[go: up one dir, main page]

CN111931286B - 纵向动力学模型的训练方法、装置及设备 - Google Patents

纵向动力学模型的训练方法、装置及设备 Download PDF

Info

Publication number
CN111931286B
CN111931286B CN202010606285.9A CN202010606285A CN111931286B CN 111931286 B CN111931286 B CN 111931286B CN 202010606285 A CN202010606285 A CN 202010606285A CN 111931286 B CN111931286 B CN 111931286B
Authority
CN
China
Prior art keywords
acceleration
driving
dynamics model
historical
longitudinal dynamics
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.)
Active
Application number
CN202010606285.9A
Other languages
English (en)
Other versions
CN111931286A (zh
Inventor
张连川
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 CN202010606285.9A priority Critical patent/CN111931286B/zh
Publication of CN111931286A publication Critical patent/CN111931286A/zh
Priority to JP2021063411A priority patent/JP7257438B2/ja
Priority to EP21177297.5A priority patent/EP3910442A1/en
Priority to KR1020210083351A priority patent/KR20210089116A/ko
Priority to US17/361,044 priority patent/US20210323552A1/en
Application granted granted Critical
Publication of CN111931286B publication Critical patent/CN111931286B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/14—Adaptive cruise control
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • 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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/14—Adaptive cruise control
    • B60W30/143—Speed control
    • 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
    • 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
    • B60W50/0097—Predicting future conditions
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • 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
    • B60W2050/0001—Details of the control system
    • B60W2050/0002—Automatic control, details of type of controller or control system architecture
    • B60W2050/0004—In digital systems, e.g. discrete-time systems involving sampling
    • B60W2050/0005—Processor details or data handling, e.g. memory registers or chip architecture
    • 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
    • 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
    • B60W2540/00—Input parameters relating to occupants
    • 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
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/10—Accelerator pedal position
    • 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
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/12—Brake pedal position
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/10—Historical data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Geometry (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Human Computer Interaction (AREA)
  • Feedback Control In General (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本申请公开了纵向动力学模型的训练方法、装置、设备以及存储介质，涉及智能驾驶技术和深度学习技术领域。具体实现方案为：获取车辆中的纵向动力学模型；获取车辆在行驶过程中的历史驾驶数据，其中，历史驾驶数据包括历史踏板量、历史行驶速度以及历史加速度；根据历史踏板量和历史行驶速度生成训练数据，并输入至纵向动力学模型，以生成纵向动力学模型的预测数据；根据历史加速度生成目标数据；以及根据目标数据和预测数据对纵向动力学模型进行训练。本公开方案使得在实际对车辆进行控制的场景中，有效的减少控制误差。

Description

纵向动力学模型的训练方法、装置及设备
技术领域
本申请涉及智能驾驶技术领域，具体涉及深度学习技术领域，尤其涉及一种纵向动力学模型的训练方法、装置、电子设备及存储介质。
背景技术
作为智能交通系统的重要组成部分，智能汽车是一个集环境感知、规划决策以及运动控制等功能于一体的高新技术载体，其可在不同道路环境下实现自主驾驶，代表了汽车未来发展的重要方向。
运动控制是实现智能汽车自主驾驶的关键环节之一，其中，纵向运动控制作为其研究的主要内容，纵向动力学模型发挥着重要作用，因此，纵向动力学模型对于车辆控制而言十分重要。
发明内容
本申请提供了一种纵向动力学模型的训练方法、装置、电子设备以及存储介质。
根据第一方面，提供了一种纵向动力学模型的训练方法，包括：
获取车辆中的纵向动力学模型；
获取车辆在行驶过程中的历史驾驶数据，其中，历史驾驶数据包括历史踏板量、历史行驶速度以及历史加速度；
根据历史踏板量和历史行驶速度生成训练数据，并输入至纵向动力学模型，以生成纵向动力学模型的预测数据；
根据历史加速度生成目标数据；以及
根据目标数据和预测数据对纵向动力学模型进行训练。
根据第二方面，提供了一种纵向动力学模型的训练装置，包括：
第一获取模块，用于获取车辆中的纵向动力学模型；
第二获取模块，用于获取车辆在行驶过程中的历史驾驶数据，其中，历史驾驶数据包括历史踏板量、历史行驶速度以及历史加速度；
第一生成模块，用于根据历史踏板量和历史行驶速度生成训练数据，并输入至纵向动力学模型，以生成纵向动力学模型的预测数据；
第二生成模块，用于根据历史加速度生成目标数据；以及
第一训练模块，用于根据目标数据和预测数据对纵向动力学模型进行训练。
根据第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本申请第一方面的纵向动力学模型的训练方法。
根据第四方面，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，计算机指令用于使计算机执行本申请第一方面的纵向动力学模型的训练方法。
根据第五方面，提供了一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现本申请第一方面所述的纵向动力学模型的训练方法。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请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，不构成对本申请的限定。其中：
图1是根据本申请第一实施例的示意图；
图2是根据本申请第二实施例的示意图；
图3是根据本申请第三实施例的示意图；
图4是根据本申请第四实施例的示意图；
图5是根据本申请第五实施例的示意图；
图6是根据本申请第六实施例的示意图；
图7是根据本申请第七实施例的示意图；
图8是用来实现本申请实施例的纵向动力学模型的训练方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请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，而不会背离本申请的范围和精神。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。
为了解决相关技术中，由于车辆的动力学、传动系统轮胎动力学等问题，导致通用动力学模型参数多，且较为复杂，其中，通用动力学模型中的某些参数会随着车辆的使用时间发生变化，导致基于动力学很难对汽车进行平滑和舒适的控制的技术问题，本申请提出了纵向动力学模型的训练方法、装置、电子设备以及存储介质。
下面参考附图描述本申请实施例的纵向动力学模型的训练方法、装置、电子设备以及存储介质。
图1是根据本申请一个实施例的纵向动力学模型的训练方法的流程图。需要说明的是，本申请实施例的纵向动力学模型的训练方法可应用于本申请实施例的纵向动力学模型的训练装置，该训练装置配置在车辆，或者与车辆进行通信的电子设备中，该训练装置用于结合车辆中的历史驾驶数据对车辆中的纵向动力学模型实现实时在线训练，从而结合车辆中的历史驾驶数据对车辆中的纵向动力学模型进行调整，进而可提高后续基于调整后的纵向动力学模型对车辆进行控制的准确性，提高了车辆控制的准确性。
S101、获取车辆中的纵向动力学模型。
在本实施例中，纵向动力学模型，是指已学习得到纵向动力学知识的模型，能够对纵向动力学的数据进行处理。
其中，作为一种可能的实现方式，纵向动力学模型是通过纵向动力相关数据的训练样本数据训练得到。
作为另一种可能的实现方式，纵向动力学模型是通过深度置信网络学习训练得到的。
作为另一种可能的实现方式，纵向动力学模型可以是基于车辆中的驾驶控制表训练而得到，关于基于驾驶控制表训练得到纵向动力学模型的过程，将在本实施例中的后续实施例中描述。
S102、获取车辆在行驶过程中的历史驾驶数据。
例如，历史驾驶数可以是预设时间内的驾驶数据，其中，预设时间是预先设置的时间，预设时间可以为半年、一年、一年半等，例如，可获取车辆在半年的历史驾驶数据。
其中，历史驾驶数据包括每个历史时刻对应历史踏板量、历史行驶速度以及历史加速度。其中，历史踏板量，可以包括有历史油门踏板量，历史刹车踏板量。
在本申请的一个实施例中，训练装置可从车辆数据库中获取车辆在行驶过程中的历史驾驶数据。
举例而言，可通过电子设备从车辆数据库中获取车辆在行驶过程中的历史驾驶数据，其中，历史驾驶数据包括人工驾驶车辆过程中，车辆在历史同一时刻的踏板量、行驶速度以及加速度。可以理解的是，这里的人工驾驶过程可以是人工安全驾驶车辆未发生交通事故，而且驾驶过程中，车内乘客感觉比较舒适的驾驶过程。
在本申请的另一个实施例中，训练装置可从车载盒子中获取车辆在行驶过程中的历史驾驶数据，其中，车载盒子可以理解为作为无线网关为整车提供远程通讯接口，可以提供车辆驾驶数据、行车数据采集、车辆故障监控等服务。
在本申请的再一个实施例中，车辆中的多个传感器可实时采集踏板量、行驶速度以及加速度数据，并将实时采集的数据发送给训练装置，从而训练装置可获取多个传感器发送的历史驾驶数据。其中，多个传感器包括但不仅限于加速度传感器、速度传感器、压力传感器等。
S103、根据历史踏板量和历史行驶速度生成训练数据，并输入至纵向动力学模型，以生成纵向动力学模型的预测数据。
具体地，在获取到历史驾驶数据后，可将历史驾驶数据中的历史踏板量数据和历史行驶速度数据作为样本数据，以便生成训练数据，并将生成的训练数据输入至纵向动力模型中，以生成纵向动力学模型的预测数据。
也就是说，历史驾驶数据中的历史踏板量数据和历史行驶速度数据作为生成的训练数据，输入至纵向动力模型中，纵向动力学模型可输出加速度的预测数据，即预测加速度数据。
S104、根据历史加速度生成目标数据。
也就是说，获取到历史驾驶数据，可将历史驾驶数据中的历史加速度数据生成目标数据，即目标加速度数据。
S105、根据目标数据和预测数据对纵向动力学模型进行训练。
具体而言，可将历史同一时刻的历史踏板量和历史行驶速度输入到纵向动力学模型中，并获取纵向动力学模型中输出的预测加速度，并获取与该历史同一时刻的历史踏板量和历史行驶速度所对应的历史加速度(即目标数据)，然后，预测加速度和历史加速度之间的差异，对纵向动力学模型中的参数进行调整，直至纵向动力学模型输出的加速度与对应历史加速度匹配，从而实现对纵向动力学模型进行训练。
根据本申请实施例的纵向动力学模型的训练方法，获取车辆中的纵向动力学模型，获取车辆在行驶过程中的历史驾驶数据，其中，历史驾驶数据包括历史踏板量、历史行驶速度以及历史加速度，之后根据历史踏板量和历史行驶速度生成训练数据，并输入至纵向动力学模型，以生成纵向动力学模型的预测数据，根据历史加速度生成目标数据然后根据目标数据和预测数据对纵向动力学模型进行训练。通过历史驾驶数据可对纵向动力模型进行训练，使得纵向动力学的模型更优化，使得该模型的训练方法在实际对车辆进行控制的场景中，有效的减少控制误差。
为了使本领域的技术人员更容易理解本申请，图2是根据本申请一个具体实施例的纵向动力学模型的训练方法的流程图。图2是根据本申请一个实施例的纵向动力学模型的训练方法的示例图。如2所示，该纵向动力学模型的训练方法可以包括：
S201、获取车辆中的纵向动力学模型。
在本申请的一个实施例中，在获取车辆中的纵向动力学模型之前，可通过电子设备获取车辆中的驾驶控制表，以及将驾驶控制表中的加速度和驾驶速度作为深度置信网络的输入，并将驾驶控制表中与加速和驾驶速度对应的踏板量作为深度置信网络的输出，对深度置信网络进行训练，以得到纵向动力学模型。
其中，车辆中的驾驶控制表可通过以下方式建立：可通过建立车辆的历史踏板量、历史驾驶速度以及历史加速度之间映射关系的驾驶模型,将目标行驶速度以及目标加速度输入驾驶模型，获取驾驶模型输出的与目标行驶速度以及目标加速度所对应的目标踏板量，基于车辆的目标行驶速度以及目标加速度，与目标踏板量之间的对应关系，建立车辆的驾驶控制表。其中，驾驶控制表中的输入信息为目标驾驶速度以及目标加速度，驾驶控制表中的输出信息为目标踏板量。具体的实现过程可参考后续实施例。
举例而言，电子设备获取车辆中的驾驶控制表，可将驾驶控制表中的加速度和驾驶速度作为Deep Belief Network Framework(DBN，深度置信网络)的输入，并将驾驶控制表中与加速和驾驶速度对应的踏板量作为DBN的输出，对DBN进行训练，以得到纵向动力学模型，并获取纵向动力学模型。
S202、获取车辆在行驶过程中的历史驾驶数据。
其中，历史驾驶数据包括历史踏板量、历史行驶速度以及历史加速度。例如，历史踏板量，可以包括有历史油门踏板量，历史刹车踏板量。
举例而言，电子设备可从数据库中获取车辆在行驶过程中的历史驾驶数据。也就是可以理解为，获取车辆在行驶过程中，加速的时候历史油门踏板量、历史行驶速度以及历史加速度；以及获取车辆在行驶过程中，减速的时候历史刹车踏板量、历史行驶速度以及历史加速度。
S203、根据历史踏板量和历史行驶速度生成训练数据，并输入至纵向动力学模型，以生成纵向动力学模型的预测数据。
也就是说，历史驾驶数据中的历史踏板量数据和历史行驶速度数据作为生成的训练数据，输入至纵向动力模型中，纵向动力学模型可输出加速度的预测数据，即预测加速度数据。
S204、根据历史加速度生成目标数据。
也就是说，获取到历史驾驶数据，可将历史驾驶数据中的历史加速度数据生成目标数据，即目标加速度数据。
S205、根据目标数据和预测数据对纵向动力学模型进行训练。
也就是说，获取到预测加速度数据和目标加速度数据，可根据预测加速度数据和目标加速度数据之间的差异，对纵向动力学模型中的参数进行调整，直至纵向动力学模型输出的加速度与目标加速度数据匹配，从而实现对纵向动力学模型进行训练。
S206、获取为车辆预先设置的目标加速度和目标行驶速度。
也就是说，可预先设置车辆的加速度和行驶速度，并将设置的加速度和行驶速度作为目标加速度和目标行驶速度，从而可获取车辆预先设置的目标加速度和目标行驶速度。
S207、根据目标加速度和目标行驶速度，从驾驶控制表中，获取与目标加速度和目标行驶速度对应的第一候选踏板量。
也就是说，根据目标加速度和目标行驶速度，驾驶控制表基于速度、加速度以及踏板量的对应关系中，获取与目标加速度和目标行驶速度对应的第一候选踏板量。
S208、将目标加速度和目标行驶速度输入到纵向动力学模型中，以得到与目标加速度和目标行驶速度对应的第二候选踏板量。
也就是说，将目标加速度和目标行驶速度输入到纵向动力学模型中，可从纵向动力学模型中获取与目标加速度和目标行驶速度对应的第二候选踏板量。
S209、获取第一候选踏板量和第二候选踏板量之间的踏板量差值。
也就是说，电子设备可获取目标加速度和目标行驶速度在驾驶控制表中输出的第一候选踏板量，与目标加速度和目标行驶速度在纵向动力学模型中第二候选踏板量之间的差值。
S210、如果踏板量差值小于预设的差值阈值，则根据训练后的纵向动力学模型，对车辆的行驶进行控制。
也就是说，获取到第一候选踏板量和第二候选踏板量之间的踏板量差值，可将第一候选踏板量和第二候选踏板量之间的踏板量差值与预设差值进行比较，当踏板量差值小于预设的差值阈值时，则根据训练后纵向动力学模型输出的踏板量，对车辆的行驶进行控制。
其中，在本申请的实施例中，电子设备可通过获取车辆在预设路段的至少一个位置处所采用的预设加速度和预设行驶速度，之后将预设加速度和预设行驶速度输入到训练后的纵向动力学模型中，以得到至少一个位置处所采用的踏板量，然后根据至少一个位置处所采用的踏板量，对车辆在预设路段的行驶进行控制。
S211，如果踏板量差值大于或者等于预设的差值阈值，则根据驾驶控制表，对车辆的行驶进行控制。
也就是说，可将第一候选踏板量和第二候选踏板量之间的踏板量差值与预设差值进行比较，当踏板量差值大于或者等于预设的差值阈值时，则根据驾驶控制表输出的踏板量，对车辆的行驶进行控制。
为了使得本领域的技术人员清楚了解本申请，下面结合图3对该实施例的过程进行描述。如图3所示，纵向动力学模型和驾驶控制表两者为并行关系。
具体地，可获取为车辆布设的驾驶控制表，并基于图3中所示出的驾驶控制表，对深度置信网络DBN进行训练，以得到该车辆中的初始纵向动力学模型。
对应地，在该车辆运行的过程中，先基于车辆中所布设的驾驶控制表对车辆的行驶进行控制，并在车辆行驶的过程中，对车辆的驾驶数据进行记录，以得到车辆的历史驾驶数据。
在确定历史驾驶数据达到一定数量后，可基于历史驾驶数据对初始纵向动力学模型进行训练，以得到训练后的纵向动力学模型。
对应地，在获取动力学模型后，可获取为车辆预先设置的目标加速度和目标行驶速度，根据目标加速度和目标行驶速度，从驾驶控制表中，获取与目标加速度和目标行驶速度对应的第一候选踏板量，将目标加速度和目标行驶速度输入到纵向动力学模型中，以得到与目标加速度和目标行驶速度对应的第二候选踏板量，如果踏板量差值小于预设的差值阈值，则开启如图3所示中的纵向动力学模型，对车辆的驾驶进行控制，并关闭驾驶控制表输出。基于上述实施例的基础上，基于纵向动力学模型，对车辆的行驶进行控制之后，为了长期训练调优模型，达到随着车辆使用时间增长更新模型的目的，可对历史驾驶数据进行更新。
其中，在本申请的实施例中，对历史驾驶数据进行更新的具体实现方式如下：可通过车辆中的惯性测量单元确定车辆在当前时刻对应的实际加速度，之后获取当前时刻对应的预设加速度，然后获取实际加速度和预设加速度之间的加速度误差，如果加速度误差超过预设的误差阈值，则获取当前时刻对应的实际踏板量以及实际行驶速度，之后将实际加速度、实际踏板量以及实际行驶速度添加到历史驾驶数据中，以更新历史驾驶数据。
举例而言，可预先设置当前时刻对应的加速度，并获取该加速度，之后可通过IMU(Inertial Measurement Unit，惯性测量单元)检测并确定车辆当前时刻的实际加速度，之后将车辆当前实际加速度与预先设置的加速度的误值，如果误差值大于预设的误差阈值，将当前时刻实际的加速度、实际行驶速度及实际踏板量输入至纵向动力学模型中进行保存，并对历史驾驶数据进行更新，以实现对纵向动力学模型调优。
在本申请的一个实施例中，如果加速度误差未超过预设的误差阈值，可不对历史驾驶数据进行更新。
根据本申请实施例的纵向动力学模型的训练方法，通过历史驾驶数据可对纵向动力模型进行训练，然后可获取为车辆预先设置的目标加速度和目标行驶速度，之后获取目标加速度和目标行驶速度在驾驶控制表中输出的第一候选踏板量，与目标加速度和目标行驶速度在纵向动力学模型中第二候选踏板量之间的差值，根据训练后的纵向动力学模型，对车辆的行驶进行控制，并基于实际加速度、实际踏板量以及实际行驶速度对模型进行再次调优，实现对历史驾驶数据进行更新，使得调优后的纵向动力学的模型更优化，使得该模型的训练方法在实际对车辆进行控制的场景中，有效的减少控制误差。
与上述几种实施例提供的纵向动力学模型的训练方法相对应，本申请的一种实施例还提供一种纵向动力学模型的训练装置，由于本申请实施例提供的纵向动力学模型的训练装置与上述几种实施例提供的纵向动力学模型的训练方法相对应，因此在纵向动力学模型的训练方法的实施方式也适用于本实施例提供的纵向动力学模型的训练装置，在本实施例中不再详细描述。图4～图7是根据本申请一个实施例的纵向动力学模型的训练装置的结构示意图。
如图4所示，该纵向动力学模型的训练装置400包括：第一获取模块401、第二获取模块402、第一生成模块403、第二生成模块404和第一训练模块405。其中：
第一获取模块401用于获取车辆中的纵向动力学模型。
第二获取模块402用于获取所述车辆在行驶过程中的历史驾驶数据，其中，所述历史驾驶数据包括历史踏板量、历史行驶速度以及历史加速度；
第一生成模块403用于根据所述历史踏板量和历史行驶速度生成训练数据，并输入至所述纵向动力学模型，以生成所述纵向动力学模型的预测数据；
第二生成模块404用于根据所述历史加速度生成目标数据；以及
第一训练模块405用于根据所述目标数据和所述预测数据对所述纵向动力学模型进行训练。
根据本申请实施例的纵向动力学模型的训练装置，获取车辆中的纵向动力学模型，获取车辆在行驶过程中的历史驾驶数据，其中，历史驾驶数据包括历史踏板量、历史行驶速度以及历史加速度，之后根据历史踏板量和历史行驶速度生成训练数据，并输入至纵向动力学模型，以生成纵向动力学模型的预测数据，根据历史加速度生成目标数据然后根据目标数据和预测数据对纵向动力学模型进行训练。通过历史驾驶数据可对纵向动力模型进行训练，使得纵向动力学的模型更优化，使得该模型的训练方法在实际对车辆进行控制的场景中，有效的减少控制误差。
根据本申请的一个实施例，图5中501至505与图4中401至405具有相同功能和结构，如图5所示，作为一种示例，在所述第一获取模块501之前，所述装置还包括：第三获取模块506，用于获取所述车辆中的驾驶控制表；以及第二训练模块507，用于将所述驾驶控制表中的加速度和驾驶速度作为深度置信网络的输入，并将所述驾驶控制表中与所述加速和所述驾驶速度对应的踏板量作为所述深度置信网络的输出，对所述深度置信网络进行训练，以得到所述纵向动力学模型。
根据本申请的一个实施例，图6中601至607与图5中501至507具有相同功能和结构，如图6所示，作为一种示例，在所述第一训练模块605之后，所述装置还包括：第四获取模块608，用于获取为所述车辆预先设置的目标加速度和目标行驶速度；第五获取模块609，用于根据所述目标加速度和目标行驶速度，从所述驾驶控制表中，获取与所述目标速度和目标行驶速度对应的第一候选踏板量；第一输入模块610，用于将所述目标加速度和目标行驶速度输入到纵向动力学模型中，以得到与所述目标加速度和目标行驶速度对应的第二候选踏板量；第六获取模块611，用于获取所述第一候选踏板量和所述第二候选踏板量之间的踏板量差值；以及第一控制模块612，用于如果所述踏板量差值小于预设的差值阈值，则根据训练后的所述纵向动力学模型，对所述车辆的行驶进行控制。
在本申请的实施例中，所述第一控制模块612，包括：第一获取单元，用于获取所述车辆在预设路段的至少一个位置处所采用的预设加速度和预设行驶速度；第一输入单元，用于将所述预设加速度和所述预设行驶速度输入到训练后的所述纵向动力学模型中，以得到所述至少一个位置处所采用的踏板量；以及第一控制单元，用于根据所述至少一个位置处所采用的踏板量，对所述车辆在所述预设路段的行驶进行控制。
在本申请的实施例中，所述装置还包括：第二控制模块，用于如果所述踏板量差值大于或者等于预设的差值阈值，则根据所述驾驶控制表，对所述车辆的行驶进行控制。
根据本申请的一个实施例，图7中701至712与图6中601至612具有相同功能和结构，如图7所示，作为一种示例，在所述根据训练后的所述纵向动力学模型，对所述车辆的行驶进行控制之后，所述装置还包括：第一确定模块713，用于通过所述车辆中的惯性测量单元确定所述车辆在当前时刻对应的实际加速度；第七获取模块714，用于获取所述当前时刻对应的预设加速度；第八获取模块715，用于获取所述实际加速度和所述预设加速度之间的加速度误差；第九获取模块716，用于如果所述加速度误差超过预设的误差阈值，则获取所述当前时刻对应的实际踏板量以及实际行驶速度；更新模块717，用于将所述实际加速度、所述实际踏板量以及实际行驶速度添加到所述历史驾驶数据中，以更新所述历史驾驶数据。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图8所示，是根据本申请实施例的用以实现纵向动力学模型的训练方法的电子设备的框图。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/或者要求的本申请的实现。
如图8所示，该电子设备包括：一个或多个处理器801、存储器802，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器801为例。
存储器802即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的纵向动力学模型的训练方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的纵向动力学模型的训练方法。
存储器802作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的纵向动力学模型的训练方法对应的程序指令/模块(例如，附图4所示的第一获取模块401、第二获取模块402、第一生成模块403、第二生成模块404和第一训练模块405)。处理器801通过运行存储在存储器802中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的纵向动力学模型的训练方法。
存储器802可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据纵向动力学模型的训练的电子设备的使用所创建的数据等。此外，存储器802可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器802可选包括相对于处理器801远程设置的存储器，这些远程存储器可以通过网络连接至纵向动力学模型的训练的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
用以实现纵向动力学模型的训练方法的电子设备还可以包括：输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接，图8中以通过总线连接为例。
输入装置803可接收输入的数字或字符信息，以及产生与纵向动力学模型的训练的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置804可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处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、专用ASIC(专用集成电路)、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。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
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。
根据本申请实施例的技术方案，获取车辆中的纵向动力学模型，获取车辆在行驶过程中的历史驾驶数据，其中，历史驾驶数据包括历史踏板量、历史行驶速度以及历史加速度，之后根据历史踏板量和历史行驶速度生成训练数据，并输入至纵向动力学模型，以生成纵向动力学模型的预测数据，根据历史加速度生成目标数据然后根据目标数据和预测数据对纵向动力学模型进行训练。通过历史驾驶数据可对纵向动力模型进行训练，使得纵向动力学的模型更优化，使得该模型的训练方法在实际对车辆进行控制的场景中，有效的减少控制误差。
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，本发申请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，只要能够实现本申请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，并不构成对本申请保护范围的限制。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。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (15)

1.一种纵向动力学模型的训练方法，包括：
获取车辆中的纵向动力学模型；
获取所述车辆在行驶过程中的历史驾驶数据，其中，所述历史驾驶数据包括历史踏板量、历史行驶速度以及历史加速度；
根据所述历史踏板量和历史行驶速度生成训练数据，并输入至所述纵向动力学模型，以生成所述纵向动力学模型的预测数据；
根据所述历史加速度生成目标数据；以及
根据所述目标数据和所述预测数据对所述纵向动力学模型进行训练。
2.根据权利要求1所述的方法，其中，在所述获取车辆中的纵向动力学模型之前，所述方法还包括：
获取所述车辆中的驾驶控制表；以及
将所述驾驶控制表中的加速度和驾驶速度作为深度置信网络的输入，并将所述驾驶控制表中与所述加速和所述驾驶速度对应的踏板量作为所述深度置信网络的输出，对所述深度置信网络进行训练，以得到所述纵向动力学模型。
3.根据权利要求1所述的方法，其中，在所述根据所述目标数据和所述预测数据对所述纵向动力学模型进行训练之后，所述方法还包括：
获取为所述车辆预先设置的目标加速度和目标行驶速度；
根据所述目标加速度和目标行驶速度，从驾驶控制表中，获取与所述目标加速度和目标行驶速度对应的第一候选踏板量；
将所述目标加速度和目标行驶速度输入到纵向动力学模型中，以得到与所述目标加速度和目标行驶速度对应的第二候选踏板量；
获取所述第一候选踏板量和所述第二候选踏板量之间的踏板量差值；以及
如果所述踏板量差值小于预设的差值阈值，则根据训练后的所述纵向动力学模型，对所述车辆的行驶进行控制。
4.根据权利要求3所述的方法，其中，所述方法还包括：
如果所述踏板量差值大于或者等于预设的差值阈值，则根据所述驾驶控制表，对所述车辆的行驶进行控制。
5.根据权利要求3所述的方法，其中，所述根据训练后的所述纵向动力学模型，对所述车辆的行驶进行控制，包括：
获取所述车辆在预设路段的至少一个位置处所采用的预设加速度和预设行驶速度；
将所述预设加速度和所述预设行驶速度输入到训练后的所述纵向动力学模型中，以得到所述至少一个位置处所采用的踏板量；以及
根据所述至少一个位置处所采用的踏板量，对所述车辆在所述预设路段的行驶进行控制。
6.根据权利要求3－5中任一项所述的方法，其中，在所述根据训练后的所述纵向动力学模型，对所述车辆的行驶进行控制之后，所述方法还包括：
通过所述车辆中的惯性测量单元确定所述车辆在当前时刻对应的实际加速度；
获取所述当前时刻对应的预设加速度；
获取所述实际加速度和所述预设加速度之间的加速度误差；
如果所述加速度误差超过预设的误差阈值，则获取所述当前时刻对应的实际踏板量以及实际行驶速度；
将所述实际加速度、所述实际踏板量以及实际行驶速度添加到所述历史驾驶数据中，以更新所述历史驾驶数据。
7.一种纵向动力学模型的训练装置，包括：
第一获取模块，用于获取车辆中的纵向动力学模型；
第二获取模块，用于获取所述车辆在行驶过程中的历史驾驶数据，其中，所述历史驾驶数据包括历史踏板量、历史行驶速度以及历史加速度；
第一生成模块，用于根据所述历史踏板量和历史行驶速度生成训练数据，并输入至所述纵向动力学模型，以生成所述纵向动力学模型的预测数据；
第二生成模块，用于根据所述历史加速度生成目标数据；以及
第一训练模块，用于根据所述目标数据和所述预测数据对所述纵向动力学模型进行训练。
8.根据权利要求7所述的装置，其中，在所述第一获取模块之前，所述装置还包括：
第三获取模块，用于获取所述车辆中的驾驶控制表；以及
第二训练模块，用于将所述驾驶控制表中的加速度和驾驶速度作为深度置信网络的输入，并将所述驾驶控制表中与所述加速和所述驾驶速度对应的踏板量作为所述深度置信网络的输出，对所述深度置信网络进行训练，以得到所述纵向动力学模型。
9.根据权利要求7所述的装置，其中，在所述第一训练模块之后，所述装置还包括：
第四获取模块，用于获取为所述车辆预先设置的目标加速度和目标行驶速度；
第五获取模块，用于根据所述目标加速度和目标行驶速度，从驾驶控制表中，获取与目标加速度和目标行驶速度对应的第一候选踏板量；
第一输入模块，用于将所述目标加速度和目标行驶速度输入到纵向动力学模型中，以得到与所述目标加速度和目标行驶速度对应的第二候选踏板量；
第六获取模块，用于获取所述第一候选踏板量和所述第二候选踏板量之间的踏板量差值；以及
第一控制模块，用于如果所述踏板量差值小于预设的差值阈值，则根据训练后的所述纵向动力学模型，对所述车辆的行驶进行控制。
10.根据权利要求9所述的装置，其中，所述装置还包括：
第二控制模块，用于如果所述踏板量差值大于或者等于预设的差值阈值，则根据所述驾驶控制表，对所述车辆的行驶进行控制。
11.根据权利要求9所述的装置，其中，所述第一控制模块，包括：
第一获取单元，用于获取所述车辆在预设路段的至少一个位置处所采用的预设加速度和预设行驶速度；
第一输入单元，用于将所述预设加速度和所述预设行驶速度输入到训练后的所述纵向动力学模型中，以得到所述至少一个位置处所采用的踏板量；以及
第一控制单元，用于根据所述至少一个位置处所采用的踏板量，对所述车辆在所述预设路段的行驶进行控制。
12.根据权利要求9－11中任一项所述的装置，其中，在所述根据训练后的所述纵向动力学模型，对所述车辆的行驶进行控制之后，所述装置还包括：
第一确定模块，用于通过所述车辆中的惯性测量单元确定所述车辆在当前时刻对应的实际加速度；
第七获取模块，用于获取所述当前时刻对应的预设加速度；
第八获取模块，用于获取所述实际加速度和所述预设加速度之间的加速度误差；
第九获取模块，用于如果所述加速度误差超过预设的误差阈值，则获取所述当前时刻对应的实际踏板量以及实际行驶速度；
更新模块，用于将所述实际加速度、所述实际踏板量以及实际行驶速度添加到所述历史驾驶数据中，以更新所述历史驾驶数据。
13.一种电子设备，其特征在于，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1－6中任一项所述的纵向动力学模型的训练方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1－6中任一项所述的纵向动力学模型的训练方法。
15.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1－6中任一项所述的纵向动力学模型的训练方法。
CN202010606285.9A 2020-06-29 2020-06-29 纵向动力学模型的训练方法、装置及设备 Active CN111931286B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202010606285.9A CN111931286B (zh) 2020-06-29 2020-06-29 纵向动力学模型的训练方法、装置及设备
JP2021063411A JP7257438B2 (ja) 2020-06-29 2021-04-02 縦方向動力学モデルのトレーニング方法、装置及び機器
EP21177297.5A EP3910442A1 (en) 2020-06-29 2021-06-02 Method, apparatus, and device for training longitudinal dynamics model
KR1020210083351A KR20210089116A (ko) 2020-06-29 2021-06-25 종방향 동역학 모델의 트레이닝 방법, 장치 및 기기
US17/361,044 US20210323552A1 (en) 2020-06-29 2021-06-28 Method, device, and medium for training longitudinal dynamics model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010606285.9A CN111931286B (zh) 2020-06-29 2020-06-29 纵向动力学模型的训练方法、装置及设备

Publications (2)

Publication Number Publication Date
CN111931286A CN111931286A (zh) 2020-11-13
CN111931286B true CN111931286B (zh) 2024-06-14

Family

ID=73317718

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010606285.9A Active CN111931286B (zh) 2020-06-29 2020-06-29 纵向动力学模型的训练方法、装置及设备

Country Status (5)

Country Link
US (1) US20210323552A1 (zh)
EP (1) EP3910442A1 (zh)
JP (1) JP7257438B2 (zh)
KR (1) KR20210089116A (zh)
CN (1) CN111931286B (zh)

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112464564A (zh) * 2020-11-27 2021-03-09 北京罗克维尔斯科技有限公司 车辆动力学参数的确定方法和装置
CN112464577B (zh) * 2021-01-25 2021-04-20 魔门塔(苏州)科技有限公司 车辆动力学模型的构建及车辆状态信息预测方法、装置
CN115391167B (zh) * 2021-05-25 2025-01-17 比亚迪股份有限公司 控制器测试方法、装置、设备及介质
CN113380048B (zh) * 2021-06-25 2022-09-02 中科路恒工程设计有限公司 基于神经网络的高危路段车辆驾驶行为识别方法
CN115246410B (zh) * 2021-07-29 2023-07-25 上海仙途智能科技有限公司 参数更新方法、装置、设备及计算机可读存储介质
CN113778063B (zh) * 2021-09-16 2023-06-27 四川中鼎智能技术有限公司 基于纵向特征数据的设备控制方法及装置
CN114030476B (zh) * 2021-10-27 2023-06-20 东风汽车集团股份有限公司 一种车辆加速度控制方法及相关设备
CN114141015B (zh) * 2021-12-02 2022-09-27 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) 一种考虑车辆历史信息反馈的队列稳定性控制方法
CN114417498B (zh) * 2021-12-24 2024-07-02 中国航天空气动力技术研究院 整车风洞风速标定方法、装置、电子设备及介质
CN114495071B (zh) * 2022-01-27 2025-06-03 中国第一汽车股份有限公司 一种不良驾驶行为识别方法、装置、设备及介质
CN114441209B (zh) * 2022-01-28 2024-05-17 瑞幸咖啡科技(海南)有限公司 一种液体输出设备的校准方法、装置、设备和介质
CN114492654A (zh) * 2022-02-08 2022-05-13 蔚来汽车科技(安徽)有限公司 用于检测加速踏板误踩的方法及系统
CN114647763B (zh) * 2022-03-25 2025-04-04 阿波罗智能技术(北京)有限公司 无人车异常摆动行为的检测方法、设备及自动驾驶车辆
CN115470689A (zh) * 2022-03-30 2022-12-13 北京罗克维尔斯科技有限公司 车辆热管理模型的生成方法、车辆热管理测试方法及装置
CN115147953A (zh) * 2022-06-09 2022-10-04 中国第一汽车股份有限公司 刹车系统的监测告警方法、装置、电子设备及存储介质
CN115158329A (zh) * 2022-06-29 2022-10-11 中国第一汽车股份有限公司 驾驶风格的识别方法、车辆
CN115140052A (zh) * 2022-07-06 2022-10-04 合创汽车科技有限公司 驾驶模式切换方法、装置、整车控制器和存储介质
CN115451901B (zh) * 2022-09-07 2024-12-31 中国第一汽车股份有限公司 一种路面不平度的分类识别方法、装置、车辆及存储介质
CN115630488A (zh) * 2022-10-10 2023-01-20 嬴彻星创智能科技(上海)有限公司 车辆纵向动力学模型置信度评估方法及装置
CN115489521B (zh) * 2022-10-24 2025-12-05 中国第一汽车股份有限公司 车辆紧急制动的控制方法、装置和车辆
CN115964377A (zh) * 2022-12-14 2023-04-14 北京百度网讯科技有限公司 标定信息处理方法、装置、设备以及存储介质
CN116088293A (zh) * 2022-12-27 2023-05-09 合众新能源汽车股份有限公司 Pid控制器抗积分饱和的计算方法、装置及相关设备
CN117841965B (zh) * 2024-01-30 2025-01-24 重庆赛力斯凤凰智创科技有限公司 车辆运行参数丢失后对应时刻增程器的控制方法及装置
CN118722640B (zh) * 2024-05-21 2025-12-05 中国第一汽车股份有限公司 车辆的纵向运动控制方法及装置
KR102826565B1 (ko) * 2024-08-01 2025-06-27 주식회사 라이드플럭스 차량의 로깅 데이터 기반 차량의 동역학적 특성을 나타내는 차량 모델 추정방법, 장치 및 컴퓨터프로그램
CN119037505B (zh) * 2024-08-21 2026-01-09 北京城建智控科技股份有限公司 列车测速方法及装置
CN119428764B (zh) * 2024-12-11 2025-12-16 上海极豆科技有限公司 车辆运行方法、装置、电子设备及存储介质
CN119884890A (zh) * 2025-03-25 2025-04-25 佛山大学 基于物理信息神经网络的焊接结构载荷识别方法及系统
CN120183063A (zh) * 2025-03-26 2025-06-20 华夏云枢(北京)科技有限公司 一种车辆运行状态实时检测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109795506A (zh) * 2019-02-26 2019-05-24 百度在线网络技术（北京）有限公司 一种驾驶控制方法、装置及车辆
CN109878534A (zh) * 2019-02-22 2019-06-14 初速度（苏州）科技有限公司 一种车辆的控制方法、模型的训练方法和装置

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3956693B2 (ja) * 2001-12-27 2007-08-08 トヨタ自動車株式会社 統合型車両運動制御装置
JP2005216202A (ja) * 2004-02-02 2005-08-11 Fuji Heavy Ind Ltd 未来値予測装置および未来値予測方法
JP4781104B2 (ja) * 2005-12-28 2011-09-28 国立大学法人名古屋大学 運転行動推定装置、及び運転支援装置
JP2008146377A (ja) * 2006-12-11 2008-06-26 Toyota Central R&D Labs Inc 運転行動予測装置
JP2009001066A (ja) * 2007-06-19 2009-01-08 Toyota Motor Corp 車両用アクセルペダル誤操作検出装置
US10108863B2 (en) * 2015-09-03 2018-10-23 Miovision Technologies Incorporated System and method for detecting and tracking objects
CN106968814B (zh) * 2017-05-25 2019-06-18 东南大学 一种电子节气门控制系统的控制方法
CN107300863B (zh) * 2017-07-12 2020-01-10 吉林大学 一种基于map图和在线标定的纵向加速度控制方法
US11029693B2 (en) * 2017-08-08 2021-06-08 Tusimple, Inc. Neural network based vehicle dynamics model
CN109969172B (zh) * 2017-12-26 2020-12-01 华为技术有限公司 车辆控制方法、设备及计算机存储介质
US11328219B2 (en) * 2018-04-12 2022-05-10 Baidu Usa Llc System and method for training a machine learning model deployed on a simulation platform
EP3556629B1 (en) * 2018-04-19 2025-08-13 Volvo Car Corporation Method and system for vehicle curve speed restriction
WO2019229729A1 (en) * 2018-06-01 2019-12-05 Thales Canada Inc. Self learning vehicle control system
WO2019241612A1 (en) * 2018-06-15 2019-12-19 The Regents Of The University Of California Systems, apparatus and methods to improve plug-in hybrid electric vehicle energy performance by using v2c connectivity
CN109242251B (zh) * 2018-08-03 2020-03-06 百度在线网络技术（北京）有限公司 行车行为安全性检测方法、装置、设备及存储介质
CN110967991B (zh) * 2018-09-30 2023-05-26 百度（美国）有限责任公司 车辆控制参数的确定方法、装置、车载控制器和无人车
CN110027562A (zh) * 2019-04-29 2019-07-19 重庆工商大学 一种汽车的控制方法、装置及系统
CN110288154A (zh) * 2019-06-25 2019-09-27 北京百度网讯科技有限公司 速度预测方法、装置、设备和介质
CN111027618B (zh) * 2019-12-09 2022-05-20 西华大学 一种汽车动力性和经济性期望量化方法
CN111159878A (zh) * 2019-12-25 2020-05-15 交控科技股份有限公司 重载列车的加速度模型生成方法及动力学参数模拟方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109878534A (zh) * 2019-02-22 2019-06-14 初速度（苏州）科技有限公司 一种车辆的控制方法、模型的训练方法和装置
CN109795506A (zh) * 2019-02-26 2019-05-24 百度在线网络技术（北京）有限公司 一种驾驶控制方法、装置及车辆

Also Published As

Publication number Publication date
CN111931286A (zh) 2020-11-13
US20210323552A1 (en) 2021-10-21
EP3910442A1 (en) 2021-11-17
KR20210089116A (ko) 2021-07-15
JP7257438B2 (ja) 2023-04-13
JP2021121533A (ja) 2021-08-26

Similar Documents

Publication Publication Date Title
CN111931286B (zh) 纵向动力学模型的训练方法、装置及设备
US12221133B2 (en) Method for automatic control of vehicle and method for training lane change intention prediction network
US11392626B2 (en) Method and apparatus for acquiring map data
CN112735124B (zh) 交通数据的分析方法、装置、设备、车辆及存储介质
CN110823237B (zh) 起点绑路及预测模型获取方法、装置及存储介质
CN114705202B (zh) 地图更新及自动驾驶方法、装置、设备、介质及程序产品
CN112269930A (zh) 建立区域热度预测模型、区域热度预测的方法及装置
CN113119999A (zh) 自动驾驶特征的确定方法、装置、设备、介质及程序产品
CN113127489A (zh) 数据表更新方法和装置
WO2023098828A1 (zh) 车速拼接方法、装置、电子设备及存储介质
CN113391627A (zh) 无人车驾驶模式切换方法、设备、车辆及云端服务器
WO2025118534A1 (zh) 基于时序递归自回归推理的自动驾驶模型、方法和车辆
CN113593241B (zh) 车辆交互信息校验方法、装置、电子设备和可读介质
CN113139026A (zh) 导航过程中路线推荐方法、装置、设备和介质
CN110737669A (zh) 数据存储方法、装置、设备及存储介质
CN111724598A (zh) 用于规划路径的方法、装置、设备以及存储介质
CN120316360A (zh) 一种路径推荐方法、系统、设备及存储介质
CN112373471A (zh) 用于控制车辆行驶的方法、装置、电子设备和可读介质
CN114399659B (zh) 车辆控制信息生成方法、装置、设备和计算机可读介质
KR20250142930A (ko) 차량 연결 가시성을 위한 방법들 및 컴퓨팅 시스템들
CN118551806A (zh) 基于状态节点预测的自动驾驶模型、自动驾驶方法和装置
KR102519496B1 (ko) 차량 가속도계 전진축을 캘리브레이션하는 방법 및 장치
CN111959496B (zh) 用于车辆横向控制的模型生成方法、装置及电子设备
CN114834453A (zh) 数据处理方法、装置、车辆、设备和存储介质
CN113741180A (zh) 自动驾驶车辆模型的在线更新方法和装置

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20211012

Address after: 105 / F, building 1, No. 10, Shangdi 10th Street, Haidian District, Beijing 100085

Applicant after: Apollo Intelligent Technology (Beijing) Co.,Ltd.

Address before: 2 / F, baidu building, 10 Shangdi 10th Street, Haidian District, Beijing 100085

Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant