具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能理解为对本申请的限制。相反，本申请的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。

本实施例提出了一种基于深度学习的个性化车道保持辅助方法，本发明将车道保持分解为轨迹规划和轨迹跟踪控制两个阶段，重要在轨迹规划阶段学习驾驶人决策特性，为实现个性化的车道保持驾驶辅助奠定基础。首先采集驾驶人驾驶过程中的车辆运动状态信息、道路环境信息作为参数表征；随后将驾驶人的经验和偏好纳入智能驾驶环境，基于深度学习算法建立轨迹模型，进行轨迹规划；然后对轨迹模型进行优化，根据驾驶人的驾驶特性设定约束条件；最后采用控制算法，对轨迹实现准确地跟踪控制。其中，为了增强个性化车道保持辅助的泛化能力，适用于不同的工况中，在驾驶人驾驶过程中，将进行在线学习，对轨迹模型进行不断地在线更新。具体流程如图1所示。

S1：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。

在实际开车的过程中，驾驶人的驾驶行为受到道路环境和车辆目前行驶状态的影响，采集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，进行仿人轨迹规划；

具体为：在车道保持驾驶辅助过程中，车辆运动状态中主要针对横向运动参数进行设计，横向加速度ay、横向速度vy、偏航率yawrate、历史横向位置lateral_(t-1)，道路环境信息主要考虑为道路曲率curvature。在轨迹规划时，根据以上车辆运动状态信息和道路环境信息生成车辆在车道上横向位置的轨迹曲线，可将轨迹表示为：

lateral_(t)＝f(curvature_(t),ay_(t),vy_(t),yawrate_(t),lateral_(t-1))

S2：基于深度卷积模糊系统和轨迹模型的参数，建立轨迹模型。

为了提高模型的泛化能力，适用于不同场景，需要在驾驶人驾驶过程中进行在线学习，对模型进行不断更新与改进；

由于深度卷积模糊系统具有快速训练的特点，优选实施例中的深度学习算法选择深度卷积模糊系统(Deep Convolutional Fuzzy Systems，DCFS)进行介绍。建立轨迹模型的步骤包括：

S21：确定建立轨迹模型的输入输出参数；

在S1中确定了道路曲率curvature、车辆横向加速度ay、车辆横向速度vy、道路偏航率 yawrate、车辆历史横向位置lateral_(t-1)这5个参数进行轨迹学习，即轨迹模型包含5个输入， 1个输出，可表示为：

(x₁,x₂,x₃,x₄,x₅；y)＝(curvature_(t),ay_(t),vy_(t),yawrate_(t),lateral_(t-1)；lateral_(t))

S22：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；

模型的训练过程主要包含初始化、模糊系统更新、每一层更新，由于算法只逐层自下而上进行训练，不进行反复迭代，因此训练速度特别快，可实现在线学习，提高泛化能力。具体包括以下步骤：

(1)改变模糊系统的滑动窗口和模糊集个数实现参数优化；

①设计滑动窗口

设置窗口大小为m，步长为s，共l层模糊系统，模糊集个数为q，其中，本实例根据具体情况选择m＝2，s＝1，l＝3，q＝5；

(2)对每一层l＝1,2,…,L都执行：

对l层中的每一个模糊系统都执行，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。 j_i,j₂,L,j_m＝1,2,L,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Cell(x⁽¹⁾,x⁽²⁾,L,x^(m))的参数

②确定每个输入的端点；

③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；

S23：在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。

S3：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，以保证安全性与驾驶人的个性化特征。具体可以包括以下步骤：

S31：统计驾驶人驾驶过程中横向位置信息，去除异常值，对异常轨迹点进行修正；

对于每个驾驶员而言，在驾驶过程中会根据自身的驾驶偏好调节行驶位置，并非始终以车道中心线为目标行驶轨迹，其横向位置在一定范围内驾驶人会认为是安全的。见图2，在统计学中，一组测定值中与平均值的偏差超过两倍标准差的测定值称为异常值。在服从高斯分布的异常值判定问题中，对给定的数据集x⁽¹⁾,x⁽²⁾,…,x^(m),即其中，μ和σ²的估计值表示为：

在给定一个新的样本后，根据p(x)判断新的样本属于这组数据的可能性，p(x)可以表示为：

其中，x_j表示第j个样本，u_j表示均值。

对于横向位置的异常值，其临界范围可以表示为(μ-2σ,μ+2σ)，其边界即为p(x)的值，当x的值在(μ-2σ,μ+2σ)内为正常值，否则为异常值。在这个范围内的样本数占总样本量的 95.4％，能够反映样本的整体情况。

S32：根据驾驶人的驾驶行为特征，对由横向位置表示的轨迹信息设定约束条件；

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，即轨迹的横向位置约束条件设定为：

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。

S4：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。

根据车路模型，可由车辆运动轨迹的曲率得到方向盘转角，有车辆期望的方向盘转角为：

其中，L为车辆的轴距，单位为m，v_y为车辆速度，单位m/s，d为车辆当前位置到预瞄点的距离，T为在v_y速度下行驶d距离所需的时间，e_l为车辆预瞄点的横向偏差。

再根据相关控制算法，如PID算法，实现对车辆的有效跟踪与控制。

如图3所示，本申请实例提供一种基于深度学习的个性化车道保持辅助装置，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。

在一实施例中，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。

在一实施例中，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。

在一实施例中，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。j_i,j₂,L,j_m＝1,2,L,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Cell(x⁽¹⁾,x⁽²⁾,L,x^(m))的参数

②确定每个输入的端点；

③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。

可选的，所述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。

需要说明的是，前述图1-2实施例中方法的实施例的解释说明也适用于该实施例提出的装置，其实现原理类似，此处不再赘述。

需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA) 等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。