CN110399664A - 一种驾驶速度的确定方法及装置 - Google Patents
一种驾驶速度的确定方法及装置 Download PDFInfo
- Publication number
- CN110399664A CN110399664A CN201910636701.7A CN201910636701A CN110399664A CN 110399664 A CN110399664 A CN 110399664A CN 201910636701 A CN201910636701 A CN 201910636701A CN 110399664 A CN110399664 A CN 110399664A
- Authority
- CN
- China
- Prior art keywords
- road
- vehicle
- friction
- coefficient
- road area
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000001133 acceleration Effects 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 37
- 230000011218 segmentation Effects 0.000 claims description 28
- 238000004891 communication Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000003068 static effect Effects 0.000 claims description 5
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 239000000523 sample Substances 0.000 description 18
- 238000001931 thermography Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 239000000463 material Substances 0.000 description 7
- 235000012149 noodles Nutrition 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000002156 mixing 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
- 238000012634 optical imaging Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例提供了一种驾驶速度的确定方法及装置。所述方法包括：获取车辆所在道路的走向参数；获取所述车辆的轮胎与道路之间的摩擦系数，根据所述摩擦系数确定所述车辆受到的摩擦力；获取惯性传感器采集的所述车辆运动时的加速度；将所述走向参数、所述摩擦力和所述加速度输入跟随交通模型，其中，跟随交通模型用于根据所述跟随交通模型训练完成时获得的模型参数，以及输入的所述走向参数、所述摩擦力和所述加速度，确定所述车辆的驾驶速度；获取跟随交通模型确定的驾驶速度。应用本申请实施例提供的方案，能够确定更合理的驾驶速度，提高车辆行驶时的安全性。
Description
技术领域
本申请涉及自动驾驶技术领域，特别是涉及一种驾驶速度的确定方法及装置。
背景技术
在现有的自主和辅助驾驶系统中，车辆的驾驶速度通常可以确定当前的前车驾驶速度对应的限制间隔距离，根据该限制间隔距离确定驾驶速度。例如，当前车驾驶速度为70km/h时，本车辆应保持与前车之间的限制间隔距离为d1；当前车驾驶速度为50km/h时，本车辆应保持与前车之间的间隔距离为d2。
上述驾驶速度的确定方法中只考虑了前车驾驶速度与限制间隔距离，并未考虑道路本身状况的影响。而当前车驾驶速度一定时，在不同的道路状况下，采用同一限制间隔距离确定驾驶速度时所确定的驾驶速度不够合理，导致车辆行驶时的安全性不够高。
发明内容
本申请实施例的目的在于提供了一种驾驶速度的确定方法及装置，以确定更合理的驾驶速度，提高车辆行驶时的安全性。
第一方面，本发明实施例提供了一种驾驶速度的确定方法，所述方法包括：
获取车辆所在道路的走向参数；
获取所述车辆的轮胎与道路之间的摩擦系数，根据所述摩擦系数确定所述车辆受到的摩擦力；
获取惯性传感器采集的所述车辆运动时的加速度；
将所述走向参数、所述摩擦力和所述加速度输入跟随交通模型，其中，所述跟随交通模型用于根据所述跟随交通模型训练完成时获得的模型参数，以及输入的所述走向参数、所述摩擦力和所述加速度，确定所述车辆的驾驶速度；
获取所述跟随交通模型确定的驾驶速度。
可选的，一种具体实现方式中，所述方法还包括：
获取车辆上的乘客数量，根据预设的车辆配置参数和所述乘客数量，确定车辆质量；
所述将所述走向参数、所述摩擦力和所述加速度输入跟随交通模型的步骤，包括：
将所述车辆质量、所述走向参数、所述摩擦力和所述加速度输入跟随交通模型；其中，所述跟随交通模型用于根据所述跟随交通模型训练完成时获得的模型参数，以及输入的所述车辆质量、所述走向参数、所述摩擦力和所述加速度，确定所述车辆的驾驶速度。
可选的，一种具体实现方式中，所述跟随交通模型根据以下公式确定所述车辆的驾驶速度：
其中，所述mv为所述车辆质量，所述Vx为所述车辆的纵向驾驶速度，所述Vy为所述车辆的横向驾驶速度，所述Ψ为所述走向角，所述为车辆的转动速度，所述Iz为沿着垂直于地面的轴线的惯性矩，所述Fx和Fy分别为所述摩擦力的横向摩擦力分量和纵向摩擦力分量，所述Mz为广义矩。
可选的，一种具体实现方式中，所述获取所述车辆的轮胎与道路之间的摩擦系数的步骤，包括：
获取道路的热图像和非热图像；
确定所述热图像和非热图像中的道路区域；
根据所述热图像中道路区域各个像素点对应的温度，确定所述道路区域的路面类型；
确定所述非热图像中道路区域的宏观结构；
根据所述道路区域的摩擦因素，确定轮胎与所述道路区域对应的道路之间的摩擦系数，其中，所述道路区域的摩擦因素包括：根据预设的与所述路面类型对应的摩擦系数公式，或者，所述道路区域的摩擦因素包括：预设的与所述路面类型对应的摩擦系数公式和所述道路区域的宏观结构。
可选的，一种具体实现方式中，所述根据所述热图像中道路区域各个像素点对应的温度，确定所述道路区域的路面类型的步骤，包括：
将所述热图像中的道路区域以及该道路区域的各个像素点对应的温度输入区域分割模型；其中，所述区域分割模型用于根据所述区域分割模型训练完成时得到的参数，以及输入的道路区域的各个像素点对应的温度对输入的道路区域进行分割，得到道路区域对应的路面类型；所述区域分割模型为预先根据样本热图像训练完成；
