(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110638942.2 (22)申请日 2021.06.08 (65)同一申请的已公布的文献号 申请公布号 CN 113548047 A (43)申请公布日 2021.10.26 (73)专利权人 重庆大学 地址 400044 重庆市沙坪坝区沙正 街174号 (72)发明人 孙棣华　赵敏　袁尔会　 (74)专利代理 机构 北京汇泽知识产权代理有限 公司 11228 专利代理师 武君 (51)Int.Cl. B60W 30/12(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (56)对比文件 US 201620 0317 A1,2016.07.14 WO 20191040 54 A1,2019.0 5.31 CN 108829110 A,2018.1 1.16 CN 110398969 A,2019.1 1.01 CN 112051855 A,2020.12.08 王博洋等.基 于双层驾驶员模型的履带 车辆 纵向与横向协同跟踪 控制方法. 《兵工学报》 .2018,(第09期),14-21. Xiao Liu ET AL.A De ep Learn ing Method for Lane C hanging Situati on Assessment and Decisi on Making. 《IEEE Access》 .2019, 审查员 黄建 (54)发明名称 一种基于深度学习的个性化车道保持辅助 方法及装置 (57)摘要 本发明公开了一种基于深度学习的个性化 车道保持辅助方法， 包括： 获取驾驶人驾驶过程 中的车辆运动状态信息、 道路环 境信息作为轨迹 模型的参数表征； 基于深度卷积模糊系统和轨迹 模型的参数， 建立轨迹模型； 对所述轨迹模型进 行优化， 根据驾驶人的驾驶特性设定约束条件； 获取时实车辆运动状态信息和实时道路环境信 息， 并基于轨迹模型输出驾驶员的横向位置信 息， 控制车辆对横向位置进行跟踪。 本发明利用 深度学习这种端到端的方法， 学习驾驶人在轨迹 上的驾驶习性， 实现个性化的车道保持驾驶辅 助， 能够提高驾驶人对车道保持系统的接受度， 降低人机冲突， 改善驾驶人的舒适性， 也有利于 减轻辅助系统规划层的负荷， 保证驾驶安全， 进 一步提高行驶效率。 权利要求书3页 说明书9页 附图2页 CN 113548047 B 2022.11.11 CN 113548047 B 1.一种基于深度学习的个性 化车道保持辅助方法， 其特 征在于， 该 方法包括： 获取驾驶人驾驶过程中的车辆运动状态信息、 道路环境信息作为轨迹模型的参数表 征； 基于深度卷积模糊系统和轨 迹模型的参数， 建立轨 迹模型； 对所述轨 迹模型进行优化， 根据驾驶人的驾驶特性设定约束条件； 获取时实车辆运动状态信 息和实时道路环境信 息， 并基于轨迹模型输出驾驶员的横向 位置信息， 控制车辆对横向位置进行跟踪； 所述车辆运动状态信息包括： 横向加速度ay、 横向速度vy、 偏航率yawrate和横向位置 lateral(t‑1)， 所述道路环境信息包括： 道路曲率curvature； 当t时刻轨迹规划器输出的横向位置的值不在( μ ‑2σ, μ+2σ )范围时， 横向位置lateral 的值为保持上一时刻的值， 轨 迹的横向位置的约束条件为： 其中， lateral(t)表示t时刻的横向位置， lateral(t‑1)为t‑1时刻的横向位置， μ和σ2数据 集的分别为期望和方差， 其中， 所述 μ和σ2数据集为统计驾驶人驾驶过程中横向位置信息的 数据集。 2.根据权利要求1所述的基于深度学习的个性化车道保持辅助方法， 其特征在于， 所述 基于深度卷积模糊系统和轨 迹模型的参数， 建立轨 迹模型， 包括： 确定建立轨 迹模型的输入输出参数； 基于深度卷积模糊系统和输入输出参数进行 快速训练， 建立初始轨 迹模型； 将驾驶人驾驶过程中进行在线学习， 对初始轨 迹模型进行 更新， 得到 轨迹模型。 3.根据权利要求2所述的基于深度学习的个性化车道保持辅助方法， 其特征在于， 所述 基于深度卷积模糊系统和输入输出参数进行 快速训练， 建立初始轨 迹模型， 包括： (1)设置算法的窗口大小为m， 步长为s， 共l层模糊系统， 模糊集个数为q； (2)对l层中的每一个模糊系统 都执行以下步骤： 在下面的式子中， Cell表示一个单元， 即一个模糊系统， 如Cell(0)表示第1个模糊系统 单元， Cell(1)表示第2个模糊系统单元； ji,j2,…,jm＝1,2,…,q指模糊集个数， 指 一个模糊系统的输入权重参数， 指模糊系统的输出权重参数， 表示模糊系 统根据输入输出进行快速训练的参数， 表示第t层的第i个输出， 即 表示第0层的输出， 即第1层的输入： ①初始化Cel l(x(1),x(2),…,x(m))的参数 ②确定每个输入的端点； 权　利　要　求　书 1/3 页 2 CN 113548047 B 2③确定每个输入‑输出数据对模糊集的最大 隶属度值； ④更新参数 ⑤确定 的值； ⑥确定Cell(0)的邻域， 得到 Cell(1)； ⑦逐轮得到 Cell(2)，···， Cell(i)， 直到生成完整的模糊规则库； 更新i→i+1； 更新l→l+1； (3)完成快速训练， 建立初始轨 迹模型。 4.一种基于深度学习的个性 化车道保持辅助装置， 其特 征在于， 该装置包括： 信息获取模块， 用于获取驾驶人驾驶过程中的车辆运动状态信息、 道路环境信息作为 轨迹模型的参数表征； 模型建立模块， 用于基于深度卷积模糊系统和轨 迹模型的参数， 建立轨 迹模型； 优化模块， 用于对所述轨 迹模型进行优化， 根据驾驶人的驾驶特性设定约束条件； 跟踪模块， 用于获取时实车辆运动状态信息和实时道路环境信息， 并基于轨迹模型输 出驾驶员的横向位置信息， 控制车辆对横向位置进行跟踪； 所述车辆运动状态信息包括： 横向加速度ay、 横向速度vy、 偏航率yawrate和横向位置 lateral(t‑1)， 所述道路环境信息包括： 道路曲率curvature； 当t时刻轨迹规划器输出的横向位置的值不在( μ ‑2σ, μ+2σ )范围时， 横向位置lateral 的值为保持上一时刻的值， 轨 迹的横向位置的约束条件为： 其中， lateral(t)表示t时刻的横向位置， lateral(t‑1)为t‑1时刻的横向位置， μ和σ2数据 集的分别为期 望和方差， 其中， 所述 μ和σ 2数据集为统计驾驶人驾驶过程中横向位置信息的 数据集。 5.根据权利要求4所述的基于深度学习的个性化车道保持辅助装置， 其特征在于， 所述 基于深度卷积模糊系统和轨 迹模型的参数， 建立轨 迹模型， 包括： 确定建立轨 迹模型的输入输出参数； 基于深度卷积模糊系统和输入输出参数进行 快速训练， 建立初始轨 迹模型； 将驾驶人驾驶过程中进行在线学习， 对初始轨 迹模型进行 更新， 得到 轨迹模型。 6.根据权利要求5所述的基于深度学习的个性化车道保持辅助装置， 其特征在于， 所述 基于深度卷积模糊系统和输入输出参数进行 快速训练， 建立初始轨 迹模型， 包括： (1)设置算法的窗口大小为m， 步长为s， 共l层模糊系统， 模糊集个数为q； (2)对l层中的每一个模糊系统 都执行以下步骤： 在下面的式子中， Cell表示一个单元， 即一个模糊系统， 如Cell(0)表示第1个模糊系统 单元， Cell(1)表示第2个模糊系统单元； ji,j2,…,jm＝1,2,…,q指模糊集个数， 指 一个模糊系统的输入权重参数， 指模糊系统的输出权重参数， 表示模糊系权　利　要　求　书 2/3 页 3 CN 113548047 B 3