CN112464773B - 一种道路类型识别方法、装置及系统 - Google Patents

一种道路类型识别方法、装置及系统 Download PDF

Info

Publication number
CN112464773B
CN112464773B CN202011307489.9A CN202011307489A CN112464773B CN 112464773 B CN112464773 B CN 112464773B CN 202011307489 A CN202011307489 A CN 202011307489A CN 112464773 B CN112464773 B CN 112464773B
Authority
CN
China
Prior art keywords
road
information
semantic segmentation
vehicle
image
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
Application number
CN202011307489.9A
Other languages
English (en)
Other versions
CN112464773A (zh
Inventor
安聪慧
靳贻斌
韩磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Geely Holding Group Co Ltd
Zhejiang Geely Automobile Research Institute Co Ltd
Original Assignee
Zhejiang Geely Holding Group Co Ltd
Zhejiang Geely Automobile Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Geely Holding Group Co Ltd, Zhejiang Geely Automobile Research Institute Co Ltd filed Critical Zhejiang Geely Holding Group Co Ltd
Priority to CN202011307489.9A priority Critical patent/CN112464773B/zh
Publication of CN112464773A publication Critical patent/CN112464773A/zh
Application granted granted Critical
Publication of CN112464773B publication Critical patent/CN112464773B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Vehicle Body Suspensions (AREA)

Abstract

本发明涉及数据处理技术领域，具体是一种道路类型识别方法、装置及系统，所述方法包括：获取数据采集模块发送的车辆当前行驶道路的道路图像；利用预先训练的语义分割模型对所述道路图像进行处理，得到所述道路图像的语义分割结果，根据所述语义分割结果确定所述当前行驶道路的道路信息；获取所述车辆的悬架特性参数的变化信息；基于预设的权重系数对所述道路信息和所述悬架特性参数的变化信息进行加权融合，得到所述当前行驶道路的融合特征信息；根据所述融合特征信息确定所述当前行驶道路的道路类型，所述道路类型包括平滑路面和不平路面。本发明的道路类型识别方法能够提高道路类型识别的适应性和准确性，进而保证车辆行驶的安全性。

Description

一种道路类型识别方法、装置及系统
技术领域
本发明涉及数据处理技术领域，特别涉及一种道路类型识别方法、装置及系统。
背景技术
随着人们生活水平的提高，汽车越来越成为人们必不可少的交通工具，智能汽车系统也成了国内研究的热门。在不同的道路情况下，适合当前路况的行驶速度和乘坐的舒适程度均有所不同，如何精准识别道路类型，以提高车辆行驶安全性和乘坐舒适性成为智能汽车系统的重要研究方向。
目前，主要采用计算机视觉领域的语义分割对摄像头等采集的真实场景图片进行可行区域的实时预测，来实现对道路区域的识别。这种方法采用深度学习网络来区分真实场景图片中每个像素属于道路区域或非道路区域的概率，进而确定出真实场景图片中的道路区域，并根据确定的道路区域的信息来确定道路类型。
但是，基于语义分割的道路区域识别方法在对摄像头等采集的真实场景图片进行分析时，通过色值对道路和障碍物进行区分，道路颜色一致性较好的情况下具有较好的识别效果。但是，实际应用中，由于受到变化的光线、道路阴影、路面颜色不一致等因素的影响，道路很难具有一致的颜色特征，因此上述基于语义分割的道路区域识别方法的适应性和准确率都不理想，影响车辆行驶的平顺性和乘坐舒适度，用户体验较差。
发明内容
针对现有技术的上述问题，本发明的目的在于提供一种道路类型识别方法、装置及系统，能够提高道路类型识别的适应性和准确性。
为了解决上述问题，本发明提供一种道路类型识别方法，包括：
获取数据采集模块发送的车辆当前行驶道路的道路图像；
利用预先训练的语义分割模型对所述道路图像进行处理，得到所述道路图像的语义分割结果，根据所述语义分割结果确定所述当前行驶道路的道路信息；
获取所述车辆的悬架特性参数的变化信息，所述悬架特性参数包括运动学特性的前束角、运动学特性的外倾角、运动学特性的主销后倾角和/或弹性运动学特性的主销后倾角；
基于预设的权重系数对所述道路信息和所述悬架特性参数的变化信息进行加权融合，得到所述当前行驶道路的融合特征信息；
根据所述融合特征信息确定所述当前行驶道路的道路类型，所述道路类型包括平滑路面和不平路面。
进一步地，所述方法还包括：
将所述当前行驶道路的道路类型发送至悬架控制模块，以使得所述悬架控制模块判断车辆的悬架特性参数是否与所述道路类型相匹配，当所述悬架特性参数与所述道路类型不匹配时，调整所述车辆的悬架特性参数。
进一步地，所述获取数据采集模块发送的车辆当前行驶道路的道路图像包括：
获取毫米波雷达采集的所述车辆当前行驶道路的第一道路图像；
获取摄像头采集的所述车辆当前行驶道路的第二道路图像。
进一步地，所述利用预先训练的语义分割模型对所述道路图像进行处理，得到所述道路图像的语义分割结果，根据所述语义分割结果确定所述当前行驶道路的道路信息包括：
利用所述语义分割模型对所述第一道路图像进行处理，得到第一语义分割结果，所述第一语义分割结果包括道路区域和障碍物区域；
获取所述第一语义分割结果中道路区域的信息作为所述当前行驶道路的第一道路信息；
利用所述语义分割模型对所述第二道路图像进行处理，得到第二语义分割结果，所述第二语义分割结果包括道路区域和障碍物区域；
获取所述第二语义分割结果中道路区域的信息作为所述当前行驶道路的第二道路信息；
对所述第一道路信息和所述第二道路信息进行加权融合，得到所述当前行驶道路的道路信息。
进一步地，所述对所述第一道路信息和所述第二道路信息进行加权融合，得到所述当前行驶道路的道路信息包括：
根据所述当前行驶道路与所述车辆的距离信息确定所述第一道路信息的第一权重和所述第二道路信息的第二权重；
基于所述第一权重和所述第二权重对所述第一道路信息和所述第二道路信息进行加权融合，得到所述当前行驶道路的道路信息。
本发明另一方面保护一种道路类型识别方法，包括：
数据采集模块采集车辆当前行驶道路的道路图像，将所述道路图像发送至道路类型识别装置；
所述道路类型识别装置利用预先训练的语义分割模型对所述道路图像进行处理，得到所述道路图像的语义分割结果，根据所述语义分割结果确定所述当前行驶道路的道路信息；
所述道路类型识别装置获取所述车辆的悬架特性参数的变化信息，所述悬架特性参数包括运动学特性的前束角、运动学特性的外倾角、运动学特性的主销后倾角和/或弹性运动学特性的主销后倾角；
所述道路类型识别装置基于预设的权重系数对所述道路信息和所述悬架特性参数的变化信息进行加权融合，得到所述当前行驶道路的融合特征信息；
所述道路类型识别装置根据所述融合特征信息确定所述当前行驶道路的道路类型，所述道路类型包括平滑路面和不平路面；将所述当前行驶道路的道路类型发送至悬架控制模块；
所述悬架控制模块判断车辆的悬架特性参数是否与所述道路类型相匹配，当所述悬架特性参数与所述道路类型不匹配时，调整所述车辆的悬架特性参数。
本发明另一方面保护一种道路类型识别装置，包括：
第一获取模块，用于获取数据采集模块发送的车辆当前行驶道路的道路图像；
语义分割模块，用于利用预先训练的语义分割模型对所述道路图像进行处理，得到所述道路图像的语义分割结果，根据所述语义分割结果确定所述当前行驶道路的道路信息；
第二获取模块，用于获取所述车辆的悬架特性参数的变化信息，所述悬架特性参数包括运动学特性的前束角、运动学特性的外倾角、运动学特性的主销后倾角和/或弹性运动学特性的主销后倾角；
加权融合模块，用于基于预设的权重系数对所述道路信息和所述悬架特性参数的变化信息进行加权融合，得到所述当前行驶道路的融合特征信息；
确定模块，用于根据所述融合特征信息确定所述当前行驶道路的道路类型，所述道路类型包括平滑路面和不平路面。
进一步地，所述装置还包括：
发送模块，用于将所述当前行驶道路的道路类型发送至悬架控制模块，以使得所述悬架控制模块判断车辆的悬架特性参数是否与所述道路类型相匹配，当所述悬架特性参数与所述道路类型不匹配时，调整所述车辆的悬架特性参数。
本发明另一方面保护一种道路类型识别系统，包括数据采集模块、道路类型识别装置和悬架控制模块；
所述数据采集模块，用于采集车辆当前行驶道路的道路图像，将所述道路图像发送至道路类型识别装置；
所述道路类型识别装置，用于利用预先训练的语义分割模型对所述道路图像进行处理，得到所述道路图像的语义分割结果，根据所述语义分割结果确定所述当前行驶道路的道路信息；获取所述车辆的悬架特性参数的变化信息，所述悬架特性参数包括运动学特性的前束角、运动学特性的外倾角、运动学特性的主销后倾角和/或弹性运动学特性的主销后倾角；基于预设的权重系数对所述道路信息和所述悬架特性参数的变化信息进行加权融合，得到所述当前行驶道路的融合特征信息；根据所述融合特征信息确定所述当前行驶道路的道路类型，所述道路类型包括平滑路面和不平路面；将所述当前行驶道路的道路类型发送至悬架控制模块；
所述悬架控制模块，用于判断车辆的悬架特性参数是否与所述道路类型相匹配，当所述悬架特性参数与所述道路类型不匹配时，调整所述车辆的悬架特性参数。
具体地，所述数据采集模块包括毫米波雷达和摄像头。
由于上述技术方案，本发明具有以下有益效果：
(1)本发明的道路类型识别方法通过将毫米波雷达、摄像头等采集的道路图像进行语义分割，得到当前行驶道路的道路信息，并基于所述道路信息与车辆的悬架特性参数的变化信息进行多维度的信息融合，来识别当前行驶道路的道路类型，能够在道路颜色不一致的情况下，精准识别道路类型，提高道路类型识别的适应性和准确性，进而保证车辆行驶的安全性。
(2)本发明的道路类型识别方法可以根据识别得到的道路类型调整车辆的悬架特性参数，能够提高车辆行驶的平顺性和乘坐舒适度，提高用户体验。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1是本发明一个实施例提供的道路类型识别方法的流程图；
图2是本发明另一个实施例提供的道路类型识别方法的流程图；
图3是本发明另一个实施例提供的道路类型识别方法的流程图；
图4是本发明另一个实施例提供的道路类型识别方法的流程图；
图5是本发明一个实施例提供的道路类型识别装置的结构示意图；
图6是本发明一个实施例提供的道路类型识别系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
参考说明书附图1，其示出了本发明实施例提供的一种道路类型识别方法的流程，所述道路类型识别方法可以应用于道路类型识别装置。如图1所示，所述方法可以包括：
S110：获取数据采集模块发送的车辆当前行驶道路的道路图像。
本发明实施例中，可以通过数据采集模块在车辆行驶过程中实时采集当前行驶道路的清晰图像，并且将所述图像发送给所述道路类型识别装置。所述道路图像可以包括道路信息，还可以包括障碍物信息，例如道路上的其他车辆信息和行人信息等。
在一个可能的实施例中，参考说明书附图2，所述获取数据采集模块发送的车辆当前行驶道路的道路图像可以包括：
S111：获取毫米波雷达采集的所述车辆当前行驶道路的第一道路图像。
S112：获取摄像头采集的所述车辆当前行驶道路的第二道路图像。
实际应用中，摄像头近距离拍摄的图像清晰度较高，而对远距离物体的拍摄图像清晰度较差，通过对摄像头拍摄的图片分析得到的物体的位置、形状等数据比较准确，但对物体的速度、距离等数据的获取精度较差。而毫米波雷达可以准确地获取远距离的物体的图像数据，且对毫米波雷达采集的图像进行分析，得到物体的速度、距离等数据比较准确，但是对物体的位置、形状等判断的精度不够。如果仅对采用某一种方式获取的车辆当前行驶道路的道路图像进行分析来识别道路区域，得到的道路信息结果可能不准确，进而会导致道路类型判断结果也不准确。因此，本发明实施例可以对毫米波雷达和摄像头采集的当前行驶道路的道路图像分别进行语义分割，识别其中的道路区域，对识别得到的道路区域中同一位置的道路信息进行融合处理，得到当前行驶道路的道路信息，能够提高道路区域和道路类型识别的准确性。
具体地，所述毫米波雷达和所述摄像头可以设置于车辆上，所述毫米波雷达和所述摄像头可以采集车辆当前行驶道路同一位置处的图像，所述毫米波雷达和所述摄像头均可以采集到的当前行驶道路的清晰图像。所述毫米波雷达和所述摄像头的数量均可以为多个，具体的数量可以根据实际需要进行设置，也可以采用其他类型的雷达代替毫米波雷达来采集当前行驶道路的道路图像，本发明对此不做限定。
S120：利用预先训练的语义分割模型对所述道路图像进行处理，得到所述道路图像的语义分割结果，根据所述语义分割结果确定所述当前行驶道路的道路信息。
本发明实施例中，可以采用基于深度学习的语义分割网络对所述道路图像进行语义分割，确定所述道路图像每个像素属于道路区域或者障碍物区域的概率，进而确定每个像素所属的类别，分割出道路区域和障碍物区域。可以根据所述语义分割结果直接确定所述道路图像中的道路区域，将所述道路区域的信息作为当前行驶道路的道路信息。所述语义分割网络可以为深度学习卷积神经网络、ENet语义分割网络等等，本发明对此不做限定。其中，ENet语义分割网络是一个常用的分割网络，它拥有简单的网络结构、快速的运行时间和不多的变量。
在一个可能的实施例中，参考说明书附图2，所述利用预先训练的语义分割模型对所述道路图像进行处理，得到所述道路图像的语义分割结果，根据所述语义分割结果确定所述当前行驶道路的道路信息可以包括：
S121：利用所述语义分割模型对所述第一道路图像进行处理，得到第一语义分割结果，所述第一语义分割结果包括道路区域和障碍物区域。
S122：获取所述第一语义分割结果中道路区域的信息作为所述当前行驶道路的第一道路信息。
S123：利用所述语义分割模型对所述第二道路图像进行处理，得到第二语义分割结果，所述第二语义分割结果包括道路区域和障碍物区域。
S124：获取所述第二语义分割结果中道路区域的信息作为所述当前行驶道路的第二道路信息。
S125：对所述第一道路信息和所述第二道路信息进行加权融合，得到所述当前行驶道路的道路信息。
具体地，由于所述道路图像包括毫米波雷达采集的第一道路图像和摄像头采集的第二道路图像，因此可以对两个道路图像分别进行语义分割，得到两个分割结果，并对两个分割结果中道路区域同一位置的道路信息进行加权融合得到当前行驶道路的道路信息。通过融合毫米波雷达采集的道路图像和摄像头采集的道路图像得到道路信息，可以提高语义分割得到的道路信息的准确性，降低光线变化、道路阴影等因素的影响。
在一个可能的实施例中，所述对所述第一道路信息和所述第二道路信息进行加权融合，得到所述当前行驶道路的道路信息可以包括：
根据所述当前行驶道路与所述车辆的距离信息确定所述第一道路信息的第一权重和所述第二道路信息的第二权重；
基于所述第一权重和所述第二权重对所述第一道路信息和所述第二道路信息进行加权融合，得到所述当前行驶道路的道路信息。
本发明实施例中，由于摄像头对近距离物体拍摄比较清晰，使得通过所述第二道路图像得到的近距离道路的道路信息比较准确，因此对近距离道路的道路信息进行融合时可以加大所述第二道路信息的权重；而毫米波雷达对于远距离物体的图像采集准确度较高，使得所述第一道路图像得到的远距离道路的道路信息比较准确，因此对远距离道路的道路信息进行融合时可以加大所述第一道路信息的权重。
具体地，可以预先确定一个距离阈值，对于在所述车辆的距离阈值范围内的道路，可以将所述第一道路信息的权重设置为一个较小的值(例如可以设置为0.2-0.4)，将所述第二道路信息的权重设置为一个较大的值(例如可以设置为0.6-0.8)；对于在所述车辆的距离阈值范围外的道路，可以提高所述第一分割结果的权重(例如可以设置为0.6-0.8)，降低所述第二分割结果的权重(例如可以设置为0.2-0.4)。其中，所述距离阈值可以根据实际情况确定，示例性地，所述距离阈值可以根据毫米波雷达和摄像头的性能确定，具体确定公式如下：
Figure BDA0002788700740000081
其中，m表示毫米波雷达的数量，n表示摄像头的数量，Ki表示第i个毫米波雷达的性能值，Li表示第i个毫米波雷达能够观察到的距离最大值，Jj表示第j个摄像头的性能值，Cj表示第j个摄像头能够观察到的距离最大值。
S130：获取所述车辆的悬架特性参数的变化信息，所述悬架特性参数包括运动学特性的前束角、运动学特性的外倾角、运动学特性的主销后倾角和/或弹性运动学特性的主销后倾角。
本发明实施例中，所述悬架特性参数的变化信息可以包括所述悬架特性参数的变化率，包括运动学特性(K特性)的前束角变化率、K特性的外倾角变化率、K特性的主销后倾角变化率和弹性运动学特性(C特性)的主销后倾角变化率等信息。其中，K特性的前束角变化率过大、零前束、负前束都会使得车轮在道路上面边滚边滑，K特性的外倾角变化率可以得到轮跳时外倾角的变化，会导致轮胎接地性能和侧向力发生变化，K&C特性的主销后倾角变化率影响汽车的直线行驶。
在实际应用中，由于车辆在不同的道路上行驶，悬架的K&C特性会具有不同的表现，因此可以通过车辆悬架特性表现来反映车辆当前行驶道路的道路情况。例如，可以根据悬架在不同道路上的参数变化情况，将道路分成至少两个等级，例如可以分成平滑路面和不平路面，其中，不平路面还可以进行进一步的细分，比如划分为颠簸路面、剧烈颠簸路面等等。具体地，可以预先设置K特性的前束角变化率、K特性的外倾角变化率、K特性的主销后倾角变化率和C特性的主销后倾角变化率的阈值，根据所述车辆当前的悬架特性参数变化来确定所述车辆当前行驶道路的类型。示例性地，可以设置K特性前束角变化率的阈值为0、K特性外倾角变化率的阈值为-0.1、K特性主销后倾角的变化率阈值为0.1以及C特性主销后倾角的变化率阈值0.5，当所述车辆当前的悬架特征信息中的K特性前束角变化率、K特性的外倾角变化率、K特性的主销后倾角变化率和C特性的主销后倾角变化率均小于上述阈值时，可以判定当前行驶道路为平滑路面，否则判定为不平路面。
S140：基于预设的权重系数对所述道路信息和所述悬架特性参数的变化信息进行加权融合，得到所述当前行驶道路的融合特征信息。
本发明实施例中，由于所述道路信息和所述悬架特性参数的变化信息均能反映出车辆当前行驶道路的状况，因此可以将所述道路信息和悬架特性信息进行融合，得到能够更加准确、全面地反映道路状况的融合特征信息。其中，所述道路信息和悬架特性信息的权重可以根据实际需要设定，例如可以设置各为0.5。所述融合特征信息同时包括道路本身的信息和车辆的悬架特性信息两种特征信息，通过所述融合特征信息，可以实现同时考虑所述道路信息和悬架特性信息两种特征信息，来识别所述当前行驶道路的道路类型，可以提高道路类型识别的准确性。
S150：根据所述融合特征信息确定所述当前行驶道路的道路类型，所述道路类型包括平滑路面和不平路面。
本发明实施例中，可以根据道路信息和悬架特性信息融合得到的当前行驶道路的融合特征信息来识别道路的类型。所述道路类型可以包括两级道路类型，包括平滑路面和不平路面，在两级道路类型下还可以进行细分小类，例如不平路面下还可以划分颠簸路面和剧烈颠簸路面等等级。
本发明的道路类型识别方法通过将毫米波雷达、摄像头等采集的道路图像进行语义分割，得到当前行驶道路的道路信息，并基于所述道路信息与车辆的悬架特性参数的变化信息进行多维度的信息融合，来识别当前行驶道路的道路类型，能够在道路颜色不一致的情况下，精准识别道路类型，提高道路类型识别的适应性和准确性，进而保证车辆行驶的安全性。
进一步地，参考说明书附图3，所述方法还可以包括：
S160：将所述当前行驶道路的道路类型发送至悬架控制模块，以使得所述悬架控制模块判断车辆的悬架特性参数是否与所述道路类型相匹配，当所述悬架特性参数与所述道路类型不匹配时，调整所述车辆的悬架特性参数。
本发明实施例中，所述悬架控制模块可以根据接收到的当前行驶道路的道路类型调整车辆的悬架特性参数和/或悬架的刚度值，减少车辆在当前行驶道路上行驶时的震动，以保证车辆能平顺地行驶，提高车辆的乘坐舒适性。其中，所述悬架特性参数包括运动学特性的前束角、运动学特性的外倾角、运动学特性的主销后倾角和/或弹性运动学特性的主销后倾角。
在一个可能的实施例中，所述悬架控制模块判断车辆的悬架特性参数是否与所述道路类型相匹配，当所述悬架特性参数与所述道路类型不匹配时，调整所述车辆的悬架特性参数可以包括：当所述道路类型为平滑路面，而悬架的特性表现与平滑路面时的特性不一致，此时所述悬架控制模块可以自动调整K&C特性，以使得车辆的舒适性更合理；当所述道路类型为不平路面，而悬架的特性表现与不平路面时的特性不一致，此时所述悬架控制模块可以自动调整K&C特性，以使得车辆的舒适性更合理。
综上所述，本发明的道路类型识别方法可以根据识别得到的道路类型调整车辆的悬架特性参数，能够提高车辆行驶的平顺性和乘坐舒适度，提高用户体验。
参考说明书附图4，其示出了本发明另一个实施例提供的一种道路类型识别方法的流程，所述方法可以应用于道路类型识别系统。如图4所示，所述方法可以包括：
S410：数据采集模块采集车辆当前行驶道路的道路图像，将所述道路图像发送至道路类型识别装置；
S420：所述道路类型识别装置利用预先训练的语义分割模型对所述道路图像进行处理，得到所述道路图像的语义分割结果，根据所述语义分割结果确定所述当前行驶道路的道路信息；
S430：所述道路类型识别装置获取所述车辆的悬架特性参数的变化信息，所述悬架特性参数包括运动学特性的前束角、运动学特性的外倾角、运动学特性的主销后倾角和/或弹性运动学特性的主销后倾角；
S440：所述道路类型识别装置基于预设的权重系数对所述道路信息和所述悬架特性参数的变化信息进行加权融合，得到所述当前行驶道路的融合特征信息；
S450：所述道路类型识别装置根据所述融合特征信息确定所述当前行驶道路的道路类型，所述道路类型包括平滑路面和不平路面；将所述当前行驶道路的道路类型发送至悬架控制模块；
S460：所述悬架控制模块判断车辆的悬架特性参数是否与所述道路类型相匹配，当所述悬架特性参数与所述道路类型不匹配时，调整所述车辆的悬架特性参数。
参考说明书附图5，其示出了本发明一个实施例提供的一种道路类型识别装置的结构，如图5所示，所述装置可以包括：
第一获取模块510，用于获取数据采集模块发送的车辆当前行驶道路的道路图像；
语义分割模块520，用于利用预先训练的语义分割模型对所述道路图像进行处理，得到所述道路图像的语义分割结果，根据所述语义分割结果确定所述当前行驶道路的道路信息；
第二获取模块530，用于获取所述车辆的悬架特性参数的变化信息，所述悬架特性参数包括运动学特性的前束角、运动学特性的外倾角、运动学特性的主销后倾角和/或弹性运动学特性的主销后倾角；
加权融合模块540，用于基于预设的权重系数对所述道路信息和所述悬架特性参数的变化信息进行加权融合，得到所述当前行驶道路的融合特征信息；
确定模块550，用于根据所述融合特征信息确定所述当前行驶道路的道路类型，所述道路类型包括平滑路面和不平路面。
在一个可能的实施例中，所述装置还可以包括：
发送模块，用于将所述当前行驶道路的道路类型发送至悬架控制模块，以使得所述悬架控制模块判断车辆的悬架特性参数是否与所述道路类型相匹配，当所述悬架特性参数与所述道路类型不匹配时，调整所述车辆的悬架特性参数。
参考说明书附图6，其示出了本发明一个实施例提供的一种道路类型识别系统的结构，如图6所示，所述系统可以包括数据采集模块610、道路类型识别装置620和悬架控制模块630；
所述数据采集模块610，用于采集车辆当前行驶道路的道路图像，将所述道路图像发送至道路类型识别装置620；
所述道路类型识别装置620，用于利用预先训练的语义分割模型对所述道路图像进行处理，得到所述道路图像的语义分割结果，根据所述语义分割结果确定所述当前行驶道路的道路信息；获取所述车辆的悬架特性参数的变化信息，所述悬架特性参数包括运动学特性的前束角、运动学特性的外倾角、运动学特性的主销后倾角和/或弹性运动学特性的主销后倾角；基于预设的权重系数对所述道路信息和所述悬架特性参数的变化信息进行加权融合，得到所述当前行驶道路的融合特征信息；根据所述融合特征信息确定所述当前行驶道路的道路类型，所述道路类型包括平滑路面和不平路面；将所述当前行驶道路的道路类型发送至悬架控制模块630；
所述悬架控制模块630，用于判断车辆的悬架特性参数是否与所述道路类型相匹配，当所述悬架特性参数与所述道路类型不匹配时，调整所述车辆的悬架特性参数。
在一个具体的实施例中，所述数据采集模块610可以包括毫米波雷达和摄像头。
上述说明已经充分揭露了本发明的具体实施方式。需要指出的是，熟悉该领域的技术人员对本发明的具体实施方式所做的任何改动均不脱离本发明的权利要求书的范围。相应地，本发明的权利要求的范围也并不仅仅局限于前述具体实施方式。

Claims (8)

1.一种道路类型识别方法，其特征在于，包括：
获取数据采集模块发送的车辆当前行驶道路的第一道路图像和第二道路图像；
利用预先训练好的语义分割模型对所述第一道路图像进行处理，得到第一语义分割结果，所述第一语义分割结果包括道路区域和障碍物区域；
获取所述第一语义分割结果中道路区域的信息作为所述当前行驶道路的第一道路信息；
利用所述语义分割模型对所述第二道路图像进行处理，得到第二语义分割结果，所述第二语义分割结果包括道路区域和障碍物区域；
获取所述第二语义分割结果中道路区域的信息作为所述当前行驶道路的第二道路信息；
对所述第一道路信息和所述第二道路信息进行加权融合，得到所述当前行驶道路的道路信息；
获取所述车辆的悬架特性参数的变化信息，所述悬架特性参数包括运动学特性的前束角、运动学特性的外倾角、运动学特性的主销后倾角和/或弹性运动学特性的主销后倾角；
基于预设的权重系数对所述道路信息和所述悬架特性参数的变化信息进行加权融合，得到所述当前行驶道路的融合特征信息；
根据所述融合特征信息确定所述当前行驶道路的道路类型，所述道路类型包括平滑路面和不平路面。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将所述当前行驶道路的道路类型发送至悬架控制模块，以使得所述悬架控制模块判断车辆的悬架特性参数是否与所述道路类型相匹配，当所述悬架特性参数与所述道路类型不匹配时，调整所述车辆的悬架特性参数。
3.根据权利要求1所述的方法，其特征在于，所述对所述第一道路信息和所述第二道路信息进行加权融合，得到所述当前行驶道路的道路信息包括：
根据所述当前行驶道路与所述车辆的距离信息确定所述第一道路信息的第一权重和所述第二道路信息的第二权重；
基于所述第一权重和所述第二权重对所述第一道路信息和所述第二道路信息进行加权融合，得到所述当前行驶道路的道路信息。
4.一种道路类型识别方法，其特征在于，包括：
数据采集模块采集车辆当前行驶道路的第一道路图像和第二道路图像，所述第一道路图像为毫米波雷达采集的所述车辆当前行驶道路的道路图像，所述第二道路图像为摄像头采集的所述车辆当前行驶道路的道路图像，将所述第一道路图像和第二道路图像发送至道路类型识别装置；
所述道路识别装置利用预先训练好的语义分割模型对所述第一道路图像进行处理，得到第一语义分割结果，所述第一语义分割结果包括道路区域和障碍物区域；获取所述第一语义分割结果中道路区域的信息作为所述当前行驶道路的第一道路信息；
所述道路识别装置利用所述语义分割模型对所述第二道路图像进行处理，得到第二语义分割结果，所述第二语义分割结果包括道路区域和障碍物区域；获取所述第二语义分割结果中道路区域的信息作为所述当前行驶道路的第二道路信息；
所述道路识别装置对所述第一道路信息和所述第二道路信息进行加权融合，得到所述当前行驶道路的道路信息；
所述道路类型识别装置获取所述车辆的悬架特性参数的变化信息，所述悬架特性参数包括运动学特性的前束角、运动学特性的外倾角、运动学特性的主销后倾角和/或弹性运动学特性的主销后倾角；
所述道路类型识别装置基于预设的权重系数对所述道路信息和所述悬架特性参数的变化信息进行加权融合，得到所述当前行驶道路的融合特征信息；
所述道路类型识别装置根据所述融合特征信息确定所述当前行驶道路的道路类型，所述道路类型包括平滑路面和不平路面；将所述当前行驶道路的道路类型发送至悬架控制模块；
所述悬架控制模块判断车辆的悬架特性参数是否与所述道路类型相匹配，当所述悬架特性参数与所述道路类型不匹配时，调整所述车辆的悬架特性参数。
5.一种道路类型识别装置，其特征在于，包括：
第一获取模块，用于获取数据采集模块发送的车辆当前行驶道路的第一道路图像和第二道路图像，所述第一道路图像为毫米波雷达采集的所述车辆当前行驶道路的道路图像，所述第二道路图像为摄像头采集的所述车辆当前行驶道路的道路图像；
语义分割模块，用于利用预先训练好的语义分割模型对所述第一道路图像进行处理，得到第一语义分割结果，所述第一语义分割结果包括道路区域和障碍物区域；获取所述第一语义分割结果中道路区域的信息作为所述当前行驶道路的第一道路信息；
所述语义分割模块,还用于利用所述语义分割模型对所述第二道路图像进行处理，得到第二语义分割结果，所述第二语义分割结果包括道路区域和障碍物区域；获取所述第二语义分割结果中道路区域的信息作为所述当前行驶道路的第二道路信息；
第二获取模块，用于获取所述车辆的悬架特性参数的变化信息，所述悬架特性参数包括运动学特性的前束角、运动学特性的外倾角、运动学特性的主销后倾角和/或弹性运动学特性的主销后倾角；
加权融合模块，用于基于预设的权重系数对所述第一道路信息和所述第二道路信息进行加权融合，得到所述当前行驶道路的道路信息；
所述加权融合模块，还用于基于预设的权重系数对所述道路信息和所述悬架特性参数的变化信息进行加权融合，得到所述当前行驶道路的融合特征信息；
确定模块，用于根据所述融合特征信息确定所述当前行驶道路的道路类型，所述道路类型包括平滑路面和不平路面。
6.根据权利要求5所述的装置，其特征在于，所述装置还包括：
发送模块，用于将所述当前行驶道路的道路类型发送至悬架控制模块，以使得所述悬架控制模块判断车辆的悬架特性参数是否与所述道路类型相匹配，当所述悬架特性参数与所述道路类型不匹配时，调整所述车辆的悬架特性参数。
7.一种道路类型识别系统，其特征在于，包括数据采集模块、道路类型识别装置和悬架控制模块；
所述数据采集模块，用于采集车辆当前行驶道路的第一道路图像和第二道路图像，所述第一道路图像为毫米波雷达采集的所述车辆当前行驶道路的道路图像，所述第二道路图像为摄像头采集的所述车辆当前行驶道路的道路图像，将所述第一道路图像和第二道路图像发送至道路类型识别装置；
所述道路类型识别装置，用于利用预先训练好的语义分割模型对所述第一道路图像进行处理，得到第一语义分割结果，所述第一语义分割结果包括道路区域和障碍物区域；获取所述第一语义分割结果中道路区域的信息作为所述当前行驶道路的第一道路信息；利用所述语义分割模型对所述第二道路图像进行处理，得到第二语义分割结果，所述第二语义分割结果包括道路区域和障碍物区域；获取所述第二语义分割结果中道路区域的信息作为所述当前行驶道路的第二道路信息；对所述第一道路信息和所述第二道路信息进行加权融合，得到所述当前行驶道路的道路信息；
获取所述车辆的悬架特性参数的变化信息，所述悬架特性参数包括运动学特性的前束角、运动学特性的外倾角、运动学特性的主销后倾角和/或弹性运动学特性的主销后倾角；基于预设的权重系数对所述道路信息和所述悬架特性参数的变化信息进行加权融合，得到所述当前行驶道路的融合特征信息；根据所述融合特征信息确定所述当前行驶道路的道路类型，所述道路类型包括平滑路面和不平路面；将所述当前行驶道路的道路类型发送至悬架控制模块；
所述悬架控制模块，用于判断车辆的悬架特性参数是否与所述道路类型相匹配，当所述悬架特性参数与所述道路类型不匹配时，调整所述车辆的悬架特性参数。
8.根据权利要求7所述的系统，其特征在于，所述数据采集模块包括毫米波雷达和摄像头。
CN202011307489.9A 2020-11-19 2020-11-19 一种道路类型识别方法、装置及系统 Active CN112464773B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011307489.9A CN112464773B (zh) 2020-11-19 2020-11-19 一种道路类型识别方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011307489.9A CN112464773B (zh) 2020-11-19 2020-11-19 一种道路类型识别方法、装置及系统

Publications (2)

Publication Number Publication Date
CN112464773A CN112464773A (zh) 2021-03-09
CN112464773B true CN112464773B (zh) 2023-06-06

Family

ID=74836378

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011307489.9A Active CN112464773B (zh) 2020-11-19 2020-11-19 一种道路类型识别方法、装置及系统

Country Status (1)

Country Link
CN (1) CN112464773B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113361423A (zh) * 2021-06-11 2021-09-07 上海追势科技有限公司 一种主动悬架调整方法
CN113379719A (zh) * 2021-06-28 2021-09-10 北京百度网讯科技有限公司 道路缺陷检测方法、装置、电子设备和存储介质
CN113928073A (zh) * 2021-10-20 2022-01-14 国汽智控(北京)科技有限公司 主动悬架的调节方法、装置及设备
CN113762428A (zh) * 2021-11-10 2021-12-07 北京中科慧眼科技有限公司 路面颠簸度等级分类方法和系统
CN114572183A (zh) * 2022-02-25 2022-06-03 智己汽车科技有限公司 一种汽车路面自适应的车辆控制方法及设备
CN114620055B (zh) * 2022-03-15 2022-11-25 阿波罗智能技术(北京)有限公司 道路数据处理方法、装置、电子设备及自动驾驶车辆

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019102091A1 (fr) * 2017-11-21 2019-05-31 Psa Automobiles Sa Suspension active avec fonction d'anticipation d'obstacle sur la route
CN211106820U (zh) * 2019-09-24 2020-07-28 南京航空航天大学金城学院 基于ecas空气悬架系统的原子车设计与实现系统
CN113147308A (zh) * 2021-03-30 2021-07-23 浙江工业大学 基于双目视觉技术的悬架预瞄控制方法及悬架控制装置

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9533539B2 (en) * 2011-10-20 2017-01-03 GM Global Technology Operations LLC Vehicle suspension system and method of using the same
DE102014008675B4 (de) * 2014-06-13 2017-09-21 Audi Ag Verfahren zum Betreiben eines Radaufhängungssystems
US10315481B2 (en) * 2015-11-05 2019-06-11 Ford Global Technologies, Llc Systems and methods for vehicle dynamics assignment
CN108985194B (zh) * 2018-06-29 2022-06-10 华南理工大学 一种基于图像语义分割的智能车辆可行驶区域的识别方法
KR102129904B1 (ko) * 2019-01-04 2020-07-06 주식회사 만도 서스펜션 제어 시스템, 서스펜션 제어 방법 및 서스펜션 제어 장치
WO2020172875A1 (zh) * 2019-02-28 2020-09-03 深圳市大疆创新科技有限公司 道路结构信息的提取方法、无人机及自动驾驶系统
CN110614894A (zh) * 2019-08-21 2019-12-27 南京航空航天大学 用于复杂路况的主动悬架控制系统和控制方法
CN110834639A (zh) * 2019-10-24 2020-02-25 中国第一汽车股份有限公司 车辆控制方法、装置、设备和存储介质
CN111516449B (zh) * 2020-04-15 2023-03-14 深圳职业技术学院 一种基于路面状况主动调节车辆悬架的方法及车辆
CN111860425B (zh) * 2020-07-30 2021-04-09 清华大学 一种深度多模态跨层交叉融合方法、终端设备及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019102091A1 (fr) * 2017-11-21 2019-05-31 Psa Automobiles Sa Suspension active avec fonction d'anticipation d'obstacle sur la route
CN211106820U (zh) * 2019-09-24 2020-07-28 南京航空航天大学金城学院 基于ecas空气悬架系统的原子车设计与实现系统
CN113147308A (zh) * 2021-03-30 2021-07-23 浙江工业大学 基于双目视觉技术的悬架预瞄控制方法及悬架控制装置

Also Published As

Publication number Publication date
CN112464773A (zh) 2021-03-09

Similar Documents

Publication Publication Date Title
CN112464773B (zh) 一种道路类型识别方法、装置及系统
CN110487562B (zh) 一种用于无人驾驶的车道保持能力检测系统及方法
US11050933B2 (en) Device and method for determining a center of a trailer tow coupler
CN111369541B (zh) 一种智能汽车恶劣天气条件下车辆检测方法
Kühnl et al. Monocular road segmentation using slow feature analysis
CN112396650A (zh) 一种基于图像和激光雷达融合的目标测距系统及方法
CN112215306B (zh) 一种基于单目视觉与毫米波雷达融合的目标检测方法
CN110443138B (zh) 基于车载毫米波雷达联合svm和cnn多目标分类方法
Guo et al. CoFF: Cooperative spatial feature fusion for 3-D object detection on autonomous vehicles
CN114359876B (zh) 一种车辆目标识别方法及存储介质
CN113537316B (zh) 一种基于4d毫米波雷达点云的车辆检测方法
CN112487905A (zh) 一种车辆周边行人危险等级预测方法及系统
CN113822221A (zh) 一种基于对抗神经网络和多传感器融合的目标检测方法
CN113848545A (zh) 一种基于视觉和毫米波雷达的融合目标检测和跟踪方法
CN117452410A (zh) 一种基于毫米波雷达的车辆检测系统
CN117111055A (zh) 一种基于雷视融合的车辆状态感知方法
CN113538357B (zh) 一种抗阴影干扰的路面状态在线检测方法
CN106776801A (zh) 一种基于深度学习的图片搜索方法
CN116977970A (zh) 一种基于激光雷达与毫米波雷达融合的道路可行驶区域检测方法
CN113895439B (zh) 一种基于车载多源传感器概率融合的自动驾驶变道行为决策方法
CN112328651B (zh) 基于毫米波雷达数据统计特征的交通目标识别方法
CN111126338B (zh) 一种融合视觉注意力机制的智能车辆环境感知方法
CN113820682A (zh) 一种基于毫米波雷达的目标检测方法及装置
Bezawada et al. Modeling lane and road characteristics for drive quality rating
WO2022115993A1 (en) Method and apparatus for tuning sensor fusion weights

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