CN112277951B - 车辆感知模型生成方法、车辆自动驾驶控制方法及装置 - Google Patents
车辆感知模型生成方法、车辆自动驾驶控制方法及装置 Download PDFInfo
- Publication number
- CN112277951B CN112277951B CN202011180300.4A CN202011180300A CN112277951B CN 112277951 B CN112277951 B CN 112277951B CN 202011180300 A CN202011180300 A CN 202011180300A CN 112277951 B CN112277951 B CN 112277951B
- Authority
- CN
- China
- Prior art keywords
- level
- automatic driving
- vehicle
- model
- perception
- 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
- 230000008447 perception Effects 0.000 title claims abstract description 221
- 238000000034 method Methods 0.000 title claims abstract description 95
- 238000004088 simulation Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 230000007613 environmental effect Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 230000004888 barrier function Effects 0.000 description 6
- 230000003068 static effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- 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
-
- 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
-
- 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
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
-
- 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
- B60W2556/00—Input parameters relating to data
- B60W2556/35—Data fusion
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开的实施例公开了车辆感知模型生成方法、车辆自动驾驶控制方法及装置,涉及自动驾驶技术领域,主要目的在于将车辆的感知数据整理为结构清晰的数据,从而实现车辆的自动驾驶具备升降级能力。本公开的实施例的主要技术方案包括:根据车辆周围环境的感知数据,生成与自动驾驶相关的目标数据;基于具有多个层级的环境模型中的各层级,逐层对与自动驾驶相关的目标数据进行归并整理,形成感知模型;环境模型中的各层级分别具有其各自对应的自动驾驶级别,且从第一层级至最后一个层级的各层级之间具有设定的目标数据归并整理顺序,对于任意层级来说,其前一个层级归并整理到对应的目标数据后,才可归并整理其对应的目标数据。
Description
技术领域
本公开的实施例涉及自动驾驶控制技术领域,特别是涉及一种车辆感知模型生成方法、车辆自动驾驶控制方法及装置。
背景技术
随着科学技术的不断发展,自动驾驶技术越来越多的应用到车辆中。车辆自动驾驶需要依据车辆周围环境的感知数据完成。感知数据是通过车载传感系统提取车辆当前行驶环境中的车辆、行人、道路和交通标示而得,感知数据是车辆自动驾驶时,实现自动驾驶的路径规划和车辆行为控制的重要依据之一。
目前,车辆自动驾驶时,需要对车辆的感知数据进行处理,从而得到支撑自动驾驶的数据。但是现有技术采用感知算法对感知数据处理之后,得到支撑自动驾驶的数据杂乱无章,数据较为混乱。车辆的自动驾驶模块仅能在一个固定的自动驾驶级别下使用这些杂乱无章的数据进行自动驾驶控制。
发明内容
有鉴于此,本公开的实施例提出了一种车辆感知模型生成方法、车辆自动驾驶控制方法及装置,主要目的在于将车辆的感知数据整理为结构清晰的数据,从而实现车辆的自动驾驶具备升降级能力。主要技术方案包括:
第一方面,本公开的实施例提供了一种车辆感知模型生成方法,所述方法包括:
根据车辆周围环境的感知数据,生成与自动驾驶相关的目标数据;
基于具有多个层级的环境模型中的各层级,逐层对所述与自动驾驶相关的目标数据进行归并整理,形成感知模型;其中,所述环境模型中的各层级分别具有其各自对应的自动驾驶级别,且从第一层级至最后一个层级的各层级之间具有设定的目标数据归并整理顺序,对于任意层级来说,其前一个层级归并整理到对应的目标数据后,才可归并整理其对应的目标数据。
第二方面,本公开的实施例提供了一种车辆自动驾驶控制方法,所述方法包括:
获取指导车辆自动驾驶的感知模型,其中,所述感知模型中具有至少一个层级,且各层级分别具有其各自对应的自动驾驶级别和目标数据,所述感知模型是基于具有多个层级的环境模型中的各层级,逐层对与自动驾驶相关的目标数据进行归并整理而得;
基于所述感知模型对车辆进行自动驾驶控制。
第三方面,本公开的实施例提供了一种车辆感知模型生成装置,所述装置包括:
生成单元,用于根据车辆周围环境的感知数据,生成与自动驾驶相关的目标数据;
形成单元,用于基于具有多个层级的环境模型中的各层级,逐层对所述与自动驾驶相关的目标数据进行归并整理,形成感知模型;其中,所述环境模型中的各层级分别具有其各自对应的自动驾驶级别,且从第一层级至最后一个层级的各层级之间具有设定的目标数据归并整理顺序,对于任意层级来说,其前一个层级归并整理到对应的目标数据后,才可归并整理其对应的目标数据。
第四方面,本公开的实施例提供了一种车辆自动驾驶控制装置,所述装置包括:
获取单元,用于获取指导车辆自动驾驶的感知模型,其中,所述感知模型中具有至少一个层级,且各层级分别具有其各自对应的自动驾驶级别和目标数据,所述感知模型是基于具有多个层级的环境模型中的各层级,逐层对与自动驾驶相关的目标数据进行归并整理而得;
控制单元,用于基于所述感知模型对车辆进行自动驾驶控制。
