CN112509321A - 一种基于无人机的城市复杂交通情景的驾驶控制方法、系统及可读存储介质 - Google Patents

一种基于无人机的城市复杂交通情景的驾驶控制方法、系统及可读存储介质 Download PDF

Info

Publication number
CN112509321A
CN112509321A CN202011359891.1A CN202011359891A CN112509321A CN 112509321 A CN112509321 A CN 112509321A CN 202011359891 A CN202011359891 A CN 202011359891A CN 112509321 A CN112509321 A CN 112509321A
Authority
CN
China
Prior art keywords
traffic
information
driving
generating
unmanned aerial
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.)
Withdrawn
Application number
CN202011359891.1A
Other languages
English (en)
Inventor
刘立斌
付骏宇
耿鹏
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.)
Foshan Menassen Intelligent Technology Co ltd
Original Assignee
Foshan Menassen Intelligent 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 Foshan Menassen Intelligent Technology Co ltd filed Critical Foshan Menassen Intelligent Technology Co ltd
Priority to CN202011359891.1A priority Critical patent/CN112509321A/zh
Publication of CN112509321A publication Critical patent/CN112509321A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
    • G08G1/096791—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is another vehicle

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于无人机的城市复杂交通情景的驾驶控制方法、系统及可读存储介质，包括：通过无人机节点采集交通图像信息，将图像信息进行预处理，得到交通流数据；提取交通流数据特征值，生成交通情景信息，构建交通情景模型；获取实时交通数据，生成驾驶规则；将驾驶规则传输至车载终端，生成驾驶行为决策；将驾驶行为决策信息与当前驾驶状态信息，生成偏差率；判断偏差率是否大于所述偏差率阈值；若大于，则生成修正信息；通过修正信息对当前驾驶状态进行修正，得到结果信息；将结果信息按照预定方式传输至无人机节点。

Description

一种基于无人机的城市复杂交通情景的驾驶控制方法、系统 及可读存储介质
技术领域
本发明涉及一种城市复杂交通情景的驾驶控制方法，尤其涉及一种基于无人机的城市复杂交通情景的驾驶控制方法、系统及可读存储介质。
背景技术
智能汽车是未来汽车前瞻性的热点研究领域。经过多年的发展，单一功能的驾驶辅助系统已经商用化多年；近年来，传统汽车厂商推出一些商用的高级驾驶辅助系统，能达到二级自动化等级，但是其功能仍主要是简单交通情景的巡航驾驶，对交通法规处理涉及较少。一些企业和机构开发出更高自动化等级的无人驾驶样车进行测试，从一些路测结果和分析报告来看，其仍不能完备地处理交通法规，特别是有其他交通参与物存在的复杂交通环境下。当前智能汽车还不能很完备地解决交通法规的适应问题。复杂交通情景下智能汽车不仅需要处理行人、机动车等交通参与物要素还要处理交通线、交通标志、交通信号等交通法规要素。早期由移动机器人发展而来的智能汽车多采用动态规划方案生成预期路径，这种方法多将交通法规信息作为约束条件与交通参与物一起进行非线性优化，会导致求解过程不易收敛，难以保证获得全局最优路径。
为了能够对复杂交通情景中的汽车驾驶实现精准的控制，需要开发一款与其相匹配的系统进行控制，该系统通过无人机节点采集交通图像信息，得到交通流数据，提取交通流数据特征值，生成交通情景信息，构建交通情景模型；获取实时交通数据，生成驾驶规则；将驾驶规则传输至车载终端，生成驾驶行为决策，但是在进行控制过程中，如何实现精准控制的同时，实现复杂场景下车辆的智能无人驾驶都是亟不可待要解决的问题。
发明内容
本发明克服了现有技术的不足，提供一种基于无人机的城市复杂交通情景的驾驶控制方法、系统及可读存储介质。
为达到上述目的，本发明采用的技术方案为：一种基于无人机的城市复杂交通情景的驾驶控制方法，包括：
通过无人机节点采集交通图像信息，将图像信息进行预处理，得到交通流数据；
提取交通流数据特征值，生成交通情景信息，构建交通情景模型；
获取实时交通数据，生成驾驶规则；
将驾驶规则传输至车载终端，生成驾驶行为决策；
将驾驶行为决策信息与当前驾驶状态信息，生成偏差率；
判断偏差率是否大于所述偏差率阈值；
若大于，则生成修正信息；
通过修正信息对当前驾驶状态进行修正，得到结果信息；
将结果信息按照预定方式传输至无人机节点。
本发明一个较佳实施例中，将驾驶规则传输至车载终端，生成驾驶行为决策，还包括：获取道路结构信息，建立交通区域模型，
建立交通信号模型，生成交通信号信息；
分解交通法规，生成驾驶行为集，对驾驶行为集进行特征提取，得到驾驶数据；
根据交通区域模型与交通信号模型，生成最优驾驶路径，
获取其他道路与目标道路的交互行为，生成最优驾驶行为决策；
将最优驾驶行为决策传输至车载终端。
本发明一个较佳实施例中，获取驾驶环境中的路网信息，
根据试行任务规划行程路径，将行程路径分割成若干个路段序列；
获取每一段路段序列中的路径点，判断路段序列中是否有突发交通事件，若有，则根据当前所处路段及路网信息进行重新规划路径，得到结果信息；
将结果信息按照预定方式传输至车载终端。
本发明一个较佳实施例中，还包括：
获取驾驶行为信息，提取驾驶行为信息特征值，生成评价模型；
获取评价指标数据，对驾驶路径进行分割，生成路段序列；
计算任一路段序列评价值，输入评价模型，得到该路段序列评价结果信息；
该路段序列评价结果信息与预设评价信息进行比较，得到偏差率；
判断所述偏差率是否大于预设偏差率阈值，
若大于，则调整驾驶行为信息；
若小于，则生成最优评价信息，并保持当前驾驶行为。
本发明一个较佳实施例中，通过航拍无人机采集交通图像信息，将图像信息进行预处理，还包括：
将交通图像进行阈值化处理，非车道线区域处理成黑色，车道线区域处理成白色；
通过局部最小值法去除图像噪点，并通过局部最大值法对白色区域进行补偿处理；
设定剔除宽度，将白色区域进行固定宽度处理，并根据车道线极角特征建立极角约束条件，
根据极角约束条件生成补偿信息，根据补偿信息调整无人机航拍姿态角。
本发明一个较佳实施例中，通过无人机节点采集交通图像信息，将图像信息进行预处理，得到交通流数据，具体包括：
获取交通图像信息，将图像信息进行边缘化处理，
提取图像信息中的路径分割线及路径轨迹，生成路网信息，
根据路网信息与实际交通路径信息进行比较，得到无人机航拍姿态角，
判断无人机航拍姿态角是否大于预设航拍角，
若大于，则生成补偿信息，根据补偿信息进行调整无人机航拍姿态角，
通过无人机再次拍摄交通图像信息，并生成交通流数据。
本发明第二方面还提供了一种基于无人机的城市复杂交通情景的驾驶控制系统，该系统包括：存储器、处理器，所述存储器中包括基于无人机的城市复杂交通情景的驾驶控制方法程序，所述基于无人机的城市复杂交通情景的驾驶控制方法程序被所述处理器执行时实现如下步骤：通过无人机节点采集交通图像信息，将图像信息进行预处理，得到交通流数据；
提取交通流数据特征值，生成交通情景信息，构建交通情景模型；
获取实时交通数据，生成驾驶规则；
将驾驶规则传输至车载终端，生成驾驶行为决策；
将驾驶行为决策信息与当前驾驶状态信息，生成偏差率；
判断偏差率是否大于所述偏差率阈值；
若大于，则生成修正信息；
通过修正信息对当前驾驶状态进行修正，得到结果信息；
将结果信息按照预定方式传输至无人机节点。
本发明一个较佳实施例中，将驾驶规则传输至车载终端，生成驾驶行为决策，还包括：获取道路结构信息，建立交通区域模型，
建立交通信号模型，生成交通信号信息；
分解交通法规，生成驾驶行为集，对驾驶行为集进行特征提取，得到驾驶数据；
根据交通区域模型与交通信号模型，生成最优驾驶路径，
获取其他道路与目标道路的交互行为，生成最优驾驶行为决策；
将最优驾驶行为决策传输至车载终端。
本发明一个较佳实施例中，还包括：
获取驾驶行为信息，提取驾驶行为信息特征值，生成评价模型；
获取评价指标数据，对驾驶路径进行分割，生成路段序列；
计算任一路段序列评价值，输入评价模型，得到该路段序列评价结果信息；
该路段序列评价结果信息与预设评价信息进行比较，得到偏差率；
判断所述偏差率是否大于预设偏差率阈值，
若大于，则调整驾驶行为信息；
若小于，则生成最优评价信息，并保持当前驾驶行为。
本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包括基于无人机的城市复杂交通情景的驾驶控制方法程序，所述基于无人机的城市复杂交通情景的驾驶控制方法程序被处理器执行时，实现上述任一项所述的基于无人机的城市复杂交通情景的驾驶控制方法的步骤。
本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：
(1)通过无人机航拍道路图像信息，并实时获取交通流数据，生成交通情景信息，构建交通情景模型，根据模型自动识别交通事件类别，根据不同的交通事件类别做出对应的决策，无人机节点针对不同的交通情景将不同的驾驶行为决策传输至车载终端，为车辆后续行驶进行指导控制，实现城市道路的驾驶行为调整。
(2)通过分解交通法规，生成驾驶行为集，同时获取其他道路与目标道路的交互行为，生成最优驾驶行为决策，能够实现针对不同区域或不同国家的交通法规的区别，进行针对性的进行驾驶行为的调整，并且将交通法规作为约束条件与交通参与物一起进行优化，得到最优的驾驶行为决策，能够实现无人驾驶的精准性及控制过程中的快速性。
(3)通过多维度获取驾驶场景信息，进行数据的提取，融合多个数据源，对智能汽车行驶场景的各个要素进行建模，为智能汽车决策控制系统提供数据支持。通过对场景因素分析，以路面区域分割的方式对道路结构化要素进行建模，建立交通区域用于表达车道、人行横道等要素；以交通信号的方式对交通标志、交通信号灯等要素进行建模，将交通信号附属于其作用的交通区域；建立交通参与物模型对场景中其他车辆进行建模。以各要素之间相互关联关系作为重要模型属性，实现了复杂交通场景的高效表达和信息联想式快速存取功能。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1示出了本发明一种基于无人机的城市复杂交通情景的驾驶控制方法的流程图；
图2示出了驾驶行为决策方法流程图；
图3示出了路径规划方法流程图；
图4示出了调整驾驶行为信息方法流程图；
图5示出了图像信息预处理方法流程图；
图6示出了一种基于无人机的城市复杂交通情景的驾驶控制系统框图；
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于无人机的城市复杂交通情景的驾驶控制方法的流程图。
如图1所示，本发明第一方面提供了一种基于无人机的城市复杂交通情景的驾驶控制方法，包括：
S102，通过无人机节点采集交通图像信息，将图像信息进行预处理，得到交通流数据；
S104，提取交通流数据特征值，生成交通情景信息，构建交通情景模型；
S106，获取实时交通数据，生成驾驶规则，将驾驶规则传输至车载终端，生成驾驶行为决策；
S108，将驾驶行为决策信息与当前驾驶状态信息，生成偏差率；
S110，判断偏差率是否大于所述偏差率阈值；
S112，若大于，则生成修正信息；
S114，通过修正信息对当前驾驶状态进行修正，得到结果信息，将结果信息按照预定方式传输至无人机节点。
需要说明的是，通过无人机航拍道路图像信息，并实时获取交通流数据，生成交通情景信息，构建交通情景模型，根据模型自动识别交通事件类别，根据不同的交通事件类别做出对应的决策，无人机节点针对不同的交通情景将不同的驾驶行为决策传输至车载终端，为车辆后续行驶进行指导控制，实现城市道路的驾驶行为调整。
如图2所示，本发明公开了驾驶行为决策方法流程图；
根据本发明实施例，将驾驶规则传输至车载终端，生成驾驶行为决策，还包括：S202，获取道路结构信息，建立交通区域模型，
S204，建立交通信号模型，生成交通信号信息；
S206，分解交通法规，生成驾驶行为集，对驾驶行为集进行特征提取，得到驾驶数据；
S208，根据交通区域模型与交通信号模型，生成最优驾驶路径，
S210，获取其他道路与目标道路的交互行为，生成最优驾驶行为决策；
S212，将最优驾驶行为决策传输至车载终端。
需要说明的是，通过分解交通法规，生成驾驶行为集，同时获取其他道路与目标道路的交互行为，生成最优驾驶行为决策，能够实现针对不同区域或不同国家的交通法规的区别，进行针对性的进行驾驶行为的调整，并且将交通法规作为约束条件与交通参与物一起进行优化，得到最优的驾驶行为决策，能够实现无人驾驶的精准性及控制过程中的快速性。
如图3所示，本发明公开了路径规划方法流程图；
根据本发明实施例，还包括：
S302，获取驾驶环境中的路网信息，
S304，根据试行任务规划行程路径，将行程路径分割成若干个路段序列；
S306，获取每一段路段序列中的路径点，判断路段序列中是否有突发交通事件，
S308，若有，则根据当前所处路段及路网信息进行重新规划路径，得到结果信息；
S310，将结果信息按照预定方式传输至车载终端。
如图4所示，本发明公开了调整驾驶行为信息方法流程图；
根据本发明实施例，还包括：
S402，获取驾驶行为信息，提取驾驶行为信息特征值，生成评价模型；
S404，获取评价指标数据，对驾驶路径进行分割，生成路段序列；
S406，计算任一路段序列评价值，输入评价模型，得到该路段序列评价结果信息；
S408，该路段序列评价结果信息与预设评价信息进行比较，得到偏差率；
S410，判断所述偏差率是否大于预设偏差率阈值，
S412，若大于，则调整驾驶行为信息；
S414，若小于，则生成最优评价信息，并保持当前驾驶行为。
需要说明的是，当多个驾驶行为的最终评价指标均相同且均为最优值时，建立基于优选级的最优驾驶行为选择：根据当前所处的驾驶行为在评价值均为最优值的候选驾驶行为中选择，当汽车处于准备阶段的行为时，优先选择驾驶行为是对应的执行阶段的候选行为。例如，当前处于准备变换车道时，当执行变换车道与准备变换车道的评价指标值相同时选择执行变换车道。
如图5所示，本发明公开了图像信息预处理方法流程图；
根据本发明实施例，通过航拍无人机采集交通图像信息，将图像信息进行预处理，还包括：
S502，将交通图像进行阈值化处理，非车道线区域处理成黑色，车道线区域处理成白色；
S504，通过局部最小值法去除图像噪点，并通过局部最大值法对白色区域进行补偿处理；
S506，设定剔除宽度，将白色区域进行固定宽度处理，并根据车道线极角特征建立极角约束条件，
S508，根据极角约束条件生成补偿信息，根据补偿信息调整无人机航拍姿态角。
需要说明的是，无人机在空中飞行作业，由于受天气、空气气流、风力等的影响，飞行姿态很难保持稳定。因此，需要地面监控系统对无人机的飞行姿态进行实时的监控。无人机在飞行作业时，会通过空中数据传输系统将无人机的飞行情况实时传输给地面控制系统，地面控制系统可以根据传回的数据对无人机出现的飞行状况进行实时调整。
根据本发明实施例，通过无人机节点采集交通图像信息，将图像信息进行预处理，得到交通流数据，具体包括：
获取交通图像信息，将图像信息进行边缘化处理，
提取图像信息中的路径分割线及路径轨迹，生成路网信息，
根据路网信息与实际交通路径信息进行比较，得到无人机航拍姿态角，
判断无人机航拍姿态角是否大于预设航拍角，
若大于，则生成补偿信息，根据补偿信息进行调整无人机航拍姿态角，
通过无人机再次拍摄交通图像信息，并生成交通流数据。
如图6所示，本发明公开了一种基于无人机的城市复杂交通情景的驾驶控制系统框图；
本发明第二方面还提供了一种基于无人机的城市复杂交通情景的驾驶控制系统，该系统6包括：存储器61、处理器62，所述存储器中包括基于无人机的城市复杂交通情景的驾驶控制方法程序，所述基于无人机的城市复杂交通情景的驾驶控制方法程序被所述处理器执行时实现如下步骤：通过无人机节点采集交通图像信息，将图像信息进行预处理，得到交通流数据；
提取交通流数据特征值，生成交通情景信息，构建交通情景模型；
获取实时交通数据，生成驾驶规则；
将驾驶规则传输至车载终端，生成驾驶行为决策；
将驾驶行为决策信息与当前驾驶状态信息，生成偏差率；
判断偏差率是否大于所述偏差率阈值；
若大于，则生成修正信息；
通过修正信息对当前驾驶状态进行修正，得到结果信息；
将结果信息按照预定方式传输至无人机节点。
需要说明的是，通过无人机航拍道路图像信息，并实时获取交通流数据，生成交通情景信息，构建交通情景模型，根据模型自动识别交通事件类别，根据不同的交通事件类别做出对应的决策，无人机节点针对不同的交通情景将不同的驾驶行为决策传输至车载终端，为车辆后续行驶进行指导控制，实现城市道路的驾驶行为调整。
根据本发明实施例，将驾驶规则传输至车载终端，生成驾驶行为决策，还包括：获取道路结构信息，建立交通区域模型，
建立交通信号模型，生成交通信号信息；
分解交通法规，生成驾驶行为集，对驾驶行为集进行特征提取，得到驾驶数据；
根据交通区域模型与交通信号模型，生成最优驾驶路径，
获取其他道路与目标道路的交互行为，生成最优驾驶行为决策；
将最优驾驶行为决策传输至车载终端。
需要说明的是，通过分解交通法规，生成驾驶行为集，同时获取其他道路与目标道路的交互行为，生成最优驾驶行为决策，能够实现针对不同区域或不同国家的交通法规的区别，进行针对性的进行驾驶行为的调整，并且将交通法规作为约束条件与交通参与物一起进行优化，得到最优的驾驶行为决策，能够实现无人驾驶的精准性及控制过程中的快速性。
根据本发明实施例，还包括：
获取驾驶行为信息，提取驾驶行为信息特征值，生成评价模型；
获取评价指标数据，对驾驶路径进行分割，生成路段序列；
计算任一路段序列评价值，输入评价模型，得到该路段序列评价结果信息；
该路段序列评价结果信息与预设评价信息进行比较，得到偏差率；
判断所述偏差率是否大于预设偏差率阈值，
若大于，则调整驾驶行为信息；
若小于，则生成最优评价信息，并保持当前驾驶行为。
需要说明的是，当多个驾驶行为的最终评价指标均相同且均为最优值时，建立基于优选级的最优驾驶行为选择：根据当前所处的驾驶行为在评价值均为最优值的候选驾驶行为中选择，当汽车处于准备阶段的行为时，优先选择驾驶行为是对应的执行阶段的候选行为。例如，当前处于准备变换车道时，当执行变换车道与准备变换车道的评价指标值相同时选择执行变换车道。
根据本发明实施例，通过无人机节点采集交通图像信息，将图像信息进行预处理，得到交通流数据，具体包括：
获取交通图像信息，将图像信息进行边缘化处理，
提取图像信息中的路径分割线及路径轨迹，生成路网信息，
根据路网信息与实际交通路径信息进行比较，得到无人机航拍姿态角，
判断无人机航拍姿态角是否大于预设航拍角，
若大于，则生成补偿信息，根据补偿信息进行调整无人机航拍姿态角，
通过无人机再次拍摄交通图像信息，并生成交通流数据。
根据本发明实施例，通过航拍无人机采集交通图像信息，将图像信息进行预处理，还包括：
将交通图像进行阈值化处理，非车道线区域处理成黑色，车道线区域处理成白色；
通过局部最小值法去除图像噪点，并通过局部最大值法对白色区域进行补偿处理；
设定剔除宽度，将白色区域进行固定宽度处理，并根据车道线极角特征建立极角约束条件，
根据极角约束条件生成补偿信息，根据补偿信息调整无人机航拍姿态角。
需要说明的是，无人机在空中飞行作业，由于受天气、空气气流、风力等的影响，飞行姿态很难保持稳定。因此，需要地面监控系统对无人机的飞行姿态进行实时的监控。无人机在飞行作业时，会通过空中数据传输系统将无人机的飞行情况实时传输给地面控制系统，地面控制系统可以根据传回的数据对无人机出现的飞行状况进行实时调整。
本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包括基于无人机的城市复杂交通情景的驾驶控制方法程序，所述基于无人机的城市复杂交通情景的驾驶控制方法程序被处理器执行时，实现上述任一项所述的基于无人机的城市复杂交通情景的驾驶控制方法的步骤。
综上所述，通过无人机航拍道路图像信息，并实时获取交通流数据，生成交通情景信息，构建交通情景模型，根据模型自动识别交通事件类别，根据不同的交通事件类别做出对应的决策，无人机节点针对不同的交通情景将不同的驾驶行为决策传输至车载终端，为车辆后续行驶进行指导控制，实现城市道路的驾驶行为调整。
通过分解交通法规，生成驾驶行为集，同时获取其他道路与目标道路的交互行为，生成最优驾驶行为决策，能够实现针对不同区域或不同国家的交通法规的区别，进行针对性的进行驾驶行为的调整，并且将交通法规作为约束条件与交通参与物一起进行优化，得到最优的驾驶行为决策，能够实现无人驾驶的精准性及控制过程中的快速性。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，单元的划分，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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于无人机的城市复杂交通情景的驾驶控制方法，其特征在于，包括：
通过无人机节点采集交通图像信息，将图像信息进行预处理，得到交通流数据；
提取交通流数据特征值，生成交通情景信息，构建交通情景模型；
获取实时交通数据，生成驾驶规则；
将驾驶规则传输至车载终端，生成驾驶行为决策；
将驾驶行为决策信息与当前驾驶状态信息，生成偏差率；
判断偏差率是否大于所述偏差率阈值；
若大于，则生成修正信息；
通过修正信息对当前驾驶状态进行修正，得到结果信息；
将结果信息按照预定方式传输至无人机节点。
2.根据权利要求1所述的一种基于无人机的城市复杂交通情景的驾驶控制方法，其特征在于，将驾驶规则传输至车载终端，生成驾驶行为决策，还包括：获取道路结构信息，建立交通区域模型，
建立交通信号模型，生成交通信号信息；
分解交通法规，生成驾驶行为集，对驾驶行为集进行特征提取，得到驾驶数据；
根据交通区域模型与交通信号模型，生成最优驾驶路径，
获取其他道路与目标道路的交互行为，生成最优驾驶行为决策；
将最优驾驶行为决策传输至车载终端。
3.根据权利要求1所述的一种基于无人机的城市复杂交通情景的驾驶控制方法，其特征在于，还包括：获取驾驶环境中的路网信息，
根据试行任务规划行程路径，将行程路径分割成若干个路段序列；
获取每一段路段序列中的路径点，判断路段序列中是否有突发交通事件，
若有，则根据当前所处路段及路网信息进行重新规划路径，得到结果信息；
将结果信息按照预定方式传输至车载终端。
4.根据权利要求1所述的一种基于无人机的城市复杂交通情景的驾驶控制方法，其特征在于，还包括：
获取驾驶行为信息，提取驾驶行为信息特征值，生成评价模型；
获取评价指标数据，对驾驶路径进行分割，生成路段序列；
计算任一路段序列评价值，输入评价模型，得到该路段序列评价结果信息；
该路段序列评价结果信息与预设评价信息进行比较，得到偏差率；
判断所述偏差率是否大于预设偏差率阈值，
若大于，则调整驾驶行为信息；
若小于，则生成最优评价信息，并保持当前驾驶行为。
5.根据权利要求1所述的一种基于无人机的城市复杂交通情景的驾驶控制方法，其特征在于，通过航拍无人机采集交通图像信息，将图像信息进行预处理，还包括：
将交通图像进行阈值化处理，非车道线区域处理成黑色，车道线区域处理成白色；
通过局部最小值法去除图像噪点，并通过局部最大值法对白色区域进行补偿处理；
设定剔除宽度，将白色区域进行固定宽度处理，并根据车道线极角特征建立极角约束条件，
根据极角约束条件生成补偿信息，根据补偿信息调整无人机航拍姿态角。
6.根据权利要求1所述的一种基于无人机的城市复杂交通情景的驾驶控制方法，其特征在于，通过无人机节点采集交通图像信息，将图像信息进行预处理，得到交通流数据，具体包括：
获取交通图像信息，将图像信息进行边缘化处理，
提取图像信息中的路径分割线及路径轨迹，生成路网信息，
根据路网信息与实际交通路径信息进行比较，得到无人机航拍姿态角，
判断无人机航拍姿态角是否大于预设航拍角，
若大于，则生成补偿信息，根据补偿信息进行调整无人机航拍姿态角，
通过无人机再次拍摄交通图像信息，并生成交通流数据。
7.一种基于无人机的城市复杂交通情景的驾驶控制系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括基于无人机的城市复杂交通情景的驾驶控制方法程序，所述基于无人机的城市复杂交通情景的驾驶控制方法程序被所述处理器执行时实现如下步骤：通过无人机节点采集交通图像信息，将图像信息进行预处理，得到交通流数据；
提取交通流数据特征值，生成交通情景信息，构建交通情景模型；
获取实时交通数据，生成驾驶规则；
将驾驶规则传输至车载终端，生成驾驶行为决策；
将驾驶行为决策信息与当前驾驶状态信息，生成偏差率；
判断偏差率是否大于所述偏差率阈值；
若大于，则生成修正信息；
通过修正信息对当前驾驶状态进行修正，得到结果信息；
将结果信息按照预定方式传输至无人机节点。
8.根据权利要求7所述的一种基于无人机的城市复杂交通情景的驾驶控制系统，其特征在于，将驾驶规则传输至车载终端，生成驾驶行为决策，还包括：获取道路结构信息，建立交通区域模型，
建立交通信号模型，生成交通信号信息；
分解交通法规，生成驾驶行为集，对驾驶行为集进行特征提取，得到驾驶数据；
根据交通区域模型与交通信号模型，生成最优驾驶路径，
获取其他道路与目标道路的交互行为，生成最优驾驶行为决策；
将最优驾驶行为决策传输至车载终端。
9.根据权利要求7所述的一种基于无人机的城市复杂交通情景的驾驶控制系统，其特征在于，还包括：
获取驾驶行为信息，提取驾驶行为信息特征值，生成评价模型；
获取评价指标数据，对驾驶路径进行分割，生成路段序列；
计算任一路段序列评价值，输入评价模型，得到该路段序列评价结果信息；
该路段序列评价结果信息与预设评价信息进行比较，得到偏差率；
判断所述偏差率是否大于预设偏差率阈值，
若大于，则调整驾驶行为信息；
若小于，则生成最优评价信息，并保持当前驾驶行为。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括基于无人机的城市复杂交通情景的驾驶控制方法程序，所述基于无人机的城市复杂交通情景的驾驶控制方法程序被处理器执行时，实现如权利要求1至6中任一项所述的基于无人机的城市复杂交通情景的驾驶控制方法的步骤。
CN202011359891.1A 2020-11-27 2020-11-27 一种基于无人机的城市复杂交通情景的驾驶控制方法、系统及可读存储介质 Withdrawn CN112509321A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011359891.1A CN112509321A (zh) 2020-11-27 2020-11-27 一种基于无人机的城市复杂交通情景的驾驶控制方法、系统及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011359891.1A CN112509321A (zh) 2020-11-27 2020-11-27 一种基于无人机的城市复杂交通情景的驾驶控制方法、系统及可读存储介质

Publications (1)

Publication Number Publication Date
CN112509321A true CN112509321A (zh) 2021-03-16

Family

ID=74967024

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011359891.1A Withdrawn CN112509321A (zh) 2020-11-27 2020-11-27 一种基于无人机的城市复杂交通情景的驾驶控制方法、系统及可读存储介质

Country Status (1)

Country Link
CN (1) CN112509321A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115022837A (zh) * 2022-05-31 2022-09-06 重庆邮电大学 一种无人机作为空中基站的自动驾驶汽车控制方法及系统
CN115240450A (zh) * 2022-07-13 2022-10-25 购旺工业(赣州)有限公司 一种智慧交通数据采集设备及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115022837A (zh) * 2022-05-31 2022-09-06 重庆邮电大学 一种无人机作为空中基站的自动驾驶汽车控制方法及系统
CN115240450A (zh) * 2022-07-13 2022-10-25 购旺工业(赣州)有限公司 一种智慧交通数据采集设备及方法

Similar Documents

Publication Publication Date Title
CN108921200B (zh) 用于对驾驶场景数据进行分类的方法、装置、设备和介质
US20210302585A1 (en) Smart navigation method and system based on topological map
CN111508260A (zh) 车辆停车位检测方法、装置和系统
CN110135302B (zh) 训练车道线识别模型的方法、装置、设备和存储介质
CN113343461A (zh) 自动驾驶车辆的仿真方法、装置、电子设备及存储介质
CN111723854B (zh) 一种高速公路交通拥堵检测方法、设备及可读存储介质
CN109190504B (zh) 汽车图像数据的处理方法、装置及可读存储介质
CN112509321A (zh) 一种基于无人机的城市复杂交通情景的驾驶控制方法、系统及可读存储介质
CN111539268A (zh) 车辆行驶中的路况预警方法、装置和电子设备
CN113255444A (zh) 图像识别模型的训练方法、图像识别方法和装置
CN114841910A (zh) 车载镜头遮挡识别方法及装置
CN116152768A (zh) 基于路况识别的智能驾驶预警系统及方法
CN113392793A (zh) 用于识别车道线的方法、装置、设备、存储介质以及无人车
CN116634638A (zh) 灯光控制策略的生成方法、灯光控制方法以及相关装置
CN117152513A (zh) 一种面向夜间场景的车辆边界定位方法
CN115546742A (zh) 一种基于单目热红外摄像头的铁轨异物识别方法及系统
CN114926791A (zh) 一种路口车辆异常变道检测方法、装置、存储介质及电子设备
CN117130010B (zh) 用于无人驾驶的障碍物感知方法、系统及无人驾驶汽车
CN113189989B (zh) 车辆意图预测方法、装置、设备及存储介质
CN113435232A (zh) 一种物体的检测方法、装置、设备及存储介质
CN116776288A (zh) 一种智能驾驶感知模型的优化方法、装置及存储介质
CN112529917A (zh) 一种三维目标分割方法、装置、设备和存储介质
CN115311522A (zh) 用于自动驾驶的目标检测方法及装置、电子设备及介质
CN114973173A (zh) 驾驶场景数据的分类方法、装置、电子设备及存储介质
CN110446106B (zh) 一种前置摄像头文件的识别方法、电子设备及存储介质

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210316