基于QoE的個性化自動駕駛參數(shù)優(yōu)化設定方法
【專利摘要】基于QoE的個性化自動駕駛參數(shù)優(yōu)化設定方法，采用如下步驟：1)路線分段及環(huán)境參數(shù)獲取；2)從云端搜索與當前的環(huán)境參數(shù)近似的歷史數(shù)據(jù)；3)基于QoE的個性化自動駕駛參數(shù)優(yōu)化選擇；4)自動駕駛參數(shù)設定。本發(fā)明利用存儲在云端的相同型號車輛的歷史行駛數(shù)據(jù)和道路信息，幫助新車快速設定駕駛參數(shù)和提高駕駛效率，具有時間更短，成本更低的優(yōu)點。
【專利說明】基于QoE的個性化自動駕駛參數(shù)優(yōu)化設定方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明通過對存儲在云端的相同型號車輛的歷史行駛數(shù)據(jù)和道路信息的學習，提 出了一種自動配置自動駕駛汽車行駛參數(shù)的方法，屬于機器學習和智能控制領(lǐng)域。適用于 為自動駕駛汽車提供基于云服務器的參數(shù)自動配置服務。

【背景技術(shù)】
[0002] 隨著汽車自動駕駛技術(shù)的不斷成熟，自動駕駛車輛在未來具有廣闊的市場應用價 值。如何有效的配置行駛參數(shù)是亟待解決的重要問題，目前，通常讓自動駕駛車輛在駕駛環(huán) 境中通過一系列的訓練學習獲取相關(guān)參數(shù)。這種方法需要耗費大量的時間和財力針對不同 的車輛單獨進行學習和訓練，訓練時間長，成本也非常的高。
[0003] 隨著自動駕駛汽車智能化技術(shù)的發(fā)展，自動駕駛汽車不僅可以訪問網(wǎng)絡資源，而 且還具有學習能力。但是，當前的汽車自動駕駛訓練技術(shù)卻不能充分利用每一輛汽車的智 能特性，不能通過汽車物聯(lián)網(wǎng)來改善汽車自動駕駛的訓練與配置，而且這種駕駛參數(shù)的配 置完全忽略了用戶個性化的需求和用戶體驗質(zhì)量（QoE)，難以保證乘客能在每一段路、每一 次自動駕駛中都獲得最佳的體驗。
[0004] 為了充分利用隨時隨刻都在生成的汽車行駛數(shù)據(jù)和提高用戶體驗質(zhì)量，汽車的歷 史駕駛參數(shù)設置可以保存到云端服務器，并且可以被其他汽車共享和訪問。如果一輛新的 汽車將要在某一條高速公路上自動行駛，它可以從大量同一型號的汽車在這條高速公路上 的自動駕駛歷史數(shù)據(jù)中進行學習，獲得最佳的自動駕駛參數(shù)，從而改進其自動駕駛的效率， 如降低能耗、節(jié)省時間等。


【發(fā)明內(nèi)容】

[0005] 為了有效的配置自動駕駛汽車行駛參數(shù)，目前通常讓自動駕駛車輛在駕駛環(huán)境中 通過一系列的訓練學習獲取相關(guān)參數(shù)。這種方法需要耗費大量的時間和財力針對不同的車 輛單獨進行學習和訓練，訓練時間長，成本也非常的高，而且忽略了用戶體驗質(zhì)量（QoE)。
[0006] 本發(fā)明通過對存儲在云端的相同型號車輛的歷史行駛數(shù)據(jù)和道路信息的學習，提 出了一種自動配置自動駕駛汽車行駛參數(shù)的方法，該方法根據(jù)駕駛員設定的出發(fā)點和目的 地之間的道路坡度和彎曲度，將駕駛路線劃分為多個不同的路段；然后從云端服務器獲取 當前路段相關(guān)的環(huán)境參數(shù)（如坡度、彎道、風向、天氣、可視度等）；根據(jù)第二步獲取的環(huán)境 參數(shù)在云端尋找相似環(huán)境的歷史行駛數(shù)據(jù)（如油門、方向、速度、檔位等）；結(jié)合當前路段的 特別需求和用戶的體驗而確定最優(yōu)的行駛參數(shù)；最終設置自動駕駛汽車的駕駛參數(shù)。
