[发明专利]用于自动驾驶车辆控制的实验设计方法和系统

说明书

控制器系统和方法可以用于控制自动驾驶车辆(AV)。控制器可以被配置成基于实验设计(DOE)测试矩阵自主开发、自主调试或这两者相结合。这里公开的方法和系统可以在线、离线或以这两者的组合来使用。控制器和方法可以使用一个或多个优化算法来自主开发、自主调试或这两者相结合。一个或多个优化算法可以基于机器学习、人工智能或这些的组合。

技术领域

本公开涉及自动驾驶车辆。更具体地，本公开涉及用于自动驾驶车辆的控制器、控制器系统以及控制器方法。

背景技术

在典型的自动驾驶车辆(AV)中，控制器被开发然后被调试。使用时，一旦控制器遇到问题，则必须开发和调试新的控制器。该过程被无限次重复且昂贵、耗时，并需要大量的车辆跟踪时间。因此，期望具有自主开发控制器、自主调试控制器或这两者的组合。

发明内容

本申请公开了被配置成基于实验设计(DOE)测试矩阵的自主开发、自主调试或这两者组合的控制器的实施。本申请公开的方法和系统可以在线、离线或在线与离线组合使用。为了本公开的目的，术语“在线”被用于针对主机车辆在活动条件下的响应面(即，测试跑道、道路等)上的场景。为了本公开的目的，术语“离线”被用于针对主机车辆没有在响应面(即，测试跑道、道路等)且因此没有在活动条件下的场景。

方法可以用于控制车辆。车辆可以是自动驾驶车辆(AV)且称为主机车辆。方法可以包括构建被控对象模型。被控对象模型可以基于DOE测试矩阵。方法可以包括基于构建的被控对象模型执行控制器仿真。控制器仿真可以基于控制器仿真生成性能数据。

方法可以使用基于机器学习、人工智能或这些的组合的一种或多种优化算法。为了简化的目的，使用术语“学习方法”和“学习算法”，且可以理解可以使用任何的优化算法，不管是学习算法还是非学习算法。例如，方法可以包括执行第一学习方法来识别一个或多个机制(regime)。在一些实施中，方法可以包括基于一个或多个机制执行第二学习方法。方法可以包括基于第一学习方法、第二学习方法或这些的组合生成一个或多个参数调试。这些方法可以使用一个或多个参数调试来更新AV控制器。

在一些实施中，第一学习方法例如可以是无监督学习方法。在一些实施中，第二学习方法例如可以是强化学习方法。可以执行第二学习方法来优化一个或多个机制中的每一个的一个或多个参数。在一些实施中，当主机车辆离线时，第一学习方法、第二学习方法或这两者可以被执行。在一些实施中，当主机车辆离线时，一个或多个参数调试可以被生成。

在一些实施中，DOE测试矩阵可以包括一个或多个测试参数。一个或多个测试参数可以包括例如，进弯半径、转弯半径、出弯半径、进弯长度、转弯长度、出弯长度、进弯速度、转弯速度、出弯速度以及方向。在一些实施中，方法可以重复DOE测试矩阵以修正被控对象模型。

在一些实施中，AV控制器可以是纯跟踪式控制器、基于动力学前轮的反馈控制器、线性模型预测控制器或非线性模型预测控制器。在一些实施中，AV控制器可以实时被更新。

车辆控制系统可以用于控制车辆。车辆可以是AV且称为主机车辆。车辆控制系统可以包括控制器、处理器以及控制器接口。控制器接口可以耦合到控制器和处理器或与之通信。

处理器可以被配置成构建被控对象模型。被控对象模型可以基于DOE测试矩阵。处理器可以被配置成基于构建的被控对象模型执行控制器仿真。处理器可以被配置成生成性能数据。性能数据可以基于控制器仿真。

处理器可以被配置成使用基于机器学习、人工智能或这些的组合的一个或多个优化算法。例如，处理器可以被配置成执行第一学习方法。第一学习方法可以用于识别一个或多个机制。在一些实施中，处理器可以被配置成基于一个或多个机制执行第二学习方法。处理器可以被配置成基于第一学习方法、第二学习方法或这些的组合生成一个或多个参数调试。处理器可以被配置成经由控制器接口向控制器传送一个或多个参数调试以更新控制器。