本發(fā)明屬于汽車自動駕駛，具體涉及一種用于自動緊急制動系統(tǒng)的參數(shù)調節(jié)方法及系統(tǒng)，通過利用人工智能技術實現(xiàn)aeb系統(tǒng)參數(shù)的實時動態(tài)調節(jié)，提高自動駕駛系統(tǒng)的安全性和效率。

背景技術：

1、在汽車自動駕駛領域，aeb系統(tǒng)是保障車輛安全的關鍵技術之一。當前，aeb系統(tǒng)的參數(shù)調節(jié)方法存在諸多缺陷：

2、1、缺乏實時動態(tài)調節(jié)能力：傳統(tǒng)aeb系統(tǒng)多依賴固定參數(shù)設置，難以在實際駕駛過程中根據(jù)路況、交通狀況和天氣等動態(tài)因素實時調整參數(shù)。例如，在雨天路面濕滑時，車輛的制動距離會顯著增加，但傳統(tǒng)系統(tǒng)無法及時調整制動參數(shù)以適應這種變化，導致在緊急情況下制動效果不佳，增加碰撞風險。

3、2、人工干預較多：現(xiàn)有aeb系統(tǒng)的參數(shù)調節(jié)往往依賴人工設置或大量靜態(tài)測試結果。這不僅耗費大量人力、物力和時間，而且人工設定難以全面考慮各種復雜駕駛場景，導致參數(shù)設置無法達到最優(yōu)，影響系統(tǒng)性能。

4、3、無法充分利用實時數(shù)據(jù)反饋：目前的aeb系統(tǒng)難以利用實時數(shù)據(jù)進行持續(xù)優(yōu)化。當?shù)缆坊颦h(huán)境發(fā)生變化時，系統(tǒng)不能迅速根據(jù)新數(shù)據(jù)調整參數(shù)，使得aeb系統(tǒng)在不同駕駛情境下無法發(fā)揮最佳性能。

5、4、算法優(yōu)化過程慢：部分基于機器學習的aeb系統(tǒng)雖能優(yōu)化參數(shù)，但需要大量時間，且對訓練數(shù)據(jù)質量要求高。因此無法實現(xiàn)快速的調整和優(yōu)化。

6、造成這些缺陷的主要原因包括：缺乏自適應算法，現(xiàn)有系統(tǒng)多基于固定控制規(guī)則，無法自動優(yōu)化以適應復雜多變的環(huán)境；硬件和軟件耦合性強，系統(tǒng)升級或調整時需進行繁瑣測試和驗證，限制了實時調整和應對環(huán)境變化的能力；測試和驗證周期長，參數(shù)優(yōu)化依賴長期測試，難以快速反饋新的駕駛場景；數(shù)據(jù)和模型存在滯后性，基于歷史數(shù)據(jù)訓練的模型無法及時反映現(xiàn)實情況的變化。

技術實現(xiàn)思路

1、本發(fā)明旨在提供一種用于自動緊急制動系統(tǒng)的參數(shù)調節(jié)方法及系統(tǒng)，解決現(xiàn)有aeb系統(tǒng)參數(shù)調節(jié)存在的缺乏自適應性、實時性差、人工干預多以及優(yōu)化過程緩慢等問題。

2、為了解決上述技術問題，本發(fā)明采用如下方案實現(xiàn)：

3、基于人工智能的車輛自動制動系統(tǒng)參數(shù)調節(jié)方法，包括以下步驟：

4、步驟s1：數(shù)據(jù)收集：利用車輛上裝配的多種傳感器收集車輛行駛過程中aeb系統(tǒng)的實時數(shù)據(jù)以及歷史測試數(shù)據(jù)，所述實時數(shù)據(jù)包括車輛狀態(tài)信息、前方障礙物信息以及環(huán)境信息，將收集的數(shù)據(jù)傳輸至云平臺；

