CN110893858B - 一种智能驾驶方法及智能驾驶系统 - Google Patents
一种智能驾驶方法及智能驾驶系统 Download PDFInfo
- Publication number
- CN110893858B CN110893858B CN201910283023.0A CN201910283023A CN110893858B CN 110893858 B CN110893858 B CN 110893858B CN 201910283023 A CN201910283023 A CN 201910283023A CN 110893858 B CN110893858 B CN 110893858B
- Authority
- CN
- China
- Prior art keywords
- scene
- vehicle
- driving
- class
- standard
- 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 88
- 238000001228 spectrum Methods 0.000 claims abstract description 47
- 238000013461 design Methods 0.000 claims description 104
- 238000004364 calculation method Methods 0.000 claims description 37
- 230000003993 interaction Effects 0.000 claims description 26
- 230000004044 response Effects 0.000 claims description 20
- 230000008447 perception Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 description 36
- 230000008569 process Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000007619 statistical method Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009118 appropriate response Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012549 training 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- 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
- B60W40/04—Traffic 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
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
-
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/005—Handover processes
- B60W60/0053—Handover processes from vehicle to occupant
-
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/005—Handover processes
- B60W60/0061—Aborting handover process
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0002—Automatic control, details of type of controller or control system architecture
- B60W2050/0004—In digital systems, e.g. discrete-time systems involving sampling
- B60W2050/0005—Processor details or data handling, e.g. memory registers or chip architecture
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0062—Adapting control system settings
- B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0062—Adapting control system settings
- B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
- B60W2050/0083—Setting, resetting, calibration
- B60W2050/0088—Adaptive recalibration
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/05—Type of road, e.g. motorways, local streets, paved or unpaved roads
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/406—Traffic density
-
- 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
- B60W2556/00—Input parameters relating to data
- B60W2556/10—Historical data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本申请实施例提供一种智能驾驶方法及智能驾驶系统,以解决现有无法准确识别出驾驶场景的问题。该方法可以包括:获取车辆当前时刻的特征参数以及车辆在未来预设时间段内驾驶场景的道路属性;其中,所述特征参数可以包括结构化语义信息、道路属性以及交通态势频谱;比较当前时刻的特征参数与场景特征库中标准场景的特征参数,以及比较车辆在未来预设时间段内驾驶场景的道路属性与场景特征库中标准场景的道路属性,根据比较结果确定每个场景类的总相似度;将N个场景类中总相似度最高的第一场景类确定为当前时刻的驾驶场景;根据确定结果控制车辆进行智能驾驶。
Description
技术领域
本申请涉及自动驾驶技术领域,尤其涉及一种智能驾驶方法及智能驾驶系统。
背景技术
智能驾驶车辆在普通车辆的基础上增加了先进的传感器(雷达、摄像)、控制器、执行器等装置,通过车载传感系统和信息终端实现与人、车、路等的智能信息交换,使车辆具备智能的环境感知能力,能够自动分析车辆行驶的安全及危险状态,并使车辆按照人的意愿到达目的地,最终实现替代人来操作的目的以减轻人驾驶汽车的负担。
在现有技术中,智能驾驶车辆的总控制系统,会统一采集各个分系统的各个部分的数据,然后对这些数据统一处理,进而对智能驾驶车辆进行控制。如:可以统计分析获取的道路环境视频图像并建立城市道路场景、乡村道路场景、高速公路场景识别数据库,并利用深度卷积神经网络对数据库内样本图片进行特征提取和卷积训练,得到卷积神经网络分类器,最终将实时感知图片输入卷积神经网络分类器进行识别,分类出当前车辆所处驾驶场景。
然而,上述采用卷积神经网络分类器对场景进行分类的方式,在雨天、雾天、光照条件等不好的情况下容易造成实时感知图像不清晰,降低将实时感知图片输入卷积神经网络分类器进行识别的准确性,进而无法准确识别出当前驾驶场景,影响车辆的智能驾驶。
发明内容
本申请实施例提供一种智能驾驶方法及智能驾驶系统,以解决现有无法准确识别出当前驾驶场景,影响车辆的智能驾驶的问题。
为达到上述目的,本申请实施例提供如下技术方案:
第一方面,本申请实施例提供一种智能驾驶方法,所述方法包括:获取车辆当前时刻的特征参数(结构化语义信息、道路属性以及交通态势频谱)以及车辆在未来预设时间段内驾驶场景的道路属性,比较当前时刻的特征参数与场景特征库中标准场景的特征参数、以及比较车辆在未来预设时间段内驾驶场景的道路属性与场景特征库中标准场景的道路属性,根据比较结果确定场景特征库中每个场景类的总相似度;将N个场景类中总相似度最高的第一场景类确定为当前时刻的驾驶场景;根据确定结果控制车辆的驾驶状态。基于第一方面提供的方法,可以基于结构化语义信息、道路属性以及交通态势频谱三种维度识别车辆当前时刻属于的场景类,使得场景类识别时参考的信息更加全面、可靠,提高了场景识别的准确性,提高了智能驾驶的可实现性。同时,基于结构化语义信息而不是图片识别场景类,降低了运算复杂度。
在第一方面的第一种可能的设计中,结合第一方面,对于场景库中的任一场景,比较当前时刻的特征参数与场景特征库中标准场景的特征参数、以及比较车辆在未来预设时间段内驾驶场景的道路属性与场景特征库中标准场景的道路属性,根据比较结果确定场景类的总相似度,包括:将当前时刻的结构化语义信息与场景特征库中标准场景的结构化语义信息进行比较,得到标准场景的第一相似度,对属于场景类的所有标准场景的第一相似度进行组合计算,得到场景类的第一概率;将当前时刻的道路属性与场景特征库中标准场景的道路属性进行比较,得到标准场景的第二相似度,对属于场景类的所有标准场景的第二相似度进行组合计算,得到场景类的第二概率;将车辆在未来预设时间段内驾驶场景的道路属性与场景特征库中标准场景的道路属性进行比较,得到标准场景的第三相似度,对属于场景类的所有标准场景的第三相似度进行组合计算,得到场景类的第三概率;将当前时刻的交通态势频谱与场景特征库中标准场景的交通态势频谱进行比较,得到标准场景的第四相似度,对属于场景类的所有标准场景的第四相似度进行组合计算,得到场景类的第四概率;根据场景类的第一概率、场景类的第二概率、场景类的第三概率以及场景类的第四概率得到场景类的总相似度。如此,可以基于结构化语义信息、道路属性以及交通态势频谱三种维度识别车辆当前时刻属于的场景类。
在第一方面的第二种可能的设计中,结合第一方面的第一种可能的设计,在比较当前时刻的特征参数与场景特征库中标准场景的特征参数、以及比较车辆在未来预设时间段内驾驶场景的道路属性与场景特征库中标准场景的道路属性之前,所述方法还包括:将场景特征库中不含有实时结构化语义信息的标准场景的相似度设置为0。如此,可以筛选场景特征库中不含有实时结构化语义信息的标准场景,不需要对场景特征库中,降低后续结构化语义信息比较的复杂性。
在第一方面的第三种可能的设计中,结合第一方面或者第一方面的任一种可能的设计,根据确定结果控制车辆进行智能驾驶,包括:判断第一场景类是否与前一时刻的场景类相同;若第一场景类与前一时刻的场景类相同,则判断车辆当前的设计运行范围是否满足第一场景类对应的设计运行范围;若车辆当前的设计运行范围满足第一场景类对应的设计运行范围,则维持当前驾驶状态不变;若车辆当前的设计运行范围不满足第一场景类对应的设计运行范围,则发送故障告警信息。如此,可以在当前驾驶场景与前一时刻的驾驶场景相同、且车辆当前驾驶情况可以支持车辆在当前驾驶场景下运行时,保护当前驾驶状态不变。
