CN110497905A - 用于控制车辆的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于控制车辆的方法和装置。上述方法的一具体实施方式包括：获取车辆的行驶信息，以及根据车辆的行驶信息确定预设时长后车辆的行经路段是否为危险路段；响应于确定行经路段为危险路段，获取危险路段的路况信息；根据所获取的路况信息以及预先建立的事故预测模型，预测车辆在行经危险路段时发生事故的类型和概率，其中，事故预测模型用于表征路况信息与事故的类型和概率的对应关系；根据类型和概率，确定对车辆的控制指令，以利用控制指令控制车辆。该实施方式可以对车辆的未来行经路段进行感测，从而能够减少事故发生的概率。

Description

用于控制车辆的方法和装置

技术领域

本申请实施例涉及车辆技术领域，具体涉及用于控制车辆的方法和装置。

背景技术

目前的自动驾驶车辆往往通过安装多个传感器，例如摄像机、激光雷达、毫米波雷达等，来感知自动驾驶车辆周边的物体。但是，这些传感器只能检测到视距范围内的物体，并且对气候条件也比较敏感。为了增加自动驾驶车辆在自动驾驶时的安全性，需要对视距范围外的物体进行观测，增强自动驾驶车辆的控制能力。

发明内容

本申请实施例提出了用于控制车辆的方法和装置。

第一方面，本申请实施例提供了一种用于控制车辆的方法，包括：获取车辆的行驶信息，以及根据上述车辆的行驶信息确定预设时长后上述车辆的行经路段是否为危险路段；响应于确定上述行经路段为危险路段，获取上述危险路段的路况信息；根据所获取的路况信息以及预先建立的事故预测模型，预测上述车辆在行经上述危险路段时发生事故的类型和概率，其中，上述事故预测模型用于表征路况信息与事故的类型和概率的对应关系；根据上述类型和上述概率，确定对上述车辆的控制指令，以利用上述控制指令控制上述车辆。

在一些实施例中，上述路况信息包括以下至少一种信息：上述危险路段处5G信号的延时、路段特征信息、天气信息、交通信号灯信息、行驶在上述危险路段的对象的行驶信息以及历史违章记录。

在一些实施例中，行驶信息包括当前位置、行驶速度和行驶方向；以及上述根据车辆的行驶信息确定预设时长后车辆的行经路段是否为危险路段，包括：根据上述行驶速度、上述行驶方向以及上述预设时长，确定上述车辆的期望行驶路线；根据上述当前位置以及上述期望行驶路线，确定上述车辆的期望位置；根据上述期望位置以及预设的危险路段集合，确定上述期望位置是否属于危险路段。

在一些实施例中，上述根据所获取的路况信息以及预先建立的事故预测模型，预测上述车辆在行经上述危险路段时发生事故的类型和概率，包括：根据行驶在上述危险路段的对象的行驶信息，确定上述危险路段的车流量和人流量；根据行驶在上述危险路段的对象的历史违章记录，确定行驶在上述危险路段的对象的危险等级；根据上述车流量、上述人流量、上述危险等级、上述危险路段处5G信号的延时、路段特征信息、天气信息、交通信号灯信息以及上述事故预测模型，预测上述车辆在行经上述危险路段时发生事故的类型和概率。

在一些实施例中，上述根据上述类型和上述概率，确定对上述车辆的控制指令，包括：响应于确定上述概率大于预设概率阈值，根据上述类型，确定对上述车辆的控制指令。

第二方面，本申请实施例提供了一种用于控制车辆的装置，包括：第一获取单元，被配置成获取车辆的行驶信息，以及根据上述车辆的行驶信息确定预设时长后上述车辆的行经路段是否为危险路段；第二获取单元，被配置成响应于确定上述行经路段为危险路段，获取上述危险路段的路况信息；预测单元，被配置成根据所获取的路况信息以及预先建立的事故预测模型，预测上述车辆在行经上述危险路段时发生事故的类型和概率，其中，上述事故预测模型用于表征路况信息与事故的类型和概率的对应关系；控制单元，被配置成根据上述类型和上述概率，确定对上述车辆的控制指令，以利用上述控制指令控制上述车辆。

在一些实施例中，上述路况信息包括以下至少一种信息：上述危险路段处5G信号的延时、路段特征信息、天气信息、交通信号灯信息、行驶在上述危险路段的对象的行驶信息以及历史违章记录。

