CN110834639A - 车辆控制方法、装置、设备和存储介质 - Google Patents
车辆控制方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN110834639A CN110834639A CN201911017091.9A CN201911017091A CN110834639A CN 110834639 A CN110834639 A CN 110834639A CN 201911017091 A CN201911017091 A CN 201911017091A CN 110834639 A CN110834639 A CN 110834639A
- Authority
- CN
- China
- Prior art keywords
- road surface
- vehicle
- surface type
- image
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000006870 function Effects 0.000 claims description 26
- 239000004576 sand Substances 0.000 claims description 24
- 238000011176 pooling Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 10
- 239000000725 suspension Substances 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 244000025254 Cannabis sativa Species 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 230000001965 increasing effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 230000003313 weakening effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/02—Control of vehicle driving stability
- B60W30/025—Control of vehicle driving stability related to comfort of drivers or passengers
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Vehicle Body Suspensions (AREA)
Abstract
本发明实施例公开了一种车辆控制方法、装置、设备和存储介质，其中，该方法包括：获取车辆行驶前方的地形图像；根据预设的路面类型判断模型确定所述地形图像的路面类型；根据路面类型控制所述车辆的行驶状态。本发明实施例的技术方案，通过根据车辆前方道路的路面类型控制车辆行驶，提高了车辆控制的准确性，车辆行驶的舒适性。
Description
技术领域
本发明实施例涉及自动化控制技术领域，尤其涉及一种车辆控制方法、装 置、设备和存储介质。
背景技术
目前市面上车辆在不同地形行驶时，可以根据车辆自带传感器获取当前路 面的地形信息，车辆可以根据获取到的地形信息识别出车辆当前行驶的路面类 型，并根据路面类型对车辆进行控制以提高车辆的舒适度。
现有技术中，车辆对路面类型进行判断需要获取到充足的地形信息，例如， 以车辆传感器信号作为输入，通过不同路面类型的特征指标对车辆传感器信号 进行判断获取到当前路面的路面种类，上述技术方案对路面种类的判断存在滞 后，只要当车辆驶入地形一段时间后，才能获取到路面种类，对车辆控制不及 时，无法实时调整车辆行驶姿态，车辆舒适度下降明显。
发明内容
本发明提供一种车辆控制方法、装置、设备和存储介质，以实现路面类型 的快速识别，及时对车辆进行控制，提高车辆的舒适度和安全性。
第一方面，本发明实施例提供了一种车辆控制方法，该方法包括：
获取车辆行驶前方的地形图像；
根据预设的路面类型判断模型确定所述地形图像的路面类型；
根据路面类型控制所述车辆的行驶状态。
第二方面，本发明实施例还提供了一种车辆控制装置，该装置包括：
图像获取模块，用于获取车辆行驶前方的地形图像；
类型确定模块，用于根据所述地形图像和预设的路面类型判断模型确定路 面类型；
车辆控制模块，用于根据路面类型控制所述车辆的行驶状态。
第三方面，本发明实施例还提供了一种设备，该设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
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 个处理器实现如本发明实施例中任一所述的车辆控制方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储由 计算机程序，其特征在于，该程序被处理器执行时实现如本发明实施例中任一 所述的车辆控制方法。
本发明实施例的技术方案，通过在车辆行驶时获取到车辆前方的地形图像， 通过预设的路面判断模型和地形图像确定路面类型，根据路面类型对车辆进行 控制，实现了车辆驶入新地形时对车辆及时控制，提高了车辆驾驶过程的舒适 度。
附图说明
图1是本发明实施例一提供的一种车辆控制方法的步骤流程图；
图2是本发明实施例二提供的一种车辆控制方法的步骤流程图；
图3a是本发明实施例二提供的一种地形图像的示例图；
图3b是本发明实施例二提供的一种沙地卷积核的示例图；
图3c是本发明实施例二提供的一种路面类型判断模型的示例图；
图4是本发明实施例三提供的一种车辆控制装置的结构示意图；
图5是本发明实施例四提供的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明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本发明，而非对本发明的限定。另外还需 要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结 构，此外，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互 组合。
实施例一
图1是本发明实施例一提供的一种车辆控制方法的步骤流程图，本实施例 可适用于根据路面类型对车辆进行控制的情况，该方法可以由车辆控制装置来 执行，该装置可以采用硬件和/或软件的方式来实现，参见图1，本发明实施例 的方法具体包括如下步骤：
步骤101、获取车辆行驶前方的地形图像。
其中，车辆可以设置有视觉传感器的车辆，视觉传感器可以设置在车辆的 前部获取到车辆行驶前方的图像，视觉传感器可以为单目车载相机和双目车载 相机等，地形图像可以是车辆当前行驶道路的图像，地形图像可以反应当前行 驶道路的地形特征，地形图像的图像格式具体可以为RAW-RGB格式，便于对 地形图像进行识别。
具体的，可以通过设置在车辆内的视觉传感器获取车辆前方道路的地形图 像，可以每隔固定时间获取一次地形图像，以便及时确定地形图像的路面类型。
步骤102、根据预设的路面类型判断模型确定所述地形图像的路面类型。
其中，路面类型判断模型可以是预先训练生成的地形图像识别模型，具体 可以是卷积神经网络模型，可以预先通过不同地形图像训练生成，路面类型可 以是地形图像中路面的类型，可以包括普通路面、雪地、冰面、砾石路面、草 地、沙地、泥泞路面、车载路面、扭曲路面和岩石路面等。
在本发明实施例中，可以将获取到的地形图像根据路面类型判断模型进行 判断，可以获取路面类型判断模型的输出作为地形图像的路面类型，例如，可 以将地形图像输入到路面类型判断模型中，可以由路面类型判断模型确定该地 形图像为各路面类型的概率值，地形图像为沙地的概率为0.91，为普通土路的 概率为0.09，可以选取概率值较大的路面类型沙地作为地形图像的路面类型。
步骤103、根据路面类型控制所述车辆的行驶状态。
其中，行驶状态可以是车辆行驶的状态，可以包括车辆发动机状态、变速 器状态、电动助力器状态、车身稳定系统状态和空气悬架状态等。
具体的，可以在车辆控制器内预先设置不同路面类型的控制参数，在确定 地形图像的路面类型后，可以根据路面类型对应的控制参数对车辆内各装置进 行控制。示例性的，可以由控制器将对应路面类型的控制指令发送到车辆的地 盘域控制器，可以由地盘域控制器根据控制指令对车辆发动机状态、变速器状 态、电动助力器状态、车身稳定系统状态和空气悬架状态的状态参数进行控制。
本发明实施例的技术方案，通过获取车辆行驶前方的地形图像，根据路面 类型判断模块确定地形图像的路面类型，基于路面类型对车辆状态进行控制， 实现了车辆根据不同路面类型进行准确控制，在未驶入新地形前获取到车辆的 控制参数，可及时控制车辆，避免路面类型变化造成车辆舒适下降，可增强车 辆的安全性。
实施例二
图2是本发明实施例二提供的一种车辆控制方法的步骤流程图；本实施例 是以上述发明实施例为基础进行的具体化，参见图2，本发明实施例提供的车 辆控制方法的步骤流程图包括：
步骤201、获取各路面类型的路面特征数据作为卷积核。
其中，路面特征数据可以是具有路面类型特点的数据，例如，在沙地路面 类型下，路面特征数据可以是沙地图像中的沙地纹理，可以是波纹状轮廓或者 浅坑状轮廓等，路面特征数据可以为多个特征数据的集合；卷积核可以是根据 路面特征数据生成定义函数可以由路面特征数据中像素加权平均获取，例如， 在沙地的路面类型中，可以提取路面特征数据中的波纹状或浅坑状轮廓作为卷 积核。
具体的，可以获取到不同路面类型的图像，可以获取到图像中各路面类型 特征的图像区域作为路面特征数据，进一步的，将路面特征数据作为卷积核时， 可以获取路面特征数据中各像素点的像素，根据预设的加权值计算路面特征数 据像素点的加权平均值，可以将该加权平均值作为对应路面类型的卷积核。
步骤202、预设各路面类型的权重值。
其中，权重值可以对应各路面类型，权重值可以是路面特征数据对应的权 重值，不同路面类型的路面特征数据可以不同，相应的，不同路面类型的路面 特征数据的权重值也可以不同，路面类型可以预设有对应各自路面特征数据的 一套权重值。
在本发明实施例中，可以根据路面类型获取到对应预先存储的权重值，该 权重值可以用于待训练路面模型中池化结果与全连接层对应关系的权重值，可 以反应路面特征数据中各特征在确定路面类型时起到作用的大小，权重值可以 随机生成也可以预设设置。
步骤203、根据各所述卷积核、权重值和预设激活函数构建待训练路面模 型。
其中，激活函数可以是为待训练路面模型中增加非线性因素的函数，具体 可以包括relu、sigmoid和tanh等函数，待训练路面模型可以是卷积神经网络， 可以用于识别地形图像的路面类型，可以包括卷积层、池化层和全连接层。
具体的，可以将获取到对应各路面类型的卷积核作为待训练路面模型中卷 积层的卷积核，权重值可以是池化层输出结果与全连接层连接的权重值，激活 函数可以是增加待训练路面模型非线性关系的函数，可以用于增强区分地形图 像的路面类型能力的函数。
步骤204、将对应各路面类型的路面图像输入到所述待训练路面模型进行 训练以调整各所述权重值，将调整所述权重值后的所述待训练路面模型作为路 面类型判断模型。
在本发明实施例中，而可以将对应各路面类型的路面图像输入到待训练路 面模型对待训练路面模型进行训练,可以通过训练过程对带训练路面模型中的 权重值进行调整，可以将权重值调整后的待训练路面模型作为路面类型判断模 型，可以理解的是，对应各路面类型的路面图像的规模越大，路面类型判断模 型判断路面类型的能力越强。
进一步的，待训练路面模型为卷积神经网络模型，包括两个卷积层、两个 池化层和两个全连接层。
在本发明实施例中，待训练路面模型具体可以为卷积神经网络模型，待训 练路面模型可以设置有两个卷积层、两个池化层和两个全连接层。
示例性的，待训练路面模型的构建：可以在卷积神经网络模型中选用LeNet 模型，可以包括两层卷积+池化+两层全连接，最终输出归一化路面类型的判断 概率。卷积核的选取可以基于地形的颜色纹理规则而定。路面图像可以在RGB 颜色模式下。图3a是本发明实施例二提供的一种地形图像的示例图，参见图3a, 使用RGB模型为图像中每一个像素的RGB分量分配一个0～255范围内的强度 值。三个通道的强度值可以组合出16777216种颜色。不同地形对应的纹理特征 也不尽相同。以沙地为例，自然状态下的沙地纹理呈现风化痕迹的波纹状或浅 坑状，且分布均匀，可以提取波纹状、浅坑状轮廓作为卷积核；沙地一般呈现黄褐色，在RGB颜色中CD950C、CD8500、CD9B1D等最为接近，图3b是本 发明实施例二提供的一种沙地卷积核的示例图，参见图3b，找出沙地最接近的 颜色范围，取均值，作为卷积核的像素强度值。卷积后需要使用激活函数使模 型具有非线性，常用的激活函数有relu、sigmoid、tanh,本发明使用relu函数。 池化层选用步长2x2区域，最大池化。两次卷积+relu+池化后，二次池化的输出 作为全连接层1的输入，全连接层1的所有单元均与输入以权重与偏置连接， 全连接层2以相同形式与全连接层1相连，全连接层1的输出激活后全连接层2相当于分类器，是模型最终的输出，包含所有地形类别，全连接层2的所有 单元均与全连接层1的输出以权重与偏置连接，最终输出层需要使用softmax 函数进行归一化处理，至此完成模型的前向传播,图3c是本发明实施例二提供 的一种路面类型判断模型的示例图，构建的待训练路面模型可以如图3c所示， 可以包括两个卷积层Convolutions，两个池化层pool和两个全连接层Full connection。
待训练路面模型的训练：选取合适大小的路面图像的数据集，对待训练路 面模型中各权值及偏置进行初始化赋值，根据前向传播计算输出。损失函数定 义为MSE(均方误差)，即
用损失函数对各个权重、偏置进行反向传播求偏导，使用梯度下降法更新 所有权重、偏置值，以最小化输出误差。
在CNN模型反向传播中需要注意：全连接层的反向传播更新权值w、偏置 b，用链式求导法则即可
w＝w-ηδw
b＝b-ηδb
式中η为学习率，δ为误差对每层元素的偏导，z为元素，E为误差。池化层 的误差在反向传播时需要使用upsample进行还原，δpool的元素位于池化前取最 大值的位置处。其中
δbefore pool＝upsample(δpool)
卷积层的误差在反向传播时需要把卷积核进行180°旋转与δbefore pool进行 卷积，推导过程不做描述。
式中
为激活函数对各元素的导数，激活函数选择为relu，故
经过若干次的更新直至所有权重、偏置值收敛，此时模型训练基本完成。
进一步的，可以使用大量对应各路面类型的路面图像进行待训练路面模型 的回归测试，验证模型的识别效果是否精准稳定，是否存在过拟合现象。如果 模型在该地形数据集上的表现与训练结果相差很大的话，还需要进行再训练， 优化各权重及偏置。
步骤205、获取车辆行驶前方的地形图像。
具体的，可以通过设置在车辆内的视觉传感器获取车辆前方道路的地形图 像，可以每隔固定时间获取一次地形图像，以便及时确定地形图像的路面类型。
步骤206、当所述地形图像的图像格式不符合设定格式时，对所述地形图 像的图像格式进行转换处理。
其中，设定格式可以是预先设定的图像格式，设定格式可以加快路面类型 的判断，设定格式具体可以为RGB图像格式。
具体的，可以判断地形图像的图像格式，若获取到的地形图像不为RGB格 式，可以将地形图像进行转换处理，将地形图像的图像格式转为预设格式，例 如，若地形图像的图像格式为YUV格式，可以使用convertYUV2RGB函数将 地形图像转换为RGB格式。
步骤207、将所述地形图像作为所述路面类型判断模型的输入，并获取所 述路面类型判断模型输出的概率分布。
具体的，可以将获取到的地形图像输入到路面类型判断模型，获取路面类型 判断模型的输出的概率分布，其中，概率分布可以包括为各路面类型的概率值。 示例性的，以路面类型为沙地的地形图像判断为例，假设地形图像大小为32x32 像素，路面类型判断模型第一次卷积的卷积核为3个，分别对应3个沙地的纹 理特征，卷积核大小为5x5，在地形图像RGB的在三个通道上使用CD950C(黄 褐色，最接近沙地颜色特征)的颜色分别卷积，卷积结果可以为28x28x3。第 一次池化选择步长为2，可以选择最大池化，池化结果可以为14x14x3。第二次 卷积核的选取为前一次卷积核的组合，共四种组合，分别为12,23,13,123，选前 三种，避免特征过拟合，卷积后可以进行相加，卷积结果为10x10x3。第二次 池化选择步长为5，可以选择最大池化，池化结果为2x2x3。将二次池化后的结 果串成一列，作为全连接层1的输入，全连接一层有四个单元，全连接1层输 出激活后作为全连接2层输入，全连接2层有两个单元，可以分别为沙地和颜 色相近的普通土路的分类输出，可以最后使用softmax函数对两个输出进行处 理，得出概率分布为0.91和0.09，
步骤208、将所述概率分布中最大概率值对应的路面类型作为所述地形图 像对应的路面类型。
具体的，可以将概率分布中的概率值进行比较，可以选择各概率值中最大 概率值对应的路面类型作为地形图像对应的路面类型。例如，沙地和土路分别 对应的概率值为0.91和0.09，可以将沙地作为地形图像对应的路面类型。
步骤209、根据所述路面类型生成车辆调整指令。
其中，车辆调整指令可以是对车辆行驶状态调整的指令，可以由车辆控制 器生成。
具体的，在车辆控制器获取到路面类型时，可以根据路面类型生成对应的 车辆调整指令，不同的路面类型对应的车辆调整指令可以不同，例如，车辆可 以与底盘域控制器之间共同确定车载总线通讯协议，可以预先约定报文ID为 0x123，可以将byte0的低四位预设为识别结果，可以预存16种路面类型，其 中沙地可以为8，此时车辆向地盘域控制器发送一条byte0为0x08,底盘域控制 器在车载总线上读取并解析出路面类型为沙地，可以认为获取到车辆调整指令。
步骤210、控制所述车辆根据车辆调整指令调整行驶状态；所述行驶状态 至少包括以下一种：发动机状态、变速器状态、电子稳定系统状态、电子助力 转向状态和空气悬架状态。
在本发明实施例中，可以根据车辆调整指令对车辆进行控制，实现行驶状 态的调整，例如，车辆的地盘域控制器获取到车辆调整指令时，可以切换工作 模式，可以调整踏板曲线变陡、延迟换挡、手力变重、减弱电子稳定系统的敏 感程度、调高悬架、切换为四驱等控制，以应对沙地路面的安全行驶，提供用 户舒适度。示例性的，当车辆在沙地路面类型，发动机状态可以是通过调整点 火控制曲线，使斜率增大，即较小的踏板开度也能获得较大的节气门开度，增 加进气量和与之匹配的喷油量，增大功率。变速器状态可以是通过调整换挡点 曲线，使换档转速增大，延迟换挡，保持大扭矩输出，使车辆保持最大牵引力。 电子稳定系统状态可以通过弱化或关闭ESP所有限扭功能，保持发动机最强扭 力输出；强化所有电子稳定系统防滑转功能，防止车轮打滑导致车辆被困。电 子助力转向系统状态可以通过调整助力曲线，减小斜率，使助力减小，方向盘 更沉，易于驾驶员控制车辆。空气悬架转状态可以通过升悬架至最大高度，保 持车辆通过性，连续减震控制系统调整电流使电磁阀开度至最小，表现为最硬， 以保持悬架刚度，保持车辆姿态。
本发明实施例的技术方案，通过获取路面类型对应的特征数据作为卷积核， 预设各路面类型的权重值，根据权重值、卷积核和激活函数构建待训练路面模 型，通过路面图像对待训练路面模型进行训练，训练过程中不断调整权重值， 将调整权重值后的待训练路面模型作为路面类型判断模型，获取车辆行驶前方 的地形图像，当地形图像的图像格式不符合设定格式，对地形图像进行转换处 理，将地形图像输入路面类判断模型获取概率分布，将概率分布中最大概率值 对应的路面类型作为地形图像对应的路面类型，根据路面类型生成车辆调整指 令，控制车辆根据车辆调整指令调整行驶状，实现了车辆不同地面类型下的准 确控制，缩短了车辆调整指令的生成时间，使得车辆无需驶入地形即可获取到 车辆调整指令，提供车辆控制的及时性，增强车辆的行驶安全，提升用户驾驶 舒适度。
实施例三
图4是本发明实施例三提供的一种车辆控制装置的结构示意图，本发明实 施例提供的车辆控制装置可执行本发明任意实施例所提供的车辆控制方法，具 备执行方法相应的功能模块和有益效果。该装置可以由软件和/或硬件实现，具 体包括：
图像获取模块301，用于获取车辆行驶前方的地形图像。
类型确定模块302，用于根据预设的路面类型判断模型确定所述地形图像 的路面类型。
车辆控制模块303，用于根据路面类型控制所述车辆的行驶状态。
本发明实施例的技术方案，通过图像获取模块获取车辆行驶前方的地形图 像，类型确定模块根据路面类型判断模块确定地形图像的路面类型，车辆控制 模块基于路面类型对车辆状态进行控制，实现了车辆根据不同路面类型进行准 确控制，在未驶入新地形前获取到车辆的控制参数，可及时控制车辆，避免路 面类型变化造成车辆舒适下降，可增强车辆的安全性。
进一步的，在上述发明实施例的基础上，还包括模型训练模块，具体用于：
获取各路面类型的路面特征数据作为卷积核；预设各路面类型的权重值； 根据各所述卷积核、权重值和预设激活函数构建待训练路面模型；将对应各路 面类型的路面图像输入到所述待训练路面模型进行训练以调整各所述权重值， 将调整所述权重值后的所述待训练路面模型作为路面类型判断模型。
进一步的，在上述发明实施例的基础上，模型训练模块中待训练路面模型 为卷积神经网络模型，包括两个卷积层、两个池化层和两个全连接层。
进一步的，在上述发明实施例的基础上，还包括：
格式转换模块，用于当所述地形图像的图像格式不符合设定格式时，对所 述地形图像的图像格式进行转换处理。
进一步的，在上述发明实施例的基础上，类型确定模块包括：
概率获取单元，用于将所述地形图像作为所述路面类型判断模型的输入， 并获取所述路面类型判断模型输出的概率分布。
类型确定单元，用于将所述概率分布中最大概率值对应的路面类型作为所 述地图图像对应的路面类型。
进一步的，在上述发明实施例的基础上，类型确定模块中的路面类型包括 以下至少一种：普通路面、雪地、冰面、砾石路面、草地、沙地、泥泞路面、 车辙路面、扭曲路面和岩石路面。
进一步的，在上述发明实施例的基础上，车辆控制模块包括：
指令生成单元，用于根据所述路面类型生成车辆调整指令。
车辆控制单元，用于控制所述车辆根据车辆调整指令调整行驶状态；所述 行驶状态至少包括以下一种：发动机状态、变速器状态、电子稳定系统状态、 电子助力转向状态和空气悬架状态。
实施例四
图5是本发明实施例四提供的一种设备的结构示意图，如图5所示，该设 备包括处理器50、存储器51、输入装置52和输出装置53；设备中处理器50 的数量可以是一个或多个，图5中以一个处理器50为例；设备中的处理器50、 存储器51、输入装置52和输出装置53可以通过总线或其他方式连接，图5中 以通过总线连接为例。
存储器51作为一种计算机可读存储介质，可用于存储软件程序、计算机可 执行程序以及模块，如本发明实施例中的车辆控制方法对应的程序指令/模块 (例如，车辆控制装置中的图像获取模块301、类型确定模块302和车辆控制 模块303)。处理器50通过运行存储在存储器51中的软件程序、指令以及模块， 从而执行设备的各种功能应用以及数据处理，即实现上述的车辆控制方法。
存储器51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；存储数据区可存储根据终端的使用 所创建的数据等。此外，存储器51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、或其他非易失性固 态存储器件。在一些实例中，存储器51可进一步包括相对于处理器50远程设 置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括 但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置52可用于接收输入的数字或字符信息，以及产生与设备的用户设 置以及功能控制有关的键信号输入。输出装置53可包括显示屏等显示设备。
实施例五本发明实施例五还提供一种包含计算机可执行指令的存储介质， 所述计算机可执行指令在由计算机处理器执行时用于执行一种车辆控制方法， 该方法包括：
获取车辆行驶前方的地形图像；
根据预设的路面类型判断模型确定所述地形图像的路面类型；
根据路面类型控制所述车辆的行驶状态。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计 算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所 提供的车辆控制方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到， 本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很 多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上 或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机 软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器 (Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、 闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以 是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述车辆控制装置的实施例中，所包括的各个单元和模块 只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应 的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用 于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员 会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进 行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽 然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以 上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例， 而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种车辆控制方法，其特征在于，包括：
获取车辆行驶前方的地形图像；
根据预设的路面类型判断模型确定所述地形图像的路面类型；
根据路面类型控制所述车辆的行驶状态。
2.根据权利要求1所述的方法，其特征在于，所述路面类型判断模型的预设包括：
获取各路面类型的路面特征数据作为卷积核；
预设各路面类型的权重值；
根据各所述卷积核、权重值和预设激活函数构建待训练路面模型；
将对应各路面类型的路面图像输入到所述待训练路面模型进行训练以调整各所述权重值，将调整所述权重值后的所述待训练路面模型作为路面类型判断模型。
3.根据权利要求2所述的方法，其特征在于，所述待训练路面模型为卷积神经网络模型，包括两个卷积层、两个池化层和两个全连接层。
4.根据权利要求1所述的方法，其特征在于，所述在获取车辆行驶前方的地形图像之后，还包括：
当所述地形图像的图像格式不符合设定格式时，对所述地形图像的图像格式进行转换处理。
5.根据权利要求1所述的方法，其特征在于，所述根据预设的路面类型判断模型确定所述地形图像的路面类型，包括：
将所述地形图像作为所述路面类型判断模型的输入，并获取所述路面类型判断模型输出的概率分布；
将所述概率分布中最大概率值对应的路面类型作为所述地图图像对应的路面类型。
6.根据权利要求1所述的方法，其特征在于，所述路面类型包括以下至少一种：普通路面、雪地、冰面、砾石路面、草地、沙地、泥泞路面、车辙路面、扭曲路面和岩石路面。
7.根据权利要求1所述的方法，其特征在于，所述根据路面类型控制所述车辆的行驶状态，包括：
根据所述路面类型生成车辆调整指令；
控制所述车辆根据车辆调整指令调整行驶状态；
所述行驶状态至少包括以下一种：发动机状态、变速器状态、电子稳定系统状态、电子助力转向状态和空气悬架状态。
8.一种车辆控制装置，其特征在于，包括：图像获取模块，用于获取车辆行驶前方的地形图像；
类型确定模块，用于根据预设的路面类型判断模型确定所述地形图像的路面类型；
车辆控制模块，用于根据路面类型控制所述车辆的行驶状态。
9.一种设备，其特征在于，所述设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
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1-7中任一所述的车辆控制方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的车辆控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911017091.9A CN110834639A (zh) | 2019-10-24 | 2019-10-24 | 车辆控制方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911017091.9A CN110834639A (zh) | 2019-10-24 | 2019-10-24 | 车辆控制方法、装置、设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110834639A true CN110834639A (zh) | 2020-02-25 |
Family
ID=69575532
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911017091.9A Pending CN110834639A (zh) | 2019-10-24 | 2019-10-24 | 车辆控制方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110834639A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112464773A (zh) * | 2020-11-19 | 2021-03-09 | 浙江吉利控股集团有限公司 | 一种道路类型识别方法、装置及系统 |
| CN113085859A (zh) * | 2021-04-30 | 2021-07-09 | 知行汽车科技（苏州）有限公司 | 自适应巡航策略调整方法、装置、设备及存储介质 |
| CN113190015A (zh) * | 2021-05-20 | 2021-07-30 | 中国第一汽车股份有限公司 | 一种地形识别方法、装置、计算机设备和存储介质 |
| CN113479177A (zh) * | 2021-07-07 | 2021-10-08 | 的卢技术有限公司 | 车辆制动控制方法、系统、计算机设备和存储介质 |
| CN114332825A (zh) * | 2022-03-10 | 2022-04-12 | 中汽信息科技(天津)有限公司 | 基于深度学习的道路地形分布识别方法、设备和存储介质 |
| CN114834439A (zh) * | 2022-06-14 | 2022-08-02 | 一汽奔腾轿车有限公司 | 一种乘用车esc功能开闭控制方法、系统及汽车 |
