CN111959495A - 车辆的控制方法、装置及车辆 - Google Patents

车辆的控制方法、装置及车辆 Download PDF

Info

Publication number
CN111959495A
CN111959495A CN202010605325.8A CN202010605325A CN111959495A CN 111959495 A CN111959495 A CN 111959495A CN 202010605325 A CN202010605325 A CN 202010605325A CN 111959495 A CN111959495 A CN 111959495A
Authority
CN
China
Prior art keywords
vehicle
image frame
acquiring
longitudinal acceleration
determining
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.)
Granted
Application number
CN202010605325.8A
Other languages
English (en)
Other versions
CN111959495B (zh
Inventor
张连川
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.)
Apollo Intelligent Technology Beijing Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010605325.8A priority Critical patent/CN111959495B/zh
Publication of CN111959495A publication Critical patent/CN111959495A/zh
Priority to EP21164626.0A priority patent/EP3893148A1/en
Priority to US17/235,515 priority patent/US20210237717A1/en
Priority to JP2021099563A priority patent/JP7204823B2/ja
Priority to KR1020210082939A priority patent/KR102564430B1/ko
Application granted granted Critical
Publication of CN111959495B publication Critical patent/CN111959495B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/06—Automatic manoeuvring for parking
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/10—Path keeping
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06—Road conditions
    • B60W40/076—Slope angle of the road
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/107—Longitudinal acceleration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/586—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of parking space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0002—Automatic control, details of type of controller or control system architecture
    • B60W2050/0004—In digital systems, e.g. discrete-time systems involving sampling
    • B60W2050/0005—Processor details or data handling, e.g. memory registers or chip architecture
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/403—Image sensing, e.g. optical camera
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B60W2520/105—Longitudinal acceleration
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/15—Road slope, i.e. the inclination of a road segment in the longitudinal direction
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4042—Longitudinal speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2720/00—Output or target parameters relating to overall vehicle dynamics
    • B60W2720/10—Longitudinal speed
    • B60W2720/106—Longitudinal acceleration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30264—Parking

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Transportation (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Remote Sensing (AREA)
  • Computer Graphics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了车辆的控制方法、装置及车辆，涉及自动驾驶和深度学习技术领域。具体实现方案为：获取车辆前方的当前图像，并获取车辆的泊车轨迹路径；获取与泊车轨迹路径对应的深度卷积神经网络模型；将当前图像输入到深度卷积神经网络模型，以获取车辆前方路段的坡度信息；根据坡度信息，确定车辆的纵向加速度；以及根据纵向加速度对车辆进行控制。本方案降低了车辆获取坡度的成本。

Description

车辆的控制方法、装置及车辆
技术领域
本申请涉及车辆控制技术领域，具体涉及自动驾驶和深度学习技术领域，尤其涉及一种车辆的控制方法、装置及车辆。
背景技术
伴随着汽车辅助驾驶技术的发展，汽车智能化发展趋势迅猛。为了实现智能化停车，帮助驾驶员自动停车，自主泊车系统便随之出现。
自主泊车系统(AutomaticParkingSystem，APS)主要由感知单元、中央控制器、转向执行机构和人机交互模块组成，并可根据用户的指令将车辆自动停到指定停车位。在车辆进行控制的过程中，车辆前方路段的坡度信息对自主控制车辆而言是十分重要的。
发明内容
本申请提供了一种车辆的控制方法、车辆的控制装置、车辆以及存储介质。
根据第一方面，提供了一种车辆的控制方法，包括：获取车辆前方的当前图像，并获取车辆的泊车轨迹路径；
获取与泊车轨迹路径对应的深度卷积神经网络模型；将当前图像输入到深度卷积神经网络模型，以获取车辆前方路段的坡度信息；根据坡度信息，确定车辆的纵向加速度；以及
根据纵向加速度对车辆进行控制。
根据第二方面，提供了一种车辆的控制装置，包括：
第一获取模块，用于获取车辆前方的当前图像，并获取车辆的泊车轨迹路径；
第二获取模块，用于获取与泊车轨迹路径对应的深度卷积神经网络模型；第三获取模块，用于将当前图像输入到深度卷积神经网络模型，以获取车辆前方路段的坡度信息；
第一确定模块，用于根据坡度信息，确定车辆的纵向加速度；控制模块，用于根据纵向加速度对车辆进行控制。
根据第三方面，提供了一种车辆，包括：
至少一个处理器；
以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本申请第一方面的车辆的控制方法。
根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行本申请第一方面的车辆的控制方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请第一实施例的示意图；
图2是根据本申请第二实施例的示意图；
图3是根据本申请第三实施例的示意图；
图4是根据本申请第四实施例的示意图；
图5是根据本申请第五实施例的示意图；
图6是根据本申请第六实施例的示意图；
图7是用来实现本申请实施例的车辆的控制方法的车辆的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
为了解决在相关技术的自主泊车系统中，通常通过车辆加装惯性测量单元(Inertial measurement unit，IMU)或者高精地图来获取坡度，并根据坡度对车辆进行控制。但是，IMU的成本相对于整个泊车系统而言较高，高精地图针对成本更高且维护成本也高。
下面参考附图描述根据本申请实施例的车辆的控制方法、装置、车辆以及存储介质。
图1是根据本申请一个实施例的车辆的控制方法的流程图。需要说明的是，本申请实施例的车辆的控制方法可应用于本申请实施例的车辆的控制装置，该装置可设置在车辆中，或与车辆进行通信，并对其进行控制的电子设备，电子设备可以包括终端设备或者服务器。
S101、获取车辆前方的当前图像，并获取车辆的泊车轨迹路径。
在本申请的实施例中，在使用车辆的过程中，在用户自主泊车需求时，用户可通过触发车辆中的与自主泊车功能对应的控件来触发车辆的自主泊车功能，对应地，在车辆中的自主泊车功能触发后，可通过车辆中的图像采集模块采集车辆前方的当前图像，例如，图像采集模块为摄像头，车辆中的摄像头可安装在车辆挡风玻璃上，可通过车辆中挡风玻璃上的摄像头实时采集车辆前方的当前图像，以便获取车辆前方的当前图像。
在本申请的另一些实施例中，在用户需要车辆从指定的停车位自动驾驶到指定地点时，用户可通过智能终端对车辆发送对应控制指令，对应地，车辆接收控制指令，并响应该控制指令，通过车辆中的图像采集模块采集车辆前方的当前图像，并基于所获取的当前图像进行后续控制。
其中，车辆前方的当前图像可以是拍摄的照片图像，也可以是拍摄的视频图像。
其中，需要理解的是，本实施例中车辆中除了安装在挡风玻璃上的摄像头外，也可以使用在车辆的其他位置上设置的摄像头，无论车前、车侧，甚至车尾。
在本申请的实施例中，泊车轨迹路径是通过采集与当前车辆相匹配的车辆数据，之后依据车辆数据，生成泊车轨迹路径。
具体而言，可采集与当前车辆相匹配的车辆数据，通过其内部的轨迹规划算法，生成泊车轨迹路径，从而可获取车辆的泊车轨迹。
其中，采集与当前车辆相匹配的车辆数据是指收集车辆上摄像头、超声波雷达等传感器采集到的车辆数据。
在本申请一个实施例中，还可通过车辆中图像采集模块实时采集车辆行驶视频，可从行驶视频中获取车辆的泊车轨迹视频，以便从泊车轨迹视频中确定泊车轨迹路径。
S102、获取与泊车轨迹路径对应的深度卷积神经网络模型。
在本实施例中，可根据已保存的各个泊车轨迹路径与深度卷积神经网络模型之间的对应关系，获取与该泊车轨迹路径对应的深度卷积神经网络模型。
其中，本实施例中泊车轨迹路径对应的深度卷积神经网络模型是基于泊车轨迹路径中每个样本轨迹点所对应的图像以及每个样本轨迹点的坡度信息对初始的神经网络模型进行训练而得到的。
S103、将当前图像输入到深度卷积神经网络模型，以获取车辆前方路段的坡度信息。
其中，坡度信息包括但不仅限于坡度类型以及坡度值，坡度类型包括上坡、下坡等。
举例而言，在车辆进行自主泊车的过程中，可实时获取到车辆的当前图像，可将车辆的当前图像输入到泊车轨迹路径对应的深度卷积神经网络模型中，以通过深度卷积网络模型基于轨迹路径对应的坡度信息，可获取车辆前方路段的坡度信息。
S104、根据坡度信息，确定车辆的纵向加速度。
