CN115649198A - 一种车辆自动驾驶方法及系统 - Google Patents

Abstract

本发明公开了一种车辆自动驾驶方法及系统，方法步骤包括：获取车辆目的地点和路况环境数据，结合所述车辆目的地点和路况环境数据进行初始路线规划，并控制车辆按照初始路线自动驾驶；获取车辆驾驶数据，根据所述车辆驾驶数据和路况环境数据进行数据融合，得到多源融合数据；根据所述多源融合数据进行路况动态评估，并根据路况动态评估结果进行车路协同，生成自动避险驾驶决策；根据所述自动避险驾驶决策控制车辆进行自动驾驶模式调整。本发明实现了车辆的自动驾驶，且能对驾驶路况进行全面探测，不受感知距离和感知角度的限制，在自动驾驶过程中综合路况信息和车辆行驶信息实现车路协同，以进行自动避险，提高了自动驾驶的安全性。

Description

一种车辆自动驾驶方法及系统

技术领域

本发明涉及自动驾驶技术领域，具体涉及一种车辆自动驾驶方法及系统。

背景技术

自动驾驶系统是指列车驾驶员执行的工作完全自动化的、高度集中控制的列车运行系统。自动驾驶系统具备列车自动唤醒启动和休眠、自动出入停车场、自动清洗、自动行驶、自动停车、自动开关车门、故障自动恢复等功能，并具有常规运行、降级运行、运行中断等多种运行模式。

近年来自动驾驶系统已得到初步应用，但现有自动驾驶系统未能综合应用车路协同环境，缺乏对车路协同条件下综合信息的利用，自动驾驶车辆受限传感器的感知距离、感知角度等因素，较难对较远距离或盲区的路况进行准确识别探测。

发明内容

针对现有技术中的缺陷，本发明提供一种车辆自动驾驶方法及系统。

第一方面，一种车辆自动驾驶方法，步骤包括：

获取车辆目的地点和路况环境数据，结合所述车辆目的地点和路况环境数据进行初始路线规划，并控制车辆按照初始路线自动驾驶；

获取车辆驾驶数据，根据所述车辆驾驶数据和路况环境数据进行数据融合，得到多源融合数据；

根据所述多源融合数据进行路况动态评估，并根据路况动态评估结果进行车路协同，生成自动避险驾驶决策；

根据所述自动避险驾驶决策控制车辆进行自动驾驶模式调整。

进一步地，所述获取车辆目的地点和路况环境数据，结合所述车辆目的地点和路况环境数据进行初始路线规划，并控制车辆按照初始路线自动驾驶，具体为：

接收目的地点输入指令，根据所述输入指令确定车辆目的地点；

通过设于公共路口的道路监控设备实时获取道路的动态交通状况和流量数据，以得到路况环境数据，所述流量数据包括人流量数据和车流量数据；

结合所述车辆目的地点和路况环境数据进行初始路线规划；

控制车辆启动自动驾驶，并控制车辆按照所述初始路线进行自动驾驶。

进一步地，所述获取车辆驾驶数据，根据所述车辆驾驶数据和路况环境数据进行数据融合，得到多源融合数据，具体为：

通过设于车辆上的摄像头和激光雷达进行环境感知，以获取车辆外界环境的视觉数据和激光点云数据，得到车辆驾驶数据；

将所述车辆驾驶数据和路况环境数据进行特征提取，得到多数据特征；

将所述多数据特征进行特征融合，得到多源融合数据；

所述多源融合数据包括行人状态数据和来车状态数据。

进一步地，所述根据所述多源融合数据进行路况动态评估，并根据路况动态评估结果进行车路协同，生成自动避险驾驶决策，具体为：

根据所述行人状态数据进行行人动态评估，分析得到行人的相对位置、走向以及速度；

根据所述来车状态数据进行来车动态评估，分析得到来车车辆的相对位置、行驶朝向、转向趋势以及行驶速度；

根据所述行人动态评估结果和来车动态评估结果进行车路协同，生成自动避险驾驶决策。

进一步地，所述根据所述自动避险驾驶决策控制车辆进行自动驾驶模式调整，具体为：

根据所述自动避险驾驶决策生成自动驾驶控制指令，根据所述自动驾驶控制指令控制车辆执行机构进行参数调整，以控制车辆安全行驶；

所述自动驾驶参数调整包括但不限于调整车辆的速度、转向、档位以及灯光。

第二方面，一种车辆自动驾驶系统，包括：

初始驾驶模块：用于获取车辆目的地点和路况环境数据，结合所述车辆目的地点和路况环境数据进行初始路线规划，并控制车辆按照初始路线自动驾驶；

感知融合模块：用于获取车辆驾驶数据，根据所述车辆驾驶数据和路况环境数据进行数据融合，得到多源融合数据；

车路协同模块：用于根据所述多源融合数据进行路况动态评估，并根据路况动态评估结果进行车路协同，生成自动避险驾驶决策；

避险驾驶模块：用于根据所述自动避险驾驶决策控制车辆进行自动驾驶模式调整。

进一步地，所述初始驾驶模块具体用于：

接收目的地点输入指令，根据所述输入指令确定车辆目的地点；

通过设于公共路口的道路监控设备实时获取道路的动态交通状况和流量数据，以得到路况环境数据，所述流量数据包括人流量数据和车流量数据；

结合所述车辆目的地点和路况环境数据进行初始路线规划；

控制车辆启动自动驾驶，并控制车辆按照所述初始路线进行自动驾驶。

进一步地，所述感知融合模块具体用于：

通过设于车辆上的摄像头和激光雷达进行环境感知，以获取车辆外界环境的视觉数据和激光点云数据，得到车辆驾驶数据；

将所述车辆驾驶数据和路况环境数据进行特征提取，得到多数据特征；

将所述多数据特征进行特征融合，得到多源融合数据；

所述多源融合数据包括行人状态数据和来车状态数据。

进一步地，所述车路协同模块具体用于：

根据所述行人状态数据进行行人动态评估，分析得到行人的相对位置、走向以及速度；

根据所述来车状态数据进行来车动态评估，分析得到来车车辆的相对位置、行驶朝向、转向趋势以及行驶速度；

根据所述行人动态评估结果和来车动态评估结果进行车路协同，生成自动避险驾驶决策。

进一步地，所述避险驾驶模块具体用于：

根据所述自动避险驾驶决策生成自动驾驶控制指令，根据所述自动驾驶控制指令控制车辆执行机构进行参数调整，以控制车辆安全行驶；

所述自动驾驶参数调整包括但不限于调整车辆的速度、转向、档位以及灯光。

本发明的有益效果体现在：实现了车辆的自动驾驶，且能对驾驶路况进行全面探测，不受感知距离和感知角度的限制，在自动驾驶过程中综合路况信息和车辆行驶信息实现车路协同，以进行自动避险，提高了自动驾驶的安全性。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。

图1为本发明实施例一提供的一种车辆自动驾驶方法的流程图；

图2为本发明实施例二提供的一种车辆自动驾驶系统的模块框图。

具体实施方式

下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。

需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。

如图1所示，一种车辆自动驾驶方法，步骤包括：

S1：获取车辆目的地点和路况环境数据，结合所述车辆目的地点和路况环境数据进行初始路线规划，并控制车辆按照初始路线自动驾驶；

具体地，接收驾驶员目的地点的输入指令，根据输入指令确定车辆行驶的目的地点。通过设于公共路口的道路监控设备实时获取道路的动态交通状况和流量数据，例如通过设于十字路口的交通监控设备实时获取道路的车流量、人流量以及道路状况等道路全局信息，以得到路况环境数据。结合路况环境数据，初步规划出车辆到达目的地点的初始驾驶路线，控制车辆启动自动驾驶，并控制车辆按照初始路线进行自动驾驶。

S2：获取车辆驾驶数据，根据所述车辆驾驶数据和路况环境数据进行数据融合，得到多源融合数据；

具体地，自动驾驶车辆上一般设有传感装置，例如摄像头、激光雷达等，自动驾驶车辆通过激光雷达能实时感应周边环境，并形成高清立体图形，可用来探测驾驶过程中车辆周围的其他车辆和障碍物，通过摄像头能识别外界环境的颜色，在光照充足的条件下，还能识别很远的物体，具有较高的分辨率。自动驾驶系统通过设于自动驾驶车辆上的摄像头和激光雷达进行全方位环境感知，获取自动驾驶车辆外界环境的视觉数据和激光点云数据，得到车辆驾驶数据。优选地，还可以通过车载GPS定位器获取车辆实时位置信息。

将车辆驾驶数据和实时路况环境数据进行数据对齐，包括时间对齐和空间对齐。其中，时间对齐包括对齐车辆驾驶数据和路况环境数据的发生时间，同步同一时间点的车辆驾驶数据和实时路况环境数据；空间对齐则是对齐车辆驾驶数据和路况环境数据的发生位置，根据车载GPS定位器获取的车辆实时位置数据调取车辆所处位置对应的路况环境数据，同步同一位置段的车辆驾驶数据和路况环境数据。

将对齐后的数据输入卷积神经网络模型中，通过多层卷积层对车辆驾驶数据和路况环境数据进行特征提取，得到多数据特征，再将多数据特征进行特征级数据融合，合并成一个超级传感器数据，得到多源融合数据。多源融合数据是对驾驶路况的全面探测结果，不受感知距离和感知角度的限制，包括行人状态数据和来车状态数据。需要说明的是，本实施例所述数据融合包括车辆驾驶数据与车辆驾驶数据之间、车辆驾驶数据与路况环境数据之间以及路况环境数据与路况环境数据之间的多层次融合，以提高对驾驶路况探测的可靠性和准确性。

多数据特征的特征级融合可以对特征维度进行扩充，例如，卷积神经网络模型输出视觉数据特征和激光点云数据特征，将视觉数据特征和激光点云数据特征进行特征融合时，可以将激光雷达点云数据特征直接投影在视觉数据特征的二维图像平面上，把形成的深度、密度等特征信息和图像像素信息进行结合，同时把对应的点云信息维度进行颜色拓展，实现对点云数据特征在三维空间的数据特征融合，可表示为：

P＝(x,y,z,a,r,g,b)

式中，P表示特征融合结果，a表示激光雷达的反射强度值，r,g,b,为对应激光雷达点云数据特征投影在视觉数据特征的二维图像上的像素RGB颜色分量。

S3：根据所述多源融合数据进行路况动态评估，并根据路况动态评估结果进行车路协同，生成自动避险驾驶决策；

具体地，根据行人状态数据进行行人动态评估，评估自动驾驶车辆周围的行人动态，分析出行人的相对位置、走向以及速度，比如评估行人与自动驾驶车辆之间的相对距离和方位，行人相对于自动驾驶车辆是在靠近车辆还是远离车辆，同时分析出行人的行走速度；根据来车状态数据进行来车动态评估，评估自动驾驶车辆一定范围内的其他车辆，分析出其他车辆的相对位置、行驶朝向、转向趋势以及行驶速度，比如评估其他车辆相对于自动驾驶车辆的位置区域，其与自动驾驶车辆是相向而行还是同向而行，或根据其他车辆的转向灯判断其行驶方向趋势。根据行人动态评估结果和来车动态评估结果进行车路协同，分析自动驾驶车辆若按照原有的行驶路线继续行驶，是否会与行人或来车发生碰撞，若有，则根据评估结果生成自动避险驾驶决策，以自动避开可能会相撞的行人和来车。

例如：根据行人状态数据进行行人动态评估，分析出距离自动驾驶车辆正前方10m处有一个行人迎面走来，其行走速度为5km/h；根据来车状态数据进行来车动态评估，分析出自动驾驶车辆的正后方有一辆同向而行的其他车辆，其左转向灯为闪烁状态，行驶速度为65km/h。根据行人动态评估结果和来车动态评估结果进行车路协同，若此时继续保持原路线行驶，可能会与行人发生碰撞，因此需要使自动驾驶车辆减速，并向右或向左改变行驶路线，以避开行人，同时自动驾驶车辆后方有其他车辆的左转向灯闪烁，其可能会从自动驾驶车辆的左后方超车，因此需要使自动驾驶车辆减速并避免靠左行驶，以避开来车车辆。结合行人动态评估结果和来车动态评估结果，则生成使自动驾驶车辆减速向右改变行驶路线的自动避险驾驶决策。

S4：根据所述自动避险驾驶决策控制车辆进行自动驾驶模式调整；

具体地，根据自动避险驾驶决策生成自动驾驶控制指令，根据自动驾驶控制指令控制车辆各执行结构进行参数调整，包括通过控制自动驾驶车辆的油门和制动来调整行驶速度，通过控制方向盘调整转向，通过控制档杆调整行驶档位，通过控制灯光系统调整车辆亮灯情况等等。自动驾驶车辆根据自动驾驶控制指令进行驾驶参数调整，能快速准确的进行自动避险，使自动驾驶车辆在自动驾驶过程中实现安全行驶。

实施例二

如图2所示，一种车辆自动驾驶系统，包括：

初始驾驶模块：用于获取车辆目的地点和路况环境数据，结合所述车辆目的地点和路况环境数据进行初始路线规划，并控制车辆按照初始路线自动驾驶；

感知融合模块：用于获取车辆驾驶数据，根据所述车辆驾驶数据和路况环境数据进行数据融合，得到多源融合数据；

车路协同模块：用于根据所述多源融合数据进行路况动态评估，并根据路况动态评估结果进行车路协同，生成自动避险驾驶决策；

避险驾驶模块：用于根据所述自动避险驾驶决策控制车辆进行自动驾驶模式调整。

具体地，初始驾驶模块接收驾驶员目的地点的输入指令，根据输入指令确定车辆行驶的目的地点。通过设于公共路口的道路监控设备实时获取道路的动态交通状况和流量数据，例如通过设于十字路口的交通监控设备实时获取道路的车流量、人流量以及道路状况等道路全局信息，以得到路况环境数据。结合路况环境数据，初步规划出车辆到达目的地点的初始驾驶路线，控制车辆启动自动驾驶，并控制车辆按照初始路线进行自动驾驶。

进一步地，自动驾驶车辆上一般设有传感装置，例如摄像头、激光雷达等，车辆通过激光雷达能实时感应周边环境，并形成高清立体图形，可用来探测驾驶过程中车辆周围的其他车辆和障碍物，通过摄像头能识别外界环境的颜色，在光照充足的条件下，还能识别很远的物体，具有较高的分辨率。感知融合模块通过设于自动驾驶车辆上的摄像头和激光雷达进行全方位环境感知，获取自动驾驶车辆外界环境的视觉数据和激光点云数据，得到车辆驾驶数据。优选地，还可以通过车载GPS定位器获取车辆实时位置信息。

感知融合模块将车辆驾驶数据和实时路况环境数据进行数据对齐，包括时间对齐和空间对齐。其中，时间对齐包括对齐车辆驾驶数据和路况环境数据的发生时间，同步同一时间点的车辆驾驶数据和实时路况环境数据；空间对齐则是对齐车辆驾驶数据和路况环境数据的发生位置，根据车载GPS定位器获取的车辆实时位置数据调取车辆所处位置对应的路况环境数据，同步同一位置段的车辆驾驶数据和路况环境数据。

感知融合模块将对齐后的数据输入卷积神经网络模型中，通过多层卷积层对车辆驾驶数据和路况环境数据进行特征提取，得到多数据特征，再将多数据特征进行特征级数据融合，合并成一个超级传感器数据，得到多源融合数据。多源融合数据是对驾驶路况的全面探测结果，不受感知距离和感知角度的限制，包括行人状态数据和来车状态数据。需要说明的是，本实施例所述数据融合包括车辆驾驶数据与车辆驾驶数据之间、车辆驾驶数据与路况环境数据之间以及路况环境数据与路况环境数据之间的多层次融合，以提高对驾驶路况探测的可靠性和准确性。

多数据特征的特征级融合可以对特征维度进行扩充，例如，卷积神经网络模型输出视觉数据特征和激光点云数据特征，将视觉数据特征和激光点云数据特征进行特征融合时，可以将激光雷达点云数据特征直接投影在视觉数据特征的二维图像平面上，把形成的深度、密度等特征信息和图像像素信息进行结合，同时把对应的点云信息维度进行颜色拓展，实现对点云数据特征在三维空间的数据特征融合，可表示为：

P＝(x,y,z,a,r,g,b)

式中，P表示特征融合结果，a表示激光雷达的反射强度值，r,g,b,为对应激光雷达点云数据特征投影在视觉数据特征的二维图像上的像素RGB颜色分量。

进一步地，车路协同模块根据行人状态数据进行行人动态评估，评估自动驾驶车辆周围的行人动态，分析出行人的相对位置、走向以及速度，比如评估行人与自动驾驶车辆之间的相对距离和方位，行人相对于自动驾驶车辆是在靠近车辆还是远离车辆，同时分析出行人的行走速度；根据来车状态数据进行来车动态评估，评估自动驾驶车辆一定范围内的其他车辆，分析出其他车辆的相对位置、行驶朝向、转向趋势以及行驶速度，比如评估其他车辆相对于自动驾驶车辆的位置区域，其与自动驾驶车辆是相向而行还是同向而行，或根据其他车辆的转向灯判断其行驶方向趋势。根据行人动态评估结果和来车动态评估结果进行车路协同，分析自动驾驶车辆若按照原有的行驶路线继续行驶，是否会与行人或来车发生碰撞，若有，则根据评估结果生成自动避险驾驶决策，以自动避开可能会相撞的行人和来车。

例如：车路协同模根据行人状态数据进行行人动态评估，分析出距离自动驾驶车辆正前方10m处有一个行人迎面走来，其行走速度为5km/h；根据来车状态数据进行来车动态评估，分析出自动驾驶车辆的正后方有一辆同向而行的其他车辆，其左转向灯为闪烁状态，行驶速度为65km/h。根据行人动态评估结果和来车动态评估结果进行车路协同，若此时继续保持原路线行驶，可能会与行人发生碰撞，因此需要使自动驾驶车辆减速，并向右或向左改变行驶路线，以避开行人，同时自动驾驶车辆后方有其他车辆的左转向灯闪烁，其可能会从自动驾驶车辆的左后方超车，因此需要使自动驾驶车辆减速并避免靠左行驶，以避开来车车辆。结合行人动态评估结果和来车动态评估结果，则生成使自动驾驶车辆减速向右改变行驶路线的自动避险驾驶决策。

进一步地，避险驾驶模块根据自动避险驾驶决策生成自动驾驶控制指令，根据自动驾驶控制指令控制车辆各执行结构进行参数调整，包括通过控制自动驾驶车辆的油门和制动来调整行驶速度，通过控制方向盘调整转向，通过控制档杆调整行驶档位，通过控制灯光系统调整车辆亮灯情况等等。自动驾驶车辆根据自动驾驶控制指令进行驾驶参数调整，能快速准确的进行自动避险，使自动驾驶车辆在自动驾驶过程中实现安全行驶。

本发明实现了车辆的自动驾驶，且能对驾驶路况进行全面探测，不受感知距离和感知角度的限制，在自动驾驶过程中综合路况信息和车辆行驶信息实现车路协同，以进行自动避险，提高了自动驾驶的安全性。

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

Claims (10)

1.一种车辆自动驾驶方法，其特征在于，步骤包括：

获取车辆目的地点和路况环境数据，结合所述车辆目的地点和路况环境数据进行初始路线规划，并控制车辆按照初始路线自动驾驶；

获取车辆驾驶数据，根据所述车辆驾驶数据和路况环境数据进行数据融合，得到多源融合数据；

根据所述多源融合数据进行路况动态评估，并根据路况动态评估结果进行车路协同，生成自动避险驾驶决策；

根据所述自动避险驾驶决策控制车辆进行自动驾驶模式调整。

2.根据权利要求1所述的一种车辆自动驾驶方法，其特征在于，所述获取车辆目的地点和路况环境数据，结合所述车辆目的地点和路况环境数据进行初始路线规划，并控制车辆按照初始路线自动驾驶，具体为：

接收目的地点输入指令，根据所述输入指令确定车辆目的地点；

通过设于公共路口的道路监控设备实时获取道路的动态交通状况和流量数据，以得到路况环境数据，所述流量数据包括人流量数据和车流量数据；

结合所述车辆目的地点和路况环境数据进行初始路线规划；

控制车辆启动自动驾驶，并控制车辆按照所述初始路线进行自动驾驶。

3.根据权利要求2所述的一种车辆自动驾驶方法，其特征在于，所述获取车辆驾驶数据，根据所述车辆驾驶数据和路况环境数据进行数据融合，得到多源融合数据，具体为：

通过设于车辆上的摄像头和激光雷达进行环境感知，以获取车辆外界环境的视觉数据和激光点云数据，得到车辆驾驶数据；

将所述车辆驾驶数据和路况环境数据进行特征提取，得到多数据特征；

将所述多数据特征进行特征融合，得到多源融合数据；

所述多源融合数据包括行人状态数据和来车状态数据。

4.根据权利要求3所述的一种车辆自动驾驶方法，其特征在于，所述根据所述多源融合数据进行路况动态评估，并根据路况动态评估结果进行车路协同，生成自动避险驾驶决策，具体为：

根据所述行人状态数据进行行人动态评估，分析得到行人的相对位置、走向以及速度；

根据所述来车状态数据进行来车动态评估，分析得到来车车辆的相对位置、行驶朝向、转向趋势以及行驶速度；

根据所述行人动态评估结果和来车动态评估结果进行车路协同，生成自动避险驾驶决策。

5.根据权利要求4所述的一种车辆自动驾驶方法，其特征在于，所述根据所述自动避险驾驶决策控制车辆进行自动驾驶模式调整，具体为：

根据所述自动避险驾驶决策生成自动驾驶控制指令，根据所述自动驾驶控制指令控制车辆执行机构进行参数调整，以控制车辆安全行驶；

所述自动驾驶参数调整包括但不限于调整车辆的速度、转向、档位以及灯光。

6.一种车辆自动驾驶系统，其特征在于，包括：

初始驾驶模块：用于获取车辆目的地点和路况环境数据，结合所述车辆目的地点和路况环境数据进行初始路线规划，并控制车辆按照初始路线自动驾驶；

感知融合模块：用于获取车辆驾驶数据，根据所述车辆驾驶数据和路况环境数据进行数据融合，得到多源融合数据；

车路协同模块：用于根据所述多源融合数据进行路况动态评估，并根据路况动态评估结果进行车路协同，生成自动避险驾驶决策；

避险驾驶模块：用于根据所述自动避险驾驶决策控制车辆进行自动驾驶模式调整。

7.根据权利要求6所述的一种车辆自动驾驶系统，其特征在于，所述初始驾驶模块具体用于：

接收目的地点输入指令，根据所述输入指令确定车辆目的地点；

通过设于公共路口的道路监控设备实时获取道路的动态交通状况和流量数据，以得到路况环境数据，所述流量数据包括人流量数据和车流量数据；

结合所述车辆目的地点和路况环境数据进行初始路线规划；

控制车辆启动自动驾驶，并控制车辆按照所述初始路线进行自动驾驶。

8.根据权利要求7所述的一种车辆自动驾驶系统，其特征在于，所述感知融合模块具体用于：

通过设于车辆上的摄像头和激光雷达进行环境感知，以获取车辆外界环境的视觉数据和激光点云数据，得到车辆驾驶数据；

将所述车辆驾驶数据和路况环境数据进行特征提取，得到多数据特征；

将所述多数据特征进行特征融合，得到多源融合数据；

所述多源融合数据包括行人状态数据和来车状态数据。

9.根据权利要求8所述的一种车辆自动驾驶系统，其特征在于，所述车路协同模块具体用于：

根据所述行人状态数据进行行人动态评估，分析得到行人的相对位置、走向以及速度；

根据所述来车状态数据进行来车动态评估，分析得到来车车辆的相对位置、行驶朝向、转向趋势以及行驶速度；

根据所述行人动态评估结果和来车动态评估结果进行车路协同，生成自动避险驾驶决策。

10.根据权利要求9所述的一种车辆自动驾驶系统，其特征在于，所述避险驾驶模块具体用于：

根据所述自动避险驾驶决策生成自动驾驶控制指令，根据所述自动驾驶控制指令控制车辆执行机构进行参数调整，以控制车辆安全行驶；

所述自动驾驶参数调整包括但不限于调整车辆的速度、转向、档位以及灯光。

Images