[发明专利]一种自动驾驶减速停车方法、电子设备及存储介质

说明书

本发明提供一种自动驾驶减速停车方法、电子设备及存储介质，该方法包括：分别建立离散的车速集合、距离集合和减速度集合；根据离散的车速集合、距离集合和减速度集合，构建神经网络模型的输入输出样本集合，并通过输入输出样本集合离线训练神经网络模型；获取当前车辆的实时速度、到目标位置的实时距离，将实时速度和实时距离输入至训练后的神经网络模型，并将实时在线计算的减速度发送至驾驶控制模块以制动减速。通过该方案解决了现有的减速停车中规划减速度不连续导致驾乘体验差问题，可以实现连续平稳的减速，提升驾乘体验和安全性，并实现减速度实时快速计算输出。

技术领域

本发明涉及自动驾驶领域，尤其涉及一种自动驾驶减速停车方法、电子设备及存储介质。

背景技术

在自动驾驶车辆行驶过程中常会遇到前方目标点需要减速停车，如遇到静止障碍物、停止线或终点线等，此时，车辆需要根据自车速度、目标点距离等规划出制动减速信息，由自动驾驶控制模块操纵制动系统减速制动。为了保障驾乘人员安全，任何一种速度规划方法首要保证方法的安全性，即能够在目标点位置前减速到合理车速。

当前一些自动驾驶减速停车方法较为依赖精准的速度、距离测量，依据理论运动模型，得到减速度信息，但由于实际车辆行驶中，传感器的测量误差会影响到速度规划，致使减速度有较大跳变，可执行性较差。而在另一种减速停车方法中，采用分段减速以避免减速度频繁变化，但容易造成减速度不连续，驾乘体验差。

发明内容

有鉴于此，本发明实施例提供了一种自动驾驶减速停车方法、电子设备及存储介质，以解决现有减速停车方案中规划速度不连续导致驾乘体验差的问题。

在本发明实施例的第一方面，提供了一种自动驾驶减速停车方法，包括：

分别建立离散的车速集合、距离集合和减速度集合；

根据所述离散的车速集合、距离集合和减速度集合，构建神经网络模型的输入输出样本集合，并通过所述输入输出样本集合离线训练所述神经网络模型，得到所述神经网络模型的权值向量和偏置向量；

获取当前车辆的实时速度、到目标位置的实时距离，将实时速度和实时距离输入至训练后的所述神经网络模型，并将实时在线计算的减速度发送至驾驶控制模块以制动减速。

在本发明实施例的第二方面，提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如本发明实施例第一方面所述方法的步骤。

本发明实施例的第三方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例第一方面提供的所述方法的步骤。

本发明实施例中，分别建立离散的车速集合、距离集合和减速度集合；根据离散的基础数据集合，构建神经网络模型的输入输出样本集合，通过输入输出样本集合离线训练神经网络模型；获取当前车辆的实时速度和到目标位置的实时距离，输入至训练后的神经网络模型，并将实时在线计算的减速度发送至控制模块，以进行制动减速。本发明可以使车辆在到达目标点位置前平稳连续降速，保证驾乘人员的舒适性，降低计算复杂程度，可实时快速得到制动减速度，方便自动驾驶系统控制模块制动减速，从而解决了在减速停车过程中规划速度不连续，导致驾乘体验差的问题，既提升了驾乘体验，保障安全性，又方便实际应用。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单介绍，显而易见地，下面描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获取其他附图。

图1为本发明的一个实施例提供的自动驾驶减速停车方法的流程示意图；