大小不同，对车辆的行驶状态影响也不同。例如，根据风力大小确定预设频率，在风力较大的情况下，预设频率可以较大。

这样，可以根据预设频率获取实际速度，避免相应的控制器一直在进行计算，造成计算量较大，浪费资源。

可选地，所述加速度补偿量Δa_n是通过如下公式计算得到的：

Δa_n＝k_p(Δv_n-Δv_n-1)+k_i·Δv_n+k_d(Δv_n-2·Δv_n-1+Δv_n-2)；

其中，k_p、k_i和k_d均为所述第一模型输出参数，Δv_n、Δv_n-1和Δv_n-2分别为第n时刻、第n-1时刻和第n-2时刻的所述速度误差。

可选地，所述第一神经网络模型用于根据以下公式计算得到所述第一模型输出参数：

Z⁽²⁾＝∑W⁽²⁾·A⁽¹⁾；

A⁽²⁾＝ReLU Z⁽²⁾；

Z⁽³⁾＝∑W⁽³⁾·A⁽²⁾；

A⁽³⁾＝Sigmoid Z⁽³⁾；

其中，W⁽²⁾和W⁽³⁾分别为输入层和隐藏层的权重矩阵，Z⁽²⁾和Z⁽³⁾分别为输入层和隐藏层的输出矩阵，A⁽¹⁾为所述实际速度、所述目标速度、所述速度误差Δv和预设偏置构成的输入层的输入矩阵，A⁽²⁾为激活层的输出矩阵，A⁽³⁾为输出层表征所述第一模型输出参数的输出矩阵。

具体地，输入层包括4个神经元，预设偏置为1，将实际速度、目标速度、速度误差Δv和预设偏置输入到输入层的4个神经元，构成4*1的矩阵，得到A⁽¹⁾＝[目标速度实际速度速度误差预设偏置]。W⁽²⁾为5*4的矩阵。W⁽²⁾和A⁽¹⁾做乘积得到一个5*1的矩阵。再对该5*1的矩阵求和得到一个5*1的矩阵Z⁽²⁾。Z⁽²⁾是输入层的输出矩阵，作为激活层的输入矩阵，经过ReLU激活函数激活，得到A⁽²⁾。

进一步地，隐藏层包括5个神经元，5个神经元构成一个5*1的矩阵，将A⁽²⁾对应输入到隐藏层的矩阵。W⁽³⁾为3*5的矩阵。W⁽³⁾和A⁽²⁾做乘积得到一个3*1的矩阵，再对该3*1的矩阵求和得到一个3*1的矩阵Z⁽³⁾。将该3*1的矩阵Z⁽³⁾经过Sigmoid函数计算，得到输出层的输出矩阵。可以理解的是，输出层包括3个神经元。输出层的三个神经元分别对应第一模型输出参数的一个参数。

可选地，所述隐藏层权重矩阵W⁽²⁾和所述激活层权重矩阵W⁽³⁾是在模型训练过程中通过如下反向传播计算得到的：

L＝0.5·ΔV²；

其中，L为损失函数，η为预设学习率，v为所述实际速度，a为所述校正加速度。

下面以实施例详细介绍上述车速控制方法的执行流程，如图4所示，测速传感器采集车辆的实际速度并传输给ATO，ATO接收测速传感器采集的实际速度，并查找存储在ATO的车辆自动运行曲线的速度-时间曲线中，采集实际速度的时刻对应的目标速度。在一种实施例中，计算目标速度与实际速度的差值，并将该差值作为车辆实际运行状态下的速度误差。

进一步地，将得到的实际速度、目标速度和速度误差输入提前训练好的第一神经网络模型，第一神经网络模型根据上述方法中的公式输出第一模型输出参数。

进一步地，将第一模型输出参数作为PID控制器的调节参数，对PID控制器进行更新，并将速度误差输入PID控制器，得到加速度补偿量。此处的速度误差包括当前时刻的速度误差、历史速度误差中的前两个时刻的速度误差，即速度误差包括上述方法实施例中的第n时刻、第n-1时刻和第n-2时刻的速度误差，第n时刻即为当前时刻。

进一步地，根据ATO提供的当前加速度和PID控制器计算得到的加速度补偿量计算校正加速度。并根据校正加速度确定车辆的行驶状态，再确定相应的执行机构的工作状态，例如，在车辆需要减速行驶的情况下，确定制动系统的制动力参数，进而使车辆在制动力作用下减速行驶，使实际速度达到车辆自动运行曲线中对应的目标速度。在车辆需要加速行驶的情况下，确定牵引系统的牵引力参数，进而使车辆在牵引力作用下加速行驶，使实际速度达到车辆自动运行曲线中对应的目标速度。在车辆需要匀速行驶的情况下，确定牵引系统的牵引力参数，进而使车辆在牵引力作用下匀速行驶，使实际速度保持与车辆自动运行曲线中对应的目标速度一致。

