CN113442950A - 基于多车辆的自动驾驶控制方法、装置和设备 - Google Patents

Abstract

本申请实施例提供一种基于多车辆的自动驾驶控制方法、装置和设备，其中，该方法包括：获取待控制车辆的第一车辆信息，获取与待控制车辆相邻的相邻车辆的第二车辆信息；对第一车辆信息和第二车辆信息进行信息融合处理，以得到同一目标的信息，进而得到融合数据；基于循环神经网络模型对融合数据进行识别，生成驾驶路径；根据驾驶路径控制待控制车辆进行自动行驶。可以基于待控制车辆的第一车辆信息和相邻车辆的第二车辆信息，生成待控制车辆的驾驶路径；综合考虑当前的待控制车辆所采集的数据和相邻车辆所采集的数据，基于这些数据可以准确的判断周围车辆或其他交通参与者的意图和行驶决策，所得到的驾驶路径较为准确，正确的规划出驾驶路径。

Description

基于多车辆的自动驾驶控制方法、装置和设备

技术领域

本申请实施例涉及自动驾驶技术领域，尤其涉及一种基于多车辆的自动驾驶控制方法、装置和设备。

背景技术

随着车辆技术的发展，车辆已经成为人们生活中的重要交通工具。并且，自动驾驶车辆也已经开始得到应用和发展。自动驾驶车辆可以基于采集到的地面数据，完成自动驾驶。

现有技术中，自动驾驶车辆可以基于自车的传感器所采集的数据，完成自动驾驶过程；基于当前的自动驾驶车辆上的传感器所采集的数据，完成当前的自动驾驶车辆的自动驾驶过程。

在实现本申请过程中，发明人发现现有技术中至少存在如下问题：基于自车的传感器数据不足以准确判断周围车辆或其他交通参与者的意图和行驶决策, 从而导致路径规划和决策的失误。

发明内容

本申请实施例提供一种基于多车辆的自动驾驶控制方法、装置和设备，用以解决无法准确判断周围车辆或其他交通参与者的意图和行驶决策, 从而导致路径规划和决策的失误的问题。

第一方面，本申请实施例提供一种基于多车辆的自动驾驶控制方法，所述方法包括：

获取待控制车辆的第一车辆信息，并获取与所述待控制车辆相邻的相邻车辆的第二车辆信息；

对所述第一车辆信息和所述第二车辆信息进行信息融合处理，生成融合数据；

基于循环神经网络模型对所述融合数据进行识别，生成驾驶路径；

根据所述驾驶路径控制所述待控制车辆进行自动行驶。

在可行的一种实施方式中，对所述第一车辆信息和所述第二车辆信息进行信息融合处理，生成融合数据，包括：

依据所述第二车辆信息中每一目标的位置，对所述第二车辆信息中每一目标的实际数据信息进行定位处理，以将所述第二车辆信息中每一目标的实际数据信息转换到所述待控制车辆的坐标系上，得到所述第二车辆信息中每一目标的处理后的实际数据信息；

根据所述第二车辆信息中每一目标的位置、以及所述第一车辆信息中每一目标的位置，对所述第一车辆信息和所述第二车辆信息进行融合处理，得到归属于各目标中每一目标的数据，以得到中间数据；

对所述中间数据中的各数据进行归一化处理，得到所述融合数据。

在可行的一种实施方式中，对所述中间数据中的各数据进行归一化处理，得到所述融合数据，包括：

获取路网系统上所存储的交通灯信息和地图信息；

对所述中间数据、所述路网系统上所存储的交通灯信息和地图信息进行归一化处理，得到所述融合数据。

在可行的一种实施方式中，基于循环神经网络模型对所述融合数据进行识别，生成驾驶路径，包括：

获取所述待控制车辆的当前位置上的路面状况数据；其中，所述路面状况数据为基于所述融合数据所得到的，或者，所述路面状况数据为从路网系统中获取的；

从监控系统中获取其他交通参与者的运动轨迹；其中，所述运动轨迹为其他交通参与者在所述待控制车辆的当前位置上的当前轨迹，或者，所述运动轨迹为其他交通参与者在所述待控制车辆的当前位置上的历史轨迹；

基于卷积神经网络模型对所述融合数据、所述路面状况数据以及所述运动轨迹进行处理，得到多个特征图；

基于所述循环神经网络模型对所述多个特征图进行识别，生成驾驶路径。

在可行的一种实施方式中，基于所述循环神经网络模型对所述多个特征图进行识别，生成驾驶路径，包括：

重复以下步骤，直至达到预设条件：

基于所述循环神经网络模型对所述多个特征图进行数据处理，得到前馈分数和所述待控制车辆的运动分析轨迹；

若所述运动分析轨迹表征所述待控制车辆会与其他交通参与者发生碰撞、或者，所述运动分析轨迹表征所述待控制车辆会进入不良路况，则降低所述前馈分数，得到调整后的前馈分数；否则增加所述前馈分数，得到调整后的前馈分数；

根据所述调整后的前馈分数对所述循环神经网络模型中的参数进行调整，基于调整后的循环神经网络模型对所述多个特征图进行识别，得到新的运动分析轨迹；

其中，达到所述预设条件时所得到的运动分析轨迹，为所述驾驶路径。

在可行的一种实施方式中，所述方法还包括：

基于待训练数据对初始模型进行训练，得到所述循环神经网络模型；其中，所述待训练数据为具有实际驾驶路径的车辆的车辆数据。

在可行的一种实施方式中，获取待控制车辆的第一车辆信息，包括：

获取所述待控制车辆的第一数据信息，所述第一数据信息包括所述待控制车辆上的各传感器中每一传感器所采集的第一传感器数据、所述待控制车辆的控制器局域网络总线上传输的第一传输数据、以及位于所述待控制车辆上的移动设备所采集的第一移动设备数据；

基于卷积神经网络模型对所述第一数据信息进行处理，得到所述第一数据信息中每一目标的特征图；

基于循环神经网络模型对所述第一数据信息中每一目标的特征图进行回归处理，得到所述第一数据信息中每一目标的相对数据信息；

根据所述待控制车辆的车辆实际数据信息、以及所述第一数据信息中每一目标的相对数据信息，确定所述第一数据信息中每一目标的实际数据信息，以得到所述第一车辆信息。

在可行的一种实施方式中，所述第一车辆信息，包括以下的一种或多种：

所述待控制车辆所处的预设地理范围内的交通灯的信息、所述待控制车辆所处的预设地理范围内的路沿信息、所述待控制车辆所处的预设地理范围内的车道线信息、所述待控制车辆所处的预设地理范围内的目标物体的信息；

其中，所述目标物体的信息包括目标物体的速度、目标物体的方位、目标物体的位置、目标物体的大小。

在可行的一种实施方式中，获取与所述待控制车辆相邻的相邻车辆的第二车辆信息，包括：

获取所述相邻车辆的第二数据信息，所述第二数据信息包括所述相邻车辆上的各传感器中每一传感器所采集的第二传感器数据、所述相邻车辆的控制器局域网络总线上传输的第二传输数据、获取位于所述相邻车辆上的移动设备所采集的第二移动设备数据；

基于卷积神经网络模型对所述第二数据信息进行处理，得到所述第二数据信息中每一目标的特征图；

基于循环神经网络模型对所述第二数据信息中每一目标的特征图进行回归处理，得到所述第二数据信息中每一目标的相对数据信息；

根据所述相邻车辆的车辆实际数据信息、以及所述第二数据信息中每一目标的相对数据信息，确定所述第二数据信息中每一目标的实际数据信息，以得到所述第二车辆信息。

在可行的一种实施方式中，所述第二车辆信息，包括以下的一种或多种：

所述相邻车辆所处的预设地理范围内的交通灯的信息、所述相邻车辆所处的预设地理范围内的路沿信息、所述相邻车辆所处的预设地理范围内的车道线信息、所述相邻车辆所处的预设地理范围内的目标物体的信息；

其中，所述目标物体的信息包括目标物体的速度、目标物体的方位、目标物体的位置、目标物体的大小。

在可行的一种实施方式中，在所述获取待控制车辆的第一车辆信息之前，还包括：

根据所述待控制车辆的当前位置，确定与所述当前位置相邻的车辆为所述相邻车辆；

或者，根据所述待控制车辆的当前位置，确定与所述当前位置相邻的车辆为待选择车辆，并根据各所述待选择车辆的历史信息，确定历史信息的种类最多的待选择车辆为所述相邻车辆。

在可行的一种实施方式中，所述方法，还包括：

基于卷积神经网络模型对所述融合数据进行识别，生成驾驶控制指令，所述驾驶控制指令中包括所述驾驶路径上的每一轨迹点上的控制信号，所述控制信号包括横向行驶信号和纵向行驶信号。

第二方面，本申请实施例提供一种基于多车辆的自动驾驶控制装置，所述装置包括：

第一获取单元，用于获取待控制车辆的第一车辆信息；

第二获取单元，用于获取与所述待控制车辆相邻的相邻车辆的第二车辆信息；

融合单元，用于对所述第一车辆信息和所述第二车辆信息进行信息融合处理，生成融合数据；

识别单元，用于基于循环神经网络模型对所述融合数据进行识别，生成驾驶路径；

控制单元，用于根据所述驾驶路径控制所述待控制车辆进行自动行驶。

在可行的一种实施方式中，所述融合单元包括：

定位模块，用于依据所述第二车辆信息中每一目标的位置，对所述第二车辆信息中每一目标的实际数据信息进行定位处理，以将所述第二车辆信息中每一目标的实际数据信息转换到所述待控制车辆的坐标系上，得到所述第二车辆信息中每一目标的处理后的实际数据信息；

融合模块，用于根据所述第二车辆信息中每一目标的位置、以及所述第一车辆信息中每一目标的位置，对所述第一车辆信息和所述第二车辆信息进行融合处理，得到归属于各目标中每一目标的数据，以得到中间数据；

归一化模块，用于对所述中间数据中的各数据进行归一化处理，得到所述融合数据。

在可行的一种实施方式中，所述归一化模块，具体用于：

获取路网系统上所存储的交通灯信息和地图信息；

对所述中间数据、所述路网系统上所存储的交通灯信息和地图信息进行归一化处理，得到所述融合数据。

在可行的一种实施方式中，所述识别单元，包括：

第一获取模块，用于获取所述待控制车辆的当前位置上的路面状况数据；其中，所述路面状况数据为基于所述融合数据所得到的，或者，所述路面状况数据为从路网系统中获取的；

第二获取模块，用于从监控系统中获取其他交通参与者的运动轨迹；其中，所述运动轨迹为其他交通参与者在所述待控制车辆的当前位置上的当前轨迹，或者，所述运动轨迹为其他交通参与者在所述待控制车辆的当前位置上的历史轨迹；

处理模块，用于基于卷积神经网络模型对所述融合数据、所述路面状况数据以及所述运动轨迹进行处理，得到多个特征图；

识别模块，用于基于所述循环神经网络模型对所述多个特征图进行识别，生成驾驶路径。

在可行的一种实施方式中，所述识别模块，具体用于：

重复以下步骤，直至达到预设条件：

基于所述循环神经网络模型对所述多个特征图进行数据处理，得到前馈分数和所述待控制车辆的运动分析轨迹；

若所述运动分析轨迹表征所述待控制车辆会与其他交通参与者发生碰撞、或者，所述运动分析轨迹表征所述待控制车辆会进入不良路况，则降低所述前馈分数，得到调整后的前馈分数；否则增加所述前馈分数，得到调整后的前馈分数；

根据所述调整后的前馈分数对所述循环神经网络模型中的参数进行调整，基于调整后的循环神经网络模型对所述多个特征图进行识别，得到新的运动分析轨迹；

其中，达到所述预设条件时所得到的运动分析轨迹，为所述驾驶路径。

在可行的一种实施方式中，所述装置还包括：

训练单元，用于基于待训练数据对初始模型进行训练，得到所述循环神经网络模型；其中，所述待训练数据为具有实际驾驶路径的车辆的车辆数据。

在可行的一种实施方式中，所述第一获取单元，具体用于：

获取所述待控制车辆的第一数据信息，所述第一数据信息包括所述待控制车辆上的各传感器中每一传感器所采集的第一传感器数据、所述待控制车辆的控制器局域网络总线上传输的第一传输数据、以及位于所述待控制车辆上的移动设备所采集的第一移动设备数据；

基于卷积神经网络模型对所述第一数据信息进行处理，得到所述第一数据信息中每一目标的特征图；

基于循环神经网络模型对所述第一数据信息中每一目标的特征图进行回归处理，得到所述第一数据信息中每一目标的相对数据信息；

根据所述待控制车辆的车辆实际数据信息、以及所述第一数据信息中每一目标的相对数据信息，确定所述第一数据信息中每一目标的实际数据信息，以得到所述第一车辆信息。

在可行的一种实施方式中，所述第一车辆信息，包括以下的一种或多种：

所述待控制车辆所处的预设地理范围内的交通灯的信息、所述待控制车辆所处的预设地理范围内的路沿信息、所述待控制车辆所处的预设地理范围内的车道线信息、所述待控制车辆所处的预设地理范围内的目标物体的信息；

其中，所述目标物体的信息包括目标物体的速度、目标物体的方位、目标物体的位置、目标物体的大小。

在可行的一种实施方式中，所述第二获取单元，具体用于：

获取所述相邻车辆的第二数据信息，所述第二数据信息包括所述相邻车辆上的各传感器中每一传感器所采集的第二传感器数据、所述相邻车辆的控制器局域网络总线上传输的第二传输数据、获取位于所述相邻车辆上的移动设备所采集的第二移动设备数据；

基于卷积神经网络模型对所述第二数据信息进行处理，得到所述第二数据信息中每一目标的特征图；

基于循环神经网络模型对所述第二数据信息中每一目标的特征图进行回归处理，得到所述第二数据信息中每一目标的相对数据信息；

根据所述相邻车辆的车辆实际数据信息、以及所述第二数据信息中每一目标的相对数据信息，确定所述第二数据信息中每一目标的实际数据信息，以得到所述第二车辆信息。

在可行的一种实施方式中，所述第二车辆信息，包括以下的一种或多种：

所述相邻车辆所处的预设地理范围内的交通灯的信息、所述相邻车辆所处的预设地理范围内的路沿信息、所述相邻车辆所处的预设地理范围内的车道线信息、所述相邻车辆所处的预设地理范围内的目标物体的信息；

其中，所述目标物体的信息包括目标物体的速度、目标物体的方位、目标物体的位置、目标物体的大小。

在可行的一种实施方式中，所述装置，还包括：

确定单元，用于在所述第一获取单元获取待控制车辆的第一车辆信息之前，根据所述待控制车辆的当前位置，确定与所述当前位置相邻的车辆为所述相邻车辆；或者，根据所述待控制车辆的当前位置，确定与所述当前位置相邻的车辆为待选择车辆，并根据各所述待选择车辆的历史信息，确定历史信息的种类最多的待选择车辆为所述相邻车辆。

在可行的一种实施方式中，所述装置，还包括：

生成单元，用于基于卷积神经网络模型对所述融合数据进行识别，生成驾驶控制指令，所述驾驶控制指令中包括所述驾驶路径上的每一轨迹点上的控制信号，所述控制信号包括横向行驶信号和纵向行驶信号。

第三方面，本申请实施例提供一种电子设备，所述电子设备包括：存储器，处理器；

存储器；用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行第一方面所述的方法。

第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现第一方面所述的方法。

第五方面，本申请实施例提供一种计算机程序产品，所述计算机程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的方法。

本申请实施例提供的基于多车辆的自动驾驶控制方法、装置和设备，获取待控制车辆的第一车辆信息，并获取与待控制车辆相邻的相邻车辆的第二车辆信息；对第一车辆信息和第二车辆信息进行信息融合处理，以得到同一目标的信息，进而得到融合数据；然后，基于循环神经网络模型对融合数据进行识别，生成驾驶路径；根据驾驶路径控制待控制车辆进行自动行驶。可以基于待控制车辆的第一车辆信息（包括了传感器数据、雷达数据、等等）、以及相邻车辆的第二车辆信息（包括了传感器数据、雷达数据、等等），生成待控制车辆的驾驶路径；综合考虑了当前的待控制车辆所采集的数据、以及相邻车辆所采集的数据，基于这些数据可以准确的判断周围车辆或其他交通参与者的意图和行驶决策，所得到的驾驶路径较为准确，正确的规划出驾驶路径。从而保证了车辆的行驶安全。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1为本申请实施例提供的一种基于多车辆的自动驾驶控制方法的流程图；

图2为本申请实施例提供的另一种基于多车辆的自动驾驶控制方法的流程图；

图3为本申请实施例提供的第一数据信息的处理示意图；

图4为本申请实施例提供的第二数据信息的处理示意图；

图5为本申请实施例提供的一种基于多车辆的自动驾驶控制装置的结构示意图；

图6为本申请实施例提供的另一种基于多车辆的自动驾驶控制装置的结构示意图；

图7为本申请实施例提供的一种电子设备的结构示意图；

图8是本申请实施例提供的一种电子设备的框图。

通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。

随着车辆技术的发展，车辆已经成为人们生活中的重要交通工具。并且，自动驾驶车辆也已经开始得到应用和发展。自动驾驶车辆可以基于采集到的地面数据，完成自动驾驶。

一个示例中，自动驾驶车辆可以基于自车的传感器所采集的数据，完成自动驾驶过程；基于当前的自动驾驶车辆上的传感器所采集的数据，完成当前的自动驾驶车辆的自动驾驶过程。

但是在上述方式中，基于自车的传感器数据不足以准确判断周围车辆或其他交通参与者的意图和行驶决策, 从而导致路径规划和决策的失误；从而影响到自动驾驶车辆的正常行驶，甚至导致发生交通事故。

本申请实施例提供的基于多车辆的自动驾驶控制方法、装置和设备，旨在解决现有技术的如上技术问题。

下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

图1为本申请实施例提供的一种基于多车辆的自动驾驶控制方法的流程图，如图1所示，该方法包括：

101、获取待控制车辆的第一车辆信息，并获取与待控制车辆相邻的相邻车辆的第二车辆信息。

示例性地，本实施例的执行主体为自动驾驶车辆（即，待控制车辆）、或者终端设备、或者服务器、或者基于多车辆的自动驾驶控制装置或方法、或者其他可以执行本实施例方案的装置或设备，对此不做限制。本实施例以执行主体为自动驾驶车辆（即，待控制车辆）进行介绍。

在待控制车辆行驶的过程中，实时的获取待控制车辆上的设备所采集的数据。该数据，为第一车辆信息。

一个示例中，在待控制车辆中安装有多种传感器、以及雷达。传感器可以采集待控制车辆在当前时间的相关数据。雷达可以获取待控制车辆的周围环境的数据。进而得到第一车辆信息。

另一个示例中，在待控制车辆中安装有多种传感器、以及雷达。传感器可以采集待控制车辆在当前时间的相关数据。雷达可以获取待控制车辆的周围环境的数据。然后，待控制车辆将这些数据进行坐标系转换，将数据转换到待控制车辆的相关坐标系上，进而得到第一车辆信息。

举例来说，第一车辆信息，包括以下的至少一种：待控制车辆所处的预设地理范围内的交通灯的信息、待控制车辆所处的预设地理范围内的路沿信息、待控制车辆所处的预设地理范围内的车道线信息、待控制车辆所处的预设地理范围内的目标物体的信息。其中，目标物体的信息包括目标物体的速度、目标物体的方位、目标物体的位置、目标物体的大小、等等。交通灯的信息，包括了交通灯的位置、交通灯的状态。路沿信息，包括了路沿的位置、路沿的宽度、路沿的长度。车道线信息，包括了车道线的位置、车道线的长度。

并且，由于在待控制车辆的行驶环境中会存在相邻车辆，需要获取到相邻车辆的第二车辆信息。

一个示例中，在每一相邻车辆中安装有多种传感器、以及雷达。传感器可以采集相邻车辆在当前时间的相关数据。雷达可以获取相邻车辆的周围环境的数据。进而得到第二车辆信息。

另一个示例中，在相邻车辆中安装有多种传感器、以及雷达。传感器可以采集相邻车辆在当前时间的相关数据。雷达可以获取相邻车辆的周围环境的数据。然后，相邻车辆将这些数据发送给待控制车辆；待控制车辆将这些数据进行坐标系转换，将数据转换到待控制车辆的相关坐标系上，进而得到第二车辆信息。

举例来说，第二车辆信息，包括以下的至少一种：相邻车辆所处的预设地理范围内的交通灯的信息、相邻车辆所处的预设地理范围内的路沿信息、相邻车辆所处的预设地理范围内的车道线信息、相邻车辆所处的预设地理范围内的目标物体的信息。其中，目标物体的信息包括目标物体的速度、目标物体的方位、目标物体的位置、目标物体的大小、等等。交通灯的信息，包括了交通灯的位置、交通灯的状态。路沿信息，包括了路沿的位置、路沿的宽度、路沿的长度。车道线信息，包括了车道线的位置、车道线的长度。

102、对第一车辆信息和第二车辆信息进行信息融合处理，生成融合数据。

示例性地，第一车辆信息中每一目标具有位置信息，第二车辆信息中每一目标具有位置信息，从而可以依据第一车辆信息中每一目标的位置信息，第二车辆信息中每一目标的位置信息，确定出第一车辆信息与第二车辆信息中的相同目标；然后完成信息融合，从而得到融合数据。

其中，目标，指的是交通灯、路沿、车道线、以及目标物体。

103、基于循环神经网络模型对融合数据进行识别，生成驾驶路径。

示例性地，预先基于待训练数据对初始模型进行了训练，进而得到一个循环神经网络模型。

其中，待训练数据中包括具有实际驾驶路径的车辆的车辆数据，车辆数据包括了车辆所处的预设地理范围内的交通灯的信息、车辆所处的预设地理范围内的路沿信息、车辆所处的预设地理范围内的车道线信息、车辆所处的预设地理范围内的目标物体的信息。

循环神经网络模型，可以为循环神经网络（Recurrent Neural Network，简称RNN）模型、或者长短期记忆网络（Long Short-Term Memory，简称LSTM）。

104、根据驾驶路径控制待控制车辆进行自动行驶。

示例性地，在得到了驾驶路径之后，待控制车辆就可以根据驾驶路径进行行驶，进而完成自动行驶过程。

其中，步骤101-104可以是实时处理的过程，进而实时更新驾驶路径。

本实施例中，获取待控制车辆的第一车辆信息，并获取与待控制车辆相邻的相邻车辆的第二车辆信息；对第一车辆信息和第二车辆信息进行信息融合处理，以得到同一目标的信息，进而得到融合数据；然后，基于循环神经网络模型对融合数据进行识别，生成驾驶路径；根据驾驶路径控制待控制车辆进行自动行驶。可以基于待控制车辆的第一车辆信息（包括了传感器数据、雷达数据、等等）、以及相邻车辆的第二车辆信息（包括了传感器数据、雷达数据、等等），生成待控制车辆的驾驶路径；综合考虑了当前的待控制车辆所采集的数据、以及相邻车辆所采集的数据，基于这些数据可以准确的判断周围车辆或其他交通参与者的意图和行驶决策，所得到的驾驶路径较为准确，正确的规划出驾驶路径。从而保证了车辆的行驶安全。

图2为本申请实施例提供的另一种基于多车辆的自动驾驶控制方法的流程图，如图2所示，该方法包括：

201、基于待训练数据对初始模型进行训练，得到循环神经网络模型；其中，待训练数据为具有实际驾驶路径的车辆的车辆数据。

示例性地，本实施例的执行主体为自动驾驶车辆（即，待控制车辆）、或者终端设备、或者服务器、或者基于多车辆的自动驾驶控制装置或方法、或者其他可以执行本实施例方案的装置或设备，对此不做限制。本实施例以执行主体为自动驾驶车辆（即，待控制车辆）进行介绍。

获取待训练数据，待训练数据中包括多个车辆的车辆数据，每一车辆具有实际驾驶路径；将待训练数据输入到初始模型中，以对初始模型进行训练，进而得到以下各步骤中所需要的循环神经网络模型。

下述步骤中所涉及的循环神经网络模型可以是一个独立的模型，也可以分别是不同的独立模型。这些模型都是经过训练数据训练的。

202、获取待控制车辆的第一车辆信息。

一个示例中，步骤202具体包括以下过程：

获取待控制车辆的第一数据信息，第一数据信息包括待控制车辆上的各传感器中每一传感器所采集的第一传感器数据、待控制车辆的控制器局域网络总线上传输的第一传输数据、以及位于待控制车辆上的移动设备所采集的第一移动设备数据。

基于卷积神经网络模型对第一数据信息进行处理，得到第一数据信息中每一目标的特征图。

基于循环神经网络模型对第一数据信息中每一目标的特征图进行回归处理，得到第一数据信息中每一目标的相对数据信息。

根据待控制车辆的车辆实际数据信息、以及第一数据信息中每一目标的相对数据信息，确定第一数据信息中每一目标的实际数据信息，以得到第一车辆信息。

示例性地，在待控制车辆行驶的过程中，实时的获取待控制车辆上的设备所采集的数据。该数据，为第一车辆信息。

在待控制车辆上安装了多种传感器（例如，传感器、雷达），每一种传感器可以到待控制车辆在行驶过程中数据，进而待控制车辆上的各传感器中每一传感器采集到第一传感器数据。并且，待控制车辆上的数据通过控制器局域网络（Controller Area Network，简称CAN）总线进行传输，进而待控制车辆可以获取到待控制车辆的CAN总线上传输的第一传输数据。在待控制车辆行驶的过程中，待控制车辆中可以携带有移动设备，移动设备上会产生第一移动设备数据，进而待控制车辆可以从移动设备上获取第一移动设备数据。上述第一传感器数据、第一传输数据、第一移动设备数据，构成了待控制车辆的第一数据信息。

图3为本申请实施例提供的第一数据信息的处理示意图，如图3所示，将第一数据信息输入到卷积神经网络模型中，进而采用卷积神经网络模型对第一数据信息进行处理，得到第一数据信息中每一目标的特征图。其中，上述目标，指的是交通灯、路沿、车道线、以及目标物体。其中，卷积神经网络模型是经过训练数据（包括了训练数据的特征图）训练后得到的。

然后，将第一数据信息中每一目标的特征图输入到循环神经网络模型中，利用循环神经网络模型对第一数据信息中每一目标的特征图进行回归处理，进而输出第一数据信息中每一目标的相对数据信息。其中，相对数据信息，指的是，目标相对于待控制车辆的数据信息；例如，目标的相对数据信息中包括目标的相对速度信息（该相对速度信息，为目标相对于待控制车辆的速度）、目标物体的相对方位信息（该相对方位信息，为目标相对于待控制车辆的方位）、目标的相对位置信息（该相对位置信息，为目标相对于待控制车辆的位置）、目标的相对大小信息（该相对大小信息，为目标相对于待控制车辆的大小）、等等。其中，循环神经网络模型是经过训练数据训练后得到的。

然后，已经获取到了待控制车辆的车辆实际数据信息；其中，车辆实际数据信息包括了待控制车辆的实际速度、待控制车辆的实际方位、待控制车辆的实际位置、待控制车辆的实际大小、等等。

进而，依据待控制车辆的车辆实际数据信息、以及第一数据信息中每一目标的相对数据信息进行数据转换，进而得到第一数据信息中每一目标的实际数据信息。其中，目标的实际数据信息包括了目标的实际速度、目标的实际方位、目标的实际位置、目标的实际大小、等等。上述每一目标的实际数据信息，构成了第一车辆信息。

举例来说，第一车辆信息，包括以下的至少一种：待控制车辆所处的预设地理范围内的交通灯的信息、待控制车辆所处的预设地理范围内的路沿信息、待控制车辆所处的预设地理范围内的车道线信息、待控制车辆所处的预设地理范围内的目标物体的信息。其中，目标物体的信息包括目标物体的速度、目标物体的方位、目标物体的位置、目标物体的大小、等等。交通灯的信息，包括了交通灯的位置、交通灯的状态。路沿信息，包括了路沿的位置、路沿的宽度、路沿的长度。车道线信息，包括了车道线的位置、车道线的长度。

其中，步骤202中所涉及的卷积神经网络模型、循环神经网络模型可以是各自独立的模型；或者，步骤202中所涉及的卷积神经网络模型、循环神经网络模型被设置为了同一个网络模型，该网络模型具有卷积神经网络的功能和循环神经网络的功能。先采用卷积神经网络模型对第一数据信息进行处理，得到特征图，然后基于循环神经网络模型对特征图进行处理得到相对数据信息，可以准确的得到第一数据信息中每一目标的相对数据信息，以便于准确的得到第一车辆信息。

203、确定与待控制车辆相邻的相邻车辆；获取与待控制车辆相邻的相邻车辆的第二车辆信息。

一个示例中，步骤203具体包括以下过程：

获取相邻车辆的第二数据信息，第二数据信息包括相邻车辆上的各传感器中每一传感器所采集的第二传感器数据、相邻车辆的控制器局域网络总线上传输的第二传输数据、获取位于相邻车辆上的移动设备所采集的第二移动设备数据。

基于卷积神经网络模型对第二数据信息进行处理，得到第二数据信息中每一目标的特征图。

基于循环神经网络模型对第二数据信息中每一目标的特征图进行回归处理，得到第二数据信息中每一目标的相对数据信息。

根据相邻车辆的车辆实际数据信息、以及第二数据信息中每一目标的相对数据信息，确定第二数据信息中每一目标的实际数据信息，以得到第二车辆信息。

一个示例中，“确定与待控制车辆相邻的相邻车辆”，可以采用以下方式：

第一种方式、根据待控制车辆的当前位置，确定与当前位置相邻的车辆为相邻车辆。

第二种方式、根据待控制车辆的当前位置，确定与当前位置相邻的车辆为待选择车辆，并根据各待选择车辆的历史信息，确定历史信息的种类最多的待选择车辆为相邻车辆。

示例性地，由于在待控制车辆的行驶环境中会存在相邻车辆，需要获取到相邻车辆的第二车辆信息。

首先需要确定出相邻车辆。一个示例中，待控制车辆可以获取到待控制车辆的当前位置，然后确定出一个预设位置距离；待控制车辆将与待控制车辆的当前位置之间的距离为预设位置距离的车辆，作为了与当前位置相邻的车辆，进而确定出相邻车辆。

或者，另一个示例中，待控制车辆可以获取到待控制车辆的当前位置，然后确定出一个预设位置距离；待控制车辆将与待控制车辆的当前位置之间的距离为预设位置距离的车辆，作为了与当前位置相邻的车辆，进而确定出待选择车辆；然后，待控制车辆可以获取到各待选择车辆的历史信息（历史信息为待选择车辆的车辆信息，车辆信息包括了传感器数据、CAN总线上的数据、移动终端的数据）；待控制车辆将历史信息的种类最多的待选择车辆，作为相邻车辆。

在相邻车辆行驶的过程中，实时的获取相邻车辆上的设备所采集的数据。该数据，为第二车辆信息。

针对每一相邻车辆，在相邻车辆上安装了多种传感器（例如，传感器、雷达），每一种传感器可以到相邻车辆在行驶过程中数据，进而相邻车辆上的各传感器中每一传感器采集到第二传感器数据。并且，相邻车辆上的数据通过CAN总线进行传输，进而相邻车辆可以获取到相邻车辆的CAN总线上传输的第二传输数据。在相邻车辆行驶的过程中，相邻车辆中可以携带有移动设备，移动设备上会产生第二移动设备数据，进而相邻车辆可以从移动设备上获取第二移动设备数据。上述第二传感器数据、第二传输数据、第二移动设备数据，构成了相邻车辆的第二数据信息。

每一相邻车辆将第二数据信息发给待控制车辆进行处理。

图4为本申请实施例提供的第二数据信息的处理示意图，如图4所示，将第二数据信息输入到卷积神经网络模型中，进而采用卷积神经网络模型对第二数据信息进行处理，得到第二数据信息中每一目标的特征图。其中，上述目标，指的是交通灯、路沿、车道线、以及目标物体。其中，卷积神经网络模型是经过训练数据（包括了训练数据的特征图）训练后得到的。

然后，将第二数据信息中每一目标的特征图输入到循环神经网络模型中，利用循环神经网络模型对第二数据信息中每一目标的特征图进行回归处理，进而输出第二数据信息中每一目标的相对数据信息。其中，相对数据信息，指的是，目标相对于相邻车辆的数据信息；例如，目标的相对数据信息中包括目标的相对速度信息（该相对速度信息，为目标相对于相邻车辆的速度）、目标物体的相对方位信息（该相对方位信息，为目标相对于相邻车辆的方位）、目标的相对位置信息（该相对位置信息，为目标相对于相邻车辆的位置）、目标的相对大小信息（该相对大小信息，为目标相对于相邻车辆的大小）、等等。其中，循环神经网络模型是经过训练数据训练后得到的。

然后，已经获取到了相邻车辆的车辆实际数据信息（相邻车辆的车辆实际数据信息可以是相邻车辆发送的待控制车辆的）；其中，车辆实际数据信息包括了相邻车辆的实际速度、相邻车辆的实际方位、相邻车辆的实际位置、相邻车辆的实际大小、等等。

进而，依据相邻车辆的车辆实际数据信息、以及第二数据信息中每一目标的相对数据信息进行数据转换，进而得到第二数据信息中每一目标的实际数据信息。其中，目标的实际数据信息包括了目标的实际速度、目标的实际方位、目标的实际位置、目标的实际大小、等等。上述每一目标的实际数据信息，构成了第二车辆信息。

举例来说，第二车辆信息，包括以下的至少一种：相邻车辆所处的预设地理范围内的交通灯的信息、相邻车辆所处的预设地理范围内的路沿信息、相邻车辆所处的预设地理范围内的车道线信息、相邻车辆所处的预设地理范围内的目标物体的信息。其中，目标物体的信息包括目标物体的速度、目标物体的方位、目标物体的位置、目标物体的大小、等等。交通灯的信息，包括了交通灯的位置、交通灯的状态。路沿信息，包括了路沿的位置、路沿的宽度、路沿的长度。车道线信息，包括了车道线的位置、车道线的长度。

其中，步骤203中所涉及的卷积神经网络模型、循环神经网络模型可以是各自独立的模型；或者，步骤203中所涉及的卷积神经网络模型、循环神经网络模型被设置为了同一个网络模型，该网络模型具有卷积神经网络的功能和循环神经网络的功能。先采用卷积神经网络模型对第二数据信息进行处理，得到特征图，然后基于循环神经网络模型对特征图进行处理得到相对数据信息，可以准确的得到第二数据信息中每一目标的相对数据信息，以便于准确的得到第二车辆信息。

204、依据第二车辆信息中每一目标的位置，对第二车辆信息中每一目标的实际数据信息进行定位处理，以将第二车辆信息中每一目标的实际数据信息转换到待控制车辆的坐标系上，得到第二车辆信息中每一目标的处理后的实际数据信息。

示例性地，待控制车辆获取到每一相邻车辆的第二车辆信息之后，由于第二车辆信息中每一目标的位置是基于相邻车辆的坐标系的（其中，相邻车辆的坐标系是以相邻车辆为原点所建立的坐标系），进而待控制车辆需要依据第二车辆信息中每一目标的位置，对第二车辆信息中每一目标的实际数据信息进行定位处理，进而将第二车辆信息中每一目标的实际数据信息转换到待控制车辆的坐标系上（其中，待控制车辆的坐标系是以待控制车辆为原点所建立的坐标系）。从而便于准确的分析数据。

205、根据第二车辆信息中每一目标的位置、以及第一车辆信息中每一目标的位置，对第一车辆信息和第二车辆信息进行融合处理，得到归属于各目标中每一目标的数据，以得到中间数据。

示例性地，待控制车辆需要对第一车辆信息和各相邻车辆的第二车辆信息进行融合处理，去提取出归属于同一目标的数据。一个示例中，待控制车辆基于第二车辆信息中每一目标的位置、以及第一车辆信息中每一目标的位置，确出各目标中的每一同一目标，进而从第一车辆信息和第二车辆信息中提取出归属于同一目标的数据（即，归属于各目标中每一目标的数据），从而得到中间数据。进而确定出归属于同一目标的数据，便于后续处理数据。

206、对中间数据中的各数据进行归一化处理，得到融合数据。

一个示例中，步骤206具体包括：获取路网系统上所存储的交通灯信息和地图信息；对中间数据、路网系统上所存储的交通灯信息和地图信息进行归一化处理，得到融合数据。

示例性地，还需要步骤205所得到的中间数据进行数据归一化处理（即，数据对齐处理），进而得到融合数据。

一个示例中，待控制车辆还可以获取路网系统上所存储的交通灯信息和地图信息，其中，路网系统上所存储的交通灯信息中包括交通灯的变化信息（即，每一交通灯每隔预设时间进行状态变换）。待控制车辆可以将中间数据、路网系统上所存储的交通灯信息和地图信息进行归一化处理（即，数据对齐处理），得到融合数据。

207、获取待控制车辆的当前位置上的路面状况数据；其中，路面状况数据为基于融合数据所得到的，或者，路面状况数据为从路网系统中获取的。

示例性地，待控制车辆还可以待控制车辆的当前位置上的路面状况数据。路面状况数据，表征了路面为平坦或者，或者路面为积雪区域，或者路面为湿滑区域，或者路面为坑洼区。

例如，待控制车辆可以采用卷积神经网络模型对融合数据进行识别，进而得到路面状况数据。再例如，路网系统中存储有每一处路面的当前的路面状况数据；进而，待控制车辆可以从路网系统中获取待控制车辆的当前位置上的路面状况数据。

208、从监控系统中获取其他交通参与者的运动轨迹；其中，运动轨迹为其他交通参与者在待控制车辆的当前位置上的当前轨迹，或者，运动轨迹为其他交通参与者在待控制车辆的当前位置上的历史轨迹。

示例性地，在监控系统中已经预先存储有待控制车辆的周围的其他交通参与者的运动轨迹，从而待控制车辆可以从监控系统中获取其他交通参与者的运动轨迹。

该运动轨迹可以为其他交通参与者的当前轨迹，或者，该运动轨迹可以为其他交通参与者的历史轨迹。

209、基于卷积神经网络模型对融合数据、路面状况数据以及运动轨迹进行处理，得到多个特征图。

示例性地，可以将融合数据输入到卷积神经网络模型中，进而采用卷积神经网络模型对融合数据进行处理，得到融合数据中每一目标的特征图，即，得到多个特征图。

或者，将融合数据、路面状况数据以及步骤208中的运动轨迹输入到卷积神经网络模型中，进而采用卷积神经网络模型对融合数据进行处理，得到多个特征图。基于融合数据、路面状况数据以及步骤208中的运动轨迹完成后续的轨迹生成，综合考虑多方面的因素去得到车辆的轨迹。

210、基于循环神经网络模型对多个特征图进行识别，生成驾驶路径。并根据驾驶路径控制待控制车辆进行自动行驶。

一个示例中，步骤210中的“基于循环神经网络模型对多个特征图进行识别，生成驾驶路径”具体包括：重复以下步骤，直至达到预设条件：基于循环神经网络模型对多个特征图进行数据处理，得到前馈分数和待控制车辆的运动分析轨迹；若运动分析轨迹表征待控制车辆会与其他交通参与者发生碰撞、或者，运动分析轨迹表征待控制车辆会进入不良路况，则降低前馈分数，得到调整后的前馈分数；否则增加前馈分数，得到调整后的前馈分数；根据调整后的前馈分数对循环神经网络模型中的参数进行调整，基于调整后的循环神经网络模型对多个特征图进行识别，得到新的运动分析轨迹。

其中，达到预设条件时所得到的运动分析轨迹，为驾驶路径。

示例性地，待控制车辆将步骤209所得到的多个特征图输入到循环神经网络模型中，利用循环神经网络模型对步骤209所得到的多个特征图进行回归处理，进而输出驾驶路径。然后，待控制车辆就可以根据驾驶路径进行自动行驶。

其中，步骤209中所涉及的卷积神经网络模型、步骤210所涉及的循环神经网络模型可以是各自独立的模型；或者，步骤209中所涉及的卷积神经网络模型、步骤210所涉及的循环神经网络模型被设置为了同一个网络模型，该网络模型具有卷积神经网络的功能和循环神经网络的功能。

一个示例中，步骤210可以为以下过程。

重复以下步骤，直至达到预设条件：待控制车辆基于循环神经网络模型对多个特征图进行数据处理，完成一次数据处理之后，可以得到前馈分数和待控制车辆的运动分析轨迹。然后，待控制车辆可以基于运动分析轨迹进行分析，确定待控制车辆是否会与其他交通参与者发生碰撞、或者待控制车辆是否会进入不良路况。待控制车辆若确定待控制车辆会与其他交通参与者发生碰撞、或者确定待控制车辆会进入不良路况，则待控制车辆确定降低前馈分数，得到调整后的前馈分数；待控制车辆若确定待控制车辆不会与其他交通参与者发生碰撞、且待控制车辆不会进入不良路况，则待控制车辆确定增加前馈分数，得到调整后的前馈分数。然后，待控制车辆根据调整后的前馈分数对循环神经网络模型中的参数进行调整，得到调整后的循环神经网络模型。待控制车辆基于调整后的循环神经网络模型对步骤209的多个特征图进行识别，即，重复上述过程。依次类推，在确定预设条件时所得到的运动分析轨迹，为驾驶路径。其中，预设条件可以为重复执行次数达到预设次数阈值，或者，预设条件可以为前馈分数达到预设分数阈值。

211、基于卷积神经网络模型对融合数据进行识别，生成驾驶控制指令，驾驶控制指令中包括驾驶路径上的每一轨迹点上的控制信号，控制信号包括横向行驶信号和纵向行驶信号。

示例性地，待控制车辆还可以生成驾驶控制指令（即，驾驶控制信号）。待控制车辆将融合数据，输入到训练过的卷积神经网络模型中，进而生成驾驶控制指令。该卷积神经网络模型是采用了具有驾驶控制指令的数据进行训练所得到的模型。

或者，待控制车辆将融合数据、路面状况数据以及运动轨迹，输入到训练过的卷积神经网络模型中，进而生成驾驶控制指令。

其中，驾驶控制指令中包括驾驶路径上的每一轨迹点上的控制信号。每一轨迹点上的控制信号包括横向行驶信号和纵向行驶信号；横向行驶信号，指的是，在待控制车辆所在坐标系的横向上的行驶信号；纵向行驶信号，指的是，在待控制车辆所在坐标系的纵向上的行驶信号。

待控制车辆所在坐标系可以是世界坐标系，上述“横向”为世界坐标系的x轴，上述“纵向”为世界坐标系的y轴。或者，待控制车辆所在坐标系为以待控制车辆为原点所建立的坐标系（在待控制车辆的行驶过程中，由于待控制车辆在实时移动，从而该坐标系实时变化），上述“横向”为以待控制车辆为原点所建立的坐标系的x轴，上述“纵向”为以待控制车辆为原点所建立的坐标系的y轴。

本实施例，在上述实施例的基础上，基于卷积神经网络模型对第一数据信息进行处理，得到第一数据信息中每一目标的特征图；基于循环神经网络模型对第一数据信息中每一目标的特征图进行回归处理，得到第一数据信息中每一目标的相对数据信息；进而，确定第一数据信息中每一目标的实际数据信息，以得到第一车辆信息。先采用卷积神经网络模型对第一数据信息进行处理，得到特征图，然后基于循环神经网络模型对特征图进行处理得到相对数据信息，可以准确的得到第一数据信息中每一目标的相对数据信息，以便于准确的得到第一车辆信息。基于卷积神经网络模型对第二数据信息进行处理，得到第二数据信息中每一目标的特征图；基于循环神经网络模型对第二数据信息中每一目标的特征图进行回归处理，得到第二数据信息中每一目标的相对数据信息；进而，确定第二数据信息中每一目标的实际数据信息，以得到第二车辆信息。先采用卷积神经网络模型对第二数据信息进行处理，得到特征图，然后基于循环神经网络模型对特征图进行处理得到相对数据信息，可以准确的得到第二数据信息中每一目标的相对数据信息，以便于准确的得到第二车辆信息。第一车辆信息和第二车辆信息进行融合处理、归一化处理，得到融合数据；该融合数据综合了待控制车辆、与待控制车辆相邻的车辆所采集的数据，此外，该融合数据还综合考虑路面状况数据、其他交通参与者的运动轨迹等等；然后基于融合数据得到驾驶路径，所得到的驾驶路径较为准确，正确的规划出驾驶路径。从而保证了车辆的行驶安全。并且，先采用卷积神经网络模型对融合数据、路面状况数据以及运动轨迹进行处理，得到多个特征图，然后基于循环神经网络模型对特征图进行识别生成驾驶路径，可以得到准确驾驶路径。待控制车辆可以基于驾驶路径准确、安全的完成自动驾驶过程。

图5为本申请实施例提供的一种基于多车辆的自动驾驶控制装置的结构示意图，如图5所示，该装置包括：

第一获取单元51，用于获取待控制车辆的第一车辆信息。

第二获取单元52，用于获取与待控制车辆相邻的相邻车辆的第二车辆信息。

融合单元53，用于对第一车辆信息和第二车辆信息进行信息融合处理，生成融合数据。

识别单元54，用于基于循环神经网络模型对融合数据进行识别，生成驾驶路径。

控制单元55，用于根据驾驶路径控制待控制车辆进行自动行驶。

示例性地，本实施例可以参见上述方法实施例，其原理和技术效果类似，不再赘述。

图6为本申请实施例提供的另一种基于多车辆的自动驾驶控制装置的结构示意图，在图5所示实施例的基础上，如图6所示，该装置中，融合单元53包括：

定位模块531，用于依据第二车辆信息中每一目标的位置，对第二车辆信息中每一目标的实际数据信息进行定位处理，以将第二车辆信息中每一目标的实际数据信息转换到待控制车辆的坐标系上，得到第二车辆信息中每一目标的处理后的实际数据信息。

融合模块532，用于根据第二车辆信息中每一目标的位置、以及第一车辆信息中每一目标的位置，对第一车辆信息和第二车辆信息进行融合处理，得到归属于各目标中每一目标的数据，以得到中间数据。

归一化模块533，用于对中间数据中的各数据进行归一化处理，得到融合数据。

一个示例中，归一化模块533，具体用于：获取路网系统上所存储的交通灯信息和地图信息；对中间数据、路网系统上所存储的交通灯信息和地图信息进行归一化处理，得到融合数据。

一个示例中，识别单元54，包括：

第一获取模块541，用于获取待控制车辆的当前位置上的路面状况数据；其中，路面状况数据为基于融合数据所得到的，或者，路面状况数据为从路网系统中获取的。

第二获取模块542，用于从监控系统中获取其他交通参与者的运动轨迹；其中，运动轨迹为其他交通参与者在待控制车辆的当前位置上的当前轨迹，或者，运动轨迹为其他交通参与者在待控制车辆的当前位置上的历史轨迹。

处理模块543，用于基于卷积神经网络模型对融合数据、路面状况数据以及运动轨迹进行处理，得到多个特征图。

识别模块544，用于基于循环神经网络模型对多个特征图进行识别，生成驾驶路径。

一个示例中，识别模块544，具体用于：

重复以下步骤，直至达到预设条件：基于循环神经网络模型对多个特征图进行数据处理，得到前馈分数和待控制车辆的运动分析轨迹；若运动分析轨迹表征待控制车辆会与其他交通参与者发生碰撞、或者，运动分析轨迹表征待控制车辆会进入不良路况，则降低前馈分数，得到调整后的前馈分数；否则增加前馈分数，得到调整后的前馈分数；根据调整后的前馈分数对循环神经网络模型中的参数进行调整，基于调整后的循环神经网络模型对多个特征图进行识别，得到新的运动分析轨迹。其中，达到预设条件时所得到的运动分析轨迹，为驾驶路径。

一个示例中，本实施例提供的装置还包括：

训练单元61，用于基于待训练数据对初始模型进行训练，得到循环神经网络模型；其中，待训练数据为具有实际驾驶路径的车辆的车辆数据。

一个示例中，第一获取单元51，具体用于：

获取待控制车辆的第一数据信息，第一数据信息包括待控制车辆上的各传感器中每一传感器所采集的第一传感器数据、待控制车辆的控制器局域网络总线上传输的第一传输数据、以及位于待控制车辆上的移动设备所采集的第一移动设备数据；基于卷积神经网络模型对第一数据信息进行处理，得到第一数据信息中每一目标的特征图；基于循环神经网络模型对第一数据信息中每一目标的特征图进行回归处理，得到第一数据信息中每一目标的相对数据信息；根据待控制车辆的车辆实际数据信息、以及第一数据信息中每一目标的相对数据信息，确定第一数据信息中每一目标的实际数据信息，以得到第一车辆信息。

一个示例中，第一车辆信息，包括以下的一种或多种：

待控制车辆所处的预设地理范围内的交通灯的信息、待控制车辆所处的预设地理范围内的路沿信息、待控制车辆所处的预设地理范围内的车道线信息、待控制车辆所处的预设地理范围内的目标物体的信息；其中，目标物体的信息包括目标物体的速度、目标物体的方位、目标物体的位置、目标物体的大小。

一个示例中，第二获取单元52，具体用于：

获取相邻车辆的第二数据信息，第二数据信息包括相邻车辆上的各传感器中每一传感器所采集的第二传感器数据、相邻车辆的控制器局域网络总线上传输的第二传输数据、获取位于相邻车辆上的移动设备所采集的第二移动设备数据；基于卷积神经网络模型对第二数据信息进行处理，得到第二数据信息中每一目标的特征图；基于循环神经网络模型对第二数据信息中每一目标的特征图进行回归处理，得到第二数据信息中每一目标的相对数据信息；根据相邻车辆的车辆实际数据信息、以及第二数据信息中每一目标的相对数据信息，确定第二数据信息中每一目标的实际数据信息，以得到第二车辆信息。

一个示例中，第二车辆信息，包括以下的一种或多种：

相邻车辆所处的预设地理范围内的交通灯的信息、相邻车辆所处的预设地理范围内的路沿信息、相邻车辆所处的预设地理范围内的车道线信息、相邻车辆所处的预设地理范围内的目标物体的信息；其中，目标物体的信息包括目标物体的速度、目标物体的方位、目标物体的位置、目标物体的大小。

一个示例中，本实施例提供的装置，还包括：

确定单元62，用于在第一获取单元51获取待控制车辆的第一车辆信息之前，根据待控制车辆的当前位置，确定与当前位置相邻的车辆为相邻车辆；或者，根据待控制车辆的当前位置，确定与当前位置相邻的车辆为待选择车辆，并根据各待选择车辆的历史信息，确定历史信息的种类最多的待选择车辆为相邻车辆。

一个示例中，本实施例提供的装置，还包括：

生成单元63，用于基于卷积神经网络模型对融合数据进行识别，生成驾驶控制指令，驾驶控制指令中包括驾驶路径上的每一轨迹点上的控制信号，控制信号包括横向行驶信号和纵向行驶信号。

示例性地，本实施例可以参见上述方法实施例，其原理和技术效果类似，不再赘述。

图7为本申请实施例提供的一种电子设备的结构示意图，如图7所示，电子设备包括：存储器71，处理器72；

存储器71；用于存储处理器72可执行指令的存储器；

其中，处理器72被配置为执行如上述实施例提供的方法。

电子设备还包括接收器73和发送器74。接收器73用于接收外部设备发送的指令和数据，发送器74用于向外部设备发送指令和数据。

图8是本申请实施例提供的一种电子设备的框图，该电子设备可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出（I/ O）接口812，传感器组件814，以及通信组件816。

处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（SRAM），电可擦除可编程只读存储器（EEPROM），可擦除可编程只读存储器（EPROM），可编程只读存储器（PROM），只读存储器（ROM），磁存储器，快闪存储器，磁盘或光盘。

电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。

多媒体组件808包括在装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器（LCD）和触摸面板（TP）。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风（MIC），当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/ O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，通信组件816还包括近场通信（NFC）模块，以促进短程通信。例如，在NFC模块可基于射频识别（RFID）技术，红外数据协会（IrDA）技术，超宽带（UWB）技术，蓝牙（BT）技术和其他技术来实现。

在示例性实施例中，装置800可以被一个或多个应用专用集成电路（ASIC）、数字信号处理器（DSP）、数字信号处理设备（DSPD）、可编程逻辑器件（PLD）、现场可编程门阵列（FPGA）、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述方法。例如，非临时性计算机可读存储介质可以是ROM、随机存取存储器（RAM）、CD-ROM、磁带、软盘和光数据存储设备等。

本申请实施例还提供了一种非临时性计算机可读存储介质，当该存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述实施例提供的方法。

本申请实施例还提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求书指出。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。

Claims (16)

1.一种基于多车辆的自动驾驶控制方法，其特征在于，所述方法包括：

获取待控制车辆的第一车辆信息，并获取与所述待控制车辆相邻的相邻车辆的第二车辆信息；

对所述第一车辆信息和所述第二车辆信息进行信息融合处理，生成融合数据；

基于循环神经网络模型对所述融合数据进行识别，生成驾驶路径；

根据所述驾驶路径控制所述待控制车辆进行自动行驶。

2.根据权利要求1所述的方法，其特征在于，对所述第一车辆信息和所述第二车辆信息进行信息融合处理，生成融合数据，包括：

依据所述第二车辆信息中每一目标的位置，对所述第二车辆信息中每一目标的实际数据信息进行定位处理，以将所述第二车辆信息中每一目标的实际数据信息转换到所述待控制车辆的坐标系上，得到所述第二车辆信息中每一目标的处理后的实际数据信息；

根据所述第二车辆信息中每一目标的位置、以及所述第一车辆信息中每一目标的位置，对所述第一车辆信息和所述第二车辆信息进行融合处理，得到归属于各目标中每一目标的数据，以得到中间数据；

对所述中间数据中的各数据进行归一化处理，得到所述融合数据。

3.根据权利要求2所述的方法，其特征在于，对所述中间数据中的各数据进行归一化处理，得到所述融合数据，包括：

获取路网系统上所存储的交通灯信息和地图信息；

对所述中间数据、所述路网系统上所存储的交通灯信息和地图信息进行归一化处理，得到所述融合数据。

4.根据权利要求1所述的方法，其特征在于，基于循环神经网络模型对所述融合数据进行识别，生成驾驶路径，包括：

获取所述待控制车辆的当前位置上的路面状况数据；其中，所述路面状况数据为基于所述融合数据所得到的，或者，所述路面状况数据为从路网系统中获取的；

从监控系统中获取其他交通参与者的运动轨迹；其中，所述运动轨迹为其他交通参与者在所述待控制车辆的当前位置上的当前轨迹，或者，所述运动轨迹为其他交通参与者在所述待控制车辆的当前位置上的历史轨迹；

基于卷积神经网络模型对所述融合数据、所述路面状况数据以及所述运动轨迹进行处理，得到多个特征图；

基于所述循环神经网络模型对所述多个特征图进行识别，生成驾驶路径。

5.根据权利要求4所述的方法，其特征在于，基于所述循环神经网络模型对所述多个特征图进行识别，生成驾驶路径，包括：

重复以下步骤，直至达到预设条件：

基于所述循环神经网络模型对所述多个特征图进行数据处理，得到前馈分数和所述待控制车辆的运动分析轨迹；

若所述运动分析轨迹表征所述待控制车辆会与其他交通参与者发生碰撞、或者，所述运动分析轨迹表征所述待控制车辆会进入不良路况，则降低所述前馈分数，得到调整后的前馈分数；否则增加所述前馈分数，得到调整后的前馈分数；

根据所述调整后的前馈分数对所述循环神经网络模型中的参数进行调整，基于调整后的循环神经网络模型对所述多个特征图进行识别，得到新的运动分析轨迹；

其中，达到所述预设条件时所得到的运动分析轨迹，为所述驾驶路径。

6.根据权利要求4所述的方法，其特征在于，所述方法还包括：

基于待训练数据对初始模型进行训练，得到所述循环神经网络模型；其中，所述待训练数据为具有实际驾驶路径的车辆的车辆数据。

7.根据权利要求1-6任一项所述的方法，其特征在于，获取待控制车辆的第一车辆信息，包括：

获取所述待控制车辆的第一数据信息，所述第一数据信息包括所述待控制车辆上的各传感器中每一传感器所采集的第一传感器数据、所述待控制车辆的控制器局域网络总线上传输的第一传输数据、以及位于所述待控制车辆上的移动设备所采集的第一移动设备数据；

基于卷积神经网络模型对所述第一数据信息进行处理，得到所述第一数据信息中每一目标的特征图；

基于循环神经网络模型对所述第一数据信息中每一目标的特征图进行回归处理，得到所述第一数据信息中每一目标的相对数据信息；

根据所述待控制车辆的车辆实际数据信息、以及所述第一数据信息中每一目标的相对数据信息，确定所述第一数据信息中每一目标的实际数据信息，以得到所述第一车辆信息。

8.根据权利要求7所述的方法，其特征在于，所述第一车辆信息，包括以下的一种或多种：

所述待控制车辆所处的预设地理范围内的交通灯的信息、所述待控制车辆所处的预设地理范围内的路沿信息、所述待控制车辆所处的预设地理范围内的车道线信息、所述待控制车辆所处的预设地理范围内的目标物体的信息；

其中，所述目标物体的信息包括目标物体的速度、目标物体的方位、目标物体的位置、目标物体的大小。

9.根据权利要求1-6任一项所述的方法，其特征在于，获取与所述待控制车辆相邻的相邻车辆的第二车辆信息，包括：

获取所述相邻车辆的第二数据信息，所述第二数据信息包括所述相邻车辆上的各传感器中每一传感器所采集的第二传感器数据、所述相邻车辆的控制器局域网络总线上传输的第二传输数据、获取位于所述相邻车辆上的移动设备所采集的第二移动设备数据；

基于卷积神经网络模型对所述第二数据信息进行处理，得到所述第二数据信息中每一目标的特征图；

基于循环神经网络模型对所述第二数据信息中每一目标的特征图进行回归处理，得到所述第二数据信息中每一目标的相对数据信息；

根据所述相邻车辆的车辆实际数据信息、以及所述第二数据信息中每一目标的相对数据信息，确定所述第二数据信息中每一目标的实际数据信息，以得到所述第二车辆信息。

10.根据权利要求9所述的方法，其特征在于，所述第二车辆信息，包括以下的一种或多种：

所述相邻车辆所处的预设地理范围内的交通灯的信息、所述相邻车辆所处的预设地理范围内的路沿信息、所述相邻车辆所处的预设地理范围内的车道线信息、所述相邻车辆所处的预设地理范围内的目标物体的信息；

其中，所述目标物体的信息包括目标物体的速度、目标物体的方位、目标物体的位置、目标物体的大小。

11.根据权利要求1-6任一项所述的方法，其特征在于，在所述获取待控制车辆的第一车辆信息之前，还包括：

根据所述待控制车辆的当前位置，确定与所述当前位置相邻的车辆为所述相邻车辆；

或者，根据所述待控制车辆的当前位置，确定与所述当前位置相邻的车辆为待选择车辆，并根据各所述待选择车辆的历史信息，确定历史信息的种类最多的待选择车辆为所述相邻车辆。

12.根据权利要求1-6任一项所述的方法，其特征在于，所述方法，还包括：

基于卷积神经网络模型对所述融合数据进行识别，生成驾驶控制指令，所述驾驶控制指令中包括所述驾驶路径上的每一轨迹点上的控制信号，所述控制信号包括横向行驶信号和纵向行驶信号。

13.一种基于多车辆的自动驾驶控制装置，其特征在于，所述装置包括：

第一获取单元，用于获取待控制车辆的第一车辆信息；

第二获取单元，用于获取与所述待控制车辆相邻的相邻车辆的第二车辆信息；

融合单元，用于对所述第一车辆信息和所述第二车辆信息进行信息融合处理，生成融合数据；

识别单元，用于基于循环神经网络模型对所述融合数据进行识别，生成驾驶路径；

控制单元，用于根据所述驾驶路径控制所述待控制车辆进行自动行驶。

14.一种电子设备，其特征在于，所述电子设备包括：存储器，处理器；

存储器；用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行如权利要求1-12任一项所述的方法。

15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-12任一项所述的方法。

16.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-12中任一项所述的方法。

Images