智能汽车的控制方法、装置和控制系统

技术领域

本申请涉及智能汽车领域，尤其涉及一种智能汽车的控制方法、装置和系统。

背景技术

随着人工智能(artificial intelligence,AI)技术的发展，以及该技术在汽车领域的应用，使得具有自动驾驶(automated driving)功能的智能汽车(intelligent car)得到广泛关注。智能汽车中利用控制模块控制智能汽车的行驶，控制模块需要确定行驶轨迹和速度，行驶轨迹依赖于驾驶员所设置的目的地，而速度往往采用误差反馈的传统方法确定。为了使智能汽车达到预期速度，控制模块利用比例-积分-微分(proportional–integral–derivative,PID)方法调整误差，根据控制算法及上一时刻油门刹车值确定当前油门和刹车的控制量。但是，由于智能汽车行驶路段的路况复杂多样，智能汽车需要考虑其他车辆的行驶情况和道路基础设施的情况进行避障，使得自身的速度一直处于变化中，而对于控制模块来说，当前车速与目标速度的误差越大，调整的幅度越大，控制模块在智能汽车的自动驾驶中表现为频繁切换油门和刹车，上述误差反馈的方法并未考虑车载人员的舒适度，体验较差。因此，如何提供一种舒适度高、体验好的智能汽车的控制方法成为亟待解决的技术问题。

发明内容

本申请提供了一种智能汽车的控制方法，可以提高智能汽车的舒适度、驾驶体验。

第一方面，提供一种智能汽车的控制方法，车辆控制系统首先获取当前时刻智能汽车的驾驶模式、驾驶风格模型和目标车速；然后，根据驾驶风格模型和驾驶模式确定速度控制指令；再将上述速度控制指令发送给智能汽车的车辆执行系统。通过上述方法，可以结合驾驶员选择的驾驶风格模型控制智能汽车行驶，以此提高驾驶员驾驶智能汽车的驾驶体验和舒适度。

在一种可能的实现方式中，速度控制指令包括油门开度和刹车值。油门开度和刹车值作为控制智能汽车行驶的关键因素，不同驾驶员在人工驾驶智能汽车时会有不同驾驶习惯，例如，在燃油车中驾驶员对油门踏板和刹车踏板的控制，或者，在电动车中驾驶员对车辆的加速度和制动系统的控制。其中，所述油门开度是指用于智能汽车中控制车辆加速度的参数；所述刹车值是指智能汽车中控制车辆制动的参数。上述方法通过利用驾驶员选择的驾驶风格模型确定带有油门开度和开度的速度控制指令，进而控制智能汽车按照驾驶员选择的驾驶风格模型控制智能汽车行驶，以此提高驾驶员驾驶智能汽车的舒适度。

在另一种可能的实现方式中，车辆控制系统包括决策控制器和自动驾驶控制器，决策控制器可以根据当前时刻的路况信息确定行驶轨迹和目标车速，其中，路况信息包括智能汽车的地图系统、定位设备和融合系统提供的信息中一种或多种。自动驾驶控制器获取驾驶员选择的驾驶模式和驾驶风格模型，并进一步根据驾驶风格模型和驾驶模式，以及路况信息确定速度控制指令。

在另一种可能的实现方式中，智能汽车的驾驶模式包括人工驾驶模式和自动驾驶模式，在自动驾驶模式时，驾驶员可以通过智能汽车选择驾驶风格模型，智能汽车中包括驾驶风格模型库，驾驶风格模型库中包括多个预设的驾驶风格模型的集合，每个驾驶风格模型包括不同的油门开度和刹车值。利用油门开度和刹车值指示不同驾驶员的驾驶习惯，在智能汽车行驶过程中，按照不同驾驶风格模型中油门开度和刹车值控制智能汽车行驶，以模拟驾驶员按照其喜好所选择的驾驶风格控制智能汽车行驶，以此实现更加符合驾驶员驾驶习惯的驾驶操作。

在另一种可能的实现方式中，当智能汽车的驾驶模式为人工驾驶模式时，车辆控制系统可以收集智能汽车在预设时段内驾驶员的驾驶数据；利用机器学习算法根据驾驶数据获得符合驾驶员驾驶习惯的定制化驾驶风格模型，其中，定制化驾驶风格模型包括满足驾驶员的驾驶习惯的油门开度和刹车值；再将定制化驾驶风格模型添加至智能汽车存储的驾驶风格模型库。本申请中除了利用智能汽车预置的驾驶风格模型库外，也可以在人工驾驶模式中收集驾驶员的驾驶数据，并以此驾驶数据为基础训练获得符合当前驾驶员驾驶习惯的驾驶风格模型，如果该智能汽车切换为自动驾驶模式，驾驶员可以选择定制化驾驶风格模型，智能汽车会按照该模型中油门开度和刹车值模拟当前驾驶员的驾驶习惯控制智能汽车行驶，以此提高驾驶员的驾驶体验。

在另一种可能的实现方式中，所述自动驾驶控制器计算当前时刻智能汽车的实际车速和目标车速的误差；然后，根据误差确定加速度，其中，加速度用于指示智能汽车在单位时间内由当前时刻的实际车速达到目标车速的速度变化量；再根据比例-积分-微分算法确定第一油门开度和第一刹车值；根据驾驶员选择的驾驶风格模型确定第二油门开度和第二刹车值；根据第一油门开度、第一权重值、和第二油门开度和第二权重值计算获得第三油门开度；再根据第一刹车值、第三权重值、第二刹车值和第四的权重值计算获得第三刹车值；其中，第一权重值和第二权重值为油门开度权重值，且第一权重值和第二权重值的和为1；第三权重值和第四权重值为刹车值权重值，且第三权重值和第四权重值的和为1。向所述车辆执行系统发送包括所述第三油门开度和第三所述刹车值。

在另一种可能的实现方式中，利用人机交互控制器向驾驶员提供智能汽车的驾驶风格模型库，驾驶员可以通过语音、文字、按钮等人机交互的形式在驾驶风格模型库中选择驾驶风格模型；接收人机交互控制器发送的驾驶员选择的驾驶风格模型。驾驶员可以通过人机交互控制器利用语音或文字等形式与智能汽车进行消息交互，了解智能汽车的行驶状态，进而控制智能汽车的行驶过程，而不是在对智能汽车行驶过程完全无知的情况下体验自动驾驶过程，提升了驾驶员的驾驶体验。另一方面，紧急情况下，驾驶员也可以通过人机交互控制器提供的交互界面或语音等形式控制智能汽车行驶，而不是完全依赖于智能汽车的控制器，进一步提升了智能汽车行驶过程的安全性。

第二方面，本申请提供一种智能汽车的控制装置，所述控制装置包括用于执行所述第一方面或第一方面任一种可能实现方式中的智能汽车的控制方法的各个模块。

第三方面，本申请提供一种智能汽车的控制系统，所述智能控制系统包括决策控制器、自动驾驶控制器，所述决策控制器和自动驾驶控制器用于执行上述第一方面或第一方面的任意一种可能的实现中各个执行主体执行的所述方法的操作步骤。

第四方面，本申请提供一种智能汽车的控制系统，所述控制系统包括处理器、存储器、通信接口、总线，所述处理器、存储器和通信接口之间通过总线连接并完成相互间的通信，所述存储器中用于存储计算机执行指令，所述控制系统运行时，所述处理器执行所述存储器中的计算机执行指令以利用所述控制系统中的硬件资源执行所述第一方面或第一方面任一种可能实现方式中所述方法的操作步骤。

第五方面，本申请提供一种智能汽车，所述智能汽车控制系统，该控制系统用于执行包括第四方面或第四方面的任一种可能实现方式中所述控制系统所实现的功能。

第六方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面所述的方法。

第七方面，本申请提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各方面所述的方法。

本申请在上述各方面提供的实现方式的基础上，还可以进行进一步组合以提供更多实现方式。

附图说明

图1为本申请提供的一种智能汽车的逻辑架构的示意图；

图2为本申请提供的一种智能汽车的控制方法的流程示意图；

图3为本申请提供的一种智能汽车的自动驾驶模式控制方法的流程示意图；

图4为本申请提供的一种智能汽车的人机交互系统的示意图；

图5为本申请提供的一种智能汽车的控制装置的结构示意图；

图6为本申请提供的一种智能汽车的控制系统的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请中的技术方案进行清楚描述。

首先，结合图1介绍本申请所提供的一种智能汽车100的逻辑架构的示意图，如图所示，智能汽车100中包括人机交互控制器10、驾驶模式选择器20、车辆控制系统30、车辆执行系统40、定位设备50、感知系统60和地图系统70。

其中，人机交互控制器10，用于实现智能汽车和驾驶员的消息交互，驾驶员可以通过人机交互控制器10选择智能汽车的驾驶模式和驾驶风格模型。人机交互控制器10可以提供包括语音、文字等形式与驾驶员进行消息交互，也可以通过座椅震动、车内指示灯闪烁等其他形式与驾驶员进行消息交互。

驾驶模式选择器20，则用于将驾驶员通过人机交互控制器10输入的信息传递给车辆控制系统30，再由车辆控制系统30依据驾驶员所选择的驾驶风格模型控制智能汽车行驶，而车辆控制系统30则是通过车辆执行系统40实现对智能汽车的控制。其中，车辆执行系统40包括但不限于制动系统、转向系统、驱动系统、照明系统等控制车身行驶的设备或子系统。

车辆控制系统30又包括人工驾驶控制器301、决策控制器302和自动驾驶控制器303。人工驾驶控制器301，用于获取并保存用户驾驶数据，利用神经网络模型训练采集到的数据得到该训练数据的驾驶风格模型。其中，人工驾驶控制器301可以将获取的用户驾驶数据存储至其自身的存储器中，也可以将用户数据存储至智能汽车的其他存储设备。决策控制器302，用于为智能汽车提供决策和路径规划的子系统，包括但不限于全局路径规划、行为规划和运行规划。自动驾驶控制器303，用于根据决策控制器302规划的智能汽车行驶轨迹和速度，以及驾驶员所选择的驾驶风格模型控制智能汽车行驶。

作为一个可能的实现方式，车辆控制系统30可以由一个或一组处理器组成。人工驾驶控制器301、决策控制器302和自动驾驶控制器303分别由一个或多个处理器实现其功能，或者，由一组处理器分别实现上述人工驾驶控制器301、决策控制器302和自动驾驶控制器303的功能。可选地，人工驾驶控制器301、决策控制器302和自动驾驶控制器303除了由硬件实现之外，也可以由软件实现，或者，由软件和硬件相结合的方式实现其功能。

