CN115953754A - 基于驾驶的考试处理方法、装置及车辆 - Google Patents
基于驾驶的考试处理方法、装置及车辆 Download PDFInfo
- Publication number
- CN115953754A CN115953754A CN202211608193.XA CN202211608193A CN115953754A CN 115953754 A CN115953754 A CN 115953754A CN 202211608193 A CN202211608193 A CN 202211608193A CN 115953754 A CN115953754 A CN 115953754A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- lane
- map
- driving
- image
- 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
Classifications
-
- 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
- Traffic Control Systems (AREA)
Abstract
本申请提供的一种基于驾驶的考试处理方法、装置及车辆,涉及交通技术领域。该车辆在确定处于驾驶考试状态时,采集环境图像,并识别环境图像中的路况信息;车辆将设定考场区域地图的其中一个子地图的几何中心,确定为车辆在考场区域中的位置,其中,子地图与环境图像之间满足条件:相似度大于相似度阈值;车辆根据路况信息、车辆在考场区域中的位置及预设的驾考规则,生成驾考指令;车辆播放驾考指令。如此,无需监考官根据感知到的发出驾考指令,节省了人力成本,且提高了考试的公平性。
Description
技术领域
本申请涉及交通技术领域,尤其涉及一种基于驾驶的考试处理方法、装置及车辆。
背景技术
驾驶员需要通过驾照考试取得驾照后,才能合法地驾驶车辆。通常地,驾照考试包括理论考试科目一、场地考试科目二以及路考科目三。
目前,驾驶员科目三路考的过程中,由于路考面临的路况复杂,如包括社会车辆、行人、交通信号灯、岔路口等路况,因此需要监考官坐在驾驶员的一侧,根据当前的路况发出驾考指令(如变道、加速、以及减速等驾考指令),并评判驾驶员的操作是否合格。
由于需要监考官坐在驾驶员的一侧,浪费人力成本;且由于各个监考官对路况的感知不同,这样一来,可能会导致同样的路况,监考官可能会发出不同的驾考指令,影响考试的公平性。
发明内容
本申请提供一种基于驾驶的考试处理方法、装置及车辆,用于解决现有技术中驾驶员在驾考时,浪费人力成本,且驾考的公平性低的问题。
第一方面,本申请提供了一种基于驾驶的考试处理方法,包括:车辆在确定处于驾驶考试状态时,采集环境图像,并识别环境图像中的路况信息;车辆根据环境图像和预设的相似度阈值,从设定考场区域地图中的子地图中确定目标子地图,其中,目标子地图的相似度大于设定的阈值;车辆将目标子地图的几何中心,确定为车辆在考场区域中的位置;车辆根据路况信息、车辆在考场区域中的位置及预设的驾考规则,生成驾考指令;车辆播放驾考指令。
在一种可能的实施方式中,车辆根据环境图像和预设的相似度阈值,从设定考场区域地图中的子地图中确定目标子地图,其中,目标子地图的相似度大于设定的阈值;车辆将目标子地图的几何中心,确定为车辆在考场区域中的位置,包括:车辆确定车辆在考场区域地图中的参考位置;车辆确定考场区域地图中,以参考位置为中心的设定距离范围内的各个子地图;车辆确定各个子地图,分别与环境图像的相似度;当多个相似度中最大的相似度大于相似度阈值时,将最大的相似度对应的子地图的几何中心,确定为车辆在考场区域中的位置。
由于车辆仅需确定考场区域地图中,以参考位置为中心的设定距离范围内的各个子地图,与分别与环境图像的相似度,即可确定车辆在考场区域中的位置,减少了计算量。
在一种可能的实施方式中,车辆包括轮速计,车辆确定车辆在考场区域地图中的参考位置,包括:车辆通过轮速计采集行驶里程和行驶方向;车辆根据行驶里程和行驶方向,确定车辆在考场区域中的参考位置。
这样一来,可以准确地确定车辆在考场区域中的参考位置。
