CN115973171A - 车辆速度控制方法、装置、车辆及存储介质 - Google Patents
车辆速度控制方法、装置、车辆及存储介质 Download PDFInfo
- Publication number
- CN115973171A CN115973171A CN202310007772.7A CN202310007772A CN115973171A CN 115973171 A CN115973171 A CN 115973171A CN 202310007772 A CN202310007772 A CN 202310007772A CN 115973171 A CN115973171 A CN 115973171A
- Authority
- CN
- China
- Prior art keywords
- speed
- vehicle
- predicted
- prediction model
- distance
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 25
- 230000015654 memory Effects 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 11
- 230000006399 behavior Effects 0.000 claims description 8
- 230000001276 controlling effect Effects 0.000 description 16
- 230000002596 correlated effect Effects 0.000 description 12
- 239000010410 layer Substances 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000002085 persistent effect Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000001143 conditioned effect Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Images
Classifications
-
- 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
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本申请涉及一种车辆速度控制方法、装置、车辆及存储介质。该车辆速度控制方法，包括：获取车辆识别的路况数据；将所述路况数据输入速度预测模型进行预测，其中所述速度预测模型基于历史速度控制数据训练得到；获取所述速度预测模型输出的预测车速，根据所述预测车速控制车辆行驶。本申请提供的方案，能够更全面实现车辆速度控制，提高行驶安全性及提升驾驶体验。
Description
技术领域
本申请涉及自动驾驶技术领域，尤其涉及一种车辆速度控制方法、装置、车辆及存储介质。
背景技术
自动驾驶技术是采用环境信息感知识别、人工智能和车网联系统智能决策控制的技术。车辆可以收集云端和车载传感器的车联网数据、地理数据、环境感知数据等信息，识别车辆驾驶区域的环境特征，进行任务设定和控制规划。
相关技术中，可以基于减速带进行自动驾驶控制。该方法在车辆自动驾驶过程中，实时获取车辆前方的道路信息中的预设特征信息；判断预设特征信息中是否含有减速带；若是，则下发减速指令至底盘控制器，以使底盘控制器控制车辆进行减速。
但是，相关技术的车辆速度控制方法，需依赖于实时道路信息，不具备预测能力，而且仅考虑减速带一种路况，行驶安全性有待提高。
发明内容
为解决或部分解决相关技术中存在的问题，本申请提供一种车辆速度控制方法、装置、车辆及存储介质，能够更全面实现车辆速度控制，提高行驶安全性及提升驾驶体验。
本申请第一方面提供一种车辆速度控制方法，包括：
获取车辆识别的路况数据；
将所述路况数据输入速度预测模型进行预测，其中所述速度预测模型基于历史速度控制数据训练得到；
获取所述速度预测模型输出的预测车速，根据所述预测车速控制车辆行驶。
在一实施方式中，所述获取车辆识别的路况数据，包括：
获取车辆识别的以下其中一种或至少两种路况数据：前车距离、路口距离、红绿灯信号、弯道距离、匝道距离、隧道距离。
在一实施方式中，所述速度预测模型基于历史减速控制数据训练得到；
