CN109703566B - 一种速度控制指令处理方法和车辆 - Google Patents
一种速度控制指令处理方法和车辆 Download PDFInfo
- Publication number
- CN109703566B CN109703566B CN201811643531.7A CN201811643531A CN109703566B CN 109703566 B CN109703566 B CN 109703566B CN 201811643531 A CN201811643531 A CN 201811643531A CN 109703566 B CN109703566 B CN 109703566B
- Authority
- CN
- China
- Prior art keywords
- speed control
- image data
- time
- sample
- time delay
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Traffic Control Systems (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供一种速度控制指令处理方法和车辆，该方法包括：采集图像数据；将所述图像数据输入到速度控制模型处理，以预测目标时间的速度控制指令，其中，所述目标时间比所述图像数据的采集时间晚特定时长，所述特定时长与响应时延对应，所述响应时延为所述速度控制指令的预测时间到速度控制设备响应所述速度控制指令的时延；向所述速度控制设备传递所述速度控制指令，以使所述速度控制设备响应所述速度控制指令。本发明实施例可以提高车辆的速度控制性能。
Description
技术领域
本发明涉及自动驾驶技术领域，尤其涉及一种速度控制指令处理方法和车辆。
背景技术
随着深度学习技术的迅速发展，以及人工智能的深入研究，目前车辆从人工驾驶向自动驾驶的趋势进行变化。其中，通过端到端的深度学习实现自动驾驶是目前自动驾驶领域的一个主要研究方向。然而，目前车辆从预测速度控制指令到速度控制设备响应该速度控制指令会存在时延，因为，速度控制指令需要在车辆内传递至速度控制设备。这样，导致车辆速度控制性能比较差。
发明内容
本发明实施例提供一种速度控制指令处理方法和车辆，以解决车辆速度控制性能比较差的问题。
本发明实施例提供一种速度控制指令处理方法，应用于车辆，包括：
采集图像数据；
将所述图像数据输入到速度控制模型处理，以预测目标时间的速度控制指令，其中，所述目标时间比所述图像数据的采集时间晚特定时长，所述特定时长与响应时延对应，所述响应时延为所述速度控制指令的预测时间到速度控制设备响应所述速度控制指令的时延；
向所述速度控制设备传递所述速度控制指令，以使所述速度控制设备响应所述速度控制指令。
可选的，所述速度控制模型为输入为图像数据输出为速度控制指令的端到端模型，所述速度控制模型的训练样本数据包括：
样本图像数据和所述样本图像数据对应的样本速度控制指令，其中，所述样本速度控制指令的预测时间比所述样本图像数据的采集时间晚所述特定时长。
可选的，所述样本图像数据和所述样本速度控制指令是从数据集合中选取的，其中，所述数据集合中包括多帧图像数据，以及多个速度控制指令，其中，所述多个速度控制指令的预测时间分别等于所述多帧图像数据的采集时间。
可选的，所述特定时长等于N个图像耗时的总时长，其中，所述响应时延与所述N个图像耗时的总时长匹配，所述图像耗时为所述速度控制模型处理图像数据的频率的倒数，所述N为大于或者等于1整数。
可选的，所述N等于响应时延除以所述图像耗时得到的整数；或者
所述N等于响应时延除以所述图像耗时向上取整得到的整数；或者
所述N等于响应时延除以所述图像耗时向下取整得到的整数。
本发明实施例还提供一种车辆，包括：
采集模块，用于采集图像数据；
处理模块，用于将所述图像数据输入到速度控制模型处理，以预测目标时间的速度控制指令，其中，所述目标时间比所述图像数据的采集时间晚特定时长，所述特定时长与响应时延对应，所述响应时延为所述速度控制指令的预测时间到速度控制设备响应所述速度控制指令的时延；
执行模块，用于向所述速度控制设备传递所述速度控制指令，以使所述速度控制设备响应所述速度控制指令。
可选的，所述速度控制模型为输入为图像数据输出为速度控制指令的端到端模型，所述速度控制模型的训练样本数据包括：
