CN109606384B - 车辆控制方法、装置、设备和存储介质 - Google Patents

车辆控制方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN109606384B
CN109606384B CN201811638546.4A CN201811638546A CN109606384B CN 109606384 B CN109606384 B CN 109606384B CN 201811638546 A CN201811638546 A CN 201811638546A CN 109606384 B CN109606384 B CN 109606384B
Authority
CN
China
Prior art keywords
vehicle
environment image
image
environment
static
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.)
Active
Application number
CN201811638546.4A
Other languages
English (en)
Other versions
CN109606384A (zh
Inventor
郁浩
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.)
Apollo Intelligent Technology Beijing Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201811638546.4A priority Critical patent/CN109606384B/zh
Publication of CN109606384A publication Critical patent/CN109606384A/zh
Priority to EP19219836.4A priority patent/EP3674975A1/en
Priority to US16/729,328 priority patent/US11215996B2/en
Application granted granted Critical
Publication of CN109606384B publication Critical patent/CN109606384B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0025—Planning or execution of driving tasks specially adapted for specific operations
    • B60W60/00259—Surveillance operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0002—Automatic control, details of type of controller or control system architecture
    • B60W2050/0004—In digital systems, e.g. discrete-time systems involving sampling
    • B60W2050/0005—Processor details or data handling, e.g. memory registers or chip architecture
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0062—Adapting control system settings
    • B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/403—Image sensing, e.g. optical camera
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Computation (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明实施例公开了一种车辆控制方法、装置、设备和存储介质，涉及无人驾驶技术领域。所述方法包括：在车辆行驶过程中，通过图像采集器采集车辆环境图像；提取所述车辆环境图像中包括的静态环境图像；将所述静态环境图像作为轨迹规划模型的输入，得到规划的车辆行驶轨迹；控制车辆根据所述车辆行驶轨迹行驶。本发明实施例通过提取车辆环境图像中的静态环境图像，根据静态环境图像来规划车辆行驶轨迹，避免动态物体造成的过拟合，并且数据量需求减少，提高了处理效率。

Description

车辆控制方法、装置、设备和存储介质
技术领域
本发明实施例涉及无人驾驶技术领域，尤其涉及一种车辆控制方法、装置、设备和存储介质。
背景技术
近年来，作为车辆的行驶形态，除了基于用户的驾驶操作行驶的手动行驶以外，新提出了通过在车辆侧执行用户的驾驶操作的一部分或者全部，来辅助用户所进行的车辆的架势的无人驾驶辅助***。
无人驾驶领域目前主要通过如下方式确定车辆的行驶轨迹：通过感知模块采集车辆环境数据，采集的车辆环境数据传输给规划决策模块，规划决策模块通过对车辆环境数据进行语义识别来确定车辆环境信息，并基于车辆环境信息和定位模块提供的车辆位置信息，确定车辆的行驶轨迹。现有行驶轨迹确定方法依赖的数据量较多，效率低下。
发明内容
本发明实施例提供一种车辆控制方法、装置、设备和存储介质，以解决现有行驶轨迹确定方法依赖的数据量较多，效率低下的问题。
第一方面，本发明实施例提供了一种车辆控制方法，所述方法包括：
在车辆行驶过程中，通过图像采集器采集车辆环境图像；
提取所述车辆环境图像中包括的静态环境图像；
将所述静态环境图像作为轨迹规划模型的输入，得到规划的车辆行驶轨迹；
控制车辆根据所述车辆行驶轨迹行驶。
第二方面，本发明实施例提供了一种车辆控制装置，所述装置包括：
车辆环境图像采集模块，用于在车辆行驶过程中，通过图像采集器采集车辆环境图像；
静态环境图像提取模块，用于提取所述车辆环境图像中包括的静态环境图像；
车辆行驶轨迹获取模块，用于将所述静态环境图像作为轨迹规划模型的输入，得到规划的车辆行驶轨迹；
车辆控制模块，用于控制车辆根据所述车辆行驶轨迹行驶。
第三方面，本发明实施例提供了一种设备，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例中任一所述的车辆控制方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的车辆控制方法。
本发明通过提取车辆环境图像中的静态环境图像，根据静态环境图像来规划车辆行驶轨迹，避免动态物体造成的过拟合，并且数据量需求减少，提高了处理效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例一提供的一种车辆控制方法的流程图；
图2是本发明实施例二提供的一种车辆控制方法的流程图；
图3为本发明实施例三提供的一种车辆控制装置的结构示意图；
图4为本发明实施例四提供的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明实施例作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明实施例，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明实施例相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种车辆控制方法的流程图。本实施例适用于无人驾驶模式下的汽车确定车辆的行驶轨迹的情况。该方法可以由本发明实施例提供的车辆控制装置来执行，具体包括如下步骤：
S101、在车辆行驶过程中，通过图像采集器采集车辆环境图像。
其中，车辆***设置有至少一个图像采集器，例如车头、车尾和两侧均可以设置有至少一个图像采集器。在车辆行驶过程中，通过设置在车辆***的图像采集器采集车辆环境图像。其中车辆行驶环境中不仅存在诸如交通信号灯、道路指示牌、路面、树木和建筑物之类的静态物体，也存在诸如行人、行驶中的车辆和小动物之类的动态物体，相应地，车辆环境图像中包括静态环境图像和动态环境图像。
S102、提取所述车辆环境图像中包括的静态环境图像。
其中，基于图像识别技术，识别车辆环境图像中包括的静态物体。可选地，可以将车辆环境图像作为静态图像提取模型的输入，得到车辆环境图像中包括的静态环境图像，其中静态图像提取模型可以通过如下方式训练得到：获取样本车辆环境图像，以及获取样本车辆环境图像中的静态区域标注和动态区域标注，采用样本车辆环境图像，样本车辆环境图像中的静态区域标注和动态区域标注，对神经网络模型进行训练得到。本发明实施例中对该神经网络模型的结构不作具体限定，例如该神经网络模型可以是卷积神经网络(Convolutional Neural Networks，CNN)。
其中，通过比对历史静态环境图像得到备选静态环境图像，再根据历史车辆行驶轨迹，计算各所述备选静态环境图像的可信度值，当所述可信度值大于预设阈值时，得到最终的静态环境图像。
S103、将所述静态环境图像作为轨迹规划模型的输入，得到规划的车辆行驶轨迹。
其中，所述轨迹规划模型可以是基于神经网络模型训练得到的。在本实施例的一种具体实施例方式中，所述轨迹规划模型是基于神经网络模型，根据历史静态环境图像和历史车辆行驶轨迹训练得到的。
具体的，获取历史车辆行驶过程中采集的历史静态环境图像，以及历史车辆行驶轨迹，并且确定在先采集的历史静态环境图像，与在后的历史车辆行驶轨迹关联，例如确定在第一时刻采集的历史静态环境图像，与在第二时刻采集的历史车辆行驶轨迹关联，第二时刻晚于第一时刻，且第二时刻与第一时刻之间的时间差小于时间差阈值。并且，将历史静态轨迹图像作为神经网络模型的输入，历史静态轨迹图像所关联的历史车辆行驶轨迹作为神经网络模型的输出，对神经网络模型进行训练，得到轨迹规划模型。需要说明的是，本实施例中对该神经网络模型的结构也不作具体限定，例如该神经网络模型可以是循环神经网络、卷积神经网络或长短期记忆人工神经网络等。
本发明实施例中根据静态环境图像来确定车辆行驶轨迹，避免了车辆环境中动态物体的特征被神经网络学到，造成过拟合，从而导致车辆行驶轨迹的准确度较低。
S104、控制车辆根据所述车辆行驶轨迹行驶。
具体的，根据所述车辆行驶轨迹，生成控制指令，其中所述控制指令用于指示车辆中控制模块按照车辆行驶轨迹进行行驶。本方案通过根据车辆行驶过程中的静态环境图像，规划车辆行驶轨迹，并控制车辆中控制模块按照规划的车辆行驶轨迹行驶，实现了一种新的自动驾驶方法，相比于目前无人车通过感知模块采集环境信息，将感知模块采集到的环境信息传输给决策规划模块，由决策规划模块根据环境信息，进行车辆行驶参数和/或状态规划，大幅度提高了处理效率，并且，大幅度减少了端到端自动驾驶的数据量需求。
本实施例提供的技术方案，通过提取车辆环境图像中的静态环境图像，根据静态环境图像来规划车辆行驶轨迹，避免动态物体造成的过拟合，并且数据量需求减少，提高了处理效率。
