[發明專利]基于深度學習的適配控制方法與裝置

在審

• 申請號: 201710411253.1
• 申請日: 2017-06-05
• 公開（公告）號: CN106990714A
• 公開（公告）日: 2017-07-28
• 發明（設計）人: 李德毅;薛崇;鄭思儀;賈鵬
• 申請（專利權）人: 李德毅
• 主分類號: G05B13/04
• 分類號: G05B13/04;G05D1/02
• 代理公司: 天津市三利專利商標代理有限公司12107
• 代理人: 張義

1.一種基于深度學習的適配控制方法，其特征在于，利用深度神經網絡學習經驗駕駛員在多種駕車工況下，通過體感獲得反饋，對車輛實現人在回路的在線控制，生成適配控制器，應用于自駕駛車，適用于各種車型。

2.根據權利要求1所述的基于深度學習的適配控制方法，其特征在于，所述多種駕車工況能夠反映實際應用中駕車工況的不確定性，包括：不同天氣和/或不同路面、不同車輛平臺、不同載荷、不同道路曲率、不同速度。

3.根據權利要求1所述的基于深度學習的適配控制方法，其特征在于，所述各種車型指國家標準中給出的汽車類型，包括：普通乘用車、活頂乘用車、高級乘用車、小型乘用車、敞篷車、倉背乘用車、旅行車、多用途乘用車、短頭乘用車、越野乘用車、專用乘用車、旅居車、防彈車、救護車、殯儀車、客車、小型客車、城市客車、長途客車、旅游客車、鉸接客車、無軌電車、越野客車、專用客車、半掛牽引車、貨車、普通貨車、多用途貨車、全掛牽引車、越野貨車、專用作業車、專用貨車、汽車列車。

4.根據權利要求1或2或3所述的基于深度學習的適配控制方法，其特征在于，所述適配控制方法具體包括如下步驟：

(1)經驗駕駛員操控車輛的大樣本數據采集；

(2)深度神經網絡訓練，利用一個通用的循環神經網絡架構對步驟(1)中的大樣本數據進行深度學習，獲得穩定的網絡結構，形成數據驅動的模型；

(3)利用步驟(2)得到的模型制作適配控制器芯片。

5.根據權利要求4所述的基于深度學習的適配控制方法，其特征在于，步驟(1)具體包括：

經驗駕駛員在直線道路、螺旋線道路和不同泊車工況下駕駛車輛，道路要體現不同附著的路面摩擦、不同的俯仰，泊車工況除此之外還要體現狹小空間內對車輛的操控；

(1.1)依據駕駛地圖上的一次規劃軌跡，經驗駕駛員按預設速度直線駕駛，或按螺旋線道路駕駛，偏離預設軌跡的橫向誤差保持在規定范圍內；

依據駕駛地圖上的一次規劃軌跡，經驗駕駛員按預設速度完成限定空間范圍內的泊車，偏離預設軌跡的橫向誤差保持在規定范圍內；

(1.2)改變預設車速繼續重復多次試驗，并記錄數據。

6.根據權利要求4所述的基于深度學習的適配控制方法，其特征在于，步驟(1)中經驗駕駛員駕車工況的設定，需要結合特定的適配控制器應用場景。

7.根據權利要求4所述的基于深度學習的適配控制方法，其特征在于，步驟(1)中記錄的反映車輛運行狀態的參數是：車體速度、小計里程、發動機功率、車體航向角、俯仰角、側偏角、4輪或2個主動輪的轉速、4輪或2個主動輪的胎壓、2個轉向輪的轉角、車體振動頻率、振動幅度。

8.根據權利要求4所述的基于深度學習的適配控制方法，其特征在于，步驟(2)中所述通用的循環神經網絡架構采用長短時記憶(Long-Short Term Memory,LSTM)模型。

9.根據權利要求1所述的基于深度學習的適配控制方法，其特征在于，應用于自駕駛車時，適配控制器的輸入為當前時刻的油門踏板位移、制動踏板位移、方向盤轉角和車輛運行狀態參數，輸出為下一時刻的油門踏板位移、制動踏板位移、方向盤轉角，從而實現對自駕駛車的控制。

10.一種基于深度學習的適配控制裝置，其特征在于，包括大樣本數據采集單元、深度神經網絡訓練單元以及適配控制器：

所述大樣本數據采集單元，用于采集經驗駕駛員在多種駕車工況下，操控車輛的數據和反映車輛運行狀態的參數；

所述深度神經網絡訓練單元，用于利用一個通用的循環神經網絡架構學習上述獲得的大樣本數據，獲得穩定的網絡結構和網絡結構中各個狀態參數的權重，形成數據驅動的模型；

所述適配控制器，是將上述得到的模型制作成適配控制器芯片，應用于自駕駛車，適用于各種車型。