具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1A为本发明实施例一提供的一种车道保持方法的流程示意图，本实施例可适用于在车辆行驶时，根据驾驶车辆的用户的驾驶风格自动控制车辆在车道中心位置行驶的情况，该方法可以由车道保持装置来执行，该装置可以由硬件和/或软件来实现，该方法具体包括如下步骤：

S110、获取目标车辆的车辆行驶数据，其中，车辆行驶数据包括转向盘转角、车辆横向位置以及车辆横向加速度。

其中，目标车辆可以是正在行驶的车辆。可选的，本实施例可以在检测出目标车辆偏移车道中心线时，获取目标车辆的车辆行驶数据。示例性的，在检测出目标车辆的车辆中心位置与车道中心线的距离超过预设阈值时，获取目标车辆的车辆行驶数据，以进一步控制目标车辆保持在车道中间行驶。

在本实施例中，车辆行驶数据包括转向盘转角、车辆横向位置以及车辆横向加速度。其中，转向盘转角可以是目标车辆的转向盘的转角值；车辆横向位置可以是目标车辆相对于车道中心线的横向位置；车辆横向加速度可以是目标车辆在垂直于车道中心线的方向上的加速度。

具体的，可以通过转向盘传感器获取转向盘转角，通过横向位置传感器获取车辆横向位置，通过加速度传感器获取车辆横向加速度。

S120、基于车辆行驶数据以及预先训练的驾驶风格辨识模型，确定目标车辆对应的驾驶风格类别。

其中，预先训练的驾驶风格辨识模型可以是用于辨识车辆的驾驶风格类别的模型。可以基于车辆行驶数据的转向盘转角、车辆横向位置以及车辆横向加速度构成输入向量，输入至驾驶风格辨识模型，得到驾驶风格辨识模型输出的驾驶风格类型。示例性的，驾驶风格类别包括保守类、正常类、激进类。当然，还可以对驾驶风格类别作进一步划分，如，极保守、一般保守、正常、一般激进、极激进。

可选的，驾驶风格辨识模型可以是学习向量量化神经网络模型、卷积神经网络模型、决策树模型、支持向量机模型或朴素贝叶斯模型等。具体的，以卷积神经网络模型为例，驾驶风格辨识模型的训练过程可以是：构建样本集，样本集包括样本行驶数据以及样本行驶数据对应的样本类别标签，将样本集输入至卷积神经网络中，基于卷积神经网络输出的预测类别标签以及样本类别标签计算损失函数，根据损失函数的计算结果对卷积神经网络的参数进行反向调整，直至满足收敛条件。

S130、基于驾驶风格类别以及目标车辆的车辆状态数据，确定目标车辆的目标转向盘转角，并基于目标转向盘转角调整目标车辆的转向盘转角。

其中，车辆状态数据可以是表征目标车辆的当前车辆行驶状态的信息。例如，车辆状态数据可以是当前车速、当前位置侧向坐标、车辆前后轴轴距、车辆转向系传动比等信息。

具体的，本实施例可以考虑驾驶风格类别，结合车辆状态数据，确定出该驾驶风格类别对应的目标转向盘转角，以满足该驾驶风格类别的驾驶需求。例如，针对激进型的驾驶风格类别，其对应的目标转向盘转角可以大于保守型的驾驶风格类别对应的目标转向盘转角。

示例性的，本实施例可以根据驾驶风格类别、目标车辆的车辆状态数据以及预先建立的映射表，确定目标车辆的目标转向盘转角。其中，映射表包括各种驾驶风格类别以及各种车辆状态数据下对应的转向盘转角。或者，还可以基于驾驶风格类别、目标车辆的车辆行驶状态数据构成特征向量，将该特征向量输入至预先训练的转角确定模型中，基于转角确定模型的输出确定目标车辆的目标转向盘转角。

又或者，在一种具体的实施方式中，车辆状态数据包括当前车速、车道中心线、当前位置侧向坐标、车辆转向系传动比以及车辆前后轴轴距，基于驾驶风格类别以及目标车辆的车辆状态数据，确定目标车辆的目标转向盘转角，满足如下公式：

其中，θ_opt为目标转向盘转角，L为车辆前后轴轴距，i为车辆转向系传动比，C_y表示驾驶风格类别，v为当前车速，y(t)为当前位置侧向坐标，T为预瞄时间，f(t)为t时刻的车道中心线，f(t+T)表示t+T时刻车道中心线的侧向坐标，d为预瞄距离，表示车辆侧向速度。示例性的，驾驶风格类别为保守类时，C_y＝1；驾驶风格类别为正常类时，C_y＝2；驾驶风格类别为激进类时，C_y＝3。

具体的，可以结合图1B所示的一种车辆的目标轨迹，对上述公式的推导过程进行示例性说明。如图1B所示，图中f(t)表示车道的中心线，即车辆的目标轨迹，y(t)表示车辆的当前位置侧向坐标，T表示预瞄时间。假设驾驶人预瞄模型中的预瞄距离为d，则预瞄时间T与预瞄距离d之间的关系为：

根据汽车运动学关系，通过对车辆的当前位置侧向坐标y(t)进行微分可以得到车辆侧向速度，通过对车辆的当前位置侧向坐标y(t)进行二阶微分，可以得到车辆的侧向加速度，基于微分得到的车辆侧向速度以及车辆侧向加速度，可以进一步对t+T时刻车辆位置的侧向坐标y(t+T)进行预测：

