一种基于身份识别的车辆云自适应巡航控制系统及方法与流程

本发明涉及车辆智能控制技术领域，特别是涉及一种基于身份识别的车辆云自适应巡航控制系统及方法。

背景技术：

自适应巡航控制(acc)系统是一种智能化的自动控制系统，它可以自主调节车速来适应道路状况以减轻驾驶人的疲劳。在车辆行驶过程中，由车辆传感器(雷达)持续扫描车辆周围，根据自车驾驶数据与近车驾驶数据，对发动机发出加速信号或对轮胎进行制动。

目前的自适应巡航控制系统在实际应用中可以实现定速和定时距的巡航。但是这种较为基础的自适应巡航控制系统存在着一些问题：由于周边环境的影响，传感器采集的数据中存在着大量的失真；车辆服务商提供的acc方案一成不变，缺少人车之间的交互，不能照顾到驾驶人的驾驶习惯；即使是带有更新功能的acc系统，也仅仅使用单车数据，而且收集的数据时间跨度小，造成了大量有效驾驶数据的浪费。随着近年来在传感器技术、数据处理技术、云计算技术、控制算法研究等方面不断突破，已经可以对上述一些问题尝试解决。

专利车辆自适应巡航控制方法及装置，虽然同样都是针对使用acc系统的驾驶人的个体差异进行优化，但采用的技术思路和自学习算法完全不同。本专利所采用方法，无论国际和国内都没有相关仪器和装置采用。

本发明的目的是克服现有技术中单车数据不可靠、有效数据大量损失、人车交互差、不能适应驾驶人差异性的缺点，提供了一种基于驾驶人身份识别的智能车辆云自适应巡航控制系统。

技术实现要素：

为了解决上述问题，本发明提出了一种基于身份识别的车辆云自适应巡航控制系统及方法。

本发明系统的技术方案为一种基于身份识别的车辆云自适应巡航控制系统，车辆端部分主要起到客户端的作用，主要功能有身份识别、记录数据、用户互动、接受及发送信息、控制车辆运行方案，其特征在于，包括身份识别模块、触屏互动模块、前向传感器、后向传感器、车速传感器、油门及制动行程传感器、存储模块、5g传输模块、控制模块以及车辆云端服务器，模块之间的信息传递与功能连接均通过控制模块对其他模块发出控制指令来进行；

所述控制模块分别与所述的身份识别模块、触屏互动模块、前向传感器、后向传感器、车速传感器、油门及制动行程传感器、存储模块、5g传输模块通过导线依次连接；所述5g传输模块与所述车辆云端服务器通过无线通信方式连接；

作为优选，所述身份识别模块用于采集驾驶人的指纹信息作为唯一识别码，通过指纹识别来识别驾驶人的身份，将唯一识别码传输至所述控制模块。

作为优选，所述触屏互动模块用于选择使用不同的自适应巡航控制方案或关闭自适应巡航控制模式；

作为优选，所述前向传感器分为左前向传感器和右前向传感器，采用2个毫米波雷达，距车辆中轴线0.5m对称安装于车头。左、右2个前向传感器将同时采集2组前向车辆车速、前向车辆加速度、与前向车辆相对位置的数据数据,并将这2组数据传输至所述控制模块进行信息融合处理；

其中，左前向传感器在t时刻采集的前向车辆车速、前向车辆加速度、与前向车辆相对位置的数据记为vfl,t、afl,t、xfl,t。右前向传感器在t时刻采集的前向车辆车速、前向车辆加速度、与前向车辆相对位置的数据记为vfr,t、afr,t、xfr,t；

作为优选，所述后向传感器分为左后向传感器和右后向传感器，采用2个毫米波雷达，距车辆中轴线0.5m对称安装于车后。左、右2个后向传感器将同时采集两组后向车辆车速、后向车辆加速度、与后向车辆相对位置的数据，并将这2组后向传感器数据传输至所述控制模块进行信息融合处理；

其中，左后向传感器在t时刻采集的后向车辆车速、后向车辆加速度、与后向车辆相对位置的数据记为vbl,t、abl,t、xbl,t。右后向传感器在t时刻采集的后向车辆车速、后向车辆加速度、与后向车辆相对位置的数据记为vbr,t、abr,t、xbr,t；

作为优选，所述车速传感器用于采用磁电式传感器，采集本车速度、本车加速度，并将本车速度、本车加速度传输至所述控制模块处理；

作为优选，所述油门及制动行程传感器用于采用位移式传感器，采集车辆油门踏板行程与制动踏板的行程，并将车辆油门及制动踏板的行程传输至所述控制模块处理；

作为优选，所述存储模块预存现有车辆的车型代码，并用于过渡性存储下列数据：所述身份识别模块采集的唯一识别码，所述左前向传感器采集的前向车辆车速vfl,t、前向车辆加速度afl,t、前向车辆相对位置数据xfl,t，所述右前向传感器采集的前向车辆车速vfr,t、前向车辆加速度afr,t、前向车辆相对位置数据xfr,t，后述控制模块融合为1组的前向车辆车速、前向车辆加速度、与前向车辆相对位置数据，所述左后向传感器采集的后向车辆车速vbl,t、后向车辆加速度abl,t、与后向车辆相对位置数据xbl,t，所述右后向传感器采集的后向车辆车速vbr,t、后向车辆加速度abr,t、与后向车辆相对位置数据xbr,t，后述控制模块融合为1组的前向车辆车速、前向车辆加速度、与前向车辆相对位置数据，所述车速传感器采集数据即本车速度、本车加速度，所述油门及制动行程传感器采集数据即车辆油门踏板行程与制动踏板的行程，以及各传感器采集数据时由控制模块所附加的对应的时间信息；

作为优选，所述控制模块将：

执行系统的计时功能。为了确保数据的时间顺序，信息采集模块的各传感器所采集到的每一时刻的数据都会由控制模块附加上当前的时间信息(时间戳)。

而且每隔一段时间车辆端会与车辆云端自动对时，保证所有车辆端与云端的时间一致；

将所述左前向传感器采集的前向车辆车速vfl,t、前向车辆加速度afl,t、前向车辆相对位置数据xfl,t、所述右前向传感器采集的前向车辆车速vfr,t、前向车辆加速度afr,t、前向车辆相对位置数据xfr,t，通过控制模块融合为1组的前向车辆车速、前向车辆加速度、与前向车辆相对位置数据，记为vf、af、xf；

将所述左后向传感器采集的后向车辆车速vbl,t、后向车辆加速度abl,t、与后向车辆相对位置数据xbl,t，所述右后向传感器采集的后向车辆车速vbr,t、后向车辆加速度abr,t、与后向车辆相对位置数据xbr,t，后述控制模块融合为1组的前向车辆车速、前向车辆加速度、与前向车辆相对位置数据，记为vb、ab、xb；

将信息融合后的前向传感器采集数据(前述vf、af、xf)，车速传感器采集数据(本车速度、本车加速度)，油门及制动行程传感器采集数据(车辆油门踏板行程与制动踏板的行程)，以及各传感器采集数据时由控制模块记录的对应时间信息打包进驾驶数据集。

将信息融合后的后向传感器采集数据(前述vb、ab、xb)与用于执行后向安全判断。

将存储模块中的现有车辆的车型代码、所述身份识别模块采集的唯一识别码，及前述驾驶数据集中数据传输至所述存储模块以及所述5g传输模块；

控制模块将执行一种前置方法完成上述硬件描述中所提到的的功能：对将传感器采集数据的预处理即信息融合与数据筛选，处理后的数据即唯一识别码、车型代号、驾驶数据集传输至云端，后向传感器融合数据用于在车辆端执行后方安全判断功能。

步骤1：控制模块通过信息融合方法对传感器采集的数据进行融合；

步骤2：控制模块对融合后数据进行筛选和打包，然后通过5g无线传输模块融合后数据传输至云端，创建一个唯一识别码，车型代码及驾驶数据集的集合；

步骤3：云端acc方案创建及更新方法第一阶段即强化学习算法，在安全距离控制方案a0的基础上，使用驾驶人实车数据集展开强化学习，使安全距离控制方案最终迭代成为符合群体驾驶人习惯的自适应巡航控制方案即通用自适应巡航控制方案a1；

步骤4：云端acc方案创建及更新方法第二阶段即循环神经网络算法，收集一段时间内个体驾驶人使用方案a1或a2的时间序列驾驶数据集w，对所收集的数据按照时间顺序输入到云端的循环神经网络中，经过多个隐含层的迭代后得到符合个体驾驶人习惯的个性化定制自适应巡航控制方案即定制方案a2；在使用一段时间的方案a2后可以对其进行更新，更新后的方案a2’通过对油门/制动踏板行程优化率这一反馈参数进行检验。

作为优选，步骤1中所述的信息融合方法为：

通过信息融合方法把左前向传感器采集的vbl,t、abl,t、xbl,t与右前向传感器采集的vbr,t、abr,t、xbr,t融合为一组前向车辆车速vf,t、前向车辆加速度af,t、前向车辆相对位置数据xf,t。可以把所有时刻的前向车辆车速、前向车辆加速度、前向车辆相对位置数据记为vf、af、xf。

同理，通过信息融合方法把左后向传感器采集的vbl,t、abl,t、xbl,t与右后向传感器采集的vbr,t、abr,t、xbr,t融合为一组后向车辆车速vb,t、后向车辆加速度ab,t、后向车辆相对位置数据xb,t。可以把所有时刻的后向车辆车速、后向车辆加速度、后向车辆相对位置数据记为vb、ab、xb。

其他传感器采集的数据无需信息融合。可以把所有时刻的车速传感器采集数据后述本车速度、本车加速度记为vr,ar，油门及制动行程传感器采集数据车辆油门踏板行程与制动踏板的行程记为l,l’，各传感器采集数据时由控制模块记录的对应时间信息记为t；

上述传感器数据暂时存储于存储模块；

以2组前向车速数据vfl,t与vfr,t为例，前述信息融合(将vfl,t与vfr,t融合为vf,t)的具体过程如下：

记2个毫米波雷达在t时刻记录的2个前向车速为vfl,t,vfr,t，融合后的前向车速数据为vf,t。

则有，若vfr,t∈[0.99vfl,t1.01vfl,t]，则令vf,t＝(vfl,t+vfr,t)/2并输出vf,t；若vfr,t不在[0.99vfl,t1.01vfl,t]区间内，则将这一时刻的vfl,t与vfr,t数据作废，在0.1s后再收集vfl,t+0.1与vfr,t+0.1数据重新执行这一信息融合方法。

通过这一信息融合的具体过程可以将前向传感器采集的2组数据融合为1组前向车辆车速vf,t、前向车辆加速度af,t、前向车辆相对位置xf,t；将后向传感器采集的2组数据融合为1组后向车辆车速vb,t、后向车辆加速度xb,t、与后向车辆相对位置xb,t。

作为优选，步骤2中所述对融合后数据进行筛选和打包为：

将所述后向传感器所采集并融合的后车相对距离xb、后车速度vb、后车加速度ab筛选出来，这些数据用于对车辆的后方安全判断，这些数据不会上传到云端，只在车辆端进行处理；

剩余的传感器数据(前向传感器采集并融合的前向车辆车速vf,t、前向车辆加速度af,t、前向车辆相对位置xf,t，车速传感器采集的本车速度、本车加速度，油门及制动行程传感器采集的车辆油门踏板行程l、制动踏板的行程l’，采集传感器数据时控制模块记录的时间信息t)打包为驾驶数据集，这些传感器数据在驾驶数据集被打包为三个部分：工况数据，操作数据与时间数据；

工况数据包括由左、右前向传感器数据融合后的前车相对距离xf、前车速度vf、前车加速度af；

操作数据包括由所述车速传感器采集的本车加速度ar，所述油门及制动踏板行程传感器采集的油门踏板行程l与制动踏板行程l’；

时间数据，即所述信息采集模块在采集一组工况数据与操作数据的组合时由控制模块所实时记录的时间信息时间戳t，采集数据的时间间隔为0.1s量级，而且每隔一段时间车辆端会与车辆云端自动对时，保证所有车辆端与云端的时间一致。

步骤2中所述的后方安全判断方法描述如下：

车辆端的控制模块使用后车速度vb、后车加速度ab与本车速度vr加速度ar执行后方安全判断。驾驶员反应时间为ts，

当

系统会暂时停止减速操作，并提示驾驶员注意准备接管车辆。

所述5g传输模块用于将现有车辆的车型代码、所述身份识别模块采集的唯一识别码，以及上述驾驶数据集中的所有数据(前述所有时刻的vf、af、xf，vr、ar，l、l’与时间信息t)，在大于28ghz的超高频段下以大于1gbps的速度实时传输至所述车辆云端服务器；

车辆端的5g信息传输模块采用的5g终端芯片，可以通过与5g基站的信号交换实现数据的高速传输；

车辆云端服务器，是由汽车服务商所建立的云服务器，提供云存储和云计算的功能，包括数据仓库和数据加工平台，并在数据仓库中依据唯一识别码建立该驾驶人的驾驶档案，驾驶档案中储存所述5g传输模块所上传的唯一识别码，车型代码及驾驶数据集(驾驶数据集在控制模块方法部分已有详细叙述)；

车辆云端可以会实时同步车辆端产生的驾驶数据，并根据唯一识别码和车型代码；

然后车辆云端服务器将基于该驾驶人驾驶档案中的驾驶数据集运行一种两阶段步骤3和步骤4的方法对自适应巡航控制方案进行创建及更新；

作为优选，步骤3中所述驾驶人实车数据集：

在一种车辆a尚未出厂的系统实验运营阶段，需要随机招募大量司机驾驶驾驶a型车辆进行实车实验；将实车试验得到的所有被招募司机驾驶档案中的驾驶数据集提取出来，去掉唯一识别码数据后合并成一个数据集，称为a型车驾驶人实车数据集，记为va。因为后述算法与车型无关，故后述的驾驶人实车数据集的代号忽略车型下标，记为v；合并后的数据集v中的驾驶数据共有n组，可记为v1,v2,…,vn。为了表示驾驶人实车数据集中每一组驾驶数据，将驾驶人实车数据集第i组驾驶数据记为vi，i∈[1,n]；

第i组驾驶数据vi由工况数据ci、操作数据mi、时间数据ti与反馈信号si(反馈信号为后述强化学习算法的一个参数，在后述强化学习算法中给出详述)组成，记为vi＝{ci,mi,ti,si}。

工况数据ci包括：由所述前向传感器采集的前车相对距离、前车速度、前车加速度，依次记为xfi、vfi、afi；由所述车速传感器采集的本车速度，记为vri。于是工况数据可以表示为ci＝{xfi,vfi,afi,vri}。

操作数据mi包括由所述车速传感器采集的本车加速度，记为ari；由所述油门及制动踏板行程传感器采集的油门踏板行程与制动踏板行程，依次记为li与li’。于是操作数据可以表示为mi＝{ari,li,li’}。

时间数据ti即所述信息采集模块在采集一组工况数据与操作数据的组合时所实时记录的时间信息ti。

反馈信号si为后述强化学习算法的一个参数，任意si的初始值均为1，在后述强化学习算法中，通过迭代过程中的自适应巡航控制方案输出的操作数据的与驾驶人实车数据集中相同工况下的操作数据进行比对与处理后，对si的值进行调整，在下一次迭代时，将会更准确；

但实际上，上述定义的某些数据在第一阶段的算法中暂时使用不到，为了数据集介绍的完整性，也加入了进去，具体使用的数据以后述算法流程为准。

方案a0可以采用安全距离控制方案，在输入一组工况数据ci后，通过计算即可输出一组操作数据mi；

步骤3中所述方案a0的具体描述如下：

车辆服务商将根据不同车型预设期望距离dd、前向安全距离ds，期望速度vd。安全距离ds是保证车辆在紧急情况下制动不会撞到前车的距离；期望距离dd是除安全距离外，车辆做出使驾驶人感到较为舒服的制动或加速操作所需的距离；期望速度vd为根据车辆正在行驶的道路的限速和路况所设定的。

如果在安全距离加期望距离ds+dd内没有前车(由所述前向传感器所测得的前车相对距离xfi<ds+dd)，或虽然有前车但前车速度vf比本车速度vr快(vf>vr)，那么系统将本车加速至期望速度vd；在加速过程中，本车加速度ar＝k,k为一符合发动机动力及驾驶员感受的标定常数加速度；

如果安全距离加期望距离ds+dd内有前车(xfi>ds+dd)且前车速度vf比本车速度vr慢(vf<vr)，那么系统将会减速，以保证两车距离大于安全距离(xfi>ds)，在理想状态下，本车速度vr与前车速度vf保持近似一致(vr≈vf)；

本车速度vr及加速度ar将遵循如下公式实时变化：

e(t)＝d(t)-dd+ds

其中，d(t)为两车的实时车距，dd为期望距离，ds为安全距离，vr为本车速度，kp,ki分别为比例常数和积分常数，对于不同的车辆需要重新标定。

此外，在方案a0中，因为理想状态下vr≈vf，所以驾驶员无需对油门及制动踏板进行操作，所以始终有l＝0，l’＝0；

步骤3中所述强化学习算法与方案a1为：

该强化学习算法的目的是利用驾驶人实车数据集中的驾驶数据vi对方案a0进行迭代，迭代的结果是使方案a0变为方案a1；运行过程如下：

步骤3.1，在第1组至第n组驾驶数据v1,v2,…,vn中任取一组对应的强化反馈信号si绝对值最大的驾驶数据vi，vi＝{ci,mi,ti,si}，其中ci＝{xfi,vfi,afi,vri}，mi＝{ari,li,li’}；

步骤3.2，令c0i＝ci，在方案a0中输入c0i＝{xf0j,vf0j,af0j,vr0j}，a0会输出一组对应的m0i＝{ar0i,l0i,l0i’}，并令t0i＝ti；

步骤3.3，在第1至第n组驾驶数据v1,v2…vi…vn中寻找符合约束条件s.t.的多组数据vi1,…vij,…,vin(j∈[1,n],n<n)，这里vij＝{cij,mij,tij,sij}，cij＝{xfij,vfij,afij,vrij}，mij＝{arij,lij,lij’}。约束条件s.t.为0.95ar0i<arij<1.05ar0i；

步骤3.4，对寻找到的多组数据vi1,…vij,…,vin中(必含有vi)的ci1,…cij,…,cin进行多维正态分布拟合，得到一个符合多维正态分布的随机变量xi，并求得概率pi＝p(xi<ci)；

步骤3.5，令强化反馈信号si＝0.5–pi，ar0i＝(1+si)*ar0i

步骤3.6，令l0i＝(1/n)*σlij，l0i’＝(1/n)*σlij’，于是就可以得到方案a0修正一次后的一组输入值c0i和输出值m0i；

步骤3.7，重复过程步骤3.1-步骤3.6，直至全部组的驾驶数据v1,v2…,vn中的si均接近于0并无法减少，此时的方案a0已经完全迭代为通用acc方案a1。在方案a1中，输入一个c1i＝{xf1j,vf1j,af1j,vr1j}，即可输出一个随时间t1i变化的m1i＝{ar1j,l1j,l1j’}。

作为优选，步骤4中所述云端acc方案创建及更新方法第二阶段为：

步骤4.1个人驾驶数据采样不足的驾驶人，需要先使用一段时间(至少为30天)的方案a1，才可以创建属于更符合个人驾驶习惯的定制自适应巡航控制方案a2。个体驾驶人使用方案a1的驾驶数据仍由对应传感器收集，具体过程在后文中详述。

先介绍时间序列个人驾驶数据集w，包括工况数据c、操作数据m与时间数据t，w＝{m,c,t}，不同驾驶员的个人数据集w与其唯一识别码一一对应，w中的驾驶数据共有k组，可记为w1,w2,…,wk，为了表示每一组驾驶数据，将驾驶人实车数据集第i组驾驶数据记为wi，i∈[1,n]，wi＝{ci,mi,ti}，第1至第k组数据可以记作w1,…,wi,…,wk；

ci,mi,ti的定义与收集方式与第一阶段中的定义相同，下面再重复一遍，与前面不同的是wi转化成为时间序列数据的形式，并按照ti的顺寻排列。；

工况数据ci包括：由所述前向传感器采集的前车相对距离、前车速度、前车加速度，依次记为xfi、vfi、afi；由所述后向传感器采集的后车相对距离、后车速度、后车加速度，依次记为xbi、vbi、abi；由所述车速传感器采集的本车速度，记为vri。于是工况数据可以表示为ci＝{xfi,vfi,afi,vri}。

操作数据mi包括由所述车速传感器采集的本车加速度，记为ari；由所述油门及制动踏板行程传感器采集的油门踏板行程与制动踏板行程，依次记为li与li’。于是操作数据可以表示为mi＝{ari,li,li’}。

时间数据ti即所述信息采集模块在采集一组工况数据与操作数据的组合时所实时记录的时间信息ti。

步骤4.2，再介绍创建定制方案a2的过程：创建定制方案a2的运行框图如图4所示，将时间序列数据wi按照时间序列分为30份，时间顺序最早的为wi1，依次记为wi1,…wij,…,wi30(j∈[1,30])，wi1,…wij,…,wi30作为该网络的训练集，依次输入30个隐含层中，并以交叉熵误差函数作为隐含层的优化目标函数；

从输入层1将wi1输入隐含层1进行训练，得到优化后的工况数据ci与操作数据mi的映射f1；

将训练后的f1与wi2输入隐含层2进行训练，得到优化后的工况数据ci与操作数据mi的映射f2；

依次类推，将训练后的f29与wi30输入隐含层30进行训练，得到优化后的工况数据ci与操作数据mi的映射f30。可以记为f30:ci→mi，实质上是对驾驶人在不同工况下加速以及刹车行为的预测，从而得到定制方案a2；

个体驾驶人使用方案a2后，系统会继续收集个人驾驶数据；收集的新数据会进入rnn自学习算法中，代替旧的数据，使个人驾驶数据集会始终保持最近30天的驾驶数据w1,…wi,…wk，从而达到更新方案方案a2的目的；

步骤4.3，最后介绍更新方案方案a2的方法；为了介绍利用反馈参数更新方案a2的过程(如图5)，不妨设更新后的方案为a2’，使用a2’收集的个人驾驶数据可以记为w1,…wi’,…wk，k为使用a2’后收集的个人驾驶数据组数。wi’＝{ci’,mi’,ti’}，ci＝{xfi’,vfi’,afi’,vri’}，mi＝{ari’,li”,li”’}，需要注意的是，使用方案a2后的的油门踏板行程li与制动踏板行程li’；使用方案a2’后的的油门踏板行程li”与制动踏板行程li”’。

车辆云端将使用所述wi中的li，li’与使用更新方案a2’后wi’中的li”与li”’用以计算反馈参数油门(制动)踏板行程优化率ra’(rd')；

计算公式为

r′a＝∑l″i/∑li

r′b＝∑l″′i//∑l′i

依此类推，车辆云端上一次将方案更新为a2时的反馈参数油门(制动)踏板行程优化率ra(rd)也是如此计算的；

通过比较新方案a2’的ra’(rd’)与旧方案a2的ra(rd)，从而确定旧方案a2或新方案a2’哪个更优，从而决定是否将a2更新为a2’；

通过检验的定制acc方案a2’将通过5g信息传输模块被推送回车辆端，驾驶人通过交互模块进行调用；

此外，驾驶人可以随时通过触屏交互模块进行评价与反馈，评价与反馈也会通过5g无线传输模块上传到车辆云中的意见区，供其他车主参考以及车辆服务商改进服务。

本发明优点在于，通过建立车辆云，大量车辆端与云端相连，将主要的方案更新工作置于云端进行，大大提高了数据利用率和acc方案的可靠度，降低了单车成本；通过建立驾驶人实车数据集并通过强化学习算法形成通用acc方案，更为符合人的驾驶意图，准确率高；通过在通用acc方案基础上使用驾驶人个体数据的rnn自学习方法形成的acc方案，提高了人车的交互性与对不同驾驶员的适应性；通过后续数据对定制acc方案的不断更新，可以使这一系统始终符合驾驶员的习惯。

附图说明

图1：为车辆云自适应巡航控制系统结构示意图；

图2：为云端示意图；

图3：为强化学习算法框图；

图4：为rnn自学习算法框图；

图5：为定制acc方案更新流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明具体实施系统采用的技术方案是一种基于身份识别的车辆云自适应巡航控制系统，该系统包括：身份识别模块、触屏互动模块、前向传感器、后向传感器、车速传感器、油门及制动行程传感器、存储模块、5g传输模块、控制模块以及车辆云端服务器，模块之间的信息传递与功能连接均通过控制模块对其他模块发出控制指令来进行；

所述控制模块分别与所述的身份识别模块、触屏互动模块、前向传感器、后向传感器、车速传感器、油门及制动行程传感器、存储模块、5g传输模块通过导线依次连接；所述5g传输模块与所述车辆云端服务器通过无线通信方式连接；

所述身份识别模块用于采集驾驶人的指纹信息作为唯一识别码，通过指纹识别来识别驾驶人的身份，将唯一识别码传输至所述控制模块。

所述触屏互动模块用于选择使用不同的自适应巡航控制方案或关闭自适应巡航控制模式；

所述前向传感器分为左前向传感器和右前向传感器，采用2个毫米波雷达，距车辆中轴线0.5m对称安装于车头。左、右2个前向传感器将同时采集2组前向车辆车速、前向车辆加速度、与前向车辆相对位置的数据数据,并将这2组数据传输至所述控制模块进行信息融合处理；

其中，左前向传感器在t时刻采集的前向车辆车速、前向车辆加速度、与前向车辆相对位置的数据记为vfl,t、afl,t、xfl,t。右前向传感器在t时刻采集的前向车辆车速、前向车辆加速度、与前向车辆相对位置的数据记为vfr,t、afr,t、xfr,t；

所述后向传感器分为左后向传感器和右后向传感器，采用2个毫米波雷达，距车辆中轴线0.5m对称安装于车后。左、右2个后向传感器将同时采集两组后向车辆车速、后向车辆加速度、与后向车辆相对位置的数据，并将这2组后向传感器数据传输至所述控制模块进行信息融合处理；

其中，左后向传感器在t时刻采集的后向车辆车速、后向车辆加速度、与后向车辆相对位置的数据记为vbl,t、abl,t、xbl,t。右后向传感器在t时刻采集的后向车辆车速、后向车辆加速度、与后向车辆相对位置的数据记为vbr,t、abr,t、xbr,t；

所述车速传感器用于采用磁电式传感器，采集本车速度、本车加速度，并将本车速度、本车加速度传输至所述控制模块处理；

所述油门及制动行程传感器用于采用位移式传感器，采集车辆油门踏板行程与制动踏板的行程，并将车辆油门及制动踏板的行程传输至所述控制模块处理；

所述存储模块预存现有车辆的车型代码，并用于过渡性存储下列数据：所述身份识别模块采集的唯一识别码，所述左前向传感器采集的前向车辆车速vfl,t、前向车辆加速度afl,t、前向车辆相对位置数据xfl,t，所述右前向传感器采集的前向车辆车速vfr,t、前向车辆加速度afr,t、前向车辆相对位置数据xfr,t，后述控制模块融合为1组的前向车辆车速、前向车辆加速度、与前向车辆相对位置数据，所述左后向传感器采集的后向车辆车速vbl,t、后向车辆加速度abl,t、与后向车辆相对位置数据xbl,t，所述右后向传感器采集的后向车辆车速vbr,t、后向车辆加速度abr,t、与后向车辆相对位置数据xbr,t，后述控制模块融合为1组的前向车辆车速、前向车辆加速度、与前向车辆相对位置数据，所述车速传感器采集数据即本车速度、本车加速度，所述油门及制动行程传感器采集数据即车辆油门踏板行程与制动踏板的行程，以及各传感器采集数据时由控制模块所附加的对应的时间信息；

作为优选，所述控制模块执行系统的计时功能。为了确保数据的时间顺序，信息采集模块的各传感器所采集到的每一时刻的数据都会由控制模块附加上当前的时间信息(时间戳)。

而且每隔一段时间车辆端会与车辆云端自动对时，保证所有车辆端与云端的时间一致；

将所述左前向传感器采集的前向车辆车速vfl,t、前向车辆加速度afl,t、前向车辆相对位置数据xfl,t、所述右前向传感器采集的前向车辆车速vfr,t、前向车辆加速度afr,t、前向车辆相对位置数据xfr,t，通过控制模块融合为1组的前向车辆车速、前向车辆加速度、与前向车辆相对位置数据，记为vf、af、xf；

将所述左后向传感器采集的后向车辆车速vbl,t、后向车辆加速度abl,t、与后向车辆相对位置数据xbl,t，所述右后向传感器采集的后向车辆车速vbr,t、后向车辆加速度abr,t、与后向车辆相对位置数据xbr,t，后述控制模块融合为1组的前向车辆车速、前向车辆加速度、与前向车辆相对位置数据，记为vb、ab、xb；

将信息融合后的前向传感器采集数据(前述vf、af、xf)，车速传感器采集数据(本车速度、本车加速度)，油门及制动行程传感器采集数据(车辆油门踏板行程与制动踏板的行程)，以及各传感器采集数据时由控制模块记录的对应时间信息打包进驾驶数据集。

将信息融合后的后向传感器采集数据(前述vb、ab、xb)与用于执行后向安全判断。

将存储模块中的现有车辆的车型代码、所述身份识别模块采集的唯一识别码，及前述驾驶数据集中数据传输至所述存储模块以及所述5g传输模块；

控制模块将执行一种前置方法完成上述硬件描述中所提到的的功能：对将传感器采集数据的预处理即信息融合与数据筛选，处理后的数据即唯一识别码、车型代号、驾驶数据集传输至云端，后向传感器融合数据用于在车辆端执行后方安全判断功能。

其中，车辆端部分，所述控制模块6可以使用nvidia的drivexaiver车载芯片；所述身份识别模块2选型为中控智慧的生物识别采集器产品系列中的半导体指纹模块live32m；所述触屏互动模块1选型为京东方的tft-lcd触摸屏；所述前向传感器32前向传感器分为左前向传感器和右前向传感器，采用2个77ghz毫米波雷达，距车辆中轴线0.5m对称安装于车头；所述后向传感器33分为左后向传感器和右后向传感器，采用2个24ghz毫米波雷达，距车辆中轴线0.5m对称安装于车后；所述车速传感器用于采用磁电式传感器，安装在汽车的变速器内；所述油门及制动行程传感器用于采用位移式传感器，安装在油门及制动踏板上；所述控制模块为车载电脑通过can总线连接到其他各个模块，车载电脑的功能通过将各种操作转化为电信号指令来实现；所述5g传输模块采用的5g终端芯片，可以通过与5g基站的信号交换实现数据的高速传输。5g传输模块5中的5g芯片推荐使用华为巴龙5000芯片。

云端服务器部分，将依托阿里云提供的数据仓库云服务和maxcompute云服务进行建立。数据仓库服务，可以从各种源头业务系统中把数据统一采集到数据仓库中，在统一的基础平台上对数据进行加工。maxcompute服务，向用户提供了完善的数据导入方案以及多种经典的分布式计算模型，能够更快速的解决用户海量数据计算问题。

下面结合图1至图5介绍本发明的具体实施方式为：

步骤1：控制模块通过信息融合方法对传感器采集的数据进行融合；

步骤1中所述的信息融合方法为：

通过信息融合方法把左前向传感器采集的vbl,t、abl,t、xbl,t与右前向传感器采集的vbr,t、abr,t、xbr,t融合为一组前向车辆车速vf,t、前向车辆加速度af,t、前向车辆相对位置数据xf,t。可以把所有时刻的前向车辆车速、前向车辆加速度、前向车辆相对位置数据记为vf、af、xf。

同理，通过信息融合方法把左后向传感器采集的vbl,t、abl,t、xbl,t与右后向传感器采集的vbr,t、abr,t、xbr,t融合为一组后向车辆车速vb,t、后向车辆加速度ab,t、后向车辆相对位置数据xb,t。可以把所有时刻的后向车辆车速、后向车辆加速度、后向车辆相对位置数据记为vb、ab、xb。

其他传感器采集的数据无需信息融合。可以把所有时刻的车速传感器采集数据后述本车速度、本车加速度记为vr,ar，油门及制动行程传感器采集数据车辆油门踏板行程与制动踏板的行程记为l,l’，各传感器采集数据时由控制模块记录的对应时间信息记为t；

上述传感器数据暂时存储于存储模块；

以2组前向车速数据vfl,t与vfr,t为例，前述信息融合(将vfl,t与vfr,t融合为vf,t)的具体过程如下：

记2个毫米波雷达在t时刻记录的2个前向车速为vfl,t,vfr,t，融合后的前向车速数据为vf,t。

则有，若vfr,t∈[0.99vfl,t1.01vfl,t]，则令vf,t＝(vfl,t+vfr,t)/2并输出vf,t；若vfr,t不在[0.99vfl,t1.01vfl,t]区间内，则将这一时刻的vfl,t与vfr,t数据作废，在0.1s后再收集vfl,t+0.1与vfr,t+0.1数据重新执行这一信息融合方法。

通过这一信息融合的具体过程可以将前向传感器采集的2组数据融合为1组前向车辆车速vf,t、前向车辆加速度af,t、前向车辆相对位置xf,t；将后向传感器采集的2组数据融合为1组后向车辆车速vb,t、后向车辆加速度xb,t、与后向车辆相对位置xb,t。

步骤2：控制模块对融合后数据进行筛选和打包，然后通过5g无线传输模块融合后数据传输至云端，创建一个唯一识别码，车型代码及驾驶数据集的集合；

步骤2中所述对融合后数据进行筛选和打包为：

将所述后向传感器所采集并融合的后车相对距离xb、后车速度vb、后车加速度ab筛选出来，这些数据用于对车辆的后方安全判断，这些数据不会上传到云端，只在车辆端进行处理；

剩余的传感器数据(前向传感器采集并融合的前向车辆车速vf,t、前向车辆加速度af,t、前向车辆相对位置xf,t，车速传感器采集的本车速度、本车加速度，油门及制动行程传感器采集的车辆油门踏板行程l、制动踏板的行程l’，采集传感器数据时控制模块记录的时间信息t)打包为驾驶数据集，这些传感器数据在驾驶数据集被打包为三个部分：工况数据，操作数据与时间数据；

工况数据包括由左、右前向传感器数据融合后的前车相对距离xf、前车速度vf、前车加速度af；

操作数据包括由所述车速传感器采集的本车加速度ar，所述油门及制动踏板行程传感器采集的油门踏板行程l与制动踏板行程l’；

时间数据，即所述信息采集模块在采集一组工况数据与操作数据的组合时由控制模块所实时记录的时间信息时间戳t，采集数据的时间间隔为0.1s量级，而且每隔一段时间车辆端会与车辆云端自动对时，保证所有车辆端与云端的时间一致。

步骤2中所述的后方安全判断方法描述如下：

车辆端的控制模块使用后车速度vb、后车加速度ab与本车速度vr加速度ar执行后方安全判断。驾驶员反应时间为ts，

当

系统会暂时停止减速操作，并提示驾驶员注意准备接管车辆。

所述5g传输模块用于将现有车辆的车型代码、所述身份识别模块采集的唯一识别码，以及上述驾驶数据集中的所有数据(前述所有时刻的vf、af、xf，vr、ar，l、l’与时间信息t)，在大于28ghz的超高频段下以大于1gbps的速度实时传输至所述车辆云端服务器；

车辆端的5g信息传输模块采用的5g终端芯片，可以通过与5g基站的信号交换实现数据的高速传输；

车辆云端服务器，是由汽车服务商所建立的云服务器，提供云存储和云计算的功能，包括数据仓库和数据加工平台，并在数据仓库中依据唯一识别码建立该驾驶人的驾驶档案，驾驶档案中储存所述5g传输模块所上传的唯一识别码，车型代码及驾驶数据集(驾驶数据集在控制模块方法部分已有详细叙述)；

车辆云端可以会实时同步车辆端产生的驾驶数据，并根据唯一识别码和车型代码；

然后车辆云端服务器将基于该驾驶人驾驶档案中的驾驶数据集运行一种两阶段步骤3和步骤4的方法对自适应巡航控制方案进行创建及更新；

步骤3：云端acc方案创建及更新方法第一阶段即强化学习算法，在安全距离控制方案a0的基础上，使用驾驶人实车数据集展开强化学习，使安全距离控制方案最终迭代成为符合群体驾驶人习惯的自适应巡航控制方案即通用自适应巡航控制方案a1；

步骤3中所述驾驶人实车数据集：

在一种车辆a尚未出厂的系统实验运营阶段，需要随机招募大量司机驾驶驾驶a型车辆进行实车实验；将实车试验得到的所有被招募司机驾驶档案中的驾驶数据集提取出来，去掉唯一识别码数据后合并成一个数据集，称为a型车驾驶人实车数据集，记为va。因为后述算法与车型无关，故后述的驾驶人实车数据集的代号忽略车型下标，记为v；合并后的数据集v中的驾驶数据共有n组，可记为v1,v2,…,vn。为了表示驾驶人实车数据集中每一组驾驶数据，将驾驶人实车数据集第i组驾驶数据记为vi，i∈[1,n]；

第i组驾驶数据vi由工况数据ci、操作数据mi、时间数据ti与反馈信号si(反馈信号为后述强化学习算法的一个参数，在后述强化学习算法中给出详述)组成，记为vi＝{ci,mi,ti,si}。

工况数据ci包括：由所述前向传感器采集的前车相对距离、前车速度、前车加速度，依次记为xfi、vfi、afi；由所述车速传感器采集的本车速度，记为vri。于是工况数据可以表示为ci＝{xfi,vfi,afi,vri}。

操作数据mi包括由所述车速传感器采集的本车加速度，记为ari；由所述油门及制动踏板行程传感器采集的油门踏板行程与制动踏板行程，依次记为li与li’。于是操作数据可以表示为mi＝{ari,li,li’}。

时间数据ti即所述信息采集模块在采集一组工况数据与操作数据的组合时所实时记录的时间信息ti。

反馈信号si为后述强化学习算法的一个参数，任意si的初始值均为1，在后述强化学习算法中，通过迭代过程中的自适应巡航控制方案输出的操作数据的与驾驶人实车数据集中相同工况下的操作数据进行比对与处理后，对si的值进行调整，在下一次迭代时，将会更准确；

但实际上，上述定义的某些数据在第一阶段的算法中暂时使用不到，为了数据集介绍的完整性，也加入了进去，具体使用的数据以后述算法流程为准。

方案a0可以采用安全距离控制方案，在输入一组工况数据ci后，通过计算即可输出一组操作数据mi；

步骤3中所述方案a0的具体描述如下：

车辆服务商将根据不同车型预设期望距离dd、前向安全距离ds，期望速度vd。安全距离ds是保证车辆在紧急情况下制动不会撞到前车的距离；期望距离dd是除安全距离外，车辆做出使驾驶人感到较为舒服的制动或加速操作所需的距离；期望速度vd为根据车辆正在行驶的道路的限速和路况所设定的。

如果在安全距离加期望距离ds+dd内没有前车(由所述前向传感器所测得的前车相对距离xfi＜ds+dd)，或虽然有前车但前车速度vf比本车速度vr快(vf＞vr)，那么系统将本车加速至期望速度vd；在加速过程中，本车加速度ar＝k，k为一符合发动机动力及驾驶员感受的标定常数加速度；

如果安全距离加期望距离ds+dd内有前车(xfi＞ds+dd)且前车速度vf比本车速度vr慢(vf＜vr)，那么系统将会减速，以保证两车距离大于安全距离(xfi＞ds)，在理想状态下，本车速度vr与前车速度vf保持近似一致(vr≈vf)；

本车速度vr及加速度ar将遵循如下公式实时变化：

e(t)＝d(t)-dd+ds

其中，d(t)为两车的实时车距，dd为期望距离，ds为安全距离，vr为本车速度，kp，ki分别为比例常数和积分常数，对于不同的车辆需要重新标定。

此外，在方案a0中，因为理想状态下vr≈vf，所以驾驶员无需对油门及制动踏板进行操作，所以始终有l＝0，l’＝0；

步骤3中所述强化学习算法与方案a1为：

该强化学习算法的目的是利用驾驶人实车数据集中的驾驶数据vi对方案a0进行迭代，迭代的结果是使方案a0变为方案a1；运行过程如下：

步骤3.1，在第1组至第n组驾驶数据v1，v2，...，vn中任取一组对应的强化反馈信号si绝对值最大的驾驶数据vi，vi＝{ci，mi，ti，si}，其中ci＝{xfi，vfi，afi，vri}，mi＝{ari,li,li’}；

步骤3.2，令c0i＝ci，在方案a0中输入c0i＝{xf0j,vf0j,af0j,vr0j}，a0会输出一组对应的m0i＝{ar0i,l0i,l0i’}，并令t0i＝ti；

步骤3.3，在第1至第n组驾驶数据v1,v2…vi…vn中寻找符合约束条件s.t.的多组数据vi1,…vij,…,vin(j∈[1,n],n<n)，这里vij＝{cij,mij,tij,sij}，cij＝{xfij,vfij,afij,vrij}，mij＝{arij,lij,lij’}。约束条件s.t.为0.95ar0i<arij<1.05ar0i；

步骤3.4，对寻找到的多组数据vi1,…vij,…,vin中(必含有vi)的ci1,…cij,…,cin进行多维正态分布拟合，得到一个符合多维正态分布的随机变量xi，并求得概率pi＝p(xi<ci)；

步骤3.5，令强化反馈信号si＝0.5–pi，ar0i＝(1+si)*ar0i

步骤3.6，令l0i＝(1/n)*σlij，l0i’＝(1/n)*σlij’，于是就可以得到方案a0修正一次后的一组输入值c0i和输出值m0i；

步骤3.7，重复过程步骤3.1-步骤3.6，直至全部组的驾驶数据v1,v2…,vn中的si均接近于0并无法减少，此时的方案a0已经完全迭代为通用acc方案a1。在方案a1中，输入一个c1i＝{xf1j,vf1j,af1j,vr1j}，即可输出一个随时间t1i变化的m1i＝{ar1j,l1j,l1j’}。

步骤4：云端acc方案创建及更新方法第二阶段——循环神经网络算法，收集一段时间内个体驾驶人使用方案a1或a2的时间序列驾驶数据集w，对所收集的数据按照时间顺序输入到云端的循环神经网络中，经过多个隐含层的迭代后得到符合个体驾驶人习惯的个性化定制自适应巡航控制方案即定制方案a2；在使用一段时间的方案a2后可以对其进行更新，更新后的方案a2’通过对油门/制动踏板行程优化率这一反馈参数进行检验。

步骤4：云端acc方案创建及更新方法第二阶段即循环神经网络算法，收集一段时间内个体驾驶人使用方案a1或a2的时间序列驾驶数据集w，对所收集的数据按照时间顺序输入到云端的循环神经网络中，经过多个隐含层的迭代后得到符合个体驾驶人习惯的个性化定制自适应巡航控制方案即定制方案a2；在使用一段时间的方案a2后可以对其进行更新，更新后的方案a2’通过对油门/制动踏板行程优化率这一反馈参数进行检验。

步骤4中所述云端acc方案创建及更新方法第二阶段为：

步骤4.1个人驾驶数据采样不足的驾驶人，需要先使用一段时间(至少为30天)的方案a1，才可以创建属于更符合个人驾驶习惯的定制自适应巡航控制方案a2。个体驾驶人使用方案a1的驾驶数据仍由对应传感器收集，具体过程在后文中详述。

先介绍时间序列个人驾驶数据集w，包括工况数据c、操作数据m与时间数据t，w＝{m,c,t}，不同驾驶员的个人数据集w与其唯一识别码一一对应，w中的驾驶数据共有k组，可记为w1,w2,…,wk，为了表示每一组驾驶数据，将驾驶人实车数据集第i组驾驶数据记为wi，i∈[1,n]，wi＝{ci,mi,ti}，第1至第k组数据可以记作w1,…,wi,…,wk；

ci,mi,ti的定义与收集方式与第一阶段中的定义相同，下面再重复一遍，与前面不同的是wi转化成为时间序列数据的形式，并按照ti的顺寻排列。；

工况数据ci包括：由所述前向传感器采集的前车相对距离、前车速度、前车加速度，依次记为xfi、vfi、afi；由所述后向传感器采集的后车相对距离、后车速度、后车加速度，依次记为xbi、vbi、abi；由所述车速传感器采集的本车速度，记为vri。于是工况数据可以表示为ci＝{xfi,vfi,afi,vri}。

操作数据mi包括由所述车速传感器采集的本车加速度，记为ari；由所述油门及制动踏板行程传感器采集的油门踏板行程与制动踏板行程，依次记为li与li’。于是操作数据可以表示为mi＝{ari,li,li’}。

时间数据ti即所述信息采集模块在采集一组工况数据与操作数据的组合时所实时记录的时间信息ti。

步骤4.2，再介绍创建定制方案a2的过程：创建定制方案a2的运行框图如图4所示，将时间序列数据wi按照时间序列分为30份，时间顺序最早的为wi1，依次记为wi1,…wij,…,wi30(j∈[1,30])，wi1,…wij,…,wi30作为该网络的训练集，依次输入30个隐含层中，并以交叉熵误差函数作为隐含层的优化目标函数；

从输入层1将wi1输入隐含层1进行训练，得到优化后的工况数据ci与操作数据mi的映射f1；

将训练后的f1与wi2输入隐含层2进行训练，得到优化后的工况数据ci与操作数据mi的映射f2；

依次类推，将训练后的f29与wi30输入隐含层30进行训练，得到优化后的工况数据ci与操作数据mi的映射f30。可以记为f30:ci→mi，实质上是对驾驶人在不同工况下加速以及刹车行为的预测，从而得到定制方案a2；

个体驾驶人使用方案a2后，系统会继续收集个人驾驶数据；收集的新数据会进入rnn自学习算法中，代替旧的数据，使个人驾驶数据集会始终保持最近30天的驾驶数据w1，...wi，...wk，从而达到更新方案方案a2的目的；

步骤4.3，最后介绍更新方案方案a2的方法；为了介绍利用反馈参数更新方案a2的过程(如图5)，不妨设更新后的方案为a2’，使用a2'收集的个人驾驶数据可以记为w1，...wi’，...wk，k为使用a2’后收集的个人驾驶数据组数。wi’＝{ci’，mi’，ti’}，ci＝{xfi’，vfi’，afi’，vri’}，mi＝{ari’，li”，li”’}，需要注意的是，使用方案a2后的的油门踏板行程li与制动踏板行程li’；使用方案a2’后的的油门踏板行程li，’与制动踏板行程li”’。

车辆云端将使用所述wi中的li，li’与使用更新方案a2'后wi’中的li”与li”’用以计算反馈参数油门(制动)踏板行程优化率ra'(rd')；

计算公式为

r′a＝∑l″i/∑li

r′b＝∑l″′i/∑l′i

依此类推，车辆云端上一次将方案更新为a2时的反馈参数油门(制动)踏板行程优化率ra(rd)也是如此计算的；

通过比较新方案a2’的ra'(rd’)与旧方案a2的ra(rd)，从而确定旧方案a2或新方案a2'哪个更优，从而决定是否将a2更新为a2’；

通过检验的定制acc方案a2’将通过5g信息传输模块被推送回车辆端，驾驶人通过交互模块进行调用；

此外，驾驶人可以随时通过触屏交互模块进行评价与反馈，评价与反馈也会通过5g无线传输模块上传到车辆云中的意见区，供其他车主参考以及车辆服务商改进服务。

尽管本文较多地使用了身份识别模块、触屏互动模块、前向传感器、后向传感器、车速传感器、油门及制动行程传感器、存储模块、5g传输模块、控制模块以及车辆云端服务器等术语，但并不排除使用其他术语的可能性。使用这些术语仅仅是为了更方便的描述本发明的本质，把它们解释成任何一种附加的限制都是与本发明精神相违背的。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。