一种油门刹车标定方法、装置、计算机设备及存储介质与流程

1.本公开涉及自动驾驶技术领域，具体而言，涉及一种油门刹车标定方法、装置、计算机设备及存储介质。


背景技术：

2.自动驾驶系统为了实现对车辆的控制，需要确定刹车和减速的关系、油门和加速的关系等，当自动驾驶控制系统确定了关于车辆行驶中的一些控制参数后，就可以实现对车辆的控制。其中，《速度-加速度-油门/刹车》标定表是自动驾驶控制算法中至关重要的表格，用来根据车辆在某一车速下的目标加速度反向求解油门/刹车量，标定《速度-加速度-油门/刹车》标定表的过程称为油门刹车标定。
3.相关技术中，在进行油门刹车标定时，往往需要通过大量试验获得不同速度对应的加速度，从而通过加速度、速度以及油门/刹车量之间的映射关系建立标定表，使得整个过程需要耗费大量的人力成本和时间成本，效率低下。


技术实现要素：

4.本公开实施例至少提供一种油门刹车标定方法、装置、计算机设备及存储介质。
5.第一方面，本公开实施例提供了一种油门刹车标定方法，包括：
6.获取目标车辆在测试路段的道路行驶信息；其中，所述道路行驶信息包括所述目标车辆在目标运动信息下的车辆参数信息；
7.基于所述目标运动信息和所述车辆参数信息，训练与所述目标车辆对应的用于进行车辆参数预测的目标神经网络；
8.基于训练好的所述目标神经网络和所述道路行驶信息对所述目标车辆进行油门刹车标定。
9.这样，通过在油门刹车标定过程中引入神经网络进行数据处理，可以对车辆参数信息和目标运动信息之间的映射关系进行非线性拟合，确保了标定结果的准确性；另一方面，通过目标神经网络进行车辆参数预测，可以减少油门刹车标定时所需的测试数据的数据量，从而提高了油门刹车标定的标定效率。
10.一种可能的实施方式中，所述目标运动信息包括预设速度和预设加速度；所述车辆参数信息包括发动机扭矩信息和制动液压力信息。
11.一种可能的实施方式中，所述基于所述目标运动信息和所述车辆参数信息，训练与所述目标车辆对应的用于进行车辆参数预测的目标神经网络，包括：
12.分别对所述目标运动信息和所述车辆参数信息进行归一化处理；
13.将归一化处理后的所述目标运动信息输入至待训练的所述目标神经网络，以归一化处理后的所述车辆参数信息作为待训练的所述目标神经网络的监督数据，对待训练的所述目标神经网络进行训练。
14.一种可能的实施方式中，在将归一化处理后的所述目标运动信息输入至待训练的
所述目标神经网络之前，所述方法还包括：
15.针对任一车辆参数信息，基于所述目标车辆中执行器的响应时间，确定与该车辆参数信息匹配的目标运动信息；
16.将归一化处理后的所述目标运动信息输入至待训练的所述目标神经网络，以归一化处理后的所述车辆参数信息作为待训练的所述目标神经网络的监督数据，对待训练的所述目标神经网络进行训练，包括：
17.将归一化处理后的目标运动信息输入至待训练的所述目标神经网络，以与所述归一化处理后的目标运动信息相匹配的归一化处理后的车辆参数信息作为待训练的所述目标神经网络的监督数据，对待训练的所述目标神经网络进行训练。
18.这样，通过确定与车辆参数信息匹配的目标运动信息，可以避免因为执行器的响应时间造成的训练数据不匹配的问题，从而提高所述目标神经网络的网络精度。
19.一种可能的实施方式中，在分别对所述目标运动信息和所述车辆参数信息进行归一化处理之前，所述方法还包括根据以下方法对所述目标运动信息和所述车辆参数信息进行筛选，筛选出需要进行归一化处理的所述目标运动信息和所述车辆参数信息：
20.基于与所述道路行驶信息对应的道路路况信息，对所述目标运动信息和所述车辆参数信息进行筛选，确定符合第一预设要求的目标运动信息和所述车辆参数信息为需要进行归一化处理的所述目标运动信息和所述车辆参数信息；或者，
21.基于预设参数阈值，对所述目标运动信息和所述车辆参数信息进行筛选，确定符合第二预设要求的目标运动信息和所述车辆参数信息为需要进行归一化处理的所述目标运动信息和所述车辆参数信息。
22.这样，通过对目标运动信息和所述车辆参数信息进行筛选，可以使得得到的参数值更为准确，从而提高所述目标神经网络的网络精度。
23.一种可能的实施方式中，所述基于所述目标运动信息和所述车辆参数信息，训练与所述目标车辆对应的用于进行车辆参数预测的目标神经网络，包括：
24.对所述目标运动信息进行采样处理，确定所述目标运动信息中的测试运动信息；
25.基于所述测试运动信息和所述车辆参数信息，训练与所述目标车辆对应的用于进行车辆参数预测的目标神经网络。
