CN109910891A - 车辆控制方法和装置 - Google Patents
车辆控制方法和装置 Download PDFInfo
- Publication number
- CN109910891A CN109910891A CN201910211239.6A CN201910211239A CN109910891A CN 109910891 A CN109910891 A CN 109910891A CN 201910211239 A CN201910211239 A CN 201910211239A CN 109910891 A CN109910891 A CN 109910891A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- history
- image
- sample
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 69
- 238000012549 training Methods 0.000 claims description 41
- 241001269238 Data Species 0.000 claims description 35
- 230000002708 enhancing effect Effects 0.000 claims description 14
- 238000013519 translation Methods 0.000 claims description 10
- 239000000203 mixture Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 description 15
- 238000012545 processing Methods 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008676 import Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆控制方法和装置，属于智能车领域。所述方法包括：获取所述当前车辆的图像数据；将所述图像数据输入人工智能模型，输出所述当前车辆的预测车辆状态数据；获取所述当前车辆的当前车辆状态数据；基于所述预测车辆状态数据和所述当前车辆状态数据确定所述当前车辆的车辆控制数据；按照所述车辆控制数据控制所述当前车辆。采用本发明，可以无需判断车辆所处场景，根据采集的图像即可简单直接的对车辆进行控制。
Description
技术领域
本发明涉及智能车领域，特别涉及车辆控制方法和装置。
背景技术
无人驾驶控制系统是一个集环境感知、控制策略、控制实现等多层面于一体的控制系统。它涉及计算机算法、传感器感知、信息融合、数据通讯、机械控制等多方面技术，是典型的高新科技综合体，也是与人们生活息息相关的“黑科技”。因此，如何通过无人驾驶控制系统对车辆进行控制是汽车产业未来发展的重要方向。
相关技术中在通过无人驾驶控制系统对当前车辆进行控制之前，先制定多个场景的控制策略。在对当前车辆进行控制时，确定当前车辆所处场景，根据当前车辆所处场景，获取该场景对应的控制策略，根据该控制策略对当前车辆进行控制。其中，多个场景可以为自动泊车、变换车道、路口转弯、超车等等。其中，在确定当前车辆所处场景时，需要采集大量的摄像头数据和传感器数据，并对这些数据进行综合分析，并基于其中的一些特征点识别车辆所处场景。
在实现本发明的过程中，发明人发现现有技术至少存在以下问题：
在控制车辆时，需要先对采集的数据进行大量的分析，确定车辆所处场景，场景的条件判断过程复杂，对场景识别要求较高，从而对车辆的控制效率低。
发明内容
本发明实施例提供了一种车辆控制方法和装置，提高了对车辆的控制效率。所述技术方案如下：
第一方面，提供了一种车辆控制方法，所述方法包括：
获取当前车辆的图像数据；
将图像数据输入人工智能模型，输出当前车辆的预测车辆状态数据；
获取当前车辆的当前车辆状态数据；
基于预测车辆状态数据和当前车辆状态数据确定当前车辆的车辆控制数据；
按照车辆控制数据控制当前车辆。
可选的，基于预测车辆状态数据和当前车辆状态数据确定当前车辆的车辆控制数据，包括：
获取当前车辆状态数据中的当前驾驶参数；
获取预测车辆状态数据中的预测驾驶参数；
确定将当前驾驶参数调整至预测驾驶参数所需的控制值；；
将控制值作为车辆控制数据。
可选的，获取当前车辆的当前车辆状态数据之前，包括：
获取样本数据；
搭建人工智能训练框架；
将样本数据导入人工智能训练框架中，在人工智能训练框架中对样本数据进行训练，得到人工智能模型。
可选的，获取样本数据，包括：
获取至少一个样本车辆的多个第一历史驾驶数据，每个样本车辆的第一历史驾驶数据包括样本车辆的第一历史图像数据和与第一历史图像数据对应的历史车辆状态数据，将多个第一历史驾驶数据作为样本数据；或者，
获取至少一个样本车辆的多个第一历史驾驶数据，每个样本车辆的第一历史驾驶数据包括样本车辆的第一历史图像数据和与第一历史图像数据对应的历史车辆状态数据；对于每个第一历史驾驶数据，对第一历史驾驶数据中的第一历史图像数据进行数据增强，得到第二历史驾驶数据，将多个第一历史驾驶数据和多个第二历史驾驶数据组成样本数据。
可选的，对于每个第一历史驾驶数据，对第一历史驾驶数据中的第一历史图像数据进行数据增强，得到第二历史驾驶数据，包括：
对于每个第一历史驾驶数据，对第一历史驾驶数据中的第一历史图像数据对应的第一图像进行随机平移，得到第二图像，将第二图像的第二历史图像数据和第一历史驾驶数据中的历史车辆状态数据组成第二历史驾驶数据；和/或，
对于每个第一历史驾驶数据，对第一历史驾驶数据中的第一历史图像数据对应的第一图像进行随机翻转，得到第三图像，将第三图像的第三历史图像数据和第一历史驾驶数据中的历史车辆状态数据组成第二历史驾驶数据。
第二方面，提供了一种车辆控制装置，所述装置包括：
获取模块，用于获取当前车辆的图像数据；
输出模块，用于将图像数据输入人工智能模型，输出当前车辆的预测车辆状态数据；
获取模块，还用于获取当前车辆的当前车辆状态数据；
确定模块，用于基于预测车辆状态数据和当前车辆状态数据确定当前车辆的车辆控制数据；
控制模块，用于按照车辆控制数据控制当前车辆。
可选的，确定模块，还用于获取当前车辆状态数据中的当前驾驶参数；获取预测车辆状态数据中的预测驾驶参数；确定将当前驾驶参数调整至预测驾驶参数所需的控制值；将控制值作为车辆控制数据。
可选的，装置还包括训练模块，用于获取样本数据；搭建人工智能训练框架；将样本数据导入人工智能训练框架中，在人工智能训练框架中对样本数据进行训练，得到人工智能模型。
可选的，获取模块，还用于获取至少一个样本车辆的多个第一历史驾驶数据，每个样本车辆的第一历史驾驶数据包括样本车辆的第一历史图像数据和与第一历史图像数据对应的历史车辆状态数据，将多个第一历史驾驶数据作为样本数据；或者，
获取模块，还用于获取至少一个样本车辆的多个第一历史驾驶数据，每个样本车辆的第一历史驾驶数据包括样本车辆的第一历史图像数据和与第一历史图像数据对应的历史车辆状态数据；对于每个第一历史驾驶数据，对第一历史驾驶数据中的第一历史图像数据进行数据增强，得到第二历史驾驶数据，将多个第一历史驾驶数据和多个第二历史驾驶数据组成样本数据。
可选的，获取模块，还用于对于每个第一历史驾驶数据，对第一历史驾驶数据中的第一历史图像数据对应的第一图像进行随机平移，得到第二图像，将第二图像的第二历史图像数据和第一历史驾驶数据中的历史车辆状态数据组成第二历史驾驶数据；和/或，
获取模块，还用于对于每个第一历史驾驶数据，对第一历史驾驶数据中的第一历史图像数据对应的第一图像进行随机翻转，得到第三图像，将第三图像的第三历史图像数据和第一历史驾驶数据中的历史车辆状态数据组成第二历史驾驶数据。
第三方面，提供了一种车载终端，所述终端包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现如上述第一方面所述的车辆控制方法。
第四方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现如上述第一方面所述的车辆控制方法。
本发明实施例提供的技术方案带来的有益效果至少包括：
本发明实施例中，在当前车辆的当前驾驶状态发生变化时，获取当前车辆的图像数据；将图像数据输入人工智能模型，输出当前车辆的预测车辆状态数据；获取当前车辆的当前车辆状态数据；基于预测车辆状态数据和当前车辆状态数据确定当前车辆的车辆控制数据；按照车辆控制数据控制当前车辆。即无需判断复杂的条件，也无需判断车辆所处场景，即可直接根据获取的当前车辆的图像数据，实现对当前车辆的控制，提高了控制效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对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车辆控制方法的流程图；
图2是本发明实施例提供的一种车辆控制方法的结构示意图；
图3是本发明实施例提供的一种人工智能模型训练结构示意图；
图4是本发明实施例提供的一种车辆控制装置的结构示意图；
图5是本发明实施例提供的一种车载终端的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
本发明实施例提供了一种车辆控制方法，在该方法中，主要是事先获取人工智能模型；在对车辆进行控制时，获取当前车辆的图像数据，将图像数据输入到该人工智能模型中，输出当前车辆的预测车辆状态数据，获取所述当前车辆的当前车辆状态数据；基于所述预测车辆状态数据和所述当前车辆状态数据确定所述当前车辆的车辆控制数据；按照所述车辆控制数据控制所述当前车辆。
其中，该方法可以由当前车辆的车载终端实现，也可以由服务器实现。当该方法由车载终端实现时，该人工智能模型可以由车载终端训练，还可以由服务器训练，车载终端直接从服务器中获取该人工智能模型。当该方法由服务器实现时，服务器可以通过车载终端获取当前车辆的图像数据，以及按照所述车辆控制数据控制所述当前车辆。
其中，服务器可以包括第一处理器、第一存储器、收发器等部件。第一处理器，可以为CPU(Central Processing Unit，中央处理单元)等，可以用于训练人工智能模型等处理。第一存储器，可以为RAM(Random Access Memory，随机存取存储器)，Flash(闪存)等，可以用于存储接收到的数据、处理过程所需的数据、处理过程中生成的数据等，如样本车辆上传的历史驾驶数据、预测车辆状态数据等。收发器，可以用于与车载终端或其它服务器(如定位服务器)进行数据传输，例如，向车载终端发送车辆控制数据，收发器可以包括天线、匹配电路、调制解调器等。
车载终端可以包括第二处理器、第二存储器、屏幕等部件。第二处理器，可以为CPU(Central Processing Unit，中央处理单元)等，可以对图像数据进行数据处理，接收指令，控制显示器进行显示等处理。第二存储器，可以为RAM(Random Access Memory，随机存取存储器)，Flash(闪存)等，可以用于存储接收到的数据、处理过程所需的数据、处理过程中生成的数据等，如摄像头采集的图像数据、预测车辆状态数据、控制数据等。屏幕可以是触控屏，可以用于显示设备列表、控制页面，还可以用于检测触碰信号等。车载终端还可以包括收发器、音频输出部件和音频输入部件等。收发器，可以用于与其它设备进行数据传输，例如，接收服务器发送的数据，可以包括天线、匹配电路、调制解调器等。音频输出部件可以是音箱、耳机等。音频输入部件可以是麦克风等。
下面以该方法由车载终端实现为例，介绍本发明的车辆控制方法。如图1和2所示，该方法的处理流程可以包括如下的步骤：
在步骤101中，车载终端获取当前车辆的图像数据。
在一种可能的实现方式中，车载终端可以周期性获取当前车辆的图像数据；其中，当前车辆中设置摄像头，该摄像头用于拍摄图像。该摄像头可以达到拍摄周期时拍摄图像。也即车载终端在到达获取周期时，进行拍摄，得到第四图像，获取第四图像的图像数据。该摄像头还可以一直进行监控。也即车载终端还可以在摄像头监控过程中，达到获取周期时从拍摄的视频流中提取第四图像，获取第四图像的数据。其中，车载终端在获取第四图像时，可以对图像进行筛选，选择图像清晰度超过预设阈值的图像作为第四图像。
其中，当前车辆上可以安装一个摄像头，也可以安装多个摄像头；并且，在当前车辆上安装一个摄像头时，该摄像头可以安装在当前车辆的前端，用于拍摄当前车辆前方的第四图像；相应的，该图像数据可以是当前车辆前方的图像数据。在当前车辆上安装多个摄像头时，该多个摄像头可以安装在车辆的四周，用于拍摄车辆四周的第四图像；相应的，在本步骤中车载终端获取多个第四图像的图像数据，并且该多个第四图像为当前车辆四周的图像数据。
在另一种可能的实现方式中，车载终端可以实时检测当前车辆的车辆驾驶状态；根据该驾驶状态信息，确定当前车辆的当前驾驶状态是否发生变化。在当前车辆的当前驾驶状态发生变化时，车载终端获取当前车辆的图像数据。
其中，该驾驶状态信息可以为车速、行驶方向、制动压力、行驶方向与车道线的夹角以及当前车辆与两侧车道线的距离等驾驶参数中的至少一项。其中，车载终端根据该驾驶状态信息，确定当前车辆的当前驾驶状态是否发生变化的步骤可以为：车载终端获取当前时刻之前的历史驾驶状态信息，根据该驾驶状态信息与历史驾驶状态信息中驾驶参数的变化确定当前车辆的当前驾驶状态是否发生变化。具体可以根据历史驾驶状态信息中的驾驶参数与当前驾驶状态信息中的驾驶参数的差值是否超出预设的阈值。例如，可以设置车速阈值为5km/h，若当前车速为20km/h，历史驾驶状态信息中的车速为10km/h，则确定当前驾驶状态发生了变化。
车载终端确定当前车辆的当前驾驶状态是否发生变化的步骤也可以为：车载终端根据当前时刻之前历史驾驶状态信息确定车辆驾驶稳态时的驾驶参数，根据该驾驶状态信息中各个驾驶参数，设置每个驾驶参数对应的阈值。当该驾驶状态信息中的任一驾驶参数超出该驾驶参数对应的阈值时，确定当前车辆的当前驾驶状态发生变化。例如在当前车辆加速超车过程中，当前车辆的加速度超过加速度对应的阈值，则车载终端确定当前车辆驾驶状态发生变化。其中，驾驶参数对应的阈值可以根据实际需求进行设置。
在步骤102中，车载终端将该图像数据输入人工智能模型，输出当前车辆的预测车辆状态数据。
在本步骤之前，车载终端获取人工智能模型；在本步骤中，车载终端直接将该图像数据输入该人工智能模型中，输出该当前车辆的预测车辆状态数据。其中，当在步骤101中获取多个第四图像的图像数据时，在本步骤中，车载终端将多个第四图像的图像数据输入人工智能模型中，输出当前车辆的预测车辆状态数据。从而车载终端可以基于多个第四图像的图像数据，确定出当前车辆的预测车辆状态数据，提高了预测准确性。
需要说明的一点是，该人工智能模型可以为车载终端训练得到的，也可以为服务器训练得到的；当该人工智能模型由服务器训练得到的时，车载终端获取该人工智能模型的步骤可以为：车载终端向服务器发送第一获取请求，该第一获取请求携带车载终端的终端标识；服务器接收该第一获取请求，向车载终端返回该人工智能模型。车载终端接收服务器返回的人工智能模型。
其中，当该人工智能模型由车载终端训练时，车载终端获取人工智能模型的步骤可以通过以下步骤S1-S3实现，包括：
S1：车载终端获取样本数据。
在一种可能的实现方式中，车载终端可以将样本车辆的第一历史驾驶数据作为样本数据。相应的，车载终端获取样本数据的过程可以如下：
车载终端获取至少一辆样本车辆的多个第一历史驾驶数据，每个样本车辆的第一历史驾驶数据包括样本车辆的第一历史图像数据和与第一历史图像数据对应的历史车辆状态数据，将该多个第一历史驾驶数据作为样本数据。
车载终端可以从服务器中获取至少一个样本车辆的多个第一历史驾驶数据；相应的，车载终端获取至少一辆样本车辆的多个第一历史驾驶数据的步骤可以为：车载终端向服务器发送第二获取请求，第二获取请求携带车载终端的终端标识；服务器接收第二获取请求，获取至少一个样本车辆的多个第一历史驾驶数据，向车载终端发送至少一个样本车辆的多个第一历史驾驶数据；车载终端接收至少一个样本车辆的多个第一历史驾驶数据。
样本车辆可以为任一具有历史驾驶数据的车辆；样本车辆还可以是驾驶员的驾驶技能满足预设驾驶条件的车辆。预设驾驶条件可以为驾驶评分超过预设评分，或者违章数量少于预设数量等。当样本车辆为驾驶员的驾驶技能满足预设驾驶条件的车辆时，服务器获取至少一个样本车辆的多个第一历史驾驶数据的步骤可以为：
服务器从多个车辆中选择驾驶员的驾驶技能满足预设驾驶条件的车辆，将选择的车辆作为样本车辆，获取样本车辆上传的第一历史驾驶数据。
例如，当预设驾驶条件为违章数量少于预设数量时，服务器统计多个车辆在当前时间之前的预定时间段内的违章情况，将违章数量低于一定阈值的车辆作为样本车辆。预定时间段可以为1年或半年等。
在另一种可能的实现方式中，车载终端获取到样本车辆的第一历史驾驶数据之后，还可以对样本车辆的第一历史驾驶数据进行数据增强，从而增加样本数据的数量。相应的，车载终端获取样本数据的过程也可以如下：
车载终端获取至少一个样本车辆的多个第一历史驾驶数据，每个样本车辆的第一历史驾驶数据包括样本车辆的第一历史图像数据和与第一历史图像数据对应的历史车辆状态数据；对于每个第一历史驾驶数据，对第一历史驾驶数据中的第一历史图像数据进行数据增强，得到第二历史驾驶数据，将多个第一历史驾驶数据和多个第二历史驾驶数据组成样本数据。
可选的，对第一历史驾驶数据中的第一历史图像数据进行数据增强的过程可以如下：
对于每个第一历史驾驶数据，对第一历史驾驶数据中的第一历史图像数据对应的第一图像进行随机平移，得到第二图像，将第二图像的第二历史图像数据和第一历史驾驶数据中的历史车辆状态数据组成第二历史驾驶数据；和/或，
对于每个第一历史驾驶数据，对第一历史驾驶数据中的第一历史图像数据对应的第一图像进行随机翻转，得到第三图像，将第三图像的第三历史图像数据和第一历史驾驶数据中的历史车辆状态数据组成第二历史驾驶数据。
车载终端可以预先为第二图像和第三图像分别设置一个阈值，通过对第一图像的随机平移和/或随机翻转，将经过随机平移和/或随机翻转后与第一历史图像的特征相似度仍然在各自对应的阈值内的图像确定为二图像或第三图像。这样，第二图像对应的第二图像数据和第三图像对应的第三图像数据均可以与第一历史图像数据对应的历史车辆状态数据对应。例如，若基于第一历史图像数据，确定当前车辆行驶方向与车道线夹角为5度，对应的历史车辆状态数据中方向盘回正的角度为20度，则对第一历史图像数据对应的第一图像进行随机平移和/或随机翻转，将处理后的图像中车道线夹角仍然识别为5度的图像作为第二图像或第三图像；此时，第二图像和第三图像的图像数据均对应历史车辆状态数据，即均对应方向盘回正角度为20度。对第一历史图像数据进行数据增强，即可得到与第一历史图像数据接近的图像的图像数据，从而可以扩大样本数据的数据量。
S2:车载终端搭建人工智能训练框架。
车载终端可以基于Python语言平台搭建人工智能训练框架，从而后续在该人工智能训练框架中训练人工智能模型。
需要说明的一点是，车载终端可以在获取样本数据之后，搭建人工智能训练模型；车载终端也可以先搭建人工智能训练模型，然后再获取样本数据；因此，S1和S2没有先后顺序，可以先执行S1，再执行S2；也可以先执行S2，再执行S1。
S3:如图3所示，车载终端将样本数据导入人工智能训练框架中，在人工智能训练框架中对样本数据进行训练，得到人工智能模型。
具体的，车载终端在将样本数据导入人工智能训练框架后，可以通过将第一历史图像数据、第二图像数据和第三图像数据作为一组数据输入人工智能模型，得到预测输出结果，将预测输出结果与第一历史图像对应的历史车辆状态数据进行比较，若预测输出结果与历史车辆状态数据不一致，则将预测输出结果与历史车辆状态数据对比得到偏差，然后将该偏差作为负反馈输入到人工智能模型，对第一历史图像数据、第二图像数据和第三图像数据对应的输出结果进行校正，经过反复训练，将所有图像数据输入人工智能模型后的数据值均进行校正后即可得到人工智能模型。
需要说明的一点是，当人工智能模型由服务器训练时，服务器训练人工智能模型的过程和车载终端训练人工智能模型的过程相似，在此不再赘述。
在本发明实施例中，车载终端将步骤101中采集的图像数据输入到人工智能模型，即可输出与该图像数据对应的历史车辆状态数据，即当前车辆的预测状态数据，通过将当前车辆的状态数据调整至预测状态数据，实现对当前车辆的控制。
在步骤103中，车载终端获取当前车辆的当前车辆状态数据。
具体的，车载终端可以获取当前车辆的车速、行驶方向、制动压力、行驶方向与车道线的夹角以及车辆与两侧车道线的距离等驾驶参数中的至少一项，以及该至少一项驾驶参数对应的具体数值。
需要说明的一点是，车载终端获取到当前车辆的图像数据之后，车载终端可以先将该图像数据输入人工智能模型，输出当前车辆的预测车辆状态数据，再获取当前车辆的当前车辆状态数据，也可以先获取当前车辆的当前车辆状态数据，再将该图像数据输入人工智能模型，输出当前车辆的预测车辆状态数据。因此，执行完步骤101后，可以先执行步骤102，再执行步骤103；也可以先执行步骤103，再执行步骤102。
在步骤104中，车载终端基于预测车辆状态数据和当前车辆状态数据确定当前车辆的车辆控制数据。
车载终端可以在获取当前车辆状态数据中的驾驶参数；获取预测车辆状态数据中的预测驾驶参数的具体数值；确定将当前驾驶参数调整至预测驾驶参数所需的控制值；将控制值作为车辆控制数据。
具体的，车载终端可以基于获取的当前车辆的车速、行驶方向、制动压力、行驶方向与车道线的夹角以及车辆与两侧车道线的距离等状态数据中的至少一项驾驶参数，与预测状态数据中对应的驾驶参数，计算从当前车辆状态控制变化到预测车辆状态数据所需要变化的数据，即控制值，将这些需要变化的数据作为车辆控制数据。例如，当前车辆采集的图像数据识别出的车辆行驶方向与车道线夹角为5度，将该图像数据输入后，出输出预测车辆状态数据中方向盘角度为20度，车速为30km/h，即方向盘回正角度；当前车辆方向盘角度为10度，车速25km/h，则控制数据为10度，加速5km/h，即当前方向盘角度回正至20度，车速在预定时间内达到30km/h，其中，加速5km/h也可以转化为在当前档位下对油门踏板的压力。
在实施中，车载终端可以将获取的当前车辆驾驶参数，与预测车辆状态数据的驾驶参数输入PID控制器中，进行做差计算，得到从当前车辆状态到预测车辆状态需要的加速值、方向盘转角值、制动压力值等至少一项控制值。将得到的加速值，转向角度值、制动压力值等作为车辆控制数据。
在步骤105中，车载终端按照车辆控制数据控制当前车辆。
控制数据包括加速值、转向角度值和制动压力值。在步骤104中得到对应的车辆控制数据后，车载终端将车辆控制数据输入预先搭建的Labview控制平台，进而可以将加速值转化为对应的油门压力，将转向角度值转换为方向盘的转向角度，将制动压力值转换为制动踏板的压力值等，并基于转换后的油门压力、方向盘的转向角度和制动踏板的压力值对车辆进行控制。其中，Labview控制平台可以是技术人员针对当前车辆控制，搭建的控制平台，通过Labview控制平台可以将车辆控制数据进行转化和校正，对当前车辆进行精确控制，当然，控制平台也可以基于C和BASIC编写。
其中，车载终端基于转换后的油门压力、方向盘的转向角度和制动踏板的压力值对车辆进行控制的步骤可以为：车载终端向当前车辆发送控制指令，控制指令携带转换后的油门压力、方向盘的转向角度和制动踏板的压力值。当前车辆接收车载终端发送的控制指令，根据该转换后的油门压力、方向盘的转向角度和制动踏板的压力值，对当前车辆进行控制。
其中，控制指令可以为CAN报文；车载终端可以将该控制指令发送到当前车辆的CAN通道，从而实现对当前车辆的控制，进而将车辆状态调整至与人类之前驾驶车辆接近的驾驶状态，即通过将车辆控制数据中的实际值转化为对车辆的具体操作，实现对车辆的控制，直至车辆的状态数据维持在一定的范围内，达到近似按照人类驾驶习惯驾驶车辆的效果。
车载终端在控制车辆的过程中，随着车辆的变化，车载终端采集的图像数据也会变化，可以通过设置图像数据的获取周期，来控制车辆达到稳态的时间。
本发明实施例中，在行驶过程中，通过获取检测到新的图像数据，并将该图像数据输入人工智能模型，即可直接获得对应该图像数据的预测车辆状态数据，基于预测状态数据和车辆当前状态数据即可直接得到需要的控制车辆的数据，对车辆进行控制，无需判断复杂的条件，也无需判断车辆所处场景，即可直接根据获取的当前车辆的图像数据，实现对当前车辆的控制，提高了控制效率。另外，通过将样本车辆的历史图像数据与对应的历史车辆状态数据作为样本数据训练人工智能模型，可以得到较为准确的控制数据；将图像数据进行数据增强，可以增加样本数据数量，从而提高了训练处的人工智能模型的准确性。
基于相同的技术构思，本发明实施例还提供了一种车辆控制装置，该装置可以为上述实施例中的车载终端或服务器，如图4所示，该装置包括：
获取模块410，用于获取当前车辆的图像数据；
输出模块420，用于将图像数据输入人工智能模型，输出当前车辆的预测车辆状态数据；
获取模块410，还用于获取当前车辆的当前车辆状态数据；
确定模块430，用于基于预测车辆状态数据和当前车辆状态数据确定当前车辆的车辆控制数据；
控制模块440，用于按照车辆控制数据控制当前车辆。
可选的，确定模块430，还用于获取当前车辆状态数据中的当前驾驶参数；获取预测车辆状态数据中的预测驾驶参数；确定将当前驾驶参数调整至预测驾驶参数所需的控制值；将控制值作为车辆控制数据。
可选的，装置还包括训练模块，用于获取样本数据；搭建人工智能训练框架；将样本数据导入人工智能训练框架中，在人工智能训练框架中对样本数据进行训练，得到人工智能模型。
可选的，获取模块410，还用于获取至少一个样本车辆的多个第一历史驾驶数据，每个样本车辆的第一历史驾驶数据包括样本车辆的第一历史图像数据和与第一历史图像数据对应的历史车辆状态数据，将多个第一历史驾驶数据作为样本数据；或者，获取至少一个样本车辆的多个第一历史驾驶数据，每个样本车辆的第一历史驾驶数据包括样本车辆的第一历史图像数据和与第一历史图像数据对应的历史车辆状态数据；对于每个第一历史驾驶数据，对第一历史驾驶数据中的第一历史图像数据进行数据增强，得到第二历史驾驶数据，将多个第一历史驾驶数据和多个第二历史驾驶数据组成样本数据。
可选的，获取模块410，还用于对于每个第一历史驾驶数据，对第一历史驾驶数据中的第一历史图像数据对应的第一图像进行随机平移，得到第二图像，将第二图像的第二历史图像数据和第一历史驾驶数据中的历史车辆状态数据组成第二历史驾驶数据；和/或，对于每个第一历史驾驶数据，对第一历史驾驶数据中的第一历史图像数据对应的第一图像进行随机翻转，得到第三图像，将第三图像的第三历史图像数据和第一历史驾驶数据中的历史车辆状态数据组成第二历史驾驶数据。
本发明实施例中，本发明实施例中，在行驶过程中，通过获取检测到新的图像数据，并将该图像数据输入人工智能模型，即可直接获得对应该图像数据的预测车辆状态数据，基于预测状态数据和车辆当前状态数据即可直接得到需要的控制车辆的数据，对车辆进行控制，无需判断复杂的条件，也无需判断车辆所处场景，即可直接根据获取的当前车辆的图像数据，实现对当前车辆的控制，提高了控制效率。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
需要说明的是：上述实施例提供的车辆控制装置在控制车辆时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的车辆控制装置与车辆控制方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
在示例性实施例中，还提供了一种计算机可读存储介质，存储介质中存储有至少一条指令，至少一条指令由处理器加载并执行以实现上述实施例中的识别动作类别的方法。例如，所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
图5是本发明实施例提供的一种车载终端的结构示意图。该车载终端可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessingunits，CPU)501和一个或一个以上的存储器502，其中，所述存储器502中存储有至少一条指令，所述至少一条指令由所述处理器501加载并执行以实现下述车辆控制方法步骤：
获取当前车辆的图像数据；
将图像数据输入人工智能模型，输出当前车辆的预测车辆状态数据；
获取当前车辆的当前车辆状态数据；
基于预测车辆状态数据和当前车辆状态数据确定当前车辆的车辆控制数据；
按照车辆控制数据控制当前车辆。
可选的，基于预测车辆状态数据和当前车辆状态数据确定当前车辆的车辆控制数据，包括：
获取当前车辆状态数据中的当前驾驶参数；
获取预测车辆状态数据中的预测驾驶参数；
确定将当前驾驶参数调整至预测驾驶参数所需的控制值；
将控制值作为车辆控制数据。
可选的，获取当前车辆的当前车辆状态数据之前，包括：
获取样本数据；
搭建人工智能训练框架；
将样本数据导入人工智能训练框架中，在人工智能训练框架中对样本数据进行训练，得到人工智能模型。
可选的，获取样本数据，包括：
获取至少一个样本车辆的多个第一历史驾驶数据，每个样本车辆的第一历史驾驶数据包括样本车辆的第一历史图像数据和与第一历史图像数据对应的历史车辆状态数据，将多个第一历史驾驶数据作为样本数据；或者，
获取至少一个样本车辆的多个第一历史驾驶数据，每个样本车辆的第一历史驾驶数据包括样本车辆的第一历史图像数据和与第一历史图像数据对应的历史车辆状态数据；对于每个第一历史驾驶数据，对第一历史驾驶数据中的第一历史图像数据进行数据增强，得到第二历史驾驶数据，将多个第一历史驾驶数据和多个第二历史驾驶数据组成样本数据。
可选的，对于每个第一历史驾驶数据，对第一历史驾驶数据中的第一历史图像数据进行数据增强，得到第二历史驾驶数据，包括：
对于每个第一历史驾驶数据，对第一历史驾驶数据中的第一历史图像数据对应的第一图像进行随机平移，得到第二图像，将第二图像的第二历史图像数据和第一历史驾驶数据中的历史车辆状态数据组成第二历史驾驶数据；和/或，
对于每个第一历史驾驶数据，对第一历史驾驶数据中的第一历史图像数据对应的第一图像进行随机翻转，得到第三图像，将第三图像的第三历史图像数据和第一历史驾驶数据中的历史车辆状态数据组成第二历史驾驶数据。
本发明实施例中，通过获取检测到新的图像数据，并将该图像数据输入人工智能模型，即可直接获得对应该图像数据的预测车辆状态数据，基于预测状态数据和车辆当前状态数据即可直接得到需要的控制车辆的数据，对车辆进行控制，无需判断复杂的条件，也无需判断车辆所处场景，即可直接根据获取的当前车辆的图像数据，实现对当前车辆的控制，提高了控制效率。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种车辆控制方法，其特征在于，所述方法包括：
获取所述当前车辆的图像数据；
将所述图像数据输入人工智能模型，输出所述当前车辆的预测车辆状态数据；
获取所述当前车辆的当前车辆状态数据；
基于所述预测车辆状态数据和所述当前车辆状态数据确定所述当前车辆的车辆控制数据；
按照所述车辆控制数据控制所述当前车辆。
2.根据权利要求1所述的方法，其特征在于，所述基于所述预测车辆状态数据和所述当前车辆状态数据确定所述当前车辆的车辆控制数据，包括：
获取所述当前车辆状态数据中的当前驾驶参数；
获取所述预测车辆状态数据中的预测驾驶参数；
确定将所述当前驾驶参数调整至所述预测驾驶参数所需的控制值；
将所述控制值作为所述车辆控制数据。
3.根据权利要求1所述的方法，其特征在于，所述获取所述当前车辆的当前车辆状态数据之前，包括：
获取样本数据；
搭建人工智能训练框架；
将所述样本数据导入所述人工智能训练框架中，在所述人工智能训练框架中对所述样本数据进行训练，得到所述人工智能模型。
4.根据权利要求3所述的方法，其特征在于，所述获取样本数据，包括：
获取至少一个样本车辆的多个第一历史驾驶数据，每个样本车辆的第一历史驾驶数据包括所述样本车辆的第一历史图像数据和与所述第一历史图像数据对应的历史车辆状态数据，将所述多个第一历史驾驶数据作为所述样本数据；或者，
获取至少一个样本车辆的多个第一历史驾驶数据，每个样本车辆的第一历史驾驶数据包括所述样本车辆的第一历史图像数据和与所述第一历史图像数据对应的历史车辆状态数据；对于每个第一历史驾驶数据，对所述第一历史驾驶数据中的第一历史图像数据进行数据增强，得到第二历史驾驶数据，将所述多个第一历史驾驶数据和多个第二历史驾驶数据组成所述样本数据。
5.根据权利要求4所述的方法，其特征在于，所述对于每个第一历史驾驶数据，对所述第一历史驾驶数据中的第一历史图像数据进行数据增强，得到第二历史驾驶数据，包括：
对于每个第一历史驾驶数据，对所述第一历史驾驶数据中的第一历史图像数据对应的第一图像进行随机平移，得到第二图像，将所述第二图像的第二历史图像数据和所述第一历史驾驶数据中的历史车辆状态数据组成所述第二历史驾驶数据；和/或，
对于每个第一历史驾驶数据，对所述第一历史驾驶数据中的第一历史图像数据对应的第一图像进行随机翻转，得到第三图像，将所述第三图像的第三历史图像数据和所述第一历史驾驶数据中的历史车辆状态数据组成所述第二历史驾驶数据。
6.一种车辆控制装置，其特征在于，所述装置包括：
获取模块，用于在当前车辆的当前驾驶状态发生变化时，获取所述当前车辆的图像数据；
输出模块，用于将所述图像数据输入人工智能模型，输出所述当前车辆的预测车辆状态数据；
所述获取模块，还用于获取所述当前车辆的当前车辆状态数据；
确定模块，用于基于所述预测车辆状态数据和所述当前车辆状态数据确定所述当前车辆的车辆控制数据；
控制模块，用于按照所述车辆控制数据控制所述当前车辆。
7.根据权利要求6所述的装置，其特征在于，所述确定模块，还用于
获取所述当前车辆状态数据中的当前驾驶参数；获取所述预测车辆状态数据中的预测驾驶参数；确定将所述当前驾驶参数调整至所述预测驾驶参数所需的控制值；将所述控制值作为所述车辆控制数据。
8.根据权利要求6所述的装置，其特征在于，所述装置还包括训练模块，用于获取样本数据；搭建人工智能训练框架；将所述样本数据导入所述人工智能训练框架中，在所述人工智能训练框架中对所述样本数据进行训练，得到所述人工智能模型。
9.根据权利要求8所述的装置，其特征在于，所述获取模块，还用于获取至少一个样本车辆的多个第一历史驾驶数据，每个样本车辆的第一历史驾驶数据包括所述样本车辆的第一历史图像数据和与所述第一历史图像数据对应的历史车辆状态数据，将所述多个第一历史驾驶数据作为所述样本数据；或者，
所述获取模块，还用于获取至少一个样本车辆的多个第一历史驾驶数据，每个样本车辆的第一历史驾驶数据包括所述样本车辆的第一历史图像数据和与所述第一历史图像数据对应的历史车辆状态数据；对于每个第一历史驾驶数据，对所述第一历史驾驶数据中的第一历史图像数据进行数据增强，得到第二历史驾驶数据，将所述多个第一历史驾驶数据和多个第二历史驾驶数据组成所述样本数据。
10.根据权利要9所述的装置，其特征在于，所述获取模块，还用于对于每个第一历史驾驶数据，对所述第一历史驾驶数据中的第一历史图像数据对应的第一图像进行随机平移，得到第二图像，将所述第二图像的第二历史图像数据和所述第一历史驾驶数据中的历史车辆状态数据组成所述第二历史驾驶数据；和/或，
所述获取模块，还用于对于每个第一历史驾驶数据，对所述第一历史驾驶数据中的第一历史图像数据对应的第一图像进行随机翻转，得到第三图像，将所述第三图像的第三历史图像数据和所述第一历史驾驶数据中的历史车辆状态数据组成所述第二历史驾驶数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910211239.6A CN109910891A (zh) | 2019-03-20 | 2019-03-20 | 车辆控制方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910211239.6A CN109910891A (zh) | 2019-03-20 | 2019-03-20 | 车辆控制方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109910891A true CN109910891A (zh) | 2019-06-21 |
Family
ID=66965750
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910211239.6A Pending CN109910891A (zh) | 2019-03-20 | 2019-03-20 | 车辆控制方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109910891A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114202821A (zh) * | 2020-09-02 | 2022-03-18 | 上海汽车集团股份有限公司 | 一种车辆数据处理方法及装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650913A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种基于深度卷积神经网络的车流密度估计方法 |
| CN108288506A (zh) * | 2018-01-23 | 2018-07-17 | 雨声智能科技（上海）有限公司 | 一种基于人工智能技术的癌症病理辅助诊断方法 |
| CN108647700A (zh) * | 2018-04-14 | 2018-10-12 | 华中科技大学 | 基于深度学习的多任务车辆部件识别模型、方法和系统 |
| CN108681989A (zh) * | 2018-03-30 | 2018-10-19 | 国信优易数据有限公司 | 一种图像数据增强方法以及装置 |
| CN108803604A (zh) * | 2018-06-06 | 2018-11-13 | 深圳市易成自动驾驶技术有限公司 | 车辆自动驾驶方法、装置以及计算机可读存储介质 |
| CN109409222A (zh) * | 2018-09-20 | 2019-03-01 | 中国地质大学（武汉） | 一种基于移动端的多视角人脸表情识别方法 |
| CN109447171A (zh) * | 2018-11-05 | 2019-03-08 | 电子科技大学 | 一种基于深度学习的车辆姿态分类方法 |
| CN109492526A (zh) * | 2018-09-27 | 2019-03-19 | 桂林电子科技大学 | 基于ldcnn模型和nhe算法的交通标志识别方法 |
-
2019
- 2019-03-20 CN CN201910211239.6A patent/CN109910891A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650913A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种基于深度卷积神经网络的车流密度估计方法 |
| CN108288506A (zh) * | 2018-01-23 | 2018-07-17 | 雨声智能科技（上海）有限公司 | 一种基于人工智能技术的癌症病理辅助诊断方法 |
| CN108681989A (zh) * | 2018-03-30 | 2018-10-19 | 国信优易数据有限公司 | 一种图像数据增强方法以及装置 |
| CN108647700A (zh) * | 2018-04-14 | 2018-10-12 | 华中科技大学 | 基于深度学习的多任务车辆部件识别模型、方法和系统 |
| CN108803604A (zh) * | 2018-06-06 | 2018-11-13 | 深圳市易成自动驾驶技术有限公司 | 车辆自动驾驶方法、装置以及计算机可读存储介质 |
| CN109409222A (zh) * | 2018-09-20 | 2019-03-01 | 中国地质大学（武汉） | 一种基于移动端的多视角人脸表情识别方法 |
| CN109492526A (zh) * | 2018-09-27 | 2019-03-19 | 桂林电子科技大学 | 基于ldcnn模型和nhe算法的交通标志识别方法 |
| CN109447171A (zh) * | 2018-11-05 | 2019-03-08 | 电子科技大学 | 一种基于深度学习的车辆姿态分类方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114202821A (zh) * | 2020-09-02 | 2022-03-18 | 上海汽车集团股份有限公司 | 一种车辆数据处理方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106314423B (zh) | 车辆行驶控制装置 | |
| US20210271253A1 (en) | Method and apparatus for controlling device to move, storage medium, and electronic device | |
| JP2023548691A (ja) | インテリジェントライトスイッチング方法及びシステム並びに関連装置 | |
| CN110775069B (zh) | 一种混行模式下车辆驾驶模式识别装置和方法 | |
| WO2019106789A1 (ja) | 処理装置及び処理方法 | |
| CN114418895A (zh) | 驾驶辅助方法及装置、车载设备及存储介质 | |
| US11250279B2 (en) | Generative adversarial network models for small roadway object detection | |
| CN111845787A (zh) | 一种基于lstm的换道意图预测方法 | |
| US20230048680A1 (en) | Method and apparatus for passing through barrier gate crossbar by vehicle | |
| CN113734203A (zh) | 一种智能驾驶的控制方法、装置、系统及存储介质 | |
| CN112991733A (zh) | 一种公交车智能网联碰撞优化系统及方法 | |
| CN113264060B (zh) | 一种基于云端训练模型的自动驾驶节能系统及方法 | |
| CN107139723A (zh) | 控制车辆的行驶速度的方法和装置 | |
| CN112319505B (zh) | 自动驾驶换道判断方法、装置、设备及存储介质 | |
| CN109910891A (zh) | 车辆控制方法和装置 | |
| CN111923915A (zh) | 一种交通灯智能提醒方法、装置及系统 | |
| CN117416349A (zh) | V2X环境下基于改进YOLOV7-Tiny和SS-LSTM的自动驾驶风险预判系统及方法 | |
| CN110347043B (zh) | 一种智能驾驶控制方法及装置 | |
| CN107341428A (zh) | 影像辨识系统及自适应学习方法 | |
| CN112309156A (zh) | 基于5g分级决策的红绿灯通行策略 | |
| CN116909202B (zh) | 车云协同自动驾驶车辆控制方法、装置、设备及介质 | |
| CN116989818B (zh) | 一种轨迹生成方法、装置、电子设备及可读存储介质 | |
| CN111856943B (zh) | 基于模糊控制的智能无人靶车车距控制方法 | |
| CN202694585U (zh) | 一种车载视觉的交通信号灯智能探测装置 | |
| US20230415766A1 (en) | Lane segment clustering using hybrid distance metrics |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190621 |