获取所述区域分割模型输出的所述道路区域的路面类型。
可选的，一种具体实现方式中，所述区域分割模型采用以下方式训练得到：
根据E(x)＝U(x)+pW(x)，训练完成；其中，x为所述样本热图像中道路区域的各个像素点对应的温度，所述i和j分别为所述像素点的行坐标和列坐标，所述p为预设的第一权重系数，所述q为预设的第二权重系数,用来调整xi和xj的温度差对分割边界的影响。
可选的，一种具体实现方式中，
当所述路面类型为潮湿类型时，所述道路区域的摩擦因素包括：预设的与所述路面类型对应的摩擦系数公式和所述道路区域的宏观结构；所述根据所述道路区域的摩擦因素，确定轮胎与所述道路区域对应的道路之间的摩擦系数的步骤，包括：
根据或确定所述车辆的轮胎与所述道路之间的摩擦系数μ；其中，μ0是静态摩擦系数，所述S为滑动速度，Sp是根据所述道路区域的宏观结构预先确定的结构系数，μpeak是峰值摩擦等级，Speak是车辆在峰值摩擦力处的滑动速度，所述C是与所述道路区域的宏观结构相关的形状因素；
当所述路面类型为积雪类型时，所述道路区域的摩擦因素包括：预设的与所述路面类型对应的摩擦系数公式；所述根据所述道路区域的摩擦因素，确定轮胎与所述道路区域对应的道路之间的摩擦系数的步骤，包括：
根据μ(T)＝0.11-0.0052T+0.0002A或μ(T)＝0.10-0.0052T+0.00016A，确定所述车辆的轮胎与所述道路之间的摩擦系数μ；其中，所述A为预设参数，所述A<1000g/m2，所述T是所述道路区域的温度，当车辆为第一类型的车辆时，选择μ(T)＝0.11-0.0052T+0.0002A确定所述车辆的轮胎与所述道路之间的摩擦系数μ；当车辆为第二类型的车辆时，选择μ(T)＝0.10-0.0052T+0.00016A确定所述车辆的轮胎与所述道路之间的摩擦系数μ。
第二方面，本发明实施例提供了一种驾驶速度的确定装置，所述装置包括：
参数获取模块，用于获取车辆所在道路的走向参数，获取所述车辆的轮胎与道路之间的摩擦系数，根据所述摩擦系数确定所述车辆受到的摩擦力；获取惯性传感器采集的所述车辆运动时的加速度；
参数输入模块，用于将所述走向参数、所述摩擦力和所述加速度输入跟随交通模型，其中，所述跟随交通模型用于根据所述跟随交通模型训练完成时获得的模型参数，以及输入的所述走向参数、所述摩擦力和所述加速度，确定所述车辆的驾驶速度；
速度获取模块，用于获取所述跟随交通模型确定的驾驶速度。
可选的，一种具体实现方式中，所述参数获取模块还用于：获取车辆上的乘客数量，根据预设的车辆配置参数和乘客数量，确定车辆质量。
所述参数输入模块具体用于：
将车辆质量、走向参数、摩擦力和加速度输入跟随交通模型；其中，跟随交通模型用于根据跟随交通模型训练完成时获得的模型参数，以及输入的车辆质量、走向参数、摩擦力和加速度，确定车辆的驾驶速度。
可选的，一种具体实现方式中，所述跟随交通模型根据以下公式确定车辆的驾驶速度：
其中，所述mv为所述车辆质量，所述Vx为所述车辆的纵向驾驶速度，所述Vy为所述车辆的横向驾驶速度，所述Ψ为所述走向角，所述为车辆的转动速度，所述Iz为沿着垂直于地面的轴线的惯性矩，所述Fx和Fy分别为所述摩擦力的横向摩擦力分量和纵向摩擦力分量，所述Mz为广义矩。
可选的，一种具体实现方式中，所述参数获取模块包括：
图像获取子模块，用于获取道路的热图像和非热图像；
道路确定子模块，用于确定所述热图像和非热图像中的道路区域；
类型确定子模块，用于根据所述热图像中道路区域各个像素点对应的温度，确定所述道路区域的路面类型；
结构确定子模块，用于确定所述非热图像中道路区域的宏观结构；
摩擦确定子模块，用于根据所述道路区域的摩擦因素，确定轮胎与所述道路区域对应的道路之间的摩擦系数，其中，所述道路区域的摩擦因素包括：根据预设的与所述路面类型对应的摩擦系数公式，或者，所述道路区域的摩擦因素包括：预设的与所述路面类型对应的摩擦系数公式和所述道路区域的宏观结构。
可选的，一种具体实现方式中，所述类型确定子模块具体用于：
将所述热图像中的道路区域以及该道路区域的各个像素点对应的温度输入区域分割模型；其中，所述区域分割模型用于根据所述区域分割模型训练完成时得到的参数，以及输入的道路区域的各个像素点对应的温度对输入的道路区域进行分割，得到道路区域对应的路面类型；所述区域分割模型为预先根据样本热图像训练完成；获取所述区域分割模型输出的所述道路区域的路面类型。
可选的，一种具体实现方式中，所述装置还包括：
模型训练模块，用于采用以下操作训练得到区域分割模型：
根据E(x)＝U(x)+pW(x)，训练完成；其中，x为所述样本热图像中道路区域的各个像素点对应的温度，所述i和j分别为所述像素点的行坐标和列坐标，所述p为预设的第一权重系数，所述q为预设的第二权重系数。
可选的，一种具体实现方式中，
当路面类型为潮湿类型时，所述道路区域的摩擦因素包括：预设的与所述路面类型对应的摩擦系数公式和所述道路区域的宏观结构，所述摩擦确定子模块具体用于：
根据或确定所述车辆的轮胎与所述道路之间的摩擦系数μ；其中，μ0是静态摩擦系数，所述S为滑动速度，Sp是根据所述道路区域的宏观结构预先确定的结构系数，μpeak是峰值摩擦等级，Speak是车辆在峰值摩擦力处的滑动速度，所述C是与所述道路区域的宏观结构相关的形状因素；
当所述路面类型为积雪类型时，所述道路区域的摩擦因素包括：预设的与所述路面类型对应的摩擦系数公式，摩擦确定子模块605，具体用于：
根据μ(T)＝0.11-0.0052T+0.0002A或μ(T)＝0.10-0.0052T+0.00016A，确定所述车辆的轮胎与所述道路之间的摩擦系数μ；其中，所述A为预设参数，所述A<1000g/m2，所述T是所述道路区域的温度，当车辆为第一类型的车辆时，选择μ(T)＝0.11-0.0052T+0.0002A确定所述车辆的轮胎与所述道路之间的摩擦系数μ；当车辆为第二类型的车辆时，选择μ(T)＝0.10-0.0052T+0.00016A确定所述车辆的轮胎与所述道路之间的摩擦系数μ。
第三方面，本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述第一方面提供的任一驾驶速度的确定方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面提供的任一驾驶速度的确定方法的步骤。
本申请实施例提供的驾驶速度的确定方法及装置，可以获取车辆所在道路的走向参数，确定车辆受到的摩擦力以及车辆运动时的加速度，将这些信息均输入跟随交通模型，该跟随交通模型可以根据这些信息确定车辆的驾驶速度。由于在确定摩擦力时考虑了轮胎与道路之间的摩擦系数，不同的道路状况对应不同的摩擦系数，因此本申请实施例确定的该驾驶速度考虑到了道路状况因素，能够确定更合理的驾驶速度，从而提高车辆行驶时的安全性。当然，实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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为本申请实施例提供的驾驶速度的确定方法的一种流程示意图；
图2为本申请实施例提供的跟踪交通模型的一种应用参考图；
图3为图1中步骤S102的一种流程示意图；
图4a为本申请实施例提供的热图像和非热图像的一种参考图；
图4b为本申请实施例提供的几种路面的宏观结构参考图；
图4c为本申请实施例提供的不同尺寸的宏观结构直方图；
图5为本申请实施例提供的驾驶速度的装置的一种结构示意图；
图6为图5中参数获取模块的一种结构示意图；
图7为本申请实施例提供的电子设备的一种结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了为车辆确定更合理的驾驶速度，提高车辆行驶时的安全性，本申请实施例提供了一种驾驶速度的确定方法及装置。本申请实施例应用于电子设备，该电子设备可以为普通计算机、服务器、智能移动设备、车载控制设备等具有计算处理能力的设备。下面通过具体实施例，对本申请进行详细说明。
图1为本申请实施例提供的驾驶速度的确定方法的一种流程示意图。该装置应用于电子设备，电子设备可以为计算机、服务器、智能手机、平板电脑等设备。该方法包括如下步骤：
步骤S101：获取车辆所在道路的走向参数。
具体的，可以根据定位设备确定的车辆位置以及获取的地图信息，确定车辆所在道路的走向参数。走向参数可以包括走向角和位置等。定位设备可以为采用全球定位系统(GPS)的设备。
步骤S102：获取车辆的轮胎与道路之间的摩擦系数，根据摩擦系数确定车辆受到的摩擦力。
根据摩擦系数确定车辆受到的摩擦力时，可以根据f＝μmg确定车辆受到的摩擦力f，其中，μ为摩擦系数，m为车辆的质量，g为重力常量。
步骤S103：获取惯性传感器采集的车辆运动时的加速度。
步骤S104：将走向参数、摩擦力和加速度输入跟随交通模型。
其中，该跟随交通模型用于根据跟随交通模型训练完成时获得的模型参数，以及输入的走向参数、摩擦力和加速度，确定车辆的驾驶速度。
步骤S105：获取跟随交通模型确定的驾驶速度。
由上述内容可知，本实施例可以获取车辆所在道路的走向参数，确定车辆受到的摩擦力以及车辆运动时的加速度，将这些信息均输入跟随交通模型，该跟随交通模型可以根据这些信息确定车辆的驾驶速度。由于在确定摩擦力时考虑了轮胎与道路之间的摩擦系数，不同的道路状况对应不同的摩擦系数，因此本实施例确定的该驾驶速度考虑到了道路状况因素，能够确定更合理的驾驶速度，从而提高车辆行驶时的安全性。
在本申请的另一实施例中，图1所示实施例中，还可以获取车辆上的乘客数量，根据预设的车辆配置参数和乘客数量，确定车辆质量。
在获取车辆上的乘客数量时，可以根据用户输入的输入信息确定车辆上的乘客数量。
上述车辆配置参数可以包括：当无乘客时车辆的初始质量等。
在确定车辆质量时，可以将车辆的初始质量与乘客质量的和确定为车辆质量，乘客质量为乘客数量与预设的人均质量的乘积。
本实施例中，步骤S104具体可以为，将车辆质量、走向参数、摩擦力和加速度输入跟随交通模型。其中，跟随交通模型用于根据该跟随交通模型训练完成时获得的模型参数，以及输入的车辆质量、走向参数、摩擦力和加速度，确定车辆的驾驶速度。
综上，本实施例中的跟随交通模型考虑了车辆质量，这样能够计算得到更合理的驾驶速度。
在本申请的另一实施例中，图1所示实施例中的跟随交通模型可以根据以下公式确定车辆的驾驶速度：
其中，所述mv为车辆质量，所述Vx为所述车辆的纵向驾驶速度，所述Vy为所述车辆的横向驾驶速度，所述Ψ为所述走向角，所述为车辆的转动速度，所述Iz为沿着垂直于地面的轴线的惯性矩，所述Fx和Fy分别为所述摩擦力的横向摩擦力分量和纵向摩擦力分量，所述Mz为广义矩。其中，利用上述公式所计算得到的纵向驾驶速度Vx和横向驾驶速度Vy分别为车辆纵向和横向的最大速度，相应的，计算得到的和分别为车辆纵向和横向的最大加速度。此外，是对Ψ进行二阶求导得到的。
其中，广义矩可以根据车辆受到的摩擦力、车辆质量和车辆尺寸计算得到。车辆的转动速度可以根据方向盘的转角获得。
在本项目中，将开发一种跟随交通模型，其能够维持具有充分安全裕度的恰当跟随距离。该跟随交通模型的概念图示于图2中，其中通过参照来自OpenStreetMap的预设导航路线和计算的要通行的无障碍道路来确定道路走向，确定主车辆和周围车辆的运动，而摩擦力则可以根据摩擦系数来进行计算。跟随交通模型的输入是道路走向所确定的Ψ、根据估计的轮胎-道路摩擦系数计算的最大摩擦力Fx和Fy、车辆的特性指标Vx和Vy，而模型的输出是考虑周围车辆速度的目标巡航速度Vx和Vy。我们将从单独车轮的力计算出摩擦力Fx和Fy，包括通过转向角来确定的纵向和横向力。
在本申请的另一实施例中，图1所示实施例中，步骤S102中获取车辆的轮胎与道路之间的摩擦系数的步骤，可以按照图3所示流程示意图进行，具体包括以下步骤S102A～步骤S102E。
步骤S102A：获取道路的热图像和非热图像。
其中，热图像是由热成像单元采集的图像，热成像单元可以为热成像仪等设备。非热图像可以理解为除了热图像之外的普通图像，例如RGB(红、绿、蓝)图像或YUV(亮度、色度)图像等。非热图像可以为普通图像采集单元采集的图像，普通图像采集单元可以为普通的摄像头、摄像机等。热图像和非热图像的图像采集范围相同，采集图像时的视场相同。
本实施例中，电子设备内部可以包括热成像单元和/或非热成像单元，也可以不包括热成像单元和/或非热成像单元。
在获取道路的热图像时，当电子设备内部包括热成像单元时，可以直接获取热成像单元采集的热图像；当电子设备内部不包括热成像单元时，可以向热成像单元发送热图像获取请求，接收热成像单元发送的热图像。
在获取道路的非热图像时，当电子设备内部非热成像单元时，可以直接获取非热成像单元采集的非热图像；当电子设备内部不包括非热成像单元时，可以向非热成像单元发送热图像获取请求，接收热成像单元发送的热图像。
参见图4a，图4a为热图像和非热图像的一种参考图，其中，左侧图像为非热图像，右侧图像为热图像。
步骤S102B：确定热图像和非热图像中的道路区域。
本步骤中，可以将热图像和非热图像中的指定区域确定为道路区域。例如，可以将热图像和非热图像中的指定梯形区域确定为道路区域。
也可以是，根据预设的道路特征，检测非热图像中的道路区域；根据热图像和非热图像之间的位置对应关系，以及非热图像中的道路区域，确定热图像中的道路区域。
上述预设的道路特征可以为，道路的颜色特征和/或道路的边缘特征等。检测得到道路区域，可以理解为检测得到道路区域的坐标范围。
当热图像和非热图像的图像采集范围相同，视场相同时，热图像和非热图像之间的位置是一一对应的。当从非热图像中检测出道路区域时，可以将非热图像中道路区域的坐标范围作为热图像中道路区域的坐标范围，该坐标范围也是热图像中道路区域的位置。
例如，在非热图像中检测出道路区域为以(2，5)，(2，20)(30，7)，(30，27)为顶点的不规则四边形区域，那么对应的热图像中的道路区域也为：以(2，5)，(2，20)(30，7)，(30，27)为顶点的不规则四边形区域。
步骤S102C：根据热图像中道路区域各个像素点对应的温度，确定道路区域的路面类型。
热图像是光学成像物镜接收被测目标的红外辐射能量并将该能量映射到红外探测器的光敏元件后形成的图像。这种热图像中的像素值与物体表面的热分布场相对应。热图像上的不同颜色代表被测物体的不同温度。
本步骤中，可以根据预设的热图像中道路区域各个像素点对应的温度，确定道路区域的路面类型。路面类型可以包括潮湿类型、积雪类型、干燥类型、结冰类型等。其中，干燥类型的路面可以认为是第一类型的路面，潮湿类型、积雪类型、结冰类型的路面可以认为是第二类型的路面。这些路面类型在非热图像中难以识别，而根据热图像中像素点对应的温度可以识别路面类型。
在一种具体实施方式中，本步骤可以将热图像中的道路区域以及该道路区域的各个像素点对应的温度输入区域分割模型，获取区域分割模型输出的该道路区域的路面类型。
其中，该区域分割模型用于根据区域分割模型训练完成时得到的参数，以及输入的道路区域的各个像素点对应的温度对输入的道路区域进行分割，得到道路区域对应的路面类型。
该区域分割模型为预先根据样本热图像训练完成。在训练时，可以预先获取大量样本热图像，并从样本热图像中确定样本热图像的地面区域，并将样本热图像的地面区域输入区域分割模型。在从样本热图像中确定地面区域时，可以采用人工标记的方式确定。
在训练区域分割模型时，可以根据预设的能量函数E(x)＝U(x)+pW(x)，通过优化各个对应像素区域分割方式来最小化能量函数。
其中，p是预设的第一权重系数。x是样本热图像中道路区域的各个像素点对应的温度；
U(x)为根据各个设定区域的温度来量度各个像素所在区域的是不同设定区域的概率，U(x)＝∑s-lnP(s|x)，其中，s∈L，L为各个设定区域的标签集合。
W(x)为量度各个设定区域的连接性的平滑项，该平滑项可以提高确定的区域范围的完整。为了增加检测到的各类型的路面区域的一致性，平滑项可以保证一个确定的区域足够大以对应有意义的路面区域，避免小的无意义的斑块，并改善各类型区域的精确性。其中，i和j分别为像素点的行坐标和列坐标，q为预设的第二权重系数。该平滑项考虑了像素点之间的温度差和像素点之间距离。其中，像素点之间的距离在避免过度分割方面起到更重要的作用。同时，期望通过可通行和不可通行区域之间的内能U(s，x)＝DKL(PX|Y＝road(x)||X|Y＝water/ice/frost(x))来测量第二类型的路面区域和路面的温度分布之间的差异是最大的。通过相对熵(Kullback-Leibler divergence)来测量分布的差异，以确保可通过和不可通过区域之间的深度差异是显著的。
在训练过程中，可以采用图像切割算法来优化能量函数。整体优化过程如下：样本热图像中所有道路区域首先被假定为第一类型的路面区域，通过设定温度分割阈值，将样本热图像的道路区域分割成第一类型的路面区域和第二类型的路面区域。第一类型的路面区域对应正常温度范围的区域，而第二类型的路面区域对应过高或者过低的温度范围的区域。过高或者过低的温度范围是相对于正常温度范围过高或过低的范围。根据初始认定，第一类型的路面区域和第二类型的路面区域的标称s，将使用图像切割(GraphCut)算法来优化以最小化能量函数。
步骤S102D：确定非热图像中道路区域的宏观结构。
其中，道路的宏观结构是指图像中道路区域像素点的不规则性的纹理特征。宏观结构可以采用道路图像区域中像素点。宏观结构可以采用不同大小和形状的图像像素点区域的数量和分布来表示。宏观结构可以通过光学相机捕获并利用边界检测和纹理提取图像处理算法得到。
本步骤具体可以为，提取非热图像中道路区域的纹理特征，将该纹理特征与预先建立的宏观结构库进行匹配，得到该道路区域的宏观结构。宏观结构库用于存储道路的各个宏观结构与纹理特征之间的对应。
路面的宏观结构指的是路面的不平整构造，其波长范围为10-3～10-1m。宏观结构可以为轮胎与路面之间相互作用的水提供必要的溢流通道，能够减少湿路打滑。宏观结构在摩擦、滚动阻力、水流出和光反射中可以起到重要作用。因此，分析路面的宏观结构对于潮湿天气下的行驶安全来说很重要，尤其是当驾驶速度很高时。路面的粗糙度，指的是比大型结构更大的表面不平整构造，并且其对滚动阻力的影响比对滑动阻力的影响更大。现有技术中，对道路微观结构和宏观结构的分析方法依赖于专用的激光器装置。
在一种实施方式中，可以通过评估路面的结构和反射来估计道路区域的宏观结构。具体的，可以应用具有路面图像的各种阈值的Sobel算子(Sobel filter)来识别不同大小的结构特征。图4b为提取的宏观结构的一个示例性结果。其中，可以从图4b右侧的三种类型的路面图像中得到左侧对应的不同尺寸的特征边缘图。这种方法能够在金字塔搜索中有效实施，其中场景图像被二次采样并平滑化为不同的分辨率。然后，在原始的图像和二次采样的图像中使用具有相同阈值的Sobel算子来进行宏观特征的搜索。图4c所示为对应不同尺寸的宏观结构的直方图。宏观结构可以通过统计不同大小和形状的图像像素点区域的数量和分布来确定。
宏观结构直接对应路面在干燥和潮湿情况下的摩擦系数。整体路面的摩擦系数将根据各个宏观结构进行拟合和调整。
步骤S102E：根据上述道路区域的摩擦因素，确定轮胎与上述道路区域对应的道路之间的摩擦系数；
其中，上述道路区域的摩擦因素包括：根据预设的与路面类型对应的摩擦系数公式，或者，上述道路区域的摩擦因素包括：预设的与路面类型对应的摩擦系数公式和道路区域的宏观结构。
具体的，摩擦系数为综合考虑路面情况和轮胎状态的参数。当轮胎状态已知时，可以预先根据轮胎状态得到与路面类型对应的摩擦系数公式。其中，轮胎状态可以包括轮胎的粗糙程度参数、轮胎的形变量和轮胎的弹性系数。轮胎的形变量能够根据车辆的重量和预设的轮胎弹性系数确定。或者轮胎状态可测，摩擦系数可根据轮胎状态稍微调整。
其中，可以针对每种轮胎状态，采集该轮胎状态所对应的摩擦系数，进而，构建训练样本集合，从而通过模型训练，利用回归方法建立轮胎状态与摩擦系数之间的映射关系。采集多种不同的轮胎状态所对应的。
轮胎与道路之间的摩擦系数，对于车辆主动安全系统是很重要的，并且轮胎与路面之间的摩擦是车辆动态的安全裕度的有效措施。路面与轮胎之间摩擦的计算对于车辆安全和控制是非常重要的，尤其是当路面由于存在水或雪而湿滑时。因此，摩擦系数是体现道路的黏着力等级和安全性的关键参数。最大轮胎与道路之间的摩擦系数的估计能够预测危险状况，使得车辆的控制系统能够改变其驾驶方式以防止突发状况。由于国际摩擦指标(International Friction Index，IFI)的标准，如果已知车辆速度和有效摩擦系数，则能够测量滑动阻力，并且宏观结构测量在滑动阻力测量中变得更加重要。根据公式d＝V2/254μ可以近似计算停车距离d，其中，V为车辆速度，μ为摩擦系数。
道路的黏着力等级就多种影响因素而言是复杂的，包括表面状况、轮胎规格和车辆规格。轮胎与道路之间的摩擦通常通过基于起因的方法和基于效果的方法来估计，其中基于起因的估计实现了高精确度。本实施例中，可以采用基于分割的路面区域、所分析的宏观结构和测量的路面温度来探究基于起因的摩擦系数估计。相关实验已证明，在正常天气状况下，与特定路面相关联的滑动阻力值通常是恒定的。并且，由于干燥的路面被认为提供足以避免打滑问题的滑动阻力，因此滑动阻力通常被视为潮湿路面的关注点。因此，确定轮胎与道路之间的摩擦系数在车辆驾驶方法非常重要。
路面温度是影响摩擦系数的另一个重要因素。这是冰面温度决定可获得的牵引力大小的指示。由于初始跟踪温度增加，在轮胎-冰交界面上可以检测到较小的摩擦系数。
路面可以被分割为第一类型的路面区域(例如沥青区域)和第二类型的路面区域(例如水、冰、霜区域)。第二类型的路面区域的摩擦系数主要由表面温度来确定。规则的第一类型的路面区域的摩擦系数一般是恒定的，但是其在下雨天气中取决于宏观结构。
当路面类型为潮湿类型时，上述道路区域的摩擦因素包括：预设的与所述路面类型对应的摩擦系数公式和所述道路区域的宏观结构，进而本步骤可以为：
根据或确定轮胎与道路区域对应的道路之间的摩擦系数μ。
其中，μ0是静态摩擦系数，S为滑动速度，而Sp是根据道路区域的宏观结构预先确定的与道路区域的宏观结构相关的系数。具体的，在确定Sp时，可以根据道路区域的宏观结构从预设的宏观结构与道路材料的对应关系中确定目标道路材料，从用于存储各种道路材料与结构系数的对应关系的数据库中确定目标道路材料对应的结构系数Sp。μpeak是峰值摩擦等级，Speak是车辆在峰值摩擦力处的滑动速度。而C是与所述道路区域的宏观结构相关的形状因素，具体的，在确定C时，可以根据道路区域的宏观结构从预设的宏观结构与道路材料的对应关系中确定目标道路材料，从用于存储各种道路材料与结构系数的对应关系的数据库中确定与所述道路区域的宏观结构相关的形状因素C。
当路面类型为积雪类型时，上述道路区域的摩擦因素包括：预设的与所述路面类型对应的摩擦系数公式，进而本步骤可以为：
根据μ(T)＝0.11-0.0052T+0.0002A或μ(T)＝0.10-0.0052T+0.00016A，确定轮胎与所述道路区域对应的道路之间的摩擦系数μ。
其中，A为预设参数，A<1000g/m2，T是道路区域的温度，当车辆为第一类型的车辆时，选择μ(T)＝0.11-0.0052T+0.0002A确定轮胎与道路区域对应的道路之间的摩擦系数μ；当车辆为第二类型的车辆时，选择μ(T)＝0.10-0.0052T+0.00016A确定轮胎与所述道路区域对应的道路之间的摩擦系数μ。
第一类型的车辆可以为小型汽车，第二类型的车辆可以为轻型卡车等。
综上，本实施例能够根据道路区域的宏观结构和对应的摩擦系数公式，确定轮胎与道路之间的摩擦系数。在车辆行驶过程中，车辆的行驶速度、驱动力控制、打滑等行驶状况均和轮胎与道路之间的摩擦系数实质相关。相比于道路表面结构，轮胎与道路之间的摩擦系数对于车辆驾驶控制来说是更深层次的路面参数，因此能更准确地反映车辆附近路面的情况。
图5为本申请实施例提供的一种驾驶速度的确定装置。该装置应用于电子设备，电子设备可以为计算机、服务器、智能手机、平板电脑等设备。该装置与图1所示方法实施例相对应，该装置包括：
参数获取模块501，用于获取车辆所在道路的走向参数，获取所述车辆的轮胎与道路之间的摩擦系数，根据所述摩擦系数确定所述车辆受到的摩擦力；获取惯性传感器采集的所述车辆运动时的加速度；
参数输入模块502，用于将所述走向参数、所述摩擦力和所述加速度输入跟随交通模型，其中，所述跟随交通模型用于根据所述跟随交通模型训练完成时获得的模型参数，以及输入的所述走向参数、所述摩擦力和所述加速度，确定所述车辆的驾驶速度；
速度获取模块503，用于获取所述跟随交通模型确定的驾驶速度。
在本申请的另一实施例中，图5所示实施例的参数获取模块501还可以用于：获取车辆上的乘客数量，根据预设的车辆配置参数和乘客数量，确定车辆质量。
参数输入模块502具体用于：
将车辆质量、走向参数、摩擦力和加速度输入跟随交通模型；其中，跟随交通模型用于根据跟随交通模型训练完成时获得的模型参数，以及输入的车辆质量、走向参数、摩擦力和加速度，确定车辆的驾驶速度。
在本申请的另一实施例中，图5所示实施例中，跟随交通模型根据以下公式确定车辆的驾驶速度：
其中，所述mv为所述车辆质量，所述Vx为所述车辆的纵向驾驶速度，所述Vy为所述车辆的横向驾驶速度，所述Ψ为所述走向角，所述为车辆的转动速度，所述Iz为沿着垂直于地面的轴线的惯性矩，所述Fx和Fy分别为所述摩擦力的横向摩擦力分量和纵向摩擦力分量，所述Mz为广义矩。
在本申请的另一实施例中，图5所示实施例中的参数获取模块501可以包括图6所示的各个子模块：
图像获取子模块601，用于获取道路的热图像和非热图像；
道路确定子模块602，用于确定所述热图像和非热图像中的道路区域；
类型确定子模块603，用于根据所述热图像中道路区域各个像素点对应的温度，确定所述道路区域的路面类型；
结构确定子模块604，用于确定所述非热图像中道路区域的宏观结构；
摩擦确定子模块605，用于根据所述道路区域的摩擦因素，确定轮胎与所述道路区域对应的道路之间的摩擦系数，其中，所述道路区域的摩擦因素包括：根据预设的与所述路面类型对应的摩擦系数公式，或者，所述道路区域的摩擦因素包括：预设的与所述路面类型对应的摩擦系数公式和所述道路区域的宏观结构。
在本申请的另一实施例中，图6所示实施例中，类型确定子模块603，具体用于：
将所述热图像中的道路区域以及该道路区域的各个像素点对应的温度输入区域分割模型；其中，所述区域分割模型用于根据所述区域分割模型训练完成时得到的参数，以及输入的道路区域的各个像素点对应的温度对输入的道路区域进行分割，得到道路区域对应的路面类型；所述区域分割模型为预先根据样本热图像训练完成；
获取所述区域分割模型输出的所述道路区域的路面类型。
在本申请的另一实施例中，图6所示实施例中，装置还包括：
模型训练模块，用于采用以下操作训练得到区域分割模型：
根据E(x)＝U(x)+pW(x)，训练完成；其中，x为所述样本热图像中道路区域的各个像素点对应的温度，所述i和j分别为所述像素点的行坐标和列坐标，所述p为预设的第一权重系数，所述q为预设的第二权重系数。
在本申请的另一实施例中，图6所示实施例中，当路面类型为潮湿类型时，所述道路区域的摩擦因素包括：预设的与所述路面类型对应的摩擦系数公式和所述道路区域的宏观结构，摩擦确定子模块605，具体用于：
根据或确定所述车辆的轮胎与所述道路之间的摩擦系数μ；其中，μ0是静态摩擦系数，所述S为滑动速度，Sp是根据所述道路区域的宏观结构预先确定的结构系数，μpeak是峰值摩擦等级，Speak是车辆在峰值摩擦力处的滑动速度，所述C是与所述道路区域的宏观结构相关的形状因素；
当所述路面类型为积雪类型时，所述道路区域的摩擦因素包括：预设的与所述路面类型对应的摩擦系数公式，摩擦确定子模块605，具体用于：
根据μ(T)＝0.11-0.0052T+0.0002A或μ(T)＝0.10-0.0052T+0.00016A，确定所述车辆的轮胎与所述道路之间的摩擦系数μ；其中，所述A为预设参数，所述A<1000g/m2，所述T是所述道路区域的温度，当车辆为第一类型的车辆时，选择μ(T)＝0.11-0.0052T+0.0002A确定所述车辆的轮胎与所述道路之间的摩擦系数μ；当车辆为第二类型的车辆时，选择μ(T)＝0.10-0.0052T+0.00016A确定所述车辆的轮胎与所述道路之间的摩擦系数μ。
由于上述装置实施例是基于方法实施例得到的，与该方法具有相同的技术效果，因此装置实施例的技术效果在此不再赘述。对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。
图7为本申请实施例提供的一种电子设备的结构示意图。该电子设备包括处理器701、通信接口702、存储器703和通信总线704，其中，处理器701，通信接口702，存储器703通过通信总线704完成相互间的通信；
存储器703，用于存放计算机程序；
处理器701，用于执行存储器703上所存放的程序时，实现本申请实施例提供的驾驶速度确定方法。该方法包括：
获取车辆所在道路的走向参数；
获取所述车辆的轮胎与道路之间的摩擦系数，根据所述摩擦系数确定所述车辆受到的摩擦力；
获取惯性传感器采集的所述车辆运动时的加速度；
将所述走向参数、所述摩擦力和所述加速度输入跟随交通模型，其中，所述跟随交通模型用于根据所述跟随交通模型训练完成时获得的模型参数，以及输入的所述走向参数、所述摩擦力和所述加速度，确定所述车辆的驾驶速度；
获取所述跟随交通模型确定的驾驶速度。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本实施例中，由于在确定摩擦力时考虑了轮胎与道路之间的摩擦系数，不同的道路状况对应不同的摩擦系数，因此本实施例确定的该驾驶速度考虑到了道路状况因素，能够确定更合理的驾驶速度，从而提高车辆行驶时的安全性。
本申请实施例还提供了一种计算机可读存储介质。该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现本申请实施例提供的驾驶速度确定方法。该方法包括：
获取车辆所在道路的走向参数；
获取所述车辆的轮胎与道路之间的摩擦系数，根据所述摩擦系数确定所述车辆受到的摩擦力；
获取惯性传感器采集的所述车辆运动时的加速度；
将所述走向参数、所述摩擦力和所述加速度输入跟随交通模型，其中，所述跟随交通模型用于根据所述跟随交通模型训练完成时获得的模型参数，以及输入的所述走向参数、所述摩擦力和所述加速度，确定所述车辆的驾驶速度；
获取所述跟随交通模型确定的驾驶速度。
本实施例中，由于在确定摩擦力时考虑了轮胎与道路之间的摩擦系数，不同的道路状况对应不同的摩擦系数，因此本实施例确定的该驾驶速度考虑到了道路状况因素，能够确定更合理的驾驶速度，从而提高车辆行驶时的安全性。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所做的任何修改、等同替换、改进等，均包含在本申请的保护范围内。
Claims (10)
1.一种驾驶速度的确定方法，其特征在于，所述方法包括：
获取车辆所在道路的走向参数；
获取所述车辆的轮胎与道路之间的摩擦系数，根据所述摩擦系数确定所述车辆受到的摩擦力；
获取惯性传感器采集的所述车辆运动时的加速度；
将所述走向参数、所述摩擦力和所述加速度输入跟随交通模型，其中，所述跟随交通模型用于根据所述跟随交通模型训练完成时获得的模型参数，以及输入的所述走向参数、所述摩擦力和所述加速度，确定所述车辆的驾驶速度；
获取所述跟随交通模型确定的驾驶速度。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取车辆上的乘客数量，根据预设的车辆配置参数和所述乘客数量，确定车辆质量；
所述将所述走向参数、所述摩擦力和所述加速度输入跟随交通模型的步骤，包括：
将所述车辆质量、所述走向参数、所述摩擦力和所述加速度输入跟随交通模型；其中，所述跟随交通模型用于根据所述跟随交通模型训练完成时获得的模型参数，以及输入的所述车辆质量、所述走向参数、所述摩擦力和所述加速度，确定所述车辆的驾驶速度。
3.根据权利要求2所述的方法，其特征在于，所述跟随交通模型根据以下公式确定所述车辆的驾驶速度：
其中，所述mv为所述车辆质量，所述Vx为所述车辆的纵向驾驶速度，所述Vy为所述车辆的横向驾驶速度，所述Ψ为所述走向角，所述为车辆的转动速度，所述Iz为沿着垂直于地面的轴线的惯性矩，所述Fx和Fy分别为所述摩擦力的横向摩擦力分量和纵向摩擦力分量，所述Mz为广义矩。
4.根据权利要求1所述的方法，其特征在于，所述获取所述车辆的轮胎与道路之间的摩擦系数的步骤，包括：
获取道路的热图像和非热图像；
确定所述热图像和非热图像中的道路区域；
根据所述热图像中道路区域各个像素点对应的温度，确定所述道路区域的路面类型；
确定所述非热图像中道路区域的宏观结构；
根据所述道路区域的摩擦因素，确定轮胎与所述道路区域对应的道路之间的摩擦系数，其中，所述道路区域的摩擦因素包括：根据预设的与所述路面类型对应的摩擦系数公式，或者，所述道路区域的摩擦因素包括：预设的与所述路面类型对应的摩擦系数公式和所述道路区域的宏观结构。
5.根据权利要求4所述的方法，其特征在于，所述根据所述热图像中道路区域各个像素点对应的温度，确定所述道路区域的路面类型的步骤，包括：
将所述热图像中的道路区域以及该道路区域的各个像素点对应的温度输入区域分割模型；其中，所述区域分割模型用于根据所述区域分割模型训练完成时得到的参数，以及输入的道路区域的各个像素点对应的温度对输入的道路区域进行分割，得到道路区域对应的路面类型；所述区域分割模型为预先根据样本热图像训练完成；
