CN110780663B - 一种自动驾驶状态切换方法、装置、设备及存储介质 - Google Patents
一种自动驾驶状态切换方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110780663B CN110780663B CN201910759952.4A CN201910759952A CN110780663B CN 110780663 B CN110780663 B CN 110780663B CN 201910759952 A CN201910759952 A CN 201910759952A CN 110780663 B CN110780663 B CN 110780663B
- Authority
- CN
- China
- Prior art keywords
- risk value
- switching
- driving
- risk
- driving state
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000005070 sampling Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 24
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 238000011161 development Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0055—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots with safety arrangements
- G05D1/0061—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots with safety arrangements for transition from automatic pilot to manual pilot and vice versa
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本申请公开了一种自动驾驶状态切换方法、装置、设备及存储介质，该方法将人工驾驶状态与自动驾驶状态之间的切换过程也作为载运工具驾驶风险的来源，进而将该切换过程中产生的切换风险值累计至载运工具整体的切换风险总值，并通过切换风险总值与人工驾驶风险值之间的比对，最终判定载运工具是否进行自动驾驶状态切换，实现了对于载运工具切换自动驾驶状态的时机判定，进而更大程度降低了载运工具的驾驶风险。此外，本申请还提供一种自动驾驶状态切换装置、设备及存储介质，有益效果同上所述。
Description
技术领域
本申请涉及车联网领域，特别是涉及一种自动驾驶状态切换方法、装置、设备及存储介质。
背景技术
随着人工智能的高速发展，各行各业产品都出现了一次又一次的改革，而载运工具作为人们日常出行的必备工具之一，为了能够提供更大的出行便利，也在向着人工智能的方向不断发展。
由于载运工具的行驶安全是其所有实际应用的根本前提，因此基于当前人工智能大背景的载运工具通常具有自主应对驾驶风险的安全辅助驾驶能力，也就是当驾驶者驾驶载运工具的过程中遇到紧急情况时，载运工具能够代替驾驶者应对所产生的驾驶风险，即通过代替驾驶者执行相应的驾驶操作化解紧急情况，以此达到确保载运工具驾驶安全的目的。
在安全辅助驾驶功能的具体实现中，运载工具通常预设有自动驾驶状态，当驾驶者驾驶载运工具在驾驶过程中遇到紧急情况时，运载工具会将自身的驾驶状态由驾驶者可执行驾驶操作的人工驾驶状态切换为载运工具自主执行驾驶操作的自动驾驶状态，如何实现载运工具对于切换自动驾驶状态的时机判定是当前的行业痛点。
由此可见，提供一种自动驾驶状态切换方法，以实现对于载运工具切换自动驾驶状态的时机判定，并更大程度降低载运工具的驾驶风险，是本领域技术人员需要解决的问题。
发明内容
本申请的目的是提供一种自动驾驶状态切换方法、装置、设备及存储介质，以实现对于载运工具切换自动驾驶状态的时机判定，并更大程度降低载运工具的驾驶风险。
为实现上述目的，一方面，本申请提供了一种自动驾驶状态切换方法，包括：
获取驾驶特征，并判断所述驾驶特征是否符合预设风险特征；
如果所述驾驶特征符合所述预设风险特征，则获取人工驾驶风险值及自动驾驶风险值，并确定切换风险值；所述人工驾驶风险值为人工驾驶状态时的风险值，所述自动驾驶风险值为自动驾驶状态时的风险值，所述切换风险值为所述人工驾驶状态与所述自动驾驶状态进行切换时的风险值；
根据所述自动驾驶风险值与所述切换风险值计算切换风险总值；
判断所述切换风险总值是否小于所述人工驾驶风险值；
如果所述切换风险总值小于所述人工驾驶风险值，则将驾驶状态切换为所述自动驾驶状态。
又一方面，本申请提供了一种自动驾驶状态切换装置，包括：
特征判断模块，用于获取驾驶特征，并判断所述驾驶特征是否符合预设风险特征，如果所述驾驶特征符合所述预设风险特征，则调用风险值获取模块；
风险值获取模块，用于当所述判断模块的判断结果为符合时，获取人工驾驶风险值及自动驾驶风险值，并确定切换风险值；所述人工驾驶风险值为人工驾驶状态时的风险值，所述自动驾驶风险值为自动驾驶状态时的风险值，所述切换风险值为所述人工驾驶状态与所述自动驾驶状态进行切换时的风险值；
风险总值计算模块，用于根据所述自动驾驶风险值与所述切换风险值计算切换风险总值；
风险总值判断模块，用于判断所述切换风险总值是否小于所述人工驾驶风险值，如果所述切换风险总值小于所述人工驾驶风险值，则调用状态切换模块；
状态切换模块，用于当所述风险总值判断模块的判断结果为是时，将驾驶状态切换为所述自动驾驶状态。
又一方面，本申请还提供了一种电子设备，所述电子设备包括处理器和存储器；其中，所述存储器用于存储计算机程序，所述计算机程序由所述处理器加载并至少执行：
获取驾驶特征，并判断所述驾驶特征是否符合预设风险特征；
如果所述驾驶特征符合所述预设风险特征，则获取人工驾驶风险值及自动驾驶风险值，并确定切换风险值；所述人工驾驶风险值为人工驾驶状态时的风险值，所述自动驾驶风险值为自动驾驶状态时的风险值，所述切换风险值为所述人工驾驶状态与所述自动驾驶状态进行切换时的风险值；
根据所述自动驾驶风险值与所述切换风险值计算切换风险总值；
判断所述切换风险总值是否小于所述人工驾驶风险值；
如果所述切换风险总值小于所述人工驾驶风险值，则将驾驶状态切换为所述自动驾驶状态。
又一方面，本申请还提供了一种存储介质，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现本申请任一实施例的自动驾驶状态切换方法。
本申请所提供的自动驾驶状态切换方案，首先获取载运工具的驾驶特征，当驾驶特征满足风险条件时，获取载运工具人工驾驶状态驾驶时的人工驾驶风险值以及自动驾驶状态驾驶时的自动驾驶风险值，并且获取人工驾驶状态与自动驾驶状态之间在切换过程中产生的切换风险值，进而根据自动驾驶风险值与切换风险值累计计算切换风险总值，最终当切换风险总值小于人工驾驶风险值时，将驾驶状态切换为自动驾驶状态。本方法将人工驾驶状态与自动驾驶状态之间的切换过程也作为载运工具驾驶风险的来源，进而将该切换过程中产生的切换风险值累计至载运工具整体的切换风险总值，并通过切换风险总值与人工驾驶风险值之间的比对，最终判定载运工具是否进行自动驾驶状态切换，实现了对于载运工具切换自动驾驶状态的时机判定，进而更大程度降低了载运工具的驾驶风险。此外，本申请还提供一种自动驾驶状态切换装置、设备及存储介质，有益效果同上所述。
附图说明
为了更清楚地说明本申请实施例，下面将对实施例中所需要使用的附图做简单的介绍，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示出了本申请实施例的一种自动驾驶状态切换方法所适用的硬件组成框架示意图；
图2示出了本申请实施例的另一种自动驾驶状态切换方法所适用的硬件组成框架示意图；
图3示出了本申请实施例的一种自动驾驶状态切换方法的一种流程示意图；
图4示出了本申请实施例的一种自动驾驶状态切换方法的另一种流程示意图；
图5示出了本申请实施例的一种自动驾驶状态切换方法的另一种流程示意图；
图6示出了本申请实施例的一种自动驾驶状态切换方法的又一种流程示意图；
图7示出了本申请实施例的一种自动驾驶状态切换装置一个实施例的组成结构示框图。
具体实施方式
目前，基于交通运输网络的不断发展以及交通配套设施的水平不断提高，当前处于交通运输网络中的载运工具数量不断增加，因此导致载运工具在整体交通运输网络中的流量相对较大，同一时刻在单位区域内行驶的载运工具的密度不断攀升，并且各个载运工具中驾驶者的驾驶操作均具有随机性，因此容易产生载运工具之间的碰撞。另外，很多区域中的障碍物相对较多，整体环境相对复杂，因此载运工具的驾驶者需要频繁的应对复杂的驾驶环境，导致载运工具在行驶过程中也容易发生与障碍物的碰撞、剐蹭等危险情况。由于载运工具的行驶安全是载运工具产生实际应用价值的根本前提，因此当前基于人工智能背景的载运工具往往具有主动应对驾驶风险的安全辅助驾驶能力，也就是当驾驶者驾驶载运工具的过程中存在发生碰撞或剐蹭的风险趋势时，载运工具能够将驾驶者控制的人工驾驶状态切换为自动驾驶状态，在自动驾驶状态中，载运工具代替驾驶者执行驾驶操作，最大程度的规避紧急情况的发生，但是由于载运工具对自动驾驶状态的切换是一个执行过程，在进行人工驾驶状态与自动驾驶状态之间的切换过程仍然具有相应的风险，虽然在自动驾驶状态中载运工具能够最大程度的规避风险，但是载运工具的整体驾驶风险同样应考虑到切换自动驾驶状态所带来的风险因素，如何确定自动驾驶状态切换时机，决定着是否能够最大程度降低载运工具的驾驶风险。
例如，在载运工具具体为车辆的实际交通运输场景中，同一行车道中A车以及B车同向行驶，A车为B车的在行驶方向上的前车，A车在行驶过程中发现车道中存在C车处于紧急停车的状态，A车的驾驶者为了避免与C车相撞，会立刻刹车减速，A车减速时，B车仍然以原速行驶，导致B车与A车可能产生相撞的趋势，此时B车可以将人工驾驶状态切换为自动驾驶状态以应对风险，但是自动驾驶状态的切换过程也会产生一定的风险，B车需要判定切换自动驾驶状态是否能够将风险最小化，例如在一种B车与A车产生相撞趋势的情况下，B车保持人工驾驶状态情况下由驾驶者规避风险时的风险系数为0.7，而B车切换为自动驾驶状态情况下由车辆规避风险时的风险系数为0.6，但是切换自动驾驶状态的过程增加的风险系数为0.2，因此B车在切换自动驾驶状态情况下的整体风险系数为0.8，在此风险情况下，B车将人工驾驶状态切换为自动驾驶状态显然无法达到整体风险系数最小的效果。
由此可见，载运工具对于自动驾驶状态的切换需要考虑是否能够最大程度降低载运工具的驾驶风险，即判断是否处于切换自动驾驶状态的时机。
为了便于理解，先对本申请的自动驾驶状态切换方法对应的方案所适用的硬件组成框架进行介绍。可以参见图1至图2，其中，图1其示出了本申请一种自动驾驶状态切换方法所适用的硬件组成框架示意图。
由图1可知，该硬件组成框架可以包括：载运工具10，其中，载运工具10可以包括：处理器11、存储器12、通信接口13、输入单元14、显示器15、通信总线16、ECU17以及动力总成18。
处理器11、存储器12、通信接口13、输入单元14、显示器15、均通过通信总线16完成相互间的通信。ECU17响应处理器11发起的控制指令，进一步对动力总成18进行控制操作，以此通过动力总成18从根本上控制载运工具10的驾驶状态。
需要说明的是，ECU(Electronic Control Unit)电子控制单元，又称“行驶电脑”。从用途上讲是载运工具专用的微机控制器；另外，动力总成18，指的是车辆上产生动力，并将动力传递到路面的一系列零部件组件。广义上包括发动机，变速箱，驱动轴，差速器，离合器等等，是决定载运工具行驶状态的根本组件。
在本申请实施例中，该处理器11，可以为中央处理器(Central Processing Unit，CPU)，特定应用集成电路，数字信号处理器、现成可编程门阵列或者其他可编程逻辑器件等。该处理器可以调用存储器12中存储的程序。具体的，处理器可以执行以下自动驾驶状态切换方法的实施例中载运工具侧所执行的操作。
存储器12中用于存放一个或者一个以上程序，程序可以包括程序代码，程序代码包括计算机操作指令，在本申请实施例中，该存储器中至少存储有用于实现以下功能的程序：
获取驾驶特征，并判断驾驶特征是否符合预设风险特征；
如果所述驾驶特征符合所述预设风险特征，则获取人工驾驶风险值及自动驾驶风险值，并确定切换风险值；人工驾驶风险值为人工驾驶状态时的风险值，自动驾驶风险值为自动驾驶状态时的风险值，切换风险值为人工驾驶状态与自动驾驶状态进行切换时的风险值；
根据自动驾驶风险值与切换风险值计算切换风险总值；
判断切换风险总值是否小于人工驾驶风险值；
如果切换风险总值小于人工驾驶风险值，则将驾驶状态切换为自动驾驶状态。
在一种可能的实现方式中，该存储器12可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、以及至少一个功能(比如声音播放功能、图像播放功能等)所需的应用程序等；存储数据区可存储根据载运工具的程序执行过程中计算并创建的数据，比如，当前的驾驶特征、自动驾驶风险值以及切换风险值等等。
此外，存储器12也可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件或其他易失性固态存储器件。
该通信接口13可以为通信模块的接口，如GSM模块的接口。
本申请还可以包括输入单元14和显示器15等等。
当然，图1所示的载运工具的结构并不构成对本申请实施例中载运工具的限定，载运工具中还包括有产生载运动力的动力总成，由于本申请的方案并不涉及到对于载运工具动力方面的改进，因此与载运工具动力相关的部件仅以动力总成18概述，并没有详细呈现在图中，图1中仅关注的是载运工具中与数据传输以及处理相关的部件之间的电子结构。另外，在实际应用中载运工具可以包括比图1所示的更多或更少的通信以及运算部件，或者组合图1中的某些部件。
其中，图1中的载运工具10包括但不仅限于车辆，也包括船舶、飞机等一系列交通运输网络中的运输工具。
在本申请实施例中，载运工具10可以根据通信接口13利用网络接收外界其他设备发送的预设风险特征、人工驾驶风险值、自动驾驶风险值以及切换风险值；也可以通过自身的输入单元14(如键盘、触摸屏、语音输入设备等)获取预设风险特征、人工驾驶风险值、自动驾驶风险值以及切换风险值。
相应的，载运工具10中处理器11可以通过通信总线16从通信接口13或者输入单元14接收预设风险特征、人工驾驶风险值、自动驾驶风险值以及切换风险值，并调用存储器12中存储的程序对预设风险特征、人工驾驶风险值、自动驾驶风险值以及切换风险值进行处理，以此在判断驾驶特征符合预设风险特征时根据自动驾驶风险值与切换风险值计算切换风险总值，并进行切换风险总值与人工驾驶风险值之间的比较，进而在切换风险总值小于所述人工驾驶风险值时，通过ECU17将载运工具的驾驶状态切换为自动驾驶状态，并基于ECU17中预设的自动驾驶状态的驾驶逻辑控制动力总成18，以此实现取代驾驶者驾驶载运工具10的目的。
需要说明的是，对于载运工具10的驾驶状态可以由载运工具10中的处理器11根据载运工具10的具体行驶状态主动触发切换，也可以由载运工具10外部的控制信号被动触发切换。
在一种可能的情况中，载运工具10能够直接通过通信接口13传入驾驶状态切换指令，并通过处理器11对状态切换指令进行接收，并根据状态切换指令向ECU17发起相应的控制指令以控制ECU17进入自动驾驶状态或由自动驾驶状态切换为人工驾驶状态。
在又一种可能的情况中，载运工具10能够直接通过输入单元14传入驾驶状态切换指令，并通过处理器11对状态切换指令进行接收，并根据状态切换指令向ECU17发起相应的控制指令以控制ECU17进入自动驾驶状态或由自动驾驶状态切换为人工驾驶状态。例如，载运工具10通过通信接口13向云端服务器提供自身的驾驶特征、人工驾驶风险值、自动驾驶风险值以及切换风险值，进而由云端服务器进行相应运算并判定载运工具是否应进行自动驾驶状态的切换，进而当载运工具需要进行自动驾驶状态的切换时，通过通信接口13向载运工具10传入驾驶状态切换指令，以此控制载运工具10进行自动驾驶状态的切换。
可以理解的是，本申请实施例中载运工具10进行相应行驶动作的部件为动力总成18，因此不论人工驾驶状态还是自动驾驶状态，都需要通过对动力总成18进行控制实现对载运工具10的行驶状态控制。在一种可能的情况中，请参考图2。由图2可知，此种组成架构与前一种组成架构之间的区别主要体现在处理器11与动力总成18之间的信息交互机制的不同，基于图2所示的载运工具结构，当切换风险总值小于所述人工驾驶风险值时，处理器11直接与动力总成18进行交互，并基于存储器12中预存的自动驾驶状态的驾驶逻辑控制动力总成18，以此实现取代驾驶者驾驶载运工具10的目的。相较于图1所示的组成架构的工作机制而言，图2中的处理器11能够更加高效的控制动力总成18，进而提高载运工具10的切换至自动驾驶状态的整体效率。
结合以上共性，参见图3，其示出了本申请一种自动驾驶状态切换方法一个实施例的流程图，本实施例的方法可以包括：
S101、获取驾驶特征，并判断所述驾驶特征是否符合预设风险特征。
本实施例中，驾驶特征指的是载运工具当前的驾驶状态特征，驾驶特征可以包括载运工具的速度特征、加速度特征以及距离障碍物的距离特征或距离其它载运工具的距离特征等驾驶特征因素中的一项或多项。预设风险特征是载运工具处于驾驶风险趋势时所满足的特征，因此在获取到驾驶特征后将进一步判断驾驶特征是否符合预设风险特征，以此判定载运工具是否处于风险发展趋势。对于不同的驾驶特征而言，对应的预设风险特征也互不相同。
在一种具体的实施方式中，驾驶特征可以具体为载运工具距离行人的距离特征，在此情况下，判断驾驶特征是否符合预设风险特征，应具体为判断载运工具与行人之间的距离特征是否符合距离风险特征，距离风险特征即为载运工具与行人之间产生碰撞趋势时距离行人的距离阈值，进一步的，当载运工具与行人之间的距离特征符合距离风险特征时，则认为驾驶特征符合预设风险特征。
在另一种具体的实施方式中，驾驶特征可以具体为载运工具的速度特征，在此情况下，判断驾驶特征是否符合预设风险特征，应具体为判断载运工具的当前速度特征是否符合速度风险特征，速度风险特征即为载运工具处于较高驾驶风险时的速度阈值，进一步的，当前速度特征符合速度风险特征时，则认为驾驶特征符合预设风险特征。
在另一种具体的实施方式中，驾驶特征可以同时包括速度特征以及距离行人的距离特征，在此情况下，判断驾驶特征是否符合预设风险特征，应具体为同时判断载运工具与行人之间的距离特征是否符合距离风险特征，以及判断载运工具的当前速度特征是否符合速度风险特征，当载运工具与行人之间的距离特征符合距离风险特征，并且载运工具的当前速度特征符合速度风险特征时，则认为驾驶特征符合预设风险特征。
S102、如果所述驾驶特征符合所述预设风险特征，则获取人工驾驶风险值及自动驾驶风险值，并确定切换风险值。
所述人工驾驶风险值为人工驾驶状态时的风险值，所述自动驾驶风险值为自动驾驶状态时的风险值，所述切换风险值为所述人工驾驶状态与所述自动驾驶状态进行切换时的风险值。
需要说明的是，当驾驶特征符合预设风险特征时，则说明载运工具处于风险发展趋势，因此可以进一步判定是否能够通过人工驾驶状态向自动驾驶状态的切换操作而将载运工具的整体风险降为最低。
本实施例中获取的人工驾驶风险值指的是载运工具处于风险发展趋势时，继续由驾驶者驾驶载运工具的情况下产生风险的概率值；自动驾驶风险值是载运工具处于风险发展趋势时，以自动驾驶状态进行驾驶的情况下产生风险的概率值；切换风险值是载运工具进行自动驾驶状态与人工驾驶状态之间进行切换时发生异常的概率值。