5、步驟s2：數(shù)據(jù)處理：云平臺對收集的數(shù)據(jù)首先進行時序和空間對齊處理，然后進行數(shù)據(jù)清洗，再從清洗后的數(shù)據(jù)中提取出與aeb系統(tǒng)參數(shù)相關的特征。例如，從雷達數(shù)據(jù)中提取出障礙物的距離、速度、加速度等特征；從圖像數(shù)據(jù)中提取出障礙物的形狀、大小、位置等特征。

6、步驟s3：aeb參數(shù)調節(jié)：利用人工智能自動選擇合適的算法，根據(jù)處理后的數(shù)據(jù)計算并調整aeb系統(tǒng)的各項參數(shù)；

7、步驟s4：多場景仿真測試與反饋、優(yōu)化：在完成aeb參數(shù)調整后，自動模擬虛擬環(huán)境中的多場景進行仿真測試，評估aeb系統(tǒng)在不同駕駛場景下的表現(xiàn)，若評估結果不符合預期，則根據(jù)反饋繼續(xù)優(yōu)化參數(shù)。

8、進一步優(yōu)化，所述步驟s1數(shù)據(jù)收集，具體包括：

9、步驟s1.1：在測試車輛上裝配多種類型傳感器，形成全方位的數(shù)據(jù)采集網絡；所述傳感器包括但不限于毫米波雷達、攝像頭、輪速傳感器、加速度傳感器、陀螺儀、濕度傳感器、溫度傳感器和光照傳感器。

10、如，車頭部位安裝高精度毫米波雷達，其探測距離可達200米以上，角度分辨率在1°-3°，用于精確測量前方障礙物的距離、速度和角度信息。車身四周布置多個攝像頭，如前視、后視和側視攝像頭，前視攝像頭分辨率達1080p及以上，具備廣角視野，用于識別障礙物的形狀、類型（如車輛、行人、非機動車等）以及其運動方向。同時，在車輪處安裝輪速傳感器，精確監(jiān)測車輪轉速，以此計算車輛速度，精度可達到0.1km/h。在底盤位置安裝加速度傳感器和陀螺儀，用于獲取車輛的加速度和姿態(tài)變化信息。此外，通過濕度傳感器、溫度傳感器和光照傳感器監(jiān)測路面狀況和天氣信息，濕度傳感器精度能達到±2%rh，溫度傳感器精度在±0.5℃。

11、步驟s1.2：為確保數(shù)據(jù)的實時性和準確性，將各傳感器設置為不同采集頻率；毫米波雷達以每秒50-100次的頻率采集數(shù)據(jù)，以快速捕捉前方障礙物的動態(tài)信息；攝像頭以每秒25-30幀的速率拍攝圖像，保證對周圍環(huán)境的連續(xù)監(jiān)控；輪速傳感器、加速度傳感器和陀螺儀的采集頻率更高，可達每秒100-200次，實時獲取車輛的運動狀態(tài)變化。

12、步驟s1.3：傳感器采集的數(shù)據(jù)通過車內的控制器局域網can總線傳輸至車載數(shù)據(jù)處理單元，在車載數(shù)據(jù)處理單元中，數(shù)據(jù)進行初步的打包和格式轉換，然后通過4g/5g通信模塊將數(shù)據(jù)實時傳輸至云平臺。為保障數(shù)據(jù)傳輸?shù)姆€(wěn)定性和安全性，采用加密傳輸協(xié)議，如ssl/tls協(xié)議，對數(shù)據(jù)進行加密處理，防止數(shù)據(jù)在傳輸過程中被竊取或篡改。

13、進一步優(yōu)化，所述步驟s2云平臺對收集的數(shù)據(jù)進行預處理，具體包括：

14、步驟2.1：時序對齊：云平臺接收數(shù)據(jù)后，首先進行時序對齊。由于不同傳感器的采樣時刻和數(shù)據(jù)傳輸延遲存在差異，需統(tǒng)一時間基準。利用高精度的時間同步技術，如網絡時間協(xié)議（ntp），以云平臺的時鐘為基準，對各傳感器數(shù)據(jù)的時間戳進行校準。對于時間戳偏差較大的數(shù)據(jù)，采用線性插值或多項式擬合的方法進行時間補償，確保同一時刻不同傳感器的數(shù)據(jù)能準確反映車輛和周圍環(huán)境的實際狀態(tài)。例如，若毫米波雷達和攝像頭的數(shù)據(jù)時間戳相差50毫秒，通過對前后數(shù)據(jù)的分析和計算，對時間戳進行修正，使兩者數(shù)據(jù)在時間上精確對齊。

