车辆制动方法、装置及存储介质与流程
本申请涉及汽车技术领域，特别涉及一种车辆制动方法、装置及存储介质。
背景技术：
在各种交通事故中，车辆追尾是最常出现的交通事故，约占交通事故的70％以上。车辆追尾一般是因不合适的跟车距离所导致，也即是本车与前车之间的相对距离小于安全距离，导致制动不及时。为此，根据本车与前车的相对速度和相对距离进行提前制动显得尤为重要。
相关技术中，提供了一种车辆制动方法，包括：根据本车车速、本车与前车的相对速度以及本车与前车的相对距离，计算本车与前车的碰撞时间，根据碰撞时间决定是否进行自动制动，从而防止车辆追尾。
相关技术中仅提供了一种制动方法，但是该制动方法并不一定适应于所有的车辆状态，因此制动精确度和灵活性较低。
技术实现要素：
为了解决相关技术中存在的制动精确度和灵活性较低的问题，本申请提供了一种车辆制动方法、装置及存储介质。所述技术方案如下：
第一方面，提供了一种车辆制动方法，应用于目标车辆中，所述方法包括：
获取目标车辆的状态信息、所述目标车辆与前车之间的距离以及所述前车的速度；
根据所述目标车辆的状态信息和所述前车的速度，通过指定神经网络模型确定所述目标车辆以所述前车的速度为目标制动速度的制动数据，所述制动数据包括制动距离；
根据所述制动数据、所述前车的速度以及所述目标车辆与前车之间的距离，从存储的多个制动策略中选择目标制动策略；
按照所述目标制动策略对所述目标车辆进行制动。
也即是，目标车辆可以提供多个制动策略，并可以根据本车的实时状态信息和前车的速度，通过存储的指定神经网络模型确定制动数据，然后根据制动数据从多个制动策略中选取合适的制动策略进行制动。通过为车辆提供多个制动策略，并根据车辆的具体状态从中选取合适的制动策略进行制动，提高了制动的精确度和灵活性，而且通过利用神经网络模型选择制动策略，进一步提高了选择的准确度和选择效率。
在具体实现中，所述目标车辆的状态信息包括所述目标车辆的质量、质心、与路面的摩擦系数和速度。通过获取目标车辆的质量、质心、与路面的摩擦系数和速度等状态信息，便于指定神经网络模型综合考虑影响制动数据的各种因素，提高了所输出的制动数据的准确性。
在具体实现中，所述根据所述目标车辆的状态信息和所述前车的速度，通过指定神经网络模型确定所述目标车辆以所述前车的速度为目标制动速度的制动数据之前，还包括：
当所述目标车辆的速度大于所述前车的速度时，执行根据所述目标车辆的状态信息和所述前车的速度，通过指定神经网络模型确定所述目标车辆以所述前车的速度为目标制动速度的制动数据的步骤。
在具体实现中，所述制动数据还包括制动时长；
所述根据所述制动数据、所述前车的速度以及所述目标车辆与前车之间的距离，从存储的多个制动策略中选择目标制动策略，包括：
将所述制动数据包括的制动时长与所述前车的速度进行相乘，得到第一距离；
将所述目标车辆与前车之间的距离与所述第一距离进行相加，得到第二距离；
根据所述第二距离和所述制动数据包括的制动距离，从存储的多个制动策略中选择目标制动策略。
通过将第二距离与制动数据包括的制动距离进行比较，根据比较结果选择目标制动策略，保证了制动的安全性。
在具体实现中，所述制动距离包括安全制动距离、警示制动距离和紧急制动距离，且所述制动时长为警示制动距离对应的制动时长；
其中，所述警示制动距离是指所述目标车辆在舒适制动过程中的行驶距离，所述舒适制动过程是指制动过程满足预设舒适度指标的制动过程，所述安全制动距离是将所述目标车辆的速度与预设驾驶员反应时长的乘积与所述警示制动距离进行相加得到，所述紧急制动距离是指所述目标车辆在紧急制动过程中的行驶距离，所述紧急制动过程是指按照最大制动力进行制动的制动过程；
所述根据所述第二距离和所述制动数据包括的制动距离从存储的多个制动策略中选择目标制动策略，包括：
当所述第二距离小于或等于所述紧急制动距离时，从存储的多个制动策略中选择紧急制动策略作为所述目标制动策略，所述紧急制动策略是指按照所述目标车辆的最大制动力进行制动的制动策略；
当所述第二距离大于所述紧急制动距离且小于或等于所述警示制动距离时，从存储的多个制动策略中选择自动舒适制动策略作为所述目标制动策略，所述自动舒适制动策略是指根据来自所述目标车辆的制动力进行制动且制动过程满足所述预设舒适度指标的制动策略；
当所述第二距离大于所述警示制动距离且小于或等于所述安全制动距离时，从存储的多个制动策略中选择辅助舒适制动策略作为所述目标制动策略，所述辅助舒适制动策略是指根据来自驾驶员的制动力和所述预设舒适度指标进行制动的策略。
通过将第二距离分别与安全制动距离、警示制动距离和紧急制动距离进行比较，根据比较结果从紧急制动策略、自动舒适制动策略和辅助舒适制动策略中选择合适的制动策略进行制动，在安全制动的基础上，最大程度地提高了制动的舒适度和制动策略选择的准确度，提高了乘客的制动体验。
制动数据包括的制动距离进行比较，根据比较结果选择目标制动策略，保证了制动的安全性。
在另一实施例中，所述从存储的多个制动策略中选择辅助舒适制动策略作为所述目标制动策略之前，还包括：
发出报警信息，所述报警信息用于指示所述车辆存在追尾风险；
当基于所述车辆的刹车踏板检测到驾驶员施加的制动力时，执行从存储的多个制动策略中选择辅助舒适制动策略作为所述目标制动策略的步骤。
通过在安全制动距离内发出报警信息，提示驾驶员主动进行制动，避免了紧急制动的发生，提高了制动的舒适度和安全性。
在具体实现中，所述按照所述目标制动策略对所述目标车辆进行制动，包括：
当所述目标制动策略为所述紧急制动策略时，按照所述目标车辆的最大制动力对所述目标车辆进行制动，直至所述目标车辆停止；
当所述目标制动策略为所述自动舒适制动策略，且所述制动数据还包括最大舒适度制动力时，根据所述最大舒适度制动力和所述制动时长对所述目标车辆进行制动，以使所述目标车辆在自动舒适制动过程中的最大制动加速度参数小于所述预设舒适度指标，所述最大舒适制动力是指所述目标车辆在舒适制动过程中的最大制动力；
当所述目标制动策略为所述辅助制动策略时，根据来自驾驶员的制动力和所述预设舒适度指标对所述目标车辆进行制动，以使所述目标车辆在辅助制动过程中的最大制动加速度参数小于所述预设舒适度指标。
在另一实施例中，所述根据所述车辆的状态信息和所述前车的速度，通过指定神经网络模型确定以所述前车的速度为目标制动速度的制动数据之前，还包括：
从云端服务器获取所述指定神经网络模型，所述指定神经网络模型为所述云端服务器根据与所述目标车辆为相同车型的车辆在制动过程中上传的多组制动状态信息进行训练得到；
其中，所述多组制动状态信息包括至少一组舒适制动状态信息和至少一组紧急制动状态信息，舒适制动状态信息是指对应车辆执行满足预设舒适度指标的舒适制动过程的制动状态信息，紧急制动状态信息为对应车辆按照最大制动力进行紧急制动的制动状态信息。
在具体实现中，每组舒适制动状态信息包括但不限于：制动开始时的质量、质心、与路面的摩擦系数和速度、基于制动结束时的速度确定的目标制动速度、最大舒适制动力、制动时长和警示制动距离，所述制动时长为舒适制动过程中的制动时长，所述警示制动距离是指舒适制定过程中车辆的行驶距离；
每组紧急制动状态信息包括但不限于：制动开始时的质量、质心、与路面的摩擦系数和速度、基于制动结束时的速度确定的目标制动速度和紧急制动距离，所述紧急制动距离是指紧急制动过程中车辆的形式距离。
通过从云端服务器获取指定神经网络模型，也即是，在云端服务器的协助下进行车辆制动，避免了目标车辆采集样本数据和训练神经网络模型的过程，减小了目标车辆的计算量。
在具体实现中，所述预设舒适度指标包括预设最大舒适制动加速度和预设最大舒适制动加加速度，制动加加速度是基于制动加速度对时间求导得到。
本发明实施例中，通过设置包括预设最大舒适制动加速度和预设最大舒适制动加加速度的预设舒适度指标，可以更为精确地量化乘客的舒适度指标，并可以在安全制动的基础上，较大程度地提高乘客的制动舒适度。
第二方面，提供了一种车辆制动方法，应用于云端服务器中，所述方法包括：
接收与目标车辆的车型相同的车辆在制动过程中发送的制动状态信息，得到多组制动状态信息；
基于所述多组制动状态信息对待训练神经网络模型进行训练，得到指定神经网络模型；
将所述指定神经网络模型发送给所述目标车辆，以使所述目标车辆根据自身的状态信息和前车的速度，通过所述指定神经网络模型确定所述目标车辆以所述前车的速度为目标制动速度的制动数据，并根据所述制动数据、所述前车的速度以及所述车辆与前车之间的距离，从存储的多个制动策略中选择目标制动策略进行制动，所述制动数据包括制动距离。
通过利用云端服务器采集车辆的制动状态信息，对存储的待训练神经网络模型进行训练，得到指定神经网络模型并发送给目标车辆，实现了车辆与云端服务器协同，一方面合理利用了云端服务器强大的计算能力，对复杂模型进行建模，另一方面发挥了云端服务器的数据收集能力，保证了数据集的规模和模型的精度。
在具体实现中，所述基于所述多组制动状态信息对待训练神经网络模型进行训练，得到指定神经网络模型，包括：
从所述多组制动状态信息中确定至少一组舒适制动状态信息和至少一组紧急制动状态信息，舒适制动状态信息是指对应车辆执行满足预设舒适度指标的舒适制动过程的制动状态信息，紧急制动状态信息为对应车辆按照最大制动力进行紧急制动的制动状态信息；
