[0001] 本发明涉及自动控制技术领域，具体地，涉及一种车辆控制装置以及一种车辆。

[0002] 随着科学技术的不断发展，用户对车辆的智能化需要越来越高，例如无人驾驶技术被研究，即让车辆根据感知到的环境作出合理的行为。然而交通环境复杂，例如在十字路口，前方右转车辆和当前直行车辆可能会有冲突，或者正常行驶的道路上右边车辆有变道行为，这时当前车辆可以加速通过或减速跟随或换道行驶等，如何在类似情境下完成自动驾驶是无人车决策控制要探讨的问题。

[0003] 本申请发明人在实现本发明的过程中发现，现有的技术方案一般是基于有限状态机的，而这种方案存在以下缺陷：(1)交通环境复杂，基于状态机模型难以覆盖所有可能的情况；(2)每一个状态的逻辑会随着一些新状态的增加而越来越复杂。维持状态的数量和状态逻辑复杂性是一个很大的难点，需要合理的分割以及重用状态；(3)状态机的跳转条件一旦不满足，就会一直停滞在某一个状态。

[0018] 以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。

[0019] 为了根据车辆状态实时地、精确地、有效地、自动地、安全地确定对车辆的控制操作，本发明实施例考虑了多种实施例，下面将一一进行详细地说明：

[0020] 实施例1

[0021] 图1是根据本发明实施例的一种实施例的车辆控制装置100的结构示意图，如图1所示，该装置可以包括：接收模块10，能够用于接收车辆状态数据，例如从车辆中的各个检测装置中或者从电子控制单元ECU中接收各个能够反映车辆状态的数据；以及控制模块20，能够用于根据所述车辆状态数据以及车辆控制模型确定对车辆的控制操作。

[0022] 具体地，所述车辆状态数据可以包括以下中的至少一者：车辆车速、车辆到停车线的距离、车辆偏距、车辆与障碍物的冲突时间、以及所述障碍物车速。此外，所述车辆状态数据还可以包括任何能够反映车辆状态的数据，例如车辆加速度、车辆横向车距、以及车辆纵向车距等等。上述车辆状态数据可以从电子控制单元ECU直接获取，或者从自适应巡航系统中获得。之后，控制模块20能够根据所述车辆状态数据以及车辆控制模型确定对车辆的控制操作，即将所述车辆状态数据作为车辆控制模型的输入，通过车辆控制模块的计算就可以输出控制操作作为结果，例如所述控制操作可以包括以下中的至少一者：怠速、制动、加速并车道保持、减速并车道保持、减速并左转、以及减速并右转等车辆控制操作。

[0023] 采用本实施例，车辆控制装置100只需要将接收到的车辆状态数据输入到车辆控制模型，就能够实时地、精确地、有效地、自动地、安全地确定对车辆的控制操作，大大提高了车辆的智能性和安全性，为实现无人驾驶提供了技术基础。

[0024] 实施例2

[0025] 图2是根据本发明实施例的一种实施例的车辆控制装置100所执行的控制过程的示意图，如图2所示，车辆控制装置100的控制模块20将从接收模块10接收的车辆状态数据作为车辆控制模型200的输入，之后车辆控制模型200运行并输出运行结果，即输出与所述车辆状态数据对应的控制操作。在该实施例2中，为了实现本发明实施例的目的，提供一种示例车辆控制模型200，车辆控制装置100可以预先建立车辆控制模型200。

[0026] 具体地，所述车辆控制模型200可以根据以下步骤建立：

[0027] (1)建立样本集的步骤1000，其中该步骤可以包括：

[0028] 采集用户驾驶车辆时的训练车辆状态数据作为训练条件属性样本集，将所述用户驾驶车辆时的对应于所述训练车辆状态数据所采取的控制操作作为训练决策属性样本集；其中所述训练条件属性样本集包括多个条件属性，所述多个条件属性对应训练车辆状态数据的不同数据类型，以及所述训练决策属性样本集包括多个决策属性，所述多个决策属性对应不同的控制操作。例如，所述训练车辆状态数据可以包括车辆车速、车辆加速度、车辆到停车线的距离、车辆偏距、车辆横向车距、车辆纵向车距、车辆与障碍物的冲突时间、以及所述障碍物车速，可以将这些不同类型的数据对应为不同的条件属性，例如车辆车速可以为条件属性A、车辆加速度可以为条件属性B、车辆到停车线的距离可以为条件属性C、车辆偏距可以为条件属性D、车辆横向车距可以为条件属性E、车辆纵向车距可以为条件属性F、车辆与障碍物的冲突时间可以为条件属性G、以及所述障碍物车速可以为条件属性H。并且，所述训练决策属性样本集可以包括怠速、制动、加速并车道保持、减速并车道保持、减速并左转、以及减速并右转，可以将这些控制操作对应多个决策属性，例如怠速可以为决策属性R1、制动可以为决策属性R2、加速并车道保持可以为决策属性R3、减速并车道保持可以为决策属性R4、减速并左转可以为决策属性R5、以及减速并右转可以为决策属性R6，例如如表1所示。

[0029] 表1决策属性表

[0030]

[0031]

[0032] (2)建立决策树模型的步骤1001，其中该步骤可以包括：

[0033] 计算所述训练条件属性样本集中各个条件属性的信息增益，即计算条件属性A至H的信息增益，之后根据所计算的信息增益和训练决策属性样本集，确定决策树模型。

[0034] 具体地，将所计算的信息增益值最大的条件属性作为根节点，之后按照各个剩余的条件属性的信息增益值从大到小的顺序依次建立各个下层节点；以及将所述根节点和所述各个下层节点对应的决策属性作为结果节点。

[0035] 之后，可以验证建立好的决策树模型，如果决策树模型没有达到预期的准确性，则重新训练该模型，即循环执行上述(1)(2)步骤，直至模型达到预期的准确性。

[0036] 采用该实施例，可以建立关于车辆状态与控制操作的决策树模型，为无人驾驶的控制操作选择提供基础。

[0037] 实施例3

[0038] 在该实施例3中，进一步优化了实施例2中建立的模型，为了进一步提高决策树模型的精确度和降低模型的复杂性，可以进一步对上述训练条件属性样本集进行去噪处理，即去掉与决策属性相关性不大的条件属性。

[0039] 具体地，所述建立样本集的步骤1000进一步可以包括：对所述训练条件属性样本集进行预处理，例如进行离散化和归一化等的预处理，表2示出了预处理后的上述条件属性。

[0040] 表2预处理后的条件属性

[0041]

[0042]

[0043] 之后，还可以进一步将预处理后的所述训练条件属性样本集进行属性约简，去掉与决策属性相关性不大的条件属性。例如，可以使用信息论中粗糙熵概念对属性进行简约如下：

[0044] 1.计算每个属性a∈U(U为论域，即上述训练条件属性样本集)在U中的绝对属性重要性SGF(a,U)，其中SGF(a,U)＝max{SGF(b,U)|b∈a-U}＝max{E(U)-E(U∪{a})}；

[0045] 2.求得属性集U的核属性L＝CORE(a)；

[0046] 3.计算核属性的粗糙熵E(L)，直到E(L)＝E(U)时，L为最下属性简约，其中E(L)、E(U)、E(U∪{a})代入以下公式计算粗糙熵，粗糙熵 表示Xi在论域U中的概率，|Xi|表示集合X的基数。

[0047] 将上述每个条件属性A至H分别作为上述属性a代入计算，根据计算的L值去掉其中与决策属性相关性不大的条件属性，例如上述表2中根据计算可以去除条件属性B和D。

[0048] 将所述训练条件属性样本集更新为属性约简后的所述训练条件属性样本集，即条件属性A、C、E、F、G、H的集合。

[0049] 之后，利用更新后的上述训练条件属性样本集来建立决策树模型：

[0050] 计算所述训练条件属性样本集中各个条件属性的信息增益，即计算条件属性A至H的信息增益，之后根据所计算的信息增益和训练决策属性样本集，确定决策树模型。

[0051] 具体地，将所计算的信息增益值最大的条件属性作为根节点，之后按照各个剩余的条件属性的信息增益值从大到小的顺序依次建立各个下层节点；以及将所述根节点和所述各个下层节点对应的决策属性作为结果节点，建立的决策树模型可以如下表3所示，表3中示出了建立的决策树模型的部分。

[0052] 表3决策树模型结构表

[0053]条件属性 决策属性
C4 A3 R4
C3 G1 A2 H2 R3
C3 G0 A2 H1 F2 R2
C3 G0 A2 H2 F2 R3
C3 G1 A2 H1 F2 R4
C2 G0 A2 H1 F2 R4
C1 G0 A1 H1 F0 E7 R5

[0054] 之后，可以验证建立好的决策树模型，如果决策树模型没有达到预期的准确性，则重新训练该模型，即循环执行上述建模步骤，直至模型达到预期的准确性。

[0055] 采用本实施例，建立的决策树模型精确度高并且和降低模型的复杂性，包括这种决策树模型的车辆控制装置100只需要将接收到的车辆状态数据输入到车辆控制模型，就能够实时地、精确地、有效地、自动地、安全地确定对车辆的控制操作，大大提高了车辆的智能性和安全性，为实现无人驾驶提供了技术基础。

[0056] 实施例4

[0057] 在该实施例中，提供一种车辆，该车辆可以包括：多个检测装置，用于检测车辆状态数据，例如车载雷达、测速、自适应巡航系统等；以及上述实施例1-3中任一者或多者的组合的车辆控制装置，所述车辆控制装置分别与所述多个检测装置连接，用于接收多个检测装置采集到车辆状态数据并根据所述车辆状态数据自动地进行控制操作。

[0058] 例如，当接收到表示该车辆的车速和车辆到停车线的距离的车辆状态数据时，车辆可以根据上述决策树模型判定当前情况下用户希望减速并保持在当前车道上行驶，因此可以自动控制车辆进行减速和车道保持的操作。之后，可以将控制信号发送到对应的车辆设备(例如油门、方向盘等)，就可以实现对车辆的无人驾驶。

[0059] 采用本实施例，车辆只需要将接收到的车辆状态数据输入到车辆控制模型，就能够实时地、精确地、有效地、自动地、安全地确定对车辆的控制操作，大大提高了车辆的智能性和安全性，为实现无人驾驶提供了技术基础。

[0060] 图3是根据本发明实施例的一种实施例的车辆行驶图像识别方法的示例流程图，如图3所示，该方法可以包括以下步骤：

[0061] 步骤S11，接收车辆状态数据；以及

[0062] 步骤S12，根据所述车辆状态数据以及车辆控制模型，确定对车辆的控制操作。

[0063] 可选的，所述车辆状态数据可以包括以下中的至少一者：车辆车速、车辆到停车线的距离、车辆偏距、车辆与障碍物的冲突时间、以及所述障碍物车速。

[0064] 可选的，所述车辆控制模型根据以下步骤建立：建立样本集的步骤，其中该步骤包括：采集用户驾驶车辆时的训练车辆状态数据作为训练条件属性样本集，将所述用户驾驶车辆时的对应于所述训练车辆状态数据所采取的控制操作作为训练决策属性样本集；其中所述训练条件属性样本集包括多个条件属性，所述多个条件属性对应训练车辆状态数据的不同数据类型，以及所述训练决策属性样本集包括多个决策属性，所述多个决策属性对应不同的控制操作；建立决策树模型的步骤，其中该步骤包括：计算所述训练条件属性样本集中各个条件属性的信息增益；根据所计算的信息增益和训练决策属性样本集，确定决策树模型。

[0065] 可选的，所述根据所计算的信息增益和训练决策属性样本集确定决策树模型包括：将所计算的信息增益值最大的条件属性作为根节点；按照各个剩余的条件属性的信息增益值从大到小的顺序依次建立各个下层节点；以及将所述根节点和所述各个下层节点对应的决策属性作为结果节点。

[0066] 可选的，所述建立样本集的步骤进一步包括：对所述训练条件属性样本集进行预处理；将预处理后的所述训练条件属性样本集进行属性约简；将所述训练条件属性样本集更新为属性约简后的所述训练条件属性样本集。

[0067] 可选的，所述训练车辆状态数据包括以下中的至少一者：车辆车速、车辆加速度、车辆到停车线的距离、车辆偏距、车辆横向车距、车辆纵向车距、车辆与障碍物的冲突时间、以及所述障碍物车速。

[0068] 可选的，所述控制操作包括以下中的至少一者：怠速、制动、加速并车道保持、减速并车道保持、减速并左转、以及减速并右转。

[0069] 应当理解的是，上述车辆控制方法的各个具体实施例，均已在示例车辆控制装置的实施例中做了详细地说明(如上所述)，在此不再赘述。

[0070] 此外，本发明实施例提供的车辆控制装置可以以硬件或软件的形式实现，例如可以以软件的形式应用于需要对车辆控制的任何适当的场景中，例如车辆控制平面、电子控制单元ECU、以及其他车载设备等，也可以以硬件的形式与上述场景中的设备集成，本发明实施例对此不进行限定。本领域技术人员可以根据本发明实施例的公开选择上述各种实施例中的任一者，或者选择上述各种实施例的组合来配置车辆控制装置和车辆，并且其他的替换实施例也落入本发明实施例的保护范围。

[0071] 以上结合附图详细描述了本发明实施例的可选实施方式，但是，本发明实施例并不限于上述实施方式中的具体细节，在本发明实施例的技术构思范围内，可以对本发明实施例的技术方案进行多种简单变型，这些简单变型均属于本发明实施例的保护范围。

[0072] 另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。

[0073] 本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

[0074] 此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。