CN114834467A - 自动驾驶车辆的控制运行方法、装置及无人车 - Google Patents

自动驾驶车辆的控制运行方法、装置及无人车 Download PDF

Info

Publication number
CN114834467A
CN114834467A CN202210565536.2A CN202210565536A CN114834467A CN 114834467 A CN114834467 A CN 114834467A CN 202210565536 A CN202210565536 A CN 202210565536A CN 114834467 A CN114834467 A CN 114834467A
Authority
CN
China
Prior art keywords
constraint
automatic driving
control
driving vehicle
decomposition
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.)
Pending
Application number
CN202210565536.2A
Other languages
English (en)
Inventor
徐鑫
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 Jingdong Qianshi Technology Co Ltd
Original Assignee
Beijing Jingdong Qianshi 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 Jingdong Qianshi Technology Co Ltd filed Critical Beijing Jingdong Qianshi Technology Co Ltd
Priority to CN202210565536.2A priority Critical patent/CN114834467A/zh
Publication of CN114834467A publication Critical patent/CN114834467A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • B60W50/06—Improving the dynamic response of the control system, e.g. improving the speed of regulation or avoiding hunting or overshoot
    • 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
    • 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
    • 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
    • B60W2050/0019—Control system elements or transfer functions
    • 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
    • B60W50/06—Improving the dynamic response of the control system, e.g. improving the speed of regulation or avoiding hunting or overshoot
    • B60W2050/065—Improving the dynamic response of the control system, e.g. improving the speed of regulation or avoiding hunting or overshoot by reducing the computational load on the digital processor of the control computer

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Feedback Control In General (AREA)

Abstract

本申请公开了一种自动驾驶车辆的控制运行方法、装置及无人车。方法的一具体实施方式包括：在自动驾驶车辆的运行过程中，通过约束分解算法将自动驾驶车辆在当前时刻对应的目标函数和约束条件进行约束分解，其中，目标函数和约束条件用于确定自动驾驶车辆在未来时刻的控制序列；采用加速算法处理约束分解后的目标函数和约束条件的迭代计算过程，得到控制序列；通过控制序列中的第一个控制指令控制自动驾驶车辆下一时刻的运行。本申请提高了基于目标函数和约束条件得到控制序列的信息处理效率，满足了自动驾驶车辆的在线实时性需求。

Description

自动驾驶车辆的控制运行方法、装置及无人车
技术领域
本申请实施例涉及计算机技术领域，具体涉及自动驾驶技术，尤其涉及一种自动驾驶车辆的控制运行方法、装置、计算机可读介质、电子设备及无人车，可应用于自动驾驶场景中。
背景技术
在车联网技术和人工智能技术的支持下，自动驾驶技术得到快速发展。然而，现有的控制自动驾驶车辆运行的方法由于在线优化的计算负担大，难以满足车载控制器上的实时求解需求。
发明内容
本申请实施例提出了一种自动驾驶车辆的控制运行方法、装置、计算机可读介质、电子设备及无人车。
第一方面，本申请实施例提供了一种自动驾驶车辆的控制运行方法，包括：在自动驾驶车辆的运行过程中，通过约束分解算法将自动驾驶车辆在当前时刻对应的目标函数和约束条件进行约束分解，其中，目标函数和约束条件用于确定自动驾驶车辆在未来时刻的控制序列；采用加速算法处理约束分解后的目标函数和约束条件的迭代计算过程，得到控制序列；通过控制序列中的第一个控制指令控制自动驾驶车辆下一时刻的运行。
在一些实施例中，上述采用加速算法处理约束分解后的目标函数和约束条件的迭代计算过程，得到控制序列，包括：将采用交替方向乘子法求解约束分解后的目标函数和约束条件的过程，转化为不动点迭代形式；采用加速算法处理不动点迭代形式对应的迭代计算过程，得到控制序列。
在一些实施例中，上述通过约束分解算法将自动驾驶车辆在当前时刻对应的目标函数和约束条件进行约束分解，包括：将约束条件中的变量作为局部变量，在约束条件中加入局部变量对应的全局变量；基于全局变量和局部变量，将约束条件分解为局部变量对应的等式约束和全局变量对应的不等式约束；通过对偶变量表征局部变量和全局变量之间的共识约束。
在一些实施例中，约束条件包括：对控制自动驾驶车辆运行的控制变量的约束条件，和对表征自动驾驶车辆在未来时刻运行后的状态信息的状态变量的约束条件。
在一些实施例中，约束条件包括：对控制自动驾驶车辆运行的控制变量的约束条件。
在一些实施例中，上述方法还包括：通过预测模型，根据自动驾驶车辆在当前时刻的实际状态信息和控制序列，预测自动驾驶车辆在未来时刻的状态信息序列；以及上述采用加速算法处理约束分解后的目标函数和约束条件的迭代计算过程，得到控制序列，包括：基于当前时刻的状态信息序列，采用加速算法处理约束分解后的目标函数和约束条件的迭代计算过程，得到控制序列。
在一些实施例中，上述方法还包括：确定自动驾驶车辆根据第一个控制指令运行后的、下一时刻的实际状态信息；根据下一时刻的实际状态信息和状态信息序列更新预测模型。
第二方面，本申请实施例提供了一种自动驾驶车辆的控制运行装置，包括：约束分解单元，被配置成在自动驾驶车辆的运行过程中，通过约束分解算法将自动驾驶车辆在当前时刻对应的目标函数和约束条件进行约束分解，其中，目标函数和约束条件用于确定自动驾驶车辆在未来时刻的控制序列；加速单元，被配置成采用加速算法处理约束分解后的目标函数和约束条件的迭代计算过程，得到控制序列；控制单元，被配置成通过控制序列中的第一个控制指令控制自动驾驶车辆下一时刻的运行。
在一些实施例中，加速单元，进一步被配置成：将采用交替方向乘子法求解约束分解后的目标函数和约束条件的过程，转化为不动点迭代形式；采用加速算法处理不动点迭代形式对应的迭代计算过程，得到控制序列。
在一些实施例中，约束分解单元，进一步被配置成：将约束条件中的变量作为局部变量，在约束条件中加入局部变量对应的全局变量；基于全局变量和局部变量，将约束条件分解为局部变量对应的等式约束和全局变量对应的不等式约束；通过对偶变量表征局部变量和全局变量之间的共识约束。
在一些实施例中，约束条件包括：对控制自动驾驶车辆运行的控制变量的约束条件，和对表征自动驾驶车辆在未来时刻运行后的状态信息的状态变量的约束条件。
在一些实施例中，约束条件包括：对控制自动驾驶车辆运行的控制变量的约束条件。
在一些实施例中，上述装置还包括：预测单元，被配置成通过预测模型，根据自动驾驶车辆在当前时刻的实际状态信息和控制序列，预测自动驾驶车辆在未来时刻的状态信息序列；以及加速单元，进一步被配置成：基于当前时刻的状态信息序列，采用加速算法处理约束分解后的目标函数和约束条件的迭代计算过程，得到控制序列。
在一些实施例中，上述装置还包括：更新单元，被配置成：确定自动驾驶车辆根据第一个控制指令运行后的、下一时刻的实际状态信息；根据下一时刻的实际状态信息和状态信息序列更新预测模型。
第三方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面任一实现方式描述的方法。
第四方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面任一实现方式描述的方法。
第五方面，本申请实施例提供了一种无人车，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得一个或多个处理器实现如第一方面任一实现方式描述的方法。
本申请实施例提供的自动驾驶车辆的控制运行方法、装置及无人车，通过在自动驾驶车辆的运行过程中，通过约束分解算法将自动驾驶车辆在当前时刻对应的目标函数和约束条件进行约束分解，其中，目标函数和约束条件用于确定自动驾驶车辆在未来时刻的控制序列；采用加速算法处理约束分解后的目标函数和约束条件的迭代计算过程，得到控制序列；通过控制序列中的第一个控制指令控制自动驾驶车辆下一时刻的运行，从而提高了基于目标函数和约束条件得到控制序列的信息处理效率，满足了自动驾驶车辆的在线实时性需求。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本申请自动驾驶车辆的控制运行方法的一个实施例的流程图；
图3是包括控制变量约束和状态变量约束的约束分解算法的示意图；
图4是包括控制变量约束约束分解算法的示意图；
图5是根据本实施例的自动驾驶车辆的控制运行方法的应用场景的示意图；
图6是根据本申请的自动驾驶车辆的控制运行方法的又一个实施例的流程图；
图7是根据本申请的自动驾驶车辆的控制运行装置的一个实施例的结构图；
图8是适于用来实现本申请实施例的计算机系统的结构示意图；
图9是根据本申请的无人车的系统架构示意图；
图10是根据本申请的无人车的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的自动驾驶车辆的控制运行方法及装置的示例性架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。终端设备101、102、103之间通信连接构成拓扑网络，网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103可以是支持网络连接从而进行数据交互和数据处理的硬件设备或软件。当终端设备101、102、103为硬件时，其可以是支持网络连接，信息获取、交互、显示、处理等功能的各种电子设备，包括但不限于车载电脑、智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如根据终端设备101、102、103获取的自动驾驶车辆的状态信息，基于自动驾驶车辆在当前时刻对应的目标函数和约束条件确定自动驾驶车辆的控制指令的后台处理服务器。可选的，服务器可以将控制指令发送至自动驾驶车辆以控制其运行。作为示例，服务器105可以是云端服务器。
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
还需要说明的是，本申请的实施例所提供的自动驾驶车辆的控制运行方法可以由服务器执行，也可以由终端设备执行，还可以由服务器和终端设备彼此配合执行。相应地，自动驾驶车辆的控制运行装置包括的各个部分(例如各个单元)可以全部设置于服务器中，也可以全部设置于终端设备中，还可以分别设置于服务器和终端设备中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。当自动驾驶车辆的控制运行方法运行于其上的电子设备不需要与其他电子设备进行数据传输时，该系统架构可以仅包括自动驾驶车辆的控制运行方法运行于其上的电子设备(例如服务器或终端设备)。
继续参考图2，示出了自动驾驶车辆的控制运行方法的一个实施例的流程200，包括以下步骤：
步骤201，在自动驾驶车辆的运行过程中，通过约束分解算法将自动驾驶车辆在当前时刻对应的目标函数和约束条件进行约束分解。
本实施例中，自动驾驶车辆的控制运行方法的执行主体(例如图1中的终端设备或服务器)可以在自动驾驶车辆的运行过程中，实时确定自动驾驶车辆在当前时刻对应的目标函数和约束条件，并通过约束分解算法将自动驾驶车辆在当前时刻对应的目标函数和约束条件进行约束分解。
其中，目标函数和约束条件用于确定自动驾驶车辆在未来时刻的控制序列。具体的，在约束条件的约束下，确定目标函数的最优解，以将最优解确定为自动驾驶车辆的控制序列。
作为示例，约束条件可以是基于自动驾驶车辆的机动性能、自动驾驶车辆与周围环境的状态信息、驾驶安全性、驾驶舒适性等实际情况确定的约束条件。
在本实施例的一些可选的实现方式中，约束条件包括：对控制自动驾驶车辆运行的控制变量的约束条件，和对表征自动驾驶车辆在未来时刻运行后的状态信息的状态变量的约束条件。
在本实施例的一些可选的实现方式中，约束条件包括：对控制自动驾驶车辆运行的控制变量的约束条件。
在自动驾驶领域中，一般情况下，约束条件包括控制变量对应的约束条件和状态变量对应的约束条件；但是，有些控制优化问题，只需要考虑控制变量对应的约束即可控制自动驾驶车辆。
对于自动驾驶车辆而言，约束条件往往错综负责，从而使得受约束条件约束的目标函数在迭代计算过程中的计算量较大，确定最优解的收敛过程速度较慢。
通过将约束条件进行约束分解，可以将不同类型的约束条件进行分解，使得目标函数在迭代计算过程中依据实际情况确定约束条件，有助于提高目标函数的迭代计算过程的计算速度。作为示例，上述执行主体可以将约束条件分解为等式约束和不等式约束。
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述步骤201：首先，将约束条件中的变量作为局部变量，在约束条件中加入局部变量对应的全局变量；然后，基于全局变量和局部变量，将约束条件分解为局部变量对应的等式约束和全局变量对应的不等式约束；最后，通过对偶变量表征局部变量和全局变量之间的共识约束。
作为示例，考虑一个典型的线性离散系统下的模型预测控制问题，其表达式如下：
Figure BDA0003649560790000071
s.t.xt+1＝Atxt+Btut，t＝1，…，N (2)
x1＝xinit (3)
Figure BDA0003649560790000072
其中，公式(1)表示目标函数，公式(2)(3)(4)表示约束条件。具体的，N为预测时域，状态变量
Figure BDA0003649560790000073
控制变量
Figure BDA0003649560790000074
权重矩阵
Figure BDA0003649560790000075
系统状态系数矩阵和控制系数矩阵分别为
Figure BDA0003649560790000076
约束条件集合
Figure BDA0003649560790000077
约束分解模型预测控制的核心思想是，通过将原来的二次规划问题分解成两部分，分别是只考虑目标函数以及等式约束的二次规划问题，以及只考虑单个时域内的状态变量和控制变量的不等式约束的小规模问题。将约束条件分解之后，包含初始时刻状态约束(3)和系统动力学引起的等式约束(2)的二次规划问题可以通过KKT(Karush-Kuhn-Tucker，卡罗需-库恩-塔克条件)条件求出其解析解。而只考虑单个时域内的状态变量及控制变量的不等式约束的问题可以通过投影或者多参数二次规划方法计算得到。此外，由于不同时域的不等式约束之间没有耦合关系，可以通过并行的方式计算获得，减少计算开销。
为了完成对公式(1)-(4)表征的原问题在约束上的解耦，本实施例引入了全局变量。该全局变量实际上只是对局部变量(状态变量和控制变量)的复制。从而使得局部变量负责求解考虑目标函数及初始时刻的状态约束和系统动力学引入的等式约束的子问题，全局变量负责求解所需满足的不等式约束。因此，上述公式(1)-(4)可以改写为以下形式：
Figure BDA0003649560790000081
s.t.xt+1＝Atxt+Btut，t＝1，…，N (6)
x1＝xinit (7)
Figure BDA0003649560790000082
Figure BDA0003649560790000083
Figure BDA0003649560790000084
其中，公式(5)表示目标函数，公式(6)-(10)表示约束条件。具体的，下标t表示时间，通过引入全局变量
Figure BDA0003649560790000085
实现对原问题的解耦，使得局部变量(x，u)负责求解包含目标函数(5)以及等式约束(6)(7)的子问题，而
Figure BDA0003649560790000086
负责求解不等式约束(8)。由于x1是定值，而且令uN+1的系数RN+1为0，因此，虽然该问题的数学描述形式有所变化，但是依然与原问题的数学形式(1)-(4)等价。上述公式(9)和(10)表示了局部变量和全局变量之间的共识约束关系。
继续参考图3，示出了包括控制变量约束和状态变量约束的约束分解算法的核心思想。
自动驾驶领域中的有些控制优化问题，只需要考虑控制变量约束即可满足控制目标。在这种情况下，由于共识约束数量减少(即由之前状态变量和控制变量均需达成共识，压缩为仅需控制变量达成共识)，因此使得达到收敛所需的选代步数也相应减少。
此时，原来只考虑控制约束的模型预测控制问题(1)-(4)可以改写为以下形式：
Figure BDA0003649560790000091
s.t.xt+1＝Atxt+Btut，t＝1，…，N (6’)
x1＝xinit (7’)
Figure BDA0003649560790000092
Figure BDA0003649560790000093
其中，下标t表示时间，通过引入变量
Figure BDA0003649560790000094
实现对只考虑控制变量约束的控制问题进行解耦，使得
Figure BDA0003649560790000095
负责求解包含目标函数以及等式约束的子问题，而
Figure BDA0003649560790000096
负责求解不等式约束。上述公式(9’)表示了局部变量和全局变量之间的共识约束关系。
继续参考图4，示出了只包括控制变量约束的约束分解算法的核心思想。
步骤202，采用加速算法处理约束分解后的目标函数和约束条件的迭代计算过程，得到控制序列。
本实施例中，上述执行主体可以采用加速算法处理约束分解后的目标函数和约束条件的迭代计算过程，得到控制序列。
在对目标函数和约束条件进行约束分解之后，上述执行主体采用加速算法，对基于约束分解后的目标函数的迭代计算过程进行加速，以进一步提高迭代计算过程的收敛速度。
其中，加速算法可以是能够加快迭代计算过程的收敛速度的任意加速算法。作为示例，加速算法可以是z加速法、拟牛顿法。
控制序列中包括多个控制指令，控制指令的数量可以根据目标函数在求解过程中的预测时域确定。
在本实施的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述步骤202：
首先，将采用交替方向乘子法求解约束分解后的目标函数和约束条件的过程，转化为不动点迭代形式；然后，采用加速算法处理不动点迭代形式对应的迭代计算过程，得到控制序列。
约束分解算法的更新过程具体如下：
通过引入全局变量完成对原问题的约束分解之后，可以通过交替方向乘子法求解共识优化问题。为此，定义集合如下：
Figure BDA0003649560790000101
该集合表示满足系统动力学等式约束(6)和初始时刻状态约束(7)的状态变量、控制变量对。用
Figure BDA0003649560790000102
表示集合
Figure BDA0003649560790000103
的指示函数，即状态变量控制变量对在集合
Figure BDA0003649560790000104
内，则指示函数为0，否则指示函数的值为+∞。
此外，将目标函数(5)用φ(x，u)表示，将不等式约束(8)用
Figure BDA0003649560790000105
表示。借助上述定义的公式，引入算子分裂方法之后的上述问题的数学表达式(5)-(10)可以写成如下形式：
Figure BDA0003649560790000106
Figure BDA0003649560790000107
此外，为了解决局部变量和全局变量之间存在的共识约束，引入了对偶变量ω和λ:
ωt相关的共识约束为：
Figure BDA0003649560790000108
t＝1，…，N+1
λt相关的共识约束为：
Figure BDA0003649560790000109
t＝1，…，N+1
与此同时，为了使约束分解模型预测控制符号体系保持简洁，定义局部变量为X、全局变量z和对偶变量y如下:
Figure BDA00036495607900001010
Figure BDA00036495607900001011
Figure BDA00036495607900001012
上述公式(11)-(12)已经改写为适合交替方向乘子法优化求解的结构，因此，给出交替方向乘子法的增广拉格朗日函数形式:
Figure BDA00036495607900001013
得到增广拉格朗日函数之后，首先对局部变量X进行优化，其可以用线性等式约束二次规划问题表示为如下公式：
Figure BDA0003649560790000111
s.t.AeqX＝beq (15)
其中，二次规划问题各项表示如下：
Figure BDA0003649560790000112
Figure BDA0003649560790000113
Figure BDA0003649560790000114
其中，Qn为权重矩阵Q中的权重，Rn为权重矩阵R中的权重，I为单位矩阵。
由于该二次优化问题只有等式约束，因此能够借助于矩阵结构，直接求出解析解。对于上述二次规划问题，最优性的充分和必要条件可以通过如下公式表示：
Figure BDA0003649560790000115
其中，v是与等式约束相关联的对偶变量。由于ρ>0，所以H是正定矩阵，且由于Aeq满秩，因此KKT系数矩阵是可逆的。由于每一次迭代都需要求解该二次规划问题，其中，只有f是变化的，因此可以获得其关于f的解析解。针对上述公式(16)，可以用LDLT分解法进行求解，将KKT系数矩阵分解如下:
Figure BDA0003649560790000116
其中，矩阵P是置换矩阵，矩阵L为一下三角单位阵(即主对角线上的元素皆为1)，而矩阵D则为分块对角矩阵(为1×1或2×2的对角块，且除对角块的其余元素均为0)。置换矩阵P的选择取决于KKT矩阵的结构，目的是为了使得矩阵L有较少的非零因子以及使得分解更加稳定。因此，上述公式(16)能够通过以下公式求解:
Figure BDA0003649560790000121
在求解线性等式约束二次规划问题，每一次迭代优化过程中，KKT系数矩阵是不变的，整个优化函数中只有一次项f在变化，因此可以提前离线计算并存储矩阵P、L和D-1，之后每一步只需要计算上述公式(17)即可。
在完成对局部变量X的更新之后，约束分解算法需要对全局变量z进行更新，其更新公式如下：
Figure BDA0003649560790000122
由于不同时刻的约束之间没有耦合关系，因此N+1个子问题可以并行求解；此外，如果状态变量约束和控制变量约束之间也没有耦合关系，那么可以针对状态和控制变量进一步解耦，降低该优化问题的求解复杂度。该N+1个子问题的优化，由于其维度n+m较小，因此能够用多参数二次规划方法进行求解，以减小在线优化所需的计算时间。
完成了针对局部变量X和全局变量z的更新优化之后，通过下面的公式更新对偶变量y:
yk+1＝yk+ρ(Xk+1-zk+1) (19)
约束分解算法在完成各变量的更新之后，需要设定合适的迭代收敛准则，使得变量在满足一定精度要求之后停止继续迭代。本算法迭代终止条件具体公式如下：
Figure BDA0003649560790000123
Figure BDA0003649560790000124
其中，∈pri、∈abs、∈rel、∈dual分别表示之前的误差变量、误差变量的绝对值、对偶误差变量、真实的误差变量。
基于上述约束分解的更新过程，可以进行迭代过程加速策略。
具体的，约束分解模型预测控制算法，依然是利用一阶优化方法进行迭代求解，由于更新时只能够利用待优化函数的梯度信息，因此导致该算法收敛迭代的速度较慢。本实现方式中，将采用加速方法(例如，一种拟牛顿法)，通过提取过去迭代点中保存的信息，加快约束分解模型预测控制算法的迭代收敛速度，从而解决约束分解算法收敛速度慢的问题。
首先将用于求解约束分解算法的交替方向乘子法转化为不动点迭代形式，紧接着将加速方法应用到该不动点迭代形式，以达到加速算法迭代收敛速度的目的。由于全局变量z更新时，需要确保其满足不等式约束，然而前M个满足该不等式约束的迭代变量的加权值无法保证一定满足约束，因此为了成功应用加速算法，需要对交替方向乘子法的更新优化顺序做改变。
已知标准交替方向乘子法首先更新局部变量X，然后更新全局变量z，最后更新对偶变量y。而针对约束分解算法，需要首先更新全局变量z，然后更新局部变量X，最后更新对偶变量y。需要说明的是，改变交替方向乘子法的更新优化顺序，在某些问题上也能实现加速收敛的效果。虽然局部变量X包含等式约束，但是由于加速算法中，前M个迭代变量的加权系数和为1，该加权值依然满足等式约束，因此可以将局部变量和对偶变量作为不动点迭代的优化变量，以利用迭代形式可以写成以下形式：
Figure BDA0003649560790000131
yk+1：＝yk+ρ(g(Xk，yk)-Xk+1) (22)
其中，函数g(·)用于计算被视作中间变量的全局变量z。因此，在变量X，y的更新不包含约束时，交替方向乘子法的更新可以用不动点迭代形式表示
(Xk+1，yk+1)＝FADMM(Xk，yk)
完成交替方向乘子法的不动点迭代形式的转化之后，完成加速约束分解模型预测控制算法。虽然约束分解算法中，局部变量X的更新，是通过集中求解等式约束二次规划问题获得的，但是由于局部变量在物理意义上依然可以分离成N+1个状态控制变量对，所以利用加速算法时，依然可以通过并行的方式，获得每一个状态控制变量新的加权值。
步骤203，通过控制序列中的第一个控制指令控制自动驾驶车辆下一时刻的运行。
本实施例中，上述执行主体可以通过控制序列中的第一个控制指令控制自动驾驶车辆下一时刻的运行。
控制序列中包括按照时间顺序排列的多个控制指令，每个控制指令对应于自动驾驶性车辆在未来的一个时刻。本实施例中，只通过控制序列中的第一个控制指令控制自动驾驶车辆下一时刻的运行，并在完成下一时刻的控制之后，在下一时刻继续执行上述步骤201-203的信息处理过程，以循环得到自动驾驶车辆在每一时刻的控制指令。
继续参见图5，图5是根据本实施例的自动驾驶车辆的控制运行方法的应用场景的一个示意图500。在图5的应用场景中，自动驾驶车辆501实时将自身的运动控制信息和周围环境信息发送至服务器502。在自动驾驶车辆的运行过程中，服务器首先通过约束分解算法将自动驾驶车辆在当前时刻对应的目标函数和约束条件进行约束分解。其中，目标函数和约束条件用于确定自动驾驶车辆在未来时刻的控制序列。然后，采用加速算法处理约束分解后的目标函数和约束条件的迭代计算过程，得到控制序列。最后，通过控制序列中的第一个控制指令控制自动驾驶车辆下一时刻的运行。通过训练执行上述控制过程，完成自动驾驶车辆的整个运行过程的控制。
本申请的上述实施例提供的方法，通过在自动驾驶车辆的运行过程中，通过约束分解算法将自动驾驶车辆在当前时刻对应的目标函数和约束条件进行约束分解，其中，目标函数和约束条件用于确定自动驾驶车辆在未来时刻的控制序列；采用加速算法处理约束分解后的目标函数和约束条件的迭代计算过程，得到控制序列；通过控制序列中的第一个控制指令控制自动驾驶车辆下一时刻的运行，从而提高了基于目标函数和约束条件得到控制序列的信息处理效率，满足了自动驾驶车辆的在线实时性需求。
在本实施例的一些可选的实现方式中，上述执行主体可以执行如下操作：通过预测模型，根据自动驾驶车辆在当前时刻的实际状态信息和控制序列，预测自动驾驶车辆在未来时刻的状态信息序列。
预测模型可以采用具有预测功能的神经网络模型，用于表征自动驾驶车辆在当前时刻的实际状态信息、控制序列和自动驾驶车辆在未来时刻的状态信息序列之间的对应关系。例如，预测模型可以采用循环卷积网络。
本实现方式中，上述执行主体可以通过如下方式执行上述步骤202：基于当前时刻的状态信息序列，采用加速算法处理约束分解后的目标函数和约束条件的迭代计算过程，得到控制序列。
约束条件在采用预测模型得到的状态信息序列的情况下，使得目标函数的求解过程具有更准确的约束条件，提高了基于目标函数得到的控制序列的准确度，提高了自己动驾驶车辆的运行过程的安全性。
在本实施例的一些可选的实现方式，上述执行主体还可以执行如下操作：首先，确定自动驾驶车辆根据第一个控制指令运行后的、下一时刻的实际状态信息；然后，根据下一时刻的实际状态信息和状态信息序列更新预测模型。
随着时间的流逝，上述执行主体可以确定当前时刻的下一时刻来临时，自动驾驶车辆根据当前时刻对应的控制序列中的第一个控制指令运行后的实际状态信息。
作为示例，当前时刻对应的状态信息序列中包括对于未来时刻的状态信息的预测结果，在下一时刻确定实际状态信息之后，可以确定两者之间的损失，进而根据损失信息更新预测模型。
本实现方式中，基于对预测模型的更新，提高了预测模型的准确度，进而进一步调高了自动驾驶车辆的运行安全性。
继续参考图6，示出了根据本申请的自动驾驶车辆的控制运行方法的一个实施例的示意性流程600，包括如下步骤：
步骤601，在自动驾驶车辆的运行过程中，基于当前时刻的状态信息序列，通过约束分解算法将自动驾驶车辆在当前时刻对应的目标函数和约束条件进行约束分解。
其中，目标函数和约束条件用于确定自动驾驶车辆在未来时刻的控制序列。
步骤602，将采用交替方向乘子法求解约束分解后的目标函数和约束条件的过程，转化为不动点迭代形式。
步骤603，采用加速算法处理不动点迭代形式对应的迭代计算过程，得到控制序列。
步骤604，通过控制序列中的第一个控制指令控制自动驾驶车辆下一时刻的运行。
步骤605，确定自动驾驶车辆根据第一个控制指令运行后的、下一时刻的实际状态信息；
步骤606，通过预测模型，根据自动驾驶车辆在当前时刻的实际状态信息和控制序列，预测自动驾驶车辆在未来时刻的状态信息序列。
步骤607，根据下一时刻的实际状态信息和状态信息序列更新预测模型。
通过循环执行上述步骤601-607，可以确定自动驾驶车辆在每一时刻的控制指令，以控制自动驾驶车辆的运行。
从本实施例中可以看出，与图2对应的实施例相比，本实施例中的自动驾驶车辆的控制运行方法的流程600具体说明了模型预测控制算法的信息处理过程，以及迭代计算过程的加速，在保证驾驶安全性的基础上，提高了基于目标函数和约束条件得到控制序列的信息处理效率，满足了自动驾驶车辆的在线实时性需求。
继续参考图7，作为对上述各图所示方法的实现，本申请提供了一种自动驾驶车辆的控制运行装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图7所示，自动驾驶车辆的控制运行装置包括：约束分解单元701，被配置成在自动驾驶车辆的运行过程中，通过约束分解算法将自动驾驶车辆在当前时刻对应的目标函数和约束条件进行约束分解，其中，目标函数和约束条件用于确定自动驾驶车辆在未来时刻的控制序列；加速单元702，被配置成采用加速算法处理约束分解后的目标函数和约束条件的迭代计算过程，得到控制序列；控制单元703，被配置成通过控制序列中的第一个控制指令控制自动驾驶车辆下一时刻的运行。
在本实施例的一些可选的实现方式中，加速单元702进一步被配置成：将采用交替方向乘子法求解约束分解后的目标函数和约束条件的过程，转化为不动点迭代形式；采用加速算法处理不动点迭代形式对应的迭代计算过程，得到控制序列。
在本实施例的一些可选的实现方式中，约束分解单元701进一步被配置成：将约束条件中的变量作为局部变量，在约束条件中加入局部变量对应的全局变量；基于全局变量和局部变量，将约束条件分解为局部变量对应的等式约束和全局变量对应的不等式约束；通过对偶变量表征局部变量和全局变量之间的共识约束。
在本实施例的一些可选的实现方式中，约束条件包括：对控制自动驾驶车辆运行的控制变量的约束条件，和对表征自动驾驶车辆在未来时刻运行后的状态信息的状态变量的约束条件。
在本实施例的一些可选的实现方式中，约束条件包括：对控制自动驾驶车辆运行的控制变量的约束条件。
在本实施例的一些可选的实现方式中，上述装置还包括：预测单元(图中未示出)，被配置成通过预测模型，根据自动驾驶车辆在当前时刻的实际状态信息和控制序列，预测自动驾驶车辆在未来时刻的状态信息序列；以及加速单元，进一步被配置成：基于当前时刻的状态信息序列，采用加速算法处理约束分解后的目标函数和约束条件的迭代计算过程，得到控制序列。
在本实施例的一些可选的实现方式中，上述装置还包括：更新单元(图中未示出)，被配置成：确定自动驾驶车辆根据第一个控制指令运行后的、下一时刻的实际状态信息；根据下一时刻的实际状态信息和状态信息序列更新预测模型。
本实施例中，自动驾驶车辆的控制运行装置中的约束分解单元在自动驾驶车辆的运行过程中，通过约束分解算法将自动驾驶车辆在当前时刻对应的目标函数和约束条件进行约束分解，其中，目标函数和约束条件用于确定自动驾驶车辆在未来时刻的控制序列；加速单元采用加速算法处理约束分解后的目标函数和约束条件的迭代计算过程，得到控制序列；控制单元通过控制序列中的第一个控制指令控制自动驾驶车辆下一时刻的运行，从而提高了基于目标函数和约束条件得到控制序列的信息处理效率，满足了自动驾驶车辆的在线实时性需求。
下面参考图8，其示出了适于用来实现本申请实施例的设备(例如图1所示的设备101、102、103、105)的计算机系统800的结构示意图。图8示出的设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示，计算机系统800包括处理器(例如CPU，中央处理器)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM803中，还存储有系统800操作所需的各种程序和数据。处理器801、ROM802以及RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被处理器801执行时，执行本申请的方法中限定的上述功能。
需要说明的是，本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，程序设计语言包括面向目标的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在客户计算机上执行、部分地在客户计算机上执行、作为一个独立的软件包执行、部分在客户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到客户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器，包括约束分解单元、加速单元和控制单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，加速单元还可以被描述为“采用加速算法处理约束分解后的目标函数和约束条件的迭代计算过程，得到控制序列的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该计算机设备：在自动驾驶车辆的运行过程中，通过约束分解算法将自动驾驶车辆在当前时刻对应的目标函数和约束条件进行约束分解，其中，目标函数和约束条件用于确定自动驾驶车辆在未来时刻的控制序列；采用加速算法处理约束分解后的目标函数和约束条件的迭代计算过程，得到控制序列；通过控制序列中的第一个控制指令控制自动驾驶车辆下一时刻的运行。
继续参考图9，示出了本申请的无人车的系统架构示意图900。本示例中，以无人车为无人配送车为例进行示意性说明，但并不限定无人车的类型。例如，无人车还可以是无人驾驶出租车、无人驾驶公交、无人驾驶巡检车、无人驾驶作业车。
如附图9所示，无人车900主要包括底盘模块901、自动驾驶模块902、货箱模块903和远程监控推流模块904四部分。自动驾驶模块包括核心处理单元(Orin或Xavier模组)、红绿灯识别相机、前后左右环视相机、多线激光雷达、定位模块(如北斗、GPS等)、惯性导航单元。相机与自动驾驶模块之间可进行通信，为了提高传输速度、减少线束，可采用GMSL链路通信。底盘模块主要包括电池、电源管理装置、底盘控制器、电机驱动器、动力电机。电池为整个无人车系统提供电源，电源管理装置将电池输出转换为可供各功能模块使用的不同电平电压，并控制上下电。底盘控制器接受自动驾驶模块下发的运动指令，控制无人车转向、前进、后退、刹车等。远程监控推流模块由前监控相机、后监控相机、左监控相机、右监控相机和推流模块构成，该模块将监控相机采集的视频数据传输到后台服务器，供后台操作人员查看。无线通讯模块通过天线与后台服务器进行通信，可实现后台操作人员对无人车的远程控制。货箱模块为无人车的货物承载装置，货箱模块上还设置有显示交互模块，显示交互模块用于无人车与用户交互，用户可通过显示交互模块进行如取件、寄存、购买货物等操作。货箱的类型可根据实际需求进行更换，如在物流场景中，货箱可以包括多个不同大小的子箱体，子箱体可用于装载货物进行配送。在零售场景中，货箱可以设置成透明箱体，以便于用户直观看到待售产品。
继续参考图10，示出了本申请的无人车的结构示意图1000。具体的，自动驾驶模块中的核心处理单元套件，例如各种处理器，可以执行上述实施例200、600所示的方法。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (11)

1.一种自动驾驶车辆的控制运行方法，包括：
在自动驾驶车辆的运行过程中，通过约束分解算法将所述自动驾驶车辆在当前时刻对应的目标函数和约束条件进行约束分解，其中，所述目标函数和所述约束条件用于确定所述自动驾驶车辆在未来时刻的控制序列；
采用加速算法处理约束分解后的目标函数和约束条件的迭代计算过程，得到所述控制序列；
通过所述控制序列中的第一个控制指令控制所述自动驾驶车辆下一时刻的运行。
2.根据权利要求1所述的方法，其中，所述采用加速算法处理约束分解后的目标函数和约束条件的迭代计算过程，得到所述控制序列，包括：
将采用交替方向乘子法求解约束分解后的目标函数和约束条件的过程，转化为不动点迭代形式；
采用所述加速算法处理所述不动点迭代形式对应的迭代计算过程，得到所述控制序列。
3.根据权利要求1所述的方法，其中，所述通过约束分解算法将所述自动驾驶车辆在当前时刻对应的目标函数和约束条件进行约束分解，包括：
将所述约束条件中的变量作为局部变量，在所述约束条件中加入所述局部变量对应的全局变量；
基于所述全局变量和所述局部变量，将所述约束条件分解为所述局部变量对应的等式约束和所述全局变量对应的不等式约束；
通过对偶变量表征所述局部变量和所述全局变量之间的共识约束。
4.根据权利要求1所述的方法，其中，所述约束条件包括：对控制所述自动驾驶车辆运行的控制变量的约束条件，和对表征所述自动驾驶车辆在未来时刻运行后的状态信息的状态变量的约束条件。
5.根据权利要求1所述的方法，其中，所述约束条件包括：对控制所述自动驾驶车辆运行的控制变量的约束条件。
6.根据权利要求4所述的方法，其中，还包括：
通过预测模型，根据所述自动驾驶车辆在当前时刻的实际状态信息和所述控制序列，预测所述自动驾驶车辆在未来时刻的状态信息序列；以及
所述采用加速算法处理约束分解后的目标函数和约束条件的迭代计算过程，得到所述控制序列，包括：
基于当前时刻的状态信息序列，采用所述加速算法处理约束分解后的目标函数和约束条件的迭代计算过程，得到所述控制序列。
7.根据权利要求6所述的方法，其中，还包括：
确定所述自动驾驶车辆根据所述第一个控制指令运行后的、下一时刻的实际状态信息；
根据所述下一时刻的实际状态信息和所述状态信息序列更新所述预测模型。
8.一种自动驾驶车辆的控制运行装置，包括：
约束分解单元，被配置成在自动驾驶车辆的运行过程中，通过约束分解算法将所述自动驾驶车辆在当前时刻对应的目标函数和约束条件进行约束分解，其中，所述目标函数和所述约束条件用于确定所述自动驾驶车辆在未来时刻的控制序列；
加速单元，被配置成采用加速算法处理约束分解后的目标函数和约束条件的迭代计算过程，得到所述控制序列；
控制单元，被配置成通过所述控制序列中的第一个控制指令控制所述自动驾驶车辆下一时刻的运行。
9.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
10.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
11.一种无人车，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
CN202210565536.2A 2022-05-18 2022-05-18 自动驾驶车辆的控制运行方法、装置及无人车 Pending CN114834467A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210565536.2A CN114834467A (zh) 2022-05-18 2022-05-18 自动驾驶车辆的控制运行方法、装置及无人车

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210565536.2A CN114834467A (zh) 2022-05-18 2022-05-18 自动驾驶车辆的控制运行方法、装置及无人车

Publications (1)

Publication Number Publication Date
CN114834467A true CN114834467A (zh) 2022-08-02

Family

ID=82572090

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210565536.2A Pending CN114834467A (zh) 2022-05-18 2022-05-18 自动驾驶车辆的控制运行方法、装置及无人车

Country Status (1)

Country Link
CN (1) CN114834467A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116030636A (zh) * 2023-03-28 2023-04-28 北京清研宏达信息科技有限公司 一种公交车速动态规划的方法和系统
CN116795121A (zh) * 2023-08-29 2023-09-22 北京易控智驾科技有限公司 无人车的控制系统及无人车
CN117572875A (zh) * 2024-01-15 2024-02-20 上海友道智途科技有限公司 一种基于热启动的实时速度规划方法、系统、设备及介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116030636A (zh) * 2023-03-28 2023-04-28 北京清研宏达信息科技有限公司 一种公交车速动态规划的方法和系统
CN116795121A (zh) * 2023-08-29 2023-09-22 北京易控智驾科技有限公司 无人车的控制系统及无人车
CN117572875A (zh) * 2024-01-15 2024-02-20 上海友道智途科技有限公司 一种基于热启动的实时速度规划方法、系统、设备及介质
CN117572875B (zh) * 2024-01-15 2024-04-12 上海友道智途科技有限公司 一种基于热启动的实时速度规划方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
CN114834467A (zh) 自动驾驶车辆的控制运行方法、装置及无人车
US20200342289A1 (en) Recurrent environment predictors
CN109767130A (zh) 用于控制车辆的方法和装置
CN111859597B (zh) 一种自动驾驶算法的评估方法和系统
CN113052253B (zh) 超参数确定方法、装置、深度强化学习框架、介质及设备
CN112256037B (zh) 应用于自动驾驶的控制方法、装置、电子设备及介质
EP4151485A2 (en) Method and apparatus for determining information, storage medium and computer program product
CN113034090A (zh) 运输设备调度方法、装置、电子设备和计算机可读介质
CN110456798B (zh) 用于控制车辆行驶的方法及装置
CN113306570B (zh) 用于控制自动驾驶车辆的方法、装置和自动驾驶配送车
CN110009763A (zh) 用于监控车辆的方法和装置
CN117125079B (zh) 车辆的控制方法及装置、电子设备、存储介质
CN110377769B (zh) 基于图数据结构的建模平台系统、方法、服务器及介质
Hegedűs et al. Implementation and design of ultra-local model-based control strategy for autonomous vehicles
Horn et al. Cost benefits of multi-cloud deployment of dynamic computational intelligence applications
CN113253608B (zh) 基于人工智能的无人驾驶行吊设备轨迹生成方法和装置
CN115174619A (zh) 一种车辆算力共享方法、系统、电子设备及可读存储介质
CN111950238B (zh) 自动驾驶故障评分表生成方法、装置、电子设备
CN111260912B (zh) 车辆编队的处理方法及装置
Wang et al. Lattice piecewise affine approximation of explicit nonlinear model predictive control with application to trajectory tracking of mobile robot
CN114906160A (zh) 车辆控制、任务处理方法、装置、计算设备及系统
CN112346870A (zh) 模型处理方法及系统
CN112373471A (zh) 用于控制车辆行驶的方法、装置、电子设备和可读介质
WO2024140898A1 (zh) 一种车辆控制方法、装置、系统、电子设备及存储介质
WO2024127625A1 (ja) 運航計画管理装置、運航計画管理方法、及び、記録媒体

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