一种无人驾驶车辆的通行参数的确定方法、装置及设备

技术领域

本发明涉及无人驾驶技术领域，具体涉及无人驾驶车辆的通行参数的确定方法、装置及设备。

背景技术

近年来，无人驾驶技术得到了迅猛发展。对于无人驾驶技术而言，无人驾驶车辆不应做出超出人类预期的驾驶行为，即无人驾驶车辆的驾驶行为参数需要与人类一致。

在矿区中，由于矿区的道路场景相对封闭，运输车辆行驶路线单一，周围交通参与者较少，是无人驾驶落地和应用的典型场景，为矿用无人驾驶车辆制定类人的通行规则，对于提高矿区运输效率，提升矿区运输安全具有重要的意义。但是目前对于矿区的无人驾驶的技术，少有体系化的矿用卡车的通行参数的构建和确定方法。

发明内容

有鉴于此，本发明的目的在于提供一种无人驾驶车辆的通行参数的确定方法、系统及设备，以解决现有技术中少有体系化的矿用卡车的通行参数的构建和确定方法的问题。

根据本发明实施例的第一方面，提供一种车辆的通行参数的确定方法，应用于无人驾驶矿用卡车，包括：

采集具有驾驶人的矿用卡车的多条历史通行数据，所述历史通行数据中包括事件场景、行驶速度和多个通行参数的值；

对所述历史通行数据进行预处理，得到正常通行数据；

根据所述事件场景，对所述正常通行数据进行数据切分，得到多个场景下的正常通行数据；

根据所述正常通行数据中的行驶速度和各通行参数的值，对各场景下的正常通行数据进行回归分析，得到该场景下的多个通行参数和所述行驶速度之间的关系曲线；

根据所述通行参数和所述行驶速度之间的关系曲线，确定所述无人驾驶矿用卡车各场景下的所述通行参数的标准取值范围。

优选地，所述对所述历史通行数据进行预处理，得到正常通行数据，包括：

判断所述历史通行数据中的行驶速度是否符合正态分布，若符合正态分布，将所述历史通行数据作为正态分布通行数据，若不符合正态分布，将所述历史通行数据作为非正态分布通行数据；

分别对所述正态分布通行数据和非正态分布通行数据进行异常数据剔除，得到正常通行数据。

优选地，所述对所述正态分布通行数据进行异常数据剔除，包括：

分别计算所有正态分布通行数据中的行驶速度的均值和标准差；

根据所述均值和标准差，计算得到正态分布异常区间；

判断所述正态分布通行数据中的行驶速度是否位于所述正态分布异常区间中，若位于所述正态分布异常区间，确定所述正态分布通行数据为异常数据，将其剔除。

优选地，所述对所述非正态分布通行数据进行异常数据剔除，包括：

将所述非正态分布通行数据中的行驶速度按照从小到大的顺序进行排序；

计算排序后的行驶速度的四个分位数；

根据所述四个分位数，计算得到非正态分布异常区间；

判断所述非正态分布通行数据中的行驶速度是否位于所述非正态分布异常区间中，若位于所述非正态分布异常区间，确定所述非正态分布通行数据为异常数据，将其剔除。

优选地，所述通行参数包括方向盘转角参数、车头间距参数和交叉口后侵入时间参数，所述根据所述正常通行数据中的行驶速度和各通行参数的值，对各场景下的正常通行数据进行回归分析，得到该场景下的多个通行参数和所述行驶速度之间的关系曲线，包括：

建立各通行参数和所述行驶速度之间的损失函数；

根据预设的分位数，利用该场景下所述正常通行数据中的行驶速度和方向盘转角参数的值，对所述损失函数进行优化，优化后，得到该场景下所述方向盘转角参数和所述行驶速度之间的关系曲线；

根据预设的分位数，利用该场景下所述正常通行数据中的行驶速度和车头间距参数的值，对所述损失函数进行优化，优化后，得到该场景下所述车头间距参数和所述行驶速度之间的关系曲线；

根据预设的分位数，利用该场景下所述正常通行数据中的行驶速度和交叉口后侵入时间参数的值，对所述损失函数进行优化，优化后，得到该场景下所述交叉口后侵入时间参数和所述行驶速度之间的关系曲线。

优选地，所述根据所述通行参数和所述行驶速度之间的关系曲线，确定所述无人驾驶矿用卡车各场景下的所述通行参数的标准取值范围，包括：

根据各场景下所述方向盘转角参数和所述行驶速度之间的关系曲线，确定所述无人驾驶矿用卡车该场景下的所述方向盘转角参数的标准取值范围；

根据各场景下所述车头间距参数和所述行驶速度之间的关系曲线，确定所述无人驾驶矿用卡车该场景下的所述车头间距参数的标准取值范围；

根据各场景下所述交叉口后侵入时间参数和所述行驶速度之间的关系曲线，确定所述无人驾驶矿用卡车该场景下的所述交叉口后侵入时间参数的标准取值范围。

优选地，所述事件场景包括会车、跟驰和交叉口冲突，所述根据所述事件场景，对所述正常通行数据进行数据切分，得到多个场景下的正常通行数据，包括：

从所有正常通行数据中选取事件场景为会车的正常通行数据，作为会车场景下的正常通行数据；

从所有正常通行数据中选取事件场景为跟驰的正常通行数据，作为跟驰场景下的正常通行数据；

从所有正常通行数据中选取事件场景为交叉口冲突的正常通行数据，作为交叉口场景下的正常通行数据。

根据本发明实施例的第二方面，提供一种矿用卡车控制方法，应用于无人驾驶矿用卡车，包括：

采用以上任一项所述的车辆的通行参数的确定方法，确定所述无人驾驶矿用卡车各场景下的所述通行参数的标准取值范围；

根据所述标准取值范围控制所述无人驾驶矿用卡车的通行。

根据本发明实施例的第三方面，提供一种车辆的通行参数的确定装置，应用于无人驾驶矿用卡车，包括：

数据采集模块，用于采集具有驾驶人的矿用卡车的多条历史通行数据，所述历史通行数据中包括事件场景、行驶速度和多个通行参数的值；

数据预处理模块，用于对所述历史通行数据进行预处理，得到正常通行数据；

数据切分模块，用于根据所述事件场景，对所述正常通行数据进行数据切分，得到多个场景下的正常通行数据；

回归分析模块，用于根据所述正常通行数据中的行驶速度和各通行参数的值，对各场景下的正常通行数据进行回归分析，得到该场景下的多个通行参数和所述行驶速度之间的关系曲线；

参数标准确定模块，用于根据所述通行参数和所述行驶速度之间的关系曲线，确定所述无人驾驶矿用卡车各场景下的所述通行参数的标准取值范围。

根据本发明实施例的第四方面，提供一种车辆的通行参数的确定设备，包括：

存储器，其上存储有可执行程序；

处理器，用于执行所述存储器中的所述可执行程序，以实现上述任一项所述方法的步骤。

根据本发明实施例的第五方面，提供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指令，所述计算机指令用于使计算机执行上述任一项所述方法的步骤。

本发明的实施例提供的技术方案可以包括以下有益效果：

通过具有驾驶人的采集矿用卡车的多条历史通行数据，历史通行数据中包括事件场景、行驶速度和多个通行参数的值，对历史通行数据进行预处理，将异常数据剔除，得到正常通行数据，根据事件场景，对正常通行数据进行数据切分，得到多个场景下的正常通行数据，再根据正常通行数据中的行驶速度和各通行参数的值，对各场景下的正常通行数据进行回归分析，得到该场景下的多个通行参数和行驶速度之间的关系曲线，根据通行参数和行驶速度之间的关系曲线，确定无人驾驶矿用卡车各场景下的通行参数的标准取值范围，从而可以根据大量驾驶人员驾驶时的历史通行数据，比较准确的确定无人驾驶矿用卡车的通行参数的标准取值范围，根据标准取值范围控制无人驾驶矿用卡车的通行，从而有效解决现有技术中少有体系化的矿用卡车的通行参数的构建和确定方法的问题，为矿用无人驾驶卡车制定类人的通行规则，提高矿区运输效率，提升矿区运输安全。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的一种车辆的通行参数的确定方法的流程示意图；

图2是根据一示例性实施例示出的一种车辆的通行参数的关系曲线的示意图；

图3是根据一示例性实施例示出的一种车辆的通行参数的确定装置的框图示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

本发明提供了一种车辆的通行参数的确定方法，应用于无人驾驶矿用卡车，参见图1，图1是根据一示例性实施例示出的一种方法的流程示意图，该方法包括：

步骤S11，采集具有驾驶人的矿用卡车的多条历史通行数据，所述历史通行数据中包括事件场景、行驶速度和多个通行参数的值；

步骤S12，对所述历史通行数据进行预处理，得到正常通行数据；

步骤S13，根据所述事件场景，对所述正常通行数据进行数据切分，得到多个场景下的正常通行数据；

步骤S14，根据所述正常通行数据中的行驶速度和各通行参数的值，对各场景下的正常通行数据进行回归分析，得到该场景下的多个通行参数和所述行驶速度之间的关系曲线；

步骤S15，根据所述通行参数和所述行驶速度之间的关系曲线，确定所述无人驾驶矿用卡车各场景下的所述通行参数的标准取值范围。

具体的，采集具有驾驶人的矿用卡车的多条历史通行数据，历史通行数据中包括事件场景、行驶速度和多个通行参数的值。其中，历史通行数据为采集的人为驾驶矿用卡车时矿用卡车的通行数据。事件场景为人为驾驶矿用卡车时，采集通行数据时所遇到的交通事件，比如，跟驰交通事件、交叉口交通事件和会车交通事件等。行驶速度为人为驾驶矿用卡车时，采集到的当前矿用卡车的当前速度。通行参数可以包括方向盘转角、车头间距、交叉口后侵入时间、刹车踏板强度和油门踏板强度等驾驶行为。

其中，方向盘转角为在当前采集时刻，矿用卡车在当前的交通事件下，方向盘的转动角度。车头间距可以为在当前交通事件下，所采集的矿用卡车与其他车辆的车头之间的距离。交叉口后侵入时间可以为在交叉路口，所采集的矿用卡车与其他车辆的后侵入时间(Post encroachment time,PET)。

需要说明的是，PET是被广泛采用的用于评价交通冲突严重程度的指标，是指当前矿用卡车和周围冲突车辆到达交叉口冲突点的时间之差，具有可测性和可靠性，可以作为交叉口冲突点的安全评判标准。并且，PET值越小，表明当前在该交叉口，矿用卡车和周围冲突车辆发生交通冲突的风险越大。其中PET的计算方法为：按照如下公式，计算得到当前矿用卡车和周围冲突车辆之间的PET：

PET＝T

其中，T

具体的，对于矿用卡车的历史通行数据的采集，可以为真实场景下的人为驾驶矿用卡车的实际通行数据，也可以为通过矿用卡车驾驶模拟平台所模拟的通行数据。对于矿用卡车驾驶模拟平台，可以提供典型矿区驾驶模拟场景，典型矿区驾驶模拟场景，可以通过模式设置更多场景模式，比如典型道路场景、周围矿区场景、天气场景和交通参与者场景等，从而采集获取更多样性的通行数据。其中典型道路场景还可以包括急弯、陡坡、长直路段和交叉口等道路场景。周围矿区场景可以根据实际矿区场景设置为矿山、矿区厂房、矿用机械设施等各种矿区场景。不良天气场景包括雨、雪、雾、扬尘等各种天气场景。交通参与者场景为矿用无人驾驶卡车车辆场景。根据采集获取到的更多样性的通行数据，在对通行参数的标准范围进行确定时，可以更加保证通行参数的标准范围的准确性，并且设置更多场景，可以使得无人驾驶矿用卡车在面对不同的场景时，操作更加规范，更加安全。

需要说明的是，为了保证采集的矿用卡车的历史通行数据的完整性，以及产生更多的交通事件，交通参与者还可以设置无人驾驶矿用卡车车辆，并且，无人驾驶矿用卡车车辆还可以以编队形式行驶，制造更多的交通参与者，获取更多的驾驶场景，从而提高无人驾驶矿用卡车的参数确定的准确率。

其中，对于跟驰交通事件，采集历史通行数据时，为了扩大历史通行数据的采集数量，可以根据ACC(adaptive cruise control，自适应巡航控制)模型，设置更多的无人驾驶矿用卡车车辆作为交通参与者，其中，对于无人驾驶矿用卡车作为交通能够参与者，可以采用下述方式设置其跟车加速度：当跟驰车速度>3km/h，且跟驰距离＜1.8m时，采用车辆最大减速度；当跟驰车速度>3km/h，且跟驰距离＞1.8m时，根据如下公式计算车辆的加速度a：

a＝1.12*(d-v

其中，d表示车头间距，v

需要说明的是，通行数据中还可以包括矿用卡车的速度、加速度、横向偏移、位置和通行时间等。通行数据的采集频率可以为10Hz到100Hz之间，也可以根据具体需要进行设置，本发明对此并不做具体限定。

具体的，对上述采集得到的历史通行数据进行预处理，将明显不符合实际情况的历史通行数据识别出来，作为异常数据，剔除异常数据后，得到正常通行数据。其中由于道路行驶过程中，矿用卡车的场景较多，可以根据不同的场景，对历史通行数据进行不同的异常数据识别，得到正常通行数据。

还可以采用核密度估计和频率分布直方图相结合的方法，初步分析矿用卡车在行驶过程中的速度、加速度、车头间距、方向盘转角等通行参数的分布特征，确定历史通行数据是否满足要求。

由于矿用卡车的场景较多，对于不同的交通事件，可以根据历史通行数据中的事件场景，对正常通行数据进行数据切分，得到每个事件场景下的正常通行数据，便于后续对于不同的事件场景，设置不同的通行参数的标准取值范围。

对于上述处理得到的正常通行数据，对于各个场景，可以根据该场景下的正常通行数据中的行驶速度和每个通行参数的值，对该场景下的正常通行数据进行回归分析，得到该场景下的每个通行参数和行驶速度之间的关系曲线。其中，进行回归分析时，可以采用不同的回归分析方法，并且，对于该场景下，分析每个通行参数和行驶速度之间的关系时，可以根据需要设置通行参数和行驶速度之间的关系曲线的约束条件，得到多条该通行参数和行驶速度之间的关系曲线。如此，便可以得到任何一个场景下，每一个通行参数和行驶速度之间的关系曲线。如图2所示，图2是根据一示例性实施例示出的一种车辆的通行参数的关系曲线的示意图，图中上限值和下限值即为车头间距参数与行驶速度之间的关系曲线。

对于任何一个场景，根据上述回归分析得到的各个通行参数和行驶速度之间的关系曲线，可以确定该通行参数在任何一个行驶速度下的上限值和下限值，将确定到的该通行参数的上限值和下限值之间的值作为无人驾驶矿用卡车在该场景下的通行参数的标准取值范围。

可以理解的是，本实施例提供的技术方案，通过采集矿用卡车的多条历史通行数据，历史通行数据中包括事件场景、行驶速度和多个通行参数的值，对历史通行数据进行预处理，将异常数据剔除，得到正常通行数据，根据事件场景，对正常通行数据进行数据切分，得到多个场景下的正常通行数据，再根据正常通行数据中的行驶速度和各通行参数的值，对各场景下的正常通行数据进行回归分析，得到该场景下的多个通行参数和行驶速度之间的关系曲线，根据通行参数和行驶速度之间的关系曲线，确定无人驾驶矿用卡车各场景下的通行参数的标准取值范围，从而可以根据大量驾驶人员驾驶时的历史通行数据，比较准确的确定无人驾驶矿用卡车的通行参数的标准取值范围，从而有效解决现有技术中少有体系化的矿用卡车的通行参数的构建和确定方法的问题，为矿用无人驾驶卡车制定类人的通行规则，提高矿区运输效率，提升矿区运输安全。

优选地，步骤S12中，所述对所述历史通行数据进行预处理，得到正常通行数据，包括：

步骤S1212，判断所述历史通行数据中的行驶速度是否符合正态分布，若符合正态分布，将所述历史通行数据作为正态分布通行数据，若不符合正态分布，将所述历史通行数据作为非正态分布通行数据；

步骤S122，分别对所述正态分布通行数据和非正态分布通行数据进行异常数据剔除，得到正常通行数据。

具体的，对历史通行数据进行预处理，得到正常通行数据时，包括：

对于每个场景下的每条历史通行数据中的行驶速度，对一个场景下的历史通行数据，判断其行驶速度是否符合正态分布，若符合正态分布，将该历史通行数据作为正态分布通行数据，若不符合正态分布，将该历史通行数据作为非正态分布通行数据。

对于各个场景下的正态分布通行数据和非正态分布通行数据，采用不同的方法识别出异常数据，并将异常数据剔除后，得到该场景下的所有正常通行数据。

可以理解的是，通过将异常数据剔除，可以提高通行参数确定的标准取值范围的准确性，排除异常数据造成的不必要的影响。

优选地，所述步骤S122中，所述对所述正态分布通行数据进行异常数据剔除，包括：

分别计算所有正态分布通行数据中的行驶速度的均值和标准差；

根据所述均值和标准差，计算得到正态分布异常区间；

判断所述正态分布通行数据中的行驶速度是否位于所述正态分布异常区间中，若位于所述正态分布异常区间，确定所述正态分布通行数据为异常数据，将其剔除。

具体的，当对正态分布通行数据进行异常数据剔除时，包括：

对于上述得到的所有正态分布通行数据，分别计算得到行驶速度的均值和标准差，根据均值和标准差，设置正常区间范围，相反区域即为正态分布异常区间。对所有正态分布通行数据中的行驶速度进行判断，判断行驶速度是否位于正态分布异常区间中，当行驶速度位于正态分布异常区间时，判定该正态分布通行数据为异常数据，将其剔除。当行驶速度没有位于正态分布异常区间时，判定该正态分布通行数据为正常数据，将其保留，用于后续计算通行参数的标准取值范围。

在一具体事例中，从均值(μ)开始，向两侧延伸出3个标准差(σ)的范围，即μ-3σ到μ+3σ之间的范围，作为正常区间范围，相反区域即为正态分布异常区间。当历史通行数据点落在μ-3σ到μ+3σ之间的范围时，认为该历史通行数据点是正常数据，当历史通行数据点落在μ-3σ到μ+3σ之外的范围时，认为该历史通行数据点是异常数据，将该历史通行数据点剔除。

优选地，其中所述步骤S122中，所述对所述非正态分布通行数据进行异常数据剔除，包括：

将所述非正态分布通行数据中的行驶速度按照从小到大的顺序进行排序；

计算排序后的行驶速度的四个分位数；

根据所述四个分位数，计算得到非正态分布异常区间；

判断所述非正态分布通行数据中的行驶速度是否位于所述非正态分布异常区间中，若位于所述非正态分布异常区间，确定所述非正态分布通行数据为异常数据，将其剔除。

具体的，当对非正态分布通行数据进行异常数据剔除时，包括：

对于上述得到的所有非正态分布通行数据，将所有非正态分布通行数据中的行驶速度按照从小到大的顺序进行依次排序，以四分位数和四分位距作为判断该非正态分布通行数据是否为异常数据的标准。计算排序后的行驶速度的四个分位数Q1、Q2、Q3和Q4，Q1、Q2、Q3和Q4分别为位于25％、50％、75％和100％处的行驶速度。

根据上述四个分位数Q1、Q2、Q3和Q4的值，计算得到位距h1＝Q1-1.5(Q2-Q1)，和h2＝Q2+1.5(Q2-Q1)，将h1和h2作为非正态分布通行数据中行驶速度的上限值和下限值，大于等于h1且小于等于h2即为非正态分布正常区间，小于h1或者大于h2即为非正态分布异常区间。

当非正态分布通行数据点落在h1到h2之间的范围时，认为该历史通行数据点是正常数据，当非正态分布通行数据点落在h1到h2之外的范围时，认为该历史通行数据点是异常数据，将该历史通行数据点剔除。

优选地，所述通行参数包括方向盘转角参数、车头间距参数和交叉口后侵入时间参数，所述步骤S14中，所述根据所述正常通行数据中的行驶速度和各通行参数的值，对各场景下的正常通行数据进行回归分析，得到该场景下的多个通行参数和所述行驶速度之间的关系曲线，包括：

建立各通行参数和所述行驶速度之间的损失函数；

根据预设的分位数，利用该场景下所述正常通行数据中的行驶速度和方向盘转角参数的值，对所述损失函数进行优化，优化后，得到该场景下所述方向盘转角参数和所述行驶速度之间的关系曲线；

根据预设的分位数，利用该场景下所述正常通行数据中的行驶速度和车头间距参数的值，对所述损失函数进行优化，优化后，得到该场景下所述车头间距参数和所述行驶速度之间的关系曲线；

根据预设的分位数，利用该场景下所述正常通行数据中的行驶速度和交叉口后侵入时间参数的值，对所述损失函数进行优化，优化后，得到该场景下所述交叉口后侵入时间参数和所述行驶速度之间的关系曲线。

具体的，通行参数可以包括方向盘转角参数、车头间距参数和交叉口后侵入时间参数，不同的场景下，可以选取不同的通行参数，也可以设置多个通行参数。根据正常通行数据中的行驶速度和各通行参数的值，对各场景下的正常通行数据进行回归分析，得到该场景下的多个通行参数和行驶速度之间的关系曲线时，包括：

遵循“类人理念”和“人车同规”的思想，为保证公众对无人驾驶矿用卡车的信任以及道路交通安全，无人驾驶矿用卡车的通行规则需要与人类保持一致，即基于上述处理后得到的正常通行数据，通过分位数回归的方法进行类人通行规则提取。对于各场景下的正常通行数据，建立各通行参数和行驶速度之间的损失函数，损失函数的公式具体如下：

其中，β为系数向量，x为各条正常通行数据中的行驶速度，y为各个通行参数，τ为预设值，i为正常通行数据的条数。

对于各个场景，根据预设的分位数，即为τ，可以为15％和85％，也可以为25％、75％等，利用该场景下所有的正常通行数据中的行驶速度和通行参数的值，对上述损失函数进行优化，使得上述损失函数最小化时，优化完成，优化完成后，得到系数向量β，根据系数向量β可以画出该场景下通行参数和行驶速度之间的关系曲线。所选取的分位数不同，计算得到的关系曲线也不同。

根据预设的多个分位数，利用该场景下正常通行数据中的行驶速度和方向盘转角参数的值，对上述损失函数进行优化，最小化损失函数后，优化完成，得到该场景下方向盘转角参数和行驶速度之间的关系曲线。例如，可以计算得到会车场景下，方向盘盘转角参数和行驶速度之间的多条关系曲线。

根据预设的多个分位数，利用该场景下正常通行数据中的行驶速度和车头间距参数的值，对上述损失函数进行优化，优化后，得到该场景下车头间距参数和行驶速度之间的关系曲线。例如，可以计算得到跟驰场景下，车头间距参数和行驶速度之间的多条关系曲线。

根据预设的多个分位数，利用该场景下正常通行数据中的行驶速度和交叉口后侵入时间参数的值，对上述损失函数进行优化，优化后，得到该场景下交叉口后侵入时间参数和行驶速度之间的关系曲线。例如，可以计算得到交叉口冲突场景场景下，交叉口后侵入时间参数和行驶速度之间的多条关系曲线。

优选地，所述步骤S15中，所述根据所述通行参数和所述行驶速度之间的关系曲线，确定所述无人驾驶矿用卡车各场景下的所述通行参数的标准取值范围，包括：

根据各场景下所述方向盘转角参数和所述行驶速度之间的关系曲线，确定所述无人驾驶矿用卡车该场景下的所述方向盘转角参数的标准取值范围；

根据各场景下所述车头间距参数和所述行驶速度之间的关系曲线，确定所述无人驾驶矿用卡车该场景下的所述车头间距参数的标准取值范围；

根据各场景下所述交叉口后侵入时间参数和所述行驶速度之间的关系曲线，确定所述无人驾驶矿用卡车该场景下的所述交叉口后侵入时间参数的标准取值范围。

具体的，根据上述各通行参数和行驶速度之间的关系曲线，确定无人驾驶矿用卡车各场景下的通行参数的标准取值范围，包括：

对于任意一个场景，根据该场景下方向盘转角参数和行驶速度之间的关系曲线，由于可以设置多个分位数，得到多个关系曲线，根据实际需要，一般选取15％和85％分位数时得到的两条关系曲线作为该方向盘转角参数和行驶速度之间的上限关系曲线和下限关系曲线，位于上限关系曲线和下限关系曲线之间的数值都是方向盘转角参数和行驶速度之间的标准关系值，即可以得到无人驾驶矿用卡车该场景下的方向盘转角参数的标准取值范围。

对于任意一个场景，根据该场景下车头间距参数和行驶速度之间的关系曲线，由于可以设置多个分位数，得到多个关系曲线，根据各场景下车头间距参数和行驶速度之间的多个关系曲线，按照上述同样方法，确定无人驾驶矿用卡车该场景下的车头间距参数的标准取值范围。

对于任意一个场景，根据该场景下交叉口后侵入时间参数和行驶速度之间的关系曲线，由于可以设置多个分位数，得到多个关系曲线，根据各场景下所述交叉口后侵入时间参数和行驶速度之间的关系曲线，按照上述同样方法，确定无人驾驶矿用卡车该场景下的交叉口后侵入时间参数的标准取值范围。

优选地，所述事件场景包括会车、跟驰和交叉口冲突，所述步骤S13中，所述根据所述事件场景，对所述正常通行数据进行数据切分，得到多个场景下的正常通行数据，包括：

从所有正常通行数据中选取事件场景为会车的正常通行数据，作为会车场景下的正常通行数据；

从所有正常通行数据中选取事件场景为跟驰的正常通行数据，作为跟驰场景下的正常通行数据；

从所有正常通行数据中选取事件场景为交叉口冲突的正常通行数据，作为交叉口场景下的正常通行数据。

具体的，事件场景包括会车、跟驰和交叉口冲突，根据所述事件场景，对所述正常通行数据进行数据切分，得到多个场景下的正常通行数据，包括：

从所有正常通行数据中选取事件场景为会车的正常通行数据，作为会车场景下的正常通行数据。从所有正常通行数据中选取事件场景为跟驰的正常通行数据，作为跟驰场景下的正常通行数据。从所有正常通行数据中选取事件场景为交叉口冲突的正常通行数据，作为交叉口场景下的正常通行数据交通事件场景包括会车、跟驰、交叉口冲突。

其中，交叉口冲突事件包括7种典型的交叉口冲突类型：

1)交叉口冲突1：本车直行，事件车辆右侧入口左转；

2)交叉口冲突2：本车左转，事件车辆右侧入口左转；

3)交叉口冲突3：本车左转，事件车辆右侧入口直行；

4)交叉口冲突4：本车直行，事件车辆对向入口左转；

5)交叉口冲突5：本车直行，事件车辆右侧入口直行；

6)交叉口冲突6：本车右转，事件车辆对向入口左转；

7)交叉口冲突7：本车直行，事件车辆右侧入口右转。

可以理解的是，本实施例提供的技术方案，通过采集矿用卡车的多条历史通行数据，历史通行数据中包括事件场景、行驶速度和多个通行参数的值，对历史通行数据进行预处理，将异常数据剔除，得到正常通行数据，根据事件场景，对正常通行数据进行数据切分，得到多个场景下的正常通行数据，再根据正常通行数据中的行驶速度和各通行参数的值，对各场景下的正常通行数据进行回归分析，得到该场景下的多个通行参数和行驶速度之间的关系曲线，根据通行参数和行驶速度之间的关系曲线，确定无人驾驶矿用卡车各场景下的通行参数的标准取值范围，从而可以根据大量驾驶人员驾驶时的历史通行数据，比较准确的确定无人驾驶矿用卡车的通行参数的标准取值范围，从而有效解决现有技术中少有体系化的矿用卡车的通行参数的构建和确定方法的问题，为矿用无人驾驶卡车制定类人的通行规则，提高矿区运输效率，提升矿区运输安全。

本发明提供一种矿用卡车控制方法，应用于无人驾驶矿用卡车，包括：

采用以上任一项所述的车辆的通行参数的确定方法，确定所述无人驾驶矿用卡车各场景下的所述通行参数的标准取值范围；

根据所述标准取值范围控制所述无人驾驶矿用卡车的通行。

具体的，采用上述方法确定了无人驾驶矿用卡车在各个场景下的通行参数的标准取值范围后，可以根据上述标准取值范围为所有的无人驾驶矿用卡车设置在各场景下的通行参数，根据通行参数的标准取值范围，控制无人驾驶矿用卡车的通行，从而提高矿用卡车的利用率，减轻驾驶员的工作量和压力，并能保证矿用卡车的驾驶安全性，减少安全事故的发生。

本发明提供了一种车辆的通行参数的确定装置，应用于无人驾驶矿用卡车，参见图3，图3是根据一示例性实施例示出的一种车辆的通行参数的确定装置的框图示意图，包括：

数据采集模块31，用于采集具有驾驶人的矿用卡车的多条历史通行数据，所述历史通行数据中包括事件场景、行驶速度和多个通行参数的值；

数据预处理模块32，用于对所述历史通行数据进行预处理，得到正常通行数据；

数据切分模块33，用于根据所述事件场景，对所述正常通行数据进行数据切分，得到多个场景下的正常通行数据；

回归分析模块34，用于根据所述正常通行数据中的行驶速度和各通行参数的值，对各场景下的正常通行数据进行回归分析，得到该场景下的多个通行参数和所述行驶速度之间的关系曲线；

参数标准确定模块35，用于根据所述通行参数和所述行驶速度之间的关系曲线，确定所述无人驾驶矿用卡车各场景下的所述通行参数的标准取值范围。

优选地，所述对所述历史通行数据进行预处理，得到正常通行数据，包括：

判断所述历史通行数据中的行驶速度是否符合正态分布，若符合正态分布，将所述历史通行数据作为正态分布通行数据，若不符合正态分布，将所述历史通行数据作为非正态分布通行数据；

分别对所述正态分布通行数据和非正态分布通行数据进行异常数据剔除，得到正常通行数据。

优选地，所述对所述正态分布通行数据进行异常数据剔除，包括：

分别计算所有正态分布通行数据中的行驶速度的均值和标准差；

根据所述均值和标准差，计算得到正态分布异常区间；

判断所述正态分布通行数据中的行驶速度是否位于所述正态分布异常区间中，若位于所述正态分布异常区间，确定所述正态分布通行数据为异常数据，将其剔除。

优选地，所述对所述非正态分布通行数据进行异常数据剔除，包括：

将所述非正态分布通行数据中的行驶速度按照从小到大的顺序进行排序；

计算排序后的行驶速度的四个分位数；

根据所述四个分位数，计算得到非正态分布异常区间；

判断所述非正态分布通行数据中的行驶速度是否位于所述非正态分布异常区间中，若位于所述非正态分布异常区间，确定所述非正态分布通行数据为异常数据，将其剔除。

优选地，所述通行参数包括方向盘转角参数、车头间距参数和交叉口后侵入时间参数，所述根据所述正常通行数据中的行驶速度和各通行参数的值，对各场景下的正常通行数据进行回归分析，得到该场景下的多个通行参数和所述行驶速度之间的关系曲线，包括：

建立各通行参数和所述行驶速度之间的损失函数；

根据预设的分位数，利用该场景下所述正常通行数据中的行驶速度和方向盘转角参数的值，对所述损失函数进行优化，优化后，得到该场景下所述方向盘转角参数和所述行驶速度之间的关系曲线；

根据预设的分位数，利用该场景下所述正常通行数据中的行驶速度和车头间距参数的值，对所述损失函数进行优化，优化后，得到该场景下所述车头间距参数和所述行驶速度之间的关系曲线；

根据预设的分位数，利用该场景下所述正常通行数据中的行驶速度和交叉口后侵入时间参数的值，对所述损失函数进行优化，优化后，得到该场景下所述交叉口后侵入时间参数和所述行驶速度之间的关系曲线。

优选地，所述根据所述通行参数和所述行驶速度之间的关系曲线，确定所述无人驾驶矿用卡车各场景下的所述通行参数的标准取值范围，包括：

根据各场景下所述方向盘转角参数和所述行驶速度之间的关系曲线，确定所述无人驾驶矿用卡车该场景下的所述方向盘转角参数的标准取值范围；

根据各场景下所述车头间距参数和所述行驶速度之间的关系曲线，确定所述无人驾驶矿用卡车该场景下的所述车头间距参数的标准取值范围；

根据各场景下所述交叉口后侵入时间参数和所述行驶速度之间的关系曲线，确定所述无人驾驶矿用卡车该场景下的所述交叉口后侵入时间参数的标准取值范围。

优选地，所述事件场景包括会车、跟驰和交叉口冲突，所述根据所述事件场景，对所述正常通行数据进行数据切分，得到多个场景下的正常通行数据，包括：

从所有正常通行数据中选取事件场景为会车的正常通行数据，作为会车场景下的正常通行数据；

从所有正常通行数据中选取事件场景为跟驰的正常通行数据，作为跟驰场景下的正常通行数据；

从所有正常通行数据中选取事件场景为交叉口冲突的正常通行数据，作为交叉口场景下的正常通行数据。

可以理解的是，本实施例提供的技术方案，由于通过上述实施例提及的采集矿用卡车的多条历史通行数据，历史通行数据中包括事件场景、行驶速度和多个通行参数的值，对历史通行数据进行预处理，将异常数据剔除，得到正常通行数据，根据事件场景，对正常通行数据进行数据切分，得到多个场景下的正常通行数据，再根据正常通行数据中的行驶速度和各通行参数的值，对各场景下的正常通行数据进行回归分析，得到该场景下的多个通行参数和行驶速度之间的关系曲线，根据通行参数和行驶速度之间的关系曲线，确定无人驾驶矿用卡车各场景下的通行参数的标准取值范围，从而可以根据大量驾驶人员驾驶时的历史通行数据，比较准确的确定无人驾驶矿用卡车的通行参数的标准取值范围，从而有效解决现有技术中少有体系化的矿用卡车的通行参数的构建和确定方法的问题，为矿用无人驾驶卡车制定类人的通行规则，提高矿区运输效率，提升矿区运输安全。

本发明还提供了一种车辆的通行参数的确定设备，包括：

存储器，其上存储有可执行程序；

处理器，用于执行所述存储器中的所述可执行程序，以实现上述任一项所述方法的步骤。

此外，本发明还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指令，所述计算机指令用于使计算机执行上述任一项所述方法的步骤。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。

可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。

需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。