CN110850711A - 基于云端的辅助驾驶控制***及方法 - Google Patents

基于云端的辅助驾驶控制***及方法 Download PDF

Info

Publication number
CN110850711A
CN110850711A CN201911238364.2A CN201911238364A CN110850711A CN 110850711 A CN110850711 A CN 110850711A CN 201911238364 A CN201911238364 A CN 201911238364A CN 110850711 A CN110850711 A CN 110850711A
Authority
CN
China
Prior art keywords
vehicle
data
control
cloud
driving
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
Application number
CN201911238364.2A
Other languages
English (en)
Inventor
要婷婷
田滨
胡成云
王晓
王飞跃
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.)
Institute of Automation of Chinese Academy of Science
Original Assignee
Institute of Automation of Chinese Academy of Science
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 Institute of Automation of Chinese Academy of Science filed Critical Institute of Automation of Chinese Academy of Science
Priority to CN201911238364.2A priority Critical patent/CN110850711A/zh
Publication of CN110850711A publication Critical patent/CN110850711A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明属于自动驾驶技术领域，具体涉及一种基于云端的辅助驾驶控制***及方法，旨在解决驾驶员操作驾驶模拟器进行远程辅助驾驶控制无法实现一对多车的接管控制与调度的问题。本***包括设置于远程服务器的云端、设置于被控车辆的车辆端；车辆端与云端通过无线通讯链路连接；车辆端，配置为基于控制状态切换指令切换至远程控制状态时，获取车辆行驶环境数据、车辆驾驶行为数据并发送至云端，获取云端发送的车辆控制数据，以对车辆进行控制；云端，配置为接收车辆行驶环境数据、车辆驾驶行为数据，基于预设的自动驾驶控制模型，获取对应被控车辆的车辆控制数据，并发送至对应的车辆端。本发明通过云端实现了一对多车的接管控制及调度。

Description

基于云端的辅助驾驶控制***及方法
技术领域
本发明属于自动驾驶技术领域，具体涉及一种基于云端的辅助驾驶控制***及方法。
背景技术
近年来，自动驾驶技术发展迅速，通过对传统车辆进行改造，配置摄像头、激光雷达、高精度定位装置等传感器，可以实现在简单环境的自动驾驶。然而，由于车辆本身计算资源、功耗的限制，单体车辆难以实时高效的处理传感器数据进行自动驾驶决策规划计算，导致单体自动驾驶功能的发展受限。另外，在一些特定场景的自动驾驶车辆中，如矿山、港口、长距离物流运输等常常面临路况复杂的情况，使得单体车辆无法具有自主驾驶的决策能力，从而导致作业效率低且安全风险高的问题。由于上述情况的限制，使得很多单体车辆在无法利用车辆自身的处理器来处理传感器数据和/或复杂路况下无法进行自动驾驶决策等情况发生，因此，便有了远程应急接管需求(或远程辅助驾驶控制需求)。
进一步，由于5G通讯技术具有高可靠、低时延、大宽带特性等特点，为自动驾驶的车联网络提供了高速通道，使得远程辅助驾驶控制成为可能。