具体地，在获取车辆前方路段的坡度信息后，可使用车辆对应的初始纵向加速度，其中，车辆对应的初始纵向加速度可实时获取，也可周期性获取，并基于坡度信息对车辆的初始纵向加速度进行调整，以得到车辆的纵向加速度。
其中，初始纵向加速度是指车辆即将进入带坡度路段前的纵向加速度，即，车辆在进入带坡路段上对应的加速度取值。
可以理解地是，可以基于坡度信息中的坡度类型以及坡度值对车辆的初始加速进行调整。其中，对于上坡路段，其对应的坡度越大，车辆的纵向加速度较大。对于下坡路段，下坡路段对应的坡度越大，车辆的纵向加速度较小。
S105、根据纵向加速度对车辆进行控制。
具体地，在基于前方路段的坡度信息确定出车辆的纵向加速度后，可基于所确定出的纵向加速度对车辆进行驾驶控制，从而使得车辆基于所确定出的纵向加速度通过车辆前方路段。
根据本申请实施例的车辆的控制方法，在车辆进行控制的过程中，实时获取车辆前方的当前图像，并获取车辆的泊车轨迹路径，之后获取与泊车轨迹路径对应的深度卷积神经网络模型，然后将当前图像输入到深度卷积神经网络模型，以获取车辆前方路段的坡度信息，根据坡度信息，确定车辆的纵向加速度，最后根据纵向加速度对车辆进行控制。通过将当前图像输入至泊车轨迹路径对应的深度卷积神经网络模型，以得到坡度信息，以便根据坡度信息确定纵向加速度，从而根据纵向加速度实现对车辆的控制。避免了通过惯性测量单元或高精地图获取坡度信息，导致获取坡度成本高且维护成本高的问题，从而降低了车辆获取坡度的成本。
为了使本领域的技术人员更容易理解本申请，图2是根据本申请一个具体实施例的车辆的控制方法的流程图。如2所示，该车辆的控制方法可以包括：
S201、获取车辆前方的当前图像，并获取车辆的泊车轨迹路径。
举例而言，车辆中的图像采集模块可安装在车辆挡风玻璃中的摄像头中。在接收到自主泊车请求时，可通过车辆中挡风玻璃上的摄像头实时采集车辆前方的当前图像，以便车辆获取车辆前方的当前图像。
举例而言，可通过点击自主泊车按钮，也可通过输入“请自主泊车”语音指令，以便接收自主泊车请求。
在本申请的实施例中，可获取车辆的当前位置，以及根据当前位置，确定车辆的泊车轨迹路径。
其中，可通过车辆中的定位系统定位车辆的当前位置，以便获取车辆的当前位置。
具体而言，在获取到车辆的当前位置，可确定车辆的当前位置所属于的泊车轨迹路径，并将车辆的当前位置所属于的泊车轨迹路径作为车辆当前的泊车轨迹路径。其中，泊车轨迹路径可理解为车辆的当前位置到泊车车位位置的路径。
其中，在本申请的实施例中，泊车车位可预先设置。
作为一种可能实现的方式，可通过车辆中的采集模块采集车辆的行车轨迹视频，并从行车轨迹视频中，基于泊车轨迹的特征，获取泊车轨迹视频，从而可获取泊车轨迹视频中的泊车轨迹路径。
作为另一种可能实现的方式，可通过车载GPS(Global Positioning System，全球定位系统)系统实时采集车辆的行车轨迹，并进行保存，将保存的行车轨迹导成kml或是gpx格式数据加载到虚拟地图仪软件，从而可获取车辆的泊车轨迹路径。
其中，虚拟地图软件是由把卫星照片、航空照相和GIS(Geographic InformationSystem，地理信息系统)布置在一个地球的三维模型上，例如，虚拟地图软件可为GoogleEarth(谷歌地球)。
S202、获取泊车轨迹路径中多个样本轨迹点各自对应的图像帧。
其中，泊车轨迹路径中可包括多条路径，每条路径有对应路段，例如，上坡路段、下车路段等，每个路段包括多个轨迹点。
也就是说，获取到车辆的泊车轨迹路径，其中，泊车轨迹路径中包括多个轨迹点，可获取车轨迹路径中多个样本轨迹点各自对应的图像帧。其中，图像帧指示的是车辆的行驶场景信息。
S203、根据每个样本轨迹点，获取每个图像帧各自对应的坡度信息。
在本申请的实施例中，获取到多个样本轨迹点各自对应的图像帧后，可获取每个图像帧对应的相机参数，之后根据每个图像帧以及每个图像帧对应的相机参数进行三维建模，以得到三维模型，然后根据每个图像帧对应的相机参数，分别确定每个样本轨迹点在三维模型的空间位置，根据每个样本轨迹点在三维模型的空间位置，确定每个样本轨迹点的坡度信息，然后将每个样本轨迹点的坡度信息作为对应图像帧对应的坡度信息。具体地实现过程可参考后续实施例。
S204、根据每个图像帧和对应的坡度信息，对初始的深度卷积神经网络模型进行训练，以得到深度卷积神经网络模型。
举例而言，可将图像帧对应的坡度信息作为标签，根据每个图像帧和坡度信息标签，对初始的深度卷积神经网络模型进行训练，以便得到训练后的深度卷积神经网络模型。
本实施例中，为了使得与泊车轨迹路径对应的深度卷积神经网络模型，可基于采集的当前图像，准确确定出车辆前方路段的坡度信息，在使用该深度卷积神经网络模型之前，结合该泊车轨迹路径上多个样本轨迹点的图像帧以及图像帧对应的坡度信息，对初始的深度卷积神经网络模型进行训练，从而使得训练后的深度卷积神经网络模型，后续可基于图像准确确定出车辆前方路段的坡度信息。
S205、获取与泊车轨迹路径对应的深度卷积神经网络模型。
S206、将当前图像输入到深度卷积神经网络模型，以获取车辆前方路段的坡度信息。
具体地，可将车辆的当前图像输入至训练好的深度卷积神经网络模型，其中，车辆的当前图像中可包括多个路段，每个路段包括多个图像帧，深度卷积神经网络模型可基于图像帧对应的坡度信息，输出多个图像帧对应的坡度信息，从而可获取车辆前方路段的坡度信息。
S207、获取为车辆设置的目标速度，并获取车辆的当前速度。
其中，可预先设置车辆的目标速度，也可将车辆行驶中的历史速度中出现次数较多的速度作为车辆的目标速度。
举例而言，可在检测到车辆进入泊车模式时，获取车辆的当前速度。
其中，在检测到泊车按钮被按下的信息时，通过CAN指令将该信息发送至泊车控制器，以使车辆的泊车控制器控制车辆进入泊车模式，在检测到车辆进入泊车模式时，获取车辆的当前车速。
其中，可通过车速传感器直接地实时获取车辆的当前速度，也可以通过CAN(Controller Area Network，控制器局域网络)总线读取车辆发动机数据从而获取车辆当前速度；还可以通过读取仪表盘数据,如获取仪表盘图像数据，再从该仪表盘图像数据中提取车辆的当前速度。
S208、根据目标速度和当前速度，确定车辆的初始纵向加速度。
举例而言，可以根据公式ax＝Δv/Δt＝(vn-vn-1)/Δt，获取车辆的纵向加速度ax。其中，Δt为从当前速度行驶至目标速度所需的时间，vn为预行驶路径目标的速度，vn-1为预行驶路径当前的速度。
S209、根据坡度信息，对初始纵向加速度进行修正，以得到车辆的纵向加速度。
举例而言，坡度类型为上坡路段时，需要的加速度较大，即对初始纵向加速度进行修正，已得到修正后的纵向加速度；坡度类型为下坡路段时，需要的加速度较小，即对初始纵向加速进行修正，以得到修正后的纵向加速度。
S210、根据纵向加速度对车辆进行控制。
具体地，在基于前方路段的坡度信息确定出车辆的纵向加速度后，可基于所确定出的纵向加速度对车辆进行驾驶控制，从而使得车辆基于所确定出的纵向加速度通过车辆前方路段。
根据本申请实施例的车辆的控制方法，在车辆进行自主泊车的过程中，获取车辆前方的当前图像，并获取车辆的泊车轨迹路径，之后获取泊车轨迹路径中多个样本轨迹点各自对应的图像帧，根据每个样本轨迹点，获取每个图像帧各自对应的坡度信息，根据每个图像帧和对应的坡度信息，对初始的深度卷积神经网络模型进行训练，以得到深度卷积神经网络模型，然后将当前图像输入到深度卷积神经网络模型，以获取车辆前方路段的坡度信息，之后通过确定车辆的纵向加速度，实现对车辆的控制。该方法基于三维建模实现对深度卷积神经网络模型进行训练，通过将当前图像输入至训练好的的深度卷积神经网络模型，以得到坡度信息，并根据目标速度和当前速度，确定车辆的初始纵向加速度，且对初始纵向加速度进行修正，从而根据纵向加速度实现对车辆的控制。避免了通过惯性测量单元或高精地图获取坡度信息，导致获取坡度成本高且维护成本高的问题，使得获取到的坡度信息更精准，且降低了车辆获取坡度的成本。
其中，在本申请的实施例中，如图3所示，根据每个样本轨迹点，获取每个图像帧各自对应的坡度信息的具体实现方式可如下：
S301、获取每个图像帧对应的相机参数。
其中，相机参数信息包括下述中至少一种：外参、内参、畸变参数。
在本申请的实施例中，可获取每个图像帧的至少一个特征点，对各图像帧的特征点进行匹配，得到与每个图像帧匹配的至少一个其他图像帧，形成图像对，之后根据特征点在图像对中的各图像帧中的位置信息，求解基础矩阵，可获取各图像帧对应的相机参数。
具体地，特征点是图像帧中的一些特殊点，具有一些特殊的属性，通过利用特征点来描述图像中的关键信息。图像特征主要包括线条特征，角点特征等，不同的特征可以用不同的特征描述符来进行描述。可以采用不同的特征提取算法来检测图像帧中的特征点，例如：采用SIFT算法获取图像帧中的SIFT(英文全称：Scale-invariant feature transform，中文全称：尺度不变特征变换)特征点。SIFT特征点鲁棒性较好，具有尺度和旋转不变性。
之后，每个图像帧的特征点提取出来后，可以根据各图像帧中的特征点进行匹配，找到一个图像帧中的特征点在另一个图像帧中的对应特征点，将这些图像帧形成图像对。
然后，在进行上述特征点匹配之后，针对形成的图像对，根据特征点在图像对中各图像帧的位置信息进行矩阵计算，例如：进行内参矩阵、外参矩阵的计算，可以得到各图像帧对应的外参和内参。
S302、根据每个图像帧以及每个图像帧对应的相机参数进行三维建模，以得到三维模型。
可以理解的，根据每个图像帧，对行驶场景进行三维重建的过程，可以采用现有的三维重建的方法，例如：基于SFM(英文全称：Struct From Motion，中文全称：运动恢复结构)算法的三维重建。当然，还可以采用其他的三维重建算法，本实施例对比并不作具体限定。本实施例仅以基于SFM的三维重建过程为例进行描述。
其中，SFM算法包括：特征提取、特征匹配、矩阵计算、三维重建等步骤。
对于每个图像帧中每个特征点，根据该特征点在图像对中的各图像帧中的位置信息，以及各图像帧的外参、内参，计算得到该特征点对应的三维点的位置，多个三维点就构成了三维模型。
S303、根据每个图像帧对应的相机参数，分别确定每个样本轨迹点在三维模型的空间位置。
具体地，可根据三维模型，以及每个图像帧对应的相机参数，可以确定每个样本轨迹点在三维模型的空间位置。
另一种可选的实施方式中，为了简化计算过程，可以将三维模型中相机位置垂直投影到路面的位置，作为车辆在三维模型中的位置。具体的，根据三维模型以及每个图像帧的相机参数，获取到该图像帧的拍摄时刻相机在三维模型中的位置后，在三维模型中找到路面的位置，并将三维模型中的相机位置垂直移动到路面，得到车辆在三维模型中的位置。
S304、根据每个样本轨迹点在三维模型的空间位置，确定每个样本轨迹点的坡度信息。
在本实施例中，在确定每个样本轨迹点在三维模型的空间位置后，可根据每个样本轨迹点在三维模型的空间位置，确定每个样本轨迹点的坡度信息。
S305、将每个样本轨迹点的坡度信息作为对应图像帧对应的坡度信息。
由此可知，本实施例通过三维建模，可实现获取每个图像帧各自对应的坡度信息，使得获取到的坡度信息更精准，进而可提高基于该坡度信息所训练出的深度卷积神经网络模型的准确性，方便后续可基于该深度卷积神经网络模型准确确定出对应图像所对应的坡度信息。
