类人加速/制动的速度调节自学习方法及系统

1.本发明涉及智能驾驶的技术领域，具体地，涉及类人加速/制动的速度调节自学习方法及系统。


背景技术：

2.随着智能驾驶技术的不断发展，智能驾驶车辆的加速和制动速度调节成为了关注的焦点。传统的驾驶方式依赖于驾驶员的经验和判断，但智能驾驶车辆可以通过自学习技术自主地根据当前的驾驶环境和车辆状态来调节加速和制动速度，从而提高驾驶的安全性、燃油效率和乘坐舒适性。
3.智能驾驶车辆的加速/制动速度调节自学习技术基于深度学习算法，通过分析大量的驾驶数据，建立模型来预测合适的加速和制动力。这种技术可以适应不同的驾驶情况和道路条件，实时地根据实际需求做出调整。通过自动调节车辆的加速和制动速度，智能驾驶车辆能够更加精准地响应交通状况和驾驶需求，提供更安全高效的驾驶体验。
4.在加速/制动速度调节自学习技术中，深度学习算法如长短期记忆网络(lstm)和门控循环单元(gru)被广泛应用，能够处理序列数据和时序关系，从而准确地预测合适的加速和制动力。通过使用深度学习算法，智能驾驶车辆可以在不同的驾驶场景下进行学习和优化，逐渐提升其驾驶性能和适应能力。
5.综上所述，智能驾驶车辆的加速/制动速度调节自学习技术具有重要的意义，它通过深度学习算法实现自主学习和优化，为驾驶过程提供更安全、高效和舒适的体验。随着技术的不断进步，加速/制动速度调节自学习技术将在智能交通系统中发挥越来越重要的作用。
6.因此，需要提出一种新的技术方案。


技术实现要素：

7.针对现有技术中的缺陷，本发明的目的是提供一种类人加速/制动的速度调节自学习方法及系统。
8.根据本发明提供的一种类人加速/制动的速度调节自学习方法，所述方法包括如下步骤：
9.步骤s1：利用自动驾驶车辆的车载设备，采集人类驾驶员行驶过程的道路交通环境数据和车辆加速/制动速度数据；
10.步骤s2：基于采集的道路交通环境数据，建立基于门控循环单元的速度调节自学习模型；
11.步骤s3：基于采集的车辆加速/制动速度数据，训练速度调节自学习模型使其与期望加速/制动速度一致。
12.优选地，所述步骤s1中：
13.道路交通环境数据是指自动驾驶车辆的车载传感器所采集的外界道路交通环境
数据和车辆状态信息，包括不同道路条件和交通状况；
14.车辆加速/制动速度数据是指自动驾驶车辆的车载设备所采集的人类驾驶员在行驶过程中油门/刹车的数据，包括不同道路条件和交通状况下的加速/制动速度数据，即期望加速/制动速度。
15.优选地，所述车载传感器包括摄像头、激光雷达、毫米波雷达传感器，其数据形式为图像、点云或其他形式；车辆状态信息包括自动驾驶车辆横纵坐标、速度、加速度以及航向角信息；数据采集和预处理的目标是提取有用的特征，并为后续的决策和控制步骤做准备；
16.数据预处理是在采集到的原始数据上进行预处理，包括数据清洗、去噪、特征提取，提取特征供模型训练使用；然后是数据划分，将预处理后的数据集划分为训练集、验证集和测试集，训练集用于模型的训练，验证集用于调整模型的超参数和监控训练过程，测试集用于评估模型的性能。
17.优选地，所述步骤s2中：
18.速度调节自学习模型的输入是车载传感器所采集的道路交通环境数据，通过门控循环单元处理，输出车辆加速/制动速度数据。
19.优选地，所述步骤s3中：
20.输入期望加速/制动速度，将其与速度调节自学习模型输出的加速/制动速度进行对比，获得两者之间的误差并将其输入至速度调节自学习模型，利用误差反向传播算法不断修正输出的加速/制动速度，使其与期望加速/制动速度一致。
21.本发明还提供一种类人加速/制动的速度调节自学习系统，所述系统包括如下模块：
22.模块m1：利用自动驾驶车辆的车载设备，采集人类驾驶员行驶过程的道路交通环境数据和车辆加速/制动速度数据；
23.模块m2：基于采集的道路交通环境数据，建立基于门控循环单元的速度调节自学习模型；
24.模块m3：基于采集的车辆加速/制动速度数据，训练速度调节自学习模型使其与期望加速/制动速度一致。
25.优选地，所述模块m1中：
26.道路交通环境数据是指自动驾驶车辆的车载传感器所采集的外界道路交通环境数据和车辆状态信息，包括不同道路条件和交通状况；
27.车辆加速/制动速度数据是指自动驾驶车辆的车载设备所采集的人类驾驶员在行驶过程中油门/刹车的数据，包括不同道路条件和交通状况下的加速/制动速度数据，即期望加速/制动速度。
28.优选地，所述车载传感器包括摄像头、激光雷达、毫米波雷达传感器，其数据形式为图像、点云或其他形式；车辆状态信息包括自动驾驶车辆横纵坐标、速度、加速度以及航向角信息；数据采集和预处理的目标是提取有用的特征，并为后续的决策和控制步骤做准备；
29.数据预处理是在采集到的原始数据上进行预处理，包括数据清洗、去噪、特征提取，提取特征供模型训练使用；然后是数据划分，将预处理后的数据集划分为训练集、验证
集和测试集，训练集用于模型的训练，验证集用于调整模型的超参数和监控训练过程，测试集用于评估模型的性能。
30.优选地，所述模块m2中：
31.速度调节自学习模型的输入是车载传感器所采集的道路交通环境数据，通过门控循环单元处理，输出车辆加速/制动速度数据。
32.优选地，所述模块m3中：
33.输入期望加速/制动速度，将其与速度调节自学习模型输出的加速/制动速度进行对比，获得两者之间的误差并将其输入至速度调节自学习模型，利用误差反向传播算法不断修正输出的加速/制动速度，使其与期望加速/制动速度一致。
34.与现有技术相比，本发明具有如下的有益效果：
35.1、本发明提出了一种类人加速/制动的速度调节自学习方法，利用深度学习算法自动调节车辆的加速和制动速度，提高了智能驾驶车辆的安全性、燃油效率和乘坐舒适性；
36.2、本发明搭建了基于门控循环单元的速度调节自学习模型，能够较好地处理序列数据和建模时序关系，和长短期记忆网络相比，减少了模型的复杂性，提高了模型训练效率；
37.3、本发明使得智能驾驶车辆可以在不同的驾驶场景下进行学习和优化，提高了智能驾驶车辆的类人驾驶技能和自适应能力。
附图说明
38.通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
39.图1是一种类人加速/制动的速度调节自学习方法的流程示意图；
40.图2是基于门控循环单元的速度调节自学习模型示意图；
41.图3是gru的工作方式流程示意图；
42.图4是基于速度调节自学习模型的误差反馈示意图；
43.图5是误差反向传播算法更新模型参数的流程示意图；
44.图6是自动驾驶车辆制动场景示意图。
具体实施方式
45.下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
46.实施例1：
47.根据本发明提供的一种类人加速/制动的速度调节自学习方法，所述方法包括如下步骤：
48.步骤s1：利用自动驾驶车辆的车载设备，采集人类驾驶员行驶过程的道路交通环境数据和车辆加速/制动速度数据；道路交通环境数据是指自动驾驶车辆的车载传感器所采集的外界道路交通环境数据和车辆状态信息，包括不同道路条件和交通状况；车辆加速/
制动速度数据是指自动驾驶车辆的车载设备所采集的人类驾驶员在行驶过程中油门/刹车的数据，包括不同道路条件和交通状况下的加速/制动速度数据，即期望加速/制动速度。
49.车载传感器包括摄像头、激光雷达、毫米波雷达传感器，其数据形式为图像、点云或其他形式；车辆状态信息包括自动驾驶车辆横纵坐标、速度、加速度以及航向角信息；数据采集和预处理的目标是提取有用的特征，并为后续的决策和控制步骤做准备；数据预处理是在采集到的原始数据上进行预处理，包括数据清洗、去噪、特征提取，提取特征供模型训练使用；然后是数据划分，将预处理后的数据集划分为训练集、验证集和测试集，训练集用于模型的训练，验证集用于调整模型的超参数和监控训练过程，测试集用于评估模型的性能。
50.步骤s2：基于采集的道路交通环境数据，建立基于门控循环单元的速度调节自学习模型；速度调节自学习模型的输入是车载传感器所采集的道路交通环境数据，通过门控循环单元处理，输出车辆加速/制动速度数据。
51.步骤s3：基于采集的车辆加速/制动速度数据，训练速度调节自学习模型使其与期望加速/制动速度一致；输入期望加速/制动速度，将其与速度调节自学习模型输出的加速/制动速度进行对比，获得两者之间的误差并将其输入至速度调节自学习模型，利用误差反向传播算法不断修正输出的加速/制动速度，使其与期望加速/制动速度一致。
52.本发明还提供一种类人加速/制动的速度调节自学习系统，所述类人加速/制动的速度调节自学习系统可以通过执行所述类人加速/制动的速度调节自学习方法的流程步骤予以实现，即本领域技术人员可以将所述类人加速/制动的速度调节自学习方法理解为所述类人加速/制动的速度调节自学习系统的优选实施方式。
53.实施例2：
54.本发明还提供一种类人加速/制动的速度调节自学习系统，所述系统包括如下模块：
55.模块m1：利用自动驾驶车辆的车载设备，采集人类驾驶员行驶过程的道路交通环境数据和车辆加速/制动速度数据；道路交通环境数据是指自动驾驶车辆的车载传感器所采集的外界道路交通环境数据和车辆状态信息，包括不同道路条件和交通状况；车辆加速/制动速度数据是指自动驾驶车辆的车载设备所采集的人类驾驶员在行驶过程中油门/刹车的数据，包括不同道路条件和交通状况下的加速/制动速度数据，即期望加速/制动速度。
56.车载传感器包括摄像头、激光雷达、毫米波雷达传感器，其数据形式为图像、点云或其他形式；车辆状态信息包括自动驾驶车辆横纵坐标、速度、加速度以及航向角信息；数据采集和预处理的目标是提取有用的特征，并为后续的决策和控制步骤做准备；数据预处理是在采集到的原始数据上进行预处理，包括数据清洗、去噪、特征提取，提取特征供模型训练使用；然后是数据划分，将预处理后的数据集划分为训练集、验证集和测试集，训练集用于模型的训练，验证集用于调整模型的超参数和监控训练过程，测试集用于评估模型的性能。
57.模块m2：基于采集的道路交通环境数据，建立基于门控循环单元的速度调节自学习模型；速度调节自学习模型的输入是车载传感器所采集的道路交通环境数据，通过门控循环单元处理，输出车辆加速/制动速度数据。
58.模块m3：基于采集的车辆加速/制动速度数据，训练速度调节自学习模型使其与期
望加速/制动速度一致；输入期望加速/制动速度，将其与速度调节自学习模型输出的加速/制动速度进行对比，获得两者之间的误差并将其输入至速度调节自学习模型，利用误差反向传播算法不断修正输出的加速/制动速度，使其与期望加速/制动速度一致。
59.实施例3：
60.本发明的目的在于克服现有技术存在的不足或缺陷，设计一种类人加速/制动的速度调节自学习方法，从而提高自动驾驶车辆的安全性、燃油效率和乘坐舒适性。
61.为实现上述目的，本发明提供了一种类人加速/制动的速度调节自学习方法，包括如下步骤：
62.步骤1：利用自动驾驶车辆的车载设备，采集人类驾驶员行驶过程的道路交通环境数据和车辆加速/制动速度数据；
63.步骤2：基于采集的道路交通环境数据，建立基于门控循环单元的速度调节自学习模型；
64.步骤3：基于采集的车辆加速/制动速度数据，不断训练速度调节自学习模型使其与期望加速/制动速度一致。
65.优选地，所述步骤1包括：
66.道路交通环境数据是指自动驾驶车辆的车载传感器所采集的外界道路交通环境数据和车辆状态信息，包括不同道路条件和交通状况。
67.车辆加速/制动速度数据是指自动驾驶车辆的车载设备所采集的人类驾驶员在行驶过程中油门/刹车的数据，包括不同道路条件和交通状况下的加速/制动速度数据，即期望加速/制动速度。
68.优选地，所述步骤2包括：
69.速度调节自学习模型的输入是车载传感器所采集的道路交通环境数据，通过门控循环单元处理，输出车辆加速/制动速度数据。
70.优选地，所述步骤3包括：
71.输入期望加速/制动速度，将其与速度调节自学习模型输出的加速/制动速度进行对比，获得两者之间的误差并将其输入至速度调节自学习模型，利用误差反向传播算法不断修正输出的加速/制动速度，使其与期望加速/制动速度一致。
72.如图1所示，本实施例公开了一种类人加速/制动的速度调节自学习方法，包括如下步骤s1～s3：
73.s1、利用自动驾驶车辆的车载设备，采集人类驾驶员行驶过程的道路交通环境数据和车辆加速/制动速度数据；
74.s2、基于采集的道路交通环境数据，建立基于门控循环单元的速度调节自学习模型；
75.s3、基于采集的车辆加速/制动速度数据，不断训练速度调节自学习模型使其与期望加速/制动速度一致。
76.优选地，所述步骤s1，包括：
77.道路交通环境数据是指自动驾驶车辆的车载传感器所采集的外界道路交通环境数据和车辆状态信息，包括不同道路条件和交通状况。
78.车辆加速/制动速度数据是指自动驾驶车辆的车载设备所采集的人类驾驶员在行
驶过程中油门/刹车的数据，包括不同道路条件和交通状况下的加速/制动速度数据，即期望加速/制动速度。
79.需要说明的是，车载传感器包括摄像头、激光雷达、毫米波雷达等传感器，其数据形式可以是图像、点云或其他形式。车辆状态信息包括自动驾驶车辆横纵坐标、速度、加速度以及航向角等信息。而数据采集和预处理的目标是提取有用的特征，并为后续的决策和控制步骤做准备。
80.需要进一步说明的是，数据预处理是在采集到的原始数据上进行预处理，包括数据清洗、去噪、特征提取等，目的是为了减少噪声对模型的影响，提取有效的特征供模型训练使用；然后是数据划分，将预处理后的数据集划分为训练集、验证集和测试集，训练集用于模型的训练，验证集用于调整模型的超参数和监控训练过程，而测试集用于评估模型的性能。
81.优选地，所述步骤s2，如图2所示，包括：
82.速度调节自学习模型的输入是车载传感器所采集的道路交通环境数据，通过门控循环单元处理，输出车辆加速/制动速度数据。
83.需要说明的是，门控循环单元(gated recurrent unit，gru)是一种循环神经网络(rnn)的变体，用于处理序列数据和建模时序关系。与传统rnn相比，gru在模型结构上进行了简化，减少了参数数量，同时保留了一定的记忆能力。gru的结构简单，参数少，因此在某些任务中比较容易训练，并且具有较快的训练和推理速度。
84.gru引入了两个门控单元：重置门(reset gate)和更新门(update gate)，使gru选择性地控制信息的传递和记忆的更新，从而有效地解决了传统rnn中的梯度消失问题。
85.gru的工作方式如图3所示，包括如下步骤s21～s24：
86.s21、重置门：决定了过去记忆在当前时间步输入中的重要性。重置门使用当前输入和上一个时间步的隐藏状态作为输入，经过一个sigmoid激活函数，输出一个介于0和1之间的值，描述了过去记忆在当前输入中的重要性，越接近1表示重要性越高，越接近0表示重要性越低。重置门的公式如下：
87.r
t
＝σ(wr·
[h
t-1
,x
t
])
[0088]
其中，wr表示重置门的权重矩阵，σ表示sigmoid激活函数，`表示矩阵乘法，[h
t-1
,x
t
]表示将上一时间步的隐藏状态h
t-1
和当前时间步的输入特征x
t
连接为向量。
[0089]
s22、更新门：决定了过去记忆和当前输入对当前记忆的贡献。更新门使用当前输入和上一个时间步的隐藏状态作为输入，经过一个sigmoid激活函数，输出一个介于0和1之间的值，描述了需要从上一个时间步的记忆中保留多少信息，越接近1表示保留的信息越多，越接近0表示保留的信息越少。更新门的公式如下：
[0090]zt
＝σ(wz·
[h
t-1
,x
t
])
[0091]
其中，wz表示更新门的权重矩阵。
[0092]
s23、候选隐藏状态：通过使用重置门对过去记忆进行加权，并与当前输入进行组合，通过一个tanh激活函数进行非线性变换，得到当前时间步的候选隐藏状态。候选隐藏状态的公式如下：
[0093][0094]
其中，wh表示候选隐藏状态的权重矩阵，
⊙
表示逐元素乘法。
[0095]
s24、隐藏状态更新：通过使用更新门和候选隐藏状态计算当前时间步的隐藏状态。隐藏状态即为当前时间步的记忆状态。隐藏状态更新的公式如下：
[0096][0097]
需要进一步说明的是，选择合适的门控循环单元结构来建立速度调节自学习模型。例如，gru模型可以包括2个gru层，输入是道路交通环境数据，gru层的维度皆为128，之后接全连接层输出加速/制动速度数据。此外，需要定义模型的损失函数和优化器，比如均方差损失函数(mean squared error)、交叉熵损失函数(cross-entropy)、随机梯度下降优化算法(stochastic gradient descent)以及adamw优化算法等。
[0098]
优选地，所述步骤s3，如图4所示，包括：
[0099]
输入期望加速/制动速度，将其与速度调节自学习模型输出的加速/制动速度进行对比，获得两者之间的误差并将其输入至速度调节自学习模型，利用误差反向传播算法不断修正输出的加速/制动速度，使其与期望加速/制动速度一致。
[0100]
需要说明的是，误差反向传播算法是一种常用的优化算法，用于通过更新模型参数来最小化输出值与真实值之间的误差。具体来说，误差反向传播算法更新模型参数，如图5所示，包括如下步骤s31～s35：
[0101]
s31、正向传播：将训练样本输入到模型中，通过前向计算得到模型的输出值。每个层的输入经过权重和偏置的线性变换，并通过激活函数计算输出。
[0102]
s32、计算损失：将模型的输出值与期望值进行比较，计算损失函数的值。
[0103]
s33、反向传播：从输出层开始，计算每个参数对损失函数的偏导数。通过链式法则，将误差从输出层向后传播，计算每一层的梯度。
[0104]
s34、参数更新：根据梯度信息，使用优化算法更新模型的参数。根据梯度的方向和大小，调整参数的值，以减小损失函数值。
[0105]
s35、重复迭代：重复执行步骤s31～s34，使用不同的训练样本或批次，直到达到停止条件(如达到最大迭代次数或损失函数收敛)。
[0106]
通过不断地迭代和参数更新，误差反向传播算法能够使模型逐渐收敛到最小化误差的状态，使得模型可以更好地拟合训练数据，并在未见过的数据上进行准确的预测。
[0107]
需要说明的是，针对加速操作和制动操作的典型纵向速度调节场景，已经训练完毕的速度调节自学习模型可以输出正确的加速/制动速度。例如在城市公路同向三车道场景下，如图6所示，自动驾驶车辆可以执行制动操作，输入t时刻道路交通环境数据，已经训练完毕的速度调节自学习模型输出t+1时刻的制动速度，即刹车的开度，之后再输入t+1时刻道路交通环境数据，速度调节自学习模型再输出t+2时刻的制动速度，如此不断重复迭代，直至t+n时刻制动操作结束为止(制动速度为0)。
[0108]
本发明以自动驾驶车辆为平台，提出了一种类人加速/制动的速度调节自学习方法，基于采集的道路交通环境数据和车辆加速/制动速度数据，建立基于门控循环单元的速度调节自学习模型，并不断训练速度调节自学习模型使其与期望加速/制动速度一致，有效地提高了自动驾驶车辆的类人驾驶技能和自适应能力，增强了智能驾驶车辆的安全性、燃油效率和乘坐舒适性。
[0109]
本领域技术人员可以将本实施例理解为实施例1、实施例2的更为具体的说明。
[0110]
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统
及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
[0111]
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本技术的实施例和实施例中的特征可以任意相互组合。

技术特征：
1.一种类人加速/制动的速度调节自学习方法，其特征在于，所述方法包括如下步骤：步骤s1：利用自动驾驶车辆的车载设备，采集人类驾驶员行驶过程的道路交通环境数据和车辆加速/制动速度数据；步骤s2：基于采集的道路交通环境数据，建立基于门控循环单元的速度调节自学习模型；步骤s3：基于采集的车辆加速/制动速度数据，训练速度调节自学习模型使其与期望加速/制动速度一致。2.根据权利要求1所述的类人加速/制动的速度调节自学习方法，其特征在于，所述步骤s1中：道路交通环境数据是指自动驾驶车辆的车载传感器所采集的外界道路交通环境数据和车辆状态信息，包括不同道路条件和交通状况；车辆加速/制动速度数据是指自动驾驶车辆的车载设备所采集的人类驾驶员在行驶过程中油门/刹车的数据，包括不同道路条件和交通状况下的加速/制动速度数据，即期望加速/制动速度。3.根据权利要求2所述的类人加速/制动的速度调节自学习方法，其特征在于，所述车载传感器包括摄像头、激光雷达、毫米波雷达传感器，其数据形式为图像、点云或其他形式；车辆状态信息包括自动驾驶车辆横纵坐标、速度、加速度以及航向角信息；数据采集和预处理的目标是提取有用的特征，并为后续的决策和控制步骤做准备；数据预处理是在采集到的原始数据上进行预处理，包括数据清洗、去噪、特征提取，提取特征供模型训练使用；然后是数据划分，将预处理后的数据集划分为训练集、验证集和测试集，训练集用于模型的训练，验证集用于调整模型的超参数和监控训练过程，测试集用于评估模型的性能。4.根据权利要求1所述的类人加速/制动的速度调节自学习方法，其特征在于，所述步骤s2中：速度调节自学习模型的输入是车载传感器所采集的道路交通环境数据，通过门控循环单元处理，输出车辆加速/制动速度数据。5.根据权利要求1所述的类人加速/制动的速度调节自学习方法，其特征在于，所述步骤s3中：输入期望加速/制动速度，将其与速度调节自学习模型输出的加速/制动速度进行对比，获得两者之间的误差并将其输入至速度调节自学习模型，利用误差反向传播算法不断修正输出的加速/制动速度，使其与期望加速/制动速度一致。6.一种类人加速/制动的速度调节自学习系统，其特征在于，所述系统包括如下模块：模块m1：利用自动驾驶车辆的车载设备，采集人类驾驶员行驶过程的道路交通环境数据和车辆加速/制动速度数据；模块m2：基于采集的道路交通环境数据，建立基于门控循环单元的速度调节自学习模型；模块m3：基于采集的车辆加速/制动速度数据，训练速度调节自学习模型使其与期望加速/制动速度一致。7.根据权利要求6所述的类人加速/制动的速度调节自学习系统，其特征在于，所述模
块m1中：道路交通环境数据是指自动驾驶车辆的车载传感器所采集的外界道路交通环境数据和车辆状态信息，包括不同道路条件和交通状况；车辆加速/制动速度数据是指自动驾驶车辆的车载设备所采集的人类驾驶员在行驶过程中油门/刹车的数据，包括不同道路条件和交通状况下的加速/制动速度数据，即期望加速/制动速度。8.根据权利要求7所述的类人加速/制动的速度调节自学习系统，其特征在于，所述车载传感器包括摄像头、激光雷达、毫米波雷达传感器，其数据形式为图像、点云或其他形式；车辆状态信息包括自动驾驶车辆横纵坐标、速度、加速度以及航向角信息；数据采集和预处理的目标是提取有用的特征，并为后续的决策和控制步骤做准备；数据预处理是在采集到的原始数据上进行预处理，包括数据清洗、去噪、特征提取，提取特征供模型训练使用；然后是数据划分，将预处理后的数据集划分为训练集、验证集和测试集，训练集用于模型的训练，验证集用于调整模型的超参数和监控训练过程，测试集用于评估模型的性能。9.根据权利要求6所述的类人加速/制动的速度调节自学习系统，其特征在于，所述模块m2中：速度调节自学习模型的输入是车载传感器所采集的道路交通环境数据，通过门控循环单元处理，输出车辆加速/制动速度数据。10.根据权利要求6所述的类人加速/制动的速度调节自学习系统，其特征在于，所述模块m3中：输入期望加速/制动速度，将其与速度调节自学习模型输出的加速/制动速度进行对比，获得两者之间的误差并将其输入至速度调节自学习模型，利用误差反向传播算法不断修正输出的加速/制动速度，使其与期望加速/制动速度一致。

技术总结
本发明提供了一种类人加速/制动的速度调节自学习方法及系统，属于智能驾驶领域。其特征在于，包括以下步骤：步骤1：利用自动驾驶车辆的车载设备，采集人类驾驶员行驶过程的道路交通环境数据和车辆加速/制动速度数据；步骤2：基于采集的道路交通环境数据，建立基于门控循环单元的速度调节自学习模型；步骤3：基于采集的车辆加速/制动速度数据，不断训练速度调节自学习模型使其与期望加速/制动速度一致。与现有技术相比，本发明的积极效果是：本发明利用深度学习算法，使自动驾驶车辆在不同驾驶情况下自动调节加速/制动的速度，提高了自动驾驶车辆的安全性、燃油效率和乘坐舒适性。燃油效率和乘坐舒适性。燃油效率和乘坐舒适性。


技术研发人员：高洪波 何希 朱菊萍
受保护的技术使用者：中国科学技术大学
技术研发日：2023.07.26
技术公布日：2023/10/11