CN115402310A - 一种巡航控制方法、装置、设备及存储介质 - Google Patents

一种巡航控制方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115402310A
CN115402310A CN202211052599.4A CN202211052599A CN115402310A CN 115402310 A CN115402310 A CN 115402310A CN 202211052599 A CN202211052599 A CN 202211052599A CN 115402310 A CN115402310 A CN 115402310A
Authority
CN
China
Prior art keywords
cruise control
initialization
control model
initialized
initial
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
Application number
CN202211052599.4A
Other languages
English (en)
Other versions
CN115402310B (zh
Inventor
王秀雷
赵康荏
孟媛媛
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.)
Weichai Power Co Ltd
Original Assignee
Weichai Power 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 Weichai Power Co Ltd filed Critical Weichai Power Co Ltd
Priority to CN202211052599.4A priority Critical patent/CN115402310B/zh
Publication of CN115402310A publication Critical patent/CN115402310A/zh
Application granted granted Critical
Publication of CN115402310B publication Critical patent/CN115402310B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/14—Adaptive cruise control
    • 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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/14—Adaptive cruise control
    • B60W30/143—Speed control
    • 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
    • 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
    • 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
    • B60W2050/0002—Automatic control, details of type of controller or control system architecture
    • B60W2050/0008—Feedback, closed loop systems or details of feedback error signal
    • B60W2050/0011—Proportional Integral Differential [PID] controller
    • 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
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed

Landscapes

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

Abstract

本发明公开了一种巡航控制方法、装置、设备及存储介质，该方法包括：基于初始化种群中的多个初始化个体，分别构建初始巡航控制模型；其中，初始化个体用于表征初始巡航控制模型对应的初始化的网络权重；针对每个初始巡航控制模型，基于设定目标车速和初始巡航控制模型，确定与初始巡航控制模型对应的初始化个体的适应度数据；基于预设循环条件和各初始化个体分别对应的适应度数据，对初始化种群执行更新操作，得到目标个体；基于目标个体，构建目标巡航控制模型，并基于目标巡航控制模型，对目标车辆执行巡航控制操作。本发明实施例解决了车辆巡航车速达到稳定状态的时间较长的问题，提高了巡航控制方法的适应性和巡航控制车速的准确度。

