CN117087675B - 一种车辆通过性的检测方法、装置、设备及介质 - Google Patents

Abstract

本发明涉及车辆安全技术领域，公开了一种车辆通过性的检测方法、装置、设备及介质，包括：基于车辆行驶过程中的历史障碍场景数据以及历史底盘距地高度训练得到车辆通过性预测模型；获取采集的车辆在前行或后退过程中的实时路面图像数据；将实时路面图像数据输入预设场景识别模型进行场景识别得到实时障碍场景数据；获取采集的车辆在前行或后退过程中的实时底盘距地高度；将实时障碍场景数据以及实时底盘距地高度输入车辆通过性预测模型得到实时障碍通过性预测结果，可以更准确地预测车辆能否通过当前路段的障碍物，从而能够保证实时预测车辆通过性的情况下，提升预测车辆通过性的准确度。

Description

一种车辆通过性的检测方法、装置、设备及介质

技术领域

本发明涉及车辆安全技术领域，具体涉及一种车辆通过性的检测方法、装置、设备及介质。

背景技术

车辆在遇到坎坷不平地段，比如陡坡、侧坡、台阶、壕沟，或遇到一些通过性很差的路段，比如拦车石墩、狭窄路段等，驾驶人员无法准确的判断车辆的通过性，强行通过造成了刮底盘、刮蹭，严重时车辆受损无法前行、人员受伤等事故。现有技术中为了识别车辆遇到的障碍一般采用的是车身激光雷达采集到的点云数据进行复杂的数据处理，确定障碍物的位置，从而导致计算资源消耗极大，实时性低，并且仅激光雷达数据所进行的路障识别具有局限性，无法精准的确定车辆是否可以通过路段。

发明内容

有鉴于此，本发明提供了一种车辆通过性的检测方法，以解决如何在保证能够实时预测车辆通过性的情况下，提升预测车辆通过性的准确度。

第一方面，本发明提供了一种车辆通过性的检测方法，方法包括：基于车辆行驶过程中的历史障碍场景数据以及历史底盘距地高度训练得到车辆通过性预测模型；获取图像采集装置采集的车辆在前行或后退过程中的实时路面图像数据；将所述实时路面图像数据输入预设场景识别模型进行场景识别得到实时障碍场景数据；获取设置于车辆底盘的雷达探测装置采集的车辆在前行或后退过程中的实时底盘距地高度；将所述实时障碍场景数据以及实时底盘距地高度输入所述车辆通过性预测模型得到实时障碍通过性预测结果，用以预测车辆能否通过当前路段。

本发明实施例通过历史障碍场景数据和历史底盘距地高度，结合训练得到的车辆通过性预测模型，实时采集的路面图像数据和底盘距地高度，利用预设场景识别模型对实时障碍场景进行识别，可以判断各种复杂路面环境对通过性的影响，并将识别结果与底盘距地高度输入车辆通过性预测模型，得到实时障碍通过性预测结果，可以更准确地预测车辆能否通过当前路段的障碍物。从而能够保证实时预测车辆通过性的情况下，提升预测车辆通过性的准确度。

在一种可选的实施方式中，所述基于车辆行驶过程中的历史障碍场景数据以及历史底盘距地高度训练得到车辆通过性预测模型，包括：将所述历史底盘距地高度与预设底盘距地高度范围相除计算得到高度比值范围数据，所述预设底盘距地高度范围表征在车辆预设胎压范围内不同的胎压对应的底盘距地高度；对所述历史障碍场景数据以及高度比范围数据进行数据标注得到训练集；基于所述训练集训练预设机器学习模型得到车辆通过性预测模型。

通过将历史底盘距地高度与预设底盘距地高度范围相除计算高度比值范围数据，考虑到车辆在不同胎压下的底盘距地高度变化，从而更准确地捕捉到车辆通过性与底盘高度之间的关系，从而提高了车辆通过性预测模型的预测准确性。

在一种可选的实施方式中，所述历史障碍场景数据，包括：陡坡场景、侧坡场景、台阶场景、壕沟场景中的至少一种；所述历史障碍场景数据与所述高度比值范围数据为一一对应关系。

通过将不同类型的障碍场景数据与高度比值范围数据进行一一对应，可以涵盖多种不同的实际驾驶场景。从而使得模型可以更加全面预测车辆通过性，从而扩大了车辆通过性预测模型的预测范围。

