一种智能跟车控制系统及方法
【技术领域】
[0001] 本发明涉及汽车主动安全技术领域，特别涉及一种智能跟车控制系统及方法。
【背景技术】
[0002] 城市交通拥堵给人们出行带来了不便，同时带来了严重的社会问题和环境问题。 例如，堵车期间，驾驶员需要不断在行驶状态和停车状态之间切换汽车的状态，造成驾驶员 精神尚度集中、驾驶疲劳，提尚了交通事故发生的可能性。
[0003] 智能跟车技术的应用可以使驾驶员从堵车期间的驾驶疲劳中解脱出来，避免交通 事故的发生。目前智能跟车技术主要是采用摄像头、雷达等装置检测车辆与前方车辆的实 际车距，并采用监督学习的方式，按照实际车距与设定的跟车距离之差调整车辆的行驶速 度，使实际车距与设定的跟车距离之间的偏差最小化。
[0004] 在实现本发明的过程中，发明人发现现有技术至少存在以下问题：
[0005] 当实际车距大于设定的跟车距离时，若前方车辆由于突发状况（如进行转弯）正 好减速行驶，则按照实际车距与设定的跟车距离之差加快车辆的行驶速度，会造成实际车 距又小于设定的跟车距离。此时再按照实际车距与设定的跟车距离之差减慢车辆的行驶速 度，若前方车辆（如完成转弯）又加速行驶，则又会造成实际车距又大于设定的跟车距离。 如此反复，车辆不断加速和减速，造成车辆颠簸，跟车的稳定性、可靠性和舒适性较差。
【发明内容】
[0006] 为了解决现有技术跟车的稳定性、可靠性和舒适性较差的问题，本发明实施例提 供了一种智能跟车控制系统及方法。所述技术方案如下：
[0007] -方面，本发明实施例提供了一种智能跟车控制系统，所述智能跟车控制系统包 括：
[0008] 检测模块，用于实时检测车辆与前方车辆的实际车距，并根据所述实际车距产生 与所述实际车距对应的增强信号，所述增强信号用于表示所述实际车距与设定的理想车距 之间的偏差幅度；
[0009] 增强学习模块，用于采用增强学习的方式，根据所述实际车距和所述增强信号，确 定所述车辆的行驶速度的调整幅度；
[0010] 跟车模块，用于按照所述调整幅度，调整所述车辆的行驶速度，以改变所述实际车 距。
[0011] 在本发明一种可能的实现方式中，所述增强学习模块，包括：
[0012] 动作神经网络，用于根据所述实际车距，产生所述车辆的行驶速度的调整幅度；
[0013] 评价神经网络，用于根据所述实际车距、所述增强信号、以及所述调整幅度，产生 代价函数，所述代价函数为所述增强信号的近似表示；根据所述代价函数，调节所述评价神 经网络的神经网络权值，以最小化所述代价函数与所述增强信号的误差；
[0014] 所述动作神经网络还用于，根据神经网络权值调节后的所述评价神经网络产生的 所述代价函数，调节所述动作神经网络的神经网络权值，得到最优的调整幅度，以最小化所 述代价函数与期望值的误差，所述期望值为所述实际车距达到所述理想车距时产生的所述 代价函数。
[0015] 可选地，所述动作神经网络和所述评价神经网络均采用非线性多层感知器。
[0016] 可选地，所述动作神经网络用于，
[0017] 采用梯度下降法则对所述动作神经网络的神经网络权值进行设定次数的调节；
[0018] 所述评价网络用于，
[0019] 采用梯度下降法则对所述评价神经网络的神经网络权值进行设定次数的调节。
[0020] 在本发明另一种可能的实现方式中，所述调整幅度采用符号函数。
[0021] 另一方面，本发明实施例提供了一种智能跟车控制方法，所述智能跟车控制方法 包括：
[0022] 实时检测车辆与前方车辆的实际车距，并根据所述实际车距产生与所述实际车距 对应的增强信号，所述增强信号用于表示所述实际车距与设定的理想车距之间的偏差幅 度；
[0023] 采用增强学习的方式，根据所述实际车距和所述增强信号，确定所述车辆的行驶 速度的调整幅度；
[0024] 按照所述调整幅度，调整所述车辆的行驶速度，以改变所述实际车距。
[0025] 在本发明一种可能的实现方式中，所述根据所述实际车距和所述增强信号，确定 所述车辆的行驶速度的调整幅度，包括：
[0026] 采用动作神经网络根据所述实际车距，产生所述车辆的行驶速度的调整幅度；
[0027] 采用评价神经网络根据所述实际车距、所述增强信号、以及所述调整幅度，产生代 价函数，所述代价函数为所述增强信号的近似表示；
[0028] 根据所述代价函数，调节所述评价神经网络的神经网络权值，以最小化所述代价 函数与所述增强信号的误差；
[0029] 根据神经网络权值调节后的所述评价神经网络产生的所述代价函数，调节所述动 作神经网络的神经网络权值，得到最优的调整幅度，以最小化所述代价函数与期望值的误 差，所述期望值为所述实际车距达到所述理想车距时产生的所述代价函数。
[0030] 可选地，所述动作神经网络和所述评价神经网络均采用非线性多层感知器。
[0031] 可选地，所述根据所述代价函数，调节所述评价神经网络的神经网络权值，包括：
[0032] 采用梯度下降法则对所述动作神经网络的神经网络权值进行设定次数的调节；
[0033] 所述根据神经网络权值调节后的所述评价神经网络产生的所述代价函数，调节所 述动作神经网络的神经网络权值，包括：
[0034] 采用梯度下降法则对所述评价神经网络的神经网络权值进行设定次数的调节。
[0035] 在本发明另一种可能的实现方式中，所述调整幅度采用符号函数。
[0036] 本发明实施例提供的技术方案带来的有益效果是：
[0037] 通过采用增强学习的方式，根据实际车距和增强信号，确定车辆的行驶速度的调 整幅度，增强信号用于表示实际车距与设定的理想车距之间的偏差幅度，可以在行驶速度 的调整过程中，采用自适应动态规划方法，不断通过增强信号反映的偏差幅度，自主学习如 何根据实际车距确定合适的调整幅度，以有效调整车辆的行驶速度，使实际车距与设定的 理想车距的偏差最小化，不会只根据实际车距与设定的理想车距之间的偏差幅度直接确定 行驶速度的调整幅度，因此不存在不断在加速和减速之间切换而造成车辆颠簸的情况，跟 车的稳定性、可靠性和舒适性均得到提高。
【附图说明】
[0038] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使 用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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 的附图。
[0039] 图1是本发明实施例一提供的一种智能跟车控制系统的结构示意图；
[0040] 图2是本发明实施例二提供的一种智能跟车控制系统的结构示意图；
[0041] 图3是本发明实施例二提供的神经网络的结构示意图；
[0042] 图4是本发明实施例二提供的动作神经网络的函数曲线图；
[0043] 图5是本发明实施例三提供的一种智能跟车控制方法的流程图；
[0044] 图6是本发明实施例四提供的一种智能跟车控制方法的流程图。
【具体实施方式】
[0045] 为使本发明的目