法律状态公告日
法律状态信息
法律状态
2020-08-07
授权
授权
2019-05-21
实质审查的生效 IPC(主分类):G08G1/01 申请日:20181224
实质审查的生效
2019-04-26
公开
公开
技术领域
本申请涉及车联网技术领域,具体涉及一种模糊控制网络的训练方法及装置、一组生成路口建议速度的方法及装置。
背景技术
V2X(Vehicle to Everything,车对外界)实现了车与外界的通信,例如车与车之间的通信、车与基础设备之间的通信、车与网络之间的通信等等。随着V2X技术的部署和普及,可以实现诸多应用场景,例如:前向碰撞预警、紧急刹车预警、车辆盲区/变道预警、异常车辆提醒、交叉路口防碰撞、信号灯信息推送等等。
车辆在红绿灯路口处频繁启停,速度波动大,造成车辆在行驶中油耗和时间增加,同时也加重了整个道路网络的运行负担。V2X的推广应用可以为车辆和基础设施之间提供通信,车辆可以感知交通路口处的交通信号灯情况,从而可以计算通过路口时的建议速度,帮助车辆更加迅速、经济省油地通过具有交通信号灯的路口。
在现有技术中,一般根据影响车辆速度的因素枚举不同行驶情况下车辆的建议速度,但是该种方式无法做到穷举车辆的行驶情况,也未充分考虑道路环境和驾驶者的差异,造成提供的车辆通过路口的建议速度不准确。
发明内容
有鉴于此,本申请实施例提供一种模糊控制网络的训练方法及装置、一组生成路口建议速度的方法及装置,以解决现有技术中提供建议速度不准确的技术问题。
为解决上述问题,本申请实施例提供的技术方案如下:
一种模糊控制网络的训练方法,所述方法包括:
获取速度影响参数的参数值以及对应的建议速度,所述速度影响参数包括车辆速度、车辆到达路口距离以及交通信号灯时间;
将所述速度影响参数的参数值输入模糊控制网络,以所述模糊控制网络输出的建议速度与输入的参数值对应的建议速度之间误差达到预设阈值为训练目标,训练所述模糊控制网络的输出权值,生成训练后的模糊控制网络;
所述模糊控制网络的输出为m个模糊规则的加权输出值之和,其中,所述m个模糊规则由每个所述速度影响参数对应的模糊子集的任意组合构成,第j个模糊规则的加权输出值为第j个模糊规则的隶属度值与第j个模糊规则的输出值相乘,j的取值为1至m范围内的每一个整数,m为正整数;所述第j个模糊规则的隶属度值根据所述速度影响参数的参数值在对应的模糊子集中的隶属度值确定;所述第j个模糊规则的输出值根据所述模糊控制网络的第j组输出权值以及所述速度影响参数的参数值确定。
在一种可能的实现方式中,所述第j个模糊规则的隶属度值的计算包括:
确定组成第j个模糊规则的各个所述速度影响参数分别对应的模糊子集作为第j组目标模糊子集;
计算各个所述速度影响参数的参数值在所述第j组目标模糊子集中对应的模糊子集的隶属度值作为第j组隶属度值;
将所述第j组隶属度值中的各个隶属度值相乘得到所述第j个模糊规则的隶属度值。
在一种可能的实现方式中,所述训练所述模糊控制网络的输出权值,包括:
当未达到所述训练目标时,利用梯度下降法对所述模糊控制网络的各个输出权值进行调整,重新计算所述模糊控制网络输出的建议速度。
在一种可能的实现方式中,所述获取速度影响参数的参数值以及对应的建议速度,包括:
获取一组速度影响参数的参数值;
确定该组速度影响参数的参数值对应的车辆行驶场景;
获取所述车辆行驶场景下的通过路口的建议速度作为该组速度影响参数的参数值对应的建议速度。
一种生成路口建议速度的方法,所述方法包括:
获取速度影响参数的当前参数值,所述速度影响参数包括车辆速度、车辆到达路口距离以及交通信号灯时间;
将所述速度影响参数的当前参数值输入训练后的模糊控制网络,获得所述训练后的模糊控制网络输出的建议速度,所述训练后的模糊控制网络是根据上述模糊控制网络的训练方法生成的。
在一种可能的实现方式中,所述训练后的模糊控制网络中第j个模糊规则的隶属度值根据所述速度影响参数的当前参数值在对应的模糊子集中的隶属度值确定,其中,j的取值为1至m范围内的每一个整数,m为模糊规则的总数,m为正整数。
在一种可能的实现方式中,所述训练后的模糊控制网络中第j个模糊规则的隶属度值的计算包括:
确定组成第j个模糊规则的各个所述速度影响参数分别对应的模糊子集作为第j组目标模糊子集;
计算各个所述速度影响参数的当前参数值在所述第j组目标模糊子集中对应的模糊子集的隶属度值作为第j组隶属度值;
将所述第j组隶属度值中的各个隶属度值相乘得到所述第j个模糊规则的隶属度值。
一种模糊控制网络的训练装置,所述装置包括:
第一获取单元,用于获取速度影响参数的参数值以及对应的建议速度,所述速度影响参数包括车辆速度、车辆到达路口距离以及交通信号灯时间;
