CN113276882A

CN113276882A - 自动驾驶车辆控制方法、控制系统及目标速度的计算方法

Info

Publication number: CN113276882A
Application number: CN202110433357.9A
Authority: CN
Inventors: 吴昊天; 牟康伟; 董浩; 张涵; 万纪云; 郭梦琪
Original assignee: Huayan Youce Suzhou Electronic Technology Co ltd; Suzhou Automotive Research Institute of Tsinghua University
Current assignee: Huayan Youce Suzhou Electronic Technology Co ltd; Suzhou Automotive Research Institute of Tsinghua University
Priority date: 2021-04-22
Filing date: 2021-04-22
Publication date: 2021-08-20

Abstract

本发明公开了自动驾驶车辆控制方法、控制系统及目标速度的计算方法，控制方法包括：实时采集车辆行驶路面的能见度状态数据和路面湿滑程度状态数据；将路面湿滑程度状态数据处理后与相应的预设范围进行比较，以得到当前路面湿滑程度的等级，将能见度状态数据处理后与相应的预设范围进行比较，以得到当前能见度的等级；根据当前路面湿滑程度的等级和当前能见度的等级，匹配到数据库中预设的目标速度；自动驾驶中的所述车辆由当前车速自动降速或提速至所述目标速度，以便继续自动驾驶。本发明提供的自动驾驶车辆控制方法、控制系统及目标速度的计算方法对多维场景层进行耦合处理，采用有限状态机的解决方法，调配控制效率更迅速。

Description

自动驾驶车辆控制方法、控制系统及目标速度的计算方法

技术领域

本发明涉及车辆自动驾驶技术领域，特别涉及自动驾驶车辆控制方法、控制系统及目标速度的计算方法。

背景技术

天气环境和路面状况是影响行车安全的重要因素，目前的L3及以上级别自动驾驶车辆的技术水平在恶劣天气环境中由于传感器性能受到外界因素的影响而无法正常工作，自动驾驶车辆感知系统性能极大降低，导致自动驾驶车辆无法正常行驶。当前方路面湿滑，车辆与路面的摩擦系数变小，附着力降低，容易发生打滑等安全风险。自动驾驶车辆的决策模块功能是从感知模块获取环境信息，最后对控制模块输出指令。针对恶劣环境和湿滑路面场景的决策问题，现存的势场法、深度学习算法、决策树算法等行为决策控制算法都不适合作为最优的控制机制。

现有的自动驾驶技术，在不考虑天气状况的策略中，加速刹车控制往往参照自车和前车的状态(加速、减速、距离等)，可能造成在湿滑路面制动力不足而追尾等事故。在考虑到天气状况影响下，多为直接退出功能的解决方案，无法在较为恶劣的天气情况下行驶，目前的技术为在识别到不良的天气情况时通过人机交互接口提醒驾驶员人工接管驾驶任务，在天气由好转至天气不好再转为天气好的一段驾驶任务内需驾驶员承担天气不好一段的驾驶路程，且需要两次人机交互，会造成体验感不佳。

发明内容

为了克服现有技术存在的不足，本发明提供了自动驾驶车辆控制方法、控制系统及目标速度的计算方法，所述技术方案如下：

一方面，本发明提供了一种自动驾驶车辆控制方法，包括以下步骤：

S1、实时采集车辆行驶路面的能见度状态数据和路面湿滑程度状态数据；

S2、将路面湿滑程度状态数据处理后与相应的预设范围进行比较，以得到当前路面湿滑程度的等级，将能见度状态数据处理后与相应的预设范围进行比较，以得到当前能见度的等级；

S3、根据当前路面湿滑程度的等级和当前能见度的等级，匹配到数据库中预设的目标速度；

S4、自动驾驶中的所述车辆由当前车速自动降速或提速至所述目标速度，以便继续自动驾驶。

进一步地，所述路面湿滑程度状态按照路面摩擦系数的范围分为若干个等级，所述能见度状态按照可视距离的范围分为若干个等级。

进一步地，所述路面湿滑程度的等级分别映射到车辆的一个最大加速度。

进一步地，所述路面湿滑程度的等级与所述能见度的等级的不同组合结果分别映射到车辆的一个目标速度。

进一步地，在步骤S1中，还包括采集车辆行驶路面的雨量状态数据，若雨量状态数据、能见度状态数据和路面湿滑程度状态数据中任一项数据经处理后超出相应的阈值，则由自动驾驶模式切换为手动驾驶模式，不执行步骤S2-S4。

进一步地，在判断路面湿滑程度状态数据经处理后是否超出相应的阈值时，还包括以下步骤：

S101、把传感器获取的道路图像分成多个区域，将平均亮度作为对每一个区域对应的灰度均值，将所述道路图像的上半部分区域的所有平均亮度值相加得到第一数值，剩下区域的所有平均亮度值相加得到为第二数值，将第一数值和第二数值进行作差处理，进而得到路面反光度；

S102、根据所述道路图像，得到其对应的梯度图像，进而处理得到所述梯度图像中任意一点的锐度值，从而得到所述道路图像的平均锐度；

S103、将所述路面反光度和所述平均锐度乘以各自的权值后再进行作差处理，并将作差结果与相应阈值进行比较，若大于相应阈值，则由自动驾驶模式切换为手动驾驶模式，若小于或等于相应阈值，则仍保持自动驾驶模式。

另一方面，本发明提供了一种自动驾驶车辆控制方法，其特征在于，包括以下步骤：

S1、实时采集车辆行驶路面的天气状态数据和路面湿滑程度状态数据；

S2、将路面湿滑程度状态数据处理后与相应的预设值进行比较，以判断当前路面是否湿滑，若判断为湿滑路面，则输出减速指令，所述车辆开始减速自动行驶，若判断为干燥路面，则输出速度保持指令，车辆保持原速自动行驶；

S3、将天气状态数据处理后与相应的预设值进行比较，以判断当前天气状态是否符合设定要求，若判断为符合设定要求，则所述车辆根据路面状况自动行驶，若判断为不符合设定要求，则对应匹配到数据库中预设的目标速度，所述车辆减速至所述目标速度进行自动行驶。

再一方面，本发明提供了一种自动驾驶车辆控制系统，包括用于输出环境能见度状况的摄像头传感器、用于输出道路图像的图像传感器、防抱死系统和自动驾驶域控制器，所述摄像头传感器、所述图像传感器和所述防抱死系统均与所述自动驾驶域控制器通信连接，所述自动驾驶域控制器能够将对所述摄像头传感器和所述图像传感器采集的信息进行处理，以得到能见度等级和路面湿滑程度等级，并匹配出数据库中相应预设的目标速度，通过防抱死系统将车速制动到相应预设的目标速度。

进一步地，所述自动驾驶车辆控制系统包括雨量传感器，所述雨量传感器与所述自动驾驶域控制器通信连接，若所述雨量传感器检测到的数据超出最大相应的阈值，则所述自动驾驶域控制器由自动驾驶模式切换为手动驾驶模式。

再一方面，本发明提供了一种自动驾驶车辆目标速度的计算方法，包括以下步骤：

S1、通过传感器读取车辆的各类瞬时参数，以得出所述车辆所需的制动力；

S2、将所述制动力通过防抱死系统按照特定比例加载到每个车轮的制动器，以实时得到每个车轮的滑移率，并记录每个车轮滑移率为不同数值时的角加速度以及对应的实时制动力；

S3、通过Kienche模型计算得出当前路面状况下的最佳滑移率和最大摩擦系数；

S4、将所述最佳滑移率加载到防抱死系统中，使得防抱死系统控制车轮的滑移率保持在的一定范围内，并依据所述最大摩擦系数，以得到当前路面状况下的最大加速度；

S5、根据不同能见度下对应的可视距离，通过以下公式得到当前能见度状态下的目标车速，记作V_i，

式中，V₀—车辆初始速度；

a_i—不同路面状况下的最大加速度；

L_i—不同能见度下的可视距离。

进一步地，所述路面状况包括干燥路面和湿滑路面，所述湿滑路面按照路面摩擦系数的范围分为若干个等级，不同等级的所述湿滑路面分别映射到车辆的一个最大加速度。

本发明提供的技术方案带来的有益效果如下：

(1)综合考虑恶劣天气及湿滑路面两层场景层进行耦合处理，在多维恶劣场景下进行自动驾驶车辆决策；

(2)采用有限状态机的解决方法，调配控制效率更迅速；

(3)对车载处理器的算力要求较低，有较高的实时性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的自动驾驶车辆控制方法中不同环境因素下状态机切换示意图；

图2是本发明实施例提供的自动驾驶车辆控制方法的流程示意图；

图3是本发明实施例提供的自动驾驶车辆控制方法中车辆行驶在恶劣天气、湿滑路面区域的示意图；

图4是本发明实施例提供的自动驾驶车辆控制方法中车辆行驶在良好天气、正常路面区域的示意图。

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，更清楚地了解本发明的目的、技术方案及其优点，以下结合具体实施例并参照附图对本发明实施例中的技术方案进行清楚、完整地描述。需要说明的是，附图中未绘示或描述的实现方式，为所属技术领域中普通技术人员所知的形式。另外，虽然本文可提供包含特定值的参数的示范，但应了解，参数无需确切等于相应的值，而是可在可接受的误差容限或设计约束内近似于相应的值。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。除此，本发明的说明书和权利要求书中的术语“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、装置、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。

在本发明的一个实施例中，提供了一种自动驾驶车辆控制方法，参见图1，包括以下步骤：

在步骤S1中，还包括采集车辆行驶路面的雨量状态数据，若雨量状态数据、能见度状态数据和路面湿滑程度状态数据中任一项数据经处理后超出相应的阈值，则由自动驾驶模式切换为手动驾驶模式，不执行步骤S2-S4。

其中，在判断雨量状态数据经处理后是否超出相应的阈值时，设X₁为雨量传感器输出的雨量大小信息，设X₂为预先设定的雨量阈值，当X₁-X₂>0时，则说明所处的天气为雨量过大，自动驾驶车辆的传感器性能受到限制；若X₁-X₂<0时，则说明雨量状态在自动驾驶车辆传感器的可接受范围内，不会影响传感器的性能，车辆可以正常行驶。

在判断能见度状态数据经处理后是否超出相应的阈值时，设Q₁为摄像头传感器输出的环境能见度状况，其能见度等级定义为：极差、一般、良好，不同能见度下摄像头传感器对应的视距分别记为L_heavy、L_light、L_clear，当能见度等级为极差时，Q₁＝0，当能见度等级为其他情况时，Q₁＝1，设Q₂为Q₁的置信度；

当Q₁×Q₂>0.9时，则说明环境能见度较差，自动驾驶车辆传感器的性能受到限制，无法正常工作，需转换为手动驾驶；当Q₁×Q₂<0.9时，则说明环境能见度在传感器正常工作的范围内，性能不会受到影响。

在判断路面湿滑程度状态数据经处理后是否超出相应的阈值时，还包括以下步骤：

具体地，路面反光度的计算方法为：把图像传感器获取的道路图像分成n个大小相同区域(i＝1，2，3……n-1，n)，将图像的上半部分区域所有的平均亮度值相加得到第一数值，记作χ_u，剩下区域的平均亮度值相加得到第二数值，记做χ_d，路面反光度记为Ψ，则其计算公式为Ψ＝χ_u-χ_d。

路面平均锐度计算方法为：根据获取的道路图像，求其对应的梯度图像，计算梯度图像中任意一点对应的八邻域中每个点值乘以该点与八邻域中每个点的距离，所有的乘积之和就是图像中任意一点的锐度值，将所有的锐度值相加除以点的个数就可得到路面图像的平均锐度，记作Φ。

设Ψ为路面的反光度，设α为路面反光度的权值，设Φ为路面图像的平均锐度，设β为路面平均锐度的权值，设Γ为预先设定的路面湿滑程度阈值。当α×Ψ-β×Φ-Γ＞0时，则说明前方路面湿滑程度较高，自动驾驶车辆行驶在该路面上时附着力较小，容易发生侧滑。当α×Ψ-β×Φ-Γ≤0时，则说明前方路面湿滑程度较低，车辆不会发生打滑。

在本发明的一个实施例中，所述路面湿滑程度状态按照路面摩擦系数的范围分为若干个等级，所述能见度状态按照可视距离的范围分为若干个等级，所述路面湿滑程度的等级分别映射到车辆的一个最大加速度，所述路面湿滑程度的等级与所述能见度的等级的不同组合结果分别映射到车辆的一个目标速度。需要说明的是，干燥路面的对应路面的情况也可以归纳对应到所述路面湿滑程度状态的一个等级中。本实施例的自动驾驶车辆控制方法基于有限状态机，适用于多维恶劣场景下，当L3及以上级别自动驾驶车辆行驶过程中在遇到恶劣的天气和湿滑的交通路面场景时，触发有限状态机在该状态下进行车辆状态的切换，使自动驾驶车辆减速进行低速缓慢行驶，自动驾驶车辆决策系统获取感知传感器得到的相关信息及CAN网络信息，将纵向决策有限状态机作为自动驾驶车辆的决策模块，根据有限状态机的不同状态对车辆的行驶状态进行切换，通过自动驾驶域控制器输出控制车辆行驶的控制信号，从预期功能安全角度出发，考虑了道路层和气象层两个维度的场景并进行了综合处理，更科学、严谨的控制车辆在不同场景下的安全行驶。

在本发明的一个实施例中，提供了一种自动驾驶车辆控制方法，参见图2，包括以下步骤：

其中，天气状态数据包括能见度和雨量状态数据，经过综合处理后，能够判断当前天气状况是否良好。

S2、将路面湿滑程度状态数据处理后与相应的预设值进行比较，以判断当前路面是否湿滑，若判断为湿滑路面，则输出减速指令，并依据路面摩擦系数得到当前安全的最大加速度，所述车辆开始减速自动行驶，若判断为干燥路面，则输出速度保持指令，车辆保持原速自动行驶。

S3、将天气状态数据处理后与相应的预设值进行比较，以判断当前天气状态是否符合设定要求，若判断为符合设定要求，表示天气良好，则所述车辆根据路面状况自动行驶，若判断为不符合设定要求，表示天气恶劣，则根据能见度和路面状况最大加速度对应匹配到数据库中预设的目标速度，所述车辆减速至所述目标速度进行自动行驶。

自动驾驶车辆行驶过程中，车载雨量传感器获取实时雨量信息，摄像头传感器获取能见度信息，路面湿滑程度信息通过图像传感器获取的路面图像经处理得到。根据传感器获得的路面信息判断路面是否湿滑，若路面湿滑，决策系统输出车辆减速指令，其加速度大小根据实时计算得到的路面摩擦系数而定；若路面干燥、正常，自动驾驶车辆按原状态行驶。再根据雨量传感器及摄像头传感器获得的信息综合确认当前环境天气状况是否良好，若天气情况恶劣能见度较低，根据能见度大小和实时路面状况下的最大加速度范围减速至目标车速；若天气状况良好能见度较高，则根据路面状况确定车辆的行驶状态。自动驾驶车辆决策机制采用有限状态机，根据不同的转换条件触发不同行驶状态之间的切换。通过自动驾驶域控制器输出控制车辆行驶的控制信号。本发明从预期功能安全角度出发，考虑了道路层和气象层两个维度的场景并进行了综合处理，更科学、严谨的控制车辆在不同场景下的安全行驶。

在本发明的一个实施例中，提供了一种自动驾驶车辆控制系统，包括用于输出环境能见度状况的摄像头传感器、用于输出道路图像的图像传感器、防抱死系统和自动驾驶域控制器，所述摄像头传感器、所述图像传感器和所述防抱死系统均与所述自动驾驶域控制器通信连接，所述自动驾驶域控制器能够将对所述摄像头传感器和所述图像传感器采集的信息进行处理，以得到能见度等级和路面湿滑程度等级，并匹配出数据库中相应预设的目标速度，通过防抱死系统将车速制动到相应预设的目标速度。在一个实施例中，所述自动驾驶车辆控制系统包括雨量传感器，所述雨量传感器与所述自动驾驶域控制器通信连接，若所述雨量传感器检测到的数据超出最大相应的阈值，则所述自动驾驶域控制器由自动驾驶模式切换为手动驾驶模式。所述自动驾驶车辆控制系统能够识别出雨量大小、环境能见度大小以及路面湿滑程度等环境信息，根据感知得到的环境状态信息通过有限状态机决定自动驾驶车辆在不同环境条件下的行驶状态。

具体地，通过实时雨量传感器来实时感知所处环境雨量大小，并输出雨量大小信息，摄像头传感器获取所处环境能见度情况，图像传感器获取路面湿滑程度等环境信息。根据传感器输出提供的雨量大小信息、能见度信息及路面湿滑程度信息通过深度学习图像识别算法提取能见度大小及路面湿滑程度大小相关信息，进行分类操作后，推测雨量大小状态、能见度状况及路面的湿滑程度状态等相关信息，其中雨量大小信息是指雨量传感器实时感知到的所处环境的雨量大小；能见度信息是指所处环境能见度大小参考值及能见度的置信度；路面湿滑程度信息是指前方路面反光值、路面反光值的权值、前方路面图像的平均锐度、平均锐度的权值。

自动驾驶域控制器根据雨量状态、能见度状态及路面湿滑程度状态通过有限状态机决定自动驾驶车辆的行驶状态。参见图3，当所处环境天气状况雨量较大、能见度较低及路面湿滑程度较高的时候，自动驾驶车辆由正常行驶速度状态进入低速行驶速度状态。先判断路面状况，确认当前路面状态下的最大摩擦系数进而确定最大制动加速度，再根据最大制动加速度求得不同能见度环境下的车辆目标速度。通过较慢的行驶速度来弥补恶劣环境下传感器功能受限，识别能力较低及因为路面湿滑程度较高导致的自动驾驶车辆路面附着力较低容易发生打滑的安全问题，进而保证自身的行车安全。参见图4，当自动驾驶车辆行驶到雨量较小或天气晴朗、能见度较高及前方路面湿滑程度较低或路面干燥的时候，自动驾驶车辆由低速行驶状态进入正常速度行驶状态。在不同的天气环境下和不同的路面情况下，通过有限状态机根据不同的触发条件转换自动驾驶车辆的行驶状态来保证本车的安全正常行驶，即使在恶劣的环境条件下自动驾驶车辆能够弥补因传感器性能不足造成的严重影响，能够自主做出决策正常行驶。

在本发明的一个实施例中，提供了一种自动驾驶车辆目标速度的计算方法，包括以下步骤：

式中，V₀—车辆初始速度；

a_i—不同路面状况下的最大加速度；

L_i—不同能见度下的可视距离。

具体地，可按照以下步骤进行：

(1)自动驾驶域控制器通过各个传感器读取瞬时参数计算得出所需制动力，记作F；

(2)自动驾驶域控制器将制动力通过防抱死系统按照特定比例加载到每个车轮的制动器，域控制器实时得到每个车轮的滑移率，记录每个车轮的滑移率为0.03、0.06、0.1时的角加速度以及实时制动力；

(3)将制动力F通过ABS防抱死系统加载到每一个车轮制动器上，分配到两个前轮上的制动力都为0.3F，两个后轮上的制动力都为0.25F，自动驾驶域控制器根据记录的滑移率小于或等于0.1时的每个车轮的实时制动力以及角加速度信息，通过Kienche模型求出参数P₁、P₂，进而根据该模型计算得出当前路面状况下的最佳滑移率和最大摩擦系数，需要注意的是因在湿滑路面上行驶，要保证行驶安全，四个车轮最终的最佳滑移率都要大于0.1。

其中，Kienche模型利用公式(2)计算P₁、P₂，

式中：

其中，μ_0.03、μ_0.06、μ_0.1分别代表当滑移率是0.03、0.06、0.1时对应的车轮与地面的摩擦系数，其对应计算公式如公式(3)至公式(5)所示，

其中，α_0.03、α_0.06、α_0.1分别对应滑移率是0.03、0.06、0.1时的车轮角加速度；R为车轮半径；J为车轮的转动惯量；T_b为制动力矩；F_z为路面接触力。

通过Kienche模型，利用公式(6)和公式(7)计算得到的当前路面状况的最佳滑移率，记作λ_a，和最大摩擦系数，记作μ_max，

(4)自动驾驶域控制器将上面计算得出的当前路面状况的最佳滑移率λ_a加载到防抱死系统中，使得防抱死系统控制车轮的滑移率保持在λ_a附近的一定范围内，与此同时，自动驾驶域控制器依据车速传感器得到的车辆速度信息通过差分处理得到此时的自动驾驶车辆的对应的加速度，可作为其安全值的最大加速度。

通过以上多次试验处理，以得到湿滑路面的摩擦系数，记作μ，取值范围为μ＝(0.2,0.55)，考虑摩擦系数的值分别为μ₁＝(0.2,0.3)，μ₂＝[0.3,0.4)和μ₃＝[0.4,0.55)时，相应对应到其最大加速度值分别为a₁、a₂和a₃。

(5)进行不同能见度下的目标速度确认，设自动驾驶车辆在不同能见度下的可视距离为L_i，以可视距离作为车辆的制动距离，根据加速度公式，可得不同能见度情况下的目标车速为

其中，V₀为车辆初始速度，a_i为不同路面状况的最大加速度。

根据能见度的不同确定车辆的行驶速度，当L_i分为良好、一般、极差三个等级时，分别对应记作L_clear、L_light和L_heavy，其中，L_clear为环境能见度为[500,1000)m，L_light为环境能见度为[200,500)m，L_heavy为环境能见度(50,200)m，

所述路面状况包括干燥路面和湿滑路面，在湿滑路面情况下的目标速度V_i的对应取值为V₁、V₂和V₃，干燥路面情况下的目标速度V_i的对应取值为V₄、V₅和V₆。需要说明的是，所述湿滑路面按照路面摩擦系数的范围分为若干个等级，不同等级的所述湿滑路面分别映射到车辆的一个最大加速度，例如，设定湿滑路面有三个等级，分别记作μ₁、μ₂和μ₃，μ₁为路面摩擦系数为(0.2,0.3)，此时车辆对应最大加速度为a₁，μ₂为路面摩擦系数为[0.3,0.4)，此时车辆对应最大加速度为a₂，μ₃为路面摩擦系数为[0.4,0.55)，此时车辆对应最大加速度为a₃；不同等级的湿滑路面在同一能见度等级下的对应匹配到的目标速度可以不同，也可以相同。

不同环境因素下自动驾驶车辆行驶状态转换条件，参见图1，图1中当z＝0时，表示前方路面干燥(图像识别)，路面摩擦系数较大，执行器外部条件良好；当z＝1时，表示前方路面湿滑程度较高，路面摩擦系数较低；

参见图3，自动驾驶车辆由正常速度行驶状态进入低速行驶状态需要满足以下条件，即所处天气状况恶劣和前方路面湿滑程度较高的情况，天气恶劣能见度较低对于自动驾驶车辆而言，表现为感知传感器性能受限，比如激光雷达、毫米波雷达性能大大降低，摄像头传感器的视野和清晰度降低，从而无法准确判断车头时距(THW)和碰撞时间(TTC)，路面湿滑程度较高的情况下车辆轮胎抓地力减弱，附着力降低，容易发生打滑。参见图4，自动驾驶车辆由低速速度行驶状态进入正常行驶状态，表现为前方路面干燥(图像识别)，路面摩擦系数较大。本实施例通过设计提升自动驾驶系统在天气不好一段驾驶任务的安全性，使得自动驾驶行程连贯，提升自动驾驶安全性和舒适度。

本发明提供的自动驾驶车辆控制方法、控制系统及目标速度的计算方法在考虑到天气、路面情况对自动驾驶纵向控制的影响，设计一套策略使得在不理想的天气、路面条件下提高自动驾驶运行的安全性。现有技术之前只单独考虑自动驾驶车辆的一个层次的交通场景，具有片面性与不确定性，存在交通风险。现将两个层次的交通场景进行耦合处理，综合多维度的感知自动驾驶车辆的行驶环境。在车速较高的情况下，强降雨及能见度较低会对自动驾驶各种传感器提取目标物特征、识别目标物产生较大影响，降低车速可以提高处于恶劣环境中自动驾驶车辆的感知能力，保证行车安全。本发明可以让L3及以上级别自动驾驶车辆在恶劣天气及前方湿滑路面情况下正常行驶，无需人工接管，极大地提高了在恶劣环境下的行车安全。本发明从预期功能安全的角度出发，尽量降低已知和未知不安全场景的风险，增加已知和未知安全场景区域。当在恶劣环境下由于传感器性能受限，自动驾驶车辆无法正常做出自主决策，通过降低车辆的行驶速度，来弥补传感器的性能不足的问题，在低速行驶的状态下，自动驾驶传感器的感知性能会得到一定程度的提升，可以保障车辆的自动驾驶功能正常运行，最大程度的保障行车安全。并且通过有限状态机的形式来实现决策功能，使得系统结构更加简约，对车载处理器的算力要求较低，有较高的实时性，自动驾驶车辆决策准确性也会明显提升，并且对异常状况的处理能力较高，更加适合自动驾驶的规模化生产落地。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种自动驾驶车辆控制方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的自动驾驶车辆控制方法，其特征在于，所述路面湿滑程度状态按照路面摩擦系数的范围分为若干个等级，所述能见度状态按照可视距离的范围分为若干个等级。

3.根据权利要求1所述的自动驾驶车辆控制方法，其特征在于，所述路面湿滑程度的等级分别映射到所述车辆的一个最大加速度，所述路面湿滑程度的等级与所述能见度的等级的不同组合结果分别映射到所述车辆的一个目标速度。

4.根据权利要求1所述的自动驾驶车辆控制方法，其特征在于，在步骤S1中，还包括采集车辆行驶路面的雨量状态数据，若雨量状态数据、能见度状态数据和路面湿滑程度状态数据中任一项数据经处理后超出相应的阈值，则由自动驾驶模式切换为手动驾驶模式，不执行步骤S2-S4。

5.根据权利要求4所述的自动驾驶车辆控制方法，其特征在于，在判断路面湿滑程度状态数据经处理后是否超出相应的阈值时，还包括以下步骤：

6.一种自动驾驶车辆控制方法，其特征在于，包括以下步骤：

7.一种自动驾驶车辆控制系统，其特征在于，包括用于输出环境能见度状况的摄像头传感器、用于输出道路图像的图像传感器、防抱死系统和自动驾驶域控制器，所述摄像头传感器、所述图像传感器和所述防抱死系统均与所述自动驾驶域控制器通信连接，所述自动驾驶域控制器能够将对所述摄像头传感器和所述图像传感器采集的信息进行处理，以得到能见度等级和路面湿滑程度等级，并匹配出数据库中相应预设的目标速度，通过防抱死系统将车速制动到相应预设的目标速度。

8.根据权利要求7所述的自动驾驶车辆控制系统，其特征在于，包括雨量传感器，所述雨量传感器与所述自动驾驶域控制器通信连接，若所述雨量传感器检测到的数据超出最大相应的阈值，则所述自动驾驶域控制器由自动驾驶模式切换为手动驾驶模式。

9.一种自动驾驶车辆目标速度的计算方法，其特征在于，包括以下步骤：

式中，V₀—车辆初始速度；

a_i—不同路面状况下的最大加速度；

L_i—不同能见度下的可视距离。

10.根据权利要求9所述的自动驾驶车辆目标速度的计算方法，其特征在于，所述路面状况包括干燥路面和湿滑路面，所述湿滑路面按照路面摩擦系数的范围分为若干个等级，不同等级的所述湿滑路面分别映射到所述车辆的一个最大加速度。