[发明专利]一种基于5G分级决策的AEB策略方法

说明书

本发明公开了一种基于5G分级决策的AEB策略方法，通过5G低时延、高可靠特点将车辆数据和传感器设备数据传递到边缘云服务器中，基于分级决策架构，将AEB决策算法布置在服务器中，利用服务器的强大计算能力运算，在搜集多辆车、多传感器数据的同时能实现程序的自我学习和迭代，接入服务器的车辆越多，数据量越大，算法会越加完善，并且可以结合路侧设备构建的多维时空图，提前获取不同障碍物的信息，增大感知范围，并根据每个车实时数据，能快速地传输车辆控制参数，并通过5G网络将控制量下发给车辆，实现高效、安全的车辆AEB功能。本发明降低了单车成本，增加了AEB控制数据源，降低了事故发生率，促进网联自动驾驶产业的发展。

技术领域

本发明涉及的是主动安全控制技术领域，具体涉及一种基于5G分级决策的AEB策略方法。

背景技术

AEB控制系统是车辆一种主动安全控制的技术，当前该技术主要由车辆机械刹车系统、传感器检测设备、车辆控制器设备以及AEB算法策略组成，对现有专利进行分析发现，现有技术主要有以下几个方向：

1、根据车车通讯方式作为障碍物信息输入来源，提升AEB系统安全性，如CN104139781B专利中提出的通过V2V设备感知其他其他车辆信息，根据前方车辆的预计制动距离和所述自车的预计制动距离计算所述自车减速度的可制动距离计算，提升事故发生率

2、根据传感器数据融合方式提升障碍物感知信息准确性，提升AEB系统安全性，如：CN107867283A专利中提出的把视觉传感器获取的数据与雷达传感器获取的数据进行融合，提高了整个系统对环境的感知能力，使获取的车况及路况信息更为完整和准确；多种工况模式的切换，提高了系统对复杂交通路况的适应性以及满足了驾驶员多元的驾驶需求

3、根据机器学习的方式输出车辆控制的正确性，提升AEB系统安全性，如CN107499262A专利中提到的利用卷积神经网络和ACC/AEB控制算法相融合，通过不断的训练与学习，既可以获得适应驾驶人驾驶习惯的控制参数，同时可以在AEB工作的过程中，实现自学习、自纠正，既对没有遇到过的工况进行自学习、对执行不满意的工况进行自纠正，不断地纠正各个神经元和各个参数之间的权值，实现最优控制参数的输出。

现有专利中方法中普遍存在传感器感知范围有限，车辆计算设备能力有限，数据来源有限，成本高昂或者算法无法实现高效自我学习迭代的问题。

综上所述，本发明设计了一种基于5G分级决策的AEB策略方法。

发明内容

针对现有技术上存在的不足，本发明目的是在于提供一种基于5G分级决策的AEB策略方法，降低了单车成本，增加了AEB控制数据源，降低了事故发生率，促进网联自动驾驶产业的发展。

为了实现上述目的，本发明是通过如下的技术方案来实现：一种基于5G分级决策的AEB策略方法，包括以下流程：通过5G低时延、高可靠特点将车辆数据和传感器设备数据传递到边缘云服务器中，基于分级决策架构，将AEB决策算法布置在服务器中，利用服务器的强大计算能力运算，在搜集多辆车、多传感器数据的同时能实现程序的自我学习和迭代，接入服务器的车辆越多，数据量越大，算法会越加完善，并且可以结合路侧设备构建的多维时空图，提前获取不同障碍物的信息，增大感知范围，并根据每个车实时数据，能快速地传输车辆控制参数，并通过5G网络将控制量下发给车辆，实现高效、安全的车辆AEB功能。

一种基于5G分级决策的AEB系统，包括车辆终端、边缘云端和远端，所述的车辆终端、边缘云端和远端均部署有软件；

所述的车辆终端部署数据上传和接收软件，完成AEB传感器、车辆数据的上传和边缘云控制参数下发；部署车端AEB决策算法，完成车辆基础AEB功能；部署车端策略决策算法判别响应边缘云控制还是车辆决策控制；