CN110794851B - 车辆远程控制安全防护方法、装置和无人驾驶车辆 - Google Patents

车辆远程控制安全防护方法、装置和无人驾驶车辆 Download PDF

Info

Publication number
CN110794851B
CN110794851B CN202010011107.1A CN202010011107A CN110794851B CN 110794851 B CN110794851 B CN 110794851B CN 202010011107 A CN202010011107 A CN 202010011107A CN 110794851 B CN110794851 B CN 110794851B
Authority
CN
China
Prior art keywords
information
current
vehicle
unmanned vehicle
acquiring
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
Application number
CN202010011107.1A
Other languages
English (en)
Other versions
CN110794851A (zh
Inventor
王东科
王劲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ciic Technology Co Ltd
Original Assignee
Ciic Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ciic Technology Co Ltd filed Critical Ciic Technology Co Ltd
Priority to CN202010011107.1A priority Critical patent/CN110794851B/zh
Publication of CN110794851A publication Critical patent/CN110794851A/zh
Application granted granted Critical
Publication of CN110794851B publication Critical patent/CN110794851B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas

Abstract

本申请实施例公开了一种车辆远程控制安全防护方法、装置和无人驾驶车辆，其中，本申请实施例可以获取来自远程控制端的控制指令，控制指令携带行驶状态控制信息；获取无人驾驶车辆在当前时刻的行驶状态信息；基于行驶状态信息、行驶状态控制信息和无人驾驶车辆的预设车辆参数信息，预测所述无人驾驶车辆的预测行驶路径信息；获取无人驾驶车辆在当前所处的外部驾驶环境中的风险区域信息；基于所述预测行驶路径信息和所述风险区域信息，对所述无人驾驶车辆的行驶进行安全风险判断，得到判断结果；基于判断结果，控制无人驾驶车辆行驶。从而可以确保无人驾驶车辆在远程控制时的行驶安全。

Description

车辆远程控制安全防护方法、装置和无人驾驶车辆
技术领域
本申请涉及智能汽车的技术领域，具体涉及一种车辆远程控制安全防护方法、装置和无人驾驶车辆。
背景技术
近年来，随着人工智能的发展，无人驾驶技术取得了较大的进步，无人驾驶车辆是智能无人驾驶车辆的一种，在国防和国民经济领域具有广阔的应用前景，无人驾驶车辆可以感知道路环境，并且根据道路环境自动规划路线并控制无人驾驶车辆到达预定目标。
无人驾驶车辆在道路上行驶时，当出现运行状态异常，可以自动切换到远程控制模式，由远程控制端来接管无人驾驶车辆，控制无人驾驶车辆运行。但是在远程控制过程中，由于网络延迟或者远程控制端发布的控制指令有误，可能会导致无人驾驶车辆驶入不可行区域或者与障碍物发生碰撞等情形，将会影响无人驾驶车辆的行驶安全。目前的智能汽车不能在无人驾驶车辆处于远程控制模式时，确保无人驾驶车辆行驶安全。
发明内容
有鉴于此，本申请实施例提供了一种车辆远程控制安全防护方法、装置、存储介质和无人驾驶车辆，可以确保无人驾驶车辆在远程控制时的行驶安全。
第一方面，本申请实施例提供了一种车辆远程控制安全防护方法，适用于无人驾驶车辆，包括：
获取来自远程控制端的控制指令，控制指令携带行驶状态控制信息；
获取无人驾驶车辆在当前时刻的当前行驶状态信息；
基于当前行驶状态信息、行驶状态控制信息和无人驾驶车辆的预设车辆参数信息，预测无人驾驶车辆的预测行驶路径信息；
获取无人驾驶车辆在当前所处的外部驾驶环境中的风险区域信息；
基于预测行驶路径信息和风险区域信息，对无人驾驶车辆的行驶进行安全风险判断，得到判断结果；
基于判断结果，控制无人驾驶车辆行驶。
在一些实施例中，车辆远程控制安全防护方法，还包括：
获取来自远程控制端的参考路径信息；
基于当前行驶状态信息、风险区域信息和参考路径信息，获取无人驾驶车辆受到的势场力信息；
基于判断结果，对无人驾驶车辆进行控制，包括：
基于判断结果和势场力信息，得到用于控制无人驾驶车辆行驶的控制路径信息；
基于控制路径信息，控制无人驾驶车辆行驶。
在一些实施例中，基于判断结果和势场力信息，得到用于控制无人驾驶车辆行驶的控制路径信息，包括：
若判断结果为存在安全风险，则基于势场力信息和当前行驶状态信息，规划出控制路径信息；
若判断结果为不存在安全风险，则基于势场力信息获取反馈信息；
向远程控制端发送反馈信息；
获取远程控制端基于反馈信息返回的参考路径信息，作为控制路径信息。
在一些实施例中，基于当前行驶状态信息、风险区域信息和参考路径信息，获取无人驾驶车辆受到的势场力信息，包括：
基于当前行驶状态信息和参考路径信息，获取目标参考位置；
基于目标参考位置与预设引力增益系数，获取无人驾驶车辆关于目标参考位置的引力信息；
基于风险区域信息、预设斥力增益系数和预设第一距离阈值，获取无人驾驶车辆关于风险区域的斥力信息；
基于引力信息和斥力信息，获取无人驾驶车辆关于所处位置的势场力信息。
在一些实施例中，基于当前行驶状态信息和参考路径信息，获取目标参考位置，包括：
基于当前行驶状态信息和参考路径信息，确定参考路径中与当前时刻对应的当前参考位置；
基于当前行驶状态信息和预设第二距离阈值，确定当前时刻的目标前向长度；
基于当前参考位置、目标前向长度和参考路径信息，获取局部参考路径信息；
基于局部参考路径信息与当前位置，确定局部参考路径中的目标参考位置。
在一些实施例中，基于当前行驶状态信息和参考路径信息，确定参考路径中与当前时刻对应的当前参考位置，包括：
基于当前行驶状态信息，确定无人驾驶车辆在当前时刻所处的当前位置；
根据当前位置和参考路径信息，获取参考路径中各参考位置与当前位置之间的参考距离；
根据参考距离，从参考路径信息中确定当前参考位置。
在一些实施例中，基于预测行驶路径信息和风险区域信息，对无人驾驶车辆的行驶进行安全风险判断，得到判断结果，包括：
基于预测行驶路径信息与风险区域信息，获取预测行驶路径与风险区域之间的最短距离；
基于最短距离和预设第三距离阈值，对无人驾驶车辆的行驶进行安全风险判断，得到判断结果。
在一些实施例中，基于势场力信息和当前行驶状态信息，规划出控制路径信息，包括：
基于当前行驶状态信息，获取无人驾驶车辆在当前位置的当前位置信息；
基于当前位置信息和势场力信息，获取无人驾驶车辆在当前时刻的受到的当前势场力；
基于当前势场力、当前位置信息与预设更新距离，获取无人驾驶车辆在当前位置的下一位置的位置信息；
若下一位置的位置信息不满足预设条件，则将下一位置更新为当前位置；
返回执行基于当前势场力、当前位置信息与预设更新距离，获取无人驾驶车辆在当前位置的下一位置的位置信息的步骤，直至下一位置的位置信息满足预设条件；
基于获取到的所有位置的位置信息，得到控制路径信息。
在一些实施例中，若下一位置的位置信息不满足预设条件，则将下一位置更新为当前位置，包括：
获取下一位置与预设目标位置之间的目标距离；
判断目标距离是否大于预设第四距离阈值；
若是，则确定下一位置的位置信息不满足预设条件；
将下一位置更新为当前位置。
在一实施例中，当前行驶状态信息包括当前速度信息，基于获取到的所有位置的位置信息，得到控制路径信息，包括：
根据位置信息和风险区域信息，获取对无人驾驶车辆的安全行驶具有威胁的目标风险区域；
根据目标风险区域、当前位置信息和当前速度信息，获取当前位置对应的当前减速指令；
根据当前减速指令和当前速度信息，获取所有位置的速度信息；
基于位置信息和速度信息，得到控制路径信息。
在一实施例中，根据目标风险区域、当前位置信息和当前速度信息，获取当前位置对应的当前减速指令，包括：
确定控制路径中与目标风险区域距离最近的相对位置；
获取相对位置与当前位置之间的相对路径长度；
根据相对路径长度、当前速度信息，获取当前位置对应的减速指令。
在一些实施例中，在基于当前行驶状态信息、行驶状态控制信息和无人驾驶车辆的预设车辆参数信息，预测无人驾驶车辆的预测行驶路径信息之前，还包括：
获取控制指令的传输延迟时间，以及无人驾驶车辆对控制指令的响应延迟时间；
基于传输延迟时间、响应延迟时间与预设时间步长，获取行驶状态信息的预测数量。
在一些实施例中，基于当前行驶状态信息、行驶状态控制信息和无人驾驶车辆的预设车辆参数信息，预测无人驾驶车辆的预测行驶路径信息，包括：
基于行驶状态控制信息和无人驾驶车辆的预设车辆参数信息，获取预测权重信息和预测偏置信息；
基于预测权重信息、预测偏置信息和当前行驶状态信息，获取当前时刻的下一时刻的行驶状态信息；
将下一时刻更新为当前时刻，返回执行基于预测权重信息和当前行驶状态信息，获取下一时刻对应的行驶状态信息的步骤，直至获取到预测数量的行驶状态信息；
将获取到的行驶状态信息按照时间顺序排列，得到预测行驶路径信息。
在一些实施例中，预测权重信息包括第一权重信息和第二权重信息，预测偏置信息包括第一偏置信息和第二偏置信息，行驶状态控制信息包括转向信息和加速度信息；
基于行驶状态控制信息和无人驾驶车辆的预设车辆参数信息，获取预测权重信息和预测偏置信息，包括：
根据预设时间步长，获取第一权重信息；
基于加速度信息和预设时间步长，获取第一偏置信息；
根据车辆参数信息和预设时间步长，获取第二权重信息；
基于转向信息、预设时间步长和车辆参数信息，获取第二偏置信息。
在一些实施例中，当前行驶状态信息包括当前行驶状态横向分量信息和当前行驶状态纵向分量信息；
基于预测权重信息、预测偏置信息和当前行驶状态信息，获取当前时刻的下一时刻的行驶状态信息，包括：
根据第一权重信息、第一偏置信息和当前行驶状态纵向分量信息，获取当前时刻的下一时刻的纵向分量信息；
根据第二权重信息、第二偏置信息和当前行驶状态横向分量信息，获取当前时刻的下一时刻的横向分量信息；
根据所述下一时刻的纵向分量信息和所述下一时刻的横向分量信息，得到所述下一时刻的行驶状态信息。
第二方面，本申请的实施例提供了一种无人驾驶车辆远程控制安全防护装置，包括：
第一获取单元，用于获取来自远程控制端的控制指令，控制指令携带行驶状态控制信息；
第二获取单元，用于获取无人驾驶车辆在当前时刻的当前行驶状态信息；
预测单元，用于基于当前行驶状态信息、行驶状态控制信息和无人驾驶车辆的预设车辆参数信息，预测无人驾驶车辆的预测行驶路径信息；
第三获取单元，用于获取无人驾驶车辆在当前所处的外部驾驶环境中的风险区域信息；
判断单元，用于基于预测行驶路径信息和风险区域信息，对无人驾驶车辆的行驶进行安全风险判断，得到判断结果；
控制单元，用于基于判断结果，控制无人驾驶车辆行驶。
第三方面，本申请的实施例提供的存储介质，其上存储有计算机程序，当计算机程序在计算机上运行时，使得计算机执行如本申请任一实施例提供的车辆远程控制安全防护方法。
第四方面，本申请的实施例还提供了一种无人驾驶车辆，包括车身，车身上设置有执行装置、感知装置和车载设备，执行装置和感知装置分别与车载设备通过总线相连，以使车载设备执行如本申请任一实施例提供的车辆远程控制安全防护方法中的步骤。
本申请实施例可以获取来自远程控制端的控制指令，控制指令携带行驶状态控制信息；获取无人驾驶车辆在当前时刻的行驶状态信息；基于行驶状态信息、行驶状态控制信息与无人驾驶车辆参数信息，预测无人驾驶车辆的预测行驶路径信息；获取无人驾驶车辆在当前所处的外部驾驶环境中的风险区域信息；基于预测行驶路径信息和风险区域信息，对无人驾驶车辆的行驶进行安全风险判断，得到判断结果；基于判断结果，控制无人驾驶车辆行驶。本发明实施例在远程控制状态时，还要实时预测行驶路径并获取风险区域信息，判断是否存在安全风险，并根据判断结果对车辆进行控制，避免发生因远程控制失效等情况导致的事故，从而可以确保无人驾驶车辆在远程控制时的行驶安全。
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车辆远程控制安全防护方法的应用场景示意图。
图2a是本申请实施例提供的车辆远程控制安全防护方法的一个流程示意图。
图2b是本申请实施例提供的车辆远程控制安全防护方法的另一个流程示意图。
图3a是本申请实施例提供的无人驾驶车辆远程控制安全防护装置的结构示意图。
图3b是本申请实施例提供的无人驾驶车辆远程控制安全防护装置的结构示意图。
图3c是本申请实施例提供的无人驾驶车辆远程控制安全防护装置的结构示意图。
图4是本申请实施例提供的车载设备的结构示意图。
图5是本申请实施例提供的无人驾驶车辆的结构示意图。
具体实施方式
下面将分组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，所描述的实施例仅仅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。
本发明实施例提供一种车辆远程控制安全防护方法、装置和无人驾驶车辆。
其中，本发明的车辆远程控制安全防护方法适用于无人驾驶车辆，其中，无人驾驶车辆是通过车载传感系统感知道路环境，自动规划行车路线并控制车辆到达预定目标的智能车辆。它是利用车载传感器来感知车辆周围环境，并根据感知所获得的道路、车辆位置和障碍物信息，控制车辆的转向和速度，从而使车辆能够安全、可靠地在道路上行驶。无人驾驶技术集自动控制、体系结构、人工智能、视觉计算等众多技术于一体，是计算机科学、模式识别和智能控制技术高度发展的产物。
其中，安全防护指的是在无人驾驶车辆处于远程控制状态时，通过实时获取预测路径信息，并获取外部驾驶环境中的风险区域信息，判断无人驾驶车辆是否存在安全风险，当存在安全风险时，可以及时接管无人驾驶车辆，以防止发生事故。
本发明的实施例提供了一种无人驾驶车辆远程控制安全防护系统，包括本发明实施例任一提供的无人驾驶车辆远程控制安全防护装置，该无人驾驶车辆远程控制安全防护装置具体可集成在计算机设备，比如车载设备中。
此外，该无人驾驶车辆远程控制安全防护系统还可以包括其他设备，比如传感器、摄像头等感知装置，刹车结构、动力电池等执行装置，还有服务器、其它车载设备等网络装置，其中，车载设备可以为：车载电脑、车载微型处理盒子等设备。其中，车载设备与执行装置、感知装置等装置可以通过总线或者网络连接。
车载设备可以获取来自远程控制端的控制指令，控制指令携带行驶状态控制信息；获取无人驾驶车辆在当前时刻的行驶状态信息；基于行驶状态信息、行驶状态控制信息与无人驾驶车辆参数信息，预测无人驾驶车辆的预测行驶路径信息；获取无人驾驶车辆在当前所处的外部驾驶环境中的风险区域信息；基于预测行驶路径信息和风险区域信息，对无人驾驶车辆的行驶进行安全风险判断，得到判断结果；基于判断结果，控制无人驾驶车辆行驶。本发明实施例在远程控制状态时，还要实时预测行驶路径并获取风险区域信息，判断是否存在安全风险，并根据判断结果对车辆进行控制，避免发生因远程控制失效等情况导致的事故，从而可以确保无人驾驶车辆在远程控制时的行驶安全。
上述图1的例子只是实现本发明实施例的一个系统架构实例，本发明实施例不限于上述图1所示的系统结构，基于该系统架构，提出本发明各个实施例。其中，如图1所示，为了方便表述，可以将车身长度方向记为纵向方向，将车身宽度方向记为横向方向。
以下分别进行详细说明。需说明的是，以下实施例的序号不作为对实施例优选顺序的限定。
如图2a所示，提供了一种车辆远程控制安全防护方法，该方法可以由车载设备的处理器执行，该车辆远程控制安全防护方法的具体流程可以如下：
101、获取来自远程控制端的控制指令，控制指令携带行驶状态控制信息。
其中，远程控制端是指通过网络与无人驾驶车辆相连的终端或者服务器等计算机设备。其中，网络中包括路由器、网关等网络实体。无人驾驶车辆可以通过网络实时获取来自远程控制端的控制指令。
其中，控制指令是由远程控制端发布的，用于控制无人驾驶车辆运行的指令。远程控制端通过控制指令，实现对无人驾驶车辆的远程控制。
其中，控制指令可以包括多种不同维度的控制指令，分别用于控制车辆不同维度 的状态。比如，控制指令可以包括当前时刻的纵向加速度指令
Figure 782467DEST_PATH_IMAGE001
，以及横向方向盘指令
Figure 699607DEST_PATH_IMAGE002
，分别用于控制车辆的加速程度，以及方向盘在横向方向上的转动角度。
其中，行驶状态控制信息是由远程控制端设定的，用于控制无人驾驶车辆从当前时刻到下一时刻行驶状态变化的信息，行驶控制信息可以包括转向信息、加速度信息等信息。其中，转向信息可以包括方向盘在横向方向上的转动角度。
在一实施例中，行驶状态控制信息可以由控制指令携带，通过网络发送到无人驾驶车辆的车载设备中。
其中，控制指令是远程控制端根据从无人驾驶车辆端获取到的信息，进行计算、分析和规划等处理得到的，由于信息传输、处理信息、指令传输、响应指令等环节需要时间，因此，根据上一时刻的信息获得的控制指令无法完全符合当前时刻的行驶状态，在正常情况下，这种时间差带来的影响较小，一般不会导致车辆行驶出现安全风险。但是但是当出现网络传输延迟、控制指令丢失、错误等情况时，将会导致车辆出现安全风险。
102、获取无人驾驶车辆在当前时刻的当前行驶状态信息。
其中，行驶状态信息是用于表示在行驶过程中，无人驾驶车辆在不同时刻的行驶状态的信息。行驶状态信息可以包括车辆所处的位置坐标、车辆的速度、车辆的航向角等信息。
其中，航向角是车辆的正前方向与描述车辆位置所在的坐标系横向正方向的夹角。
其中，方向盘横向角度为方向盘转动角度，用于控制车辆的行驶方向偏离纵向方向的程度。
其中，当前行驶状态信息是指车辆在当前时刻的行驶状态信息。
在一实施例中，可以通过车载感知装置获取实时获取行驶状态信息。
其中，车载感知装置是用于实时获取多种无人驾驶车辆状态信息的装置，车载感知装置可以通过总线或者网络等方式与车载设备连接。无人驾驶车辆感知装置可以包括定位器、车轮速计、各种传感器以及摄像头等。
103、基于当前行驶状态信息、行驶状态控制信息和无人驾驶车辆的预设车辆参数信息，预测无人驾驶车辆的预测行驶路径信息。
其中，预测行驶路径信息是用于表示根据车辆当前时刻的实际状态和控制指令， 在未来一段时间内（指
Figure 10503DEST_PATH_IMAGE003
）车辆的行驶状态及其发展变化情况的信息，预测行驶路 径信息为预测行驶路径中各时刻对应的行驶状态信息。可以包括各时刻对应的位置坐标， 以及各时刻对应的车辆速度等信息。
在一实施例中，在基于当前行驶状态信息、行驶状态控制信息和无人驾驶车辆的预设车辆参数信息，预测无人驾驶车辆的预测行驶路径信息之前，还包括如下步骤：
获取控制指令的传输延迟时间，以及无人驾驶车辆对控制指令的响应延迟时间；
基于传输延迟时间、响应延迟时间与预设时间步长，获取行驶状态信息的预测数量。
其中，传输延迟时间
Figure 405712DEST_PATH_IMAGE004
是指远程控制端通过网络发送到无人驾驶车辆的无 人驾驶车辆端时，由于网络传输产生的时间。
其中，响应延迟时间
Figure 220085DEST_PATH_IMAGE005
是指从无人驾驶车辆获取到控制指令时，到执行装置 （包括油门、方向盘、刹车等）响应控制指令，做出相应的动作之间的时间。
其中，预设时间步长（记为
Figure 822973DEST_PATH_IMAGE006
)是开发人员根据经验和实验预先确定的时间长 度，用于表示预测行驶路径信息中两个相邻时刻之间的时间间隔。
其中，预测数量为在预测行驶路径中预测位置的数量。
其中，车辆参数指的是用于表示无人驾驶车辆本身状态的参数，可以包括转动惯量，前、后轮转角刚度系数，前、后轮到重心的轴长，以及无人驾驶车辆质量等参数，车辆参数在车辆行驶过程中一般不会发生变化。在车辆空载的情况下，车辆参数是由车辆开发人员设计的，在车辆制造完成后即可确定。在车辆装载有乘客或者货物等时，可以根据开发人员预设的参数，以及装载质量来获取车辆参数。
在一实施例中，基于当前行驶状态信息、行驶状态控制信息和无人驾驶车辆的预设车辆参数信息，预测无人驾驶车辆的预测行驶路径信息，包括：
基于行驶状态控制信息和无人驾驶车辆的预设车辆参数信息，获取预测权重信息和预测偏置信息；
基于预测权重信息、预测偏置信息和当前行驶状态信息，获取当前时刻的下一时刻的行驶状态信息；
将下一时刻更新为当前时刻，返回执行基于预测权重信息和当前行驶状态信息，获取下一时刻对应的行驶状态信息的步骤，直至获取到预测数量的行驶状态信息；
将获取到的行驶状态信息按照时间顺序排列，得到预测行驶路径信息。
其中，预测权重信息是用于表示当前行驶状态信息对下一时刻的行驶状态信息的重要程度的信息。预测偏置信息是用于表示下一时刻的行驶状态信息与当前行驶状态信息的偏离程度的信息。
基于预测权重信息、预测偏置信息和当前行驶状态信息，获取当前时刻的下一时刻的行驶状态信息，可以理解为当前行驶状态乘以预测权重信息的结果，加上预测偏置信息为下一时刻的行驶状态信息。
经过上述步骤，最终可以较为准确地预测从当前时刻开始，
Figure 90006DEST_PATH_IMAGE007
时间段内 的行驶路径信息。
在一实施例中，预测权重信息包括第一权重信息和第二权重信息；行驶状态控制信息包括转向信息和加速度信息，预测偏置信息包括第一偏置信息和第二偏置信息；基于行驶状态控制信息和无人驾驶车辆的预设车辆参数信息，获取预测权重信息和预测偏置信息，可以包括如下步骤：
根据预设时间步长，获取第一权重信息；
基于加速度信息和预设时间步长，获取第一偏置信息；
根据车辆参数信息和预设时间步长，获取第二权重信息；
基于转向信息、预设时间步长和车辆参数信息，获取第二偏置信息。
其中，转向信息包括方向盘横向转动角度，加速度信息包括加速度。
在一实施例中，当前行驶状态信息包括当前行驶状态横向分量信息和当前行驶状态纵向分量信息；根据基于预测权重信息、预测偏置信息和当前行驶状态信息，获取当前时刻的下一时刻的行驶状态信息，包括：
根据第一权重信息、第一偏置信息和当前行驶状态纵向分量信息，获取当前时刻的下一时刻的纵向分量信息；
根据第二权重信息、第二偏置信息和当前行驶状态横向分量信息，获取当前时刻的下一时刻的横向分量信息；
根据所述下一时刻的纵向分量信息和所述下一时刻的横向分量信息，得到所述下一时刻的行驶状态信息。
其中，当前行驶状态纵向分量信息为车辆当前行驶状态信息的纵向分量，可以包括车辆在当前位置的纵向分速度，以及车辆当前位置的总坐标等信息。
其中，当前行驶状态横向分量信息为车辆当前行驶状态信息的横向分量，可以包括车辆在当前位置的横向分速度，以及车辆当前位置的总坐标等信息。
104、获取无人驾驶车辆在当前所处的外部驾驶环境中的风险区域信息。
其中，外部驾驶环境是无人驾驶车辆当前所处位置周围某范围内的外部环境。
在一实施例中，外部驾驶环境的形状和范围是开发人员根据监控需求和装置的感知、通信能力预先设定的，对于不同的传感器和摄像头，所能感知到的外部驾驶环境的形状和范围不同，外部驾驶环境的形状和范围并不是唯一的、确定的一个数值，而是与不同感知装置、通信装置对应的多个数值。
在本发明实施例中，除了利用车载传感器、摄像头等感知装置获取外部驾驶环境中的风险区域信息外，还可以通过V2X技术，扩大无人驾驶车辆的感知范围，辅助无人驾驶车辆全面地、准确地了解外部驾驶环境。车载设备中包括V2X无线通信模块，可以用于与其他无人驾驶车辆、基础设施等进行通信。
其中，外部驾驶环境可以包括可行驶区域和不可行驶区域。其中，不可行驶区域包括道路以外的区域、道路中交通标线分隔出来的禁止压越的区域。其中，可行驶区域包括道路可行使区域内的障碍物、行人、其他车辆等。风险区域包括不可行驶区域，以及可行驶区域内障碍物、行人、车辆等占据的区域。
其中，风险区域信息是指外部驾驶环境中可能造成安全风险的风险区域的信息，可以包括不可行驶区域的位置，以及可行驶区域内障碍物的位置等信息。
其中，V2X意为vehicle to everything，即车对外界的信息交换。V2X车联网，是基于无线通信技术（包括DSRC技术或者LTE-V技术），实现信息的交互。通过整合定位导航技术、车对车交流技术、无线通信及远程感应技术，实现V2V(Vehicle To Vehicle 车与车连接)，V2I(Vehicle To Infrastructure车与基础设施连接)，V2P(Vehicle To Pedestrian车与行人连接)，V2N(Vehicle To Network 车与网络连接)等实时高效的双向通信，可以有效解决传统车载传感器、摄像头获取风险区域信息时等存在的距离、角度等缺陷，从而扩大无人驾驶车辆的感知范围，从而避免发生碰撞等安全事故。
105、基于预测行驶路径信息和风险区域信息，对无人驾驶车辆的行驶进行安全风险判断，得到判断结果。
在一实施例中，基于预测行驶路径信息和风险区域信息，对无人驾驶车辆的行驶进行安全风险判断，得到判断结果，可以包括如下步骤：
基于预测行驶路径信息与风险区域信息，获取预测行驶路径与风险区域之间的最短距离；
基于最短距离和预设第三距离阈值，对无人驾驶车辆的行驶进行安全风险判断，得到判断结果。
其中，风险区域指的是会使车辆的行驶产生安全风险的区域，当车辆驶入风险区域时，车辆会发生危险。风险区域可以包括不可行驶区域，以及可行驶区域内障碍物、行人等所在的区域。
其中，预设第三距离阈值是开发人员根据车辆的反应能力（反应能力可以理解为执行控制指令的速度）等信息预先设定的数值，当最短距离小于预设第三距离阈值时，认为车辆的行驶具有安全风险。
在一个具体的实施例中，可以根据预测行驶路径信息中各预测位置的坐标，以及风险区域坐标，分别计算预测行驶路径中各预测位置与风险区域之间的距离，然后从中确定上述最短距离。
由上可知，本实施例通过当前时刻的行驶状态来预测预设时间步长内的行驶路径信息，并根据预测行驶路径信息来判断，无人驾驶车辆在预设时间步长内是否具有安全风险，比如与障碍物发生碰撞，或者驶入不可行区域。从而在远程控制的时候，可以实时监控车辆，避免车辆防止控制信息。
106、基于判断结果，控制无人驾驶车辆行驶。
在一实施例中，基于判断结果对无人驾驶车辆进行控制，还包括以下步骤：
获取来自远程控制端的参考路径信息；
基于当前行驶状态信息、风险区域信息和参考路径信息，获取无人驾驶车辆受到的势场力信息；
基于判断结果，对无人驾驶车辆进行控制，包括：
基于判断结果和势场力信息，得到用于控制无人驾驶车辆行驶的控制路径信息；
基于控制路径信息，控制无人驾驶车辆行驶。
其中，势场力是指无人驾驶车辆由于人工势场受到的虚拟的力，其中，人工势场的基本思想是将车辆在周围环境中的运动，设计为一种抽象的人造势场中的运动，在该引力场的作用下，无人驾驶车辆可以避开障碍物，到达目标点。其中人造势场中的目标点对车辆产生“引力”，障碍物对车辆产生“斥力”，共同控制无人驾驶车辆的移动。
其中，势场力信息是用于表示无人驾驶车辆受到的势场力与位置之间关系的信息。势场力信息可以表现为势场力关于位置坐标的函数。
其中，控制路径信息是指从当前时刻开始实际用于控制无人驾驶车辆行驶的信息。
在一实施例中，基于当前行驶状态信息、风险区域信息和参考路径信息，获取无人驾驶车辆受到的势场力信息，可以包括如下步骤：
基于当前行驶状态信息和参考路径信息，获取目标参考位置；
基于目标参考位置与预设引力增益系数，获取无人驾驶车辆关于目标参考位置的引力信息；
基于风险区域信息、预设斥力增益系数和预设第一距离阈值，获取无人驾驶车辆关于风险区域的斥力信息；
基于引力信息和斥力信息，获取无人驾驶车辆关于所处位置的势场力信息。
其中，局部参考路径信息是指，远程控制端发布的参考路径的局部，在当前时刻，可以较为准确地计算出局部参考路径中无人驾驶车辆受到的势场力。
其中，引力增益系数和斥力增益系数是开发人员预先设定的常数，适用于无人驾驶车辆的所有行驶环境。
其中，第一距离阈值是开发人员预先设定的斥力作用的最大距离。
其中，引力信息用于表示无人驾驶车辆受到目标参考位置产生的引力与位置之间的关系，可以表现为引力关于位置坐标的函数。
其中，斥力信息用于表示无人驾驶车辆受到风险区域产生的斥力与位置之间的关系，可以表现为斥力关于位置坐标的函数。
在一实施例中，基于当前行驶状态信息和参考路径信息，获取目标参考位置，可以包括如下步骤：
基于当前行驶状态信息和参考路径信息，确定参考路径中与当前时刻对应的当前参考位置；
当前行驶状态信息和预设第二距离阈值，确定用于获取势场力信息的目标前向长度；
基于当前参考位置、目标前向长度和参考路径信息，获取局部参考路径信息；
基于局部参考路径信息与当前位置，确定局部参考路径中的目标参考位置。
其中，当前参考位置是指参考路径中，与无人驾驶车辆在当前时刻实际所处的位置对应的位置。
其中，当前位置是无人驾驶车辆在当前时刻实际所处的位置。
在一实施例中，目标参考位置是当前时刻假设的，引力产生的位置，即认为目标参考位置对任意位置上的无人驾驶车辆产生引力。
其中，预设第二距离阈值是开发人员预先设定的，用于确定当前时刻计算势场力的位置范围条件，当目标前向长度在预设第二距离阈值范围内时，可以较为准确地得到势场力信息。
其中，目标前向长度是用于获取目标参考位置的信息。
在一实施例中，基于当前参考位置、目标前向长度和参考路径信息，获取局部参考路径信息，可以包括如下步骤：
依次计算参考路径上的各参考位置与当前参考位置的连线距离，并将当前连线距离累加起来，得到距离之和；
判断距离之和与前向距离长度之间的大小关系；
选取距离之和最大，且小于前向距离长度的参考位置作为目标参考位置。
在一实施例中，基于当前行驶状态信息和参考路径信息，确定参考路径中与当前时刻对应的当前参考位置，可以包括如下步骤：
基于当前行驶状态信息，确定无人驾驶车辆在当前时刻所处的当前位置；
根据当前位置和参考路径信息，获取参考路径中各参考位置与当前位置之间的参考距离；
根据参考距离，从参考路径信息中确定当前参考位置。
其中，参考距离为参考路径中各参考位置与当前位置之间的距离。
在一实施例中，参考路径信息包括各参考位置的坐标，可以根据坐标计算各参考位置与当前位置之间的距离。
在一实施例中，基于判断结果和势场力信息，得到用于控制无人驾驶车辆行驶的控制路径信息，包括以下步骤：
若判断结果为存在安全风险，则基于势场力信息和当前行驶状态信息，规划出控制路径信息；
若判断结果为不存在安全风险，则基于势场力信息获取反馈信息；
向远程控制端发送反馈信息；
获取远程控制端基于反馈信息返回的参考路径信息，作为控制路径信息。
其中，控制路径信息是从当前时刻开始，实际用于控制无人驾驶车辆行驶的信息。
其中，反馈信息涉及到反馈机制，根据远程控制端输出的参考路径信息，获取势场力信息，根据势场力信息获取反馈信息，反馈信息又作为远程控制端的输入信息，影响远程控制端对参考信息的规划。这种机制可以提高远程控制端规划参考信息的准确性。
当车辆的行驶存在安全风险时，车辆端可以及时接管车辆，当不存在安全风险时，远程控制端可以根据反馈信息，对下一个时刻的参考路径信息做出调整。因此，在远程控制的情况下，也可以及时规避风险。
在一实施例中，基于势场力信息和当前行驶状态信息，规划出控制路径信息，可以包括如下步骤：
基于当前行驶状态信息，获取无人驾驶车辆在当前位置的当前位置信息；
基于当前位置信息和势场力信息，获取无人驾驶车辆在当前时刻的受到的当前势场力；
基于当前势场力、当前位置信息与预设更新距离，获取无人驾驶车辆在当前位置的下一位置的位置信息；
若下一位置的位置信息不满足预设条件，则将下一位置的位置更新为当前位置；
返回执行基于当前势场力、当前位置信息与预设更新距离，获取无人驾驶车辆在当前位置的下一位置的位置信息的步骤，直至下一位置的位置信息满足预设条件；
基于获取到所有位置的位置信息，得到控制路径信息。
其中，预设更新距离是开发人员预先设定的，用于表示控制路径中当前时刻的位置与下一时刻的位置之间的距离间隔。
其中，将获取到的位置坐标按照获取顺序排列，可以得到控制路径。
在一实施例中，若下一位置的位置信息不满足预设条件，则将下一位置的位置更新为当前位置，可以包括如下步骤：
获取下一位置与预设目标位置之间的目标距离；
判断目标距离是否大于预设第四距离阈值；
若是，则确定下一位置的位置信息不满足预设条件；
将下一位置更新为当前位置。
其中，预设第四距离阈值为开发人员预先设定的，作为判断获取下一时刻位置信息的步骤是否可以结束的预设条件，当下一时刻的位置与预设目标位置之间的距离小于或者等于预设第四距离阈值时，获取到的信息，可以使无人驾驶车辆从当前位置行驶到预设目标位置。
其中，预设目标位置是预先设定的目的地的位置。
其中，目标距离为下一位置与预设目标位置之间的距离。
在一实施例中，当前行驶状态信息包括当前速度信息，基于获取到所有位置的位置信息，得到控制路径信息，具体可以包括如下步骤：
根据位置信息和风险区域信息，获取对无人驾驶车辆的安全行驶具有威胁的目标风险区域；
根据目标风险区域、当前位置信息和当前速度信息，获取当前位置对应的当前减速指令；
根据当前减速指令和当前速度信息，获取所有位置对应的速度信息；
基于位置信息和速度信息，得到控制路径信息。
其中，目标风险区域为当车辆沿着控制路径行驶时，对车辆的安全行驶具有威胁的风险区域。
其中，当前减速指令是指，为了能够躲避当前位置周围的目标风险区域，保障车辆安全行驶，对当前时刻施加的减速指令。当速度过高时，刹车、变速的难度较大，容易发生意外碰撞等事故。
在一实施例中，根据目标风险区域、当前位置信息和当前速度信息，获取所有位置对应的当前减速指令，包括：
确定控制路径中与目标风险区域距离最近的相对位置；
获取相对位置与当前位置之间的相对路径长度；
根据相对路径长度、当前速度信息，获取当前位置对应的减速指令。
其中，相对位置是控制路径中与目标风险区域距离最近的位置。
其中，相对路径长度长度是指控制路径中当前位置与相对位置之间的路径长度。
在一实施例中，若目标风险区域可以移动，在计算当前减速指令时，还需要结合目标风险区域的移动速度来获取当前减速指令。
具体的计算方法参见下面的实施例中步骤205的描述，此处不做赘述。
在一实施例中，若判断结果为不存在安全风险，基于势场力信息获取反馈信息，可以包括以下步骤：
基于预测行驶路径信息和势场力信息，获取无人驾驶车辆在预测路径中各预测位置上受到的预测势场力；
基于预测行驶路径信息，获取当前预测位置和下一预测位置的距离向量；
基于距离向量和预测势场力，获取无人驾驶车辆在各预测位置上受到的势场力横向分量和势场力纵向分量；
将横向分量和纵向分量作为反馈信息。
其中，本实施例中的势场力和距离向量都是具有大小和方向的物理量。
其中，势场力横向分量可以用来辅助远程控制端调整方向盘转向，势场力纵向分量可以用来辅助远程控制端调整速度。
在一实施例中，可以将距离向量和预测势场力的内积作为势场力横向分量，将距离向量和预测势场力的外积，作为势场力纵向分量。如果势场力横向分量大于0，说明要向左打方向盘，以规避风险区域，势场力小于0，说明要右打方向盘，以规避风险区域。势场力纵向分量大于0，说明要可以按照当前速度继续正常行驶，势场力纵向分量小于0，说明前方存在风险区域，需要减速。
由上可知，本发明实施例可以获取来自远程控制端的控制指令，控制指令携带行驶状态控制信息；获取无人驾驶车辆在当前时刻的行驶状态信息；基于当前行驶状态信息、行驶状态控制信息和无人驾驶车辆的预设车辆参数信息，预测无人驾驶车辆的预测行驶路径信息；获取无人驾驶车辆在当前所处的外部驾驶环境中的风险区域信息；基于预测行驶路径信息和风险区域信息，对无人驾驶车辆在预测间步长内的行驶进行安全风险判断，得到判断结果；基于判断结果，控制无人驾驶车辆行驶。本发明实施例在远程控制状态时，还要实时预测行驶路径并获取风险区域信息，判断是否存在安全风险，并根据判断结果对车辆进行控制，避免发生因远程控制失效等情况导致的事故，从而可以确保无人驾驶车辆在远程控制时的行驶安全。
根据上述实施例所描述的方法，以下将作进一步详细说明。
在本实施例中，将以车辆行驶安全监控装置集成在车载设备中，进行车辆行驶安全监控为例，参考图2b，对本发明实施例的方法进行详细说明，具体流程如下：
201、车载设备获取控制指令、当前行驶状态信息和风险区域信息，控制指令携带行驶状态控制信息。
在本实施例中，无人驾驶车辆中装载有多组传感器、摄像头、定位接收机、车轮速计等多种感知装置，从而在车辆行驶时，实时感知车辆行驶状态信息，以及车辆当前所处外部驾驶环境中的风险区域信息，这些感知装置可以通过CAN总线和/或USB与车载设备相连接，从而将感知到的信息，发送给车载设备。其中，风险区域包括不可行驶区域，以及可行驶区域内障碍物所在的区域。
其中，车载设备可以是安装在无人驾驶车辆上的车载电脑，车载电脑也叫ECU（Electronic Control Unit）电子控制单元，又称“行车电脑”等。从用途上讲则是汽车专用微机控制器。它和普通的电脑一样，由处理器、存储器（ROM、RAM）、输入/输出接口（I/O）、模数转换器（A/D）以及整形、驱动等大规模集成电路组成。用一句简单的话来形容就是“ECU就是汽车的大脑”。感知装置、执行装置都可以通过CAN总线和/或USB与车载设备的输入/输出接口（I/O）相连接。
在本实施例中，车载设备与远程控制端通过网络链接相连，从而车载设备可以通过网络接收远程控制端发送的控制指令。
在本实施例中，控制指令可以包括当前时刻的纵向加速度指令
Figure 820065DEST_PATH_IMAGE008
，以及横向 方向盘指令
Figure 488944DEST_PATH_IMAGE009
。
202、车载设备根据当前行驶状态信息和控制指令，获取在预设时间步长内的预测行驶路径信息。
在本实施例中，预测行驶路径信息包括预测行驶路径中各时刻的行驶状态信息，其中行驶状态信息包括位置坐标和速度。
在本实施例中，首先可以根据远程控制过程中的总延迟时间，确定行驶状态信息的数量。
首先，获取指令传输的传输延迟时间
Figure 13466DEST_PATH_IMAGE010
和指令执行的响应延迟时间
Figure 767795DEST_PATH_IMAGE011
，然后根据传输延迟时间
Figure 35966DEST_PATH_IMAGE012
和响应延迟时间
Figure 559351DEST_PATH_IMAGE013
，可以获取总延迟时间
Figure 989195DEST_PATH_IMAGE014
。
在一个具体的实施例中，可以用如下公式计算总延迟时间
Figure 512712DEST_PATH_IMAGE014
：
Figure 787835DEST_PATH_IMAGE015
其中，
Figure 962465DEST_PATH_IMAGE014
为总延迟时间，
Figure 297631DEST_PATH_IMAGE016
为传输延迟时间，
Figure 26552DEST_PATH_IMAGE017
为响应延迟时间。
根据总延迟时间，可以获取在预设时间步长内的行驶状态信息的数量，即在预测 时间步长内需要预测
Figure 636525DEST_PATH_IMAGE018
个时刻的行驶状态信息。
在一个具体的实施例中，可以用如下公式计算
Figure 134503DEST_PATH_IMAGE019
：
Figure 437308DEST_PATH_IMAGE020
其中，
Figure 387947DEST_PATH_IMAGE021
为预设时间步长内需要预测的数量，
Figure 270452DEST_PATH_IMAGE022
为总延迟时间，
Figure 403362DEST_PATH_IMAGE023
为预设 时间步长，
Figure 345910DEST_PATH_IMAGE024
表示取整操作，
Figure 315003DEST_PATH_IMAGE025
的整数部分，其中，不超过实数x的最大整数称 为x的整数部分。
在一个具体的实施例中，可以用下面的矩阵表示预测行驶路径中各时刻的位置坐标：
Figure 735620DEST_PATH_IMAGE026
其中，
Figure 208190DEST_PATH_IMAGE027
表示第k个时刻的位置纵坐标，
Figure 852798DEST_PATH_IMAGE028
表示第k个时刻的位置横坐标。其 中，T表示矩阵的转置运算。
在本实施例中，预测行驶路径信息是，预测行驶路径中各时刻的行驶状态信息的集合，其中，行驶状态信息包括纵向分量和横向分量。
在一个具体的实施例中，可以采用以下离散递推公式预测未来
Figure 778029DEST_PATH_IMAGE019
个时刻的行 驶状态信息的纵向分量：
Figure 533495DEST_PATH_IMAGE029
其中，
Figure 594992DEST_PATH_IMAGE030
表示第k+1个时刻的预测位置的行驶状态信息的纵向分量，
Figure 161234DEST_PATH_IMAGE031
表示第k个时刻的预测位置的行驶状态信息的纵向分量，
Figure 573760DEST_PATH_IMAGE032
表示第一权重信息，
Figure 601759DEST_PATH_IMAGE033
表示第一偏置信息。
其中，
Figure 314500DEST_PATH_IMAGE034
，其中，
Figure 504173DEST_PATH_IMAGE035
表示第k个时刻的位置纵坐标，
Figure 403996DEST_PATH_IMAGE036
为第k个时 刻的位置纵坐标的一阶导数，即
Figure 501265DEST_PATH_IMAGE037
为第k个时刻的速度的纵向分量。其中，T表示矩阵的转 置运算。
其中，
Figure 802933DEST_PATH_IMAGE038
可以采用如下公式获取：
Figure 694666DEST_PATH_IMAGE039
其中，
Figure 81785DEST_PATH_IMAGE040
可以采用如下公式获取：
Figure 451586DEST_PATH_IMAGE041
其中，
Figure 122608DEST_PATH_IMAGE042
为预设时间步长，
Figure 919663DEST_PATH_IMAGE043
，
Figure 59657DEST_PATH_IMAGE044
，
Figure 233150DEST_PATH_IMAGE045
，
Figure 243831DEST_PATH_IMAGE046
为 控制指令携带的当前时刻方向盘在横向方向上的加速度角度，I为2×2的单位矩阵。
在一个具体的实施例中，可以用以下离散递推公式预测未来
Figure 742945DEST_PATH_IMAGE047
个时刻的行驶状 态信息的横向分量：
Figure 839077DEST_PATH_IMAGE048
其中，
Figure 550681DEST_PATH_IMAGE049
表示第k+1个时刻的预测位置的行驶状态信息的横向分量，
Figure 947028DEST_PATH_IMAGE050
表示第k个时刻的预测位置的行驶状态信息的横向分量，
Figure 85885DEST_PATH_IMAGE051
表示第二权重信息，
Figure 669313DEST_PATH_IMAGE052
表示第 二偏置信息。
其中，
Figure 200920DEST_PATH_IMAGE053
，其中，
Figure 186193DEST_PATH_IMAGE054
表示第k个时刻的位置横坐标，
Figure 27110DEST_PATH_IMAGE055
为第k个时刻的位置横坐标的一阶导数，即
Figure 97834DEST_PATH_IMAGE055
为第k个时刻的速度的纵向分量，
Figure 151241DEST_PATH_IMAGE056
表示第 k个时刻的航向角，
Figure 522180DEST_PATH_IMAGE057
为第k个时刻的航向角的一阶导数，即
Figure 2839DEST_PATH_IMAGE058
为第k个时刻的角速度。其 中，T表示矩阵的转置运算。
其中，
Figure 295281DEST_PATH_IMAGE059
可以采用如下公式获取：
Figure 683537DEST_PATH_IMAGE060
其中，
Figure 377823DEST_PATH_IMAGE061
可以采用如下公式获取：
Figure 29384DEST_PATH_IMAGE062
其中，
Figure 866845DEST_PATH_IMAGE063
为预设时间步长，
Figure 262055DEST_PATH_IMAGE064
，
Figure 810848DEST_PATH_IMAGE065
为控制指令携带的当前时刻方 向盘在纵向方向上的转向，I为
Figure 430048DEST_PATH_IMAGE066
的单位矩阵。
其中，可以采用如下公式获取
Figure 697081DEST_PATH_IMAGE067
：
Figure 895981DEST_PATH_IMAGE068
其中，
Figure 830439DEST_PATH_IMAGE069
表示前轮转角刚度系数，
Figure 89382DEST_PATH_IMAGE070
表示后轮转角刚度系数，
Figure 843712DEST_PATH_IMAGE071
表示前轮到 重心的轴长，
Figure 111882DEST_PATH_IMAGE072
表示后轮到重心的轴长，
Figure 635267DEST_PATH_IMAGE073
表示无人驾驶车辆的质量，
Figure 65112DEST_PATH_IMAGE074
表示转动惯量，
Figure 323049DEST_PATH_IMAGE075
表示速度在纵向方向上的分量；
其中，可以采用如下公
Figure 863751DEST_PATH_IMAGE076
式获取
Figure 38381DEST_PATH_IMAGE077
：
Figure 373547DEST_PATH_IMAGE078
,
其中，
Figure 102469DEST_PATH_IMAGE079
表示前轮转角刚度系数，
Figure 712442DEST_PATH_IMAGE080
表示前轮到重心的轴长，
Figure 210419DEST_PATH_IMAGE073
表示无人驾 驶车辆的质量，
Figure 716487DEST_PATH_IMAGE081
表示转动惯量，
Figure 463863DEST_PATH_IMAGE082
表示矩阵的转置运算。
203、车载设备根据风险区域信息和当前行驶状态信息，获取无人驾驶车辆受到的势场力信息。
其中，势场力信息为势场力与位置的关系。
在一实施例中，可以根据参考路径信息和当前行驶状态信息获取势场力信息，得到的势场力信息是势场力与参考路径上各参考位置之间的关系。
首先可以根据参考路径信息和当前行驶状态信息获取当前时刻在参考位置上对应的目标参考位置，以及当前时刻用于计算势场力的目标前向长度。
其中，车载设备可以通过网络获取远程控制端规划的参考路径信息。
其中，车载设备可以通过位置坐标，来获取目标前向长度，并表示目标参考位置。
在一实施例中，可以用以下公式表示参考路径中第k个参考位置的坐标
Figure 346368DEST_PATH_IMAGE083
：
Figure 698852DEST_PATH_IMAGE084
，
Figure 421826DEST_PATH_IMAGE085
其中，
Figure 859761DEST_PATH_IMAGE086
表示第k个参考位置的横坐标，
Figure 280378DEST_PATH_IMAGE087
表示第k个参考位置的总 坐标，T表示矩阵转置运算，其中，
Figure 284106DEST_PATH_IMAGE088
为参考轨迹上的参考位置数量。
车载设备可以计算当前位置与参考路径中各参考位置之间的距离，选取距离最小的参考位置作为目标参考位置。
在一实施例中，可以采用如下公式计算当前位置与参考路径中各参考位置之间的 距离
Figure 131976DEST_PATH_IMAGE089
：
Figure 57207DEST_PATH_IMAGE090
，
其中，
Figure 812674DEST_PATH_IMAGE091
表示参考路径中第k个参考位置，
Figure 139750DEST_PATH_IMAGE092
表示无人驾驶车辆在当前 时刻所处的当前位置，
Figure 955259DEST_PATH_IMAGE093
表示计算向量的模。
将得到的
Figure 367786DEST_PATH_IMAGE094
进行大小比较，得到最小距离对应的参考位置
Figure 130205DEST_PATH_IMAGE095
，将
Figure 593679DEST_PATH_IMAGE096
作为参考轨迹上与当前位置对应的当前参考位置。
在一实施例中，可以根据目标参考位置和当前行驶状态信息，计算目标前向长度
Figure 48931DEST_PATH_IMAGE097
，具体可以采用如下公式：
Figure 948754DEST_PATH_IMAGE098
其中，
Figure 46023DEST_PATH_IMAGE099
表示无人驾驶车辆在当前时刻的速度。
其中，
Figure 82112DEST_PATH_IMAGE100
为比例系数，在一实施例中，比例系数可以根据如下条件 获取：
Figure 708265DEST_PATH_IMAGE101
其中，
Figure 626543DEST_PATH_IMAGE102
为开发人员预先设定的最小前向长度，
Figure 730765DEST_PATH_IMAGE103
为开发人员预先设定 的最大前向长度。
获取到目标前向长度
Figure 886940DEST_PATH_IMAGE104
后，可以根据目标前向长度和目标参考位置， 从参考路径中选取局部参考路径。
在一实施例中，可以采用如下公式，确定局部参考路径中第i个参考位置
Figure 215153DEST_PATH_IMAGE105
：
Figure 823989DEST_PATH_IMAGE106
车载设备可以根据上述累加公式，确定局部参考路径中与当前参考位置相距最远 的位置，作为目标参考位置
Figure 997481DEST_PATH_IMAGE107
。其中，此处的相距最远，是指沿局部参考路径的距离， 不是两个位置的连线距离。
当获取到目标参考位置后，车载设备可以根据目标参考位置获取势场力信息，其中，势场力信息包括引力信息和斥力信息。
在一实施例中，终端设备可以先建立局部参考路径中任意参考位置相对于目标参 考位置的引力势函数
Figure 788589DEST_PATH_IMAGE108
，然后对该引力势函数求导，得到引力函数
Figure 756545DEST_PATH_IMAGE109
，将引力函数 作为引力信息。
其中，可以采用如下公式，获取引力势函数
Figure 383835DEST_PATH_IMAGE108
：
Figure 829860DEST_PATH_IMAGE110
其中，P代表任意位置的坐标，T表示矩阵转置运算。
Figure 960627DEST_PATH_IMAGE111
表示引力增益系数。
对引力势函数
Figure 630643DEST_PATH_IMAGE112
进行求导后，得到的引力函数
Figure 214071DEST_PATH_IMAGE113
可以用如下公式表示：
Figure 463787DEST_PATH_IMAGE114
在一实施例中，终端设备可以先建立任意参考位置相对于第i个风险区域的斥力 势函数
Figure 980219DEST_PATH_IMAGE115
，然后对该斥力势函数求导，得到斥力函数
Figure 289977DEST_PATH_IMAGE116
，将斥力函数作为引力信 息。
其中，可以采用如下公式，获取任意参考位置相对于第i个风险区域的斥力势函数
Figure 360701DEST_PATH_IMAGE117
：
Figure 695999DEST_PATH_IMAGE118
其中，P代表任意位置的坐标。
Figure 535779DEST_PATH_IMAGE119
表示斥力增益系数，
Figure 16439DEST_PATH_IMAGE120
表示第i个风险 区域中距离P最近的点的位置坐标，
Figure 840038DEST_PATH_IMAGE121
表示斥力势函数作用的最大距离。
其中，P代表任意位置的坐标，T表示矩阵转置运算。
Figure 697136DEST_PATH_IMAGE122
表示引力增益系数。
对斥力势函数
Figure 391422DEST_PATH_IMAGE123
进行求导后，得到的斥力函数
Figure 574142DEST_PATH_IMAGE124
可以用如下公式表示：
Figure 619458DEST_PATH_IMAGE125
根据上述斥力函数，获取外部驾驶环境中所有风险区域与无人驾驶车辆的斥力函 数，将所有的斥力函数相加得到总斥力函数
Figure 545826DEST_PATH_IMAGE126
，公式如下：
Figure 94619DEST_PATH_IMAGE127
其中，nob为当前时刻外部驾驶环境中的风险区域总数量。
最后，可以将根据引力函数和斥力函数，得到势场力函数，作为当前时刻的势场力信息，公式如下：
Figure 182661DEST_PATH_IMAGE128
其中，引力和斥力都是矢量，上述公式中的加法运算是矢量的加法运算。
204、车载设备根据预测行驶路径信息与风险区域信息，判断无人驾驶车辆的行驶是否存在安全风险。
在本实施例中，可以采用PNpoly算法，判断按照预测行驶路径行驶，是否有驶入风险区域的风险，其中，驶入风险区域包括驶入不可行驶区域或者与障碍物发生碰撞。
205、若是，则根据当前行驶状态信息和势场力信息，规划出控制路径信息。
其中，控制路径信息包括规划出的位置坐标和各位置对应的速度。
在本实施例中，设定控制路径中的第1个位置为无人驾驶车辆当前时刻实际所处 的位置，用
Figure 230120DEST_PATH_IMAGE129
表示控制路径中第i个位置的坐标，那么
Figure 163441DEST_PATH_IMAGE130
，其中，
Figure 832320DEST_PATH_IMAGE131
表示当前 位置的坐标。
获取控制路径中的任意位置的坐标与第i个风险区域之间的最近点坐标
Figure 622421DEST_PATH_IMAGE132
。
将控制路径中的位置坐标，以及
Figure 111172DEST_PATH_IMAGE133
代入上一步骤中得到的势场力函数，可 以得到在控制路径中任意位置受到的势场力信息，记为
Figure 113763DEST_PATH_IMAGE134
。
首先，可以根据
Figure 168306DEST_PATH_IMAGE135
，获取无人驾驶车辆在当前位置受到的势场力
Figure 332571DEST_PATH_IMAGE136
。
可以用如下离散递推公式获取当前位置的下一位置的坐标
Figure 574197DEST_PATH_IMAGE137
：
Figure 646058DEST_PATH_IMAGE138
其中，
Figure 23950DEST_PATH_IMAGE139
是开发人员预先设定的，表示控制路径中相邻两个位置之间的距离。
重复执行上述步骤，直至下一位置与预设目标位置之间的距离直至满足预设条件，该条件判别公式可以为如下公式：
Figure 624695DEST_PATH_IMAGE140
其中，
Figure 369929DEST_PATH_IMAGE141
为预设目标位置的坐标，
Figure 714322DEST_PATH_IMAGE142
为开发人员预先设定的最小结束 距离。
当满足上述条件判别公式时，可以认为已经获取到了可以控制车辆正常行驶的控制路径信息。
将获取到的位置坐标按照获取顺序排列，得到控制路径。
在一实施例中，还需要根据控制路径，规划出控制路径中每个位置对应的速度，具体步骤如下：
第一步，从风险区域中选取对无人驾驶车辆的安全行驶具有威胁的目标风险区域，可以包括如下步骤：
根据控制路径上相邻两个位置
Figure 743458DEST_PATH_IMAGE143
和
Figure 249526DEST_PATH_IMAGE144
与第k个风险区域的几何中心坐标
Figure 465744DEST_PATH_IMAGE145
构成三角形，分别计算该三角形的两个内角
Figure 879407DEST_PATH_IMAGE146
和
Figure 231891DEST_PATH_IMAGE147
，具体可以采用如下公式进行计 算：
Figure 908860DEST_PATH_IMAGE148
Figure 877953DEST_PATH_IMAGE149
（1）当同时满足
Figure 564150DEST_PATH_IMAGE150
和
Figure 771140DEST_PATH_IMAGE151
时，计算风险区域与控制路径的最近 距离
Figure 665016DEST_PATH_IMAGE152
，根据最近距离
Figure 590246DEST_PATH_IMAGE153
，从风险区域中选取对无人驾驶车辆的 安全行驶具有威胁的目标风险区域。
当
Figure 814554DEST_PATH_IMAGE154
时，该风险区域对无人驾驶车辆的 安全行驶不具有威胁。
当
Figure 672789DEST_PATH_IMAGE155
时，该风险区域对无人驾驶车辆的安全 行驶具有威胁，将该风险区域作为目标风险区域。
（2）当
Figure 957140DEST_PATH_IMAGE156
和
Figure 635246DEST_PATH_IMAGE157
不同时满足时，该风险区域对无人驾驶车辆 的安全行驶不具有威胁。
其中，
Figure 928824DEST_PATH_IMAGE158
为无人驾驶车辆的宽度，
Figure 110406DEST_PATH_IMAGE159
为行车安全距离，
Figure 831238DEST_PATH_IMAGE160
为 风险区域的横向宽度。其中，行车安全距离是后方车辆为了避免驶入前方风险区域，或与前 方风险区域发生意外碰撞，而在行驶中与风险区域所保持的必要间隔距离。该行车安全距 离与行车速度有关。
第二步、确定控制路径中与各目标风险区域最近的各相对位置，其中，第i个目标 风险区域的对应的相对位置可以用
Figure 731061DEST_PATH_IMAGE161
来表示。
其中，获取相对位置与当前位置之间的相对路径长度，具体地，可以用如下公式计 算，第i个相对位置与无人驾驶车辆当前位置之间的相对路径长度
Figure 297171DEST_PATH_IMAGE162
：
Figure 615151DEST_PATH_IMAGE163
，
其中，
Figure 241305DEST_PATH_IMAGE164
表示当前位置坐标，
Figure 362844DEST_PATH_IMAGE165
表示相对位置坐标。
然后，可以按照大小顺序对
Figure 529383DEST_PATH_IMAGE166
进行排序，得到最小相对路径长度
Figure 685558DEST_PATH_IMAGE167
，
Figure 482613DEST_PATH_IMAGE167
对应着当前时刻对车辆行驶影响最大的目标风险区域。其中，可以将
Figure 357028DEST_PATH_IMAGE167
对应 的相对位置记为
Figure 264941DEST_PATH_IMAGE168
。
第三步，为避免驶入目标风险区域，可以根据相对路径长度、当前速度信息和风险区域移动速度来获取当前减速指令，具体地，可以用如下公式得到当前减速指令a：
Figure 275623DEST_PATH_IMAGE169
；
其中，
Figure 774737DEST_PATH_IMAGE170
为无人驾驶车辆在当前时刻的速度，
Figure 870869DEST_PATH_IMAGE171
为时距系数，
Figure 628478DEST_PATH_IMAGE172
为风险区 域的移动速度在纵向方向上的分量，
Figure 759245DEST_PATH_IMAGE173
为开发人员预先设定的安全距离，安全距 离是后方车辆为了避免驶入前方风险区域，或与前方风险区域发生意外碰撞，而在行驶中 与风险区域所保持的必要间隔距离。该安全距离与行车速度有关。
Figure 898103DEST_PATH_IMAGE174
与
Figure 481531DEST_PATH_IMAGE175
的数值可以相同，也可以不同。其中，当风险区域不可移动时，
Figure 996826DEST_PATH_IMAGE176
为0。
第四步，根据当前减速指令和当前速度信息，获取当前位置的速度信息，具体地可 以用如下公式计算控制路径上第i个位置对应的速度
Figure 982099DEST_PATH_IMAGE177
。
Figure 88596DEST_PATH_IMAGE178
；
其中，
Figure 893740DEST_PATH_IMAGE179
为当前车辆速度，a为当前减速指令，其中，
Figure 947147DEST_PATH_IMAGE180
是相对路径中第i个位置 的坐标。
Figure 52506DEST_PATH_IMAGE181
表示减速停止点，即控制路径中速度减至0的位置。
Figure 533166DEST_PATH_IMAGE182
表示
Figure 91187DEST_PATH_IMAGE183
是减速 停止点之前的位置。
Figure 964596DEST_PATH_IMAGE184
表示
Figure 924462DEST_PATH_IMAGE183
是减速停止点之后的位置。
当然，如果没有选取到目标风险区域，说明没有可以影响车辆安全行驶的安全行 驶，可以设置控制路径上每一点的速度
Figure 576023DEST_PATH_IMAGE185
。
206、若否，则根据势场力信息，获取反馈信息，将反馈信息发送给远程控制端。
在一实施例中，可以根据上述步骤中得到预测行驶路径信息中的预测位置坐标代入势场力函数中，得到无人驾驶车辆在预测行驶路径中各预测位置上受到的势场力，选取数值最大的势场力作为反馈信息，发送给远程控制端。
在另一实施例中，还可以根据位置坐标对数值最大的势场力进行计算，得到势场力横向分量和势场力纵向分量，并将势场力横向分量和势场力纵向分量作为反馈信息，发送给远程控制端。
获取势场力横向分量和势场力纵向分量(此处假设数值最大的势场力位于预测行驶路径中第k个时刻的位置），可以包括如下步骤：
（1）获取第k个时刻的位置与第k+1个时刻的位置之间的距离向量
Figure 152498DEST_PATH_IMAGE186
，具体 可以采用如下公式进行计算：
Figure 547707DEST_PATH_IMAGE187
其中，
Figure 627658DEST_PATH_IMAGE188
表示预测行驶路径中第k个时刻的位置与第k+1个时刻的位置之间 的距离向量，
Figure 450121DEST_PATH_IMAGE189
为预测行驶路径中第k个时刻的位置坐标，
Figure 717154DEST_PATH_IMAGE190
为预测行驶路 径中第k+1个时刻的位置坐标。
（2）获取数值最大的势场力与距离向量的内积，作为势场力纵向分量
Figure 447213DEST_PATH_IMAGE191
，具体 可以用如下公式进行计算：
Figure 116091DEST_PATH_IMAGE192
（3）获取数值最大的势场力与距离向量的外积，作为势场力横向分量
Figure 109455DEST_PATH_IMAGE193
，具体 可以用如下公式进行计算：
Figure 909790DEST_PATH_IMAGE194
此时车辆仍旧由远程控制端进行控制。势场力横向分量可以用来辅助远程控制端调整方向盘转向，势场力纵向分量可以用来辅助远程控制端调整速度。如果势场力横向分量大于0，说明要向左打方向盘，以规避风险区域，势场力小于0，说明要右打方向盘，以规避风险区域。势场力纵向分量大于0，说明要可以按照当前速度继续正常行驶，势场力纵向分量小于0，说明前方存在风险区域，需要减速。
由上可知，本发明实施例可以获取来自远程控制端的控制指令，控制指令携带行驶状态控制信息；获取无人驾驶车辆在当前时刻的行驶状态信息；基于当前行驶状态信息、行驶状态控制信息和无人驾驶车辆的预设车辆参数信息，预测无人驾驶车辆的预测行驶路径信息；获取无人驾驶车辆在当前所处的外部驾驶环境中的风险区域信息；基于预测行驶路径信息和风险区域信息，对无人驾驶车辆在预测间步长内的行驶进行安全风险判断，得到判断结果；基于判断结果，控制无人驾驶车辆行驶。本发明实施例在远程控制状态时，还要实时预测行驶路径并获取风险区域信息，判断是否存在安全风险，并根据判断结果对车辆进行控制，避免发生因远程控制失效等情况导致的事故，从而可以确保无人驾驶车辆在远程控制时的行驶安全。
在一实施例中，还提供了一种车辆行驶安全监控装置，该车辆行驶安全监控装置具体可以集成在车载设备中如虚拟物品发放车载设备，如图3a所示，该车辆行驶安全监控装置可以包括：第一获取单元301、第二获取单元302、预测单元303、第三获取单元304、判断单元305和控制单元306，具体如下：
（1）第一获取单元301，用于获取来自远程控制端的控制指令，控制指令携带行驶状态控制信息。
（2）第二获取单元302，用于获取无人驾驶车辆在当前时刻的当前行驶状态信息。
（3）预测单元303，用于基于当前行驶状态信息、行驶状态控制信息和无人驾驶车辆的预设车辆参数信息，预测无人驾驶车辆的预测行驶路径信息。
在一实施例中，在实施上述步骤之前，预测单元303还可以用于：
获取控制指令的传输延迟时间，以及无人驾驶车辆对控制指令的响应延迟时间；
基于传输延迟时间、响应延迟时间与预设时间步长，获取行驶状态信息的预测数量。
在一实施例中，参考图3b，预测单元303具体可以包括获取子单元3031、预测子单元3032、循环子单元3033和排序子单元3034，如下：
获取子单元3031，用于基于行驶状态控制信息和无人驾驶车辆的预设车辆参数信息，获取预测权重信息和预测偏置信息；
预测子单元3032，用于基于预测权重信息、预测偏置信息和当前行驶状态信息，获取当前时刻的下一时刻的行驶状态信息；
循环子单元3033，用于将下一时刻更新为当前时刻，返回执行基于预测权重信息和当前行驶状态信息，获取下一时刻对应的行驶状态信息的步骤，直至获取到预测数量的行驶状态信息；
排序子单元3034，用于将获取到的行驶状态信息按照时间顺序排列，得到预测行驶路径信息。
在一实施例中，预测权重信息包括第一权重信息和第二权重信息，预测偏置信息包括第一偏置信息和第二偏置信息，行驶状态控制信息包括转向信息和加速度信息，获取子单元3031具体可以用于：
基于行驶状态控制信息和无人驾驶车辆的预设车辆参数信息，获取预测权重信息和预测偏置信息，包括：
根据预设时间步长，获取第一权重信息；
基于加速度信息和预设时间步长，获取第一偏置信息；
根据车辆参数信息和预设时间步长，获取第二权重信息；
基于转向信息、预设时间步长和车辆参数信息，获取第二偏置信息。
在一实施例中，当前行驶状态信息包括当前行驶状态横向分量信息和当前行驶状态纵向分量信息，预测子单元3032具体可以用于：
根据第一权重信息、第一偏置信息和当前行驶状态纵向分量信息，获取当前时刻的下一时刻的纵向分量信息；
根据第二权重信息、第二偏置信息和当前行驶状态横向分量信息，获取当前时刻的下一时刻的横向分量信息；
根据所述下一时刻的纵向分量信息和所述下一时刻的横向分量信息，得到所述下一时刻的行驶状态信息。
（4）第三获取单元304，用于获取无人驾驶车辆在当前所处的外部驾驶环境中的风险区域信息。
（5）判断单元305，用于基于预测行驶路径信息和风险区域信息，对无人驾驶车辆的行驶进行安全风险判断，得到判断结果。
参考图3c，在一实施例中，无人驾驶车辆远程控制安全防护装置话包括势场力信息获取单元307，用于获取来自远程控制端的参考路径信息；基于当前行驶状态信息、风险区域信息和参考路径信息，获取无人驾驶车辆受到的势场力信息。
在一实施例中，判断单元305具体可以用于：
基于判断结果和势场力信息，得到用于控制无人驾驶车辆行驶的控制路径信息；
基于控制路径信息，控制无人驾驶车辆行驶。
（6）控制单元306，用于基于判断结果，控制无人驾驶车辆行驶。
在一实施例中，控制单元306具体可以包括规划子单元、反馈获取子单元、反馈发送子单元和路径获取子单元：
规划子单元，用于若判断结果为存在安全风险，则基于势场力信息和当前行驶状态信息，规划出控制路径信息；
反馈获取子单元，用于若判断结果为不存在安全风险，则基于势场力信息获取反馈信息；
反馈发送子单元，用于向远程控制端发送反馈信息；
路径获取子单元，用于获取远程控制端基于反馈信息返回的参考路径信息，作为控制路径信息。
在一实施例中，规划子单元具体可以用于：
基于当前行驶状态信息，获取无人驾驶车辆在当前位置的当前位置信息；
基于当前位置信息和势场力信息，获取无人驾驶车辆在当前时刻的受到的当前势场力；
基于当前势场力、当前位置信息与预设更新距离，获取无人驾驶车辆在当前位置的下一位置的位置信息；
获取下一位置与预设目标位置之间的目标距离；
判断目标距离是否大于预设第四距离阈值；
若是，则确定下一位置的位置信息不满足预设条件；
将下一位置更新为当前位置；
返回执行基于当前势场力、当前位置信息与预设更新距离，获取无人驾驶车辆在当前位置的下一位置的位置信息的步骤，直至下一位置的位置信息满足预设条件；
基于获取到的所有位置的位置信息，得到控制路径信息。
参考图3c，在一实施例中，无人驾驶车辆远程控制安全防护装置话包括势场力信息获取单元307，用于获取来自远程控制端的参考路径信息；基于当前行驶状态信息、风险区域信息和参考路径信息，获取无人驾驶车辆受到的势场力信息。
在一实施例中，势场力获取单元307，具体可以包括目标获取子单元3071、引力信息获取子单元3072、斥力信息获取子单元3073和势场力信息获取子单元3074：
目标获取子单元3071，用于基于当前行驶状态信息和参考路径信息，获取目标参考位置；
引力信息获取子单元3072，用于基于目标参考位置与预设引力增益系数，获取无人驾驶车辆关于目标参考位置的引力信息；
斥力信息获取子单元3073，用于基于风险区域信息、预设斥力增益系数和预设第一距离阈值，获取无人驾驶车辆关于风险区域的斥力信息；
势场力信息获取子单元3074，用于基于引力信息和斥力信息，获取无人驾驶车辆关于所处位置的势场力信息。
在一实施例中，目标获取子单元3071，具体可以用于：
基于当前行驶状态信息，确定无人驾驶车辆在当前时刻所处的当前位置；
根据当前位置和参考路径信息，获取参考路径中各参考位置与当前位置之间的参考距离；
根据参考距离，从参考路径信息中确定当前参考位置；
基于当前行驶状态信息和预设第二距离阈值，确定当前时刻的目标前向长度；
基于当前参考位置、目标前向长度和参考路径信息，获取局部参考路径信息；
基于局部参考路径信息与当前位置，确定局部参考路径中的目标参考位置。
具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。
由上可知，本发明实施例可以由第一获取单元获取来自远程控制端的控制指令，控制指令携带行驶状态控制信息；由第二获取单元获取无人驾驶车辆在当前时刻的当前行驶状态信息；由预测单元基于当前行驶状态信息、行驶状态控制信息和无人驾驶车辆的预设车辆参数信息，预测无人驾驶车辆的预测行驶路径信息；由第三获取单元获取无人驾驶车辆在当前所处的外部驾驶环境中的风险区域信息；由判断单元基于预测行驶路径信息和风险区域信息，对无人驾驶车辆的行驶进行安全风险判断，得到判断结果；由控制单元基于判断结果，控制无人驾驶车辆行驶。本发明实施例在远程控制状态时，还要实时预测行驶路径并获取风险区域信息，判断是否存在安全风险，并根据判断结果对车辆进行控制，避免发生因远程控制失效等情况导致的事故，从而可以确保无人驾驶车辆在远程控制时的行驶安全。
本申请实施例还提供一种车载设备，该车载设备可以是车载电脑、车载微型处理盒子等等。如图4所示，其示出了本申请实施例所涉及的车载设备的结构示意图，具体来讲：
该车载设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403、输入模块404以及通信模块405等部件。本领域技术人员可以理解，图4中示出的车载设备结构并不构成对车载设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器401是该车载设备的控制中心，利用各种接口和线路连接整个车载设备的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行车载设备的各种功能和处理数据，从而对车载设备进行整体监控。在一些实施例中，处理器401可包括一个或多个处理核心；在一些实施例中，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器402可主要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、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据车载设备的使用所创建的数据等。此外，存储器402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、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器403的访问。
车载设备还包括给各个部件供电的电源403，在一些实施例中，电源403可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该车载设备还可包括输入模块403，该输入模块403可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
该车载设备还可包括通信模块405，在一些实施例中，通信模块405可以包括无线子模块，车载设备可以通过该通信模块405的无线子模块进行短距离无线传输，从而提供无线的宽带互联网访问。比如，该通信模块405可以用于帮助用户收发电子邮件、浏览网页和访问流式媒体等。
尽管未示出，车载设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，车载设备中的处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现各种功能，如下：
获取来自远程控制端的控制指令，控制指令携带行驶状态控制信息；
获取无人驾驶车辆在当前时刻的当前行驶状态信息；
基于当前行驶状态信息、行驶状态控制信息和无人驾驶车辆的预设车辆参数信息，预测无人驾驶车辆的预测行驶路径信息；
获取无人驾驶车辆在当前所处的外部驾驶环境中的风险区域信息；
基于预测行驶路径信息和风险区域信息，对无人驾驶车辆的行驶进行安全风险判断，得到判断结果；
基于判断结果，控制无人驾驶车辆行驶。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
由上可知，本申请实施例可以在无人驾驶车辆行驶时，获取当前无人驾驶车辆本身的内部状态信息；基于内部状态信息，判定无人驾驶车辆的内部状态异常等级；获取无人驾驶车辆当前所处的外部驾驶环境中的风险区域信息；根据风险区域信息，判定无人驾驶车辆当前的外部状态异常等级；根据内部状态异常等级和外部状态异常等级，对无人驾驶车辆进行控制。本发明通过同时监测车辆外部驾驶环境和车辆内部状态，可以准确地判断车辆目前是否处于异常状态，通过判定异常类型（即内部异常或者外部异常）和异常等级，对无人驾驶车辆进行相应的控制。从而可以提高无人驾驶车辆行驶的安全性。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于计算机可读存储介质中，并由处理器进行加载和执行。
为此，本申请实施例提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请实施例所提供的任一种车辆行驶安全监控方法中的步骤。例如，该指令可以执行如下步骤：
获取来自远程控制端的控制指令，控制指令携带行驶状态控制信息；
获取无人驾驶车辆在当前时刻的当前行驶状态信息；
基于当前行驶状态信息、行驶状态控制信息和无人驾驶车辆的预设车辆参数信息，预测无人驾驶车辆的预测行驶路径信息；
获取无人驾驶车辆在当前所处的外部驾驶环境中的风险区域信息；
基于预测行驶路径信息和风险区域信息，对无人驾驶车辆的行驶进行安全风险判断，得到判断结果；
基于判断结果，控制无人驾驶车辆行驶。
其中，该存储介质可以包括：只读存储器（ROM，Read Only Memory）、随机存取记忆体（RAM，Random Access Memory）、磁盘或光盘等。
由于该存储介质中所存储的指令，可以执行本申请实施例所提供的任一种车辆行驶安全监控方法中的步骤，因此，可以实现本申请实施例所提供的任一种车辆行驶安全监控方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
本发明实施例还提供一种无人驾驶车辆，如图5所示，其示出了本发明实施例所涉及的无人驾驶车辆的结构示意图，具体来讲：
该无人驾驶车辆可以包括车身501、感知装置502、执行装置503和车载设备504，本领域技术人员可以理解，图5中示出的电子设备结构并不构成对无人驾驶车辆的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
车身501是无人驾驶车辆的车身结构，可以包括车架、车门、车身和内部的座椅等硬件结构。
感知装置502是无人驾驶车辆的感知结构，用于感知无人驾驶车辆的内部状态信息，以及外部驾驶环境中的风险区域信息。具体可以包括车轮速计、定位计、胎压计、传感器、摄像头等设备。
执行装置503是无人驾驶车辆用于执行行驶功能的结构，执行装置可以包括发动机、动力电池、变速箱、传动结构、油门等动力设备，还可以包括显示屏、音响等展示设备，还可以包括方向盘等加速度设备，以及轮胎等设备。
车载设备504是无人驾驶车辆的“大脑”，集成有用于控制车辆速度、方向、转向加速度等的车辆运行参数的控制装置、用于分析感知装置感知到的信息的信息获取装置、用于规划车辆行驶路线的规划装置，本发明的无人驾驶车辆远程控制安全防护装置等。
其中，车载设备上设置通信模块，无人驾驶车辆可以通过通信模块与远程控制端相连，从而接收远程控制端发布的控制指令，其中，执行装置、感知装置和车载设备都装载在车身上，车载设备与执行装置和感知装置通过总线相连，以使车载设备可以获取风险区域信息，并执行控制指令，因此，可以实现本申请实施例所提供的任一种车辆远程控制安全防护方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
由上可知，本发明实施例在远程控制状态时，车载设备还要通过感知装置实时获取风险区域信息和当前行驶状态信息，并根据到的信息预测行驶路径，然后判断是否存在安全风险，并根据判断结果得到用于控制执行装置的信息，从而对车辆进行控制，避免发生因远程控制失效等情况导致的事故，从而可以确保无人驾驶车辆在远程控制时的行驶安全。
以上对本申请实施例所提供的一种车辆行驶安全监控方法、装置、车载设备、存储介质以及无人驾驶车辆进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本申请的限制。

Claims (14)

1.一种车辆远程控制安全防护方法，其特征在于，适用于无人驾驶车辆，包括：
获取来自远程控制端的控制指令和参考路径信息，所述控制指令携带行驶状态控制信息；
获取所述无人驾驶车辆在当前时刻的当前行驶状态信息；
基于所述当前行驶状态信息、所述行驶状态控制信息和所述无人驾驶车辆的预设车辆参数信息，预测所述无人驾驶车辆的预测行驶路径信息；
获取所述无人驾驶车辆在当前所处的外部驾驶环境中的风险区域信息，其中，风险区域包括不可行驶区域，以及可行驶区域内障碍物以及行人车辆占据的区域；
基于所述预测行驶路径信息和所述风险区域信息，对所述无人驾驶车辆的行驶进行安全风险判断，得到判断结果；
根据所述当前行驶状态信息、所述风险区域信息和所述参考路径信息，获取所述无人驾驶车辆受到的势场力信息；
若所述判断结果为存在安全风险，则所述无人驾驶车辆基于所述势场力信息和所述当前行驶状态信息，规划出用于控制无人驾驶车辆行驶的控制路径信息，并基于所述控制路径信息控制所述车辆行驶；
若所述判断结果为不存在安全风险，则基于所述势场力信息获取反馈信息；向所述远程控制端发送所述反馈信息；获取所述远程控制端基于所述反馈信息返回的参考路径信息，作为用于控制无人驾驶车辆行驶的控制路径信息，并基于所述控制路径信息控制所述车辆行驶。
2.如权利要求1所述的车辆远程控制安全防护方法，其特征在于，所述基于所述当前行驶状态信息、所述风险区域信息和所述参考路径信息，获取所述无人驾驶车辆受到的势场力信息，包括：
基于所述当前行驶状态信息和所述参考路径信息，获取目标参考位置；
基于所述目标参考位置与预设引力增益系数，获取所述无人驾驶车辆关于所述目标参考位置的引力信息；
基于所述风险区域信息、预设斥力增益系数和预设第一距离阈值，获取所述无人驾驶车辆关于风险区域的斥力信息；
基于所述引力信息和所述斥力信息，获取所述无人驾驶车辆关于所处位置的势场力信息。
3.如权利要求2所述的车辆远程控制安全防护方法，其特征在于，所述基于所述当前行驶状态信息和所述参考路径信息，获取目标参考位置，包括：
基于所述当前行驶状态信息和所述参考路径信息，确定所述参考路径中与当前时刻对应的当前参考位置；
基于所述当前行驶状态信息和预设第二距离阈值，确定当前时刻的目标前向长度；
基于所述当前参考位置、所述目标前向长度和所述参考路径信息，获取局部参考路径信息；
基于所述局部参考路径信息与当前位置，确定所述局部参考路径中的目标参考位置，其中，所述当前位置为所述无人驾驶车辆在当前时刻所处的位置。
4.如权利要求3所述的车辆远程控制安全防护方法，其特征在于，所述基于所述当前行驶状态信息和所述参考路径信息，确定所述参考路径中与当前时刻对应的当前参考位置，包括：
基于所述当前行驶状态信息，确定所述无人驾驶车辆在当前时刻所处的当前位置；
根据所述当前位置和所述参考路径信息，获取参考路径中各参考位置与所述当前位置之间的参考距离；
根据所述参考距离，从所述参考路径信息中确定当前参考位置。
5.如权利要求1所述的车辆远程控制安全防护方法，其特征在于，所述基于所述预测行驶路径信息和所述风险区域信息，对所述无人驾驶车辆的行驶进行安全风险判断，得到判断结果，包括：
基于所述预测行驶路径信息与所述风险区域信息，获取预测行驶路径与所述风险区域之间的最短距离；
基于所述最短距离和预设第三距离阈值，对所述无人驾驶车辆的行驶进行安全风险判断，得到判断结果。
6.如权利要求1所述的车辆远程控制安全防护方法，其特征在于，所述基于所述势场力信息和所述当前行驶状态信息，规划出所述控制路径信息，包括：
基于所述当前行驶状态信息，获取所述无人驾驶车辆在当前位置的当前位置信息；
基于所述当前位置信息和所述势场力信息，获取所述无人驾驶车辆在当前时刻的受到的当前势场力；
基于所述当前势场力、所述当前位置信息与预设更新距离，获取所述无人驾驶车辆在当前位置的下一位置的位置信息；
若所述下一位置的位置信息不满足预设条件，则将所述下一位置更新为当前位置；
返回执行所述基于所述当前势场力、所述当前位置信息与预设更新距离，获取所述无人驾驶车辆在当前位置的下一位置的位置信息的步骤，直至所述下一位置的位置信息满足所述预设条件；
基于获取到的所有位置的所述位置信息，得到所述控制路径信息。
7.如权利要求6所述的车辆远程控制安全防护方法，其特征在于，所述若所述下一位置的位置信息不满足预设条件，则将所述下一位置更新为当前位置，包括：
获取所述下一位置与预设目标位置之间的目标距离；
判断所述目标距离是否大于预设第四距离阈值；
若是，则确定所述下一位置的位置信息不满足预设条件；
将所述下一位置更新为当前位置。
8.如权利要求6所述的车辆远程控制安全防护方法，其特征在于，所述当前行驶状态信息包括当前速度信息，所述基于获取到的所有位置的所述位置信息，得到所述控制路径信息，包括：
根据所述位置信息和所述风险区域信息，获取对所述无人驾驶车辆的安全行驶具有威胁的目标风险区域；
根据所述目标风险区域、所述当前位置信息和所述当前速度信息，获取所述当前位置对应的当前减速指令；
根据所述当前减速指令和所述当前速度信息，获取所述所有位置对应的速度信息；
基于所述位置信息和所述速度信息，得到所述控制路径信息。
9.如权利要求1所述的车辆远程控制安全防护方法，其特征在于，在所述基于所述当前行驶状态信息、所述行驶状态控制信息和所述无人驾驶车辆的预设车辆参数信息，预测所述无人驾驶车辆的预测行驶路径信息之前，还包括：
获取所述控制指令的传输延迟时间，以及所述无人驾驶车辆对所述控制指令的响应延迟时间；
基于所述传输延迟时间、所述响应延迟时间与预设时间步长，获取行驶状态信息的预测数量。
10.如权利要求9所述的车辆远程控制安全防护方法，其特征在于，所述基于所述当前行驶状态信息、所述行驶状态控制信息和所述无人驾驶车辆的预设车辆参数信息，预测所述无人驾驶车辆的预测行驶路径信息，包括：
基于所述行驶状态控制信息和所述无人驾驶车辆的预设车辆参数信息，获取预测权重信息和预测偏置信息；
基于所述预测权重信息、所述预测偏置信息和所述当前行驶状态信息，获取当前时刻的下一时刻的行驶状态信息；
将所述下一时刻更新为当前时刻，返回执行所述基于所述预测权重信息和所述当前行驶状态信息，获取下一时刻对应的行驶状态信息的步骤，直至获取到预测数量的行驶状态信息；
将获取到的所述行驶状态信息按照时间顺序排列，得到所述预测行驶路径信息。
11.如权利要求10所述的车辆远程控制安全防护方法，其特征在于，所述预测权重信息包括第一权重信息和第二权重信息，所述预测偏置信息包括第一偏置信息和第二偏置信息，所述行驶状态控制信息包括转向信息和加速度信息；
所述基于所述行驶状态控制信息和所述无人驾驶车辆的预设车辆参数信息，获取预测权重信息和预测偏置信息，包括：
根据所述预设时间步长，获取第一权重信息；
基于所述加速度信息和所述预设时间步长，获取第一偏置信息；
根据所述车辆参数信息和所述预设时间步长，获取第二权重信息；
基于所述转向信息、所述预设时间步长和所述车辆参数信息，获取第二偏置信息。
12.如权利要求11所述的车辆远程控制安全防护方法，其特征在于，所述当前行驶状态信息包括当前行驶状态横向分量信息和当前行驶状态纵向分量信息；
所述基于所述预测权重信息、所述预测偏置信息和所述当前行驶状态信息，获取当前时刻的下一时刻的行驶状态信息，包括：
根据所述第一权重信息、所述第一偏置信息和所述当前行驶状态纵向分量信息，获取当前时刻的下一时刻的纵向分量信息；
根据所述第二权重信息、所述第二偏置信息和所述当前行驶状态横向分量信息，获取当前时刻的下一时刻的横向分量信息；
根据所述下一时刻的纵向分量信息和所述下一时刻的横向分量信息，得到所述下一时刻的行驶状态信息。
13.一种无人驾驶车辆远程控制安全防护装置，其特征在于，包括：
第一获取单元，用于获取来自远程控制端的控制指令和参考路径信息，所述控制指令携带行驶状态控制信息；
第二获取单元，用于获取所述无人驾驶车辆在当前时刻的当前行驶状态信息；
预测单元，用于基于所述当前行驶状态信息、所述行驶状态控制信息和所述无人驾驶车辆的预设车辆参数信息，预测所述无人驾驶车辆的预测行驶路径信息；
第三获取单元，用于获取所述无人驾驶车辆在当前所处的外部驾驶环境中的风险区域信息，其中，风险区域包括不可行驶区域，以及可行驶区域内障碍物以及行人车辆占据的区域；
判断单元，用于基于所述预测行驶路径信息和所述风险区域信息，对所述无人驾驶车辆的行驶进行安全风险判断，得到判断结果；
控制单元，用于根据所述当前行驶状态信息、所述风险区域信息和所述参考路径信息，获取所述无人驾驶车辆受到的势场力信息；
若所述判断结果为存在安全风险，则所述无人驾驶车辆基于所述势场力信息和所述当前行驶状态信息，规划出用于控制无人驾驶车辆行驶的控制路径信息，并基于所述控制路径信息控制所述车辆行驶；
若所述判断结果为不存在安全风险，则基于所述势场力信息获取反馈信息；向所述远程控制端发送所述反馈信息；获取所述远程控制端基于所述反馈信息返回的参考路径信息，作为用于控制无人驾驶车辆行驶的控制路径信息，并基于所述控制路径信息控制所述车辆行驶。
14.一种无人驾驶车辆，包括车身，所述车身上设置有执行装置、感知装置和车载设备，所述执行装置和所述感知装置分别与所述车载设备通过总线相连，以使所述车载设备执行如权利要求1至12中任一项所述的车辆远程控制安全防护方法中的步骤。
CN202010011107.1A 2020-01-06 2020-01-06 车辆远程控制安全防护方法、装置和无人驾驶车辆 Active CN110794851B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010011107.1A CN110794851B (zh) 2020-01-06 2020-01-06 车辆远程控制安全防护方法、装置和无人驾驶车辆

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010011107.1A CN110794851B (zh) 2020-01-06 2020-01-06 车辆远程控制安全防护方法、装置和无人驾驶车辆

Publications (2)

Publication Number Publication Date
CN110794851A CN110794851A (zh) 2020-02-14
CN110794851B true CN110794851B (zh) 2020-04-14

Family

ID=69448481

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010011107.1A Active CN110794851B (zh) 2020-01-06 2020-01-06 车辆远程控制安全防护方法、装置和无人驾驶车辆

Country Status (1)

Country Link
CN (1) CN110794851B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111325982A (zh) * 2020-03-05 2020-06-23 深圳一清创新科技有限公司 车辆控制方法、装置、计算机设备和存储介质
CN111857135A (zh) * 2020-06-30 2020-10-30 北京百度网讯科技有限公司 用于车辆的避障方法、装置、电子设备和计算机存储介质
JP2022060881A (ja) * 2020-10-05 2022-04-15 トヨタ自動車株式会社 通信制御装置、方法、プログラム、及び車両
CN113703354B (zh) * 2021-08-03 2023-08-18 中汽创智科技有限公司 一种无人驾驶车辆的控制方法及装置
CN113654569A (zh) * 2021-08-16 2021-11-16 江铃汽车股份有限公司 一种路径规划方法、系统及存储介质
CN113665589B (zh) * 2021-09-18 2023-04-07 广州小鹏自动驾驶科技有限公司 车辆纵向控制方法、装置、车载终端及存储介质
CN113867360A (zh) * 2021-10-19 2021-12-31 北京三快在线科技有限公司 一种基于远程油门控制无人驾驶设备的方法及装置
CN115195849B (zh) * 2022-05-27 2024-04-30 新石器慧通（北京）科技有限公司 一种无人车远程控制方法和装置
CN117389276A (zh) * 2023-11-05 2024-01-12 理工雷科智途(北京)科技有限公司 一种基于行驶风险预测的无人车行驶路径跟踪控制方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9014880B2 (en) * 2010-12-21 2015-04-21 General Electric Company Trajectory based sense and avoid
CN102880063B (zh) * 2012-09-13 2016-01-20 中国人民解放军63921部队 同步控制遥操作系统及方法
CN105717929B (zh) * 2016-04-29 2018-06-15 中国人民解放军国防科学技术大学 一种多分辨率障碍物环境下移动机器人混合路径规划方法
CN106125749A (zh) * 2016-07-19 2016-11-16 中国人民解放军63920部队 一种航天器的遥操作方法及装置
TWI611280B (zh) * 2016-12-12 2018-01-11 財團法人工業技術研究院 遠端操作載具及其載具控制裝置與控制方法
CN109407677A (zh) * 2018-12-24 2019-03-01 清华大学 自动驾驶车辆的轨迹跟踪方法

Also Published As

Publication number Publication date
CN110794851A (zh) 2020-02-14

Similar Documents

Publication Publication Date Title
CN110794851B (zh) 车辆远程控制安全防护方法、装置和无人驾驶车辆
CN112389427B (zh) 车辆轨迹优化方法、装置、电子设备和存储介质
CN110379193B (zh) 自动驾驶车辆的行为规划方法及行为规划装置
Lin et al. Active collision avoidance system for steering control of autonomous vehicles
CN113156927A (zh) 自动驾驶车辆的安全控制方法及安全控制装置
CN113835421B (zh) 训练驾驶行为决策模型的方法及装置
CN113460042A (zh) 车辆驾驶行为的识别方法以及识别装置
US11167754B2 (en) Systems and methods for trajectory based safekeeping of vehicles
US20220105963A1 (en) Systems and methods for imminent collision avoidance
CN107408344A (zh) 驾驶辅助设备
CN113632033B (zh) 车辆控制方法及装置
CN111464972A (zh) 经优先级排序的车辆消息传递
CN111746557B (zh) 用于车辆的路径规划融合
US20220227391A1 (en) Systems and methods for scenario dependent trajectory scoring
CN112429016A (zh) 一种自动驾驶控制方法及装置
CN113525373A (zh) 一种车辆的变道控制系统、控制方法
CN113031576A (zh) 自动驾驶车队中的车辆控制方法、车载装置及车辆
US20230048680A1 (en) Method and apparatus for passing through barrier gate crossbar by vehicle
CN110435564A (zh) 确定车辆驾驶行为
CN114761895A (zh) 混合自动车队的直接和间接控制
WO2022256249A1 (en) Method and system for remote assistance of an autonomous agent
CN117320945A (zh) 用于确定自主车辆控制中的运动预测的运动模型的方法和系统
CN112622922A (zh) 具有自主车辆参考的非自主车辆速度预测
CN104670222B (zh) 滑动模式的行驶路径投票策略模块及驾驶控制系统与方法
CN115140048A (zh) 一种自动驾驶行为决策与轨迹规划模型与方法

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
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20200214

Assignee: Tianyi Transportation Technology Co.,Ltd.

Assignor: CIIC Technology Co.,Ltd.|Zhongzhixing (Shanghai) Transportation Technology Co.,Ltd.

Contract record no.: X2022980001515

Denomination of invention: Vehicle remote control safety protection method, device and driverless vehicle

Granted publication date: 20200414

License type: Common License

Record date: 20220214