一种车辆制动的控制方法、装置、电子设备及存储介质

1.本发明涉及车辆制动技术领域，尤其涉及一种车辆制动的控制方法、装置、电子设备及存储介质。


背景技术：

2.随着社会的发展，汽车已经融入到人们的日常生活的方方面面，为人类的生产、生活提供了极大的便利。城市道路拥堵，交通事故频发等成为了道路安全管制的一大难题，减少驾驶员对行车安全的影响，成为了大家首要考虑的问题。
3.车辆制动的传统控制方法是基于模型控制的，即认为车辆的控制、对象及干扰的模型是已知的或者是经过辨别可以得到的，在确定好模型后，根据车辆行驶状态数据来计算车辆的制动参数，从而实现对车辆的制动。
4.但是，被控制系统的结构和参数往往难以测量或辨识，很多被控制系统的结构和参数还具有不确定性，甚至在车辆行驶的过程中常常会发生突变，对于这些未知、不确定或知之甚少的控制系统，难以建立数学模型，因而使采用传统控制理论无法实现有效地控制。


技术实现要素：

5.有鉴于此，有必要提供一种车辆制动的控制方法、装置、电子设备及存储介质，用以解决现有技术中不能根据车辆的行驶状况调整计算的参数，以根据不同的车辆的行驶状况对车辆制动进行有效控制的问题。
6.为达到上述技术目的，本发明采取了以下技术方案：
7.第一方面，本发明提供了一种车辆制动的控制方法，包括：
8.基于第一神经网络模型，对采集的车辆环境图片和车辆行驶数据进行处理得到特征向量；
9.将特征向量输入至第二神经网络模型计算输出层数据更新第二神经网络模型的权重；
10.将特征向量输入至更新后的第二神经网络模型得到控制参数，基于控制参数对车辆进行制动控制。
11.在一些可能的实现方式中，基于第一神经网络模型，对采集的车辆环境图片和车辆行驶数据进行处理得到特征向量，包括：
12.对采集的车辆环境图片和车辆行驶数据进行预处理得到特征图；
13.通过第一神经网络模型对特征图进行处理得到特征向量。
14.在一些可能的实现方式中，将特征向量输入至第二神经网络模型计算输出层数据更新第二神经网络模型的权重，包括：
15.将特征向量输入至第二神经网络模型计算输出层数据；
16.根据输出层数据进行反向传播更新第二神经网络模型的权重。
17.在一些可能的实现方式中，将特征向量输入至第二神经网络模型计算输出层数
据，包括：
18.基于初始权重和初始偏置值，将特征向量前向传输并加权求和得到加权数据；
19.将加权数据输入至预设激活函数计算得到输出层数据。
20.在一些可能的实现方式中，将加权数据输入至预设激活函数计算得到输出层数据，包括：
21.通过sigmoid函数对加权数据进行线性变换处理；
22.通过tanh函数对变换后的加权数据零点均值化处理得到输出层数据。
23.在一些可能的实现方式中，根据输出层数据进行反向传播更新第二神经网络模型的权重，包括：将输出层数据输入预设损失函数更新第二神经网络模型的权重。
24.在一些可能的实现方式中，控制参数包括制动转矩和车轮转速；将特征向量输入至更新后的第二神经网络模型得到控制参数，对车辆进行制动控制，包括：
25.当制动转矩小于预设转矩阈值时，通过第一制动方式对车辆进行制动；
26.当制动转矩大于等于预设转矩阈值，且车轮转速小于预设转速阈值时，通过第二制动方式对车辆进行制动；
27.当制动转矩大于等于预设转矩阈值，且车轮转速大于等于预设转速阈值时，通过第三制动方式对车辆进行制动。
28.第二方面，本发明还提供了一种车辆制动的控制装置，包括：
29.处理模块，用于基于第一神经网络模型，对采集的车辆环境图片和车辆行驶数据进行处理得到特征向量；
30.更新模块，用于将特征向量输入至第二神经网络模型计算输出层数据更新第二神经网络模型的权重；
31.制动模块，用于将特征向量输入至更新后的第二神经网络模型得到控制参数，基于控制参数对车辆进行制动控制。
32.第三方面，本发明还提供了一种电子设备，包括存储器和处理器，其中，
33.存储器，用于存储程序；
34.处理器，与存储器耦合，用于执行存储器中存储的程序，以实现上述任一种实现方式中的车辆制动的控制方法中的步骤。
35.第四方面，本发明还提供了一种计算机可读存储介质，用于存储计算机可读取的程序或指令，程序或指令被处理器执行时，能够实现上述任一种实现方式中的车辆制动的控制方法中的步骤。
36.采用上述实施例的有益效果是：本发明涉及一种车辆制动的控制方法、装置、电子设备及存储介质，该方法包括：基于第一神经网络模型，对采集的车辆环境图片和车辆行驶数据进行处理得到特征向量；将所述特征向量输入至第二神经网络模型计算输出层数据更新所述第二神经网络模型的权重；将所述特征向量输入至更新后的第二神经网络模型得到控制参数，基于所述控制参数对车辆进行制动控制。本发明提供的一种车辆制动的控制方法、装置、电子设备及存储介质，先通过第一神经网络模型对采集的车辆环境图片和车辆行驶数据进行处理，消除初始数据中的干扰数据得到特征向量，从而提高对车辆制动控制的准确性，然后通过特征向量更新第二神经网络模型的权重，以适应不同的行驶状态，最后将特征向量输入至更新后的第二神经网络模型计算得到控制参数，通过控制参数以根据不同
networks，rnn)、卷积网络模型(convolutional neural networks，cnn)、深度生成模型(deep generative models，dgm)、生成式对抗网络(generative adversarial networks，gan)、长短期记忆网络模型(long/short term memory，lstm)、支持向量机(support vector machines，svm)、深度交叉模型(deep crossing)等。
52.与现有技术相比，本实施例提供的一种车辆制动的控制方法，该方法包括：基于第一神经网络模型，对采集的车辆环境图片和车辆行驶数据进行处理得到特征向量；将所述特征向量输入至第二神经网络模型计算输出层数据更新所述第二神经网络模型的权重；将所述特征向量输入至更新后的第二神经网络模型得到控制参数，基于所述控制参数对车辆进行制动控制。本发明提供的一种车辆制动的控制方法、装置、电子设备及存储介质，先通过第一神经网络模型对采集的车辆环境图片和车辆行驶数据进行处理，消除初始数据中的干扰数据得到特征向量，从而提高对车辆制动控制的准确性，然后通过特征向量更新第二神经网络模型的权重，以适应不同的行驶状态，最后将特征向量输入至更新后的第二神经网络模型计算得到控制参数，通过控制参数以根据不同的车辆的行驶状况对车辆制动进行有效控制。
53.在本发明的一些实施例中，基于第一神经网络模型，对采集的车辆环境图片和车辆行驶数据进行处理得到特征向量，包括：
54.对采集的车辆环境图片和车辆行驶数据进行预处理得到特征图；
55.通过第一神经网络模型对特征图进行处理得到特征向量。
56.在上述实施例中，通过cnn神经网络模型对采集的车辆环境图片和车辆行驶数据进行处理得到特征向量，具体如下：
57.第一层为网络的输入i，cnn能够对二维图像的特征进行自主学习。
58.第二层c1为网络的卷积层，卷积层通过6个5x5大小的滤波器和可加偏置bi进行卷积，得到6个21x21大小的特征图。
59.第三层s2为网络的下采样层，所有的下采样层都是依次通过如下处理得到：每邻域四个像素求和，权值wi+1(卷积核元素)加权，加上偏置bi+1，最后通过一个影响函数核小的sigmoid激活函数，将特征图缩小为6个58x46大小的特征图。
60.第四层c3为网络的卷积层，卷积层通过12个5x5大小的滤波器和可加偏置bi进行卷积，得到12个54x42大小的特征图。
61.第五层s为网络的下采样层，所有的下采样层都是依次通过如下处理得到：每邻域四个像素求和，权值wi+1(卷积核元素)加权，加上偏置bi+1，最后通过一个影响函数核小的sigmoid激活函数，将特征图缩小为12个27x21大小的特征图。最后将12张特征图排列为一条列向量，得到最终的特征向量。
62.在本发明的一些实施例中，将特征向量输入至第二神经网络模型计算输出层数据更新第二神经网络模型的权重，包括：
63.将特征向量输入至第二神经网络模型计算输出层数据；
64.根据输出层数据进行反向传播更新第二神经网络模型的权重。
65.在上述实施例中，在第二神经网络模型中，每个神经元都有一个权重和一个偏置值。权重用于控制输入信号对该神经元输出信号的影响程度，而偏置值则可以增加或减少激活函数的阈值。根据车辆的行驶状况不同来调整第二神经网络模型的权重，将特征向量
输入至更新后的第二神经网络模型得到控制参数，对车辆进行制动控制，以满足针对不同行驶状态对车辆的制动进行精确控制。
66.在本发明的一些实施例中，将特征向量输入至第二神经网络模型计算输出层数据，包括：
67.基于初始权重和初始偏置值，将特征向量前向传输并加权求和得到加权数据；
68.将加权数据输入至预设激活函数计算得到输出层数据。