Description

一种巡航控制方法、装置、设备及存储介质
技术领域
本发明涉及车辆控制技术领域，尤其涉及一种巡航控制方法、装置、设备及存储介质。
背景技术
自适应巡航控制系统(Adaptive Cruise Control，ACC)可以在一定车速范围内，允许驾驶员不用控制加速踏板，而能保证汽车以设定的速度稳定行驶，以减轻驾驶员的疲劳程度，提高行驶时的稳定性、安全性、舒适性和燃料经济性。
传统的巡航控制方法大多采用PID(Proportional、Integral and Differential，比例、积分和微分)算法，其原理为基于检测到用户输入的设定目标车速和车辆的实际车速，经由油门执行器对车辆的巡航车速进行调整，以使车辆巡航车速保持恒定。
由于车辆的应用场景涉及多负荷、多档位和车型繁多等情况，并且同一批的车辆或发动机的性能参数也会存在生产一致性的问题。因此，为适应车辆的不同应用场景，传统的巡航控制方法需要对PID算法中的比例系数、积分系数和微分系数执行大量的标定工作，费时费力，而且车辆巡航车速达到稳定状态的时间较长，且其准确度不高。
发明内容
本发明实施例提供了一种巡航控制方法、装置、设备及存储介质，以解决车辆巡航车速达到稳定状态的时间较长，提高巡航控制方法的适应性和巡航控制车速的准确度。
根据本发明一个实施例提供了一种巡航控制方法，该方法包括：
基于初始化种群中的多个初始化个体，分别构建初始巡航控制模型；其中，所述初始化个体用于表征初始巡航控制模型对应的初始化的网络权重；
针对每个初始巡航控制模型，基于设定目标车速和所述初始巡航控制模型，确定与所述初始巡航控制模型对应的初始化个体的适应度数据；
基于预设循环条件和各所述初始化个体分别对应的适应度数据，对所述初始化种群执行更新操作，得到目标个体；
基于所述目标个体，构建目标巡航控制模型，并基于所述目标巡航控制模型，对目标车辆执行巡航控制操作。
根据本发明另一个实施例提供了一种巡航控制装置，该装置包括：
初始巡航控制模型构建模块，用于基于初始化种群中的多个初始化个体，分别构建初始巡航控制模型；其中，所述初始化个体用于表征初始巡航控制模型对应的初始化的网络权重；
适应度数据确定模块，用于针对每个初始巡航控制模型，基于设定目标车速和所述初始巡航控制模型，确定与所述初始巡航控制模型对应的初始化个体的适应度数据；
目标个体确定模块，用于基于预设循环条件和各所述初始化个体分别对应的适应度数据，对所述初始化种群执行更新操作，得到目标个体；
巡航控制操作执行模块，用于基于所述目标个体，构建目标巡航控制模型，并基于所述目标巡航控制模型，对目标车辆执行巡航控制操作。
根据本发明另一个实施例提供了一种电子设备，所述电子设备包括：
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计算机程序，所述计算机程序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本发明任一实施例所述的巡航控制方法。
根据本发明另一个实施例，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的巡航控制方法。
本发明实施例的技术方案，通过基于初始化种群中的多个初始化个体，分别构建初始巡航控制模型，其中，初始化个体用于表征初始巡航控制模型对应的初始化的网络权重，针对每个初始巡航控制模型，基于设定目标车速和初始巡航控制模型，确定与初始巡航控制模型对应的初始化个体的适应度数据；基于预设循环条件和各初始化个体分别对应的适应度数据，对初始化种群执行更新操作，得到目标个体，基于目标个体，构建目标巡航控制模型，并基于目标巡航控制模型，对目标车辆执行巡航控制操作，解决了车辆巡航车速达到稳定状态的时间较长的问题，无需执行大量的标定工作，省时省力，提高了巡航控制方法的适应性以及巡航控制车速的准确度。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明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
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一所提供的一种巡航控制方法的流程图；
图2为本发明实施例一所提供的一种适应度变化曲线的示意图；
图3为本发明实施例二所提供的一种巡航控制方法的流程图；
图4为本发明实施例二所提供的一种目标个体的确定方法的流程图；
图5为本发明实施例二所提供的一种巡航控制车速的对比示意图；
图6为本发明实施例三所提供的一种巡航控制装置的结构示意图；
图7为本发明实施例四所提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一所提供的一种巡航控制方法的流程图，本实施例可适用于在巡航控制模式下，使车辆以设定的车速稳定行驶的情况，该方法可以由巡航控制装置来执行，该巡航控制装置可以采用硬件和/或软件的形式实现，该巡航控制装置可配置于终端设备中，如终端设备可以是车载系统。如图1所示，该方法包括：
S110、基于初始化种群中的多个初始化个体，分别构建初始巡航控制模型。
其中，具体的，初始化种群中包含多个初始化个体。在本实施例中，初始化个体用于表征初始巡航控制模型对应的初始化的网络权重。
网络权重是巡航控制模型在训练时需要自学习的模型参数，巡航控制模型在构建时，其初始化的网络权重通常都是随机生成的，因此，初始化的网络权重的设置会影响到巡航控制模型的训练效果和训练效率。
在一个可选实施例中，初始巡航控制模型为初始PID网络模型。其中，具体的，初始PID网络模型包含输入层、隐含层和输出层，输入层包含2个输入神经元，隐含层包含3个隐含神经元，分别为比例神经元(Proportional)、积分神经元(Integral)和微分神经元(Differential)，输出层包含1个输出神经元。初始PID网络模型的网络权重包括输入层与隐含层之间的第一权重wij以及隐含层与输出层之间的第二权重wj，其中，i表示第i个输入神经元，j表示第j个隐含神经元。相应的，每个初始化个体分别包含9个初始化的网络权重。
其中，具体的，针对每个初始化个体，将初始化个体对应的初始化的网络权重作为初始巡航控制模型的初始化的网络权重，得到初始巡航控制模型。
S120、针对每个初始巡航控制模型，基于设定目标车速和初始巡航控制模型，确定与初始巡航控制模型对应的初始化个体的适应度数据。
在巡航控制场景中，初始巡航控制模型的训练过程即将确定的巡航控制车速稳定在设定目标车速的过程。在本实施例中，初始化个体的适应度数据可用于表征基于该初始化个体构建的初始巡航控制模型的训练效果。
其中，示例性的，设定目标车速可以是用户通过指令开关设置的车速。
在一个可选实施例中，基于设定目标车速和初始巡航控制模型，确定与初始巡航控制模型对应的初始化个体的适应度数据，包括：获取目标车辆的当前实际车速，并将设定目标车速和当前实际车速输入到初始巡航控制模型中，得到输出的预测巡航扭矩；判断当前迭代次数是否满足第一迭代次数阈值；如果是，则基于至少一个预测巡航扭矩以及与设定目标车速对应的设定巡航扭矩，确定与初始巡航控制模型对应的初始化个体的适应度数据；如果否，则基于预测巡航扭矩，对初始巡航控制模型中的模型参数进行调整，得到调整后的初始巡航控制模型，以及将调整后的初始巡航控制模型作为初始巡航控制模型，并重复执行获取目标车辆的当前实际车速的步骤。
在一个可选实施例中，在初始巡航控制模型为初始PID网络模型的情况下，通过初始PID网络模型中的输入层，将输入的当前实际车速和设定目标车速输出到初始PID网络模型中的隐含层中；通过初始PID网络模型中的隐含层，基于输入的当前实际车速和设定目标车速，输出比例车速特征、积分车速特征和微分车速特征；通过初始PID网络模型中的输出层，基于输入的比例车速特征、积分车速特征和微分车速特征，输出预测巡航扭矩。
其中，示例性的，初始PID网络模型的输入层对应的公式可以表示为：
xi(k)＝Xi(k)
其中，xi(k)表示初始PID网络模型中的第i个输入神经元对应的输出数据，Xi(k)表示初始PID网络模型中的第i个输入神经元对应的输入数据，k表示当前迭代次数，i的取值为1,2。
其中，具体的，基于输入的当前实际车速和设定目标车速，输出比例车速特征、积分车速特征和微分车速特征，包括：通过比例神经元，基于输入的当前实际车速和设定目标车速，确定隐含车速特征，将隐含车速特征作为比例车速特征；通过积分神经元，基于输入的当前实际车速和设定目标车速，确定隐含车速特征，基于隐含车速特征，确定积分车速特征；通过微分神经元，基于输入的当前实际车速和设定目标车速，确定隐含车速特征，基于隐含车速特征，确定微分车速特征。
其中，示例性的，隐含车速特征满足公式：
Figure BDA0003821323290000071
其中，netj(l)表示初始PID网络模型中的第k个隐含神经元对应的隐含车速特征，wij表示第i个输入神经元与第j个隐含神经元之间的权值。其中，j的取值为1,2,3。
其中，示例性的，比例车速特征u1(k)满足公式：
u1(k)＝net1(k)
在本实施例中，初始PID网络模型中的第1个隐含神经元为比例神经元。
其中，示例性的，积分车速特征u2(k)满足公式：
u2(k)＝net2(k)+u2(k-1)
在本实施例中，初始PID网络模型中的第2个隐含神经元为积分神经元。
其中，示例性的，微分车速特征u3(k)满足公式：
u3(k)＝net3(k)-net3(k-1)
在本实施例中，初始PID网络模型中的第3个隐含神经元为微分神经元。
其中，具体的，初始PID网络模型的输出层输出的预测巡航扭矩为比例车速特征、积分车速特征和微分车速特征的加权和。示例性的，预测巡航扭矩y(k)满足公式：
Figure BDA0003821323290000072
其中，wj表示隐含层中的第j个隐含神经元与输出神经元之间的权值。
其中，具体的，第一迭代次数阈值可用于表征初始巡航控制模型的迭代次数阈值。示例性的，第一迭代次数阈值可以是1000次。
其中，示例性的，可采用梯度下降算法，对初始巡航控制模型的模型参数进行调整，得到调整后的初始巡航控制模型。
在一个可选实施例中，适应度数据包括适应度变化曲线和/或适应度结果，相应的，基于至少一个预测巡航扭矩以及与设定目标车速对应的设定巡航扭矩，确定与初始巡航控制模型对应的初始化个体的适应度数据，包括：基于至少两个预测巡航扭矩以及与设定目标车速对应的设定巡航扭矩，确定与初始巡航控制模型对应的初始化个体的适应度变化曲线；和/或，基于任一预测巡航扭矩以及与设定目标车速对应的设定巡航扭矩，确定与初始巡航控制模型对应的初始化个体的适应度结果。
在一个可选实施例中，适应度可以是均方误差(Mean Square Error，MSE)、均方根误差(Root Mean Square Error，RMSE)和平均绝对误差(Mean Absolute Error，MAE)等等。
初始巡航控制模型在每次迭代过程中，均会输出一个预测巡航扭矩。在一个可选实施例中，示例性的，基于至少两个预测巡航扭矩和设定巡航扭矩，确定初始化个体对应的至少两个适应度，对至少两个适应度执行拟合操作，得到适应度变化曲线。
图2为本发明实施例一所提供的一种适应度变化曲线的示意图。具体的，图2以适应度为均方误差MSE为例进行示例性说明。其中，示例性的，适应度满足公式：
Figure BDA0003821323290000081
其中，y(k)表示初始巡航控制模型在第k次迭代输出的预测巡航扭矩，
Figure BDA0003821323290000082
表示前k次迭代分别输出的预测巡航扭矩对应的巡航扭矩均值。在本实施例中，N＝1。
在一个可选实施例中，任一预测巡航扭矩可以是初始巡航控制模型在最后一次迭代输出的预测巡航扭矩，相应的，适应度结果可用于表征训练完成的初始巡航控制模型的模型性能。
S130、基于预设循环条件和各初始化个体分别对应的适应度数据，对初始化种群执行更新操作，得到目标个体。
其中，具体的，预设循环条件可用于表征结束初始化种群的循环更新的条件。其中，示例性的，更新操作可以是遗传操作。
其中，具体的，目标个体为最后一次循环更新得到的初始化种群中，适应度数据满足预设适应度条件的初始化个体。其中，示例性的，预设适应度条件可以是适应度变化曲线达到稳定状态时对应的迭代次数最少，和/或，适应度结果最小。
S140、基于目标个体，构建目标巡航控制模型，并基于目标巡航控制模型，对目标车辆执行巡航控制操作。
其中，具体的，将目标个体对应的初始化的网络权重作为目标巡航控制模型的初始化的网络权重，得到目标巡航控制模型。
其中，具体的，基于目标巡航控制模型，对目标车辆执行巡航控制操作，包括：获取目标车辆的当前实际车速，并将当前实际车速和设定目标车速输入到目标巡航控制模型中，得到输出的预测巡航扭矩；基于预测巡航扭矩，对目标车辆执行巡航控制操作；在当前迭代次数不满足第二迭代次数阈值的情况下，基于预测巡航扭矩，对目标巡航控制模型中的模型参数进行调整，得到调整后的目标巡航控制模型；将调整后的目标巡航控制模型作为目标巡航控制模型，并重复执行获取目标车辆的当前实际车速的步骤。
其中，具体的，第二迭代次数阈值可以小于第一迭代次数阈值，示例性的，第二迭代次数阈值可以为200次。在一个可选实施例中，基于目标个体对应的适应度变化曲线，确定初始巡航控制模型对应的目标迭代次数，将目标迭代次数作为第二迭代次数阈值。其中，目标迭代次数可以是目标巡航控制模型输出的适应度变化曲线达到稳定状态时对应的迭代次数。
本实施例的技术方案，通过基于初始化种群中的多个初始化个体，分别构建初始巡航控制模型，其中，初始化个体用于表征初始巡航控制模型对应的初始化的网络权重，针对每个初始巡航控制模型，基于设定目标车速和初始巡航控制模型，确定与初始巡航控制模型对应的初始化个体的适应度数据；基于预设循环条件和各初始化个体分别对应的适应度数据，对初始化种群执行更新操作，得到目标个体，基于目标个体，构建目标巡航控制模型，并基于目标巡航控制模型，对目标车辆执行巡航控制操作，解决了车辆巡航车速达到稳定状态的时间较长的问题，无需执行大量的标定工作，省时省力，提高了巡航控制方法的适应性以及巡航控制车速的准确度。
实施例二
图3为本发明实施例二所提供的一种巡航控制方法的流程图，本实施例对上述实施例中“基于预设循环条件和各初始化个体分别对应的适应度数据，对初始化种群执行更新操作，得到目标个体”的技术特征进行进一步细化。如图3所示，该方法包括：
S210、基于初始化种群中的多个初始化个体，分别构建初始巡航控制模型。
S220、针对每个初始巡航控制模型，基于设定目标车速和初始巡航控制模型，确定与初始巡航控制模型对应的初始化个体的适应度数据。
S230、判断是否满足预设循环条件，如果是，则执行S250，如果否，则执行S240。
在一个可选实施例中，预设循环条件包括存在至少一个初始巡航控制模型分别对应的至少两个车速差值均满足预设差值范围，和/或，初始化种群的循环更新次数满足预设更新次数阈值；其中，车速差值是基于设定目标车速和初始巡航控制模型输出的预测巡航扭矩对应的预测巡航车速确定的。
在一个可选实施例中，具体的，针对每个初始化个体分别对应的初始巡航控制模型，获取至少两个迭代操作对应的初始巡航控制模型输出的预测巡航扭矩，并确定各预测巡航扭矩分别对应的预测巡航车速，将各预测巡航车速分别与设定目标车速之间的差值绝对值作为车速差值。其中，示例性的，预测巡航扭矩的数量可以为10个或20个。
其中，示例性的，初始化种群包含10个初始化个体，相应的，初始巡航控制模型的数量为10个，当检测到初始巡航控制模型A对应的至少两个车速差值均满足预设差值范围时，结束初始化种群的循环更新过程。
这样设置的好处在于，避免在预测巡航扭矩达到稳定状态之前，单一的车速差值导致初始化种群的循环更新被错误中断的情况，从而提高目标个体的准确率。
其中，示例性的，预设差值范围可以是小于0.2km/h或小于0.3km/h。此处对预设差值范围不作限定。
其中，示例性的，预设更新次数阈值可以为100次。此处对预设更新次数阈值不作限定。
在一个可选实施例中，预设循环条件包括存在至少一个初始巡航控制模型分别对应的至少两个车速差值均满足预设差值范围以及初始化种群的循环更新次数满足预设更新次数阈值。这样设置的好处在于，一方面可以避免至少两个车速差值一直无法均满足预设差值范围的情况下，初始化种群无法结束循环更新过程的问题出现，另一方面，避免预设更新次数阈值设置不合理时，初始化种群提前结束循环更新过程使得目标个体未达到最优的问题出现。
S240、基于各初始化个体分别对应的适应度数据，对初始化种群执行更新操作，得到更新后的初始化种群，并将更新后的初始化种群作为初始化种群，执行S210。
在一个可选实施例中，初始化个体为初始化染色体，相应的，基于各初始化个体分别对应的适应度数据，对初始化种群执行更新操作，得到更新后的初始化种群，包括：基于各初始化染色体分别对应的适应度数据，对初始化种群执行选择操作、交叉操作和变异操作，得到更新后的初始化种群。
其中，具体的，初始化染色体中的每个基因分别代表初始巡航控制模型中的一个初始化的网络权重。在一个可选实施例中，在初始巡航控制模型为初始PID网络模型时，初始化染色体中包含9个基因。
其中，具体的，基于各初始化个体分别对应的适应度数据，对初始化种群中的各初始化个体执行选择操作，得到第一更新种群。其中，第一更新种群中包含被选中的多个初始化个体。
选择操作中的初始化个体被选择的概率与初始化个体对应的适应度数据相关，如适应度变化曲线达到稳定状态时对应的迭代次数越少且适应度结果越小，则被选择的概率越高，相反，适应度变化曲线达到稳定状态时对应的迭代次数越多且适应度结果越大，则被选择的概率越低。初始化种群中各初始化个体分别对应的被选择的概率之和为1。
其中，具体的，基于交叉概率，对第一更新种群中至少一个初始化个体对分别执行交叉操作，得到第二更新种群。其中，交叉概率可以是随机的，也可以是预先设置的。
其中，具体的，基于变异概率，对第二更新种群中的至少一个初始化个体执行变异操作，得到更新后的初始化种群。其中，变异概率可以是随机的，也可以是预先设置的。
在另一个可选实施例中，初始化个体为初始化粒子，初始化粒子包含位置参数和速度参数，相应的，基于各初始化粒子分别对应的适应度数据，对初始化种群执行更新操作，得到更新后的初始化种群，包括：基于各初始化粒子分别对应的适应度数据，确定各初始化粒子分别对应的基础位置参数，以及将适应度数据满足预设适应度条件的初始化粒子对应的位置参数作为参考位置参数；针对每个初始化粒子，基于参考位置位置和初始化粒子对应的基础位置参数，对初始化粒子的位置参数和速度参数进行更新，得到更新后的初始化粒子；基于各更新后的初始化粒子，构建更新后的初始化种群。
初始化粒子在寻优的过程中维护两个参数，一个是速度参数，一个是位置参数，其中，速度参数决定了初始化粒子运动的方向和速度，位置参数体现了初始化粒子代表的解在空间中的位置。其中，示例性的，初始化种群中的第i个初始化粒子包含速度参数
Figure BDA0003821323290000131
位置参数
Figure BDA0003821323290000132
其中，d表示求解问题的维数，在本实施例中，d表示初始巡航控制模型对应的初始化的网络权重的个数。
其中，具体的，基础位置参数为初始化粒子对应的历史最优的位置参数。
在一个可选实施例中，预设适应度条件可以是适应度变化曲线达到稳定状态时对应的迭代次数最少，和/或，适应度结果最小。
其中，示例性的，第i个初始化粒子对应的位置参数中的第d维的位置按照如下公式进行更新：
Figure BDA0003821323290000133
其中，ω表示惯性权重，c1和c2表示加速度常数，
Figure BDA0003821323290000134
和
Figure BDA0003821323290000135
表示[0,1]之间的随机数，
Figure BDA0003821323290000136
表示位置参数中第d维的历史最优位置，gBestd表示目标粒子对应的位置参数的第d维的位置，t表示循环更新次数。
其中，示例性的，第i个初始化粒子对应的速度参数按照如下公式进行更新：
Figure BDA0003821323290000137
S250、基于初始化种群中各初始化个体分别对应的适应度数据，确定目标个体。
图4为本发明实施例二所提供的一种目标个体的确定方法的流程图。具体的，获取随机生成的初始化种群，其中，初始化种群中包含多个初始化个体，初始化个体为初始化染色体或初始化粒子。基于各初始化个体，分别构建初始巡航控制模型。针对每个初始巡航控制模型，基于自学习算法，训练初始巡航控制模型，在当前迭代次数满足第一迭代次数阈值的情况下，输出mse变化曲线及mse结果。判断是否满足预设差值条件或预设更新次数阈值，如果否，则基于mse变化曲线及mse结果，对初始化种群执行更新操作，生成新一代种群，基于新一代种群，构建初始巡航控制模型。如果是，则输出初始化个体集合。其中，初始化个体集合中包含至少一个满足预设差值条件的初始化个体，预设差值条件为初始化个体对应的初始巡航控制模型的至少两个车速差值均满足预设差值范围。获取初始化个体集合中各初始化个体分别对应的适应度数据，将初始化个体集合中适应度数据最优的初始化个体作为目标个体。
S260、基于目标个体，构建目标巡航控制模型，并基于目标巡航控制模型，对目标车辆执行巡航控制操作。
图5为本发明实施例二所提供的一种巡航控制车速的对比示意图。具体的，两个坐标系的横坐标均表示时间，纵坐标均表示车速。图5中的A图表示基于目标巡航控制模型A基于设定目标车速得到的巡航控制车速随时间变化的曲线，B图表示目标巡航控制模型B基于设定目标车速得到的巡航控制车速随时间变化的曲线，其中，设定目标车速为0.7，目标巡航控制模型A的初始化的网络权重是随机生成的，目标巡航控制模型B的初始化的网络权重为目标个体表征的网络权重。从图5可以看出，目标巡航控制模型B相比于目标巡航控制模型A，巡航控制车速的波动水平更小，巡航控制车速趋于稳定的时长较短，基于训练完成的目标巡航控制模型B确定的巡航控制车速的稳定性相比于基于训练完成的目标巡航控制模型A确定的巡航控制车速的要高。
本实施例的技术方案，通过在满足预设循环条件的情况下，基于初始化种群中各初始化个体分别对应的适应度数据，确定目标个体；在不满足预设循环条件的情况下，基于各初始化个体分别对应的适应度数据，对初始化种群执行更新操作，得到更新后的初始化种群，以及将更新后的初始化种群作为初始化种群，并返回执行基于初始化种群中的多个初始化个体，分别构建初始巡航控制模型的步骤，解决了初始化种群的更新问题，使得巡航控制车速能更快达到稳定状态，进一步提高了巡航控制车速准确度及稳定性。
实施例三
图6为本发明实施例三所提供的一种巡航控制装置的结构示意图。如图6所示，该装置包括：初始巡航控制模型构建模块310、适应度数据确定模块320、目标个体确定模块330和巡航控制操作执行模块340。
其中，初始巡航控制模型构建模块310，用于基于初始化种群中的多个初始化个体，分别构建初始巡航控制模型；其中，初始化个体用于表征初始巡航控制模型对应的初始化的网络权重；
适应度数据确定模块320，用于针对每个初始巡航控制模型，基于设定目标车速和初始巡航控制模型，确定与初始巡航控制模型对应的初始化个体的适应度数据；
目标个体确定模块330，用于基于预设循环条件和各初始化个体分别对应的适应度数据，对初始化种群执行更新操作，得到目标个体；
巡航控制操作执行模块340，用于基于目标个体，构建目标巡航控制模型，并基于目标巡航控制模型，对目标车辆执行巡航控制操作。
本实施例的技术方案，通过基于初始化种群中的多个初始化个体，分别构建初始巡航控制模型，其中，初始化个体用于表征初始巡航控制模型对应的初始化的网络权重，针对每个初始巡航控制模型，基于设定目标车速和初始巡航控制模型，确定与初始巡航控制模型对应的初始化个体的适应度数据；基于预设循环条件和各初始化个体分别对应的适应度数据，对初始化种群执行更新操作，得到目标个体，基于目标个体，构建目标巡航控制模型，并基于目标巡航控制模型，对目标车辆执行巡航控制操作，解决了车辆巡航车速达到稳定状态的时间较长的问题，无需执行大量的标定工作，省时省力，提高了巡航控制方法的适应性以及巡航控制车速的准确度。
在上述实施例的基础上，可选的，适应度数据确定模块320，包括：
预测巡航扭矩输出单元，用于获取目标车辆的当前实际车速，并将设定目标车速和当前实际车速输入到初始巡航控制模型中，得到输出的预测巡航扭矩；
当前迭代次数判断单元，用于判断当前迭代次数是否满足第一迭代次数阈值；
适应度数据确定单元，用于如果是，则基于至少一个预测巡航扭矩以及与设定目标车速对应的设定巡航扭矩，确定与初始巡航控制模型对应的初始化个体的适应度数据；
初始巡航控制模型调整单元，用于如果否，则基于预测巡航扭矩，对初始巡航控制模型中的模型参数进行调整，得到调整后的初始巡航控制模型，以及将调整后的初始巡航控制模型作为初始巡航控制模型，并重复执行获取目标车辆的当前实际车速的步骤。
在上述实施例的基础上，可选的，适应度数据包括适应度变化曲线和/或适应度结果，相应的，适应度数据确定单元，具体用于：
基于至少两个预测巡航扭矩以及与设定目标车速对应的设定巡航扭矩，确定与初始巡航控制模型对应的初始化个体的适应度变化曲线；
和/或，
基于任一预测巡航扭矩以及与设定目标车速对应的设定巡航扭矩，确定与初始巡航控制模型对应的初始化个体的适应度结果。
在上述实施例的基础上，可选的，预设循环条件包括存在至少一个初始巡航控制模型分别对应的至少两个车速差值均满足预设差值范围，和/或，初始化种群的循环更新次数满足预设更新次数阈值；其中，车速差值是基于设定目标车速和初始巡航控制模型输出的预测巡航扭矩对应的预测巡航车速确定的。
在上述实施例的基础上，可选的，目标个体确定模块330，包括：
目标个体确定单元，用于在满足预设循环条件的情况下，基于初始化种群中各初始化个体分别对应的适应度数据，确定目标个体；
初始化种群更新单元，用于在不满足预设循环条件的情况下，基于各初始化个体分别对应的适应度数据，对初始化种群执行更新操作，得到更新后的初始化种群，以及将更新后的初始化种群作为初始化种群，并返回执行基于初始化种群中的多个初始化个体，分别构建初始巡航控制模型的步骤。
在上述实施例的基础上，可选的，初始化个体为初始化染色体，相应的，目标个体确定单元，具体用于：
基于各初始化染色体分别对应的适应度数据，对初始化种群执行选择操作、交叉操作和变异操作，得到更新后的初始化种群。
在上述实施例的基础上，可选的，初始化个体为初始化粒子，初始化粒子包含位置参数和速度参数，相应的，目标个体确定单元，具体用于：
基于各初始化粒子分别对应的适应度数据，确定各初始化粒子分别对应的基础位置参数，以及将适应度数据满足预设适应度条件的初始化粒子对应的位置参数作为参考位置参数；
针对每个初始化粒子，基于参考位置位置和初始化粒子对应的基础位置参数，对初始化粒子的位置参数和速度参数进行更新，得到更新后的初始化粒子；
基于各更新后的初始化粒子，构建更新后的初始化种群。
本发明实施例所提供的巡航控制装置可执行本发明任意实施例所提供的巡航控制方法，具备执行方法相应的功能模块和有益效果。
实施例四
图7为本发明实施例四所提供的一种电子设备的结构示意图。电子设备10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、个人数字助理、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，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
如图7所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。
处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理，例如巡航控制方法。
在一些实施例中，巡航控制方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的巡航控制方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行巡航控制方法。
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)、芯片上系统的系统(SOC)、负载可编程逻辑设备(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。
用于实施本发明的巡航控制方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
实施例五
本发明实施例五还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行一种巡航控制方法，该方法包括：
基于初始化种群中的多个初始化个体，分别构建初始巡航控制模型；其中，初始化个体用于表征初始巡航控制模型对应的初始化的网络权重；
针对每个初始巡航控制模型，基于设定目标车速和初始巡航控制模型，确定与初始巡航控制模型对应的初始化个体的适应度数据；
基于预设循环条件和各初始化个体分别对应的适应度数据，对初始化种群执行更新操作，得到目标个体；
基于目标个体，构建目标巡航控制模型，并基于目标巡航控制模型，对目标车辆执行巡航控制操作。
在本发明的上下文中，计算机可读存储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计算机程序。计算机可读存储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。备选地，计算机可读存储介质可以是机器可读信号介质。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，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：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电子设备。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)、区块链网络和互联网。
计算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服务中，存在的管理难度大，业务扩展性弱的缺陷。
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，本发明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，只要能够实现本发明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，并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种巡航控制的方法，其特征在于，包括：
基于初始化种群中的多个初始化个体，分别构建初始巡航控制模型；其中，所述初始化个体用于表征初始巡航控制模型对应的初始化的网络权重；
针对每个初始巡航控制模型，基于设定目标车速和所述初始巡航控制模型，确定与所述初始巡航控制模型对应的初始化个体的适应度数据；
基于预设循环条件和各所述初始化个体分别对应的适应度数据，对所述初始化种群执行更新操作，得到目标个体；
基于所述目标个体，构建目标巡航控制模型，并基于所述目标巡航控制模型，对目标车辆执行巡航控制操作。
2.根据权利要求1所述的方法，其特征在于，所述基于设定目标车速和所述初始巡航控制模型，确定与所述初始巡航控制模型对应的初始化个体的适应度数据，包括：
获取目标车辆的当前实际车速，并将所述设定目标车速和所述当前实际车速输入到所述初始巡航控制模型中，得到输出的预测巡航扭矩；
判断当前迭代次数是否满足第一迭代次数阈值；
如果是，则基于至少一个预测巡航扭矩以及与所述设定目标车速对应的设定巡航扭矩，确定与所述初始巡航控制模型对应的初始化个体的适应度数据；
如果否，则基于所述预测巡航扭矩，对所述初始巡航控制模型中的模型参数进行调整，得到调整后的初始巡航控制模型，以及将调整后的初始巡航控制模型作为初始巡航控制模型，并重复执行获取目标车辆的当前实际车速的步骤。
3.根据权利要求2所述的方法，其特征在于，所述适应度数据包括适应度变化曲线和/或适应度结果，相应的，所述基于至少一个预测巡航扭矩以及与所述设定目标车速对应的设定巡航扭矩，确定与所述初始巡航控制模型对应的初始化个体的适应度数据，包括：
基于至少两个预测巡航扭矩以及与所述设定目标车速对应的设定巡航扭矩，确定与所述初始巡航控制模型对应的初始化个体的适应度变化曲线；
和/或，
基于任一预测巡航扭矩以及与所述设定目标车速对应的设定巡航扭矩，确定与所述初始巡航控制模型对应的初始化个体的适应度结果。
4.根据权利要求2所述的方法，其特征在于，所述预设循环条件包括存在至少一个初始巡航控制模型分别对应的至少两个车速差值均满足预设差值范围，和/或，初始化种群的循环更新次数满足预设更新次数阈值；其中，所述车速差值是基于所述设定目标车速和所述初始巡航控制模型输出的预测巡航扭矩对应的预测巡航车速确定的。
5.根据权利要求4所述的方法，其特征在于，所述基于预设循环条件和各所述初始化个体分别对应的适应度数据，对所述初始化种群执行更新操作，得到目标个体，包括：
在满足预设循环条件的情况下，基于所述初始化种群中各初始化个体分别对应的适应度数据，确定目标个体；
在不满足预设循环条件的情况下，基于各所述初始化个体分别对应的适应度数据，对所述初始化种群执行更新操作，得到更新后的初始化种群，以及将更新后的初始化种群作为初始化种群，并返回执行基于初始化种群中的多个初始化个体，分别构建初始巡航控制模型的步骤。
6.根据权利要求5所述的方法，其特征在于，所述初始化个体为初始化染色体，相应的，所述基于各所述初始化个体分别对应的适应度数据，对所述初始化种群执行更新操作，得到更新后的初始化种群，包括：
基于各所述初始化染色体分别对应的适应度数据，对所述初始化种群执行选择操作、交叉操作和变异操作，得到更新后的初始化种群。
7.根据权利要求6所述的方法，其特征在于，所述初始化个体为初始化粒子，所述初始化粒子包含位置参数和速度参数，相应的，所述基于各所述初始化个体分别对应的适应度数据，对所述初始化种群执行更新操作，得到更新后的初始化种群，包括：
基于各所述初始化粒子分别对应的适应度数据，确定各所述初始化粒子分别对应的基础位置参数，以及将适应度数据满足预设适应度条件的初始化粒子对应的位置参数作为参考位置参数；
针对每个初始化粒子，基于所述参考位置位置和所述初始化粒子对应的基础位置参数，对所述初始化粒子的位置参数和速度参数进行更新，得到更新后的初始化粒子；
基于各所述更新后的初始化粒子，构建更新后的初始化种群。
8.一种巡航控制装置，其特征在于，包括：
初始巡航控制模型构建模块，用于基于初始化种群中的多个初始化个体，分别构建初始巡航控制模型；其中，所述初始化个体用于表征初始巡航控制模型对应的初始化的网络权重；
适应度数据确定模块，用于针对每个初始巡航控制模型，基于设定目标车速和所述初始巡航控制模型，确定与所述初始巡航控制模型对应的初始化个体的适应度数据；
目标个体确定模块，用于基于预设循环条件和各所述初始化个体分别对应的适应度数据，对所述初始化种群执行更新操作，得到目标个体；
巡航控制操作执行模块，用于基于所述目标个体，构建目标巡航控制模型，并基于所述目标巡航控制模型，对目标车辆执行巡航控制操作。
9.一种电子设备，其特征在于，所述电子设备包括：
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计算机程序，所述计算机程序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1-7中任一项所述的巡航控制方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的巡航控制方法。
CN202211052599.4A 2022-08-29 2022-08-29 一种巡航控制方法、装置、设备及存储介质 Active CN115402310B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211052599.4A CN115402310B (zh) 2022-08-29 2022-08-29 一种巡航控制方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211052599.4A CN115402310B (zh) 2022-08-29 2022-08-29 一种巡航控制方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN115402310A true CN115402310A (zh) 2022-11-29
CN115402310B CN115402310B (zh) 2024-07-19

Family

ID=84163826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211052599.4A Active CN115402310B (zh) 2022-08-29 2022-08-29 一种巡航控制方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115402310B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109376493A (zh) * 2018-12-17 2019-02-22 武汉理工大学 一种粒子群优化的径向基神经网络车辆速度跟踪方法
CN109835335A (zh) * 2017-11-28 2019-06-04 蔚来汽车有限公司 电动车辆巡航控制方法和系统及车辆、控制器和存储介质
CN112208526A (zh) * 2020-10-09 2021-01-12 潍柴动力股份有限公司 一种巡航控制方法、装置、车辆及存储介质
CN113885320A (zh) * 2021-09-26 2022-01-04 北京航空航天大学 一种基于混合量子鸽群优化的飞行器随机鲁棒控制方法
CN114670856A (zh) * 2022-03-30 2022-06-28 湖南大学无锡智能控制研究院 一种基于bp神经网络的参数自整定纵向控制方法及系统
US20220219691A1 (en) * 2018-03-04 2022-07-14 Traxen Inc. Automated cruise control system
CN114765973A (zh) * 2019-09-22 2022-07-19 瓦亚视觉传感有限公司 用于交通工具的自动驾驶的方法和系统
WO2022227720A1 (zh) * 2021-04-27 2022-11-03 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

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109835335A (zh) * 2017-11-28 2019-06-04 蔚来汽车有限公司 电动车辆巡航控制方法和系统及车辆、控制器和存储介质
US20220219691A1 (en) * 2018-03-04 2022-07-14 Traxen Inc. Automated cruise control system
CN109376493A (zh) * 2018-12-17 2019-02-22 武汉理工大学 一种粒子群优化的径向基神经网络车辆速度跟踪方法
CN114765973A (zh) * 2019-09-22 2022-07-19 瓦亚视觉传感有限公司 用于交通工具的自动驾驶的方法和系统
CN112208526A (zh) * 2020-10-09 2021-01-12 潍柴动力股份有限公司 一种巡航控制方法、装置、车辆及存储介质
WO2022227720A1 (zh) * 2021-04-27 2022-11-03 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
CN113885320A (zh) * 2021-09-26 2022-01-04 北京航空航天大学 一种基于混合量子鸽群优化的飞行器随机鲁棒控制方法
CN114670856A (zh) * 2022-03-30 2022-06-28 湖南大学无锡智能控制研究院 一种基于bp神经网络的参数自整定纵向控制方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘洪玮;石红瑞;: "遗传算法在汽车巡航控制系统中的应用", 自动化仪表, no. 11, 20 November 2009 (2009-11-20) *
吴光强;张德明;: "遗传算法在汽车巡航模糊控制参数优化中的应用", 汽车工程, no. 12, 25 December 2008 (2008-12-25) *

Also Published As

Publication number Publication date
CN115402310B (zh) 2024-07-19

Similar Documents

Publication Publication Date Title
CN112579758A (zh) 模型训练方法、装置、设备、存储介质和程序产品
CN114596553B (zh) 模型训练方法、轨迹预测方法、装置及自动驾驶车辆
CN114091128B (zh) 一种排样方案的确定方法、装置及电子设备
CN113887748B (zh) 在线联邦学习任务分配方法、装置、联邦学习方法及系统
CN114384931B (zh) 一种基于策略梯度的无人机多目标最优控制方法和设备
CN116307215A (zh) 一种电力系统的负荷预测方法、装置、设备及存储介质
CN112861362B (zh) 一种基于整车油耗的动力总成性能参数优化方法和装置
CN109598329A (zh) 一种基于进化混沌边缘的卷积储备池优化方法
CN115293366A (zh) 模型训练方法、信息预测方法、装置、设备及介质
CN116796639A (zh) 短期电力负荷预测方法、装置及设备
CN117057258B (zh) 基于权重分配相关系数的黑启动过电压预测方法及系统
CN117784832A (zh) 一种测试车辆测试车速的控制方法、装置及电子设备
Tembine Mean field stochastic games: Convergence, Q/H-learning and optimality
CN114650321A (zh) 用于边缘计算的任务调度方法及边缘计算终端
CN115402310B (zh) 一种巡航控制方法、装置、设备及存储介质
CN116523249A (zh) 一种生产线确定方法、装置、设备和存储介质
CN113112311B (zh) 训练因果推断模型的方法、信息提示方法以装置
CN114861318A (zh) 自动驾驶控制参数模型的训练方法、参数获取方法和装置
CN115009278B (zh) 一种巡航控制方法、装置、设备及存储介质
CN115456184A (zh) 量子电路处理方法、量子态制备方法、装置、设备及介质
CN113112092A (zh) 一种短期概率密度负荷预测方法、装置、设备和存储介质
CN115561999B (zh) 一种pi控制器的参数优化方法、装置、设备及介质
CN117970817B (zh) 一种非线性机电系统在线辨识与鲁棒控制方法及装置
CN117516538B (zh) 一种无人机航路规划方法、装置、计算设备及存储介质
CN113988185B (zh) 数据处理方法及相关装置

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