[发明专利]车辆自动驾驶的速度规划方法、装置及计算装置

说明书

用于车辆自动驾驶的速度规划方法、装置及计算装置。方法包括：采用训练样本集进行机器学习，获得机器学习模型；对于输入空间进行分区，以及基于所述获得的机器学习模型，得到与确定分区对应的决策结果，形成各个分区对应于相应决策结果的分区决策表；实时获得行驶中车辆的各维特征分量作为输入特征量，确定该输入特征量所属于的输入分区，基于所确定的分区，查询分区决策表来获得相应的决策结果。很好地解决了不能对机器学习训练出的模型做局部调整的问题，易于修改某个分区的决策，而完全不影响其它分区的决策结果；分区决策表的直观特性可以很好的帮助发现和解决机器学习过程中存在的问题；分区决策表可以加速决策过程。

技术领域

本发明涉及车辆控制领域，特别是涉及一种用于车辆自动驾驶的速度规划方法、装置及计算装置。

背景技术

随着车辆技术的发展，车辆自动驾驶成为热点研究领域。速度规划和控制是自动驾驶中的一个重要研究内容，其基本目标是根据检测到的状态(如当前车速、前车的车速、与前车的距离)规划出一系列后续时间点车的预期车速，并计算出车的最终控制参数(如油门和刹车)对车进行实际的控制操作。速度规划在保证乘客的基本舒适和安全的同时，需要保证在其它车辆有非预期的行为(如突然刹车)时能保证乘客绝对的安全。

为了处理各种可能出现的情况，需要设计较复杂的速度规划和控制模型。在人工设计和实现中，很容易漏掉某些少见的情况和因素。同时，从驾驶员驾驶的汽车上可以采集很丰富的成熟的驾驶数据。由于机器学习方法可以很方便的从数据中学习模型，机器学习方法越来越多地应用到速度规划和控制。另外，在现实世界中，每个驾驶员都有不同的驾驶习惯和对安全舒适程度的界定，因此如果使用同一种规划和控制方法很难满足各种不同的需求，而机器学习方法可以很好的适配这种个性化驾驶习惯需求。

发明内容

本发明的发明人通过长期研究，认识到应用机器学习对车辆进行速度规划存在一些问题。

首先，通过机器学习方法学习到的模型的效果和训练数据直接相关。由于驾驶员通常都是在一个很舒适的范围内驾驶，收集到的训练数据很难覆盖到所有可能出现的场景(如车速极快而据前车距离很短等极端场景)，虽然泛化等技术可以一定程度上解决这个问题，但不能完全解决这个问题。另外，收集到的驾驶员的行为不一定完全满足舒适安全的需求，如有些驾驶员并不能保证和前车的距离，因此当前车突然刹车时，驾驶车辆很难保证不碰上前车的情况下完全刹车。显然，用这种数据训练出来的模型同样也不能处理这种情况。

机器学习存在的另一个问题是很难对其训练出来的模型做局部微调。在应用于自动驾驶的速度规划和控制中，通常需要针对某种特殊情况对模型进行局部调整。而对机器学习得到的模型，对学习到的每个参数的调整，都可能带来全局的不易控制的影响。通过添加更多的训练用例也可以修正模型，但是这种方法周期比较长，并且最后训练出来的模型也不能完全预知。

本发明的目的在于克服现有技术中的缺点与不足，提出一种全新的用于车辆自动驾驶的速度规划方法、装置及计算装置。

根据本发明的一个方面，提供一种用于车辆自动驾驶的速度规划方法，具体包括：

首先为机器学习步骤，采用训练样本集进行机器学习，获得机器学习模型，每个训练样本由形成输入空间的多维特征分量和形成输出空间的决策结果来描述，所述多维特征分量的每维是用于描述车辆特定时刻状态的、与速度规划有关的变量，所述决策结果指示下一时刻的预期速度和/或与速度控制相关的控制参数数值；

其次为分区决策表取得步骤，对于输入空间进行分区，以及基于所述获得的机器学习模型，得到与确定分区对应的决策结果，形成各个分区对应于相应决策结果的分区决策表；

再次为实时决策步骤，实时获得行驶中车辆的各维特征分量作为输入特征量，确定该输入特征量所属于的输入分区，基于所确定的分区，查询分区决策表来获得相应的决策结果。