所述根据所述预测车速控制车辆行驶，包括：根据所述预测车速控制车辆减速行驶。
在一实施方式中，所述将所述路况数据输入速度预测模型进行预测，包括：
在检测到车辆油门踏板被松开后，将所述路况数据输入速度预测模型进行预测。
在一实施方式中，所述速度预测模型利用神经网络模型或隐马尔科夫模型进行离线训练得到。
在一实施方式中，所述获取所述速度预测模型输出的预测车速，根据所述预测车速控制车辆行驶，包括：
在所述速度预测模型根据所述前车距离小于预设距离输出预测车速后，获取所述预测车速，根据所述预测车速控制车辆减速行驶；或，
在所述速度预测模型根据所述红绿灯信号及所述路口距离小于预设距离输出预测车速后，获取所述预测车速，根据所述预测车速控制车辆减速行驶；或，
在所述速度预测模型根据所述弯道距离小于预设距离输出预测车速后，获取所述预测车速，根据所述预测车速控制车辆减速行驶；或，
在所述速度预测模型根据所述匝道距离小于预设距离输出预测车速后，获取所述预测车速，根据所述预测车速控制车辆减速行驶；或，
在所述速度预测模型根据所述隧道距离小于预设距离输出预测车速后，获取所述预测车速，根据所述预测车速控制车辆减速行驶。
在一实施方式中，所述获取所述速度预测模型输出的预测车速，根据所述预测车速控制车辆行驶，包括：
在所述速度预测模型根据历史地点及在所述历史地点的历史减速行为输出预测车速后，获取所述预测车速，根据所述预测车速控制车辆减速行驶。
本申请第二方面提供一种车辆速度控制装置，包括：
路况获取模块，用于获取车辆识别的路况数据；
预测模块，用于将所述路况数据输入速度预测模型进行预测，其中所述速度预测模型基于历史速度控制数据训练得到；
控制模块，用于获取所述速度预测模型输出的预测车速，根据所述预测车速控制车辆行驶。
本申请第三方面提供一种车辆，包括：
处理器；以及
存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上所述的方法。
本申请第四方面提供一种计算机可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如上所述的方法。
本申请提供的技术方案可以包括以下有益效果：
本申请的技术方案，通过对驾驶员历史速度控制规律的统计学习训练得到速度预测模型，在将路况数据输入速度预测模型进行预测后可以获得预测车速，然后根据预测车速就可以控制车辆行驶，这样不依赖于实时道路信息，也不仅只考虑单一路况，因此可以使得车辆具有预测能力，能够实现速度控制行为预测及自动对车辆进行速度控制，从而能够更全面实现车辆速度控制，提高行驶安全性及提升驾驶体验。
本申请可以获取车辆识别的以下其中一种或至少两种路况数据：前车距离、路口距离、红绿灯信号、弯道距离、匝道距离、隧道距离，从而基本覆盖日常驾驶所遇减速场景，考虑了不同时间、地点下的不同减速场景的减速需求差异，可以适用于城市及高速驾驶工况，基本覆盖日常驾驶所遇减速场景，可以有效提升驾驶体验及行驶安全性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
通过结合附图对本申请示例性实施方式进行更详细地描述，本申请的上述以及其它目的、特征和优势将变得更加明显，其中，在本申请示例性实施方式中，相同的参考标号通常代表相同部件。
图1是本申请示出的车辆速度控制方法的流程示意图；
图2是本申请另一示出的车辆速度控制方法的流程示意图；
图3是本申请示出的应用神经网络模型进行训练的车辆速度控制的应用示意图；
图4是本申请示出的应用隐马尔科夫模型进行训练的车辆速度控制的应用示意图；
图5是本申请示出的车辆速度控制装置的结构示意图；
图6是本申请示出的车辆的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的实施方式。虽然附图中显示了本申请的实施方式，然而应该理解，可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本申请更加透彻和完整，并且能够将本申请的范围完整地传达给本领域的技术人员。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语“第一”、“第二”、“第三”等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
相关技术的车辆速度控制方法，需依赖于实时道路信息，不具备预测能力，而且仅考虑减速带一种路况，行驶安全性有待提高。针对上述问题，本申请提供一种车辆速度控制方法，能够更全面实现车辆速度控制，提高行驶安全性及提升驾驶体验。
以下结合附图详细描述本申请的技术方案。
参见图1，本申请的车辆速度控制方法包括：
S11、获取车辆识别的路况数据。
该步骤可以获取车辆通过传感器识别的以下其中一种或至少两种路况数据：前车距离、路口距离、红绿灯信号、弯道距离、匝道距离、隧道距离。其中，传感器可以包括摄像头或雷达等。摄像头可以安装在车辆前挡风玻璃的上方或车辆前保险杠的上方等拍摄前方环境的情况，还可以安装在左轮胎和右轮胎附近拍摄车辆两边环境的情况。其中，雷达可以是激光雷达、超声波雷达、微波雷达等。
S12、将路况数据输入速度预测模型进行预测，其中速度预测模型基于历史速度控制数据训练得到。
其中，速度预测模型可以基于历史减速控制数据训练得到。
该步骤可以是在检测到车辆油门踏板被松开后，将路况数据输入速度预测模型进行预测。
其中，速度预测模型利用神经网络模型或隐马尔科夫模型进行离线训练得到。
S13、获取速度预测模型输出的预测车速，根据预测车速控制车辆行驶。
速度预测模型可以基于历史减速控制数据训练得到，速度预测模型输出的预测车速可以是预测减速度值，该步骤可以根据预测车速控制车辆减速行驶。
该步骤可以在速度预测模型根据前车距离小于预设距离输出预测车速后，获取预测车速，根据预测车速控制车辆减速行驶；或，
在速度预测模型根据红绿灯信号及路口距离小于预设距离输出预测车速后，获取预测车速，根据预测车速控制车辆减速行驶；或，
在速度预测模型根据弯道距离小于预设距离输出预测车速后，获取预测车速，根据预测车速控制车辆减速行驶；或，
在速度预测模型根据匝道距离小于预设距离输出预测车速后，获取预测车速，根据预测车速控制车辆减速行驶；或，
在速度预测模型根据隧道距离小于预设距离输出预测车速后，获取预测车速，根据预测车速控制车辆减速行驶。
该步骤还可以在速度预测模型根据历史地点及在历史地点的历史减速行为输出预测车速后，获取预测车速，根据预测车速控制车辆减速行驶。
本申请的技术方案，通过对驾驶员历史速度控制规律的统计学习训练得到速度预测模型，在将路况数据输入速度预测模型进行预测后可以获得预测车速，然后根据预测车速就可以控制车辆行驶，这样不依赖于实时道路信息，也不仅只考虑单一路况，因此可以使得车辆具有预测能力，能够实现速度控制行为预测及自动对车辆进行速度控制，从而能够更全面实现车辆速度控制，提高行驶安全性及提升驾驶体验。
以下进一步对本申请方案进行详细介绍。
本申请中，车辆速度控制以减速控制为例但不局限于此。本申请通过对车辆驾驶员历史减速规律的统计学习，实现减速行为预测及车辆减速控制，在检测到驾驶员松开油门踏板后，根据预测车速控制车辆在不同路况下(例如前方有车辆、前方有路口、前方即将入弯道、前方习惯减速等)减速，帮助驾驶员辅助减速及平稳驾驶。本申请方案使得车辆具有实时预测能力，并考虑多种减速路口，适用于城市及高速驾驶工况，基本覆盖日常驾驶所遇减速场景，可以有效提升驾驶体验及行驶安全性。
本申请根据历史减速规律的学习，考虑不同时间、地点下的不同减速场景的减速需求差异，在检测到驾驶员松开油门踏板后，通过预测主动控制车辆减速，辅助驾驶员平稳减速。本申请所涵盖的车辆减速控制场景包括但不限于以下场景：道路前方有车辆、道路前方遇到路口、道路前方为弯道、道路前方为匝道、道路前方为隧道、道路前方历史习惯。
参见图2，本申请的车辆速度控制方法包括：
S21、预先利用设定模型训练得到速度预测模型。
例如，预先利用LSTM神经网络模型训练得到速度预测模型(可参见图3所示)，或者预先利用隐马尔科夫模型训练得到速度预测模型(可参见图4所示)。
其中，可以基于LSTM(Long Short-Term Memory，长短期记忆神经网络)模型进行减速度控制预测。该神经网络包括输入层、隐藏层及输出层，其中输入层节点信号包括前车距离、路口距离、红绿灯信号、弯道距离、匝道距离、隧道距离，另外还可以包括当前车速、当前减速度、当前横摆角速度、时间、当前GPS(Global Positioning System，全球定位系统)位置等，其中输出层节点为预测减速度值。
其中，可以基于隐马尔科夫模型进行减速度控制预测。其中隐状态为车辆下一时刻减速度，其变化服从马尔科夫过程，而每一隐状态又对应于可观测状态(包括前车距离、路口距离、红绿灯信号、弯道距离、匝道距离、隧道距离、当前车速、当前减速度、当前横摆角速度、时间、当前GPS位置等)。
其中，参见图3，利用LSTM模型训练得到速度预测模型的过程包括：
1)进行历史数据预处理。
获取车辆驾驶员的历史减速控制数据，对历史减速控制数据进行预处理，例如筛选有代表性的历史减速控制数据，减小数据冗余等。
