CN112721952B

CN112721952B - 一种l3级自动驾驶汽车的复杂路段行驶控制方法、装置、汽车及计算机存储介质

Info

Publication number: CN112721952B
Application number: CN202110130423.5A
Authority: CN
Inventors: 李小东; 李增强; 李小林
Original assignee: Chongqing Changan Automobile Co Ltd
Current assignee: Chongqing Changan Automobile Co Ltd
Priority date: 2021-01-29
Filing date: 2021-01-29
Publication date: 2022-07-05
Anticipated expiration: 2041-01-29
Also published as: CN112721952A

Abstract

本发明实施例提供了一种L3级自动驾驶汽车的复杂路段行驶控制方法、装置、汽车及计算机存储介质，用于解决现有技术中的车辆在复杂路段上无法自动驾驶的问题。该L3级自动驾驶汽车的复杂路段行驶控制方法，包括：在确定车辆行驶到满足预定条件的复杂路段时，判断是否存储有车辆在所述复杂路段上行驶的最优历史行车数据；若本地存储有车辆在所述复杂路段上行驶的最优历史行车数据，则按照所述最优历史行车数据进行复杂路段自动行驶；若本地未存储有车辆在所述复杂路段上行驶的历史行车数据，则输出请求驾驶员人工接管车辆的信号，使驾驶员人工接管车辆通过所述复杂路段,并记录存储人工接管时的行车数据用于下次自动驾驶通过。

Description

一种L3级自动驾驶汽车的复杂路段行驶控制方法、装置、汽车及计算机存储介质

技术领域

本发明涉及自动驾驶领域，尤其是一种L3级自动驾驶汽车的复杂路段行驶控制方法、装置、汽车及计算机存储介质。

背景技术

自动驾驶的路径规划方法有很多，比较典型的路径规划方法如专利“一种用于智能驾驶系统的路径规划方法，申请号：CN 109974724.A”通过区分一般路段和特殊路段（通过读取经纬度定位坐标来区分路段），针对区分的路段再分别规划行驶路线。此申请的优点是对于不同类型道路采用不同的方法来进行路径规划，降低了路径规划的数据处理量和时间。上述缺点是对于特殊复杂路段（自动驾驶车辆无法按照既定逻辑进行处理的路段），没有提出可靠有效的路径规划解决方案。例如自动驾驶车辆在经过车道线丢失或交叉路段、异型路口、家门口一公里道路等不易处理的场景时，按照现有技术的技术手段，需要驾驶员人工接管车辆才能通过这些路段，并且，在车辆下一次同样经过这些路段时，仍然需要人工接管车辆。

发明内容

本发明实施例提供了一种L3级自动驾驶汽车的复杂路段行驶控制方法、装置、汽车及计算机存储介质，用于解决现有技术中的车辆在复杂路段上无法自动驾驶的问题。

本发明实施例提供了一种L3级自动驾驶汽车的复杂路段行驶控制方法，包括：

在确定车辆行驶到满足预定条件的复杂路段时，判断是否存储有车辆在所述复杂路段上行驶的最优历史行车数据；

若本地存储有车辆在所述复杂路段上行驶的最优历史行车数据，则按照所述最优历史行车数据进行复杂路段自动行驶；

若本地未存储有车辆在所述复杂路段上行驶的历史行车数据，则输出请求驾驶员人工接管车辆的信号，使驾驶员人工接管车辆通过所述复杂路段；

所述最优历史行车数据为服务器按照一辆或多辆同款车型通过所述复杂路段时所生成的历史行车数据进行数据融合后取最优获得的。

优选地，所述方法还包括：

在输出请求驾驶员人工接管车辆的信号的同时，控制车辆的车速在预设时间段内降速至零；

若驾驶员在预设时间段内人工接管车辆，则停止车速降速控制。

优选地，在驾驶员人工接管车辆通过所述复杂路段后，所述方法还包括：

若车辆通过所述复杂路段的行车时长位于预设时长内，则记录车辆通过所述复杂路段时所生成的行车路径、所述行车路径上的每一轨迹点所关联的定位位置、行驶参数以及固定环境特征；

