一种自适应驾驶的助力控制方法及装置与流程

1.本技术涉及车辆控制技术领域，具体是涉及一种自适应驾驶的助力控制方法及装置。


背景技术：

2.随着新能源车辆的电动化、智能化、网联化不断升级迭代，用户对于智能化需求也在不断提高。对于新能源汽车，驾驶员操纵车辆的行为可以分解为踩踏油门、踩踏刹车、转动方向盘，从而完成车辆正常驾驶。一般的，汽车厂商仅为驾驶员提供了普通模式、运动模式、节能模式等统一的固定模式，每个模式针对踩踏油门、踩踏刹车、转动方向盘的助力控制对应有固定的助力曲线，对于任何人，在对车辆进行助力控制时均是使用相同的助力曲线，但是每个驾驶员的驾驶习惯和操纵偏好是不同的，统一的助力控制导致驾驶员无法方便地对车辆进行驾驶。
3.因此，现有技术还有待改进和提高。


技术实现要素：

4.本技术提供了一种自适应驾驶的助力控制方法及装置，以解决相关技术中在对车辆进行助力控制时均是使用相同的助力曲线，统一的助力控制导致驾驶员无法方便地对车辆进行驾驶的技术问题。
5.为实现上述目的，本技术采用了以下技术方案：本技术第一方面实施例提供一种自适应驾驶的助力控制方法，包括以下步骤：获取驾驶员身份信息，并采集车辆行驶中的驾驶环境信息和驾驶参数信息；识别所述驾驶环境信息中的各个驾驶场景，并根据所述驾驶参数信息得到各个所述驾驶场景对应的驾驶参数；将各个所述驾驶场景和对应的驾驶参数输入到预先训练的深度学习模型中，得到助力曲线；当接收到对所述助力曲线的确认指令时，按照所述助力曲线对车辆进行助力控制。
6.根据上述技术手段，本技术实施例通过采集车辆行驶中的驾驶环境信息和驾驶参数信息，利用预先训练的深度学习模型对助力曲线进行更新，即，根据驾驶员的行驶数据更新助力曲线，不同的驾驶员能够得到不同的助力曲线，针对性的助力控制提高了驾驶员对车辆驾驶的方便性。
7.可选地，在本技术的一个实施例中，所述驾驶员身份信息包括驾驶员面部信息和/或驾驶员指纹信息，所述驾驶环境信息包括车辆路况信息、车流量信息和障碍物信息，所述驾驶场景包括起步场景、加速场景、巡航场景、刹车场景和转向场景中的一种或多种，所述驾驶参数信息包括油门踩踏加速度、刹车踩踏加速度和方向盘转动角度。
8.根据上述技术手段，本技术实施例中通过识别驾驶员的身份，并保存驾驶员面部
信息和/或驾驶员指纹信息，并与驾驶员的驾驶习惯和操纵偏好和驾驶员进行绑定，进而完成驾驶员个性化的驾驶习惯和操纵偏好切换。
9.可选地，在本技术的一个实施例中，所述获取驾驶员身份信息，并采集车辆行驶中的驾驶环境信息和驾驶参数信息之前，还包括：接收自适应驾驶助力系统登录指令；若为首次登录，则采集驾驶员身份信息并存储；当接收到车辆部件位置调整指令时，根据当前的车辆部件位置得到车辆部件位置信息，并建立所述驾驶员身份信息与所述车辆部件位置信息之间的第一对应关系。
10.根据上述技术手段，本技术实施例能够直接调用对应的车辆部件位置信息，自动将后视镜、座椅等车辆部件位置进行调整，实现了根据个人喜好和习惯进行自动调整车辆部件位置，实现了个性化定制。
11.可选地，在本技术的一个实施例中，将各个所述驾驶场景和对应的驾驶参数输入到预先训练的深度学习模型中，得到助力曲线，包括：获取预设时间段内的所有驾驶场景和对应的驾驶参数；将所有所述驾驶场景和对应的驾驶参数输入到预先训练的深度学习模型中，得到助力曲线，并建立所述助力曲线与所述驾驶员身份信息之间的第二对应关系。
12.根据上述技术手段，本技术实施例根据驾驶员身份信息对历史数据进行获取，使用预设时间段内的所有驾驶场景和对应的驾驶参数进行助力曲线的更新，提高了更新助力曲线的准确性。
13.可选地，在本技术的一个实施例中，所述接收自适应驾驶助力系统登录指令之后，还包括：若不是首次登录，则采集驾驶员身份信息，根据所述驾驶员身份信息查找所述第一对应关系和所述第二对应关系；根据所述第一对应关系得到与所述驾驶员身份信息相对应的车辆部件位置信息，根据所述第二对应关系得到与所述驾驶员身份信息相对应的助力曲线；按照所述车辆部件位置信息对车辆部件位置进行调整。
14.根据上述技术手段，本技术实施例在驾驶员再次使用车辆时，将自动识别驾驶员身份信息，调节相关设置至记忆位置，实现与用户的自适应交互，为用户带来方便快捷的操控体验。
15.可选地，在本技术的一个实施例中，所述当接收到对所述助力曲线的确认指令时，按照所述助力曲线对车辆进行助力控制之前，还包括：若接收到助力曲线调整指令，则根据所述助力曲线调整指令对所述助力曲线进行调整。
16.根据上述技术手段，本技术实施例能够在新的助力曲线上进行手动确认与调整细节，进一步地提高了助力控制的个性化与方便性。
17.可选地，在本技术的一个实施例中，所述深度学习模型为卷积神经网络或循环神经网络。
18.根据上述技术手段，本技术实施例使用的深度学习模型能够在不同场景下，不断去优化和调整油门踩踏、刹车踩踏、方向盘转动助力曲线拟合参数，从而生成能够自适应驾
驶的助力曲线。
19.本技术第二方面实施例提供一种自适应驾驶的助力控制装置，包括：采集模块，用于获取驾驶员身份信息，并采集车辆行驶中的驾驶环境信息和驾驶参数信息；识别模块，用于识别所述驾驶环境信息中的各个驾驶场景，并根据所述驾驶参数信息得到各个所述驾驶场景对应的驾驶参数；输入模块，用于将各个所述驾驶场景和对应的驾驶参数输入到预先训练的深度学习模型中，得到助力曲线；控制模块，用于当接收到对所述助力曲线的确认指令时，按照所述助力曲线对车辆进行助力控制。
20.本技术第三方面实施例提供一种车辆，所述车辆包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的自适应驾驶的助力控制程序，所述处理器执行所述自适应驾驶的助力控制程序时，实现如上所述的自适应驾驶的助力控制方法的步骤。
21.本技术第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有自适应驾驶的助力控制程序，所述自适应驾驶的助力控制程序被处理器执行时，实现如上所述的自适应驾驶的助力控制方法的步骤。
22.本技术的有益效果：（1）本技术通过采集车辆行驶中的驾驶环境信息和驾驶参数信息，利用预先训练的深度学习模型对助力曲线进行更新，即，根据驾驶员的行驶数据更新助力曲线，不同的驾驶员能够得到不同的助力曲线，针对性的助力控制提高了驾驶员对车辆驾驶的方便性。
23.（2）本技术在驾驶员再次使用车辆时，将自动识别驾驶员身份信息，调节相关设置至记忆位置，实现与用户的自适应交互，为用户带来方便快捷的操控体验。
24.（3）本技术根据驾驶员身份信息对历史数据进行获取，使用预设时间段内的所有驾驶场景和对应的驾驶参数进行助力曲线的更新，提高了更新助力曲线的准确性。
25.本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
附图说明
26.本技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中:图1为本技术实施例提供的一种自适应驾驶的助力控制方法的流程图；图2为本技术实施例的自适应驾驶的助力控制方法的处理逻辑原理图；图3为本技术实施例的自适应驾驶的助力控制方法中具体实施例的流程图。
27.图4为本技术实施例的自适应驾驶的助力控制装置的结构示意图；图5为本技术实施例提供的车辆的内部结构原理框图。
具体实施方式
28.下面详细描述本技术的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描
述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。
29.下面参考附图描述本技术实施例的自适应驾驶的助力控制方法及装置。针对上述背景技术中提到的在对车辆进行助力控制时均是使用相同的助力曲线，统一的助力控制导致驾驶员无法方便地对车辆进行驾驶的问题，本技术提供了一种自适应驾驶的助力控制方法，在该方法中，获取驾驶员身份信息，并采集车辆行驶中的驾驶环境信息和驾驶参数信息；识别驾驶环境信息中的各个驾驶场景，并根据驾驶参数信息得到各个驾驶场景对应的驾驶参数；将各个驾驶场景和对应的驾驶参数输入到预先训练的深度学习模型中，得到助力曲线；当接收到对助力曲线的确认指令时，按照助力曲线对车辆进行助力控制。本技术实施例通过采集车辆行驶中的驾驶环境信息和驾驶参数信息，利用预先训练的深度学习模型对助力曲线进行更新，即，根据驾驶员的行驶数据更新助力曲线，不同的驾驶员能够得到不同的助力曲线，针对性的助力控制提高了驾驶员对车辆驾驶的方便性，解决了在对车辆进行助力控制时均是使用相同的助力曲线，统一的助力控制导致驾驶员无法方便地对车辆进行驾驶的问题。
30.具体而言，图1为本技术实施例所提供的一种自适应驾驶的助力控制方法流程示意图。
31.如图1所示，该自适应驾驶的助力控制方法包括以下的步骤：在步骤s101中，获取驾驶员身份信息，并采集车辆行驶中的驾驶环境信息和驾驶参数信息。
32.本技术实施例中，车辆上设置有车载传感器和数据采集模块，利用车载传感器得到驾驶员身份信息，利用数据采集模块实时采集车辆行驶中的驾驶环境信息和驾驶参数信息，进而进行助力曲线的个性化训练。
33.在步骤s102中，识别驾驶环境信息中的各个驾驶场景，并根据驾驶参数信息得到各个驾驶场景对应的驾驶参数。
34.本技术实施例将实时采集的驾驶环境信息进行清洗处理，得到对应的驾驶场景，驾驶环境信息和驾驶参数信息都是时序数据，在某个驾驶场景中会对应有当前的驾驶参数。
35.在本技术的一个实施例中，驾驶员身份信息包括驾驶员面部信息和/或驾驶员指纹信息，驾驶环境信息包括车辆路况信息、车流量信息和障碍物信息，驾驶场景包括起步场景、加速场景、巡航场景、刹车场景和转向场景中的一种或多种，驾驶参数信息包括油门踩踏加速度、刹车踩踏加速度和方向盘转动角度。
36.本实施例可以通过摄像头、指纹传感器采集驾驶员面部信息或者驾驶员指纹信息，还可以既采集驾驶员面部信息又采集驾驶员指纹信息，以增加识别的准确性。并且使用激光雷达、毫米波雷达、摄像头、gps等车载传感器对车辆路况、车流量、障碍物等周围环境信息进行实时采集和处理，同时，对踩踏油门、踩踏刹车、转动方向盘信息进行实时采集。驾驶环境信息经处理得到的数据为驾驶场景，分为起步场景、加速场景、巡航场景、刹车场景和转向场景等常用场景，驾驶参数则为油门踩踏加速度、刹车踩踏加速度和方向盘转动角度，以便于输入到深度学习模型中。在日常的驾驶行为中，数据采集模块对车辆踩踏油门、踩踏刹车、转动方向盘信息和周围环境信息进行实时采集和处理，为助力曲线的更新提供数据。
37.本技术实施例通过识别驾驶员的身份，并保存驾驶员面部信息和/或驾驶员指纹信息，并与驾驶员的驾驶习惯和操纵偏好和驾驶员进行绑定，进而完成驾驶员个性化的驾驶习惯和操纵偏好切换。
38.在本技术的一个实施例中，步骤s101之前还包括：接收自适应驾驶助力系统登录指令；若为首次登录，则采集驾驶员身份信息并存储；当接收到车辆部件位置调整指令时，根据当前的车辆部件位置得到车辆部件位置信息，并建立驾驶员身份信息与车辆部件位置信息之间的第一对应关系。
39.本技术实施例中，驾驶员首次使用自适应驾驶助力系统时，需通过摄像头传感器、指纹传感器录入个人的面部、指纹等生物信息。车辆部件位置是指后视镜、座椅等部件的位置，本技术实施例根据个人喜好调节外后视镜、座椅等车辆部件位置，并与驾驶员身份信息进行绑定，这样，在该驾驶员下次驾驶时，能够直接调用对应的车辆部件位置信息，自动将后视镜、座椅等车辆部件位置进行调整，实现了根据个人喜好和习惯进行自动调整车辆部件位置，实现了个性化定制。
40.在步骤s103中，将各个驾驶场景和对应的驾驶参数输入到预先训练的深度学习模型中，得到助力曲线。
41.本技术实施例将各个驾驶场景和对应的驾驶参数输入到预先训练的深度学习模型中，根据这些数据进行计算，调整踩踏油门、踩踏刹车、转动方向盘在不同场景的助力曲线。
42.在本技术的一个实施例中，步骤s103具体包括：获取预设时间段内的所有驾驶场景和对应的驾驶参数；将所有驾驶场景和对应的驾驶参数输入到预先训练的深度学习模型中，得到助力曲线，并建立助力曲线与驾驶员身份信息之间的第二对应关系。
43.本技术实施例中，可以根据历史数据和当前数据进行学习，不断计算，调整踩踏油门、踩踏刹车、转动方向盘在不同位置的助力曲线，以增加助力曲线的准确性。在首次登录时是没有该驾驶员的历史数据的，驾驶员可以选择系统提供的各个模式的数据，即，在起步、加速、巡航、刹车、转向等不同场景下对应的踩踏油门、踩踏刹车、转动方向盘等驾驶参数，并将选择的驾驶场景和对应的驾驶参数与驾驶员身份信息进行绑定。
44.本技术实施例根据驾驶员身份信息对历史数据进行获取，使用预设时间段内的所有驾驶场景和对应的驾驶参数进行助力曲线的更新，提高了更新助力曲线的准确性。
45.在本技术的一个实施例中，接收自适应驾驶助力系统登录指令之后，还包括：若不是首次登录，则采集驾驶员身份信息，根据驾驶员身份信息查找第一对应关系和第二对应关系；根据第一对应关系得到与驾驶员身份信息相对应的车辆部件位置信息，根据第二对应关系得到与驾驶员身份信息相对应的助力曲线；按照车辆部件位置信息对车辆部件位置进行调整。
46.本技术实施例在驾驶员再次使用车辆时，将自动识别驾驶员身份信息，调节相关设置至记忆位置，实现与用户的自适应交互，为用户带来方便快捷的操控体验。
47.在步骤s104中，当接收到对助力曲线的确认指令时，按照助力曲线对车辆进行助力控制。
48.本技术实施例在一定时间周期，向驾驶员反馈助力曲线变化，选择是否确认修改，从而满足驾驶员个性化的驾驶需求。
49.在本技术的一个实施例中，当接收到对助力曲线的确认指令时，按照助力曲线对车辆进行助力控制之前，还包括：若接收到助力曲线调整指令，则根据助力曲线调整指令对助力曲线进行调整。
50.本技术实施例还可以在得到助力曲线后，提示驾驶员更新自适应驾驶助力系统，在新的助力曲线上进行手动确认与调整细节，进一步地提高了助力控制的个性化与方便性。
51.在本技术的一个实施例中，深度学习模型为卷积神经网络或循环神经网络。深度学习模型采用卷积神经网络（cnn）或循环神经网络（rnn），对于深度学习模型的训练，可以将该近一年的历史数据和当前周期输入数据作为深度学习模型的训练数据集，使深度学习模型能够计算在不同车速、转弯、刹停场景下，不断去优化和调整油门踩踏、刹车踩踏、方向盘转动助力曲线拟合参数，从而生成能够自适应驾驶的助力曲线。
52.在本技术实施例中，如图2所示，步骤a1、利用数据采集模块采集车辆行驶中的驾驶环境信息和驾驶参数信息；步骤a2、在驾驶人员识别系统中识别驾驶员身份信息；步骤a3、车辆偏好位置、驾驶偏好切换；步骤a4、在车辆执行控制模块中利用助力曲线进行助力控制；步骤a5、将数据输入预先训练的深度学习模型中，用以训练车辆助力曲线。
53.在一个实施例中，如图3所示，步骤b1、身份识别；步骤b2、判断是否为新驾驶员；若是，则执行步骤c1和c2；若否，则执行步骤b3；步骤b3、调整后视镜、座椅至记忆位置；步骤b4、调整不同场景下，踩踏油门、踩踏刹车、转动方向盘助力敏感度；其中助力敏感度是指油门踩踏加速度、刹车踩踏加速度和方向盘转动角度；步骤b5、行驶过程中，采集路况、场景信息；步骤b6、行驶过程中，采集油门踩踏幅度、刹车踩踏幅度、方向盘转动角度数据；并执行步骤b7；步骤c1、设置后视镜、座椅位置；步骤c2、选择不同场景下，踩踏油门、踩踏刹车、转动方向盘助力敏感度；并执行步骤b7；步骤b7、利用卷积神经网络（cnn）等深度学习算法计算助力曲线。
54.如图4所示，该自适应驾驶的助力控制装置10包括：采集模块100、识别模块200、输入模块300和控制模块400。
55.具体地，采集模块100，用于获取驾驶员身份信息，并采集车辆行驶中的驾驶环境信息和驾驶参数信息；识别模块200，用于识别驾驶环境信息中的各个驾驶场景，并根据驾驶参数信息得到各个驾驶场景对应的驾驶参数；输入模块300，用于将各个驾驶场景和对应的驾驶参数输入到预先训练的深度学习模型中，得到助力曲线；控制模块400，用于当接收到对助力曲线的确认指令时，按照助力曲线对车辆进行助力控制。
56.可选地，驾驶员身份信息包括驾驶员面部信息和/或驾驶员指纹信息，驾驶环境信息包括车辆路况信息、车流量信息和障碍物信息，驾驶场景包括起步场景、加速场景、巡航
场景、刹车场景和转向场景中的一种或多种，驾驶参数信息包括油门踩踏加速度、刹车踩踏加速度和方向盘转动角度。
57.可选地，自适应驾驶的助力控制装置10还包括：调整模块，用于接收自适应驾驶助力系统登录指令；若为首次登录，则采集驾驶员身份信息并存储；当接收到车辆部件位置调整指令时，根据当前的车辆部件位置得到车辆部件位置信息，并建立驾驶员身份信息与车辆部件位置信息之间的第一对应关系。
58.可选地，输入模块300包括：获取单元，用于获取预设时间段内的所有驾驶场景和对应的驾驶参数；输入单元，用于将所有驾驶场景和对应的驾驶参数输入到预先训练的深度学习模型中，得到助力曲线，并建立助力曲线与驾驶员身份信息之间的第二对应关系。
59.可选地，输入模块300还包括：查找单元，用于若不是首次登录，则采集驾驶员身份信息，根据驾驶员身份信息查找第一对应关系和第二对应关系；信息获取单元，用于根据第一对应关系得到与驾驶员身份信息相对应的车辆部件位置信息，根据第二对应关系得到与驾驶员身份信息相对应的助力曲线；位置调整单元，用于按照车辆部件位置信息对车辆部件位置进行调整。
60.可选地，自适应驾驶的助力控制装置10还包括：曲线调整模块，用于若接收到助力曲线调整指令，则根据助力曲线调整指令对助力曲线进行调整。
61.可选地，深度学习模型为卷积神经网络或循环神经网络。
62.需要说明的是，前述对自适应驾驶的助力控制方法实施例的解释说明也适用于该实施例的自适应驾驶的助力控制装置，此处不再赘述。
63.根据本技术实施例提出的自适应驾驶的助力控制装置，本技术通过获取驾驶员身份信息，并采集车辆行驶中的驾驶环境信息和驾驶参数信息；识别驾驶环境信息中的各个驾驶场景，并根据驾驶参数信息得到各个驾驶场景对应的驾驶参数；将各个驾驶场景和对应的驾驶参数输入到预先训练的深度学习模型中，得到助力曲线；当接收到对助力曲线的确认指令时，按照助力曲线对车辆进行助力控制。本技术实施例通过采集车辆行驶中的驾驶环境信息和驾驶参数信息，利用预先训练的深度学习模型对助力曲线进行更新，即，根据驾驶员的行驶数据更新助力曲线，不同的驾驶员能够得到不同的助力曲线，针对性的助力控制提高了驾驶员对车辆驾驶的方便性，解决了在对车辆进行助力控制时均是使用相同的助力曲线，统一的助力控制导致驾驶员无法方便地对车辆进行驾驶的问题。
64.图5为本技术实施例提供的车辆的结构示意图。该车辆可以包括：存储器501、处理器502及存储在存储器501上并可在处理器502上运行的计算机程序。
65.处理器502执行程序时实现上述实施例中提供的自适应驾驶的助力控制方法。
66.进一步地，车辆还包括：通信接口503，用于存储器501和处理器502中的通信。
67.存储器501，用于存放可在处理器502上运行的计算机程序。
68.存储器501可能包含高速ram存储器，也可能还包括非易失性存储器 (non
ꢀ‑ꢀ
volatile memory)，例如至少一个磁盘存储器。
69.如果存储器501、处理器502和通信接口503独立实现，则通信接口503、存储器501 和处理器502可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构 (industry standard architecture，简称为isa)总线、外部设备互连 (periphera l component，简称为pci)总线或扩展工业标准体系结构(extended industry standard architecture，简称为eisa)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条线表示，但并不表示仅有一根总线或一种类型的总线。
70.可选地，在具体实现上，如果存储器501、处理器502及通信接口503，集成在一块芯片上实现，则存储器501、处理器502及通信接口503可以通过内部接口完成相互间的通信。
71.处理器502可能是一个中央处理器(central processing unit，简称为cpu)，或者是特定集成电路(application specific integrated circuit，简称为asic)，或者是被配置成实施本技术实施例的一个或多个集成电路。
72.本实施例还提供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上的自适应驾驶的助力控制方法。
73.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或n个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
74.此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性 或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本技术的描述中，“n个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
75.流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或n个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本技术的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，这应被本技术的实施例所属技术领域的技术人员所理解。
76.在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备读取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或n个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)， 可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读
存储器 (cdrom)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
77.应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，n个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
78.本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
79.此外，在本技术各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
80.上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。

技术特征：
1.一种自适应驾驶的助力控制方法，其特征在于，包括以下步骤：获取驾驶员身份信息，并采集车辆行驶中的驾驶环境信息和驾驶参数信息；识别所述驾驶环境信息中的各个驾驶场景，并根据所述驾驶参数信息得到各个所述驾驶场景对应的驾驶参数；将各个所述驾驶场景和对应的驾驶参数输入到预先训练的深度学习模型中，得到助力曲线；当接收到对所述助力曲线的确认指令时，按照所述助力曲线对车辆进行助力控制。2.如权利要求1所述的自适应驾驶的助力控制方法，其特征在于，所述驾驶员身份信息包括驾驶员面部信息和/或驾驶员指纹信息，所述驾驶环境信息包括车辆路况信息、车流量信息和障碍物信息，所述驾驶场景包括起步场景、加速场景、巡航场景、刹车场景和转向场景中的一种或多种，所述驾驶参数信息包括油门踩踏加速度、刹车踩踏加速度和方向盘转动角度。3.如权利要求1所述的自适应驾驶的助力控制方法，其特征在于，所述获取驾驶员身份信息，并采集车辆行驶中的驾驶环境信息和驾驶参数信息之前，还包括：接收自适应驾驶助力系统登录指令；若为首次登录，则采集驾驶员身份信息并存储；当接收到车辆部件位置调整指令时，根据当前的车辆部件位置得到车辆部件位置信息，并建立所述驾驶员身份信息与所述车辆部件位置信息之间的第一对应关系。4.如权利要求3所述的自适应驾驶的助力控制方法，其特征在于，将各个所述驾驶场景和对应的驾驶参数输入到预先训练的深度学习模型中，得到助力曲线，包括：获取预设时间段内的所有驾驶场景和对应的驾驶参数；将所有所述驾驶场景和对应的驾驶参数输入到预先训练的深度学习模型中，得到助力曲线，并建立所述助力曲线与所述驾驶员身份信息之间的第二对应关系。5.如权利要求4所述的自适应驾驶的助力控制方法，其特征在于，所述接收自适应驾驶助力系统登录指令之后，还包括：若不是首次登录，则采集驾驶员身份信息，根据所述驾驶员身份信息查找所述第一对应关系和所述第二对应关系；根据所述第一对应关系得到与所述驾驶员身份信息相对应的车辆部件位置信息，根据所述第二对应关系得到与所述驾驶员身份信息相对应的助力曲线；按照所述车辆部件位置信息对车辆部件位置进行调整。6.如权利要求1所述的自适应驾驶的助力控制方法，其特征在于，所述当接收到对所述助力曲线的确认指令时，按照所述助力曲线对车辆进行助力控制之前，还包括：若接收到助力曲线调整指令，则根据所述助力曲线调整指令对所述助力曲线进行调整。7.如权利要求1所述的自适应驾驶的助力控制方法，其特征在于，所述深度学习模型为卷积神经网络或循环神经网络。8.一种自适应驾驶的助力控制装置，其特征在于，包括：采集模块，用于获取驾驶员身份信息，并采集车辆行驶中的驾驶环境信息和驾驶参数信息；
识别模块，用于识别所述驾驶环境信息中的各个驾驶场景，并根据所述驾驶参数信息得到各个所述驾驶场景对应的驾驶参数；输入模块，用于将各个所述驾驶场景和对应的驾驶参数输入到预先训练的深度学习模型中，得到助力曲线；控制模块，用于当接收到对所述助力曲线的确认指令时，按照所述助力曲线对车辆进行助力控制。9.一种车辆，其特征在于，所述车辆包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的自适应驾驶的助力控制程序，所述处理器执行所述自适应驾驶的助力控制程序时，实现如权利要求1-7任一项所述的自适应驾驶的助力控制方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有自适应驾驶的助力控制程序，所述自适应驾驶的助力控制程序被处理器执行时，实现如权利要求1-7任一项所述的自适应驾驶的助力控制方法的步骤。

技术总结
本申请涉及车辆控制技术领域，特别涉及一种自适应驾驶的助力控制方法及装置，方法包括：获取驾驶员身份信息，并采集车辆行驶中的驾驶环境信息和驾驶参数信息；识别驾驶环境信息中的各个驾驶场景，并根据驾驶参数信息得到各个驾驶场景对应的驾驶参数；将各个驾驶场景和对应的驾驶参数输入到预先训练的深度学习模型中，得到助力曲线；当接收到对助力曲线的确认指令时，按照助力曲线对车辆进行助力控制。本申请通过采集车辆行驶中的驾驶环境信息和驾驶参数信息，利用预先训练的深度学习模型对助力曲线进行更新，即，根据驾驶员的行驶数据更新助力曲线，不同的驾驶员能够得到不同的助力曲线，针对性的助力控制提高了驾驶员对车辆驾驶的方便性。辆驾驶的方便性。辆驾驶的方便性。


技术研发人员：谌登叶 吴光勋
受保护的技术使用者：重庆长安汽车股份有限公司
技术研发日：2023.07.31
技术公布日：2023/10/8