CN107609502A - 用于控制无人驾驶车辆的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于控制无人驾驶车辆的方法和装置。该方法的一具体实施方式包括：获取无人驾驶车辆的待识别环境图像；将该待识别环境图像导入场景识别模型，得到该待识别环境图像对应的场景类型，其中，该场景识别模型用于表征待识别环境图像与场景类型之间的对应关系；根据预设的场景类型与控制指令之间的关联关系，选取并执行控制指令，以控制该无人驾驶车辆。该实施方式提高了无人驾驶车辆的控制效率。

Description

用于控制无人驾驶车辆的方法和装置

技术领域

本申请涉及机动车技术领域，具体涉及无人驾驶车辆技术领域，尤其涉及用于控制无人驾驶车辆的方法和装置。

背景技术

随着科技的发展和进步，通过自动控制系统控制的无人驾驶车辆能够给人们的出行带来便利并提高人们的生活质量。

然而，现有的无人驾驶车辆的控制方式，通常存在着控制效率较低的问题。

发明内容

本申请实施例的目的在于提出一种改进的用于控制无人驾驶车辆的方法和装置，来解决以上背景技术部分提到的技术问题。

第一方面，本申请实施例提供了一种用于控制无人驾驶车辆的方法，上述方法包括：获取无人驾驶车辆的待识别环境图像；将上述待识别环境图像导入场景识别模型，得到上述待识别环境图像对应的场景类型，其中，上述场景识别模型用于表征待识别环境图像与场景类型之间的对应关系；根据预设的场景类型与控制指令之间的关联关系，选取并执行控制指令，以控制上述无人驾驶车辆。

第二方面，本申请实施例提供了一种用于控制无人驾驶车辆的装置，上述装置包括：获取单元，用于获取无人驾驶车辆的待识别环境图像；确定单元，用于将上述待识别环境图像导入场景识别模型，得到上述待识别环境图像对应的场景类型，其中，上述场景识别模型用于表征待识别环境图像与场景类型之间的对应关系；执行单元，用于根据预设的场景类型与控制指令之间的关联关系，选取并执行控制指令，以控制上述无人驾驶车辆。

第三方面，本申请实施例提供了一种无人驾驶车辆，包括：一个或多个处理器；图像采集装置，用于采集待识别图像；存储装置，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面的方法。

本申请实施例提供的用于控制无人驾驶车辆的方法和装置，通过利用预先建立的场景识别模型处理待识别环境图像，可以快速得到无人驾驶车辆的当前场景类型，然后可以根据场景类型与控制指令之间的关联关系，快速选取并执行控制指令，提高了无人驾驶车辆的控制效率。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的用于控制无人驾驶车辆的方法的一个实施例的流程图；

图3是根据本申请的用于控制无人驾驶车辆的方法的一个应用场景的示意图；

图4是根据本申请的用于控制无人驾驶车辆的方法的又一个实施例的流程图；

图5是根据本申请的用于控制无人驾驶车辆的装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于控制无人驾驶车辆的方法或用于确定无人驾驶车辆的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括无人驾驶车辆101。无人驾驶车辆101上可以安装有驾驶控制设备1011、网络1012、图像采集装置1013。网络1012用以在驾驶控制设备1011和图像采集装置1013之间提供通信链路的介质。网络1012可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

驾驶控制设备(又称为车载大脑)1011负责无人驾驶车辆的智能控制。驾驶控制设备1011可以是单独设置的控制器，例如可编程逻辑控制器(Programmable LogicController，PLC)、单片机、工业控制机等；也可以是由其他具有输入/输出端口，并具有运算控制功能的电子器件组成的设备；还可以是安装有车辆驾驶控制类应用的计算机设备。

需要说明的是，本申请实施例所提供的用于控制无人驾驶车辆的方法一般由驾驶控制设备1011执行，相应地，用于控制无人驾驶车辆的装置一般设置于驾驶控制设备1011中。

应该理解，图1中的驾驶控制设备和图像采集装置的数目仅仅是示意性的。根据实现需要，可以具有任意数目的驾驶控制设备、图像采集装置。需要说明的是，本系统架构中也可以不包括图像采集装置。待识别

继续参考图2，其示出了根据本申请的用于控制无人驾驶车辆的方法的一个实施例的流程200。上述的用于控制无人驾驶车辆的方法，包括以下步骤：

步骤201，获取无人驾驶车辆的待识别环境图像。

在本实施例中，用于控制无人驾驶车辆的方法运行于其上的电子设备(例如图1所示的驾驶控制设备)可以获取无人驾驶车辆的待识别环境图像。

在本实施例中，上述电子设备可以通过有线连接方式或者无线连接方式，从图像采集装置实时获取图像采集装置采集的无人驾驶车辆的环境图像。作为示例，图像采集装置可以是照相机、摄像机等。需要说明的是，图像采集装置可以是设置在无人驾驶车辆上的，也可以设置的位置上，例如，可以在道路旁边设置道路图像采集设备，上述电子设备可以从上述道路图像采集设备获取待识别环境图像。

在本实施例中，待识别环境图像可以是无人车周围的环境的图像。图像采集装置可以以单帧图像的形式将待识别环境图像发送至上述电子设备。

步骤202，将待识别环境图像导入场景识别模型，得到待识别环境图像对应的场景类型。

在本实施例中，用于控制无人驾驶车辆的方法运行于其上的电子设备(例如图1所示的驾驶控制设备)可以将上述待识别环境图像导入场景识别模型，得到上述待识别环境图像对应的场景类型。

在本实施例中，上述场景识别模型用于表征待识别环境图像与场景类型之间的对应关系。

在本实施例中，场景可以是一些常见或者不常见的场景。作为示例，常见场景可以是遇到交通灯、遇到交通十字路口等。作为示例，不常见场景可以是行人横穿马路、前车追尾等。场景类型可以是各种形式的标识信息，例如，场景名称、场景编号等。

在本实施例的一些可选的实现方式中，环境识别模型可以是存储在上述电子设备本地的。需要说明的是，可以由其它电子设备建立上述环境识别模型。

在本实施例的一些可选的实现方式中，步骤202的待识别环境图像模型可以通过以下方式得到：利用训练集，训练包括与场景类型关联设置的训练用环境图像。利用上述训练集，训练初始的卷积神经网络或递归神经网络，得到待识别环境图像模型。

步骤203，根据预设的场景类型与控制指令之间的关联关系，选取并执行控制指令，以控制无人驾驶车辆。

在本实施例中，用于控制无人驾驶车辆的方法运行于其上的电子设备(例如图1所示的驾驶控制设备)可以根据预设的场景类型与控制指令之间的关联关系，选取并执行控制指令，以控制上述无人驾驶车辆。

在本实施例中，上述电子设备中可以预先存储多种场景类型和多种控制指令，并且存储关联关系信息，关联关系信息用于指示场景类型与控制指令之间的关联关系。

作为示例，场景类型可能关联一条控制指令，例如行人横穿马路的场景类型，所关联的控制指令可能控制无人驾驶车辆紧急刹车。

作为示例，场景类型可能关联多条控制指令，这种情况可以根据预先设置的与这种场景对应的控制策略信息，选取控制指令。例如，遇到交通信号灯的场景，控制策略信息可以指示“红灯停，绿灯行”，如果当前遇到的是红灯，那么选取指示刹车的指令；如果当前遇到的是绿灯，那么选取指示行驶的指令。

继续参见图3，图3是根据本实施例的用于控制无人驾驶车辆的方法的应用场景的一个示意图。在图3的应用场景中，无人驾驶车辆301行驶在路上，行人302突然横穿马路。无人驾驶车辆的摄像机可以采集的待识别环境图像，摄像机采集到的图像可能包括行走匆忙的行人。摄像机可以将采集的待识别环境图像303传送至无人驾驶车辆的驾驶控制设备304。在这里，为了便于说明，图3中将驾驶控制设备示意了两次。驾驶控制设备304可以获取无人驾驶车辆的待识别环境图像303。驾驶控制设备可以将上述待识别环境图像导入场景识别模型，得到上述待识别环境图像对应的场景类型305。驾驶控制设备可以根据预设的场景类型与控制指令之间的关联关系，选取并执行控制指令306，以控制上述无人驾驶车辆。例如，控制上述无人驾驶车辆紧急刹车。

