CN114889646A - 自动驾驶车辆的控制方法、装置、存储介质及设备 - Google Patents

Abstract

本申请提供的一种自动驾驶车辆的控制方法、装置、存储介质及设备，首先获取第一路面区域的路面环境信息；随后，将路面环境信息输入至训练后的预测模型中，并获取训练后的预测模型输出的第一路面区域的预测摩擦系数，训练后的预测模型是根据样本训练集训练生成的，样本训练集包括历史路面环境信息和历史路面环境信息对应的实测摩擦系数；然后，根据预测摩擦系数，确定自动驾驶车辆的待行驶路线。通过该方式，由于可以根据第一路面区域的路面环境信息获取第一路面区域的预测摩擦系数，从而可以及时地根据预测摩擦系数判断自动驾驶功能是否适用于待行驶路线，保障了自动驾驶功能的正常使用。

Description

自动驾驶车辆的控制方法、装置、存储介质及设备

技术领域

本发明涉及车辆控制技术领域，尤其涉及一种自动驾驶车辆的控制方法、装置、存储介质及设备。

背景技术

近年来，随着智能驾驶技术的不断发展和完善，自动驾驶汽车受到了广泛关注。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。

运行设计域对路面摩擦系数具有一定要求。例如，当路面的摩擦系数小于0.5时，自动驾驶汽车的智能驾驶功能不得开启。目前，由于自动驾驶汽车共享的高精地图中缺少路面摩擦系数信息，自动驾驶汽车无法及时地获取待行驶路线对应的路面摩擦系数，从而导致无法判断自动驾驶功能是否适用于上述待行驶路线，进而限制了自动驾驶功能的使用。

发明内容

本申请提供一种自动驾驶车辆的控制方法、装置、存储介质及设备，以解决现有技术中无法及时地获取待行驶路线对应的路面摩擦系数的技术问题。

第一方面，本申请提供一种自动驾驶车辆的控制方法，所述方法包括：

获取第一路面区域的路面环境信息；

将所述路面环境信息输入至训练后的预测模型中，并获取所述训练后的预测模型输出的所述第一路面区域的预测摩擦系数，所述训练后的预测模型是根据样本训练集训练生成的，所述样本训练集包括历史路面环境信息和所述历史路面环境信息对应的实测摩擦系数；

根据所述预测摩擦系数，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，所述确定所述自动驾驶车辆的待行驶路线，包括：

根据摩擦系数的修正系数，对所述预测摩擦系数进行修正；

根据修正后的预测摩擦系数，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，所述摩擦系数的修正系数是根据第二路面区域的预测摩擦系数和所述第二路面区域的实测摩擦系数确定的，所述第二路面区域为所述自动驾驶车辆已行驶或当前行驶的路面区域。

一种可选的实施方式中，所述第一路面区域在所述自动驾驶车辆的初始待行驶路线上。

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：

确定修正后的预测摩擦系数是否在预设摩擦系数范围内；

若否，则根据所述自动驾驶车辆的当前位置信息和所述第一路面区域的位置信息，将所述初始待行驶路线调整为第一待行驶路线；

控制所述自动驾驶车辆按照所述第一待行驶路线行驶。

一种可选的实施方式中，在所述确定所述修正后的预测摩擦系数是否在预设摩擦系数范围内之后，所述方法还包括：

若所述修正后的预测摩擦系数在所述预设摩擦系数范围内，则控制所述自动驾驶车辆按照所述初始待行驶路线行驶。

第二方面，本申请提供一种自动驾驶车辆的控制装置，所述装置包括：

获取模块，用于获取第一路面区域的路面环境信息；

预测模块，用于将所述路面环境信息输入至训练后的预测模型中，并获取所述训练后的预测模型输出的所述第一路面区域的预测摩擦系数，所述训练后的预测模型是根据样本训练集训练生成的，所述样本训练集包括历史路面环境信息和所述历史路面环境信息对应的实测摩擦系数；

控制模块，用于根据所述预测摩擦系数，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，所述控制模块，具体用于根据摩擦系数的修正系数，对所述预测摩擦系数进行修正；根据修正后的预测摩擦系数，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，所述摩擦系数的修正系数是根据第二路面区域的预测摩擦系数和所述第二路面区域的实测摩擦系数确定的，所述第二路面区域为所述自动驾驶车辆已行驶或当前行驶的路面区域。

一种可选的实施方式中，所述第一路面区域在所述自动驾驶车辆的初始待行驶路线上。

一种可选的实施方式中，所述控制模块，具体用于确定修正后的预测摩擦系数是否在预设摩擦系数范围内；若否，则根据所述自动驾驶车辆的当前位置信息和所述第一路面区域的位置信息，将所述初始待行驶路线调整为第一待行驶路线；控制所述自动驾驶车辆按照所述第一待行驶路线行驶。

一种可选的实施方式中，所述控制模块，还用于若所述修正后的预测摩擦系数在所述预设摩擦系数范围内，则控制所述自动驾驶车辆按照所述初始待行驶路线行驶。

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。

本申请提供的一种自动驾驶车辆的控制方法、装置、存储介质及设备，首先获取第一路面区域的路面环境信息；随后，将路面环境信息输入至训练后的预测模型中，并获取训练后的预测模型输出的第一路面区域的预测摩擦系数，训练后的预测模型是根据样本训练集训练生成的，样本训练集包括历史路面环境信息和历史路面环境信息对应的实测摩擦系数；然后，根据预测摩擦系数，确定自动驾驶车辆的待行驶路线。通过该方式，由于可以根据第一路面区域的路面环境信息获取第一路面区域的预测摩擦系数，从而可以及时地根据预测摩擦系数判断自动驾驶功能是否适用于待行驶路线，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自动驾驶车辆的控制系统的系统架构图；

图2为本申请实施例提供的一种自动驾驶车辆的控制方法的流程示意图；

图3为本申请实施例提供的另一种自动驾驶车辆的控制方法的流程示意图；

图4为本申请实施例提供的再一种自动驾驶车辆的控制方法的流程示意图；

图5为本申请实施例提供的一种自动驾驶车辆的控制装置的结构示意图；

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，自动驾驶汽车受到了广泛关注。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。

运行设计域对路面摩擦系数具有一定要求。例如，当路面的摩擦系数小于0.5时，自动驾驶汽车的智能驾驶功能不得开启。目前，由于自动驾驶汽车共享的高精地图中缺少路面摩擦系数信息，自动驾驶汽车无法及时地获取待行驶路线对应的路面摩擦系数，从而导致无法判断自动驾驶功能是否适用于上述待行驶路线，进而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自动驾驶车辆的控制方法、装置、存储介质及设备，通过根据待行驶路线上的路面区域的路面环境信息获取该路面区域的预测摩擦系数，从而可以及时地根据预测摩擦系数确定自动驾驶功能是否适用于待行驶路线，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自动驾驶车辆的控制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自动驾驶车辆的控制系统的系统架构图。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用于将检测到的第一路面区域的路面环境信息输入至控制器102。控制器102用于根据第一路面区域的路面环境信息以及训练后的预测模型，获取第一路面区域的预测摩擦系数；并用于根据第一路面区域的预测摩擦系数，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做限制。

应理解，本申请技术方案的自动驾驶车辆的控制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，本申请技术方案的自动驾驶车辆的控制方法可以通过本申请实施例提供的自动驾驶车辆的控制装置实现，自动驾驶车辆的控制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自动驾驶车辆的控制方法的流程示意图，本实施例涉及的是根据路面摩擦系数对自动驾驶车辆进行控制的过程。如图2所示，该方法包括：

S201、获取第一路面区域的路面环境信息。

在本申请实施例中，控制器可以首先获取第一路面区域的路面环境信息，然后根据获取到的路面环境信息，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。

进一步地，第一路面区域可以是自动驾驶车辆的初始待行驶路线上的路面区域，也可以是其它路面区域；路面环境信息可以包括图像特征信息、激光雷达点云等，本申请实施例对此不做限制。

在一些实施例中，控制器可以通过传感器组件获取上述路面环境信息。示例性地，可以通过摄像头传感器获取第一路面区域的图像特征信息；也可以通过激光雷达传感器获取第一路面区域的激光雷达点云等，本申请实施例对此不做限制。

S202、将路面环境信息输入至训练后的预测模型中，并获取训练后的预测模型输出的第一路面区域的预测摩擦系数。

在本步骤中，当获取第一路面区域的路面环境信息后，控制器可以将路面环境信息输入至训练后的预测模型中，并获取模型输出的第一路面区域的预测摩擦系数。

其中，训练后的预测模型是根据样本训练集训练生成的，样本训练集可以包括历史路面环境信息和历史路面环境信息对应的实测摩擦系数。本申请实施例对于预测模型的类型不做限制，在一些实施例中，可以基于卷积神经网络搭建上述预测模型。示例性地，控制器将通过车载摄像头传感器和/或激光雷达传感器探测到的第一路面区域的图像特征、激光雷达点云等，输入至基于卷积神经网络搭建好的预测模型中，然后获取模型输出第一路面区域的预测摩擦系数。

在另一些实施例中，在将第一路面区域的图像特征、激光雷达点云等路面环境信息，输入至训练后的预测模型中之后，控制器还可以获取模型输出第一路面区域的路面材质、路面特征等信息。其中，路面材质可以包括水泥、混凝土、沥青、砂石等；路面特征可以包括干燥、湿滑、积水、冰雪等。可以理解，激光雷达传感器在不同材质或特征的路面区域的反射能量不同，摄像头传感器在不同材质或特征的路面区域的视觉图像也有区别，通过大量数据对深度学习神经网络进行训练，可以将路面材质、路面特征进行回归分类。进一步地，控制器基于模型输出的路面材质、路面特征等信息，也可以获取第一路面区域的预测摩擦系数。示例性地，干燥的沥青路面的摩擦系数为0.6。

在另一些实施例中，在获取第一路面区域的预测摩擦系数之后，控制器还可以根据摩擦系数的修正系数，对预测摩擦系数进行修正；然后根据修正后的预测摩擦系数，确定自动驾驶车辆的待行驶路线。其中，摩擦系数的修正系数是根据第二路面区域的预测摩擦系数和第二路面区域的实测摩擦系数确定的，第二路面区域为自动驾驶车辆已行驶或当前行驶的路面区域。示例性地，若控制器已获取到第二路面区域的预测摩擦系数，并在经过第二路面区域时获取到第二路面区域的实测摩擦系数，则可以根据第二路面区域的预测、实测摩擦系数，确定摩擦系数的修正系数；然后根据摩擦系数的修正系数，对后获取的第一路面区域的预测摩擦系数进行修正。

S203、根据预测摩擦系数，确定自动驾驶车辆的待行驶路线。

在本步骤中，当获取模型输出的第一路面区域的预测摩擦系数后，控制器可以根据预测摩擦系数，确定自动驾驶车辆的待行驶路线。

本申请实施例对于控制器如何确定自动驾驶车辆的待行驶路线不做限制。在一些实施例中，控制器可以首先确定修正后的预测摩擦系数是否在预设摩擦系数范围内；若否，则根据自动驾驶车辆的当前位置信息和第一路面区域的位置信息，将初始待行驶路线调整为第一待行驶路线；然后控制自动驾驶车辆按照第一待行驶路线行驶。其中，预设摩擦系数范围可以设置为摩擦系数大于或等于0.5；第一待行驶路线可以为不包括上述第一路面区域的行驶路线，本申请对此不做限制。

在另一些实施例中，若修正后的预测摩擦系数在预设摩擦系数范围内，则控制器可以控制自动驾驶车辆按照初始待行驶路线行驶。进一步地，当自动驾驶车辆行驶至第一路面区域时，控制器可以获取第一路面区域的实测摩擦系数；然后根据第一路面区域的预测摩擦系数、实测摩擦系数，对摩擦系数的修正系数进行调整。

进一步地，控制器还可以将第一路面区域的实测摩擦系数、第一路面区域的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第一路面区域的摩擦系数信息，最后将更新后的高精地图自动分发至第一路面区域所在路段上的行驶车辆。这些车辆的智能驾驶控制器直接从高精地图中读取第一路面区域的摩擦系数信息，无需自车进行预测，提高了车辆获取路面摩擦系数的精度、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，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摩擦系数信息。

可以理解，本申请实施例提供的路面摩擦系数的预测方法，不仅适用于自动驾驶车辆，也可以适用于没有或未开启自动驾驶功能的车辆，从而为这些车辆的驾驶员提供路面状况信息进行参考，以便驾驶员在路面光滑区域进行减速安全行驶等。

需要说明的是，现有技术无法系统性地解决自动驾驶车辆所面临的摩擦系数问题。通过本申请实施例提供的适用于自动驾驶车辆的路面摩擦系数的预测方法，可以准确地判断前方路段是否符合高阶智能驾驶功能对应的运行设计域ODD的摩擦系数要求；并可以根据路面的预测摩擦系数确定车辆的待行驶路线，再通过优化车辆的横向、纵向的运动学控制模型来控制车辆按照待行驶路线行驶。

本申请提供的一种自动驾驶车辆的控制方法，首先获取第一路面区域的路面环境信息；随后，将路面环境信息输入至训练后的预测模型中，并获取训练后的预测模型输出的第一路面区域的预测摩擦系数，训练后的预测模型是根据样本训练集训练生成的，样本训练集包括历史路面环境信息和历史路面环境信息对应的实测摩擦系数；然后，根据预测摩擦系数，确定自动驾驶车辆的待行驶路线。通过该方式，由于可以根据第一路面区域的路面环境信息获取第一路面区域的预测摩擦系数，从而可以及时地根据预测摩擦系数判断自动驾驶功能是否适用于待行驶路线，保障了自动驾驶功能的正常使用。

在上述实施例的基础上，下面对于如何对预测摩擦系数进行修正进行说明。图3为本申请实施例提供的另一种自动驾驶车辆的控制方法的流程示意图，如图3所示，该方法包括：

S301、获取第一路面区域的路面环境信息。

S302、将路面环境信息输入至训练后的预测模型中，并获取训练后的预测模型输出的第一路面区域的预测摩擦系数。

S303、根据摩擦系数的修正系数，对预测摩擦系数进行修正。

S304、根据修正后的预测摩擦系数，确定自动驾驶车辆的待行驶路线。

S301-S304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-S203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自动驾驶车辆的控制方法的流程示意图，如图4所示，该方法包括：

S401、获取第一路面区域的路面环境信息。

S402、将路面环境信息输入至训练后的预测模型中，并获取训练后的预测模型输出的第一路面区域的预测摩擦系数。

S403、根据摩擦系数的修正系数，对预测摩擦系数进行修正。

S404、确定修正后的预测摩擦系数是否在预设摩擦系数范围内。

若是，则执行步骤S405；所否，则执行步骤S406。

S405、控制自动驾驶车辆按照初始待行驶路线行驶。

S406、根据自动驾驶车辆的当前位置信息和第一路面区域的位置信息，将初始待行驶路线调整为第一待行驶路线。

S407、控制自动驾驶车辆按照第一待行驶路线行驶。

S401-S407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-S203理解，对于重复的内容，在此不再累述。

本申请提供的一种自动驾驶车辆的控制方法，首先获取第一路面区域的路面环境信息；随后，将路面环境信息输入至训练后的预测模型中，并获取训练后的预测模型输出的第一路面区域的预测摩擦系数，训练后的预测模型是根据样本训练集训练生成的，样本训练集包括历史路面环境信息和历史路面环境信息对应的实测摩擦系数；然后，根据预测摩擦系数，确定自动驾驶车辆的待行驶路线。通过该方式，由于可以根据第一路面区域的路面环境信息获取第一路面区域的预测摩擦系数，从而可以及时地根据预测摩擦系数判断自动驾驶功能是否适用于待行驶路线，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自动驾驶车辆的控制装置的结构示意图。该自动驾驶车辆的控制装置可以通过软件、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自动驾驶车辆的控制方法。如图5所示，该自动驾驶车辆的控制装置500包括：

获取模块501，用于获取第一路面区域的路面环境信息；

预测模块502，用于将路面环境信息输入至训练后的预测模型中，并获取训练后的预测模型输出的第一路面区域的预测摩擦系数，训练后的预测模型是根据样本训练集训练生成的，样本训练集包括历史路面环境信息和历史路面环境信息对应的实测摩擦系数；

控制模块503，用于根据预测摩擦系数，确定自动驾驶车辆的待行驶路线。

一种可选的实施方式中，控制模块503，具体用于根据摩擦系数的修正系数，对预测摩擦系数进行修正；根据修正后的预测摩擦系数，确定自动驾驶车辆的待行驶路线。

一种可选的实施方式中，摩擦系数的修正系数是根据第二路面区域的预测摩擦系数和第二路面区域的实测摩擦系数确定的，第二路面区域为自动驾驶车辆已行驶或当前行驶的路面区域。

一种可选的实施方式中，第一路面区域在自动驾驶车辆的初始待行驶路线上。

一种可选的实施方式中，控制模块503，具体用于确定修正后的预测摩擦系数是否在预设摩擦系数范围内；若否，则根据自动驾驶车辆的当前位置信息和第一路面区域的位置信息，将初始待行驶路线调整为第一待行驶路线；控制自动驾驶车辆按照第一待行驶路线行驶。

一种可选的实施方式中，控制模块503，还用于若修正后的预测摩擦系数在预设摩擦系数范围内，则控制自动驾驶车辆按照初始待行驶路线行驶。

需要说明的，图5所示实施例提供的自动驾驶车辆的控制装置，可用于执行上述任意实施例所提供的自动驾驶车辆的控制方法，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，以实现上述自动驾驶车辆的控制方法；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。该芯片可以应用于自动驾驶车辆的控制装置中。

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自动驾驶车辆的控制方法。

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自动驾驶车辆的控制方法。

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，程序信息用于上述自动驾驶车辆的控制方法。

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)

1.一种自动驾驶车辆的控制方法，其特征在于，所述方法包括：

获取第一路面区域的路面环境信息；

将所述路面环境信息输入至训练后的预测模型中，并获取所述训练后的预测模型输出的所述第一路面区域的预测摩擦系数，所述训练后的预测模型是根据样本训练集训练生成的，所述样本训练集包括历史路面环境信息和所述历史路面环境信息对应的实测摩擦系数；

根据所述预测摩擦系数，确定所述自动驾驶车辆的待行驶路线。

2.根据权利要求1所述的方法，其特征在于，所述确定所述自动驾驶车辆的待行驶路线，包括：

根据摩擦系数的修正系数，对所述预测摩擦系数进行修正；

根据修正后的预测摩擦系数，确定所述自动驾驶车辆的待行驶路线。

3.根据权利要求2所述的方法，其特征在于，所述摩擦系数的修正系数是根据第二路面区域的预测摩擦系数和所述第二路面区域的实测摩擦系数确定的，所述第二路面区域为所述自动驾驶车辆已行驶或当前行驶的路面区域。

4.根据权利要求1-3中任一项所述的方法，其特征在于，所述第一路面区域在所述自动驾驶车辆的初始待行驶路线上。

5.根据权利要求4所述的方法，其特征在于，所述确定所述自动驾驶车辆的待行驶路线，包括：

确定修正后的预测摩擦系数是否在预设摩擦系数范围内；

若否，则根据所述自动驾驶车辆的当前位置信息和所述第一路面区域的位置信息，将所述初始待行驶路线调整为第一待行驶路线；

控制所述自动驾驶车辆按照所述第一待行驶路线行驶。

6.根据权利要求5所述的方法，其特征在于，在所述确定所述修正后的预测摩擦系数是否在预设摩擦系数范围内之后，所述方法还包括：

若所述修正后的预测摩擦系数在所述预设摩擦系数范围内，则控制所述自动驾驶车辆按照所述初始待行驶路线行驶。

7.一种自动驾驶车辆的控制装置，其特征在于，所述装置包括：

获取模块，用于获取第一路面区域的路面环境信息；

预测模块，用于将所述路面环境信息输入至训练后的预测模型中，并获取所述训练后的预测模型输出的所述第一路面区域的预测摩擦系数，所述训练后的预测模型是根据样本训练集训练生成的，所述样本训练集包括历史路面环境信息和所述历史路面环境信息对应的实测摩擦系数；

控制模块，用于根据所述预测摩擦系数，确定所述自动驾驶车辆的待行驶路线。

8.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至6任意一项所述的方法。

9.一种电子设备，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6任意一项所述的方法。

10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6任意一项所述的方法。

Images