【技术实现步骤摘要】
本申请涉及车辆控制领域，尤其涉及车辆控制方法、装置、设备及存储介质。
技术介绍
1、摩托车，是指由汽油机驱动，靠手把操纵前轮转向来控制行驶方向的两轮或三轮车，按具体使用的场景可分为街车、公路赛摩托车、越野摩托车、巡航车、旅行车等。摩托车在不同路况的场景中行驶时，由于摩托车的平衡控制和速度控制一般由驾驶者来控制，容易随着路况的变化出现摩托车控制失去平衡，严重的甚至会因为控制失衡发生倾倒事故，导致驾驶者受伤。特别是当摩托车行驶过程中遇见坑洼地带或者有路面凸起或者路面起伏较大时，这对驾驶者的驾驶要求更高，在通过这些路况地带时，驾驶者若不能及时感知并降低车速缓慢通过，连续或剧烈的顿挫感会影响驾驶者对于摩托车平衡的判断，进而导致事故的发生。
技术实现思路
1、本申请提供车辆控制方法、装置、设备及存储介质，以解决摩托车在经过坑洼地带时易倾倒的技术问题。
2、第一方面，提供一种车辆控制方法，包括：
3、在目标车辆的行驶过程中，获取所述目标车辆的第一状态变化值和第二状态变化值，所述目标车辆为基于手把操纵行驶方向的车辆，所述第一状态变化值用于反映所述目标车辆的前轮胎压变化情况，所述第二状态变化值用于反映所述目标车辆的前轮减震速度变化；
4、在所述第一状态变化值大于第一变化阈值，并且所述第二状态变化值大于第二变化阈值的情况下，控制所述目标车辆减速。
5、在该技术方案中，在车辆行驶过程中，通过同时获取反映车辆的前轮胎压变化和前轮减震速度变化的第一状态变化值
6、结合第一方面，在一种可能的实现方式中，所述方法还包括：在检测到所述目标车辆的第一脚踏受到的压力大于第一压力阈值并且所述目标车辆未减速，或者所述目标车辆的第二脚踏受到的压力小于第二压力阈值的情况下，控制所述目标车辆减速，所述第一脚踏为后刹车脚踏，所述第二脚踏为承载脚踏，所述第一压力阈值大于所述第二压力阈值。当检测到车辆的后刹车脚踏的压力大于第一压力阈值并且车辆未减速时，说明车辆的后刹车失效；当检测到车辆的承载脚踏的压力小于第二压力阈值时，说明驾驶者失去对车辆的控制；在这两种情况下控制车辆减速，可以使车辆保持平衡，从而降低车辆倾倒的风险。
7、结合第一方面，在一种可能的实现方式中，所述方法还包括：获取所述行驶过程中的行驶特征时间序列，所述行驶特征时间序列包括连续n个行驶时刻的行驶特征，所述连续n个行驶时刻包括当前行驶时刻和所述当前行驶时刻之前的(n-1)个行驶时刻，其中，所述连续n个行驶时刻中的第i个行驶时刻的行驶特征包括所述目标车辆在所述第i个行驶时刻的摇摆参数，1≤i≤n，n为大于1的正整数；将所述行驶特征时间序列输入至目标摇摆预测模型，以获取所述目标摇摆预测模型预测输出的目标摇摆参数，所述目标摇摆参数为所述当前行驶时刻的下一行驶时刻的摇摆参数；在所述目标摇摆参数符合预设倾倒条件的情况下，控制所述目标车辆减速。通过获取当前行驶时刻和当前行驶时刻之前的多个行驶时刻的行驶特征，来对当前行驶时刻的下一行驶时刻的摇摆参数进行预测，并在预测出来的摇摆参数符合预设倾倒条件的情况下，控制车辆减速，可以实现对倾倒风险的提前预测和防控，从而降低车辆倾倒的风险。
8、结合第一方面，在一种可能的实现方式中，所述目标摇摆预测模型为基于循环卷积神经网络的摇摆预测模型，所述目标摇摆预测模型包括n个时间步，所述n个时间步中的每个时间步均包括输入层和隐藏层，所述n个时间步中的第n个时间步还包括输出层；所述将所述行驶特征时间序列输入至目标摇摆预测模型，以获取所述目标摇摆预测模型预测输出的目标摇摆参数，包括：将所述第i个行驶时刻对应的行驶特征输入至所述目标摇摆预测模型的第i个时间步的输入层，以得到第i摇摆特征；将所述第i摇摆特征和第(i-1)时序特征，输入至所述目标摇摆预测模型的第i个时间步的隐藏层，以得到第i时序特征；将第i时序特征输入至所述目标摇摆预测模型的第n个时间步的输出层，以得到所述目标摇摆参数。通过基于循环卷积神经网络的摇摆预测模型来预测车辆在未来的摇摆参数，能够学习到车辆的行驶特征在时间上的关联关系，从而能够实现对未来的摇摆参数的准确预测。
9、结合第一方面，在一种可能的实现方式中，所述方法还包括：获取所述目标车辆的多组历史时间行驶样本，一组历史时间行驶样本包括一个历史行驶特征时间序列和所述历史行驶特征时间序列对应的样本标签，所述历史行驶特征时间序列为历史时间中的行驶特征时间序列，所述样本标签为未来行驶时刻的摇摆参数，所述未来行驶时刻为所述历史行驶特征时间序列对应的连续n个行驶时刻之后的下一行驶时刻；根据所述多组历史时间行驶样本，对初始循环卷积神经网络进行训练，以得到所述目标摇摆预测模型，所述初始循环卷积神经网络包括所述n个时间步。通过利用车辆在历史时间中的行驶样本来训练初始循环卷积神经网络得到目标摇摆预测模型，能够使得目标摇摆预测模型与车辆的历史行驶情况相匹配，从而提高摇摆预测模型的预测精度。
10、结合第一方面，在一种可能的实现方式中，所述目标摇摆预测模型包括至少一棵决策回归树，一种行驶特征对应至少一棵决策回归树；所述将所述行驶特征时间序列输入至目标摇摆预测模型，以获取所述目标摇摆预测模型预测输出的目标摇摆参数，包括：将所述连续n个行驶时刻的目标行驶特征输入至所述目标行驶特征对应的决策回归树，以得到目标行驶特征对应的摇摆参数，所述目标行驶特征为任意一种行驶特征；根据各种行驶特征对应的摇摆参数，确定所述目标摇摆参数。通过决策回归树来预测目标摇摆参数，方式简单准确。
11、结合第一方面，所述方法还包括：获取所述目标车辆的多组历史时间行驶样本，一组历史时间行驶样本包括一个历史行驶特征时间序列和所述历史行驶特征时间序列对应的样本标签，所述历史行驶特征时间序列为历史时间中的行驶特征时间序列，所述样本标签为未来行驶时刻的摇摆参数，所述未来行驶时刻为所述历史行驶特征时间序列对应的连续n个行驶时刻之后的下一行驶时刻；对所述多组历史时间行驶样本进行行驶特征拆分，得到多个样本数据集，其中，一个样本数据集对应一种行驶特征；根据所述目标行驶特征对应的样本数据集，训练得到所述目标行驶特征对应的决策回归树。通过利用车辆在历史时间中的行驶样本来训练不同行驶特征对应的决策回归树，能够使得训练得到的决策回归树与车辆的历史行驶情况相匹配，从而提高摇摆预测模型的预测精度。
12、第二方面，提供一种车辆控制装置，包括：
13、检测模块，用于在目标车辆的行驶过程中，获取所述目标车辆的第一状态变化值和第二状态变化值，所述目标车辆为基于手把操纵本文档来自技高网...
【技术保护点】
1.一种车辆控制方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
4.根据权利要求3所述的方法，其特征在于，所述目标摇摆预测模型为基于循环卷积神经网络的摇摆预测模型，所述目标摇摆预测模型包括n个时间步，所述n个时间步中的每个时间步均包括输入层和隐藏层，所述n个时间步中的第n个时间步还包括输出层；
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
6.根据权利要求3所述的方法，其特征在于，所述目标摇摆预测模型包括至少一棵决策回归树，一种行驶特征对应至少一棵决策回归树；
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
8.一种车辆控制装置，其特征在于，包括：
9.一种计算机设备，其特征在于，包括存储器、处理器，所述存储器连接至所述处理器，所述处理器用于执行存储在所述存储器中的一个或多个计算机程序，所述处理器在执行所述一个或多个计算机程序时，使得所述计算机设备实现如权利要
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-7任一项所述的方法。
...【技术特征摘要】
1.一种车辆控制方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
4.根据权利要求3所述的方法，其特征在于，所述目标摇摆预测模型为基于循环卷积神经网络的摇摆预测模型，所述目标摇摆预测模型包括n个时间步，所述n个时间步中的每个时间步均包括输入层和隐藏层，所述n个时间步中的第n个时间步还包括输出层；
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
6.根据权利要求3所述的方法，其特征在于，所述目标摇摆预测模型包括至少一棵决策回归树，一种行驶...
【专利技术属性】
技术研发人员：常磊，
申请(专利权)人：广州六环信息科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。