CN118545097B - 一种无人驾驶车辆的自动控制方法及系统 - Google Patents

Abstract

本发明涉及车辆控制领域，尤其涉及一种无人驾驶车辆的自动控制方法及系统。首先，获取道路基本信息数据和环境信息数据，并分别对基本信息数据和环境信息数据进行预处理和智能化处理，得到智能化处理后的基本信息数据和智能化处理后的环境信息数据；然后，基于智能化处理后的基本信息数据生成初步行驶路径，基于初步行驶路径和智能化处理后的环境信息数据优化初步行驶路径，得到最佳行驶路径，基于最佳行驶路径制定行驶策略，生成操作指令；将操作指令转换为车辆的控制指令，控制车辆的实际行动。解决了现有的在对无人驾驶车辆进行自动控制时，路径规划不准确，以及适应性较差，从而导致控制不精确的技术问题。

Description

一种无人驾驶车辆的自动控制方法及系统

技术领域

本发明涉及车辆控制领域，尤其涉及一种无人驾驶车辆的自动控制方法及系统。

背景技术

随着智能交通技术和无人驾驶技术的发展，无人驾驶车辆逐渐成为未来交通系统的重要组成部分。无人驾驶车辆能够通过自动感知、决策和控制技术，实现车辆在复杂交通环境中的自主行驶，具有减少交通事故、提高交通效率和降低能耗等优势。然而，无人驾驶车辆在实际应用中仍面临着多种技术挑战，尤其是在数据获取、环境感知、路径规划和车辆控制等方面。

目前，无人驾驶车辆的核心技术主要包括环境感知技术、路径规划技术和车辆控制技术。环境感知技术通过激光雷达、摄像头、雷达等传感器，实时获取车辆周围环境的信息，包括障碍物、行人、其他车辆及道路标识等数据。由于需要对多源异构数据进行融合和处理，以生成高精度的环境信息数据，所以传感器数据的准确性和实时性至关重要。

但上述技术至少存在如下技术问题：在对无人驾驶车辆进行自动控制时，对环境信息数据的处理准确性较差，路径规划不准确，以及路径规划的适应性较差，从而导致控制不精确的技术问题。

发明内容

本发明提供一种无人驾驶车辆的自动控制方法及系统，以解决在对无人驾驶车辆进行自动控制时，对环境信息数据的处理准确性较差，路径规划不准确，以及适应性较差，从而导致控制不精确的技术问题。

本发明的一种无人驾驶车辆的自动控制方法及系统，具体包括以下技术方案：

一种无人驾驶车辆的自动控制方法，包括以下步骤：

S1.获取道路基本信息数据和环境信息数据，并分别对基本信息数据和环境信息数据进行预处理和智能化处理，得到智能化处理后的基本信息数据和智能化处理后的环境信息数据；

S2.基于智能化处理后的基本信息数据生成初步行驶路径；基于初步行驶路径和智能化处理后的环境信息数据，采用智能多层路径优化算法优化初步行驶路径，具体实现过程为：

第一步，定义节点代价函数，评估每个路径节点的代价；

第二步，计算并综合多个层次的环境适应度；

第一层适应度的计算公式如下：

其中，是路径的第一层适应度，用于衡量路径与智能化处理后的环境信息数据的匹配度和路径的平滑度；是从初始时刻到终止时刻的总时间步数；表示时间点的智能化处理后的环境信息数据；是智能化处理后的环境信息数据的均值；是智能化处理后的环境信息数据的标准差；是时间的路径点；是时间的路径点；是相邻时间点之间的时间间隔；是正则化参数；

第二层适应度，计算公式如下：

其中，是路径的第二层适应度；是节点总数量；是节点的代价；

第三步，综合多个层次适应度，构建多目标优化函数，并定义优化目标；

第四步，采用多目标遗传算法进行路径优化，生成最佳行驶路径；

基于最佳行驶路径制定行驶策略，生成操作指令；将操作指令转换为车辆的控制指令，控制车辆的实际行动。

优选的，所述S1，具体包括：

对基本信息数据进行预处理，得到预处理后的基本信息数据；引入综合道路信息智能处理算法处理预处理后的基本信息数据。

优选的，所述S1，具体包括：

综合道路信息智能处理算法的具体实现过程为：

对预处理后的基本信息数据进行数据融合，得到融合后的基本信息数据；对融合后的基本信息数据进行非线性处理，生成综合的道路信息数据；对综合的道路信息数据进行处理与优化，生成智能化处理后的基本信息数据。优选的，所述S1，具体包括：

对环境信息数据进行预处理，对预处理后的环境信息数据使用环境信息数据融合优化算法进行智能化处理。

优选的，所述S1，具体包括：

环境信息数据融合优化算法的具体实现过程如下：

对预处理后的环境信息数据进行特征提取、特征降维、特征标准化和特征融合，得到融合后的环境信息特征；对融合后的环境信息特征进行优化处理，得到智能化处理后的环境信息数据。

优选的，所述S2，具体包括：

智能多层路径优化算法中的节点代价函数的具体公式如下：

其中，是节点的代价；是距离权重系数；是节点处的路径距离；是环境信息特征权重系数；是时间的第个智能化处理后的环境信息特征；是第个智能化处理后的环境信息特征的均值；是智能化处理后的环境信息特征的总数。

优选的，所述S2，具体包括：

智能多层路径优化算法中的多目标优化函数公式如下：

其中，是路径的总适应度；、是多目标优化权重，用于平衡第一层适应度和第二层适应度；

优化目标公式如下：

。一种无人驾驶车辆的自动控制系统，应用于上述的无人驾驶车辆的自动控制方法，包括以下部分：

数据获取模块，环境感知模块，数据智能处理模块，路径规划模块，路径优化模块，决策模块和自动控制模块；

数据获取模块，获取道路基本信息数据，并将基本信息数据发送至数据智能处理模块；环境感知模块，通过车辆传感器感知车辆周围的环境，得到环境信息数据，并将环境信息数据发送至数据智能处理模块；

数据智能处理模块，对基本信息数据和环境信息数据分别进行预处理和智能化处理，并将智能化处理后的基本信息数据和智能化处理后的环境信息数据分别发送至路径规划模块和路径优化模块；

路径规划模块，基于智能化处理后的基本信息数据，生成初步行驶路径，并将初步行驶路径发送至路径优化模块；

路径优化模块，基于初步行驶路径和智能化处理后的环境信息数据，得到最佳行驶路径，并将最佳行驶路径发送至决策模块；

决策模块，基于最佳行驶路径制定行驶策略，并基于行驶策略生成操作指令，并将操作指令发送至自动控制模块；

自动控制模块，将操作指令转换为车辆的控制指令，控制车辆的实际行动。

本发明的技术方案的有益效果是：

1、综合道路信息智能处理算法通过多级处理与优化，生成了全面且高精度的智能化处理后的基本信息数据。

2、智能多层路径优化算法综合多个层次的环境适应度，通过使用节点代价函数，计算路径平滑度和标准化误差等指标，动态调整和优化路径，提高了路径规划的精度和适应性。

3、采用多目标遗传算法进行路径优化，增强了多目标遗传算法的多样性和灵活性，确保路径优化过程不会陷入局部最优；通过不断的迭代优化，能够适应不同的道路条件和交通状况，提供更加灵活和可靠的路径规划方案。

附图说明

图1为本发明所述的一种无人驾驶车辆的自动控制系统结构图；

图2为本发明所述的一种无人驾驶车辆的自动控制方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，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。基于本发明中的实施例，本领域普通技术人员在没有做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。除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种无人驾驶车辆的自动控制方法及系统的具体方案。

参照附图1，其示出了本发明一个实施例所提供的一种无人驾驶车辆的自动控制系统结构图，该系统包括以下部分：

数据获取模块，环境感知模块，数据智能处理模块，路径规划模块，路径优化模块，决策模块和自动控制模块；

数据获取模块，获取如预设目标地点和实时道路信息的基本信息数据，并将基本信息数据发送至数据智能处理模块；

所述实时道路信息可以包括当前道路的交通状况、道路封闭信息、车道信息等；

环境感知模块，通过如激光雷达、摄像头、雷达等传感器实时感知车辆周围的环境，得到环境信息数据，并将环境信息数据发送至数据智能处理模块；

所述环境信息数据可以包括障碍物、行人等数据；

数据智能处理模块，对基本信息数据和环境信息数据分别进行预处理和智能化处理，并将智能化处理后的基本信息数据发送至路径规划模块，智能化处理后的环境信息数据发送至路径优化模块；

路径规划模块，根据智能化处理后的基本信息数据规划初步行驶路径，并将初步行驶路径发送至路径优化模块；

路径优化模块，基于智能化处理后的环境信息数据对初步行驶路径进行优化，得到最佳行驶路径，并将最佳行驶路径发送至决策模块；

决策模块，基于最佳行驶路径制定具体的行驶策略，并基于行驶策略生成操作指令，并将操作指令发送至自动控制模块；

自动控制模块，将操作指令转换为车辆的控制指令，控制车辆的实际行动，实现自动控制。

参照附图2，其示出了本发明一个实施例所提供的一种无人驾驶车辆的自动控制方法流程图，该方法包括以下步骤：

S1.获取道路基本信息数据和环境信息数据，并分别对基本信息数据和环境信息数据进行预处理和智能化处理，得到智能化处理后的基本信息数据和智能化处理后的环境信息数据；

通过如交通管理中心、云端服务器、车辆传感器的数据源获取道路基本信息数据，道路基本信息数据可以包括当前道路的交通状况、道路封闭信息、车道信息和交通流量等；将获得的道路基本信息数据进行如数据清洗、缺失值填补的预处理，得到预处理后的基本信息数据；

对预处理后的基本信息数据使用综合道路信息智能处理算法，具体实现过程如下：

对预处理后的基本信息数据进行数据融合，将不同来源的预处理后的基本信息数据进行加权融合，得到融合后的基本信息数据；

对融合后的基本信息数据进行非线性处理，生成综合的道路信息数据：

其中，是第k类综合的道路信息数据，是非线性处理后的数据；是第类融合数据，如融合后的车道信息或交通流量；是调节参数，用于平衡公式中平方和对数部分的影响；是融合数据的类别总数，表示参与融合的数据类型的数量；是调节参数，用于调整指数部分在非线性处理中的权重；是调节参数，用于平衡公式中平方根和余弦部分的影响；是调节参数，用于调整余弦部分在非线性处理中的权重。

对综合的道路信息数据进行多级处理与优化，生成最终的智能化处理后的基本信息数据：

一级处理：其中，是第类一级处理后的基本信息数据；是一级处理的调节参数，用于调整一级处理公式中的参数；是参与非线性处理后的数据类别总数；

二级处理：其中，是第类二级处理后的基本信息数据；是二级处理的调节参数，用于避免分母为零并调整公式中的非线性特性；是表示参与二级处理的一级处理数据类别总数；

三级处理与优化：其中，是第类最终的智能化处理后的基本信息数据，是经过多级处理与优化后的综合道路信息数据；是调节参数，用于调整公式中各部分的整体权重；是调节参数，用于调整公式中指数部分的权重和影响；是调节参数，用于调整对数部分的基础值；是表示参与三级处理的二级处理数据类别总数。

经过上述过程得到智能化处理后的基本信息数据。

进一步，通过如激光雷达、摄像头、雷达等设备获取环境信息数据，可以包括距离数据、图像数据和速度数据；对环境信息数据进行如滤波、去噪归一化的预处理，得到预处理后的环境信息数据，对预处理后的环境信息数据使用环境信息数据融合优化算法进行智能化处理，具体实现过程如下：

对预处理后的环境信息数据根据数据类型（数值、图像）采用不同的特征提取技术进行特征提取，如距离和速度的数值性数据采用的特征提取方法可以包括统计特征（如均值、标准差、最大值、最小值）和频域特征（如傅里叶变换得到的频谱特征）；如图像数据采用现有的卷积神经网络提取特征；将提取到的特征使用如主成分分析法进行特征降维处理，再将特征降维处理后的特征进行特征标准化处理，以确保特征在同一尺度上使用现有的预处理的多模态神经网络进行特征融合，得到融合后的环境信息特征；

对融合后的环境信息特征进行优化处理，得到智能化处理后的环境信息数据；优化处理公式如下：

其中，是时间智能化处理后的环境信息数据；第个融合后的环境信息特征的权重系数，用于平衡不同特征的影响；是时间的第个融合后的环境信息特征；是第个融合后的环境信息特征的均值；是第个融合后的环境信息特征的标准差；是融合后的环境信息特征的总数；是正则化参数，用于平衡特征值和变化率之间的关系；是时间点下融合后的环境信息特征的变化率，表示特征随时间的变化情况；是相邻时间点之间的时间间隔。S2.基于智能化处理后的基本信息数据生成初步行驶路径，基于初步行驶路径和智能化处理后的环境信息数据优化初步行驶路径，得到最佳行驶路径，基于最佳行驶路径制定行驶策略，生成操作指令；将操作指令转换为车辆的控制指令，控制车辆的实际行动。

基于智能化处理后的基本信息数据使用现有的启发式搜索算法（如基于A*算法）生成初步行驶路径。

基于初步行驶路径和智能化处理后的环境信息数据采用智能多层路径优化算法对初步行驶路径进行优化，得到最佳行驶路径。具体实现过程如下：

定义节点代价函数，用于评估每个路径节点的代价。所述路径节点是指车辆在行驶过程中必须经过的关键点，由专业人员进行确定。具体公式如下：

其中，是节点的代价，用于评估每个路径节点的综合成本；是距离权重系数，用于平衡路径距离在总代价中的影响；是节点处的路径距离，表示从起点到节点的行驶距离；是环境信息特征权重系数，用于平衡环境信息特征在总代价中的影响；是时间的第个智能化处理后的环境信息特征，表示特定时间点的环境感知数据；是第个智能化处理后的环境信息特征的均值，用于计算特征的偏差；是智能化处理后的环境信息特征的总数，表示智能化处理后的环境信息特征的数量。

在路径优化过程中，节点代价函数的结果将作为输入，直接影响到智能多层路径优化算法的目标函数。同时综合多个层次的环境适应度。

第一层适应度，计算公式如下：

其中，是路径的第一层适应度，用于衡量路径与智能化处理后的环境信息数据的匹配度和路径的平滑度；是智能化处理后的环境信息数据的标准化误差，用于评估路径与时间点智能化处理后的环境信息数据的偏离程度；是时间步数，表示从初始时刻到终止时刻的总时间步数；表示时间点的智能化处理后的环境信息数据；是智能化处理后的环境信息数据的均值，表示环境信息数据的期望值；是智能化处理后的环境信息数据的标准差，表示环境信息数据的离散程度；是路径的平滑度，表示路径点在时间和之间的变化率；是时间的路径点，表示车辆在时间的位置；是时间的路径点，表示车辆在时间的位置；是相邻时间点之间的时间间隔，用于计算路径点之间的变化率；是正则化参数，用于平衡路径平滑度和环境信息数据标准化误差之间的权重。

第二层适应度，计算公式如下：

其中，是路径的第二层适应度；表示路径中所有节点代价的总和，直接使用节点代价函数的结果；是节点总数量。

定义多目标优化函数；综合多个层次适应度，构建多目标优化函数。多目标优化函数公式如下：

其中，是路径的总适应度；、是多目标优化权重，用于平衡第一层适应度和第二层适应度。

优化目标，即最小化多目标优化函数。优化目标公式如下：

在路径优化过程中，采用多目标遗传算法进行路径优化。具体步骤包括：

第一步，初始化；生成初始路径种群，包含初始路径。

第二步，适应度计算；根据多目标优化函数计算每条路径的适应度值。

第三步，选择；选择适应度值较高的路径进入下一代。

第四步，交叉；对选中的路径进行交叉操作，生成新的路径。第五步，变异；对路径进行变异操作，增强种群多样性。

第六步，迭代；重复第二至五步，直到满足终止条件（如迭代次数或适应度阈值，适应度阈值根据专家经验法设定）。

综合上述过程，在初始化阶段，生成一个包含初始路径的路径种群 。然后，根据多目标优化函数计算每条路径的适应度值。适应度值越高的路径越有可能进入下一代。在选择阶段，从路径种群中选择适应度值较高的路径。接下来，对选中的路径进行交叉操作，生成新的路径。为了保持路径种群的多样性，对部分路径进行变异操作。最后，重复这些步骤，直到满足终止条件，如迭代次数达到预设值或适应度达到阈值。通过上述步骤，优化路径，生成最佳行驶路径。

进一步，将最佳行驶路径分解为R个路径段，每个路径段包含连续的路径点，对每个路径点提取位置信息和时间点，基于提取的位置信息和时间点，计算每个路径点之间的速度和加速度，基于速度和加速度的信息，制定具体的行驶策略，可以包括转向角度、目标速度、加速和减速指令；如当加速度大于预设阈值时，规划加速操作；当加速度小于预设阈值时，规划减速操作；当加速度等于预设阈值时，速度保持不变。根据行驶策略，生成操作指令，将操作指令转换为车辆的控制指令，控制车辆的实际行动，实现无人驾驶车辆的自动控制。

综上所述，完成了一种无人驾驶车辆的自动控制方法及系统。

发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

上述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (8)

1.一种无人驾驶车辆的自动控制方法，其特征在于，包括以下步骤：

S1.获取道路基本信息数据和环境信息数据，并分别对基本信息数据和环境信息数据进行预处理和智能化处理，得到智能化处理后的基本信息数据和智能化处理后的环境信息数据；

S2.基于智能化处理后的基本信息数据生成初步行驶路径；基于初步行驶路径和智能化处理后的环境信息数据，采用智能多层路径优化算法优化初步行驶路径，具体实现过程为：

第一步，定义节点代价函数，评估每个路径节点的代价；

第二步，计算并综合多个层次的环境适应度；第一层适应度的计算公式如下：

其中，是路径的第一层适应度，用于衡量路径与智能化处理后的环境信息数据的匹配度和路径的平滑度；是从初始时刻到终止时刻的总时间步数；表示时间点的智能化处理后的环境信息数据；是智能化处理后的环境信息数据的均值；是智能化处理后的环境信息数据的标准差；是时间的路径点；是时间的路径点；是相邻时间点之间的时间间隔；是正则化参数；第二层适应度，计算公式如下：

其中，是路径的第二层适应度；是节点总数量；是节点的代价；第三步，综合多个层次适应度，构建多目标优化函数，并定义优化目标；

第四步，采用多目标遗传算法进行路径优化，生成最佳行驶路径；基于最佳行驶路径制定行驶策略，生成操作指令；将操作指令转换为车辆的控制指令，控制车辆的实际行动。

2.根据权利要求1所述的一种无人驾驶车辆的自动控制方法，其特征在于，所述S1，具体包括：

对基本信息数据进行预处理，得到预处理后的基本信息数据；引入综合道路信息智能处理算法处理预处理后的基本信息数据。

3.根据权利要求2所述的一种无人驾驶车辆的自动控制方法，其特征在于，所述S1，具体包括：

综合道路信息智能处理算法的具体实现过程为：

对预处理后的基本信息数据进行数据融合，得到融合后的基本信息数据；对融合后的基本信息数据进行非线性处理，生成综合的道路信息数据；对综合的道路信息数据进行处理与优化，生成智能化处理后的基本信息数据。

4.根据权利要求1所述的一种无人驾驶车辆的自动控制方法，其特征在于，所述S1，具体包括：

对环境信息数据进行预处理，对预处理后的环境信息数据使用环境信息数据融合优化算法进行智能化处理。

5.根据权利要求4所述的一种无人驾驶车辆的自动控制方法，其特征在于，所述S1，具体包括：

环境信息数据融合优化算法的具体实现过程如下：

对预处理后的环境信息数据进行特征提取、特征降维、特征标准化和特征融合，得到融合后的环境信息特征；对融合后的环境信息特征进行优化处理，得到智能化处理后的环境信息数据。

6.根据权利要求1所述的一种无人驾驶车辆的自动控制方法，其特征在于，所述S2，具体包括：智能多层路径优化算法中的节点代价函数的具体公式如下：

其中，是节点的代价；是距离权重系数；是节点处的路径距离；是环境信息特征权重系数；是时间的第个智能化处理后的环境信息特征；是第个智能化处理后的环境信息特征的均值；是智能化处理后的环境信息特征的总数。

7.根据权利要求1所述的一种无人驾驶车辆的自动控制方法，其特征在于，所述S2，具体包括：

智能多层路径优化算法中的多目标优化函数公式如下：

其中，是路径的总适应度；、是多目标优化权重，用于平衡第一层适应度和第二层适应度；优化目标公式如下：

。

8.一种无人驾驶车辆的自动控制系统，应用于权利要求1所述的一种无人驾驶车辆的自动控制方法，其特征在于，包括以下部分：

数据获取模块，环境感知模块，数据智能处理模块，路径规划模块，路径优化模块，决策模块和自动控制模块；

数据获取模块，获取道路基本信息数据，并将基本信息数据发送至数据智能处理模块；

环境感知模块，通过车辆传感器感知车辆周围的环境，得到环境信息数据，并将环境信息数据发送至数据智能处理模块；

数据智能处理模块，对基本信息数据和环境信息数据分别进行预处理和智能化处理，并将智能化处理后的基本信息数据和智能化处理后的环境信息数据分别发送至路径规划模块和路径优化模块；

路径规划模块，基于智能化处理后的基本信息数据，生成初步行驶路径，并将初步行驶路径发送至路径优化模块；

路径优化模块，基于初步行驶路径和智能化处理后的环境信息数据，得到最佳行驶路径，并将最佳行驶路径发送至决策模块；

决策模块，基于最佳行驶路径制定行驶策略，并基于行驶策略生成操作指令，并将操作指令发送至自动控制模块；

自动控制模块，将操作指令转换为车辆的控制指令，控制车辆的实际行动。