[發(fā)明專利]車輛控制信息的確定方法、模型訓練方法和相關裝置

有效

• 申請?zhí)枺?/td>: 201811623725.0
• 申請日: 2018-12-28
• 公開（公告）號: CN109492835B
• 公開（公告）日: 2021-02-19
• 發(fā)明（設計）人: 蘇英菲
• 申請（專利權）人: 東軟睿馳汽車技術（沈陽）有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/08;G06N3/04;B60R16/02
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 王寶筠

1.一種車輛控制信息的確定方法，其特征在于，所述方法包括：

獲取第一時刻車輛的相對位置信息、第一預設時間段內所述車輛的狀態(tài)信息和第二預設時間段內所述車輛的控制信息；所述相對位置信息是所述車輛在規(guī)劃路徑上所述第一時刻所在位置與第二時刻所到達位置之間的相對位置信息；所述第二時刻為所述第一時刻的下一時刻；所述第一預設時間段為所述第二預設時間段和第三預設時間段之和；所述第二預設時間段為所述第一時刻之前的一段時間，所述第三預設時間段為所述第一時刻之后的一段時間；

根據(jù)所述狀態(tài)信息和所述相對位置信息確定所述車輛對應的特征向量；

根據(jù)所述特征向量、所述第二預設時間段內所述車輛的控制信息和神經網絡模型確定所述第二時刻所述車輛的控制信息；

其中，所述神經網絡模型是根據(jù)所述特征向量、所述第二預設時間段內車輛的控制信息和所述第三預設時間段內車輛的控制信息訓練得到的，所述特征向量用于反映出車輛的相對位置和狀態(tài)的歷史信息，所述第二預設時間段內車輛的控制信息和所述第三預設時間段內車輛的控制信息是駕駛者在面對車輛的所述歷史信息對車輛進行控制的控制信息；

所述神經網絡模型為雙向循環(huán)卷積神經網絡模型，所述雙向循環(huán)卷積神經網絡向前層和向后層都連接著輸出層，向前和向后兩個方向的網絡結合到一起用于確定所述第二時刻所述車輛的控制信息。

2.根據(jù)權利要求1所述的方法，其特征在于，所述狀態(tài)信息包括車身朝向信息和速度信息，所述控制信息包括方向盤的轉角、剎車開度和油門開度。

3.根據(jù)權利要求1所述的方法，其特征在于，所述第一預設時間段包括所述第一時刻之前的m個時刻和所述第一時刻之后的m個時刻；所述第二預設時間段包括所述第一時刻之前的m個時刻；所述第三預設時間段為所述第一時刻之后的m個時刻；其中，m為正整數(shù)。

4.根據(jù)權利要求1所述的方法，其特征在于，所述根據(jù)所述狀態(tài)信息和所述相對位置信息確定所述車輛的特征向量，包括：

確定在地圖坐標系中所述狀態(tài)信息的多個分量信息；

根據(jù)所述多個分量信息和所述相對位置信息確定所述車輛的特征向量。

5.一種模型訓練方法，其特征在于，所述方法包括：

根據(jù)歷史駕駛數(shù)據(jù)獲取第一時刻車輛的相對位置信息，所述相對位置信息是所述車輛在規(guī)劃路徑上所述第一時刻所在位置與第二時刻所到達位置之間的相對位置信息；所述第二時刻為所述第一時刻的下一時刻；

根據(jù)歷史駕駛數(shù)據(jù)獲取第一預設時間段內所述車輛的狀態(tài)信息、第二預設時間段內所述車輛的控制信息和第三預設時間段內所述車輛的控制信息；所述第一預設時間段為所述第二預設時間段和所述第三預設時間段之和；所述第二預設時間段為所述第一時刻之前的一段時間；所述第三預設時間段為所述第一時刻之后的一段時間；

根據(jù)所述狀態(tài)信息和所述相對位置信息確定所述車輛對應的特征向量；

根據(jù)所述特征向量、所述第二預設時間段內所述車輛的控制信息和所述第三預設時間段內所述車輛的控制信息訓練神經網絡模型，所述神經網絡模型用于確定所述車輛在第二時刻的控制信息；所述第二時刻為所述第一時刻的下一時刻；其中，所述神經網絡模型是根據(jù)所述特征向量、所述第二預設時間段內車輛的控制信息和所述第三預設時間段內車輛的控制信息訓練得到的，所述特征向量用于反映出車輛的相對位置和狀態(tài)的歷史信息，所述第二預設時間段內車輛的控制信息和所述第三預設時間段內車輛的控制信息是駕駛者在面對車輛的所述歷史信息對車輛進行控制的控制信息；

所述神經網絡模型為雙向循環(huán)卷積神經網絡模型，所述雙向循環(huán)卷積神經網絡向前層和向后層都連接著輸出層，向前和向后兩個方向的網絡結合到一起用于確定所述第二時刻所述車輛的控制信息。

6.根據(jù)權利要求5所述的方法，其特征在于，所述狀態(tài)信息包括車身朝向信息和速度信息，所述控制信息至少包括方向盤的轉角、剎車開度和油門開度。