CN114407901A - 自动驾驶车辆的控制方法、装置以及自动驾驶系统 - Google Patents

Abstract

本申请提供了一种自动驾驶车辆的控制方法、装置以及自动驾驶系统，该方法包括：获取自动驾驶车辆前方的目标障碍物的高度；在高度小于预设高度的情况下，调整摄像机的摄像参数，并控制调整后的摄像机获取目标图像信息，目标图像信息为目标障碍物的图像信息；将目标图像信息输入深度学习模型，得到目标障碍物属于各类型的概率，深度学习模型为使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括障碍物的图像信息以及图像信息属于各类型的概率；根据各概率以及各类型对应的可信度阈值范围，确定目标障碍物的类型。本申请保证了识别的障碍物结果较为准确。

Description

自动驾驶车辆的控制方法、装置以及自动驾驶系统

技术领域

本申请涉及自动驾驶领域，具体而言，涉及一种自动驾驶车辆的控制方法、控制装置、计算机可读存储介质、处理器以及自动驾驶系统。

背景技术

在自动驾驶技术中，准确判断自动驾驶车辆前方的障碍物类型，对自动驾驶车辆的驾驶过程至关重要。然而，现在对于小物体的障碍物，仍难以较为准确地确定其类型。

在背景技术部分中公开的以上信息只是用来加强对本文所描述技术的背景技术的理解，因此，背景技术中可能包含某些信息，这些信息对于本领域技术人员来说并未形成在本国已知的现有技术。

发明内容

本申请的主要目的在于提供一种自动驾驶车辆的控制方法、控制装置、计算机可读存储介质、处理器以及自动驾驶系统，以解决现有技术中的自动驾驶车辆难以准确识别前方的小物体障碍物的问题。

根据本发明实施例的一个方面，提供了一种自动驾驶车辆的控制方法，包括：获取自动驾驶车辆前方的目标障碍物的高度；在所述高度小于预设高度的情况下，调整摄像机的摄像参数，并控制调整后的所述摄像机获取目标图像信息，所述目标图像信息为所述目标障碍物的图像信息；将所述目标图像信息输入深度学习模型，得到所述目标障碍物属于各类型的概率，所述深度学习模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括障碍物的图像信息以及所述图像信息属于各所述类型的概率；根据各所述概率以及各所述类型对应的可信度阈值范围，确定所述目标障碍物的类型。

可选地，在所述高度小于预设高度的情况下，调整摄像机的摄像参数，包括：在所述高度小于所述预设高度的情况下，获取环境照度；确定所述环境照度是否小于预设照度；在确定所述环境照度小于所述预设照度的情况下，将所述摄像机设置为夜视模式，并调整所述摄像机的焦距，以使得调焦后的所述摄像机拍摄的图像的清晰度大于预设阈值；在确定所述环境照度大于或者等于所述预设照度的情况下，调整所述摄像机的所述焦距，以使得调焦后的所述摄像机拍摄的图像的清晰度大于所述预设阈值。

可选地，调整所述摄像机的焦距，包括：控制所述摄像机获取所述目标障碍物的图像；按照初始调焦方向以及初始步长调整所述摄像机的所述焦距；控制调焦后的所述摄像机获取所述目标障碍物的图像；根据调焦前后的所述图像、所述初始调焦方向以及所述初始步长，确定调焦方向以及步长；按照所述调焦方向以及所述步长调整所述摄像机的所述焦距，直到调焦后的所述摄像机拍摄的图像的清晰度大于所述预设阈值。

可选地，获取自动驾驶车辆前方的目标障碍物的高度，包括：获取自动驾驶车辆的多个传感器的检测数据；采用多传感器信息融合技术处理各所述检测数据，确定所述目标障碍物的轮廓；根据所述轮廓，确定所述目标障碍物距离路面的最高点以及距离所述路面的最低点；确定所述最高点与所述最低点的距离为所述高度。

可选地，根据各所述概率以及各所述类型对应的可信度阈值范围，确定所述目标障碍物的类型，包括：确定各所述概率中的最大值以及目标类型，所述目标类型为所述最大值对应的所述类型；在所述最大值位于所述目标类型对应的所述可信度阈值范围内的情况下，确定所述目标类型为所述目标障碍物的类型。

可选地，在所述最大值未位于所述目标类型对应的所述可信度阈值范围内的情况下，所述方法还包括：发出警报信息以提醒驾驶人员；将所述目标图像信息反馈至远程控制中心。

可选地，在根据各所述概率以及各所述类型对应的可信度阈值范围，确定所述目标障碍物的类型之后，所述方法还包括：根据所述目标障碍物的类型，确定所述自动驾驶车辆的行驶策略；根据所述行驶策略控制所述自动驾驶车辆运行。

可选地，根据所述目标障碍物的类型，确定所述自动驾驶车辆的行驶策略，包括：在所述目标障碍物的类型为鸟类或者塑料袋纸片的情况下，确定所述目标障碍物是否在空中运动；在确定所述目标障碍物在空中运动的情况下，确定所述自动驾驶车辆正常行驶；在所述目标障碍物未在空中运动的情况下，确定所述自动驾驶车辆减速行驶。

可选地，确定所述目标障碍物是否在空中运动，包括：获取所述目标障碍物的至少连续两帧图像；根据所述连续两帧图像，确定所述目标障碍物的移动距离和/或移动速度；在所述移动距离大于距离阈值和/或所述移动速度大于速度阈值的情况下，确定所述目标障碍物在空中运动。

可选地，确定所述目标障碍物是否在空中运动，包括：获取包括所述目标障碍物的连续多帧图像；对所述连续多帧图像进行图像拼接融合，得到融合图像；根据所述融合图像中的所述目标障碍物的运动状态，确定所述目标障碍物是否在空中运动。

可选地，根据所述目标障碍物的类型，确定所述自动驾驶车辆的行驶策略，包括：在所述目标障碍物的类型为树枝或者地面凸起的情况下，根据所述目标障碍物的高度，确定所述自动驾驶车辆绕行或者正常行驶；在所述目标障碍物的类型为非鸟类动物的情况下，确定所述自动驾驶车辆绕行或者减速行驶。

根据本发明实施例的另一方面，还提供了一种自动驾驶车辆的控制装置，包括获取单元、调整单元、输入单元以及第一确定单元，其中，所述获取单元用于获取自动驾驶车辆前方的目标障碍物的高度；所述调整单元用于在所述高度小于预设高度的情况下，调整摄像机的摄像参数，并控制调整后的所述摄像机获取目标图像信息，所述目标图像信息为所述目标障碍物的图像信息；所述输入单元用于将所述目标图像信息输入深度学习模型，得到所述目标障碍物属于各类型的概率，所述深度学习模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括障碍物的图像信息以及所述图像信息属于各所述类型的概率；所述第一确定单元用于根据各所述概率以及各所述类型对应的可信度阈值范围，确定所述目标障碍物的类型。

根据本发明实施例的再一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，所述程序执行任意一种所述的方法。

根据本发明实施例的又一方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任意一种所述的方法。

根据本发明实施例的再一方面，还提供了一种自动驾驶系统，所述自动驾驶系统包括自动驾驶车辆以及所述自动驾驶车辆的控制器，所述控制器包括一个或多个处理器、存储器以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行任意一种所述的方法。

采用本申请的技术方案，所述的自动驾驶车辆的控制方法中，首先获取自动驾驶车辆前方的目标障碍物的高度；然后，在所述高度小于预设高度的情况下，调整摄像机的摄像参数，并控制调整后的所述摄像机获取所述目标障碍物的目标图像信息；之后，将所述目标图像信息输入深度学习模型，得到所述目标障碍物属于各类型的概率；最后，根据各所述概率以及各所述类型对应的可信度阈值范围，确定所述目标障碍物的类型。本申请的所述方法在确定自动驾驶车辆前方的目标障碍物的高度小于预设高度的情况下，也就是说确定自动驾驶车辆前方的目标障碍物为小物体的障碍物的情况下，调整摄像机的摄像参数后重新获取目标障碍物的图像信息，这样保证了得到的小物体的目标障碍物的图像信息较为准确，之后再根据目标图像信息以及深度学习模型以及可信度阈值范围，来确定目标障碍物的类型，保证了得到的目标障碍物的类型较为准确，缓解了现有技术中自动驾驶车辆难以准确识别前方的小物体障碍物的问题，保证了识别的障碍物结果较为准确。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1示出了根据本申请的实施例的自动驾驶车辆的控制方法的流程示意图；

图2示出了根据本申请的实施例的自动驾驶车辆的控制装置的示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应该理解的是，当元件(诸如层、膜、区域、或衬底)描述为在另一元件“上”时，该元件可直接在该另一元件上，或者也可存在中间元件。而且，在说明书以及权利要求书中，当描述有元件“连接”至另一元件时，该元件可“直接连接”至该另一元件，或者通过第三元件“连接”至该另一元件。

正如背景技术中所说的，现有技术中的自动驾驶车辆难以准确识别前方的小物体障碍物，为了解决上述问题，本申请的一种典型的实施方式中，提供了一种自动驾驶车辆的控制方法、控制装置、计算机可读存储介质、处理器以及自动驾驶系统。

根据本申请的实施例，提供了一种自动驾驶车辆的控制方法。

图1是根据本申请实施例的自动驾驶车辆的控制方法的流程图。如图1所示，该方法包括以下步骤：

步骤S101，获取自动驾驶车辆前方的目标障碍物的高度；

步骤S102，在上述高度小于预设高度的情况下，调整摄像机的摄像参数，并控制调整后的上述摄像机获取目标图像信息，上述目标图像信息为上述目标障碍物的图像信息；

步骤S103，将上述目标图像信息输入深度学习模型，得到上述目标障碍物属于各类型的概率，上述深度学习模型为使用多组数据通过机器学习训练出的，上述多组数据中的每组数据均包括障碍物的图像信息以及上述图像信息属于各上述类型的概率；

步骤S104，根据各上述概率以及各上述类型对应的可信度阈值范围，确定上述目标障碍物的类型。

上述的自动驾驶车辆的控制方法中，首先获取自动驾驶车辆前方的目标障碍物的高度；然后，在上述高度小于预设高度的情况下，调整摄像机的摄像参数，并控制调整后的上述摄像机获取上述目标障碍物的目标图像信息；之后，将上述目标图像信息输入深度学习模型，得到上述目标障碍物属于各类型的概率；最后，根据各上述概率以及各上述类型对应的可信度阈值范围，确定上述目标障碍物的类型。本申请的上述方法在确定自动驾驶车辆前方的目标障碍物的高度小于预设高度的情况下，也就是说确定自动驾驶车辆前方的目标障碍物为小物体的障碍物的情况下，调整摄像机的摄像参数后重新获取目标障碍物的图像信息，这样保证了得到的小物体的目标障碍物的图像信息较为准确，之后再根据目标图像信息以及深度学习模型以及可信度阈值范围，来确定目标障碍物的类型，保证了得到的目标障碍物的类型较为准确，缓解了现有技术中自动驾驶车辆难以准确识别前方的小物体障碍物的问题，保证了识别的障碍物结果较为准确。

一种具体的实施例中，上述预设高度可以设置为0.5米。当然，该预设高度并不限于上述的0.5米，本领域技术人员可以根据实际情况灵活设置这一数值。

根据本申请的一种具体的实施例，在上述高度小于预设高度的情况下，调整摄像机的摄像参数，包括：在上述高度小于上述预设高度的情况下，获取环境照度；确定上述环境照度是否小于预设照度；在确定上述环境照度小于上述预设照度的情况下，将上述摄像机设置为夜视模式，并调整上述摄像机的焦距，以使得调焦后的上述摄像机拍摄的图像的清晰度大于预设阈值；在确定上述环境照度大于或者等于上述预设照度的情况下，调整上述摄像机的上述焦距，以使得调焦后的上述摄像机拍摄的图像的清晰度大于上述预设阈值。本实施例中，在确定目标障碍物为小物体时，先确定环境照度是否小于预设照度，在确定环境照度小于预设照度的情况下，即在如夜晚或者隧道中这些较昏暗的环境下，先将摄像机设置为夜视模式，再调整摄像机的焦距，使得调焦后的上述摄像机拍摄的图像的清晰度较好，这样进一步地保证了可以较为准确以及清晰地得到小物体障碍物的图像信息，进而进一步地保证了后续根据上述图像信息确定的小物体障碍物的类别较为准确。

为了进一步地保证能较为清晰地得到上述目标障碍物的图像信息，根据本申请的再一种具体的实施例，调整上述摄像机的焦距，包括：控制上述摄像机获取上述目标障碍物的图像；按照初始调焦方向以及初始步长调整上述摄像机的上述焦距；控制调焦后的上述摄像机获取上述目标障碍物的图像；根据调焦前后的上述图像、上述初始调焦方向以及上述初始步长，确定调焦方向以及步长；按照上述调焦方向以及上述步长调整上述摄像机的上述焦距，直到调焦后的上述摄像机拍摄的图像的清晰度大于上述预设阈值。本实施例中，第一步拍摄图像，第二步根据预设的初始调焦方向以及初始步长调节焦距，第三步，控制调焦后的摄像机拍摄图像，第四步比对两张图像来确定调焦方向以及步长，第五步根据第四步确定的调焦方向以及步长调节摄像机的焦距，第六步依次执行上述第三步、上述第四步以及上述第五步，直到调焦后的上述摄像机拍摄的图像的清晰度大于上述预设阈值，这样可以使得调整后的上述摄像机拍摄出的图像较为清晰，从而进一步地方便后续从图像中识别障碍物。

本申请的又一种具体的实施例中，获取自动驾驶车辆前方的目标障碍物的高度，包括：获取自动驾驶车辆的多个传感器的检测数据；采用多传感器信息融合技术处理各上述检测数据，确定上述目标障碍物的轮廓；根据上述轮廓，确定上述目标障碍物距离路面的最高点以及距离上述路面的最低点；确定上述最高点与上述最低点的距离为上述高度。这样可以较为简单快捷且较为准确地得到上述目标障碍物的高度。

为了进一步地使得得到的上述目标障碍物的类型较为准确，进一步地保证后续根据目标障碍物的类型，对自动驾驶车辆的控制策略较为正确，一种具体的实施例中，根据各上述概率以及各上述类型对应的可信度阈值范围，确定上述目标障碍物的类型，包括：确定各上述概率中的最大值以及目标类型，上述目标类型为上述最大值对应的上述类型；在上述最大值位于上述目标类型对应的上述可信度阈值范围内的情况下，确定上述目标类型为上述目标障碍物的类型。只有在各个类别对应的概率中的最大值位于可信度阈值范围内的情况下，才能确定上述目标障碍物属于最大值对应的类型，进一步地降低了对目标障碍物的错误识别的概率。

另一种具体的实施例中，根据各上述概率以及各上述类型对应的可信度阈值范围，确定上述目标障碍物的类型，包括如下步骤：获取各上述概率值对应的可信度阈值范围；确定各上述概率值是否位于对应的上述可信度阈值范围内；在所有的上述概率值均位于对应的上述可信度阈值范围内的情况下，确定上述目标类型为上述目标障碍物的类型。这样可以进一步地使得得到的上述目标障碍物的类型较为准确。

具体地，上述目标障碍物的类型可以为塑料袋纸片、树枝、鸟类、非鸟类动物、地面凸起或者其他。当然，上述类型的种类并不限于上述的6种，其还可以包括细化的其他种类。

在实际的应用过程中，可能存在最大值未位于上述可信度阈值范围内的情况，此时为了保证自动驾驶车辆的安全驾驶，根据本申请的另一种具体的实施例，在上述最大值未位于上述目标类型对应的上述可信度阈值范围内的情况下，上述方法还包括：发出警报信息以提醒驾驶人员；将上述目标图像信息反馈至远程控制中心。通过发出警报信息来提醒驾驶人员进行人工接管，以及将上述目标图像信息反馈至远程控制中心，使得远程控制人员可以及时介入，双重措施确保自动驾驶车辆的驾驶安全。

具体地，在根据各上述概率以及各上述类型对应的可信度阈值范围，确定上述目标障碍物的类型之后，上述方法还包括：根据上述目标障碍物的类型，确定上述自动驾驶车辆的行驶策略；根据上述行驶策略控制上述自动驾驶车辆运行。

为了进一步地使得自动驾驶车辆的自动驾驶较为安全，本申请的另一种具体的实施例中，根据上述目标障碍物的类型，确定上述自动驾驶车辆的行驶策略，包括：在上述目标障碍物的类型为鸟类或者塑料袋纸片的情况下，确定上述目标障碍物是否在空中运动；在确定上述目标障碍物在空中运动的情况下，确定上述自动驾驶车辆正常行驶；在上述目标障碍物未在空中运动的情况下，确定上述自动驾驶车辆减速行驶。

为了较为简单快捷地确定目标障碍物是否在空中运动，根据本申请的再一种具体的实施例，确定上述目标障碍物是否在空中运动，包括：获取上述目标障碍物的至少连续两帧图像；根据上述连续两帧图像，确定上述目标障碍物的移动距离和/或移动速度；在上述移动距离大于距离阈值和/或上述移动速度大于速度阈值的情况下，确定上述目标障碍物在空中运动。由于摄像机获取连续两帧图像的时间是固定且已知的，通过获取连续两帧图像中目标障碍物的上述移动距离，和/或根据移动距离以及时间得到上述移动速度，再将移动距离于距离阈值比较，和/或将移动速度与速度阈值比较，确定目标障碍物是否在空中运动，这样可以较为快速地得到结果。

当然，为了进一步地使得确定的上述目标障碍物是否在空中运动的结果较为准确，本领域技术人员还可以获取连续的多帧图像，每相邻的两帧计算一次移动距离和/或移动速度，最终取多个移动距离和/或移动速度的均值作为最终的移动距离值和/或移动速度值。

再一种具体的实施例中，确定上述目标障碍物是否在空中运动，包括：获取包括上述目标障碍物的连续多帧图像；对上述连续多帧图像进行图像拼接融合，得到融合图像；根据上述融合图像中的上述目标障碍物的运动状态，确定上述目标障碍物是否在空中运动。通过图像拼接融合技术，得到表征目标障碍物运动状态的融合图像，从而进一步地保证了较为准确地确定目标障碍物是否在空中运动。

具体地，对上述连续多帧图像进行图像拼接融合，得到融合图像的具体步骤如下：识别并截取连续多帧图像中的目标障碍物的轮廓；按照时间顺序将截取的每个轮廓进行组合，得到上述融合图像。当然图像拼接融合技术并不限于上述的方案，本领域技术人员还可以采用现有技术中任意可行的其他的图像拼接融合技术来得到多帧包括目标障碍物的图像的融合图像。

根据本申请的一种具体的实施例，根据上述目标障碍物的类型，确定上述自动驾驶车辆的行驶策略，包括：在上述目标障碍物的类型为树枝或者地面凸起的情况下，根据上述目标障碍物的高度，确定上述自动驾驶车辆绕行或者正常行驶；在上述目标障碍物的类型为非鸟类动物的情况下，确定上述自动驾驶车辆绕行或者减速行驶。在目标障碍物的类型为树枝或者地面凸起时，根据其高度确定绕行还是正常驶过，避免了目标障碍物太高时剐蹭自动驾驶车辆；而在障碍物的类型为非鸟类动物时，通过绕行避开该障碍物，或者减速等待非鸟类动物过去之后再通过路段，避免了自动驾驶车辆与动物之间的碰撞，进而进一步地保证了驾驶安全。

在实际的应用过程中，在上述目标障碍物的类型为树枝或者地面凸起的情况下，根据上述目标障碍物的高度，确定上述自动驾驶车辆绕行或者正常行驶的步骤为：在上述目标障碍物的类型为树枝或者地面凸起的情况下，再次确定上述目标障碍物的高度；在上述高度大于第一设定值时，确定上述自动驾驶车辆绕行；在上述高度小于或者等于上述第一设定值时，确定上述自动驾驶车辆正常行驶。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，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。

本申请实施例还提供了一种自动驾驶车辆的控制装置，需要说明的是，本申请实施例的自动驾驶车辆的控制装置可以用于执行本申请实施例所提供的用于自动驾驶车辆的控制方法。以下对本申请实施例提供的自动驾驶车辆的控制装置进行介绍。

图2是根据本申请实施例的自动驾驶车辆的控制装置的示意图。如图2所示，该装置包括获取单元10、调整单元20、输入单元30以及第一确定单元40，其中，上述获取单元10用于获取自动驾驶车辆前方的目标障碍物的高度；上述调整单元20用于在上述高度小于预设高度的情况下，调整摄像机的摄像参数，并控制调整后的上述摄像机获取目标图像信息，上述目标图像信息为上述目标障碍物的图像信息；上述输入单元30用于将上述目标图像信息输入深度学习模型，得到上述目标障碍物属于各类型的概率，上述深度学习模型为使用多组数据通过机器学习训练出的，上述多组数据中的每组数据均包括障碍物的图像信息以及上述图像信息属于各上述类型的概率；上述第一确定单元40用于根据各上述概率以及各上述类型对应的可信度阈值范围，确定上述目标障碍物的类型。

上述的自动驾驶车辆的控制装置中，通过上述获取单元获取自动驾驶车辆前方的目标障碍物的高度；在上述高度小于预设高度的情况下，通过上述调整单元调整摄像机的摄像参数，并控制调整后的上述摄像机获取上述目标障碍物的目标图像信息；通过上述输入单元将上述目标图像信息输入深度学习模型，得到上述目标障碍物属于各类型的概率；根据各上述概率以及各上述类型对应的可信度阈值范围，通过上述第一确定单元确定上述目标障碍物的类型。本申请的上述装置在确定自动驾驶车辆前方的目标障碍物的高度小于预设高度的情况下，也就是说确定自动驾驶车辆前方的目标障碍物为小物体的障碍物的情况下，调整摄像机的摄像参数后重新获取目标障碍物的图像信息，这样保证了得到的小物体的目标障碍物的图像信息较为准确，之后再根据目标图像信息以及深度学习模型以及可信度阈值范围，来确定目标障碍物的类型，保证了得到的目标障碍物的类型较为准确，缓解了现有技术中自动驾驶车辆难以准确识别前方的小物体障碍物的问题，保证了识别的障碍物结果较为准确。

一种具体的实施例中，上述预设高度可以设置为0.5米。当然，该预设高度并不限于上述的0.5米，本领域技术人员可以根据实际情况灵活设置这一数值。

根据本申请的一种具体的实施例，上述调整单元包括第一获取模块、第一确定模块、设定模块以及调整模块，其中，上述第一获取模块用于在上述高度小于上述预设高度的情况下，获取环境照度；上述第一确定模块用于确定上述环境照度是否小于预设照度；上述设定模块用于在确定上述环境照度小于上述预设照度的情况下，将上述摄像机设置为夜视模式，并调整上述摄像机的焦距，以使得调焦后的上述摄像机拍摄的图像的清晰度大于预设阈值；上述调整模块用于在确定上述环境照度大于或者等于上述预设照度的情况下，调整上述摄像机的上述焦距，以使得调焦后的上述摄像机拍摄的图像的清晰度大于上述预设阈值。本实施例中，在确定目标障碍物为小物体时，先确定环境照度是否小于预设照度，在确定环境照度小于预设照度的情况下，即在如夜晚或者隧道中这些较昏暗的环境下，先将摄像机设置为夜视模式，再调整摄像机的焦距，使得调焦后的上述摄像机拍摄的图像的清晰度较好，这样进一步地保证了可以较为准确以及清晰地得到小物体障碍物的图像信息，进而进一步地保证了后续根据上述图像信息确定的小物体障碍物的类别较为准确。

为了进一步地保证能较为清晰地得到上述目标障碍物的图像信息，根据本申请的再一种具体的实施例，上述设定模块包括第一控制子模块、第一调整子模块、第二控制子模块、第一确定子模块以及第二调整子模块，其中，上述第一控制子模块用于控制上述摄像机获取上述目标障碍物的图像；上述第一调整子模块用于按照初始调焦方向以及初始步长调整上述摄像机的上述焦距；上述第二控制子模块用于控制调焦后的上述摄像机获取上述目标障碍物的图像；上述第一确定子模块用于根据调焦前后的上述图像、上述初始调焦方向以及上述初始步长，确定调焦方向以及步长；上述第二调整子模块用于按照上述调焦方向以及上述步长调整上述摄像机的上述焦距，直到调焦后的上述摄像机拍摄的图像的清晰度大于上述预设阈值。本实施例中，第一步拍摄图像，第二步根据预设的初始调焦方向以及初始步长调节焦距，第三步，控制调焦后的摄像机拍摄图像，第四步比对两张图像来确定调焦方向以及步长，第五步根据第四步确定的调焦方向以及步长调节摄像机的焦距，第六步依次执行上述第三步、上述第四步以及上述第五步，直到调焦后的上述摄像机拍摄的图像的清晰度大于上述预设阈值，这样可以使得调整后的上述摄像机拍摄出的图像较为清晰，从而进一步地方便后续从图像中识别障碍物。

本申请的又一种具体的实施例中，上述获取单元包括第二获取模块、处理模块、第二确定模块以及第三确定模块，其中，上述第二获取模块用于获取自动驾驶车辆的多个传感器的检测数据；上述处理模块用于采用多传感器信息融合技术处理各上述检测数据，确定上述目标障碍物的轮廓；上述第二确定模块用于根据上述轮廓，确定上述目标障碍物距离路面的最高点以及距离上述路面的最低点；上述第三确定模块用于确定上述最高点与上述最低点的距离为上述高度。这样可以较为简单快捷且较为准确地得到上述目标障碍物的高度。

为了进一步地使得得到的上述目标障碍物的类型较为准确，进一步地保证后续根据目标障碍物的类型，对自动驾驶车辆的控制策略较为正确，一种具体的实施例中，上述第一确定单元包括第四确定模块以及第五确定模块，其中，上述第四确定模块用于确定各上述概率中的最大值以及目标类型，上述目标类型为上述最大值对应的上述类型；上述第五确定模块用于在上述最大值位于上述目标类型对应的上述可信度阈值范围内的情况下，确定上述目标类型为上述目标障碍物的类型。只有在各个类别对应的概率中的最大值位于可信度阈值范围内的情况下，才能确定上述目标障碍物属于最大值对应的类型，进一步地降低了对目标障碍物的错误识别的概率。

另一种具体的实施例中，根据各上述概率以及各上述类型对应的可信度阈值范围，确定上述目标障碍物的类型，包括如下步骤：获取各上述概率值对应的可信度阈值范围；确定各上述概率值是否位于对应的上述可信度阈值范围内；在所有的上述概率值均位于对应的上述可信度阈值范围内的情况下，确定上述目标类型为上述目标障碍物的类型。这样可以进一步地使得得到的上述目标障碍物的类型较为准确。

具体地，上述目标障碍物的类型可以为塑料袋纸片、树枝、鸟类、非鸟类动物、地面凸起或者其他。当然，上述类型的种类并不限于上述的6种，其还可以包括细化的其他种类。

在实际的应用过程中，可能存在最大值未位于上述可信度阈值范围内的情况，此时为了保证自动驾驶车辆的安全驾驶，根据本申请的另一种具体的实施例，上述装置还包括发出单元以及反馈单元，其中，上述发出单元用于在上述最大值未位于上述目标类型对应的上述可信度阈值范围内的情况下，发出警报信息以提醒驾驶人员；上述反馈单元用于将上述目标图像信息反馈至远程控制中心。通过发出警报信息来提醒驾驶人员进行人工接管，以及将上述目标图像信息反馈至远程控制中心，使得远程控制人员可以及时介入，双重措施确保自动驾驶车辆的驾驶安全。

具体地，上述装置还包括第二确定单元以及控制单元，其中，上述第二确定单元用于在根据各上述概率以及各上述类型对应的可信度阈值范围，确定上述目标障碍物的类型之后，根据上述目标障碍物的类型，确定上述自动驾驶车辆的行驶策略；上述控制单元用于根据上述行驶策略控制上述自动驾驶车辆运行。

为了进一步地使得自动驾驶车辆的自动驾驶较为安全，本申请的另一种具体的实施例中，上述第二确定单元包括第六确定模块、第七确定模块以及第八确定模块，其中，上述第六确定模块用于在上述目标障碍物的类型为鸟类或者塑料袋纸片的情况下，确定上述目标障碍物是否在空中运动；上述第七确定模块用于在确定上述目标障碍物在空中运动的情况下，确定上述自动驾驶车辆正常行驶；上述第八确定模块用于在上述目标障碍物未在空中运动的情况下，确定上述自动驾驶车辆减速行驶。

为了较为简单快捷地确定目标障碍物是否在空中运动，根据本申请的再一种具体的实施例，上述第六确定模块包括第一获取子模块、第二确定子模块以及第三确定子模块，其中，上述第一获取子模块用于获取上述目标障碍物的至少连续两帧图像；上述第二确定子模块用于根据上述连续两帧图像，确定上述目标障碍物的移动距离和/或移动速度；上述第三确定子模块用于在上述移动距离大于距离阈值和/或上述移动速度大于速度阈值的情况下，确定上述目标障碍物在空中运动。由于摄像机获取连续两帧图像的时间是固定且已知的，通过获取连续两帧图像中目标障碍物的上述移动距离，和/或根据移动距离以及时间得到上述移动速度，再将移动距离于距离阈值比较，和/或将移动速度与速度阈值比较，确定目标障碍物是否在空中运动，这样可以较为快速地得到结果。

当然，为了进一步地使得确定的上述目标障碍物是否在空中运动的结果较为准确，本领域技术人员还可以获取连续的多帧图像，每相邻的两帧计算一次移动距离和/或移动速度，最终取多个移动距离和/或移动速度的均值作为最终的移动距离值和/或移动速度值。

再一种具体的实施例中，上述第六确定模块包括第二获取子模块、拼接子模块以及第四确定子模块，其中，上述第二获取子模块用于获取包括上述目标障碍物的连续多帧图像；上述拼接子模块用于对上述连续多帧图像进行图像拼接融合，得到融合图像；上述第四确定子模块用于根据上述融合图像中的上述目标障碍物的运动状态，确定上述目标障碍物是否在空中运动。通过图像拼接融合技术，得到表征目标障碍物运动状态的融合图像，从而进一步地保证了较为准确地确定目标障碍物是否在空中运动。

具体地，对上述连续多帧图像进行图像拼接融合，得到融合图像的具体步骤如下：识别并截取连续多帧图像中的目标障碍物的轮廓；按照时间顺序将截取的每个轮廓进行组合，得到上述融合图像。当然图像拼接融合技术并不限于上述的方案，本领域技术人员还可以采用现有技术中任意可行的其他的图像拼接融合技术来得到多帧包括目标障碍物的图像的融合图像。

根据本申请的一种具体的实施例，上述第二确定单元包括第九确定模块以及第十确定模块，其中，上述第九确定模块用于在上述目标障碍物的类型为树枝或者地面凸起的情况下，根据上述目标障碍物的高度，确定上述自动驾驶车辆绕行或者正常行驶；上述第十确定模块用于在上述目标障碍物的类型为非鸟类动物的情况下，确定上述自动驾驶车辆绕行或者减速行驶。在目标障碍物的类型为树枝或者地面凸起时，根据其高度确定绕行还是正常驶过，避免了目标障碍物太高时剐蹭自动驾驶车辆；而在障碍物的类型为非鸟类动物时，通过绕行避开该障碍物，或者减速等待非鸟类动物过去之后再通过路段，避免了自动驾驶车辆与动物之间的碰撞，进而进一步地保证了驾驶安全。

在实际的应用过程中，在上述目标障碍物的类型为树枝或者地面凸起的情况下，根据上述目标障碍物的高度，确定上述自动驾驶车辆绕行或者正常行驶的步骤为：在上述目标障碍物的类型为树枝或者地面凸起的情况下，再次确定上述目标障碍物的高度；在上述高度大于第一设定值时，确定上述自动驾驶车辆绕行；在上述高度小于或者等于上述第一设定值时，确定上述自动驾驶车辆正常行驶。

上述自动驾驶车辆的控制装置包括处理器和存储器，上述的获取单元、调整单元、输入单元以及第一确定单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决现有技术中的自动驾驶车辆难以准确识别前方的小物体障碍物的问题。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

本发明实施例提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述自动驾驶车辆的控制方法。

本发明实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述自动驾驶车辆的控制方法。

本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：

步骤S101，获取自动驾驶车辆前方的目标障碍物的高度；

步骤S102，在上述高度小于预设高度的情况下，调整摄像机的摄像参数，并控制调整后的上述摄像机获取目标图像信息，上述目标图像信息为上述目标障碍物的图像信息；

步骤S103，将上述目标图像信息输入深度学习模型，得到上述目标障碍物属于各类型的概率，上述深度学习模型为使用多组数据通过机器学习训练出的，上述多组数据中的每组数据均包括障碍物的图像信息以及上述图像信息属于各上述类型的概率；

步骤S104，根据各上述概率以及各上述类型对应的可信度阈值范围，确定上述目标障碍物的类型。

本文中的设备可以是服务器、PC、PAD、手机等。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：

步骤S101，获取自动驾驶车辆前方的目标障碍物的高度；

步骤S102，在上述高度小于预设高度的情况下，调整摄像机的摄像参数，并控制调整后的上述摄像机获取目标图像信息，上述目标图像信息为上述目标障碍物的图像信息；

步骤S103，将上述目标图像信息输入深度学习模型，得到上述目标障碍物属于各类型的概率，上述深度学习模型为使用多组数据通过机器学习训练出的，上述多组数据中的每组数据均包括障碍物的图像信息以及上述图像信息属于各上述类型的概率；

步骤S104，根据各上述概率以及各上述类型对应的可信度阈值范围，确定上述目标障碍物的类型。

根据本申请的再一种典型的实施例，还提供了一种自动驾驶系统，上述自动驾驶系统包括自动驾驶车辆以及上述自动驾驶车辆的控制器，上述控制器包括一个或多个处理器、存储器以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置为由上述一个或多个处理器执行，上述一个或多个程序包括用于执行任意一种上述的方法。

上述的自动驾驶系统包括自动驾驶车辆以及上述自动驾驶车辆的控制器，上述控制器用于执行任一种上述的方法，上述方法在确定自动驾驶车辆前方的目标障碍物的高度小于预设高度的情况下，也就是说确定自动驾驶车辆前方的目标障碍物为小物体的障碍物的情况下，调整摄像机的摄像参数后重新获取目标障碍物的图像信息，这样保证了得到的小物体的目标障碍物的图像信息较为准确，之后再根据目标图像信息以及深度学习模型以及可信度阈值范围，来确定目标障碍物的类型，保证了得到的目标障碍物的类型较为准确，缓解了现有技术中自动驾驶车辆难以准确识别前方的小物体障碍物的问题，保证了识别的障碍物结果较为准确。

在本发明的上述实施例中，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。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

从以上的描述中，可以看出，本申请上述的实施例实现了如下技术效果：

1)、本申请上述的自动驾驶车辆的控制方法中，首先获取自动驾驶车辆前方的目标障碍物的高度；然后，在上述高度小于预设高度的情况下，调整摄像机的摄像参数，并控制调整后的上述摄像机获取上述目标障碍物的目标图像信息；之后，将上述目标图像信息输入深度学习模型，得到上述目标障碍物属于各类型的概率；最后，根据各上述概率以及各上述类型对应的可信度阈值范围，确定上述目标障碍物的类型。本申请的上述方法在确定自动驾驶车辆前方的目标障碍物的高度小于预设高度的情况下，也就是说确定自动驾驶车辆前方的目标障碍物为小物体的障碍物的情况下，调整摄像机的摄像参数后重新获取目标障碍物的图像信息，这样保证了得到的小物体的目标障碍物的图像信息较为准确，之后再根据目标图像信息以及深度学习模型以及可信度阈值范围，来确定目标障碍物的类型，保证了得到的目标障碍物的类型较为准确，缓解了现有技术中自动驾驶车辆难以准确识别前方的小物体障碍物的问题，保证了识别的障碍物结果较为准确。

2)、本申请上述的自动驾驶车辆的控制装置中，通过上述获取单元获取自动驾驶车辆前方的目标障碍物的高度；在上述高度小于预设高度的情况下，通过上述调整单元调整摄像机的摄像参数，并控制调整后的上述摄像机获取上述目标障碍物的目标图像信息；通过上述输入单元将上述目标图像信息输入深度学习模型，得到上述目标障碍物属于各类型的概率；根据各上述概率以及各上述类型对应的可信度阈值范围，通过上述第一确定单元确定上述目标障碍物的类型。本申请的上述装置在确定自动驾驶车辆前方的目标障碍物的高度小于预设高度的情况下，也就是说确定自动驾驶车辆前方的目标障碍物为小物体的障碍物的情况下，调整摄像机的摄像参数后重新获取目标障碍物的图像信息，这样保证了得到的小物体的目标障碍物的图像信息较为准确，之后再根据目标图像信息以及深度学习模型以及可信度阈值范围，来确定目标障碍物的类型，保证了得到的目标障碍物的类型较为准确，缓解了现有技术中自动驾驶车辆难以准确识别前方的小物体障碍物的问题，保证了识别的障碍物结果较为准确。

3)、本申请上述的自动驾驶系统包括自动驾驶车辆以及上述自动驾驶车辆的控制器，上述控制器用于执行任一种上述的方法，上述方法在确定自动驾驶车辆前方的目标障碍物的高度小于预设高度的情况下，也就是说确定自动驾驶车辆前方的目标障碍物为小物体的障碍物的情况下，调整摄像机的摄像参数后重新获取目标障碍物的图像信息，这样保证了得到的小物体的目标障碍物的图像信息较为准确，之后再根据目标图像信息以及深度学习模型以及可信度阈值范围，来确定目标障碍物的类型，保证了得到的目标障碍物的类型较为准确，缓解了现有技术中自动驾驶车辆难以准确识别前方的小物体障碍物的问题，保证了识别的障碍物结果较为准确。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (15)

1.一种自动驾驶车辆的控制方法，其特征在于，包括：

获取自动驾驶车辆前方的目标障碍物的高度；

在所述高度小于预设高度的情况下，调整摄像机的摄像参数，并控制调整后的所述摄像机获取目标图像信息，所述目标图像信息为所述目标障碍物的图像信息；

将所述目标图像信息输入深度学习模型，得到所述目标障碍物属于各类型的概率，所述深度学习模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括障碍物的图像信息以及所述图像信息属于各所述类型的概率；

根据各所述概率以及各所述类型对应的可信度阈值范围，确定所述目标障碍物的类型。

2.根据权利要求1所述的方法，其特征在于，在所述高度小于预设高度的情况下，调整摄像机的摄像参数，包括：

在所述高度小于所述预设高度的情况下，获取环境照度；

确定所述环境照度是否小于预设照度；

在确定所述环境照度小于所述预设照度的情况下，将所述摄像机设置为夜视模式，并调整所述摄像机的焦距，以使得调焦后的所述摄像机拍摄的图像的清晰度大于预设阈值；

在确定所述环境照度大于或者等于所述预设照度的情况下，调整所述摄像机的所述焦距，以使得调焦后的所述摄像机拍摄的图像的清晰度大于所述预设阈值。

3.根据权利要求2所述的方法，其特征在于，调整所述摄像机的焦距，包括：

控制所述摄像机获取所述目标障碍物的图像；

按照初始调焦方向以及初始步长调整所述摄像机的所述焦距；

控制调焦后的所述摄像机获取所述目标障碍物的图像；

根据调焦前后的所述图像、所述初始调焦方向以及所述初始步长，确定调焦方向以及步长；

按照所述调焦方向以及所述步长调整所述摄像机的所述焦距，直到调焦后的所述摄像机拍摄的图像的清晰度大于所述预设阈值。

4.根据权利要求1所述的方法，其特征在于，获取自动驾驶车辆前方的目标障碍物的高度，包括：

获取自动驾驶车辆的多个传感器的检测数据；

采用多传感器信息融合技术处理各所述检测数据，确定所述目标障碍物的轮廓；

根据所述轮廓，确定所述目标障碍物距离路面的最高点以及距离所述路面的最低点；

确定所述最高点与所述最低点的距离为所述高度。

5.根据权利要求1所述的方法，其特征在于，根据各所述概率以及各所述类型对应的可信度阈值范围，确定所述目标障碍物的类型，包括：

确定各所述概率中的最大值以及目标类型，所述目标类型为所述最大值对应的所述类型；

在所述最大值位于所述目标类型对应的所述可信度阈值范围内的情况下，确定所述目标类型为所述目标障碍物的类型。

6.根据权利要求5所述的方法，其特征在于，在所述最大值未位于所述目标类型对应的所述可信度阈值范围内的情况下，所述方法还包括：

发出警报信息以提醒驾驶人员；

将所述目标图像信息反馈至远程控制中心。

7.根据权利要求1至6中任一项所述的方法，其特征在于，在根据各所述概率以及各所述类型对应的可信度阈值范围，确定所述目标障碍物的类型之后，所述方法还包括：

根据所述目标障碍物的类型，确定所述自动驾驶车辆的行驶策略；

根据所述行驶策略控制所述自动驾驶车辆运行。

8.根据权利要求7所述的方法，其特征在于，根据所述目标障碍物的类型，确定所述自动驾驶车辆的行驶策略，包括：

在所述目标障碍物的类型为鸟类或者塑料袋纸片的情况下，确定所述目标障碍物是否在空中运动；

在确定所述目标障碍物在空中运动的情况下，确定所述自动驾驶车辆正常行驶；

在所述目标障碍物未在空中运动的情况下，确定所述自动驾驶车辆减速行驶。

9.根据权利要求8所述的方法，其特征在于，确定所述目标障碍物是否在空中运动，包括：

获取所述目标障碍物的至少连续两帧图像；

根据所述连续两帧图像，确定所述目标障碍物的移动距离和/或移动速度；

在所述移动距离大于距离阈值和/或所述移动速度大于速度阈值的情况下，确定所述目标障碍物在空中运动。

10.根据权利要求8所述的方法，其特征在于，确定所述目标障碍物是否在空中运动，包括：

获取包括所述目标障碍物的连续多帧图像；

对所述连续多帧图像进行图像拼接融合，得到融合图像；

根据所述融合图像中的所述目标障碍物的运动状态，确定所述目标障碍物是否在空中运动。

11.根据权利要求7所述的方法，其特征在于，根据所述目标障碍物的类型，确定所述自动驾驶车辆的行驶策略，包括：

在所述目标障碍物的类型为树枝或者地面凸起的情况下，根据所述目标障碍物的高度，确定所述自动驾驶车辆绕行或者正常行驶；

在所述目标障碍物的类型为非鸟类动物的情况下，确定所述自动驾驶车辆绕行或者减速行驶。

12.一种自动驾驶车辆的控制装置，其特征在于，包括：

获取单元，用于获取自动驾驶车辆前方的目标障碍物的高度；

调整单元，用于在所述高度小于预设高度的情况下，调整摄像机的摄像参数，并控制调整后的所述摄像机获取目标图像信息，所述目标图像信息为所述目标障碍物的图像信息；

输入单元，用于将所述目标图像信息输入深度学习模型，得到所述目标障碍物属于各类型的概率，所述深度学习模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括障碍物的图像信息以及所述图像信息属于各所述类型的概率；

第一确定单元，用于根据各所述概率以及各所述类型对应的可信度阈值范围，确定所述目标障碍物的类型。

13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，所述程序执行权利要求1至11中任意一项所述的方法。

14.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至11中任意一项所述的方法。

15.一种自动驾驶系统，其特征在于，包括：

自动驾驶车辆；

所述自动驾驶车辆的控制器，所述控制器包括一个或多个处理器、存储器以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行权利要求1至11中任意一项所述的方法。

Images