CN111942396B - 自动驾驶控制装置、方法及自动驾驶系统 - Google Patents
自动驾驶控制装置、方法及自动驾驶系统 Download PDFInfo
- Publication number
- CN111942396B CN111942396B CN202010791010.7A CN202010791010A CN111942396B CN 111942396 B CN111942396 B CN 111942396B CN 202010791010 A CN202010791010 A CN 202010791010A CN 111942396 B CN111942396 B CN 111942396B
- Authority
- CN
- China
- Prior art keywords
- target
- floating
- state
- matrix
- feature point
- 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 50
- 238000007667 floating Methods 0.000 claims abstract description 372
- 238000012544 monitoring process Methods 0.000 claims abstract description 86
- 230000008859 change Effects 0.000 claims description 235
- 239000011159 matrix material Substances 0.000 claims description 175
- 238000009826 distribution Methods 0.000 claims description 141
- 238000012545 processing Methods 0.000 claims description 45
- 238000012806 monitoring device Methods 0.000 claims description 36
- 238000001514 detection method Methods 0.000 claims description 18
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 230000003247 decreasing effect Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000004043 dyeing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 21
- 238000003860 storage Methods 0.000 description 22
- 238000013461 design Methods 0.000 description 20
- 230000015654 memory Effects 0.000 description 20
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 6
- 230000001360 synchronised effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 208000012661 Dyskinesia Diseases 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0242—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using non-visible light signals, e.g. IR or UV signals
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0259—Control of position or course in two dimensions specially adapted to land vehicles using magnetic or electromagnetic means
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例提供一种自动驾驶控制装置、方法及自动驾驶系统，通过按照预定的状态类别对各个监测区域下的状态信息进行划分，分别生成每个状态类别的状态汇总信息，从而能够充分考虑到驾驶对象在自动驾驶过程中针对不同状态类别的差异，并且通过有效区分不同驾驶员的特征状态差异，从而考虑到驾驶员在自动驾驶过程中的区域特征点的浮动变化，并以此进一步结合驾驶员的历史驾驶情况来进行自动驾驶决策，能够提高自动驾驶策略的决策过程的数据准确性。
Description
技术领域
本申请涉及自动驾驶技术领域，具体而言，涉及一种自动驾驶控制装置、方法及自动驾驶系统。
背景技术
随着科技的发展和社会的进步，自动驾驶技术成为交通领域的发展趋势，在传统自动驾驶技术中，通常会结合驾驶员的整体特征状态以输出一个统一的特征类别来适应性地调整自动驾驶策略，但是此种方案并未考虑到驾驶员在自动驾驶过程中针对不同状态类别的差异，并且为了提高驾驶安全性，在自动驾驶过程中通常也会要求驾驶员处于驾驶状态，然而由于不同的驾驶员的驾驶习惯不同，而且驾驶员的特征状态本身是波动变化的，不同驾驶员的特征状态差异也较大，从而造成自动驾驶策略的决策过程不够充分。
发明内容
为了克服现有技术中的上述不足，本申请的目的在于提供一种自动驾驶控制装置、方法及自动驾驶系统，能够提高自动驾驶策略的决策过程的数据准确性。
第一方面，本申请提供一种自动驾驶控制方法，应用于自动驾驶装置，所述自动驾驶装置与汽车内的多个状态监测装置通信连接，所述方法包括：
获取驾驶对象在每个状态监测装置的监测区域下的状态信息，并按照预定的状态类别对各个监测区域下的状态信息进行划分，分别生成每个状态类别的状态汇总信息；
根据所述驾驶对象的身份认证信息确定所述各个监测区域内的预设区域特征点，针对所述各个监测区域内的预设区域特征点，并分别确定出所述预设区域特征点的浮动区域在所对应的状态类别的状态汇总信息中的浮动变化信息，得到所述预设区域特征点的第一状态浮动变化结果，所述预设区域特征点为与所述驾驶对象的身份认证信息预先匹配的区域特征点；
根据所述驾驶对象的历史驾驶信息确定所述各个监测区域内的频繁区域特征点，针对所述各个监测区域内的频繁区域特征点，分别获取所述频繁区域特征点的浮动轨迹，并确定出所述浮动轨迹在所对应的状态类别的状态汇总信息中的浮动变化信息，得到所述频繁区域特征点的第二状态浮动变化结果，所述频繁区域特征点为所述驾驶对象的历史驾驶信息中的变化频繁度大于设定频繁度阈值的区域特征点，所述变化频繁度用于表示所述区域特征点在单位时间内的变化程度；
根据所述第一状态浮动变化结果以及所述第二状态浮动变化结果之间的匹配关系，生成对所述汽车的自动驾驶控制指令。
在第一方面的一种可能的设计中，所述按照预定的状态类别对各个监测区域下的状态信息进行划分，分别生成每个状态类别的状态汇总信息的步骤，包括：
获取每个预定的状态类别所对应的状态类别特征点，形成每个预定的状态类别的特征点集合，并获取各个监测区域的目标特征点数与所述特征点集合的特征点数的重合特征点信息；
根据所述目标特征点数与所述特征点集合的特征点数的重合特征点信息，计算每种目标状态类别的关键特征点的数量，并根据每种目标状态类别的关键特征点的数量，从所述特征点集合中选取状态类别特征点，得到初始特征点矩阵；
若所述初始特征点矩阵的总特征点分布数量大于满足所述总特征点分布数量要求的最大总特征点分布数量，则将所述初始特征点矩阵中的粗范围关键特征点减少第一设定数量，并且将所述初始特征点矩阵中的细范围关键特征点增加所述第一设定数量，其中，所述细范围关键特征点是指关键特征点在所在的检测区域的单位密集程度小于设定程度的关键特征点，所述粗范围关键特征点是指关键特征点在所在的检测区域的单位密集程度不小于设定程度的关键特征点；
计算本次更新后的初始特征点矩阵的总特征点分布数量；
若本次更新后的初始特征点矩阵的总特征点分布数量大于所述最大总特征点分布数量，则再一次对本次更新后的初始特征点矩阵执行以上处理；
若本次更新后的初始特征点矩阵的总特征点分布数量小于或者等于所述最大总特征点分布数量，则将本次更新前的初始特征点矩阵作为第一更新矩阵，按照状态类别由低优先级到高优先级的顺序将各所述目标状态类别进行排序，得到目标状态类别序列；
根据所述目标状态类别序列，将各所述目标状态类别进行分组，每个所述分组中包括在所述目标状态类别序列的目标位置两侧的、且与所述目标位置的差距一致的第一状态类别和第二状态类别，所述第一状态类别的优先级小于所述第二状态类别；
按照与所述目标位置的差距由低优先级到高优先级的顺序，依次将每个所述分组作为目标分组，对所述目标分组进行以下第二更新处理： 将所述第一更新矩阵中所述目标分组的第一状态类别的关键特征点增加一个，并且将所述第一更新矩阵中所述目标分组的第二状态类别的关键特征点减少一个；
判断本次更新后的第一更新矩阵的总特征点分布数量是否满足所述总特征点分布数量要求；
若本次更新后的第一更新矩阵的总特征点分布数量满足所述总特征点分布数量要求，则将本次更新后的第一更新矩阵作为最终特征点矩阵；
若本次更新后的第一更新矩阵的总特征点分布数量不满足所述总特征点分布数量要求，则将下一个分组作为新的目标分组，对所述新的目标分组进行所述第二更新处理；
若所述初始特征点矩阵的总特征点分布数量小于满足所述总特征点分布数量要求的最小总特征点分布数量，则对所述初始特征点矩阵进行以下第三更新处理： 将所述初始特征点矩阵中的粗范围关键特征点增加第一设定数量，并且将所述初始特征点矩阵中的细范围关键特征点减少所述第一设定数量；
计算本次更新后的初始特征点矩阵的总特征点分布数量；
若本次更新后的初始特征点矩阵的总特征点分布数量小于所述最小总特征点分布数量，则再一次对本次更新后的初始特征点矩阵执行所述第三更新处理；
若本次更新后的初始特征点矩阵的总特征点分布数量大于或者等于所述最小总特征点分布数量，则将本次更新前的初始特征点矩阵作为第二更新矩阵，按照状态类别由低优先级到高优先级的顺序将各所述目标状态类别进行排序，得到目标状态类别序列；
根据所述目标状态类别序列，将各所述目标状态类别进行分组，每个所述分组中包括在所述目标状态类别序列的目标位置两侧的、且与所述目标位置的差距一致的第一状态类别和第二状态类别，所述第一状态类别的优先级小于所述第二状态类别；
按照与所述目标位置的差距由低优先级到高优先级的顺序，依次将每个所述分组作为目标分组，对所述目标分组进行以下第四更新处理： 将所述第二更新矩阵中所述目标分组的第一状态类别的关键特征点减少一个，并且将所述第二更新矩阵中所述目标分组的第二状态类别的关键特征点增加一个；
判断本次更新后的第二更新矩阵的总特征点分布数量是否满足所述总特征点分布数量要求；
若本次更新后的第二更新矩阵的总特征点分布数量满足所述总特征点分布数量要求，则将本次更新后的第二更新矩阵作为所述最终特征点矩阵；
若本次更新后的第二更新矩阵的总特征点分布数量不满足所述总特征点分布数量要求，则将下一个分组作为新的目标分组，对所述新的目标分组进行所述第四更新处理；
将各个目标状态类别的最终特征点矩阵中的每个特征点的状态信息分别归类为该状态类别的状态汇总信息。
在第一方面的一种可能的设计中，所述身份认证信息包括生物特征信息，所述根据所述驾驶对象的身份认证信息确定所述各个监测区域内的预设区域特征点的步骤，包括：
采集所述驾驶对象的生物特征信息；
根据所述生物特征信息以及预先配置的各个生物特征信息与各个检测区域内的预设区域特征点之间的对应关系，得到所述各个监测区域内的预设区域特征点。
在第一方面的一种可能的设计中，所述针对所述各个监测区域内的预设区域特征点，并分别确定出所述预设区域特征点的浮动区域在所对应的状态类别的状态汇总信息中的浮动变化信息，得到所述预设区域特征点的第一状态浮动变化结果的步骤，包括：
针对所述各个监测区域内的预设区域特征点，分别获取与所述预设区域特征点匹配的三维定点，并获取所述三维定点在预设时间段内持续落入该监测区域中的一个三维空间区域对应的坐标范围内时所对应的三维空间区域作为目标三维空间区域；
判断所述目标三维空间区域的区域范围与预设的自动驾驶控制模型的模型输入的区域范围是否相同；
若区域范围不相同，则将所述目标三维空间区域的区域范围缩放到与所述自动驾驶控制模型的模型输入的区域范围一致的三维空间区域，输入到所述自动驾驶控制模型；
采用所述自动驾驶控制模型对输入的三维空间区域进行计算，获取与所述输入的三维空间区域对应的浮动变化信息；
对所述目标三维空间区域中所述预设区域特征点的每个浮动位置进行跟踪，获取所述目标三维空间区域中每个浮动位置的浮动特征向量；
将与所述输入的三维空间区域对应的浮动变化信息中浮动位置频繁度大于预设阈值的区域确定为浮动区域；
对所述输入的三维空间区域中每个浮动位置的向量值进行转换，获取所述输入的三维空间区域中每个浮动位置的浮动特征向量；
根据所述目标三维空间区域中每个浮动位置的浮动特征向量，计算整个三维空间区域的第一浮动向量均值；
根据所述浮动区域中每个浮动位置的浮动特征向量，计算所述浮动区域的第二浮动向量均值；
对所述第一浮动向量均值、所述第二浮动向量均值和预设系数进行计算，获取所述浮动区域的浮动参考系数，计算所述目标三维空间区域中每个浮动位置的浮动特征向量与所述浮动参考系数的比值，并根据所述比值获取所述目标三维空间区域中每个浮动位置的第一浮动强度；
对所述目标三维空间区域中每个浮动位置的第一浮动强度和所述浮动变化信息进行计算，获取所述目标三维空间区域中每个浮动位置的浮动强度；
或者，计算所述目标三维空间区域中每个浮动位置的浮动特征向量与所述浮动参考系数的比值获取所述目标三维空间区域中每个浮动位置的第一浮动强度，并按照预设的浮动范围对所述目标三维空间区域中每个浮动位置的第一浮动强度进行计算，获取所述目标三维空间区域中每个浮动位置的第二浮动强度，其中，所述第二浮动强度与所述第一浮动强度之间的差值小于所述预设的浮动范围，对所述目标三维空间区域中每个浮动位置的第二浮动强度和所述浮动变化信息进行计算，获取所述目标三维空间区域中每个浮动位置的浮动强度；
根据指定空间位置的目标特征点、浮动强度以及所述浮动变化信息，确定所述目标三维空间区域中每个浮动位置的目标系数，并计算所述目标三维空间区域中每个浮动位置的浮动强度与预设常数的比值，其中，所述目标系数为所述指定空间位置的目标特征点的特征向量值乘以所述浮动强度并除以所述浮动变化信息的值；
计算每个浮动位置的浮动强度与预设常数的比值与对应的目标系数的乘积，获取所述目标三维空间区域中每个浮动位置的第一状态浮动结果；
根据所述每个浮动位置的第一状态浮动结果对所述目标三维空间区域进行颜色编辑处理输出目标三维空间区域；
或者，计算所述目标三维空间区域中每个浮动位置的浮动强度与预设常数的比值；
计算每个浮动位置的浮动强度与预设常数的比值与对应的目标染色值的乘积，获取所述目标三维空间区域中每个浮动位置的第一状态浮动结果；
对所述目标三维空间区域中每个浮动位置的第一状态浮动结果、所述目标三维空间区域以及所述浮动变化信息进行计算，获取所述目标三维空间区域中每个浮动位置的第二状态浮动结果；
将所述每个浮动位置的第二状态浮动结果进行排列得到所述预设区域特征点的第一状态浮动变化结果。
在第一方面的一种可能的设计中，所述根据所述驾驶对象的历史驾驶信息确定所述各个监测区域内的频繁区域特征点的步骤，包括：
获取所述驾驶对象的历史驾驶信息，所述历史驾驶信息包括分别与多个区域特征点对应的多个位置变化信息；
在确定任意一个区域特征点对应的多个位置变化信息均满足预设位置变化条件时，根据所述区域特征点的位置变化信息，和位置变化区间的幅度，确定与所述预设位置变化条件匹配的首个位置变化区间的初始位置，其中，所述预设位置变化条件包括：位置变化幅度大于设定幅度阈值；
根据所述区域特征点的位置变化信息、所述位置变化区间的幅度、所述首个位置变化区间的初始位置以及预设的位置变化区间的数量，确定与所述预设位置变化条件匹配的多个位置变化区间对应于所述区域特征点的初始位置；
如果在所述区域特征点对应的跟踪节点在所述区域特征点中的区域特征点位置与目标位置变化区间的所述初始位置相匹配，且如果所述跟踪节点为所述目标位置变化区间的首个跟踪节点，则获取与所述目标位置变化区间相邻的前一位置变化区间匹配的区域特征点作为筛除区域特征点，并在所述跟踪节点中识别除去所述筛除区域特征点的一个区域特征点作为与所述目标位置变化区间匹配的目标区域特征点；
如果所述跟踪节点不为所述目标位置变化区间的首个跟踪节点，则获取与所述目标位置变化区间匹配的目标区域特征点，并在所述跟踪节点中识别所述目标区域特征点，并识别所述目标区域特征点的至少一个活跃位置节点，其中，所述区域特征点对应于多个位置变化区间；
在所述位置变化区间内，根据所述目标区域特征点的至少一个活跃位置节点在所述多个跟踪节点中的位置信息，计算所述目标区域特征点的至少一个活跃位置节点在所述位置变化区间内任意相邻两个跟踪节点之间的移动空间距离，以及所述目标区域特征点的至少一个活跃位置节点在所述位置变化区间内的位置向量；
统计所述位置变化区间的持续时间，并根据所述移动空间距离和所述位置向量，确定所述目标区域特征点在所述位置变化区间的平均变化频繁度和变化频繁度方差，根据所述平均变化频繁度和所述变化频繁度方差，计算所述目标区域特征点在所述位置变化区间内的频繁特征参数；
根据每个区域特征点在匹配的位置变化区间内的频繁特征参数，计算各所述区域特征点的频繁特征得分，并将频繁特征得分大于设定得分的区域特征点确定为频繁区域特征点。
在第一方面的一种可能的设计中，所述根据所述第一状态浮动变化结果以及所述第二状态浮动变化结果之间的匹配关系，生成对所述汽车的自动驾驶控制指令的步骤，包括：
将所述第一状态浮动变化结果中每个第一浮动位置的状态浮动结果与所述第二状态浮动变化结果中每个匹配的第二浮动位置的状态浮动结果进行匹配，得到多个匹配度，其中，所述第二状态浮动变化结果中每个匹配的第二浮动位置与对应的第一浮动位置在各自的状态浮动变化结果中的排列顺序匹配，所述匹配度根据所述第一浮动位置的状态浮动结果和匹配的第二浮动位置的状态浮动结果之间的重合度确定；
根据所述多个匹配度生成对所述汽车的自动驾驶控制指令。
在第一方面的一种可能的设计中，所述根据所述多个匹配度生成对所述汽车的自动驾驶控制指令的步骤，包括：
确定所述多个匹配度中低于第一设定匹配度的第一数量、大于第二设定匹配度的第二数量以及位于所述第一设定匹配度和所述第二设定匹配度之间的区间的第三数量；
如果所述第一数量大于所述第二数量和所述第三数量之和，则生成对所述汽车的第一自动驾驶控制指令，所述第一自动驾驶控制指令用于控制所述汽车进入预设的减速模式；
如果所述第三数量大于所述第一数量和所述第二数量之和，则生成对所述汽车的第二自动驾驶控制指令，所述第二自动驾驶控制指令用于控制所述汽车进入预设的加速模式；
如果所述第二数量大于所述第一数量和所述第三数量之和，则生成对所述汽车的第三自动驾驶控制指令，所述第三自动驾驶控制指令用于控制所述汽车进入预设的匀速模式。
第二方面，本申请实施例还提供一种自动驾驶控制装置，应用于自动驾驶装置，所述自动驾驶装置与汽车内的多个状态监测装置通信连接，所述装置包括：
获取模块，用于获取驾驶对象在每个状态监测装置的监测区域下的状态信息，并按照预定的状态类别对各个监测区域下的状态信息进行划分，分别生成每个状态类别的状态汇总信息；
第一确定模块，用于根据所述驾驶对象的身份认证信息确定所述各个监测区域内的预设区域特征点，针对所述各个监测区域内的预设区域特征点，并分别确定出所述预设区域特征点的浮动区域在所对应的状态类别的状态汇总信息中的浮动变化信息，得到所述预设区域特征点的第一状态浮动变化结果，所述预设区域特征点为与所述驾驶对象的身份认证信息预先匹配的区域特征点；
第二确定模块，用于根据所述驾驶对象的历史驾驶信息确定所述各个监测区域内的频繁区域特征点，针对所述各个监测区域内的频繁区域特征点，分别获取所述频繁区域特征点的浮动轨迹，并确定出所述浮动轨迹在所对应的状态类别的状态汇总信息中的浮动变化信息，得到所述频繁区域特征点的第二状态浮动变化结果，所述频繁区域特征点为所述驾驶对象的历史驾驶信息中的变化频繁度大于设定频繁度阈值的区域特征点，所述变化频繁度用于表示所述区域特征点在单位时间内的变化程度；
生成模块，用于根据所述第一状态浮动变化结果以及所述第二状态浮动变化结果之间的匹配关系，生成对所述汽车的自动驾驶控制指令。
第三方面，本申请实施例还提供一种自动驾驶系统，所述自动驾驶系统包括自动驾驶装置以及与所述自动驾驶装置通信连接的汽车内的多个状态监测装置；
所述状态监测装置，用于监测驾驶对象在所监测区域下的状态信息；
所述自动驾驶装置，用于获取驾驶对象在每个状态监测装置的监测区域下的状态信息，并按照预定的状态类别对各个监测区域下的状态信息进行划分，分别生成每个状态类别的状态汇总信息；
所述自动驾驶装置，用于根据所述驾驶对象的身份认证信息确定所述各个监测区域内的预设区域特征点，针对所述各个监测区域内的预设区域特征点，并分别确定出所述预设区域特征点的浮动区域在所对应的状态类别的状态汇总信息中的浮动变化信息，得到所述预设区域特征点的第一状态浮动变化结果，所述预设区域特征点为与所述驾驶对象的身份认证信息预先匹配的区域特征点；
所述自动驾驶装置，用于根据所述驾驶对象的历史驾驶信息确定所述各个监测区域内的频繁区域特征点，针对所述各个监测区域内的频繁区域特征点，分别获取所述频繁区域特征点的浮动轨迹，并确定出所述浮动轨迹在所对应的状态类别的状态汇总信息中的浮动变化信息，得到所述频繁区域特征点的第二状态浮动变化结果，所述频繁区域特征点为所述驾驶对象的历史驾驶信息中的变化频繁度大于设定频繁度阈值的区域特征点，所述变化频繁度用于表示所述区域特征点在单位时间内的变化程度；
所述自动驾驶装置，用于根据所述第一状态浮动变化结果以及所述第二状态浮动变化结果之间的匹配关系，生成对所述汽车的自动驾驶控制指令。
第四方面，本申请实施例还提供一种自动驾驶控制方法，应用于自动驾驶系统，所述自动驾驶系统包括自动驾驶装置以及与所述自动驾驶装置通信连接的汽车内的多个状态监测装置通信连接，所述方法包括：
所述状态监测装置监测驾驶对象在所监测区域下的状态信息；
所述自动驾驶装置获取驾驶对象在每个状态监测装置的监测区域下的状态信息，并按照预定的状态类别对各个监测区域下的状态信息进行划分，分别生成每个状态类别的状态汇总信息，所述预定类别包括离合器操作类别、方向盘操作类别、电气设备控制类别；
所述自动驾驶装置根据所述驾驶对象的身份认证信息确定所述各个监测区域内的预设区域特征点，针对所述各个监测区域内的预设区域特征点，并分别确定出所述预设区域特征点的浮动区域在所对应的状态类别的状态汇总信息中的浮动变化信息，得到所述预设区域特征点的第一状态浮动变化结果，所述预设区域特征点为与所述驾驶对象的身份认证信息预先匹配的区域特征点；
所述自动驾驶装置根据所述驾驶对象的历史驾驶信息确定所述各个监测区域内的频繁区域特征点，针对所述各个监测区域内的频繁区域特征点，分别获取所述频繁区域特征点的浮动轨迹，并确定出所述浮动轨迹在所对应的状态类别的状态汇总信息中的浮动变化信息，得到所述频繁区域特征点的第二状态浮动变化结果，所述频繁区域特征点为所述驾驶对象的历史驾驶信息中的变化频繁度大于设定频繁度阈值的区域特征点，所述变化频繁度用于表示所述区域特征点在单位时间内的变化程度；
所述自动驾驶装置根据所述第一状态浮动变化结果以及所述第二状态浮动变化结果之间的匹配关系，生成对所述汽车的自动驾驶控制指令。
第五方面，本申请实施例还提供一种自动驾驶装置，所述自动驾驶装置包括处理器、机器可读存储介质和网络接口，所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连，所述网络接口用于与至少一个状态监测装置通信连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以执行第一方面或者第一方面中任意一个可能的设计中的自动驾驶控制方法。
第六方面，本申请实施例提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其在自动驾驶装置上检测时，使得自动驾驶装置执行上述第一方面或者第一方面中任意一个可能的设计中的自动驾驶控制方法。