在一种可能的实施方式中,本申请提供的方法还可以包括:当多个相似度中最大的相似度小于相似度阈值时,扩大设定距离范围,并返回执行车辆确定以参考位置为中心的设定距离范围内的各个子地图,与环境图像的相似度的步骤。
这样一来,可以提高找到车辆在考场区域中的参考位置的可靠性。
在一种可能的实施方式中,路况信息包括:位于车辆前方的交通标识的类型与含义、车辆所在的车道的前方的物体的类型、位于车辆所在的车道的左侧的车道的前方的物体类型、以及位于车辆所在的车道的右侧的车道的前方的物体类型。
在一种可能的实施方式中,识别环境图像中的路况信息,包括:车辆基于预训练的交通标识检测模型,获取位于车辆前方的交通标识,并在交通标识与车辆的距离小于距离阈值时,识别交通标识的类型与含义;车辆基于预训练的车道检测模型,检测车辆所在的车道、位于车辆所在的车道的左侧的车道、以及位于车辆所在的车道的右侧的车道;车辆基于预训练的物体识别模型识别位于车辆所在的车道前方,且与车辆的距离小于距离阈值的物体的类型、位于车辆所在的车道的左侧的车道前方,且与车辆的距离小于距离阈值的物体的类型、位于车辆所在的车道的右侧的车道前方,且与车辆的距离小于距离阈值的物体的类型。
这样一来,可以快速准确地识别环境图像中的路况信息。
在一种可能的实施方式中,环境图像为环境矢量图像,车辆采集环境图像,包括:车辆通过设置于车辆的不同方位的N个摄像头,采集N个环境子矢量图像,并基于预设的图像融合算法,对N个摄像头采集的N个环境子矢量图像融合,得到环境矢量图像;或者,车辆通过设置于车辆的全景摄像头,采集环境矢量图像;或者,环境图像为点云图像,车辆通过设置于车辆的雷达,采集点云图像。
这样一来,能够快速准确地采集到环境图像。
第二方面,本申请提供的一种基于驾驶的考试处理装置,包括:图像识别单元,用于在确定处于驾驶考试状态时,采集环境图像,并识别环境图像中的路况信息;位置确定单元,用于根据环境图像和预设的相似度阈值,从设定考场区域地图中的子地图中确定目标子地图,其中,目标子地图的相似度大于设定的阈值;将目标子地图的几何中心,确定为车辆在考场区域中的位置;指令生成单元,用于根据路况信息、车辆在考场区域中的位置及预设的驾考规则,生成驾考指令;指令播放单元,用于播放驾考指令。
第三方面,本申请还提供了一种车辆,包括存储器、处理器以及存储在存储器中并可在所述处理器上运行的计算机程序,处理器执行计算机程序时,使得车辆执行如本申请第一方面提供的方法。
第四方面,本申请还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时,使得计算机执行如本申请第一方面提供的方法。
第五方面,本申请还提供一种计算机程序产品,包括计算机程序,当计算机程序被运行时,使得计算机执行如上述实施例提供的方法。
本申请提供一种基于驾驶的考试处理方法、装置及车辆,当目标子地图与环境图像之间满足条件:相似度大于相似度阈值时,车辆将设定考场区域地图的目标子地图的几何中心,确定为车辆在考场区域中的位置。进而,车辆可以根据路况信息、车辆在考场区域中的位置及预设的驾考规则,生成驾考指令;并自动播放驾考指令。如此,无需监考官根据感知到的发出驾考指令,节省了人力成本,且提高了考试的公平性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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为本申请实施例提供的车辆的电路模块连接框图;
图2为本申请实施例提供的基于驾驶的考试处理方法的流程图之一;
图3为本申请实施例提供的识别环境图像中的路况信息的流程图;
图4为本申请实施例提供的基于驾驶的考试处理方法的流程图之二;
图5为本申请实施例图4中的S401的具体流程图;
图6为本申请实施例提供的基于驾驶的考试处理装置的功能模块框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在根据本实施例的启示下作出的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)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,以便这里描述的本申请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。
