CN115027428B - 一种车辆的遇障制动方法、装置、设备及存储介质 - Google Patents
一种车辆的遇障制动方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115027428B CN115027428B CN202210740709.XA CN202210740709A CN115027428B CN 115027428 B CN115027428 B CN 115027428B CN 202210740709 A CN202210740709 A CN 202210740709A CN 115027428 B CN115027428 B CN 115027428B
- Authority
- CN
- China
- Prior art keywords
- target
- feature
- sample
- vehicle
- coefficient
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000011176 pooling Methods 0.000 claims description 96
- 230000001133 acceleration Effects 0.000 claims description 41
- 230000011218 segmentation Effects 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 230000001276 controlling effect Effects 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 13
- 230000008447 perception Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000003213 activating effect Effects 0.000 claims description 7
- 230000035484 reaction time Effects 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 238000009472 formulation Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 2
- 230000004888 barrier function Effects 0.000 claims 1
- 238000013507 mapping Methods 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 239000010426 asphalt Substances 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T7/00—Brake-action initiating means
- B60T7/12—Brake-action initiating means for automatic initiation; for initiation not subject to will of driver or passenger
- B60T7/22—Brake-action initiating means for automatic initiation; for initiation not subject to will of driver or passenger initiated by contact of vehicle, e.g. bumper, with an external object, e.g. another vehicle, or by means of contactless obstacle detectors mounted on the vehicle
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T8/00—Arrangements for adjusting wheel-braking force to meet varying vehicular or ground-surface conditions, e.g. limiting or varying distribution of braking force
- B60T8/17—Using electrical or electronic regulation means to control braking
- B60T8/172—Determining control parameters used in the regulation, e.g. by calculations involving measured or detected parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆的遇障制动方法、装置、设备及存储介质,该方法包括:当车辆沿道路行驶时,感知位于车辆前方的障碍物与道路的类型;根据不确定性对原始附着系数进行修正,得到目标附着系数;根据目标附着系数预测车辆对障碍物制动并渐变式减速时行驶过的制动距离;当车辆与障碍物之间的相对距离大于或等于制动距离时,根据相对距离与制动距离计算表示车辆与障碍物发生碰撞的风险程度;根据风险程度控制车辆减速。考虑道路的类型设置先验的原始附着系数,考虑实际的不确定性修正原始附着系数,从而得到精确度更高的目标辅助系数,可有效评估车辆与障碍物之间的碰撞风险,以此作为参考控制车辆主动减速,保障车辆与障碍物之间的安全性。
Description
技术领域
本发明涉及车辆控制的技术领域,尤其涉及一种车辆的遇障制动方法、装置、设备及存储介质。
背景技术
许多车辆配置有AEB(Autonomous Emergency Braking,自动制动系统),AEB的功能主要包含前碰预警FCW、二级报警、预填充、制动辅助及紧急制动。
技术停留在基础功能的成熟量产期,AEB考虑的大多是驾驶员意图(转向灯信号、挡位信号、方向盘转角信号)、车辆状态(AEB使能、车速)、危险目标(纵向相对距离、侧向相对距离、相对速度)等因素,这些因素对复杂的路径场景的适应性较差,导致在复杂的路面场景中制动的性能较差,可能会出现制动延时的情况,导致风险上升。
发明内容
本发明提供了一种车辆的遇障制动方法、装置、设备及存储介质,以解决如何在复杂的路面场景中提升制动的性能的问题。
根据本发明的一方面,提供了一种车辆的遇障制动方法,包括:
当车辆沿道路行驶时,感知位于所述车辆前方的障碍物与所述道路的类型,所述类型关联原始附着系数;
根据不确定性对所述原始附着系数进行修正,得到目标附着系数;
根据所述目标附着系数预测所述车辆对所述障碍物制动并渐变式减速时行驶过的制动距离;
当所述车辆与所述障碍物之间的相对距离大于或等于所述制动距离时,根据所述相对距离与所述制动距离计算表示所述车辆与所述障碍物发生碰撞的风险程度;
根据所述风险程度控制所述车辆减速。
根据本发明的另一方面,提供了一种车辆的遇障制动装置,包括:
行驶感知模块,用于当车辆沿道路行驶时,感知位于所述车辆前方的障碍物与所述道路的类型,所述类型关联原始附着系数;
附着系数修正模块,用于根据不确定性对所述原始附着系数进行修正,得到目标附着系数;
制动距离计算模块,用于根据所述目标附着系数预测所述车辆对所述障碍物制动并渐变式减速时行驶过的制动距离;
风险程度计算模块,用于当所述车辆与所述障碍物之间的相对距离大于或等于所述制动距离时,根据所述相对距离与所述制动距离计算表示所述车辆与所述障碍物发生碰撞的风险程度;
减速控制模块,用于根据所述风险程度控制所述车辆减速。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的车辆的遇障制动方法。
根据本发明的另一方面,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,所述计算机程序用于使处理器执行时实现本发明任一实施例所述的车辆的遇障制动方法。
在本实施例中,当车辆沿道路行驶时,感知位于车辆前方的障碍物与道路的类型,类型关联原始附着系数;根据不确定性对原始附着系数进行修正,得到目标附着系数;根据目标附着系数预测车辆对障碍物制动并渐变式减速时行驶过的制动距离;当车辆与障碍物之间的相对距离大于或等于制动距离时,根据相对距离与制动距离计算表示车辆与障碍物发生碰撞的风险程度;根据风险程度控制车辆减速。在面对复杂的路面环境时,考虑道路的类型设置先验的原始附着系数,考虑实际的不确定性修正原始附着系数,从而得到精确度更高的目标辅助系数,可有效评估车辆与障碍物之间的碰撞风险,以此作为参考控制车辆主动减速,保障车辆与障碍物之间的安全性。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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,下面描述中的附图仅仅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的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种车辆的遇障制动方法的流程图;
图2是根据本发明实施例一提供的一种车辆的结构图;
图3是根据本发明实施例一提供的一种语义分割网络的结构图;
图4是根据本发明实施例一提供的一种池化索引的示例图;
图5是根据本发明实施例二提供的一种车辆的遇障制动方法的流程图;
图6是根据本发明实施例三提供的一种车辆的遇障制动装置的结构示意图;
图7是实现本发明实施例的车辆的遇障制动方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明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发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明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,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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。
实施例一
图1为本发明实施例一提供的一种车辆的遇障制动方法的流程图,本实施例可适用于根据路面的附着系数控制制动的情况,该方法可以由车辆的遇障制动装置来执行,该车辆的遇障制动装置可以采用硬件和/或软件的形式实现,该车辆的遇障制动装置可配置于电子设备中,尤其为AEB中。
如图1所示,该方法包括:
步骤101、当车辆沿道路行驶时,感知位于车辆前方的障碍物与道路的类型。
本实施例中的车辆可支持自动驾驶,所谓自动驾驶,可以指车辆本身拥有环境感知、路径规划并且自主实现车辆控制的能力,也就是用电子技术控制车辆进行的仿人驾驶。
根据对车辆操控任务的把握程度,自动驾驶车辆可以分为L0非自动化(NoAutomotion)、L1驾驶人辅助(Driver Assistance)、L2部分自动化(Partial Automation)、L3有条件自动化(Conditional Automation)、L4高自动化(High Automation)、L5全自动化(Full Automation)。
本实施例中自动驾驶的车辆,可以指满足L1-L5中任一要求的车辆,其中,系统在L1-L3起辅助功能,当到达L4、L5,车辆驾驶将交给系统。
如图2所示,车辆200可以包括驾驶控制设备201,车身总线202,ECU(ElectronicControl Unit,电子控制单元)203、ECU 204、ECU 205,传感器206、传感器207、传感器208和执行器件209、执行器件210、执行器件211。
驾驶控制设备(又称为车载大脑)201负责整个车辆200的总体智能控制。驾驶控制设备201可以是单独设置的控制器,也可以是由其他具有输入/输出端口,并具有运算控制功能的电子器件组成的设备;还可以是安装有车辆驾驶控制类应用的计算机设备。驾驶控制设备可以对从车身总线202上接收到的各个ECU发来的数据和/或各个传感器发来的数据进行分析处理,作出相应的决策,并将决策对应的指令发送到车身总线。
车身总线202可以是用于连接驾驶控制设备201,ECU 203、ECU 204、ECU 205,传感器206、传感器207、传感器208以及车辆200的其他未示出的设备的总线。由于CAN(Controller AreaNetwork,控制器局域网络)总线的高性能和可靠性已被广泛认同,因此目前机动车中常用的车身总线为CAN总线。当然,可以理解的是车身总线也可以是其他类型的总线。
车身总线202可以将驾驶控制设备201发出的指令发送给ECU 203、ECU 204、ECU205,ECU 203、ECU 204、ECU 205再将上述指令进行分析处理后发给相应的执行器件执行。
传感器206、传感器207、传感器208包括但不限于激光雷达、毫米波雷达、摄像头、卫星定位系统,等等。
应该理解,图2中的车辆、驾驶控制设备、车身总线、ECU、执行器件和传感器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的车辆、驾驶控制设备、车身总线、ECU和传感器。
在车辆沿道路行驶的过程中,一方面,可调用一种或多种传感器感知位于车辆行驶方向前方的障碍物,另一方面,可调用一种或多种传感器感感知位于车辆行驶方向前方的道路的类型。
进一步而言,可调用摄像范围位于车辆行驶方向前方的摄像头采集图像信息,为便于区分,记为目标图像数据,从目标图像数据中提取障碍物,尤其为概率上会与当前车辆发生危险性碰撞的障碍物,并非诸如小型树枝、垃圾袋等可碾压的障碍物。
如果采用双目或多目的摄像头采集目标图像数据,则可以根据立体视觉原理在目标图像数据中计算出障碍物的深度;如果采用单目摄像头,则可以使用光流法在目标图像数据中计算运动目标(即障碍物)的位置、速度等信息。
对于目标图像数据,可辅以使用毫米波雷达或激光雷达采集的点云数据融合检测障碍物。
此外,本实施例中可预先按照道路的材质、在道路上的附着物等情况对道路划分出至少两个类型,每个类型关联附着系数,为便于区分,记为原始附着系数。
在实际生活中,即便是相同的道路,在不同温度、不同天气(如沙尘暴、下雨、晴天等)等因素下,不同的路段的附着系数都存在一定的差异,因而原始附着系数通常是一个附着系数的范围。
示例性地,道路的类型包括柏油路、土路与冰雪路,其中,柏油路、土路是考虑道路的材质划分的类型,而冰雪路则是考虑道路上的附着物划分的类型,柏油路对应的原始附着系数为[0.6,0.8],土路对应的原始附着系数为[0.4,0.6],冰雪路对应的原始附着系数为[0.1,0.3]
在本发明的一个实施例中,步骤101可以包括如下步骤:
步骤1011、向车辆的外部环境采集目标图像数据。
在本实施例中,可调用摄像头向车辆的外部环境采集目标图像数据,尤其为向车辆行驶方向的前方采集目标图像数据。
此外,可同步调用毫米波雷达或激光雷达采集点云数据,将点云数据融合至目标图像数据中,以提高检测障碍物的精确度。
步骤1012、确定语义分割网络。
在本实施例中,可预先设计语义分割网络的结构,并训练语义分割网络中的参数,该语义分割网络可对图像数据(可含点云数据或不含点云数据)进行语义分割,识别出道路的类型。
在检测当前车辆行驶的道路的类型时,将语义分割网络及其参数加载到内存中运行。
在具体实现中,如图3所示,语义分割网络包括编码器Encoder与解码器Decoder,编码器Encoder可用于从图像数据中提取特征、解析出物体信息(即道路的类型),解码器Decoder用于将解析后的物体信息对应成最终的图像形式,即每个像素都用对应其物体信息(即道路的类型)的颜色(或者是标签label)来表示。
在本发明的一个实施例中,训练语义分割网络的方法如下:
S10、获取样本图像数据。
在本实施例中,可预先准备图像数据作为训练语义分割网络的样本,为便于区分,该图像数据记为样本图像数据,样本图像数据中各个像素点已针对预设的道路的类型标注标签。
S20、将样本图像数据输入编码器中执行编码操作,获得样本编码特征。
将样本图像数据输入编码器Encoder中执行编码操作,提取语义特征,记为样本编码特征,即,编码器Encoder对样本图像数据的低级局域像素值进行归类与分析,从而获得高阶语义信息(如“汽车”、“道路”、“行人”等)。
一般情况下,编码器Encoder包含一连串的卷积层,除了卷积层之外,还可能会有池化层和BN(BatchNormalization,批标准化)层等结构。卷积层负责获取样本图像数据中的局域特征,池化层对图像数据进行下采样并且将尺度不变特征传送到下一层,而BN层主要对图像数据的分布归一化,加速学习。
在一种编码器Encoder的结构中,如图3所示,编码器Encoder包括第一卷积层Conv1、第一最大池化层MaxPooling1、第二卷积层Conv2、第二最大池化层MaxPooling2、第三卷积层Conv3、第三最大池化层MaxPooling3、第四卷积层Conv4、第四最大池化层MaxPooling4。
其中,第一卷积层Conv1、第二卷积层Conv2、第三卷积层Conv3、第四卷积层Conv4均属于卷积层,卷积层可实现卷积操作。
第一最大池化层MaxPooling1、第二最大池化层MaxPooling2、第三最大池化层MaxPooling3、第四最大池化层MaxPooling4均属于池化层,尤其为最大池化层,池化层(最大池化层)可实现池化操作(最大池化操作),池化操作(最大池化操作)属于一种下采样操作。
样本编码特征包括第一样本编码特征、第二样本编码特征、第三样本编码特征、第四样本编码特征、第五样本编码特征、第六样本编码特征、第七样本编码特征、第八样本编码特征。
那么,编码器Encoder执行编码操作的过程如下:
在第一卷积层Conv1中对样本图像数据执行第一卷积操作,得到第一样本编码特征。
在第一最大池化层MaxPooling1中对第一样本编码特征执行第一最大池化操作,得到第二样本编码特征。
在第二卷积层Conv2中对第二样本编码特征执行第二卷积操作,得到第三样本编码特征。
在第二最大池化层MaxPooling2中对第三样本编码特征执行第二最大池化操作,得到第四样本编码特征。
在第三卷积层Conv3中对第四样本编码数据执行第三卷积操作,得到第五样本编码特征。
在第三最大池化层MaxPooling3中对第五样本编码特征执行第三最大池化操作,得到第六样本编码特征。
在第四卷积层Conv4中对第六样本编码数据执行第四卷积操作,得到第七样本编码特征。
在第四最大池化层MaxPooling4中对第七样本编码特征执行第三最大池化操作,得到第八样本编码特征。
当然,上述编码器Encoder的结构只是作为示例,在实施本实施例时,可以根据实际情况设置其它编码器Encoder的结构,本实施例对此不加以限制。另外,除了上述编码器Encoder的结构外,本领域技术人员还可以根据实际需要采用其它编码器Encoder的结构,本实施例对此也不加以限制。
S30、将样本编码特征输入解码器中执行解码操作,获得样本解码特征。
编码器Encoder已经获取了物体及其大致的位置信息,那么,可以将编码器Encoder输出的样本编码特征输入解码器Decoder中执行解码操作,将物体对应到具体的像素点上,记为样本解码特征。
具体而言,解码器Decoder对缩小后的样本编码特征进行上采样操作,上采样操作后的调整区域中有一个前一层传来的特征点,其余局部区域都是空值,这些空值被填补成适当的特征值,来让这个特征区域变得完整并且平滑,因此,上采样后的特征进行反卷积处理,完善物体的几何形状,弥补编码器Encoder当中池化层将物体缩小造成的细节损失。
一般情况下,编码器Encoder与解码器Decoder的结构是相对的,编码操作与解码操作也是相对的。
在一种解码器Decoder的结构中,如图3所示,解码器包括第一上采样层Upsampling1、第一反卷积层Deconv1、第二上采样层Upsampling2、第二反卷积层Deconv2、第三上采样层Upsampling3、第三反卷积层Deconv3、第四上采样层Upsampling4、第四反卷积层Deconv4。
其中,第一上采样层Upsampling1、第二上采样层Upsampling2、第三上采样层Upsampling3、第四上采样层Upsampling4均属于上采样层,上采样层可实现上采样操作,上采样层与池化层(最大池化层)相对,上采样操作与下采样操作相对。
第一反卷积层Deconv1、第二反卷积层Deconv2、第三反卷积层Deconv3、第四反卷积层Deconv4均属于反卷积层,反卷积层可实现反卷积操作(又称转置卷积操作),反卷积层与卷积层相对,反卷积操作与卷积操作相对。
进一步而言,上采样操作为池化操作(如最大池化操作)的反向处理,在上采样操作的过程中存在着一个不确定性,例如,一个1×1的特征点经过上采样操作将会变成一个2×2的特征区域,这个特征区域中的某个1×1的局部区域将会被原来的1×1的特征点取代,其他的三个局部区域为空。
如果是随机将这个1×1的特征点分配到任意的一个局部区域,或者分配到一个固定的局部区域,这样做会引入一些误差,并且这些误差会传递给下一层,层数越深,误差影响的范围也就越大。
在本实施例中,通过一个叫池化索引Pooling Indices的方式来保存特征点的来源信息,即,在编码器Encoder的池化层中,会记录每一个池化后的1×1的特征点来源于之前的2×2的特征区域中的哪个局部区域。
池化索引Pooling Indices会在解码器Decoder中使用,在解码器Decoder中对特征点进行上采样操作时,可以利用它对应的池化层的池化索引Pooling Indices来确定某个1×1特征点应该放到上采样操作后的2×2的特征区域中的哪个局部区域。
例如,如图4所示,在编码器Encoder中的某个最大池化层中,对输入Input的特征图的左下角2×2的特征区域执行最大化池操作,选择位于该特征区域右下角的1×1特征点,如此遍历输出池化特征图(Pooled Map)并通过池化索引Pooling Indices记录。
在解码器Decoder中与最大池化层对应的上采样层中,对输入Input的池化特征图位于左下角的1×1特征点执行上采样操作,得到2×2的特征区域,通过池化索引PoolingIndices在先最大化池操作的记录,将1×1特征点分配至2×2的特征区域的右下角,如此遍历输出上采样特征图(Upsampled Map)。
样本解码特征包括第一样本解码特征、第二样本解码特征、第三样本解码特征、第四样本解码特征、第五样本解码特征、第六样本解码特征、第七样本解码特征、第八样本解码特征。
那么,解码器Decoder执行解码操作的过程如下:
在第一上采样层Upsampling1中对第八样本编码特征执行第一上采样操作,得到第一样本解码特征。
在第一反卷积层Deconv1中对第一样本解码特征执行第一反卷积操作,得到第二样本解码特征。
在第二上采样层Upsampling2中对第二样本解码特征执行第二上采样操作并池化索引Pooling Indices至第六样本编码特征,得到第三样本解码特征。
在第二反卷积层Deconv2中对第三样本解码特征执行第二反卷积操作,得到第四样本解码特征。
在第三上采样层Upsampling3中对第四样本解码特征执行第三上采样操作并池化索引Pooling Indices至第四样本编码特征,得到第五样本解码特征。
在第三反卷积层Deconv3中对第五样本解码特征执行第三反卷积操作,得到第六样本解码特征。
在第四上采样层Upsampling4中对第六样本解码特征执行第四上采样操作并池化索引Pooling Indices至第二样本编码特征,得到第七样本解码特征。
在第四反卷积层Deconv4中对第七样本解码特征执行第四操作,得到第八样本解码特征。
当然,上述解码器Decoder的结构只是作为示例,在实施本实施例时,可以根据实际情况设置其它解码器Decoder的结构,本实施例对此不加以限制。另外,除了上述解码器Decoder的结构外,本领域技术人员还可以根据实际需要采用其它解码器Decoder的结构,本实施例对此也不加以限制。
S40、将样本解码特征激活为样本语义数据。
在本实施例中,可使用激活函数对样本解码特征进行激活,得到样本语义数据,样本语义数据的像素点包含属于预设的道路的类型的置信度(又称概率)。
示例性地,可使用柔性最大值函数Softmax将第八样本解码特征映射为样本语义数据,柔性最大值函数Softmax可以对输出值进行归一化操作,把所有输出值都转化为概率,所有概率值加起来等于1。
S50、计算置信度与标签之间的差异,作为损失值。
置信度表示预测值,即,对各像素点预测的类型,标签表示真实值,即,各像素点归属的类型,将置信度与标签代入预设的损失函数(Loss Function)中,对比置信度与标签之间的差异,得到损失值LOSS。
示例性地,针对同一像素点,对标签取对数,当标签表示预设的道路的类型时,标签的数值为1,当标签并非表示预设的道路的类型时,标签的数值为0。
计算置信度与对数之间的乘积,对所有乘积之间的和值取相反数,得到损失值。
在本示例中,损失值表示如下:
其中,L为损失值,N为像素点的数量,c∈N,表示像素点的ID,yc为像素点的标签值,zc为像素点的置信度。
S60、根据损失值更新语义分割网络。
在语义分割网络中完成正向传播之后,可以对语义分割网络进行反向传播,将损失值代入SGD(stochastic gradient descent,随机梯度下降)、Adam(Adaptive momentum,自适应动量)等优化算法中,计算更新语义分割网络中参数的梯度,按照该梯度语义分割网络中的参数。
S70、判断是否满足预设的训练条件;若是,则执行S80,若否,则返回执行S20-S70。
S80、确定语义分割网络训练完成。
本实施例中,可以预先设置训练条件,作为停止训练语义分割网络的条件,例如,迭代的次数达到阈值,损失值连续多次的变化幅度小于某个阀值,等等,在每轮迭代训练中,判断是否满足训练条件。
如果满足训练条件,则可以认为语义分割网络训练完成,此时,输出语义分割网络中的参数,并持久化至数据库中。
如果未满足训练条件,则可以进入下一轮迭代训练,重新执行S20-S70,如此循环迭代训练,直至语义分割网络训练完成。
步骤1013、将目标图像数据输入编码器中执行编码操作,获得目标编码特征。
将目标图像数据输入编码器Encoder中执行编码操作,提取语义特征,记为目标编码特征。
在一种编码器Encoder的结构中,如图3所示,编码器Encoder包括第一卷积层Conv1、第一最大池化层MaxPooling1、第二卷积层Conv2、第二最大池化层MaxPooling2、第三卷积层Conv3、第三最大池化层MaxPooling3、第四卷积层Conv4、第四最大池化层MaxPooling4。
目标编码特征包括第一目标编码特征、第二目标编码特征、第三目标编码特征、第四目标编码特征、第五目标编码特征、第六目标编码特征、第七目标编码特征、第八目标编码特征。
那么,编码器Encoder执行编码操作的过程如下:
在第一卷积层Conv1中对目标图像数据执行第一卷积操作,得到第一目标编码特征。
在第一最大池化层MaxPooling1中对第一目标编码特征执行第一最大池化操作,得到第二目标编码特征。
在第二卷积层Conv2中对第二目标编码特征执行第二卷积操作,得到第三目标编码特征。
在第二最大池化层MaxPooling2中对第三目标编码特征执行第二最大池化操作,得到第四目标编码特征。
在第三卷积层Conv3中对第四目标编码数据执行第三卷积操作,得到第五目标编码特征。
在第三最大池化层MaxPooling3中对第五目标编码特征执行第三最大池化操作,得到第六目标编码特征。
在第四卷积层Conv4中对第六目标编码数据执行第四卷积操作,得到第七目标编码特征。
在第四最大池化层MaxPooling4中对第七目标编码特征执行第三最大池化操作,得到第八目标编码特征。
步骤1014、将目标编码图像数据输入解码器中执行解码操作,获得目标解码特征。
将编码器Encoder输出的样本编码特征输入解码器Decoder中执行解码操作,将物体对应到具体的像素点上,记为样本解码特征。
在一种解码器Decoder的结构中,如图3所示,解码器包括第一上采样层Upsampling1、第一反卷积层Deconv1、第二上采样层Upsampling2、第二反卷积层Deconv2、第三上采样层Upsampling3、第三反卷积层Deconv3、第四上采样层Upsampling4、第四反卷积层Deconv4。
目标解码特征包括第一目标解码特征、第二目标解码特征、第三目标解码特征、第四目标解码特征、第五目标解码特征、第六目标解码特征、第七目标解码特征、第八目标解码特征。
那么,解码器Decoder执行解码操作的过程如下:
在第一上采样层Upsampling1对第八目标编码特征执行第一上采样操作,得到第一目标解码特征。
在第一反卷积层Deconv1中对第一目标解码特征执行第一反卷积操作,得到第二目标解码特征。
在第二上采样层Upsampling2中对第二目标解码特征执行第二上采样操作并池化索引Pooling Indices至第六目标编码特征,得到第三目标解码特征。
在第二反卷积层Deconv2中对第三目标解码特征执行第二反卷积操作,得到第四目标解码特征。
在第三上采样层Upsampling3中对第四目标解码特征执行第三上采样操作并池化索引Pooling Indices至第四目标编码特征,得到第五目标解码特征。
在第三反卷积层Deconv3中对第五目标解码特征执行第三反卷积操作,得到第六目标解码特征。
在第四上采样层Upsampling4中对第六目标解码特征执行第四上采样操作并池化索引Pooling Indices至第二目标编码特征,得到第七目标解码特征。
在第四反卷积层Deconv4中对第七目标解码特征执行第四操作,得到第八目标解码特征。
在本实施例中,由于语义分割网络的应用在训练及上线时的操作基本相似,所以描述的比较简单,相关之处参见训练的部分说明即可,本实施例在此不加以详述。
步骤1015、将目标解码特征激活为目标语义数据。
在本实施例中,可使用激活函数对目标解码特征进行激活,得到目标语义数据,目标语义数据中的像素点包含属于预设的道路的类型的置信度。
示例性地,可使用柔性最大值函数Softmax将第八目标解码特征激活为目标语义数据。
一般情况下,取置信度最高的类型,为道路归属的类型。
经实验验证,语义分割网络识别目标图像数据中的语义,得到当前车辆行驶的道路的类型,满足准确率的要求,并且,语义分割网络的结构较为简单,可以减少运算量,减少运算耗时,满足实时性的要求。
步骤102、根据不确定性对原始附着系数进行修正,得到目标附着系数。
通过感知可以检测到道路的类型,从而基于类型初步估算道路路面的原始附着系数,其属于附着系数的先验值,而路面的附着系数的真实值与路面是否干燥及是否存在覆盖其他物体等因素相关,因而先验值与真实值之间存在一定不确定性。
为了估算道路路面更加精确的附着系数,本实施例采用不确定性推理的方法对原始附着系数进行修正,修正后得到目标附着系数。
在本发明的一个实施例中,步骤102可以包括如下步骤:
步骤1021、确定第一附着系数。
在本实施例中,假设原始附着系数的概率密度分布符合正态分布,那么,取其概率密度分布的均值作为第一附着系数μ1,即,第一附着系数μ1为原始附着系数呈正态分布时、概率密度分布的均值。
以冰雪路为示例,其对应的原始附着系数为[0.1,0.3],根据先验知识,冰雪路的原始附着系数的概率密度分布符合均值为0.2,方差为0.01的正太分布,即μ~N(0.2,0.12),那么,第一附着系数μ1=0.2。
步骤1022、基于车辆所受的作用力计算道路的第二附着系数。
按照动力学,车辆所受的作用力与道路的附着系数存在一定的相关性,因此,可以检测车辆当前所受的作用力,按照动力学建模初略预估道路的附着系数,记为第二附着系数。
示例性地,获取车辆在横向所受的第一加速度、在纵向所受的第二加速度以及所受的重力加速度。
对第一加速度的平方与第二加速度的平方之间的和值开平方,获得参考值,计算参考值与重力加速度之间的比值,作为道路的第二附着系数μ2。
在本示例中,第二附着系数的计算过程表示如下:
其中,μ2为第二附着系数,ax为第一加速度,ay为第二加速度,g为重力加速度。
步骤1023、若第二附着系数在原始附着系数的范围内,则使用第二附着系数修正第一附着系数。
步骤1024、若完成修正,则确定第一附着系数为目标附着系数。
在本实施例中,将第二附着系数与原始附着系数的范围进行比较,如果第二附着系数在原始附着系数的范围内,即,第二附着系数大于或等于原始附着系数中的极小值,以及,第二附着系数小于或等于原始附着系数中的极大值,表示原始附着系数与第二附着系数均具有一定的准确性,则可以参考第二附着系数对第一附着系数进行修正,提高第一附着系数的精确度,从而将第一附着系数设置为目标附着系数,即,道路的真实辅助系数。
在一种修正方式中,可以将第一附着系数与第二附着系数线性融合,得到修正后的第一附着系数。
具体而言,分别对第一附着系数配置第一置信权重、对第二附着系数配置第二置信权重。
其中,第一置信权重与第二置信权重均可以是默认的经验值,也可以根据道路的情况动态调整,从而提高修正第一附着系数的精确度,本实施例对此不加以限制。
在动态调整时,查询感知道路的类型的置信度,按照置信度对第一附着系数μ1生成第一置信权重,其中,第一置信权重与置信度正相关,即,置信度越高,第一置信权重越大,反之,置信度越低,第一置信权重越小。
将一减去第一置信权重,作为第二附着系数的第二置信权重。
计算第一附着系数与第一置信权重之间的乘积,获得第一调权系数。
计算第二附着系数与第二置信权重之间的乘积,获得第二调权系数。
计算第一调权系数与第二调权系数之间的和值,作为新的第一附着系数。
在本修正方式中,修正第一附着系数的过程表示如下:
μ1=k1μ1+k2μ2
k1+k2=1
其中,k1为第一置信权重,k2为第二置信权重,μ1为第一附着系数,μ2为第二附着系数。
在本实施例中,通过实际预测值(第二附着系数)不断迭代修正先验经验值(原始附着系数)的概率密度分布(第一附着系数),使得先验知识不断趋向实际情况,不断提升目标附着系数的精确度。
在本发明的一个实施例中,步骤102还可以包括如下步骤:
步骤1025、若第二附着系数小于原始附着系数的下限值,则将第一附着系数设置为目标附着系数。
第二附着系数是通过动力学建模预测,容易受道路路面偶然性出现的附着物、传感器的精确度、模型结构等因素影响,精确度有限,如果第二附着系数小于原始附着系数的下限值,表示实际预测值(第二附着系数)与先验经验值(原始附着系数)相差较大,此时,以先验经验值(原始附着系数)为主,将第一附着系数设置为目标附着系数。
步骤1026、若第二附着系数大于原始附着系数的上限值,则查询感知道路的类型的置信度。
步骤1027、若置信度大于预设的可信阈值,则将第一附着系数设置为目标附着系数。
步骤1028、若置信度小于或等于预设的可信阈值,则将第二附着系数设置为目标附着系数。
如果第二附着系数小于原始附着系数的上限值,表示实际预测值(第二附着系数)与先验经验值(原始附着系数)相差较大,此时,可查询感知道路的类型的置信度。
将该置信度与预设的可信阈值进行比较。
若置信度大于预设的可信阈值,表示置信度较高,道路属于预测的类型的概率较高,此时可以将第一附着系数设置为目标附着系数。
若置信度小于或等于预设的可信阈值,表示置信度较低,道路属于预测的类型的概率较低,此时可以将第二附着系数设置为目标附着系数。
当然,上述修正原始附着系数的方式只是作为示例,在实施本实施例时,可以根据实际情况设置其它修正原始附着系数的方式,例如,使用贝叶斯估计、蒙特卡罗法等方法修正原始附着系数的方式,等等,本实施例对此不加以限制。另外,除了上述修正原始附着系数的方式外,本领域技术人员还可以根据实际需要采用其它修正原始附着系数的方式,本实施例对此也不加以限制。
步骤103、根据目标附着系数预测车辆对障碍物制动并渐变式减速时行驶过的制动距离。
一般情况下,为避免与障碍物发生碰撞,车辆会主动降速,在减速的过程中,为使驾乘人员维持舒适的驾乘体验,车辆的主动降速过程期望以简便过程实施加减速度。
道路的目标附着系数对降速过程存在影响,在既定道路的目标附着系数的情况下,可预测车辆制动,并以渐变式减速时行驶过的距离,记为制动距离。
在本发明的一个实施例中,步骤103可以包括如下步骤:
步骤1031、计算车辆在驾驶员对制定反应时行驶过的第一候选距离。
在实际应用中,驾驶员在发现障碍物至控制车辆制动时,会存在一定的反应时间,这段反应时间内车辆会行驶一定的距离,对此可以根据先验知识计算车辆在驾驶员对制定反应时行驶过的第一候选距离。
示例性地,可以计算车辆相对于障碍物的移动速度,查询驾驶员对障碍物反应制定的时间,作为反应时间,计算移动速度与反应时间之间的乘积,获得车辆在驾驶员对制定反应时行驶过的第一候选距离。
步骤1032、依据目标附着系数预测车辆在道路上渐变式最大减速时行驶过的第二候选距离。
目标附着系数限制了车辆在道路上以渐变式减速可实现的最大减速,计算从车辆开始制动,以该最大减速进行渐变式减速直至停止所经过的距离,记为第二候选距离。
示例性地,一方面,计算车辆相对于障碍物的移动速度,查询车辆中制动系数的建压时间,将移动速度乘以车辆中制动系统的建压时间的一半值,得到建压距离。
另一方面,将目标附着系数与重力加速度之间的乘积设置为减速度,以表示车辆最大减速时的加速度,计算移动速度的平方与减速度的两倍值,得到减速距离。
计算建压时间与减速距离之间的和值,作为基准距离。
按照预设的安全扩大系数增大基准距离,获得车辆在道路上渐变式最大减速时行驶过的第二候选距离,安全扩大系数一般大于0且小于1。
步骤1033、在预设的安全距离的基础上加上第一候选距离与第二候选距离,获得车辆对障碍物制动并渐变式减速时行驶过的制动距离。
在本实施例中,可以预先设置车辆与障碍物之间保证安全的距离,记为安全距离,将第一候选距离、第二候选距离与安全距离相加,可以得到车辆对障碍物制动并渐变式减速时行驶过的制动距离。
在本示例中,制动距离表示如下:
aμ=μg
其中,D为制定距离,Vrel为车辆相对于障碍物的移动速度,T1为反应时间,T2为建压时间,k为安全扩大系数,Dsafe为安全距离,aμ为车辆最大减速时的加速度,μ为目标附着系数,g为重力加速度。
步骤104、当车辆与障碍物之间的相对距离大于或等于制动距离时,根据相对距离与制动距离计算表示车辆与障碍物发生碰撞的风险程度。
在本实施例中,可检测车辆与障碍物之间的距离,记为相对距离,将相对距离与制动距离进行表,如果车辆与障碍物之间的相对距离大于或等于制动距离时,表示车辆与障碍物之间存在碰撞的风险,车辆制动时并不能以渐变式减速。
此时,可以实时衡量相对距离与制动距离之间的关系,从而计算表示车辆与障碍物发生碰撞的风险程度。
在一种计算风险程度的方式中,可将相对距离减去制动距离,获得距离差距,计算距离差距与制动距离之间的比值,作为表示车辆与障碍物发生碰撞的风险程度。
在本方式中,风险程度表示如下:
步骤105、根据风险程度控制车辆减速。
如果车辆与障碍物之间的相对距离大于或等于制动距离,则动态地根据风险程度控制车辆减速,避免车辆与障碍物发生碰撞。
在本发明的一个实施例中,步骤105可以包括如下步骤:
步骤1051、将目标附着系数与重力加速度之间的乘积设置为减速度,以表示车辆最大减速时的加速度。
步骤1052、计算减速度与预设的安全扩大系数之间的乘积,作为初始时刻的减速度。
将每轮调节车辆的减速度(即制动时的加速度)的时间记为一个时刻,那么,在车辆初始时刻(即第一个时刻)制动时,可以将目标附着系数与重力加速度之间的乘积设置为减速度,以表示车辆最大减速时的加速度,并计算减速度与预设的安全扩大系数之间的乘积,作为初始时刻的减速度。
那么,初始时刻的减速度表示如下:
aμ=μg
其中,a1为初始时刻的减速度,k为安全扩大系数,aμ为车辆最大减速时的加速度,μ为目标附着系数,g为重力加速度。
步骤1053、确定上一时刻的减速度、上一时刻的风险程度、当前时刻的风险程度。
步骤1054、计算当前时刻的风险程度与上一时刻的风险程度之间的比值,作为风险变化量。
步骤1055、计算上一时刻的减速度、风险变化量与预设的补偿增益之间的乘积,作为当前时刻的减速度。
对于非初始时刻的减速度,可以根据风险程度实时迭代调整减速度的大小。
一般情况下,减速度的增加与风险程度的变化情况正相关。
若风险程度逐渐增大,表示减速度不足,则可以适当增加减速度。
若风险程度逐渐增小,表示减速度足够,则可以适当减小减速度。
在具体实现中,可以在车辆本地缓存各个时刻的减速度、风险程度。
计算当前时刻的风险程度与上一时刻的风险程度之间的比值,作为风险变化量,将上一时刻的减速度、风险变化量与补偿增益相乘,得到当前时刻的减速度。
那么,减速度的迭代过程如下:
步骤1056、按照当前时刻的减速度控制车辆减速。
将减速度发给ESC(汽车电子稳定控制系统)执行,实现减速度的响应,控制车辆制动、减速,可在AEB未触发时完成降速。
其中,ESC是车辆的主动安全系统,是汽车防抱死制动系统(ABS)和牵引力控制系统(TCS)功能的进一步扩展,并在此基础上,增加了车辆转向行驶时横摆率传感器、侧向加速度传感器和方向盘转角传感器,通过ECU控制前后、左右车轮的驱动力和制动力,确保车辆行驶的侧向稳定性。
在本实施例中,当车辆沿道路行驶时,感知位于车辆前方的障碍物与道路的类型,类型关联原始附着系数;根据不确定性对原始附着系数进行修正,得到目标附着系数;根据目标附着系数预测车辆对障碍物制动并渐变式减速时行驶过的制动距离;当车辆与障碍物之间的相对距离大于或等于制动距离时,根据相对距离与制动距离计算表示车辆与障碍物发生碰撞的风险程度;根据风险程度控制车辆减速。在面对复杂的路面环境时,考虑道路的类型设置先验的原始附着系数,考虑实际的不确定性修正原始附着系数,从而得到精确度更高的目标辅助系数,可有效评估车辆与障碍物之间的碰撞风险,以此作为参考控制车辆主动减速,保障车辆与障碍物之间的安全性。
实施例二
图5为本发明实施例二提供的一种车辆的遇障制动方法的流程图,本实施例在上述实施例的基础上增加了HMI(Human Machine Interface,人机界面)交互操作。如图5所示,该方法包括:
步骤501、当车辆沿道路行驶时,感知位于车辆前方的障碍物与道路的类型。
其中,类型关联原始附着系数。
步骤502、根据不确定性对原始附着系数进行修正,得到目标附着系数。
步骤503、根据目标附着系数预测车辆对障碍物制动并渐变式减速时行驶过的制动距离。
步骤504、当车辆与障碍物之间的相对距离大于或等于制动距离时,根据相对距离与制动距离计算表示车辆与障碍物发生碰撞的风险程度。
步骤505、根据风险程度控制车辆减速。
步骤506、分割出道路进行显示、对道路标注类型与目标附着系数。
在本实施例中,可以在车辆中的显示屏(通常为触摸屏)中显示车辆周边的环境,此时,从周边的环境中分割出道路,以可视化的方式(如覆盖同一种颜色、描边等)进行显示,并单独对道路标注类型、目标附着系数。
步骤507、对表征风险的第一标志位、表征车辆主动减速的第二标志位执行提示操作。
车辆与障碍物之间的相对距离大于或等于制动距离,表示车辆与障碍物之间存在碰撞的风险,此时,可生成表征该风险的第一标志位。
此外,可生成表征车辆主动减速的第二标志位。
第一标志位与第二标志位均可以以图标、文字等形式显示,其中第一标志位可选包含风险程度,并辅以音频数据进行提醒,提示驾驶员做出反应动作或自动驾驶下做出准备、接管。
实施例三
图6为本发明实施例三提供的一种车辆的遇障制动装置的结构示意图。如图6所示,该装置包括:
行驶感知模块601,用于当车辆沿道路行驶时,感知位于所述车辆前方的障碍物与所述道路的类型,所述类型关联原始附着系数;
附着系数修正模块602,用于根据不确定性对所述原始附着系数进行修正,得到目标附着系数;
制动距离计算模块603,用于根据所述目标附着系数预测所述车辆对所述障碍物制动并渐变式减速时行驶过的制动距离;
风险程度计算模块604,用于当所述车辆与所述障碍物之间的相对距离大于或等于所述制动距离时,根据所述相对距离与所述制动距离计算表示所述车辆与所述障碍物发生碰撞的风险程度;
减速控制模块605,用于根据所述风险程度控制所述车辆减速。
在本发明的一个实施例中,所述行驶感知模块601还用于:
向所述车辆的外部环境采集目标图像数据;
确定语义分割网络,所述语义分割网络包括编码器与解码器;
将所述目标图像数据输入所述编码器中执行编码操作,获得目标编码特征;
将所述目标编码图像数据输入所述解码器中执行解码操作,获得目标解码特征;
将所述目标解码特征激活为目标语义数据,所述目标语义数据中包含所述道路的类型。
在本发明的一个实施例中,所述行驶感知模块601还用于:
获取样本图像数据,所述样本图像数据中各个像素点已针对预设的道路的类型标注标签;
将所述样本图像数据输入所述编码器中执行编码操作,获得样本编码特征;
将所述样本编码特征输入所述解码器中执行解码操作,获得样本解码特征;
将所述样本解码特征激活为样本语义数据,所述样本语义数据的像素点包含属于预设的道路的类型的置信度;
计算所述置信度与所述标签之间的差异,作为损失值;
根据所述损失值更新所述语义分割网络;
判断是否满足预设的训练条件;若是,则确定所述语义分割网络训练完成,若否,则返回执行所述将所述样本图像数据输入所述编码器中执行编码操作,获得样本编码特征。
在本发明的一个实施例中,所述样本编码特征包括第一样本编码特征、第二样本编码特征、第三样本编码特征、第四样本编码特征、第五样本编码特征、第六样本编码特征、第七样本编码特征、第八样本编码特征;所述行驶感知模块601还用于:
对所述样本图像数据执行第一卷积操作,得到第一样本编码特征;
对所述第一样本编码特征执行第一最大池化操作,得到第二样本编码特征;
对所述第二样本编码特征执行第二卷积操作,得到第三样本编码特征;
对所述第三样本编码特征执行第二最大池化操作,得到第四样本编码特征;
对所述第四样本编码数据执行第三卷积操作,得到第五样本编码特征;
对所述第五样本编码特征执行第三最大池化操作,得到第六样本编码特征;
对所述第六样本编码数据执行第四卷积操作,得到第七样本编码特征;
对所述第七样本编码特征执行第三最大池化操作,得到第八样本编码特征。
在本发明的一个实施例中,所述样本解码特征包括第一样本解码特征、第二样本解码特征、第三样本解码特征、第四样本解码特征、第五样本解码特征、第六样本解码特征、第七样本解码特征、第八样本解码特征;所述行驶感知模块601还用于:
对所述第八样本编码特征执行第一上采样操作,得到第一样本解码特征;
对所述第一样本解码特征执行第一反卷积操作,得到第二样本解码特征;
对所述第二样本解码特征执行第二上采样操作并池化索引至所述第六样本编码特征,得到第三样本解码特征;
对所述第三样本解码特征执行第二反卷积操作,得到第四样本解码特征;
对所述第四样本解码特征执行第三上采样操作并池化索引至所述第四样本编码特征,得到第五样本解码特征;
对所述第五样本解码特征执行第三反卷积操作,得到第六样本解码特征;
对所述第六样本解码特征执行第四上采样操作并池化索引至所述第二样本编码特征,得到第七样本解码特征;
对所述第七样本解码特征执行第四操作,得到第八样本解码特征。
在本发明的一个实施例中,所述行驶感知模块601还用于:
使用柔性最大值函数Softmax将所述第八样本解码特征映射为样本语义数据。
在本发明的一个实施例中,所述行驶感知模块601还用于:
针对同一像素点,对所述标签取对数,当所述标签表示预设的道路的类型时,所述标签的数值为1,当所述标签并非表示预设的道路的类型时,所述标签的数值为0;
计算所述置信度与所述对数之间的乘积;
对所有所述乘积之间的和值取相反数,得到损失值。
在本发明的一个实施例中,所述目标编码特征包括第一目标编码特征、第二目标编码特征、第三目标编码特征、第四目标编码特征、第五目标编码特征、第六目标编码特征、第七目标编码特征、第八目标编码特征;所述行驶感知模块601还用于:
对所述目标图像数据执行第一卷积操作,得到第一目标编码特征;
对所述第一目标编码特征执行第一最大池化操作,得到第二目标编码特征;
对所述第二目标编码特征执行第二卷积操作,得到第三目标编码特征;
对所述第三目标编码特征执行第二最大池化操作,得到第四目标编码特征;
对所述第四目标编码数据执行第三卷积操作,得到第五目标编码特征;
对所述第五目标编码特征执行第三最大池化操作,得到第六目标编码特征;
对所述第六目标编码数据执行第四卷积操作,得到第七目标编码特征;
对所述第七目标编码特征执行第三最大池化操作,得到第八目标编码特征。
在本发明的一个实施例中,所述目标解码特征包括第一目标解码特征、第二目标解码特征、第三目标解码特征、第四目标解码特征、第五目标解码特征、第六目标解码特征、第七目标解码特征、第八目标解码特征;所述行驶感知模块601还用于:
对所述第八目标编码特征执行第一上采样操作,得到第一目标解码特征;
对所述第一目标解码特征执行第一反卷积操作,得到第二目标解码特征;
对所述第二目标解码特征执行第二上采样操作并池化索引至所述第六目标编码特征,得到第三目标解码特征;
对所述第三目标解码特征执行第二反卷积操作,得到第四目标解码特征;
对所述第四目标解码特征执行第三上采样操作并池化索引至所述第四目标编码特征,得到第五目标解码特征;
对所述第五目标解码特征执行第三反卷积操作,得到第六目标解码特征;
对所述第六目标解码特征执行第四上采样操作并池化索引至所述第二目标编码特征,得到第七目标解码特征;
对所述第七目标解码特征执行第四操作,得到第八目标解码特征。
在本发明的一个实施例中,所述行驶感知模块601还用于:
使用柔性最大值函数Softmax将所述第八目标解码特征激活为目标语义数据。
在本发明的一个实施例中,所述附着系数修正模块602还用于:
确定第一附着系数,所述第一附着系数为原始附着系数呈正态分布时、概率密度分布的均值;
基于所述车辆所受的作用力计算所述道路的第二附着系数;
若所述第二附着系数在所述原始附着系数的范围内,则使用所述第二附着系数修正所述第一附着系数;
若完成修正,则确定所述第一附着系数为目标附着系数。
在本发明的一个实施例中,所述附着系数修正模块602还用于:
获取所述车辆在横向所受的第一加速度、在纵向所受的第二加速度以及所受的重力加速度;
对所述第一加速度的平方与所述第二加速度的平方之间的和值开平方,获得参考值;
计算所述参考值与所述重力加速度之间的比值,作为所述道路的第二附着系数。
在本发明的一个实施例中,所述附着系数修正模块602还用于:
分别对所述第一附着系数配置第一置信权重、对所述第二附着系数配置第二置信权重;
计算所述第一附着系数与所述第一置信权重之间的乘积,获得第一调权系数;
计算所述第二附着系数与所述第二置信权重之间的乘积,获得第二调权系数;
计算所述第一调权系数与所述第二调权系数之间的和值,作为新的第一附着系数。
在本发明的一个实施例中,所述附着系数修正模块602还用于:
查询感知所述道路的类型的置信度;
按照所述置信度对第一附着系数生成第一置信权重,其中,所述第一置信权重与所述置信度正相关;
将一减去所述第一置信权重,作为所述第二附着系数的第二置信权重。
在本发明的一个实施例中,所述附着系数修正模块602还用于:
若所述第二附着系数小于所述原始附着系数的下限值,则将所述第一附着系数设置为目标附着系数;
若所述第二附着系数大于所述原始附着系数的上限值,则查询感知所述道路的类型的置信度;
若所述置信度大于预设的可信阈值,则将所述第一附着系数设置为目标附着系数;
若所述置信度小于或等于预设的可信阈值,则将所述第二附着系数设置为目标附着系数。
在本发明的一个实施例中,所述制动距离计算模块603还用于:
计算所述车辆在驾驶员对制定反应时行驶过的第一候选距离;
依据所述目标附着系数预测所述车辆在所述道路上渐变式最大减速时行驶过的第二候选距离;
在预设的安全距离的基础上加上所述第一候选距离与所述第二候选距离,获得所述车辆对所述障碍物制动并渐变式减速时行驶过的制动距离。
在本发明的一个实施例中,所述制动距离计算模块603还用于:
计算所述车辆相对于所述障碍物的移动速度;
查询驾驶员对所述障碍物反应制定的时间,作为反应时间;
计算所述移动速度与所述反应时间之间的乘积,获得所述车辆在驾驶员对制定反应时行驶过的第一候选距离。
在本发明的一个实施例中,所述制动距离计算模块603还用于:
将所述目标附着系数与重力加速度之间的乘积设置为减速度,以表示所述车辆最大减速时的加速度;
计算所述车辆相对于所述障碍物的移动速度;
查询所述车辆中制动系数的建压时间;
将所述移动速度乘以所述建压时间的一半值,得到建压距离;
计算所述移动速度的平方与所述减速度的两倍值,得到减速距离;
计算所述建压时间与所述减速距离之间的和值,作为基准距离;
按照预设的安全扩大系数增大所述基准距离,获得所述车辆在所述道路上渐变式最大减速时行驶过的第二候选距离。
在本发明的一个实施例中,所述风险程度计算模块604还用于:
将所述相对距离减去所述制动距离,获得距离差距;
计算所述距离差距与所述制动距离之间的比值,作为表示所述车辆与所述障碍物发生碰撞的风险程度。
在本发明的一个实施例中,所述减速控制模块605还用于:
确定上一时刻的减速度、上一时刻的所述风险程度、当前时刻的所述风险程度;
计算当前时刻的所述风险程度与上一时刻的所述风险程度之间的比值,作为风险变化量;
计算上一时刻的所述减速度、所述风险变化量与预设的补偿增益之间的乘积,作为当前时刻的所述减速度;
按照当前时刻的所述减速度控制所述车辆减速。
在本发明的一个实施例中,所述减速控制模块605还用于:
将所述目标附着系数与重力加速度之间的乘积设置为减速度,以表示所述车辆最大减速时的加速度;
计算所述减速度与预设的安全扩大系数之间的乘积,作为初始时刻的所述减速度。
在本发明的一个实施例中,还包括:
道路提示模块,用于分割出所述道路进行显示、对所述道路标注所述类型与所述目标附着系数;
风险提示模块,用于对表征风险的第一标志位、表征所述车辆主动减速的第二标志位执行提示操作。
本发明实施例所提供的车辆的遇障制动装置可执行本发明任意实施例所提供的车辆的遇障制动方法,具备执行车辆的遇障制动方法相应的功能模块和有益效果。
实施例四
图7示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图7所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如车辆的遇障制动方法。
在一些实施例中,车辆的遇障制动方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的车辆的遇障制动方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行车辆的遇障制动方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (21)
1.一种车辆的遇障制动方法,其特征在于,包括:
当车辆沿道路行驶时,感知位于所述车辆前方的障碍物与所述道路的类型,所述类型关联原始附着系数;
根据不确定性对所述原始附着系数进行修正,得到目标附着系数;
根据所述目标附着系数预测所述车辆对所述障碍物制动并渐变式减速时行驶过的制动距离;
当所述车辆与所述障碍物之间的相对距离大于或等于所述制动距离时,根据所述相对距离与所述制动距离计算表示所述车辆与所述障碍物发生碰撞的风险程度;
根据所述风险程度控制所述车辆减速;
其中,所述感知位于所述车辆前方的障碍物与所述道路的类型,包括:
向所述车辆的外部环境采集目标图像数据;
确定语义分割网络,所述语义分割网络包括编码器与解码器;
将所述目标图像数据输入编码器中执行编码操作,获得目标编码特征;
将所述目标编码图像数据输入所述解码器中执行解码操作,获得目标解码特征;
将所述目标解码特征激活为目标语义数据,所述目标语义数据中包含所述道路的类型;
其中,所述确定语义分割网络,包括:
获取样本图像数据,所述样本图像数据中各个像素点已针对预设的道路的类型标注标签;
将所述样本图像数据输入所述编码器中执行编码操作,获得样本编码特征;
将所述样本编码特征输入所述解码器中执行解码操作,获得样本解码特征;
将所述样本解码特征激活为样本语义数据,所述样本语义数据的像素点包含属于预设的道路的类型的置信度;
计算所述置信度与所述标签之间的差异,作为损失值;
根据所述损失值更新所述语义分割网络;
判断是否满足预设的训练条件;若是,则确定所述语义分割网络训练完成,若否,则返回执行所述将所述样本图像数据输入所述编码器中执行编码操作,获得样本编码特征。
2.根据权利要求1所述的方法,其特征在于,所述样本编码特征包括第一样本编码特征、第二样本编码特征、第三样本编码特征、第四样本编码特征、第五样本编码特征、第六样本编码特征、第七样本编码特征、第八样本编码特征;
所述将所述样本图像数据输入所述编码器中执行编码操作,获得样本编码特征,包括:
对所述样本图像数据执行第一卷积操作,得到第一样本编码特征;
对所述第一样本编码特征执行第一最大池化操作,得到第二样本编码特征;
对所述第二样本编码特征执行第二卷积操作,得到第三样本编码特征;
对所述第三样本编码特征执行第二最大池化操作,得到第四样本编码特征;
对所述第四样本编码特征执行第三卷积操作,得到第五样本编码特征;
对所述第五样本编码特征执行第三最大池化操作,得到第六样本编码特征;
对所述第六样本编码特征执行第四卷积操作,得到第七样本编码特征;
对所述第七样本编码特征执行第三最大池化操作,得到第八样本编码特征。
3.根据权利要求2所述的方法,其特征在于,所述样本解码特征包括第一样本解码特征、第二样本解码特征、第三样本解码特征、第四样本解码特征、第五样本解码特征、第六样本解码特征、第七样本解码特征、第八样本解码特征;
所述将所述样本编码特征输入所述解码器中执行解码操作,获得样本解码特征,包括:
对所述第八样本编码特征执行第一上采样操作,得到第一样本解码特征;
对所述第一样本解码特征执行第一反卷积操作,得到第二样本解码特征;
对所述第二样本解码特征执行第二上采样操作并池化索引至所述第六样本编码特征,得到第三样本解码特征;
对所述第三样本解码特征执行第二反卷积操作,得到第四样本解码特征;
对所述第四样本解码特征执行第三上采样操作并池化索引至所述第四样本编码特征,得到第五样本解码特征;
对所述第五样本解码特征执行第三反卷积操作,得到第六样本解码特征;
对所述第六样本解码特征执行第四上采样操作并池化索引至所述第二样本编码特征,得到第七样本解码特征;
对所述第七样本解码特征执行第四操作,得到第八样本解码特征;
所述将所述样本解码特征映射为样本语义数据,包括:
使用柔性最大值函数Softmax将所述第八样本解码特征映射为样本语义数据。
4.根据权利要求1所述的方法,其特征在于,所述计算所述置信度与作为标签的所述类型之间的差异,作为损失值,包括:
针对同一像素点,对所述标签取对数,当所述标签表示预设的道路的类型时,所述标签的数值为1,当所述标签并非表示预设的道路的类型时,所述标签的数值为0;
计算所述置信度与所述对数之间的乘积;
对所有所述乘积之间的和值取相反数,得到损失值。
5.根据权利要求1所述的方法,其特征在于,所述目标编码特征包括第一目标编码特征、第二目标编码特征、第三目标编码特征、第四目标编码特征、第五目标编码特征、第六目标编码特征、第七目标编码特征、第八目标编码特征;
所述将所述目标图像数据输入所述编码器中执行编码操作,获得目标编码特征,包括:
对所述目标图像数据执行第一卷积操作,得到第一目标编码特征;
对所述第一目标编码特征执行第一最大池化操作,得到第二目标编码特征;
对所述第二目标编码特征执行第二卷积操作,得到第三目标编码特征;
对所述第三目标编码特征执行第二最大池化操作,得到第四目标编码特征;
对所述第四目标编码特征执行第三卷积操作,得到第五目标编码特征;
对所述第五目标编码特征执行第三最大池化操作,得到第六目标编码特征;
对所述第六目标编码特征执行第四卷积操作,得到第七目标编码特征;
对所述第七目标编码特征执行第三最大池化操作,得到第八目标编码特征。
6.根据权利要求5所述的方法,其特征在于,所述目标解码特征包括第一目标解码特征、第二目标解码特征、第三目标解码特征、第四目标解码特征、第五目标解码特征、第六目标解码特征、第七目标解码特征、第八目标解码特征;
所述将所述目标编码图像数据输入所述解码器中执行解码操作,获得目标解码特征,包括:
对所述第八目标编码特征执行第一上采样操作,得到第一目标解码特征;
对所述第一目标解码特征执行第一反卷积操作,得到第二目标解码特征;
对所述第二目标解码特征执行第二上采样操作并池化索引至所述第六目标编码特征,得到第三目标解码特征;
对所述第三目标解码特征执行第二反卷积操作,得到第四目标解码特征;
对所述第四目标解码特征执行第三上采样操作并池化索引至所述第四目标编码特征,得到第五目标解码特征;
对所述第五目标解码特征执行第三反卷积操作,得到第六目标解码特征;
对所述第六目标解码特征执行第四上采样操作并池化索引至所述第二目标编码特征,得到第七目标解码特征;
对所述第七目标解码特征执行第四操作,得到第八目标解码特征;
所述将所述目标解码特征激活为目标语义数据,包括:
使用柔性最大值函数Softmax将所述第八目标解码特征激活为目标语义数据。
7.根据权利要求1-6中任一项所述的方法,其特征在于,所述根据不确定性对所述原始附着系数进行修正,得到目标附着系数,包括:
确定第一附着系数,所述第一附着系数为原始附着系数呈正态分布时、概率密度分布的均值;
基于所述车辆所受的作用力计算所述道路的第二附着系数;
若所述第二附着系数在所述原始附着系数的范围内,则使用所述第二附着系数修正所述第一附着系数;
若完成修正,则确定所述第一附着系数为目标附着系数。
8.根据权利要求7所述的方法,其特征在于,所述基于所述车辆所受的作用力计算所述道路的第二附着系数,包括:
获取所述车辆在横向所受的第一加速度、在纵向所受的第二加速度以及所受的重力加速度;
对所述第一加速度的平方与所述第二加速度的平方之间的和值开平方,获得参考值;
计算所述参考值与所述重力加速度之间的比值,作为所述道路的第二附着系数。
9.根据权利要求7所述的方法,其特征在于,所述使用所述第二附着系数修正所述第一附着系数,包括:
分别对所述第一附着系数配置第一置信权重、对所述第二附着系数配置第二置信权重;
计算所述第一附着系数与所述第一置信权重之间的乘积,获得第一调权系数;
计算所述第二附着系数与所述第二置信权重之间的乘积,获得第二调权系数;
计算所述第一调权系数与所述第二调权系数之间的和值,作为新的第一附着系数。
10.根据权利要求9所述的方法,其特征在于,所述分别对所述第一附着系数配置第一置信权重、对所述第二附着系数配置第二置信权重,包括:
查询感知所述道路的类型的置信度;
按照所述置信度对第一附着系数生成第一置信权重,其中,所述第一置信权重与所述置信度正相关;
将一减去所述第一置信权重,作为所述第二附着系数的第二置信权重。
11.根据权利要求7所述的方法,其特征在于,所述根据不确定性对所述原始附着系数进行修正,得到目标附着系数,还包括:
若所述第二附着系数小于所述原始附着系数的下限值,则将所述第一附着系数设置为目标附着系数;
若所述第二附着系数大于所述原始附着系数的上限值,则查询感知所述道路的类型的置信度;
若所述置信度大于预设的可信阈值,则将所述第一附着系数设置为目标附着系数;
若所述置信度小于或等于预设的可信阈值,则将所述第二附着系数设置为目标附着系数。
12.根据权利要求1-6、8-11中任一项所述的方法,其特征在于,所述根据所述目标附着系数预测所述车辆对所述障碍物制动并渐变式减速时行驶过的制动距离,包括:
计算所述车辆在驾驶员对制定反应时行驶过的第一候选距离;
依据所述目标附着系数预测所述车辆在所述道路上渐变式最大减速时行驶过的第二候选距离;
在预设的安全距离的基础上加上所述第一候选距离与所述第二候选距离,获得所述车辆对所述障碍物制动并渐变式减速时行驶过的制动距离。
13.根据权利要求12所述的方法,其特征在于,所述计算所述车辆在驾驶员对制定反应时行驶过的第一候选距离,包括:
计算所述车辆相对于所述障碍物的移动速度;
查询驾驶员对所述障碍物反应制定的时间,作为反应时间;
计算所述移动速度与所述反应时间之间的乘积,获得所述车辆在驾驶员对制定反应时行驶过的第一候选距离。
14.根据权利要求12所述的方法,其特征在于,所述依据所述目标附着系数预测所述车辆在所述道路上渐变式最大减速时行驶过的第二候选距离,包括:
将所述目标附着系数与重力加速度之间的乘积设置为减速度,以表示所述车辆最大减速时的加速度;
计算所述车辆相对于所述障碍物的移动速度;
查询所述车辆中制动系数的建压时间;
将所述移动速度乘以所述建压时间的一半值,得到建压距离;
计算所述移动速度的平方与所述减速度的两倍值,得到减速距离;
计算所述建压时间与所述减速距离之间的和值,作为基准距离;
按照预设的安全扩大系数增大所述基准距离,获得所述车辆在所述道路上渐变式最大减速时行驶过的第二候选距离。
15.根据权利要求1-6、8-11、13-14中任一项所述的方法,所述根据所述相对距离与所述制动距离计算表示所述车辆与所述障碍物发生碰撞的风险程度,包括:
将所述相对距离减去所述制动距离,获得距离差距;
计算所述距离差距与所述制动距离之间的比值,作为表示所述车辆与所述障碍物发生碰撞的风险程度。
16.根据权利要求1-6、8-11、13-14中任一项所述的方法,所述根据所述风险程度控制所述车辆减速,包括:
确定上一时刻的减速度、上一时刻的所述风险程度、当前时刻的所述风险程度;
计算当前时刻的所述风险程度与上一时刻的所述风险程度之间的比值,作为风险变化量;
计算上一时刻的所述减速度、所述风险变化量与预设的补偿增益之间的乘积,作为当前时刻的所述减速度;
按照当前时刻的所述减速度控制所述车辆减速。
17.根据权利要求16所述的方法,其特征在于,所述根据所述风险程度控制所述车辆减速,还包括:
将所述目标附着系数与重力加速度之间的乘积设置为减速度,以表示所述车辆最大减速时的加速度;
计算所述减速度与预设的安全扩大系数之间的乘积,作为初始时刻的所述减速度。
18.根据权利要求1-6、8-11、13-14中任一项所述的方法,还包括:
分割出所述道路进行显示、对所述道路标注所述类型与所述目标附着系数;
对表征风险的第一标志位、表征所述车辆主动减速的第二标志位执行提示操作。
19.一种车辆的遇障制动装置,其特征在于,包括:
行驶感知模块,用于当车辆沿道路行驶时,感知位于所述车辆前方的障碍物与所述道路的类型,所述类型关联原始附着系数;
附着系数修正模块,用于根据不确定性对所述原始附着系数进行修正,得到目标附着系数;
制动距离计算模块,用于根据所述目标附着系数预测所述车辆对所述障碍物制动并渐变式减速时行驶过的制动距离;
风险程度计算模块,用于当所述车辆与所述障碍物之间的相对距离大于或等于所述制动距离时,根据所述相对距离与所述制动距离计算表示所述车辆与所述障碍物发生碰撞的风险程度;
减速控制模块,用于根据所述风险程度控制所述车辆减速。
20.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-18中任一项所述的车辆的遇障制动方法。
21.一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,所述计算机程序用于使处理器执行时实现权利要求1-18中任一项所述的车辆的遇障制动方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210740709.XA CN115027428B (zh) | 2022-06-27 | 2022-06-27 | 一种车辆的遇障制动方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210740709.XA CN115027428B (zh) | 2022-06-27 | 2022-06-27 | 一种车辆的遇障制动方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115027428A CN115027428A (zh) | 2022-09-09 |
CN115027428B true CN115027428B (zh) | 2023-07-07 |
Family
ID=83126329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210740709.XA Active CN115027428B (zh) | 2022-06-27 | 2022-06-27 | 一种车辆的遇障制动方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115027428B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4342749A1 (en) * | 2022-09-21 | 2024-03-27 | Volvo Car Corporation | Method for determining a braking distance estimate for a vehicle, method for operating a driver assistance system of a vehicle, data processing apparatus and computer program |
CN115691221A (zh) * | 2022-12-16 | 2023-02-03 | 山东矩阵软件工程股份有限公司 | 一种车辆预警方法、车辆预警系统及相关装置 |
CN116976423B (zh) * | 2023-06-09 | 2024-07-23 | 清华大学 | 融合事故后车辆动力学的事故前风险评估模型的训练方法 |
CN117698711B (zh) * | 2024-02-06 | 2024-04-26 | 江苏日盈电子股份有限公司 | 一种基于物联网的汽车雷达测距智能管控系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106740769B (zh) * | 2016-12-26 | 2019-03-26 | 清华大学苏州汽车研究院(相城) | 一种路面附着自适应的自主紧急制动控制算法 |
CN109664882B (zh) * | 2019-01-08 | 2020-10-16 | 广州小鹏汽车科技有限公司 | 一种避免道路车辆二次碰撞的方法、系统及电子设备 |
CN112172762A (zh) * | 2020-10-20 | 2021-01-05 | 吉林大学 | 一种自动紧急制动决策方法及系统 |
CN113119929A (zh) * | 2021-05-24 | 2021-07-16 | 前海七剑科技(深圳)有限公司 | 弯道制动控制方法、控制系统、电子设备及存储介质 |
-
2022
- 2022-06-27 CN CN202210740709.XA patent/CN115027428B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115027428A (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115027428B (zh) | 一种车辆的遇障制动方法、装置、设备及存储介质 | |
CN107972662B (zh) | 一种基于深度学习的车辆前向碰撞预警方法 | |
CN110884490B (zh) | 一种车辆侵入判断及辅助行驶的方法、系统、车辆及存储介质 | |
RU2767955C1 (ru) | Способы и системы для определения компьютером наличия динамических объектов | |
CN107792079B (zh) | 利用路径预测的自主车辆 | |
CN112154455B (zh) | 数据处理方法、设备和可移动平台 | |
WO2018072395A1 (zh) | 基于前向车辆驾驶行为的智能车辆安全环境包络重构方法 | |
CN112085165A (zh) | 一种决策信息生成方法、装置、设备及存储介质 | |
CN112046494B (zh) | 一种车辆控制方法、装置、设备及存储介质 | |
CN111216733B (zh) | 一种车辆控制方法、装置、车辆及存储介质 | |
CN115009304A (zh) | 一种基于端到端的自动驾驶车辆实现方法 | |
CN112446466A (zh) | 在深度神经网络中测量置信度 | |
CN117698769A (zh) | 自动驾驶的轨迹规划方法、装置、电子设备及存储介质 | |
CN114222689B (zh) | 用于量化极端交通行为的方法 | |
CN115991195A (zh) | 自动驾驶中车轮打滑的自动检测及补偿方法、装置及系统 | |
TWI535601B (zh) | 滑動模式之行駛路徑投票策略模組及其駕駛控制系統與方法 | |
CN116022134A (zh) | 一种车辆低速紧急制动方法、系统、电子设备及存储介质 | |
WO2022088658A1 (zh) | 一种行人穿行意图估计方法、装置、设备和汽车 | |
CN114523978B (zh) | 一种后方道路模型生成方法及装置 | |
CN116749960B (zh) | 自动驾驶车辆的控制方法、装置、设备及存储介质 | |
US20230243952A1 (en) | Unified radar perception architecture | |
CN117184052A (zh) | 车辆控制方法、装置、电子设备及存储介质 | |
CN118587933A (zh) | 车辆碰撞预警方法、装置、设备和介质 | |
CN115817430A (zh) | 车辆制动方法、装置、电子设备、介质及自动驾驶车辆 | |
CN117392170A (zh) | 两阶段神经网络目标追踪方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |