[go: up one dir, main page]

CN114763149A - 车辆的自动驾驶控制方法、装置及电子设备 - Google Patents

车辆的自动驾驶控制方法、装置及电子设备 Download PDF

Info

Publication number
CN114763149A
CN114763149A CN202210517268.7A CN202210517268A CN114763149A CN 114763149 A CN114763149 A CN 114763149A CN 202210517268 A CN202210517268 A CN 202210517268A CN 114763149 A CN114763149 A CN 114763149A
Authority
CN
China
Prior art keywords
vehicle state
lateral
model parameter
longitudinal
parameter information
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.)
Pending
Application number
CN202210517268.7A
Other languages
English (en)
Inventor
刘征宇
谭益农
朱振广
梁琪
李柳涛
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.)
Apollo Intelligent Technology Beijing Co Ltd
Original Assignee
Apollo Intelligent Technology Beijing 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 Apollo Intelligent Technology Beijing Co Ltd filed Critical Apollo Intelligent Technology Beijing Co Ltd
Priority to CN202210517268.7A priority Critical patent/CN114763149A/zh
Publication of CN114763149A publication Critical patent/CN114763149A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/105—Speed
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/107—Longitudinal acceleration
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/109—Lateral acceleration
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B60W2520/105—Longitudinal acceleration
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/12—Lateral speed
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/12—Lateral speed
    • B60W2520/125—Lateral acceleration

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本公开提供了车辆的自动驾驶控制方法、装置及电子设备，涉及人工智能技术领域，尤其涉及自动驾驶、深度学习、智能交通技术领域。具体实现方案为：确定车辆当前的车辆状态信息，以及车辆状态信息对应的模型参数序列，其中，模型参数序列包括：模型预测控制器在预测时域内各个预测时间点上的模型参数信息，其中，不同预测时间点上的模型参数信息不同；利用模型预测控制器，根据模型参数序列以及车辆的期望轨迹，确定控制量序列；根据控制量序列，对车辆进行自动驾驶控制处理，从而能够基于车辆当前的车辆状态信息，确定模型参数序列；且针对不同的预测时间点，采用不同的模型参数信息，加快模型预测控制器的收敛速度，提高车辆的自动驾驶控制效率。

Description

车辆的自动驾驶控制方法、装置及电子设备
技术领域
本公开涉及人工智能技术领域，尤其涉及自动驾驶、深度学习、智能交通技术领域，尤其涉及一种车辆的自动驾驶控制方法、装置及电子设备。
背景技术
目前，相关技术中，在自动驾驶的横纵向控制中，基于车辆的速度、曲率、加速度信息，确定模型参数信息；进而利用模型预测控制器，根据模型参数信息对车辆进行自动驾驶控制。
上述方案中，模型参数信息固定，模型预测控制器的收敛速度慢，从而降低了车辆的自动驾驶控制效率。
发明内容
本公开提供了一种车辆的自动驾驶控制方法、装置及电子设备。
根据本公开的一方面，提供了一种车辆的自动驾驶控制方法，包括：确定车辆当前的车辆状态信息，以及所述车辆状态信息对应的模型参数序列，其中，所述模型参数序列包括：模型预测控制器在预测时域内各个预测时间点上的模型参数信息，其中，不同预测时间点上的模型参数信息不同；利用所述模型预测控制器，根据所述模型参数序列以及所述车辆的期望轨迹，确定控制量序列，其中，所述控制量序列中包括：各个所述预测时间点上的横向控制量和纵向控制量；根据所述预测时域内第一个预测时间点上的横向控制量和纵向控制量，对所述车辆进行自动驾驶控制处理。
根据本公开的另一方面，提供了一种车辆的自动驾驶控制装置，包括：第一确定模块，用于确定车辆当前的车辆状态信息，以及所述车辆状态信息对应的模型参数序列，其中，所述模型参数序列包括：模型预测控制器在预测时域内各个预测时间点上的模型参数信息，其中，不同预测时间点上的模型参数信息不同；第二确定模块，用于利用所述模型预测控制器，根据所述模型参数序列以及所述车辆的期望轨迹，确定控制量序列，其中，所述控制量序列中包括：各个所述预测时间点上的横向控制量和纵向控制量；控制模块，用于根据所述预测时域内第一个预测时间点上的横向控制量和纵向控制量，对所述车辆进行自动驾驶控制处理。
根据本公开的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开上述提出的车辆的自动驾驶控制方法。
根据本公开的再一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开上述提出的车辆的自动驾驶控制方法。
根据本公开的再一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开上述提出的车辆的自动驾驶控制方法的步骤。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开第一实施例的示意图；