由于考虑到载运工具由人工驾驶状态切换为自动驾驶状态需要一段执行过程，在切换的过程中可能会因载运工具内部数据错误或运算错误等原因出现驾驶状态无法正常切换的情况发生，驾驶状态的切换异常也会进一步增加载运工具的整体驾驶风险，因此本实施例将切换风险值也作为载运工具整体驾驶风险的考虑因素。
作为一种优选的实施方式，确定切换风险值的方式可以具体包括：获取切换成功率和切换时长，进而利用所述切换成功率及所述切换时长生成所述切换风险值。其中，所述切换成功率为所述人工驾驶状态与所述自动驾驶状态进行切换的成功率，所述切换时长为所述人工驾驶状态与所述自动驾驶状态进行切换的时长。可以理解的是，在载运工具处于风险趋势时，往往需要在短时间内进行相应的风险处理，而在由人工驾驶状态切换至自动驾驶状态的过程中，可能造成时间开销的因素通常包括切换失败时所消耗时长和切换时长，因此本实施方式根据切换成功率及切换时长生成切换风险值，能够进一步提高切换风险值的准确性。
更进一步的，在上述实施方式的基础上，作为一种优选的执行方式，获取切换成功率和切换时长可以具体为获取由所述人工驾驶状态切换至所述自动驾驶状态的成功率，以及由所述自动驾驶状态切换至所述人工驾驶状态的成功率；获取由所述人工驾驶状态切换至所述自动驾驶状态的切换时长，以及由所述自动驾驶状态切换至所述人工驾驶状态的切换时长。
需要说明的是，由于考虑到载运工具在切换至自动驾驶状态并解除驾驶风险后，往往还需要由自动驾驶状态切换为人工驾驶状态，载运工具整体的切换流程才结束，但是由自动驾驶状态切换为人工驾驶状态仍存在时间开销，并且在该时间开销中，载运工具仍可能再次产生风险趋势，因此需要进一步确保载运工具由自动驾驶状态切换为人工驾驶状态过程的整体可靠性以及整体时间开销，因此获取的切换成功率包括人工驾驶状态与自动驾驶状态之间双向切换对应的切换成功率，获取的切换时长包括人工驾驶状态与自动驾驶状态之间双向切换对应的切换时长。上述优选的实施方式能够进一步提高切换风险值的准确性。
S103、根据所述自动驾驶风险值与所述切换风险值计算切换风险总值。
本步骤是将自动驾驶风险值以及切换风险值共同作为载运工具切换至自动驾驶状态时影响整体驾驶风险的因素，进而根据自动驾驶风险值与切换风险值计算切换风险总值。
作为一种优选的实施方式，根据自动驾驶风险值与切换风险值计算切换风险总值的过程中，可以根据实际情况中对自动驾驶风险值以及切换风险值各自的参考比重对自动驾驶风险值以及切换风险值设置相应的权重系数，以此确保实际场景中切换风险总值的准确性。
例如，在实际场景下，在载运工具中的处理器以及存储器等与数据运算相关的部件所处的运行环境未达到额定的正常运行环境时，如部件的处于温度或湿度过高的工况时，对于切换风险值的影响更大，因此可以在计算切换风险总值时对切换风险值的设置较高的权重系数值。
例如，在实际场景下，在载运工具的行驶环境相对复杂时，如雨、雪、雾霾等恶劣天气时，自动驾驶状态相比于人工驾驶状态具有更高的操作执行性，更具可靠性，因此可以在计算切换风险总值时对自动驾驶风险值设置较低的权重系数值。
S104、判断所述切换风险总值是否小于所述人工驾驶风险值。
S105、如果所述切换风险总值小于所述人工驾驶风险值，则将驾驶状态切换为所述自动驾驶状态。
可以理解的是，由于载运工具将人工驾驶状态切换至自动驾驶状态的根本目的是使载运工具的发生风险的概率低于人工驾驶时发生风险的概率，因此在切换至自动驾驶状态之前，需要先判断换风险总值是否小于人工驾驶风险值，如果切换风险总值小于人工驾驶风险值，则将驾驶状态切换为自动驾驶状态，以此降低载运工具发生风险的概率。
本申请所提供的自动驾驶状态切换方法，首先获取载运工具的驾驶特征，当驾驶特征满足风险条件时，获取载运工具人工驾驶状态驾驶时的人工驾驶风险值以及自动驾驶状态驾驶时的自动驾驶风险值，并且获取人工驾驶状态与自动驾驶状态之间在切换过程中产生的切换风险值，进而根据自动驾驶风险值与切换风险值累计计算切换风险总值，最终当切换风险总值小于人工驾驶风险值时，将驾驶状态切换为自动驾驶状态。本方法将人工驾驶状态与自动驾驶状态之间的切换过程也作为载运工具驾驶风险的来源，进而将该切换过程中产生的切换风险值累计至载运工具整体的切换风险总值，并通过切换风险总值与人工驾驶风险值之间的比对，最终判定载运工具是否进行自动驾驶状态切换，实现了对于载运工具切换自动驾驶状态的时机判定，进而更大程度降低了载运工具的驾驶风险。
参见图4，其示出了本申请一种自动驾驶状态切换方法一个实施例的流程图，本实施例的方法可以包括：
S201、获取历史驾驶风险值。
所述历史驾驶风险值为历史时刻对应的驾驶风险值。
本步骤中获取的历史驾驶风险值指的是根据载运工具所处的整体行驶环境中的整体行驶特征而综合产生的风险值，表征的是载运工具在历史时刻中发生风险的概率值。
在一种可行的实施方式中，历史驾驶风险值可以进一步包括历史平均驾驶风险值，历史平均驾驶风险值指的是历史统计周期内载运工具的驾驶风险的均值。例如，历史统计周期的时长为10秒，对于历史统计周期中的每一秒均有相应的驾驶风险值，当前处于第11秒，则当前的历史驾驶风险值是历史统计周期10秒内各秒的驾驶风险值的整体均值。此种实施方式适合于历史统计周期内每一时刻的驾驶风险值变化幅度较小，即驾驶环境相对简单的场景。
在另一种可行的实施方式中，历史驾驶风险值可以进一步包括历史时刻驾驶风险值，历史时刻驾驶风险值指的是在历史统计周期中的目标历史时刻的驾驶风险值。例如，历史统计周期的时长为10秒，对于历史统计周期中的每一秒均有相应的驾驶风险值，当前处于第11秒，则当前的历史驾驶风险值可以是历史统计周期中第10秒中载运工具的驾驶风险值。此种实施方式适合于历史统计周期内每一时刻的驾驶风险值变化幅度较大，即驾驶环境相对复杂的场景。
S202、基于所述历史驾驶风险值确定当前驾驶风险值。
所述当前驾驶风险值为当前时刻对应的驾驶风险值。
需要说明的是，在本实施例中驾驶特征具体为当前驾驶风险值，即对自动驾驶状态的切换进行判定的载运工具在当前时刻的驾驶风险值。本实施例的重点在于当前驾驶风险值的生成需要基于历史驾驶风险值作为运算基础，也就是说，本实施例中将历史驾驶风险值作为影响当前驾驶风险值的因素。例如，当载运工具在历史统计周期中的历史驾驶风险值较高，则说明载运工具在所处的驾驶环境下再次产生较高驾驶风险值的概率也相对较大，因此在计算当前驾驶风险值时，将历史驾驶风险值作为当前驾驶风险值的生成因素，能够相对提高当前驾驶风险值的准确性。
S203、判断所述当前驾驶风险值是否符合预设驾驶风险特征，并判断所述当前驾驶风险值与所述历史驾驶风险值的差值是否符合预设风险差值特征。
所述预设驾驶风险特征为所述当前驾驶风险值大于所述历史驾驶风险值，所述预设风险差值特征为所述差值大于预设风险增长阈值。
需要说明的是，本实施例中，当前驾驶风险值与历史驾驶风险值的差值，表征的是载运工具在当前时刻与历史时刻之间的驾驶风险变化程度。本实施例中的驾驶特征具体包括当前驾驶风险值以及当前驾驶风险值与历史驾驶风险值的差值，因此判断驾驶特征是否符合预设风险特征，应具体是分别判断当前驾驶风险值是否符合预设驾驶风险特征，以及判断当前驾驶风险值与所述历史驾驶风险值的差值是否符合预设风险差值特征，当上述两个判断条件都满足时，才认为驾驶特征符合预设风险特征。
可以理解的是，在当前驾驶风险值符合预设驾驶风险特征时，说明当前驾驶风险值相比于历史驾驶风险值而言驾驶风险进一步增长；在当前驾驶风险值与所述历史驾驶风险值的差值符合预设风险差值特征时，则说明当前驾驶风险值相比于历史驾驶风险值而言驾驶风险的增长程度较高，因此，判断所述当前驾驶风险值是否符合预设驾驶风险特征，并判断所述当前驾驶风险值与所述历史驾驶风险值的差值是否符合预设风险差值特征的根本目的是确定载运工具的驾驶风险是否进一步增长且增长幅度较大，如果载运工具的驾驶风险是否进一步增长且增长幅度较大，则说明载运工具的驾驶风险进一步加剧，在此情况下，载运工具需要进一步判定是否需要通过切换自动驾驶状态规避风险。
S204、如果所述当前驾驶风险值符合所述预设驾驶风险特征，并且所述当前驾驶风险值与所述历史驾驶风险值的差值符合所述预设风险差值特征，则获取人工驾驶风险值及自动驾驶风险值，并确定切换风险值。
所述人工驾驶风险值为人工驾驶状态时的风险值，所述自动驾驶风险值为自动驾驶状态时的风险值，所述切换风险值为所述人工驾驶状态与所述自动驾驶状态进行切换时的风险值。
S205、根据所述自动驾驶风险值与所述切换风险值计算切换风险总值。
S206、判断所述切换风险总值是否小于所述人工驾驶风险值。
S207、如果所述切换风险总值小于所述人工驾驶风险值，则将驾驶状态切换为所述自动驾驶状态。
本实施例通过将载运工具的历史驾驶风险值以及历史驾驶风险值与当前驾驶风险值的差值共同作为判定载运工具是否处于驾驶风险趋势的依据，能够相对提高判定载运工具是否处于驾驶风险趋势的准确性。
参见图5，其示出了本申请一种自动驾驶状态切换方法一个实施例的流程图，本实施例的方法可以包括：
S301、获取历史驾驶风险值。
S302、获取当前时刻的风险采样值。
S303、执行所述风险采样值与所述历史驾驶风险值之间的加权计算，生成所述当前驾驶风险值。
所述当前驾驶风险值为当前时刻对应的驾驶风险值。
需要说明的是，本实施例中的当前驾驶风险值是由历史驾驶风险值与当前时刻的风险采样值进行加权计算生成的。风险采样值可以是载运工具在当前时刻根据工作状态和/或行驶环境状态生成的风险值，其中，工作状态可以包括载运工具的制动性能、转向性能以及加速性能等工作属性方面的状态，行驶环境状态包括行驶环境中的障碍物数量、障碍物出现的概率等，此处所指的障碍物包括但不限于除载运工具以外的其它载运工具、行人、路障等阻碍载运工具行驶的物体。
风险采样值与历史驾驶风险值通过加权计算的方式共同计算生成当前驾驶风险值，加权计算指的是分别以相应的运算比重累计风险采样值与历史驾驶风险值，对于风险采样值以及历史驾驶风险值各自对应的权重，应根据实际情况而定。例如，当载运工具所行驶的环境发生较大变化时，在生成当前驾驶风险值的过程中，对于历史驾驶风险值的参考比重则相对较低，因此历史驾驶风险值对应的权重较低，风险采样值对应的权重相对较高。
S304、判断所述当前驾驶风险值是否符合预设驾驶风险特征，并判断所述当前驾驶风险值与所述历史驾驶风险值的差值是否符合预设风险差值特征。
所述预设驾驶风险特征为所述当前驾驶风险值大于所述历史驾驶风险值，所述预设风险差值特征为所述差值大于预设风险增长阈值。
S305、如果所述当前驾驶风险值符合所述预设驾驶风险特征，并且所述当前驾驶风险值与所述历史驾驶风险值的差值符合所述预设风险差值特征，则获取人工驾驶风险值及自动驾驶风险值，并确定切换风险值。
所述人工驾驶风险值为人工驾驶状态时的风险值，所述自动驾驶风险值为自动驾驶状态时的风险值，所述切换风险值为所述人工驾驶状态与所述自动驾驶状态进行切换时的风险值。
S306、根据所述自动驾驶风险值与所述切换风险值计算切换风险总值。
S307、判断所述切换风险总值是否小于所述人工驾驶风险值。
S308、如果所述切换风险总值小于所述人工驾驶风险值，则将驾驶状态切换为所述自动驾驶状态。
本实施例基于，通过风险采样值与历史驾驶风险值之间的加权计算，生成当前驾驶风险值，相对确保了当前驾驶风险值生成过程的整体灵活性，能够根据实际场景采用相应的加权方式，进而提高了当前驾驶风险值的准确性。
参见图6，其示出了本申请一种自动驾驶状态切换方法一个实施例的流程图，本实施例的方法可以包括：
S401、获取驾驶特征，并判断所述驾驶特征是否符合预设风险特征。
S402、如果所述驾驶特征符合所述预设风险特征，则获取人工驾驶风险值及自动驾驶风险值，并确定切换风险值。
所述人工驾驶风险值为人工驾驶状态时的风险值，所述自动驾驶风险值为自动驾驶状态时的风险值，所述切换风险值为所述人工驾驶状态与所述自动驾驶状态进行切换时的风险值。
S403、根据所述自动驾驶风险值与所述切换风险值计算切换风险总值。
S404、判断所述切换风险总值是否小于所述人工驾驶风险值。
S405、如果所述切换风险总值小于所述人工驾驶风险值，则获取每个所述自动驾驶状态对应的所述自动驾驶风险值，并获取每个所述自动驾驶状态对应的所述切换风险值。
S406、根据每个所述自动驾驶状态对应的所述自动驾驶风险值以及所述切换风险值，计算每个所述自动驾驶状态的所述切换风险总值。
S407、从所有所述自动驾驶状态中选择所述切换风险总值最小的一个所述自动驾驶状态作为当前待切换的自动驾驶状态。
S408、将驾驶状态切换为所述自动驾驶状态。
需要说明的是，本实施例是针对于载运工具具有多级别的自动驾驶状态的相应技术方案，由于各个自动驾驶状态均有相应的自动驾驶风险值以及切换风险值，因此当切换风险总值小于人工驾驶风险值时，即载运工具需要通过切换至自动驾驶状态以规避风险时，需要进一步在各个级别的自动驾驶状态中选取相应的自动驾驶状态进行切换，因此要逐一分析载运工具切换至各个自动驾驶状态所对应的切换总风险值，即获取每个自动驾驶状态对应的自动驾驶风险值以及切换风险值，并计算每个所述自动驾驶状态的切换风险总值，进而在所有自动驾驶状态中选择切换风险总值最小的一个自动驾驶状态作为载运工具切换的自动驾驶状态进行切换。
本实施例确保在载运工具具有多个自动驾驶状态的情况时，能够相对准确的选取所切换的自动驾驶状态，进而更大程度降低了载运工具的驾驶风险。
下面通过一个具体的应用场景实例描述，来对载运工具自动驾驶状态切换过程进行说明，在本应用场景中，载运工具具体为车辆。
1)选取车辆驾驶风险估计误差限，记为b(用车辆事故发生概率衡量车辆驾驶风险。车辆驾驶风险估计误差是车辆驾驶风险估计值与真实值之间的差距。误差限是能够接受的最大差距，其选取视具体路况而定。以我们的车联网MEC平台为例，车辆驾驶风险估计值与真实值间的差距不能超过0.1，所以估计误差限被设置为0.1)；
2)选取车辆驾驶风险估计加权系数，记为w(w和1-w分别反映了上一时刻的车辆驾驶风险估计值与当前时刻的驾驶风险采样值在当前时刻的估计值中所占比重。加权系数的选取视具体路况而定。以我们的车联网MEC平台为例，上一时刻的车辆驾驶风险估计值与当前时刻的采样值在当前时刻的估计值中所占比重相同，所以估计加权系数被设置为0.5)；
3)在一个周期T内的某一估计时刻t,获取此时刻的车辆驾驶风险采样值，记为St，并根据公式(1)估算t时刻的车辆驾驶风险Et；
Et＝wEt-1+(1-w)St (1)
4)如果Et-Et-1<b与0<t<T同时成立，那么Et被认为是周期T内的车辆驾驶风险真值。如果Et-Et-1＞b2成立，记录此时刻为ts＝t，跳到步骤5)，否则，返回步骤3)；
5)依据车辆的自动驾驶状态个数进行选择：如果车辆只有一个自动驾驶状态，那么执行步骤5.1)，如果车辆有多个自动驾驶状态，那么执行步骤5.2)：
5.1)如果车辆只有一个自动驾驶状态，那么当不等式(2)成立时，车辆进入自动驾驶状态面临的驾驶风险最小。否则，不进入自动驾驶状态(即处于人工驾驶状态)面临的驾驶风险最小。其中，Cr,1是车辆由人工驾驶状态切换至自动驾驶状态带来的驾驶风险，C1,r是车辆由自动驾驶状态切换至人工驾驶状态带来的驾驶风险，Tr,1是车辆由人工驾驶状态切换至车辆自动驾驶状态的切换时间，T1,r是车辆由自动驾驶状态切换至人工驾驶状态的切换时间，Pr和P1分别是车辆人工驾驶状态和车辆自动驾驶状态的平均驾驶风险(此处的“平均”是对时间平均，下同)；
T–ts>max{(Cr,1+C1,r–P1Tr,1–P1T1,r)(Pr–P1)-1,Tr,1+T1,r} (2)
5.2)如果车辆有M(M>1)个自动驾驶状态，那么当不等式(3)、(4)和1<x<M都成立时，车辆进入第x级自动驾驶状态面临的驾驶风险最小。否则，如果x＝M且不等式(3)满足，那么车辆进入第M级自动驾驶状态面临的驾驶风险最小；如果上述不等式都不成立，那么车辆不进入任何自动驾驶状态面临的驾驶风险最小。其中，在M个自动驾驶状态中，平均驾驶风险按照由大到小的顺序排在第x位的状态被称为第x级自动驾驶状态。Cr,x是车辆由人工驾驶状态切换至第x级自动驾驶状态带来的驾驶风险，Cx,r是车辆由第x级自动驾驶状态切换至人工驾驶状态带来的驾驶风险，Tr,x是车辆由人工驾驶状态切换至第x级自动驾驶状态的切换时间，Tx,r是车辆由第x级自动驾驶状态切换至人工驾驶状态的切换时间，Pr和Px分别是车辆人工驾驶状态和第x级自动驾驶状态的平均驾驶风险。
T–ts>max{(Cr,x+Cx,r–PxTr,x–PxTx,r)(Pr–Px)-1,(Cr,x+Cx,r–Cr,x-1–Cx-1,r–PxTr,x–PxTx,r+Px-1Tr,x-1+Px-1Tx-1,r)(Px-1–Px)-1,Tr,x+Tx,r} (3)
T–ts<max{(Cr,x+1+Cx+1,r–Px+1Tr,x+1–PxTx+1,r)(Pr–Px+1)-1,(Cr,x+1+Cx+1,r–Cr,x–Cx,r–Px+ 1Tr,x+1–Px+1Tx+1,r+PxTr,x+PxTx,r)(Px–Px+1)-1,Tr,x+1+Tx+1,r} (4)
6)如果当前的车辆驾驶风险的估计周期结束，那么跳转到步骤1)。
另一方面，本申请还提供了一种自动驾驶状态切换装置。参见图7，其示出了一种自动驾驶状态切换装置一个实施例的组成结构示意图，该装置包括：
特征判断模块21，用于获取驾驶特征，并判断所述驾驶特征是否符合预设风险特征，如果所述驾驶特征符合所述预设风险特征，则调用风险值获取模块；
风险值获取模块22，用于当所述判断模块的判断结果为符合时，获取人工驾驶风险值及自动驾驶风险值，并确定切换风险值；所述人工驾驶风险值为人工驾驶状态时的风险值，所述自动驾驶风险值为自动驾驶状态时的风险值，所述切换风险值为所述人工驾驶状态与所述自动驾驶状态进行切换时的风险值；
风险总值计算模块23，用于根据所述自动驾驶风险值与所述切换风险值计算切换风险总值；
风险总值判断模块24，用于判断所述切换风险总值是否小于所述人工驾驶风险值，如果所述切换风险总值小于所述人工驾驶风险值，则调用状态切换模块；
状态切换模块25，用于当所述风险总值判断模块的判断结果为是时，将驾驶状态切换为所述自动驾驶状态。
可选的，所述特征判断模块21，包括：
历史风险值获取单元，用于获取历史驾驶风险值；所述历史驾驶风险值为历史时刻对应的驾驶风险值；
当前风险值计算单元，用于基于所述历史驾驶风险值确定当前驾驶风险值；所述当前驾驶风险值为当前时刻对应的驾驶风险值；
特征判断单元，用于判断所述当前驾驶风险值是否符合预设驾驶风险特征，并判断所述当前驾驶风险值与所述历史驾驶风险值的差值是否符合预设风险差值特征；所述预设驾驶风险特征为所述当前驾驶风险值大于所述历史驾驶风险值，所述预设风险差值特征为所述差值大于预设风险增长阈值。
可选的，所述当前风险值计算单元，包括：
采样值获取单元，用于获取当前时刻的风险采样值；
加权计算单元，用于执行所述风险采样值与所述历史驾驶风险值之间的加权计算，生成所述当前驾驶风险值。
可选的，所述风险值获取模块22，包括：
切换风险获取单元，用于获取切换成功率和切换时长；其中，所述切换成功率为所述人工驾驶状态与所述自动驾驶状态进行切换的成功率，所述切换时长为所述人工驾驶状态与所述自动驾驶状态进行切换的时长；
切换风险值计算单元，用于利用所述切换成功率及所述切换时长生成所述切换风险值。
可选的，所述切换风险获取单元，包括：
成功率获取单元，用于获取由所述人工驾驶状态切换至所述自动驾驶状态的成功率，以及由所述自动驾驶状态切换至所述人工驾驶状态的成功率；
时长获取单元，用于获取由所述人工驾驶状态切换至所述自动驾驶状态的切换时长，以及由所述自动驾驶状态切换至所述人工驾驶状态的切换时长。
可选的，所述装置还包括：
分级获取模块，用于获取每个所述自动驾驶状态对应的所述自动驾驶风险值，并获取每个所述自动驾驶状态对应的所述切换风险值；
分级风险计算模块，用于根据每个所述自动驾驶状态对应的所述自动驾驶风险值以及所述切换风险值，计算每个所述自动驾驶状态的所述切换风险总值；
选择模块，用于从所有所述自动驾驶状态中选择所述切换风险总值最小的一个所述自动驾驶状态作为当前待切换的自动驾驶状态。
另一方面，本申请还提供了一种电子设备，所述电子设备包括处理器和存储器；其中，所述存储器用于存储计算机程序。该电子设备中处理器和存储器之间的关系可以参考图1。
所述计算机程序由所述处理器加载并执行至少如下步骤：
获取驾驶特征，并判断所述驾驶特征是否符合预设风险特征；
如果所述驾驶特征符合所述预设风险特征，则获取人工驾驶风险值及自动驾驶风险值，并确定切换风险值；所述人工驾驶风险值为人工驾驶状态时的风险值，所述自动驾驶风险值为自动驾驶状态时的风险值，所述切换风险值为所述人工驾驶状态与所述自动驾驶状态进行切换时的风险值；
根据所述自动驾驶风险值与所述切换风险值计算切换风险总值；
判断所述切换风险总值是否小于所述人工驾驶风险值；
如果所述切换风险总值小于所述人工驾驶风险值，则将驾驶状态切换为所述自动驾驶状态。
当然，该电子设备还可以包含通信接口、显示单元以及输入装置等，具体在此不加以限制。
另一方面，本申请还提供了一种存储介质，该存储介质中存储有计算机程序，所述计算机程序被处理器加载并执行时，用于实现如上任意一个实施例中所描述的自动驾驶状态切换方法。
需要说明的是，说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，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。
Claims (9)
1.一种自动驾驶状态切换方法，其特征在于，包括：
获取驾驶特征，并判断所述驾驶特征是否符合预设风险特征；
如果所述驾驶特征符合所述预设风险特征，则获取人工驾驶风险值及自动驾驶风险值，并确定切换风险值；所述人工驾驶风险值为人工驾驶状态时的风险值，所述自动驾驶风险值为自动驾驶状态时的风险值，所述切换风险值为所述人工驾驶状态与所述自动驾驶状态进行切换时的风险值；
根据所述自动驾驶风险值与所述切换风险值计算切换风险总值；
判断所述切换风险总值是否小于所述人工驾驶风险值；
如果所述切换风险总值小于所述人工驾驶风险值，则将驾驶状态切换为所述自动驾驶状态；
其中，所述确定切换风险值包括：
获取切换成功率和切换时长，其中，所述切换成功率为所述人工驾驶状态与所述自动驾驶状态进行切换的成功率，所述切换时长为所述人工驾驶状态与所述自动驾驶状态进行切换的时长；
利用所述切换成功率及所述切换时长生成所述切换风险值。
2.根据权利要求1所述的自动驾驶状态切换方法，其特征在于，所述获取驾驶特征，并判断所述驾驶特征是否符合预设风险特征，包括：
获取历史驾驶风险值；所述历史驾驶风险值为历史时刻对应的驾驶风险值；
基于所述历史驾驶风险值确定当前驾驶风险值；所述当前驾驶风险值为当前时刻对应的驾驶风险值；
判断所述当前驾驶风险值是否符合预设驾驶风险特征，并判断所述当前驾驶风险值与所述历史驾驶风险值的差值是否符合预设风险差值特征；所述预设驾驶风险特征为所述当前驾驶风险值大于所述历史驾驶风险值，所述预设风险差值特征为所述差值大于预设风险增长阈值。
3.根据权利要求2所述的自动驾驶状态切换方法，其特征在于，所述基于所述历史驾驶风险值确定当前驾驶风险值，包括：
获取当前时刻的风险采样值；
执行所述风险采样值与所述历史驾驶风险值之间的加权计算，生成所述当前驾驶风险值。
4.根据权利要求2所述的自动驾驶状态切换方法，其特征在于，所述历史驾驶风险值包括历史平均驾驶风险值以及历史时刻驾驶风险值；所述历史平均驾驶风险值是历史统计周期中载运工具的驾驶风险的均值，所述历史时刻驾驶风险值是所述历史统计周期中目标历史时刻的驾驶风险值。
5.根据权利要求1所述的自动驾驶状态切换方法，其特征在于，所述获取切换成功率和切换时长，包括：
获取由所述人工驾驶状态切换至所述自动驾驶状态的成功率，以及由所述自动驾驶状态切换至所述人工驾驶状态的成功率；
获取由所述人工驾驶状态切换至所述自动驾驶状态的切换时长，以及由所述自动驾驶状态切换至所述人工驾驶状态的切换时长。
6.根据权利要求1至5任意一项所述的自动驾驶状态切换方法，其特征在于，所述将驾驶状态切换为所述自动驾驶状态之前，还包括：
获取每个所述自动驾驶状态对应的所述自动驾驶风险值，并获取每个所述自动驾驶状态对应的所述切换风险值；
根据每个所述自动驾驶状态对应的所述自动驾驶风险值以及所述切换风险值，计算每个所述自动驾驶状态的所述切换风险总值；
从所有所述自动驾驶状态中选择所述切换风险总值最小的一个所述自动驾驶状态作为当前待切换的自动驾驶状态。
7.一种自动驾驶状态切换装置，其特征在于，包括：
特征判断模块，用于获取驾驶特征，并判断所述驾驶特征是否符合预设风险特征，如果所述驾驶特征符合所述预设风险特征，则调用风险值获取模块；
风险值获取模块，用于当所述判断模块的判断结果为符合时，获取人工驾驶风险值及自动驾驶风险值，并确定切换风险值；所述人工驾驶风险值为人工驾驶状态时的风险值，所述自动驾驶风险值为自动驾驶状态时的风险值，所述切换风险值为所述人工驾驶状态与所述自动驾驶状态进行切换时的风险值；其中，所述确定切换风险值包括：获取切换成功率和切换时长，其中，所述切换成功率为所述人工驾驶状态与所述自动驾驶状态进行切换的成功率，所述切换时长为所述人工驾驶状态与所述自动驾驶状态进行切换的时长；利用所述切换成功率及所述切换时长生成所述切换风险值；
风险总值计算模块，用于根据所述自动驾驶风险值与所述切换风险值计算切换风险总值；
风险总值判断模块，用于判断所述切换风险总值是否小于所述人工驾驶风险值，如果所述切换风险总值小于所述人工驾驶风险值，则调用状态切换模块；
状态切换模块，用于当所述风险总值判断模块的判断结果为是时，将驾驶状态切换为所述自动驾驶状态。
8.一种电子设备，其特征在于，所述电子设备包括处理器和存储器；其中，所述存储器用于存储计算机程序，所述计算机程序由所述处理器加载并执行以实现如权利要求1至6任一项所述的自动驾驶状态切换方法。
9.一种存储介质，其特征在于，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如权利要求1至6任一项所述的自动驾驶状态切换方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910759952.4A CN110780663B (zh) | 2019-08-16 | 2019-08-16 | 一种自动驾驶状态切换方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910759952.4A CN110780663B (zh) | 2019-08-16 | 2019-08-16 | 一种自动驾驶状态切换方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110780663A CN110780663A (zh) | 2020-02-11 |
| CN110780663B true CN110780663B (zh) | 2023-04-14 |
Family
ID=69383301
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910759952.4A Active CN110780663B (zh) | 2019-08-16 | 2019-08-16 | 一种自动驾驶状态切换方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110780663B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111339851B (zh) * | 2020-02-14 | 2022-01-11 | 青岛智能产业技术研究院 | 一种基于场景熟悉度的无人车远程接管方法 |
| CN113720347A (zh) * | 2021-08-30 | 2021-11-30 | 广州小鹏汽车科技有限公司 | 车辆的控制方法、车辆的控制装置、服务器及存储介质 |
| CN113954844B (zh) * | 2021-10-15 | 2022-07-26 | 南通漫行信息科技有限公司 | 一种智能汽车人机驾驶模式切换系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017001597A (ja) * | 2015-06-15 | 2017-01-05 | トヨタ自動車株式会社 | 自動運転装置 |
| JP6451537B2 (ja) * | 2015-07-21 | 2019-01-16 | 株式会社デンソー | 運転支援制御装置 |
| JP6481670B2 (ja) * | 2016-09-12 | 2019-03-13 | トヨタ自動車株式会社 | 自動運転システム |
| CN108806018B (zh) * | 2017-04-28 | 2021-04-20 | 华为技术有限公司 | 一种数据处理方法、数据处理设备和智能汽车 |
| TWM563380U (zh) * | 2018-01-03 | 2018-07-11 | 大陸商上海蔚蘭動力科技有限公司 | 自動駕駛與主動駕駛的駕駛危險分類及預防系統 |
-
2019
- 2019-08-16 CN CN201910759952.4A patent/CN110780663B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110780663A (zh) | 2020-02-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110780663B (zh) | 一种自动驾驶状态切换方法、装置、设备及存储介质 | |
| CN109466554B (zh) | 自适应巡航加塞预防控制方法、系统、装置和存储介质 | |
| JP6913969B2 (ja) | 強化学習に基づいて協同走行で多重エージェントセンサフュージョンを遂行する方法及び装置 | |
| US11273838B2 (en) | Method and apparatus for determining vehicle speed | |
| CN108216184B (zh) | 混合动力车辆以及控制模式转变的方法 | |
| US20090037088A1 (en) | Running plan creating apparatus | |
| US20180037243A1 (en) | Train Automatic Stopping Control with Quantized Throttle and Braking | |
| JP7267874B2 (ja) | 交通流推定装置、交通流推定方法、およびプログラム | |
| US11654899B2 (en) | Method and apparatus for avoidance control of vehicle, electronic device and storage medium | |
| CN114750759A (zh) | 一种跟车目标确定方法、装置、设备及介质 | |
| CN114932901A (zh) | 一种自适应速度规划方法、装置和域控制器 | |
| US20220203971A1 (en) | Vehicle control method | |
| IL292906A (en) | A method for evaluating the coverage of the traffic scenario area | |
| CN114118276A (zh) | 一种网络训练的方法、控制方法以及装置 | |
| CN112947495B (zh) | 模型训练的方法、无人驾驶设备的控制方法以及装置 | |
| CN116653957A (zh) | 一种变速变道方法、装置、设备及存储介质 | |
| CN116560843A (zh) | 基于环境感知的智能汽车gpu资源优化方法及装置 | |
| CN114715195A (zh) | 一种车辆的停车控制方法、装置、存储介质及电子设备 | |
| CN110696807B (zh) | 堵车工况发动机停机控制方法、车辆及存储介质 | |
| CN114399107A (zh) | 一种交通状态感知信息的预测方法及系统 | |
| KR20230044532A (ko) | 차량 제어 방법 및 장치, 미디어, 설비, 프로그램 | |
| JP2021109591A (ja) | 車両制御装置 | |
| CN113805485B (zh) | 一种暖启动c/gmres方法、系统、设备及介质 | |
| US20230192101A1 (en) | Vehicle assistive system | |
| CN111752272B (zh) | 一种轨迹预测方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40022264 Country of ref document: HK |
|
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |