CN112987707A - 一种车辆的自动驾驶控制方法及装置 - Google Patents
一种车辆的自动驾驶控制方法及装置 Download PDFInfo
- Publication number
- CN112987707A CN112987707A CN201911201320.2A CN201911201320A CN112987707A CN 112987707 A CN112987707 A CN 112987707A CN 201911201320 A CN201911201320 A CN 201911201320A CN 112987707 A CN112987707 A CN 112987707A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- environment image
- traffic sign
- traffic
- distance
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000013136 deep learning model Methods 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008447 perception Effects 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 240000007651 Rubus glaucus Species 0.000 description 3
- 235000011034 Rubus glaucus Nutrition 0.000 description 3
- 235000009122 Rubus idaeus Nutrition 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- 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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Electromagnetism (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Toys (AREA)
Abstract
本发明公开了一种车辆的自动驾驶控制方法及装置，涉及计算机技术领域。该方法的一具体实施方式包括：采集车辆所处环境的第一环境图像；利用深度学习模型识别所述第一环境图像中是否存在交通标识；所述深度学习模型是基于第二环境图像的多个样本数据训练得到的，其中，所述样本数据指示了第二环境图像中是否含有交通标识以及交通标识的类型；当识别出所述第一环境图像中存在所述交通标识时，确定所述车辆与所述交通标识的第一距离；根据所述第一环境图像中的交通标识的识别结果及所述第一距离，控制所述车辆的行驶状态。该实施方式降低了自动驾驶控制所需硬件要求、降低了成本，提高了车辆对环境的感知能力，从而提高了自动驾驶控制的准确性。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种车辆的自动驾驶控制方法及装置。
背景技术
随着计算机技术的发展，自动驾驶技术的发展也日益成熟，其已逐渐应用于儿童玩具、机器人教学和机动车辆的自动控制等领域。但现有自动驾驶控制方法需要配套的硬件成本较高，例如需要计算能力较强的芯片和感知能力较强的传感器，并且现有的控制方法在实际适用过程中的准确性也较低。
发明内容
有鉴于此，本发明实施例提供一种车辆的自动驾驶控制方法及装置，通过深度学习模型降低自动驾驶过程中的计算量，降低了自动驾驶控制所需硬件要求、降低了成本，提高了车辆对环境的感知能力，从而提高了自动驾驶控制的准确性。
为实现上述目的，根据本发明实施例的一个方面，提供了一种车辆的自动驾驶控制方法。
本发明实施例的一种车辆的自动驾驶控制方法包括：
采集所述车辆所处环境的第一环境图像；
利用深度学习模型识别所述第一环境图像中是否存在交通标识；所述深度学习模型是基于第二环境图像的多个样本数据训练得到的，其中，所述样本数据指示了第二环境图像中是否含有交通标识以及交通标识的类型；
当识别出所述第一环境图像中存在所述交通标识时，确定所述车辆与所述交通标识的第一距离；
根据所述第一环境图像中的交通标识的识别结果及所述第一距离，控制所述车辆的行驶状态。
可选地，所述根据所述第一环境图像中的交通标识的识别结果及所述第一距离，控制所述车辆的行驶状态，包括：
利用所述深度学习模型识别所述交通标识的类型，并根据所述交通标识的类型及所述第一距离控制所述车辆的行驶状态。
可选地，该方法还包括：
采集所述车辆的行驶数据，根据所述行驶数据确定所述车辆的当前位置，并构建与所述当前位置相对应的行驶地图；
根据所述行驶地图确定所述车辆的行驶路径。
可选地，所述根据所述第一环境图像中的交通标识的识别结果及所述第一距离，控制所述车辆的行驶状态，还包括：
