CN115743109A - 车辆的制动控制方法、装置、电子设备及存储介质 - Google Patents
车辆的制动控制方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115743109A CN115743109A CN202211455471.2A CN202211455471A CN115743109A CN 115743109 A CN115743109 A CN 115743109A CN 202211455471 A CN202211455471 A CN 202211455471A CN 115743109 A CN115743109 A CN 115743109A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- obstacle
- collision risk
- relative position
- motion information
- 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
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种车辆的制动控制方法、装置、电子设备及存储介质,该方法包括:获取车辆的运动信息、障碍物的运动信息以及障碍物相对于车辆的当前相对位置;根据车辆的运动信息和障碍物的运动信息,确定车辆的碰撞风险区域;根据车辆的运动信息、障碍物的运动信息和当前相对位置,确定障碍物在预测时间相对于车辆的预测相对位置;若预测相对位置位于碰撞风险区域内,则根据碰撞风险区域和预测相对位置的关系确定车辆的制动方式;根据制动方式对车辆进行制动控制。本申请能够通过对障碍物在预测时间的预测相对位置进行确定,并基于该预测相对位置和车辆的碰撞风险区域之间的关系来确定制动方式,使得车辆的碰撞风险确定和制动控制更加准确。
Description
技术领域
本申请涉及车辆的制动控制技术领域,更具体地,涉及一种车辆的制动控制方法、装置、电子设备及存储介质。
背景技术
随着科技的快速发展,车辆的辅助驾驶和智能自动驾驶领域在驾驶过程中越来越普及。为了车辆和人身安全,需要通过对车辆周围的障碍物与车辆是否会发生碰撞进行确定,并通过测距传感器确定障碍物与车辆的距离,结合车辆自身的运动参数进行避障处理。但目前,只能根据当前障碍物的位置信息与车辆的位置信息进行避障处理,无法提前预测车辆是否存在碰撞风险。如何提前对车辆的碰撞风险进行预测成为亟待解决的问题。
发明内容
有鉴于此,本申请实施例提出了一种车辆的制动控制方法、装置、电子设备及存储介质,以改善上述问题。
根据本申请实施例的一个方面,提供了一种车辆的控制方法,所述方法包括:获取车辆的运动信息、障碍物的运动信息以及所述障碍物相对于所述车辆的当前相对位置;根据所述车辆的运动信息和所述障碍物的运动信息,确定所述车辆的碰撞风险区域;根据所述车辆的运动信息、所述障碍物的运动信息和所述当前相对位置,确定所述障碍物在预测时间相对于所述车辆的预测相对位置;若所述预测相对位置位于所述碰撞风险区域内,则根据所述碰撞风险区域和所述预测相对位置的关系确定所述车辆的制动方式;根据所述制动方式对所述车辆进行制动控制。
根据本申请实施例的一个方面,提供了一种车辆的制动控制装置,所述装置包括:运动信息获取模块,用于获取车辆的当前运动信息、障碍物的运动信息和所述障碍物相对于车辆的相对位置;碰撞风险区域确定模块,用于根据所述车辆的运动信息和所述障碍物的运动信息确定所述车辆的碰撞风险区域;预测相对位置确定模块,用于根据所述车辆的运动信息、所述障碍物的运动信息和所述相对位置确定所述障碍物在预测时间相对于所述车辆的预测相对位置;制动方式确定模块,用于若所述预测相对位置位于所述碰撞风险区域内,则根据所述碰撞风险区域和所述预测相对位置的关系确定所述车辆的制动方式;制动控制模块,用于根据所述制动方式对所述车辆进行制动控制。
根据本申请实施例的一个方面,提供了一种电子设备,包括:处理器;存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,实现如上所述车辆的制动控制方法。
根据本申请实施例的一个方面,提供了一种计算机可读存储介质,其上存储有计算机可读指令,当所述计算机可读指令被处理器执行时,实现如上所述车辆的制动控制方法。
在本申请的方案中,通过获取的车辆的运动信息、障碍物的运动信息和障碍物相对于车辆的当前相对位置来确定车辆的碰撞风险区域和障碍物在预测时间相对于车辆的预测相对位置,然后在确定车辆的预测相对位置位于碰撞风险区域内时,根据碰撞风险区域和预测相对位置的关系确定车辆的制动方式,最后根据该制动方式对车辆进行制动控制。本申请能够通过对障碍物在预测时间的预测相对位置进行确定,并基于该预测相对位置和车辆的碰撞风险区域之间的关系来确定制动方式,使得车辆的碰撞制动更加准确,并且本申请通过融合障碍物的图像和障碍物的点云数据来确定障碍物的运动信息,使得障碍物的运动信息更加准确。
应当理解的是,以上的一般描述和后文细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。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是根据本申请一实施例示出的适用于本申请的应用场景图。
图2是根据本申请一实施例示出的车辆的制动控制方法的流程图。
图3是根据本申请另一实施例示出的车辆的制动控制方法的流程图。
图4是根据本申请一实施例示出的步骤320的具体步骤的流程图。
图5是根据本申请又一实施例示出的车辆的制动控制方法的流程图。
图6是根据本申请一实施例示出的车辆的碰撞风险区域的示意图。
图7是根据本申请还一实施例示出的车辆的制动控制方法的流程图。
图8本申请另一实施例示出的根据传感器固有范围视场构建的密集的输入图像。
图9是根据本申请一实施例示出的车辆的制动控制装置的框图。
图10是根据本申请一实施例示出的电子设备的硬件结构图。
通过上述附图,已示出本发明明确的实施例,后文中将有更详细的描述,这些附图和文字描述并不是为了通过任何方式限值本发明构思的范围,而是通过特定实施例为本领域计算书人员说明本发明的概念。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本申请将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
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。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本申请的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
图1是根据本申请一实施例示出的适用于本申请的应用场景图,如图1所示,该应用场景中包括车辆110和障碍物120,其中,车辆110包括雷达传感器111和图像采集传感器112。
在本应用场景中,通过获取图像采集传感器112采集的障碍物120的图像和雷达传感器111采集的障碍物120的点云数据确定车辆110的运动信息、障碍物120的运动信息以及障碍物120相对于车辆110的当前相对位置,然后根据车辆110的运动信息和障碍物120的运动信息,确定车辆110的碰撞风险区域;以及根据车辆110的运动信息、障碍物120的运动信息和当前相对位置,确定障碍物120在预测时间相对于车辆110的预测相对位置;若预测相对位置位于碰撞风险区域内,则根据碰撞风险区域和预测相对位置的关系确定车辆110的制动方式;最后,根据制动方式对车辆110进行制动控制。可选的,障碍物120可以是移动的车辆、移动的人或动物等,在此不做具体限定。
请参阅图2,图2示出了本申请一实施例提供的车辆的制动控制方法,在具体的实施例中,该车辆的控制方法可以应用于如图9所示的车辆的制动控制装置900以及配置有车辆的制动控制装置900的电子设备1000(图10)。下面将说明本实施例的具体流程,当然,可以理解的,该方法可以由具备计算处理能力的电子设备执行,电子设备例如台式电脑、笔记本电脑、车载终端、车机大屏等终端设备,该方法还可以由包括服务器和终端的处理系统来交互执行。下面将针对图2所示的流程进行详细的阐述,所述车辆的制动控制方法具体可以包括以下步骤:
步骤210,获取车辆的运动信息、障碍物的运动信息以及所述障碍物相对于所述车辆的当前相对位置。
可选的,车辆的运动信息通过获取车辆的当前行驶信息得到,其中,车辆的运动信息包括但不限于车辆的移动速度、车辆的当前位置信息和行驶方向等。
作为一种方式,障碍物可以是正在移动的物体,例如,正在车辆前方行驶的其他车辆;也可以是正在移动的行人或者动物等。可选的,障碍物还可以是静止不动的物体,例如路障、路桩、墙等。
作为一种方式,障碍物的运动信息可包括障碍物的移动速度、障碍物的移动方向、障碍物与车辆之间的距离等。
作为一种方式,可以车辆的质心为原点,障碍物与车辆的质心之间的距离为障碍物相对于车辆的相对距离,则可以理解的是,障碍物相对于车辆的当前相对位置为障碍物以车辆的质心为原点的位置。可选的,可通过雷达传感器所采集的车辆的周围环境中的障碍物的点云数据来确定障碍物相对于车辆的当前相对位置。
步骤220,根据所述车辆的运动信息和所述障碍物的运动信息,确定所述车辆的碰撞风险区域。
碰撞风险区域是指障碍物与车辆可能存在碰撞风险的区域,可选的,碰撞风险区域可以是以车辆所在实时位置为参照点,在车辆的当前位置处的一定范围内的区域。可选的,碰撞风险区域可以是在车辆的正前方或正后方的保持一定距离的范围,也可以是在车辆的四周均存在一定距离的范围。
作为一种方式,可根据车辆的移动速度和障碍物的移动速度来确定车辆的碰撞风险区域。可选的,可先根据车辆的移动速度和障碍物的移动速度确定障碍物相对于车辆的相对速度。其中,车辆的移动速度和障碍物的移动速度是以静止不动的物体为参照物所测量的移动速度,为了确定车辆以当前移动速度和障碍物以当前移动速度进行匀速行驶时,是否会在某一时间点发生碰撞,需要确定障碍物相对于车辆的相对速度。基于该相对速度可确定车辆与障碍物以当前移动速度进行匀速行驶时的纵向距离,然后再根据障碍物的点云数据来确定障碍物所在车道的宽度,根据该宽度确定车辆与障碍物以当前移动速度进行匀速行驶时的横向距离,最后根据该纵向距离和横向距离确定车辆的碰撞风险区域。
作为另一种方式,在确定车辆的碰撞风险区域时,还需根据车辆的行驶方向。可选的,以车辆的质心为参考点,车辆的行驶方向作为碰撞风险区域的纵向区域的方向,与车辆的行驶方向垂直的方向作为碰撞风险区域的横向区域的方向。
步骤230,根据所述车辆的运动信息、所述障碍物的运动信息和所述当前相对位置,确定所述障碍物在预测时间相对于所述车辆的预测相对位置。
作为一种方式,当根据车辆所采集的障碍物的图像以及障碍物的点云数据确定,障碍物与车辆之间的距离大于车辆的预设距离时,当前车辆与障碍物不会发生碰撞,但无法保证在一定时长后,车辆与障碍物不会发生碰撞,因此,为了确定在一定时长后,车辆是否会与障碍物发生碰撞,则需要对一定时长后障碍物相对于车辆的相对位置进行预测,得到预测相对位置,然后基于预测相对位置来进行碰撞风险的判断。
可选的,若在固定时间间隔内车辆是匀速行驶,障碍物的移动也是匀速行驶,则以车辆为参考坐标系,通过持续记录车辆自身位移数据以及行驶方向和障碍物的相对位置、移动速度和行驶方向等信息,即可计算出在固定时间间隔内障碍物相对于车辆的相对速度和相对行驶方向。
步骤240,若所述预测相对位置位于所述碰撞风险区域内,则根据所述碰撞风险区域和所述预测相对位置的关系确定所述车辆的制动方式。
作为一种方式,当确定障碍物的预测相对位置位于车辆的碰撞风险区域内时,可确定车辆以当前的移动速度继续匀速进行行驶,存在与障碍物在一定时间间隔后发生碰撞的风险,此时需要根据障碍物的预测相对位置和车辆的碰撞风险区域之间的关系来确定是否需要对车辆进行制动控制,以及对车辆进行制动控制的制动方式。
作为另一种方式,在确定障碍物的预测相对位置与车辆的碰撞风险区域时,还需要考虑车辆的位置。可选的,若车辆以当前的移动速度匀速进行行驶,需确定在预设时间点车辆的位置以及车辆的碰撞风险区域确定车辆在预设时间点的碰撞风险区域的位置信息,再根据障碍物的预测相对位置和障碍物的相对位置和车辆的碰撞风险区域的位置信息确定碰撞风险区域和预测相对位置的关系。
作为一种方式,车辆的碰撞风险区域可包括第一风险区域和第二风险区域,第一风险区域包括第二风险区域,可以理解的是,第二风险区域的面积小于第一风险区域的面积,并且第二风险区域位于第一风险区域内。可选的,车辆的碰撞风险区域和障碍物的预测相对位置的关系可以是障碍物的预测相对位置位于车辆的第一风险区域,或障碍物的预测相对位置位于第二风险区域内。
可选的,可预先针对障碍物的预测相对位置与车辆的碰撞风险区域之间的关系设各自对应的制动方式,当确定障碍物的预测相对位置与车辆的碰撞风险区域之间的关系后,即可确定车辆的制动方式。
在一些实施例中,步骤240还包括:若所述预测相对位置位于所述碰撞风险区域内,则生成警报信息,并根据所述警报信息进行碰撞风险报警。
作为一种方式,当确定障碍物的预测相对位置位于车辆的碰撞风险区域内时,可确定车辆继续以当前移动速度进行行驶会与障碍物发生碰撞,则在预测相对位置位于碰撞风险区域内时,对用户进行提醒。可选的,可生成警报信息,车辆的车机大屏根据该警报信息进行碰撞风险报警,还可以是将该警报信息发送至与车辆通信连接的电子设备上,以使与车辆通信连接的电子设备根据该警报进行碰撞风险报警。可选的,根据警报信息进行碰撞风险报警可以是根据该警报信息进行语音报警,或根据该警报信息生成文字,然后弹幕显示该文字进行碰撞风险报警。
步骤250,根据所述制动方式对所述车辆进行制动控制。
作为一种方式,当确定了制动方式后,根据制动方式中设定的减速度对车辆进行制动控制。可选的,车辆的制动方式可包括以车辆最大的减速度对车辆进行减速制动,以及以小于最大减速度的预设减速度对车辆进行减速。其中,小于最大减速度的预设减速度可以是乘客在车辆以该减速度进行减速制动时不会出现不适的感觉的减速度。
在本申请的实施例中,通过获取的车辆的运动信息、障碍物的运动信息和障碍物相对于车辆的当前相对位置来确定车辆的碰撞风险区域和障碍物在预测时间相对于车辆的预测相对位置,然后在确定车辆的预测相对位置位于碰撞风险区域内时,根据碰撞风险区域和预测相对位置的关系确定车辆的制动方式,最后根据该制动方式对车辆进行制动控制。本申请能够通过对障碍物在预测时间的预测相对位置进行确定,并基于该预测相对位置和车辆的碰撞风险区域之间的关系来确定制动方式,使得车辆的碰撞制动更加准确,并且本申请通过融合障碍物的图像和障碍物的点云数据来确定障碍物的运动信息,使得障碍物的运动信息更加准确。
请参阅图3,图3示出了本申请一实施例提供的车辆的制动控制方法。下面将针对图3所示的流程进行详细的阐述,在本实施例中,所述车辆的运动信息包括所述车辆的移动速度,所述障碍物的运动信息包括所述障碍物的移动速度,所述车辆的制动控制方法具体可以包括以下步骤:
步骤310,获取车辆的运动信息、障碍物的运动信息以及所述障碍物相对于所述车辆的当前相对位置。
其中,步骤310的具体步骤描述可参阅步骤210,在此不再进行赘述。
步骤320,根据所述车辆的运动信息和所述障碍物的运动信息,确定所述车辆的碰撞风险区域。
在一些实施例中,所述碰撞风险区域包括第一碰撞风险区域和第二碰撞风险区域,其中,所述第一碰撞风险区域包围所述第二碰撞风险区域;如图4所示,步骤320包括:
步骤321,获取所述障碍物所在车道的宽度。
作为一种方式,可根据车辆采集障碍物的图像进行车道识别,识别出障碍物所在车道,对应在障碍物的点云数据中确定该车道对应的点云数据,然后结合图像中车道的位置以及对应的点云数据确定出障碍物所在车道的宽度。
作为另一种方式,可先基于车辆采集的障碍区的图像确定车辆与障碍物是否在同一车道,若车辆与障碍物在同一车道,即可通过车辆的运动信息确定车辆所在的车道的宽度,即可确定障碍物所在车道的宽度。
步骤322,获取所述车辆的第一减速度和所述车辆的第二减速度,所述第一减速度小于所述第二减速度。
作为一种方式,第二减速度可以是车辆的最大减速度,第一减速度是小于最大减速度的一设定减速度值。可选的,第一减速度可以是该车辆用户自定义设置的减速度,也可以是根据车辆的历史行驶记录所确定的减速度。可选的,若第一减速度是根据车辆的历史行驶记录所确定的减速度,可以是在历史行驶记录中,使用出现频率最高的减速度,也可以是在设定减速度范围内所有减速度的平均值,可根据实际需要来设定,在此不做具体限定。
步骤323,根据所述车辆的运动信息确定所述车辆的安全距离。
作为一种方式,车辆的运动信息中可包括车辆的当前移动速度,驾驶员的反应时延以及车辆的响应时延等。可选的,车辆的安全距离可以是根据车辆的当前移动速度,驾驶员的反应时延以及车辆的响应时延计算得到。可通过D0=V0*(t1+t2)计算得到,其中,D0为车辆的安全距离,V0为车辆的当前移动速度,t1为驾驶员的反应时延,t2为车辆的响应时延。
作为另一种方式,可预先针对车辆的不同移动速度区间计算出对应的安全距离并生成移动速度区间与安全距离之间的映射关系,可根据车辆的当前速度对应的移动速度区间和该映射关系来确定车辆的当前移动速度对应的安全距离。可选的,在不同天气下、不同路况下对应的移动速度区间与安全距离之间的映射关系不同。
步骤324,根据所述第一减速度、所述安全距离、所述车辆的移动速度和所述相对速度确定第一纵向距离,以及根据所述第二减速度、所述安全距离、所述车辆的移动速度和所述相对速度确定第二纵向距离。
作为一种方式,可根据计算得到第一纵向距离,其中,Dy2为第一纵向距离,Voy为车辆的移动速度,VAy为障碍物的相对速度,au为第一减速度;可根据计算得到第二纵向距离,其中,Dy3为第二纵向距离,aw为第二减速度。
步骤325,根据所述宽度和所述第一纵向距离确定所述第一碰撞风险区域,以及根据所述宽度和所述第二纵向距离确定所述第二碰撞风险区域。
作为一种方式,在确定车辆的碰撞风险区域时,可将障碍物所在车道的宽度的一般作为车辆的横向距离,再基于第一纵向距离和横向距离确定第一碰撞风险区域,以及根据横向距离和第二纵向距离确定第二碰撞风险区域。
请继续参阅图3,步骤330,根据所述车辆的移动速度和所述障碍物的移动速度,确定所述障碍物相对于所述车辆的相对速度。
作为一种方式,可以车辆所在位置为原点,车辆的前进方向为Y轴正方向,与车辆的前进方向垂直的方向作为X轴正方向,以此建立坐标系,假设车辆在横向、纵向行驶的过程中的移动速度是一个矢量障碍物的移动速度为矢量可确定相对速度可选的, 表示单位时间内障碍物的横向相对速度,表示单位时间内障碍物的纵向相对速度。x为障碍物在单位时间内的横向位移,即在单位时间内相对于车辆横向所移动的距离;y为障碍物在单位时间内的纵向位移,即在单位时间内相对于车辆纵向所移动的距离。
步骤340,根据当前相对位置和所述相对速度,确定所述障碍物在所述预测时间相对于所述车辆的预测相对位置。
作为一种方式,可预先设定预测周期和每个预测周期的周期时长,根据预测周期确定在预测时间障碍物相对于车辆的预测相对位置。
作为一种方式,在预测时间内,障碍物和车辆保持安全距离,车辆按照矢量速度进行匀速行驶,障碍物的相对速度为矢量在T时刻时,障碍物的预测相对位置为:其中,A″为障碍物的预测相对位置,A′为障碍物的当前相对位置。
步骤350,若所述预测相对位置位于所述碰撞风险区域内,则根据所述碰撞风险区域和所述预测相对位置的关系确定所述车辆的制动方式。
步骤360,根据所述制动方式对所述车辆进行制动控制。
其中,步骤350-步骤360的具体步骤描述可参阅步骤240-步骤250,在此不再进行赘述。
在本实施例中,通过根据车辆的移动速度和障碍物的移动速度确定障碍物的相对速度,然后基于该相对速度和障碍物的当前相对位置确定在预测时间障碍物的预测相对位置,然后基于该预测相对位置和车辆的碰撞风险区域的关系来确定车辆的制动方式,使得车辆的制动控制更加准确。
请参阅图5,图5示出了本申请一实施例提供的车辆的制动控制方法。下面将针对图5所示的流程进行详细的阐述,在本实施例中,所述碰撞风险区域包括第一碰撞风险区域和第二碰撞风险区域,其中,所述第一碰撞风险区域包围所述第二碰撞风险区域,所述障碍物的运动信息包括所述障碍物的移动速度,所述车辆的制动控制方法具体可以包括以下步骤:
步骤410,获取车辆的运动信息、障碍物的运动信息以及所述障碍物相对于所述车辆的当前相对位置。
步骤420,根据所述车辆的运动信息和所述障碍物的运动信息,确定所述车辆的碰撞风险区域。
步骤430,根据所述车辆的运动信息、所述障碍物的运动信息和所述当前相对位置,确定所述障碍物在预测时间相对于所述车辆的预测相对位置。
其中,步骤410-步骤430的具体步骤描述可参阅步骤210-步骤230,在此不再进行赘述。
步骤440,若所述预测相对位置位于所述第一碰撞风险区域内,则确定所述车辆的制动方式为第一制动方式。
作为一种方式,第一碰撞风险区域为车辆的预警区域,在该区域内,可确定车辆可能会与障碍物发生碰撞,此时则需要对车辆进行减速制动,以避免车辆在预测时间与障碍物发生碰撞。如图6所示,图6中的DCEF对应的区域为第一碰撞风险区域,A″为障碍物在预测时间的预测相对位置。可选的,若预测相对位置A″为第一碰撞风险区域DCEF的子集,则可确定预测相对位置位于第一碰撞风险区域内。
可选的,第一制动方式为根据第一减速度对车辆进行减速制动的方式。其中,第一减速度可以是用户自定义设置的减速度,也可以是车辆根据历史行驶记录计算的减速度,可根据实际需要来设定。
步骤450,若所述预测相对位置位于所述第二碰撞风险区域内,则确定所述车辆的制动方式为第二制动方式,其中,所述第一制动方式是根据第一减速度进行制动的方式,所述第二制动方式是根据第二减速度进行制动的方式,所述第一减速度小于所述第二减速度。
作为一种方式,第二碰撞风险区域为车辆的紧急制动区域,在该区域内,可确定车辆一定会与障碍物发生碰撞,此时则需要对车辆进行紧急制动,以避免车辆与障碍物发生碰撞。如图6所示,图6中的ABCD对应的区域为第一碰撞风险区域。可选的,若预测相对位置A″为第一碰撞风险区域ABCD的子集,则可确定预测相对位置位于第一碰撞风险区域内。其中,第二碰撞风险区域的面积小于第一碰撞风险区域的面积。
请继续参阅图5,步骤460,根据所述制动方式对所述车辆进行制动控制。
其中,步骤460的具体步骤描述可参阅步骤250,在此不再进行赘述。
在本实施例中,通过根据障碍物的预测相对位置与车辆的第一碰撞风险区域和第二碰撞风险区域之间的关系,来对应确定车辆的制动方式,可提高车辆在驾驶过程中的安全性,并且能够提高用户的体验感和驾驶感。
请参阅图7,图7示出了本申请一实施例提供的车辆的制动控制方法。下面将针对图7所示的流程进行详细的阐述,所述车辆的制动控制方法具体可以包括以下步骤:
步骤510,获取所述车辆采集的障碍物的图像和所述障碍物的点云数据。
作为一种方式,车辆中设有数据采集传感器或数据采集域控制器,通过该数据采集传感器或数据采集域控制器采集障碍物的图像和障碍物的点云数据。
在一些实施例中,所述车辆包括图像采集传感器和雷达传感器,所述步骤510包括:获取通过所述图像采集传感器采集的所述障碍物的图像,以及获取通过所述雷达传感器采集的所述障碍物的点云数据。
作为一种方式,该车辆包括图像采集传感器和雷达传感器。可选的,可通过图像采集传感器来获取车辆所在环境周围的图像,通过图像传感器采集的图像对车辆所在环境周围的障碍物进行识别;并且同时通过车辆的雷达传感器对车辆所在环境周围的障碍物的点云数据进行采集。可选的,该雷达传感器可以是激光雷达传感器、毫米波雷达传感器等。
可选的,图像采集传感器可以是位于车辆的正前方的位置的摄像头(前视摄像头),也可以是车辆的行车记录仪。雷达传感器也可以是位于车辆的正前方的位置的雷达传感器。
步骤520,根据所述图像确定所述障碍物的第一属性信息。
作为一种方式,障碍物的第一属性信息可包括障碍物在图像中的位置、障碍物所在车道线的信息、障碍物的类别等。可选的,可通过对图像进行识别,确定障碍物的类别、障碍物的位置信息以及障碍物所在车道线。可选的,可通过神经网络对图像进行识别,例如,采用实例分割YOLACT++模型网络对图像中的移动目标、路沿、动物、行人、机动车、非机动车等目标进行检测,并根据识别出的目标位置区域对图像进行分割。可选的,可采用跟踪算法对检测目标进行跟踪。可选的,可采用实体分割的端到端车道线检测模型linenet模型对图像中的车道线进行识别,并输出实例分割结果,以及为每个车道线像素分配一个车道线ID。
步骤530,根据点云数据确定所述障碍物的第二属性信息。
作为一种方式,可通过将神经网络基于点云数据进行深度学习确定障碍物的第二属性信息,其中障碍物的第二属性信息可包括障碍物的移动速度、障碍物的行驶方向、障碍物的位置信息等。
步骤540,对所述第一属性信息和所述第二属性信息进行融合处理,得到所述障碍物相对于所述车辆的当前相对位置和所述障碍物的运动信息。
作为一种方式,可通过将第一属性信息和第二属性信息进行通不处理,使得第一属性信息和第二属性信息处于同一坐标系下,然后根据同步后的第一属性信息和第二属性信息来确定障碍物相对于车辆的当前相对位置和障碍物的运动信息。其中,在进行同和处理前,对于相同障碍物的第一属性信息和第二属性信息设置同一标识信息,可基于该标识信息来进行融合处理。
作为另一种方式,可将点云数据信息和图像进行融合,在基于融合后的数据信息进行识别来确定障碍物相对于车辆的当前相对位置和障碍物的运动信息。可选的,如图8所示,可通过使用LiDAR传感器的固有范围视场来构建一个密集的输入图像,然后基于该图像通过神经网络生成一组预测,并对于该图像中的每个激光雷达点,预测各激光雷达点为同一个类的概率,同时在俯视图中对边界框架进行概率分布回归,可选的,可通过使用自适应非最大抑制(NMS)算法来消除重叠的边框分布。基于该概率确定属于同一类的数据信息,并对属于同一类的数据信息进行提取,以此确定障碍物相对于车辆的当前相对位置和障碍物的运动信息。
可选的,可将每个激光雷达点分布通过均值漂移聚类进行组合,以降低单个预测中的噪声。可选的,在使用该神经网络之前,可对该神经网络进行端到端训练,并在边界框架上定义损失,在损失收敛时停止该神经网络的训练。
请继续参阅图7,步骤550,获取车辆的运动信息、障碍物的运动信息以及所述障碍物相对于所述车辆的当前相对位置。
步骤560,根据所述车辆的运动信息和所述障碍物的运动信息,确定所述车辆的碰撞风险区域。
步骤570,根据所述车辆的运动信息、所述障碍物的运动信息和所述当前相对位置,确定所述障碍物在预测时间相对于所述车辆的预测相对位置。
步骤580,若所述预测相对位置位于所述碰撞风险区域内,则根据所述碰撞风险区域和所述预测相对位置的关系确定所述车辆的制动方式。
步骤590,根据所述制动方式对所述车辆进行制动控制。
其中,步骤550-步骤590的具体步骤描述可参阅步骤210-步骤250,在此不再进行赘述。
在本实施例中,通过车辆中的图像采集传感器采集的障碍物的图像和雷达传感器采集的障碍物的点云数据来分别确定障碍物的第一属性信息和第二属性信息,然后对第一属性信息和第二属性信息进行融合处理得到障碍物相对于车辆的当前相对位置和障碍物的运动信息,能够基于视觉传感器和雷达传感器获取周围障碍物信息,通过多传感器融合策略能够获取障碍物的多种属性,相比单一传感器的数据来说,本实施例能够检测出障碍物的更多属性,同时提高了检测结果的置信度。
图9是根据本申请一实施例示出的车辆的制动控制装置的框图,如图9所示,该车辆的制动控制装置900包括:运动信息获取模块910、碰撞风险区域确定模块920、预测相对位置确定模块930、制动方式确定模块940和制动控制模块950。
运动信息获取模块,用于获取车辆的当前运动信息、障碍物的运动信息和所述障碍物相对于车辆的相对位置;碰撞风险区域确定模块,用于根据所述车辆的运动信息和所述障碍物的运动信息确定所述车辆的碰撞风险区域;预测相对位置确定模块,用于根据所述车辆的运动信息、所述障碍物的运动信息和所述相对位置确定所述障碍物在预测时间相对于所述车辆的预测相对位置;制动方式确定模块,用于若所述预测相对位置位于所述碰撞风险区域内,则根据所述碰撞风险区域和所述预测相对位置的关系确定所述车辆的制动方式;制动控制模块,用于根据所述制动方式对所述车辆进行制动控制。
在一些实施例中,所述车辆的运动信息包括所述车辆的移动速度,所述障碍物的运动信息包括所述障碍物的移动速度,所述预测相对位置确定模块包括:相对速度确定单元,用于根据所述车辆的移动速度和所述障碍物的移动速度,确定所述障碍物相对于所述车辆的相对速度;预测相对位置确定单元,用于根据当前相对位置和所述相对速度,确定所述障碍物在所述预测时间相对于所述车辆的预测相对位置。
在一些实施例中,所述碰撞风险区域包括第一碰撞风险区域和第二碰撞风险区域,其中,所述第一碰撞风险区域包围所述第二碰撞风险区域;所述碰撞风险区域确定模块包括:宽度获取单元,用于获取所述障碍物所在车道的宽度;减速度获取单元,用于获取所述车辆的第一减速度和所述车辆的第二减速度,所述第一减速度小于所述第二减速度;安全距离确定单元,用于根据所述车辆的运动信息确定所述车辆的安全距离;纵向距离确定单元,用于根据所述第一减速度、所述安全距离、所述车辆的移动速度和所述相对速度确定第一纵向距离,以及根据所述第二减速度、所述安全距离、所述车辆的移动速度和所述相对速度确定第二纵向距离;碰撞风险区域确定单元,用于根据所述宽度和所述第一纵向距离确定所述第一碰撞风险区域,以及根据所述宽度和所述第二纵向距离确定所述第二碰撞风险区域。
在一些实施例中,所述碰撞风险区域包括第一碰撞风险区域和第二碰撞风险区域,其中,所述第一碰撞风险区域包围所述第二碰撞风险区域;所述制动方式确定模块包括:第一制动方式确定单元,用于若所述预测相对位置位于所述第一碰撞风险区域内,则确定所述车辆的制动方式为第一制动方式;第二制动方式确定单元,用于若所述预测相对位置位于所述第二碰撞风险区域内,则确定所述车辆的制动方式为第二制动方式,其中,所述第一制动方式是根据第一减速度进行制动的方式,所述第二制动方式是根据第二减速度进行制动的方式,所述第一减速度小于所述第二减速度。
在一些实施例中,所述车辆的制动控制装置还包括:数据获取模块,用于获取所述车辆采集的障碍物的图像和所述障碍物的点云数据;第一属性确定模块,用于根据所述图像确定所述障碍物的第一属性信息;第二属性确定模块,用于根据点云数据确定所述障碍物的第二属性信息;融合处理模块,用于对所述第一属性信息和所述第二属性信息进行融合处理,得到所述障碍物相对于所述车辆的当前相对位置和所述障碍物的运动信息。
在一些实施例中,所述车辆包括图像采集传感器和雷达传感器,所述数据获取模块包括:数据获取单元,用于获取通过所述图像采集传感器采集的所述障碍物的图像,以及获取通过所述雷达传感器采集的所述障碍物的点云数据。
在一些实施例中,所述车辆的制动控制装置还包括:碰撞风险报警模块,用于若所述预测相对位置位于所述碰撞风险区域内,则生成警报信息,并根据所述警报信息进行碰撞风险报警。
根据本申请实施例的一个方面,还提供了一种电子设备,如图10所示,该电子设备1000包括处理器1010以及一个或多个存储器1020,一个或多个存储器1020用于存储被处理器1010执行的程序指令,处理器1010执行程序指令时实施上述的车辆的制动控制方法。
进一步地,处理器1010可以包括一个或者多个处理核。处理器1010运行或执行存储在存储器1020内的指令、程序、代码集或指令集,以及调用存储在存储器1020内的数据。可选地,处理器1010可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(ProgrammableLogic Array,PLA)中的至少一种硬件形式来实现。处理器1010可集成中央处理器(CentralProcessing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器中,单独通过一块通信芯片进行实现。
根据本申请实施例的一个方面,提供了计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述任一实施例中的方法。
根据本申请的一个方面,本申请还提供了一种计算机可读存储介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读存储介质承载计算机可读指令,当该计算机可读存储指令被处理器执行时,实现上述任一实施例中的方法。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (10)
1.一种车辆的制动控制方法,其特征在于,所述方法包括:
获取车辆的运动信息、障碍物的运动信息以及所述障碍物相对于所述车辆的当前相对位置;
根据所述车辆的运动信息和所述障碍物的运动信息,确定所述车辆的碰撞风险区域;
根据所述车辆的运动信息、所述障碍物的运动信息和所述当前相对位置,确定所述障碍物在预测时间相对于所述车辆的预测相对位置;
若所述预测相对位置位于所述碰撞风险区域内,则根据所述碰撞风险区域和所述预测相对位置的关系确定所述车辆的制动方式;
根据所述制动方式对所述车辆进行制动控制。
2.根据权利要求1所述的方法,其特征在于,所述车辆的运动信息包括所述车辆的移动速度,所述障碍物的运动信息包括所述障碍物的移动速度,所述根据所述车辆的运动信息、所述障碍物的运动信息和所述当前相对位置,确定所述障碍物在预测时间相对于所述车辆的预测相对位置,包括:
根据所述车辆的移动速度和所述障碍物的移动速度,确定所述障碍物相对于所述车辆的相对速度;
根据当前相对位置和所述相对速度,确定所述障碍物在所述预测时间相对于所述车辆的预测相对位置。
3.根据权利要求2所述的方法,其特征在于,所述碰撞风险区域包括第一碰撞风险区域和第二碰撞风险区域,其中,所述第一碰撞风险区域包围所述第二碰撞风险区域;所述根据所述车辆的运动信息和所述障碍物的运动信息,确定所述车辆的碰撞风险区域,包括:
获取所述障碍物所在车道的宽度;
获取所述车辆的第一减速度和所述车辆的第二减速度,所述第一减速度小于所述第二减速度;
根据所述车辆的运动信息确定所述车辆的安全距离;
根据所述第一减速度、所述安全距离、所述车辆的移动速度和所述相对速度确定第一纵向距离,以及根据所述第二减速度、所述安全距离、所述车辆的移动速度和所述相对速度确定第二纵向距离;
根据所述宽度和所述第一纵向距离确定所述第一碰撞风险区域,以及根据所述宽度和所述第二纵向距离确定所述第二碰撞风险区域。
4.根据权利要求1所述的方法,其特征在于,所述碰撞风险区域包括第一碰撞风险区域和第二碰撞风险区域,其中,所述第一碰撞风险区域包围所述第二碰撞风险区域;所述若所述预测相对位置位于所述碰撞风险区域内,则根据所述碰撞风险区域和所述预测相对位置的关系确定所述车辆的制动方式,包括:
若所述预测相对位置位于所述第一碰撞风险区域内,则确定所述车辆的制动方式为第一制动方式;
若所述预测相对位置位于所述第二碰撞风险区域内,则确定所述车辆的制动方式为第二制动方式,其中,所述第一制动方式是根据第一减速度进行制动的方式,所述第二制动方式是根据第二减速度进行制动的方式,所述第一减速度小于所述第二减速度。
5.根据所述权利要求1所述方法,其特征在于,在所述获取车辆的运动信息、障碍物的运动信息以及所述障碍物相对于所述车辆的当前相对位置之前,还包括:
获取所述车辆采集的障碍物的图像和所述障碍物的点云数据;
根据所述图像确定所述障碍物的第一属性信息;
根据点云数据确定所述障碍物的第二属性信息;
对所述第一属性信息和所述第二属性信息进行融合处理,得到所述障碍物相对于所述车辆的当前相对位置和所述障碍物的运动信息。
6.根据权利要求5所述的方法,其特征在于,所述车辆包括图像采集传感器和雷达传感器,所述获取所述车辆采集的障碍物的图像和所述障碍物的点云数据,包括:
获取通过所述图像采集传感器采集的所述障碍物的图像,以及获取通过所述雷达传感器采集的所述障碍物的点云数据。
7.根据权利要求1-5任一项所述的方法,其特征在于,所述方法还包括:
若所述预测相对位置位于所述碰撞风险区域内,则生成警报信息,并根据所述警报信息进行碰撞风险报警。
8.一种车辆的制动控制装置,其特征在于,所述装置包括:
运动信息获取模块,用于获取车辆的当前运动信息、障碍物的运动信息和所述障碍物相对于车辆的相对位置;
碰撞风险区域确定模块,用于根据所述车辆的运动信息和所述障碍物的运动信息确定所述车辆的碰撞风险区域;
预测相对位置确定模块,用于根据所述车辆的运动信息、所述障碍物的运动信息和所述相对位置确定所述障碍物在预测时间相对于所述车辆的预测相对位置;
制动方式确定模块,用于若所述预测相对位置位于所述碰撞风险区域内,则根据所述碰撞风险区域和所述预测相对位置的关系确定所述车辆的制动方式;
制动控制模块,用于根据所述制动方式对所述车辆进行制动控制。
9.一种电子设备,其特征在于,所述电子设备包括:
处理器;
存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读取存储介质,其特征在于,所述计算机可读取存储介质中存储有程序代码,所述程序代码可被处理器调用执行如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211455471.2A CN115743109A (zh) | 2022-11-21 | 2022-11-21 | 车辆的制动控制方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211455471.2A CN115743109A (zh) | 2022-11-21 | 2022-11-21 | 车辆的制动控制方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115743109A true CN115743109A (zh) | 2023-03-07 |
Family
ID=85333567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211455471.2A Pending CN115743109A (zh) | 2022-11-21 | 2022-11-21 | 车辆的制动控制方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115743109A (zh) |
-
2022
- 2022-11-21 CN CN202211455471.2A patent/CN115743109A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5620147B2 (ja) | 可動物予測装置及びプログラム | |
JP7145815B2 (ja) | 電子制御装置 | |
JP7289760B2 (ja) | 電子制御装置 | |
JPWO2019106789A1 (ja) | 処理装置及び処理方法 | |
US20220203971A1 (en) | Vehicle control method | |
CN112540606A (zh) | 避障的方法、装置、调度服务器及存储介质 | |
WO2020264276A1 (en) | Synthetic scenario generator based on attributes | |
US20220269836A1 (en) | Agent conversions in driving simulations | |
US20220266859A1 (en) | Simulated agents based on driving log data | |
CN115223131A (zh) | 一种自适应巡航的跟随目标车辆检测方法、装置及汽车 | |
CN114488072A (zh) | 障碍物检测方法、装置及存储介质 | |
CN115743109A (zh) | 车辆的制动控制方法、装置、电子设备及存储介质 | |
Bharmal et al. | Designing an autonomous cruise control system using an A3 LiDAR | |
US20220388534A1 (en) | Method and system for predicting behavior of actors in an environment of an autonomous vehicle | |
Sanberg et al. | Asteroids: A stixel tracking extrapolation-based relevant obstacle impact detection system | |
EP4325251A1 (en) | High throughput point cloud processing | |
CN117048596B (zh) | 避让障碍物的方法、装置、车辆及存储介质 | |
US20220379911A1 (en) | Using relevance of objects to assess performance of an autonomous vehicle perception system | |
US20220382284A1 (en) | Perception system for assessing relevance of objects in an environment of an autonomous vehicle | |
US20240190452A1 (en) | Methods and systems for handling occlusions in operation of autonomous vehicle | |
WO2023149003A1 (ja) | 車両制御装置 | |
EP4224434A1 (en) | Apparatus and method for evaluating a machine learning model used for assisted or autonomous driving of a vehicle | |
WO2022251769A1 (en) | Using relevance of objects to assess performance of an autonomous vehicle perception system | |
EP4298486A1 (en) | Agent conversions in driving simulations | |
Krapukhina et al. | A Method for Predicting Vehicles Motion Based on Road Scene Reconstruction and Neural Networks in Real Time |
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 |