CN116265277A - 一种车辆起步控制方法、装置、设备及存储介质 - Google Patents
一种车辆起步控制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116265277A CN116265277A CN202111505747.9A CN202111505747A CN116265277A CN 116265277 A CN116265277 A CN 116265277A CN 202111505747 A CN202111505747 A CN 202111505747A CN 116265277 A CN116265277 A CN 116265277A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- obstacle
- image
- signal
- sensing module
- 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 49
- 230000007613 environmental effect Effects 0.000 claims abstract description 88
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 64
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000004590 computer program Methods 0.000 claims description 24
- 238000010586 diagram Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 8
- 230000003213 activating effect Effects 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 18
- 238000005096 rolling process Methods 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 12
- 230000004888 barrier function Effects 0.000 description 6
- 238000005406 washing Methods 0.000 description 5
- 230000000295 complement effect Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000271566 Aves Species 0.000 description 1
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60K—ARRANGEMENT OR MOUNTING OF PROPULSION UNITS OR OF TRANSMISSIONS IN VEHICLES; ARRANGEMENT OR MOUNTING OF PLURAL DIVERSE PRIME-MOVERS IN VEHICLES; AUXILIARY DRIVES FOR VEHICLES; INSTRUMENTATION OR DASHBOARDS FOR VEHICLES; ARRANGEMENTS IN CONNECTION WITH COOLING, AIR INTAKE, GAS EXHAUST OR FUEL SUPPLY OF PROPULSION UNITS IN VEHICLES
- B60K28/00—Safety devices for propulsion-unit control, specially adapted for, or arranged in, vehicles, e.g. preventing fuel supply or ignition in the event of potentially dangerous conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60K—ARRANGEMENT OR MOUNTING OF PROPULSION UNITS OR OF TRANSMISSIONS IN VEHICLES; ARRANGEMENT OR MOUNTING OF PLURAL DIVERSE PRIME-MOVERS IN VEHICLES; AUXILIARY DRIVES FOR VEHICLES; INSTRUMENTATION OR DASHBOARDS FOR VEHICLES; ARRANGEMENTS IN CONNECTION WITH COOLING, AIR INTAKE, GAS EXHAUST OR FUEL SUPPLY OF PROPULSION UNITS IN VEHICLES
- B60K28/00—Safety devices for propulsion-unit control, specially adapted for, or arranged in, vehicles, e.g. preventing fuel supply or ignition in the event of potentially dangerous conditions
- B60K2028/003—Safety devices for propulsion-unit control, specially adapted for, or arranged in, vehicles, e.g. preventing fuel supply or ignition in the event of potentially dangerous conditions inhibiting the starter motor, e.g. by controlling ignition or park lock circuits
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Transportation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Chemical & Material Sciences (AREA)
- Computational Linguistics (AREA)
- Mechanical Engineering (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Combustion & Propulsion (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆起步控制方法、装置、设备及存储介质，检测到车辆启动信号后，通过车辆配置的传感模组采集车身周围的环境数据，所述传感模组包括至少两种传感器，所述环境数据包含每一传感模组采集的环境图像；根据所述环境数据和预先训练的多级卷积神经网络模型，判断所述环境数据中障碍物的障碍类型；根据所述障碍类型生成并反馈控制信号给所述车辆，控制所述车辆起步。通过多个传感模组之间功能互补，避免单个传感模组的缺陷导致的误检或漏检，提高检测的准确率；通过多级卷积神经网络模型深度学习识别的障碍类型，减少障碍物识别运算量，根据障碍类型输出控制信号，控制车辆起步过程，避免起步时的碾压事故。
Description
技术领域
本发明涉及汽车电子技术领域，尤其涉及一种车辆起步控制方法、装置、设备及存储介质。
背景技术
随着汽车越来越多的走进人们的生活，汽车安全问题愈发受到人们的关注。目前，汽车起步安全依赖于驾驶员在车辆起步前检查车辆底盘和周边有没有障碍物。但在日常用车过程中，由于驾驶员在汽车起步前未经安全确认而导致汽车起步碾压事故时常发生。
发明内容
针对上述现有技术的缺陷，本发明提供一种车辆起步控制方法、装置、设备及存储介质，避免碾压事故，保证车辆起步时的行车安全。
本发明实施例提供一种车辆起步控制方法，所述方法包括：
检测到车辆启动信号后，通过车辆配置的传感模组采集车身周围的环境数据，所述传感模组包括至少两种传感器，所述环境数据包含每一传感模组采集的环境图像；
根据所述环境数据和预先训练的多级卷积神经网络模型，判断所述环境数据中障碍物的障碍类型，其中，所述多级卷积神经网络模型的输入层用于输入环境数据的障碍物图像，所述多级卷积神经网络模型的隐藏层包括三层；第一层采用5*5的卷积核，第二层和第三层均采用3*3的卷积核，所述多级卷积神经网络模型的输出层通过全连接层和SoftMax层输出每一障碍物图像中每一障碍物的标定类型；
根据所述障碍类型生成并反馈控制信号给所述车辆，控制所述车辆起步。
作为上述方案的改进，所述多级卷积神经网络模型的训练过程具体包括：
通过所述传感模组获取所述车辆周围无障碍物时的背景数据，将所述背景数据输入到所述多级卷积神经网络模型中保存，所述背景数据包括每一传感器采集的背景底图，每一背景底图中包括地面信息和车身结构；
获取若干组的环境数据，将获取的环境数据中的每一环境图像与所述背景数据中对应的背景底图作差，去除每一环境图像的地面信息和车身结构，得到每一环境图像的障碍物图像；
在每一环境图像的障碍物图像中标定不同障碍物，以及不同障碍物的标定类型，所述标定类型包括非活体和活体；
依次将标定前的每一组环境数据的所有障碍物图像作为输入层，将对应的标定后的环境数据中所有障碍物图像作为输出层进行训练，得到训练后的所述多级卷积神经网络模型；
其中，所述多级卷积神经网络模型的输入层用于输入环境数据的障碍物图像，所述多级卷积神经网络模型的隐藏层包括三层；第一层采用5*5的卷积核，第二层和第三层均采用3*3的卷积核，所述多级卷积神经网络模型的输出层通过全连接层和SoftMax层输出每一障碍物图像中每一障碍物的标定类型。
优选地，所述障碍类型包括：无障碍物、活体障碍物和非活体障碍物；
所述根据所述环境数据和预先训练的多级卷积神经网络模型，判断所述环境数据中障碍物的障碍类型，具体包括：
将所述环境数据的每一环境图像与所述多级卷积神经网络模型中预存的背景数据中的对应的背景底图作差，去除所述环境数据中每一环境图像的地面图像和车身结构，得到一组待判断障碍物图像组；
对所述待判断障碍物图像组的障碍物进行判断；
当所述待判断障碍物图像组中无障碍物时，输出障碍类型为无障碍物；
当所述待判断障碍物图像组中存在障碍物时，将所述待判断障碍物图像组作为输入层输入到所述多级卷积神经网络模型中，所述多级卷积神经网络模型输出所述待判断障碍物图像组中每一障碍物图像中障碍物的标定类型；
当输出的障碍物的标定类型中不存在标定为活体的障碍物时，输出障碍类型为非活体障碍物；
当输出的障碍物的标定类型中存在标定为活体的障碍物时，输出障碍类型为活体障碍物。
作为一种优选方案，在检测到车辆启动信号后，通过车辆配置的传感模组采集车身周围的环境数据之前，所述方法还包括：
在所述车辆的控制器局域网中检测到所述车辆的发动机启动信号后，发送激活信号给所述传感模组，以激活所述传感模组。
优选地，所述检测到车辆启动信号后，通过车辆配置的传感模组采集车身周围的环境数据，具体包括：
以预设的时间间隔采集控制器局域网中的车辆启动信号，所述车辆启动信号包括挡位状态信号和离合信号；
当未检测到所述车辆的离合信号，且通过所述挡位状态信号判断所述车辆的挡位状态为非D档和非R档时，继续以预设的时间间隔采集控制器局域网中的车辆启动信号；
当检测到所述车辆的离合信号，或通过所述挡位状态信号判断所述车辆的挡位状态为D档或R档时，通过所述传感模组采集所述环境数据。
进一步地，所述传感模组包括毫米波雷达、红外摄像头、伸缩支架和驱动导轨；
所述传感模组嵌入所述车辆的底盘，所述传感模组用于采集车底的环境数据；
所述毫米波雷达和所述红外摄像头安装在所述伸缩支架上，所述驱动导轨用于驱动所述伸缩支架上下运动；
所述通过所述传感模组采集所述环境数据，具体包括：
通过所述驱动导轨控制所述伸缩支架沿所述驱动导轨向下运动，以使所述毫米波雷达和所述红外摄像头从所述车辆的底盘伸出，通过所述毫米波雷达和所述红外摄像头分别采集雷达图像和红外图像后，通过所述驱动导轨控制所述毫米波雷达和所述红外摄像头缩回所述车辆的底盘，所述传感模组进入休眠模式。
作为一种优选方案，所述根据所述障碍类型生成控制信号，控制所述车辆起步，具体包括：
当所述障碍类型为无障碍物时，生成并反馈安全信号给所述车辆，以使所述车辆配置的第一安全指示灯亮起，提示驾驶员可正常起步；
当所述障碍类型为活体障碍物时，生成并反馈发送制动信号给所述车辆，控制所述车辆制动，生成并反馈警报信号给所述车辆，以使所述车辆配置的第二安全指示灯亮起，提醒驾驶员下车检查；并在检测到驾驶座安全带松开，且驾驶座车门开启后，解除所述警报信号。
优选地，所述方法还包括：
当所述障碍类型为非活体障碍物时，通过检测所述环境数据的环境图像中障碍物的像素点的最高位置，确定障碍物高度在车辆底盘的离地间隙中所占的离地比例；
当所述离地比例超过设定阈值时，生成并反馈警示信号给所述车辆，控制所述车辆配置的第三指示灯闪烁，以提醒驾驶员启动时注意底盘剐蹭；
当所述离地比例不超过设定阈值时，生成并反馈安全信号给所述车辆，以使所述车辆配置的第一安全指示灯亮起，提示驾驶员可正常起步。
本发明实施例还提供一种车辆起步控制装置，所述装置包括：
采集模块，用于检测到车辆启动信号后，通过车辆配置的传感模组采集车身周围的环境数据，所述传感模组包括至少两种传感器，所述环境数据包含每一传感模组采集的环境图像；
判断模块，用于根据所述环境数据和预先训练的多级卷积神经网络模型，判断所述环境数据中障碍物的障碍类型，其中，所述多级卷积神经网络模型的输入层用于输入环境数据的障碍物图像，所述多级卷积神经网络模型的隐藏层包括三层；第一层采用5*5的卷积核，第二层和第三层均采用3*3的卷积核，所述多级卷积神经网络模型的输出层通过全连接层和SoftMax层输出每一障碍物图像中每一障碍物的标定类型；
控制模块，用于根据所述障碍类型生成并反馈控制信号给所述车辆，控制所述车辆起步。
作为上述方案的改进，所述多级卷积神经网络模型的训练过程具体包括：
通过所述传感模组获取所述车辆周围无障碍物时的背景数据，将所述背景数据输入到所述多级卷积神经网络模型中保存，所述背景数据包括每一传感器采集的背景底图，每一背景底图中包括地面信息和车身结构；
获取若干组的环境数据，将获取的环境数据中的每一环境图像与所述背景数据中对应的背景底图作差，去除每一环境图像的地面信息和车身结构，得到每一环境图像的障碍物图像；
在每一环境图像的障碍物图像中标定不同障碍物，以及不同障碍物的标定类型，所述标定类型包括非活体和活体；
依次将标定前的每一组环境数据的所有障碍物图像作为输入层，将对应的标定后的环境数据中所有障碍物图像作为输出层进行训练，得到训练后的所述多级卷积神经网络模型；
其中，所述多级卷积神经网络模型的输入层用于输入环境数据的障碍物图像，所述多级卷积神经网络模型的隐藏层包括三层；第一层采用5*5的卷积核，第二层和第三层均采用3*3的卷积核，所述多级卷积神经网络模型的输出层通过全连接层和SoftMax层输出每一障碍物图像中每一障碍物的标定类型。
优选地，所述障碍类型包括：无障碍物、活体障碍物和非活体障碍物；
所述判断模块具体用于：
将所述环境数据的每一环境图像与所述多级卷积神经网络模型中预存的背景数据中的对应的背景底图作差，去除所述环境数据中每一环境图像的地面图像和车身结构，得到一组待判断障碍物图像组；
对所述待判断障碍物图像组的障碍物进行判断；
当所述待判断障碍物图像组中无障碍物时，输出障碍类型为无障碍物；
当所述待判断障碍物图像组中存在障碍物时，将所述待判断障碍物图像组作为输入层输入到所述多级卷积神经网络模型中，所述多级卷积神经网络模型输出所述待判断障碍物图像组中每一障碍物图像中障碍物的标定类型；
当输出的障碍物的标定类型中不存在标定为活体的障碍物时，输出障碍类型为非活体障碍物；
当输出的障碍物的标定类型中存在标定为活体的障碍物时，输出障碍类型为活体障碍物。
进一步地，所述装置还包括：
激活模块，用于在所述车辆的控制器局域网中检测到所述车辆的发动机启动信号后，发送激活信号给所述传感模组，以激活所述传感模组。
优选地，所述采集模块具体用于：
以预设的时间间隔采集控制器局域网中的车辆启动信号，所述车辆启动信号包括挡位状态信号和离合信号；
当未检测到所述车辆的离合信号，且通过所述挡位状态信号判断所述车辆的挡位状态为非D档和非R档时，继续以预设的时间间隔采集控制器局域网中的车辆启动信号；
当检测到所述车辆的离合信号，或通过所述挡位状态信号判断所述车辆的挡位状态为D档或R档时，通过所述传感模组采集所述环境数据。
进一步地，所述传感模组包括毫米波雷达、红外摄像头、伸缩支架和驱动导轨；
所述传感模组嵌入所述车辆的底盘，所述传感模组用于采集车底的环境数据；
所述毫米波雷达和所述红外摄像头安装在所述伸缩支架上，所述驱动导轨用于驱动所述伸缩支架上下运动；
所述通过所述传感模组采集所述环境数据，具体包括：
通过所述驱动导轨控制所述伸缩支架沿所述驱动导轨向下运动，以使所述毫米波雷达和所述红外摄像头从所述车辆的底盘伸出，通过所述毫米波雷达和所述红外摄像头分别采集雷达图像和红外图像后，通过所述驱动导轨控制所述毫米波雷达和所述红外摄像头缩回所述车辆的底盘，所述传感模组进入休眠模式。
作为上述方案的改进，所述控制模块具体用于：
当所述障碍类型为无障碍物时，生成并反馈安全信号给所述车辆，以使所述车辆配置的第一安全指示灯亮起，提示驾驶员可正常起步；
当所述障碍类型为活体障碍物时，生成并反馈发送制动信号给所述车辆，控制所述车辆制动，生成并反馈警报信号给所述车辆，以使所述车辆配置的第二安全指示灯亮起，提醒驾驶员下车检查；并在检测到驾驶座安全带松开，且驾驶座车门开启后，解除所述警报信号。
优选地，所述装置还包括：
第二控制模块，所述第二控制模块被配置为：
当所述障碍类型为非活体障碍物时，通过检测所述环境数据的环境图像中障碍物的像素点的最高位置，确定障碍物高度在车辆底盘的离地间隙中所占的离地比例；
当所述离地比例超过设定阈值时，生成并反馈警示信号给所述车辆，控制所述车辆配置的第三指示灯闪烁，以提醒驾驶员启动时注意底盘剐蹭；
当所述离地比例不超过设定阈值时，生成并反馈安全信号给所述车辆，以使所述车辆配置的第一安全指示灯亮起，提示驾驶员可正常起步。
本发明实施例还提供一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一项实施例所述的一种车辆起步控制方法。
本发明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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任一项实施例所述的一种车辆起步控制方法。
本发明提供一种车辆起步控制方法、装置、设备及存储介质，通过传感模组检测车身周围的环境数据，多个传感模组之间功能互补，避免单个传感模组的缺陷，导致误检或漏检，提高检测的准确率；通过多级卷积神经网络模型深度学习，减少障碍物识别运算量，通过识别的障碍类型，输出控制信号，控制车辆起步过程，提高车辆起步的安全性能，避免碾压事故。
附图说明
图1是本发明实施例提供的一种车辆起步控制方法的流程示意图；
图2是本发明实施例提供的一种多级卷积神经网络模型的结构示意图；
图3是本发明实施例提供的一种传感模组的安装示意图；
图4是本发明实施例提供的一种传感模组的结构示意图，图4中的a)为传感模组的正面解剖图，图4中的b)为传感模组的背面解剖图；
图5是本发明实施例提供的一种车辆起步控制装置的结构示意图；
图6是本发明实施例提供的一种终端设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，是本发明实施例提供的一种车辆起步控制方法的流程示意图，所述方法包括步骤S1～S3：
S1，检测到车辆启动信号后，通过车辆配置的传感模组采集车身周围的环境数据，所述传感模组包括至少两种传感器，所述环境数据包含每一传感模组采集的环境图像。
在本实施例具体实施时，通过检测车辆的启动信号，当检测到驾驶员启动车辆时，通过车辆配置的传感模组采集车身周围的环境数据，车身周围包括车的前后左右四个方向，以及车底的区域；通过传感模组的安装位置检测相应区域的环境数据，通过获取环境数据，在车辆起步前分析车身周围的障碍物环境，保障起步安全。
所述传感模组包括至少两种传感器，通过多个传感模组组成的传感模组采集环境数据，环境数据包括多个传感模组采集的多张环境图像，避免由于单个传感模组的缺陷导致障碍物误检和漏检，提高障碍物识别的准确率，提高安全性能。
S2，根据所述环境数据和预先训练的多级卷积神经网络模型，判断所述环境数据中障碍物的障碍类型，其中，所述多级卷积神经网络模型的输入层用于输入环境数据的障碍物图像，所述多级卷积神经网络模型的隐藏层包括三层；第一层采用5*5的卷积核，第二层和第三层均采用3*3的卷积核，所述多级卷积神经网络模型的输出层通过全连接层和SoftMax层输出每一障碍物图像中每一障碍物的标定类型。
将环境数据进行输入到预先训练的多级卷积神经网络模型中，通过多级卷积神经网络模型对环境数据中的障碍物进行识别和分类；判断环境数据中的障碍物的障碍类型；
采用多级卷积神经网络模型进行深度学习，能够更好的适应不同的地面环境，减少时序和空间特征的工作量，减少障碍物识别的运算量，适配车载芯片的运算力。
S3，根据所述障碍类型生成并反馈控制信号给所述车辆，控制所述车辆起步。
通过所述障碍类型生成并反馈控制信号给车辆的控制器，控制车辆起步过程。
通过传感模组检测车身周围的环境数据，多个传感模组之间功能互补，避免单个传感模组的缺陷，导致误检或漏检，提高检测的准确率；通过CNN模型深度学习，减少障碍物识别运算量，通过识别的障碍类型，输出控制信号，控制车辆起步过程，提高车辆起步的安全性能，避免碾压事故。
在本发明提供的又一实施例中，所述多级卷积神经网络模型的训练过程具体包括：
通过所述传感模组获取所述车辆周围无障碍物时的背景数据，将所述背景数据输入到所述多级卷积神经网络模型中保存，所述背景数据包括每一传感器采集的背景底图，每一背景底图中包括地面信息和车身结构；
获取若干组的环境数据，将获取的环境数据中的每一环境图像与所述背景数据中对应的背景底图作差，去除每一环境图像的地面信息和车身结构，得到每一环境图像的障碍物图像；
在每一环境图像的障碍物图像中标定不同障碍物，以及不同障碍物的标定类型，所述标定类型包括非活体和活体；
依次将标定前的每一组环境数据的所有障碍物图像作为输入层，将对应的标定后的环境数据中所有障碍物图像作为输出层进行训练，得到训练后的所述多级卷积神经网络模型；
其中，所述多级卷积神经网络模型的输入层用于输入环境数据的障碍物图像，所述多级卷积神经网络模型的隐藏层包括三层；第一层采用5*5的卷积核，第二层和第三层均采用3*3的卷积核，所述多级卷积神经网络模型的输出层通过全连接层和SoftMax层输出每一障碍物图像中每一障碍物的标定类型。
在本实施例具体实施时，通过所述传感模组获取所述车辆周围无障碍物时的背景数据，所述背景数据包括每一传感模组获取的背景底图，背景底图中包括地面信息和车身结构，通过预先获取背景底图，在后续进行障碍物识别时，通过背景底图消除传感模组获取的环境图像中的地面信息和车身结构信息，环境图像中剩余的信息为障碍物信息；减少障碍物识别的信息量，降低对处理器的运算力要求。
将所述背景数据输入到多级卷积神经网络模型中保存，后续进行模型训练及障碍类型检测中适用的背景数据相同，控制变量，提高模型的识别准确率。
通过所述传感模组模块进行若干次采集，获取若干组的环境数据，每一组环境数据中包含每一传感模组获取的环境数据；
以一组环境数据包括两张环境图像(如第一环境图像为毫米波数据，第二图像为红外图像数据)为例说明具体实施方式，通过传感模组获取的若干组环境数据，每一组环境数据包括第一环境图像和第二环境图像；而背景数据中也包含第一背景底图和第二背景底图；
将每一组环境数据中的第一环境图像与第一背景底图做差，去除第一环境图像中的地面信息和车身结构，得到第一障碍物图像；
将每一组环境数据中的第二环境图像与第二背景底图做差，去除第二环境图像中的地面信息和车身结构，得到第二障碍物图像；
在每一环境图像的障碍物图像中标定不同障碍物，以及不同障碍物的标定类型，所述标定类型包括非活体和活体；活体类型的障碍物包括人、猫、狗和鸟等小动物，非活体类型的障碍物包括球、玩具、塑料袋等；进行标定需要选定障碍物的轮廓，并且标定障碍物的种类即为活体还是非活体；通过预先标定的环境图像进行模型训练，能够识别图像中的障碍物以及障碍物的障碍类型；
依次将标定前的每一组障碍物图像，包括标定前的第一障碍物图像和标定前的第二障碍物图像作为输入层，将标定后的每一组障碍物图像，包括标定后的第一障碍物图像和标定后的第二障碍物图像作为输出层，输入到多级卷积神经网络模型中，依次进行模型训练；
参见图2，是本发明实施例提供的一种多级卷积神经网络模型的结构示意图；多级卷积神经网络模型的输入层输入第一障碍物图像和第二障碍物图像，其中第一障碍物图像和第二障碍物图像均被压缩成32*32像素的图像数据，在模型中被转换成32*32的矩阵进行模型训练；
需要说明的是，在本实施例中以传感模组包括两个传感模组为例说明模型训练的过程，在其他实施例中，所述传感模组中传感模组的数量为至少两个。
多级卷积神经网络模型的隐藏层(含底图)包括三层卷积/池化层，第一层采用5*5的卷积核，第二层和第三层采用3*3的卷积核，输出层采用全连接层和SoftMax层输出每一障碍物图像中每一障碍物的标定类型。
通过预先采集的若干组环境数据作为数据集依次进行模型训练，得到稳定的模型，输出稳定的结果；预先采集并进行标定的环境图像数据越多，模型训练的结果更加准确。
在本发明提供的又一实施例中，所述障碍类型包括：无障碍物、活体障碍物和非活体障碍物；
所述步骤S2具体包括：
将所述环境数据的每一环境图像与所述多级卷积神经网络模型中预存的背景数据中的对应的背景底图作差，去除所述环境数据中每一环境图像的地面图像和车身结构，得到一组待判断障碍物图像组；
对所述待判断障碍物图像组的障碍物进行判断；
当所述待判断障碍物图像组中无障碍物时，输出障碍类型为无障碍物；
当所述待判断障碍物图像组中存在障碍物时，将所述待判断障碍物图像组作为输入层输入到所述多级卷积神经网络模型中，所述多级卷积神经网络模型输出所述待判断障碍物图像组中每一障碍物图像中障碍物的标定类型；
当输出的障碍物的标定类型中不存在标定为活体的障碍物时，输出障碍类型为非活体障碍物；
当输出的障碍物的标定类型中存在标定为活体的障碍物时，输出障碍类型为活体障碍物。
在本实施例具体实施时，将获取的环境图像中的每一环境图像与预存的背景数据中的背景底图做差；
例如，通过传感模组获取的环境数据包括第一环境图像和第二环境图像；而背景数据中也包含第一背景底图和第二背景底图；
将第一环境图像与第一背景底图做差，去除第一环境图像中的地面信息和车身结构，得到第一待判断障碍物图像；
将第二环境图像与第二背景底图做差，去除第二环境图像中的地面信息和车身结构，得到第二待判断障碍物图像；
将第一待判断障碍物图像和第二待判断障碍物图像作为待判断障碍物图像组；
对所述待判断障碍物图像组的障碍物进行判断；
通过识别待判断障碍物图像组中每一图像进行特征识别进行判断，当障碍物图像中不包含障碍物特征，只包含噪声点时，即所述待判断障碍物图像组中无障碍物时，输出障碍类型为无障碍物；
当所述待判断障碍物图像组中存在障碍物时，将所述待判断障碍物图像组作为输入层输入到所述多级卷积神经网络模型中，所述多级卷积神经网络模型输出所述待判断障碍物图像组中第一待判断障碍物图像和第二待判断障碍物图像中障碍物的标定类型；
当输出的障碍物的标定类型中不存在标定为活体的障碍物时，输出障碍类型为非活体障碍物；
当输出的障碍物的标定类型中存在标定为活体的障碍物时，输出障碍类型为活体障碍物。
通过预存的背景数据对获取的环境数据进行处理得到障碍物图像，当障碍物图像中无障碍物时，直接输出结果，减少运算量；当识别到障碍物时，通过模型识别每一障碍物即障碍物的标定类型，并确定获得的环境数据中障碍物的障碍类型，不需要特别地识别出活体障碍物的数量，只需要识别出是否障碍物为包括活体或全为非活体即可，减少模型的复杂程度，提高障碍物识别的效率。
在本发明提供的又一实施例中，在步骤S1之前，所述方法还包括：
当所述车辆的控制器局域网中检测到所述车辆的发动机启动信号后，发送激活信号给所述传感模组，以激活所述传感模组。
在本实施例具体实施时，在车辆还没有启动的情况下，车辆配置的传感模组处于休眠状态，当在车辆的控制器域网CAN中检测到车辆的发动机启动信号后，发送激活信号给所述传感模组，所述传感模组进入预工作状态；
车辆未启动前保持传感模组处于休眠状态，当发动机启动后，激活传感模组，减少传感模组的工作时间，避免对车辆电池的损耗，以及传感模组长期工作的损伤。
在本发明提供的又一实施例中，所述步骤S1具体包括：
以预设的时间间隔采集控制器局域网中的车辆启动信号，所述车辆启动信号包括挡位状态信号和离合信号；
当未检测到所述车辆的离合信号，且通过所述挡位状态信号判断所述车辆的挡位状态为非D档和非R档时，继续以预设的时间间隔采集控制器局域网中的车辆启动信号；
当检测到所述车辆的离合信号，或通过所述挡位状态信号判断所述车辆的挡位状态为D档或R档时，通过所述传感模组采集所述环境数据。
在检测车辆启动信号时，需要以预设的时间间隔采集控制器局域网中的车辆启动信号，预设时间间隔可设置为1s，所述车辆启动信号包括挡位状态信号和离合信号；通过车辆的挡位状态信号和离合信号检测驾驶员操作车辆起步的过程；检测到离合信号表示该车辆为手动档车辆，且车辆的驾驶员踩下离合器，车辆将要起步；通过挡位状态信号检测车辆挡位，当检测通过所述挡位状态信号判断所述车辆的挡位状态为D档(前进档)或R档(后退档)，表示该车辆为自动档车辆，且驾驶员完成挂挡后，车辆将要起步。
当未检测到车辆的离合信号，且车辆不处于D档和R档时，表明驾驶员执行起步操作，车辆尚未起步，继续以预设的时间间隔采集控制器局域网中的车辆启动信号，检测车辆的起步状态；
当检测到所述车辆的离合信号，或通过所述挡位状态信号判断所述车辆的挡位状态为D档或R档时，车辆将要起步，通过所述传感模组采集所述环境数据，并进行后续的障碍物识别，控制车辆的起步过程。
通过在车辆起步过程中对车辆启动信号的准确监测，能够及时获取驾驶员的起步操作，在车辆即将起步时，采集车身周围的环境数据，进行障碍物识别，并根据识别的障碍类型控制车辆起步，障碍物检测和识别的时效性更高，确保车辆起步时刻的车辆安全。
在本发明提供的又一实施例中，所述传感模组包括毫米波雷达、红外摄像头、伸缩支架和驱动导轨；
所述传感模组嵌入所述车辆的底盘，所述传感模组用于采集车底的环境数据；
所述毫米波雷达和所述红外摄像头安装在所述伸缩支架上，所述驱动导轨用于驱动所述伸缩支架上下运动；
所述通过所述传感模组采集所述环境数据，具体包括：
通过所述驱动导轨控制所述伸缩支架沿所述驱动导轨向下运动，以使所述毫米波雷达和所述红外摄像头从所述车辆的底盘伸出，通过所述毫米波雷达和所述红外摄像头分别采集雷达图像和红外图像后，通过所述驱动导轨控制所述毫米波雷达和所述红外摄像头缩回所述车辆的底盘，所述传感模组进入休眠模式。
在本实施例具体实施时，参见图3，是本发明实施例提供的一种传感模组的安装示意图；
所述传感模组嵌入所述车辆的底盘，所述传感模组在休眠状态下缩回车辆底盘中，在工作状态下向下伸出，检测范围为车辆底部，通过传感模组采集车辆底部的环境数据；
参见图4，是本发明实施例提供的一种传感模组的结构示意图，图4中的a)为传感模组的正面解剖图，图4中的b)为传感模组的背面解剖图；
所述传感模组包括毫米波雷达、红外摄像头和伸缩支架和驱动导轨，毫米波雷达、红外摄像头和伸缩支架和驱动导轨均安装在外壳内，保护传感模组的结构稳定；
通过红外摄像头采集车底的红外图像，红外图像正常采集的RGB图像不同，RGB图像包含了三个通道，而红外图像只有一层通道，模型要处理的数据量明显比RGB图像要小得多。
通过红外摄像头和毫米波雷达同时采集环境数据，两个传感器功能互补，提高障碍识别的准确率。
通过伸缩支架嵌入车辆的底盘中，红外摄像头和毫米波雷达安装在伸缩支架上；驱动导轨的驱动电机用于驱动伸缩支架上下移动；
传感模组采集环境数据的过程具体为：
发送驱动信号给驱动导轨，通过驱动导轨的步进电机控制伸缩支架沿驱动导轨向下运动，以使红外摄像头和毫米波雷达从所述车辆的底盘伸出，通过毫米波雷达和红外摄像头分别采集雷达图像和红外图像后，通过步进电机控制红外摄像头和毫米波雷达沿所述驱动导轨缩回所述车辆的底盘，所述传感模组进入休眠模式，传感模组默认状态下为休眠状态。
所述传感模组还配置计算单元，用于接收红外摄像头和毫米波雷达采集的数据，并生成环境图像数据；
所述传感模组还配置有洗涤喷头，通过洗涤液入口输入洗涤液，并通过洗涤喷头喷出洗涤液洗涤红外摄像头的污渍，保证红外摄像头正常工作。
传感模组嵌入车辆底盘中，通过驱动导轨和伸缩支架控制传感器伸缩，保证数据采集时的检测范围最大，并且不降低车辆的底盘高度。
在本发明提供的又一实施例中，所述步骤S3具体包括：
当所述障碍类型为无障碍物时，生成并反馈安全信号给所述车辆，以使所述车辆配置的第一安全指示灯亮起，提示驾驶员可正常起步；
当所述障碍类型为活体障碍物时，生成并反馈发送制动信号给所述车辆，控制所述车辆制动，生成并反馈警报信号给所述车辆，以使所述车辆配置的第二安全指示灯亮起，提醒驾驶员下车检查；并在检测到驾驶座安全带松开，且驾驶座车门开启后，解除所述警报信号。
在本实施例具体实施时，当检测的障碍类型为无障碍物时，生成并反馈安全信号给所述车辆的车辆控制器，车辆控制器控制所述车辆配置的第一安全指示灯亮起，提示驾驶员可正常起步；
当检测到的障碍类型为活体障碍物时，生成并反馈发送制动信号给车辆控制器，控制所述车辆的制动系统直接制动，优先使车辆制动，提高车辆安全性，
之后生成并反馈警报信号给所述车辆，以使所述车辆配置的第二安全指示灯亮起，提醒驾驶员下车检查车底的活体；
检测车辆车门信号和安全带信号，在检测到驾驶座安全带松开，且驾驶座车门开启后，表示驾驶员已下车检测，之后解除所述警报信号，车辆可正常起步。
需要说明的时，车辆内预设的第一安全指示灯和第二安全指示灯可替换为其他形式，例如语音提示或报文提示等具有提示功能的信号。
通过对障碍物的检测，输出不同的信号，当检测到活物时，控制车辆制动，提高起步的安全性能，避免碾压事故。
在本发明提供的又一实施例中，所述方法还包括：
当所述障碍类型为非活体障碍物时，通过检测所述环境数据的环境图像中障碍物的像素点的最高位置，确定障碍物高度在车辆底盘的离地间隙中所占的离地比例；
当所述离地比例超过设定阈值时，生成并反馈警示信号给所述车辆，控制所述车辆配置的第三指示灯闪烁，以提醒驾驶员启动时注意底盘剐蹭；
当所述离地比例不超过设定阈值时，生成并反馈安全信号给所述车辆，以使所述车辆配置的第一安全指示灯亮起，提示驾驶员可正常起步。
在本实施例具体实施时，当检测到的障碍类型为非活体障碍物时，通过检测所述环境数据的所有环境图像中障碍物的像素点的最高位置，不同环境图像中取所有环境图像的障碍物所占像素的最高位置，通过传感器采集的三维图像的像素矩阵还原像素在实际坐标系的位置，进而确定障碍物高度在车辆底盘的离地间隙中所占的离地比例；
当所述离地比例超过设定阈值时，设定阈值可设置为50％，当非活体障碍物的高度超过底盘间隙的50％时，生成并反馈警示信号给车辆控制器，控制所述车辆配置的第三指示灯闪烁，以提醒驾驶员启动时注意底盘剐蹭；
当所述离地比例不超过设定阈值时，设定阈值可设置为50％，当非活体障碍物的高度不超过底盘间隙的50％时，生成并反馈安全信号给所述车辆，以使所述车辆配置的第一安全指示灯亮起，提示驾驶员可正常起步。
通过对非活体障碍的进一步识别，防止车辆起步时，车底的障碍物发生剐蹭。
参见图5，是本发明实施例提供的一种车辆起步控制装置的结构示意图，所述装置包括：
采集模块，用于检测到车辆启动信号后，通过车辆配置的传感模组采集车身周围的环境数据，所述传感模组包括至少两种传感器，所述环境数据包含每一传感模组采集的环境图像；
判断模块，用于根据所述环境数据和预先训练的多级卷积神经网络模型，判断所述环境数据中障碍物的障碍类型；
控制模块，用于根据所述障碍类型生成并反馈控制信号给所述车辆，控制所述车辆起步。
需要说明的是，本发明实施例提供的一种车辆起步控制装置用于执行上述实施例的一种车辆起步控制方法的所有流程步骤，两者的工作原理和有益效果一一对应，因而不再赘述。
参见图6，是本发明实施例提供的一种终端设备的结构示意图。该实施例的一种终端设备包括：处理器、存储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，例如一种车辆起步控制程序。所述处理器执行所述计算机程序时实现上述各个一种车辆起步控制方法实施例中的步骤，例如图1所示的步骤S1～S3。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块的功能。
示例性的，所述计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述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，该指令段用于描述所述计算机程序在所述一种车辆起步控制装置中的执行过程。例如，所述计算机程序可以被分割成检测模块、输出功率控制模块和车窗控制模块，各模块具体功能在上述任一实施例提供的一种车辆起步控制方法中已作详细说明，在此对该装置的具体功能不作赘述。
所述一种终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述一种终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是一种终端设备的示例，并不构成对一种终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种终端设备还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)、现场可编程门阵列(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，所述处理器是所述一种车辆起步控制装置的控制中心，利用各种接口和线路连接整个一种车辆起步控制装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述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，实现所述一种车辆起步控制装置的各种功能。所述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(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)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。
其中，所述一种车辆起步控制装置集成的模块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方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述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。所述计算机可读介质可以包括：能够携带所述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 Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (11)
1.一种车辆起步控制方法，其特征在于，所述方法包括：
检测到车辆启动信号后，通过车辆配置的传感模组采集车身周围的环境数据，所述传感模组包括至少两种传感器，所述环境数据包含每一传感模组采集的环境图像；
根据所述环境数据和预先训练的多级卷积神经网络模型，判断所述环境数据中障碍物的障碍类型，其中，所述多级卷积神经网络模型的输入层用于输入环境数据的障碍物图像，所述多级卷积神经网络模型的隐藏层包括三层；第一层采用5*5的卷积核，第二层和第三层均采用3*3的卷积核，所述多级卷积神经网络模型的输出层通过全连接层和SoftMax层输出每一障碍物图像中每一障碍物的标定类型；
根据所述障碍类型生成并反馈控制信号给所述车辆，控制所述车辆起步。
2.根据权利要求1所述的车辆起步控制方法，其特征在于，所述多级卷积神经网络模型的训练过程具体包括：
通过所述传感模组获取所述车辆周围无障碍物时的背景数据，将所述背景数据输入到所述多级卷积神经网络模型中保存，所述背景数据包括每一传感器采集的背景底图，每一背景底图中包括地面信息和车身结构；
获取若干组的环境数据，将获取的环境数据中的每一环境图像与所述背景数据中对应的背景底图作差，去除每一环境图像的地面信息和车身结构，得到每一环境图像的障碍物图像；
在每一环境图像的障碍物图像中标定不同障碍物，以及不同障碍物的标定类型，所述标定类型包括非活体和活体；
依次将标定前的每一组环境数据的所有障碍物图像作为输入层，将对应的标定后的环境数据中所有障碍物图像作为输出层进行训练，得到训练后的所述多级卷积神经网络模型。
3.根据权利要求1所述的车辆起步控制方法，其特征在于，所述障碍类型包括：无障碍物、活体障碍物和非活体障碍物；
所述根据所述环境数据和预先训练的多级卷积神经网络模型，判断所述环境数据中障碍物的障碍类型，具体包括：
将所述环境数据的每一环境图像与所述多级卷积神经网络模型中预存的背景数据中的对应的背景底图作差，去除所述环境数据中每一环境图像的地面图像和车身结构，得到一组待判断障碍物图像组；
对所述待判断障碍物图像组的障碍物进行判断；
当所述待判断障碍物图像组中无障碍物时，输出障碍类型为无障碍物；
当所述待判断障碍物图像组中存在障碍物时，将所述待判断障碍物图像组作为输入层输入到所述多级卷积神经网络模型中，所述多级卷积神经网络模型输出所述待判断障碍物图像组中每一障碍物图像中障碍物的标定类型；
当输出的障碍物的标定类型中不存在标定为活体的障碍物时，输出障碍类型为非活体障碍物；
当输出的障碍物的标定类型中存在标定为活体的障碍物时，输出障碍类型为活体障碍物。
4.根据权利要求1所述的车辆起步控制方法，其特征在于，在检测到车辆启动信号后，通过车辆配置的传感模组采集车身周围的环境数据之前，所述方法还包括：
在所述车辆的控制器局域网中检测到所述车辆的发动机启动信号后，发送激活信号给所述传感模组，以激活所述传感模组。
5.根据权利要求1所述的车辆起步控制方法，其特征在于，所述检测到车辆启动信号后，通过车辆配置的传感模组采集车身周围的环境数据，具体包括：
以预设的时间间隔采集控制器局域网中的车辆启动信号，所述车辆启动信号包括挡位状态信号和离合信号；
当未检测到所述车辆的离合信号，且通过所述挡位状态信号判断所述车辆的挡位状态为非D档和非R档时，继续以预设的时间间隔采集控制器局域网中的车辆启动信号；
当检测到所述车辆的离合信号，或通过所述挡位状态信号判断所述车辆的挡位状态为D档或R档时，通过所述传感模组采集所述环境数据。
6.根据权利要求5所述的车辆起步控制方法，其特征在于，所述传感模组包括毫米波雷达、红外摄像头、伸缩支架和驱动导轨；
所述传感模组嵌入所述车辆的底盘，所述传感模组用于采集车底的环境数据；
所述毫米波雷达和所述红外摄像头安装在所述伸缩支架上，所述驱动导轨用于驱动所述伸缩支架上下运动；
所述通过所述传感模组采集所述环境数据，具体包括：
通过所述驱动导轨控制所述伸缩支架沿所述驱动导轨向下运动，以使所述毫米波雷达和所述红外摄像头从所述车辆的底盘伸出，通过所述毫米波雷达和所述红外摄像头分别采集雷达图像和红外图像后，通过所述驱动导轨控制所述毫米波雷达和所述红外摄像头缩回所述车辆的底盘，所述传感模组进入休眠模式。
7.根据权利要求2所述的车辆起步的安全确认方法，其特征在于，所述根据所述障碍类型生成控制信号，控制所述车辆起步，具体包括：
当所述障碍类型为无障碍物时，生成并反馈安全信号给所述车辆，以使所述车辆配置的第一安全指示灯亮起，提示驾驶员可正常起步；
当所述障碍类型为活体障碍物时，生成并反馈发送制动信号给所述车辆，控制所述车辆制动，生成并反馈警报信号给所述车辆，以使所述车辆配置的第二安全指示灯亮起，提醒驾驶员下车检查；并在检测到驾驶座安全带松开，且驾驶座车门开启后，解除所述警报信号。
8.根据权利要求7所述的车辆起步控制方法，其特征在于，所述方法还包括：
当所述障碍类型为非活体障碍物时，通过检测所述环境数据的环境图像中障碍物的像素点的最高位置，确定障碍物高度在车辆底盘的离地间隙中所占的离地比例；
当所述离地比例超过设定阈值时，生成并反馈警示信号给所述车辆，控制所述车辆配置的第三指示灯闪烁，以提醒驾驶员启动时注意底盘剐蹭；
当所述离地比例不超过设定阈值时，生成并反馈安全信号给所述车辆，以使所述车辆配置的第一安全指示灯亮起，提示驾驶员可正常起步。
9.一种车辆起步控制装置，其特征在于，所述装置包括：
采集模块，用于检测到车辆启动信号后，通过车辆配置的传感模组采集车身周围的环境数据，所述传感模组包括至少两种传感器，所述环境数据包含每一传感模组采集的环境图像；
判断模块，用于根据所述环境数据和预先训练的多级卷积神经网络模型，判断所述环境数据中障碍物的障碍类型，其中，所述多级卷积神经网络模型的输入层用于输入环境数据的障碍物图像，所述多级卷积神经网络模型的隐藏层包括三层；第一层采用5*5的卷积核，第二层和第三层均采用3*3的卷积核，所述多级卷积神经网络模型的输出层通过全连接层和SoftMax层输出每一障碍物图像中每一障碍物的标定类型；
控制模块，用于根据所述障碍类型生成并反馈控制信号给所述车辆，控制所述车辆起步。
10.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至8中任意一项所述的一种车辆起步控制方法。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至8中任意一项所述的一种车辆起步控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111505747.9A CN116265277A (zh) | 2021-12-10 | 2021-12-10 | 一种车辆起步控制方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111505747.9A CN116265277A (zh) | 2021-12-10 | 2021-12-10 | 一种车辆起步控制方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116265277A true CN116265277A (zh) | 2023-06-20 |
Family
ID=86742864
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111505747.9A Pending CN116265277A (zh) | 2021-12-10 | 2021-12-10 | 一种车辆起步控制方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116265277A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117011830A (zh) * | 2023-08-16 | 2023-11-07 | 微牌科技(浙江)有限公司 | 图像识别方法、装置、计算机设备、存储介质 |
-
2021
- 2021-12-10 CN CN202111505747.9A patent/CN116265277A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117011830A (zh) * | 2023-08-16 | 2023-11-07 | 微牌科技(浙江)有限公司 | 图像识别方法、装置、计算机设备、存储介质 |
| CN117011830B (zh) * | 2023-08-16 | 2024-04-26 | 微牌科技(浙江)有限公司 | 图像识别方法、装置、计算机设备、存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10650681B2 (en) | Parking position identification method, parking position learning method, parking position identification system, parking position learning device, and non-transitory recording medium for recording program | |
| CN110962844B (zh) | 一种车辆航向角修正方法及系统、存储介质及终端 | |
| CN108737992A (zh) | 通过车辆间通信的摄像机辅助的车辆车灯的诊断 | |
| CN111071248B (zh) | 一种基于电子助力制动器的智能泊车方法 | |
| WO2022027893A1 (zh) | 安全带佩戴检测方法、装置、电子设备、存储介质及程序 | |
| CN111723625A (zh) | 交通灯图像识别处理方法、装置、辅助通行系统及存储介质 | |
| CN116265277A (zh) | 一种车辆起步控制方法、装置、设备及存储介质 | |
| CN110659548A (zh) | 车辆及其目标检测方法、装置 | |
| CN110633701A (zh) | 一种基于计算机视觉技术的驾驶员打电话检测方法及系统 | |
| CN110758244B (zh) | 一种电动汽车自动防被追尾的方法及其系统 | |
| EP2378465A1 (en) | Driver assisting system and method for a motor vehicle | |
| US10272838B1 (en) | Reducing lane departure warning false alarms | |
| CN108919372A (zh) | 一种车底异物预警方法及系统、车载终端 | |
| CN115339466A (zh) | 一种安全控制方法、装置、电子设备和辅助驾驶系统 | |
| CN113283286B (zh) | 一种驾驶员异常行为检测方法和装置 | |
| CN114312810A (zh) | 一种车辆能否上坎的判断方法及系统 | |
| CN111753663B (zh) | 目标检测方法及装置 | |
| CN111382631B (zh) | 识别方法、识别装置、终端、服务器和存储介质 | |
| CN110135358B (zh) | 汽车控制装置及方法 | |
| CN112036309A (zh) | 一种车辆驾驶引导方法、装置、介质及车载终端 | |
| US20190120936A1 (en) | Using data from a radar sensor for machine learning based perception | |
| CN115158210B (zh) | 一种物体伸出车窗的监测方法、装置、设备及存储介质 | |
| CN112183413B (zh) | 一种车位检测方法、装置、存储介质及车辆 | |
| CN114323583A (zh) | 一种车辆灯光检测方法、装置、设备及系统 | |
| CN116665178A (zh) | 车底安全检测方法及系统、存储介质、车载终端及车辆 |
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 |