基于上述任意一个方面，本申请通过按照预定的状态类别对各个监测区域下的状态信息进行划分，分别生成每个状态类别的状态汇总信息，从而能够充分考虑到驾驶对象在自动驾驶过程中针对不同状态类别的差异，并且通过有效区分不同驾驶员的特征状态差异，从而考虑到驾驶员在自动驾驶过程中的区域特征点的浮动变化，并以此进一步结合驾驶员的历史驾驶情况来进行自动驾驶决策，能够提高自动驾驶策略的决策过程的数据准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的自动驾驶系统的应用场景示意图；
图2为本申请实施例提供的自动驾驶控制方法的流程示意图；
图3为本申请实施例提供的自动驾驶控制装置的功能模块示意图；
图4为本申请实施例提供的用于实现上述的自动驾驶控制方法的自动驾驶装置的结构示意框图。
具体实施方式
下面结合说明书附图对本申请进行具体说明，方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。在本申请的描述中，除非另有说明，“至少一个”包括一个或多个。“多个”是指两个或两个以上。例如，A、B和C中的至少一个，包括：单独存在A、单独存在B、同时存在A和B、同时存在A和C、同时存在B和C，以及同时存在A、B和C。
图1是本申请一种实施例提供的自动驾驶系统10的交互示意图。自动驾驶系统10可以包括自动驾驶装置100以及与所述自动驾驶装置100通信连接的状态监测装置200，自动驾驶装置100中可以包括执行指令操作的处理器。图1所示的自动驾驶系统10仅为一种可行的示例，在其它可行的实施例中，该自动驾驶系统10也可以仅包括图1所示组成部分的其中一部分或者还可以包括其它的组成部分。
在一些实施例中，自动驾驶装置100可以是单个自动驾驶装置，也可以是一个自动驾驶装置组。自动驾驶装置组可以是集中式的，也可以是分布式的。在一些实施例中，自动驾驶装置100相对于状态监测装置200，可以是本地的、也可以是远程的。例如，自动驾驶装置100可以经由网络访问存储在状态监测装置200以及数据库、或其任意组合中的信息。作为另一示例，自动驾驶装置100可以直接连接到状态监测装置200和数据库中的至少一个，以访问其中存储的信息和/或数据。
在一些实施例中，自动驾驶装置100可以包括处理器。处理器可以处理与服务请求有关的信息和/或数据，以执行本申请中描述的一个或多个功能。处理器可以包括一个或多个处理核（例如，单核处理器（S）或多核处理器（S））。仅作为举例，处理器可以包括中央处理单元（Central Processing Unit, CPU）、专用集成电路（Application SpecificIntegrated Circuit, ASIC）、专用指令集处理器（Application Specific Instruction-set Processor, ASIP）、图形处理单元（Graphics Processing Unit, GPU）、物理处理单元（Physics Processing Unit, PPU）、数字信号处理器 (Digital Signal Processor,DSP)、现场可编程门阵列( Field Programmable Gate Array，FPGA)、可编程逻辑器件(Programmable Logic Device, PLD)、控制器、微控制器单元、简化指令集计算机(ReducedInstruction Set Computing, RISC)、或微处理器等，或其任意组合。
网络可以用于信息和/或数据的交换。在一些实施例中，自动驾驶系统10中的一个或多个组件（例如，自动驾驶装置100，状态监测装置200和数据库）可以向其他组件发送信息和/或数据。在一些实施例中，网络可以是任何类型的有线或者无线网络，或者是他们的结合。仅作为示例，网络130可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网（Local Area Network，LAN）、广域网（Wide Area Network，WAN）、无线局域网（Wireless Local Area Networks，WLAN）、城域网（Metropolitan Area Network，MAN）、广域网（Wide Area Network，WAN）、公共电话交换网（Public Switched TelephoneNetwork，PSTN）、蓝牙网络、ZigBee网络、或近场通信（Near Field Communication, NFC）网络等，或其任意组合。在一些实施例中，网络可以包括一个或多个网络接入点。例如，网络可以包括有线或无线网络接入点，例如基站和/或网络交换节点，自动驾驶系统10的一个或多个组件可以通过该接入点连接到网络以交换数据和/或信息。
前述的数据库可以存储数据和/或指令。在一些实施例中，数据库可以存储向状态监测装置200分配的数据。在一些实施例中，数据库可以存储在本申请中描述的示例性方法的数据和/或指令。在一些实施例中，数据库可以包括大容量存储器、可移动存储器、易失性读写存储器、或只读存储器（Read-Only Memory, ROM）等，或其任意组合。作为举例，大容量存储器可以包括磁盘、光盘、固态驱动器等；可移动存储器可包括闪存驱动器、软盘、光盘、存储卡、zip磁盘、磁带等；易失性读写存储器可以包括随机存取存储器（Random AccessMemory, RAM）；RAM可以包括动态RAM（Dynamic Random Access Memory, DRAM），双倍数据速率同步动态RAM（Double Date-Rate Synchronous RAM, DDR SDRAM）；静态RAM（StaticRandom-Access Memory, SRAM），晶闸管RAM（Thyristor-Based Random Access Memory,T-RAM）和零电容器RAM（Zero-RAM）等。作为举例，ROM可以包括掩模ROM（Mask Read-OnlyMemory, MROM）、可编程ROM（ Programmable Read-Only Memory, PROM）、可擦除可编程ROM（Programmable Erasable Read-only Memory , PEROM）、电可擦除可编程ROM（Electrically Erasable Programmable read only memory, EEPROM）、光盘ROM（CD-ROM）、以及数字通用磁盘ROM等。
在一些实施例中，数据库可以连接到网络以与自动驾驶系统10（例如，自动驾驶装置100，状态监测装置200等）中的一个或多个组件通信。自动驾驶系统10中的一个或多个组件可以经由网络访问存储在数据库中的数据或指令。在一些实施例中，数据库可以直接连接到自动驾驶系统10中的一个或多个组件（例如，自动驾驶装置100，状态监测装置200等；或者，在一些实施例中，数据库也可以是自动驾驶装置100的一部分。
本实施例中，状态监测装置200可以是各类监测传感器（例如重力传感器、生物特征传感器、虹膜传感器、体感传感器等等），本实施例在此不作具体限定。
为了解决前述背景技术中的技术问题，图2为本申请实施例提供的自动驾驶控制方法的流程示意图，本实施例提供的自动驾驶控制方法可以由图1中所示的自动驾驶装置100执行，下面对该自动驾驶控制方法进行详细介绍。
步骤S110，获取驾驶对象在每个状态监测装置的监测区域下的状态信息，并按照预定的状态类别对各个监测区域下的状态信息进行划分，分别生成每个状态类别的状态汇总信息。
步骤S120，根据驾驶对象的身份认证信息确定各个监测区域内的预设区域特征点，针对各个监测区域内的预设区域特征点，并分别确定出预设区域特征点的浮动区域在所对应的状态类别的状态汇总信息中的浮动变化信息，得到预设区域特征点的第一状态浮动变化结果。
步骤S130，根据驾驶对象的历史驾驶信息确定各个监测区域内的频繁区域特征点，针对各个监测区域内的频繁区域特征点，分别获取频繁区域特征点的浮动轨迹，并确定出浮动轨迹在所对应的状态类别的状态汇总信息中的浮动变化信息，得到频繁区域特征点的第二状态浮动变化结果。
步骤S140，根据第一状态浮动变化结果以及第二状态浮动变化结果之间的匹配关系，生成对汽车的自动驾驶控制指令。
本实施例中，针对每个状态监测装置而言，可以根据预先的设计需求以及该状态监测装置的具体功能来分配其对应的监测区域，以使得该状态监测装置只监测其对应的监测区域的驾驶对象的状态信息。例如，对于驾驶对象来说，其头部的各个特征区域、手部的各个关节特征区域、脖子特征区域、腿部区域等都可以单独设计对应的检测区域，并对应设置相关的状态监测装置对其状态信息进行监测。
本实施例中，上述预设区域特征点可以为与驾驶对象的身份认证信息预先匹配的区域特征点。详细地，针对不同的驾驶对象（例如老人、中年人，或者男性、女性等）而言，即可根据各自驾驶习惯的不同预设对应的不同的预设区域特征点。
本实施例中，上述的预定类别可以根据车辆的功能进行确定，例如可以包括离合器操作类别、方向盘操作类别、电气设备控制类别等，在此不作具体限定。
本实施例中，上述频繁区域特征点可以为驾驶对象的历史驾驶信息中的变化频繁度大于设定频繁度阈值的区域特征点，变化频繁度可以用于表示区域特征点在单位时间内的变化程度。
基于上述设计，本实施例通过按照预定的状态类别对各个监测区域下的状态信息进行划分，分别生成每个状态类别的状态汇总信息，从而能够充分考虑到驾驶对象在自动驾驶过程中针对不同状态类别的差异，并且通过有效区分不同驾驶员的特征状态差异，从而考虑到驾驶员在自动驾驶过程中的区域特征点的浮动变化，并以此进一步结合驾驶员的历史驾驶情况来进行自动驾驶决策，能够提高自动驾驶策略的决策过程的数据准确性。
在一种可能的设计中，针对步骤S110，在对各个监测区域下的状态信息进行划分的过程中，为了提高划分的精确度，并且减少冗余信息以提高决策效率，本实施例可以获取每个预定的状态类别所对应的状态类别特征点，形成每个预定的状态类别的特征点集合，并获取各个监测区域的目标特征点数与特征点集合的特征点数的重合特征点信息。 例如，针对离合器操作类别、方向盘操作类别、电气设备控制类别，可以分别获取离合器操作类别、方向盘操作类别、电气设备控制类别下的状态类别特征点，如离合器操作类别下的状态类别特征点可以包括腿部的部分特定特征点，方向盘操作类别下的状态类别特征点可以包括手部的部分特定特征点和眼部的特征点等。也即，每个预定的状态类别所对应的状态类别特征点可以用于实现该预定的状态类别所对应的操作过程的配合。
在此基础上，可以根据目标特征点数与特征点集合的特征点数的重合特征点信息，计算每种目标状态类别的关键特征点的数量，并根据每种目标状态类别的关键特征点的数量，从特征点集合中选取状态类别特征点，得到初始特征点矩阵。
例如，若初始特征点矩阵的总特征点分布数量大于满足总特征点分布数量要求的最大总特征点分布数量，则将初始特征点矩阵中的粗范围关键特征点减少第一设定数量，并且将初始特征点矩阵中的细范围关键特征点增加第一设定数量。
其中，作为一种可能的设计，上述细范围关键特征点可以是指关键特征点在所在的检测区域的单位密集程度小于设定程度的关键特征点，上述粗范围关键特征点可以是指关键特征点在所在的检测区域的单位密集程度不小于设定程度的关键特征点。
由此，可以计算本次更新后的初始特征点矩阵的总特征点分布数量，然后根据总特征点分布数量来执行下一步处理操作，以下将给出几种可能的示例对本实施例进行进一步详细阐述。
例如，若本次更新后的初始特征点矩阵的总特征点分布数量大于最大总特征点分布数量，则再一次对本次更新后的初始特征点矩阵执行以上处理。
又例如，若本次更新后的初始特征点矩阵的总特征点分布数量小于或者等于最大总特征点分布数量，则将本次更新前的初始特征点矩阵作为第一更新矩阵，按照状态类别由低优先级到高优先级的顺序将各目标状态类别进行排序，得到目标状态类别序列。
然后，可以根据目标状态类别序列，将各目标状态类别进行分组，每个分组中包括在目标状态类别序列的目标位置两侧的、且与目标位置的差距一致的第一状态类别和第二状态类别，第一状态类别的优先级小于第二状态类别。