与上述几种实施例提供的车辆的控制方法相对应，本申请的一种实施例还提供一种车辆的控制装置，由于本申请实施例提供的车辆的控制装置与上述几种实施例提供的车辆的控制方法相对应，因此在车辆的控制方法的实施方式也适用于本实施例提供的车辆的控制装置，在本实施例中不再详细描述。图4～图6是根据本申请一个实施例的车辆的控制装置的结构示意图。
如图4所示，该车辆的控制装置400包括：第一获取模块401、第二获取模块402、第三获取模块403、第一确定模块404和控制模块405。其中：
第一获取模块401用于获取车辆前方的当前图像，并获取车辆的泊车轨迹路径；作为一种示例，第一获取模块401包括：第一获取单元，用于获取车辆的当前位置；以及第一确定单元，用于根据当前位置，确定车辆的泊车轨迹路径。
第二获取模块402用于获取与泊车轨迹路径对应的深度卷积神经网络模型。
第三获取模块403用于将当前图像输入到深度卷积神经网络模型，以获取车辆前方路段的坡度信息。
第一确定模块404用于根据坡度信息，确定车辆的纵向加速度；作为一种示例，第一确定模块404用于根据坡度信息，对初始纵向加速度进行修正，以得到车辆的纵向加速度。
控制模块405用于根据纵向加速度对车辆进行控制。
根据本申请实施例的车辆的控制装置，获取车辆前方的当前图像，并获取车辆的泊车轨迹路径，之后获取与泊车轨迹路径对应的深度卷积神经网络模型，然后将当前图像输入到深度卷积神经网络模型，以获取车辆前方路段的坡度信息，根据坡度信息，确定车辆的纵向加速度，最后根据纵向加速度对车辆进行控制。通过将当前图像输入至泊车轨迹路径对应的深度卷积神经网络模型，以得到坡度信息，以便根据坡度信息确定纵向加速度，从而根据纵向加速度实现对车辆的控制。避免了通过惯性测量单元或高精地图获取坡度信息，导致获取坡度成本高且维护成本高的问题，降低了车辆获取坡度的成本。
根据本申请的一个实施例，图5中501至505与图4中401至405具有相同功能和结构，如图5所示，在第二获取模块502之前，装置还包括：第五获取模块506，用于获取泊车轨迹路径中多个样本轨迹点各自对应的图像帧；第六获取模块507，用于根据每个样本轨迹点，获取每个图像帧各自对应的坡度信息；第七获取模块508，用于根据每个图像帧和对应的坡度信息，对初始的深度卷积神经网络模型进行训练，以得到深度卷积神经网络模型。
在本申请的实施例中，第六获取模块507包括：第二获取单元，用于获取每个图像帧对应的相机参数；第三获取单元，用于根据每个图像帧以及每个图像帧对应的相机参数进行三维建模，以得到三维模型；第二确定单元，用于根据每个图像帧对应的相机参数，分别确定每个样本轨迹点在三维模型的空间位置；第三确定单元，用于根据每个样本轨迹点在三维模型的空间位置，确定每个样本轨迹点的坡度信息；第四确定单元，用于将每个样本轨迹点的坡度信息作为对应图像帧对应的坡度信息。
根据本申请的一个实施例，图6中601至608与图5中501至508具有相同功能和结构，如图6所示，在第一确定模块604之前，装置还包括：第四获取模块609，用于获取为车辆设置的目标速度，并获取车辆的当前速度；第二确定模块610，用于根据目标速度和当前速度，确定车辆的初始纵向加速度。
根据本申请的实施例，本申请还提供了一种车辆和一种可读存储介质。
如图7所示，是根据本申请实施例的用以实现车辆的控制方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示，该车辆包括：一个或多个处理器701、存储器702，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的车辆的控制方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的车辆的控制方法。
存储器702作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的车辆的控制方法对应的程序指令/模块(例如，附图4所示的第一获取模块401、第二获取模块402、第三获取模块403、第一确定模块404和控制模块405)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的车辆的控制方法。
存储器702可以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、至少一个功能所需要的应用程序；存储数据区可存储根据车辆的控制的车辆的使用所创建的数据等。此外，存储器702可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至车辆的控制的车辆。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。
用以实现车辆的控制方法的车俩还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息，以及产生与车辆的控制的车辆的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，获取车辆前方的当前图像，并获取车辆的泊车轨迹路径，之后获取与泊车轨迹路径对应的深度卷积神经网络模型，然后将当前图像输入到深度卷积神经网络模型，以获取车辆前方路段的坡度信息，根据坡度信息，确定车辆的纵向加速度，最后根据纵向加速度对车辆进行控制。通过将当前图像输入至泊车轨迹路径对应的深度卷积神经网络模型，以得到坡度信息，以便根据坡度信息确定纵向加速度，从而根据纵向加速度实现对车辆的控制。避免了通过惯性测量单元或高精地图获取坡度信息，导致获取坡度成本高且维护成本高的问题，降低了车辆获取坡度的成本。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (12)

1.一种车辆的控制方法，包括：
获取车辆前方的当前图像，并获取所述车辆的泊车轨迹路径；
获取与所述泊车轨迹路径对应的深度卷积神经网络模型；
将所述当前图像输入到所述深度卷积神经网络模型，以获取所述车辆前方路段的坡度信息；
根据所述坡度信息，确定所述车辆的纵向加速度；以及
根据所述纵向加速度对所述车辆进行控制。
2.根据权利要求1所述的方法，其中，所述获取所述车辆的泊车轨迹路径，包括：
获取所述车辆的当前位置；以及
根据所述当前位置，确定所述车辆的泊车轨迹路径。
3.根据权利要求1所述的方法，在所述根据所述坡度信息，确定所述车辆的纵向加速度之前，所述方法还包括：
获取为所述车辆设置的目标速度，并获取所述车辆的当前速度；
根据所述目标速度和所述当前速度，确定所述车辆的初始纵向加速度；
所述根据所述坡度信息，确定所述车辆的纵向加速度，包括：
根据所述坡度信息，对所述初始纵向加速度进行修正，以得到所述车辆的纵向加速度。
4.根据权利要求1所述的方法，在所述获取与所述泊车轨迹路径对应的深度卷积神经网络模型之前，所述方法还包括：
获取所述泊车轨迹路径中多个样本轨迹点各自对应的图像帧；
根据每个所述样本轨迹点，获取每个所述图像帧各自对应的坡度信息；
根据每个所述图像帧和对应的坡度信息，对初始的深度卷积神经网络模型进行训练，以得到所述深度卷积神经网络模型。
5.根据权利要求4所述的方法，其中，所述根据每个所述样本轨迹点，获取每个所述图像帧各自对应的坡度信息，包括：
获取每个所述图像帧对应的相机参数；
根据每个所述图像帧以及每个所述图像帧对应的相机参数进行三维建模，以得到三维模型；
根据每个所述图像帧对应的相机参数，分别确定每个所述样本轨迹点在所述三维模型的空间位置；
根据每个所述样本轨迹点在所述三维模型的空间位置，确定每个所述样本轨迹点的坡度信息；
将每个所述样本轨迹点的坡度信息作为对应图像帧对应的坡度信息。
6.一种车辆的控制装置，包括：
第一获取模块，用于获取车辆前方的当前图像，并获取所述车辆的泊车轨迹路径；
第二获取模块，用于获取与所述泊车轨迹路径对应的深度卷积神经网络模型；
第三获取模块，用于将所述当前图像输入到所述深度卷积神经网络模型，以获取所述车辆前方路段的坡度信息；
第一确定模块，用于根据所述坡度信息，确定所述车辆的纵向加速度；以及
控制模块，用于根据所述纵向加速度对所述车辆进行控制。
7.根据权利要求6所述的装置，其中，第一获取模块，包括：
第一获取单元，用于获取所述车辆的当前位置；以及
第一确定单元，用于根据所述当前位置，确定所述车辆的泊车轨迹路径。
8.根据权利要求6所述的装置，在第一确定模块之前，所述装置还包括：
第四获取模块，用于获取为所述车辆设置的目标速度，并获取所述车辆的当前速度；
第二确定模块，用于根据所述目标速度和所述当前速度，确定所述车辆的初始纵向加速度；
所述第一确定模块，用于根据所述坡度信息，对所述初始纵向加速度进行修正，以得到所述车辆的纵向加速度。
9.根据权利要求6所述的装置，在第二获取模块之前，所述方法还包括：
第五获取模块，用于获取所述泊车轨迹路径中多个样本轨迹点各自对应的图像帧；
第六获取模块，用于根据每个所述样本轨迹点，获取每个所述图像帧各自对应的坡度信息；
第七获取模块，用于根据每个所述图像帧和对应的坡度信息，对初始的深度卷积神经网络模型进行训练，以得到所述深度卷积神经网络模型。
10.根据权利要求9所述的装置，其中，第六获取模块，包括：
第二获取单元，用于获取每个所述图像帧对应的相机参数；
第三获取单元，用于根据每个所述图像帧以及每个所述图像帧对应的相机参数进行三维建模，以得到三维模型；
第二确定单元，用于根据每个所述图像帧对应的相机参数，分别确定每个所述样本轨迹点在所述三维模型的空间位置；
第三确定单元，用于根据每个所述样本轨迹点在所述三维模型的空间位置，确定每个所述样本轨迹点的坡度信息；
第四确定单元，用于将每个所述样本轨迹点的坡度信息作为对应图像帧对应的坡度信息。
11.一种车辆，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的车辆的控制方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的车辆的控制方法。
CN202010605325.8A 2020-06-29 2020-06-29 车辆的控制方法、装置及车辆 Active CN111959495B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202010605325.8A CN111959495B (zh) 2020-06-29 2020-06-29 车辆的控制方法、装置及车辆
EP21164626.0A EP3893148A1 (en) 2020-06-29 2021-03-24 Method and device for controlling vehicle, and vehicle
US17/235,515 US20210237717A1 (en) 2020-06-29 2021-04-20 Method for controlling vehicle, and vehicle
JP2021099563A JP7204823B2 (ja) 2020-06-29 2021-06-15 車両制御方法、車両制御装置及び車両
KR1020210082939A KR102564430B1 (ko) 2020-06-29 2021-06-25 차량의 제어 방법, 장치 및 차량