获取所述区域分割模型输出的所述道路区域的路面类型。
6.根据权利要求5所述的方法，其特征在于，所述区域分割模型采用以下方式训练得到：
根据E(x)＝U(x)+pW(x)，训练完成；其中，x为所述样本热图像中道路区域的各个像素点对应的温度，所述i和j分别为所述像素点的行坐标和列坐标，所述p为预设的第一权重系数，所述q为预设的第二权重系数,用来调整xi和xj的温度差对分割边界的影响。
7.根据权利要求4所述的方法，其特征在于，
当所述路面类型为潮湿类型时，所述道路区域的摩擦因素包括：预设的与所述路面类型对应的摩擦系数公式和所述道路区域的宏观结构；所述根据所述道路区域的摩擦因素，确定轮胎与所述道路区域对应的道路之间的摩擦系数的步骤，包括：
根据或确定所述车辆的轮胎与所述道路之间的摩擦系数μ；其中，μ0是静态摩擦系数，所述S为滑动速度，Sp是根据所述道路区域的宏观结构预先确定的结构系数，μpeak是峰值摩擦等级，Speak是车辆在峰值摩擦力处的滑动速度，所述C是与所述道路区域的宏观结构相关的形状因素；
当所述路面类型为积雪类型时，所述道路区域的摩擦因素包括：预设的与所述路面类型对应的摩擦系数公式；所述根据所述道路区域的摩擦因素，确定轮胎与所述道路区域对应的道路之间的摩擦系数的步骤，包括：
根据μ(T)＝0.11-0.0052T+0.0002A或μ(T)＝0.10-0.0052T+0.00016A，确定所述车辆的轮胎与所述道路之间的摩擦系数μ；其中，所述A为预设参数，所述A<1000g/m2，所述T是所述道路区域的温度，当车辆为第一类型的车辆时，选择μ(T)＝0.11-0.0052T+0.0002A确定所述车辆的轮胎与所述道路之间的摩擦系数μ；当车辆为第二类型的车辆时，选择μ(T)＝0.10-0.0052T+0.00016A确定所述车辆的轮胎与所述道路之间的摩擦系数μ。
8.一种驾驶速度的确定装置，其特征在于，所述装置包括：
参数获取模块，用于获取车辆所在道路的走向参数，获取所述车辆的轮胎与道路之间的摩擦系数，根据所述摩擦系数确定所述车辆受到的摩擦力；获取惯性传感器采集的所述车辆运动时的加速度；
参数输入模块，用于将所述走向参数、所述摩擦力和所述加速度输入跟随交通模型，其中，所述跟随交通模型用于根据所述跟随交通模型训练完成时获得的模型参数，以及输入的所述走向参数、所述摩擦力和所述加速度，确定所述车辆的驾驶速度；
速度获取模块，用于获取所述跟随交通模型确定的驾驶速度。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-7任一所述的方法步骤。
10.一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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910636701.7A CN110399664B (zh) | 2019-07-15 | 2019-07-15 | 一种驾驶速度的确定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910636701.7A CN110399664B (zh) | 2019-07-15 | 2019-07-15 | 一种驾驶速度的确定方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110399664A true CN110399664A (zh) | 2019-11-01 |
| CN110399664B CN110399664B (zh) | 2023-11-21 |
Family
ID=68325635
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910636701.7A Active CN110399664B (zh) | 2019-07-15 | 2019-07-15 | 一种驾驶速度的确定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110399664B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111735841A (zh) * | 2020-07-07 | 2020-10-02 | 北京交跃通达检测科技有限公司 | 一种路面湿滑度测量方法及装置 |
| CN113788022A (zh) * | 2020-11-19 | 2021-12-14 | 北京京东乾石科技有限公司 | 车辆控制方法、装置、计算机可读存储介质及电子设备 |
| US11794750B1 (en) * | 2019-01-14 | 2023-10-24 | Matthew Roy | Snow friction determination by autonomous vehicle |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101636304A (zh) * | 2007-03-16 | 2010-01-27 | 罗伯特.博世有限公司 | 用于计算车辆的驾驶策略所用的避撞轨迹的方法 |
| WO2015074744A1 (de) * | 2013-11-19 | 2015-05-28 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | Verfahren und vorrichtung zur reibwertermittlung in einem fahrzeug |
| CN105740793A (zh) * | 2016-01-26 | 2016-07-06 | 哈尔滨工业大学深圳研究生院 | 基于路面颠簸情况和道路类型识别的自动调速方法与系统 |
| US20160368503A1 (en) * | 2015-06-16 | 2016-12-22 | Volvo Car Corporation | Method and arrangement for tire to road friction estimation |
| CN109910865A (zh) * | 2019-02-26 | 2019-06-21 | 辽宁工业大学 | 一种基于物联网的车辆预警刹车方法 |
-
2019
- 2019-07-15 CN CN201910636701.7A patent/CN110399664B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101636304A (zh) * | 2007-03-16 | 2010-01-27 | 罗伯特.博世有限公司 | 用于计算车辆的驾驶策略所用的避撞轨迹的方法 |
| WO2015074744A1 (de) * | 2013-11-19 | 2015-05-28 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | Verfahren und vorrichtung zur reibwertermittlung in einem fahrzeug |
| US20160368503A1 (en) * | 2015-06-16 | 2016-12-22 | Volvo Car Corporation | Method and arrangement for tire to road friction estimation |
| CN105740793A (zh) * | 2016-01-26 | 2016-07-06 | 哈尔滨工业大学深圳研究生院 | 基于路面颠簸情况和道路类型识别的自动调速方法与系统 |
| CN109910865A (zh) * | 2019-02-26 | 2019-06-21 | 辽宁工业大学 | 一种基于物联网的车辆预警刹车方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李双 等: "汽车操纵动力学三自由度模型与转向特性仿真", 《机械设计与制造》, no. 3, pages 2 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11794750B1 (en) * | 2019-01-14 | 2023-10-24 | Matthew Roy | Snow friction determination by autonomous vehicle |
| CN111735841A (zh) * | 2020-07-07 | 2020-10-02 | 北京交跃通达检测科技有限公司 | 一种路面湿滑度测量方法及装置 |
| CN113788022A (zh) * | 2020-11-19 | 2021-12-14 | 北京京东乾石科技有限公司 | 车辆控制方法、装置、计算机可读存储介质及电子设备 |
| CN113788022B (zh) * | 2020-11-19 | 2023-08-11 | 北京京东乾石科技有限公司 | 车辆控制方法、装置、计算机可读存储介质及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110399664B (zh) | 2023-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10696227B2 (en) | Determining a road surface characteristic | |
| USRE48106E1 (en) | Detection of obstacles at night by analysis of shadows | |
| Negru et al. | Image based fog detection and visibility estimation for driving assistance systems | |
| Huang et al. | On-board vision system for lane recognition and front-vehicle detection to enhance driver's awareness | |
| US9460352B2 (en) | Lane boundary line recognition device | |
| CN102867414B (zh) | 一种基于ptz摄像机快速标定的车辆排队长度测量方法 | |
| JP4981808B2 (ja) | センサに基づく車両の始動制御方法及び運転者支援システム | |
| DE102020112314A1 (de) | Verifizierung von fahrzeugbildern | |
| US11884279B2 (en) | System and method for providing vehicle safety distance and speed alerts under slippery road conditions | |
| JP6442834B2 (ja) | 路面高度形状推定方法とシステム | |
| CN104881645B (zh) | 基于特征点互信息量和光流法的车辆前方目标的检测方法 | |
| CN104732774B (zh) | 一种车辆逆行的检测方法和检测系统 | |
| CN104011737A (zh) | 用于探测雾的方法 | |
| Chong et al. | Integrated real-time vision-based preceding vehicle detection in urban roads | |
| CN110399664A (zh) | 一种驾驶速度的确定方法及装置 | |
| CN107667378A (zh) | 用于识别和评估路面反射的方法和装置 | |
| CN113119960B (zh) | 路滑状况下提供车辆安全距离和速度警示的系统和方法 | |
| CN102982304A (zh) | 利用偏光图像检测车辆位置的方法和系统 | |
| CN109635737A (zh) | 基于道路标记线视觉识别辅助车辆导航定位方法 | |
| CN110427026A (zh) | 一种轮胎道路摩擦的确定方法及装置 | |
| Janda et al. | Road boundary detection for run-off road prevention based on the fusion of video and radar | |
| Kühnl et al. | Visual ego-vehicle lane assignment using spatial ray features | |
| JP7485011B2 (ja) | 道路劣化診断装置、道路劣化診断システム、道路劣化診断方法、及び、プログラム | |
| JP6718025B2 (ja) | 車両周辺の小物体領域を識別する装置及び方法 | |
| Negru et al. | Assisting navigation in homogenous fog |
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 |