CN111367275A - 一种智能驾驶控制方法、装置、系统及存储介质 - Google Patents

一种智能驾驶控制方法、装置、系统及存储介质 Download PDF

Info

Publication number
CN111367275A
CN111367275A CN202010100560.XA CN202010100560A CN111367275A CN 111367275 A CN111367275 A CN 111367275A CN 202010100560 A CN202010100560 A CN 202010100560A CN 111367275 A CN111367275 A CN 111367275A
Authority
CN
China
Prior art keywords
vehicle
information
driving
intelligent
traffic
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
Application number
CN202010100560.XA
Other languages
English (en)
Inventor
卢红喜
刘卫国
邓堃
陈文琳
黄宇
王亮
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.)
Zhejiang Geely Holding Group Co Ltd
Geely Automobile Research Institute Ningbo Co Ltd
Original Assignee
Zhejiang Geely Holding Group Co Ltd
Geely Automobile Research Institute Ningbo 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 Zhejiang Geely Holding Group Co Ltd, Geely Automobile Research Institute Ningbo Co Ltd filed Critical Zhejiang Geely Holding Group Co Ltd
Priority to CN202010100560.XA priority Critical patent/CN111367275A/zh
Publication of CN111367275A publication Critical patent/CN111367275A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—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
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—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
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G05D1/0253—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting relative motion information from a plurality of images taken successively, e.g. visual odometry, optical flow
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0255—Control of position or course in two dimensions specially adapted to land vehicles using acoustic signals, e.g. ultra-sonic singals
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G05D1/0285—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using signals transmitted via a public communication network, e.g. GSM network

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Electromagnetism (AREA)
  • Acoustics & Sound (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Optics & Photonics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了一种智能驾驶控制方法、装置、系统及存储介质，所述方法包括：获取车辆的出行任务信息和车辆定位信息；获取车外关联系统发送的用于描述车辆出行环境的边缘交通信息；基于智能交通信号、出行任务信息和车辆定位信息，构建全局路径拓扑图；依次确定车辆行驶的全局行驶路径和局部行驶规划信息；基于局部行驶规划信息，控制车辆智能行驶。本申请结合自车系统和车外关联系统的联合优化，可有效地减缓城市交通压力、提升通行效率。

Description

一种智能驾驶控制方法、装置、系统及存储介质
技术领域
本申请涉及智能驾驶技术领域，尤其涉及一种智能驾驶控制方法、装置、系统及存储介质。
背景技术
智能驾驶技术是当前汽车产业的技术热点，传统的智能驾驶车辆是根据自身所搭载的传感器来检测周围环境信息，之后基于检测到的周围环境信息来计算智能驾驶路径和控制量，再基于该智能驾驶路径和控制量执行自动驾驶。
然而，基于车辆自身的感知设备的感知环境范围和感知能力均是有限的，进而导致所计算得到的自动驾驶路径和控制量的准确性并不高，既无法得到有效的智能驾驶规划、决策结果，也无法有效地解决道路通行效率低和城市交通压力的问题，这些都影响了用户的整体智能驾驶体验。
发明内容
基于此，本申请目的在于提供一种智能驾驶控制方法、装置、系统及存储介质，以解决以上至少一种技术问题。所述技术方案如下：
一方面，本申请提供了一种智能驾驶控制方法，包括：
获取车辆的出行任务信息和车辆定位信息；
获取车外关联系统发送的用于描述车辆出行环境的边缘交通信息；所述边缘交通信息包括智能交通信号和道路边缘计算信息；
基于所述智能交通信号、出行任务信息和车辆定位信息，构建所述车辆行驶的全局路径拓扑图；所述全局路径拓扑图包括表征道路信息的路网节点和节点连线；
确定所述全局路径拓扑图中的关键节点，并基于所述关键节点确定所述车辆行驶的全局行驶路径；
基于所述全局行驶路径、车辆定位信息、边缘交通信息和所述车辆所感知的周围环境信息，确定所述车辆行驶的局部行驶规划信息；
基于所述局部行驶规划信息，控制车辆智能行驶。
可选的，所述智能交通信号包括交通绿波带信号；
所述局部行驶规划信息包括局部行驶路径和/或智能行驶车速。
可选的，所述确定所述全局路径拓扑图中的关键节点，包括：
获取用户出行的偏好习惯数据；
基于所述偏好习惯数据，确定所述全局路径拓扑图中表征目标路段的目标连线；
确定所述目标连线的路网节点，并作为所述关键节点。
可选的，所述基于所述关键节点确定所述车辆行驶的全局行驶路径，包括：
获取全局路径拓扑图中各节点连线的第一权重；
获取所述目标连线对应的权重因子，并基于所述权重因子更新所述目标连线对应的第一权重；
基于更新的第一权重，确定所述全局路径拓扑图中包含所述关键节点的行驶路径的总权重；
根据各行驶路径的总权重的大小排序结果，确定所述车辆行驶的全局行驶路径。
可选的，所述智能交通信号包括全局交通绿波带信号和局部交通绿波带信号；所述局部行驶规划信息包括局部行驶路径和智能行驶车速；
所述基于所述全局行驶路径、车辆定位信息、边缘交通信息和所述车辆所感知的周围环境信息，确定所述车辆行驶的局部行驶规划信息，包括：
基于所述全局行驶路径、车辆定位信息、道路边缘计算信息和所述车辆所感知的周围环境信息，确定所述车辆行驶的局部行驶路径；
基于所述局部行驶路径和局部交通绿波带信号，确定车辆的智能行驶车速。
可选的，所述基于所述局部行驶规划信息，控制车辆智能行驶，包括：
基于所述局部行驶路径和和所述智能行驶车速，确定所述车辆的底盘控制量；
基于所述底盘控制量，控制车辆智能行驶。
可选的所述车外关联系统包括基于区块链的分布式基站节点；所述获取车外关联系统发送的用于描述车辆出行环境的边缘交通信息之前，还包括：
确定车外关联系统中目标基站节点；所述目标基站节点用于下发车辆出行环境的边缘交通信息；
建立与所述目标基站节点的接入连接；
相应的，所述获取车外关联系统发送的用于描述车辆出行环境的边缘交通信息包括：
获取车外关联系统中目标基站节点发送的用于描述车辆出行环境的边缘交通信息。
另一方面，本申请还提供一种智能驾驶控制装置，包括：
第一获取模块，用于获取车辆的出行任务信息和车辆定位信息；
第二获取模块，用于获取车外关联系统发送的用于描述车辆出行环境的边缘交通信息；所述边缘交通信息包括智能交通信号和道路边缘计算信息；
拓扑图构建模块，用于基于所述智能交通信号、出行任务信息和车辆定位信息，构建所述车辆行驶的全局路径拓扑图；所述全局路径拓扑图包括表征道路信息的路网节点和节点连线；
第一确定模块，用于确定所述全局路径拓扑图中的关键节点，并基于所述关键节点确定所述车辆行驶的全局行驶路径；
第二确定模块，用于基于所述全局行驶路径、车辆定位信息、边缘交通信息和所述车辆所感知的周围环境信息，确定所述车辆行驶的局部行驶规划信息；
驾驶控制模块，用于基于所述局部行驶规划信息，控制车辆智能行驶。
另一方面，本申请还提供一种智能驾驶控制系统，所述系统包括车外关联系统和自车系统；所述车外关联系统包括边缘模块和智能交通信息管理系统；所述自车系统包括交通信息接入系统和上述所述的智能驾驶控制装置；
所述边缘模块，用于对周围交通环境信息进行采集和边缘分析，得到边缘交通信息，所述边缘交通信息包括智能交通信号和道路边缘计算信息；
所述智能交通信息管理系统，用于汇聚所述边缘交通信息，并将所述边缘交通信息分发至交通信息接入系统；
所述交通信息接入系统，用于对动态接入智能交通信息管理系统进行接入管理，并将智能交通信息管理系统分发的边缘交通信息发送至智能驾驶控制装置。
另一方面，本申请还提供一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现上述任一所述的智能驾驶控制方法。
另一方面，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行如上述任一所述的智能驾驶控制方法。
本申请提供的一种智能驾驶控制方法、装置、系统及存储介质，至少具有如下有益效果：
本申请实施例通过获取车辆的出行任务信息和车辆定位信息；获取车外关联系统发送的用于描述车辆出行环境的边缘交通信息；所述边缘交通信息包括智能交通信号和道路边缘计算信息；基于所述智能交通信号、出行任务信息和车辆定位信息，构建所述车辆行驶的全局路径拓扑图；所述全局路径拓扑图包括表征道路信息的路网节点和节点连线；确定所述全局路径拓扑图中的关键节点，并基于所述关键节点确定所述车辆行驶的全局行驶路径；基于所述全局行驶路径、车辆定位信息、边缘交通信息和所述车辆所感知的周围环境信息，确定所述车辆行驶的局部行驶规划信息；基于所述局部行驶规划信息，控制车辆智能行驶。借助于车外关联系统的感知能力，自动驾驶不再局限于单车智能。本申请结合自车系统的感知能力，以及车外关联系统的边缘计算能力和智能交通信号，分别进行全局路径规划和局部驾驶信息规划，串联完成智能驾驶任务，节省计算资源和计算时间；同时结合自车系统和车外关联系统的联合优化，可有效地减缓城市交通压力、提升通行效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本申请。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1是本申请实施例提供的一种智能驾驶控制方法的应用环境示意图；
图2是本申请实施例提供的一种智能驾驶控制方法的流程图；
图3是本申请实施例提供的确定全局行驶路径的部分流程图；
图4是本申请实施例提供的确定全局行驶路径的过程示意图；
图5是本申请实施例提供的确定所述车辆行驶的局部行驶规划信息的过程示意图；
图6是本申请实施例提供的另一种智能驾驶控制方法的部分流程图；
图7是本本申请实施例提供的一种智能驾驶控制装置的框图；
图8是本申请实施例中提供的一种智能驾驶控制系统的结构示意图；
图9是本申请实施例中提供的一种智能驾驶控制系统中自车系统的结构示意图。
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述。显然，所描述的实施例仅仅是本申请一个实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
此处所称的“一个实施例”或“实施例”是指可包含于本申请至少一个实现方式中的特定特征、结构或特性。在本申请的描述中，需要理解的是，术语“上”、“下”、“左”、“右”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含的包括一个或者更多个该特征。而且，术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
为了便于理解，对于本申请中涉及到的技术术语进行解释说明。
区块链：是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)是比特币的一个重要概念，它本质上是一个去中心化的数据库，同时作为比特币的底层技术，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次比特币网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。
区块链技术：是利用块链式数据结构来验证与存储数据、利用分布式节点共识算法来生成和更新数据、利用密码学的方式保证数据传输和访问的安全、利用由自动化脚本代码组成的智能合约来编程和操作数据的一种全新的分布式基础架构与计算方式。按照时间先后顺序将数据区块依顺序相连的方式组合成一种链式的数据结构，并以密码学方式保证分布式鉴权信息的不可篡改和不可伪造。
绿波带：是在指定的交通线路上，当规定好路段的车速后，要求交通信号控制机根据路段距离，把该车流所经过的各路口绿灯起始时间，做相应的调整，这样一来，以确保该车流到达每个路口时，正好遇到“绿灯”。交通信号“绿波”控制是一项比较特殊的系统。这项系统一般被称为“绿波带”。城市交叉口信号绿波控制一般是指一条主干道中若干个连续交叉口交通信号间的协调控制。目的是使行驶在主干道协调控制的交叉口的车辆，可以不遇红灯或者少遇红灯而通过这个协调控制系统中的各交叉口。从被控制的主干道路各交叉口的灯色来看，绿灯就像波浪一样向前行而形成绿波，我们称这种交通信号协调控制方式为“绿波带”控制。
下面结合附图对本申请实施例中涉及的方法、装置和系统进行详细描述。
本申请提供的一种智能驾驶控制方法，可以应用于如图1所示的智能驾驶控制系统的应用环境中。请参见图1，该智能驾驶控制系统100可以包括车外关联系统110和与车外关联系统110通信的自车系统120。其中，车外关联系统110包括设置在车外且与自车的智能驾驶决策相关联的设备，例如路侧设备、交通指示灯、其他车辆系统、网络、服务器、云平台等。自车系统120可以包括车辆自动驾驶系统、和/或智能驾驶辅助系统。车外关联系统110与自车系统120之间的通信方式包括但不限于为LTE-V2X、4G-V2X、5G-V2X以及其它已知的或将来开发的通信方式。
应理解，图1中示出的应用环境仅仅是与本申请方案一种应用环境，并不构成对本申请方案应用环境的限定，其他的应用环境还可以包括比图中所示更多或更少的计算机设备，或者计算机设备网络连接关系。
图2是本申请实施例中提供的一种智能驾驶控制方法的流程图。本申请提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。该方法应用于车端或自车系统侧，具体可以由配置于车端或自车系统中的智能驾驶控制装置来执行，该装置可以由软件和/或硬件的方式实现。请参见图2，所述方法可以包括：
S201，获取车辆的出行任务信息和车辆定位信息。
其中，车辆优先为具有自动驾驶功能的车辆，例如具体可为L1～L5自动驾驶等级的车辆。出行任务信息可以包括出发地和目的地。当然，在一些实施例，出行任务信息还可包括预计出行时间、中转地、预计停留时间等。该出行任务信息可以通过获取用户手动输入、语音输入等至少一种方式得到。
车辆定位信息可以为车辆的当前位置信息，其可以通过车载定位装置获取得到，也可通过用户携带的具备定位感知功能的移动终端所感知的定位信息确定。该车载定位装置可以为包括但不限于为车载定位传感器(例如GPS、北斗等)、车载导航系统等。该移动终端包括但不限于为智能手机、台式电脑、平板电脑、笔记本电脑、数字助理、智能可穿戴设备等类型的实体设备中至少一种。
S203，获取车外关联系统发送的用于描述车辆出行环境的边缘交通信息；所述边缘交通信息包括智能交通信号和道路边缘计算信息。
其中，智能交通信号可以是由交通信号控制机产生的控制信号。交通信号控制机主要用于控制道路交通信号灯、信息展示屏等。在本申请实施例中，智能交通信号可以为交通绿波带信号。在其他实施例中，智能交通信号还可为自动驾驶高精度地图提供的交通信号等其他智能交通信号，对此本申请不作具体限定。
道路边缘计算信息可以是由至少一个边缘模块对获取到的区域道路环境信息进行数据处理所得到的信息。该数据处理包括但不限于为去噪处理、融合处理等。
S205，基于所述智能交通信号、出行任务信息和车辆定位信息，构建所述车辆行驶的全局路径拓扑图；所述全局路径拓扑图包括表征道路信息的路网节点和节点连线。
其中，全局路径拓扑图是一种通过路网节点和节点连线来表征道路信息的关系网络图。全局路径拓扑图中包括从出发地到目的地的可能路径。具体地，路网节点可以用以表征道路交叉口、道路地址、道路标志物等；路网节点之间的节点连线用以反映道路交叉口和道路交叉口之间的道路的连通性。道路信息可以包括道路标识、道路属性信息等，该道路属性信息包括但不限于为高速通路、高架通路、非高速通路、绿波带道路、非绿波带道路、单行道、多行道、禁止通行道路等。在一些实施例中，该节点连线还可以有方向。
在实际应用中，可以基于智能交通信号、出行任务信息和车辆定位信息，并结合高精度地图来构建全局路径拓扑图。
S207，确定所述全局路径拓扑图中的关键节点，并基于所述关键节点确定所述车辆行驶的全局行驶路径。
其中，关键节点为指示车辆行驶时需要经过的关键点，例如关键交叉口、关键标志物等。
在一可选实施例中，所述确定所述全局路径拓扑图中的关键节点，包括：
S2071，获取用户出行的偏好习惯数据；
S2073，基于所述偏好习惯数据，确定所述全局路径拓扑图中表征目标路段的目标连线；
S2075，确定所述目标连线的路网节点，并作为所述关键节点。
具体地，偏好习惯数据可为用户事先输入的行驶偏好数据，例如耗费时间短、路径短、道路驾驶舒适等。基于偏好习惯数据，确定目标路段，之后在全局路径拓扑图中确定对应的表征目标路段的目标连线。之后，根据目标连线确定连线的两端点，即全局路径拓扑图中的路网节点，作为所确定的全局路径拓扑图中的关键节点。
当然，在其他实施例中，该关键节点还可为热门道路节点，也可为通过分析自车的历史行车记录确定的，也可为其他道路参与者分享的相关车辆行驶路径记录确定。
其中，全局行驶路径可以为从出发点到目的地的全局规划路径。全局路径规划是通过主要的路网结构确定行车主干路线，一般不考虑局部细节，只关注路网拓扑结构。
通常情况下，对于不同的用户，其对应的偏好习惯数据可能不同。在此情况下，可以通过声纹识别、人脸识别、指纹识别、人眼识别等识别用户，生成表征用户身份信息的标识，之后获取用户输入的偏好习惯数据，建立偏好习惯数据与用户的标识的映射关系表。在实际应用中，通过识别用户身份信息，从预先建立的映射关系表中与用户的标识相对应的偏好习惯数据。
在一可选实施例中，所述基于所述关键节点确定所述车辆行驶的全局行驶路径，包括：
S301，获取全局路径拓扑图中各节点连线的第一权重；
S303，获取所述目标连线对应的权重因子，并基于所述权重因子更新所述目标连线对应的第一权重；
S305，基于更新的第一权重，确定所述全局路径拓扑图中包含所述关键节点的行驶路径的总权重；
S307，根据各行驶路径的总权重的大小排序结果，确定所述车辆行驶的全局行驶路径。
具体地，第一权重为全局路径拓扑图中各节点连线的初始权重，该第一权重可根据道路信息进行配置，其取值范围可为大于0的数值；例如，其可为1、1.5、2、3等。在一些实施例中，该第一权重可与通行时间相关，例如该节点连线对应的路段的通行时间越短，其对应的第一权重越小；反之，对应的第一权重越大。在其他实施例中，该第一权重可以与路径距离相关，例如该节点连线对应的路段的路径距离越短，其对应的第一权重越小；反之，对应的第一权重越大。
权重因子为目标连线对应的比例系数，其取值范围可为0～1；例如，权重因子可为0.2、0.5、0.65等。权重因子的取值可与目标连线的道路信息相关联。不同的目标连线对应的权重因子可以相同，也可不同。
在实际应用中，在确定了全局路径拓扑图中的目标连线，并获取目标连线及其更新的第一权重，以及其他节点连线及对应的第一权重，可以计算出从出发地到目的地、且经过至少一个关键节点的各行驶路径中每个路段的权重之和，即得到对应的行驶路径的总权重。之后，按照总权重的大小进行顺序排序，根据排序结果，得到车辆行驶的全局行驶路径。
需要说明的是，所确定的全局行驶路径的数量可为一个或多个。
为了便于理解，结合图4进行说明。如图4(a)所示，图中每一个圆圈代表路网节点，节点与节点之间的连线代表连通性，线上的数值代表该条路径的第一权重。在考虑用户习惯或全局交通信号策略，可以调整某条路段的权重。如图4(b)所示，若用户选择高速优先/绿波带优先，则确定图中的LAC1、LC1C2、LC3C5、LC4C5为目标连线，对目标连线的第一权重按照0.5的权重因子进行更新，得到更新的第一权重(即如图4(c)所示)，例如图4(c)中LAC1的权重由1.5调整为0.75，LC1C2的权重由1调整为0.5，LC3C5的权重由1.5调整为0.75，LC4C5的权重由1调整为0.5。之后计算每条从出发地到目的地且包含至少一个关键节点的路径的总权重。最后对总权重按照从小到大的顺序进行排序，筛选出排序靠前的至少一个总权重，作为全局行驶路径。在一实施例中，可以筛选出最小总权重为0.75+0.5+1+1，则该最小总权重对应的路径为A→C1→C2→C5→B(如图4(d)所示)，作为全局规划结果，也即最终的全局行驶路径。在另一实施例中，可以筛选出最小的至少2个总权重对应的路径作为全局规划结果，即最终的全局行驶路径。
S209，基于所述全局行驶路径、车辆定位信息、边缘交通信息和所述车辆所感知的周围环境信息，确定所述车辆行驶的局部行驶规划信息。
其中，所述局部行驶规划信息可以包括局部行驶路径和/或智能行驶车速。
在本申请实施例中，所述智能交通信号可以包括全局交通绿波带信号和局部交通绿波带信号；所述局部行驶规划信息可以包括局部行驶路径和智能行驶车速。在此基础上，如图5所示，所述基于所述全局行驶路径、车辆定位信息、边缘交通信息和所述车辆所感知的周围环境信息，确定所述车辆行驶的局部行驶规划信息，包括：
S501，基于所述全局行驶路径、车辆定位信息、道路边缘计算信息和所述车辆所感知的周围环境信息，确定所述车辆行驶的局部行驶路径。
具体地，自车系统通过车载传感器(例如摄像头、激光雷达、毫米波雷达等)感知的周围环境信息，建立包含静止障碍物、动态目标等环境模型。之后，结合全局行驶路径、车辆定位信息、环境模型和车外系统提供的道路边缘计算信息，确定车辆行驶的局部行驶路径。
若全局行驶路径的数量为一个，则可根据车辆定位信息、环境模型和车外系统提供的道路边缘计算信息，确定车辆的避撞策略，进而根据避撞策略优化该全局行驶路径，得到车辆行驶的局部行驶路径。
若全局行驶路径的数量为多个，则可根据车辆定位信息、环境模型和车外系统提供的道路边缘计算信息，从多个全局行驶路径中确定一个目标全局行驶路径，并根据车辆的实际行车环境来确定车辆的避撞策略及优化该目标全局行驶路径，得到车辆行驶的局部行驶路径。
在一可选实施例中，智能驾驶控制装置获取车辆的自动驾驶等级，基于所述自动驾驶等级确定定位精度，基于确定的定位精度优化局部行驶路径，得到最终的局部行驶路径。
在另一可选实施例中，智能驾驶控制装置响应于车辆的驾驶等级升级请求，获取目标自动驾驶等级，基于目标自动驾驶等级对应的定位精度，优化局部行驶路径，得到最终的局部行驶路径。如此，通过不同自动驾驶等级，确定不同精度局部行驶路径，提高智能驾驶体验。
S503，基于所述局部行驶路径和局部交通绿波带信号，确定车辆的智能行驶车速。
其中，局部交通绿波带信号可以为局部区域的交通信号控制机提供的控制信息。在确定了局部行驶路径之后，可以根据获取的局部交通绿波带信号确定保证车辆绿波通行对应的智能行驶车速。
需要说明的是，局部交通绿波带信号中包括交通灯控制相位信号，还可以携带道路限速信息。
S211，基于所述局部行驶规划信息，控制车辆智能行驶。
在本申请实施例中，局部行驶规划信息可以包括局部行驶路径和智能行驶车速。此时，所述基于所述局部行驶规划信息，控制车辆智能行驶，包括：
S2111，基于所述局部行驶路径和和所述智能行驶车速，确定所述车辆的底盘控制量；
S2113，基于所述底盘控制量，控制车辆智能行驶。
其中，底盘控制量可以包括横向控制量和纵向控制量。
具体地，智能驾驶控制装置根据局部行驶路径和和智能行驶车速，将计算得到的车辆智能驾驶的底盘控制量输出至动力域控制器，以转化为横向、纵向控制指令，进而控制车辆智能行驶。
上述实施例，通过获取车辆的出行任务信息和车辆定位信息；获取车外关联系统发送的用于描述车辆出行环境的边缘交通信息；所述边缘交通信息包括智能交通信号和道路边缘计算信息；基于所述智能交通信号、出行任务信息和车辆定位信息，构建所述车辆行驶的全局路径拓扑图；所述全局路径拓扑图包括表征道路信息的路网节点和节点连线；确定所述全局路径拓扑图中的关键节点，并基于所述关键节点确定所述车辆行驶的全局行驶路径；基于所述全局行驶路径、车辆定位信息、边缘交通信息和所述车辆所感知的周围环境信息，确定所述车辆行驶的局部行驶规划信息；基于所述局部行驶规划信息，控制车辆智能行驶。借助于车外关联系统的感知能力，自动驾驶不再局限于单车智能。本申请结合自车系统的感知能力，以及车外关联系统的边缘计算能力和智能交通信号，分别进行全局路径规划和局部驾驶信息规划，串联完成智能驾驶任务，节省计算资源和计算时间；同时结合自车系统和车外关联系统的联合优化，可有效地减缓城市交通压力、提升通行效率。
在一些实施例中，车外关联系统包括基于区块链的分布式基站节点。如图6所示，所述获取车外关联系统发送的用于描述车辆出行环境的边缘交通信息之前，还可包括：
S601，确定车外关联系统中目标基站节点；所述目标基站节点用于下发车辆出行环境的边缘交通信息。
S603，建立与所述目标基站节点的接入连接。
其中，边缘交通信息是通过区块链加密技术存储于分布式的基站节点中。目标基站节点用于下发车辆出行环境的边缘交通信息。具体地，可根据车外关联系统中各基站节点的负载情况等，确定响应速度最快的基站节点作为目标基站节点。
在实际应用中，自车系统向车外关联系统发送接入请求，自车系统申请接入车外系统，区块链中的基站节点根据自身的上下行链路，链接到自车系统中，链接过程中响应速度最快的基站节点会优先链接到自车系统中，以将优先链接到自车系统的基站节点作为目标基站节点，从而实现车外关联系统与自车系统的通信。
相应的，所述获取车外关联系统发送的用于描述车辆出行环境的边缘交通信息包括：
S605，获取车外关联系统中目标基站节点发送的用于描述车辆出行环境的边缘交通信息。
上述实施例，由于采用区块链的去中心化存储特点，链接的当前基站节点可提供接入者(自车系统)的请求数据(例如边缘交通信息)。此外，通过确定响应速度最快的基站节点作为目标基站节点，则获取边缘交通信息的实时性越好，可提高自动驾驶的安全性和可靠性。
此外，利用区块链技术对车外关联系统的边缘交通信息(智能交通信号和道路边缘计算信息)进行加密汇集与分发的方法，并结合自车系统的边缘计算能力完成自车智能驾驶策略的生成和车辆控制，安全、可靠地实现自动驾驶系统或智能驾驶辅助系统的规划、决策优化，在极大程度上优化出行方案、减缓交通压力、提升城市交通的通行效率，创新的给出了基于区块链加密技术的智能交通控制方案。
下述为本申请装置实施例，可以用于执行本申请上述方法实施例。对于本申请装置实施例中未披露的细节和有益效果，请参照本申请方法实施例。
请参考图7，其示出了本申请实施例提供的一种智能驾驶控制装置的框图。该智能驾驶控制装置具有实现上述方法示例中的功能，所述功能可以由硬件实现，也可以由硬件执行相应的软件实现。该智能驾驶控制装置700可以包括：
第一获取模块710，用于获取车辆的出行任务信息和车辆定位信息；
第二获取模块720，用于获取车外关联系统发送的用于描述车辆出行环境的边缘交通信息；所述边缘交通信息包括智能交通信号和道路边缘计算信息；
拓扑图构建模块730，用于基于所述智能交通信号、出行任务信息和车辆定位信息，构建所述车辆行驶的全局路径拓扑图；所述全局路径拓扑图包括表征道路信息的路网节点和节点连线；
第一确定模块740，用于确定所述全局路径拓扑图中的关键节点，并基于所述关键节点确定所述车辆行驶的全局行驶路径；
第二确定模块750，用于基于所述全局行驶路径、车辆定位信息、边缘交通信息和所述车辆所感知的周围环境信息，确定所述车辆行驶的局部行驶规划信息；
驾驶控制模块760，用于基于所述局部行驶规划信息，控制车辆智能行驶。
在一些实施例中，所述智能交通信号包括交通绿波带信号；
所述局部行驶规划信息包括局部行驶路径和/或智能行驶车速。
在一些实施例中，所述第一确定模块740包括：
第一获取单元，用于获取用户出行的偏好习惯数据；
第一确定单元，用于基于所述偏好习惯数据，确定所述全局路径拓扑图中表征目标路段的目标连线；
第二确定单元，用于确定所述目标连线的路网节点，并作为所述关键节点。
在一些实施例中，所述第一确定模块740还包括：
第二获取单元，用于获取全局路径拓扑图中各节点连线的第一权重；
权重更新单元，用于获取所述目标连线对应的权重因子，并基于所述权重因子更新所述目标连线对应的第一权重；
第三确定单元，用于基于更新的第一权重，确定所述全局路径拓扑图中包含所述关键节点的行驶路径的总权重；
路径确定单元，用于根据各行驶路径的总权重的大小排序结果，确定所述车辆行驶的全局行驶路径。
在一些实施例中，所述智能交通信号包括全局交通绿波带信号和局部交通绿波带信号；所述局部行驶规划信息包括局部行驶路径和智能行驶车速。第二确定模块750包括：
第四确定单元，用于基于所述全局行驶路径、车辆定位信息、道路边缘计算信息和所述车辆所感知的周围环境信息，确定所述车辆行驶的局部行驶路径；
第五确定单元，用于基于所述局部行驶路径和局部交通绿波带信号，确定车辆的智能行驶车速。
在一些实施例中，所述驾驶控制模块760包括：
第六确定单元，用于基于所述局部行驶路径和和所述智能行驶车速，确定所述车辆的底盘控制量；
控制单元，用于基于所述底盘控制量，控制车辆智能行驶。
在一些实施例中，所述车外关联系统包括基于区块链的分布式基站节点；所述装置还包括：
节点确定模块，用于确定车外关联系统中目标基站节点；所述目标基站节点用于下发车辆出行环境的边缘交通信息；
连接模块，用于建立与所述目标基站节点的接入连接；
相应的，所述第二获取模块720具体用于：
获取车外关联系统中目标基站节点发送的用于描述车辆出行环境的边缘交通信息。
需要说明的是，本申请的装置的具体内容和有益效果可参见上述方法实施例，在此不再赘述。
图8是本申请实施例中提供的一种智能驾驶控制系统的结构示意图。图9是本申请实施例中提供的一种智能驾驶控制系统中自车系统的结构示意图。请参见图8和9，该智能驾驶控制系统800可以包括车外关联系统810和与车外关联系统810通信的自车系统820。其中，车外关联系统810包括设置在车外且与自车的智能驾驶决策相关联的设备，例如边缘模块811等。自车系统820可以包括车辆自动驾驶系统、和/或智能驾驶辅助系统。车外关联系统710与自车系统820之间的通信方式包括但不限于为LTE-V2X、4G-V2X、5G-V2X等。
在本申请实施例中，如图8所示，车外关联系统810可以包括依次连接的边缘模块811和智能交通信息管理系统812。自车系统820可以包括与智能交通信息管理系统812连接的交通信息接入模块821，及与交通信息接入模块821连接的智能驾驶控制装置700。其中：
边缘模块811的数量优选为多个。每个边缘模块811用于对周围交通环境信息进行采集和边缘分析，得到边缘交通信息。
具体地，边缘交通信息包括智能交通信号和道路边缘计算信息。该智能交通信号包括但不限于为绿波带信号，其还可为其他智能交通信号。
在一些实施例中，边缘模块811包括但不限于为具有边缘计算功能的摄像头、传感器、交通设备、其他路侧单元等交通参与者。摄像头或传感器可以配置在路侧单元上，也可配置在其他道路参与者上(比如其它车辆)。仅作为示例，该传感器包括但不限于为：毫米波雷达、超声波雷达、激光雷达等中一种或多种。该交通设备包括但不限于为交通指示灯(比如红绿灯设备)、交通指示牌等。
智能交通信息管理系统812用于汇聚所述边缘交通信息，并将所述边缘交通信息分发至对应的交通信息接入系统。
在一些实施例中，智能交通信息管理系统812汇集多个边缘模块811所得到的边缘交通信息，并对汇集的信息进行管理和存储。示例性的，该管理可为信息分发、信息融合、信息全局分析、信息安全认证、信息可靠性认证等。
在一些可选实施例中，智能交通信息管理系统812中包括基于区块链的分布式基站节点。基站节点采用基于区块链加密汇集的方式汇集至少一个边缘模块的边缘交通信息。
交通信息接入模块821配置于自车上，用于对动态接入智能交通信息管理系统712进行接入管理，并将智能交通信息管理系统812分发的边缘交通信息发送至智能驾驶控制装置600。在一些实施例中，该接入管理包括但不限于为：访问请求、鉴权、排队、负载均衡、传输协议等。
智能驾驶控制装置600用于根据交通信息接入模块821所接收的目标边缘交通信息，生成智能驾驶控制信息，以控制执行相应的智能驾驶。
在一些实施例中，交通信息接入模块821可以向智能交通信息管理系统812发送接入请求，接收智能交通信息管理系统812响应于该接入请求所下发的目标边缘交通信息，并将目标边缘交通信息发送至智能驾驶控制装置822。智能驾驶控制装置822接收该目标边缘交通信息，并结合自车所采集的周围环境信息和定位信息，生成智能驾驶控制信息，以控制执行部根据智能驾驶控制信息控制车辆进行智能驾驶。
在一些实施例中，如图7和8所示，智能驾驶控制装置700主要用于全局路径规划、局部驾驶信息规划和驾驶控制三个部分。其中，全局路径规划包括路径加权和全局路径决策；局部驾驶信息规划包括避障决策、局部路径规划和车速规划；驾驶控制包括横向/纵向控制。关于智能驾驶控制装置700的具体内容可参见上述实施例，在此不再赘述。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行如上述任一所述的智能驾驶控制方法。
本申请实施例还提供一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现上述任一所述的智能驾驶控制方法。
在一些实施例中，该计算机设备(未图示)可以包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种智能驾驶控制方法。
需要说明的是：上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置和服务器实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本申请的保护范围。

Claims (10)

1.一种智能驾驶控制方法，其特征在于，包括：
获取车辆的出行任务信息和车辆定位信息；
获取车外关联系统发送的用于描述车辆出行环境的边缘交通信息；所述边缘交通信息包括智能交通信号和道路边缘计算信息；
基于所述智能交通信号、出行任务信息和车辆定位信息，构建所述车辆行驶的全局路径拓扑图；所述全局路径拓扑图包括表征道路信息的路网节点和节点连线；
确定所述全局路径拓扑图中的关键节点，并基于所述关键节点确定所述车辆行驶的全局行驶路径；
基于所述全局行驶路径、车辆定位信息、边缘交通信息和所述车辆所感知的周围环境信息，确定所述车辆行驶的局部行驶规划信息；
基于所述局部行驶规划信息，控制车辆智能行驶。
2.根据权利要求1所述的方法，其特征在于，所述智能交通信号包括交通绿波带信号；
所述局部行驶规划信息包括局部行驶路径和/或智能行驶车速。
3.根据权利要求1或2所述的方法，其特征在于，所述确定所述全局路径拓扑图中的关键节点，包括：
获取用户出行的偏好习惯数据；
基于所述偏好习惯数据，确定所述全局路径拓扑图中表征目标路段的目标连线；
确定所述目标连线的路网节点，并作为所述关键节点。
4.根据权利要求3所述的方法，其特征在于，所述基于所述关键节点确定所述车辆行驶的全局行驶路径，包括：
获取全局路径拓扑图中各节点连线的第一权重；
获取所述目标连线对应的权重因子，并基于所述权重因子更新所述目标连线对应的第一权重；
基于更新的第一权重，确定所述全局路径拓扑图中包含所述关键节点的行驶路径的总权重；
根据各行驶路径的总权重的大小排序结果，确定所述车辆行驶的全局行驶路径。
5.根据权利要求1所述的方法，其特征在于，所述智能交通信号包括全局交通绿波带信号和局部交通绿波带信号；所述局部行驶规划信息包括局部行驶路径和智能行驶车速；
所述基于所述全局行驶路径、车辆定位信息、边缘交通信息和所述车辆所感知的周围环境信息，确定所述车辆行驶的局部行驶规划信息，包括：
基于所述全局行驶路径、车辆定位信息、道路边缘计算信息和所述车辆所感知的周围环境信息，确定所述车辆行驶的局部行驶路径；
基于所述局部行驶路径和局部交通绿波带信号，确定车辆的智能行驶车速。
6.根据权利要求5所述的方法，其特征在于，所述基于所述局部行驶规划信息，控制车辆智能行驶，包括：
基于所述局部行驶路径和和所述智能行驶车速，确定所述车辆的底盘控制量；
基于所述底盘控制量，控制车辆智能行驶。
7.根据权利要求1或2所述的方法，其特征在于，所述车外关联系统包括基于区块链的分布式基站节点；所述获取车外关联系统发送的用于描述车辆出行环境的边缘交通信息之前，还包括：
确定车外关联系统中目标基站节点；所述目标基站节点用于下发车辆出行环境的边缘交通信息；
建立与所述目标基站节点的接入连接；
相应的，所述获取车外关联系统发送的用于描述车辆出行环境的边缘交通信息包括：
获取车外关联系统中目标基站节点发送的用于描述车辆出行环境的边缘交通信息。
8.一种智能驾驶控制装置，其特征在于，包括：
第一获取模块，用于获取车辆的出行任务信息和车辆定位信息；
第二获取模块，用于获取车外关联系统发送的用于描述车辆出行环境的边缘交通信息；所述边缘交通信息包括智能交通信号和道路边缘计算信息；
拓扑图构建模块，用于基于所述智能交通信号、出行任务信息和车辆定位信息，构建所述车辆行驶的全局路径拓扑图；所述全局路径拓扑图包括表征道路信息的路网节点和节点连线；
第一确定模块，用于确定所述全局路径拓扑图中的关键节点，并基于所述关键节点确定所述车辆行驶的全局行驶路径；
第二确定模块，用于基于所述全局行驶路径、车辆定位信息、边缘交通信息和所述车辆所感知的周围环境信息，确定所述车辆行驶的局部行驶规划信息；
驾驶控制模块，用于基于所述局部行驶规划信息，控制车辆智能行驶。
9.一种智能驾驶控制系统，其特征在于，所述系统包括车外关联系统和自车系统；所述车外关联系统包括边缘模块和智能交通信息管理系统；所述自车系统包括交通信息接入系统和权利要求8所述的智能驾驶控制装置；
所述边缘模块，用于对周围交通环境信息进行采集和边缘分析，得到边缘交通信息，所述边缘交通信息包括智能交通信号和道路边缘计算信息；
所述智能交通信息管理系统，用于汇聚所述边缘交通信息，并将所述边缘交通信息分发至交通信息接入系统；
所述交通信息接入系统，用于对动态接入智能交通信息管理系统进行接入管理，并将智能交通信息管理系统分发的边缘交通信息发送至智能驾驶控制装置。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行如所述权利要求1-7任一所述的智能驾驶控制方法。
CN202010100560.XA 2020-02-18 2020-02-18 一种智能驾驶控制方法、装置、系统及存储介质 Pending CN111367275A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010100560.XA CN111367275A (zh) 2020-02-18 2020-02-18 一种智能驾驶控制方法、装置、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010100560.XA CN111367275A (zh) 2020-02-18 2020-02-18 一种智能驾驶控制方法、装置、系统及存储介质

Publications (1)

Publication Number Publication Date
CN111367275A true CN111367275A (zh) 2020-07-03

Family

ID=71208086

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010100560.XA Pending CN111367275A (zh) 2020-02-18 2020-02-18 一种智能驾驶控制方法、装置、系统及存储介质

Country Status (1)

Country Link
CN (1) CN111367275A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112418092A (zh) * 2020-11-23 2021-02-26 中国第一汽车股份有限公司 一种障碍物感知的融合方法、装置、设备及储存介质
CN112612287A (zh) * 2020-12-28 2021-04-06 清华大学 一种自动驾驶汽车局部路径规划系统、方法、介质及设备
CN112817249A (zh) * 2020-12-28 2021-05-18 马樱 一种自动驾驶汽车控制系统
CN112904840A (zh) * 2021-01-18 2021-06-04 陈潇潇 全局与局部分工合作各自追求最优的自动驾驶交通系统
CN114179829A (zh) * 2021-12-24 2022-03-15 中汽创智科技有限公司 多端协同的车辆行驶方法、装置、系统及介质
WO2022104796A1 (zh) * 2020-11-23 2022-05-27 深圳元戎启行科技有限公司 用于智能行动的多域控制器、控制系统和控制方法
CN115285148A (zh) * 2022-09-01 2022-11-04 清华大学 自动驾驶车速规划方法、装置、电子设备和存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105910605A (zh) * 2016-05-30 2016-08-31 中国科学技术大学苏州研究院 一种室内导航动态路径生成方法
CN106197449A (zh) * 2016-06-30 2016-12-07 中国科学院计算技术研究所 一种基于网络路径选择算法的地图路径规划方法及系统
CN107883956A (zh) * 2017-10-19 2018-04-06 中国地质大学（武汉） 一种基于Dijkstra算法的路径选择方法及系统
CN108010356A (zh) * 2016-10-31 2018-05-08 中国电信股份有限公司 用于协调车辆行驶的方法、车辆行驶协调装置及其车辆
CN108038576A (zh) * 2017-12-20 2018-05-15 中国地质大学（武汉） 基于改进Dijkstra算法的物流配送路径选择方法及系统
CN108417087A (zh) * 2018-02-27 2018-08-17 浙江吉利汽车研究院有限公司 一种车辆安全通行系统及方法
CN109557928A (zh) * 2019-01-17 2019-04-02 湖北亿咖通科技有限公司 基于矢量地图和栅格地图的自动驾驶车辆路径规划方法
CN109756867A (zh) * 2018-12-29 2019-05-14 广州中国科学院软件应用技术研究所 一种基于lte-v的车路协同车载终端应用系统
CN110398960A (zh) * 2019-07-08 2019-11-01 浙江吉利汽车研究院有限公司 一种智能驾驶的路径规划方法、装置及设备
CN110768819A (zh) * 2018-12-03 2020-02-07 北京嘀嘀无限科技发展有限公司 生成方法、规划方法、装置、终端和可读存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105910605A (zh) * 2016-05-30 2016-08-31 中国科学技术大学苏州研究院 一种室内导航动态路径生成方法
CN106197449A (zh) * 2016-06-30 2016-12-07 中国科学院计算技术研究所 一种基于网络路径选择算法的地图路径规划方法及系统
CN108010356A (zh) * 2016-10-31 2018-05-08 中国电信股份有限公司 用于协调车辆行驶的方法、车辆行驶协调装置及其车辆
CN107883956A (zh) * 2017-10-19 2018-04-06 中国地质大学（武汉） 一种基于Dijkstra算法的路径选择方法及系统
CN108038576A (zh) * 2017-12-20 2018-05-15 中国地质大学（武汉） 基于改进Dijkstra算法的物流配送路径选择方法及系统
CN108417087A (zh) * 2018-02-27 2018-08-17 浙江吉利汽车研究院有限公司 一种车辆安全通行系统及方法
CN110768819A (zh) * 2018-12-03 2020-02-07 北京嘀嘀无限科技发展有限公司 生成方法、规划方法、装置、终端和可读存储介质
CN109756867A (zh) * 2018-12-29 2019-05-14 广州中国科学院软件应用技术研究所 一种基于lte-v的车路协同车载终端应用系统
CN109557928A (zh) * 2019-01-17 2019-04-02 湖北亿咖通科技有限公司 基于矢量地图和栅格地图的自动驾驶车辆路径规划方法
CN110398960A (zh) * 2019-07-08 2019-11-01 浙江吉利汽车研究院有限公司 一种智能驾驶的路径规划方法、装置及设备

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112418092A (zh) * 2020-11-23 2021-02-26 中国第一汽车股份有限公司 一种障碍物感知的融合方法、装置、设备及储存介质
WO2022104796A1 (zh) * 2020-11-23 2022-05-27 深圳元戎启行科技有限公司 用于智能行动的多域控制器、控制系统和控制方法
CN114981745A (zh) * 2020-11-23 2022-08-30 深圳元戎启行科技有限公司 用于智能行动的多域控制器、控制系统和控制方法
CN112612287A (zh) * 2020-12-28 2021-04-06 清华大学 一种自动驾驶汽车局部路径规划系统、方法、介质及设备
CN112817249A (zh) * 2020-12-28 2021-05-18 马樱 一种自动驾驶汽车控制系统
CN112612287B (zh) * 2020-12-28 2022-03-15 清华大学 一种自动驾驶汽车局部路径规划系统、方法、介质及设备
CN112904840A (zh) * 2021-01-18 2021-06-04 陈潇潇 全局与局部分工合作各自追求最优的自动驾驶交通系统
CN114179829A (zh) * 2021-12-24 2022-03-15 中汽创智科技有限公司 多端协同的车辆行驶方法、装置、系统及介质
CN115285148A (zh) * 2022-09-01 2022-11-04 清华大学 自动驾驶车速规划方法、装置、电子设备和存储介质
CN115285148B (zh) * 2022-09-01 2024-06-18 清华大学 自动驾驶车速规划方法、装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
CN111367275A (zh) 一种智能驾驶控制方法、装置、系统及存储介质
CN112700639B (zh) 一种基于联邦学习与数字孪生的智能交通路径规划方法
US11867517B2 (en) Navigating to a moving target
JP5013211B2 (ja) 運転評価システム及び運転評価プログラム
US11567495B2 (en) Methods and systems for selecting machine learning models to predict distributed computing resources
CN102906800B (zh) 建模和优化交通网络性能的系统及方法
CN110861650A (zh) 车辆的路径规划方法、装置，车载设备和存储介质
WO2015051289A1 (en) System and method for vehicle energy estimation, adaptive control and routing
CN109740811A (zh) 通行速度预测方法、装置和存储介质
US12093878B2 (en) Systems and methods for managing permissions and authorizing access to and use of services
CN111898793B (zh) 一种组合出行方式下考虑用户感知差异性的路径选择方法
CN112927543A (zh) 一种车路协同自动驾驶方法、系统及车辆
CN112382118B (zh) 车位智能预约管理系统、方法、存储介质、计算机设备
CN109741626A (zh) 停车场停车情况预测方法、调度方法和系统
CN113442920A (zh) 编队行驶的控制方法、装置、计算机可读介质及电子设备
KR20230035159A (ko) 수요 응답형 모빌리티 및 이의 경로 최적화 방법
CN116698075B (zh) 路网数据处理方法、装置、电子设备及存储介质
CN112819228A (zh) 任务处理方法、装置、存储介质和电子设备
CN107588779A (zh) 一种基于任意两节点间行程时间的车辆智能导航方法
CN108663062A (zh) 路径规划方法及其系统
Xu et al. Intelligent Transportation Vehicle Road Collaboration and Task Scheduling Based on Deep Learning in Augmented Internet of Things
CN112116170A (zh) 一种自动规划上班路线的方法及装置
CN112329119B (zh) 虚拟场景仿真处理方法、装置、电子设备及存储介质
AU2021101897A4 (en) A machine learning and IOT based system for intelligent routing
US11892314B2 (en) Thermally efficient route selection

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