车辆控制方法、装置、车辆和存储介质与流程

1.本发明实施例涉及车辆控制技术，尤其涉及一种车辆控制方法、装置、车辆和存储介质。


背景技术：

2.自动驾驶，是指通过给车辆装备多种硬件设备及智能软件，在减少甚至无需人为操控的情况下使用车载计算机来控制车辆，完成对货物或人员的安全且高效的输送任务。结构化道路是指具有清晰车道标志的道路，包括高速公路、城市道路等，结构化道路上的自动驾驶车辆研究具有极其广泛的应用前景。
3.目前大多数自动驾驶车辆的控制方法的设计思路是：计算被控车辆与参考轨迹或目标点间的偏差，然后使用即时的控制指令来缩小差距，使被控车辆尽可能地沿着参考轨迹行驶。模型预测控制已经成为一种公认的解决复杂道路上的车辆控制问题的控制方法，模型预测控制器可以生成未来一定时域内的控制指令序列，从而利用这些控制指令序列控制车辆行驶。
4.目前，很多针对自动驾驶车辆控制设计的模型预测控制方法均使用的是固定的预测时域，使用固定的预测时域，如果预测时域很长，将需要消耗大量的车载计算资源，获取控制序列上花费的时间比较多，无法满足计算的实时性要求，如果预测时域很短，预测控制的表现将会非常不好。


技术实现要素：

5.本发明实施例提供一种车辆控制方法、装置、车辆和存储介质，能够避免使用固定预测时域产生的计算资源消耗过大、计算实时性无法满足要求、控制表现不好等问题。
6.第一方面，本发明实施例提供一种车辆控制方法，包括：
7.计算目标行驶路段的道路曲率；
8.根据所述道路曲率确定预测时域，所述预测时域指的是所述道路曲率对应的预测时长；
9.根据行驶场景信息和目标车辆的状态信息生成所述预测时域内的目标控制指令序列；
10.根据所述目标控制指令序列控制所述目标车辆在所述目标行驶路段行驶。
11.第二方面，本发明实施例提供一种车辆控制装置，包括：
12.计算模块，用于计算目标行驶路段的道路曲率；
13.确定模块，用于根据所述道路曲率确定预测时域，所述预测时域指的是所述道路曲率对应的预测时长；
14.生成模块，用于根据行驶场景信息和目标车辆的状态信息生成所述预测时域内的目标控制指令序列；
15.控制模块，用于根据所述目标控制指令序列控制所述目标车辆在所述目标行驶路
段行驶。
16.第三方面，本发明实施例还提供了一种车辆，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明实施例中任一所述的车辆控制方法。
17.第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的车辆控制方法。
18.本发明实施例中，可以计算目标行驶路段的道路曲率，根据道路曲率确定预测时域，预测时域指的是该道路曲率对应的预测时长，根据行驶场景信息和目标车辆的状态信息生成预测时域内的目标控制指令序列，根据目标控制指令序列控制目标车辆在目标行驶路段行驶。即本发明实施例中，可以根据要行驶的路段的道路曲率确定预测时域，道路曲率可以反映道路的复杂程度，即预测时域是根据前方要行驶的道路的复杂程度变化的，因而计算出的控制指令序列与道路情况更适配，避免了使用固定预测时域产生的计算资源消耗过大、计算实时性无法满足要求、控制表现不好等问题，能够在降低计算资源消耗的同时保持良好的控制表现。
附图说明
19.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
20.图1是本发明实施例提供的车辆控制方法的一个流程示意图；
21.图2是本发明实施例提供的计算道路曲率的一个方法示意图；
22.图3是本发明实施例提供的车辆控制方法的一个控制框架示意图；
23.图4是本发明实施例提供的控制指令序列生成方法的一个流程示意图；
24.图5是本发明实施例提供的一个车辆受力示意图；
25.图6是本发明实施例提供的另一个车辆受力示意图；
26.图7是本发明实施例提供的仿真实验中的一个预测时域变化示意图；
27.图8是本发明实施例提供的仿真实验中的一个行驶轨迹示意图；
28.图9是本发明实施例提供的车辆控制装置的一个结构示意图；