定位设备50，包括全球定位系统(global positioning system,GPS)、惯性导航系统(inertial navigation system,INS)等用于确定车辆位置的设备或子系统。

融合系统60，用于为智能汽车的感知设备601获得目标物体提供融合、关联以及预测功能，以此为智能汽车的各子系统提供正确的静态和/或动态障碍物信息，包括但不限于人、车辆、路障等实物的位置、大小、姿态和速度。其中，感知设备601，用于为智能汽车提供目标检测和分类，包括雷达、传感器、摄像机等传感设备中一种或多种。

可选地，智能汽车100中还可以包括存储器70，用于存储地图文件，车辆控制器30可以从存储器70中获取地图文件，并结合实时路况信息控制智能汽车行驶轨迹。

值得说明的是，本申请中智能汽车包括支持智能驾驶功能的汽车，可以是燃油汽车，也可以是电动汽车，或其他新型能源汽车。图1所示的智能汽车的逻辑架构仅为本申请提供的一种智能汽车的示例，其结构并不构成对本申请所要保护的技术方案的限定。另一方面，上述图1中所示的各个设备或系统可以由软件实现，也可以由硬件实现，本申请对此不作限定。

接下来，结合图2进一步介绍本申请所提供的智能汽车的控制方法。如图所示，该方法包括：

S201、获取驾驶员选择的驾驶模式。

智能汽车可以由图1所示的人机交互控制器10接收驾驶员的指令。示例地，图3为一种人机交互界面示意图。如图所示，驾驶员可以通过驾驶模式选择界面10选择人工驾驶模式101或自动驾驶模式102，该界面可以利用不同颜色和/或图案等可以标识不同模式的标识指示不同模式。

可选地，除了上述界面按钮的提示外，人机交互控制器也可以提供语音提示，并允许驾驶员利用语音输入指令，方便用户选择驾驶模式。在语音选择过程中，允许驾驶员先根据实际需求，以语音形式选择驾驶模式。

当驾驶员选择自动驾驶模式时，人机交互系统还可以通过语音或界面形式提示驾驶员所需选择的驾驶风格，更进一步地，人机交互系统还可以提供每种驾驶风格的简要解释，具体可以利用界面或语音的形式通知驾驶员每种驾驶风格模型的特征，以便驾驶员更好的选择自己所需的驾驶风格。示例地，图3中提供了一种驾驶风格模型选择界面30的示意图，如图所示，智能汽车中包括3种驾驶风格模型，驾驶风格模型301、驾驶风格模型302和定制化驾驶风格模型303。另一方面，人机交互控制器可以将智能汽车与驾驶员的交互信息以可视化的界面行驶呈现在智能汽车中，例如，人机交互界面可以显示在前挡风玻璃上，也可以显示后视镜或其他车载设备或界面上，便于驾驶员与智能汽车系统的交互。当智能汽车接收到驾驶员的指令后，驾驶模式选择器20获取驾驶员所选择的驾驶模式，进一步规划智能汽车的行驶轨迹和车速。

S202、判断驾驶模式是否为自动驾驶模式。

车辆控制系统需要判断驾驶员选择的驾驶模式是否为自动驾驶模式，如果驾驶模式为自动驾驶模式，则执行步骤S203；如果驾驶模式为人工驾驶模式，则执行步骤S213。

S203、当驾驶模式为自动驾驶模式时，获取驾驶员选择的驾驶风格模型。

当驾驶模式为自动驾驶时，驾驶员还可以通过人机交互界面选择驾驶风格，每种驾驶风格对应一个驾驶风格模型。示例地，如图3所示的驾驶风格选提示30，该界面包括驾驶风格模型301、驾驶风格模型302和定制化驾驶风格模型303。当驾驶员确认驾驶风格模型后，选定的结果(例如，驾驶风格模型的标识)会通过人机交互控制器、驾驶模式选择器传递至车辆控制器，由自动驾驶控制器控制智能汽车按照驾驶员所选择的驾驶风格行驶至目的地。

智能汽车中至少一种驾驶风格模型，驾驶风格模型可以通过以下方式中任意一种或多种方式获得：

方式一：智能汽车中预置驾驶风格模型。

智能汽车中预置驾驶风格模型库，驾驶风格模型库中包括至少一种驾驶风格模型。每种驾驶风格模型可以是智能汽车出厂时预置的，具体可以以预设的多种类型的驾驶员的驾驶数据为原始数据(或称为驾驶数据)，利用机器学习算法对上述原始数据进行训练，进而获得符合每种类型的驾驶员的驾驶习惯的驾驶风格模型。

驾驶风格模型具体可以采用神经网络模型训练原始数据获得，具体实施时，驾驶风格模型的训练过程可以根据业务需求选择任意一种神经网络模型训练原始数据获得。例如，采用具有三层神经元的神经网络模型对驾驶数据进行训练，该神经网络模型主要包括三层：输入层、隐含层和输出层，输入层用于提取驾驶数据的部分特征，隐含层则用于提取驾驶数据中除输入层提取的特征之外的特征，输出层则用于对输入层和隐含层提取的特征进行处理，输出最终结果。可选地，隐含层也可以在输入层提取的特征基础上进一步提取所需内容，并提取除输入层提取特征之外的特征。可选地，为了保证神经网络模型获得的驾驶风格模型更接近驾驶员的真实驾驶数据，可以利用反向传播(back propagation,BP)原理对训练结果进行修正，即将神经网络模型获得的输出结果与真实数据相比较，并进一步调整各个层级中神经元的加权值，使得神经网络模型训练获得的结果更接近真实数据。神经网络模型中各个层级的神经元的个数可以根据具体业务需求设置。

驾驶风格模型训练过程中，将目标车速、当前车速和加速度作为反向传播神经网络模型的输入值，油门开度和刹车值为该神经网络模型的输出值。其中，油门开度是指用于智能汽车中控制车辆加速度的参数，油门开度越大，加速度越大。示例地，在燃油车中，发动机是根据节气门开度来控制喷油量，进而控制车辆的加速度。油门开度指则是指节气门开度，具体实施时，则是指驾驶员通过油门踏板控制节气门开度，也可以将油门开度理解为油门踏板的开度，类似于驾驶员脚踏在油门踏板时，对油门踏板施加压力使得油门踏板与水平面形成的角度。或者，简单理解为油门开度是驾驶员踩油门踏板的深度。在电动车中，油门开度是指通过油门控制装置(例如，电动加速按钮)控制车辆的加速度的参数。刹车值是指智能汽车中控制车辆制动的参数，刹车值越大，制动力矩越大。示例地，在燃油车中，刹车值是指驾驶员脚踩制动踏板向制动踏板施压，压力通过真空助力器进行放大传导；放大的力推动制动总泵，对制动液加压；制动液通过制动组合阀分配到前、后轮制动器，同时制动警示灯亮起，控制前、后轮制动器制动，进而使车辆制动。在电动车中，刹车值则是指通过刹车控制装置控制车辆制动的参数。

接下来，结合示例进一步介绍本申请获得驾驶风格模型的过程。首先，从真实驾驶员的驾驶数据中提取t时刻的车速v(t)、油门踏板位置(pedal position,PP)PP(t)、刹车踏板位置(break position,BP)BP(t)，以及t+k时刻的车速v(t+k)。由于智能汽车行驶过程中获取车速的过程可能存在延迟，因此，智能汽车的实际输出有k秒的延迟，例如，k的取值一般为1～2秒。将v(t)、PP(t)和BP(t)作为神经网络模型的输入，经过神经网络模型中各个层的神经元训练后所获得的t+k时刻的车速为v'(t+k)。此时，神经网络模型训练获得的车速和实际车速的差值为v(t+k)-v'(t+k)；然后，再将该差值通过反向传播原理进一步进行修正，保证神经网络训练模型获得的数据更加接近真实值，最终获得基于神经网络模型训练的驾驶风格模型。通过对驾驶员的驾驶数据的不断训练，提高驾驶风格模型的准确性，最终使得神经网络模型获得的数据更加接近于真实驾驶员的驾驶数据。

可选地，驾驶风格模型训练是一个不断迭代的训练过程，通过不断的训练过程，让最终获得的驾驶风格模型更接近真实驾驶员的驾驶数据。在具体实施中，可以按照预设条件确定迭代的次数，例如，当神经网络模型训练获得的车速和实际车速的差值小于预设值时，则停止神经网络模型的训练过程。或者，当训练结果与真实结果的差值在预设误差范围内时，则完成模型的训练过程。

值得说明的是，神经网络模型的训练过程可以理解为一个黑盒过程，通过多组驾驶数据作为该模型输入，以及每次迭代过程中各层神经元的计算处理，使得最终获得的模型更接近驾驶员实际操作的过程。具体实施时，可以根据具体需求设置输入层、隐含层和输出层中神经元的个数。本申请对神经网络模型不作限定，具体实施时可以根据业务需求选择神经网络模型。另外，神经网络模型中各层级神经元处理过程，以及结果修正过程也不对本申请构成限定。

示例地，以驾驶员A和驾驶员B的驾驶数据作为经验库中样本数据，分别收集两个驾驶员驾驶智能汽车时的驾驶数据，并以该驾驶数据作为机器学习算法的输入，经过机器学习算法训练获得不同的驾驶风格模型作为预置的驾驶风格模型。此时，经验库中包括两种不同驾驶员风格模型，若驾驶员A喜欢开快车，那么，通过驾驶员A的驾驶数据训练获得的驾驶风格模型中则会考虑驾驶员的喜好，油门和加速度的切换操作较多。若驾驶员B开车较平稳，那么，通过驾驶员B的驾驶数据训练获得的驾驶风格模型中则较少会出现紧急制动、频繁加速的情况。

方式二：智能汽车根据当前驾驶员的驾驶数据训练获得的驾驶风格模型。

驾驶员也可以选择根据其驾驶习惯所收集的驾驶数据训练获得的定制化的驾驶风格模型，具体训练过程可以参见方式一中预置的驾驶风格模型的训练过程，本申请对此不作限定。

S204、决策控制器根据当前路况信息确定目标车速和轨迹控制指令。

当智能汽车处于自动驾驶模式时，决策控制器可以分别从融合系统获取障碍物信息(包括但不限于障碍物的类型、高度、速度等)、从地图系统和定位设备获得自身的位置信息，进而由车辆控制系统中的决策控制器进行全局和/或局部路径规划，输出智能汽车到达目的地的全部或部行驶轨迹。然后，再由决策控制器将智能汽车到达目的地的全部或部分行驶轨迹发送给自动驾驶控制器，执行步骤S205的操作。

可选地，决策控制器也可以仅获得融合系统、地图系统和定位设备中至少一种的信息，并根据上述信息进行全局和/或局部路径规划，输出智能汽车到达目的地的全部或部行驶轨迹。

S205、根据驾驶员选择的驾驶风格模型和目标车速确定速度控制指令。

车辆控制系统的自动驾驶控制器结合驾驶风格模型和传统的目标速度调整方法，对输入的目标车速进行控制，输出包括油门、刹车控制的纵向指令。并将上述横向指令和纵向指令发送给车辆执行系统，进而控制智能汽车运行。其中，传统的目标速度调整方法可以是比例-积分-微分方法，也可以是其他方法，本申请对此不作限定。

图4为本申请提供的一种自动驾驶模式控制过程的示意图，如图所示，车辆控制系统中的自动驾驶控制器从决策控制器获取目标车速和智能汽车的实际车速，并根据目标车速和实际车速计算误差，并将该误差作为比例-积分-微算法的输入，按照误差反馈的方式计算智能汽车达到目标车速所需要的油门开度和刹车值，以此作为智能汽车达到目标车速的共性部分要求。其中，比例-积分-微分算法包括比例单元、积分单元和微分单元。可以通过调整三个单元的增益来调整误差，误差越大调整的幅度越大。具体实施过程可以参见传统技术的处理过程，本申请对此不在赘述。

另一方面，自动驾驶控制器根据目标速度和误差计算智能汽车达到目标车速的加速度，该加速度用于实现在单位时间内智能汽车的速度调整至目标车速的速度变化量；以预期的加速度和目标车速作为驾驶风格模型算法的输入，利用机器学习算法计算获得油门开度和刹车值，并将上述油门开度和刹车值作为个性部分。其中，本申请并不限定机器学习算法的类型，可以采用包含输入层、隐含层和输出层的神经元的神经网络算法，每层中神经元的个数可以根据具体业务需求设定。例如，具体实施时可以根据精度要求设置每层神经元的个数，神经元个数越多精确越高。进而获得驾驶风格模型算法获得的油门开度和刹车值。

最后，将驾驶风格模型算法和经过比例-积分-微分算法获得的油门开度和刹车值分别进行叠加。具体叠加方法可以使用加权方法，根据具体实施时业务需求设置驾驶风格模型算法和经过比例-积分-微分算法获得的油门开度和刹车值的权重值，其中，权重值用于指示两种算法获得的油门开度或刹车值所占的比重。例如，根据智能汽车的硬件能力分别为比例-积分-微分算法获得的油门开度和驾驶风格模型算法获得的油门开度配置权重值，且上述油门开度的权重值的和为1；再为比例-积分-微分算法获得的刹车值和驾驶风格模型算法获得的刹车值配置权重值，且上述刹车值的权重值的和为1。最终，根据驾驶风格模型算法获得的油门开度和刹车值，以及传统算法获得的油门开度和刹车，结合权重值叠加后获得的油门开度和刹车值作为速度控制指令发送给车辆执行系统。例如，假设驾驶风格模型算法获得的油门开度为S1，刹车值为B1；比例-积分-微分算法获得的油门开度为S2，刹车值为B2；智能驾驶汽车为驱动和发动机性能较优的车辆，假设驾驶风格模型算法获得的油门开度的权重值为a1，比例-积分-微分算法获得的油门开度的权重值为a2，比例-积分-微分算法获得的刹车值的权重值为b1，驾驶风格模型算法获得的刹车值的权重值为b2，且a1+a2＝1，b1+b2＝1。则最终确定的油门开度S为(S1*a1+S2*a2)，刹车值B为(B1*b1+B2*b2)。此时，自动驾驶控制器可以将油门开度S和刹车值B作为速度控制指令的内容发送给智能汽车的车辆执行系统，进而控制智能汽车运行。

作为一个可能的实施例，上述权重值设置过程中，也可以为每种算法设置一个权重值，那么，最终确定的油门开度和刹车值是利用每种算法分配的权重值进行计算获得的。示例地，将上述示例中权重值设置为a1＝b1，a2＝b2。此时，最终确定的油门开度S为(S1+S2)*a1，刹车值B为(B1+B2)*b1。

作为一种可能的实施例，智能汽车在行驶过程中，由于其他车辆行驶轨迹和速度存在不确定性，而上述车辆行驶轨迹和速度会影响智能汽车的行驶轨迹和车速，因此，上述确定车速和行驶轨迹的过程需要根据不同路况进行多次调整。另外，随着车辆行驶过程中路况不同，也需要实时或周期性考虑调整车辆行驶的油门开度和刹车值。也就是说，在智能汽车的自动驾驶模式的行驶过程中可能需要不断的循环执行步骤S204至S205的过程。另一方面，智能汽车的设计还需要考虑驾驶模式的切换过程。例如，智能汽车的驾驶模式由自动驾驶切换为人工驾驶。此时，需要执行S206的操作过程。