根据最小误差原则，为了能够使车辆实现对目标轨迹的最优跟踪效果，即，使得误差最小，则车辆在t+T时刻位置的侧向坐标y(t+T)应该与在t+T时刻目标轨迹(即车道中心线)的侧向坐标f(t+T)保持一致，即：

f(t+T)＝y(t+T)

进一步的，计算使车辆实现最优的目标轨迹跟踪效果，即，能够让车辆位置回正的最优的侧向加速度为：

计算车辆的侧向加速度与转向盘转角之间的关系如下：

其中，R标识车辆转向半径，v为当前车速，θ为车辆的当前盘转角，L为车辆前后轴轴距，i为车辆转向系传动比，Y_X代表个性化转角系数。具体的，Y_X的计算公式可以如下：

联立上述公式进行求解，可以计算出在车道保持过程中，车辆跟踪目标轨迹即车道中心线所需的最优转向盘转角θ_opt(目标转向盘转角)的表达式：

在该可选的实施方式中，可以通过预测得到的t+T时刻车辆位置的侧向坐标与t+T时刻的目标轨迹之间的最小误差原则，计算出在当前用户的驾驶风格类别下，车辆回归车道中心线所需的转向盘转角，实现了考虑用户驾驶风格下最优转向盘转角的准确确定，满足了不同驾驶习惯的驾驶人的差异化需求，极大地提高了用户的驾驶体验。

具体的，本实施例在确定出目标车辆的目标转向盘转角后，可以将目标车辆的转向盘转角调整至目标转向盘转角，以控制目标车辆回归至车道中心线位置。

本实施例的技术方案，获取目标车辆的车辆行驶数据，将包括转向盘转角、车辆横向位置以及车辆横向加速度的车辆行驶数据输入至预先训练的驾驶风格辨识模型中，得到驾驶风格辨识模型输出的目标车辆对应的驾驶风格类别，确定出用户的驾驶风格，进而根据驾驶风格类别和目标车辆的车辆状态数据，确定目标车辆的目标转向盘转角，基于该目标转向盘转角调整目标车辆的转向盘转角，以控制车辆回归至车道中心线位置，实现了基于用户驾驶风格的车道保持控制，满足了不同驾驶习惯的驾驶人的差异化需求，极大地提高了用户的驾驶体验，并且，提高了车辆的系统适用性和行驶安全性。

实施例二

图2为本发明实施例二提供的车道保持方法的流程示意图，本实施例在上述各实施例的基础上，可选的，所述车道保持方法还包括：获取样本输入向量以及所述样本输入向量对应的驾驶风格标签，将所述样本输入向量输入至学习向量量化神经网络的输入层；计算所述样本输入向量与所述学习向量量化神经网络的各竞争层神经元的距离，在所述各竞争层神经元中确定出与所述样本输入向量距离最近的第一目标神经元和第二目标神经元；基于所述第一目标神经元与所述样本输入向量的距离、所述第二目标神经元与所述样本输入向量的距离、所述第一目标神经元对应的驾驶风格预测值、所述第二目标神经元对应的驾驶风格预测值以及所述样本输入向量对应的驾驶风格标签，更新所述学习向量量化神经网络中所述第一目标神经元和/或所述第二目标神经元对应的权值；将所述学习向量量化神经网络确定为驾驶风格辨识模型。

其中与上述各实施例相同或相应的术语的解释在此不再赘述。参见图2，本实施例提供的车道保持方法包括以下步骤：

S210、获取样本输入向量以及样本输入向量对应的驾驶风格标签，将样本输入向量输入至学习向量量化神经网络的输入层。

其中，样本输入向量可以是预先采集车辆行驶数据(包括转向盘转角、车辆横向位置以及车辆横向加速度)所构成的样本向量。驾驶风格标签可以是样本输入向量对应的预先确定的驾驶风格类别，如：保守类、正常类、激进类。样本输入向量和样本输入向量对应的驾驶风格标签可以构成一个样本数据。

在本实施例中，学习向量量化神经网络包括输入层、竞争层和线性输出层。其中，输出层神经元的个数与输出的驾驶风格类别的个数相同，竞争层神经元的个数可以大于输出层神经元个数。输入层的每一个神经元，均与竞争层的各个神经元相连接；竞争层的神经元，仅与其对应的输出层神经元相连接。

学习向量量化神经网络中各输入层神经元与各竞争层神经元之间的权值值默认为1。因此，本实施例对学习向量量化神经网络进行训练的过程，主要为对输入层神经元与竞争层神经元之间的权值进行反向调整的过程。

在本实施例中，可以将样本输入向量输入至学习向量量化神经网络的输入层，以进一步计算样本输入向量与竞争层中各神经元的距离。具体的，可以将样本输入向量中的数据分别输入至输入层的各个神经元。示例性的，样本输入向量为[a1 a2 a3]，则可以将a1对应送入输入层的第一个神经元，将a2对应送入输入层的第二个神经元，将a3对应送入输入层的第三个神经元。

S220、计算样本输入向量与学习向量量化神经网络的各竞争层神经元的距离，在各竞争层神经元中确定出与样本输入向量距离最近的第一目标神经元和第二目标神经元。

其中，针对每一个样本输入向量，均计算其与竞争层中各神经元之间的距离。示例性的，可以按照如下公式，计算样本输入向量与学习向量量化神经网络的各竞争层神经元的距离：

式中，d_i表示样本输入向量与竞争层中第i个神经元之间的距离，S表示竞争层神经元的个数，x表示样本输入向量，x＝(x₁,x₂,…,x_R)^T，R表示样本输入向量中数据的个数，ω_ij表示第j个输入层神经元与第i个竞争层神经元之间的权值。

在本实施例中，可以基于上述公式，依次计算出样本输入向量与各竞争层神经元的距离，进而基于计算出的各距离，将各距离从小到大进行排序，取排序后的列表中前两个距离对应的竞争层神经元作为第一目标神经元和第二目标神经元。即，将与样本输入向量距离第一近的竞争层神经元确定为第一目标神经元，将与样本输入向量距离第二近的竞争层神经元确定为第二目标神经元。

S230、基于第一目标神经元与样本输入向量的距离、第二目标神经元与样本输入向量的距离、第一目标神经元对应的驾驶风格预测值、第二目标神经元对应的驾驶风格预测值以及样本输入向量对应的驾驶风格标签，更新学习向量量化神经网络中第一目标神经元和/或第二目标神经元对应的权值。

其中，第一目标神经元对应的驾驶风格预测值，可以基于第一目标神经元所连接的输出层神经元对应的驾驶风格类别确定。如，第一目标神经元与输出层神经元output_c连接，输出层神经元output_c对应的驾驶风格类别为保守类，则第一目标神经元对应的驾驶风格预测值C_y＝1(C_y＝1代表保守类、C_y＝2代表正常类、C_y＝3代表激进类)。相应的，第二目标神经元对应的驾驶风格预测值也可以是第二目标神经元所连接的输出层神经元对应的驾驶风格类别。

在一种实施方式中，可以是若第一目标神经元对应的驾驶风格预测值等于驾驶风格标签，对第一目标神经元对应的权值进行更新；若第二目标神经元对应的驾驶风格预测值等于驾驶风格标签，对第二目标神经元对应的权值进行更新；若第一目标神经元对应的驾驶风格预测值、第二目标神经元对应的驾驶风格预测值均等于驾驶风格标签，则对第一目标神经元、第二目标神经元对应的权值进行更新。需要说明的是，在本实施例中，第一目标神经元对应的权值为第一目标神经元与输入层神经元之间的权值；第二目标神经元对应的权值为第二目标神经元与输入层神经元之间的权值。

在另一种实施方式中，基于第一目标神经元与样本输入向量的距离、第二目标神经元与样本输入向量的距离、第一目标神经元对应的驾驶风格预测值、第二目标神经元对应的驾驶风格预测值以及样本输入向量对应的驾驶风格标签，更新学习向量量化神经网络中第一目标神经元和/或第二目标神经元对应的权值，包括：

基于第一目标神经元与样本输入向量的距离、第二目标神经元与样本输入向量的距离、第一目标神经元对应的驾驶风格预测值、第二目标神经元对应的驾驶风格预测值，判断是否满足预设权值更新条件；若是，则基于预设学习率、样本输入向量以及驾驶风格标签，更新学习向量量化神经网络中第一目标神经元和第二目标神经元对应的权值。

其中，预设权值更新条件可以是第一目标神经元与样本输入向量的距离、第二目标神经元与样本输入向量的距离满足预设窗口宽度条件，且，第一目标神经元对应的驾驶风格预测值以及第二目标神经元对应的驾驶风格预测值不同(即，第一目标神经元连接的输出层神经元所代表的驾驶风格类别与第二目标神经元连接的输出层神经元所代表的驾驶风格类别不同)。

示例性的，预设窗口宽度条件可以用如下公式表示：

其中，d_a为第一目标神经元与样本输入向量的距离，d_b为第二目标神经元与样本输入向量的距离，ρ为窗口宽度。可选的，ρ＝0.5。

具体的，若满足预设权值更新条件，则基于预设学习率、样本输入向量以及驾驶风格标签，更新学习向量量化神经网络中第一目标神经元和第二目标神经元对应的权值，可以是：

若驾驶风格标签等于第一目标神经元对应的驾驶风格预测值，则可以基于预设学习率、样本输入向量以及驾驶风格标签，增加第一目标神经元对应的权值，降低第二目标神经元对应的权值；例如，采用如下公式对第一目标神经元对应的权值和第二目标神经元对应的权值进行修正，以增加第一目标神经元对应的权值，降低第二目标神经元对应的权值：

ω_a-neW＝ω_a-old+η(x-ω_a-old)

ω_b-neW＝ω_b-old-η(x-ω_b-old)

若驾驶风格标签等于第二目标神经元对应的驾驶风格预测值，则可以基于预设学习率、样本输入向量以及驾驶风格标签，增加第二目标神经元对应的权值，降低第一目标神经元对应的权值；例如，采用如下公式对第一目标神经元对应的权值和第二目标神经元对应的权值进行修正，以增加第二目标神经元对应的权值，降低第一目标神经元对应的权值：

ω_a-neW＝ω_a-old-η(x-ω_a-old)

ω_b-neW＝ω_b-old+η(x-ω_b-old)

其中，ω_a-neW为修正后的第一目标神经元对应的权值，ω_a-old为修正前的第一目标神经元对应的权值，η为预设学习率，x为样本输入向量；ω_b-neW为修正后的第二目标神经元对应的权值，ω_b-old为修正前的第二目标神经元对应的权值。

当然，若不满足预设权值更新条件，则可以仅更新与样本输入向量最近的第一目标神经元对应的权值。具体的，可以在不满足预设权值更新条件时，进一步判断与样本输入向量距离最近的第一目标神经元对应的驾驶风格预测值，是否与预设的驾驶风格标签一致，若一致，则可以增加第一目标神经元对应的权值，若不一致，则可以降低第一目标神经元对应的权值。

示例性的，可以基于如下公式更新第一目标神经元对应的权值，以增加第一目标神经元对应的权值：

ω_a-neW＝ω_a-old+η(x-ω_a-ola)

基于如下公式更新第一目标神经元对应的权值，以降低第一目标神经元对应的权值：

ω_a-neW＝ω_a-old-η(x-ω_a-old)

在该可选的实施方式中，通过判断是否满足预设权重更新条件，在满足预设权重更新条件时，根据预设学习率、样本输入向量以及驾驶风格标签，对竞争层中的第一目标神经元对应的权值和第二目标神经元对应的权值进行调整，提高了学习向量量化神经网络的训练过程的准确性，从而提高了驾驶风格辨识模型的准确性，进一步的，提高了预测的驾驶风格类别的准确性，保证了根据用户驾驶风格进行车辆的车道保持控制。

需要说明的是，在完成上述过程对学习向量量化神经网络中第一目标神经元和/或第二目标神经元的权值进行更新之后，还可以重复此过程，将其它样本输入向量以及其它样本输入向量对应的驾驶风格标签继续输入至学习向量量化神经网络中，以继续对网络中竞争层神经元的权值进行调整，直至满足训练截止条件。可选的，训练截止条件可以是竞争层中所有的神经元均被激活。

示例性的，在一个样本输入向量被送入学习向量量化神经网络后，会激活竞争层中与样本输入向量距离最接近的神经元，该竞争层神经元的状态变化为“1”，而竞争层中其它未被激活的神经元的状态仍然是“0”,与被激活的竞争层神经元相连接的线性输出层神经元状态也为“1”，而其他线性输出层神经元的状态均为“0”，与被激活的竞争层神经元相连接的线性输出层神经元y(每个竞争层神经元只与一个线性输出层神经元相连接)输出C_y。重复将各样本输入向量输入至学习向量量化神经网络的过程，可以不断地激活竞争层中的神经元，直至训练完成，竞争层中的神经元均被激活，各竞争层神经元的权值均已被更新。

S240、将学习向量量化神经网络确定为驾驶风格辨识模型。

在本实施例中，通过将各样本输入向量输入至学习向量量化神经网络，以更新学习向量量化神经网络中竞争层神经元对应的权值，可以在学习向量量化神经网络中各竞争层神经元的权值更新完成后，可以将该学习向量量化神经网络确定为驾驶风格辨识模型。

S250、获取目标车辆的车辆行驶数据，基于车辆行驶数据以及预先训练的驾驶风格辨识模型，确定目标车辆对应的驾驶风格类别。

其中，车辆行驶数据包括转向盘转角、车辆横向位置以及车辆横向加速度。

S260、基于驾驶风格类别以及目标车辆的车辆状态数据，确定目标车辆的目标转向盘转角，并基于目标转向盘转角调整目标车辆的转向盘转角。

在本实施例中，还提供一种可选的学习向量量化神经网络的训练方法，该方法可以进一步提高学习向量量化神经网络的训练精度，进而提高学习向量量化神经网络的预测准确性，该方法包括如下步骤：

步骤1、将学习向量量化神经网络中输入层神经元j和竞争层神经元i之间的权值ω_ij初始化，均赋值为1；

步骤2、将样本输入向量x＝(x₁,x₂,…,x_R)^T输入至学习向量量化神经网络的输入层，并基于如下公式计算样本输入向量与每一个竞争层神经元的距离；

步骤3、选择与样本输入向量距离最小的两个竞争层神经元，如，包括神经元a和神经元b；

步骤4、判断神经元a、神经元b是否同时满足两个条件(即，预设权重更新条件)，条件1：神经元a和神经元b代表不同的驾驶风格类别，即神经元a对应的预测值等于神经元b对应的预测值，条件2：神经元a与样本输入向量的距离d_a，和神经元b与样本输入向量的距离d_b满足：

若同时满足两个条件，则执行步骤5，若无法同时满足两个条件，则执行步骤6；

步骤5、若神经元a对应的驾驶风格类别C_a与样本输入向量对应的驾驶风格标签C_X一致，则神经元a与神经元b的权值根据下式进行修正：

ω_a-neW＝ω_a-ols+η(x-ω_a-old)

ω_b-neW＝ω_b-old-η(x-ω_b-old)

若神经元b对应的驾驶风格类别C_b与输入向量对应的驾驶风格类别C_X一致，则神经元a与神经元b的权值根据下式进行修正：

ω_a-new＝ω_a-old-η(x-ω_a-old)

ω_b-new＝ω_b-old+η(x-ω_b-old)

步骤6、若神经元a对应的驾驶风格类别C_a与样本输入向量对应的驾驶风格标签C_x一致，则基于下述公式调整神经元a的权值：

ω_a-new＝ω_a-old+η(x-ω_a-old)

若神经元a对应的驾驶风格类别c_a与样本输入向量对应的驾驶风格标签c_x不一致，则基于下述公式调整神经元a的权值：

ω_a-new＝ω_a-old-η(x-ω_a-old)

需要说明的是，各步骤所涉及到的各公式中的参数，可参见前述对各参数的解释。

本实施例的技术方案，通过计算样本输入向量与学习向量量化神经网络的各竞争层神经元的距离，确定出竞争层中与该样本输入向量距离最近的第一目标神经元、第二目标神经元，并根据第一目标神经元与样本输入向量的距离、第二目标神经元与样本输入向量的距离、第一目标神经元对应的驾驶风格预测值、第二目标神经元对应的驾驶风格预测值、样本输入向量对应的驾驶风格标签，更新学习向量量化神经网络中第一目标神经元和/或第二目标神经元对应的权值，以得到驾驶风格辨识模型，实现了驾驶风格辨识模型的准确训练，提高了驾驶风格辨识模型的输出精度，进一步的，提高了预测的目标车辆的驾驶风格类别的准确性，从而进一步提高了用户的驾驶体验感和车辆安全性。

实施例三

图3为本发明实施例三提供的一种车道保持方法的流程示意图，本实施例在上述各实施例的基础上，可选的，在所述基于所述目标转向盘转角调整所述目标车辆的转向盘转角之后，所述方法还包括：获取各采集位置对应的车辆横向位置、车道中心线横向位置；基于各所述车辆横向位置、各所述车道中心线横向位置以及所述驾驶风格类别，确定所述目标车辆是否回归车道中心线。

其中与上述各实施例相同或相应的术语的解释在此不再赘述。参见图3，本实施例提供的车道保持方法包括以下步骤：

S310、获取目标车辆的车辆行驶数据，基于车辆行驶数据以及预先训练的驾驶风格辨识模型，确定目标车辆对应的驾驶风格类别。

其中，车辆行驶数据包括转向盘转角、车辆横向位置以及车辆横向加速度。

S320、基于驾驶风格类别以及目标车辆的车辆状态数据，确定目标车辆的目标转向盘转角，并基于目标转向盘转角调整目标车辆的转向盘转角。

S330、获取各采集位置对应的车辆横向位置、车道中心线横向位置。

具体的，本实施例在调整目标车辆的转向盘转角，以控制车辆进行车道保持之后，可以对车辆的位置进行判断，分析车辆是否回归道路中心线。

其中，采集位置可以是预设时间间隔下确定的采集位置，示例性的，预设时间间隔可以是0.5s。如表1所示，展示了一种各采集位置对应的车辆横向位置、车道中心线横向位置。

表1各采集位置对应的车辆横向位置、车道中心线横向位置

S340、基于各车辆横向位置、各车道中心线横向位置以及驾驶风格类别，确定目标车辆是否回归车道中心线。

在一种实施方式中，可以根据各车辆横向位置、各车道中心线横向位置，确定各车辆横向位置与其对应的车道中心线横向位置之间的位置差距，基于各位置差距的变化趋势以及驾驶风格类别，确定目标车辆是否回归车道中心线。

具体的，基于各位置差距的变化趋势以及驾驶风格类别，确定目标车辆是否回归车道中心线，可以是：若各位置差距的变化趋势为差距逐渐减小，且差距减小的速度大于驾驶风格类别所对应的预设移速阈值，则确定目标车辆回归车道中心线。如，驾驶风格类别为保守类，考虑到保守类的驾驶员通常回归车道中心线的速度较慢，保守类对应的预设移速阈值可以设置的较小；驾驶风格类别为激进类，考虑到激进类的驾驶员通常回归车道中心线的速度较快，激进类对应的预设移速阈值可以设置的较大。示例性的，驾驶风格类别为保守类，位置差距的变化趋势为差距逐渐减小，且减小的速度为0.6m/s，减小的速度大于保守类对应的预设移速阈值(如0.5m/s)，则确定目标车辆回归车道中心线。

在另一种可选的实施方式中，基于各车辆横向位置、各车道中心线横向位置以及驾驶风格类别，确定目标车辆是否回归车道中心线，还可以是：根据各采集位置对应的车辆横向位置构建多项式函数，基于各采集位置对应的车道中心线横向位置计算多项式函数的多项式系数；基于多项式系数以及驾驶风格类别，确定目标车辆是否回归车道中心线。

其中，针对各个车辆横向位置，构建各车辆横向位置对应的多项式函数。示例性的，根据各车辆横向位置构建的多项式函数的表达式如下：

P_n(u)＝a_nuⁿ+…+a₁u+a₀

式中，P_n(u)为车辆横向位置u对应的多项式函数，a₀、a₁、……、a_n(n＜m)为多项式函数的多项式系数，u为车辆横向位置。

在该可选的实施方式中，基于各采集位置对应的车道中心线横向位置计算多项式函数的多项式系数，可以是：根据车辆横向位置的多项式函数的计算结果与车辆横向位置对应的车道中心线横向位置之间的误差值，对多项式函数中的多项式系数进行调整，直至多项式函数的计算结果与车辆横向位置对应的车道中心线横向位置之间的误差值最小。或者，基于各采集位置对应的车道中心线横向位置计算多项式函数的多项式系数，还可以是：基于采集位置对应的车道中心线横向位置，对多项式函数进行最小二乘法拟合，基于拟合的结果确定多项式函数的多项式系数。

示例性的，计算多项式函数的多项式系数即求解a₀,a₁,…,a_n(n＜m)，可以使：

取δ(a₀，a₁，…，a_n)的最小值，如此确定的多项式函数就是数据(u_k，W_k)，k＝1,2,…,m的最小二乘拟合多项式。

即，

或上述公式可以写成：

进一步的，引进记号

则有，S_ja₀+S_j+1a₁+…+S_j+na_n＝u_j(j＝1,2,…,n)；

上述公式为P_n(u)系数a₀，a₁，…，a_n满足的方程组，当车辆横向位置u₁，u₂，…，u_n互异时，该方程组有唯一解a₀，a₁，…，a_n，使得取最小值。此时，便可得到车辆横向位置u_k与车道中心线横向位置w_k之间的拟合函数P_n(u)，当a₂+a₃+…+a_n＜0.001×C_y时，可以确定车辆完全回归车道中心线。其中，C_y代表确定的驾驶风格类别(C_y＝1代表保守类、C_y＝2代表正常类、C_y＝3代表激进类)。

即，基于多项式系数以及驾驶风格类别，确定目标车辆是否回归车道中心线，可以是：若多项式系数的加权和小于驾驶风格类别对应的加权值，则确定目标车辆回归车道中心线。

在该可选的实施方式中，通过各采集位置对应的车辆横向位置构建多项式函数，并根据各车辆横向位置对应的车道中心线横向位置计算多项式函数的各个多项式系数，进而基于各个多项式系数和驾驶风格类别，判断目标车辆是否回归车道中心线，实现了结合驾驶风格的车辆是否回归车道中心的准确判断，针对各个驾驶风格的驾驶人，均可个性化地判断出是否回归车道中心，进一步地提高了车辆的安全性。

本实施例的技术方案，在调整目标车辆的转向盘转角之后，采集多个车辆横向位置和各车辆横向位置对应的车道中心线横向位置，基于各车辆横向位置、各车辆横向位置对应的车道中心线横向位置、以及驾驶风格类别，判断目标车辆是否回归车道中心线，实现了结合驾驶风格的车辆是否回归车道中心的准确判断，能够在不同驾驶风格下准确判断出车辆是否回归车道中心，提高了用户驾驶体验的同时，提高了车辆的驾驶安全性。

实施例四

图4A为本发明实施例四提供的一种车道保持系统的结构示意图，该系统包括工控机410以及转向盘总成420，其中，转向盘总成420，用于获取目标车辆的转向盘转角，并将转向盘转角发送至工控机410；工控机410，用于基于本申请任一实施例提供的车道保持方法，调整目标车辆的转向盘转角。

示例性的，工控机410中可以采用研华主板aimb781，工控机410的显卡可以是GTX1070，工控机410的CPU可以是i7，工控机410还连接有显示器，工控机410内设置有驾驶风格辨识系统，驾驶风格辨识系统是基于计算机软件实现的，具体涉及的软件有PanoSim和MATLAB/Simulink，PanoSim是为解决现代智能汽车与汽车智能化技术与产品开发、测试与验证面临的诸多挑战而提出的一款汽车虚拟仿真平台，能够仿真车辆对驾驶员、路面及空气动力学输入的响应，Simulink是MATLAB中的一种可视化仿真工具，能够实现动态系统建模、仿真和分析的功能，Simulink提供一个动态系统建模、仿真和综合分析的集成环境。

可选的，工控机410中部署的PanoSim可以用于采集目标车辆的车辆行驶数据(包括转向盘转角、车辆横向位置、车辆横向加速度)，驾驶风格辨识系统可以根据PanoSim采集的车辆行驶数据确定驾驶风格类别以及目标转向盘转角，并将目标转向盘转角输入至PanoSim，以使PanoSim控制目标车辆位置回正。

PanoSim还可以用于采集各采集位置对应的车辆横向位置、车道中心线横向位置，驾驶风格辨识系统可以根据PanoSim采集的车辆横向位置、车道中心线横向位置，判断目标车辆是否回归车道中心线。

示例性的，本实施例还提供一种车道保持系统，该系统包含的部件如图4B-4C所示，图4B展示了一种车道保持系统的部件示意图，图4C展示了一种车道保持系统中座椅和电动缸的示意图。结合图4B-4C，该车道保持系统包括座椅1、转向盘总成2、踏板总成3、支架4、屏幕5、工控机6、连接板7、底板8、电动缸9、电动缸控制系统10、万向轮11、音响12、加速踏板13、制动踏板14、离合踏板15以及显示器16。

其中，转向盘总成2固定在支架4上，踏板总成3装配在支架4的下方，屏幕5设在转向盘总成2和支架4的前方，座椅1对应转向盘总成2设置，座椅1的下方设置有连接板7和底板8，连接板7顶面与座椅1底部之间装配有电动缸9，连接板7的后侧与底板8的后端板之间也装配有电动缸9，前述的电动缸9均与电动缸控制系统10相连接并由电动缸控制系统10控制工作，转向盘总成2、踏板总成3、屏幕5和电动缸控制系统10与工控机6相连接，转向盘总成2、踏板总成3、屏幕5、工控机6和电动缸控制系统10均由同一电源提供电力，连接板7的底面与底板8顶面之间装配有万向轮11。

支架4的顶面上设置有音响12，音响12通过USB线与工控机6相连接，音响12用于模拟真实驾驶过程中的声音。转向盘总成2与工控机6之间由CAN线相连接，转向盘总成2采用SENSO-Wheel转向盘总成，该转向盘总成2提供自由可编程调节的刚度、阻尼和扭矩，能够实现转向的驾驶感觉体验，转向盘总成2内部集成设置有转向盘转角传感器，转角传感器采集转向盘转角信号，转向盘转角信号以CAN报文形式发送到工控机6，供工控机6内部的车辆动力学模型运行使用。工控机6可以根据上述任一实施例所述的车道保持方法，调整目标车辆的转向盘转角。或者，根据上述任一实施例所述的车道保持方法，调整所述目标车辆的转向盘转角，并判断目标车辆是否完全回归车道中心线。

踏板总成3与工控机6之间由USB线相连接，踏板总成3采用G29系列踏板组件，从右至左依次布置有加速踏板13、制动踏板14和离合踏板15，加速踏板13和制动踏板14内部都集成设置有各自的踏板位移传感器，位移传感器采集得到对应的踏板行程信号发送至工控机6，供工控机6内部的车辆动力学模型运行使用。上述各部件的连接关系可参见图4D，图4D展示了车道保持系统的内部连接示意图。

屏幕5为环形屏幕，环形屏幕采用三台NEC NP4100+主流工程型投影仪进行投影，每台投影仪组成一个通道，以水平跨越的方式生成三通道拼接显示效果，三路VGA计算机信号提供显示内容支持，相邻通道的NEC NP4100+主流工程型投影仪之间采用硬件非线性几何矫正技术，最终实现了在环形屏幕上的良好投影效果。

电动缸控制系统10中包括有PID控制器、D/A卡和伺服放大器，工控机6产生速度控制指令通过信号线传递到PID控制器，PID控制器基于自身的PID算法进行解算，获得速度信号并将信号传递给D/A卡，D/A卡将速度信号转化为电压信号传递给伺服控制器，伺服控制器最终控制电动缸9的运动。连接板7顶面与座椅1底部之间装配的电动缸9对称设置有两组四个，连接板7的后侧与底板8的后端板之间装配的电动缸9设置有两个。连接板7的底面与底板8顶面之间装配的万向轮11设置有四个。

本实施例提供的车道保持系统，包括工控机以及转向盘总成，工控机可以进行目标车辆的驾驶风格类别的确定、目标转向盘转角的确定以及转向盘转角的调整，实现了基于用户驾驶风格的车道保持控制，满足了不同驾驶习惯的驾驶人的差异化需求，极大地提高了用户的驾驶体验，并且，提高了车辆的系统适用性和行驶安全性。

实施例五

图5为本发明实施例五提供的一种车道保持装置的结构示意图，本实施例可适用于在车辆行驶时，根据驾驶车辆的用户的驾驶风格自动控制车辆在车道中心位置行驶的情况，该装置具体包括：行驶数据获取模块510、驾驶风格辨识模块520以及转向盘调整模块530。

行驶数据获取模块510，用于获取目标车辆的车辆行驶数据，其中，所述车辆行驶数据包括转向盘转角、车辆横向位置以及车辆横向加速度；

驾驶风格辨识模块520，用于基于所述车辆行驶数据以及预先训练的驾驶风格辨识模型，确定所述目标车辆对应的驾驶风格类别；

转向盘调整模块530，用于基于所述驾驶风格类别以及所述目标车辆的车辆状态数据，确定所述目标车辆的目标转向盘转角，并基于所述目标转向盘转角调整所述目标车辆的转向盘转角。

可选的，所述车道保持装置还包括网络训练模块，所述网络训练模块包括样本输入单元、距离计算单元、权重调整单元和模型确定单元，其中；

所述样本输入单元，用于获取样本输入向量以及所述样本输入向量对应的驾驶风格标签，将所述样本输入向量输入至学习向量量化神经网络的输入层；

所述距离计算单元，用于计算所述样本输入向量与所述学习向量量化神经网络的各竞争层神经元的距离，在所述各竞争层神经元中确定出与所述样本输入向量距离最近的第一目标神经元和第二目标神经元；

所述权重调整单元，用于基于所述第一目标神经元与所述样本输入向量的距离、所述第二目标神经元与所述样本输入向量的距离、所述第一目标神经元对应的驾驶风格预测值、所述第二目标神经元对应的驾驶风格预测值以及所述样本输入向量对应的驾驶风格标签，更新所述学习向量量化神经网络中所述第一目标神经元和/或所述第二目标神经元对应的权值；

所述模型确定单元，用于将所述学习向量量化神经网络确定为驾驶风格辨识模型。

可选的，所述权重调整单元具体用于：

基于所述第一目标神经元与所述样本输入向量的距离、所述第二目标神经元与所述样本输入向量的距离、所述第一目标神经元对应的驾驶风格预测值、所述第二目标神经元对应的驾驶风格预测值，判断是否满足预设权重更新条件；若是，则基于预设学习率、所述样本输入向量以及所述驾驶风格标签，更新所述学习向量量化神经网络中所述第一目标神经元和所述第二目标神经元对应的权值。

可选的，所述车辆状态数据包括当前车速、车道中心线、当前位置侧向坐标、车辆转向系传动比以及车辆前后轴轴距，所述转向盘调整模块530包括目标转角确定单元，所述目标转角确定单元，用于按照如下公式，基于所述驾驶风格类别以及所述目标车辆的车辆状态数据，确定所述目标车辆的目标转向盘转角：

其中，θ_opt为目标转向盘转角，L为车辆前后轴轴距，i为车辆转向系传动比，C_y表示驾驶风格类别，v为当前车速，y(t)为当前位置侧向坐标，T为预瞄时间，f(t)为t时刻的车道中心线，f(t+T)表示t+T时刻车道中心线的侧向坐标，d为预瞄距离，表示车辆侧向速度。

可选的，所述车道保持装置还包括回归判断模块，所述回归判断模块包括位置采集单元和位置判断单元，其中；

所述位置采集单元，用于在所述基于所述目标转向盘转角调整所述目标车辆的转向盘转角之后，获取各采集位置对应的车辆横向位置、车道中心线横向位置；

所述位置判断单元，用于基于各所述车辆横向位置、各所述车道中心线横向位置以及所述驾驶风格类别，确定所述目标车辆是否回归车道中心线。

可选的，所述位置判断单元具体用于：

根据各所述采集位置对应的所述车辆横向位置构建多项式函数，基于各所述采集位置对应的车道中心线横向位置计算所述多项式函数的多项式系数；基于所述多项式系数以及所述驾驶风格类别，确定所述目标车辆是否回归车道中心线。

在本实施例中，通过行驶数据获取模块，获取目标车辆的车辆行驶数据，通过驾驶风格辨识模块，将包括转向盘转角、车辆横向位置以及车辆横向加速度的车辆行驶数据输入至预先训练的驾驶风格辨识模型中，得到驾驶风格辨识模型输出的目标车辆对应的驾驶风格类别，确定出用户的驾驶风格，进而通过转向盘调整模块，根据驾驶风格类别和目标车辆的车辆状态数据，确定目标车辆的目标转向盘转角，基于该目标转向盘转角调整目标车辆的转向盘转角，以控制车辆回归至车道中心线位置，实现了基于用户驾驶风格的车道保持控制，满足了不同驾驶习惯的驾驶人的差异化需求，极大地提高了用户的驾驶体验，并且，提高了车辆的系统适用性和行驶安全性。

本发明实施例所提供的车道保持装置可执行本发明任意实施例所提供的车道保持方法，具备执行方法相应的功能模块和有益效果。

值得注意的是，上述系统所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明实施例的保护范围。

实施例六

图6是本发明实施例六提供的一种电子设备的结构示意图。图6示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图6显示的电子设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。设备12典型的是承担车道保持功能的电子设备。

如图6所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，存储器28，连接不同组件(包括存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture，ISA)总线，微通道体系结构(Micro Channel Architecture，MCA)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，PCI)总线。

电子设备12典型地包括多种计算机可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

存储器28可以包括易失性存储器形式的计算机装置可读介质，例如随机存取存储器(Random Access Memory，RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机存储介质。仅作为举例，存储装置34可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如只读光盘(Compact Disc-Read Only Memory，CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品40，该程序产品40具有一组程序模块42，这些程序模块被配置以执行本发明各实施例的功能。程序产品40，可以存储在例如存储器28中，这样的程序模块42包括但不限于一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

电子设备12也可以与一个或多个外部设备14(例如键盘、鼠标、摄像头等和显示器)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network，LAN)，广域网WideArea Network，WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks，RAID)装置、磁带驱动器以及数据备份存储装置等。

处理器16通过运行存储在存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明上述实施例所提供的车道保持方法，包括：

获取目标车辆的车辆行驶数据，其中，所述车辆行驶数据包括转向盘转角、车辆横向位置以及车辆横向加速度；

基于所述车辆行驶数据以及预先训练的驾驶风格辨识模型，确定所述目标车辆对应的驾驶风格类别；

基于所述驾驶风格类别以及所述目标车辆的车辆状态数据，确定所述目标车辆的目标转向盘转角，并基于所述目标转向盘转角调整所述目标车辆的转向盘转角。

当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的车道保持方法的技术方案。

实施例七

本发明实施例七还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的车道保持方法步骤，该方法包括：

获取目标车辆的车辆行驶数据，其中，所述车辆行驶数据包括转向盘转角、车辆横向位置以及车辆横向加速度；

基于所述车辆行驶数据以及预先训练的驾驶风格辨识模型，确定所述目标车辆对应的驾驶风格类别；

基于所述驾驶风格类别以及所述目标车辆的车辆状态数据，确定所述目标车辆的目标转向盘转角，并基于所述目标转向盘转角调整所述目标车辆的转向盘转角。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。