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010605325.8A CN111959495B (zh) 2020-06-29 2020-06-29 车辆的控制方法、装置及车辆

Publications (2)

Publication Number Publication Date
CN111959495A true CN111959495A (zh) 2020-11-20
CN111959495B CN111959495B (zh) 2021-11-12

Family

ID=73360949

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010605325.8A Active CN111959495B (zh) 2020-06-29 2020-06-29 车辆的控制方法、装置及车辆

Country Status (5)

Country Link
US (1) US20210237717A1 (zh)
EP (1) EP3893148A1 (zh)
JP (1) JP7204823B2 (zh)
KR (1) KR102564430B1 (zh)
CN (1) CN111959495B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112721916A (zh) * 2020-12-29 2021-04-30 广州小鹏自动驾驶科技有限公司 一种泊车的控制方法和装置
CN112758085A (zh) * 2021-01-28 2021-05-07 重庆长安汽车股份有限公司 变坡道自动泊车速度控制方法、系统、车辆及存储介质

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114043999B (zh) * 2021-11-03 2024-04-16 广州小鹏自动驾驶科技有限公司 一种车辆的纵向控制方法和装置
CN114083533B (zh) * 2021-11-09 2024-04-09 广州富港生活智能科技有限公司 一种基于机械臂的数据处理方法及装置
CN115331478A (zh) * 2022-08-11 2022-11-11 富赛汽车电子有限公司 避免车辆在斜坡停车的控制方法、装置、电子设备及介质
CN115798098A (zh) * 2023-01-30 2023-03-14 中海油能源物流有限公司 一种物流园区车辆智能管控方法
CN116740682B (zh) * 2023-08-14 2023-10-27 禾昆科技(北京)有限公司 车辆泊入路线信息生成方法、装置、电子设备和可读介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108345831A (zh) * 2017-12-28 2018-07-31 新智数字科技有限公司 基于点云数据的道路图像分割的方法、装置以及电子设备
US10106153B1 (en) * 2018-03-23 2018-10-23 Chongqing Jinkang New Energy Vehicle Co., Ltd. Multi-network-based path generation for vehicle parking
CN108717536A (zh) * 2018-05-28 2018-10-30 深圳市易成自动驾驶技术有限公司 驾驶教学与评分方法、设备及计算机可读存储介质
CN109147048A (zh) * 2018-07-23 2019-01-04 复旦大学 一种利用单张彩色图的三维网格重建方法
CN109693672A (zh) * 2018-12-28 2019-04-30 百度在线网络技术（北京）有限公司 用于控制无人驾驶汽车的方法和装置
CN109858309A (zh) * 2017-11-30 2019-06-07 东软集团股份有限公司 一种识别道路线的方法和装置
CN110084091A (zh) * 2018-01-26 2019-08-02 福特全球技术公司 用于车辆的认知映射
CN110232820A (zh) * 2019-05-20 2019-09-13 北京世纪高通科技有限公司 一种路况预测模型的建立方法及装置
US20190299978A1 (en) * 2018-04-03 2019-10-03 Ford Global Technologies, Llc Automatic Navigation Using Deep Reinforcement Learning
CN110341715A (zh) * 2019-07-24 2019-10-18 北京智行者科技有限公司 无人车坡道速度控制方法及装置
CN110826458A (zh) * 2019-10-31 2020-02-21 河海大学 一种基于深度学习的多光谱遥感图像变化检测方法及系统
US20200101969A1 (en) * 2018-09-28 2020-04-02 Intel Corporation Vehicle controller and method for controlling a vehicle
CN111311538A (zh) * 2019-12-28 2020-06-19 北京工业大学 一种基于卷积神经网络的多尺度轻量化道路路面检测方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08318765A (ja) * 1995-05-25 1996-12-03 Hitachi Ltd 情報化自動車制御装置及び方法
US8370032B2 (en) 2007-07-12 2013-02-05 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for shift control for vehicular transmission
JP5473304B2 (ja) 2008-12-02 2014-04-16 三菱電機株式会社 遠隔地画像表示装置、遠隔操縦装置、車両制御装置、遠隔操縦システム、遠隔操縦方法、遠隔操縦プログラム、車両制御プログラム、遠隔地画像表示方法、遠隔地画像表示プログラム
DE112010003341T5 (de) * 2009-08-18 2012-07-26 Toyota Jidosha Kabushiki Kaisha Fahrzeugsteuersystem
KR101965829B1 (ko) * 2016-10-04 2019-08-13 엘지전자 주식회사 자동주차 보조장치 및 이를 포함하는 차량
CN108960426B (zh) 2018-07-09 2021-05-14 吉林大学 基于bp神经网络的道路坡度综合估计系统
KR20200042549A (ko) * 2018-10-15 2020-04-24 현대자동차주식회사 차량 및 그 제어방법
CN114144809A (zh) * 2019-05-30 2022-03-04 御眼视觉技术有限公司 通过摄像机进行交通工具环境建模

