CN112818910B - 车辆挡位控制方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及人工智能领域，具体涉及一种车辆挡位控制方法、装置、计算机设备和存储介质。所述方法包括获取车辆在行驶过程中的行驶场景图像；对获取的行驶场景图像进行图像识别，得到行驶场景标签；行驶场景标签至少包括道路属性标签、交通属性标签和环境属性标签中的一种；获取与车辆对应的行驶状态数据和驾驶行为数据；基于行驶状态数据、驾驶行为数据、及行驶场景标签，确定与车辆相匹配的目标换挡方式；目标换挡方式用于控制处于行驶过程中的车辆在目标换挡时间按照目标挡位进行行驶。采用本方法可以提升目标换挡方式的准确性。可应用的领域包括但不限于车联网、自动驾驶、路网协同等领域。

Description

车辆挡位控制方法、装置、计算机设备和存储介质

技术领域

本申请涉及车辆控制技术领域，特别是涉及一种车辆挡位控制方法、装置、计算机设备和存储介质。

背景技术

变速器是车辆的核心部件之一，变速器可根据车辆行驶的需求，通过切换挡位提供必需的牵引力，以维持车辆正常行驶。然而，由于车辆换挡慢和换挡延迟会在很大程度上影响车辆的驾驶性和动力性，因此，为了提升车辆的驾驶性和动力性，自动变速器应运而生。自动变速器可实现车辆的自动换挡，减少驾驶员操纵疲劳，提高行车安全性。

现有技术中，自动变速器可基于车速来确定对应的换挡方式，并按照对应的换挡方式进行自动换挡。但是，现有技术并未考虑到驾驶过程中的行驶环境对换挡造成的影响，从而导致车辆换挡的换挡方式并不准确。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提升换挡方式准确性的车辆挡位控制方法、装置、计算机设备、存储介质和计算机程序。

一种车辆挡位控制方法，所述方法包括：

获取车辆在行驶过程中的行驶场景图像；

对获取的所述行驶场景图像进行图像识别，得到行驶场景标签；所述行驶场景标签至少包括道路属性标签、交通属性标签和环境属性标签中的一种；

获取与所述车辆对应的行驶状态数据和驾驶行为数据；

基于所述行驶状态数据、所述驾驶行为数据、及所述行驶场景标签，确定与所述车辆相匹配的目标换挡方式；所述目标换挡方式用于控制处于行驶过程中的所述车辆在目标换挡时间按照目标挡位进行行驶。

一种车辆挡位控制装置，所述装置包括：

图像获取模块，用于获取车辆在行驶过程中的行驶场景图像；

标签识别模块，用于对获取的所述行驶场景图像进行图像识别，得到行驶场景标签；所述行驶场景标签至少包括道路属性标签、交通属性标签和环境属性标签中的一种；

换挡方式确定模块，用于获取与所述车辆对应的行驶状态数据和驾驶行为数据；基于所述行驶状态数据、所述驾驶行为数据、及所述行驶场景标签，确定与所述车辆相匹配的目标换挡方式；所述目标换挡方式用于控制处于行驶过程中的所述车辆在目标换挡时间按照目标挡位进行行驶。

在一个实施例中，所述图像获取模块还用于当所述车辆处于行驶过程中时，通过部署在所述车辆上的车载摄像头，实时对所述车辆周围的场景信息进行采集，得到至少一张所述行驶场景图像。

在一个实施例中，所述标签识别模块还包括特征提取模块，用于通过场景分类模型，提取所述行驶场景图像中的图像特征；所述图像特征包括道路特征、交通特征和环境特征；通过所述场景分类模型，基于所述道路特征、所述交通特征和所述环境特征，确定与所述行驶场景图像对应的道路属性标签、交通属性标签和环境属性标签。

在一个实施例中，所述标签识别模块还用于通过场景分类模型输出行驶场景标签；场景分类模型包括与道路属性相关的第一道路模型、与交通相关的第一交通模型以及与环境相关的第一环境模型；所述第一道路模型包括道路坡度模型、弯道曲率模型、路面附着度模型、路面平整度模型、信号灯模型和交通指示牌模型；所述第一交通模型包括：危险程度模型和拥堵状况模型；所述第一环境模型包括：道路可见度模型、天气状况模型和光照强度模型；所述道路属性标签包括通过所述道路坡度模型输出的道路坡度标签、通过所述弯道曲率模型输出的弯道曲率标签、通过所述路面附着度模型输出的路面附着度标签、通过所述路面平整度模型输出的路面平整度标签、通过所述信号灯模型输出的信号灯标签和通过所述交通指示牌模型输出的交通指示牌标签；所述交通属性标签包括通过所述危险程度模型输出的危险程度标签和通过所述拥堵状况模型输出的拥堵状况标签；所述环境属性标签包括通过所述道路可见度模型输出的道路可见度标签、通过所述天气状况模型输出的天气状况标签和通过所述光照强度模型输出的光照强度标签。

在一个实施例中，所述场景分类模型包括第二道路模型、第二交通模型和第二环境模型；所述道路属性标签至少包括道路状况标签和道路设施标签中的一种，所述道路状况标签至少包括道路坡度标签、弯道曲率标签、路面附着度标签和路面平整度标签中的一种，所述道路设施标签至少包括信号灯标签和交通指示牌标签中的一种；所述交通属性标签至少包括行人标签、机动车标签和非机动车标签中的一种，所述行人标签至少包括行人危险程度标签和行人拥堵状况标签中的一种，所述机动车标签至少包括机动车危险程度标签和机动车拥堵状况标签中的一种，所述非机动车标签至少包括非机动车危险程度标签和非机动车拥堵状况标签中的一种；所述环境属性标签至少包括天气标签和光照标签中的一种，所述天气标签至少包括道路可见度标签和天气状况标签中的一种，所述光照标签至少包括光照强度标签；所述标签识别模块还用于通过所述第二道路模型，基于所述道路特征，输出所述道路坡度标签、所述弯道曲率标签、所述路面附着度标签、所述路面平整度标签、所述信号灯标签和所述交通指示牌标签中的至少一种；通过所述第二交通模型，基于所述交通特征，输出所述行人危险程度标签、所述行人拥堵状况标签、所述机动车危险程度标签、所述机动车拥堵状况标签、所述非机动车危险程度标签和所述非机动车拥堵状况标签中的至少一种；通过所述第二环境模型，基于所述环境特征，输出所述道路可见度标签、所述天气状况标签和所述光照强度标签中的至少一种。

在一个实施例中，所述换挡方式确定模块还包括修正处理模块，用于基于所述行驶状态数据和所述驾驶行为数据，确定对应的候选换挡方式；基于所述行驶场景标签对所述候选换挡方式进行修正处理，得到与所述车辆相匹配的目标换挡方式。

在一个实施例中，所述修正处理模块还用于确定所述车辆的目标驾驶模式；获取与所述目标驾驶模式相对应的目标换挡规律表；根据所述行驶状态数据和所述驾驶行为数据，在所述目标换挡规律表中查找对应的候选换挡方式。

在一个实施例中，所述修正处理模块还用于确定与所述行驶场景标签、所述行驶状态数据和所述驾驶行为数据相对应的挡位范围和换挡时间范围；当所述候选换挡方式中的候选挡位超出所述挡位范围时，按照所述挡位范围调整所述候选挡位，得到与所述车辆相匹配的目标挡位；当所述候选换挡方式中的候选换挡时间超出所述换挡时间范围时，按照所述换挡时间范围调整所述候选换挡时间，得到与所述车辆匹配的目标换挡时间。

在一个实施例中，所述行驶场景图像的数量为多张，且多张所述行驶场景图像的采集时间相连续，所述车辆挡位控制装置还包括监控模块，用于当多张所述行驶场景图像所对应的行驶场景标签中，存在有预设数量的行驶场景标签之间的差异小于或等于预设差异阈值时，通过所述目标换挡方式，控制处于行驶过程中的所述车辆在目标换挡时间按照目标挡位进行行驶。

在一个实施例中，所述监控模块还用于确定所述道路属性标签、所述交通属性标签和所述环境属性标签分别对应的标签置信度；当所述道路属性标签、所述交通属性标签和所述环境属性标签分别对应的标签置信度均小于或等于预设置信度阈值时，通过所述目标换挡方式，控制处于行驶过程中的所述车辆在目标换挡时间按照目标挡位进行行驶。

在一个实施例中，所述换挡方式确定模块还包括优先级确定模块，用于确定与所述行驶场景图像对应的各行驶场景标签各自对应的标签优先级；确定与所述行驶场景图像对应的各行驶场景标签各自对应的标签置信度；基于所述标签优先级和所述标签置信度，从与所述行驶场景图像对应的行驶场景标签中筛选出目标行驶场景标签；根据所述目标行驶场景标签、所述行驶状态数据和所述驾驶行为数据，确定与所述车辆相匹配的目标换挡方式。

在一个实施例中，所述车辆挡位控制装置还用于确定所述车辆的当前所处挡位；当所述目标换挡方式中的目标挡位与所述当前所处挡位不一致时，在所述目标换挡时间，将所述车辆从当前所处挡位调整至所述目标挡位，以控制所述车辆在所述目标换挡时间按照所述目标挡位进行行驶。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取车辆在行驶过程中的行驶场景图像；

对获取的所述行驶场景图像进行图像识别，得到行驶场景标签；所述行驶场景标签至少包括道路属性标签、交通属性标签和环境属性标签中的一种；

获取与所述车辆对应的行驶状态数据和驾驶行为数据；

基于所述行驶状态数据、所述驾驶行为数据、及所述行驶场景标签，确定与所述车辆相匹配的目标换挡方式；所述目标换挡方式用于控制处于行驶过程中的所述车辆在目标换挡时间按照目标挡位进行行驶。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取车辆在行驶过程中的行驶场景图像；