15、步驟2.2：空間對齊：不同傳感器的安裝位置和測量坐標系不同，需要進行空間對齊?；谲囕v的機械結構和傳感器的安裝參數(shù)，建立傳感器的空間轉換模型。對于攝像頭數(shù)據(jù)，通過相機標定技術獲取相機的內參和外參，將圖像中的像素坐標轉換為世界坐標；對于毫米波雷達數(shù)據(jù)，根據(jù)其安裝角度和位置，利用坐標變換公式將雷達測量的距離和角度信息轉換到統(tǒng)一的車輛坐標系下。通過空間對齊，確保從不同傳感器獲取的關于前方障礙物的位置、速度等信息在空間上是一致的，為后續(xù)的數(shù)據(jù)分析和處理提供準確的數(shù)據(jù)基礎。

16、步驟2.3：數(shù)據(jù)清洗與特征提?。涸跁r序和空間對齊后，對數(shù)據(jù)進行清洗。去除異常值，如毫米波雷達測量的距離出現(xiàn)遠超合理范圍的值，通過設定閾值進行判斷和剔除；對于缺失值，采用數(shù)據(jù)填充算法進行處理，如基于相鄰數(shù)據(jù)的均值、中位數(shù)或線性插值法進行填充。然后進行特征提取，從車輛速度數(shù)據(jù)中計算加速度、減速度等特征；從前方障礙物信息中提取障礙物的大小、形狀特征（通過攝像頭圖像分析）、相對速度和加速度等；從路面狀況數(shù)據(jù)中提取路面摩擦系數(shù)（根據(jù)濕度、溫度等數(shù)據(jù)結合經驗模型計算）、坡度等特征。這些特征將為后續(xù)的aeb參數(shù)調節(jié)提供關鍵依據(jù)。

17、進一步優(yōu)化，所述步驟s3中，利用人工智能自動選擇合適的算法，具體包括：

18、步驟s3.1：構建算法候選池，根據(jù)不同的駕駛場景和aeb系統(tǒng)的需求，確定適用于各個場景的算法，包括但不限于pid控制算法、模糊控制算法和機器學習算法；將這些適用的算法整理到一個算法候選池中，并為每個算法標注適用的場景范圍和性能指標。

19、其中，pid控制算法適用于一些較為穩(wěn)定、線性的場景，能夠根據(jù)當前誤差、誤差積分和誤差微分來調整aeb參數(shù)，使系統(tǒng)達到穩(wěn)定狀態(tài)。例如，在高速公路上車輛勻速行駛時，pid控制算法可以較好地調節(jié)制動參數(shù)。模糊控制算法適用于具有不確定性和模糊性的場景，如惡劣天氣下的駕駛，模糊控制算法可以根據(jù)模糊規(guī)則進行推理，從而調整aeb參數(shù)。模糊控制算法不需要精確的數(shù)學模型，能夠更好地處理復雜的環(huán)境。機器學習算法包括監(jiān)督學習、無監(jiān)督學習和強化學習等。監(jiān)督學習算法，如線性回歸、邏輯回歸、決策樹等，可以根據(jù)歷史數(shù)據(jù)學習參數(shù)與制動效果之間的關系，從而預測最佳參數(shù)。強化學習算法則通過與環(huán)境進行交互，不斷嘗試不同的參數(shù)設置，以最大化某種獎勵函數(shù)，適用于動態(tài)變化的場景。

20、步驟s3.2：算法評估與選擇：通過準確性、響應速度、穩(wěn)定性和適應性四個指標對算法進行評估，根據(jù)算法擇優(yōu)策略選擇合適的算法。

21、所述算法選擇策略具體包括：基于規(guī)則的選擇：根據(jù)場景識別的結果和預設的規(guī)則，從算法候選池中選擇合適的算法。例如，如果場景識別為高速公路行駛，且車輛處于勻速狀態(tài)，則優(yōu)先選擇pid控制算法。基于性能評估的選擇：對每個候選算法進行實時性能評估，根據(jù)評估指標選擇性能最優(yōu)的算法?？梢允褂脷v史數(shù)據(jù)對算法進行離線評估，也可以在實際運行過程中進行在線評估。例如，在一段時間內，統(tǒng)計每個算法在不同場景下的準確性、響應速度等指標，選擇綜合性能最好的算法?；旌喜呗裕航Y合基于規(guī)則的選擇和基于性能評估的選擇；首先根據(jù)場景規(guī)則篩選出一部分適用的算法，然后對這些算法進行性能評估，最終選擇最優(yōu)的算法。

22、所述場景識別，即根據(jù)不同的駕駛場景，利用場景分類算法對其進行分類。常見的場景包括城市道路行駛、高速公路行駛、停車場行駛、惡劣天氣行駛等。每個場景又可以進一步細分，例如城市道路行駛可分為擁堵路段、非擁堵路段等。

23、場景分類包括基于規(guī)則的分類和機器學習分類。所述基于規(guī)則的分類，即依據(jù)一些預設的規(guī)則來判斷當前的駕駛場景。例如，如果車輛速度低于20km/h，且前方障礙物距離較近、車輛頻繁啟停，那么可以判斷為城市擁堵路段場景。

24、機器學習分類為使用分類算法，如決策樹、支持向量機、神經網絡等，對駕駛場景進行分類。通過對大量歷史數(shù)據(jù)的學習，模型可以自動識別出不同場景的特征模式。例如，訓練一個神經網絡模型，將車輛狀態(tài)數(shù)據(jù)和環(huán)境數(shù)據(jù)作為輸入，場景類別作為輸出進行訓練。

25、四個評估指標包括：準確性：算法預測的aeb參數(shù)能夠使車輛在實際場景中做出正確制動反應的程度。例如，在接近前方障礙物時，算法選擇的制動參數(shù)能夠使車輛剛好在安全距離內停下。響應速度：算法在接收到數(shù)據(jù)后，能夠快速輸出合適參數(shù)的能力。在緊急情況下，響應速度至關重要，能夠減少制動延遲時間。穩(wěn)定性：算法在不同條件下輸出參數(shù)的一致性和可靠性。例如，在連續(xù)多次遇到相似場景時，算法都能選擇穩(wěn)定的參數(shù)。適應性：算法能夠適應不同駕駛場景和環(huán)境變化的能力。例如，當天氣從晴天變?yōu)橛晏鞎r，算法能夠及時調整參數(shù)以適應新的路況。

26、進一步優(yōu)華油，所述步驟s3.2中，針對動態(tài)變化的場景，選擇機器學習算法進行aeb參數(shù)調整，具體包括：

27、步驟s3.2.1：算法選擇與模型訓練：利用云平臺構建卷積神經網絡cnn和長短時記憶網絡lstm相結合的模型，并對模型進行訓練，使模型學習到數(shù)據(jù)特征與aeb參數(shù)之間的關系。

28、采用深度學習算法，如卷積神經網絡cnn和長短時記憶網絡lstm相結合的模型，對處理后的數(shù)據(jù)進行分析。cnn用于提取圖像數(shù)據(jù)中的特征，如障礙物的形狀、紋理等信息；lstm用于處理時間序列數(shù)據(jù)，捕捉車輛和障礙物運動狀態(tài)的變化趨勢。在前期收集大量不同駕駛場景下的車輛數(shù)據(jù)，包括正常行駛、跟車、超車、遇到障礙物等場景，以及對應的aeb系統(tǒng)的理想?yún)?shù)設置。對這些數(shù)據(jù)進行標注，將其劃分為訓練集和測試集。使用訓練集對模型進行訓練，通過反向傳播算法不斷調整模型的權重和偏差，使模型學習到數(shù)據(jù)特征與aeb參數(shù)之間的關系。在訓練過程中，采用早停法防止模型過擬合，當模型在測試集上的性能不再提升時停止訓練。

29、步驟s3.2.2：參數(shù)調節(jié)規(guī)則生成：訓練好的模型根據(jù)輸入的數(shù)據(jù)自動生成參數(shù)調節(jié)規(guī)則，對于不同的駕駛場景和車輛狀態(tài)，模型輸出相應的aeb系統(tǒng)參數(shù)調整方案；如制動起始時間、制動力度、制動減速度等。例如，當模型檢測到前方有快速接近的障礙物且車輛速度較高時，會生成提前制動且增大制動力度的調節(jié)規(guī)則；若車輛處于低速行駛且障礙物距離較遠，模型會生成較小的制動力度和適當延遲制動的規(guī)則。同時，為了應對模型可能出現(xiàn)的錯誤決策，制定參數(shù)懲罰規(guī)則。如果模型生成的參數(shù)導致車輛在仿真測試中出現(xiàn)不穩(wěn)定（如過度制動導致車輛失控）或未能有效避免碰撞的情況，對模型的輸出進行懲罰，調整模型的權重，使其在后續(xù)的決策中更加謹慎和準確。

30、步驟s3.2.3：參數(shù)自動調整：云平臺根據(jù)生成的參數(shù)調節(jié)規(guī)則，向車輛的aeb系統(tǒng)發(fā)送參數(shù)調整指令，aeb系統(tǒng)接收到指令后，實時調整自身的參數(shù)設置。在調整過程中，考慮車輛的動力學特性和安全限制，確保調整后的參數(shù)不會對車輛的穩(wěn)定性和安全性造成負面影響。例如，制動力度的增加不能超過輪胎與路面的最大摩擦力，以防止車輪抱死；制動起始時間的提前要考慮駕駛員的反應時間，避免不必要的緊急制動給駕駛員帶來不適。

31、進一步優(yōu)化，所述步驟s3.2中，當模型生成的參數(shù)導致車輛在仿真測試中出現(xiàn)不穩(wěn)定或未能有效避免碰撞的情況，對模型的輸出進行懲罰，具體包括：

32、步驟s3.2.2.1：基于性能指標的懲罰：定義用于評估aeb系統(tǒng)性能的指標，包括但不限于制動距離、碰撞速度和車輛穩(wěn)定性，并為每個性能指標設定一個范圍或閾值。例如，制動距離應在安全距離之內，碰撞速度應盡可能低。

33、當aeb系統(tǒng)的參數(shù)設置導致某個性能指標超出了理想范圍或閾值，就對這些參數(shù)進行懲罰。例如，如果實際制動距離超過了安全距離，就降低該參數(shù)設置的得分，并根據(jù)超出的程度給予相應的懲罰系數(shù)。

34、步驟s3.2.2：基于場景適應性的懲罰首先對對駕駛場景分類，將不同的駕駛場景進行分類，如高速公路場景、城市街道場景、雨天場景等。根據(jù)每個場景不同的特點和安全要求設定特定的參數(shù)調節(jié)目標和限制。例如，在高速公路場景下，要求aeb系統(tǒng)能夠快速響應并提供足夠的制動力；在雨天場景下，需要考慮路面濕滑對制動性能的影響。當aeb系統(tǒng)的參數(shù)設置在某個特定場景下不能滿足該場景的要求，就對這些參數(shù)進行懲罰。例如，如果在雨天場景下，參數(shù)設置導致車輛制動時出現(xiàn)側滑，就對該參數(shù)設置進行懲罰。懲罰的程度根據(jù)場景的重要性和參數(shù)設置偏離要求的程度來確定。例如，在高速公路場景下，對不滿足要求的參數(shù)設置給予更嚴厲的懲罰。

35、進一步優(yōu)化，所述步驟s4具體包括：

36、步驟s4.1：多場景仿真測試：將調節(jié)后的參數(shù)在多場景仿真測試環(huán)境中進行驗證；仿真環(huán)境模擬各種真實的駕駛場景，包括不同的天氣條件（晴天、雨天、雪天、霧天）、路況（高速公路、城市街道、鄉(xiāng)村道路、彎道、坡道）、障礙物類型（不同尺寸和形狀的車輛、行人、動物）以及車輛的不同行駛狀態(tài)（加速、減速、勻速、轉彎）等。在每個仿真場景中，模擬車輛按照調整后的aeb參數(shù)進行行駛，并監(jiān)測車輛的運動狀態(tài)、與障礙物的距離變化以及是否發(fā)生碰撞等指標。通過大量的仿真測試，全面評估調整后的aeb參數(shù)在不同場景下的性能表現(xiàn)。

37、步驟s4.2：結果反饋與評估：將仿真測試的結果反饋給開發(fā)人員和云平臺的優(yōu)化模塊。開發(fā)人員從專業(yè)角度對結果進行評估，檢查aeb系統(tǒng)在不同場景下的制動效果是否符合預期，如是否成功避免碰撞、制動過程是否平穩(wěn)、對車輛穩(wěn)定性的影響等。同時，云平臺的優(yōu)化模塊通過預設的評估指標對結果進行量化分析，如計算平均制動距離、碰撞避免率、車輛穩(wěn)定性指標等。如果測試結果符合預期，即各項評估指標達到預設的標準，系統(tǒng)將固化這些參數(shù)，并將其應用到實際的aeb系統(tǒng)中；如果結果不符合預期，優(yōu)化模塊根據(jù)反饋的數(shù)據(jù)，分析問題原，優(yōu)化算法，再次進行參數(shù)調整和仿真測試，直到測試結果符合預期為止。通過不斷的反饋與優(yōu)化，使aeb系統(tǒng)的參數(shù)調節(jié)更加準確和高效，提高aeb系統(tǒng)在各種實際駕駛場景下的性能和安全性。

38、一種基于人工智能的aeb參數(shù)調節(jié)系統(tǒng)，包括：

39、數(shù)據(jù)收集模塊：用于利用車輛上裝載的多種傳感器收集aeb系統(tǒng)的實時數(shù)據(jù)，并將數(shù)據(jù)傳輸至云平臺；

40、數(shù)據(jù)處理與調節(jié)模塊：設置于云平臺，用于對收集的數(shù)據(jù)進行時間對齊和空間對齊處理，利用人工智能自動選擇合適的算法，根據(jù)處理后的數(shù)據(jù)計算并調整aeb系統(tǒng)的各項參數(shù)；

41、多場景仿真測試模塊：設置于云平臺，用于在完成aeb參數(shù)調整后，通過虛擬環(huán)境中的多場景測試，驗證aeb系統(tǒng)在不同駕駛場景下的表現(xiàn)；

42、反饋與優(yōu)化模塊：用于將aeb參數(shù)調節(jié)模塊調整后的參數(shù)反饋給開發(fā)人員評估，若評估結果不符合預期，則根據(jù)反饋繼續(xù)優(yōu)化參數(shù)。

43、與現(xiàn)有技術相比，本發(fā)明具有的有益效果是：

44、1、發(fā)明所述方法能夠根據(jù)實時采集的車輛狀態(tài)信息、前方障礙物信息和環(huán)境信息，智能調節(jié)aeb系統(tǒng)的參數(shù)，適應復雜多變的實際駕駛環(huán)境，提高aeb系統(tǒng)的制動效果和安全性。

45、2、本發(fā)明所述方法中自動化的調節(jié)流程減少了人工參與，提高了調節(jié)效率和準確性，降低了調節(jié)成本和時間。

46、3、發(fā)明所述方法在參數(shù)調節(jié)過程中，持續(xù)監(jiān)測車輛狀態(tài)和前方障礙物的變化，實時動態(tài)調整參數(shù)調節(jié)策略，確保aeb系統(tǒng)始終處于最佳工作狀態(tài)。