CN116620296B - 一种智能汽车的避险方法和系统 - Google Patents

Abstract

本发明涉及智能驾驶技术领域，尤其涉及一种智能汽车的避险方法和系统。方法包括：对智能汽车拍摄的当前道路图像进行识别；将每个识别出的坑洼的表面形状均模拟为预设形状，并确定每个识别出的坑洼的深度；对所有识别出的坑洼进行筛选，根据剩余的识别出的坑洼，控制智能汽车进行避让。可以提前获取坑洼状况，以提醒驾驶员采取相应的避让措施。

Description

一种智能汽车的避险方法和系统

技术领域

本发明涉及智能驾驶技术领域，尤其涉及一种智能汽车的避险方法和系统。

背景技术

随着工业互联网和人工智能技术的快速发展，汽车行业也进行着智能化的快速革新。传统的汽车，在驾驶的过程中，需要驾驶员把握一切驾驶可能遇到的情况，对驾驶员的精力消耗较大。随着互联网以及人工智能的引入，汽车具有了辅助驾驶以及自动驾驶的能力，可以在驾驶过程中，有汽车的人工智能系统对路况、紧急情况避险等多方面进行评估并提醒司机注意，使司机能够提前规避风险，提高了驾驶的舒适性与安全性。

在一些破败的公路上，常常会出现道路坑洼的现象，现有的部分智能汽车上具有路况检测系统，通过车前方的摄像头对路面进行拍摄并识别，从而确定路面是否有坑洼，并对司机进行提醒。

现有技术中智能汽车在检测到道路坑洼现象后会提醒司机进行避让，但由于某些形状、体积较小的坑洼的存在，导致汽车在面对某些坑洼时无需避让，因此现在亟需一种智能汽车的避险方法来辅助智能汽车进行坑洼避险。

发明内容

本发明所要解决的技术问题是针对现有技术的不足，提供了一种智能汽车的避险方法和系统。

本发明的一种智能汽车的避险方法的技术方案如下：

对智能汽车拍摄的当前道路图像进行识别；

将每个识别出的坑洼的表面形状均模拟为预设形状，并确定每个识别出的坑洼的深度；

对所有识别出的坑洼进行筛选，根据剩余的识别出的坑洼，控制所述智能汽车进行避让。

本发明的一种智能汽车的避险系统的技术方案如下：

识别模块、模拟确定模块和筛选控制模块；

所述识别模块用于：对智能汽车拍摄的当前道路图像进行识别；

所述模拟确定模块用于：将每个识别出的坑洼的表面形状均模拟为预设形状，并确定每个识别出的坑洼的深度；

所述筛选控制模块用于：对所有识别出的坑洼进行筛选，根据剩余的识别出的坑洼，控制所述智能汽车进行避让。

本发明的有益效果如下：

可以提前获取坑洼状况并进行筛选，能够更精准控制智能汽车采取避让措施。

附图说明

通过阅读参照以下附图所作的对非限制性实施例的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明实施例的一种智能汽车的避险方法的流程示意图；

图2为坑洼的示意图；

图3为确定阴影区域的示意图；

图4为第二种筛选方式的示意图；

图5为本发明实施例的一种智能汽车的避险系统的结构示意图。

具体实施方式

如图1所示，本发明实施例的一种智能汽车的避险方法，包括如下步骤：

S1、对智能汽车拍摄的当前道路图像进行识别；

S2、将每个识别出的坑洼的表面形状均模拟为预设形状，并确定每个识别出的坑洼的深度；

S3、对所有识别出的坑洼进行筛选，根据剩余的识别出的坑洼，控制智能汽车进行避让。

可选地，在上述技术方案中，预设形状为椭圆形或圆形，当预设形状为椭圆形时，将每个识别出的坑洼的表面形状均模拟为椭圆形的过程，包括：

S20、获取任一识别出的坑洼的表面形状中的最长长度的线段作为长轴，取与该长轴垂直的多个位置的长度的平均值的线段作为短轴，根据该识别出的坑洼对应的长轴和短轴，将该识别出的坑洼的表面形状均模拟为椭圆形，直至将每个识别出的坑洼的表面形状均模拟为椭圆形。具体地：