然后，可以按照与目标位置的差距由低优先级到高优先级的顺序，依次将每个分组作为目标分组，对目标分组进行以下第二更新处理： 将第一更新矩阵中目标分组的第一状态类别的关键特征点增加一个，并且将第一更新矩阵中目标分组的第二状态类别的关键特征点减少一个。
在此基础上，可以进一步判断本次更新后的第一更新矩阵的总特征点分布数量是否满足总特征点分布数量要求。
若本次更新后的第一更新矩阵的总特征点分布数量满足总特征点分布数量要求，则将本次更新后的第一更新矩阵作为最终特征点矩阵。
若本次更新后的第一更新矩阵的总特征点分布数量不满足总特征点分布数量要求，则将下一个分组作为新的目标分组，对新的目标分组进行第二更新处理。
若初始特征点矩阵的总特征点分布数量小于满足总特征点分布数量要求的最小总特征点分布数量，则对初始特征点矩阵进行以下第三更新处理： 将初始特征点矩阵中的粗范围关键特征点增加第一设定数量，并且将初始特征点矩阵中的细范围关键特征点减少第一设定数量。
在此基础上，可以进一步计算本次更新后的初始特征点矩阵的总特征点分布数量。
若本次更新后的初始特征点矩阵的总特征点分布数量小于最小总特征点分布数量，则再一次对本次更新后的初始特征点矩阵执行第三更新处理。
若本次更新后的初始特征点矩阵的总特征点分布数量大于或者等于最小总特征点分布数量，则将本次更新前的初始特征点矩阵作为第二更新矩阵，按照状态类别由低优先级到高优先级的顺序将各目标状态类别进行排序，得到目标状态类别序列。
在此基础上，可以进一步根据目标状态类别序列，将各目标状态类别进行分组，每个分组中包括在目标状态类别序列的目标位置两侧的、且与目标位置的差距一致的第一状态类别和第二状态类别，第一状态类别的优先级小于第二状态类别。
然后，按照与目标位置的差距由低优先级到高优先级的顺序，依次将每个分组作为目标分组，对目标分组进行以下第四更新处理： 将第二更新矩阵中目标分组的第一状态类别的关键特征点减少一个，并且将第二更新矩阵中目标分组的第二状态类别的关键特征点增加一个。
在此基础上，可以进一步判断本次更新后的第二更新矩阵的总特征点分布数量是否满足总特征点分布数量要求。
若本次更新后的第二更新矩阵的总特征点分布数量满足总特征点分布数量要求，则将本次更新后的第二更新矩阵作为最终特征点矩阵。
若本次更新后的第二更新矩阵的总特征点分布数量不满足总特征点分布数量要求，则将下一个分组作为新的目标分组，对新的目标分组进行第四更新处理。
由此，可以将各个目标状态类别的最终特征点矩阵中的每个特征点的状态信息分别归类为该状态类别的状态汇总信息。
基于上述设计，可以在对各个监测区域下的状态信息进行划分的过程中的划分的精确度，并且减少冗余信息以提高决策效率。
在一种可能的设计中，针对步骤S120，身份认证信息可以包括生物特征信息，例如指纹特征信息、人脸特征信息、虹膜特征信息、声音特征信息等，在此不作具体限定，可以根据汽车中实际的硬件组成来灵活选择其中的一种或者多种组合，当选择多种组合时，可以提高身份验证的准确性。在此基础上，当识别到驾驶对象坐在驾驶位置时，可以采集驾驶对象的生物特征信息，并根据生物特征信息以及预先配置的各个生物特征信息与各个检测区域内的预设区域特征点之间的对应关系，得到各个监测区域内的预设区域特征点。
在一种可能的设计中，针对步骤S120，为了准确判定所述预设区域特征点的第一状态浮动变化结果，并且避免在位置浮动过程中的惯性浮动特征对结果的影响，本实施例可以针对各个监测区域内的预设区域特征点，分别获取与预设区域特征点匹配的三维定点，并获取三维定点在预设时间段内持续落入该监测区域中的一个三维空间区域对应的坐标范围内时所对应的三维空间区域作为目标三维空间区域。
在此基础上，进一步判断目标三维空间区域的区域范围与预设的自动驾驶控制模型的模型输入的区域范围是否相同。
若区域范围不相同，则将目标三维空间区域的区域范围缩放到与自动驾驶控制模型的模型输入的区域范围一致的三维空间区域，输入到自动驾驶控制模型。
而后，采用自动驾驶控制模型对输入的三维空间区域进行计算，获取与输入的三维空间区域对应的浮动变化信息，并对目标三维空间区域中预设区域特征点的每个浮动位置进行跟踪，获取目标三维空间区域中每个浮动位置的浮动特征向量，然后将与输入的三维空间区域对应的浮动变化信息中浮动位置频繁度大于预设阈值的区域确定为浮动区域。
接着，可以对输入的三维空间区域中每个浮动位置的向量值进行转换，获取输入的三维空间区域中每个浮动位置的浮动特征向量，并根据目标三维空间区域中每个浮动位置的浮动特征向量，计算整个三维空间区域的第一浮动向量均值，同时根据浮动区域中每个浮动位置的浮动特征向量，计算浮动区域的第二浮动向量均值。接着，对第一浮动向量均值、第二浮动向量均值和预设系数进行计算，获取浮动区域的浮动参考系数，计算目标三维空间区域中每个浮动位置的浮动特征向量与浮动参考系数的比值，并根据比值获取目标三维空间区域中每个浮动位置的第一浮动强度，而后对目标三维空间区域中每个浮动位置的第一浮动强度和浮动变化信息进行计算，获取目标三维空间区域中每个浮动位置的浮动强度。
或者，在另一种可能的设计中，本实施例还可以计算目标三维空间区域中每个浮动位置的浮动特征向量与浮动参考系数的比值获取目标三维空间区域中每个浮动位置的第一浮动强度，并按照预设的浮动范围对目标三维空间区域中每个浮动位置的第一浮动强度进行计算，获取目标三维空间区域中每个浮动位置的第二浮动强度，其中，第二浮动强度与第一浮动强度之间的差值小于预设的浮动范围，对目标三维空间区域中每个浮动位置的第二浮动强度和浮动变化信息进行计算，获取目标三维空间区域中每个浮动位置的浮动强度。
由此，本实施例可以根据指定空间位置的目标特征点、浮动强度以及浮动变化信息，确定目标三维空间区域中每个浮动位置的目标系数，并计算目标三维空间区域中每个浮动位置的浮动强度与预设常数的比值，其中，目标系数可以为指定空间位置的目标特征点的特征向量值乘以浮动强度并除以浮动变化信息的值。
然后，计算每个浮动位置的浮动强度与预设常数的比值与对应的目标系数的乘积，获取目标三维空间区域中每个浮动位置的第一状态浮动结果。
接着，根据每个浮动位置的第一状态浮动结果对目标三维空间区域进行颜色编辑处理输出目标三维空间区域。
或者，在另一种情况下，本实施例也可以计算目标三维空间区域中每个浮动位置的浮动强度与预设常数的比值，并计算每个浮动位置的浮动强度与预设常数的比值与对应的目标染色值的乘积，获取目标三维空间区域中每个浮动位置的第一状态浮动结果。
由此，本实施例可以对目标三维空间区域中每个浮动位置的第一状态浮动结果、目标三维空间区域以及浮动变化信息进行计算，获取目标三维空间区域中每个浮动位置的第二状态浮动结果，从而将每个浮动位置的第二状态浮动结果进行排列得到预设区域特征点的第一状态浮动变化结果。
在一种可能的设计中，针对步骤S130，考虑到一部分区域特征点可能为驾驶对象的衣物等其他部件的非正常移动的情况，为了改善此情形，提高频繁特征点的准确性，本实施例首先获取驾驶对象的历史驾驶信息，历史驾驶信息可以包括分别与多个区域特征点对应的多个位置变化信息。
然后，在确定任意一个区域特征点对应的多个位置变化信息均满足预设位置变化条件时，根据区域特征点的位置变化信息，和位置变化区间的幅度，确定与预设位置变化条件匹配的首个位置变化区间的初始位置，其中，预设位置变化条件包括：位置变化幅度大于设定幅度阈值。
在此基础上，可以根据区域特征点的位置变化信息、位置变化区间的幅度、首个位置变化区间的初始位置以及预设的位置变化区间的数量，确定与预设位置变化条件匹配的多个位置变化区间对应于区域特征点的初始位置。
如果在区域特征点对应的跟踪节点在区域特征点中的区域特征点位置与目标位置变化区间的初始位置相匹配，且如果跟踪节点为目标位置变化区间的首个跟踪节点，则获取与目标位置变化区间相邻的前一位置变化区间匹配的区域特征点作为筛除区域特征点，并在跟踪节点中识别除去筛除区域特征点的一个区域特征点作为与目标位置变化区间匹配的目标区域特征点。
如果跟踪节点不为目标位置变化区间的首个跟踪节点，则获取与目标位置变化区间匹配的目标区域特征点，并在跟踪节点中识别目标区域特征点，并识别目标区域特征点的至少一个活跃位置节点，其中，区域特征点对应于多个位置变化区间。
而后，在位置变化区间内，根据目标区域特征点的至少一个活跃位置节点在多个跟踪节点中的位置信息，计算目标区域特征点的至少一个活跃位置节点在位置变化区间内任意相邻两个跟踪节点之间的移动空间距离，以及目标区域特征点的至少一个活跃位置节点在位置变化区间内的位置向量。
接下来，可以统计位置变化区间的持续时间，并根据移动空间距离和位置向量，确定目标区域特征点在位置变化区间的平均变化频繁度和变化频繁度方差，根据平均变化频繁度和变化频繁度方差，计算目标区域特征点在位置变化区间内的频繁特征参数，从而根据每个区域特征点在匹配的位置变化区间内的频繁特征参数，计算各区域特征点的频繁特征得分，并将频繁特征得分大于设定得分的区域特征点确定为频繁区域特征点。例如，可以将每个区域特征点在匹配的位置变化区间内的频繁特征参数进行加权求和后，得到各区域特征点的频繁特征得分。
基于上述设计，本实施例考虑到一部分区域特征点可能为驾驶对象的衣物等其他部件的非正常移动的情况，由此通过以上进一步筛选过程，能够有效提高频繁特征点的准确性和可靠性。
在此值得特别说明的是，在确定各个监测区域内的频繁区域特征点之后，本实施例可以按照前述实施例中得到预设区域特征点的第一状态浮动变化结果的类似的操作方式进一步得到频繁区域特征点的第二状态浮动变化结果，在此不再赘述。
在一种可能的设计中，进一步针对步骤S140，在得到前述第一状态浮动变化结果和第二状态浮动变化结果之后，本实施例可以将第一状态浮动变化结果中每个第一浮动位置的状态浮动结果与第二状态浮动变化结果中每个匹配的第二浮动位置的状态浮动结果进行匹配，得到多个匹配度。其中，示例性地，第二状态浮动变化结果中每个匹配的第二浮动位置与对应的第一浮动位置在各自的状态浮动变化结果中的排列顺序匹配，匹配度根据第一浮动位置的状态浮动结果和匹配的第二浮动位置的状态浮动结果之间的重合度确定。
由此，可以根据多个匹配度生成对汽车的自动驾驶控制指令。
例如，在一种可能的设计中，本实施例可以确定多个匹配度中低于第一设定匹配度的第一数量、大于第二设定匹配度的第二数量以及位于第一设定匹配度和第二设定匹配度之间的区间的第三数量。
如果第一数量大于第二数量和第三数量之和，则生成对汽车的第一自动驾驶控制指令，第一自动驾驶控制指令用于控制汽车进入预设的减速模式。
如果第三数量大于第一数量和第二数量之和，则生成对汽车的第二自动驾驶控制指令，第二自动驾驶控制指令用于控制汽车进入预设的加速模式。
如果第二数量大于第一数量和第三数量之和，则生成对汽车的第三自动驾驶控制指令，第三自动驾驶控制指令用于控制汽车进入预设的匀速模式。
值得说明的是，在自动驾驶过程中，当进入预设的减速模式时，并不表示汽车一直减速，而是表示汽车以当前速度往下一定速度范围内均匀波动。同理，当进入预设的加速模式时，并不表示汽车一直加速，而是表示汽车以当前速度往上一定速度范围内均匀波动。而当进入预设的匀速模式时，可以理解为汽车以当前速度的极小速度范围内均匀波动。
可以理解的是，在实际自动驾驶过程中，上述的第一数量、第二数量和第三数量可能是实时波动的，此时自动驾驶装置100可以适应性地随时切换自动驾驶控制指令。此外，在自动驾驶过程中可能还存在其它的自动驾驶策略，本实施例提供的方案可以与其它自动驾驶策略并且同时执行，或者也可以以一定的前置条件来执行，具体可以由本领域技术人员根据方案的实施可能性来灵活设计，在此不作具体限定。
图3为本申请实施例提供的自动驾驶控制装置300的功能模块示意图，本实施例可以根据上述方法实施例对该自动驾驶控制装置300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。比如，在采用对应各个功能划分各个功能模块的情况下，图3示出的自动驾驶控制装置300只是一种装置示意图。其中，自动驾驶控制装置300可以包括获取模块310、第一确定模块320、第一确定模块330以及以及生成模块340，下面分别对该自动驾驶控制装置300的各个功能模块的功能进行详细阐述。
获取模块310，用于获取驾驶对象在每个状态监测装置的监测区域下的状态信息，并按照预定的状态类别对各个监测区域下的状态信息进行划分，分别生成每个状态类别的状态汇总信息。
