CN116176579A - 自动驾驶跟车车距测量计算装置及方法 - Google Patents

Abstract

本发明涉及车距测量技术领域，具体公开了一种自动驾驶跟车车距测量计算装置及方法，所述方法包括基于预设的权限获取车辆的导航信息，根据所述导航信息确定路段的拥挤度；根据所述拥挤度确定影像设备的工作参数；接收影像设备获取到的影像信息，获取车辆的车身参数，根据所述车身参数和所述影像信息计算预测车距；基于所述预测车距确定雷达设备的工作参数，并对雷达设备的采集数据进行筛选；根据筛选到的采集数据确定最终车距。本发明借助现有的车辆影像获取设备，从视觉上对车距进行预测，根据预测结果调节雷达设备在不同时段的工作模式，使得雷达数据的筛选环节更加容易，极大地降低了无效数据量，提高了资源利用率。

Description

自动驾驶跟车车距测量计算装置及方法

技术领域

本发明涉及车距测量技术领域，具体是一种自动驾驶跟车车距测量计算装置及方法。

背景技术

自动驾驶系统采用先进的通信、计算机、网络和控制技术，对车辆实现实时、连续控制。

在自动驾驶系统中，信息采集过程尤为重要，它相当于自动驾驶系统的“五感”，采集到的信息的数据质量，影响着后续的指令生成环节，因此，信息采集模块的资源占比极大。

但是，自动驾驶车辆中，能源是有限的，也即，电量或者油量是固定的，每节约一些能源，里程数就会增加很多，因此，如何在保证信息采集质量的前提下，降低信息采集能耗量，提高资源利用率是本发明技术方案想要解决的技术问题。

发明内容

本发明的目的在于提供一种自动驾驶跟车车距测量计算装置及方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种自动驾驶跟车车距测量计算方法，所述方法包括：

基于预设的权限获取车辆的导航信息，根据所述导航信息确定路段的拥挤度；

根据所述拥挤度确定影像设备的工作参数；

接收影像设备获取到的影像信息，获取车辆的车身参数，根据所述车身参数和所述影像信息计算预测车距；

基于所述预测车距确定雷达设备的工作参数，并对雷达设备的采集数据进行筛选；

根据筛选到的采集数据确定最终车距。

作为本发明进一步的方案：所述根据所述拥挤度确定影像设备的工作参数的步骤包括：

在预设的统计表中查询所述拥挤度对应的车辆密度；

根据所述车辆密度确定影像设备的工作频率，并向所有影像设备发送；

获取所有影像设备在工作频率下获取到的影像，对影像进行轮廓识别，确定各影像中的车辆及其数量；

根据所述车辆及其数量调节各影像设备的工作频率。

作为本发明进一步的方案：所述接收影像设备获取到的影像信息，获取车辆的车身参数，根据所述车身参数和所述影像信息计算预测车距的步骤包括：

接收影像设备获取到的影像信息，根据影像设备的编号对影像信息进行聚类；

根据预设的车身监测设备实时获取车身参数；所述车身参数包括车辆角度；

读取影像信息的轮廓识别结果，查询影像信息的拍摄时间对应的车辆角度；

根据所述车辆角度和所述轮廓识别结果计算预测车距。

作为本发明进一步的方案：所述根据所述车辆角度和所述轮廓识别结果计算预测车距的步骤包括：

读取影像信息及其轮廓识别结果中的车辆轮廓；

将含有车辆轮廓的影像信息输入训练好的识别模型，输出透视距离；所述透视距离用于表征视觉距离；所述视觉距离基于透视原理确定；

读取车辆角度，根据所述车辆角度和透视距离建立虚拟曲线；

基于透视距离对所述虚拟曲线进行积分，得到预测车距；

根据时间顺序排列各影像信息对应的预测车距，得到预测车距组。

作为本发明进一步的方案：所述基于所述预测车距确定雷达设备的工作参数，并对雷达设备的采集数据进行筛选的步骤包括：

对所述预测车距组进行回归分析，确定拟合曲线；

将拟合曲线输入训练好的波动分析模型，得到波动特征；所述波动特征用于表征预测车距的变化情况；

根据所述波动特征确定雷达设备的理论采样区间；所述理论采样区间为时间段；

基于所述理论采样区间确定筛选阈值，对采集数据进行筛选；

其中，所述理论采样区间的筛选阈值小于非理论采样区间的筛选阈值。

作为本发明进一步的方案：所述根据筛选到的采集数据确定最终车距的步骤包括：

读取采集数据，根据所述采集数据确定最终车距；

根据所述最终车距评估各影像设备的准确率。

本发明技术方案还提供了一种自动驾驶跟车车距测量计算装置，所述装置包括：

拥挤度确定模块，用于基于预设的权限获取车辆的导航信息，根据所述导航信息确定路段的拥挤度；

工作参数确定模块，用于根据所述拥挤度确定影像设备的工作参数；

车距预测模块，用于接收影像设备获取到的影像信息，获取车辆的车身参数，根据所述车身参数和所述影像信息计算预测车距；

数据筛选模块，用于基于所述预测车距确定雷达设备的工作参数，并对雷达设备的采集数据进行筛选；

数据处理模块，用于根据筛选到的采集数据确定最终车距。

作为本发明进一步的方案：所述工作参数确定模块包括：

密度查询单元，用于在预设的统计表中查询所述拥挤度对应的车辆密度；

工作频率确定单元，用于根据所述车辆密度确定影像设备的工作频率，并向所有影像设备发送；

轮廓识别单元，用于获取所有影像设备在工作频率下获取到的影像，对影像进行轮廓识别，确定各影像中的车辆及其数量；

工作频率调节单元，用于根据所述车辆及其数量调节各影像设备的工作频率。

作为本发明进一步的方案：所述车距预测模块包括：

影像聚类单元，用于接收影像设备获取到的影像信息，根据影像设备的编号对影像信息进行聚类；

车身参数获取单元，用于根据预设的车身监测设备实时获取车身参数；所述车身参数包括车辆角度；

车辆角度查询单元，用于读取影像信息的轮廓识别结果，查询影像信息的拍摄时间对应的车辆角度；

预测车距计算单元，用于根据所述车辆角度和所述轮廓识别结果计算预测车距。

作为本发明进一步的方案：所述预测车距计算单元包括：

轮廓读取子单元，用于读取影像信息及其轮廓识别结果中的车辆轮廓；

第一计算子单元，用于将含有车辆轮廓的影像信息输入训练好的识别模型，输出透视距离；所述透视距离用于表征视觉距离；所述视觉距离基于透视原理确定；

曲线建立子单元，用于读取车辆角度，根据所述车辆角度和透视距离建立虚拟曲线；

积分子单元，用于基于透视距离对所述虚拟曲线进行积分，得到预测车距；

统计排序子单元，用于根据时间顺序排列各影像信息对应的预测车距，得到预测车距组。

与现有技术相比，本发明的有益效果是：本发明借助现有的车辆影像获取设备，从视觉上对车距进行预测，根据预测结果调节雷达设备在不同时段的工作模式，使得雷达数据的筛选环节更加容易，极大地降低了无效数据量，提高了资源利用率。

附图说明

为了更清楚地说明本发明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发明的一些实施例。

图1为自动驾驶跟车车距测量计算方法的流程框图。

图2为自动驾驶跟车车距测量计算方法的第一子流程框图。

图3为自动驾驶跟车车距测量计算方法的第二子流程框图。

图4为自动驾驶跟车车距测量计算方法的第三子流程框图。

图5为自动驾驶跟车车距测量计算方法的第四子流程框图。

图6为自动驾驶跟车车距测量计算装置的组成结构框图。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

图1为自动驾驶跟车车距测量计算方法的流程框图，本发明实施例中，一种自动驾驶跟车车距测量计算方法，所述方法包括：

步骤S100：基于预设的权限获取车辆的导航信息，根据所述导航信息确定路段的拥挤度；

现有的车辆在行驶前，驾驶员都会进行导航，导航信息相对于本方法的执行主体来说，是已有信息；但是，在读取导航信息之前，仍需要通知用户，获取用户的允许指令，才能够获取，这就是上述内容中预设的权限的含义；现有的导航信息含有拥挤路段标记功能，因此，在导航信息中可以读取到各路段是否拥挤，通过拥挤度这一参数进行表示。

步骤S200：根据所述拥挤度确定影像设备的工作参数；

拥挤度越高，路段上车辆越多，此时，影像设备的工作压力就会越大，所述工作压力由工作频率表示，工作频率越高，获取的图像数量越多。

步骤S300：接收影像设备获取到的影像信息，获取车辆的车身参数，根据所述车身参数和所述影像信息计算预测车距；

通过影像设备获取影像信息，通过安装在车辆上的传感器获取车身参数，所述车身参数主要是车辆与水平面之间的角度；结合车身参数和影像信息，可以计算得到一个理论车距，这一理论车距称为预测车距。

步骤S400：基于所述预测车距确定雷达设备的工作参数，并对雷达设备的采集数据进行筛选；

根据预测车距确定雷达设备的工作参数，使得雷达设备的工作过程在控制下进行，可以极大地提高雷达设备的资源利用率。

步骤S500：根据筛选到的采集数据确定最终车距；

雷达设备采集到的数据是准确的，其数据包含各个车辆的运动参数，所述运动参数包含与当前车辆之间的距离；根据采集数据确定最终车距的过程并不困难。

图2为自动驾驶跟车车距测量计算方法的第一子流程框图，所述根据所述拥挤度确定影像设备的工作参数的步骤包括：

步骤S201：在预设的统计表中查询所述拥挤度对应的车辆密度；

本发明技术方案会预先建立一个统计表，所述统计表用于表征拥挤度和车辆密度之间的对应关系，一个拥挤度对应一个车辆密度。

步骤S202：根据所述车辆密度确定影像设备的工作频率，并向所有影像设备发送；

车辆密度越高，对应的影像设备的工作频率越高，由车辆密度确定工作频率后，将工作频率向所有影像设备发送。

步骤S203：获取所有影像设备在工作频率下获取到的影像，对影像进行轮廓识别，确定各影像中的车辆及其数量；

获取不同影像设备在所述工作频率下获取到的影像，对影像进行轮廓识别，可以定位影像中的车辆及其数量；轮廓识别及在识别的轮廓中选取车辆轮廓的过程并不困难，在现有的识别技术下很容易完成；容易完成的原因有两个方面，一方面，是车辆的颜色特征与环境之间的差异明显，另一方面，车辆的轮廓特征比较明显。

步骤S204：根据所述车辆及其数量调节各影像设备的工作频率；

根据各个影像设备获取到的影像确定对应影像设备监测的车辆数量，根据车辆数量再对各个影像设备的工作频率进行调节，使得影像设备的工作过程更加契合于实际，提高资源利用率。

图3为自动驾驶跟车车距测量计算方法的第二子流程框图，所述接收影像设备获取到的影像信息，获取车辆的车身参数，根据所述车身参数和所述影像信息计算预测车距的步骤包括：

步骤S301：接收影像设备获取到的影像信息，根据影像设备的编号对影像信息进行聚类；

接收影像设备获取到的影像信息，根据影像设备对影像信息进行分类，可以得到不同的影像信息组。

步骤S302：根据预设的车身监测设备实时获取车身参数；所述车身参数包括车辆角度；

所述车身监测设备是预先安装在车身监测设备上的传感器，用于获取车辆与水平面之间的角度；值得一提的是，所述角度可以通过对已有的胎压参数进行模拟运算得到。

步骤S303：读取影像信息的轮廓识别结果，查询影像信息的拍摄时间对应的车辆角度；

读取影像信息的轮廓识别结果，所述轮廓识别结果中包含车辆轮廓，车辆轮廓可以反映在视觉上，各车辆轮廓对应的车辆与当前车辆之间的视觉距离；计算视觉距离的前提是，本方法执行主体预先存有车辆的标准尺寸及其在不同距离下的视觉尺寸，基于此，将各车辆轮廓与视觉尺寸进行比对，即可匹配出相应的距离。

步骤S304：根据所述车辆角度和所述轮廓识别结果计算预测车距；

根据车辆角度和轮廓识别结果，可以计算出预测车距。

作为本发明技术方案的一个优选实施例，所述根据所述车辆角度和所述轮廓识别结果计算预测车距的步骤包括：

读取影像信息及其轮廓识别结果中的车辆轮廓；

将含有车辆轮廓的影像信息输入训练好的识别模型，输出透视距离；所述透视距离用于表征视觉距离；所述视觉距离基于透视原理确定；

由于车辆尺寸是固定的，在不同距离下拍摄车辆，可以得到不同大小的车辆轮廓，从而建立样本集，通过样本集训练神经网络模型，可以得到识别模型，识别模型反映了车辆轮廓与距离之间的对应关系，将含有车辆轮廓的影像信息输入识别模型，即可得到透视距离。

读取车辆角度，根据所述车辆角度和透视距离建立虚拟曲线；

读取车辆角度，所述车辆角度代表了当前车辆与水平面之的间的夹角，它可以视为地面与水平面之间的夹角，由此夹角确定一条抛物线（对称），称为虚拟曲线；

基于透视距离对所述虚拟曲线进行积分，得到预测车距；

虚拟曲线对应的横坐标的长度是透视距离，由夹角可以确定零点的导数，虚拟曲线的长度就是预测车距；因此，预测车距的计算过程是，计算虚拟曲线对应的曲线函数在透视距离上的积分。

根据时间顺序排列各影像信息对应的预测车距，得到预测车距组；

由时间信息对所有影像信息的识别结果进行分析，可以得到一个数据集，称为预测车距组。

图4为自动驾驶跟车车距测量计算方法的第三子流程框图，所述基于所述预测车距确定雷达设备的工作参数，并对雷达设备的采集数据进行筛选的步骤包括：

步骤S401：对所述预测车距组进行回归分析，确定拟合曲线；

步骤S402：将拟合曲线输入训练好的波动分析模型，得到波动特征；所述波动特征用于表征预测车距的变化情况；

对于一个车辆轮廓，其预测车距是不稳定的，预测车距的影响因素有两个，一是车辆轮廓的大小（变化不大），二是车身角度（波动性强），其中，所述车身角度影响着积分过程，因此，一个车辆轮廓对应的预测车距组是波动的；对预测车距组进行回归分析，可以得到一个拟合曲线；值得一提的是，最简单的拟合曲线是一条直线，也就是线性回归方程。

根据设计人员确定的识别方式对拟合曲线进行识别，可以确定其波动性，根据所述波动性可以确定预测车距的变化情况；比如，如果拟合曲线是一条单增曲线，就说明前方车辆与当前车辆的距离在不断地增加，根据单增曲线的导数，可以判断出增减幅度。

步骤S403：根据所述波动特征确定雷达设备的理论采样区间；所述理论采样区间为时间段；

根据所述拟合曲线及其波动特征，可以确定雷达设备的理论采样区间，所述理论采样区间代表了雷达设备监测对应车辆的理论时间，也即，发出声波后，接收到回波的时间处于哪一时间段。

步骤S404：基于所述理论采样区间确定筛选阈值，对采集数据进行筛选；其中，所述理论采样区间的筛选阈值小于非理论采样区间的筛选阈值；

理论采样区间内的回波信息是更重要的，因此，理论采样区间的筛选条件更加宽松，这样能够获取大部分的信息；而在非理论采样区间内，大部分回波都是杂波，此时，只有回波满足更加严格的筛选条件，才会被选取。

图5为自动驾驶跟车车距测量计算方法的第四子流程框图，所述根据筛选到的采集数据确定最终车距的步骤包括：

步骤S501：读取采集数据，根据所述采集数据确定最终车距；

步骤S502：根据所述最终车距评估各影像设备的准确率。

基于现有技术对雷达设备采集到的数据进行分析，即可确定最终车距；最终车距确定后，还可以作为真实数据去评估各影像设备的工作过程。

图6为自动驾驶跟车车距测量计算装置的组成结构框图，作为本发明技术方案的一个优选实施例，一种自动驾驶跟车车距测量计算装置，所述装置10包括：

拥挤度确定模块11，用于基于预设的权限获取车辆的导航信息，根据所述导航信息确定路段的拥挤度；

工作参数确定模块12，用于根据所述拥挤度确定影像设备的工作参数；

车距预测模块13，用于接收影像设备获取到的影像信息，获取车辆的车身参数，根据所述车身参数和所述影像信息计算预测车距；

数据筛选模块14，用于基于所述预测车距确定雷达设备的工作参数，并对雷达设备的采集数据进行筛选；

数据处理模块15，用于根据筛选到的采集数据确定最终车距。

所述工作参数确定模块12包括：

密度查询单元，用于在预设的统计表中查询所述拥挤度对应的车辆密度；

工作频率确定单元，用于根据所述车辆密度确定影像设备的工作频率，并向所有影像设备发送；

轮廓识别单元，用于获取所有影像设备在工作频率下获取到的影像，对影像进行轮廓识别，确定各影像中的车辆及其数量；

工作频率调节单元，用于根据所述车辆及其数量调节各影像设备的工作频率。

所述车距预测模块13包括：

影像聚类单元，用于接收影像设备获取到的影像信息，根据影像设备的编号对影像信息进行聚类；

车身参数获取单元，用于根据预设的车身监测设备实时获取车身参数；所述车身参数包括车辆角度；

车辆角度查询单元，用于读取影像信息的轮廓识别结果，查询影像信息的拍摄时间对应的车辆角度；

预测车距计算单元，用于根据所述车辆角度和所述轮廓识别结果计算预测车距。

所述预测车距计算单元包括：

轮廓读取子单元，用于读取影像信息及其轮廓识别结果中的车辆轮廓；

第一计算子单元，用于将含有车辆轮廓的影像信息输入训练好的识别模型，输出透视距离；所述透视距离用于表征视觉距离；所述视觉距离基于透视原理确定；

曲线建立子单元，用于读取车辆角度，根据所述车辆角度和透视距离建立虚拟曲线；

积分子单元，用于基于透视距离对所述虚拟曲线进行积分，得到预测车距；

统计排序子单元，用于根据时间顺序排列各影像信息对应的预测车距，得到预测车距组。

上述自动驾驶跟车车距测量计算方法所能实现的功能均由计算机设备完成，所述计算机设备包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器中存储有至少一条程序代码，所述程序代码由所述一个或多个处理器加载并执行以实现所述自动驾驶跟车车距测量计算方法的功能。

处理器从存储器中逐条取出指令、分析指令，然后根据指令要求完成相应操作，产生一系列控制命令，使计算机各部分自动、连续并协调动作，成为一个有机的整体，实现程序的输入、数据的输入以及运算并输出结果，这一过程中产生的算术运算或逻辑运算均由运算器完成；所述存储器包括只读存储器（Read-Only Memory，ROM），所述只读存储器用于存储计算机程序，所述存储器外部设有保护装置。

示例性的，计算机程序可以被分割成一个或多个模块，一个或者多个模块被存储在存储器中，并由处理器执行，以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在终端设备中的执行过程。

本领域技术人员可以理解，上述服务设备的描述仅仅是示例，并不构成对终端设备的限定，可以包括比上述描述更多或更少的部件，或者组合某些部件，或者不同的部件，例如可以包括输入输出设备、网络接入设备、总线等。

所称处理器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，上述处理器是上述终端设备的控制中心，利用各种接口和线路连接整个用户终端的各个部分。

上述存储器可用于存储计算机程序和/或模块，上述处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现上述终端设备的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如信息采集模板展示功能、产品信息发布功能等）等；存储数据区可存储根据泊位状态显示系统的使用所创建的数据（比如不同产品种类对应的产品信息采集模板、不同产品提供方需要发布的产品信息等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、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）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

终端设备集成的模块/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，本发明实现上述实施例系统中的全部或部分模块/单元，也可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个系统实施例的功能。其中，计算机程序包括计算机程序代码，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。计算机可读介质可以包括：能够携带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，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种自动驾驶跟车车距测量计算方法，其特征在于，所述方法包括：

基于预设的权限获取车辆的导航信息，根据所述导航信息确定路段的拥挤度；

根据所述拥挤度确定影像设备的工作参数；

接收影像设备获取到的影像信息，获取车辆的车身参数，根据所述车身参数和所述影像信息计算预测车距；

基于所述预测车距确定雷达设备的工作参数，并对雷达设备的采集数据进行筛选；

根据筛选到的采集数据确定最终车距。

2.根据权利要求1所述的自动驾驶跟车车距测量计算方法，其特征在于，所述根据所述拥挤度确定影像设备的工作参数的步骤包括：

在预设的统计表中查询所述拥挤度对应的车辆密度；

根据所述车辆密度确定影像设备的工作频率，并向所有影像设备发送；

获取所有影像设备在工作频率下获取到的影像，对影像进行轮廓识别，确定各影像中的车辆及其数量；

根据所述车辆及其数量调节各影像设备的工作频率。

3.根据权利要求2所述的自动驾驶跟车车距测量计算方法，其特征在于，所述接收影像设备获取到的影像信息，获取车辆的车身参数，根据所述车身参数和所述影像信息计算预测车距的步骤包括：

接收影像设备获取到的影像信息，根据影像设备的编号对影像信息进行聚类；

根据预设的车身监测设备实时获取车身参数；所述车身参数包括车辆角度；

读取影像信息的轮廓识别结果，查询影像信息的拍摄时间对应的车辆角度；

根据所述车辆角度和所述轮廓识别结果计算预测车距。

4.根据权利要求3所述的自动驾驶跟车车距测量计算方法，其特征在于，所述根据所述车辆角度和所述轮廓识别结果计算预测车距的步骤包括：

读取影像信息及其轮廓识别结果中的车辆轮廓；

将含有车辆轮廓的影像信息输入训练好的识别模型，输出透视距离；所述透视距离用于表征视觉距离；所述视觉距离基于透视原理确定；

读取车辆角度，根据所述车辆角度和透视距离建立虚拟曲线；

基于透视距离对所述虚拟曲线进行积分，得到预测车距；

根据时间顺序排列各影像信息对应的预测车距，得到预测车距组。

5.根据权利要求4所述的自动驾驶跟车车距测量计算方法，其特征在于，所述基于所述预测车距确定雷达设备的工作参数，并对雷达设备的采集数据进行筛选的步骤包括：

对所述预测车距组进行回归分析，确定拟合曲线；

将拟合曲线输入训练好的波动分析模型，得到波动特征；所述波动特征用于表征预测车距的变化情况；

根据所述波动特征确定雷达设备的理论采样区间；所述理论采样区间为时间段；

基于所述理论采样区间确定筛选阈值，对采集数据进行筛选；

其中，所述理论采样区间的筛选阈值小于非理论采样区间的筛选阈值。

6.根据权利要求1所述的自动驾驶跟车车距测量计算方法，其特征在于，所述根据筛选到的采集数据确定最终车距的步骤包括：

读取采集数据，根据所述采集数据确定最终车距；

根据所述最终车距评估各影像设备的准确率。

7.一种自动驾驶跟车车距测量计算装置，其特征在于，所述装置包括：

拥挤度确定模块，用于基于预设的权限获取车辆的导航信息，根据所述导航信息确定路段的拥挤度；

工作参数确定模块，用于根据所述拥挤度确定影像设备的工作参数；

车距预测模块，用于接收影像设备获取到的影像信息，获取车辆的车身参数，根据所述车身参数和所述影像信息计算预测车距；

数据筛选模块，用于基于所述预测车距确定雷达设备的工作参数，并对雷达设备的采集数据进行筛选；

数据处理模块，用于根据筛选到的采集数据确定最终车距。

8.根据权利要求7所述的自动驾驶跟车车距测量计算装置，其特征在于，所述工作参数确定模块包括：

密度查询单元，用于在预设的统计表中查询所述拥挤度对应的车辆密度；

工作频率确定单元，用于根据所述车辆密度确定影像设备的工作频率，并向所有影像设备发送；

轮廓识别单元，用于获取所有影像设备在工作频率下获取到的影像，对影像进行轮廓识别，确定各影像中的车辆及其数量；

工作频率调节单元，用于根据所述车辆及其数量调节各影像设备的工作频率。

9.根据权利要求8所述的自动驾驶跟车车距测量计算装置，其特征在于，所述车距预测模块包括：

影像聚类单元，用于接收影像设备获取到的影像信息，根据影像设备的编号对影像信息进行聚类；

车身参数获取单元，用于根据预设的车身监测设备实时获取车身参数；所述车身参数包括车辆角度；

车辆角度查询单元，用于读取影像信息的轮廓识别结果，查询影像信息的拍摄时间对应的车辆角度；

预测车距计算单元，用于根据所述车辆角度和所述轮廓识别结果计算预测车距。

10.根据权利要求9所述的自动驾驶跟车车距测量计算装置，其特征在于，所述预测车距计算单元包括：

轮廓读取子单元，用于读取影像信息及其轮廓识别结果中的车辆轮廓；

第一计算子单元，用于将含有车辆轮廓的影像信息输入训练好的识别模型，输出透视距离；所述透视距离用于表征视觉距离；所述视觉距离基于透视原理确定；

曲线建立子单元，用于读取车辆角度，根据所述车辆角度和透视距离建立虚拟曲线；

积分子单元，用于基于透视距离对所述虚拟曲线进行积分，得到预测车距；

统计排序子单元，用于根据时间顺序排列各影像信息对应的预测车距，得到预测车距组。

Images