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109858309A (zh) * 2017-11-30 2019-06-07 东软集团股份有限公司 一种识别道路线的方法和装置
CN108345831A (zh) * 2017-12-28 2018-07-31 新智数字科技有限公司 基于点云数据的道路图像分割的方法、装置以及电子设备
CN110084091A (zh) * 2018-01-26 2019-08-02 福特全球技术公司 用于车辆的认知映射
US10106153B1 (en) * 2018-03-23 2018-10-23 Chongqing Jinkang New Energy Vehicle Co., Ltd. Multi-network-based path generation for vehicle parking
US10239521B1 (en) * 2018-03-23 2019-03-26 Chongqing Jinkang New Energy Vehicle Co., Ltd. Multi-network-based path generation for vehicle parking
US20190299978A1 (en) * 2018-04-03 2019-10-03 Ford Global Technologies, Llc Automatic Navigation Using Deep Reinforcement Learning
CN108717536A (zh) * 2018-05-28 2018-10-30 深圳市易成自动驾驶技术有限公司 驾驶教学与评分方法、设备及计算机可读存储介质
CN109147048A (zh) * 2018-07-23 2019-01-04 复旦大学 一种利用单张彩色图的三维网格重建方法
US20200101969A1 (en) * 2018-09-28 2020-04-02 Intel Corporation Vehicle controller and method for controlling a vehicle
CN109693672A (zh) * 2018-12-28 2019-04-30 百度在线网络技术（北京）有限公司 用于控制无人驾驶汽车的方法和装置
CN110232820A (zh) * 2019-05-20 2019-09-13 北京世纪高通科技有限公司 一种路况预测模型的建立方法及装置
CN110341715A (zh) * 2019-07-24 2019-10-18 北京智行者科技有限公司 无人车坡道速度控制方法及装置
CN110826458A (zh) * 2019-10-31 2020-02-21 河海大学 一种基于深度学习的多光谱遥感图像变化检测方法及系统
CN111311538A (zh) * 2019-12-28 2020-06-19 北京工业大学 一种基于卷积神经网络的多尺度轻量化道路路面检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张淼等: "一种基于策略梯度强化学习的列车智能控制方法", 《铁道学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112721916A (zh) * 2020-12-29 2021-04-30 广州小鹏自动驾驶科技有限公司 一种泊车的控制方法和装置
CN112758085A (zh) * 2021-01-28 2021-05-07 重庆长安汽车股份有限公司 变坡道自动泊车速度控制方法、系统、车辆及存储介质

Also Published As

Publication number Publication date
KR20210089602A (ko) 2021-07-16
JP7204823B2 (ja) 2023-01-16
CN111959495B (zh) 2021-11-12
JP2021140822A (ja) 2021-09-16
US20210237717A1 (en) 2021-08-05
KR102564430B1 (ko) 2023-08-08
EP3893148A1 (en) 2021-10-13

Similar Documents

Publication Publication Date Title
CN111959495B (zh) 车辆的控制方法、装置及车辆
CN110556012B (zh) 车道定位方法及车辆定位系统
KR102382420B1 (ko) 차량 위치 결정 방법, 전자 기기 및 저장 매체
CN110377025A (zh) 用于自动驾驶车辆的传感器聚合框架
CN111220154A (zh) 车辆定位方法、装置、设备和介质
JP7287999B2 (ja) 測位方法及び装置、自動運転車両、電子機器、並びに記憶媒体
CN111998860B (zh) 自动驾驶定位数据校验方法、装置、电子设备及存储介质
US11698262B2 (en) Method and apparatus for generating route planning model, and storage medium
CN111220164A (zh) 定位方法、装置、设备及存储介质
CN111797187A (zh) 地图数据的更新方法、装置、电子设备和存储介质
CN110096053A (zh) 用于自动驾驶车辆的驾驶轨迹生成方法、系统和机器可读介质
CN110389580A (zh) 用于规划自动驾驶车辆的路径的漂移校正的方法
CN111666891B (zh) 用于估计障碍物运动状态的方法和装置
CN110794844B (zh) 自动驾驶方法、装置、电子设备及可读存储介质
CN113887400B (zh) 障碍物检测方法、模型训练方法、装置及自动驾驶车辆
CN111784835A (zh) 制图方法、装置、电子设备及可读存储介质
CN112147632A (zh) 车载激光雷达感知算法的测试方法、装置、设备和介质
CN113819910A (zh) 车辆导航中高架桥区识别方法及其装置
CN110389582A (zh) 利用多个线索跟踪对象
CN111721305B (zh) 定位方法和装置、自动驾驶车辆、电子设备和存储介质
CN111597986A (zh) 用于生成信息的方法、装置、设备和存储介质
CN111783611B (zh) 无人车的定位方法、装置、无人车及存储介质
CN115556769A (zh) 障碍物状态量确定方法及装置、电子设备和介质
CN116762094A (zh) 数据处理方法和设备
CN116883504B (zh) 车辆朝向的校准方法、装置、计算机设备及存储介质

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
TA01 Transfer of patent application right

Effective date of registration: 20211013

Address after: 105 / F, building 1, No. 10, Shangdi 10th Street, Haidian District, Beijing 100085

Applicant after: Apollo Intelligent Technology (Beijing) Co.,Ltd.

Address before: 2 / F, baidu building, 10 Shangdi 10th Street, Haidian District, Beijing 100085

Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant