CN113696895B - 一种通过自学习进行底盘控制的系统和方法 - Google Patents
一种通过自学习进行底盘控制的系统和方法 Download PDFInfo
- Publication number
- CN113696895B CN113696895B CN202110903155.6A CN202110903155A CN113696895B CN 113696895 B CN113696895 B CN 113696895B CN 202110903155 A CN202110903155 A CN 202110903155A CN 113696895 B CN113696895 B CN 113696895B
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- acquisition unit
- road
- self
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 124
- 238000009825 accumulation Methods 0.000 claims abstract description 68
- 230000007613 environmental effect Effects 0.000 claims abstract description 55
- 238000003062 neural network model Methods 0.000 claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 230000000306 recurrent effect Effects 0.000 claims description 8
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 230000005484 gravity Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/30—Conjoint control of vehicle sub-units of different type or different function including control of auxiliary equipment, e.g. air-conditioning compressors or oil pumps
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/403—Image sensing, e.g. optical camera
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/408—Radar; Laser, e.g. lidar
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2710/00—Output or target parameters relating to a particular sub-units
- B60W2710/30—Auxiliary equipments
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Transportation (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种通过自学习进行底盘控制的系统和方法,获取车辆周围的各种环境数据;使用预先构建的自学习神经网络模型对环境数据进行处理,预测积水信息的变化趋势;获取车辆底盘的当前高度;根据积水深度的变化趋势以及底盘的当前高度对底盘的高度进行调整。根据积水深度的预测变化趋势及时调整底盘的高度,避免电池被淹的风险。
Description
技术领域
本发明涉及车辆底盘控制技术领域,尤其涉及一种通过自学习进行底盘控制的系统。
背景技术
暴雨天气,路面的水来不及排除,很容易出现积水情况,降雨量较大,路面的水位增加加快,水位很容易超多底盘的高度,但是车辆不能及时知晓以及及时控制底盘的调整。如果水位超过底盘,会导致电池被淹的风险。如果一味的提升底盘的高度,车辆重心低,影响抓地性能,影响车身稳定性,在转弯的时候容易发生侧翻,高速时会带来危险。
发明内容
基于上述问题,本发明提供一种通过自学习进行底盘控制的系统和方法,目的在于现有技术中无法在暴雨天气及时的对底盘进行调整,导致电池被淹等技术问题。
一种通过自学习进行底盘控制的系统,用于对车辆的底盘进行控制,包括:
第一数据采集装置,用于获取车辆周围的环境数据;
自学习模块,连接第一数据采集装置,用于使用预先构建的自学习神经网络模型对环境数据进行处理,以预测车辆周围的积水深度变化趋势;
第二数据采集装置,用于获取车辆的底盘的当前高度;
调整模块,分别连接自学习模块和第二数据采集装置,用于根据积水深度变化趋势以及底盘的当前高度对底盘的高度进行调整。
进一步的,第一数据采集装置包括:
第一采集单元,设置于车辆的前方,用于采集车辆的前方道路的第一积水数据;
湿度传感器,用于采集车辆的周围的湿度数据;
则环境数据中包括第一积水数据和湿度数据。
进一步的,第一采集单元包括:
第一摄像头,用于采集车辆的前方道路的第一图像数据;和/或
第一雷达,用于采集车辆的前方道路的预定点到第一雷达之间的第一距离数据;
则第一积水数据中包括第一图像数据和/或第一距离数据。
进一步的,第一数据采集装置还包括:
第一处理单元,连接第一采集单元,用于根据第一积水数据处理得到车辆的前方道路的积水深度;
第一判断单元,连接第一处理单元,用于判断前方道路的积水深度是否超过第一阈值;
第一控制单元,分别连接第一判断单元和湿度传感器,用于在前方道路的积水深度超过第一阈值,控制湿度传感器开启。
进一步的,包括:
第一数据采集装置还包括车辆的第二采集单元和第三采集单元,第二采集单元用于采集车辆的左侧道路的第二积水数据,第三采集单元用于采集车辆的右侧道路的第三积水数据;
第二判断单元,连接湿度传感器,用于判断湿度数据是否大于第二阈值;
第二控制单元,分别连接第二判断单元、第二采集单元以及第三采集单元,用于在湿度数据大于第二阈值时,控制开启第二采集单元,和/或控制开启第三采集单元;
环境数据包括第一积水数据、第二积水数据和/或第三积水数据,以及湿度数据。
进一步的,第二采集单元包括:
第二摄像头,用于采集车辆的左侧道路的第二图像数据;和/或
第二雷达,用于采集车辆的左侧道路的预定点到第二雷达之间的第二距离数据;
则第二积水数据包括第二图像数据和/或第二距离数据;
第三采集单元包括:
第三摄像头,用于采集车辆的右侧道路的第三图像数据;和/或
第三雷达,用于采集车辆的右侧道路的预定点到第三雷达之间的第三距离数据;
则第三积水数据包括第三图像数据和/或第三距离数据。
进一步的,第一数据采集装置包括包含第二摄像头的第二采集单元、包含第三摄像头的第三采集单元,第一数据采集装置还包括:
第四采集单元,设置于车辆的后方,用于采集车辆的后放道路的第四积水数据;
第二处理单元,分别连接第二采集单元和第三采集单元,用于对第二图像数据和第三图像数据进行图像分割处理;
第三判断单元,连接第二处理单元,用于根据处理后的第二图像数据和第三图像数据判断车辆右侧和/或左侧是否存在障碍物;
第三控制单元,分别连接第三判断单元和第四采集单元,用于当车辆右侧和/或左侧存在障碍物时,控制第四采集单元开启;
环境数据包括第一积水数据、第二积水数据、第三积水数据、第四积水数据以及湿度数据。
进一步的,第四采集单元包括:
第四摄像头,用于采集车辆的后方道路的第四图像数据;和/或
第四雷达,用于采集车辆的后方道路的预定点到第四雷达之间的第四距离数据;
则第四积水数据包括第四图像数据和/或第四距离数据。
进一步的,第一数据采集装置还包括:
温度传感器,用于采集车辆外部环境的温度数据;
则环境数据还包括温度数据。
进一步的,第一数据采集装置还包括:
光强传感器,用于感测车辆外侧的光线强度数据;
则环境数据还包括光线强度数据。
进一步的,自学习神经网络模型包括反向传播神经网络或者循环神经网络。
一种通过自学习进行底盘控制的方法,用于对车辆的底盘进行控制,其特征在于,包含如前述的一种通过自学习进行底盘控制的系统,包括如下步骤:
步骤A1,第一数据采集装置获取车辆周围的环境数据;
步骤A2,自学习模块使用预先构建的自学习神经网络模型对环境数据进行处理,以预测车辆周围的积水深度变化趋势;
步骤A3,第二数据采集装置获取车辆的底盘的当前高度;
步骤A4,调整模块根据积水深度变化趋势以及底盘的当前高度对底盘的高度进行调整。
进一步的,环境数据包括:
第一采集单元采集的车辆的前方道路的第一积水数据;
湿度传感器采集的车辆的周围的湿度数据。
进一步的,第一采集单元包括第一摄像头和第一雷达,第一积水数据包括:
第一摄像头采集的车辆的前方道路的第一图像数据;和/或
第一雷达采集的车辆的前方道路的预定点到第一雷达之间的第一距离数据。
进一步的,步骤A1包括:
步骤B1,预先采集第一积水数据;
步骤B2,根据第一积水数据处理得到车辆的前方道路的积水深度;
步骤B3,判断前方道路的积水深度是否超过第一阈值:
若否,则返回步骤B1;
若是,则继续步骤B4;
步骤B4,在车辆的前方道路的积水深度超过第一阈值时,控制湿度传感器开启。
进一步的,第一数据采集装置还包括车辆的第二采集单元和第三采集单元,第二采集单元用于采集车辆的左侧道路的第二积水数据,第三采集单元用于采集车辆的右侧道路的第三积水数据,步骤A1还包括:
步骤B5,判断湿度数据是否大于第二阈值:
若是,则继续步骤B6;
若否,则直接继续步骤A2;
步骤B6,控制开启第二采集单元,和/或控制开启第三采集单元;
执行步骤B6之后的步骤A2中,环境数据包括第一积水数据、第二积水数据和/或第三积水数据、以及湿度数据。
进一步的,第二采集单元包括第二摄像头和/或第二雷达,第三采集单元包括第三摄像头和/或第三雷达;第二积水数据包括:
第二摄像头采集的车辆的左侧道路的第二图像数据;和/或
第二雷达采集的车辆的左侧道路的预定点到第二雷达之间的第二距离数据;
第三积水数据包括:
第三摄像头采集的车辆的右侧道路的第三图像数据;和/或
第三雷达采集的车辆的右侧道路的预定点到第三雷达之间的第三距离数据;
进一步的,第二采集单元包括第二摄像头,第三采集单元包括第三摄像头;
在步骤B6中,同时控制第二采集单元和第三采集单元开启,并获取第二图像数据和第三图像数据,并执行如下步骤;
步骤C1,对第二图像数据和第三图像数据分别进行图像分割处理;
步骤C2,根据处理后的第二图像数据和第三图像判断车辆的右侧和/或左侧是否存在障碍物:
若是,则继续执行步骤B7;
若否,直接执行步骤A2;
步骤B7,控制第四采集单元开启以进行车辆的后方道路的第四积水数据的采集;
执行步骤B7之后执行的步骤A2中,环境数据包括第一积水数据、第二积水数据、第三积水数据、第四积水数据以及湿度数据。
进一步的,第四采集单元包括第四摄像头和第四雷达,第四积水数据包括:
第四摄像头采集的车辆的后方道路的第四图像数据;和/或
第四雷达采集的车辆的后方道路的预定点到第四雷达之间的第四距离数据。
进一步的,环境数据还包括:
采用一设置于所述车辆上的温度传感器采集得到的车辆外部环境的温度数据。
进一步的,环境数据还包括:
采用一设置于所述车辆上的光强传感器感测得到的车辆外侧的光线强度数据。
进一步的,自学习神经网络模型包括反向传播神经网络或者循环神经网络。
本发明的有益技术效果是:本发明通过暴雨天气,获取车辆的环境数据,通过自学习模型预测将来道路积水深度的变化趋势,根据积水深度的预测变化趋势及时调整底盘的高度,避免电池被淹的风险。
附图说明
图1为本发明一种通过自学习进行底盘控制的系统的模块示意图;
图2为本发明一种通过自学习进行底盘控制的系统第一数据采集装置的模块示意图;
图3为本发明一种通过自学习进行底盘控制的系统第一数据采集装置另一优选实施例的模块示意图;
图4为本发明一种通过自学习进行底盘控制的系统第一数据采集装置另一优选实施例的模块示意图;
图5为本发明一种通过自学习进行底盘控制的方法的步骤流程图;
图6为本发明一种通过自学习进行底盘控制的方法另一优选实施例的步骤流程图;
图7为本发明一种通过自学习进行底盘控制的方法另一优选实施例的步骤流程图;
图8为本发明一种通过自学习进行底盘控制的方法另一优选实施例的步骤流程图。
具体实施方式
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作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
参见图1,本发明提供一种通过自学习进行底盘控制的系统,系统用于对车辆的底盘进行控制,包括:
第一数据采集装置(1),用于获取车辆周围的环境数据;
自学习模块(2),连接第一数据采集装置(1),用于使用预先构建的自学习神经网络模型对环境数据进行处理,以预测车辆周围的积水深度变化趋势;
第二数据采集装置(3),用于获取车辆的底盘的当前高度;
调整模块(4),分别连接自学习模块(2)和第二数据采集装置(1),用于根据积水深度变化趋势以及底盘的当前高度对底盘的高度进行调整。
环境数据包括但不限于:车辆前方道路的积水情况,环境的湿度信息,车辆左侧道路的积水情况,车辆右侧的积水情况,车辆后方的积水情况,车辆周围的阳光光线强度数据,环境温度数据中的一种或者多种。
具体的,可以通过摄像头采集的图像来获取道路的积水情况。优选的,摄像头可以是3D相机,又称之为深度相机,检测出拍摄空间的距离信息,深度相机的原理有三种,采用特定波长的不可见激光作为光源,它发射出来的光带有编码信息,投射在物体上,一种是通过一定算法来计算返回的编码图案的畸变来得到物体的位置和深度信息。另一种是利用测量光飞行时间来取得距离,简单来说就是,发出一道经过处理的光,碰到物体以后会反射回来,捕捉来回的时间,因为已知光速和调制光的波长,所以能快速准确计算出到物体的距离。第三种是基于视差原理并利用成像设备从不同的位置获取被测物体的两幅图像,通过计算图像对应点间的位置偏差,来获取物体三维信息。通常是根据获取不具备积水情况和具备积水情况来获取水位的测量。在本发明中,建立的自学习神经网络模型对环境数据进行自适应学习和处理,进行自适应的模型参数的实时调整,来获取和预测积水信息,并根据当前的环境数据预测积水信息的变化趋势。进一步的,可以根据当前时刻和之前的一段时间内的环境数据进行自适应参数调整,预测积水信息的趋势。
关于本发明的自学习神经网络模型构建,包括如下步骤:构建自学习神经网络模型,获取关于暴雨天气大量的训练数据,训练数据包括车辆周围的环境数据,也包括车自身的数据,例如车辆的高度,车辆上第一数据采集装置的位置等数据,将训练数据输入自学习神经网络模型进行训练,自学习神经网络模型例如包括反向传播神经网络或者循环神经网络。反向传播神经网络即BP(Back Propagation)神经网络。训练获得初始自学习神经网络模型。在暴雨天气,车辆采集环境数据,将预先训练好的自学习神经网络模型对环境数据进行处理获得积水信息,将自学习神经网络模的输出以及获取的环境数据输入自学习神经网络模型对自学习神经网络模型进行再训练,自适应学习,调整自学习神经网络模型的参数,参数调整后的自学习神经网络模型用于后续的环境数据的处理。
如果预测到下一时刻的积水深度将超过当前的底盘高度,及时将底盘提升一定的高度。具体的,底盘提升后的高度要大于预测的下一时刻的积水深度一个预设高度。还可以根据积水深度的预测增长趋势的陡缓情况,对预设高度进行实时调整,如果积水深度的预测增长趋势陡,即增长速度较快,则将预设高度调大,如果积水深度的预测增长趋势较为平缓或者稳定,则可以将预设高度调小。
道路的积水数据还可以根据雷达进行测量,主要测量原理是从雷达水位传感天线发射雷达脉冲,天线接收从水面反射回来的脉冲,并记录时间T,由于电磁波的传播速度C是个常数,从而得出到水面的距离D。再根据无水面时的距离,获取积水深度。本发明建立的自学习神经网络模型,可以根据雷达测量到的距离数据、摄像头测得的路面图像数据一种或结合进行自适应学习,模型参数自适应调整,根据不同道路环境获取更为准确的积水深度,并结合预定时间段的历史数据预测积水深度随着时间的变化趋势。
进一步的,优选的,第一数据采集装置(1)包括:
第一采集单元(101),设置于车辆前方,用于采集车辆的前方道路的第一积水数据;
湿度传感器(102),用于采集车辆的周围的湿度数据;
则环境数据中包括第一积水数据和湿度数据。
进一步的,第一采集单元(101)包括:
第一摄像头,用于采集车辆的前方道路的第一图像数据;和/或
第一雷达,用于采集车辆的前方道路的预定点到第一雷达之间的第一距离数据;
则第一积水数据中包括第一图像数据和/或第一距离数据。
综合图像数据和雷达数据进行积水深度计算和预测,使得预测更加准确。
参见图2,进一步的,还包括:
第一处理单元(103),连接第一采集单元(101),用于根据第一积水数据处理得到车辆的前方道路的积水深度;
第一判断单元(104),连接第一处理单元(103),用于判断前方道路的积水深度是否超过第一阈值;
第一控制单元(105),分别连接第一判断单元(104)和湿度传感器(102),用于在前方道路的积水深度超过第一阈值,控制湿度传感器开启。
环境数据包括第一积水数据和湿度数据;
例如调整模块(4)包括:
第一判断单元(401),用于根据积水深度的变化趋势判断下一时刻的积水深度是否大于底盘的当前高度;
第一控制单元(402),连接第一判断单元(401),用于当下一时刻的积水深度大于底盘的当前高度时,提升底盘的高度。
具体的,如果将来实际的积水深度已经降低,并且底盘高度和积水深度之差大于一预设高度差值,并且积水深度的变化趋势也呈现下降趋势,则第一控制单元(402)可以控制将底盘的高度降低,从而降低车辆的重心,提高抓地性能,保证车身稳定性。
首先开启第一摄像头采集前方道路的当前的积水深度,超过一定数值时,开启湿度传感器检测湿度,这样可以节约计算资源,节省计算量和计算时间,提高计算效率。
参见图3,进一步的,优选的,包括:
第一数据采集装置(1)还包括车辆的第二采集单元(105)和/或第三采集单元(106);第二采集单元(105)用于采集车辆的左侧道路的第二积水数据,第三采集单元(106)用于采集车辆的右侧道路的第三积水数据;
第二判断单元(107),连接湿度传感器(102),用于判断湿度数据是否大于第二阈值;
第二控制单元(108),分别连接第二判断单元(107)、第二采集单元(105)和/或第三采集单元(106),用于在湿度数据大于第二阈值时,控制第二采集单元(105)开启以采集车辆左侧道路的第二积水数据,和/或控制开启第三采集单元(106)以采集车辆右侧道路的第三积水数据;
环境数据包括第一积水数据、第二积水数据和/或第三积水数据,以及湿度数据。自学习模块(2)还用于对第一积水数据、第二积水数据和/或第三积水数据,以及湿度数据进行处理,预测积水深度的变化趋势。
湿度传感器采集的湿度数据过大,说明降雨强度很大,这样水位增长会很快,启动车辆两侧的采集单元获取数据进行积水预测,更加可靠。
当然,作为另外一种实施例,可以直接在前方道路的前积水深度是否超过第一阈值时,控制第二采集单元(105)开启以采集车辆左侧道路的第二积水数据,和/或控制开启第三采集单元(106)以采集车辆右侧道路的第三积水数据。
进一步的,第二采集单元(106)包括:
第二摄像头,用于采集车辆的左侧道路的第二图像数据;和/或
第二雷达,用于采集车辆的左侧道路的预定点到第二雷达之间的第二距离数据;
则第二积水数据包括第二图像数据和/或第二距离数据。
进一步的,第三采集单元(106)包括:
第三摄像头,用于采集车辆的右侧道路的第三图像数据;和/或
第三雷达,用于采集车辆的右侧道路的预定点到第三雷达之间的第三距离数据;
则第三积水数据包括第三图像数据和/或第三距离数据。
参见图4,进一步的,优选的,包括:
第一数据采集装置(1)包括包含第二摄像头的第二采集单元(105)、包含第三摄像头的第三采集单元(106)和第四采集单元(109);
第二处理单元(110),分别连接第二采集单元(105)和第三采集单元(106),用于对第二图像数据和第三图像数据进行图像分割处理;
第三判断单元(111),连接第二处理单元(110),用于根据处理后的第二图像数据和第三图像数据判断车辆右侧和/或左侧是否存在障碍物;
第三控制单元(112),分别连接第三判断单元(111)和第四采集单元(109),用于当车辆右侧和/或左侧存在障碍物时,控制第四采集单元(109)开启以进行车辆后方道路的第四积水数据的采集;
环境数据包括第一积水数据、第二积水数据、第三积水数据、第四积水数据以及湿度数据,自学习模块(2),用于对第一积水数据、第二积水数据、第三积水数据、第四积水数据以及湿度数据进行处理,预测积水深度变化趋势。
障碍物例如是侧方的建筑物等。则增加另一方的测量数据,增加预测的可靠性。
进一步的,第四采集单元(109)包括:
第四摄像头,用于采集车辆后方道路的第四图像数据;和/或
第四雷达,用于采集车辆后方道路的预定点到第四雷达之间的第四距离数据;
则第四积水数据包括第四图像数据和/或第四距离数据。
进一步的,第一数据采集装置(1)还包括:
温度传感器(114),用于采集车辆外部环境的温度数据。
则环境数据还包括温度数据。
进一步的,第一数据采集装置(1)还包括:
光强传感器(115),用于感测车辆外侧的光线强度数据。
则环境数据还包括光线强度数据。
通过温度传感器及光强传感器等环境因素,输入神经网络模型进行预测计算水位的大小,增加预测的可靠性。
具体的,可以将车辆前、后、左、右的道路积水数据均输入自学习模块来预测积水深度的变化趋势,还可以加入温度、光线强度等数据,使得预测更加可靠。
进一步的,自学习神经网络模型包括反向传播神经网络或者循环神经网络。反向传播神经网络即BP(Back Propagation)神经网络。循环神经网络即RNN(Recurrent NeuralNetwork)神经网络。
参见图5,本发明提供一种通过自学习进行底盘控制的方法,用于对车辆的底盘进行控制,包含前述的一种通过自学习进行底盘控制的系统,包括如下步骤:
步骤A1,第一数据采集装置获取车辆周围的环境数据;
步骤A2,自学习模块使用预先构建的自学习神经网络模型对环境数据进行处理,以预测车辆周围的积水深度变化趋势;
步骤A3,第二数据采集装置获取车辆的底盘的当前高度;
步骤A4,调整模块根据积水深度变化趋势以及底盘的当前高度对底盘的高度进行调整。
进一步的,环境数据包括:
第一采集单元采集的车辆的前方道路的第一积水数据;
湿度传感器采集的车辆的周围的湿度数据。
进一步的,第一采集单元包括第一摄像头和第一雷达,第一积水数据包括:
第一摄像头采集的车辆的前方道路的第一图像数据;和/或
第一雷达采集的车辆的前方道路的预定点到第一雷达之间的第一距离数据。
参见图6,进一步的,步骤A1包括:
步骤B1,预先采集第一积水数据;
步骤B2,根据第一积水数据处理得到车辆的前方道路的积水深度;
步骤B3,判断前方道路的积水深度是否超过第一阈值:
若否,则返回步骤B1;
若是,则继续步骤B4;
步骤B4,在前方道路的积水深度超过第一阈值时,控制湿度传感器开启。
参见图7,进一步的,第一数据采集装置还包括车辆的第二采集单元和第三采集单元,第二采集单元用于采集车辆的左侧道路的第二积水数据,第三采集单元用于采集车辆的右侧道路的第三积水数据,步骤A1还包括:
步骤B5,判断湿度数据是否大于第二阈值:
若是,则继续步骤B6;
若否,则直接继续步骤A2;
步骤B6,控制开启第二采集单元,和/或控制开启第三采集单元;
执行步骤B6之后的步骤A2中,环境数据包括第一积水数据、第二积水数据和/或第三积水数据、以及湿度数据。
进一步的,第二采集单元包括第二摄像头和/或第二雷达,第三采集单元包括第三摄像头和/或第三雷达;第二积水数据包括:
第二摄像头采集的车辆的左侧道路的第二图像数据;和/或
第二雷达采集的车辆的左侧道路的预定点到第二雷达之间的第二距离数据;
第三积水数据包括:
第三摄像头采集的车辆的右侧道路的第三图像数据;和/或
第三雷达采集的车辆的右侧道路的预定点到第三雷达之间的第三距离数据;
参见图8,进一步的,第二采集单元包括第二摄像头,第三采集单元包括第三摄像头;
在步骤B6中,同时控制第二采集单元和第三集单元开启,并获取第二图像数据和第三图像数据,并执行如下步骤;
步骤C1,对第二图像数据和第三图像数据分别进行图像分割处理;
步骤C2,根据处理后的第二图像数据和第三图像判断车辆的右侧和/或左侧是否存在障碍物:
若是,则继续执行步骤B7;
若否,直接执行步骤A2;
步骤B7,控制第四采集单元开启以进行车辆的后方道路的第四积水数据的采集;
执行步骤B7之后执行的步骤A2中,环境数据包括第一积水数据、第二积水数据、第三积水数据、第四积水数据以及湿度数据。
进一步的,第四采集单元包括第四摄像头和第四雷达,第四积水数据包括:
第四摄像头采集的车辆的后方道路的第四图像数据;和/或
第四雷达采集的车辆的后方道路的预定点到第四雷达之间的第四距离数据。
进一步的,环境数据还包括:
采用一设置于所述车辆上的温度传感器采集得到的车辆外部环境的温度数据。
进一步的,环境数据还包括:
采用一设置于所述车辆上的光强传感器感测得到的车辆外侧的光线强度数据。
进一步的,自学习神经网络模型包括反向传播神经网络或者循环神经网络。
以上仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (19)
1.一种通过自学习进行底盘控制的系统,用于对车辆的底盘进行控制,其特征在于,包括:
第一数据采集装置,用于获取车辆周围的环境数据;
自学习模块,连接所述第一数据采集装置,用于使用预先构建的自学习神经网络模型对所述环境数据进行处理,以预测车辆周围的积水深度变化趋势;
第二数据采集装置,用于获取所述车辆的底盘的当前高度;
调整模块,分别连接所述自学习模块和所述第二数据采集装置,用于根据所述积水深度变化趋势以及所述底盘的当前高度对所述底盘的高度进行调整;
所述第一数据采集装置包括:
第一采集单元,设置于所述车辆的前方,用于采集所述车辆的前方道路的第一积水数据;
湿度传感器,用于采集所述车辆的周围的湿度数据;
则所述环境数据中包括所述第一积水数据和所述湿度数据;
所述第一数据采集装置还包括:
第一处理单元,连接所述第一采集单元,用于根据所述第一积水数据处理得到所述车辆的前方道路的积水深度;
第一判断单元,连接所述第一处理单元,用于判断前方道路的积水深度是否超过第一阈值;
第一控制单元,分别连接所述第一判断单元和所述湿度传感器,用于在前方道路的积水深度超过所述第一阈值,控制所述湿度传感器开启;
所述第一数据采集装置还包括车辆的第二采集单元和第三采集单元,所述第二采集单元用于采集车辆的左侧道路的第二积水数据,所述第三采集单元用于采集车辆的右侧道路的第三积水数据;
第二判断单元,连接所述湿度传感器,用于判断所述湿度数据是否大于第二阈值;
第二控制单元,分别连接所述第二判断单元、所述第二采集单元以及所述第三采集单元,用于在所述湿度数据大于所述第二阈值时,控制开启所述第二采集单元,和/或控制开启所述第三采集单元;
所述环境数据包括第一积水数据、第二积水数据和/或第三积水数据,以及所述湿度数据。
2. 如权利要求1所述的一种通过自学习进行底盘控制的系统,其特征在于,所述第一采集单元包括:
第一摄像头,用于采集所述车辆的前方道路的第一图像数据;和/或
第一雷达,用于采集所述车辆的前方道路的预定点到所述第一雷达之间的第一距离数据;
则所述第一积水数据中包括所述第一图像数据和/或所述第一距离数据。
3. 如权利要求1所述的一种通过自学习进行底盘控制的系统,其特征在于,所述第二采集单元包括:
第二摄像头,用于采集所述车辆的左侧道路的第二图像数据;和/或
第二雷达,用于采集车辆的左侧道路的预定点到所述第二雷达之间的第二距离数据;
则所述第二积水数据包括所述第二图像数据和/或所述第二距离数据;
所述第三采集单元包括:
第三摄像头,用于采集所述车辆的右侧道路的第三图像数据;和/或
第三雷达,用于采集所述车辆的右侧道路的预定点到所述第三雷达之间的第三距离数据;
则所述第三积水数据包括所述第三图像数据和/或所述第三距离数据。
4.如权利要求3所述的一种通过自学习进行底盘控制的系统,其特征在于,第一数据采集装置包括包含所述第二摄像头的第二采集单元、包含所述第三摄像头的第三采集单元,所述第一数据采集装置还包括:
第四采集单元,设置于所述车辆的后方,用于采集所述车辆的后方道路的第四积水数据;
第二处理单元,分别连接所述第二采集单元和所述第三采集单元,用于对所述第二图像数据和所述第三图像数据进行图像分割处理;
第三判断单元,连接所述第二处理单元,用于根据处理后的所述第二图像数据和所述第三图像数据判断所述车辆右侧和/或左侧是否存在障碍物;
第三控制单元,分别连接所述第三判断单元和所述第四采集单元,用于当所述车辆右侧和/或左侧存在所述障碍物时,控制所述第四采集单元开启;
所述环境数据包括第一积水数据、所述第二积水数据、所述第三积水数据、所述第四积水数据以及所述湿度数据。
5. 如权利要求4所述的一种通过自学习进行底盘控制的系统,其特征在于,所述第四采集单元包括:
第四摄像头,用于采集所述车辆的后方道路的第四图像数据;和/或
第四雷达,用于采集所述车辆的后方道路的预定点到所述第四雷达之间的第四距离数据;
则所述第四积水数据包括所述第四图像数据和/或所述第四距离数据。
6.如权利要求1所述的一种通过自学习进行底盘控制的系统,其特征在于,所述第一数据采集装置还包括:
温度传感器,用于采集车辆外部环境的温度数据;
则所述环境数据还包括所述温度数据。
7.如权利要求1所述的一种通过自学习进行底盘控制的系统,其特征在于,所述第一数据采集装置还包括:
光强传感器,用于感测车辆外侧的光线强度数据;
则所述环境数据还包括所述光线强度数据。
8.如权利要求1所述的通过自学习进行底盘控制的系统,其特征在于,所述自学习神经网络模型包括反向传播神经网络或者循环神经网络。
9.一种通过自学习进行底盘控制的方法,用于对车辆的底盘进行控制,其特征在于,包含如权利要求1-8任意一项所述的一种通过自学习进行底盘控制的系统,包括如下步骤:
步骤A1,第一数据采集装置获取车辆周围的环境数据;
步骤A2,自学习模块使用预先构建的自学习神经网络模型对所述环境数据进行处理,以预测车辆周围的积水深度变化趋势;
步骤A3,第二数据采集装置获取所述车辆的底盘的当前高度;
步骤A4,调整模块根据所述积水深度变化趋势以及所述底盘的当前高度对所述底盘的高度进行调整。
10.如权利要求9所述的一种通过自学习进行底盘控制的方法,其特征在于,所述环境数据包括:
第一采集单元采集的所述车辆的前方道路的第一积水数据;
湿度传感器采集的所述车辆的周围的湿度数据。
11. 如权利要求10所述的一种通过自学习进行底盘控制的方法,其特征在于,所述第一采集单元包括第一摄像头和第一雷达,所述第一积水数据包括:
所述第一摄像头采集的所述车辆的前方道路的第一图像数据;和/或
所述第一雷达采集的所述车辆的前方道路的预定点到所述第一雷达之间的第一距离数据。
12.如权利要求10所述的一种通过自学习进行底盘控制的方法,其特征在于,所述步骤A1包括:
步骤B1,预先采集所述第一积水数据;
步骤B2,根据所述第一积水数据处理得到所述车辆的前方道路的积水深度;
步骤B3,判断前方道路的积水深度是否超过第一阈值:
若否,则返回所述步骤B1;
若是,则继续步骤B4;
步骤B4,在车辆的前方道路积水深度超过所述第一阈值时,控制所述湿度传感器开启。
13.如权利要求12所述的一种通过自学习进行底盘控制的方法,其特征在于,所述第一数据采集装置还包括车辆的第二采集单元和第三采集单元,所述第二采集单元用于采集车辆的左侧道路的第二积水数据,所述第三采集单元用于采集车辆的右侧道路的第三积水数据,所述步骤A1还包括:
步骤B5,判断所述湿度数据是否大于第二阈值:
若是,则继续步骤B6;
若否,则直接继续所述步骤A2;
步骤B6,控制开启所述第二采集单元,和/或控制开启所述第三采集单元;
执行所述步骤B6之后的步骤A2中,所述环境数据包括第一积水数据、第二积水数据和/或第三积水数据、以及所述湿度数据。
14. 如权利要求13所述的一种通过自学习进行底盘控制的方法,其特征在于,所述第二采集单元包括第二摄像头和/或第二雷达,所述第三采集单元包括第三摄像头和/或第三雷达;所述第二积水数据包括:
所述第二摄像头采集的所述车辆的左侧道路的第二图像数据;和/或
所述第二雷达采集的车辆的左侧道路的预定点到所述第二雷达之间的第二距离数据;
所述第三积水数据包括:
第三摄像头采集的所述车辆的右侧道路的第三图像数据;和/或
第三雷达采集的所述车辆的右侧道路的预定点到所述第三雷达之间的第三距离数据。
15.如权利要求14所述的一种通过自学习进行底盘控制的方法,其特征在于,所述第二采集单元包括所述第二摄像头,所述第三采集单元包括所述第三摄像头;
在所述步骤B6中,同时控制所述第二采集单元和所述第三采集单元开启,并获取所述第二图像数据和所述第三图像数据,并执行如下步骤;
步骤C1,对所述第二图像数据和所述第三图像数据分别进行图像分割处理;
步骤C2,根据处理后的所述第二图像数据和所述第三图像判断所述车辆的右侧和/或左侧是否存在障碍物:
若是,则继续执行步骤B7;
若否,直接执行所述步骤A2;
所述步骤B7,控制第四采集单元开启以进行所述车辆的后方道路的第四积水数据的采集;
执行所述步骤B7之后执行的所述步骤A2中,所述环境数据包括所述第一积水数据、所述第二积水数据、所述第三积水数据、所述第四积水数据以及所述湿度数据。
16. 如权利要求15所述的一种通过自学习进行底盘控制的方法,其特征在于,所述第四采集单元包括第四摄像头和第四雷达,所述第四积水数据包括:
第四摄像头采集的所述车辆的后方道路的第四图像数据;和/或
第四雷达采集的所述车辆的后方道路的预定点到所述第四雷达之间的第四距离数据。
17.如权利要求9所述的一种通过自学习进行底盘控制的方法,其特征在于,所述环境数据还包括:
采用一设置于所述车辆上的温度传感器采集得到的车辆外部环境的温度数据。
18.如权利要求9所述的一种通过自学习进行底盘控制的方法,其特征在于,所述环境数据还包括:
采用一设置于所述车辆上的光强传感器感测得到的车辆外侧的光线强度数据。
19.如权利要求9所述的通过自学习进行底盘控制的方法,其特征在于,所述自学习神经网络模型包括反向传播神经网络或者循环神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110903155.6A CN113696895B (zh) | 2021-08-06 | 2021-08-06 | 一种通过自学习进行底盘控制的系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110903155.6A CN113696895B (zh) | 2021-08-06 | 2021-08-06 | 一种通过自学习进行底盘控制的系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113696895A CN113696895A (zh) | 2021-11-26 |
CN113696895B true CN113696895B (zh) | 2023-08-22 |
Family
ID=78651870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110903155.6A Active CN113696895B (zh) | 2021-08-06 | 2021-08-06 | 一种通过自学习进行底盘控制的系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113696895B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345815A (zh) * | 2013-06-08 | 2013-10-09 | 清华大学 | 城市暴雨洪水监测与交通控导系统及方法 |
CN103534560A (zh) * | 2011-03-15 | 2014-01-22 | 捷豹路虎有限公司 | 涉水车辆控制系统 |
EP2698299A1 (en) * | 2012-08-13 | 2014-02-19 | Nissan Motor Manufacturing (UK) Ltd. | Water depth detection for a road vehicle |
CN106800003A (zh) * | 2016-12-28 | 2017-06-06 | 智车优行科技(北京)有限公司 | 道路积水检测方法和系统、车辆 |
CN108248540A (zh) * | 2016-12-29 | 2018-07-06 | 长城汽车股份有限公司 | 车辆涉水的报警装置、方法及车辆 |
CN111231666A (zh) * | 2018-03-19 | 2020-06-05 | 陈城 | 一种基于机器学习的具有汽车涉水预警及救险功能的系统 |
CN111815983A (zh) * | 2020-06-13 | 2020-10-23 | 王亚鹏 | 一种基于物联网的行车涉水预警方法及系统、车辆 |
CN112419689A (zh) * | 2020-11-10 | 2021-02-26 | 深圳市有方科技股份有限公司 | 车载终端、水深探测预警系统和水深探测预警方法 |
-
2021
- 2021-08-06 CN CN202110903155.6A patent/CN113696895B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103534560A (zh) * | 2011-03-15 | 2014-01-22 | 捷豹路虎有限公司 | 涉水车辆控制系统 |
EP2698299A1 (en) * | 2012-08-13 | 2014-02-19 | Nissan Motor Manufacturing (UK) Ltd. | Water depth detection for a road vehicle |
CN103345815A (zh) * | 2013-06-08 | 2013-10-09 | 清华大学 | 城市暴雨洪水监测与交通控导系统及方法 |
CN106800003A (zh) * | 2016-12-28 | 2017-06-06 | 智车优行科技(北京)有限公司 | 道路积水检测方法和系统、车辆 |
CN108248540A (zh) * | 2016-12-29 | 2018-07-06 | 长城汽车股份有限公司 | 车辆涉水的报警装置、方法及车辆 |
CN111231666A (zh) * | 2018-03-19 | 2020-06-05 | 陈城 | 一种基于机器学习的具有汽车涉水预警及救险功能的系统 |
CN111815983A (zh) * | 2020-06-13 | 2020-10-23 | 王亚鹏 | 一种基于物联网的行车涉水预警方法及系统、车辆 |
CN112419689A (zh) * | 2020-11-10 | 2021-02-26 | 深圳市有方科技股份有限公司 | 车载终端、水深探测预警系统和水深探测预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113696895A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108028023B (zh) | 信息处理装置、信息处理方法和计算机可读存储介质 | |
CN107202983B (zh) | 基于图像识别和毫米波雷达融合的自动刹车方法和系统 | |
CN108270970B (zh) | 一种图像采集控制方法及装置、图像采集系统 | |
JP6298128B2 (ja) | 3dセンサにより検出されたオブジェクトの分類 | |
AU2011232739B2 (en) | System and method for governing a speed of an autonomous vehicle | |
CN112149550B (zh) | 一种基于多传感器融合的自动驾驶车辆3d目标检测方法 | |
CN110674705B (zh) | 基于多线激光雷达的小型障碍物检测方法及装置 | |
CN111201448B (zh) | 用于产生反演传感器模型的方法和设备以及用于识别障碍物的方法 | |
CN109634282A (zh) | 自动驾驶车辆、方法和装置 | |
CN112799098B (zh) | 雷达盲区监测方法、装置、电子设备和存储介质 | |
US12015757B2 (en) | Obstacle detection method and apparatus and unmanned aerial vehicle | |
US10780883B2 (en) | Precipitation detection | |
CN109213138B (zh) | 一种避障方法、装置及系统 | |
CN112101316B (zh) | 一种目标检测方法及系统 | |
CN109835441A (zh) | 水质监测智能小船的自动驾驶方法及其系统 | |
CN111913177A (zh) | 对目标物探测方法、装置以及存储介质 | |
CN111739099B (zh) | 预防跌落方法、装置及电子设备 | |
KR20220055555A (ko) | 항만 및 선박 모니터링 방법 및 장치 | |
GB2599939A (en) | Method of updating the existance probability of a track in fusion based on sensor perceived areas | |
CN113696895B (zh) | 一种通过自学习进行底盘控制的系统和方法 | |
CN112560736A (zh) | 一种基于卷积神经网络的任意角度激光门检测方法以及储存介质 | |
CN115373402A (zh) | 一种装载机行驶控制方法、装置、设备及存储介质 | |
CN115991195A (zh) | 自动驾驶中车轮打滑的自动检测及补偿方法、装置及系统 | |
CN114425774B (zh) | 机器人行走道路的识别方法、识别设备以及存储介质 | |
CN115359332A (zh) | 基于车路协同的数据融合方法、装置、电子设备及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PP01 | Preservation of patent right | ||
PP01 | Preservation of patent right |
Effective date of registration: 20240222 Granted publication date: 20230822 |