CN118387142B - 一种车辆自动驾驶的速度控制方法、装置及车辆 - Google Patents
一种车辆自动驾驶的速度控制方法、装置及车辆 Download PDFInfo
- Publication number
- CN118387142B CN118387142B CN202410842769.1A CN202410842769A CN118387142B CN 118387142 B CN118387142 B CN 118387142B CN 202410842769 A CN202410842769 A CN 202410842769A CN 118387142 B CN118387142 B CN 118387142B
- Authority
- CN
- China
- Prior art keywords
- variable
- speed
- vehicle
- acceleration
- automatic driving
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 230000001133 acceleration Effects 0.000 claims abstract description 92
- 230000008569 process Effects 0.000 claims abstract description 45
- 230000008859 change Effects 0.000 claims abstract description 12
- 238000013507 mapping Methods 0.000 claims description 53
- 230000009466 transformation Effects 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 22
- 238000003062 neural network model Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000003068 static effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本申请实施例提供一种车辆自动驾驶的速度控制方法、装置及车辆，其中，该方法包括：获取车辆自动驾驶过程中的驾驶数据；根据驾驶的起始点和终点进行车辆自动驾驶的路径规划，得到最优路径；根据最优路径对应的驾驶场景选取速度规划模型；根据模糊规则将驾驶数据中的速度变量和距离变量进行模糊规划，得到权重参数；根据所述权重参数对速度变量和距离变量进行速度规划，得到加速度变量；根据速度规划模型对加速度变量和速度变量进行调整。实施本申请实施例，可以提高车辆自动驾驶过程中对速度的控制能力，避免车辆在自动驾驶过程中因为速度失控造成的安全性问题，避免自动驾驶的速度变化造成的稳定性问题，提高安全性能。
Description
技术领域
本申请涉及自动驾驶技术领域，具体而言，涉及一种车辆自动驾驶的速度控制方法、装置及车辆。
背景技术
随着电动汽车行业以及辅助驾驶的发展，自动驾驶的技术也越来越多的应用于汽车领域，对于自动驾驶汽车速度规划而言，尽管现有技术的方法如加速度离散采样、路径奖励学习和动态约束框策略为提高速度规划的实时性、适应性和安全性带来了创新，但却依然存在很多问题需要解决。
例如，算法的实时性受限，尤其在复杂的城市环境和高交通密度场景下。各种交通场景的适应性限制了自动驾驶汽车在多样化路况中的性能。安全性问题则涉及到避障能力、与其他交通参与者的协同等，这些问题的解决对实现真正的自动驾驶至关重要。此外，制定明确的法规标准以确保自动驾驶系统的合规性和安全性也是当前亟待解决的难题。
因此，现有技术在解决上述技术问题的过程中依然存在计算复杂度高、适应性限制或不确定性等缺点。
发明内容
本申请实施例的目的在于提供一种车辆自动驾驶的速度控制方法、装置、车辆、电子设备及存储介质，可以提高车辆自动驾驶过程中对速度的控制能力，避免车辆在自动驾驶过程中因为速度失控造成的安全性问题，避免自动驾驶的速度变化造成的稳定性问题，提高安全性能。
第一方面，本申请实施例提供了一种车辆自动驾驶的速度控制方法，所述方法包括：
获取车辆自动驾驶过程中的驾驶数据；
根据驾驶的起始点和终点进行车辆自动驾驶的路径规划，得到最优路径；
根据所述最优路径对应的驾驶场景选取速度规划模型；
根据模糊规则将所述驾驶数据中的速度变量和距离变量进行模糊规划，得到权重参数；
根据所述权重参数对所述速度变量和距离变量进行速度规划，得到加速度变量；
根据所述速度规划模型对所述加速度变量和所述速度变量进行调整。
在上述实现过程中，通过对最优路径的驾驶场景选择速度规划模型，再实时对行驶过程中的加速度变量和速度变量进行调整，可以提高车辆自动驾驶过程中对速度的控制能力，避免车辆在自动驾驶过程中因为速度失控造成的安全性问题，避免自动驾驶的速度变化造成的稳定性问题，提高安全性能。
进一步地，所述根据驾驶的起始点和终点进行车辆自动驾驶的路径规划，得到最优路径的步骤，包括：
根据所述起始点和所述终点构建多条候选路径；
根据驾驶性能指标对所述多条候选路径进行评估，得到期望值最高的候选路径；
确定所述期望值最高的候选路径为所述最优路径。
在上述实现过程中，根据驾驶性性能指标对多条候选路径进行评估，选取期望值最高的候选路径作为最优路径，确保车辆驾驶在最优路径上时受到的外界干扰最少，提高速度控制的稳定性。
进一步地，所述根据模糊规则将所述驾驶数据中的速度变量和距离变量进行模糊规划，得到权重参数的步骤，包括：
调整所述速度变量、所述距离变量和加速度变量之间的映射关系；
根据调整后的映射关系对预先构建的神经网络模型进行调整；
根据所述速度变量、所述距离变量和所述驾驶数据中的场景信息构建输入样本集合；
将所述输入样本集合输入调整后的神经网络模型进行训练，得到所述权重参数。
在上述实现过程中，调整速度变量、距离变量和加速度变量之间的映射关系，进而再对神经网络模型进行调整，使神经网络模型的鲁棒性更高。
进一步地，所述调整所述速度变量、所述距离变量和加速度变量之间的映射关系的步骤，包括：
根据模糊规则构建所述速度变量、所述距离变量和加速度变量之间的映射关系；
根据所述映射关系将所述速度变量的隶属度值和所述距离变量的隶属度值映射至Sigmoid函数，得到加速度变量的隶属度值；
根据所述加速度变量的隶属度值的变化范围调整所述映射关系。
在上述实现过程中，将速度变量的隶属度值和距离变量的隶属度值映射至Sigmoid函数得到加速度变量的隶属度值，再根据加速度变量的隶属度值调整映射关系，可以提高映射关系的准确性，提高后续得到的加速度变量的精度。
进一步地，所述根据所述权重参数对所述速度变量和距离变量进行速度规划，得到加速度变量的步骤，包括：
根据所述权重参数对归一化后的速度变量和归一化后的距离变量进行非线性变换，得到中间变量；
对所述中间变量进行非线性映射，得到所述加速度变量。
在上述实现过程中，根据归一化后的速度变量和归一化后的距离变量进行非线性变换，得到中间变量，再对中间变量进行非线性映射，得到加速度变量，两次非线性处理可以提高加速度变量的准确性。
进一步地，通过以下公式根据所述权重参数对归一化后的速度变量和归一化后的距离变量进行非线性变换，得到中间变量：
；
其中，和为归一化后的速度变量和归一化后的距离变量，和为权重参数，为中间变量，ReLU（）为非线性变换。
进一步地，通过以下公式对所述中间变量进行非线性映射，得到所述加速度变量：
；
其中，和为权重参数，为所述加速度变量，ReLU（）为非线性变换。
第二方面，本申请实施例还提供了一种车辆自动驾驶的速度控制装置，所述装置包括：
驾驶数据获取模块，用于获取车辆自动驾驶过程中的驾驶数据；
路径规划模块，用于根据驾驶的起始点和终点进行车辆自动驾驶的路径规划，得到最优路径；
选取模块，用于根据所述最优路径对应的驾驶场景选取速度规划模型；
模糊规划模块，用于根据模糊规则将所述驾驶数据中的速度变量和距离变量进行模糊规划，得到权重参数；
速度规划模块，用于根据所述权重参数对所述速度变量和距离变量进行速度规划，得到加速度变量；
调整模块，用于根据所述速度规划模型对所述加速度变量和所述速度变量进行调整。
在上述实现过程中，通过对最优路径的驾驶场景选择速度规划模型，再实时对行驶过程中的加速度变量和速度变量进行调整，可以提高车辆自动驾驶过程中对速度的控制能力，避免车辆在自动驾驶过程中因为速度失控造成的安全性问题，避免自动驾驶的速度变化造成的稳定性问题，提高安全性能。
第三方面，本申请实施例提供的一种车辆，包括第二方面的车辆自动驾驶的速度控制装置。
第四方面，本申请实施例提供的一种电子设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的方法的步骤。
第五方面，本申请实施例提供的一种计算机可读存储介质，所述存储介质上存储有指令，当所述指令在计算机上运行时，使得所述计算机执行如第一方面任一项所述的方法。
第六方面，本申请实施例提供的一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行如第一方面任一项所述的方法。
本公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。
并可依照说明书的内容予以实施，以下以本申请的较佳实施例并配合附图详细说明如后。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围值的限定，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相关的附图。
图1为本申请实施例提供的车辆自动驾驶的速度控制方法的流程示意图；
图2为本申请实施例提供的车辆自动驾驶的速度控制装置的结构组成示意图；