值得说明的是，智能汽车中除了利用比例-积分-微分算法计算达到目标车速的共性部分外，也可以采用其他算法确定达到目标车速的共性部分，本申请对此不作限定。

S206、判断驾驶员是否调整驾驶风格模型。

S207、当驾驶员调整驾驶风格模型时，根据驾驶员调整的驾驶风格模型和目标车速更新速度控制指令。

当智能汽车中包括多种驾驶风格模型时，驾驶员在智能汽车行驶过程中，允许驾驶员在智能汽车行驶过程中自由更换驾驶风格模型，以获得不同驾驶体验。当驾驶员调整驾驶风格时，则参考步骤S204至S205确定新的轨迹控制指令和速度控制指令。

S208、将更新后的轨迹控制指令和速度控制指令发送给车辆执行系统。

智能汽车中车辆控制由车辆执行系统负责管理，车辆执行系统包括制动系统(如刹车)、转向系统(如方向盘)、驱动系统(如发动机)、照明系统(如车灯)。轨迹控制指令和速度控制指令需要由车辆执行系统执行，进而控制智能汽车的行驶。

S209、获取车辆执行系统返回的速度反馈结果。

作为一个可选的步骤，车辆执行系统在完成轨迹控制指令和速度控制指令的执行后，可以向车辆控制系统返回执行结果，该执行结果中包括指令执行成功或失败。

S210、当驾驶员未调整驾驶风格模型时，则将轨迹控制指令和速度控制指令发送给车辆执行系统。

S211、获取车辆执行系统返回的速度反馈结果。

作为一个可能的实施例，当驾驶员未调整驾驶模式时，车辆控制系统则直接将步骤S205确定的轨迹控制指令和速度控制指令发送给车辆执行系统，由车辆执行系统按照上述指令的内容控制智能汽车行驶。

S212、然后，再判断驾驶员是否调整驾驶模式。

智能汽车行驶过程中，当前驾驶员随时可能通过旋转方向盘、刹车或人机交互界面调整驾驶模式。当驾驶员未调整驾驶模式时，则重复执行步骤S203。当驾驶员调整驾驶模式为人工驾驶模式时，则执行步骤S213。

作为一个可能的实施例，智能汽车在出厂时预置了驾驶风格模型，但是为了满足不同驾驶员的驾驶习惯，也可以在智能汽车进入人工驾驶模式时，通过收集当前驾驶员的驾驶数据，并利用上述驾驶数据作为输入，重新利用机器学习算法训练定制化的驾驶风格模型，并更新智能汽车的驾驶风格模型。具体的操作步骤参见步骤S213至S215，车辆控制系统可以根据当前时刻驾驶员数据获得定制化驾驶风格模型。

S213、当驾驶模式为人工驾驶模式时，获取驾驶员驾驶数据。

当智能汽车为人工驾驶模式时，可以通过界面提示驾驶员是否自定义驾驶风格模型，如图3所示，如果智能汽车为人工驾驶模式，则可以以图3中人工驾驶模式20界面提示驾驶员是否自定义驾驶风格模型，如果驾驶员点击自定义驾驶风格模型201，则收集当前时刻驾驶员的驾驶数据，以此作为后续机器学习算法的输入。

可选地，当智能汽车为人工驾驶模式时，车辆控制系统还可以通过语音或其他形式与驾驶员进行消息交互，确认是否自定义驾驶风格模型。

值得说明的是，图3仅为本申请提供的一种示例，本领域技术人员在获知本申请后，也可以通过其他形式或界面结构提示驾驶员选择驾驶模式、驾驶风格模型或自定义驾驶风格模型。

S214、利用机器学习算法对驾驶数据进行训练，获取训练后的驾驶风格模型。

S215、将定制化驾驶风格模型添加至智能汽车的驾驶风格模型库。

当智能汽车在人工驾驶模式时，首先，车辆控制系统的人工驾驶控制器收集驾驶员的驾驶数据，然后，基于该驾驶数据利用上述方式一中的方法对上述驾驶数据进行训练，进而获得基于当前驾驶员的驾驶数据训练获得的驾驶风格模型。并将该驾驶风格模型作为定制化的驾驶风格模型添加至智能汽车的驾驶风格模型库中，允许驾驶员在自动驾驶模式中选择该驾驶风格模型利用步骤S203至S209的操作过程控制智能汽车行驶。

作为一种可能的实施例，车辆控制系统采集当前驾驶员的驾驶数据后，除了在智能汽车中完成驾驶数据的训练外，也可以将驾驶数据发送至云数据中心，由云数据中心根据驾驶数据和机器学习算法生成定制化的驾驶风格模型。通过上述过程的描述，将驾驶数据发送至云数据中心，云数据中心可以调度虚拟机对上述驾驶数据进行训练，进而获得定制化驾驶风格模型。一方面，可以避免智能汽车中车辆控制系统的计算能力限制处理速度的问题，减少智能汽车的计算负载。另一方面，云数据中心还可以保存上述模型添加至其存储的驾驶风格模型库，将该驾驶风格模型添加至除驾驶员所在的智能汽车以外的其他车辆，以便其他车辆更新驾驶风格模型库，增加供驾驶员选择的驾驶风格模型的个数。进一步地，智能汽车也可以将驾驶员的更新的驾驶数据发送至云数据中心，由云数据中心更新该驾驶员对应的驾驶风格模型，使得驾驶风格模型输出的结果更加接近该驾驶员真实驾驶过程。可选地，将依据驾驶员的驾驶数据保存至云数据中心，且驾驶员通过人机交互界面选择该定制化模型时，也可以由云数据中心远程控制智能汽车行驶过程。也就是说，驾驶员所选择的驾驶风格模型的标识会发送至云数据中心，由云数据中心依据该驾驶风格模型中定义的油门开度和刹车值控制智能汽车行驶过程。

本申请提供的智能汽车的控制方法，将智能汽车设置为两种模式：人工驾驶模式和自动驾驶模式。在人工驾驶模式时，车辆控制系统可以实时收集当前驾驶员的驾驶数据，并利用机器学习算法训练驾驶员定制化的驾驶风格模型，更新智能汽车的驾驶风格模型库，允许驾驶员在自动驾驶模式中选择定制化驾驶风格模型控制控制智能汽车行驶，提升驾驶员的驾驶体验。在自动驾驶模式时，将驾驶员选择的驾驶风格模型与传统比例-积分-微分方法相结合，在调整当前车速时，根据驾驶员所选择的驾驶风格模型进一步在驾驶过程中考虑驾驶员的驾驶习惯，实现对智能汽车拟人化的控制，让智能汽车的自动驾驶过程更接近驾驶员的驾驶习惯，提升驾驶体验。另一方面，除了在智能汽车出厂时预置经典驾驶风格模型库外，也可以根据当前智能汽车的驾驶员的驾驶数据重新训练定制化的驾驶风格模型，并将该定制化驾驶风格模型添加至智能汽车的驾驶风格模型库，在自动驾驶模式时允许驾驶员选择该定制化的驾驶风格模型，进而使得智能汽车的行驶方式按照驾驶员所选择的驾驶风格模型中参数运行，进一步提升驾驶员的驾驶体验。

值得说明的是，对于上述方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制。

上文中结合图1至图4，详细描述了根据本申请所提供的智能汽车的控制方法，下面将结合图5至图6，进一步介绍本申请提供的智能汽车的控制装置、控制系统和智能汽车。

图5为本申请提供的一种控制装置500的结构示意图，如图所示，控制装置500包括获取单元501、自动驾驶控制单元502和发送单元503，其中，

获取单元501，用于获取当前时刻所述智能汽车的驾驶模式、驾驶风格模型和目标车速；

自动驾驶控制单元502，用于根据所述驾驶模式和驾驶风格模型确定速度控制指令；

发送单元503，用于向所述智能汽车的车辆执行系统发送所述速度控制指令。

应理解的是，本申请实施例的装置500可以通过专用集成电路(application-specific integrated circuit，ASIC)实现，或可编程逻辑器件(programmable logicdevice，PLD)实现，上述PLD可以是复杂程序逻辑器件(complex programmable logicaldevice，CPLD)，现场可编程门阵列(field-programmable gate array，FPGA)，通用阵列逻辑(generic array logic，GAL)或其任意组合。也可以通过软件实现图2所示的智能汽车的控制方法时，装置500及其各个模块也可以为软件模块。

可选地，所述速度控制指令包括油门开度和刹车值；所述油门开度是指用于智能汽车中控制车辆加速度的参数；所述刹车值是指智能汽车中控制车辆制动的参数。

可选地，所述自动驾驶控制单元502，还用于根据当前时刻的路况信息确定行驶轨迹指令和所述目标车速，所述路况信息包括所述智能汽车的地图系统、定位设备和融合系统提供的信息；所述获取单元501，还用于获取驾驶员选择的驾驶模式和驾驶风格模型。

可选地，所述驾驶模式为自动驾驶模式，所述智能汽车中包括驾驶风格模型库，所述驾驶风格模型库包括多个驾驶风格模型的集合，每个驾驶风格模型包括不同的油门开度和刹车值。

可选地，所述获取单元501，还用于在所述驾驶模式为人工驾驶模式时，收集所述智能汽车在预设时段内驾驶员的驾驶数据；所述自动驾驶控制单元502，还用于利用机器学习方法根据所述驾驶数据获得定制化驾驶风格模型，所述定制化驾驶风格模型包括满足所述驾驶员的驾驶习惯的油门开度和刹车值；以及将所述定制化驾驶风格模型添加至所述驾驶风格模型库。

可选地，所述自动驾驶控制单元502，还用于计算当前时刻所述智能汽车的实际车速和所述目标车速的误差；根据所述误差确定加速度，所述加速度用于指示所述智能汽车在单位时间内由当前时刻的实际车速达到所述目标车速的速度变化量；根据比例-积分-微分算法确定第一油门开度和第一刹车值；根据所述驾驶员选择的驾驶风格模型确定第二油门开度和第二刹车值；根据所述第一油门开度、第一权重值、所述第二油门开度和第二权重值计算获得第三油门开度，所述第一权重值和所述第二权重值的和为1；根据所述第一刹车值、第三权重值、所述第二刹车值和第四权重值计算获得第三刹车值，所述第三权重值和所述第四权重值的和为1。

所述发送单元503，还用于向所述车辆执行系统发送包括所述第三油门开度和所述第三刹车值的所述速度控制指令。

可选地，所述装置还包括提示单元504，用于利用人机交互控制器向驾驶员提供所述智能汽车的所述驾驶风格模型库，所述驾驶员可以通过语音、文字、按钮形式在所述驾驶风格模型库中选择驾驶风格模型。

所述获取单元501，还用于接收人机交互控制器发送的所述驾驶员选择的驾驶风格模型。

根据本申请实施例的控制装置500可对应于执行本申请实施例中描述的方法，并且控制装置500中的各个单元的上述和其它操作和/或功能分别为了实现图2中的各个方法的相应流程，为了简洁，在此不再赘述。

图6为本申请提供的一种控制系统600的示意图，如图所示，所述控制系统600包括处理器601、存储器602、通信接口603、内存604和总线705。其中，处理器601、存储器602、通信接口603、内存604和存储设备605通过总线605进行通信，也可以通过无线传输等其他手段实现通信。该存储器602用于存储指令，该处理器601用于执行该存储器602存储的指令。该存储器602存储程序代码，且处理器601可以调用存储器602中存储的程序代码执行以下操作：

获取当前时刻所述智能汽车的驾驶模式、驾驶风格模型和目标车速；

根据所述驾驶模式和驾驶风格模型确定速度控制指令；

向所述智能汽车的车辆执行系统发送所述速度控制指令。

应理解，在本申请实施例中，该处理器601可以是CPU，该处理器601还可以是其他通用处理器、数字信号处理器(digital signal processing，DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者是任何常规的处理器等。

该存储器602可以包括只读存储器和随机存取存储器，并向处理器601提供指令和数据。存储器602还可以包括非易失性随机存取存储器。例如，存储器602还可以存储设备类型的信息。

该存储器602可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，ROM)、可编程只读存储器(programmable ROM，PROM)、可擦除可编程只读存储器(erasable PROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(double data date SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlinkDRAM，SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM，DR RAM)。

通信接口603包括用于与其他设备或系统通信的网络接口/模块。

内存604可以与处理器601物理集成在一起，或在处理器601内或以独立单元形式存在。计算机程序可以存储至内存604或存储器602。可选地，存储至存储器602的计算机程序代码(例如，内核，要调试的程序等)被复制到内存604，进而由处理器601执行。

该总线605除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图中将各种总线都标为总线604。可选地，该总线605可以为快捷外围部件互连(Peripheral Component Interconnect Express，PCIe)，也可以是控制区域网络(controller area network，CAN)，还可以是车载以太(Ethernet)，或者其他内部总线实现图6所示的各个器件/设备的连接。

应理解，根据本申请实施例的智能汽车的控制系统600可对应于本申请实施例中的控制装置500，并可以对应于执行根据本申请实施例中图2所示的方法中的相应主体，并且控制系统600中的各个模块的上述和其它操作和/或功能分别为了实现图2中的各个方法的相应流程，为了简洁，在此不再赘述。

本申请还提供一种智能汽车的控制系统，该控制系统包括如图1所示的人工驾驶控制器301、决策控制器302和自动驾驶控制器303，该控制系统中各个组成部分用于执行上述图2所示的方法中相应的执行主体所执行的操作步骤，为了简洁，在此不再赘述。

本申请还提供一种智能汽车，该智能汽车包括如图1所示的人机交互控制器、驾驶模式选择器、车辆控制系统、车辆执行系统，上述智能汽车的组成部分用于执行图2所示的方法中相应的执行主体所执行的操作步骤，为了简洁，在此不再赘述。

本申请还提供一种控制系统，该系统除了包括如图1所示的智能汽车外，还包括云数据中心，其中，智能汽车包括如图1所示的人机交互控制器、驾驶模式选择器、车辆控制系统、车辆执行系统，上述智能汽车的组成部分用于执行图2所示的方法中相应的执行主体所执行的操作步骤，为了简洁，在此不再赘述。另外，云数据中心则用于接收车辆控制系统发送的驾驶数据，并调度云数据中心的虚拟机对上述驾驶数据进行训练，进而获得定制化驾驶风格模型。一方面，可以避免智能汽车中车辆控制系统的计算能力限制处理速度的问题，减少智能汽车的计算负载。另一方面，云数据中心还可以保存上述模型添加至其存储的驾驶风格模型库，将该驾驶风格模型添加至除驾驶员所在的智能汽车以外的其他车辆，以便其他车辆更新驾驶风格模型库，增加供驾驶员选择的驾驶风格模型的个数。进一步地，智能汽车也可以将驾驶员的更新的驾驶数据发送至云数据中心，由云数据中心更新该驾驶员对应的驾驶风格模型，使得驾驶风格模型输出的结果更加接近该驾驶员真实驾驶过程。更进一步地，智能汽车也可以将驾驶员所选择的驾驶风格模型的标识发送至云数据中心，由云数据中心依据该驾驶风格模型中定义的油门开度和刹车值控制智能汽车行驶过程。

上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘(solid state drive，SSD)。

以上所述，仅为本申请的具体实施方式。熟悉本技术领域的技术人员根据本申请提供的具体实施方式，可想到变化或替换，都应涵盖在本申请的保护范围之内。