车辆控制的方法、装置和车辆与流程

1.本发明涉及车辆领域，具体而言，涉及一种车辆控制的方法、装置和车辆。

背景技术：

2.目前，随着汽车智能驾驶技术的发展，越来越多的驾驶辅助技术在乘用车上量产，驾驶辅助系统的集成度越来越高，驾驶辅助技术是辅助驾驶员驾驶的安全技术，提升驾驶安全性和舒适性。随着驾驶辅助技术的普及，驾驶辅助技术的连续性在不断提高。
3.在相关技术中，针对车辆行驶控制的问题，由于驾驶员在年龄、性别和驾驶风格上的差异和驾驶路况、天气等的不同，普通的自适应巡航控制系统很难满足驾驶员对驾乘舒适性的个性化要求，因此，存在车辆驾驶过程中控制效果差的技术问题。
4.针对上述现有技术存在的车辆驾驶过程中控制效果差的技术问题，目前尚未提出有效的解决方案。

技术实现要素：

5.本发明实施例提供了一种车辆控制的方法、装置和车辆，以至少解决车辆行驶控制性能低的技术问题。
6.根据本发明实施例的一个方面，提供了一种车辆控制的方法，包括：获取车辆在行驶过程中的驾驶工况数据；基于车辆中操作对象的标识信息和驾驶工况数据，确定与操作对象对应的控制数据，其中，标识信息用于标识操作对象；基于控制数据，控制车辆行驶。
7.可选地，基于车辆中操作对象的标识信息和驾驶工况数据，确定与操作对象对应的控制数据，包括：将标识信息和车辆中已录入的历史标识信息进行匹配，得到匹配结果；基于匹配结果，确定与操作对象对应的控制数据。
8.可选地，基于匹配结果，确定与操作对象对应的控制数据，包括：响应于匹配结果用于表征标识信息与历史标识信息匹配成功，确定操作对象的风格数据，其中，风格数据用于表征操作对象的驾驶风格；基于风格数据和驾驶工况数据，确定与操作对象对应的控制数据。
9.可选地，基于风格数据和驾驶工况数据，确定与操作对象对应的控制数据，包括：基于目标模型对风格数据和驾驶工况数据进行处理，生成控制数据，其中，目标模型为神经网络模型。
10.可选地，从数据库中选取驾驶样本数据和驾驶样本数据对应的驾驶工况数据，其中，驾驶样本数据用于表征车辆在行驶过程中的行驶状态数据；基于驾驶样本数据对应的驾驶工况数据，对驾驶样本数据进行分类，得到多个驾驶样本数据组，其中，驾驶样本数据组的数量与驾驶工况数据的种类个数相同；基于驾驶样本数据组对子模型进行训练，得到目标模型。
11.可选地，基于操作对象的历史驾驶数据，确定操作对象的风格数据。
12.可选地，基于匹配结果，确定与操作对象对应的控制数据，包括：响应于匹配结果
用于表征标识信息与历史标识信息匹配异常，确定控制数据为预设控制数据。
13.可选地，基于控制数据，生成操作对象的操作记录；响应于车辆中存在目标数量的操作记录，更新操作对象的历史驾驶数据。
14.根据本发明实施例的另一方面，还提供一种车辆控制的装置，包括：获取单元，用于获取车辆在行驶过程中的驾驶工况数据；确定单元，用于基于车辆中操作对象的标识信息和驾驶工况数据，确定与操作对象对应的控制数据，其中，标识信息用于标识操作对象；控制单元，用于基于控制数据，控制车辆行驶。
15.根据本发明实施例的另一方面，还提供了一种车辆。该车辆用于执行本发明实施例的车辆控制的方法。
16.在本发明实施例中，获取车辆在行驶过程中的驾驶工况数据；基于车辆中操作对象的标识信息和驾驶工况数据，确定与操作对象对应的控制数据，其中，标识信息用于标识操作对象；基于控制数据，控制车辆行驶。也就是说，本发明实施例通过对车辆在行驶过程中的驾驶工况数据及车辆中操作对象的标识信息，确定与操作对象对应的控制数据，后基于该控制数据，控制车辆按照车辆中操作对象的驾驶风格进行行驶，从而解决了车辆驾驶过程中控制效果差的技术问题，实现了提高车辆驾驶过程中控制效果的技术效果。
附图说明
17.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
18.图1是根据本发明实施例的一种车辆控制的方法的流程图；
19.图2是本发明实施例的一种车辆控制系统的示意图；
20.图3是根据本发明实施例的一种学习模块学习的流程图；
21.图4是根据本发明实施例的一种自适应巡航控制的流程图；
22.图5是根据本发明实施例的一种车辆控制的装置的示意图。
具体实施方式
23.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
24.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
25.实施例1
26.根据本发明实施例，提供了一种车辆控制的方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
27.图1是根据本发明实施例的一种车辆控制的方法的流程图，如图1所示，该方法可以包括如下步骤：
28.步骤s102，获取车辆在行驶过程中的驾驶工况数据。
29.在本发明上述步骤s102提供的技术方案中，在车辆运行的过程中，可以获取驾驶工况数据，其中，驾驶工况数据可以包括车辆行驶工作中的路况、路面情况和天气情况，比如，路况可以为畅通、缓行和拥堵；路面情况可以为坡路、窄桥、城市道路和乡村道路等；天气情况可以为晴天、大雾、雨天、雪天和雾霾等。需要说明的是，此处仅为举例说明，不对驾驶工况数据做具体限制。
