本发明涉及智能驾驶领域，尤其是涉及一种基于并行学习和极值搜索的控制方法、装置及存储介质。
背景技术：
1、非线性系统广泛存在于各行各业中，例如随着未来车辆向智能化、无人化方向的发展，研究具备自主识别路面类型、并获得最佳紧急制动效果的智能紧急制动控制是无人驾驶汽车能够切实落地的前提保障也是事关民众生命财产安全的关键。由于轮胎-路面接触的摩擦力与制动力矩之间呈现非线性，且由于路面条件的多样性相关，不同路面类型与轮胎接触的摩擦力与制动力矩之间呈现不同的非线性类型，使得无人车在各种路况尤其变路况条件下均能实现最佳的紧急制动效果面临巨大挑战。
2、诸如紧急制动等非线性系统的极值搜索及其极值的跟随控制一直是控制领域的重要方向，尤其是当非线性系统类型存在、改变或切换时，其极值也会跟着发生变化，如何使非线性系统类型在发生改变或切换时保证系统的稳定性并使系统迅速稳定运行在新的极值是非线性类型改变及带切换非线性系统控制的难点。
技术实现思路
1、本发明的目的就是为了提供一种基于并行学习和极值搜索的控制方法、装置及存储介质。
2、本发明的目的可以通过以下技术方案来实现：
3、一种基于并行学习和极值搜索的控制方法，包括：
4、步骤s1：当车辆处于紧急制动状态时，采集滑移率和路面附着系数的时间序列；
5、步骤s2：基于采集的滑移率和路面附着系数的时间序列，构建制动路面的特征向量；
6、步骤s3：基于制动路面的特征向量，与历史数据库中各已知路面类型的特征向量进行匹配，若存在相似度大于预配置的阈值的已知路面类型，则执行步骤s4，反之，则执行步骤s5；
7、步骤s4：获取对应于该已知路面类型的最优滑移率，并基于经验控制库输出控制信号；
8、步骤s5：基于极值搜索确定最优滑移率，并输入至基于并行学习的自适应控制模型，得到由自适应控制模型输出的控制信号；
9、步骤s6：基于得到的控制信号进行控制。
10、所述特征向量为二元数据序列，特征向量中的每个元素由滑移率和对应的路面附着系数组成。
11、所述基于极值搜索确定最优滑移率，包括：
12、极值搜索步骤：基于极值搜索算法确定当前路面的最优滑移率；
13、当得到最优滑移率后，设置切换开关为关闭状态，停止极值搜索并输出最优滑移率；
14、当切换开关为关闭状态时，计算路面附着系数微分和和滑移率差值的微分，若所述差值的微分的绝对值大于预配置的第一阈值，则设置切换开关为开启状态，并返回极值搜索步骤。
15、所述路面附着系数微分和和滑移率差值的微分通过跟踪-微分器获取。
16、所述跟踪-微分器采用最速综合函数获取附着系数微分和和滑移率差值的微分。
17、所述自适应控制模型输出的控制信号u为：
18、
19、其中：gλ(v)为被控对象控制增益，为最优滑移率的导数，k为控制增益，sgn()为符号函数，e为最优滑移率与目前滑移率的差值，g为重力加速度，v为车速，λ为滑移率，j为轮胎的转动惯量，r为轮胎半径，m为四分之一车质量，为神经网络系数，φ(λ)为径向基函数。
20、所述径向基函数为高斯函数。
21、所述基于经验控制库输出控制信号ui为：
22、
23、其中：为已知路面类型i的最优滑移率的导数，为已知路面类型i的最优滑移率，为已知路面类型i的神经网络系数，k为已知路面类型的数量。
24、一种基于并行学习和极值搜索的控制装置，包括存储器、处理器，以及存储于所述存储器中的程序，所述处理器执行所述程序时实现如上述的方法。
25、一种存储介质，其上存储有程序，所述程序被执行时实现如上述的方法。
26、与现有技术相比，本发明具有以下有益效果：
27、1、基于路面的特征向量匹配的方式来快速获取最优滑移率和相应的控制信号，具有制动力相应快捷的优势，此外针对未知路面，基于极值搜索和并行学习的方式，可以提高未知路面的制动力响应速率。
28、2、采用带切换开关的极值搜索机制，从而一方面可以在路面类型不变时，避免输出的最优滑移率发生跳变，另一方面当路面类型发生变化时，可以及时响应输出最新的最优滑移率。
29、3、采用最速综合函数获取附着系数微分和和滑移率差值的微分，可以避免由实际信号进行求导导致的噪声大所带来的其微分信号误差太大的问题。
30、4、采用基于径向基函数的神经网络，从而可以很好的逼近轮胎-路面模型的非线性曲线。
1.一种基于并行学习和极值搜索的控制方法，其特征在于，包括：
2.根据权利要求1所述的一种基于并行学习和极值搜索的控制方法，其特征在于，所述特征向量为二元数据序列，特征向量中的每个元素由滑移率和对应的路面附着系数组成。
3.根据权利要求1所述的一种基于并行学习和极值搜索的控制方法，其特征在于，所述基于极值搜索确定最优滑移率，包括：
4.根据权利要求3所述的一种基于并行学习和极值搜索的控制方法，其特征在于，所述路面附着系数微分和和滑移率差值的微分通过跟踪-微分器获取。
5.根据权利要求4所述的一种基于并行学习和极值搜索的控制方法，其特征在于，所述跟踪-微分器采用最速综合函数获取附着系数微分和和滑移率差值的微分。
6.根据权利要求1所述的一种基于并行学习和极值搜索的控制方法，其特征在于，所述自适应控制模型输出的控制信号u为：
7.根据权利要求6所述的一种基于并行学习和极值搜索的控制方法，其特征在于，所述径向基函数为高斯函数。
8.根据权利要求6所述的一种基于并行学习和极值搜索的控制方法，其特征在于，所述基于经验控制库输出控制信号ui为：
9.一种基于并行学习和极值搜索的控制装置，包括存储器、处理器，以及存储于所述存储器中的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-8中任一所述的方法。
10.一种存储介质，其上存储有程序，其特征在于，所述程序被执行时实现如权利要求1-8中任一所述的方法。