基于所述至少一组舒适制动状态信息和所述至少一组紧急制动状态信息，对待训练神经网络模型进行训练，得到所述指定神经网络模型。
在具体实现中，每组舒适制动状态信息包括但不限于：制动开始时的质量、质心、与路面的摩擦系数和速度、基于制动结束时的速度确定的目标制动速度、最大舒适制动力、制动时长和警示制动距离，所述制动时长为舒适制动过程中的制动时长，所述警示制动距离是指舒适制定过程中车辆的行驶距离；
每组紧急制动状态信息包括但不限于：制动开始时的质量、质心、与路面的摩擦系数和速度、基于制动结束时的速度确定的目标制动速度和紧急制动距离，所述紧急制动距离是指紧急制动过程中车辆的行驶距离。
在具体实现中，所述从所述多组制动状态信息中确定至少一组舒适制动状态信息和至少一组紧急制动状态信息，包括：
当所述多组制动状态信息中的每组制动状态信息包括制动开始时的质量、质心、与路面的摩擦系数和速度、基于制动结束时的速度确定的目标制动速度、制动距离、制动时长、最大制动力、最大制动加速度参数和追尾信息时，从所述多组制动状态信息中选择包括的追尾信息指示对应制动过程未发生追尾事故的制动状态信息；
当目标制动状态信息包括的最大制动力小于对应车辆能够达到的最大制动力，且所包括的最大制动加速度参数小于或等于所述预设舒适度指标时，基于所述目标状态信息包括的制动开始时的质量、质心、与路面的摩擦系数和速度、基于制动结束时的速度确定的目标制动速度、制动距离、制动时长和最大制动力，确定一组舒适制动状态信息，所述目标制动状态信息为选择的任一组制动状态信息；
当目标制动状态信息包括的最大制动力为对应车辆能够达到的最大制动力时，基于所述目标状态信息包括的制动开始时的质量、质心、与路面的摩擦系数和速度、基于制动结束时的速度确定的目标制动速度和制动距离，确定一组紧急制动状态信息。
通过从多组制动状态信息中确定至少一组舒适制动状态信息和至少一组紧急制动状态信息，实现了对收集数据的预处理，使得训练样本集满足训练需求，进一步提高了模型的精度。
在具体实现中，所述基于所述至少一组舒适制动状态信息和所述至少一组紧急制动状态信息，对待训练神经网络模型进行训练，得到所述指定神经网络模型，包括：
基于所述至少一组舒适制动状态信息对所述待训练神经网络模型包括的第一待训练神经网络子模型进行训练，得到所述指定神经网络模型包括第一指定神经网络子模型，所述第一待训练神经网络子模型是指能够基于舒适制动状态信息包括的制动开始时的质量、质心、与路面的摩擦系数和速度，以及基于制动结束时的速度确定的目标制动速度，得到最大舒适制动力、制动时长和警示制动距离的神经网络模型；
基于所述至少一组紧急制动状态信息对所述待训练神经网络模型包括的第二待训练神经网络子模型进行训练，得到所述指定神经网络模型包括第二指定神经网络子模型，所述第二待训练神经网络子模型是指能够基于紧急制动状态信息包括的制动开始时的质量、质心、与路面的摩擦系数和速度，以及基于制动结束时的速度确定的目标制动速度，得到紧急制动距离的神经网络模型。
在具体实现中，所述预设舒适度指标包括预设最大舒适制动加速度和预设最大舒适制动加加速度，制动加加速度是基于制动加速度对时间求导得到。
本发明实施例中，通过设置包括预设最大舒适制动加速度和预设最大舒适制动加加速度的预设舒适度指标，可以更为精确地量化乘客的舒适度指标，并可以在安全制动的基础上，较大程度地提高乘客的制动舒适度。
第三方面，提供了一种车辆制动装置，应用于目标车辆中，所述装置包括：
获取模块，用于获取目标车辆的状态信息、所述目标车辆与前车之间的距离以及所述前车的速度；
确定模块，用于根据所述目标车辆的状态信息和所述前车的速度，通过指定神经网络模型确定所述目标车辆以所述前车的速度为目标制动速度的制动数据，所述制动数据包括制动距离；
选择模块，用于根据所述制动数据、所述前车的速度以及所述目标车辆与前车之间的距离，从存储的多个制动策略中选择目标制动策略；
制动模块，用于按照所述目标制动策略对所述目标车辆进行制动。
在具体实现中，所述目标车辆的状态信息包括所述目标车辆的质量、质心、与路面的摩擦系数和速度。
在另一实施例中，所述装置还包括：
触发模块，用于当所述目标车辆的速度大于所述前车的速度时，触发所述制动模块根据所述目标车辆的状态信息和所述前车的速度，通过指定神经网络模型确定所述目标车辆以所述前车的速度为目标制动速度的制动数据。
在具体实现中，所述制动数据还包括制动时长；所述选择模块包括：
第一计算单元，用于将所述制动数据包括的制动时长与所述前车的速度进行相乘，得到第一距离；
第二计算单元，用于将所述目标车辆与前车之间的距离与所述第一距离进行相加，得到第二距离；
选择单元，用于根据所述第二距离和所述制动数据包括的制动距离，从存储的多个制动策略中选择目标制动策略。
在具体实现中，所述制动距离包括安全制动距离、警示制动距离和紧急制动距离，且所述制动时长为警示制动距离对应的制动时长；
其中，所述警示制动距离是指所述目标车辆在舒适制动过程中的行驶距离，所述舒适制动过程是指制动过程满足预设舒适度指标的制动过程，所述安全制动距离是将所述目标车辆的速度与预设驾驶员反应时长的乘积与所述警示制动距离进行相加得到，所述紧急制动距离是指所述目标车辆在紧急制动过程中的行驶距离，所述紧急制动过程是指按照最大制动力进行制动的制动过程；
所述选择单元用于：
当所述第二距离小于或等于所述紧急制动距离时，从存储的多个制动策略中选择紧急制动策略作为所述目标制动策略，所述紧急制动策略是指按照所述目标车辆的最大制动力进行制动的制动策略；
当所述第二距离大于所述紧急制动距离且小于或等于所述警示制动距离时，从存储的多个制动策略中选择自动舒适制动策略作为所述目标制动策略，所述自动舒适制动策略是指根据来自所述目标车辆的制动力进行制动且制动过程满足所述预设舒适度指标的制动策略；
当所述第二距离大于所述警示制动距离且小于或等于所述安全制动距离时，从存储的多个制动策略中选择辅助舒适制动策略作为所述目标制动策略，所述辅助舒适制动策略是指根据来自驾驶员的制动力和所述预设舒适度指标进行制动的策略。
在另一实施例中，所述选择模块还包括：
报警单元，用于发出报警信息，所述报警信息用于指示所述车辆存在追尾风险；
触发单元，用于当基于所述车辆的刹车踏板检测到驾驶员施加的制动力时，触发所述选择单元从存储的多个制动策略中选择辅助舒适制动策略作为所述目标制动策略。
在具体实现中，所述制动模块用于：
当所述目标制动策略为所述紧急制动策略时，按照所述目标车辆的最大制动力对所述目标车辆进行制动，直至所述目标车辆停止；
当所述目标制动策略为所述自动舒适制动策略，且所述制动数据还包括最大舒适度制动力时，根据所述最大舒适度制动力和所述制动时长对所述目标车辆进行制动，以使所述目标车辆在自动舒适制动过程中的最大制动加速度参数小于所述预设舒适度指标，所述最大舒适制动力是指所述目标车辆在舒适制动过程中的最大制动力；
当所述目标制动策略为所述辅助制动策略时，根据来自驾驶员的制动力和所述预设舒适度指标对所述目标车辆进行制动，以使所述目标车辆在辅助制动过程中的最大制动加速度参数小于所述预设舒适度指标。
在另一实施例中，所述装置还包括：
获取模块，用于从云端服务器获取所述指定神经网络模型，所述指定神经网络模型为所述云端服务器根据与所述目标车辆为相同车型的车辆在制动过程中上传的多组制动状态信息进行训练得到；
其中，所述多组制动状态信息包括至少一组舒适制动状态信息和至少一组紧急制动状态信息，舒适制动状态信息是指对应车辆执行满足预设舒适度指标的舒适制动过程的制动状态信息，紧急制动状态信息为对应车辆按照最大制动力进行紧急制动的制动状态信息。
其中，每组舒适制动状态信息包括但不限于：制动开始时的质量、质心、与路面的摩擦系数和速度、基于制动结束时的速度确定的目标制动速度、最大舒适制动力、制动时长和警示制动距离，所述制动时长为舒适制动过程中的制动时长，所述警示制动距离是指舒适制定过程中车辆的行驶距离；
其中，每组紧急制动状态信息包括但不限于：制动开始时的质量、质心、与路面的摩擦系数和速度、基于制动结束时的速度确定的目标制动速度和紧急制动距离，所述紧急制动距离是指紧急制动过程中车辆的形式距离。
在具体实现中，所述预设舒适度指标包括预设最大舒适制动加速度和预设最大舒适制动加加速度，制动加加速度是基于制动加速度对时间求导得到。
第四方面，提供了一种车辆制动装置，应用于云端服务器中，所述装置包括：
接收模块，用于接收与目标车辆的车型相同的车辆在制动过程中发送的制动状态信息，得到多组制动状态信息；
训练模块，用于基于所述多组制动状态信息对待训练神经网络模型进行训练，得到指定神经网络模型；
发送模块，用于将所述指定神经网络模型发送给所述目标车辆，以使所述目标车辆根据自身的状态信息和前车的速度，通过所述指定神经网络模型确定所述目标车辆以所述前车的速度为目标制动速度的制动数据，并根据所述制动数据、所述前车的速度以及所述车辆与前车之间的距离，从存储的多个制动策略中选择目标制动策略进行制动，所述制动数据包括制动距离。
在具体实现中，所述训练模块包括：
确定单元，用于从所述多组制动状态信息中确定至少一组舒适制动状态信息和至少一组紧急制动状态信息，舒适制动状态信息是指对应车辆执行满足预设舒适度指标的舒适制动过程的制动状态信息，紧急制动状态信息为对应车辆按照最大制动力进行紧急制动的制动状态信息；
训练单元，用于基于所述至少一组舒适制动状态信息和所述至少一组紧急制动状态信息，对待训练神经网络模型进行训练，得到所述指定神经网络模型。
其中，每组舒适制动状态信息包括但不限于：制动开始时的质量、质心、与路面的摩擦系数和速度、基于制动结束时的速度确定的目标制动速度、最大舒适制动力、制动时长和警示制动距离，所述制动时长为舒适制动过程中的制动时长，所述警示制动距离是指舒适制定过程中车辆的行驶距离；
其中，每组紧急制动状态信息包括但不限于：制动开始时的质量、质心、与路面的摩擦系数和速度、基于制动结束时的速度确定的目标制动速度和紧急制动距离，所述紧急制动距离是指紧急制动过程中车辆的行驶距离。
在具体实现中，所述确定单元用于：
当所述多组制动状态信息中的每组制动状态信息包括制动开始时的质量、质心、与路面的摩擦系数和速度、基于制动结束时的速度确定的目标制动速度、制动距离、制动时长、最大制动力、最大制动加速度参数和追尾信息时，从所述多组制动状态信息中选择包括的追尾信息指示对应制动过程未发生追尾事故的制动状态信息；
当目标制动状态信息包括的最大制动力小于对应车辆能够达到的最大制动力，且所包括的最大制动加速度参数小于或等于所述预设舒适度指标时，基于所述目标状态信息包括的制动开始时的质量、质心、与路面的摩擦系数和速度、基于制动结束时的速度确定的目标制动速度、制动距离、制动时长和最大制动力，确定一组舒适制动状态信息，所述目标制动状态信息为选择的任一组制动状态信息；
当目标制动状态信息包括的最大制动力为对应车辆能够达到的最大制动力时，基于所述目标状态信息包括的制动开始时的质量、质心、与路面的摩擦系数和速度、基于制动结束时的速度确定的目标制动速度和制动距离，确定一组紧急制动状态信息。
在具体实现中，所述训练单元用于：
基于所述至少一组舒适制动状态信息对所述待训练神经网络模型包括的第一待训练神经网络子模型进行训练，得到所述指定神经网络模型包括第一指定神经网络子模型，所述第一待训练神经网络子模型是指能够基于舒适制动状态信息包括的制动开始时的质量、质心、与路面的摩擦系数和速度，以及基于制动结束时的速度确定的目标制动速度，得到最大舒适制动力、制动时长和警示制动距离的神经网络模型；
基于所述至少一组紧急制动状态信息对所述待训练神经网络模型包括的第二待训练神经网络子模型进行训练，得到所述指定神经网络模型包括第二指定神经网络子模型，所述第二待训练神经网络子模型是指能够基于紧急制动状态信息包括的制动开始时的质量、质心、与路面的摩擦系数和速度，以及基于制动结束时的速度确定的目标制动速度，得到紧急制动距离的神经网络模型。
在具体实现中，所述预设舒适度指标包括预设最大舒适制动加速度和预设最大舒适制动加加速度，制动加加速度是基于制动加速度对时间求导得到。
第五方面，提供了一种车辆制动装置，所述车辆制动装置的结构中包括处理器和存储器，所述存储器用于存储支持车辆制动装置执行上述第一方面所提供的车辆制动方法的程序，以及存储用于实现上述第一方面所提供的车辆制动方法所涉及的数据。所述处理器被配置为用于执行所述存储器中存储的程序。所述存储设备的操作装置还可以包括通信总线，该通信总线用于该处理器与存储器之间建立连接。
第六方面，提供了一种车辆制动装置，所述车辆制动装置的结构中包括处理器和存储器，所述存储器用于存储支持车辆制动装置执行上述第二方面所提供的车辆制动方法的程序，以及存储用于实现上述第二方面所提供的车辆制动方法所涉及的数据。所述处理器被配置为用于执行所述存储器中存储的程序。所述存储设备的操作装置还可以包括通信总线，该通信总线用于该处理器与存储器之间建立连接。
第七方面，提供了一种计算机可读存储介质，所述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第一方面所述的车辆制动方法。
第八方面，提供了一种计算机可读存储介质，所述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第二方面所述的车辆制动方法。
第九方面，提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面所述的车辆制动方法。
第十方面，提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第二方面所述的车辆制动方法。
本申请提供的技术方案带来的有益效果是：
本发明实施例中，目标车辆可以根据本车的状态信息和前车的速度，通过指定神经网络模型确定以前车的速度为目标制动速度的制动数据，并根据确定的制动数据、前车的速度以及本车与前车之间的距离，从存储的多个制动策略中选择目标制动策略进行制动。通过为车辆提供多个制动策略，并根据车辆的具体状态从中选取合适的制动策略进行制动，提高了制动的精确度和灵活性，而且通过利用神经网络模型选择制动策略，进一步提高了选择的准确度和选择效率。
附图说明
图1a是本发明实施例提供的一种制动过程示意图；
图1b是本发明实施例提供的一种制动距离示意图；
图1c是本发明实施例提供的一种车辆制动系统示意图；
图1d是本发明实施例提供的另一种车辆制动系统示意图；
图1e是本发明实施例提供的一种云端服务器20的结构示意图；
图1f是本发明实施例提高的一种车辆制动方法的流程图；
图1g是本发明实施例提高的一种神经网络模型的训练过程示意图；
图2是本发明实施例提供的一种车辆制动装置；
图3是本发明实施例提供的另一种车辆制动装置.
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
在对本发明实施例进行详细介绍之前，首先，对本发明实施例涉及的名词进行解释。
舒适度指标
舒适度指标用于指示在制动过程中乘客是否感觉舒适。本发明实施例中，舒适度指标采用最大制动加速度参数衡量，具体地，最大制动加速度参数可以包括最大制动加速度和最大制动加加速度，也即是，舒适度指标可以采用最大制动加速度和最大制动加加速度来衡量，相应地，舒适度指标包括最大舒适制动加速度和最大舒适制动加加速度。其中，制动加加速度是制动加速度对时间求导数。
车辆的质心
车辆的质心是指以车辆底盘中心为原点的质心，可以用c＝(x,y,z)来表示。实际应用中，车辆的质心可以通过质心测量仪测得。
车辆与路面的摩擦系数
本发明实施例中，具体可以定义干燥路面、潮湿路面、积雪路面、结冰路面等多种路面场景，其中不同的路面具有不同的摩擦系数，具体可以用u来表示。实际应用中，与路面的摩擦系数可以通过摩擦系数测量仪进行测量。
车辆的制动过程
车辆的制动过程可以抽象为图1a所示。图1a的横坐标表示时间t，纵坐标表示制动力f或制动加速度a，图1a中上方的曲线示出了制动过程中制动力与时间的关系示意图，即制动力随时间变化的示意图，下方的曲线示出了制动过程中制动加速度与时间的关系示意图，即制动加速度随时间变化的示意图。
其中，t1为驾驶员反应时长；t2为制动开始时长，即在t2时间段内制动力逐渐增大至最大制动力fp；t3为制动力维持时长，即在t3时间段内维持最大制动力fp；t4为制动结束时长，即在t4时间段内制动器开始放松，制动力逐渐下降为0。
本发明实施例中，将fp、t2、t3、t4称为一个制动过程，表示为(fp,t)。其中，t为制动时长，即制动过程中制动开始到制动结束的时长，且t＝(t2,t3,t4)。
本发明实施例中，根据舒适度指标将制动过程为舒适制动过程和紧急制动过程。其中，舒适制动过程是指制动过程中的最大制动加速度参数满足预设舒适度指标的制动过程，紧急制动过程是指按照最大制动力进行制动的制动过程。
制动距离
制动距离是指从制动开始到制动结束的时间范围内车辆行驶的距离。本发明实施例中，定义了三种制动距离，分别为安全制动距离、警示制动距离和紧急制动距离。
其中，警示制动距离是指车辆在舒适制动过程中的行驶距离，安全制动距离是将车辆的速度与预设驾驶员反应时长的乘积与警示制动距离进行相加得到的制动距离，紧急制动距离是指车辆在紧急制动过程中的行驶距离。
在一个实施例中，参见图1b，其示出了本发明实施例所述的三种制动距离。其中，v0表示制动开始时本车的速度，v1表示前车的速度，acmt为舒适制动过程中的最大制动加速度参数，jcmt为舒适制动过程中的最大制动加加速度，amax为不考虑舒适度指标约束时的最大制动加速度，即车辆全力制动时按照最大制动力进行制动的加速度。s1表示安全制动距离，s2表示警示制动距离，s3表示紧急制动距离。
安全制动距离＝驾驶员反应时长内本车的行驶距离+舒适制动过程的制动距离，数据表达式为下述公式(1)：
s1＝v0×t1+g1(v0,v1,acmt,jcmt)(1)
警示制动距离＝安全制动距离-驾驶员反应时长内本车的行驶距离，数学表达式为下述公式(2)：
s2＝g1(v0,v1,acmt,jcmt)＝s1-v0×t1(2)
紧急制动距离为紧急制动过程的制动距离，即在最大制动加速度amax下的制动距离，数学表达式下述公式(3)：
s3＝g2(v0,v1,amax)(3)
其中，g1、g2为本发明实施例待确定的参数，即待训练神经网络模型的模型参数。
其次，对本发明实施例的应用场景进行介绍。
