一种无人驾驶设备的控制方法及控制装置与流程

1.本说明书涉及无人驾驶技术领域，尤其涉及一种无人驾驶设备的控制方法及控制装置。


背景技术：

2.随着无人驾驶技术的不断发展，诸如无人机、无人操控机器人、无人车等无人驾驶设备已经应用到了诸如物流行业、共享出行、公共交通等诸多领域中，不仅有效地降低了人力成本，还有效地提高了业务效率。
3.无人驾驶设备在实际行驶过程中，通常都会涉及自适应控制，即，通过预设的控制算法自动辨别当前所处的实际环境(如温度、坡度、摩擦系数等)，或是无人驾驶设备本身所涉及的各项参数(如胎压、方向盘零位等)，以实现无人驾驶设备的自适应控制。
4.然而，为了实现无人驾驶设备的自适应控制，通常需要将诸如坡度、摩擦系数、胎压等参数在用于控制无人驾驶设备的控制模型中表示出来，这样将极大的增加控制模型的复杂度，导致控制模型的计算效率较低。并且，在控制模型的构建过程中，可能会遗漏一些诸如引擎老化、传动轴磨损等其他未知因素，这导致最终构建出的控制模型可能并不能很准确的辨别出无人驾驶设备当前所处的实际环境以及本身所涉及的各项参数，进而导致无法实现对自身的准确自适应控制。


技术实现要素：

5.本说明书提供一种无人驾驶设备的控制方法及控制装置，以部分地解决现有技术存在的上述问题。
6.本说明书采用下述技术方案：
7.本说明书提供了一种无人驾驶设备的控制方法，包括：
8.获取无人驾驶设备的当前状态数据以及所述无人驾驶设备的历史状态数据；
9.根据所述当前状态数据以及所述历史状态数据，确定基于所述无人驾驶设备当前所处的实际环境以及所述无人驾驶设备当前自身实际设备状态而产生的状态量变化率；
10.确定以所述状态量变化率为约束条件下，所述无人驾驶设备当前的控制量，作为当前控制量；
11.根据所述当前控制量，对所述无人驾驶设备进行控制。
12.可选地，确定以所述状态量变化率为约束条件下，所述无人驾驶设备当前的控制量，作为当前控制量，具体包括：
13.确定所述无人驾驶设备所配置的控制量估计模型；
14.根据所述历史控制量、所述历史状态数据以及所述状态量变化率，对所述控制量估计模型进行多项式变换，以确定在所述无人驾驶设备处于所述当前实际环境以及所述当前自身实际设备状态的情况下，所述控制量估计模型对应的控制量优化模型；
15.根据所述控制量优化模型，确定所述当前控制量。
16.可选地，根据所述控制量优化模型，确定所述当前控制量，具体包括：
17.确定包含当前时刻的目标时间段；
18.根据所述控制量优化模型，以所述状态量变化率为约束条件下，对所述目标时间段内所述无人驾驶设备每个时刻所对应的控制量进行整体估计，得到在所述目标时间段内所述无人驾驶设备对应的估计控制量序列；
19.从所述估计控制量序列中确定所述当前控制量。
20.可选地，根据所述控制量优化模型，以所述状态量变化率为约束条件下，对所述目标时间段内所述无人驾驶设备每个时刻所对应的控制量进行整体估计，得到在所述目标时间段内所述无人驾驶设备对应的估计控制量序列，具体包括：
21.针对所述目标时间段内的每个时刻，根据所述控制量优化模型，确定该时刻对应的综合偏差；
22.根据所述综合偏差，确定在所述目标时间段内所述无人驾驶设备在各时刻对应的估计控制量序列。
23.可选地，所述综合偏差包括：该时刻对应的控制量偏差以及该时刻对应的状态量偏差；
24.针对所述目标时间段内的每个时刻，根据所述控制量优化模型，确定该时刻对应的综合偏差，具体包括：
25.针对所述目标时间段内的每个时刻，确定该时刻对应的期望控制量以及期望状态量；
26.根据所述控制量优化模型，确定该时刻对应的期望控制量与该时刻对应的目标控制量之间的控制量偏差，作为该时刻对应的控制量偏差，以及确定该时刻对应的期望状态量与该时刻对应的目标状态量之间的状态量偏差，作为该时刻对应的状态量偏差；
27.其中，该时刻对应的目标控制量包括：所述无人驾驶设备在该时刻对应的实际控制量，和所述无人驾驶设备在该时刻对应的估计控制量中的至少一种，该时刻对应的目标状态量包括：所述无人驾驶设备在该时刻对应的实际状态量，和所述无人驾驶设备在该时刻对应的估计状态量中的至少一种。
28.可选地，根据所述综合偏差，确定在所述目标时间段内所述无人驾驶设备对应的估计控制量序列，具体包括：
29.以所述目标时间段内每个时刻对应的综合偏差之和最小为优化目标，确定在所述目标时间段内所述无人驾驶设备对应的估计控制量序列。
30.可选地，所述方法还包括：
31.根据所述控制量优化模型，对所述控制量估计模型中包含的参数进行调整，得到调整后的所述控制量估计模型；
32.根据所述调整后的所述控制量估计模型，对所述无人驾驶设备进行控制。
33.本说明书提供了一种无人驾驶设备的控制装置，包括：
34.获取模块，用于获取无人驾驶设备的当前状态数据以及所述无人驾驶设备的历史状态数据；
35.变化率确定模块，用于根据所述当前状态数据以及所述历史状态数据，确定基于所述无人驾驶设备当前所处的实际环境以及所述无人驾驶设备当前自身实际设备状态而
产生的状态量变化率；
36.控制量确定模块，用于确定以所述状态量变化率为约束条件下，所述无人驾驶设备当前的控制量，作为当前控制量；
37.控制模块，用于根据所述当前控制量，对所述无人驾驶设备进行控制。
38.本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述无人驾驶设备的方法。
39.本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述无人驾驶设备的控制方法。
40.本说明书采用的上述至少一个技术方案能够达到以下有益效果：
41.在本说明书提供的无人驾驶设备的控制方法中，获取无人驾驶设备的当前状态数据以及无人驾驶设备的历史状态数据，而后，根据该当前状态数据以及该历史状态数据，确定基于无人驾驶设备当前所处的实际环境以及无人驾驶设备当前自身实际设备状态而产生的状态量变化率，再确定以该状态量变化率为约束条件下，无人驾驶设备当前的控制量，作为当前控制量，最后，根据该当前控制量，对无人驾驶设备进行控制。
42.从上述方法中可以看出，在本方法中根据无人驾驶设备的状态数据，确定出无人驾驶设备在当前时刻对应的状态量变化率，以该状态量变化率间接的反映出无人驾驶设备当前所处的实际环境以及自身实际设备状态在整体上对无人驾驶设备的影响，而后，在确定无人驾驶设备的当前控制量，求解以状态量变化率作为约束条件时下，无人驾驶设备当前的控制量。这样，相较于将控制量的众多影响因素都在控制量预测模型中体现出来的方式来说，本说明书中通过状态量变化率来体现无人驾驶设备当前所处的实际环境以及自身实际设备状态在整体上对无人驾驶设备的影响，故不再需要逐一确定每一个能够影响控制量预测模型准确性的影响因素，因而避免了由于遗漏诸如引擎老化、传动轴磨损等其他未知因素所导致的构建出的模型不准确的情况出现，进而使得无人驾驶设备可以实现对自身的准确自适应控制。更进一步的地，由于将众多的影响因素作为一个整体考虑，因而可以避免控制量预测模型过度复杂化，保证了控制量预测模型的计算效率。
附图说明
43.此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
44.图1为本说明书中一种无人驾驶设备的控制方法的流程示意图；
45.图2为本说明书中无人驾驶设备的控制方法执行时的详细流程的示意图；
46.图3为本说明书中一种无人驾驶设备的控制装置的示意图；
47.图4为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
48.为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本
说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本说明书保护的范围。
49.以下结合附图，详细说明本说明书各实施例提供的技术方案。
50.图1为本说明书中一种无人驾驶设备的控制方法的流程示意图，具体包括以下步骤：
51.步骤s100，获取无人驾驶设备的当前状态数据以及所述无人驾驶设备的历史状态数据。
52.目前，无人驾驶设备行驶过程中，需要基于训练好的模型，根据当前时刻无人驾驶设备的状态数据、上一时刻无人驾驶设备执行的控制量以及预先确定的规划轨迹，预测下一时刻无人驾驶设备的状态数据，并根据预测出的下一时刻无人驾驶设备的状态数据，求解出无人驾驶设备在当前时刻需要执行的控制量。相应地，当无人驾驶设备根据确定出的当前时刻需要执行的控制量对自身进行控制并行驶至下一时刻时，无人驾驶设备对应的状态数据也将转变为接近预测出的下一时刻无人驾驶设备的状态数据。
53.例如，t时刻无人驾驶设备的状态数据为x(t)，t
‑
1时刻无人驾驶设备执行的控制量为u(t
‑
1)。在对无人驾驶设备进行控制时，需要根据预先确定的规划轨迹，根据状态数据x(t)，和控制量u(t
‑
1)，预测t 1时刻无人驾驶设备的状态数据为x(t 1)。而后，根据该状态数据x(t 1)，求解从状态数据x(t)转变为状态数据x(t 1)时，t时刻无人驾驶设备需要执行的控制量为u(t)。
54.其中，上述无人驾驶设备的状态数据可以包括速度、加速度、角速度等参数。上述无人驾驶设备的控制量可以是间接或直接对状态数据产生影响的控制量，例如，油门开度、刹车开度、转向角度，档位变化等控制量。
55.需要说明的是，本说明书中无人驾驶设备的控制方法可由无人驾驶设备执行，也可以由为该无人驾驶设备提供业务支持的服务器执行。为了方便描述，后续以无人驾驶设备为执行主体为例进行说明。其中，应用本说明书提供的无人驾驶设备的控制方法的无人驾驶设备可以用于执行配送领域的配送任务，如，使用无人驾驶设备进行快递、物流、外卖等配送的业务场景。
56.步骤s102，根据所述当前状态数据以及所述历史状态数据，确定基于所述无人驾驶设备当前所处的实际环境以及所述无人驾驶设备当前自身实际设备状态而产生的状态量变化率。
57.实际场景中，由于受无人驾驶设备当前所处的实际环境以及自身实际设备状态的影响，无人驾驶设备根据求解出的控制量控制自身行驶所得到的实际状态数据，与求解得到该控制量时所预期达到的状态数据之间存在偏差。此时，需要确定出无人驾驶设备当前所处的实际环境以及自身实际设备状态，对预测模型的影响程度，进而，根据确定出的结果修正求解出的控制量，以实现无人驾驶设备对自身的准确自适应控制。
58.如此，对于历史上的任意时刻来说，无人驾驶设备在该时刻的状态数据基础上，根据求解出的该时刻的控制量行驶后，将得到下一时刻无人驾驶设备的实际状态数据。此时，从该时刻的状态数据到下一时刻的实际状态数据之间的状态数据差异，不仅受到无人驾驶设备执行的控制量的影响，还受到无人驾驶设备当前所处的实际环境以及自身实际设备状态的影响。因此，可以使用上述状态数据差异来间接体现，无人驾驶设备当前所处的实际环
境以及自身实际设备状态对无人驾驶设备的状态数据的影响。
59.所以，本说明书中使用状态量变化率，来表征无人驾驶设备在受到当前所处的实际环境、当前自身实际设备状态，以及前一时刻对应的控制量的综合影响下，当前时刻的状态数据相较于前一时刻的状态数据在单位时间内发生变化的程度。
60.具体实施时，无人驾驶设备将根据获取的当前状态数据和历史状态数据，确定无人驾驶设备在当前所处的实际环境以及当前自身实际设备状态的影响下，无人驾驶设备的状态数据将随之产生的状态量变化率。
61.具体地，无人驾驶设备可以根据获取的当前时刻的状态数据以及上一时刻的状态数据，确定无人驾驶设备从上一时刻行驶到当前时刻时自身的状态数据所产生的状态量变化率。
62.例如，记t时刻的状态数据为x(t)、t
‑
1时刻的状态数据为x(t
‑
1)。无人驾驶设备确定从t
‑
1时刻行驶到t时刻时对应的状态量变化率时，先获取t时刻的状态数据x(t)以及t
‑
1时刻的状态数据x(t
‑
1)，而后，确定在t
‑
1时刻到t时刻这一时间段内，无人驾驶设备的状态数据在单位时间内的变化率：并作为无人驾驶设备在t
‑
1时刻的状态量变化率，记为w(t
‑
1)。其中，τ为t
‑
1时刻到t时刻之间的时长。
63.一般来说，无人驾驶设备自行驶过程中，为了实现平稳行驶，采用的数据采集时间间隔是比较小的。这样，对于相邻近的若干个数据采集时间间隔来说，无人驾驶设备当前所处的实际环境以及无人驾驶设备当前自身实际设备状态可以看作是近似相同的。换句话说，就是对于相邻近的若干个数据采集时间间隔来说，即使无人驾驶设备当前所处的实际环境以及无人驾驶设备当前自身实际设备状态稍有不同，其对最终的求解结果的影响也可以忽略不计。也即，无人驾驶设备在t时刻由于坡度等当前所处的实际环境以及胎压等当前自身实际设备状态等因素导致的偏差，与t
‑
1时刻受坡度等当前所处的实际环境以及胎压等当前自身实际设备状态的影响导致的偏差保持一致。这样，可以将无人驾驶设备在t
‑
1时刻确定出的状态量变化率，作为无人驾驶设备在t时刻的状态量变化率。
64.另外，无人驾驶设备还可以从当前时刻开始，在时间上往前选取若干个时刻的状态数据，确定无人驾驶设备的状态数据在这些状态数据所对应的时长范围内，状态量变化率的加权平均值，再作为无人驾驶设备基于当前所处的实际环境以及当前自身实际设备状态而产生的状态量变化率。
65.步骤s104，确定以所述状态量变化率为约束条件下，所述无人驾驶设备当前的控制量，作为当前控制量。
66.具体实施中，无人驾驶设备首先确定无人驾驶设备所配置的控制量估计模型，而后，根据历史控制量、历史状态数据以及状态量变化率，对该控制量估计模型进行多项式变换，以确定在无人驾驶设备处于当前实际环境以及当前自身实际设备状态的情况下，该控制量估计模型对应的控制量优化模型，最后，根据该控制量优化模型，求解当前控制量。
67.其中，无人驾驶设备所配置的控制量估计模型，是预先训练好的控制量估计模型，该控制量估计模型可以看作是复杂函数。
68.为了便于后续数据处理，本说明书中可以将该控制量估计模型转化为由多项简单函数构成的复合函数。
69.具体实施中，无人驾驶设备根据历史控制量、历史状态数据以及状态量变化率，对该控制量估计模型进行多项式变换时，可以通过泰勒公式将该控制量估计模型，转化为由多项简单函数构成的复合函数。如此，无人驾驶设备可以针对任意时刻，构建出该时刻的控制量估计模型对应的泰勒展开式，进而，可以根据构建的该时刻的控制量估计模型对应的泰勒展开式以及确定的该时刻的状态量变化率，构建该时刻的控制量优化模型，以便于根据该控制量优化模型求解在无人驾驶设备处于当前实际环境以及当前自身实际设备状态的情况下，无人驾驶设备在该时刻的对应的控制量。
70.例如，无人驾驶设备所配置的控制量估计模型为：f(x(t),u(t))，在t＝t0时刻该控制量估计模型对应的泰勒展开式可以记为：δf(x(t),u(t))，无人驾驶设备在t0时刻的状态量变化率记为w(t0‑
1))。则根据控制量估计模型对应的泰勒展开式以及确定的状态量变化率，构建出的控制量优化模型的表达式可以简单记为：f(x(t),u(t))＝δf(x(t),u(t)) w(t0‑
1)。
71.本说明书中，无人驾驶设备构建出控制量优化模型后，将进一步的利用该控制量优化模型，求解出无人驾驶设备在当前时刻对应的控制量，即当前控制量。
72.其中，无人驾驶设备求解当前控制量时，先确定包含当前时刻的目标时间段，再根据控制量优化模型，以状态量变化率为约束条件下，对该目标时间段内无人驾驶设备每个时刻所对应的控制量进行整体估计，得到在该目标时间段内无人驾驶设备对应的估计控制量序列，进而从该估计控制量序列中确定出当前控制量。
73.具体实施中，无人驾驶设备首先确定目标时间段。在确定目标时间段时，无人驾驶设备可以从当前时刻开始，在时间上向前选取出连续的若干个时刻，并将由这些时刻和当前时刻确定的时间段作为目标时间段。无人驾驶设备也可以从当前时刻开始，向后选取出连续的若干个时刻，并将由这些时刻和当前时刻确定的时间段作为目标时间段。当然，无人驾驶设备还可以以当前时刻为基准，在时间上向前选取出连续的若干个时刻，再向后选取出连续的若干个时刻，而后，将由这些时刻和当前时刻确定的时间段作为目标时间段。
74.下面将以滑动窗口为7，当前时刻为t时刻为例，针对上述目标时间段的确定方式分别进行举例说明。
75.目标时间段确定方式一：只从历史时间中确定目标时间段，则针对t时刻确定的目标时间段可以为[t
‑
6，t]，对应地，后续求解出的该目标时间段内无人驾驶设备对应的估计控制量序列则可以包括：{u(t
‑
6)、u(t
‑
5)、u(t
‑
4)、u(t
‑
3)、u(t
‑
2)、u(t
‑
1)、u(t)}。
[0076]
目标时间段确定方式二：只从将来时间中确定目标时间段，则针对t时刻确定的目标时间段可以为[t，t 6]，对应地，后续求解出的该目标时间段内无人驾驶设备对应的估计控制量序列则可以包括：{u(t)、u(t 1)、u(t 2)、u(t 3)、u(t 4)、u(t 5)、u(t 6)}。
[0077]
目标时间段确定方式三：同时从历史时间和将来时间中确定目标时间段时，则针对t时刻确定的目标时间段可以是为[t
‑
3，t 3]，对应地，后续求解出的该目标时间段内无人驾驶设备对应的估计控制量序列则可以包括：{u(t
‑
3)、u(t
‑
2)、u(t
‑
1)、u(t)、u(t 1)、u(t 2)、u(t 3)}。
[0078]
在确定出目标时间段后，无人驾驶设备将进一步的确定目标时间段内无人驾驶设备对应的估计控制量序列。此时无人驾驶设备，首先针对目标时间段内的每个时刻，根据控制量优化模型，确定该时刻对应的综合偏差，再根据该综合偏差，求解在目标时间段内无人
驾驶设备在各时刻对应的估计控制量序列。
[0079]
其中，无人驾驶设备确定综合偏差时，先针对目标时间段内的每个时刻，确定该时刻对应的期望控制量以及期望状态量。而后，无人驾驶设备根据该控制量优化模型，确定该时刻对应的期望控制量与该时刻对应的目标控制量之间的控制量偏差，作为该时刻对应的控制量偏差，以及确定该时刻对应的期望状态量与该时刻对应的目标状态量之间的状态量偏差，作为该时刻对应的状态量偏差。
[0080]
需要说明的是，针对目标时间段内的每个时刻，该时刻对应的期望控制量和期望状态量是无人驾驶设备按照预先确定的规划轨迹行驶到该时刻时，期望无人驾驶设备达到的状态量以及期望无人驾驶设备执行的控制量。
[0081]
上述目标控制量和目标状态量是在无人驾驶设备当前所处的实际环境以及自身实际设备状态下行驶到该时刻时，无人驾驶设备的所处状态量以及需要执行的状态量。
[0082]
上述综合偏差，则可以体现出在目标时间段内，预测出的目标状态量与期望状态量之间的偏差，以及求解出的目标控制量与期望控制量之间的偏差的总体偏差水平。若该综合偏差越小，无人驾驶设备按照该目标控制量控制自身行驶时，得到的实际行驶轨迹与预先确定的规划轨迹越接近。其中，综合偏差可以包括：该时刻对应的控制量偏差以及该时刻对应的状态量偏差。该时刻对应的控制量偏差，表征在该时刻求解出的目标控制量与期望控制量之间的偏差，该时刻对应的状态量偏差，表征在该时刻预测出的目标状态量与期望状态量之间的偏差。
[0083]
需要说明的是，上述该时刻对应的目标控制量包括：无人驾驶设备在该时刻对应的实际控制量，和无人驾驶设备在该时刻对应的估计控制量中的至少一种。上述该时刻对应的目标状态量包括：无人驾驶设备在该时刻对应的实际状态量，和无人驾驶设备在该时刻对应的估计状态量中的至少一种。
[0084]
继续沿用上例，针对上述第一种目标时间段确定方式，该目标时间段内对应的目标控制量可以是无人驾驶设备在该时刻对应的实际控制量(即历史上实际执行的控制量)，也可以是无人驾驶设备在该时刻对应的估计控制量(在历史过程中所估计出的控制量)。该目标时间段内对应的目标状态量既可以是无人驾驶设备在该时刻对应的实际状态量(即历史上实际观测到的状态量)，也可以是无人驾驶设备在该时刻对应的估计状态量(即在历史过程中所估计出的状态量)。
[0085]
针对上述第二种目标时间段确定方式，该目标时间段内对应的目标控制量可以是无人驾驶设备在该时刻对应的估计控制量，该时刻对应的目标状态量可以是无人驾驶设备在该时刻对应的估计状态量。
[0086]
针对上述第三种目标时间段确定方式，针对目标时间段内历史上的每个时刻，该时刻对应的目标控制量既可以是无人驾驶设备在该时刻对应的实际控制量(即历史上实际执行的控制量)，也可以是无人驾驶设备在该时刻对应的估计控制量(在历史过程中所估计出的控制量)。该时刻对应的目标状态量既可以是无人驾驶设备在该时刻对应的实际状态量(即历史上实际观测到的状态量)，也可以是无人驾驶设备在该时刻对应的估计状态量(即在历史过程中所估计出的状态量)。针对目标时间段内将来的每个时刻，该目标时间段内对应的目标控制量可以是无人驾驶设备在该时刻对应的估计控制量，该时刻对应的目标状态量可以是无人驾驶设备在该时刻对应的估计状态量。
[0087]
最后，无人驾驶设备将以目标时间段内每个时刻对应的综合偏差之和最小为优化目标，求解在目标时间段内无人驾驶设备对应的估计控制量序列。
[0088]
也就是说，无人驾驶设备将综合偏差取值最小时对应的估计控制量序列，作为在目标时间段内无人驾驶设备对应的估计控制量序列，并将估计控制量序列中，每个时刻对应的估计控制量作为该时刻对应的控制量，而后按照目标时间段的确定方式，求解无人驾驶设备的当前控制量。
[0089]
步骤s106，根据所述当前控制量，对所述无人驾驶设备进行控制。
[0090]
具体的，无人驾驶设备求解出当前控制量后，则根据该当前控制量，控制无人驾驶设备行进，完成对自身的自适应控制。
[0091]
通过上述步骤求解无人驾驶设备的当前控制量，相较于将控制量的众多影响因素都在控制量预测模型中体现出来的方式来说，利用状态量变化率来体现无人驾驶设备当前所处的实际环境以及自身实际设备状态在整体上对无人驾驶设备的影响，故不再需要逐一确定每一个能够影响控制量预测模型准确性的影响因素，因而避免了由于遗漏诸如引擎老化、传动轴磨损等其他未知因素所导致的构建出的模型不准确的情况出现，进而使得无人驾驶设备可以实现对自身的准确自适应控制。更进一步的地，由于将众多的影响因素作为一个整体考虑，因而可以避免控制模型的过度复杂化，保证了控制模型的计算效率。
[0092]
此外，无人驾驶设备还可以根据控制量优化模型，对控制量估计模型中包含的参数进行调整，得到调整后的控制量估计模型，并根据调整后的控制量估计模型，对无人驾驶设备进行控制。如此，就可以使得调整后的控制量估计模型，求解出的控制量更为精准，进而可以实现无人驾驶设备更准确地自适应控制。
[0093]
下面将结合附图，以滑动窗口为7，当前时刻为t1时刻，仅从将来时间中选取目标时间段为例，详细说明执行本说明书中提供的无人驾驶设备的控制方法执行时的详细流程，具体参见图2。
[0094]
步骤s200，获取无人驾驶设备的当前状态数据x(t1)以及上一时刻状态数据x(t1‑
1)。
[0095]
步骤s202，根据当前状态数据以及历史状态数据，确定状态量变化率w(t1‑
1)。
[0096]
步骤s204，获取无人驾驶设备所配置的控制量估计模型f(x(t),u(t))。
[0097]
步骤s206，根据历史控制量、历史状态数据以及状态量变化率，对控制量估计模型进行多项式变换，得到控制量估计模型对应的控制量优化模型f(x(t),u(t))＝δf(x(t),u(t)) w(t1‑
1))。
[0098]
步骤s208，确定包含当前时刻的目标时间段[t1，t1 6]。
[0099]
步骤s210，针对目标时间段内的每个时刻，确定该时刻对应的期望控制量以及期望状态量
[0100]
步骤s212，针对目标时间段内的每个时刻，根据控制量优化模型，确定该时刻对应的综合偏差
[0101]
步骤s214，以目标时间段内每个时刻对应的综合偏差之和最小为优化目标，求解在目标时间段内无人驾驶设备对应的估计控制量序列{u(t1)、u(t1 1)、u(t1 2)、u(t1 3)、u(t1 4)、u(t1 5)、u(t1 6)}。
[0102]
步骤s216，从估计控制量序列中确定无人驾驶设备的当前控制量u(t1)。
[0103]
步骤s218，根据当前控制量u(t1)，对无人驾驶设备进行控制。
[0104]
以上为本说明书的一个或多个实施例提供的无人驾驶设备的控制方法，基于同样的思路，本说明书还提供了相应的无人驾驶设备的控制装置，如图3所示。
[0105]
图3为本说明书提供的一种无人驾驶设备的控制装置的示意图，具体包括：
[0106]
获取模块300，用于获取无人驾驶设备的当前状态数据以及所述无人驾驶设备的历史状态数据；
[0107]
变化率确定模块301，用于根据所述当前状态数据以及所述历史状态数据，确定基于所述无人驾驶设备当前所处的实际环境以及所述无人驾驶设备当前自身实际设备状态而产生的状态量变化率；
[0108]
控制量确定模块302，用于确定以所述状态量变化率为约束条件下，所述无人驾驶设备当前的控制量，作为当前控制量；
[0109]
控制模块303，用于根据所述当前控制量，对所述无人驾驶设备进行控制。
[0110]
可选地，所述控制量确定模块302，具体用于确定所述无人驾驶设备所配置的控制量估计模型；根据所述历史控制量、所述历史状态数据以及所述状态量变化率，对所述控制量估计模型进行多项式变换，以确定在所述无人驾驶设备处于所述当前实际环境以及所述当前自身实际设备状态的情况下，所述控制量估计模型对应的控制量优化模型；根据所述控制量优化模型，确定所述当前控制量。
[0111]
可选地，所述控制量确定模块302，具体用于确定包含当前时刻的目标时间段；根据所述控制量优化模型，以所述状态量变化率为约束条件下，对所述目标时间段内所述无人驾驶设备每个时刻所对应的控制量进行整体估计，得到在所述目标时间段内所述无人驾驶设备对应的估计控制量序列；从所述估计控制量序列中确定所述当前控制量。
[0112]
可选地，所述控制量确定模块302，具体用于针对所述目标时间段内的每个时刻，根据所述控制量优化模型，确定该时刻对应的综合偏差；根据所述综合偏差，确定在所述目标时间段内所述无人驾驶设备在各时刻对应的估计控制量序列。
[0113]
可选地，所述综合偏差包括：该时刻对应的控制量偏差以及该时刻对应的状态量偏差；
[0114]
所述控制量确定模块302，具体用于针对所述目标时间段内的每个时刻，确定该时刻对应的期望控制量以及期望状态量；根据所述控制量优化模型，确定该时刻对应的期望控制量与该时刻对应的目标控制量之间的控制量偏差，作为该时刻对应的控制量偏差，以及确定该时刻对应的期望状态量与该时刻对应的目标状态量之间的状态量偏差，作为该时刻对应的状态量偏差；其中，该时刻对应的目标控制量包括：所述无人驾驶设备在该时刻对应的实际控制量，和所述无人驾驶设备在该时刻对应的估计控制量中的至少一种，该时刻对应的目标状态量包括：所述无人驾驶设备在该时刻对应的实际状态量，和所述无人驾驶设备在该时刻对应的估计状态量中的至少一种。
[0115]
可选地，所述控制量确定模块302，具体用于以所述目标时间段内每个时刻对应的综合偏差之和最小为优化目标，确定在所述目标时间段内所述无人驾驶设备对应的估计控制量序列。
[0116]
可选地，所述控制装置还包括：
[0117]
调整模块304，用于根据所述控制量优化模型，对所述控制量估计模型中包含的参数进行调整，得到调整后的所述控制量估计模型；根据所述调整后的所述控制量估计模型，对所述无人驾驶设备进行控制。
[0118]
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1所示的针对共享充电宝业务的路线规划方法。
[0119]
本说明书还提供了图4所示的电子设备的示意结构图。如图4所述，在硬件层面，该无人驾驶设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的无人驾驶设备的控制方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
[0120]
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(programmable logic device,pld)(例如现场可编程门阵列(field programmable gate array，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardware description language，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advanced boolean expression language)、ahdl(altera hardware description language)、confluence、cupl(cornell university programming language)、hdcal、jhdl(java hardware description language)、lava、lola、myhdl、palasm、rhdl(ruby hardware description language)等，目前最普遍使用的是vhdl(very
‑
high
‑
speed integrated circuit hardware description language)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
[0121]
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(application specific integrated circuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc 625d、atmel at91sam、microchip pic18f26k20以及silicone labs c8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种
功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
[0122]
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
[0123]
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
[0124]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
[0125]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0126]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0127]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0128]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0129]
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
[0130]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd
‑
rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备
或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0131]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0132]
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
[0133]
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
[0134]
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。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0135]
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。