生成单元,用于将所述速度影响参数的参数值输入模糊控制网络,以所述模糊控制网络输出的建议速度与输入的参数值对应的建议速度之间误差达到预设阈值为训练目标,训练所述模糊控制网络的参数,生成训练后的模糊控制网络;
所述模糊控制网络的输出为m个模糊规则的加权输出值之和,其中,所述m个模糊规则由每个所述速度影响参数对应的模糊子集的任意组合构成,第j个模糊规则的加权输出值为第j个模糊规则的隶属度值与第j个模糊规则的输出值相乘,j的取值为1至m范围内的每一个整数,m为正整数;所述第j个模糊规则的隶属度值根据所述速度影响参数的参数值在对应的模糊子集中的隶属度值确定;所述第j个模糊规则的输出值根据所述模糊控制网络的第j组参数输出权值以及所述速度影响参数的参数值确定。
在一种可能的实现方式中,所述第j个模糊规则的隶属度值的计算包括:
确定组成第j个模糊规则的各个所述速度影响参数分别对应的模糊子集作为第j组目标模糊子集;
计算各个所述速度影响参数的参数值在所述第j组目标模糊子集中对应的模糊子集的隶属度值作为第j组隶属度值;
将所述第j组隶属度值中的各个隶属度值相乘得到所述第j个模糊规则的隶属度值。
在一种可能的实现方式中,所述装置还包括:
调整单元,用于当未达到所述训练目标时,利用梯度下降法对所述模糊控制网络的各个参数输出权值进行调整,重新计算所述模糊控制网络输出的建议速度。
在一种可能的实现方式中,所述第一获取单元,包括:
第一获取子单元,用于获取一组速度影响参数的参数值;
确定子单元,用于确定该组速度影响参数的参数值对应的车辆行驶场景;
第二获取子单元,用于获取所述车辆行驶场景下的通过路口的建议速度作为该组速度影响参数的参数值对应的建议速度。
一种生成路口建议速度的装置,所述装置包括:
第二获取单元,用于获取速度影响参数的当前参数值,所述速度影响参数包括车辆速度、车辆到达路口距离以及交通信号灯时间;
第三获取单元,用于将所述速度影响参数的当前参数值输入训练后的模糊控制网络,获得所述训练后的模糊控制网络输出的建议速度,所述训练后的模糊控制网络是根据上述模糊控制网络的训练方法生成的。
在一种可能的实现方式中,所述训练后的模糊控制网络中第j个模糊规则的隶属度值根据所述速度影响参数的当前参数值在对应的模糊子集中的隶属度值确定,其中,j的取值为1至m范围内的每一个整数,m为模糊规则的总数,m为正整数。
在一种可能的实现方式中,所述训练后的模糊控制网络中第j个模糊规则的隶属度值的计算包括:
确定组成第j个模糊规则的各个所述速度影响参数分别对应的模糊子集作为第j组目标模糊子集;
计算各个所述速度影响参数的当前参数值在所述第j组目标模糊子集中对应的模糊子集的隶属度值作为第j组隶属度值;
将所述第j组隶属度值中的各个隶属度值相乘得到所述第j个模糊规则的隶属度值。
一种计算机可读存储介质,所述机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的模糊控制网络的训练方法或者上述的生成路口建议速度的方法。
一种计算机程序产品,所述计算机程序产品在终端设备上运行时,使得所述终端设备执行上述的模糊控制网络的训练方法或者上述的生成路口建议速度的方法。
由此可见,本申请实施例具有如下有益效果:
本申请实施例首先获取用于训练模糊控制网络的训练数据,即速度影响参数的参数值以及对应的建议速度,利用该训练数据训练模糊控制网络,以使得模糊控制网络输出的建议速度与输入的参数值对应的建议速度无限接近,从而训练出模糊控制网络的输出权值。应用时,实时获取车辆的速度影响参数的当前参数值,即获取当前车辆速度、车辆到达路口距离以及交通信号灯时间,将上述参数值输入模糊控制网络,获得与当前参数值对应的建议速度,以提示用户可以按照建议速度行驶,使得车辆在通过路口时到达节省油耗和时间的目的。可见,本申请实施例充分考虑了车辆行驶特性以及交通信号灯特性等多方面因素,并利用模糊算法为行驶中的车辆建立了模糊控制网络,由于模糊算法自身具有较强的鲁棒特性,使得模糊控制网络可以适应不同情况下的速度建议,提高提供建议速度的准确性。
附图说明
图1为本申请实施例提供的一种模糊控制网络的训练方法流程图;
图2为本申请实施例提供的一种计算模糊规则的隶属度值的方法的流程图;
图3为本申请实施例提供的一种获取速度影响参数的参数值对应的建议速度的方法的流程图;
图4为本申请实施例提供的一种生成路口建议速度的方法的流程图;
图5为本申请实施例提供的一种模糊控制网络的训练装置结构图;
图6为本申请实施例提供的一种生成路口建议速度的装置结构图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请实施例作进一步详细的说明。
为便于理解本申请实施例提供的技术方案,下面将先对本申请的背景技术进行说明。
