CN113778085A - 基于人工智能的无人车控制方法、系统及可读存储介质 - Google Patents
基于人工智能的无人车控制方法、系统及可读存储介质 Download PDFInfo
- Publication number
- CN113778085A CN113778085A CN202111006992.5A CN202111006992A CN113778085A CN 113778085 A CN113778085 A CN 113778085A CN 202111006992 A CN202111006992 A CN 202111006992A CN 113778085 A CN113778085 A CN 113778085A
- Authority
- CN
- China
- Prior art keywords
- unmanned vehicle
- information
- artificial intelligence
- driving
- preset
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 70
- 230000006870 function Effects 0.000 claims description 27
- 230000004888 barrier function Effects 0.000 claims description 14
- 230000003068 static effect Effects 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 9
- 238000012937 correction Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012795 verification 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
- G05D1/0242—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using non-visible light signals, e.g. IR or UV signals
-
- 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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- 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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- 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
- G05D1/0253—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 extracting relative motion information from a plurality of images taken successively, e.g. visual odometry, optical flow
-
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Electromagnetism (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于人工智能的无人车控制方法、系统及可读存储介质,该方法包括:当检测到对无人车的启动指令时,获取无人车当前所在的起始地址,并基于起始地址和启动指令中携带的目标地址,规划所述无人车的行驶路径;基于行驶路径,控制无人车行驶,并基于无人车上的检测装置检测行驶路径上的路况信息;调用预设人工智能模型对路况信息进行分析,生成无人车的行驶调整信息,并基于行驶调整信息控制无人车行驶,以调整无人车的行驶状态;当监控到无人车行驶至目标地址时,查找目标地址对应的目标停车场,并控制无人车行驶至目标停车场进行停车操作。本发明无人车行驶的控制充分考量了复杂道路交通环境的各项因素,确保了行驶的安全性。
Description
技术领域
本发明涉及互联网技术领域,尤其涉及一种基于人工智能的无人车控制方法、系统及可读存储介质。
背景技术
随着人民生活水平的提供,车辆已然成了人民生活中必不可少的出行工具。并且,在科技的发展推动下,无人驾驶的无人车也逐步兴起,由传统的人工驾驶车辆逐步发到自动驾驶的智能化无人车。
当前,智能化无人车虽然可以自动启动并在道路行驶,但行驶的道路通常为车少人少的开阔道路,而难以应付更为复杂的道路交通环境,影响了无人车的快速推广。因此,如何实现无人车在复杂道路交通环境的安全行驶,是当前亟待解决的技术问题。
发明内容
本发明的主要目的在于提供一种基于人工智能的无人车控制方法、系统及可读存储介质,旨在解决现有技术中如何实现无人车在复杂道路交通环境的安全行驶的技术问题。
为实现上述目的,本发明提供一种基于人工智能的无人车控制方法,所述基于人工智能的无人车控制方法包括:
当检测到对无人车的启动指令时,获取所述无人车当前所在的起始地址,并基于所述起始地址和所述启动指令中携带的目标地址,规划所述无人车的行驶路径;
基于所述行驶路径,控制所述无人车行驶,并基于所述无人车上的检测装置检测所述行驶路径上的路况信息;
调用预设人工智能模型对所述路况信息进行分析,生成所述无人车的行驶调整信息,并基于所述行驶调整信息控制所述无人车行驶;
当监控到所述无人车行驶至所述目标地址时,查找所述目标地址对应的目标停车场,并控制所述无人车行驶至所述目标停车场进行停车操作。
可选地,所述调用预设人工智能模型对所述路况信息进行分析,生成所述无人车的行驶调整信息,并基于所述行驶调整信息控制所述无人车行驶的步骤包括:
调用预设人工智能模型对所述路况信息中的左右车辆信息和前后车辆信息进行分析,生成所述行驶调整信息中的左右间隔距离和前后间隔距离,并控制所述无人车以所述左右间隔距离和所述前后间隔距离行驶;
调用预设人工智能模型对所述路况信息中的限速规则信息进行分析,将所述行驶调整信息中的行驶速度生成为与所述限速规则对应的第一行驶速度,并根据所述前后间隔距离,对所述第一行驶速度修正,控制所述无人车以修正后的所述第一行驶速度行驶。
可选地,所述调用预设人工智能模型对所述路况信息进行分析,生成所述无人车的行驶调整信息,并基于所述行驶调整信息控制所述无人车行驶的步骤包括:
调用预设人工智能模型分析所述路况信息中红绿灯信息的类型,并在所述类型为红灯时,根据所述无人车与所述红绿灯信息对应的停止线之间的距离,将所述行驶调整信息中的行驶速度生成为第二行驶速度,控制所述无人车以所述第二行驶速度行驶至停止;
若所述类型为绿灯,则将所述所述行驶调整信息中的行驶速度生成为第三行驶速度,并控制所述无人车以所述第三行驶速度行驶。
可选地,所述调用预设人工智能模型对所述路况信息进行分析,生成所述无人车的行驶调整信息,并基于所述行驶调整信息控制所述无人车行驶的步骤包括:
调用预设人工智能模型分析所述路况信息中是否包括障碍物信息,若包括障碍物信息,则判断与所述障碍物信息对应的障碍物是否为静止物体,若为静止物体,则规划与所述障碍物信息对应的避开路径;
根据与所述避开路径对应的路径信息生成所述行驶调整信息中的路径避让信息,并控制所述无人车以所述路径避让信息行驶;
若所述障碍物非静止物体,则生成所述行驶调整信息中的暂停信息,并基于所述暂停信息控制所述无人车暂停行驶。
可选地,所述基于所述起始地址和所述启动指令中携带的目标地址,规划所述无人车的行驶路径的步骤包括:
查找从所述起始地址到所述目标地址之间支持行驶的多条路径,并分别获取多条所述路径的路径信息,其中,所述路径信息包括当前车辆数量、车辆增加率、路口数量和拥堵信息;
基于每一所述路径信息的当前车辆数量、车辆增加率、路口数量和拥堵信息,生成每条所述路径的评分推荐值;
在多条所述路径的评分推荐值之间进行对比,确定各所述评分推荐值中最大值,并将所述最大值对应的路径确定为所述无人车的行驶路径。
可选地,所述查找所述目标地址对应的目标停车场的步骤包括:
查找与所述目标地址相距不超过预设距离的多个停车场,并从多个所述停车场中筛选出支持预定的待预定停车场;
计算各所述待预定停车场分别与所述目标地址之间的行驶距离,并在各所述行驶距离之间对比,确定各所述行驶距离中的最小值,将所述最小值对应的所述待预定停车场作为所述目标停车场。
可选地,所述当检测到对无人车的启动指令时,获取所述无人车当前所在的起始地址的步骤之前包括:
获取训练样本数据,其中所述训练样本数据至少包括左右车辆数据、前后车辆数据、红绿灯数据和障碍物数据;
将所述训练样本数据传输到预设训练模型,对所述预设训练模型进行训练,并生成所述预设训练模型的损失函数值;
判断所述损失函数值是否小于预设阈值,若小于预设阈值则将所述预设训练模型生成为所述预设人工智能模型;
若所述损失函数值大于或等于预设阈值,调整所述预设训练模型的模型参数,并执行对所述预设训练模型进行训练的步骤,直到所述损失函数值小于预设阈值,生成所述预设人工智能模型。
可选地,所述当检测到对无人车的启动指令时,获取所述无人车当前所在的起始地址的步骤包括:
当检测到对无人车的启动指令时,控制所述无人车自检测,并在所述无人车自检测通过后,对所述无人车当前所在的起始地址进行获取;
所述获取所述无人车当前所在的起始地址的步骤之后包括:
读取所述启动指令携带的目标地址,并根据所述目标地址,检测所述无人车的能源是否充足;
若所述能源充足,则执行基于所述起始地址和所述启动指令中携带的目标地址,规划所述无人车的行驶路径的步骤。
进一步地,为实现上述目的,本发明还提供一种基于人工智能的无人车控制系统,所述基于人工智能的无人车控制系统包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的控制程序,所述控制程序被所述处理器执行时实现如上所述的基于人工智能的无人车控制方法的步骤。
进一步地,为实现上述目的,本发明还提供一种可读存储介质,所述可读存储介质上存储有控制程序,所述控制程序被处理器执行时实现如上所述的基于人工智能的无人车控制方法的步骤。
本发明的基于人工智能的无人车控制方法、系统及可读存储介质,一旦检测到针对无人车的启动指令,则对无人车当前所在的起始地址进行获取,并基于起始地址和启动指令中携带的目标地址,自动规划无人车的行驶路径;此后,基于规划的行驶路径,控制无人车行驶,并基于无人车上的检测装置检测行驶路径上的各种路况信息;进而调用预设人工智能模型对路况信息进行分析,获得分析结果;由该分析结果,确定无人车的行驶调整信息,并以行驶调整信息控制无人车行驶;行驶过程中,一旦监控到无人车行驶至目标地址,则查找目标地址对应的目标停车场,并控制无人车行驶至目标停车场进行停车操作。以此,通过预先设置的人工智能模型,对无人车行驶路线上的各种路况信息进行分析,实现复杂道路交通环境的分析,获得用于控制无人车行驶的分析结果,使无人车行驶的控制充分考量了复杂道路交通环境的各项因素,确保了行驶的安全性。
附图说明
图1为本发明基于人工智能的无人车控制系统实施例方案涉及的硬件运行环境的结构示意图;
图2为本发明基于人工智能的无人车控制方法第一实施例的流程示意图;
图3为本发明基于人工智能的无人车控制方法第四实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明提供一种基于人工智能的无人车控制系统。
请参照图1,图1为本发明基于人工智能的无人车控制系统实施例方案涉及的硬件运行环境的结构示意图。
如图1所示,该基于人工智能的无人车控制系统可以包括处理器1001,例如CPU,通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
本领域技术人员可以理解,图1中示出的基于人工智能的无人车控制系统硬件结构并不构成对基于人工智能的无人车控制系统的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种可读存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及控制程序。其中,操作系统是管理和控制基于人工智能的无人车控制系统与软件资源的程序,支持网络通信模块、用户接口模块、控制程序以及其他程序或软件的运行;网络通信模块用于管理和控制网络接口1004;用户接口模块用于管理和控制用户接口1003。
在图1所示的基于人工智能的无人车控制系统硬件结构中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;处理器1001可以调用存储器1005中存储的控制程序,并执行以下操作:
当检测到对无人车的启动指令时,获取所述无人车当前所在的起始地址,并基于所述起始地址和所述启动指令中携带的目标地址,规划所述无人车的行驶路径;
基于所述行驶路径,控制所述无人车行驶,并基于所述无人车上的检测装置检测所述行驶路径上的路况信息;
调用预设人工智能模型对所述路况信息进行分析,生成所述无人车的行驶调整信息,并基于所述行驶调整信息控制所述无人车行驶;
当监控到所述无人车行驶至所述目标地址时,查找所述目标地址对应的目标停车场,并控制所述无人车行驶至所述目标停车场进行停车操作。
进一步地,所述调用预设人工智能模型对所述路况信息进行分析,生成所述无人车的行驶调整信息,并基于所述行驶调整信息控制所述无人车行驶的步骤包括:
调用预设人工智能模型对所述路况信息中的左右车辆信息和前后车辆信息进行分析,生成所述行驶调整信息中的左右间隔距离和前后间隔距离,并控制所述无人车以所述左右间隔距离和所述前后间隔距离行驶;
调用预设人工智能模型对所述路况信息中的限速规则信息进行分析,将所述行驶调整信息中的行驶速度生成为与所述限速规则对应的第一行驶速度,并根据所述前后间隔距离,对所述第一行驶速度修正,控制所述无人车以修正后的所述第一行驶速度行驶。
进一步地,所述调用预设人工智能模型对所述路况信息进行分析,生成所述无人车的行驶调整信息,并基于所述行驶调整信息控制所述无人车行驶的步骤包括:
调用预设人工智能模型分析所述路况信息中红绿灯信息的类型,并在所述类型为红灯时,根据所述无人车与所述红绿灯信息对应的停止线之间的距离,将所述行驶调整信息中的行驶速度生成为第二行驶速度,控制所述无人车以所述第二行驶速度行驶至停止;
若所述类型为绿灯,则将所述所述行驶调整信息中的行驶速度生成为第三行驶速度,并控制所述无人车以所述第三行驶速度行驶。
进一步地,所述调用预设人工智能模型对所述路况信息进行分析,生成所述无人车的行驶调整信息,并基于所述行驶调整信息控制所述无人车行驶的步骤包括:
调用预设人工智能模型分析所述路况信息中是否包括障碍物信息,若包括障碍物信息,则判断与所述障碍物信息对应的障碍物是否为静止物体,若为静止物体,则规划与所述障碍物信息对应的避开路径;
根据与所述避开路径对应的路径信息生成所述行驶调整信息中的路径避让信息,并控制所述无人车以所述路径避让信息行驶;
若所述障碍物非静止物体,则生成所述行驶调整信息中的暂停信息,并基于所述暂停信息控制所述无人车暂停行驶。
进一步地,所述基于所述起始地址和所述启动指令中携带的目标地址,规划所述无人车的行驶路径的步骤包括:
查找从所述起始地址到所述目标地址之间支持行驶的多条路径,并分别获取多条所述路径的路径信息,其中,所述路径信息包括当前车辆数量、车辆增加率、路口数量和拥堵信息;
基于每一所述路径信息的当前车辆数量、车辆增加率、路口数量和拥堵信息,生成每条所述路径的评分推荐值;
在多条所述路径的评分推荐值之间进行对比,确定各所述评分推荐值中最大值,并将所述最大值对应的路径确定为所述无人车的行驶路径。
进一步地,所述查找所述目标地址对应的目标停车场的步骤包括:
查找与所述目标地址相距不超过预设距离的多个停车场,并从多个所述停车场中筛选出支持预定的待预定停车场;
计算各所述待预定停车场分别与所述目标地址之间的行驶距离,并在各所述行驶距离之间对比,确定各所述行驶距离中的最小值,将所述最小值对应的所述待预定停车场作为所述目标停车场。
进一步地,所述当检测到对无人车的启动指令时,获取所述无人车当前所在的起始地址的步骤之前;处理器1001可以调用存储器1005中存储的控制程序,并执行以下操作:
获取训练样本数据,其中所述训练样本数据至少包括左右车辆数据、前后车辆数据、红绿灯数据和障碍物数据;
将所述训练样本数据传输到预设训练模型,对所述预设训练模型进行训练,并生成所述预设训练模型的损失函数值;
判断所述损失函数值是否小于预设阈值,若小于预设阈值则将所述预设训练模型生成为所述预设人工智能模型;
若所述损失函数值大于或等于预设阈值,调整所述预设训练模型的模型参数,并执行对所述预设训练模型进行训练的步骤,直到所述损失函数值小于预设阈值,生成所述预设人工智能模型。
进一步地,所述当检测到对无人车的启动指令时,获取所述无人车当前所在的起始地址的步骤包括:
当检测到对无人车的启动指令时,控制所述无人车自检测,并在所述无人车自检测通过后,对所述无人车当前所在的起始地址进行获取;
所述获取所述无人车当前所在的起始地址的步骤之后;处理器1001可以调用存储器1005中存储的控制程序,并执行以下操作:
读取所述启动指令携带的目标地址,并根据所述目标地址,检测所述无人车的能源是否充足;
若所述能源充足,则执行基于所述起始地址和所述启动指令中携带的目标地址,规划所述无人车的行驶路径的步骤。
本发明基于人工智能的无人车控制系统的实施方式与下述基于人工智能的无人车控制方法各实施例基本相同,在此不再赘述。
本发明提供一种基于人工智能的无人车控制方法,参照图2,图2为本发明基于人工智能的无人车控制方法第一实施例的流程示意图。
本发明实施例提供了基于人工智能的无人车控制方法的实施例,需要说明的是,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。具体地,本实施例基于人工智能的无人车控制方法包括:
步骤S10,当检测到对无人车的启动指令时,获取所述无人车当前所在的起始地址,并基于所述起始地址和所述启动指令中携带的目标地址,规划所述无人车的行驶路径;
本实施例基于人工智能的无人车控制方法可应用于无人车的控制装置,也可应用于无人车所通信连接的物联网系统内的服务器,优选以控制装置进行说明。通过控制装置实现无人车的行驶路径规划,并依据规划的行驶路径控制无人车行驶,以及分析行驶路径上的实时路况作为实时控制无人车行驶的依据,当行驶至目标地址时,则控制行驶至目标停车场进行停车,以此,实现无人车在各种交通道路路况上的全自动安全行驶。
具体地,当无人车的使用者具有使用无人车的需求时,向无人车发起启动指令。其中,无人车的使用者可以是无人车的车主,也可以是无人车的租用者;对于车主,即针对停放在停车位上的无人车发起启动指令;对于租用者,则先在其终端在租用平台发起租用请求,租用平台对租用请求处理完成后,向无人车发出控制指令,以控制将无人车行驶至租用者所在地。
进一步地,无人车的控制系统在检测到启动指令时,对启动指令进行验证,验证发起启动指令的人员身份是否为车主或租用者,以确定启动指令是否支持启动无人车。若验证人员身份为车主或租用者,确定启动指令支持启动无人车,则控制无人车的车门开启,并在识别到使用者进入到车内后,控制车门关闭。反之,若验证人员身份非车主也非租用者,判定启动指令不支持启动无人车,则不响应该类启动指令。并且,启动指令可以是语音指令,也可以是遥控指令,优选以语音指令加以说明。
更进一步,基于无人车上安装的定位系统检测无人车当前所在的起始位置,并识别启动指令携带的目标地址;如以语音指令存在的启动指令为“启动去A动物园”,则识别目标地址为“A动物园”。进而依据起始地址和目标地址,对无人车由起始地址行驶至目标地址的路径进行规划,获得无人车的行驶路径。其中,从起始地址行驶目标地址的路径通常有多条,并且,不同路径的行驶路况不一样,故需结合各个路径的行驶路况,选择行驶路况最优的路径规划为无人车由起始地址至目标地址的行驶路径。
步骤S20,基于所述行驶路径,控制所述无人车行驶,并基于所述无人车上的检测装置检测所述行驶路径上的路况信息;
进一步地,控制装置依据规划的行驶路径,控制无人车行驶,并在行驶过程中,通过安装在无人车上的检测装置检测行驶路径上的路况信息。其中,检测装置包括但不限于摄像头、红外传感器、测距传感器、测速传感器等,且摄像头、红外传感器、测距传感器、测速传感器的数量均为多个,且朝向不同方位,以检测不同方位的路况信息,得到无人车行驶的整个交通道路的总的路况信息。
步骤S30,调用预设人工智能模型对所述路况信息进行分析,生成所述无人车的行驶调整信息,并基于所述行驶调整信息控制所述无人车行驶;
更进一步地,控制装置内预先训练有预设人工智能模型,该预设人工智能模型支持对各项路况信息进行综合分析。故在检测到路况信息后,调用该预设人工智能模型对检测的路况信息进行分析,得到无人车的行驶调整信息。该行驶调整信息为无人车依据当前路况所应当调整的信息,因而基于该行驶调整信息控制无人车行驶,以调整无人车的行驶状态,确保无人车行驶的安全性。
步骤S40,当监控到所述无人车行驶至所述目标地址时,查找所述目标地址对应的目标停车场,并控制所述无人车行驶至所述目标停车场进行停车操作。
更进一步地,控制装置对无人车的行驶位置进行监控,当监控到行驶至目标地址时,则查找目标地址对应的目标停车场。该目标停车场为位于目标地址附近支持车辆停靠的停车场,故控制无人车行驶至目标停车场进行停车操作。需要说明的是,所述查找所述目标地址对应的目标停车场的步骤包括:
步骤S41,查找与所述目标地址相距不超过预设距离的多个停车场,并从多个所述停车场中筛选出支持预定的待预定停车场;
步骤S42,计算各所述待预定停车场分别与所述目标地址之间的行驶距离,并在各所述行驶距离之间对比,确定各所述行驶距离中的最小值,将所述最小值对应的所述待预定停车场作为所述目标停车场。
进一步地,目标地址附近所具有的停车场可能有多个,为了便于无人车的停靠,预先依据需求设定预设距离,如500m,或1000m。进而检测目标地址与其附件各个停车场之间的距离,并将检测的距离和预设距离对比,查找小于预设距离,体现与目标地址相距不超过预设距离的所有停车场。进而对查找的所有停车场的预定信息进行获取,确定其中尚有停车位支持预定的停车场作为待预定停车场。
此后,确定目标地址与各个待预定停车场之间的行驶路径,并计算各条行驶路径的行驶距离,进而对各个行驶距离对比,确定其中的最小值。该最小值体现无人车停车所需要行驶的最短距离,故将具有该最小值的待预定停车场作为目标停车场发送预定请求,并在预定成功后控制无人车行驶至该目标停车场进行停车。
需要说明的是,目标地址对应的目标停车场,也可以在监控即将到达目标地址时进行查找预定,或者是在接收到启动指令,确定其中携带的目标地址时进行查找预定。并且,若预定失败,则确定各个行驶距离中的次小值作为新的最小值,并将具有新的最小值的待预定停车场作为目标停车场发送预定请求,如此循环直到预定成功。
此外,若预设距离内不具有支持预定的待预定停车场,则基于预先设定的预设系数对预设距离进行修正,且修正可以是加和修正,如每次增加500m的修正系数;也可以是乘积修正,如每次乘以2的修正系数。通过修正系数的修正,扩大预设距离的范围,增加目标地址附近的停车场数量,便于从其中筛选出支持预定的待预定停车场,进而确定目标停车场进行停车操作。
本发明的基于人工智能的无人车控制方法,一旦检测到针对无人车的启动指令,则对无人车当前所在的起始地址进行获取,并基于起始地址和启动指令中携带的目标地址,自动规划无人车的行驶路径;此后,基于规划的行驶路径,控制无人车行驶,并基于无人车上的检测装置检测行驶路径上的各种路况信息;进而调用预设人工智能模型对路况信息进行分析,获得分析结果;由该分析结果,确定无人车的行驶调整信息,并以行驶调整信息控制无人车行驶;行驶过程中,一旦监控到无人车行驶至目标地址,则查找目标地址对应的目标停车场,并控制无人车行驶至目标停车场进行停车操作。以此,通过预先设置的人工智能模型,对无人车行驶路线上的各种路况信息进行分析,实现复杂道路交通环境的分析,获得用于控制无人车行驶的分析结果,使无人车行驶的控制充分考量了复杂道路交通环境的各项因素,确保了行驶的安全性。
进一步地,基于本发明基于人工智能的无人车控制方法的第一实施例,提出本发明基于人工智能的无人车控制方法第二实施例。
所述基于人工智能的无人车控制方法第二实施例与所述基于人工智能的无人车控制方法第一实施例的区别在于,所述调用预设人工智能模型对所述路况信息进行分析,生成所述无人车的行驶调整信息,并基于所述行驶调整信息控制所述无人车行驶的步骤包括:
步骤S31,调用预设人工智能模型对所述路况信息中的左右车辆信息和前后车辆信息进行分析,生成所述行驶调整信息中的左右间隔距离和前后间隔距离,并控制所述无人车以所述左右间隔距离和所述前后间隔距离行驶;
步骤S32,调用预设人工智能模型对所述路况信息中的限速规则信息进行分析,将所述行驶调整信息中的行驶速度生成为与所述限速规则对应的第一行驶速度,并根据所述前后间隔距离,对所述第一行驶速度修正,控制所述无人车以修正后的所述第一行驶速度行驶。
本实施例经预设人工智能模型所分析的路况信息至少包括左右车辆信息、前后车辆信息、限速规则信息、红绿灯信息和障碍物信息,以通过各项信息综合分析无人车所行驶交通道路的实际情况,调整无人车到最佳行驶状态,确保无人车行驶的安全性。具体地,先调用预设人工智能模型对路况信息中的左右车辆信息和前后车辆信息进行分析,生成行驶调整信息中的左右间隔距离和前后间隔距离。其中,左右车辆信息为无人车行驶时左右两边车道上车辆具有的行驶信息,至少包含左右两边车道是否具有行驶车辆,以及行驶车辆行驶路线的偏离性。通过左右车辆信息可分析无人车与左右车道上行驶车辆之间的最短距离,进而由该最短距离分析无人车行驶的左右间隔距离。该左右间隔距离为无人车与左右车道上行驶车辆可保持的最佳距离,能有效避免与左右行驶车辆之间碰撞。
同样地,前后车辆信息为无人车行驶时同一车道上前后车辆具有的行驶信息,至少包含同一车道前后是否具有行驶车辆,以及行驶车辆与无人车之间的实际间隔距离。通过前后车辆信息可分析无人车与同一车道上前后行驶车辆之间的最短距离,进而由该最短距离分析无人车行驶的前后间隔距离。该前后间隔距离为无人车与同一车道上前后行驶车辆可保持的最佳距离,能有效避免与前后行驶车辆之间碰撞。
需要说明的是,因左右车辆信息和前后车辆信息均处于实时变化的状态,故分析得到的分别用于表征左右最佳距离和前后最佳距离的前后间隔距离和左右间隔距离也相应的处于变化状态。通过相应的变化,来确保无人车与左右行驶车辆,以及前后行驶车辆始终保持最佳距离,避免与左右行驶车辆和前后行驶车辆之间的碰撞,确保行驶的安全性。
进一步地,还调用预设人工智能模型对路况信息中的限速规则信息进行分析,限速规则信息为通过检测装置中的摄像头拍摄的行驶路径上的限速标识,如限速40的标识、前方学校路段,请减速慢行的标识等。通过限速规则信息的分析,确定与限速规则信息对应的第一行驶速度,并将该第一行驶速度作为行驶调整信息中表征需对无人车调整的行驶速度。
可理解地,虽然第一行驶速度为无人车应调整的速度,但前后间隔距离对该调整的速度也具有限制的作用。若前后间隔距离中无人车与在前车辆之间的在前距离减小,而第一行驶速度较大,则可能会继续减少在前距离,导致与在前车辆的碰撞。为此,对于确定的第一行驶速度,还基于前后间隔距离进行修正;若前后间隔距离中的在前距离较小,而第一行驶速度较大,则将第一行驶速度修正为较小;若前后间隔距离中的在后距离较小,而第一行驶速度也较小,则将第一行驶速度修正为较大。此后,控制无人车以修正后的第一行驶速度行驶,避免与前后行驶车辆的碰撞,确保行驶的安全性。
进一步地,对于路况信息中的红绿灯信息分析,所述调用预设人工智能模型对所述路况信息进行分析,生成所述无人车的行驶调整信息,并基于所述行驶调整信息控制所述无人车行驶的步骤包括:
步骤S33,调用预设人工智能模型分析所述路况信息中红绿灯信息的类型,并在所述类型为红灯时,根据所述无人车与所述红绿灯信息对应的停止线之间的距离,将所述行驶调整信息中的行驶速度生成为第二行驶速度,控制所述无人车以所述第二行驶速度行驶至停止;
步骤S34,若所述类型为绿灯,则将所述所述行驶调整信息中的行驶速度生成为第三行驶速度,并控制所述无人车以所述第三行驶速度行驶。
更进一步地,调用预设人工智能模型判断路况信息中是否包含红绿灯信息,若包含红绿灯信息,则继续识别红绿灯信息的类型。若经识别确定类型为红灯,需要控制无人车在停止线停车等候时,先识别与红绿灯对应停止线所在的位置,并依据无人车当前所在的位置与停止线位置件的距离,确定无人车的第二行驶速度,并将该第二行驶速度作为行驶调整信息中的行驶速度。进而控制无人车以该第二行驶速度行驶,直到无人车停止在停止线处。
进一步地,若识别红绿灯信息的类型为绿灯,说明无人车可通过路口,但考虑到路口交通的复杂性,通常以减速慢行的方式通过,故可预先设定减速的速度大小,并将设定的速度大小作为第三行驶速度。进而调用该第三行驶速度作为行驶调整信息中的行驶速度,并控制无人车以第三行驶速度行驶,确保以低速安全的通过路口。
更进一步地,对于路况信息中的障碍物信息分析,所述调用预设人工智能模型对所述路况信息进行分析,生成所述无人车的行驶调整信息,并基于所述行驶调整信息控制所述无人车行驶的步骤包括:
步骤S35,调用预设人工智能模型分析所述路况信息中是否包括障碍物信息,若包括障碍物信息,则判断与所述障碍物信息对应的障碍物是否为静止物体,若为静止物体,则规划与所述障碍物信息对应的避开路径;
步骤S36,根据与所述避开路径对应的路径信息生成所述行驶调整信息中的路径避让信息,并控制所述无人车以所述路径避让信息行驶;
步骤S37,若所述障碍物非静止物体,则生成所述行驶调整信息中的暂停信息,并基于所述暂停信息控制所述无人车暂停行驶。
进一步地,调用预设人工智能模型判断路况信息中是否包括障碍物信息,若包括障碍物信息,则继续判断障碍物信息对应的障碍物是否为静止物体,以将障碍物区分为静止物体和活动物体,以不同方式应对。若经识别障碍物为静止物体,则控制无人车对障碍物进行绕行。此时,根据障碍物所在的位置和尺寸,规划避开路径,并将避开路径对应的路径信息生成为行驶调整信息中的路径避让信息,进而控制无人车依据该路径避让信息行驶,以对静止的障碍物进行避让。
更进一步地,若经识别障碍物非静止物体,而是行人或动物等,则生成行驶调整信息中的暂停信息,以通过暂停信息控制无人车暂停信息。同时,输出声音信息,以提示行人或动物避开无人车。此外,无人车对获活动的障碍物进行实时监测,一旦监测到障碍物不再构成无人车的障碍后,则控制无人车启动继续行驶。
本实施例通过预设人工智能模型对包含左右车辆信息、前后车辆信息、限速规则信息、红绿灯信息和障碍物信息的路况信息进行综合分析,得到最有利于无人车安全行驶的行驶调整信息控制无人车行驶。实现通过多项路况信息综合分析无人车所行驶交通道路的实际情况,调整无人车到最佳行驶状态,确保了无人车行驶的安全性。
进一步地,基于本发明基于人工智能的无人车控制方法的第一或第二实施例,提出本发明基于人工智能的无人车控制方法第三实施例。
所述基于人工智能的无人车控制方法第三实施例与所述基于人工智能的无人车控制方法第一或第二实施例的区别在于,所述当检测到对无人车的启动指令时,获取所述无人车当前所在的起始地址的步骤包括:
步骤S11,当检测到对无人车的启动指令时,控制所述无人车自检测,并在所述无人车自检测通过后,对所述无人车当前所在的起始地址进行获取;
所述获取所述无人车当前所在的起始地址的步骤之后包括:
步骤S12,读取所述启动指令携带的目标地址,并根据所述目标地址,检测所述无人车的能源是否充足;
步骤S13,若所述能源充足,则执行基于所述起始地址和所述启动指令中携带的目标地址,规划所述无人车的行驶路径的步骤。
本实施例在检测到对无人车的启动指令,并依据启动指令启动无人车行驶之前,先对无人车自检测,以确保无人车的状态支持自动行驶。具体地,控制装置一旦侦测到对无人车的启动指令,则控制无人车以自检测的模式运行。其中,自检测的内容至少包括发动机的正常启动运行、驱动机构的启动运行、行走机构的启动运行,检测装置的启动运行等,即各项支持无人车行驶的功能的正常启动运行。
进一步地,若检测支持无人车行驶的各项功能均可正常启动运行,则判定无人车的自检测通过,可启动行驶。反之,若支持无人车行驶的各项功能中存在任意一项功能不能正常启动运行,则判定无人车的自检测不通过,不能启动运行,输出保养检修信息。
更进一步地,对于自检测通过的情形,则基于无人车上的定位装置对无人车当前所在的起始地址进行获取,并识别出启动指令中携带的目标地址。同时,检测无人车内的能源剩余量,并依据目标地址与起始地址之间的行驶距离,判断剩余的能源是否足够到达目标地址。若足够到达目标地址,则说明无人车的能源充足,进而依据目标地址和起始地址,规划行驶路况最优的路径作为无人车由起始地址至目标地址的行驶路径。若判断无人车的能源不充足,不足够到达目标地址,则输出蓄能的提示信息。
进一步地,所述基于所述起始地址和所述启动指令中携带的目标地址,规划所述无人车的行驶路径的步骤包括:
步骤S14,查找从所述起始地址到所述目标地址之间支持行驶的多条路径,并分别获取多条所述路径的路径信息,其中,所述路径信息包括当前车辆数量、车辆增加率、路口数量和拥堵信息;
步骤S15,基于每一所述路径信息的当前车辆数量、车辆增加率、路口数量和拥堵信息,生成每条所述路径的评分推荐值;
步骤S16,在多条所述路径的评分推荐值之间进行对比,确定各所述评分推荐值中最大值,并将所述最大值对应的路径确定为所述无人车的行驶路径。
可理解地,从起始地址到目标地址通常有多条路径,且每条路径之间的行驶路况不一样,故为了使无人车快速便捷的到达目标地址,本实施例先查找从起始地址到目标地址之间支持行驶的多条路径,并分别获取各条路径的路径信息,该获取的路径信息至少包括路径上所具有行驶车辆的当前车辆数量、继续从其他路径往路径行驶而使得路径上车辆增加的车辆增加率、路径上红路灯路口的路口数量和路径是否拥堵的拥堵信息。
进一步地,对每条路径所具有路径信息中的当前车辆数量、车辆增加率、路口数量、拥堵信息进行综合处理,得到每条路径的评分推荐值。其中,处理方式为可以是预先设置各项信息的权重值,进而依据各自的权重值分别对当前车辆数量、车辆增加率、路口数量、拥堵信息进行加权处理,得到处理结果即为评分推荐值。各项信息的权重值依据各项信息对无人车是否可快速通过路径的影响程度不同而不同,如拥堵信息对无人车快速通过路径的影响程度大,故设定的权重值越大,反之则越小。
并且,对于各项信息也转换为以数值形式体现,以便于加权处理。具体可将当前车辆数量、车辆增加率、路口数量、拥堵信息均预先划分为多个数值区间,不同的数值区间对应不同的数值;将获取实际的当前车辆数量、车辆增加率、路口数量、拥堵信息分别和各个数值区间对比,确定各自所在的数值区间,进而确定各自对应的数值。进而用各自的加权值对各自对应的数值进行加权处理,即可获得评分推荐值。
更进一步地,在每条路径均生成评分推荐值之后,则对各个评分推荐值进行对比,确定其中的最大值,该最大值体现了路径在当前车辆数量、车辆增加率、路口数量和拥堵信息的综合上,具有行驶的便捷性和快速性。故将具有该最大值的路径确定为无人车的行驶路径,控制无人车在该行驶路径上行驶,实现快速便捷的到达目标地址。
本实施例通过设置自检测机制,以及依据目标地址检测能源的充足性,确保了无人车可支持安全行驶;同时,对于从起始地址到目标地址之间的多条路径,依据各条路径中的当前车辆数量、车辆增加率、路口数量和拥堵信息,分别确定每条路径的评分推荐值,由评分推荐值体现每条路径的通行顺畅情况,进而选择数值最大体现通行最顺畅的路径作为无人车的行驶路径,通过控制无人车在该行驶路径上行驶,实现快速便捷的到达目标地址。
进一步地,请参照图3,基于本发明基于人工智能的无人车控制方法的第一、第二或第三实施例,提出本发明基于人工智能的无人车控制方法第四实施例。
所述基于人工智能的无人车控制方法第四实施例与所述基于人工智能的无人车控制方法第一、第二或第三实施例的区别在于,所述当检测到对无人车的启动指令时,获取所述无人车当前所在的起始地址的步骤之前包括:
步骤S50,获取训练样本数据,其中所述训练样本数据至少包括左右车辆数据、前后车辆数据、红绿灯数据和障碍物数据;
步骤S60,将所述训练样本数据传输到预设训练模型,对所述预设训练模型进行训练,并生成所述预设训练模型的损失函数值;
步骤S70,判断所述损失函数值是否小于预设阈值,若小于预设阈值则将所述预设训练模型生成为所述预设人工智能模型;
步骤S80,若所述损失函数值大于或等于预设阈值,调整所述预设训练模型的模型参数,并执行对所述预设训练模型进行训练的步骤,直到所述损失函数值小于预设阈值,生成所述预设人工智能模型。
本实施例通过对预设训练模型的训练,获得用于综合分析各项路况信息的预设人工智能模型。具体地,先采集大量样本数据,其至少包括左右车辆数据、前后车辆数据、红绿灯数据和障碍物数据等。再对获取的样本数据进行清洗过滤,剔除其中的噪音,获得用于训练的训练样本数据。
进一步地,控制装置内预先设置有预设训练模型,且该预设训练模型可优选为神经网络模型。将获取的训练样本数据传输到该预设训练模型,对预设训练模型进行训练,且在每次训练结束后生成预设训练模型的损失函数值。预先设置有表征损失函数值大小的预设阈值,将生成的损失函数值和该预设阈值对比,判断损失函数值是否小于预设阈值。若小于预设阈值则说明预设训练模型经训练后数据处理所得到结果的损失较少,处理的精确度较高,故将预设训练模型生成为预设人工智能模型。
反之,若损失函数值大于或等于预设阈值,则说明预设训练模型的精确度不够,故对预设训练模型的模型参数依据预设调整机制进行调整,并对调整后的预设训练模型继续训练,生成新的损失函数值进行判断。如此循环,直到判断出损失函数值小于预设阈值,才将预设训练模型生成为预设人工智能模型。
本实施例通过采集大量训练样本数据对预设训练模型进行多次迭代训练,并生成预设训练模型的损失函数值,用于判定预设训练模型的模型精确度是否达到要求。只有在模型精确度达到要求后,才将预设训练模型生成为用于对各项路况信息综合分析的预设人工智能模型,否则继续对预设训练模型迭代训练。以此,确保生成的预设人工智能模型可准确分析各项复杂多变的路况信息,使得复杂交通道路的路况分析更为精准,进而提升了无人车在复杂交通道路上行驶的安全性。
本发明实施例还提出一种可读存储介质。所述可读存储介质上存储有控制程序,所述控制程序被所述处理器执行时实现如上所述基于人工智能的无人车控制方法的步骤。
本发明可读存储介质可以为确定机可读存储介质,其具体实施方式与上述基于人工智能的无人车控制方法各实施例基本相同,在此不再赘述。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,这些均属于本发明的保护之内。
Claims (10)
1.一种基于人工智能的无人车控制方法,其特征在于,所述无人车控制方法包括:
当检测到对无人车的启动指令时,获取所述无人车当前所在的起始地址,并基于所述起始地址和所述启动指令中携带的目标地址,规划所述无人车的行驶路径;
基于所述行驶路径,控制所述无人车行驶,并基于所述无人车上的检测装置检测所述行驶路径上的路况信息;
调用预设人工智能模型对所述路况信息进行分析,生成所述无人车的行驶调整信息,并基于所述行驶调整信息控制所述无人车行驶;
当监控到所述无人车行驶至所述目标地址时,查找所述目标地址对应的目标停车场,并控制所述无人车行驶至所述目标停车场进行停车操作。
2.如权利要求1所述的无人车控制方法,其特征在于,所述调用预设人工智能模型对所述路况信息进行分析,生成所述无人车的行驶调整信息,并基于所述行驶调整信息控制所述无人车行驶的步骤包括:
调用预设人工智能模型对所述路况信息中的左右车辆信息和前后车辆信息进行分析,生成所述行驶调整信息中的左右间隔距离和前后间隔距离,并控制所述无人车以所述左右间隔距离和所述前后间隔距离行驶;
调用预设人工智能模型对所述路况信息中的限速规则信息进行分析,将所述行驶调整信息中的行驶速度生成为与所述限速规则对应的第一行驶速度,并根据所述前后间隔距离,对所述第一行驶速度修正,控制所述无人车以修正后的所述第一行驶速度行驶。
3.如权利要求1所述的无人车控制方法,其特征在于,所述调用预设人工智能模型对所述路况信息进行分析,生成所述无人车的行驶调整信息,并基于所述行驶调整信息控制所述无人车行驶的步骤包括:
调用预设人工智能模型分析所述路况信息中红绿灯信息的类型,并在所述类型为红灯时,根据所述无人车与所述红绿灯信息对应的停止线之间的距离,将所述行驶调整信息中的行驶速度生成为第二行驶速度,控制所述无人车以所述第二行驶速度行驶至停止;
若所述类型为绿灯,则将所述所述行驶调整信息中的行驶速度生成为第三行驶速度,并控制所述无人车以所述第三行驶速度行驶。
4.如权利要求1所述的无人车控制方法,其特征在于,所述调用预设人工智能模型对所述路况信息进行分析,生成所述无人车的行驶调整信息,并基于所述行驶调整信息控制所述无人车行驶的步骤包括:
调用预设人工智能模型分析所述路况信息中是否包括障碍物信息,若包括障碍物信息,则判断与所述障碍物信息对应的障碍物是否为静止物体,若为静止物体,则规划与所述障碍物信息对应的避开路径;
根据与所述避开路径对应的路径信息生成所述行驶调整信息中的路径避让信息,并控制所述无人车以所述路径避让信息行驶;
若所述障碍物非静止物体,则生成所述行驶调整信息中的暂停信息,并基于所述暂停信息控制所述无人车暂停行驶。
5.如权利要求1所述的无人车控制方法,其特征在于,所述基于所述起始地址和所述启动指令中携带的目标地址,规划所述无人车的行驶路径的步骤包括:
查找从所述起始地址到所述目标地址之间支持行驶的多条路径,并分别获取多条所述路径的路径信息,其中,所述路径信息包括当前车辆数量、车辆增加率、路口数量和拥堵信息;
基于每一所述路径信息的当前车辆数量、车辆增加率、路口数量和拥堵信息,生成每条所述路径的评分推荐值;
在多条所述路径的评分推荐值之间进行对比,确定各所述评分推荐值中最大值,并将所述最大值对应的路径确定为所述无人车的行驶路径。
6.如权利要求1所述的无人车控制方法,其特征在于,所述查找所述目标地址对应的目标停车场的步骤包括:
查找与所述目标地址相距不超过预设距离的多个停车场,并从多个所述停车场中筛选出支持预定的待预定停车场;
计算各所述待预定停车场分别与所述目标地址之间的行驶距离,并在各所述行驶距离之间对比,确定各所述行驶距离中的最小值,将所述最小值对应的所述待预定停车场作为所述目标停车场。
7.如权利要求1-6任一项所述的无人车控制方法,其特征在于,所述当检测到对无人车的启动指令时,获取所述无人车当前所在的起始地址的步骤之前包括:
获取训练样本数据,其中所述训练样本数据至少包括左右车辆数据、前后车辆数据、红绿灯数据和障碍物数据;
将所述训练样本数据传输到预设训练模型,对所述预设训练模型进行训练,并生成所述预设训练模型的损失函数值;
判断所述损失函数值是否小于预设阈值,若小于预设阈值则将所述预设训练模型生成为所述预设人工智能模型;
若所述损失函数值大于或等于预设阈值,调整所述预设训练模型的模型参数,并执行对所述预设训练模型进行训练的步骤,直到所述损失函数值小于预设阈值,生成所述预设人工智能模型。
8.如权利要求1-6任一项所述的无人车控制方法,其特征在于,所述当检测到对无人车的启动指令时,获取所述无人车当前所在的起始地址的步骤包括:
当检测到对无人车的启动指令时,控制所述无人车自检测,并在所述无人车自检测通过后,对所述无人车当前所在的起始地址进行获取;
所述获取所述无人车当前所在的起始地址的步骤之后包括:
读取所述启动指令携带的目标地址,并根据所述目标地址,检测所述无人车的能源是否充足;
若所述能源充足,则执行基于所述起始地址和所述启动指令中携带的目标地址,规划所述无人车的行驶路径的步骤。
9.一种基于人工智能的无人车控制系统,其特征在于,所述基于人工智能的无人车控制系统包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的控制程序,所述控制程序被所述处理器执行时实现如权利要求1-8中任一项所述的基于人工智能的无人车控制方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有控制程序,所述控制程序被处理器执行时实现如权利要求1-8中任一项所述的基于人工智能的无人车控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111006992.5A CN113778085A (zh) | 2021-08-30 | 2021-08-30 | 基于人工智能的无人车控制方法、系统及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111006992.5A CN113778085A (zh) | 2021-08-30 | 2021-08-30 | 基于人工智能的无人车控制方法、系统及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113778085A true CN113778085A (zh) | 2021-12-10 |
Family
ID=78839990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111006992.5A Pending CN113778085A (zh) | 2021-08-30 | 2021-08-30 | 基于人工智能的无人车控制方法、系统及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113778085A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115273509A (zh) * | 2022-06-28 | 2022-11-01 | 深圳优地科技有限公司 | 无人车通行交通路口的控制方法、无人车及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200699A (zh) * | 2014-08-08 | 2014-12-10 | 深圳市金立通信设备有限公司 | 一种获取停车场信息的装置 |
CN109358614A (zh) * | 2018-08-30 | 2019-02-19 | 深圳市易成自动驾驶技术有限公司 | 自动驾驶方法、系统、装置及可读存储介质 |
CN110806748A (zh) * | 2019-10-25 | 2020-02-18 | 天津大学 | 一种基于人工智能的自动驾驶系统 |
CN111307169A (zh) * | 2018-11-22 | 2020-06-19 | 北京图森智途科技有限公司 | 一种路径规划方法、路径规划装置及无人驾驶车 |
CN112185147A (zh) * | 2020-10-14 | 2021-01-05 | 安徽江淮汽车集团股份有限公司 | 一种车辆行驶过程优化方法、装置、设备及存储介质 |
CN112330950A (zh) * | 2019-11-14 | 2021-02-05 | 广东科学技术职业学院 | 一种无人车泊车的方法、装置及无人车 |
CN112344952A (zh) * | 2020-11-02 | 2021-02-09 | 合肥酷显智能科技有限公司 | 基于大数据的物流车辆车载导航系统 |
CN112435497A (zh) * | 2020-11-12 | 2021-03-02 | 合肥酷显智能科技有限公司 | 一种基于数据采集的新能源汽车充电桩找寻系统 |
-
2021
- 2021-08-30 CN CN202111006992.5A patent/CN113778085A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200699A (zh) * | 2014-08-08 | 2014-12-10 | 深圳市金立通信设备有限公司 | 一种获取停车场信息的装置 |
CN109358614A (zh) * | 2018-08-30 | 2019-02-19 | 深圳市易成自动驾驶技术有限公司 | 自动驾驶方法、系统、装置及可读存储介质 |
CN111307169A (zh) * | 2018-11-22 | 2020-06-19 | 北京图森智途科技有限公司 | 一种路径规划方法、路径规划装置及无人驾驶车 |
CN110806748A (zh) * | 2019-10-25 | 2020-02-18 | 天津大学 | 一种基于人工智能的自动驾驶系统 |
CN112330950A (zh) * | 2019-11-14 | 2021-02-05 | 广东科学技术职业学院 | 一种无人车泊车的方法、装置及无人车 |
CN112185147A (zh) * | 2020-10-14 | 2021-01-05 | 安徽江淮汽车集团股份有限公司 | 一种车辆行驶过程优化方法、装置、设备及存储介质 |
CN112344952A (zh) * | 2020-11-02 | 2021-02-09 | 合肥酷显智能科技有限公司 | 基于大数据的物流车辆车载导航系统 |
CN112435497A (zh) * | 2020-11-12 | 2021-03-02 | 合肥酷显智能科技有限公司 | 一种基于数据采集的新能源汽车充电桩找寻系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115273509A (zh) * | 2022-06-28 | 2022-11-01 | 深圳优地科技有限公司 | 无人车通行交通路口的控制方法、无人车及存储介质 |
CN115273509B (zh) * | 2022-06-28 | 2023-10-17 | 深圳优地科技有限公司 | 无人车通行交通路口的控制方法、无人车及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10532749B2 (en) | Systems and methods to adjust autonomous vehicle parameters in response to passenger feedback | |
CN109597317B (zh) | 一种基于自学习的车辆自动驾驶方法、系统及电子设备 | |
RU2761270C2 (ru) | Система и способ для предоставления транспортировки | |
US11392120B2 (en) | Planning autonomous motion | |
US20220340127A1 (en) | Automatic parking control method and apparatus | |
JP7144537B2 (ja) | 自律型車両についての乗員のピックアップおよびドロップオフに対する不便性 | |
CN111583639B (zh) | 一种道路交通拥堵预警方法及系统 | |
CN106652515B (zh) | 车辆自动控制方法、装置和系统 | |
US10584976B2 (en) | Method and system to control vehicle based on predicting destination | |
CN110562258B (zh) | 一种车辆自动换道决策的方法、车载设备和存储介质 | |
US9177475B2 (en) | Driver behavior based parking availability prediction system and method | |
JP2020524632A (ja) | 自律車両運転イベントに応答して乗車者フィードバックを取得するシステムおよび方法 | |
CN107067786B (zh) | 违章信息管理系统及其引导路径生成方法 | |
WO2019106789A1 (ja) | 処理装置及び処理方法 | |
US11462019B2 (en) | Predicting rider entry time for pick-up and drop-off locations | |
CN111178286B (zh) | 姿态轨迹预测方法、装置及电子设备 | |
CN109987098B (zh) | 基于路面分析进行安全驾驶控制的方法及装置 | |
CN110175654A (zh) | 一种轨迹路标的更新方法及系统 | |
KR102501642B1 (ko) | 차량간 통신기능을 이용한 주차유도 방법 및 그 장치 | |
CN113778085A (zh) | 基于人工智能的无人车控制方法、系统及可读存储介质 | |
JP2000353290A (ja) | 交通情報管理装置および交通情報管理方法 | |
WO2019127261A1 (zh) | 一种智能轮椅自动驾驶方法、系统及计算机可读介质 | |
CN113409585B (zh) | 停车收费方法、系统及可读存储介质 | |
CN115565404A (zh) | 座舱与车位协同的车位数据处理方法和系统 | |
CN115203536A (zh) | 基于驾驶场景推荐智能驾驶参数的方法及装置 |
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 |