样本图像数据和所述样本图像数据对应的样本速度控制指令，其中，所述样本速度控制指令的预测时间比所述样本图像数据的采集时间晚所述特定时长。
可选的，所述样本图像数据和所述样本速度控制指令是从数据集合中选取的，其中，所述数据集合中包括多帧图像数据，以及多个速度控制指令，其中，所述多个速度控制指令的预测时间分别等于所述多帧图像数据的采集时间。
可选的，所述特定时长等于N个图像耗时的总时长，其中，所述响应时延与所述N个图像耗时的总时长匹配，所述图像耗时为所述速度控制模型处理图像数据的频率的倒数，所述N为大于或者等于1整数。
可选的，所述N等于响应时延除以所述图像耗时得到的整数；或者
所述N等于响应时延除以所述图像耗时向上取整得到的整数；或者
所述N等于响应时延除以所述图像耗时向下取整得到的整数。
本发明实施例还提供一种车辆，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现本发明实施例提供的速度控制指令处理方法的步骤。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例提供的速度控制指令处理方法的步骤。
本发明实施例中，采集图像数据；将所述图像数据输入到速度控制模型处理，以预测目标时间的速度控制指令，其中，所述目标时间比所述图像数据的采集时间晚特定时长，所述特定时长与响应时延对应，所述响应时延为所述速度控制指令的预测时间到速度控制设备响应所述速度控制指令的时延；向所述速度控制设备传递所述速度控制指令，以使所述速度控制设备响应所述速度控制指令。由于预测目标时间的速度控制指令，从而可以降低上述响应时延对速度控制指令的影响，从而提高车辆的速度控制性能。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种速度控制指令处理方法的流程图；
图2是本发明实施例提供的一种车辆的结构图；
图3是本发明实施例提供的另一种车辆的结构图。
具体实施方式
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，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请的说明书和权利要求书中的术语“包括”以及它的任何变形，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。此外，说明书以及权利要求中使用“和/或”表示所连接对象的至少其中之一，例如A和/或B，表示包含单独A，单独B，以及A和B都存在三种情况。
在本发明实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
请参见图1，图1是本发明实施例提供的一种速度控制指令处理方法的流程图，该方法应用于车辆，如图1所示，包括以下步骤：
步骤101、采集图像数据。
其中，上述采集图像数据车辆通过车辆上安装的摄像头采集的图像数据，例如：上述摄像头采集视频数据，而上述图像数据可以是该视频数据中的某一帧图像数据。
需要说明的是，本发明实施例中，上述车辆可以是自动驾驶汽车或者其他能够通过图像数据预测速度控制指令的汽车，对此本发明实施例不作限定。
步骤102、将所述图像数据输入到速度控制模型处理，以预测目标时间的速度控制指令，其中，所述目标时间比所述图像数据的采集时间晚特定时长，所述特定时长与响应时延对应，所述响应时延为所述速度控制指令的预测时间到速度控制设备响应所述速度控制指令的时延。
其中，上述速度控制指令可以是对油门控制的指令，或者可以是对刹车控制的指令，或者可以是对档位控制的指令等车辆中与速度关联的指令。而上述速度控制设备可以是油门设备，例如：油门踏板或者油门控制器等，或者可以是刹车设备，例如：刹车踏板或者刹车控制器等，或者可以是档位控制设备等与速度关联的设备。
其中，上述速度控制模型可以是预先获取的端到端模型，例如：预先训练的端到端模型，该模型输入为图像数据输出为速度控制指令。优选的，针对每帧图像数据均输出对应的速度控制指令。
需要说明的是，上述目标时间的速度控制指令可以是，上述速度控制模型输出的用于在上述目标时间进行速度控制的速度控制指令。而上述目标时间比所述图像数据的采集时间晚特定时长可以是，上述目标时间与上述采集时间存在上述特定时长的时间偏移(offset)。
上述速度控制指令的预测时间可以是预测到上述速度控制指令的时间，或者可以是预测上述速度控制指令过程中的时间，对此不作限定。
