CN114103994B - 基于车辆自动清扫路面的控制方法、装置、设备及车辆 - Google Patents
基于车辆自动清扫路面的控制方法、装置、设备及车辆 Download PDFInfo
- Publication number
- CN114103994B CN114103994B CN202111400724.1A CN202111400724A CN114103994B CN 114103994 B CN114103994 B CN 114103994B CN 202111400724 A CN202111400724 A CN 202111400724A CN 114103994 B CN114103994 B CN 114103994B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- cleaning
- cleanliness
- road surface
- cleaned
- 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
- 238000004140 cleaning Methods 0.000 title claims abstract description 296
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000003749 cleanliness Effects 0.000 claims description 109
- 238000012545 processing Methods 0.000 claims description 23
- 238000005406 washing Methods 0.000 claims description 14
- 238000010408 sweeping Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 12
- 230000008447 perception Effects 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 10
- 238000011217 control strategy Methods 0.000 abstract description 5
- 238000005265 energy consumption Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 18
- 238000013527 convolutional neural network Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 11
- 238000003860 storage Methods 0.000 description 11
- 238000011176 pooling Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 241001417527 Pempheridae Species 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- 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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
-
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/005—Handover processes
- B60W60/0053—Handover processes from vehicle to occupant
-
- E—FIXED CONSTRUCTIONS
- E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
- E01H—STREET CLEANING; CLEANING OF PERMANENT WAYS; CLEANING BEACHES; DISPERSING OR PREVENTING FOG IN GENERAL CLEANING STREET OR RAILWAY FURNITURE OR TUNNEL WALLS
- E01H1/00—Removing undesirable matter from roads or like surfaces, with or without moistening of the surface
-
- 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
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/54—Audio sensitive means, e.g. ultrasound
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供一种基于车辆自动清扫路面的控制方法、装置、设备及车辆，该方法包括：获取车辆信息，所述车辆信息至少包括所述车辆行驶对应的路况信息；根据路况信息调整车辆自动驾驶的驾驶参数，沿预设的行驶路线行驶；当检测到车辆行驶到待清扫区域时，获取所述车辆对应待清扫的路面图像；识别待清扫的路面图像的清洁度，根据识别的待清扫的路面图像的清洁度调节所述车辆预设的清扫装置的清扫策略，按照所述清扫策略作业直至待清扫的路面达到预设的清洁度为止，本申请采用车辆全程自动清扫路面，大大提升了路面清扫的效率与智能程度，同时，根据感测的路面清洁度采用不同的控制策略，不仅可准确清扫路面到清洁状态，还可以降低能耗。
Description
技术领域
本申请涉及自动驾驶领域，特别是涉及基于车辆自动清扫路面的控制方法、装置、设备 及车辆。
背景技术
城市马路本来的颜色应该是漆黑的，可现如今绝大多数城市马路为灰白色，究其原因是 马路表面覆盖了一层灰尘，车辆的快速运行使得马路上的尘土漫天飞扬。
现有技术在清洗路面时，主要依靠人力驾驶清洁车辆(清洗车、洒水车、雾泡车)进行 作业，在作业时，一方面需要驾驶员操作清洁车辆，确保清洁车辆安全行驶，另一方面，还 需要驾驶员操作清洁车辆的清扫装置进行工作。然而，上述操作不仅增加了驾驶员的操作负 担，还无法根据路面状况作出合理有效的操作，容易引起操作费时、费力、耗能、清扫效率以及清扫效果不佳的现象，无法实现智能化清扫路面的目的。
现有技术在清洗路面时，主要依靠人力驾驶清洁车辆(清洗车、洒水车、雾泡车)进行 作业，在作业时，一方面需要驾驶员操作清洁车辆，确保清洁车辆安全行驶，另一方面，还 需要驾驶员操作清洁车辆的清扫装置进行工作。然而，上述操作不仅增加了驾驶员的操作负 担，还无法根据路面状况作出合理有效的操作，容易引起操作费时、费力、耗能、清扫效率以及清扫效果不佳的现象，无法实现智能化清扫路面的目的。
发明内容
鉴于以上所述现有技术的缺点，本申请的目的在于提供一种基于车辆自动清扫路面的控 制方法、装置、设备及车辆，用于解决现有技术中清洁车辆需要人为操作清扫路面的问题。
为实现上述目的及其他相关目的，本申请的第一方面提供了一种基于车辆自动清扫路面 的控制方法，包括：
获取车辆信息，所述车辆信息至少包括所述车辆行驶对应的路况信息；
根据所述路况信息调整车辆自动驾驶的驾驶参数，沿预设的行驶路线行驶；
当检测到所述车辆行驶到待清扫区域时，获取所述车辆对应待清扫的路面图像；
识别待清扫的路面图像的清洁度，根据识别的所述待清扫的路面图像的清洁度调节所述 车辆预设的清扫装置的清扫策略，按照所述清扫策略作业直至待清扫的路面达到预设的清洁 度为止。
在第一方面的实施例中，所述获取所述车辆信息的步骤，包括：
利用车载传感器采集所述车辆行驶对应的路况信息；所述车载传感器至少包括激光雷达、 摄像头、毫米波雷达、组合导航、车载通讯设备、超声波雷达组成；
其中，利用所述激光雷达、毫米波雷达与超声波雷达检测所述车辆在预设范围内的障碍 物，利用所述摄像头采集该车辆周围图像与路面图像，通过所述辆周围图像、路面图像与障 碍物确定车辆行驶对应的路况信息；
所述组合导航由全球定位系统与惯性导航系统构成，利用惯性导航系统根据车辆的惯性 加速度计算车辆的位置信息，利用该位置信息辅助全球定位系统进行导航定位；
所述车载通讯设备连接处理车载传感器采集的车辆参数的处理器并传输至后台服务器， 所述处理器用于将处理后产生的控制指令分别传输至相应的车辆控制器与清扫装置的控制 器。
在第一方面的实施例中，还包括：
获取所述车辆对应的待清扫区域；利用所述待清扫区域的位置信息与清扫范围确定车辆 的调度策略；根据所述调度策略向预设数量的车辆发送调度指令，按照所述调度指令生成到 达待清扫区域的行驶路线，依据所述行驶路线进行自动驾驶直至达到所述待清扫区域进行清扫作业。
在第一方面的实施例中，所述识别待清扫的路面图像的清洁度，根据识别的所述待清扫 的路面图像的清洁度调节所述车辆预设的清扫装置的清扫策略，按照所述清扫策略作业直至 待清扫的路面达到预设的清洁度为止，包括：
基于神经网络采用路面图像的样本集进行训练，构建清洁度识别模型；
利用清洁度识别模型识别待清扫的路面图像的清洁度，所述清洁度分为多级不同的清洁 程度，每种清洁程度至少对应一种清扫策略；
根据识别的所述待清扫的路面图像的清洁度等级确定所述车辆预设的清扫装置的清扫策 略，其中，所述清扫装置至少包括两个子清扫装置，第一子清扫装置与位于其后的第二子清 扫装置；
判断第一子清扫装置沿清扫策略清扫后的路面图像的清洁度；
当第一子清扫装置沿清扫策略清扫后的清洁度未达到预设的清洁度时；调整第二子清扫 装置的清扫策略增大清扫力度，直至待清扫的路面达到预设的清洁度为止；
当第一子清扫装置沿清扫策略清扫后的清洁度达到预设的清洁度时；保持或减少第二子 清扫装置的清扫策略所对应的清扫力度。
在第一方面的实施例中，还包括：
根据待清扫的路面图像的清洁度等级确定所述车辆预设的清扫装置的清扫策略；
按照所述车辆预设的清扫装置的清扫策略自适应调节车辆的车速；以当前所述车速下控 制所述车辆预设的清扫装置在对应的清扫策略直至待清扫的路面达到预设的清洁度为止。
在第一方面的实施例中，还包括：
利用车载传感器采集车辆底盘自动驾驶所对应驾驶参数，所述驾驶参数由车辆感知算法 模块、路径规划模块、决策控制模块确定；其中，所述感知算法模块用于对车辆周围环境的 感知和障碍物的检测，所述路径规划模块用于对洗扫任务进行动态规划，所述决策控制模块用对车辆横向纵向进行控制；
检测所述车辆底盘中车辆感知算法模块、路径规划模块、决策控制模块的故障状态，根 据检测的故障状态来判断当前车辆的运行状态，当所述车辆的运行状态正常时，所述车辆正 常行驶；当所述车辆的运行状态异常时，产生车辆自动驾驶设备相关警告，将车辆的驾驶模式切换手动控制，直至故障修复为止。
在第一方面的实施例中，还包括：
检测利用车载传感器采集的感测数据判断所述车辆在行驶中是否靠近交通路口或行人； 当判定所述车辆在行驶中靠近交通路口或行人时，控制所述车辆进入停止状态，并关闭所述 预设的清扫装置，直至满足车辆重新启动的相应条件，控制车辆进入自动驾驶模式与自动清扫模式。
在本申请的第二方面提供了一种基于车辆自动清扫路面的控制装置，包括：
第一获取模块，用于获取车辆信息，所述车辆信息至少包括所述车辆行驶对应的路况信 息；
自动驾驶模块，用于根据所述路况信息调整车辆自动驾驶的驾驶参数，沿预设的行驶路 线行驶；
第二获取模块，用于当检测到所述车辆行驶到待清扫区域时，获取所述车辆对应待清扫 的路面图像；
自动清扫模块，用于识别待清扫的路面图像的清洁度，根据识别的所述待清扫的路面图 像的清洁度调节所述车辆预设的清扫装置的清扫策略，按照所述清扫策略作业直至待清扫的 路面达到预设的清洁度为止。
在本申请的第三方面提供了一种电子设备，包括：
一个或多个处理装置；
存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理装置 执行，使得所述一个或多个处理装置执行所述基于车辆自动清扫路面的控制方法。
在本申请的还一目的在于提供一种计算机可读存储介质，其上存储有计算机程序，所述 计算机程序用于使所述计算机执行所述基于车辆自动清扫路面的控制方法。
如上所述，本申请的基于车辆自动清扫路面的控制基于车辆自动清扫路面的控制方法、 装置、设备及车辆，具有以下有益效果：
本申请通过一套车载传感器采集感测数据，将感测数据进行处理，分别生成车辆底盘自 动驾驶、车辆预设的清扫装置自动清扫的两套控制策略，结合自动驾驶与自动清扫进行作业， 避免人为参与的路面清扫，大大提升了路面清扫的效率与智能程度，同时，根据感测的路面清洁度采用不同的控制策略，不仅可准确清扫路面到清洁状态，还还可以降低能耗。
附图说明
图1显示为本申请提供的一种基于车辆自动清扫路面的控制方法流程图；
图2显示为本申请提供的一种基于车辆自动清扫路面的控制方法另一流程图；
图3显示为本申请提供的一种基于车辆自动清扫路面的控制方法完整流程图；
图4显示为本申请提供的一种基于深度学习网络的清洁度识别模型的结构图；
图5显示为本申请提供的一种基于车辆自动清扫路面的控制装置结构框图；
图6显示为本申请一实施例提供的一种中央处理单元算法模块结构图；
图7显示为本申请一实施例提供的一种电子设备的结构示意图。
具体实施方式
以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露 的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加 以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征 可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本申请的基本构想，遂图 式中仅显示与本申请中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实 际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
请参阅图1，为本申请提供的一种基于车辆自动清扫路面的控制方法流程图，包括：
步骤S101，获取车辆信息，所述车辆信息至少包括所述车辆行驶对应的路况信息；
其中，通过车辆上的车载传感器采集感测数据从而获取路况信息，该所述车载传感器至 少包括激光雷达、摄像头、毫米波雷达、组合导航、车载通讯设备、超声波雷达组成，其中， 利用所述激光雷达、毫米波雷达与超声波雷达检测所述车辆在预设范围内的障碍物，利用所述摄像头采集该车辆周围图像与路面图像，通过所述辆周围图像、路面图像与障碍物确定车 辆行驶对应的路段工况(路况信息)；
在此需要说明的是，例如，激光雷达适用于检测远距离(5-200m)障碍物，且是3D数据，效果较好；超声波雷达主要是检测小于5m内的障碍物，且精度不是很高；毫米波雷达 抗干扰能力好，能够很好地检测到障碍物的距离和速度(一般检测范围小于200m)，通过三 种雷达结合使用，可显著提高物体的检测精度。
所述组合导航由全球定位系统与惯性导航系统构成，利用惯性导航系统根据车辆的惯性 加速度按照时间对应积分从而计算车辆的位置信息，利用该位置信息辅助全球定位系统进行 导航定位，进而提高车辆的定位导航系统的定位精度；
所述车载通讯设备连接处理车载传感器采集的车辆参数的处理器并传输至后台服务器， 车载通讯设备可以是连接网络的无线网络模块，例如，4G模块、5G模块等，所述处理器用于将处理后产生的控制指令分别传输至相应的车辆控制器与清扫装置的控制器。
例如，激光雷达与摄像头通过以太组网连接交换机，利用交换机的以太网接口传输数据 至中央处理器，超声波雷通过通用异步收发传输器传输数据至中央处理器与整车控制器；毫 米波雷达、组合导航、车载通讯设备通过can接口连接中央处理器，中央处理器利用can接 口连接网关，网关将中央处理器传输的相应控制指令利用can接口分别发送上装清扫控制器与整车控制器。
步骤S102，根据所述路况信息调整车辆自动驾驶的驾驶参数，沿预设的行驶路线行驶；
其中，由于车辆在行驶过程中，车辆周围的路况信息实时变化，因此，会根据路况信息 调整车辆自动驾驶的驾驶参数，沿预设的行驶路线行驶，从而确保车辆的安全可靠的行驶。
步骤S103，当检测到所述车辆行驶到待清扫区域时，获取所述车辆对应待清扫的路面图 像；
由于车辆在驾驶到待清扫区域时，才可以启动车辆预设的清扫装置，因此，需要到达驾 驶到待清扫区域，才可获取所述车辆对应待清扫的路面图像，避免行驶过程中，一直采集路 面图像浪费资源。
步骤S104，识别待清扫的路面图像的清洁度，根据识别的所述待清扫的路面图像的清洁 度调节所述车辆预设的清扫装置的清扫策略，按照所述清扫策略作业直至待清扫的路面达到 预设的清洁度为止。
具体地，通过自动识别识别待清扫的路面图像的清洁度，在确定路面的清洁度后，按照 清洁度调节所述车辆预设的清扫装置的清扫策略，确保能够一次性清扫干净路面，达到准确 清扫路面的目的，避免一次清扫不干净，反复清扫。
需要说明的是，本实施例中的一次性清扫是指车辆在行驶过程中，不来回操作，通过一 个或多个子清扫装置协作性一次性清扫。
其中，还需要说明的是，通过一个子清扫装置清扫路面时，利用采集清扫后的路面图像， 并识别该路面图像的清洁度，按照清扫后的清洁度反向调整清扫策略，确保子清扫装置的能 够准确清扫路面，一旦发现清扫后的路面达不到预设清洁度，立即调整，确保路面的清洁度，进而实现又能清扫干净，又能降低功耗的作用。
而通过多个子清扫装置协作性清扫时，每个子清扫装置配置一个摄像头采集路面清洁度， 通过提起预判路面清洁度，如果排在前面第一子清扫装置按照第一清扫策略进行清扫后，未 达到预设清洁度，通过排在后面的第二子清扫装置按照第二清扫策略进行清扫，第二清扫策略的清扫力度远大于第一清扫策略的清扫力度，通过多级分配，当然，平常排在后面的子清 扫装置可以处于待机状态，不运作，避免浪费电力；总之，采用上述方式，避免出现误判引 起的清扫不干净的现象，能够准确清扫路面，确保清扫后的路面没有遗留污渍，都处于清洁 状态。
在本实施例中，利用自动驾驶清扫车的系统架构，通过共用一套传感器设备，进行感测 数据采集，不但满足了整车的自动驾驶功能，也让洗扫装置系统也实现了独立的感知、决策 和控制功能，大大降低了车辆的制造成本。
在软件系统设计上，底盘的自动驾驶功能和洗扫装置的洗扫功能相对独立，通过故障检 测放手进行两个独立系统间的信息交互，故障检测方式在独立的芯片上进行运行，并具备对 紧急情况的停车处理能力。使软件系统模块具备更高的鲁棒性和移植性。
可选的，在上述实施例的基础，还包括：
获取所述车辆对应的待清扫区域；利用所述待清扫区域的位置信息与清扫范围确定车辆 的调度策略；根据所述调度策略向预设数量的车辆发送调度指令，按照所述调度指令生成到 达待清扫区域的行驶路线，依据所述行驶路线进行自动驾驶直至达到所述待清扫区域进行清扫作业。
具体地，可以按照待清扫任务的区域大小、以及清扫时间生成不同的调度指令，例如， 清扫任务所对应的区域较大，清扫时间不足，可以同时安排多辆清扫车辆进行协调作业，进 而规划不同的行驶路线细化待清扫的区域。又例如，如果待清扫任务所对应的区域小，清扫时间充足，安排一辆清扫车辆即可，在此不再赘述。
可选的，在上述实施例的基础，所述识别待清扫的路面图像的清洁度，根据识别的所述 待清扫的路面图像的清洁度调节所述车辆预设的清扫装置的清扫策略，按照所述清扫策略作 业直至清扫的待清扫的路面达到预设的清洁度为止，详见图2，为本申请提供的一种基于车 辆自动清扫路面的控制方法另一流程图，详述如下：
步骤S201，基于神经网络采用路面图像的样本集进行训练，构建清洁度识别模型；
例如，对路面图像的样本集进行预处理，进行样本标记，将所述路面图像数据集按预设 比例划分为图像训练集、图像验证集以及图像测试集；利用所述图像训练集对所述初始卷积 神经网络模型进行训练，获得过渡卷积神经网络模型；利用所述图像验证集对所述过渡卷积神经网络模型的识别性能进行验证，若验证不通过，则再次对所述过渡卷积神经网络模型进 行训练；若验证通过，则所述过渡卷积神经网络模型为所述目标卷积神经网络模型；利用所 述图像测试集对所述目标卷积神经网络模型的识别性能进行测试，获得所述目标卷积神经网 络模型的识别准确率。
其中，需要说明的是，一种深度学习网络可为始卷积神经网络模型；例如，所述初始卷 积神经网络模型的总损失函数为：
式中，J为总损失函数；Lsoftmax为交叉熵损失函数，为正则项；λ为正则系数；Wj为特征矩阵；weightj为第j个病害类别的权重值；N为图像训练集中训练样本的数量；C为病害类别的数量，hj为初始卷积神经网络模型输出向量的第j个分量；yi为训练样本i的真 实标签；hyi为初始卷积神经网络模型输出向量的中第yi类的输出分量；xj为第j个病害类别 的样本数量。
其中，卷积单元包括依次设置的至少两层卷积层、批量归一化层(BatchNormalize，BN) 以及局部最大池化层。通过设置BN层，可以将参数标准化，提高模型的收敛速度。通过设 置局部最大池化层和全局池化层，可实现特征降维，从而减小计算的参数量，有利于模型提 取更大范围的特征。
例如，初始卷积神经网络模型各层的激活函数为ReLu函数，通过设置ReLu函数来进行 非线性映射，增强了初始卷积神经网络模型的表达能力。
在本实施例中，通过获取路面图像不同清洁程度的图像数据集；再利用不同清洁程度的 路面图像数据集对初始卷积神经网络模型进行训练和测试，得到目标卷积神经网络模型，通 过目标卷积神经网络模型对待识别的检测图像进行识别，大大提高了路面图像的清洁度识别准确度。
具体地，在另一基于深度学习网络的结构图，例如，将输入图像将提取为特征图，通过 卷积单元、池化单元、残差节点与输出节点进行组合根据自己的业务场景设计了轻量化模型， 使用了大量3*3的卷积并利用了优秀的非线性的激活函数relu，并在池化过程中使用了最大 池化和均值池化并通过线性加权融合两种池化的结果，保留了特征图的最大特征和均值特征， 避免了传统的单一池化过程的特征损失，不需要通过增加参数的办法提升了模型的泛化能力并降低了模型训练难度。最后，通过anchor free的办法输出识别结果，分为两个分支，一个 是类别，一个是坐标，比如，输出尺度为1*6*9表示本分支最大识别54个目标，其识别坐标 为5*6*9的位置坐标，参照上述方式，该方法解决了被识别对象大小不一，导致不好识别小 物体的问题，图中从上至下的第5个分支的输出最小可以识别到大约3*3大小的像素点。
通过清洁度识别模型识别出待清扫的路面图像的清洁度，或，通过清洁度识别模型识别 清扫后的路面图像的清洁度，便于能够智能准确的获取到路面的清洁度。
步骤S202，利用清洁度识别模型识别待清扫的路面图像的清洁度，所述清洁度分为多级 不同的清洁程度，每种清洁程度至少对应一种清扫策略；
具体地，清洁度分为多级不同的清洁程度，例如，第一级清洁程度、第二级清洁程度与 第三级清洁程度，所述第一清洁度对应低档清扫策略，所述第二清洁度对应中档清扫策略， 所述第三清洁度对应高档清扫策略，在此不再限定。
步骤S203，根据识别的所述待清扫的路面图像的清洁度等级确定所述车辆预设的清扫装 置的清扫策略，其中，所述清扫装置至少包括两个子清扫装置，第一子清扫装置与位于其后 的第二子清扫装置，还可以包括更多子清扫装置，在此不再限定；
具体地，子清扫装置可以沿轴向分布设置，也可以沿径向分布设置，但必须确保第一子 清扫装置位于第二子清扫装置前面，使其依次进行清扫。
步骤S204，判断第一子清扫装置沿清扫策略清扫后的路面图像的清洁度；
步骤S205，当第一子清扫装置沿清扫策略清扫后的清洁度未达到预设的清洁度时；调整 第二子清扫装置的清扫策略增大清扫力度，直至清扫的待清扫的路面达到预设的清洁度为止；
步骤S206，当第一子清扫装置沿清扫策略清扫后的清洁度达到预设的清洁度时；保持或 减少第二子清扫装置的清扫策略所对应的清扫力度。
在本实施例中，通过多个子清扫装置协同配置，多次清扫同一路面，从多清扫策略上确 保路面的清扫程度。
具体地，在另一些实施例中，详见图3，为本申请提供的一种基于车辆自动清扫路面的 控制方法完整流程图，详述如下：
自动清扫系统启动后，首先进行自检，检查是否存在底盘、上装、通讯、自动驾驶功能 的故障，检测故障(自检)无误情况下，进入待机状态，并通过OBU接收中心平台发布的洗扫任务。在接收到任务之后，车辆按照规划的行驶路线进入指定的工作区域，待车辆自动驾驶到达指定的工作区域之后；此时，在车辆的前摄像头会获取待清扫的路面图像，通过深度学习方式构建的清洁度识别模型，利用清洁度识别模型获得路面的清洁程度，并确定洗扫车 辆相应的清扫等级并开始清扫工作。在工作过程中，车辆中部或尾部的摄像头会再次获取清 扫后的路面图像，通过清洁度识别模型对清洁后的路面进行二次判断，将该二次识别判断结 果与清扫前的识别结果进行对比，通过它们之间的差值作为洗扫装置清洁档位“强、中、弱”的自适应调节清扫策略，利用车辆靠后的清扫装置按照调整后的清扫策略进行清扫。在整个 清扫过程中，通过地面的清洁程度进行清扫档位的动态调节，车辆行驶过程中，系统也会接 收来自OBU的数据对前方道路红绿灯的情况进行监测，如果不是绿灯，暂停通行，并在等待 通过的期间停止洗扫装置的运行，从根本上实现智能化、无人化清扫路面，同时，能够自适应调整清扫策略，减少能源浪费，提高清扫能力与清扫程度。
可选的，在上述实施例的基础，还包括：
根据待清扫的路面图像的清洁度等级确定所述车辆预设的清扫装置的清扫策略；
按照所述车辆预设的清扫装置的清扫策略自适应调节车辆的车速；以当前所述车速下控 制所述车辆预设的清扫装置在对应的清扫策略直至清扫的待清扫的路面达到预设的清洁度为 止。
具体地，详见图6，在中央控制器(MDC)中设计了两套相对独立的算法分别实现了洗 扫装置能够根据环境进行自适应的工作模式控制和洗扫力度调节和底盘根据终端任务进行自 动驾驶。该系统架构方案在原有的车辆传感器配置不变的情况下，通过对软件架构的优化实 现了共用一套传感器的数据，不但减少了资源，还保证了系统的安全可靠。
在本实施例中，清扫装置自适应的工作模式和清洁档位调节功能，主要包含清扫(洗清) 装置感知算法模块、清扫装置决策算法模块和清扫装置控制算法模块。感知算法模块主要是 采用摄像头获取路面图像，通过深度学习的方法对路面的清洁程度进行等级划分，并提取出 道路的车道线。自适应决策控制算法，通过获取感知模块的感知结果、自动驾驶底盘工作状态、上装控制器运行状态、OBU获取交通灯信号状态及车辆尾部摄像头对洗扫后路面清洁程 度反馈进行自适应的调节洗扫装置的工作模式和档位调节。最后，通过控制模块实现数据接 口的对接，以CAN总线的传递给上装控制器。
可选的，在上述实施例的基础，还包括：
利用车载传感器采集车辆底盘自动驾驶所对应驾驶参数，所述驾驶参数由车辆感知算法 模块、路径规划模块、决策控制模块确定；其中，所述感知算法模块用于对车辆周围环境的 感知和障碍物的检测，所述路径规划模块用于对洗扫任务进行动态规划，所述决策控制模块用对车辆横向纵向进行控制；
检测所述车辆底盘中车辆感知算法模块、路径规划模块、决策控制模块的故障状态，根 据检测的故障状态来判断当前车辆的运行状态，当所述车辆的运行状态正常时，所述车辆正 常行驶；当所述车辆的运行状态异常时，产生车辆自动驾驶设备相关警告，将车辆的驾驶模式切换手动控制，直至故障修复为止。
详见图6，底盘的自动驾驶模块包含车辆感知算法模块(底盘感知算法模块)、路径规划 模块(底盘规划算法模块)、决策控制模块(底盘决策算法控制模块)。感知算法模块是实现 车辆对环境的感知和障碍物的检测，路径规划模块实现对洗扫任务的动态规划，决策控制模 块实现对车辆横纵向的控制。其中，在中央控制器中还用一个具备独立运算的芯片进行故障判断并进行紧急情况处理功能，通过检测底盘感知模块中传感器的工作状态检测、规划算法 的故障状态及决策控制模块的故障状态来综合判断车辆自动驾驶系统的运行情况，并做出相 应的控制指令，以保证安全。
在安全方面，底盘的整车控制器通过实时获取超声波传感器的信息，来判断车辆近距离 范围内的安全状态，在原来中央处理器对周围环境的检测上增加了一层底盘的安全冗余设计。 由于VCU(底盘的整车控制器)可以直接控制车辆的运行，所以，该冗余设计方案具备更高的实时性，减少了数据传输环节，提高了系统的安全响应速度。
可选的，在上述实施例的基础，还包括：
检测利用车载传感器采集的感测数据判断所述车辆在行驶中是否靠近交通路口或行人； 当判定所述车辆在行驶中靠近交通路口或行人时，控制所述车辆进入停止状态，并关闭所述 预设的清扫装置，直至满足车辆重新启动的相应条件，控制车辆进入自动驾驶模式与自动清扫模式。
例如，采集交通灯信号，以得到交通灯状态信息；获取所述车辆与人行道的距离；判断 所述车辆是否进入自动驾驶区域；
又例如，如果所述交通灯为绿灯状态且剩余持续时间为预设时间，则根据所述预设时间 和所述车辆与人行道的距离控制所述车辆匀速或减速行驶；如果所述交通灯由绿灯变为黄灯， 则控制所述车辆进行制动；如果所述交通灯由黄灯变为红灯，则控制所述车辆进入静止状态；如果所述交通灯为红灯状态，则控制所述车辆保持静止。
又例如，判断所述车辆与人行道的距离是否小于或等于第一预设距离，其中，所述第一 预设距离为所述车辆以预设速度行驶预设时间的距离；如果所述车辆与人行道的距离小于或 等于第一预设距离，则控制所述车辆继续以所述预设速度匀速行驶，直至通过所述人行道；如果所述车辆与所述人行道的距离大于所述第一预设距离，则控制所述车辆以预设减速度匀 减速行驶，以使车辆在所述人行道处停车。
通过上述方式，一方面，控制车辆的行驶方式能够确保车辆的安全驾驶，也能保证行人 的关系；另一方面，避免了清扫装置对路面的行人干扰，提高了其实用性。
请参阅图5，为本申请提供的一种基于车辆自动清扫路面的控制装置结构框图；包括：
第一获取模块501，用于获取车辆信息，所述车辆信息至少包括所述车辆行驶对应的路 况信息；
自动驾驶模块502，用于根据所述路况信息调整车辆自动驾驶的驾驶参数，沿预设的行 驶路线行驶；
第二获取模块503，用于当检测到所述车辆行驶到待清扫区域时，获取所述车辆对应待 清扫的路面图像；
自动清扫模块504，用于识别待清扫的路面图像的清洁度，根据识别的所述待清扫的路 面图像的清洁度调节所述车辆预设的清扫装置的清扫策略，按照所述清扫策略作业直至待清 扫的路面达到预设的清洁度为止。
在此，需要说明的是，还包括：故障检测模块505，利用车载传感器采集车辆底盘自动 驾驶所对应驾驶参数，所述驾驶参数由车辆感知算法模块、路径规划模块、决策控制模块确 定；其中，所述感知算法模块用于对车辆周围环境的感知和障碍物的检测，所述路径规划模 块用于对洗扫任务进行动态规划，所述决策控制模块用对车辆横向纵向进行控制；
检测所述车辆底盘中车辆感知算法模块、路径规划模块、决策控制模块的故障状态，根 据检测的故障状态来判断当前车辆的运行状态，当所述车辆的运行状态正常时，所述车辆正 常行驶；当所述车辆的运行状态异常时，产生车辆自动驾驶设备相关警告，将车辆的驾驶模式切换手动控制，直至故障修复为止。
其中，还需要说明的是，基于车辆自动清扫路面的控制装置与基于车辆自动清扫路面的 控制方法为一一对应的关系，在此，各个模块与上述流程步骤所涉及的技术细节与技术效果 均相同，在此不用一一赘述，请参照上述基于车辆自动清扫路面的控制方法。
下面参考图7，其示出了适于用来实现本公开实施例的电子设备(例如终端设备或服务器 700的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电 脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车 载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。 图7示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其 可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器 (RAM)703中的程序而执行各种适当的动作和处理。在RAM703中，还存储有电子设备700操 作所需的各种程序和数据。处理装置701、ROM702以及RAM703通过总线704彼此相连。输入 /输出(I/O)接口707也连接至总线704。
通常，以下装置可以连接至I/O接口707：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置707；包括例如液晶显示器(LCD)、扬声器、 振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信 装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出 了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。 可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程 序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计 算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装， 或者从ROM702被安装。在该计算机程序被处理装置701执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可 读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于—— 电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计 算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM 或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述 的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介 质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算 机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信 号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何 计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适 当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入 该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
步骤S101，获取车辆信息，所述车辆信息至少包括所述车辆行驶对应的路况信息；
步骤S102，根据所述路况信息调整车辆自动驾驶的驾驶参数，沿预设的行驶路线行驶；
步骤S103，当检测到所述车辆行驶到待清扫区域时，获取所述车辆对应待清扫的路面图 像；
步骤S104，识别待清扫的路面图像的清洁度，根据识别的所述待清扫的路面图像的清洁 度调节所述车辆预设的清扫装置的清扫策略，按照所述清扫策略作业直至待清扫的路面达到 预设的清洁度为止。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代 码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括 常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在 用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计 算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)— 连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网 连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的方法和计算机程序产品的可能 实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、 程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也 可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行 地执行，它们有时也可以按相反的顺序执行，依所涉及的功能而定。也要注意的是，框图和/ 或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操 作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
综上所述，本申请通过一套车载传感器采集感测数据，将感测数据进行处理，分别生成 车辆底盘自动驾驶、车辆预设的清扫装置自动清扫的两套控制策略，结合自动驾驶与自动清 扫进行作业，避免人为参与的路面清扫，大大提升了路面清扫的效率与智能程度，同时，根据感测的路面清洁度采用不同的控制策略，不仅可准确清扫路面到清洁状态，还还可以降低 能耗。所以，本申请有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本申请的原理及其功效，而非用于限制本申请。任何熟悉此技 术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡 所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵盖。
Claims (8)
1.一种基于车辆自动清扫路面的控制方法，其特征在于，所述方法包括以下步骤：
获取车辆信息，所述车辆信息至少包括所述车辆行驶对应的路况信息；
根据所述路况信息调整车辆自动驾驶的驾驶参数，沿预设的行驶路线行驶；
当检测到所述车辆行驶到待清扫区域时，获取所述车辆对应待清扫的路面图像；
识别待清扫的路面图像的清洁度，根据识别的所述待清扫的路面图像的清洁度调节所述车辆预设的清扫装置的清扫策略，按照所述车辆预设的清扫装置的清扫策略自适应调节车辆的车速；以当前所述车速下控制所述车辆预设的清扫装置在对应的清扫策略直至待清扫的路面达到预设的清洁度为止；其中，基于神经网络采用路面图像的样本集进行训练，构建清洁度识别模型；利用清洁度识别模型识别待清扫的路面图像的清洁度，所述清洁度分为多级不同的清洁程度，每种清洁程度至少对应一种清扫策略；根据识别的所述待清扫的路面图像的清洁度等级确定所述车辆预设的清扫装置的清扫策略，其中，所述清扫装置至少包括两个子清扫装置，第一子清扫装置与位于其后的第二子清扫装置；
判断第一子清扫装置沿清扫策略清扫后的路面图像的清洁度；当第一子清扫装置沿清扫策略清扫后的清洁度未达到预设的清洁度时；调整第二子清扫装置的清扫策略增大清扫力度，直至待清扫的路面达到预设的清洁度为止；当第一子清扫装置沿清扫策略清扫后的清洁度达到预设的清洁度时；保持或减少第二子清扫装置的清扫策略所对应的清扫力度。
2.根据权利要求1所述的基于车辆自动清扫路面的控制方法，其特征在于，所述获取所述车辆信息的步骤，包括：
利用车载传感器采集所述车辆行驶对应的路况信息；所述车载传感器至少包括激光雷达、摄像头、毫米波雷达、组合导航、车载通讯设备、超声波雷达组成；
其中，利用所述激光雷达、毫米波雷达与超声波雷达检测所述车辆在预设范围内的障碍物，利用所述摄像头采集该车辆周围图像与路面图像，通过所述车辆周围图像、路面图像与障碍物确定车辆行驶对应的路况信息；
所述组合导航由全球定位系统与惯性导航系统构成，利用惯性导航系统根据车辆的惯性加速度计算车辆的位置信息，利用该位置信息辅助全球定位系统进行导航定位；
所述车载通讯设备连接处理车载传感器采集的车辆参数的处理器并传输至后台服务器，所述处理器用于将处理后产生的控制指令分别传输至相应的车辆控制器与清扫装置的控制器。
3.根据权利要求1或2所述的基于车辆自动清扫路面的控制方法，其特征在于，还包括：
获取所述车辆对应的待清扫区域；利用所述待清扫区域的位置信息与清扫范围确定车辆的调度策略；根据所述调度策略向预设数量的车辆发送调度指令，按照所述调度指令生成到达待清扫区域的行驶路线，依据所述行驶路线进行自动驾驶直至达到所述待清扫区域进行清扫作业。
4.根据权利要求1所述的基于车辆自动清扫路面的控制方法，其特征在于，还包括：
利用车载传感器采集车辆底盘自动驾驶所对应驾驶参数，所述驾驶参数由车辆感知算法模块、路径规划模块、决策控制模块确定；其中，所述感知算法模块用于对车辆周围环境的感知和障碍物的检测，所述路径规划模块用于对洗扫任务进行动态规划，所述决策控制模块用对车辆横向纵向进行控制；
检测所述车辆底盘中车辆感知算法模块、路径规划模块、决策控制模块的故障状态，根据检测的故障状态来判断当前车辆的运行状态，当所述车辆的运行状态正常时，所述车辆正常行驶；当所述车辆的运行状态异常时，产生车辆自动驾驶设备相关警告，将车辆的驾驶模式切换手动控制，直至故障修复为止。
5.根据权利要求1所述的基于车辆自动清扫路面的控制方法，其特征在于，还包括：
检测利用车载传感器采集的感测数据判断所述车辆在行驶中是否靠近交通路口或行人；当判定所述车辆在行驶中靠近交通路口或行人时，控制所述车辆进入停止状态，并关闭所述预设的清扫装置，直至满足车辆重新启动的相应条件，控制车辆进入自动驾驶模式与自动清扫模式。
6.一种基于车辆自动清扫路面的控制装置，其特征在于，所述装置包括：
第一获取模块，用于获取车辆信息，所述车辆信息至少包括所述车辆行驶对应的路况信息；
自动驾驶模块，用于根据所述路况信息调整车辆自动驾驶的驾驶参数，沿预设的行驶路线行驶；
第二获取模块，用于当检测到所述车辆行驶到待清扫区域时，获取所述车辆对应待清扫的路面图像；
自动清扫模块，用于识别待清扫的路面图像的清洁度，根据识别的所述待清扫的路面图像的清洁度调节所述车辆预设的清扫装置的清扫策略，按照所述车辆预设的清扫装置的清扫策略自适应调节车辆的车速；以当前所述车速下控制所述车辆预设的清扫装置在对应的清扫策略直至待清扫的路面达到预设的清洁度为止；其中，基于神经网络采用路面图像的样本集进行训练，构建清洁度识别模型；利用清洁度识别模型识别待清扫的路面图像的清洁度，所述清洁度分为多级不同的清洁程度，每种清洁程度至少对应一种清扫策略；根据识别的所述待清扫的路面图像的清洁度等级确定所述车辆预设的清扫装置的清扫策略，其中，所述清扫装置至少包括两个子清扫装置，第一子清扫装置与位于其后的第二子清扫装置；
判断第一子清扫装置沿清扫策略清扫后的路面图像的清洁度；当第一子清扫装置沿清扫策略清扫后的清洁度未达到预设的清洁度时；调整第二子清扫装置的清扫策略增大清扫力度，直至待清扫的路面达到预设的清洁度为止；当第一子清扫装置沿清扫策略清扫后的清洁度达到预设的清洁度时；保持或减少第二子清扫装置的清扫策略所对应的清扫力度。
7.一种电子设备，其特征在于：包括：
一个或多个处理装置；
存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理装置执行，使得所述一个或多个处理装置实现如1至5中任一所述基于车辆自动清扫路面的控制方法。
8.一种车辆，其特征在于，包括执行权利要求7所述的基于车辆自动清扫路面的控制装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111400724.1A CN114103994B (zh) | 2021-11-19 | 2021-11-19 | 基于车辆自动清扫路面的控制方法、装置、设备及车辆 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111400724.1A CN114103994B (zh) | 2021-11-19 | 2021-11-19 | 基于车辆自动清扫路面的控制方法、装置、设备及车辆 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114103994A CN114103994A (zh) | 2022-03-01 |
| CN114103994B true CN114103994B (zh) | 2023-12-19 |
Family
ID=80440805
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111400724.1A Active CN114103994B (zh) | 2021-11-19 | 2021-11-19 | 基于车辆自动清扫路面的控制方法、装置、设备及车辆 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114103994B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115167475B (zh) * | 2022-08-19 | 2024-10-22 | 智道网联科技(北京)有限公司 | 无人驾驶清扫车的作业调度方法及装置、云控平台、存储介质 |
| CN115719325B (zh) * | 2022-12-07 | 2023-11-17 | 钧捷科技（北京）有限公司 | 基于无人驾驶的路况图像处理系统 |
| CN116198546A (zh) * | 2023-04-18 | 2023-06-02 | 上海易咖智车科技有限公司 | 模式切换任务处理方法、装置、电子设备及存储介质 |
| CN118587682B (zh) * | 2024-08-01 | 2024-10-15 | 浙江上易信息科技有限公司 | 基于ai视频识别的扫保车辆作业数据分析系统及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108490941A (zh) * | 2018-03-29 | 2018-09-04 | 奇瑞汽车股份有限公司 | 应用于道路清扫车的自动驾驶系统及其控制方法、装置 |
| CN108803599A (zh) * | 2018-05-31 | 2018-11-13 | 北京智行者科技有限公司 | 一种基于工作模式的清扫工作方法 |
| GB201900876D0 (en) * | 2018-01-23 | 2019-03-13 | Fed Signal Corp | Vehicle with internal and/or external monitoring |
| CN111539280A (zh) * | 2020-04-15 | 2020-08-14 | 深圳一清创新科技有限公司 | 基于自动驾驶技术的路面清扫方法、装置和计算机设备 |
| CN112257623A (zh) * | 2020-10-28 | 2021-01-22 | 长沙立中汽车设计开发股份有限公司 | 一种路面清洁度判定和自动清扫方法及自动清扫环卫装置 |
-
2021
- 2021-11-19 CN CN202111400724.1A patent/CN114103994B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201900876D0 (en) * | 2018-01-23 | 2019-03-13 | Fed Signal Corp | Vehicle with internal and/or external monitoring |
| CN108490941A (zh) * | 2018-03-29 | 2018-09-04 | 奇瑞汽车股份有限公司 | 应用于道路清扫车的自动驾驶系统及其控制方法、装置 |
| CN108803599A (zh) * | 2018-05-31 | 2018-11-13 | 北京智行者科技有限公司 | 一种基于工作模式的清扫工作方法 |
| CN111539280A (zh) * | 2020-04-15 | 2020-08-14 | 深圳一清创新科技有限公司 | 基于自动驾驶技术的路面清扫方法、装置和计算机设备 |
| CN112257623A (zh) * | 2020-10-28 | 2021-01-22 | 长沙立中汽车设计开发股份有限公司 | 一种路面清洁度判定和自动清扫方法及自动清扫环卫装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114103994A (zh) | 2022-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114103994B (zh) | 基于车辆自动清扫路面的控制方法、装置、设备及车辆 | |
| JP7540641B2 (ja) | 自動運転方法、関連装置及びコンピュータ読み取り可能記憶媒体 | |
| CN110325928B (zh) | 自主车辆运行管理 | |
| US10762396B2 (en) | Multiple stage image based object detection and recognition | |
| CN110418743B (zh) | 自主车辆运行管理阻碍监测 | |
| JP6992182B2 (ja) | 自律走行車両運行管理計画 | |
| EP3965004B1 (en) | Automatic lane changing method and device, and storage medium | |
| JP6963158B2 (ja) | 集中型共有自律走行車動作管理 | |
| US11702070B2 (en) | Autonomous vehicle operation with explicit occlusion reasoning | |
| CN114341950A (zh) | 占据预测神经网络 | |
| RU2759975C1 (ru) | Операционное управление автономным транспортным средством с управлением восприятием визуальной салиентности | |
| WO2022178858A1 (zh) | 一种车辆行驶意图预测方法、装置、终端及存储介质 | |
| US10836405B2 (en) | Continual planning and metareasoning for controlling an autonomous vehicle | |
| US11874120B2 (en) | Shared autonomous vehicle operational management | |
| WO2022142839A1 (zh) | 一种图像处理方法、装置以及智能汽车 | |
| US11613269B2 (en) | Learning safety and human-centered constraints in autonomous vehicles | |
| WO2022017307A1 (zh) | 自动驾驶场景生成方法、装置及系统 | |
| EP4224217A1 (en) | Use of low frequency electromagnetic signals to detect occluded anomalies by a vehicle | |
| US11727671B1 (en) | Efficient and optimal feature extraction from observations | |
| US20240025452A1 (en) | Corridor/homotopy scoring and validation | |
| CN113793523B (zh) | 一种指挥交通的方法、装置、车载设备及车辆 | |
| US20230063368A1 (en) | Selecting minimal risk maneuvers | |
| US20240253667A1 (en) | Methods and systems for long-term trajectory prediction by extending a prediction horizon | |
| US20240190452A1 (en) | Methods and systems for handling occlusions in operation of autonomous vehicle | |
| US20230104843A1 (en) | Detecting stationary non-participants of traffic |
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 |