车辆规控参数配置方法及系统

技术领域

本发明涉及汽车领域，特别是涉及一种车辆规控参数配置方法及系统。

背景技术

随着汽车行业的发展，汽车已经成为人们不可或缺的代步工具。其中，车辆的辅助驾驶功能是一种提升驾驶人员驾车有效性和可靠性的功能。当前L2和L2+级别的ADAS辅助驾驶技术已较为成熟，且装车渗透率已达25％，L2+级别的ADAS辅助驾驶具备的典型功能是NGP功能(领航辅助功能)。

现有NGP功能使用的是一套固定的策略，不能对不同驾驶人员的驾驶习惯进行调整，比如不同的人起步加速过程不同，刹车过程不同，以及空旷路段行驶速度也不尽相同；而NGP在不同场景下的规划控制无法贴合不同驾驶人员的驾驶习惯，进而引起驾驶人员对该功能的反感。

发明内容

鉴于上述状况，有必要针对现有技术中NGP在不同场景下的规划控制无法贴合不同驾驶人员的驾驶习惯的问题，提供一种车辆规控参数配置方法及系统。

本发明公开了一种车辆规控参数配置方法，包括：

云端获取多个不同驾驶场景下的训练数据集，所述训练数据集包括多个驾驶人员在车辆驾驶过程中的执行器数据；

所述云端将各个驾驶场景下的训练数据集分别输入对应驾驶场景的深度学习模型中进行驾驶习惯分类和学习，并输出对应驾驶场景下不同驾驶习惯对应的规控参数；

所述云端将各个驾驶场景下各个驾驶习惯和对应的规控参数存储在模型数据库中；

所述云端根据各个所述驾驶人员的执行器数据和所述模型数据库确定各个所述驾驶人员在各个场景下的规控参数，并根据确定出的信息建立各个所述驾驶人员的规控参数库；

所述云端将各个驾驶人员的规控参数库发送至对应驾驶员的车端进行存储；

车端采集车辆数据，所述车辆数据包括当前驾驶人员的身份信息和当前驾驶场景；

所述车端根据所述当前驾驶人员的身份信息查询本地是否存所述当前驾驶人员的目标规控参数库；

若是，所述车端根据所述当前驾驶场景查询所述目标规控参数库中对应的目标规控参数，并根据所述目标规控参数执行规控操作。

进一步的，上述车辆规控参数配置方法，其中，所述车端根据所述当前驾驶人员的身份信息查询本地是否存所述当前驾驶人员的目标规控参数库的步骤之后还包括：

当本地不存在所述当前驾驶人员的目标规控参数库时，所述车端使用系统默认规控参数。

进一步的，上述车辆规控参数配置方法，其中，所述车辆数据还包括当前执行器数据，所述车端根据所述当前驾驶人员的身份信息查询本地是否存所述当前驾驶人员的目标规控参数库的步骤之后还包括：

当本地不存在所述当前驾驶人员的目标规控参数库时，所述车端发送车辆数据至云端；

当所述云端获取所述当前驾驶人员预设量的车辆数据时

所述云端根据所述车辆数据从所述模型数据库中匹配出所述当前驾驶人员在各个场景下的规控参数，并建立所述当前驾驶人员的规控参数库。

进一步的，上述车辆规控参数配置方法，其中，所述云端根据各个所述驾驶人员的执行器数据和所述模型数据库确定各个所述驾驶人员在各个场景下的规控参数的步骤包括：

所述云端将各个驾驶人员在各个驾驶场景下的执行器数据输入对应场景下的深度学习模型中进行驾驶习惯分类，并输出各个驾驶人员在各个驾驶场景下的驾驶习惯类型；

所述云端根据驾驶人员在各个场景下的驾驶习惯类型在所述模型数据库中查询对应的规控参数。

进一步的，上述车辆规控参数配置方法，其中，所述云端根据确定出的信息建立各个所述驾驶人员的规控参数库的步骤之前还包括：

所述云端获取各个所述驾驶人员的身份信息；

所述云端根据确定出的信息建立各个所述驾驶人员的规控参数库的步骤包括：

所述云端根据确定出的信息和各个所述驾驶人员的身份信息建立各个所述驾驶人员的规控参数库，其中，建立的规控参数库以驾驶员的身份信息为索引。

本发明还公开了一种车辆规控参数配置系统，包括云端和车端，所述云端包括：

第一获取模块，用于获取多个不同驾驶场景下的训练数据集，所述训练数据集包括多个驾驶人员在车辆驾驶过程中的执行器数据；

模型分类模块，用于将各个驾驶场景下的训练数据集分别输入对应驾驶场景的深度学习模型中进行驾驶习惯分类和学习，并输出对应驾驶场景下不同驾驶习惯对应的规控参数；

第一存储模块，用于将各个驾驶场景下各个驾驶习惯和对应的规控参数存储在模型数据库中；

第一建立模块，用于根据各个所述驾驶人员的执行器数据和所述模型数据库确定各个所述驾驶人员在各个场景下的规控参数，并根据确定出的信息建立各个所述驾驶人员的规控参数库；

发送模块，用于将各个驾驶人员的规控参数库发送至对应驾驶员的车端进行存储；

所述车端包括：

第二获取模块，用于获取当前车端发送的车辆数据，所述车辆数据包括当前驾驶人员的身份信息和当前驾驶场景；

查询模块，用于根据所述当前驾驶人员的身份信息查询本地是否存所述当前驾驶人员的目标规控参数库；

第一执行模块，用于根据所述当前驾驶场景查询所述目标规控参数库中对应的目标规控参数，并根据所述目标规控参数执行规控操作。

进一步的，上述车辆规控参数配置系统，所述车端还包括：

第二执行模块，用于当本地不存在所述当前驾驶人员的目标规控参数库时，所述车端执行系统默认规控参数。

进一步的，上述车辆规控参数配置系统，所述车辆数据还包括当前执行器数据，所述云端还包括：

第三获取模块，用于当本地不存在所述当前驾驶人员的目标规控参数库时，获取所述当前驾驶人员预设量的车辆数据；

第二建立模块，用于根据所述车辆数据从所述模型数据库中匹配出所述当前驾驶人员在各个场景下的规控参数，并建立所述当前驾驶人员的规控参数库。

进一步的，上述车辆规控参数配置系统，所述云端还包括：

第四获取模块，用于获取各个所述驾驶人员的身份信息；

所述根据确定出的信息建立各个所述驾驶人员的规控参数库的步骤包括：

根据确定出的信息和各个所述驾驶人员的身份信息建立各个所述驾驶人员的规控参数库，其中，建立的规控参数库以驾驶员的身份信息为索引。

本发明中，云端收集多个驾驶员在不同驾驶场景下的不同执行器数据，在得到大量对不同场景下的大量执行器数据后，通过深度学习模型中进行驾驶习惯分类和学习，得到不同驾驶场景下不同驾驶习惯对应的规控参数，并为各个驾驶员建立规控参数库发送中对应车端。当车端使用NGP功能时，车端获取当前驾驶人员的身份信息和当前驾驶场景，并根据当前驾驶人员的身份信息查询本地是否存当前驾驶人员的目标规控参数库。若存在，根据当前驾驶场景查询该目标规控参数库中对应的目标规控参数，并根据该目标规控参数完成操作。通过该方法可以最大程度解决NGP在不同场景下的规划控制无法贴合不同驾驶员的驾驶习惯的问题。

附图说明

图1为本发明实施例中车辆规控参数配置方法的流程图；

图2为本发明实施例中刹车过程不同速度变化折线图；

图3为发明实施例中车辆规控参数配置系统的结构框图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

参照下面的描述和附图，将清楚本发明的实施例的这些和其他方面。在这些描述和附图中，具体公开了本发明的实施例中的一些特定实施方式，来表示实施本发明的实施例的原理的一些方式，但是应当理解，本发明的实施例的范围不受此限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。

请参阅图1，为本发明实施例中的车辆规控参数配置方法，包括步骤S11～S18。

步骤S11，云端获取多个不同驾驶场景下的训练数据集，所述训练数据集包括多个驾驶人员在车辆驾驶过程中的执行器数据。

该多个驾驶场景为车辆驾驶过程中根据周围环境、车辆状态定义出的不同驾驶过程，例如，场景一，无前车起步加速过程；场景二，无前车刹车过程；场景三，跟车过程，等场景。该执行器数据为驾驶过程中采集到的执行器的运行数据，例如为车速、加速度、车距等。

该训练数据集可以是在得到用户同意下，实施收集车端的执行器数据。具体实施时，车端通过人员识别器在线识别用户获得驾驶人员的身份信息，并在驾驶过程中收集不同场景下的执行器数据，经过处理和筛选后发送至云端数据库存储。该云端将执行器数据、驾驶场景和人员身份信息对应存储。例如表1，其为云端数据库存储内容，云端数据库记录不同场景记录多条随时间变化的执行器数据。

步骤S12，所述云端将各个驾驶场景下的训练数据集分别输入对应驾驶场景的深度学习模型中进行驾驶习惯分类和学习，并输出对应驾驶场景下不同驾驶习惯对应的规控参数。

该深度学习模型例如可以为不同驾驶场景可采用不同的深度学习模型进行驾驶习惯分类和学习。该驾驶习惯是根据用户在一驾驶场景下的驾驶过程中的行为表现来定义的，例如在无前车刹车过程中，用户的驾驶习惯可以分为四种类型，极快、极慢、先快后慢、适中。

