CN114641419A - 驾驶控制方法、装置、汽车及计算机可读存储介质 - Google Patents
驾驶控制方法、装置、汽车及计算机可读存储介质 Download PDFInfo
- Publication number
- CN114641419A CN114641419A CN202080075421.4A CN202080075421A CN114641419A CN 114641419 A CN114641419 A CN 114641419A CN 202080075421 A CN202080075421 A CN 202080075421A CN 114641419 A CN114641419 A CN 114641419A
- Authority
- CN
- China
- Prior art keywords
- target
- preset
- classification result
- sensing data
- scene
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000011217 control strategy Methods 0.000 claims abstract description 50
- 238000013145 classification model Methods 0.000 claims abstract description 33
- 238000001514 detection method Methods 0.000 claims description 79
- 238000005286 illumination Methods 0.000 claims description 55
- 238000012545 processing Methods 0.000 claims description 47
- 238000012549 training Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 7
- 230000001953 sensory effect Effects 0.000 claims description 2
- 230000004438 eyesight Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004313 glare Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
一种驾驶控制方法、装置、汽车及计算机可读存储介质，其中该方法包括：获取传感器采集到的传感数据，并将所述传感数据输入预设的场景因子分类模型，得到第一场景因子分类结果(S101)；根据所述第一场景因子分类结果确定智能驾驶汽车中的至少一个预置受控部件的目标控制策略(S102)；根据每个所述预置受控部件的目标控制策略，控制每个所述预置受控部件运行(S103)。该方法能够提高智能驾驶汽车的行驶安全。
Description
技术领域
本申请涉及智能驾驶技术领域，尤其涉及一种驾驶控制方法、装置、汽车及计算机可读存储介质。
背景技术
在智能驾驶领域，智能驾驶汽车主要通过传感器来感知智能驾驶汽车所处环境的环境信息，并根据环境信息来规划自身的行驶。然而，智能驾驶汽车所处环境的场景复杂多变，在天气恶劣、路况不好和光照不好等复杂场景下，智能驾驶汽车容易做出错误的决策，从而造成车祸，无法保证智能驾驶汽车的行驶安全。
发明内容
基于此，本申请实施例提供了一种驾驶控制方法、装置、汽车及计算机可读存储介质，旨在提高智能驾驶汽车的行驶安全。
第一方面，本申请实施例提供了一种驾驶控制方法，包括：
获取传感器采集到的传感数据，并将所述传感数据输入预设的场景因子分类模型，得到第一场景因子分类结果；
根据所述第一场景因子分类结果确定智能驾驶汽车中的至少一个预置受控部件的目标控制策略；
根据每个所述预置受控部件的目标控制策略，控制每个所述预置受控部件运行。
第二方面，本申请实施例还提供了一种驾驶控制装置，所述驾驶控制装置包括存储器和处理器；所述存储器用于存储计算机程序；
所述处理器，用于执行所述计算机程序并在执行所述计算机程序时，实现如下步骤：
获取传感器采集到的传感数据，并将所述传感数据输入预设的场景因子分类模型，得到第一场景因子分类结果；
根据所述第一场景因子分类结果确定智能驾驶汽车中的至少一个预置受控部件的目标控制策略；
根据每个所述预置受控部件的目标控制策略，控制每个所述预置受控部件运行。
第三方面，本申请实施例还提供了一种智能驾驶汽车，所述智能驾驶汽车包括：
汽车本体；
动力系统，设于所述汽车本体内，用于为所述智能驾驶汽车提高移动动力；
传感器，设于所述汽车本体上，用于采集所述智能驾驶汽车所处环境的传感数据；
如上所述驾驶控制装置，设于所述汽车本体内，用于控制智能驾驶汽车。
第四方面，本申请实施例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存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如上所述的驾驶控制方法的步骤。
本申请实施例提供了一种驾驶控制方法、装置、汽车及计算机可读存储介质，通过获取传感器采集到的传感数据，并将传感数据输入预设的场景因子分类模型，得到第一场景因子分类结果，然后根据第一场景因子分类结果确定智能驾驶汽车中的至少一个预置受控部件的目标控制策略，最后根据至少一个预置受控部件的目标控制策略，控制至少一个预置受控部件运行，使得智能驾驶汽车能够基于自适应场景采用不同的控制策略来控制受控部件，可以极大的提高智能驾驶汽车的行驶安全。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是实施本申请实施例提供的驾驶控制方法的一场景示意图；
图2是本申请实施例提供的一种驾驶控制方法的步骤示意流程图；
图3是本申请实施例提供的另一种驾驶控制方法的步骤示意流程图；
图4是本申请实施例中智能驾驶汽车与目标对象保持恒定距离行进的一场景示意图；
图5是本申请实施例提供的一种驾驶控制装置的结构示意性框图；
图6是本申请实施例提供的一种智能驾驶汽车的结构示意性框图。
具体实施方式
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，所描述的实施例是本申请一部分实施例，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，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
在智能驾驶领域，智能驾驶汽车主要通过传感器来感知智能驾驶汽车所处环境的环境信息，并根据环境信息来规划自身的行驶。然而，智能驾驶汽车所处环境的场景复杂多变，在天气恶劣、路况不好和光照不好等复杂场景下，智能驾驶汽车容易做出错误的决策，从而造成车祸，无法保证智能驾驶汽车的行驶安全。
为解决上述问题，本申请实施例提供了一种驾驶控制方法、装置、汽车及计算机可读存储介质，通过获取传感器采集到的传感数据，并将传感数据输入预设的场景因子分类模型，得到第一场景因子分类结果，然后根据第一场景因子分类结果确定智能驾驶汽车中的至少一个预置受控部件的目标控制策略，最后根据至少一个预置受控部件的目标控制策略，控制至少一个预置受控部件运行，使得智能驾驶汽车能够基于自适应场景采用不同的控制策略来控制受控部件，可以极大的提高智能驾驶汽车的行驶安全。
请参阅图1，图1是实施本申请实施例提供的驾驶控制方法的一场景示意图。如图1所示，如图1所示，智能驾驶汽车100包括汽车本体110、设于汽车本体110上的传感器120和设于汽车本体110上的动力系统130，传感器120用于采集传感数据，动力系统130用于为智能驾驶汽车100提供移动动力。
其中，传感器120包括视觉传感器、雷达装置、惯性测量单元和里程计，雷达装置可以包括激光雷达、毫米波雷达。可选的，智能驾驶汽车100可以包括一个或多个雷达装置。以激光雷达为例，激光雷达可以通过发射激光束探测某个环境中物体的位置、速度等信息，从而获得激光点云。激光雷达可以向包括目标物的环境发射探测信号，然后接受从目标物反射回来的反射信号，根据反射的探测信号、接收到的反射信号，并根据发送和接收的间隔时间等数据参数，获得激光点云。激光点云可以包括N个点，每个点可以包括x,y,z坐标和intensity(反射率)等参数值。
在一实施例中，智能驾驶汽车100还可以包括驾驶控制装置(图1中未示出)，驾驶控制装置用于获取传感器120采集到的传感数据，并将传感数据输入预设的场景因子分类模型，得到第一场景因子分类结果；以及用于根据第一场景因子分类结果确定智能驾驶汽车100中的至少一个预置受控部件的目标控制策略；以及用于根据至少一个预置受控部件的目标控制策略，控制至少一个预置受控部件运行，使得智能驾驶汽车100能够基于自适应场景采用不同的控制策略来控制受控部件，可以极大的提高智能驾驶汽车的行驶安全。
可以理解的，图1中的智能驾驶汽车以及上述对于智能驾驶汽车各部件的命名仅仅出于标识的目的，并不因此对本申请实施例进行限制。以下，将结合图1中的场景对本申请的实施例提供的驾驶控制方法进行详细介绍。需知，图1中的场景仅用于解释本申请实施例提供的驾驶控制方法，但并不构成对本申请实施例提供的驾驶控制方法应用场景的限定。
请参阅图2，图2是本申请实施例提供的一种驾驶控制方法的步骤示意流程图。该驾驶控制方法可以应用于智能驾驶汽车中，用于提供智能驾驶汽车的行驶安全。
具体地，如图2所示，该驾驶控制方法包括步骤S101至步骤S103。
S101、获取传感器采集到的传感数据，并将所述传感数据输入预设的场景因子分类模型，得到第一场景因子分类结果。
其中，智能驾驶汽车中的传感器包括视觉传感器和雷达装置等，视觉传感器可以为单目视觉传感器，也可以为双目视觉传感器，雷达装置可以包括激光雷达、毫米波雷达，该传感数据可以是图像数据，也可以是点云数据，还可以是同时包括图像数据和点云数据。
在一实施例中，该场景因子分类模型可以为预先训练好的卷积神经网络模型(Convolutional Neural Networks，CNN)，其训练方式可以为：获取多个第一样本数据，其中，第一样本数据包括传感器采集到的传感数据和标注的第一场景因子分类结果；根据多个第一样本数据对预设的卷积神经网络模型进行迭代训练，直至迭代训练后的卷积神经网络模型收敛，得到场景因子分类模型。通过场景因子分类模型可以准确地确定智能驾驶汽车所处环境的场景因子分类结果，便于后续基于场景因子分类结果准确的控制自身的行驶。
其中，第一场景因子分类结果包括时间、天气、光照、路面状态、道路形状、道路区域和图像质量中的至少一种场景因子的分类结果，时间的分类结果包括白天、夜晚、傍晚等，天气的分类结果包括晴天、阴天、雨天、雪天、大雾天等，路面状态的分类结果包括路面正常、路面潮湿、路面积水、路面积雪等，道路形状的分类结果包括直道、弯道、下坡、上坡等，道路区域的分类结果包括快速路、高速路、隧道、路口、商业区、住宅区等，图像质量的分类结果包括正常、过曝、反光、眩光、模糊、过暗，光照的分类结果包括光照强度位于第一预设光照强度与第二预设光照强度之间(光照正常)、光照强度小于第一预设光照强度(光照过暗)、光照强度大于第二预设光照强度(光照过亮)等，且第一预设光照强度小于第二预设光照强度。第一预设光照强度和第二预设光照强度可基于实际情况进行设置，本申请实施例对此不做具体限定。
S102、根据所述第一场景因子分类结果确定智能驾驶汽车中的至少一个预置受控部件的目标控制策略。
示例性的，获取场景因子、场景因子的分类结果、受控部件的控制策略之间的第一预设关系表；根据第一预设关系表和每个场景因子的分类结果，确定智能驾驶汽车中的至少一个预置受控部件的目标控制策略。至少一个预置受控部件可以是所有预置受控部件中的每一个，也可以是其中的部分。其中，预置受控部件包括但不限于智能驾驶汽车的车灯、雨刷、发动机和视觉传感器，场景因子、场景因子的分类结果、受控部件的控制策略之间的第一预设关系表可基于实际情况进行设置，本申请实施例对此不做具体限定。
例如，场景因子、场景因子的分类结果、受控部件的控制策略之间的第一预设关系表可以如表1所示。
表1
通过表1可以知道，在第一场景因子分类结果为：夜晚、雨天、路面潮湿、直道、路口、光照正常、图像质量正常，则受控部件的控制策略为：打开车灯、将视觉传感器的曝光参数调整为第二曝光参数、打开雨刷、根据下雨量调整雨刷的档位、减速慢行、以低于当前道路的最大行驶速度行驶。
S103、根据每个所述预置受控部件的目标控制策略，控制每个所述预置受控部件运行。
例如，预置受控部件的目标控制策略包括：打开车灯、将视觉传感器的曝光参数调整为第二曝光参数、打开雨刷、根据下雨量调整雨刷的档位、减速慢行，因此，控制智能驾驶汽车的车灯打开，并将视觉传感器的曝光参数调整为第二曝光参数，同时根据下雨量确定雨刷的档位，并根据该档位控制雨刷运行，还降低智能驾驶汽车的发动机的转速，以减低行驶速度。
又例如，预置受控部件的目标控制策略包括：打开车灯、根据能见度自适应调整行驶速度，因此，控制智能驾驶汽车的车灯打开，并根据能见度确定行驶速度，且按照该行驶速度控制智能驾驶汽车行驶。其中，能见度越高，则行驶速度越快，但不超过当前行驶道路的最大行驶速度，能见度越低，则行驶速度越慢。
上述实施例提供的驾驶控制方法，通过获取传感器采集到的传感数据，并将传感数据输入预设的场景因子分类模型，得到第一场景因子分类结果，然后根据第一场景因子分类结果确定智能驾驶汽车中的至少一个预置受控部件的目标控制策略，最后根据至少一个预置受控部件的目标控制策略，控制至少一个预置受控部件运行，使得智能驾驶汽车能够基于自适应场景采用不同的控制策略来控制受控部件，可以极大的提高智能驾驶汽车的行驶安全。
请参阅图3，图3是本申请实施例提供的另一种驾驶控制方法的步骤示意流程图。
具体地，如图3所示，该驾驶控制方法包括步骤S201至S204。
S201、获取传感器采集到的传感数据，并将所述传感数据输入预设的场景因子分类模型，得到第一场景因子分类结果。
其中，智能驾驶汽车中的传感器包括视觉传感器和雷达装置等，视觉传感器可以为单目视觉传感器，也可以为双目视觉传感器，雷达装置可以包括激光雷达、毫米波雷达，该传感数据可以是图像数据，也可以是点云数据，还可以是同时包括图像数据和点云数据。
S202、根据所述第一场景因子分类结果确定所述传感数据的目标处理策略，并根据所述目标处理策略对所述传感数据进行处理，得到目标传感数据。
其中，传感数据包括图像数据，目标处理策略包括如下至少一种：调整图像数据的亮度、调整图像数据的对比度、调高图像数据的清晰度、调整图像数据的锐化参数。通过场景因子分类结果自适应的对传感数据进行处理，可以提高传感数据的准确性，便于后续对传感数据进行目标检测，从而提高目标检测结果的准确性，能够保证智能驾驶汽车的行驶安全。
示例性的，获取目标场景因子、目标场景因子的分类结果与传感数据的处理策略之间的第二预设关系表；从第一场景因子分类结果中获取目标场景因子的分类结果；根据目标场景因子的分类结果和第二预设关系表，确定传感数据的目标处理策略。其中，该目标场景因子包括时间、光照和图像质量中的至少一种，目标场景因子、目标场景因子的分类结果与传感数据的处理策略之间的第二预设关系表可基于实际情况进行设置，本申请实施例对此不做具体限定。
例如，目标场景因子、目标场景因子的分类结果与传感数据的处理策略之间的第二预设关系表可以如表2所示。
表2
由表2可以知道，在光照的分类结果为光照过暗时，传感数据的目标处理策略为调高图像数据的亮度，在图像质量的分类结果为模糊时，传感数据的目标处理策略为调整图像数据的锐化参数。
S203、将所述目标传感数据输入预设的目标检测模型，得到所述智能驾驶汽车所处环境的目标对象的目标检测信息。
其中，目标对象包括车辆、行人、交通标识、车道线等，该目标检测信息包括目标对象的类别、位置坐标、长度、高度、宽度等，该目标检测模型为预先训练好的神经网络模型，其训练方式可以为：获取多个第二样本数据，其中，第二样本数据包括传感器采集到的传感数据和标注的目标检测信息；根据多个第二样本数据对预设的神经网络模型进行迭代训练，直至迭代训练后的神经网络模型收敛，得到目标检测模型。
在一实施例中，将传感数据输入预设的目标检测模型，得到智能驾驶汽车所处环境的目标对象的第一目标检测信息；将目标传感数据输入预设的目标检测模型，得到智能驾驶汽车所处环境的目标对象的第二目标检测信息；根据第一目标检测信息和第二目标检测信息，确定目标对象的目标检测信息。通过目标传感数据和处理前的传感数据来确定目标检测信息，可以进一步地提高目标检测信息的准确性。
在一实施例中，根据第一目标检测信息和第二目标检测信息，确定目标对象的目标检测信息的方式可以为：确定第一目标检测信息与第一预设系数的第一乘积，并确定第二目标检测信息与第二预设系数的第二乘积；确定第一乘积与第二乘积之和，并将第一乘积与第二乘积之和确定为目标对象的目标检测信息。其中，第一预设系数与第二预设系数之和等于1，且第一预设系数小于第二预设系数，第一预设系数与第二预设系数可基于实际情况进行设置，本申请实施例对此不做具体限定。例如，第一预设系数为0.4，第二预设系数为0.6，又例如，第一预设系数为0.45，第二预设系数为0.55。
S204、根据所述目标检测信息，对所述智能驾驶汽车自身的行驶进行规划。
其中，对智能驾驶汽车自身的行驶进行规划时，可以生成智能驾驶汽车自身的目标轨迹，并将该目标轨迹呈现在可视化界面上，便于用户阅览。该规划包括如下至少一种：与目标对象保持恒定距离行进、停止行进、绕道行进。例如，如图4所示，智能驾驶汽车11在道路上行驶，智能驾驶汽车能够获取到车辆12和车辆13的目标检测信息，从而使得智能驾驶汽车11能够基于车辆12的目标检测信息与车辆12保持恒定距离行进。
在一实施例中，获取传感器采集到的传感数据，并将传感数据输入预设的场景因子分类模型，得到第一场景因子分类结果；根据第一场景因子分类结果确定传感数据的目标处理策略，并根据目标处理策略对传感数据进行处理，得到目标传感数据；将目标传感数据输入预设的场景因子分类模型，得到第二场景因子分类结果；根据第二场景因子分类结果确定智能驾驶汽车中的至少一个预置受控部件的目标控制策略；根据至少一个预置受控部件的目标控制策略，控制每个所述预置受控部件运行。基于第一场景因子分类结果自适应的对传感数据进行处理，可以提高传感数据的准确性，之后再基于处理后的传感数据确定第二场景因子分类结果，可以提高场景因子分类结果的准确性，进而可以提高受控部件的目标控制策略的确定准确性，使得基于准确的控制策略对受控部件进行控制时，能够保证智能驾驶汽车的安全性。
上述实施例提供的驾驶控制方法，通过获取传感器采集到的传感数据，并将传感数据输入预设的场景因子分类模型，得到第一场景因子分类结果，然后根据第一场景因子分类结果确定传感数据的目标处理策略，并根据目标处理策略对传感数据进行处理，得到目标传感数据，最后将目标传感数据输入预设的目标检测模型，得到智能驾驶汽车所处环境的目标对象的目标检测信息，并根据目标检测信息，对智能驾驶汽车自身的行驶进行规划。基于场景因子分类结果自适应的对传感数据进行处理，可以提高传感数据的准确性，便于后续对传感数据进行目标检测，从而提高目标检测结果的准确性，能够保证智能驾驶汽车基于目标检测结果对自身行驶进行规划的准确性，提高行驶安全。
请参阅图5，图5是本申请实施例提供的一种驾驶控制装置的结构示意性框图。
如图5所示，该驾驶控制装置300包括处理器301和存储器302，处理器301和存储器302通过总线303连接，该总线303比如为I2C(Inter-integrated Circuit)总线。
具体地，处理器301可以是微控制单元(Micro-controller Unit，MCU)、中央处理单元(Central Processing Unit，CPU)或数字信号处理器(Digital Signal Processor，DSP)等。
具体地，存储器302可以是Flash芯片、只读存储器(ROM，Read-Only Memory)磁盘、光盘、U盘或移动硬盘等。
其中，所述处理器301用于运行存储在存储器302中的计算机程序，并在执行所述计算机程序时实现如下步骤：
获取传感器采集到的传感数据，并将所述传感数据输入预设的场景因子分类模型，得到第一场景因子分类结果；
根据所述第一场景因子分类结果确定智能驾驶汽车中的至少一个预置受控部件的目标控制策略；
根据每个所述预置受控部件的目标控制策略，控制每个所述预置受控部件运行。
在一实施例中，所述第一场景因子分类结果包括多个场景因子的分类结果，所述处理器在实现根据所述第一场景因子分类结果确定所述智能驾驶汽车中的至少一个预置受控部件的目标控制策略时，用于实现：
获取场景因子、场景因子的分类结果、受控部件的控制策略之间的第一预设关系表；
根据所述第一预设关系表和每个所述场景因子的分类结果，确定所述智能驾驶汽车中的至少一个预置受控部件的目标控制策略。
在一实施例中，所述场景因子分类模型为预先训练好的卷积神经网络模型，所述处理器还用于实现以下步骤：
获取多个第一样本数据，其中，所述第一样本数据包括所述传感器采集到的传感数据和标注的第一场景因子分类结果；
根据所述多个第一样本数据对预设的卷积神经网络模型进行迭代训练，直至迭代训练后的所述卷积神经网络模型收敛，得到所述场景因子分类模型。
在一实施例中，所述处理器在实现将所述传感数据输入预设的场景因子分类模型，得到第一场景因子分类结果之后，还用于实现：
根据所述第一场景因子分类结果确定所述传感数据的目标处理策略，并根据所述目标处理策略对所述传感数据进行处理，得到目标传感数据；
将所述目标传感数据输入预设的场景因子分类模型，得到第二场景因子分类结果；
所述处理器在实现根据所述第一场景因子分类结果确定智能驾驶汽车中的至少一个预置受控部件的目标控制策略时，用于实现：
根据所述第二场景因子分类结果确定智能驾驶汽车中的至少一个预置受控部件的目标控制策略。
在一实施例中，所述处理器在实现将所述传感数据输入预设的场景因子分类模型，得到第一场景因子分类结果之后，还用于实现：
根据所述第一场景因子分类结果确定所述传感数据的目标处理策略，并根据所述目标处理策略对所述传感数据进行处理，得到目标传感数据；
将所述目标传感数据输入预设的目标检测模型，得到所述智能驾驶汽车所处环境的目标对象的目标检测信息；
根据所述目标检测信息，对所述智能驾驶汽车自身的行驶进行规划。
在一实施例中，所述处理器在实现根据所述第一场景因子分类结果确定所述传感数据的目标处理策略时，用于实现：
获取目标场景因子、目标场景因子的分类结果与传感数据的处理策略之间的第二预设关系表；
从所述第一场景因子分类结果中获取所述目标场景因子的分类结果；
根据所述目标场景因子的分类结果和所述第二预设关系表，确定所述传感数据的目标处理策略。
在一实施例中，所述目标场景因子包括时间、光照和图像质量中的至少一种。
在一实施例中，所述传感数据包括图像数据，所述目标处理策略包括如下至少一种：
调整所述图像数据的亮度；
调整所述图像数据的对比度；
调高所述图像数据的清晰度；
调整所述图像数据的锐化参数。
在一实施例中，所述规划包括如下至少一种：与所述目标对象保持恒定距离行进、停止行进、绕道行进。
在一实施例中，所述处理器在实现将所述目标传感数据输入预设的目标检测模型，得到所述智能驾驶汽车所处环境的目标对象的目标检测信息时，用于实现：
将所述传感数据输入预设的目标检测模型，得到所述智能驾驶汽车所处环境的目标对象的第一目标检测信息；
将所述目标传感数据输入预设的目标检测模型，得到所述智能驾驶汽车所处环境的目标对象的第二目标检测信息；
根据所述第一目标检测信息和所述第二目标检测信息，确定所述目标对象的目标检测信息。
在一实施例中，所述目标检测模型为预先训练好的神经网络模型，所述处理器还用于实现以下步骤：
获取多个第二样本数据，其中，所述第二样本数据包括所述传感器采集到的传感数据和标注的目标检测信息；
根据所述多个第二样本数据对预设的神经网络模型进行迭代训练，直至迭代训练后的所述神经网络模型收敛，得到所述目标检测模型。
在一实施例中，所述第一场景因子分类结果包括时间、天气、光照、路面状态、道路形状、道路区域和图像质量中的至少一种场景因子的分类结果。
在一实施例中，所述光照的分类结果包括光照强度位于第一预设光照强度与第二预设光照强度之间、光照强度小于所述第一预设光照强度、光照强度大于所述第二预设光照强度中的任一项，且第一预设光照强度小于所述第二预设光照强度。
在一实施例中，所述预置受控部件包括所述智能驾驶汽车的车灯、雨刷、发动机和视觉传感器。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的驾驶控制装置的具体工作过程，可以参考前述驾驶控制方法实施例中的对应过程，在此不再赘述。
请参阅图6，图6是本申请实施例提供的一种智能驾驶汽车的结构示意性框图。
如图6所示，智能驾驶汽车400包括汽车本体410、动力系统420、传感器430和驾驶控制装置440，动力系统420、传感器430和驾驶控制装置440设于汽车本体410上，动力系统420用于为智能驾驶汽车400提供移动动力，传感器430用于采集传感数据，驾驶控制装置440用于控制智能驾驶汽车400。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的智能驾驶汽车的具体工作过程，可以参考前述驾驶控制方法实施例中的对应过程，在此不再赘述。
本申请实施例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存储有计算机程序，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现上述实施例提供的驾驶控制方法的步骤。
其中，所述计算机可读存储介质可以是前述任一实施例所述的智能驾驶汽车的内部存储单元，例如所述智能驾驶汽车的硬盘或内存。所述计算机可读存储介质也可以是所述智能驾驶汽车的外部存储设备，例如所述智能驾驶汽车上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。
应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (30)
1.一种驾驶控制方法，其特征在于，包括：
获取传感器采集到的传感数据，并将所述传感数据输入预设的场景因子分类模型，得到第一场景因子分类结果；
根据所述第一场景因子分类结果确定智能驾驶汽车中的至少一个预置受控部件的目标控制策略；
根据每个所述预置受控部件的目标控制策略，控制每个所述预置受控部件运行。
2.根据权利要求1所述的驾驶控制方法，其特征在于，所述第一场景因子分类结果包括多个场景因子的分类结果，所述根据所述第一场景因子分类结果确定所述智能驾驶汽车中的至少一个预置受控部件的目标控制策略，包括：
获取场景因子、场景因子的分类结果、受控部件的控制策略之间的第一预设关系表；
根据所述第一预设关系表和每个所述场景因子的分类结果，确定所述智能驾驶汽车中的至少一个预置受控部件的目标控制策略。
3.根据权利要求1所述的驾驶控制方法，其特征在于，所述场景因子分类模型为预先训练好的卷积神经网络模型，所述方法还包括：
获取多个第一样本数据，其中，所述第一样本数据包括所述传感器采集到的传感数据和标注的第一场景因子分类结果；
根据所述多个第一样本数据对预设的卷积神经网络模型进行迭代训练，直至迭代训练后的所述卷积神经网络模型收敛，得到所述场景因子分类模型。
4.根据权利要求1所述的驾驶控制方法，其特征在于，所述将所述传感数据输入预设的场景因子分类模型，得到第一场景因子分类结果之后，还包括：
根据所述第一场景因子分类结果确定所述传感数据的目标处理策略，并根据所述目标处理策略对所述传感数据进行处理，得到目标传感数据；
将所述目标传感数据输入预设的场景因子分类模型，得到第二场景因子分类结果；
所述根据所述第一场景因子分类结果确定智能驾驶汽车中的至少一个预置受控部件的目标控制策略，包括：
根据所述第二场景因子分类结果确定智能驾驶汽车中的至少一个预置受控部件的目标控制策略。
5.根据权利要求1所述的驾驶控制方法，其特征在于，所述将所述传感数据输入预设的场景因子分类模型，得到第一场景因子分类结果之后，还包括：
根据所述第一场景因子分类结果确定所述传感数据的目标处理策略，并根据所述目标处理策略对所述传感数据进行处理，得到目标传感数据；
将所述目标传感数据输入预设的目标检测模型，得到所述智能驾驶汽车所处环境的目标对象的目标检测信息；
根据所述目标检测信息，对所述智能驾驶汽车自身的行驶进行规划。
6.根据权利要求5所述的驾驶控制方法，其特征在于，所述根据所述第一场景因子分类结果确定所述传感数据的目标处理策略，包括：
获取目标场景因子、目标场景因子的分类结果与传感数据的处理策略之间的第二预设关系表；
从所述第一场景因子分类结果中获取所述目标场景因子的分类结果；
根据所述目标场景因子的分类结果和所述第二预设关系表，确定所述传感数据的目标处理策略。
7.根据权利要求6所述的驾驶控制方法，其特征在于，所述目标场景因子包括时间、光照和图像质量中的至少一种。
8.根据权利要求5所述的驾驶控制方法，其特征在于，所述传感数据包括图像数据，所述目标处理策略包括如下至少一种：
调整所述图像数据的亮度；
调整所述图像数据的对比度；
调高所述图像数据的清晰度；
调整所述图像数据的锐化参数。
9.根据权利要求5所述的驾驶控制方法，其特征在于，所述规划包括如下至少一种：与所述目标对象保持恒定距离行进、停止行进、绕道行进。
10.根据权利要求5所述的驾驶控制方法，其特征在于，所述将所述目标传感数据输入预设的目标检测模型，得到所述智能驾驶汽车所处环境的目标对象的目标检测信息，包括：
将所述传感数据输入预设的目标检测模型，得到所述智能驾驶汽车所处环境的目标对象的第一目标检测信息；
将所述目标传感数据输入预设的目标检测模型，得到所述智能驾驶汽车所处环境的目标对象的第二目标检测信息；
根据所述第一目标检测信息和所述第二目标检测信息，确定所述目标对象的目标检测信息。
11.根据权利要求5所述的驾驶控制方法，其特征在于，所述目标检测模型为预先训练好的神经网络模型，所述方法还包括：
获取多个第二样本数据，其中，所述第二样本数据包括所述传感器采集到的传感数据和标注的目标检测信息；
根据所述多个第二样本数据对预设的神经网络模型进行迭代训练，直至迭代训练后的所述神经网络模型收敛，得到所述目标检测模型。
12.根据权利要求1-11中任一项所述的驾驶控制方法，其特征在于，所述第一场景因子分类结果包括时间、天气、光照、路面状态、道路形状、道路区域和图像质量中的至少一种场景因子的分类结果。
13.根据权利要求12所述的驾驶控制方法，其特征在于，所述光照的分类结果包括光照强度位于第一预设光照强度与第二预设光照强度之间、光照强度小于所述第一预设光照强度、光照强度大于所述第二预设光照强度中的任一项，且第一预设光照强度小于所述第二预设光照强度。
14.根据权利要求1-11中任一项所述的驾驶控制方法，其特征在于，所述预置受控部件包括所述智能驾驶汽车的车灯、雨刷、发动机和视觉传感器。
15.一种驾驶控制装置，其特征在于，所述驾驶控制装置包括存储器和处理器；
所述存储器用于存储计算机程序；
所述处理器，用于执行所述计算机程序并在执行所述计算机程序时，实现如下步骤：
获取传感器采集到的传感数据，并将所述传感数据输入预设的场景因子分类模型，得到第一场景因子分类结果；
根据所述第一场景因子分类结果确定智能驾驶汽车中的至少一个预置受控部件的目标控制策略；
根据每个所述预置受控部件的目标控制策略，控制每个所述预置受控部件运行。
16.根据权利要求15所述的驾驶控制装置，其特征在于，所述第一场景因子分类结果包括多个场景因子的分类结果，所述处理器在实现根据所述第一场景因子分类结果确定所述智能驾驶汽车中的至少一个预置受控部件的目标控制策略时，用于实现：
获取场景因子、场景因子的分类结果、受控部件的控制策略之间的第一预设关系表；
根据所述第一预设关系表和每个所述场景因子的分类结果，确定所述智能驾驶汽车中的至少一个预置受控部件的目标控制策略。
17.根据权利要求15所述的驾驶控制装置，其特征在于，所述场景因子分类模型为预先训练好的卷积神经网络模型，所述处理器还用于实现以下步骤：
获取多个第一样本数据，其中，所述第一样本数据包括所述传感器采集到的传感数据和标注的第一场景因子分类结果；
根据所述多个第一样本数据对预设的卷积神经网络模型进行迭代训练，直至迭代训练后的所述卷积神经网络模型收敛，得到所述场景因子分类模型。
18.根据权利要求15所述的驾驶控制装置，其特征在于，所述处理器在实现将所述传感数据输入预设的场景因子分类模型，得到第一场景因子分类结果之后，还用于实现：
根据所述第一场景因子分类结果确定所述传感数据的目标处理策略，并根据所述目标处理策略对所述传感数据进行处理，得到目标传感数据；
将所述目标传感数据输入预设的场景因子分类模型，得到第二场景因子分类结果；
所述处理器在实现根据所述第一场景因子分类结果确定智能驾驶汽车中的至少一个预置受控部件的目标控制策略时，用于实现：
根据所述第二场景因子分类结果确定智能驾驶汽车中的至少一个预置受控部件的目标控制策略。
19.根据权利要求15所述的驾驶控制装置，其特征在于，所述处理器在实现将所述传感数据输入预设的场景因子分类模型，得到第一场景因子分类结果之后，还用于实现：
根据所述第一场景因子分类结果确定所述传感数据的目标处理策略，并根据所述目标处理策略对所述传感数据进行处理，得到目标传感数据；
将所述目标传感数据输入预设的目标检测模型，得到所述智能驾驶汽车所处环境的目标对象的目标检测信息；
根据所述目标检测信息，对所述智能驾驶汽车自身的行驶进行规划。
20.根据权利要求19所述的驾驶控制装置，其特征在于，所述处理器在实现根据所述第一场景因子分类结果确定所述传感数据的目标处理策略时，用于实现：
获取目标场景因子、目标场景因子的分类结果与传感数据的处理策略之间的第二预设关系表；
从所述第一场景因子分类结果中获取所述目标场景因子的分类结果；
根据所述目标场景因子的分类结果和所述第二预设关系表，确定所述传感数据的目标处理策略。
21.根据权利要求20所述的驾驶控制装置，其特征在于，所述目标场景因子包括时间、光照和图像质量中的至少一种。
22.根据权利要求19所述的驾驶控制装置，其特征在于，所述传感数据包括图像数据，所述目标处理策略包括如下至少一种：
调整所述图像数据的亮度；
调整所述图像数据的对比度；
调高所述图像数据的清晰度；
调整所述图像数据的锐化参数。
23.根据权利要求19所述的驾驶控制装置，其特征在于，所述规划包括如下至少一种：与所述目标对象保持恒定距离行进、停止行进、绕道行进。
24.根据权利要求19所述的驾驶控制装置，其特征在于，所述处理器在实现将所述目标传感数据输入预设的目标检测模型，得到所述智能驾驶汽车所处环境的目标对象的目标检测信息时，用于实现：
将所述传感数据输入预设的目标检测模型，得到所述智能驾驶汽车所处环境的目标对象的第一目标检测信息；
将所述目标传感数据输入预设的目标检测模型，得到所述智能驾驶汽车所处环境的目标对象的第二目标检测信息；
根据所述第一目标检测信息和所述第二目标检测信息，确定所述目标对象的目标检测信息。
25.根据权利要求19所述的驾驶控制装置，其特征在于，所述目标检测模型为预先训练好的神经网络模型，所述处理器还用于实现以下步骤：
获取多个第二样本数据，其中，所述第二样本数据包括所述传感器采集到的传感数据和标注的目标检测信息；
根据所述多个第二样本数据对预设的神经网络模型进行迭代训练，直至迭代训练后的所述神经网络模型收敛，得到所述目标检测模型。
26.根据权利要求15-25中任一项所述的驾驶控制装置，其特征在于，所述第一场景因子分类结果包括时间、天气、光照、路面状态、道路形状、道路区域和图像质量中的至少一种场景因子的分类结果。
27.根据权利要求26所述的驾驶控制装置，其特征在于，所述光照的分类结果包括光照强度位于第一预设光照强度与第二预设光照强度之间、光照强度小于所述第一预设光照强度、光照强度大于所述第二预设光照强度中的任一项，且第一预设光照强度小于所述第二预设光照强度。
28.根据权利要求15-25中任一项所述的驾驶控制装置，其特征在于，所述预置受控部件包括所述智能驾驶汽车的车灯、雨刷、发动机和视觉传感器。
29.一种智能驾驶汽车，其特征在于，包括：
汽车本体；
动力系统，设于所述汽车本体内，用于为所述智能驾驶汽车提高移动动力；
传感器，设于所述汽车本体上，用于采集所述智能驾驶汽车所处环境的传感数据；
权利要求15-28中任一项所述驾驶控制装置，设于所述汽车本体内，用于控制智能驾驶汽车。
30.一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存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如权利要求1-14中任一项所述的驾驶控制方法的步骤。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2020/139135 WO2022133939A1 (zh) | 2020-12-24 | 2020-12-24 | 驾驶控制方法、装置、汽车及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114641419A true CN114641419A (zh) | 2022-06-17 |
Family
ID=81944531
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202080075421.4A Pending CN114641419A (zh) | 2020-12-24 | 2020-12-24 | 驾驶控制方法、装置、汽车及计算机可读存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN114641419A (zh) |
| WO (1) | WO2022133939A1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115376092B (zh) * | 2022-10-21 | 2023-02-28 | 广州万协通信息技术有限公司 | 辅助驾驶中的图像识别方法及装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11195030B2 (en) * | 2018-09-14 | 2021-12-07 | Honda Motor Co., Ltd. | Scene classification |
| US10915109B2 (en) * | 2019-01-15 | 2021-02-09 | GM Global Technology Operations LLC | Control of autonomous vehicle based on pre-learned passenger and environment aware driving style profile |
| CN110979202B (zh) * | 2019-11-08 | 2023-09-08 | 华为技术有限公司 | 改变汽车风格的方法、装置以及系统 |
| CN111002993B (zh) * | 2019-12-23 | 2021-06-22 | 苏州智加科技有限公司 | 一种基于场景识别的自动驾驶低油耗运动规划方法及系统 |
| CN112092813B (zh) * | 2020-09-25 | 2022-04-01 | 阿波罗智能技术(北京)有限公司 | 车辆控制方法、装置、电子设备及存储介质 |
-
2020
- 2020-12-24 CN CN202080075421.4A patent/CN114641419A/zh active Pending
- 2020-12-24 WO PCT/CN2020/139135 patent/WO2022133939A1/zh active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022133939A1 (zh) | 2022-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| USRE48106E1 (en) | Detection of obstacles at night by analysis of shadows | |
| DE102019125303A1 (de) | Reinigung des fahrzeugsensors | |
| US9360332B2 (en) | Method for determining a course of a traffic lane for a vehicle | |
| CN103874931B (zh) | 用于求取车辆的环境中的对象的位置的方法和设备 | |
| CN107389084B (zh) | 行车路径规划方法及存储介质 | |
| EP3475121B1 (en) | Imaging system with adaptive high beam control | |
| JP2013047934A (ja) | 車載用環境認識装置 | |
| JP5879219B2 (ja) | 車載用環境認識装置 | |
| KR20170081375A (ko) | 운전 보조 장치 및 그 제어방법 | |
| CN111652060A (zh) | 一种基于激光雷达的限高预警方法、装置、电子设备及存储介质 | |
| Zakaria et al. | Lane detection in autonomous vehicles: A systematic review | |
| CN107832137A (zh) | 图像处理算法 | |
| CN116142186A (zh) | 不良环境下车辆安全行驶预警方法、装置、介质和设备 | |
| CN114641419A (zh) | 驾驶控制方法、装置、汽车及计算机可读存储介质 | |
| CN113870246A (zh) | 一种基于深度学习的障碍物探测和识别方法 | |
| CN111301348B (zh) | 基于电子地平线的雨刷控制方法、终端设备及存储介质 | |
| CN115593312B (zh) | 一种基于环境监测分析的电子后视镜模式切换方法 | |
| JP2016223847A (ja) | 自車位置判定装置及び自車位置判定方法 | |
| Nayak et al. | Reference Test System for Machine Vision Used for ADAS Functions | |
| CN108022250B (zh) | 基于自适应阈值分割的自动驾驶处理方法及装置 | |
| JP6929481B1 (ja) | 配光制御装置、配光制御方法及び配光制御プログラム | |
| Yaşar et al. | A new approach for camera supported machine learning algorithms based dynamic headlight model's design | |
| US20240010228A1 (en) | Method for operating a transportation vehicle and a transportation vehicle | |
| Sang et al. | A Robust Lane Detection Algorithm Adaptable to Challenging Weather Conditions | |
| CN117901756B (zh) | 一种车辆照明灯控制系统 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240528 Address after: Building 3, Xunmei Science and Technology Plaza, No. 8 Keyuan Road, Science and Technology Park Community, Yuehai Street, Nanshan District, Shenzhen City, Guangdong Province, 518057, 1634 Applicant after: Shenzhen Zhuoyu Technology Co.,Ltd. Country or region after: China Address before: 518057 Shenzhen Nanshan District, Shenzhen, Guangdong Province, 6/F, Shenzhen Industry, Education and Research Building, Hong Kong University of Science and Technology, No. 9 Yuexingdao District, Nanshan District, Shenzhen City, Guangdong Province Applicant before: SZ DJI TECHNOLOGY Co.,Ltd. Country or region before: China |