自动驾驶车辆的巡航控制方法、装置、车辆及介质制造方法及图纸

本发明专利技术提供一种自动驾驶车辆的巡航控制方法、装置、车辆及介质，其中，自动驾驶车辆的巡航控制方法包括：自动驾驶车辆进行跟车场景；建立自动驾驶车辆与领头车之间的纵向运动模型；将运动学模型作为预测模型对系统未来行为进行预测；针对领头车切入或切出工况，使用含有领头车的切入或切出的实际行驶数据集从而训练BP神经网络；使BP神经网络对大量的行驶样本数据进行学习，提取出自动驾驶车辆的驾驶员在领头车切入或切出工况中的驾驶行为。员在领头车切入或切出工况中的驾驶行为。员在领头车切入或切出工况中的驾驶行为。

【技术实现步骤摘要】
自动驾驶车辆的巡航控制方法、装置、车辆及介质


[0001]本专利技术涉及自动驾驶车辆
，具体而言，涉及一种自动驾驶车辆的巡航控制方法、装置、车辆及介质。

技术介绍

[0002]自适应巡航控制ACC(Adaptive Cruise Control)是目前汽车主动安全和智能交通系统ITS(Intelligent Transportation System)研究的重要方向。根据传感器采集的前车车距、车速以及本车车速、加速度等信息，ACC控制车辆以一定的车速或安全距离行驶，避免驾驶员反复操纵车辆，可有效减少驾驶员疲劳和提高行驶安全性。但是，目前相关技术大多采用单一控制算法用于ACC功能，例如PID控制算法、滑模控制算法，相关技术在巡航跟车和前车切入切出时，自动行驶车辆加速度存在抖动，乘客的乘坐舒适度降低。
[0003]由此可见，如何提高对自动驾驶车辆的控制效果从而减轻切车时加速度抖动成为了亟需解决的问题。

技术实现思路

[0004]本专利技术解决的问题是如何提高对自动驾驶车辆的控制效果从而减轻切车时加速度抖动。
[0005]为解决上述问题，本专利技术提供一种自动驾驶车辆的巡航控制方法，包括：自动驾驶车辆进行跟车场景；建立自动驾驶车辆与领头车之间的纵向运动模型；将运动学模型作为预测模型对系统未来行为进行预测；针对领头车切入或切出工况，使用含有领头车的切入或切出的实际行驶数据集从而训练BP神经网络；使BP神经网络对大量的行驶样本数据进行学习，提取出自动驾驶车辆的驾驶员在领头车切入或切出工况中的驾驶行为。
[0006]与现有技术相比，本方案所能达到的效果：本实施例所提供的自动驾驶车辆的巡航控制方法避免了模型预测控制算法在ACC功能开启过程中旁车道车辆频繁切入或是切出本车道时导致的自车减速度或加速度变化较大，以及汽车乘坐舒适性很差的问题，提高了车辆控制的稳定性，同时又避免了在单一跟车公开时神经网络算法输出加速度跟车不及时的问题。
[0007]在本专利技术的一个实施例中，建立自动驾驶车辆与领头车之间的纵向运动学模型，包括：获取自动驾驶车辆与领头车之间的状态参数；根据状态参数获得自动驾驶车辆与领头车之间的实际车间距；根据状态参数获得自动驾驶车辆与领头车之间的期望安全车距；计算实际车间距与期望安全车距之间的误差值。
[0008]与现有技术相比，本方案所能到达的效果：使得本实施例中的自动驾驶车辆的巡航控制方法的控制效果更为精准。
[0009]在本专利技术的一个实施例中，状态参数包括：领头车的位置参数，自动驾驶车辆的位置参数，自动驾驶车辆与领头车之间的车头距参数，自动驾驶车辆的车间时距参数，自动驾驶车辆的车速参数。
[0010]与现有技术相比，本方案所能到达的效果：多参数协同作用，使得本实施例中的自动驾驶车辆的巡航控制方法的控制效果更为精准。
[0011]在本专利技术的一个实施例中，将运动学模型作为预测模型对系统未来行为进行预测，包括：获取自动驾驶车辆的具体跟车工况；建立模型预测自适应巡航控制策略；通过具体跟车工况与自适应巡航控制策略对系统的未来行为做出预测。
[0012]与现有技术相比，本方案所能到达的效果：避免了因单一控制算法存在的控制舒适性较差的问题。
[0013]在本专利技术的一个实施例中，使BP神经网络对大量的行驶样本数据进行学习，提取出自动驾驶车辆的驾驶员在领头车切入或切出工况中的驾驶行为，包括：使用含有前车切入或切出的实际行驶数据集训练BP神经网络；使BP神经网络对大量的行驶样本数据进行学习；提取出驾驶员在领头车切入或切出工况中的驾驶行为；通过驾驶行为建立用于预测系统中自动驾驶汽车的期望加速度的BP神经网络自适应巡航控制算法。
[0014]与现有技术相比，本方案所能到达的效果：采用实际交通流数据，通过神经网络训练模拟驾驶员实际驾驶行为，很大程度上提高了乘坐舒适性。
[0015]在本专利技术的一个实施例中，还包括：对BP神经网络进行训练，将原始数据归一化；选取均方误差作为训练误差的衡量指标；训练的BP神经网络用于反映实际行驶数据。
[0016]与现有技术相比，本方案所能到达的效果：减小计算误差，使得本实施例中的自动驾驶车辆的巡航控制方法的控制效果更为精准。
[0017]在本专利技术的一个实施例中，提供一种控制装置，控制装置用于如上述实施例中任意一项的自动驾驶车辆的巡航控制方法，控制装置包括：检测模块，检测模块用于检测获取自动驾驶车辆的跟车场景；判断模块，判断模块用于判断领头车的切入或切出工况；控制模块，控制模块用于控制自动驾驶车辆实行驾驶行为。
[0018]与现有技术相比，本方案所能到达的效果：本实施例中的控制装置能实现本专利技术中任一实施例的自动驾驶车辆的巡航控制方法的步骤，因此具有上述任一实施例的有益效果，在此不再赘述。
[0019]在本专利技术的一个实施例中，提供一种自动驾驶车辆，自动驾驶车辆包括：处理器，存储器及存储在存储器上并可在处理器上运行的程序或指令，程序或指令被处理器执行时实现如上述实施例中任一项的自动驾驶车辆的巡航控制方法的步骤。
[0020]与现有技术相比，本方案所能到达的效果：本实施例中的自动驾驶车辆因可执行上述任一实施例的自动驾驶车辆的巡航控制方法，因此本实施例中的自动驾驶车辆能够实现上述任一实施例的方案，且本实施例中的自动驾驶车辆具有上述任一实施例的有益效果，在此不再赘述。
[0021]在本专利技术的一个实施例中，提供一种可读存储介质，可读存储介质上存储程序或指令，程序或指令被处理器执行时实现如上述实施例中任一项的自动驾驶车辆的巡航控制方法的步骤。
[0022]与现有技术相比，本方案所能到达的效果：可读存储介质所在实现如本专利技术任一实施例的自动驾驶车辆的巡航控制方法的步骤，因而其具有如本专利技术任一项实施例方法的全部有益效果，在此不再赘述。
附图说明
[0023]图1为一些实施例中自动驾驶车辆的巡航控制方法的步骤流程图；
[0024]图2为控制装置的结构示意图；
[0025]图3为自动驾驶车辆的结构示意图；
[0026]图4为一些实施例中车间纵向运动学模型的示意图；
[0027]图5为训练和测试误差MSE曲线的示意图；
[0028]附图标记说明：
[0029]100、控制装置；101、检测模块；102、判断模块；103、控制模块；2、自动驾驶车辆；201、处理器；202、存储器。
具体实施方式
[0030]为使本专利技术的上述目的、特征和优点能够更为明显易懂，对本专利技术的具体实施例做详细的说明。
[0031]实施例一：
[0032]参见图1，本实施例提供一种自动驾驶车辆的巡航控制方法，包括：步骤S10自动驾驶车辆进行跟车场景；步骤S20建立自动驾驶车辆与领头车之间的纵向运动模型；步骤S30将运动学模型作为预测模型对系统未来行为进行预测；步骤S40针对领头车切入或切出工况，使用含有领头车的切入或切出的实际行驶数据集从而训练BP神经网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自动驾驶车辆的巡航控制方法，其特征在于，包括：所述自动驾驶车辆进行跟车场景；建立所述自动驾驶车辆与领头车之间的纵向运动模型；将所述运动学模型作为预测模型对系统未来行为进行预测；针对所述领头车切入或切出工况，使用含有所述领头车的切入或切出的实际行驶数据集从而训练BP神经网络；使BP神经网络对大量的行驶样本数据进行学习，提取出所述自动驾驶车辆的驾驶员在所述领头车切入或切出工况中的驾驶行为。2.根据权利要求1所述的自动驾驶车辆的巡航控制方法，其特征在于，所述建立所述自动驾驶车辆与领头车之间的纵向运动学模型，包括：获取所述自动驾驶车辆与所述领头车之间的状态参数；根据所述状态参数获得所述自动驾驶车辆与所述领头车之间的实际车间距；根据所述状态参数获得所述自动驾驶车辆与所述领头车之间的期望安全车距；计算所述实际车间距与所述期望安全车距之间的误差值。3.根据权利要求2所述的自动驾驶车辆的巡航控制方法，其特征在于，所述状态参数包括：所述领头车的位置参数，所述自动驾驶车辆的位置参数，所述自动驾驶车辆与所述领头车之间的车头距参数，所述自动驾驶车辆的车间时距参数，所述自动驾驶车辆的车速参数。4.根据权利要求1所述的自动驾驶车辆的巡航控制方法，其特征在于，所述将所述运动学模型作为预测模型对系统未来行为进行预测，包括：获取所述自动驾驶车辆的具体跟车工况；建立模型预测自适应巡航控制策略；通过所述具体跟车工况与所述自适应巡航控制策略对系统的未来行为做出预测。5.根据权利要求1所述的自动驾驶车辆的巡航控制方法，其特征在于，...

【专利技术属性】
技术研发人员：王明星，彭钟钟，江琢，王建琴，周思伟，
申请(专利权)人：宁波均胜智能汽车技术研究院有限公司，
类型：发明
国别省市：