在第一方面的第四种可能的设计中,结合第一方面的第三种可能的设计,所述方法还包括:若第一场景类与前一时刻的场景类不相同,则判断车辆当前的设计运行范围是否满足第一场景类对应的设计运行范围;若车辆当前的设计运行范围满足第一场景类对应的设计运行范围,则将车辆从当前驾驶状态切换到第一场景类对应的驾驶状态;若车辆当前的设计运行范围不满足第一场景类对应的设计运行范围,则判断车辆当前的设计运行范围是否满足前一时刻的场景类对应的设计运行范围,若车辆当前的设计运行范围满足前一时刻的场景类对应的设计运行范围,则发送场景类切换不成功信息,并维持当前驾驶状态不变;若车辆当前的设计运行范围不满足前一时刻的场景类对应的设计运行范围,则发送故障告警信息。如此,可以在当前驾驶场景与前一时刻的驾驶场景不同时,智能地切换车辆的驾驶状态,使其适用于当前驾驶场景。
在第一方面的第五种可能的设计中,结合第一方面的第三种可能的设计或者第一方面的第四种可能的设计,在发送故障告警信息之后,所述方法还包括:判断驾驶员是否已接管车辆;若确定驾驶员接管车辆,则向车辆上的车辆主动执行单元发送用于指示释放驾驶权的操作指令以及向驾驶员发送释放通知;若确定驾驶员未接管车辆,则向车辆主动执行单元发送用于指示安全停车的操作指令。如此,可以保证驾驶员接管该车辆后,才停止智能驾驶,提高了驾驶的安全性以及用户体验。
在第一方面的第六种可能的设计中,结合第一方面或第一方面的任一种可能的设计,在根据确定结果控制车辆进行智能驾驶之前,所述方法还包括:获取智能驾驶指示;其中,智能驾驶指示用于指示是否停止车辆的智能驾驶;若智能驾驶指示用于指示对车辆的进行智能驾驶,则根据确定结果控制车辆进行智能驾驶;若智能驾驶指示用于指示停止车辆的智能驾驶,则向车辆上的车辆主动执行单元发送用于指示释放驾驶权的操作指令以及向驾驶员发送释放通知。如此,可以在驾驶员(或者用户)的指示下才进行智能驾驶,提高了用户体验。
第二方面,本申请提供一种智能驾驶系统,该智能驾驶系统可以为车辆或者车辆中组合在一起的多个模块。该智能驾驶系统可以实现上述各方面或者各可能的设计所述的智能驾驶方法,所述功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个上述功能相应的模块。如:该智能驾驶系统可以包括:
感知融合单元,用于获取车辆当前时刻的特征参数以及车辆在未来预设时间段内驾驶场景的道路属性;其中,特征参数包括结构化语义信息、道路属性以及交通态势频谱;
场景类识别单元,用于比较当前时刻的特征参数与场景特征库中标准场景的特征参数、以及比较车辆在未来预设时间段内驾驶场景的道路属性与场景特征库中标准场景的道路属性,根据比较结果确定场景特征库中每个场景类的总相似度,将N个场景类中总相似度最高的第一场景类确定为当前时刻的驾驶场景;其中,场景特征库中包括N个场景类,每个场景类对应M个标准场景,每个标准场景对应有特征参数;N为大于或等于1的整数,M为大于或等于1的整数;
场景类切换模块,用于根据确定结果控制车辆的驾驶状态。
其中,智能驾驶系统的具体实现方式可以参考第一方面或第一方面的任一种可能的设计提供的智能驾驶方法中的各个步骤,在此不再重复赘述。因此,该智能驾驶系统可以达到与第一方面或者第一方面的任一种可能的设计相同的有益效果。
第三方面,本申请提供一种智能驾驶方法,该方法用于智能驾驶系统,该智能系统位于车辆,该方法包括:获取车辆在第一时间的特征参数以及车辆在第一时间的未来预设时间段内驾驶场景的道路属性,其中,该特征参数包括结构化语义信息、道路属性以及交通态势频谱;根据车辆在第一时间的特征参数以及车辆在未来预设时间段内驾驶场景的道路属性,选择场景特征库中的第一驾驶场景类;发送第一请求,该第一请求用于请求将车辆在第一时间的驾驶场景切换为第一驾驶场景类;接收第一响应,该第一响应用于指示将车辆在第一时间的驾驶场景切换为第一驾驶场景类,根据第一驾驶场景类控制车辆的驾驶状态。
在第三方面中,一种可能的实现方式是,选择场景特征库中的第一驾驶场景类,包括:比较车辆在第一时间的特征参数与特征场景库中标准场景的特征参数、以及比较车辆在第一时间的未来预设时间段内驾驶场景的道路属性与场景特征库中标准场景的道路属性,根据比较结果确定场景特征库中每个场景类的总相似度,其中,该场景特征库中包括N个场景类,每个场景类对应M个标准场景,N与M均为正整数;将所述N个场景类中总相似度最高的第一场景类确定为所述第一时间的驾驶场景。
在第三方面中,另一种可能的实现方式是,当根据第一驾驶场景类控制车辆的驾驶状态之后,该方法还包括:选择场景特征库中的第二驾驶场景类为第二时间的驾驶场景;发送第二请求,该第二请求用于请求将车辆在第二时间的驾驶场景切换为第二驾驶场景类;当在预设的时间内未接收到第二响应时,维持根据第二驾驶场景类控制该车辆的驾驶状态,其中,该第二响应用于指示将车辆当前的驾驶场景切换为第二驾驶场景类。
在第三方面中,另一种可能的实现方式是,当在预设时间内未接收到第二响应之后,该方法包括:确定车辆在第二时间的设计运行范围不满足第一场景类对应的设计运行范围;发送故障告警信息。
在第三方面中,另一种可能的实现方式是,在发送故障告警信息之后,该方法还包括:判断驾驶员是否已经接管车辆;若确定驾驶员已经接管车辆,则发送用于指示释放驾驶权的操作指令以及向驾驶员发送释放通知,若确定驾驶员未接管车辆,则发送用于指示安全停车的操作指令。
第四方面,提供一种智能驾驶系统,该智能驾驶系统包括获取模块、确定模块和交互模块,该智能驾驶系统的具体实现方式可以参考第三方面或第三方面的任一种可能的实现方式所提供的智能驾驶方法中的各个步骤,在此不再重复赘述。
第五方面,提供了一种智能驾驶系统,包括:处理器、存储器;该存储器用于存储计算机执行指令,当该智能驾驶系统运行时,该处理器执行该存储器存储的该计算机执行指令,以使该智能驾驶系统执行如上述第一方面、第三方面、第一方面的任一种可能的设计所述的智能驾驶方法或者第三方面的任一种可能的实现方式提供的智能驾驶方法。此外,该智能驾驶系统还可以包括车辆主动执行单元、传感器单元以及人机交互界面(或通信接口)。
第四方面,提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机可以执行上述第一方面、第三方面、第一方面的任一种可能的设计所述的智能驾驶方法或者第三方面的任一种可能的实现方式提供的智能驾驶方法。
第五方面,提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机可以执行上述第一方面、第三方面、第一方面的任一种可能的设计所述的智能驾驶方法或者第三方面的任一种可能的实现方式提供的智能驾驶方法。
第六方面,提供了一种芯片系统,该芯片系统包括处理器、通信接口,用于支持智能驾驶系统实现上述方面中所涉及的功能,例如处理器获取车辆当前时刻的特征参数以及车辆在未来预设时间段内驾驶场景的道路属性;比较当前时刻的特征参数与场景特征库中标准场景的特征参数、以及比较车辆在未来预设时间段内驾驶场景的道路属性与场景特征库中标准场景的道路属性,根据比较结果确定场景特征库中每个场景类的总相似度,将N个场景类中总相似度最高的第一场景类确定为当前时刻的驾驶场景;根据确定结果控制车辆的驾驶状态。在一种可能的设计中,所述芯片系统还包括存储器、车辆主动执行单元、传感器单元以及人机交互界面,所述存储器,用于保存智能驾驶系统必要的程序指令、数据和智能驾驶算法。该芯片系统,可以由芯片构成,也可以包含芯片和其他分立器件。
其中,第三方面至第六方面中任一种设计方式所带来的技术效果可参见上述第一方面、第三方面、第一方面的任一种可能的设计所述的智能驾驶方法或者第三方面的任一种可能的实现方式提供的智能驾驶方法所带来的技术效果,不再赘述。
附图说明
图1为本申请实施例提供的原理框图;
图2为本申请实施例提供的一种智能驾驶系统的组成示意图;
图3为本申请实施例提供的一种智能驾驶方法流程图;
图4a为本申请实施例提供的一种计算第一概率的方法流程图;
图4b为本申请实施例提供的一种计算第二概率、第三概率的方法流程图;
图4c为本申请实施例提供的一种计算第四概率的方法流程图;
图5a为本申请实施例提供的一种智能切换方法流程图;
图5b为本申请实施例提供的又一种智能切换方法流程图;
图6为本申请实施例提供的又一智能驾驶系统的组成示意图。
图7为本申请实施例提供的又一智能驾驶系统的组成示意图。
具体实施方式
下面结合附图对本申请实施例提供的方法进行阐述。
图1为本申请实施例提供的智能驾驶方法的原理框图,如图1所示,本申请实施例的思想为:预先设置场景特征库,该场景特征库包括场景类、场景类对应的标准场景以及标准场景对应的结构化语义信息、道路属性以及交通态势频谱,将当前时刻获取到的结构化语义信息、道路属性以及交通态势频谱与场景特征库包括的结构化语义信息、道路属性以及交通态势频谱分别进行比较,找到与当前时刻的驾驶场景(本申请实施例中,为了便于描述,可以将当前时刻的驾驶场景描述为当前驾驶场景)最相似的场景类,确定当前驾驶场景属于该场景类,即综合结构化语义信息、地图信息以及交通势态信息等多方面因素对当前驾驶场景进行识别,确定当前驾驶场景所属的场景类,并根据识别结果自动切换智能驾驶算法,使切换后的车辆驾驶状态符合当前驾驶场景,实现对车辆的智能驾驶。例如,可以根据当前驾驶场景的识别结果,切换车辆的驾驶状态使其适用于新的驾驶场景或者保持当前驾驶状态不变等。
该方法可以由图2所示的智能驾驶系统200执行,该智能驾驶系统200可以为车辆,该车辆可以为轿车、货车、卡车或其他任何类型的车辆,不予限制。如图2所示,该智能驾驶系统200可以包括但不限于:处理器210、存储器220、车辆主动执行单元230,传感器单元240,人机交互界面250,连接不同系统组件(包括存储器220、处理器210、车辆主动执行单元230,传感器单元240、人机交互界面250)的总线260。
其中,处理器210可以是一个中央处理器(Central Processing Unit,CPU),也可以是特定集成电路(Application Specific Integrated Circuit,ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路,例如:一个或多个数字信号处理器(DigitalSignal Processor,DSP),或,一个或者多个现场可编程门阵列(Field Programmable GateArray,FPGA)。
所述存储器220存储有程序以及智能驾驶算法,所述程序代码可以被所述处理器210执行,使得所述处理器210执行本申请实施例所述的智能驾驶方法。例如,所述处理器210可以执行如图3中所示的步骤。当处理器210识别出当前驾驶场景后,可以根据与当前驾驶场景对应的智能驾驶算法对车辆进行智能驾驶。
所述存储器220可以包括易失性存储器形式的可读介质,例如随机存取存储单元(random access memory,RAM)和/或高速缓存存储器,还可以进一步包括只读存储器(read-only memory,ROM)。所述存储器220还可以包括具有一组(至少一个)程序模块的程序/实用工具,这样的程序模块包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
该车辆执行单元230包括但不限于制动系统、转向系统、驱动系统、照明系统,每一个系统都具备接受上层指令,并执行指令动作的能力。处理器210可以按照智能驾驶算法的规定向车辆执行单元230发送操作指令,使车辆驾驶状态符合当前驾驶场景。
传感器单元240,该传感器单元包括但不限于摄像头、雷达、激光、地图、定位模块等系统,主要用于收集车辆周围的事物的相关信息。
人机交互模块250可以为设置在车辆上的显示屏或者触摸屏,可称为人机交互界面(human machine interface,HMI),驾驶员可以通过触摸操作向车辆发送操作指令,人机交互模块250可以将处理器210生成的指令或者信息显示给驾驶员。类似的,人机交互模块250也可以使用语音等方式实现车辆与驾驶员之间的交互,本申请不对人机交互模块250的形态和运行方式进行限定。
总线260可以为表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器、外围总线、图形加速端口、处理器或者使用多种总线结构中的任意总线结构的局域总线。
下面结合附图2对本申请实施例提供的智能驾驶技术进行阐述。需要说明的是,本申请下述实施例中各参数的名字只是一个示例,具体实现中也可以是其他的名字,本申请实施例对此不作具体限定。
图3为本申请实施例提供的一种智能驾驶方法,如图3所示,该方法可以包括:
步骤301:获取车辆当前时刻的特征参数以及车辆在未来预设时间段内驾驶场景的道路属性。
其中,所述特征参数可以包括结构化语义信息、道路属性以及交通态势频谱,还可以包括其他用于表征驾驶场景的特征参数,不予限制。
本申请实施例中,结构化语义信息可以由驾驶场景中的物体信息转换而成,可以用于表征驾驶场景中的物体属性,如:结构化语义信息可以包括物体的坐标、速度、加速度等参数信息。其中,驾驶场景中的物体可以为人、数木、花草、建筑物、山川河流等等。示例性的,可以通过车辆上的外部感知模块(如:视觉传感器(或摄像头)、激光雷达、毫米波雷达、全球定位(global positioning system,GPS)定位模块和高精度地图等)实时采集当前时刻车辆行驶时周边的物体信息,将采集到的物体信息经过感知融合算法处理后得到结构化语义信息。其中,感知融合算法为图像处理中的常用算法,不同驾驶场景对应的感知融合算法不同,本申请实施例中,经过感知融合算法处理后得到结构化语义信息的过程可参照现有技术,不予赘述。
道路属性可以用于表征车辆行驶的道路的类型,如:可以为高速公路、城际公路、乡村小路、地库行车道、大马路等等。示例性的,可以通过车辆上的GPS定位模块和高精度地图确定当前时刻的道路属性,如:通过GPS定位模块定位车辆当前运行位置,查找高精度地图中车辆定位的位置,根据该位置的环境确定道路属性。示例性的,可以通过车辆上的GPS定位模块、高精度地图和全局规划信息确定车辆在未来预设时间内驾驶场景的道路属性。其中,全局规划信息用于规定用户此次的行车路线,可以由用户预先设置并存储在车辆上。未来预设时间段可以指当前时刻之后的时间段,该时间段可以根据需要进行设置,不予限制。例如,用户此次行车路线为从A地出发经过B、C、D到达E地,若车辆当前定位到B地,未来预设时间段设置为2个小时,这2小时的行车时间可以使车辆行驶到C地,且通过查看高精度地图确定从B到C需要经过一段高速公路,则可以确定车辆在未来预设时间段内驾驶场景的道路属性为:高速公路。
交通态势频谱可以用于表征车辆的运行状态以及交通参数车辆的运行状态,车辆的运行状态可以包括但不限于:车辆的车速、方向盘转角、车辆横摆角等。交通参与车辆可以指在本车周围行驶的车辆,交通参与车辆的运行状态可以包括但不限于:交通参与车辆距离本车的距离、交通参与车辆的运行速度等。示例性的,可以收集车辆执行模块(如:制动系统、转向系统、驱动系统、照明系统等)在一段时间内上报的车辆状态参数信息,对车辆状态信息进行傅里叶变换,生成车辆状态参数信息的频谱特征FA,同时,通过车辆上的外部感知模块(如:视觉传感器(或摄像头)、激光雷达、毫米波雷达、GPS定位模块和高精度地图等)采集一段时间内参与车辆的运行状态信息,对参与车辆的运行状态信息进行傅里叶变换,生成参与车辆的运行状态信息的频谱特征FOA,将频谱特征FA和频谱特征FOA组成当前时刻的交通态势频谱;其中,一段时间可以指包括当前时刻在内的一段时间。傅里叶变换可以为现有常用的傅里叶变换算法,不再赘述。
步骤302:比较车辆当前时刻的特征参数与场景特征库中标准场景的特征参数,以及比较车辆在未来预设时间段内驾驶场景的道路属性与场景特征库中标准场景的道路属性,根据比较结果确定每个场景类的总相似度。
其中,场景特征库中可以包括N个场景类,每个场景类可以由M个标准场景表征,每个标准场景对应有如下特征参数:结构化语义信息、道路属性以及交通态势频谱。N为大于或等于1的整数,M为大于或等于1的整数。场景类为目前常见的一些驾驶场景。可选的,可以收集大量车辆位于不同时刻的驾驶场景,通过统计分析算法对收集到的驾驶场景进行分析处理得到N个场景类、每个场景类对应的标准场景以及每个标准对应的特征参数。其中,统计分析算法为现有算法,不予赘述。除此之外,还可以通过统计分析算法分析得到不同道路属性间的相似度,将不同道路属性间的相似度保存在场景特征库中,不同道路属性间的相似度越高,表示道路情况比较接近,反之,则表示道路情况相差较大,如:高速公路与快速干道相差不大,二者间的相关性较高;高速公路和山间小路相差较大,二者之间的相似度较低。
其中,场景特征库可以以列表的形式预先存在在智能驾驶系统上,并动态维护,如:当有新的场景类出现时,可以将该场景类对应的标准场景以及标准场景对应的特征参数实时添加到该场景特征库中;或者,场景特征库存储在其他设备上,在执行步骤302时从其他设备获取场景特征库。
需要说明的是,每个标准场景对应的结构化语义信息、道路属性以及交通态势频谱不限于存储在同一场景特征库中,还可以将每个标准场景对应的结构化语义信息、道路属性以及交通态势频谱可以分开单独存储在不同的特征库中,如:可以将N个场景类,每个场景类对应的M个标准场景的结构化语义信息以列表的形式存储在场景语义库;可以将N个场景类,每个场景类对应的M个标准场景的道路属性以列表的形式存储在场景道路属性库;可以将N个场景类,每个场景类对应的M个标准场景的交通态势频谱以列表的形式存储在场景交通态势特征库。
其中,场景类的总相似度可以用于表征场景类与当前驾驶场景间的相似程度,总相似度越高,表示当前驾驶场景越有可能为该场景类,反之,则表示当前驾驶场景不可能为该场景类。
步骤303:将N个场景类中总相似度最高的第一场景类确定为当前时刻的驾驶场景。
可选的,可以将N个场景类的总相似度按照从大到小的顺序进行排列,将排到最前面的场景类确定为当前时刻的驾驶场景;或者,将N个场景类的总相似度按照从小到大的顺序进行排列,将排到最后的场景类确定为当前时刻的驾驶场景。
步骤304:根据确定结果控制车辆进行智能驾驶。
其中,控制车辆进行智能驾驶可以指控制车辆的制动系统、转向系统、驱动系统、照明系统等车辆上的车辆执行单元,使车辆当前驾驶状态满足当前驾驶场景。
图3所示的智能驾驶方法可以基于结构化语义信息、道路属性以及交通态势频谱三种维度识别车辆当前驾驶场景属于的场景类,使得场景类识别时参考的信息更加全面、可靠,提高了场景识别的准确性,提高了智能驾驶的可实现性。同时,基于结构化语义信息而不是图片识别场景类,降低了运算复杂度。
具体的,步骤302比较当前时刻的特征参数与场景特征库中标准场景的特征参数,以及比较车辆在未来预设时间段内驾驶场景的道路属性与场景特征库中标准场景的道路属性,根据比较结果确定每个场景类的总相似度可以包括下述(1)~(4):
(1)将当前时刻的结构化语义信息与场景特征库中标准场景的结构化语义信息进行比较,得到标准场景的第一相似度,对属于场景类的所有标准场景的第一相似度进行组合计算,得到场景类的第一概率。
具体的,该确定过程可参照图4a所示,可以包括:
S401a:统计分析得到N个场景类。
S402a:统计分析每个场景类对应的M个标准场景。
S403a:将所有标准场景对应的图像信息经过感知融合算法处理得到所有标准场景对应的结构化语义信息,将场景类、标准场景以及结构化语义信息对应存储在场景语义库中。
S404a:获取当前时刻的结构化语义信息。
S405a:将当前时刻的结构化语义信息与场景语义库中标准场景对应的结构化语义信息进行比较,得到当前驾驶场景和标准场景间的相似度。
S406a:对于任一场景类,将属于该场景类的标准场景对应的相似度进行组合计算,得到该场景类的第一概率。其中,组合计算可以指加权求和或者求和平均等。
可选的,为了降低计算复杂度,在图4a中,可以所有场景类对应的标准场景的结构化语义信息进行筛选,将不含有实时结构化语义信息的标准场景的相似度设置(或赋值)为0,如:可以将不含有实时结构化语义信息的标准场景的第一相似度、第二相似度、第三相似度以及第四相似度设置为0,即这些标准场景无需与实时驾驶场景对应的结构化语义信息进行比较。其中,不含有实时结构化语义信息可以指与实时驾驶场景对应的结构化语义信息所表征的物体完全不同的结构化语义信息。例如,标准场景1对应的结构化语义信息可以表征高山、树木等物体的属性,而实时驾驶场景对应的结构化语义信息用于表征农舍、草原等物体的属性,二者毫不相关,则可以将标准场景1对应的结构化语义信息确定为不含有实时结构化语义信息。
(2)将当前时刻的道路属性与场景特征库中标准场景的道路属性进行比较,得到标准场景与当前驾驶场景间的第二相似度,对属于场景类的所有标准场景的第二相似度进行组合计算,得到场景类的第二概率;将车辆在未来预设时间段内驾驶场景的道路属性与场景特征库中标准场景的道路属性进行比较,得到标准场景与当前驾驶场景间的第三相似度,对属于场景类的所有标准场景的第三相似度进行组合计算,得到场景类的第三概率。
具体的,该确定过程可参照图4b所示,可以包括:
S401b:统计分析每个场景类对应的标准场景的道路属性以及不同道路属性间的相似度。
S402b:将场景类、标准场景、道路属性以及不同道路属性间的相似度对应存储在场景道路属性库中。
S403b:获取当前时刻的道路属性。
S404b:将当前时刻的道路属性与场景道路属性库中标准场景对应的道路属性进行比较,得到当前驾驶场景和标准场景间的第二相似度。
S405b:对于任一场景类,将属于该场景类的标准场景对应的第二相似度进行组合计算,得到该场景类的第二概率。
S406b:获取车辆在未来预设时间段内驾驶场景的道路属性。
S407b:将车辆在未来预设时间段内驾驶场景的道路属性与场景道路属性库中标准场景对应的道路属性进行比较,得到当前驾驶场景和标准场景间的第三相似度。
S408b:将属于该场景类的标准场景对应的第三相似度进行组合计算,得到该场景类的第三概率。
其中,将当前时刻的道路属性与场景道路属性库中标准场景对应的道路属性进行比较,得到当前驾驶场景和标准场景间的相似度可以包括:若当前时刻的道路属性与场景道路属性库中标准场景对应的道路属性相同,则确定相似度为1,若不同,则根据场景道路属性库中预先存储的不同道路属性间的相似度器确定当前时刻的道路属性与场景道路属性库中标准场景对应的道路属性的相似度。其中,组合计算可以指加权求和或者求和平均等。
(3)将当前时刻的交通态势频谱与场景特征库中标准场景的交通态势频谱进行比较,得到标准场景与当前驾驶场景间的第四相似度,对属于场景类的所有标准场景的第四相似度进行组合计算,得到场景类的第四概率。
具体的,该确定过程可参照图4c所示,可以包括:
S401c:统计分析每个场景类对应的标准场景下的车辆状态信息的频谱特征以及标准场景下的交通参与车辆的观测参数的频谱特征。
S402c:将车辆状态信息的频谱特征以及交通参与车辆的观测参数的频谱特征组成标准场景的交通态势频谱,将场景类、标准场景、交通态势频谱对应存储在场景交通态势库中。
S403c:获取当前时刻的交通态势频谱。
S404c:将当前时刻的交通态势频谱与场景交通态势频谱库中标准场景对应的交通态势频谱进行比较,得到当前驾驶场景和标准场景间的相似度。
S405c:对于任一场景类,将属于该场景类的标准场景对应的相似度进行组合计算,得到该场景类的第四概率。
其中,组合计算可以指加权求和或者求和平均等。
(4)根据场景类的第一概率、场景类的第二概率、场景类的第三概率以及场景类的第四概率得到场景类的总相似度。
示例性的,可以将场景类的第一概率、场景类的第二概率、场景类的第三概率以及场景类的第四概率进行求和运算得到场景类的总相似度,该求和运算可以为加权求和,也可以为求和平均等。例如,假设场景类的第一概率为Ui、场景类的第二概率为Vi、场景类的第三概率为V'i,场景类的第四概率为Wi,则场景类的总相似度为Pi可以为:
Pi=(UiViWi)1/3(αUi+βVi+γWi)+θV'i 4/3
其中,α、β、γ和θ为加权系数,可以根据需要进行设置,不予限制。
需要说明的是,本申请实施例中,标准场景的各个相似度(第一相似度、第二相似度、三相似度以及第四相似度)可以用于表征当前驾驶场景属于该标准场景的可能性,相似度越大,表示当前驾驶场景越可能属于该标准场景,反之,则表示当前驾驶场景不可能为该标准场景。
具体的,步骤304根据确定结果控制车辆驾驶如图5a所示,可以包括:
S501:判断第一场景类是否与前一时刻的场景类相同;
S502:若第一场景类与前一时刻的场景类相同,则判断车辆当前的设计运行范围是否满足第一场景类对应的设计运行范围,若满足,则执行步骤S503。若不满足,则执行步骤S504。
S503:维持当前驾驶状态不变。
S504:发送故障告警信息(或者人工接管请求信息)。
S505:若第一场景类与前一时刻的场景类不同,则判断车辆当前的设计运行范围是否满足第一场景类对应的设计运行范围,若满足,则执行步骤S506。若不满足,则执行S507。
S506:将车辆从当前驾驶状态切换到第一场景类对应的驾驶状态;
S507:判断车辆当前的设计运行范围是否满足前一时刻的场景类对应的设计运行范围,若车辆当前的设计运行范围满足前一时刻的场景类对应的设计运行范围,则执行步骤S508;若车辆当前的设计运行范围不满足前一时刻的场景类对应的设计运行范围,则执行步骤S509。
S508:发送场景类切换不成功信息,并维持当前驾驶状态不变。
S509:发送故障告警信息(或者人工接管请求信息)。
其中,前一时刻可以指当前时刻之前的时刻。
其中,车辆的设计运行范围可以用于指车辆正常运行在某个驾驶场景时的驾驶状态,可以包括驾驶员状态、车辆故障状态、控制器硬件故障状态以及结构化语义信息等多个。可选的,可以统计分析N个场景类对应的设计运行范围,将N个场景类对应的设计运行范围预先存储在场景特征库中。其中,统计分析N个场景类对应的设计运行范围的过程可参照现有技术,不再赘述。
其中,故障告警信息可以用于指示车辆当前可能处于故障状态、不适合行驶。人工接管请求信息可以用于请求用户自己来手动控制车辆进行智能驾驶。
其中,将车辆从当前驾驶状态切换到第一场景类对应的驾驶状态可以包括:获取第一场景类对应的智能驾驶算法,根据第一场景类对应的智能驾驶算法切换车辆的运行状态。智能驾驶算法与场景类对应,N个场景类可能一一对应N个智能驾驶算法。可选的,可以将N个场景类对应的N个智能驾驶算法预先存储在智能驾驶系统中。
其中,场景类切换不成功信息可以用于指示未能成功将车辆当前驾驶状态切换到第一场景类对应的驾驶状态。发送场景类切换不成功信息,并维持当前驾驶状态不变可以包括:通过人机交互模块向用户发送场景类切换不成功信息,并执行当前场景类对应的智能驾驶算法不变。
可选的,在车辆行驶过程中,为了提高用户体验,在根据确定结果控制车辆进行智能驾驶之前,如图5b所示,所述方法还可以包括:
S510:获取智能驾驶指示,确定该智能驾驶指示用于指示是否停止车辆的智能驾驶(即是否智能驾驶车辆);其中,智能驾驶指示可以由驾驶员或者云端操作发出。
S511:若智能驾驶指示用于指示停止车辆的智能驾驶,则向车辆主动执行单元发送用于指示释放驾驶权的操作指令,并驾驶员发出释放通知。
其中,向车辆主动执行单元发送用于指示释放驾驶权的操作指令可以包括但不限于释放方向盘、刹车、油门等的控制权。释放通知可以用于通知驾驶员(或用户)已停止车辆的智能驾驶,即车辆的智能驾驶权利已释放。可选的,释放通知可以包括但不限于语音告警、灯光告警、安全带收紧等一种或多种操作。
S512:若智能驾驶指示用于指示智能驾驶车辆(即不停止车辆的智能驾驶),则判断是否接收到用于指示切换到第二场景类对应的驾驶状态的场景切换指示,若接收到场景切换指示,则执行步骤S513;若未接收到场景切换指示,则根据图5a的执行结果控制车辆进行智能驾驶。
S513:获取第二场景类对应的智能驾驶算法,根据第二场景类对应的智能驾驶算法切换车辆的运行状态。
如:根据第二场景类对应的智能驾驶算法向车辆主动执行单元(制动系统、转向系统、驱动系统、照明系统等)发出操作指令,使其按照操作指令工作。
具体的,如图5b所示,在发送故障告警信息(或者人工接管请求信息)后,所述方法还可以包括:
S514:判断驾驶员是否已接管车辆,若接管,执行步骤S515,否则,执行步骤S516。
例如,可以通过车辆主动执行单元输入的车辆状态参数判断驾驶员是否已接管车辆;
S515:向车辆主动执行单元发送用于指示释放驾驶权的操作指令,并向驾驶员发出释放通知。
S516:向车辆主动执行单元发送用于指示安全停车的操作指令。
其中,用于指示安全停车的操作指令可以包括但不限于方向盘缓慢归中、油门释放、一定的刹车百分比等。
如此,可以通过判断是否满足场景类的设计运行范围和对切换交互过程的监管,确保了使用每一个场景类算法的安全性;通过判断驾驶员和云端意图,确保了驾驶员和云端意图的高优先级,增加了专利的实用性;同时,本申请实施例确保智能驾驶算法在不同场景内的连贯切换,实现了全工况模式的智能驾驶。
下面以某型号轿车从A点智能驾驶到B点为例对本申请实施例提供的智能驾驶算法进行描述,其中,该轿车具有制动系统、转向系统、驱动系统、照明系统等车辆主动执行单元,这些系统都具备接受来自智能驾驶系统指令的能力,同时该轿车拥有摄像头、雷达、激光、地图、定位模块等传感器单元。且从A点智能驾驶到B点的过程中会有城区主干道2车道、城区主干道4车道、城区3叉路口、城区4叉路口、城区高架桥路段、城区高楼间阴影路口、城区修路路段、城区垃圾堆放路段、乡村道路、高速公路收费站、高速公路匝道、高速公路修路路段、高速公路交通事故路段…等路段,每个路段可能会有堵车、道路通畅多种情况出现。
1)对从A点智能驾驶到B点的场景进行分类:将A点到B点的场景统计并分析后,可以分成以下8类:
a、城区结构化无堵车场景类{城区主干道2车道通畅场景,城区主干道4车道通畅场景,城区高架桥路段通畅场景…}。
b、交叉路口场景类{城区3叉路口,城区4叉路口…}。
c、非结构化不规则道路场景类{城区修路路段场景,乡村道路场景,高速公路匝道场景,高速公路修路路段场景,高速公路交通事故路段场景…}。
d、高速公路无堵车场景类{高速公路2车道场景,高速公路3车道场景..}。
e、城区和高速结构化堵车场景类{城区主干道2车道堵车场景,城区主干道4车道堵车场景,城区高架桥路段堵车场景,高速公路2车道堵车场景…}。
f、隧道场景类{城区高楼间阴影路口,隧道…}。
g、泊车场景类{停车场A场景,停车场B场景…}。
h、收费站场景类{高速入口场景,高速出口场景…}。
2)统计分析每个场景类的标准场景:
a、城区结构化无堵车场景类{标准场景1,标准场景2,…,标准场景20}。
b、交叉路口场景类{标准场景1,标准场景2,…,标准场景20}。
c、非结构化不规则道路场景类{标准场景1,标准场景2,…,标准场景20}。
d、高速公路无堵车场景类{标准场景1,标准场景2,…,标准场景20}。
e、城区和高速结构化堵车场景类{标准场景1,标准场景2,…,标准场景20}。
f、隧道场景类{标准场景1,标准场景2,…,标准场景20}。
g、泊车场景类{标准场景1,标准场景2,…,标准场景20}。
h、收费站场景类{标准场景1,标准场景2,…,标准场景20}。
3)获取每一个场景类的结构化语义信息、道路属性以及交通态势频谱,建立场景特征库。
4)根据实时场景的结构化语义信息和每一个标准场景的结构化语义信息集对比求相似度,得到从感知维度计算的当前驾驶场景属于每一个场景类的概率;
根据实时场景的道路属性信息、全局规划点的道路属性信息和每一个场景类的道路属性对比,得到从地图维度计算的当前驾驶场景属于每一个场景类的概率,预期场景属于每一个场景类的概率;
根据实时场景的车辆状态参数信息和每一个场景类的车辆状态参数特征频谱的相似性、交通参与车辆的观测参数信息和交通参与车辆的观测参数特征频谱的相似性,得到从交通态势维度计算的当前驾驶场景属于每一个场景类的概率;
根据以上3个维度的概率,综合计算实时场景和每一场景类总相似度,总相似度最高的场景类为识别出的场景类。
5)若识别出场景类为交叉路口场景类,且正在运行的智能驾驶算法为城区结构化无堵车场景类算法,根据设计运行范围判断信息判断是否满足交叉路口场景类设计运行范围:
1)如果满足,发送切换到交叉路口场景类的指令;
2)如果不满足,再次判断是否满足城区结构化无堵车场景类的设计运行范围:a)如果满足,发送维持城区结构化无堵车场景指令和场景类切换到交叉路口场景类不成功信息;b)如果不满足,发送故障告警信息和人工接管请求信息;
6)若识别场景类为交叉路口场景类,且正在运行的智能驾驶算法也是交叉路口场景类算法,根据设计运行范围判断信息判断是否满足交叉路口场景类设计运行范围:如果满足,发送维持交叉路口场景类的指令,如果不满足,发送故障告警信息和人工接管请求信息;
7)根据驾驶员或云端操作意图判断是否有停止智能驾驶系统的指令信息:
如果有,向车辆主动执行模块发送释放油门、档位、方向盘、刹车等系统的控制权指令,并通过HMI告知驾驶员;如果没有,判断驾驶员或云端操作意图是否有让驾驶系统切换到某个场景类的企图,如果有,向感知融合算子选择模块和决策控制算子模块发送切换到该场景类对应算法,如果没有,接收来自场景类切换判断模块的信息;
当信息为切换到交叉路口场景类的指令时,发送切换到交叉路口场景类对应的智能驾驶算法;
当信息为发送维持城区结构化无堵车场景类指令和场景类切换到交叉路口场景类不成功信息时,发送维持城区结构化无堵车场景类指令对应的智能驾驶算法,并向交互模块发送场景类切换到交叉路口场景类不成功信息;
当信息为故障告警信息和人工接管请求信息时,发送故障告警信息和人工接管请求,当接收到人工接管的反馈(来自车辆执行模块的车辆状态参数信息)时,释放油门、档位、方向盘、刹车等系统的控制权指令,并通过HMI告知驾驶员,当一段时间内仍没有接收到人工接管的反馈时,控制车辆安全停车(向油门、档位、方向盘、刹车等系统发送控制指令);
当信息为维持交叉路口场景类的指令时,发送维持交叉路口场景类对应的智能驾驶算法。
可以理解的是,上述车辆为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对执行上述智能驾驶方法的车辆或者智能驾驶系统进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
在本申请所提供的一种实现方式中,在场景切换的过程中,车辆中的智能驾驶系统和驾驶员的交互可以预设有多种场景切换模式,驾驶员可以预先选择其中的一种场景切换模式。关于车辆可能提供的场景切换模式,具体如下:
第一种,切换仅通知模式。在自动化程度较高的智能驾驶车辆,可以提供切换仅通知模式,在这种模式下,当车辆判断需要进行场景切换时,可以自行进行场景切换,不需要经过驾驶员的确认。在场景切换的同时,可以通过人机交互界面250或者语音通知驾驶员车辆已进行了场景切换。进一步的,驾驶员也可以设置让车辆不通知场景切换的信息。
具体来说,在国际自动机工程师学会(SAE International)制定的标准中,将无人驾驶级别分成5级。其中,第四级(Level 4,L4)对应高度的自动化,具体是指由自动驾驶系统完成所有驾驶操作,驾驶员并不必要根据系统请求提供应答,在实践中,车辆可以在地图绘制完善的区域完成人类司机能够完成的多数任务。第五级(Level 5,L5)对应完全的自动化,具体是指由自动驾驶系统能够在不限定道路和环境条件的情况下完成所有的驾驶操作,驾驶员仅在必要的情况下接管车辆。通常来说,在实现L4和L5的车辆中,车辆可以在大多数情况下实现自动驾驶,而不需要驾驶员的介入,从而可以提供切换仅通知模式。
第二种,默认同意模式。对于自动化程度还不足够高的智能驾驶车辆,可以提供默认同意模式,在这种模式下,当车辆判断需要进行场景切换时,先通过人机交互界面或者语音向驾驶员发出请求。驾驶员可以响应该请求,指示车辆进行场景切换;或者当驾驶员没有在预设的时间内响应该请求时,车辆默认驾驶员同意该场景切换请求。在这种情况下,车辆进行驾驶场景的切换。例如,在无人驾驶级别的第三级(Level 3,L3),由车辆的自动驾驶系统完成所有的驾驶操作,驾驶员根据车辆的自动驾驶系统的请求提供适当的应答,并随时接管车辆的控制权。通常来说,在实现L3的车辆中,可以提供默认同意模式。
第三种,默认拒绝模式。对于自动化程度较低的智能驾驶车辆,可以提供默认拒绝模式。在这种情况下,当车辆判断需要进行场景切换时,先通过人机交互界面或者语音向驾驶员发出请求。例如,车辆根据当前时刻的特征参数等信息,建议选择场景特征库中的第一驾驶场景类作为车辆的驾驶场景,可以发出请求,提示驾驶员进行确认。如果驾驶员没有在预设的时间内响应该请求,则车辆默认驾驶员拒绝该场景切换请求。在这种情况下,车辆将保持前一时刻的驾驶场景。如果车辆当前的设计运行范围不满足前一时刻的驾驶场景对应的设计运行范围,则车辆发出故障告警信息,并请求驾驶员接管车辆。当发送故障告警信息后,间隔预设的时间(例如3秒)后判断驾驶员是否已经接管了该车辆,如果确定驾驶员已经接管了该车辆,则发送指示释放驾驶权的操作指令,并向驾驶员发送驾驶权释放通知;如果驾驶员未在预设的时间内接管车辆,则智能驾驶系统发送指示安全停车的操作指令,以保证驾驶安全。
需要指出的是,上述三种场景切换模式仅为举例说明本申请可以提供多种场景切换的过程中车辆和驾驶员的交互方式,并不对本申请进行限定。同样,上述说明中,将车辆的无人驾驶级别与车辆可能提供的切换模式进行对应,仅为一种可能的实现方式,并不对本申请进行限定。
图6为本申请实施例提供的一种智能驾驶系统,该智能驾驶系统可以为车辆或包括在车辆中。如图6所示,该智能驾驶系统60可以包括:感知融合单元61、场景类识别单元62、场景类切换模块63,还可以包括车辆执行单元64。
感知融合单元61,用于获取车辆当前时刻的特征参数以及车辆在未来预设时间段内驾驶场景的道路属性。例如,感知融合单元61可以执行步骤301。
场景类识别单元62,用于比较车辆当前时刻的特征参数与场景特征库中标准场景的特征参数、以及比较车辆在未来预设时间段内驾驶场景的道路属性与场景特征库中标准场景的道路属性,根据比较结果确定场景特征库中每个场景类的总相似度,将N个场景类中总相似度最高的第一场景类确定为当前时刻的驾驶场景;其中,场景特征库中包括N个场景类,每个场景类对应M个标准场景,每个标准场景对应有特征参数;N为大于或等于1的整数,M为大于或等于1的整数。例如,场景类识别单元62可以执行步骤302和步骤303。
场景类切换模块63,用于根据确定结果控制车辆的驾驶状态。例如,场景类切片模块63可以执行步骤304。
如图6所示,场景类识别单元62,可以包括:
场景类感知概率计算模块620,用于将当前时刻的结构化语义信息与场景特征库中标准场景的结构化语义信息进行比较,得到标准场景的第一相似度,对属于场景类的所有标准场景的第一相似度进行组合计算,得到场景类的第一概率。例如,场景类感知概率计算模块620可以执行图4a所示过程。
场景类地图概率计算模块621,用于将当前时刻的道路属性与场景特征库中标准场景的道路属性进行比较,得到标准场景的第二相似度,对属于场景类的所有标准场景的第二相似度进行组合计算,得到场景类的第二概率;以及,将车辆在未来预设时间段内驾驶场景的道路属性与场景特征库中标准场景的道路属性进行比较,得到标准场景的第三相似度,对属于场景类的所有标准场景的第三相似度进行组合计算,得到场景类的第三概率。例如,场景类地图概率计算模块621可以执行图4b所示过程。
场景类交通态势概率计算模块622,用于将当前时刻的交通态势频谱与场景特征库中标准场景的交通态势频谱进行比较,得到标准场景的第四相似度,对属于场景类的所有标准场景的第四相似度进行组合计算,得到场景类的第四概率。例如,场景类交通态势概率计算模块622可以执行图4c所示过程。
场景类识别判断模块623,用于根据场景类的第一概率、场景类的第二概率、场景类的第三概率以及场景类的第四概率得到场景类的总相似度。
需要说明的是,上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应功能模块的功能描述,在此不再赘述。本申请实施例提供的智能驾驶系统,用于执行上述智能驾驶方法,因此可以达到与上述智能驾驶方法相同的效果。
作为又一种可实现方式,智能驾驶系统60可以包括:处理模块、通信模块以及车辆主动执行单元。感知融合单元61、场景类识别单元62、场景类切换模块63可以集成在处理模块中。处理模块用于对智能驾驶系统60的动作进行控制管理,例如,处理模块用于支持该通信装置11执行步骤301、步骤302、步骤303、步骤304等以及执行本文所描述的技术的其它过程。通信模块用于支持智能驾驶系统60与驾驶员进行通信,可以为人机交互界面。进一步的,该智能驾驶系统60还可以包括存储模块,用于存储智能驾驶系统60的程序代码和智能驾驶算法。
其中,处理模块可以是处理器或控制器。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等等。通信模块可以是人机交互界面等。存储模块可以是存储器。当处理模块为处理器,通信模块为人机交互界面,存储模块为存储器时,图6所示智能驾驶系统60可以为图2所示智能驾驶系统。
图7为本申请实施例提供的又一智能驾驶系统的组成示例图。
如图7所示,智能驾驶系统70包括获取模块71、确定模块72和交互模块73。其中,获取模块71用于获取车辆在第一时间的特征参数以及车辆在第一时间的未来预设时间段内驾驶场景的道路属性,其中,所述特征参数包含结构化语义信息、道路属性以及交通态势频谱;确定模块72,用于根据所述车辆在第一时间的特征参数以及车辆在未来预设时间段内驾驶场景的道路属性,选择场景特征库中的第一驾驶场景类;交互模块73,用于:发送第一请求,所述第一请求用于请求将所述车辆在所述第一时间内的驾驶场景切换为第一驾驶场景类;接收第一响应,所述第一响应用于指示将车辆在第一时间的驾驶场景切换为第一场景类;根据第一驾驶类控制车辆的驾驶状态。
在一种可能的实现方式中,当选择场景特征库中的第一驾驶场景类时,确定模块72具体用于:比较车辆在第一时间的特征参数与特征场景库中标准场景的特征参数的道路属性,根据比较结果确定场景特征库中每个场景类的总相似度,其中,每个场景特征库中包括N个场景类,每个场景类对应M个标准场景,N和M均为正整数;将所述N个场景类中总相似度最高的第一场景类确定为第一时间的驾驶场景。
在一种可能的实现方式中,当根据第一驾驶场景类控制车辆的驾驶状态之后,确定模块72还用于,选择场景特征库中的第二驾驶场景类为第二时间的驾驶场景;交互模块73还用于:发送第二请求,该第二请求用于请求将车辆在第二时间的驾驶场景切换为第二驾驶场景;当在预设的时间内未接收到第二响应时,维持根据第一驾驶场景类控制车辆的驾驶状态,其中,第二响应用于指示将车辆当前的驾驶场景切换为第二驾驶场景类。
在一种可能的实现方式中,当在预设的时间内未接收到第二响应之后,确定模块71还用于,确定车辆在第二时间的设计运行范围不满足第一场景类对应的设计运行范围;交互模块73还用于,发送故障告警信息。
在一种可能的实现方式中,当发送故障告警信息之后,确定模块71还用于,判断驾驶员是否已经接管所述车辆;交互模块73还用于,若确定模块71确定驾驶员已经接管车辆,则发送用于指示释放驾驶权的操作指令以及向所述驾驶员发送释放通知;若确定模块71确定驾驶员未接管所述车辆,则发送用于指示安全停车的操作指令。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时,可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程系统。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带),光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
尽管在此结合各实施例对本申请进行了描述,然而,在实施所要求保护的本申请过程中,本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书,可理解并实现所述公开实施例的其他变化。在权利要求中,“包括”(comprising)一词不排除其他组成部分或步骤,“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施,但这并不表示这些措施不能组合起来产生良好的效果。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (24)
1.一种智能驾驶方法,其特征在于,所述方法包括:
获取车辆当前时刻的特征参数以及车辆在未来预设时间段内驾驶场景的道路属性;其中,所述特征参数包括结构化语义信息、道路属性以及交通态势频谱;
比较所述车辆当前时刻的特征参数与场景特征库中标准场景的特征参数、以及比较所述车辆在未来预设时间段内驾驶场景的道路属性与所述场景特征库中标准场景的道路属性,根据比较结果确定所述场景特征库中每个场景类的总相似度;其中,所述场景特征库中包括N个场景类,每个场景类对应M个标准场景,每个标准场景对应有特征参数;所述N为大于或等于1的整数,所述M为大于或等于1的整数;
将所述N个场景类中总相似度最高的第一场景类确定为当前时刻的驾驶场景;
获取第二场景类,所述第二场景类为根据用户指令获得的驾驶场景,或者可以为根据云端指令获得的驾驶场景;
当所述第一场景类和所述第二场景类不一致时,选择第二场景类作为所述车辆当前时刻的驾驶场景。
2.根据权利要求1所述的方法,其特征在于,对于所述场景特征库中的任一场景,比较所述车辆当前时刻的特征参数与场景特征库中标准场景的特征参数、以及比较所述车辆在未来预设时间段内驾驶场景的道路属性与所述场景特征库中标准场景的道路属性,根据比较结果确定所述场景类的总相似度,包括:
将所述当前时刻的结构化语义信息与所述场景特征库中标准场景的结构化语义信息进行比较,得到所述标准场景的第一相似度,对属于所述场景类的所有标准场景的第一相似度进行组合计算,得到所述场景类的第一概率;
将所述当前时刻的道路属性与所述场景特征库中标准场景的道路属性进行比较,得到所述标准场景的第二相似度,对属于所述场景类的所有标准场景的第二相似度进行组合计算,得到所述场景类的第二概率;
将所述车辆在未来预设时间段内驾驶场景的道路属性与所述场景特征库中标准场景的道路属性进行比较,得到所述标准场景的第三相似度,对属于所述场景类的所有标准场景的第三相似度进行组合计算,得到所述场景类的第三概率;
将所述当前时刻的交通态势频谱与所述场景特征库中标准场景的交通态势频谱进行比较,得到所述标准场景的第四相似度,对属于所述场景类的所有标准场景的第四相似度进行组合计算,得到所述场景类的第四概率;
根据所述场景类的第一概率、所述场景类的第二概率、所述场景类的第三概率以及所述场景类的第四概率得到所述场景类的总相似度。
3.根据权利要求2所述的方法,其特征在于,在比较所述车辆当前时刻的特征参数与场景特征库中标准场景的特征参数、以及比较所述车辆在未来预设时间段内驾驶场景的道路属性与所述场景特征库中标准场景的道路属性之前,所述方法还包括:
将所述场景特征库中不含有实时结构化语义信息的标准场景的相似度设置为0。
4.根据权利要求1所述的方法,其特征在于,在将所述N个场景类中总相似度最高的第一场景类确定为当前时刻的驾驶场景之后,所述方法还包括:
判断所述第一场景类是否与前一时刻的场景类相同;
若所述第一场景类与前一时刻的场景类相同,则判断所述车辆当前的设计运行范围是否满足所述第一场景类对应的设计运行范围;
若所述车辆当前的设计运行范围满足所述第一场景类对应的设计运行范围,则维持当前驾驶状态不变;若所述车辆当前的设计运行范围不满足所述第一场景类对应的设计运行范围,则发送故障告警信息。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
若所述第一场景类与前一时刻的场景类不相同,则判断所述车辆当前的设计运行范围是否满足所述第一场景类对应的设计运行范围;
若所述车辆当前的设计运行范围满足所述第一场景类对应的设计运行范围,则将所述车辆从当前驾驶状态切换到所述第一场景类对应的驾驶状态;
若所述车辆当前的设计运行范围不满足所述第一场景类对应的设计运行范围,则判断所述车辆当前的设计运行范围是否满足前一时刻的场景类对应的设计运行范围,若所述车辆当前的设计运行范围满足所述前一时刻的场景类对应的设计运行范围,则发送场景类切换不成功信息,并维持当前驾驶状态不变;若所述车辆当前的设计运行范围不满足所述前一时刻的场景类对应的设计运行范围,则发送故障告警信息。
6.根据权利要求4所述的方法,其特征在于,在所述发送故障告警信息之后,所述方法还包括:
判断驾驶员是否已接管所述车辆;
若确定所述驾驶员接管所述车辆,则向所述车辆上的车辆主动执行单元发送用于指示释放驾驶权的操作指令以及向所述驾驶员发送释放通知;若确定所述驾驶员未接管所述车辆,则向所述车辆主动执行单元发送用于指示安全停车的操作指令。
7.根据权利要求1-6任一项所述的方法,其特征在于,在将所述N个场景类中总相似度最高的第一场景类确定为当前时刻的驾驶场景之后,所述方法还包括:
获取智能驾驶指示;其中,所述智能驾驶指示用于指示是否停止所述车辆的智能驾驶;
若所述智能驾驶指示用于指示对所述车辆的进行智能驾驶,则根据确定结果控制所述车辆进行智能驾驶;
若所述智能驾驶指示用于指示停止所述车辆的智能驾驶,则向所述车辆上的车辆主动执行单元发送用于指示释放驾驶权的操作指令以及向驾驶员发送释放通知。
8.一种智能驾驶系统,其特征在于,所述系统包括:
感知融合单元,用于获取车辆当前时刻的特征参数以及车辆在未来预设时间段内驾驶场景的道路属性;其中,所述特征参数包括结构化语义信息、道路属性以及交通态势频谱;
场景类识别单元,用于比较所述车辆当前时刻的特征参数与场景特征库中标准场景的特征参数、以及比较所述车辆在未来预设时间段内驾驶场景的道路属性与所述场景特征库中标准场景的道路属性,根据比较结果确定所述场景特征库中每个场景类的总相似度;其中,所述场景特征库中包括N个场景类,每个场景类对应M个标准场景,每个标准场景对应有特征参数;所述N为大于或等于1的整数,所述M为大于或等于1的整数;
以及,将所述N个场景类中总相似度最高的第一场景类确定为所述当前时刻的驾驶场景;
所述场景类 识别单元还用于获取第二场景类,所述第二场景类为根据用户指令获得的驾驶场景,或者可以为根据云端指令获得的驾驶场景;
当所述第一场景类和所述第二场景类不一致时,选择第二场景类作为所述车辆当前时刻的驾驶场景。
9.根据权利要求8所述的系统,其特征在于,所述场景类识别单元,包括:
场景类感知概率计算模块,用于将所述车辆当前时刻的结构化语义信息与所述场景特征库中标准场景的结构化语义信息进行比较,得到所述标准场景的第一相似度,对属于所述场景类的所有标准场景的第一相似度进行组合计算,得到所述场景类的第一概率;
场景类地图概率计算模块,用于将所述车辆当前时刻的道路属性与所述场景特征库中标准场景的道路属性进行比较,得到所述标准场景的第二相似度,对属于所述场景类的所有标准场景的第二相似度进行组合计算,得到所述场景类的第二概率;
以及,将所述车辆在未来预设时间段内驾驶场景的道路属性与所述场景特征库中标准场景的道路属性进行比较,得到所述标准场景的第三相似度,对属于所述场景类的所有标准场景的第三相似度进行组合计算,得到所述场景类的第三概率;
场景类交通态势概率计算模块,用于将所述车辆当前时刻的交通态势频谱与所述场景特征库中标准场景的交通态势频谱进行比较,得到所述标准场景的第四相似度,对属于所述场景类的所有标准场景的第四相似度进行组合计算,得到所述场景类的第四概率;
场景类识别判断模块,用于根据所述场景类的第一概率、所述场景类的第二概率、所述场景类的第三概率以及所述场景类的第四概率得到所述场景类的总相似度。
10.根据权利要求9所述的系统,其特征在于,
所述场景类识别单元,还用于在比较所述车辆当前时刻的特征参数与场景特征库中标准场景的特征参数、以及比较所述车辆在未来预设时间段内驾驶场景的道路属性与所述场景特征库中标准场景的道路属性之前,将所述场景特征库中不含有实时结构化语义信息的标准场景的相似度设置为0。
11.根据权利要求8所述的系统,其特征在于,所述系统还包括场景类切换模块,用于:
判断所述第一场景类是否与前一时刻的场景类相同;
若所述第一场景类与前一时刻的场景类相同,则判断所述车辆当前的设计运行范围是否满足所述第一场景类对应的设计运行范围;
若所述车辆当前的设计运行范围满足所述第一场景类对应的设计运行范围,则维持当前驾驶状态不变;若所述车辆当前的设计运行范围不满足所述第一场景类对应的设计运行范围,则发送故障告警信息。
12.根据权利要求11所述的系统,其特征在于,所述场景类切换模块,还用于:
若所述第一场景类与前一时刻的场景类不相同,则判断所述车辆当前的设计运行范围是否满足所述第一场景类对应的设计运行范围;
若所述车辆当前的设计运行范围满足所述第一场景类对应的设计运行范围,则将所述车辆从当前驾驶状态切换到所述第一场景类对应的驾驶状态;
若所述车辆当前的设计运行范围不满足所述第一场景类对应的设计运行范围,则判断所述车辆当前的设计运行范围是否满足前一时刻的场景类对应的设计运行范围,若所述车辆当前的设计运行范围满足所述前一时刻的场景类对应的设计运行范围,则发送场景类切换不成功信息,并维持当前驾驶状态不变;若所述车辆当前的设计运行范围不满足所述前一时刻的场景类对应的设计运行范围,则发送故障告警信息。
13.根据权利要求11所述的系统,其特征在于,所述系统还包括:车辆主动执行单元;所述场景类切换模块,还用于:
在所述发送故障告警信息之后,判断驾驶员是否已接管所述车辆;
若确定所述驾驶员接管所述车辆,则向所述车辆上的车辆主动执行单元发送用于指示释放驾驶权的操作指令以及向所述驾驶员发送释放通知;若确定所述驾驶员未接管所述车辆,则向所述车辆主动执行单元发送用于指示安全停车的操作指令。
14.根据权利要求8-13任一项所述的系统,其特征在于,所述场景类切换模块,还用于:
在将所述N个场景类中总相似度最高的第一场景类确定为所述当前时刻的驾驶场景之后,获取智能驾驶指示;其中,所述智能驾驶指示用于指示是否停止所述车辆的智能驾驶;
若所述智能驾驶指示用于指示对所述车辆的进行智能驾驶,则根据确定结果控制所述车辆进行智能驾驶;若所述智能驾驶指示用于指示停止所述车辆的智能驾驶,则向所述车辆上的车辆主动执行单元发送用于指示释放驾驶权的操作指令以及向驾驶员发送释放通知。
15.一种智能驾驶方法,其特征在于,所述方法用于智能驾驶系统,所述智能驾驶系统位于车辆,所述方法包括:
获取车辆在第一时间的特征参数以及车辆在所述第一时间的未来预设时间段内驾驶场景的道路属性,其中,所述特征参数包含结构化语义信息、道路属性以及交通态势频谱;
根据所述车辆在第一时间的特征参数以及车辆在所述第一时间的未来预设时间段内驾驶场景的道路属性,选择场景特征库中的第一驾驶场景类;
发送第一请求,所述第一请求用于请求将所述车辆在所述第一时间的驾驶场景切换为所述第一驾驶场景类;
接收第一响应,所述第一响应用于指示将所述车辆在所述第一时间的驾驶场景切换为所述第一驾驶场景类;
根据所述第一驾驶场景类控制所述车辆的驾驶状态。
16.根据权利要求15所述的方法,其特征在于,所述选择场景特征库中的第一驾驶场景类,包括:
比较所述车辆在所述第一时间的特征参数与所述场景特征库中标准场景的特征参数,以及比较所述车辆在所述第一时间的未来预设时间段内驾驶场景的道路属性与所述场景特征库中标准场景的道路属性,根据比较结果确定所述场景特征库中每个场景类的总相似度;其中,所述场景特征库中包括N个场景类,每个场景类对应M个标准场景,N和M均为正整数;
将所述N个场景类中总相似度最高的第一场景类确定为所述第一时间的驾驶场景。
17.根据权利要求15或16所述的方法,其特征在于,当根据所述第一驾驶场景类控制所述车辆的驾驶状态之后,所述方法还包括:
选择所述场景特征库中的第二驾驶场景类为第二时间的驾驶场景;
发送第二请求,所述第二请求用于请求将所述车辆在第二时间的驾驶场景切换为所述第二驾驶场景类;
当在预设的时间内未接收到第二响应时,维持根据所述第一驾驶场景类控制所述车辆的驾驶状态,其中,所述第二响应用于指示将车辆当前的驾驶场景切换为所述第二驾驶场景类。
18.根据权利要求17所述的方法,其特征在于,当在预设的时间内未接收到第二响应之后,所述方法还包括:
确定所述车辆在所述第二时间的设计运行范围不满足所述第一场景类对应的设计运行范围;
发送故障告警信息。
19.根据权利要求18所述的方法,其特征在于,在所述发送故障告警信息之后,所述方法还包括:
判断驾驶员是否已接管所述车辆;
若确定所述驾驶员接管所述车辆,则发送用于指示释放驾驶权的操作指令以及向所述驾驶员发送释放通知;若确定所述驾驶员未接管所述车辆,则发送用于指示安全停车的操作指令。
20.一种智能驾驶系统,其特征在于,所述系统包括:
获取模块,用于获取车辆在第一时间的特征参数以及车辆在所述第一时间的未来预设时间段内驾驶场景的道路属性,其中,所述特征参数包含结构化语义信息、道路属性以及交通态势频谱;
确定模块,用于根据所述车辆在所述第一时间的特征参数以及车辆在所述第一时间的未来预设时间段内驾驶场景的道路属性,选择场景特征库中的第一驾驶场景类;
交互模块,用于:发送第一请求,所述第一请求用于请求将所述车辆在所述第一时间内的驾驶场景切换为所述第一驾驶场景类;
接收第一响应,所述第一响应用于指示将所述车辆在所述第一时间的驾驶场景切换为所述第一驾驶场景类;
根据所述第一驾驶场景类控制所述车辆的驾驶状态。
21.根据权利要求20所述的系统,其特征在于,当选择场景特征库中的第一驾驶场景类时,所述确定模块具体用于:
比较所述车辆在所述第一时间的特征参数与所述场景特征库中标准场景的特征参数、以及比较所述车辆在所述第一时间的未来预设时间段内驾驶场景的道路属性与所述场景特征库中标准场景的道路属性,根据比较结果确定所述场景特征库中每个场景类的总相似度;其中,所述场景特征库中包括N个场景类,每个场景类对应M个标准场景,N和M均为正整数;
将所述N个场景类中总相似度最高的第一场景类确定为所述第一时间的驾驶场景。
22.根据权利要求20或21所述的系统,其特征在于,当根据所述第一驾驶场景类控制所述车辆的驾驶状态之后,
所述确定模块还用于,选择所述场景特征库中的第二驾驶场景类为第二时间的驾驶场景;
所述交互模块还用于:发送第二请求,所述第二请求用于请求将所述车辆在第二时间的驾驶场景切换为所述第二驾驶场景类;
当在预设的时间内未接收到第二响应时,维持根据所述第一驾驶场景类控制所述车辆的驾驶状态,其中,所述第二响应用于指示将车辆当前的驾驶场景切换为所述第二驾驶场景类。
23.根据权利要求22所述的系统,其特征在于,当在预设的时间内未接收到第二响应之后,
所述确定模块还用于,确定所述车辆在所述第二时间的设计运行范围不满足所述第一场景类对应的设计运行范围;
所述交互模块还用于,发送故障告警信息。
24.根据权利要求23所述的系统,其特征在于,当发送故障告警信息之后,
所述确定模块还用于,判断驾驶员是否已接管所述车辆;
所述交互模块还用于,若所述确定模块确定所述驾驶员接管所述车辆,则发送用于指示释放驾驶权的操作指令以及向所述驾驶员发送释放通知;若所述确定模块确定所述驾驶员未接管所述车辆,则发送用于指示安全停车的操作指令。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811062799 | 2018-09-12 | ||
CN2018110627991 | 2018-09-12 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110893858A CN110893858A (zh) | 2020-03-20 |
CN110893858B true CN110893858B (zh) | 2021-11-09 |
Family
ID=69785775
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910283023.0A Active CN110893858B (zh) | 2018-09-12 | 2019-04-10 | 一种智能驾驶方法及智能驾驶系统 |
CN201910630930.8A Active CN110893860B (zh) | 2018-09-12 | 2019-07-12 | 一种智能驾驶方法及智能驾驶系统 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910630930.8A Active CN110893860B (zh) | 2018-09-12 | 2019-07-12 | 一种智能驾驶方法及智能驾驶系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11724700B2 (zh) |
EP (1) | EP3754552A4 (zh) |
CN (2) | CN110893858B (zh) |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110893858B (zh) * | 2018-09-12 | 2021-11-09 | 华为技术有限公司 | 一种智能驾驶方法及智能驾驶系统 |
DE102020200183A1 (de) * | 2020-01-09 | 2021-07-15 | Continental Automotive Gmbh | Verfahren zum Erstellen einer probabilistischen Freiraumkarte mit statischen und dynamischen Objekten |
CN112740725B (zh) * | 2020-03-31 | 2022-02-25 | 华为技术有限公司 | 驾驶数据采集方法及装置 |
CN111645682B (zh) * | 2020-04-20 | 2021-12-28 | 长城汽车股份有限公司 | 一种巡航控制方法、系统及车辆 |
CN111775962B (zh) * | 2020-07-13 | 2022-04-22 | 中国联合网络通信集团有限公司 | 自动行驶策略的确定方法及装置 |
CN111845786B (zh) * | 2020-07-13 | 2022-05-13 | 中国联合网络通信集团有限公司 | 自动行驶策略的确定方法及装置 |
CN113954858A (zh) * | 2020-07-20 | 2022-01-21 | 华为技术有限公司 | 一种规划车辆行驶路线的方法以及智能汽车 |
CN112092827B (zh) * | 2020-09-23 | 2022-04-22 | 北京百度网讯科技有限公司 | 自动驾驶功能控制方法、装置、电子设备及存储介质 |
CN112364847A (zh) * | 2021-01-12 | 2021-02-12 | 深圳裹动智驾科技有限公司 | 基于个例大数据的自动驾驶预测方法和计算机设备 |
CN112721909B (zh) * | 2021-01-27 | 2022-04-08 | 浙江吉利控股集团有限公司 | 一种车辆的控制方法、控制系统及车辆 |
CN113050678A (zh) * | 2021-03-02 | 2021-06-29 | 山东罗滨逊物流有限公司 | 基于人工智能的自主协同控制方法及系统 |
CN113110435A (zh) * | 2021-04-06 | 2021-07-13 | 新石器慧通(北京)科技有限公司 | 无人车的驾驶模式切换方法、装置、电子设备和介质 |
CN113119999B (zh) * | 2021-04-16 | 2024-03-12 | 阿波罗智联(北京)科技有限公司 | 自动驾驶特征的确定方法、装置、设备、介质及程序产品 |
CN113673403B (zh) * | 2021-08-12 | 2022-10-11 | 深圳普捷利科技有限公司 | 行驶环境检测方法、系统、装置、计算机设备、计算机可读存储介质及汽车 |
CN113581211B (zh) * | 2021-08-30 | 2022-11-29 | 深圳清航智行科技有限公司 | 一种车辆行驶控制方法、系统、装置及可读存储介质 |
CN113859116A (zh) * | 2021-09-01 | 2021-12-31 | 郑州嘉晨电器有限公司 | 一种工业车辆的危险识别方法、装置及系统 |
US11693752B2 (en) * | 2021-09-15 | 2023-07-04 | International Business Machines Corporation | Measuring driving model coverage by microscope driving model knowledge |
CN115272994B (zh) * | 2021-09-29 | 2023-07-25 | 上海仙途智能科技有限公司 | 自动驾驶预测模型训练方法、装置、终端及介质 |
CN114103973B (zh) * | 2021-11-12 | 2024-05-28 | 上汽通用五菱汽车股份有限公司 | 车辆控制方法、装置、车辆及计算机可读存储介质 |
CN118215612A (zh) * | 2021-11-19 | 2024-06-18 | 华为技术有限公司 | 一种信息处理方法及装置 |
CN114620055B (zh) * | 2022-03-15 | 2022-11-25 | 阿波罗智能技术(北京)有限公司 | 道路数据处理方法、装置、电子设备及自动驾驶车辆 |
CN114454889B (zh) * | 2022-04-14 | 2022-06-28 | 新石器慧通(北京)科技有限公司 | 用于远程驾驶的行驶路面状况反馈方法、装置和无人车 |
CN115092177B (zh) * | 2022-06-22 | 2024-06-25 | 重庆长安汽车股份有限公司 | 一种无人驾驶车辆匝道目标场景的id分配方法及存储介质 |
CN114802240B (zh) * | 2022-06-24 | 2022-09-27 | 禾多科技(北京)有限公司 | 车辆车速控制方法、装置、设备和计算机可读介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103247186A (zh) * | 2013-04-26 | 2013-08-14 | 广州通易科技有限公司 | 一种基于场景的辅助驾驶系统实现方法 |
CN105023451A (zh) * | 2014-04-15 | 2015-11-04 | 福特全球技术公司 | 驾驶场景预测和自动车辆设置调整 |
CN107609502A (zh) * | 2017-09-05 | 2018-01-19 | 百度在线网络技术(北京)有限公司 | 用于控制无人驾驶车辆的方法和装置 |
CN108139884A (zh) * | 2016-09-28 | 2018-06-08 | 百度(美国)有限责任公司 | 模拟自动驾驶车辆移动的物理模型和结合机器学习的方法 |
JP2018192954A (ja) * | 2017-05-18 | 2018-12-06 | トヨタ自動車株式会社 | 運転支援装置 |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120075856A (ko) * | 2010-12-29 | 2012-07-09 | 한국과학기술원 | 운전 상황 인지를 통한 지능형 경제 운전 장치 및 방법 |
US8457827B1 (en) * | 2012-03-15 | 2013-06-04 | Google Inc. | Modifying behavior of autonomous vehicle based on predicted behavior of other vehicles |
CN103778443B (zh) | 2014-02-20 | 2017-05-03 | 公安部第三研究所 | 基于主题模型方法和领域规则库实现场景分析描述的方法 |
US9290174B1 (en) * | 2014-10-23 | 2016-03-22 | GM Global Technology Operations LLC | Method and system for mitigating the effects of an impaired driver |
CN105488534B (zh) * | 2015-12-04 | 2018-12-07 | 中国科学院深圳先进技术研究院 | 交通场景深度解析方法、装置及系统 |
CN105719362B (zh) | 2016-01-05 | 2018-09-18 | 常州加美科技有限公司 | 一种无人驾驶车辆的备用电脑 |
US10049267B2 (en) * | 2016-02-29 | 2018-08-14 | Toyota Jidosha Kabushiki Kaisha | Autonomous human-centric place recognition |
US9898008B2 (en) * | 2016-03-22 | 2018-02-20 | Delphi Technologies, Inc. | Scenario aware perception system for an automated vehicle |
CN105954048A (zh) | 2016-07-07 | 2016-09-21 | 百度在线网络技术(北京)有限公司 | 测试无人车正常驾驶的方法及装置 |
CN108024270B (zh) | 2016-11-03 | 2021-09-14 | 华为技术有限公司 | 一种信息发送方法、单元和系统 |
US10421460B2 (en) * | 2016-11-09 | 2019-09-24 | Baidu Usa Llc | Evaluation framework for decision making of autonomous driving vehicle |
US10318827B2 (en) * | 2016-12-19 | 2019-06-11 | Waymo Llc | Object detection neural networks |
US11055605B2 (en) | 2017-04-25 | 2021-07-06 | Nec Corporation | Detecting dangerous driving situations by parsing a scene graph of radar detections |
CN107272687A (zh) | 2017-06-29 | 2017-10-20 | 深圳市海梁科技有限公司 | 一种自动驾驶公交车辆的驾驶行为决策系统 |
CN107697070B (zh) * | 2017-09-05 | 2020-04-07 | 百度在线网络技术(北京)有限公司 | 驾驶行为预测方法和装置、无人车 |
CN107609602A (zh) * | 2017-09-28 | 2018-01-19 | 吉林大学 | 一种基于卷积神经网络的驾驶场景分类方法 |
US10976737B2 (en) * | 2017-11-21 | 2021-04-13 | GM Global Technology Operations LLC | Systems and methods for determining safety events for an autonomous vehicle |
JP6888538B2 (ja) * | 2017-12-18 | 2021-06-16 | トヨタ自動車株式会社 | 車両制御装置 |
US11204605B1 (en) * | 2018-08-03 | 2021-12-21 | GM Global Technology Operations LLC | Autonomous vehicle controlled based upon a LIDAR data segmentation system |
CN110893858B (zh) * | 2018-09-12 | 2021-11-09 | 华为技术有限公司 | 一种智能驾驶方法及智能驾驶系统 |
EP4024308A1 (en) * | 2021-01-05 | 2022-07-06 | MasterCard International Incorporated | Artificial intelligence based methods and systems for facilitating payment authorizations in autonomous vehicles |
-
2019
- 2019-04-10 CN CN201910283023.0A patent/CN110893858B/zh active Active
- 2019-07-12 CN CN201910630930.8A patent/CN110893860B/zh active Active
- 2019-07-15 EP EP19858830.3A patent/EP3754552A4/en active Pending
-
2020
- 2020-09-23 US US17/029,561 patent/US11724700B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103247186A (zh) * | 2013-04-26 | 2013-08-14 | 广州通易科技有限公司 | 一种基于场景的辅助驾驶系统实现方法 |
CN105023451A (zh) * | 2014-04-15 | 2015-11-04 | 福特全球技术公司 | 驾驶场景预测和自动车辆设置调整 |
CN108139884A (zh) * | 2016-09-28 | 2018-06-08 | 百度(美国)有限责任公司 | 模拟自动驾驶车辆移动的物理模型和结合机器学习的方法 |
JP2018192954A (ja) * | 2017-05-18 | 2018-12-06 | トヨタ自動車株式会社 | 運転支援装置 |
CN107609502A (zh) * | 2017-09-05 | 2018-01-19 | 百度在线网络技术(北京)有限公司 | 用于控制无人驾驶车辆的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110893860B (zh) | 2021-03-30 |
CN110893860A (zh) | 2020-03-20 |
EP3754552A1 (en) | 2020-12-23 |
EP3754552A4 (en) | 2021-09-29 |
US20210009156A1 (en) | 2021-01-14 |
CN110893858A (zh) | 2020-03-20 |
US11724700B2 (en) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110893858B (zh) | 一种智能驾驶方法及智能驾驶系统 | |
WO2020052344A1 (zh) | 一种智能驾驶方法及智能驾驶系统 | |
JP7371157B2 (ja) | 車両監視方法、装置、電子機器、記憶媒体、コンピュータプログラム、クラウド制御プラットフォームおよび車路連携システム | |
CN111354187B (zh) | 用于辅助交通工具的驾驶员的方法和驾驶员辅助系统 | |
DE102020111682A1 (de) | Systeme und verfahren zum implementieren einer autonomen fahrzeugreaktion auf ein sensorversagen | |
CN112106124A (zh) | 用于使用v2x和传感器数据的系统和方法 | |
CN110606093A (zh) | 车辆性能评测方法、装置、设备和存储介质 | |
US20210281968A1 (en) | Information processing apparatus, vehicle, computer-readable storage medium, and information processing method | |
EP4089659A1 (en) | Map updating method, apparatus and device | |
US10755565B2 (en) | Prioritized vehicle messaging | |
CN111780987A (zh) | 自动驾驶车辆的测试方法、装置、计算机设备和存储介质 | |
CN116767281A (zh) | 一种辅助驾驶方法、装置、设备、车辆和介质 | |
DE102022109939A1 (de) | Prognose der fahrzeugstandortbelegung | |
CN113748448B (zh) | 基于车辆的虚拟停止线和让行线检测 | |
US10953871B2 (en) | Transportation infrastructure communication and control | |
EP4256536A1 (en) | Autonomous vehicle high-priority data offload system | |
WO2020139392A1 (en) | Vehicle-based road obstacle identification system | |
CN110706481A (zh) | 提高交通拥堵发现和处理速度的控制方法及装置 | |
WO2021229671A1 (ja) | 走行支援装置および走行支援方法 | |
CN115071747A (zh) | 用于车辆的驾驶辅助设备、系统和方法 | |
US11881031B2 (en) | Hierarchical processing of traffic signal face states | |
CN117152718B (zh) | 交通灯响应方法、装置、车辆及计算机可读存储介质 | |
CN114954534A (zh) | 用于检测自动驾驶车辆的异常运行状态的方法与装置 | |
WO2023086875A1 (en) | System and method for identifying static elements at infrastructure using radar data | |
CN115973190A (zh) | 自动驾驶车辆的决策方法、装置和电子设备 |
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 |