基于所述行车路径、所述行车路径上的每一轨迹点所关联的定位位置、行驶参数和固定环境特征形成一条车辆通过所述复杂路段的历史行车数据，并对所生成的历史行车数据进行存储。

优选地，满足预设条件的复杂路段具体是指：自动驾驶系统按照预定处理方式确定需要进行人工接管或不能脱手的路段；

每一轨迹点所关联的所述固定环境特征是指车辆周围保持固定不动的环境特征，所述固定环境特征包括：每一轨迹点对应的道路宽度、路灯位置、护栏位置、周围房屋位置、路缘石宽度、车辆与其左右两侧的路缘石的距离；

每一轨迹点所关联的行驶参数包括：车辆在每一轨迹点对应的行驶速度、航向角、方向盘转角、方向盘转角速度和定位坐标。

优选地，所述最优历史行车数据包括：车辆通过所述复杂路段的最优历史行车路径，以及与所述最优历史行车轨迹的每一轨迹点相关联的最优定位位置、最优行驶参数和最优固定环境特征，按照所述最优历史行车数据进行复杂路段自动行驶的步骤具体为：

读取所述最优历史行车路径中的每一轨迹点所关联的最优定位位置、最优固定环境特征和最优行驶参数；

车辆每自动行驶到一个轨迹点对应的位置时，将实时采集到的实时固定环境特征与所述轨迹点相关联的最优固定环境特征进行相似度比对；

若车辆在当前轨迹点对应的位置处采集到的实时固定环境特征与对应的最优固定环境特征的相似度达到预设阈值，则结合高精定位控制车辆按照所述轨迹点相关联的最优行驶参数进行车辆行驶参数调节，使车辆自动通过所述当前轨迹点对应的最优定位位置；或

若车辆在当前轨迹点对应的位置处采集到的实时固定环境特征与对应的最优固定环境特征的相似度低于预设阈值、且车辆在当前轨迹点之前的连续几个轨迹点对应的位置处采集到的实时固定环境特征与对应的最优固定环境特征的相似度未全部低于预设阈值，则结合高精定位控制车辆按照所述轨迹点关联的最优行驶参数进行车辆行驶参数调节，使车辆自动通过所述当前轨迹点对应的最优定位位置。

优选地，所述方法还包括：

若车辆在当前轨迹点对应的位置处采集到的实时固定环境特征与对应的最优固定环境特征的相似度低于预设阈值、且车辆在当前轨迹点之前的连续几个轨迹点对应的位置处采集到的实时固定环境特征与对应的最优固定环境特征的相似度全部低于预设阈值，则输出请求驾驶员人工接管车辆的信号，使驾驶员人工接管车辆通过所述复杂路段的剩余路段；

优选地，在驾驶员人工接管车辆通过所述复杂路段的剩余路段后，所述方法还包括：

记录车辆按照最优历史行车数据自动通过所述复杂路段的前部分路段时所生成的实际行车路径、所述实际行车路径上的每一轨迹点所关联的定位位置、行驶参数以及固定环境特征；

记录车辆通过所述复杂路段的剩余路段时所生成的局部行车路径、所述局部行车路径上的每一轨迹点所关联的定位位置、行驶参数以及固定环境特征；

将实际行车路径、所述实际行车路径上的每一轨迹点所关联的定位位置、行驶参数以及固定环境特征、所述局部行车路径、所述局部行车路径上的每一轨迹点所关联的定位位置、行驶参数和固定关键特征组合形成一条车辆通过所述复杂路段的新历史行车数据；

将所述新历史行车数据通过云服务上传到云服务器中，使云服务器将新历史行车数据与其他车辆上传到云服务器的历史行车数据做融合以形成最优行车数据，并将最优行车数据下载到本地进行存储。

本发明实施例还提供了一种L3级自动驾驶汽车的复杂路段行驶控制装置，包括：

判断模块，用于在确定车辆行驶到满足预定条件的复杂路段时，判断是否存储有车辆在所述复杂路段上行驶的最优历史行车数据；

自动行驶模块，用于若本地存储有车辆在所述复杂路段上行驶的最优历史行车数据，则按照所述最优历史行车数据进行复杂路段自动行驶；

请求模块，用于若本地未存储有车辆在所述复杂路段上行驶的历史行车数据，则输出请求驾驶员人工接管车辆的信号，使驾驶员人工接管车辆通过所述复杂路段；

本发明实施例还提供了一种汽车，包括上述的L3级自动驾驶汽车的复杂路段行驶控制装置。

本发明实施例还提供了一种计算机可读存储介质，其内存储有计算机程序，所述计算机程序被控制器调用执行如上述的L3级自动驾驶汽车的复杂路段行驶控制方法的步骤。

本发明的有益效果为：

针对自动驾驶车辆对不能处理的道路场景，通过学习驾驶员的操作，在下次行驶到同一场景路段时，结合定位和车辆周围的固定环境特征，使自动驾驶车辆能处理上述道路场景，使自动驾驶场景覆盖率更高、驾驶体验更好。

附图说明

图1是实现本方法所采用的系统结构简图；

图2是本发明实施例的方法的逻辑框图；

图3为本发明实施例的方法的详细流程示意图。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明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发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

参照图1，为实现本实施例中的方法，要求执行本方法的执行主体（自动驾驶系统）要求车辆具备L3级自动驾驶功能（具有L3级自动驾驶功能的车辆应当具备：1个前双目摄像头、1个前毫米波雷达、4个角雷达、4个周视摄像头、高精度地图和定位、高算力ADS控制器等）。

参照图2，本实施例中，针对复杂路段，采用自学习的方式实现对复杂路段进行路径规划，其中，自学习的路径规划控制方法为：针对自动驾驶系统按照既定逻辑无法处理的处理场景，先由驾驶员人工驾驶做一个示范，自动驾驶系统通过记录驾驶员的操作、车辆的行车状态、车辆周围的环境特征等信息(记录人工驾驶时生成的行车路径及其相关的行驶参数)，在车辆下一次通过相同路段时系统可以按人工驾驶通过时所生成的行车路径和车辆的行驶参数完成自动驾驶（无需再由人工接管）。本实施例中，实现上述方法的整个过程分三个阶段：

第一阶段：生成向导路径

Ⅰ、车辆在开启自动驾驶功能时，在正常行驶至某无车道线路段、错位路口、家门口一公里道路等不易处理的场景时{下文针对这些场景统一叫“复杂路段”，本实施例中的复杂路段指自动驾驶系统按照既定逻辑无法处理的局部短距离路段（具体是指自动驾驶系统无法按照既定逻辑进行路径规划），}，若自动驾驶系统第一次无法处理此复杂路段，自动驾驶系统将提醒驾驶员接管，在驾驶员人工接管车辆通过此复杂路段时，自动驾驶系统通过摄像头、雷达、ESC、EPS、高精度地图和定位记录下此复杂路段四周的固定环境特征（固定环境特征包括如：道路宽度、路灯位置、护栏位置、周围房屋位置、路缘石宽度、车辆距离左右侧路缘石的距离等标志性特征）；同时，记录下车辆在人工接管通过该复杂路段的车辆行驶速度、航向角、加速度、方向盘转角大小、角速率、定位坐标（如经纬度）以及车辆通过该复杂路段所生成的行车路径，然后，综合上述信息形成通过此复杂路段的 “向导路径”数据包存储在系统里。（其中，该“向导路径”不仅是一条行车路径，还包括行车路径上的每一个轨迹点对应的车辆行驶参数和固定环境特征）。

Ⅱ、对于自动驾驶系统采用自动驾驶逻辑完成不理想的路段，驾驶员可手动开启自动驾驶自学习功能：通过按键或语音控制开启自学习功能后，将按第一阶段Ⅰ中的方法记录人工驾驶通过此复杂路段时采集的定位位置、行驶参数和固定环境特征以及所生成的行车路径合并形成“向导路径”，以便下次通过此复杂路段时能调用来控制车辆更好地完成自动驾驶。

第二阶段：调用“向导路径”

Ⅰ、当自动驾驶功能开启时，全局导航线路会经过系统存储的“向导路径”时，在接近“向导路径”开始点前100米（可标定）时自动驾驶系统调出已经存储的“向导路径”并严格按“向导路径”控制车辆自动驾驶通过此复杂路段（其中，在执行自动驾驶过程中，当前方出现障碍物如有车辆切入时，自动驾驶系统自动减速或刹停后再起步，整个过程仍然严格按“向导路径”的路线行驶）。

Ⅱ、在车辆自动驾驶通过此复杂路段过程中，自动驾驶系统时时采集车辆周围的实时固定环境特征与“向导路径”中存储的固定环境特征比对，再按照“向导路径”中的定位位置和行驶参数修正车辆行驶存在的偏差，使车辆保持与“向导路径”相同的行车路径自动驾驶。

Ⅲ、通过特征对比，在判断车辆实际行车过程中采集到的的实时固定环境特征与“向导路径”中的固定环境特征匹配度达到90%（可标定）以上时确定车辆可以自动驾驶通过对应轨迹点，车辆自动驾驶通过该复杂路段后自动驾驶系统更新“向导路径”，剔除不准确特征，保留和加强准确特征，使“向导路径”更精准可靠。

Ⅳ、通过特征对比，在判断车辆实际行车过程中采集到的的实时固定环境特征与“向导路径”匹配度低于90%（可标定）时确定车辆不可自动驾驶通过，此时自动驾驶系统报警要求驾驶员人工接管车辆。驾驶员接管车辆行驶时系统按第一阶段Ⅰ中方法通过摄像头、雷达、ESC、EPS、高精度地图和定位更新此复杂路段四周的固定环境特征（如道路宽度、路灯位置、护栏位置、房屋位置等）、车辆行驶速度、航向角、加速度、方向盘转角大小、角速率、定位坐标（如经纬度）、人工接管的行驶路线，更新通过此复杂路段的“向导路径”存储在自动驾驶系统里供下一次通过时调用。

第三阶段：更新“向导路径”

通过云服务将自动驾驶系统已存储的最新“向导路径”上传到云服务器中，云服务器将相同车型车辆上传的同一复杂路段的“向导路径”进行加权平均融合得到“最优向导路径”，再下载更新到本车中供后期调用。

参照图3，本实施例中，L3级自动驾驶汽车的复杂路段行驶控制方法的逻辑具体包括：

步骤101，在确定车辆行驶到满足预定条件的复杂路段时，判断是否存储有车辆在所述复杂路段上行驶的最优历史行车数据。

所述最优历史行车数据为服务器按照一辆或多辆同款车型通过所述复杂路段时所生成的历史行车数据进行数据融合后取最优获得的，例如为服务器按照一辆或多辆同款车型通过所述复杂路段时所生成的历史行车数据进行加权平均获得。其中，本发明实施例中满足预定条件的复杂路段即表示上述的车辆按照预定路径规划方式确定需要进行人工接管或不能脱手的路段，例如：无法进行路径规划的错位交叉路口、无车道线路段或与终点位置之间的距离位于预设距离范围内的路段（如家门口1公里距离的路段）。

判断是否存储有车辆在所述复杂路段上行驶的最优历史行车数据的步骤中，最优历史行车数据即表示上述的“最优向导路径”。其中，该最优历史行车数据为车辆的自动驾驶系统从服务器中获取得到。云服务器基于同一车车型上传的同一复杂路段的多个历史行车轨迹进行加权平均获得上述的最优历史行车数据。

其中，该最优历史行车数据中包括：车辆通过该复杂路段的最优行车路径、该最优行车路径中的每一个轨迹点对应的最优定位位置、最优固定环境特征和最优行驶参数。

步骤102，若本地存储有车辆在所述复杂路段上行驶的最优历史行车数据，则按照所述最优历史行车数据进行复杂路段自动行驶。

按照所述最优历史行车数据进行复杂路段自动行驶的步骤具体包括：

步骤1021，读取所述最优历史行车路径中的每一轨迹点所关联的最优定位位置、最优固定环境特征和最优行驶参数；

步骤1022，车辆每自动行驶到一个轨迹点对应的位置时，将实时采集到的实时固定环境特征与所述轨迹点相关联的最优固定环境特征进行相似度比对。

步骤1023，若车辆在当前轨迹点对应的位置处采集到的实时固定环境特征与对应的最优固定环境特征的相似度达到预设阈值，则结合高精定位控制车辆按照所述轨迹点相关联的最优行驶参数进行车辆行驶参数调节，使车辆自动通过所述当前轨迹点对应的最优定位位置；或

步骤1024，若车辆在当前轨迹点对应的位置处采集到的实时固定环境特征与对应的最优固定环境特征的相似度低于预设阈值、且车辆在当前轨迹点之前的连续几个轨迹点对应的位置处采集到的实时固定环境特征与对应的最优固定环境特征的相似度未全部低于预设阈值，则结合高精定位控制车辆按照所述轨迹点关联的最优行驶参数进行车辆行驶参数调节，使车辆自动通过所述当前轨迹点对应的最优定位位置。

其中，在步骤1023和步骤1024中，预设阈值为上述的90%，当然也可以视情况设定为其它数值。车辆每行驶到一个轨迹点位置处时，车辆即采集到该轨迹点对应的实时环境特征，在比对出该实时固定环境特征和最优固定环境特征的相似度高于预设阈值时，表明该轨迹点位置处的周围环境特征与历史记录的环境特征一致，车辆按照最优历史路径行驶的通过率和安全率较高。

步骤103，若本地未存储有车辆在所述复杂路段上行驶的历史行车数据，则输出请求驾驶员人工接管车辆的信号，使驾驶员人工接管车辆通过所述复杂路段。

本实施例中，所述方法还包括：

步骤S104，在输出请求驾驶员人工接管车辆的信号的同时，控制车辆的车速在预设时间段内降速至零。

步骤S105, 若驾驶员在预设时间段内人工接管车辆，则停止车速降速控制。

其中，上述的预设时间段基于需要进行设计。

本实施例中，所述方法还包括：

步骤S106，若车辆在当前轨迹点对应的位置处采集到的实时固定环境特征与对应的最优固定环境特征的相似度低于预设阈值、且车辆在当前轨迹点之前的连续几个轨迹点对应的位置处采集到的实时固定环境特征与对应的最优固定环境特征的相似度全部低于预设阈值，则输出请求驾驶员人工接管车辆的信号，使驾驶员人工接管车辆通过所述复杂路段的剩余路段。

本实施例中，如车辆在连续多个轨迹点对应的固定环境特征均低于预设阈值，表明当前环境发生较大变化，继续按照最优历史行车路径行驶可能会造成车辆出现安全事故，因此，通过上述这种方式提醒驾驶员进行人工接管，以此保障行车安全。

步骤S107，在输出请求驾驶员人工接管车辆的信号的同时，控制车辆的车速在预设时间段内降速至零。

步骤S108，若驾驶员在预设时间段内人工接管车辆，则停止车速降速控制。

在驾驶员人工接管车辆通过所述复杂路段的剩余路段后，所述方法还包括：

步骤S109，记录车辆按照最优历史行车数据自动通过所述复杂路段的前部分路段时所生成的实际行车路径、所述实际行车路径上的每一轨迹点所关联的定位位置、行驶参数以及固定环境特征。

步骤S110，记录车辆通过所述复杂路段的剩余路段时所生成的局部行车路径、所述局部行车路径上的每一轨迹点所关联的定位位置、行驶参数以及固定环境特征；

步骤S111，将实际行车路径、所述实际行车路径上的每一轨迹点所关联的定位位置、行驶参数以及固定环境特征、所述局部行车路径、所述局部行车路径上的每一轨迹点所关联的定位位置、行驶参数和固定关键特征组合形成一条车辆通过所述复杂路段的新历史行车数据。

进一步地，将存储的新历史行车数据上传至云服务器。

步骤S112，将所述新历史行车数据通过云服务上传到云服务器中，使云服务器将新历史行车数据与其他车辆上传到云服务器的历史行车数据做融合以形成最优行车数据，并将最优行车数据下载到本地进行存储。

本实施例中，在驾驶员人工接管车辆通过所述复杂路段后，所述方法还包括：

步骤S113，若车辆通过所述复杂路段的行车时长位于预设时长内，则记录车辆通过所述复杂路段时所生成的行车路径、所述行车路径上的每一轨迹点所关联的定位位置、行驶参数以及固定环境特征；

步骤S114，基于所述行车路径、所述行车路径上的每一轨迹点所关联的定位位置、行驶参数和固定环境特征形成一条车辆通过所述复杂路段的历史行车数据，并对所生成的历史行车数据进行存储。

本实施例中，步骤S113中只对行车时长位于预设时长内的复杂路段对应的信息进行存储的目的在于，排除掉某些行驶距离较长的路段，避免车辆长距离的按照历史信息进行车辆自动驾驶控制。

上述实施例只对其中一些本发明的一个或多个实施例进行了描述，但是本领域普通技术人员应当了解，本发明可以在不偏离其主旨与范围内以许多其他的形式实施。因此，所展示的例子与实施方式被视为示意性的而非限制性的，在不脱离如所附各权利要求所定义的本发明精神及范围的情况下，本发明可能涵盖各种的修改与替换。

Claims

1.一种L3级自动驾驶汽车的复杂路段行驶控制方法，应用于自动驾驶系统，其特征在于，包括：

所述最优历史行车数据为服务器按照一辆或多辆同款车型通过所述复杂路段时所生成的历史行车数据进行数据融合后取最优获得的；

所述最优历史行车数据包括：车辆通过所述复杂路段的最优历史行车路径，以及与所述最优历史行车路径的每一轨迹点相关联的最优定位位置、最优行驶参数和最优固定环境特征，按照所述最优历史行车数据进行复杂路段自动行驶的步骤具体为：

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：

3.根据权利要求1所述的方法，其特征在于，在驾驶员人工接管车辆通过所述复杂路段后，所述方法还包括：

4.根据权利要求3所述的方法，其特征在于，满足预设条件的复杂路段具体是指：自动驾驶系统按照预定处理方式确定需要进行人工接管或不能脱手的路段；

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：若车辆在当前轨迹点对应的位置处采集到的实时固定环境特征与对应的最优固定环境特征的相似度低于预设阈值、且车辆在当前轨迹点之前的连续几个轨迹点对应的位置处采集到的实时固定环境特征与对应的最优固定环境特征的相似度全部低于预设阈值，则输出请求驾驶员人工接管车辆的信号，使驾驶员人工接管车辆通过所述复杂路段的剩余路段；

6.根据权利要求5所述的方法，其特征在于，在驾驶员人工接管车辆通过所述复杂路段的剩余路段后，所述方法还包括：

7.一种L3级自动驾驶汽车的复杂路段行驶控制装置，其特征在于，包括：

所述最优历史行车数据包括：车辆通过所述复杂路段的最优历史行车路径，以及与所述最优历史行车路径的每一轨迹点相关联的最优定位位置、最优行驶参数和最优固定环境特征，自动行驶模块具体用于：

8.一种汽车，其特征在于，包括权利要求7所述的L3级自动驾驶汽车的复杂路段行驶控制装置。

9.一种计算机可读存储介质，其内存储有计算机程序，其特征在于：所述计算机程序被控制器调用执行如权利要求1至6任一项所述的L3级自动驾驶汽车的复杂路段行驶控制方法的步骤。