CN114684165A - 车辆控制方法、装置、设备、存储介质和自动驾驶车辆 - Google Patents
车辆控制方法、装置、设备、存储介质和自动驾驶车辆 Download PDFInfo
- Publication number
- CN114684165A CN114684165A CN202210208751.7A CN202210208751A CN114684165A CN 114684165 A CN114684165 A CN 114684165A CN 202210208751 A CN202210208751 A CN 202210208751A CN 114684165 A CN114684165 A CN 114684165A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- state quantity
- error
- control
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013507 mapping Methods 0.000 claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims description 32
- 238000001914 filtration Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 13
- 230000006399 behavior Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 239000000126 substance Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000001133 acceleration Effects 0.000 description 73
- 230000003044 adaptive effect Effects 0.000 description 20
- 230000006870 function Effects 0.000 description 20
- 238000013528 artificial neural network Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 8
- 238000011084 recovery Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- B60W60/001—Planning or execution of driving tasks
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
- B60W60/0018—Planning or execution of driving tasks specially adapted for safety by employing degraded modes, e.g. reducing speed, in response to suboptimal 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
- 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
-
- 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
-
- 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
- B60T17/00—Component parts, details, or accessories of power brake systems not covered by groups B60T8/00, B60T13/00 or B60T15/00, or presenting other characteristic features
- B60T17/18—Safety devices; Monitoring
- B60T17/22—Devices for monitoring or checking brake systems; Signal devices
-
- 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
- B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
- B60W50/0205—Diagnosing or detecting failures; Failure detection models
-
- 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
- B60W60/001—Planning or execution of driving tasks
-
- 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
- G06N3/0499—Feedforward 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
-
- 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
- B60T2260/00—Interaction of vehicle brake system with other systems
- B60T2260/06—Active Suspension System
-
- 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
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
-
- 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
- B60W2050/0062—Adapting control system settings
- B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
-
- 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
- G06N3/048—Activation functions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Feedback Control In General (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本公开提供了一种车辆控制方法、装置、设备、存储介质和自动驾驶车辆,涉及计算机技术领域,具体涉及自动驾驶、智能交通等人工智能技术领域。车辆控制方法包括:获取车辆的当前时刻的期望状态量与上一时刻的实际状态量之间的状态量误差;基于所述状态量误差,以及,所述车辆的控制量与状态量误差之间的映射关系,确定所述车辆的当前时刻的控制量;基于所述当前时刻的控制量,控制所述车辆的驾驶行为,以获得当前时刻的实际状态量。本公开可以提高车辆控制效果。
Description
技术领域
本公开涉及计算机技术领域,具体涉及自动驾驶、智能交通等人工智能技术领域,尤其涉及一种车辆控制方法、装置、设备、存储介质和自动驾驶车辆。
背景技术
自动驾驶车辆(Autonomous vehicles;Self-driving automobile)又称无人驾驶车辆、电脑驾驶车辆或轮式移动机器人,是一种通过电脑系统实现无人驾驶的智能车辆。
自动驾驶车辆的底盘系统(chassis)可以基于车辆控制器输出的控制量执行相应操作。车辆控制器输出的控制量对应的状态量可以称为期望状态量。底盘系统可以基于控制量执行相应操作,输出实际状态量。
在一些情况下,底盘系统执行相应操作对应的模型,比如,制动模型,可能存在不确定性,这种不确定性会导致实际状态量与期望状态量的误差较大,造成车辆驾驶不平稳,进而影响行车安全、用户体验等。
发明内容
本公开提供了一种车辆控制方法、装置、设备、存储介质和自动驾驶车辆。
根据本公开的一方面,提供了一种车辆控制方法,包括:获取车辆的当前时刻的期望状态量与上一时刻的实际状态量之间的状态量误差;基于所述状态量误差,以及,所述车辆的控制量与状态量误差之间的映射关系,确定所述车辆的当前时刻的控制量;基于所述当前时刻的控制量,控制所述车辆的驾驶行为,以获得当前时刻的实际状态量。
根据本公开的另一方面,提供了一种车辆控制装置,包括:获取模块,用于获取车辆的当前时刻的期望状态量与上一时刻的实际状态量之间的状态量误差;确定模块,用于基于所述状态量误差,以及,所述车辆的控制量与状态量误差之间的映射关系,确定所述车辆的当前时刻的控制量;控制模块,用于基于所述当前时刻的控制量,控制所述车辆的驾驶行为,以获得当前时刻的实际状态量。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上述任一方面的任一项所述的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据上述任一方面的任一项所述的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据上述任一方面的任一项所述的方法。
根据本公开的另一方面,提供了一种自动驾驶车辆,包括:如上述任一方面的任一项所述的电子设备。
根据本公开的技术方案,可以提高车辆控制效果。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的示意图;
图2是根据本公开第二实施例的示意图;
图3是相关技术中实际加速度波动示意图;
图4是相关技术与本公开第三实施例的系统结构对比示意图;
图5是根据本公开第四实施例的示意图;
图6是根据本公开第五实施例的示意图;
图7是相关技术与本公开第六实施例的控制效果对比示意图;
图8是根据本公开第七实施例的示意图;
图9是根据本公开第八实施例的示意图;
图10是用来实现本公开实施例的车辆控制方法的电子设备的示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
底盘系统,是指车辆上由传动系、行驶系、转向系和制动系四部分组成的组合,支承、安装发动机及其各部件、总成,形成车辆的整体造型,承受发动机动力,保证正常行驶。
以制动操作为例,车辆控制器可以基于模型或不基于模型获取期望状态量,底盘系统可以基于输入的控制量(如期望状态量)执行制动操作,输出实际状态量。期望状态量和实际状态量可以分别为期望加速度和实际加速度,控制量比如为油门开度。
底盘系统执行制动操作时,可以基于制动模型进行处理,制动模型反映了输入量(比如控制量)和输出量(比如状态量)之间的关系。
针对具有能量回收功能的电动车,在开启能量回收功能时,底盘系统的制动模型具有不确定性,不确定性表现在:切换为何种类型的制动模型不确定,即,可能为电机制动模型,也可能为机械制动模型;切换时机不确定;切换成的电机制动模型或机械制动模型的模型参数不确定。
由于制动模型的不确定性,底盘系统输出的实际加速度会存在波动,可能与车辆控制器输出的期望加速度存在较大差异,从而可能引起不必要的急刹,导致车辆驾驶不平稳,进而影响行车安全、用户体验等。
为了提高车辆控制效果,进而保证车辆平稳行驶,如避免不必要的急刹,保证行车安全和用户体验,本公开可以提供如下实施例。
图1是根据本公开第一实施例的示意图,本实施例提供一种车辆控制方法,所述方法包括:
101、获取车辆的当前时刻的期望状态量与上一时刻的实际状态量之间的状态量误差。
102、基于所述状态量误差,以及,所述车辆的控制量与状态量误差之间的映射关系,确定所述车辆的当前时刻的控制量。
103、基于所述当前时刻的控制量,控制所述车辆的驾驶行为,以获得当前时刻的实际状态量。
为了更好地理解本公开实施例,以车辆为自动驾驶车辆为例,对应用场景进行说明。
如图2所示,自动驾驶场景下涉及的设备包括:自动驾驶车辆201和服务器202,自动驾驶车辆201和服务器202可以通过通信网络连接,通信网络可以为无线通信网络和/或有线通信网络,无线通信网络比如通过基站提供的信号进行通信,有线通信网络比如为光纤通信等。另外,为了实现对自动驾驶车辆的准确定位,自动驾驶场景下还可以包括卫星(图中未示出)。服务器202可以自动驾驶车辆对应的本地服务器或者为云端服务器。
自动驾驶车辆201可以包括:发动机、车辆控制器、底盘系统等。发动机用于提供动力源,可以为各种汽油发动机、柴油发动机、电动发动机等。车辆控制器用于生成控制指令,以控制车辆的驾驶行为。车辆控制器可以包括微型计算机、ROM、RAM、外围电路、I/O接口、各种驱动器等。
底盘系统(chassis),是指车辆上由传动系、行驶系、转向系和制动系四部分组成的组合,支承、安装发动机及其各部件、总成,形成车辆的整体造型,承受发动机动力,保证正常行驶。传动系主要由离合器、变速器、万向传动装置、主减速器、差速器和半轴等组成;行驶系主要由汽车的车架、车桥、车轮和悬架等组成;转向系主要由转向盘、转向轴、转向管柱、转向器、转向传动机构等组成;制动系可分为行车制动系统、驻车制动系统、应急制动系统及辅助制动系统等。
车辆控制器可以向底盘系统发送控制量,底盘系统基于控制量执行相应操作,输出状态量。
控制量,是描述控制信号的物理量,比如,油门开度、电压等。
状态量,是描述被控对象状态的物理量,比如,位置、速度、加速度等。
车辆控制器确定的控制量对应的状态量可以称为期望状态量。
实际应用中,车辆控制器还可以调用底盘系统的状态量接口,即,车辆控制器可以向底盘系统输入期望状态量,此时,可以认为将期望状态量作为控制量,底盘系统输出的状态量可以称为实际状态量。
以车辆控制器采用状态量进行控制,且,状态量为加速度为例,如图2所示,车辆控制器输出的加速度可以称为期望加速度,期望加速度作为底盘系统的输入;底盘系统可以基于输入的期望加速度执行相应操作,比如,执行制动操作;底盘系统执行制动操作后,底盘系统输出的加速度可以称为实际加速度。
控制量与状态量误差之间的映射关系可以为函数形式、表格形式等,本公开对此不作限定。
以函数形式为例,上述的映射关系可以具体称为模型。以制动操作为例,模型可以具体称为制动模型。
以电动车为例,制动模型可以包括:电机制动模型、机械制动模型。用公式表示为:
电机制动模型:
机械制动模型:
其中,x1=acc_output(t)-acc_real(t-1)
本公开实施例中,相同或类似的运算符号代表相同或类似的含义。
针对具有能量回收功能的电动车,在开启能量回收功能时,底盘系统的制动模型具有不确定性,不确定性表现在:切换为何种制动模型不确定,即,可能为电机制动模型,也可能为机械制动模型;切换时机不确定;切换成的电机制动模型或机械制动模型的模型参数(比如,T、d、ω)不确定。
由于制动模型的不确定性,底盘系统输出的实际加速度会存在波动,比如,参见图3,在期望加速度从3m/s2到-2m/s2变化时,大概在第8秒左右时发生了制动模型切换,此时的实际加速度有明显的加速度波动,加速度波动会影响速度误差和加速度误差,进而造成驾驶不平稳。
可以理解的是,上述场景说明只是便于对本公开实施例的理解进行的示例性说明,本公开实施例的执行不限于上述场景,还可以应用到任何适用的场景中。
结合上述场景示例,对本实施例的车辆控制方法进行说明如下:
车辆,可以具体为自动驾驶车辆,进一步地,可以为电动的自动驾驶车辆。
控制量,是指车辆控制器输出的控制量,比如,油门开度。
期望状态量,是指控制量对应的状态量,比如,期望加速度。
其中,控制量和状态量误差可以存在已知的对应关系,即,控制量与状态量误差之间的映射关系,比如为制动模型,从而可以基于控制量获取期望状态量。
实际状态量,是指被控对象,比如,车辆的底盘系统,输出的状态量,比如实际加速度。
本公开实施例中,如未特别说明,将以期望状态量为期望加速度、实际状态量为实际加速度,被控对象为底盘系统,且,车辆控制器向底盘系统输出期望状态量为例。
车辆控制器,可以基于模型或不基于模型,确定并输出控制量(比如为期望状态量)。
以基于模型确定期望状态量为例,可以基于模型预测控制(model predictivecontrol,MPC),确定期望状态量。
以MPC确定期望加速度为例,如图4的上侧所示,车辆控制器通过MPC,可以由加速度策略模块输出期望加速度acc_output,具体地,可以基于参考信号、积分模块的输出信号等相关技术获得。期望加速度输入到底盘系统中,底盘系统输出实际加速度acc_real。
底盘系统接收到期望加速度后,可以控制车辆的驾驶行为,比如,基于期望加速度执行制动操作。以制动操作为例,实际加速度和期望加速度之间将满足制动模型的关系。
针对具有能量回收功能的电动车,在开启能量回收功能时,底盘系统的制动模型具有不确定性,会导致实际加速度存在波动,比如,图3所示的在第8秒左右存在波动,这样会造成不必要的急刹、影响车辆平稳行驶等,即,若采用图4的上侧所示的结构进行车辆控制时,车辆控制效果不理想。
为了提高车辆控制效果,本实施例中,如图4的下侧所示,将新引入加速度闭环。即,底盘系统输出的实际状态量acc_real将作为反馈信号输入到自适应控制模块,自适应控制模块的另一输入为期望状态量acc_output,自适应控制模块的输出为控制量u。
其中,MPC、积分模块、加速度策略模块可以位于车辆控制器内,自适应控制模块可以位于车辆控制器内,或者,位于底盘系统内,或者,作为独立模块,设置在车辆控制器和底盘系统之外。
本实施例中,基于当前时刻的期望状态量与上一时刻的实际状态量之间的状态量误差,以及车辆的控制量与状态量误差之间的映射关系,确定当前时刻的控制量,由于控制量的确定过程引入了上一时刻的实际状态量,即,实际状态量可以作为反馈信号用于控制量的确定,可以实现对控制量的自适应控制,避免实际状态量的波动,进而保证驾驶平稳性,保证行车安全和用户体验,提高车辆控制效果。
图5是根据本公开第四实施例的示意图,本实施例提供一种车辆控制方法。本实施例以状态量为加速度为例,结合图4的结构图,本实施例提供的车辆控制方法包括:
501、基于MPC,获取车辆的当前时刻的期望状态量。
其中,如图4所示,期望状态量用acc_output表示。
期望状态量可以通过参考信号、MPC、积分模块、加速度策略模型获得,具体可以参见相关技术,在此不再详述。
502、获取所述当前时刻的期望状态量与所述车辆的上一时刻的实际状态量之间的状态量误差。
其中,如图4所示,实际状态量用acc_real表示。
如图4的下侧结构图所示,期望状态量作为自适应控制模块的一路输入,自适应控制模块的另一路输入为实际状态量,即实际状态量将作为反馈信号输入到自适应控制模块中。
考虑到反馈信号的处理过程,针对某一时刻,该时刻的两路输入信号包括:该时刻的期望状态量,以及,该时刻的上一时刻实际状态量。
考虑到通用性,某一时刻可以用当前时刻表示。
状态量误差的计算公式可以表示为:
状态量误差(t)=期望状态量(t)-实际状态量(t-1)。
其中,状态量误差(t)为当前时刻的状态量误差,期望状态量(t)是当前时刻的期望状态量,实际状态量(t-1)为上一时刻的实际状态量。
为了简化说明,且以状态量为加速度为例,结合图4,加速度误差的计算公式可以简化为:
x1=acc_output-acc_real。
其中,acc_output为当前时刻的期望加速度,acc_real为上一时刻的实际加速度,x1为当前时刻的期望加速度与上一时刻的实际加速度之间的加速度误差。
503、基于所述状态量误差,以及,所述车辆的控制量与状态量误差之间的映射关系,确定所述车辆的当前时刻的控制量。
其中,车辆的控制量与状态量误差之间的映射关系,可以为模型形式,基于不同的待控制的驾驶行为,模型可以为对应的控制模型。
以待控制的驾驶行为是制动操作为例,控制模型可以称为制动模型。进一步地,实际控制操作可以是控制车辆的底盘系统,因此,制动模型可以具体为底盘系统的制动模型。
因此,车辆的控制量与状态量误差之间的映射关系可以具体为底盘系统的制动模型。
针对具有能量回收功能的电动车,在开启能量回收功能时,底盘系统的制动模型具有不确定性,比如,模型的类型(电机制动模型或机械制动模型),模型的参数、模型类型的切换时机等都是不确定的。
二阶函数形式的制动模型可以表示为:
x2=f(x1,x2)+bu
其中,f(x1,x2)是车辆的状态量为自变量的函数,隐含着制动模型的类型切换、参数变化的不确定性函数,电机制动模型和机械制动模型,都可以由该函数逼近。u为控制量,b为预设参数。
f(x1,x2)可以参数线性化,即,用于逼近未知函数(比如,制动模型)的神经网络。
神经网络具体可以为多层感知器网络,在自适应控制中,起到函数逼近器的作用。
神经网络比如图6所示。
如图6所示,V和W为模型参数,具体到制动模型中,可以逼近制动模型的模型参数。φ1~φm为神经网络中的激活函数,比如,tanh函数、sigmoid函数等。
X是神经网络的输入数据,本实施例中,X=[x1,x2]T;
其中,x1、x2分别为上述的加速度误差,以及加速度误差的微分;T为转置操作。
Y是X经过神经网络的输出数据,用公式表示为:
Y=WTφ(VTX)
相关技术中,如图4的上侧结构所示,是用期望状态量直接控制的底盘系统,并未考虑到制动模型。
而本实施例中,在确定控制量时,将考虑底盘系统的制动模型,即,控制量基于状态量误差以及上述的映射关系(如制动模型)确定。
如图4的下侧结构所示,控制量可以由自适应控制模块基于上述的状态量误差以及神经网络逼近的制动模型,确定并输出控制量。
一些实施例中,所述基于所述状态量误差,以及,所述车辆的控制量与状态量误差之间的映射关系,确定所述车辆的当前时刻的控制量,包括:基于所述状态量误差,确定滤波误差以及输入数据;采用当前时刻的神经网络模型,对所述输入数据进行处理,以获得输出数据;基于所述滤波误差和所述输出数据,确定所述车辆的当前时刻的控制量。
即,可以用神经网络逼近制动模型,进而基于神经网络确定控制量。
一些实施例中,所述方法还包括:基于所述滤波误差,对上一时刻的神经网络模型进行更新,以确定所述当前时刻的神经网络模型。
即,神经网络可以在线更新。
一些实施例中,所述神经网络模型的模型参数包括第一参数和第二参数,所述第一参数为固定值,所述第二参数为可更新参数,所述基于所述滤波误差,对上一时刻的神经网络模型进行更新,以确定所述当前时刻的神经网络模型,包括:基于所述滤波误差,对上一时刻的第二参数进行更新,以确定当前时刻的第二参数。