2)建立LSTM神经网络模型。
建立LSTM神经网络模型，该神经网络包括输入层、隐藏层及输出层。LSTM是一种时间循环神经网络，是为了解决一般的RNN(Recurrent Neural Network，循环神经网络)存在的长期依赖问题而专门设计出来的。LSTM主要通过引入门控机制来控制信息的累积速度，包括有选择地加入新的信息，并有选择地遗忘之前累积的信息，由此改善循环神经网络(RNN)的长程依赖问题以及缓解长序列训练过程中的梯度消失问题。
3)进行模型离线训练。
其中，LSTM神经网络模型的输入层节点信号包括前车距离、路口距离、红绿灯信号、弯道距离、匝道距离、隧道距离，另外还可以包括当前车速、当前减速度、当前横摆角速度、时间、当前GPS位置等，其中LSTM神经网络模型的输出层节点为预测减速度值。
4)判断模型输出是否满足精度条件，如果满足精度条件，进入6)输出速度预测模型，如果不满足精度条件，进入5)调节模型参数。
5)调节模型参数。
对模型参数进行条件，以使得模型输出的预测减速度值满足精度条件。
6)确定速度预测模型。
其中，参见图4，利用隐马尔科夫模型训练得到速度预测模型的过程包括：
1)进行历史数据预处理。
获取车辆驾驶员的历史减速控制数据，对历史减速控制数据进行预处理，例如筛选有代表性的历史减速控制数据，减小数据冗余等。
2)建立隐马尔科夫模型。
HMM(Hidden Markov Model，隐马尔可夫模型)是统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程，其难点是从可观察的参数中确定该过程的隐含参数，然后利用这些参数来作进一步的分析，例如模式识别。隐马尔可夫模型是马尔可夫链的一种，它的状态不能直接观察到，但能通过观测向量序列观察到，每个观测向量都是通过某些概率密度分布表现为各种状态，每一个观测向量是由一个具有相应概率密度分布的状态序列产生。
隐马尔可夫模型包括2个状态集合，即隐状态和可观测状态。其中，隐状态之间满足马尔可夫性质，是马尔可夫模型中实际所隐含的状态。这些状态通常无法通过直接观测而得到。其中，可观测状态在模型中与隐含状态相关联，可通过直接观测而得到。可观测状态的数目不一定要和隐含状态的数目一致。
3)进行模型离线训练。
其中，隐马尔科夫模型的隐状态为车辆下一时刻减速度，其变化服从马尔科夫过程，而每一隐状态又对应于可观测状态(包括前车距离、路口距离、红绿灯信号、弯道距离、匝道距离、隧道距离、当前车速、当前减速度、当前横摆角速度、时间、当前GPS位置等)。
4)判断模型输出是否满足精度条件，如果满足精度条件，进入6)输出速度预测模型，如果不满足精度条件，进入5)调节模型参数。
5)调节模型参数。
对模型参数进行条件，以使得模型输出的预测减速度值满足精度条件。
6)确定速度预测模型。
应用车辆历史减速场景数据训练神经网络模型后，后续步骤就可以使用训练后的模型实现实时减速度预测。
S22、获取速度预测模型。
在离线训练确定速度预测模型后，该步骤可以获取训练得到的速度预测模型，进行在线预测。
S23、获取车辆识别的路况数据。
车辆识别的路况数据可以包括：前车距离、路口距离、红绿灯信号、弯道距离、匝道距离、隧道距离，另外还可以包括当前车速、当前减速度、当前横摆角速度、时间、当前GPS位置等。
S24、在检测到车辆油门踏板被松开后，将路况数据输入速度预测模型进行预测。
在检测到车辆油门踏板被松开后，将路况数据作为输入参数输入速度预测模型进行在线预测。
S25、获取速度预测模型输出的预测车速，根据预测车速控制车辆减速行驶。
该步骤可以针对不同的车辆减速控制场景进行不同的减速控制：
(1)道路前方有车辆：当前车距离小于预设距离，速度预测模型根据历史减速规律输出减速度，车辆根据速度预测模型输出的减速度控制车辆减速，减速度绝对值与车速呈正相关，且减速度绝对值与前车距离呈反相关。
(2)道路前方遇到路口：
当路口红绿灯为红灯，当距离路口小于预设距离，当前车速大于零，速度预测模型根据历史减速规律输出减速度，车辆根据速度预测模型输出的减速度控制车辆减速，减速度绝对值与车速呈正相关，且减速度绝对值与路口距离呈反相关；
当路口红绿灯为绿灯，当距离路口小于预设距离，当前车速大于预设车速，速度预测模型根据历史减速规律输出减速度，车辆根据速度预测模型输出的减速度控制车辆减速，减速度绝对值与车速呈正相关，且减速度绝对值与路口距离呈反相关。
(3)道路前方为弯道：当弯道距离小于预设距离，当前车速大于预设车速，速度预测模型根据历史减速规律输出减速度，车辆根据速度预测模型输出的减速度控制车辆减速，减速度绝对值与车速呈正相关，且减速度绝对值与前车距离呈反相关。
(4)道路前方为匝道：当匝道距离小于预设距离，当前车速大于预设车速，速度预测模型根据历史减速规律输出减速度，车辆根据速度预测模型输出的减速度控制车辆减速，减速度绝对值与车速呈正相关，且减速度绝对值与前车距离呈反相关。
(5)道路前方为隧道：当隧道距离小于预设距离，当前车速大于预设车速，速度预测模型根据历史减速规律输出减速度，车辆根据速度预测模型输出的减速度控制车辆减速，减速度绝对值与车速呈正相关，且减速度绝对值与前车距离呈反相关。
(6)道路前方历史习惯减速：当同一地点、临近时间内车辆多次发生减速行为，认为该地点存在减速需求，当车辆在预设时间范围内经过该地点，速度预测模型根据历史减速规律输出减速度，车辆根据速度预测模型输出的减速度控制车辆减速。
可以发现，本申请方案与相关技术方案相比，通过学习历史数据，可以实现车辆减速度预测控制，并与时间、空间、多种道路状况相结合，能够较为全面且有效地帮助驾驶员完成减速。本申请方案通过对各种驾驶场景的主动减速控制，能够辅助驾驶员平稳减速，减少驾驶员反应时间影响。在一定场景下，可以实现单踏板模式，即驾驶员只需松开油门踏板，无需踩下制动踏板，即可基于本申请方案过渡到合理车速区间。本申请方案一方面可以避免急刹车，提升驾驶平顺性及驾乘体验，另一方面也可以辅助控制车速在合理区间，减少驾驶事故发生的可能性，提升驾驶安全性。
需说明的是，本申请方案还可以仅实时减速干预，而不考虑基于历史数据预测的减速控制；或者，仅考虑时间、空间的历史减速度数据学习；或者，仅考虑某一种或几种车辆减速控制路况的历史减速度数据学习。
与前述应用功能实现方法实施例相对应，本申请还提供了一种车辆速度控制装置及车辆。
参见图5，本申请的车辆速度控制装置50，包括：路况获取模块501、预测模块502、控制模块503。
路况获取模块501，用于获取车辆识别的路况数据。路况获取模块501可以获取车辆识别的以下其中一种或至少两种路况数据：前车距离、路口距离、红绿灯信号、弯道距离、匝道距离、隧道距离。
预测模块502，用于将路况数据输入速度预测模型进行预测，其中速度预测模型基于历史速度控制数据训练得到。其中，速度预测模型可以基于历史减速控制数据训练得到。预测模块502可以是在检测到车辆油门踏板被松开后，将路况数据输入速度预测模型进行预测。其中，速度预测模型利用神经网络模型或隐马尔科夫模型进行离线训练得到。
控制模块503，用于获取速度预测模型输出的预测车速，根据预测车速控制车辆行驶。速度预测模型可以基于历史减速控制数据训练得到，速度预测模型输出的预测车速可以是预测减速度值，控制模块503可以根据预测车速控制车辆减速行驶。
控制模块503可以在速度预测模型根据前车距离小于预设距离输出预测车速后，获取预测车速，根据预测车速控制车辆减速行驶；或，
在速度预测模型根据红绿灯信号及路口距离小于预设距离输出预测车速后，获取预测车速，根据预测车速控制车辆减速行驶；或，
在速度预测模型根据弯道距离小于预设距离输出预测车速后，获取预测车速，根据预测车速控制车辆减速行驶；或，
在速度预测模型根据匝道距离小于预设距离输出预测车速后，获取预测车速，根据预测车速控制车辆减速行驶；或，
在速度预测模型根据隧道距离小于预设距离输出预测车速后，获取预测车速，根据预测车速控制车辆减速行驶。
控制模块503还可以在速度预测模型根据历史地点及在历史地点的历史减速行为输出预测车速后，获取预测车速，根据预测车速控制车辆减速行驶。
本申请提供的车辆速度控制装置，通过对驾驶员历史速度控制规律的统计学习训练得到速度预测模型，在将路况数据输入速度预测模型进行预测后可以获得预测车速，然后根据预测车速就可以控制车辆行驶，这样不依赖于实时道路信息，也不仅只考虑单一路况，因此可以使得车辆具有预测能力，能够实现速度控制行为预测及自动对车辆进行速度控制，从而能够更全面实现车辆速度控制，提高行驶安全性及提升驾驶体验。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不再做详细阐述说明。
图6是本申请示出的车辆的结构示意图。
参见图6，车辆1000包括存储器1010和处理器1020。