在另一个实施例中，在图4的基础上，如图5所示，获取采集实际速度时刻的实际里程数，并查找存储在ATO的车辆自动运行曲线的里程-时间曲线中，获取实际里程数时刻对应的目标里程数。基于实际里程数和目标里程数计算里程差，记为第n时刻的里程差。将得到的实际里程数、目标里程数和里程差输入提前训练好的第二神经网络模型，第二神经网络模型根据上述方法中的公式输出第二模型输出参数。

进一步地，将第二模型输出参数作为第二PID控制器的调节参数，对第二PID控制器进行更新，并将第n时刻的里程差和历史里程差输入第二PID控制器，得到速度补偿量。此处的历史里程差包括当前时刻的里程差的前两个时刻的里程差，即历史里程差包括上述方法实施例中的第n-1时刻和第n-2时刻的里程差。

进一步地，根据目标速度、实际速度和速度补偿量采用上述公式计算得到速度误差，进而执行图4中的计算加速度补偿量的方法步骤。

基于相同的发明构思，本公开实施例还提供一种车速控制装置，用于执行上述方法实施例提供的车速控制方法的步骤，如图6所示，所述车速控制装置400包括：确定模块410、第一执行模块420、第二执行模块430、计算模块440和控制模块450。

其中，确定模块410，用于确定车辆实际运行状态下的速度误差；

第一执行模块420，用于根据所述车辆的实际速度、目标速度和所述速度误差，基于第一神经网络模型得到第一模型输出参数；

第二执行模块430，用于根据所述速度误差，基于以所述第一模型输出参数作为调节参数的PID控制器得到加速度补偿量；

计算模块440，用于根据所述加速度补偿量和所述车辆的当前加速度计算得到校正加速度；

控制模块450，用于根据所述校正加速度控制所述车辆行驶。

可选地，如图7所示，所述确定模块410包括：获取子模块4101、第一计算子模块4102、第一执行子模块4103、第二执行子模块4104和第三计算子模块4105。

其中，获取子模块4101，用于获取所述车辆的实际里程信息，并根据获取所述实际里程信息的第一时刻，从车辆自动运行曲线中获取对应所述第一时刻的目标里程信息；

第一计算子模块4102，用于根据所述实际里程信息和所述目标里程信息计算得到里程差；

第一执行子模块4103，用于根据所述实际里程信息、所述目标里程信息和所述里程差，基于第二神经网络模型得到第二模型输出参数；

第二执行子模块4104，用于根据所述里程差、历史里程差，基于以所述第二模型输出参数为调节参数的第二PID控制器得到速度补偿量；

第三计算子模块4105，用于根据所述目标速度、所述实际速度和所述速度补偿量计算得到所述速度误差。

可选地，所述获取子模块4101包括：

第一获取子单元，用于获取所述车辆行驶方向上的车站的第一位置信息和所述车辆的第二位置信息；

确定子单元，用于基于所述第一位置信息和所述第二位置信息，确定所述车辆是否处于所述车站的预设范围内；

第二获取子单元，用于在确定所述车辆处于所述车站的预设范围内的情况下，获取所述车辆的实际里程信息，并根据获取所述实际里程信息的第一时刻，从车辆自动运行曲线中获取对应所述第一时刻的目标里程信息。

可选地，所述第二执行子模块4104具体用于通过如下公式计算得到所述速度补偿量Δv_c：

其中，和/>均为所述第二模型输出参数，ΔS_n为所述里程差，ΔS_n-1和ΔS_n-2均为所述历史里程差。

可选地，所述第三计算子模块4105具体用于通过如下公式计算得到所述速度误差Δv：

可选地，如图8所示，所述确定模块410包括：第一获取子模块4106、查找子模块4107和确定子模块4108。

其中，第一获取子模块4106，用于根据预设频率获取所述车辆的实际速度；

查找子模块4107，用于根据获取所述实际速度的第二时刻，从车辆自动运行曲线中获取对应所述第二时刻的目标速度；；

所述确定子模块4108，用于确定所述实际速度与所述目标速度之间的差值作为所述车辆实际运行状态下的所述速度误差。

可选地，所述计算模块440具体用于通过如下公式计算得到所述加速度补偿量Δa_n：

Δa_n＝k_p(Δv_n-Δv_n-1)+k_i·Δv_n+k_d(Δv_n-2·Δv_n-1+Δv_n-2)；

Z⁽²⁾＝∑W⁽²⁾·A⁽¹⁾；

A⁽²⁾＝ReLU Z⁽²⁾；

Z⁽³⁾＝∑W⁽³⁾·A⁽²⁾；

A⁽³⁾＝Sigmoid Z⁽³⁾；

其中，W⁽²⁾和W⁽³⁾分别为隐藏层和激活层的权重矩阵，Z⁽²⁾和Z⁽³⁾分别为输入层和激活层的输出矩阵，A⁽¹⁾为所述实际速度、所述目标速度、所述速度误差Δv和预设偏置构成的输入层的输入矩阵，A⁽²⁾为隐藏层的输出矩阵，A⁽³⁾为输出层表征所述第一模型输出参数的输出矩阵。

L＝0.5·ΔV²；

上述各模块的功能在上述方法实施例中的方法步骤中已详细阐述，在此不做赘述。

本公开提供车速控制装置400包括：存储器，其上存储有计算机程序；

具体地，图9是根据一示例性实施例示出的一种车速控制装置的框图。所述车速控制装置400通过软硬件结合的方式以软件、硬件或者两者相结合的方式实现车辆上的车速控制。如图9所示，该车速控制装置400可以包括：处理器701，存储器702。该车速控制装置400还可以包括多媒体组件703，输入/输出(I/O)接口704，以及通信组件705中的一者或多者。

其中，处理器701用于控制该车速控制装置400的整体操作，以完成上述的车速控制方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该车速控制装置400的操作，这些数据例如可以包括用于在该车速控制装置400上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该车速控制装置400与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G、4G或5G，NB-IOT(Narrow Band Internet of Things，窄带物联网)，或者它们中一种或者多种的组合，因此相应的该通信组件705可以包括：Wi-Fi模块，蓝牙模块，NFC模块。

在一示例性实施例中，车速控制装置400可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的车速控制方法。

在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的车速控制方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器702，上述程序指令可由车速控制装置400的处理器701执行以完成上述的车速控制方法。

本公开实施例还提供一种车辆，所述车辆包括上述任一项的车速控制装置(具体可以参照上述对应的描述，此处不再赘述)，车速控制装置可以与车辆的动力系统和制动系统等配合执行，以达到控制车辆行驶的目的。

以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。

此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。

Claims

1.一种车速控制方法，其特征在于，所述车速控制方法包括：

确定车辆实际运行状态下的速度误差；

根据所述速度误差以及历史速度误差中相对所述速度误差对应时刻的最近前两个时刻对应的速度误差，基于以所述第一模型输出参数作为调节参数的PID控制器得到加速度补偿量；

根据所述校正加速度控制所述车辆行驶；

其中，所述加速度补偿量是通过如下公式计算得到的：

；

其中，、/>和/>均为所述第一模型输出参数，/>、/>和/>分别为第n时刻、第n-1时刻和第n-2时刻的所述速度误差。

2.根据权利要求1所述的车速控制方法，其特征在于，所述确定车辆实际运行状态下的速度误差，包括：

获取所述车辆的实际里程信息，并根据获取所述实际里程信息的第一时刻，从车辆自动运行曲线中获取对应所述第一时刻的目标里程信息；

根据所述实际里程信息和所述目标里程信息计算得到里程差；

根据所述实际里程信息、所述目标里程信息和所述里程差，基于第二神经网络模型得到第二模型输出参数；

根据所述里程差、历史里程差，基于以所述第二模型输出参数为调节参数的第二PID控制器得到速度补偿量；

根据目标速度、实际速度和所述速度补偿量计算得到所述速度误差。

3.根据权利要求2所述的车速控制方法，其特征在于，所述获取所述车辆的实际里程信息，并根据获取所述实际里程信息的第一时刻，从车辆自动运行曲线中获取对应所述第一时刻的目标里程信息包括：

4.根据权利要求2所述的车速控制方法，其特征在于，所述速度补偿量是通过如下公式计算得到的：

；

其中，、/>和/>均为所述第二模型输出参数，/>为所述里程差，/>和/>均为所述历史里程差。

5.根据权利要求2所述的车速控制方法，其特征在于，所述速度误差是通过如下公式计算得到的：/>；

其中，为所述目标速度，/>为所述实际速度，/>为所述速度补偿量。

6.根据权利要求1所述的车速控制方法，其特征在于，所述确定车辆实际运行状态下的速度误差，包括：

根据预设频率获取所述车辆的实际速度；

根据获取所述实际速度的第二时刻，从车辆自动运行曲线中获取对应所述第二时刻的目标速度；

确定所述实际速度与所述目标速度之间的差值作为所述车辆实际运行状态下的所述速度误差。

7.根据权利要求1-6任一项所述的车速控制方法，其特征在于，所述第一神经网络模型用于根据以下公式计算得到所述第一模型输出参数：

；

其中，和/>分别为输入层和隐藏层的权重矩阵，/>和/>分别为输入层和隐藏层的输出矩阵，/>为所述实际速度、所述目标速度、所述速度误差/>和预设偏置构成的输入层的输入矩阵，/>为激活层的输出矩阵，/>为输出层表征所述第一模型输出参数的输出矩阵。

8.根据权利要求7所述的车速控制方法，其特征在于，所述输入层的权重矩阵和所述隐藏层的权重矩阵/>是在模型训练过程中通过如下反向传播计算得到的：

；

其中，L为损失函数，为预设学习率，/>为所述实际速度，/>为所述校正加速度。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-8中任一项所述车速控制方法的步骤。

10.一种车速控制装置，其特征在于，所述车速控制装置包括：

存储器，其上存储有计算机程序；

处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-8中任一项所述车速控制方法的步骤。

11.一种车辆，其特征在于，所述车辆包括权利要求10所述的车速控制装置。