WO2022193154A1 - 雨刷控制方法、汽车及计算机可读存储介质 - Google Patents

雨刷控制方法、汽车及计算机可读存储介质 Download PDF

Info

Publication number
WO2022193154A1
WO2022193154A1 PCT/CN2021/081175 CN2021081175W WO2022193154A1 WO 2022193154 A1 WO2022193154 A1 WO 2022193154A1 CN 2021081175 W CN2021081175 W CN 2021081175W WO 2022193154 A1 WO2022193154 A1 WO 2022193154A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
measurement value
snow
rain
wiper
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.)
Ceased
Application number
PCT/CN2021/081175
Other languages
English (en)
French (fr)
Inventor
魏笑
任卫红
陈晓智
徐斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SZ DJI Technology Co Ltd
Original Assignee
SZ DJI Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by SZ DJI Technology Co Ltd filed Critical SZ DJI Technology Co Ltd
Priority to PCT/CN2021/081175 priority Critical patent/WO2022193154A1/zh
Publication of WO2022193154A1 publication Critical patent/WO2022193154A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60S—SERVICING, CLEANING, REPAIRING, SUPPORTING, LIFTING, OR MANOEUVRING OF VEHICLES, NOT OTHERWISE PROVIDED FOR
    • B60S1/00—Cleaning of vehicles
    • B60S1/02—Cleaning windscreens, windows or optical devices
    • B60S1/04—Wipers or the like, e.g. scrapers
    • B60S1/06—Wipers or the like, e.g. scrapers characterised by the drive
    • B60S1/08—Wipers or the like, e.g. scrapers characterised by the drive electrically driven

Definitions

  • FIG. 1 is a schematic diagram of a scene for implementing the wiper control method provided by the embodiment of the present application
  • FIG. 2 is a schematic flowchart of steps of a wiper control method provided by an embodiment of the present application
  • first sample data is obtained, where the first sample data includes a rain image and a real rain-free image corresponding to the rain image; the rain image is input to a generator in a preset generation network, and a prediction is output.
  • the predicted rain-free image and the real rain-free image are input into the judger in the preset generation network, and the classification result is obtained; according to the classification result and the similarity between the rain-free image output by the generator and the real rain-free image degree, determine the loss value of the preset generation network, if the loss value is greater than the preset loss value, update the parameters of the preset generation network, and then repeat the above process until the calculated loss value is less than or equal to the preset loss value, thus
  • the first target generation network can be obtained.
  • the field of view of the image acquisition device covers the windshield of the car, so that the image acquisition device can acquire an image including the windshield, and then the amount of rain or snow on the windshield can be determined based on the acquired image.
  • the windshield may include the front windshield and the rear windshield of the car, and both the front windshield and the rear windshield of the car may be provided with wipers.
  • the field of view of the image capture device can cover the entire windshield of the car, or it can not cover the entire windshield of the car, but cover the area that the windshield wiper on the car can wipe off. , which is not specifically limited in the embodiments of the present application.
  • the image acquisition device can be a driving recorder of a car, and no additional hardware needs to be added, which can reduce costs.
  • the manner of determining the first weight coefficient of the first measurement value and the second weight coefficient of the second measurement value according to the deviation may be: acquiring a preset mapping relationship between the deviation and the weight coefficient group, and According to the mapping relationship and the deviation between the first measurement value and the second measurement value, a weight coefficient group is obtained, where the weight coefficient group includes a first weight coefficient and a second weight coefficient, and the first weight coefficient is greater than the second weight coefficient.
  • the mapping relationship between the preset deviation and the weight coefficient group may be set based on the actual situation, which is not specifically limited in this embodiment of the present application.
  • the deviation between the first measurement value and the second measurement value is determined; if the deviation between the first measurement value and the second measurement value is less than or equal to a preset deviation, the first measurement is determined according to the deviation The first weight coefficient of the value and the second weight coefficient of the second measurement value; the multiplication of the first measurement value and the first weight to obtain the first weighted measurement value; the multiplication of the second measurement value and the second weight Operation is performed to obtain a second weighted measurement value; the first weighted measurement value and the second weighted measurement value are summed to obtain a target measurement value.
  • the field of view of the image capture device 320 covers the windshield of the car 300 , and the image capture device 320 is used to capture an image including the windshield of the car 300 .
  • the image capturing device 320 may include a driving recorder or a camera.
  • the loss function of the generator is inversely proportional to the degree of similarity between the rain-free image output by the generator and the real rain-free image
  • the loss function of the judger is inversely proportional to the judger's loss function. The correctness of the classification results.

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

一种雨刷控制方法、汽车及计算机可读存储介质，其中该方法包括：获取图像采集装置采集到的第一图像，并将第一图像输入目标生成网络进行处理，以去除第一图像中的雨滴或雪，得到第二图像；按像素对第一图像与第二图像进行作差，并累加每个像素的作差结果，得到挡风玻璃上的雨量或雪量的第一测量值；根据第一测量值，控制雨刷器运行，以去除挡风玻璃上的雨水或雪。该方法能够提高雨刷控制的智能性和准确性。

Description

雨刷控制方法、汽车及计算机可读存储介质 技术领域
本申请涉及智能驾驶领域，尤其涉及一种雨刷控制方法、汽车及计算机可读存储介质。
背景技术
在智能驾驶场景下，驾驶员不需要全身心的关注汽车周围环境，汽车可以基于传感器系统采集到的环境信息智能的控制汽车，但现有的雨刷控制系统要求驾驶员手动控制，这与智能驾驶相矛盾，因此要求更加智能的雨刷控制系统，而智能的雨刷控制系统的前提是需要知道汽车的挡风玻璃上的雨量或雪量。
目前，主要是通过物理传感器、基于深度学习的检测算法等来检测汽车的挡风玻璃上的雨量或雪量，但物理传感器的测量范围有限，导致检测得到的雨量或雪量不准确，而基于深度学习的检测算法需要在像素级别标注海量图像中的雨或雪，标注成本和难度较高，导致检测到的雨量或雪量不准确，无法准确的控制雨刷工作，雨刷控制系统的智能性还有待提升。
发明内容
基于此，本申请实施例提供了一种雨刷控制方法、汽车及计算机可读存储介质，旨在提高雨刷控制的智能性和准确性。
第一方面，本申请实施例提供了一种雨刷控制方法，应用于汽车，所述汽车包括雨刷器和图像采集装置，所述图像采集装置的视场角范围覆盖所述汽车的挡风玻璃，所述方法包括：
获取所述图像采集装置采集到的第一图像，并将所述第一图像输入目标生成网络进行处理，以去除所述第一图像中的雨滴或雪，得到第二图像；
按像素对所述第一图像与所述第二图像进行作差，并累加每个像素的作差结果，得到所述挡风玻璃上的雨量或雪量的第一测量值；
根据所述第一测量值，控制所述雨刷器运行，以去除所述挡风玻璃上的雨水或雪。
第二方面，本申请实施例还提供了一种汽车，所述所述汽车包括雨刷器、图像采集装置、存储器和处理器，所述图像采集装置的视场角范围覆盖所述汽车的挡风玻璃；
所述雨刷器用于去除所述汽车的挡风玻璃上的雨水或雪；
所述图像采集装置用于采集包含所述汽车的挡风玻璃的图像；
所述存储器用于存储计算机程序；
所述处理器，用于执行所述计算机程序并在执行所述计算机程序时，实现如下步骤：
获取所述图像采集装置采集到的第一图像；
将所述第一图像输入目标生成网络进行处理，以去除所述第一图像中的雨滴或雪，得到第二图像；
按像素对所述第一图像与所述第二图像进行作差，并累加每个像素的作差结果，得到所述挡风玻璃上的雨量或雪量的第一测量值；
根据所述第一测量值，控制所述雨刷器运行，以去除所述挡风玻璃上的雨水或雪。
第三方面，本申请实施例还提供了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，所述计算机程序被处理器执行时使所述处理器实现如上所述的雨刷控制方法的步骤。
本申请实施例提供了一种雨刷控制方法、汽车及计算机可读存储介质，通过将图像采集装置采集到的第一图像输入目标生成网络进行处理，以去除第一图像中的雨滴或雪，可以得到无雨滴或雪的第二图像，然后按像素对第一图像与第二图像进行作差，并累加每个像素的作差结果，得到挡风玻璃上的雨量或雪量的第一测量值，最后根据第一测量值，控制汽车上的雨刷器运行，以去除汽车的挡风玻璃上的雨水或雪，不需要借助物理传感器和基于深度学习的检测算法等来检测汽车的挡风玻璃上的雨量或雪量，而是基于无雨图像与有雨图像来确定雨量，以及基于无雪图像与有雪图像来确定雪量，可以提高检测得到的雨量或雪量的准确性，使得汽车能够基于准确的雨量或雪量来准确的控制雨刷工作，极大的提高了雨刷控制系统的智能性和准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例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的前提下，还可以 根据这些附图获得其他的附图。
图1是实施本申请实施例提供的雨刷控制方法的一场景示意图；
图2是本申请实施例提供的一种雨刷控制方法的步骤示意流程图；
图3是本申请实施例中的雨刷控制方法的子步骤示意流程图；
图4是本申请实施例提供的另一种雨刷控制方法的步骤示意流程图；
图5是本申请实施例提供的一种汽车的结构示意性框图。
具体实施方式
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，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
在智能驾驶场景下，驾驶员不需要全身心的关注汽车周围环境，汽车可以基于传感器系统采集到的环境信息智能的控制汽车，但现有的雨刷控制系统要求驾驶员手动控制，这与智能驾驶相矛盾，因此要求更加智能的雨刷控制系统，而智能的雨刷控制系统的前提是需要知道汽车的挡风玻璃上的雨量或雪量。
目前，主要是通过物理传感器、基于深度学习的检测算法等来检测汽车的挡风玻璃上的雨量或雪量，但物理传感器的测量范围有限，导致检测得到的雨量或雪量不准确，而基于深度学习的检测算法需要在像素级别标注海量图像中的雨或雪，标注成本和难度较高，导致检测到的雨量或雪量不准确，无法准确的控制雨刷工作，雨刷控制系统的智能性还有待提升。
为解决上述问题，本申请实施例提供了一种雨刷控制方法、汽车及计算机可读存储介质，通过将图像采集装置采集到的第一图像输入目标生成网络进行处理，以去除第一图像中的雨滴或雪，可以得到无雨滴或雪的第二图像，然后按像素对第一图像与第二图像进行作差，并累加每个像素的作差结果，得到挡风玻璃上的雨量或雪量的第一测量值，最后根据第一测量值，控制汽车上的雨刷器运行，以去除汽车的挡风玻璃上的雨水或雪，不需要借助物理传感器和基 于深度学习的检测算法等来检测汽车的挡风玻璃上的雨量或雪量，而是基于无雨图像与有雨图像来确定雨量，以及基于无雪图像与有雪图像来确定雪量，可以提高检测得到的雨量或雪量的准确性，使得汽车能够基于准确的雨量或雪量来准确的控制雨刷工作，极大的提高了雨刷控制系统的智能性和准确性。
请参阅图1，图1是实施本申请实施例提供的雨刷控制方法的一场景示意图。如图1所示，汽车100包括汽车平台110、动力系统120、挡风玻璃130、雨刷器140和图像采集装置(图1中未示出)，动力系统120、挡风玻璃130和雨刷器140设于汽车平台110上，动力系统120用于为汽车100提供行驶动力，雨刷器140用于去除挡风玻璃130上的雨水或雪，图像采集装置的视场角范围覆盖汽车的挡风玻璃130，图像采集装置用于采集包含挡风玻璃130的图像，图像采集装置可以为汽车100的行车记录仪。
在本申请的实施例中，汽车100可以是具有自动驾驶系统的汽车，也可以是不具有自动驾驶系统的汽车，比如为L0级的汽车。其中，自动驾驶系统是指由硬件和软件组成的能够持续执行全部动态驾驶任务的系统，不考虑是否有运行工况的限制。比如，自动驾驶系统是指由硬件和软件组成的能够持续执行部分或者全部动态驾驶任务(Dynamic Driving Task)的系统。
其中，动态驾驶任务(Dynamic Driving Task)为：完成汽车驾驶所需的感知、决策和执行。即包括驾驶道路汽车时所有实时的操作类和战术类功能，不包括规划类功能，如行程计划，目的地和路径的选择等。示例性的，动态驾驶任务包括但不限于如下任务：控制汽车横向运动、控制汽车纵向运动、通过对目标和事件进行探测、识别、分类来监视驾驶环境并准备响应、控制汽车照明及信号装置。
一般来说，当超出运行设计域(Operational Design Domain，简称ODD)或动态驾驶任务相关系统失效时，需要由自动驾驶状态切换到人工驾驶状态，即由驾驶员来继续接管驾驶任务。其中，运行设计域在自动驾驶中扮演着重要角色，一般包括：地理位置、道路类型、速度范围、天气和时间等。
在一实施例中，汽车100还包括传感器系统，传感器系统包括一个或多个传感器，传感器包括视觉传感器、雷达装置、惯性测量单元和里程计，雷达装置可以包括激光雷达、毫米波雷达。可选的，智能驾驶汽车100可以包括一个或多个雷达装置。以激光雷达为例，激光雷达可以通过发射激光束探测某个环境中物体的位置、速度等信息，从而获得激光点云。激光雷达可以向包括目标物的环境发射探测信号，然后接受从目标物反射回来的反射信号，根据反射的 探测信号、接收到的反射信号，并根据发送和接收的间隔时间等数据参数，获得激光点云。激光点云可以包括N个点，每个点可以包括x、y、z坐标和intensity(反射率)等参数值。
在一实施例中，汽车100还包括驾驶控制系统，驾驶控制系统可以为自动驾驶系统，也可以为非自动驾驶系统，驾驶控制系统用于获取图像采集装置采集到的第一图像；将第一图像输入目标生成网络进行处理，以去除第一图像中的雨滴或雪，得到第二图像；按像素对第一图像与第二图像进行作差，并累加每个像素的作差结果，得到挡风玻璃130上的雨量或雪量的第一测量值；根据第一测量值，控制雨刷器130运行，以去除挡风玻璃140上的雨水或雪。
可以理解的，图1中的汽车以及上述对于汽车各部件的命名仅仅出于标识的目的，并不因此对本申请实施例进行限制。以下，将结合图1中的场景对本申请的实施例提供的雨刷控制方法进行详细介绍。需知，图1中的场景仅用于解释本申请实施例提供的雨刷控制方法，但并不构成对本申请实施例提供的雨刷控制方法应用场景的限定。
请参阅图2，图2是本申请实施例提供的一种雨刷控制方法的步骤示意流程图。该雨刷控制方法可以应用于汽车中，用于智能的控制汽车的雨刷器，以提高雨刷控制的准确性和智能性。
如图2所示，该雨刷控制方法可以包括步骤S101至步骤S103。
步骤S101、获取所述图像采集装置采集到的第一图像，并将所述第一图像输入目标生成网络进行处理，以去除所述第一图像中的雨滴或雪，得到第二图像。
其中，图像采集装置的视场角范围覆盖汽车的挡风玻璃，使得图像采集装置能够采集得到包含挡风玻璃的图像，进而可以基于采集到的图像确定挡风玻璃上的雨量或雪量，汽车的挡风玻璃可以包括汽车的前挡风玻璃和后挡风玻璃，汽车的前挡风玻璃和后挡风玻璃均可以设置有雨刷器。可以理解的是，图像采集装置的视场角范围可以覆盖汽车的整个挡风玻璃，也可以不覆盖汽车的整个挡风玻璃，而是覆盖汽车的挡风玻璃上的雨刷器可以刮到的区域，本申请实施例对此不做具体限定。图像采集装置可以为汽车的行车记录仪，不需要新增额外的硬件，可以降低成本。
在一实施例中，目标生成网络是根据有雨图像和有雨图像对应的无雨图像对预设生成网络进行迭代训练得到的，或者，目标生成网络是根据有雪图像和有雪图像对应的无雪图像对预设生成网络进行迭代训练得到的。其中，目标生 成网络包括第一目标生成网络或第二目标生成网络，第一目标生成网络根据有雨图像和有雨图像对应的无雨图像对预设生成网络进行迭代训练得到的，第二目标生成网络是根据有雪图像和有雪图像对应的无雪图像对预设生成网络进行迭代训练得到的。
其中，预设生成网络包括生成器和判断器，该生成器用于生成无雨图像，该判断器用于判断输出的图像是生成器生成的无雨图像，还是真实的无雨图像，或者该生成器用于生成无雪图像，该判断器用于判断输出的图像是生成器生成的无雪图像，还是真实的无雪图像。预设生成网络可以基于实际情况进行设置，本申请实施例对此不做具体限制。例如，预设生成网络为生成对抗网络。
在一实施例中，该生成器的损失函数反比于该生成器输出的无雨图像与真实的无雨图像之间的相似程度，或者该生成器的损失函数反比于该生成器输出的无雪图像与真实的无雪图像之间的相似程度，该判断器的损失函数反比于该判断器的分类结果的正确程度。
在一实施例中，获取第一样本数据，第一样本数据包括有雨图像、有雨图像对应的真实无雨图像；将该有雨图像输入预设生成网络中的生成器，输出预测的无雨图像；将预测的无雨图像和真实无雨图像输入预设生成网络中的判断器，得到分类结果；根据分类结果以及生成器输出的无雨图像与真实无雨图像之间的相似程度，确定预设生成网络的损失值，若该损失值大于预设损失值，则更新预设生成网络的参数，之后重复上述过程，直至计算得到的损失值小于或等于预设损失值，从而可以得到第一目标生成网络。
示例性的，第一样本数据可以从第一公开数据集、第一仿真数据集或者自行采集的第一数据集中得到。其中，第一仿真数据集包括第一样本数据，且第一样本数据中的有雨图像是在采集到的无雨图像的基础上，通过计算机模拟加入有雨获得的，也即有雨图像不是真实采集到的，对于自行采集到的第一数据集也同样包括第一样本数据，但第一样本数据中的无雨图像和有雨图像均是实时采集到的真实图像，例如，通过人工喷雨、人工降雨或自然下雨的场景下，通过图像采集装置采集有雨图像，然后控制雨刷运行，使得挡风玻璃上的雨水被刮干净后，再通过图像采集装置采集无雨图像。
在一实施例中，获取第二样本数据，第二样本数据包括有雪图像、有雪图像对应的真实无雪图像；将该有雪图像输入预设生成网络中的生成器，输出预测的无雪图像；将预测的无雪图像和真实无雪图像输入预设生成网络中的判断器，得到分类结果；根据分类结果以及生成器输出的无雪图像与真实无雪图像 之间的相似程度，确定预设生成网络的损失值，若该损失值大于预设损失值，则更新预设生成网络的参数，之后重复上述过程，直至计算得到的损失值小于或等于预设损失值，从而可以得到第二目标生成网络。
示例性的，第二样本数据可以从第二公开数据集、第二仿真数据集或者自行采集的第二数据集中得到。其中，第二仿真数据集包括第二样本数据，且第二样本数据中的有雪图像是在采集到的无雪图像的基础上，通过计算机模拟加入有雨获得的，也即有雪图像不是真实采集到的，对于自行采集到的第二数据集也同样包括第二样本数据，但第二样本数据中的无雪图像和有雪图像均是实时采集到的真实图像，例如，在人工喷雪、人工降雪或自然下雪的场景下，通过图像采集装置采集有雪图像，然后控制雨刷运行，使得挡风玻璃上的雪被刮干净后，再通过图像采集装置采集无雪图像。
在一实施例中，获取图像采集装置采集到的第一图像；确定第一图像中是否存在雨滴或雪；若第一图像中不存在雨滴和雪，则不做处理；若第一图像中存在雨滴或雪，则将第一图像输入目标生成网络进行处理，以去除第一图像中的雨滴或雪，得到第二图像。例如，若第一图像中存在雨滴，则将第一图像输入第一目标生成网络进行处理，以去除第一图像中的雨滴，得到第二图像，若第一图像中存在雪，则将第一图像输入第二目标生成网络进行处理，以去除第一图像中的雪，得到第二图像。通过在对第一图像进行处理之前，验证第一图像中是否有雨或雪，从而可以仅在第一图像中有雨或雪时，才控制雨刷器运行，可以减少计算量。
在一实施例中，如图3所示，确定第一图像中是否存在雨滴或雪的步骤包括子步骤S1041至子步骤1042。
子步骤S1041、将所述第一图像输入预设雨雪检测模型，得到雨雪检测结果，所述预设雨雪检测模型为预先训练好的神经网络模型；
子步骤S1042、根据所述雨雪检测结果，确定所述第一图像中是否存在雨滴或雪。
其中，预设雨雪检测模型包括雨检测模型或雪检测模型，雨检测模型是根据第一正样本数据集和第一负样本数据集对神经网络模型进行迭代训练得到的，第一正样本数据集包括多个第一正样本数据，第一正样本数据包括有雨图像和标注的有雨对应的第一标签，第一负样本数据集包括多个第一负样本数据，第一负样本数据包括无雨图像和标注的无雨对应的第二标签。
其中，雪检测模型是根据第二正样本数据集和第二负样本数据集对神经网 络模型进行迭代训练得到的，第二正样本数据集包括多个第二正样本数据，第二正样本数据包括有雪图像和标注的有雪对应的第三标签，第二负样本数据集包括多个第二负样本数据，第二负样本数据包括无雪图像和标注的无雪对应的第四标签。
示例性的，根据雨雪检测结果，确定第一图像中是否存在雨滴或雪的方式可以为：若雨雪检测结果为第一标签，则确定第一图像中存在雨滴，若雨雪检测结果为第二标签，则确定第一图像中不存在雨滴，若雨雪检测结果为第三标签，则确定第一图像中存在雪，若雨雪检测结果为第四标签，则确定第一图像中不存在雪。
步骤S102、按像素对所述第一图像与所述第二图像进行作差，并累加每个像素的作差结果，得到所述挡风玻璃上的雨量或雪量的第一测量值。
其中，按像素对第一图像与第二图像进行作差，可以得到图像中的每个像素的灰度差值，然后累加每个像素的灰度差值可以得到挡风玻璃上的雨量或雪量的第一测量值。通过第一目标生成网络对第一图像进行处理，得到无雨的第二图像，之后基于有雨的第一图像和无雨的第二图像，可以确定雨量，不需要在挡风玻璃上安装雨量检测传感器，且比雨量检测传感器的检测范围更广，也可以处理不同程度、形态的雨滴，也不需要人工标注雨滴，提高了雨量检测的准确性和范围。类似的，通过第二目标生成网络对第一图像进行处理，得到无雪的第二图像，之后基于有雪的第一图像和无雪的第二图像，可以确定雪量，不需要在挡风玻璃上安装雪量检测传感器，且比雪量检测传感器的检测范围更广，也可以处理不同程度、形态的雪，也不需要人工标注雪，提高雪量检测的准确性和范围。
步骤S103、根据所述第一测量值，控制所述雨刷器运行，以去除所述挡风玻璃上的雨水或雪。
在一实施例中，根据第一测量值，确定雨刷器的工作档位；根据该工作档位，控制雨刷器运行，以去除汽车的挡风玻璃上的雨水或雪。其中，工作档位与第一测量值的大小呈正相关关系，也即第一测量值越大，则雨刷器的工作档位越高，而第一测量值越小，则雨刷器的工作档位越低，雨刷器的工作档位越高，则雨刷器的工作频率越高，可以更好的去除的挡风玻璃上的雨水或雪，因此高的工作档位更适合雨量或雪量较大的场景，而雨刷器的工作档位越低，则雨刷器的工作频率越低，因此，低的工作档位更适合雨量或雪量较小的场景。通过雨量或雪量的大小来确定雨刷器的工作档位，可以提高雨刷器的工作效果， 便于雨刷器更好的去除汽车的挡风玻璃上的雨水或雪。
在一实施例中，确定第一测量值所处的雨量范围或雪量范围，并将第一测量值所处的雨量范围或雪量范围对应的工作档位确定为雨刷器的工作档位。其中，汽车的存储器存储有雨量范围或雪量范围与雨刷器的工作档位之间的映射关系，雨量范围或雪量范围与雨刷器的工作档位之间的映射关系可基于实际情况进行设置，本申请实施例对此不做具体限定。
在一实施例中，雨刷器中的雨刷电机包括步进电机或伺服电机，用于控制雨刷器的控制器可以是开环的线性控制器，也可以是闭环的PID控制器或者更复杂的控制器，本申请实施例对此不做具体限定。
上述实施例提供的雨刷控制方法，通过将图像采集装置采集到的第一图像输入目标生成网络进行处理，以去除第一图像中的雨滴或雪，可以得到无雨滴或雪的第二图像，然后按像素对第一图像与第二图像进行作差，并累加每个像素的作差结果，得到挡风玻璃上的雨量或雪量的第一测量值，最后根据第一测量值，控制汽车上的雨刷器运行，以去除汽车的挡风玻璃上的雨水或雪，不需要借助物理传感器和基于深度学习的检测算法等来检测汽车的挡风玻璃上的雨量或雪量，而是基于无雨图像与有雨图像来确定雨量，以及基于无雪图像与有雪图像来确定雪量，可以提高检测得到的雨量或雪量的准确性，使得汽车能够基于准确的雨量或雪量来准确的控制雨刷工作，极大的提高了雨刷控制系统的智能性和准确性。
请参阅图4，图4是本申请实施例提供的另一种雨刷控制方法的步骤示意流程图。该雨刷控制方法应用于汽车中，用于智能的控制汽车的雨刷器，以提高雨刷控制的准确性和智能性。
如图4所示，该雨刷控制方法可以包括步骤S201至S204。
步骤S201、获取所述图像采集装置采集到的第一图像，并将所述第一图像输入目标生成网络进行处理，以去除所述第一图像中的雨滴或雪，得到第二图像。
其中，图像采集装置的视场角范围覆盖汽车的挡风玻璃，使得图像采集装置能够采集得到包含挡风玻璃的图像，进而可以基于采集到的图像确定挡风玻璃上的雨量或雪量，汽车的挡风玻璃可以包括汽车的前挡风玻璃和后挡风玻璃，汽车的前挡风玻璃和后挡风玻璃均可以设置有雨刷器。可以理解的是，图像采集装置的视场角范围可以覆盖汽车的整个挡风玻璃，也可以不覆盖汽车的整个挡风玻璃，而是覆盖汽车的挡风玻璃上的雨刷器可以刮到的区域，本申请实施 例对此不做具体限定。图像采集装置可以为汽车的行车记录仪，不需要新增额外的硬件，可以降低成本。
在一实施例中，目标生成网络是根据有雨图像和有雨图像对应的无雨图像对预设生成网络进行迭代训练得到的，或者，目标生成网络是根据有雪图像和有雪图像对应的无雪图像对预设生成网络进行迭代训练得到的。其中，目标生成网络包括第一目标生成网络或第二目标生成网络，第一目标生成网络根据有雨图像和有雨图像对应的无雨图像对预设生成网络进行迭代训练得到的，第二目标生成网络是根据有雪图像和有雪图像对应的无雪图像对预设生成网络进行迭代训练得到的。
步骤S202、按像素对所述第一图像与所述第二图像进行作差，并累加每个像素的作差结果，得到所述挡风玻璃上的雨量或雪量的第一测量值。
其中，按像素对第一图像与第二图像进行作差，可以得到图像中的每个像素的灰度差值，然后累加每个像素的灰度差值可以得到挡风玻璃上的雨量或雪量的第一测量值。
步骤S203、在得到第一测量值之后，获取所述雨雪检测传感器检测到的雨量或雪量的第二测量值。
其中，雨雪检测传感器包括雨量检测传感器和雪量检测传感器中的至少一项，该雨量检测传感器用于检测汽车的挡风玻璃上的雨量，该雪量检测传感器用于检测汽车上的挡风玻璃上的雪量。雨量检测传感器的工作方式可以包括电容式和红外线式，类似的，雪量检测传感器的工作方式也可以包括电容式和红外线式。
在一实施例中，对于红外线式的雨量检测传感器，在汽车的挡风玻璃的两相对侧边放置传感器极板，挡风玻璃上无雨时的介电系数与挡风玻璃上有雨时的介电系数不同，而挡风玻璃由无雨变化为有雨时，挡风玻璃的介电系数发生改变，这样会改变传感器极板之间的电容值，因此，基于电容值的变化量，可以确定挡风玻璃上的雨量。其中，传感器极板可以设置在挡风玻璃的上侧边或下侧边，也可以设置在挡风玻璃的左侧边或右侧边。
在一实施例中，对于红外线式的雨量检测传感器，包括红外线发射器和红外线接收器，红外线发射器用于发射红外光线，红外线接收器用于接收反射回来的红外光线，红外线发射器发射的红外光线经过透镜系统，变化为平行的红外光线照射到挡风玻璃上，再由挡风玻璃进行反射，反射后的红外光线经过透镜系统，变化为平行的红外光线被红外线接收器所接收，在挡风玻璃上无雨时， 挡风玻璃会发生全反射，从而会反射全部的红外光线，反射的全部红外光线经过透镜系统成平行光状态被红外接收器全部接收，从而输出最大值100％，而在挡风玻璃上有雨时，挡风玻璃上有雨的区域的折射率会发生变化，导致挡风玻璃反射部分的红外光线，反射的部分红外光线经过透镜系统成平行光状态被红外接收器接收，从而输出小于100％的百分比，因此，可以输出的百分比来确定挡风玻璃上的雨量。
步骤S204、根据所述第一测量值和所述第二测量值，确定目标测量值，并根据所述目标测量值，控制所述雨刷器运行，以去除所述挡风玻璃上的雨水或雪。
在一实施例中，确定第一测量值与第二测量值之间的偏差；若第一测量则与第二测量值之间的偏差小于或等于预设偏差，则确定第一测量值与第二测量值的平均值，并将平均值确定为目标测量值；若第一测量则与第二测量值之间的偏差大于预设偏差，则将第一测量值确定为目标测量值。其中，预设偏差可以基于实际情况进行设置，本申请实施例对此不做具体限定。通过在第一测量值与第二测量值之间的偏差较小时，综合考虑通过两种方式确定的雨量或雪量，可以进一步的提高雨量或雪量的准确性，从而便于后续准确的控制雨刷器工作。
在一实施例中，获取预设的第一系数和第二系数，第一系数与第二系数之和为1；对第一测量值与第一进行乘法运算，得到第一加权测量值；对第二测量值与第二进行乘法运算，得到第二加权测量值；对第一加权测量值和第二加权测量值进行求和，得到目标测量值。其中，第一系数大于第二系数，第一系数与第二系数可以基于实际情况进行设置，本申请实施例对此不做具体限定。例如，第一系数为0.7，第二系数为0.3。
在一实施例中，确定第一测量值与第二测量值之间的偏差；根据该偏差确定第一测量值的第一权重系数和第二测量值的第二权重系数；对第一测量值与所述第一权重进行乘法运算，得到第一加权测量值；对第二测量值与第二权重进行乘法运算，得到第二加权测量值；对第一加权测量值和第二加权测量值进行求和，得到目标测量值。其中，第一权重系数与第二权重系数之和为1，进一步的，第一权重系数大于第二权重系数。通过对第一测量值与第二测量值进行加权求和，可以提高雨量或雪量的准确性，从而便于后续准确的控制雨刷器工作。
在一实施例中，根据该偏差确定第一测量值的第一权重系数和第二测量值的第二权重系数的方式可以为：获取预设的偏差与权重系数组之间的映射关系， 并根据该映射关系和第一测量值与第二测量值之间的偏差，获取权重系数组，该权重系数组包括第一权重系数和第二权重系数，且第一权重系数大于第二权重系数。其中，预设的偏差与权重系数组之间的映射关系可以基于实际情况进行设置，本申请实施例对此不做具体限定。通过加大第一测量值的权重系数，然后再对第一测量值与第二测量值进行加权求和，可以提高雨量或雪量的准确性，从而便于后续准确的控制雨刷器工作。
在一实施例中，确定第一测量值与第二测量值之间的偏差；若第一测量值与第二测量值之间的偏差小于或等于预设偏差，则根据该偏差确定第一测量值的第一权重系数和第二测量值的第二权重系数；对第一测量值与所述第一权重进行乘法运算，得到第一加权测量值；对第二测量值与第二权重进行乘法运算，得到第二加权测量值；对第一加权测量值和第二加权测量值进行求和，得到目标测量值。
上述实施例提供的雨刷控制方法，通过综合考虑通过两种方式确定的雨量或雪量，可以进一步的提高雨量或雪量的准确性，从而可以基于准确的雨量或雪量来准确的控制雨刷器工作，提高雨刷控制的智能性和准确性。
请参阅图5，图5是本申请实施例提供的一种汽车的结构示意性框图。
如图5所示，汽车300包括雨刷器310、图像采集装置320、存储器330和处理器340，雨刷器310、图像采集装置320、存储器330和处理器340通过总线350连接，该总线350比如为I2C(Inter-integrated Circuit)总线。
具体地，雨刷器310用于去除汽车300的挡风玻璃上的雨水或雪，雨刷器310中的电机包括步进电机或伺服电机。
具体地，图像采集装置320的视场角范围覆盖汽车300的挡风玻璃，图像采集装置320用于采集包含汽车300的挡风玻璃的图像。图像采集装置320可以包括行车记录仪，也可以包括摄像头。
具体地，存储器330可以是Flash芯片、只读存储器(ROM，Read-Only Memory)磁盘、光盘、U盘或移动硬盘等。
具体地，处理器340可以是微控制单元(Micro-controller Unit，MCU)、中央处理单元(Central Processing Unit，CPU)或数字信号处理器(Digital Signal Processor，DSP)等。
其中，所述处理器340用于运行存储在存储器330中的计算机程序，并在执行所述计算机程序时实现如下步骤：
获取所述图像采集装置采集到的第一图像；
将所述第一图像输入目标生成网络进行处理，以去除所述第一图像中的雨滴或雪，得到第二图像；
按像素对所述第一图像与所述第二图像进行作差，并累加每个像素的作差结果，得到所述挡风玻璃上的雨量或雪量的第一测量值；
根据所述第一测量值，控制所述雨刷器运行，以去除所述挡风玻璃上的雨水或雪。
在一实施例中，所述目标生成网络是根据有雨图像和所述有雨图像对应的无雨图像对预设生成网络进行迭代训练得到的，或者，所述目标生成网络是根据有雪图像和所述有雪图像对应的无雪图像对预设生成网络进行迭代训练得到的。
在一实施例中，所述预设生成网络包括生成器和判断器，所述生成器用于生成无雨图像，所述判断器用于判断输出的图像是生成器生成的无雨图像，还是真实的无雨图像。
在一实施例中，所述生成器的损失函数反比于所述生成器输出的无雨图像与真实的无雨图像之间的相似程度，所述判断器的损失函数反比于所述判断器的分类结果的正确程度。
在一实施例中，所述处理器在实现根据所述第一测量值，控制所述雨刷器运行，以去除所述挡风玻璃上的雨水或雪时，用于实现：
根据所述第一测量值，确定所述雨刷器的工作档位；
根据所述工作档位，控制所述雨刷器运行，以去除所述挡风玻璃上的雨水或雪。
在一实施例中，所述工作档位与所述第一测量值的大小呈正相关关系。
在一实施例中，所述处理器在实现将所述第一图像输入目标生成网络进行处理，以去除所述第一图像中的雨滴或雪，得到第二图像之前，还用于实现：
确定所述第一图像中是否存在雨滴或雪；
若所述第一图像中存在雨滴或雪，则将所述第一图像输入目标生成网络进行处理，以去除所述第一图像中的雨滴或雪，得到第二图像。
在一实施例中，所述处理器在实现确定所述第一图像中是否存在雨滴或雪时，用于实现：
将所述第一图像输入预设雨雪检测模型，得到雨雪检测结果，所述预设雨雪检测模型为预先训练好的神经网络模型；
根据所述雨雪检测结果，确定所述第一图像中是否存在雨滴或雪。
在一实施例中，所述汽车还包括雨雪检测传感器，所述雨雪检测传感器用于检测所述挡风玻璃上的雨量或雪量，所述处理器还用于实现以下步骤：
在得到第一测量值之后，获取所述雨雪检测传感器检测到的雨量或雪量的第二测量值；
根据所述第一测量值和所述第二测量值，确定目标测量值，并根据所述目标测量值，控制所述雨刷器运行，以去除所述挡风玻璃上的雨水或雪。
在一实施例中，所述处理器在实现根据所述第一测量值和所述第二测量值，确定目标测量值时，用于实现：
确定所述第一测量值与所述第二测量值之间的偏差；
若所述偏差小于或等于预设偏差，则确定所述第一测量值与所述第二测量值的平均值，并将所述平均值确定为所述目标测量值。
在一实施例中，所述处理器在实现根据所述第一测量值和所述第二测量值，确定目标测量值时，用于实现：
确定所述第一测量值与所述第二测量值之间的偏差；
根据所述偏差确定所述第一测量值的第一权重系数和所述第二测量值的第二权重系数；
对所述第一测量值与所述第一权重进行乘法运算，得到第一加权测量值；
对所述第二测量值与所述第二权重进行乘法运算，得到第二加权测量值；
对所述第一加权测量值和所述第二加权测量值进行求和，得到目标测量值。
在一实施例中，所述第一权重系数与所述第二权重系数之和为1。
在一实施例中，所述根据所述第一测量值和所述第二测量值，确定目标测量值，包括：
获取预设的第一系数和第二系数，所述第一系数与所述第二系数之和为1；
对所述第一测量值与所述第一进行乘法运算，得到第一加权测量值；
对所述第二测量值与所述第二进行乘法运算，得到第二加权测量值；
对所述第一加权测量值和所述第二加权测量值进行求和，得到目标测量值。
在一实施例中，所述图像采集装置包括所述汽车的行车记录仪。
在一实施例中，所述雨刷器中的雨刷电机包括步进电机或伺服电机。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的汽车的具体工作过程，可以参考前述雨刷控制方法实施例中的对应过程，在此不再赘述。
本申请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 存储有计算机程序，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现上述实施例提供的雨刷控制方法的步骤。
其中，所述计算机可读存储介质可以是前述任一实施例所述的汽车的内部存储单元，例如所述汽车的硬盘或内存。所述计算机可读存储介质也可以是所述汽车的外部存储设备，例如所述汽车上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。
应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (31)

  1. 一种雨刷控制方法，其特征在于，应用于汽车，所述汽车包括雨刷器和图像采集装置，所述图像采集装置的视场角范围覆盖所述汽车的挡风玻璃，包括：
    获取所述图像采集装置采集到的第一图像，并将所述第一图像输入目标生成网络进行处理，以去除所述第一图像中的雨滴或雪，得到第二图像；
    按像素对所述第一图像与所述第二图像进行作差，并累加每个像素的作差结果，得到所述挡风玻璃上的雨量或雪量的第一测量值；
    根据所述第一测量值，控制所述雨刷器运行，以去除所述挡风玻璃上的雨水或雪。
  2. 根据权利要求1所述的雨刷控制方法，其特征在于，所述目标生成网络是根据有雨图像和所述有雨图像对应的无雨图像对预设生成网络进行迭代训练得到的，或者，所述目标生成网络是根据有雪图像和所述有雪图像对应的无雪图像对预设生成网络进行迭代训练得到的。
  3. 根据权利要求2所述的雨刷控制方法，其特征在于，所述预设生成网络包括生成器和判断器，所述生成器用于生成无雨图像，所述判断器用于判断输出的图像是生成器生成的无雨图像，还是真实的无雨图像。
  4. 根据权利要求3所述的雨刷控制方法，其特征在于，所述生成器的损失函数反比于所述生成器输出的无雨图像与真实的无雨图像之间的相似程度，所述判断器的损失函数反比于所述判断器的分类结果的正确程度。
  5. 根据权利要求1所述的雨刷控制方法，其特征在于，所述根据所述第一测量值，控制所述雨刷器运行，以去除所述挡风玻璃上的雨水或雪，包括：
    根据所述第一测量值，确定所述雨刷器的工作档位；
    根据所述工作档位，控制所述雨刷器运行，以去除所述挡风玻璃上的雨水或雪。
  6. 根据权利要求5所述的雨刷控制方法，其特征在于，所述工作档位与所述第一测量值的大小呈正相关关系。
  7. 根据权利要求1所述的雨刷控制方法，其特征在于，所述将所述第一图像输入目标生成网络进行处理，以去除所述第一图像中的雨滴或雪，得到第二图像之前，还包括：
    确定所述第一图像中是否存在雨滴或雪；
    若所述第一图像中存在雨滴或雪，则将所述第一图像输入目标生成网络进行处理，以去除所述第一图像中的雨滴或雪，得到第二图像。
  8. 根据权利要求7所述的雨刷控制方法，其特征在于，所述确定所述第一图像中是否存在雨滴或雪，包括：
    将所述第一图像输入预设雨雪检测模型，得到雨雪检测结果，所述预设雨雪检测模型为预先训练好的神经网络模型；
    根据所述雨雪检测结果，确定所述第一图像中是否存在雨滴或雪。
  9. 根据权利要求1-8中任一项所述的雨刷控制方法，其特征在于，所述汽车还包括雨雪检测传感器，所述雨雪检测传感器用于检测所述挡风玻璃上的雨量或雪量，所述方法还包括：
    在得到第一测量值之后，获取所述雨雪检测传感器检测到的雨量或雪量的第二测量值；
    所述根据所述第一测量值，控制所述雨刷器运行，以去除所述挡风玻璃上的雨水或雪，包括：
    根据所述第一测量值和所述第二测量值，确定目标测量值，并根据所述目标测量值，控制所述雨刷器运行，以去除所述挡风玻璃上的雨水或雪。
  10. 根据权利要求9所述的雨刷控制方法，其特征在于，所述根据所述第一测量值和所述第二测量值，确定目标测量值，包括：
    确定所述第一测量值与所述第二测量值之间的偏差；
    若所述偏差小于或等于预设偏差，则确定所述第一测量值与所述第二测量值的平均值，并将所述平均值确定为所述目标测量值。
  11. 根据权利要求9所述的雨刷控制方法，其特征在于，所述根据所述第一测量值和所述第二测量值，确定目标测量值，包括：
    确定所述第一测量值与所述第二测量值之间的偏差；
    根据所述偏差确定所述第一测量值的第一权重系数和所述第二测量值的第二权重系数；
    对所述第一测量值与所述第一权重进行乘法运算，得到第一加权测量值；
    对所述第二测量值与所述第二权重进行乘法运算，得到第二加权测量值；
    对所述第一加权测量值和所述第二加权测量值进行求和，得到目标测量值。
  12. 根据权利要求11所述的雨刷控制方法，其特征在于，所述第一权重系数与所述第二权重系数之和为1。
  13. 根据权利要求9所述的雨刷控制方法，其特征在于，所述根据所述第 一测量值和所述第二测量值，确定目标测量值，包括：
    获取预设的第一系数和第二系数，所述第一系数与所述第二系数之和为1；
    对所述第一测量值与所述第一进行乘法运算，得到第一加权测量值；
    对所述第二测量值与所述第二进行乘法运算，得到第二加权测量值；
    对所述第一加权测量值和所述第二加权测量值进行求和，得到目标测量值。
  14. 根据权利要求1所述的雨刷控制方法，其特征在于，所述图像采集装置包括所述汽车的行车记录仪。
  15. 根据权利要求1所述的雨刷控制方法，其特征在于，所述雨刷器中的雨刷电机包括步进电机或伺服电机。
  16. 一种汽车，其特征在于，所述汽车包括雨刷器、图像采集装置、存储器和处理器，所述图像采集装置的视场角范围覆盖所述汽车的挡风玻璃；
    所述雨刷器用于去除所述汽车的挡风玻璃上的雨水或雪；
    所述图像采集装置用于采集包含所述汽车的挡风玻璃的图像；
    所述存储器用于存储计算机程序；
    所述处理器，用于执行所述计算机程序并在执行所述计算机程序时，实现如下步骤：
    获取所述图像采集装置采集到的第一图像，并将所述第一图像输入目标生成网络进行处理，以去除所述第一图像中的雨滴或雪，得到第二图像；
    按像素对所述第一图像与所述第二图像进行作差，并累加每个像素的作差结果，得到所述挡风玻璃上的雨量或雪量的第一测量值；
    根据所述第一测量值，控制所述雨刷器运行，以去除所述挡风玻璃上的雨水或雪。
  17. 根据权利要求16所述的汽车，其特征在于，所述目标生成网络是根据有雨图像和所述有雨图像对应的无雨图像对预设生成网络进行迭代训练得到的，或者，所述目标生成网络是根据有雪图像和所述有雪图像对应的无雪图像对预设生成网络进行迭代训练得到的。
  18. 根据权利要求17所述的汽车，其特征在于，所述预设生成网络包括生成器和判断器，所述生成器用于生成无雨图像，所述判断器用于判断输出的图像是生成器生成的无雨图像，还是真实的无雨图像。
  19. 根据权利要求18所述的汽车，其特征在于，所述生成器的损失函数反比于所述生成器输出的无雨图像与真实的无雨图像之间的相似程度，所述判断器的损失函数反比于所述判断器的分类结果的正确程度。
  20. 根据权利要求16所述的汽车，其特征在于，所述处理器在实现根据所述第一测量值，控制所述雨刷器运行，以去除所述挡风玻璃上的雨水或雪时，用于实现：
    根据所述第一测量值，确定所述雨刷器的工作档位；
    根据所述工作档位，控制所述雨刷器运行，以去除所述挡风玻璃上的雨水或雪。
  21. 根据权利要求20所述的汽车，其特征在于，所述工作档位与所述第一测量值的大小呈正相关关系。
  22. 根据权利要求16所述的汽车，其特征在于，所述处理器在实现将所述第一图像输入目标生成网络进行处理，以去除所述第一图像中的雨滴或雪，得到第二图像之前，还用于实现：
    确定所述第一图像中是否存在雨滴或雪；
    若所述第一图像中存在雨滴或雪，则将所述第一图像输入目标生成网络进行处理，以去除所述第一图像中的雨滴或雪，得到第二图像。
  23. 根据权利要求22所述的汽车，其特征在于，所述处理器在实现确定所述第一图像中是否存在雨滴或雪时，用于实现：
    将所述第一图像输入预设雨雪检测模型，得到雨雪检测结果，所述预设雨雪检测模型为预先训练好的神经网络模型；
    根据所述雨雪检测结果，确定所述第一图像中是否存在雨滴或雪。
  24. 根据权利要求16-23中任一项所述的汽车，其特征在于，所述汽车还包括雨雪检测传感器，所述雨雪检测传感器用于检测所述挡风玻璃上的雨量或雪量，所述处理器还用于实现以下步骤：
    在得到第一测量值之后，获取所述雨雪检测传感器检测到的雨量或雪量的第二测量值；
    根据所述第一测量值和所述第二测量值，确定目标测量值，并根据所述目标测量值，控制所述雨刷器运行，以去除所述挡风玻璃上的雨水或雪。
  25. 根据权利要求24所述的汽车，其特征在于，所述处理器在实现根据所述第一测量值和所述第二测量值，确定目标测量值时，用于实现：
    确定所述第一测量值与所述第二测量值之间的偏差；
    若所述偏差小于或等于预设偏差，则确定所述第一测量值与所述第二测量值的平均值，并将所述平均值确定为所述目标测量值。
  26. 根据权利要求24所述的汽车，其特征在于，所述处理器在实现根据所 述第一测量值和所述第二测量值，确定目标测量值时，用于实现：
    确定所述第一测量值与所述第二测量值之间的偏差；
    根据所述偏差确定所述第一测量值的第一权重系数和所述第二测量值的第二权重系数；
    对所述第一测量值与所述第一权重进行乘法运算，得到第一加权测量值；
    对所述第二测量值与所述第二权重进行乘法运算，得到第二加权测量值；
    对所述第一加权测量值和所述第二加权测量值进行求和，得到目标测量值。
  27. 根据权利要求26所述的汽车，其特征在于，所述第一权重系数与所述第二权重系数之和为1。
  28. 根据权利要求24所述的汽车，其特征在于，所述根据所述第一测量值和所述第二测量值，确定目标测量值，包括：
    获取预设的第一系数和第二系数，所述第一系数与所述第二系数之和为1；
    对所述第一测量值与所述第一进行乘法运算，得到第一加权测量值；
    对所述第二测量值与所述第二进行乘法运算，得到第二加权测量值；
    对所述第一加权测量值和所述第二加权测量值进行求和，得到目标测量值。
  29. 根据权利要求16所述的汽车，其特征在于，所述图像采集装置包括所述汽车的行车记录仪。
  30. 根据权利要求16所述的汽车，其特征在于，所述雨刷器中的雨刷电机包括步进电机或伺服电机。
  31. 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存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如权利要求1-15中任一项所述的雨刷控制方法。
PCT/CN2021/081175 2021-03-16 2021-03-16 雨刷控制方法、汽车及计算机可读存储介质 Ceased WO2022193154A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/CN2021/081175 WO2022193154A1 (zh) 2021-03-16 2021-03-16 雨刷控制方法、汽车及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2021/081175 WO2022193154A1 (zh) 2021-03-16 2021-03-16 雨刷控制方法、汽车及计算机可读存储介质

Publications (1)

Publication Number Publication Date
WO2022193154A1 true WO2022193154A1 (zh) 2022-09-22

Family

ID=83321779

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2021/081175 Ceased WO2022193154A1 (zh) 2021-03-16 2021-03-16 雨刷控制方法、汽车及计算机可读存储介质

Country Status (1)

Country Link
WO (1) WO2022193154A1 (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103376243A (zh) * 2012-04-18 2013-10-30 原相科技股份有限公司 雨刷控制装置、光学雨滴检测装置及其检测方法
US20150310304A1 (en) * 2010-03-04 2015-10-29 Valeo Schalter Und Sensoren Gmbh Method of raindrop detection on a vehicle windscreen and driving assistance device
CN108528395A (zh) * 2018-04-08 2018-09-14 广州大学 一种基于图像识别的车辆智能雨刮控制方法及系统
CN108556795A (zh) * 2018-04-08 2018-09-21 广州大学 一种车辆智能电控设备集成控制方法及系统
CN109760635A (zh) * 2019-01-08 2019-05-17 同济大学 一种基于gan网络的线控雨刷控制系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150310304A1 (en) * 2010-03-04 2015-10-29 Valeo Schalter Und Sensoren Gmbh Method of raindrop detection on a vehicle windscreen and driving assistance device
CN103376243A (zh) * 2012-04-18 2013-10-30 原相科技股份有限公司 雨刷控制装置、光学雨滴检测装置及其检测方法
CN108528395A (zh) * 2018-04-08 2018-09-14 广州大学 一种基于图像识别的车辆智能雨刮控制方法及系统
CN108556795A (zh) * 2018-04-08 2018-09-21 广州大学 一种车辆智能电控设备集成控制方法及系统
CN109760635A (zh) * 2019-01-08 2019-05-17 同济大学 一种基于gan网络的线控雨刷控制系统

Similar Documents

Publication Publication Date Title
CN112101092B (zh) 自动驾驶环境感知方法及系统
CN110852274B (zh) 一种基于图像识别的智能雨量感知方法及装置
CN115685249B (zh) 一种障碍物检测方法、装置、电子设备和存储介质
JP7413543B2 (ja) データ伝送方法および装置
CN112665556B (zh) 使用被动和主动测量生成场景的三维地图
Negru et al. Image based fog detection and visibility estimation for driving assistance systems
CN103176185B (zh) 用于检测道路障碍物的方法及系统
CN108270970A (zh) 一种图像采集控制方法及装置、图像采集系统
CN113538357B (zh) 一种抗阴影干扰的路面状态在线检测方法
CN110084218A (zh) 车辆的雨水分布数据处理方法和装置
EP3824623A1 (en) Camera assessment techniques for autonomous vehicles
CN111402326A (zh) 障碍物的检测方法、装置、无人车及存储介质
CN110481506A (zh) 机动车雨刷自动控制系统及方法
CN114387576A (zh) 一种车道线识别方法、系统、介质、设备及信息处理终端
CN110660113A (zh) 特征地图的建立方法、装置、采集设备和存储介质
WO2022133939A1 (zh) 驾驶控制方法、装置、汽车及计算机可读存储介质
CN115861959A (zh) 一种车道线识别方法、装置、电子设备及存储介质
CN114910927A (zh) 使用单色成像的基于事件的车辆姿态估计
CN119105331A (zh) 车辆控制方法、装置、设备、车辆及产品
CN117068099A (zh) 基于车辆图像的雨雪雾传感控制系统、方法、设备及介质
WO2021068210A1 (zh) 移动物体监控的方法、装置及计算机存储介质
JP2021169961A (ja) 天気情報収集システムおよびそれに含まれる天気情報取得装置
CN117008136A (zh) 车辆前方障碍物的测距方法、装置、电子设备及存储介质
CN115683125A (zh) 用于自动化地定位车辆的方法、系统和计算机程序产品
CN112712074A (zh) 一种信息采集方法、装置、设备和存储介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21930750

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21930750

Country of ref document: EP

Kind code of ref document: A1