CN116902007A - 自动驾驶车辆的转向控制方法、装置、车辆和介质 - Google Patents
自动驾驶车辆的转向控制方法、装置、车辆和介质 Download PDFInfo
- Publication number
- CN116902007A CN116902007A CN202311117958.4A CN202311117958A CN116902007A CN 116902007 A CN116902007 A CN 116902007A CN 202311117958 A CN202311117958 A CN 202311117958A CN 116902007 A CN116902007 A CN 116902007A
- Authority
- CN
- China
- Prior art keywords
- control strategy
- vehicle
- determining
- driving environment
- control
- 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 46
- 238000011217 control strategy Methods 0.000 claims abstract description 302
- 238000011156 evaluation Methods 0.000 claims description 43
- 238000010801 machine learning Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007812 deficiency 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
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- 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
- B60W30/18—Propelling the vehicle
- B60W30/18009—Propelling the vehicle related to particular drive situations
- B60W30/18145—Cornering
-
- 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
- B60W40/02—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 ambient conditions
-
- 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
- B60W40/10—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 vehicle motion
-
- 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
- B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本发明公开了一种自动驾驶车辆的转向控制方法、装置、车辆和介质,所述方法包括:确定驾驶环境数据库,并获取车辆周围的环境信息,以及根据所述环境信息,在所述驾驶环境数据库中确定所述车辆的驾驶环境;基于预先配置的第一功能逻辑集,确定所述驾驶环境对应的第一控制策略;基于所述第一控制策略控制所述车辆运行,并获取所述车辆在执行所述第一控制策略之后的第一车辆数据;根据所述第一车辆数据,在所述第一控制策略基础上确定目标控制策略,其中,所述目标控制策略用于对所述车辆进行转向控制。采用本方法能够解决自动驾驶车辆的转向控制不精确的问题,保证驾驶安全。
Description
技术领域
本发明涉及自动驾驶技术领域,特别是涉及一种自动驾驶车辆的转向控制方法、装置、车辆和介质。
背景技术
相关技术中,自动驾驶车辆的转向控制是自动驾驶系统中非常重要的一部分,主要涉及环境感知、决策规划和转向控制三个方面。在决策规划中,基于深度学习的目标检测和分类算法,以及基于机器学习的路径规划算法,这些算法能够在不同的驾驶场景下自动判断路况,选择最佳的行驶路线,并生成相应的控制命令,实现自动转向。然而在复杂的交通场景中,难以对车辆的转向实现精确的控制,从而难以确保车辆行驶的平稳和安全。
发明内容
基于此,有必要针对上述技术问题,提供一种能够对车辆的转向实现精确控制的自动驾驶车辆的转向控制方法、装置、车辆和介质。
一种自动驾驶车辆的转向控制方法,包括以下步骤:
确定驾驶环境数据库,并获取车辆周围的环境信息,以及根据所述环境信息,在所述驾驶环境数据库中确定所述车辆的驾驶环境;
基于预先配置的第一功能逻辑集,确定所述驾驶环境对应的第一控制策略;
基于所述第一控制策略控制所述车辆运行,并获取所述车辆在执行所述第一控制策略之后的第一车辆数据;
根据所述第一车辆数据,在所述第一控制策略基础上确定目标控制策略,其中,所述目标控制策略用于对所述车辆进行转向控制。
一种自动驾驶车辆的转向控制装置,包括:
第一确定模块,用于确定驾驶环境数据库,并获取车辆周围的环境信息,以及根据所述环境信息,在所述驾驶环境数据库中确定所述车辆的驾驶环境;
第二确定模块,用于基于预先配置的第一功能逻辑集,确定所述驾驶环境对应的第一控制策略;
获取模块,用于基于所述第一控制策略控制所述车辆运行,并获取所述车辆在执行所述第一控制策略之后的第一车辆数据;
第三确定模块,用于根据所述第一车辆数据,在所述第一控制策略基础上确定目标控制策略,其中,所述目标控制策略用于对所述车辆进行转向控制。
一种自动驾驶车辆,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述自动驾驶车辆的转向控制方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述自动驾驶车辆的转向控制方法的步骤。
上述自动驾驶车辆的转向控制方法、装置、车辆和介质,通过车辆周围的环境信息,在驾驶环境数据库中确定车辆的驾驶环境,并基于第一功能逻辑集确定驾驶环境对应的第一控制策略,并利用车辆执行第一控制策略生成的车辆数据,在第一控制策略基础上确定目标控制策略,从而实现对车辆的转向控制,能够以有效和安全的方式生成转向控制策略,提高转向控制的效率和准确性。
附图说明
图1为一个实施例中自动驾驶车辆的转向控制的系统架构示意图;
图2为一个实施例中自动驾驶车辆的转向控制方法的流程示意图;
图3为一个实施例中自动驾驶车辆的转向控制方法的流程示意图;
图4为一个实施例中自动驾驶车辆的转向控制方法的流程示意图;
图5为一个实施例中自动驾驶车辆的转向控制方法的流程示意图;
图6为一个实施例中自动驾驶车辆的转向控制方法的流程示意图;
图7为一个实施例中自动驾驶车辆的转向控制方法的流程示意图;
图8为一个实施例中自动驾驶车辆的转向控制方法的流程示意图;
图9为一个实施例中自动驾驶车辆的转向控制装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在对本申请实施例进行详细说明之前,对相关技术中的转向控制策略进行简单说明。
自动驾驶车辆的转向控制是自动驾驶系统中非常重要的一部分,自动驾驶车辆基于深度学习的目标检测和分类算法,以及基于机器学习的路径规划算法,能够在不同的场景下自动判断路况,选择最佳的行驶路线,并生成相应的控制命令,从而实现自动转向。
然而,自动驾驶车辆的转向控制仍然存在一些问题和挑战。其中,一个主要问题是如何在复杂交通场景中实现精确的转向控制。在高速公路等相对简单的道路场景下,转向控制相对容易实现,但是在城市道路等复杂场景下,转向控制需要考虑更多的因素,如行人、交通信号灯、停车位等,而这些因素的变化和不确定性会对转向控制产生影响。此外,对于自动驾驶车辆而言,转向控制需要在较短的时间内做出决策并产生相应的控制命令,以确保车辆行驶的平稳和安全。因此,如何在保证安全的前提下,提高转向控制的效率和准确性是当前亟待解决的问题。
基于此,本申请提供的实施例可以根据当前的驾驶情况,以有效和安全的方式控制车辆的转向,从而能够克服相关技术中存在的缺点。
如图1所示,本申请提供的自动驾驶车辆的转向控制方法可以通过图1所示的系统架构实现。其中,车载电脑101、环境识别模块102和控制模块103构成了转向控制系统。
在该系统中,环境识别模块102可以包括环境传感器(摄像机、激光雷达、超声波雷达等)、车速传感器。环境识别模块102能够采集车辆周围的环境数据,环境识别模块102通过线束21与车载电脑101连接,环境识别模块102采集到的环境数据可以通过线束21传输至车载电脑101。
车载电脑101能够对环境数据进行处理,确定自动驾驶车辆当前的驾驶环境,并利用第一功能逻辑集,针对驾驶环境生成第一控制策略。
车载电脑101通过线束22与控制模块103连接,将第一控制策略传输至控制模块103,控制模块103根据第一控制策略控制自动驾驶车辆的转向。其中,控制模块可以包括方向盘转向力矩控制系统、车轮转向电动机控制系统、横向引导系统等。
车载电脑101利用自动驾驶车辆执行第一控制策略生成的车辆数据进行机器学习,生成对应的第二功能逻辑集,利用第二功能逻辑集,针对驾驶环境生成第二控制策略。再将第一控制策略和第二控制策略进行分析、评估和比较,生成最终的目标控制策略。
车载电脑101通过线束22将目标控制策略传输至控制模块103,控制模块103将对车辆的转向进行控制。
以下是对本申请实施例的技术方案的实现细节进行详细描述。
在一个实施例中,如图2所示,提供了一种自动驾驶车辆的转向控制方法,以该方法应用于图1中的自动驾驶车辆的转向控制系统为例进行说明,该自动驾驶车辆的转向控制方法可包括以下步骤:
步骤S201,确定驾驶环境数据库,并获取车辆周围的环境信息,以及根据环境信息,在驾驶环境数据库中确定所述车辆的驾驶环境。
这里,车辆转向控制与驾驶环境存在一定的关联,驾驶环境的不同会影响转向控制策略的变化,示例地,自动驾驶车辆的转向需要根据道路的状况进行调整,在弯道上行驶时,自动驾驶车辆需要根据道路的曲率和半径来调整转向角度。基于此,需要进行驾驶环境的评估,这样可以尽可能全面地了解车辆行驶环境,并为车辆选择和执行的转向控制策略提供可靠的指导,也就是说,转向控制策略是基于车辆驾驶环境或特定的驾驶情况而确定的。
车辆所处的驾驶环境可以通过采集车辆周围的环境信息进行确定。在实际应用中,可以利用车辆上的传感器和外部设备进行环境信息的采集和感知。以下是常见的环境信息和获取环境信息所采用的方式:
(1)摄像头。车辆上安装的摄像头可以捕捉道路和周围环境图像,通过图像处理和计算机视觉技术,可以识别道路标线、交通标志、路口和其他车辆等信息。
(2)激光雷达。激光雷达可以通过发射激光束并测量其返回时间来生成车辆周围环境的三维点云图,通过分析点云数据,可以检测和跟踪周围车辆、行人、障碍物等。
(3)雷达。雷达可以通过发射无线电波并测量其返回时间来检测周围物体的位置和速度,车辆上的雷达可以用于检测和跟踪其他车辆、行人和障碍物等。
(4)超声波传感器。超声波传感器可以测量车辆周围物体的距离和位置,用于检测靠近车辆的障碍物。
(5)定位系统。定位系统可以提供车辆的位置信息,通过与地图数据的结合,可以确定车辆所处的道路和位置。
(6)气象传感器。车辆上的气象传感器可以感知环境的维度、湿度、气压和降水等信息。这些信息可以用于判断天气状况和路面状况,对驾驶决策有重要影响。
(7)车辆状态传感器。车辆上的车辆状态传感器可以感知车辆的速度、加速度、转向角度、刹车状态等信息。这些信息可以用于判断车辆的动态状态和行驶行为。
这些传感器可以通过车辆的感知系统进行数据融合和处理,从而获取车辆的环境信息,通过分析和解释这些环境信息,能够在驾驶环境数据库中确定对应的驾驶环境,其中,驾驶环境可以包括道路状况、周围车辆和障碍物、交通规则等,对于自动驾驶车辆的转向控制至关重要。
需要说明的是,驾驶环境库是根据不同地理位置、天气状况、道路类型等因素预先采集和整理的数据集,其中包含了各种驾驶环境的特征和规律,通过将环境信息与驾驶环境库进行比对,能够确定车辆所处的驾驶环境。在实际应用中,驾驶环境库中的相关数据可以由先前采集的数据和不断扩展的机器学习数据组成,可以包含如交通标志、交通信号灯和车道信息等。
在实际应用中,车辆还可以定期地从服务器中下载以更新驾驶环境库中的数据,从而能够进一步地提高驾驶数据库中的数据准确性,能够准确地确定出车辆的驾驶环境,从而提高驾驶安全性。
在一个实施例中,图3示出了自动驾驶车辆的转向控制方法的流程示意图。
步骤S301,将环境信息与驾驶环境数据库中存储的驾驶环境进行比对,确定对应的概率值。
步骤S302,将概率值大于第二设定阈值对应的驾驶环境确定为车辆的驾驶环境。
在确定车辆的驾驶环境的过程中,可以将采集到的环境信息与存储在驾驶环境数据库中的驾驶环境对应的特征进行比对,从而可以得到采集到的环境信息与每个驾驶环境进行比对得到的概率值,这个概率值可以用于描述采集到的环境信息与比对的驾驶环境的匹配概率,当概率值越高,表示采集到的环境信息属于比对的驾驶环境的概率越高。
在本实施例中,可以将概率值与预设阈值进行比较,当概率值高于预设阈值的情况下,可以判定车辆确定处于比对的驾驶环境中,从而完成车辆的驾驶环境的确定。
在实际应用中,当存在多个概率值大于预设阈值的情况下,可以将最高概率值对应的驾驶环境确定为车辆的驾驶环境。
步骤S202,基于预先配置的第一功能逻辑集,确定驾驶环境对应的第一控制策略。
这里,第一功能逻辑集可以理解为基于定义的驾驶情况,发出与驾驶情况相应的控制命令的逻辑。在本实施例的第一功能逻辑集中,是将车辆的传感器数据和其他车辆数据被用作输入和控制变量,例如,方向盘转矩、转向角、车速等,分别被相应地学习生成对应的控制策略。其中,第一功能逻辑集是经过足够大的数据量学习得到的,并经过适当的验证,第一功能逻辑集中控制逻辑的精确度较高。
在确定车辆的驾驶环境之后,在第一功能逻辑集中,可以针对车辆的驾驶环境,确定对应的第一控制策略。
需要说明的是,第一控制策略不是简单的数字或模拟控制命令,例如车辆向右转弯,而是一种详细的控制策略,例如包含横向分量和纵向分量的车辆转向控制策略,以下是一种包含横向分量和纵向分量的车辆转向控制策略:
横向分量包括转向角度控制和转向率控制。其中,转向角度控制是根据目标转向角度和当前车辆状态,使用转型机构控制前轮的转向角度。转向率控制是根据车辆的动态特性和专项需求,控制前轮的转向率(转向角度的变化速率)。
纵向分量包括速度控制和扭矩分配。其中,速度控制是根据车辆的目标速度和当前速度,使用加速踏板或制动踏板来控制车辆的加速度或减速度。扭矩分配是根据车辆的动态特性和转向需求,调整车轮的扭矩分配,以实现更好的横向稳定性和转向性能。
同样地,车辆也可以定期从服务器中下载以更新第一功能逻辑集中的数据,从而能够使得第一功能逻辑集中的功能逻辑更加准确,能够确定出准确的控制策略。
步骤S203,基于第一控制策略控制车辆运行,并获取车辆在执行第一控制策略之后的第一车辆数据。
在确定第一控制策略之后,基于第一控制策略控制车辆运行,在本实施例中,是控制车辆的转向。在车辆执行第一控制策略的过程中,能够采集车辆在执行第一控制策略的相关第一车辆数据,其中,第一车辆数据可以包括方向盘转矩、转向角、车速等。
在实际应用中,在获取第一车辆数据之后,还可以将第一车辆数据上传至服务器中,从而服务器可以对所有车辆上传的第一车辆数据进行同步学习,即将多个车辆的第一数据进行整合和分析,从而能够不断地丰富和提高驾驶环境数据库和第一功能逻辑集中的数据精确度。
步骤S204,根据第一车辆数据,在第一控制策略基础上确定目标控制策略。
在实际应用中,第一车辆能够反映第一控制策略的执行状况,从而能够利用第一车辆数据能够作为反馈数据,根据第一车辆数据,对第一控制策略进行调节,得到目标控制策略,从而能够使得对车辆的转向控制更加符合驾驶环境,保证了车辆转向控制的准确度的同时,还能保证车辆的安全行驶。
在一个实施例中,图4示出了自动驾驶车辆的转向控制方法的流程示意图。
步骤S401,将第一车辆数据输入至设定机器学习框架进行训练,得到第二功能逻辑集。
在获取第一车辆数据之后,将第一车辆数据输入至设定机器学习框架中,设定机器学习框架可以通过输入的第一车辆数据,学习转向控制系统的任何功能,从而得到对应的第二功能逻辑集。
在本实施例中的设定机器学习框架是一种专门用于模拟和控制驾驶行为的机器学习框架,可以通过机器学习算法来学习和预测驾驶员的行为,并根据预测结果来调整自动驾驶系统的转向控制策略。
在实际应用中,将第一车辆数据作为输入,通过设定机器学习框架对输入的第一车辆数据进行处理和分析,可以提取出与驾驶行为相关的特征,然后使用机器学习算法,如深度学习、决策树、支持向量机等,对这些特征进行训练和建模,以预测驾驶员的行为,并根据预测结果生成第二功能逻辑集。
需要说明的是,这里的第二功能逻辑集是根据车辆执行第一控制策略的第一车辆数据进行学习和预测而生成的,第二功能逻辑集相比于第一功能逻辑集,对于车辆的转向控制更加细化和个性化,可以根据具体的驾驶行为需求进行调整。
步骤S402,在第二功能逻辑集中确定驾驶环境对应的第二控制策略。
这里,在第二功能逻辑集中,针对驾驶环境,确定对应的第二控制策略。同样地,这里的第二控制策略不是简单的数字或模拟控制命令,而是一种详细的控制策略,例如,可以为包含横向分量和纵向分量的车辆转向控制策略。
需要说明的是,这里的第二控制策略是基于设定机器学习框架的预测结果得到的控制策略,而第一控制策略是根据规则或经验知识得到的控制策略,因此,第二控制策略是针对车辆的个性需求而生成的。
在实际应用中,第二功能逻辑集是使用设定机器学习框架学习而生成的,所获得的第二功能逻辑集是非常可靠,进而基于第二功能逻辑集确定的第二控制策略同样也是非常可靠,从而可以通过设定机器学习框架,根据收集和解析的传感器数据或原始车辆驾驶状态数据,能够得到可靠的转向控制策略。
步骤S403,根据第一控制策略和所述第二控制策略,确定目标控制策略。
对第一控制策略和第二控制策略进行比较和组合,从而能够在第一控制策略和第二控制策略中确定针对车辆转向的目标控制策略。确定的目标控制策略能够传输至车辆的控制模块,从而控制模块将对方向盘转向力矩控制系统、车轮转向电机控制系统、横向引导系统等进行响应。
在实际应用中,第二控制策略可以理解为在车辆执行第一控制策略的基础上,对转向进行更加精细的控制,使得对车辆转向的控制策略更加符合车辆的驾驶场景,相比于单独仅依靠一个控制策略对车辆转向进行控制,显著地增加了对车辆转向控制的安全级别。
在本实施例中,可以理解的,第一控制策略和第二控制策略分别从纵向和横向两个角度考虑了车辆的转向控制,综合这两者可以得到更全面的转向控制决策,能够考虑到车辆的整体运动状态。并且,在实际应用中,车辆行驶所面对的状况是十分复杂的,通过综合第一控制策略和第二控制策略,能够更好地适应这种复杂性,确保车辆能够在复杂驾驶场景中做出适当的转向控制策略,提高应对突发场景的能力。同时,由于考虑到多个控制策略的优势和限制,可以减少因单一策略失效或不足而导致的风险,从而可以根据这两个不同的功能控制逻辑分别获得当前驾驶环境对应的两个控制策略,通过这种方式,可以实现符合汽车安全完整性等级(ASIL)的安全标准,也可以实现符合预期功能的安全的安全标准。
在一个实施例中,图5示出了自动驾驶车辆的转向控制方法的流程示意图。
步骤S501,将第一控制策略与第二控制策略进行比较,确定第一评估得分。
这里,将第一控制策略与第二控制策略进行比较,从而能够得到关于第二控制策略的第一评估得分,其中,这里的评估得分主要用于描述第一控制策略和第二控制策略之间的相似度,能够确定第一控制策略和第二控制策略是否存在较大的差异。
步骤S502,在第一评估得分大于第一预设阈值的情况下,组合第一控制策略和第二控制策略以得到目标控制策略。
在第一评估得分大于第一预设阈值的情况下,表明第一控制策略和第二控制策略比较相近,由于第二控制策略是使用了执行第一控制策略的过程中生成的车辆数据得到的,因此,第二控制策略可以更好地确定第一控制策略的执行效果,以及驾驶环境的复杂性,也就是第二控制策略是对正在执行的第一控制策略的优化,基于此,将第一控制策略和第二控制策略进行组合,得到目标控制策略,从而通过目标控制策略对车辆转向进行控制,能够达到更加的控制效果。
在本实施例中,第一控制策略和第二控制策略的组合方式可以根据具体情况和需求进行选择,以下是一些可以实现的方式:
(1)融合策略。将第一控制策略和第二控制策略进行融合,以综合利用两种控制策略的优点,在实际应用中,可以通过加权平均、逻辑运算或其他方式将两种控制策略的输出进行组合,得到目标控制策略。
(2)层级策略。将第一控制策略作为主策略,第二控制策略作为辅助策略。主策略负责基本的控制任务,辅助策略则在需要时提供额外的支持和调整。可以通过优先级、权重或其他方式来管理第一控制策略和第二控制策略的关系。
在本实施例中,相当于利用第一评估得分评价第一控制策略的运行效果,能够根据车辆的驾驶环境对车辆执行的第一控制策略进行微调,从而能够更精确、安全地对车辆的转向进行控制。
下面提供一种计算第一评估得分的具体实现方式。
假设比较矩阵Y,比较矩阵Y用于进行控制策略的评估,其中,比较矩阵Y的关键参数和阈值可以预先设置。
假设比较矩阵Y有n个参数,每个参数有n个阈值:
假设每个阈值得分权重为w,则w为:
从而能够得到比较因子
其中,wk是指第k个权重,满足wk≥0,k=1,2,...,n1*n2。比较因子是控制策略评估的最小偏差。
假设第一控制策略中包含的控制参数为:
假设第二控制策略中包含的控制参数为:
比较第一控制策略和第二控制策略的相似度,可以得到第一评估得分
vec(T)=vec(t1)-vec(t2)
当则可以将第一控制策略和第二控制策略组合得到目标控制策略,其中,第二控制策略是对车辆正在执行的第一控制策略的优化。
在一个实施例中,图6为自动驾驶车辆的转向控制方法的流程示意图。
步骤S601,将第二车辆数据输入至设定机器学习框架进行训练,得到第三功能逻辑集。
步骤S602,在第三功能逻辑集中确定驾驶环境对应的第三控制策略。
步骤S603,根据第一控制策略、第二控制策略和第三控制策略,确定目标控制策略。
在本实施例中,在第一评价得分小于等于第一预设阈值的情况下,表明第一控制策略和第二控制策略有较大偏差,进而需要进一步地引入第二车辆数据进行学习。其中,第二车辆数据表征关于第二功能逻辑集的数据,包括基于第二功能逻辑集生成第二控制策略这个过程中得到的数据,以及在第二控制策略和第一控制策略的比较过程中得到的数据。
将第二车辆数据输入至设定机器学习框架中,从而设定机器学习框架能够对第二车辆数据进行学习,从而生成第三功能逻辑集。
在利用机器学习获取第三功能逻辑集之后,利用第三功能逻辑集,确定车辆的驾驶情况对应的第三控制策略。其中,这里的第三控制策略不是简单的数字或模拟控制命令,而是一种详细的控制策略,例如包含横向分量和纵向分量的车辆转向控制策略。
在确定第三控制策略之后,通过对第一控制策略、第二控制策略和第三控制策略进行分析、评估和比较,最终生成目标控制策略。在本实施例中,通过提供基于相同驾驶情况的三个功能逻辑集和三个控制策略进一步地提升车辆的转向控制安全性。
在一个实施例中,图7为自动车辆的转向控制方法的流程示意图。
步骤S701,将第一控制策略、第二控制策略和第三控制策略之间进行比对,确定三项的第二评估得分。
步骤S702,在至少两项的第二评估得分大于第一预设阈值的情况下,组合第一控制策略、第二控制策略和第三控制策略以得到目标控制策略。
这里,将第一控制策略、第二控制策略和第三控制策略之间进行比较和分析,能够得到三项的第二评估得分和/>其中,
第二评估得分是将第一控制策略与第三控制策略进行比较和分析而得到的,第二评估得分/>能够用于描述在第一控制策略和第三控制策略的相似度。
第二评估得分是将第二控制策略与第三控制策略进行比较和分析而得到的,第二评估得分/>能够用于描述在第二控制策略和第三控制策略的相似度。
第二评估得分是将第一控制策略、第二控制策略和第三控制策略共同比较和分析而得到的,第二评估得分/>能够用于描述在第一控制策略、第二控制策和第三控制策略的相似度。
当然,第二评估得分的具体计算方式可以采用上述第一评估得分的具体计算方式。
在确定第二评估得分和/>之后,规定第二评估得分/>和/>中的至少两项大于第一设定阈值的情况下,可以将第一控制策略、第二控制策略和第三控制策略进行组合,得到目标控制策略。
其中,第一控制策略、第二控制策略和第三控制策略的组合方式同样也可以参照第一控制策略和第二控制策略的组合方式。
在一个实施例中,图8为自动车辆的转向控制方法的流程示意图。
步骤S801,将第三车辆数据输入至设定机器学习框架进行训练,得到第四功能逻辑集。
步骤S802,在第四功能逻辑集中确定驾驶环境对应的第四控制策略,并将第四控制策略确定为目标控制策略。
在本实施例中,在引入第三控制策略的情况下,如果三项第二评估得分中不存在至少两项的第二评估得分大于第一预设阈值,则需要利用设定机器学习框架对第三车辆数据进行学习,从而输出第四功能逻辑集,其中,第三车辆数据是与第三功能逻辑集相关的数据,包括基于第三功能逻辑集生成第三控制策略这个过程中得到的数据,以及在第一控制策略、第二控制策略和第三控制策略的比较过程中得到的数据。
在通过设定机器学习框架输出第四功能逻辑集之后,利用第四功能逻辑集确定驾驶环境对应的第四控制策略,其中,这里的第四控制策略将作为目标控制策略。在实际应用中,第四控制策略能够使车辆处于安全状态运行,也就是第四控制策略是一个安全形式的驾驶控制策略。
在上述实施例中,利用第一功能逻辑集确定驾驶环境对应的第一控制策略,并对执行第一控制策略生成的车辆数据进行学习,得到第二功能逻辑集,在第二功能逻辑集中确定驾驶环境对应的第二控制策略,通过第一控制策略和第二控制策略确定目标控制策略,相对于单独的一个控制命令,能够显著增加安全级别,更精确且安全地对车辆的转向进行控制。
在上述实施例中,利用第一功能逻辑集确定驾驶环境对应的第一控制策略,并根据执行第一控制策略生成的车辆数据,在第一控制策略的基础上确定目标控制策,从而能够利用第一控制策略的执行情况对第一控制策略进行相应的调整,相对于单独的一个控制命令,能够显著增加安全级别,更精确且安全地对车辆的转向进行控制。
在一个实施例中,提供一种自动驾驶车辆的转向控制装置,参考图9所示,该自动驾驶车辆的转向控制装置900可包括:第一确定模块901、第二确定模块902、获取模块903和第三确定模块904。
其中,第一确定模块901用于确定驾驶环境数据库,并获取车辆周围的环境信息,以及根据所述环境信息,在所述驾驶环境数据库中确定所述车辆的驾驶环境;第二确定模块902用于基于预先配置的第一功能逻辑集,确定所述驾驶环境对应的第一控制策略;获取模块903用于基于所述第一控制策略控制所述车辆运行,并获取所述车辆在执行所述第一控制策略之后的第一车辆数据;第三确定模块904用于根据所述第一车辆数据,在所述第一控制策略基础上确定目标控制策略,其中,所述目标控制策略用于对所述车辆进行转向控制。
在一个实施例中,第三确定模块904具体用于,将所述第一车辆数据输入至设定机器学习框架进行训练,得到第二功能逻辑集;在所述第二功能逻辑集中确定所述驾驶环境对应的第二控制策略;根据所述第一控制策略和所述第二控制策略,确定所述目标控制策略。
在一个实施例中,第三确定模块904具体用于,将所述第一控制策略与所述第二控制策略进行比较,确定第一评估得分;所述第一评估得分表征所述第一控制策略和第二控制策略的相似度;在所述第一评估得分大于第一预设阈值的情况下,组合所述第一控制策略和所述第二控制策略以得到所述目标控制策略。
在一个实施例中,在所述第一评估得分小于等于第一预设阈值的情况下,第三确定模块904具体用于,将第二车辆数据输入至所述设定机器学习框架进行训练,得到第三功能逻辑集;所述第二车辆数据表征与所述第二功能逻辑集关联的数据;在所述第三功能逻辑集中确定所述驾驶环境对应的第三控制策略;根据所述第一控制策略、所述第二控制策略和所述第三控制策略,确定所述目标控制策略。
在一个实施例中,第三确定模块904具体用于,将所述第一控制策略、第二控制策略和第三控制策略之间进行比对,确定三项的第二评估得分;所述三项的第二评估得分包括所述第一控制策略和第三控制策略的相似度、所述第二控制策略和所述第三控制策略的相似度、所述第一控制策略、所述第二控制策略和所述第三控制策略的相似度;在至少两项的所述第二评估得分大于所述第一预设阈值的情况下,组合所述第一控制策略、所述第二控制策略和所述第三控制策略以得到所述目标控制策略。
在一个实施例中,在至少两项所述第二评估得分小于等于所述第一预设阈值的情况下,第三确定模块904具体用于,将第三车辆数据输入至所述设定机器学习框架进行训练,得到第四功能逻辑集;所述第三车辆数据表征与所述第三功能逻辑集关联的数据;在所述第四功能逻辑集中确定所述驾驶环境对应的第四控制策略,并将所述第四控制策略确定为所述目标控制策略;所述第四控制策略用于控制车辆处于安全状态运行。
在一个实施例中,第一确定模块901具体用于,将所述环境信息与所述驾驶环境数据库中存储的驾驶环境进行比对,确定对应的概率值;所述概率值表征所述环境信息与对应的驾驶环境的匹配概率;将所述概率值大于第二设定阈值对应的驾驶环境确定为所述车辆的驾驶环境。
关于自动驾驶车辆的转向控制装置的具体限定可以参见上文中对于自动驾驶车辆的转向控制方法的限定,在此不再赘述。上述自动驾驶车辆的转向控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
需要说明的是,在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种车辆的转向控制方法,其特征在于,包括:
确定驾驶环境数据库,并获取车辆周围的环境信息,以及根据所述环境信息,在所述驾驶环境数据库中确定所述车辆的驾驶环境;
基于预先配置的第一功能逻辑集,确定所述驾驶环境对应的第一控制策略;
基于所述第一控制策略控制所述车辆运行,并获取所述车辆在执行所述第一控制策略之后的第一车辆数据;
根据所述第一车辆数据,在所述第一控制策略基础上确定目标控制策略,其中,所述目标控制策略用于对所述车辆进行转向控制。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一车辆数据,在所述第一控制策略基础上确定目标控制策略,包括:
将所述第一车辆数据输入至设定机器学习框架进行训练,得到第二功能逻辑集;
在所述第二功能逻辑集中确定所述驾驶环境对应的第二控制策略;
根据所述第一控制策略和所述第二控制策略,确定所述目标控制策略。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第一控制策略和所述第二控制策略,确定输入车辆转向控制单元的目标控制策略,包括:
将所述第一控制策略与所述第二控制策略进行比较,确定第一评估得分;所述第一评估得分表征所述第一控制策略和第二控制策略的相似度;
在所述第一评估得分大于第一预设阈值的情况下,组合所述第一控制策略和所述第二控制策略以得到所述目标控制策略。
4.根据权利要求3所述的方法,其特征在于,在所述第一评估得分小于等于第一预设阈值的情况下,所述方法还包括:
将第二车辆数据输入至所述设定机器学习框架进行训练,得到第三功能逻辑集;所述第二车辆数据表征与所述第二功能逻辑集关联的数据;
在所述第三功能逻辑集中确定所述驾驶环境对应的第三控制策略;
根据所述第一控制策略、所述第二控制策略和所述第三控制策略,确定所述目标控制策略。
5.根据权利要求4所述的方法,其特征在于,所述根据所述第一控制策略、所述第二控制策略和所述第三控制策略,确定所述目标控制策略,包括:
将所述第一控制策略、第二控制策略和第三控制策略之间进行比对,确定三项的第二评估得分;所述三项的第二评估得分包括所述第一控制策略和第三控制策略的相似度、所述第二控制策略和所述第三控制策略的相似度、所述第一控制策略、所述第二控制策略和所述第三控制策略的相似度;
在至少两项的所述第二评估得分大于所述第一预设阈值的情况下,组合所述第一控制策略、所述第二控制策略和所述第三控制策略以得到所述目标控制策略。
6.根据权利要求5所述的方法,其特征在于,在至少两项所述第二评估得分小于等于所述第一预设阈值的情况下,所述方法还包括:
将第三车辆数据输入至所述设定机器学习框架进行训练,得到第四功能逻辑集;所述第三车辆数据表征与所述第三功能逻辑集关联的数据;
在所述第四功能逻辑集中确定所述驾驶环境对应的第四控制策略,并将所述第四控制策略确定为所述目标控制策略;所述第四控制策略用于控制车辆处于安全状态运行。
7.根据权利要求1所述的方法,其特征在于,所述根据所述环境信息,在存储的驾驶环境数据库中确定所述车辆的驾驶环境,包括:
将所述环境信息与所述驾驶环境数据库中存储的驾驶环境进行比对,确定对应的概率值;所述概率值表征所述环境信息与对应的驾驶环境的匹配概率;
将所述概率值大于第二设定阈值对应的驾驶环境确定为所述车辆的驾驶环境。
8.一种自动驾驶车辆的转向控制装置,其特征在于,包括:
第一确定模块,用于确定驾驶环境数据库,并获取车辆周围的环境信息,以及根据所述环境信息,在所述驾驶环境数据库中确定所述车辆的驾驶环境;
第二确定模块,用于基于预先配置的第一功能逻辑集,确定所述驾驶环境对应的第一控制策略;
获取模块,用于基于所述第一控制策略控制所述车辆运行,并获取所述车辆在执行所述第一控制策略之后的第一车辆数据;
第三确定模块,用于根据所述第一车辆数据,在所述第一控制策略基础上确定目标控制策略,其中,所述目标控制策略用于对所述车辆进行转向控制。
9.一种自动驾驶车辆,包括存储器和处理器,所述存储器有计算机程序,铁证在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311117958.4A CN116902007A (zh) | 2023-08-31 | 2023-08-31 | 自动驾驶车辆的转向控制方法、装置、车辆和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311117958.4A CN116902007A (zh) | 2023-08-31 | 2023-08-31 | 自动驾驶车辆的转向控制方法、装置、车辆和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116902007A true CN116902007A (zh) | 2023-10-20 |
Family
ID=88351382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311117958.4A Pending CN116902007A (zh) | 2023-08-31 | 2023-08-31 | 自动驾驶车辆的转向控制方法、装置、车辆和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116902007A (zh) |
-
2023
- 2023-08-31 CN CN202311117958.4A patent/CN116902007A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110562258B (zh) | 一种车辆自动换道决策的方法、车载设备和存储介质 | |
CN110673602B (zh) | 一种强化学习模型、车辆自动驾驶决策的方法和车载设备 | |
US11269329B2 (en) | Dynamic model with learning based localization correction system | |
CN110103953B (zh) | 用于辅助车辆的驾驶控制的方法、设备、介质和系统 | |
CN114077541A (zh) | 验证用于自动驾驶车辆的自动控制软件的方法和系统 | |
KR102589587B1 (ko) | 자율 주행 차량용 동적 모델 평가 패키지 | |
JP6418574B2 (ja) | 危険度推定装置、危険度推定方法及び危険度推定用コンピュータプログラム | |
US11531349B2 (en) | Corner case detection and collection for a path planning system | |
CN115907250A (zh) | 用于调整自主驾驶车辆的运动规划器的基于学习的评论器 | |
US20240282124A1 (en) | Vehicle localization based on lane templates | |
CN105620486B (zh) | 应用于车辆能量管理的行驶模式判断装置及方法 | |
CN117130298A (zh) | 用于评估自动驾驶系统的方法、装置及存储介质 | |
CN116901963A (zh) | 自动驾驶车辆的制动控制方法、装置、车辆和介质 | |
US20220398414A1 (en) | Ultrasonic system and method for tuning a machine learning classifier used within a machine learning algorithm | |
US20220398463A1 (en) | Ultrasonic system and method for reconfiguring a machine learning model used within a vehicle | |
US11610412B2 (en) | Vehicle neural network training | |
CN116626670B (zh) | 自动驾驶模型的生成方法、装置、车辆及存储介质 | |
US11157756B2 (en) | System and method for detecting errors and improving reliability of perception systems using logical scaffolds | |
CN116736855A (zh) | 评估自主驾驶规划和控制的方法和系统 | |
CN117473693A (zh) | 自动生成用于调整自主车辆的角部场景数据 | |
CN118591487A (zh) | 驾驶系统的评价方法以及存储介质 | |
CN118613411A (zh) | 驾驶系统的设计方法以及驾驶系统 | |
CN116902007A (zh) | 自动驾驶车辆的转向控制方法、装置、车辆和介质 | |
US20220397666A1 (en) | Ultrasonic system and method for classifying obstacles using a machine learning algorithm | |
CN111174796B (zh) | 一种基于单灭点的导航方法、电子设备和存储介质 |
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 |