29.图10是本发明实施例提供的车辆的一个结构示意图。
具体实施方式
30.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
31.图1为本发明实施例提供的车辆控制方法的一个流程示意图，该方法可以由本发明实施例提供的车辆控制装置来执行，该装置可采用软件和/或硬件的方式实现。在一个具体的实施例中，该装置可以集成在车辆中，车辆可以是无人车、自动驾驶车辆。以下实施例将以该装置集成在车辆中为例进行说明，参考图1，该方法具体可以包括如下步骤：
32.步骤101，计算目标行驶路段的道路曲率。
33.示例地，目标行驶路段可以是待行驶的某一路段，目标行驶路段可以是结构化道路，结构化道路是指具有清晰车道标志的道路，包括高速公路、城市道路等。道路曲率为反映道路复杂程度的指标，比如反映道路弯折程度。
34.具体地，在计算目标行驶路段的道路曲率时，可以获取目标行驶路段的道路中心线的弧长，并沿道路中心线的起点作第一切线，沿道路中心线的终点作第二切线，确定第一切线和第二切线构成的夹角，得到切线转角，将切线转角与道路中心线的弧长的比值确定为目标行驶路段的道路曲率。
35.在一个具体的实施例中，比如可以按照图2所示方法计算目标行驶路段的道路曲率，即可以按照实际控制需求先定义半径r
θ
和圆心角θ，构建以目标车辆的车头中心点为圆心、半径为r
θ
、圆心角为θ的扇形区域，该扇形区域内包括的路段即目标行驶路段；如图2所示，黑色虚线表示道路中心线，黑色粗实线表示道路边界，假如扇形区域覆盖的道路中心线的弧长为s、沿沿道路中心线的起点作的第一切线与沿道路中心线的终点作的第二切线之间的切线转角为ε，则目标行驶路段的道路曲率k可以如下：
[0036][0037]
步骤102，根据道路曲率确定预测时域，预测时域指的是道路曲率对应的预测时长。
[0038]
实际应用中，自动驾驶车辆能够检测到前方道路的视野范围可能是固定的,但是其中有多少有效的信息可以被控制系统利用并对控制有贡献却不一定是不变的，其一定程度上取决于前方道路的复杂程度。通常，在蜿蜒曲折的道路上开车时，希望对前方的道路情况有更多的了解，特别是在车辆将要进入急转弯之前；但是，在笔直的道路上，即使人类驾驶员可以看得非常远，视野内的很多信息都是没有使用价值的，对驾驶控制没有帮助。即在在一条笔直道路上，短时间的预测时域就足够稳定地控制车辆前行，但是在汽车进入急转弯道等复杂路况时，使用一个较长时间的预测时域将改善预测控制的表现。
[0039]
本发明实施例中，预测时域可以指该道路曲率对应的预测时长，预测时域越长，控制表现越好，但是预测控制所需处理的数据量越大，获取的控制指令越多，需要占用的计算资源也越多，获取控制指令序列所花费的时间也越长；预测时域越短，相对来说，控制表现可能稍差，可能不足以应对复杂路况，但是预测控制所需处理的数据量会越小，获取控制指令序列所花费的时间也会缩短，因而本发明实施例中，可以根据道路复杂程度(即道路曲率)确定预测时域，以实现兼顾控制表现好和计算资源占用少的目标。
[0040]
具体地，可以比较目标行驶路段的道路曲率与预设曲率的大小，根据比较结果确定预测时域。其中，预设曲率可以根据实际控制需求或实验数据设置，比如预设曲率可以设置为1.5，1.6等。
[0041]
在一个具体的实施例中，比如当目标行驶路段的道路曲率小于预设曲率时，预测时域t
p
可以如下：
[0042]
t
p
＝2(k-1)(t
max-t
min
)+t
min
[0043]
其中，k表示道路曲率，t
max
表示预设最大时域，t
min
表示预设最小时域，t
max
和t
min
的具体值可根据实际控制需求设置。
[0044]
当道路曲率不小于预设曲率时，预测时域t
p
可以如下：
[0045]
t
p
＝t
max
[0046]
可以看出，本发明实施例中，预测时域是可以根据前方道路情况调节的，如果道路曲率比较小(比如在比较直的道路上行驶)，将使用较小时长的预测时域，以降低计算资源的占用，提高获取控制序列的速度；反之，如果道路曲率比较大(比如在弯道上行驶)，将使用较大时长的预测时域，以保证目标车辆能够顺畅安全地驶出弯道。
[0047]
步骤103，根据行驶场景信息和目标车辆的状态信息生成预测时域内的目标控制指令序列。
[0048]
示例地，行驶场景信息可以指目标车辆所在的行驶场景中的相关信息，行驶场景信息比如可以包括刚度系数、形状因子、峰度因子、曲率因子、车胎与路面的摩擦系数等；目标车辆的状态信息可以包括目标车辆的固定状态信息和运动状态信息，固定状态信息比如目标车辆的重量、前悬长度、后悬长度等，运动状态信息比如可以包括目标车辆的前进速度、加速度、横摆角速度等。其中，行驶场景信息可以从目标车辆上安装的各种探测设备获取，目标车辆的状态信息可以从目标车辆的底盘获取。目标控制指令序列可以包括预测时域内的每个控制时刻对应的目标控制指令，比如预测时域为3秒，即可以生成3秒内的目标控制指令序列，预测时域为5秒，即可以生成5秒内的目标控制指令序列。
[0049]
在一个具体的实施例中，可以利用多个计算设备对该行驶场景信息和目标车辆的状态信息进行并行计算，融合并行计算的结果得到预测时域内的目标控制指令序列。具体地，计算设备比如可以是中央处理器(central processing unit，cpu)、图形处理器(graphics processing unit，gpu)、或者是处理器上的一个核心。
[0050]
比如，可以将整体计算任务拆分成多个子计算任务，利用每个计算设备计算一个子计算任务，然后将各个计算设备的计算结果组合合并从而得到预测时域内的目标控制指令序列。通过将计算任务拆分至多个计算设备并行执行，可以提高计算速度，满足计算的实时性要求。
[0051]
比如，还可以利用每个计算设备执行整体计算任务，多个计算设备同时运行，将多个计算设备的计算结果综合(比如取均值)从而得到预测时域内的目标控制指令序列。通过多个计算设备并行执行整体计算任务，可以增加控制系统的冗余度，提高控制系统的可靠性。
[0052]
步骤104，根据目标控制指令序列控制目标车辆在目标行驶路段行驶。
[0053]
在一个具体的实施例中，具体的控制框架可如图3所示，其中，模型预测控制器可以理解为运行在计算设备上的软件功能模块，整个预测控制的输入包括行驶场景信息和车辆状态信息，输出为经融合模块融合多个模型预测控制器的预测结果得到的预测时域内的控制指令序列，该控制指令序列中可以包括前向车轮转向角度和前后车胎的纵向受力(比如牵引力、制动力)；平衡与稳定控制单元负责保持车身稳定性和四轮独立驱动的平衡性，底盘包括控制指令的执行机构以及收集车辆状态信息的各类车载传感器。
[0054]
本发明实施例中，可以计算目标行驶路段的道路曲率，根据道路曲率确定预测时域，根据行驶场景信息和目标车辆的状态信息生成预测时域内的目标控制指令序列，根据目标控制指令序列控制目标车辆在目标行驶路段行驶。即本发明实施例中，考虑未来的道路信息，可以根据要行驶的路段的道路曲率确定预测时域，道路曲率可以反映道路的复杂
程度，即预测时域是根据道路的复杂程度变化的，因而计算出的控制指令序列与道路情况更适配，避免了使用固定预测时域产生的计算资源消耗过大、计算实时性无法满足要求、控制表现不好等问题，能够在降低计算资源消耗的同时保持良好的控制表现。
[0055]
下面详细描述利用模型预测控制器生成预测时域内的目标控制指令序列的过程，如图4所示，具体可以包括如下步骤：
[0056]
步骤1031，对目标车辆进行受力分析，并根据受力分析的结果确定目标车辆的控制输入变量和系统状态变量。
[0057]
示例地，目标车辆的受力示意图可如图5所示，其中：
[0058]
oxy为固定于地面的惯性坐标系，cgxbyb为固定于车身的车辆坐标系，f表示前轮，r表示后轮，f
fx
、f
rx
分别表示前轮、后轮的纵向受力，f
fy
、f
ry
分别表示前轮、后轮的横向受力，v表示车辆前进速度，u
x
、uy分别表示车辆坐标系下v在x方向的分量和v在y方向的分量，v
x
、vy分别表示在惯性坐标系下v在x方向的分量和v在y方向的分量，γ表示车辆的横摆角速度，β表示车辆的质心侧偏角，ψ表示车辆的航向角，δf表示前向车轮转向角度，lf表示前悬长度，lr表示后悬长度，根据牛顿第二定律，可以得到以下三个方向的受力平衡方程：
[0059][0060][0061][0062]
其中，m表示车辆的重量，表示横向加速度，表示纵向加速度，iz表示转动惯量，表示车辆的横摆角加速度。
[0063]
则车辆的前后车轮的侧滑角αi(i＝f，r)如下：
[0064][0065][0066]
其中，αf表示前轮的侧滑角，αr表示后轮的侧滑角，前后车轮的横向受力f
iy
(i＝f，r)与纵向受力f
ix
(i＝f，r)之间的关系如下式所示：
[0067][0068][0069]
[0070]
其中，是中间量，f
iy
是基于pacejka的魔术公式(pacejka magic fommula)的侧滑系数，b、c、d、e分别是刚度系数、形状因子、峰度因子和曲率因子，f
iz
(i＝f，r)是前后车轮的垂向受力，μ是车胎与路面的摩擦系数。
[0071]
简化的车辆受力示意图可如图6所示，忽略车辆重心在行驶中的漂移效应，前轮的垂向受力f
fz
和后轮的垂向受力f
rz
可以如下：
[0072][0073]frz
＝mg-f
fz
.
[0074]
g表示重力加速度，惯性坐标系下的车辆前进速度与车辆坐标系下的车辆前进速度满足如下关系：
[0075]vx
＝u
x
cosψ-uysinψ，
[0076]
vy＝u
x
sinψ+uycosψ.
[0077]
将前面的公式结合起来可以推导计算出δf、f
fx
、f
rx
，将δf、f
fx
、f
rx
作为控制输入变量u，按照如下公式对输入控制变量u进行归一化处理：
[0078]
(δf、f
fx
、f
rx
)
t
＝(c
δuδ
，c
fxufx
，c
rxurx
)
t
[0079]
其中，u
δ
，u
fx
，u
rx
∈[-1，1]是δf、f
fx
、f
rx
对应的归一化值，c
δ
，c
fx
，c
rx
是考虑机械约束的常量。为了使控制输入更加平滑，且消除系统控制输入的非线性，将u作为系统状态变量的一部分，系统状态变量可以为x＝(u
x
，uy，γ，δf，f
fx
，f
rx
)
t
，t表示转置。即控制输入变量包括前向车轮转向角度和前后车胎的纵向受力，系统状态变量包括前进速度、横摆角速度、前向车轮转向角度和前后车胎的纵向受力。
[0080]
步骤1032，根据目标车辆的控制输入变量和系统状态变量为目标车辆建立动力学模型。
[0081]
具体实现中，可以基于模型预测进行路径积分控制，考虑随机动力学系统，积分控制公式可如下：
[0082]
dx＝f(x
t
，t)dt+g(x
t
，t)u
t
dt+b(x
t
，t)dw
[0083]
其中，是t时刻的系统状态变量，是t时刻的控制输入变量，表示布朗运动，f(x
t
，t)为受力矩阵，g(x
t
，t)为控制矩阵，b(x
t
，t)为采样矩阵。
[0084][0085][0086]
其中，k表示道路曲率，v1，v2，v3表示采样方差，f(x
t
，t)的具体形式可以结合前面的公式推导出。
[0087]
在离散时域下，dx＝f(x
t
，t)dt+g(x
t
，t)u
t
dt+b(x
t
，t)dw可以写成：
[0088][0089]
即为目标车辆的动力学模型，其中，x
j+1
表示下一采样时间对应的系统状态变量，xj表示当前采样时间对应的系统状态变量，uj表示当前采样时间对应的控制输入变量，是随机向量，其中每个元素均服从标准正态分布，δt是离散系统的采样时间。
[0090]
步骤1033，建立基于该动力学模型的模型预测控制器。
[0091]
步骤1034，利用模型预测控制器根据行驶场景信息和目标车辆的状态信息生成预测时域内的当前控制指令序列。
[0092]
步骤1035，按照预设迭代更新规则对当前控制指令序列进行迭代更新，直至得到满足预设损失函数的控制指令序列，将满足预设损失函数的控制指令序列确定为目标控制指令序列。
[0093]
根据随机最优控制理论，在时间域[t0，t0+t]上最优控制指令序列u
*
应满足：
[0094][0095]
其中，代表根据动力学方程dx＝f(x
t
，t)dt+g(x
t
，t)u
t
dt+b(x
t
，t)dw从时间t0到t0+t演变过程的所有运动轨迹的期望。设计优化目标，就能够实现轨迹跟踪的目的。其中，损失函数由一项状态相关函数和一项控制输入的二次项组成，即q(x
t
，t)为车辆当前状态与参考状态的偏差的函数，r是一个半正定矩阵，最优控制指令序列u
*
即可以作为目标控制指令序列。
[0096]
在一个具体的实施例中：
[0097]
q(x
t
，t)＝5(v
tar-v
t2
)+20h(x
t
，y
t
)2+||u
t
||2[0098]
其中，v
tar
是目标速度，是车辆的实际速度，h(x
t
，y
t
)是一个评估车辆相对道路中心线的横向距离函数，当车辆处于道路中心线上时其值为零，当车辆在道路边界上时其值为1。式q(x
t
，t)＝5(v
tar-v
t2
)+20h(x
t
，y
t
)2+||u
t
||2的第一项意在满足速度要求，第二项是为了使汽车尽量保持在道路中心行驶，第三项是控制的代价。可以调节这三项的系数以满足不同的驾驶需求，例如增大第一项的系数可以获得更稳定的速度控制。
[0099]
下面通过仿真实验验证本发明实施例中的采用可调预测时域的控制方法的优势，仿真实验所用参数可如下表1所示：
[0100]
参数名值参数名值m(kg)1450g(m/s2)9.8lf(m)1.1lr(m)1.6iz(kg
·
m2)2740c
δ
(rad)0.8cfx
(n)600c
rx
(n)600b11.275c1.56d-0.3365e-1.9990
[0101]
表1
[0102]
仿真实验中我们假设路面系数为μ＝0.6，采样数量k＝1000，t
max
＝2.5[s]，t
max
＝1.5[s]。采样方差矩阵：
[0103][0104]
仿真中，车辆在一个长度为368.5[m]，宽度为10[m]的椭圆形跑道上行驶，初始速度为8[m/s]。为了比较本发明方法的优势，仿真了使用三种不同预测时域策略的预测控制，三种不同预测时域策略分别为t
max
、t
min
和t
p
，即最大预测时域、最小预测时域和自适应变化的预测时域。比较仿真中的总计算量和一些其它的表现指标。如表2所示，h表示预测时域，ns表示整个过程的总预测步数，可以代表总预测计算代价，j表示总目标代价，代表自动驾驶表现，tc表示汽车行驶椭圆跑道一圈所花的时间，df指的是车辆行驶轨迹与道路中心线之间的弗雷歇(frechet)距离。
[0105] h＝t
min
h＝t
p
h＝t
maxns
6735765410525j12821.88392.37797.0tc(s)44.942.742.1df(m)1.35801.04751.1977
[0106]
表2
[0107]
行驶过程中t
p
的自适应调节过程如图7所示，结合图8，车辆从椭圆跑道的start处开始行驶，可以看出，在车辆进入弯道前，t
p
开始增大，当车辆驶出弯道时，t
p
逐渐减小，在直道上t
p
一直等于t
min
。可以看出，与使用固时长的预测时域h＝t
min
和h＝t
max
的方法相比，使用自适应的预测时域h＝t
p
的方法有着明显的优势。与h＝t
max
相比，该方法显著降低了总预测计算代价，但同时其总目标代价很低，行驶一圈需要的时间也很少。另一方面，与h＝t
min
相比，该方法明显降低了frechet距离和行驶一圈需要的时间。图8直观地展示使用三种不同预测时域策略的预测控制方法对行驶在椭圆跑道上的车辆的控制轨迹，图8中对车辆进入第二个弯道的局部轨迹进行了放大显示。我们可以看出自适应预测时域控制方法的驾驶控制表现几乎和使用最大时长预测时域的控制方法一样。仿真结果表明本发明实施例采用可变的预测时域控制的方法，可以明显降低计算消耗，同时在车道保持、运行时间等方面上仍有良好的表现。
[0108]
图9是本发明是实施例提供的车辆控制装置的一个结构图，该装置适用于执行本发明实施例提供的车辆控制方法。如图9所示，该装置具体可以包括：
[0109]
计算模块401，用于计算目标行驶路段的道路曲率；
[0110]
确定模块402，用于根据道路曲率确定预测时域，预测时域指的是道路曲率对应的预测时长；
[0111]
生成模块403，用于根据行驶场景信息和目标车辆的状态信息生成预测时域内的目标控制指令序列；
[0112]
控制模块404，用于根据目标控制指令序列控制目标车辆在目标行驶路段行驶。
[0113]
一实施例中，计算模块401具体用于：
[0114]
获取目标行驶路段的道路中心线的弧长；
[0115]
沿道路中心线的起点作第一切线，沿道路中心线的终点作第二切线；
[0116]
确定第一切线和第二切线构成的夹角，得到切线转角；
[0117]
将切线转角与道路中心线的弧长的比值确定为目标行驶路段的道路曲率。
[0118]
一实施例中，确定模块402具体用于：
[0119]
比较道路曲率与预设曲率的大小；
[0120]
根据比较结果确定预测时域。
[0121]
一实施例中，确定模块402根据比较结果确定预测时域，包括：
[0122]
当道路曲率小于预设曲率时，预测时域按照如下公式计算：
[0123]
t
p
＝2(k-1)(t
max-t
min
)+t
min
[0124]
其中，t
p
表示预测时域，k表示道路曲率，t
max
表示预设最大时域，t
min
表示预设最小时域；
[0125]
当道路曲率不小于预设曲率时，预测时域按照如下公式计算：
[0126]
t
p
＝t
max
。
[0127]
一实施例中，生成模块403具体用于：
[0128]
利用多个计算设备对行驶场景信息和目标车辆的状态信息进行并行计算；
[0129]
融合并行计算的结果得到预测时域内的目标控制指令序列。
[0130]
一实施例中，生成模块403具体用于：
[0131]
对目标车辆进行受力分析，并根据受力分析的结果确定目标车辆的控制输入变量和系统状态变量；
[0132]
根据目标车辆的控制输入变量和系统状态变量为目标车辆建立动力学模型；
[0133]
建立基于动力学模型的模型预测控制器；
[0134]
利用模型预测控制器根据行驶场景信息和目标车辆的状态信息生成预测时域内的目标控制指令序列。
[0135]
一实施例中，目标车辆的控制输入变量包括前向车轮转向角度和前后车胎的纵向受力，目标车辆的系统状态变量包括前进速度、横摆角速度、前向车轮转向角度和前后车胎的纵向受力。
[0136]
一实施例中，生成模块403利用模型预测控制器根据行驶场景信息和目标车辆的状态信息生成预测时域内的目标控制指令序列，包括：
[0137]
利用模型预测控制器根据行驶场景信息和目标车辆的状态信息生成预测时域内的当前控制指令序列；
[0138]
按照预设迭代更新规则对当前控制指令序列进行迭代更新，直至得到满足预设损失函数的控制指令序列，将满足预设损失函数的控制指令序列确定为目标控制指令序列。
[0139]
一实施例中，预设损失函数包括速度偏差项、轨迹偏差项和控制代价项。
[0140]
本领域的技术人员可以清楚地了解到，为描述的方便和简洁，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，即将装置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。上述描述功能模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0141]
本发明实施例的装置，可以计算目标行驶路段的道路曲率，根据道路曲率确定预测时域，根据行驶场景信息和目标车辆的状态信息生成预测时域内的目标控制指令序列，根据目标控制指令序列控制目标车辆在目标行驶路段行驶。即本发明实施例中，可以根据要行驶的路段的道路曲率确定预测时域，道路曲率可以反映道路的复杂程度，即预测时域是根据道路的复杂程度变化的，因而计算出的控制指令序列与道路情况更适配，避免了使用固定预测时域产生的计算资源消耗过大、计算实时性无法满足要求、控制表现不好等问题，能够在降低计算资源消耗的同时保持良好的控制表现。
[0142]
本发明实施例还提供了一种车辆，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述任一实施例提供的车辆控制方法。
[0143]
本发明实施例还提供了一种计算机可读介质，其上存储有计算机程序，程序被处理器执行时实现本发明任一实施例提供的车辆控制方法。
[0144]
下面参考图10，其示出了适于用来实现本发明实施例的车辆的计算机系统500的结构示意图。图10示出的车辆仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0145]
如图10所示，计算机系统500包括中央处理单元(cpu)501，其可以根据存储在只读存储器(rom)502中的程序或者从存储部分508加载到随机访问存储器(ram)503中的程序而执行各种适当的动作和处理。在ram 503中，还存储有系统500操作所需的各种程序和数据。cpu 501、rom 502以及ram 503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。
[0146]
以下部件连接至i/o接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至i/o接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
[0147]
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(cpu)501执行时，执行本发明的系统中限定的上述功能。
[0148]
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计
算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0149]
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0150]
描述于本发明实施例中所涉及到的模块和/或单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块和/或单元也可以设置在处理器中，例如，可以描述为：一种处理器包括计算模块、确定模块、生成模块和控制模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。
[0151]
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：计算目标行驶路段的道路曲率；根据道路曲率确定预测时域，预测时域指的是道路曲率对应的预测时长；根据行驶场景信息和目标车辆的状态信息生成预测时域内的目标控制指令序列；根据目标控制指令序列控制目标车辆在目标行驶路段行驶。
[0152]
根据本发明实施例的技术方案，可以计算目标行驶路段的道路曲率，根据道路曲率确定预测时域，根据行驶场景信息和目标车辆的状态信息生成预测时域内的目标控制指令序列，根据目标控制指令序列控制目标车辆在目标行驶路段行驶。即本发明实施例中，可以根据要行驶的路段的道路曲率确定预测时域，道路曲率可以反映道路的复杂程度，即预测时域是根据道路的复杂程度变化的，因而计算出的控制指令序列与道路情况更适配，避免了使用固定预测时域产生的计算资源消耗过大、计算实时性无法满足要求、控制表现不好等问题，能够在降低计算资源消耗的同时保持良好的控制表现。
[0153]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明
白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。