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