一种车辆控制方法、装置、设备及介质与流程
1.本技术涉及数据处理技术领域，具体涉及一种车辆控制方法、装置、设备及介质。
背景技术：
2.在涉及到多个车辆跟随行驶的场景中，能够使用跟驰系统对前车和跟随前车行驶的车辆进行控制。跟驰系统能够基于前车的行驶情况以及后车的周边环境，对跟随前车的后车进行控制，使得后车较为安全地跟随前车自动行驶。
3.跟驰系统需要根据驾驶员的驾驶情况、车辆的行驶环境以及道路情况等多方面的因素控制车辆。影响控制车辆的因素较多并且较为复杂。目前，跟驰系统控制车辆的准确程度不高，难以满足控制跟随车辆的需要。
技术实现要素：
4.有鉴于此，本技术提供一种车辆控制方法、装置、设备及介质，能够提高跟随系统控制车辆的准确程度。
5.为解决上述问题，本技术提供的技术方案如下：
6.第一方面，本技术提供一种车辆控制方法，所述方法包括：
7.获取跟驰系统包括的车辆的车辆轨迹数据；
8.从所述车辆轨迹数据选取目标特征；
9.将所述目标特征输入目标模型中，得到所述目标模型输出的预测数据，所述目标模型是与所述目标特征对应的模型；
10.根据所述预测数据控制跟驰系统包括的车辆。
11.在一种可能的实现方式中，所述获取所述跟驰系统包括的车辆的车辆轨迹数据，包括：
12.从所述跟驰系统包括的车辆采集得到车辆的车辆轨迹数据。
13.在一种可能的实现方式中，所述目标特征包括所述跟驰系统包括的前后车的第一速度、所述跟驰系统包括的前后车的第一距离以及所述跟驰系统包括的前后车的加速度中的一种或者多种。
14.在一种可能的实现方式中，所述目标模型包括人工神经网络模型、支持向量机模型以及k最近邻模型中的一种或者多种。
15.在一种可能的实现方式中，所述预测数据包括所述跟驰系统包括的前后车的第二距离和所述跟驰系统包括的后车的第二速度中的一种或者多种。
16.第二方面，本技术提供一种车辆控制装置，所述装置包括：
17.获取单元，用于获取跟驰系统包括的车辆的车辆轨迹数据；
18.选取单元，用于从所述车辆轨迹数据选取目标特征；
19.预测单元，用于将所述目标特征输入目标模型中，得到所述目标模型输出的预测数据，所述目标模型是与所述目标特征对应的模型；
20.控制单元，用于根据所述预测数据控制跟驰系统包括的车辆。
21.在一种可能的实现方式中，所述获取单元，用于从所述跟驰系统包括的车辆采集得到车辆的车辆轨迹数据。
22.在一种可能的实现方式中，所述目标特征包括所述跟驰系统包括的前后车的第一速度、所述跟驰系统包括的前后车的第一距离以及所述跟驰系统包括的前后车的加速度中的一种或者多种。
23.在一种可能的实现方式中，所述目标模型包括人工神经网络模型、支持向量机模型以及k最近邻模型中的一种或者多种。
24.在一种可能的实现方式中，所述预测数据包括所述跟驰系统包括的前后车的第二距离和所述跟驰系统包括的后车的第二速度中的一种或者多种。
25.第三方面，本技术提供一种车辆控制设备，所述设备包括处理器以及存储器：
26.所述存储器用于存储计算机程序，并将所述计算机程序传输给所述处理器；
27.所述处理器用于根据所述计算机程序中的指令执行第一方面中任一项所述的车辆控制方法。
28.第四方面，本技术提供一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行第一方面中任一项所述的车辆控制方法。
29.由此可见，本技术具有如下有益效果：
30.本技术提供的一种车辆控制方法、装置、设备及介质，能够先获取跟驰系统包括的车辆的车辆轨迹数据，再从所述车辆轨迹数据选取目标特征，将所述目标特征输入目标模型中，得到所述目标模型输出的预测数据，最后根据所述预测数据控制跟驰系统包括的车辆。通过在车辆轨迹数据选取较为合适的目标特征，再利用与目标特征对应的目标模型处理目标特征，能够得到较为准确的预测数据，进而实现较为准确的跟随系统中车辆的管理。
附图说明
31.图1为本技术实施例提供的一种车辆控制方法的场景示意图；
32.图2为本技术实施例提供的一种车辆控制方法的流程示意图；
33.图3为本技术实施例提供的一种跟驰系统的结构示意图；
34.图4为本技术实施例提供的一种车辆控制装置的结构示意图。
具体实施方式
35.为了便于理解和解释本技术实施例提供的技术方案，下面将先对本技术的背景技术进行说明。
36.跟驰系统能够应用于跟随行驶的前后车以及车队中。利用跟驰系统能够对跟随前车行驶的后车进行管理，使得后车沿着前车的行驶轨迹行驶，并且，控制后车的速度以及与前车的距离，确保前后车的安全。但是，跟随系统管理车辆受到多方面因素的影响。比如，车辆行驶的路况以及前车的行驶情况。影响因素较多并且较为复杂。这会导致跟随系统无法较为准确地管理车辆，不能满足车辆管理的需要。
37.基于此，本技术实施例提供一种车辆控制方法、装置、设备及介质，能够先获取跟驰系统包括的车辆的车辆轨迹数据，再从所述车辆轨迹数据选取目标特征，将所述目标特
征输入目标模型中，得到所述目标模型输出的预测数据，最后根据所述预测数据控制跟驰系统包括的车辆。通过在车辆轨迹数据选取较为合适的目标特征，再利用与目标特征对应的目标模型处理目标特征，能够得到较为准确的预测数据，进而实现较为准确的跟随系统中车辆的管理。
38.为了便于理解本技术实施例提供的技术方案，下面先对本技术实施例的应用场景进行介绍。
39.本技术实施例提供的一种车辆控制方法，能够应用于跟随系统。参见图1所示，跟随系统能够应用于前车和后车的跟随行驶的场景中。在跟随系统的控制下，后车能够跟随前车的行驶轨迹自动行驶。
40.需要说明的是，本技术实施例不限定跟随系统所涉及的车辆的数量。在一种可能的实现方式中，跟随系统应用于两个车辆。两个车辆中包括前车和后车。在另一种可能的实现方式中，跟随系统应用于车队，车队包括两个以上的车辆。车队中每两个相邻的车构成前车或者后车，或者，除了头车以外的车辆均是跟随头车的后车。
41.为了便于理解本技术实施例提供的技术方案，下面结合附图对本技术实施例提供的车辆控制方法进行说明。
42.参见图2所示，该图为本技术实施例提供的一种车辆控制方法的流程示意图，该方法包括步骤s201-s204。
43.s201：获取跟驰系统包括的车辆的车辆轨迹数据。
44.跟驰系统包括被跟随的前车以及跟随前车的后车。需要说明的是，跟驰系统能够包括一个或者多个前车，每个前车能够具有对应跟随的多个后车。其中，同一个车辆能够作为被跟随的前车，也能够作为跟随其他前车的后车。
45.车辆的车辆轨迹数据包括车辆周边行驶的车辆的相关轨迹数据。比如，包括车辆周边行驶的车辆的速度、车辆的加速度以及车辆之间的距离。
46.本技术实施例不限定获取跟驰系统包括的车辆的车辆轨迹数据的具体获取方式。在一种可能的实现方式中，由跟驰系统包括的车辆采集车辆轨迹信息，并传输至跟驰系统。具体的，跟驰系统的车辆能够通过传感器、车载摄像机、定位系统采集本车或者周围车辆的车辆轨迹信息。
47.s202：从所述车辆轨迹数据选取目标特征。
48.车辆轨迹数据可能包括多个方面的数据。从车辆轨迹数据中选取用于预测的目标特征。目标特征具体例如包括跟驰系统包括的前后车的第一速度、跟驰系统包括的前后车的第一距离以及跟驰系统包括的前后车的加速度中的一种或者多种。其中，前后车的第一速度包括前车的速度和跟随该前车的后车的速度。前后车的第一距离为前车与跟随该前车的后车之间的距离。前后车的加速度包括前车的加速度和跟随该前车的后车的加速度。
49.本技术实施例不限定选取目标特征的具体实现方式。在一种可能的实现方式中，能够基于当前前车和后车的行驶场景确定目标特征。比如，如果行驶场景为堵车场景，则选取前后车的第一距离作为目标特征。行驶场景和目标特征的对应关系能够预先设定。
50.s203：将所述目标特征输入目标模型中，得到所述目标模型输出的预测数据。
51.目标模型是与目标特征对应的模型。目标模型与目标特征的对应关系能够预先设置。在一些可能的实现方式中，目标模型能够是基于目标特征得到更为准确的预测结果的
模型。目标模型与目标特征的对应关系能够基于目标模型的训练过程确定。
52.作为一种示例，目标模型包括人工神经网络模型、支持向量机模型以及k最近邻模型中的一种或者多种。每种目标模型具有对应的需要处理的特定类型的目标特征。
53.目标模型用于对输入的目标特征进行处理，输出预测数据。预测数据是用于控制车辆的车辆目标行驶数据。在一些可能的实现方式中，预测数据包括跟驰系统包括的前后车的第二距离和跟驰系统包括的后车的第二速度中的一种或者多种。跟驰系统包括的前后车的第二距离，是目标模型根据目标特征预测得到的前车和后车之间的行驶的目标距离。跟驰系统包括的后车的第二速度，是目标模型根据目标特征预测得到的后车行驶的目标速度。
54.s204：根据所述预测数据控制跟驰系统包括的车辆。
55.基于得到的预测数据，对跟驰系统包括的车辆进行控制。作为一种示例，预测数据包括前后车的第二距离。跟驰系统根据当前前后车的距离，调整后车的行驶速度，使得后车与前车的距离保持第二距离。作为又一种示例，预测数据包括后车的第二速度。跟驰系统根据当前后车的行驶速度，对后车的行驶速度进行调整，使得后车的行驶速度达到第二速度。
56.基于上述s201-s204的相关内容可知，利用与目标特征对应的目标模型，能够得到更为准确的预测数据，进而实现利用预测数据对车辆进行准确控制。
57.下面结合具体场景对本技术实施例提供的车辆控制方法进行说明。参见图3所示，该图为本技术实施例提供的一种跟驰系统的结构示意图。
58.跟驰系统通过真实系统和计算系统两大部分来完成车辆控制。
59.在真实系统中，包括数据采集模块和数据传输模块。数据采集模块用于实现对跟驰系统包括的车辆的车辆轨迹数据的采集。具体的，通常能够通过传感器以及定位装置采集道路现场的车辆轨迹数据。数据采集模块在完成车辆轨迹数据的采集后，对车辆轨迹数据进行数据同化处理。数据同化处理是指数据采集模块采集得到的车辆轨迹数据是时效性较高的数据。一般来说，目标模型对于短时间内的预测的精度较高。长时间得到的预测结果准确程度较低。数据采集模块能够将时效性较低的车辆轨迹数据进行删除。利用时效性较高的车辆轨迹数据，能够得到更为准确的预测数据。如此能够提高得到的预测数据的准确程度。
60.在计算系统中实现预测的核心部分主要是目标特征选取模块和目标模型处理模块。目标特征包括前后车的第一速度、前后车的第一距离以及前后车的加速度等多种类型的特征变量。在确定目标特征之后，目标模型处理模块可以针对不同的场景选取人工神经网络模型、k最邻近(knn，k-nearest neighbor)模型、支持向量机模型等不同的机器学习算法模型对目标特征进行处理。根据不同目标模型的原理，对输入的目标特征进行运算后输出预测数据。最后将预测数据实时反馈到真实系统中。真实系统中的数据传输模块基于获取的预测数据，对车辆进行控制。
61.基于上述方法实施例提供的一种车辆控制方法，本技术实施例还提供了一种车辆控制装置，下面将结合附图对该车辆控制装置进行说明。
62.参见图4所示，该图为本技术实施例提供的一种车辆控制装置的结构示意图。如图4所示，该车辆控制装置包括：
63.获取单元401，用于获取跟驰系统包括的车辆的车辆轨迹数据；
64.选取单元402，用于从所述车辆轨迹数据选取目标特征；
65.预测单元403，用于将所述目标特征输入目标模型中，得到所述目标模型输出的预测数据，所述目标模型是与所述目标特征对应的模型；
66.控制单元404，用于根据所述预测数据控制跟驰系统包括的车辆。
67.在一种可能的实现方式中，所述获取单元401，用于从所述跟驰系统包括的车辆采集得到车辆的车辆轨迹数据。
68.在一种可能的实现方式中，所述目标特征包括所述跟驰系统包括的前后车的第一速度、所述跟驰系统包括的前后车的第一距离以及所述跟驰系统包括的前后车的加速度中的一种或者多种。
69.在一种可能的实现方式中，所述目标模型包括人工神经网络模型、支持向量机模型以及k最近邻模型中的一种或者多种。
70.在一种可能的实现方式中，所述预测数据包括所述跟驰系统包括的前后车的第二距离和所述跟驰系统包括的后车的第二速度中的一种或者多种。
71.基于上述方法实施例提供的一种车辆控制方法，本技术提供一种车辆控制设备，包括：处理器、存储器、系统总线；
72.所述处理器以及所述存储器通过所述系统总线相连；
73.所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述任一实施例所述的车辆控制方法。
74.基于上述方法实施例提供的一种车辆控制方法，本技术提供一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述任一实施例所述的车辆控制方法。
75.需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统或装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
76.应当理解，在本技术中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
77.还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
78.结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
79.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