30.举例而言，可以通过图像采集设备采集车辆驾驶过程中的图片，并基于上述采集到的图片，确定车辆在行驶过程中的驾驶工况数据。
31.步骤s104，基于车辆中操作对象的标识信息和驾驶工况数据，确定与操作对象对应的控制数据，其中，标识信息用于标识操作对象。
32.在本发明上述步骤s104提供的技术方案中，基于车辆中操作对象的标识信息和驾驶工况数据，确定与操作对象对应的控制数据，其中，操作对象可以为主驾驶座的驾驶员，操作对象的标识信息可以为该驾驶员的身份信息，控制数据可以用于表征控制车辆行驶的数据，比如，可以为车辆的车速、加速度、制动距离、制动杆的位移和方向盘的转角等数据。
33.举例而言，操作对象的标识信息可以包括操作对象的人脸图像、指纹信息和声纹信息等，可以在车辆上安装摄像头、指纹识别装置或声纹识别装置等采集操作对象的标识信息，需要说明的是，此处仅为举例说明，不对身份信息和采集身份信息的装置做具体限制。
34.步骤s106，基于控制数据，控制车辆行驶。
35.在本发明上述步骤s106的技术方案中，可以基于驾驶风格获取到对应的控制数据，控制车辆行驶。
36.举例而言，可以基于控制数据，控制车辆的速度、加速度、制动距离、制动杆的位移和转弯幅度等。
37.本技术上述步骤s102至步骤s106，获取车辆在行驶过程中的驾驶工况数据；基于车辆中操作对象的标识信息和驾驶工况数据，确定与操作对象对应的控制数据，其中，标识信息用于标识操作对象；基于控制数据，控制车辆行驶。也就是说，本发明实施例通过对车辆在行驶过程中的驾驶工况数据及车辆中操作对象的标识信息，确定与操作对象对应的控制数据，后基于该控制数据，控制车辆按照车辆中操作对象的驾驶风格进行行驶，从而解决了车辆驾驶过程中控制效果差的技术问题，实现了提高车辆驾驶过程中控制效果的技术效果。
38.下面对该实施例的上述方法进行进一步介绍。
39.作为一种可选的实施例方式，步骤s104，基于车辆中操作对象的标识信息和驾驶工况数据，确定与操作对象对应的控制数据，包括：将标识信息与车辆中已录入的历史标识
信息进行匹配，得到匹配结果；基于匹配结果，确定与操作对象对应的控制数据。
40.在该实施例中，将车辆中操作对象的标识信息与车辆中已录入的历史标识信息进行匹配，得到匹配结果，可以基于匹配结果判断此时操作对象的标识信息是否已经录入系统，并可以基于匹配结果，确定与操作对象对应的控制数据，其中，历史标识信息可以用于表征已经录入该系统的驾驶员的身份信息。
41.作为一种可选的实施例方式，步骤s104，基于匹配结果，确定与操作对象对应的控制数据，包括：响应于匹配结果用于表征标识信息与历史标识信息匹配成功，确定操作对象的风格数据；基于风格数据和驾驶工况数据，确定与操作对象对应的操作数据。
42.在该实施例中，将标识信息与车辆中已录入的历史标识信息进行匹配，得到匹配结果，当匹配结果用于表征匹配成功时，可以确定该操作对象的身份信息已经录入该系统，并可以基于操作对象的标识信息确定该操作对象的风格数据，并可以基于该操作对象的风格数据和驾驶工况数据，确定与操作对象对应的控制数据，其中，风格数据用于表征操作对象的驾驶风格。
43.举例而言，驾驶风格可以包括保守型驾驶风格、普通型驾驶风格和激进型驾驶风格，其中，可以通过该驾驶员驾驶过程中车辆的车速、加速度、制动距离、制动杆的位移和方向盘转角等信息确定该驾驶员的风格数据，需要说明的是，此处仅为举例说明，不对确定风格数据的具体信息做限制。
44.举例而言，通过驾驶员驾驶过程中的车速在10～15m/s范围内、加速度在5～10m/s2、制动距离为10m～15m、制动杆位移为2cm～5cm等，则可以确定此时驾驶员的驾驶风格为普通型驾驶风格。
45.可选地，可以通过实时获取该操作对象驾驶过程中车辆的行驶状态数据，确定操作对象的风格数据，其中，行驶状态数据可以包括车辆的跟车距离、加速度、车速、制动踏板的开度和开度变化率等信息，需要说明的是，此处仅为举例说明，不对车辆的行驶状态数据做具体限制。
46.可选地，系统可以存储一定目标时间内的车辆的行驶状态数据，用于对某一操作对象驾驶车辆过程中车辆的行驶状态数据做长期的分析判断，可以防止操作对象在特殊情况时车辆的行驶状态数据与平时差异过大而导致的驾驶风格分析失误。
47.举例而言，系统检测到该操作对象在驾驶车辆过程中，获取该车辆在一段时间的行驶状态数据，基于行驶状态数据确定当前操作对象的驾驶风格为普通型驾驶风格，若该操作对象某天因紧急情况，使得驾驶过程车辆的行驶状态发生短暂变化(比如车速变快、加速度变大)，若系统不是对长期车辆的行驶状态进行分析，则可能错误判断当前操作对象的驾驶风格变为激进型驾驶风格。
48.可选地，系统可以对检测到的车辆在行驶过程中的驾驶工况数据进行判断，若判断得出车辆目前的驾驶工况数据为第一类驾驶工况数据(比如，路况为畅通，路面情况为城市道路，天气情况为晴天)，则可以通过对操作对象在第一类驾驶工况数据情况下的操作数据进行进一步地学习，从而确定该操作对象在第一类驾驶工况数据下的风格数据；若判断得出车辆目前的驾驶工况数据为第二类驾驶工况数据(比如，路况为拥堵，路面情况为窄桥或坡道，天气情况为暴雨或雪)，则可以对第二类驾驶工况数据进行分类，对分类后的每个具体特定驾驶工况数据下操作对象的操作数据进行进一步地学习，从而确定该操作对象在
第二类驾驶工况数据下每个具体特定驾驶工况数据下的风格数据。
49.举例而言，当车辆在晴天行驶于城市道路过程中，系统可以对检测到的当前车辆的驾驶工况数据进行判断，目前车辆的驾驶工况数据为第一类驾驶工况数据，则可以进一步对操作对象的驾驶风格进行学习，从而确定该操作对象的风格数据。
50.再举例而言，当车辆行驶过程遇见窄桥、大雾天气或暴雨天气，系统可以对检测到的当前车辆的驾驶工况数据进行判断，目前的驾驶工况数据为第二类驾驶工况数据，系统可以对此时的驾驶工况数据进行分类，可以具体分为每个特殊路况或每个特殊天气等，对分类后的每个驾驶工况数据，可以只学习对应特定的驾驶工况数据下操作对象的驾驶风格，并单独存储，从而可以确定固定第二类驾驶工况数据下操作对象的驾驶风格。
51.作为一种可选的实施例方式，步骤s104，基于风格数据和驾驶工况数据，确定与操作对象对应的控制数据，包括：基于目标模型对风格数据和驾驶工况数据进行处理，生成控制数据。
52.在该实施例中，可以基于目标模型对操作对象的风格数据与驾驶工况数据进行处理，生成控制数据，其中，目标模型可以为神经网络模型。
53.可选地，该实施例可以通过强化学习方法训练得到上述目标模型。
54.可选地，基于演员-评论方法(actor-critic方法)强化所构建神经网络模型，将获取到的该操作对象长期驾驶车辆过程中车辆的行驶状态数据与该驾驶工况数据下的数据传输至系统中的目标模型中进行分析处理，并通过总结，获得该操作对象的驾驶风格，并可以生成与该驾驶风格对应的控制数据，从而将操作对象短时间内驾驶风格变化从而导致风格数据摒除在外，可以增加风格数据的准确性。
55.作为一种可选的实施例方式，步骤s104，从数据库中选取驾驶样本数据和驾驶样本数据对应的驾驶工况数据；基于驾驶样本数据对应的驾驶工况数据，对驾驶样本数据进行分类，得到多个驾驶样本数据组；基于驾驶样本数据组对子模型进行训练，得到目标模型。
56.在该实施例中，可以采集系统中存储的操作对象的驾驶样本数据和该驾驶样本数据对应的驾驶工况数据，并基于驾驶工况数据，对驾驶样本数据进行分类，得到多个驾驶样本数据组，并可以基于驾驶样本数据组对子模型进行训练，得到目标模型，其中，驾驶样本数据用于表征车辆在行驶过程中的行驶状态数据，驾驶样本数据组的数量与驾驶工况数据的种类数量相同。
57.可选地，在某一驾驶工况数据下，可以获取此时车辆行驶过程中的行驶状态数据，可以对行驶状态数据及与之对应的驾驶工况数据进行分类，可以获得多个不同驾驶工况数据下的车辆行驶状态数据的数据组，并对分类后的数据采用统计学方法进行数据分析，并基于数据组对应的子模型进行训练学习，可以获得目标模型，进一步地，可以获得与该目标模型对应的控制数据。
58.作为一种可选的实施例方式，步骤s104，基于操作对象的历史驾驶数据，确定操作对象的风格数据。
59.在该实施例中，当操作对象驾驶车辆的过程中，需要开启自适应巡航控制系统，该系统可以通过对操作对象进行标识信息的识别，判断是否已录入该系统，若已录入该系统，则可以基于已录入该系统的该操作对象的身份信息及历史驾驶数据，确定该操作对象的历
史驾驶数据，并可以通过该操作对象的历史驾驶数据，确定该操作对象的风格数据，进一步地，可以确定风格数据对应的控制数据，其中，历史驾驶数据可以为操作对象在过去某一时间段的驾驶数据。
60.可选地，历史驾驶数据可以包括操作对象在历史驾驶过程中车辆的车速、加速度、制动距离、制动杆的位移和方向盘转角等信息，可以在车辆中存储录入的操作对象的历史驾驶数据，对历史驾驶数据进行分析，从而确定操作对象的风格数据，比如，当车辆存在五次以上驾驶的车速在15m/s以上，并且加速度在10～15m/s2范围内，可以确定操作对象的驾驶风格为激进型驾驶风格。
61.可选地，可以预先设定当驾驶数据满足什么条件时对应的风格数据，比如，可以通过表格等形式表示不同风格数据对应的驾驶要求，从而可以实现基于操作对象的历史驾驶数据，确定操作对象的风格数据。
62.举例而言，某驾驶员的历史驾驶数据可以包括车速为12m/s、加速度为7m/s2、制动距离为13m、制动杆位移为3cm，则经过分析，可以确定该驾驶员的历史驾驶数据均在普通型驾驶风格对应的行驶状态数据范围内，则可以确定该驾驶员的风格数据为普通型驾驶风格。
63.需要说明的是，上述驾驶员历史驾驶数据与风格数据的对应关系与对应关系的表现情况仅为举例说明，此处不做具体限制。
64.可选地，可以在系统中录入操作对象的标识信息，获取该操作对象的驾驶数据，并可以基于获取到的驾驶数据，确定操作对象的风格数据，当再次获取到该操作对象的标识信息，则可以基于该操作对象的历史驾驶数据，确定该操作对象的风格数据。
65.作为一种可选的实施例方式，步骤s104，基于匹配结果，确定与操作对象对应的控制数据，包括：响应于匹配结果用于表征标识信息与历史标识信息匹配异常，确定控制数据为预设控制数据。
66.在该实施例中，将标识信息与车辆中已录入的历史标识信息进行匹配，得到匹配结果，当匹配结果用于表征匹配异常时，可以确定该操作对象的标识信息未录入该系统，此时可以将该操作对象的风格数据定为预设风格数据，并可以确定此时的控制数据为与之对应的预设控制数据。
67.举例而言，当操作对象驾驶车辆的过程中，该系统可以通过对操作对象进行标识信息的识别，与历史标识信息进行匹配，若匹配结果用于表征匹配异常时，则判断得出该操作对象的标识信息未录入该系统，此时该系统将该操作对象的驾驶风格定为普通型驾驶风格，可以确定此时的控制数据为与之对应的普通型控制参数，进一步可以确定普通型控制数据下车辆的车速、加速度等信息，并基于该控制数据控制车辆行驶。
68.作为一种可选的实施例方式，步骤s104，基于控制数据，生成操作对象的操作记录；响应于车辆中存在目标数量的操作记录，更新操作对象的历史驾驶数据。
69.在该实施例中，获取操作对象的控制数据，对控制数据进行存储，可以将存储的控制数据作为操作对象的一次操作记录，且对操作对象的操作记录中进行标记，比如，可以通过增加一个数字的方式进行标记，每当操作对象获取一次控制数据都可以将操作记录的加一，直至存在目标数量的操作记录之后，将从一到目标数量的操作数据更新至数据库中，从而实现更新操作对象的历史驾驶数据，其中，该目标数量可以为系统自行设置的数量或操
作对象根据自我需求选择的数量。
70.举例而言，当操作对象获取一组控制数据，对上述的控制数据进行存储，得到一组操作记录，当存在目标数量组操作记录后，可以将存储的控制数据作为操作对象的历史驾驶数据，以完成对操作对象的历史驾驶数据进行更新的目的，当操作记录达到目标数量个之后，可以在从头开始对操作记录的数量进行登记。
71.可选地，当获取到车辆的新的行驶状态数据，可以确定与新的行驶状态数据对应的驾驶工况数据，并可以对行驶状态数据及与之对应的驾驶工况数据进行分类，并对分类后的数据采用统计学方法进行数据分析，可以获得不同驾驶工况数据下的数据分析结果，若该数据分析结果的总量达到目标数量，则可以通过神经网络模型学习新的驾驶数据，并可以更新操作对象的历史驾驶数据；若该数据分析结果的总量未达到目标数量，则可以对新的行驶状态数据进行存储，而不进行学习，则可以下一次重新获取新的行驶数据，可以以此来保证系统动态学习操作对象的驾驶风格，并确保系统更新的行驶状态数据不受操作对象极短时间内的异常操作影响。
72.举例而言，对行驶状态数据及与之对应的驾驶工况数据进行分类，并对分类后的数据采用统计学方法进行数据分析，其中，统计学方法可以包括数据拟合和回归分析等。
73.本发明实施例通过获取车辆在行驶过程中的驾驶工况数据；基于车辆中操作对象的标识信息和驾驶工况数据，确定与操作对象对应的控制数据，其中，标识信息用于标识操作对象；基于控制数据，控制车辆行驶。也就是说，本发明实施例通过对车辆在行驶过程中的驾驶工况数据及车辆中操作对象的标识信息，确定与操作对象对应的控制数据，后基于该控制数据，控制车辆按照车辆中操作对象的驾驶风格进行行驶，从而解决了车辆驾驶过程中控制效果差的技术问题，实现了提高车辆驾驶过程中控制效果的技术效果。
74.实施例2
75.下面结合优选的实施方式对本发明实施例的技术方案进行举例说明。
76.近年来，自适应巡航控制系统(adaptive cruise control，简称acc)作为一种智能辅助驾驶技术，得到了广泛的普及，因此，自适应巡航驾驶系统的驾乘舒适性就显得尤为重要，从而帮助研究人员对未来行驶车辆及学习驾驶员的驾驶风格有很重要的意义。
77.在一种相关技术中，提出了一种基于身份识别的车辆控制方法及系统，仅根据采集驾驶员的身份信息，将身份信息与预设的核准信息进行比对，获取与该身份信息匹配的驾驶风格，并自动启动发动机，查询获得的驾驶风格对应的风格属性表和修正系数，获取车辆当前的油门踏板开度和发动机转速，根据踏板开度和车速在风格属性表中查得到发动机扭矩，根据发动机扭矩和修正系数计算得到发动机的需求扭矩，按照所需需求扭矩控制发动机的扭矩输出，仍未涉及获取车辆在行驶过程中的驾驶工况数据，导致车辆自适应巡航系统驾乘舒适型差的问题。
78.在另一种相关技术中，提出了一种驾驶员行为学习和周边环境的自学习跟车系统及方法，仅根据外部环境感知模块采集道路类型信息、周围目标车辆的距离和车道线等信息，并将上述信息输出到域控制内，并在驾驶员在不同道路环境下行驶时，域控制器依据本车的外部环境感知模块所采集信息判定本车所对应的道路环境和车流情况后，实时采集本车与目标车辆的时距和距离，判断驾驶员跟车距离和/或跟车距离，
79.最后，再通过域控制器根据当前车辆所处的道路工况和目标车辆类型，匹配驾驶
员跟车时距或跟车距离，仍未涉及具有驾驶员驾驶风格的自适应巡航控制系统，导致车辆自适应巡航系统驾乘舒适型差的问题。
80.为解决上述问题，本发明实施例提出了一种具备学习能力的自适应巡航控制系统，可以包括以下组成部分：身份识别模块、学习模块和自适应巡航控制模块。身份识别模块具备驾驶员信息录入及身份识别功能，可以用于设定学习对象及在线切换控制参数功能；学习模块可以获取车辆在行驶过程中的驾驶工况数据，学习身份识别模块可以录入的驾驶员的驾驶习惯，从而改变自适应巡航控制系统的控制数据；自适应巡航控制系统模块可以根据学习模块学习系统参数进行自适应巡航控制。
81.下面对本发明实施例的上述方法进行进一步的介绍。
82.图2是本发明实施例的一种车辆控制系统的示意图，如图2所示，车辆控制系统200可以包括身份识别模块201、学习模块202和自适应巡航控制模块203。
83.在该实施例中，身份识别模块201可以用于录入驾驶员的信息，并根据录入的驾驶员的信息，对当前驾驶员进行识别。
84.可选地，身份识别模块201可以包括识别装置、显示器、存储装置和传输装置等，其中，识别装置可以为摄像头和指纹识别装置等，当车辆安装该车辆控制系统后，驾驶员需要首次身份录入，可以分别通过摄像头及指纹识别装置录入驾驶员的人脸及指纹等信息，在将此次的身份信息记录至存储装置，可以便于识别驾驶员的身份信息。
85.可选地，身份识别模块201可以设置管理员用户功能，用于防止驾驶员信息被随意修改及录入，当管理员用户未设置时，每当录入驾驶员身份信息后，该系统可以通过向显示器发送提示信息提示“是否将该驾驶员设备管理员用户”，驾驶员可以通过点击显示器上的“是”的按钮进行设置，存储装置可以记录该管理员用户的身份信息，一旦管理员用户被设定，则不会再提示信息。
86.可选地，该管理员用户本人可以重置管理员用户，该方法可以包括：管理员用户可以在显示器上选择“重置”选项，身份识别模块获取该指令后，可以通过摄像头及指纹识别装置识别该驾驶员是否为管理员用户，如果是，可以清空存储装置中目前管理员用户的身份信息；如果不是，身份识别模块可以强制结束该重置操作。
87.可选地，管理员用户完成设定后，后续的驾驶员的身份信息可以通过管理员用户授权进行设置，其中，管理员用户授权的方式可以为人脸识别或指纹识别等。
88.可选地，身份识别模块201可以根据录入的驾驶员信息，对当前的驾驶员进行识别，该识别过程可以包括以下步骤：身份识别模块通过识别装置采集当前主驾驶位的驾驶员的身份信息，并可以与已经录入存储装置中的驾驶员的历史身份信息做匹配，若匹配结果用于表征匹配成功，则可以完成驾驶员身份识别；若匹配结果用于表征匹配失败，可以说明该驾驶员的身份信息未被存储装置录入。
89.可选地，身份识别模块201可以将获取到的驾驶员的身份识别结果通过传输装置传递至学习模块202，其中，传输装置传递身份识别结果的信号可以为局域互联网、数字信号、以太网等，此处身份识别结果的信号仅为举例说明，不做具体限制。
90.在该实施例中，学习模块202可以用于获取车辆在行驶过程中的驾驶工况数据，并可以根据身份识别模块201的识别结果及驾驶工况数据，确定当前驾驶员对应的控制数据。
91.可选地，图3是根据本发明实施例的一种学习模块学习的流程图，如图3所示，该学
习模块学习的方法可以包括以下步骤：
92.步骤s301，身份识别模块识别当前主驾驶位驾驶员。
93.在发明上述步骤s301提供的技术方案中，身份识别模块201中的识别装置检测当前主驾驶位驾驶员的身份信息，可以包括获取该驾驶员的人脸、指纹等身份信息。
94.步骤s302，是否录入系统。
95.在本发明上述步骤s302提供的技术方案中，身份识别模块201通过判断该驾驶员的身份信息是否与存储装置中的信息吻合，可以确定该驾驶员的身份信息是否已录入该系统，若是，则进行步骤s303；反之，则进行步骤s305。
96.步骤s303，学习模块加载当前驾驶员对应控制数据。
97.在本发明上述步骤s303中，判断得出该驾驶员已经录入该系统，则学习模块202中的学习装置可以加载当前驾驶员对应控制数据及学习记录。
98.可选地，学习模块202可以包括检测器、学习装置、存储装置、接收装置和传输装置等，其中，检测器可以实时获取行驶过程中车辆的行驶状态数据，传输至存储装置，比如，检测器可以获取驾驶员在驾驶过程中的跟车距离、油门和制动踏板开度和开度变化率等信息，再将上述车辆的行驶状态数据传输至存储模块进行记录。
99.可选地，存储装置可以存储一定目标时间内的车辆的行驶状态数据，可以防止数据随时间的存储量过大，其中，目标时间可以为驾驶员在显示器上选定的时间或系统自行设置的时间，此处仅为举例说明，不做具体限制。
100.举例而言，存储装置可以采用堆栈的先进先出的方式，只存储一定时间范围内的数据，例如，以当前时间为基准，系统自行设置为一个月的时间。
101.可选地，学习模块202中的检测器也可以检测车辆在行驶过程中的驾驶工况数据，比如，行驶中的路况和路面情况等，检测器可以把获取到的车辆在当前驾驶工况数据下的数据及上述车辆的行驶状态数据传输至学习装置。
102.可选地，学习装置可以对存储装置记录的车辆的行驶状态数据进行分类，对分类后的行驶状态数据进行数据分析，可以确定驾驶员的风格数据，并将数据分析后的风格数据作为学习神经网络模型的初始输入数据，进行训练学习，可以生成于不同风格数据对应的控制数据。
103.举例而言，可以将车辆的行驶状态数据分为三类，保守型、普通型和激进型，通过判断存储装置记录的车辆的行驶状态数据符合三种类型的哪一类别，可以对车辆的行驶状态数据进行分类，对分类后的车辆的行驶状态数据可以采用数据拟合和回归分析等统计学方法进行数据分析，确定驾驶员的风格数据，并将其驾驶员的风格数据确认为最优数据，可以作为演员-评论方法(actor-critic方法)构建的强化学习神经网络模型的初始输入数据，进行训练学习，可以生成于不同风格数据对应的控制数据。
104.可选地，当学习装置接收到车辆在行驶过程中的驾驶工况数据，可以对检测到的车辆在行驶过程中的驾驶工况数据进行判断，若判断得出车辆目前的驾驶工况数据为第一类驾驶工况数据，则可以通过对驾驶工况数据为第一类驾驶工况数据情况下，驾驶员的长期驾驶风格进一步地学习，从而确定该驾驶员的风格数据；若判断得出车辆目前的驾驶工况数据为第二类驾驶工况数据，则需要对异常情况进行分类，对分类后的每个异常驾驶工况数据下驾驶员的驾驶风格进行长期的学习。
105.举例而言，当车辆行驶于坡路过程中或行驶过程中遇见暴雨天气，检测器可以将检测到的当前车辆的驾驶工况数据信息传输至学习装置，学习装置判断目前的驾驶工况数据为第二类驾驶工况数据，系统可以对检测到的当前车辆的驾驶工况数据进行判断，目前的驾驶工况数据为第二类驾驶工况数据，学习装置可以对异常的驾驶工况数据进行分类，可以具体分为每个特殊路况或每个特殊天气等，对分类后的每个异常情况，可以只学习对应异常驾驶工况数据的驾驶员的驾驶风格，并单独存储，从而可以确定固定异常情况下驾驶员的驾驶风格。
106.步骤s304，学习当前驾驶员驾驶习惯，并保存新的控制数据。
107.在本发明上述步骤s304中，学习新的控制参数可以包括以下步骤：
108.可选地，每当新的车辆的行驶状态数据被传输至学习装置，可以先确定与新的行驶状态数据对应的驾驶工况数据，并可以对行驶状态数据及与之对应的驾驶工况数据进行分类，并对分类后的数据采用数据拟合、回归分析等统计学方法进行数据分析，若数据分析结果的总量达到目标数量，则可以基于actor-critic方法构建的神经网络模型学习新的驾驶数据，进一步地，可以保存新的控制数据；若数据分析结果的总量未达到目标数据，则不对此时的驾驶数据进行学习，可以将该行驶状态数据存储至存储模块。
109.可选地，学习装置可以等待获取下一次新的车辆的行驶状态数据，数据分析结果积累达到目标数量后，则可以重新开始新的学习过程，可以以此来保证系统学习的驾驶数据不会因为某一极短时间内的异常数据而发生改变，并可以动态学习驾驶员的驾驶风格。
110.步骤s305，退出学习。
111.在本发明上述步骤s305中，若身份识别模块201通过判断当前主驾驶位的驾驶员的身份信息未录入系统，可以将该信息通过传输装置传递至学习模块202，学习模块获取该信息后，可以不对该驾驶员的驾驶风格进行学习。
112.步骤s306，通过选择载入出场预设控制数据。
113.本发明上述步骤s306中，该驾驶员的身份信息未被录入，学习模块202可以将此时车辆的驾驶风格设置为普通型驾驶风格，并可以确定此时的控制数据为普通型控制参数。
114.可选地，学习模块202可以通过传输装置将确定的控制数据信息传递给自适应巡航控制模块203，其中，传递控制数据信息的信号可以为局域互联网、数字信号、以太网等，此处仅为举例说明，不做具体限制。
115.在该实施例中，自适应巡航控制模块203可以用于基于学习模块202的控制数据，控制车辆行驶。
116.可选地，图4是根据本发明实施例的一种自适应巡航控制的流程图，如图4所示，该自适应巡航控制可以包括以下步骤：
117.步骤s401，身份识别模块识别当前主驾驶位驾驶员。
118.在发明上述步骤s401提供的技术方案中，身份识别模块201中的识别装置检测当前主驾驶位驾驶员的身份信息，可以包括获取该驾驶员的人脸、指纹等身份信息。
119.步骤s402，该驾驶员是否已录入系统。
120.在本发明上述步骤s402提供的技术方案中，身份识别模块201通过判断该驾驶员的身份信息是否与存储装置中的信息吻合，可以确定该驾驶员的身份信息是否已录入该系统，若是，则进行步骤s403，反之，则进行步骤s404。
121.步骤s403，自适应巡航控制模块获取学习模块载入的控制数据。
122.在本发明上述步骤s403提供的技术方案中，自适应巡航控制模块203可以包括接收装置和控制装置等，其中，接收装置用于接收来自学习模块的控制数据，控制装置用于基于获取的控制数据控制车辆行驶。
123.可选地，自适应巡航控制模块203中的接收装置可以接收来自学习模块202的具有该驾驶员驾驶风格的控制数据。
124.举例而言，身份识别模块识别当前主驾驶位驾驶员的身份信息是否录入该系统，如果已经录入，则学习模块的检测器获取当前车辆行驶过程中的驾驶工况数据，若判断得出此时驾驶工况数据为第一类驾驶工况数据，则存储装置寻该身份信息对应的风格数据为激进型驾驶风格，进一步确定该驾驶员对应的控制数据为激进型控制参数，学习模块的传输装置传输激进型控制参数给自适应巡航控制模块的接收装置。
125.步骤s404，自适应巡航控制系统模块读取学习模块中预先设置的控制数据。
126.在本发明上述步骤s404提供的技术方案中，身份识别模块201识别当前主驾驶位驾驶员的身份信息是否录入该系统，如果未录入该系统，则学习模块202的传输装置将预先设置的普通型控制参数传递至自适应巡航控制模块203中的接收装置。
127.可选地，当学习模块201中的检测器检测到车辆在行驶过程中的驾驶工况数据，若判断得出目前的驾驶工况数据为第二类驾驶工况数据，则可以获取存储模块中当该驾驶员遇到目前的驾驶工况数据时的历史驾驶数据，并可以确定此时驾驶员的风格数据，向自适应巡航控制系统203传递与之对应的控制数据信息。
128.举例而言，当车辆行驶于坡路过程中或行驶过程中遇见暴雨天气，学习模块的检测器可以将检测到的当前车辆的驾驶工况数据信息传输至学习装置，学习装置判断目前的驾驶工况数据为第二类驾驶工况数据，获取存储模块中当该驾驶员遇到目前的驾驶工况数据时的历史驾驶数据为保守型，则可以确定保守型驾驶风格对应的控制数据的信息，并传递给自适应巡航控制模块中的接收装置。
129.步骤s405，自适应巡航控制。
130.在本发明上述步骤s405提供的技术方案中，自适应巡航控制模块203中的控制系统可以基于获取到的具有该驾驶员驾驶风格的控制数据，控制车辆行驶。
131.举例而言，当身份识别模块识别当前主驾驶位驾驶员的身份信息是否录入该系统，如果已经录入，则学习模块的检测器获取当前车辆行驶过程中的驾驶工况数据，若驾驶工况数据为第一类驾驶工况数据，则存储装置寻该身份信息对应的风格数据为保守型，进一步确定该风格数据对应的控制数据为保守型控制参数，学习模块的传输装置传输具有激进型驾驶风格的控制数据给自适应巡航控制模块的接收装置，自适应巡航控制系统中的控制装置控制车辆按照保守型控制数据行驶车辆。
132.本发明实施例通过获取车辆在行驶过程中的驾驶工况数据；基于车辆中操作对象的标识信息和驾驶工况数据，确定与操作对象对应的控制数据，其中，标识信息用于标识操作对象；基于控制数据，控制车辆行驶。也就是说，本发明实施例通过对车辆在行驶过程中的驾驶工况数据及车辆中操作对象的标识信息，确定与操作对象对应的控制数据，后基于该控制数据，控制车辆按照车辆中操作对象的驾驶风格进行行驶，从而解决了车辆驾驶过程中控制效果差的技术问题，实现了提高车辆驾驶过程中控制效果的技术效果。
133.实施例3
134.根据本发明实施例，还提供了一种车辆控制的装置。需要说明的是，该车辆控制的装置可以用于执行实施例1中的车辆控制的方法。
135.图5是根据本发明实施例的一种车辆控制的装置的示意图，如图5所示，该车辆控制的装置500可以包括：获取单元502、确定单元504和控制单元506。
136.获取单元502，用于获取车辆在行驶过程中的驾驶工况数据。
137.确定单元504，用于基于车辆的操作对象的标识信息和驾驶工况数据，确定与操作对象对应的控制数据，其中，标识信息用于标识操作对象。
138.控制单元506，用于基于控制数据，控制车辆行驶。
139.可选地，确定单元504包括：匹配模块，用于将标识信息与车辆中已录入的历史标识信息尽心匹配，得到匹配结果。
140.可选地，确定单元504包括：第一确定模块，用于确定与操作对象对应的控制数据。
141.可选地，确定单元504包括：第二确定模块，用于响应于匹配结果用于表征标识信息与历史标识信息匹配成功，确定操作对象的风格数据，
142.可选地，确定单元504包括：第三确定模块，用于基于风格数据和驾驶工况数据，确定与操作对象对应的控制数据。
143.可选地，第三确定模块包括：生成子模块，用于基于目标模型对风格数据和驾驶工况数据进行处理，生成控制数据，其中，目标模型为神经网络模型。
144.可选地，第三确定模块还包括：选取子模块，用于从数据库选取驾驶样本数据和驾驶样本数据对应的驾驶工况数据，其中，驾驶样本数据用于表征车辆在行驶过程中的行驶状态。
145.可选地，第三确定模块还包括：分类子模块，用于基于驾驶样本数据对应的驾驶工况数据，对驾驶样本数据进行分类，得到多个驾驶样本数据组，其中，驾驶样本数据组的数量与驾驶工况数据的种类个数相同。
146.可选地，第三确定模块还包括：训练子模块，用于基于驾驶样本数据组对子模型进行训练，得到目标模型。
147.可选地，第三确定模块还包括：确定子模块，用于基于操作对象的历史驾驶数据，确定操作对象的风格数据。
148.可选地，确定单元504还包括：第四确定模块，用于响应于匹配结果用于表征标识信息与历史标识信息异常，确定控制数据为预设控制数据。
149.可选地，该装置还包括：生成单元，用于基于控制数据，生成操作对象的操作记录。
150.可选地，该装置还包括：更新单元，用于响应于车辆中存在目标数量的操作记录，更新操作对象的历史驾驶数据。
151.在本发明实施例中，通过获取单元获取车辆在驾驶过程中的驾驶工况数据，确定单元基于车辆的操作对象的标识信息和驾驶状况，确定与操作对象对应的控制数据，其中，标识信息用于标识操作对象，控制单元基于控制数据，控制车辆行驶，从而解决了车辆驾驶过程中控制效果差的技术问题，实现了提高车辆驾驶过程中控制效果的技术效果。
152.实施例4
153.根据本发明实施例，还提供了一种车辆，该车辆用于执行本发明实施例的车辆控
制的方法。
154.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
155.在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
156.在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，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接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
157.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。
158.另外，在本发明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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
159.所述集成的单元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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明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全部或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(可为个人计算机、服务器或者网络设备等)执行本发明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、只读存储器(read-only memory，简称rom)、随机存取存储器(ram，random access memory，简称ram)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
160.以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

技术特征：

1.一种车辆控制的方法，其特征在于，包括：获取车辆在行驶过程中的驾驶工况数据；基于所述车辆中操作对象的标识信息和所述驾驶工况数据，确定与所述操作对象对应的控制数据，其中，所述标识信息用于标识所述操作对象；基于所述控制数据，控制所述车辆行驶。2.根据权利要求1所述的方法，其特征在于，基于所述车辆中操作对象的标识信息和所述驾驶工况数据，确定与所述操作对象对应的控制数据，包括：将所述标识信息与所述车辆中已录入的历史标识信息进行匹配，得到匹配结果；基于所述匹配结果，确定与所述操作对象对应的控制数据。3.根据权利要求2所述的方法，其特征在于，基于所述匹配结果，确定与所述操作对象对应的控制数据，包括：响应于所述匹配结果用于表征所述标识信息与所述历史标识信息匹配成功，确定所述操作对象的风格数据，其中，所述风格数据用于表征所述操作对象的驾驶风格；基于所述风格数据和所述驾驶工况数据，确定与所述操作对象对应的控制数据。4.根据权利要求3所述的方法，其特征在于，基于所述风格数据和所述驾驶工况数据，确定与所述操作对象对应的控制数据，包括：基于目标模型对所述风格数据和所述驾驶工况数据进行处理，生成所述控制数据，其中，所述目标模型为神经网络模型。5.根据权利要求4所述的方法，其特征在于，所述方法还包括：从数据库中选取驾驶样本数据和所述驾驶样本数据对应的驾驶工况数据，其中，所述驾驶样本数据用于表征车辆在行驶过程中的行驶状态数据；基于所述驾驶样本数据对应的驾驶工况数据，对所述驾驶样本数据进行分类，得到多个驾驶样本数据组，其中，所述驾驶样本数据组的数量与所述驾驶工况数据的种类个数相同；基于所述驾驶样本数据组对子模型进行训练，得到所述目标模型。6.根据权利要求3所述的方法，其特征在于，所述方法还包括：基于所述操作对象的历史驾驶数据，确定所述操作对象的风格数据。7.根据权利要求2所述的方法，其特征在于，基于所述匹配结果，确定与所述操作对象对应的控制数据，包括：响应于所述匹配结果用于表征所述标识信息与所述历史标识信息匹配异常，确定所述控制数据为预设控制数据。8.根据权利要求1所述的方法，其特征在于，所述方法还包括：基于所述控制数据，生成所述操作对象的操作记录；响应于所述车辆中存在目标数量的所述操作记录，更新所述操作对象的历史驾驶数据。9.一种车辆控制的装置，其特征在于，包括：获取单元，用于获取车辆在行驶过程中的驾驶工况数据；确定单元，用于基于所述车辆中操作对象的标识信息和所述驾驶工况数据，确定与所述操作对象对应的控制数据，其中，所述标识信息用于标识所述操作对象；
控制单元，用于基于所述控制数据，控制所述车辆行驶。10.一种车辆，其特征在于，用于执行权利要求1至8中任意一项所述的方法。

技术总结

本发明公开了一种车辆控制的方法、装置和车辆。其中，该方法包括：获取车辆在行驶过程中的驾驶工况数据；基于车辆中操作对象的标识信息和驾驶工况数据，确定与操作对象对应的控制数据，其中，标识信息用于标识操作对象；基于控制数据，控制车辆行驶。本发明解决了车辆驾驶过程中控制效果差的技术问题。过程中控制效果差的技术问题。过程中控制效果差的技术问题。