CN114348022A - 无人车的控制方法、装置、存储介质及电子设备 - Google Patents
无人车的控制方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN114348022A CN114348022A CN202210074379.5A CN202210074379A CN114348022A CN 114348022 A CN114348022 A CN 114348022A CN 202210074379 A CN202210074379 A CN 202210074379A CN 114348022 A CN114348022 A CN 114348022A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- distance
- unmanned vehicle
- preset
- target
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 230000008569 process Effects 0.000 claims abstract description 43
- 230000004888 barrier function Effects 0.000 claims description 122
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 230000001419 dependent effect Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 7
- 238000012417 linear regression Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
Images
Landscapes
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开涉及一种无人车的控制方法、装置、存储介质及电子设备。该方法包括：在无人车的行驶路段上存在障碍物的情况下，获取该障碍物对应的障碍信息；将该障碍信息作为预设避障模型的输入，得到目标安全参数；其中，该预设避障模型为根据安全行驶数据获取的模型，该安全行驶数据包括该无人车按照驾驶员的驾驶操作在目标路段行驶过程中采集到的无人车行驶数据和该障碍物对应的障碍信息，该目标路段为预先设置的包括该障碍物的一个或多个路段；根据该目标安全参数，控制该无人车行驶。这样，根据预设避障模型可以得到与驾驶员操作相符的目标安全参数，并根据该目标安全参数控制该无人车行驶，从而可以降低人工干预次数。
Description
技术领域
本公开涉及无人驾驶领域，具体地，涉及一种无人车的控制方法、装置、存储介质及电子设备。
背景技术
无人车是通过车载传感器系统感知道路环境，并基于感知到的道路环境自动规划行车路线以到达预定目标地点的无人驾驶车辆。由于无人驾驶技术还不够完善，因此，在现阶段的无人车自动行驶中，需要安全驾驶员对无人车的行驶过程进行监控，在根据无人车的行驶情况判断可能发生意外情况时，安全驾驶员可以将无人车的驾驶模式从自动驾驶模式切换为人工驾驶模式。可以用MPI(Miles Per Intervention，每两次人工干预之间行驶的平均里程数)对无人车的自动驾驶性能进行评估。在相关技术下，在行车路段上存在障碍物的情况下，较容易发生无人车从自动驾驶模式切换为人工模式，导致MPI指标较差。
发明内容
本公开的目的是提供一种无人车的控制方法、装置、存储介质及电子设备，以部分地解决相关技术中存在的上述问题。
为了实现上述目的，本公开的第一方面提供了一种无人车的控制方法，所述方法包括：
在无人车的行驶路段上存在障碍物的情况下，获取该障碍物对应的障碍信息；
将所述障碍信息作为预设避障模型的输入，得到所述障碍信息对应的目标安全参数；其中，所述预设避障模型为根据安全行驶数据获取的模型，所述安全行驶数据包括所述无人车按照驾驶员的驾驶操作在目标路段行驶过程中采集到的无人车行驶数据和所述障碍物对应的障碍信息，所述目标路段为预先设置的包括所述障碍物的一个或多个路段；
根据所述目标安全参数控制所述无人车行驶。
可选地，所述预设避障模型包括预设速度控制模型，所述目标安全参数包括目标安全速度，所述障碍信息包括所述障碍物与所述无人车的障碍物距离；所述将所述障碍信息作为预设避障模型的输入，得到所述障碍信息对应的目标安全速度和目标安全距离包括：
将所述障碍物距离作为预设速度控制模型的输入，得到所述障碍物距离对应的目标安全速度；其中，所述预设速度控制模型为根据所述安全行驶数据获取的模型，所述安全行驶数据包括无人车按照驾驶员的驾驶操作在目标路段行驶过程中，距离该无人车最近的障碍物与该无人车的障碍物距离、以及该无人车的真实行驶速度。
可选地，所述预设避障模型包括预设距离控制模型，所述目标安全参数包括目标安全距离，所述障碍信息包括所述障碍物的障碍物类型；所述将所述障碍信息作为预设避障模型的输入，得到所述障碍信息对应的目标安全速度和目标安全距离包括：
将所述障碍物类型作为预设距离控制模型的输入，得到所述障碍物类型对应的目标安全距离；其中，所述预设距离控制模型为根据所述安全行驶数据获取的模型，所述安全行驶数据包括无人车按照驾驶员的驾驶操作在目标路段行驶过程中绕过的每个障碍物的障碍物类型和无人车与该障碍物的饶障距离。
可选地，所述预设避障模型通过以下方式获取：
周期性采集所述无人车按照驾驶员的驾驶操作在目标路段行驶过程中的安全行驶数据；
根据多个周期采集的所述安全行驶数据，获取所述预设避障模型。
可选地，所述预设避障模型包括预设速度控制模型，所述目标安全参数包括目标安全速度，所述障碍信息包括所述障碍物与所述无人车的障碍物距离，所述安全行驶数据包括无人车按照驾驶员的驾驶操作在目标路段行驶过程中，距离该无人车最近的障碍物与该无人车的障碍物距离、以及该无人车的真实行驶速度；所述根据多个周期采集的所述安全行驶数据，获取所述预设避障模型包括：
将所述障碍物距离作为自变量，将所述真实行驶速度作为因变量，采用预设回归模型，对多个周期采集的所述安全行驶数据进行分析，得到所述障碍物距离与所述真实行驶速度的第一对应关系；
根据所述障碍物距离与所述真实行驶速度的第一对应关系，得到所述障碍物距离与所述目标安全速度的第二对应关系；
将所述第二对应关系作为所述预设速度控制模型。
可选地，所述根据所述障碍物距离与所述真实行驶速度的第一对应关系，得到所述障碍物距离与所述目标安全速度的第二对应关系，包括：
根据所述第一对应关系得到无人车的预设最大安全速度对应的障碍物距离；将该障碍物距离作为第一距离阈值；
将所述第一对应关系中大于或等于该第一距离阈值的所有障碍物距离对应的真实行驶速度更新为预设最大安全速度；
将更新后的第一对应关系中的真实行驶速度作为目标安全速度，得到所述第二对应关系。
可选地，所述预设避障模型包括预设距离控制模型，所述目标安全参数包括目标安全距离，所述障碍信息包括所述障碍物的障碍物类型，所述安全行驶数据包括无人车按照驾驶员的驾驶操作在目标路段行驶过程中绕过的每个障碍物的障碍物类型和该障碍物与无人车的饶障距离；所述根据多个周期采集的所述安全行驶数据，获取所述预设避障模型包括：
针对每个障碍物类型，确定该障碍物类型对应的多个障碍物，并获取多个该障碍物与无人车的饶障距离；将该障碍物类型对应的多个所述饶障距离排序后得到绕障距离序列，并根据该绕障距离序列得到该障碍物类型对应的目标安全距离；
将多个障碍物类型与目标安全距离的对应关系作为所述预设距离控制模型。
可选地，所述将该障碍物类型对应的多个所述饶障距离排序后得到绕障距离序列，并根据该绕障距离序列得到该障碍物类型对应的目标安全距离包括：
将该障碍物类型对应的多个饶障距离进行递增排序后得到绕障距离序列；
获取该绕障距离序列的预设百分位数对应的目标饶障距离；
将该目标饶障距离作为该障碍物类型对应的目标安全距离。
第二方面，本公开提供了一种无人车的控制装置，所述装置包括：
障碍信息获取模块，用于在无人车的行驶路段上存在障碍物的情况下，获取该障碍物对应的障碍信息；
安全参数获取模块，用于将所述障碍信息作为预设避障模型的输入，得到所述障碍信息对应的目标安全参数；其中，所述预设避障模型为根据安全行驶数据获取的模型，所述安全行驶数据包括所述无人车按照驾驶员的驾驶操作在目标路段行驶过程中采集到的无人车行驶数据和所述障碍物对应的障碍信息，所述目标路段为预先设置的包括所述障碍物的一个或多个路段；
无人车控制模块，用于根据所述目标安全参数控制所述无人车行驶。
可选地，所述预设避障模型包括预设速度控制模型，所述目标安全参数包括目标安全速度，所述障碍信息包括所述障碍物与所述无人车的障碍物距离；所述安全参数获取模块，用于将所述障碍物距离作为预设速度控制模型的输入，得到所述障碍物距离对应的目标安全速度；其中，所述预设速度控制模型为根据所述安全行驶数据获取的模型，所述安全行驶数据包括无人车按照驾驶员的驾驶操作在目标路段行驶过程中，距离该无人车最近的障碍物与该无人车的障碍物距离、以及该无人车的真实行驶速度。
可选地，所述预设避障模型包括预设距离控制模型，所述目标安全参数包括目标安全距离，所述障碍信息包括所述障碍物的障碍物类型；所述安全参数获取模块，用于将所述障碍物类型作为预设距离控制模型的输入，得到所述障碍物类型对应的目标安全距离；其中，所述预设距离控制模型为根据所述安全行驶数据获取的模型，所述安全行驶数据包括无人车按照驾驶员的驾驶操作在目标路段行驶过程中绕过的每个障碍物的障碍物类型和无人车与该障碍物的饶障距离。
可选地，所述装置还包括：
避障模型获取模块，用于周期性采集所述无人车按照驾驶员的驾驶操作在目标路段行驶过程中的安全行驶数据；根据多个周期采集的所述安全行驶数据，获取所述预设避障模型。
可选地，所述预设避障模型包括预设速度控制模型，所述目标安全参数包括目标安全速度，所述障碍信息包括所述障碍物与所述无人车的障碍物距离，所述安全行驶数据包括无人车按照驾驶员的驾驶操作在目标路段行驶过程中，距离该无人车最近的障碍物与该无人车的障碍物距离、以及该无人车的真实行驶速度；所述避障模型获取模块，用于：
将所述障碍物距离作为自变量，将所述真实行驶速度作为因变量，采用预设回归模型，对多个周期采集的所述安全行驶数据进行分析，得到所述障碍物距离与所述真实行驶速度的第一对应关系；
根据所述障碍物距离与所述真实行驶速度的第一对应关系，得到所述障碍物距离与所述目标安全速度的第二对应关系；
将所述第二对应关系作为所述预设速度控制模型。
可选地，所述避障模型获取模块，用于：
根据所述第一对应关系得到无人车的预设最大安全速度对应的障碍物距离；将该障碍物距离作为第一距离阈值；
将所述第一对应关系中大于或等于该第一距离阈值的所有障碍物距离对应的真实行驶速度更新为预设最大安全速度；
将更新后的第一对应关系中的真实行驶速度作为目标安全速度，得到所述第二对应关系。
可选地，所述预设避障模型包括预设距离控制模型，所述目标安全参数包括目标安全距离，所述障碍信息包括所述障碍物的障碍物类型，所述安全行驶数据包括无人车按照驾驶员的驾驶操作在目标路段行驶过程中绕过的每个障碍物的障碍物类型和该障碍物与无人车的饶障距离；所述避障模型获取模块，用于：
针对每个障碍物类型，确定该障碍物类型对应的多个障碍物，并获取多个该障碍物与无人车的饶障距离；将该障碍物类型对应的多个所述饶障距离排序后得到绕障距离序列，并根据该绕障距离序列得到该障碍物类型对应的目标安全距离；
将多个障碍物类型与目标安全距离的对应关系作为所述预设距离控制模型。
可选地，所述避障模型获取模块，用于：
将该障碍物类型对应的多个饶障距离进行递增排序后得到绕障距离序列；
获取该绕障距离序列的预设百分位数对应的目标饶障距离；
将该目标饶障距离作为该障碍物类型对应的目标安全距离。
第三方面，本公开提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开第一方面所述方法的步骤。
第四方面，本公开提供一种电子设备，包括：存储器，其上存储有计算机程序；处理器，用于执行所述存储器中的所述计算机程序，以实现本公开第一方面所述方法的步骤。
采用上述技术方案，在无人车的行驶路段上存在障碍物的情况下，获取该障碍物对应的障碍信息；将该障碍信息作为预设避障模型的输入，得到该障碍信息对应的目标安全参数；其中，该预设避障模型为根据安全行驶数据获取的模型，该安全行驶数据包括该无人车按照驾驶员的驾驶操作在目标路段行驶过程中采集到的无人车行驶数据和该障碍物对应的障碍信息，该目标路段为预先设置的包括该障碍物的一个或多个路段；根据该目标安全参数，控制该无人车行驶。这样，根据预设避障模型可以得到与驾驶员操作相符的目标安全参数，并根据该目标安全参数控制该无人车行驶，可以使得无人车行驶过程与驾驶员操作时的行驶过程更为接近，以便控制无人车安全地绕过该障碍物，从而既可以提升无人车行驶安全性，也可以降低人工干预次数，提升MPI指标。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是本公开实施例提供的一种无人车的控制方法的流程图。
图2是本公开实施例提供的一种获取预设避障模型的方法的流程图。
图3是根据图2所示实施例示出的一种S202步骤的流程图。
图4是根据图2所示实施例示出的另一种S202步骤的流程图。
图5是本公开实施例提供的一种安全行驶数据中的障碍物距离和真实行驶速度之间关系的示意图。
图6是本公开实施例提供的一种无人车的控制装置的结构示意图。
图7是本公开实施例提供的另一种无人车的控制装置的结构示意图。
图8是本公开实施例提供的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
需要说明的是，在本公开中，“第一”、“第二”等词汇，仅用于区分描述的目的，而不能理解为指示或暗示相对重要性，也不能理解为指示或暗示顺序；术语“S101”、“S102”、“S201”、“S202”等用于区别步骤，而不必理解为按照特定的顺序或先后次序执行方法步骤；下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。
首先，对本公开的应用场景进行说明。本公开可以应用于无人车控制场景。在现阶段的无人车自动行驶中，需要安全驾驶员对无人车的行驶过程进行监控，在根据无人车的行驶情况判断可能发生意外情况时，安全驾驶员可以将无人车的驾驶模式从自动驾驶模式切换为人工驾驶模式。而无人车在自动行驶过程中，经常遇到需要绕过障碍物继续向前行驶的场景，在相关技术中，为了安全绕过障碍物，可以在无人车的自动驾驶算法中预先设置一个固定的绕障距离和绕障速度，当无人车通过环境传感器检测到障碍物的情况下，可以根据绕障距离和绕障速度，控制车辆绕过该障碍物。但是，采用该方案虽然也可以绕过障碍物，但是，该预先设置的绕障距离和绕障速度是通过理论推导得到的，在实际应用中，自动驾驶算法的绕障距离和绕障速度，会出现与安全驾驶员认为绕过障碍物所需要控制的距离和速度不一致时，例如，自动驾驶算法预先设置的绕障距离过近或者绕障速度过快，安全驾驶员会由于判断有撞到障碍物的风险而人工接管，也就是将无人车切换为人工驾驶模式。这样，会导致MPI降低。
为了解决上述问题，本公开提供了一种无人车的控制方法、装置、存储介质及电子设备，在无人车的行驶路段上存在障碍物的情况下，获取该障碍物对应的障碍信息；将该障碍信息作为预设避障模型的输入，根据该预设避障模型可以得到与驾驶员操作相符的目标安全参数(例如目标安全距离或目标安全速度)，并根据该目标安全参数控制该无人车行驶，可以使得无人车行驶过程与驾驶员操作时的行驶过程更为接近，以便控制无人车安全地该障碍物。这样，既可以提升无人车行驶安全性，也可以降低人工干预次数，提升MPI指标。
以下结合附图对本公开的具体实施方式进行详细说明。
图1是本公开实施例提供的一种无人车的控制方法的流程图，如图1所示，该方法包括：
S101、在无人车的行驶路段上存在障碍物的情况下，获取该障碍物对应的障碍信息。
示例地，该无人车上可以安装有物体检测装置，该物体检测装置可以包括摄像装置、激光雷达、毫米波(MMW)雷达或者超声波传感器，通过该物体检测装置可以检测该无人车的行驶路段上是否存在障碍物，例如：无人车前进时，在无人车的前方预设范围内是否存在障碍物，该前方预设范围可以是以安装在无人车前方的第一物体检测装置为顶点的第一扇形区域(该第一扇形区域的角弧度和半径均可以为预设值)；或者，无人车倒车时，在无人车的后方预设范围内是否存在障碍物，该后方预设范围可以是以安装在无人车后方的第二物体检测装置为顶点的第二扇形区域(该第二扇形区域的角弧度和半径均同样可以为预设值)。在存在障碍物的情况下，通过该物体检测装置可以得到上述障碍信息。
该障碍信息可以包括该障碍物与该无人车的障碍物距离，和/或，该障碍物的目标类型。
例如，通过激光雷达、毫米波雷达或者超声波传感器可以得到该障碍物与无人车的障碍物距离；通过雷达或者摄像装置可以得到该障碍物的障碍物图像，进一步地，将该障碍物图像输入预先训练的图像识别模型，通过图像识别可以得到该障碍物的目标类型，该目标类型可以包括动物、自行车、行人、车辆、交通路标或道路设施。该图像识别模型可以是通过深度学习训练得到的用于识别上述多种目标类型的障碍物的神经网络模型。
S102、将该障碍信息作为预设避障模型的输入，得到该障碍信息对应的目标安全参数。
其中，该预设避障模型为根据安全行驶数据获取的模型，该安全行驶数据包括该无人车按照驾驶员的驾驶操作在目标路段行驶过程中采集到的无人车行驶数据和该障碍物对应的障碍信息，该目标路段为预先设置的包括该障碍物的一个或多个路段。
该目标安全参数可以用于表征在人类驾驶员的驾驶操作下该无人车绕过障碍物时的车辆行驶参数。示例地，该目标安全参数可以包括目标安全速度和/或目标安全距离，该目标安全速度可以用于表征在人类驾驶员的驾驶操作下该无人车绕过障碍物时的速度；该目标安全距离，可以用于表征在人类驾驶员的驾驶操作下该无人车绕过障碍物时的目标饶障距离。
进一步地，可以通过以下方式中的任意一种获取该目标安全参数：
方式一、该预设避障模型可以包括预设速度控制模型，该目标安全参数可以包括目标安全速度，该障碍信息可以包括该障碍物与该无人车的障碍物距离；这样，可以将该障碍物距离作为预设速度控制模型的输入，得到该障碍物距离对应的目标安全速度。
其中，该预设速度控制模型为根据该安全行驶数据获取的模型，该安全行驶数据包括无人车按照驾驶员的驾驶操作在目标路段行驶过程中，距离该无人车最近的障碍物与该无人车的障碍物距离、以及该无人车的真实行驶速度。
示例地，该障碍物距离可以是通过物体检测装置获取的障碍物与无人车的当前距离，该预设速度控制模型可以根据输入的障碍物距离，得到目标安全速度。进一步地，由于正常行驶中，无人车与障碍物的距离不断变化，因此可以按照第一预设周期，周期性获取当前的障碍物距离，并根据预设速度控制模型，得到该当前的障碍物距离对应的目标安全速度。这样，可以根据障碍物距离实时的获取绕过障碍物的目标安全速度，例如，无人车距离障碍物越近，则目标安全速度越小。
方式二、该预设避障模型包括可以预设距离控制模型，该目标安全参数可以包括目标安全距离，该障碍信息可以包括该障碍物的障碍物类型；这样，可以将该障碍物类型作为预设距离控制模型的输入，得到该障碍物类型对应的目标安全距离。
其中，该预设距离控制模型为根据该安全行驶数据获取的模型，该安全行驶数据包括无人车按照驾驶员的驾驶操作在目标路段行驶过程中绕过的每个障碍物的障碍物类型和无人车与该障碍物的饶障距离。
示例地，该障碍物类型可以是通过对物体检测装置获取的障碍物图像进行图像识别后得到的类型，该预设距离控制模型可以根据输入的障碍物类型，得到目标安全距离。
S103、根据该目标安全参数控制该无人车行驶。
示例地，在目标安全参数包括目标安全速度的情况下，可以控制无人车的行驶速度小于或等于该目标安全速度；在目标安全参数包括目标安全距离的情况下，可以通过控制无人车的行驶方向，使得无人车与障碍物的障碍物距离大于或等于该目标安全距离，从而避免无人车与障碍物发生碰撞。
可选地，在该当前的障碍物距离已经小于该目标安全距离的情况下，可以控制无人车向远离障碍物的方向行驶，以便增大无人车与障碍物的障碍物距离；或者，也可以控制无人车停车，并控制无人车进入人工驾驶模式，通过人工驾驶避免与障碍物发生碰撞。
需要说明的是，根据该目标安全参数控制无人车行驶，可以控制无人车与障碍物的距离以及无人车的行驶速度，可以使得无人车在无需人工接管或停车的情况下，安全地绕过障碍物，提高无人车控制的可靠性。
采用上述方法，在无人车的行驶路段上存在障碍物的情况下，获取该障碍物对应的障碍信息；将该障碍信息作为预设避障模型的输入，得到该障碍信息对应的目标安全参数；其中，该预设避障模型为根据安全行驶数据获取的模型，该安全行驶数据包括该无人车按照驾驶员的驾驶操作在目标路段行驶过程中采集到的无人车行驶数据和该障碍物对应的障碍信息，该目标路段为预先设置的包括该障碍物的一个或多个路段；根据该目标安全参数，控制该无人车行驶。这样，根据预设避障模型可以得到与驾驶员操作相符的目标安全参数(例如目标安全距离或目标安全速度)，并根据该目标安全参数控制该无人车行驶，可以使得无人车行驶过程与驾驶员操作时的行驶过程更为接近，以便控制无人车安全地绕过该障碍物，从而既可以提升无人车行驶安全性，也可以降低人工干预次数，提升MPI指标。
图2是本公开实施例提供的一种获取预设避障模型的方法的流程图，如图2所示，上述预设避障模型可以通过以下步骤获取：
S201、周期性采集该无人车按照驾驶员的驾驶操作在目标路段行驶过程中的安全行驶数据。
其中，该目标路段可以包含一个或多个障碍物，可以预先选择一个或多个目标路段，在一个或多个预设时间段内，控制无人车按照驾驶员的驾驶操作，在预先选择的该目标路段上行驶，采集无人车行驶过程中的安全行驶数据。该安全行驶数据可以包括无人车行驶数据，以及，目标路段上每个障碍物对应的障碍信息；其中的无人车行驶数据可以包括无人车的真实行驶速度，每个障碍物对应的障碍信息可以包括该障碍物与无人车的障碍物距离或者该障碍物的障碍物类型。该预设时间段可以包括早上、上午、中午、下午、晚上、夜间等时间段，这样可以获取各种不同时间段不同光照条件下的行驶数据，以便提升根据该安全行驶数据获取的预设避障模型的准确性。该预设时间段的总时长可以大于或等于第一预设时间，例如，该第一预设时间可以为20小时或50小时。
进一步地，在本步骤中，还可以首先周期性采集得到原始行驶数据，然后按照预设规则对原始行驶数据进行筛选，过滤掉无效数据，得到最终的安全行驶数据。其中，无效数据可以包括以下一种或多种数据：非目标路段的行驶数据、发生了碰撞等非安全事件的行驶数据、人工标注为无效的行驶数据。这样过滤掉无效数据后，得到安全行驶数据，可以提升根据该安全行驶数据获取的预设避障模型的准确性。
S202、根据多个周期采集的该安全行驶数据，获取该预设避障模型。
其中，该预设避障模型可以包括预设速度控制模型和/或预设距离控制模型。
获取预设避障模型的方式有多种，示例地，可以采用图3和图4中任意一种或多种方式，获取预设避障模型。
图3是根据图2所示实施例示出的一种S202步骤的流程图，在图3所示的实施例中，该预设避障模型包括预设速度控制模型，该目标安全参数包括目标安全速度，该障碍信息包括该障碍物与该无人车的障碍物距离，该安全行驶数据包括无人车按照驾驶员的驾驶操作在目标路段行驶过程中，距离该无人车最近的障碍物与该无人车的障碍物距离、以及该无人车的真实行驶速度；该S202步骤可以包括：
S2021，将该障碍物距离作为自变量，将该真实行驶速度作为因变量，采用预设回归模型，对多个周期采集的该安全行驶数据进行分析，得到该障碍物距离与该真实行驶速度的第一对应关系。
示例地，图5是本公开实施例提供的一种安全行驶数据中的障碍物距离和真实行驶速度之间关系的示意图，如图5所示，图中的横坐标为障碍物距离(单位：米)，纵坐标为真实行驶速度(单位：米/秒)，每个散点对应一个周期采集到的安全行驶数据(也就是障碍物距离和真实行驶速度的组合)，若总共采集得到了N个周期的安全行驶数据，则图中总共有N个散点，N可以为任意正整数，例如N可以为26000。
进一步地，通过对N个散点按照预设回归模型进行拟合，可以得到拟合线501。
例如，上述预设回归模型可以为线性回归模型，使用最小二乘法，根据上述障碍物距离和真实行驶速度的N个散点，可以求解得到描述障碍物距离和真实行驶速度之间关系的线性回归函数，例如，该线性回归函数可以是：
y＝wx+e；
其中，y表示真实行驶速度；x表示障碍物距离，w和e为使用最小二乘法求解得到的线性参数。
另外，也可以使用梯度下降算法，根据上述障碍物距离和真实行驶速度的N个散点，求解得到上述线性参数w和e。
这样，根据该线性回归函数，可以得到拟合线501，该拟合线501可以为直线。
根据该拟合线501可以得到真实行驶速度与障碍物距离的第一对应关系，该第一对应关系中该真实行驶速度与该障碍物距离可以为正相关关系；也就是障碍物距离越远，真实行驶速度越快；障碍物距离越近，真实行驶速度越慢。
S2022，根据该障碍物距离与该真实行驶速度的第一对应关系，得到该障碍物距离与该目标安全速度的第二对应关系。
在本步骤中，可以将上述第一对应关系中的真实行驶速度作为目标安全速度，从而得到第二对应关系。
S2023、将该第二对应关系作为该预设速度控制模型。
在本公开的另一实施例中，也可以通过以下方式得到第二对应关系：
首先，根据该第一对应关系得到无人车的预设最大安全速度对应的障碍物距离；将该障碍物距离作为第一距离阈值。
示例地，该预设最大安全速度可以为无障碍物场景下，该无人车行驶的最大速度；该距离阈值可以是图5中的A点。
其次，将该第一对应关系中大于或等于该第一距离阈值的所有障碍物距离对应的真实行驶速度更新为预设最大安全速度。
最后，将更新后的第一对应关系中的真实行驶速度作为目标安全速度，得到该第二对应关系。
这样，当无人车距离障碍物较远时，可以无需基于避障需求对无人车的速度进行控制，可以避免无人车行驶速度下降。
在本公开的另一实施例中，还可以通过以下方式得到第二对应关系：
首先，根据该第一对应关系得到无人车的预设最大安全速度对应的障碍物距离；将该障碍物距离作为第一距离阈值。
其次，确定控制无人车停车的第二距离阈值，该第二距离阈值用于表征当在障碍物距离小于该第二距离阈值时，控制无人车停止行驶。该第二距离阈值小于第一距离阈值。
再次，将该第一对应关系中大于或等于第二距离阈值，且小于或等于第一距离阈值的障碍物距离与真实行驶速度的对应关系作为第三对应关系。
最后，将第三对应关系中的真实行驶速度作为目标安全速度，得到该第二对应关系。
这样，在障碍物距离大于或等于该第二距离阈值，且小于或等于第一距离阈值的情况下，可以根据该第二对应关系，确定该障碍物距离对应的目标安全速度，并控制无人车的当前车速小于或等于该目标安全速度；在障碍物距离小于该第二距离阈值的情况下，可以控制无人车停止行驶，避免与障碍物发生碰撞；当障碍物距离大于该第一距离阈值时，可以无需基于避障需求对无人车的速度进行控制，避免无人车行驶速度下降。
图4是根据图2所示实施例示出的另一种S202步骤的流程图，在图4所示的实施例中，该预设避障模型包括预设距离控制模型，该目标安全参数包括目标安全距离，该障碍信息包括该障碍物的障碍物类型，该安全行驶数据包括无人车按照驾驶员的驾驶操作在目标路段行驶过程中绕过的每个障碍物的障碍物类型和该障碍物与无人车的饶障距离；该S202步骤可以包括：
S2026、针对每个障碍物类型，获取该障碍物类型对应的目标安全距离。
示例地，可以通过以下方式获取目标安全距离：
首先，确定该障碍物类型对应的多个障碍物，并获取多个该障碍物与无人车的饶障距离。
其中，该饶障距离可以用于表示无人车绕过该障碍物时的最小距离或横向距离。例如，可以在无人车绕过该障碍物的过程中，周期性采集无人车与该障碍物的距离，将其中的最小值作为该饶障距离；也可以将无人车与该障碍物处于目标路段的同一垂直线上时的横向距离作为该饶障距离，因为一般情况下该横向距离就是无人车绕过该障碍物时的最小距离。
其次，将该障碍物类型对应的多个该饶障距离排序后得到绕障距离序列；并根据该绕障距离序列得到该障碍物类型对应的目标安全距离。
示例地，可以首先将该障碍物类型对应的多个饶障距离进行递增排序后得到绕障距离序列。
最后，获取该绕障距离序列的预设百分位数对应的目标饶障距离，并将该目标饶障距离作为该障碍物类型对应的目标安全距离。
该预设百分位数可以是50％至100％之间的任意百分数，例如可以是50％、80％、90％或99％。若该预设百分位数为99％，则该目标饶障距离大于或等于99％的人类驾驶员操作下无人车绕过该障碍物时的距离，则以该目标饶障距离作为目标安全距离，可以与安全驾驶员的预期保持一致。
S2027、将多个障碍物类型与目标安全距离的对应关系作为该预设距离控制模型。
示例地，根据本实施例的方法，得到多个障碍物类型与目标安全距离的对应关系可以如下表1所示：
| 障碍物类型 | 目标安全距离(米) |
| 动物 | 3.19 |
| 自行车 | 2.47 |
| 行人 | 2.59 |
| 车辆 | 1.54 |
| 交通路标 | 2.66 |
表1
如表1所示，当障碍物类型为动物时，对应的目标安全距离为3.19米；当障碍物类型为自行车时，对应的目标安全距离为2.47米；当障碍物类型为行人时，对应的目标安全距离为2.59米；当障碍物类型为车辆时，对应的目标安全距离为1.54米；当障碍物类型为交通路标时，对应的目标安全距离为2.66米。
这样，通过障碍物类型确定目标安全距离，然后通过控制无人车的行驶方向，使得无人车与障碍物的障碍物距离大于或等于该目标安全距离。由于该目标安全距离为根据驾驶员操作下的无人车的安全行驶数据获取的，与驾驶员的预期相吻合，因此，可以使得无人车在自动驾驶模式下与障碍物的障碍物距离与安全驾驶员的预期一致，从而既可以避免人工干预，有能够提升无人车行驶安全性。
图6是本公开实施例提供的一种无人车的控制装置的结构示意图，如图6所示，该装置包括：
障碍信息获取模块601，用于在无人车的行驶路段上存在障碍物的情况下，获取该障碍物对应的障碍信息；
安全参数获取模块602，用于将所述障碍信息作为预设避障模型的输入，得到所述障碍信息对应的目标安全参数；其中，所述预设避障模型为根据安全行驶数据获取的模型，所述安全行驶数据包括所述无人车按照驾驶员的驾驶操作在目标路段行驶过程中采集到的无人车行驶数据和所述障碍物对应的障碍信息，所述目标路段为预先设置的包括所述障碍物的一个或多个路段；
无人车控制模块603，用于根据所述目标安全参数控制所述无人车行驶。
可选地，所述预设避障模型包括预设速度控制模型，所述目标安全参数包括目标安全速度，所述障碍信息包括所述障碍物与所述无人车的障碍物距离；所述安全参数获取模块602，用于将所述障碍物距离作为预设速度控制模型的输入，得到所述障碍物距离对应的目标安全速度；其中，所述预设速度控制模型为根据所述安全行驶数据获取的模型，所述安全行驶数据包括无人车按照驾驶员的驾驶操作在目标路段行驶过程中，距离该无人车最近的障碍物与该无人车的障碍物距离、以及该无人车的真实行驶速度。
可选地，所述预设避障模型包括预设距离控制模型，所述目标安全参数包括目标安全距离，所述障碍信息包括所述障碍物的障碍物类型；所述安全参数获取模块602，用于将所述障碍物类型作为预设距离控制模型的输入，得到所述障碍物类型对应的目标安全距离；其中，所述预设距离控制模型为根据所述安全行驶数据获取的模型，所述安全行驶数据包括无人车按照驾驶员的驾驶操作在目标路段行驶过程中绕过的每个障碍物的障碍物类型和无人车与该障碍物的饶障距离。
图7是本公开实施例提供的另一种无人车的控制装置的结构示意图，如图7所示，该装置还包括：
避障模型获取模块701，用于周期性采集所述无人车按照驾驶员的驾驶操作在目标路段行驶过程中的安全行驶数据；根据多个周期采集的所述安全行驶数据，获取所述预设避障模型。
可选地，所述预设避障模型包括预设速度控制模型，所述目标安全参数包括目标安全速度，所述障碍信息包括所述障碍物与所述无人车的障碍物距离，所述安全行驶数据包括无人车按照驾驶员的驾驶操作在目标路段行驶过程中，距离该无人车最近的障碍物与该无人车的障碍物距离、以及该无人车的真实行驶速度；所述避障模型获取模块701，用于：
将所述障碍物距离作为自变量，将所述真实行驶速度作为因变量，采用预设回归模型，对多个周期采集的所述安全行驶数据进行分析，得到所述障碍物距离与所述真实行驶速度的第一对应关系；
根据所述障碍物距离与所述真实行驶速度的第一对应关系，得到所述障碍物距离与所述目标安全速度的第二对应关系；
将所述第二对应关系作为所述预设速度控制模型。
可选地，所述避障模型获取模块701，用于：
根据所述第一对应关系得到无人车的预设最大安全速度对应的障碍物距离；将该障碍物距离作为第一距离阈值；
将所述第一对应关系中大于或等于该第一距离阈值的所有障碍物距离对应的真实行驶速度更新为预设最大安全速度；
将更新后的第一对应关系中的真实行驶速度作为目标安全速度，得到所述第二对应关系。
可选地，所述预设避障模型包括预设距离控制模型，所述目标安全参数包括目标安全距离，所述障碍信息包括所述障碍物的障碍物类型，所述安全行驶数据包括无人车按照驾驶员的驾驶操作在目标路段行驶过程中绕过的每个障碍物的障碍物类型和该障碍物与无人车的饶障距离；所述避障模型获取模块701，用于：
针对每个障碍物类型，确定该障碍物类型对应的多个障碍物，并获取多个该障碍物与无人车的饶障距离；将该障碍物类型对应的多个所述饶障距离排序后得到绕障距离序列，并根据该绕障距离序列得到该障碍物类型对应的目标安全距离；
将多个障碍物类型与目标安全距离的对应关系作为所述预设距离控制模型。
可选地，所述避障模型获取模块701，用于：
将该障碍物类型对应的多个饶障距离进行递增排序后得到绕障距离序列；
获取该绕障距离序列的预设百分位数对应的目标饶障距离；
将该目标饶障距离作为该障碍物类型对应的目标安全距离。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
采用上述装置，在无人车的行驶路段上存在障碍物的情况下，获取该障碍物对应的障碍信息；将该障碍信息作为预设避障模型的输入，得到该障碍信息对应的目标安全参数；其中，该预设避障模型为根据安全行驶数据获取的模型，该安全行驶数据包括该无人车按照驾驶员的驾驶操作在目标路段行驶过程中采集到的无人车行驶数据和该障碍物对应的障碍信息，该目标路段为预先设置的包括该障碍物的一个或多个路段；根据该目标安全参数，控制该无人车行驶。这样，根据预设避障模型可以得到与驾驶员操作相符的目标安全参数(例如目标安全距离或目标安全速度)，并根据该目标安全参数控制该无人车行驶，可以使得无人车行驶过程与驾驶员操作时的行驶过程更为接近，以便控制无人车安全地绕过该障碍物，从而既可以提升无人车行驶安全性，也可以降低人工干预次数，提升MPI指标。
图8是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以被提供为一服务器。参照图8，电子设备800包括处理器822，其数量可以为一个或多个，以及存储器832，用于存储可由处理器822执行的计算机程序。存储器832中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器822可以被配置为执行该计算机程序，以执行上述的无人车的控制。
另外，电子设备800还可以包括电源组件826和通信组件850，该电源组件826可以被配置为执行电子设备800的电源管理，该通信组件850可以被配置为实现电子设备800的通信，例如，有线或无线通信。此外，该电子设备800还可以包括输入/输出(I/O)接口858。电子设备800可以操作基于存储在存储器832的操作系统，例如Windows Server，Mac OS，Unix，Linux等。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的无人车的控制的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器832，上述程序指令可由电子设备800的处理器822执行以完成上述的无人车的控制。
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的无人车的控制的代码部分。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。
Claims (11)
1.一种无人车的控制方法，其特征在于，所述方法包括：
在无人车的行驶路段上存在障碍物的情况下，获取该障碍物对应的障碍信息；
将所述障碍信息作为预设避障模型的输入，得到所述障碍信息对应的目标安全参数；其中，所述预设避障模型为根据安全行驶数据获取的模型，所述安全行驶数据包括所述无人车按照驾驶员的驾驶操作在目标路段行驶过程中采集到的无人车行驶数据和所述障碍物对应的障碍信息，所述目标路段为预先设置的包括所述障碍物的一个或多个路段；
根据所述目标安全参数控制所述无人车行驶。
2.根据权利要求1所述的方法，其特征在于，所述预设避障模型包括预设速度控制模型，所述目标安全参数包括目标安全速度，所述障碍信息包括所述障碍物与所述无人车的障碍物距离；所述将所述障碍信息作为预设避障模型的输入，得到所述障碍信息对应的目标安全速度和目标安全距离包括：
将所述障碍物距离作为预设速度控制模型的输入，得到所述障碍物距离对应的目标安全速度；其中，所述预设速度控制模型为根据所述安全行驶数据获取的模型，所述安全行驶数据包括无人车按照驾驶员的驾驶操作在目标路段行驶过程中，距离该无人车最近的障碍物与该无人车的障碍物距离、以及该无人车的真实行驶速度。
3.根据权利要求1所述的方法，其特征在于，所述预设避障模型包括预设距离控制模型，所述目标安全参数包括目标安全距离，所述障碍信息包括所述障碍物的障碍物类型；所述将所述障碍信息作为预设避障模型的输入，得到所述障碍信息对应的目标安全速度和目标安全距离包括：
将所述障碍物类型作为预设距离控制模型的输入，得到所述障碍物类型对应的目标安全距离；其中，所述预设距离控制模型为根据所述安全行驶数据获取的模型，所述安全行驶数据包括无人车按照驾驶员的驾驶操作在目标路段行驶过程中绕过的每个障碍物的障碍物类型和无人车与该障碍物的饶障距离。
4.根据权利要求1所述的方法，其特征在于，所述预设避障模型通过以下方式获取：
周期性采集所述无人车按照驾驶员的驾驶操作在目标路段行驶过程中的安全行驶数据；
根据多个周期采集的所述安全行驶数据，获取所述预设避障模型。
5.根据权利要求4所述的方法，其特征在于，所述预设避障模型包括预设速度控制模型，所述目标安全参数包括目标安全速度，所述障碍信息包括所述障碍物与所述无人车的障碍物距离，所述安全行驶数据包括无人车按照驾驶员的驾驶操作在目标路段行驶过程中，距离该无人车最近的障碍物与该无人车的障碍物距离、以及该无人车的真实行驶速度；所述根据多个周期采集的所述安全行驶数据，获取所述预设避障模型包括：
将所述障碍物距离作为自变量，将所述真实行驶速度作为因变量，采用预设回归模型，对多个周期采集的所述安全行驶数据进行分析，得到所述障碍物距离与所述真实行驶速度的第一对应关系；
根据所述障碍物距离与所述真实行驶速度的第一对应关系，得到所述障碍物距离与所述目标安全速度的第二对应关系；
将所述第二对应关系作为所述预设速度控制模型。
6.根据权利要求5所述的方法，其特征在于，所述根据所述障碍物距离与所述真实行驶速度的第一对应关系，得到所述障碍物距离与所述目标安全速度的第二对应关系，包括：
根据所述第一对应关系得到无人车的预设最大安全速度对应的障碍物距离；将该障碍物距离作为第一距离阈值；
将所述第一对应关系中大于或等于该第一距离阈值的所有障碍物距离对应的真实行驶速度更新为预设最大安全速度；
将更新后的第一对应关系中的真实行驶速度作为目标安全速度，得到所述第二对应关系。
7.根据权利要求4所述的方法，其特征在于，所述预设避障模型包括预设距离控制模型，所述目标安全参数包括目标安全距离，所述障碍信息包括所述障碍物的障碍物类型，所述安全行驶数据包括无人车按照驾驶员的驾驶操作在目标路段行驶过程中绕过的每个障碍物的障碍物类型和该障碍物与无人车的饶障距离；所述根据多个周期采集的所述安全行驶数据，获取所述预设避障模型包括：
针对每个障碍物类型，确定该障碍物类型对应的多个障碍物，并获取多个该障碍物与无人车的饶障距离；将该障碍物类型对应的多个所述饶障距离排序后得到绕障距离序列，并根据该绕障距离序列得到该障碍物类型对应的目标安全距离；
将多个障碍物类型与目标安全距离的对应关系作为所述预设距离控制模型。
8.根据权利要求7所述的方法，其特征在于，所述将该障碍物类型对应的多个所述饶障距离排序后得到绕障距离序列，并根据该绕障距离序列得到该障碍物类型对应的目标安全距离包括：
将该障碍物类型对应的多个饶障距离进行递增排序后得到绕障距离序列；
获取该绕障距离序列的预设百分位数对应的目标饶障距离；
将该目标饶障距离作为该障碍物类型对应的目标安全距离。
9.一种无人车的控制装置，其特征在于，所述装置包括：
障碍信息获取模块，用于在无人车的行驶路段上存在障碍物的情况下，获取该障碍物对应的障碍信息；
安全参数获取模块，用于将所述障碍信息作为预设避障模型的输入，得到所述障碍信息对应的目标安全参数；其中，所述预设避障模型为根据安全行驶数据获取的模型，所述安全行驶数据包括所述无人车按照驾驶员的驾驶操作在目标路段行驶过程中采集到的无人车行驶数据和所述障碍物对应的障碍信息，所述目标路段为预先设置的包括所述障碍物的一个或多个路段；
无人车控制模块，用于根据所述目标安全参数控制所述无人车行驶。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至8中任一项所述方法的步骤。
11.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210074379.5A CN114348022A (zh) | 2022-01-21 | 2022-01-21 | 无人车的控制方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210074379.5A CN114348022A (zh) | 2022-01-21 | 2022-01-21 | 无人车的控制方法、装置、存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114348022A true CN114348022A (zh) | 2022-04-15 |
Family
ID=81090880
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210074379.5A Withdrawn CN114348022A (zh) | 2022-01-21 | 2022-01-21 | 无人车的控制方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114348022A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH092098A (ja) * | 1995-06-19 | 1997-01-07 | Fuji Heavy Ind Ltd | 車両用前方監視装置 |
| CN103370250A (zh) * | 2011-02-23 | 2013-10-23 | 丰田自动车株式会社 | 驾驶辅助装置、驾驶辅助方法以及驾驶辅助程序 |
| CN108958263A (zh) * | 2018-08-03 | 2018-12-07 | 江苏木盟智能科技有限公司 | 一种机器人避障方法及机器人 |
| CN111591294A (zh) * | 2020-05-29 | 2020-08-28 | 长安大学 | 一种不同交通环境下的车辆换道预警方法 |
| CN112703140A (zh) * | 2020-12-15 | 2021-04-23 | 华为技术有限公司 | 控制方法和控制装置 |
-
2022
- 2022-01-21 CN CN202210074379.5A patent/CN114348022A/zh not_active Withdrawn
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH092098A (ja) * | 1995-06-19 | 1997-01-07 | Fuji Heavy Ind Ltd | 車両用前方監視装置 |
| CN103370250A (zh) * | 2011-02-23 | 2013-10-23 | 丰田自动车株式会社 | 驾驶辅助装置、驾驶辅助方法以及驾驶辅助程序 |
| CN108958263A (zh) * | 2018-08-03 | 2018-12-07 | 江苏木盟智能科技有限公司 | 一种机器人避障方法及机器人 |
| CN111591294A (zh) * | 2020-05-29 | 2020-08-28 | 长安大学 | 一种不同交通环境下的车辆换道预警方法 |
| CN112703140A (zh) * | 2020-12-15 | 2021-04-23 | 华为技术有限公司 | 控制方法和控制装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111402612A (zh) | 一种交通事件通知方法及装置 | |
| US7974748B2 (en) | Driver assistance system with vehicle states, environment and driver intention | |
| CN112416004A (zh) | 一种基于自动驾驶的控制方法、装置、车辆以及相关设备 | |
| EP2865575A1 (en) | Confidence estimation for predictive driver assistance systems based on plausibility rules | |
| CN110936953A (zh) | 提供周围环境图像的方法和设备与具有这种设备的机动车 | |
| Kim et al. | Probabilistic threat assessment with environment description and rule-based multi-traffic prediction for integrated risk management system | |
| JP2021089732A (ja) | 衝突回避のために周囲の車両に対して警告を提供するためのシステムおよび方法 | |
| CN109383367B (zh) | 车辆外部通知装置 | |
| CN110942623B (zh) | 一种辅助交通事故处理方法和系统 | |
| CN109318894B (zh) | 车辆驾驶辅助系统、车辆驾驶辅助方法及车辆 | |
| CN113460081A (zh) | 车辆控制装置、车辆控制方法及存储介质 | |
| CN113071487B (zh) | 自动驾驶车辆控制方法、装置及云端设备 | |
| CN113104038B (zh) | 车辆换道控制方法、装置、电子设备及可读存储介质 | |
| CN113085873B (zh) | 驾驶策略的获取方法、装置、计算机设备和存储介质 | |
| CN112918472A (zh) | 车辆驾驶辅助系统、利用其的车辆及相应的方法和介质 | |
| CN112424850A (zh) | 辅助车辆中的驾驶员的方法和设备 | |
| EP4124530A1 (en) | Pedestrian intent yielding | |
| DE102021133533A1 (de) | Immobilitätsdetektion innerhalb eines situativen kontexts | |
| CN113460083A (zh) | 车辆控制装置、车辆控制方法及存储介质 | |
| CN113460080A (zh) | 车辆控制装置、车辆控制方法及存储介质 | |
| CN114348022A (zh) | 无人车的控制方法、装置、存储介质及电子设备 | |
| CN112849134B (zh) | 风险推断装置以及车辆控制装置 | |
| CN110908367A (zh) | 一种基于scstsv的智能网联汽车计算平台 | |
| CN115092181A (zh) | 车辆的控制方法、装置、存储介质和处理器 | |
| CN110920546B (zh) | 一种用于车辆的图像识别控制方法及装置 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220415 |