而上述速度控制指令的预测时间到速度控制设备响应所述速度控制指令的时延也可以理解为，车辆向速度控制设备传递速度控制指令(即发出速度控制指令)到速度控制设备响应所述速度控制指令的时延，且该响应时延也可以称作纵向响应延迟时间。
另外，上述特定时长与响应时延对应可以是，上述特定时长与上述响应时延相同或者相近，其中，这里的相近可以理解为特定时长与上述响应时延的时间差在特定范围内。
另外，上述响应时延可以对车辆进行响应测试得到响应时延。
步骤103、向所述速度控制设备传递所述速度控制指令，以使所述速度控制设备响应所述速度控制指令。
步骤103可以是在步骤102预测到上述速度控制指令时，向速度控制设备传递速度控制指令，从而速度控制设备响应该速度控制指令。
由于根据上述图像数据预测目标时间的速度控制指令，而目标时间比所述图像数据的采集时间晚特定时长，这样可以实现目标时间的速度控制指令在目标时间或者目标时间相近的时刻被速度控制设备响应，也就是说，提前预测速度控制指令，并提前向速度控制设备发送该速度控制指令，从而降低甚至消除上述响应时延的影响，以提高车辆的速度控制性能。
例如：上述图像数据的采集时间为t，而上述特定时长为offset＝200ms，上述响应时延为200ms为例，则上述目标时间为t+200ms，即根据t时刻采集的图像数据预测t+200ms的速度控制指令，并向速度控制设备传递该速度控制指令，这样可以实现预测未来200ms的速度控制指令，并提前向速度控制设备传递该指令，从而降低甚至消除上述响应时延的影响。
作为一种可选的实施方式，上述速度控制模型为输入为图像数据输出为速度控制指令的端到端模型，所述速度控制模型的训练样本数据包括：
样本图像数据和所述样本图像数据对应的样本速度控制指令，其中，所述样本速度控制指令的预测时间比所述样本图像数据的采集时间晚所述特定时长。
其中，上述样本图像数据和所述样本图像数据对应的样本速度控制指令可以理解为，一对训练样本[image_t,speed_(t+offset)]，其中，image_t,表示时间t采集的图像数据，speed_(t+offset)表示时间t+offset的速度控制指令。上述训练样本数据可以包括多对训练样本，每对训练样本均满足上述样本图像数据和样本速度控制指令的关系。
上述速度控制模型可以是使用上述训练样本数据对基础端到端模型进行训练，以得到上述速度控制模型。例如：将上述样本图像数据作为输入，将上述样本速度控制指令作为真实结果，在训练过程中，从输入端到输出端会得到一个预测结果，该预测结果与真实结果相比较会得到一个误差，这个误差可以在模型中的每一层传递(例如：反向传播)，每一层均可以根据这个误差来做调整，直到模型收敛或达到预期的效果才结束，以得到上述速度控制模型。
需要说明的是，本发明实施例中，对模型的训练过程不作限定，且训练过程可以是在计算机是进行的。例如：在计算机上训练得到上述速度控制模型，再将该速度控制模型配置给上述车辆。当然，也不排除车辆的智能设备训练得到上述速度控制模型。
该实施方式中，由于采用样本图像数据和上述样本速度控制指令作为训练样本，从而可以准确地训练得到输入为图像数据输出为速度控制指令的端到端的上述速度控制模型。
可选的，所述样本图像数据和所述样本速度控制指令是从数据集合中选取的，其中，所述数据集合中包括多帧图像数据，以及多个速度控制指令，其中，所述多个速度控制指令的预测时间分别等于所述多帧图像数据的采集时间。
其中，上述数据集合可以是计算机配置的，或者对测试车辆进行测试等方式获得的数据集合。例如：上述数据集合包括如下数据：
样本数据t0-速度控制指令t0；
样本数据t1-速度控制指令t1；
样本数据t2-速度控制指令t2；
样本数据t3-速度控制指令t3；
其中，上述样本数据t0-速度控制指令t0表示to时间采集到的图像数据和to时间预测的速度控制指令，上述样本数据t1-速度控制指令t1表示t1时间采集到的图像数据和t1时间预测的速度控制指令，此处不一一列出。
以上述特定时长为t2与t0的时间差，且上述特定时长等于上述响应时延为例，从而上述样本图像数据和所述样本速度控制指令包括：
样本数据t0和速度控制指令t2；
样本数据t1和速度控制指令t3。
这样使用这些样本数据进行训练，从而可以得到根据to的图像数据输出t2的速度控制指令，这样在预测到该速度控制指令时，向速度控制设备传递该速度控制指令，可以使得速度控制设备在t2响应该速度控制指令。
该实施方式中，可以实现根据图像数据采集时间和车辆接受控制(即速度控制设备响应速度控制指令)间的offset，提供训练数据，从而可以更加准确地训练得到输入为图像数据输出为速度控制指令的端到端的上述速度控制模型。
作为一种可选的实施方式，上述特定时长等于N个图像耗时的总时长，其中，所述响应时延与所述N个图像耗时的总时长匹配，所述图像耗时为所述速度控制模型处理图像数据的频率的倒数，所述N为大于或者等于1整数。
上述速度控制模型处理图像数据的频率也可以称作速度控制模型预测速度控制指令的频率。
该实施方式中，可以是车辆进行响应测试，求出上述响应时延，例如：用于speed_delay_time表示。以及确定速度控制模型处理图像数据的频率为p，即速度控制模型预测频率，而上述图像耗时为1/p，即一帧图像耗时为1/p，其中，p可以是以秒为单元，即一秒内处理图像数据的数量，或者称作一秒内预测速度控制指令的数量。
而上述响应时延与所述N个图像耗时的总时长匹配可以包括如下：
所述N等于响应时延除以所述图像耗时得到的整数；或者
所述N等于响应时延除以所述图像耗时向上取整得到的整数；或者
所述N等于响应时延除以所述图像耗时向下取整得到的整数。
具体的，上述N可以理解为上述响应时延占图像耗时的个数，需要说明的是，上述N等于响应时延除以所述图像耗时向上取整得到的整数，以及上述N等于响应时延除以所述图像耗时向上取整得到的整数可以理解为，取离上述响应时延除最近的图像耗时个数。以上述响应时延为200ms，上述p以秒为单元，取值为10举例，则上述1/p等于100ms，即上述N等于2；上述响应时延为190ms，上述p以秒为单元，取值为10举例，则上述1/p等于100ms，则向上取整，即上述N等于2；上述响应时延为120ms，上述p以秒为单位，取值为10举例，则上述1/p等于100ms，则向下取整，即上述N等于1。
上述三种方式可以实现上述N个图像耗时的总时长为速度控制指令的偏移，例如：用于speed_offset，优选的，speed_offset＝speed_delay_time/(1/p)，其中，上述speed_delay_time表示上述响应时延。即上述目标时间的速度控制指令可以理解为上述图像数据往后偏移N个的速度控制指令。
该实施方式中，由于可以通过偏移得到各样本图像数据对应的样本速度控制指令，从而不需要单独为每个图像数据对应的样本速度控制指令，进而可以降低训练的复杂度。例如：以N等于2为例，样本数据t0偏移2个速度控制指令，以得到速度控制指令t2。
本发明实施例中，采集图像数据；将所述图像数据输入到速度控制模型处理，以预测目标时间的速度控制指令，其中，所述目标时间比所述图像数据的采集时间晚特定时长，所述特定时长与响应时延对应，所述响应时延为所述速度控制指令的预测时间到速度控制设备响应所述速度控制指令的时延；向所述速度控制设备传递所述速度控制指令，以使所述速度控制设备响应所述速度控制指令。由于预测目标时间的速度控制指令，从而可以降低上述响应时延对速度控制指令的影响，从而提高车辆的速度控制性能。
请参见图2，图2是本发明实施例提供的一种车辆的结构图，如图2所示，车辆200，包括：
采集模块201，用于采集图像数据；
处理模块202，用于将所述图像数据输入到速度控制模型处理，以预测目标时间的速度控制指令，其中，所述目标时间比所述图像数据的采集时间晚特定时长，所述特定时长与响应时延对应，所述响应时延为所述速度控制指令预测时间到速度控制设备响应所述速度控制指令的时延；
执行模块203，用于向所述速度控制设备传递所述速度控制指令，以使所述速度控制设备响应所述速度控制指令。
可选的，所述速度控制模型为输入为图像数据输出为速度控制指令的端到端模型，所述速度控制模型的训练样本数据包括：
样本图像数据和所述样本图像数据对应的样本速度控制指令，其中，所述样本速度控制指令的预测时间比所述样本图像数据的采集时间晚所述特定时长。
可选的，所述样本图像数据和所述样本速度控制指令是从数据集合中选取的，其中，所述数据集合中包括多帧图像数据，以及多个速度控制指令，其中，所述多个速度控制指令的预测时间分别等于所述多帧图像数据的采集时间。
可选的，所述特定时长等于N个图像耗时的总时长，其中，所述响应时延与所述N个图像耗时的总时长匹配，所述图像耗时为所述速度控制模型处理图像数据的频率的倒数，所述N为大于或者等于1整数。
可选的，所述N等于响应时延除以所述图像耗时得到的整数；或者
所述N等于响应时延除以所述图像耗时向上取整得到的整数；或者
所述N等于响应时延除以所述图像耗时向下取整得到的整数。
本发明实施例提供的车辆能够实现图1的方法实施例中车辆实现的各个过程，且可以达到相同有益效果，为避免重复，这里不再赘述。
请参见图3，图3是本发明实施例提供的另一种车辆的结构图，如图3所示，车辆300包括处理器301、存储器302及存储在所述存储器302上并可在所述处理器上运行的计算机程序。
其中，所述计算机程序被所述处理器301执行时实现如下步骤：
采集图像数据；
将所述图像数据输入到速度控制模型处理，以预测目标时间的速度控制指令，其中，所述目标时间比所述图像数据的采集时间晚特定时长，所述特定时长与响应时延对应，所述响应时延为所述速度控制指令预测时间到速度控制设备响应所述速度控制指令的时延；
向所述速度控制设备传递所述速度控制指令，以使所述速度控制设备响应所述速度控制指令。
需要说明的是，处理器301执行的上述采集图像数据可以是处理器301控制车辆的摄像头采集图像数据。
可选的，所述速度控制模型为输入为图像数据输出为速度控制指令的端到端模型，所述速度控制模型的训练样本数据包括：
样本图像数据和所述样本图像数据对应的样本速度控制指令，其中，所述样本速度控制指令的预测时间比所述样本图像数据的采集时间晚所述特定时长。
可选的，所述样本图像数据和所述样本速度控制指令是从数据集合中选取的，其中，所述数据集合中包括多帧图像数据，以及多个速度控制指令，其中，所述多个速度控制指令的预测时间分别等于所述多帧图像数据的采集时间。
可选的，所述特定时长等于N个图像耗时的总时长，其中，所述响应时延与所述N个图像耗时的总时长匹配，所述图像耗时为所述速度控制模型处理图像数据的频率的倒数，所述N为大于或者等于1整数。
可选的，所述N等于响应时延除以所述图像耗时得到的整数；或者
所述N等于响应时延除以所述图像耗时向上取整得到的整数；或者
所述N等于响应时延除以所述图像耗时向下取整得到的整数。
本发明实施例提供的车辆能够实现图1的方法实施例中车辆实现的各个过程，且可以达到相同有益效果，为避免重复，这里不再赘述。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例提供的速度控制指令处理方法的步骤。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。
Claims (12)
1.一种速度控制指令处理方法，应用于车辆，其特征在于，包括：
采集图像数据；
将所述图像数据输入到速度控制模型处理，以预测目标时间的速度控制指令，其中，所述目标时间比所述图像数据的采集时间晚特定时长，所述特定时长与响应时延对应，所述响应时延为所述速度控制指令的预测时间到速度控制设备响应所述速度控制指令的时延；
向所述速度控制设备传递所述速度控制指令，以使所述速度控制设备响应所述速度控制指令。
2.如权利要求1所述的方法，其特征在于，所述速度控制模型为输入为图像数据输出为速度控制指令的端到端模型，所述速度控制模型的训练样本数据包括：
样本图像数据和所述样本图像数据对应的样本速度控制指令，其中，所述样本速度控制指令的预测时间比所述样本图像数据的采集时间晚所述特定时长。
3.如权利要求2所述的方法，其特征在于，所述样本图像数据和所述样本速度控制指令是从数据集合中选取的，其中，所述数据集合中包括多帧图像数据，以及多个速度控制指令，其中，所述多个速度控制指令的预测时间分别等于所述多帧图像数据的采集时间。
4.如权利要求1至3中任一项所述的方法，其特征在于，所述特定时长等于N个图像耗时的总时长，其中，所述响应时延与所述N个图像耗时的总时长匹配，所述图像耗时为所述速度控制模型处理图像数据的频率的倒数，所述N为大于或者等于1整数。
5.如权利要求4所述的方法，其特征在于，所述N等于响应时延除以所述图像耗时得到的整数；或者
所述N等于响应时延除以所述图像耗时向上取整得到的整数；或者
所述N等于响应时延除以所述图像耗时向下取整得到的整数。
6.一种车辆，其特征在于，包括：
采集模块，用于采集图像数据；
处理模块，用于将所述图像数据输入到速度控制模型处理，以预测目标时间的速度控制指令，其中，所述目标时间比所述图像数据的采集时间晚特定时长，所述特定时长与响应时延对应，所述响应时延为所述速度控制指令的预测时间到速度控制设备响应所述速度控制指令的时延；
执行模块，用于向所述速度控制设备传递所述速度控制指令，以使所述速度控制设备响应所述速度控制指令。
7.如权利要求6所述的车辆，其特征在于，所述速度控制模型为输入为图像数据输出为速度控制指令的端到端模型，所述速度控制模型的训练样本数据包括：
样本图像数据和所述样本图像数据对应的样本速度控制指令，其中，所述样本速度控制指令的预测时间比所述样本图像数据的采集时间晚所述特定时长。
8.如权利要求7所述的车辆，其特征在于，所述样本图像数据和所述样本速度控制指令是从数据集合中选取的，其中，所述数据集合中包括多帧图像数据，以及多个速度控制指令，其中，所述多个速度控制指令的预测时间分别等于所述多帧图像数据的采集时间。
9.如权利要求6至8中任一项所述的车辆，其特征在于，所述特定时长等于N个图像耗时的总时长，其中，所述响应时延与所述N个图像耗时的总时长匹配，所述图像耗时为所述速度控制模型处理图像数据的频率的倒数，所述N为大于或者等于1整数。
10.如权利要求9所述的车辆，其特征在于，所述N等于响应时延除以所述图像耗时得到的整数；或者
所述N等于响应时延除以所述图像耗时向上取整得到的整数；或者
所述N等于响应时延除以所述图像耗时向下取整得到的整数。
11.一种车辆，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的速度控制指令处理方法的步骤。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的速度控制指令处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811643531.7A CN109703566B (zh) | 2018-12-29 | 2018-12-29 | 一种速度控制指令处理方法和车辆 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811643531.7A CN109703566B (zh) | 2018-12-29 | 2018-12-29 | 一种速度控制指令处理方法和车辆 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109703566A CN109703566A (zh) | 2019-05-03 |
| CN109703566B true CN109703566B (zh) | 2021-08-03 |
Family
ID=66260316
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811643531.7A Active CN109703566B (zh) | 2018-12-29 | 2018-12-29 | 一种速度控制指令处理方法和车辆 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109703566B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114627649B (zh) * | 2022-04-13 | 2022-12-27 | 北京魔门塔科技有限公司 | 速度控制模型的生成方法、车辆控制方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1721243A (zh) * | 2004-06-09 | 2006-01-18 | 日产自动车株式会社 | 用于机动车辆的制动力控制装置和方法 |
| JP2007223494A (ja) * | 2006-02-24 | 2007-09-06 | Fuji Heavy Ind Ltd | 車両挙動推定予測装置および車両安定化制御システム |
| CN108099918A (zh) * | 2016-11-23 | 2018-06-01 | 百度（美国）有限责任公司 | 用于确定自主车辆的命令延迟的方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6592266B2 (ja) * | 2015-03-31 | 2019-10-16 | 株式会社デンソー | 物体検知装置、及び物体検知方法 |
| CN106909153B (zh) * | 2017-03-21 | 2020-07-31 | 北京京东尚科信息技术有限公司 | 无人车横向控制方法和装置 |
-
2018
- 2018-12-29 CN CN201811643531.7A patent/CN109703566B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1721243A (zh) * | 2004-06-09 | 2006-01-18 | 日产自动车株式会社 | 用于机动车辆的制动力控制装置和方法 |
| JP2007223494A (ja) * | 2006-02-24 | 2007-09-06 | Fuji Heavy Ind Ltd | 車両挙動推定予測装置および車両安定化制御システム |
| CN108099918A (zh) * | 2016-11-23 | 2018-06-01 | 百度（美国）有限责任公司 | 用于确定自主车辆的命令延迟的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109703566A (zh) | 2019-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2019047651A1 (zh) | 驾驶行为预测方法和装置、无人车 | |
| CN107491073B (zh) | 无人驾驶车辆的数据训练方法和装置 | |
| CN109990790B (zh) | 一种无人机路径规划方法及装置 | |
| CN112937564A (zh) | 换道决策模型生成方法和无人车换道决策方法及装置 | |
| CN109299732B (zh) | 无人驾驶行为决策及模型训练的方法、装置及电子设备 | |
| CN109693672B (zh) | 用于控制无人驾驶汽车的方法和装置 | |
| CN111712840A (zh) | 注释方法、注释装置、注释程序以及识别系统 | |
| CN109606383B (zh) | 用于生成模型的方法和装置 | |
| KR20190041819A (ko) | 컨볼루션 신경망의 컨볼루션 연산 장치 및 방법 | |
| CN111327355B (zh) | 无人机边缘感知计算与联合传输方法、装置、介质及设备 | |
| US20220176554A1 (en) | Method and device for controlling a robot | |
| CN112446468A (zh) | 用于创建脉冲神经网络的方法、设备和计算机程序 | |
| CN112396180B (zh) | 基于动态示教数据和行为克隆的深度q学习网络优化方法 | |
| US20230367934A1 (en) | Method and apparatus for constructing vehicle dynamics model and method and apparatus for predicting vehicle state information | |
| CN109703566B (zh) | 一种速度控制指令处理方法和车辆 | |
| US20200327803A1 (en) | System and method for supporting the prediction of a future signaling of a traffic infrastructure element | |
| CN111277320B (zh) | 一种蜂窝网联无人机轨迹设计和干扰管理的方法及装置 | |
| CN111128150A (zh) | 一种唤醒智能语音设备的方法及装置 | |
| CN109572816B (zh) | 一种转向指令处理方法和车辆 | |
| CN110478911A (zh) | 基于机器学习的智能游戏车无人驾驶方法及智能车、设备 | |
| CN110719487B (zh) | 视频预测方法和装置、电子设备及车辆 | |
| EP3923203A1 (en) | Updating a neural network model on a computation device | |
| CN115511043A (zh) | 用于训练机器学习算法的方法 | |
| CN112786016B (zh) | 一种语音识别方法、装置、介质和设备 | |
| CN111340234B (zh) | 视频数据处理方法、装置、电子设备和计算机可读介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |