CN116238544B - 一种自动驾驶车辆的行驶控制方法及控制系统 - Google Patents

一种自动驾驶车辆的行驶控制方法及控制系统 Download PDF

Info

Publication number
CN116238544B
CN116238544B CN202310534733.2A CN202310534733A CN116238544B CN 116238544 B CN116238544 B CN 116238544B CN 202310534733 A CN202310534733 A CN 202310534733A CN 116238544 B CN116238544 B CN 116238544B
Authority
CN
China
Prior art keywords
driving
characteristic data
data
emotion
driving characteristic
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.)
Active
Application number
CN202310534733.2A
Other languages
English (en)
Other versions
CN116238544A (zh
Inventor
倪凯
张健男
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.)
Heduo Technology Guangzhou Co ltd
Original Assignee
HoloMatic Technology Beijing 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 HoloMatic Technology Beijing Co Ltd filed Critical HoloMatic Technology Beijing Co Ltd
Priority to CN202310534733.2A priority Critical patent/CN116238544B/zh
Publication of CN116238544A publication Critical patent/CN116238544A/zh
Application granted granted Critical
Publication of CN116238544B publication Critical patent/CN116238544B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
    • G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W40/09—Driving style or behaviour
    • 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
    • B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
    • 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
    • B60W60/0013—Planning or execution of driving tasks specially adapted for occupant comfort
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/174—Facial expression recognition
    • 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
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/30—Driving style

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明公开了一种自动驾驶车辆的行驶控制方法及控制系统，包括所述行驶控制方法包括：创建驾驶控制模型与综合控制模型，获取行驶特征数据与驾驶特征数据，训练行驶特征数据与驾驶特征数据，生成最佳行为指令，进入自动驾驶模式，对异常变化的标记与反馈，反馈信号的审查与判断分析，本发明针对于驾驶员的情绪识别，判断驾驶员在自动驾驶模式，对车辆的控制是否具备有效性，避免因行驶习惯不匹配而导致的驾驶员误操作控制被记录为自动驾驶模式的人工调整原始数据采集，针对于驾驶员不同程度的情绪以及行驶环境的危险性，降低自动驾驶模式下异常数据的概率，使加快自动驾驶模式与驾驶员驾驶习惯的匹配。

Description

一种自动驾驶车辆的行驶控制方法及控制系统
技术领域
本发明涉及车辆自动驾驶技术领域，具体为一种自动驾驶车辆的行驶控制方法及控制系统。
背景技术
自动驾驶技术已经非常成熟，车辆可以在车载控制系统的控制下完成所有驾驶行为，现有的无人驾驶车辆的控制系统大多采用基于误差反馈的闭环控制系统，由于每个驾驶员的驾驶习惯不同，使自动驾驶控制下需采集大量行驶数据后，才可匹配驾驶员的驾驶习惯，通常情况下，驾驶员会根据其自身的驾驶习惯，对自动驾驶过程中的车辆进行人工调整，对此类人工调整数据的采集即可加快驾驶员驾驶习惯的匹配，但自动驾驶的行驶控制效果在与驾驶员的驾驶习惯存在较大区别后，会导致乘客感到不适，甚至出现恐慌情绪，易出现对车辆的误操作，在实现自动驾驶与驾驶员驾驶习惯的匹配的过程中，增大采集数据的异常概率，因此，针对上述问题提出一种自动驾驶车辆的行驶控制方法及控制系统。
发明内容
本发明的目的在于提供一种自动驾驶车辆的行驶控制方法及控制系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种自动驾驶车辆的行驶控制方法，所述行驶控制方法包括：
步骤一，创建驾驶控制模型与综合控制模型，所述驾驶控制模型包括行驶感知模块与驾驶采集模块，行驶感知模块与驾驶采集模块对车辆人工驾驶模式下的行驶特征数据与驾驶特征数据上传至综合控制模型；
步骤二，综合控制模型以神经网络算法对行驶特征数据与驾驶特征数据进行训练，获取最佳驾驶参数，将最佳驾驶参数进行数据融合，生成最佳控制指令；
步骤三，综合控制模型根据最佳行为指令对车辆控制，进入自动驾驶模式；
步骤四，获取自动驾驶模式下的人工驾驶特征数据与驾驶员情绪特征数据，并以自动驾驶模式的开启时长作为时间序列，自动形成列表，对驾驶特征数据与情绪特征数据汇总；
步骤五，以步骤四中构建的驾驶特征数据与情绪特征数据汇总表，设定驾驶特征的安全变化阈值，对超出阈值范围的驾驶特征出现时间点进行标记，对自动驾驶模式下驾驶特征的变化进行反馈；
步骤六，设定审查周期，对标记时间点的前一个审查周期内驾驶员的情绪特征数据进行分级，根据分级结果判断标记时间点的驾驶特征变化的影响。
进一步的，所述综合控制模型的最佳行为指令训练流程根据神经网络模型构建，具体的步骤为：
S1，以人工驾驶模式下的行驶特征数据的归一化指标作为神经网络的输入向量
Figure SMS_1
，以人工驾驶模式下的驾驶特征数据的归一化指标作为目标输出向量
Figure SMS_2
，以traingdm函数进行训练，经过不小于1000次训练后，得到输入向量与输出向量之间的函数表达式；
S2，根据GPS导航对驾驶路线进行确定，并对途中的行驶特征数据进行记录，通过函数表达式确定在此路线下的最佳驾驶参数；
S3，根据行驶途中的行驶特征数据变化，再次通过函数表达式确定驾驶调整信息，将最佳驾驶参数与驾驶调整信息进行数据融合，生成最佳控制指令。
进一步的，所述行驶特征数据的获取步骤为通过导航系统设定目的地，确定车辆的驾驶路线与驾驶距离，以GPS定位系统确定车辆当前经度、维度、航向角、速度，在车身周侧设置激光雷达与摄像头，获取车道中心线、交通信号信息以及障碍物的方位、距离数据。
进一步的，所述驾驶特征数据的获取步骤为：于油门、制动器、方向盘设置对应的传感器，对油门的开度数据、制动器的制动数据以及方向盘的转动数据进行检测。
进一步的，所述情绪特征数据的获取步骤为：在主驾驶位设置跟随式图像采集装置，对主驾驶位置的驾驶员进行面部图像的识别。
进一步的，所述自动驾驶模式下驾驶特征的变化反馈具体流程为：
S1，以自动驾驶模式开启的时间点为初始，对此时间点后的人工驾驶特征数据进行获取，将人工驾驶特征数据以时间序列排序，得到人工驾驶特征数据变化表；
S2，对人工驾驶模式下相同工况的人工驾驶特征数据进行获取，并确定各项人工驾驶特征数据的最大值集合与最小值集合，分别对最大值集合与最小值集合归一化处理，获取平均最大值与平均最小值，并设定驾驶特征的安全变化阈值；
S3，对自动驾驶模式开启后获取的实时人工驾驶特征数据均进行判断，并对超出安全变化阈值的数据出现时间点进行标记，生产反馈信号。
进一步的，所述判断标记时间点的驾驶特征变化影响的具体流程为：
S1，在接收到反馈信号后，对反馈信号的产生时间点进行确定，并设定一个时间段为审查周期，获取自动驾驶模式下的，该时间点以及前一个审查周期内的行驶特征数据、驾驶特征数据以及情绪特征数据；
S2，根据车辆行驶过程中环境影响的严重程度，对行驶特征数据进行分级，其中一级表示正常，二级表示预警、三级表示危险，对S1中时间段内的行驶特征数据进行分级判断；
S3，设定驾驶员惊慌的面部特征类型，并根据S1中时间段内的情绪特征数据进行识别，判断与驾驶员惊慌的面部特征类型匹配的情绪特征数据数量，进行正常情绪或惊慌情绪的判断；
S4，根据情绪判断以及行驶特征数据进行分级，对反馈信号进行处理，根据两种分级所处出现的六组不同情形，设定六组不同的驾驶特征数据参考权重，其中，对于行驶特征为三级危险且驾驶员为惊慌情绪时产生的反馈信号，以无效误操作处理，不作为自动驾驶模式的控制系统人工调整原始数据采集，对于行驶特征为一级正常且驾驶员为正常情绪时产生的反馈信号，不会对正常的人工调整原始数据采集产生影响。
本发明还提出一种自动驾驶车辆的行驶控制系统，所述行驶控制系统基于驾驶控制模型与综合控制模型，所述驾驶控制模型包括行驶感知模块与驾驶采集模块；
所述行驶感知模块用于对自动驾驶模式下的行驶路线中的行驶特征信息进行预确定，并对车辆行驶过程中的行驶特征信息进行实时感知；
所述驾驶采集模块用于对人工驾驶模式下车辆的驾驶特征信息以及自动模式下驾驶员对驾驶特征自动变化范围之外调整的驾驶特征信息进行分别采集；
所述综合控制模型包括训练模块、自动驾驶控制模块、驾驶员情绪获取模块、反馈模块和判断分析模块；
所述训练模块用于对人工驾驶模式下的行驶特征信息与驾驶特征信息进行训练，获取不同工况的最佳控制指令；
所述自动驾驶控制模块根据最佳行为指令对车辆进行控制；
所述驾驶员情绪获取模块对自动驾驶控制模块控制车辆过程的驾驶员面部图像进行识别，判断驾驶员的情绪特征并进行分级；
所述反馈模块汇总驾驶员情绪特征与自动驾驶模式下驾驶特征并向判断分析模块反馈；
所述判断分析模块根据反馈信息进行判断分析。
进一步的，所述行驶控制系统还包括数据存储库、处理器与数据传输单元，其中处理器执行驾驶控制模型与综合控制模型的运行，所述数据传输单元作为数据存储库与驾驶控制模型、综合控制模型之间的数据连接通道。
与现有技术相比，本发明中具有以下优点：
1、针对于驾驶员的情绪识别，判断驾驶员在自动驾驶模式，对车辆的控制是否具备有效性，能够避免因行驶习惯不匹配而导致的驾驶员误操作控制被记录为自动驾驶模式的人工调整原始数据采集；
2、针对于驾驶员不同程度的情绪以及行驶环境的危险性，设定自动驾驶模式的人工调整原始数据的权重，降低自动驾驶模式下异常数据的概率，减少驾驶员情绪对车辆控制的影响，使加快自动驾驶模式与驾驶员驾驶习惯的匹配。
附图说明
为了更清楚地说明本发明的技术方案，下面将对本发明技术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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的整体流程图。
图2为本发明的整体结构框图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明，基于本发明中的具体实施方式，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具体实施方式，都属于本发明保护的范围。
请参阅图1-图2，本发明提供了一种自动驾驶车辆的行驶控制方法，行驶控制方法的步骤包括：
步骤一，创建驾驶控制模型与综合控制模型，驾驶控制模型包括行驶感知模块与驾驶采集模块，行驶感知模块与驾驶采集模块对车辆人工驾驶模式下的行驶特征数据与驾驶特征数据上传至综合控制模型；
步骤二，综合控制模型以神经网络算法对行驶特征数据与驾驶特征数据进行训练，获取最佳驾驶参数，将最佳驾驶参数进行数据融合，生成最佳控制指令；
步骤三，综合控制模型根据最佳行为指令对车辆控制，进入自动驾驶模式；
步骤四，获取自动驾驶模式下的人工驾驶特征数据与驾驶员情绪特征数据，并以自动驾驶模式的开启时长作为时间序列，自动形成列表，对驾驶特征数据与情绪特征数据汇总；
步骤五，以步骤四中构建的驾驶特征数据与情绪特征数据汇总表，设定驾驶特征的安全变化阈值，对超出阈值范围的驾驶特征出现时间点进行标记，对自动驾驶模式下驾驶特征的变化进行反馈；
步骤六，设定审查周期，对标记时间点的前一个审查周期内驾驶员的情绪特征数据进行分级，根据分级结果判断标记时间点的驾驶特征变化的影响。
本发明提出的行驶控制方法，在车辆行驶之前，将车辆与GPS定位系统连接，实现车辆当前经度、维度、航向角、速度数据的获取，并在车身周侧设置激光雷达与摄像头，获取车道中心线、交通信号信息以及障碍物的方位、距离数据，用于对驾驶控制模型中行驶感知模块对行驶特征数据的感知，且在幽门处设置油门开度传感器、在制动器处设置制动压力传感器、在方向盘处设置方向盘转角传感器，用于对驾驶控制模型中驾驶采集模块对驾驶特征数据的采集，在人工驾驶模式下，对同一时间点的获取的行驶特征数据与驾驶特征数据进行汇总，并根据神经网络模型进行训练，具体的步骤为：
S1，以人工驾驶模式下的行驶特征数据的归一化指标作为神经网络的输入向量，以人工驾驶模式下的驾驶特征数据的归一化指标作为目标输出向量，以traingdm函数进行训练，经过不小于1000次训练后，得到输入向量与输出向量之间的函数表达式；
S2，根据GPS导航对驾驶路线进行确定，并对途中的行驶特征数据进行记录，通过函数表达式确定在此路线下的最佳驾驶参数；
S3，根据行驶途中的行驶特征数据变化，再次通过函数表达式确定驾驶调整信息，将最佳驾驶参数与驾驶调整信息进行数据融合，生成最佳控制指令。
在自动驾驶模式下，根据获取的行驶特征数据，获取相应工况下的最佳控制指令，并以此指令作为自动驾驶的最终决策，进行自动驾驶，而自动驾驶模式下，生成的最佳驾驶参数与当前获取的驾驶特征数据存在一定区别，此部分区别则作为驾驶调整信息的一部分，用于对后续自动驾驶模式下相同工况时驾驶习惯的调整。
具体的，在自动驾驶模式下，设定驾驶特征的安全变化阈值，并在当前驾驶调整信息超出设定驾驶特征的安全变化阈值后，需要生产反馈信号，确定特殊状况的发生，而自动驾驶模式下驾驶特征的变化反馈具体流程为：
S1，以自动驾驶模式开启的时间点为初始，对此时间点后的人工驾驶特征数据进行获取，将人工驾驶特征数据以时间序列排序，得到人工驾驶特征数据变化表；
S2，对人工驾驶模式下相同工况的人工驾驶特征数据进行获取，并确定各项人工驾驶特征数据的最大值集合与最小值集合，分别对最大值集合与最小值集合归一化处理，获取平均最大值与平均最小值，并设定驾驶特征的安全变化阈值；
S3，对自动驾驶模式开启后获取的实时人工驾驶特征数据均进行判断，并对超出安全变化阈值的数据出现时间点进行标记，生产反馈信号。
具体的，在产生反馈信号后，需要对反馈信号进行分析判断，从而确定该反馈信号是否会对自动驾驶模式下正常的人工调整原始数据采集产生影响，而在反馈信号产生后，判断标记时间点的驾驶特征变化影响的具体流程为：
S1，在接收到反馈信号后，对反馈信号的产生时间点进行确定，并设定一个时间段为审查周期，获取自动驾驶模式下的，该时间点以及前一个审查周期内的行驶特征数据、驾驶特征数据以及情绪特征数据；
S2，根据车辆行驶过程中环境影响的严重程度，对行驶特征数据进行分级，其中一级表示正常，二级表示预警、三级表示危险，对S1中时间段内的行驶特征数据进行分级判断；
S3，设定驾驶员惊慌的面部特征类型，并根据S1中时间段内的情绪特征数据进行识别，判断与驾驶员惊慌的面部特征类型匹配的情绪特征数据数量，进行正常情绪或惊慌情绪的判断；
S4，根据情绪判断以及行驶特征数据进行分级，对反馈信号进行处理，根据两种分级所处出现的六组不同情形，设定六组不同的驾驶特征数据参考权重，其中，对于行驶特征为三级危险且驾驶员为惊慌情绪时产生的反馈信号，以无效误操作处理，不作为自动驾驶模式的控制系统人工调整原始数据采集，
对于行驶特征为二级预警且驾驶员为惊慌情绪时产生的反馈信号，设定在此反馈信号临近的审查周期内，产生的行驶特征数据、驾驶特征数据作为驾驶调整信息的影响权重为0.2，对于行驶特征为一级正常且驾驶员为惊慌情绪时产生的反馈信号，设定在此反馈信号临近的审查周期内，产生的行驶特征数据、驾驶特征数据作为驾驶调整信息的影响权重为0.4，对于行驶特征为三级级预警且驾驶员为正常情绪时产生的反馈信号，设定在此反馈信号临近的审查周期内，产生的行驶特征数据、驾驶特征数据作为驾驶调整信息的影响权重为0.6，对于行驶特征为二级预警且驾驶员为正常情绪时产生的反馈信号，设定在此反馈信号临近的审查周期内，产生的行驶特征数据、驾驶特征数据作为驾驶调整信息的影响权重为0.8，对于行驶特征为一级正常且驾驶员为正常情绪时产生的反馈信号，不会对正常的人工调整原始数据采集产生影响。
为实现本发明提出的一种自动驾驶车辆的行驶控制方法，本发明还提出一种自动驾驶车辆的行驶控制系统，行驶控制系统基于驾驶控制模型与综合控制模型，驾驶控制模型包括行驶感知模块与驾驶采集模块；
行驶感知模块用于对自动驾驶模式下的行驶路线中的行驶特征信息进行预确定，并对车辆行驶过程中的行驶特征信息进行实时感知；
驾驶采集模块用于对人工驾驶模式下车辆的驾驶特征信息以及自动模式下驾驶员对驾驶特征自动变化范围之外调整的驾驶特征信息进行分别采集；
综合控制模型包括训练模块、自动驾驶控制模块、驾驶员情绪获取模块、反馈模块和判断分析模块；
训练模块用于对人工驾驶模式下的行驶特征信息与驾驶特征信息进行训练，获取不同工况的最佳控制指令；
自动驾驶控制模块根据最佳行为指令对车辆进行控制；
驾驶员情绪获取模块对自动驾驶控制模块控制车辆过程的驾驶员面部图像进行识别，判断驾驶员的情绪特征并进行分级；
反馈模块汇总驾驶员情绪特征与自动驾驶模式下驾驶特征并向判断分析模块反馈；
判断分析模块根据反馈信息进行判断分析。
具体的，行驶控制系统还包括数据存储库、处理器与数据传输单元，其中处理器执行驾驶控制模型与综合控制模型的运行，数据传输单元作为数据存储库与驾驶控制模型、综合控制模型之间的数据连接通道。
以上所述仅的仅为本发明优选的具体实施方式，但本发明的保护范围并不局限于此，对于本技术领域的普通技术人员来说，在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，均应视为本发明的保护范围。

Claims (7)

1.一种自动驾驶车辆的行驶控制方法，其特征在于：所述行驶控制方法的步骤包括：
步骤一，创建驾驶控制模型与综合控制模型，所述驾驶控制模型包括行驶感知模块与驾驶采集模块，行驶感知模块与驾驶采集模块将车辆人工驾驶模式下的行驶特征数据与驾驶特征数据上传至综合控制模型；
步骤二，综合控制模型以神经网络算法对行驶特征数据与驾驶特征数据进行训练，获取最佳驾驶参数，将最佳驾驶参数进行数据融合，生成最佳控制指令；
步骤三，综合控制模型根据最佳行为指令对车辆控制，进入自动驾驶模式；
步骤四，获取自动驾驶模式下的人工驾驶特征数据与驾驶员情绪特征数据，并以自动驾驶模式的开启时长作为时间序列，自动形成列表，对驾驶特征数据与情绪特征数据汇总；
步骤五，以步骤四中构建的驾驶特征数据与情绪特征数据汇总表，设定驾驶特征的安全变化阈值，对超出阈值范围的驾驶特征出现时间点进行标记，对自动驾驶模式下驾驶特征的变化进行反馈；
步骤六，设定审查周期，对标记时间点的前一个审查周期内驾驶员的情绪特征数据进行分级，根据分级结果判断标记时间点的驾驶特征变化的影响，所述判断标记时间点的驾驶特征变化影响的具体流程为：
S1，在接收到反馈信号后，对反馈信号的产生时间点进行确定，并设定一个时间段为审查周期，获取自动驾驶模式下的，该时间点以及前一个审查周期内的行驶特征数据、驾驶特征数据以及情绪特征数据；
S2，根据车辆行驶过程中环境影响的严重程度，对行驶特征数据进行分级，其中一级表示正常，二级表示预警、三级表示危险，对S1中时间段内的行驶特征数据进行分级判断；
S3，设定驾驶员惊慌的面部特征类型，并根据S1中时间段内的情绪特征数据进行识别，判断与驾驶员惊慌的面部特征类型匹配的情绪特征数据数量，进行正常情绪或惊慌情绪的判断；
S4，根据情绪判断以及行驶特征数据进行分级，对反馈信号进行处理，根据两种分级所出现的六组不同情形，设定六组不同的驾驶特征数据参考权重，其中，对于行驶特征为三级危险且驾驶员为惊慌情绪时产生的反馈信号，以无效误操作处理，不作为自动驾驶模式的控制系统人工调整原始数据采集，对于行驶特征为一级正常且驾驶员为正常情绪时产生的反馈信号，不会对正常的人工调整原始数据采集产生影响。
2.根据权利要求1所述的一种自动驾驶车辆的行驶控制方法，其特征在于：所述综合控制模型的最佳行为指令训练流程根据神经网络模型构建，具体的步骤为：
S1，以人工驾驶模式下的行驶特征数据的归一化指标作为神经网络的输入向量，以人工驾驶模式下的驾驶特征数据的归一化指标作为目标输出向量，以traingdm函数进行训练，经过不小于1000次训练后，得到输入向量与输出向量之间的函数表达式；
S2，根据GPS导航对驾驶路线进行确定，并对途中的行驶特征数据进行记录，通过函数表达式确定在此路线下的最佳驾驶参数；
S3，根据行驶途中的行驶特征数据变化，再次通过函数表达式确定驾驶调整信息，将最佳驾驶参数与驾驶调整信息进行数据融合，生成最佳控制指令。
3.根据权利要求1所述的一种自动驾驶车辆的行驶控制方法，其特征在于：所述行驶特征数据的获取步骤为通过导航系统设定目的地，确定车辆的驾驶路线与驾驶距离，以GPS定位系统确定车辆当前经度、维度、航向角、速度，在车身周侧设置激光雷达与摄像头，获取车道中心线、交通信号信息以及障碍物的方位、距离数据。
4.根据权利要求1所述的一种自动驾驶车辆的行驶控制方法，其特征在于：所述驾驶特征数据的获取步骤为：于油门、制动器、方向盘设置对应的传感器，对油门的开度数据、制动器的制动数据以及方向盘的转动数据进行检测。
5.根据权利要求1所述的一种自动驾驶车辆的行驶控制方法，其特征在于：所述情绪特征数据的获取步骤为：在主驾驶位设置跟随式图像采集装置，对主驾驶位置的驾驶员进行面部图像的识别。
6.根据权利要求1所述的一种自动驾驶车辆的行驶控制方法，其特征在于：所述自动驾驶模式下驾驶特征的变化反馈具体流程为：
S1，以自动驾驶模式开启的时间点为初始，对此时间点后的人工驾驶特征数据进行获取，将人工驾驶特征数据以时间序列排序，得到人工驾驶特征数据变化表；
S2，对人工驾驶模式下相同工况的人工驾驶特征数据进行获取，并确定各项人工驾驶特征数据的最大值集合与最小值集合，分别对最大值集合与最小值集合归一化处理，获取平均最大值与平均最小值，并设定驾驶特征的安全变化阈值；
S3，对自动驾驶模式开启后获取的实时人工驾驶特征数据均进行判断，并对超出安全变化阈值的数据出现时间点进行标记，生产反馈信号。
7.一种自动驾驶车辆的行驶控制系统，其特征在于：所述行驶控制系统用于执行权利要求1-6任一项所述的一种自动驾驶车辆的行驶控制方法。
CN202310534733.2A 2023-05-12 2023-05-12 一种自动驾驶车辆的行驶控制方法及控制系统 Active CN116238544B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310534733.2A CN116238544B (zh) 2023-05-12 2023-05-12 一种自动驾驶车辆的行驶控制方法及控制系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310534733.2A CN116238544B (zh) 2023-05-12 2023-05-12 一种自动驾驶车辆的行驶控制方法及控制系统

Publications (2)

Publication Number Publication Date
CN116238544A CN116238544A (zh) 2023-06-09
CN116238544B true CN116238544B (zh) 2023-07-14

Family

ID=86626373

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310534733.2A Active CN116238544B (zh) 2023-05-12 2023-05-12 一种自动驾驶车辆的行驶控制方法及控制系统

Country Status (1)

Country Link
CN (1) CN116238544B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117657170B (zh) * 2024-02-02 2024-05-17 江西五十铃汽车有限公司 一种新能源汽车智能安全和整车控制方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104590274A (zh) * 2014-11-26 2015-05-06 浙江吉利汽车研究院有限公司 一种驾驶行为自适应系统及驾驶行为自适应方法
CN107662611A (zh) * 2017-11-06 2018-02-06 吉林大学 一种基于驾驶员情绪识别的自动驾驶模式切换系统
CN108074396A (zh) * 2016-11-10 2018-05-25 关晓芙 安全行驶评价方法及系统
CN110171361A (zh) * 2019-06-17 2019-08-27 山东理工大学 一种考虑驾驶员情绪和驾驶倾向性的汽车行驶安全预警方法
CN112829767A (zh) * 2021-02-22 2021-05-25 清华大学苏州汽车研究院（相城） 一种基于监测驾驶员误操作的自动驾驶控制系统及方法
CN112960001A (zh) * 2021-04-19 2021-06-15 北京七鑫易维信息技术有限公司 驾驶模式的切换方法、装置、车辆及存储介质
CN114578802A (zh) * 2020-11-30 2022-06-03 罗伯特·博世有限公司 车辆自动驾驶验证系统和方法、车辆自动驾驶系统、车辆和计算机可读存储介质
CN114620075A (zh) * 2022-04-20 2022-06-14 梅赛德斯-奔驰集团股份公司 自动驾驶车辆的车辆接管控制方法及系统和自动驾驶车辆
CN115257809A (zh) * 2022-07-28 2022-11-01 同济大学 一种人在环的自动驾驶车辆交互学习控制方法及设备
CN115635969A (zh) * 2022-09-28 2023-01-24 国网浙江省电力有限公司宁波市北仑区供电公司 一种车辆控制方法、装置及车辆
CN116001818A (zh) * 2023-01-04 2023-04-25 广州唯友斯工程机械配件有限公司 一种汽车无人驾驶模式的控制系统及方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104590274A (zh) * 2014-11-26 2015-05-06 浙江吉利汽车研究院有限公司 一种驾驶行为自适应系统及驾驶行为自适应方法
CN108074396A (zh) * 2016-11-10 2018-05-25 关晓芙 安全行驶评价方法及系统
CN107662611A (zh) * 2017-11-06 2018-02-06 吉林大学 一种基于驾驶员情绪识别的自动驾驶模式切换系统
CN110171361A (zh) * 2019-06-17 2019-08-27 山东理工大学 一种考虑驾驶员情绪和驾驶倾向性的汽车行驶安全预警方法
CN114578802A (zh) * 2020-11-30 2022-06-03 罗伯特·博世有限公司 车辆自动驾驶验证系统和方法、车辆自动驾驶系统、车辆和计算机可读存储介质
CN112829767A (zh) * 2021-02-22 2021-05-25 清华大学苏州汽车研究院（相城） 一种基于监测驾驶员误操作的自动驾驶控制系统及方法
CN112960001A (zh) * 2021-04-19 2021-06-15 北京七鑫易维信息技术有限公司 驾驶模式的切换方法、装置、车辆及存储介质
CN114620075A (zh) * 2022-04-20 2022-06-14 梅赛德斯-奔驰集团股份公司 自动驾驶车辆的车辆接管控制方法及系统和自动驾驶车辆
CN115257809A (zh) * 2022-07-28 2022-11-01 同济大学 一种人在环的自动驾驶车辆交互学习控制方法及设备
CN115635969A (zh) * 2022-09-28 2023-01-24 国网浙江省电力有限公司宁波市北仑区供电公司 一种车辆控制方法、装置及车辆
CN116001818A (zh) * 2023-01-04 2023-04-25 广州唯友斯工程机械配件有限公司 一种汽车无人驾驶模式的控制系统及方法

Also Published As

Publication number Publication date
CN116238544A (zh) 2023-06-09

Similar Documents

Publication Publication Date Title
EP3533681B1 (en) Method for detecting safety of driving behavior, apparatus and storage medium
CN108995654B (zh) 一种驾驶员状态识别方法及系统
US10289113B2 (en) Autonomous occupant attention-based control
US10026317B2 (en) Autonomous probability control
CN107346612B (zh) 一种基于车联网的车辆防碰撞方法和系统
US10339391B2 (en) Fusion-based wet road surface detection
CN102785661B (zh) 车道偏离控制系统及方法
US20170248951A1 (en) Autonomous confidence control
CN110203202B (zh) 一种基于驾驶员意图识别的换道辅助预警方法及装置
US20170248953A1 (en) Autonomous peril control
US20170247040A1 (en) Autonomous vehicle control transitioning
CN111391856A (zh) 汽车自适应巡航的前方弯道检测系统及方法
CN116238544B (zh) 一种自动驾驶车辆的行驶控制方法及控制系统
KR20200128480A (ko) 자율 주행 차량과 이를 이용한 보행자 안내 시스템 및 방법
CN111434553B (zh) 制动系统、方法、装置、疲劳驾驶模型的训练方法和装置
CN108657188B (zh) 一种驾驶员驾驶技术在线评估系统
WO2021129156A1 (zh) 智能汽车的控制方法、装置和控制系统
CN111994068A (zh) 一种基于智能轮胎触觉感知的智能驾驶汽车控制系统
CN112644506A (zh) 一种基于模型长短时记忆神经网络lstm-nn检测驾驶人驾驶分心的方法
WO2021028533A1 (en) Method, device, medium, and vehicle for providing individual driving experience
CN112699721A (zh) 离开道路扫视时间的情境相关调整
CN112918481A (zh) 确定驾驶参数的方法及车辆控制装置
CN114915646B (zh) 一种无人驾驶矿车的数据分级上传方法和装置
CN113335293B (zh) 一种线控底盘的高速公路路面探测系统
CN114987539A (zh) 一种基于风险场模型的自动驾驶汽车个性化碰撞分级预警方法及系统

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
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 201, 202, 301, No. 56-4 Fenghuang South Road, Huadu District, Guangzhou City, Guangdong Province, 510806

Patentee after: Heduo Technology (Guangzhou) Co.,Ltd.

Address before: 100095 101-15, 3rd floor, building 9, yard 55, zique Road, Haidian District, Beijing

Patentee before: HOLOMATIC TECHNOLOGY (BEIJING) Co.,Ltd.