具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明实施例一提供一种自动驾驶纵向控制标定表的处理方法，如图1为本发明实施例一提供的一种自动驾驶纵向控制标定表的处理方法示意图所示，本方法主要包括如下步骤：

步骤1，获取第一原始数据组集合；

其中，第一原始数据组集合包括多个第一原始数据组；第一原始数据组包括第一时间戳t_i、第一车速v_i、第一油门踏板开度th_i、第一制动踏板开度eb_i、第一制动压力bp_i、第一方向盘转角θ_i和第一俯仰角pitch_i，i>0。

这里，第一原始数据组集合是对人工驾驶的各项输出进行采集获得的数据集合，采集时按既定的采集频率从车辆的相关传感器中获得对应的数据构成第一原始数据组；每个第一原始数据组中，第一时间戳t_i为实时的采集时间，该数据可从车辆的计时装置获取；第一车速v_i为实时采集的纵向车速信息，第一油门踏板开度th_i为实时采集的油门踏板开度信息，第一制动踏板开度eb_i为实时采集的电制动踏板开度信息，第一制动压力bp_i为实时采集的机械制动压力信息，第一方向盘转角θ_i为实时采集的方向盘角度信息，这些信息可从能够获取车辆底盘信号、制动装置信号、转向转至信号的装置或传感器处获取；第一俯仰角pitch_i为实时采集的车辆惯性信息，该数据可从车辆的惯性测量单元(InertialMeasurement Unit，IMU)处获得。

需要说明的是，在进行上述的数据采集时对人工驾驶的要求包括：需进行猛加速驾驶、猛减速驾驶，从而可以产生能够反映正向、负向大加速度的实时数据组；需进行正常加速驾驶、正常减速驾驶，从而可以产生能够反映正向、负向中等加速度的实时数据组；需进行缓加速驾驶、缓减速驾驶，从而可以产生能够反映正向、负向小加速度的实时数据组；需进行匀速驾驶，从而可以产生能够反映零加速度的实时数据组；驾驶的时长一般不低于30分钟，也即第一原始数据组集合体现的时长不低于30分钟；数据采集时要求在比较平坦的道路上进行，采集道路不能有明显的坡度。

步骤2，对第一原始数据组集合进行数据预处理，生成第一训练数据组集合；

这里，在使用第一原始数据组集合训练模型之前，需要对其进行滤波和降噪处理；

具体包括：步骤21，按a_i＝(v_i-v_i-1)/△t_i，△t_i＝t_i-t_i-1，计算与各个第一原始数据组对应的第一加速度a_i，并将第一加速度a_i向对应的第一原始数据组中添加；

这里，第一原始数据组集合中的各个第一原始数据组都是原始采集数据，其中并不涉及纵向控制的加速度信息，所以需要根据相邻第一原始数据组的速度差和时间差估算对应的加速度；经过加速度估算之后，第一原始数据组集合的各个第一原始数据组的数据结构中会新增一个对应的加速度信息也就是第一加速度a_i；

需要说明的是，当i＝1时因为没有前一个采样数据参与加速度的计算，所以第一加速度a_i＝1会被设为空；

在经过上述步骤的数据增项之后，本发明实施例会通过后续步骤22-23对增项后的第一原始数据组集合中的速度和加速度信息进行滤波整形；

步骤22，对第一原始数据组集合的第一车速v_i，根据预设的速度滤波周期C₁按进行速度均值滤波，k的取值范围从1到C₁；

这里，为降低速度信息异常波动造成的误差也即是常说的速度基线漂移现象，需要对第一原始数据组集合进行针对速度信息的速度均值滤波；在进行速度的速度均值滤波时，按预先设定的系统参数速度滤波周期C₁进行滤波；

例如，速度滤波周期C₁为5，第一原始数据组集合包括10个第一原始数据组，也即是i的取值从1到10，第一原始数据组集合的第一车速v_i构成的数据序列为{v₁,v₂…v_i…v₁₀}；

那么，在进行速度的速度均值滤波时，前v₁到v₄因采集时间较短，出现基线漂移的几率极小，因此可保持不变；从v₅开始进行滤波，

新的v₅设为v’₅，

新的v₆设为v’₆，

以此类推，

新的v₁₀设为v’₁₀，

步骤23，对第一原始数据组集合的第一加速度a_i，根据预设的加速度滤波周期C₂按进行加速度均值滤波，l的取值范围从1到C₂；

这里，为降低加速度信息异常波动造成的误差也即是常说的加速度基线漂移现象，需要对第一原始数据组集合进行针对加速度信息的加速度均值滤波；在进行加速度的加速度均值滤波时，按预先设定的系统参数加速度滤波周期C₂进行滤波；

例如，加速度滤波周期C₂为20，第一原始数据组集合包括30个第一原始数据组，也即是i的取值从1到30，第一原始数据组集合的第一加速度a_i构成的数据序列为{a₁,a₂…a_i…a₃₀}；

那么，在进行加速度的加速度均值滤波时，前a₁到a₁₉因采集时间较短，出现基线漂移的几率极小，因此可保持不变；从a₂₀开始进行滤波，

新的a₂₀设为a’₂₀，

新的a₂₁设为a’₂₁，

以此类推，

新的a₃₀设为a’₃₀，

经过上述步骤22-23的滤波整形之后，本发明实施例会继续通过后续步骤24-26对第一原始数据组集合进行降噪；

步骤24，将第一车速v_i低于预设的速度最小阈值的第一原始数据组删除；

这里，从车速角度，对第一原始数据组集合中的噪声第一原始数据组进行滤除；速度最小阈值为预先设定的用于鉴定噪声车速的阈值参数，例如设速度最小阈值为0；低于该速度最小阈值的第一车速v_i被视为噪声车速，因此，对应的第一原始数据组被视为噪声第一原始数据组需被滤除；

步骤25，根据第一原始数据组集合的所有第一俯仰角pitch_i，按计算第一俯仰角均值和第一俯仰角标准差pitch_std，M为第一原始数据组集合的第一原始数据组的总数；并根据第一俯仰角均值和第一俯仰角标准差pitch_std，按计算各个第一原始数据组对应的第一坡度p_i；并将第一坡度p_i大于预设的坡度最大阈值的第一原始数据组删除；

这里，从坡度角度，对第一原始数据组集合中的噪声第一原始数据组进行滤除；

各个第一原始数据组对应的坡度信息也就是第一坡度p_i的计算方式为其中h为第一原始数据组集合的俯仰角均值，pitch_std为第一原始数据组集合的俯仰角标准差，

坡度最大阈值为预先设定的用于鉴定噪声坡度的阈值参数，例如设坡度最大阈值为1；大于该坡度最大阈值的第一坡度p_i对应的车速被视为噪声车速，因此，对应的第一原始数据组被视为噪声第一原始数据组需被滤除；

步骤26，将第一方向盘转角θ_i超出预设的转角范围的第一原始数据组删除；

这里，从方向盘转角的角度，对第一原始数据组集合中的噪声第一原始数据组进行滤除；转角范围为预先设定的用于鉴定噪声方向盘转角的阈值范围，例如±δ，δ为预设的转向角最大值；低于该阈值范围的第一方向盘转角θ_i对应的车速被视为噪声车速，因此，对应的第一原始数据组被视为噪声第一原始数据组需被滤除；

步骤27，将完成数据预处理的第一原始数据组集合作为第一训练数据组集合；

其中，第一训练数据组集合包括多个第一训练数据组；第一训练数据组包括第二时间戳t_j、第二车速v_j、第二加速度a_j、第二油门踏板开度th_j、第二制动踏板开度eb_j、第二制动压力bp_j、第二方向盘转角θ_j和第二俯仰角pitch_j，j>0。

这里，通过前述步骤21-26的数据增项、滤波和降噪处理之后的第一原始数据组集合，将会作为后续步骤的模型训练数据也就是第一训练数据组集合；第一训练数据组集合的数据结构与完成了加速度数据增项的第一原始数据组集合的数据结构保持一致。

步骤3，根据第一训练数据组集合对第一油门踏板开度控制模型进行训练，并使用训练成熟的第一油门踏板开度控制模型对第一纵向控制标定表进行标定处理；

其中，第一油门踏板开度控制模型的网络结构为三层前馈神经网络；三层前馈神经网络的神经元激励函数为Sigmoid函数，三层前馈神经网络的损失函数为均方根误差函数，三层前馈神经网络使用Adam优化器对损失函数进行优化计算；

第一纵向控制标定表由多个第一油门踏板开度数据元组成；第一油门踏板开度数据元的列坐标为车速，行坐标为加速度；

这里，第一油门踏板开度控制模型是用于根据输入的车速和加速度进行油门踏板开度估算的人工智能模型；在实际应用中，可直接使用第一油门踏板开度控制模型对自动驾驶的实时油门踏板开度进行估算；但不同模型的运算周期存在差异、不同车型的运算资源也存在差异，有时可能会出现模型运算时长无法满足自动驾驶低时延要求的情况；为解决这个问题，本发明实施例在训练完第一油门踏板开度控制模型之后，预先基于模型对一个用于反映车速、加速度与油门踏板开度对应关系的第一纵向控制标定表进行标定，然后就可在后续步骤中，通过参考第一纵向控制标定表来快速估算出实时的油门踏板开度；这里，如下文所示，对第一油门踏板开度控制模型的训练过程为步骤31-36，对第一纵向控制标定表的标定过程为步骤37，具体包括：

步骤31，以油门踏板开度为x轴，以车速为y轴，以加速度为z轴建立第一模型三维坐标；

步骤32，以第一训练数据组集合中，任一第二油门踏板开度th_j为x轴坐标，对应的第二车速v_j为y轴坐标，在第一模型三维坐标的x-y二维平面上做散点标记，生成对应的第一散点

步骤33，按预设的第一油门踏板开度间隔和第一车速间隔将第一模型三维坐标的x-y二维平面划分成多个第一网格；

这里，在第一模型三维坐标空间中，第一训练数据组集合中的每个第一训练数据组都对应一组(第二油门踏板开度th_j，第二车速v_j，第二加速度a_j)；第一散点实际就是对应的第一训练数据组j在指定平面上的投影点；按预设的系统参数：第一油门踏板开度间隔和第一车速间隔，将第一模型三维坐标的x-y二维平面划分成多个第一网格的目的，是为了对所有第一散点进行聚类；

步骤34，在每个第一网格中，计算处于当前网格的所有第一散点对应的第二加速度a_j的平均加速度，生成对应的第一网格平均加速度计算处于当前网格的所有第一散点对应的第二加速度a_j的标准差，生成对应的第一网格加速度标准差根据第一网格平均加速度和第一网格加速度标准差计算处于当前网格的各个第一散点对应的第二加速度a_j的偏离度，生成对应的第一偏离度

步骤35，从第一训练数据组集合中，提取第一偏离度不高于预设的第一偏离度阈值的第二加速度a_j对应的第一训练数据组，构成第一一训练数据组集合；

这里，本发明实施例在对散点进行聚类之后，进一步根据计算加速度偏离度来对第一训练数据组集合又做了一次数据筛查得到第一一训练数据组集合，从而进一步提升了训练数据集合的准确度，有利于提高模型的训练效率；

步骤36，从第一一训练数据组集合中，依次提取第二车速v_j和对应的第二加速度a_j作为模型输入，提取对应的第二油门踏板开度th_j作为模型输出监督，对第一油门踏板开度控制模型进行训练；

这里，在进行模型训练时，将第二车速v_j、第二油门踏板开度th_j作为自变量，将第二加速度a_j做为因变量进行训练；训练时，采用的均方根误差函数具体为其中，cost为均方根误差函数，N为第一一训练数据组集合中的第一训练数据组的总数，为第一一训练数据组集合中的第二加速度a_j均值；

步骤37，模型训练成熟后，对第一纵向控制标定表的各个第一油门踏板开度数据元进行轮询，并将当前被轮询的第一油门踏板开度数据元作为第一当前数据元；提取第一当前数据元的列坐标和行坐标作为对应的第一输入车速和第一输入加速度；并将第一输入车速和第一输入加速度，输入第一油门踏板开度控制模型进行运算生成对应的第一输出油门踏板开度；并使用第一输出油门踏板开度对第一当前数据元的内容进行标定。

这里，第一纵向控制标定表的数据结构如前文所述为一个列×行的二维数据表项或矩阵，标定表的各列分别对应一个具体的车速值，各行分别对应一个具体的加速度值，各个数据单元也就是第一油门踏板开度数据元对应一个具体的油门踏板开度值；

第一纵向控制标定表的列参数和行参数都是按实际应用需求进行预先设定的，各个第一油门踏板开度数据元则是使用第一油门踏板开度控制模型进行估算的估算值；在对第一纵向控制标定表进行标定时，将数据元的列坐标作为第一输入车速、行坐标作为第一输入加速度，然后将第一输入车速和第一输入加速度输入第一油门踏板开度控制模型进行估算，并将估算结果作为当前数据元的内容进行标定。

步骤4，根据第一训练数据组集合对第一机械制动压力控制模型进行训练，并使用训练成熟的第一机械制动压力控制模型对第二纵向控制标定表进行标定处理；

其中，第一机械制动压力控制模型的网络结构与第一油门踏板开度控制模型的网络结构类似，也为三层前馈神经网络；神经元激励函数也为Sigmoid函数，损失函数同样也为均方根误差函数，同样使用Adam优化器对损失函数进行优化计算；

第二纵向控制标定表由多个第一制动压力数据元组成；第一制动压力数据元的列坐标为车速，行坐标为加速度；

这里，第一机械制动压力控制模型是用于根据输入的车速和加速度进行制动压力估算的人工智能模型；在实际应用中，可直接使用第一机械制动压力控制模型对自动驾驶的实时制动压力进行估算；但不同模型的运算周期存在差异、不同车型的运算资源也存在差异，有时可能会出现模型运算时长无法满足自动驾驶低时延要求的情况；为解决这个问题，本发明实施例在训练完第一机械制动压力控制模型之后，预先基于模型对一个用于反映车速、加速度与制动压力对应关系的第二纵向控制标定表进行标定，然后就可在后续步骤中，通过参考第二纵向控制标定表来快速估算出实时的制动压力；这里，如下文所示，对第一机械制动压力控制模型的训练过程为步骤41-46，对第二纵向控制标定表的标定过程为步骤47，具体包括：

步骤41，以制动压力为x轴，以车速为y轴，以加速度为z轴建立第二模型三维坐标；

步骤42，以第一训练数据组集合中，任一第二制动压力bp_j为x轴坐标，对应的第二车速v_j为y轴坐标，在第二模型三维坐标的x-y二维平面上做散点标记，生成对应的第二散点

步骤43，按预设的第一压力间隔和第二车速间隔将第二模型三维坐标的x-y二维平面划分成多个第二网格；

这里，在第二模型三维坐标空间中，第一训练数据组集合中的每个第一训练数据组都对应一组(第二制动压力bp_j，第二车速v_j，第二加速度a_j)；第二散点实际就是对应的第一训练数据组j在指定平面上的投影点；按预设的系统参数：第一压力间隔和第二车速间隔，将第二模型三维坐标的x-y二维平面划分成多个第二网格的目的，是为了对所有第二散点进行聚类；

步骤44，在每个第二网格中，计算处于当前网格的所有第二散点对应的第二加速度a_j的平均加速度，生成对应的第二网格平均加速度计算处于当前网格的所有第二散点对应的第二加速度a_j的标准差，生成对应的第二网格加速度标准差根据第二网格平均加速度和第二网格加速度标准差计算处于当前网格的各个第二散点对应的第二加速度a_j的偏离度，生成对应的第二偏离度

步骤45，从第一训练数据组集合中，提取第二偏离度不高于预设的第二偏离度阈值的第二加速度a_j对应的第一训练数据组，构成第一二训练数据组集合；

这里，本发明实施例在对散点进行聚类之后，进一步根据计算加速度偏离度来对第一训练数据组集合又做了一次数据筛查得到第一二训练数据组集合，从而进一步提升了训练数据集合的准确度，有利于提高模型的训练效率；

步骤46，从第一二训练数据组集合中，依次提取第二车速v_j和对应的第二加速度a_j作为模型输入，提取对应的第二制动压力bp_j作为模型输出监督，对第一机械制动压力控制模型进行训练；

这里，在进行模型训练时，与步骤36类似，将第二车速v_j、第二制动压力bp_j作为自变量，将第二加速度a_j做为因变量进行训练；训练时，采用的均方根误差函数具体为其中，cost为均方根误差函数，N为第一二训练数据组集合中的第一训练数据组的总数，为第一二训练数据组集合中的第二加速度a_j均值；

步骤47，模型训练成熟后，对第二纵向控制标定表的各个第一制动压力数据元进行轮询，并将当前被轮询的第一制动压力数据元作为第二当前数据元；提取第二当前数据元的列坐标和行坐标作为对应的第二输入车速和第二输入加速度；并将第二输入车速和第二输入加速度，输入第一机械制动压力控制模型进行运算生成对应的第一输出制动压力；并使用第一输出制动压力对第二当前数据元的内容进行标定。

这里，第二纵向控制标定表的数据结构如前文所述为一个列×行的二维数据表项或矩阵，标定表的各列分别对应一个具体的车速值，各行分别对应一个具体的加速度值，各个数据单元也就是第一制动压力数据元对应一个具体的制动压力值；

第二纵向控制标定表的列参数和行参数都是按实际应用需求进行预先设定的，各个第一制动压力数据元则是使用第一机械制动压力控制模型进行估算的估算值；在对第二纵向控制标定表进行标定时，将数据元的列坐标作为第二输入车速、行坐标作为第二输入加速度，然后将第二输入车速和第二输入加速度输入第一机械制动压力控制模型进行估算，并将估算结果作为当前数据元的内容进行标定。

步骤5，根据第一训练数据组集合对第一制动踏板开度控制模型进行训练，并使用训练成熟的第一制动踏板开度控制模型对第三纵向控制标定表进行标定处理；

其中，第一制动踏板开度控制模型的网络结构与第一油门踏板开度控制模型的网络结构类似，也为三层前馈神经网络；神经元激励函数也为Sigmoid函数，损失函数同样也为均方根误差函数，同样使用Adam优化器对损失函数进行优化计算；

第三纵向控制标定表由多个第一制动踏板开度数据元组成；第一制动踏板开度数据元的列坐标为车速，行坐标为加速度；

这里，第一制动踏板开度控制模型是用于根据输入的车速和加速度进行制动踏板开度估算的人工智能模型；在实际应用中，可直接使用第一制动踏板开度控制模型对自动驾驶的实时制动踏板开度进行估算；但不同模型的运算周期存在差异、不同车型的运算资源也存在差异，有时可能会出现模型运算时长无法满足自动驾驶低时延要求的情况；为解决这个问题，本发明实施例在训练完第一制动踏板开度控制模型之后，预先基于模型对一个用于反映车速、加速度与制动踏板开度对应关系的第三纵向控制标定表进行标定，然后就可在后续步骤中，通过参考第三纵向控制标定表来快速估算出实时的制动踏板开度；这里，如下文所示，对第一制动踏板开度控制模型的训练过程为步骤51-45，对第三纵向控制标定表的标定过程为步骤57，具体包括：

步骤51，以制动踏板开度为x轴，以车速为y轴，以加速度为z轴建立第三模型三维坐标；

步骤52，以第一训练数据组集合中，任一第二制动踏板开度eb_j为x轴坐标，对应的第二车速v_j为y轴坐标，在第三模型三维坐标的x-y二维平面上做散点标记，生成对应的第三散点

步骤53，按预设的第一制动踏板开度间隔和第三车速间隔将第三模型三维坐标的x-y二维平面划分成多个第三网格；

这里，在第三模型三维坐标空间中，第一训练数据组集合中的每个第一训练数据组都对应一组(第二制动踏板开度eb_j，第二车速v_j，第二加速度a_j)；第三散点实际就是对应的第一训练数据组j在指定平面上的投影点；按预设的系统参数：第一制动踏板开度间隔和第三车速间隔，将第三模型三维坐标的x-y二维平面划分成多个第三网格的目的，是为了对所有第三散点进行聚类；

步骤54，在每个第三网格中，计算处于当前网格的所有第三散点对应的第二加速度a_j的平均加速度，生成对应的第三网格平均加速度计算处于当前网格的所有第三散点对应的第二加速度a_j的标准差，生成对应的第三网格加速度标准差根据第三网格平均加速度和第三网格加速度标准差计算处于当前网格的各个第三散点对应的第二加速度a_j的偏离度，生成对应的第三偏离度

步骤55，从第一训练数据组集合中，提取第三偏离度不高于预设的第三偏离度阈值的第二加速度a_j对应的第一训练数据组，构成第一三训练数据组集合；

这里，本发明实施例在对散点进行聚类之后，进一步根据计算加速度偏离度来对第一训练数据组集合又做了一次数据筛查得到第一三训练数据组集合，从而进一步提升了训练数据集合的准确度，有利于提高模型的训练效率；

步骤56，从第一三训练数据组集合中，依次提取第二车速v_j和对应的第二加速度a_j作为模型输入，提取对应的第二制动踏板开度eb_j作为模型输出监督，对第一制动踏板开度控制模型进行训练；

这里，在进行模型训练时，与步骤36类似，将第二车速v_j、第二制动踏板开度eb_j作为自变量，将第二加速度a_j做为因变量进行训练；训练时，采用的均方根误差函数具体为其中，cost为均方根误差函数，N为第一三训练数据组集合中的第一训练数据组的总数，为第一三训练数据组集合中的第二加速度a_j均值；

步骤57，模型训练成熟后，对第三纵向控制标定表的各个第一制动踏板开度数据元进行轮询，并将当前被轮询的第一制动踏板开度数据元作为第三当前数据元；提取第三当前数据元的列坐标和行坐标作为对应的第三输入车速和第三输入加速度；并将第三输入车速和第三输入加速度，输入第一制动踏板开度控制模型进行运算生成对应的第一输出制动踏板开度；并使用第一输出制动踏板开度对第三当前数据元的内容进行标定。

这里，第三纵向控制标定表的数据结构如前文所述为一个列×行的二维数据表项或矩阵，标定表的各列分别对应一个具体的车速值，各行分别对应一个具体的加速度值，各个数据单元也就是第一制动踏板开度数据元对应一个具体的制动踏板开度值；

第三纵向控制标定表的列参数和行参数都是按实际应用需求进行预先设定的，各个第一制动踏板开度数据元则是使用第一制动踏板开度控制模型进行估算的估算值；在对第三纵向控制标定表进行标定时，将数据元的列坐标作为第三输入车速、行坐标作为第三输入加速度，然后将第三输入车速和第三输入加速度输入第一制动踏板开度控制模型进行估算，并将估算结果作为当前数据元的内容进行标定。

在经由上述步骤3-5的模型训练和纵向控制标定的标定之后，既可通过后续步骤6-10，使用完成标定的第一、第二和第三纵向标定表，根据获得的实时车速和加速度进行对应的油门踏板开度、制动压力和制动踏板开度实时估算，并根据估算结果对车辆进行实时的纵向控制。

步骤6，获取第一纵向实时车速、第一纵向期望加速度和第一控制模式。

这里，第一纵向实时车速为自动驾驶车辆的实时纵向车速；第一纵向期望加速度为自动驾驶车辆的控制系统给出的纵向加速度期望值；第一控制模式包括驱动模式和制动模式两种，其中，驱动模式也就是加速模式，制动模式也就是减速模式。

步骤7，当第一控制模式为驱动模式时，根据第一纵向实时车速和第一纵向期望加速度，参考第一纵向控制标定表进行油门踏板开度估算，生成第一实时估算数据；并基于第一实时估算数据进行自动驾驶纵向驱动控制；

具体包括：步骤71，当第一控制模式为驱动模式时，根据第一纵向实时车速和第一纵向期望加速度，参考第一纵向控制标定表进行油门踏板开度估算，生成第一实时估算数据；

具体包括：步骤711，判断第一纵向控制标定表中是否存在列坐标与第一纵向实时车速匹配且行坐标与第一纵向期望加速度匹配的第一油门踏板开度数据元，若存在则转至步骤712；若不存在则转至步骤713；

步骤712，将匹配的第一油门踏板开度数据元的内容作为第一实时估算数据；转至步骤717；

这里，在第一纵向控制标定表中，第一纵向实时车速对应一个具体的列参数，第一纵向期望加速度对应一个具体的行参数，则可直接提取该列参数+行参数对应的第一油门踏板开度数据元的内容作为估算结果也就是第一实时估算数据；下一步则转至步骤77，对估算结果进行输出；

步骤713，在第一纵向控制标定表中，将距第一纵向实时车速最近的前后两个列坐标记为第一一列坐标和第一二列坐标

这里，在第一纵向控制标定表中，第一纵向实时车速未对应一个具体的列参数或第一纵向期望加速度未对应一个具体的行参数，那么就需要在表中获取四个最近的第一油门踏板开度数据元的内容来进行估算；上述第一一列坐标和第一二列坐标即是这四个最近的数据元的列作标；

步骤714，在第一纵向控制标定表中，将第一纵向期望加速度最近的前后两个行坐标记为第一一行坐标和第一二行坐标

这里，上述第一一行坐标和第一二行坐标即是这四个最近的数据元的行作标；

步骤715，从第一纵向控制标定表中，提取坐标1坐标2 坐标3和坐标4的四个第一油门踏板开度数据元的内容生成对应的第一一参数第一二参数第一三参数和第一四参数

这里，上述第一一参数第一二参数第一三参数和第一四参数即是这四个最近的数据元的内容；

步骤716，根据第一一参数第一二参数第一三参数和第一四参数计算生成第一实时估算数据：

S₁为第一实时估算数据，

这里，本发明实施例根据四个最近的数据元，按二维线性插值算法进行估算，从而得到油门踏板开度的估算值也就是第一实时估算数据；下一步则由步骤717对估算结果进行输出；

步骤717，将第一实时估算数据作为油门踏板开度估算的估算结果输出；

步骤72，基于第一实时估算数据进行自动驾驶纵向驱动控制。

这里，第一实时估算数据为估算出的油门踏板开度，基于第一实时估算数据进行自动驾驶纵向驱动控制时，使用第一实时估算数据控制车辆的油门踏板开度达到加速目的。

步骤8，当第一控制模式为制动模式时，根据第一纵向实时车速和第一纵向期望加速度，参考第二纵向控制标定表进行机械制动压力估算，生成第二实时估算数据；并根据第一纵向实时车速和第一纵向期望加速度，参考第三纵向控制标定表进行制动踏板开度估算，生成第三实时估算数据；并基于第二实时估算数据和第三实时估算数据，进行自动驾驶纵向制动控制；

步骤81，当第一控制模式为制动模式时，根据第一纵向实时车速和第一纵向期望加速度，参考第二纵向控制标定表进行机械制动压力估算，生成第二实时估算数据；

具体包括：步骤811，判断第二纵向控制标定表中是否存在列坐标与第一纵向实时车速匹配且行坐标与第一纵向期望加速度匹配的第一制动压力数据元，若存在则转至步骤812；若不存在则转至步骤813；

步骤812，将匹配的第一制动压力数据元的内容作为第二实时估算数据；转至步骤817；

这里，在第二纵向控制标定表中，第一纵向实时车速对应一个具体的列参数，第一纵向期望加速度对应一个具体的行参数，则可直接提取该列参数+行参数对应的第一制动压力数据元的内容作为估算结果也就是第二实时估算数据；下一步则转至步骤87，对估算结果进行输出；

步骤813，在第二纵向控制标定表中，将距第一纵向实时车速最近的前后两个列坐标记为第二一列坐标和第二二列坐标

这里，在第二纵向控制标定表中，第一纵向实时车速未对应一个具体的列参数或第一纵向期望加速度未对应一个具体的行参数，那么就需要在表中获取四个最近的第一制动压力数据元的内容来进行估算；上述第二一列坐标和第二二列坐标即是这四个最近的数据元的列作标；

步骤814，在第二纵向控制标定表中，将第一纵向期望加速度最近的前后两个行坐标记为第二一行坐标和第二二行坐标

这里，上述第二一行坐标和第二二行坐标即是这四个最近的数据元的行作标；

步骤815，从第二纵向控制标定表中，提取坐标1坐标2 坐标3和坐标4的四个第一制动压力数据元的内容生成对应的第二一参数第二二参数第二三参数和第二四参数

这里，上述第二一参数第二二参数第二三参数和第二四参数即是这四个最近的数据元的内容；

步骤816，根据第二一参数第二二参数第二三参数和第二四参数计算生成第二实时估算数据：

S₂为第二实时估算数据，

这里，本发明实施例根据四个最近的数据元，按二维线性插值算法进行估算，从而得到制动压力的估算值也就是第二实时估算数据；下一步则由步骤817对估算结果进行输出；

步骤817，将第二实时估算数据作为机械制动压力估算的估算结果输出；

步骤82，根据第一纵向实时车速和第一纵向期望加速度，参考第三纵向控制标定表进行制动踏板开度估算，生成第三实时估算数据；

具体包括：步骤821，判断第三纵向控制标定表中是否存在列坐标与第一纵向实时车速匹配且行坐标与第一纵向期望加速度匹配的第一制动踏板开度数据元，若存在则转至步骤822；若不存在则转至步骤823；

步骤822，将匹配的第一制动踏板开度数据元的内容作为第三实时估算数据；转至步骤827；

这里，在第三纵向控制标定表中，第一纵向实时车速对应一个具体的列参数，第一纵向期望加速度对应一个具体的行参数，则可直接提取该列参数+行参数对应的第一制动踏板开度数据元的内容作为估算结果也就是第三实时估算数据；下一步则转至步骤97，对估算结果进行输出；

步骤823，在第三纵向控制标定表中，将距第一纵向实时车速最近的前后两个列坐标记为第三一列坐标和第三二列坐标

这里，在第三纵向控制标定表中，第一纵向实时车速未对应一个具体的列参数或第一纵向期望加速度未对应一个具体的行参数，那么就需要在表中获取四个最近的第一制动踏板开度数据元的内容来进行估算；上述第三一列坐标和第三二列坐标即是这四个最近的数据元的列作标；

步骤824，在第三纵向控制标定表中，将第一纵向期望加速度最近的前后两个行坐标记为第三一行坐标和第三二行坐标

这里，上述第三一行坐标和第三二行坐标即是这四个最近的数据元的行作标；

步骤825，从第三纵向控制标定表中，提取坐标1坐标2 坐标3和坐标4的四个第一制动踏板开度数据元的内容生成对应的第三一参数第三二参数第三三参数和第三四参数

这里，上述第三一参数第三二参数第三三参数和第三四参数即是这四个最近的数据元的内容；

步骤826，根据第三一参数第三二参数第三三参数和第三四参数计算生成第三实时估算数据：

S₃为第三实时估算数据，

这里，本发明实施例根据四个最近的数据元，按二维线性插值算法进行估算，从而得到制动踏板开度的估算值也就是第三实时估算数据；下一步则由步骤827对估算结果进行输出；

步骤827，将第三实时估算数据作为制动踏板开度估算的估算结果输出；

步骤83，基于第二实时估算数据和第三实时估算数据，进行自动驾驶纵向制动控制。

这里，第二实时估算数据为估算出的制动压力，第三实时估算数据为估算出的制动踏板开度；基于第二实时估算数据和第三实时估算数据进行自动驾驶纵向制动控制时，使用第二实时估算数据控制车辆的机械制动压力，使用第三实时估算数据控制车辆的电制动踏板开度，从而达到组合制动降速的目的。因为电制动具有能量回收的功能，这样就既能兼顾有效降速又能保证体感舒适度。

需要说明的是，有些自动驾驶车辆不具备电制动功能，那么对于这样的车辆，就可只采用第二实时估算数据来进行自动驾驶的纵向制动控制。

图2为本发明实施例二提供的一种电子设备的结构示意图。该电子设备可以为实现本发明实施例方法的终端设备或者服务器，也可以为与前述终端设备或者服务器连接的实现本发明实施例方法的终端设备或服务器。如图2所示，该电子设备可以包括：处理器301(例如CPU)、存储器302、收发器303；收发器303耦合至处理器301，处理器301控制收发器303的收发动作。存储器302中可以存储各种指令，以用于完成各种处理功能以及实现前述方法实施例描述的处理步骤。优选的，本发明实施例涉及的电子设备还包括：电源304、系统总线305以及通信端口306。系统总线305用于实现元件之间的通信连接。上述通信端口306用于电子设备与其他外设之间进行连接通信。

在图2中提到的系统总线305可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory，RAM)，也可能还包括非易失性存储器(Non-Volatile Memory)，例如至少一个磁盘存储器。

上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)、图形处理器(Graphics Processing Unit，GPU)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

需要说明的是，本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中提供的方法和处理过程。

本发明实施例还提供一种运行指令的芯片，该芯片用于执行前述方法实施例描述的处理步骤。

本发明实施例提供了一种自动驾驶纵向控制标定表的处理方法、电子设备及计算机可读存储介质，训练了三种基于前馈神经网络的纵向控制模型，并基于模型对用于油门踏板开度、制动压力和制动踏板开度控制的纵向控制标定表进行标定，并基于标定表在自动驾驶过程中给出实时的三类纵向控制参数。通过本发明，即使开发者对车辆电制动和机械制动的设计细节不了解，也实现了在自动驾驶时给出的驱动或制动策略与人工驾驶的效果一致，不仅提高了自动驾驶的纵向控制精准度，还提高了体感舒适性。

专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

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。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。