图3为本申请实施例提供的电子设备的结构组成示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
下面结合附图和实施例，对本申请的具体实施方式作进一步详细描述。以下实施例用于说明本申请，但不用来限制本申请的范围值。
实施例一
图1是本申请实施例提供的车辆自动驾驶的速度控制方法的流程示意图，如图1所示，该方法包括：
S1，获取车辆自动驾驶过程中的驾驶数据；
S2，根据驾驶的起始点和终点进行车辆自动驾驶的路径规划，得到最优路径；
S3，根据最优路径对应的驾驶场景选取速度规划模型；
S4，根据模糊规则将驾驶数据中的速度变量和距离变量进行模糊规划，得到权重参数；
S5，根据权重参数对速度变量和距离变量进行速度规划，得到加速度变量；
S6，根据速度规划模型对加速度变量和速度变量进行调整。
在上述实现过程中，通过对最优路径的驾驶场景选择速度规划模型，再实时对行驶过程中的加速度变量和速度变量进行调整，可以提高车辆自动驾驶过程中对速度的控制能力，避免车辆在自动驾驶过程中因为速度失控造成的安全性问题，避免自动驾驶的速度变化造成的稳定性问题，提高安全性能。
在S1中，驾驶数据包括传感和感知系统从车载传感器（雷达、激光雷达、摄像头等）收集到的有关驾驶条件的信息，并生成实时环境显示。传感和感知系统的主要目标是车道级定位、主体车辆检测、静态/动态障碍物检测和安全可衍生区域表示。主要用于：驾驶汽车在实际道路车况行驶，并通过收集GPS数据，得到对应的参考路径；自动驾驶汽车设置不同的驾驶场景，如静态/动态障碍场景和限速标志；整理采集得到的信息进行模糊规则对应得到加速度信息，并且相应划分对应的驾驶场景类型；得到不同场景的驾驶数据及对应的加速度信息Y=A，其中V为速度信息，D为距离信息，C为场景信息，A为对应的加速度信息。
进一步地，S2包括：
根据起始点和终点构建多条候选路径；
根据驾驶性能指标对多条候选路径进行评估，得到期望值最高的候选路径；
确定期望值最高的候选路径为最优路径。
在上述实现过程中，根据驾驶性性能指标对多条候选路径进行评估，选取期望值最高的候选路径作为最优路径，确保车辆驾驶在最优路径上时受到的外界干扰最少，提高速度控制的稳定性。
由于对车辆运动的初始和终点信息进行路径规划，会得到多条不同路径。因此，本申请实施例根据状态格法选取目标路径。具体包括以下步骤：
构造格子节点：根据自动驾驶车辆的当前位置，构建S-L坐标系，S轴与参考线重合，L轴与规划视界内的S轴垂直，并在S-L坐标系下将规划地平线划分为一系列格，格节点位于格的顶点。格子节点的位置可以由以下公式确定：
；
；
其中，和分别是S轴和L轴的起始位置，和分别是S轴和L轴的间隔，i表示S轴上第i个格子节点，j表示L轴上第j个格子节点。
在S-L坐标系中，选择五次多项式作为任意两个点阵节点之间的连接曲线。采用梯度下降法求解五次多项式的系数。按顺序连接曲线，生成一条从当前位置开始到目标位置结束的候选路径。通过这种方法，生成所有候选路径。
所有候选路径需要根据其性能指标进行评估，从而找到最优路径。性能指标包括安全性能（与路径与静态/动态障碍物之间的距离有关）、平滑性能（与路径的曲率有关）、定心性能（与路径与基准线之间的偏差有关）和舒适性性能（与曲率的变化频率和幅度有关）。选择具有最佳性能指标的候选路径作为最优路径，最后，根据当前位置与期望最优路径的偏差，对方向盘进行实时调整。
在S3中，实际操作中，自动驾驶汽车可能会遇到不同的情况，如静止车辆、移动车辆、停车线、限速标志、弯道等。在这些场景下，需要确定速度和加速度命令并将其发送给控制系统，从而调节油门和刹车来实现加速或减速控制。为了实现速度规划，本申请实施例将可能遇到的不同的路况场景划分为静态场景、动态场景和稳态场景，针对上述三种场景分别设计了速度规划模型，并将其应用于期望速度和加速度的计算。
进一步地，S4包括：
调整速度变量、距离变量和加速度变量之间的映射关系；
根据调整后的映射关系对预先构建的神经网络模型进行调整；
根据速度变量、距离变量和驾驶数据中的场景信息构建输入样本集合；
将输入样本集合输入调整后的神经网络模型进行训练，得到权重参数。
在上述实现过程中，调整速度变量、距离变量和加速度变量之间的映射关系，进而再对神经网络模型进行调整，使神经网络模型的鲁棒性更高。
模糊规划模型描述了输入状态变量与输出变量之间的映射关系。速度变量和距离变量作为输入变量，期望的加速度变量作为输出变量。根据模糊逻辑系统理论，将输入输出变量模糊化为如下模糊集：
；
其中，为输入速度变量模糊集，为输入距离变量模糊集，为输出加速度变量模糊集，变量的数量为（m，n，l）。
本申请采用人工神经网络求解输入样本与输出样本之间的非线性模型，从而预测期望的加速度变量。具体实施过程包括：
初始化一个八层神经网络，选择输入层神经元的个数作为输入变量的个数，隐藏层神经元的个数为N，输出层神经元的个数为输出变量的个数。神经网络隐藏层和输出层的权值向量分别和，偏置向量分别为和。传递函数为双曲正切函数。同时采用Xavier初始化。
；
其中，是连接输入层的第个神经元和输出层的第个神经元的权重，是输入层神经元的数量，是输出层神经元的数量。Xavier初始化使得权重的方差与前一层输出的方差成正比，并且在不同层之间保持一致。这有助于使得激活值在训练过程中保持在一个合理的范围内，从而提高了网络的训练效率。
输入样本对应的格式为，使用BP算法训练神经网络，并根据场景信息来自适应调整模型的输出。
经过N次训练，得到权重参数（,,,），用于后续的计算。最后，将训练好的神经网络模型作为FNN规划模型进行在线计算。利用FNN规划模型实时计算加速度变量。
进一步地，调整速度变量、距离变量和加速度变量之间的映射关系的步骤，包括：
根据模糊规则构建速度变量、距离变量和加速度变量之间的映射关系；
根据映射关系将速度变量的隶属度值和距离变量的隶属度值映射至Sigmoid函数，得到加速度变量的隶属度值；
根据加速度变量的隶属度值的变化范围调整映射关系。
在上述实现过程中，将速度变量的隶属度值和距离变量的隶属度值映射至Sigmoid函数得到加速度变量的隶属度值，再根据加速度变量的隶属度值调整映射关系，可以提高映射关系的准确性，提高后续得到的加速度变量的精度。
本申请实施例的模糊规则将输入变量与输出变量之间的映射关系描述为：
；
选用Sigmoid函数作为非线性函数，将输入的模糊变量映射到输出的加速度模糊集上。Sigmoid函数的表达式如下：
；
其中，x表示Sigmoid函数的输入，本申请实施例中为输入变量和。将输入变量和分别映射到Sigmoid函数上，得到对应的隶属度和。然后，将输入变量的隶属度值作为输入，通过模糊规则，计算输出的加速度变量的隶属度值。
；
通过调整Sigmoid函数的参数，可以控制隶属度值的变化范围，从而更好地适应模糊规则的映射关系。可选地，本申请实施例还可以对Sigmoid函数进行一些调整，例如引入偏置项或者对输入进行缩放，以进一步优化模型的性能。
进一步地，S5包括：
根据权重参数对归一化后的速度变量和归一化后的距离变量进行非线性变换，得到中间变量；
对中间变量进行非线性映射，得到加速度变量。
在上述实现过程中，根据归一化后的速度变量和归一化后的距离变量进行非线性变换，得到中间变量，再对中间变量进行非线性映射，得到加速度变量，两次非线性处理可以提高加速度变量的准确性。
进一步地，通过以下公式根据权重参数对归一化后的速度变量和归一化后的距离变量进行非线性变换，得到中间变量：
；
其中，和为归一化后的速度变量和归一化后的距离变量，和为权重参数，为中间变量，ReLU（）为非线性变换。
进一步地，通过以下公式对中间变量进行非线性映射，得到加速度变量：
；
其中，和为权重参数，为加速度变量，ReLU（）为非线性变换。
ReLU函数将输入向量经过第一层神经网络的线性变换后的结果进行非线性映射，然后再经过第二层神经网络的线性变换和非线性映射，最终得到加速度变量。
在S6中，由于速度规划模型对不同场景下的速度、驾驶条件都做了详细规划，因此，需要对加速度变量和速度变量根据速度规划模型的规定进行调整，根据不同驾驶场景有效确定速度和加速度命令，通过调节油门和刹车实现精确的加减速控制，提高了车辆运动控制的精确度和平稳性。
本申请通过模糊神经网络进行速度规划，相较于传统方法，在面对不同场景任务时，可以直接计算实时加速度，不生成速度剖面，有效降低了规划算法的复杂度。
本申请提出了最优规划路径策略，利用状态格法将规划平面分为一系列特殊格点，将所有的点阵节点连接，构成候选路径，通过遍历候选路径来规划最优路径，有效提高了路径规划的效率。
本申请通过将人工驾驶经验与模糊规则相结合，可以有效获得加速度信息，能够更准确地感知和应对各种驾驶场景。
本申请将驾驶场景融入模型速度控制中，如静止车辆、移动车辆、停车线、限速标志、弯道等，有效确定速度和加速度命令并将其发送给控制系统，从而针对不同场景是实现灵活加减速控制。结合实际人工驾驶经验和模糊规则，获取加速度信息，使系统更准确地感知和应对各种驾驶场景，从而提升系统的适应能力和鲁棒性。
实施例二
为了执行上述实施例一对应的方法，以实现响应的功能和技术效果，下面提供一种车辆自动驾驶的速度控制装置，如图2所示，该装置包括：
驾驶数据获取模块1，用于获取车辆自动驾驶过程中的驾驶数据；
路径规划模块2，用于根据驾驶的起始点和终点进行车辆自动驾驶的路径规划，得到最优路径；
选取模块3，用于根据最优路径对应的驾驶场景选取速度规划模型；
模糊规划模块4，用于根据模糊规则将驾驶数据中的速度变量和距离变量进行模糊规划，得到权重参数；
速度规划模块5，用于根据权重参数对速度变量和距离变量进行速度规划，得到加速度变量；
调整模块6，用于根据速度规划模型对加速度变量和速度变量进行调整。
在上述实现过程中，通过对最优路径的驾驶场景选择速度规划模型，再实时对行驶过程中的加速度变量和速度变量进行调整，可以提高车辆自动驾驶过程中对速度的控制能力，避免车辆在自动驾驶过程中因为速度失控造成的安全性问题，避免自动驾驶的速度变化造成的稳定性问题，提高安全性能。
进一步地，路径规划模块2还用于：
根据起始点和终点构建多条候选路径；
根据驾驶性能指标对多条候选路径进行评估，得到期望值最高的候选路径；
确定期望值最高的候选路径为最优路径。
在上述实现过程中，根据驾驶性性能指标对多条候选路径进行评估，选取期望值最高的候选路径作为最优路径，确保车辆驾驶在最优路径上时受到的外界干扰最少，提高速度控制的稳定性。
进一步地，模糊规划模块4还用于：
调整速度变量、距离变量和加速度变量之间的映射关系；
根据调整后的映射关系对预先构建的神经网络模型进行调整；
根据速度变量、距离变量和驾驶数据中的场景信息构建输入样本集合；
将输入样本集合输入调整后的神经网络模型进行训练，得到权重参数。
在上述实现过程中，调整速度变量、距离变量和加速度变量之间的映射关系，进而再对神经网络模型进行调整，使神经网络模型的鲁棒性更高。
进一步地，进一步地，模糊规划模块4还用于：
根据模糊规则构建速度变量、距离变量和加速度变量之间的映射关系；
根据映射关系将速度变量的隶属度值和距离变量的隶属度值映射至Sigmoid函数，得到加速度变量的隶属度值；
根据加速度变量的隶属度值的变化范围调整映射关系。
在上述实现过程中，将速度变量的隶属度值和距离变量的隶属度值映射至Sigmoid函数得到加速度变量的隶属度值，再根据加速度变量的隶属度值调整映射关系，可以提高映射关系的准确性，提高后续得到的加速度变量的精度。
进一步地，速度规划模块5还用于：
根据权重参数对归一化后的速度变量和归一化后的距离变量进行非线性变换，得到中间变量；
对中间变量进行非线性映射，得到加速度变量。
在上述实现过程中，根据归一化后的速度变量和归一化后的距离变量进行非线性变换，得到中间变量，再对中间变量进行非线性映射，得到加速度变量，两次非线性处理可以提高加速度变量的准确性。
进一步地，速度规划模块5还用于通过以下公式根据权重参数对归一化后的速度变量和归一化后的距离变量进行非线性变换，得到中间变量：
；
其中，和为归一化后的速度变量和归一化后的距离变量，和为权重参数，为中间变量，ReLU（）为非线性变换。
进一步地，速度规划模块5还用于通过以下公式对中间变量进行非线性映射，得到加速度变量：
；
其中，和为权重参数，为加速度变量，ReLU（）为非线性变换。
上述的车辆自动驾驶的速度控制装置可实施上述实施例一的方法。上述实施例一中的可选项也适用于本实施例，这里不再详述。
本申请实施例的其余内容可参照上述实施例一的内容，在本实施例中，不再进行赘述。
实施例三
本申请实施例提供一种车辆，包括实施例二的车辆自动驾驶的速度控制装置。
实施例四
本申请实施例提供一种电子设备，包括存储器及处理器，该存储器用于存储计算机程序，该处理器运行计算机程序以使电子设备执行实施例一的车辆自动驾驶的速度控制方法。
可选地，上述电子设备可以是服务器。
请参见图3，图3为本申请实施例提供的电子设备的结构组成示意图。该电子设备可以包括处理器31、通信接口32、存储器33和至少一个通信总线34。其中，通信总线34用于实现这些组件直接的连接通信。其中，本申请实施例中设备的通信接口32用于与其他节点设备进行信令或数据的通信。处理器31可以是一种集成电路芯片，具有信号的处理能力。
上述的处理器31可以是通用处理器，包括中央处理器（Central ProcessingUnit，CPU）、网络处理器（Network Processor，NP）等；还可以是数字信号处理器（DSP）、专用集成电路（ASIC）、现成可编程门阵列（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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器31也可以是任何常规的处理器等。
存储器33可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-Only Memory，PROM），可擦除只读存储器（Erasable Programmable Read-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable Programmable Read-Only Memory，EEPROM）等。存储器33中存储有计算机可读取指令，当计算机可读取指令由所述处理器31执行时，设备可以执行上述图1方法实施例涉及的各个步骤。
可选地，电子设备还可以包括存储控制器、输入输出单元。存储器33、存储控制器、处理器31、外设接口、输入输出单元各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或通信总线34实现电性连接。处理器31用于执行存储器33中存储的可执行模块，例如设备包括的软件功能模块或计算机程序。
输入输出单元用于提供给用户创建任务以及为该任务创建启动可选时段或预设执行时间以实现用户与服务器的交互。输入输出单元可以是，但不限于，鼠标和键盘等。
可以理解，图3所示的结构仅为示意，电子设备还可包括比图3中所示更多或者更少的组件，或者具有与图3所示不同的配置。图3中所示的各组件可以采用硬件、软件或其组合实现。
另外，本申请实施例还提供一种计算机可读存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现实施例一的车辆自动驾驶的速度控制方法。
本申请实施例还提供一种计算机程序产品，该计算机程序产品在计算机上运行时，使得计算机执行方法实施例所述的方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的装置来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围值，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围值之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围值并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围值内，可轻易想到变化或替换，都应涵盖在本申请的保护范围值之内。因此，本申请的保护范围值应所述以权利要求的保护范围值为准。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (9)
1.一种车辆自动驾驶的速度控制方法，其特征在于，所述方法包括：
获取车辆自动驾驶过程中的驾驶数据；
根据驾驶的起始点和终点进行车辆自动驾驶的路径规划，得到最优路径；
根据所述最优路径对应的驾驶场景选取速度规划模型；
根据模糊规则将所述驾驶数据中的速度变量和距离变量进行模糊规划，得到权重参数；
根据所述权重参数对所述速度变量和距离变量进行速度规划，得到加速度变量；
根据所述速度规划模型对所述加速度变量和所述速度变量进行调整；
所述根据所述权重参数对所述速度变量和距离变量进行速度规划，得到加速度变量的步骤，包括：
根据所述权重参数对归一化后的速度变量和归一化后的距离变量进行非线性变换，得到中间变量；
对所述中间变量进行非线性映射，得到所述加速度变量；
通过以下公式根据所述权重参数对归一化后的速度变量和归一化后的距离变量进行非线性变换，得到中间变量：
；
其中，和为归一化后的速度变量和归一化后的距离变量，和为权重参数，为中间变量，ReLU（）为非线性变换。
2.根据权利要求1所述的车辆自动驾驶的速度控制方法，其特征在于，所述根据驾驶的起始点和终点进行车辆自动驾驶的路径规划，得到最优路径的步骤，包括：
根据所述起始点和所述终点构建多条候选路径；
根据驾驶性能指标对所述多条候选路径进行评估，得到期望值最高的候选路径；
确定所述期望值最高的候选路径为所述最优路径。
3.根据权利要求1所述的车辆自动驾驶的速度控制方法，其特征在于，所述根据模糊规则将所述驾驶数据中的速度变量和距离变量进行模糊规划，得到权重参数的步骤，包括：
调整所述速度变量、所述距离变量和加速度变量之间的映射关系；
根据调整后的映射关系对预先构建的神经网络模型进行调整；
根据所述速度变量、所述距离变量和所述驾驶数据中的场景信息构建输入样本集合；
将所述输入样本集合输入调整后的神经网络模型进行训练，得到所述权重参数。
4.根据权利要求3所述的车辆自动驾驶的速度控制方法，其特征在于，所述调整所述速度变量、所述距离变量和加速度变量之间的映射关系的步骤，包括：
根据模糊规则构建所述速度变量、所述距离变量和加速度变量之间的映射关系；
根据所述映射关系将所述速度变量的隶属度值和所述距离变量的隶属度值映射至Sigmoid函数，得到加速度变量的隶属度值；
根据所述加速度变量的隶属度值的变化范围调整所述映射关系。
5.根据权利要求1所述的车辆自动驾驶的速度控制方法，其特征在于，通过以下公式对所述中间变量进行非线性映射，得到所述加速度变量：
；
其中，和为权重参数，为所述加速度变量，ReLU（）为非线性变换。
6.一种车辆自动驾驶的速度控制装置，其特征在于，所述装置包括：
驾驶数据获取模块，用于获取车辆自动驾驶过程中的驾驶数据；
路径规划模块，用于根据驾驶的起始点和终点进行车辆自动驾驶的路径规划，得到最优路径；
选取模块，用于根据所述最优路径对应的驾驶场景选取速度规划模型；
模糊规划模块，用于根据模糊规则将所述驾驶数据中的速度变量和距离变量进行模糊规划，得到权重参数；
速度规划模块，用于根据所述权重参数对所述速度变量和距离变量进行速度规划，得到加速度变量；
调整模块，用于根据所述速度规划模型对所述加速度变量和所述速度变量进行调整；
所述速度规划模块还用于：
根据所述权重参数对归一化后的速度变量和归一化后的距离变量进行非线性变换，得到中间变量；
对所述中间变量进行非线性映射，得到所述加速度变量；
通过以下公式根据所述权重参数对归一化后的速度变量和归一化后的距离变量进行非线性变换，得到中间变量：
；
其中，和为归一化后的速度变量和归一化后的距离变量，和为权重参数，为中间变量，ReLU（）为非线性变换。
7.一种车辆，其特征在于，包括权利要求6所述的车辆自动驾驶的速度控制装置。
8.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至5中任一项所述的车辆自动驾驶的速度控制方法。
9.一种存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的车辆自动驾驶的速度控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410842769.1A CN118387142B (zh) | 2024-06-27 | 2024-06-27 | 一种车辆自动驾驶的速度控制方法、装置及车辆 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410842769.1A CN118387142B (zh) | 2024-06-27 | 2024-06-27 | 一种车辆自动驾驶的速度控制方法、装置及车辆 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118387142A CN118387142A (zh) | 2024-07-26 |
| CN118387142B true CN118387142B (zh) | 2024-09-10 |
Family
ID=92001611
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410842769.1A Active CN118387142B (zh) | 2024-06-27 | 2024-06-27 | 一种车辆自动驾驶的速度控制方法、装置及车辆 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118387142B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110045734A (zh) * | 2019-04-04 | 2019-07-23 | 百度在线网络技术（北京）有限公司 | 基于路径规划的参数权重确定方法、装置和计算机设备 |
| CN115649193A (zh) * | 2022-10-28 | 2023-01-31 | 广州小鹏自动驾驶科技有限公司 | 速度规划方法、装置、车辆以及存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10002471B2 (en) * | 2015-09-30 | 2018-06-19 | Ants Technology (Hk) Limited | Systems and methods for autonomous vehicle navigation |
| CN115755885A (zh) * | 2022-10-25 | 2023-03-07 | 湖南大学 | 一种自动驾驶车辆动态路径规划方法 |
-
2024
- 2024-06-27 CN CN202410842769.1A patent/CN118387142B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110045734A (zh) * | 2019-04-04 | 2019-07-23 | 百度在线网络技术（北京）有限公司 | 基于路径规划的参数权重确定方法、装置和计算机设备 |
| CN115649193A (zh) * | 2022-10-28 | 2023-01-31 | 广州小鹏自动驾驶科技有限公司 | 速度规划方法、装置、车辆以及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118387142A (zh) | 2024-07-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kuutti et al. | A survey of deep learning applications to autonomous vehicle control | |
| Heilmeier et al. | Minimum curvature trajectory planning and control for an autonomous race car | |
| Du et al. | Development of a genetic-algorithm-based nonlinear model predictive control scheme on velocity and steering of autonomous vehicles | |
| CN105573323A (zh) | 自动驾驶轨迹生成方法及装置 | |
| Khairudin et al. | The mobile robot control in obstacle avoidance using fuzzy logic controller | |
| US20230063845A1 (en) | Systems and methods for monocular based object detection | |
| CN112651456B (zh) | 基于rbf神经网络的无人车控制方法 | |
| Hegedüs et al. | Motion planning for highly automated road vehicles with a hybrid approach using nonlinear optimization and artificial neural networks | |
| Xue et al. | A UAV navigation approach based on deep reinforcement learning in large cluttered 3D environments | |
| Vallon et al. | Data-driven strategies for hierarchical predictive control in unknown environments | |
| Akhtar et al. | The interacting multiple model smooth variable structure filter for trajectory prediction | |
| Wang et al. | Velocity planning method base on fuzzy neural network for autonomous vehicle | |
| Wu et al. | LiDAR based trajectory-tracking of an autonomous differential drive mobile robot using fuzzy sliding mode controller | |
| KR20220049459A (ko) | 기술적 엔티티를 위한 데이터 분석 장치를 통해 안전 필수 출력 값을 결정하기 위한 방법 | |
| CN118387142B (zh) | 一种车辆自动驾驶的速度控制方法、装置及车辆 | |
| US20230273976A1 (en) | Systems and methods for object detection using stereovision information | |
| Pandey et al. | Real time navigation strategies for webots using fuzzy controller | |
| Hegedüs et al. | Hybrid trajectory planning for autonomous vehicles using neural networks | |
| Jahoda et al. | Autonomous car chasing | |
| Song et al. | Laser-scanner-based object state estimation and tracking control algorithms of autonomous truck using single-wheel driving module | |
| Trauth et al. | FRENETIX: A High-Performance and Modular Motion Planning Framework for Autonomous Driving | |
| Cai et al. | Deep Reinforcement Learning With Multiple Unrelated Rewards for AGV Mapless Navigation | |
| Madan et al. | Trajectory Tracking and Lane-Keeping Assistance for Autonomous Systems Using Pid and MPC Controllers | |
| López Campos et al. | Following and overtaking: a policy for autonomous car driving | |
| US20230297113A1 (en) | Method for determining optimized basis functions for describing trajectories |
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 |