CN111091096A - 车辆偏离决策方法、装置、存储介质及车辆 - Google Patents

Abstract

本发明公开了一种车辆错误偏离决策方法、装置、存储介质及车辆。所述的车辆偏离决策方法包括：获取车辆行驶的车道线和车道线对应的车道线方程；在所述车辆发生车道偏离时，根据车道线上的特征点和车道线方程获取对应的空间特征；获取车道偏离之前预设时间段车辆与车道线之间的距离变化率特征，并根据距离变化率特征得到时间特征；将空间特征和时间特征输入至预设的偏离决策分类器进行分类，得到决策结果；根据决策结果执行对应的控制事件。本发明通过决策车道偏离的有效状态，能够有效抑制车道偏离误报警。

Description

车辆偏离决策方法、装置、存储介质及车辆

技术领域

本发明涉及车道检测技术领域，尤其涉及一种车辆偏离决策方法、装置、存储介质及车辆。

背景技术

在汽车驾驶过程中，车道偏离报警功能是必不可缺的功能。在利用摄像头作为感知单元的条件下，天气和路面的状况对车道偏离报警功能影响非常大。其中，能够对车道偏离报警系统引起大量误报警的场景包括路面污迹、下雨天夜晚路灯和前车、阴影、反光、修补痕迹等。在误报警频繁的情况下，辅助驾驶设备的使用者不得不面对视觉和听觉的多角度冲击，严重影响驾使用者体验，且不利于辅助驾驶设备的稳定性和可用性；而对于自动驾驶设备，误报警可能会导致致命性的事故。

目前降低车道偏离误报警的方法是通过提高图像的分辨率和清晰度，以降低因图像质量问题导致的误检报警问题，但该方法在提高图像分辨率时必然会提高算法的复杂度，而且降低实时性。

因此，如何有效抑制消除车道偏离报警功能因道路场景复杂引起的误报警，并能保证报警的实时性同时不引入复杂算法，是当前亟待解决的问题。

发明内容

本发明的主要目的在于提供一种车辆偏离决策方法、装置、存储介质及车辆，旨在解决通过决策车道偏离的有效状态，避免车道偏离误报警的技术问题。

第一方面，为实现上述目的，本发明提供一种车辆偏离决策方法，所述的车辆偏离决策方法包括：

获取车辆行驶的车道线和所述车道线对应的车道线方程；

在所述车辆发生车道偏离时，根据所述车道线上的特征点和所述车道线方程获取对应的空间特征；

获取车道偏离之前预设时间段所述车辆与所述车道线之间的距离变化率特征，并根据所述距离变化率特征得到时间特征；

将所述空间特征和所述时间特征输入至预设的偏离决策分类器进行分类，得到决策结果；

根据所述决策结果执行对应的控制事件。

优选地，所述将所述空间特征和所述时间特征输入至预设的偏离决策分类器进行分类，得到决策结果之前，包括：

获取有效偏离样本和无效偏离样本；

将所述有效偏离样本和所述无效偏离样本输入至分类器模型进行训练之后，得到偏离决策分类器。

优选地，所述获取车辆行驶的车道线和所述车道线对应的车道线方程，包括以下步骤：

检测车辆行驶的车道线；

获取所述车道线上对应的特征点；

根据所述特征点获取对应的车道线方程。

优选地，所述所述根据所述车道线上的特征点和所述车道线方程获取对应的空间特征，包括：

获取所述特征点的分布特征；

获取所述车道线方程的基本特征，该基本特征包括斜率特征或者曲率特征；

获取所述特征点与所述车道线方程之间的位置特征；

根据所述分布特征、所述基本特征和所述位置特征生成所述空间特征。

优选地，所述根据所述决策结果执行对应的控制事件，包括：

在所述决策结果为偏离被认可时，进行偏离报警；

在所述决策结果为偏离被否决时，取消偏离报警。

优选地，所述在所述车辆发生车道偏离时，获取车辆行驶的车道线和所述车道线对应的车道线方程之前，包括：

根据所述车道线检测所述车辆是否发生车道偏离；

在所述车辆未发生车道偏离时，返回步骤：获取所述车辆行驶的车道线和所述车道线对应的车道线方程；

在所述车辆发生车道偏离时，执行步骤：根据所述车道线上的特征点和所述车道线方程获取对应的空间特征。

优选地，所述根据所述车道线检测所述车辆是否发生车道偏离，包括：

获取所述车辆的行驶状态；

根据所述行驶状态和所述车道线确定所述车辆的偏离趋势；

根据所述车辆的偏离趋势判断所述车辆是否发生车道偏离；

在所述车辆的偏离趋势逐渐增大时，确定所述车辆发生车道偏离；

在所述车辆的偏离趋势逐渐减小时，确定所述车辆未发生车道偏离。

第二方面，为实现上述目的，本发明还提供一种车辆偏离决策装置，所述车辆偏离决策装置包括：存储器、处理器及存储在所述存储器上并由所述处理器驱动的车辆偏离决策程序，所述车辆偏离决策程序被所述处理器执行时实现如上述的车辆偏离决策方法的步骤。

第三方面，为实现上述目的，本发明还提供一种存储介质，所述存储介质上存储有车辆偏离决策程序，所述车辆偏离决策程序被处理器执行时实现如上述的车辆偏离决策方法的步骤。

第四方面，为实现上述目的，本发明还提供一种车辆，所述车辆包括：存储器、处理器及存储在所述存储器上并由所述处理器驱动的车辆偏离决策程序，所述车辆偏离决策程序被处理器执行时实现如上述的车辆偏离决策方法的步骤。

本发明在车辆发生车道偏离时，分别获取空间特征和时间特征，并将空间特征和时间特征组合输入至预设的偏离决策分类器进行分类，得到决策结果，进而根据决策结果执行对应的控制事件。本发明能够有效抑制因道路场景复杂引起的车道偏离误报警，提高车辆内的辅助驾驶设备的稳定性和可用性，且对处理器资源的消耗少，不会影响处理器的实时性。此外本发明可以应用于各种车道偏离预警系统，实用性强。

附图说明

图1为本发明车辆偏离决策方法一实施例的流程示意图；

图2为图1中步骤S10的细化流程示意图；

图3为图1中步骤S20的细化流程示意图；

图4为本发明车辆偏离决策方法另一实施例的流程示意图；

图5为本发明车辆偏离决策方法又一实施例的流程示意图；

图6为图5中步骤S80的细化流程示意图。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明一实施例提供一种车辆偏离决策方法，所述的车辆偏离决策方法包括：

步骤S10，获取车辆行驶的车道线和所述车道线对应的车道线方程。

在本实施例中，所述车辆设有辅助驾驶设备或者自动驾驶设备。所述车道线包括单车道和双车道。所述车道线方程为表征车道线的一组方程。

作为优选，如图2所示，所述步骤S10包括：

步骤S101，检测车辆行驶的车道线

在本实施例的一方面，可以采用传统的车道线检测方法获得车道线。

其中，所述传统的车道线检测方法可以是基于灰度图像的车道线检测方法。所述基于灰度图像的车道线检测方法可以包括：获取通过车辆上的摄像头拍摄的车道线图像，对所述车道线图像进行预处理(包括图像灰度化和图像滤波)之后得到灰度图像；对所述灰度图像进行边缘检测，得到边缘特征；采用霍夫变换对边缘特征进行处理之后，得到车道线。

在本实施例的另一方面，可以采用深度学习的车道线检测方法获得车道线。

所述深度学习的车道线检测方法可以是基于卷积神经网络的车道线检测方法。所述基于卷积神经网络的车道线检测方法可以包括：收集不同自然条件下的车道线图像作为训练集，并结合图像处理技术对训练集中的各车道线图像进行预处理；利用深度学习框架搭建的卷积神经网络，将处理好的数据输入网络进行训练；利用后处理算法对模型分割结果进行峰值点提取、聚类并最终回归到车道线。

需要说明的是，还可以利用传统的车道线检测方法与深度学习的车道线检测方法相结合，得到车道线

步骤S102，获取所述车道线上对应的特征点。

步骤S103，根据所述特征点获取对应的车道线方程。

其中，所述特征点为描述车道线的一序列的特征点，可以包含梯度特征、亮度特征以及车道线的固有特征(比如车道线的线宽、虚实等)。

具体的，利用车道线检测算法获取车道线上的特征点，进而利用车道线上的特征点拟合得到车道线方程，或者通过跟踪算法得到车道线方程。作为优选，所述车道线检测算法可以是Sobel、Canny、DOG、LOG、Steerable Filter等；所述跟踪算法可以是KalmanFilter算法；所述车道线方程可以采用三次曲线方程。

在另一具体实施例中，所述车道线方程还可以采用线性方程、分段线性方程、二次方程、三次方程、螺旋曲线方程或者其他参数方程(比如四次方程)。

步骤S20，在所述车辆发生车道偏离时，根据所述车道线上的特征点和所述车道线方程获取对应的空间特征。

在本实施例中，所述空间特征为反映车道线检测方法所得的车道线结果与实际车道线之间的空间距离以及空间分布的特征。

作为优选，如图3所示，所述步骤S20中根据所述车道线上的特征点和所述车道线方程获取对应的空间特征包括：

步骤S201，获取所述特征点的分布特征。

步骤S202，获取所述车道线方程的基本特征，该基本特征包括斜率特征或者曲率特征。

步骤S203，获取所述特征点与所述车道线方程之间的位置特征。

步骤S204，根据所述分布特征、所述基本特征和所述位置特征生成所述空间特征。

具体的，在检测到车辆发生车道偏离时，可以利用不同的空间特征提取线程分别提取特征点的分布特征、车道线方程的基本特征、特征点与车道线方程之间的位置特征，此时，所述步骤S201、步骤S202和步骤S203无先后执行顺序，进而将各空间特征提取线程提取到的上述特征组成生成空间特征。作为优选，所述空间特征为多维空间特征，例如，20维空间特征。可理解的，若车道线方程采用线性方程，则基本特征可以包含斜率特征；而若车道线方程采用三次方程、螺旋曲线方程等，则基本特征可以包含曲率特征。

在另一具体实施例中，在检测到车辆发生车道偏离时，可以利用一条空间特征提取线程提取特征点的分布特征、车道线方程的基本特征、特征点与车道线方程之间的位置特征，此时，所述步骤S201、步骤S202和步骤S203中的某一步骤优先执行，进而将该空间特征提取线程提取的上述特征组成生成空间特征。

需要说明的是，在本实施例中还可以获取其他可以其它能够反映车道线结果与实际车道线之间的空间距离以及空间分布的特征，与上述特征组合生成多维度的空间特征。

步骤S30，获取车道偏离之前预设时间段所述车辆与所述车道线之间的距离变化率特征，并根据所述距离变化率特征得到时间特征。

其中，所述距离变化率特征具有时序性，也即所述距离变化率特征按照时间先后顺序获得。

具体的，按照时间序列获取发生车道偏离前预设时间段内连续预设帧的车道线图像，例如，连续6帧的车道线图像，根据连续预设帧的车道线图像获取所述车辆到所述车道线之间的距离变化率特征，进而根据连续6帧车道线图像对应的距离变化率特组合生成时间特征。作为优选，所述时间特征为多维时间特征，例如，10维时间特征。

需要说明的是，可以在获取空间特征的同时，获取时间特征。

步骤S40，将所述空间特征和所述时间特征输入至预设的偏离决策分类器进行分类，得到决策结果。

具体的，将所述步骤S20获得的空间特征和所述步骤S30获得的时间特征生成时空特征，也即，可以根据20维空间特征和10维时间特征组合生成30维时空特征；进一步的将时空特征输入至已训练好的偏离决策分类器，并获取所述偏离决策分类器输出的决策结果。所述决策结果可以反映车道偏离的有效状态，且所述决策结果包括偏离被认可或偏离被否决。

可理解的，本实施例通过偏离决策分类器对时空特征进行分类，并输出决策结果，以根据决策结果判定本次的车道偏离的有效状态，达到较少误检报警的目的，无需采用复杂程度更高的深度学习网络进行不断学习来减少误检报警，可以节约设备成本和人力成本。

步骤S50，根据所述决策结果执行对应的控制事件。

在本实施例的一方面，在所述决策结果为偏离被认可时，进行偏离报警。进一步的，在所述决策结果为偏离被认可时，车辆可以进行车道保持校准。

而在本实施例的另一方面，在所述决策结果为偏离被否决时，取消偏离报警。作为优选，在车辆进行偏离报警时，可以通过车辆内的辅助驾驶设备、自动驾驶设备或者其他设备(包括但不限于给出报警、根据报警控制设备状态、或者修正设备运行的设备)，将偏离报警转换成声光信号，实现声光报警。

可理解的，所述步骤S10至所述步骤S50的执行主体可以是车辆。在另一具体实施例中，所述步骤S10至所述步骤S50的执行主体可以是与车辆对应的服务器，此时，所述步骤S50包括：在所述决策结果为偏离被认可时，通过车辆进行偏离报警；而在所述决策结果为被否决时，控制车辆取消偏离报警。也即，与车辆对应的服务器获得决策结果之后，可以将决策结果发送至车辆，此时，车辆根据接收到的决策结果执行对应的控制事件。

综上所述，本实施例在车辆发生车道偏离时，分别获取空间特征和距离变化率特征，并将空间特征和时间特征输入至预设的偏离决策分类器进行分类，得到决策结果，进而根据决策结果执行对应的控制事件。本实施例能够有效抑制因道路场景复杂引起的车道偏离误报警，提高车辆内的辅助驾驶设备的稳定性和可用性，且对处理器资源的消耗少，不会影响处理器的实时性。此外本实施例可以应用于各种车道偏离预警系统，实用性强。

进一步的，如图4所示，本发明另一实施例提供一种车辆偏离决策方法，所述步骤S40之前包括：

步骤S60，获取有效偏离样本和无效偏离样本。

也即，在所述步骤S40将空间特征和时间特征输入至预设的偏离决策分类器进行分类，得到决策结果之前，从预设的训练样本库中获取第一预设数量的有效偏离样本以及第二预设数量的无效偏离样本。其中，所述第一预设数据大于或等于第二预设数量。

作为优选，在所述步骤S60之前，包括：首先通过车辆内的智能辅助设备或者远程传输设备分别收集正常的偏离视频以及误报的偏离视频；然后采用车道线检测算法分别获取正常的偏离视频的第一特征以及误报的偏离视频的第二特征；最后将包含第一标签信息的第一特征存储至预设的训练样本库中，以及将包含第二标签信息的第二特征存储至预设的训练样本库中。

可理解的，在检测到车辆发生第一次车道偏离时，通过车辆内的智能辅助设备或者远程传输设备采集正常的偏离视频或者错误的偏离视频，并获取正常的偏离视频的第一特征或者错误的偏离视频的第二特征，第一特征以及第二特征以文本形式或者CSV形式进行存储。进一步的，分别设置正常的偏离视频的第一特征以及误报的偏离视频的第二特征的标签信息，例如，将正常的偏离视频的第一特征的标签ID设置为0，标签名设置为Valid，而将误报的偏离视频的第二特征的标签ID设置为1，标签名设置为Invalid，从而完成数据打标。可理解的，由于车道偏离是一个较长的决策过程，且偏离状态是一直变化的，因此采用车辆发生第一次车道偏离时的特征才具有确定性。

步骤S70，将所述有效偏离样本和所述无效偏离样本输入至分类器模型进行训练之后，得到偏离决策分类器。

具体的，采用300个有效偏离样本和10个无效偏离样本作为训练样本，并利用训练样本对分类器模型进行训练，得到偏离决策分类器。进一步的，采用532次偏离报警样本作为测试样本，利用测试样本和偏离决策分类器进行测试。

作为优选，所述步骤S60将所述有效偏离样本和所述无效偏离样本输入至分类器模型进行训练，得到偏离决策分类器，包括：

首先将有效偏离样本和无效偏离样本输入至分类器模型，设置分类器模型的配置参数进行训练；然后在检测到训练次数满足配置参数中包含的迭代终止条件时，得到偏离决策分类器，并提示用户训练完成，最后将偏离决策分类器进行存储。

可理解的，将训练好的偏离决策分类器转化成代码或者存储至数据库中，该数据库可以设置在车辆内的存储器中、车道偏离决策装置的存储器中或者计算机可读存储介质中。示例性的，分类器模型采用SVM分类器，该SVM分类器的配置参数可以包含Gamma系数、核函数以及迭代终止条件等，并设置Gamma系数为0.8，设置的核函数为线型核，设置的迭代终止条件为10000次或者误差小于或等于1e-6。

作为优选，所述偏离决策分类器可以是贝叶斯分类器、SVM(Support VectorMachine，支持向量机)分类器、KNN(K-NearestNeighbor，K最邻近分类算法)分类器、级联分类器、神经网络分类器等，但不限于能够根据时空特征决策出偏离是否被认可的其它分类器。

在本实施例中，经过试验表明在少量训练样本的情况下，该偏离决策分类器识别偏离有效性的准确率可以达到98.7％，该车辆偏离决策方法效果显著，且经过试验表明该车辆偏离决策方法在处理器(比如，嵌入式系统的处理器)同时处理多任务时，平均每帧图像耗时仅0.037ms，可以忽略对偏离报警的实时性影响。

进一步的，如图5所示，本发明又一实施例提供一种车辆偏离决策方法，所述步骤S20之前的包括：

步骤S80，根据所述车道线检测所述车辆是否发生车道偏离；在所述车辆未发生车道偏离时，返回步骤：获取所述车辆行驶的车道线和所述车道线对应的车道线方程；而在所述车辆发生车道偏离时，执行步骤：根据所述车道线上的特征点和所述车道线方程获取对应的空间特征。

作为优选，如图6所示，所述步骤S80中根据所述车道线检测所述车辆是否发生车道偏离，包括：

步骤S801，获取所述车辆的行驶状态；

步骤S802，根据所述行驶状态和所述车道线确定所述车辆的偏离趋势；

步骤S803，根据所述车辆的偏离趋势判断所述车辆是否发生车道偏离；

步骤S804，在所述车辆的偏离趋势逐渐增大时，确定所述车辆发生车道偏离；

步骤S805，在所述车辆的偏离趋势逐渐减小时，确定所述车辆未发生车道偏离。

作为优选，根据所述车辆的行驶状态和当前车辆行驶的车道线确定所述车辆的偏离参数，进而根据车辆的偏离参数得到所述车辆的偏离趋势，若偏离趋势逐渐增大，则确定车辆为非校正偏离，此时车辆将逐渐偏离标准的车道线，且无法校正；而若偏离趋势逐渐减小，则确定车辆为校正偏离，此时车辆会校正到标准的车道线内。其中，所述偏离参数可以包括车辆与两侧车道线之间的距离、偏离速率、偏离角度、偏离角度变化率等；示例性的，若车辆与两侧车道线之间的距离减小且偏离速率增大，则确定偏离趋势逐渐增大；若车辆与两侧车道线之间的距离增大且偏离角度减小，则确定偏离趋势逐渐减小。

在本实施例中，通过偏离趋势检测车辆是否发生车道偏离，可以达到准确、快速地检测车道线的目的。

在一实施例中，本发明实施例还提出一种车辆偏离决策装置，所述车辆偏离决策装置包括：存储器、处理器及存储在所述存储器上并由所述处理器驱动的车辆偏离决策程序，所述车辆偏离决策程序被所述处理器执行时实现如上述任一实施例中的车辆偏离决策方法的步骤。

本发明车辆偏离决策装置的具体实施例与上述应用车辆偏离决策方法各实施例基本相同，在此不作赘述。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有车辆偏离决策程序，所述车辆偏离决策程序被处理器执行时实现如上述任一实施例中的车辆偏离决策方法的步骤。作为优选，所述存储介质可以为计算机可读存储介质。

本发明存储介质的具体实施例与上述应用车辆偏离决策方法各实施例基本相同，在此不作赘述。

在一实施例中，本发明实施例还提出一种车辆，所述车辆包括：存储器、处理器及存储在所述存储器上并由所述处理器驱动的车辆偏离决策程序，所述车辆偏离决策程序被处理器执行时实现如上述任一实施例中的车辆偏离决策方法的步骤。

本发明车辆偏离决策装置可以是安装于车辆中，也可以独立于车辆，仅与车辆进行通信连接，或者是其他任何适用的安装和使用方式。本发明车辆的具体实施例与上述应用车辆偏离决策方法各实施例基本相同，在此不作赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，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，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM)中，包括若干指令用以使终端(包括服务器、网络设备、车辆偏离决策装置或者车辆等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种车辆偏离决策方法，其特征在于，所述车辆偏离决策方法包括：

获取车辆行驶的车道线和所述车道线对应的车道线方程；

在所述车辆发生车道偏离时，根据所述车道线上的特征点和所述车道线方程获取对应的空间特征；

获取车道偏离之前预设时间段所述车辆与所述车道线之间的距离变化率特征，并根据所述距离变化率特征得到时间特征；

将所述空间特征和所述时间特征输入至预设的偏离决策分类器进行分类，得到决策结果；

根据所述决策结果执行对应的控制事件。

2.如权利要求1所述的车辆偏离决策方法，其特征在于，所述将所述空间特征和所述时间特征输入至预设的偏离决策分类器进行分类，得到决策结果之前，包括：

获取有效偏离样本和无效偏离样本；

将所述有效偏离样本和所述无效偏离样本输入至分类器模型进行训练之后，得到偏离决策分类器。

3.如权利要求1所述的车辆偏离决策方法，其特征在于，所述获取车辆行驶的车道线和所述车道线对应的车道线方程，包括：

检测车辆行驶的车道线；

获取所述车道线上对应的特征点；

根据所述特征点获取对应的车道线方程。

4.如权利要求1所述的车辆偏离决策方法，其特征在于，所述根据所述车道线上的特征点和所述车道线方程获取对应的空间特征，包括：

获取所述特征点的分布特征；

获取所述车道线方程的基本特征，该基本特征包括斜率特征或者曲率特征；

获取所述特征点与所述车道线方程之间的位置特征；

根据所述分布特征、所述基本特征和所述位置特征生成所述空间特征。

5.如权利要求1所述的车辆偏离决策方法，其特征在于，所述根据所述决策结果执行对应的控制事件，包括：

在所述决策结果为偏离被认可时，进行偏离报警；

在所述决策结果为偏离被否决时，取消偏离报警。

6.如权利要求1所述的车辆偏离决策方法，其特征在于，所述在所述车辆发生车道偏离时，根据所述车道线上的特征点和所述车道线方程获取对应的空间特征之前，包括：

根据所述车道线检测所述车辆是否发生车道偏离；

在所述车辆未发生车道偏离时，返回步骤：获取所述车辆行驶的车道线和所述车道线对应的车道线方程；

在所述车辆发生车道偏离时，执行步骤：根据所述车道线上的特征点和所述车道线方程获取对应的空间特征。

7.如权利要求6所述的车辆偏离决策方法，其特征在于，所述根据所述车道线检测所述车辆是否发生车道偏离，包括：

获取所述车辆的行驶状态；

根据所述行驶状态和所述车道线确定所述车辆的偏离趋势；

根据所述车辆的偏离趋势判断所述车辆是否发生车道偏离；

在所述车辆的偏离趋势逐渐增大时，确定所述车辆发生车道偏离；

在所述车辆的偏离趋势逐渐减小时，确定所述车辆未发生车道偏离。

8.一种车辆偏离决策装置，其特征在于，所述车辆偏离决策装置包括：存储器、处理器及存储在所述存储器上并由所述处理器驱动的车辆偏离决策程序，所述车辆偏离决策程序被所述处理器执行时实现如权利要求1至7中任一项所述的车辆偏离决策方法的步骤。

9.一种存储介质，其特征在于，所述存储介质上存储有车辆偏离决策程序，所述车辆偏离决策程序被处理器执行时实现如权利要求1至7中任一项所述的车辆偏离决策方法的步骤。

10.一种车辆，其特征在于，所述车辆包括：存储器、处理器及存储在所述存储器上并由所述处理器驱动的车辆偏离决策程序，所述车辆偏离决策程序被处理器执行时实现如权利要求1至7任一所述车辆偏离决策方法的步骤。

Images