在一些实施例中，上述行驶信息包括当前位置、行驶速度和行驶方向；以及上述第一获取单元进一步被配置成：根据上述行驶速度、上述行驶方向以及上述预设时长，确定上述车辆的期望行驶路线；根据上述当前位置以及上述期望行驶路线，确定上述车辆的期望位置；根据上述期望位置以及预设的危险路段集合，确定上述期望位置是否属于危险路段。

在一些实施例中，上述预测单元进一步被配置成：根据行驶在上述危险路段的对象的行驶信息，确定上述危险路段的车流量和人流量；根据行驶在上述危险路段的对象的历史违章记录，确定行驶在上述危险路段的对象的危险等级；根据上述车流量、上述人流量、上述危险等级、上述危险路段处5G信号的延时、路段特征信息、天气信息、交通信号灯信息以及上述事故预测模型，预测上述车辆在行经上述危险路段时发生事故的类型和概率。

在一些实施例中，上述控制单元进一步被配置成：响应于确定上述概率大于预设概率阈值，根据上述类型，确定对上述车辆的控制指令。

第三方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现如第一方面任一实施例所描述的方法。

第四方面，本申请实施例提供了一种计算机可读介质，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任一实施例所描述的方法。

本申请的上述实施例提供的用于控制车辆的方法和装置，首先可以获取车辆的行驶信息，并根据车辆的行驶信息确定预设时长后车辆的行经路段是否为危险路段。如果确定为危险路段，则可以获取危险路段的路况信息。然后，根据路况信息以及预先建立的事故预测模型，预测车辆在行经危险路段时发生事故的类型和概率。最后，根据类型和概率，来确定对车辆的控制指令，以利用控制指令控制车辆。本实施例的方法，可以对车辆的未来行经路段进行感测，从而能够降低事故发生的概率。

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是本申请的一个实施例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车辆的方法或用于控制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可以包括自动驾驶车辆101、102、103，网络104和服务器105。网络104用以在自动驾驶车辆101、102、103和服务器105之间提供通信链路的介质。网络104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。网络104可以是5G车联网(V2X，Vehicle to Everything)。

自动驾驶车辆101上可以安装有各种传感器，以采集自动驾驶车辆101、102、103的行驶信息。自动驾驶车辆101、102、103上还可以安装有各种电子装置，例如导航装置、无人车控制器、防抱死系统、制动力分配系统等。自动驾驶车辆101、102、103可以是包含了自动驾驶模式的车辆，既包括完全自动驾驶的车辆，也包括能够切换到自动驾驶模式的车辆。

服务器105可以是提供各种服务的服务器，例如对自动驾驶车辆101、102、103的行驶信息进行处理的后台服务器。例如，后台服务器可以接收自动驾驶车辆101、102、103发送的行驶信息，并对接收的行驶信息进行分析，得到控制指令，并把控制指令返回给自动驾驶车辆101、102、103。

需要说明的是，本申请实施例所提供的用于控制自动驾驶车辆的方法可以由自动驾驶车辆101、102、103的行车电脑来执行，也可以由服务器105执行。相应地，用于控制自动驾驶车辆的装置可以设置于自动驾驶车辆101、102、103中，也可以设置于服务器105中。

应该理解，图1中的自动驾驶车辆、网络和服务器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自动驾驶车辆、网络和服务器。

继续参考图2，示出了根据本申请的用于控制车辆的方法的一个实施例的流程200。本实施例的用于控制车辆的方法，包括以下步骤：

步骤201，获取车辆的行驶信息，以及根据车辆的行驶信息确定预设时长后车辆的行经路段是否为危险路段。

在本实施例中，用于控制车辆的方法的执行主体(例如图1所示的自动驾驶车辆101、102、103的行车电脑或服务器105)可以通过有线连接方式或者无线连接方式获取车辆的行驶信息。

需要指出的是，上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。

上述车辆可以包括各种车辆，例如包括自动驾驶模式的各种车辆，或者包括自动驾驶车辆。上述行驶信息可以包括车辆的当前位置、加速度、行驶里程行驶速度和行驶方向等信息。执行主体可以根据车辆的行驶信息，来确定上述车辆在预设时长后行经的路段。

在本实施例的一些可选的实现方式中，行驶信息包括当前位置、行驶速度和行驶方向。执行主体可以通过图2中未示出的以下步骤来实现：根据行驶速度、行驶方向以及预设时长，确定车辆的期望行驶路线；根据当前位置以及期望行驶路线，确定车辆的期望位置；根据期望位置以及预设的危险路段集合，确定期望位置是否属于危险路段。

本实现方式中，执行主体可以根据车辆的行驶速度、行驶方向以及预设时长，确定车辆的期望行驶路线。具体的，执行主体可以将行驶方向作为期望行驶路线的方向。然后，将行驶速度与预设时长的乘积作为期望行驶路线的距离。然后，执行主体可以根据车辆的当前位置、期望行驶路线的方向以及距离，来确定车辆的期望位置。并将得到的期望位置与预设的危险路段集合中包括的各危险路段进行比较，来确定上述期望位置是否属于危险路段。此处，危险路段可以是发生过多次交通事故的路段，也可以是发生过多次自然灾害(如落石、塌方、积水)的路段，还可以是地理位置较特殊(如靠近悬崖、连续急转弯)的路段。危险路段可以包括路段的起始位置和终点位置。执行主体本地可以预先存储有危险路段集合，也可以从其它电子设备处获取危险路段集合。

步骤202，响应于确定行经路段为危险路段，获取危险路段的路况信息。

如果执行主体确定车辆的行经路段为危险路段，则可以获取危险路段的路况信息。此处，路况信息可以包括危险路段的特征信息，也可以包括危险路段处的通信信息，还可以包括行驶在危险路段的各对象(例如行人、车辆等)的信息，还可以包括天气信息和交通信号灯信息。其中，危险路段的特征信息可以包括车道数量、车道线、路口类型、近一个月内发生的事故的数量、往年的相同季节内发生的事故的数量，还可以包括所发生的事故的类型、起因等。通信信息可以包括通信网络的延时等等。行驶在危险路段的各对象可以包括行人、车辆等。各对象的信息可以包括速度、方向和历史违章记录。天气信息可以包括晴天、阴天、雾天、雨天等。交通信号灯信息可以包括红绿灯以及剩余时间。

本实施例中，执行主体可以从多个设备处获取上述路况信息，例如，可以从天气服务器处获取天气信息，从5G服务器处获取通信网络的延时，从交管局服务器处获取对象的历史违章记录，还可以从地图服务器处获取特征信息。

在本实施例的一些可选的实现方式中，上述路况信息可以包括以下至少一种信息：危险路段处5G信号的延时、路段特征信息、天气信息、交通信号灯信息、行驶在危险路段的对象的行驶信息以及历史违章记录。

本实现方式中，执行主体可以通过5G车联网来获取各种信息。5G网络具有高带宽、低时延和高可靠能力的特点。从而能够提升车辆网技术的能力，支持高级别的自动驾驶技术。对于自动驾驶车辆或处于自动驾驶模式的车辆来说，如果5G网络不可靠或出现较大延时，就容易引起交通事故。另外，行人和车辆的行为习惯取决于行人和车辆自身，理想的状态是其均遵守交通规则。但如果遇到不遵守交通规则的行人或车辆，自动驾驶车辆也需要对此进行预警，以避免事故的发生。

在本实现方式中，危险路段处5G信号的延时、交通信号灯信息以及行驶在危险路段的对象的行驶信息等随时间经常变化的信息，需要实时持续获取。而对于路段特征信息、天气信息以及行驶在危险路段的对象的历史违章记录可以间隔一段时间(例如一天)获取一次。

当执行主体为终端设备时，其可以通过蜂窝车联网(C-V2X)获取危险路段的路况信息。C-V2X以专为高速移动应用设计的技术为基础，并且对汽车应用进行了专门的优化，802.11p多年研究中的实战经验和无线通信的基础进展也被应用其中。此外，它还支持一系列全新的汽车应用，带来更高的安全性和自动驾驶性能。

步骤203，根据所获取的路况信息以及预先建立的事故预测模型，预测车辆在行经危险路段时发生事故的类型和概率。

执行主体在获取路况信息后，可以结合预先建立的事故预测模型，来预测车辆在行经危险路段时发生事故的类型和概率。本实施例中，上述事故预测模型可以用于表征路况信息与事故的类型和概率的对应关系。该模型可以是循环神经网络，它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。通常由大量的节点(或称神经元)之间相互联接构成，每个节点代表一种特定的输出函数，称为激励函数。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重(又叫做参数)，网络的输出则依网络的连接方式、权重值和激励函数的不同而不同。循环神经网络通常包括多个层，每个层包括多个节点，通常，同一层的节点的权重可以相同，不同层的节点的权重可以不同，故循环神经网络的多个层的参数也可以不同。这里，执行主体可以将路况信息从循环神经网络的输入侧输入，依次经过循环神经网络中的各层的参数的处理(例如乘积、卷积等)，并从循环神经网络的输出侧输出，输出侧输出的信息即为事故的类型和概率。