根据所述车辆的当前位置与所述交通标识之间的第一距离以及所述交通标识的类型，控制所述车辆按照所述行驶路径行驶的速度。
可选地，
所述确定所述车辆与所述交通标识的第一距离，包括：
根据采集所述第一环境图像时的采集点在所述当前位置对应于所述第一环境图像的投影位置，以及所述交通标识在所述当前位置对应于第一环境图像的位置，计算所述第一距离。
可选地，该方法还包括：
当识别出所述第一环境图像中不存在所述交通标识时，控制所述车辆以当前状态行驶。
可选地，
所述深度学习模型为Mobilenet-SSD模型。
为实现上述目的，根据本发明实施例的又一方面，提供了一种车辆的自动驾驶控制装置。
本发明实施例的一种车辆的自动驾驶控制装置包括：采集模块、识别模块和控制模块；其中，
所述采集模块，用于采集所述车辆所处环境的第一环境图像；
所述识别模块，用于利用深度学习模型识别所述第一环境图像中是否存在交通标识，所述深度学习模型是基于第二环境图像的多个样本数据训练得到的，其中，所述样本数据指示了第二环境图像中是否含有交通标识以及交通标识的类型；
所述控制模块，用于当识别出所述第一环境图像中存在所述交通标识时，确定所述车辆与所述交通标识的第一距离，根据所述第一环境图像中的交通标识的识别结果及所述第一距离，控制所述车辆的行驶状态。
可选地，所述控制模块，用于利用所述深度学习模型识别所述交通标识的类型，并根据所述交通标识的类型及所述第一距离控制所述车辆的行驶状态。
可选地，所述控制模块，用于当识别出所述第一环境图像中不存在所述交通标识时，控制所述车辆以当前状态行驶。
为实现上述目的，根据本发明实施例的又一方面，提供了一种用于控制车辆自动驾驶的电子设备。
本发明实施例的一种用于控制车辆自动驾驶的电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例的一种车辆的自动驾驶控制方法。
为实现上述目的，根据本发明实施例的再一方面，提供了一种计算机可读存储介质。
本发明实施例的一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例的一种车辆的自动驾驶控制方法。
上述发明中的一个实施例具有如下优点或有益效果：在采集到车辆所处环境的第一环境图像之后，利用深度学习模型识别第一环境图像中是否存在交通标识，当识别出第一环境图像中存在交通标识时，确定车辆与交通标识的第一距离，然后基于第一环境图像中的交通标识的识别结果以及第一距离，控制车辆的行驶状态。由于深度学习模型具有低参数量、低运算量优势，其能够降低自动驾驶过程中的计算量，由此降低了自动驾驶控制所需硬件要求，降低了自动驾驶控制的成本，使得该车辆的自动驾驶控制方法可适用于儿童玩具和机器人教学等低成本自动驾驶领域。并且，通过深度学习模型识别交通标识，并基于识别结果控制车辆的行驶状态，提高了车辆对环境的感知能力，从而提高了自动驾驶控制的准确性。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明实施例的一种车辆的自动驾驶控制方法的主要步骤的示意图；
图2是根据本发明实施例的另一种车辆的自动驾驶控制方法的主要步骤的示意图；
图3是根据本发明实施例的又一种车辆的自动驾驶控制方法的主要步骤的示意图；
图4是根据本发明实施例的再一种车辆的自动驾驶控制方法的主要步骤的示意图；
图5是根据本发明实施例的一种车辆的自动驾驶控制装置的主要模块的示意图；
图6是根据本发明实施例的一种车辆的主要模块的示意图；
图7是根据本发明实施例的一种车辆的自动驾驶控制装置与车辆的连接示意图；
图8是本发明实施例可以应用于其中的示例性系统架构图；
图9是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
需要指出的是，在不冲突的情况下，本发明的实施例以及实施例中的技术特征可以相互结合。
图1是根据本发明实施例的车辆的自动驾驶控制方法的主要步骤的示意图。
如图1所示，本发明实施例的一种车辆的自动驾驶控制方法主要包括以下步骤：
步骤S101：采集所述车辆所处环境的第一环境图像。
在车辆上可搭载采集第一环境图像的摄像头，例如树莓派摄像头等，以在车辆行驶过程中以视频形式或静态图像采集车辆所处环境的第一环境图像。可以理解的是，当摄像头以视频形式采集第一环境图像时，视频中的每一帧即为一张第一环境图像。
步骤S102：利用深度学习模型识别所述第一环境图像中是否存在交通标识；所述深度学习模型是基于第二环境图像的多个样本数据训练得到的，其中，所述样本数据指示了第二环境图像中是否含有交通标识以及交通标识的类型。
可预先对深度学习模型进行训练，具体地，可利用标注有是否存在交通标识以及交通标识的类型的第二环境图像作为样本数据训练深度学习模型，例如，样本数据A为标注有红灯的第二环境图像，样本数据B为标注有不存在红绿灯交通标识的第二环境图像，样本数据C为标注有绿灯的第二环境图像。由此，采用标注的样本数据训练深度学习模型，相较于机器学习算法，减少了手工提取特征和规则的步骤，并且减少了特征提取过程中对图像边缘的损耗，由此不仅减少了模型训练过程的计算量，还提高了模型预测准确度，从而降低了自动驾驶控制所需硬件要求，降低了自动驾驶控制的成本，使得该自动驾驶控制方法适用于计算量有限的低成本自动驾驶领域，如儿童玩具和机器人教学等领域。