其中,第一参数可以用V表示,第二参数可以用W表示,模型更新可以具体是更新W,而保持V不变。
具体地,基于神经网络和加速度误差确定控制量,以及,神经网络的更新过程,可以如下:
自适应控制模块,可以根据控制律和更新律,实现控制量的确定,以及模型更新。控制律和更新律可以是预先配置给自适应控制模块的。控制律和更新律的表达式可以如下:
控制律:
更新律:
针对模型参数(W、V),其中,V可以是固定不变的,W是可更新的,为更新后的W,即,可以根据上述的更新律进行W的更新。
初始化时,可以随机选择V;以及,将W初始化为某个设定值,比如全0值。
因此,基于上述的控制律和更新律,自适应控制模块可以确定当前时刻的控制量u,以及对神经网络的在线更新。
基于神经网络模型,可以实现对制动模型的逼近,基于逼近的制动模型以及加速度误差确定控制量,可以自适应调整控制量,实现加速度误差趋于0的控制目标,即,保证了实际加速度与期望加速度基本保持一致,进而保证驾驶平稳性,避免急刹等情况的发生。
基于滤波误差对上一时刻的神经网络模型进行更新,可以实现模型的在线更新,不需要离线训练模型。
通过保持第一参数不变,更新第二参数,可以实现神经网络更新,保证神经网络的精度且降低运算量。
504、基于所述当前时刻的控制量,控制所述车辆的驾驶行为,以获得当前时刻的实际状态量。
其中,自适应控制模块确定当前时刻的控制量u后,可以将u输入到底盘系统中,底盘系统基于控制量u控制车辆的驾驶行为,比如,基于控制量u执行制动操作。相应地,底盘系统执行制动操作后,可以输出当前时刻的实际状态量,比如,实际加速度acc_real。
获得当前时刻的实际状态量后,可以保存当前时刻的实际状态量,以便用于后续流程,比如,可以用于计算下一时刻的状态量误差。
因此,基于上述控制,可以使得实际状态量尽量与期望状态量一致。
以期望状态量基于MPC获得为例,针对MPC,期望状态量是尽量与参考信号保持一致,为此,结合MPC,本实施例的实际状态量将尽量与参考信号保持一致。
假设,实际状态量用实际加速度acc_real表示,参考信号用参考加速度acc_ref表示,如图7的上侧所示,相关技术中,由于没有针对加速度进行闭环处理,实际加速度会存在波动,大致在第4秒~第8秒之间存在波动。
而本实施例中,如图7的下侧所示,实际加速度基本与参考加速度一直保持一致,进而可以保证车辆驾驶的平稳性。
本实施例中,针对底盘系统的制动模型,获取车辆的当前时刻的期望加速度与上一时刻的实际加速度的加速度误差,可以将实际加速度作为反馈信号,实现加速度闭环;基于加速度误差和制动模型确定车辆的当前时刻的控制量,可以在确定控制量时引入制动模型因素,保证实际状态量与期望状态量基本相同,保证驾驶平稳性。制动模型采用神经网络模型,实现采用神经网络模型逼近制动模型,进而可以基于神经网络模型确定控制量。基于滤波误差更新神经网络模型,可以实现神经网络模型的在线更新,无需离线训练,降低运算量。因此,通过上述技术手段,可以实现车辆的平稳驾驶,降低急刹等操作,保证行车安全和用户体验,提高车辆控制效果。经过实验,急刹放大比例可以降低50%,急刹放大比如为无需急刹但实际上急刹的情况。不同于一般的自适应控制,本实施例采用了模型预测控制和自适应控制结合的双闭环控制策略,在模型预测控制的下层接入了自适应控制,保证了底盘的制动模型切换不影响上层模型预测控制,因此无需修改上层的模型预测控制。
图8是根据本公开第七实施例的示意图,本实施例提供一种车辆控制装置。如图8所示,该装置800包括:获取模块801、确定模块802和控制模块803。
获取模块801用于获取车辆的当前时刻的期望状态量与上一时刻的实际状态量之间的状态量误差;确定模块802用于基于所述状态量误差,以及,所述车辆的控制量与状态量误差之间的映射关系,确定所述车辆的当前时刻的控制量;控制模块803用于基于所述当前时刻的控制量,控制所述车辆的驾驶行为,以获得当前时刻的实际状态量。
本实施例中,基于当前时刻的期望状态量与上一时刻的实际状态量之间的状态量误差,以及车辆的控制量与状态量误差之间的映射关系,确定当前时刻的控制量,由于控制量的确定过程引入了上一时刻的实际状态量,即,实际状态量可以作为反馈信号用于控制量的确定,可以实现对控制量的自适应控制,避免实际状态量的波动,进而保证驾驶平稳性,保证行车安全和用户体验,提高车辆控制效果。
一些实施例中,所述映射关系为神经网络模型,所述确定模块802进一步用于:基于所述状态量误差,确定滤波误差以及输入数据;采用当前时刻的神经网络模型,对所述输入数据进行处理,以获得输出数据;
基于所述滤波误差和所述输出数据,确定所述车辆的当前时刻的控制量。
基于神经网络模型,可以实现对制动模型的逼近,基于逼近的制动模型以及加速度误差确定控制量,可以自适应调整控制量,实现加速度误差趋于0的控制目标,即,保证了实际加速度与期望加速度基本保持一致,进而保证驾驶平稳性,避免急刹等情况的发生。
一些实施例中,所述装置800还包括:更新模块,用于基于所述滤波误差,对上一时刻的神经网络模型进行更新,以确定所述当前时刻的神经网络模型。
基于滤波误差对上一时刻的神经网络模型进行更新,可以实现模型的在线更新,不需要离线训练模型。
一些实施例中,所述神经网络模型的模型参数包括第一参数和第二参数,所述第一参数为固定值,所述第二参数为可更新参数,所述更新模块进一步用于:基于所述滤波误差,对上一时刻的第二参数进行更新,以确定当前时刻的第二参数。
通过保持第一参数不变,更新第二参数,可以实现神经网络更新,保证神经网络的精度且降低运算量。
一些实施例中,所述装置800还包括:预测模块,用于基于模型预测控制MPC,获取所述车辆的当前时刻的期望状态量,所述当前时刻的期望状态量用于确定所述状态量误差。
不同于一般的自适应控制,本实施例采用了模型预测控制和自适应控制结合的双闭环控制策略,在模型预测控制的下层接入了自适应控制,保证了底盘的制动模型切换不影响上层模型预测控制,因此无需修改上层的模型预测控制。
可以理解的是,本公开实施例中,不同实施例中的相同或相似内容可以相互参考。
可以理解的是,本公开实施例中的“第一”、“第二”等只是用于区分,不表示重要程度高低、时序先后等。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
根据本公开的实施例,还提供了一种自动驾驶车辆,如图9所示,自动驾驶车辆900包括电子设备901。关于电子设备的说明可以参见后续实施例。
图10示出了可以用来实施本公开的实施例的示例电子设备1000的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图10所示,电子设备1000包括计算单元1001,其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序,来执行各种适当的动作和处理。在RAM 1003中,还可存储电子设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
电子设备1000中的多个部件连接至I/O接口1005,包括:输入单元1006,例如键盘、鼠标等;输出单元1007,例如各种类型的显示器、扬声器等;存储单元1008,例如磁盘、光盘等;以及通信单元1009,例如网卡、调制解调器、无线通信收发机等。通信单元1009允许电子设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理,例如车辆控制方法。例如,在一些实施例中,车辆控制方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1008。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到电子设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时,可以执行上文描述的车辆控制方法的一个或多个步骤。备选地,在其他实施例中,计算单元1001可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行车辆控制方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程地图数据采集装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (14)
1.一种车辆控制方法,包括:
获取车辆的当前时刻的期望状态量与上一时刻的实际状态量之间的状态量误差;
基于所述状态量误差,以及,所述车辆的控制量与状态量误差之间的映射关系,确定所述车辆的当前时刻的控制量;
基于所述当前时刻的控制量,控制所述车辆的驾驶行为,以获得当前时刻的实际状态量。
2.根据权利要求1所述的方法,其中,所述映射关系为神经网络模型,所述基于所述状态量误差,以及,所述车辆的控制量与状态量误差之间的映射关系,确定所述车辆的当前时刻的控制量,包括:
基于所述状态量误差,确定滤波误差以及输入数据;
采用当前时刻的神经网络模型,对所述输入数据进行处理,以获得输出数据;
基于所述滤波误差和所述输出数据,确定所述车辆的当前时刻的控制量。
3.根据权利要求2所述的方法,还包括:
基于所述滤波误差,对上一时刻的神经网络模型进行更新,以确定所述当前时刻的神经网络模型。
4.根据权利要求3所述的方法,其中,所述神经网络模型的模型参数包括第一参数和第二参数,所述第一参数为固定值,所述第二参数为可更新参数,所述基于所述滤波误差,对上一时刻的神经网络模型进行更新,以确定所述当前时刻的神经网络模型,包括:
基于所述滤波误差,对上一时刻的第二参数进行更新,以确定当前时刻的第二参数。
5.根据权利要求1-4任一项所述的方法,还包括:
基于模型预测控制MPC,获取所述车辆的当前时刻的期望状态量,所述当前时刻的期望状态量用于确定所述状态量误差。
6.一种车辆控制装置,包括:
获取模块,用于获取车辆的当前时刻的期望状态量与上一时刻的实际状态量之间的状态量误差;
确定模块,用于基于所述状态量误差,以及,所述车辆的控制量与状态量误差之间的映射关系,确定所述车辆的当前时刻的控制量;
控制模块,用于基于所述当前时刻的控制量,控制所述车辆的驾驶行为,以获得当前时刻的实际状态量。
7.根据权利要求6所述的装置,其中,所述映射关系为神经网络模型,所述确定模块进一步用于:
基于所述状态量误差,确定滤波误差以及输入数据;
采用当前时刻的神经网络模型,对所述输入数据进行处理,以获得输出数据;
基于所述滤波误差和所述输出数据,确定所述车辆的当前时刻的控制量。
8.根据权利要求7所述的装置,还包括:
更新模块,用于基于所述滤波误差,对上一时刻的神经网络模型进行更新,以确定所述当前时刻的神经网络模型。
9.根据权利要求8所述的装置,其中,所述神经网络模型的模型参数包括第一参数和第二参数,所述第一参数为固定值,所述第二参数为可更新参数,所述更新模块进一步用于:
基于所述滤波误差,对上一时刻的第二参数进行更新,以确定当前时刻的第二参数。
10.根据权利要求6-9任一项所述的装置,还包括:
预测模块,用于基于模型预测控制MPC,获取所述车辆的当前时刻的期望状态量,所述当前时刻的期望状态量用于确定所述状态量误差。
11.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-5中任一项所述的方法。
13.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-5中任一项所述的方法。
14.一种自动驾驶车辆,包括:如权利要求11所述的电子设备。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210208751.7A CN114684165B (zh) | 2022-03-04 | 2022-03-04 | 车辆控制方法、装置、设备、存储介质和自动驾驶车辆 |
EP23157664.6A EP4242772A1 (en) | 2022-03-04 | 2023-02-21 | Vehicle control method and apparatus, device, storage medium and autonomous vehicle |
US18/112,475 US20230278590A1 (en) | 2022-03-04 | 2023-02-21 | Vehicle control method and apparatus, device, storage medium and autonomous vehicle |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210208751.7A CN114684165B (zh) | 2022-03-04 | 2022-03-04 | 车辆控制方法、装置、设备、存储介质和自动驾驶车辆 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114684165A true CN114684165A (zh) | 2022-07-01 |
CN114684165B CN114684165B (zh) | 2023-03-24 |
Family
ID=82137197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210208751.7A Active CN114684165B (zh) | 2022-03-04 | 2022-03-04 | 车辆控制方法、装置、设备、存储介质和自动驾驶车辆 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230278590A1 (zh) |
EP (1) | EP4242772A1 (zh) |
CN (1) | CN114684165B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0835913A (ja) * | 1994-07-20 | 1996-02-06 | Horiba Ltd | 自動車自動運転ロボットの制御方法 |
US20140136455A1 (en) * | 2012-11-15 | 2014-05-15 | General Cybernation Group, Inc. | Self-Organizing Sensing and Actuation for Automatic Control |
CN104279069A (zh) * | 2013-07-09 | 2015-01-14 | 福特环球技术公司 | 用于非线性系统中的反馈误差学习的系统和方法 |
CN107264534A (zh) * | 2017-05-23 | 2017-10-20 | 北京理工大学 | 基于驾驶员经验模型的智能驾驶控制系统和方法、车辆 |
JP2019113926A (ja) * | 2017-12-21 | 2019-07-11 | 株式会社Ihi | モデル予測制御装置 |
CN113085858A (zh) * | 2021-04-27 | 2021-07-09 | 湖北文理学院 | 车辆速度跟踪控制方法、装置、设备及存储介质 |
CN113183975A (zh) * | 2021-05-28 | 2021-07-30 | 阿波罗智能技术(北京)有限公司 | 自动驾驶车辆的控制方法、装置、设备以及存储介质 |
CN113741199A (zh) * | 2021-09-16 | 2021-12-03 | 吉林大学 | 一种基于智能网联信息的整车经济性速度规划方法 |
CN113734182A (zh) * | 2020-05-29 | 2021-12-03 | 比亚迪股份有限公司 | 一种车辆自适应控制方法及其装置 |
US20210402898A1 (en) * | 2021-09-09 | 2021-12-30 | Intel Corporation | Methods and devices for a vehicle |
-
2022
- 2022-03-04 CN CN202210208751.7A patent/CN114684165B/zh active Active
-
2023
- 2023-02-21 US US18/112,475 patent/US20230278590A1/en active Pending
- 2023-02-21 EP EP23157664.6A patent/EP4242772A1/en active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0835913A (ja) * | 1994-07-20 | 1996-02-06 | Horiba Ltd | 自動車自動運転ロボットの制御方法 |
US20140136455A1 (en) * | 2012-11-15 | 2014-05-15 | General Cybernation Group, Inc. | Self-Organizing Sensing and Actuation for Automatic Control |
CN104279069A (zh) * | 2013-07-09 | 2015-01-14 | 福特环球技术公司 | 用于非线性系统中的反馈误差学习的系统和方法 |
CN107264534A (zh) * | 2017-05-23 | 2017-10-20 | 北京理工大学 | 基于驾驶员经验模型的智能驾驶控制系统和方法、车辆 |
JP2019113926A (ja) * | 2017-12-21 | 2019-07-11 | 株式会社Ihi | モデル予測制御装置 |
CN113734182A (zh) * | 2020-05-29 | 2021-12-03 | 比亚迪股份有限公司 | 一种车辆自适应控制方法及其装置 |
CN113085858A (zh) * | 2021-04-27 | 2021-07-09 | 湖北文理学院 | 车辆速度跟踪控制方法、装置、设备及存储介质 |
CN113183975A (zh) * | 2021-05-28 | 2021-07-30 | 阿波罗智能技术(北京)有限公司 | 自动驾驶车辆的控制方法、装置、设备以及存储介质 |
US20210402898A1 (en) * | 2021-09-09 | 2021-12-30 | Intel Corporation | Methods and devices for a vehicle |
CN113741199A (zh) * | 2021-09-16 | 2021-12-03 | 吉林大学 | 一种基于智能网联信息的整车经济性速度规划方法 |
Non-Patent Citations (2)
Title |
---|
朱茂飞: ""基于神经网络逆系统方法的汽车底盘解耦控制"", 《农业机械学报》 * |
胡骅: "《电动汽车》", 31 January 2012, 人民交通出版社 * |
Also Published As
Publication number | Publication date |
---|---|
US20230278590A1 (en) | 2023-09-07 |
EP4242772A1 (en) | 2023-09-13 |
CN114684165B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102609579B1 (ko) | 차량 제어 방법, 장치, 전자기기 및 차량 | |
JP7263415B2 (ja) | 車両シミュレーション方法、装置、機器及び媒体 | |
EP3910442A1 (en) | Method, apparatus, and device for training longitudinal dynamics model | |
CN113183975B (zh) | 自动驾驶车辆的控制方法、装置、设备以及存储介质 | |
CN114194217B (zh) | 车辆自动驾驶方法、装置、电子设备以及存储介质 | |
CN113071476A (zh) | 自主泊车的方法、装置、设备及自动驾驶车辆 | |
CN112578788A (zh) | 车辆避障二次规划方法、装置、设备和可读存储介质 | |
CN114987607B (zh) | 一种车辆的转向控制方法、装置、设备及存储介质 | |
US20230139187A1 (en) | Method and apparatus for determining information, electronic device and storage medium | |
CN113085842A (zh) | 车辆控制方法、装置及车辆 | |
CN113022588A (zh) | 自动驾驶车辆的控制系统、控制方法、设备以及存储介质 | |
CN114684165B (zh) | 车辆控制方法、装置、设备、存储介质和自动驾驶车辆 | |
CN114194155A (zh) | 车辆控制方法及装置、设备、介质和产品 | |
CN111923998A (zh) | 一种方向盘角度控制方法、装置、设备及存储介质 | |
CN116533990A (zh) | 一种车辆控制方法、装置、电子设备和存储介质 | |
CN115140101A (zh) | 车辆控制方法、装置、电子设备及车辆 | |
CN114115781A (zh) | 多媒体资源展示方法、装置、系统、设备及存储介质 | |
CN113715845A (zh) | 一种自动驾驶方法、装置及电子设备 | |
WO2020200433A1 (en) | An on-board control system for operating a vehicle | |
CN116534123B (zh) | 挂车横向控制方法、装置以及目标挂车 | |
CN116353686A (zh) | 一种车辆转向控制方法及其装置、存储介质、电子设备 | |
CN113753065A (zh) | 自动驾驶中远程控制车辆行驶的方法、设备和云端驾驶舱 | |
CN117184067A (zh) | 轨迹预测方法、装置、车辆及存储介质 | |
CN117022442A (zh) | 车辆横向控制方法、装置、设备、介质及程序产品 | |
CN114906162A (zh) | 自动驾驶方法、装置、设备以及存储介质 |
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 |