[发明专利]一种无人车控制方法及装置

权利要求书

1.一种无人车控制方法，其特征在于，包括：

确定各历史时刻的控制量；

将确定出的至少部分历史时刻的控制量作为输入，依次输入预先训练的预测神经网络模型，得到上一时刻所述无人车的状态估计值；

将所述上一时刻的控制量以及所述状态估计值作为输入，输入预先训练的动力学模型，预测得到当前时刻所述无人车的预测状态；

根据所述历史时刻中指定的历史时刻的控制量以及所述指定的历史时刻的真实状态作为输入，输入所述动力学模型，将得到的预测结果作为上一时刻的预测状态，并根据上一时刻所述无人车的真实状态与所述上一时刻的预测状态，确定所述动力学模型的预测误差；

根据当前时刻所述无人车的预测状态以及所述预测误差，确定所述无人车当前时刻的状态校正值；

根据预先规划得到的待预测时段内无人车的参考轨迹以及所述状态校正值，确定当前时刻所述无人车的控制量，并根据所述控制量控制所述无人车行驶。

2.如权利要求1所述的方法，其特征在于，确定各历史时刻的控制量，具体包括：

根据监测器监测到的所述无人车的执行器执行的动作，以及各历史时刻向所述执行器发送的控制量，确定与当前所述执行的动作匹配的控制量；

根据所述匹配的控制量，确定当前时刻所述无人车的时滞时长；

确定当前时刻之前所述时滞时长内各历史时刻的控制量。

3.如权利要求2所述的方法，其特征在于，根据监测器监测到的所述无人车的执行器执行的动作，以及各历史时刻向所述执行器发送的控制量，确定与当前所述执行的动作匹配的控制量之前，所述方法还包括：

根据预设的更新频率，判断当前时刻是否需要更新时滞时长；

若是，则获取监测器监测到的所述无人车的执行器执行的动作；

若否，则根据上一时刻采用的时滞时长，确定当前时刻之前各历史时刻的控制量。

4.如权利要求1所述的方法，其特征在于，将确定出的各控制量作为输入，输入预先训练的预测神经网络模型，得到上一时刻所述无人车的状态估计值，具体包括：

按照时间顺序，将确定出的各历史时刻中上一时刻之前的各历史时刻的控制量，依次输入所述预测神经网络模型，得到上一时刻所述无人车的状态估计值。

5.如权利要求1所述的方法，其特征在于，根据所述历史时刻中指定的历史时刻的控制量以及所述指定的历史时刻的真实状态作为输入，输入所述动力学模型，将得到的预测结果作为上一时刻的预测状态，并根据上一时刻所述无人车的真实状态与所述上一时刻的预测状态，确定所述动力学模型的预测误差，具体包括：

根据输入所述预测神经网络模型的控制量对应的各历史时刻之前最近一个历史时刻的控制量以及真实状态，作为输入，输入所述动力学模型，确定输入所述预测神经网络模型的控制量对应的各历史时刻中最早的历史时刻所述无人车的预测状态，作为上一时刻的预测状态；

根据监测器监测到的输入所述预测神经网络模型的控制量对应的各历史时刻之前最近一个历史时刻的真实状态与所述上一时刻的预测状态的差，确定所述动力学模型的预测误差。

6.如权利要求5所述的方法，其特征在于，根据输入所述预测神经网络模型的控制量对应的各历史时刻之前最近一个历史时刻的控制量以及真实状态，作为输入，输入所述动力学模型，确定输入所述预测神经网络模型的控制量对应的各历史时刻中最早的历史时刻所述无人车的预测状态，作为上一时刻的预测状态之前，所述方法还包括：

根据监测器监测到的所述无人车的执行器执行的动作，以及各历史时刻向所述执行器发送的控制量，确定与当前所述执行的动作匹配的控制量；

根据所述匹配的控制量，确定当前时刻所述无人车的时滞时长；

确定所述时滞时长之前最近的一个历史时刻的控制量，作为输入所述预测神经网络模型的各历史时刻之前最近一个历史时刻的控制量，确定所述时滞时长之前最近的一个历史时刻的所述无人车的真实状态，作为输入所述预测神经网络模型的各历史时刻之前最近一个历史时刻的真实状态。

7.如权利要求1~6任一所述的方法，其特征在于，所述预测状态至少包括所述无人车的坐标。