CN114889645A - 路面积水信息的预测方法、装置及设备 - Google Patents

Abstract

本申请提供的一种路面积水信息的预测方法、装置及设备，首先获取自动驾驶车辆前方的目标车辆在积水区域的图像数据或点云数据；随后，根据图像数据或点云数据，确定目标车辆驶过积水区域所产生的水花的信息；然后，根据目标车辆驶过积水区域所产生的水花的信息，确定积水区域的预测积水深度；最后，根据预测积水深度，确定自动驾驶车辆的待行驶路线。通过该方式，由于可以根据目标车辆驶过积水区域所产生的水花的信息，确定积水区域的预测积水深度，从而可以及时地根据预测积水深度判断自动驾驶功能是否适用于自动驾驶车辆的初始待行驶路线，进而保障了自动驾驶功能的正常使用。

Description

路面积水信息的预测方法、装置及设备

技术领域

本发明涉及车辆技术领域，尤其涉及一种路面积水信息的预测方法、装置及设备。

背景技术

近年来，随着智能驾驶技术的不断发展和完善，自动驾驶车辆受到了广泛关注。美国机动车工程师学会(Society of Automotive Engineers，SAE)标准将智能驾驶功能划分为L0-L5共6个等级。其中，智能驾驶功能在L4及以下等级的自动驾驶汽车需按照设定的运行设计域(Operational Design Domain，ODD)行驶。

运行设计域对道路路面具有一定要求，例如，待行驶的道路区域内不能存在较大的积水区域。目前，由于共享的高精地图中缺少路面积水区域信息，导致自动驾驶车辆无法及时地识别待行驶路线上的积水区域，进而使得自动驾驶车辆无法判断自动驾驶功能是否适用于上述待行驶路线，限制了自动驾驶功能的使用。

发明内容

本申请提供一种路面积水信息的预测方法、装置及设备，以解决现有技术中无法及时地识别待行驶路线上的积水区域的技术问题。

第一方面，本申请提供一种路面积水信息的预测方法，应用于自动驾驶车辆，所述方法包括：

获取所述自动驾驶车辆前方的目标车辆在积水区域的图像数据或点云数据；

根据所述图像数据或所述点云数据，确定所述目标车辆驶过所述积水区域所产生的水花的信息；

根据所述目标车辆驶过所述积水区域所产生的水花的信息，确定所述积水区域的预测积水深度；

根据所述预测积水深度，确定所述自动驾驶车辆的待行驶路线。

一种可选的实施方式中，所述确定所述目标车辆驶过所述积水区域所产生的水花的信息，包括：

将所述图像数据或所述点云数据输入至训练好的神经网络模型中，并获取所述训练好的神经网络模型输出的所述水花的信息，所述神经网络模型是根据样本训练集训练生成的；

其中，所述样本训练集包括历史图像数据和所述历史图像数据对应的实测水花的信息，或者所述样本训练集包括历史点云数据和所述历史点云数据对应的实测水花的信息。

一种可选的实施方式中，所述确定所述积水区域的预测积水深度，包括：

根据所述目标车辆的信息、所述目标车辆驶过所述积水区域所产生的水花的信息以及不同车辆驶过积水区域所产生的水花的信息与积水区域的积水深度之间的映射关系，确定所述积水区域的预测积水深度。

一种可选的实施方式中，所述目标车辆的信息包括以下至少一项：类型信息、速度信息、方位信息。

一种可选的实施方式中，所述目标车辆驶过所述积水区域所产生的水花的信息包括以下至少一项：所述水花的高度信息、所述水花的宽度信息、所述水花的持续时间。

一种可选的实施方式中，所述确定所述自动驾驶车辆的待行驶路线，包括：

根据所述积水区域的图像数据和/或点云数据，提取所述积水区域的水面纹理特征；

根据所述水面纹理特征，确定所述积水区域中是否存在待规避区域，所述待规避区域为水面纹理特征符合预设纹理特征的区域；

若所述积水区域存在所述待规避区域，则将所述自动驾驶车辆的初始待行驶路线调整为第一待行驶路线，所述第一待行驶路线不包括所述待规避区域。

一种可选的实施方式中，若所述积水区域不存在所述待规避区域，则所述方法还包括：

根据所述积水区域的图像数据和/或点云数据，确定所述积水区域的积水轮廓；

若所述预测积水深度大于预设积水深度阈值且所述积水轮廓的宽度大于预设宽度阈值，则将所述初始待行驶路线调整为第二待行驶路线，所述第二待行驶路线不包括所述积水区域。

一种可选的实施方式中，所述确定所述自动驾驶车辆的待行驶路线，包括：

若所述预测积水深度小于等于预设积水深度阈值和/或所述积水轮廓的宽度小于等于预设宽度阈值，则确定所述自动驾驶车辆的待行驶路线为初始待行驶路线。

第二方面，本申请提供一种路面积水信息的预测装置，应用于自动驾驶车辆，所述装置包括：

获取模块，用于获取所述自动驾驶车辆前方的目标车辆在积水区域的图像数据或点云数据；

确定模块，用于根据所述图像数据或所述点云数据，确定所述目标车辆驶过所述积水区域所产生的水花的信息；根据所述目标车辆驶过所述积水区域所产生的水花的信息，确定所述积水区域的预测积水深度；根据所述预测积水深度，确定所述自动驾驶车辆的待行驶路线。

一种可选的实施方式中，所述确定模块，具体用于将所述图像数据或所述点云数据输入至训练好的神经网络模型中，并获取所述训练好的神经网络模型输出的所述水花的信息，所述神经网络模型是根据样本训练集训练生成的；其中，所述样本训练集包括历史图像数据和所述历史图像数据对应的实测水花的信息，或者所述样本训练集包括历史点云数据和所述历史点云数据对应的实测水花的信息。

一种可选的实施方式中，所述确定模块，具体用于根据所述目标车辆的信息、所述目标车辆驶过所述积水区域所产生的水花的信息以及不同车辆驶过积水区域所产生的水花的信息与积水区域的积水深度之间的映射关系，确定所述积水区域的预测积水深度。

一种可选的实施方式中，所述目标车辆的信息包括以下至少一项：类型信息、速度信息、方位信息。

一种可选的实施方式中，所述目标车辆驶过所述积水区域所产生的水花的信息包括以下至少一项：所述水花的高度信息、所述水花的宽度信息、所述水花的持续时间。

一种可选的实施方式中，所述确定模块，具体用于根据所述积水区域的图像数据和/或点云数据，提取所述积水区域的水面纹理特征；根据所述水面纹理特征，确定所述积水区域中是否存在待规避区域，所述待规避区域为水面纹理特征符合预设纹理特征的区域；若所述积水区域存在所述待规避区域，则将所述自动驾驶车辆的初始待行驶路线调整为第一待行驶路线，所述第一待行驶路线不包括所述待规避区域。

一种可选的实施方式中，若所述积水区域不存在所述待规避区域，则所述确定模块，还用于根据所述积水区域的图像数据和/或点云数据，确定所述积水区域的积水轮廓；若所述预测积水深度大于预设积水深度阈值且所述积水轮廓的宽度大于预设宽度阈值，则将所述初始待行驶路线调整为第二待行驶路线，所述第二待行驶路线不包括所述积水区域。

一种可选的实施方式中，所述确定模块，具体用于若所述预测积水深度小于等于预设积水深度阈值和/或所述积水轮廓的宽度小于等于预设宽度阈值，则确定所述自动驾驶车辆的待行驶路线为初始待行驶路线。

第三方面，本申请还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面任意一项所述的方法。

第四方面，本发明还提供一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如第一方面任意一项所述的方法。

第五方面，本申请还提供一种电子设备，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如第一方面任意一项所述的方法。

本申请提供的一种路面积水信息的预测方法、装置及设备，首先获取自动驾驶车辆前方的目标车辆在积水区域的图像数据或点云数据；随后，根据图像数据或点云数据，确定目标车辆驶过积水区域所产生的水花的信息；然后，根据目标车辆驶过积水区域所产生的水花的信息，确定积水区域的预测积水深度；最后，根据预测积水深度，确定自动驾驶车辆的待行驶路线。通过该方式，由于可以根据目标车辆驶过积水区域所产生的水花的信息，确定积水区域的预测积水深度，从而可以及时地根据预测积水深度判断自动驾驶功能是否适用于自动驾驶车辆的初始待行驶路线，进而保障了自动驾驶功能的正常使用。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本申请实施例提供的一种路面积水信息的预测系统的系统架构图；

图2为本申请实施例提供的一种路面积水信息的预测方法的流程示意图；

图3为本申请实施例提供的另一种路面积水信息的预测方法的流程示意图；

图4为本申请实施例提供的再一种路面积水信息的预测方法的流程示意图；

图5为本申请实施例提供的一种路面积水信息的预测装置的结构示意图；

图6为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，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它实施例，都属于本申请保护的范围。

近年来，随着智能驾驶技术的不断发展和完善，自动驾驶车辆受到了广泛关注。美国机动车工程师学会(Society of Automotive Engineers，SAE)标准将智能驾驶功能划分为L0-L5共6个等级。其中，智能驾驶功能在L4及以下等级的自动驾驶汽车需按照设定的运行设计域(Operational Design Domain，ODD)行驶。

运行设计域对道路路面具有一定要求，例如，待行驶的道路区域内不能存在较大的积水区域。目前，由于共享的高精地图中缺少路面积水区域信息，导致自动驾驶车辆无法及时地识别待行驶路线上的积水区域，进而使得自动驾驶车辆无法判断自动驾驶功能是否适用于上述待行驶路线，限制了自动驾驶功能的使用。

为解决上述技术问题，本申请实施例提供一种路面积水信息的预测方法、装置及设备，通过根据目标车辆驶过积水区域所产生的水花的信息，确定积水区域的预测积水深度，从而可以及时地根据预测积水深度判断自动驾驶功能是否适用于自动驾驶车辆的初始待行驶路线，进而保障了自动驾驶功能的正常使用。

下面对于本申请涉及的一种路面积水信息的预测系统的系统架构进行说明。

图1为本申请实施例提供的一种路面积水信息的预测系统的系统架构图。如图1所示，该系统架构包括：传感器组件101和控制器102。

传感器组件101和控制器102连接。传感器组件101用于获取自动驾驶车辆前方的目标车辆在积水区域的图像数据或点云数据，并输入至控制器102。控制器102用于根据图像数据或点云数据，确定积水区域的预测积水深度；并根据积水区域的预测积水深度，确定自动驾驶车辆的待行驶路线。

其中，上述传感器组件可以包括但不限于摄像头传感器、激光雷达传感器等。上述控制器可以是单个控制器，也可以是由多个控制器组成的控制器组。例如，上述控制器可以包括自动驾驶控制器和整车运动控制器等，本申请实施例对此不作限制。

应理解，本申请技术方案中路面积水信息的预测系统的系统架构可以是图1中的系统架构，但不限于此，还可以是其它类型的系统架构。

可以理解，本申请技术方案的路面积水信息的预测方法可以通过本申请实施例提供的路面积水信息的预测装置实现，路面积水信息的预测装置可以是某个设备的部分或全部，例如控制器。

下面以集成或安装有相关执行代码的控制器为例，以具体的实施例对本申请实施例的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。

图2为本申请实施例提供的一种路面积水信息的预测方法的流程示意图，本实施例涉及的是对路面积水信息进行预测的过程。如图2所示，该方法包括：

S201、获取自动驾驶车辆前方的目标车辆在积水区域的图像数据或点云数据。

在本申请实施例中，控制器可以首先获取目标车辆在积水区域的图像数据或点云数据，然后根据获取到的图像数据或点云数据，确定自动驾驶车辆的待行驶路线。

可以理解，当自动驾驶车辆从起点A出发开往目的地B时，可以有至少一条行驶路线。若将自动驾驶车辆在行驶途中的当前位置记为位置C，则从起点A至位置C的行驶路线为已行驶路线，从位置C至目的地B的行驶路线为待行驶路线。

本申请实施例对于上述积水区域的位置不作限制。在一些实施例中，上述积水区域可以为位于自动驾驶车辆的初始待行驶路线上的积水区域。

上述目标车辆可以是任意车辆，本申请实施例对此也不作限制。在一些实施例中，目标车辆可以为位于自动驾驶车辆前方的车辆，从而可以根据这些车辆来获取该自动驾驶车辆前方道路上的积水区域的信息。在另一些实施例中，目标车辆与自动驾驶车辆之间的距离需要大于预设的距离阈值，以使控制器可以提前获取积水区域的信息，并判断是否对自动驾驶车辆的初始待行驶路线进行调整。示例性地，预设的距离阈值可以为50米。

在一些实施例中，控制器可以通过摄像头传感器获取上述图像数据，通过激光雷达传感器获取上述点云数据。在另一些实施例中，控制器也可以通过其它传感器获取目标车辆驶过积水区域时产生的数据或信息，本申请实施例对此不作限制。

S202、根据图像数据或点云数据，确定目标车辆驶过积水区域所产生的水花的信息。

在本步骤中，当获取到的图像数据或点云数据后，控制器可以根据图像数据或点云数据，确定目标车辆驶过积水区域所产生的水花的信息。

其中，目标车辆驶过积水区域所产生的水花的信息可以包括水花的高度信息、水花的宽度信息、水花的持续时间等。

可以理解的是，自动驾驶车辆上的传感器可以持续地追踪前方进入积水区域的目标车辆。控制器根据不同类型、车速的车辆在不同积水深度的积水区域中所溅起的水花的信息，以及水面线到达目标车辆的位置高度信息等，可综合推算出积水区域的积水深度。

本申请实施例对于如何确定目标车辆驶过积水区域所产生的水花的信息不作限制。在一些实施例中，控制器可以将目标车辆在积水区域的图像数据或点云数据输入至训练好的神经网络模型中，并获取训练好的神经网络模型输出的水花的信息。

其中，上述神经网络模型可以是基于卷积神经网络算法，并通过大量的样本训练集数据进行训练，不断地提高预测准确度后得到的。其中，样本训练集可以包括历史图像数据和历史图像数据对应的实测水花的信息，或者样本训练集可以包括历史点云数据和历史点云数据对应的实测水花的信息等，本申请实施例对此也不作限制。

S203、根据目标车辆驶过积水区域所产生的水花的信息，确定积水区域的预测积水深度。

在本步骤中，当确定目标车辆驶过积水区域所产生的水花的信息后，控制器可以根据目标车辆驶过积水区域所产生的水花的信息，确定积水区域的预测积水深度。

本申请实施例对于如何确定积水区域的预测积水深度不作限制。在一些实施例中，控制器可以根据目标车辆的信息、目标车辆驶过积水区域所产生的水花的信息以及不同车辆驶过积水区域所产生的水花的信息与积水区域的积水深度之间的映射关系，确定积水区域的预测积水深度。

其中，目标车辆的信息可以包括车辆类型、车辆速度、车辆加速度以及方位等信息。实际工况中，控制器可以通过摄像头、激光雷达等传感器准确地获取目标车辆的信息。

本申请对于如何获取上述映射关系不作限制。在一些实施例中，可以提前通过测试不同类型的车辆(例如大卡车、客车、轿车、三轮车等)在不同车速下(例如5、10、15…100千米/小时等)分别驶过多个积水区域时溅起的水花的信息(例如宽度、溅离水面的高度、持续时间等)，以及这些积水区域的实测积水深度，来获取用于反映不同车辆驶过积水区域时所产生的水花的信息与积水深度之间的映射关系的曲线图谱。需要说明的是，在获取上述映射关系时，车辆的速度梯度可以设置为5千米/小时，也可以进一步细化为3千米/小时等，本申请实施例对此也不作限制。进一步地，当获取到目标车辆驶过积水区域所产生的水花的信息后，控制器可以结合目标车辆的信息，通过图谱插值法从上述曲线图谱中查找并输出积水区域的预测积水深度。

在一些实施例中，在确定自动驾驶车辆的待行驶路线之前，控制器还可以根据积水区域的图像数据和/或点云数据，提取积水区域的水面纹理特征；然后，根据提取到的水面纹理特征，确定该积水区域中是否存在待规避区域。其中，待规避区域为水面纹理特征符合预设纹理特征的区域。示例性地，控制器通过摄像头传感器获取到的积水区域的视觉图像可以反映积水区域的水面纹理特征；若水面纹理特征中存在漩涡纹理，则可判断该积水区域中存在排水井等待规避区域。此时，控制器应提前优化待行驶路线，以控制车辆尽量规避待规避区域。在另一些实施例中，控制器也可以根据积水区域的图像数据和/或点云数据，确定该积水区域的积水轮廓。

可以理解的是，控制器既可以通过训练好的神经网络模型获取上述待规避区域和/或积水轮廓，也可以通过其它方法获取上述待规避区域和/或积水轮廓，本申请实施例对此不作限制。示例性地，激光雷达传感器对于积水和非积水区域的反射能量不同，摄像头传感器探测到的视觉图像可以反映积水区域的水面纹理特征，通过大量的数据对深度学习神经网络进行训练，可以将积水区域的面积、边缘轮廓、待规避区域等信息进行回归分类并输出。进一步地，控制器还可以通过神经网络模型、路面的图像数据和/或点云数据等获取路面的材质信息，路面的材质可以包括水泥、混凝土、沥青、砂石、积水、积雪等。

S204、根据预测积水深度，确定自动驾驶车辆的待行驶路线。

在本步骤中，当确定积水区域的预测积水深度后，控制器可以根据预测积水深度，确定自动驾驶车辆的待行驶路线。

本申请实施例对于如何确定自动驾驶车辆的待行驶路线不作限制。在一些实施例中，若积水区域中存在待规避区域，控制器则将自动驾驶车辆的初始待行驶路线调整为第一待行驶路线，第一待行驶路线不包括待规避区域。

在另一些实施例中，若积水区域不存在待规避区域，且预测积水深度小于等于预设积水深度阈值和/或积水轮廓的宽度小于等于预设宽度阈值，则确定自动驾驶车辆的待行驶路线为初始待行驶路线。其中，预设积水深度阈值可以根据运行设计域ODD对积水深度的要求进行确定，预设宽度阈值可以根据自动驾驶车辆的两个前轮或两个后轮之间的距离进行确定，本申请实施例对此不作限制。在另一些实施例中，若积水区域不存在待规避区域，但是预测积水深度大于预设积水深度阈值且积水轮廓的宽度大于预设宽度阈值，控制器则将初始待行驶路线调整为第二待行驶路线，第二待行驶路线不包括积水区域。

示例性地，当预测积水深度大于预设积水深度阈值时，若积水轮廓的宽度小于等于自动驾驶车辆的两个前轮之间的距离，则自动驾驶车辆可以直接通过该积水区域；若积水轮廓的宽度大于自动驾驶车辆的两个前轮之间的距离，控制器则可以检测相临车道是否存在可行驶区域，并提前规划变道，以规避该积水区域；若相临车道不存在可行驶区域，控制器可以控制自动驾驶车辆提前减速并发出提示信息，以提示车内乘客前方积水区域可能存在危险。

在另一些实施例中，当自动驾驶车辆按照初始待行驶路线或第一待行驶路线驶过积水区域时，控制器还可以获取积水区域的实测积水深度。示例性地，当自动驾驶车辆靠近积水区域或已经进入积水区域后，控制器可以通过涉水传感器组件准确地获取积水区域的实测积水深度。其中，涉水传感器组件可以包括毫米波雷达传感器、超声波雷达传感器、声纳探测器等。进一步地，控制器可以根据积水区域的实测积水深度、预测积水深度，确定积水深度的修正系数；再根据修正系数对后续的预测积水深度进行修正，然后根据修正后的预测积水深度确定自动驾驶车辆的待行驶路线，并优化整车运动学控制模型(例如纵向控制、横向控制等)。

在另一些实施例中，控制器还可以将积水区域的积水轮廓、实测积水深度、高精定位信息等打包上传至云端数据库服务器。云端数据库服务器可以更新高精地图中积水区域的积水信息，并将更新后的高精地图自动分发至该积水区域所在路段上的行驶车辆。这些车辆的控制器直接从高精地图中读取积水区域的积水信息，无需自车进行预测，提高了车辆获取路面积水信息的精度、效率和速度。

其中，高精定位信息可以包括全球定位系统(Global Positioning System，GPS)、实时动态(Real-time kinematic，RTK)载波相位差分技术等。控制器可以通过车辆通讯模块(Telematics BOX，T-BOX)将打包信息上传云端服务器。可以理解的是，若多个车辆同时将打包信息上传云端服务器，则可以快速高效地创建该路段的路面积水信息。

需要说明的是，本申请实施例所提供的路面积水信息的预测方法，不仅适用于自动驾驶车辆，还可以适用于没有或未开启自动驾驶功能的车辆，以便这些车辆可以及时地获取路面积水信息，并将路面积水信息反映给驾驶员。

需要说明的是，现有技术中主要在车辆靠近或进入积水区域时利用车载传感器对积水区域的信息进行测量，但无法提前一定距离获取积水区域的面积、轮廓、积水深度等信息。因此现有技术具有一定的局限性，无法适用于自动驾驶功能的路径规划及优化过程。例如，在雨天或雨后的道路行车场景中，开启智能驾驶功能的自动驾驶车辆可能误入较深的积水区域或陷入无井盖排水区域等，影响车辆和乘客的安全。在本申请实施例中，可以通过训练后的神经网络模型对积水区域的轮廓、积水深度等进行预测，并根据预测到的信息提前优化自动驾驶车辆的待行驶路线，从而有效地保障了自动驾驶车辆和乘客的安全。

本申请提供的一种路面积水信息的预测方法，首先获取自动驾驶车辆前方的目标车辆在积水区域的图像数据或点云数据；随后，根据图像数据或点云数据，确定目标车辆驶过积水区域所产生的水花的信息；然后，根据目标车辆驶过积水区域所产生的水花的信息，确定积水区域的预测积水深度；最后，根据预测积水深度，确定自动驾驶车辆的待行驶路线。通过该方式，由于可以根据目标车辆驶过积水区域所产生的水花的信息，确定积水区域的预测积水深度，从而可以及时地根据预测积水深度判断自动驾驶功能是否适用于自动驾驶车辆的初始待行驶路线，进而保障了自动驾驶功能的正常使用。

在上述实施例的基础上，下面对于如何对确定目标车辆驶过积水区域所产生的水花的信息进行说明。图3为本申请实施例提供的另一种路面积水信息的预测方法的流程示意图，如图3所示，该方法包括：

S301、获取自动驾驶车辆前方的目标车辆在积水区域的图像数据或点云数据。

S302、将图像数据或点云数据输入至训练好的神经网络模型中，并获取训练好的神经网络模型输出的水花的信息。

S303、根据目标车辆驶过积水区域所产生的水花的信息，确定积水区域的预测积水深度。

S304、根据积水深度的修正系数，对预测积水深度进行修正。

S305、根据修正后的预测积水深度，确定自动驾驶车辆的待行驶路线。

S301-S305的技术名词、技术效果、技术特征，以及可选实施方式，可参照图2所示的S201-S204理解，对于重复的内容，在此不再累述。

在上述实施例的基础上，下面对于如何确定自动驾驶车辆的待行驶路线进行说明。图4为本申请实施例提供的再一种路面积水信息的预测方法的流程示意图，如图4所示，该方法包括：

S401、获取自动驾驶车辆前方的目标车辆在积水区域的图像数据或点云数据。

S402、根据图像数据或点云数据，确定目标车辆驶过积水区域所产生的水花的信息。

S403、根据目标车辆驶过积水区域所产生的水花的信息，确定积水区域的预测积水深度。

S404、确定积水区域是否存在待规避区域。

若是，则执行步骤S405；若否，则执行步骤S406。

S405、将自动驾驶车辆的初始待行驶路线调整为第一待行驶路线。

S406、确定预测积水深度是否大于预设积水深度阈值且积水轮廓的宽度是否大于预设宽度阈值。

若预测积水深度大于预设积水深度阈值且积水轮廓的宽度大于预设宽度阈值，则执行步骤S407；若预测积水深度小于等于预设积水深度阈值和/或积水轮廓的宽度小于等于预设宽度阈值，则执行步骤S408。

S407、将初始待行驶路线调整为第二待行驶路线。

S408、确定自动驾驶车辆的待行驶路线为初始待行驶路线。

S401-S408的技术名词、技术效果、技术特征，以及可选实施方式，可参照图2所示的S201-S204理解，对于重复的内容，在此不再累述。

本申请提供的一种路面积水信息的预测方法，首先获取自动驾驶车辆前方的目标车辆在积水区域的图像数据或点云数据；随后，根据图像数据或点云数据，确定目标车辆驶过积水区域所产生的水花的信息；然后，根据目标车辆驶过积水区域所产生的水花的信息，确定积水区域的预测积水深度；最后，根据预测积水深度，确定自动驾驶车辆的待行驶路线。通过该方式，由于可以根据目标车辆驶过积水区域所产生的水花的信息，确定积水区域的预测积水深度，从而可以及时地根据预测积水深度判断自动驾驶功能是否适用于自动驾驶车辆的初始待行驶路线，进而保障了自动驾驶功能的正常使用。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

图5为本申请实施例提供的一种路面积水信息的预测装置的结构示意图。该路面积水信息的预测装置可以通过软件、硬件或者两者的结合实现，可例如上述实施例中的控制器，以执行上述实施例中的路面积水信息的预测方法。如图5所示，该路面积水信息的预测装置500包括：

获取模块501，用于获取自动驾驶车辆前方的目标车辆在积水区域的图像数据或点云数据；

确定模块502，用于根据图像数据或点云数据，确定目标车辆驶过积水区域所产生的水花的信息；根据目标车辆驶过积水区域所产生的水花的信息，确定积水区域的预测积水深度；根据预测积水深度，确定自动驾驶车辆的待行驶路线。

一种可选的实施方式中，确定模块502，具体用于将图像数据或点云数据输入至训练好的神经网络模型中，并获取训练好的神经网络模型输出的水花的信息，神经网络模型是根据样本训练集训练生成的；其中，样本训练集包括历史图像数据和历史图像数据对应的实测水花的信息，或者样本训练集包括历史点云数据和历史点云数据对应的实测水花的信息。

一种可选的实施方式中，确定模块502，具体用于根据目标车辆的信息、目标车辆驶过积水区域所产生的水花的信息以及不同车辆驶过积水区域所产生的水花的信息与积水区域的积水深度之间的映射关系，确定积水区域的预测积水深度。

一种可选的实施方式中，目标车辆的信息包括以下至少一项：类型信息、速度信息、方位信息。

一种可选的实施方式中，目标车辆驶过积水区域所产生的水花的信息包括以下至少一项：水花的高度信息、水花的宽度信息、水花的持续时间。

一种可选的实施方式中，确定模块502，具体用于根据积水区域的图像数据和/或点云数据，提取积水区域的水面纹理特征；根据水面纹理特征，确定积水区域中是否存在待规避区域，待规避区域为水面纹理特征符合预设纹理特征的区域；若积水区域存在待规避区域，则将自动驾驶车辆的初始待行驶路线调整为第一待行驶路线，第一待行驶路线不包括待规避区域。

一种可选的实施方式中，若积水区域不存在待规避区域，则确定模块502，还用于根据积水区域的图像数据和/或点云数据，确定积水区域的积水轮廓；若预测积水深度大于预设积水深度阈值且积水轮廓的宽度大于预设宽度阈值，则将初始待行驶路线调整为第二待行驶路线，第二待行驶路线不包括积水区域。

一种可选的实施方式中，确定模块502，具体用于若预测积水深度小于等于预设积水深度阈值和/或积水轮廓的宽度小于等于预设宽度阈值，则确定自动驾驶车辆的待行驶路线为初始待行驶路线。

需要说明的，图5所示实施例提供的路面积水信息的预测装置，可用于执行上述任意实施例所提供的路面积水信息的预测方法，具体实现方式和技术效果类似，这里不再进行赘述。

图6为本申请实施例提供的一种电子设备的结构示意图。如图6所示，该电子设备600可以包括：至少一个处理器601和存储器602。图6示出的是以一个处理器为例的电子设备。

存储器602，用于存放程序。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。

存储器602可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

处理器601用于执行存储器602存储的计算机执行指令，以实现上述路面积水信息的预测方法；其中，处理器601可能是一个中央处理器(Central Processing Unit，CPU)，或者是特定集成电路(Application Specific Integrated Circuit，ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。

可选的，在具体实现上，如果通信接口、存储器602和处理器601独立实现，则通信接口、存储器602和处理器601可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component Interconnect，PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等，但并不表示仅有一根总线或一种类型的总线。

可选的，在具体实现上，如果通信接口、存储器602和处理器601集成在一块芯片上实现，则通信接口、存储器602和处理器601可以通过内部接口完成通信。

本申请实施例还提供了一种芯片，包括处理器和接口。其中接口用于输入输出处理器所处理的数据或指令。处理器用于执行以上方法实施例中提供的方法。该芯片可以应用于路面积水信息的预测装置中。

本申请实施例还提供一种程序，该程序在被处理器执行时用于执行以上方法实施例提供的路面积水信息的预测方法。

本申请实施例还提供一种程序产品，例如计算机可读存储介质，该程序产品中存储有指令，当其在计算机上运行时，使得计算机执行上述方法实施例提供的路面积水信息的预测方法。

本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random AccessMemory，RAM)、磁盘或者光盘等各种可以存储程序代码的介质。具体地，该计算机可读存储介质中存储有程序信息，程序信息用于上述路面积水信息的预测方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本发明实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如，固态硬盘(Solid State Disk，SSD))等。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种路面积水信息的预测方法，其特征在于，应用于路面积水信息，所述方法包括：

获取所述路面积水信息前方的目标车辆在积水区域的图像数据或点云数据；

根据所述图像数据或所述点云数据，确定所述目标车辆驶过所述积水区域所产生的水花的信息；

根据所述目标车辆驶过所述积水区域所产生的水花的信息，确定所述积水区域的预测积水深度；

根据所述预测积水深度，确定所述路面积水信息的待行驶路线。

2.根据权利要求1所述的方法，其特征在于，所述确定所述目标车辆驶过所述积水区域所产生的水花的信息，包括：

将所述图像数据或所述点云数据输入至训练好的神经网络模型中，并获取所述训练好的神经网络模型输出的所述水花的信息，所述神经网络模型是根据样本训练集训练生成的；

其中，所述样本训练集包括历史图像数据和所述历史图像数据对应的实测水花的信息，或者所述样本训练集包括历史点云数据和所述历史点云数据对应的实测水花的信息。

3.根据权利要求2所述的方法，其特征在于，所述确定所述积水区域的预测积水深度，包括：

根据所述目标车辆的信息、所述目标车辆驶过所述积水区域所产生的水花的信息以及不同车辆驶过积水区域所产生的水花的信息与积水区域的积水深度之间的映射关系，确定所述积水区域的预测积水深度。

4.根据权利要求3所述的方法，其特征在于，所述目标车辆的信息包括以下至少一项：类型信息、速度信息、方位信息。

5.根据权利要求1-4中任一项所述的方法，其特征在于，所述目标车辆驶过所述积水区域所产生的水花的信息包括以下至少一项：所述水花的高度信息、所述水花的宽度信息、所述水花的持续时间。

6.根据权利要求1-4中任一项所述的方法，其特征在于，所述确定所述路面积水信息的待行驶路线，包括：

根据所述积水区域的图像数据和/或点云数据，提取所述积水区域的水面纹理特征；

根据所述水面纹理特征，确定所述积水区域中是否存在待规避区域，所述待规避区域为水面纹理特征符合预设纹理特征的区域；

若所述积水区域存在所述待规避区域，则将所述路面积水信息的初始待行驶路线调整为第一待行驶路线，所述第一待行驶路线不包括所述待规避区域。

7.根据权利要求6所述的方法，其特征在于，若所述积水区域不存在所述待规避区域，则所述方法还包括：

根据所述积水区域的图像数据和/或点云数据，确定所述积水区域的积水轮廓；

若所述预测积水深度大于预设积水深度阈值且所述积水轮廓的宽度大于预设宽度阈值，则将所述初始待行驶路线调整为第二待行驶路线，所述第二待行驶路线不包括所述积水区域。

8.根据权利要求7所述的方法，其特征在于，所述确定所述路面积水信息的待行驶路线，包括：

若所述预测积水深度小于等于预设积水深度阈值和/或所述积水轮廓的宽度小于等于预设宽度阈值，则确定所述路面积水信息的待行驶路线为初始待行驶路线。

9.一种路面积水信息的预测装置，其特征在于，应用于路面积水信息，所述装置包括：

获取模块，用于获取所述路面积水信息前方的目标车辆在积水区域的图像数据或点云数据；

确定模块，用于根据所述图像数据或所述点云数据，确定所述目标车辆驶过所述积水区域所产生的水花的信息；根据所述目标车辆驶过所述积水区域所产生的水花的信息，确定所述积水区域的预测积水深度；根据所述预测积水深度，确定所述路面积水信息的待行驶路线。

10.一种电子设备，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1至8任意一项所述的方法。

Images