在一种可选的实施方式中，所述对所述历史障碍场景数据以及高度比范围数据进行数据标注得到训练集，包括：将所述历史障碍场景数据以及高度比值范围数据，按照通过性标签进行对应的标注，得到训练集；其中，所述通过性标签包括可通过标签或不可通过标签；所述训练集包括输入数据以及对应的输出数据，其中，所述输入数据为历史障碍场景数据以及高度比值范围数据，所述输出数据为对应的通过性标签。

通过为每个历史样本指定正确的通过性标签，在训练集中使用通过性标签对样本进行标注，模型能够学习到不同场景下的可通过性和不可通过性的判别规则，从而提高了模型的预测准确性。

在一种可选的实施方式中，所述方法，还包括：获取设置于车辆顶部的雷达探测装置采集的车辆顶部距限高障碍物的实时距离；判断所述实时距离是否小于预设阈值，若是，则当前限高路段的判定结果为不可通行路段；若不是，则当前限高路段的判定结果为可通行路段。

通过实时检测车辆顶部与限高障碍物的距离，并根据距离是否小于预设阈值来判定当前限高路段是否可通行，能够有效避免超高车辆碰撞限高障碍物，对司机进行提醒，从而降低了超出司机视野范围的事故发生的可能性。

在一种可选的实施方式中，所述方法，还包括：将实时路面图像数据输入预设两侧障碍识别模型进行两侧障碍识别得到实时两侧障碍坐标点；判断所述实时两侧障碍坐标点是否落入车辆两侧标尺线内，若是，则当前限宽路段的判定结果为不可通行路段，若不是，则当前限宽路段的判定结果为可通行路段。

通过对两侧障碍物进行实时的监测和识别，能够有效避免车辆在限宽路段遇到两侧障碍物时的碰撞风险，对司机进行提醒，从而降低了超出司机视野范围的事故发生的可能性。

在一种可选的实施方式中，所述方法，还包括：根据所述实时障碍通过性预测结果、限高路段、限宽路段的判定结果，通过显示设备或音频设备对驾驶员进行提示。

通过显示设备或音频设备向司机提供障碍通过性预测结果、限高路段和限宽路段的判定结果，司机能够更好地了解当前道路的通过性，从而保证司机的反应时间，提高驾驶过程中的安全性。

第二方面，本发明提供了一种车辆通过性的检测装置，所述装置包括：

模型训练模块，用于基于车辆行驶过程中的历史障碍场景数据以及历史底盘距地高度训练得到车辆通过性预测模型；

图像采集模块，用于获取图像采集装置采集的车辆在前行或后退过程中的实时路面图像数据；

障碍识别模块，用于将所述实时路面图像数据输入预设场景识别模型进行场景识别得到实时障碍场景数据；

高度采集模块，用于获取设置于车辆底盘的雷达探测装置采集的车辆在前行或后退过程中的实时底盘距地高度；

路段预测模块，用于将所述实时障碍场景数据以及实时底盘距地高度输入所述车辆通过性预测模型得到实时障碍通过性预测结果，用以预测车辆能否通过当前路段。

第三方面，本发明提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的车辆通过性的检测方法。

第四方面，本发明提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的车辆通过性的检测方法。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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是根据本发明实施例的车辆通过性的检测方法的流程示意图；

图2是根据本发明实施例的另一车辆通过性的检测方法的流程示意图；

图3是根据本发明实施例的另一车辆通过性的检测方法的流程示意图；

图4是根据本发明实施例的另一车辆通过性的检测方法的两侧障碍识别示意图；

图5是根据本发明实施例的车辆通过性的检测装置的模块组成示意图；

图6是本发明实施例的计算机设备的硬件结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，本领域技术人员在没有做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。

本发明实施例提供的一种车辆通过性的检测方法，应用于各类车辆道路通行的场景下，如越野车、工程车等需要通过复杂路况的场景，本发明的实时预测功能，能够保证实时预测车辆通过性的情况下，提升预测车辆通过性的准确度。

根据本发明实施例，提供了一种车辆通过性的检测方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

在本实施例中提供了一种车辆通过性的检测方法，可用于上述的计算机设备，图1是根据本发明实施例的车辆通过性的检测方法的流程图，如图1所示，该流程包括如下步骤：

步骤S101，基于车辆行驶过程中的历史障碍场景数据以及历史底盘距地高度训练得到车辆通过性预测模型。

需要说明的是，历史障碍场景数据指的是车辆过去行驶过程中遇到的各种路面环境，本实施例中，历史障碍场景数据包括：陡坡场景、侧坡场景、台阶场景、壕沟场景中的至少一种。而历史底盘距地高度可以是车辆在这些场景下测量到的实际底盘离地高度的数据。车辆通过性预测模型用于预测车辆在不同障碍场景和底盘高度下的通过性能。

步骤S102，获取图像采集装置采集的车辆在前行或后退过程中的实时路面图像数据。

需要说明的是，车辆上的图像采集装置(例如行车摄像仪)实时采集到车辆前行或后退过程中的路面图像数据，例如路面状况、障碍物位置、道路标志等信息。这些实时路面图像数据可以在后续步骤中进一步分析和识别当前路段的障碍场景。

步骤S103，将实时路面图像数据输入预设场景识别模型进行场景识别得到实时障碍场景数据。

需要说明的是，预设场景识别模型指的是事先训练好的模型，用于对实时采集到的路面图像数据进行分析和识别，以确定当前场景中存在的障碍场景，通过各种历史障碍物图像信息进行获取、预处理、特征抽取和选择、分类器设计和分类决策通过机器学习方法在大量数据的基础上进行训练，以识别出本实施例中道路障碍对应的不同的场景类型。

步骤S104，获取设置于车辆底盘的雷达探测装置采集的车辆在前行或后退过程中的实时底盘距地高度。

可以理解的是，在车辆通过障碍场景时，底盘的高度对通过性能具有重要影响。如果底盘离地高度不足以通过障碍物，可能会导致底部碰撞或卡住等问题，影响车辆的通过性能，因此需要探测距地高度来获取车辆底盘离地的实际高度数据。

需要说明的是，雷达测距原理是利用电磁波的反射原理，通过测量信号反射回来的时间间隔，来计算物体与雷达之间的距离。以近似矩形的车辆底盘为例进行说明，在矩形结构的左上角(前A)安装雷达探测装置1，右上角(前B)安装雷达探测装置2，左下角(后A)安装雷达探测装置3，右下角(后B)安装雷达探测装置4，根据上述布局能够更加全面探测车辆底盘的距地高度。以上结构布局仅为示例性说明，在安装过程中，所安装雷达装置的具体结构及位置，需要根据车辆车型以及车辆底盘结构进行调整，本实施例对此不做限制。

步骤S105，将实时障碍场景数据以及实时底盘距地高度输入车辆通过性预测模型得到实时障碍通过性预测结果，用以预测车辆能否通过当前路段。

本发明实施例中，实时障碍通过性预测结果是一个二分类输出，表示车辆能否顺利通过当前路段，比如输出为可通行或不可通行。

本发明实施例通过历史障碍场景数据和历史底盘距地高度，结合训练得到的车辆通过性预测模型，实时采集的路面图像数据和底盘距地高度，利用预设场景识别模型对实时障碍场景进行识别，可以判断各种复杂路面环境对通过性的影响，并将识别结果与底盘距地高度输入车辆通过性预测模型，得到实时障碍通过性预测结果，可以更准确地预测车辆能否通过当前路段的障碍物。从而能够保证实时预测车辆通过性的情况下，提升预测车辆通过性的准确度。

在本实施例中提供了一种车辆通过性的检测方法，可用于上述的计算机等，图2是根据本发明实施例的车辆通过性的检测方法的流程图，如图2所示，该流程包括如下步骤：

步骤S201，基于车辆行驶过程中的历史障碍场景数据以及历史底盘距地高度训练得到车辆通过性预测模型。

具体的，上述步骤S201包括：

步骤S2011，将历史底盘距地高度与预设底盘距地高度范围相除计算得到高度比值范围数据，预设底盘距地高度范围表征在车辆预设胎压范围内不同的胎压对应的底盘距地高度。

需要说明的是，高度比值范围数据指的是历史底盘距地高度与预设底盘距地高度范围相除后得到的比值范围数据。预设底盘距地高度范围是指在车辆预设胎压范围内不同胎压对应的底盘距地高度的范围。

示例性的，每个测距雷达测量出的高度(底盘距地高度)，例如雷达探测装置1，雷达探测装置2，雷达探测装置3，雷达探测装置4分别在前A，前B，后A，后B探测出的高度分别是15厘米、15厘米、15厘米、15厘米。而正常胎压范围下，车辆底盘和地面有一个高度范围(预设底盘距地高度范围)，比如：30-33厘米。雷达探测出的高度(底盘距地高度)和正常胎压范围的高度相除，得到一个比例范围(高度比值范围数据)。根据这个比例范围建立数据模型。

步骤S2012，对历史障碍场景数据以及高度比范围数据进行数据标注得到训练集。其中，历史障碍场景数据与高度比值范围数据为一一对应关系。

需要说明的是，历史障碍场景数据中的各个障碍场景下，对应有一个高度比范围数据，能够满足车辆的通过需求，因此通过将不同类型的障碍场景数据与高度比值范围数据进行一一对应，可以涵盖多种不同的实际驾驶场景。从而使得模型可以更加全面预测车辆通过性，从而扩大了车辆通过性预测模型的预测范围。

具体的，上述步骤S2012，包括：将历史障碍场景数据以及高度比值范围数据，按照通过性标签进行对应的标注，得到训练集。其中，通过性标签包括可通过标签或不可通过标签；训练集包括输入数据以及对应的输出数据，其中，输入数据为历史障碍场景数据以及高度比值范围数据，输出数据为对应的通过性标签。

本发明实施例中，高度比值范围数据也可以理解为胎压比，胎压比是车辆通过性预测模型中的一个影响因素，考虑了车辆底盘高度与胎压之间的关系，胎压的变化会对底盘高度产生影响，因此将胎压范围考虑在内有助于更准确地预测车辆的通过性能。

步骤S2013，基于训练集训练预设机器学习模型得到车辆通过性预测模型。

示例性的，使用机器学习方法进行模型训练。训练过程中，通过历史数据的学习，模型能够理解不同障碍场景下车辆底盘高度与通过性之间的关系，从而预测车辆在新的场景下的通过性能。

步骤S202，获取图像采集装置采集的车辆在前行或后退过程中的实时路面图像数据。详细请参见图1所示实施例的步骤S102，在此不再赘述。

步骤S203，将实时路面图像数据输入预设场景识别模型进行场景识别得到实时障碍场景数据。详细请参见图1所示实施例的步骤S103，在此不再赘述。

步骤S204，获取设置于车辆底盘的雷达探测装置采集的车辆在前行或后退过程中的实时底盘距地高度。详细请参见图1所示实施例的步骤S104，在此不再赘述。

步骤S205，将实时障碍场景数据以及实时底盘距地高度输入车辆通过性预测模型得到实时障碍通过性预测结果，用以预测车辆能否通过当前路段。详细请参见图1所示实施例的步骤S105，在此不再赘述。

本发明实施例通过将历史底盘距地高度与预设底盘距地高度范围相除计算高度比值范围数据，考虑到车辆在不同胎压下的底盘距地高度变化，从而更准确地捕捉到车辆通过性与底盘高度之间的关系，从而提高了车辆通过性预测模型的预测准确性。

在本实施例中提供了一种车辆通过性的检测方法，可用于上述的计算机等，图3是根据本发明实施例的车辆通过性的检测方法的流程图，如图3所示，该流程包括如下步骤：

步骤S301，基于车辆行驶过程中的历史障碍场景数据以及历史底盘距地高度训练得到车辆通过性预测模型。详细请参见图1所示实施例的步骤S101，在此不再赘述

步骤S302，获取图像采集装置采集的车辆在前行或后退过程中的实时路面图像数据。详细请参见图1所示实施例的步骤S102，在此不再赘述。

步骤S303，将实时路面图像数据输入预设场景识别模型进行场景识别得到实时障碍场景数据。详细请参见图1所示实施例的步骤S103，在此不再赘述。

步骤S304，获取设置于车辆底盘的雷达探测装置采集的车辆在前行或后退过程中的实时底盘距地高度。详细请参见图1所示实施例的步骤S104，在此不再赘述。

步骤S305，将实时障碍场景数据以及实时底盘距地高度输入车辆通过性预测模型得到实时障碍通过性预测结果，用以预测车辆能否通过当前路段。详细请参见图1所示实施例的步骤S105，在此不再赘述。

步骤S306，获取设置于车辆顶部的雷达探测装置采集的车辆顶部距限高障碍物的实时距离；判断实时距离是否小于预设阈值，若是，则当前限高路段的判定结果为不可通行路段；若不是，则当前限高路段的判定结果为可通行路段。

示例性的，在车顶安装有水平前后测距雷达，测距雷达数据在低于雷达位置到车身前后5米(预设阈值)的位置，则认为不具有通过性，预设阈值可以通过车辆中控屏按钮按照用户需求设置。

步骤S307，将实时路面图像数据输入预设两侧障碍识别模型进行两侧障碍识别得到实时两侧障碍坐标点；判断实时两侧障碍坐标点是否落入车辆两侧标尺线内，若是，则当前限宽路段的判定结果为不可通行路段，若不是，则当前限宽路段的判定结果为可通行路段。

需要说明的是，预设两侧障碍识别模型指的是事先根据大量训练数据和算法建立的模型，用于在实时路面图像数据中识别出路面两侧的障碍物坐标点。将实时路面图像数据能够有效地识别各种形态的障碍物，如路边的墙壁、护栏等。

本发明实施例中还可以根据分析摄像头连续多帧图像数据的像素点，触发像素点检测分析，通过深度学习图像识别检索识出障碍物，然后根据连续多帧的图像数据，识别障碍物是否在标尺线内在标尺线范围内如果检测出障碍物，则认为障碍物是否在标尺线内。本实施例检测障碍物可以是车主主动触发检测障碍物，通过中控屏的障碍物检测按钮触发，也可以是检测装置自动触发识别。

示例性的，参照图4，图4为车辆前行时采集的实时路面图像数据，图中通过预设两侧障碍识别模型识别出障碍物a，障碍物c的坐标点落入两侧虚线内(标尺线)，则前方道路无法满足车辆通过，道路不可通行。

步骤S308，根据实时障碍通过性预测结果、限高路段、限宽路段的判定结果，通过显示设备或音频设备对驾驶员进行提示。

示例性的，在限高路段或限宽路段被判断为不可通过时，显示屏上可以提示“前方道路限高/限宽，请选择其他路线”。同时音频设备也可以播报“限高/限宽告警，请选择其他路径”的警告音，当检测到障碍通过性预测结果为不具通过性时，显示屏上可以提示“前方道路具有障碍物，具有碰撞/剐蹭风险，请选择其他路线”，音频设备也可以播报“车辆遇到障碍物，具有碰撞/剐蹭风险，请选择其他路线”通过不同方式的提示，可以让司机快速获知当前路况信息，做出正确决策，从而提高通过性判断的准确性。

本发明实施例通过实时检测车辆顶部与限高障碍物的距离，并根据距离是否小于预设阈值来判定当前限高路段是否可通行，能够有效避免超高车辆碰撞限高障碍物，通过对两侧障碍物进行实时的监测和识别，能够有效避免车辆在限宽路段遇到两侧障碍物时的碰撞风险，对司机进行提醒，从而降低了超出司机视野范围的事故发生的可能性。通过显示设备或音频设备向司机提供障碍通过性预测结果、限高路段和限宽路段的判定结果，司机能够更好地了解当前道路的通过性，从而保证司机的反应时间，提高驾驶过程中的安全性。

在本实施例中还提供了一种车辆通过性的检测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

本实施例提供一种车辆通过性的检测装置，如图5所示，包括：

模型训练模块501，用于基于车辆行驶过程中的历史障碍场景数据以及历史底盘距地高度训练得到车辆通过性预测模型；

图像采集模块502，用于获取图像采集装置采集的车辆在前行或后退过程中的实时路面图像数据；

障碍识别模块503，用于将实时路面图像数据输入预设场景识别模型进行场景识别得到实时障碍场景数据；

高度采集模块504，用于获取设置于车辆底盘的雷达探测装置采集的车辆在前行或后退过程中的实时底盘距地高度；

路段预测模块505，用于将实时障碍场景数据以及实时底盘距地高度输入车辆通过性预测模型得到实时障碍通过性预测结果，用以预测车辆能否通过当前路段。

在一种可选的实施方式中，模型训练模块501，具体用于将历史底盘距地高度与预设底盘距地高度范围相除计算得到高度比值范围数据，预设底盘距地高度范围表征在车辆预设胎压范围内不同的胎压对应的底盘距地高度；对历史障碍场景数据以及高度比范围数据进行数据标注得到训练集；基于训练集训练预设机器学习模型得到车辆通过性预测模型。

在一种可选的实施方式中，历史障碍场景数据，包括：陡坡场景、侧坡场景、台阶场景、壕沟场景中的至少一种；历史障碍场景数据与高度比值范围数据为一一对应关系。

在一种可选的实施方式中，模型训练模块501，还包括：标签标注子单元，用于将历史障碍场景数据以及高度比值范围数据，按照通过性标签进行对应的标注，得到训练集；其中，通过性标签包括可通过标签或不可通过标签；训练集包括输入数据以及对应的输出数据，其中，输入数据为历史障碍场景数据以及高度比值范围数据，输出数据为对应的通过性标签。

在一种可选的实施方式中，装置还包括限高检测模块，具体用于获取设置于车辆顶部的雷达探测装置采集的车辆顶部距限高障碍物的实时距离；判断实时距离是否小于预设阈值，若是，则当前限高路段的判定结果为不可通行路段；若不是，则当前限高路段的判定结果为可通行路段。

在一种可选的实施方式中，装置还包括限宽检测模块，具体用于将实时路面图像数据输入预设两侧障碍识别模型进行两侧障碍识别得到实时两侧障碍坐标点；判断实时两侧障碍坐标点是否落入车辆两侧标尺线内，若是，则当前限宽路段的判定结果为不可通行路段，若不是，则当前限宽路段的判定结果为可通行路段。

在一种可选的实施方式中，装置还包括提示模块，具体用于根据实时障碍通过性预测结果、限高路段、限宽路段的判定结果，通过显示设备或音频设备对驾驶员进行提示。

上述各个模块和单元的更进一步的功能描述与上述对应实施例相同，在此不再赘述。

本发明实施例通过历史障碍场景数据和历史底盘距地高度，结合训练得到的车辆通过性预测模型，实时采集的路面图像数据和底盘距地高度，利用预设场景识别模型对实时障碍场景进行识别，可以判断各种复杂路面环境对通过性的影响，并将识别结果与底盘距地高度输入车辆通过性预测模型，得到实时障碍通过性预测结果，可以更准确地预测车辆能否通过当前路段的障碍物。从而能够保证实时预测车辆通过性的情况下，提升预测车辆通过性的准确度。

本实施例中的车辆通过性的检测装置是以功能单元的形式来呈现，这里的单元是指ASIC(Application Specific Integrated Circuit，专用集成电路)电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。

本发明实施例还提供一种计算机设备，具有上述图5所示的车辆通过性的检测装置。

请参阅图6，图6是本发明可选实施例提供的一种计算机设备的结构示意图，如图6所示，该计算机设备包括：一个或多个处理器10、存储器20，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相通信连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个计算机设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器10为例。

处理器10可以是中央处理器，网络处理器或其组合。其中，处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路，可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件，现场可编程逻辑门阵列，通用阵列逻辑或其任意组合。

其中，存储器20存储有可由至少一个处理器10执行的指令，以使至少一个处理器10执行实现上述实施例示出的方法。

存储器20可以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、至少一个功能所需要的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器20可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中，存储器20可选包括相对于处理器10远程设置的存储器，这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

存储器20可以包括易失性存储器，例如，随机存取存储器；存储器也可以包括非易失性存储器，例如，快闪存储器，硬盘或固态硬盘；存储器20还可以包括上述种类的存储器的组合。

该计算机设备还包括通信接口30，用于该计算机设备与其他设备或通信网络通信。

本发明实施例还提供了一种计算机可读存储介质，上述根据本发明实施例的方法可在硬件、固件中实现，或者被实现为可记录在存储介质，或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中，存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等；进一步地，存储介质还可以包括上述种类的存储器的组合。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件，当软件或计算机代码被计算机、处理器或硬件访问且执行时，实现上述实施例示出的方法。

虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所限定的范围之内。

Claims (8)

1.一种车辆通过性的检测方法，其特征在于，所述方法包括：

基于车辆行驶过程中的历史障碍场景数据以及历史底盘距地高度训练得到车辆通过性预测模型，包括：将所述历史底盘距地高度与预设底盘距地高度范围相除计算得到高度比值范围数据，所述预设底盘距地高度范围表征在车辆预设胎压范围内不同的胎压对应的底盘距地高度；对所述历史障碍场景数据以及高度比值范围数据进行数据标注得到训练集；基于所述训练集训练预设机器学习模型得到车辆通过性预测模型；所述历史障碍场景数据，包括：陡坡场景、侧坡场景、台阶场景、壕沟场景中的至少一种；所述历史障碍场景数据与所述高度比值范围数据为一一对应关系；

获取图像采集装置采集的车辆在前行或后退过程中的实时路面图像数据；

将所述实时路面图像数据输入预设场景识别模型进行场景识别得到实时障碍场景数据；

获取设置于车辆底盘的雷达探测装置采集的车辆在前行或后退过程中的实时底盘距地高度；

将所述实时障碍场景数据以及实时底盘距地高度输入所述车辆通过性预测模型得到实时障碍通过性预测结果，用以预测车辆能否通过当前路段。

2.根据权利要求1所述的方法，其特征在于，所述对所述历史障碍场景数据以及高度比范围数据进行数据标注得到训练集，包括：

将所述历史障碍场景数据以及高度比值范围数据，按照通过性标签进行对应的标注，得到训练集；

其中，所述通过性标签包括可通过标签或不可通过标签；所述训练集包括输入数据以及对应的输出数据，其中，所述输入数据为历史障碍场景数据以及高度比值范围数据，所述输出数据为对应的通过性标签。

3.根据权利要求1所述的方法，其特征在于，所述方法，还包括：

获取设置于车辆顶部的雷达探测装置采集的车辆顶部距限高障碍物的实时距离；

判断所述实时距离是否小于预设阈值，若是，则当前限高路段的判定结果为不可通行路段；若不是，则当前限高路段的判定结果为可通行路段。

4.根据权利要求1或3所述的方法，其特征在于，所述方法，还包括：

将实时路面图像数据输入预设两侧障碍识别模型进行两侧障碍识别得到实时两侧障碍坐标点；

判断所述实时两侧障碍坐标点是否落入车辆两侧标尺线内，若是，则当前限宽路段的判定结果为不可通行路段，若不是，则当前限宽路段的判定结果为可通行路段。

5.根据权利要求4所述的方法，其特征在于，所述方法，还包括：

根据所述实时障碍通过性预测结果、限高路段、限宽路段的判定结果，通过显示设备或音频设备对驾驶员进行提示。

6.一种车辆通过性的检测装置，其特征在于，所述装置包括：

模型训练模块，用于基于车辆行驶过程中的历史障碍场景数据以及历史底盘距地高度训练得到车辆通过性预测模型，包括：将所述历史底盘距地高度与预设底盘距地高度范围相除计算得到高度比值范围数据，所述预设底盘距地高度范围表征在车辆预设胎压范围内不同的胎压对应的底盘距地高度；对所述历史障碍场景数据以及高度比值范围数据进行数据标注得到训练集；基于所述训练集训练预设机器学习模型得到车辆通过性预测模型；所述历史障碍场景数据，包括：陡坡场景、侧坡场景、台阶场景、壕沟场景中的至少一种；所述历史障碍场景数据与所述高度比值范围数据为一一对应关系；

图像采集模块，用于获取图像采集装置采集的车辆在前行或后退过程中的实时路面图像数据；

障碍识别模块，用于将所述实时路面图像数据输入预设场景识别模型进行场景识别得到实时障碍场景数据；

高度采集模块，用于获取设置于车辆底盘的雷达探测装置采集的车辆在前行或后退过程中的实时底盘距地高度；

路段预测模块，用于将所述实时障碍场景数据以及实时底盘距地高度输入所述车辆通过性预测模型得到实时障碍通过性预测结果，用以预测车辆能否通过当前路段。

7.一种计算机设备，其特征在于，包括：

存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1至5中任一项所述的车辆通过性的检测方法。

8.一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上存储有计算机指令，所述计算机指令用于使计算机执行权利要求1至5中任一项所述的车辆通过性的检测方法。