一种基于神经网络算法实现的汽车防抱死制动控制方法、装置、车辆、存储介质

技术领域

本发明属于汽车控制领域，尤其涉及一种基于神经网络算法实现的汽车防抱死制动控制方法、装置、车辆、存储介质。

背景技术

随着社会的发展，汽车等已经融入到人们的日常生活的方方面面，为人类的生产、生活提供了极大的便利。在汽车行驶的道路中，积水路面、冰雪路面等湿滑路面是非常常见，汽车在这种路面上进行紧急刹车时，容易发生侧滑，某些极限情况下会出现猛烈偏转的情况。当刹车系统给出的刹车/制动力过大时，车轮会出现抱死现象，导致驾驶员失去对汽车方向的控制，此时就有可能驶出车道或驶入逆向车道，躲避障碍物的能力会大大降低。车轮在制动过程中产生抱死时，车轮相对于路面的运动不再是滚动，而是滑动，路面作用在轮胎上的侧滑摩擦力和纵向制动力变得很小，路面越滑，对方向的控制就越难。车轮抱死将导致制动效率下降、制动距离变长、轮胎寿命降低以及车身不稳定。

为了防止紧急制动时轮胎出现抱死，研发人员设计了防抱死刹车系统(antilockbrake system，常见简写ABS)，如今已经是汽车中一项必不可少的安全配置，该系统能防止汽车在紧急制动中车轮抱死，在紧急制动中能够保持车身稳定、缩短刹车距离、降低轮胎磨损，防止车辆侧滑、甩尾，进而降低车祸发生的概率。

从20世纪70年代防抱死制动系统应用于汽车上开始算起，汽车使用的防抱死制动系统已经经过至少50年的发展，如今该技术日益成熟。传统的防抱死制动系统通常是通过实车采集刹车数据、手动编码设计制动规则来实现防抱死功能，需要耗费大量的人力物力来实现功能。如今主流的防抱死制动系统的公司的产品都是不断积累下设计出来的，对于汽车厂商而言，采购该系统的成本较高，需要较长的时间进行调试，无法快速应用到新车型上。

近年来人工智能技术出现了飞跃的发展，部分技术已经应用到日常生活中，例如汽车智能语音控制系统，车主能够直接通过语音控制车载设备，辅助驾驶系统中车道保持，能够识别车道线、辅助车主进行车道矫正。人工智能技术在汽车中应用，能够提高行车安全性，所以将人工智能技术应用于防抱死制动系统，也是潜在的发展方向，借助于人工智能算法的强大优势，理论上可以获取比传统算法更优异的性能。

人工智能包含很多的技术，其中使用模仿人类神经网络的人工神经网络，为人工智能技术的发展带来很大的帮助，神经网络具有强大的学习能力，能够通过拟合复杂的数学公式来解决问题。

传统的防抱死制动系统已经经过很多年的发展，目前已经成为汽车必备的安全配置，但其基于手动编码设计刹车规则方式耗费了大量的人力物力，且不容易适配新的车辆，且传统的手动编码技术的改进也越来越小。随着人工智能技术的发展，人工智能技术也逐步应用到汽车行业中。

传统的防抱死制动系统通常是通过实车采集刹车数据、手动编码设计制动规则来实现功能，需要耗费大量的人力物力来实现功能，且不具有自学习的能力。如今的主流的提供防抱死制动系统的公司的产品都是逐年累月不断积累下设计出来的，对于汽车厂商而言，采购该系统的成本较高，需要较长的时间进行调试，无法快速应用到新车型上。

传统的防抱死刹车系统通过“刹车-松开-刹车-松开......”循环进行的“点刹”模式来进行刹车，控制的是当前刹车、松开刹车的时间长度，但实际作用在车轮上的刹车力是由轮缸上的刹车压力决定的，而刹车压力则是通过时间变相控制，这样操作的一个后果是实际的轮缸压力控制精度不高，导致实际刹车过程中会出现轮胎抱死的情况。

发明内容

发明目的：本专利通过使用神经网络从汽车制动数据中自动学习防抱死制动策略，能够明显降低手动编码的防抱死制动/刹车系统的设计时间，且自动学习的方式，比起手动编码能够考虑的更全面，学习出来的防抱死制动策略能够实现比手动编码更优的效果。另外，本专利算法输出的控制量为制动压力目标值，相对于传统的防抱死制动系统的‘点刹’控制方式，能够提高控制的精确度，实现更优的控制。本专利实现防抱死制动系统为汽车制动系统提供一种更好的选择。

技术方案：本发明提出一种基于神经网络算法实现的汽车防抱死制动控制方法，该方法包括如下步骤：

获取车辆刹车/制动过程中的车辆观测数据；

将预处理的观测数据输入神经网络算法模型中得到制动压力值；

根据制动压力值对车辆进行防抱死制动控制。

优选的，所述观测数据为车身速度、车轮速度、加速度、车辆前进方向角度、车辆前进方向角速度、车辆前进方向角加速度的一种或多种。

优选的，所述观测数据的预处理方法为：观测数据单位统一转换和/或观测数据归一化处理和/或观测数据校正。

优选的，所述神经网络算法模型通过下述方法训练得到的：

根据获取的制动过程车辆的观测数据计算对应的防抱死的制动力值，将观测数据以及对应的防抱死的制动力值输入到神经网络算法模型进行训练得到最终的神经网络算法模型。

此外，本发明还提出一种基于神经网络算法实现的汽车防抱死制动控制装置，该装置包括如下模块：

数据获取模块：获取车辆刹车/制动过程中的车辆观测数据；

制动压力值计算模块：将预处理的观测数据输入神经网络算法模型中得到制动压力值；

制动执行模块：根据制动压力值对车辆进行防抱死制动控制。

优选的，所述观测数据为车身速度、车轮速度、加速度、车辆前进方向角度、车辆前进方向角速度、车辆前进方向角加速度的一种或多种。

优选的，所述观测数据的预处理方法为：观测数据单位统一转换和/或观测数据归一化处理和/或观测数据校正。

优选的，所述神经网络算法模型通过下述方法训练得到的：

根据获取的制动过程车辆的观测数据计算对应的防抱死的制动力值，将车辆观测数据作为输入，防抱死的制动力值作为输出进行神经网络算法训练得到最终的神经网络算法模型。

此外，本发明提出一种车辆，该车辆包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现所述的一种基于神经网络算法实现的汽车防抱死制动控制方法的步骤。

此外，本发明提出一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种基于神经网络算法实现的汽车防抱死制动控制方法的步骤。

综上所述，本发明技术方案的主要发明点如下：

1)神经网络自动学习防抱死制动策略，代替手动编码，效率更高、效果更好；

2)基于神经网络的算法直接控制车辆的制动力，而非制动时间，实现更精准的控制效果。

有益效果：与现有技术相比，本发明的技术方案具有以下有益技术效果：

(1)提高防抱死制动系统实现的效率：人工分析制动数据、手动进行编码，耗费大量的时间成本、金钱成本，效率低下，通过神经网络的自动学习，能够节省大量时间成本，提高防抱死系统实现的效率。

(2)更优的制动效果：比起传统的防抱死制动系统控制制动时间，通过神经网络自动学习、直接控制制动力，能够实现更优的控制效果。

(3)本专利利用基于神经网络的人工智能技术，从大量的制动/刹车数据中自动学习防抱死制动策略(控制方法)，从而输出合适的刹车指令，不需要手动设计刹车规则，能够明显降低工作量、实现快速的设计。

附图说明

图1算法执行时系统架构图；

图2算法训练时系统架构图。

具体实施方式

图1中“车辆传感器”为车载传感器，可以从中获取车身速度、车轮速度、加速度、车辆前进角度、角速度、角加速度等数据，“观测数据”为从传感器中获取的与制动相关的数据，将该数据输入算法中，算法给出相应的制动控制信号，“制动执行机构”根据上述信号进行压力调节控制。“车轮制动”为制动压力作用与车轮上，实现刹车。“制动踏板”为制动触发装置。比起算法工作时架构图图1，算法训练时图2多了采集数据、算法训练过程，“制动数据采集”是指采集制动过程中的数据，与“观测数据”可能会存在不同，因为训练过程中需要观察训练的结果，可能需要其他数据来辅助判断训练结果，但“观测数据”和训练时的“制动数据”均来自于制动过程中，用于“神经网络算法训练”，训练的目的是自动学习一个控制策略，能够进行防抱死制动。由于算法的训练并不是一次就能完成的，需要根据训练的结果调参、优化训练，即图2中的“循环进行、调参优化、多次训练”。

本专利的实施例一，以图1中系统架构为例进行讲解。本实施方案中的数据均为举例，本专利保护范围不限定任何明确的算法、参数大小等。

本发明涉及的步骤如下，本专利中制动、刹车是相同的概念：

1、汽车制动指令下发后，采集车辆刹车/制动过程中的观测数据；

2、将刹车数据进行预处理后，输入神经网络算法模型中，模型输出制动压力值；

3、根据制动压力值，制动执行机构进行防抱死制动控制；

1、汽车制动指令下发后，采集车辆刹车/制动过程中的观测数据：当制动指令下发后，多种机构可以下发制动指令，例如制动踏板、防碰撞系统等，本专利中以制动踏板为例，车辆制动控制系统(本专利中为算法模型)响应该指令进行紧急制动，基于神经网络的算法模型，该模型为预先训练好的神经网络算法模型，该模型出处见下面步骤2输出制动力控制值需要先提供算法的输入值，此处的输入值为车辆制动过程中的观测数据，例如车身速度、车轮速度、角速度、车辆前进方向角度、角速度、角加速度等等，故需要采集车辆制动过程中的制动数据；所述采集车辆刹车/制动过程中的观测数据指的是从刹车开始到刹车结束这个时间段内的刹车/制动数据；

在制动过程中，‘下发制动指令’只有一次，例如刹车踏板踩到底，表示开始刹车/制动。但算法模型输出的制动控制力并不是只输出一次，需要根据当前的观测值输出新的‘制动控制力’，这个是控制目标值，需要执行机构执行该控制命令；

例如，制动过程耗时3秒，算法模型以0.1s周期控制一次，意味着3s内有30次控制。制动过程中随着时间的推进，‘观测数据’发生变化，之前的控制指令已经不适合当前的状态，需要算法模型根据当前的状态输出新的控制，‘循环进行直至制动结束’就是指从开始制动到最终制动结束，“算法模型根据当前的‘观测数据’输出对应的制动力、执行机构执行该指令、并将新的制动力作用在车轮上”这个过程不断循环进行。

2、将刹车数据进行预处理后，输入训练好的模型中，模型输出制动压力值：制动数据采集后，需要进行预先处理，预先处理解释：例如车身速度常规的单位是km/h和m/s，100km/h约等于27.78m/s，两者数值不同，但代表的速度信息相同，再例如车辆前进角度10°与速度10km/h数值相同，但含义不相同，直接使用上面的原始数值，算法本身无法区分其中的差异，需要人为进行预先处理，降低或消除其中的差异所带来的影响，常见的预处理方法有单位转换、数值归一化处理，归一化解释：将数据按照对应的范围进行缩放，通常将其缩放到0～1之间，将处理后的数据送入预先训练好的算法模型，算法模型根据输入数据，输出对应的制动压力控制值。

如何得到预先训练好的算法模型，参考图2，步骤如下：

(1)选择神经网络算法模型，此处以人工智能中的强化学习算法为例；

(2)下发制动指令后，算法模型根据“观测数据”输出制动控制力，和上文的制动压力值是同一含义，制动控制力由制动执行机构进行执行，作用在车轮上进行制动，循环进行直至制动结束，收集制动过程中制动数据；

(3)将制动数据经过预处理后，送入算法模型中，算法模型输出对应的制动控制力，同时为算法模型的输出设定期望制动控制力，例如期望算法模型输出的控制压制力能够保持车轮不出现抱死现象，算法模型的实际输出控制压力值导致车轮出现抱死现象；

(4)期望的输出制动控制力，与步骤(3)中实际输出制动控制力进行比较，神经网络根据两者的差值自动调整算法的网络参数；

(5)算法训练并不是一次就能够达到预期的结果，需要多次循环训练，包括算法的调参优化训练，经过多次训练后，如果输出的制动控制力和设定的期望制动控制力的差值小于设定的阈值，此处模型是否训练好的判断标准，还可以是其他间接方式，例如：在制动过程中通过计算、读取传感器数据等方式，可以得到制动距离、制动减速度、与车辆期望前进方向的偏离角度等，与预先设定的期望值进比较，如果差值小于预先设定的阈值，认为模型训练好，则认为得到训练好的模型，即为上述预先训练好的算法模型。

根据制动压力值，制动执行机构进行防抱死制动控制：神经网络的算法模型属于控制模块，需要制动执行机构执行该控制指令，以达到制动目的；采用上述实施例一时，比起传统的防抱死制动系统，本专利能够降低系统的设计时间、提高效率，同时获得更优的制动效果。