对获取的所述行驶场景图像进行图像识别，得到行驶场景标签；所述行驶场景标签至少包括道路属性标签、交通属性标签和环境属性标签中的一种；

获取与所述车辆对应的行驶状态数据和驾驶行为数据；

基于所述行驶状态数据、所述驾驶行为数据、及所述行驶场景标签，确定与所述车辆相匹配的目标换挡方式；所述目标换挡方式用于控制处于行驶过程中的所述车辆在目标换挡时间按照目标挡位进行行驶。

一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中，计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行以下步骤：获取车辆在行驶过程中的行驶场景图像；对获取的所述行驶场景图像进行图像识别，得到行驶场景标签；所述行驶场景标签至少包括道路属性标签、交通属性标签和环境属性标签中的一种；获取与所述车辆对应的行驶状态数据和驾驶行为数据；基于所述行驶状态数据、所述驾驶行为数据、及所述行驶场景标签，确定与所述车辆相匹配的目标换挡方式；所述目标换挡方式用于控制处于行驶过程中的所述车辆在目标换挡时间按照目标挡位进行行驶。

上述车辆挡位控制方法、装置、计算机设备、存储介质和计算机程序，通过获取在行驶过程中的行驶场景图像，可对行驶场景图像进行图像识别，得到对应的行驶场景标签。通过获取行驶状态数据和驾驶行为数据，可基于行驶状态数据、驾驶行为数据、及行驶场景标签，确定与车辆相匹配的目标换挡方式，如此，便能控制处于行驶过程中的车辆在目标换挡时间按照目标挡位进行行驶。由于是综合行驶状态数据、驾驶行为数据、及行驶场景标签确定目标换挡方式的，因此提升了所确定的目标换挡方式的准确性。

附图说明

图1为一个实施例中车辆挡位控制方法的应用环境图；

图2为一个实施例中车辆挡位控制方法的流程示意图；

图3为一个实施例中场景分类模型的训练示意图；

图4为一个实施例中行驶场景标签的示意图；

图5为一个实施例中基于目标驾驶模式确定目标换挡方式的示意图；

图6为一个具体实施例中车辆挡位控制方法的流程示意图；

图7为另一个实施例中车辆挡位控制方法的流程示意图；

图8为一个实施例中车辆挡位控制装置的结构框图；

图9为一个实施例中车辆挡位控制装置的结构框图；

图10为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

图1为一个实施例中车辆挡位控制方法的应用环境图。参照图1，该车辆挡位控制方法应用于车辆挡位控制系统100。车辆挡位控制系统100包括车辆102和服务器104，其中，车辆102通过网络与服务器104进行通信。需要说明的是，车辆102侧可单独用于执行本申请实施例中提供的车辆挡位控制方法。车辆102和服务器104也可协同用于执行本申请实施例中提供的车辆挡位控制方法。

当车辆102和服务器协同执行车辆挡位控制方法时，车辆102可通过车载摄像头采集行驶场景图像，并将行驶场景图像发送至服务器104，由服务器104对行驶场景图像进行图像识别，得到行驶场景标签。服务器104基于行驶场景标签、车辆102的行驶状态以及车辆102的驾驶行为数据，生成对应的目标换挡方式，并将目标换挡方式发送至车辆102，以使车辆102在行驶过程中按照目标换挡方式进行行驶。其中，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

当车辆102侧单独执行车辆挡位控制方法时，车辆102可通过车载摄像头采集行驶场景图像，并对行驶场景图像进行图像识别，得到行驶场景标签。车辆102获取自身的行驶状态和驾驶行为数据，根据行驶场景标签、行驶状态和驾驶行为数据，生成包含有目标换挡时间和目标档位的目标换挡方式，并基于目标换档方式在目标换档时间，按照目标档位进行行驶。

还需要说明的是，本申请涉及人工智能(Artificial Intelligence,AI)技术领域，其中，人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

本申请具体涉及人工智能领域中的计算机视觉技术和机器学习技术(MachineLearning,ML)。具体地，可以基于计算机视觉技术对图像进行检测。计算机视觉技术(Computer Vision,CV)是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行检测、识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。

其中，机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。

应该理解的是，本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。除非上下文另外清楚地指出，否则单数形式“一个”、“一”或者“该”等类似词语也不表示数量限制，而是表示存在至少一个。

在一个或多个实施例中，如图2所示，提供了一种车辆换挡方法，以该方法应用于图1中的车辆为例进行说明，包括以下步骤：

步骤S202，获取车辆在行驶过程中的行驶场景图像。

其中，行驶场景图像指的是对运行车辆当前所处行驶区域的场景信息进行采集所得到的图像。运行车辆指的是处于运动状态的车辆。

具体地，当车辆处于运行状态时，可通过图像采集装置实时采集周围的行驶场景图像。在一个或多个实施例中，图像采集装置可按照预设采集频率采集行驶场景图像，并且在每次采集过程中，均针对当前所处行驶区域采集至少一张行驶场景图像。

在一个或多个实施例中，可通过车载摄像头对车辆所处行驶区域的场景进行拍摄，得到行驶场景图像；还可通过车辆外接的摄像头对行驶区域的场景进行拍摄，得到行驶场景图像；亦可通过架设于行驶区域中的监控摄像头，对车辆的周围环境进行拍摄，得到行驶场景图像。本实施例在此不作限定。

在一个或多个实施例中，获取车辆在行驶过程中的行驶场景图像，包括：当车辆处于行驶过程中时，通过部署在车辆上的车载摄像头，实时对车辆周围的场景信息进行采集，得到至少一张行驶场景图像。

具体地，图像采集设备具体可以为车载摄像头。运行车辆采集的行驶场景图像可以通过设置于车辆上的车载摄像头采集得到。其中，车载摄像头具体可以是多个，可以根据图像获取需要设置于车辆的不同位置。例如，采集车道路面环境的车载摄像头的图像采集方向与采集天气环境的车载摄像头的图像采集方向不同，采集天气环境的车载摄像头的图像采集方向与采集交通指示牌的车载摄像头的图像采集方向不同。在其他实施例中，还可以通过采集方向可控的转动摄像装置进行行驶场景图像采集。

在一个或多个实施例中，可在车辆上架设用于采集道路图像的第一车载摄像头、用于采集交通参与者图像的第二车载摄像头以及用于采集天气图像的第三车载摄像头。其中，交通参与者指的是行驶区域中的行人、机动车和非机动车。

步骤S204，对获取的行驶场景图像进行图像识别，得到行驶场景标签；行驶场景标签至少包括道路属性标签、交通属性标签和环境属性标签中的一种。

其中，行驶场景标签指的是标明行驶区域中的行驶场景的场景状况的信息。行驶场景标签包括道路属性标签、交通属性标签和环境属性标签。道路属性标签指的是标明运行车辆在当前所处行车区域的道路状况的信息，例如，道路属性标签可以为“大上坡”、“小上坡”、“直道”、“平整路面”等。交通属性标签指的是标明运行车辆在当前所处行车区域的交通状况的信息，例如，交通属性标签可以为“拥堵严重”、“危险程度高”等。环境属性标签指的是标明当前所处行驶区域的环境状况的信息，例如，环境属性标签可为“道路可见度低”、“强光照”等。

具体地，当获取得到行驶场景图像时，车辆可对行驶场景图像进行图像识别，识别行驶场景图像中的道路状况、交通状况和环境状况，并基于道路状况、交通状况和环境状况输出对应的道路属性标签、交通属性标签和环境属性标签。

在一个或多个实施例中，车辆可通过道路识别算法识别行驶场景图像中的道路，可通过交通识别算法识别行驶场景图像中的交通状况，可通过环境识别算法识别行驶场景图像中的环境状况。其中，道路识别算法、交通识别算法和环境识别算法均可根据需要自定义，如可为OpenCV道路检测算法、Matlab的交通识别算法等。

在一个或多个实施例中，对获取的行驶场景图像进行图像识别，得到行驶场景标签，包括：通过场景分类模型，提取行驶场景图像中的图像特征；图像特征包括道路特征、交通特征和环境特征；通过场景分类模型，基于道路特征、交通特征和环境特征，确定与行驶场景图像对应的道路属性标签、交通属性标签和环境属性标签。

其中，场景分类模型指的是用以输出行驶场景标签的机器学习模型。机器学习模型可以包括线性模型和非线性模型。例如，机器学习模型可以包括回归模型、支持向量机、基于决策树的模型、贝叶斯模型和/或神经网络(例如，深度神经网络)。例如，神经网络可以包括前馈神经网络、递归神经网络(例如，长短期记忆递归神经网络)、卷积神经网络或其他形式的神经网络。需要说明，场景分类模型不一定限于是神经网络，还可以包括其他形式的机器学习模型。

图像特征是可以反映出车辆周围的场景特征的数据。图像特征包括道路特征、交通特征和环境特征。道路特征是用于反映行驶场景中的道路特征的数据，道路特征可以反映出道路路面和道路设施的像素点的颜色值分布、亮度值分布和深度分布。交通特征是用于反映行驶场景中的交通参与者特征的数据，交通特征可以反映出行人、机动车和非机动车之间的距离等其中的一种或多种特征信息。环境特征是用于反映行驶场景中的环境特征的数据。环境特征可以反映出天空、树木等像素点的亮度分布和深度分布。

具体地，当获取得到行驶场景图像时，车辆可将行驶场景图像输入至场景分类模型中，通过场景分类模型对行驶场景图像进行编码处理，得到编码结果，并根据编码结果提取出行驶场景图像中的道路特征、交通特征和环境特征。进一步地，场景分类模型对道路特征、交通特征和环境特征进行解码处理，得到与行驶场景图像对应的道路属性标签、交通属性标签和环境属性标签。

在一个或多个实施例中，参考图3，可预先在车辆上架设车载摄像头，并通过车载摄像头在不同的行驶场景中采集多张行驶场景图像。例如，可通过车载设摄像头在雨天采集上坡路段的行驶场景图像；在晴天采集弯道路段的行驶场景图像；在雪天采集拥堵路段的行驶场景图像等。进一步的，模型训练人员可对采集得到的行驶场景图像进行标签标注处理，通过标签标注处理得到对应的训练样本，并通过训练样本对场景分类模型进行模型训练，直至达到训练停止条件时停止，得到训练好的场景分类模型。图3为一个实施例中场景分类模型的训练示意图。

上述实施例中，通过预先对场景分类模型进行训练，使得训练后的场景分类模型可以全方位地提取出图像特征，从而可以基于提取出的图像特征输出多维度的行驶场景标签。

步骤S206，获取与车辆对应的行驶状态数据和驾驶行为数据。

其中，行使状态数据指的是车辆在运行过程中的车辆状况数据。在一个或多个实施例中，行使状态数据包括车辆类型、车辆速度以及车辆加速度中的一个参数或者多个参数的组合。其中，车辆类型是用于描述车的大小的参数，具体可以是车辆的型号等。车辆速度指的是车辆在运行时的速度数据，车辆的加速度指的是车辆在运行时的速度变化率。

驾驶行为数据指的是车辆控驾驶对象的对当前车辆的控制数据。在一个或多个实施例中，驾驶行为数据包括制动踏板踩踏程度、加速踏板踩踏程度以及节气门开度中的一个参数或者多个参数的组合。其中，驾驶对象是指车辆进行驾驶控制的驾驶者，可以理解，驾驶者具体可以是真实的人，也可以时系统自动控制代替的机器人。节气门开度指的是发动机节气门的开启角度，车辆节气门开度可由驾驶对象通过加速踏板来操纵，以改变发动机的进气量，从而控制发送机的运转。不同的节气门开度标志着发送机的不同运转工况。

具体地，车辆可通过架设于内部的车速传感器、加速度传感器确定车辆速度以及车辆加速度，可通过架设于内部的加速踏板传感器、制动踏板传感器以及发动机节气门传感器，确定加速踏板踩踏程度、制动踏板踩踏程度以及节气门开度。

在一个或多个实施例中，车辆可直接通过读取车辆仪表盘中的仪表盘数据，来确定对应的车辆速度。

在一个或多个实施例中，车辆可实时获取行驶状态数据和驾驶行为数据，也可每隔预设时间获取行驶状态数据和驾驶行为数据，还可在确定驾驶对象踩踏加速踏板或者制动踏板时，获取行驶状态数据和驾驶行为数据。本实施例在此不作限定。

步骤S208，基于行驶状态数据、驾驶行为数据、及行驶场景标签，确定与车辆相匹配的目标换挡方式；目标换挡方式用于控制处于行驶过程中的车辆在目标换挡时间按照目标挡位进行行驶。

其中，目标换挡方式包括目标换挡时间和目标挡位。目标换挡时间指的是将车辆从原始挡位更换至目标挡位的挡位更换时间。目标挡位指的是与当前车辆的行驶状态数据、当前驾驶对象的驾驶行为数据以及当前行驶环境的行驶场景标签相匹配的挡位。

具体地，车辆根据行驶状态数据、驾驶行为数据和行驶场景标签，生成相应的目标换挡方式，并在目标换挡时间将挡位调整至目标挡位，按照目标挡位进行行驶。

在一个或多个实施例中，当车辆基于行驶场景标签，确定前方行驶区域具有危险时，例如，当基于行驶场景标签，确定前方路面为事故多发地，或者确定前方为急转弯道时，车辆将目标换挡时间设置为“在驾驶对象踩踏制动踏板之前”，如此，便能在驾驶员踩踏制动踏板之前，就提前准备换低挡位，准备减速慢行，从而减少了切换和同步离合器的时间。

在一个或多个实施例中，车辆可根据驾驶对象的反应时间，确定目标换挡时间。其中，驾驶对象的反应时间是指驾驶对象对突发的状况做出反应的时常，一般来说，无人驾驶的情况，驾驶对象的反应时间与车辆的处理器分析速度有关，人工驾驶情况下，可通过识别驾驶者的身份，通过获取该驾驶者的历史驾驶数据，通过对历史驾驶数据中的反应数据进行分析，以得到该驾驶对象的反应时间。当车辆基于行驶场景标签，确定前方行驶区域具有危险时，车辆获取行驶场景标签的确定时间点，并将确定时间点加上反应时间，得到换挡时间期限，将目标换挡时间设置为确定时间点至换挡时间期限中的任意一个时间点，从而实现在驾驶对象踩踏制动踏板之前，就提前准备换低挡位。

在一个或多个实施例中，当车辆基于行驶场景标签，确定前方行驶区域为慢行区域时，例如，当基于行驶场景标签，确定前方拥堵、为大上坡或者为急转弯时，则需要尽量避免换挡频繁，避免由于驾驶对象踩踏加速踏板就导致变速器升挡的情况，此时，车辆基于“减少换挡次数”原则，判断自当前时刻起预设时长内，驾驶对象是否踩踏制动踏板或者加速踏板。若自当前时刻起预设时长内驾驶对象未踩踏制动踏板或者加速踏板时，可认为驾驶对象踩踏制动踏板或者加速踏板的操作不为误操作，此时，车辆将当前时刻加上预设时长，得到目标换挡时间，并在目标换挡时间按照目标档位进行行驶。

若自当前时刻起预设时长内驾驶对象踩踏制动踏板或者加速踏板时，可认为驾驶对象踩踏制动踏板或者加速踏板的操作为误操作，此时，车辆忽略此次驾驶对象的踩踏制动踏板操作，保持当前档位不变。例如，当行驶区域为大上坡时，理想状态下车辆应保持1挡或者2挡匀速前行，因此，为了避免由于驾驶对象踩踏加速踏板就导致变速器升挡的情况，车辆可基于“减少换挡次数”原则，将短时间内的驾驶对象反复踩踏加速踏板操作或踩踏制动踏板操作判定为误操作动作，并通过不响应驾驶对象误操作动作来避免挡位频繁更换，从而提升车辆燃油经济性。

在一个或多个实施例中，驾驶对象可预先在车辆中安装挡位决策系统。当获取得到行驶状态数据、驾驶行为数据、及行驶场景标签时，车辆可将行驶状态数据、驾驶行为数据、及行驶场景标签输入至挡位决策系统，通过挡位决策系统的隶属度函数，确定与车辆相匹配的目标换挡方式。其中，隶属度函数的输入参数可为行驶状态数据、驾驶行为数据、行驶场景标签，输出数据可为与车辆相匹配的目标换挡方式。

在一个或多个实施例中，车辆可获取专家驾驶对象在不同预设行驶场景下的多次驾驶试验数据，并对多次驾驶试验数据进行数据分析，从而得到挡位决策系统的隶属度函数。其中，专家驾驶对象指的是能够熟练驾驶车辆的驾驶员。专家驾驶对象可驾驶车辆行驶于预设行驶场景中，并记录行驶于预设行驶场景时所采用的驾驶方式，将预设行驶场景以及对应的驾驶方式作为驾驶试验数据，基于试验数据确定对应的隶属度函数。例如，专家驾驶对象可驾驶车辆进行多次爬坡，并确定每次爬坡时所采用的挡位和换挡时间，将每次爬坡时所采用的挡位和换挡时间作为驾驶试验数据。

在一个或多个实施例中，车辆可通过换挡方式确定模型，根据行驶状态数据、驾驶行为数据、及行驶场景标签，确定与车辆相匹配的目标换挡方式。其中，换挡方式确定模型指的是基于行驶状态数据、驾驶行为数据、行驶场景标签以及对应的目标换挡方式训练而得的机器学习模型。在通过换挡方式确定模型，输出目标换挡方式之前，研发人员可获得大量的驾驶试验数据，并通过驾驶试验数据对相应的行驶场景图像添加换挡方式标签，得到训练数据。例如，当试验数据为爬坡时所采用的挡位和换挡时间时，研发人员可获取车辆在爬坡时所采集的爬坡行驶场景图像，并基于爬坡时所采用的挡位和换挡时间，对爬坡行驶场景图像进行标签标注处理，从而得到训练数据。进一步地，换挡方式确定模型可通过训练数据进行训练，直至达到训练停止条件时停止。

在一个或多个实施例中，车载摄像头可按照预设采集频率采集行驶场景图像，若当前采集时间点采集的行驶场景图像的当前行驶场景标签，与下一顺序采集时间点采集的行驶场景图像的后序行驶场景标签之间的差异小于差异阈值时，车辆保持与当前行驶场景标签相对应的目标换挡方式不变。

在一个或多个实施例中，车辆可通过双离合自动变速器，从原始档位调整至目标档位。其中，双离合自动变速器有2个离合器，第一离合器控制奇数挡和倒挡，第二离合器控制偶数挡；当拨挡杆在奇数挡时，第一离合器与第一输入轴连接，第一输入轴工作，第二离合器分离，第二输入轴不工作；同样，当拨挡杆在偶数挡时，第二离合器与第二输入轴连接，第一离合器与第一输入轴分离。这样整个工作过程总有两个挡位相联接，一个正在工作时，另一个则在随时准备着下一次换挡。

双离合自动变速器的工作原理决定了双离合自动变速器要长时间处于半离合状态，从而使得双离合自动变速器过热，甚至导致双离合自动变速器停止工作。尤其在拥堵路况，车辆处于起步阶段或低于某一车速时，双离合自动变速器始终处于滑磨状态，且为获取起步所需动力还会增大发动机转速与扭矩输出，这也导致了双离合自动变速器迅速温升和车辆的急加速。现有控制策略中，为保护双离合自动变速器，会使双离合自动变速器完全分离，但这又导致动力中断，使得双离合自动变速器抖动、顿挫感比较严重，平顺性较差。

在一个或多个实施例中，通过准确地识别行驶过程中的行驶场景，能够基于准确识别的行驶场景为车辆提供更为可靠的环境信息，从而车辆可基于更为可靠的环境信息，生成更为合理的目标换挡方式，以此保证双离合自动变速器能在拥堵路况起步、弯道、陡坡、湿滑路面上行驶时合理选择是否要进行换挡，换几档以及何时换挡，从而解决双离合自动变速器设计问题而导致的车辆动力中断、顿挫感强的问题。

上述车辆挡位控制方法中，通过获取在行驶过程中的行驶场景图像，可对行驶场景图像进行图像识别，得到对应的行驶场景标签。通过获取行驶状态数据和驾驶行为数据，可基于行驶状态数据、驾驶行为数据、及行驶场景标签，确定与车辆相匹配的目标换挡方式，如此，便能控制处于行驶过程中的车辆在目标换挡时间按照目标挡位进行行驶。由于是综合行驶状态数据、驾驶行为数据、及行驶场景标签确定目标换挡方式的，因此提升了所确定的目标换挡方式的准确性。

在一个或多个实施例中，场景分类模型包括与道路相关的第一道路模型、与交通相关的第一交通模型以及与环境相关的第一环境模型；第一道路模型至少包括道路坡度模型、弯道曲率模型、路面附着度模型、路面平整度模型、信号灯模型和交通指示牌模型中的一种；第一交通模型至少包括危险程度模型和拥堵状况模型中的一种；第一环境模型至少包括道路可见度模型、天气状况模型和光照强度模型中的一种；道路属性标签至少包括通过道路坡度模型输出的道路坡度标签、通过弯道曲率模型输出的弯道曲率标签、通过路面附着度模型输出的路面附着度标签、通过路面平整度模型输出的路面平整度标签、通过信号灯模型输出的信号灯标签和通过交通指示牌模型输出的交通指示牌标签中的一种；交通属性标签至少包括通过危险程度模型输出的危险程度标签、及通过拥堵状况模型输出的拥堵状况标签中的一种；环境属性标签至少包括通过道路可见度模型输出的道路可见度标签、通过天气状况模型输出的天气状况标签、及通过光照强度模型输出的光照强度标签中的一种。

具体地，场景分类模型可包括与道路相关的第一道路模型、与交通相关的第一交通模型、以及与环境相关的第一环境模型。车辆通过第一道路模型，可输出道路属性标签；通过第一交通模型，可输出交通属性标签；通过第一环境模型，可输出环境属性标签。

进一步地，参考图4，第一道路模型又可包括道路坡度模型、弯道曲率模型、路面附着度模型、路面平整度模型、信号灯模型和交通指示牌模型。车辆可通过道路坡度模型输出道路坡度标签；可通过弯道曲率模型输出弯道曲率标签；可通过路面附着度模型输出路面附着度标签；可通过路面平整度模型输出路面平整度标签；可通过信号灯模型输出信号灯标签；以及可通过交通指示牌模型输出交通指示牌标签。

其中，道路坡度标签指的是标明行车区域的道路坡度状况的信息，道路坡度标签具体可以为“大上坡”、“小上坡”、“平路”、“小下坡”、“大下坡”等。弯道曲率标签指的是标明行车区域的弯道曲率状况的信息，弯道曲率标签具体可以为“直道”、“弯道”、“急转弯道”等。路面附着度标签指的是标明行车区域的路面附着度状况的信息，例如，路面附着度标签具体可以为“低附着”、“中附着”、“高附着”等。路面平整度标签指的是标明行车区域的路面平整度状况的信息，路面平整度标签具体可以为“路面平整”、“颠簸路面”等。信号灯标签指的是标明行车区域的交通信号灯的信息，信号灯标签具体可以为“红灯”、“黄灯”、“路灯”等。交通指示牌标签指的是标明行车区域的所存在的交通指示牌的信息，交通指示牌标签具体可以为“前方学校”、“前方斑马线”、“前方事故多发地”等。

进一步地，第一交通模型包括危险程度模型和拥堵状况模型。车辆可通过危险程度识别结果输出危险程度标签，可通过拥堵状况模型输出拥堵状况标签。

其中，危险程度标签指的是标明行车区域的交通危险程度的信息，危险程度标签具体可以为“高危险”、“中危险”或者“低危险”等。拥堵状况标签指的是标明行车区域的交通拥堵程度的信息，拥堵状况标签具体可以为“高拥堵”、“中拥堵”或者“低拥堵”等。

进一步地，第一环境模型包括道路可见度模型、天气状况模型和光照强度模型。车辆可通过道路可见度模型输出道路可见度标签，可通过天气状况模型输出天气状况标签，以及可通过光照强度模型输出的光照强度标签。

其中，道路可见度标签指的是标明行车区域中的道路的可见程度的信息，道路可见度标签具体可以为“高可见度”、“中可见度”和“低可见度”。天气状况标签指的是标明当前天气情况的标签，天气状况标签具体可以为“晴”、“雨”、“雪”、“雾”等。光照强度标签指的是标明行车区域的光照强度的信息，光照强度标签具体可以为“光照强”、“光照中等”、“光照弱”等。图4示出了一个实施例中行驶场景标签的示意图。

在一个或多个实施例中，危险程度模型可综合行人维度的危险程度、机动车维度的危险程度和非机动车维度的危险程度，输出与行驶场景图像对应的危险程度标签。具体地，危险程度模型可对行驶场景图像中的行人、机动车以及非机动车进行识别，得到识别结果，并根据识别结果确定行人、机动车和非机动车在行车区域中的危险程度，综合行人、机动车和非机动车在行车区域中的危险程度，得到与行驶场景图像对应的危险状况标签。

在一个或多个实施例中，拥堵状况模型可综合行人维度的拥堵程度、机动车维度的拥堵程度和非机动车维度的拥堵程度，输出与行驶场景图像对应的拥堵状况标签。具体地，拥堵状况模型可对行驶场景图像中的行人、机动车以及非机动车进行识别，得到识别结果，并根据识别结果确定行人、机动车和非机动车在行车区域中的密集程度，综合行人、机动车和非机动车在行车区域中的密集程度，得到与行驶场景图像对应的拥堵状况标签。

在一个或多个实施例中，在使用场景分类模型对行驶场景图像进行图像识别之前，可分别对场景分类模型中的各个模型进行训练，得到训练好的模型。

上述实施例中，由于是基于不同的模型输出对应的标签，可使得所输出的标签更为准确。

在一个或多个实施例中，场景分类模型包括第二道路模型、第二交通模型和第二环境模型；道路属性标签至少包括道路状况标签和道路设施标签中的一种，道路状况标签至少包括道路坡度标签、弯道曲率标签、路面附着度标签和路面平整度标签中的一种，道路设施标签至少包括信号灯标签和交通指示牌标签中的一种；交通属性标签至少包括行人标签、机动车标签和非机动车标签中的一种，行人标签至少包括行人危险程度标签和行人拥堵状况标签中的一种，机动车标签至少包括机动车危险程度标签和机动车拥堵状况标签中的一种，非机动车标签至少包括非机动车危险程度标签和非机动车拥堵状况标签中的一种；环境属性标签至少包括天气标签和光照标签中的一种，天气标签至少包括道路可见度标签和天气状况标签中的一种，光照标签至少包括光照强度标签；通过场景分类模型，基于道路特征、交通特征和环境特征，确定与行驶场景图像对应的道路属性标签、交通属性标签和环境属性标签，包括：通过第二道路模型，基于道路特征，输出道路坡度标签、弯道曲率标签、路面附着度标签、路面平整度标签、信号灯标签和交通指示牌标签中的至少一种；通过第二交通模型，基于交通特征，输出行人危险程度标签、行人拥堵状况标签、机动车危险程度标签、机动车拥堵状况标签、非机动车危险程度标签和非机动车拥堵状况标签中的至少一种；通过第二环境模型，基于环境特征，输出道路可见度标签、天气状况标签和光照强度标签中的至少一种。

其中，多任务模型是可以处理不同任务的机器学习模型，多任务模型通过学习不同任务的之间联系和差异，可以提高每个任务的学习效率和质量。

具体地，场景分类模型可包括第二道路模型、第二交通模型和第二环境模型。车辆可将行驶场景图像输入至第二道路模型中，通过第二道路模型提取行驶场景图像中的道路特征，并根据道路特征分别对行驶区域中的道路和道路设施进行识别，根据识别结果输出道路状况标签和道路设施标签。其中，道路状况标签包括道路坡度标签、弯道曲率标签、路面附着度标签和路面平整度标签；道路设施标签包括信号灯标签和交通指示牌标签。

进一步地，车辆可将行驶场景图像输入至第二交通模型，通过第二交通模型提取交通特征，并根据交通特征对行驶区域中的行人、机动车和非机动车进行识别，基于识别结果输出行人标签、机动车标签和非机动车标签。其中，行人标签包括行人危险程度标签和行人拥堵状况标签；机动车标签包括机动车危险程度标签和机动车拥堵状况标签；非机动车标签包括非机动车危险程度标签和非机动车拥堵状况标签。

进一步地，车辆可将行驶场景图像输入至第二环境模型，通过交第二环境模型提取环境特征，并根据第二环境模型对行驶区域中的天气、光照进行识别，基于识别结果输出天气标签和光照标签。其中，天气标签包括道路可见度标签、天气状况标签；光照标签包括光照强度标签。

在一个或多个实施例中，由于可通过多任务模型一次性输出多个行驶场景标签，从而提升了行驶场景标签的输出效率。

在一个或多个实施例中，基于行驶状态数据、驾驶行为数据、及行驶场景标签，确定与车辆相匹配的目标换挡方式，包括：基于行驶状态数据和驾驶行为数据，确定对应的候选换挡方式；基于行驶场景标签对候选换挡方式进行修正处理，得到与车辆相匹配的目标换挡方式。

具体地，在确定运行车辆的行驶状态数据和驾驶行为数据时，车辆可调用预设的换挡规律表，并从换挡规律表中查找与行驶状态数据和驾驶行为数据均对应的候选换挡方式。其中，换挡规律表指的是存储有行驶状态数据、驾驶行为数据和换挡方式之间的对应关系的表格，换挡规律表具体可以为换挡MAP图。

进一步地，当确定与行驶场景图像对应的行驶场景标签时，车辆可基于行驶场景标签对候选换挡方式进行修正，将候选换挡方式调整为目标换挡方式，并按照目标换挡方式进行行驶。

在一个或多个实施例中，参考表1，车辆可按照表1中的档位动态修正逻辑，对候选换挡方式进行修正。

例如，在行驶场景标签为“大上坡”时，所对应的修正逻辑为“上坡提前预设调低档位，避免频繁换挡”，此时，车辆降低候选换挡方式中的候选档位至目标档位，并将候选换挡方式中的换挡时间调整为“在驾驶对象踩踏制动踏板之前”。通过修正逻辑对候选换挡方式进行修正，使得车辆能够在爬坡时避免频繁换挡，从而不仅减少了因频繁换挡而耗费的能量、换挡执行机构的部件磨损，而且避免了因动力切断时间比例过高而损失车辆的经济性、动力性。其中，目标换挡时间和具体应调整至的目标档位，可通过上述的隶属度函数确定，或者可通过上述的换挡方式确定模型确定。

又例如，在行驶场景标签为“低路面附着度”时，车辆根据对应的修正逻辑“低附着路面换挡时预备调高挡位，避免驱动力过剩”调高档位至目标档位。通过与路面附着相对应的修正逻辑对候选档位进行修正，不仅可以防止车辆在低附着路面上行驶时，由于轮胎与路面没有足够达到附着力而引起急剧打滑，而造成危险事故的概率，而且采用低附着路面下的修正逻辑进行工作，还可以减少低挡位的切换，满足车辆对附着率的需求，提升车辆燃油经济性。

再例如，当行驶场景标签为“急转弯道”时，车辆以“弯道换挡在保证行驶安全基础上，以调低挡位、避免频繁换挡”为修正逻辑，降低候选档位至目标档位，并基于驾驶对象踩踏制动踏板或者加速踏板的操作，识别驾驶对象在弯道行驶过程中的误操作，通过不响应驾驶对象误操作动作来避免挡位频繁更换。

例如，当行驶场景标签为“高拥堵”时，车辆以“调低挡位，若速度基本匹配则保持当前挡位，避免频繁换挡”为修正逻辑，降低候选档位至目标档位，并避免频繁换挡。通过避免频繁换挡，可以减少因双离合自动变速器长时间处于半离合状态的概率，从而延升双离合自动变速器的寿命，减少驾驶时的顿挫感。

表1：挡位动态修正逻辑表

上述实施例中，通过行驶场景标签对候选换挡方式进行修正处理，使得修正后的目标换挡方式可以综合周围环境信息、行驶状态信息和驾驶行为信息，从而得到更为合理的目标换挡方式。

在一个或多个实施例中，基于行驶状态数据和驾驶行为数据，确定对应的候选换挡方式，包括：确定车辆的目标驾驶模式；获取与目标驾驶模式相对应的目标换挡规律表；根据行驶状态数据和驾驶行为数据，在目标换挡规律表中查找对应的候选换挡方式。

其中，驾驶模式指的是驾驶的方式，驾驶模式具体可为运动驾驶模式、舒适驾驶模式、节能驾驶模式和越野驾驶模式等。在不同的驾驶模式下，车辆会根据预定的参数，对转向、变速箱、发动机、悬架等响应以及电子稳定程序介入时间和力度作出相应调整。具体地，车辆可确定当前的目标驾驶模式，并获取与当前的目标驾驶模式相对应的目标换挡规律表，从目标换挡规律表中查找与行驶状态数据和驾驶行为数据均对应的候选换挡方式。

上述实施例中，通过获取与目标驾驶模式对应的目标换挡规律表，可以基于目标换挡规律表更为准确地确定候选换挡方式。

在一个或多个实施例中，目标换挡方式包括目标挡位和目标换挡时间；基于行驶场景标签，对候选换挡方式进行修正处理，得到与车辆相匹配的目标换挡方式，包括：确定与行驶场景标签、行驶状态数据和驾驶行为数据相对应的挡位范围和换挡时间范围；当候选换挡方式中的候选挡位超出挡位范围时，按照挡位范围调整候选挡位，得到与车辆相匹配的目标挡位；当候选换挡方式中的候选换挡时间超出换挡时间范围时，按照换挡时间范围调整候选换挡时间，得到与车辆匹配的目标换挡时间。

具体地，当确定行驶场景标签、行驶状态数据和驾驶行为数据时，车辆可通过档位决策系统的隶属度函数确定与行驶场景标签、行驶状态数据和驾驶行为数据相对应的挡位范围和换挡时间范围。进一步地，车辆判断候选换挡方式中的候选挡位是否超出挡位范围，若超出档位范围，则将候选挡位调整至挡位范围之内，得到目标档位。例如，当挡位范围为1挡至2挡，候选挡位为3挡时，车辆可将挡位从3挡修正为2挡或者1挡。进一步地，车辆判断候选换挡方式中的候选换挡时间是否超出换挡时间范围，若超出换挡时间范围，则将候选换挡时间调整至换挡时间范围之内，得到目标换挡时间。

在一个或多个实施例中，参考图5，当获取得到车速、气节门开度和行驶场景标签时，车辆可确定当前的目标驾驶模式，并基于目标驾驶模式确定对应的目标换挡规律表。进一步地，车辆可从目标换挡规律表中查找与车速、气节门开度对应的候选换挡方式，并通过行驶场景标签对候选换挡方式进行修正，得到目标换挡档位和目标换挡时间，并控制双离合自动变速器在目标换挡时间将档位从原始档位调整至目标档位。图5示出了一个实施例中基于目标驾驶模式确定目标换挡方式的示意图。

上述实施例中，通过对候选换挡方式进行修正处理，使得最终确定的目标换挡方式能够更为准确、合理。

在一个或多个实施例中，行驶场景图像的数量为多张，且多张行驶场景图像的采集时间相连续，车辆挡位控制方法还包括：当多张行驶场景图像所对应的行驶场景标签中，存在有预设数量的行驶场景标签之间的差异小于或等于预设差异阈值时，通过目标换挡方式，控制处于行驶过程中的车辆在目标换挡时间按照目标挡位进行行驶。

具体地，车载摄像头可按照预设采集频率采集行驶场景图像，并在每次采集行驶场景图像时，采集多张时间相连续行驶场景图像。对于多张时间相连续的行驶场景图像中的每张行驶场景图像，车辆均通过场景分类模型对其进行图像识别，得到相应的行驶场景标签。进一步地，车辆确定各行驶场景标签之间的标签差异，若存在有预设数量的行驶场景标签之间的差异小于或等于预设差异阈值时，例如若存在10张行驶场景图像的行驶场景标签之间的差异小于预设差异阈值时，则可认为场景分类模型对行驶场景图像的识别结果较为准确，行驶场景标签的置信度较高，此时车辆响应于目标换挡方式，通过目标换挡方式，控制处于行驶过程中的车辆在目标换挡时间按照目标挡位进行行驶。

在一个或多个实施例中，车辆可通过多张时间相连续行驶场景图像中的首张行驶场景图像，确定对应的目标换挡方式，可通过多张时间相连续行驶场景图像中的除首张行驶场景图像之外的其余行驶场景图像，确定场景分类模型对行驶场景图像的识别结果的准确度，也即确定行驶场景标签的置信度，并在行驶场景标签的置信度高于预设置信度阈值时，通过目标换挡方式，控制处于行驶过程中的车辆在目标换挡时间按照目标挡位进行行驶。

在一个或多个实施例中，车辆可通过场景分类模型对时间相连续的多张行驶场景图像进行图像识别，得到每张行驶场景图像各自对应的行驶场景标签。车辆确定各行驶场景标签之间的标签差异，并在存在有预设数量的行驶场景标签之间的差异小于或等于预设差异阈值时，从行驶场景标签中，筛选出行驶场景标签之间的差异小于或等于预设差异阈值的目标行驶场景标签，根据目标行驶场景标签、行驶状态数据和驾驶行为数据，确定目标换挡方式。

上述实施例中，在有预设数量的行驶场景标签之间的差异小于或等于预设差异阈值时，才基于目标换挡方式控制车辆行驶，可以提升车辆挡位控制的安全性，减少由于行驶场景标签错误而导致车辆处于危险状态的概率。

在一个或多个实施例中，车辆挡位控制方法还包括：确定道路属性标签、交通属性标签和环境属性标签分别对应的标签置信度；当道路属性标签、交通属性标签和环境属性标签分别对应的标签置信度均小于或等于预设置信度阈值时，通过目标换挡方式，控制处于行驶过程中的车辆在目标换挡时间按照目标挡位进行行驶。

具体地，当场景分类模型输出道路属性标签、交通属性标签和环境属性标签时，还可对应输出道路属性标签、交通属性标签和环境属性标签各自对应的标签置信度。车辆判断道路属性标签、交通属性标签和环境属性标签分别对应的标签置信度是否均小于或等于预设置信度阈值，并在路属性标签、交通属性标签和环境属性标签分别对应的标签置信度均小于或等于预设置信度阈值时，通过目标换挡方式，控制处于行驶过程中的车辆在目标换挡时间按照目标挡位进行行驶。若存在标签置信度大于预设置信度阈值的行驶场景标签时，可认为目标换挡方式的有误，此时车辆停止在目标换挡时间按照目标挡位进行行驶。

上述实施例中，在道路属性标签、交通属性标签和环境属性标签分别对应的标签置信度是否均小于或等于预设置信度阈值时，才基于目标换挡方式控制车辆行驶，可以提升车辆挡位控制的安全性，减少由于行驶场景标签错误而导致车辆处于危险状态的概率。

在一个或多个实施例中，基于行驶状态数据、驾驶行为数据、及行驶场景标签，确定与车辆相匹配的目标换挡方式，包括：确定与行驶场景图像对应的各行驶场景标签各自对应的标签优先级；确定与行驶场景图像对应的各行驶场景标签各自对应的标签置信度；基于标签优先级和标签置信度，从与行驶场景图像对应的行驶场景标签中筛选出目标行驶场景标签；根据目标行驶场景标签、行驶状态数据和驾驶行为数据，确定与车辆相匹配的目标换挡方式。

具体地，可预先设置每个行驶场景标签各自对应的标签优先级，例如，可设置“大上坡”的优先级为第一优先级，设置“低附着”为第二优先级，设置“高光照”为第三优先级等。其中，第一优先级高于第二优先级，第二优先级高于第三优先级。当获取得到与行驶场景图像对应的至少一个的行驶场景标签时，车辆可确定各行驶场景标签各自对应的标签优先级、以及确定各行驶场景标签各自对应的标签置信度，并从行驶场景标签中筛选出具有最高优先级的候选行驶场景标签，从候选行驶场景标签中筛选出具有最高置信度的目标行驶场景标签，基于目标行驶场景标签、行驶状态数据和驾驶行为数据，确定与车辆相匹配的目标换挡方式。

例如，当与行驶场景图像相对应的行驶场景标签为“大上坡”、“红灯”以及“低附着”，且“大上坡”的优先级为第一优先级、置信度为90％，“红灯”的优先级为第一优先级、置信度为70％，“低附着”的优先级为第二优先级、置信度为95％时，车辆可基于标签优先级，从行驶场景标签中筛选出具有第一优先级的标签“大上坡”和“红灯”，可基于置信度从“大上坡”和“红灯”中筛选出目标行驶场景标签“大上坡”。

在一个或多个实施例中，当获取得到各行驶场景标签时，车辆可基于表1确定各行驶场景标签各自对应的标签优先级。例如，当与“上坡提前预备调低档位，避免频繁换挡；下坡充分利用发动机牵阻作用控制车速”的修正逻辑相对应的优先级为第一优先级时，与“大上坡”、“上坡”、“小下坡”以及“大下坡”对应的标签优先级可以为第一优先级。

上述实施例中，通过标签优先级和标签置信度，从行驶场景标签中筛选出目标行驶场景标签，并根据目标行驶场景标签确定对应的目标换挡方式，使得车辆可以采用更为合理的目标换挡方式进行行驶。

在一个或多个实施例中，上述车辆挡位控制方法包括：确定车辆的当前所处挡位；当目标换挡方式中的目标挡位与当前所处挡位不一致时，在目标换挡时间，将车辆从当前所处挡位调整至目标挡位，以控制车辆在目标换挡时间按照目标挡位进行行驶。

具体地，车辆确定当前所处挡位，并判断当前所处挡位是否与目标换挡方式中的目标挡位一致，若一致，则保持当前挡位不变；若不一致，则在目标换挡时间，将车辆从当前所处挡位调整至目标挡位，以控制车辆在目标换挡时间按照目标挡位进行行驶。

在一个或多个实施例中，由于在目标换挡方式中的目标挡位与当前所处挡位不一致时，才进行挡位更换，可以减少不必要的挡位更换次数。

在一个或多个实施例中，参考图6，提供了一种车辆挡位控制方法，包括以下步骤：

S602，当车辆处于行驶过程中时，通过部署在车辆上的车载摄像头，实时对车辆周围的场景信息进行采集，得到至少一张的行驶场景图像。

S604，通过第二道路模型，基于从行驶场景图像中提取的道路特征，输出道路坡度标签、弯道曲率标签、路面附着度标签、路面平整度标签、信号灯标签和交通指示牌标签中的至少一种。

S606，通过第二交通模型，基于从行驶场景图像中提取的交通特征，输出行人危险程度标签、行人拥堵状况标签、机动车危险程度标签、机动车拥堵状况标签、非机动车危险程度标签和非机动车拥堵状况标签中的至少一种。

S608，通过第二环境模型，基于从行驶场景图像中提取的环境特征，输出道路可见度标签、天气状况标签和光照强度标签中的至少一种。

S610，获取与车辆对应的行驶状态数据和驾驶行为数据。

S612，确定车辆的目标驾驶模式；获取与目标驾驶模式相对应的目标换挡规律表；根据行驶状态数据和驾驶行为数据，在目标换挡规律表中查找对应的候选换挡方式。

S614，确定与行驶场景图像对应的各行驶场景标签各自对应的标签优先级；确定与行驶场景图像对应的各行驶场景标签各自对应的标签置信度。

S616，基于标签优先级和标签置信度，从与行驶场景图像对应的行驶场景标签中筛选出目标行驶场景标签，根据目标行驶场景标签、行驶状态数据和驾驶行为数据，确定与车辆相匹配的目标换挡方式。

S618，确定与行驶场景标签、行驶状态数据和驾驶行为数据相对应的挡位范围和换挡时间范围。

S620，当候选换挡方式中的候选挡位超出挡位范围时，按照挡位范围调整候选挡位，得到与车辆相匹配的目标挡位。

S622，当候选换挡方式中的候选换挡时间超出换挡时间范围时，按照换挡时间范围调整候选换挡时间，得到与车辆匹配的目标换挡时间。

S624，当多张行驶场景图像所对应的行驶场景标签中，存在有预设数量的行驶场景标签之间的差异小于或等于预设差异阈值时，通过目标换挡方式，控制处于行驶过程中的车辆在目标换挡时间按照目标挡位进行行驶。

S626，确定道路属性标签、交通属性标签和环境属性标签分别对应的标签置信度；当道路属性标签、交通属性标签和环境属性标签分别对应的标签置信度均小于或等于预设置信度阈值时，通过目标换挡方式，控制处于行驶过程中的车辆在目标换挡时间按照目标挡位进行行驶。

上述车辆挡位控制方法，通过获取在行驶过程中的行驶场景图像，可对行驶场景图像进行图像识别，得到对应的行驶场景标签。通过获取行驶状态数据和驾驶行为数据，可基于行驶状态数据、驾驶行为数据、及行驶场景标签，确定与车辆相匹配的目标换挡方式，如此，便能控制处于行驶过程中的车辆在目标换挡时间按照目标挡位进行行驶。由于是综合行驶状态数据、驾驶行为数据、及行驶场景标签确定目标换挡方式的，因此提升了所确定的目标换挡方式的准确性。

本申请还提供一种应用场景，该应用场景应用上述的车辆挡位控制方法。具体地，该车辆挡位控制方法在该应用场景的应用如下：

参考图7，步骤S702，当驾驶对象驾驶车辆行驶于行驶区域时，车辆可获取时间连续的至少一张行驶场景图像。步骤S704，车辆可通过场景分类模型对采集得到的行驶场景图像进行图像识别，得到对应的行驶场景标签。步骤S706，车辆可确定驾驶对象选择的目标驾驶模式。步骤S708，车辆可确定与目标驾驶模式对应的目标换挡规律表(也可称作换挡规律map表)，并基于目标换挡规律表确定与当前行驶状态数据和当前驾驶行为数据相对应的候选换挡方式。步骤S710，车辆基于行驶场景标签对候选换挡方式进行动态修正，得到目标换挡方式。步骤S712，车辆对目标换挡方式的合理性以及安全性进行监测。步骤S714，车辆根据监测结果，确定目标换挡方式是否合理、安全。S716，当确定目标换挡方式合理且安全时，车辆在目标换挡时间按照目标挡位进行行驶。图7示出了一个或多个实施例中车辆挡位控制方法的流程示意图。

本申请还另外提供一种应用场景，该应用场景应用上述的车辆挡位控制方法。具体地，该车辆挡位控制方法在该应用场景的应用如下：

在驾驶车辆行驶于行驶区域之前，可在车辆上架设车载摄像头，从而可通过车载摄像头采集车辆在行驶过程中的行驶场景图像。进一步地，车辆将行驶场景图像发送至服务器，由服务器通过场景分类模型对行驶场景图像进行图像识别，得到对应的行驶场景标签，并基于行驶状态数据、驾驶行为数据、及行驶场景标签，确定与车辆相匹配的目标换挡方式，将目标换挡方式发送至车辆，以使车辆在目标换挡时间按照目标挡位进行行驶。

应该理解的是，虽然图2和6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2和6中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个或多个实施例中，如图8所示，提供了一种车辆挡位控制装置800，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：图像获取模块802、标签识别模块804和换挡方式确定模块806，其中：

图像获取模块802，用于获取车辆在行驶过程中的行驶场景图像。

标签识别模块804，用于对获取的所述行驶场景图像进行图像识别，得到行驶场景标签；所述行驶场景标签至少包括道路属性标签、交通属性标签和环境属性标签中的一种。

换挡方式确定模块806，用于获取与所述车辆对应的行驶状态数据和驾驶行为数据；基于所述行驶状态数据、所述驾驶行为数据、及所述行驶场景标签，确定与所述车辆相匹配的目标换挡方式；所述目标换挡方式用于控制处于行驶过程中的所述车辆在目标换挡时间按照目标挡位进行行驶。

在一个或多个实施例中，参考图9，所述图像获取模块还用于当所述车辆处于行驶过程中时，通过部署在所述车辆上的车载摄像头，实时对所述车辆周围的场景信息进行采集，得到至少一张行驶场景图像。

在一个或多个实施例中，所述标签识别模块804还包括特征提取模块8041，用于通过场景分类模型，提取所述行驶场景图像中的图像特征；所述图像特征包括道路特征、交通特征和环境特征；通过所述场景分类模型，基于所述道路特征、所述交通特征和所述环境特征，确定与所述行驶场景图像对应的道路属性标签、交通属性标签和环境属性标签。

在一个或多个实施例中，所述标签识别模块804还用于通过场景分类模型输出行驶场景标签；场景分类模型包括与道路相关的第一道路模型、与交通相关的第一交通模型以及与环境相关的第一环境模型；第一道路模型至少包括道路坡度模型、弯道曲率模型、路面附着度模型、路面平整度模型、信号灯模型和交通指示牌模型中的一种；第一交通模型至少包括危险程度模型和拥堵状况模型中的一种；第一环境模型至少包括道路可见度模型、天气状况模型和光照强度模型中的一种；道路属性标签至少包括通过道路坡度模型输出的道路坡度标签、通过弯道曲率模型输出的弯道曲率标签、通过路面附着度模型输出的路面附着度标签、通过路面平整度模型输出的路面平整度标签、通过信号灯模型输出的信号灯标签和通过交通指示牌模型输出的交通指示牌标签中的一种；交通属性标签至少包括通过危险程度模型输出的危险程度标签、及通过拥堵状况模型输出的拥堵状况标签中的一种；环境属性标签至少包括通过道路可见度模型输出的道路可见度标签、通过天气状况模型输出的天气状况标签、及通过光照强度模型输出的光照强度标签中的一种。

在一个或多个实施例中，道路属性标签至少包括道路状况标签和道路设施标签中的一种，道路状况标签至少包括道路坡度标签、弯道曲率标签、路面附着度标签和路面平整度标签中的一种，道路设施标签至少包括信号灯标签和交通指示牌标签中的一种；交通属性标签至少包括行人标签、机动车标签和非机动车标签中的一种，行人标签至少包括行人危险程度标签和行人拥堵状况标签中的一种，机动车标签至少包括机动车危险程度标签和机动车拥堵状况标签中的一种，非机动车标签至少包括非机动车危险程度标签和非机动车拥堵状况标签中的一种；环境属性标签至少包括天气标签和光照标签中的一种，天气标签至少包括道路可见度标签和天气状况标签中的一种，光照标签至少包括光照强度标签；所述标签识别模块804还用于通过所述第二道路模型，基于所述道路特征，输出所述道路坡度标签、所述弯道曲率标签、所述路面附着度标签、所述路面平整度标签、所述信号灯标签和所述交通指示牌标签中的至少一种；通过所述第二交通模型，基于所述交通特征，输出所述行人危险程度标签、所述行人拥堵状况标签、所述机动车危险程度标签、所述机动车拥堵状况标签、所述非机动车危险程度标签和所述非机动车拥堵状况标签中的至少一种；通过所述第二环境模型，基于所述环境特征，输出所述道路可见度标签、所述天气状况标签和所述光照强度标签中的至少一种。

在一个或多个实施例中，所述换挡方式确定模块806还包括修正处理模块8061，用于基于所述行驶状态数据和所述驾驶行为数据，确定对应的候选换挡方式；基于所述行驶场景标签对所述候选换挡方式进行修正处理，得到与所述车辆相匹配的目标换挡方式。

在一个或多个实施例中，所述修正处理模块8061还用于确定所述车辆的目标驾驶模式；获取与所述目标驾驶模式相对应的目标换挡规律表；根据所述行驶状态数据和所述驾驶行为数据，在所述目标换挡规律表中查找对应的候选换挡方式。

在一个或多个实施例中，所述修正处理模块8061还用于确定与所述行驶场景标签、所述行驶状态数据和所述驾驶行为数据相对应的挡位范围和换挡时间范围；当所述候选换挡方式中的候选挡位超出所述挡位范围时，按照所述挡位范围调整所述候选挡位，得到与所述车辆相匹配的目标挡位；当所述候选换挡方式中的候选换挡时间超出所述换挡时间范围时，按照所述换挡时间范围调整所述候选换挡时间，得到与所述车辆匹配的目标换挡时间。

在一个或多个实施例中，所述行驶场景图像的数量为多张，且多张所述行驶场景图像的采集时间相连续，所述车辆挡位控制装置800还包括监控模块808，用于当多张所述行驶场景图像所对应的行驶场景标签中，存在有预设数量的行驶场景标签之间的差异小于或等于预设差异阈值时，通过所述目标换挡方式，控制处于行驶过程中的所述车辆在目标换挡时间按照目标挡位进行行驶。

在一个或多个实施例中，所述监控模块808还用于确定所述道路属性标签、所述交通属性标签和所述环境属性标签分别对应的标签置信度；当所述道路属性标签、所述交通属性标签和所述环境属性标签分别对应的标签置信度均小于或等于预设置信度阈值时，通过所述目标换挡方式，控制处于行驶过程中的所述车辆在目标换挡时间按照目标挡位进行行驶。

在一个或多个实施例中，所述换挡方式确定模块806还包括优先级确定模块8062，用于确定与所述行驶场景图像对应的各行驶场景标签各自对应的标签优先级；确定与所述行驶场景图像对应的各行驶场景标签各自对应的标签置信度；基于所述标签优先级和所述标签置信度，从与所述行驶场景图像对应的行驶场景标签中筛选出目标行驶场景标签；根据所述目标行驶场景标签、所述行驶状态数据和所述驾驶行为数据，确定与所述车辆相匹配的目标换挡方式。

在一个或多个实施例中，所述车辆挡位控制装置800还用于确定所述车辆的当前所处挡位；当所述目标换挡方式中的目标挡位与所述当前所处挡位不一致时，在所述目标换挡时间，将所述车辆从当前所处挡位调整至所述目标挡位，以控制所述车辆在所述目标换挡时间按照所述目标挡位进行行驶。

关于车辆挡位控制装置的具体限定可以参见上文中对于车辆挡位控制方法的限定，在此不再赘述。上述车辆挡位控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个或多个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储车辆挡位控制数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车辆挡位控制方法。

本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个或多个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

在一个或多个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

在一个或多个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (22)

1.一种车辆挡位控制方法，其特征在于，所述方法包括：

获取车辆在行驶过程中的行驶场景图像；

对获取的所述行驶场景图像进行图像识别，得到至少一个行驶场景标签；所述行驶场景标签至少包括道路属性标签、交通属性标签和环境属性标签中的一种；

获取与所述车辆对应的行驶状态数据和驾驶行为数据；

基于所述行驶状态数据和所述驾驶行为数据，在与所述车辆的目标驾驶模式相对应的目标换挡规律表中确定对应的候选换挡方式；

确定每个所述行驶场景标签各自对应的标签优先级和标签置信度；

从所述至少一个行驶场景标签中筛选出具有最高优先级的候选行驶场景标签，并根据候选行驶场景标签的标签置信度筛选出目标行驶场景标签；

基于档位动态修正逻辑表中，与所述目标行驶场景标签对应的预设的档位动态修正逻辑，对所述候选换挡方式进行修正处理，得到与所述车辆相匹配的目标换挡方式；所述目标换挡方式用于控制处于行驶过程中的所述车辆在目标换挡时间按照目标挡位进行行驶；其中，所述档位动态修正逻辑表中预设有不同行驶场景标签与相应档位动态修正逻辑间的对应关系。

2.根据权利要求1所述的方法，其特征在于，所述获取车辆在行驶过程中的行驶场景图像，包括：

当所述车辆处于行驶过程中时，通过部署在所述车辆上的车载摄像头，实时对所述车辆周围的场景信息进行采集，得到至少一张所述行驶场景图像。

3.根据权利要求1所述的方法，其特征在于，所述对获取的所述行驶场景图像进行图像识别，得到至少一个行驶场景标签，包括：

通过场景分类模型，提取所述行驶场景图像中的图像特征；所述图像特征包括道路特征、交通特征和环境特征；

通过所述场景分类模型，基于所述道路特征、所述交通特征和所述环境特征，确定与所述行驶场景图像对应的道路属性标签、交通属性标签和环境属性标签。

4.根据权利要求3所述的方法，其特征在于，所述场景分类模型包括与道路相关的第一道路模型、与交通相关的第一交通模型以及与环境相关的第一环境模型；

所述第一道路模型至少包括道路坡度模型、弯道曲率模型、路面附着度模型、路面平整度模型、信号灯模型和交通指示牌模型中的一种；

所述第一交通模型至少包括危险程度模型和拥堵状况模型中的一种；

所述第一环境模型至少包括道路可见度模型、天气状况模型和光照强度模型中的一种；

所述道路属性标签至少包括通过所述道路坡度模型输出的道路坡度标签、通过所述弯道曲率模型输出的弯道曲率标签、通过所述路面附着度模型输出的路面附着度标签、通过所述路面平整度模型输出的路面平整度标签、通过所述信号灯模型输出的信号灯标签和通过所述交通指示牌模型输出的交通指示牌标签中的一种；

所述交通属性标签至少包括通过所述危险程度模型输出的危险程度标签、及通过所述拥堵状况模型输出的拥堵状况标签中的一种；

所述环境属性标签至少包括通过所述道路可见度模型输出的道路可见度标签、通过所述天气状况模型输出的天气状况标签、及通过所述光照强度模型输出的光照强度标签中的一种。

5.根据权利要求3所述的方法，其特征在于，所述场景分类模型包括第二道路模型、第二交通模型和第二环境模型；

所述道路属性标签至少包括道路状况标签和道路设施标签中的一种，所述道路状况标签至少包括道路坡度标签、弯道曲率标签、路面附着度标签和路面平整度标签中的一种，所述道路设施标签至少包括信号灯标签和交通指示牌标签中的一种；

所述交通属性标签至少包括行人标签、机动车标签和非机动车标签中的一种，所述行人标签至少包括行人危险程度标签和行人拥堵状况标签中的一种，所述机动车标签至少包括机动车危险程度标签和机动车拥堵状况标签中的一种，所述非机动车标签至少包括非机动车危险程度标签和非机动车拥堵状况标签中的一种；

所述环境属性标签至少包括天气标签和光照标签中的一种，所述天气标签至少包括道路可见度标签和天气状况标签中的一种，所述光照标签至少包括光照强度标签；

所述通过所述场景分类模型，基于所述道路特征、所述交通特征和所述环境特征，确定与所述行驶场景图像对应的道路属性标签、交通属性标签和环境属性标签，包括：

通过所述第二道路模型，基于所述道路特征，输出所述道路坡度标签、所述弯道曲率标签、所述路面附着度标签、所述路面平整度标签、所述信号灯标签和所述交通指示牌标签中的至少一种；

通过所述第二交通模型，基于所述交通特征，输出所述行人危险程度标签、所述行人拥堵状况标签、所述机动车危险程度标签、所述机动车拥堵状况标签、所述非机动车危险程度标签和所述非机动车拥堵状况标签中的至少一种；

通过所述第二环境模型，基于所述环境特征，输出所述道路可见度标签、所述天气状况标签和所述光照强度标签中的至少一种。

6.根据权利要求1所述的方法，其特征在于，所述基于所述行驶状态数据和所述驾驶行为数据，在与所述车辆的目标驾驶模式相对应的目标换挡规律表中确定对应的候选换挡方式，包括：

确定所述车辆的目标驾驶模式；

获取与所述目标驾驶模式相对应的目标换挡规律表；

根据所述行驶状态数据和所述驾驶行为数据，在所述目标换挡规律表中查找对应的候选换挡方式。

7.根据权利要求1所述的方法，其特征在于，所述目标换挡方式包括目标挡位和目标换挡时间；所述方法还包括包括：

确定与所述行驶场景标签、所述行驶状态数据和所述驾驶行为数据相对应的挡位范围和换挡时间范围；

当所述候选换挡方式中的候选挡位超出所述挡位范围时，按照所述挡位范围调整所述候选挡位，得到与所述车辆相匹配的目标挡位；

当所述候选换挡方式中的候选换挡时间超出所述换挡时间范围时，按照所述换挡时间范围调整所述候选换挡时间，得到与所述车辆匹配的目标换挡时间。

8.根据权利要求1所述的方法，其特征在于，所述行驶场景图像的数量为多张，且多张所述行驶场景图像的采集时间相连续，所述方法还包括：

当多张所述行驶场景图像所对应的行驶场景标签中，存在有预设数量的行驶场景标签之间的差异小于或等于预设差异阈值时，通过所述目标换挡方式，控制处于行驶过程中的所述车辆在目标换挡时间按照目标挡位进行行驶。

9.根据权利要求1所述的方法，其特征在于，所述方法还包括：

确定所述道路属性标签、所述交通属性标签和所述环境属性标签分别对应的标签置信度；

当所述道路属性标签、所述交通属性标签和所述环境属性标签分别对应的标签置信度均小于或等于预设置信度阈值时，通过所述目标换挡方式，控制处于行驶过程中的所述车辆在目标换挡时间按照目标挡位进行行驶。

10.根据权利要求1至9任意一项所述的方法，其特征在于，所述方法还包括：

确定所述车辆的当前所处挡位；

当所述目标换挡方式中的目标挡位与所述当前所处挡位不一致时，在所述目标换挡时间，将所述车辆从当前所处挡位调整至所述目标挡位，以控制所述车辆在所述目标换挡时间按照所述目标挡位进行行驶。

11.一种车辆挡位控制装置，其特征在于，所述装置包括：

图像获取模块，用于获取车辆在行驶过程中的行驶场景图像；

标签识别模块，用于对获取的所述行驶场景图像进行图像识别，得到至少一个行驶场景标签；所述行驶场景标签至少包括道路属性标签、交通属性标签和环境属性标签中的一种；

换挡方式确定模块，用于获取与所述车辆对应的行驶状态数据和驾驶行为数据；基于所述行驶状态数据和所述驾驶行为数据，在与所述车辆的目标驾驶模式相对应的目标换挡规律表中确定对应的候选换挡方式；确定每个所述行驶场景标签各自对应的标签优先级和标签置信度；从所述至少一个行驶场景标签中筛选出具有最高优先级的候选行驶场景标签，并根据候选行驶场景标签的标签置信度筛选出目标行驶场景标签；基于档位动态修正逻辑表中，与所述目标行驶场景标签对应的预设的档位动态修正逻辑，对所述候选换挡方式进行修正处理，得到与所述车辆相匹配的目标换挡方式；获取与所述车辆对应的行驶状态数据和驾驶行为数据；基于所述行驶状态数据、所述驾驶行为数据、及所述行驶场景标签，确定与所述车辆相匹配的目标换挡方式；所述目标换挡方式用于控制处于行驶过程中的所述车辆在目标换挡时间按照目标挡位进行行驶；其中，所述档位动态修正逻辑表中预设有不同行驶场景标签与相应档位动态修正逻辑间的对应关系。

12.根据权利要求11所述的装置，其特征在于，所述图像获取模块还用于当所述车辆处于行驶过程中时，通过部署在所述车辆上的车载摄像头，实时对所述车辆周围的场景信息进行采集，得到至少一张所述行驶场景图像。

13.根据权利要求11所述的装置，其特征在于，所述标签识别模块还包括特征提取模块，用于通过场景分类模型，提取所述行驶场景图像中的图像特征；所述图像特征包括道路特征、交通特征和环境特征；通过所述场景分类模型，基于所述道路特征、所述交通特征和所述环境特征，确定与所述行驶场景图像对应的道路属性标签、交通属性标签和环境属性标签。

14.根据权利要求13所述的装置，其特征在于，所述标签识别模块还用于通过场景分类模型输出行驶场景标签；场景分类模型包括与道路属性相关的第一道路模型、与交通相关的第一交通模型以及与环境相关的第一环境模型；所述第一道路模型包括道路坡度模型、弯道曲率模型、路面附着度模型、路面平整度模型、信号灯模型和交通指示牌模型；所述第一交通模型包括：危险程度模型和拥堵状况模型；所述第一环境模型包括：道路可见度模型、天气状况模型和光照强度模型；所述道路属性标签包括通过所述道路坡度模型输出的道路坡度标签、通过所述弯道曲率模型输出的弯道曲率标签、通过所述路面附着度模型输出的路面附着度标签、通过所述路面平整度模型输出的路面平整度标签、通过所述信号灯模型输出的信号灯标签和通过所述交通指示牌模型输出的交通指示牌标签；所述交通属性标签包括通过所述危险程度模型输出的危险程度标签和通过所述拥堵状况模型输出的拥堵状况标签；所述环境属性标签包括通过所述道路可见度模型输出的道路可见度标签、通过所述天气状况模型输出的天气状况标签和通过所述光照强度模型输出的光照强度标签。

15.根据权利要求13所述的装置，其特征在于，所述场景分类模型包括第二道路模型、第二交通模型和第二环境模型；所述道路属性标签至少包括道路状况标签和道路设施标签中的一种，所述道路状况标签至少包括道路坡度标签、弯道曲率标签、路面附着度标签和路面平整度标签中的一种，所述道路设施标签至少包括信号灯标签和交通指示牌标签中的一种；所述交通属性标签至少包括行人标签、机动车标签和非机动车标签中的一种，所述行人标签至少包括行人危险程度标签和行人拥堵状况标签中的一种，所述机动车标签至少包括机动车危险程度标签和机动车拥堵状况标签中的一种，所述非机动车标签至少包括非机动车危险程度标签和非机动车拥堵状况标签中的一种；所述环境属性标签至少包括天气标签和光照标签中的一种，所述天气标签至少包括道路可见度标签和天气状况标签中的一种，所述光照标签至少包括光照强度标签；所述标签识别模块还用于通过所述第二道路模型，基于所述道路特征，输出所述道路坡度标签、所述弯道曲率标签、所述路面附着度标签、所述路面平整度标签、所述信号灯标签和所述交通指示牌标签中的至少一种；通过所述第二交通模型，基于所述交通特征，输出所述行人危险程度标签、所述行人拥堵状况标签、所述机动车危险程度标签、所述机动车拥堵状况标签、所述非机动车危险程度标签和所述非机动车拥堵状况标签中的至少一种；通过所述第二环境模型，基于所述环境特征，输出所述道路可见度标签、所述天气状况标签和所述光照强度标签中的至少一种。

16.根据权利要求11所述的装置，其特征在于，所述车辆挡位控制装置还包括修正处理模块，用于确定所述车辆的目标驾驶模式；获取与所述目标驾驶模式相对应的目标换挡规律表；根据所述行驶状态数据和所述驾驶行为数据，在所述目标换挡规律表中查找对应的候选换挡方式。

17.根据权利要求11所述的装置，其特征在于，车辆挡位控制装置还包括修正处理模块，用于确定与所述行驶场景标签、所述行驶状态数据和所述驾驶行为数据相对应的挡位范围和换挡时间范围；当所述候选换挡方式中的候选挡位超出所述挡位范围时，按照所述挡位范围调整所述候选挡位，得到与所述车辆相匹配的目标挡位；当所述候选换挡方式中的候选换挡时间超出所述换挡时间范围时，按照所述换挡时间范围调整所述候选换挡时间，得到与所述车辆匹配的目标换挡时间。

18.根据权利要求11所述的装置，其特征在于，所述行驶场景图像的数量为多张，且多张所述行驶场景图像的采集时间相连续，所述车辆挡位控制装置还包括监控模块，用于当多张所述行驶场景图像所对应的行驶场景标签中，存在有预设数量的行驶场景标签之间的差异小于或等于预设差异阈值时，通过所述目标换挡方式，控制处于行驶过程中的所述车辆在目标换挡时间按照目标挡位进行行驶。

19.根据权利要求11所述的装置，其特征在于，所述车辆挡位控制装置还包括监控模块，用于确定所述道路属性标签、所述交通属性标签和所述环境属性标签分别对应的标签置信度；当所述道路属性标签、所述交通属性标签和所述环境属性标签分别对应的标签置信度均小于或等于预设置信度阈值时，通过所述目标换挡方式，控制处于行驶过程中的所述车辆在目标换挡时间按照目标挡位进行行驶。

20.根据权利要求11至19任意一项所述的装置，其特征在于，所述车辆挡位控制装置还用于确定所述车辆的当前所处挡位；当所述目标换挡方式中的目标挡位与所述当前所处挡位不一致时，在所述目标换挡时间，将所述车辆从当前所处挡位调整至所述目标挡位，以控制所述车辆在所述目标换挡时间按照所述目标挡位进行行驶。

21.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至10中任一项所述的方法的步骤。

22.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至10中任一项所述的方法的步骤。

Images