[发明专利]一种无人车数据驱动控制方法和装置

权利要求书

1.一种无人车数据驱动控制方法，其特征在于，所述方法包括：

通过传感器获取无人车在行驶状态下的多组数据对信息；所述多组数据对信息中的每组数据对包含一个时刻的当前控制量、当前状态量和下一时刻状态量；

构建非线性静态映射模型和高维线性动态演化模型，根据所述多组数据对信息通过构建有监督回归优化问题，求解所述高维线性动态演化模型，得到所述高维线性动态演化模型的参数信息；所述非线性静态映射模型满足在状态量为0时，所述非线性静态映射模型的值为0；所述高维线性动态演化模型根据所述参数信息确定模型参数；

在预测时域内以最小化期望轨迹跟踪误差为优化目标，构建无人车的模型预测控制最优化模型，以所述高维线性动态演化模型、所述非线性静态映射模型、状态量约束和控制量约束为约束条件，通过优化求解器求解所述模型预测控制最优化模型，得到预测时域内的控制量序列，并将第一个控制量作为无人车当前的控制量。

2.根据权利要求1所述的方法，其特征在于，所述构建非线性静态映射模型和高维线性动态演化模型包括：

构建非线性静态映射模型为：

其中，是一种非线性映射函数，以实现从x→z的映射，可以设计成深度神经网络或者由基函数构成；z(k)表示k时刻的高维的抽象状态量；x(k)表示k时刻在原状态空间的状态量；n表示原状态空间的维数；表示高维特征空间的维数；

构建高维线性动态演化模型为：

其中，A,B表示高维线性动态演化模型的参数；C表示高维线性空间到低维非线性原状态空间的映射关系参数；u(k)表示k时刻的控制量；表示k时刻根据高维状态空间的状态值z(k)计算得到的状态量x(k)的估计值。

3.根据权利要求2所述的方法，其特征在于，根据所述多组数据对信息通过构建有监督回归优化问题求解所述高维线性动态演化模型，包括：

构建求解高维线性动态演化模型参数A,B的一种最优化目标函数为：

其中，M表示所述多组数据对信息的组数；x_j表示第j组数据对中无人车的状态量；x_j⁺表示x_j的下一时刻状态量；是一种非线性映射函数，以实现从x→z的映射，可以设计成深度神经网络或者由基函数构成，以基函数形式为例，ψ_i是基函数，表示基函数的个数；u_j表示第j组数据对中无人车的控制量；α＞0是一个常数；表示Frobenius范数。

构建求解高维线性动态演化模型参数C的一种最优化目标函数为：

其中，β＞0是一个常数。

4.根据权利要求3所述的方法，其特征在于，根据所述多组数据对信息通过构建有监督回归优化问题求解所述高维线性动态演化模型，包括：

当非线性映射函数为深度神经网络时，构建求解高维线性动态演化模型参数A,B和优化深度神经网络权值W的一种最优化目标函数为：

其中，γ＞0是一个常数。