本申请涉及的术语解释:
轮速计:轮速计是用来测量汽车车轮转速的传感器。常用的轮速传感器主要有:磁电式轮速传感器、霍尔式轮速传感器。通常地,对轮速计采集的数据在时间上进行积分即可得到车辆的里程。另外,可以在车辆的四个车轮均设置一个轮速计,可以用于测量车辆的行驶方向。
全景摄像头:是利用全景技术,可以获得水平方向上全360°,在垂直方向一定角度的视场的摄像头,这种成像方式能实时提供对象和环境的全方位信息。
卷积神经网络:卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一。卷积神经网络具有表征学习能力,能够按其阶层结构对输入信息进行平移不变分类,能够用于图像分析和识别。
目前,驾驶员科目三路考的过程中,由于路考面临的路况复杂,如包括社会车辆、行人、交通信号灯、岔路口等路况,因此需要监考官坐在驾驶员的一侧,根据当前的路况发出驾考指令(如变道、加速、以及减速等驾考指令),并评判驾驶员的操作是否合格。这样一来,可能会导致同样的路况,监考官可能会发出不同的驾考指令,影响考试的公平性,且浪费人力成本。
基于上述技术问题,本申请的发明构思在于:车辆根据路况信息、车辆在考场区域中的位置及预设的驾考规则,生成驾考指令并播放。如此,无需监考官根据感知到的发出驾考指令,节省了人力成本,且提高了考试的公平性。
下面,以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
本申请实施例提供了一种基于驾驶的考试处理方法,应用于车辆,其中,如图1所示,车辆包括图像采集模块101、处理器102、语音播放模块103。处理器102分别与图像采集模块101、语音播放模块103电连接。如图2所示,本申请实施例提供的基于驾驶的考试处理方法,包括:
S201:车辆在确定处于驾驶考试状态时,采集环境图像,并识别环境图像中的路况信息。
示例性地,当车辆接收到服务器发送开始考试指令后,处于驾驶考试状态。车辆在开始移动时,车辆的处理器102控制图像采集模块101采集环境图像。
进一步地,当车辆处于驾驶考试状态后且在移动之前,车辆可以首先播放准备考试指令,这时考试人员根据准备考试指令执行对应的操作(如系安全带)。当车辆识别到考试人员根据准备考试指令执行对应的操作成功后,车辆自动播放模拟灯光考试指令。模拟灯光考试指令可以包括:请开远光灯、请开近光灯、前方通过急弯、雾天行驶、前方通过人行横道、准备会车......等,在此不作限定。考试人员可以根据模拟灯光考试指令,做出相应的操作。当车辆识别到考试人员根据模拟灯光考试指令执行对应的操作成功且车辆开始移动时,开始执行S201。
其中,图像采集模块101采集环境图像的方式包括但不限于以下几种:
第一种:图像采集模块101包括N个摄像头,环境图像为环境矢量图像,车辆通过设置于车辆的不同方位的N个摄像头,采集N个环境子矢量图像,并基于预设的图像融合算法,对N个摄像头采集的N个环境子矢量图像融合,得到环境矢量图像。
第二种:图像采集模块101为全景摄像头,环境图像为环境矢量图像,车辆通过设置于车辆的全景摄像头,采集环境矢量图像。
第三种:图像采集模块101为雷达,环境图像为点云图像,车辆通过设置于车辆的雷达,采集点云图像。
可以理解地,上述的三种方式均可以准确可靠的采集环境图像。
路况信息包括:位于车辆前方的交通标识的类型与含义;车辆所在的车道的前方的物体的类型、位于车辆所在的车道的左侧的车道的前方的物体类型、以及位于车辆所在的车道的右侧的车道的前方的物体类型。
例如,交通标识的类型可以包括交通信号灯、限速标识、以及导向标识等,在此不作限定。当交通信号灯为红灯时,含义为停车;当交通信号灯为绿灯时,含义为行驶。当限速标识为“80”时,含义为限速80km/h;当限速标识为“120”时,含义为限速120km/h。
上述的物体的类型可以是人物、汽车、自行车等,在此不作限定。
在一种可能的实施方式中,如图3所示,识别环境图像中的路况信息的具体实现方式包括:
S301:车辆基于预训练的交通标识检测模型,获取位于车辆前方的交通标识,并在交通标识与车辆的距离小于距离阈值时,识别交通标识的类型与含义。
其中,交通标识检模型可以是将多个交通标识图片构成的训练样本集,输入到待训练网络中训练得到的。另外,待训练网络可以是但不限于卷积神经网络。
S302:车辆基于预训练的车道检测模型,检测车辆所在的车道、位于车辆所在的车道的左侧的车道、以及位于车辆所在的车道的右侧的车道。
其中,车道标识检模型可以是将多个包括车道线的道路图片构成的训练样本集,输入到待训练网络中训练得到的。另外,待训练网络可以是但不限于卷积神经网络。
S303:车辆基于预训练的物体识别模型识别位于车辆所在的车道前方,且与车辆的距离小于距离阈值的物体的类型、位于车辆所在的车道的左侧的车道前方,且与车辆的距离小于距离阈值的物体的类型、位于车辆所在的车道的右侧的车道前方,且与车辆的距离小于距离阈值的物体的类型。
其中,物体识别模型可以是将多个不同的物体构成的训练样本集,输入到待训练网络中训练得到的。另外,待训练网络可以是但不限于卷积神经网络。
这样一来,可以快速准确地识别环境图像中的路况信息。需要说明的是,上述的S301-S303之间没有先后顺序。
S202:车辆根据环境图像和预设的相似度阈值,从设定考场区域地图中的子地图中确定目标子地图,其中,目标子地图的相似度大于设定的阈值;并将目标子地图的几何中心,确定为车辆在考场区域中的位置。
具体地,如图4所示,S202包括:
S401:车辆确定车辆在考场区域地图中的参考位置。
其中,考场区域地图可以理解为考场区域的实景地图。
具体地,车辆包括轮速计,如图5所示,S401具体可以包括:
S501:车辆通过轮速计采集行驶里程和行驶方向。
S502:车辆根据行驶里程和行驶方向,确定车辆在考场区域中的参考位置。
例如,车辆可以根据车辆的初始位置对行驶里程和行驶方向进行积分,得到车辆在考场区域中的参考位置。这样一来,确定车辆在考场区域中的参考位置的可靠性高。
S402:车辆确定考场区域地图中,以参考位置为中心的设定距离范围内的各个子地图。
S403:车辆确定各个子地图,分别与环境图像的相似度。
示例性地,当各个子地图包括子地图A、子地图B以及子地图C时,车辆可以分别确定子地图A与环境图像的相似度、子地图B与环境图像的相似度、子地图C与环境图像的相似度。
S404:车辆判断多个相似度中最大的相似度是否大于相似度阈值,如果是,则执行S405;如果否,则执行S406。
S405:车辆将最大的相似度对应的子地图的几何中心,确定为车辆在考场区域中的位置。
如此,车辆确定的车辆在考场区域中的位置的可靠性高。
S406:车辆扩大设定距离范围,并返回执行S402。
这样一来,可以提高找到车辆在考场区域中的参考位置的可靠性。
基于上述的S401-S406可知,由于车辆仅需确定考场区域地图中,以参考位置为中心的设定距离范围内的各个子地图,与分别与环境图像的相似度,即可确定车辆在考场区域中的位置,减少了计算量。
S203:车辆根据路况信息、车辆在考场区域中的位置及预设的驾考规则,生成驾考指令。
例如,路况信息包括前方具有交通信号灯,且交通信号灯的含义为行驶、车辆在考场区域中的位置为A路口,预设的驾考规则为在A路口直行,则生成的驾考指令为“前方直行”;再例如,路况信息包括所处车道的前方具有车辆、所处车道的右侧车道的前方的距离阈值内没有车辆,车辆在考场区域中的位置为B路口,预设的驾考规则为在B路段变道行驶路口,则生成的驾考指令为“向左侧车道变道”。
需要说明的是,上述的S202-S204均是车辆的处理器102执行的。
S204:车辆播放驾考指令。
示例性地,车辆可以通过语音播放模块103播放驾考指令,以指引考试人员,根据驾考指令做出相应的操作。其中,语音播放模块103可以是但不限于车载音箱。
综上所述,本申请实施例提供的一种基于驾驶的考试处理方法,当子地图与环境图像之间满足条件:相似度大于相似度阈值时,车辆将设定考场区域地图的其中一个子地图的几何中心,确定为车辆在考场区域中的位置。进而,车辆可以根据路况信息、车辆在考场区域中的位置及预设的驾考规则,生成驾考指令;并自动播放驾考指令。如此,无需监考官根据感知到的发出驾考指令,节省了人力成本,且提高了考试的公平性。
请参阅图6,本申请提供的一种基于驾驶的考试处理装置600,需要说明的是,本申请实施例所提供的基于驾驶的考试处理装置600,其基本原理及产生的技术效果和上述实施例相同,为简要描述,本申请实施例部分未提及之处,可参考上述的实施例中相应内容。该基于驾驶的考试处理装置600包括图像识别单元601、位置确定单元602、指令生成单元603、以及指令播放单元604,其中,
图像识别单元601,用于在确定处于驾驶考试状态时,采集环境图像,并识别环境图像中的路况信息。
位置确定单元602,用于根据环境图像和预设的相似度阈值,从设定考场区域地图中的子地图中确定目标子地图,其中,目标子地图的相似度大于设定的阈值;并将目标子地图的几何中心,确定为车辆在考场区域中的位置。
指令生成单元603,用于根据路况信息、车辆在考场区域中的位置及预设的驾考规则,生成驾考指令。
指令播放单元604,用于播放驾考指令。
在一种可能的实施方式中,位置确定单元602,具体用于确定车辆在考场区域地图中的参考位置;确定考场区域地图中,以参考位置为中心的设定距离范围内的各个子地图;确定各个子地图,分别与环境图像的相似度;当多个相似度中最大的相似度大于相似度阈值时,将最大的相似度对应的子地图的几何中心,确定为车辆在考场区域中的位置。
在一种可能的实施方式中,车辆包括轮速计。位置确定单元602,具体用于通过轮速计采集行驶里程和行驶方向;根据行驶里程和行驶方向,确定车辆在考场区域中的参考位置。
在一种可能的实施方式中,本申请实施例提供的装置600可以包括:位置确定单元602,还用于当多个相似度中最大的相似度小于相似度阈值时,扩大设定距离范围,并返回执行车辆确定以参考位置为中心的设定距离范围内的各个子地图,与环境图像的相似度。
在一种可能的实施方式中,路况信息包括:位于车辆前方的交通标识的类型与含义、车辆所在的车道的前方的物体的类型、位于车辆所在的车道的左侧的车道的前方的物体类型、以及位于车辆所在的车道的右侧的车道的前方的物体类型。
在一种可能的实施方式中,图像识别单元601,具体用于基于预训练的交通标识检测模型,获取位于车辆前方的交通标识,并在交通标识与车辆的距离小于距离阈值时,识别交通标识的类型与含义;基于预训练的车道检测模型,检测车辆所在的车道、位于车辆所在的车道的左侧的车道、以及位于车辆所在的车道的右侧的车道;基于预训练的物体识别模型识别位于车辆所在的车道前方,且与车辆的距离小于距离阈值的物体的类型、位于车辆所在的车道的左侧的车道前方,且与车辆的距离小于距离阈值的物体的类型、位于车辆所在的车道的右侧的车道前方,且与车辆的距离小于距离阈值的物体的类型。
在一种可能的实施方式中,环境图像为环境矢量图像,图像识别单元601,具体用于接收设置于车辆的不同方位的N个摄像头,采集的N个环境子矢量图像,并基于预设的图像融合算法,对N个摄像头采集的N个环境子矢量图像融合,得到环境矢量图像。
或者,环境图像为环境矢量图像,图像识别单元601,具体用于接收设置于车辆的全景摄像头,采集的环境矢量图像。
或者,环境图像为点云图像,图像识别单元601,具体用于通过设置于车辆的雷达,采集的点云图像。
本申请实施例还提供了一种车辆,包括存储器、处理器以及存储在存储器中并可在所述处理器上运行的计算机程序,处理器执行计算机程序时,使得车辆执行如本申请上述的实施例提供的方法。
本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时,使得计算机执行如本申请上述实施例提供的方法。
本申请还提供一种计算机程序产品,包括计算机程序,当计算机程序被运行时,使得计算机执行如上述实施例提供的方法。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各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,或对其中部分或全部技术特征进行等同替换;而这些修改或替换,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范围。
Claims (10)
1.一种基于驾驶的考试处理方法,其特征在于,所述方法包括:
车辆在确定处于驾驶考试状态时,采集环境图像,并识别所述环境图像中的路况信息;
所述车辆根据环境图像和预设的相似度阈值,从设定考场区域地图中的子地图中确定目标子地图,其中,所述目标子地图的相似度大于设定的阈值;
所述车辆将所述目标子地图的几何中心,确定为所述车辆在考场区域中的位置;
所述车辆根据所述路况信息、所述车辆在所述考场区域中的位置及预设的驾考规则,生成驾考指令;
所述车辆播放所述驾考指令。
2.根据权利要求1所述的方法,其特征在于,所述车辆将设定考场区域地图的所述目标子地图的几何中心,确定为所述车辆在考场区域中的参考位置,包括:
所述车辆确定所述车辆在所述考场区域地图中的参考位置;
所述车辆确定所述考场区域地图中,以所述参考位置为中心的设定距离范围内的各个子地图;
所述车辆确定以所述各个子地图,分别与所述环境图像的相似度;
当多个相似度中最大的相似度大于所述相似度阈值时,将所述最大的相似度对应的子地图的几何中心,确定为所述车辆在考场区域中的位置。
3.根据权利要求2所述的方法,其特征在于,所述车辆包括轮速计,所述车辆确定所述车辆在所述考场区域地图中的参考位置,包括:
所述车辆通过所述轮速计采集行驶里程和行驶方向;
所述车辆根据所述行驶里程和所述行驶方向,确定所述车辆在所述考场区域中的参考位置。
4.根据权利要求2所述的方法,其特征在于,所述方法还包括:
当所述多个相似度中最大的相似度小于所述相似度阈值时,扩大所述设定距离范围,并返回执行所述车辆确定以所述参考位置为中心的设定距离范围内的各个子地图,与所述环境图像的相似度的步骤。
5.根据权利要求1所述的方法,其特征在于,所述路况信息包括:
位于车辆前方的交通标识的类型与含义、车辆所在的车道的前方的物体的类型、位于车辆所在的车道的左侧的车道的前方的物体类型、以及位于车辆所在的车道的右侧的车道的前方的物体类型。
6.根据权利要求5所述的方法,其特征在于,所述识别所述环境图像中的路况信息,包括:
所述车辆基于预训练的交通标识检测模型,获取位于所述车辆前方的交通标识,并在所述交通标识与所述车辆的距离小于距离阈值时,识别所述交通标识的类型与含义;
所述车辆基于预训练的车道检测模型,检测所述车辆所在的车道、位于所述车辆所在的车道的左侧的车道、以及位于所述车辆所在的车道的右侧的车道;
所述车辆基于预训练的物体识别模型识别位于所述车辆所在的车道前方,且与所述车辆的距离小于所述距离阈值的物体的类型、位于所述车辆所在的车道的左侧的车道前方,且与所述车辆的距离小于所述距离阈值的物体的类型、位于所述车辆所在的车道的右侧的车道前方,且与所述车辆的距离小于所述距离阈值的物体的类型。
7.根据权利要求1所述的方法,其特征在于,所述环境图像为环境矢量图像,所述车辆采集环境图像,包括:所述车辆通过设置于所述车辆的不同方位的N个摄像头,采集N个环境子矢量图像,并基于预设的图像融合算法,对所述N个摄像头采集的N个环境子矢量图像融合,得到所述环境矢量图像;
或者,所述车辆通过设置于所述车辆的全景摄像头,采集所述环境矢量图像;
或者,所述环境图像为点云图像,所述车辆通过设置于所述车辆的雷达,采集所述点云图像。
8.一种基于驾驶的考试处理装置,其特征在于,所述装置包括:
图像识别单元,用于在确定处于驾驶考试状态时,采集环境图像,并识别所述环境图像中的路况信息;
位置确定单元,用于根据环境图像和预设的相似度阈值,从设定考场区域地图中的子地图中确定目标子地图,其中,所述目标子地图的相似度大于设定的阈值;将所述目标子地图的几何中心,确定为车辆在考场区域中的位置;
指令生成单元,用于根据所述路况信息、所述车辆在所述考场区域中的位置及预设的驾考规则,生成驾考指令;
指令播放单元,用于播放所述驾考指令。
9.一种车辆,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,使得所述车辆执行如权利要求1至7任一项所述的方法。
10.一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,其特征在于,所述计算机程序被处理器执行时,使得计算机执行如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211608193.XA CN115953754A (zh) | 2022-12-14 | 2022-12-14 | 基于驾驶的考试处理方法、装置及车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211608193.XA CN115953754A (zh) | 2022-12-14 | 2022-12-14 | 基于驾驶的考试处理方法、装置及车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115953754A true CN115953754A (zh) | 2023-04-11 |
Family
ID=87288837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211608193.XA Pending CN115953754A (zh) | 2022-12-14 | 2022-12-14 | 基于驾驶的考试处理方法、装置及车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115953754A (zh) |
-
2022
- 2022-12-14 CN CN202211608193.XA patent/CN115953754A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108230731B (zh) | 停车场导航系统和方法 | |
CN108334055B (zh) | 车辆自动驾驶算法的检验方法、装置、设备及存储介质 | |
US10528055B2 (en) | Road sign recognition | |
CN112069643B (zh) | 一种自动驾驶仿真场景生成方法及装置 | |
CN112700470B (zh) | 一种基于交通视频流的目标检测和轨迹提取方法 | |
CN110796007B (zh) | 场景识别的方法与计算设备 | |
JP7040374B2 (ja) | 物体検出装置、車両制御システム、物体検出方法及び物体検出用コンピュータプログラム | |
CN112132896B (zh) | 一种轨旁设备状态检测方法及系统 | |
CN111582189B (zh) | 交通信号灯识别方法、装置、车载控制终端及机动车 | |
US9892329B2 (en) | Animal type determination device | |
CN103770704A (zh) | 用于识别车辆的停车位标志线的系统和方法 | |
KR20170127036A (ko) | 차도 위의 반사체를 인식하고 평가하기 위한 방법 및 장치 | |
KR20170124299A (ko) | 가상 주차선 생성에 의한 주차 지원 장치 및 그 방법 | |
KR20210034097A (ko) | 자율주행 차량들을 위한 카메라 평가 기술들 | |
US12012102B2 (en) | Method for determining a lane change indication of a vehicle | |
CN111178286B (zh) | 姿态轨迹预测方法、装置及电子设备 | |
JP2020067896A (ja) | 進行可能方向検出装置及び進行可能方向検出方法 | |
CN114639085A (zh) | 交通信号灯识别方法、装置、计算机设备和存储介质 | |
JP2022172444A (ja) | 原動機付き車両の走行動作を補助する方法及びアシスト装置並びに原動機付き車両 | |
CN114333339B (zh) | 深度神经网络功能模块去重复的方法 | |
WO2024098992A1 (zh) | 倒车检测方法及装置 | |
CN109195849B (zh) | 摄像装置 | |
US20220266824A1 (en) | Road information generation apparatus | |
CN115953754A (zh) | 基于驾驶的考试处理方法、装置及车辆 | |
US11610412B2 (en) | Vehicle neural network training |
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 |