第五方面,本公开的实施例提供了一种车辆,所述车辆包括:第三方面所述的车辆感知模型生成装置以及第四方面所述的车辆自动驾驶控制装置。
第六方面,本公开的实施例提供了一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行第一方面所述的感知模型生成方法或第二方面所述的车辆自动驾驶控制方法。
第七方面,本公开的实施例提供了一种人机交互装置,所述装置包括存储介质,及一个或者多个处理器,所述存储介质与所述处理器耦合,所述处理器被配置为执行所述存储介质中存储的程序指令;所述程序指令运行时执行第一方面所述的感知模型生成方法或第二方面所述的车辆自动驾驶控制方法。
本公开的实施例提供的车辆感知模型生成方法、车辆自动驾驶控制方法及装置,能够根据车辆周围环境的感知数据,生成与自动驾驶相关的目标数据。然后基于具有多个层级的环境模型中的各层级,逐层对与自动驾驶相关的目标数据进行归并整理,形成指导自动驾驶的感知模型。本公开实施例中的环境模型中的各层级分别具有其各自对应的自动驾驶级别,且从第一层级至最后一个层级的各层级之间具有设定的目标数据归并整理顺序,对于任意层级来说,其前一个层级归并整理到对应的目标数据后,才可归并整理其对应的目标数据。可见,指导自动驾驶的感知模型是基于具有多个层级的环境模型中的各层级逐层对与自动驾驶相关的目标数据归并整理而得,其能够将车辆的感知数据整理为结构清晰的数据。另外,该感知模型是与当前车辆周围环境的感知数据相适宜的模型,也就是说,指导车辆自动驾驶的感知模型并非是一成不变的,而是会基于车辆周围环境的感知数据进行相应的变化,从而能够实现车辆的自动驾驶功能具有升降级能力。
上述说明仅是本公开的实施例技术方案的概述,为了能够更清楚了解本公开的实施例的技术手段,而可依照说明书的内容予以实施,并且为了让本公开的实施例的上述和其它目的、特征和优点能够更明显易懂,以下特举本公开的实施例的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本公开的实施例的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本公开的实施例提供的一种车辆感知模型生成方法的流程图;
图2示出了本公开的实施例提供的另一种车辆感知模型生成方法的流程图;
图3示出了本公开的实施例提供的一种车辆自动驾驶控制方法的流程图;
图4示出了本公开的实施例提供的另一种车辆自动驾驶控制方法的流程图;
图5示出了本公开的实施例提供的一种车辆感知模型生成装置的组成框图;
图6示出了本公开的实施例提供的另一种车辆感知模型生成装置的组成框图;
图7示出了本公开的实施例提供的一种车辆自动驾驶控制装置的组成框图;
图8示出了本公开的实施例提供的另一种车辆自动驾驶控制装置的组成框图;
图9示出了本公开的实施例提供的一种车辆的组成框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
第一方面,本公开的实施例提供了一种车辆感知模型生成方法,如图1所示,所述方法主要包括:
101、根据车辆周围环境的感知数据,生成与自动驾驶相关的目标数据。
在实际应用中,车辆周围环境的感知数据的来源与车辆感知模型生成方法的具体应用场景有关,因此可以基于车辆感知模型生成方法的应用场景选用感知数据。感知数据的具体来源至少包括如下三种:
第一种,车辆感知模型生成方法的应用场景为车辆在道路上行驶时,则感知数据为车辆行驶时车辆中的传感器实时采集的车辆周围环境的感知数据。其中,该车辆中的传感器至少包括摄像头和各种雷达。
第二种,车辆感知模型生成方法的应用场景为车辆的仿真训练时,则感知数据为车辆周围环境的仿真数据。
第三种,车辆感知模型生成方法的应用场景为车辆驾驶场景的局部建图时,则感知数据为特定存储位置存储的车辆周围环境的离线数据。其中,该特定存储位置可以为云端,其存储的离线数据可以为特定车辆在行驶时上传的其周围环境的感知数据。
无论感知数据的来源如何,该感知数据均可由如下中的至少一种数据组成:道路数据、定位数据、车辆运动数据、车辆周围障碍物数据和预警数据。感知数据中包括的数据是车辆自动驾驶的依据,因此需要根据感知数据生成与自动驾驶相关的目标数据,以基于目标数据指导车辆进行自动驾驶。
下面对根据感知数据生成与自动驾驶相关的目标数据的具体过程进行说明,该过程可以为:采用预设的感知算法对感知数据进行感知、融合和定位处理,生成与自动驾驶相关的目标数据。其中,感知算法可以基于具体的业务要求选用,示例性的,apollo感知算法。与自动驾驶相关的目标数据可以包括车道线、障碍物、定位等数据,具体的,该与自动驾驶相关的目标数据与感知数据包括的原有数据有关,与自动驾驶相关的目标数据可以包括如下数据中的至少一种:车道线数据、地面箭头数据、停止线数据、交通牌数据、交通灯数据、道路场景数据、气候场景数据、地面曲率数据、动态事件数据、航线关键点数据、航向角数据、局部定位数据、经纬度数据、车辆朝向数据、摄像头数据、雷达数据、激光雷达数据、车身参数、车重、车速、方向盘转角、静态障碍物位置数据、动态障碍物的位置数据、动态障碍物的速度数据、动态障碍物的加速度数据、动态障碍物的预测轨迹数据、车辆可行驶区域数据、碰撞预警数据和偏离预警数据。
102、基于具有多个层级的环境模型中的各层级,逐层对所述与自动驾驶相关的目标数据进行归并整理,形成感知模型。
环境模型中预设有多个层级,且各层级分别具有其各自对应的自动驾驶级别。具体来说,环境模型各层级中的第一个层级的自动驾驶级别最低,最后一个层级的自动驾驶级别最高,第一个层级至最后一个层级之间的各层级的自动驾驶级别逐渐增高,自动驾驶级别越高则驾驶员参与驾驶的程度越低。
需要说明的是,环境模型中的层级的数量以及每一个层级对应的自动驾驶级别均可根据业务要求确定。示例性的,按照自动驾驶级别逐渐增高的顺序,环境模型中的多个层级包括有:自车层、道路层、障碍物层、定位层和语义层。其中,自车层对应的自动驾驶级别为L0,该级别为无自动驾驶,车辆的驾驶完全靠驾驶员手动操作。道路层对应的自动驾驶级别为L1,该级别为驾驶辅助,此级别下车辆仍由驾驶员控制,但车辆会具备一些简单初级的驾驶辅助功能,比如,定速巡航、自动泊车等。障碍物层对应的自动驾驶级别为L2,该级别为部分自动化行驶,在此级别下,车辆将会具备许多自动驾驶车辆的雏形功能,但驾驶员仍然需要主导车辆的行驶,一般这一级别的自动驾驶技术能拥有高速自动辅助驾驶、拥堵时的自动辅助驾驶,自动泊车和自动危险预警刹车等功能,在特定的情况下,驾驶员已经可以双手离开方向盘。定位层对应的自动驾驶级别为L3,该级别为有条件自动化行驶,在此级别下驾驶员可以手离开方向盘,但仍需驾驶员做好随时接手车辆控制权的准备。语义层对应的自动驾驶级别为L4,该级别为高度自动化驾驶,在此级别下,车辆的自动化系统完全可以替代驾驶员。
在实际应用中,环境模型中的各层级中,每一个层级均是以其前面的所有层级为基础,也就是说,一个层级的自动驾驶级别能够执行的前提条件为,该层级能够获取到对应的目标数据,且其前面的所有层级均需要获取到对应的目标数据。因此,为了在对与自动驾驶相关的目标数据进行归并整理时,能够准确的确定出指导自动驾驶的感知模型,则环境模型中的各层级需要具有设定的目标数据归并整理顺序。比如,环境模型中的各层级从第一层级至最后一个层级的各层级之间具有设定的目标数据归并整理顺序,对于任意层级来说,其前一个层级归并整理到对应的目标数据后,才可归并整理其对应的目标数据。
下面对基于具有多个层级的环境模型中的各层级,逐层对目标数据进行归并整理,形成指导自动驾驶的感知模型的过程进行说明,该过程具体包括如下步骤一至步骤四:
步骤一、判断是否接收到进入指定自动驾驶级别的指令;若接收到进入指定自动驾驶级别的指令时,执行步骤二;否则,执行步骤四。
在实际应用中,在车辆的用户有自动驾驶意愿时,可以根据自身的自动驾驶意愿向车辆下发进入指定自动驾驶级别的指令,该指令中包括有用户需求的自动驾驶级别。示例性的,用户想进入到自动驾驶级别为L2,则进入指定自动驾驶级别的指令中携带有L2。
若接收到进入指定自动驾驶级别的指令时,说明用户有控制车辆进入到指定自动驾驶级别的需求,为了满足用户的需求,则执行步骤二。
若未接收到进入指定自动驾驶级别的指令时,说明没有控制车辆进入到指定自动驾驶级别的需求,则形成与车辆当前感知数据相应的感知模型,依据感知模型控制车辆进入到与感知数据相应的自动驾驶级别即可,故执行步骤四。
步骤二、确定所述环境模型中与所述进入指定自动驾驶级别的指令相应的目标层级,并选取所目标层级及所述目标层级之前的各层级。
由于环境模型中不同层级对应不同的自动驾驶级别,因此在接收到进入指定自动驾驶级别的指令时,为了能够控制车辆进入到指定自动驾驶级别,需要从环境模型中确定出与指定驾驶级别相应的目标层级。在确定出目标层级之后,从环境模型中选取出目标层级以及目标层级之前的各层级,这些选取出的层级是形成指导车辆进入自动驾驶级别的感知模型的基础。
步骤三、从所选取的各层级中的第一个层级开始,依次将各所述层级作为当前层级,并执行步骤五。
由于指定自动驾驶级别是用户的期望车辆进入到自动驾驶级别,因此仅需从感知数据中归并整理出环境模型中的目标层级以及目标层级之前的各层级的目标数据即可,而对于之后的层级无需归并整理到数据。因此,从选取出目标层级以及目标层级之前的各层级中的第一层级至目标层级的各层级一次作为当前层级即可。
步骤四、从环境模型中的第一个层级开始,依次将各层级作为当前层级。
由于第一层级是环境模型中自动驾驶级别最低的级别,其他自动驾驶级别的执行均需使用到其对应的目标数据,因此需要从第一层级开始进行目标数据的归并整理。
另外,由于环境模型中的各层级中,每一个层级均是以其前面的所有层级为基础,也就是说,一个层级的自动驾驶级别能够执行的前提条件为,该层级能够获取到对应的目标数据,且其前面的所有层级均需要获取到对应的目标数据。因此,需要从环境模型中的第一个层级开始,依次将各层级作为当前层级,依次进行目标数据的归并处理。
步骤五、检测与自动驾驶相关的目标数据中是否存在属于所述当前层级的目标数据;若存在,执行步骤六;否则,执行步骤七。
在实际应用中,环境模型中不同层级具有其对应的预设类别的目标数据,因此在检测时可根据不同层级的预设类别进行。
示例性的,按照自动驾驶级别逐渐增高的顺序,环境模型中的多个层级包括有:自车层、道路层、障碍物层、定位层和语义层。
自车层对应的预设类别包括传感器模型、运动学模型、动力学模型;其中,传感器模型对应摄像机数据、雷达数据和激光雷达数据;运动学模型对应车身参数和车重;动力学模型对应车速和方向盘转角。
道路层对应的预设类别包括车道模型、交通模型和场景模型;其中,车道模型对应车道线数据、地面箭头数据、停止线数据;交通模型对应交通牌数据、交通灯数据;场景模型对应道路场景数据和气候场景数据。
障碍层对应的预设类别包括静态障碍物和动态障碍物;其中,静态障碍物对应相对位置和全局位置;动态障碍物对应位置、速度、加速度、预测轨迹。
定位层对应的预设类别包括局部地图、里程计和全局位姿;其中,局部地图对应地图曲率、动态事件和航线关键点;里程计对应航向角和局部定位;全局位姿对应经纬度和朝向。
语义层对应的预设类别包括可行驶区域和预警信号;其中,可行驶区域对应边界点和安全系数热力图;预警信号对应碰撞预警和偏离预警。
需要说明的是,检测与自动驾驶相关的目标数据中是否存在属于所述当前层级的目标数据的前提条件为,其前面的所有层级均需要获取到对应的目标数据。
若检测出与自动驾驶相关的目标数据中存在属于当前层级的目标数据,则说明可利用当前层级归并整理与自动驾驶相关的目标数据中的部分数据,则执行步骤三。若检测出与自动驾驶相关的目标数据中不存在属于当前层级的目标数据,则说明不能利用当前层级对与自动驾驶相关的目标数据进行归并整理,此时也无需再利用与当前层级相邻的下一个层级对应与自动驾驶相关的目标数据进行归并整理,直接执行步骤四即可。
步骤六、则将属于当前层级的目标数据归并整理至所述当前层级。
当检测出与自动驾驶相关的目标数据中存在属于当前层级的目标数据,则说明可利用当前层级归并整理与自动驾驶相关的目标数据中的部分数据,则直接将属于当前层级的目标数据归并整理到当前层级即可。
另外,在将属于当前层级的目标数据归并整理至当前层级之后,若确定当前层级为环境模型中的最后一个层级,则利用当前层级和当前层级之前的所有层级,形成指导自动驾驶的感知模型。在将属于当前层级的目标数据归并整理至当前层级之后,若确定当前层级不是环境模型中的最后一个层级,其后还存在至少一个层级,则继续执行步骤一,将与当前层级相邻的下一个层级继续确定为当前层级,对与自动驾驶相关的目标数据继续进行归并整理。
步骤七、基于所述当前层级之前已归并整理目标数据的层级,形成感知模型。
当检测出与自动驾驶相关的目标数据中不存在属于当前层级的目标数据,则说明不能利用当前层级对与自动驾驶相关的目标数据进行归并整理,则基于当前层级之前已归并整理目标数据的层级,形成感知模型即可。
进一步的,在步骤四基于所述当前层级之前已归并整理目标数据的层级,形成所述感知模型之前,所述方法还可包括如下步骤五和步骤六:
步骤八、判断当前层级是否为所述环境模型中的第一个层级;若是,执行步骤六;否则,执行步骤七“基于所述当前层级之前已归并整理目标数据的各层级,形成所述感知模型”。
在实际应用中,若当前层级为第一个层级,且其不能归并整理到属于其的目标数据,则说明整个环境模型中的各层级均不能归并整理到属于其各自的数据,因此不能形成与感知数据相应的感知模型。此时,为了避免产生不能指导车辆自动驾驶的感知模型,则需要判断当前层级是否为所述环境模型中的第一个层级。
若确定当前层级为环境模型中的第一个层级,则说明没有适用于自动驾驶的感知模型产生,需要执行步骤六,发出不能形成感知模型的提醒。
若确定当前层级不是环境模型中的第一个层级,则说明当前层级之前的所有层级均已归并整理到其自对应的目标数据,则可以根据当前层级之前的所有层级形成指导自动驾驶的感知模型,则执行步骤四即可。
步骤九;发出不能形成感知模型的提醒。
在实际应用中,发出不能形成感知模型的提醒的目的是,提醒人员没有形成可指导车辆自动驾驶的感知模型,避免发生安全隐患。
在实际应用中,发出不能形成感知模型的提醒的方法至少包括如下两种:第一种是,以语音播报的形式发出不能形成感知模型的提醒;第二种是,控制特定显示器,以文字或指示灯的形式发出不能形成感知模型的提醒。
本公开的实施例提供的车辆感知模型生成方法,能够根据车辆周围环境的感知数据,生成与自动驾驶相关的目标数据。然后基于具有多个层级的环境模型中的各层级,逐层对与自动驾驶相关的目标数据进行归并整理,形成指导自动驾驶的感知模型。本公开实施例中的环境模型中的各层级分别具有其各自对应的自动驾驶级别,且从第一层级至最后一个层级的各层级之间具有设定的目标数据归并整理顺序,对于任意层级来说,其前一个层级归并整理到对应的目标数据后,才可归并整理其对应的目标数据。可见,指导自动驾驶的感知模型是基于具有多个层级的环境模型中的各层级逐层对与自动驾驶相关的目标数据归并整理而得,其能够将车辆的感知数据整理为结构清晰的数据。另外,该感知模型是与当前车辆周围环境的感知数据相适宜的模型,也就是说,指导车辆自动驾驶的感知模型并非是一成不变的,而是会基于车辆周围环境的感知数据进行相应的变化,从而能够实现车辆的自动驾驶功能具有升降级能力。
第二方面,依据第一方面所述的方法,本公开的另一个实施例还提供了一种车辆感知模型生成方法,如图2所示,所述方法主要包括:
201、根据车辆周围环境的感知数据,生成与自动驾驶相关的目标数据。
202、按照环境模型中从第一层级至最后一个层级的各层级之间设定的目标数据归并整理顺序,从环境模型中的第一个层级开始,依次将各层级作为当前层级。
由于第一层级是环境模型中自动驾驶级别最低的级别,其他自动驾驶级别的执行均需使用到其对应的目标数据,因此需要从第一层级开始进行目标数据的归并整理。
另外,由于环境模型中的各层级中,每一个层级均是以其前面的所有级别为基础,也就是说,一个层级的自动驾驶级别能够执行的前提条件为,该层级能够获取到对应的目标数据,且其前面的所有层级均需要获取到对应的目标数据。因此,需要从环境模型中的第一个层级开始,依次将各层级作为当前层级,依次进行目标数据的归并处理。
203、检测与自动驾驶相关的目标数据中是否存在属于当前层级的目标数据;若存在,执行204;否则,207。
检测与自动驾驶相关的目标数据中是否存在属于当前层级的目标数据的前提条件为,其前面的所有级别均需要获取到对应的目标数据。
若检测出与自动驾驶相关的目标数据中存在属于当前层级的目标数据,则说明可利用当前层级归并整理与自动驾驶相关的目标数据中的部分数据,则执行204。
若检测出与自动驾驶相关的目标数据中不存在属于当前层级的目标数据,则说明不能利用当前层级对与自动驾驶相关的目标数据进行归并整理,此时也无需再利用与当前层级相邻的下一个层级对应与自动驾驶相关的目标数据进行归并整理,直接执行207即可。
204、将属于当前层级的目标数据归并整理至当前层级。
205、判断当前层级是否为环境模型中的最后一个层级;若是,执行206;否则,执行202。
若确定当前层级为环境模型中的最后一个层级,则利用当前层级和当前层级之前的所有层级,形成指导自动驾驶的感知模型。
若确定当前层级不是环境模型中的最后一个层级,其后还存在至少一个层级,则继续执行202,将与当前层级相邻的下一个层级继续确定为当前层级,对与自动驾驶相关的目标数据继续进行归并整理。
206、基于环境模型中所有已归并整理目标数据的层级,形成感知模型。
207、判断当前层级是否为环境模型中的第一个层级;若是,执行208;否则,执行209。
若当前层级为第一个层级,且其不能归并整理到属于其的目标数据,则说明整个环境模型中的各层级均不能归并整理到属于其各自的数据,因此不能形成与感知数据相应的感知模型。此时,为了避免产生不能指导车辆自动驾驶的感知模型,则需要判断当前层级是否为所述环境模型中的第一个层级。
若确定当前层级为环境模型中的第一个层级,则说明没有适用于自动驾驶的感知模型产生,需要执行步骤208,以发出不能形成感知模型的提醒。
若确定当前层级不是环境模型中的第一个层级,则说明当前层级之前的所有层级均已归并整理到其自对应的目标数据,则可以根据当前层级之前的所有层级形成指导自动驾驶的感知模型,则执行步骤209即可。
208、发出不能形成感知模型的提醒,并结束当前流程。
209、基于当前层级之前已归并整理目标数据的层级,形成感知模型。
进一步的,为了扩大该车辆自动驾驶控制方法的应用场景,在步骤206或209形成指导自动驾驶的感知模型之后,还可以将感知模型提供给仿真平台,以供仿真平台进行仿真回放。
进一步的,为了扩大该车辆自动驾驶控制方法的应用场景,在步骤206或209形成指导自动驾驶的感知模型之后,还可以将感知模型提供给构图平台,以供构图平台进行离线构图。
第三方面,本公开的实施例提供了一种车辆自动驾驶控制方法,如图3所示,所述方法主要包括:
301、获取指导车辆自动驾驶的感知模型,其中,所述感知模型中具有至少一个层级,且各层级分别具有其各自对应的自动驾驶级别和目标数据,所述感知模型是基于具有多个层级的环境模型中的各层级,逐层对与自动驾驶相关的目标数据进行归并整理而得。
为了使车辆的自动驾驶能力具有升降级能力,则所获取的感知模型是基于车辆行驶时车辆中的传感器实时采集的车辆周期环境的感知数据而得。该车辆周围环境的感知数据是目标数据的来源,目标数据是基于感知数据而得。在基于感知数据得到目标数据之后,使用具有多个层级的环境模型对目标数据进行归并整理,从而形成与感知数据相应的感知模型。该感知模型的自动驾驶级别与感知数据相应。
302、基于所述感知模型对车辆进行自动驾驶控制。
在实际应用中,获取感知模块的是车辆中的自动驾驶模块,由自动驾驶模型根据感知模型中的目标数据进行自动驾驶动作规划,并根据规划后的自动驾驶动作,对车辆进行自动驾驶控制。
需要说明的是,感知模型是基于具有多个层级的环境模型中的各层级对与自动驾驶相关的目标数据归并整理而得,因此,该感知模型是与当前车辆周围环境的感知数据相适宜的模型,也就是说,指导车辆自动驾驶的感知模型并非是一成不变的,而是会基于车辆周围环境的感知数据进行相应的变化,从而在车辆驾驶过程中,实现车辆的自动驾驶功能具有升降级能力。
本公开的实施例提供的车辆自动驾驶控制方法,由于其所获取的指导自动驾驶的感知模型是基于具有多个层级的环境模型中的各层级逐层对与自动驾驶相关的目标数据归并整理而得,其能够将车辆的感知数据整理为结构清晰的数据。另外,该感知模型是与当前车辆周围环境的感知数据相适宜的模型,也就是说,指导车辆自动驾驶的感知模型并非是一成不变的,而是会基于车辆周围环境的感知数据进行相应的变化,从而能够实现车辆的自动驾驶功能具有升降级能力。
第四方面,依据第三方面所述的方法,本公开的另一个实施例还提供了一种车辆自动驾驶控制方法,如图4所示,所述方法主要包括:
401、获取指导车辆自动驾驶的感知模型。
其中,所述感知模型中具有至少一个层级,且各层级分别具有其各自对应的自动驾驶级别和目标数据,所述感知模型是基于具有多个层级的环境模型中的各层级,逐层对与自动驾驶相关的目标数据进行归并整理而得。
402、确定感知模型中的最后一个层级,其中,最后一个层次以及所述最后一个层级之前的所有层级均存在有目标数据。
感知模型中最后一个层级所对应的自动驾驶级别,即为感知模型对应的自动驾驶级别,因此,需要确定感知模型中存在目标数据的最后一个层级。
403、将最后一个层级对应的自动驾驶级别,确定为目标自动驾驶级别。
示例性的,按照自动驾驶级别逐渐增高的顺序,环境模型中的多个层级包括有:自车层、道路层、障碍物层、定位层和语义层。目前,感知模型中存在目标数据的层级分别为自车层、道路层、障碍物层,其中,障碍物层为感知模型中存在目标数据的最后一个层级,则将障碍物层对应的自动驾驶级别确定为目标自动驾驶级别。
404、发出进入所述目标自动驾驶级别的自动驾驶提醒,执行405或406。
在实际应用中,为了使驾驶员能够及时适应目标自动驾驶级别,并做出与目标自动驾驶级别相应的动作,则需要在进入目标自动驾驶级别之前需要发出进入目标自动驾驶级别的自动驾驶提醒。
在实际应用中,该发出自动驾驶提醒的方法至少包括如下两种:第一种是,控制车辆的车机以语音播报的形式发出进入目标自动驾驶级别的自动驾驶提醒;第二种是,控制车辆的车机或控制车辆中特定显示器,以文字或指示灯的形式发出进入目标自动驾驶级别的自动驾驶提醒。
405、若在预设时间内接收到拒绝指令,维持车辆当前驾驶模式,并结束当前流程。
在发出进入目标自动驾驶级别的自动驾驶提醒之后,车辆的驾驶员可以根据自身需求,确定是否接受车辆进入到与目标自动驾驶级别相应的自动驾驶状态。
驾驶员可通过下发指令的方式,控制车辆是否进入到与目标自动驾驶级别相应的自动驾驶状态。比如,若在预设时间内接收到拒绝指令,则说明驾驶员拒绝车辆进入与目标驾驶级别相应的自动驾驶状态,则维持车辆的当前驾驶模式即可。需要说明的是,当前驾驶模式的自动驾驶级别低于目标自动驾驶级别,或当前驾驶模式为驾驶员手动驾驶模式,则维持车辆的当前驾驶模式。若当前驾驶模式的自动驾驶级别高于目标自动驾驶模式,则直接将车辆的驾驶模式变更为驾驶员手动驾驶模式。
406、若在预设时间内未接收到拒绝指令,基于感知模型对车辆进行自动驾驶控制。
若在预设时间内未接收到拒绝指令,则说明驾驶员有意图将车辆的驾驶模式转换为与目标自动驾驶级别相应的自动驾驶模式,则基于感知模型对车辆进行自动驾驶控制即可。
第五方面,依据图1或图2所示的方法,本公开的另一个实施例还提供了一种车辆感知模型生成装置,如图5所示,所述装置主要包括:
生成单元51,用于根据车辆周围环境的感知数据,生成与自动驾驶相关的目标数据;
形成单元52,用于基于具有多个层级的环境模型中的各层级,逐层对所述与自动驾驶相关的目标数据进行归并整理,形成感知模型;其中,所述环境模型中的各层级分别具有其各自对应的自动驾驶级别,且从第一层级至最后一个层级的各层级之间具有设定的目标数据归并整理顺序,对于任意层级来说,其前一个层级归并整理到对应的目标数据后,才可归并整理其对应的目标数据。
本公开的实施例提供的车辆感知模型生成装置,能够根据车辆周围环境的感知数据,生成与自动驾驶相关的目标数据。然后基于具有多个层级的环境模型中的各层级,逐层对与自动驾驶相关的目标数据进行归并整理,形成指导自动驾驶的感知模型。本公开实施例中的环境模型中的各层级分别具有其各自对应的自动驾驶级别,且从第一层级至最后一个层级的各层级之间具有设定的目标数据归并整理顺序,对于任意层级来说,其前一个层级归并整理到对应的目标数据后,才可归并整理其对应的目标数据。可见,指导自动驾驶的感知模型是基于具有多个层级的环境模型中的各层级逐层对与自动驾驶相关的目标数据归并整理而得,其能够将车辆的感知数据整理为结构清晰的数据。另外,该感知模型是与当前车辆周围环境的感知数据相适宜的模型,也就是说,指导车辆自动驾驶的感知模型并非是一成不变的,而是会基于车辆周围环境的感知数据进行相应的变化,从而能够实现车辆的自动驾驶功能具有升降级能力。
在一些实施例中,如图6所示,形成单元52包括:
检测模块521,用于从所述环境模型中的第一个层级开始,依次将各所述层级作为当前层级执行:检测所述与自动驾驶相关的目标数据中是否存在属于所述当前层级的目标数据;
整理模块522,用于若检测模块521检测出所述与自动驾驶相关的目标数据中存在所述当前层级的目标数据,则将属于所述当前层级的目标数据归并整理至所述当前层级;
形成模块523,用于若检测模块521检测出所述与自动驾驶相关的目标数据中不存在所述当前层级的目标数据,基于所述当前层级之前已归并整理目标数据的层级,形成所述感知模型。
在一些实施例中,如图6所示,检测模块521还用于判断是否接收到进入指定自动驾驶级别的指令;若接收到所述进入指定自动驾驶级别的指令,则确定所述环境模型中与所述进入指定自动驾驶级别的指令相应的目标层级,并选取所目标层级及所述目标层级之前的各层级,从所选取的各层级中的第一个层级开始,依次将各所述层级作为当前层级;若未接收到所述进入指定自动驾驶级别的指令,则从所述环境模型中的第一个层级开始,依次将各所述层级作为当前层级。
在一些实施例中,如图6所示,形成单元52还包括:
判断模块524,用于在形成模块523基于所述当前层级之前已归并整理目标数据的层级,形成所述感知模型之前,判断所述当前层级是否为所述环境模型中的第一个层级;
提醒模块525,用于判断模块524判断出当前层级为所述环境模型中的第一个层级,则发出不能形成感知模型的提醒;
形成模块523,用于判断模块524判断出当前层级不是所述环境模型中的第一个层级,基于所述当前层级之前已归并整理目标数据的各层级,形成所述感知模型。
在一些实施例中,如图6所示,形成单元52所使用的所述环境模型中的第一个层级的自动驾驶级别最低,最后一个层级的自动驾驶级别最高,第一个层级至最后一个层级之间的各层级的自动驾驶级别逐渐增高;
按照自动驾驶级别逐渐增高的顺序,所述环境模型中的多个层级包括有:自车层、道路层、障碍物层、定位层和语义层。
在一些实施例中,如图6所示,生成单元51所用的所述感知数据包括如下中的任意一种:车辆行驶时车辆传感器实时采集的车辆周围环境的感知数据、特定存储位置存储的车辆周围环境的离线数据、车辆周围环境的仿真数据。
在一些实施例中,如图6所示,所述装置还包括:
第一提供单元53,用于在形成单元52形成指导自动驾驶的感知模型之后,将所述感知模型提供给仿真平台,以供所述仿真平台进行仿真回放。
在一些实施例中,如图6所示,所述装置还包括:
第二提供单元54,用于在形成单元52形成指导自动驾驶的感知模型之后,将所述感知模型提供给构图平台,以供所述构图平台进行离线构图。
第五方面的实施例提供的车辆感知模型生成装置,可以用以执行第一方面或第二方面的实施例所提供的车辆感知模型生成方法,相关的用于的含义以及具体的实施方式可以参见第一方面或第二方面的实施例中的相关描述,在此不再详细说明。
第六方面,依据图3或图4所示的方法,本公开的另一个实施例还提供了一种车辆自动驾驶控制装置,如图7所示,所述装置主要包括:
获取单元61,用于获取指导车辆自动驾驶的感知模型,其中,所述感知模型中具有至少一个层级,且各层级分别具有其各自对应的自动驾驶级别和目标数据,所述感知模型是基于具有多个层级的环境模型中的各层级,逐层对与自动驾驶相关的目标数据进行归并整理而得;
控制单元62,用于基于所述感知模型对车辆进行自动驾驶控制。
本公开的实施例提供的车辆自动驾驶控制装置,由于其所获取的指导自动驾驶的感知模型是基于具有多个层级的环境模型中的各层级逐层对与自动驾驶相关的目标数据归并整理而得,其能够将车辆的感知数据整理为结构清晰的数据。另外,该感知模型是与当前车辆周围环境的感知数据相适宜的模型,也就是说,指导车辆自动驾驶的感知模型并非是一成不变的,而是会基于车辆周围环境的感知数据进行相应的变化,从而能够实现车辆的自动驾驶功能具有升降级能力。
在一些实施例中,如图8所示,获取单元61中所涉及的所述目标数据是基于车辆周围环境的感知数据而得,其中,所述感知数据包括如下中的任意一种:车辆行驶时车辆传感器实时采集的车辆周围环境的感知数据、特定存储位置存储的车辆周围环境的离线数据、车辆周围环境的仿真数据。
在一些实施例中,如图8所示,所述装置还包括:
确定单元63,用于在控制单元62基于所述感知模型对车辆进行自动驾驶控制之前,确定所述感知模型对应的目标自动驾驶级别;
提醒单元64,用于发出进入所述目标自动驾驶级别的自动驾驶提醒。
在一些实施例中,如图8所示,确定单元63,用于确定所述感知模型中的最后一个层级,其中,所述最后一个层次以及所述最后一个层级之前的所有层级均存在有目标数据;将所述最后一个层级对应的自动驾驶级别,确定为所述目标自动驾驶级别。
在一些实施例中,如图8所示,所述装置还包括:
维持单元65,用于提醒模块64在发出进入所述目标自动驾驶级别的驾驶提醒之后,若在所述预设时间内接收到拒绝指令,维持车辆当前驾驶模式;
控制单元62,用于提醒模块64在发出进入所述目标自动驾驶级别的驾驶提醒之后,若在所述预设时间内未接收到拒绝指令,基于所述感知模型对所述车辆进行自动驾驶控制。
第六方面的实施例提供的车辆自动驾驶控制装置,可以用以执行第三方面或第四方面的实施例所提供的车辆自动驾驶控制,相关的用于的含义以及具体的实施方式可以参见第三方面或第四方面的实施例中的相关描述,在此不再详细说明。
第七方面,本公开的实施例提供了一种车辆,如图9所示,所述车辆包括:第五方面所述的车辆感知模型生成装置71以及第六方面所述的车辆自动驾驶控制装置72。
本公开的实施例提供的车辆,由于其所获取的指导自动驾驶的感知模型是基于具有多个层级的环境模型中的各层级逐层对与自动驾驶相关的目标数据归并整理而得,其能够将车辆的感知数据整理为结构清晰的数据。另外,该感知模型是与当前车辆周围环境的感知数据相适宜的模型,也就是说,指导车辆自动驾驶的感知模型并非是一成不变的,而是会基于车辆周围环境的感知数据进行相应的变化,从而能够实现车辆的自动驾驶功能具有升降级能力。
第八方面,本公开的实施例提供了一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行第一方面或第二方面所述的感知模型生成方法或执行第三方面或第四方面中所述的车辆自动驾驶控制方法。
存储介质可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
第九方面,本公开的实施例提供了一种人机交互装置,所述装置包括存储介质,及一个或者多个处理器,所述存储介质与所述处理器耦合,所述处理器被配置为执行所述存储介质中存储的程序指令;所述程序指令运行时执行第一方面或第二方面所述的感知模型生成方法或执行第三方面或第四方面中所述的车辆自动驾驶控制方法。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开的实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开的实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照本公开的实施例的方法、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、专用计算机、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。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供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步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本公开的实施例可提供为方法、系统或计算机程序产品。因此,本公开的实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本公开的实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (18)
1.一种车辆感知模型生成方法,其特征在于,所述方法包括:
根据车辆周围环境的感知数据,生成与自动驾驶相关的目标数据;
基于具有多个层级的环境模型中的各层级,逐层对所述与自动驾驶相关的目标数据进行归并整理,形成感知模型;其中,所述环境模型中的各层级分别具有其各自对应的自动驾驶级别,且从第一层级至最后一个层级的各层级之间具有设定的目标数据归并整理顺序,对于任意层级来说,其前一个层级归并整理到对应的目标数据后,才可归并整理其对应的目标数据。
2.根据权利要求1所述的方法,其特征在于,基于具有多个层级的环境模型中的各层级,逐层对所述目标数据进行归并整理,形成指导自动驾驶的感知模型,包括:
从所述环境模型中的第一个层级开始,依次将各所述层级作为当前层级执行:
检测所述与自动驾驶相关的目标数据中是否存在属于所述当前层级的目标数据;
若存在,则将属于所述当前层级的目标数据归并整理至所述当前层级;否则,基于所述当前层级之前已归并整理目标数据的层级,形成所述感知模型。
3.根据权利要求2所述的方法,其特征在于,在基于所述当前层级之前已归并整理目标数据的层级,形成所述感知模型之前,所述方法还包括:
判断所述当前层级是否为所述环境模型中的第一个层级;
若是,发出不能形成感知模型的提醒;
否则,基于所述当前层级之前已归并整理目标数据的各层级,形成所述感知模型。
4.根据权利要求2所述的方法,其特征在于,所述方法还包括:
判断是否接收到进入指定自动驾驶级别的指令;
若接收到所述进入指定自动驾驶级别的指令,则确定所述环境模型中与所述进入指定自动驾驶级别的指令相应的目标层级,并选取所目标层级及所述目标层级之前的各层级,从所选取的各层级中的第一个层级开始,依次将各所述层级作为当前层级;
若未接收到所述进入指定自动驾驶级别的指令,则从所述环境模型中的第一个层级开始,依次将各所述层级作为当前层级。
5.根据权利要求1-4中任一所述的方法,其特征在于,所述环境模型中的第一个层级的自动驾驶级别最低,最后一个层级的自动驾驶级别最高,第一个层级至最后一个层级之间的各层级的自动驾驶级别逐渐增高;
按照自动驾驶级别逐渐增高的顺序,所述环境模型中的多个层级包括有:自车层、道路层、障碍物层、定位层和语义层。
6.根据权利要求1-4中任一所述的方法,其特征在于,所述感知数据包括如下中的任意一种:车辆行驶时车辆传感器实时采集的车辆周围环境的感知数据、特定存储位置存储的车辆周围环境的离线数据、车辆周围环境的仿真数据。
7.根据权利要求1-4中任一所述的方法,其特征在于,在形成指导自动驾驶的感知模型之后,所述方法还包括:
将所述感知模型提供给仿真平台,以供所述仿真平台进行仿真回放。
8.根据权利要求1-4中任一所述的方法,其特征在于,在形成感知模型之后,所述方法还包括:
将所述感知模型提供给构图平台,以供所述构图平台进行离线构图。
9.一种车辆自动驾驶控制方法,其特征在于,所述方法包括:
获取指导车辆自动驾驶的感知模型,其中,所述感知模型中具有至少一个层级,且各层级分别具有其各自对应的自动驾驶级别和目标数据,所述感知模型是基于具有多个层级的环境模型中的各层级,逐层对与自动驾驶相关的目标数据进行归并整理而得;
基于所述感知模型对车辆进行自动驾驶控制。
10.根据权利要求9所述的方法,其特征在于,所述目标数据是基于车辆周围环境的感知数据而得,其中,所述感知数据包括如下中的任意一种:车辆行驶时车辆传感器实时采集的车辆周围环境的感知数据、特定存储位置存储的车辆周围环境的离线数据、车辆周围环境的仿真数据。
11.根据权利要求9所述的方法,其特征在于,在基于所述感知模型对车辆进行自动驾驶控制之前,所述方法还包括:
确定所述感知模型对应的目标自动驾驶级别;
发出进入所述目标自动驾驶级别的自动驾驶提醒。
12.根据权利要求11所述的方法,其特征在于,确定所述感知模型对应的目标自动驾驶级别,包括:
确定所述感知模型中的最后一个层级,其中,所述最后一个层次以及所述最后一个层级之前的所有层级均存在有目标数据;
将所述最后一个层级对应的自动驾驶级别,确定为所述目标自动驾驶级别。
13.根据权利要求12所述的方法,其特征在于,在发出进入所述目标自动驾驶级别的驾驶提醒之后,所述方法还包括:
若在预设时间内接收到拒绝指令,则维持车辆当前驾驶模式;
若在所述预设时间内未接收到拒绝指令,则基于所述感知模型对所述车辆进行自动驾驶控制。
14.一种车辆感知模型生成装置,其特征在于,所述装置包括:
生成单元,用于根据车辆周围环境的感知数据,生成与自动驾驶相关的目标数据;
形成单元,用于基于具有多个层级的环境模型中的各层级,逐层对所述与自动驾驶相关的目标数据进行归并整理,形成感知模型;其中,所述环境模型中的各层级分别具有其各自对应的自动驾驶级别,且从第一层级至最后一个层级的各层级之间具有设定的目标数据归并整理顺序,对于任意层级来说,其前一个层级归并整理到对应的目标数据后,才可归并整理其对应的目标数据。
15.一种车辆自动驾驶控制装置,其特征在于,所述装置包括:
获取单元,用于获取指导车辆自动驾驶的感知模型,其中,所述感知模型中具有至少一个层级,且各层级分别具有其各自对应的自动驾驶级别和目标数据,所述感知模型是基于具有多个层级的环境模型中的各层级,逐层对与自动驾驶相关的目标数据进行归并整理而得;
控制单元,用于基于所述感知模型对车辆进行自动驾驶控制。
16.一种车辆,其特征在于,所述车辆包括:权利要求14所述的车辆感知模型生成装置以及权利要求15所述的车辆自动驾驶控制装置。
17.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至8中任一项所述的感知模型生成方法或权利要求9至13中任一项所述的车辆自动驾驶控制方法。
18.一种人机交互装置,其特征在于,所述装置包括存储介质,及一个或者多个处理器,所述存储介质与所述处理器耦合,所述处理器被配置为执行所述存储介质中存储的程序指令;所述程序指令运行时权利要求1至7中任一项所述的感知模型生成方法或权利要求8至12中任一项所述的车辆自动驾驶控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011180300.4A CN112277951B (zh) | 2020-10-29 | 2020-10-29 | 车辆感知模型生成方法、车辆自动驾驶控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011180300.4A CN112277951B (zh) | 2020-10-29 | 2020-10-29 | 车辆感知模型生成方法、车辆自动驾驶控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112277951A CN112277951A (zh) | 2021-01-29 |
CN112277951B true CN112277951B (zh) | 2021-08-20 |
Family
ID=74374038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011180300.4A Active CN112277951B (zh) | 2020-10-29 | 2020-10-29 | 车辆感知模型生成方法、车辆自动驾驶控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112277951B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113496213B (zh) * | 2021-06-29 | 2024-05-28 | 中汽创智科技有限公司 | 一种目标感知数据的确定方法、装置、系统及存储介质 |
CN114743349A (zh) * | 2022-04-12 | 2022-07-12 | 广州工商学院 | 适用于交通安全管理的疲劳驾驶判别及信息传输系统 |
CN116985840A (zh) * | 2022-09-27 | 2023-11-03 | 腾讯云计算(北京)有限责任公司 | 车辆控制方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488044A (zh) * | 2014-09-16 | 2016-04-13 | 华为技术有限公司 | 数据处理的方法和设备 |
CN106447542A (zh) * | 2016-08-29 | 2017-02-22 | 江苏大学 | 面向车联网的行车主动服务系统及服务需求动态获取与构建方法 |
CN110103984A (zh) * | 2018-02-01 | 2019-08-09 | 通用汽车环球科技运作有限责任公司 | 使用感知系统措施管理前进路径的自动驾驶复杂度 |
CN111708778A (zh) * | 2020-06-09 | 2020-09-25 | 樊馨 | 一种大数据管理的方法与系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10699305B2 (en) * | 2016-11-21 | 2020-06-30 | Nio Usa, Inc. | Smart refill assistant for electric vehicles |
-
2020
- 2020-10-29 CN CN202011180300.4A patent/CN112277951B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488044A (zh) * | 2014-09-16 | 2016-04-13 | 华为技术有限公司 | 数据处理的方法和设备 |
CN106447542A (zh) * | 2016-08-29 | 2017-02-22 | 江苏大学 | 面向车联网的行车主动服务系统及服务需求动态获取与构建方法 |
CN110103984A (zh) * | 2018-02-01 | 2019-08-09 | 通用汽车环球科技运作有限责任公司 | 使用感知系统措施管理前进路径的自动驾驶复杂度 |
CN111708778A (zh) * | 2020-06-09 | 2020-09-25 | 樊馨 | 一种大数据管理的方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112277951A (zh) | 2021-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112277951B (zh) | 车辆感知模型生成方法、车辆自动驾驶控制方法及装置 | |
JP2020502632A (ja) | 自律走行車の動的ルート決定 | |
US11046317B2 (en) | Multi-way stop intersection precedence for autonomous vehicles | |
CN109891346A (zh) | 用于自主车辆控制系统的位置特定辅助 | |
CN113654561A (zh) | 自主导航系统 | |
CN111845771A (zh) | 数据收集自动化系统 | |
US20220097732A1 (en) | Method and system for using a reaction of other road users to ego-vehicle actions in autonomous driving | |
US10546499B2 (en) | Systems and methods for notifying an occupant of a cause for a deviation in a vehicle | |
US11429107B2 (en) | Play-forward planning and control system for an autonomous vehicle | |
US11338819B2 (en) | Cloud-based vehicle calibration system for autonomous driving | |
US11556127B2 (en) | Static obstacle map based perception system | |
CN108803596A (zh) | 用于机动车辆的通知系统 | |
JP2022522625A (ja) | 自律車両のターンのシグナリング | |
US20200126544A1 (en) | Vehicle language processing | |
US20220340145A1 (en) | Automatic recommendation of control in a simultaneous mix mode vehicle | |
US11735205B2 (en) | Audio logging for model training and onboard validation utilizing autonomous driving vehicle | |
CN110428693B (zh) | 用户驾驶习惯培训方法、培训模块、车载设备及存储介质 | |
Deemantha et al. | Autonomous Car: Current Issues, Challenges and Solution: A Review | |
CN113753038B (zh) | 一种轨迹预测方法、装置、电子设备和存储介质 | |
EP4019351A1 (en) | Vehicle control method and device, vehicle and storage medium | |
US20210370941A1 (en) | Precautionary slowdown speed planning | |
CN114722931A (zh) | 车载数据处理方法、装置、数据采集设备和存储介质 | |
US20210101596A1 (en) | System and method for a vehicle adaptive cruise control for a stop-go event | |
CN113071477A (zh) | 车辆自动泊车方法及装置、车辆自动出库方法及装置、用户终端、移动工具及相关设备 | |
JP2019109393A (ja) | 静止物体地図情報生成装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |