CN111845769A - 一种车辆驾驶方法及其装置、计算机设备、车辆 - Google Patents

Abstract

本发明涉及一种车辆驾驶方法及其装置、计算机设备、车辆，所述方法包括获取多个环境识别结果和多个车辆信息；其中，所述多个环境识别结果包括本车通过深度学习识别本车周围环境信息得到的本车环境识别结果和至少一辆前车通过深度学习识别其车辆周围环境信息得到的环境识别结果；所述车辆信息包括本车信息和至少一辆前车的前车信息；根据所述多个环境识别结果和所述多个车辆信息生成驾驶指令，并控制本车执行所述驾驶指令。所述装置和计算机设备均为实现所述方法的载体，所述车辆包括所述装置或所述计算机设备。本发明结合车联网共享信息与自身深度学习情况进行决策并输出合适的驾驶指令，能够提高车辆驾驶决策准确性。

Description

一种车辆驾驶方法及其装置、计算机设备、车辆

技术领域

本发明涉及自动驾驶技术领域，具体涉及一种车辆驾驶方法及其装置、计算机设备、车辆。

背景技术

深度学习是机器学习中一种基于对数据进行表征学习的方法，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据。在车辆领域中，深度学习主要适用于车辆驾驶规则的学习和周围环境预判的学习。对于驾驶者来说，深度学习的来源主要是由预先训练好的模型以及在实际环境中学习的模型组成。进一步地，随着车辆技术的发展，提出了基于车联网共享车辆信息的方案，利用车联网驾驶者可以获取周围其他车辆的相关信息，例如是前方车辆，相关信息包括能否通过前方红绿灯等；而实际上，信息的共享和传递需要耗费一定时间，而环境是实时变化的，例如，前方路口路灯为红灯，前方车辆通过车联网告知后方车辆要停车，但是共享信息到达后方车辆的时候，有可能红灯变绿灯，后方车辆可以慢行通过。那么，如何结合车联网共享信息与自身深度学习情况进行决策并输出合适的驾驶指令，提高车辆决策准确性，避免误判和减少响应的时延问题，是目前自动驾驶领域需要解决的问题。

发明内容

本发明的目的在于提出一种车辆驾驶方法及其装置、计算机设备、车辆，以结合车联网共享信息与自身深度学习情况进行决策并输出合适的驾驶指令，从而提高车辆自动驾驶或半自动驾驶决策准确性。

为了实现本发明目的，根据本发明第一方面，本发明实施例提供一种车辆驾驶方法，包括如下步骤：

获取多个环境识别结果和多个车辆信息；其中，所述多个环境识别结果包括本车通过深度学习识别本车周围环境信息得到的本车环境识别结果和至少一辆前车通过深度学习识别其车辆周围环境信息得到的环境识别结果；所述车辆信息包括本车信息和至少一辆前车的前车信息；

根据所述多个环境识别结果和所述多个车辆信息生成驾驶指令，并控制本车执行所述驾驶指令。

优选地，所述根据所述多个环境识别结果和所述多个车辆信息生成驾驶指令包括：

根据每一环境识别结果及其对应的车辆信息确定每一环境识别结果的置信度；

筛选出置信度最高的环境识别结果；

根据所述置信度最高的环境识别结果生成驾驶指令。

优选地，所述根据每一环境识别结果及其对应的车辆信息确定每一环境识别结果的置信度包括：

根据每一环境识别结果的类型确定每一环境识别结果的第一置信度；

根据每一环境识别结果所对应的车辆信息确定每一环境识别结果的第二置信度；

根据每一环境识别结果的第一置信度和第二置信度确定每一环境识别结果的置信度。

优选地，所述车辆信息包括车辆位置信息、驾驶员的驾驶经验信息和车辆深度学习模型历史正确率信息中的一种或多种；

所述根据每一环境识别结果所对应的车辆信息确定每一环境识别结果的第二置信度包括：

若车辆位置与本车位置的距离越远，则其环境识别结果所对应的第二置信度越小；

若车辆驾驶员的驾龄越短，则其环境识别结果所对应的第二置信度越小；

若车辆深度学习模型历史正确率越低，则其环境识别结果所对应的第二置信度越小。

优选地，所述根据每一环境识别结果的第一置信度和第二置信度确定每一环境识别结果的置信度包括：将每一环境识别结果对应的第一置信度和第二置信度进行相加或相乘得到每一环境识别结果的置信度。

优选地，所述环境识别结果的类型包括危险、刹车、注意、堵车中的一种或多种。

优选地，所述获取多个环境识别结果和多个车辆信息包括通过车联网获取至少一辆前车的环境识别结果及其对应的前车信息。

为了实现本发明目的，根据本发明第二方面，本发明实施例提供一种车辆驾驶装置，包括：

信息模块，用于获取多个环境识别结果和多个车辆信息；其中，所述多个环境识别结果包括本车通过深度学习识别本车周围环境信息得到的本车环境识别结果和至少一辆前车通过深度学习识别其车辆周围环境信息得到的环境识别结果；所述车辆信息包括本车信息和至少一辆前车的前车信息；

自动驾驶模块，用于根据所述多个环境识别结果和所述多个车辆信息生成驾驶指令，并控制本车执行所述驾驶指令。

优选地，所述信息模块包括通讯单元、深度学习单元和信息采集单元；

所述信息采集单元用于采集本车周围环境信息和本车的车辆信息，所述本车的车辆信息包括本车的位置信息、驾驶员的驾驶经验信息及车辆深度学习模型历史正确率信息中的一种或多种；

所述深度学习单元用于识别所述本车周围环境信息得到本车环境识别结果；

所述通讯单元用于与车联网通讯连接，通过所述车联网获取前车的前车环境识别结果和车辆信息，并将所述本车环境识别结果和本车的车辆信息发送给车联网进行共享。

优选地，所述自动驾驶模块包括：

第一处理单元，用于根据每一环境识别结果的类型确定每一环境识别结果的第一置信度；

第二处理单元，用于根据每一环境识别结果所对应的车辆信息确定每一环境识别结果的第二置信度；

第三处理单元，用于根据每一环境识别结果的第一置信度和第二置信度确定每一环境识别结果的置信度；

第四处理单元，用于筛选出置信度最高的环境识别结果；

第五处理单元，用于根据所述置信度最高的环境识别结果生成驾驶指令。

为了实现本发明目的，据本发明第三方面，本发明实施例提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，以实现第一方面实施例所述车辆驾驶方法。

为了实现本发明目的，根据本发明第四方面，本发明实施例提供一种车辆，包括第二方面实施例所述的车辆驾驶装置或第三方面实施例所述的计算机设备。

以上技术方案具有以下有益效果：

所述方法及其装置结合车联网共享信息与自身深度学习情况进行决策并输出合适的驾驶指令，具体地，在车辆驾驶过程中获取多个环境识别结果和多个车辆信息；其中，所述多个环境识别结果包括本车通过深度学习识别本车周围环境信息得到的本车环境识别结果和多辆前车通过深度学习识别其车辆周围环境信息得到的前车环境识别结果；所述车辆信息包括本车信息和多辆前车的前车信息；然后根据所述多个环境识别结果的类型和所述多个车辆信息确定所述多个环境识别结果的置信度，置信度越高，则对应的环境识别结果越可靠，根据该环境识别结果生成的驾驶指令的误判率越低，因此能够更加大范围更加及时地更加准确共享路况来辅助驾驶，从而提高车辆自动驾驶或半自动驾驶决策准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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的附图。

图1为本发明实施例一所述一种车辆驾驶方法流程示意图。

图2为本发明实施例二所述一种车辆驾驶装置结构示意图。

图3为本发明实施例二所述装置与车联网以及执行机构连接关系示意图。

图4为本发明实施例三所述一种计算机设备结构示意图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

另外，为了更好的说明本发明，在下文的具体实施例中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本发明同样可以实施。在一些实例中，对于本领域技术人员熟知的手段未作详细描述，以便于凸显本发明的主旨。

如图1所示，本发明实施例一提供一种车辆驾驶方法，包括如下步骤：

步骤S1、获取多个环境识别结果和多个车辆信息；

其中，所述多个环境识别结果包括本车通过深度学习识别本车周围环境信息得到的本车环境识别结果和至少一辆前车通过深度学习识别其车辆周围环境信息得到的环境识别结果；所述车辆信息包括本车信息和至少一辆前车的前车信息；

步骤S2、根据所述多个环境识别结果和所述多个车辆信息生成驾驶指令，并控制本车执行所述驾驶指令。

具体而言，本实施例中本车和前车均设置有具有深度学习功能的模块和采集车辆周围环境信息和自身车辆信息的模块，且本车和前车可以通过共享通讯网络进行通信连接，实现数据共享，所述共享通讯网络可以是车联网。所述具有深度学习功能的模块通过神经网络深度学习，识别其车辆周围环境信息得到相应的环境识别结果，因此，每一辆加入共享通讯网络的车辆均能够提供自身环境识别结果和自身车辆信息，并从共享通讯网络获取其他车辆的环境识别结果和车辆信息。

需说明的是，本实施例方法根据多个环境识别结果和所述多个车辆信息生成驾驶指令，所述环境识别结果决定了车辆行为的重要程度，所述车辆信息决定了环境识别结果的可靠程度，也就是出错的概率。

举例而言，车辆行驶路线的前方有一个红灯，此时前方车辆的前车环境识别结果为停车，但是前车环境识别结果到达后方的时候，有可能红灯变绿灯，则本车可以慢行通过。应用本实施例所述方法，这个时候本车结合自己通过深度学习得到的本车环境识别结果和车联网传过来的前车环境识别结果，并根据相应的车辆信息和预设策略判断本车环境识别结果和前车环境识别结果的可靠程度，就能准确知道当本车到达交通灯路口时，红灯已转为绿灯，可以直行通过，从而减少响应的时延的问题。另外，如果只是单单通过一辆车辆的深度学习，可能不够精确，因为不同车辆的车辆信息不同，例如车辆的深度学习的模型、模型准确程度以及驾驶者的驾驶习惯都可能不同的，这些车辆信息会影响环境识别结果的可靠性，因此本实施例方法联合前车和本车的深度学习结果与车辆信息进行自动驾驶决策可以减少自动驾驶决策误判概率。

需说明的是，在全自动驾驶模式下，所述根据所述多个环境识别结果和所述多个车辆信息生成驾驶指令可以是车辆的自动驾驶模块自动生成驾驶指令，并直接控制本车执行所述驾驶指令。而在半自动驾驶模式，所述根据所述多个环境识别结果和所述多个车辆信息生成驾驶指令则可以是自动驾驶模块根据所述多个环境识别结果和所述多个车辆信息输出一参考结果，驾驶员根据该参考结果进行手动操作生成驾驶指令，例如手动控制方向盘、踩油门踏板或刹车踏板以及换挡等。

在一实施例中，所述根据所述多个环境识别结果和所述多个车辆信息生成驾驶指令包括以下子步骤：

步骤S21、根据每一环境识别结果及其对应的车辆信息确定每一环境识别结果的置信度；

步骤S22、筛选出置信度最高的环境识别结果；

步骤S23、根据所述置信度最高的环境识别结果生成驾驶指令。

具体而言，本实施例中环境识别结果是生成驾驶指令的数据依据，环境识别结果可能是前方拥堵，那么生成的驾驶指令对应是重新进行路径规划，避开拥堵道路。所述置信度表征了环境识别结果的可靠性，置信度越高，则环境识别结果越可靠，因此根据置信度最高的环境识别结果所作出的驾驶决策误判率最低。

在一实施例中，所述步骤S21包括：

步骤S211、根据每一环境识别结果的类型确定每一环境识别结果的第一置信度；

其中，所述环境识别结果的类型可以预先设置，本实施例中所述环境识别结果的类型优选但不限于包括危险、刹车、注意、堵车、路面不平、路面有障碍物中的一种或多种类型。对应环境识别结果的类型，本实施例方法可以预先设置每个类型的第一置信度，所述第一置信度用于表征环境识别结果的重要性，例如表1所示，需说明的是，表1中的类型仅为本实施例所列举的部分类型，在实际应用过程中，可以根据实际情况进一步删减或增加环境识别结果的类型。

表1

环境识别结果的类型	第一置信度
		危险	90
注意	80
		刹车	70
堵车	50
		路面有障碍物	30
路面不平	20

步骤S212、根据每一环境识别结果所对应的车辆信息确定每一环境识别结果的第二置信度；

具体而言，所述车辆信息会影响环境识别结果的可靠性，因此，本实施例中根据前车以及本车的车辆信息设置了第二置信度来表征环境识别结果的可靠性。

步骤S213、根据每一环境识别结果的第一置信度和第二置信度确定每一环境识别结果的置信度。

具体而言，本实施例提出结合第一置信度和第二置信度判断一辆或多辆前车以及本车进行深度学习得到的多个环境识别结果的置信度，能够更加准确地判断车辆的环境识别结果的可靠性，大大降低了车辆驾驶决策的误判率。

在一实施例中，所述车辆信息包括车辆位置信息、驾驶员的驾驶经验信息和车辆深度学习模型历史正确率信息中的一种或多种；可以理解的是，除了本实施例中枚举的几种车辆信息外，还可以选取其他可能影响到深度学习误判的信息用于结合判断第二置信度，其均在本申请的保护范围之内。

在本实施例中，所述步骤S212具体包括：

若车辆位置与本车位置的距离越远，则其环境识别结果所对应的第二置信度越小；具体如表2所示。

表2

车辆位置与本车位置的距离	第二置信度
		远处的车	20
近处的车	30
		前一台车	40
本车	50

具体而言，若某一车辆的位置与本车位置的距离越远，那么该车辆深度学习得到的环境识别结果对本车的影响越小，有可能当本车到达该车辆的位置时，环境情况会有所改变。若某一车辆的位置与本车位置的距离越近，那么该车辆深度学习得到的环境识别结果对本车的影响越大，由于距离短，很有可能当本车到达该车辆的位置时，环境情况变化不大。据此，本实施例加入了车辆位置与本车位置的距离作为确定第二置信度的影响因子。

若车辆驾驶员的驾龄越短，则其环境识别结果所对应的第二置信度越小；具体如表3所示。

表3

车辆驾驶员的驾龄	第二置信度
		一年以下	20
一年到三年	40
		三年到十年	60
十年以上	80

具体而言，具有自动驾驶功能的车辆，其定然也具有非自动驾驶功能或半自动驾驶功能，即不是通过自动驾驶决策输出驾驶指令直接控制车辆行驶。其中，车辆的深度学习与驾驶员的驾驶习惯有关系，同一车况下，不同驾驶员的驾驶操作可能会不一样，而车辆的深度学习模型会根据驾驶员的操作习惯进行学习，在该车况下输出与驾驶员驾驶习惯吻合的驾驶指令。其中，在同一车况下，具有不同驾驶经验的驾驶员可能选择的驾驶操作不一样，一般而言，驾驶经验越丰富，则驾驶水平越高，对车况的判断以及对应选择的驾驶操作也更加可靠。据此，本实施例加入了驾驶员驾龄作为确定第二置信度的影响因子。

若车辆深度学习模型历史正确率越低，则其环境识别结果所对应的第二置信度越小；具体如表4所示。

表4

深度学习模型历史正确率	第二可信度
		误判百分百	0
误判百分之七十五	25
		误判百分之五十	50
误判百分之二十五	75
		误判百分之零	100

具体而言，每一车辆的深度学习模型可能有所不同，其深度学习模型输出结果的正确率也有所不同，因此，本实施例中加入了车辆深度学习模型的历史正确率这一参数作为确定第二置信度的影响因子。

可以理解的是，本实施例中枚举了车辆位置信息、驾驶员的驾驶经验信息和车辆深度学习模型历史正确率信息三种信息，在实际应用过程中，基于本实施例发明构思，可以选取其他可能影响车辆环境识别结果的影响因子用于确定第二置信度。

其中，当选用多个影响因子用于确定车辆环境识别结果的第二置信度时，多个影响因子均对第二置信度产生影响，那么可以结合多个影响因子对第二置信度产生的影响确定第二置信度，例如采用累加或累成的方式，假设车辆位置与本车位置的距离所对应的第二置信度为X，车辆驾驶员的驾龄对应的第二置信度为Y，深度学习模型历史正确率对应的置信度为Z，那么最终车辆环境识别结果的第二置信度为X+Y+Z或者X×Y×Z；此处，仅为示例说明，基于以上内容，可以得到选取更多影响因子确定第二置信度的方法。

在一实施例中，所述步骤S213包括：

将每一环境识别结果对应的第一置信度和第二置信度进行相加或相乘得到每一环境识别结果的置信度。

可以理解的是，本实施例中相加或相乘的计算方法仅是举例说明，其中，也可以根据环境识别结果类型和车辆信息对置信度影响的重要程度来确定一定的系数，用于更加准确的确定每一环境识别结果的置信度。但主体思想为置信度越高，对应的环境识别结果越可靠。

在一实施例中，所述获取多个环境识别结果和多个车辆信息包括通过车联网获取至少一辆前车的环境识别结果及其对应的前车信息。

具体而言，本实施例中，可以选用NB-IOT通讯方式，即每一车辆嵌入深度学习芯片用于通过深度学习神经网络感知环境得到环境识别结果，每一车辆嵌入NB-IOT通讯客户端，其中行驶的基站也是支持NB-IOT通讯方式，从而保证不同车辆能在同一个协议下进行通讯；行驶的基站具有一定的云端能力，能维护连接到该基站的NB-IOT终端的位置信息，以及信息的等级信息。每一车辆具有一定的深度学习的环境感知能力，能将环境准确感知，并且共享给其他车辆，可以减少后方车辆对重复环境的重复计算问题并且可以提前响应预防措施。

如图2所示为本发明实施例二提供的一种车辆驾驶装置，包括：

信息模块1，用于获取多个环境识别结果和多个车辆信息；其中，所述多个环境识别结果包括本车通过深度学习识别本车周围环境信息得到的本车环境识别结果和至少一辆前车通过深度学习识别其车辆周围环境信息得到的环境识别结果；所述车辆信息包括本车信息和至少一辆前车的前车信息；

自动驾驶模块2，用于根据所述多个环境识别结果和所述多个车辆信息生成驾驶指令，并控制本车执行所述驾驶指令。

在一实施例中，所述信息模块1包括通讯单元11、深度学习单元12和信息采集单元13；

所述信息采集单元11用于采集本车周围环境信息和本车的车辆信息，所述本车的车辆信息包括本车的位置信息、驾驶员的驾驶经验信息及车辆深度学习模型历史正确率信息中的一种或多种；

所述深度学习单元12用于识别所述本车周围环境信息得到本车环境识别结果；

所述通讯单元13用于与车联网通讯连接，通过所述车联网获取前车的前车环境识别结果和车辆信息，并将所述本车环境识别结果和本车的车辆信息发送给所述车联网进行共享。

在一实施例中，所述自动驾驶模块2包括：

第一处理单元21，用于根据每一环境识别结果的类型确定每一环境识别结果的第一置信度；

第二处理单元22，用于根据每一环境识别结果所对应的车辆信息确定每一环境识别结果的第二置信度；

第三处理单元23，用于根据每一环境识别结果的第一置信度和第二置信度确定每一环境识别结果的置信度；

第四处理单元24，用于筛选出置信度最高的环境识别结果；

第五处理单元25，用于根据所述置信度最高的环境识别结果生成驾驶指令。

如图3所示为本发明实施例二所述装置与车联网以及执行机构连接关系示意图。

需说明的是，对于实施例二公开的装置而言，由于其与实施例一公开的方法相对应，实施例二所述装置相关内容参见实施例一所述方法流程部分说明即可，此处不再赘述。

如图4所示，本发明实施例三提供一种计算机设备100，包括存储器101、处理器102及存储在存储器101上并可在处理器102上运行的计算机程序103，所述处理器102执行所述计算机程序103时，以实现如实施例一所述的车辆驾驶方法。

本发明实施例四提供一种车辆，包括实施例二所述装置或实施例三所述计算机设备。

通过以上实施例的描述可知，本发明实施例具有以下优点：

1)降低深度学习的响应时延的问题。例如前方有一个红灯，前方车辆通过车联网告知后方车辆，要停车，但是信息到达后方的时候，有可能红灯变绿灯，后方车辆可以慢行通过。这个时候后方车辆结合自己通过深度学习观察到的信息和车联网传过来的信息，就能准确知道。

2)提高决策的准确性。例如前方车辆的训练模型不同，车本身的宽窄，司机的驾驶技术熟练程度不同的，可能前方车辆认为可以通行的地方，未必也是适用于后方车辆，后方车辆从车辆网获取到信息后，还需要自己车辆结合自己深度学习的结果做一些处理和过滤，反之亦然。

3)提前预判，改善交通。例如高速公路上，前方多辆车辆通过深度学习的识别前方路窄车辆慢行，可能引起拥塞。这个可以让后方车辆提前识别到，选择其他路，而不需要去到具体的路口在深度学习判断。

4)纠正深度学习模型的正确性。深度学习的数据来源非常多，每辆车都是不同的，因为驾驶技术的不同或者新车驾驶时间的长度，这些都会影响到深度学习模型的准确性。有时候在深度学习里面因为角度和参数的差异，可能某个地方不能通行，但是模型识别到是可以通行的，但是如果可以利用前方车辆的深度学习结果，通过最优解，这样就能纠正的自己车辆深度学习模型的正确性。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (12)

1.一种车辆驾驶方法，其特征在于，所述方法包括如下步骤：

获取多个环境识别结果和多个车辆信息；其中，所述多个环境识别结果包括本车通过深度学习识别本车周围环境信息得到的本车环境识别结果和至少一辆前车通过深度学习识别其车辆周围环境信息得到的前车环境识别结果；所述车辆信息包括本车信息和至少一辆前车的前车信息；

根据所述多个环境识别结果和所述多个车辆信息生成驾驶指令，并控制本车执行所述驾驶指令。

2.根据权利要求1所述的车辆驾驶方法，其特征在于，所述根据所述多个环境识别结果和所述多个车辆信息生成驾驶指令包括：

根据每一环境识别结果及其对应的车辆信息确定每一环境识别结果的置信度；

筛选出置信度最高的环境识别结果；

根据所述置信度最高的环境识别结果生成驾驶指令。

3.根据权利要求2所述的车辆驾驶方法，其特征在于，所述根据每一环境识别结果及其对应的车辆信息确定每一环境识别结果的置信度包括：

根据每一环境识别结果的类型确定每一环境识别结果的第一置信度；

根据每一环境识别结果所对应的车辆信息确定每一环境识别结果的第二置信度；

根据每一环境识别结果的第一置信度和第二置信度确定每一环境识别结果的置信度。

4.根据权利要求3所述的车辆驾驶方法，其特征在于，所述车辆信息包括车辆位置信息、驾驶员的驾驶经验信息和车辆深度学习模型历史正确率信息中的一种或多种；

所述根据每一环境识别结果所对应的车辆信息确定每一环境识别结果的第二置信度对应包括以下的一种或多种：

若车辆位置与本车位置的距离越远，则其环境识别结果所对应的第二置信度越小；

若车辆驾驶员的驾龄越短，则其环境识别结果所对应的第二置信度越小；

若车辆深度学习模型历史正确率越低，则其环境识别结果所对应的第二置信度越小。

5.根据权利要求3所述的车辆驾驶方法，其特征在于，所述根据每一环境识别结果的第一置信度和第二置信度确定每一环境识别结果的置信度包括：将每一环境识别结果对应的第一置信度和第二置信度进行相加或相乘得到每一环境识别结果的置信度。

6.根据权利要求3所述的车辆驾驶方法，其特征在于，所述环境识别结果的类型包括危险、刹车、注意、堵车中的一种或多种。

7.根据权利要求1所述的车辆驾驶方法，其特征在于，所述获取多个环境识别结果和多个车辆信息包括通过车联网获取至少一辆前车的环境识别结果及其对应的前车信息。

8.一种车辆驾驶装置，其特征在于，包括：

信息模块，用于获取多个环境识别结果和多个车辆信息；其中，所述多个环境识别结果包括本车通过深度学习识别本车周围环境信息得到的本车环境识别结果和至少一辆前车通过深度学习识别其车辆周围环境信息得到的前车环境识别结果；所述车辆信息包括本车信息和至少一辆前车的前车信息；

自动驾驶模块，用于根据所述多个环境识别结果和所述多个车辆信息生成驾驶指令，并控制本车执行所述驾驶指令。

9.根据权利要求8所述的车辆驾驶装置，其特征在于，所述信息模块包括通讯单元、深度学习单元和信息采集单元；

所述信息采集单元用于采集本车周围环境信息和本车的车辆信息，所述本车的车辆信息包括本车的位置信息、驾驶员的驾驶经验信息及车辆深度学习模型历史正确率信息中的一种或多种；

所述深度学习单元用于识别所述本车周围环境信息得到本车环境识别结果；

所述通讯单元用于与车联网通讯连接，通过所述车联网获取前车的前车环境识别结果和车辆信息，并将所述本车环境识别结果和本车的车辆信息发送给车联网进行共享。

10.根据权利要求9所述的车辆驾驶装置，其特征在于，所述自动驾驶模块包括：

第一处理单元，用于根据每一环境识别结果的类型确定每一环境识别结果的第一置信度；

第二处理单元，用于根据每一环境识别结果所对应的车辆信息确定每一环境识别结果的第二置信度；

第三处理单元，用于根据每一环境识别结果的第一置信度和第二置信度确定每一环境识别结果的置信度；

第四处理单元，用于筛选出置信度最高的环境识别结果；

第五处理单元，用于根据所述置信度最高的环境识别结果生成驾驶指令。

11.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，以实现如权利要求1-7任一项所述的车辆驾驶方法。

12.一种车辆，其特征在于，包括权利要求8至10任一项所述的车辆驾驶装置或权利要求11所述的计算机设备。

Images