CN117302261A - 基于人工智能学习的车辆自适应驾驶控制方法及系统 - Google Patents

基于人工智能学习的车辆自适应驾驶控制方法及系统 Download PDF

Info

Publication number
CN117302261A
CN117302261A CN202311284222.6A CN202311284222A CN117302261A CN 117302261 A CN117302261 A CN 117302261A CN 202311284222 A CN202311284222 A CN 202311284222A CN 117302261 A CN117302261 A CN 117302261A
Authority
CN
China
Prior art keywords
variable
driving
influence
target
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.)
Granted
Application number
CN202311284222.6A
Other languages
English (en)
Other versions
CN117302261B (zh
Inventor
归发维
张�成
李超霞
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.)
Shenzhen Douples Technology Co ltd
Original Assignee
Shenzhen Douples Technology 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 Shenzhen Douples Technology Co ltd filed Critical Shenzhen Douples Technology Co ltd
Priority to CN202311284222.6A priority Critical patent/CN117302261B/zh
Publication of CN117302261A publication Critical patent/CN117302261A/zh
Application granted granted Critical
Publication of CN117302261B publication Critical patent/CN117302261B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • B60W2050/0002—Automatic control, details of type of controller or control system architecture
    • B60W2050/0014—Adaptive controllers
    • 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
    • B60W2050/0062—Adapting control system settings
    • B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means

Landscapes

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

Abstract

本发明提供了基于人工智能学习的车辆自适应驾驶控制方法及系统，属于车辆控制技术领域，包括：确定出车辆自适应驾驶控制的当前控制目标；基于人工智能算法，分析出当前车辆的当前控制目标的大量车辆自适应驾驶控制实例中所有驾驶控制变量和所有驾驶响应变量之间的影响关系和对应的影响程度，并搭建出驾驶变量图谱；基于驾驶变量图谱确定出当前控制目标对应的目标驾驶响应变量的控制变量调整方式；基于控制变量调整方式对当前车辆的驾驶控制变量进行调整获得自适应驾驶控制结果；用以考虑到不同驾驶状况下大量影响变量分别对不同驾驶状态响应变量的影响程度，可以高效准确地确定出控制变量调整方式，进而实现高效准确地自适应驾驶控制。

Description

基于人工智能学习的车辆自适应驾驶控制方法及系统
技术领域
本发明涉及车辆控制技术领域，特别涉及基于人工智能学习的车辆自适应驾驶控制方法及系统。
背景技术
目前，现有技术中存在实现各种车辆驾驶控制目的的自适应驾驶控制方法，例如为了实现巡航转向角度控制、巡航轨迹高度重合控制等，现有技术的自适应驾驶控制方法主要是利用控制过程的实际驾驶状态响应变量和目标驾驶状态响应变量(例如目标驾驶轨迹和实际驾驶遍历轨迹等)，不断优化自适应控制算法，以使其实际驾驶状态响应变量和目标驾驶状态响应变量之间的差值趋近于零，进而达到自适应驾驶控制的目的。
但是，由于造成自适应驾驶控制方法中实际驾驶状态响应变量和目标驾驶状态响应变量之间的差量的影响变量的种类诸多，且在驾驶者不同以及其他驾驶状况不同的情况下，都会造成不同影响变量对该差量的不同程度的影响，而传统的使其二者之间的差量趋于零的控制方法，多通过预设的影响变量的预设权重计算获得，这使得其自适应求解过程效率和准确率都难以保证，也可能存在无解的情况。
因此，本发明提出了基于人工智能学习的车辆自适应驾驶控制方法及系统。
发明内容
本发明提供基于人工智能学习的车辆自适应驾驶控制方法及系统，用以基于对大数据库的大量驾驶控制实例的分析，确定出不同驾驶控制变量和驾驶响应变量之间的影响关系，即考虑到不同驾驶状况下大量影响变量分别对不同驾驶状态响应变量的影响程度，并通过对基于影响关系和影响程度搭建出的驾驶变量图谱的分析，可以高效准确地确定出控制变量调整方式，以使得驾驶状态产生量的实际量和目标量之间的差值趋近于0，进而实现高效准确地自适应驾驶控制。
本发明提供基于人工智能学习的车辆自适应驾驶控制方法，包括：
S1：确定出车辆自适应驾驶控制的当前控制目标；
S2：基于人工智能算法，分析当前车辆的当前控制目标的大量车辆自适应驾驶控制实例，获得所有驾驶控制变量和所有驾驶响应变量之间的影响关系和对应的影响程度；
S3：基于所有影响关系和对应的影响程度，搭建出驾驶变量图谱；
S4：基于驾驶变量图谱确定出当前控制目标对应的目标驾驶响应变量的控制变量调整方式；
S5：基于当前控制目标对应的目标驾驶响应变量的目标值和当前值以及控制变量调整方式，对当前车辆的驾驶控制变量进行调整，获得自适应驾驶控制结果。
优选的，S2：基于人工智能算法，分析当前车辆的当前控制目标的大量车辆自适应驾驶控制实例，获得所有驾驶控制变量和所有驾驶响应变量之间的影响关系和对应的影响程度，包括：
S201：确定出当前车辆的当前控制目标的每个车辆自适应驾驶控制实例中的所有个性化驾驶控制变量的个性化调整值和所有个性化驾驶响应变量的个性化变化值；
S202：基于所有车辆自适应驾驶控制实例中的所有个性化驾驶控制变量的个性化调整值和所有个性化驾驶响应变量的个性化变化值以及人工智能算法，获得所有驾驶控制变量和所有驾驶响应变量之间的影响关系和对应的影响程度。
优选的，基于所有车辆自适应驾驶控制实例中的所有个性化驾驶控制变量的个性化调整值和所有个性化驾驶响应变量的个性化变化值以及人工智能算法，获得所有驾驶控制变量和所有驾驶响应变量之间的影响关系和对应的影响程度，包括：
基于大量变量关系实例样本搭建出量化关系分析模型，其中，变量关系实例样本中包含多个驾驶控制变量的调整值和对应的多个驾驶响应变量的变化值以及多个驾驶控制变量与多个驾驶响应变量之间的量化关系；
将所有车辆自适应驾驶控制实例中的所有个性化驾驶控制变量的个性化调整值和所有个性化驾驶响应变量的个性化变化值，输入至量化关系分析模型，确定出所有个性化驾驶控制变量和所有个性化驾驶响应变量之间的个性化量化关系；
将所有个性化驾驶控制变量当作驾驶控制变量，并将所有个性化驾驶响应变量当作驾驶响应变量，并将所有个性化驾驶控制变量和所有个性化驾驶响应变量之间的个性化量化关系，当作对应驾驶控制变量和对应驾驶响应变量之间的影响关系和对应的影响程度。
优选的，S3：基于所有影响关系和对应的影响程度，搭建出驾驶变量图谱，包括：
将所有存在影响关系的驾驶控制变量和驾驶响应变量用从驾驶控制变量指向对应驾驶响应变量的箭头连接，搭建出包含所有影响关系的关系图谱；
将所有影响关系对应的影响程度标记在关系图谱中，获得驾驶变量图谱。
优选的，S4：基于驾驶变量图谱确定出当前控制目标对应的目标驾驶响应变量的控制变量调整方式，包括：
在驾驶变量图谱中确定出所有包含当前控制目标对应的目标驾驶响应变量的影响脉络，当作第一变量影响脉络；
将第一变量影响脉络中目标驾驶响应变量之后的变量，当作第一变量影响脉络的衍生影响变量；
在驾驶变量图谱中确定出每个衍生影响变量和对应第一变量影响脉络中除当前衍生影响变量以外剩余的变量之间的影响脉络，当作衍生影响脉络；
基于每个第一变量影响脉络和对应包含的所有衍生影响变量的衍生影响脉络，确定出当前控制目标对应的目标驾驶响应变量的控制变量调整方式。
优选的，基于每个第一变量影响脉络和对应包含的所有衍生影响变量的衍生影响脉络，确定出当前控制目标对应的目标驾驶响应变量的控制变量调整方式，包括：
将每个第一变量影响脉络和对应包含的所有衍生影响变量的衍生影响脉络进行拼接，获得第二变量影响脉络；
将第一变量影响脉络和第二变量影响脉络当作目标变量影响脉络；
将形成循环的目标变量循环脉络中除目标驾驶响应变量以外的每个变量，当作可控变量，并将未形成循环的目标变量循环脉络中与目标驾驶响应变量之间包含的影响关系总数在关系总数阈值之内的变量，当作可控变量；
基于每个可控变量的所属目标变量循环脉络，确定出目标驾驶响应变量的控制变量调整方式。
优选的，基于每个可控变量的所属目标变量循环脉络，确定出目标驾驶响应变量的控制变量调整方式，包括：
确定出每个可控变量的单位值调整成本；
基于每个可控变量的所属目标变量循环脉络，确定出每个可控变量至目标驾驶响应变量之间的部分影响脉络；
将部分影响脉络中所有影响关系的响应成本之和，当作部分影响脉络的总响应成本；
基于部分影响脉络确定出目标驾驶响应变量相对于对应可控变量的响应倍数；
基于每个可控变量的单位值调整成本和响应倍数以及对应的部分影响脉络的总响应成本，确定出目标驾驶响应变量的控制变量调整方式。
优选的，基于每个可控变量的单位值调整成本和对应的部分影响脉络的总响应成本，确定出目标驾驶响应变量的控制变量调整方式，包括：
将每个可控变量的单位值调整成本和响应倍数的乘积当作总调整成本；
将总调整成本和最大调整成本的比值与总响应成本和最大响应成本的比值之和，当作调整方式总成本占比；
将最小调整方式总成本占比对应的可控变量和对应的部分影响脉络，当作对应的控制变量调整方式。
优选的，S5：基于当前控制目标对应的目标驾驶响应变量的目标值和当前值以及控制变量调整方式，对当前车辆的驾驶控制变量进行调整，获得自适应驾驶控制结果，包括：
基于当前控制目标对应的目标驾驶响应变量的目标值和当前值以及控制变量调整方式，计算出当前控制目标对应的目标驾驶响应变量的目标调整值；
基于目标控制变量的目标调整值，对当前车辆的驾驶控制变量进行调整，获得自适应驾驶控制结果。
本发明提供基于人工智能学习的车辆自适应驾驶控制系统，包括：
目标确定模块，用于确定出车辆自适应驾驶控制的当前控制目标；
实例分析模块，用于基于人工智能算法，分析当前车辆的当前控制目标的大量车辆自适应驾驶控制实例，获得所有驾驶控制变量和所有驾驶响应变量之间的影响关系和对应的影响程度；
图谱搭建模块，用于基于所有影响关系和对应的影响程度，搭建出驾驶变量图谱；
关系确定模块，用于基于驾驶变量图谱确定出当前控制目标对应的目标驾驶响应变量的控制变量调整方式；
变量调整模块，用于基于当前控制目标对应的目标驾驶响应变量的目标值和当前值以及控制变量调整方式，对当前车辆的驾驶控制变量进行调整，获得自适应驾驶控制结果。
本发明区别于现有技术的有益效果为：基于对大数据库的大量驾驶控制实例的分析，确定出不同驾驶控制变量和驾驶响应变量之间的影响关系，即考虑到不同驾驶状况下大量影响变量分别对不同驾驶状态响应变量的影响程度，并通过对基于影响关系和影响程度搭建出的驾驶变量图谱的分析，可以高效准确地确定出控制变量调整方式，以使得驾驶状态产生量的实际量和目标量之间的差值趋近于0，进而实现高效准确地自适应驾驶控制。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中的一种基于人工智能学习的车辆自适应驾驶控制方法流程图；
图2为本发明实施例中的又一种基于人工智能学习的车辆自适应驾驶控制方法流程图；
图3为本发明实施例中的一种基于人工智能学习的车辆自适应驾驶控制系统示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1：
本发明提供了一种基于人工智能学习的车辆自适应驾驶控制方法，参考图1，包括：
S1：确定出车辆自适应驾驶控制的当前控制目标(例如为了实现巡航转向角度控制(即为严格控制车辆的转向角度)、巡航轨迹高度重合控制(即控制车辆严格按照导航轨迹行驶的目的)等)；
S2：基于人工智能算法(例如机器学习算法)，分析当前车辆的当前控制目标的大量车辆自适应驾驶控制实例(即记录有为实现当前控制目标对相应控制变量进行调整控制的过程的记录实例)，获得所有驾驶控制变量(即为影响关系中包含的会引起对应驾驶响应变量产生一定数值变化的与车辆驾驶状态相关的参数类目，例如：动力装置中电机的输出电压、车速、转轴控制电机的输出电压和方向盘转轴的转动角度)和所有驾驶响应变量(即为由于对应驾驶控制变量的数值变化而产生数值变化的参数类目，例如方向盘转轴的转动角度、车速等)之间的影响关系(即表征其驾驶控制变量和驾驶响应变量二者之间存在量化关系)和对应的影响程度(即表征对驾驶控制变量调整单位数值时，引起对应的驾驶响应变量的数值的变化值)；
步骤S1和S2基于对大数据库的大量驾驶控制实例的分析，确定出不同驾驶控制变量和驾驶响应变量之间的影响关系，即考虑到不同驾驶状况下大量影响变量分别对不同驾驶状态响应变量的影响程度；
S3：基于所有影响关系和对应的影响程度，搭建出驾驶变量图谱(即为包含所有驾驶控制变量和所有驾驶响应变量之间的影响关系和对应的影响程度的图谱，其中，影响关系用从驾驶控制变量指向对应驾驶响应变量的箭头表示)；
S4：基于驾驶变量图谱确定出当前控制目标对应的目标驾驶响应变量(即为为了实现当前控制目的而对变量进行调整控制的过程中，最终产生响应的驾驶变量，也是直接体现实现当前控制目标的驾驶控制变量)的控制变量调整方式(用一个或多个影响关系组成的部分影响脉络表示，控制变量调整方式即依照该部分影响脉络中的变量之间的量化关系对其中的驾驶控制变量进行调整，以使目标驾驶响应变量达到相应响应以满足当前控制目标)；
S5：基于当前控制目标对应的目标驾驶响应变量的目标值(即目标驾驶响应变量调整后想要达到的数值，也是为实现当前控制目标所要达到的数值)和当前值(即目标驾驶响应变量的当前取值)以及控制变量调整方式，对当前车辆的驾驶控制变量进行调整，获得自适应驾驶控制结果(即为对车辆进行自适应驾驶控制并使车辆驾驶状态达到当前控制目标这一结果)；
步骤S3至S5通过对基于影响关系和影响程度搭建出的驾驶变量图谱的分析，可以高效准确地确定出控制变量调整方式，以使得驾驶状态产生量的实际量和目标量之间的差值趋近于0，进而实现高效准确地自适应驾驶控制。
该实施例中，驾驶控制变量和驾驶响应变量都是表示与车辆驾驶状态相关的参数类目，且同一参数类目在一个影响关系中可能是驾驶控制变量，而在另一个影响关系中是驾驶响应变量，例如：方向盘转动角在转轴控制电机输出电压→方向盘转动角这个影响关系中是驾驶响应变量，而在方向盘转动角→车辆转向角度这个影响关系中是驾驶控制变量。
实施例2：
在实施例1的基础上，S2：基于人工智能算法，分析当前车辆的当前控制目标的大量车辆自适应驾驶控制实例，获得所有驾驶控制变量和所有驾驶响应变量之间的影响关系和对应的影响程度，参考图2，包括：
S201：确定出当前车辆的当前控制目标的每个车辆自适应驾驶控制实例中的所有个性化驾驶控制变量(即车辆自适应驾驶控制实例中包含的会引起对应驾驶响应变量产生一定数值变化的与车辆驾驶状态相关的参数类目，也是自适应驾驶控制系统直接调整的变量)的个性化调整值(即为在车辆自适应驾驶控制实例中对个性化驾驶控制变量进行调整的数值)和所有个性化驾驶响应变量(即车辆自适应驾驶控制实例中包含的在个性化驾驶控制变量调整时产生相应数值变化的参数类目)的个性化变化值(即为在车辆自适应驾驶控制实例中对个性化驾驶响应变量进行调整的数值)；
S202：基于所有车辆自适应驾驶控制实例中的所有个性化驾驶控制变量的个性化调整值和所有个性化驾驶响应变量的个性化变化值以及人工智能算法，获得所有驾驶控制变量和所有驾驶响应变量之间的影响关系和对应的影响程度。
上述过程通过分析当前控制目标的每个车辆自适应驾驶控制实例中的所有个性化驾驶控制变量的个性化调整值和所有个性化驾驶响应变量的个性化变化值，实现对每个车辆自适应驾驶控制实例的个性化分析，并基于人工智能算法对分析出的数值进行进一步分析，获得每个车辆自适应驾驶控制实例。
实施例3：
在实施例2的基础上，基于所有车辆自适应驾驶控制实例中的所有个性化驾驶控制变量的个性化调整值和所有个性化驾驶响应变量的个性化变化值以及人工智能算法，获得所有驾驶控制变量和所有驾驶响应变量之间的影响关系和对应的影响程度，包括：
基于大量变量关系实例样本搭建出量化关系分析模型，其中，变量关系实例样本中包含多个驾驶控制变量的调整值和对应的多个驾驶响应变量的变化值以及多个驾驶控制变量与多个驾驶响应变量之间的量化关系(量化关系用函数关系表示，即用函数关系其驾驶控制变量和驾驶响应变量之间的量化关系)；
将所有车辆自适应驾驶控制实例中的所有个性化驾驶控制变量的个性化调整值和所有个性化驾驶响应变量的个性化变化值，输入至量化关系分析模型，确定出所有个性化驾驶控制变量和所有个性化驾驶响应变量之间的个性化量化关系(即为所有个性化驾驶控制变量和所有个性化驾驶响应变量之间的量化关系)；
将所有个性化驾驶控制变量当作驾驶控制变量，并将所有个性化驾驶响应变量当作驾驶响应变量，并将所有个性化驾驶控制变量和所有个性化驾驶响应变量之间的个性化量化关系，当作对应驾驶控制变量和对应驾驶响应变量之间的影响关系和对应的影响程度。
该实施例中，基于大量变量关系实例样本搭建出量化关系分析模型即为：利用大量变量关系实例样本中过半数量的变量关系实例样本进行模型训练，获得训练后的模型，再基于剩余的变量关系实例样本对训练后的模型进行测试验证直至其精确度符合要求，进而获得量化关系分析模型，该量化关系分析模型可以基于输入的驾驶控制变量的调整值和对应的驾驶响应变量的变化值确定出驾驶控制变量和驾驶响应变量之间的量化关系。
上述过程基于机器学习算法搭建出量化关系分析模型，并通过将所有车辆自适应驾驶控制实例中的所有个性化驾驶控制变量的个性化调整值和所有个性化驾驶响应变量的个性化变化值，输入至量化关系分析模型，确定出所有个性化驾驶控制变量和所有个性化驾驶响应变量之间的个性化量化关系，并进一步地确定出所有驾驶控制变量和所有驾驶响应变量之间的影响关系和对应的影响程度。
实施例4：
在实施例1的基础上，S3：基于所有影响关系和对应的影响程度，搭建出驾驶变量图谱，包括：
将所有存在影响关系的驾驶控制变量和驾驶响应变量用从驾驶控制变量指向对应驾驶响应变量的箭头连接，搭建出包含所有影响关系的关系图谱(即为包含所有驾驶控制变量和所有驾驶响应变量以及用箭头表示的其二者之间的影响关系的图谱)；
将所有影响关系对应的影响程度标记在关系图谱中，获得驾驶变量图谱。
上述过程实现了所有影响关系和对应的影响程度的汇总图谱表示，以便于后续分析多个驾驶控制变量和驾驶响应变量之间的间接影响关系。
实施例5：
在实施例1的基础上，S4：基于驾驶变量图谱确定出当前控制目标对应的目标驾驶响应变量的控制变量调整方式，包括：
在驾驶变量图谱中确定出所有包含当前控制目标对应的目标驾驶响应变量的影响脉络(即为有驾驶变量图谱中一个或多个连续的影响关系构成的驾驶控制变量和驾驶响应变量及其之间的影响关系构成的图示结构，且目标驾驶响应变量是影响脉络中的最后一个变量)，当作第一变量影响脉络，实现对以当前控制目标对应的目标驾驶响应变量为终点的影响脉络的完整提取；
将第一变量影响脉络中目标驾驶响应变量之后的变量(包括驾驶控制变量和驾驶响应变量两种情况)，当作第一变量影响脉络的衍生影响变量；
在驾驶变量图谱中确定出每个衍生影响变量和对应第一变量影响脉络中除当前衍生影响变量以外剩余的变量之间的影响脉络，当作衍生影响脉络，即分析出在目标驾驶响应变量产生数值变化时可能会对第一变量影响脉络中的其他变量的数值产生进一步影响的对应影响关系；
基于每个第一变量影响脉络和对应包含的所有衍生影响变量的衍生影响脉络，确定出当前控制目标对应的目标驾驶响应变量的控制变量调整方式。
通过对目标驾驶响应变量产生数值变化时可能会对第一变量影响脉络中的其他变量的数值产生进一步影响的对应影响关系的分析，使得在确定目标驾驶响应变量时的控制变量调整方式时考虑到目标驾驶响应变量的自身数值变化造成的自身数值误差，进而提高了自适应驾驶控制的调整精度。
实施例6：
在实施例5的基础上，基于每个第一变量影响脉络和对应包含的所有衍生影响变量的衍生影响脉络，确定出当前控制目标对应的目标驾驶响应变量的控制变量调整方式，包括：
将每个第一变量影响脉络和对应包含的所有衍生影响变量的衍生影响脉络进行拼接，获得第二变量影响脉络(即将第一变量影响脉络和衍生影响变量的衍生影响脉络以其二者包含的相同变量为拼接位置，将其二者进行拼接获得第二变量影响脉络)；
将第一变量影响脉络和第二变量影响脉络当作目标变量影响脉络；
将形成循环(即为目标变量循环脉络中存在形成闭环的多个影响关系时，则判定其形成循环)的目标变量循环脉络中除目标驾驶响应变量以外的每个变量，当作可控变量，并将未形成循环的目标变量循环脉络中与目标驾驶响应变量之间包含的影响关系总数在关系总数阈值(即为预设的在未形成循环的目标变量循环脉络中可以被选为可控变量的变量与目标驾驶响应变量之间的影响关系总数可允许的最大值)之内的变量(即该变量与在未形成循环的目标变量循环脉络中与目标驾驶响应变量之间包含的影响关系总数在关系总数阈值之内)，当作可控变量；
基于每个可控变量的所属目标变量循环脉络(即可控变量所在的目标变量循环脉络)，确定出目标驾驶响应变量的控制变量调整方式。
上述过程通过将个第一变量影响脉络和对应包含的所有衍生影响变量的衍生影响脉络进行拼接，实现对到目标驾驶响应变量的自身数值变化造成的自身数值造成的数值变化的考虑，并按照其内可形成循环和不可形成循环两种情况分别确定可控变量，充分考虑到目标驾驶响应变量的自身数值变化造成的自身数值造成的数值变化这一深层影响关系，进而进一步提高了自适应驾驶控制的调整精度。
实施例7：
在实施例6的基础上，基于每个可控变量的所属目标变量循环脉络，确定出目标驾驶响应变量的控制变量调整方式，包括：
确定出每个可控变量的单位值调整成本(即为预设的每个可控变量调整单位个数值时所需要付出的成本，例如与器械损耗、电量损耗等有关)，实现对可控变量的调整成本的分析；
基于每个可控变量的所属目标变量循环脉络，确定出每个可控变量至目标驾驶响应变量之间的部分影响脉络(即包含从可控变量至目标驾驶响应变量遍历的所有影响关系的脉络)；
将部分影响脉络中所有影响关系的响应成本(即调整影响关系中的驾驶控制变量时，对应影响关系中的驾驶响应变量产生相应数值响应变化时所需的成本，例如产生响应所需的时间或者所消耗的电量等)之和，当作部分影响脉络的总响应成本(即为对部分影响脉络的起点的驾驶控制变量进行调整时，直至部分影响脉络的终点的驾驶响应变量产生相应响应时所需的总的响应成本)，即分析出基于每个可控变量对目标驾驶响应变量进行调整时所需的总响应成本；
基于部分影响脉络确定出目标驾驶响应变量相对于对应可控变量的响应倍数(响应倍数与可控变量调整单位个数值时对应的目标驾驶响应变量产生的数值变化值的数值相同)，实现对响应倍数的分析；
基于每个可控变量的单位值调整成本和响应倍数以及对应的部分影响脉络的总响应成本，确定出目标驾驶响应变量的控制变量调整方式，进而实现了从可控变量的调整成本和对应的响应成本以及对应的响应倍数的角度评估筛选出最终的控制变量调整方式，实现对目标驾驶响应变量的控制变量调整方式的成本控制。
实施例8：
在实施例7的基础上，基于每个可控变量的单位值调整成本和对应的部分影响脉络的总响应成本，确定出目标驾驶响应变量的控制变量调整方式，包括：
将每个可控变量的单位值调整成本和响应倍数的乘积当作总调整成本(即基于可控变量实现对目标驾驶响应变量的调整时所需的总的调整成本)；
将总调整成本和最大调整成本的比值与总响应成本和最大响应成本(最大调整成本和最大响应成本是预设的，当调整成本或响应成本考虑的是消耗电量，则该最大调整成本即为预测的调整可控可控变量时所需的最大消耗电量，最大响应成本即为预测的目标驾驶变量产生相应响应时所需的最大消耗电量)的比值之和，当作调整方式总成本占比(即对可控变量的完整调整过程的总成本的比值化后的数值)；
将最小调整方式总成本占比对应的可控变量和对应的部分影响脉络，当作对应的控制变量调整方式；
基于可控变量的单位值调整成本和响应倍数计算出总调整成本，并综合总响应成本，用其各自与预设最大值比值化后的和表示其总成本，实现成本值的归一化，以该归一化后的数值中的最小值为依据筛选出控制变量调整方式依据的可控变量和对应的部分影响脉络，实现对目标驾驶响应变量的控制变量调整方式的进一步的高精度成本控制。
实施例9：
在实施例1的基础上，S5：基于当前控制目标对应的目标驾驶响应变量的目标值和当前值以及控制变量调整方式，对当前车辆的驾驶控制变量进行调整，获得自适应驾驶控制结果，包括：
基于当前控制目标对应的目标驾驶响应变量的目标值和当前值以及控制变量调整方式，计算出当前控制目标对应的目标驾驶响应变量的目标调整值(即为将目标值和当前值的差值，当作目标驾驶响应变量的变化值，将目标驾驶响应变量的变化值依次代入至控制变量调整方式对应的部分影响脉络中包含的每个影响关系的影响程度，推算出对应可控变量的目标调整值)；
基于目标控制变量(即为控制变量调整方式对应的可控变量)的目标调整值，对当前车辆的驾驶控制变量进行调整(即为基于目标调整值，将当前车辆的目标控制变量的数值进行调整)，获得自适应驾驶控制结果；
上述过程基于确定出的控制变量调整方式，实现对驾驶控制变量的精准调整，以使其可精准高效实现当前控制目标对应的目标驾驶响应变量的目标值，即实现高效精准地车辆自适应驾驶控制。
实施例10：
本发明提供了基于人工智能学习的车辆自适应驾驶控制系统，参考图3，包括：
目标确定模块，用于确定出车辆自适应驾驶控制的当前控制目标；
实例分析模块，用于基于人工智能算法，分析当前车辆的当前控制目标的大量车辆自适应驾驶控制实例，获得所有驾驶控制变量和所有驾驶响应变量之间的影响关系和对应的影响程度；
图谱搭建模块，用于基于所有影响关系和对应的影响程度，搭建出驾驶变量图谱；
关系确定模块，用于基于驾驶变量图谱确定出当前控制目标对应的目标驾驶响应变量的控制变量调整方式；
变量调整模块，用于基于当前控制目标对应的目标驾驶响应变量的目标值和当前值以及控制变量调整方式，对当前车辆的驾驶控制变量进行调整，获得自适应驾驶控制结果。
基于对大数据库的大量驾驶控制实例的分析，确定出不同驾驶控制变量和驾驶响应变量之间的影响关系，即考虑到不同驾驶状况下大量影响变量分别对不同驾驶状态响应变量的影响程度，并通过对基于影响关系和影响程度搭建出的驾驶变量图谱的分析，可以高效准确地确定出控制变量调整方式，以使得驾驶状态产生量的实际量和目标量之间的差值趋近于0，进而实现高效准确地自适应驾驶控制。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.基于人工智能学习的车辆自适应驾驶控制方法，其特征在于，包括：
S1：确定出车辆自适应驾驶控制的当前控制目标；
S2：基于人工智能算法，分析当前车辆的当前控制目标的大量车辆自适应驾驶控制实例，获得所有驾驶控制变量和所有驾驶响应变量之间的影响关系和对应的影响程度；
S3：基于所有影响关系和对应的影响程度，搭建出驾驶变量图谱；
S4：基于驾驶变量图谱确定出当前控制目标对应的目标驾驶响应变量的控制变量调整方式；
S5：基于当前控制目标对应的目标驾驶响应变量的目标值和当前值以及控制变量调整方式，对当前车辆的驾驶控制变量进行调整，获得自适应驾驶控制结果。
2.根据权利要求1所述的基于人工智能学习的车辆自适应驾驶控制方法，其特征在于，S2：基于人工智能算法，分析当前车辆的当前控制目标的大量车辆自适应驾驶控制实例，获得所有驾驶控制变量和所有驾驶响应变量之间的影响关系和对应的影响程度，包括：
S201：确定出当前车辆的当前控制目标的每个车辆自适应驾驶控制实例中的所有个性化驾驶控制变量的个性化调整值和所有个性化驾驶响应变量的个性化变化值；
S202：基于所有车辆自适应驾驶控制实例中的所有个性化驾驶控制变量的个性化调整值和所有个性化驾驶响应变量的个性化变化值以及人工智能算法，获得所有驾驶控制变量和所有驾驶响应变量之间的影响关系和对应的影响程度。
3.根据权利要求2所述的基于人工智能学习的车辆自适应驾驶控制方法，其特征在于，基于所有车辆自适应驾驶控制实例中的所有个性化驾驶控制变量的个性化调整值和所有个性化驾驶响应变量的个性化变化值以及人工智能算法，获得所有驾驶控制变量和所有驾驶响应变量之间的影响关系和对应的影响程度，包括：
基于大量变量关系实例样本搭建出量化关系分析模型，其中，变量关系实例样本中包含多个驾驶控制变量的调整值和对应的多个驾驶响应变量的变化值以及多个驾驶控制变量与多个驾驶响应变量之间的量化关系；
将所有车辆自适应驾驶控制实例中的所有个性化驾驶控制变量的个性化调整值和所有个性化驾驶响应变量的个性化变化值，输入至量化关系分析模型，确定出所有个性化驾驶控制变量和所有个性化驾驶响应变量之间的个性化量化关系；
将所有个性化驾驶控制变量当作驾驶控制变量，并将所有个性化驾驶响应变量当作驾驶响应变量，并将所有个性化驾驶控制变量和所有个性化驾驶响应变量之间的个性化量化关系，当作对应驾驶控制变量和对应驾驶响应变量之间的影响关系和对应的影响程度。
4.根据权利要求1所述的基于人工智能学习的车辆自适应驾驶控制方法，其特征在于，S3：基于所有影响关系和对应的影响程度，搭建出驾驶变量图谱，包括：
将所有存在影响关系的驾驶控制变量和驾驶响应变量用从驾驶控制变量指向对应驾驶响应变量的箭头连接，搭建出包含所有影响关系的关系图谱；
将所有影响关系对应的影响程度标记在关系图谱中，获得驾驶变量图谱。
5.根据权利要求1所述的基于人工智能学习的车辆自适应驾驶控制方法，其特征在于，S4：基于驾驶变量图谱确定出当前控制目标对应的目标驾驶响应变量的控制变量调整方式，包括：
在驾驶变量图谱中确定出所有包含当前控制目标对应的目标驾驶响应变量的影响脉络，当作第一变量影响脉络；
将第一变量影响脉络中目标驾驶响应变量之后的变量，当作第一变量影响脉络的衍生影响变量；
在驾驶变量图谱中确定出每个衍生影响变量和对应第一变量影响脉络中除当前衍生影响变量以外剩余的变量之间的影响脉络，当作衍生影响脉络；
基于每个第一变量影响脉络和对应包含的所有衍生影响变量的衍生影响脉络，确定出当前控制目标对应的目标驾驶响应变量的控制变量调整方式。
6.根据权利要求5所述的基于人工智能学习的车辆自适应驾驶控制方法，其特征在于，基于每个第一变量影响脉络和对应包含的所有衍生影响变量的衍生影响脉络，确定出当前控制目标对应的目标驾驶响应变量的控制变量调整方式，包括：
将每个第一变量影响脉络和对应包含的所有衍生影响变量的衍生影响脉络进行拼接，获得第二变量影响脉络；
将第一变量影响脉络和第二变量影响脉络当作目标变量影响脉络；
将形成循环的目标变量循环脉络中除目标驾驶响应变量以外的每个变量，当作可控变量，并将未形成循环的目标变量循环脉络中与目标驾驶响应变量之间包含的影响关系总数在关系总数阈值之内的变量，当作可控变量；
基于每个可控变量的所属目标变量循环脉络，确定出目标驾驶响应变量的控制变量调整方式。
7.根据权利要求6所述的基于人工智能学习的车辆自适应驾驶控制方法，其特征在于，基于每个可控变量的所属目标变量循环脉络，确定出目标驾驶响应变量的控制变量调整方式，包括：
确定出每个可控变量的单位值调整成本；
基于每个可控变量的所属目标变量循环脉络，确定出每个可控变量至目标驾驶响应变量之间的部分影响脉络；
将部分影响脉络中所有影响关系的响应成本之和，当作部分影响脉络的总响应成本；
基于部分影响脉络确定出目标驾驶响应变量相对于对应可控变量的响应倍数；
基于每个可控变量的单位值调整成本和响应倍数以及对应的部分影响脉络的总响应成本，确定出目标驾驶响应变量的控制变量调整方式。
8.根据权利要求7所述的基于人工智能学习的车辆自适应驾驶控制方法，其特征在于，基于每个可控变量的单位值调整成本和对应的部分影响脉络的总响应成本，确定出目标驾驶响应变量的控制变量调整方式，包括：
将每个可控变量的单位值调整成本和响应倍数的乘积当作总调整成本；
将总调整成本和最大调整成本的比值与总响应成本和最大响应成本的比值之和，当作调整方式总成本占比；
将最小调整方式总成本占比对应的可控变量和对应的部分影响脉络，当作对应的控制变量调整方式。
9.根据权利要求1所述的基于人工智能学习的车辆自适应驾驶控制方法，其特征在于，S5：基于当前控制目标对应的目标驾驶响应变量的目标值和当前值以及控制变量调整方式，对当前车辆的驾驶控制变量进行调整，获得自适应驾驶控制结果，包括：
基于当前控制目标对应的目标驾驶响应变量的目标值和当前值以及控制变量调整方式，计算出当前控制目标对应的目标驾驶响应变量的目标调整值；
基于目标控制变量的目标调整值，对当前车辆的驾驶控制变量进行调整，获得自适应驾驶控制结果。
10.基于人工智能学习的车辆自适应驾驶控制系统，其特征在于，包括：
目标确定模块，用于确定出车辆自适应驾驶控制的当前控制目标；
实例分析模块，用于基于人工智能算法，分析当前车辆的当前控制目标的大量车辆自适应驾驶控制实例，获得所有驾驶控制变量和所有驾驶响应变量之间的影响关系和对应的影响程度；
图谱搭建模块，用于基于所有影响关系和对应的影响程度，搭建出驾驶变量图谱；
关系确定模块，用于基于驾驶变量图谱确定出当前控制目标对应的目标驾驶响应变量的控制变量调整方式；
变量调整模块，用于基于当前控制目标对应的目标驾驶响应变量的目标值和当前值以及控制变量调整方式，对当前车辆的驾驶控制变量进行调整，获得自适应驾驶控制结果。
CN202311284222.6A 2023-10-07 2023-10-07 基于人工智能学习的车辆自适应驾驶控制方法及系统 Active CN117302261B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311284222.6A CN117302261B (zh) 2023-10-07 2023-10-07 基于人工智能学习的车辆自适应驾驶控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311284222.6A CN117302261B (zh) 2023-10-07 2023-10-07 基于人工智能学习的车辆自适应驾驶控制方法及系统

Publications (2)

Publication Number Publication Date
CN117302261A true CN117302261A (zh) 2023-12-29
CN117302261B CN117302261B (zh) 2024-05-31

Family

ID=89249499

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311284222.6A Active CN117302261B (zh) 2023-10-07 2023-10-07 基于人工智能学习的车辆自适应驾驶控制方法及系统

Country Status (1)

Country Link
CN (1) CN117302261B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160297439A1 (en) * 2015-04-08 2016-10-13 Toyota Jidosha Kabushiki Kaisha Driving support control apparatus for vehicle
CN109415062A (zh) * 2016-07-19 2019-03-01 华为技术有限公司 自动驾驶车辆中的自适应的乘客舒适度增强
US20200276972A1 (en) * 2017-11-17 2020-09-03 Denso Corporation Vehicle control device
US20210078608A1 (en) * 2019-09-13 2021-03-18 Honda Motor Co., Ltd. System and method for providing adaptive trust calibration in driving automation
CN112550314A (zh) * 2020-12-16 2021-03-26 吉林大学青岛汽车研究院 适用于无人驾驶的嵌入优化式控制方法及其驾驶控制模块和自动驾驶控制系统
WO2022037955A1 (en) * 2020-08-19 2022-02-24 Siemens Aktiengesellschaft Method for determining an indicator of a technical system, determination unit and construction system
CN115601852A (zh) * 2022-09-22 2023-01-13 长城汽车股份有限公司（Cn） 一种处理车辆数据的方法、装置及车辆
CN116620303A (zh) * 2023-03-28 2023-08-22 潍柴动力股份有限公司 一种车辆驾驶状态的确定方法、装置、电子设备及介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160297439A1 (en) * 2015-04-08 2016-10-13 Toyota Jidosha Kabushiki Kaisha Driving support control apparatus for vehicle
CN109415062A (zh) * 2016-07-19 2019-03-01 华为技术有限公司 自动驾驶车辆中的自适应的乘客舒适度增强
US20200276972A1 (en) * 2017-11-17 2020-09-03 Denso Corporation Vehicle control device
US20210078608A1 (en) * 2019-09-13 2021-03-18 Honda Motor Co., Ltd. System and method for providing adaptive trust calibration in driving automation
WO2022037955A1 (en) * 2020-08-19 2022-02-24 Siemens Aktiengesellschaft Method for determining an indicator of a technical system, determination unit and construction system
CN112550314A (zh) * 2020-12-16 2021-03-26 吉林大学青岛汽车研究院 适用于无人驾驶的嵌入优化式控制方法及其驾驶控制模块和自动驾驶控制系统
CN115601852A (zh) * 2022-09-22 2023-01-13 长城汽车股份有限公司（Cn） 一种处理车辆数据的方法、装置及车辆
CN116620303A (zh) * 2023-03-28 2023-08-22 潍柴动力股份有限公司 一种车辆驾驶状态的确定方法、装置、电子设备及介质

Also Published As

Publication number Publication date
CN117302261B (zh) 2024-05-31

Similar Documents

Publication Publication Date Title
US20220363259A1 (en) Method for generating lane changing decision-making model, method for lane changing decision-making of unmanned vehicle and electronic device
CN108520155B (zh) 基于神经网络的车辆行为模拟方法
US7062333B2 (en) Optimal solution search device, device for controlling controlled object by optimizing algorithm, and optimal solution search program
CN110395250A (zh) 用于车辆弯道速度限制的方法和系统
CN112101684B (zh) 一种插电式混合动力车辆实时能量管理方法和系统
CN102200787B (zh) 机器人行为多层次集成学习方法及系统
CN112632860B (zh) 一种基于强化学习的动力传动系统模型参数辨识方法
CN106877746A (zh) 速度控制方法和速度控制装置
CN108665093A (zh) 基于深度学习的高速公路交通事故严重度预测方法
CN113415288B (zh) 分段式纵向车速规划方法、装置、设备及存储介质
CN116108717B (zh) 一种基于数字孪生的交通运输设备运行预测方法及装置
CN109878534A (zh) 一种车辆的控制方法、模型的训练方法和装置
CN113614743A (zh) 用于操控机器人的方法和设备
CN117302261B (zh) 基于人工智能学习的车辆自适应驾驶控制方法及系统
CN112632706B (zh) 一种基于gmm和cart回归树的路感模拟方法
CN117648352A (zh) 基于个性化交互跟驰模型的智能汽车关键场景生成方法
CN111507499B (zh) 预测用模型的构建方法、测试方法、装置及系统
CN116968721A (zh) 一种混合动力汽车预测式能量管理方法、系统和存储介质
CN113743603A (zh) 控制方法、装置、存储介质及电子设备
CN116310542A (zh) 一种基于改进交叉熵损失函数的图像分类方法
CN114063453B (zh) 基于强化学习的直升机系统控制方法、系统、装置及介质
CN115743168A (zh) 用于换道决策的模型训练方法、目标车道确定方法及装置
Ge et al. Deep reinforcement learning navigation via decision transformer in autonomous driving
Bauer et al. Black box efficiency modelling of an electric drive unit utilizing methods of machine learning
US20220277200A1 (en) Fast quantised training of trainable modules

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