[0007] 本發(fā)明是通過如下技術(shù)方案來實現(xiàn)的。
[0008] 基于QoE的個性化自動駕駛參數(shù)優(yōu)化設定方法，本發(fā)明特征在于：采用如下步驟：
[0009] 1)、路線分段及環(huán)境參數(shù)獲取
[0010] 在汽車行駛過程中行駛的路程的坡度、彎度、風向信息在不同路段是有所差異的； 該步驟根據(jù)駕駛員設定的出發(fā)點和目的地之間的道路坡度和彎曲度，將駕駛路線劃分為數(shù) 個的行駛路段（路段個數(shù)根據(jù)彎道和坡道的個數(shù)決定），在每一段行駛路段中擁有近似的 坡度、彎度信息；根據(jù)GPS提供的這些路段的地形信息，獲取該路段的環(huán)境信息特征向量： Fh= {Fhl，F(xiàn)h2,Fh3. ..FhJ，η是向量的維度，該特征向量包含了道路彎曲度、坡度、寬度、路面 狀況、用戶的體驗質(zhì)量、實時交通狀況信息；考慮到每一個維度特征對參數(shù)設定的影響不一 樣，設每一維度特征具有一個權(quán)值，權(quán)值總和為1，并且滿足：α = {叫5七=^每一個路段 近似認為其環(huán)境參數(shù)特征保持不變，即使用相同行駛參數(shù)進行行駛；
[0011] 2)從云端搜索與當前的環(huán)境參數(shù)近似的歷史數(shù)據(jù)
[0012] 當云服務器段存儲的駕駛參數(shù)歷史記錄超過一條，則采用常見的κ-means聚類算 法將其聚為M類并存儲到服務器；當新的旅程行駛完成，會產(chǎn)生新的駕駛記錄，該記錄被存 儲到服務器，當新增記錄數(shù)量大于1000條的時候，將所有記錄重新進行聚類；對于每一個 路段，計算該路段環(huán)境特征向量與M的聚類中心的距離，選取距離最近的3個類作為候選 Ia，并在步驟中進行優(yōu)化選擇；其中距離采用如下公式計算：Ia=argMin(D);
[0013] 其中，D=Dis(Fc，F(xiàn)irc)，ie{1，2,3，· · ·Μ}，ΜeR;Dis(Fc，F(xiàn)irc) =I|aFc_aFirc|I; Fire是第i個聚類中心，M· 11表示向量距離算子；
[0014] 3)基于QoE的個性化自動駕駛參數(shù)優(yōu)化選擇
[0015] 根據(jù)步驟2的計算結(jié)果，從所有返回的歷史參數(shù)集中選擇最接近用戶個性化需求 的駕駛參數(shù)（或駕駛風格）歷史記錄應用到當前車輛中；（例如，如果用戶希望省油，則優(yōu) 先選擇具有最低的燃料消耗的駕駛參數(shù)，如果用戶希望節(jié)省時間，則選擇快速駕駛參數(shù)集 合。）采用一個用戶模型來描述車輛的車主的駕駛偏好；該用戶模型是由用戶的歷史行駛 參數(shù)的聚類獲得其駕駛風格；采用聚集歷史驅(qū)動參數(shù)到使用常見的聚類算法，如K均值或 者K-median，并將其存儲在云數(shù)據(jù)服務器；當新增記錄數(shù)量大于1000條的時候，將所有記 錄重新進行聚類；在步驟2中選擇了與當前駕駛環(huán)境最接近的3類駕駛參數(shù)作為候選；然 后，根據(jù)這些駕駛參數(shù)對司機的QoE進行排序；然后根據(jù)QoE值的大小對相應的駕駛參數(shù)類 進行排序，選擇具有最佳QoE的駕駛參數(shù)設定為當前汽車的駕駛參數(shù)，然后開始自動駕駛； 在每一次的駕駛過程中，通過監(jiān)測血壓、心跳和腦電波和內(nèi)啡肽來測定用戶的QoE值；（其 他通過表情，語言和肢體語言和聲音信息來計算QoE的方法也可以用到我們的駕駛參數(shù)優(yōu) 化系統(tǒng)。）