| WO2023227512A1 (fr) * | 2022-05-25 | 2023-11-30 | Renault S.A.S. | Procédé de détection d'un type de route parcourue par un véhicule équipé |
| CN117437608A (zh) * | 2023-11-16 | 2024-01-23 | 元橡科技（北京）有限公司 | 一种全地形路面类型识别方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1840552A2 (en) * | 2006-03-31 | 2007-10-03 | The Yokohama Rubber Co., Ltd. | Tire transient response data calculating method, data processing method, tire designing method, vehicle motion predicting method, and tire cornering characteristic evaluation method and evaluation device therefor |
| CN107977641A (zh) * | 2017-12-14 | 2018-05-01 | 东软集团股份有限公司 | 一种智能识别地形的方法、装置、车载终端及车辆 |
| CN109204308A (zh) * | 2017-07-03 | 2019-01-15 | 上海汽车集团股份有限公司 | 车道保持算法的确定方法、车道保持的控制方法及系统 |
| CN109460738A (zh) * | 2018-11-14 | 2019-03-12 | 吉林大学 | 一种基于无损失函数的深度卷积神经网络的路面类型估算方法 |
| CN109961030A (zh) * | 2019-03-18 | 2019-07-02 | 北京邮电大学 | 路面修补信息检测方法、装置、设备及存储介质 |
-
2019
- 2019-10-24 CN CN201911017091.9A patent/CN110834639A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1840552A2 (en) * | 2006-03-31 | 2007-10-03 | The Yokohama Rubber Co., Ltd. | Tire transient response data calculating method, data processing method, tire designing method, vehicle motion predicting method, and tire cornering characteristic evaluation method and evaluation device therefor |
| CN109204308A (zh) * | 2017-07-03 | 2019-01-15 | 上海汽车集团股份有限公司 | 车道保持算法的确定方法、车道保持的控制方法及系统 |
| CN107977641A (zh) * | 2017-12-14 | 2018-05-01 | 东软集团股份有限公司 | 一种智能识别地形的方法、装置、车载终端及车辆 |
| CN109460738A (zh) * | 2018-11-14 | 2019-03-12 | 吉林大学 | 一种基于无损失函数的深度卷积神经网络的路面类型估算方法 |
| CN109961030A (zh) * | 2019-03-18 | 2019-07-02 | 北京邮电大学 | 路面修补信息检测方法、装置、设备及存储介质 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112464773A (zh) * | 2020-11-19 | 2021-03-09 | 浙江吉利控股集团有限公司 | 一种道路类型识别方法、装置及系统 |
| CN113085859A (zh) * | 2021-04-30 | 2021-07-09 | 知行汽车科技（苏州）有限公司 | 自适应巡航策略调整方法、装置、设备及存储介质 |
| CN113190015A (zh) * | 2021-05-20 | 2021-07-30 | 中国第一汽车股份有限公司 | 一种地形识别方法、装置、计算机设备和存储介质 |
| CN113479177A (zh) * | 2021-07-07 | 2021-10-08 | 的卢技术有限公司 | 车辆制动控制方法、系统、计算机设备和存储介质 |
| CN113479177B (zh) * | 2021-07-07 | 2024-04-09 | 的卢技术有限公司 | 车辆制动控制方法、系统、计算机设备和存储介质 |
| CN114332825A (zh) * | 2022-03-10 | 2022-04-12 | 中汽信息科技(天津)有限公司 | 基于深度学习的道路地形分布识别方法、设备和存储介质 |
| WO2023227512A1 (fr) * | 2022-05-25 | 2023-11-30 | Renault S.A.S. | Procédé de détection d'un type de route parcourue par un véhicule équipé |
| FR3135945A1 (fr) * | 2022-05-25 | 2023-12-01 | Renault S.A.S. | Procédé de détection d’un type de route parcourue par un véhicule équipé |
| CN114834439A (zh) * | 2022-06-14 | 2022-08-02 | 一汽奔腾轿车有限公司 | 一种乘用车esc功能开闭控制方法、系统及汽车 |
| CN117437608A (zh) * | 2023-11-16 | 2024-01-23 | 元橡科技（北京）有限公司 | 一种全地形路面类型识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110834639A (zh) | 车辆控制方法、装置、设备和存储介质 | |
| JP6615933B2 (ja) | 知的地形特定のための方法及び装置、車両搭載端末、並びに車両 | |
| US11022052B2 (en) | Vehicle power output control method, apparatus and system | |
| JP6815387B2 (ja) | 鞍乗型車両の設定支援装置 | |
| JP3825845B2 (ja) | 進化的制御方式 | |
| GB2492896A (en) | Vehicle control system and subsystem having a plurality of modes selected by the output from an imaging device | |
| EP3359439A1 (en) | Humanized steering model for automated vehicles | |
| CN115497153B (zh) | 一种基于兴奋分析的车辆驾驶参数控制方法及系统 | |
| US20230100858A1 (en) | Vehicle control apparatus, vehicle control method, and vehicle control system | |
| CN112365710B (zh) | 一种基于概率输出模型的智能车辆换道决策方法 | |
| EP3634835A1 (fr) | Dispositif d'assistance a la conduite d'un vehicule automobile dans une voie de circulation | |
| JPWO2021187161A5 (ja) | 車両制御装置および車両制御方法 | |
| CN113936259B (zh) | 一种基于视觉感知的智能汽车车身姿态控制方法及系统 | |
| CN109808694B (zh) | 一种车辆控制方法及装置 | |
| KR930012498A (ko) | 차량의 후륜조타제어방법 | |
| US11860627B2 (en) | Image processing apparatus, vehicle, control method for information processing apparatus, storage medium, information processing server, and information processing method for recognizing a target within a captured image | |
| US11600078B2 (en) | Information processing apparatus, information processing method, vehicle, information processing server, and storage medium | |
| JPH04303007A (ja) | 車両制御装置 | |
| JPH0740202B2 (ja) | 適応制御方法 | |
| CN113954849A (zh) | 一种电动汽车控制方法、装置、存储介质以及车辆 | |
| CN114590242A (zh) | 一种车辆控制方法及装置 | |
| CN116176600B (zh) | 一种智能健康座舱的控制方法 | |
| CN112632707B (zh) | 一种基于ann算法的工况融合路感模拟方法 | |
| CN112109725A (zh) | 考虑疲劳特性的驾驶员转向控制模型的建模系统及方法 | |
| Liu et al. | Personalized Automatic Driving System Based on Reinforcement Learning Technology |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200225 |
|
| RJ01 | Rejection of invention patent application after publication |