CN115214676A - 一种车辆的控制方法、装置及终端设备 - Google Patents

一种车辆的控制方法、装置及终端设备 Download PDF

Info

Publication number
CN115214676A
CN115214676A CN202210380280.8A CN202210380280A CN115214676A CN 115214676 A CN115214676 A CN 115214676A CN 202210380280 A CN202210380280 A CN 202210380280A CN 115214676 A CN115214676 A CN 115214676A
Authority
CN
China
Prior art keywords
vehicle
image
neural network
control strategy
convolutional neural
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.)
Granted
Application number
CN202210380280.8A
Other languages
English (en)
Other versions
CN115214676B (zh
Inventor
周健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Great Wall Motor Co Ltd
Original Assignee
Great Wall Motor Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Great Wall Motor Co Ltd filed Critical Great Wall Motor Co Ltd
Priority to CN202210380280.8A priority Critical patent/CN115214676B/zh
Publication of CN115214676A publication Critical patent/CN115214676A/zh
Application granted granted Critical
Publication of CN115214676B publication Critical patent/CN115214676B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/18—Propelling the vehicle
    • B60W30/182—Selecting between different operative modes, e.g. comfort and performance modes
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/105—Speed
    • 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
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • B60W2050/143—Alarm means
    • 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
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/403—Image sensing, e.g. optical camera
    • 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
    • B60W2552/00—Input parameters relating to infrastructure
    • 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
    • B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
    • B60W2555/20—Ambient conditions, e.g. wind or rain

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请适用于车辆控制技术领域，提供了一种车辆的控制方法、装置及终端设备，该方法包括：通过车辆上的摄像头采集第一图像，并根据第一图像中的车外环境，确定车辆的控制策略，控制策略包括限速值，基于控制策略，控制车辆行驶。相较于现有技术中对车速没有限制，若车辆行驶在复杂路况，用户误将油门当作刹车，导致车速较快，容易出现交通事故。本申请根据车外环境确定了车辆的限速值，若车辆行驶在复杂路况，即使用户在紧急情况下操作失误，由于对车辆进行了限速，也可以降低出现事故的几率。

Description

一种车辆的控制方法、装置及终端设备
技术领域
本申请属于车辆控制技术领域，尤其涉及一种车辆的控制方法、装置及终端设备。
背景技术
随着人们生活水平的提高，汽车成为人们生活不可缺少的交通工具。在用户驾驶车辆过程中，需要用户根据路况控制车辆运行。
在用户驾驶过程中，若遇到复杂路况，例如，人车密集路况、下雨路况或下雪路况，在紧急情况下，若用户误操作，导致交通事故。
发明内容
本申请实施例提供了一种车辆的控制方法、装置及终端设备，可以降低由于用户误操作，造成交通事故的几率。
第一方面，本申请实施例提供了一种车辆的控制方法，包括：
通过安装在车辆上的摄像头采集第一图像，所述第一图像包括车外环境；
基于所述第一图像中的车外环境，确定所述车辆的控制策略，其中，所述控制策略包括所述车辆的限速值；
基于所述控制策略，控制所述车辆行驶。
第二方面，本申请实施例提供了一种车辆的控制装置，包括：
图像采集模块，用于通过安装在车辆上的摄像头采集第一图像，所述第一图像包括车外环境；
策略确定模块，用于基于所述第一图像中的车外环境，确定所述车辆的控制策略，其中，所述控制策略包括所述车辆的限速值；
控制模块，用于基于所述控制策略，控制所述车辆行驶。
第三方面，本申请实施例提供了一种终端设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面中任一项所述的车辆的控制方法。
第四方面，本申请实施例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实现上述第一方面中任一项所述的车辆的控制方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的车辆的控制方法。
本申请第一方面实施例与现有技术相比存在的有益效果是：通过车辆上的摄像头采集第一图像，并根据第一图像中的车外环境，确定车辆的控制策略，控制策略包括限速值，基于控制策略，控制车辆行驶。相较于现有技术中对车速没有限制，若车辆行驶在复杂路况，用户误将油门当作刹车，导致车速较快，容易出现交通事故。本申请根据车外环境确定了车辆的限速值，若车辆行驶在复杂路况，即使用户在紧急情况下操作失误，由于对车辆进行了限速，也可以降低出现事故的几率。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的车辆的控制方法的应用场景示意图；
图2是本申请一实施例提供的车辆的控制方法的流程示意图；
图3是本申请一实施例提供的根据环境特征确定控制策略的方法的流程示意图；
图4是本申请一实施例提供的第一图像的示意图；
图5是本申请一实施例提供的第一卷积神经网络的结构示意图；
图6是本申请一实施例提供的残差模块的结构示意图；
图7是本申请一实施例提供的神经网络更新的流程示意图；
图8是本申请另一实施例提供的神经网络更新的流程示意图；
图9是本申请一实施例提供的根据预设图像确定控制策略的方法的流程示意图；
图10是本申请一实施例提供的车辆的控制装置的结构示意图；
图11是本申请一实施例提供的终端设备的结构示意图。
具体实施方式
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
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。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。
由于车辆的智能化程度低，用户在驾驶车辆时，需要根据不同的车外环境，进行车辆控制的选择，例如，根据不同路况选择驱动模式，根据不同的环境，选择车窗开启或关闭等。用户需要对车辆的功能相对了解，才能根据车外环境选择到合适的控制策略。由于新手司机，对车辆不够了解，不会选择控制策略，或者选择的控制策略不合适，造成车辆磨损等。
基于上述问题，本申请提出一种车辆控制方法，可以根据车外环境自动选择控制策略，提高了车辆的自动化水平。
图1为本申请实施例提供的车辆的控制方法的应用场景示意图，上述车辆的控制方法可以用于根据车外环境确定控制策略。其中，车辆上的摄像头10用于采集车外环境图像，并向车辆上的处理器20发送车外环境图像。车辆上的处理器20在接收到摄像头10发送的车外环境图像后，得到对应的控制策略，并基于控制策略控制车辆行驶。
图2示出了本申请提供的车辆的控制方法的示意性流程图，参照图2，对该方法的详述如下：
S101，通过安装在车辆上的摄像头采集第一图像，所述第一图像包括车外环境。
在本实施例中，摄像头可以是用于采集车辆前方环境的前视摄像头，或者是用于采集车辆四周环境的全景摄像头。
在本实施例中，摄像头可以按照预设时间间隔拍摄第一图像。例如，在检测到车辆启动信号后，开始第一次拍摄，然后每间隔20分钟拍摄一次。摄像头还可以每间隔预设公里数拍摄一次，例如，在车辆启动后进行第一次拍摄，然后每间隔3公里拍摄一次，也就是车辆每行驶3公里时拍摄一次。
在本实施例中，车外环境可以包括路况、天气情况等，天气情况包括下雨、下雪等。
S102，基于所述第一图像中的车外环境，确定所述车辆的控制策略，其中，所述控制策略包括所述车辆的限速值。
在本实施例中，对第一图像进行分析，确定第一图像对应的控制策略。具体的，将第一图像输入图像识别模型，确定第一图像对应的控制策略。控制策略中的限速值可以包括最高车速限速值和/或最高加速度限速值。控制策略还可以包括语音提醒，例如，在车外环境为下雨环境时，语音提醒包括“请打开雨刷”，或者在车外环境为下雪环境时，语音提醒包括“雪天路滑，请小心行驶”等。
S103，基于所述控制策略，控制所述车辆行驶。
在本实施例中，按照控制策略设置车辆。
本申请实施例中，通过车辆上的摄像头采集第一图像，并根据第一图像中的车外环境，确定车辆的控制策略，控制策略包括限速值，基于控制策略，控制车辆行驶。相较于现有技术中对车速没有限制，若车辆行驶在复杂路况，用户误将油门当作刹车，由于车速较快，容易出现交通事故。本申请根据车外环境确定了车辆的限速值，若车辆行驶在复杂路况，即使用户在紧急情况下操作失误，由于对车辆进行了限速，也可以降低出现事故的几率。另外，由于本申请中根据车外环境确定控制策略，不用人为的设置车辆的控制策略，提高了车辆的自动化程度。
如图3所示，在一种可能的实现方式中，步骤S102的实现过程可以包括：
S1021，识别所述第一图像中的车外环境的环境特征。
在本实施例中，环境特征包括下雨路况、下雪路况、非雨雪的平坦路况、非雨雪的非平坦路况、洗车场所、园区场所、停车场所、人车混杂场所中的一种。平坦路况可以包括城市道路、高速路等。非平坦路况可以包括坑洼路、泥泞路等。停车场所为停车场。园区场所可以包括住宅区、公园等。人车混杂场所可以包括路口、人车未分离的车道等。
具体的，将所述第一图像输入至第一卷积神经网络，得到所述第一图像中的车外环境的环境特征。
作为举例，将第一图像(如图4所示)输入至第一卷积神经网络，得到的环境特征为洗车场所，第一图像中包括洗车设备。
第一卷积神经网络包括卷积层、全连接层、平均池化层和残差模块(ResidualBlock)等。残差模块包括残差网络，残差网络的特点是容易优化，并且能够通过增加相当的深度来提高准确率，其内部的残差块使用了跳跃连接，缓解了在深度神经网络中增加深度带来的梯度消失问题。第一卷积神经网络满足识别精度和车端部署轻量化要求。可选的，通过减少卷积层的通道数、增加卷积层深度可以达到轻量化的目的。平均池化层的作用是对特征进行挑选。全连接层起到的作用为分类器。
作为举例，如图5所示，第一卷积神经网络的结构可以包括依次连接的第一卷积层、i个第一残差模块、j个第二残差模块、n个第三残差模块、平均池化层和全连接层。第一卷积层用于接收第一图像，并对第一图像进行卷积处理。第一残差模块的通道数为16。第二残差模块的通道数为32。第三残差模块的通道数为64。
如图6所示，每个残差模块包括两个卷积层。残差模块输入是x，期望输出是H(x)，即H(x)是期望的复杂潜在映射。F(x)为卷积层的输出。残差F(x)＝H(x)-x。
S1022，将所述环境特征关联的第一策略作为所述车辆的控制策略。
具体的，控制策略可以包括车辆模式，车辆模式可以包括洗车模式、停车场模式、人车混杂模式、下雪模式、下雨模式、非雨雪的平坦路况模式、非雨雪的非平坦路况模式和园区场所模式等。一个环境特征对应一个车辆模式。
得到环境特征后，可以根据环境特征确定对应的车辆模式，车辆模式关联控制策略。
例如，环境特征为洗车场所，洗车场所对应的车辆模式为洗车模式，洗车模式关联的控制策略为洗车场所关联的第一策略。
本申请实施例中，通过分析第一图像中的车外环境，得到环境特征，根据环境特征确定控制策略，可以较准确的确定车辆所在的场景，进而确定该场景对应的控制策略，实现了车辆的自动化控制。
在一种可能的实现方式中，在步骤S1021之后，上述方法还可以包括：
获得所述环境特征关联的所述第一策略；显示所述第一策略。
在本实施例中，由于环境特征与第一策略关联，确定环境特征后即可得到环境特征对应的第一策略。在确定第一策略后，显示第一策略，以提醒用户确定是否使用第一策略。
在一种可能的实现方式中，若在第一时刻之后的第一预设时间段内接收到第一指令，将所述第一策略作为所述车辆的控制策略，所述第一时刻为所述车辆显示所述第一策略的时刻，所述第一指令表征确定使用所述第一策略。
第一指令可以是用户点击车辆上设置的虚拟按键或机械按键后生成的指令。若接收到第一指令，则确定用户同意使用该第一策略。第一预设时间段可以根据需要进行设置，例如，第一预设时间段可以设置为2分钟、3分钟或4分钟等。
作为举例，在得到第一策略后，在车辆中的显示屏上显示第一策略，在用户点击确定按键后，生成第一指令。
如图7所示，在一种可能的实现方式中，在所述显示所述第一策略之后，上述方法还包括：
S201，若在所述第一时刻之后的所述第一预设时间段内未接收到所述第一指令，向服务器发送所述第一图像和为所述第一图像标注的第一标签。
在本实施例中，所述第一图像和所述第一标签用于指示所述服务器利用所述第一图像和所述第一标签训练所述第一卷积神经网络，得到第二卷积神经网络，并向所述车辆发送所述第二卷积神经网络。
若在第一预设时间段内未接收到第一指令，则用户可能不需要使用显示的第一策略。
在本实施例中，在需要向服务发送第一图像时，需要对第一图像进行人工标注，得到第一图像的第一标签，第一标签用于表征与第一图像中车外环境相匹配的真实的环境特征。因此，第一标签可以是用户根据第一图像中的场景标注的用于反应第一图像真实环境特征的标签。服务器在接收到第一图像和第一标签后，可以利用第一图像和第一标签训练第一卷积神经网络。或者服务器在接收到第一图像和第一标签后，存储第一图像和第一标签，在到达预设时间或存储预设数量的第一图像后，利用存储的第一图像和第一标签训练第一卷积神经网络。
服务器将第一图像和第一标签输入至第一卷积神经网络，得到损失函数，利用损失函数更新第一卷积神经网络中的参数，得到第二卷积神经网络。
作为举例，如果第一图像中包括雪地，第一标签为下雪路况。
将第一图像和下雪路况输入至第一卷积神经网络中，第一卷积神经网络预测第一图像的环境特征(例如，第一卷积神经网络预测的第一图像的环境特征为下雨路况)，利用第一卷积神经网络预测的环境特征和第一标签计算损失函数，利用损失函数更新第一卷积神经网络中的参数，得到第二卷积神经网络。
S202，在接收到所述服务器发送的所述第二卷积神经网络后，将所述第一卷积神经网络更新为所述第二卷积神经网络。
具体的，通过在线更新的方式更新第一卷积神经网络。
在本实施例中，服务器利用第一图像和第一标签训练第一卷积神经网络，可以得到识别精度更高的卷积神经网络，进而提高车辆确定控制策略的准确度。
在一种可能的实现方式中，在所述显示所述第一策略之后，上述方法还包括：
若用户在第一预设时间段内接收到用户选择的第三策略，则将第三策略作为车辆的控制策略，同时需要向服务器发送所述第一图像和为第一图像标注的第一标签。
第一标签还可以是根据用户选择的第三策略对应的环境特征自动生成的标签。例如，第三策略对应的环境特征为下雨路况，根据下雨路况自动生成第一标签，第一标签为下雨路况。
如图8所示，在一种可能的实现方式中，在所述将所述第一图像输入至第一卷积神经网络之后，所述方法还包括：
S301，若在第二时刻之后的第二预设时间段内未得到所述环境特征，向服务器发送所述第一图像和为所述第一图像标注的第二标签。
在本实施例中，第二时刻为所述第一图像输入至所述第一卷积神经网络的时刻，所述第一图像和所述第二标签用于所述服务器利用所述第一图像和所述第二标签训练所述第一卷积神经网络，得到第三卷积神经网络，并向所述车辆发送所述第三卷积神经网络。第一标签和第二标签可以为相同的标签。第二标签用于表征与第一图像中车外环境相匹配的真实的环境特征。
若在第二预设时间段内未得到环境特征，确定第一卷积神经网络可能未识别出环境特征，第一卷积神经网络可能存在错误，需要对第一卷积神经网络进行训练，以便于得到更准确的卷积神经网络。若在第二预设时间段内未得到控制策略，第一卷积神经网络可能存在错误。
若在第二时刻之后的第二预设时间段内未得到所述环境特征，在第二预设时间段内接收到用户选择的第四策略，则将第四策略作为车辆的控制策略，同时需要向服务器发送所述第一图像和为所述第一图像标注的第二标签。
第二标签可以是用户根据第一图像中的场景标注的用于反应第一图像真实环境特征的标签。第二标签还可以是根据用户选择的第四策略对应的环境特征自动生成的标签。
作为举例，若第一图像中包括停车场，用户可以将第一图像的第二标签设置为停车场所。或者，若用户选择了第四策略，而第四策略对应的环境特征为园区场所，则将第一图像的第二标签自动生成为园区场所。
若第一图像的第二标签为园区场所。将第一图像和园区场所输入至第一卷积神经网络中，第一卷积神经网络预测第一图像的环境特征(例如，第一卷积神经网络预测的第一图像的环境特征为园区场所)，利用第一卷积神经网络预测的环境特征和第二标签计算损失函数，利用损失函数更新第一卷积神经网络中的参数，得到第二卷积神经网络。
S302，在接收到所述服务器发送的所述第三卷积神经网络后，将所述第一卷积神经网络更新为所述第三卷积神经网络。
如图9所示，在一种可能的实现方式中，步骤S102的实现过程可以包括：
S401，计算所述第一图像与预设图像的相似度，其中，所述预设图像为用户选择或输入的图像。
在本实施例中，用户可以通过车辆中的自定义接口设置预设图像。具体的，摄像头采集视频后，用户选择视频中的第二图像作为预设图像，第二图像可以为家门口图像、办公楼下的图像等。
用户在设置预设图像后，可以选择预设图像关联的第二策略。第二策略可以包括车辆操控系数、座椅设置、语音提醒等。车辆操控系数可以包括方向盘的转动阻尼、车速限值、加速度限制等。
在本实施例中，将第一图像输入至图片比对模型中，得到相似度。
S402，若所述相似度大于或等于预设阈值，将所述预设图像关联的第二策略作为所述车辆的控制策略。
在本实施例中，若相似度小于预设阈值，可以提醒用户图像匹配失败，请用户自己选择车辆的控制策略。
可选的，若所述相似度大于或等于预设阈值，确定预设图像关联的第二策略，显示第二策略，若在显示第二策略的第四预设时间后接收到第三指令，将所述预设图像关联的第二策略作为所述车辆的控制策略。第四预设时间可以根据需要进行设置。第三指令表征确定使用第二策略。
本申请实施例中，通过图像的相似度值，可以快速确定车辆采集的第一图像是否为预设图像，在第一图像为预设图像时，将预设图像关联的第二策略作为车辆的控制策略，简单快速，提高了车辆的自动化程度。
在一种可能的实现方式中，若车辆中存在第一卷积神经网络和预设图像，用户可以选择使用哪种方式确定控制策略，根据用户选择的方式确定控制策略。
另外，还可以先采用预设图像与第一图像进行对比，若第一图像与预设图像的相似度大于或等于预设阈值，则使用预设图像关联的第二策略作为车辆的控制策略。若第一图像与预设图像的相似度小于预设阈值，使用第一卷积神经网络识别第一图像，进而确定车辆的控制策略。采用两种方式确定控制策略，为用户提供多种选择方式，满足不同用户的需求。
在一种可能的实现方式中，若所述环境特征为所述非雨雪的平坦路况，所述控制策略还包括设置所述车辆的驱动模式，和/或设置所述车辆的方向盘的转向阻尼为第一区间，所述驱动模式包括适时四驱模式，或分时四驱模式中的高速两驱模式。适时四驱模式为在适当的时候才会转换为四轮驱动，而在其它情况下仍然是两轮驱动的驱动系统，根据车辆的行驶路况自动切换为两驱或四驱模式，不需要人为操作。分时四驱模式是四驱汽车驱动系统的一种形式，是指可以由用户根据路面情况，通过接通或断开分动器来变化两轮驱动或是四轮驱动模式，从而实现两驱和四驱自由转换的驱动方式，在积雪或石砾路面上能切换成四轮驱动来行使。分时四驱模式包括高速两驱模式、高速四驱模式和低速四驱模式。
低速四驱模式，分动箱内齿比较大，能将扭矩放大，速度减慢动力增加，适合非常恶劣的路况。高速四驱模式，分动箱内齿比较小，能以相对较高的速度行驶，但是动力上不能保证，适合一般轻度的越野路况。
在一种可能的实现方式中，若所述环境特征为所述下雨路况，所述控制策略还包括设置所述驱动模式，和/或设置所述车辆的方向盘的转向阻尼为第二区间，所述驱动模式为所述适时四驱模式，或所述分时四驱模式中的高速四驱模式，所述第二区间的最小值大于第一区间的最大值。
在一种可能的实现方式中，若所述环境特征为所述下雪路况，所述控制策略还包括设置所述驱动模式，和/或设置所述车辆的方向盘的转向阻尼为第三区间，所述驱动模式为所述适时四驱模式，或所述分时四驱模式中的高速四驱模式，所述第三区间的最小值大于第一区间的最大值。
在一种可能的实现方式中，若所述环境特征为所述非雨雪的非平坦路况，所述控制策略还包括设置所述驱动模式，和/或设置所述车辆的方向盘的转向阻尼为第四区间，所述驱动模式为所述适时四驱模式，或所述分时四驱模式中的低速四驱模式，所述第四区间的最小值大于第一区间的最大值，所述低速四驱模式的轮端扭矩大于所述高速四驱模式的轮端扭矩。
在一种可能的实现方式中，若所述环境特征为所述洗车场所，所述控制策略还包括车窗为关闭状态、自动雨刷为关闭状态、开启空调的内循环模式中的至少一种。在车辆为电动车辆时，控制策略还可以包括锁定充电口，也就是禁止打开充电口，以保证洗车时充电口不会由于进水而损坏。
在一种可能的实现方式中，若所述环境特征为所述停车场所或所述人车混杂场所，所述控制策略还包括开启第一模式，和/或开启第二模式，所述第一模式为未检测到踩油门的信号、且未检测到刹车信号时，所述车辆启动紧急刹车功能，所述第二模式为踩油门的力度大于预设值时，启动所述紧急刹车功能。作为举例，最高车速限速值可以设置为18或20千米/时。第二模式可以防止油门和踏板的误操作。
在一种可能的实现方式中，若所述环境特征为所述园区场所，所述控制策略还包括开启所述第二模式。控制策略还可以包括设置喇叭音量为第一音量，第一音量小于预设的标准音量。作为举例，最高车速限速值可以设置为15、16或20千米/时。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的车辆的控制方法，图10示出了本申请实施例提供的车辆的控制装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图10，该装置500可以包括：图像采集模块510、策略确定模块520和控制模块530。
其中，图像采集模块510，用于通过安装在车辆上的摄像头采集第一图像，所述第一图像包括车外环境；
策略确定模块520，用于基于所述第一图像中的车外环境，确定所述车辆的控制策略，其中，所述控制策略包括所述车辆的限速值；
控制模块530，用于基于所述控制策略，控制所述车辆行驶。
在一种可能的实现方式中，策略确定模块520具体可以用于：
识别所述第一图像中的车外环境的环境特征，其中，所述环境特征包括下雨路况、下雪路况、非雨雪的平坦路况、非雨雪的非平坦路况、洗车场所、园区场所、停车场所、人车混杂场所中的一种；
将所述环境特征关联的第一策略作为所述车辆的控制策略。
在一种可能的实现方式中，策略确定模块520具体可以用于：
获得所述环境特征关联的所述第一策略；
显示所述第一策略；
若在第一时刻之后的第一预设时间段内接收到第一指令，将所述第一策略作为所述车辆的控制策略，所述第一时刻为所述车辆显示所述第一策略的时刻，所述第一指令表征确定使用所述第一策略。
在一种可能的实现方式中，策略确定模块520具体可以用于：
将所述第一图像输入至第一卷积神经网络，得到所述第一图像中的车外环境的环境特征。
在一种可能的实现方式中，与策略确定模块520相连的还可以包括：
第一信息发送模块，用于若在所述第一时刻之后的所述第一预设时间段内未接收到所述第一指令，向服务器发送所述第一图像和为所述第一图像标注的第一标签，其中，所述第一图像和所述第一标签用于指示所述服务器利用所述第一图像和所述第一标签训练所述第一卷积神经网络，得到第二卷积神经网络，并向所述车辆发送所述第二卷积神经网络；
第一网络更新模块，用于在接收到所述服务器发送的所述第二卷积神经网络后，将所述第一卷积神经网络更新为所述第二卷积神经网络。
在一种可能的实现方式中，与策略确定模块520相连的还可以包括：
第二信息发送模块，用于若在第二时刻之后的第二预设时间段内未得到所述环境特征，向服务器发送所述第一图像和为所述第一图像标注的第二标签，其中，所述第二时刻为所述第一图像输入至所述第一卷积神经网络的时刻，所述第一图像和所述第二标签用于所述服务器利用所述第一图像和所述第二标签训练所述第一卷积神经网络，得到第三卷积神经网络，并向所述车辆发送所述第三卷积神经网络；
第二网络更新模块，用于在接收到所述服务器发送的所述第三卷积神经网络后，将所述第一卷积神经网络更新为所述第三卷积神经网络。
在一种可能的实现方式中，策略确定模块520具体可以用于：
计算所述第一图像与预设图像的相似度，其中，所述预设图像为用户选择或输入的图像；
若所述相似度大于或等于预设阈值，将所述预设图像关联的第二策略作为所述车辆的控制策略。
在一种可能的实现方式中，所述限速值包括最高车速限速值和/或最高加速度限速值；
若所述环境特征为所述非雨雪的平坦路况，所述控制策略还包括设置所述车辆的驱动模式，和/或设置所述车辆的方向盘的转向阻尼为第一区间，所述驱动模式包括适时四驱模式，或分时四驱模式中的高速两驱模式；
若所述环境特征为所述下雨路况，所述控制策略还包括设置所述驱动模式，和/或设置所述车辆的方向盘的转向阻尼为第二区间，所述驱动模式为所述适时四驱模式，或所述分时四驱模式中的高速四驱模式，所述第二区间的最小值大于第一区间的最大值；
若所述环境特征为所述下雪路况，所述控制策略还包括设置所述驱动模式，和/或设置所述车辆的方向盘的转向阻尼为第三区间，所述驱动模式为所述适时四驱模式，或所述分时四驱模式中的高速四驱模式，所述第三区间的最小值大于第一区间的最大值；
若所述环境特征为所述非雨雪的非平坦路况，所述控制策略还包括设置所述驱动模式，和/或设置所述车辆的方向盘的转向阻尼为第四区间，所述驱动模式为所述适时四驱模式，或所述分时四驱模式中的低速四驱模式，所述第四区间的最小值大于第一区间的最大值，所述低速四驱模式的轮端扭矩大于所述高速四驱模式的轮端扭矩；
若所述环境特征为所述洗车场所，所述控制策略还包括车窗为关闭状态、自动雨刷为关闭状态、开启空调的内循环模式中的至少一种；
若所述环境特征为所述停车场所或所述人车混杂场所，所述控制策略还包括开启第一模式，和/或开启第二模式，所述第一模式为未检测到踩油门的信号、且未检测到刹车信号时，所述车辆启动紧急刹车功能，所述第二模式为踩油门的力度大于预设值时，启动所述紧急刹车功能；
若所述环境特征为所述园区场所，所述控制策略还包括开启所述第二模式。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
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，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述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了一种终端设备，参见图11，该终端设备600可以包括：至少一个处理器610、存储器620以及存储在所述存储器620中并可在所述至少一个处理器610上运行的计算机程序，所述处理器610执行所述计算机程序时实现上述任意各个方法实施例中的步骤，例如图2所示实施例中的步骤S101至步骤S103。或者，处理器610执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如图10所示模块510至模块530的功能。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器620中，并由处理器610执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序段，该程序段用于描述计算机程序在终端设备600中的执行过程。
本领域技术人员可以理解，图11仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如输入输出设备、网络接入设备、总线等。
处理器610可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器620可以是终端设备的内部存储单元，也可以是终端设备的外部存储设备，例如插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。所述存储器620用于存储所述计算机程序以及终端设备所需的其他程序和数据。所述存储器620还可以用于暂时地存储已经输出或者将要输出的数据。
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，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。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例提供的车辆的控制方法可以应用于计算机、平板电脑、笔记本电脑、上网本、个人数字助理(personal digital assistant，PDA)等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的终端设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所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网络单元上。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，在本申请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。
所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，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被一个或多个处理器执行时，可实现上述各个方法实施例的步骤。
所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，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被一个或多个处理器执行时，可实现上述各个方法实施例的步骤。
同样，作为一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种车辆的控制方法，其特征在于，包括：
通过安装在车辆上的摄像头采集第一图像，所述第一图像包括车外环境；
基于所述第一图像中的车外环境，确定所述车辆的控制策略，其中，所述控制策略包括所述车辆的限速值；
基于所述控制策略，控制所述车辆行驶。
2.如权利要求1所述的车辆的控制方法，其特征在于，所述基于所述第一图像中的车外环境，确定所述车辆的控制策略，包括：
识别所述第一图像中的车外环境的环境特征，其中，所述环境特征包括下雨路况、下雪路况、非雨雪的平坦路况、非雨雪的非平坦路况、洗车场所、园区场所、停车场所、人车混杂场所中的一种；
将所述环境特征关联的第一策略作为所述车辆的控制策略。
3.如权利要求2所述的车辆的控制方法，其特征在于，在所述识别所述第一图像中的车外环境的环境特征之后，所述方法还包括：
获得所述环境特征关联的所述第一策略；
显示所述第一策略；
相应的，所述将所述环境特征关联的第一策略作为所述车辆的控制策略，包括：
若在第一时刻之后的第一预设时间段内接收到第一指令，将所述第一策略作为所述车辆的控制策略，所述第一时刻为显示所述第一策略的时刻，所述第一指令表征确定使用所述第一策略。
4.如权利要求3所述的车辆的控制方法，其特征在于，所述识别所述第一图像中的车外环境的环境特征，包括：
将所述第一图像输入至第一卷积神经网络，得到所述第一图像中的车外环境的环境特征。
5.如权利要求4所述的车辆的控制方法，其特征在于，在所述显示所述第一策略之后，所述方法还包括：
若在所述第一时刻之后的所述第一预设时间段内未接收到所述第一指令，向服务器发送所述第一图像和为所述第一图像标注的第一标签，其中，所述第一图像和所述第一标签用于指示所述服务器利用所述第一图像和所述第一标签训练所述第一卷积神经网络，得到第二卷积神经网络，并向所述车辆发送所述第二卷积神经网络，所述第一标签用于表征与所述第一图像中车外环境相匹配的真实的环境特征；
在接收到所述服务器发送的所述第二卷积神经网络后，将所述第一卷积神经网络更新为所述第二卷积神经网络。
6.如权利要求4所述的车辆的控制方法，其特征在于，在所述将所述第一图像输入至第一卷积神经网络之后，所述方法还包括：
若在第二时刻之后的第二预设时间段内未得到所述环境特征，向服务器发送所述第一图像和为所述第一图像标注的第二标签，其中，所述第二时刻为所述第一图像输入至所述第一卷积神经网络的时刻，所述第一图像和所述第二标签用于所述服务器利用所述第一图像和所述第二标签训练所述第一卷积神经网络，得到第三卷积神经网络，并向所述车辆发送所述第三卷积神经网络，所述第二标签用于表征与所述第一图像中车外环境相匹配的真实的环境特征；
在接收到所述服务器发送的所述第三卷积神经网络后，将所述第一卷积神经网络更新为所述第三卷积神经网络。
7.如权利要求1所述的车辆的控制方法，其特征在于，所述基于所述第一图像中的车外环境，确定所述车辆的控制策略，包括：
计算所述第一图像与预设图像的相似度，其中，所述预设图像为用户选择或输入的图像；
若所述相似度大于或等于预设阈值，将所述预设图像关联的第二策略作为所述车辆的控制策略。
8.如权利要求2所述的车辆的控制方法，其特征在于，所述限速值包括最高车速限速值和/或最高加速度限速值；
若所述环境特征为所述非雨雪的平坦路况，所述控制策略还包括设置所述车辆的驱动模式，和/或设置所述车辆的方向盘的转向阻尼为第一区间，所述驱动模式包括适时四驱模式，或分时四驱模式中的高速两驱模式；
若所述环境特征为所述下雨路况，所述控制策略还包括设置所述驱动模式，和/或设置所述车辆的方向盘的转向阻尼为第二区间，所述驱动模式为所述适时四驱模式，或所述分时四驱模式中的高速四驱模式，所述第二区间的最小值大于第一区间的最大值；
若所述环境特征为所述下雪路况，所述控制策略还包括设置所述驱动模式，和/或设置所述车辆的方向盘的转向阻尼为第三区间，所述驱动模式为所述适时四驱模式，或所述分时四驱模式中的高速四驱模式，所述第三区间的最小值大于第一区间的最大值；
若所述环境特征为所述非雨雪的非平坦路况，所述控制策略还包括设置所述驱动模式，和/或设置所述车辆的方向盘的转向阻尼为第四区间，所述驱动模式为所述适时四驱模式，或所述分时四驱模式中的低速四驱模式，所述第四区间的最小值大于第一区间的最大值，所述低速四驱模式的轮端扭矩大于所述高速四驱模式的轮端扭矩；
若所述环境特征为所述洗车场所，所述控制策略还包括车窗为关闭状态、自动雨刷为关闭状态、开启空调的内循环模式中的至少一种；
若所述环境特征为所述停车场所或所述人车混杂场所，所述控制策略还包括开启第一模式，和/或开启第二模式，所述第一模式为未检测到踩油门的信号、且未检测到刹车信号时，所述车辆启动紧急刹车功能，所述第二模式为踩油门的力度大于预设值时，启动所述紧急刹车功能；
若所述环境特征为所述园区场所，所述控制策略还包括开启所述第二模式。
9.一种车辆的控制装置，其特征在于，包括：
图像采集模块，用于通过安装在车辆上的摄像头采集第一图像，所述第一图像包括车外环境；
策略确定模块，用于基于所述第一图像中的车外环境，确定所述车辆的控制策略，其中，所述控制策略包括所述车辆的限速值；
控制模块，用于基于所述控制策略，控制所述车辆行驶。
10.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的车辆的控制方法。
CN202210380280.8A 2022-04-12 2022-04-12 一种车辆的控制方法、装置及终端设备 Active CN115214676B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210380280.8A CN115214676B (zh) 2022-04-12 2022-04-12 一种车辆的控制方法、装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210380280.8A CN115214676B (zh) 2022-04-12 2022-04-12 一种车辆的控制方法、装置及终端设备

Publications (2)

Publication Number Publication Date
CN115214676A true CN115214676A (zh) 2022-10-21
CN115214676B CN115214676B (zh) 2025-10-24

Family

ID=83606536

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210380280.8A Active CN115214676B (zh) 2022-04-12 2022-04-12 一种车辆的控制方法、装置及终端设备

Country Status (1)

Country Link
CN (1) CN115214676B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4523989A1 (en) * 2023-09-13 2025-03-19 Wuhan Lotus Cars Co., Ltd. Autonomous vehicle operation method in a car wash, computer program, vehicle system and vehicle

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107499262A (zh) * 2017-10-17 2017-12-22 芜湖伯特利汽车安全系统股份有限公司 基于机器学习的acc/aeb系统及车辆
WO2018052714A2 (en) * 2016-09-19 2018-03-22 Nec Laboratories America, Inc. Video to radar
CN108482372A (zh) * 2018-03-21 2018-09-04 广东欧珀移动通信有限公司 行驶速度控制方法及装置、电子装置及可读存储介质
CN109747655A (zh) * 2017-11-07 2019-05-14 北京京东尚科信息技术有限公司 用于自动驾驶车辆的驾驶指令生成方法和装置
US20200250541A1 (en) * 2019-01-31 2020-08-06 StradVision, Inc. Learning method for supporting safer autonomous driving without danger of accident by estimating motions of surrounding objects through fusion of information from multiple sources, learning device, testing method and testing device using the same
CN112319491A (zh) * 2020-10-28 2021-02-05 惠州市德赛西威汽车电子股份有限公司 一种安全驾驶预警方法及系统
US20210192748A1 (en) * 2019-12-18 2021-06-24 Zoox, Inc. Prediction on top-down scenes based on object motion
CN113183986A (zh) * 2021-05-06 2021-07-30 银隆新能源股份有限公司 车辆的控制方法及装置、自动驾驶车辆
CN113183985A (zh) * 2021-05-06 2021-07-30 银隆新能源股份有限公司 车辆的控制方法及装置、无人驾驶车辆
CN113553934A (zh) * 2021-07-19 2021-10-26 吉林大学 基于深度强化学习的地面无人车智能决策方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018052714A2 (en) * 2016-09-19 2018-03-22 Nec Laboratories America, Inc. Video to radar
CN107499262A (zh) * 2017-10-17 2017-12-22 芜湖伯特利汽车安全系统股份有限公司 基于机器学习的acc/aeb系统及车辆
CN109747655A (zh) * 2017-11-07 2019-05-14 北京京东尚科信息技术有限公司 用于自动驾驶车辆的驾驶指令生成方法和装置
CN108482372A (zh) * 2018-03-21 2018-09-04 广东欧珀移动通信有限公司 行驶速度控制方法及装置、电子装置及可读存储介质
US20200250541A1 (en) * 2019-01-31 2020-08-06 StradVision, Inc. Learning method for supporting safer autonomous driving without danger of accident by estimating motions of surrounding objects through fusion of information from multiple sources, learning device, testing method and testing device using the same
US20210192748A1 (en) * 2019-12-18 2021-06-24 Zoox, Inc. Prediction on top-down scenes based on object motion
CN112319491A (zh) * 2020-10-28 2021-02-05 惠州市德赛西威汽车电子股份有限公司 一种安全驾驶预警方法及系统
CN113183986A (zh) * 2021-05-06 2021-07-30 银隆新能源股份有限公司 车辆的控制方法及装置、自动驾驶车辆
CN113183985A (zh) * 2021-05-06 2021-07-30 银隆新能源股份有限公司 车辆的控制方法及装置、无人驾驶车辆
CN113553934A (zh) * 2021-07-19 2021-10-26 吉林大学 基于深度强化学习的地面无人车智能决策方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4523989A1 (en) * 2023-09-13 2025-03-19 Wuhan Lotus Cars Co., Ltd. Autonomous vehicle operation method in a car wash, computer program, vehicle system and vehicle

Also Published As

Publication number Publication date
CN115214676B (zh) 2025-10-24

Similar Documents

Publication Publication Date Title
US11891023B1 (en) Using camera data to manage a vehicle parked outside in cold climates
CN111619566B (zh) 车辆控制装置、车辆控制方法、车辆以及存储介质
CN107745710B (zh) 一种基于机器视觉与机器学习的自动泊车方法及系统
CN111055810B (zh) 后雨刮智能自动控制系统及方法
CN107128287B (zh) 基于图像识别和云计算的智能雨刮控制装置及其控制方法
CN114379581A (zh) 基于自动驾驶下的算法迭代系统及方法
US11620830B2 (en) Context dependent transfer learning adaptation to achieve fast performance in inference and update
CN105530061A (zh) 一种车联网与图像融合的前向车辆驾驶人驾驶行为预测系统
CN116279554B (zh) 基于图像识别及移动位置服务调整驾驶策略的系统及方法
CN109895777A (zh) 一种共享自动驾驶汽车系统
CN114212023B (zh) 车灯控制方法及装置
CN115268334A (zh) 车窗控制方法、装置、设备及存储介质
CN110509928B (zh) 一种辅助驾驶方法、装置
US11254212B2 (en) Shifting a road view based on a speed for a vehicle
CN116022092A (zh) 车辆雨刮的控制方法、装置、车辆及存储介质
CN115214676A (zh) 一种车辆的控制方法、装置及终端设备
CN118312750A (zh) 一种基于车载芯片的行车辅助决策方法及系统
CN110171373B (zh) 一种汽车快捷键功能配置方法和汽车
EP4141816A1 (en) Scene security level determination method, device and storage medium
CN115140079A (zh) Aeb失效的判定方法、装置、车辆及存储介质
CN117893978A (zh) 环境感知方法、装置、存储介质及车辆
CN115767038A (zh) 数据传输方法、车辆上的图像采集装置及系统级芯片
CN115107772A (zh) 车辆限速巡航方法及装置、电子设备、存储介质
CN110053554B (zh) 辅助驾驶方法、辅助驾驶装置及车载无人机
CN111216636A (zh) 行驶控制装置、控制方法以及存储程序的存储介质

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