[0016] 當我們得到內(nèi)啡肽e和目前的平均生理信號向量{bp，h，bw}，其值已經(jīng)歸一化為0 和1之間，通過比較其在駕駛某一段路前后的信號值的差異來估算出其QoE值。

【權(quán)利要求】
1.基于Q〇E的個性化自動駕駛參數(shù)優(yōu)化設定方法，其特征在于：采用如下步驟： 1) 路線分段及環(huán)境參數(shù)獲取 在汽車行駛過程中行駛的路程的坡度、彎度、風向信息在不同路段是有所差異的；該步 驟根據(jù)駕駛員設定的出發(fā)點和目的地之間的道路坡度和彎曲度，將駕駛路線劃分為數(shù)個的 行駛路段，在每一段行駛路段中擁有近似的坡度、彎度信息；根據(jù)GPS提供的這些路段的地 形信息，獲取該路段的環(huán)境信息特征向量：Fh={Fhl，F(xiàn)h2,Fh3. . .Fto}，n是向量的維度，該特 征向量包含了道路彎曲度、坡度、寬度、路面狀況、用戶的體驗質(zhì)量、實時交通狀況信息；考 慮到每一個維度特征對參數(shù)設定的影響不一樣，設每一維度特征具有一個權(quán)值，權(quán)值總和 為1，并且滿足：
每一個路段近似認為其環(huán)境參數(shù)特征保持不變，即使用 相同行駛參數(shù)進行行駛； 2) 從云端搜索與當前的環(huán)境參數(shù)近似的歷史數(shù)據(jù) 當云服務器段存儲的駕駛參數(shù)歷史記錄超過一條，則采用常見的K-means聚類算法將 其聚為M類并存儲到服務器；當新的旅程行駛完成，會產(chǎn)生新的駕駛記錄，該記錄被存儲到 服務器，當新增記錄數(shù)量大于1000條的時候，將所有記錄重新進行聚類；對于每一個路段， 計算該路段環(huán)境特征向量與M的聚類中心的距離，選取距離最近的3個類作為候選Ia，并在
3) 基于QoE的個性化自動駕駛參數(shù)優(yōu)化選擇 根據(jù)步驟2的計算結(jié)果，從所有返回的歷史參數(shù)集中選擇最接近用戶個性化需求的駕 駛參數(shù)歷史記錄應用到當前車輛中；采用一個用戶模型來描述車輛的車主的駕駛偏好；該 用戶模型是由用戶的歷史行駛參數(shù)的聚類獲得其駕駛風格；采用聚集歷史驅(qū)動參數(shù)到使用 常見的聚類算法，并將其存儲在云數(shù)據(jù)服務器；當新增記錄數(shù)量大于1000條的時候，將所 有記錄重新進行聚類；在步驟2中選擇了與當前駕駛環(huán)境最接近的3類駕駛參數(shù)作為候選； 然后，根據(jù)這些駕駛參數(shù)對司機的QoE進行排序；然后根據(jù)QoE值的大小對相應的駕駛參數(shù) 類進行排序，選擇具有最佳QoE的駕駛參數(shù)設定為當前汽車的駕駛參數(shù)，然后開始自動駕 駛；在每一次的駕駛過程中，通過監(jiān)測血壓、心跳和腦電波和內(nèi)啡肽來測定用戶的QoE值； 當?shù)玫絻?nèi)啡肽e和目前的平均生理信號向量{bp，h，bw}，其值已經(jīng)歸一化為0和1之 間，通過比較其在駕駛某一段路前后的信號值的差異來估算出其QoE值：
其中ei,bpi,hi,和bwi表不內(nèi)啡肽的含量和血壓、心跳和腦電波最初的信號強度；利 用ev和iv計算出其QoE值：
4) 自動駕駛參數(shù)設定 對步驟1到步驟3所獲得的駕駛參數(shù)，根據(jù)駕駛過程中的實際情況進行微調(diào)；將各個路 段的駕駛參數(shù)之間變換進行平滑的過渡；將不同行駛路段的各個駕駛參數(shù)變化在5-10秒 之間完成，以保證車輛的平穩(wěn)運行。
【文檔編號】G07C5/08GK104484911SQ201410596629
【公開日】2015年4月1日 申請日期:2014年10月29日 優(yōu)先權(quán)日:2014年10月29日
【發(fā)明者】張德海, 張德剛 申請人:云南大學