CN113911139B - 车辆控制方法、装置和电子设备 - Google Patents

Abstract

本发明提供一种车辆控制方法、装置和电子设备，该方法先获取环境感知数据和自动驾驶车辆的当前行驶数据，然后根据环境感知数据和当前行驶数据，确定端到端控制机制的感知定位阶段、跟踪预测阶段、决策阶段、以及控制阶段中各阶段的目标时延，最后根据各阶段的目标时延和时延阈值，从各阶段的简单处理机制和复杂处理机制中确定目标处理机制，并控制自动驾驶车辆的自动驾驶系统在各阶段基于对应的目标处理机制工作。本发明使得各阶段的时延均可得到严格控制，不会挤占控制阶段的时间容量，因此既可以实现对全阶段的时延控制，又避免了控制阶段时间容量较小导致车辆过快减速的情况，实现了效率和安全的兼顾。

Description

车辆控制方法、装置和电子设备

技术领域

本发明涉及自动驾驶技术领域，尤其涉及一种车辆控制方法、装置和电子设备。

背景技术

自动驾驶系统由感知定位模块、跟踪预测模块、决策模块、以及控制模块构成，且各模块一般采用pipeline模式工作。为保证自动驾驶车辆的行车安全，当前对时延的控制方案为：在车辆行驶过程中，控制模块不停地判断车控指令得以实施完成的时间，并按照最终时间严格限制车速，以保证行车安全。然而，此种方式仅在最后阶段采用限速的办法控制车辆，虽然在第一程度上保证了安全，但整体控制效率较低，且在复杂路况下感知、定位、跟踪、预测、决策等各环节所需的流程也均较为复杂，会占用较长的时间，并最终挤压车控的时间容量，导致车辆过快减速甚至停车，使得舒适性和安全性均难以保证。

因此，现有的自动驾驶车辆控制方法存在无法兼顾效率和安全性的技术问题，需要改进。

发明内容

本发明提供一种车辆控制方法、装置和电子设备，用以缓解现有的自动驾驶车辆控制方法中无法兼顾效率和安全性的技术问题。

为解决上述技术问题，本发明提供以下技术方案：

本发明提供一种车辆控制方法，包括：

获取环境感知数据和自动驾驶车辆的当前行驶数据；

根据所述环境感知数据和所述当前行驶数据，确定端到端控制机制的感知定位阶段、跟踪预测阶段、决策阶段、以及控制阶段中各阶段的目标时延；

根据各阶段的目标时延和时延阈值，从各阶段的简单处理机制和复杂处理机制中确定目标处理机制，并控制所述自动驾驶车辆的自动驾驶系统在各阶段基于对应的目标处理机制工作。

本发明还提供一种车辆控制装置，包括：

获取模块，用于获取环境感知数据和自动驾驶车辆的当前行驶数据；

第一确定模块，用于根据所述环境感知数据和所述当前行驶数据，确定端到端控制机制的感知定位阶段、跟踪预测阶段、决策阶段、以及控制阶段中各阶段的目标时延；

第二确定模块，用于根据各阶段的目标时延和时延阈值，从各阶段的简单处理机制和复杂处理机制中确定目标处理机制，并控制所述自动驾驶车辆的自动驾驶系统在各阶段基于对应的目标处理机制工作。

本发明还提供一种电子设备，包括存储器和处理器；所述存储器存储有应用程序，所述处理器用于运行所述存储器内的应用程序，以执行上述任一项所述的车辆控制方法中的步骤。

本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现上述任一项所述的车辆控制方法中的步骤。

有益效果：本发明提供一种车辆控制方法、装置和电子设备，该方法先获取环境感知数据和自动驾驶车辆的当前行驶数据，然后根据环境感知数据和当前行驶数据，确定端到端控制机制的感知定位阶段、跟踪预测阶段、决策阶段、以及控制阶段中各阶段的目标时延，最后根据各阶段的目标时延和时延阈值，从各阶段的简单处理机制和复杂处理机制中确定目标处理机制，并控制自动驾驶车辆的自动驾驶系统在各阶段基于对应的目标处理机制工作。本发明先根据自车的当前行驶数据和环境感知数据确定路况复杂度，然后为端到端控制机制的各阶段分配合理的目标时延，根据各阶段目标时延是否充足选择用简单处理机制或复杂处理机制进行对应阶段任务的处理，使得各阶段的时延均可得到严格控制，不会挤占控制阶段的时间容量，因此既可以实现对全阶段的时延控制，又避免了控制阶段时间容量较小导致车辆过快减速的情况，实现了效率和安全的兼顾。

附图说明

下面结合附图，通过对本发明的具体实施方式详细描述，将使本发明的技术方案及其它有益效果显而易见。

图1为本发明的车辆控制方法适用的场景示意图。

图2为本发明的车辆控制方法的流程示意图。

图3为本发明中端到端控制机制的流程示意图。

图4为本发明中传统自动驾驶系统的架构示意图。

图5为本发明中一体化自动驾驶系统的架构示意图。

图6为现有技术和本发明的车辆控制方法对比示意图。

图7为本发明的车辆控制装置的示意图。

图8为本发明的电子设备的结构示意图。

具体实施方式

下面将结合本发明中的附图，对本发明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，本领域技术人员在没有作出创造性劳动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。

本发明提供一种车辆控制方法、装置和电子设备，用以缓解现有的车辆控制方法中无法兼顾效率和安全性的技术问题。

请参阅图1，图1为本发明的车辆控制方法适用的场景示意图，该场景可以包括终端以及服务器，终端之间、服务器之间以及终端与服务器之间通过各种网关组成的互联网等方式连接通信，其中，该应用场景中包括自动驾驶车辆11和感知源12；其中：

自动驾驶车辆11在自动驾驶系统的控制下在车道上行驶，自动驾驶系统可以是ADAS(Advanced Driver Assistant System，高级驾驶辅助系统)；

感知源12包括车载感知源和路边源中的至少一种，其中车载感知源可以是自动驾驶车辆11上安装的车载传感器，路边感知源可以是车路协同系统中设置在车道两侧的路边传感器，各类传感器可以包括摄像头、激光雷达、毫米波雷达/微波雷达、GPS/IMU等，可以实现对路面环境数据的精确采集，环境可包括各类车辆、行人、障碍物、交通标识、车道等，并将采集的环境感知数据发送给自动驾驶车辆11的自动驾驶系统。

自动驾驶车辆11和感知源12位于无线网络或有线网络中，以实现两者之间的数据交互，其中：

自动驾驶车辆11的自动驾驶系统先获取感知源12采集到的环境感知数据、以及自动驾驶车辆11的当前行驶数据，然后根据自动驾驶车辆11的当前速度以及与其他对象的位置关系等，判断当前是否有与其他对象碰撞等紧急状况，如果有，将优先级较高的抢占式控制机制确定为目标控制机制，自动驾驶系统通过该控制机制对自动驾驶车辆11进行抢占式控制，使其可以及时进行相应地加速、减速等，以保证行车安全。如果没有紧急状况，将一般的端到端控制机制确定为目标控制机制，根据获取的环境感知数据确定路况的复杂程度，然后以此为依据，确定端到端控制机制的感知定位阶段、跟踪预测阶段、决策阶段、以及控制阶段中各阶段的目标时延，根据每个阶段的目标时延与本阶段的时延阈值的大小，确定该阶段使用简单处理机制还是复杂处理机制对数据进行处理，以实现各阶段的目标时延与该阶段所需处理任务的复杂度相匹配，最后控制自动驾驶系统在各阶段基于对应的处理机制工作。

需要说明的是，图1所示的系统场景示意图仅仅是一个示例，本发明描述的服务器以及场景是为了更加清楚地说明本发明的技术方案，并不构成对于本发明提供的技术方案的限定，本领域普通技术人员可知，随着系统的演变和新业务场景的出现，本发明提供的技术方案对于类似的技术问题，同样适用。以下分别进行详细说明。需说明的是，以下实施例的描述顺序不作为对实施例优选顺序的限定。

请参阅图2，图2是本发明的车辆控制方法的流程示意图，该方法包括：

S201：获取环境感知数据和自动驾驶车辆的当前行驶数据。

在本发明实施例中，环境感知数据指自动驾驶车辆及其周围一定范围内的所有感知对象的感知数据，感知对象可以是车辆、行人、障碍物、车道线、路标、交通标志、交通信号灯等各类型的物体，自动驾驶车辆的当前行驶数据指当前速度、加速度、角速度等数据。

自动驾驶系统在控制自动驾驶车辆在目标区域的车道上行驶时，需要先获取目标区域的环境感知数据和自动驾驶车辆的当前行驶数据。目标区域包括至少一条车道，在各车道的单侧或双侧可以设置多个路边感知源，各路边感知源可以采集其感知范围内的环境感知数据。自动驾驶车辆上设置有车载感知源，各车载感知源在自动驾驶车辆行驶过程中，也会采集其感知范围内的环境感知数据。在车路协同系统中，自动驾驶系统获取的环境感知数据，可以仅包括路边感知源的环境感知数据，或者仅包括车载感知源的环境感知数据，也可以同时包括路边感知源和车载感知源的环境感知数据，本领域的技术人员可根据需要自行设置环境感知数据的具体获取来源。

各感知源具体可包括摄像头、激光雷达、毫米波雷达/微波雷达、GPS/IMU等，其中摄像头获取的是图像数据，可以反映自动驾驶车辆行驶环境中的车辆、行人、障碍物、车道线、路标、交通标志、交通信号灯等各类感知对象的信息，雷达获取的是点云数据，可以反映自动驾驶车辆行驶环境中各感知对象与自动驾驶车辆的距离等信息，GPS/IMU获取的是定位数据，可以反映自动驾驶车辆在行驶过程中的位置信息。

S202：根据环境感知数据和当前行驶数据，确定端到端控制机制的感知定位阶段、跟踪预测阶段、决策阶段、以及控制阶段中各阶段的目标时延。

自动控制系统在每个控制周期内，均可以通过端到端控制机制对自动驾驶车辆进行控制，使其进行减速、加速、变道、掉头等相应的操作。端到端控制机制指在获取到环境感知数据后，自动对环境感知数据中的感知对象进行分类和识别、自动对识别的各感知对象的行驶轨迹进行跟踪预测、自动对自动驾驶车辆的行驶路径和驾驶行为进行规划和决策，并自动将决策映射成自动驾驶控制命令的机制。端到端控制机制从环境感知数据到自动驾驶控制命令的转换需要经过四个阶段，依次为感知定位阶段、跟踪预测阶段、决策阶段和控制阶段，其中感知定位阶段和跟踪预测阶段可共同作为前端处理阶段。

如图3所示，AD计算机101上的自动控制系统包括感知定位模块10、跟踪预测模块20、决策模块30、控制模块40和流控保证模块50，感知定位模块10、跟踪预测模块20、决策模块30以及控制模块40分别用于处理对应阶段的处理任务，其中感知定位模块10用于接收环境感知数据100，控制模块40用于向动力和底盘系统200发出自动驾驶控制命令。感知定位模块10、跟踪预测模块20、决策模块30以及控制模块40均具有简单处理机制和复杂处理机制，图4中简称为简单机制和复杂机制，流控保证模块50用于根据环境感知数据100和当前行驶数据300，为各阶段分配合适的目标时延，并根据该目标时延与时延阈值的关系确定该目标时延是否充足，从而确定感知定位模块10、跟踪预测模块20、决策模块30以及控制模块40各自使用哪种机制执行对应的处理任务。

在本发明实施例中，时延是指数据从输入端到输出端所需的时间，对于感知定位阶段，时延指从接收到环境感知数据开始到输出感知对象的分类和识别数据所需的时间，对于跟踪预测阶段，时延指从接收到分类和识别数据开始到输出预测路径信息所需的时间，对于决策阶段，时延指从接收到预测路径信息开始到输出规划行车轨迹所需的时间，对于控制阶段，时延指从接收到规划行车轨迹开始到输出所有自动驾驶控制命令所需的时间。如图3所示，各阶段的时延分别记为时延1至时延4。

感知定位模块10在获取到环境感知数据100后，将环境感知数据100发送至流控保证模块50，流控保证模块50根据环境感知数据100可以得知自动驾驶车辆当前所处区域的路况复杂度，例如处于高速车道上，前后车辆均相距自动驾驶车辆较远，则表示当前路况比较简单，再例如处于十字路口，路口有多个车辆、行人、交通指示灯等较多的感知对象，各感知对象之间的间距也较小，则表示当前路况较为复杂。同时，流控保证模块50还根据自动驾驶车辆的当前行驶数据300，也即当前速度、加速度、角速度等信息，确定自动驾驶车辆的当前行驶状态，根据自车状态和环境状态共同确定端到端控制机制各阶段的时延。

通常情况下，端到端控制机制各阶段的时延总和为定值，如150毫秒，当然也可以是其他数值。当某一阶段的时延增大时，另一阶段的时延会相应减小，此时可根据实际情况确定哪些阶段需要较长的时延，哪些阶段可以适当减小时延。在确定时，还需要综合考虑每个阶段所需的最小时延以保证安全性，例如需保证控制阶段时延不能低于30毫秒等。

自动驾驶车辆在简单路况下行驶时，安全性通常较高，因此可以将环境感知数据的处理精度要求降低一些，将行车轨迹的计算精度提高一些，以实现在安全的同时保证舒适度。而在复杂路况下行驶时，安全性尤为重要，此时可以将环境感知数据的处理精度要求增高，减小与其他感知对象发生碰撞的风险，将行车轨迹的计算精度降低一些，且快速、小幅度地改变车速。

通过上述方式，确定每个阶段各自的目标时延，也即各阶段可以持续的最长时间。例如，在复杂路况下，可以将感知定位阶段的目标时延设置为40毫秒，跟踪预测阶段的目标时延设置为40毫秒，将决策阶段的目标时延设置为10毫秒，剩余时间均为控制阶段的目标时延。在不复杂路况下，可以将感知定位阶段的目标时延设置为30毫秒，跟踪预测阶段的目标时延设置为30毫秒，将决策阶段的目标时延设置为20毫秒，剩余时间均为控制阶段的目标时延。此外，也可以将感知定位阶段和跟踪预测阶段作为一个整体看待，该整体阶段为前端处理阶段，将前端处理阶段的目标时延设置为80毫秒或60毫秒等。分开和整体设置的方式，均落入本发明的保护范围中。各阶段目标时延的值均可以根据实际需求设置。

S203：根据各阶段的目标时延和时延阈值，从各阶段的简单处理机制和复杂处理机制中确定目标处理机制，并控制自动驾驶车辆的自动驾驶系统在各阶段基于对应的目标处理机制工作。

在确定某个目标时延的长短时，需要根据其与预设的时延阈值的大小关系来确定，当某个阶段的目标时延大于时延阈值时，表示时间较为充足，在该阶段可以使用复杂处理机制来提高准确性，当某个阶段的目标时延不大于时延阈值时，表示时间较短，在该阶段需要使用简单处理机制来保证不挤占后续阶段的时间容量。流控保证模块50向各模块发送相关指令，以指示各模块具体采用哪种机制进行处理。

在一种实施例中，S203具体包括：根据感知定位阶段的第一目标时延和第一时延阈值，从感知定位阶段的简单处理机制和复杂处理机制中确定目标处理机制；在目标处理机制为复杂处理机制时，控制自动驾驶车辆的自动驾驶系统在感知定位阶段，获取环境感知数据中至少两类感知源的感知数据，分别对各类感知数据进行分类和识别处理，再将分类和识别结果进行融合处理，得到环境中各感知对象的分类和识别数据；在目标处理机制为简单处理机制时，控制自动驾驶车辆的自动驾驶系统在感知定位阶段，获取环境感知数据中第一目标类感知源的感知数据并进行分类和识别处理，得到环境中各感知对象的分类和识别数据。

当感知定位阶段的第一目标时延大于第一时延阈值时，确定目标处理机制为复杂处理机制，复杂处理机制为该阶段最合适的处理机制。在该机制下，感知定位模块10可以对摄像头、激光雷达、毫米波雷达/微波雷达等感知源中的至少两类采集到的环境感知数据进行分别处理，如对图像数据和点云数据分别处理，得到摄像头图像数据中的2D感知对象的分类和识别结果以及激光雷达点云数据中3D感知对象的分类和识别结果，然后将各类型的分类和识别结果进行融合，以得到最终的环境中各感知对象的分类和识别数据。采用此种方式，计算过程较为复杂，分类和识别感知对象时较为准确，需要花费的时间较长。

当感知定位阶段的第一目标时延不大于第一时延阈值时，确定目标处理机制为简单处理机制，简单处理机制为该阶段最合适的处理机制。在该机制下，感知定位模块10可以对摄像头、激光雷达、毫米波雷达/微波雷达等感知源中的第一目标类感知源采集到的环境感知数据进行分别处理，第一目标类感知源可以是其中的任意单一感知源，如对激光雷达的点云数据进行处理，处理时可采用XOR网络等二进制快速网络来分类目标，用PointPillars这类快速算法来识别障碍物等。采用此种方式，计算较为简单，所需花费的时间较短。

在一种实施例中，在根据感知定位阶段的第一目标时延和第一时延阈值，从感知定位阶段的简单处理机制和复杂处理机制中确定目标处理机制的步骤之后，还包括：从环境感知数据中确定超过时效性的感知数据；丢弃超过时效性的感知数据。感知定位模块10将感知数据发送给流控保证模块50，流控保证模块50在获取到环境感知数据后，为了进一步提高处理效率，可以指示感知定位模块10不必对每一帧感知数据均进行处理，而是在处理过程中，放弃处理某些具有较大延迟的数据，这些数据由于超过时效性，对计算结果的准确性不具有指导性，还会降低计算效率，可以将其丢弃后仅处理最新的感知数据，以保证行车安全。丢弃的操作可以仅在复杂处理机制下使用，或者仅在简单处理机制下使用，也可以在两种机制下均使用。

在一种实施例中，S203具体包括：根据跟踪预测阶段的第二目标时延和第二时延阈值，从跟踪预测阶段的简单处理机制和复杂处理机制中确定目标处理机制；在目标处理机制为复杂处理机制时，控制自动驾驶车辆的自动驾驶系统在跟踪预测阶段，基于神经网络模型处理感知定位阶段得到的分类和识别数据，得到各感知对象的跟踪交通数据，并基于神经网络模型得到各感知对象的预测交通数据；在目标处理机制为简单处理机制时，控制自动驾驶车辆的自动驾驶系统在跟踪预测阶段，基于动力学模型处理感知定位阶段得到的分类和识别数据，得到各感知对象的跟踪交通数据和预测交通数据。

当跟踪预测阶段的第二目标时延大于第二时延阈值时，确定目标处理机制为复杂处理机制，复杂处理机制为该阶段最合适的处理机制。在该机制下，跟踪预测模块20可以采用图神经网络来跟踪相关车辆、行人等感知对象的行为轨迹，得到跟踪交通数据，并采用LSTM或RNN网络来预测他们的下一步行动轨迹，得到预测交通数据。采用此种方式，计算过程较为复杂，跟踪和预测结果较为准确，需要花费的时间较长。

当跟踪预测阶段的第二目标时延不大于第二时延阈值时，确定目标处理机制为简单处理机制，简单处理机制为该阶段最合适的处理机制。在该机制下，跟踪预测模块20可以采用动力学模型来跟踪相关车辆、行人等感知对象的行为轨迹，得到跟踪交通数据，并采用动力学模型来预测他们的下一步行动轨迹，得到预测交通数据。采用此种方式，计算较为简单，所需花费的时间较短。

在一种实施例中，在根据跟踪预测阶段的第二目标时延和第二时延阈值，从跟踪预测阶段的简单处理机制和复杂处理机制中确定目标处理机制的步骤之后，还包括：根据环境感知数据和当前行驶数据，从各感知对象中确定非目标感知对象；丢弃非目标感知对象的分类和识别数据。跟踪预测模块20将感知对象的识别信息发送给流控保证模块50，为了进一步提高处理效率，流控保证模块50可以指示跟踪预测模块20结合自动驾驶车辆的当前行驶数据，确定所有感知对象中哪些是必须准确跟踪和预测的目标感知对象，哪些是与行驶相关度较弱的非目标感知对象，然后丢弃部分非目标感知对象的分类和识别数据，以减小计算量。例如，在自动驾驶车辆以某个速度进行转向时，可以缩小预测视野，抛掉反向的后行车辆和物体；再例如，在自动驾驶车辆周围对象数量较多时，可以减小预测视野的距离，不处理较远距离对象的数据等。同样的，丢弃操作可以仅在复杂处理机制下使用，或者仅在简单处理机制下使用，也可以在两种机制下均使用。

在一种实施例中，S203具体包括：根据决策阶段的第三目标时延和第三时延阈值，从决策阶段的简单处理机制和复杂处理机制中确定目标处理机制；在目标处理机制为复杂处理机制时，控制自动驾驶车辆的自动驾驶系统在决策阶段，基于第一规划算法得到自动驾驶车辆的交通规划数据；在目标处理机制为简单处理机制时，控制自动驾驶车辆的自动驾驶系统在决策阶段，基于第二规划算法得到自动驾驶车辆的交通规划数据，第二规划算法的复杂度和准确性小于第一规划算法的复杂度和准确性。

当决策阶段的第三目标时延大于第三时延阈值时，确定目标处理机制为复杂处理机制，复杂处理机制为该阶段最合适的处理机制。在该机制下，流控保证模块50根据决策模块30发送的预测路径信息，指示决策模块30可以采用RTT(Round-Trip Time，往返时延)或者栅格计算算法来为自动驾驶车辆规划行车轨迹，得到交通规划数据。采用此种方式，计算过程较为复杂，决策结果较为准确，需要花费的时间较长。

当决策阶段的第三目标时延不大于第三时延阈值时，确定目标处理机制为简单处理机制，简单处理机制为该阶段最合适的处理机制。在该机制下，流控保证模块50根据决策模块30发送的预测路径信息，指示决策模块30可以采用A*算法从多条可选路径中快速选择行车轨迹，A*算法的复杂度和准确性均小于RTT或者栅格计算算法的复杂度和准确性。采用此种方式，计算过程较为简单，通过降低计算轨迹的精度，降低舒适度来保证效率和安全。

在一种实施例中，S203具体包括：根据控制阶段的第四目标时延和第四时延阈值，从控制阶段的简单处理机制和复杂处理机制中确定目标处理机制；在目标处理机制为复杂处理机制时，控制自动驾驶车辆的自动驾驶系统在所述控制阶段，基于第一控制算法得到自动驾驶车辆的控制命令；在目标处理机制为简单处理机制时，控制自动驾驶车辆的自动驾驶系统在控制阶段，基于第二控制算法得到自动驾驶车辆的控制命令，第二控制算法的复杂度和准确性小于第一控制算法的复杂度和准确性。

当控制阶段的第四目标时延大于第四时延阈值时，确定目标处理机制为复杂处理机制，复杂处理机制为该阶段最合适的处理机制。控制模块40可以基于强化学习或者模拟学习算法来得到自动驾驶车辆的控制命令，包括减速、加速、转向以及对应操作的各项参数等。采用此种方式，计算过程较为复杂，控制命令较为细腻准确，需要花费的时间较长。

当控制阶段的第三目标时延不大于第四时延阈值时，确定目标处理机制为简单处理机制，简单处理机制为该阶段最合适的处理机制。在该机制下，控制模块40可以采用PID(Proportional Integral Derivative，比例积分微分)算法或MPC(Model PredictControl，模型预测控制)算法来得到自动驾驶车辆的控制命令，PID算法或MPC算法的复杂度和准确性均小于强化学习或者模拟学习算法的复杂度和准确性。采用此种方式，计算过程较为简单，通过降低舒适度来保证控制命令被完整执行。

在上述各阶段，虽然为各阶段分配了目标时延，但实际处理过程中，各阶段的实际处理时长仍有可能有一定的偏差，则在控制阶段，流控保证模块50可以根据控制模块40发送的时间戳，确定从获取环境感知数据至决策信息到达控制模块40的总时长，进而确定控制模40还有多少时间来处理任务，如果剩余时长较长，采用复杂处理机制，如果剩余时间较短，采用简单处理机制。

在一种实施例中，在S201之后还包括：获取环境感知数据中第二目标类感知源的感知数据；在自动驾驶车辆的当前行驶数据和感知数据表征需要紧急制动时，控制自动驾驶车辆的自动驾驶系统基于抢占式控制机制工作。一般情况下自动驾驶系统以端到端控制机制来控制自动驾驶车辆行驶，但因为实际路况有时会有突发紧急事件，如行人突然横穿马路、某个车辆突然加速减速等，这种突发紧急事件如果还采用端到端控制机制，则有可能会由于时延过长导致控制不及时，造成碰撞等安全隐患。为提高安全性，环境感知数据中第二目标类感知源的感知数据会直接发送给流控保证模块50，第二目标类感知源通常为毫米波雷达和/或微波雷达，其感知精度较高，感知范围也较广，流控保证模块50根据自动驾驶车辆的当前速度和第二目标类感知源的感知数据，发现以当前速度会很快与前方一定距离突然出现的物体碰撞时，会迅速做出反应，做抢占式控制输出，即不经过感知定位模块10、跟踪预测模块20以及决策模块30的准确计算和处理，直接指示控制模块40在不小于30毫秒的时延中发出减速等自动驾驶控制命令。

如图4和图5所示，分别为传统自动驾驶系统和一体化自动驾驶系统的结构示意图。感知定位模块10具有复杂感知模块和简单感知模块，跟踪预测模块20具有复杂预测模块和简单预测模块，决策模块30具有复杂决策模块和简单决策模块，控制模块40具有复杂控制模块和简单控制模块，流控保证模块50获取自动驾驶车辆的当前行驶数据300，并与感知定位模块10、跟踪预测模块20、决策模块30以及控制模块40分别进行交互，然后做出对应的感知操作判别、预测操作判别、决策操作判别和控制操作判别，以确定这四个模块应该采用哪种机制进行任务的处理。需要说明的是，本发明可仅通过感知源中的GPS等进行定位，也可以将GPS与预先绘制的高清地图400结合来实现更加精准的定位。在端到端控制机制下，环境感知数据100需要经过上述四个模块的处理后发送至车控MCU中，再控制动力和底盘系统200工作，在抢占式控制机制下，直接获取环境感知数据100中的毫米波和微波雷达数据，然后向车控MCU发指令，以实现直接控制动力和底盘系统200紧急工作。

如图4所示，在传统自动驾驶系统中，各模块可位于不同的CPU中，如跟踪预测模块20、决策模块30以及控制模块40位于中控CPU中，感知定位模块10和流控保证模块50分别位于其他某个CPU中，然后各硬件之间再进行通信。如图5所示，在一体化自动驾驶系统中，各模块可以位于集成芯片SOC中，如跟踪预测模块20、决策模块30以及控制模块40运行于某个CPU上，感知定位模块10运行于某个NPU上，流控保证模块50运行于某个CPU的核上，各CPU和NPU集成为一个SOC。对于两种架构的自动驾驶系统，均可适用上述实施例中的车辆控制方法。

如图6所示，为现有技术与本发明的车辆控制方法的对比示意图，其中图6中的A为现有技术，图6中的B为本发明。环境感知数据100经过感知定位阶段61、跟踪预测阶段62、决策阶段63和控制阶段64映射为自动驾驶控制命令发送给动力和底盘系统200，在现有技术中，仅关注控制阶段64的时延，其他三个阶段很有可能耗费了较长的时间，使得控制阶段64时间容量被挤占，无法保证最终的舒适性和安全。而在本发明中，对四个阶段的时延都按照环境复杂度进行严格分配，且每个阶段都有简单和复杂两种机制可以选择，从而实现了每个阶段的时延可控，不会挤占控制阶段的时间容量，因此既可以实现对全阶段的时延控制，又避免了控制阶段时间容量较小导致车辆过快减速的情况，实现了效率和安全的兼顾。

相应的，图7为本发明的车辆控制装置的结构示意图，请参阅图7，该车辆控制装置包括：

获取模块110，用于获取环境感知数据和自动驾驶车辆的当前行驶数据；

第一确定模块120，用于根据所述环境感知数据和所述当前行驶数据，确定端到端控制机制的感知定位阶段、跟踪预测阶段、决策阶段、以及控制阶段中各阶段的目标时延；

第二确定模块130，用于根据各阶段的目标时延和时延阈值，从各阶段的简单处理机制和复杂处理机制中确定目标处理机制，并控制所述自动驾驶车辆的自动驾驶系统在各阶段基于对应的目标处理机制工作。

在一种实施例中，第二确定模块130包括：

第一确定单元，用于根据所述感知定位阶段的第一目标时延和第一时延阈值，从所述感知定位阶段的简单处理机制和复杂处理机制中确定目标处理机制；

第一控制单元，用于在所述目标处理机制为复杂处理机制时，控制所述自动驾驶车辆的自动驾驶系统在所述感知定位阶段，获取所述环境感知数据中至少两类感知源的感知数据，分别对各类感知数据进行分类和识别处理，再将分类和识别结果进行融合处理，得到环境中各感知对象的分类和识别数据；

第二控制单元，用于在所述目标处理机制为简单处理机制时，控制所述自动驾驶车辆的自动驾驶系统在所述感知定位阶段，获取所述环境感知数据中第一目标类感知源的感知数据并进行分类和识别处理，得到环境中各感知对象的分类和识别数据。

在一种实施例中，第二确定模块130还包括在第一确定单元之后的第一丢弃单元，第一丢弃单元用于，从所述环境感知数据中确定超过时效性的感知数据；丢弃所述超过时效性的感知数据。

在一种实施例中，第二确定模块130包括：

第二确定单元，用于根据所述跟踪预测阶段的第二目标时延和第二时延阈值，从所述跟踪预测阶段的简单处理机制和复杂处理机制中确定目标处理机制；

第三控制单元，用于在所述目标处理机制为复杂处理机制时，控制所述自动驾驶车辆的自动驾驶系统在所述跟踪预测阶段，基于神经网络模型处理所述感知定位阶段得到的分类和识别数据，得到各感知对象的跟踪交通数据，并基于神经网络模型得到各感知对象的预测交通数据；

第四控制单元，用于在所述目标处理机制为简单处理机制时，控制所述自动驾驶车辆的自动驾驶系统在所述跟踪预测阶段，基于动力学模型处理所述感知定位阶段得到的分类和识别数据，得到各感知对象的跟踪交通数据和预测交通数据。

在一种实施例中，第二确定模块130还包括在第二确定单元之后的第二丢弃单元，第二丢弃单元用于，根据所述环境感知数据和所述当前行驶数据，从各感知对象中确定非目标感知对象；丢弃所述非目标感知对象的分类和识别数据。

在一种实施例中，第二确定模块130包括：

第三确定单元，用于根据所述决策阶段的第三目标时延和第三时延阈值，从所述决策阶段的简单处理机制和复杂处理机制中确定目标处理机制；

第五控制单元，用于在所述目标处理机制为复杂处理机制时，控制所述自动驾驶车辆的自动驾驶系统在所述决策阶段，基于第一规划算法得到所述自动驾驶车辆的交通规划数据；

第六控制单元，用于在所述目标处理机制为简单处理机制时，控制所述自动驾驶车辆的自动驾驶系统在所述决策阶段，基于第二规划算法得到所述自动驾驶车辆的交通规划数据，所述第二规划算法的复杂度和准确性小于所述第一规划算法的复杂度和准确性。

在一种实施例中，第二确定模块130包括：

第四确定单元，用于根据所述控制阶段的第四目标时延和第四时延阈值，从所述控制阶段的简单处理机制和复杂处理机制中确定目标处理机制；

第七控制单元，用于在所述目标处理机制为复杂处理机制时，控制所述自动驾驶车辆的自动驾驶系统在所述控制阶段，基于第一控制算法得到所述自动驾驶车辆的控制命令；

第八控制单元，用于在所述目标处理机制为简单处理机制时，控制所述自动驾驶车辆的自动驾驶系统在所述控制阶段，基于第二控制算法得到所述自动驾驶车辆的控制命令，所述第二控制算法的复杂度和准确性小于所述第一控制算法的复杂度和准确性。

在一种实施例中，车辆控制装置还包括第一获取模块，第一获取模块用于，获取所述环境感知数据中第二目标类感知源的感知数据；在所述自动驾驶车辆的当前行驶数据和所述感知数据表征需要紧急制动时，控制所述自动驾驶车辆的自动驾驶系统基于抢占式控制机制工作。

区别于现有技术，本发明提供的车辆控制装置，先获取环境感知数据和自动驾驶车辆的当前行驶数据，然后根据环境感知数据和当前行驶数据，确定端到端控制机制的前端处理阶段、决策阶段、以及控制阶段中各阶段的目标时延，最后根据各阶段的目标时延和时延阈值，从各阶段的简单处理机制和复杂处理机制中确定目标处理机制，并控制自动驾驶系统在各阶段基于对应的目标处理机制工作。本发明先根据自车的当前行驶数据和环境感知数据确定路况复杂度，然后为端到端控制机制的各阶段分配合理的目标时延，根据各阶段目标时延是否充足选择用简单处理机制或复杂处理机制进行对应阶段任务的处理，使得各阶段的时延均可得到严格控制，不会挤占控制阶段的时间容量，因此既可以实现对全阶段的时延控制，又避免了控制阶段时间容量较小导致车辆过快减速的情况，实现了效率和安全的兼顾。

相应地，本发明还提供一种电子设备，如图8所示，该电子设备可以包括射频电路801、包括有一个或一个以上计算机可读存储介质的存储器802、输入单元803、显示单元804、传感器805、音频电路806、WiFi模块807、包括有一个或者一个以上处理核心的处理器808以及电源809等部件。本领域技术人员可以理解，图8中示出的电子设备结构并不构成对电子设备的限定，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。其中：

射频电路801可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，交由一个或者一个以上处理器808处理；另外，将涉及上行的数据发送给基站。存储器802可用于存储软件程序以及模块，处理器808通过运行存储在存储器802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。输入单元803可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。

显示单元804可用于显示由用户输入的信息或提供给用户的信息以及电子设备的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。

电子设备还可包括至少一种传感器805，比如光传感器、运动传感器以及其他传感器。音频电路806包括扬声器，扬声器可提供用户与电子设备之间的音频接口。

WiFi属于短距离无线传输技术，电子设备通过WiFi模块807可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图8示出了WiFi模块807，但是可以理解的是，其并不属于电子设备的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。

处理器808是电子设备的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器802内的软件程序和/或模块，以及调用存储在存储器802内的数据，执行电子设备的各种功能和处理数据，从而对手机进行整体监控。

电子设备还包括给各个部件供电的电源809(比如电池)，优选的，电源可以通过电源管理系统与处理器808逻辑相连，从而通过电源管理系统实现管理充电、放电以及功耗管理等功能。

尽管未示出，电子设备还可以包括摄像头、蓝牙模块等，在此不再赘述。具体在本实施例中，电子设备中的处理器808会按照如下指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器802中并由处理器808来运行存储在存储器802中的应用程序，从而实现以下功能：

获取环境感知数据和自动驾驶车辆的当前行驶数据；根据所述环境感知数据和所述当前行驶数据，确定端到端控制机制的感知定位阶段、跟踪预测阶段、决策阶段、以及控制阶段中各阶段的目标时延；根据各阶段的目标时延和时延阈值，从各阶段的简单处理机制和复杂处理机制中确定目标处理机制，并控制所述自动驾驶车辆的自动驾驶系统在各阶段基于对应的目标处理机制工作。

在上述实施例中，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。

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可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。

为此，本发明提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以实现以下功能：

获取环境感知数据和自动驾驶车辆的当前行驶数据；根据所述环境感知数据和所述当前行驶数据，确定端到端控制机制的感知定位阶段、跟踪预测阶段、决策阶段、以及控制阶段中各阶段的目标时延；根据各阶段的目标时延和时延阈值，从各阶段的简单处理机制和复杂处理机制中确定目标处理机制，并控制所述自动驾驶车辆的自动驾驶系统在各阶段基于对应的目标处理机制工作。

以上各个操作的具体实施可参见前面的实施例，在此不再赘述。

其中，该计算机可读存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。

由于该计算机可读存储介质中所存储的指令，可以执行本发明所提供的任一种方法中的步骤，因此，可以实现本发明所提供的任一种方法所能实现的有益效果，详见前面的实施例，在此不再赘述。

以上对本发明所提供的一种车辆控制方法、装置、电子设备和存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的技术方案及其核心思想；本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例的技术方案的范围。

Claims (9)

1.一种车辆控制方法，其特征在于，包括：

获取环境感知数据和自动驾驶车辆的当前行驶数据；

根据所述环境感知数据和所述当前行驶数据，确定端到端控制机制的感知定位阶段、跟踪预测阶段、决策阶段、以及控制阶段中各阶段的目标时延；

根据各阶段的目标时延和时延阈值，从各阶段的简单处理机制和复杂处理机制中确定目标处理机制，并控制所述自动驾驶车辆的自动驾驶系统在各阶段基于对应的目标处理机制工作，包括：根据所述感知定位阶段的第一目标时延和第一时延阈值，从所述感知定位阶段的简单处理机制和复杂处理机制中确定目标处理机制；在所述目标处理机制为复杂处理机制时，控制所述自动驾驶车辆的自动驾驶系统在所述感知定位阶段，获取所述环境感知数据中至少两类感知源的感知数据，分别对各类感知数据进行分类和识别处理，再将分类和识别结果进行融合处理，得到环境中各感知对象的分类和识别数据；在所述目标处理机制为简单处理机制时，控制所述自动驾驶车辆的自动驾驶系统在所述感知定位阶段，获取所述环境感知数据中第一目标类感知源的感知数据并进行分类和识别处理，得到环境中各感知对象的分类和识别数据。

2.如权利要求1所述的车辆控制方法，其特征在于，在根据所述感知定位阶段的第一目标时延和第一时延阈值，从所述感知定位阶段的简单处理机制和复杂处理机制中确定目标处理机制的步骤之后，还包括：

从所述环境感知数据中确定超过时效性的感知数据；

丢弃所述超过时效性的感知数据。

3.如权利要求1所述的车辆控制方法，其特征在于，根据各阶段的目标时延和时延阈值，从各阶段的简单处理机制和复杂处理机制中确定目标处理机制，并控制所述自动驾驶车辆的自动驾驶系统在各阶段基于对应的目标处理机制工作的步骤，包括：

根据所述跟踪预测阶段的第二目标时延和第二时延阈值，从所述跟踪预测阶段的简单处理机制和复杂处理机制中确定目标处理机制；

在所述目标处理机制为复杂处理机制时，控制所述自动驾驶车辆的自动驾驶系统在所述跟踪预测阶段，基于神经网络模型处理所述感知定位阶段得到的分类和识别数据，得到各感知对象的跟踪交通数据，并基于神经网络模型得到各感知对象的预测交通数据；

在所述目标处理机制为简单处理机制时，控制所述自动驾驶车辆的自动驾驶系统在所述跟踪预测阶段，基于动力学模型处理所述感知定位阶段得到的分类和识别数据，得到各感知对象的跟踪交通数据和预测交通数据。

4.如权利要求3所述的车辆控制方法，其特征在于，在根据所述跟踪预测阶段的第二目标时延和第二时延阈值，从所述跟踪预测阶段的简单处理机制和复杂处理机制中确定目标处理机制的步骤之后，还包括：

根据所述环境感知数据和所述当前行驶数据，从各感知对象中确定非目标感知对象；

丢弃所述非目标感知对象的分类和识别数据。

5.如权利要求1所述的车辆控制方法，其特征在于，根据各阶段的目标时延和时延阈值，从各阶段的简单处理机制和复杂处理机制中确定目标处理机制，并控制所述自动驾驶车辆的自动驾驶系统在各阶段基于对应的目标处理机制工作的步骤，包括：

根据所述决策阶段的第三目标时延和第三时延阈值，从所述决策阶段的简单处理机制和复杂处理机制中确定目标处理机制；

在所述目标处理机制为复杂处理机制时，控制所述自动驾驶车辆的自动驾驶系统在所述决策阶段，基于第一规划算法得到所述自动驾驶车辆的交通规划数据；

在所述目标处理机制为简单处理机制时，控制所述自动驾驶车辆的自动驾驶系统在所述决策阶段，基于第二规划算法得到所述自动驾驶车辆的交通规划数据，所述第二规划算法的复杂度和准确性小于所述第一规划算法的复杂度和准确性。

6.如权利要求1所述的车辆控制方法，其特征在于，根据各阶段的目标时延和时延阈值，从各阶段的简单处理机制和复杂处理机制中确定目标处理机制，并控制所述自动驾驶车辆的自动驾驶系统在各阶段基于对应的目标处理机制工作的步骤，包括：

根据所述控制阶段的第四目标时延和第四时延阈值，从所述控制阶段的简单处理机制和复杂处理机制中确定目标处理机制；

在所述目标处理机制为复杂处理机制时，控制所述自动驾驶车辆的自动驾驶系统在所述控制阶段，基于第一控制算法得到所述自动驾驶车辆的控制命令；

在所述目标处理机制为简单处理机制时，控制所述自动驾驶车辆的自动驾驶系统在所述控制阶段，基于第二控制算法得到所述自动驾驶车辆的控制命令，所述第二控制算法的复杂度和准确性小于所述第一控制算法的复杂度和准确性。

7.如权利要求1所述的车辆控制方法，其特征在于，所述车辆控制方法还包括：

获取所述环境感知数据中第二目标类感知源的感知数据；

在所述自动驾驶车辆的当前行驶数据和所述感知数据表征需要紧急制动时，控制所述自动驾驶车辆的自动驾驶系统基于抢占式控制机制工作。

8.一种车辆控制装置，其特征在于，包括：

获取模块，用于获取环境感知数据和自动驾驶车辆的当前行驶数据；

第一确定模块，用于根据所述环境感知数据和所述当前行驶数据，确定端到端控制机制的感知定位阶段、跟踪预测阶段、决策阶段、以及控制阶段中各阶段的目标时延；

第二确定模块，用于根据各阶段的目标时延和时延阈值，从各阶段的简单处理机制和复杂处理机制中确定目标处理机制，并控制所述自动驾驶车辆的自动驾驶系统在各阶段基于对应的目标处理机制工作，包括：根据所述感知定位阶段的第一目标时延和第一时延阈值，从所述感知定位阶段的简单处理机制和复杂处理机制中确定目标处理机制；在所述目标处理机制为复杂处理机制时，控制所述自动驾驶车辆的自动驾驶系统在所述感知定位阶段，获取所述环境感知数据中至少两类感知源的感知数据，分别对各类感知数据进行分类和识别处理，再将分类和识别结果进行融合处理，得到环境中各感知对象的分类和识别数据；在所述目标处理机制为简单处理机制时，控制所述自动驾驶车辆的自动驾驶系统在所述感知定位阶段，获取所述环境感知数据中第一目标类感知源的感知数据并进行分类和识别处理，得到环境中各感知对象的分类和识别数据。

9.一种电子设备，其特征在于，包括存储器和处理器；所述存储器存储有应用程序，所述处理器用于运行所述存储器内的应用程序，以执行权利要求1至7任一项所述的车辆控制方法中的步骤。

Images