CN114954503A - 自动驾驶转向故障预测及冗余控制方法、系统及电子设备 - Google Patents

Abstract

本发明提供一种自动驾驶转向故障预测及冗余控制方法、系统及电子设备，该方法包括：根据自车周围环境信息与道路信息得到预测轨迹与规划路径，所述预测轨迹以及规划路径对应生成预设路径；根据行驶时的自车周围环境信息、自车状态、控制器状态以及执行器状态得到转向系统的故障预测结果；根据行驶时自车的通信状态、控制器状态以及执行器状态得到转向系统的故障监测结果；根据所述故障预测结果和/或故障监测结果响应车辆的对应冗余控制策略，以控制车辆按照预设路径或紧急路径行驶。本发明针对自动驾驶转向系统进行故障安全分析，利用智能预测和故障监测相结合的方法来满足转向系统冗余需求，提升自动驾驶系统系统安全等级。

Description

自动驾驶转向故障预测及冗余控制方法、系统及电子设备

技术领域

本发明涉及车辆自动驾驶领域，更具体地，涉及自动驾驶转向故障预测及冗余控制方法、系统及电子设备。

背景技术

随着智能网联汽车的快速普及，自动驾驶等级的装配率和自动化程度越来越高，对控制系统的容错性和功能安全等级要求极高，而安全冗余设计是保证自动驾驶系统安全的可靠技术手段。自动驾驶车辆行驶过程中通过搭载的各种传感器输出车辆周围的环境感知信息，ADCU(智能驾驶控制器)根据自车状态和感知信息进行功能决策和路径规划，进而通过通信网络向转向执行器输出横纵向控制指令，执行器根据控制指令控制车辆按轨迹行驶，并实时向ADCU反馈执行器状态和车辆自身状态。

目前市面上的智能网联汽车大多配备L2级自动驾驶系统，当自动驾驶转向失效时驾驶员可以通过机械系统直接操控来接管车辆，安全冗余程度较低。未来L3级别以上自动驾驶系统逐步由人机共驾模式向机器驾驶模式的进化，整车控制由自动驾驶系统完成，如果转向系统出现故障或失效，车辆将无人接管或转向失控。因此，提升自动驾驶系统的安全等级很有必要。

发明内容

本发明针对现有技术中存在的技术问题，提供自动驾驶转向故障预测及冗余控制方法、系统及电子设备，针对自动驾驶转向系统进行故障安全分析，利用智能预测和故障监测相结合的方法来满足转向系统冗余需求，提升自动驾驶系统系统安全等级。

根据本发明的第一方面，提供了一种自动驾驶转向故障预测及冗余控制方法，包括：

根据自车周围环境信息与道路信息得到预测轨迹与规划路径，所述预测轨迹以及规划路径对应生成预设路径；

根据行驶时的自车周围环境信息、自车状态、控制器状态以及执行器状态得到转向系统的故障预测结果；根据行驶时自车的通信状态、控制器状态以及执行器状态得到转向系统的故障监测结果；

根据所述故障预测结果和/或故障监测结果响应车辆的对应冗余控制策略，以控制车辆按照预设路径或紧急路径行驶。

在上述技术方案的基础上，本发明还可以作出如下改进。

可选的，所述根据行驶时的自车周围环境信息、自车状态、控制器状态以及执行器状态得到转向系统的故障预测结果；根据行驶时自车的通信状态、控制器状态以及执行器状态得到转向系统的故障监测结果，包括：

将车辆行驶时的自车周围环境信息、自车状态、控制器状态以及执行器状态输入训练好的基于深度学习的故障预测模型，计算出转向系统的故障预测结果；

根据行驶时自车的通信状态、控制器状态以及执行器状态判断车辆是否存在故障，并根据判断结果输出故障监测结果；

其中，所述通信状态包括主通信链路状态和副通信链路状态，所述控制器状态包括主控制器状态和副控制器状态。

可选的，对基于深度学习的故障预测模型进行训练的过程，包括：

通过车辆行驶过程的自车周围环境历史信息、传感器历史数据、控制器状态历史数据以及执行器状态历史数据组成的训练集对基于卷积神经网络的故障预测模型进行训练，得到所述故障预测模型权重文件；

通过训练过程的反向传播，采用使损失函数最小的方式，不断变更网络权值使网络输出迭代逼近真值，得到优化的故障预测模型权重文件，所述优化的故障预测模型权重文件作为所述故障预测模型的输入。

可选的，对基于深度学习的故障预测模型进行训练的过程，还包括：

通过车辆行驶过程的自车周围环境历史信息、传感器历史数据、控制器状态历史数据、执行器状态历史数据以及对应的故障预测结果组成的测试集，采用交叉验证法，对优化的故障预测模型进行验证。

可选的，所述自车状态包括仪表车速、电机转速、电机扭矩、ADAS功能状态、方向盘转角、方向盘转角速度、横向控制扭矩、横纵向加速度、CAN总线负载率中的任意一项或多项；

所述自车周围环境信息包括包括道路曲率、碰撞目标、可行驶区域、紧急停车区域中的任意一项或多项；

所述控制器状态包括控制器电压、控制器温度、内存使用率、MCU使用率、SOC使用率中的任意一项或多项；

所述执行器状态包括控制转角指令和实际执行情况的偏差、控制转矩指令和实际执行的偏差中的任意一项或多项。

可选的，所述根据所述故障预测结果和/或故障监测结果响应车辆的对应冗余控制策略，以控制车辆按照预设路径或紧急路径行驶，包括：

若所述故障预测结果和故障监测结果均指示无故障，则车辆按照预设路径行驶；

若所述故障预测结果指示存在故障、且故障监测结果指示无故障，则自动驾驶功能降级，同时根据驾驶场景自适应执行场景控制优化策略；

若故障监测结果指示存在故障，则根据故障类型启动冗余备份策略，控制车辆按照紧急路径行驶。

可选的，所述若所述故障预测结果指示存在故障、且故障监测结果指示无故障，则自动驾驶功能降级，同时根据驾驶场景自适应执行场景控制优化策略，包括：

在自动驾驶状态下，若所述故障预测结果指示存在故障、且故障监测结果指示无故障，则车辆从高级别自动驾驶功能按照级别依次向较低级别自动驾驶功能降级；

根据自车状态、所述预测轨迹、自车周围环境信息与道路信息自适应减少车辆的纵向扭矩和横向转角速率。

可选的，所述若故障监测结果指示存在故障，则根据故障类型启动冗余备份策略，控制车辆按照紧急路径行驶，包括：

判断故障监测结果指示的故障类型，其中，所述故障类型包括通信故障、控制器故障或主执行器故障中的任意一种；

当故障类型为通信故障时，仅采用主通信链路或副通信链路中状态正常的通信链路进行通信；

当故障类型为控制器故障时，主控制器或副控制器中状态正常的一方接替故障方的工作；

当故障类型为主执行器故障时，副执行器直接以订阅的方式获取路径规划轨迹信息和环境感知信息，通过副执行器计算和调整车辆左右轮不同的驱动力大小来实现差速转向，从而实现靠边安全停车策略。

根据本发明的第二方面，提供一种自动驾驶转向故障预测及冗余控制系统，包括：

路径预测模块，用于根据自车周围环境信息与道路信息得到预测轨迹与规划路径，所述预测轨迹以及规划路径对应生成预设路径；

故障获取模块，用于根据行驶时的自车周围环境信息、自车状态、控制器状态以及执行器状态得到转向系统的故障预测结果；根据行驶时自车的通信状态、控制器状态以及执行器状态得到转向系统的故障监测结果；

冗余控制模块，用于根据所述故障预测结果和/或故障监测结果响应车辆的对应冗余控制策略，以控制车辆按照预设路径或紧急路径行驶。

根据本发明的第三方面，提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现上述一种自动驾驶转向故障预测及冗余控制方法的步骤。

根据本发明的第四方面，提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现上述一种自动驾驶转向故障预测及冗余控制方法的步骤。

本发明提供的一种自动驾驶转向故障预测及冗余控制方法、系统、电子设备及存储介质，主要包含故障预测、故障监测、安全冗余控制策略几部分。首先，基于当前车辆的自车周围环境信息、自车状态、控制器状态以及执行器状态计算得到转向系统的故障预测结果；同时，故障监测模块实时采集当前自车各转向部件的故障信息，输出故障监测结果；最后，安全冗余方法根据故障预测结果和故障监测结果进行综合分析，提供安全冗余执行方法。本发明针对自动驾驶转向系统进行故障安全分析，利用智能预测和故障监测相结合的方法来满足转向系统冗余需求，提升自动驾驶系统系统安全等级。

附图说明

图1为本发明提供的一种自动驾驶转向故障预测及冗余控制方法流程图；

图2为某一优选实施例中转向系统架构示意图；

图3为某一优选实施例中故障预测模型的结构示意图；

图4为某一优选实施例的方法流程示意图；

图5为本发明提供的一种自动驾驶转向故障预测及冗余控制系统组成结构框图；

图6为本发明提供的一种可能的电子设备的硬件结构示意图；

图7为本发明提供的一种可能的计算机可读存储介质的硬件结构示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

在实现对自动驾驶车辆进行转向系统进行冗余控制时，传统冗余控制方案主要存在以下问题：

其一，传统冗余方案的自动驾驶车辆在转向出现故障时，会进行软件层面的冗余切换或硬件层面的冗余切换，但无法提前进行转向系统故障预测。

其二，传统自动驾驶车辆转向出现故障时，系统请求驾驶员接管车辆或者车辆逐步降速停车，存在较大安全隐患。

因此，设计更加安全有效的转向系统冗余控制方案在自动驾驶领域非常有必要。

图1为本发明提供的一种自动驾驶转向故障预测及冗余控制方法流程图，如图1所示，该方法包括：

101、根据自车周围环境信息与道路信息得到预测轨迹与规划路径，所述预测轨迹以及规划路径对应生成预设路径；

102、根据行驶时的自车周围环境信息、自车状态、控制器状态以及执行器状态得到转向系统的故障预测结果；根据行驶时自车的通信状态、控制器状态以及执行器状态得到转向系统的故障监测结果；

103、根据所述故障预测结果和/或故障监测结果响应车辆的对应冗余控制策略，以控制车辆按照预设路径或紧急路径行驶。

可以理解的是，基于背景技术中的缺陷，本发明实施例提出了一种自动驾驶转向故障预测及冗余控制方法。该方法主要包含故障预测、故障监测、安全冗余控制策略几部分。首先，基于当前车辆的自车周围环境信息、自车状态、控制器状态以及执行器状态计算得到转向系统的故障预测结果；同时，故障监测模块实时采集当前自车各转向部件的故障信息，输出故障监测结果；最后，安全冗余方法根据故障预测结果和故障监测结果进行综合分析，提供安全冗余执行方法。本发明针对自动驾驶转向系统进行故障安全分析，利用智能预测和故障监测相结合的方法来满足转向系统冗余需求，提升自动驾驶系统系统安全等级。

为了更好地实现上述方法，可设置车辆转向系统为如图2所示的架构。如图2所示，车辆转向系统包括车辆的环境感知模块、ADCU控制模块、转向执行模块和智能诊断模块。其中，环境感知模块通过CAN总线与ADCU控制模块连接，以获取车辆的各状态数据以及自车周围环境信息与道路信息。ADCU控制模块即车辆的智能驾驶控制器模块，其包括轨迹预测单元、决策规划单元和控制指令单元，其通过通信链路与转向执行模块进行通信连接，将预测轨迹生成的预设路径提供到转向执行模块。在车辆行驶过程中，智能诊断模块进行故障预测以及故障监测，并将诊断结果提供给转向执行模块。转向执行模块中设置有主控制器与副控制器，还设有主执行器与副执行器，主控制器与主执行器、副执行器分别连接，且副控制器与主执行器、副执行器分别连接，在正常行驶时，主执行器参与工作、控制车辆的转向功能，副执行器待命；如主执行器发生故障，则由副执行器接管主执行器的工作。主控制器与副控制器各通过一条通信链路与ADCU控制模块连接，且主控制器与副控制器分别向主执行器提供50％的控制能力，以保证在其中一条通信链路出现故障时，可依靠另一路通信链路完成通信。

在自定驾驶无异常时，车辆按照轨迹预测单元生成的预设路径进行自动驾驶；当预测到或监测到故障时，决策规划单元对车辆当前处境进行评估后，作出冗余控制决策，控制指令单元将冗余控制决策转化为对转向执行模块的控制指令，从而控制车辆根据故障类型按照预设路径或者紧急路径行驶，提升了车辆控制的安全性能。

在一种可能的实施例方式中，所述根据行驶时的自车周围环境信息、自车状态、控制器状态以及执行器状态得到转向系统的故障预测结果；根据行驶时自车的通信状态、控制器状态以及执行器状态得到转向系统的故障监测结果，包括：

将车辆行驶时的自车周围环境信息、自车状态、控制器状态以及执行器状态输入训练好的基于深度学习的故障预测模型，计算出转向系统的故障预测结果；

根据行驶时自车的通信状态、控制器状态以及执行器状态判断车辆是否存在故障，并根据判断结果输出故障监测结果；

其中，所述通信状态包括主通信链路状态和副通信链路状态，所述控制器状态包括主控制器状态和副控制器状态。

可以理解的是，本实施例结合AI算法进行自动驾驶转向系统故障建模和智能诊断，实现提前智能预测转向系统故障，提升自动驾驶系统可靠性和车辆安全性。通过基于深度学习的故障预测模型对车辆实车信号进行转向故障预测，输出转向系统故障预测结果，实现了车辆故障的准确预测，为车辆提前作出应对措施作准备；故障监测模块实时监控车辆主副通信链路的信号有效性、转向主副控制器的运行状态、主执行器的运行状态，输出当前转向系统故障监测结果。本实施例在故障智能诊断方面将故障预测和故障监测相结合，进一步提升了自动驾驶的安全性。

在一种可能的实施例方式中，对基于深度学习的故障预测模型进行训练的过程，包括：

通过车辆行驶过程的自车周围环境历史信息、传感器历史数据、控制器状态历史数据以及执行器状态历史数据组成的训练集对基于卷积神经网络的故障预测模型进行训练，得到所述故障预测模型权重文件；

通过训练过程的反向传播，采用使损失函数最小的方式，不断变更网络权值使网络输出迭代逼近真值，得到优化的故障预测模型权重文件，所述优化的故障预测模型权重文件作为所述故障预测模型的输入。

可以理解的是，通过卷积神经网络对车辆历史运行数据进行信号处理、特征提取、故障识别分类，采用监督学习机制，自适应学习并建立转向系统的故障预测模型，进而基于实车信号进行转向故障预测，输出转向系统的故障预测结果。通过本实施例的训练方法不断迭代优化故障预测模型，提升故障预测模型的预测准确率，从而进一步提升车辆自动驾驶的可靠性与安全性。

在一种可能的实施例方式中，对基于深度学习的故障预测模型进行训练的过程，还包括：

通过车辆行驶过程的自车周围环境历史信息、传感器历史数据、控制器状态历史数据、执行器状态历史数据以及对应的故障预测结果组成的测试集，采用交叉验证法，对优化的故障预测模型进行验证。

可以理解的是，在对故障预测模型进行训练时，将车辆历史运行数据大部分作为训练集、少部分作为训练后的测试集，采用交叉验证法，验证训练好的故障预测模型的预测准确度，以保证预测结果的准确度、提升故障预测模型运行的可靠性。

在一种可能的实施例方式中，所述自车状态包括仪表车速、电机转速、电机扭矩、ADAS功能状态、方向盘转角、方向盘转角速度、横向控制扭矩、横纵向加速度、CAN总线负载率中的任意一项或多项；

所述自车周围环境信息包括包括道路曲率、碰撞目标、可行驶区域、紧急停车区域中的任意一项或多项；

所述控制器状态包括控制器电压、控制器温度、内存使用率、MCU使用率、SOC使用率中的任意一项或多项；

所述执行器状态包括控制转角指令和实际执行情况的偏差、控制转矩指令和实际执行的偏差中的任意一项或多项。

本实施例中，如图3所示，采用基于深度学习的故障预测模型进行故障预测主要包括：首先，基于深度学习的故障预测模型的数据采集层将传感器历史采集的自车CAN信号S{i}(即自车状态数据)、自车周围环境信息E{i}、控制器信息C{i}(即控制器状态)、执行器信息O{i}(即执行器状态)故障数据输入到神经网络中进行自适应特征学习；其次，神经网络学习过程采用监督学习和交叉验证法来建立转向系统故障预测模型；最后，基于该模型学习的结果在车辆行驶过程中进行实时故障预测，并进行故障分析，输出故障预测结果R{i}。

其中：自车CAN信号S{i}包括仪表车速、电机转速、电机扭矩、ADAS功能状态、方向盘转角、方向盘转角速度、横向控制扭矩、横纵向加速度、CAN总线负载率等；自车周围环境信息E{i}包括道路曲率、碰撞目标、可行驶区域、紧急停车区域等；控制器信息C{i}包括控制器电压、控制器温度、内存使用率、MCU使用率、SOC使用率等；执行器信息O{i}主要为执行器的执行能力，包含控制转角指令和实际执行情况的偏差、控制转矩指令和实际执行的偏差等；故障预测结果R{i}包括主通信故障R{1}、副通信故障R{2}、主控制器故障R{3}、副控制器故障R{4}、主执行器故障R{5}、其他故障R{6}。

在一种可能的实施例方式中，所述根据所述故障预测结果和/或故障监测结果响应车辆的对应冗余控制策略，以控制车辆按照预设路径或紧急路径行驶，包括：

若所述故障预测结果和故障监测结果均指示无故障，则车辆按照预设路径行驶；

若所述故障预测结果指示存在故障、且故障监测结果指示无故障，则自动驾驶功能降级，同时根据驾驶场景自适应执行场景控制优化策略；

若故障监测结果指示存在故障，则根据故障类型启动冗余备份策略，控制车辆按照紧急路径行驶。

可以理解的是，车辆点火启动未开启自动驾驶功能，车辆搭载的所有传感器、ADCU控制器和转向控制器进行自检，故障监控模块会实时检测当前车辆状态，若故障监测结果出现故障信息，则禁止开启自动驾驶横向控制功能。满足自动驾驶条件下，车辆点火并开启自动驾驶功能，故障智能预测功能会实时根据当前车辆行驶数据进行实时故障预测，故障监控模块同时实时检测当前车辆状态，若故障预测结果和故障监测结果均未出现故障，ADCU控制指令同时通过主通信链路和副通信链路向转向主控制器和转向副控制器传输控制指令，转向主控制器和转向副控制器接收到控制指令后协同控制车辆完成转向运动；若故障预测结果出现故障信息且故障监测结果未出现故障信息，则采用HMI(人机界面)提示驾驶员，并通过功能降级和场景控制指令优化等策略(比如功能降级顺序：NOA(导航自动驾驶)→ICA(智能巡航辅助)→ACC(自适应巡航辅助)，场景控制指令优化：弯道场景、紧急转向场景、变道场景)。若故障监测结果输出故障信息，则启用故障模块的冗余备份方案，结合当前车辆及环境情况，控制车辆按照紧急路径行驶，例如靠边安全停车。

在一种可能的实施例方式中，所述若所述故障预测结果指示存在故障、且故障监测结果指示无故障，则自动驾驶功能降级，同时根据驾驶场景自适应执行场景控制优化策略，包括：

在自动驾驶状态下，若所述故障预测结果指示存在故障、且故障监测结果指示无故障，则车辆从高级别自动驾驶功能按照级别依次向较低级别自动驾驶功能降级，例如功能降级顺序：NOA(导航自动驾驶)→ICA(智能巡航辅助)→ACC(自适应巡航辅助)；

根据自车状态、所述预测轨迹、自车周围环境信息与道路信息自适应减少车辆的纵向扭矩和横向转角速率(优选为5％～20％)。进行场景控制指令优化，例如场景转化顺序：弯道场景→紧急转向场景→变道场景。

可以理解的是，故障预测结果指示存在故障、且故障监测结果指示无故障时，进行功能降级和场景控制指令优化，以避免当故障监测结果存在时造成产生较大的异常减速和大幅异常转向。

在一种可能的实施例方式中，所述若故障监测结果指示存在故障，则根据故障类型启动冗余备份策略，控制车辆按照紧急路径行驶，包括：

判断故障监测结果指示的故障类型，其中，所述故障类型包括通信故障、控制器故障或主执行器故障中的任意一种；

当故障类型为通信故障时，仅采用主通信链路或副通信链路中状态正常的通信链路进行通信；

当故障类型为控制器故障时，主控制器或副控制器中状态正常的一方接替故障方的工作；

当故障类型为主执行器故障时，副执行器直接以订阅的方式获取路径规划轨迹信息和环境感知信息，通过副执行器计算和调整车辆左右轮不同的驱动力大小来实现差速转向，从而实现靠边安全停车策略。

可以理解的是，当故障监测结果输出故障信息，执行冗余备份策略。ADCU同时向主、副通信链路传输自车CAN信号和转向控制指令，两者通信持续相互校验，若故障类型为通信故障，则转向主副控制器从状态正常的通信链路获取转向控制指令。转向主副控制器同时接收ADCU的控制指令，并协同向执行器输出控制能力，若其中一个转向控制器失效，则另一路控制器可持续接替完成50％的转向控制能力。转向主执行器根据转向指令完成转向动作，若转向主执行器发生故障，则备份差速转向执行器(副执行器)直接以订阅的方式从ADCU控制器中获取路径规划轨迹信息和环境感知信息，通过备份差速转向执行器(副执行器)计算和调整车辆左右轮不同的驱动力大小来实现差速转向，实现靠边安全停车策略。本实施例根据转向故障结果和自车周围环境信息综合做出冗余备份策略，提升自动驾驶系统可靠性和车辆安全性。

图5为本发明实施例提供的一种自动驾驶转向故障预测及冗余控制系统结构图，如图5所示，一种自动驾驶转向故障预测及冗余控制系统，包括路径预测模块、故障获取模块和冗余控制模块，其中：

路径预测模块，用于根据自车周围环境信息与道路信息得到预测轨迹与规划路径，所述预测轨迹以及规划路径对应生成预设路径；

故障获取模块，用于根据行驶时的自车周围环境信息、自车状态、控制器状态以及执行器状态得到转向系统的故障预测结果；根据行驶时自车的通信状态、控制器状态以及执行器状态得到转向系统的故障监测结果；

冗余控制模块，用于根据所述故障预测结果和/或故障监测结果响应车辆的对应冗余控制策略，以控制车辆按照预设路径或紧急路径行驶。

可以理解的是，本发明提供的一种自动驾驶转向故障预测及冗余控制系统与前述各实施例提供的自动驾驶转向故障预测及冗余控制方法相对应，自动驾驶转向故障预测及冗余控制系统的相关技术特征可参考自动驾驶转向故障预测及冗余控制方法的相关技术特征，在此不再赘述。

请参阅图6，图6为本发明实施例提供的电子设备的实施例示意图。如图6所示，本发明实施例提了一种电子设备，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，处理器执行计算机程序时实现以下步骤：

根据自车周围环境信息与道路信息得到预测轨迹与规划路径，所述预测轨迹以及规划路径对应生成预设路径；

根据行驶时的自车周围环境信息、自车状态、控制器状态以及执行器状态得到转向系统的故障预测结果；根据行驶时自车的通信状态、控制器状态以及执行器状态得到转向系统的故障监测结果；

根据所述故障预测结果和/或故障监测结果响应车辆的对应冗余控制策略，以控制车辆按照预设路径或紧急路径行驶。

请参阅图7，图7为本发明提供的一种计算机可读存储介质的实施例示意图。如图7所示，本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如下步骤：

根据自车周围环境信息与道路信息得到预测轨迹与规划路径，所述预测轨迹以及规划路径对应生成预设路径；

根据行驶时的自车周围环境信息、自车状态、控制器状态以及执行器状态得到转向系统的故障预测结果；根据行驶时自车的通信状态、控制器状态以及执行器状态得到转向系统的故障监测结果；

根据所述故障预测结果和/或故障监测结果响应车辆的对应冗余控制策略，以控制车辆按照预设路径或紧急路径行驶。

本发明实施例提供的一种自动驾驶转向故障预测及冗余控制方法、系统、电子设备及存储介质，主要包含故障预测、故障监测、安全冗余控制策略几部分。首先，通过卷积神经网络对历史运行数据进行信号处理、特征提取、故障识别分类，自适应学习并建立转向系统的故障预测模型，进而基于当前车辆的自车周围环境信息、自车状态、控制器状态以及执行器状态等实车信号计算得到转向系统的故障预测结果；同时，故障监测模块实时采集当前自车各转向部件的故障信息，实时监控车辆主副通信链路的信号有效性、转向主副控制器的运行状态、主执行器的运行状态，输出故障监测结果；最后，安全冗余方法根据故障预测结果和故障监测结果进行综合分析，结合故障预测结果和故障监测结果实现车辆自动驾驶的转向冗余控制，提升自动驾驶的安全性。本发明结合AI算法进行自动驾驶转向系统故障建模和智能诊断，实现提前智能预测转向系统故障；针对自动驾驶转向系统进行故障安全分析，可实现在转向系统出现故障后，能够及时切换至冗余策略方案，并结合当前自车周围环境状态进行场景控制指令自适应调节，利用智能预测和故障监测相结合的方法来满足转向系统冗余需求，提升自动驾驶系统系统安全等级，提升自动驾驶系统可靠性和车辆安全性。

需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。

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。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、嵌入式计算机或者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。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (10)

1.一种自动驾驶转向故障预测及冗余控制方法，其特征在于，包括：

根据自车周围环境信息与道路信息得到预测轨迹与规划路径，所述预测轨迹以及规划路径对应生成预设路径；

根据行驶时的自车周围环境信息、自车状态、控制器状态以及执行器状态得到转向系统的故障预测结果；根据行驶时自车的通信状态、控制器状态以及执行器状态得到转向系统的故障监测结果；

根据所述故障预测结果和/或故障监测结果响应车辆的对应冗余控制策略，以控制车辆按照预设路径或紧急路径行驶。

2.根据权利要求1所述的一种自动驾驶转向故障预测及冗余控制方法，其特征在于，所述根据行驶时的自车周围环境信息、自车状态、控制器状态以及执行器状态得到转向系统的故障预测结果；根据行驶时自车的通信状态、控制器状态以及执行器状态得到转向系统的故障监测结果；包括：

将车辆行驶时的自车周围环境信息、自车状态、控制器状态以及执行器状态输入训练好的基于深度学习的故障预测模型，计算出转向系统的故障预测结果；

根据行驶时自车的通信状态、控制器状态以及执行器状态判断车辆是否存在故障，并根据判断结果输出故障监测结果；

其中，所述通信状态包括主通信链路状态和副通信链路状态，所述控制器状态包括主控制器状态和副控制器状态。

3.根据权利要求2所述的一种自动驾驶转向故障预测及冗余控制方法，其特征在于，对基于深度学习的故障预测模型进行训练的过程，包括：

通过车辆行驶过程的自车周围环境历史信息、传感器历史数据、控制器状态历史数据以及执行器状态历史数据组成的训练集对基于卷积神经网络的故障预测模型进行训练，得到所述故障预测模型权重文件；

通过训练过程的反向传播，采用使损失函数最小的方式，不断变更网络权值使网络输出迭代逼近真值，得到优化的故障预测模型权重文件，所述优化的故障预测模型权重文件作为所述故障预测模型的输入。

4.根据权利要求3所述的一种自动驾驶转向故障预测及冗余控制方法，其特征在于，对基于深度学习的故障预测模型进行训练的过程，还包括：

通过车辆行驶过程的自车周围环境历史信息、传感器历史数据、控制器状态历史数据、执行器状态历史数据以及对应的故障预测结果组成的测试集，采用交叉验证法，对优化的故障预测模型进行验证。

5.根据权利要求1所述的一种自动驾驶转向故障预测及冗余控制方法，其特征在于，

所述自车状态包括仪表车速、电机转速、电机扭矩、ADAS功能状态、方向盘转角、方向盘转角速度、横向控制扭矩、横纵向加速度、CAN总线负载率中的任意一项或多项；

所述自车周围环境信息包括包括道路曲率、碰撞目标、可行驶区域、紧急停车区域中的任意一项或多项；

所述控制器状态包括控制器电压、控制器温度、内存使用率、MCU使用率、SOC使用率中的任意一项或多项；

所述执行器状态包括控制转角指令和实际执行情况的偏差、控制转矩指令和实际执行的偏差中的任意一项或多项。

6.根据权利要求1～5任一项所述的一种自动驾驶转向故障预测及冗余控制方法，其特征在于，所述根据所述故障预测结果和/或故障监测结果响应车辆的对应冗余控制策略，以控制车辆按照预设路径或紧急路径行驶，包括：

若所述故障预测结果和故障监测结果均指示无故障，则车辆按照预设路径行驶；

若所述故障预测结果指示存在故障、且故障监测结果指示无故障，则自动驾驶功能降级，同时根据驾驶场景自适应执行场景控制优化策略；

若故障监测结果指示存在故障，则根据故障类型启动冗余备份策略，控制车辆按照紧急路径行驶。

7.根据权利要求6所述的一种自动驾驶转向故障预测及冗余控制方法，其特征在于，所述若所述故障预测结果指示存在故障、且故障监测结果指示无故障，则自动驾驶功能降级，同时根据驾驶场景自适应执行场景控制优化策略，包括：

在自动驾驶状态下，若所述故障预测结果指示存在故障、且故障监测结果指示无故障，则车辆从高级别自动驾驶功能按照级别依次向较低级别自动驾驶功能降级；

根据自车状态、所述预测轨迹、自车周围环境信息与道路信息自适应减少车辆的纵向扭矩和横向转角速率。

8.根据权利要求6所述的一种自动驾驶转向故障预测及冗余控制方法，其特征在于，所述若故障监测结果指示存在故障，则根据故障类型启动冗余备份策略，控制车辆按照紧急路径行驶，包括：

判断故障监测结果指示的故障类型，其中，所述故障类型包括通信故障、控制器故障或主执行器故障中的任意一种；

当故障类型为通信故障时，仅采用主通信链路或副通信链路中状态正常的通信链路进行通信；

当故障类型为控制器故障时，主控制器或副控制器中状态正常的一方接替故障方的工作；

当故障类型为主执行器故障时，副执行器直接以订阅的方式获取路径规划轨迹信息和环境感知信息，通过副执行器计算和调整车辆左右轮不同的驱动力大小来实现差速转向，从而实现靠边安全停车策略。

9.一种自动驾驶转向故障预测及冗余控制系统，其特征在于，包括：

路径预测模块，用于根据自车周围环境信息与道路信息得到预测轨迹与规划路径，所述预测轨迹以及规划路径对应生成预设路径；

故障获取模块，用于根据行驶时的自车周围环境信息、自车状态、控制器状态以及执行器状态得到转向系统的故障预测结果；根据行驶时自车的通信状态、控制器状态以及执行器状态得到转向系统的故障监测结果；

冗余控制模块，用于根据所述故障预测结果和/或故障监测结果响应车辆的对应冗余控制策略，以控制车辆按照预设路径或紧急路径行驶。

10.一种电子设备，其特征在于，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现如权利要求1-8任一项所述的一种自动驾驶转向故障预测及冗余控制方法的步骤。

Images