发明人在对传统的提供车辆建议速度方法研究中发现,传统提供车辆建议速度是采用分类枚举方法来枚举不同情况下建议速度。然而,由于交通环境复杂且变化较快,无法做到穷举车辆行驶情况。而且,枚举方法未考虑车辆自身动力模型的非线性和迟滞特性,往往会导致给出的车辆建议速度不符合实际情况,无法起到良好的建议作用。
基于此,本申请实施例提供了一种模糊控制网络的训练以及生成路口建议速度的方法,由于模糊算法可以将各种车辆行驶情况划分为各种模糊规则,通过选择合适的隶属度函数,使得训练生成的模糊控制网络可以给出平稳且准确的建议速度。具体为,首先获取速度影响参数的参数值以及对应的建议速度,该参数值以及对应的建议速度为车辆在不同行驶场景下对应的数据。利用该数据训练模块控制网络,以使得最终训练后的模糊控制网络所输出的建议速度与输入的参数值对应的建议速度之间误差达到预设阈值。在实际应用时,获取车辆当前速度影响参数的参数值,将其输入至训练后的模糊控制网络,获得对应的建议速度,该建议速度可以使得车辆在通过路口时达到节省油耗和时间的目的。另外,由于模糊控制算法具有强鲁棒性,适用于解决非线性和滞后问题,从而可以为车辆提供更为准确的建议速度。
为便于理解本申请提供的模糊控制网络的训练方法,下面将结合附图对该训练方法进行说明。
参见图1,该图为本申请实施例提供的一种模糊控制网络的训练方法流程图,如图1所示,该方法可以包括:
S101:获取速度影响参数的参数值以及对应的建议速度。
本实施例中,为训练获得可以提供建议速度的模糊控制网络,首先需要获取训练数据,该训练数据包括速度影响参数的参数值以及对应的建议速度。
其中,速度影响参数可以包括车辆速度、车辆到达路口距离以及交通信号灯时间;交通信号灯时间可以包括下一次红灯开始时间、下一次红灯结束时间,或者交通信号灯时间也可以包括下一次绿灯开始时间、下一次绿灯结束时间。需要注意的是,下一次的时间是指将来时间里最接近的一次。例如,下一次红灯开始时间,是指即将要到来的红灯开始时间。由于V2X技术可以实时获取交通信号灯当前的状态,而且每个状态对应的时间周期通常是固定的,因此,可以根据当前状态推测出下一个状态到来时的时间。
可以理解的是,在实际训练时,为使得训练后的模糊控制网络可以提供准确的建议速度,可以获取多组速度影响参数的参数值以及每组速度影响参数的参数值对应的建议速度,利用多组训练数据执行S102。
另外,本实施例中,建议速度为车辆通过路口的速度,即根据车辆的速度影响参数的参数值,提供车辆在通过路口时的速度。不同的速度影响参数可以反映不同的行驶场景,不同的速度影响参数可以对应不同的建议速度。即速度影响参数对应的建议速度,为车辆在不同的行驶场景下对应的建议速度,该建议速度可以使得车辆在当前行驶场景下通过路口时实现节省油耗和时间的目的。其中,关于获取速度影响参数的参数值以及对应的建议速度的实现方式,将在后续实施例进行说明。
S102:将速度影响参数的参数值输入模糊控制网络,以模糊控制网络输出的建议速度与输入的参数值对应的建议速度之间误差达到预设阈值为训练目标,训练模糊控制网络的输出权值,生成训练后的模糊控制网络。
本实施例中,当获取训练数据后,将训练数据中的速度影响参数的参数值输入模糊控制网络中,以使得模糊控制网络输出的建议速度与输入的参数值对应的建议速度之间误差达到预设阈值为目的,训练模糊控制网络的输出权值,从而生成训练后的模糊控制网络。
在实际应用时,先对模糊控制网络的输出权值进行初始化,然后将速度影响参数的参数值输入模糊控制网络,获得模糊控制网络输出的建议速度,并比较该建议速度与输入的参数值对应的建议速度误差是否达到预设阈值,如果达到,则训练完成,生成训练后的模糊控制网络。如果未达到预设阈值,则可以对模糊控制网络的输出权值进行调整,然后利用调整后的输出权值再次进行训练,直至模糊控制网络输出的建议速度与输入的参数值对应的建议速度之间误差达到预设阈值。
其中,关于调整模糊控制网络的输出权值的具体实现,将在后续实施例中进行说明。
需要说明的是,本实施例中,模糊控制网络的输出为m个模糊规则的加权输出值之和。其中,m个模糊规则由每个速度影响参数对应的模糊子集的任意组合构成。第j个模糊规则的加权输出值为第j个模糊规则的隶属度值与第j个模糊规则的输出值相乘,j的取值为1至m范围内的每一个整数,m为正整数。其中,第j个模糊规则的隶属度值根据速度影响参数的参数值在对应的模糊子集中的隶属度值确定;第j个模糊规则的输出值根据模糊控制网络的第j组输出权值以及速度影响参数的参数值确定。
本实施例中,模糊控制网络的输出为m个模糊规则各自对应的加权输出值之和,而每个模糊规则的加权输出值等于该模糊规则的隶属度值与该模糊规则的输出值相乘得到。每个模糊规则的隶属度值是根据速度影响参数的参数值在对应的模糊子集中的隶属度值确定的,而每个模糊规则的输出值是根据模糊控制网络中该模糊规则对应的输出权值以及速度影响参数的参数值确定。
其中,模糊规则的数量是由每个速度影响参数对应的模糊子集进行任意组合构成。为便于理解,下面将以速度影响参数为车辆速度、车辆到达路口距离、下一次绿灯开始时间以及下一次绿灯结束时间为例进行说明。
在具体实现时,可以根据经验,使得每个速度影响参数对应一定数量的模糊子集,车辆速度对应n个模糊子集,每个模糊子集用于反映车辆速度的快慢程度;车辆到达路口距离对应h个模糊子集,每个模糊子集用于反映车辆距离路口的远近程度;下一次绿灯开始时间对应r个模糊子集,每个模糊子集用于反映绿灯开始时间的长短程度;下一次绿灯结束时间对应s个模糊子集,每个模糊子集用于反映绿灯结束时间的长短程度。则模糊规则数量
例如,将车辆速度划分为3个模糊子集:慢、中、快。车辆与红绿灯的距离划分为3个模糊子集:近、中、远。下一次绿灯结束时间划分为3个模糊子集:短、中、长。下一次绿灯开始时间划分为3个模糊子集:短、中、长。则模糊规则由上述四个变量的三个模糊子集任意组合,则模糊规则数量m=3*3*3*3,共81个模糊规则。
在具体实现时,模糊控制网络的输出可以利用公式(1)计算获得:
其中,y为模糊控制网络的输出,αj为第j个模糊规则对应的隶属度值,yj为第j个模糊规则对应的输出值。
在实际应用中,模糊控制网络中可以有m组输出权值,每个模糊规则对应一组输出权值,在具体实现时,可以利用公式(2)计算获得:
yj=pj0+pj1*x1+pj2*x2+...+pjq*xq(2)
其中,yj为第j个模糊规则对应的输出值,[pj0、pj1、pj2、...、pjq]为第j个模糊规则对应的一组输出权值,该组输出权值为通过训练获得的;[x1、x2、...、xq]为q个速度影响参数的参数值。j=1、2、...、m;q为速度影响参数的数量,为大于1的整数。
在具体训练模糊控制网络时,模糊控制网络的输出可以表示为:
将获取的速度影响参数的参数值输入公式(3),获得该模糊控制网络的输出y,计算该输出与输入的参数值对应的建议速度的误差,当二者误差达到预设阈值,则获得该模糊控制网络的输出权值,生成训练后的模糊控制网络。
通过公式(3)可知,αj为第j个模糊规则的隶属度值,该隶属度值根据速度影响参数的参数值在对应的每个模糊子集中的隶属度值确定的。在具体实现时,每个模糊子集可以对应一个隶属度函数,将速度影响参数的参数值代入模糊子集对应的隶属度函数,以便计算每个速度影响参数的参数值在每个模糊子集的隶属度值。
其中,关于计算第j个模糊规则的隶属度值的具体实现,将在后续实施例中进行说明。
本申请实施例首先获取用于训练模糊控制网络的训练数据,即速度影响参数的参数值以及对应的建议速度,利用该训练数据训练模糊控制网络,以使得模糊控制网络输出的建议速度与输入的参数值对应的建议速度无限接近,从而训练出模糊控制网络的输出权值。应用时,实时获取车辆的速度影响参数的当前参数值,即获取当前车辆速度、车辆到达路口距离以及交通信号灯时间,将上述参数值输入模糊控制网络,获得与当前参数值对应的建议速度,以提示用户可以按照建议速度行驶,使得车辆在通过路口时到达节省油耗和时间的目的。可见,本申请实施例充分考虑了车辆行驶特性以及交通信号灯特性等多方面因素,并利用模糊算法为行驶中的车辆建立了模糊控制网络,由于模糊算法自身具有较强的鲁棒特性,使得模糊控制网络可以适应不同情况下的速度建议,提高提供建议速度的准确性。
在本申请实施例一种可能的实现方式中,在利用速度影响参数的参数值以及对应的建议速度训练模糊控制网络时,如果模糊控制网络输出的建议速度与输入的参数值对应的建议速度之间的误差未达到预设阈值,可以利用梯度下降法对模糊控制网络的各个输出权值进行调整,并重新计算模糊控制网络输出的建议速度,直至达到训练目标。
在具体实现时,可以首先建立误差表达式,利用梯度下降法对误差表达式的输出权值进行调整,该误差表达式具体可以为公式(4):
yk表示第k次输入模糊控制网络的参数值对应的建议速度,
其中,pjl,j=1,2,...,m;l=1,2,...,q,pjl(k+1)表示更新后的输出权值。λ表示更新率,取小于1的数,比如0.05。通过不断更新,就可以求得最优的输出权值,使得模糊控制网络输出的建议速度与输入的参数值对应的建议速度之间误差达到预设阈值。
在本申请实施例中,模糊控制网络的输出为m个模糊规则的加权输出值之和,而每个模糊规则的加权输出值由该模糊规则的隶属度值与该模糊规则的输出值相乘获得。在上述实施例中,已经说明每个模糊规则的输出值是根据该模糊规则对应的一组输出权值以及速度影响参数的参数值确定。下面将结合附图对获得每个模糊规则的隶属度值进行说明。
参见图2,该图为本申请实施例提供的一种获取模糊规则的隶属度值方法的流程图,如图2所示,该方法可以包括:
S201:确定组成第j个模糊规则的各个速度影响参数分别对应的模糊子集作为第j组目标模糊子集。
本实施例中,模糊控制网络对应的m个模糊规则是由每个速度影响参数对应的模糊子集的任意组合构成的。因此,首先需要确定每个模糊规则的各个速度影响参数分别对应的模糊子集,以作为该模糊规则对应的一组目标模糊子集。
通过上述实施例可知,可以将每个速度影响参数划分为一定数量的模糊子集,从每个速度影响参数对应的模糊子集中任取一个子集即可构成一个模糊规则。例如,存在四个速度影响参数,分别为车辆速度、车辆达到路口的距离、下一次绿灯结束时间以及下一次绿灯开始时间,车辆速度对应三个模糊子集分别为:慢、中、快;车辆到达路口的距离对应三个模糊子集分别为:近、中、远;下一次绿灯结束时间对应的三个子集分别为;短、中、长;下一次绿灯开始时间对应三个子集分别为;短、中、长。则从每个速度影响参数对应的模糊子集中任取一个模糊子集可构成一个模糊规则,则第一个模糊规则对应的第一组目标模糊子集可以为慢、近、短、短;第二个模糊规则对应的第二组目标模糊子集可以为慢、近、短、中;依次类推,便可获得每个模糊规则对应的一组目标模糊子集。
需要说明的是,速度影响参数的数量以及每个速度影响参数对应的模糊子集的数量均可以根据实际需求进行设定,本实施例在此不做限定。
S202:计算各个速度影响参数的参数值在第j组目标模糊子集中对应的模糊子集的隶属度值作为第j组隶属度值。
本实施例中,当确定出每个模糊规则对应的一组目标模糊子集后,计算各个速度影响参数的参数值在对应的目标模糊子集的隶属度值,以作为该组隶属度值。
在具体实现时,每个模糊子集可以对应一个隶属度函数,当确定每个模糊规则对应的目标模糊子集后,将各个速度影响参数的参数值输入目标模糊子集对应的隶属度函数中,获得每个目标模糊子集的隶属度值。
例如,对于车辆速度x1的三个模糊子集各自对应的隶属度函数为:
a、慢速的模糊子集对应的隶属度函数可以采用偏小梯型形分布,如公式(7)
b、中速的模糊子集对应的隶属度函数可以采用三角形分布,如公式(8):
c、快速的模糊子集对应的隶属度函数可以采用偏大型梯形分布,如公式(9):
其中,每个隶属度函数值表示当前车辆速度属于三个不同模糊子集的概率。可以根据实际行驶情况设置vmin>=30m/s;vmin>=20m/s,vmid>=40m/s,vmid>=60m/s;vmin>=50m/s,vmax=80m/s。
对于车辆距离路口距离x2的三个模糊子集各自对应的隶属度函数为:
a、距离近的模糊子集对应的隶属度函数可以采用偏小梯型形分布,如公式(10):
b、距离中的模糊子集对应的隶属度函数可以采用三角形分布,如公式(11):
c、距离远的模糊子集对应的隶属度函数可以采用偏大型梯形分布,如公式(12):
其中,根据经验可以设置dmin=15m;dmin>=10m,dmid>=80m,dmid>=120m;dmin>=80m,dmax=150m。其中dmax表示相邻路口间的距离,也就是车辆距离下一个红绿灯的最远距离或者V2X通信最远距离,dmin表示车辆距离红绿灯的最小安全距离,取为15m。
下一次绿灯结束时间x3对应的三个模糊子集的隶属度函数为以下函数:
a、结束时间短的模糊子集对应的隶属度函数可以采用偏小梯型形分布,如公式(13):
b、结束时间中的模糊子集对应的隶属度函数可以采用三角形分布,如公式(14):
c、结束时间长的模糊子集对应的隶属度函数可以采用偏大型梯形分布,如公式(15):
其中,根据经验可以设置tmin=10s;tmin>=5s,tmid>=20s,tmid>=40s;tmin>=30s,tmax=50s。
下一次绿灯开始时间x4的三个模糊子集分别对应的隶属度函数可以为以下函数:
a、开始时间短的模糊子集对应的隶属度函数可以采用偏小梯型形分布,如公式(16):
b、开始时间中的模糊子集对应的隶属度函数可以采用三角形分布,如公式(17):
c、开始时间长的模糊子集对应的隶属度函数可以采用偏大型梯形分布,如公式(18):
其中,根据经验可以设置Tmin=10s;Tmin>=5s,Tmid>=20s,Tmid>=40s;Tmin>=30s,Tmax=50s。
当获取一组速度影响参数后,将该组速度影响参数的参数值分别代入第j个模糊规则对应的第j组目标模糊子集对应的隶属度函数,获得该速度影响参数在对应的目标模糊子集中的隶属度值。
例如,第1个模糊规则对应的第1组目标模糊子集为慢、近、短、短,则将车辆速度输入慢模糊子集对应的隶属度函数,得到隶属度值u1;将车辆到达路口距离输入近模糊子集对应的隶属度函数,得到隶属度值u2;将下一次绿灯结束时间输入短模糊子集对应的隶属度函数,得到隶属度值u3;将下一次绿灯开始时间输入短模糊子集对应的隶属度函数,得到隶属度值u4,从而获得第1组隶属度值。
S203:将第j组隶属度值中的各个隶属度值相乘得到第j个模糊规则的隶属度值。
本实施例中,当获得每组隶属度值后,将该组的隶属度值相乘获得该组隶属度值对应的模糊规则的隶属度值。
在具体实现时,可以利用公式(19)计算获得,具体为:
αj=μk1*μk2*...*μkl(19)
其中,k1表示第j组目标模糊子集中,第1个目标模糊子集对应的隶属度值;k2表示第j组目标模糊子集中,第2个目标模糊子集对应的隶属度值;kl表示第j组目标模糊子集中,第1个目标模糊子集对应的隶属度值。
通过上述内容可知,当确定出某模糊规则对应的一组目标模糊子集后,可以根据每个目标模糊子集对应的隶属度函数获得每个目标模糊子集的隶属度值,然后将该组的每个目标模糊子集的隶属度值相乘得到该模糊规则的隶属度值,从而实现训练模糊控制网络的输出权值,生成训练后的模糊控制网络。
另外,在获取训练数据时,需获取速度影响参数的参数值以及对应的建议速度,在建议速度是根据速度影响参数的参数值所对应的车辆行驶场景计算获得的,为便于理解,下面将结合附图对获取建议速度进行说明。
参见图3,该图为本申请实施例对应的获取建议速度方法流程图,如图3所示,该方法可以包括:
S301:获取一组速度影响参数的参数值。
本实施例中,首先获取一组速度影响参数的参数值,该组速度影响参数可以包括车辆速度、车辆到达路口距离以及交通信号时间。其中,交通信号灯时间可以为下一次绿灯开始时间、下一次绿灯结束时间、下一次红灯开始时间以及下一次红灯结束时间中的一种或多种。
S302:确定该组速度影响参数的参数值对应的车辆行驶场景。
本实施例中,当获取一组速度影响参数的参数值后,确定该组速度影响参数的参数值对应的车辆行驶场景。
在实际应用时,可以根据车辆实际行驶情况,以减少车辆在路口处等待时间、减少油耗以及车辆安全快速通过路口为目的,预先建立不同的车辆行驶场景,当获取一组速度影响参数的参数值后,通过计算确定对应的车辆行驶场景。
在具体实现时,可以分为以下五种车辆行驶场景:
一、最大加速度情形
该情形是指车辆距离路口d,以当前速度v0,最大加速度amax行驶,并未达到道路最大速度Vmax便可通过路口,可以实现通过路口时间最少tmin的目标,所用时间表达式为:
即,将获取的速度影响参数中的车辆速度以及车辆到达路口距离代入上述公式,计算获得最少时间tmin,如果tmin小于下一次绿灯结束时间TGreeEnd,此时建议车辆加速通过路口。
二、最大加速度和最大速度情形
该情形下车辆距离路口d,以最大加速度amax行驶,直到达到道路最大限速vmax,并保持最大行驶速度前进通过路口,同时实现时间最少的目标,所用时间表达式为:
即,将获取的速度影响参数中的车辆速度以及车辆到达路口距离代入上述公式,计算获得最少时间tmin,如果tmin小于下一次绿灯结束时间TGreeEnd,此时建议车辆加速,并以道路最大速度vmax通过路口。
三、保持当前车速情形
该情形是指车辆距离路口d,以当前速度v0行驶,并通过路口,所用时间表达式为:
即,将获取的速度影响参数中的车辆速度以及车辆到达路口距离代入上述公式,计算获得最少时间tmin,如果tmin小于下一次绿灯结束时间TGreeEnd,此时建议车辆保持速度行驶。
四、减速遇到黄灯或者红灯停止情形
该情形是指车辆距离路口d,以初始速度v0,加速度adec减速行驶,正好停在路口附近,所用时间表达式为:
即,将获取的速度影响参数中的车辆速度以及车辆到达路口距离代入上述公式,计算获得最少时间tmin,如果等于黄灯开始结束时间或者红灯开始时间,此时车辆无法在道路允许速度的情况下通过路口,故建议车辆减速直至停止。
五、减速正好遇到下个绿灯开始情形
该情形是指车辆根据下个绿灯到来的时刻,距离路口d,以初始速度v0,加速度adec减速行驶,并达到最小限制速度vmin,在到达路口时不用停止正好遇到绿灯,时间由两部分组成,减速时间tdec和匀速时间t2,所用时间表达式为:
t=tdec+t2(24)
即,将获取的速度影响参数中的车辆速度以及车辆到达路口距离代入上述公式,计算获得到达路口所用时间,此时车辆到达路口的时间正好遇到下一次绿灯开始,即t小于TGreeSta,并且满足道路最小行驶速度和驾驶舒适性。
在具体实现时,当获得一组速度影响参数的参数值时,计算当前速度影响参数的参数值在每种情形下到达路口所使用时间,并比较所使用时间是否小于绿灯结束时间。然后,将到达路口所使用时间小于绿灯结束时间的情形,确定为该组速度影响参数的参数值对应的车辆行驶场景。
S303:获取车辆行驶场景下的通过路口的建议速度作为该组速度影响参数的参数值对应的建议速度。
当确定车辆行驶场景时,计算在该车辆行驶场景下到达路口的建议速度,并将该建议速度确定为该组速度影响参数的参数值对应的建议速度。
例如,确定的车辆行驶场景为第一情形,则计算获得到达路口的速度v=v0+at,将该v作为该组速度影响参数的参数值对应的建议速度;确定的车辆行驶场景为第二情形,则将最大限速Vmax确定为该组速度影响参数的参数值对应的建议速度。
通过上述实施例,当获取一组速度影响参数的参数值时,通过该组速度影响参数的参数值确定对应的车辆行驶场景,从而获取该车辆行驶场景下的通过路口的建议速度作为该组速度影响参数的参数值对应的建议速度,从而利用该组速度影响参数的参数值以及对应的建议速度训练模糊控制网络,以生成训练后的模糊控制网络。
可以理解的是,当训练完成模糊控制网络后,可以应用该模糊控制网络给用户提供建议速度。下面将结合附图对生成路口建议速度的方法进行说明。
参见图4,该图为本申请实施例提供的一种生成路口建议速度的方法流程图,如图4所示,该方法可以包括:
S401:获取速度影响参数的当前参数值。
本实施例中,可以实时获取车辆速度影响参数的当前参数值,其中,速度影响参数包括车辆速度、车辆到达路口距离以及交通信号灯时间。其中,交通信号灯时间可以为下一次绿灯开始时间、下一次绿灯结束时间、下一次红灯开始时间以及下一次红灯结束时间中的一种或多种。
需要说明的是,在本实施例中所获取的速度影响参数的类型需与训练模糊控制网络时所获取的速度影响参数类型相同,从而保证模糊控制网络可以根据获取的速度影响参数的当前参数值给出相应地建议速度。
S402:将速度影响参数的当前参数值输入训练后的模糊控制网络,获得训练后的模糊控制网络输出的建议速度。
本实施例中,将获取的速度影响参数的当前参数值作为输入值输入训练后的模糊控制网络,以使得训练后的模糊控制网络根据输入值输出相应的建议速度。其中,训练后的模糊控制网络是根据图1-图3所述的模糊控制网络的训练方法生成的。
可以理解的是,训练后的模糊控制网络中第j个模糊规则的隶属度值可以根据速度影响参数的当前参数值在对应的模糊子集中的隶属度值确定,其中,j的取值为1至m范围内的每一个整数,m为模糊规则的总数,m为正整数。即每个模糊规则的隶属度值是由该模糊规则对应的一组目标模糊子集的隶属度值确定的。
在具体实现时,可以通过以下步骤实现:
1)确定组成第j个模糊规则的各个速度影响参数分别对应的模糊子集作为第j组目标模糊子集;
2)计算各个速度影响参数的当前参数值在第j组目标模糊子集中对应的模糊子集的隶属度值作为第j组隶属度值;
3)将第j组隶属度值中的各个隶属度值相乘得到第j个模糊规则的隶属度值。
本实施例中,首先确定每个模糊规则的各个速度影响参数分别对应的模糊子集,从而构成该模糊规则对应的一组目标模糊子集。然后,计算各个速度影响参数的参数值在各自对应的目标模糊子集中的隶属度值,从而获得一组隶属度值。再将该组隶属度值中的每个隶属度值相乘得到该模糊规则的隶属度值。
在具体实现时,可以根据预先为每个目标模糊子集设置的隶属度函数,计算该目标模糊子集的隶属度值,从而获得模糊规则的隶属度值。需要说明的是,计算训练后的模糊控制网络中第j个模糊规则的隶属度值的具体实现可以参见图2所述的实现方式,本实施例在此不再赘述。
通过上述实施例可知,在实际应用中,当获取速度影响参数的当前参数值时,将当前参数值输入训练后的模糊控制网络,通过该训练后的模糊控制网络获得建议速度,充分考虑了车辆行驶特性以及交通信号灯特性等多方面因素,并利用模糊算法为行驶中的车辆建立了模糊控制网络,由于模糊算法自身具有较强的鲁棒特性,使得模糊控制网络可以适应不同情况下的速度建议,提高提供建议速度的准确性。
基于上述方法实施例,本申请还提供了模糊控制网络的训练装置以及生成路口建议速度的装置,下面将结合附图分别对上述装置进行说明。
参见图5,该图为本申请实施例提供的一种模糊控制网络的训练装置结构图,如图5所示,该装置可以包括:
第一获取单元501,用于获取速度影响参数的参数值以及对应的建议速度,所述速度影响参数包括车辆速度、车辆到达路口距离以及交通信号灯时间;
生成单元502,用于将所述速度影响参数的参数值输入模糊控制网络,以所述模糊控制网络输出的建议速度与输入的参数值对应的建议速度之间误差达到预设阈值为训练目标,训练所述模糊控制网络的参数,生成训练后的模糊控制网络;
所述模糊控制网络的输出为m个模糊规则的加权输出值之和,其中,所述m个模糊规则由每个所述速度影响参数对应的模糊子集的任意组合构成,第j个模糊规则的加权输出值为第j个模糊规则的隶属度值与第j个模糊规则的输出值相乘,j的取值为1至m范围内的每一个整数,m为正整数;所述第j个模糊规则的隶属度值根据所述速度影响参数的参数值在对应的模糊子集中的隶属度值确定;所述第j个模糊规则的输出值根据所述模糊控制网络的第j组参数输出权值以及所述速度影响参数的参数值确定。
在一种可能的实现方式中,所述第j个模糊规则的隶属度值的计算包括:
确定组成第j个模糊规则的各个所述速度影响参数分别对应的模糊子集作为第j组目标模糊子集;
计算各个所述速度影响参数的参数值在所述第j组目标模糊子集中对应的模糊子集的隶属度值作为第j组隶属度值;
将所述第j组隶属度值中的各个隶属度值相乘得到所述第j个模糊规则的隶属度值。
在一种可能的实现方式中,所述装置还包括:
调整单元,用于当未达到所述训练目标时,利用梯度下降法对所述模糊控制网络的各个参数输出权值进行调整,重新计算所述模糊控制网络输出的建议速度。
在一种可能的实现方式中,所述第一获取单元,包括:
第一获取子单元,用于获取一组速度影响参数的参数值;
确定子单元,用于确定该组速度影响参数的参数值对应的车辆行驶场景;
第二获取子单元,用于获取所述车辆行驶场景下的通过路口的建议速度作为该组速度影响参数的参数值对应的建议速度。
需要说明的是,本实施例中各单元或模块的实现,可以参见图1-图3的实现,本实施例在此不再赘述。
参见图6,该图为本申请实施例提供的一种生成路口建议速度的装置结构图,如图6所示,该装置可以包括:
第二获取单元601,用于获取速度影响参数的当前参数值,所述速度影响参数包括车辆速度、车辆到达路口距离以及交通信号灯时间;
第三获取单元602,用于将所述速度影响参数的当前参数值输入训练后的模糊控制网络,获得所述训练后的模糊控制网络输出的建议速度,所述训练后的模糊控制网络是根据上述模糊控制网络的训练方法生成的。
在一种可能的实现方式中,所述训练后的模糊控制网络中第j个模糊规则的隶属度值根据所述速度影响参数的当前参数值在对应的模糊子集中的隶属度值确定,其中,j的取值为1至m范围内的每一个整数,m为模糊规则的总数,m为正整数。
在一种可能的实现方式中,所述训练后的模糊控制网络中第j个模糊规则的隶属度值的计算包括:
确定组成第j个模糊规则的各个所述速度影响参数分别对应的模糊子集作为第j组目标模糊子集;
计算各个所述速度影响参数的当前参数值在所述第j组目标模糊子集中对应的模糊子集的隶属度值作为第j组隶属度值;
将所述第j组隶属度值中的各个隶属度值相乘得到所述第j个模糊规则的隶属度值。
需要说明的是,本实施例中各单元或模块的实现,可以参见图4的实现,本实施例在此不再赘述。
另外,本申请实施例还提供一种计算机可读存储介质,所述机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的模糊控制网络的训练方法或者生成路口建议速度的方法。
本申请实施例还提供一种计算机程序产品,所述计算机程序产品在终端设备上运行时,使得所述终端设备执行上述的模糊控制网络的训练方法或者生成路口建议速度的方法。
通过上述实施例可知,首先获取用于训练模糊控制网络的训练数据,即速度影响参数的参数值以及对应的建议速度,利用该训练数据训练模糊控制网络,以使得模糊控制网络输出的建议速度与输入的参数值对应的建议速度无限接近,从而训练出模糊控制网络的输出权值。应用时,实时获取车辆的速度影响参数的当前参数值,即获取当前车辆速度、车辆到达路口距离以及交通信号灯时间,将上述参数值输入模糊控制网络,获得与当前参数值对应的建议速度,以提示用户可以按照建议速度行驶,使得车辆在通过路口时到达节省油耗和时间的目的。可见,本申请实施例充分考虑了车辆行驶特性以及交通信号灯特性等多方面因素,并利用模糊算法为行驶中的车辆建立了模糊控制网络,由于模糊算法自身具有较强的鲁棒特性,使得模糊控制网络可以适应不同情况下的速度建议,提高提供建议速度的准确性。
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。
应当理解,在本申请中,“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。
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。
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。
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申请。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申请的精神或范围的情况下,在其它实施例中实现。因此,本申请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。
机译: 返回速度测量设备,训练学习模型生成装置,训练数据生成装置,训练量测量方法,训练学习模型生成方法,培训数据生成方法,训练量测量程序,训练学习模型生成程序,以及学习数据生成程序
机译: 控制规则生成方法及其自动生成装置,模糊控制方法和模糊控制器
机译: 建议 - 信息生成装置,配备反射器的显示装置,建议 - 信息生成系统,建议 - 信息生成方法,显示处理方法,程序和记录介质