CN115339458A - 一种路面类型识别方法、装置及车辆 - Google Patents
一种路面类型识别方法、装置及车辆 Download PDFInfo
- Publication number
- CN115339458A CN115339458A CN202110465290.7A CN202110465290A CN115339458A CN 115339458 A CN115339458 A CN 115339458A CN 202110465290 A CN202110465290 A CN 202110465290A CN 115339458 A CN115339458 A CN 115339458A
- Authority
- CN
- China
- Prior art keywords
- road
- type
- road surface
- vehicle
- types
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 95
- 230000004044 response Effects 0.000 claims abstract description 106
- 238000012549 training Methods 0.000 claims description 123
- 238000012216 screening Methods 0.000 claims description 50
- 238000012545 processing Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 238000013461 design Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 230000001133 acceleration Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- 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
-
- 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
- B60W40/02—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 ambient conditions
- B60W40/06—Road conditions
-
- 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
- B60W40/02—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 ambient conditions
- B60W40/06—Road conditions
- B60W40/064—Degree of grip
-
- 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
-
- 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
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
一种路面类型识别方法、装置及车辆,用以准确的对车辆行驶路面的路面类型进行识别。该方法包括:获取第一车辆的动力学响应数据和当前道路类型;将第一车辆的动力学响应数据和当前道路类型输入第一模型集,输出第一信息,第一信息包括第一路面类型和第一系数中的至少一项,所述第一信息用于指示所述第一车辆进行决策规控。这样可以解决单一使用车辆的动力学响应数据作为路面类型识别的输入,导致路面类型识别不准确的问题。并且可以在确定当前道路类型的基础上进行路面类型的筛选,从而提升路面类型识别的准确性。
Description
技术领域
本申请涉及识别技术领域,尤其涉及一种路面类型识别方法、装置及车辆。
背景技术
当前,智能驾驶技术在车辆上逐渐应用,因此对车辆行驶过程的安全性以及舒适性要求也越来越高,而安全性以及舒适性受外力影响,其中,来自路面的外力最为重要,路面的摩擦给车辆提供了驱动力、制动力等,并影响车辆的动力性、制动性、操作稳定性等。因此根据路面类型进行决策控制策略的适应性调整对智能汽车来说至关重要。
在一种现有的实现手段中,车辆可以通过图像传感器、激光雷达传感器、声波传感器以及多种传感器融合的方式来识别路面类型。但是以上各类传感器本身成本昂贵,并需要在车辆上另外加装传感器,因此通过上述传感器进行路面类型识别的适用性较低;另外,由于传感器受使用环境的限制,在部分天气条件下进行路面识别的准确性较低,比如雨天或者雾天对路面类型的识别准确度将非常低,甚至无法完成路面类型识别。
在另一种现有的实现手段中,可以通过车辆的各种响应数据进行识别,如图1所示为基于车辆动力学响应数据的路面类型识别方法,首先需要选取动力学敏感响应数据,动力学敏感响应数据可以是车辆的纵向速度、加速度、轮速等。通过车辆上的控制器局域网络CAN(Controller Area Network,CAN)信号得到车辆动力学敏感响应数据,利用敏感响应数据离线训练识别算法模型。在完成识别算法模型的训练后,实时获取车辆的动力学敏感响应数据,确定采集到的动力学敏感响应数据属于各个识别算法模型的概率值,在所有概率值中确定出最大值,根据该最大值对应的识别算法模型确定对应的路面类型。
在上述的现有实施方案中,只是将传感器采集到的数据作为训练模型的输入,因此上述方法将导致路面类型识别的准确性较低。
发明内容
本发申请提供了一种路面类型识别方法、装置及车辆,用以准确的对车辆行驶路面的路面类型进行识别。
第一方面,本申请提供了一种路面类型识别方法,该方法包括:获取第一车辆的动力学响应数据和当前道路类型;将所述第一车辆的动力学响应数据和所述当前道路类型输入第一模型集,输出第一信息,所述第一信息包括第一路面类型和第一系数中的至少一项,所述第一信息用于指示所述第一车辆进行决策规控。
通过上述方法,在路面类型识别时,将动力学响应数据以及当前的道路类型作为识别模型的输入,可以解决单一使用车辆的动力学响应数据作为路面类型识别的输入,导致路面类型识别不准确的问题。并且可以在确定当前道路类型的基础上进行路面类型的筛选,从而提升路面类型识别的准确性。
在一种可能的设计中,在第一信息具体为所述第一路面类型时,所述将所述第一车辆的动力学响应数据和所述当前道路类型输入第一模型集,输出第一信息,具体可以为:确定所述动力学响应数据属于所述第一模型集中每个训练模型的概率值,在得到的概率值中筛选出所述道路类型对应的所有概率值,并在筛选出的概率值中确定出最大概率值;根据训练模型与路面类型之间的对应关系,输出所述最大概率值对应的所述第一路面类型,其中,所述训练模型是基于所述第一车辆在不同道路类型以及不同天气条件下行驶时采集到的历史动力学响应数据训练得到。此时可以通过模型训练以及道路类型的筛选准确输出路面类型。
在一种可能的设计中,在第一信息具体为所述第一系数时,所述将所述第一车辆的动力学响应数据和所述当前道路类型输入第一模型集,输出第一信息,具体可以为:确定所述车辆动力学响应数据属于所述第一模型集中每个训练模型的概率值,在得到的概率值中筛选出所述当前道路类型对应的所有概率值,并在筛选出的概率值中确定出最大概率值;根据训练模型与路面类型之间的对应关系,输出所述最大概率值对应的第一路面类型;根据路面类型与系数之间的对应关系,输出所述第一路面类型对应的所述第一系数,其中,所述训练模型是基于所述第一车辆在不同道路类型以及不同天气条件下行驶时采集到的历史车辆动力学响应数据训练得到。此时可以通过模型训练以及道路类型的筛选准确输出路面类型对应的路面附着系数,保证决策控制系统对路面环境参数的需求。
在一种可能的设计中,在第一信息具体为所述第一系数时,所述将所述第一车辆的动力学响应数据和所述当前道路类型输入第一模型集,输出第一信息,具体可以为:确定所述车辆动力学响应数据属于所述第一模型集中每个训练模型的概率值,在得到的概率值中筛选出所述道路类型对应的所有概率值,并在筛选出的概率值中确定出最大概率值;根据训练模型与路面类型之间的对应关系,输出所述最大概率值对应的第一路面类型;根据路面类型与系数之间的对应关系,确定所述第一路面类型对应的所述第一系数;输出包含所述第一路面类型以及所述第一系数的第一信息,其中,所述训练模型是基于所述第一车辆在不同道路类型以及不同天气条件下行驶时采集到的历史车辆动力学响应数据训练得到。此时可以通过模型训练以及道路类型的筛选准确输出路面类型以及路面附着系数,保证决策控制系统对路面环境参数的需求。
具体的,所述路面类型包含了所述道路类型。这样确保了通过道路类型可以准确的对路面类型进行筛选。
在一种可能的设计中,所述在得到的概率值中筛选出所述当前道路类型对应的所有概率值,具体可以为:判断所述当前道路类型是否属于预设道路类型;若是,则在得到的概率值中筛选出所述当前道路类型对应的所有概率值;若否,则提示重新输入道路类型。这样可以确保在道路类型不在预设范围内时,也可以准确的输出路面类型。
在一种可能的设计中,所述在得到的概率值中筛选出所述道路类型对应的所有概率值,具体可以为:获取预设时间段的天气数据;根据所述天气数据,在所述概率值中筛选出包含所述天气数据的概率值;在筛选出的概率值中筛选出属于所述当前道路类型的所有概率值。这样可以通过天气情况准确筛选出符合条件的概率值,进一步提升了后续对路面识别的准确性。
在一种可能的设计中,获取不同地区在各路面类型下的路面附着系数;将相同路面类型下的路面附着系数的统计结果作为对应路面类型下的路面附着系数。这样可以确保在确定路面类型的情况下,可以准确的输出路面类型对应的路面附着系数。
在一种可能的设计中,获取K种道路类型以及J种天气类型;将所述K种道路类型与所述J种天气类型分别组合,得到K*J种路面类型;将获取的每种路面类型对应的动力学响应数据作为样本对所述训练模型进行训练,得到K*J个训练模型,其中,所述K*J表征K中道路类型J中天气类型的乘积,K、J为正整数。通过将天气因素添加到模型训练中,可以划分出不同天气条件下的路面类型,进一步准确细分出路面类型,提升对路面类型识别的准确度。
第二方面,本申请还提供了一种路面类型识别装置,该路面类型识别装置具有实现上述第一方面的路面类型识别方法的功能。所述功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。
在一个可能的设计中,所述路面类型识别装置的结构中包括获取单元和处理单元,这些单元可以执行上述第一方面方法示例中的相应功能,具体参见方法示例中的详细描述,此处不做赘述。
第三方面,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可执行指令,所述计算机可执行指令在被所述计算机调用时用于使所述计算机执行上述第一方面或第一方面中任一可能的设计中所提及的方法。
示例性的,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。以此为例但不限于:计算机可读介质可以包括非瞬态计算机可读介质、随机存取存储器(random-access memory,RAM)、只读存储器(read-only memory,ROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)、CD-ROM或其他光盘存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。
第四方面,本申请提供了一种车辆,所述车辆包括上述第二方面所提及的路面类型识别装置。
第五方面,本申请提供了一种服务器,所述服务器包括上述第二方面所提及的路面类型识别装置。
第六方面,本申请提供了一种计算机程序产品,当所述计算机程序产品在一个或多个处理器上运行时,实现上述第一方面(或实现其任意一种可能的实施方式)所描述的方法。
第七方面,本申请提供了一种芯片系统,该芯片系统包括至少一个处理器,用于支持实现上述第一方面(或实现其任意一种可能的实施方式)所描述的方法,例如接收或处理上述方法中所涉及的数据和/或信息。
在一种可能的设计中,所述芯片系统还包括存储器,所述存储器,用于保存程序指令和数据,存储器位于处理器之内或处理器之外。该芯片系统,可以由芯片构成,也可以包含芯片和其他分立器件。
第八方面,本申请还提供一种路面类型识别装置,所述路面类型识别装置包括至少一个处理器和通信接口,所述通信接口用于发送和/或接收数据,所述至少一个处理器用于调用至少一个存储器中存储的计算机程序,以使得路面类型识别装置实现如上述第一方面(或实现其任意一种可能的实施方式)所描述的方法。
上述第二方面至第八方面中的各个方面以及各个方面可能达到的技术效果请参照上述针对第一方面或第一方面中的各种可能方案可以达到的技术效果说明,这里不再重复赘述。
附图说明
图1为基于车辆动力学响应数据的路面类型识别方法的流程示意图;
图2为本申请提供的一种应用场景的示意图;
图3为本申请提供的一种路面类型识别方法的流程图;
图4为本申请提供的输出第一路面类型的方法流程图;
图5为本申请提供的路面类型分类示意图;
图6为本申请提供的HMM模型训练原理示意图;
图7为本申请提供的输出第一系数的方法流程图;
图8为本申请提供的输出第一路面类型以及第一系数的方法流程图;
图9为本申请提供的一种路面类型识别装置的结构示意图;
图10为本申请提供的一种路面类型识别装置的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述。方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。需要说明的是,在本申请的描述中“多个”理解为“至少两个”。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。A与B连接,可以表示:A与B直接连接和A与B通过C连接这两种情况。另外,在本申请的描述中,“第一”、“第二”等词汇,仅用于区分描述的目的,而不能理解为指示或暗示相对重要性,也不能理解为指示或暗示顺序。
下面结合附图,对本申请实施例进行详细描述。
本申请实施例提供的一种路面类型识别方法及装置,用以准确地确定车辆所行使路面的路面类型,其中,本申请实施例所述方法和装置基于同一技术构思,由于方法及装置所解决问题的原理相似,因此装置与方法的实施例可以相互参见,重复之处不再赘述。
图2示出本申请实施例提供的路面类型识别方法适用的一种可能的应用场景,所述应用场景中包括至少一辆车辆,所述至少一辆车辆可以为自动驾驶车辆,任一车辆上包括多个传感器,所述传感器可以是速度传感器、加速度传感器、轮速传感器等。
在图2所示的应用场景中,所述至少一辆车辆中还包括车载系统,所述车载系统中可以包括移动终端、工控机或者嵌入式设备中的任一一种控制设备。上述的控制设备可以根据传感器检测的数据进行环境识别以及对车辆进行决策控制,比如根据车辆的加速度、车辆的速度、车辆的轮速等数据进行路面识别。
另外,如图2所示的应用场景中还可以包括云端服务系统,该云端服务系统可以由云端的服务器或者虚拟机实现,因此,在本申请实施例中,第一车辆的决策控制可以由第一车辆上的车载系统来实施,路面类型识别在云端服务系统上实现,也就是第一车辆在通过各个传感器检测到第一车辆的动力学响应数据之后,第一车辆将动力学响应数据上传至云端服务系统,云端服务系统在完成路面类型识别之后,将识别结果发送至第一车辆的车载系统。
在进行路面类型识别时,传统的路面识别方式通过车辆的纵向加速度、加速度、轮速等,利用离线训练识别算法模型,在完成识别算法模型的训练后,根据传感器实时采集的数据,得到这些数据属于识别算法模型的概率值,根据最大概率值确定出对应的路面类型。但是该路面类型识别方法只能将单一的传感器数据作为训练模型的输入,导致路面类型识别的准确性不高。
基于上述的描述,本申请实施例提供了一种路面类型识别方法,该方法可以由第一车辆的控制设备实现,比如车辆上的车载移动终端、工控机或者嵌入式设备,也可以由云端服务系统实现。参阅图3所示,所述方法的具体流程包括:
步骤301:获取第一车辆的动力学响应数据和当前道路类型。
具体的,所述第一车辆的动力学响应数据可以通过第一车辆自身的传感器获取,所述第一车辆动力学响应数据可以是第一车辆的车速、四个车轮的轮速、纵向加速度、侧向加速度、横摆角速度等多种参数的组合。在实际的应用过程中,所述动力学响应数据可以增加或者减少,比如可以增加发动机的转速或者减去车辆的横摆角速度。
所述道路类型可以是通过导航设备或者云端服务器等途径获取,所述道路类型主要可以分为高速公路和城市道路,具体划分类型可以是:高速公路、快速路、城市主干道、一般道路、街区道路。应当理解,对于不同的城市的道路设计,还可以在道路类型中增加高架桥等道路类型。
相对于单一的使用车辆的动力学响应数据作为路面类型识别的输入,上述的方法中将第一车辆的动力学响应数据以及道路类型将作为路面类型识别的输入,从而可以在确定当前道路类型的基础上进行路面类型的筛选,从而提升路面类型识别的准确性。
步骤302:将所述第一车辆的动力学响应数据和所述当前道路类型输入第一模型集,输出第一信息,所述第一信息包括第一路面类型和第一系数中的至少一项,所述第一信息用于指示所述第一车辆进行决策规控。
这里的第一系数具体可以为路面附着系数。
相对于单一的输出,本申请实施例提供方法可以输出所述第一车辆行驶的路面的第一路面类型,也可以输出所述第一车辆行驶的路面的第一系数,还可以输出第一路面类型以及第一系数,因此该方法可以根据不同的系统需求进行对应的输出,保证各类系统都可以根据本申请实施例提供方法的输出进行决策控制,提升了适用性。
具体来说,在第一车辆进行决策控制时,第一车辆可以使用第一路面类型进行决策控制,或者使用第一系数进行决策控制,或者使用第一路面类型以及第一系数进行决策控制。下面针对输出的第一信息的不同情况进行说明。
在一种可选的实施方式中,所述第一信息具体为第一路面类型时:
参阅图4所示,输出第一信息可以通过如下具体流程实现:
步骤401:确定所述动力学响应数据属于所述第一模型集中每个训练模型的概率值,其中,所述训练模型是基于所述第一车辆在不同道路类型以及不同天气条件下行驶时采集到的历史动力学响应数据训练得到。
具体的,第一模型集需要预先训练得到,训练得到第一模型集的过程可以为:获取K种道路类型以及J种天气类型,将所述K种道路类型与所述J种天气类型分别组合,得到K*J种路面类型,将获取的每种路面类型对应的动力学响应数据作为样本对所述训练模型进行训练,得到K*J个训练模型,其中,K、J为正整数,所述K*J表征K中道路类型J中天气类型的乘积。由于天气情况对道路的路面影响较大,因此在本申请实施例中将天气因素添加到模型训练中,可以划分出不同天气条件下的路面类型,进一步准确细分出路面类型,提升对路面类型识别的准确度。
举例来讲,首先将道路类型划分为:高速公路、快速路、城市主干道、一般道路、街区道路。确定5中天气情况,分别为:干燥、潮湿、积水、积雪、结冰。在5中道路类型的基础上,将每种道路类型根据天气情况分为5个子类,每个子类对应一种路面类型,总共25种路面类型。如图5所示,在道路类型为高速公路的类别下包含了5种路面类型,分别为:干燥高速公路、潮湿高速公路、积水高速公路、积雪高速公路、结冰高速公路。其他道路类型下也对应的包含5种路面类型。
离线采集第一车辆在25中不同路面类型下行驶时的车辆动力学响应数据。将采集到的车辆动力学响应数据输入到隐含马尔科夫模型(Hidden Markov Model,HMM),参阅图6所示,在本申请实施例中可以通过HMM模型的Baum-Welch算法来进行离线训练。将每种路面类型采集的n个动力学响应数据作为Baum-Welch算法的输入进行离线训练,得到HMM模型的内部参数,从而每种路面类型对应获得一个HMM模型,最终由25个HMM模型组合得到第一模型集。
在第一模型集训练完成之后,当第一车辆当前采集到动力学响应数据时,将计算采集到的动力学响应数据属于第一模型集中各个HMM模型的概率值。此时就可以得到一个概率值序列表,在所述概率值序列表中包含了25个概率值。
步骤402:在得到的概率值中筛选出所述道路类型对应的所有概率值,并在筛选出的概率值中确定出最大概率值。
在获取第一车辆的动力学响应数据时,第一车辆也获取到了当前的道路类型,因此可以根据所述道路类型在所有概率值中筛选出符合当前道路类型的概率值,比如当前道路类型为高速公路,此时就可以在25个概率值中筛选出高速公路的HMM模型对应的概率值。然后再在5个概率值中筛选出最大概率值。
基于以上描述,在进行路面类型识别时,通过道路类型对得到的概率值进行进一步的筛选,避免了只通过概率值本身的比较进行筛选所带来的误识别问题,提升了对车辆当前行驶的路面识别的准确性。
在一种可选的实施方式中,在得到所述第一车辆的当前道路类型之后,需要判断所述当前道路类型是否属于预设道路类型,若是,则在得到的概率值中筛选出当前道路类型对应的所有概率值,若否,则提示重新输入道路类型。
具体来讲,由于各个城市的道路情况不同,所以在导航系统中存在未知的道路类型,若是获取到道路类型与预设道路不匹配时,则提示重新输入道路类型,此时需要驾驶者重新控制车辆,并输入正确的道路类型,从而可以在道路类型不准确的情况下,也可以准确的进行路面类型的识别以及输出。
在一种可选的实施方式中,由于HMM模型中包含了天气因素,因此在通过道路类型来筛选出对应概率之前,还可以根据天气数据来进行一次概率值的筛选,具体方法为:获取预设时间段的天气数据;根据所述天气数据,在所述概率值中筛选出包含所述天气数据的概率值;在筛选出的概率值中筛选出属于所述当前道路类型的所有概率值。
具体来讲,所述预设时间段可以是当前时刻之前的n小时内的天气统计结果,比如,检测到当前的天气为晴天时,并且在10小时内未出现下雨,此时就可以通过晴天的天气情况对HMM模型进行筛选,从而筛选出对应的概率值。通过该方法可以通过天气情况准确筛选出符合条件的概率值,进一步提升了后续对路面识别的准确性。
步骤403:根据训练模型与路面类型之间的对应关系,输出所述最大概率值对应的所述第一路面类型。
每种路面类型对应一个HMM模型,因此在确定出最大概率值之后,可以确定出最大概率值对应的HMM模型,根据HMM模型确定出对应的第一路面类型。
基于以上描述,通过本申请实施例所提供的上述方法,在进行路面类型识别时,将第一车辆的动力学响应数据以及当前的道路类型作为训练模型的输入得到第一路面类型,不仅不需要额外添加其他高成本传感器设备,而且还避免了外界环境条件对路面类型识别的影响,并且也提升了对路面类型识别的准确性。
在一种可选的实施方式中,所述第一信息具体为第一系数时:
参阅图7所示,输出第一信息可以通过如下具体流程实现:
步骤701:确定所述动力学响应数据属于所述第一模型集中每个训练模型的概率值,其中,所述训练模型是基于所述第一车辆在不同道路类型以及不同天气条件下行驶时采集到的历史动力学响应数据训练得到。
具体的,第一模型集需要预先训练得到,训练得到第一模型集的过程可以为:获取K种道路类型以及J种天气类型,将所述K种道路类型与所述J种天气类型分别组合,得到K*J种路面类型,将获取的每种路面类型对应的动力学响应数据作为样本对所述训练模型进行训练,得到K*J个训练模型,其中,K、J为正整数,所述K*J表征K中道路类型J中天气类型的乘积。由于天气情况对道路的路面影响较大,因此在本申请实施例中将天气因素添加到模型训练中,可以划分出不同天气条件下的路面类型,进一步准确细分出路面类型,提升对路面类型识别的准确度。
举例来讲,首先将道路类型划分为:高速公路、快速路、城市主干道、一般道路、街区道路。确定5中天气情况,分别为:干燥、潮湿、积水、积雪、结冰。在5中道路类型的基础上,将每种道路类型根据天气情况分为5个子类,每个子类对应一种路面类型,总共25种路面类型。如图5所示,在道路类型为高速公路的类别下包含了5种路面类型,分别为:干燥高速公路、潮湿高速公路、积水高速公路、积雪高速公路、结冰高速公路。其他道路类型下也对应的包含5种路面类型。
离线采集第一车辆在25中不同路面类型下行驶时的车辆动力学响应数据。将采集到的车辆动力学响应数据输入到隐含马尔科夫模型(Hidden Markov Model,HMM),参阅图6所示,在本申请实施例中可以通过HMM模型的Baum-Welch算法来进行离线训练。将每种路面类型采集的n个动力学响应数据作为Baum-Welch算法的输入进行离线训练,得到HMM模型的内部参数,从而每种路面类型对应获得一个HMM模型,最终由25个HMM模型组合得到第一模型集。
在第一模型集训练完成之后,当第一车辆当前采集到动力学响应数据时,将计算采集到的动力学响应数据属于第一模型集中各个HMM模型的概率值。此时就可以得到一个概率值序列表,在所述概率值序列表中包含了25个概率值。
步骤702:在得到的概率值中筛选出所述道路类型对应的所有概率值,并在筛选出的概率值中确定出最大概率值。
在获取第一车辆的动力学响应数据时,第一车辆也获取到了当前的道路类型,因此可以根据所述道路类型在所有概率值中筛选出符合当前道路类型的概率值,比如当前道路类型为高速公路,此时就可以在25个概率值中筛选出高速公路的HMM模型对应的概率值。然后再在5个概率值中筛选出最大概率值。
基于以上描述,在进行路面类型识别时,通过道路类型对得到的概率值进行进一步的筛选,避免了只通过概率值本身的比较进行筛选所带来的误识别问题,提升了对车辆当前行驶的路面识别的准确性。
在一种可选的实施方式中,在得到所述第一车辆的当前道路类型之后,需要判断所述当前道路类型是否属于预设道路类型,若是,则在得到的概率值中筛选出当前道路类型对应的所有概率值,若否,则提示重新输入道路类型。
具体来讲,由于各个城市的道路情况不同,所以在导航系统中存在未知的道路类型,若是获取到道路类型与预设道路不匹配时,则提示重新输入道路类型,此时需要驾驶者重新控制车辆,并输入正确的道路类型,从而可以在道路类型不准确的情况下,也可以准确的进行路面类型的识别以及输出。
在一种可选的实施方式中,由于HMM模型中包含了天气因素,因此在通过道路类型来筛选出对应概率之前,还可以根据天气数据来进行一次概率值的筛选,具体方法为:获取预设时间段的天气数据;根据所述天气数据,在所述概率值中筛选出包含所述天气数据的概率值;在筛选出的概率值中筛选出属于所述当前道路类型的所有概率值。
具体来讲,所述预设时间段可以是当前时刻之前的n小时内的天气统计结果,比如,检测到当前的天气为晴天时,并且在10小时内未出现下雨,此时就可以通过晴天的天气情况对HMM模型进行筛选,从而筛选出对应的概率值。通过该方法可以通过天气情况准确筛选出符合条件的概率值,进一步提升了后续对路面识别的准确性。
步骤703:根据训练模型与路面类型之间的对应关系,输出所述最大概率值对应的所述第一路面类型。
每种路面类型对应一个HMM模型,因此在确定出最大概率值之后,可以确定出最大概率值对应的HMM模型,根据HMM模型确定出对应的第一路面类型。
步骤704:根据路面类型与系数之间的对应关系,输出所述第一路面类型对应的所述第一系数。
预先建立路面类型与系数之间的对应关系,具体方法可以为:获取不同地区在各路面类型下的路面附着系数;将相同路面类型下的路面附着系数的统计结果作为对应路面类型下的路面附着系数。因此,在识别出所述第一车辆当前行驶的路面类型为第一路面类型时,根据该对应关系就可以输出第一系数。
基于以上描述,通过本申请实施例所提供的上述方法,在进行路面类型识别之后,还可以输出路面类型对应路面附着系数,满足不同的系统的决策控制算法对路面参数的输入需求。
另外,将第一车辆的动力学响应数据以及当前的道路类型作为训练模型的输入得到第一路面类型,不仅不需要额外添加其他高成本传感器设备,而且还避免了外界环境条件对路面类型识别的影响,并且也提升了对路面类型识别的准确性。
在一种可选的实施方式中,所述第一信息具体为第一路面类型以及第一系数时:
参阅图8所示,输出第一信息可以通过如下具体流程实现:
步骤801:确定所述动力学响应数据属于所述第一模型集中每个训练模型的概率值,其中,所述训练模型是基于所述第一车辆在不同道路类型以及不同天气条件下行驶时采集到的历史动力学响应数据训练得到。
具体的,第一模型集需要预先训练得到,训练得到第一模型集的过程可以为:获取K种道路类型以及J种天气类型,将所述K种道路类型与所述J种天气类型分别组合,得到K*J种路面类型,将获取的每种路面类型对应的动力学响应数据作为样本对所述训练模型进行训练,得到K*J个训练模型,其中,K、J为正整数,所述K*J表征K中道路类型J中天气类型的乘积。由于天气情况对道路的路面影响较大,因此在本申请实施例中将天气因素添加到模型训练中,可以划分出不同天气条件下的路面类型,进一步准确细分出路面类型,提升对路面类型识别的准确度。
举例来讲,首先将道路类型划分为:高速公路、快速路、城市主干道、一般道路、街区道路。确定5中天气情况,分别为:干燥、潮湿、积水、积雪、结冰。在5中道路类型的基础上,将每种道路类型根据天气情况分为5个子类,每个子类对应一种路面类型,总共25种路面类型。如图5所示,在道路类型为高速公路的类别下包含了5种路面类型,分别为:干燥高速公路、潮湿高速公路、积水高速公路、积雪高速公路、结冰高速公路。其他道路类型下也对应的包含5种路面类型。
离线采集第一车辆在25中不同路面类型下行驶时的车辆动力学响应数据。将采集到的车辆动力学响应数据输入到隐含马尔科夫模型(Hidden Markov Model,HMM),参阅图6所示,在本申请实施例中可以通过HMM模型的Baum-Welch算法来进行离线训练。将每种路面类型采集的n个动力学响应数据作为Baum-Welch算法的输入进行离线训练,得到HMM模型的内部参数,从而每种路面类型对应获得一个HMM模型,最终由25个HMM模型组合得到第一模型集。
在第一模型集训练完成之后,当第一车辆当前采集到动力学响应数据时,将计算采集到的动力学响应数据属于第一模型集中各个HMM模型的概率值。此时就可以得到一个概率值序列表,在所述概率值序列表中包含了25个概率值。
步骤802:在得到的概率值中筛选出所述道路类型对应的所有概率值,并在筛选出的概率值中确定出最大概率值。
在获取第一车辆的动力学响应数据时,第一车辆也获取到了当前的道路类型,因此可以根据所述道路类型在所有概率值中筛选出符合当前道路类型的概率值,比如当前道路类型为高速公路,此时就可以在25个概率值中筛选出高速公路的HMM模型对应的概率值。然后再在5个概率值中筛选出最大概率值。
基于以上描述,在进行路面类型识别时,通过道路类型对得到的概率值进行进一步的筛选,避免了只通过概率值本身的比较进行筛选所带来的误识别问题,提升了对车辆当前行驶的路面识别的准确性。
在一种可选的实施方式中,在得到所述第一车辆的当前道路类型之后,需要判断所述当前道路类型是否属于预设道路类型,若是,则在得到的概率值中筛选出当前道路类型对应的所有概率值,若否,则提示重新输入道路类型。
具体来讲,由于各个城市的道路情况不同,所以在导航系统中存在未知的道路类型,若是获取到道路类型与预设道路不匹配时,则提示重新输入道路类型,此时需要驾驶者重新控制车辆,并输入正确的道路类型,从而可以在道路类型不准确的情况下,也可以准确的进行路面类型的识别以及输出。
在一种可选的实施方式中,由于HMM模型中包含了天气因素,因此在通过道路类型来筛选出对应概率之前,还可以根据天气数据来进行一次概率值的筛选,具体方法为:获取预设时间段的天气数据;根据所述天气数据,在所述概率值中筛选出包含所述天气数据的概率值;在筛选出的概率值中筛选出属于所述当前道路类型的所有概率值。
具体来讲,所述预设时间段可以是当前时刻之前的n小时内的天气统计结果,比如,检测到当前的天气为晴天时,并且在10小时内未出现下雨,此时就可以通过晴天的天气情况对HMM模型进行筛选,从而筛选出对应的概率值。通过该方法可以通过天气情况准确筛选出符合条件的概率值,进一步提升了后续对路面识别的准确性。
步骤803:根据训练模型与路面类型之间的对应关系,输出所述最大概率值对应的所述第一路面类型。
每种路面类型对应一个HMM模型,因此在确定出最大概率值之后,可以确定出最大概率值对应的HMM模型,根据HMM模型确定出对应的第一路面类型。
步骤804:根据路面类型与系数之间的对应关系,输出所述第一路面类型对应的所述第一系数。
预先建立路面类型与系数之间的对应关系,具体方法为:获取不同地区在各路面类型下的路面附着系数;将相同路面类型下的路面附着系数的统计结果作为对应路面类型下的路面附着系数。因此,在识别出所述第一车辆当前行驶的路面类型为第一路面类型时,根据该对应关系就可以输出第一系数。
步骤805:输出包含所述第一路面类型以及所述第一系数的第一信息。
基于以上描述,通过本申请实施例所提供的上述方法,在进行路面类型识别之后,确定路面类型对应路面附着系数,并且同时输出路面类型以及路面附着系数,满足不同的系统的决策控制算法对路面参数的输入需求。
另外,将第一车辆的动力学响应数据以及当前的道路类型作为训练模型的输入得到第一路面类型,不仅不需要额外添加其他高成本传感器设备,而且还避免了外界环境条件对路面类型识别的影响,并且也提升了对路面类型识别的准确性。
基于以上实施例,本申请实施例还提供了一种路面类型识别装置,该路面类型识别装置用于实现上述图3所示的路面类型识别方法。参阅图9所示,路面类型识别装置900可以包括获取单元901和处理单元902。具体的:
获取单元901,用于获取第一车辆的动力学响应数据和当前道路类型;
处理单元902,用于将所述第一车辆的动力学响应数据和所述当前道路类型输入第一模型集,输出第一信息,所述第一信息包括第一路面类型和第一系数中的至少一项,所述第一信息用于指示所述第一车辆进行决策规控。
在一种可选的实施方式中,在第一信息具体为第一路面类型时,所述处理单元902,具体用于确定所述动力学响应数据属于所述第一模型集中每个训练模型的概率值,在得到的概率值中筛选出所述道路类型对应的所有概率值,并在筛选出的概率值中确定出最大概率值;根据训练模型与路面类型之间的对应关系,输出所述最大概率值对应的所述第一路面类型,其中,所述训练模型是基于所述第一车辆在不同道路类型以及不同天气条件下行驶时采集到的历史动力学响应数据训练得到。
在一种可选的实施方式中,在所述第一信息具体为所述第一系数时,所述处理单元902,具体用于确定所述车辆动力学响应数据属于所述第一模型集中每个训练模型的概率值;在得到的概率值中筛选出所述当前道路类型对应的所有概率值,并在筛选出的概率值中确定出最大概率值;根据训练模型与路面类型之间的对应关系,输出所述最大概率值对应的第一路面类型;根据路面类型与系数之间的对应关系,输出所述第一路面类型对应的所述第一系数,其中,所述训练模型是基于所述第一车辆在不同道路类型以及不同天气条件下行驶时采集到的历史车辆动力学响应数据训练得到。
在一种可选的实施方式中,在所述第一信息具体为所述第一路面类型以及所述第一系数时,所述处理单元902,具体用于确定所述车辆动力学响应数据属于所述第一模型集中每个训练模型的概率值;在得到的概率值中筛选出所述道路类型对应的所有概率值,并在筛选出的概率值中确定出最大概率值;根据训练模型与路面类型之间的对应关系,输出所述最大概率值对应的第一路面类型;根据路面类型与系数之间的对应关系,确定所述第一路面类型对应的所述第一系数;输出包含所述第一路面类型以及所述第一系数的第一信息,其中,所述训练模型是基于所述第一车辆在不同道路类型以及不同天气条件下行驶时采集到的历史车辆动力学响应数据训练得到。
在一种可选的实施方式中,所述处理单元902,还用于判断所述当前道路类型是否属于预设道路类型;若是,则在得到的概率值中筛选出所述当前道路类型对应的所有概率值;若否,则提示重新输入道路类型。
在一种可选的实施方式中,所述处理单元902,还用于获取预设时间段的天气数据;根据所述天气数据,在所述概率值中筛选出包含所述天气数据的概率值;在筛选出的概率值中筛选出属于所述当前道路类型的所有概率值。
在一种可选的实施方式中,所述处理单元902,还用于获取不同地区在各路面类型下的路面附着系数;将相同路面类型下的路面附着系数的统计结果作为对应路面类型下的路面附着系数。
在一种可选的实施方式中,所述处理单元902,还用于获取K种道路类型以及J种天气类型;将所述K种道路类型与所述J种天气类型分别组合,得到K*J种路面类型;将获取的每种路面类型对应的动力学响应数据作为样本对所述训练模型进行训练,得到K*J个训练模型,其中,所述K*J表征K中道路类型J中天气类型的乘积,K、J为正整数。
采用本申请实施例提供的路面类型识别装置,可以将第一车辆的动力学响应数据以及道路类型将作为路面类型识别的输入,从而可以在确定当前道路类型的基础上进行路面类型的筛选,从而提升路面类型识别的准确性。
另外,本申请实施例所提供的路面类型识别装置,可以输出所述第一车辆行驶的路面的第一路面类型,也可以输出所述第一车辆行驶的路面的第一系数,还可以输出第一路面类型以及第一系数,因此该装置可以根据不同的系统需求进行对应的输出,保证各类系统都可以根据本申请的路面类型识别装置的输出进行决策控制,提升了适用性。
需要说明的是,本申请实施例中对单元的划分是示意性的,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。在本申请的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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
基于以上实施例,本申请实施例还提供了一种路面类型识别装置,所述路面类型识别装置可以实现上述图2所示的路面类型识别方法。参阅图10所示,所述路面类型识别装置1000可以包括处理器1001和存储器1002,其中:
其中,处理器1001可以是中央处理器(central processing unit,CPU),网络处理器(network processor,NP)或者CPU和NP的组合等等。处理器901还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(application-specific integrated circuit,ASIC),可编程逻辑器件(programmable logic device,PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(complex programmable logic device,CPLD),现场可编程逻辑门阵列(field-programmable gate array,FPGA),通用阵列逻辑(generic array logic,GAL)或其任意组合。处理器901在实现上述功能时,可以通过硬件实现,当然也可以通过硬件执行相应的软件实现。
处理器1001和存储器1002之间相互连接。可选的,处理器1001和存储器1002可以通过总线1003相互连接;总线1003可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,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,图10中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
在一种可选的实施方式中,存储器1002,与处理器1001耦合,用于存放程序等。具体地,程序可以包括程序代码,该程序代码包括计算机操作指令。存储器1002可能包括RAM,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1001执行存储器1002所存放的应用程序,实现上述功能,从而实现路面类型识别装置1000的功能,即实现路面类型识别方法。
具体的,所述路面类型识别装置1000在实现路面类型识别方法时,可以包括:
所述处理器1001用于调用所述存储器1002中的程序指令执行:
获取第一车辆的动力学响应数据和当前道路类型;
将所述第一车辆的动力学响应数据和所述当前道路类型输入第一模型集,输出第一信息,所述第一信息包括第一路面类型和第一系数中的至少一项,所述第一信息用于指示所述第一车辆进行决策规控。
在一种可选的实施方式中,所述第一信息具体为所述第一路面类型时,所述处理器1001,具体用于确定所述动力学响应数据属于所述第一模型集中每个训练模型的概率值,其中,所述训练模型是基于所述第一车辆在不同道路类型以及不同天气条件下行驶时采集到的历史动力学响应数据训练得到;在得到的概率值中筛选出所述道路类型对应的所有概率值,并在筛选出的概率值中确定出最大概率值;根据训练模型与路面类型之间的对应关系,输出所述最大概率值对应的所述第一路面类型。
在一种可选的实施方式中,所述第一信息具体为所述第一系数时,所述处理器1001,具体用于确定所述车辆动力学响应数据属于所述第一模型集中每个训练模型的概率值;在得到的概率值中筛选出所述当前道路类型对应的所有概率值,并在筛选出的概率值中确定出最大概率值;根据训练模型与路面类型之间的对应关系,输出所述最大概率值对应的第一路面类型;根据路面类型与系数之间的对应关系,输出所述第一路面类型对应的所述第一系数,其中,所述训练模型是基于所述第一车辆在不同道路类型以及不同天气条件下行驶时采集到的历史车辆动力学响应数据训练得到。
在一种可选的实施方式中,所述第一信息具体为所述第一路面类型以及所述第一系数时,所述处理器1001,具体用于确定所述车辆动力学响应数据属于所述第一模型集中每个训练模型的概率值;在得到的概率值中筛选出所述道路类型对应的所有概率值,并在筛选出的概率值中确定出最大概率值;根据训练模型与路面类型之间的对应关系,输出所述最大概率值对应的第一路面类型;根据路面类型与系数之间的对应关系,确定所述第一路面类型对应的所述第一系数;输出包含所述第一路面类型以及所述第一系数的第一信息,其中,所述训练模型是基于所述第一车辆在不同道路类型以及不同天气条件下行驶时采集到的历史车辆动力学响应数据训练得到。
在一种可选的实施方式中,所述处理器1001,还用于判断所述当前道路类型是否属于预设道路类型;若是,则在得到的概率值中筛选出所述当前道路类型对应的所有概率值;若否,则提示重新输入道路类型。
在一种可选的实施方式中,所述处理器1001,还用于获取预设时间段的天气数据;根据所述天气数据,在所述概率值中筛选出包含所述天气数据的概率值;在筛选出的概率值中筛选出属于所述当前道路类型的所有概率值。
在一种可选的实施方式中,所述处理器1001,还用于获取不同地区在各路面类型下的路面附着系数;将相同路面类型下的路面附着系数的统计结果作为对应路面类型下的路面附着系数。
在一种可选的实施方式中,所述处理器1001,还用于获取K种道路类型以及J种天气类型;将所述K种道路类型与所述J种天气类型分别组合,得到K*J种路面类型;将获取的每种路面类型对应的动力学响应数据作为样本对所述训练模型进行训练,得到K*J个训练模型,其中,所述K*J表征K中道路类型J中天气类型的乘积,K、J为正整数。
采用本申请实施例提供的路面类型识别装置,可以将第一车辆的动力学响应数据以及道路类型将作为路面类型识别的输入,从而可以在确定当前道路类型的基础上进行路面类型的筛选,从而提升路面类型识别的准确性。
另外,本申请实施例所提供的路面类型识别装置,可以输出所述第一车辆行驶的路面的第一路面类型,也可以输出所述第一车辆行驶的路面的第一系数,还可以输出第一路面类型以及第一系数,因此该装置可以根据不同的系统需求进行对应的输出,保证各类系统都可以根据本申请的路面类型识别装置的输出进行决策控制,提升了适用性。
基于以上实施例,本申请实施例还提供了一种车辆,所述车辆中可以包括上述图9或图10所示路面类型识别装置。
基于以上实施例,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质用于存储计算机程序,该计算机程序被计算机执行时,所述计算机可以实现上述方法实施例提供的路面类型识别方法。
本申请实施例还提供一种计算机程序产品,所述计算机程序产品用于存储计算机程序,该计算机程序被计算机执行时,所述计算机可以实现上述方法实施例提供的路面类型识别方法。
本申请实施例还提供一种芯片,所述芯片与存储器耦合,所述芯片用于实现上述方法实施例提供的路面类型识别方法。
基于以上实施例,本申请实施例还提供了一种服务器,所述服务器中可以包括上述图9或图10所示路面类型识别装置。
本申请实施例还提供了一种计算机程序产品,当所述计算机程序产品在一个或多个处理器上运行时,实现上述路面类型识别方法,或实现其任意一种可能的实施方式。
本申请实施例还提供了一种芯片系统,该芯片系统包括至少一个处理器,用于支持实现上述的路面类型识别方法,或实现其任意一种可能的实施方式,例如接收或处理上述路面类型识别方法中所涉及的数据和/或信息。
在一种可能的实施方式中,所述芯片系统还包括存储器,所述存储器,用于保存程序指令和数据,存储器位于处理器之内或处理器之外,该芯片系统可以由芯片构成,也可以包含芯片和其他分立器件。
在本申请实施例中还提供了一种路面类型识别装置,所述路面类型识别装置包括至少一个处理器和通信接口,所述通信接口用于发送和/或接收数据,所述至少一个处理器用于调用至少一个存储器中存储的计算机程序,以使路面类型识别装置实现上述的路面类型识别方法,或者实现其任意一种可能的实施方式。
在本申请中,多个指两个或者两个以上。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (19)
1.一种路面类型识别方法,其特征在于,所述方法包括:
获取第一车辆的动力学响应数据和当前道路类型;
将所述第一车辆的动力学响应数据和所述当前道路类型输入第一模型集,输出第一信息,所述第一信息包括第一路面类型和第一系数中的至少一项,所述第一信息用于指示所述第一车辆进行决策规控。
2.如权利要求1所述的方法,其特征在于,所述第一信息具体为所述第一路面类型;
将所述第一车辆的动力学响应数据和所述当前道路类型输入第一模型集,输出第一信息,包括:
确定所述动力学响应数据属于所述第一模型集中每个训练模型的概率值,其中,所述训练模型是基于所述第一车辆在不同道路类型以及不同天气条件下行驶时采集到的历史动力学响应数据训练得到;
在得到的概率值中筛选出所述道路类型对应的所有概率值,并在筛选出的概率值中确定出最大概率值;
根据训练模型与路面类型之间的对应关系,输出所述最大概率值对应的所述第一路面类型。
3.如权利要求1所述的方法,其特征在于,所述第一信息具体为所述第一系数;
将所述第一车辆的动力学响应数据和所述当前道路类型输入第一模型集,输出第一信息,包括:
确定所述车辆动力学响应数据属于所述第一模型集中每个训练模型的概率值,其中,所述训练模型是基于所述第一车辆在不同道路类型以及不同天气条件下行驶时采集到的历史车辆动力学响应数据训练得到;
在得到的概率值中筛选出所述当前道路类型对应的所有概率值,并在筛选出的概率值中确定出最大概率值;
根据训练模型与路面类型之间的对应关系,输出所述最大概率值对应的第一路面类型;
根据路面类型与系数之间的对应关系,输出所述第一路面类型对应的所述第一系数。
4.如权利要求1所述的方法,其特征在于,所述第一信息具体为所述第一路面类型以及所述第一系数;
将所述第一车辆的动力学响应数据和所述当前道路类型输入第一模型集,输出第一信息,包括:
确定所述车辆动力学响应数据属于所述第一模型集中每个训练模型的概率值,其中,所述训练模型是基于所述第一车辆在不同道路类型以及不同天气条件下行驶时采集到的历史车辆动力学响应数据训练得到;
在得到的概率值中筛选出所述道路类型对应的所有概率值,并在筛选出的概率值中确定出最大概率值;
根据训练模型与路面类型之间的对应关系,输出所述最大概率值对应的第一路面类型;
根据路面类型与系数之间的对应关系,确定所述第一路面类型对应的所述第一系数;
输出包含所述第一路面类型以及所述第一系数的第一信息。
5.如权利要求2-4中任一权项所述的方法,其特征在于,所述在得到的概率值中筛选出所述当前道路类型对应的所有概率值,包括:
判断所述当前道路类型是否属于预设道路类型;
若是,则在得到的概率值中筛选出所述当前道路类型对应的所有概率值;
若否,则提示重新输入道路类型。
6.如权利要求2-4中任一权项所述的方法,其特征在于,所述在得到的概率值中筛选出所述道路类型对应的所有概率值,包括:
获取预设时间段的天气数据;
根据所述天气数据,在所述概率值中筛选出包含所述天气数据的概率值;
在筛选出的概率值中筛选出属于所述当前道路类型的所有概率值。
7.如权利要求1-6中任一权项所述的方法,其特征在于,所述在获取第一信息之前,所述方法还包括:
获取不同地区在各路面类型下的路面附着系数;
将相同路面类型下的路面附着系数的统计结果作为对应路面类型下的路面附着系数。
8.如权利要求1-6中任一权项所述的方法,其特征在于,所述在获取第一车辆的动力学响应数据和当前道路类型之前,所述方法还包括:
获取K种道路类型以及J种天气类型,其中,K、J为正整数;
将所述K种道路类型与所述J种天气类型分别组合,得到K*J种路面类型;
将获取的每种路面类型对应的动力学响应数据作为样本对所述训练模型进行训练,得到K*J个训练模型,其中,所述K*J表征K中道路类型J中天气类型的乘积。
9.一种路面类型识别装置,其特征在于,所述装置包括:
获取单元,用于获取第一车辆的动力学响应数据和当前道路类型;
处理单元,用于将所述第一车辆的动力学响应数据和所述当前道路类型输入第一模型集,输出第一信息,所述第一信息包括第一路面类型和第一系数中的至少一项,所述第一信息用于指示所述第一车辆进行决策规控。
10.如权利要求9所述的装置,其特征在于,在所述第一信息具体为所述第一路面类型;
所述处理单元,具体用于确定所述动力学响应数据属于所述第一模型集中每个训练模型的概率值,在得到的概率值中筛选出所述道路类型对应的所有概率值,并在筛选出的概率值中确定出最大概率值;根据训练模型与路面类型之间的对应关系,输出所述最大概率值对应的所述第一路面类型,其中,所述训练模型是基于所述第一车辆在不同道路类型以及不同天气条件下行驶时采集到的历史动力学响应数据训练得到。
11.如权利要求9所述的装置,其特征在于,在所述第一信息具体为所述第一系数;
所述处理单元,具体用于确定所述车辆动力学响应数据属于所述第一模型集中每个训练模型的概率值;在得到的概率值中筛选出所述当前道路类型对应的所有概率值,并在筛选出的概率值中确定出最大概率值;根据训练模型与路面类型之间的对应关系,输出所述最大概率值对应的第一路面类型;根据路面类型与系数之间的对应关系,输出所述第一路面类型对应的所述第一系数,其中,所述训练模型是基于所述第一车辆在不同道路类型以及不同天气条件下行驶时采集到的历史车辆动力学响应数据训练得到。
12.如权利要求9所述的装置,其特征在于,在所述第一信息具体为所述第一路面类型以及所述第一系数;
所述处理单元,具体用于确定所述车辆动力学响应数据属于所述第一模型集中每个训练模型的概率值;在得到的概率值中筛选出所述道路类型对应的所有概率值,并在筛选出的概率值中确定出最大概率值;根据训练模型与路面类型之间的对应关系,输出所述最大概率值对应的第一路面类型;根据路面类型与系数之间的对应关系,确定所述第一路面类型对应的所述第一系数;输出包含所述第一路面类型以及所述第一系数的第一信息,其中,所述训练模型是基于所述第一车辆在不同道路类型以及不同天气条件下行驶时采集到的历史车辆动力学响应数据训练得到。
13.如权利要求10-12中任一权项所述的装置,其特征在于,所述处理单元,还用于判断所述当前道路类型是否属于预设道路类型;若是,则在得到的概率值中筛选出所述当前道路类型对应的所有概率值;若否,则提示重新输入道路类型。
14.如权利要求10-12中任一权项所述的装置,其特征在于,所述处理单元,还用于获取预设时间段的天气数据;根据所述天气数据,在所述概率值中筛选出包含所述天气数据的概率值;在筛选出的概率值中筛选出属于所述当前道路类型的所有概率值。
15.如权利要求9-12中任一权项所述的装置,其特征在于,所述处理单元,还用于获取不同地区在各路面类型下的路面附着系数;将相同路面类型下的路面附着系数的统计结果作为对应路面类型下的路面附着系数。
16.如权利要求9-12中任一权项所述的装置,其特征在于,所述处理单元,还用于获取K种道路类型以及J种天气类型;将所述K种道路类型与所述J种天气类型分别组合,得到K*J种路面类型;将获取的每种路面类型对应的动力学响应数据作为样本对所述训练模型进行训练,得到K*J个训练模型,其中,所述K*J表征K中道路类型J中天气类型的乘积,K、J为正整数。
17.一种计算机可读存储介质,其特征在于,包括指令,当所述指令在计算机上运行时,使得所述计算机执行如权利要求1-8中任一项所述的方法。
18.一种车辆,其特征在于,包括如权利要求9-16中任一项所述的路面类型识别装置。
19.一种服务器,其特征在于,包括如权利要求9-16中任一项所述的路面类型识别装置。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110465290.7A CN115339458A (zh) | 2021-04-28 | 2021-04-28 | 一种路面类型识别方法、装置及车辆 |
PCT/CN2022/089531 WO2022228459A1 (zh) | 2021-04-28 | 2022-04-27 | 一种路面类型识别方法、装置及车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110465290.7A CN115339458A (zh) | 2021-04-28 | 2021-04-28 | 一种路面类型识别方法、装置及车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115339458A true CN115339458A (zh) | 2022-11-15 |
Family
ID=83847777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110465290.7A Pending CN115339458A (zh) | 2021-04-28 | 2021-04-28 | 一种路面类型识别方法、装置及车辆 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115339458A (zh) |
WO (1) | WO2022228459A1 (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537209B (zh) * | 2014-12-09 | 2017-04-05 | 上海交通大学 | 基于隐马尔科夫模型的车辆行驶道路类型的判断方法 |
WO2020045978A1 (ko) * | 2018-08-29 | 2020-03-05 | 한국과학기술원 | 초음파 신호를 이용한 노면 종류 추정 방법 및 장치 |
CN110378416A (zh) * | 2019-07-19 | 2019-10-25 | 北京中科原动力科技有限公司 | 一种基于视觉的路面附着系数估计方法 |
CN111507233B (zh) * | 2020-04-13 | 2022-12-13 | 吉林大学 | 一种多模态信息融合的智能车路面类型识别方法 |
CN111688707A (zh) * | 2020-05-26 | 2020-09-22 | 同济大学 | 一种视觉与动力学融合的路面附着系数估计方法 |
CN111688706A (zh) * | 2020-05-26 | 2020-09-22 | 同济大学 | 一种基于视觉与动力学的路面附着系数交互式估计方法 |
CN111845709B (zh) * | 2020-07-17 | 2021-09-10 | 燕山大学 | 一种基于多信息融合的路面附着系数估计方法及系统 |
CN111860322B (zh) * | 2020-07-20 | 2022-10-11 | 吉林大学 | 一种基于多源传感器信息融合的非结构化路面类型识别方法 |
-
2021
- 2021-04-28 CN CN202110465290.7A patent/CN115339458A/zh active Pending
-
2022
- 2022-04-27 WO PCT/CN2022/089531 patent/WO2022228459A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2022228459A1 (zh) | 2022-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108263382B (zh) | 基于目标车辆的驾驶样式的协同自适应巡航控制系统 | |
EP2710572B1 (en) | Vehicle data analysis method and vehicle data analysis system | |
CN110942671B (zh) | 车辆危险驾驶检测方法、装置以及存储介质 | |
US10072936B2 (en) | Estimating a street type using sensor-based surroundings data | |
CN105000019A (zh) | 用于检测、追踪和估计静止的路边物体的方法和系统 | |
US20170236011A1 (en) | Method and arrangement for assessing the roadway surface being driven on by a vehicle | |
US20190047575A1 (en) | Method for determining a coefficient of friction for a contact between a tire of a vehicle and a roadway, and method for controlling a vehicle function of a vehicle | |
CN110388929B (zh) | 导航地图更新方法、装置及系统 | |
CN109946688A (zh) | 换道场景数据提取方法、装置和服务器 | |
Daraghmi et al. | Intelligent Smartphone based system for detecting speed bumps and reducing car speed | |
CN110550041B (zh) | 一种基于云端数据共享的路面附着系数估计方法 | |
US20190186962A1 (en) | Quality of Service for a Vehicular Plug-and-Play Ecosystem | |
US10769942B2 (en) | Method, device and system for wrong-way driver detection | |
US20180286222A1 (en) | Vehicle identifying device | |
CN114419573A (zh) | 动态占据栅格估计方法及装置 | |
CN115339458A (zh) | 一种路面类型识别方法、装置及车辆 | |
US10532750B2 (en) | Method, device and system for wrong-way driver detection | |
Galanis et al. | Weather-based road condition estimation in the era of Internet-of-Vehicles (IoV) | |
KR102570295B1 (ko) | 차량 및 그 제어 방법 | |
US10876843B2 (en) | Method, device and system for wrong-way driver detection | |
CN112927497A (zh) | 一种浮动车识别方法、相关方法和装置 | |
JP7302411B2 (ja) | 運転技量評価装置 | |
CN113859257B (zh) | 基于灰色熵权和侧向椭圆阈的周围车辆驾驶意图识别方法 | |
US20240094024A1 (en) | Location-synchronous averaging of connected vehicle data | |
US20230282004A1 (en) | Systems and methods for providing traffic light region of interest parameters to an autonomous vehicle |
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 |