可以理解的是，为了提高深度学习模型的预测准确性，当样本数据为标注有存在交通标识的第二环境图像时，还可进一步标注交通标识在第二图像中的位置。另外，交通标识除了为红绿灯以外，还可为限速标识或转弯标识等其他交通标识。
其中，该深度学习模型可以为Mobilenet-SSD模型。Mobilenet-SSD模型是面向移动端而提出的一种轻量级深度网络模型，可用于目标快速检测，其具有低参数量和低运算量的优势，尤其适用于低成本的深度学习场景，因此适用于儿童玩具和机器人教学等低成本自动驾驶领域。在本发明实施例中，主要使用了深度可分离卷积Depthwise SeparableConvolution将标准卷积核进行分解计算，以减少计算量。
在利用深度学习模型对第一环境图像中的交通标识进行识别时，可先对摄像头采集到的第一环境图像进行预处理，例如，降低第一环境图像的分辨率以减少交通标识识别过程中的计算量，从而提高交通标识的反馈速度，进而满足自动驾驶时的实时性要求。在本发明实施例中，可将Mobilenet-SSD模型移植到Jetson Nano嵌入式主板上，并在Tensorflow的框架下完成交通标识的检测。
步骤S103：当识别出所述第一环境图像中存在所述交通标识时，确定所述车辆与所述交通标识的第一距离。
步骤S104：根据所述第一环境图像中的交通标识的识别结果及所述第一距离，控制所述车辆的行驶状态。
在本发明实施例中，当识别出所述第一环境图像中存在所述交通标识时，可利用所述深度学习模型识别所述交通标识的类型，并根据所述交通标识的类型及车辆与交通标识之间的第一距离，控制所述车辆的行驶状态。当识别出所述第一环境图像中不存在所述交通标识时，可控制所述车辆以当前状态行驶。
以交通标识为红黄绿灯为例，深度识别模型不仅可识别出第一环境图像中是否存在红黄绿灯，还可识别出红黄绿灯的类型，也就是交通标识具体为红灯、黄灯或绿灯中的哪一种。当深度识别模型识别出第一环境图像中不存在红黄绿灯时，可控制车辆以当前状态(当前行驶方向和当前行驶速度等)继续行驶。当识别出第一环境图像中存在红黄绿灯时，根据红绿黄等的类型以及车辆与红绿黄灯的距离，控制车辆的行驶状态，例如，当交通标识为红灯时，控制车辆停止行驶，当交通标识为绿灯时，控制车辆以当前状态继续行驶，在控制过程中，可结合车辆与交通标识的距离，控制车辆的行驶速度。在实际应用过程中，对交通标识的识别精度可达到85％以上，说明本发明实施例提供的车辆的控制方法可靠性高。
基于此，本发明实施例提供的车辆的控制方法可以包括以下步骤S201至步骤S204：
步骤S201：采集所述车辆所处环境的第一环境图像。
步骤S202：利用深度学习模型判断第一环境图像中是否存在交通标识，如果是，执行步骤S203，否则执行步骤S204。
步骤S203：利用深度学习模型识别交通标识的类型，根据交通标识的类型及车辆与交通标识之间的第一距离，控制车辆的行驶状态。
例如，当交通标识为红灯时，控制车辆停止行驶，当交通标识为绿灯时，控制车辆以当前状态继续行驶。
步骤S204：控制车辆以当前状态继续行驶。
另外，在车辆行驶过程中，可通过车辆上搭载的激光雷达和传感器等设备采集车辆的行驶数据，根据所述行驶数据确定所述车辆的当前位置，并构建与所述当前位置相对应的行驶地图；根据所述行驶地图确定所述车辆的行驶路径。
例如，可通过在车辆上搭载RPLIDAR激光测距雷达采集车辆所处环境的环境信息，并利用车辆上搭载的超声波传感器采集车辆的里程信息，然后采用Gmapping算法基于激光测距雷达采集的信息以及超声波传感器采集的里程信息对车辆进行定位，并构建与车辆的当前位置相对应的行驶地图。也就是说，Gmapping算法的输入包括激光测距雷达采集的信息和里程信息，Gmapping算法的输出包括车辆的当前位置及其对应的行驶地图，则后续对车辆的行驶状态进行控制时，可基于该行驶地图确定车辆的行驶路径。
其中，Gmapping算法是基于滤波SLAM框架的常用开源SLAM算法，它是目前基于激光雷达和里程计方案里面比较可靠和成熟的一个算法，Gmapping算法构建小场景地图时，所需计算量较小且精度较高，因此，Gmapping算法适用于实现儿童玩具和机器人教学等低成本自动驾驶领域的SLAM任务，可实现该领域车辆自动驾驶的准确定位和地图构建。在实际应用过程中，检测到SLAM任务的导航精度可精确到±4mm，说明本发明实施例提供的车辆的控制方法可靠性高。
可以理解的是，第一环境图像是在车辆按照行驶路径行驶的过程中所采集的，而基于采集的第一环境图像，又可返回更新车辆的行驶路径，如识别到转弯或红灯等交通标识时，车辆的行驶状态会发生变化，则激光测距雷达和超声波传感器所采集的信息均会有所变化，由此车辆的行驶地图和行驶路径也会有所变化，从而实现控制车辆的自动驾驶。基于此，本发明实施例提供的车辆的控制方法可以包括以下步骤S301至步骤S305：
步骤S301：采集所述车辆的行驶数据，根据所述行驶数据确定所述车辆的当前位置，并构建与所述当前位置相对应的行驶地图。
步骤S302：根据所述行驶地图确定所述车辆的行驶路径。
步骤S303：采集所述车辆按照所述行驶路径行驶时，所述车辆所处环境的第一环境图像。
步骤S304：根据深度学习模型对第一环境图像中交通标识的识别结果，控制车辆的行驶状态。
步骤S305：根据车辆的行驶状态所对应的行驶数据，更新车辆的行驶路径。
进一步地，对车辆的行驶状态进行控制时，可先确定所述车辆的当前位置与所述交通标识之间的第一距离，然后根据该第一距离以及交通标识的类型，控制所述车辆按照所述行驶路径行驶的速度。
具体地，可根据采集所述第一环境图像时的采集点在所述当前位置对应于所述第一环境图像的投影位置，以及所述交通标识在所述当前位置对应于第一环境图像的位置，计算所述第一距离。
在本发明实施例中，当Mobilenet-SSD模型移植于Jetson Nano嵌入式主板，即车辆中搭载的是移植有Mobilenet-SSD模型的Jetson Nano嵌入式主板时，由于Jetson Nano嵌入式主板只能搭载单个树莓派摄像头，因此在计算车辆的当前位置与交通标识之间的距离时，可采用单目测距方案。具体地，可根据采集第一环境图像时的采集点(即树莓派摄像头的位置)在当前位置对应于第一环境图像的投影位置，以及交通标识在当前位置对应于第一环境图像的位置，利用以下计算公式计算车辆的当前位置与交通标识之间的第一距离：
其中，D表征车辆的当前位置与交通标识之间的第一距离，h表征采集第一环境图像时的采集点(树莓派摄像头的位置)距离地面的高度，y表征交通标识在第一环境图像所对应直角坐标系的纵坐标，y0表征第一环境图像所对应直角坐标系的原点纵坐标，f表征采集第一环境图像的采集装置(树莓派摄像头)的相机焦距，α表征采集装置(树莓派摄像头)在采集第一环境图像的倾斜角度。
由此，本发明实施例提供的车辆的控制方法可以包括以下步骤S401至步骤S404：
步骤S401：采集所述车辆的行驶数据，根据所述行驶数据确定所述车辆的当前位置，并构建与所述当前位置相对应的行驶地图，根据所述行驶地图确定所述车辆的行驶路径。
步骤S402：采集所述车辆沿所述行驶路径行驶时所处环境的第一环境图像。
步骤S403：当利用深度学习模型识别出第一环境图像中存在交通标识时，根据采集所述第一环境图像时的采集点在所述当前位置对应于所述第一环境图像的投影位置，以及所述交通标识在所述当前位置对应于第一环境图像的位置，计算所述车辆的当前位置与所述交通标识之间的第一距离。
步骤S404：根据所述第一距离以及深度学习模型识别出的交通标识的类型，确定所述车辆按照所述行驶路径行驶的速度，并按照所述速度控制所述车辆行驶。
例如，当识别出交通标识为红灯时，需控制车辆停止行驶，可以理解的是，控制车辆停止行驶的过程为控制车辆做减速运动的过程，则此时可进一步根据识别出交通标识为红灯时车辆所处的当前位置与交通标识之间的第一距离，控制车辆进行减速运动时的速度。
并且，可根据Gmapping算法输出的行驶地图，确定车辆的行驶路径，例如确定车辆的行驶路径为直线路径(即车辆按直线行驶)或曲线路径(车辆需转弯行驶)，则在控制车辆的行驶速度时，可进一步结合行驶路径确定车辆的行驶速度，如当行驶路径为弯道路径时，可根据弯道的曲率确定车辆的行驶速度。
在确定出车辆的当前位置和行驶地图，并确定出车辆的行驶路径和行驶速度等，以及识别出车辆所处环境的交通标识等信息后，即完成了车辆的激光SLAM任务，并实现了车辆的环境感知，然后可使用ROS中的Movebase导航包完成全局和局部路径规划，以实现对车辆的控制。
在对车辆进行控制时，可基于车辆的控制板Arduino来实现具体的控制操作。其中，控制板Arduino引脚发送低信号表示控制器芯片引脚接地，控制板Arduino发送高信号表示芯片引脚与接地之间的电阻保持不变。控制板Arduino可通过USB连接到移植有Mobilenet-SSD模型的Jetson Nano嵌入式主板上，然后Jetson Nano嵌入式主板可使用串行接口将控制命令输出给控制板Arduino，使得控制板Arduino读取控制命令并相应输出低信号或高信号来驱动车辆。由此，Jetson Nano嵌入式主板对红绿灯等交通标识的识别结果直接与控制板Arduino通信，由此直接影响车辆在交叉路口的行止，提高了车辆对环境的感知能力，从而提高了自动驾驶控制的准确性。
可以理解的是，本发明实施例所述的车辆可以为应用于儿童玩具和机器人教学等领域的智能小车。根据本发明实施例的车辆的自动驾驶控制方法可以看出，在采集到车辆所处环境的第一环境图像之后，利用深度学习模型识别第一环境图像中是否存在交通标识，当识别出第一环境图像中存在交通标识时，确定车辆与交通标识的第一距离，然后基于第一环境图像中的交通标识的识别结果以及第一距离，控制车辆的行驶状态。由于深度学习模型具有低参数量、低运算量优势，其能够降低自动驾驶过程中的计算量，由此降低了自动驾驶控制所需硬件要求，降低了自动驾驶控制的成本，使得该车辆的自动驾驶控制方法可适用于儿童玩具和机器人教学等低成本自动驾驶领域。并且，通过深度学习模型识别交通标识，并基于识别结果控制车辆的行驶状态，提高了车辆对环境的感知能力，从而提高了自动驾驶控制的准确性，进而提高了在儿童玩具和机器人教学等领域中，控制车辆自动驾驶的乐趣。
图5是根据本发明实施例的车辆的自动驾驶控制装置的主要模块的示意图。
如图5所示，本发明实施例的车辆的控制装置500包括：采集模块501、识别模块502和控制模块503；其中，
所述采集模块501，用于采集所述车辆所处环境的第一环境图像；
所述识别模块502，用于利用深度学习模型识别所述第一环境图像中是否存在交通标识，所述深度学习模型是基于第二环境图像的多个样本数据训练得到的，其中，所述样本数据指示了第二环境图像中是否含有交通标识以及交通标识的类型；
所述控制模块503，用于当识别出所述第一环境图像中存在所述交通标识时，确定所述车辆与所述交通标识的第一距离，根据所述第一环境图像中的交通标识的识别结果及所述第一距离，控制所述车辆的行驶状态。
其中，采集模块501可基于树莓派摄像头实现，识别模块502可基于移植有Mobilenet-SSD模型的Jetson Nano嵌入式主板实现，控制模块503可基于控制板Arduino实现，控制板Arduino与Jetson Nano嵌入式主板连接。并且，本发明实施例提供的车辆的自动驾驶控制装置500可以设置于车辆上，如图6所示，本发明实施例还提供一种车辆600，该车辆600包括：本发明任一实施例提供的车辆的控制装置500以及车辆本体601。当然，如图7所示，车辆的控制装置500也可以与车辆700相互独立，如车辆的自动驾驶控制装置500可作为车辆700的随行装置，跟随车辆运动。
在本发明一个实施例中，所述控制模块503，用于利用所述深度学习模型识别所述交通标识的类型，并根据所述交通标识的类型及所述第一距离控制所述车辆的行驶状态。
在本发明一个实施例中，所述控制模块503，用于当识别出所述第一环境图像中不存在所述交通标识时，控制所述车辆以当前状态行驶。
在本发明一个实施例中，所述识别模块502，还用于采集所述车辆的行驶数据，根据所述行驶数据确定所述车辆的当前位置，并构建与所述当前位置相对应的行驶地图；根据所述行驶地图确定所述车辆的行驶路径。
在本发明一个实施例中，所述控制模块503，用于根据所述车辆的当前位置与所述交通标识之间的第一距离以及所述交通标识的类型，控制所述车辆按照所述行驶路径行驶的速度。
在本发明一个实施例中，所述控制模块503，用于根据采集所述第一环境图像时的采集点在所述当前位置对应于所述第一环境图像的投影位置，以及所述交通标识在所述当前位置对应于第一环境图像的位置，计算所述第一距离。
在本发明一个实施例中，所述深度学习模型为Mobilenet-SSD模型。
根据本发明实施例的车辆的控制装置可以看出，在采集到车辆所处环境的第一环境图像之后，利用深度学习模型识别第一环境图像中是否存在交通标识，当识别出第一环境图像中存在交通标识时，确定车辆与交通标识的第一距离，然后基于第一环境图像中的交通标识的识别结果以及第一距离，控制车辆的行驶状态。由于深度学习模型具有低参数量、低运算量优势，其能够降低自动驾驶过程中的计算量，由此降低了自动驾驶控制所需硬件要求，降低了自动驾驶控制的成本，使得该车辆的自动驾驶控制方法可适用于儿童玩具和机器人教学等低成本自动驾驶领域。并且，通过深度学习模型识别交通标识，并基于识别结果控制车辆的行驶状态，提高了车辆对环境的感知能力，从而提高了自动驾驶控制的准确性。
图8示出了可以应用本发明实施例的车辆的自动驾驶控制方法或车辆的自动驾驶控制装置的示例性系统架构800。
如图8所示，系统架构800可以包括终端设备801、802、803，网络804和服务器805。网络804用以在终端设备801、802、803和服务器805之间提供通信链路的介质。网络804可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备801、802、803通过网络804与服务器805交互，以接收或发送消息等。终端设备801、802、803上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备801、802、803可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器805可以是提供各种服务的服务器，例如对用户利用终端设备801、802、803所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息)反馈给终端设备。
需要说明的是，本发明实施例所提供的车辆的自动驾驶控制方法一般由服务器805执行，相应地，车辆的自动驾驶控制装置一般设置于服务器805中。
应该理解，图8中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图9，其示出了适于用来实现本发明实施例的终端设备的计算机系统900的结构示意图。图9示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图9所示，计算机系统900包括中央处理单元(CPU)901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中，还存储有系统900操作所需的各种程序和数据。CPU 901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
以下部件连接至I/O接口905：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被中央处理单元(CPU)901执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括采集模块、识别模块和控制模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，采集模块还可以被描述为“采集所述车辆所处环境的第一环境图像的模块”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：采集所述车辆所处环境的第一环境图像；利用深度学习模型识别所述第一环境图像中是否存在交通标识；所述深度学习模型是基于第二环境图像的多个样本数据训练得到的，其中，所述样本数据指示了第二环境图像中是否含有交通标识以及交通标识的类型；当识别出所述第一环境图像中存在所述交通标识时，确定所述车辆与所述交通标识的第一距离；根据所述第一环境图像中的交通标识的识别结果及所述第一距离，控制所述车辆的行驶状态。
根据本发明实施例的技术方案，在采集到车辆所处环境的第一环境图像之后，利用深度学习模型识别第一环境图像中是否存在交通标识，当识别出第一环境图像中存在交通标识时，确定车辆与交通标识的第一距离，然后基于第一环境图像中的交通标识的识别结果以及第一距离，控制车辆的行驶状态。由于深度学习模型具有低参数量、低运算量优势，其能够降低自动驾驶过程中的计算量，由此降低了自动驾驶控制所需硬件要求，降低了自动驾驶控制的成本，使得该车辆的自动驾驶控制方法可适用于儿童玩具和机器人教学等低成本自动驾驶领域。并且，通过深度学习模型识别交通标识，并基于识别结果控制车辆的行驶状态，提高了车辆对环境的感知能力，从而提高了自动驾驶控制的准确性。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (12)
1.一种车辆的自动驾驶控制方法，其特征在于，包括：
采集所述车辆所处环境的第一环境图像；
利用深度学习模型识别所述第一环境图像中是否存在交通标识；所述深度学习模型是基于第二环境图像的多个样本数据训练得到的，其中，所述样本数据指示了第二环境图像中是否含有交通标识以及交通标识的类型；
当识别出所述第一环境图像中存在所述交通标识时，确定所述车辆与所述交通标识的第一距离；
根据所述第一环境图像中的交通标识的识别结果及所述第一距离，控制所述车辆的行驶状态。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一环境图像中的交通标识的识别结果及所述第一距离，控制所述车辆的行驶状态，包括：
利用所述深度学习模型识别所述交通标识的类型，并根据所述交通标识的类型及所述第一距离控制所述车辆的行驶状态。
3.根据权利要求2所述的方法，其特征在于，还包括：
采集所述车辆的行驶数据，根据所述行驶数据确定所述车辆的当前位置，并构建与所述当前位置相对应的行驶地图；
根据所述行驶地图确定所述车辆的行驶路径。
4.根据权利要求3所述的方法，其特征在于，所述根据所述第一环境图像中的交通标识的识别结果及所述第一距离，控制所述车辆的行驶状态，还包括：
根据所述车辆的当前位置与所述交通标识之间的第一距离以及所述交通标识的类型，控制所述车辆按照所述行驶路径行驶的速度。
5.根据权利要求3所述的方法，其特征在于，所述确定所述车辆与所述交通标识的第一距离，包括：
根据采集所述第一环境图像时的采集点在所述当前位置对应于所述第一环境图像的投影位置，以及所述交通标识在所述当前位置对应于第一环境图像的位置，计算所述第一距离。
6.根据权利要求1所述的方法，其特征在于，还包括：
当识别出所述第一环境图像中不存在所述交通标识时，控制所述车辆以当前状态行驶。
7.根据权利要求1至6任一所述的方法，其特征在于，
所述深度学习模型为Mobilenet-SSD模型。
8.一种车辆的自动驾驶控制装置，其特征在于，包括：采集模块、识别模块和控制模块；其中，
所述采集模块，用于采集所述车辆所处环境的第一环境图像；
所述识别模块，用于利用深度学习模型识别所述第一环境图像中是否存在交通标识，所述深度学习模型是基于第二环境图像的多个样本数据训练得到的，其中，所述样本数据指示了第二环境图像中是否含有交通标识以及交通标识的类型；
所述控制模块，用于当识别出所述第一环境图像中存在所述交通标识时，确定所述车辆与所述交通标识的第一距离，根据所述第一环境图像中的交通标识的识别结果及所述第一距离，控制所述车辆的行驶状态。
9.根据权利要求8所述的装置，其特征在于，
所述控制模块，用于利用所述深度学习模型识别所述交通标识的类型，并根据所述交通标识的类型及所述第一距离控制所述车辆的行驶状态。
10.根据权利要求8所述的装置，其特征在于，
所述控制模块，用于当识别出所述第一环境图像中不存在所述交通标识时，控制所述车辆以当前状态行驶。
11.一种用于控制车辆自动驾驶的电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
12.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911201320.2A CN112987707A (zh) | 2019-11-29 | 2019-11-29 | 一种车辆的自动驾驶控制方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911201320.2A CN112987707A (zh) | 2019-11-29 | 2019-11-29 | 一种车辆的自动驾驶控制方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112987707A true CN112987707A (zh) | 2021-06-18 |
Family
ID=76330902
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911201320.2A Pending CN112987707A (zh) | 2019-11-29 | 2019-11-29 | 一种车辆的自动驾驶控制方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112987707A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113506027A (zh) * | 2021-07-27 | 2021-10-15 | 北京工商大学 | 基于学生视觉注意及教师行为的课程质量评估与提升方法 |
| WO2023178510A1 (zh) * | 2022-03-22 | 2023-09-28 | 深圳市大疆创新科技有限公司 | 图像处理方法、装置和系统、可移动平台 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160170414A1 (en) * | 2014-12-11 | 2016-06-16 | Here Global B.V. | Learning Signs From Vehicle Probes |
| CN107571867A (zh) * | 2017-09-05 | 2018-01-12 | 百度在线网络技术（北京）有限公司 | 用于控制无人驾驶车辆的方法和装置 |
| US20180374360A1 (en) * | 2017-06-22 | 2018-12-27 | Bakhi.com Times Technology (Beijing) Co., Ltd. | Traffic prediction based on map images for autonomous driving |
| CN109116846A (zh) * | 2018-08-29 | 2019-01-01 | 五邑大学 | 一种自动驾驶方法、装置、计算机设备和存储介质 |
| CN109711285A (zh) * | 2018-12-11 | 2019-05-03 | 百度在线网络技术（北京）有限公司 | 识别模型的训练、测试方法和装置 |
| CN109829401A (zh) * | 2019-01-21 | 2019-05-31 | 深圳市能信安科技股份有限公司 | 基于双拍摄设备的交通标志识别方法及装置 |
| CN110493521A (zh) * | 2019-08-22 | 2019-11-22 | 爱驰汽车有限公司 | 自动驾驶摄像头控制方法、装置、电子设备、存储介质 |
-
2019
- 2019-11-29 CN CN201911201320.2A patent/CN112987707A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160170414A1 (en) * | 2014-12-11 | 2016-06-16 | Here Global B.V. | Learning Signs From Vehicle Probes |
| US20180374360A1 (en) * | 2017-06-22 | 2018-12-27 | Bakhi.com Times Technology (Beijing) Co., Ltd. | Traffic prediction based on map images for autonomous driving |
| CN107571867A (zh) * | 2017-09-05 | 2018-01-12 | 百度在线网络技术（北京）有限公司 | 用于控制无人驾驶车辆的方法和装置 |
| CN109116846A (zh) * | 2018-08-29 | 2019-01-01 | 五邑大学 | 一种自动驾驶方法、装置、计算机设备和存储介质 |
| CN109711285A (zh) * | 2018-12-11 | 2019-05-03 | 百度在线网络技术（北京）有限公司 | 识别模型的训练、测试方法和装置 |
| CN109829401A (zh) * | 2019-01-21 | 2019-05-31 | 深圳市能信安科技股份有限公司 | 基于双拍摄设备的交通标志识别方法及装置 |
| CN110493521A (zh) * | 2019-08-22 | 2019-11-22 | 爱驰汽车有限公司 | 自动驾驶摄像头控制方法、装置、电子设备、存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113506027A (zh) * | 2021-07-27 | 2021-10-15 | 北京工商大学 | 基于学生视觉注意及教师行为的课程质量评估与提升方法 |
| WO2023178510A1 (zh) * | 2022-03-22 | 2023-09-28 | 深圳市大疆创新科技有限公司 | 图像处理方法、装置和系统、可移动平台 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3505869B1 (en) | Method, apparatus, and computer readable storage medium for updating electronic map | |
| EP3961579A2 (en) | Target detection method, apparatus, medium and computer program product | |
| US11776155B2 (en) | Method and apparatus for detecting target object in image | |
| CN113723141B (zh) | 车辆的定位方法、装置、电子设备、车辆及存储介质 | |
| CN111797187A (zh) | 地图数据的更新方法、装置、电子设备和存储介质 | |
| CN111209978B (zh) | 三维视觉重定位方法、装置及计算设备、存储介质 | |
| CN113920307A (zh) | 模型的训练方法、装置、设备、存储介质及图像检测方法 | |
| CN113859264B (zh) | 车辆控制方法、装置、电子设备及存储介质 | |
| CN109635861B (zh) | 一种数据融合方法、装置、电子设备及存储介质 | |
| CN113378605B (zh) | 多源信息融合方法及装置、电子设备和存储介质 | |
| CN113011323A (zh) | 通行状态的获取方法、相关装置、路侧设备及云控平台 | |
| CN114186007A (zh) | 高精地图生成方法、装置、电子设备和存储介质 | |
| CN113378836A (zh) | 图像识别方法、装置、设备、介质及程序产品 | |
| CN113091737A (zh) | 一种车路协同定位方法、装置、自动驾驶车辆及路侧设备 | |
| CN112987707A (zh) | 一种车辆的自动驾驶控制方法及装置 | |
| CN114111813B (zh) | 高精地图元素更新方法、装置、电子设备及存储介质 | |
| CN116659524A (zh) | 一种车辆定位方法、装置、设备以及存储介质 | |
| CN113722342A (zh) | 高精地图要素变更检测方法、装置、设备及自动驾驶车辆 | |
| CN113420692A (zh) | 生成方向识别模型的方法、装置、设备、介质及程序产品 | |
| CN112069899A (zh) | 一种路肩检测方法、装置及存储介质 | |
| JP7478831B2 (ja) | 自動運転に基づく乗車方法、装置、機器および記憶媒体 | |
| CN114429631B (zh) | 三维对象检测方法、装置、设备以及存储介质 | |
| CN116343169A (zh) | 路径规划方法、目标对象运动控制方法、装置及电子设备 | |
| CN115675528A (zh) | 基于相似场景挖掘的自动驾驶方法和车辆 | |
| CN115062240A (zh) | 一种停车场排序方法、装置、电子设备和存储介质 |
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 |