如图2所示，识别出的坑洼的表面形状千奇百怪，可以将识别出的坑洼的表面形状模拟成椭圆形/圆形，具体获取识别出的坑洼的表面形状中的最长长度所处位置的线段长轴，取与该长轴垂直的多个位置的长度的平均值的线段作为短轴，进而将识别出的坑洼的表面形状模拟成椭圆形/圆形。

其中多个与长轴垂直的位置的长度可以是与长轴垂直的位置且非最长处非最短处的长度，以图2为例进行说明，在计算短轴时，不取红线即虚线所示最长处和最短处以确保计算的准确度。

将识别出的坑洼的表面形状均模拟为椭圆形的原因如下：

一方面，由于车辆的拍摄角度问题，实际坑洼的尺寸形状与拍摄的尺寸形状可能并不相同；另一方面，模拟成椭圆形/圆形可以方便后续计算后进行筛除操作。

可选地，在上述技术方案中，确定每个识别出的坑洼的深度的过程，包括：

S21、将任一识别出的坑洼的多个位置的深度的平均值，作为该识别出的坑洼的深度，直至得到每个识别出的坑洼的深度。

可选地，在上述技术方案中，对所有识别出的坑洼进行筛选，包括：

S30、根据每个识别出的坑洼的位置、椭圆形表面形状的尺寸和深度进行筛选。具体如下：

1)第一种筛选方式：从所有识别出的坑洼中筛选出位置较偏的坑洼，即筛选出阴影区域内的坑洼：

如图3所示，当智能汽车的左侧车轮位于道路最左侧时，确定智能汽车的右侧车轮的位置，当智能汽车的右侧车轮位于道路最右侧时，确定智能汽车左侧车轮的位置，这两个位置之间形成的区域即为阴影区域，无论智能汽车是特别偏左或特别偏右行驶，阴影区域始终位于智能汽车的下方，不会被智能汽车的车轮压到，因此可以筛选出阴影区域内的坑洼，进而直接将阴影区域的坑洼筛除掉。

需要再强调的是：是根据智能汽车的车轮确定阴影区域，而并非根据根据智能汽车的外形尺寸确定阴影区域。

2)第二种筛选方式：根据每个识别出的坑洼对应的椭圆形表面形状的尺寸和每个识别出的坑洼的深度进行筛选：

其中，较小的坑洼包括表面较小以及深度较小的坑洼。具体可以根据智能汽车的底盘高度、车轮与地面接触面积来综合确定：

①确定智能汽车的车轮与地面接触的长度a，以及智能汽车的车轮的轮宽b，筛选出沿智能汽车的行进方向的长度小于等于a的坑洼；

②筛选出：沿智能汽车行进方向长度大于a的坑洼，但沿与行进方向垂直方向上的长度小于b的坑洼；

③根据智能汽车的底盘高度确定高度c，高度c可以为车辆底盘高度的设定百分比，例如10％，筛选出深度小于c的坑洼。

3)第三种筛选方式：结合驾驶员的实际要求进行筛选：

利用第一种筛选方式和第二种筛选方式筛选出的坑洼为：智能汽车在经过时驾驶员基本无感的坑洼，现实中还存在一部分坑洼，智能汽车在经过时可能会产生颠簸感，此时可以避让也可以直接通过，但需要结合具体情况。

假设智能汽车的车轮半径为m，产生颠簸感的坑洼沿智能汽车行进方向的长度n需小于2sinα×m，且坑洼与行进方向垂直方向的长度需小于b，坑洼的深度需小于(1-cosα)×m，

其中，α表示车轮夹角，具体为：第一直线与第二直线之间的夹角，第一直线为车轮的中心点与坑洼的边之间的连线所在的直线，第二直线为车轮的中心点与坑洼的中心点之间的连线所在的直线，，其中，可以根据实际需求设定车轮夹角为45°、30°，15°等，也可以根据驾乘人员选择的舒适度进行夹角的确定，例如舒适度分为3档，舒适度最低，中间和最高档，最低档对应的车轮夹角为45°，中间档对应的车轮夹角为30°，最高档对应的车轮夹角为15°，在车辆开始行驶前，驾乘人员先选择所需的舒适度，然后后续在避让过程中根据档位确定夹角的角度，进行相应舒适度的避让。

以α＝45°为例进行说明，如图4所示，假定智能汽车的车轮陷在坑洼中，车轮夹角为45度，认为此时有颠簸感且能通过坑洼，得到此时n的值，计算得到产生颠簸感的坑洼沿行进方向的长度n需小于且坑洼与行进方向垂直方向的长度需小于b，坑洼的深度需小于/>

去除上述第一种筛选方式、第二种筛选方式和第三种筛选方式所筛选到的坑洼，根据剩余的识别出的坑洼，控制智能汽车进行避让，具体地：

1)对坑洼示意图中当前路段A剩余的坑洼s1进行主动避让。具体的在行驶至路段A的坑洼处s1之前，寻找合适的可变道路段，可变道路段B的最近坑洼处s2需要沿行进方向在坑洼路段s1之后出现(即s2距离车辆比s1更远)，且路段B在可变道处的车流量较小，具体通过车流量阈值确定，小于车流量阈值时，则判定路段B在可变道处的车流量较小，大于车流量阈值时，则判定路段B在可变道处的车流量较大，s1、s2和车流量阈值可根据实际情况设置。

2)若实在无法避让，即不存在上述步骤4中的条件，可以进一步确定坑洼的位置，根据位置确定车辆可以在当前车道上进行避让。具体的，结合图1来看，若坑洼位于A区域，可以让车辆向B区域避让，若坑洼位于B区域，可以让车辆向A区域避让。

需要说明的是：

当前方的坑洼属于上文所述的沿行进方向的长度n小于2sinα×m，且坑洼的深度小于时，若当前车速较慢(小于设定车速)，且处于可变道的路段(实时监测路段结合地图指示，因为有时可能面临临时修路地图显示并不准确)，可变道路段的车流较少(实时监测车流量，车流量小于设定流量)，可选择变道避让。若当前车速较快(大于设定车速)，且处于可变道的路段，可变道路段的车流较大，可选择不变道，直接通过(由于车速较快)。若当前处于不可变道路段，则选择不变道。

可选地，在上述技术方案中，还包括：

S01、根据历史道路图像对预设深度学习模型进行训练，得到用于识别坑洼的道路坑洼识别模型；

对智能汽车拍摄的当前道路图像进行识别，包括：

S10、利用道路坑洼识别模型，对智能汽车拍摄的当前道路图像进行识别。

其中，预设深度学习模型可为神经网络、卷积神经网络模型等。

通过获取曾经在路段上行驶过的车辆的行驶信息获得路段处坑洼情况。具体可以是通过曾经车辆拍摄的图片和摄像，确定坑洼处表面的大小，坑洼处深度，并根据拍摄的位置确定坑洼的位置，综合所有车辆的拍摄情况，得到路段上的坑洼示意图。也就是得到历史道路图像。

具体将大量已知坑洼(坑洼处表面大小、坑洼处深度已知)的车辆拍摄图片即历史道路图像作为训练集和测试集，利用训练集训练预设深度学习模型如卷积神经网络模型等，在训练过程中对训练误差通过梯度下降学习调整模型参数，利用测试集对网络进行测试，评估模型的泛化能力，最终得到训练好的卷积神经网络模型即得到用于识别坑洼的道路坑洼识别模型。将未知坑洼的车辆拍摄图片如智能汽车拍摄的当前道路图像输入道路坑洼识别模型中，可以得到未知坑洼处的表面形状大小和深度。

在上述各实施例中，虽然对步骤进行了编号S1、S2等，但只是本申请给出的具体实施例，本领域的技术人员可根据实际情况调整S1、S2等的执行顺序，此也在本发明的保护范围内，可以理解，在一些实施例中，可以包含如上述各实施方式中的部分或全部。

如图5所示，本发明实施例的一种智能汽车的避险系统200，包括识别模块210、模拟确定模块220和筛选控制模块230；

识别模块210用于：对智能汽车拍摄的当前道路图像进行识别；

模拟确定模块220用于：将每个识别出的坑洼的表面形状均模拟为预设形状，并确定每个识别出的坑洼的深度；

筛选控制模块230用于：对所有识别出的坑洼进行筛选，根据剩余的识别出的坑洼，控制智能汽车进行避让。

可选地，在上述技术方案中，预设形状为椭圆形或圆形，当预设形状为椭圆形时，模拟确定模块220将每个识别出的坑洼的表面形状均模拟为椭圆形的过程，包括：

获取任一识别出的坑洼的表面形状中的最长长度的线段作为长轴，取与该长轴垂直的多个位置的长度的平均值的线段作为短轴，根据该识别出的坑洼对应的长轴和短轴，将该识别出的坑洼的表面形状均模拟为椭圆形，直至将每个识别出的坑洼的表面形状均模拟为椭圆形。

可选地，在上述技术方案中，模拟确定模块220确定每个识别出的坑洼的深度的过程，包括：

将任一识别出的坑洼的多个位置的深度的平均值，作为该识别出的坑洼的深度，直至得到每个识别出的坑洼的深度。

可选地，在上述技术方案中，筛选控制模块230对所有识别出的坑洼进行筛选的过程，包括：

根据每个识别出的坑洼的位置、椭圆形表面形状的尺寸和深度进行筛选。

可选地，在上述技术方案中，还包括训练模块，训练模块用于：根据历史道路图像对预设深度学习模型进行训练，得到用于识别坑洼的道路坑洼识别模型；

识别模块210具体用于：利用道路坑洼识别模型，对智能汽车拍摄的当前道路图像进行识别。

上述关于本发明的一种智能汽车的避险系统200中的各参数和各个单元模块实现相应功能的步骤，可参考上文中关于一种智能汽车的避险方法的实施例中的各参数和步骤，在此不做赘述。

本发明实施例的一种电子设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序，所述处理器执行所述程序时实现上述任一实施的一种智能汽车的避险方法的步骤。

其中，电子设备可以选用电脑、手机等，相对应地，其程序为电脑软件或手机APP等，且上述关于本发明的一种电子设备中的各参数和步骤，可参考上文中一种智能汽车的避险方法的实施例中的各参数和步骤，在此不做赘述。

所属技术领域的技术人员知道，本发明可以实现为系统、方法或计算机程序产品。

因此，本公开可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。

可以采用一个或多个计算机可读的介质的任意组合。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。计算机可读存储介质例如可以是一一但不限于——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(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM),只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，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。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (4)

1.一种智能汽车的避险方法，其特征在于，包括：

对智能汽车拍摄的当前道路图像进行识别；

将每个识别出的坑洼的表面形状均模拟为预设形状，并确定每个识别出的坑洼的深度；

对所有识别出的坑洼进行筛选，根据剩余的识别出的坑洼，控制所述智能汽车进行避让；

对所有识别出的坑洼进行筛选，包括：

根据每个识别出的坑洼的位置、椭圆形表面形状的尺寸和深度进行筛选，具体包括第一种筛选方式和第二种筛选方式：

所述第一种筛选方式为：从所有识别出的坑洼中筛选出阴影区域内的坑洼，将所述阴影区域的坑洼筛除掉，当智能汽车的左侧车轮位于道路最左侧时，确定智能汽车的右侧车轮的位置，当智能汽车的右侧车轮位于道路最右侧时，确定智能汽车左侧车轮的位置，这两个位置之间形成的区域即为所述阴影区域；

所述第二种筛选方式为：根据每个识别出的坑洼对应的椭圆形表面形状的尺寸和每个识别出的坑洼的深度进行筛选；

所述预设形状为椭圆形或圆形，当所述预设形状为椭圆形时，将每个识别出的坑洼的表面形状均模拟为椭圆形的过程，包括：

获取任一识别出的坑洼的表面形状中的最长长度的线段作为长轴，取与该长轴垂直的多个位置的长度的平均值的线段作为短轴，根据该识别出的坑洼对应的长轴和短轴，将该识别出的坑洼的表面形状均模拟为椭圆形，直至将每个识别出的坑洼的表面形状均模拟为椭圆形；

还包括：

根据历史道路图像对预设深度学习模型进行训练，得到用于识别坑洼的道路坑洼识别模型；

所述对智能汽车拍摄的当前道路图像进行识别，包括：

利用所述道路坑洼识别模型，对所述智能汽车拍摄的当前道路图像进行识别。

2.根据权利要求1所述的一种智能汽车的避险方法，其特征在于，确定每个识别出的坑洼的深度的过程，包括：

将任一识别出的坑洼的多个位置的深度的平均值，作为该识别出的坑洼的深度，直至得到每个识别出的坑洼的深度。

3.一种智能汽车的避险系统，其特征在于，包括识别模块、模拟确定模块和筛选控制模块；

所述识别模块用于：对智能汽车拍摄的当前道路图像进行识别；

所述模拟确定模块用于：将每个识别出的坑洼的表面形状均模拟为预设形状，并确定每个识别出的坑洼的深度；

所述筛选控制模块用于：对所有识别出的坑洼进行筛选，根据剩余的识别出的坑洼，控制所述智能汽车进行避让；

所述筛选控制模块对所有识别出的坑洼进行筛选的过程，包括：

根据每个识别出的坑洼的位置、椭圆形表面形状的尺寸和深度进行筛选，具体包括第一种筛选方式和第二种筛选方式：

所述第一种筛选方式为：从所有识别出的坑洼中筛选出阴影区域内的坑洼，将所述阴影区域的坑洼筛除掉，当智能汽车的左侧车轮位于道路最左侧时，确定智能汽车的右侧车轮的位置，当智能汽车的右侧车轮位于道路最右侧时，确定智能汽车左侧车轮的位置，这两个位置之间形成的区域即为所述阴影区域；

所述第二种筛选方式为：根据每个识别出的坑洼对应的椭圆形表面形状的尺寸和每个识别出的坑洼的深度进行筛选；

所述预设形状为椭圆形或圆形，当所述预设形状为椭圆形时，所述模拟确定模块将每个识别出的坑洼的表面形状均模拟为椭圆形的过程，包括：

获取任一识别出的坑洼的表面形状中的最长长度的线段作为长轴，取与该长轴垂直的多个位置的长度的平均值的线段作为短轴，根据该识别出的坑洼对应的长轴和短轴，将该识别出的坑洼的表面形状均模拟为椭圆形，直至将每个识别出的坑洼的表面形状均模拟为椭圆形；

还包括训练模块，所述训练模块用于：根据历史道路图像对预设深度学习模型进行训练，得到用于识别坑洼的道路坑洼识别模型；

所述识别模块具体用于：利用所述道路坑洼识别模型，对所述智能汽车拍摄的当前道路图像进行识别。

4.根据权利要求3所述的一种智能汽车的避险系统，其特征在于，所述模拟确定模块确定每个识别出的坑洼的深度的过程，包括：

将任一识别出的坑洼的多个位置的深度的平均值，作为该识别出的坑洼的深度，直至得到每个识别出的坑洼的深度。