实施例二
图2是本发明实施例二提供的一种车辆控制方法的流程图，本实施例是在上述实施例的基础上进一步进行优化。如图2所示，该方法可以包括：
S201、在车辆行驶过程中，通过图像采集器采集车辆环境图像。
S202、识别所述车辆环境图像中包括的动态物体。
其中，所述动态物体可以包括：车辆、行人和动物等。例如，可以将车辆环境图像，与预先建立的神经网络模型中的历史动态物体，根据特征进行比对，并且将车辆环境图像中大于可信度阈值的物体确定为动态物体，即识别出车辆环境图像中包括的动态物体。
S203、滤除所述车辆环境图像中的动态物体，得到静态环境图像。
其中，根据包括图像处理技术领域中的像素分割技术，将车辆环境图像中包括的动态物体进行像素分割，分割后的车辆环境图像，即为所述静态环境图像。
可选的，提取所述车辆环境图像中包括的静态环境图像，还包括：根据采集的车辆环境图像确定车辆的行驶环境；若所述车辆的行驶环境为室外行驶环境，则提取所述车辆环境图像中的路面图像。
进一步可选的，若所述车辆的行驶环境为室内行驶环境，则提取所述车辆环境图像中的路面图像和天花板图像。
具体的，可以通过将车辆环境图像与历史车辆环境图像作图像强度、边缘形状和图像颜色等特征比对，根据可信度值确定当前行驶环境；或者通过包括对车载麦克风接收到的车内语言信号，进行语义识别，来确定当前行驶环境。
当车辆室外行驶时，提取车辆环境图像中的路面图像，并将路面图像作为静态环境图像。通过提取室外行驶时的路面图像作为静态环境图像，可以减少***对图像数据的处理时间，提高得到车辆行驶轨迹的效率。
可选的，若所述车辆的行驶环境为室内行驶环境，则提取所述车辆环境图像中的路面图像和天花板图像。当车辆室内行驶时，提取车辆环境图像中的路面图像和天花板图像，并将路面图像和天花板图像作为静态环境图像。通过提取室外行驶时的路面图像和天花板图像作为静态环境图像，一方面可以减少***对图像数据的处理时间，另一方面可以提高车辆行驶轨迹的准确度。
S204、将所述静态环境图像作为轨迹规划模型的输入，得到规划的车辆行驶轨迹。
S205、控制车辆根据所述车辆行驶轨迹行驶。
本发明实施例提供的技术方案，根据车辆环境图像确定车辆当前是室内行驶环境还是室外行驶环境，对于室内行驶环境，则提取车辆环境图像中的路面图像，对于室外行驶环境，则提取车辆环境图像中的路面图像和天花板信息，实现了减少***对图像数据的处理时间，提高得到车辆行驶轨迹效率的效果。
实施例三
图3为本发明实施例三提供的一种车辆控制装置的结构示意图，该装置可执行本发明任意实施例所提供的车辆控制方法，具备执行方法相应的功能模块和有益效果。如图3所示，该装置可以包括：
车辆环境图像采集模块31，用于在车辆行驶过程中，通过图像采集器采集车辆环境图像；
静态环境图像提取模块32，用于提取所述车辆环境图像中包括的静态环境图像；
车辆行驶轨迹获取模块33，用于将所述静态环境图像作为轨迹规划模型的输入，得到规划的车辆行驶轨迹；
车辆控制模块34，用于控制车辆根据所述车辆行驶轨迹行驶。
在上述实施例的基础上，所述静态环境图像提取模块32，包括：
动态物体识别单元，用于识别所述车辆环境图像中包括的动态物体；
动态物体滤除单元，用于滤除所述车辆环境图像中的动态物体，得到所述静态环境图像。
在上述实施例的基础上，所述静态环境图像提取模块32，还包括：
行驶环境确定单元，用于根据采集的车辆环境图像确定车辆的行驶环境；
第一图像提取单元，用于若所述车辆的行驶环境为室外行驶环境，则提取所述车辆环境图像中的路面图像。
在上述实施例的基础上，所述静态环境图像提取模块32还包括：
第二图像提取单元，用于若所述车辆的行驶环境为室内行驶环境，则提取所述车辆环境图像中的路面图像和天花板图像。
在上述实施例的基础上，所述轨迹规划模型是基于神经网络模型，根据历史静态环境图像和历史车辆行驶轨迹训练得到的。
本发明实施例所提供的一种车辆控制装置，可执行本发明任意实施例所提供的车辆控制方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明任意实施例提供的车辆控制方法。
实施例四
图4为本发明实施例四提供的一种设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性设备400的框图。图4显示的设备400仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，设备400以通用计算设备的形式表现。设备400的组件可以包括但不限于：一个或者多个处理器或者处理单元401，***存储器402，连接不同***组件(包括***存储器402和处理单元401)的总线403。
总线403表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，***总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
设备400典型地包括多种计算机***可读介质。这些介质可以是任何能够被设备400访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
***存储器402可以包括易失性存储器形式的计算机***可读介质，例如随机存取存储器(RAM)404和/或高速缓存存储器405。设备400可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例，存储***406可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线403相连。存储器402可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块407的程序/实用工具408，可以存储在例如存储器402中，这样的程序模块407包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块407通常执行本发明所描述的实施例中的功能和/或方法。
设备400也可以与一个或多个外部设备409(例如键盘、指向设备、显示器410等)通信，还可与一个或者多个使得用户能与该设备400交互的设备通信，和/或与使得该设备400能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口411进行。并且，设备400还可以通过网络适配器412与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器412通过总线403与设备400的其它模块通信。应当明白，尽管图中未示出，可以结合设备400使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理单元401通过运行存储在***存储器402中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的车辆控制方法，包括：
在车辆行驶过程中，通过图像采集器采集车辆环境图像；
提取所述车辆环境图像中包括的静态环境图像；
将所述静态环境图像作为轨迹规划模型的输入，得到规划的车辆行驶轨迹；
控制车辆根据所述车辆行驶轨迹行驶。
实施例五
本发明实施例五还提供了一种计算机可读存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种车辆控制方法，该方法包括：
在车辆行驶过程中，通过图像采集器采集车辆环境图像；
提取所述车辆环境图像中包括的静态环境图像；
将所述静态环境图像作为轨迹规划模型的输入，得到规划的车辆行驶轨迹；
控制车辆根据所述车辆行驶轨迹行驶。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的一种车辆控制方法中的相关操作。本发明实施例的计算机可读存储介质，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——但不限于——电、磁、光、电磁、红外线、或半导体的***、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***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种车辆控制方法，其特征在于，所述方法包括：
在车辆行驶过程中，通过图像采集器采集车辆环境图像；
提取所述车辆环境图像中包括的静态环境图像；
将所述静态环境图像作为轨迹规划模型的输入，得到规划的车辆行驶轨迹；其中，所述轨迹规划模型是基于神经网络模型，将历史静态环境图像作为神经网络模型的输入，历史静态环境图像所关联的历史车辆行驶轨迹作为神经网络模型的输出训练得到的；
控制车辆根据所述车辆行驶轨迹行驶。
2.根据权利要求1所述的方法，其特征在于，所述提取所述车辆环境图像中包括的静态环境图像，包括：
识别所述车辆环境图像中包括的动态物体；
滤除所述车辆环境图像中的动态物体，得到所述静态环境图像。
3.根据权利要求1所述的方法，其特征在于，所述提取所述车辆环境图像中包括的静态环境图像，还包括：
根据采集的车辆环境图像确定车辆的行驶环境；
若所述车辆的行驶环境为室外行驶环境，则提取所述车辆环境图像中的路面图像。
4.根据权利要求3所述的方法，其特征在于，所述根据采集的车辆环境图像确定车辆的行驶环境之后，还包括：
若所述车辆的行驶环境为室内行驶环境，则提取所述车辆环境图像中的路面图像和天花板图像。
5.一种车辆控制装置，其特征在于，所述装置包括：
车辆环境图像采集模块，用于在车辆行驶过程中，通过图像采集器采集车辆环境图像；
静态环境图像提取模块，用于提取所述车辆环境图像中包括的静态环境图像；
车辆行驶轨迹获取模块，用于将所述静态环境图像作为轨迹规划模型的输入，得到规划的车辆行驶轨迹；其中，所述轨迹规划模型是基于神经网络模型，将历史静态环境图像作为神经网络模型的输入，历史静态环境图像所关联的历史车辆行驶轨迹作为神经网络模型的输出训练得到的；
车辆控制模块，用于控制车辆根据所述车辆行驶轨迹行驶。
6.根据权利要求5所述的装置，其特征在于，所述静态环境图像提取模块，包括：
动态物体识别单元，用于识别所述车辆环境图像中包括的动态物体；
动态物体滤除单元，用于滤除所述车辆环境图像中的动态物体，得到所述静态环境图像。
7.根据权利要求5所述的装置，其特征在于，所述静态环境图像提取模块，还包括：
行驶环境确定单元，用于根据采集的车辆环境图像确定车辆的行驶环境；
第一图像提取单元，用于若所述车辆的行驶环境为室外行驶环境，则提取所述车辆环境图像中的路面图像。
8.根据权利要求7所述的装置，其特征在于，所述静态环境图像提取模块，还包括：
第二图像提取单元，用于若所述车辆的行驶环境为室内行驶环境，则提取所述车辆环境图像中的路面图像和天花板图像。
9.一种设备，其特征在于，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的车辆控制方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一所述的车辆控制方法。
CN201811638546.4A 2018-12-29 2018-12-29 车辆控制方法、装置、设备和存储介质 Active CN109606384B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201811638546.4A CN109606384B (zh) 2018-12-29 2018-12-29 车辆控制方法、装置、设备和存储介质
EP19219836.4A EP3674975A1 (en) 2018-12-29 2019-12-27 Method and device for controlling vehicle, device, and storage medium
US16/729,328 US11215996B2 (en) 2018-12-29 2019-12-28 Method and device for controlling vehicle, device, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811638546.4A CN109606384B (zh) 2018-12-29 2018-12-29 车辆控制方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN109606384A CN109606384A (zh) 2019-04-12
CN109606384B true CN109606384B (zh) 2021-04-20

Family

ID=66017029

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811638546.4A Active CN109606384B (zh) 2018-12-29 2018-12-29 车辆控制方法、装置、设备和存储介质

Country Status (3)

Country Link
US (1) US11215996B2 (zh)
EP (1) EP3674975A1 (zh)
CN (1) CN109606384B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110639A (zh) * 2019-04-29 2019-08-09 济南浪潮高新科技投资发展有限公司 一种基于人工智能循迹的室内监控方法及室内监控车
CN110221611B (zh) * 2019-06-11 2020-09-04 北京三快在线科技有限公司 一种轨迹跟踪控制方法、装置及无人驾驶车辆
CN111508256A (zh) * 2020-03-17 2020-08-07 重庆大学 一种基于区域时空域的交通信息重构方法及智能交通***
CN111806443A (zh) * 2020-05-22 2020-10-23 博雷顿科技有限公司 一种纯电动重卡无人驾驶能耗优化方法
CN111859778B (zh) * 2020-06-04 2021-12-28 阿波罗智能技术(北京)有限公司 泊车模型的生成方法和装置、电子设备和存储介质
CN111860227B (zh) * 2020-06-30 2024-03-08 阿波罗智能技术(北京)有限公司 训练轨迹规划模型的方法、装置和计算机存储介质
CN111797780B (zh) * 2020-07-08 2022-12-02 中国第一汽车股份有限公司 一种跟车轨迹规划方法、装置、服务器及存储介质
CN112862702B (zh) * 2021-01-18 2023-10-31 平安科技（深圳）有限公司 图像增强方法、装置、设备及存储介质
CN113031600B (zh) * 2021-03-02 2023-09-05 京东鲲鹏(江苏)科技有限公司 一种轨迹生成方法、装置、存储介质及电子设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9940729B1 (en) * 2016-11-18 2018-04-10 Here Global B.V. Detection of invariant features for localization

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101686170B1 (ko) * 2010-02-05 2016-12-13 삼성전자주식회사 주행 경로 계획 장치 및 방법
GB201301281D0 (en) * 2013-01-24 2013-03-06 Isis Innovation A Method of detecting structural parts of a scene
US9606538B2 (en) * 2013-03-14 2017-03-28 Fts Computertechnik Gmbh Device and method for the autonomous control of motor vehicles
SE539051C2 (sv) * 2013-07-18 2017-03-28 Scania Cv Ab Hantering av detektion hos sensor
US9170581B2 (en) * 2013-09-30 2015-10-27 Crown Equipment Limited Industrial vehicles with overhead light based localization
US20150100189A1 (en) * 2013-10-07 2015-04-09 Ford Global Technologies, Llc Vehicle-to-infrastructure communication
EP3345057B1 (en) * 2015-08-31 2020-03-25 Signify Holding B.V. System, device and method for automatic commissioning of application control systems
JP6790417B2 (ja) * 2016-03-31 2020-11-25 ソニー株式会社 情報処理装置及び情報処理サーバ
US10712746B2 (en) * 2016-08-29 2020-07-14 Baidu Usa Llc Method and system to construct surrounding environment for autonomous vehicles to make driving decisions
KR101851155B1 (ko) * 2016-10-12 2018-06-04 현대자동차주식회사 자율 주행 제어 장치, 그를 가지는 차량 및 그 제어 방법
US10558864B2 (en) * 2017-05-18 2020-02-11 TuSimple System and method for image localization based on semantic segmentation
CN107169468A (zh) * 2017-05-31 2017-09-15 北京京东尚科信息技术有限公司 用于控制车辆的方法和装置
CN107678306B (zh) * 2017-10-09 2021-04-16 驭势（上海）汽车科技有限公司 动态场景信息录制和仿真回放方法、装置、设备及介质
US10657388B2 (en) * 2018-03-13 2020-05-19 Honda Motor Co., Ltd. Robust simultaneous localization and mapping via removal of dynamic traffic participants
WO2019241022A1 (en) * 2018-06-13 2019-12-19 Nvidia Corporation Path detection for autonomous machines using deep neural networks
US11966838B2 (en) * 2018-06-19 2024-04-23 Nvidia Corporation Behavior-guided path planning in autonomous machine applications
KR102628012B1 (ko) * 2018-10-23 2024-01-22 삼성전자주식회사 캘리브레이션 방법 및 장치
US11181919B2 (en) * 2018-11-27 2021-11-23 Wipro Limited Method and system for determining an optimal trajectory for navigation of an autonomous vehicle
US11151391B2 (en) * 2018-12-10 2021-10-19 Here Global B.V. Method and apparatus for creating a visual map without dynamic content
US11667301B2 (en) * 2018-12-10 2023-06-06 Perceptive Automata, Inc. Symbolic modeling and simulation of non-stationary traffic objects for testing and development of autonomous vehicle systems
EP3667556A1 (en) * 2018-12-12 2020-06-17 Visteon Global Technologies, Inc. Autonomous lane change
US11520331B2 (en) * 2018-12-28 2022-12-06 Intel Corporation Methods and apparatus to update autonomous vehicle perspectives

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9940729B1 (en) * 2016-11-18 2018-04-10 Here Global B.V. Detection of invariant features for localization

Also Published As

Publication number Publication date
US11215996B2 (en) 2022-01-04
US20200209866A1 (en) 2020-07-02
CN109606384A (zh) 2019-04-12
EP3674975A1 (en) 2020-07-01

Similar Documents

Publication Publication Date Title
CN109606384B (zh) 车辆控制方法、装置、设备和存储介质
CN109509260B (zh) 动态障碍物点云的标注方法、设备及可读介质
CN109598066B (zh) 预测模块的效果评估方法、装置、设备和存储介质
CN110163176B (zh) 车道线变化位置识别方法、装置、设备和介质
CN110276293B (zh) 车道线检测方法、装置、电子设备及存储介质
CN109635861B (zh) 一种数据融合方法、装置、电子设备及存储介质
CN113335276A (zh) 障碍物的轨迹预测方法、装置、电子设备及存储介质
CN109558854B (zh) 障碍物感知方法、装置、电子设备及存储介质
CN112200142A (zh) 一种识别车道线的方法、装置、设备及存储介质
WO2019047597A1 (zh) 一种识别光照驾驶场景的方法和装置
CN112519765A (zh) 车辆控制方法、装置、设备和介质
CN109376664B (zh) 机器学习训练方法、装置、服务器和介质
CN114913197B (zh) 车辆轨迹预测方法、装置、电子设备及存储介质
CN113688760A (zh) 自动驾驶的数据识别方法、装置、计算机设备和存储介质
CN112650300A (zh) 一种无人机避障方法和装置
CN114443794A (zh) 数据处理和地图更新方法、装置、设备以及存储介质
CN113392793A (zh) 用于识别车道线的方法、装置、设备、存储介质以及无人车
CN113733086A (zh) 一种机器人的出行方法、装置、设备及存储介质
CN111353273B (zh) 一种雷达数据标注方法、装置、设备及存储介质
CN112102648B (zh) 一种空余车位推送方法、装置、设备及存储介质
WO2024012234A1 (zh) 目标检测方法、计算机设备、计算机可读存储介质及车辆
CN112365544B (zh) 图像识别干扰检测方法、装置、计算机设备及存储介质
CN112597235A (zh) 基于无人车的智能交互方法、装置及无人车
CN109572687B (zh) 泊车控制方法、装置、电子设备及存储介质
CN116343169A (zh) 路径规划方法、目标对象运动控制方法、装置及电子设备

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20211013

Address after: 105 / F, building 1, No. 10, Shangdi 10th Street, Haidian District, Beijing 100085

Patentee after: Apollo Intelligent Technology (Beijing) Co.,Ltd.

Address before: 100085 Baidu Building, 10 Shangdi Tenth Street, Haidian District, Beijing

Patentee before: BAIDU ONLINE NETWORK TECHNOLOGY (BEIJING) Co.,Ltd.