图2是根据本公开第二实施例的示意图；
图3是根据本公开第三实施例的示意图；
图4是根据本公开第四实施例的示意图；
图5是用来实现本公开实施例的车辆的自动驾驶控制方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
目前，相关技术中，在自动驾驶的横纵向控制中，基于车辆的速度、曲率、加速度信息，确定模型参数信息；进而利用模型预测控制器，根据模型参数信息对车辆进行自动驾驶控制。
上述方案中，模型参数信息固定，模型预测控制器的收敛速度慢，从而降低了车辆的自动驾驶控制效率。
针对上述问题，本公开提出一种车辆的自动驾驶控制方法、装置及电子设备。
图1是根据本公开第一实施例的示意图，需要说明的是，本公开实施例的车辆的自动驾驶控制方法可应用于车辆的自动驾驶控制装置，该装置可被配置于电子设备中，以使该电子设备可以执行车辆的自动驾驶控制功能。
其中，电子设备可以为任一具有计算能力的设备，例如可以为个人电脑(PersonalComputer，简称PC)、移动终端、服务器等，移动终端例如可以为车载设备、手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
如图1所示，该车辆的自动驾驶控制方法可以包括如下步骤：
步骤101，确定车辆当前的车辆状态信息，以及车辆状态信息对应的模型参数序列，其中，模型参数序列包括：模型预测控制器在预测时域内各个预测时间点上的模型参数信息，其中，不同预测时间点上的模型参数信息不同。
在本公开实施例中，车辆当前的车辆状态信息可以包括以下车辆状态参数中的至少一种：横向车辆状态参数、纵向车辆状态参数、期望横向车辆状态参数、期望纵向车辆状态参数、横向车辆状态参数误差、纵向车辆状态参数误差。
其中，横向车辆状态参数可以包括以下参数中的至少一种：横向位置、横向航向角、横向位移、横向速度、横向加速度、横向曲率、横摆角速度、前轮转角。其中，纵向车辆状态参数可以包括以下参数中的至少一种：纵向位置、纵向位移、纵向速度、纵向加速度、纵向力矩。其中，横向车辆状态参数误差，为横向车辆状态参数与期望横向车辆状态参数之间的误差。纵向车辆状态参数误差，为纵向车辆状态参数与期望纵向车辆状态参数之间的误差。
其中，车辆设置有预先规划好的期望轨迹，车辆的自动驾驶控制装置用于结合期望轨迹以及车辆当前的车辆状态信息，对车辆进行自动驾驶控制。其中，期望轨迹中包括多个期望轨迹点，每个期望轨迹点设置有对应的期望横向车辆状态参数和期望纵向车辆状态参数。
其中，车辆当前的车辆状态信息中的期望横向车辆状态参数和期望纵向车辆状态参数的确定方式例如，根据车辆当前的横向车辆状态参数和纵向车辆状态参数从期望轨迹中选择匹配的期望轨迹点，将匹配的期望轨迹点的期望横向车辆状态参数，作为车辆当前的车辆状态信息中的期望横向车辆状态参数；将匹配的期望轨迹点的期望纵向车辆状态参数，作为车辆当前的车辆状态信息中的期望纵向车辆状态参数。
其中，多个车辆状态参数的确定，用于确定模型参数序列，可以实现对不同的车辆状态信息采用不同的模型参数序列，实现对不同车辆状态信息的精细化区分，从而提高确定得到的模型参数序列的准确度，使得确定得到的模型参数序列能够更好的适用于当前的车辆状态信息，进而进一步提高车辆的自动驾驶控制效率。
其中，模型预测控制器(Model Predictive Control，MPC)用于根据车辆当前的车辆状态信息、期望轨迹以及模型参数序列，预测得到预测时域内各个预测时间点上的横向控制量和纵向控制量，以便根据预测时域内第一个预测时间点上的横向控制量和纵向控制量，对车辆进行自动驾驶控制处理。其中，模型预测控制器采用进阶过程控制策略进行预测处理。例如，先随机确定一个控制量序列，基于该控制量序列确定预测轨迹；基于预测轨迹、期望轨迹以及约束信息，对控制量序列进行一次调整；重复上述过程，至预测轨迹与期望轨迹之间的差异满足指定条件。
在本公开实施例中，预测时间点上的模型参数信息包括：横向模型参数信息和纵向模型参数信息。其中，横向模型参数信息包括：横向误差项惩罚权重、横向控制量惩罚权重和横向控制量增量惩罚权重。纵向模型参数信息包括：纵向误差项惩罚权重、纵向控制量惩罚权重和纵向控制量增量惩罚权重。
其中，横向误差项惩罚权重，表示横向车辆状态参数误差项的权重。纵向误差项惩罚权重，表示纵向车辆状态参数误差项的权重。其中，不同的预测时间点上的模型参数信息不同，可以指不同的预测时间点上的横向误差项惩罚权重不同，和/或，不同的预测时间点上的纵向误差项惩罚权重不同。
其中，模型参数信息可以包括多个惩罚权重，方便设置衰减参数，进而选择惩罚权重进行衰减处理。由于对车辆的控制，一般是预测时域中靠前的预测时间点上的横向误差项和纵向误差项比较重要，靠后的预测时间点上的横向误差项和纵向误差项不重要。因此，为了缩短模型预测控制器的收敛速度，靠前的预测时间点上的横向误差项和纵向误差项的权重需要较大，靠后的预测时间点上的横向误差项和纵向误差项的权重需要较小。即各个预测时间点上的横向误差项惩罚权重可以呈衰减趋势，和/或，各个预测时间点上的纵向误差项惩罚权重可以呈衰减趋势。
步骤102，利用模型预测控制器，根据模型参数序列以及车辆的期望轨迹，确定控制量序列，其中，控制量序列中包括：各个预测时间点上的横向控制量和纵向控制量。
在本公开实施例中，横向控制量例如，下发前轮转角。纵向控制量例如，下发力矩等。
其中，模型预测控制器，用于在每个采样时刻，根据车辆当前的车辆状态信息以及模型参数序列，确定预测时域内各个预测时间点上的横向控制量和纵向控制量，进而确定预测轨迹；根据预测轨迹以及期望轨迹的误差，构建目标函数；结合目标函数以及约束信息，求解确定控制量序列并输出。
其中，(1)模型预测控制器，可以先确定一个初始控制量序列；(2)模型预测控制器中的横向模型，可以根据车辆当前的横向车辆状态参数以及第一个预测时间点上的横向控制量，确定第一个预测时间点上的预测横向车辆状态参数；模型预测控制器中的纵向模型，可以根据车辆当前的纵向车辆状态参数以及第一个预测时间点上的横向控制量，确定第一个预测时间点上的预测纵向车辆状态参数；(3)重复执行步骤(2)，能够得到各个预测时间点上的预测横向车辆状态参数和预测纵向车辆状态参数，进而得到预测轨迹。
步骤103，根据预测时域内第一个预测时间点上的横向控制量和纵向控制量，对车辆进行自动驾驶控制处理。
在本公开实施例中，预测时域内的各个预测时间点可以按照时间先后顺序进行排序，其中的第一个预测时间点为，排序结果中的第一个预测时间点。例如，排序结果为t1，t2，t3，t4，t5。其中，t1为第一个预测时间点。
在本公开实施例中，以横向控制量为下发前轮转角，纵向控制量为下发力矩为例，车辆根据下发前轮转角和下发力矩，控制车辆发动机等，从而实现自动驾驶控制处理。
本公开实施例的车辆的自动驾驶控制方法，通过确定车辆当前的车辆状态信息，以及车辆状态信息对应的模型参数序列，其中，模型参数序列包括：模型预测控制器在预测时域内各个预测时间点上的模型参数信息，其中，不同预测时间点上的模型参数信息不同；利用模型预测控制器，根据模型参数序列以及车辆的期望轨迹，确定控制量序列，其中，控制量序列中包括：各个预测时间点上的横向控制量和纵向控制量；根据预测时域内第一个预测时间点上的横向控制量和纵向控制量，对车辆进行自动驾驶控制处理，从而能够基于车辆当前的车辆状态信息，确定模型参数序列；且针对不同的预测时间点，采用不同的模型参数信息，加快模型预测控制器的收敛速度，进而提高控制量序列的确定速度，提高车辆的自动驾驶控制效率。
为了准确确定车辆状态信息对应的模型参数序列，如图2所示，图2是根据本公开第二实施例的示意图，在本公开实施例中，根据车辆状态信息对应的基础模型参数信息以及衰减参数信息，确定模型参数序列。图2所示实施例可以包括以下步骤：
步骤201，确定车辆当前的车辆状态信息。
在本公开实施例中，车辆当前的车辆状态信息可以包括以下车辆状态参数中的至少一种：横向车辆状态参数、纵向车辆状态参数、期望横向车辆状态参数、期望纵向车辆状态参数、横向车辆状态参数误差、纵向车辆状态参数误差。
步骤202，确定车辆状态信息对应的基础模型参数信息以及衰减参数信息。
其中，基础模型参数信息，为预测时域内第一个预测时间点上的模型参数信息。预测时域内其他预测时间点上的模型参数信息，可以根据基础模型参数信息以及衰减参数信息确定。
在本公开实施例中，车辆的自动驾驶控制装置执行步骤202的过程例如可以为，将车辆状态信息输入预设的神经网络模型，获取神经网络模型输出的缩放比例信息；根据缩放比例信息、参考模型参数信息以及参考衰减参数信息，确定车辆状态信息对应的基础模型参数信息以及衰减参数信息。
其中，可以根据缩放比例信息和参考模型参数信息，确定车辆状态信息对应的基础模型参数信息。参考模型参数信息，可以为已有车型的模型参数信息，或者，新增车型的经过人工调整或者自动调整的模型参数信息，可以根据实际需要进行设置，此处不做具体限定。
其中，在参考模型参数信息包括多维控制参数的情况下，缩放比例信息也可以为多维的，且维度数量与参考模型参数信息中控制参数的维度数量一致。缩放比例信息中的多维缩放比例，与参考模型参数信息中的多维控制参数一一对应，分别表示对应控制参数的缩放比例。
其中，神经网络模型的准确度较高，且能够考虑较多的车辆状态参数，能够实现对不同车辆状态参数的精细化区分，提高确定得到的模型参数序列的准确度。且缩放比例信息的使用，结合对缩放比例信息的约束，能够避免模型参数信息的突变，进一步提高确定得到的基础模型参数信息的准确度，进而提高确定得到的模型参数序列的准确度。
其中，以缩放比例信息包括多维缩放比例为例，对缩放比例信息的约束，是指针对每个维度的缩放比例的约束。其中，以第一维度的缩放比例为例，约束指的是，针对第一维度的缩放比例的限制范围，即第一维度的缩放比例需要位于该限制范围内。其中，限制范围例如，第一维度的缩放比例需要大于第一缩放比例且小于第二缩放比例。
其中，神经网络模型的训练过程例如可以为，(1)确定初始的神经网络模型，其中包括初始策略网络，该网络的输入为车辆状态信息，输出为缩放比例信息；(2)初始策略网络将缩放比例信息提供给控制模块；(3)控制模块根据缩放比例信息、参考模型参数信息，确定模型参数序列，进而结合车辆状态信息确定控制量序列；(4)动力学仿真环境根据车辆状态信息以及控制量序列，确定预测轨迹；结合预测轨迹以及期望轨迹以及回报函数，生成训练样本，并放入记忆回放池；其中，训练样本包括：当前时刻车辆状态参数、控制量、回报数值、下一时刻车辆状态参数；(5)从记忆回放池中选择训练样本，结合强化学习算法以及值网络对初始的神经网络模型进行训练；其中，值网络的输入为缩放比例信息，输出为用于评价缩放比例信息的值函数；(6)重复以上5个步骤，至训练得到的神经网络模型满足指定训练收敛条件。
其中，回报函数的公式可以如以下公式(1)所示：
r(t)＝a1r1(t)+a2r2(t)+a3r3(t)+a4r4(t) (1)
其中，r(t)表示t预测时间点的回报函数数值；r1(t)表示误差回报；r2(t)表示误差变化率回报；r3(t)表示控制量变化量回报；r4(t)表示仿真metric回报。其中，控制量变化量回报为-Δu，Δu表示控制量变化量。
其中，误差回报的公式和误差变化率回报的公式可以如以下公式(2)和(3)所示：
Figure BDA0003639430990000081
Figure BDA0003639430990000082
其中，e(t)表示t预测时间点的误差，该误差可以包括横向状态参数误差和纵向状态参数误差。
其中，仿真metric回报的公式可以如以下公式(4)所示：
r4(t)＝∑r4-i(t) (4)
其中，在一种示例中，碰撞回报r4-1(t)＝－500；猛急刹回报r4-2(t)＝－20；猛打方向回报r4-3(t)＝－20；轨迹发生重新规划的回报r4-4(t)＝－200。
需要说明的是，上述四种回报的数值只是举例说明，可以根据实际需要进行调整，此处不做具体限定。
步骤203，根据基础模型参数信息以及衰减参数信息，确定预测时域内各个预测时间点上的模型参数信息。
在本公开实施例中，车辆的自动驾驶控制装置执行步骤203的过程例如可以为，确定预测时域内各个预测时间点的序列号；针对每个预测时间点，根据衰减参数信息以及序列号，确定预测时间点上的衰减比例信息；根据基础模型参数信息以及预测时间点上的衰减比例信息，确定预测时间点上的模型参数信息。
其中，车辆的自动驾驶控制装置根据衰减参数信息以及序列号，确定预测时间点上的衰减比例信息的过程例如可以为，以衰减参数信息为d为例，假设某个预测时间点的序列号为z，则该预测时间点上的衰减比例信息为衰减参数信息与z个d相乘得到的结果，进而得到该预测时间点上的模型参数信息。
其中，以衰减参数信息为针对横向误差项惩罚权重的第一衰减参数为例，该预测时间点上的模型参数信息中的横向误差项惩罚权重的计算公式可以如以下公式(5)所示：
Qi＝Q*di-1 (5)
其中，Q表示基础模型参数信息中的横向误差项惩罚权重；Qi表示第i-1个预测时间点上的横向误差项惩罚权重；i-1表示该预测时间点的序列号。
其中，基础模型参数信息可以包括：横向误差项惩罚权重、横向控制量惩罚权重、横向控制量增量惩罚权重、纵向误差项惩罚权重、纵向控制量惩罚权重和纵向控制量增量惩罚权重。衰减参数信息可以包括：针对横向误差项惩罚权重的第一衰减参数和针对纵向误差项惩罚权重的第二衰减参数。
其中，根据衰减参数信息以及序列号，确定预测时间点上的衰减比例信息，能够确保各个预测时间点上的模型参数信息中的横向误差项惩罚权重和纵向误差项惩罚权重呈衰减趋势，使得靠前的预测时间点上的横向误差项和纵向误差项的权重需要较大，靠后的预测时间点上的横向误差项和纵向误差项的权重需要较小，从而缩短模型预测控制器的收敛速度，能够及时确定控制量序列，及时对车辆进行自动驾驶控制处理。
步骤204，根据预测时域内各个预测时间点上的模型参数信息，确定车辆状态信息对应的模型参数序列。
步骤205，利用模型预测控制器，根据模型参数序列以及车辆的期望轨迹，确定控制量序列，其中，控制量序列中包括：各个预测时间点上的横向控制量和纵向控制量。
步骤206，根据预测时域内第一个预测时间点上的横向控制量和纵向控制量，对车辆进行自动驾驶控制处理。
需要说明的是，步骤205、步骤206的详细内容，可以参考图1所示实施例中的步骤102和步骤103，此处不再进行详细说明。
本公开实施例的车辆的自动驾驶控制方法，通过确定车辆当前的车辆状态信息；确定车辆状态信息对应的基础模型参数信息以及衰减参数信息；根据基础模型参数信息以及衰减参数信息，确定预测时域内各个预测时间点上的模型参数信息；根据预测时域内各个所述预测时间点上的模型参数信息，确定车辆状态信息对应的模型参数序列；利用模型预测控制器，根据模型参数序列以及车辆的期望轨迹，确定控制量序列，其中，控制量序列中包括：各个预测时间点上的横向控制量和纵向控制量；根据预测时域内第一个预测时间点上的横向控制量和纵向控制量，对车辆进行自动驾驶控制处理，从而能够基于车辆当前的车辆状态信息，确定模型参数序列；且针对不同的预测时间点，采用不同的模型参数信息，加快模型预测控制器的收敛速度，进而提高控制量序列的确定速度，提高车辆的自动驾驶控制效率。
为了准确确定控制量序列，如图3所示，图3是根据本公开第三实施例的示意图，在本公开实施例中，利用模型预测控制器中的横向模型和纵向模型，结合模型参数序列，分别确定各个预测时间点上的横向控制量和纵向控制量，进而确定控制量序列。图3所示实施例可以包括以下步骤：
步骤301，确定车辆当前的车辆状态信息，以及车辆状态信息对应的模型参数序列，其中，模型参数序列包括：模型预测控制器在预测时域内各个预测时间点上的模型参数信息，其中，不同预测时间点上的模型参数信息不同；模型参数信息包括：横向模型参数信息和纵向模型参数信息。
步骤302，利用模型预测控制器中的横向模型，根据模型参数序列中各个预测时间点上的横向模型参数信息以及期望轨迹，确定各个预测时间点上的横向控制量。
在本公开实施例中，车辆的自动驾驶控制装置执行步骤302的过程例如可以为，确定车辆状态信息中的横向车辆状态参数，以及各个预测时间点上的初始横向控制量；利用横向模型，根据横向车辆状态参数以及各个预测时间点上的初始横向控制量，确定各个预测时间点上的预测横向车辆状态参数；根据各个预测时间点上的预测横向车辆状态参数、期望轨迹中各个预测时间点上的期望横向车辆状态参数以及横向模型参数信息，构建第一目标函数；根据第一目标函数的数值，对各个预测时间点上的初始横向控制量进行调整，以得到各个预测时间点上的横向控制量。
其中，横向模型的公式可以如以下公式(6)所示：
Figure BDA0003639430990000111
其中，ye表示车辆状态信息中的横向位移；
Figure BDA0003639430990000112
表示车辆状态信息中的横向速度；θe表示车辆状态信息中的横向航向角；
Figure BDA0003639430990000113
表示车辆状态信息中的横摆角速度；δ表示车辆状态信息中的前轮转角；δdes表示横向控制量，即，下发前轮转角。对应的，横向误差项惩罚权重的维度数量可以为5维，其中，各个维度依次表示横向位移的误差项惩罚权重、横向速度的误差项惩罚权重、横向航向角的误差项惩罚权重、横摆角速度的误差项惩罚权重和前轮转角的误差项惩罚权重。
其中，上述公式(6)在时间上求积分，即可以得到下一预测时间点上的横向位移、横向速度、横向航向角、横摆角速度和前轮转角。
其中，需要说明的是，公式(6)是以横向模型的输入中车辆状态参数为横向位移、横向速度、横向航向角、横摆角速度和前轮转角为例进行说明。横向模型的输入中的车辆状态参数还可以替换为其他横向车辆状态参数，此处不做限定，可以根据实际需要进行设定。
其中，横向模型的第一目标函数的公式可以如以下公式(7)所示：
Figure BDA0003639430990000121
其中，J表示第一目标函数；Yi表示根据第i－1预测时间点的横向车辆状态参数以及第i预测时间点的横向控制量，得到的第i预测时间点的预测横向车辆状态参数；Yri表示第i预测时间点的期望横向车辆状态参数；Q表示横向误差项惩罚权重，包括各个预测时间点的横向误差项惩罚权重；Ui表示第i预测时间点的横向控制量；ΔUi表示第i预测时间点的横向控制量增量；R1表示横向控制量惩罚权重；R2表示横向控制量增量惩罚权重。
其中，利用横向模型，根据横向车辆状态参数以及各个预测时间点上的初始横向控制量，确定各个预测时间点上的预测横向车辆状态参数，进而结合横向模型参数信息构建第一目标函数，对各个预测时间点上的初始横向控制量进行调整，以得到各个预测时间点上的横向控制量，能够加快模型预测控制器的收敛速度，提高确定得到的横向控制量的准确度。
步骤303，利用模型预测控制器中的纵向模型，根据模型参数序列中各个预测时间点上的纵向模型参数信息以及期望轨迹，确定各个预测时间点上的纵向控制量。
在本公开实施例中，车辆的自动驾驶控制装置执行步骤303的过程例如可以为，确定车辆状态信息中的纵向车辆状态参数，以及各个预测时间点上的初始纵向控制量；利用纵向模型，根据纵向车辆状态参数以及各个预测时间点上的初始纵向控制量，确定各个预测时间点上的预测纵向车辆状态参数；根据各个预测时间点上的预测纵向车辆状态参数、期望轨迹中各个所述预测时间点上的期望纵向车辆状态参数以及纵向模型参数信息，构建第二目标函数；根据第二目标函数的数值，对各个预测时间点上的初始纵向控制量进行调整，以得到各个预测时间点上的纵向控制量。
其中，纵向模型的公式可以如以下公式(8)所示：
Figure BDA0003639430990000131
其中，x表示车辆状态信息中的纵向位移；v表示车辆状态信息中的纵向速度；T表示车辆状态信息中的纵向力矩；Tdes表示纵向控制量，即下发力矩。对应的，纵向误差项惩罚权重的维度数量可以为3维，其中，各个维度依次表示纵向位移的误差项惩罚权重、纵向速度的误差项惩罚权重、纵向力矩的误差项惩罚权重。
其中，上述公式(8)在时间上求积分，即可以得到下一预测时间点上的纵向位移、纵向速度和纵向力矩。
其中，需要说明的是，公式(8)是以纵向模型的输入中车辆状态参数为纵向位移、纵向速度和纵向力矩为例进行说明。纵向模型的输入中的车辆状态参数还可以替换为其他纵向车辆状态参数，此处不做限定，可以根据实际需要进行设定。
其中，纵向模型的第二目标函数的公式的确定，可以参考第一目标函数的公式，将第一目标函数的公式中的横向车辆状态参数、横向控制量、期望横向车辆状态参数、横向误差项惩罚权重、横向控制量、横向控制量增量、横向控制量惩罚权重、横向控制量增量惩罚权重，对应替换为纵向车辆状态参数、纵向控制量、期望纵向车辆状态参数、纵向误差项惩罚权重、纵向控制量、纵向控制量增量、纵向控制量惩罚权重、纵向控制量增量惩罚权重，即可得到第二目标函数。
其中，利用纵向模型，根据纵向车辆状态参数以及各个预测时间点上的初始纵向控制量，确定各个预测时间点上的预测纵向车辆状态参数，进而结合纵向模型参数信息构建第二目标函数，对各个预测时间点上的初始纵向控制量进行调整，以得到各个预测时间点上的纵向控制量，能够加快模型预测控制器的收敛速度，提高确定得到的纵向控制量的准确度。
步骤304，根据各个预测时间点上的横向控制量和纵向控制量，确定控制量序列，其中，控制量序列中包括：各个预测时间点上的横向控制量和纵向控制量。
步骤305，根据预测时域内第一个预测时间点上的横向控制量和纵向控制量，对车辆进行自动驾驶控制处理。
需要说明的是，步骤301、步骤305的详细内容，可以参考图1所示实施例中的步骤101和步骤103，此处不再进行详细说明。
本公开实施例的车辆的自动驾驶控制方法，通过确定车辆当前的车辆状态信息，以及车辆状态信息对应的模型参数序列，其中，模型参数序列包括：模型预测控制器在预测时域内各个预测时间点上的模型参数信息，其中，不同预测时间点上的模型参数信息不同；利用模型预测控制器中的横向模型，根据模型参数序列中各个预测时间点上的横向模型参数信息以及期望轨迹，确定各个预测时间点上的横向控制量；利用模型预测控制器中的纵向模型，根据模型参数序列中各个预测时间点上的纵向模型参数信息以及期望轨迹，确定各个预测时间点上的纵向控制量；根据各个预测时间点上的横向控制量和纵向控制量，确定控制量序列；根据预测时域内第一个预测时间点上的横向控制量和纵向控制量，对车辆进行自动驾驶控制处理，从而能够基于车辆当前的车辆状态信息，确定模型参数序列；且针对不同的预测时间点，采用不同的模型参数信息，加快模型预测控制器的收敛速度，进而提高控制量序列的确定速度，提高车辆的自动驾驶控制效率。
为了实现上述实施例，本公开还提出一种车辆的自动驾驶控制装置。
如图4所示，图4是根据本公开第四实施例的示意图。该车辆的自动驾驶控制装置400包括：第一确定模块410、第二确定模块420和控制模块430。
第一确定模块410，用于确定车辆当前的车辆状态信息，以及所述车辆状态信息对应的模型参数序列，其中，所述模型参数序列包括：模型预测控制器在预测时域内各个预测时间点上的模型参数信息，其中，不同预测时间点上的模型参数信息不同；
第二确定模块420，用于利用所述模型预测控制器，根据所述模型参数序列以及所述车辆的期望轨迹，确定控制量序列，其中，所述控制量序列中包括：各个所述预测时间点上的横向控制量和纵向控制量；
控制模块430，用于根据所述预测时域内第一个预测时间点上的横向控制量和纵向控制量，对所述车辆进行自动驾驶控制处理。
作为本公开实施例的一种可能实现方式，所述第一确定模块410包括：第一确定单元、第二确定单元、第三确定单元和第四确定单元；其中，所述第一确定单元，用于确定车辆当前的车辆状态信息；所述第二确定单元，用于确定所述车辆状态信息对应的基础模型参数信息以及衰减参数信息；
所述第三确定单元，用于根据所述基础模型参数信息以及所述衰减参数信息，确定所述预测时域内各个所述预测时间点上的模型参数信息；所述第四确定单元，用于根据所述预测时域内各个所述预测时间点上的模型参数信息，确定所述车辆状态信息对应的模型参数序列。
作为本公开实施例的一种可能实现方式，所述第二确定单元具体用于，将所述车辆状态信息输入预设的神经网络模型，获取所述神经网络模型输出的缩放比例信息；根据所述缩放比例信息、参考模型参数信息以及参考衰减参数信息，确定所述车辆状态信息对应的基础模型参数信息以及衰减参数信息。
作为本公开实施例的一种可能实现方式，所述第三确定单元具体用于，确定所述预测时域内各个所述预测时间点的序列号；针对每个预测时间点，根据所述衰减参数信息以及所述序列号，确定所述预测时间点上的衰减比例信息；根据所述基础模型参数信息以及所述预测时间点上的衰减比例信息，确定所述预测时间点上的模型参数信息。
作为本公开实施例的一种可能实现方式，所述模型参数信息包括：横向模型参数信息和纵向模型参数信息；所述横向模型参数信息包括：横向误差项惩罚权重、横向控制量惩罚权重和横向控制量增量惩罚权重；所述纵向模型参数信息包括：纵向误差项惩罚权重、纵向控制量惩罚权重和纵向控制量增量惩罚权重。
作为本公开实施例的一种可能实现方式，所述模型参数信息包括：横向误差项惩罚权重和纵向误差项惩罚权重；所述衰减参数信息包括：针对所述横向误差项惩罚权重的第一衰减参数和针对所述纵向误差项惩罚权重的第二衰减参数。
作为本公开实施例的一种可能实现方式，所述模型参数信息包括：横向模型参数信息和纵向模型参数信息；所述第二确定模块420包括：第五确定单元、第六确定单元和第七确定单元；其中，所述第五确定单元，用于利用所述模型预测控制器中的横向模型，根据所述模型参数序列中各个所述预测时间点上的横向模型参数信息以及所述期望轨迹，确定各个所述预测时间点上的横向控制量；所述第六确定单元，用于利用所述模型预测控制器中的纵向模型，根据所述模型参数序列中各个所述预测时间点上的纵向模型参数信息以及所述期望轨迹，确定各个所述预测时间点上的纵向控制量；所述第七确定单元，用于根据各个所述预测时间点上的横向控制量和纵向控制量，确定所述控制量序列。
作为本公开实施例的一种可能实现方式，所述第五确定单元具体用于，确定所述车辆状态信息中的横向车辆状态参数，以及各个所述预测时间点上的初始横向控制量；利用所述横向模型，根据所述横向车辆状态参数以及各个所述预测时间点上的初始横向控制量，确定各个所述预测时间点上的预测横向车辆状态参数；根据各个所述预测时间点上的预测横向车辆状态参数、所述期望轨迹中各个所述预测时间点上的期望横向车辆状态参数以及所述横向模型参数信息，构建第一目标函数；根据所述第一目标函数的数值，对各个所述预测时间点上的初始横向控制量进行调整，以得到各个所述预测时间点上的横向控制量。
作为本公开实施例的一种可能实现方式，所述第六确定单元具体用于，确定所述车辆状态信息中的纵向车辆状态参数，以及各个所述预测时间点上的初始纵向控制量；利用所述纵向模型，根据所述纵向车辆状态参数以及各个所述预测时间点上的初始纵向控制量，确定各个所述预测时间点上的预测纵向车辆状态参数；根据各个所述预测时间点上的预测纵向车辆状态参数、所述期望轨迹中各个所述预测时间点上的期望纵向车辆状态参数以及所述纵向模型参数信息，构建第二目标函数；根据所述第二目标函数的数值，对各个所述预测时间点上的初始纵向控制量进行调整，以得到各个所述预测时间点上的纵向控制量。
作为本公开实施例的一种可能实现方式，所述车辆状态信息包括以下车辆状态参数中的至少一种：横向车辆状态参数、纵向车辆状态参数、期望横向车辆状态参数、期望纵向车辆状态参数、横向车辆状态参数误差、纵向车辆状态参数误差。
本公开实施例中的车辆的自动驾驶控制装置，通过确定车辆当前的车辆状态信息，以及车辆状态信息对应的模型参数序列，其中，模型参数序列包括：模型预测控制器在预测时域内各个预测时间点上的模型参数信息，其中，不同预测时间点上的模型参数信息不同；利用模型预测控制器，根据模型参数序列以及车辆的期望轨迹，确定控制量序列，其中，控制量序列中包括：各个预测时间点上的横向控制量和纵向控制量；根据预测时域内第一个预测时间点上的横向控制量和纵向控制量，对车辆进行自动驾驶控制处理，从而能够基于车辆当前的车辆状态信息，确定模型参数序列；且针对不同的预测时间点，采用不同的模型参数信息，加快模型预测控制器的收敛速度，进而提高控制量序列的确定速度，提高车辆的自动驾驶控制效率。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均在征得用户同意的前提下进行，并且均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
根据本公开的实施例，本公开还提供了一种车辆，包括如第四实施例中所示的车辆的自动驾驶控制装置。
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如车辆的自动驾驶控制方法。例如，在一些实施例中，车辆的自动驾驶控制方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的车辆的自动驾驶控制方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行车辆的自动驾驶控制方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (24)

1.一种车辆的自动驾驶控制方法，包括：
确定车辆当前的车辆状态信息，以及所述车辆状态信息对应的模型参数序列，其中，所述模型参数序列包括：模型预测控制器在预测时域内各个预测时间点上的模型参数信息，其中，不同预测时间点上的模型参数信息不同；
利用所述模型预测控制器，根据所述模型参数序列以及所述车辆的期望轨迹，确定控制量序列，其中，所述控制量序列中包括：各个所述预测时间点上的横向控制量和纵向控制量；
根据所述预测时域内第一个预测时间点上的横向控制量和纵向控制量，对所述车辆进行自动驾驶控制处理。
2.根据权利要求1所述的方法，其中，所述确定车辆当前的车辆状态信息，以及所述车辆状态信息对应的模型参数序列，包括：
确定车辆当前的车辆状态信息；
确定所述车辆状态信息对应的基础模型参数信息以及衰减参数信息；
根据所述基础模型参数信息以及所述衰减参数信息，确定所述预测时域内各个所述预测时间点上的模型参数信息；
根据所述预测时域内各个所述预测时间点上的模型参数信息，确定所述车辆状态信息对应的模型参数序列。
3.根据权利要求2所述的方法，其中，所述确定所述车辆状态信息对应的基础模型参数信息以及衰减参数信息，包括：
将所述车辆状态信息输入预设的神经网络模型，获取所述神经网络模型输出的缩放比例信息；
根据所述缩放比例信息、参考模型参数信息以及参考衰减参数信息，确定所述车辆状态信息对应的基础模型参数信息以及衰减参数信息。
4.根据权利要求2所述的方法，其中，所述根据所述基础模型参数信息以及所述衰减参数信息，确定所述预测时域内各个所述预测时间点上的模型参数信息，包括：
确定所述预测时域内各个所述预测时间点的序列号；
针对每个预测时间点，根据所述衰减参数信息以及所述序列号，确定所述预测时间点上的衰减比例信息；
根据所述基础模型参数信息以及所述预测时间点上的衰减比例信息，确定所述预测时间点上的模型参数信息。
5.根据权利要求1至4任一项所述的方法，其中，所述模型参数信息包括：横向模型参数信息和纵向模型参数信息；
所述横向模型参数信息包括：横向误差项惩罚权重、横向控制量惩罚权重和横向控制量增量惩罚权重；
所述纵向模型参数信息包括：纵向误差项惩罚权重、纵向控制量惩罚权重和纵向控制量增量惩罚权重。
6.根据权利要求2至4任一项所述的方法，其中，所述模型参数信息包括：横向误差项惩罚权重和纵向误差项惩罚权重；
所述衰减参数信息包括：针对所述横向误差项惩罚权重的第一衰减参数和针对所述纵向误差项惩罚权重的第二衰减参数。
7.根据权利要求1所述的方法，其中，所述模型参数信息包括：横向模型参数信息和纵向模型参数信息；所述利用所述模型预测控制器，根据所述模型参数序列以及所述车辆的期望轨迹，确定控制量序列，包括：
利用所述模型预测控制器中的横向模型，根据所述模型参数序列中各个所述预测时间点上的横向模型参数信息以及所述期望轨迹，确定各个所述预测时间点上的横向控制量；
利用所述模型预测控制器中的纵向模型，根据所述模型参数序列中各个所述预测时间点上的纵向模型参数信息以及所述期望轨迹，确定各个所述预测时间点上的纵向控制量；
根据各个所述预测时间点上的横向控制量和纵向控制量，确定所述控制量序列。
8.根据权利要求7所述的方法，其中，所述利用所述模型预测控制器中的横向模型，根据所述模型参数序列中各个所述预测时间点上的横向模型参数信息以及所述期望轨迹，确定各个所述预测时间点上的横向控制量，包括：
确定所述车辆状态信息中的横向车辆状态参数，以及各个所述预测时间点上的初始横向控制量；
利用所述横向模型，根据所述横向车辆状态参数以及各个所述预测时间点上的初始横向控制量，确定各个所述预测时间点上的预测横向车辆状态参数；
根据各个所述预测时间点上的预测横向车辆状态参数、所述期望轨迹中各个所述预测时间点上的期望横向车辆状态参数以及所述横向模型参数信息，构建第一目标函数；
根据所述第一目标函数的数值，对各个所述预测时间点上的初始横向控制量进行调整，以得到各个所述预测时间点上的横向控制量。
9.根据权利要求7所述的方法，其中，所述利用所述模型预测控制器中的纵向模型，根据所述模型参数序列中各个所述预测时间点上的纵向模型参数信息以及所述期望轨迹，确定各个所述预测时间点上的纵向控制量，包括：
确定所述车辆状态信息中的纵向车辆状态参数，以及各个所述预测时间点上的初始纵向控制量；
利用所述纵向模型，根据所述纵向车辆状态参数以及各个所述预测时间点上的初始纵向控制量，确定各个所述预测时间点上的预测纵向车辆状态参数；
根据各个所述预测时间点上的预测纵向车辆状态参数、所述期望轨迹中各个所述预测时间点上的期望纵向车辆状态参数以及所述纵向模型参数信息，构建第二目标函数；
根据所述第二目标函数的数值，对各个所述预测时间点上的初始纵向控制量进行调整，以得到各个所述预测时间点上的纵向控制量。
10.根据权利要求1至4任一项所述的方法，其中，所述车辆状态信息包括以下车辆状态参数中的至少一种：横向车辆状态参数、纵向车辆状态参数、期望横向车辆状态参数、期望纵向车辆状态参数、横向车辆状态参数误差、纵向车辆状态参数误差。
11.一种车辆的自动驾驶控制装置，包括：
第一确定模块，用于确定车辆当前的车辆状态信息，以及所述车辆状态信息对应的模型参数序列，其中，所述模型参数序列包括：模型预测控制器在预测时域内各个预测时间点上的模型参数信息，其中，不同预测时间点上的模型参数信息不同；
第二确定模块，用于利用所述模型预测控制器，根据所述模型参数序列以及所述车辆的期望轨迹，确定控制量序列，其中，所述控制量序列中包括：各个所述预测时间点上的横向控制量和纵向控制量；
控制模块，用于根据所述预测时域内第一个预测时间点上的横向控制量和纵向控制量，对所述车辆进行自动驾驶控制处理。
12.根据权利要求11所述的装置，其中，所述第一确定模块包括：第一确定单元、第二确定单元、第三确定单元和第四确定单元；
其中，所述第一确定单元，用于确定车辆当前的车辆状态信息；
所述第二确定单元，用于确定所述车辆状态信息对应的基础模型参数信息以及衰减参数信息；
所述第三确定单元，用于根据所述基础模型参数信息以及所述衰减参数信息，确定所述预测时域内各个所述预测时间点上的模型参数信息；
所述第四确定单元，用于根据所述预测时域内各个所述预测时间点上的模型参数信息，确定所述车辆状态信息对应的模型参数序列。
13.根据权利要求12所述的装置，其中，所述第二确定单元具体用于，
将所述车辆状态信息输入预设的神经网络模型，获取所述神经网络模型输出的缩放比例信息；
根据所述缩放比例信息、参考模型参数信息以及参考衰减参数信息，确定所述车辆状态信息对应的基础模型参数信息以及衰减参数信息。
14.根据权利要求12所述的装置，其中，所述第三确定单元具体用于，
确定所述预测时域内各个所述预测时间点的序列号；
针对每个预测时间点，根据所述衰减参数信息以及所述序列号，确定所述预测时间点上的衰减比例信息；
根据所述基础模型参数信息以及所述预测时间点上的衰减比例信息，确定所述预测时间点上的模型参数信息。
15.根据权利要求11至14任一项所述的装置，其中，所述模型参数信息包括：横向模型参数信息和纵向模型参数信息；
所述横向模型参数信息包括：横向误差项惩罚权重、横向控制量惩罚权重和横向控制量增量惩罚权重；
所述纵向模型参数信息包括：纵向误差项惩罚权重、纵向控制量惩罚权重和纵向控制量增量惩罚权重。
16.根据权利要求12至14任一项所述的装置，其中，所述模型参数信息包括：横向误差项惩罚权重和纵向误差项惩罚权重；
所述衰减参数信息包括：针对所述横向误差项惩罚权重的第一衰减参数和针对所述纵向误差项惩罚权重的第二衰减参数。
17.根据权利要求11所述的装置，其中，所述模型参数信息包括：横向模型参数信息和纵向模型参数信息；所述第二确定模块包括：第五确定单元、第六确定单元和第七确定单元；
其中，所述第五确定单元，用于利用所述模型预测控制器中的横向模型，根据所述模型参数序列中各个所述预测时间点上的横向模型参数信息以及所述期望轨迹，确定各个所述预测时间点上的横向控制量；
所述第六确定单元，用于利用所述模型预测控制器中的纵向模型，根据所述模型参数序列中各个所述预测时间点上的纵向模型参数信息以及所述期望轨迹，确定各个所述预测时间点上的纵向控制量；
所述第七确定单元，用于根据各个所述预测时间点上的横向控制量和纵向控制量，确定所述控制量序列。
18.根据权利要求17所述的装置，其特征在于，所述第五确定单元具体用于，
确定所述车辆状态信息中的横向车辆状态参数，以及各个所述预测时间点上的初始横向控制量；
利用所述横向模型，根据所述横向车辆状态参数以及各个所述预测时间点上的初始横向控制量，确定各个所述预测时间点上的预测横向车辆状态参数；
根据各个所述预测时间点上的预测横向车辆状态参数、所述期望轨迹中各个所述预测时间点上的期望横向车辆状态参数以及所述横向模型参数信息，构建第一目标函数；
根据所述第一目标函数的数值，对各个所述预测时间点上的初始横向控制量进行调整，以得到各个所述预测时间点上的横向控制量。
19.根据权利要求17所述的装置，其中，所述第六确定单元具体用于，
确定所述车辆状态信息中的纵向车辆状态参数，以及各个所述预测时间点上的初始纵向控制量；
利用所述纵向模型，根据所述纵向车辆状态参数以及各个所述预测时间点上的初始纵向控制量，确定各个所述预测时间点上的预测纵向车辆状态参数；
根据各个所述预测时间点上的预测纵向车辆状态参数、所述期望轨迹中各个所述预测时间点上的期望纵向车辆状态参数以及所述纵向模型参数信息，构建第二目标函数；
根据所述第二目标函数的数值，对各个所述预测时间点上的初始纵向控制量进行调整，以得到各个所述预测时间点上的纵向控制量。
20.根据权利要求11至14任一项所述的装置，其中，所述车辆状态信息包括以下车辆状态参数中的至少一种：横向车辆状态参数、纵向车辆状态参数、期望横向车辆状态参数、期望纵向车辆状态参数、横向车辆状态参数误差、纵向车辆状态参数误差。
21.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1－10中任一项所述的方法。
22.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1－10中任一项所述的方法。
23.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1－10中任一项所述方法的步骤。
24.一种车辆，包括：如权利要求11至20任一项所述的车辆的自动驾驶控制装置。
CN202210517268.7A 2022-05-11 2022-05-11 车辆的自动驾驶控制方法、装置及电子设备 Pending CN114763149A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210517268.7A CN114763149A (zh) 2022-05-11 2022-05-11 车辆的自动驾驶控制方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210517268.7A CN114763149A (zh) 2022-05-11 2022-05-11 车辆的自动驾驶控制方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN114763149A true CN114763149A (zh) 2022-07-19

Family

ID=82364605

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210517268.7A Pending CN114763149A (zh) 2022-05-11 2022-05-11 车辆的自动驾驶控制方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN114763149A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118323142A (zh) * 2024-06-12 2024-07-12 知行汽车科技(苏州)股份有限公司 一种车辆横向控制方法、装置、设备及介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160347311A1 (en) * 2014-02-21 2016-12-01 Toyota Jidosha Kabushiki Kaisha Automatic drive control method for vehicle
US20180297638A1 (en) * 2017-04-12 2018-10-18 Toyota Jidosha Kabushiki Kaisha Lane change assist apparatus for vehicle
JP2018177181A (ja) * 2017-04-12 2018-11-15 トヨタ自動車株式会社 車線変更支援装置
US20200172093A1 (en) * 2018-11-29 2020-06-04 291, Daehak-ro Lane-based probabilistic motion prediction of surrounding vehicles and predictive longitudinal control method and apparatus
CN111315640A (zh) * 2017-09-22 2020-06-19 感知知识产权有限公司 用于控制车辆车道保持的方法和系统
CN112758109A (zh) * 2021-04-09 2021-05-07 北京主线科技有限公司 横向跟踪稳态偏差补偿方法及装置
CN113183953A (zh) * 2021-05-28 2021-07-30 北京理工大学 基于分布式驱动底盘的车辆碰后主动安全控制方法及系统
CN113183975A (zh) * 2021-05-28 2021-07-30 阿波罗智能技术(北京)有限公司 自动驾驶车辆的控制方法、装置、设备以及存储介质
CN113614652A (zh) * 2019-03-29 2021-11-05 三菱电机株式会社 模型预测控制装置、模型预测控制程序、模型预测控制系统及模型预测控制方法
CN113759729A (zh) * 2021-10-13 2021-12-07 苏州挚途科技有限公司 车辆横向控制方法、装置及电子设备
CN114364592A (zh) * 2019-06-10 2022-04-15 Lit汽车公司 用于自动驾驶车辆的轨迹形状生成的方法和装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160347311A1 (en) * 2014-02-21 2016-12-01 Toyota Jidosha Kabushiki Kaisha Automatic drive control method for vehicle
US20180297638A1 (en) * 2017-04-12 2018-10-18 Toyota Jidosha Kabushiki Kaisha Lane change assist apparatus for vehicle
JP2018177181A (ja) * 2017-04-12 2018-11-15 トヨタ自動車株式会社 車線変更支援装置
CN111315640A (zh) * 2017-09-22 2020-06-19 感知知识产权有限公司 用于控制车辆车道保持的方法和系统
US20200172093A1 (en) * 2018-11-29 2020-06-04 291, Daehak-ro Lane-based probabilistic motion prediction of surrounding vehicles and predictive longitudinal control method and apparatus
CN113614652A (zh) * 2019-03-29 2021-11-05 三菱电机株式会社 模型预测控制装置、模型预测控制程序、模型预测控制系统及模型预测控制方法
CN114364592A (zh) * 2019-06-10 2022-04-15 Lit汽车公司 用于自动驾驶车辆的轨迹形状生成的方法和装置
CN112758109A (zh) * 2021-04-09 2021-05-07 北京主线科技有限公司 横向跟踪稳态偏差补偿方法及装置
CN113183953A (zh) * 2021-05-28 2021-07-30 北京理工大学 基于分布式驱动底盘的车辆碰后主动安全控制方法及系统
CN113183975A (zh) * 2021-05-28 2021-07-30 阿波罗智能技术(北京)有限公司 自动驾驶车辆的控制方法、装置、设备以及存储介质
CN113759729A (zh) * 2021-10-13 2021-12-07 苏州挚途科技有限公司 车辆横向控制方法、装置及电子设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118323142A (zh) * 2024-06-12 2024-07-12 知行汽车科技(苏州)股份有限公司 一种车辆横向控制方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
EP3593288B1 (en) Training action selection neural networks using look-ahead search
US12361305B2 (en) Neural architecture search for convolutional neural networks
US12223275B2 (en) Method of training model, device, and storage medium
US20240370707A1 (en) Distributional reinforcement learning
EP3446260B1 (en) Memory-efficient backpropagation through time
US8190537B1 (en) Feature selection for large scale models
EP4398159A2 (en) Asynchronous deep reinforcement learning
EP3888014B1 (en) Controlling robots using entropy constraints
CN110291540A (zh) 批再归一化层
EP4040421B1 (en) Method and apparatus for predicting traffic data and electronic device
EP3552156B1 (en) Neural episodic control
CN114202076A (zh) 深度学习模型的训练方法、自然语言处理方法和装置
CN114312843B (zh) 用于确定信息的方法和装置
CN114763149A (zh) 车辆的自动驾驶控制方法、装置及电子设备
CN114861318A (zh) 自动驾驶控制参数模型的训练方法、参数获取方法和装置
CN117350887A (zh) 一种基于机器学习的抽油机井筒结蜡程度分析方法及装置
CN114840924A (zh) 一种基于机器学习的车身曲面仿真预测方法及系统
CN114802203A (zh) 车辆的纵向控制方法、装置、存储介质和自动驾驶车辆
CN114771518B (zh) 一种车道中心指引线的生成方法、装置、电子设备及介质
CN118194689A (zh) 基于神经网络预测异性岩石结构面抗剪强度的方法和装置
CN118551573A (zh) 归因分析方法、模型微调方法、模型推理方法及装置
CN115402310A (zh) 一种巡航控制方法、装置、设备及存储介质
CN117649762A (zh) 一种行驶轨迹规划方法、装置及存储介质
CN119940554A (zh) 模型优化器、多跳问答模型训练、多跳问答方法和装置
CN114282101A (zh) 产品推荐模型的训练方法、装置、电子设备及存储介质

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