一种基于自然驾驶数据控制换挡的方法和装置

1.本发明涉及智能驾驶技术领域，具体而言，涉及一种基于自然驾驶数据控制换挡的方法和装置。


背景技术：

2.商用车，是广泛应用在在港口、工业园区、货物运输等领域用于运送人员和货物的汽车，目前自动挡商用车换挡规律是跟据汽车行驶行时节气门开度、加速踏板行程、发动机转速这三个信号来确定最佳换挡时机的，当三者信号数值变化到某一数值范围内，自动变速器的控制单元就会换入新的挡位。但是这三个信号的变化数据范围，并没有兼顾道路情况和燃油消耗情况。
3.自动挡商用车虽然能增加驾驶人员的舒适性，但与手动挡商用车相比，无法做到最佳挡位选择，有着燃油消耗量高、可操纵性差等缺点，因此需要一种技术方案，可以根据当前道路信息、环境信息，抓住最佳的换挡时机将挡位换入最佳的换挡挡位，在性能和效率上实现最佳。


技术实现要素：

4.第一方面，为实现上述目的，本技术提供了一种基于自然驾驶数据控制换挡的方法，包括以下步骤：
5.获取行驶车辆所在道路指定范围内公路信息，公路信息包括公路类型、周边环境、车道类型；
6.根据公路信息生成路网信息，从燃油经济性最佳驾驶数据集中动态匹配最佳驾驶行为，生成换挡决策信息，决策信息包括最优换挡挡位；
7.将换挡决策信息输出至驾驶端；
8.其中，获取车道类型包括：提取车道线图像，对车道线图像执行模糊化处理，判断和输出车道类型，其中车道类型包括直道、弯道。
9.进一步的，从燃油经济性最佳驾驶数据集中动态匹配最佳驾驶行为前，采集自然驾驶数据集，从自然驾驶数据集中提取燃油经济性最佳驾驶数据集；
10.采集自然驾驶数据集指：收集手动挡商用车的自然驾驶数据，自然驾驶数据包括车辆外形、挡位系统、燃油消耗量、加速踏板行程、制动踏板行程、节气门开度、车速、方向盘转角等信息。
11.从自然驾驶数据集中提取燃油经济性最佳驾驶数据集包括以下步骤：
12.从自然驾驶数据集中提取车辆类型识别准确的结果数据集；
13.从结果数据集中进行车辆类型分类和道路类型分类；
14.根据车辆类型和道路类型筛选燃油经济性最佳驾驶数据集，燃油经济性最佳驾驶数据集的筛选标准为燃油消耗量最小。
15.进一步的，从自然驾驶数据集中提取车辆类型识别准确的结果数据集包括以下步
骤：
16.从自然驾驶数据集中识别车辆外形特征，提取车辆类型识别准确的特征结果集；
17.采用聚类分析法依据车辆外形特征输出车辆类型结果；
18.其中，提取车辆外形特征包括初步筛选和归一化处理；
19.初步筛选指：采用损失函数分值对自然驾驶数据集中图像数据的识别结果进行筛选，生成特征结果集，具体算法为：
[0020][0021]
其中，li为损失函数分值，sj为错误判别类得分，s
yi
为正确判别类得分；
[0022]
如果li《＝0，即识别结果准确，对应图像数据加入特征结果集；
[0023]
归一化处理指：计算特征结果集中图像数据的识别准确率概率，根据识别准确率概率清除概率值低的特征结果集对应数据。
[0024]
进一步的，对车道线图像执行模糊化处理指；
[0025]
对车道线所在图像执行二值化处理，生成二值化图像；
[0026]
优化二值化图像；
[0027]
搜寻二值化图像的黑白跳跃点，获取车道线图像的边界；
[0028]
根据图像的边界判断车道类型。
[0029]
其中，优化二值化图像指：
[0030]
判断车道线环境条件是否需要执行补线操作；其中需要执行补线的环境条件包括：车道线缺失、十字路口、匝道、岔路口；
[0031]
如果所述环境条件为十字路口且车辆直行，计算斜率生成优化依据；如果所述环境条件为匝道、岔路口、十字路口左拐或右拐计算曲率生成优化依据；如果所述环境条件为车道线缺失，计算直线轨迹生成优化依据；
[0032]
进一步的，根据优化依据对二值化图像执行补线操作。
[0033]
另一方面，本技术提供了一种基于自然驾驶数据控制换挡的装置，包括：
[0034]
驾驶行为获取模块：用于采集手动挡商用车的自然驾驶数据，提供燃油经济性最佳驾驶数据集，自然驾驶数据包括车辆外形、挡位系统、燃油消耗量、加速踏板行程、制动踏板行程、节气门开度、车速、方向盘转角等信息。
[0035]
信息感知模块：用于与第三方系统交互，获取行驶车辆所在道路指定范围内公路信息，公路信息包括公路类型、车道类型，其中车道信息包括直道、弯道；
[0036]
匹配决策模块：用于根据公路信息生成路网信息，从燃油经济性最佳驾驶数据集中匹配最佳驾驶行为，生成换挡决策信息；
[0037]
人机交互模块：用于输出换挡决策信息，决策信息包括最优换挡挡位；
[0038]
其中，信息感知模块包括道路信息处理单元，用于从车道线图像中判断车道类型，包括对车道线图像执行模糊化处理，判断和输出车道类型。
[0039]
进一步的，驾驶行为获取模块包括：
[0040]
自然驾驶数据提取单元：用于收集手动挡商用车的自然驾驶数据；
[0041]
神经网络提取单元：用于从自然驾驶数据集中提取车辆类型识别准确的结果数据
集进行初步筛选；
[0042]
归一化处理单元：用于计算初步筛选后的结果数据集的识别准确率概率，提取概率值最高的数据值；
[0043]
聚类单元：用于从结果数据集中进行车辆类型分类和道路类型分类；
[0044]
堆排序单元：用于根据车辆类型和道路类型，使用堆排序算法，筛选燃油经济性最佳驾驶数据集。
[0045]
进一步的，匹配决策模块包括：
[0046]
路网重组单元：用于动态整合指定范围内道路行驶环境信息、路侧交通环境信息、车道信息，对路网进行更新与重组，生成动态行驶环境，其中动态行驶环境包括道路类型、车道类型；
[0047]
匹配单元：用于将动态道路类型、车道类型，结合控制车辆的车辆类型匹配燃油经济性最佳驾驶数据集中符合目前行驶环境的驾驶行为；
[0048]
决策信息生成单元：用于根据符合目前行驶环境的驾驶行为决策出相应的节气门开度、车速、发动机转矩、输出最优换挡挡位。
[0049]
进一步的，道路信息处理单元还包括图像优化子模块：用于对车道线图像执行模糊化处理时，对不完整的图像进行补全。
[0050]
根据本发明，基于商用车的手动挡自然驾驶数据，结合道路运行环境，可以对商用车的挡位控制进行仿人工智能的模拟控制，以实现在最佳的时机进行挡位控制，从而使商用车具有最佳的燃油经济性。
附图说明
[0051]
图1是根据本发明实施例提供的基于自然驾驶数据控制换挡的方法步骤图；
[0052]
图2是根据本发明实施例提供的基于自然驾驶数据控制换挡的方法逻辑流程图；
[0053]
图3是根据本发明实施例提供的方法中道路信息处理逻辑流程图；
[0054]
图4是根据本发明实施例提供的基于自然驾驶数据控制换挡的装置结构图。
具体实施方式
[0055]
本技术提供的技术方案，基于商用车的手动挡自然驾驶数据，结合道路运行环境，对商用车的挡位控制进行仿人工智能的模拟控制，以实现在最佳的时机选择最佳挡位控制，从而使商用车具有最佳的燃油经济性。
[0056]
下面结合说明书附图对本发明的基于自然驾驶数据控制换挡的方法详细描述，图1是具体的方法步骤图，如图所示，包括以下步骤：
[0057]
首先，本技术的方案是基于自然驾驶数据的技术方案，因此执行控制换挡之前，需要准备自然驾驶数据集。自然驾驶数据集可以通过第三方获取，也可以如本技术的步骤s100所示，收集手动挡商用车的自然驾驶数据生成自然驾驶数据集，从自然驾驶数据集中提取燃油经济性最佳驾驶数据集。
[0058]
其中自然驾驶数据包括车辆外形、挡位系统、燃油消耗量、加速踏板行程、制动踏板行程、节气门开度、车速、方向盘转角等信息。
[0059]
自然驾驶数据以自然驾驶形式展开，在车辆上安装好小型嵌入式数据采集设备后
由驾驶员驾驶，采集过程驾驶员在不知晓数据采集事项的情况下，呈现出自然运营的状态的各类数据。采集设备主要有车辆传感器、专用汽车can总线数据采集设备(canoe)、车载视频设备等。can总线数据采集设备由车载12v电压供电，经调试后四个数据采集通道分别连接至手动挡商用车obd接口，can高/低接口。商用车启动时该设备通电，实时记录手动挡商用车车若干运行数据及车辆传感器信号数据，并自动储存。
[0060]
本步骤中的自然驾驶数据集是一个包含了多种驾驶信息的信息集群，本技术中需要从中提取准确识别了商用车类型、道路类型的驾驶数据，并从中提取指定条件下的数据集，作为最佳驾驶数据集，以数据参考的方式，确定控制换挡的策略。从自然驾驶数据集中提取最佳驾驶数据集的过程如下：
[0061]
步骤s101：通过神经网络算法从自然驾驶数据集中识别车辆外形特征，以提取车辆类型识别准确的结果数据集，具体过程中，通过神经网络模型获取识别图像的百分制的识别得分值以及该识别得分值的正确度，采用损失函数，根据识别得分值和正确程度对识别结果进行初步筛选，损失函数定义如下：
[0062]
其中，li为损失函数分值sj为错误判别类得分，s
yi
为正确判别类得分。
[0063]
如果li＜＝0，即识别结果准确，对应图像数据的相关数据加入特征结果集；
[0064]
例如，使用一张半挂牵引车的照片进行识别，其识别成半挂牵引车的得分值为95，识别成客车的得分值为80，识别成货车的得分值为85，根据损失函数定义
[0065]
li＝max(0，80-95 1) max(0，85-95 1)＝max(0，-14) max(0，-9)＝0，
[0066]
损失函数结果值为0则表示识别结果正确，该照片对应的数据可进行特征结果集；
[0067]
当使用一张半挂牵引车的照片进行识别时，其识别成半挂牵引车的得分值为90，识别成客车的得分值为85，识别成货车的得分值为92，根据损失函数定义
[0068]
li＝max(0，85-90 1) max(0，92-90 1)＝max(0，-4) max(0，3)＝3，
[0069]
损失函数结果值为3，识别结果不准确，该图片对应数据不进入特征结果集。
[0070]
接下来，特征结果集中的数据，即损失函数结果值为《＝0的数据集的图像识别准确率用概率来描述，即归一化处理，根据识别准确率概率清除特征结果集中概率低的对应数据。
[0071]
首先将每幅图像的得分值x1，x2，x3......xn的分值放大，即以自然对数e为底数，分数值为指数。放大后每幅图像的得分值为按照归一化公式计算每幅图像的概率。概率值最大的图像对应的特征数据为即提取驾驶车辆外形特征的结果数据，同时，概率值小的图像对应的数据从结果数据集中清除。
[0072]
经过步骤s101筛选后的结果数据集，进行下一步的处理。
[0073]
步骤s102：车辆类型分类和道路类型分类；
[0074]
本步骤中，对步骤s101中获得的结果数据，采用聚类分析法按照商用车的种类进
行分类(商用车分为：客车、货车、半挂牵引车)，可得到三种商用车的对应的自然驾驶数据集；
[0075]
再根据行驶道路类型划分自然驾驶数据集，得到高速道路、城市道路、一般道路对应的自然驾驶数据集。
[0076]
步骤s103：根据车辆类型和道路类型筛选燃油经济性最佳驾驶数据集，筛选标准为燃油消耗量最小。
[0077]
本步骤中，采用大根堆的排序方式对步骤s102中分类后的自然驾驶数据集按照燃油消耗量的大小进行排序。
[0078]
堆排序法具体实施如下：将燃油消耗量数据{q1，q2，q3，......qn}放进一个完全二叉树中，由于大根堆每个结点的数值都大于或等于对应孩子结点的数值，即q1≥q
2i
1且q1≥q
2i
2。设当前元素在数组中以表示，那么它的左孩子右孩子父结点为首先，按大根堆的定义将数组调整为堆交换和其次，将调整为堆，交换和如此反复，直到交换了和为止。经过一系列的处理后，能够获取燃油经济性从小到大的有序结果数据集(燃油经济性最佳的驾驶数据集是指：燃油消耗量最小对应的驾驶数据集，该数据集包括：挡位系统、加速踏板行程、制动踏板行程、节气门开度、车速、方向盘转角)。
[0079]
本步骤中涉及多个处理流程，包括数据采集、在数据集中进行神经网络特征提取、提取结果的归一化处理、通过聚类分析法对商用车类型进行分类、用大根堆排序法根据燃油消耗量进行排序、生成最佳自然驾驶数据集，具体处理流程的先后顺序见图2中s200步骤所示，在以上流程完成后，燃油经济性最佳驾驶数据集准备完成，即可进行以下控制换挡的操作：
[0080]
步骤s110：获取行驶车辆所在道路指定范围内公路信息，例如使用智能网联技术中adas地图获取1公里以内的公路信息，按照公路类型分为城市道路、高速道路、一般道路；通过v2x进一步获取一公里路侧分发的交通事件、交通标志牌、交通参与者等信息；智能摄像机提取车道线图像数据，并将车道信息归类为直道、弯道两种类型。
[0081]
在车辆的实际换挡操作中，直行、转弯时，随道方向盘角度调整，车辆挡位也会随着调整，因此在本技术中，需要将车道类型数据加入动态匹配的条件中，获取行驶车辆所在道路指定范围内公路信息时，需要考虑弯道或直道的情况。
[0082]
本步骤中，对道路信息的归类如图3中s300所示，包括以下操作：提取车道线图像，对车道线图像执行模糊化处理，对模糊化处理后的图像进行分析，得出车道的类型。
[0083]
模糊化处理的过程，主要是对车道线所在图像执行二值化处理，生成二值化图像；根据二值化图像判断车道类型并输出归类结果。
[0084]
然而识别道路信息是通过车道来判断，现实场景中存在车道线缺失的场景，如车道线磨损缺失、十字路口、匝道、岔路口等，由这些原因造成车道图像的不完整，分析出的直道、弯道结果存在误差，因此生成二值化图像后，需要对其进行优化，以解决车道图像不完整的问题。
[0085]
优化二值化图像的操作包括：
[0086]
判断车道线环境条件是否需要执行补线操作，如果需要执行补线操作，由计算优
化依据，并按优化依据二值化图像执行补线操作。
[0087]
并本技术中，需要执行补线操作的环境条件包括：车道线缺失、十字路口、匝道、岔路口；如果所述环境条件为十字路口且车辆直行，计算斜率生成优化依据；如果所述环境条件为匝道、岔路口、十字路口左拐或右拐计算曲率生成优化依据；如果所述环境条件为车道线缺失，计算直线轨迹生成优化依据；
[0088]
根据二值化图像判断车道类型过程如下：采用横纵向巡线的方法搜寻二值化图像的黑白跳跃点，设二值化后图像分辨率m
×
n，左边界数组为右边界数组为纵向边界数组为verticalbround[m][n]，以图像第m行为起始巡线行，将第一次左右黑白跳跃点存到数组中，得到起始行的边界数组将第一次左右黑白跳跃点存到数组中，得到起始行的边界数组其中middle代表第m行的中心点，a代表以中心点为起始点向左寻第一次黑白跳跃点平移的列数，b代表以中心点为起始点向右寻第一次黑白跳跃点平移的列数，c代表纵向寻第一次黑白跳跃点平移的行数，再以得到的数组边界依次爬边寻找第一次黑白跳跃点，将整幅图像寻完便得到图像的边界。
[0089]
再根据优化依据计算道路的斜率、曲率或者直线轨迹，按照斜率或曲率或者直线轨迹进行补线，补线后的道路就是直道或弯道的一种。
[0090]
优化后的二值化图像可以更准确地提前预判直道和弯道，对应方向盘转角等信息，可以使动态匹配最佳驾驶行为时数据更准确，提高自动挡商用车的换挡效果，降低了自动挡商用车的燃油消耗量，增加了驾驶舒适性。
[0091]
步骤s120：将从步骤s110中获取的公路信息进行更新和重组，生成路网信息，从燃油经济性最佳驾驶数据集中匹配最佳驾驶行为，生成换挡决策信息；
[0092]
从燃油经济性最佳驾驶数据集中动态匹配最佳驾驶行为包括：将最佳驾驶数据集，结合步骤s110中获得的不断变化的道路行驶环境信息，路侧交通参与者(机动车、非机动车、行人及动物)结合最佳驾驶行为信息获取层，对路网进行更新与重组，匹配出自然驾驶数据集中符合目前行驶环境的驾驶行为(驾驶员踩加速踏板行程、制动踏板行程、方向盘转角)、决策出相应的节气门开度、车速、发动机转矩、输出最优换挡挡位，将匹配决策信息发送给车辆的域控制器，换挡决策信息中包括最优换挡挡位及对应的时机。
[0093]
步骤s130：将换挡决策信息输出至驾驶端；
[0094]
将域控制器处理和匹配决策后控制策略显示在驾驶端显示器上，驾驶员根据信息提示将挡位切换至最优挡位；也可以控制自动挡商用车按照逻辑控制进行挡位的切换，并按照燃油经济性最佳的驾驶行为操作，使自动挡商用车发动机转矩、车速、节气门开度达到决策值，形成操作闭环系统。
[0095]
由于本方法也适用于自动挡商用车，在原有自动挡换挡基础上增加了道路信息和燃油消耗量作为换挡依据，使其换挡控制在考虑传统动力性的基础上，进一步改善了油耗，降低了经济成本。
[0096]
本步骤中，对执行操作后的信息进行采集并反馈到车辆的域控制器。
[0097]
本技术提供的基于自然驾驶数据控制换挡的装置，与被控车辆的车辆中心域控制器交互。图4提供了本技术提供的基于自然驾驶数据控制换挡的装置结构图，如图所示，包
括以下部分：
[0098]
p400驾驶行为获取模块：用于提供手动挡商用车的自然驾驶数据，自然驾驶数据包括车辆外形、挡位系统、燃油消耗量、加速踏板行程、制动踏板行程、节气门开度、车速、方向盘转角等信息。
[0099]
驾驶行为获取模块中包括自然驾驶数据提取单元：用于收集手动挡商用车的自然驾驶数据等基础信息。
[0100]
驾驶行为获取模块还需要将自然驾驶数据进行筛选、分类，提取出燃油经济性最佳驾驶数据集用于控制换挡，为支持该功能，驾驶行为获取模块中包括以下部分：
[0101]
神经网络提取单元：用于从自然驾驶数据集中对车辆类型识别准确图像数据进行初步筛选，将识别正常的图像数据加入结果数据集中；
[0102]
归一化处理单元：用于计算初步筛选的结果数据集的识别准确率概率，提取概率值最高的数据值，将概率值最高的数据结果保留在结果数据集中，用于下一步的加工；
[0103]
聚类单元：用于从经过初步筛选和归一化处理后的结果数据集中进行车辆类型分类和道路类型分类，本步骤中涉及的车辆类型为商用车类型，包括：客车、货车、半挂牵引车，道路类型包括高速道路、城市道路、一般道路；
[0104]
堆排序单元：用于根据针对车辆类型和道路类型分类后的结果数据集，使用堆排序算法，针对燃油消耗量指标进行排序；因此，堆排序单元可以将结果数据集加工为按燃油消耗量排序的有序数据集合。在控制换挡的实施过程中，可以在该有序数据收集合中提取燃油消耗量最低的数据集合。
[0105]
p410信息感知模块：用于与第三方系统交互，获取行驶车辆所在道路指定范围内公路信息、车道信息，其中车道信息包括直道、弯道；
[0106]
在本模块中，支持的第三方系统如adas地图平台、y2x通讯平台、智能摄像机接口等。
[0107]
信息感知模块中对车道信息，通过道路信息处理单元来识别车道线图像，对车道线图像执行模糊化处理，判断和输出车道类型。
[0108]
由于车道线图像中存在车道不完整的情况，例如车道线磨损、处于十字路口等情况时，不能直接识别出车道信息，因此在道路信息处理单元中还包括图像优化子模块：用于对车道线图像执行模糊化处理时，对不完整的图像进行补全，以解决车道图像不完整的情况。
[0109]
p420匹配决策模块：用于根据公路信息生成路网信息，从自然驾驶数据中匹配最佳驾驶行为，生成换挡决策信息；
[0110]
匹配决策模块包括以下部分：
[0111]
路网重组单元：用于动态整合指定范围内道路行驶环境信息、路侧交通环境信息、车道信息，对路网进行更新与重组，生成动态行驶环境，动态行驶环境包括道路类型、车道类型；
[0112]
匹配单元：用于将动态道路类型、车道类型，结合控制车辆的车辆类型匹配燃油经济性最佳驾驶数据集中符合目前行驶环境的驾驶行为；
[0113]
决策信息生成单元：用于根据符合目前行驶环境的驾驶行为决策出相应的节气门开度、车速、发动机转矩、输出最优换挡挡位。
[0114]
匹配决策模块是在车辆行驶过程中，不断地获取新的公路信息，不断地更新换挡决策信息，因此整个匹配过程为动态的处理过程。
[0115]
p430人机交互模块：用于输出最优挡位等换挡决策信息。
[0116]
人机交互模块将域控制器处理和匹配决策后控制策略显示在显示器上，驾驶员根据信息提示将挡位切换至最优挡位；也支持自动挡商用车按照逻辑控制进行挡位的切换，并按照燃油经济性最佳的驾驶行为操作，使自动挡商用车发动机转矩、车速、节气门开度达到决策值，形成操作闭环系统。
[0117]
人机交互模块还支持将执行操作后的信息反馈给域控制器。
[0118]
本技术提供的技术方案，基于手动挡自然驾驶数据集的数据样本，其中的驾驶数据包括多辆各种类型车辆在各种道路环境中的驾驶行为信息，丰富的信息为本方法提供了数据支撑，使其适应范围广、可靠性强，同时，本技术中对道路环境获取中可能发生的缺陷进行优化，进一步提升预见性仿人智能控制换挡的有效性和准确性，能够最大限度的达到最佳换挡时机，降低燃油消耗量，达到最佳行驶状态。
[0119]
以上公开的仅为本发明的几个具体实施例，但是，本发明并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。