本发明实施例应用于车辆制动场景中，具体应用于车辆与前车之间的距离较近，为了避免发生追尾事故而进行制动的场景中。
进一步地，在车辆制动时，特别是紧急制动(尤其针对新司机)时，乘客通常会感到不适。其原因是制动时对刹车踏板的力度控制不好，使得车辆的加速度、加加速度过大，导致人体器官感受的力变化过大，超过了人体的承受范围。其中，加加速度是指加速度对时间求导数。为此，本发明实施例还应用于在保持安全制动的前提下，提高制动舒适度的场景中。
下面对本发明实施例的系统架构进行介绍。
图1c是本发明实施例提供的一种车辆制动系统示意图，如图1c所示，该车辆制动系统包括目标车辆10和云端服务器20，且目标车辆10和云端服务器20可以通过网络连接，具体可以通过无线网络进行通信。
其中，目标车辆10为有制动需求的车辆，具体可以为汽车、货车等车辆。云端服务器20为对目标车辆的制动提供服务的服务器。
具体地，云端服务器20用于接收与目标车辆的车型相同的车辆在制动过程中发送的制动状态信息，得到多组制动状态信息；基于该多组制动状态信息对待训练神经网络模型进行训练，得到指定神经网络模型；将该指定神经网络模型发送给该目标车辆。
其中，该指定神经网络模型为训练得到的能够基于目标车辆的状态信息和前车的速度，确定以前车的速度为目标制动速度的制动数据的神经网络模型，该制动数据包括制动距离。
实际应用中，目标车辆10可以通过网络接收云端服务器20发送的指定神经网络模型，并将该指定神经网络模型存储在本地。
具体地，目标车辆10用于获取目标车辆的状态信息、目标车辆与前车之间的距离以及前车的速度；根据目标车辆的状态信息和前车的速度，通过指定神经网络模型确定目标车辆以前车的速度为目标制动速度的制动数据，制动数据包括制动距离；根据该制动数据、前车的速度以及目标车辆与前车之间的距离，从存储的多个制动策略中选择目标制动策略；按照目标制动策略对目标车辆进行制动。
在一个实施例中，参见图1d，云端服务器20包括数据收集模块21、模型训练模块24、模型推送模块25和通信模块26。
其中，数据收集模块21用于收集相同车型的车辆在制动过程中发送的制动状态信息。模型训练模块24用于基于收集的制动状态信息对存储的待训练的神经网络模型进行训练，得到能够准确根据车辆的状态信息确定制动数据的指定神经网络模型。模型推送模块25用于根据预设推送条件将训练得到的指定神经网络模型推送给目标车辆10，该目标车辆10可以为与收集的制动状态信息的车辆的车型相同的任一车辆。通信模块26用于将待推送的指定神经网络模型发送给目标车辆10，具体可以发送给目标车辆10的通信模块，以使目标车辆10通过自身的通信模型进行接收。
进一步地，参见图1d，云端服务器20还可以包括数据清洗模块22和数据存储模块23。
其中，数据清洗模块22用于对数据收集模块21收集的多组制动状态信息进行处理，从中确定出满足条件的至少一组舒适制动状态信息和至少一组紧急制动状态信息。例如，从中确定没有发生追尾事故的至少一组舒适制动状态信息和至少一组紧急制动状态信息。其中，舒适制动状态信息是指对应车辆执行满足预设舒适度指标的舒适制动过程的制动状态信息，紧急制动状态信息为对应车辆按照最大制动力进行紧急制动的制动状态信息。
其中，数据存储模块23用于对数据清洗模块22确定的舒适制动状态信息和紧急制动状态信息进行存储，具体可以存储在本地硬盘中，也可以存储在网盘中，本发明实施例对此不做限定。当存储的信息满足模型训练条件时，比如满足一定数据量时，将存储的信息输入模型训练模块24，对待训练神经网络模型进行训练。
在一个实施例中，参见图1d，目标车辆10可以包括感知模块11、计算评估模块12、自适应制动控制模块13、制动模块14和通信模块15。
其中，感知模块11用于获取目标车辆的状态信息、目标车辆与前车之间的距离以及前车的速度。具体地，感知模块11包括多个传感器，可以通过该多个传感器获取目标车辆的状态信息、目标车辆与前车之间的距离以及前车的速度。
在一个具体实施例中，目标车辆的状态信息包括但不限于：目标车辆的质量、质心、与路面的摩擦系数和速度。相应地，感知模块11包括但不限于：质量传感器、质心测量仪、摩擦系数测量仪、速度传感器和前车感应传感器。其中，质量传感器用于采集目标车辆的质量信息，质心测量仪用于测量目标车辆的质心，摩擦系数测量仪用于测量目标车辆与路面的摩擦系数，速度传感器用于采集目标车辆的速度信息，前车感应传感器用于采集前车的速度以及目标车辆与前车之间的距离。实际应用中，前车感应传感器可以为超声波传感器等。
其中，计算评估模块12用于存储云端服务器20发送的指定神经网络模型，并可以根据目标车辆的状态信息和前车的速度，通过存储的指定神经网络模型确定目标车辆以前车的速度为目标制动速度的制动数据，然后将制动数据发送给自适应制动控制模块13。
自适应制动控制模块13用于根据确定的制动数据、前车的速度以及目标车辆与前车之间的距离，从存储的多个制动策略中选择目标制动策略。
制动模块14用于按照选择的目标制动策略对目标车辆进行制动。
通信模块15用于接收云端服务器20发送的指定神经网络模型，例如，可以接收云端服务器20通过其通信模块26发送的指定神经网络模型。
进一步地，制动模块14还用于在按照选择的目标制动策略对目标车辆进行制动之后，采集制动过程中的制动状态信息，并将采集的制动状态信息输出给通信模块15，以便通过通信模块15将采集的制动状态信息发送给云端服务器20，由云端服务器20收集到足够数量的制动状态信息之后，根据收集的制动状态信息继续对上一次训练得到的指定神经网络模型进行训练，以进一步提高指定神经网络模型的精度。
另外，再次训练之后，云端服务器20还可以将再次训练得到的指定神经网络模型发送给目标车辆10，以便目标车辆10对存储的指定神经网络模型进行更新。
在对本发明实施例涉及的车辆制动系统进行简单介绍之后，接下来将结合图1d对本发明实施例涉及的云端服务器20的结构进行详细介绍。
图1e是本发明实施例提供的一种云端服务器20的结构示意图，参见图1e，该云端服务器20主要包括有发射器20-1、接收器20-2、存储器20-3、处理器20-4以及通信总线20-5。本领域技术人员可以理解，图1e中示出的云端服务器20的结构并不构成对云端服务器20的限定，实际应用中，云端服务器20可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，本发明实施例对此不做限定。
其中，该发射器20-1和接收器20-2用于与其他设备进行通信，比如可以通过接收器20-2接收车辆发送的制动状态信息，或者通过发射器20-1向车辆发送指定神经网络模型。该存储器20-3可以用于存储数据，比如可以用于存储车辆发送的制动状态信息，并且，该存储器20-3也可以用于存储用于执行该车辆制动方法的一个或多个运行程序和/或模块。
其中，该处理器20-4是云端服务器20的控制中心，该处理器20-4可以是一个通用中央处理器(centralprocessingunit，cpu)，微处理器，特定应用集成电路(application-specificintegratedcircuit，asic)，或一个或多个用于控制本申请实施例方案程序执行的集成电路。该处理器20-4可以通过运行或执行存储在存储器20-3内的软件程序和/或模块，以及调用存储在存储器203内的数据，来实现下文实施例所提供的车辆制动方法。
其中，该通信总线20-5可包括通路，在上述处理器20-4和存储器20-3之间传送信息。
接下来将结合上述图1c和图1d，对本发明实施例提供的一种车辆制动方法进行详细介绍。图1f是本发明实施例提供的一种车辆制动方法的流程图，该方法的执行主体为目标车辆和云端服务器，如图1f所示，该方法包括如下步骤：
步骤101：云端服务器接收与目标车辆的车型相同的车辆在制动过程中发送的制动状态信息，得到多组制动状态信息。
其中，该云端服务器为能够为车辆的制动过程提供服务的服务器。目标车辆可以为有制动需求的任一车辆。制动状态信息用于指示车辆在制动过程中的制动状态。
实际应用中，与目标车辆的车型相同的任一车辆可以在制动过程中将对应制动状态信息发送给云端服务器，以便云端服务器根据多个相同车型的车辆的制动状态信息，对目标车辆在任意时刻的制动数据进行评估和预测。
具体地，多组制动状态信息中的每组制动状态信息包括但不限于：制动开始时的质量、质心、与路面的摩擦系数和速度、基于制动结束时的速度确定的目标制动速度、制动距离、制动时长、最大制动力、最大制动加速度参数和追尾信息。
其中，最大制动加速度参数可以包括制动过程中的最大制动加速度和最大制动加加速度，制动加加速度是通过制动加速度对时间求导得到。追尾信息用于指示对应制动过程是否发生追尾事故。
本发明实施例中，在考虑用户舒适度的情况下，可以预先基于最大制动加速度参数设置舒适度指标。也即是，本发明实施例中的预设舒适度指标可以采用最大制动加速度参数来衡量。其中，预设舒适度指标可以包括预设最大舒适制动加速度和预设最大舒适制动加加速度，相应地，最大制动加速度参数可以包括最大制动加速度和最大制动加加速度。
其中，预设最大舒适制动加速度用于限定制动过程中的最大制动加速度，预设最大舒适制动加加速度用于限定制动过程中的最大制动加加速度。当制动过程中的最大制动加速度小于或等于该预设最大舒适制动加速度，且最大制动加加速度小于或等于预设最大舒适制动加加速度时，即可确定对应的制动过程满足该预设舒适度指标，即该制动过程为舒适制动过程。
实际应用中，该预设最大舒适制动加速度和该预设最大舒适制动加加速度可以由技术人员根据乘客的实际舒适度需求预先设置得到。本申请的发明人通过大量实验确定，人体感觉舒适的最大制动加速度为3～4m/s2，人体感觉舒适的最大制动加加速度为0.4～1.0m/s3，因此在一个示例中，可以将预设最大舒适制动加速度设置为3～4m/s2，将预设最大舒适制动加加速度设置为0.4～1.0m/s3。
需要说明的是，相关技术中的制动技术方案中，多数没有考虑制动舒适度，仅仅以安全制动为主，因此无法满足乘客的制动舒适度需求。而本发明实施例中，通过设置预设舒适度指标，可以在安全制动的基础上，提高乘客的制动舒适度。而且，通过设置包括预设最大舒适制动加加速度的预设舒适度指标，可以更为精确地量化乘客的舒适度指标。
另外，本发明实施例中，根据预设舒适度指标还可以将制动过程分为两类，即舒适制动过程和紧急制动过程。其中，舒适制动过程是指制动过程中的最大制动加速度参数满足预设舒适度指标的制动过程，紧急制动过程是指制动过程中按照最大制动力进行制动的制动过程。
进一步地，根据制动过程是否由驾驶员操控执行，还可以将舒适制动过程分类两类，即辅助舒适制动过程和自动舒适制动过程。其中，辅助舒适制动过程是指制动力来自驾驶员且满足预设舒适度指标的制动过程，自动舒适制动过程是指制动力来自车辆自身且满足预设舒适度指标的制动过程，例如，自动舒适制动过程的制动力可以来自上述图1d中计算评估模块12输出的制动数据中包括的制动力。
另外，本发明实施例定义了三种制动距离，分别为安全制动距离、警示制动距离和紧急制动距离。其中，警示制动距离是指车辆在舒适制动过程中的行驶距离，安全制动距离是将车辆的速度与预设驾驶员反应时长的乘积与警示制动距离进行相加得到的制动距离，紧急制动距离是指车辆在紧急制动过程中的行驶距离。
具体地，警示制动距离为在满足舒适度指标的舒适制动过程中从开始制动到制动速度达到前车速度的时间范围内的行驶距离，紧急制动距离为在紧急制动过程中从开始制动到制动速度达到前车速度的时间范围内的行驶距离。
步骤102：云端服务器基于该多组制动状态信息对待训练神经网络模型进行训练，得到指定神经网络模型。
其中，多组制动状态信息为待训练神经网络模型的训练样本，基于该多组制动状态信息对待训练神经网络模型进行训练，是为了得到能够根据目标车辆的实时状态，对目标车辆的制动数据进行预测的指定神经网络模型。也即是，该指定神经网络模型能够根据目标车辆的实时状态，预测出该目标车辆在该状态下如果进行制动所产生的制动数据。
其中，待训练神经网络模型和指定神经网络模型可以为cnn模型、rnn模型或者svm模型等，本发明实施例对具体使用的神经网络模型不做限定。
具体地，该指定神经网络模型用于基于目标车辆的状态信息和目标车辆的前车的速度，确定以前车的速度为目标制动速度的制动数据，其中，制动数据包括制动距离。也即是，该指定神经网络模型的输入数据为目标车辆的状态信息和目标车辆的前车的速度，输出数据为目标车辆的制动数据。
进一步地，该制动数据还可以包括该目标车辆在不同制动过程对应的制动数据，例如可以包括舒适制动过程的制动数据以及紧急制动过程的制动数据。也即是，该指定神经网络模型能够预测出目标车辆在当前状态下，如果按照不同制动模式进行制动所产生的制动数据。例如，该制动数据可以包括安全制动距离s1、警示制动距离s2和紧急制动距离s3。
具体地，基于该多组制动状态信息对待训练神经网络模型进行训练，得到指定神经网络模型可以包括如下步骤1021-1022：
步骤1021：从该多组制动状态信息中确定至少一组舒适制动状态信息和至少一组紧急制动状态信息，舒适制动状态信息是指对应车辆执行满足预设舒适度指标的舒适制动过程的制动状态信息，紧急制动状态信息为对应车辆按照最大制动力进行紧急制动的制动状态信息。
其中，每组舒适制动状态信息包括但不限于：制动开始时的质量、质心、与路面的摩擦系数和速度、基于制动结束时的速度确定的目标制动速度、最大舒适制动力、制动时长和警示制动距离，该制动时长为舒适制动过程中的制动时长，该警示制动距离是指舒适制定过程中车辆的行驶距离。
其中，每组紧急制动状态信息包括但不限于：制动开始时的质量、质心、与路面的摩擦系数和速度、基于制动结束时的速度确定的目标制动速度和紧急制动距离，该紧急制动距离是指紧急制动过程中车辆的行驶距离。
具体地，从该多组制动状态信息中确定至少一组舒适制动状态信息和至少一组紧急制动状态信息可以包括以下步骤1)-3)：
1)当该多组制动状态信息中的每组制动状态信息包括制动开始时的质量、质心、与路面的摩擦系数和速度、基于制动结束时的速度确定的目标制动速度、制动距离、制动时长、最大制动力、最大制动加速度参数和追尾信息时，从该多组制动状态信息中选择包括的追尾信息指示对应制动过程未发生追尾事故的制动状态信息。
也即是，本发明实施例仅选取未发生追尾事故的制动过程的制动状态信息，作为待训练神经网络模型的训练样本，以保证指定神经网络模型所输出的制动数据的安全性，从而避免追尾事故。
2)当目标制动状态信息包括的最大制动力小于对应车辆能够达到的最大制动力，且所包括的最大制动加速度参数小于或等于该预设舒适度指标时，基于该目标状态信息包括的制动开始时的质量、质心、与路面的摩擦系数和速度、基于制动结束时的速度确定的目标制动速度、制动距离、制动时长和最大制动力，确定一组舒适制动状态信息，该目标制动状态信息为选择的任一组制动状态信息。
其中，最大制动加速度参数小于或等于该预设舒适度指标是指最大制动加速度小于或等于预设最大舒适制动加速度，最大制动加加速度小于或等于预设最大舒适制动加加速度。
也即是，对于选择的任一组制动状态信息而言，当其包括的最大制动力小于对应车辆能够达到的最大制动力，且所包括的最大制动加速度参数小于或等于该预设舒适度指标时，即可将该组制动状态信息确定为舒适制动状态信息。
具体可以将目标制动状态信息包括的制动距离确定为警示制动距离s2，制动时长确定为舒适制动过程的制动时长t，最大制动力确定为最大舒适制动力fp。
在另一实施例中，得到警示制动距离s2之后，还可以基于该警示制动距离s2确定安全制动距离s1，使得舒适制动状态信息还包括安全制动距离s1。具体地，可以将制动开始的速度与预设驾驶员反应时长进行相乘，并得到的乘积与该警示制动距离进行相加，得到安全制动距离。
3)当目标制动状态信息包括的最大制动力为对应车辆能够达到的最大制动力时，基于该目标状态信息包括的制动开始时的质量、质心、与路面的摩擦系数和速度、基于制动结束时的速度确定的目标制动速度和制动距离，确定一组紧急制动状态信息。
也即是，对于选择的任一组制动状态信息而言，当其包括的最大制动力为对应车辆能够达到的最大制动力fmax或者其包括的最大制动加速度为对应车辆能够达到的最大制动加速度amax，且所包括的最大制动加速度参数小于或等于该预设舒适度指标时，即可将该组制动状态信息确定为紧急制动状态信息。
具体可以将目标制动状态信息包括的制动距离确定为紧急制动距离。
步骤1022：基于该至少一组舒适制动状态信息和该至少一组紧急制动状态信息，对待训练神经网络模型进行训练，得到该指定神经网络模型。
其中，该指定神经网络模型为通过样本数据进行训练得到的满足要求的指定神经网络模型，且满足要求的指定神经网络模型是指能够满足y＝g(x)的神经网络模型。其中，x为指定神经网络模型的输入数据且x＝(m,c,u,v0,v1)，y为指定神经网络模型的输出数据且y＝(s1,s2,s3,fp,t)。
其中，m为车辆制动开始时的质量，c为车辆制动开始时的质心，u为车辆制动开始时与路面的摩擦系数，v0为车辆制动开始时的速度，v1为目标制动速度即车辆制动结束时的速度。s1为安全制动距离，s2为警示制动距离，s3为紧急制动距离，fp为最大舒适制动力即舒适制动过程中的最大制动力，t为舒适制动过程的制动时长。g为训练好的指定神经网络子模型的模型参数。
例如，参见图1g所示的待训练神经网络模型的训练过程，该待训练神经网络模型的输入数据x＝(m,c,u,v0,v1)，实际输出数据y’＝(s1’,s2’,s3’,fp’,t’)，理论输出数据y＝(s1,s2,s3,fp,t)。通过将实际输出数据y’与理论输出数据y进行比较，可以得到模型误差，之后根据模型误差对待训练神经网络模型的模型参数进行调整，然后通过对所有的样本数据不断迭代，即可使得实际输出数据y’与理论输出数据y的误差不断缩小，经过一定时间的训练即可得到满足要求的指定神经网络模型。
在一个实施例中，待训练神经网络模型可以包括第一待训练神经网络子模型和第二待训练神经网络子模型，指定神经网络模型可以包括第一指定神经网络子模型和第二指定神经网络子模型。
其中，第一待训练神经网络子模型是指能够基于舒适制动状态信息包括的制动开始时的质量、质心、与路面的摩擦系数和速度，以及基于制动结束时的速度确定的目标制动速度，得到最大舒适制动力、制动时长和警示制动距离的神经网络模型。进一步地，该第一待训练神经网络子模型还能够确定安全制动距离。
其中，第二待训练神经网络子模型是指能够基于紧急制动状态信息包括的制动开始时的质量、质心、与路面的摩擦系数和速度，以及基于制动结束时的速度确定的目标制动速度，得到紧急制动距离的神经网络模型。
需要说明的是，由于对待训练神经网络模型进行训练通常需要大量样本数据，因此该至少一组舒适制动状态信息实际为数据量较大的多组舒适制动状态信息，该至少一组紧急制动状态信息实际为数据量较大的多组紧急制动状态信息，也即是，当得到的舒适制动状态信息和紧急制动状态信息满足足够的数据量时，才执行对待训练神经网络模型进行训练的步骤。
具体地，基于该至少一组舒适制动状态信息和该至少一组紧急制动状态信息，对待训练神经网络模型进行训练，得到该指定神经网络模型可以包括以下步骤1)-2)：
1)基于该至少一组舒适制动状态信息对该待训练神经网络模型包括的第一待训练神经网络子模型进行训练，得到该指定神经网络模型包括第一指定神经网络子模型。
也即是，训练过程中，可以将该至少一组舒适制动状态信息作为第一待训练神经网络子模型的训练样本，对第一待训练神经网络子模型进行训练，得到第一指定神经网络子模型。
具体地，训练过程中，可以将每组舒适制动状态信息中包括的制动开始时的质量、质心、与路面的摩擦系数和速度作为第一待训练神经网络子模型的输入数据，并将第一待训练神经网络子模型的输出数据与该组舒适制动状态信息中包括的最大舒适制动力、制动时长和警示制动距离进行比较，然后根据比较结果对该第一待训练神经网络子模型的模型参数进行调整，通过对所有样本数据不断迭代，即可得到满足要求的第一指定神经网络子模型。
其中，满足要求的第一指定神经网络子模型是指能够满足y1＝g1(x1)的神经网络模型。其中，x1为第一指定神经网络子模型的输入数据且x1＝(m,c,u,v0,v1)，y1为第一指定神经网络子模型的输出数据且y1＝(s2,fp,t)。或者，x1＝(m,c,u,v0,v1)，y1＝(s1,s2,fp,t)。
其中，m为车辆制动开始时的质量，c为车辆制动开始时的质心，u为车辆制动开始时与路面的摩擦系数，v0为车辆制动开始时的速度，v1为目标制动速度即车辆制动结束时的速度。s2为警示制动距离，fp为最大舒适制动力即舒适制动过程中的最大制动力，t为舒适制动过程的制动时长。s1为安全制动距离。g1为训练好的第一指定神经网络子模型的模型参数。
2)基于该至少一组紧急制动状态信息对该待训练神经网络模型包括的第二待训练神经网络子模型进行训练，得到该指定神经网络模型包括第二指定神经网络子模型。
也即是，可以将该至少一组紧急制动状态信息作为第二待训练神经网络子模型的训练样本，对第二待训练神经网络子模型进行训练，得到第二指定神经网络子模型。
具体地，训练过程中，可以将每组舒适制动状态信息中包括的制动开始时的质量、质心、与路面的摩擦系数和速度作为第一待训练神经网络子模型的输入数据，并将第一待训练神经网络子模型的输出数据与该组舒适制动状态信息中包括的最大舒适制动力、制动时长和警示制动距离进行比较，然后根据比较结果对该第一待训练神经网络子模型的模型参数进行调整，通过对所有样本数据不断迭代，即可得到满足要求的第一指定神经网络子模型。
其中，满足要求的第二指定神经网络子模型是指能够满足y2＝g2(x2)的神经网络模型。其中，x2＝(m,c,u,v0,v1)，y2＝(s3)。
其中，m为车辆制动开始时的质量，c为车辆制动开始时的质心，u为车辆制动开始时与路面的摩擦系数，v0为车辆制动开始时的速度，v1为目标制动速度即车辆制动结束时的速度。s2为警示制动距离，fp为最大舒适制动力即舒适制动过程中的最大制动力，t为舒适制动过程的制动时长。s3为紧急制动距离。g2为训练好的第二指定神经网络子模型的模型参数。
由上可知，第一指定神经网络子模型和第二指定神经网络子模型的输入数据相同，而输出数据不同，第一指定神经网络子模型输出的是舒适制动过程的制动数据，第二指定神经网络子模型输出的是紧急制动过程的制动数据。
需要说明的是，本发明实施例中，通过根据车辆的质量、质心、与路面的摩擦系数和速度等车辆状态信息，对待训练神经网络模型进行训练，从而可以综合考虑影响制动数据的各种因素，提高了指定神经网络模型所输出的制动数据的准确性。
进一步地，为了便于指定神经网络模型的训练，还可以将制动力f离散化，以便将连续检测到的制动力转换为离散的制动力，对待训练神经网络模型进行训练。
例如，假定与目标车辆的车型相同的车辆的最大制动力为fmax，即车辆完全制动时的制动力为fmax，则可以把最大制动力fmax进行n+1等分,得到下述公式(4)表示：
其中，n可以预先设置得到，具体可以由车辆或云端服务器默认设置，也可以由车辆和云端服务器协商设置，本发明实施例对此不做限定。例如，n可以为100。
实际制动力f按照如下方式进行离散化，即可把连续的制动力f离散化成n+1个离散的点，有利于利用神经网络模型进行训练。
例如，实际制动力可以由下述公式(5)表示：
f离散化成fi之后，对于第一指定神经网络子模型而言，即可从该至少一组舒适制动状态信息中选取数据对(m,c,u,v0,v1,fi)，设定5维向量x＝[m,c,u,v0,v1]作为输入数据，n+1维向量
步骤103：云端服务器将该指定神经网络模型发送给目标车辆。
具体地，云端服务器可以通过推广信息将该指定神经网络模型发送给该目标车辆，或者，可以在接收到该目标车辆的获取请求时，根据该获取请求将该指定神经网络模型发送给该目标车辆。
例如，实际应用中，目标车辆可以在安装完成该云端服务器提供的指定应用之后，通过该指定应用的推广信息获取该指定神经网络模型。或者，目标车辆可以在更新已安装的指定应用时，触发向云端服务器发送获取请求，以获取该指定神经网络模型。
当然，该云端服务器也可以在其他条件下将该指定神经网络模型发送给该目标车辆，本发明实施例对此不做限定。
步骤104：目标车辆接收云端服务器的指定神经网络模型，并对该指定神经网络模型进行存储。
目标车辆接收到云端服务器的指定神经网络模型之后，可以先将该指定神经网络模型存储在本地，比如存储在图1d所示的计算评估模块12中。
步骤105：目标车辆获取自身的状态信息、自身与前车之间的距离以及前车的速度。
其中，该目标车辆的状态信息包括但不限于目标车辆的质量、质心、与路面的摩擦系数和速度。通过获取目标车辆的质量、质心、与路面的摩擦系数和速度等状态信息，便于指定神经网络模型综合考虑影响制动数据的各种因素，提高了所输出的制动数据的准确性。
本发明实施例中，目标车辆可以实时获取自身的状态信息、自身与前车之间的距离以及前车的速度，也可以周期性地获取自身的状态信息、自身与前车之间的距离以及前车的速度。
例如，目标车辆可以实时获取自身的质心，得到本车的质心分布；可以实时获取自身与地面的摩擦系数，得到本车的摩擦系数分布等。
具体地，目标车辆可以通过安装的传感器获取上述自身的状态信息、自身与前车之间的距离以及前车的速度。例如，目标车辆可以通过安装的质量传感器采集目标车辆的质量信息，通过安装的质心测量仪测量目标车辆的质心信息，通过安装的摩擦系数测量仪测量目标车辆与地面的摩擦系数，通过安装的超声波传感器测量前车的速度信息等。当然，也可以通过其他传感器采集上述信息，本发明实施例对此不做限定。
步骤106：当目标车辆的速度大于前车的速度时，根据目标车辆的状态信息和前车的速度，通过指定神经网络模型确定该目标车辆以该前车的速度为目标制动速度的制动数据，该制动数据包括制动距离。
当目标车辆的速度大于前车的速度时，表示目标车辆与前车之间的距离将逐步减小，有可能发生追尾事故，因此，可以在目标车辆的速度大于前车的速度时，根据目标车辆的状态信息和前车的速度，通过指定神经网络模型确定该目标车辆的制动数据，也即是，通过指定神经网络模型对该目标车辆的制动数据进行预测。
其中，该制动数据用于指示如果该目标车辆按照当前的态信息，并以前车的速度为目标制动速度进行制动，则可能得到的制动数据。
其中，该制动数据可以包括制动距离、最大舒适制动力即舒适制动过程中的最大制动力和舒适制动过程的制动时长等。其中，制动距离可以包括安全制动距离，警示制动距离，紧急制动距离。
具体地，可以将目标车辆的状态信息和前车的速度作为该指定神经网络模型的输入，并通过该指定神经网络模型输出该制动数据。例如，以该指定神经网络模型的输入数据为x＝(m,c,u,v0,v1)为例，则通过该指定神经网络模型可以输出输出数据y＝(s1,s2,s3,fp,t)，输出数据y即为该目标车辆的制动数据。
其中，m为目标车辆制的质量，c为目标车辆的质心，u为目标车辆与路面的摩擦系数，v0为目标车辆的速度，v1为目标制动速度即前车的速度。s1为安全制动距离，s2为警示制动距离，s3为紧急制动距离，fp为最大舒适制动力，t为舒适制动过程的制动时长。
也即是，如果该目标车辆按照当前的态信息，并以前车的速度为目标制动速度进行制动，则对应的安全制动距离为s1，警示制动距离为s2，紧急制动距离为s3，最大舒适制动力为fp，舒适制动过程的制动时长为t。
在一个实施例中，当指定神经网络模型包括第一指定神经网络子模型和第二指定神经网络子模型时，根据目标车辆的状态信息和前车的速度，通过指定神经网络模型确定该目标车辆的制动数据的过程可以包括：将目标车辆的状态信息和前车的速度分别作为第一指定神经网络子模型和第二指定神经网络子模型的输入，之后即可通过第一指定神经网络子模型输出警示制动距离s2、最大舒适制动力fp和舒适制动过程的制动时长t，并可以通过第二指定神经网络子模型输出紧急制动距离s3，而且，还可以基于警示制动距离s2确定安全制动距离s1。
其中，制动时长t可以包括上述图1a中的t2、t3和t4，即t＝(t2,t3,t4)。
需要说明的是，本发明实施例仅是以在目标车辆的速度大于前车的速度时，根据目标车辆的状态信息和前车的速度，通过指定神经网络模型确定该目标车辆的制动数据为例进行说明，而实际应用中，也可以通过其他触发条件触发目标车辆通过指定神经网络模型确定制动数据，本发明实施例对此不做限定。
步骤107：目标车辆根据该制动数据、前车的速度以及目标车辆与前车之间的距离，从存储的多个制动策略中选择目标制动策略。
具体地，根据该制动数据、前车的速度以及目标车辆与前车之间的距离，从存储的多个制动策略中选择目标制动策略的过程可以包括以下步骤1071-1073：
步骤1071：将该制动数据包括的制动时长与该前车的速度进行相乘，得到第一距离。
例如，假设第一距离为d1，则d1＝v1×t。
步骤1072：将该目标车辆与前车之间的距离与该第一距离进行相加，得到第二距离。
例如，假设目标车辆与前车之间的距离为d0，第一距离为d1，则第二距离d＝d0+d1＝d0+v1×t。
步骤1073：根据该第二距离和该制动数据包括的制动距离，从存储的多个制动策略中选择目标制动策略。
本发明实施例中，当制动距离包括安全制动距离、警示制动距离和紧急制动距离，且制动数据包括的制动时长为警示制动距离对应的制动时长时，可以根据d＝d0+d1与s1/s2/s3之间的关系，从存储的多个制动策略中选择目标制动策略。
具体地，根据第二距离和制动数据包括的制动距离从存储的多个制动策略中选择目标制动策略的方式，可以包括以下几种实现方式：
第一种实现方式：当该第二距离小于或等于该紧急制动距离时，从存储的多个制动策略中选择紧急制动策略作为该目标制动策略，该紧急制动策略是指按照该目标车辆的最大制动力进行制动的制动策略。
也即是，当d≤s3时，选择紧急制动策略进行制动。
第二种实现方式：当该第二距离大于该紧急制动距离且小于或等于该警示制动距离时，从存储的多个制动策略中选择自动舒适制动策略作为该目标制动策略，该自动舒适制动策略是指根据来自该目标车辆的制动力进行制动且制动过程满足该预设舒适度指标的制动策略。
也即是，当s2≤d≤s3时，选择自动舒适制动策略进行制动。
第三种实现方式：当该第二距离大于该警示制动距离且小于或等于该安全制动距离时，从存储的多个制动策略中选择辅助舒适制动策略作为该目标制动策略，该辅助舒适制动策略是指根据来自驾驶员的制动力和该预设舒适度指标进行制动的策略。
也即是，当s1≤d≤s2时，选择辅助舒适制动策略进行制动。
进一步地，从存储的多个制动策略中选择辅助舒适制动策略作为该目标制动策略之前，还可以先发出报警信息，该报警信息用于指示该车辆存在追尾风险；当基于该目标车辆的刹车踏板检测到驾驶员施加的制动力时，再执行从存储的多个制动策略中选择辅助舒适制动策略作为该目标制动策略的步骤。
需要说明的一点是，相关技术中少数考虑到制动舒适度的制动技术方案中，仅是从制动加速度方面追求平滑制动，而没有针对制动加速度和制动力的具体量化指标，没有从乘客客观的舒适体验入手，且多数是机械控制方面的研究。而本发明实施例中，则可以基于没有发生追尾且满足舒适度指标的样本对待训练神经网络模型进行训练，从制动加速度、制动加加速度方面保证了舒适度指标。
需要说明的另一点是，相关技术中提供的制动技术方案通常完全按照理想的牛顿运动定律进行制动建模，比如根据简单的相对速度和相对距离进行建模，在实际车辆制动时，由于制动力、车辆状况、周围环境的变化，使得整个制动过程比较复杂，因此基于理想的牛顿定律建模时误差较大。而本法实施例中，通过使用神经网络模型进行训练并对制动环境进行建模，由于神经网络模型具有强大的非线性能力，因此远比理想的牛顿定律建模精度高。同时通过端-云协同的工作方式，即车辆与云端服务器协同的工作方式，一方面利用云端强大的计算能力，对尽可能复杂的模型进行建模，另一方面，发挥了云端数据收集能力，保证数据集的规模和模型的精度。
步骤108：目标车辆按照该目标制动策略对该目标车辆进行制动。
具体地，该按照该目标制动策略对该目标车辆进行制动可以包括以下几种实现方式：
第一种实现方式：当该目标制动策略为该紧急制动策略时，按照该目标车辆的最大制动力对该目标车辆进行制动，直至该目标车辆停止。
第二种实现方式：当该目标制动策略为该自动舒适制动策略，且该制动数据还包括最大舒适度制动力时，根据该最大舒适度制动力和该制动时长对该目标车辆进行制动，以使该目标车辆在自动舒适制动过程中的最大制动加速度参数小于该预设舒适度指标。
其中，该最大舒适度制动力和制动时长可以为指定神经网络模型输出的制动数据中包括的数据，也即是，自动舒适制动策略的制动力可以来自指定神经网络模型输出的制动数据。根据该最大舒适度制动力和制动时长可以确定舒适制动过程中制动力与时间的对应关系，并可以按照制动力与时间的对应关系对该目标车辆进行制动。
第三种实现方式：当该目标制动策略为该辅助制动策略时，根据来自驾驶员的制动力和该预设舒适度指标对该目标车辆进行制动，以使该目标车辆在辅助制动过程中的最大制动加速度参数小于该预设舒适度指标。
也即是，在根据来自驾驶员的制动力和预设舒适度指标对该目标车辆进行制动的过程中，可以根据该预设舒适度指标对来自驾驶员的制动力进行限制，当来自驾驶员的制动力可能导致制动过程的最大制动加速度参数大于该预设舒适度指标时，可以降低来自驾驶员的制动力的制动信号，以使制动过程中的最大制动加速度参数一直小于该预设舒适度指标，满足乘客的舒适度需求。
进一步地，当目标车辆的速度小于或等于前车的速度时，说明没有追尾风险，此时可以在基于该目标车辆的刹车踏板检测到驾驶员施加的制动力时，即检测到驾驶员主动制动时，从存储的多个制动策略中选择辅助舒适制动策略，并按照辅助舒适制动策略进行制动。
进一步地，目标车辆按照选择的目标制动策略进行制动的过程中，还可以采集制动过程中的制动状态信息，并将采集的制动状态信息发送给云端服务器，由云端服务器在收集到足够数据量的制动状态信息之后，根据收集的制动状态信息继续对上一次训练得到的指定神经网络模型进行训练，以进一步提高指定神经网络模型的精度。通过车辆端反馈的制动数据对云端服务器的神经网络模型进行增量式训练，保证了指定神经网络模型精度的进一步提高
另外，再次训练之后，云端服务器还可以将再次训练得到的指定神经网络模型发送给目标车辆，以便目标车辆对存储的指定神经网络模型进行更新。
本发明实施例中，目标车辆可以根据本车的状态信息和前车的速度，通过指定神经网络模型确定以前车的速度为目标制动速度的制动数据，并根据确定的制动数据、前车的速度以及本车与前车之间的距离，从存储的多个制动策略中选择目标制动策略进行制动。通过为车辆提供多个制动策略，并根据车辆的具体状态从中选取合适的制动策略进行制动，提高了制动的精确度和灵活性，而且通过利用神经网络模型选择制动策略，进一步提高了选择的准确度和选择效率。
图2是本发明实施例提供的一种车辆制动装置，应用于目标车辆中，该装置包括：
获取模块201，用于获取目标车辆的状态信息、该目标车辆与前车之间的距离以及该前车的速度；
确定模块202，用于根据该目标车辆的状态信息和该前车的速度，通过指定神经网络模型确定该目标车辆以该前车的速度为目标制动速度的制动数据，该制动数据包括制动距离；
选择模块203，用于根据该制动数据、该前车的速度以及该目标车辆与前车之间的距离，从存储的多个制动策略中选择目标制动策略；
制动模块204，用于按照该目标制动策略对该目标车辆进行制动。
可选地，该目标车辆的状态信息包括该目标车辆的质量、质心、与路面的摩擦系数和速度。
可选地，该装置还包括：
触发模块，用于当该目标车辆的速度大于该前车的速度时，触发该制动模块根据该目标车辆的状态信息和该前车的速度，通过指定神经网络模型确定该目标车辆以该前车的速度为目标制动速度的制动数据。
在具体实现中，该制动数据还包括制动时长；该选择模块包括：
第一计算单元，用于将该制动数据包括的制动时长与该前车的速度进行相乘，得到第一距离；
第二计算单元，用于将该目标车辆与前车之间的距离与该第一距离进行相加，得到第二距离；
选择单元，用于根据该第二距离和该制动数据包括的制动距离，从存储的多个制动策略中选择目标制动策略。
可选地，该制动距离包括安全制动距离、警示制动距离和紧急制动距离，且该制动时长为警示制动距离对应的制动时长；
其中，该警示制动距离是指该目标车辆在舒适制动过程中的行驶距离，该舒适制动过程是指制动过程满足预设舒适度指标的制动过程，该安全制动距离是将该目标车辆的速度与预设驾驶员反应时长的乘积与该警示制动距离进行相加得到，该紧急制动距离是指该目标车辆在紧急制动过程中的行驶距离，该紧急制动过程是指按照最大制动力进行制动的制动过程；
该选择单元用于：
当该第二距离小于或等于该紧急制动距离时，从存储的多个制动策略中选择紧急制动策略作为该目标制动策略，该紧急制动策略是指按照该目标车辆的最大制动力进行制动的制动策略；
当该第二距离大于该紧急制动距离且小于或等于该警示制动距离时，从存储的多个制动策略中选择自动舒适制动策略作为该目标制动策略，该自动舒适制动策略是指根据来自该目标车辆的制动力进行制动且制动过程满足该预设舒适度指标的制动策略；
当该第二距离大于该警示制动距离且小于或等于该安全制动距离时，从存储的多个制动策略中选择辅助舒适制动策略作为该目标制动策略，该辅助舒适制动策略是指根据来自驾驶员的制动力和该预设舒适度指标进行制动的策略。
可选地，该选择模块还包括：
报警单元，用于发出报警信息，该报警信息用于指示该车辆存在追尾风险；
触发单元，用于当基于该车辆的刹车踏板检测到驾驶员施加的制动力时，触发该选择单元从存储的多个制动策略中选择辅助舒适制动策略作为该目标制动策略。
在具体实现中，该制动模块用于：
当该目标制动策略为该紧急制动策略时，按照该目标车辆的最大制动力对该目标车辆进行制动，直至该目标车辆停止；
当该目标制动策略为该自动舒适制动策略，且该制动数据还包括最大舒适度制动力时，根据该最大舒适度制动力和该制动时长对该目标车辆进行制动，以使该目标车辆在自动舒适制动过程中的最大制动加速度参数小于该预设舒适度指标，该最大舒适制动力是指该目标车辆在舒适制动过程中的最大制动力；
当该目标制动策略为该辅助制动策略时，根据来自驾驶员的制动力和该预设舒适度指标对该目标车辆进行制动，以使该目标车辆在辅助制动过程中的最大制动加速度参数小于该预设舒适度指标。
可选地，该装置还包括：
获取模块，用于从云端服务器获取该指定神经网络模型，该指定神经网络模型为该云端服务器根据与该目标车辆为相同车型的车辆在制动过程中上传的多组制动状态信息进行训练得到；
其中，该多组制动状态信息包括至少一组舒适制动状态信息和至少一组紧急制动状态信息，舒适制动状态信息是指对应车辆执行满足预设舒适度指标的舒适制动过程的制动状态信息，紧急制动状态信息为对应车辆按照最大制动力进行紧急制动的制动状态信息。
其中，每组舒适制动状态信息包括但不限于：制动开始时的质量、质心、与路面的摩擦系数和速度、基于制动结束时的速度确定的目标制动速度、最大舒适制动力、制动时长和警示制动距离，该制动时长为舒适制动过程中的制动时长，该警示制动距离是指舒适制定过程中车辆的行驶距离；
其中，每组紧急制动状态信息包括但不限于：制动开始时的质量、质心、与路面的摩擦系数和速度、基于制动结束时的速度确定的目标制动速度和紧急制动距离，该紧急制动距离是指紧急制动过程中车辆的形式距离。
可选地，该预设舒适度指标包括预设最大舒适制动加速度和预设最大舒适制动加加速度，制动加加速度是基于制动加速度对时间求导得到。
本发明实施例中，目标车辆可以根据本车的状态信息和前车的速度，通过指定神经网络模型确定以前车的速度为目标制动速度的制动数据，并根据确定的制动数据、前车的速度以及本车与前车之间的距离，从存储的多个制动策略中选择目标制动策略进行制动。通过为车辆提供多个制动策略，并根据车辆的具体状态从中选取合适的制动策略进行制动，提高了制动的精确度和灵活性，而且通过利用神经网络模型选择制动策略，进一步提高了选择的准确度和选择效率。
图3是本发明实施例提供的另一种车辆制动装置，应用于云端服务器中，该装置包括：
接收模块301，用于接收与目标车辆的车型相同的车辆在制动过程中发送的制动状态信息，得到多组制动状态信息；
训练模块302，用于基于该多组制动状态信息对待训练神经网络模型进行训练，得到指定神经网络模型；
发送模块303，用于将该指定神经网络模型发送给该目标车辆，以使该目标车辆根据自身的状态信息和前车的速度，通过该指定神经网络模型确定该目标车辆以该前车的速度为目标制动速度的制动数据，并根据该制动数据、该前车的速度以及该车辆与前车之间的距离，从存储的多个制动策略中选择目标制动策略进行制动，该制动数据包括制动距离。
可选地，该训练模块包括：
确定单元，用于从该多组制动状态信息中确定至少一组舒适制动状态信息和至少一组紧急制动状态信息，舒适制动状态信息是指对应车辆执行满足预设舒适度指标的舒适制动过程的制动状态信息，紧急制动状态信息为对应车辆按照最大制动力进行紧急制动的制动状态信息；
训练单元，用于基于该至少一组舒适制动状态信息和该至少一组紧急制动状态信息，对待训练神经网络模型进行训练，得到该指定神经网络模型。
其中，每组舒适制动状态信息包括但不限于：制动开始时的质量、质心、与路面的摩擦系数和速度、基于制动结束时的速度确定的目标制动速度、最大舒适制动力、制动时长和警示制动距离，该制动时长为舒适制动过程中的制动时长，该警示制动距离是指舒适制定过程中车辆的行驶距离；
其中，每组紧急制动状态信息包括但不限于：制动开始时的质量、质心、与路面的摩擦系数和速度、基于制动结束时的速度确定的目标制动速度和紧急制动距离，该紧急制动距离是指紧急制动过程中车辆的行驶距离。
可选地，该确定单元用于：
当该多组制动状态信息中的每组制动状态信息包括制动开始时的质量、质心、与路面的摩擦系数和速度、基于制动结束时的速度确定的目标制动速度、制动距离、制动时长、最大制动力、最大制动加速度参数和追尾信息时，从该多组制动状态信息中选择包括的追尾信息指示对应制动过程未发生追尾事故的制动状态信息；
当目标制动状态信息包括的最大制动力小于对应车辆能够达到的最大制动力，且所包括的最大制动加速度参数小于或等于该预设舒适度指标时，基于该目标状态信息包括的制动开始时的质量、质心、与路面的摩擦系数和速度、基于制动结束时的速度确定的目标制动速度、制动距离、制动时长和最大制动力，确定一组舒适制动状态信息，该目标制动状态信息为选择的任一组制动状态信息；
当目标制动状态信息包括的最大制动力为对应车辆能够达到的最大制动力时，基于该目标状态信息包括的制动开始时的质量、质心、与路面的摩擦系数和速度、基于制动结束时的速度确定的目标制动速度和制动距离，确定一组紧急制动状态信息。
可选地，该训练单元用于：
基于该至少一组舒适制动状态信息对该待训练神经网络模型包括的第一待训练神经网络子模型进行训练，得到该指定神经网络模型包括第一指定神经网络子模型，该第一待训练神经网络子模型是指能够基于舒适制动状态信息包括的制动开始时的质量、质心、与路面的摩擦系数和速度，以及基于制动结束时的速度确定的目标制动速度，得到最大舒适制动力、制动时长和警示制动距离的神经网络模型；
基于该至少一组紧急制动状态信息对该待训练神经网络模型包括的第二待训练神经网络子模型进行训练，得到该指定神经网络模型包括第二指定神经网络子模型，该第二待训练神经网络子模型是指能够基于紧急制动状态信息包括的制动开始时的质量、质心、与路面的摩擦系数和速度，以及基于制动结束时的速度确定的目标制动速度，得到紧急制动距离的神经网络模型。
可选地，该预设舒适度指标包括预设最大舒适制动加速度和预设最大舒适制动加加速度，制动加加速度是基于制动加速度对时间求导得到。
本发明实施例中，通过采集与目标车辆的车型相同的车辆在制动过程中的制动状态信息进行采集，并基于采集的多组制动状态信息对待训练神经网络模型进行训练，得到指定神经网络模型，然后将指定神经网络模型发送给目标车辆，可以使得在形式过程中根据本车的状态信息和前车的速度，通过接收的指定神经网络模型确定以前车的速度为目标制动速度的制动数据，并根据确定的制动数据、前车的速度以及本车与前车之间的距离，从存储的多个制动策略中选择目标制动策略进行制动。通过为目标车辆提供指定神经网络模型，保证了目标除了能够基于指定神经网络模型确定的制动数据，从存储的多个制动策略中选取合适的制动策略进行制动，提高了制动的精确度和灵活性，而且通过利用神经网络模型选择制动策略，进一步提高了选择的准确度和选择效率。
需要说明的是：上述实施例提供的触发智能网业务的装置在触发智能网业务时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的触发智能网业务的装置与触发智能网业务的方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意结合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如：同轴电缆、光纤、数据用户线(digitalsubscriberline，dsl))或无线(例如：红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如：软盘、硬盘、磁带)、光介质(例如：数字通用光盘(digitalversatiledisc，dvd))、或者半导体介质(例如：固态硬盘(solidstatedisk，ssd))等。
在另一实施例中，还提供了一种计算机可读存储介质，所述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图1f实施例所述的云端服务器执行的方法或者目标车辆执行的方法。
在另一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述图1f实施例所述的云端服务器执行的方法或者目标车辆执行的方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述为本申请提供的实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！