第一确定模块320，用于根据驾驶对象的身份认证信息确定各个监测区域内的预设区域特征点，针对各个监测区域内的预设区域特征点，并分别确定出预设区域特征点的浮动区域在所对应的状态类别的状态汇总信息中的浮动变化信息，得到预设区域特征点的第一状态浮动变化结果，预设区域特征点为与驾驶对象的身份认证信息预先匹配的区域特征点。
第二确定模块330，用于根据驾驶对象的历史驾驶信息确定各个监测区域内的频繁区域特征点，针对各个监测区域内的频繁区域特征点，分别获取频繁区域特征点的浮动轨迹，并确定出浮动轨迹在所对应的状态类别的状态汇总信息中的浮动变化信息，得到频繁区域特征点的第二状态浮动变化结果，频繁区域特征点为驾驶对象的历史驾驶信息中的变化频繁度大于设定频繁度阈值的区域特征点，变化频繁度用于表示区域特征点在单位时间内的变化程度。
生成模块340，用于根据第一状态浮动变化结果以及第二状态浮动变化结果之间的匹配关系，生成对汽车的自动驾驶控制指令。
其中，所述身份认证信息包括生物特征信息，所述第一确定模块320用于通过以下方式根据所述驾驶对象的身份认证信息确定所述各个监测区域内的预设区域特征点：
采集所述驾驶对象的生物特征信息；
根据所述生物特征信息以及预先配置的各个生物特征信息与各个检测区域内的预设区域特征点之间的对应关系，得到所述各个监测区域内的预设区域特征点。
进一步地，图4为本申请实施例提供的用于执行上述自动驾驶控制方法的自动驾驶装置100的结构示意图。如图4所示，该自动驾驶装置100可包括网络接口110、机器可读存储介质120、处理器130以及总线140。处理器130可以是一个或多个，图4中以一个处理器130为例。网络接口110、机器可读存储介质120以及处理器130可以通过总线140或其他方式连接，图4中以通过总线140连接为例。
机器可读存储介质120作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请实施例中的自动驾驶控制方法对应的程序指令/模块（例如图3中所示的自动驾驶控制装置300的获取模块310、第一确定模块320、第一确定模块330以及以及生成模块340）。处理器130通过检测存储在机器可读存储介质120中的软件程序、指令以及模块，从而执行终端设备的各种功能应用以及数据处理，即实现上述的自动驾驶控制方法，在此不再赘述。
机器可读存储介质120可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，机器可读存储介质120可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-OnlyMemory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRateSDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，DR RAM)。应注意，本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合发布节点的存储器。在一些实例中，机器可读存储介质120可进一步包括相对于处理器130远程设置的存储器，这些远程存储器可以通过网络连接至自动驾驶装置100。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器130可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器130中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器130可以是通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。
自动驾驶装置100可以通过网络接口110和其它设备（例如状态监测装置200）进行信息交互。网络接口110可以是电路、总线、收发器或者其它任意可以用于进行信息交互的装置。处理器130可以利用网络接口110收发信息。
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。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述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所述计算机程序指令时，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、或者其他可编程装置。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、自动驾驶装置或数据中心通过有线(例如同轴电缆、光纤、数字用户线(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、自动驾驶装置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用介质集成的自动驾驶装置、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。
本申请实施例是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
显然，本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请实施例的这些表达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 (10)
1.一种自动驾驶控制装置，其特征在于，应用于自动驾驶装置，所述自动驾驶装置与汽车内的多个状态监测装置通信连接，所述装置包括：
获取模块，用于获取驾驶对象在每个状态监测装置的监测区域下的状态信息，并按照预定的状态类别对各个监测区域下的状态信息进行划分，分别生成每个状态类别的状态汇总信息，所述预定的状态类别包括离合器操作类别、方向盘操作类别、电气设备控制类别；
第一确定模块，用于根据所述驾驶对象的身份认证信息确定所述各个监测区域内的预设区域特征点，针对所述各个监测区域内的预设区域特征点，并分别确定出所述预设区域特征点的浮动区域在所对应的状态类别的状态汇总信息中的浮动变化信息，得到所述预设区域特征点的第一状态浮动变化结果，所述预设区域特征点为与所述驾驶对象的身份认证信息预先匹配的区域特征点；
第二确定模块，用于根据所述驾驶对象的历史驾驶信息确定所述各个监测区域内的频繁区域特征点，针对所述各个监测区域内的频繁区域特征点，分别获取所述频繁区域特征点的浮动轨迹，并确定出所述浮动轨迹在所对应的状态类别的状态汇总信息中的浮动变化信息，得到所述频繁区域特征点的第二状态浮动变化结果，所述频繁区域特征点为所述驾驶对象的历史驾驶信息中的变化频繁度大于设定频繁度阈值的区域特征点，所述变化频繁度用于表示所述区域特征点在单位时间内的变化程度；
生成模块，用于根据所述第一状态浮动变化结果以及所述第二状态浮动变化结果之间的匹配关系，生成对所述汽车的自动驾驶控制指令；
其中，所述身份认证信息包括生物特征信息，所述第一确定模块用于通过以下方式根据所述驾驶对象的身份认证信息确定所述各个监测区域内的预设区域特征点：
采集所述驾驶对象的生物特征信息；
根据所述生物特征信息以及预先配置的各个生物特征信息与各个检测区域内的预设区域特征点之间的对应关系，得到所述各个监测区域内的预设区域特征点。
2.根据权利要求1所述的自动驾驶控制装置，其特征在于，所述获取模块用于通过以下方式按照预定的状态类别对各个监测区域下的状态信息进行划分，分别生成每个状态类别的状态汇总信息：
获取每个预定的状态类别所对应的状态类别特征点，形成每个预定的状态类别的特征点集合，并获取各个监测区域的目标特征点数与所述特征点集合的特征点数的重合特征点信息；
根据所述目标特征点数与所述特征点集合的特征点数的重合特征点信息，计算每种目标状态类别的关键特征点的数量，并根据每种目标状态类别的关键特征点的数量，从所述特征点集合中选取状态类别特征点，得到初始特征点矩阵；
若所述初始特征点矩阵的总特征点分布数量大于满足所述总特征点分布数量要求的最大总特征点分布数量，则将所述初始特征点矩阵中的粗范围关键特征点减少第一设定数量，并且将所述初始特征点矩阵中的细范围关键特征点增加所述第一设定数量，其中，所述细范围关键特征点是指关键特征点在所在的检测区域的单位密集程度小于设定程度的关键特征点，所述粗范围关键特征点是指关键特征点在所在的检测区域的单位密集程度不小于设定程度的关键特征点；
计算本次更新后的初始特征点矩阵的总特征点分布数量；
若本次更新后的初始特征点矩阵的总特征点分布数量大于所述最大总特征点分布数量，则再一次对本次更新后的初始特征点矩阵执行以上处理；
若本次更新后的初始特征点矩阵的总特征点分布数量小于或者等于所述最大总特征点分布数量，则将本次更新前的初始特征点矩阵作为第一更新矩阵，按照状态类别由低优先级到高优先级的顺序将各所述目标状态类别进行排序，得到目标状态类别序列；
根据所述目标状态类别序列，将各所述目标状态类别进行分组，每个所述分组中包括在所述目标状态类别序列的目标位置两侧的、且与所述目标位置的差距一致的第一状态类别和第二状态类别，所述第一状态类别的优先级小于所述第二状态类别；
按照与所述目标位置的差距由低优先级到高优先级的顺序，依次将每个所述分组作为目标分组，对所述目标分组进行以下第二更新处理： 将所述第一更新矩阵中所述目标分组的第一状态类别的关键特征点增加一个，并且将所述第一更新矩阵中所述目标分组的第二状态类别的关键特征点减少一个；
判断本次更新后的第一更新矩阵的总特征点分布数量是否满足所述总特征点分布数量要求；
若本次更新后的第一更新矩阵的总特征点分布数量满足所述总特征点分布数量要求，则将本次更新后的第一更新矩阵作为最终特征点矩阵；
若本次更新后的第一更新矩阵的总特征点分布数量不满足所述总特征点分布数量要求，则将下一个分组作为新的目标分组，对所述新的目标分组进行所述第二更新处理；
若所述初始特征点矩阵的总特征点分布数量小于满足所述总特征点分布数量要求的最小总特征点分布数量，则对所述初始特征点矩阵进行以下第三更新处理： 将所述初始特征点矩阵中的粗范围关键特征点增加第一设定数量，并且将所述初始特征点矩阵中的细范围关键特征点减少所述第一设定数量；
计算本次更新后的初始特征点矩阵的总特征点分布数量；
若本次更新后的初始特征点矩阵的总特征点分布数量小于所述最小总特征点分布数量，则再一次对本次更新后的初始特征点矩阵执行所述第三更新处理；
若本次更新后的初始特征点矩阵的总特征点分布数量大于或者等于所述最小总特征点分布数量，则将本次更新前的初始特征点矩阵作为第二更新矩阵，按照状态类别由低优先级到高优先级的顺序将各所述目标状态类别进行排序，得到目标状态类别序列；
根据所述目标状态类别序列，将各所述目标状态类别进行分组，每个所述分组中包括在所述目标状态类别序列的目标位置两侧的、且与所述目标位置的差距一致的第一状态类别和第二状态类别，所述第一状态类别的优先级小于所述第二状态类别；
按照与所述目标位置的差距由低优先级到高优先级的顺序，依次将每个所述分组作为目标分组，对所述目标分组进行以下第四更新处理： 将所述第二更新矩阵中所述目标分组的第一状态类别的关键特征点减少一个，并且将所述第二更新矩阵中所述目标分组的第二状态类别的关键特征点增加一个；
判断本次更新后的第二更新矩阵的总特征点分布数量是否满足所述总特征点分布数量要求；
若本次更新后的第二更新矩阵的总特征点分布数量满足所述总特征点分布数量要求，则将本次更新后的第二更新矩阵作为所述最终特征点矩阵；
若本次更新后的第二更新矩阵的总特征点分布数量不满足所述总特征点分布数量要求，则将下一个分组作为新的目标分组，对所述新的目标分组进行所述第四更新处理；
将各个目标状态类别的最终特征点矩阵中的每个特征点的状态信息分别归类为该状态类别的状态汇总信息。
3.根据权利要求1所述的自动驾驶控制装置，其特征在于，所述第一确定模块用于通过以下方式针对所述各个监测区域内的预设区域特征点，并分别确定出所述预设区域特征点的浮动区域在所对应的状态类别的状态汇总信息中的浮动变化信息，得到所述预设区域特征点的第一状态浮动变化结果：
针对所述各个监测区域内的预设区域特征点，分别获取与所述预设区域特征点匹配的三维定点，并获取所述三维定点在预设时间段内持续落入该监测区域中的一个三维空间区域对应的坐标范围内时所对应的三维空间区域作为目标三维空间区域；
判断所述目标三维空间区域的区域范围与预设的自动驾驶控制模型的模型输入的区域范围是否相同；
若区域范围不相同，则将所述目标三维空间区域的区域范围缩放到与所述自动驾驶控制模型的模型输入的区域范围一致的三维空间区域，输入到所述自动驾驶控制模型；
采用所述自动驾驶控制模型对输入的三维空间区域进行计算，获取与所述输入的三维空间区域对应的浮动变化信息；
对所述目标三维空间区域中所述预设区域特征点的每个浮动位置进行跟踪，获取所述目标三维空间区域中每个浮动位置的浮动特征向量；
将与所述输入的三维空间区域对应的浮动变化信息中浮动位置频繁度大于预设阈值的区域确定为浮动区域；
对所述输入的三维空间区域中每个浮动位置的向量值进行转换，获取所述输入的三维空间区域中每个浮动位置的浮动特征向量；
根据所述目标三维空间区域中每个浮动位置的浮动特征向量，计算整个三维空间区域的第一浮动向量均值；
根据所述浮动区域中每个浮动位置的浮动特征向量，计算所述浮动区域的第二浮动向量均值；
对所述第一浮动向量均值、所述第二浮动向量均值和预设系数进行计算，获取所述浮动区域的浮动参考系数，计算所述目标三维空间区域中每个浮动位置的浮动特征向量与所述浮动参考系数的比值，并根据所述比值获取所述目标三维空间区域中每个浮动位置的第一浮动强度；
对所述目标三维空间区域中每个浮动位置的第一浮动强度和所述浮动变化信息进行计算，获取所述目标三维空间区域中每个浮动位置的浮动强度；
或者，计算所述目标三维空间区域中每个浮动位置的浮动特征向量与所述浮动参考系数的比值获取所述目标三维空间区域中每个浮动位置的第一浮动强度，并按照预设的浮动范围对所述目标三维空间区域中每个浮动位置的第一浮动强度进行计算，获取所述目标三维空间区域中每个浮动位置的第二浮动强度，其中，所述第二浮动强度与所述第一浮动强度之间的差值小于所述预设的浮动范围，对所述目标三维空间区域中每个浮动位置的第二浮动强度和所述浮动变化信息进行计算，获取所述目标三维空间区域中每个浮动位置的浮动强度；
根据指定空间位置的目标特征点、浮动强度以及所述浮动变化信息，确定所述目标三维空间区域中每个浮动位置的目标系数，并计算所述目标三维空间区域中每个浮动位置的浮动强度与预设常数的比值，其中，所述目标系数为所述指定空间位置的目标特征点的特征向量值乘以所述浮动强度并除以所述浮动变化信息的值；
计算每个浮动位置的浮动强度与预设常数的比值与对应的目标系数的乘积，获取所述目标三维空间区域中每个浮动位置的第一状态浮动结果；
根据所述每个浮动位置的第一状态浮动结果对所述目标三维空间区域进行颜色编辑处理输出目标三维空间区域；
或者，计算所述目标三维空间区域中每个浮动位置的浮动强度与预设常数的比值；
计算每个浮动位置的浮动强度与预设常数的比值与对应的目标染色值的乘积，获取所述目标三维空间区域中每个浮动位置的第一状态浮动结果；
对所述目标三维空间区域中每个浮动位置的第一状态浮动结果、所述目标三维空间区域以及所述浮动变化信息进行计算，获取所述目标三维空间区域中每个浮动位置的第二状态浮动结果；
将所述每个浮动位置的第二状态浮动结果进行排列得到所述预设区域特征点的第一状态浮动变化结果。
4.根据权利要求1-3中任意一项所述的自动驾驶控制装置，其特征在于，所述第二确定模块用于通过以下方式根据所述驾驶对象的历史驾驶信息确定所述各个监测区域内的频繁区域特征点：
获取所述驾驶对象的历史驾驶信息，所述历史驾驶信息包括分别与多个区域特征点对应的多个位置变化信息；
在确定任意一个区域特征点对应的多个位置变化信息均满足预设位置变化条件时，根据所述区域特征点的位置变化信息，和位置变化区间的幅度，确定与所述预设位置变化条件匹配的首个位置变化区间的初始位置，其中，所述预设位置变化条件包括：位置变化幅度大于设定幅度阈值；
根据所述区域特征点的位置变化信息、所述位置变化区间的幅度、所述首个位置变化区间的初始位置以及预设的位置变化区间的数量，确定与所述预设位置变化条件匹配的多个位置变化区间对应于所述区域特征点的初始位置；
如果在所述区域特征点对应的跟踪节点在所述区域特征点中的区域特征点位置与目标位置变化区间的所述初始位置相匹配，且如果所述跟踪节点为所述目标位置变化区间的首个跟踪节点，则获取与所述目标位置变化区间相邻的前一位置变化区间匹配的区域特征点作为筛除区域特征点，并在所述跟踪节点中识别除去所述筛除区域特征点的一个区域特征点作为与所述目标位置变化区间匹配的目标区域特征点；
如果所述跟踪节点不为所述目标位置变化区间的首个跟踪节点，则获取与所述目标位置变化区间匹配的目标区域特征点，并在所述跟踪节点中识别所述目标区域特征点，并识别所述目标区域特征点的至少一个活跃位置节点，其中，所述区域特征点对应于多个位置变化区间；
在所述位置变化区间内，根据所述目标区域特征点的至少一个活跃位置节点在多个跟踪节点中的位置信息，计算所述目标区域特征点的至少一个活跃位置节点在所述位置变化区间内任意相邻两个跟踪节点之间的移动空间距离，以及所述目标区域特征点的至少一个活跃位置节点在所述位置变化区间内的位置向量；
统计所述位置变化区间的持续时间，并根据所述移动空间距离和所述位置向量，确定所述目标区域特征点在所述位置变化区间的平均变化频繁度和变化频繁度方差，根据所述平均变化频繁度和所述变化频繁度方差，计算所述目标区域特征点在所述位置变化区间内的频繁特征参数；
根据每个区域特征点在匹配的位置变化区间内的频繁特征参数，计算各所述区域特征点的频繁特征得分，并将频繁特征得分大于设定得分的区域特征点确定为频繁区域特征点。
5.根据权利要求1所述的自动驾驶控制装置，其特征在于，所述生成模块用于通过以下方式根据所述第一状态浮动变化结果以及所述第二状态浮动变化结果之间的匹配关系，生成对所述汽车的自动驾驶控制指令：
将所述第一状态浮动变化结果中每个第一浮动位置的状态浮动结果与所述第二状态浮动变化结果中每个匹配的第二浮动位置的状态浮动结果进行匹配，得到多个匹配度，其中，所述第二状态浮动变化结果中每个匹配的第二浮动位置与对应的第一浮动位置在各自的状态浮动变化结果中的排列顺序匹配，所述匹配度根据所述第一浮动位置的状态浮动结果和匹配的第二浮动位置的状态浮动结果之间的重合度确定；
根据所述多个匹配度生成对所述汽车的自动驾驶控制指令。
6.根据权利要求5所述的自动驾驶控制装置，其特征在于，所述生成模块用于通过以下方式根据所述多个匹配度生成对所述汽车的自动驾驶控制指令：
确定所述多个匹配度中低于第一设定匹配度的第一数量、大于第二设定匹配度的第二数量以及位于所述第一设定匹配度和所述第二设定匹配度之间的区间的第三数量；
如果所述第一数量大于所述第二数量和所述第三数量之和，则生成对所述汽车的第一自动驾驶控制指令，所述第一自动驾驶控制指令用于控制所述汽车进入预设的减速模式；
如果所述第三数量大于所述第一数量和所述第二数量之和，则生成对所述汽车的第二自动驾驶控制指令，所述第二自动驾驶控制指令用于控制所述汽车进入预设的加速模式；
如果所述第二数量大于所述第一数量和所述第三数量之和，则生成对所述汽车的第三自动驾驶控制指令，所述第三自动驾驶控制指令用于控制所述汽车进入预设的匀速模式。
7.一种自动驾驶控制方法，其特征在于，应用于自动驾驶系统，所述自动驾驶系统包括自动驾驶装置以及与所述自动驾驶装置通信连接的汽车内的多个状态监测装置通信连接，所述方法包括：
所述状态监测装置监测驾驶对象在所监测区域下的状态信息；
所述自动驾驶装置获取驾驶对象在每个状态监测装置的监测区域下的状态信息，并按照预定的状态类别对各个监测区域下的状态信息进行划分，分别生成每个状态类别的状态汇总信息，所述预定的状态类别包括离合器操作类别、方向盘操作类别、电气设备控制类别；
所述自动驾驶装置根据所述驾驶对象的身份认证信息确定所述各个监测区域内的预设区域特征点，针对所述各个监测区域内的预设区域特征点，并分别确定出所述预设区域特征点的浮动区域在所对应的状态类别的状态汇总信息中的浮动变化信息，得到所述预设区域特征点的第一状态浮动变化结果，所述预设区域特征点为与所述驾驶对象的身份认证信息预先匹配的区域特征点；
所述自动驾驶装置根据所述驾驶对象的历史驾驶信息确定所述各个监测区域内的频繁区域特征点，针对所述各个监测区域内的频繁区域特征点，分别获取所述频繁区域特征点的浮动轨迹，并确定出所述浮动轨迹在所对应的状态类别的状态汇总信息中的浮动变化信息，得到所述频繁区域特征点的第二状态浮动变化结果，所述频繁区域特征点为所述驾驶对象的历史驾驶信息中的变化频繁度大于设定频繁度阈值的区域特征点，所述变化频繁度用于表示所述区域特征点在单位时间内的变化程度；
所述自动驾驶装置根据所述第一状态浮动变化结果以及所述第二状态浮动变化结果之间的匹配关系，生成对所述汽车的自动驾驶控制指令；
其中，所述身份认证信息包括生物特征信息，所述根据所述驾驶对象的身份认证信息确定所述各个监测区域内的预设区域特征点的步骤，包括：
采集所述驾驶对象的生物特征信息；
根据所述生物特征信息以及预先配置的各个生物特征信息与各个检测区域内的预设区域特征点之间的对应关系，得到所述各个监测区域内的预设区域特征点。
8.根据权利要求7所述的自动驾驶控制方法，其特征在于，所述按照预定的状态类别对各个监测区域下的状态信息进行划分，分别生成每个状态类别的状态汇总信息的步骤，包括：
获取每个预定的状态类别所对应的状态类别特征点，形成每个预定的状态类别的特征点集合，并获取各个监测区域的目标特征点数与所述特征点集合的特征点数的重合特征点信息；
根据所述目标特征点数与所述特征点集合的特征点数的重合特征点信息，计算每种目标状态类别的关键特征点的数量，并根据每种目标状态类别的关键特征点的数量，从所述特征点集合中选取状态类别特征点，得到初始特征点矩阵；
若所述初始特征点矩阵的总特征点分布数量大于满足所述总特征点分布数量要求的最大总特征点分布数量，则将所述初始特征点矩阵中的粗范围关键特征点减少第一设定数量，并且将所述初始特征点矩阵中的细范围关键特征点增加所述第一设定数量，其中，所述细范围关键特征点是指关键特征点在所在的检测区域的单位密集程度小于设定程度的关键特征点，所述粗范围关键特征点是指关键特征点在所在的检测区域的单位密集程度不小于设定程度的关键特征点；
计算本次更新后的初始特征点矩阵的总特征点分布数量；
若本次更新后的初始特征点矩阵的总特征点分布数量大于所述最大总特征点分布数量，则再一次对本次更新后的初始特征点矩阵执行以上处理；
若本次更新后的初始特征点矩阵的总特征点分布数量小于或者等于所述最大总特征点分布数量，则将本次更新前的初始特征点矩阵作为第一更新矩阵，按照状态类别由低优先级到高优先级的顺序将各所述目标状态类别进行排序，得到目标状态类别序列；
根据所述目标状态类别序列，将各所述目标状态类别进行分组，每个所述分组中包括在所述目标状态类别序列的目标位置两侧的、且与所述目标位置的差距一致的第一状态类别和第二状态类别，所述第一状态类别的优先级小于所述第二状态类别；
按照与所述目标位置的差距由低优先级到高优先级的顺序，依次将每个所述分组作为目标分组，对所述目标分组进行以下第二更新处理： 将所述第一更新矩阵中所述目标分组的第一状态类别的关键特征点增加一个，并且将所述第一更新矩阵中所述目标分组的第二状态类别的关键特征点减少一个；
判断本次更新后的第一更新矩阵的总特征点分布数量是否满足所述总特征点分布数量要求；
若本次更新后的第一更新矩阵的总特征点分布数量满足所述总特征点分布数量要求，则将本次更新后的第一更新矩阵作为最终特征点矩阵；
若本次更新后的第一更新矩阵的总特征点分布数量不满足所述总特征点分布数量要求，则将下一个分组作为新的目标分组，对所述新的目标分组进行所述第二更新处理；
若所述初始特征点矩阵的总特征点分布数量小于满足所述总特征点分布数量要求的最小总特征点分布数量，则对所述初始特征点矩阵进行以下第三更新处理： 将所述初始特征点矩阵中的粗范围关键特征点增加第一设定数量，并且将所述初始特征点矩阵中的细范围关键特征点减少所述第一设定数量；
计算本次更新后的初始特征点矩阵的总特征点分布数量；
若本次更新后的初始特征点矩阵的总特征点分布数量小于所述最小总特征点分布数量，则再一次对本次更新后的初始特征点矩阵执行所述第三更新处理；
若本次更新后的初始特征点矩阵的总特征点分布数量大于或者等于所述最小总特征点分布数量，则将本次更新前的初始特征点矩阵作为第二更新矩阵，按照状态类别由低优先级到高优先级的顺序将各所述目标状态类别进行排序，得到目标状态类别序列；
根据所述目标状态类别序列，将各所述目标状态类别进行分组，每个所述分组中包括在所述目标状态类别序列的目标位置两侧的、且与所述目标位置的差距一致的第一状态类别和第二状态类别，所述第一状态类别的优先级小于所述第二状态类别；
按照与所述目标位置的差距由低优先级到高优先级的顺序，依次将每个所述分组作为目标分组，对所述目标分组进行以下第四更新处理： 将所述第二更新矩阵中所述目标分组的第一状态类别的关键特征点减少一个，并且将所述第二更新矩阵中所述目标分组的第二状态类别的关键特征点增加一个；
判断本次更新后的第二更新矩阵的总特征点分布数量是否满足所述总特征点分布数量要求；
若本次更新后的第二更新矩阵的总特征点分布数量满足所述总特征点分布数量要求，则将本次更新后的第二更新矩阵作为所述最终特征点矩阵；
若本次更新后的第二更新矩阵的总特征点分布数量不满足所述总特征点分布数量要求，则将下一个分组作为新的目标分组，对所述新的目标分组进行所述第四更新处理；
将各个目标状态类别的最终特征点矩阵中的每个特征点的状态信息分别归类为该状态类别的状态汇总信息。
9.一种自动驾驶系统，其特征在于，所述自动驾驶系统包括自动驾驶装置以及与所述自动驾驶装置通信连接的汽车内的多个状态监测装置，所述自动驾驶系统包括：
所述状态监测装置，用于监测驾驶对象在所监测区域下的状态信息；
所述自动驾驶装置，用于获取驾驶对象在每个状态监测装置的监测区域下的状态信息，并按照预定的状态类别对各个监测区域下的状态信息进行划分，分别生成每个状态类别的状态汇总信息，所述预定的状态类别包括离合器操作类别、方向盘操作类别、电气设备控制类别；
所述自动驾驶装置，用于根据所述驾驶对象的身份认证信息确定所述各个监测区域内的预设区域特征点，针对所述各个监测区域内的预设区域特征点，并分别确定出所述预设区域特征点的浮动区域在所对应的状态类别的状态汇总信息中的浮动变化信息，得到所述预设区域特征点的第一状态浮动变化结果，所述预设区域特征点为与所述驾驶对象的身份认证信息预先匹配的区域特征点；
所述自动驾驶装置，用于根据所述驾驶对象的历史驾驶信息确定所述各个监测区域内的频繁区域特征点，针对所述各个监测区域内的频繁区域特征点，分别获取所述频繁区域特征点的浮动轨迹，并确定出所述浮动轨迹在所对应的状态类别的状态汇总信息中的浮动变化信息，得到所述频繁区域特征点的第二状态浮动变化结果，所述频繁区域特征点为所述驾驶对象的历史驾驶信息中的变化频繁度大于设定频繁度阈值的区域特征点，所述变化频繁度用于表示所述区域特征点在单位时间内的变化程度；
所述自动驾驶装置，用于根据所述第一状态浮动变化结果以及所述第二状态浮动变化结果之间的匹配关系，生成对所述汽车的自动驾驶控制指令；
其中，所述身份认证信息包括生物特征信息，所述自动驾驶装置用于通过以下方式根据所述驾驶对象的身份认证信息确定所述各个监测区域内的预设区域特征点：
采集所述驾驶对象的生物特征信息；
根据所述生物特征信息以及预先配置的各个生物特征信息与各个检测区域内的预设区域特征点之间的对应关系，得到所述各个监测区域内的预设区域特征点。
10.根据权利要求9所述的自动驾驶系统，其特征在于，所述自动驾驶装置通过以下方式按照预定的状态类别对各个监测区域下的状态信息进行划分，分别生成每个状态类别的状态汇总信息：
获取每个预定的状态类别所对应的状态类别特征点，形成每个预定的状态类别的特征点集合，并获取各个监测区域的目标特征点数与所述特征点集合的特征点数的重合特征点信息；
根据所述目标特征点数与所述特征点集合的特征点数的重合特征点信息，计算每种目标状态类别的关键特征点的数量，并根据每种目标状态类别的关键特征点的数量，从所述特征点集合中选取状态类别特征点，得到初始特征点矩阵；
若所述初始特征点矩阵的总特征点分布数量大于满足所述总特征点分布数量要求的最大总特征点分布数量，则将所述初始特征点矩阵中的粗范围关键特征点减少第一设定数量，并且将所述初始特征点矩阵中的细范围关键特征点增加所述第一设定数量，其中，所述细范围关键特征点是指关键特征点在所在的检测区域的单位密集程度小于设定程度的关键特征点，所述粗范围关键特征点是指关键特征点在所在的检测区域的单位密集程度不小于设定程度的关键特征点；
计算本次更新后的初始特征点矩阵的总特征点分布数量；
若本次更新后的初始特征点矩阵的总特征点分布数量大于所述最大总特征点分布数量，则再一次对本次更新后的初始特征点矩阵执行以上处理；
若本次更新后的初始特征点矩阵的总特征点分布数量小于或者等于所述最大总特征点分布数量，则将本次更新前的初始特征点矩阵作为第一更新矩阵，按照状态类别由低优先级到高优先级的顺序将各所述目标状态类别进行排序，得到目标状态类别序列；
根据所述目标状态类别序列，将各所述目标状态类别进行分组，每个所述分组中包括在所述目标状态类别序列的目标位置两侧的、且与所述目标位置的差距一致的第一状态类别和第二状态类别，所述第一状态类别的优先级小于所述第二状态类别；
按照与所述目标位置的差距由低优先级到高优先级的顺序，依次将每个所述分组作为目标分组，对所述目标分组进行以下第二更新处理： 将所述第一更新矩阵中所述目标分组的第一状态类别的关键特征点增加一个，并且将所述第一更新矩阵中所述目标分组的第二状态类别的关键特征点减少一个；
判断本次更新后的第一更新矩阵的总特征点分布数量是否满足所述总特征点分布数量要求；
若本次更新后的第一更新矩阵的总特征点分布数量满足所述总特征点分布数量要求，则将本次更新后的第一更新矩阵作为最终特征点矩阵；
若本次更新后的第一更新矩阵的总特征点分布数量不满足所述总特征点分布数量要求，则将下一个分组作为新的目标分组，对所述新的目标分组进行所述第二更新处理；
若所述初始特征点矩阵的总特征点分布数量小于满足所述总特征点分布数量要求的最小总特征点分布数量，则对所述初始特征点矩阵进行以下第三更新处理： 将所述初始特征点矩阵中的粗范围关键特征点增加第一设定数量，并且将所述初始特征点矩阵中的细范围关键特征点减少所述第一设定数量；
计算本次更新后的初始特征点矩阵的总特征点分布数量；
若本次更新后的初始特征点矩阵的总特征点分布数量小于所述最小总特征点分布数量，则再一次对本次更新后的初始特征点矩阵执行所述第三更新处理；
若本次更新后的初始特征点矩阵的总特征点分布数量大于或者等于所述最小总特征点分布数量，则将本次更新前的初始特征点矩阵作为第二更新矩阵，按照状态类别由低优先级到高优先级的顺序将各所述目标状态类别进行排序，得到目标状态类别序列；
根据所述目标状态类别序列，将各所述目标状态类别进行分组，每个所述分组中包括在所述目标状态类别序列的目标位置两侧的、且与所述目标位置的差距一致的第一状态类别和第二状态类别，所述第一状态类别的优先级小于所述第二状态类别；
按照与所述目标位置的差距由低优先级到高优先级的顺序，依次将每个所述分组作为目标分组，对所述目标分组进行以下第四更新处理： 将所述第二更新矩阵中所述目标分组的第一状态类别的关键特征点减少一个，并且将所述第二更新矩阵中所述目标分组的第二状态类别的关键特征点增加一个；
判断本次更新后的第二更新矩阵的总特征点分布数量是否满足所述总特征点分布数量要求；
若本次更新后的第二更新矩阵的总特征点分布数量满足所述总特征点分布数量要求，则将本次更新后的第二更新矩阵作为所述最终特征点矩阵；
若本次更新后的第二更新矩阵的总特征点分布数量不满足所述总特征点分布数量要求，则将下一个分组作为新的目标分组，对所述新的目标分组进行所述第四更新处理；
将各个目标状态类别的最终特征点矩阵中的每个特征点的状态信息分别归类为该状态类别的状态汇总信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010791010.7A CN111942396B (zh) | 2020-02-17 | 2020-02-17 | 自动驾驶控制装置、方法及自动驾驶系统 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010094861.6A CN111208821B (zh) | 2020-02-17 | 2020-02-17 | 汽车自动驾驶控制方法、装置、自动驾驶装置及系统 |
| CN202010791010.7A CN111942396B (zh) | 2020-02-17 | 2020-02-17 | 自动驾驶控制装置、方法及自动驾驶系统 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010094861.6A Division CN111208821B (zh) | 2020-02-17 | 2020-02-17 | 汽车自动驾驶控制方法、装置、自动驾驶装置及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111942396A CN111942396A (zh) | 2020-11-17 |
| CN111942396B true CN111942396B (zh) | 2021-12-24 |
Family
ID=70789724
Family Applications (3)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010791010.7A Active CN111942396B (zh) | 2020-02-17 | 2020-02-17 | 自动驾驶控制装置、方法及自动驾驶系统 |
| CN202010094861.6A Expired - Fee Related CN111208821B (zh) | 2020-02-17 | 2020-02-17 | 汽车自动驾驶控制方法、装置、自动驾驶装置及系统 |
| CN202010791018.3A Withdrawn CN111880545A (zh) | 2020-02-17 | 2020-02-17 | 自动驾驶装置、系统、自动驾驶决策处理方法及装置 |
Family Applications After (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010094861.6A Expired - Fee Related CN111208821B (zh) | 2020-02-17 | 2020-02-17 | 汽车自动驾驶控制方法、装置、自动驾驶装置及系统 |
| CN202010791018.3A Withdrawn CN111880545A (zh) | 2020-02-17 | 2020-02-17 | 自动驾驶装置、系统、自动驾驶决策处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (3) | CN111942396B (zh) |
Family Cites Families (39)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE602005017144D1 (de) * | 2005-08-18 | 2009-11-26 | Honda Res Inst Europe Gmbh | Fahrerassistenzsystem |
| CN100462047C (zh) * | 2007-03-21 | 2009-02-18 | 汤一平 | 基于全方位计算机视觉的安全驾驶辅助装置 |
| US7839292B2 (en) * | 2007-04-11 | 2010-11-23 | Nec Laboratories America, Inc. | Real-time driving danger level prediction |
| JP4591541B2 (ja) * | 2008-05-14 | 2010-12-01 | 横浜ゴム株式会社 | 車両の走行条件評価方法及びその評価装置 |
| WO2010143264A1 (ja) * | 2009-06-09 | 2010-12-16 | トヨタ自動車株式会社 | 運転支援装置 |
| EP2402226B1 (en) * | 2010-07-02 | 2014-03-05 | Harman Becker Automotive Systems GmbH | Computer based system and method for providing a driver assist information |
| KR20120117232A (ko) * | 2011-04-14 | 2012-10-24 | 현대자동차주식회사 | 차량 내에서의 감성선곡 시스템 및 그 방법 |
| CN102433811B (zh) * | 2011-10-15 | 2013-07-31 | 天津市市政工程设计研究院 | 港区道路交叉口最小间距确定方法 |
| JP5942761B2 (ja) * | 2012-10-03 | 2016-06-29 | トヨタ自動車株式会社 | 運転支援装置および運転支援方法 |
| EP3038875A4 (en) * | 2013-08-22 | 2017-06-21 | Intel Corporation | Locality adapted computerized assisted or autonomous driving of vehicles |
| JP6791616B2 (ja) * | 2015-04-27 | 2020-11-25 | トヨタ自動車株式会社 | 自動運転車両システム |
| JP6237725B2 (ja) * | 2015-07-27 | 2017-11-29 | トヨタ自動車株式会社 | 乗員情報取得装置及び車両制御システム |
| US10002471B2 (en) * | 2015-09-30 | 2018-06-19 | Ants Technology (Hk) Limited | Systems and methods for autonomous vehicle navigation |
| JP6678311B2 (ja) * | 2015-12-24 | 2020-04-08 | パナソニックＩｐマネジメント株式会社 | 運転支援方法およびそれを利用した運転支援装置、情報提示装置、車両 |
| JP6330842B2 (ja) * | 2016-03-31 | 2018-05-30 | マツダ株式会社 | 運転支援装置 |
| CN105809152B (zh) * | 2016-04-06 | 2019-05-21 | 清华大学 | 一种基于多源信息融合的驾驶员认知分心监测方法 |
| CN105741586B (zh) * | 2016-04-29 | 2018-05-04 | 刘学 | 车辆道路状况自动判断方法及系统 |
| CN106080590B (zh) * | 2016-06-12 | 2018-04-03 | 百度在线网络技术（北京）有限公司 | 车辆控制方法和装置以及决策模型的获取方法和装置 |
| JP6778872B2 (ja) * | 2016-06-28 | 2020-11-04 | パナソニックＩｐマネジメント株式会社 | 運転支援装置及び運転支援方法 |
| KR101851155B1 (ko) * | 2016-10-12 | 2018-06-04 | 현대자동차주식회사 | 자율 주행 제어 장치, 그를 가지는 차량 및 그 제어 방법 |
| WO2018144537A1 (en) * | 2017-01-31 | 2018-08-09 | The Regents Of The University Of California | Machine learning based driver assistance |
| CN107168303A (zh) * | 2017-03-16 | 2017-09-15 | 中国科学院深圳先进技术研究院 | 一种汽车的自动驾驶方法及装置 |
| CN106950956B (zh) * | 2017-03-22 | 2020-02-14 | 合肥工业大学 | 融合运动学模型和行为认知模型的行车轨迹预测系统 |
| CN107628108B (zh) * | 2017-09-11 | 2020-01-03 | 清华大学 | 一种车辆全电传操纵系统 |
| CN107662611A (zh) * | 2017-11-06 | 2018-02-06 | 吉林大学 | 一种基于驾驶员情绪识别的自动驾驶模式切换系统 |
| CN107943046B (zh) * | 2017-12-08 | 2021-09-10 | 珠海横琴小可乐信息技术有限公司 | 一种自动驾驶车辆人机控制权移交方法及系统 |
| CN108196535B (zh) * | 2017-12-12 | 2021-09-07 | 清华大学苏州汽车研究院（吴江） | 基于增强学习和多传感器融合的自动驾驶系统 |
| KR102302917B1 (ko) * | 2017-12-18 | 2021-09-15 | 현대모비스 주식회사 | 안전운전 지원 장치 및 방법 |
| CN110146100B (zh) * | 2018-02-13 | 2021-08-13 | 华为技术有限公司 | 轨迹预测方法、装置及存储介质 |
| CN108881409A (zh) * | 2018-05-31 | 2018-11-23 | 北京智行者科技有限公司 | 车辆的监控方法及系统 |
| EP3576074A1 (en) * | 2018-06-01 | 2019-12-04 | Volvo Car Corporation | Method and system for assisting drivers to drive with precaution |
| CN108845579A (zh) * | 2018-08-14 | 2018-11-20 | 苏州畅风加行智能科技有限公司 | 一种港口车辆的自动驾驶系统及其方法 |
| CN109035117B (zh) * | 2018-09-01 | 2023-06-09 | 李善伯 | 一种自动化地面道路交通系统实现方法 |
| CN109341713A (zh) * | 2018-11-30 | 2019-02-15 | 北京小马智行科技有限公司 | 一种自动驾驶系统、方法以及装置 |
| CN109624986B (zh) * | 2019-03-01 | 2021-01-15 | 吉林大学 | 一种基于模式切换的驾驶风格的学习巡航控制系统及方法 |
| CN110059582B (zh) * | 2019-03-28 | 2023-04-07 | 东南大学 | 基于多尺度注意力卷积神经网络的驾驶员行为识别方法 |
| CN110103817B (zh) * | 2019-04-09 | 2021-05-25 | 江苏大学 | 一种紧急状态下车辆稳定行驶智能控制方法 |
| CN110308718A (zh) * | 2019-04-11 | 2019-10-08 | 长沙理工大学 | 一种基于二型模糊综合评判的无人驾驶汽车行为决策方法 |
| CN110427850B (zh) * | 2019-07-24 | 2022-03-08 | 中国科学院自动化研究所 | 驾驶员高速道路换道意图预测方法、系统、装置 |
-
2020
- 2020-02-17 CN CN202010791010.7A patent/CN111942396B/zh active Active
- 2020-02-17 CN CN202010094861.6A patent/CN111208821B/zh not_active Expired - Fee Related
- 2020-02-17 CN CN202010791018.3A patent/CN111880545A/zh not_active Withdrawn
Also Published As
| Publication number | Publication date |
|---|---|
| CN111880545A (zh) | 2020-11-03 |
| CN111208821A (zh) | 2020-05-29 |
| CN111208821B (zh) | 2020-11-03 |
| CN111942396A (zh) | 2020-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109782730B (zh) | 用于自主系统性能和评级的方法和装置 | |
| CN112997227B9 (zh) | 交通辅助系统、服务器及方法、车载装置及其动作方法、记录介质、计算机及半导体集成电路 | |
| KR20180113447A (ko) | 전자 장치, 그의 경고 메시지 제공 방법 및 비일시적 컴퓨터 판독가능 기록매체 | |
| CN105608894B (zh) | 一种确定突发性拥堵状态的方法及装置 | |
| Hyeon et al. | Short-term speed forecasting using vehicle wireless communications | |
| CN111046303A (zh) | 一种热点区域的自动检测方法、装置及系统 | |
| CN112418646A (zh) | 一种车辆舒适性评价方法、装置和可读存储介质 | |
| CN111942396B (zh) | 自动驾驶控制装置、方法及自动驾驶系统 | |
| CN115862322A (zh) | 一种车辆可变限速控制优化方法、系统、介质及设备 | |
| CN113793520B (zh) | 车辆轨迹预测方法、装置及电子设备 | |
| Liu et al. | Trade-offs between bus and private vehicle delays at signalized intersections: Case study of a multiobjective model | |
| CN107662206B (zh) | 机器人的控制装置和控制方法 | |
| CN111148046B (zh) | 轨迹记录方法、装置及系统 | |
| CN110533930B (zh) | 交通数据处理方法、装置、计算机设备和存储介质 | |
| CN111249106B (zh) | 老年康复机器人的训练控制装置及系统 | |
| CN111259007B (zh) | 电动车信息监控方法、装置、服务器及电动车管理系统 | |
| CN112462759A (zh) | 规控算法的评估方法、系统及计算机存储介质 | |
| CN112508294A (zh) | 基于车群信息共享的目标列车控制方法，装置及列车 | |
| CN109344729B (zh) | 一种识别道路中人员运动的方法 | |
| CN110378178A (zh) | 目标跟踪方法及装置 | |
| CN111524389A (zh) | 车辆驾驶方法和装置 | |
| WO2024009756A1 (ja) | 物体識別装置及び物体識別方法 | |
| US11912300B2 (en) | Behavioral planning in autonomus vehicle | |
| CN111833616B (zh) | 面向网联货车超载识别的数据质量控制方法及装置 | |
| CN116432999A (zh) | 一种基于风险场的无信号交叉口多车冲突驾驶行为模型 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20211130 Address after: 201814 No. 188, Bai'an Road, Anting Town, Jiading District, Shanghai Applicant after: ZF Automotive Systems (Shanghai) Co.,Ltd. Address before: Xiamen City, Fujian Province, 361005 South Siming Road No. 422 Applicant before: Li Hualan |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |