自动驾驶车辆的控制方法与流程

[0001]
本发明属于自动驾驶车辆控制技术领域，特别涉及自动驾驶车辆的控制方法。


背景技术：

[0002]
目前，业内普遍将自动驾驶分为l0、l1、l2、l3、l4和l5几个等级，其中，国内已经实现了l2级自动驾驶在乘用车上的量产应用，但是l3级自动驾驶功能尚未落地。
[0003]
l3级车辆系统已经能够依靠自身传感器来感知周围驾驶环境，但是监控任务仍然需要人类驾驶员来主导，在紧急情况下仍然需要人类驾驶员进行干预，需要在控制端进行驾驶员和自动驾驶之间的切换。
[0004]
自动驾驶系统包含感知、决策规划和控制模块，控制模块执行决策规划信息，产生期望的运动。目前，常用的控制算法包括pid(proportional-integral-derivative controller)、mpc(model predictive control)等，其中，mpc具有简单的概念和处理具有输入约束和非线性的复杂过程模型的能力，广泛应用于无人驾驶汽车运动控制。但是，车辆信号采样周期是几毫秒，并且由于空间限制，可用的计算资源量受到限制。
[0005]
因此，仍需提供l3级车辆行驶控制方式，以保证自动驾驶的行驶安全和车辆的快速控制。


技术实现要素：

[0006]
鉴于此，本发明的目的在于针对现有技术中存在的缺陷，提供自动驾驶车辆的控制方法，本发明的自动驾驶车辆的控制方法可以实现自动驾驶车辆的快速、安全控制。
[0007]
本发明的目的是通过以下技术方案实现的。
[0008]
本发明提供了自动驾驶车辆的控制方法，其中，所述控制方法包括以下步骤：
[0009]
s100、基于车辆控制参数、车辆状态数据、环境信息数据和动态目标数据，采用卷积神经网络构建和训练车辆预测模型，得到训练好的车辆预测模型；
[0010]
s200、实时获取自动驾驶车辆状态信号和环境信息；
[0011]
s300、基于训练好的车辆预测模型、动态目标信息以及实时获取的自动驾驶车辆状态信号和环境信息，采用模型预测控制计算得到车辆控制信号；
[0012]
s400：基于所得到车辆控制信号，控制车辆自动行驶。
[0013]
进一步地，步骤s100通过包括以下步骤的方法构建和训练车辆预测模型：
[0014]
s101、构建车辆预测模型：选取车辆控制参数、车辆状态数据、环境信息数据和动态目标数据，使用t时刻至t-n时刻的车辆状态、环境信息和动态目标数据，预测第t+1至t+n+1时刻的车辆位置，得到数据矩阵，采用卷积神经网络提取特征；其中，n为大于等于2的正整数，t-n时刻为t时刻前n个信号采样周期的时刻，t+n+1时刻为t时刻后n+1个信号采样周期的时刻；
[0015]
s102、训练车辆预测模型：采用包括车辆状态数据、环境信息数据和动态目标数据的自动驾驶历史数据训练车辆预测模型，得到训练好的车辆预测模型。
[0016]
进一步地，所述车辆控制参数包括制动压力、驻车请求和挡位请求；所述车辆状态数据包括当前挡位、驻车状态、车速、制动状态、踏板开度、车辆加速度、四轮轮速、电机扭矩、方向盘转角、动力电池和车辆故障；所述环境信息数据包括坡度、地面摩擦、交通标线、风力、风向、温度、坡向和路边设施；所述动态目标数据包括目标速度、目标位置、目标类型和目标方向。
[0017]
进一步地，步骤s101中选取6个车辆控制参数、24个车辆状态数据、20个环境信息数据和10个动态目标数据，n为4，得到的是60
×
5的数据矩阵。
[0018]
进一步地，步骤s101中卷积神经网络包括两层卷积层和两层2
×
2池化层；其中，第一层卷积层采用5
×
1和1
×
5两个卷积核来分别提取同一数据矩阵中不同种类数据间的相关特征和同一种类数据的时序特征；第一层2
×
2池化层和包含5
×
5单卷积核的第二层卷积层进一步提取特征，并经第二层2
×
2池化层进行降采样。
[0019]
步骤s300中采用包括以下步骤的方法来计算得到车辆控制信号：
[0020]
s301、将可行的车辆控制参数、动态目标信息以及实时获取的车辆状态信号和环境信息输入训练好的车辆预测模型，得到未来n+1个时刻的车辆位置；
[0021]
s302、选取目标优化函数，输出优化的车辆控制参数，使得未来n+1个时刻的车辆位置与决策规划的路径点最为接近；
[0022]
s303、根据在优化的控制参数下反馈的车辆位置和车辆预测的位置进行比较，计算车辆位置偏差；
[0023]
s304、更新车辆状态信息、环境信息和动态目标信息，重复步骤s301，并补偿车辆预测模型的车辆位置偏差。
[0024]
进一步地，所述控制方法还包括以下步骤：
[0025]
s500、在进行步骤s300之前，进入自动驾驶模式。
[0026]
进一步地，步骤s500中，可以通过以下方式进入自动驾驶模式：
[0027]
s501、车辆和自动驾驶系统正常启动后，进入自动驾驶模式；或
[0028]
s502、在人工驾驶过程中，驾驶员切换驾驶模式，进入自动驾驶模式。
[0029]
进一步地，所述控制方法还包括以下步骤：
[0030]
s600、在自动驾驶过程中，出现以下情况时，切换进入人工驾驶模式：
[0031]
s601、驾驶员踩制动踏板、转动方向盘或切换驾驶模式；或
[0032]
s602、车辆控制端通讯丢失。
[0033]
进一步地，所述控制方法还包括以下步骤：
[0034]
s700、在自动驾驶过程中，出现以下情况时，中途停车：
[0035]
s701、自动驾驶控制器根据环境感知信息决策停车；或
[0036]
s702、驾驶员通过按下急停按钮进入紧急停车状态。
[0037]
本发明具有以下优势：
[0038]
(1)本发明中，借助卷积神经网络(cnn)原理，构建和训练车辆预测模型，并使其与自动驾驶控制算法——模型预测控制(mpc)相结合，实现自动驾驶的实时控制，提高了自动驾驶运动控制功能的处理速度，提高了反应速度，使得控制更加安全。
[0039]
(2)本发明中还结合车辆行驶过程中的模式切换和停车方式(特别是l3级自动驾驶车辆行驶过程中自动驾驶和人工驾驶的模式切换方式、停车方式)，保证车辆的行驶安
全，实现高安全性的自动驾驶控制，为自动驾驶的车辆控制提供新的技术方案。
附图说明
[0040]
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0041]
图1是根据本发明的自动驾驶车辆的控制方法的一种实施方案的流程示意图；
[0042]
图2是根据本发明的自动驾驶车辆的控制方法的车辆预测模型的一种实施方案的结构示意图；
[0043]
图3是根据本发明的自动驾驶车辆的控制方法中采用模型预测控制计算得到车辆控制信号的运行示意图。
具体实施方式
[0044]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0045]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0046]
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。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讨论。
[0047]
本发明提供了自动驾驶车辆的控制方法，其中，所述控制方法包括以下步骤：
[0048]
s100、基于车辆控制参数、车辆状态数据、环境信息数据和动态目标数据，采用卷积神经网络构建和训练车辆预测模型，得到训练好的车辆预测模型；
[0049]
s200、实时获取自动驾驶车辆状态信号和环境信息；
[0050]
s300、基于训练好的车辆预测模型、动态目标信息以及实时获取的自动驾驶车辆状态信号红外环境信息，采用模型预测控制计算得到车辆控制信号；
[0051]
s400：基于所得到车辆控制信号，控制车辆自动行驶。
[0052]
本发明中，借助卷积神经网络(cnn)原理，构建和训练车辆预测模型，并使其与自动驾驶控制算法——模型预测控制(mpc)相结合，实现自动驾驶的实时控制，提高了自动驾驶运动控制功能的处理速度，提高了反应速度，控制更加安全。
[0053]
图1显示了根据本发明的自动驾驶车辆的控制方法的一种具体实施方案。图2显示了本发明的自动驾驶车辆的控制方法的车辆预测模型的一种实施方案。
[0054]
本发明的控制方法包括以下步骤：
[0055]
s100、基于车辆控制参数、车辆状态数据、环境信息数据和动态目标数据，采用卷积神经网络构建和训练车辆预测模型，得到训练好的车辆预测模型；
[0056]
s200、实时获取自动驾驶车辆状态信号和环境信息；
[0057]
s300、基于训练好的车辆预测模型、动态目标信息以及实时获取的自动驾驶车辆状态信号红外环境信息，采用模型预测控制计算得到车辆控制信号；
[0058]
s400：基于所得到车辆控制信号，控制车辆自动行驶。
[0059]
在本发明的一个实施例中，如图1-2所示，步骤s100通过包括以下步骤的方法构建和训练车辆预测模型：
[0060]
s101、构建车辆预测模型：选取车辆控制参数、车辆状态数据、环境信息数据和动态目标数据，使用t时刻至t-n时刻的车辆状态、环境信息和动态目标数据，预测第t+1至t+n+1时刻的车辆位置，得到数据矩阵，采用卷积神经网络提取特征；其中，n为大于等于2的正整数，例如，n为2-5的整数，t-n时刻为t时刻前n个信号采样周期的时刻，t+n+1时刻为t时刻后n+1个信号采样周期的时刻。
[0061]
s102、训练车辆预测模型：采用包括车辆状态数据、环境信息数据和动态目标数据的自动驾驶历史数据训练车辆预测模型，得到训练好的车辆预测模型。
[0062]
步骤s101中，车辆控制参数可以包括制动压力、驻车请求和挡位请求等。车辆状态数据可以包括当前挡位、驻车状态、车速、制动状态、踏板开度、车辆加速度、四轮轮速、电机扭矩、方向盘转角、动力电池(soc)和车辆故障等。环境信息数据可以包括坡度、地面摩擦、交通标线、风力、风向、温度、坡向和路边设施等。动态目标数据包括目标速度、目标位置、目标类型和目标方向等。
[0063]
在本发明的一个具体实施例中，步骤s101中可以选取6个车辆控制参数、24个车辆状态数据、20个环境信息数据和10个动态目标数据，n为4，而得到60
×
5的数据矩阵。
[0064]
在本发明的一个实施例中，参照图2，步骤s101中卷积神经网络包括两层卷积层和两层2
×
2池化层；其中，第一层卷积层采用5
×
1和1
×
5两个卷积核来分别提取同一数据矩阵中不同种类数据间的相关特征和同一种类数据的时序特征；第一层2
×
2池化层和包含5
×
5单卷积核的第二层卷积层进一步提取特征，并经第二层2
×
2池化层进行降采样。另外，步骤s101中卷积神经网络包括两层全连接层，输出矩阵通过两层全连接层。
[0065]
在本发明的一个实施例中，参照图3，步骤s300中采用包括以下步骤的方法来计算得到车辆控制信号：
[0066]
s301、将可行的车辆控制参数、动态目标信息以及实时获取的车辆状态信号和环境信息输入训练好的车辆预测模型，得到未来n+1个时刻的车辆位置。
[0067]
s302、选取目标优化函数，输出优化的车辆控制参数，使得未来n个时刻的车辆位置与决策规划的路径点最为接近。
[0068]
s303、根据在优化的控制参数下反馈的车辆位置和车辆预测的位置进行比较，计算车辆位置偏差。
[0069]
s304、更新车辆状态信息、环境信息和动态目标信息，重复步骤s301，并补偿车辆
预测模型的车辆位置偏差。
[0070]
步骤s301中，可行的车辆控制参数包括制动压力、油门踏板开度、目标方向盘转角、目标方向盘转速、驻车请求和目标挡位请求。
[0071]
步骤s302中，决策规划的路径点可以根据自动驾驶车辆所感知信息确定。
[0072]
在本发明的一个实施例中，控制方法还包括以下步骤：
[0073]
s500、在进行步骤s300之前，进入自动驾驶模式。
[0074]
步骤s500中，可以通过以下方式进入自动驾驶模式：
[0075]
s501、车辆和自动驾驶系统正常启动后，进入自动驾驶模式。在该情况下，自动驾驶控制器(adcu，automatic driving control unit)可自行检查传感器和车辆控制执行器件状态，判断确认进入自动驾驶模式。
[0076]
s502、在人工驾驶过程中，驾驶员切换驾驶模式，进入自动驾驶模式。该情况下，驾驶员按下模式切换按钮，adcu检测到按钮信号后，检查系统状态正常后，判断确认进入自动驾驶模式。
[0077]
adcu确认进入自动驾驶模式后，向can总线网络发送自动驾驶模式请求信号，各执行器件接收信号后，反馈自动驾驶状态，adcu同时接收vcu发送的车辆状态信号，并根据感知信息，执行决策规划和控制功能。
[0078]
在本发明的一个实施例中，控制方法还包括以下步骤：
[0079]
s600、在自动驾驶过程中，出现以下情况时，切换进入人工驾驶模式：
[0080]
s601、驾驶员踩制动踏板、转动方向盘或切换驾驶模式。
[0081]
在自动驾驶过程中，驾驶员踩制动踏板，制动系统按照人工指令执行制动控制，同时，将制动系统设置为人工驾驶模式，发送的制动工作模式信号值变为0，并更新制动系统工作状态，adcu接收制动信号后，发送人工驾驶模式请求信号，车辆各控制器接收信号后，只响应人工驾驶操作。
[0082]
在自动驾驶过程中，驾驶员转动方向盘超过一定角度，转向系统响应人工转向操作，同时，将转向系统设置为人工驾驶模式，发送的转向工作模式信号值变为0，adcu接收到转向状态信号后，发送人工驾驶模式请求信号。
[0083]
在自动驾驶过程中，驾驶员发现车辆未按照正常的策略运行，按下模式切换按钮，adcu检测到按钮信号后，判断确认进入人工驾驶模式，发送人工驾驶模式请求信号，驾驶员接管车辆。
[0084]
s602、车辆控制端通讯丢失。adcu与车辆其他控制器通讯过程中连续2s丢包，出现通讯丢失故障时，整车控制器(vcu)决策车辆进入人工驾驶模式，发送自动驾驶状态信号，并发送语音信息提示驾驶员接管车辆。
[0085]
在本发明的一个实施例中，控制方法还包括以下步骤：
[0086]
s700、在自动驾驶过程中，出现以下情况时，中途停车：
[0087]
s701、自动驾驶控制器根据环境感知信息决策停车。
[0088]
在不存在通讯等故障条件下，adcu判断自车状态和行车环境状态后，决策停车，发送停车指令，同时打开双闪，并通过声光信号提示驾驶员，车辆静止后，等待驾驶员决策。
[0089]
s702、驾驶员通过按下急停按钮进入紧急停车状态。
[0090]
在自动驾驶过程中，如驾驶员发现车辆处于危险状态，且adcu没有对当前危险状
态进行响应，驾驶员按下车内急停按键；adcu检测到此急停按键信号后判断进入紧急制动，向制动系统下发制动请求信号，持续进行主动制动，同时，向其他控制器下发人工驾驶模式请求信号，使相关执行器退出自动驾驶；释放急停按键后，需要再次开启自动驾驶才会进入自动驾驶模式。
[0091]
在本发明的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制；方位词“内、外”是指相对于各部件本身的轮廓的内外。
[0092]
为了便于描述，在这里可以使用空间相对术语，如“在
……
之上”、“在
……
上方”、“在
……
上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在
……
上方”可以包括“在
……
上方”和“在
……
下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。
[0093]
此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本发明保护范围的限制。
[0094]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通，为大家解决相关问题。

此文章来源于网络,如有侵权,请联系删除