图2为刹车过程不同速度变化折线图，此图旨在解释不同驾驶人员刹车时的不同驾驶习惯：系列1为极快类型对应的减速把车刹停；系列二是先快后慢类型的刹车过程，即用户先踩刹猛一点，然后慢慢减小刹车力度最后刹停；系列三则是极慢类型的刹车过程，即用户始终轻踩刹车把车刹停。虽然每人每次的刹车过程都不一样，但是对多次数据通过筛选可以拟合出个人刹车过程速度变化的大致趋势，进而训练出对应规控参数。

进一步的，在实际应用中，训练得到的规控参数还需要进行仿真试验和实地测试，验证其安全性。例如在本发明的其中一种实现方式中，不同场景的规控参数生成过程如下：

(1)云端逐一对不同场景的全部执行器数据进行挖掘和分析，拟合分类出一定种类(比如100种)的驾驶习惯的执行器数据，并学习训练出对应NGP规控参数，利用出厂规控参数上下限筛选出符合的规控参数；

(2)车厂利用仿真软件模拟各场景，对筛选出来的NGP规控参数进行大量测试，确定其安全性；

(3)在大量仿真模拟之后，车厂设置各场景场地，让测试员上车依次测试对应的各种规控参数，测试合格则投入应用。

本实施例中，可以在云端建立一个存放用户身份和不同驾驶场景下的执行器数据的数据库，得到用户同意下，车端通过人员识别器在线识别用户，并收集不同驾驶场景下的不同执行器数据，经过处理和筛选后存入云端数据库。在得到大量对不同场景下的大量执行端数据进行分析和挖掘，在一定程度上分类并学习训练得到对应的规控参数。厂家逐一对同场景的不同分类的规控参数进行大量仿真测试以及实车测试，确定无驾驶安全问题后开放适配领航功能。

步骤S13，所述云端将各个驾驶场景下各个驾驶习惯和对应的规控参数存储在模型数据库中。

步骤S14，所述云端根据各个所述驾驶人员的执行器数据和所述模型数据库确定各个所述驾驶人员在各个场景下不同驾驶习惯对应的规控参数，并根据确定出的信息建立各个所述驾驶人员的规控参数库。

步骤S15，所述云端将各个驾驶人员的规控参数库发送至对应驾驶员的车端进行存储。

具体的，该模型数据库存储各个深度学习模型进行驾驶习惯分类和学习的结果，该多个驾驶场景、各个驾驶习惯、规控参数均对应存储在云端。

该模型数据库中的各个规控参数，是基于大量的驾驶人员的执行器数据学习训练得到的，为了便于各个驾驶员后续使用该规控参数，本实施例为各个驾驶员建立对应的规控参数库并发送至对应的车端，每个驾驶员的规控参数库存储有分别对应多个驾驶场景的规控参数。

其中，云端根据各个所述驾驶人员的执行器数据和所述模型数据库确定各个所述驾驶人员在各个场景下的规控参数的步骤包括：

将各个驾驶人员在各个驾驶场景下的执行器数据输入对应场景下的深度学习模型中进行驾驶习惯分类，并输出各个驾驶人员在各个驾驶场景下的驾驶习惯类型；

根据驾驶人员在各个场景下的驾驶习惯类型在所述模型数据库中查询对应的规控参数。

进一步的，云端还可以将各个驾驶员的规控参数数据库存储在云端的用户数据库中，可以理解的，为了便于区分和快速查找，将各个驾驶员的规控参数库以人员的身份信息为索引信息进行存储。

步骤S16，车端采集车辆数据，所述车辆数据包括当前驾驶人员的身份信息和当前驾驶场景。

步骤S17，所述车端根据所述当前驾驶人员的身份信息查询本地是否存所述当前驾驶人员的目标规控参数库。

步骤S18，若是，所述车端根据所述当前驾驶场景查询所述目标规控参数库中对应的目标规控参数，并根据所述目标规控参数执行规控操作。

具体应用时，当前车端需要开启NGP功能和NGP适配功能，以建立车端与云端的连接。当前车端开启NGP功能和NGP适配功能后，车端通过场景识别器、人员识别器和执行器获取车辆数据，即车端的场景识别器识别和获取当前驾驶场景，人员识别器获取当前驾驶员的身份信息，同时执行器还可以获取当前执行器数据。

进一步的，车端还可以将实时获取到的车辆数据发送至云端存储，以便于后续对用户数据库中该当前驾驶人员的规控参数库进行更新。

车端根据当前驾驶人员的身份信息查询本地是否存当前驾驶人员的目标规控参数库。若存在，车端根据当前驾驶场景查询该目标规控参数库中对应的目标规控参数，并发送至执行器，当前车端的执行器根据该目标规控参数完成操作。

即车端使用NGP适配功能过程如下：

(1)车端打开NGP功能和NGP适配功能；

(2)识别车端驾驶员身份并判断该驾驶员是否已有规控参数库；

(3)若有，将各驾驶场景适配的参数下发更新至车端NGP，新用户只能使用出厂默认的规控参数；

(4)NGP根据规控参数发出指令给底盘执行器，由执行器完成操作。

可以理解的，当车端本地不存在当前驾驶人员的目标规控参数库时，该方法还包括：

所述车端实时发送车辆数据至云端；

当所述云端获取所述当前驾驶人员预设量的车辆数据时，所述云端根据所述车辆数据从所述模型数据库中匹配出所述当前驾驶人员在各个场景下的规控参数，并建立所述当前驾驶人员的规控参数库。

对于新用户来说，车端将驾驶员的身份信息，以及该驾驶员在一段时间内的驾驶过程中识别到的驾驶场景和对应的执行器数据发送至云端。云端收集该用户一定量的车辆数据(如半个月的车辆数据)后，根据该车辆数据中的执行器数据确定该用户的在不同驾驶场景下的驾驶习惯类型，再根据各场景下的驾驶习惯类型在模型数据库中查询对应的规控参数，再建立该用户的规控参数库。

进一步的，由于用户的驾驶习惯可能随着时间会有些改变，当前的规控参数可能在一段时间后不适合该用户。因此，在本发明的其中一实施例中，各个用户的规控参数库定期进行更新，即车厂在车端开放NGP适配功能，以实时获取各个驾驶员的车辆数据，并根据获取的车辆数据以一定频率(例如每半月)更新各个驾驶员的规控参数库。具体实施时可以将定期获取到的驾驶员的不同驾驶场景下的执行器数据拟合成一组数据(比如取平均值)；将拟合出的各驾驶场景下的执行器数据与模型数据库进行匹配，从而得到匹配的规控参数，并将匹配出的规控参数覆盖对应人员的规控参数库中的对应规控参数。

请参阅图3，为本发明实施例中的一种车辆规控参数配置系统，包括云端100和车端200，所述云端100包括：

第一获取模块101，用于获取多个不同驾驶场景下的训练数据集，所述训练数据集包括多个驾驶人员在车辆驾驶过程中的执行器数据；

模型分类模块102，用于将各个驾驶场景下的训练数据集分别输入对应驾驶场景的深度学习模型中进行驾驶习惯分类和学习，并输出对应驾驶场景下不同驾驶习惯对应的规控参数；

第一存储模块103，用于将各个驾驶场景下各个驾驶习惯和对应的规控参数存储在模型数据库中；

第一建立模块104，用于根据各个所述驾驶人员的执行器数据和所述模型数据库确定各个所述驾驶人员在各个场景下的规控参数，并根据确定出的信息建立各个所述驾驶人员的规控参数库；

发送模块105，用于将各个驾驶人员的规控参数库发送至对应驾驶员的车端进行存储；

所述车端200包括：

第二获取模块201，用于获取当前车端发送的车辆数据，所述车辆数据包括当前驾驶人员的身份信息和当前驾驶场景；

查询模块202，用于根据所述当前驾驶人员的身份信息查询本地是否存所述当前驾驶人员的目标规控参数库；

第一执行模块203，用于根据所述当前驾驶场景查询所述目标规控参数库中对应的目标规控参数，并根据所述目标规控参数执行规控操作。

进一步的，上述车辆规控参数配置系统，其中，所述车端200还包括：

第二执行模块，用于当本地不存在所述当前驾驶人员的目标规控参数库时，所述车端执行系统默认规控参数。

进一步的，上述车辆规控参数配置系统，其中，所述车辆数据还包括当前执行器数据，所述云端100还包括：

第三获取模块，用于当本地不存在所述当前驾驶人员的目标规控参数库时，获取所述当前驾驶人员预设量的车辆数据，所述车辆数据包括驾驶过程中识别到的驾驶场景和对应的执行器数据；

第二建立模块，用于根据所述车辆数据从所述模型数据库中匹配出所述当前驾驶人员在各个场景下的规控参数，并建立所述当前驾驶人员的规控参数库。

进一步的，上述车辆规控参数配置系统，其中，所述云端100还包括：

第四获取模块，用于获取各个所述驾驶人员的身份信息；

所述根据确定出的信息建立各个所述驾驶人员的规控参数库的步骤包括：

根据确定出的信息和各个所述驾驶人员的身份信息建立各个所述驾驶人员的规控参数库，其中，建立的规控参数库以驾驶员的身份信息为索引。

本发明实施例所提供的车辆规控参数配置系统，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。

本领域技术人员可以理解，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置中获取指令并执行指令的系统)使用，或结合这些指令执行系统、装置而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或结合这些指令执行系统、装置而使用的设备。

计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

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它们的组合来实现：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。

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。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。