69.在上述实施例中，在输入数据被送入到第一层之后，每一个节点都会根据它们与前一层的连接计算出一个输出值(这个过程称为向前传播)。然后将输出值按照一定规律传递给下一层，直至达到输出层，每个节点收到输入后会将其加权求和，并传递给激活函数得到输出层数据。
70.在本发明的一些实施例中，将加权数据输入至预设激活函数计算得到输出层数据，包括：
71.通过sigmoid函数对加权数据进行线性变换处理；
72.通过tanh函数对变换后的加权数据零点均值化处理得到输出层数据。
73.在上述实施例中，在激活函数中，会对计算结果进行非线性变换，从而引入非线性因素，并产生更好的表示能力。激活函数采用的是s型生长曲线，即sigmoid函数，将线性变换的输出映射到(0，1)区间，适用于分类任务的输出层。双曲正切函数，即tanh函数，是sigmoid的零点均值化，避免了梯度恒正或恒负造成的训练震荡问题。
74.sigmoid函数为：
75.其中：为线性变换后的车距、车速；x为初始数据中的车距、车速。
76.tanh函数：
77.其中：tanh(x)为零点均值化后的车距、车速；x为线性变换后的车距、车速，e为自然常数。
78.在本发明的一些实施例中，根据输出层数据进行反向传播更新第二神经网络模型的权重，包括：将输出层数据输入预设损失函数更新第二神经网络模型的权重。
79.在上述实施例中，损失函数设计使用交叉熵损失函数(cross entropy loss)，具体用于图像识别等分类任务。
80.交叉熵损失函数：
81.其中：h为损失函数，属于估计值，y属于真值。对于分类任务，通常使用sigmoid或softmax函数作为网络最终映射环节，以匹配交叉熵损失函数。
82.请参阅图2，图2为本发明提供的车辆制动的一实施例的控制策略图，在本发明的一些实施例中，控制参数包括制动转矩和车轮转速；将特征向量输入至更新后的第二神经网络模型得到控制参数，对车辆进行制动控制，包括：
83.s201、当制动转矩小于预设转矩阈值时，通过第一制动方式对车辆进行制动；
84.s202、当制动转矩大于等于预设转矩阈值，且车轮转速小于预设转速阈值时，通过
第二制动方式对车辆进行制动；
85.s203、当制动转矩大于等于预设转矩阈值，且车轮转速大于等于预设转速阈值时，通过第三制动方式对车辆进行制动。
86.在上述实施例中，当计算得到的制动转矩小于预设转矩阈值时，四轮毂驱动电动汽车主要由前轴电机进行制动，此时前轴的2个轮毂电机效率较高；当制动转矩大于等于预设转矩阈值，车轮转速小于预设转速阈值时，四轮毂独立驱动电动汽车为四轮毂制动，且4个电机的转矩分配接近平均分配；当制动转矩大于等于预设转矩阈值，车轮转速大于等于预设转速阈值时，后轴电机作为制动转矩的主要提供电机，此时也为四轮轮毂电机制动。
87.需要说明的是，预设转矩阈值和预设转速阈值可以根据实际需要进行设置，本发明对此不做进一步限制。
88.不同城市工况标准中制动强度分布如表1所示。由表1可知，城市中制动强度小于0.1的制动工况一般大于74.5％，因此选择z＝0.1作为轻微制动与中等强度制动的门限值，即0≤z≤0.1轻微制动。而汽车在行驶过程中制动强度在0～0.3范围内变化。因此，根据乘客的舒适程度以及汽车的常用制动强度，划分车辆轻微制动与中等强度制动的分界线为0.3，即0.1＜z≤0.3为中等强度制动。紧急制动是指驾驶员在遇到突发状况时，制动踏板行程在极短的时间内达到最大，因此将制动强度z＞0.3的情况均视为紧急制动。
89.表1不同城市工况标准制动强度分布(％)
[0090][0091]
利用遗传算法求解的四轮毂驱动电动汽车制动效率模型结果可知，在制动强度较低时，需求制动力矩较小，此时制动转矩全部由前轴轮毂电机提供；同时根据城市内行车制动强度的占比可知，轻微制动强度占比最高。因此为了减少电机控制器的工作强度，避免车辆在城市道路中频繁切换电机，当制动强度为轻微制动时，制动转矩均由前轴电机单独提供。在城市道路行车中等制动强度占比并不高，为了保证制动效果，在中等制动强度时，采用制动效率最大原则，保证电机制动效率最高。在城市道路中紧急制动占比很小，但是考虑车辆存在高速公路行驶的情况，可能出现紧急制动。考虑电机的最大转矩，在紧急制动情况下，主要由4个电机根据制动效率最大原则进行制动转矩分配，若电机能够提供的最大制动力矩不足以使车辆制动时，其余力矩由机械制动力矩提供。
[0092]
综上所述，采用深度学习网络下的自适应控制策略的制动可在不同制动强度下采用不同的制动方式。即，轻微制动时，制动转矩均由前轴电机单独提供；中等制动强度时，采用制动效率最大原则，保证电机制动效率最高；紧急制动情况下，根据制动效率最大原则进行制动转矩分配。
[0093]
为了更好实施本发明实施例中的车辆制动的控制方法，在车辆制动的控制方法基
础之上，对应的，请参阅图3，图3为本发明提供的车辆制动的控制装置的一实施例的结构示意图，本发明实施例提供了一种车辆制动的控制装置300，包括：
[0094]
处理模块310，用于基于第一神经网络模型，对采集的车辆环境图片和车辆行驶数据进行处理得到特征向量；
[0095]
更新模块320，用于将特征向量输入至第二神经网络模型计算输出层数据更新第二神经网络模型的权重；
[0096]
制动模块330，用于将特征向量输入至更新后的第二神经网络模型得到控制参数，基于控制参数对车辆进行制动控制。
[0097]
这里需要说明的是：上述实施例提供的装置300可实现上述各方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述方法实施例中的相应内容，此处不再赘述。
[0098]
请参阅图4，图4为本发明实施例提供的电子设备的结构示意图。基于上述车辆制动的控制方法，本发明还相应提供了一种车辆制动的控制设备，车辆制动的控制设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该车辆制动的控制设备包括处理器410、存储器420及显示器430。图4仅示出了电子设备的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
[0099]
存储器420在一些实施例中可以是车辆制动的控制设备的内部存储单元，例如车辆制动的控制设备的硬盘或内存。存储器420在另一些实施例中也可以是车辆制动的控制设备的外部存储设备，例如车辆制动的控制设备上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，存储器420还可以既包括车辆制动的控制设备的内部存储单元也包括外部存储设备。存储器420用于存储安装于车辆制动的控制设备的应用软件及各类数据，例如安装车辆制动的控制设备的程序代码等。存储器420还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器420上存储有车辆制动的控制程序440，该车辆制动的控制程序440可被处理器410所执行，从而实现本技术各实施例的车辆制动的控制方法。
[0100]
处理器410在一些实施例中可以是一中央处理器(central processing unit,cpu)，微处理器或其他数据处理芯片，用于运行存储器420中存储的程序代码或处理数据，例如执行车辆制动的控制方法等。
[0101]
显示器430在一些实施例中可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。显示器430用于显示在车辆制动的控制设备的信息以及用于显示可视化的用户界面。车辆制动的控制设备的部件410-430通过系统总线相互通信。
[0102]
在一实施例中，当处理器410执行存储器420中车辆制动的控制程序440时实现如上的车辆制动的控制方法中的步骤。
[0103]
本实施例还提供了一种计算机可读存储介质，其上存储有车辆制动的控制程序，该车辆制动的控制程序被处理器执行时实现以下步骤：
[0104]
基于第一神经网络模型，对采集的车辆环境图片和车辆行驶数据进行处理得到特征向量；
[0105]
将特征向量输入至第二神经网络模型计算输出层数据更新第二神经网络模型的
权重；
[0106]
将特征向量输入至更新后的第二神经网络模型得到控制参数，基于控制参数对车辆进行制动控制。
[0107]
综上，本实施例提供的一种车辆制动的控制方法、装置、电子设备及存储介质，该方法包括：基于第一神经网络模型，对采集的车辆环境图片和车辆行驶数据进行处理得到特征向量；将所述特征向量输入至第二神经网络模型计算输出层数据更新所述第二神经网络模型的权重；将所述特征向量输入至更新后的第二神经网络模型得到控制参数，基于所述控制参数对车辆进行制动控制。本发明提供的一种车辆制动的控制方法、装置、电子设备及存储介质，先通过第一神经网络模型对采集的车辆环境图片和车辆行驶数据进行处理，消除初始数据中的干扰数据得到特征向量，从而提高对车辆制动控制的准确性，然后通过特征向量更新第二神经网络模型的权重，以适应不同的行驶状态，最后将特征向量输入至更新后的第二神经网络模型计算得到控制参数，通过控制参数以根据不同的车辆的行驶状况对车辆制动进行有效控制。
[0108]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种车辆制动的控制方法，其特征在于，包括：基于第一神经网络模型，对采集的车辆环境图片和车辆行驶数据进行处理得到特征向量；将所述特征向量输入至第二神经网络模型计算输出层数据更新所述第二神经网络模型的权重；将所述特征向量输入至更新后的第二神经网络模型得到控制参数，基于所述控制参数对车辆进行制动控制。2.根据权利要求1所述的车辆制动的控制方法，其特征在于，所述基于第一神经网络模型，对采集的车辆环境图片和车辆行驶数据进行处理得到特征向量，包括：对所述采集的车辆环境图片和车辆行驶数据进行预处理得到特征图；通过所述第一神经网络模型对所述特征图进行处理得到特征向量。3.根据权利要求1所述的车辆制动的控制方法，其特征在于，所述将所述特征向量输入至第二神经网络模型计算输出层数据更新所述第二神经网络模型的权重，包括：将所述特征向量输入至第二神经网络模型计算输出层数据；根据所述输出层数据进行反向传播更新所述第二神经网络模型的权重。4.根据权利要求3所述的车辆制动的控制方法，其特征在于，所述将所述特征向量输入至第二神经网络模型计算输出层数据，包括：基于初始权重和初始偏置值，将所述特征向量前向传输并加权求和得到加权数据；将所述加权数据输入至预设激活函数计算得到输出层数据。5.根据权利要求4所述的车辆制动的控制方法，其特征在于，所述将所述加权数据输入至预设激活函数计算得到输出层数据，包括：通过sigmoid函数对所述加权数据进行线性变换处理；通过tanh函数对变换后的加权数据零点均值化处理得到输出层数据。6.根据权利要求3所述的车辆制动的控制方法，其特征在于，所述根据所述输出层数据进行反向传播更新所述第二神经网络模型的权重，包括：将所述输出层数据输入预设损失函数更新所述第二神经网络模型的权重。7.根据权利要求1所述的车辆制动的控制方法，其特征在于，所述控制参数包括制动转矩和车轮转速；所述将所述特征向量输入至更新后的第二神经网络模型得到控制参数，对车辆进行制动控制，包括：当所述制动转矩小于预设转矩阈值时，通过第一制动方式对车辆进行制动；当所述制动转矩大于等于预设转矩阈值，且所述车轮转速小于预设转速阈值时，通过第二制动方式对车辆进行制动；当所述制动转矩大于等于预设转矩阈值，且所述车轮转速大于等于预设转速阈值时，通过第三制动方式对车辆进行制动。8.一种车辆制动的控制装置，其特征在于，包括：处理模块，用于基于第一神经网络模型，对采集的车辆环境图片和车辆行驶数据进行处理得到特征向量；更新模块，用于将所述特征向量输入至第二神经网络模型计算输出层数据更新所述第二神经网络模型的权重；
制动模块，用于将所述特征向量输入至更新后的第二神经网络模型得到控制参数，基于所述控制参数对车辆进行制动控制。9.一种电子设备，其特征在于，包括存储器和处理器，其中，所述存储器，用于存储程序；所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述权利要求1至7中任一项所述车辆制动的控制方法中的步骤。10.一种计算机可读存储介质，其特征在于，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时，能够实现上述权利要求1至7中任一项所述车辆制动的控制方法中的步骤。

技术总结
本发明涉及一种车辆制动的控制方法、装置、电子设备及存储介质，该方法包括：基于第一神经网络模型，对采集的车辆环境图片和车辆行驶数据进行处理得到特征向量；将所述特征向量输入至第二神经网络模型计算输出层数据更新所述第二神经网络模型的权重；将所述特征向量输入至更新后的第二神经网络模型得到控制参数，基于控制参数对车辆进行制动控制。本发明提供的一种车辆制动的控制方法、装置、电子设备及存储介质，先对采集的数据进行处理，消除初始数据中的干扰得到特征向量，然后通过特征向量更新第二神经网络模型的权重，以适应不同的行驶状态，根据更新后的第二神经网络模型计算控制参数，以根据不同的车辆的行驶状况对车辆制动进行有效控制。辆制动进行有效控制。辆制动进行有效控制。


技术研发人员：李文新 瞿迪 黄紫洋 卢晓龙 刘杰 周祎
受保护的技术使用者：昆明理工大学
技术研发日：2023.06.06
技术公布日：2023/8/31