CN113085891A - 车辆控制方法、装置、非易失性存储介质及处理器 - Google Patents

Abstract

本发明公开了一种车辆控制方法、装置、非易失性存储介质及处理器。其中，该方法包括：获取车辆所处区域的环境图像以及外部环境类型；如果从环境图像中识别到目标对象，获取目标对象距离车辆的距离信息；根据外部环境类型，确定与车辆的外部环境类型匹配的行驶策略模型，其中，基于车辆的样本行驶数据训练神经网络模型得到行驶策略模型；将环境图像和距离信息输入至行驶策略模型，预测得到行驶路线；控制车辆按照行驶路线进行行驶。本发明解决了车辆在多种路况中难以进行合理的路线规划的技术问题。

Description

车辆控制方法、装置、非易失性存储介质及处理器

技术领域

本发明涉及车辆驾驶领域，具体而言，涉及一种车辆控制方法、装置、非易失性存储介质及处理器。

背景技术

车辆驾驶领域中，辅助驾驶系统与无人驾驶系统存在广阔的应用前景。辅助驾驶系统和无人驾驶系统均需要对车辆进行控制，而车辆控制的前提是对路况的精确识别和反应，并根据路况情况规划车辆的行驶路线。相关技术中，对车辆行驶路况的识别和路线的规划通常仅适用于特定的场景，例如城市道路交通，而无法应对真实世界中的其他复杂的路况。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种车辆控制方法、装置、非易失性存储介质及处理器，以至少解决车辆在多种路况中难以进行合理的路线规划的技术问题。

根据本发明实施例的一个方面，提供了一种车辆控制方法，包括：获取车辆所处区域的环境图像以及外部环境类型；如果从所述环境图像中识别到目标对象，获取所述目标对象距离所述车辆的距离信息；根据所述外部环境类型，确定与所述车辆的外部环境类型匹配的行驶策略模型，其中，基于车辆的样本行驶数据训练神经网络模型得到所述行驶策略模型；将所述环境图像和所述距离信息输入至行驶策略模型，预测得到行驶路线；控制所述车辆按照所述行驶路线进行行驶。

可选地，将所述环境图像和所述距离信息输入至行驶策略模型，预测得到行驶路线，包括：识别出所述环境图像中所述目标对象的类型；将所述目标对象的类型和所述距离信息输入至所述行驶策略模型，得到所述目标对象对所述车辆的干扰类型和干扰程度；根据所述干扰类型和干扰程度，预测得到所述车辆的行驶路线。

可选地，在从所述环境图像中识别得到多个目标对象的情况下，分别获取所述多个目标对象距离所述车辆的距离信息，其中，将所述环境图像和所述距离信息输入至行驶策略模型，预测得到行驶路线包括：识别出所述环境图像中每个所述目标对象的类型；将所述每个目标对象的类型和所述每个目标对象与所述车辆之间的距离信息输入所述行驶策略模型，得到所述每个目标对象对所述车辆的干扰类型和干扰程度；根据所述每个目标对象对所述车辆的干扰类型和干扰程度，得到与所述多个目标对象对应的多个局部行驶策略；根据所述多个局部行驶策略，预测得到所述车辆的行驶路线。

可选地，所述局部行驶策略包括如下至少之一：躲避，跟随，转向，减速穿行，加速穿行，停车和匀速行驶。

可选地，获取所述目标对象距离所述车辆的距离信息，包括：使用激光雷达获取所述目标对象距离所述车辆的距离信息。

可选地，所述行驶策略模型为采用多组车辆的样本行驶数据预先训练得到的，所述多组样本行驶数据中的每一组数据包括：车辆所处区域的环境图像，外部环境类型，所述目标对象的类型，所述目标对象距离所述车辆的距离信息和所述车辆的行驶路线，其中，所述环境图像中包括不同类型的对象。

可选地，所述外部环境类型包括：季节类型，天气类型，道路的行政类型，道路的物理状况。

根据本发明实施例的另一方面，还提供了一种车辆控制装置，包括：

根据本发明实施例的另一方面，又提供了一种非易失性存储介质，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备执行上述任意一项所述车辆控制方法。

根据本发明实施例的另一方面，再提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任意一项所述车辆控制方法。

在本发明实施例中，采用获取车辆外部环境类型，从车辆所处区域的环境图像中识别目标对象和目标对象距离车辆的距离信息的方式，通过将环境图像和距离信息输入与外部环境类型匹配的行驶策略模型得到预测的行驶路线，达到了控制车辆按行驶路线行驶的目的，从而实现了车辆根据所处区域的环境合理规划行驶路线的技术效果，进而解决了车辆在多种路况中难以进行合理的路线规划技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的车辆控制方法的流程示意图；

图2是根据本发明实施例的车辆控制装置的结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

根据本发明实施例，提供了一种车辆控制方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的车辆控制方法的流程示意图，如图1所示，该方法包括如下步骤：

步骤S101，获取车辆所处区域的环境图像以及外部环境类型。其中，车辆所处区域的环境图像可以包括车辆前方的道路图像，还可以包括车辆四周的其他环境图像，例如，可以包括车辆行驶沿线的环境图像，还可以包括上方的天空的图像。

需要说明的是，外部环境类型指车辆外部的环境类型。获取外部环境类型可以通过多种方式，例如，可以由车内人员根据自己对外部环境的判断主动输入或者手动选择外部环境类型，或者，可以由车内的网络通讯设备连接互联网，从网络中获取当前区域的环境类型，还可以根据车辆所处区域的环境图像，使用算法或者图像识别模型对环境图像进行识别，得到车辆的外部环境类型。对于获取外部环境类型的方式，本发明在此不做限定。

步骤S102，如果从环境图像中识别到目标对象，获取目标对象距离车辆的距离信息。目标对象可以包括道路中的障碍物、空中的飞行物、地形和道路边沿，例如，目标对象可以包括树木、飞鸟、水域和道路护栏。目标对象距离车辆的距离信息可以包括其与车辆的直线距离和其相对于车辆的方位信息。

步骤S103，根据外部环境类型，确定与车辆的外部环境类型匹配的行驶策略模型，其中，基于车辆的样本行驶数据训练神经网络模型得到行驶策略模型。需要说明的是，行驶策略模型可以是预先训练好的神经网络模型，存储于车辆本地的计算机设备或者存储于云端的服务器中，在与车辆的外部环境类型进行匹配后直接调用。对应于不同的外部环境类型可以有不同的行驶策略模型，对不同的行驶策略模型进行训练时，使用的样本行驶数据根据样本行驶数据所属的环境类型进行分类，使得训练得到的与不同环境类型对应行驶策略模型在该环境类型中有最优的表现，做出最合理的行驶路线规划决策。

步骤S104，将环境图像和距离信息输入至行驶策略模型，预测得到行驶路线。

步骤S105，控制车辆按照行驶路线进行行驶。

通过上述步骤，采用获取车辆外部环境类型，从车辆所处区域的环境图像中识别目标对象和目标对象距离车辆的距离信息的方式，通过将环境图像和距离信息输入与外部环境类型匹配的行驶策略模型得到预测的行驶路线，达到了控制车辆按行驶路线行驶的目的，从而实现了车辆根据所处区域的环境合理规划行驶路线的技术效果，进而解决了车辆在多种路况中难以进行合理的路线规划技术问题。

作为一种可选的实施例，外部环境类型可以包括季节类型，天气类型，道路的行政类型，道路的物理状况。车辆在不同的环境中行驶时，由于不同的环境的特点，面对的行驶状况不同，面对相同的突发状况时最优的行驶规划也会不同。此外，外部环境类型可以为上述类型的组合，例如，车辆可能在夏季晴朗天气中的城市道路上行驶，也可能在冬季冰雪路面的乡镇道路上行驶，显然，车辆在上述两种外部环境类型中的行驶策略完全不同，通过本实施例可以为车辆确定与其当前行驶环境最相匹配的行驶策略。

作为一种可选的实施例，可以使用激光雷达获取目标对象距离车辆的距离信息。激光雷达可以高效、高精度地感知目标对象的距离和方位，将目标对象的距离信息反馈给车辆，以实现车辆为应对目标对象调整行驶策略的快速反应。

作为一种可选的实施例，行驶策略模型为采用多组车辆的样本行驶数据预先训练得到的，多组样本行驶数据中的每一组数据可以包括车辆所处区域的环境图像，外部环境类型，目标对象的类型，目标对象距离车辆的距离信息和车辆的行驶路线，其中，环境图像中包括目标对象。

作为一种可选的实施方式，一组样本行驶数据可以包括如下内容：车辆前方的道路图像，外部环境类型为野外扬沙天气，目标对象的类型为一片胡杨林，目标对象的距离信息为胡杨林距离车辆500米处，方位为北偏东15度至北偏东45度，车辆的行驶路线为绕开胡杨林行驶。

作为一种可选的实施例，可以通过如下方式预测得到行驶路线：识别出环境图像中目标对象的类型；将目标对象的类型和距离信息输入至行驶策略模型，得到目标对象对车辆的干扰类型和干扰程度；根据干扰类型和干扰程度，预测得到车辆的行驶路线。本实施例可以实现对不同类型目标对象的智能行驶路线规划，根据不同的目标对象类型，进行的行驶策略调整。下面举例进行说明。

当车辆识别到目标对象为水洼区域时，可以将此输入到行驶策略模型中，得到该水洼地形区域对车辆行驶的干扰类型及干扰的程度。其中，当车辆行驶在城市的道路中时，由于道路状况更加可控，水洼通常仅仅是路面的积水，对车辆行驶的干扰很小，因此，城市道路中的水洼区域的干扰类型被行驶策略模型确定为减速通行类干扰，且干扰程度低，即车辆只需要稍微减速即可通行；但是当车辆行驶在野外环境中时，水洼区域可能是较深的坑洼，也可能是沼泽等危险区域，因此，野外环境中的水洼区域的干扰类型可能会被行驶策略模型确定为绕行类干扰，且干扰程度很高，即车辆需要对该水洼区域进行避让，且避让的行驶路线更加严格，避免车辆陷入其中。

作为一种可选的实施例，在从环境图像中识别得到多个目标对象的情况下，分别获取多个目标对象距离车辆的距离信息，其中，将环境图像和距离信息输入至行驶策略模型，预测得到行驶路线包括：识别出环境图像中每个目标对象的类型；将每个目标对象的类型和每个目标对象与车辆之间的距离信息输入行驶策略模型，得到每个目标对象对车辆的干扰类型和干扰程度；根据每个目标对象对车辆的干扰类型和干扰程度，得到与多个目标对象对应的多个局部行驶策略；根据多个局部行驶策略，预测得到车辆的行驶路线。当环境图像中存在多个目标对象时，针对单个目标对象的局部行驶策略相互之前可能会产生冲突，此时，本实施例中的行驶策略模型可以整合多个局部行驶策略，预测得到车辆的整体的行驶路线，实现行驶路线的整体最优化。

作为一种可选的实施例，局部行驶策略可以包括躲避，跟随，转向，减速穿行，加速穿行，停车和匀速行驶。

实施例2

根据本发明实施例，还提供了一种用于实施上述车辆控制方法的车辆控制装置，图2是根据本发明实施例的车辆控制装置的结构框图，如图2所示，该车辆控制装置20包括：获取模块21，采集模块22，确定模块23，预测模块24和控制模块25，下面对该车辆控制装置20进行说明。

获取模块21，用于获取车辆所处区域的环境图像以及外部环境类型；

采集模块22，连接于上述获取模块21，用于如果从环境图像中识别到目标对象，获取目标对象距离车辆的距离信息；

确定模块23，连接于上述采集模块22，用于根据外部环境类型，确定与车辆的外部环境类型相匹配的行驶策略模型，其中，基于车辆的样本行驶数据训练神经网络模型得到行驶策略模型；

预测模块24，连接于上述确定模块23，用于将环境图像和距离信息输入至行驶策略模型，预测得到行驶路线；

控制模块25，连接于上述预测模块24，用于控制车辆按照行驶路线进行行驶。

此处需要说明的是，上述获取模块21，采集模块22，确定模块23，预测模块24和控制模块25对应于实施例1中的步骤S101至步骤S105，三个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。

实施例3

本发明的实施例可以提供一种计算机设备，可选地，在本实施例中，上述计算机设备可以位于计算机网络的多个网络设备中的至少一个网络设备。该计算机设备包括存储器和处理器。

其中，存储器可用于存储软件程序以及模块，如本发明实施例中的车辆控制方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的车辆控制方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取车辆所处区域的环境图像以及外部环境类型；如果从环境图像中识别到目标对象，获取目标对象距离车辆的距离信息；根据外部环境类型，确定与车辆的外部环境类型匹配的行驶策略模型，其中，基于车辆的样本行驶数据训练神经网络模型得到行驶策略模型；将环境图像和距离信息输入至行驶策略模型，预测得到行驶路线；控制车辆按照行驶路线进行行驶。

可选的，上述处理器还可以执行如下步骤的程序代码：将环境图像和距离信息输入至行驶策略模型，预测得到行驶路线，包括：识别出环境图像中目标对象的类型；将目标对象的类型和距离信息输入至行驶策略模型，得到目标对象对车辆的干扰类型和干扰程度；根据干扰类型和干扰程度，预测得到车辆的行驶路线。

可选的，上述处理器还可以执行如下步骤的程序代码：在从环境图像中识别得到多个目标对象的情况下，分别获取多个目标对象距离车辆的距离信息，其中，将环境图像和距离信息输入至行驶策略模型，预测得到行驶路线包括：识别出环境图像中每个目标对象的类型；将每个目标对象的类型和每个目标对象与车辆之间的距离信息输入行驶策略模型，得到每个目标对象对车辆的干扰类型和干扰程度；根据每个目标对象对车辆的干扰类型和干扰程度，得到与多个目标对象对应的多个局部行驶策略；根据多个局部行驶策略，预测得到车辆的行驶路线。

可选的，上述处理器还可以执行如下步骤的程序代码：局部行驶策略包括如下至少之一：躲避，跟随，转向，减速穿行，加速穿行，停车和匀速行驶。

可选的，上述处理器还可以执行如下步骤的程序代码：获取目标对象距离车辆的距离信息，包括：使用激光雷达获取目标对象距离车辆的距离信息。

可选的，上述处理器还可以执行如下步骤的程序代码：行驶策略模型为采用多组车辆的样本行驶数据预先训练得到的，多组样本行驶数据中的每一组数据包括：车辆所处区域的环境图像，外部环境类型，目标对象的类型，目标对象距离车辆的距离信息和车辆的行驶路线，其中，环境图像中包括不同类型的对象。

可选的，上述处理器还可以执行如下步骤的程序代码：外部环境类型包括：季节类型，天气类型，道路的行政类型，道路的物理状况。

采用本发明实施例，提供了一种图像处理的方案。通过，从而达到了目的，进而解决了相关技术中，的技术问题。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(RandomAccess Memory，RAM)、磁盘或光盘等。

实施例4

本发明的实施例还提供了一种非易失性存储介质。可选地，在本实施例中，上述非易失性存储介质可以用于保存上述实施例1所提供的车辆控制方法所执行的程序代码。

可选地，在本实施例中，上述非易失性存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。

可选地，在本实施例中，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：获取车辆所处区域的环境图像以及外部环境类型；如果从环境图像中识别到目标对象，获取目标对象距离车辆的距离信息；根据外部环境类型，确定与车辆的外部环境类型匹配的行驶策略模型，其中，基于车辆的样本行驶数据训练神经网络模型得到行驶策略模型；将环境图像和距离信息输入至行驶策略模型，预测得到行驶路线；控制车辆按照行驶路线进行行驶。

可选地，在本实施例中，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：将环境图像和距离信息输入至行驶策略模型，预测得到行驶路线，包括：识别出环境图像中目标对象的类型；将目标对象的类型和距离信息输入至行驶策略模型，得到目标对象对车辆的干扰类型和干扰程度；根据干扰类型和干扰程度，预测得到车辆的行驶路线。

可选地，在本实施例中，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：在从环境图像中识别得到多个目标对象的情况下，分别获取多个目标对象距离车辆的距离信息，其中，将环境图像和距离信息输入至行驶策略模型，预测得到行驶路线包括：识别出环境图像中每个目标对象的类型；将每个目标对象的类型和每个目标对象与车辆之间的距离信息输入行驶策略模型，得到每个目标对象对车辆的干扰类型和干扰程度；根据每个目标对象对车辆的干扰类型和干扰程度，得到与多个目标对象对应的多个局部行驶策略；根据多个局部行驶策略，预测得到车辆的行驶路线。

可选地，在本实施例中，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：局部行驶策略包括如下至少之一：躲避，跟随，转向，减速穿行，加速穿行，停车和匀速行驶。

可选地，在本实施例中，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：获取目标对象距离车辆的距离信息，包括：使用激光雷达获取目标对象距离车辆的距离信息。

可选地，在本实施例中，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：行驶策略模型为采用多组车辆的样本行驶数据预先训练得到的，多组样本行驶数据中的每一组数据包括：车辆所处区域的环境图像，外部环境类型，目标对象的类型，目标对象距离车辆的距离信息和车辆的行驶路线，其中，环境图像中包括不同类型的对象。

可选地，在本实施例中，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：外部环境类型包括：季节类型，天气类型，道路的行政类型，道路的物理状况。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，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，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种车辆控制方法，其特征在于，包括：

获取车辆所处区域的环境图像以及外部环境类型；

如果从所述环境图像中识别到目标对象，获取所述目标对象距离所述车辆的距离信息；

根据所述外部环境类型，确定与所述车辆的外部环境类型匹配的行驶策略模型，其中，基于车辆的样本行驶数据训练神经网络模型得到所述行驶策略模型；

将所述环境图像和所述距离信息输入至行驶策略模型，预测得到行驶路线；

控制所述车辆按照所述行驶路线进行行驶。

2.根据权利要求1所述的方法，其特征在于，将所述环境图像和所述距离信息输入至行驶策略模型，预测得到行驶路线，包括：

识别出所述环境图像中所述目标对象的类型；

将所述目标对象的类型和所述距离信息输入至所述行驶策略模型，得到所述目标对象对所述车辆的干扰类型和干扰程度；

根据所述干扰类型和干扰程度，预测得到所述车辆的行驶路线。

3.根据权利要求2所述的方法，其特征在于，在从所述环境图像中识别得到多个目标对象的情况下，分别获取所述多个目标对象距离所述车辆的距离信息，其中，将所述环境图像和所述距离信息输入至行驶策略模型，预测得到行驶路线包括：

识别出所述环境图像中每个所述目标对象的类型；

将所述每个目标对象的类型和所述每个目标对象与所述车辆之间的距离信息输入所述行驶策略模型，得到所述每个目标对象对所述车辆的干扰类型和干扰程度；

根据所述每个目标对象对所述车辆的干扰类型和干扰程度，得到与所述多个目标对象对应的多个局部行驶策略；

根据所述多个局部行驶策略，预测得到所述车辆的行驶路线。

4.根据权利要求3所述的方法，其特征在于，所述局部行驶策略包括如下至少之一：

躲避，跟随，转向，减速穿行，加速穿行，停车和匀速行驶。

5.根据权利要求1所述的方法，其特征在于，获取所述目标对象距离所述车辆的距离信息，包括：

使用激光雷达获取所述目标对象距离所述车辆的距离信息。

6.根据权利要求1至5中任意一项所述的方法，其特征在于，所述行驶策略模型为采用多组车辆的样本行驶数据预先训练得到的，所述多组样本行驶数据中的每一组数据包括：车辆所处区域的环境图像，外部环境类型，目标对象的类型，所述目标对象距离所述车辆的距离信息和所述车辆的行驶路线，其中，所述环境图像中包括不同类型的对象。

7.根据权利要求6所述的方法，其特征在于，所述外部环境类型包括：

季节类型，天气类型，道路的行政类型，道路的物理状况。

8.一种车辆控制装置，其特征在于，包括：

获取模块，用于获取车辆所处区域的环境图像以及外部环境类型；

采集模块，用于如果从所述环境图像中识别到目标对象，获取所述目标对象距离所述车辆的距离信息；

确定模块，用于根据所述外部环境类型，确定与所述车辆的外部环境类型相匹配的行驶策略模型，其中，基于车辆的样本行驶数据训练神经网络模型得到所述行驶策略模型；

预测模块，用于将所述环境图像和所述距离信息输入至行驶策略模型，预测得到行驶路线；

控制模块，用于控制所述车辆按照所述行驶路线进行行驶。

9.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至7中任意一项所述车辆控制方法。

10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至7中任意一项所述车辆控制方法。

Images