26.一种可能的实施方式中，在训练与所述目标车辆对应的用于进行车辆参数预测的目标神经网络之后，所述方法还包括：
27.基于训练好的所述目标神经网络和预设验证运动信息，确定所述目标车辆在所述测试路段的测试车辆参数信息；
28.按照所述测试车辆参数信息控制所述目标车辆在所述测试路段进行行驶，并确定行驶过程中的验证参数；
29.基于所述验证参数以及各验证参数对应的约束条件，对所述目标神经网络进行验证。
30.这样，通过对所述目标神经网络进行验证，可以使得在进行车辆参数预测时得到的结果更为准确，从而提高油门刹车标定结果的准确性。
31.一种可能的实施方式中，所述验证参数包括位置误差参数、速度误差参数、停车参数、起步参数。
32.一种可能的实施方式中，所述按照所述测试车辆参数信息控制所述目标车辆在所述测试路段进行行驶，包括：
33.按照所述测试车辆参数信息和预设加速控制策略控制所述目标车辆在所述测试路段进行行驶。
34.这样，通过设置不同的加速控制策略对目标神经网络的输出数据进行验证，可以得到在不同路况下的验证结果，从而使得最终得到的油门刹车标定结果更符合实际需求。
35.一种可能的实施方式中，所述基于训练好的所述目标神经网络和所述道路行驶信息对所述目标车辆进行油门刹车标定，包括：
36.基于训练好的所述目标神经网络和除所述目标运动信息外的其他运动信息，预测除所述目标运动信息外的其他运动信息下的预测车辆参数信息；
37.基于所述道路行驶信息、所述其他运动信息以及所述预测车辆参数信息，对所述目标车辆进行油门刹车标定，以确定所述目标车辆在各运动信息下的车辆参数信息。
38.这样，通过所述目标神经网络预测的车辆参数信息，可以实现对目标车辆的快速标定，提高了油门刹车标定的效率。
39.第二方面，本公开实施例还提供一种油门刹车标定装置，包括：
40.获取模块，用于获取目标车辆在测试路段的道路行驶信息；其中，所述道路行驶信息包括所述目标车辆在目标运动信息下的车辆参数信息；
41.训练模块，用于基于所述目标运动信息和所述车辆参数信息，训练与所述目标车辆对应的用于进行车辆参数预测的目标神经网络；
42.标定模块，用于基于训练好的所述目标神经网络和所述道路行驶信息对所述目标车辆进行油门刹车标定。
43.一种可能的实施方式中，所述目标运动信息包括预设速度和预设加速度；所述车辆参数信息包括发动机扭矩信息和制动液压力信息。
44.一种可能的实施方式中，所述训练模块，在基于所述目标运动信息和所述车辆参数信息，训练与所述目标车辆对应的用于进行车辆参数预测的目标神经网络时，用于：
45.分别对所述目标运动信息和所述车辆参数信息进行归一化处理；
46.将归一化处理后的所述目标运动信息输入至待训练的所述目标神经网络，以归一化处理后的所述车辆参数信息作为待训练的所述目标神经网络的监督数据，对待训练的所述目标神经网络进行训练。
47.一种可能的实施方式中，在将归一化处理后的所述目标运动信息输入至待训练的所述目标神经网络之前，所述训练模块还用于：
48.针对任一车辆参数信息，基于所述目标车辆中执行器的响应时间，确定与该车辆参数信息匹配的目标运动信息；
49.所述训练模块，在将归一化处理后的所述目标运动信息输入至待训练的所述目标神经网络，以归一化处理后的所述车辆参数信息作为待训练的所述目标神经网络的监督数据，对待训练的所述目标神经网络进行训练时，用于：
50.将归一化处理后的目标运动信息输入至待训练的所述目标神经网络，以与所述归一化处理后的目标运动信息相匹配的归一化处理后的车辆参数信息作为待训练的所述目标神经网络的监督数据，对待训练的所述目标神经网络进行训练。
51.一种可能的实施方式中，在分别对所述目标运动信息和所述车辆参数信息进行归一化处理之前，所述训练模块还用于根据以下方法对所述目标运动信息和所述车辆参数信息进行筛选，筛选出需要进行归一化处理的所述目标运动信息和所述车辆参数信息：
52.基于与所述道路行驶信息对应的道路路况信息，对所述目标运动信息和所述车辆参数信息进行筛选，确定符合第一预设要求的目标运动信息和所述车辆参数信息为需要进行归一化处理的所述目标运动信息和所述车辆参数信息；或者，
53.基于预设参数阈值，对所述目标运动信息和所述车辆参数信息进行筛选，确定符合第二预设要求的目标运动信息和所述车辆参数信息为需要进行归一化处理的所述目标运动信息和所述车辆参数信息。
54.一种可能的实施方式中，所述训练模块，在基于所述目标运动信息和所述车辆参数信息，训练与所述目标车辆对应的用于进行车辆参数预测的目标神经网络时，用于：
55.对所述目标运动信息进行采样处理，确定所述目标运动信息中的测试运动信息；
56.基于所述测试运动信息和所述车辆参数信息，训练与所述目标车辆对应的用于进行车辆参数预测的目标神经网络。
57.一种可能的实施方式中，在训练与所述目标车辆对应的用于进行车辆参数预测的目标神经网络之后，所述训练模块还用于：
58.基于训练好的所述目标神经网络和预设验证运动信息，确定所述目标车辆在所述测试路段的测试车辆参数信息；
59.按照所述测试车辆参数信息控制所述目标车辆在所述测试路段进行行驶，并确定行驶过程中的验证参数；
60.基于所述验证参数以及各验证参数对应的约束条件，对所述目标神经网络进行验证。
61.一种可能的实施方式中，所述验证参数包括位置误差参数、速度误差参数、停车参数、起步参数。
62.一种可能的实施方式中，所述训练模块，在按照所述测试车辆参数信息控制所述目标车辆在所述测试路段进行行驶时，用于：
63.按照所述测试车辆参数信息和预设加速控制策略控制所述目标车辆在所述测试路段进行行驶。
64.一种可能的实施方式中，所述标定模块，在基于训练好的所述目标神经网络和所述道路行驶信息对所述目标车辆进行油门刹车标定时，用于：
65.基于训练好的所述目标神经网络和除所述目标运动信息外的其他运动信息，预测除所述目标运动信息外的其他运动信息下的预测车辆参数信息；
66.基于所述道路行驶信息、所述其他运动信息以及所述预测车辆参数信息，对所述目标车辆进行油门刹车标定，以确定所述目标车辆在各运动信息下的车辆参数信息。
67.第三方面，本公开实施例还提供一种计算机设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤。
68.第四方面，本公开实施例还提供一种计算机可读存储介质，该计算机可读存储介
质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤。
69.关于上述油门刹车标定装置、计算机设备及存储介质的效果描述参见上述活体检测方法的说明，这里不再赘述。
70.为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
71.为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，此处的附图被并入说明书中并构成本说明书中的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。应当理解，以下附图仅示出了本公开的某些实施例，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。
72.图1示出了本公开实施例所提供的一种油门刹车标定方法的流程图；
73.图2示出了本公开实施例所提供的油门刹车标定方法中，对目标神经网络进行训练的具体方法的流程图；
74.图3示出了本公开实施例所提供的油门刹车标定方法中，对目标神经网络进行验证的具体方法的流程图；
75.图4示出了本公开实施例所提供的一种油门刹车标定装置的架构示意图；
76.图5示出了本公开实施例所提供的一种计算机设备的结构示意图。
具体实施方式
77.为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中附图，对本公开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公开一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本公开实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本公开的实施例的详细描述并非旨在限制要求保护的本公开的范围，而是仅仅表示本公开的选定实施例。基于本公开的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
78.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
79.本文中术语“和/或”，仅仅是描述一种关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括a、b、c中的至少一种，可以表示包括从a、b和c构成的集合中选择的任意一个或多个元素。
80.经研究发现，在进行油门刹车标定时，往往需要通过大量试验获得不同速度对应的加速度，从而通过加速度、速度以及油门/刹车量之间的映射关系建立标定表，使得整个过程需要耗费大量的人力成本和时间成本，效率低下。
81.基于上述研究，本公开提供了一种油门刹车标定方法、装置、计算机设备及存储介
刹车1，并基于速度3-加速度3-刹车1生成提示信息，提示安全员速度3-加速度3-刹车1对应的数据未被采集，安全员在采集时可以通过油门和刹车控制车辆行驶，并记录下在速度3和加速度3时对应的刹车量(制动液压力信息)，以完成与速度3-加速度3-刹车1对应的数据采集工作。
92.s102：基于所述目标运动信息和所述车辆参数信息，训练与所述目标车辆对应的用于进行车辆参数预测的目标神经网络。
93.这里，所述目标神经网络的网络类型可以是卷积神经网络等，所述目标神经网络可以是针对油门刹车标定场景预先构建的神经网络，所述目标神经网络可以将速度和加速度作为输入数据，将油门/刹车量(可以通过对发动机扭矩信息/制动液压力信息进行归一化处理得到)作为输出数据，以实现对目标车辆在行驶过程中速度-加速度-油门/刹车量的非线性拟合。
94.一种可能的实施方式中，如图2所示，可以通过以下步骤对目标神经网络进行训练：
95.s201：分别对所述目标运动信息和所述车辆参数信息进行归一化处理。
96.这里，在对所述车辆参数信息进行归一化处理时，可以将所述车辆参数信息中的发动机扭矩信息和制动液压力信息分别归一化处理，并将归一化处理后的发动机扭矩信息和制动液压力信息使用同一参数进行表示。
97.具体的，由于所述发动机扭矩信息和所述制动液压力信息分别可以表征车辆的加速特征和减速特征，因此为了便于使用所述目标神经网络进行非线性拟合，可以使用一个目标参数表征所述发动机扭矩信息和制动液压力信息。
98.示例性的，所述目标参数的参数范围可以是-100～100，其中，-100～0可以用于表征所述制动液压力信息，参数值越小则对应的制动液压力越大，车辆减速越快；0～100可以用于表征所述发动机扭矩信息，参数值越大则对应的发动机输出扭矩越大，车辆加速越快。
99.实际应用中，在对所述目标运动信息和所述车辆参数信息进行归一化处理之前，还可以对所述目标运动信息和所述车辆参数信息进行筛选，筛选出需要进行归一化处理的所述目标运动信息和所述车辆参数信息，以提高所述目标神经网络的训练效果。
100.具体的，在对所述目标运动信息和所述车辆参数信息进行筛选时，可以使用以下方式中的任一种：
101.方式1、基于与所述道路行驶信息对应的道路路况信息进行筛选
102.具体的，可以基于与所述道路行驶信息对应的道路路况信息，对所述目标运动信息和所述车辆参数信息进行筛选，确定符合第一预设要求的目标运动信息和所述车辆参数信息，比如删除道路坡度大于预设坡度的测试路段对应的目标运动信息和车辆参数信息。
103.示例性的，以所述预设坡度为30
°
为例，可以删除所述目标车辆在大于30
°
坡度的测试路段中采集的所述道路行驶信息，以避免在特殊路况下的道路行驶信息对训练所述目标神经网络的影响。
104.方式2、基于预设参数阈值进行筛选
105.这里，可以基于预设参数阈值，对所述目标运动信息和所述车辆参数信息进行筛选，确定符合第二预设要求的目标运动信息和所述车辆参数信息。
106.具体的，可以针对所述制动液压力信息、发动机扭矩信息、速度、加速度中的任一
参数设置参数阈值，将超出阈值的参数进行删除，从而避免异常参数值对训练所述目标神经网络的影响。
107.示例性的，可以针对速度设置参数阈值为30米每秒，当检测到存在50米每秒的速度值时，可以将该速度值以及在该速度值下的相关参数值(比如加速度等)删除。
108.方式3、基于滤波算法进行筛选
109.这里，所述滤波算法可以是互补滤波算法等滤波算法，通过所述滤波算法进行筛选，可以使得参数值更精确。
110.示例性的，可以基于速度、加速度以及互补滤波算法完成互补滤波，以剔除加速度的低频偏差和高频噪声，获取更精准的加速度。
111.这样，通过对目标运动信息和所述车辆参数信息进行筛选，可以使得得到的参数值更为准确，从而提高所述目标神经网络的训练效果。
112.s202：将归一化处理后的所述目标运动信息输入至待训练的所述目标神经网络，以归一化处理后的所述车辆参数信息作为待训练的所述目标神经网络的监督数据，对待训练的所述目标神经网络进行训练。
113.这里，对待训练的所述目标神经网络进行训练的过程，即为根据所述监督数据和所述目标神经网络的网络输出结果，对所述目标神经网络的网络参数进行调整的过程。通过对所述目标神经网络进行训练，可以使得所述目标神经网络能够更为准确的拟合出所述目标车辆在行驶过程中速度-加速度-油门/刹车量的映射关系。
114.一种可能的实施方式中，在对所述目标神经网络进行训练时，对所述目标运动信息进行采样处理，确定所述目标运动信息中的测试运动信息；基于所述测试运动信息和所述车辆参数信息，训练与所述目标车辆对应的用于进行车辆参数预测的目标神经网络。
115.这里，在确定所述测试运动信息时，可以针对速度(或者加速度)进行采样，确定在各预设速度区间(或者加速度区间)中的目标速度(或者目标加速度)，并基于所述目标速度(或者目标加速度)训练所述目标神经网络。
116.示例性的，可以分别对0～20、20～40、40～60、60～80的速度区间分别进行采样，确定各速度区间内的2个速度值为所述目标速度，并基于所述目标速度训练所述目标神经网络。
117.这样，通过对所述目标运动信息进行采样处理，可以同时避免在同一数值区间内的训练数据过多，从而提高所述目标神经网络的训练效果。
118.实际应用中，车辆的控制往往最终由执行器进行执行，所述执行器用于接收控制指令后执行相应的操作，以实现对车辆的控制，而所述执行器可能存在接收指令的延迟时间和执行操作的响应时间，所述延迟时间和所述响应时间可能会对所述目标神经网络的训练造成影响，降低所述目标神经网络的网络精度。
119.一种可能的实施方式中，在将归一化处理后的所述目标运动信息输入至待训练的所述目标神经网络之前，针对任一车辆参数信息，基于所述目标车辆中执行器的响应时间，确定与该车辆参数信息匹配的目标运动信息。
120.这里，由于任一所述目标运动信息匹配的车辆参数信息用于作为该目标运动信息对应的监督数据，因此目标运动信息与车辆参数信息的匹配关系至关重要。
121.具体的，任一所述车辆参数信息，在确定与该车辆参数信息匹配的目标运动信息
时，可以根据所述目标车辆中执行器的响应时间(或者延迟时间，或者响应时间和延迟时间)，以及所述道路行驶信息中各测试时刻分别对应的车辆参数信息和目标运动信息，确定与该车辆参数信息匹配的目标运动信息。
122.示例性的，车辆参数信息1对应的目标运动信息为在测试时刻1下的目标运动信息1，可以根据响应时间和延迟时间，确定车辆参数信息1对应的目标运动信息为在测试时刻2下的目标运动信息2，从而可以根据所述响应时间和延迟时间重新确定出于车辆参数信息匹配的目标运动信息。
123.相应的，在对待训练的所述目标神经网络进行训练时，可以将归一化处理后的目标运动信息输入至待训练的所述目标神经网络，以与所述归一化处理后的目标运动信息相匹配的归一化处理后的车辆参数信息作为待训练的所述目标神经网络的监督数据，对待训练的所述目标神经网络进行训练。
124.这样，通过基于执行器的响应时间确定与车辆参数信息匹配的目标运动信息，可以避免因为执行器的响应时间造成的训练数据不匹配的问题，从而确保所述目标神经网络的训练效果。
125.进一步的，在对所述目标神经网络进行训练之后，如图3所示，还可以通过如下步骤对目标神经网络进行验证：
126.s301：基于训练好的所述目标神经网络和预设验证运动信息，确定所述目标车辆在所述测试路段的测试车辆参数信息。
127.这里，所述预设验证运动信息表示预设的用于进行验证的运动信息，可以包括预设加速度和预设速度，通过将所述预设验证运动信息输入至所述训练好的目标神经网络即可得到所述目标神经网络输出的测试车辆参数信息；所述测试车辆参数信息包括所述训练好的目标神经网络输出的，所述目标车辆在所述测试路段中的发动机扭矩信息和制动液压力信息，通过所述测试车辆参数信息可以完成所述目标车辆在所述测试路段的自动驾驶。
128.s302：按照所述测试车辆参数信息控制所述目标车辆在所述测试路段进行行驶，并确定行驶过程中的验证参数。
129.这里，所述目标车辆可以按照所述测试车辆参数信息进行自动行驶，所述验证参数可以包括位置误差参数、速度误差参数、停车参数、起步参数，其中，所述位置误差参数用于表征验证过程中，所述目标车辆在获取所述道路行驶信息阶段的位置，与按照所述车辆参数信息控制行驶时的位置之间的误差，所述位置参数误差可以包括最大位置误差和平均位置误差；所述速度误差参数用于表征验证过程中，所述目标车辆在获取所述道路行驶信息阶段的速度，与按照所述车辆参数信息控制行驶时的速度之间的误差，所述速度误差参数可以包括最大速度误差和平均速度误差；所述起步参数可以包括起步时长等；所述停车参数可以包括停车顿挫参数和停车误差，所述停车误差用于表征验证过程中，所述目标车辆在获取所述道路行驶信息阶段的停车位置，与按照所述车辆参数信息控制行驶时的停车位置之间的误差，所述停车顿挫参数可以使用单位时间内加速度的变化情况进行表达，以反映乘客在乘坐所述目标车辆时的乘车体验。
130.一种可能的实施方式中，在控制所述目标车辆进行行驶时，可以按照所述测试车辆参数信息和预设加速控制策略控制所述目标车辆在所述测试路段进行行驶。
131.这里，所述预设加速控制策略用于表征所述目标车辆在进行加速和减速时的时
长，所述预设加速控制策略可以包括第一加速控制策略和第二加速控制策略，第一加速控制策略可以是在第一预设时长内完成加速和减速的过程(即急加速和急减速)，所述第二加速控制策略可以是在第二预设时长内完成加速和减速的过程(即柔和加速和柔和减速)，所述第二预设时长大于所述第一预设时长。
132.具体的，为了保证验证时工况的一致性，可以使用车辆循迹行驶算法控制所述目标车辆完成自动验证，而为了尽量覆盖全工况，同时节省自动验证的时间成本，可以在所述目标车辆的验证过程中采集两条循迹路线的验证参数，分别在所述第一加速控制策略和所述第二加速控制策略下进行验证过程中真实运动信息的采集，并基于采集到的真实运动信息对目标神经网络进行验证，其中，所述循迹路线即为按照所述车辆循迹行驶算法确定的行驶路线。
133.进一步的，为了保证验证结果的一致性和准确性，每条循迹路线可以测试多次，并基于多次测试的验证结果确定所述目标神经网络的最终验证结果。
134.这样，通过设置不同的加速控制策略对目标神经网络的输出数据进行验证，可以得到在不同路况下的验证结果，从而使得最终得到的油门刹车标定结果更符合实际需求。
135.s303：基于所述验证参数以及各验证参数对应的约束条件，对所述目标神经网络进行验证。
136.具体的，针对任一所述验证参数，可以获取与该验证参数对应的约束条件，并在确定所述验证参数不符合对应的约束条件的情况下，确定所述目标神经网络在该验证参数下的验证结果为不通过验证。
137.进一步的，在所述目标神经网络的验证结果为不通过验证的情况下，还可以重新执行上述s101和s102，以对所述目标神经网络重新进行训练。
138.s103：基于训练好的所述目标神经网络和所述道路行驶信息对所述目标车辆进行油门刹车标定。
139.一种可能的实施方式中，在进行油门刹车标定时，可以基于训练好的所述目标神经网络和除所述目标运动信息外的其他运动信息，预测除所述目标运动信息外的其他运动信息下的预测车辆参数信息；基于所述道路行驶信息、所述其他运动信息以及所述预测车辆参数信息，对所述目标车辆进行油门刹车标定，以确定所述目标车辆在各运动信息下的车辆参数信息。
140.这里，标定的过程本质上是确定目标车辆在各种运动信息下的车辆参数信息，而所述目标车辆在测试路段中得到的，在目标运动信息下的车辆参数信息所能提供的数据较少，因此可以基于所述目标神经网络预测除所述目标运动信息外的其他运动信息下的预测车辆参数信息，从而能够对所述目标车辆在测试路段中得到的数据进行补充，确定出所述目标车辆在各运动信息下的车辆参数信息。
141.具体的，最终得到的所述油门刹车标定的标定结果的数据存储形式可以是《速度-加速度-油门/刹车》标定表，所述《速度-加速度-油门/刹车》标定表中包含的内容可以为速度1-加速度1-油门1(可以通过对发动机扭矩信息进行归一化处理后得到)、速度2-加速度2-刹车1(可以通过对制动液压力信息进行归一化处理后得到)。
142.这样，通过所述目标神经网络预测的车辆参数信息，可以实现对目标车辆的快速标定，提高了油门刹车标定的效率。
143.本公开实施例提供的油门刹车标定方法，可以通过获取目标车辆在目标运动信息下的车辆参数信息；然后基于所述目标运动信息和所述车辆参数信息，训练与所述目标车辆对应的用于进行车辆参数预测的目标神经网络；这样，可以基于训练好的所述目标神经网络去预测车辆参数信息，以对所述目标车辆进行油门刹车标定。这样，通过在油门刹车标定过程中引入神经网络进行数据处理，可以对车辆参数信息和目标运动信息之间的映射关系进行非线性拟合，确保了标定结果的准确性；另一方面，通过目标神经网络进行车辆参数预测，可以减少油门刹车标定时所需的测试数据的数据量，从而提高了油门刹车标定的标定效率。
144.本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
145.基于同一发明构思，本公开实施例中还提供了与油门刹车标定方法对应的油门刹车标定装置，由于本公开实施例中的装置解决问题的原理与本公开实施例上述油门刹车标定方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
146.参照图4所示，为本公开实施例提供的一种油门刹车标定装置的架构示意图，所述装置包括：获取模块401、训练模块402、标定模块403；其中，
147.获取模块401，用于获取目标车辆在测试路段的道路行驶信息；其中，所述道路行驶信息包括所述目标车辆在目标运动信息下的车辆参数信息；
148.训练模块402，用于基于所述目标运动信息和所述车辆参数信息，训练与所述目标车辆对应的用于进行车辆参数预测的目标神经网络；
149.标定模块403，用于基于训练好的所述目标神经网络和所述道路行驶信息对所述目标车辆进行油门刹车标定。
150.一种可能的实施方式中，所述目标运动信息包括预设速度和预设加速度；所述车辆参数信息包括发动机扭矩信息和制动液压力信息。
151.一种可能的实施方式中，所述训练模块402，在基于所述目标运动信息和所述车辆参数信息，训练与所述目标车辆对应的用于进行车辆参数预测的目标神经网络时，用于：
152.分别对所述目标运动信息和所述车辆参数信息进行归一化处理；
153.将归一化处理后的所述目标运动信息输入至待训练的所述目标神经网络，以归一化处理后的所述车辆参数信息作为待训练的所述目标神经网络的监督数据，对待训练的所述目标神经网络进行训练。
154.一种可能的实施方式中，在将归一化处理后的所述目标运动信息输入至待训练的所述目标神经网络之前，所述训练模块402还用于：
155.针对任一车辆参数信息，基于所述目标车辆中执行器的响应时间，确定与该车辆参数信息匹配的目标运动信息；
156.所述训练模块402，在将归一化处理后的所述目标运动信息输入至待训练的所述目标神经网络，以归一化处理后的所述车辆参数信息作为待训练的所述目标神经网络的监督数据，对待训练的所述目标神经网络进行训练时，用于：
157.将归一化处理后的目标运动信息输入至待训练的所述目标神经网络，以与所述归一化处理后的目标运动信息相匹配的归一化处理后的车辆参数信息作为待训练的所述目
标神经网络的监督数据，对待训练的所述目标神经网络进行训练。
158.一种可能的实施方式中，在分别对所述目标运动信息和所述车辆参数信息进行归一化处理之前，所述训练模块402还用于根据以下方法对所述目标运动信息和所述车辆参数信息进行筛选，筛选出需要进行归一化处理的所述目标运动信息和所述车辆参数信息：
159.基于与所述道路行驶信息对应的道路路况信息，对所述目标运动信息和所述车辆参数信息进行筛选，确定符合第一预设要求的目标运动信息和所述车辆参数信息为需要进行归一化处理的所述目标运动信息和所述车辆参数信息；或者，
160.基于预设参数阈值，对所述目标运动信息和所述车辆参数信息进行筛选，确定符合第二预设要求的目标运动信息和所述车辆参数信息为需要进行归一化处理的所述目标运动信息和所述车辆参数信息。
161.一种可能的实施方式中，所述训练模块402，在基于所述目标运动信息和所述车辆参数信息，训练与所述目标车辆对应的用于进行车辆参数预测的目标神经网络时，用于：
162.对所述目标运动信息进行采样处理，确定所述目标运动信息中的测试运动信息；
163.基于所述测试运动信息和所述车辆参数信息，训练与所述目标车辆对应的用于进行车辆参数预测的目标神经网络。
164.一种可能的实施方式中，在训练与所述目标车辆对应的用于进行车辆参数预测的目标神经网络之后，所述训练模块402还用于：
165.基于训练好的所述目标神经网络和预设验证运动信息，确定所述目标车辆在所述测试路段的测试车辆参数信息；
166.按照所述测试车辆参数信息控制所述目标车辆在所述测试路段进行行驶，并确定行驶过程中的验证参数；
167.基于所述验证参数以及各验证参数对应的约束条件，对所述目标神经网络进行验证。
168.一种可能的实施方式中，所述验证参数包括位置误差参数、速度误差参数、停车参数、起步参数。
169.一种可能的实施方式中，所述训练模块402，在按照所述测试车辆参数信息控制所述目标车辆在所述测试路段进行行驶时，用于：
170.按照所述测试车辆参数信息和预设加速控制策略控制所述目标车辆在所述测试路段进行行驶。
171.一种可能的实施方式中，所述标定模块403，在基于训练好的所述目标神经网络和所述道路行驶信息对所述目标车辆进行油门刹车标定时，用于：
172.基于训练好的所述目标神经网络和除所述目标运动信息外的其他运动信息，预测除所述目标运动信息外的其他运动信息下的预测车辆参数信息；
173.基于所述道路行驶信息、所述其他运动信息以及所述预测车辆参数信息，对所述目标车辆进行油门刹车标定，以确定所述目标车辆在各运动信息下的车辆参数信息。
174.本公开实施例提供的油门刹车标定装置，可以通过获取目标车辆在目标运动信息下的车辆参数信息；然后基于所述目标运动信息和所述车辆参数信息，训练与所述目标车辆对应的用于进行车辆参数预测的目标神经网络；这样，可以基于训练好的所述目标神经网络去预测车辆参数信息，以对所述目标车辆进行油门刹车标定。这样，通过在油门刹车标
定过程中引入神经网络进行数据处理，可以对车辆参数信息和目标运动信息之间的映射关系进行非线性拟合，确保了标定结果的准确性；另一方面，通过目标神经网络进行车辆参数预测，可以减少油门刹车标定时所需的测试数据的数据量，从而提高了油门刹车标定的标定效率。
175.关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明，这里不再详述。
176.基于同一技术构思，本公开实施例还提供了一种计算机设备。参照图5所示，为本公开实施例提供的计算机设备500的结构示意图，包括处理器501、存储器502、和总线503。其中，存储器502用于存储执行指令，包括内存5021和外部存储器5022；这里的内存5021也称内存储器，用于暂时存放处理器501中的运算数据，以及与硬盘等外部存储器5022交换的数据，处理器501通过内存5021与外部存储器5022进行数据交换，当计算机设备500运行时，处理器501与存储器502之间通过总线503通信，使得处理器501在执行以下指令：
177.获取目标车辆在测试路段的道路行驶信息；其中，所述道路行驶信息包括所述目标车辆在目标运动信息下的车辆参数信息；
178.基于所述目标运动信息和所述车辆参数信息，训练与所述目标车辆对应的用于进行车辆参数预测的目标神经网络；
179.基于训练好的所述目标神经网络和所述道路行驶信息对所述目标车辆进行油门刹车标定。
180.本公开实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例中所述的油门刹车标定方法的步骤。其中，该存储介质可以是易失性或非易失的计算机可读取存储介质。
181.本公开实施例还提供一种计算机程序产品，该计算机程序产品承载有程序代码，所述程序代码包括的指令可用于执行上述方法实施例中所述的油门刹车标定方法的步骤，具体可参见上述方法实施例，在此不再赘述。
182.其中，上述计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(software development kit，sdk)等等。
183.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本公开所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
184.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目
的。
185.另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
186.所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本公开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(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
187.最后应说明的是：以上所述实施例，仅为本公开的具体实施方式，用以说明本公开的技术方案，而非对其限制，本公开的保护范围并不局限于此，尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本公开实施例技术方案的精神和范围，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应所述以权利要求的保护范围为准。