作为一种示例，电子设备可以基于对大量记录有路况信息和事故类型和概率进行统计而生成存储有多个记录有路况信息和事故类型和概率的对应关系的对应关系表，并将该对应关系表作为事故预测模型。这样，执行主体可以将路况信息与该对应关系表中的多个路况信息依次进行比较，若该对应关系表中的路况信息与对应关系表中的路况信息相同或相似，则将该对应关系表中的路况信息对应的事故类型和概率作为得到的事故类型和概率。

步骤204，根据类型和概率，确定对车辆的控制指令，以利用控制指令控制车辆。

本实施例中，执行主体在得到事故的类型和概率后，可以确定车辆的控制指令。然后利用上述控制指令来控制车辆。具体的，执行主体本地可以存储有事故类型和概率与控制指令的对应关系列表。执行主体可以将得到的类型和概率与对应关系列表进行比较，从而得到对应的控制指令。或者，执行主体还可以将上述类型和概率输入预先训练的神经网络中，从神经网络的输出侧得到车辆的控制指令。或者，执行主体还可以根据预测得到的事故类型和概率，确定危险路段的危险等级。然后，结合危险等级与控制指令的对应关系列表，来确定出对车辆的控制指令。执行主体可以将上述控制指令发送到车辆的各个部件，以使各个部件执行上述控制命令，实现对车辆的控制。

在本实施例的一些可选的实现方式中，上述步骤204可以具体通过图2中未示出的以下步骤来实现：响应于确定概率大于预设概率阈值，根据类型，确定对车辆的控制指令。

本实现方式中，执行主体可以首先判断得到的事故的概率是否大于预设概率阈值。如果大于的话，则说明应针对预测得到的事故调整当前行驶。则执行主体可以根据事故的类型，来确定对车辆的控制指令。上述控制指令例如可以包括速度值、方向、加速度值等。上述控制指令中的内容用于指示调整后车辆需要达到的状态。例如，控制指令中包括速度值为30km/h，则说明车辆需要将速度降至30km/h。

可以理解的是，如果执行主体确定上述概率小于或等于预设概率阈值，则执行主体可以继续控制车辆按照原来的行驶策略来行驶。

继续参见图3，图3是根据本实施例的用于控制车辆的方法的一个应用场景的示意图。在图3的应用场景中，车辆在行驶过程中，除监测周围车辆的行驶状态外。还可以对车辆的行经路段进行检测，在检测到行经路段为危险路段后，可以预测事故的类型为落石事故，概率为70％。则得到控制指令为变道行驶，然后利用该控制指令控制车辆向相邻车道行驶。

本申请的上述实施例提供的用于控制车辆的方法，首先可以获取车辆的行驶信息，并根据车辆的行驶信息确定预设时长后车辆的行经路段是否为危险路段。如果确定为危险路段，则可以获取危险路段的路况信息。然后，根据路况信息以及预先建立的事故预测模型，预测车辆在行经危险路段时发生事故的类型和概率。最后，根据类型和概率，来确定对车辆的控制指令，以利用控制指令控制车辆。本实施例的方法，可以对车辆的未来行经路段进行感测，从而能够减少事故发生的概率。

继续参见图4，其示出了根据本申请的用于控制车辆的方法的另一个实施例的流程400。如图4所示，本实施例的用于控制车辆的方法中可以通过以下步骤来预测车辆在行经危险路段时发生事故的类型和概率：

步骤401，根据行驶在危险路段的对象的行驶信息，确定危险路段的车流量和人流量。

本实施例中，执行主体可以根据行驶在危险路段的行人或车辆的行驶信息，来确定危险路段的车流量和人流量。上述车流量和人流量可以由执行主体在一段时间监测到的车辆的数量和行人的数量来确定。可以理解的是，车流量越大或人流量越大，发生事故的可能性就越大。

步骤402，根据行驶在危险路段的对象的历史违章记录，确定行驶在危险路段的对象的危险等级。

本实施例中，执行主体还可以根据行驶在危险路段的对象的历史违章记录，来确定行驶在危险路段的对象的危险等级。例如，执行主体可以根据历史违章记录中违章记录的数量，来确定危险等级。或者，执行主体还可以根据历史违章记录中违章的类型，来确定危险等级。

步骤403，根据车流量、人流量、危险等级、危险路段处5G信号的延时、路段特征信息、天气信息、交通信号灯信息以及事故预测模型，预测车辆在行经危险路段时发生事故的类型和概率。

在确定车流量、人流量以及各对象的危险等级后，执行主体可以将路况信息中的其它信息，包括危险路段处5G信号的延时、路段特征信息、天气信息、交通信号灯信息，一起输入到事故预测模型中，预测得到车辆在行经危险路段时发生事故的类型和概率。

在本实施例的一些可选的实现方式中，上述事故预测模型可以通过图4中未示出的以下步骤来得到：获取训练样本集合，上述训练样本包括路况信息以及对应的事故的类型。将路况信息作为输入，将与输入的路况信息对应的事故的类型作为期望输出，训练得到事故预测模型。

本实现方式中，执行主体可以本地存储有训练样本集合，也可以从其它存储设备处获取训练样本集合。训练样本包括路况信息和对应的事故的类型。在训练时，执行主体可以将训练样本集合中的一部分(例如75％)作为训练集，其余的一部分(例如25％)作为测试集。在训练时，执行主体可以将训练集中的路况信息作为输入，将所输入的路况信息对应的事故的类型作为期望输出，训练得到事故预测模型。

本申请的上述实施例提供的用于控制车辆的方法，可以综合自动驾驶车辆周围的多种信息，来预测是否会发生事故，从而能够降低事故发生率。

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，本实施例的用于控制车辆的装置500包括：第一获取单元501、第二获取单元502、预测单元503以及控制单元504。

第一获取单元501，被配置成获取车辆的行驶信息，以及根据车辆的行驶信息确定预设时长后车辆的行经路段是否为危险路段。

第二获取单元502，被配置成响应于确定行经路段为危险路段，获取危险路段的路况信息。

预测单元503，被配置成根据所获取的路况信息以及预先建立的事故预测模型，预测车辆在行经危险路段时发生事故的类型和概率。其中，事故预测模型用于表征路况信息与事故的类型和概率的对应关系。

控制单元504，被配置成根据类型和概率，确定对车辆的控制指令，以利用控制指令控制所述车辆。

在本实施例的一些可选的实现方式中，路况信息包括以下至少一种信息：危险路段处5G信号的延时、路段特征信息、天气信息、交通信号灯信息、行驶在危险路段的对象的行驶信息以及历史违章记录。

在本实施例的一些可选的实现方式中，行驶信息包括当前位置、行驶速度和行驶方向。第一获取单元501可以进一步被配置成：根据行驶速度、行驶方向以及预设时长，确定车辆的期望行驶路线；根据当前位置以及期望行驶路线，确定车辆的期望位置；根据期望位置以及预设的危险路段集合，确定期望位置是否属于危险路段。

在本实施例的一些可选的实现方式中，预测单元503可以进一步被配置成：根据行驶在危险路段的对象的行驶信息，确定危险路段的车流量和人流量；根据行驶在危险路段的对象的历史违章记录，确定行驶在危险路段的对象的危险等级；根据车流量、人流量、危险等级、危险路段处5G信号的延时、路段特征信息、天气信息、交通信号灯信息以及事故预测模型，预测车辆在行经危险路段时发生事故的类型和概率。

在本实施例的一些可选的实现方式中，控制单元504可以进一步被配置成：响应于确定概率大于预设概率阈值，根据类型，确定对车辆的控制指令。

应当理解，用于控制车辆的装置500中记载的单元501至单元504分别与参考图2中描述的方法中的各个步骤相对应。由此，上文针对用于控制车辆的方法描述的操作和特征同样适用于装置500及其中包含的单元，在此不再赘述。

下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器或终端设备)600的结构示意图。本公开的实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端。图6示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

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装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所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。在本公开的实施例中，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。而在本公开的实施例中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。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电子设备执行时，使得该电子设备：获取车辆的行驶信息，以及根据车辆的行驶信息确定预设时长后车辆的行经路段是否为危险路段；响应于确定行经路段为危险路段，获取危险路段的路况信息；根据所获取的路况信息以及预先建立的事故预测模型，预测车辆在行经危险路段时发生事故的类型和概率，其中，事故预测模型用于表征路况信息与事故的类型和概率的对应关系；根据类型和概率，确定对车辆的控制指令，以利用控制指令控制车辆。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、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。

描述于本公开的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：一种处理器包括第一获取单元、第二获取单元、预测单元和控制单元。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，第一获取单元还可以被描述为“获取车辆的行驶信息的单元”。

以上描述仅为本公开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，本公开的实施例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。例如上述特征与本公开的实施例中公开的(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 (12)

1.一种用于控制车辆的方法，包括：

获取车辆的行驶信息，以及根据所述车辆的行驶信息确定预设时长后所述车辆的行经路段是否为危险路段；

响应于确定所述行经路段为危险路段，获取所述危险路段的路况信息；

根据所获取的路况信息以及预先建立的事故预测模型，预测所述车辆在行经所述危险路段时发生事故的类型和概率，其中，所述事故预测模型用于表征路况信息与事故的类型和概率的对应关系；

根据所述类型和所述概率，确定对所述车辆的控制指令，以利用所述控制指令控制所述车辆。

2.根据权利要求1所述的方法，其中，所述路况信息包括以下至少一种信息：所述危险路段处5G信号的延时、路段特征信息、天气信息、交通信号灯信息、行驶在所述危险路段的对象的行驶信息以及历史违章记录。

3.根据权利要求1所述的方法，其中，所述行驶信息包括当前位置、行驶速度和行驶方向；以及

所述根据车辆的行驶信息确定预设时长后车辆的行经路段是否为危险路段，包括：

根据所述行驶速度、所述行驶方向以及所述预设时长，确定所述车辆的期望行驶路线；

根据所述当前位置以及所述期望行驶路线，确定所述车辆的期望位置；

根据所述期望位置以及预设的危险路段集合，确定所述期望位置是否属于危险路段。

4.根据权利要求2所述的方法，其中，所述根据所获取的路况信息以及预先建立的事故预测模型，预测所述车辆在行经所述危险路段时发生事故的类型和概率，包括：

根据行驶在所述危险路段的对象的行驶信息，确定所述危险路段的车流量和人流量；

根据行驶在所述危险路段的对象的历史违章记录，确定行驶在所述危险路段的对象的危险等级；

根据所述车流量、所述人流量、所述危险等级、所述危险路段处5G信号的延时、路段特征信息、天气信息、交通信号灯信息以及所述事故预测模型，预测所述车辆在行经所述危险路段时发生事故的类型和概率。

5.根据权利要求1所述的方法，其中，所述根据所述类型和所述概率，确定对所述车辆的控制指令，包括：

响应于确定所述概率大于预设概率阈值，根据所述类型，确定对所述车辆的控制指令。

6.一种用于控制车辆的装置，包括：

第一获取单元，被配置成获取车辆的行驶信息，以及根据所述车辆的行驶信息确定预设时长后所述车辆的行经路段是否为危险路段；

第二获取单元，被配置成响应于确定所述行经路段为危险路段，获取所述危险路段的路况信息；

预测单元，被配置成根据所获取的路况信息以及预先建立的事故预测模型，预测所述车辆在行经所述危险路段时发生事故的类型和概率，其中，所述事故预测模型用于表征路况信息与事故的类型和概率的对应关系；

控制单元，被配置成根据所述类型和所述概率，确定对所述车辆的控制指令，以利用所述控制指令控制所述车辆。

7.根据权利要求6所述的装置，其中，所述路况信息包括以下至少一种信息：所述危险路段处5G信号的延时、路段特征信息、天气信息、交通信号灯信息、行驶在所述危险路段的对象的行驶信息以及历史违章记录。

8.根据权利要求6所述的装置，其中，所述行驶信息包括当前位置、行驶速度和行驶方向；以及

所述第一获取单元进一步被配置成：

根据所述行驶速度、所述行驶方向以及所述预设时长，确定所述车辆的期望行驶路线；

根据所述当前位置以及所述期望行驶路线，确定所述车辆的期望位置；

根据所述期望位置以及预设的危险路段集合，确定所述期望位置是否属于危险路段。

9.根据权利要求7所述的装置，其中，所述预测单元进一步被配置成：

根据行驶在所述危险路段的对象的行驶信息，确定所述危险路段的车流量和人流量；

根据行驶在所述危险路段的对象的历史违章记录，确定行驶在所述危险路段的对象的危险等级；

根据所述车流量、所述人流量、所述危险等级、所述危险路段处5G信号的延时、路段特征信息、天气信息、交通信号灯信息以及所述事故预测模型，预测所述车辆在行经所述危险路段时发生事故的类型和概率。

10.根据权利要求6所述的装置，其中，所述控制单元进一步被配置成：

响应于确定所述概率大于预设概率阈值，根据所述类型，确定对所述车辆的控制指令。

11.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。

12.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-5中任一所述的方法。