[发明专利]一种无人驾驶控制方法、装置及服务器

权利要求书

1.一种无人驾驶控制方法，其特征在于，所述方法包括：

获取当前车辆所在环境下的参考工况数据；

确定所述当前车辆的当前时间段的工况数据与所述参考工况数据间的误差；

基于优化模型和所述误差对所述参考工况数据进行优化处理，得到所述当前车辆驾驶控制的参考工况数据中状态数据的状态权重和参考工况数据中控制数据的控制权重；

基于所述状态权重、所述控制权重、所述参考工况数据中的状态数据和控制数据以及所述当前车辆的当前时间段的状态数据，确定所述当前车辆的控制数据；

利用所述控制数据控制所述当前车辆的驾驶；

其中，所述优化模型包括基于工况训练数据对预设深度学习网络进行训练得到的模型，所述工况训练数据包括不同环境下不同时间段的工况数据和所述工况数据中状态数据的状态权重和参考工况数据中控制数据的控制权重；

所述基于所述状态权重、所述控制权重、所述参考工况数据中的状态数据和控制数据以及所述当前车辆的当前时间段的状态数据，确定所述当前车辆的控制数据包括：

建立所述当前车辆无人驾驶控制的数学预测模型；

将所述当前车辆的当前时间段的状态数据输入所述数学预测模型，确定所述当前车辆中心的横纵坐标；

确定所述当前车辆的状态空间方程；

将所述状态权重、所述控制权重、所述参考工况数据中的状态数据和控制数据输入所述状态空间方程，并对所述状态空间方程进行线性化和离散化处理，得到所述当前车辆的控制数据。

2.根据权利要求1所述的方法，其特征在于，所述获取当前车辆所在环境下的参考工况数据包括：

通过车辆的环境感知模型获取当前车辆所在的环境数据；

根据所述当前车辆所在的环境数据在工况训练数据库中匹配合适的工况标签，所述工况训练数据库包括所述车辆所在的环境数据、所述工况标签及标签索引的参考工况数据；

根据所述工况标签在所述工况训练数据库中索引至对应的参考工况数据。

3.根据权利要求1所述的一种无人驾驶控制方法，其特征在于，所述方法还包括：

获取不同环境中工况训练数据的状态数据和所述工况训练数据的状态数据对应的控制数据；

确定所述工况训练数据与所述参考工况数据间的误差；

基于所述工况训练数据与所述参考工况数据间的误差，所述工况训练数据对深度学习网络模型进行训练，得到不同环境下的工况训练数据中状态数据的预测状态权重和控制数据的预测控制权重；

利用所述预测状态权重、预测控制权重以及所述工况训练数据、所述参考工况数据，确定所述当前车辆的预测控制数据；

确定参考工况数据与工况训练数据的误差，所述误差包括参考工况数据中状态数据和工况训练数据中状态数据的误差，以及参考工况数据中控制数据和工况训练数据中预测控制数据的误差；

判断所述误差值是否满足预设条件；

当判断的结果为否时，调整所述深度学习网络模型中的网络参数，重复上述深度学习网络模型训练和确定预测控制数据的步骤；

当判断的结果为是时，将当前的深度学习网络模型作为所述当前的优化模型。

4.根据权利要求1所述的一种无人驾驶控制方法，其特征在于，所述基于所述状态权重、所述控制权重、所述参考工况数据中的状态数据和控制数据，确定所述当前车辆的控制数据包括：

设定优化目标函数其中，N_p为预测时域，Nc为控制时域，Q表示参考当前车辆驾驶控制的参考工况数据中状态数据的状态权重，R表示参考工况数据中控制数据的控制权重，k+i表示k时刻后的第i步，为k+i时刻所述车辆横纵坐标x、y及航向角与所述参考工况数据中横纵坐标x_ref、y_ref及航向角的偏差，为k+i时刻的控制量与参考工况数据中控制量的偏差，所述控制量包括车辆中心车速v和车辆前轮转角δ；

确定驾驶控制约束条件；

基于所述驾驶控制约束条件对所述优化目标函数进行二次规划，得到k+i时刻的控制量；

将所述k+i时刻的控制量作为当前车辆的驾驶控制数据。