无人驾驶车辆调度及模型训练方法、设备、介质及程序与流程

摘要: 本发明实施例涉及无人驾驶,尤其涉及一种无人驾驶车辆调度及模型训练方法、设备、介质及程序。背景技术:1、无人驾驶车辆控制是保障车辆行驶速度稳定、制动精准、运行安全...
无人驾驶车辆调度及模型训练方法、设备、介质及程序与流程

本发明实施例涉及无人驾驶,尤其涉及一种无人驾驶车辆调度及模型训练方法、设备、介质及程序。

背景技术:

1、无人驾驶车辆控制是保障车辆行驶速度稳定、制动精准、运行安全的核心关键技术,直接决定车辆行驶的平顺性与可靠性,是无人驾驶系统实现自主行驶的重要基础。

2、目前无人驾驶车辆控制大多采用传统pid(proportional-integral-derivative,比例-积分-微分)控制或基于车辆动力学模型的模型预测控制。现有方案缺乏针对复杂、动态、时变自动驾驶实际工况的适配优化设计,无法结合实时行车环境动态调整控制策略,难以适配复杂路面、突发工况等非常规行驶场景的控制要求,容易产生车速调节滞后、制动响应存在偏差、行驶平顺性变差等问题,降低无人驾驶车辆的环境适应能力与行驶安全性,无法满足高阶自动驾驶系统在复杂动态场景下的稳定行驶控制需求。

技术实现思路

1、本发明实施例提供一种无人驾驶车辆调度及模型训练方法、设备、介质及程序,能够实现无人驾驶车辆驾驶行为的拟人化对齐,进而提升无人驾驶车辆在复杂动态场景下的行驶控制稳定性。

2、根据本发明的一方面,提供了一种无人驾驶车辆调度方法,应用于无人驾驶车辆,包括:

3、实时获取目标驾驶场景中目标无人驾驶车辆的多维运行感知数据;

4、调用车辆控制模型根据所述多维运行感知数据生成所述目标无人驾驶车辆的车辆运动控制指令;其中,所述车辆控制模型通过目标人工驾驶行为样本数据训练得到;

5、通过所述车辆运动控制指令对所述目标驾驶场景中的目标无人驾驶车辆进行调度。

6、根据本发明的另一方面,提供了一种无人驾驶车辆调度模型训练方法,包括:

7、获取全工况人工驾驶行为数据;

8、根据预设测试指标体系对所述全工况人工驾驶行为数据进行评分,得到各人工驾驶员的驾驶能力等级;

9、在确定目标人工驾驶员的驾驶能力等级为第一预设等级的情况下,将所述目标人工驾驶员对应的全工况人工驾驶行为数据作为目标人工驾驶行为样本数据;

10、根据所述目标人工驾驶行为样本数据对车辆控制模型进行训练;

11、将训练完成的所述车辆控制模型下发至目标驾驶场景中各无人驾驶车辆,以使所述无人驾驶车辆通过所述车辆控制模型执行本发明任一实施例所述的无人驾驶车辆调度方法。

12、根据本发明的另一方面,提供了一种无人驾驶车辆调度装置,配置于无人驾驶车辆,包括:

13、多维运行感知数据获取模块,用于实时获取目标驾驶场景中目标无人驾驶车辆的多维运行感知数据;

14、车辆运动控制指令生成模块,用于调用车辆控制模型根据所述多维运行感知数据生成所述目标无人驾驶车辆的车辆运动控制指令;其中,所述车辆控制模型通过目标人工驾驶行为样本数据训练得到;

15、目标无人驾驶车辆调度模块,用于通过所述车辆运动控制指令对所述目标驾驶场景中的目标无人驾驶车辆进行调度。

16、根据本发明的另一方面,提供了一种无人驾驶车辆调度模型训练装置,包括:

17、全工况人工驾驶行为数据获取模块,用于获取全工况人工驾驶行为数据;

18、驾驶能力等级确定模块,用于根据预设测试指标体系对所述全工况人工驾驶行为数据进行评分,得到各人工驾驶员的驾驶能力等级;

19、目标人工驾驶行为样本数据筛选模块,用于在确定目标人工驾驶员的驾驶能力等级为第一预设等级的情况下,将所述目标人工驾驶员对应的全工况人工驾驶行为数据作为目标人工驾驶行为样本数据;

20、车辆控制模型训练模块,用于根据所述目标人工驾驶行为样本数据对车辆控制模型进行训练;

21、车辆控制模型下发模块,用于将训练完成的所述车辆控制模型下发至目标驾驶场景中各无人驾驶车辆,以使所述无人驾驶车辆通过所述车辆控制模型执行本发明任一实施例所述的无人驾驶车辆调度方法。

22、根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:

23、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计算机程序,所述计算机程序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发明任一实施例所述的无人驾驶车辆调度方法或无人驾驶车辆调度模型训练方法。

24、根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的无人驾驶车辆调度方法或无人驾驶车辆调度模型训练方法。

25、根据本发明的另一方面,还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发明任一实施例所述的无人驾驶车辆调度方法或无人驾驶车辆调度模型训练方法。

26、本发明实施例通过实时获取目标驾驶场景中目标无人驾驶车辆的多维运行感知数据,并调用通过目标人工驾驶行为样本数据训练得到的车辆控制模型根据多维运行感知数据生成目标无人驾驶车辆的车辆运动控制指令。进一步的,通过车辆运动控制指令对目标驾驶场景中的目标无人驾驶车辆进行调度。其中,车辆控制模型是在云端训练得到的。具体的,通过获取全工况人工驾驶行为数据,根据预设测试指标体系对全工况人工驾驶行为数据进行评分,得到各人工驾驶员的驾驶能力等级,并在确定目标人工驾驶员的驾驶能力等级为第一预设等级的情况下,将目标人工驾驶员对应的全工况人工驾驶行为数据作为目标人工驾驶行为样本数据。进一步的,根据目标人工驾驶行为样本数据对车辆控制模型进行训练,并将训练完成的车辆控制模型下发至目标驾驶场景中各无人驾驶车辆。上述方案解决了现有无人驾驶车辆调度方法存在的场景适配性差以及动态控制性能不足的缺陷,能够实现无人驾驶车辆驾驶行为的拟人化对齐,进而提升无人驾驶车辆在复杂动态场景下的行驶控制稳定性。

27、应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

1.一种无人驾驶车辆调度方法,其特征在于,应用于无人驾驶车辆,包括:

2.根据权利要求1所述的方法,其特征在于,所述车辆控制模型包括驾驶决策模型和轨迹优化控制模型;所述调用车辆控制模型根据所述多维运行感知数据生成所述目标无人驾驶车辆的车辆运动控制指令,包括:

3.根据权利要求1所述的方法,其特征在于,所述方法还包括:

4.根据权利要求1所述的方法,其特征在于,所述方法还包括:

5.根据权利要求1、3或4任一所述的方法,其特征在于,所述目标无人驾驶车辆与调度中心进行通信,所述调度中心用于:

6.根据权利要求1所述的方法,其特征在于,所述方法还包括:

7.一种无人驾驶车辆调度模型训练方法,其特征在于,包括:

8.一种电子设备,其特征在于,所述电子设备包括:

9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-6中任一所述的无人驾驶车辆调度方法,或执行权利要求7所述的无人驾驶车辆调度模型训练方法。

10.一种计算机程序产品,其特征在于,包括计算机程序/指令,其中,所述计算机程序/指令被处理器执行时实现权利要求1-6中任一所述的无人驾驶车辆调度方法,或执行权利要求7所述的无人驾驶车辆调度模型训练方法。