处理器1020可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器1010可以包括各种类型的存储单元，例如系统内存、只读存储器(ROM)和永久存储装置。其中，ROM可以存储处理器1020或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中，永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中，永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。系统内存可以是可读写存储设备或者易失性可读写存储设备，例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外，存储器1010可以包括任意计算机可读存储媒介的组合，包括各种类型的半导体存储芯片(例如DRAM，SRAM，SDRAM，闪存，可编程只读存储器)，磁盘和/或光盘也可以采用。在一些实施方式中，存储器1010可以包括可读和/或写的可移除的存储设备，例如激光唱片(CD)、只读数字多功能光盘(例如DVD-ROM，双层DVD-ROM)、只读蓝光光盘、超密度光盘、闪存卡(例如SD卡、min SD卡、Micro-SD卡等)、磁性软盘等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
存储器1010上存储有可执行代码，当可执行代码被处理器1020处理时，可以使处理器1020执行上文述及的方法中的部分或全部。
此外，根据本申请的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本申请的上述方法中部分或全部步骤的计算机程序代码指令。
或者，本申请还可以实施为一种计算机可读存储介质(或非暂时性机器可读存储介质或机器可读存储介质)，其上存储有可执行代码(或计算机程序或计算机指令代码)，当可执行代码(或计算机程序或计算机指令代码)被电子设备(或服务器等)的处理器执行时，使处理器执行根据本申请的上述方法的各个步骤的部分或全部。
以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其他普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种车辆速度控制方法，其特征在于，包括：
获取车辆识别的路况数据；
将所述路况数据输入速度预测模型进行预测，其中所述速度预测模型基于历史速度控制数据训练得到；
获取所述速度预测模型输出的预测车速，根据所述预测车速控制车辆行驶。
2.根据权利要求1所述的方法，其特征在于，所述获取车辆识别的路况数据，包括：
获取车辆识别的以下其中一种或至少两种路况数据：前车距离、路口距离、红绿灯信号、弯道距离、匝道距离、隧道距离。
3.根据权利要求1所述的方法，其特征在于，所述速度预测模型基于历史减速控制数据训练得到；
所述根据所述预测车速控制车辆行驶，包括：根据所述预测车速控制车辆减速行驶。
4.根据权利要求1所述的方法，其特征在于，所述将所述路况数据输入速度预测模型进行预测，包括：
在检测到车辆油门踏板被松开后，将所述路况数据输入速度预测模型进行预测。
5.根据权利要求1所述的方法，其特征在于：
所述速度预测模型利用神经网络模型或隐马尔科夫模型进行离线训练得到。
6.根据权利要求2所述的方法，其特征在于，所述获取所述速度预测模型输出的预测车速，根据所述预测车速控制车辆行驶，包括：
在所述速度预测模型根据所述前车距离小于预设距离输出预测车速后，获取所述预测车速，根据所述预测车速控制车辆减速行驶；或，
在所述速度预测模型根据所述红绿灯信号及所述路口距离小于预设距离输出预测车速后，获取所述预测车速，根据所述预测车速控制车辆减速行驶；或，
在所述速度预测模型根据所述弯道距离小于预设距离输出预测车速后，获取所述预测车速，根据所述预测车速控制车辆减速行驶；或，
在所述速度预测模型根据所述匝道距离小于预设距离输出预测车速后，获取所述预测车速，根据所述预测车速控制车辆减速行驶；或，
在所述速度预测模型根据所述隧道距离小于预设距离输出预测车速后，获取所述预测车速，根据所述预测车速控制车辆减速行驶。
7.根据权利要求2所述的方法，其特征在于，所述获取所述速度预测模型输出的预测车速，根据所述预测车速控制车辆行驶，包括：
在所述速度预测模型根据历史地点及在所述历史地点的历史减速行为输出预测车速后，获取所述预测车速，根据所述预测车速控制车辆减速行驶。
8.一种车辆速度控制装置，其特征在于，包括：
路况获取模块，用于获取车辆识别的路况数据；
预测模块，用于将所述路况数据输入速度预测模型进行预测，其中所述速度预测模型基于历史速度控制数据训练得到；
控制模块，用于获取所述速度预测模型输出的预测车速，根据所述预测车速控制车辆行驶。
9.一种车辆，其特征在于，包括：
处理器；以及
存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310007772.7A CN115973171A (zh) | 2023-01-04 | 2023-01-04 | 车辆速度控制方法、装置、车辆及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310007772.7A CN115973171A (zh) | 2023-01-04 | 2023-01-04 | 车辆速度控制方法、装置、车辆及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115973171A true CN115973171A (zh) | 2023-04-18 |
Family
ID=85967870
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310007772.7A Pending CN115973171A (zh) | 2023-01-04 | 2023-01-04 | 车辆速度控制方法、装置、车辆及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115973171A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009048458A (ja) * | 2007-08-21 | 2009-03-05 | Toyota Motor Corp | 運転支援装置及び運転支援システム |
| JP2009134552A (ja) * | 2007-11-30 | 2009-06-18 | Aisin Aw Co Ltd | 運転支援装置、運転支援方法及びコンピュータプログラム |
| US20200114926A1 (en) * | 2018-10-16 | 2020-04-16 | Toyota Motor Engineering & Manufacturing North America, Inc. | Vehicle velocity predictor using neural networks based on v2x data augmentation to enable predictive optimal control of connected and automated vehicles |
| CN111409455A (zh) * | 2020-03-26 | 2020-07-14 | 北京汽车集团有限公司 | 车辆的速度控制方法及装置、电子设备、存储介质 |
| CN114004993A (zh) * | 2021-10-25 | 2022-02-01 | 厦门大学 | 基于lstm速度预测优化的ia-svm行驶工况识别方法及装置 |
-
2023
- 2023-01-04 CN CN202310007772.7A patent/CN115973171A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009048458A (ja) * | 2007-08-21 | 2009-03-05 | Toyota Motor Corp | 運転支援装置及び運転支援システム |
| JP2009134552A (ja) * | 2007-11-30 | 2009-06-18 | Aisin Aw Co Ltd | 運転支援装置、運転支援方法及びコンピュータプログラム |
| US20200114926A1 (en) * | 2018-10-16 | 2020-04-16 | Toyota Motor Engineering & Manufacturing North America, Inc. | Vehicle velocity predictor using neural networks based on v2x data augmentation to enable predictive optimal control of connected and automated vehicles |
| CN111409455A (zh) * | 2020-03-26 | 2020-07-14 | 北京汽车集团有限公司 | 车辆的速度控制方法及装置、电子设备、存储介质 |
| CN114004993A (zh) * | 2021-10-25 | 2022-02-01 | 厦门大学 | 基于lstm速度预测优化的ia-svm行驶工况识别方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112242069B (zh) | 一种确定车速的方法和装置 | |
| US10453346B2 (en) | Vehicle light control | |
| CN107415945A (zh) | 用于评估车道换道的自动驱动系统及其使用方法 | |
| JP7234103B2 (ja) | 車両制御装置、および、車両制御システム | |
| CN110858325A (zh) | 车辆自适应学习 | |
| CN111332296B (zh) | 其他车辆的车道变换的预测 | |
| WO2020116156A1 (ja) | 車両制御装置 | |
| CN106956679A (zh) | 自主车辆车道管理 | |
| US10891949B2 (en) | Vehicle language processing | |
| CN112285740A (zh) | 车辆工况检测 | |
| JP7081423B2 (ja) | 情報処理システム | |
| CN111731294B (zh) | 行驶控制装置、行驶控制方法以及存储程序的存储介质 | |
| CN108983787B (zh) | 道路行驶方法 | |
| CN111391830B (zh) | 自动驾驶车辆的纵向决策系统及纵向决策确定方法 | |
| US11981324B2 (en) | Method for providing a signal for actuating an at least partially automated vehicle | |
| CN114834451A (zh) | 自主车辆的主动式车道变换 | |
| CN113428180A (zh) | 一种无人驾驶车辆单道行驶车速控制方法、系统及终端 | |
| US11807234B2 (en) | Automated driving trajectory generating device and automated driving device | |
| CN115973171A (zh) | 车辆速度控制方法、装置、车辆及存储介质 | |
| CN116578086A (zh) | 移动机器人的避障控制方法、装置、设备、系统及介质 | |
| CN115355916A (zh) | 移动工具的轨迹规划方法、设备和计算机可读存储介质 | |
| US20230053243A1 (en) | Hybrid Performance Critic for Planning Module's Parameter Tuning in Autonomous Driving Vehicles | |
| US20210261126A1 (en) | System and method for vehicle lane assignment | |
| CN113753038A (zh) | 一种轨迹预测方法、装置、电子设备和存储介质 | |
| US20230054626A1 (en) | Persisting Predicted Objects for Robustness to Perception Issues in Autonomous Driving |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231013 Address after: Room 1507, 15th Floor, Fumin Building, No. 18 Beijiang Avenue, High tech Zone, Zhaoqing City, Guangdong Province, 526238 (for office only) Applicant after: Zhaoqing Xiaopeng New Energy Investment Co.,Ltd. Address before: 510000 No.8 Songgang street, Cencun, Tianhe District, Guangzhou City, Guangdong Province Applicant before: GUANGZHOU XIAOPENG MOTORS TECHNOLOGY Co.,Ltd. |