本申请的上述实施例提供的方法，通过利用预先建立的场景识别模型处理待识别环境图像，可以快速得到无人驾驶车辆的当前场景类型，然后可以根据场景类型与控制指令之间的对应关系，快速选取并执行控制指令，提高了无人驾驶车辆的控制效率。

进一步参考图4，其示出了用于控制无人驾驶车辆的方法的又一个实施例的流程400。该用于控制无人驾驶车辆的方法的流程400，包括以下步骤：

步骤401，获取无人驾驶车辆的待识别环境图像。

在本实施例中，用于控制无人驾驶车辆的方法运行于其上的电子设备(例如图1所示的驾驶控制设备)可以获取无人驾驶车辆的待识别环境图像。

步骤402，将获取到的待识别环境图像导入预先训练的第一特征提取模型，得到与待识别环境图像对应的待识别特征向量。

在本实施例中，用于控制无人驾驶车辆的方法运行于其上的电子设备(例如图1所示的驾驶控制设备)可以将获取到的待识别环境图像导入预先训练的第一特征提取模型，得到与上述待识别环境图像对应的待识别特征向量。

在本实施例中，上述第一特征提取模型用于表征待识别环境图像与特征向量的对应关系。

需要说明的是，建立上述第一特征提取模型的，可以是上述电子设备，也可以是其它电子设备。如果是其它电子设备，可以是上述电子设备建立之后发送到上述电子设备的。

步骤403，获取至少两个参考特征向量。

在本实施例中，用于控制无人驾驶车辆的方法运行于其上的电子设备(例如图1所示的驾驶控制设备)可以获取至少两个参考特征向量。

在本实施例中，参考特征向量与场景类型关联设置。

在本实施例中，参考特征向量可以是上述电子设备预先在本地存储的。需要说明的是，参考特征向量可以是由其它电子设备确定、发送至上述电子设备的。

在本实施例的一些可选的实现方式中，上述至少两个参考特征向量中的参考特征向量，可以是从其它电子设备获取到的，也可以是技术人员自己写入的。

在本实施例的一些可选的实现方式中，上述至少两个参考特征向量中的参考特征向量，可以通过以下步骤得到：获取至少两个参考环境图像，其中，参考环境图像与场景类型关联设置。对于上述至少两个参考环境图像中的每个参考环境图像，将该参考环境图像导入预先训练的第二特征提取模型，得到与该参考环境图像对应的参考特征向量，其中，上述第二特征提取模型用于表征参考环境图像与参考特征向量的对应关系。

需要说明的是，第二特征提取模型可以与第一特征提取模型相同，也可以不同。

步骤404，确定特征向量与各个参考特征向量的相似度。

在本实施例中，用于控制无人驾驶车辆的方法运行于其上的电子设备(例如图1所示的驾驶控制设备)可以确定上述特征向量与各个参考特征向量的相似度。

需要说明的是，如何计算向量之间的相似度，是本领域技术人员所公知的，在此不再赘述。

步骤405，根据所确定的相似度，确定上述环境图像对应的场景类型。

在本实施例中，用于控制无人驾驶车辆的方法运行于其上的电子设备(例如图1所示的驾驶控制设备)可以根据所确定的相似度，确定上述环境图像对应的场景类型。

在本实施例的一些可选的实现方式中，可以选取出最大的相似度，将最大相似度对应的参考特征向量关联的场景类型，确定为上述环境图像关联的场景类型。

在本实施例的一些可选的实现方式中，参考特征向量的场景类型的数量，可能小于参考特征向量。即参考特征向量可能有三个，这三个向量中有两个的场景类型相同。还可以对于相同场景类型的参考特征信息，可以计算这些参考特征信息与待识别特征向量的相似度进行加权平均，将加权平均的结果作为待识别图像属于这一场景类型的概率。选取概率最高的场景类型，作为识别图像属于场景类型。

步骤406，根据预设的场景类型与控制指令之间的关联关系，选取并执行控制指令，以控制无人驾驶车辆。

在本实施例中，用于控制无人驾驶车辆的方法运行于其上的电子设备(例如图1所示的驾驶控制设备)可以根据预设的场景类型与控制指令之间的关联关系，选取并执行控制指令，以控制上述无人驾驶车辆。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于控制无人驾驶车辆的方法的流程400突出了利用环境图像的特征向量与参考特征向量之间的相似度确定场景类型的步骤。由此，本实施例描述的方案可以引入参考样本以确定场景类型，从而提高了控制无人驾驶车辆的准确率，进而提高了控制无人驾驶汽车的效率。

在本实施例的一些可选的实现方式中，上述第二特征提取模型可以通过以下方式建立：获取初始的长短期记忆网络模型和训练集，其中，训练集包括与场景类型关联设置的训练用环境图像；利用上述训练集，训练上述初始的长短期记忆网络模型，得到上述第二特征提取模型。

需要说明的是，第二特征提取模型可以是上述电子设备，也可以是其它电子设备。如果是其它电子设备，可以是上述电子设备建立之后发送到上述电子设备的。

长短期记忆网络(Long-Short Term Memory，LSTM)是一种时间递归神经网络。LSTM适合于处理和预测时间序列中间隔和延迟非常长的重要事件。应用到本申请的实际场合中，例如，在行人横穿马路的场景中，可能一般的模型需要对图像序列进行处理才能确定出这个场景。但是，如果训练集是各种图片，一般的模型可能识别效果较差。

此时，长短期记忆网络的优势可以在用于控制无人驾驶车辆的实际情境中体现出优势：建立基于长短期记忆网络建立是基于测试集，测试集中对于对应单个场景类型可能有多幅图像，第二特征提取模型基于长短期记忆网络建立，提取特征向量时，可以根据行人不同程度的横穿马路的图像，偏向提取出行人横穿马路的主要特征。第二特征提取模型可以在对上述至少两个参考环境图像提取参考特征向量时，着重提取出所偏向的主要特征。

在本实施例的一些可选的实现方式中，上述第一特征提取模型可以通过以下方式建立：获取测试集，其中，测试集包括与场景类型关联设置的测试用环境图像；将各个测试用环境图像导入上述第二特征提取模型，得到测试用环境图像的第二图像特征向量；利用上述测试集和得到的各个第二图像特征向量，训练初始的长短期记忆网络模型，得到上述第一特征提取模型。

需要说明的是，利用上述测试集和得到的各个第二图像特征向量，可以将所训练的第二特征提取模型引入第一特征提取模型。第二特征提取模型可以着重对主要特征的提取，进而第第一特征提取模型的特征提取的偏向受到第二特征提取模型的影响，进而可以在对待识别图像特征进行图像提取的过程中，得到更为准确的可以表征场景类型的特征向量。

需要说明的是，如何利用上述测试集和得到的各个第二图像特征向量，可以通过多种方式实现，例如将第二图像特征向量与模型训练过程中的状态变量相结合。长短期记忆网络模型中的状态变量本领域技术人员所公知的，如何结合可以是灵活选择的，在此不再赘述。

在本实施例的一些可选的实现方式中，上述利用上述测试集和得到的各个第二图像特征向量，训练初始的长短期记忆网络模型，得到上述第一特征提取模型，可以包括：将测试用环境图像导入上述第一特征提取模型，得到测试用环境图像的第一图像特征向量；根据得到的第一图像特征向量和测试用环境图像所关联的场景类型，确定上述第一特征提取模型的模型误差；根据上述模型误差，更新上述第二特征提取模型和上述第一特征提取模型。

需要说明的是，如何确定模型误差本身在此不再赘述。

需要说明的是，由上述更新步骤，因为第一特征提取模型的训练过程引入了第二特征提取模型，因此，可以同时更新第一特征提取模型和第二特征提取模型，在更新第二特征提取模型后，可以得到更为准确的参考特征向量。进而，对于训练样本较少的场景类型，利用这种方式训练出模型也可以准确地进行特征提取。在无人车领域，一些场景的样本在实践过程中可能非常少，例如，行人横穿马路。所以将此中模型训练方式引入无人车领域，能够解决无人车少数场景识别的问题。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于控制无人驾驶车辆的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例上述的用于控制无人驾驶车辆的装置500包括：获取单元501、确定单元502和执行单元503。其中，获取单元，用于获取无人驾驶车辆的待识别环境图像；确定单元，用于将上述待识别环境图像导入场景识别模型，得到上述待识别环境图像对应的场景类型，其中，上述场景识别模型用于表征待识别环境图像与场景类型之间的对应关系；执行单元，用于根据预设的场景类型与控制指令之间的关联关系，选取并执行控制指令，以控制上述无人驾驶车辆。

在本实施例中，取单元501、确定单元502和执行单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202以及步骤203的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，将获取到的待识别环境图像导入预先训练的第一特征提取模型，得到与上述待识别环境图像对应的待识别特征向量，其中，上述第一特征提取模型用于表征待识别环境图像与特征向量的对应关系；获取至少两个参考特征向量，其中，参考特征向量与场景类型关联设置；确定上述特征向量与各个参考特征向量的相似度；根据所确定的相似度，确定上述待识别环境图像对应的场景类型。

在本实施例的一些可选的实现方式中，上述至少两个参考特征向量中的参考特征向量，通过以下步骤得到：获取至少两个参考环境图像，其中，参考环境图像与场景类型关联设置；对于上述至少两个参考环境图像中的每个参考环境图像，将该参考环境图像导入预先训练的第二特征提取模型，得到与该参考环境图像对应的参考特征向量，其中，上述第二特征提取模型用于表征参考环境图像与参考特征向量的对应关系。

在本实施例的一些可选的实现方式中，上述第二特征提取模型，通过以下步骤训练得到：获取初始的长短期记忆网络模型和训练集，其中，训练集包括与场景类型关联设置的训练用环境图像；利用上述训练集，训练上述初始的长短期记忆网络模型，得到上述第二特征提取模型。

在本实施例的一些可选的实现方式中，上述第一特征提取模型，通过以下步骤训练得到：获取测试集，其中，测试集包括与场景类型关联设置的测试用环境图像；将各个测试用环境图像导入上述第二特征提取模型，得到测试用环境图像的第二图像特征向量；利用上述测试集和得到各个第二图像特征向量，训练初始的长短期记忆网络模型，得到上述第一特征提取模型。

在本实施例的一些可选的实现方式中，上述利用上述测试集和各个第二预测场景类型，训练初始的长短期记忆网络模型，得到上述第一特征提取模型，包括：将测试用环境图像导入上述第一特征提取模型，得到测试用环境图像的第一图像特征向量；根据得到第一图像特征向量和测试用环境图像所关联的场景类型，确定上述第一特征提取模型的模型误差；根据上述模型误差，更新上述第二特征提取模型和上述第一特征提取模型。

需要说明的是，本实施例提供的用于控制无人驾驶车辆的装置中各单元的实现细节和技术效果可以参考本申请中其它实施例的说明，在此不再赘述。

下面参考图6，其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(CPU，Central Processing Unit)601，其可以根据存储在只读存储器(ROM，Read Only Memory)602中的程序或者从存储部分606加载到随机访问存储器(RAM，Random Access Memory)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM602以及RAM 603通过总线604彼此相连。输入/输出(I/O，Input/Output)接口605也连接至总线604。

以下部件连接至I/O接口605：包括硬盘等的存储部分606；以及包括诸如LAN(局域网，Local Area Network)卡、调制解调器等的网络接口卡的通信部分607。通信部分607经由诸如因特网的网络执行通信处理。驱动器608也根据需要连接至I/O接口605。可拆卸介质609，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器608上，以便于从其上读出的计算机程序根据需要被安装入存储部分606。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分607从网络上被下载和安装，和/或从可拆卸介质609被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、确定单元和执行单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“用于获取无人驾驶车辆的待识别环境图像的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取无人驾驶车辆的待识别环境图像；将上述待识别环境图像导入场景识别模型，得到上述待识别环境图像对应的场景类型，其中，上述场景识别模型用于表征待识别环境图像与场景类型之间的对应关系；根据预设的场景类型与控制指令之间的关联关系，选取并执行控制指令，以控制上述无人驾驶车辆。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种用于控制无人驾驶车辆的方法，其特征在于，所述方法包括：

获取无人驾驶车辆的待识别环境图像；

将所述待识别环境图像导入场景识别模型，得到所述待识别环境图像对应的场景类型，其中，所述场景识别模型用于表征待识别环境图像与场景类型之间的对应关系；

根据预设的场景类型与控制指令之间的关联关系，选取并执行控制指令，以控制所述无人驾驶车辆。

2.根据权利要求1所述的方法，其特征在于，所述将所述待识别环境图像导入场景识别模型，得到所述待识别环境图像对应的场景类型，包括：

将获取到的待识别环境图像导入预先训练的第一特征提取模型，得到与所述待识别环境图像对应的待识别特征向量，其中，所述第一特征提取模型用于表征待识别环境图像与特征向量的对应关系；

获取至少两个参考特征向量，其中，参考特征向量与场景类型关联设置；

确定所述特征向量与各个参考特征向量的相似度；

根据所确定的相似度，确定所述待识别环境图像对应的场景类型。

3.根据权利要求2所述的方法，其特征在于，所述至少两个参考特征向量中的参考特征向量，通过以下步骤得到：

获取至少两个参考环境图像，其中，参考环境图像与场景类型关联设置；

对于所述至少两个参考环境图像中的每个参考环境图像，将该参考环境图像导入预先训练的第二特征提取模型，得到与该参考环境图像对应的参考特征向量，其中，所述第二特征提取模型用于表征参考环境图像与参考特征向量的对应关系。

4.根据权利要求1-3中任一项所述的方法，其特征在于，所述第二特征提取模型，通过以下步骤训练得到：

获取初始的长短期记忆网络模型和训练集，其中，训练集包括与场景类型关联设置的训练用环境图像；

利用所述训练集，训练所述初始的长短期记忆网络模型，得到所述第二特征提取模型。

5.根据权利要求4所述的方法，其特征在于，所述第一特征提取模型，通过以下步骤训练得到：

获取测试集，其中，测试集包括与场景类型关联设置的测试用环境图像；

将各个测试用环境图像导入所述第二特征提取模型，得到测试用环境图像的第二图像特征向量；

利用所述测试集和得到各个第二图像特征向量，训练初始的长短期记忆网络模型，得到所述第一特征提取模型。

6.根据权利要求5所述的方法，其特征在于，所述利用所述测试集和得到各个第二图像特征向量，训练初始的长短期记忆网络模型，得到所述第一特征提取模型，包括：

将测试用环境图像导入所述第一特征提取模型，得到测试用环境图像的第一图像特征向量；

根据得到第一图像特征向量和测试用环境图像所关联的场景类型，确定所述第一特征提取模型的模型误差；

根据所述模型误差，更新所述第二特征提取模型和所述第一特征提取模型。

7.一种用于控制无人驾驶车辆的装置，其特征在于，所述装置包括：

获取单元，用于获取无人驾驶车辆的待识别环境图像；

确定单元，用于将所述待识别环境图像导入场景识别模型，得到所述待识别环境图像对应的场景类型，其中，所述场景识别模型用于表征待识别环境图像与场景类型之间的对应关系；

执行单元，用于根据预设的场景类型与控制指令之间的关联关系，选取并执行控制指令，以控制所述无人驾驶车辆。

8.根据权利要求7所述的装置，其特征在于，所述确定单元，还用于：

将获取到的待识别环境图像导入预先训练的第一特征提取模型，得到与所述待识别环境图像对应的待识别特征向量，其中，所述第一特征提取模型用于表征待识别环境图像与特征向量的对应关系；

获取至少两个参考特征向量，其中，参考特征向量与场景类型关联设置；

确定所述特征向量与各个参考特征向量的相似度；

根据所确定的相似度，确定所述待识别环境图像对应的场景类型。

9.一种无人驾驶车辆，其特征在于，所述设备包括：

一个或多个处理器；

图像采集装置，用于采集待识别图像；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的方法。