现有的远程辅助驾驶控制过程，多采用测试员监管驾驶模拟器的远程驾驶控制方式，这种针对驾驶模拟器的操作通常是人为的，一般情况下，同一时刻只能对一辆自动驾驶车辆进行辅助控制，难以进行一对多车的接管控制与调度。针对同时有多辆车需要远程辅助接管或者控制的情况，通过人为操作驾驶模拟器进行一对一控制的可扩展性差，成本较高。另外，这种远程驾驶控制方法需要通过外部设备或人为指令才可实现驾驶控制策略的自动化升级，无法实现灵活的远程驾驶控制方法的升级操作。
发明内容
为了解决现有技术中的上述问题，即为了解决驾驶员操作驾驶模拟器进行远程辅助驾驶控制无法实现一对多车的接管控制与调度的问题，本发明第一方面，提出了一种基于云端的辅助驾驶控制***，该***包括设置于远程服务器的云端、设置于被控车辆的车辆端；所述车辆端与所述云端通过无线通讯链路连接；
所述车辆端，配置为基于控制状态切换指令切换至远程控制状态时，获取第一数据并发送至所述云端，获取所述云端发送的第二数据，以对车辆进行控制；所述第一数据包括车辆行驶环境数据、车辆驾驶行为数据；所述第二数据包括车辆控制数据；
所述云端，配置为接收第一数据，基于预设的自动驾驶控制模型，计算对应被控车辆的车辆控制数据作为所述第二数据，并发送至对应的车辆端。
在一些优选的实施方式中，所述辅助驾驶控制***还包括应急接管端；所述云端还包括应急接管监测模块；所述应急接管端为人工远程遥控端；
所述应急接管监测模块，配置为在车辆控制数据计算失败时，建立所述车辆端与所述应急接管端的信息通路；
所述应急接管端，配置为接收被控车辆的第一数据，并获取人工控制信息作为车辆控制数据发送至被控车辆对应的车辆端；
所述车辆控制数据计算失败，为所述云端的自动驾驶控制模型向对应被控车辆的车辆端发送车辆控制数据的时间间隔大于预设时间阈值。
在一些优选的实施方式中，所述车辆端包括第一采集模块、第二采集模块：
所述第一采集模块，配置为实时采集车辆在运行过程中的车辆行驶环境视频数据，并实时标记时间戳形成车辆行驶环境数据；
所述第二采集模块，配置为实时获取车辆在运行过程中车辆驾驶的控制信息，并实时标记时间戳形成车辆驾驶行为数据。
在一些优选的实施方式中，所述车辆端还包括车辆控制器模块；
所述车辆控制器模块，配置为获取并解析所述第二数据，得到针对各类驾驶操纵部件的控制指令，并将其发送至对应的操纵部件的控制器中，以驱动各部件按照相应控制指令动作。
在一些优选的实施方式中，所述自动驾驶控制模型基于卷积神经网络CNN和长短期记忆网络LSTM构建。
在一些优选的实施方式中，所述自动驾驶模型设置于所述云端的自动驾驶控制模块，所述自动驾驶模块包括第一模型单元、第二模型单元；
所述第一模型单元用于基于训练样本进行模型训练，获取新的模型参数，并更新所述第二模型单元中的自动驾驶控制模型；
所述第二模型单元用于基于自动驾驶控制模型进行所述第二数据的计算。
在一些优选的实施方式中，所述云端包括数据存储模块，用于存储所述自动驾驶控制模型的训练样本；所述数据存储模块其包括第一数据存储模块、第二数据存储模块、第三数据存储模块；
所述第一数据存储模块，配置为获取所述车辆端未进行辅助驾驶控制的第一数据，将其作为第一类训练样本进行存储；
所述第二数据存储模块，配置为获取所述人工远程遥控端在真实或模拟环境下采集的第一数据，将其作为第二类训练样本进行存储；
所述第三数据存储模块，配置为获取采集车在实时运行过程中采集的第一数据，将其作为第三类训练样本进行存储。
在一些优选的实施方式中，所述无线通讯链路为5G无线通讯链路。
本发明的第二方面，提出了一种基于云端的辅助驾驶控制方法，基于上述的基于云端的辅助驾驶控制***，包括以下步骤：
步骤S100，所述车辆端基于控制状态切换指令切换至远程控制状态时，实时获取对应的被控车辆的第一数据并发送至所述云端；所述第一数据包括车辆行驶环境数据、车辆驾驶行为数据；
步骤S200，所述云端基于获取的被控车辆的第一数据，通过预设的自动驾驶控制模型，获取对应被控车辆的车辆控制数据作为第二数据，并发送至对应的车辆端；
步骤S300，所述车辆端基于获取的所述第二数据对车辆进行控制。
在一些优选的实施方式中，若所述云端获取对应被控车辆的车辆控制数据时间间隔大于预设时间阈值时，设置于远程遥控中心的人工远程遥控端获取被控车辆的第一数据，并获取人工控制信息作为车辆控制数据发送至被控车辆对应的车辆端。
本发明的有益效果：
本发明通过云端实现了一对多车的接管控制及调度。本发明通过在云端构建端到端的自动驾驶控制模型，充分利用云端资源进行自动驾驶决策的规划，大大减少了车辆端传感器成本及计算资源的需求，突破车辆端的功耗与计算资源的限制。相比于人工驾驶员操作远程遥控装置(驾驶模拟器)实现远程驾驶，端到端自动驾驶控制模型通过训练和定期更新，使得自动驾驶过程具有易扩展性，并且可以充分利用并行计算的便捷性，作用于针对多辆车的远程操控，实现多车的远程接管与调度。
同时，本发明对端到端自动驾驶过程进行监测，若端到端自动驾驶过程接管出现失误的情况，仍然可以选用人为操作的驾驶模拟器进行接管，双重接管保障，具有较高的安全性。
附图说明
通过阅读参照以下附图所做的对非限制性实施例所做的详细描述，本申请的其他特征、目的和优点将会变得更明显。
图1是本发明一种实施例的基于云端的辅助驾驶控制***的整体结构的示意图；
图2是本发明一种实施例的基于云端的辅助驾驶控制***的详细结构的示意图；
图3是本发明一种实施例的自动驾驶控制模型的训练及运用模型进行控制数据获取的示例图；
图4是本发明一种实施例的基于云端的辅助驾驶控制方法的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合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，都属于本发明保护的范围。
下面结合附图和实施例对本申请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用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
本发明的一种基于云端的辅助驾驶控制***，如图1所示，包括设置于远程服务器的云端、设置于被控车辆的车辆端；所述车辆端与所述云端通过无线通讯链路连接；
所述车辆端，配置为基于控制状态切换指令切换至远程控制状态时，获取第一数据并发送至所述云端，获取所述云端发送的第二数据，以对车辆进行控制；所述第一数据包括车辆行驶环境数据、车辆驾驶行为数据；所述第二数据包括车辆控制数据；
所述云端，配置为接收第一数据，基于预设的自动驾驶控制模型，计算对应被控车辆的车辆控制数据作为所述第二数据，并发送至对应的车辆端。
为了更清晰地对本发明基于云端的辅助驾驶控制***进行说明，下面结合附图对本发明***实施例中各***展开详述。
本发明一种实施例的基于云端的辅助驾驶控制***，包括设置于远程服务器的云端、设置于被控车辆的车辆端；所述车辆端与所述云端通过无线通讯链路连接。无人驾驶车辆的数量可以为一辆也可以为多辆，本发明对此不作具体限定。由于本发明实施例中的云端可与来自不同无人驾驶车辆进行通讯，并且与每个车辆端的通讯方法、通讯过程、数据处理方法及过程均相同。
图2为本申请实施例的基于云端的辅助驾驶控制***的具体结构示例图，其中，车辆端包括车辆无线传输模块210、第一采集模块(视频采集模块)220、第二采集模块(驾驶行为采集模块)230、车辆控制器模块240；云端包括云端无线传输模块110、自动驾驶控制模块120、视频获取模块130、数据存储模块140、应急接管监测模块150；人工远程遥控端包括驾驶模拟器310。下面分别对车辆端、云端及人工远程遥控端的各个模块进行详述。
1、车辆端
车辆无线传输模块210，通过无线通讯链路与云端连接。车辆无线传输模块210用于在***辅助驾驶控制任务运行阶段，当控制状态切换指令切换至远程控制状态时，将接收到的车辆控制数据转发至车辆控制器模块240。还用于在***辅助驾驶控制任务运行阶段，当控制状态切换指令切换至远程控制状态时，将实时接收到的车辆行驶环境数据和接管此刻的驾驶行为数据转发至云端中，接管完成后，只发送实时接收到的车辆行驶环境数据至云端，即从接管此刻开始计时，当t＝1时，发送车辆行驶环境数据和接管此刻的驾驶行为数据，当t>＝2时，只发送车辆行驶环境数据。
另外，车辆无线传输模块210，还用于将实时接收到的远程控制状态指令转发至云端，以通知云端当前无人车辆需要进行远程辅助驾驶控制任务。其中，该请求可在向云端发送当前无人车辆的实时车辆行驶环境数据和与其同步对应的实时车辆驾驶行为数据时发送，也可在之前发送。在本发明实施例中，车辆端与云端之间的通信，采用5G无线通信链路，由于5G通讯技术具有高可靠、低时延、大宽带等特性，从而可以保证本发明所述的云端驾驶***的高实时性。因而，本发明中的车辆无线传输模块210优选为5G通讯模块。
第一采集模块220，即视频采集模块，用于实时采集车辆在运行过程中的周围环境的视频数据，得到车辆在运行过程中包括前方、左后方和右后方在内的附有时序信息的视频帧(序列)数据，而后通过车辆无线传输模块210将当前视频帧(序列)数据实时传输至云端。另外，实时的车辆行驶环境数据还包括当前无人车辆的车辆识别码(例如：车辆VIN码)。其中，第一采集模块220包括：前视信息采集单元221、左后视信息采集单元222和右后视信息采集单元223。
如图2所示，前视信息采集单元221，安装在车辆顶部的中间位置，用于观看车辆前方主视角的视频信息，车辆在运行过程中表征车辆前方运行环境的附有时序信息和车辆识别码的前方视频帧(序列)数据。
左后视信息采集单元222，安装在车辆左视镜位置处，用于观看车辆左后视镜视角的环境视频信息，车辆在运行过程中表征车辆左后方运行环境的附有时序信息和车辆识别码的左后方视频帧(序列)数据。
右后视信息采集单元223，安装在车辆右视镜位置处，用于观看车辆右后视镜视角的环境视频信息，车辆在运行过程中表征车辆右后方运行环境的附有时序信息和车辆识别码的右后方视频帧(序列)数据。
车辆控制器模块240包括针对各类车辆运行相关的操纵部件的控制器，具体地，包括指令解析器241、方向盘控制器242、油门踏板控制器243和制动踏板控制器244。进一步，车辆控制器模块240用于利用指令解析器241接收并解析通过车辆无线传输模块210转发的来自云端的车辆控制数据，得到针对各类驾驶操纵部件的控制指令(方向盘转角指令、油门踏板行程指令和制动踏板行程指令)，并将其发送至对应的操纵部件的控制器(方向盘控制器242、油门踏板控制器243和制动踏板控制器244)中，以通过各类控制器驱动相应的驾驶操纵部件，按照相应控制指令操纵当前车辆。
第二采集模块230，即驾驶行为采集模块，通过车辆总线与车辆控制器模块240连接，具体地，通过车辆总线分别与车辆控制器模块240内的各类操纵部件控制器连接。第二采集模块230用于通过方向盘控制器242、油门踏板控制器243和制动踏板控制器244收集车辆在运行过程中(由车辆控制器模块240内各类车辆操纵部件的控制器)实时采集的各类驾驶操纵部件的位置状态数据，并实时标记时间戳和车辆识别码，得到同步于上述视频采集模块220实时采集到的视频帧(序列)数据的实时驾驶行为数据(序列)。其中，本发明实施例的车辆总线优选采用CAN总线。
另外，第二采集模块230，还通过车辆总线与当前无人车辆内的整车控制器(图2中未图示)连接。当整车控制器检测出当前无人车辆具有远程辅助驾驶控制需求时，生成包含车辆识别码的远程控制状态指令，并将该指令通过上述车辆无线传输模块210转发至云端。上述远程辅助驾驶控制需求优选为当前车辆内各类传感器或部件的异常情况，由整车控制器进行车辆实时故障检测得知，例如：车辆定位失效、决策异常等使得车辆不能自身完成自动驾驶能力的异常情况。
2、云端
云端无线传输模块110，通过无线通讯链路与各个车辆端连接。云端无线传输模块110用于在***辅助驾驶控制任务运行阶段，将接收到的(自动驾驶控制模块120输出的)针对每个被控车辆的车辆控制数据转发至相应被控车辆的车辆端。
另外，云端无线传输模块110，还用于在***辅助驾驶控制任务运行阶段，从接管此刻开始计时，当t＝1时，接收车辆行驶环境数据和接管时刻的车辆驾驶行为数据，当t>＝2时，只接收车辆行驶环境数据，将接收到的数据转发至自动驾驶控制模块120。此外，云端无线传输模块110还用于将实时接收到的远程控制状态指令转发至应急接管监测模块150，以对云端驾驶过程进行监控。
自动驾驶控制模块120，其包括第一模型单元121、第二模型单元122。
第一模型单元121，用于基于训练样本进行模型训练，获取新的模型参数，并更新第二模型单元中的自动驾驶控制模型。
第二模型单元122，用于基于自动驾驶控制模型进行第二数据的计算。即根据云端无线传输模块110接收到的表征当前被控车辆t＝1时的车辆行驶环境数据、车辆驾驶行为数据或t>＝2时的车辆行驶环境数据，作为在线驾驶计算的输入，调用并利用模型训练单元121预先构建的自动驾驶控制模型，直接计算同步时间下(当前视频帧数据对应的)的车辆控制数据。
视频获取模块130，用于在模型训练阶段，获取同一无人车辆的历史车辆行驶环境数据的视频帧(序列)，按照时间戳信息将来自多视角的视频帧(序列)数据进行时间对齐的视频序列预处理操作。另外，视频获取模块130还用于在运行阶段，对实时接收到的同一无人车辆的车辆行驶环境数据的视频帧(序列)，按照时间戳信息将来自多视角的视频帧(序列)数据进行时间对齐的视频序列预处理操作，以将经过视频序列预处理操作的多视角视频帧数据作为上述在线驾驶计算的输入信息。当处于接管此刻，即t＝1时，结合同步对应的实时车辆驾驶行为数据，输入至自动驾驶计算模型中，对其进行训练。
进一步，上述自动驾驶控制模块内的第一模型单元121能够用于在训练阶段，根据历史的车辆行驶环境数据和同步对应的历史的车辆驾驶行为数据对自动驾驶控制模型进行构建，以使得第二模型单元122通过创建好的端到端的自动驾驶控制模型来自动在线计算被控车辆在实时运行过程中的车辆控制数据。另外，第一模型单元121还能够用于定期根据历史的车辆行驶环境数据和同步对应的实时车辆驾驶行为数据对自动驾驶控制模型进行更新，以自动完成云端自动驾驶策略的升级。需要说明的是，本发明对模型更新的频率不作具体限定，可以根据实际需求，对自动驾驶方法的自动升级的频率进行调整和设置。
具体地，上述第一模型单元121在模型初次创建或定期更新时，如图3所示，具体执行步骤如下：
步骤一，获取历史的车辆行驶环境数据和同步对应的历史的车辆驾驶行为数据(训练集中的训练数据)，利用上述视频获取模块130，根据这两类数据内标注的时间戳，将这两类数据进行对齐，而后，将对齐后的数据作为模型训练数据，输入至当前的自动驾驶控制模型；
步骤二，利用当前的自动驾驶控制模型中的卷积神经网络(CNN网络)，提取历史的车辆行驶环境数据和同步对应的历史的车辆驾驶行为数据的图像片段特征(驾驶行为特征)；
步骤三，根据每帧图像中的驾驶行为特征，并结合时序信息，利用当前的自动驾驶控制模型中的LSTM模型，计算每帧图像中的驾驶行为特征对应的针对各驾驶操纵部件的控制数据；
步骤四，将每帧图像中的控制数据与对应时间的历史的实时车辆驾驶行为数据(序列)进行对比，得到每类驾驶行为(驾驶行为包括对方向盘、油门踏板和制动踏板的操控)控制数据的误差，利用这些误差，采用梯度下降算法，调整当前的自动驾驶控制模型中各层(卷积神经网络和LSTM网络)的参数；
步骤五，利用调整后的模型参数对自动驾驶控制模型进行训练与验证，以完成自动驾驶控制模型的初次构建或更新。
图3中运行阶段部分在下述基于云端的辅助驾驶控制方法中进行详述。
需要说明的是，本发明实施例中的第一模型单元121存储有最新构建或更新的自动驾驶控制模型，以供进行自动驾驶在线计算时进行调用。其中，在最新的当前自动驾驶控制模型中包括卷积神经网络模型和LSTM模型，卷积神经网络模型和LSTM模型依次相连，均具有多个并行计算通道，以能够对输入至不同通道的输入信息完成相应的并行数据处理任务，从而使得自动驾驶控制模型能够对输入至该模型的来自一个或多个被控车辆的实时车辆行驶环境数据和同步对应的实时车辆驾驶行为数据同时进行驾处理，并同时生成针对每个被控车辆的车辆控制数据，从而及时通过上述云端无线传输模块110转发至对应的被控车辆内。其中，在本发明实施例中，在当前的自动驾驶控制模型(初次构建前的原始卷积神经网络和LSTM模型，或者未更新前的自动驾驶计算模型)中的卷积神经网络模型和LSTM模型的并行通道数量是相等的，并且卷积神经网络模型的输出端对应于LSTM模型的输入端。
另外，在本发明实施中，为了提高本发明自动驾驶控制模型的准确度，采用多种训练数据来源方式，对历史的车辆行驶环境数据和同步对应的实时车辆驾驶行为数据进行处理并存储，以获得多种来源的训练数据。数据存储模块140，包括第一数据存储模块141，第一数据存储模块141用于获取车辆端未进行辅助驾驶控制的第一数据，并将其作为第一类训练数据进行存储；第一数据包括车辆行驶环境数据和同步对应的实时车辆驾驶行为数据。
数据存储模块140，还包括第二数据存储模块142，用于与人工远程遥控端(驾驶模拟器310)连接，用于获取利用驾驶模拟器进行的真实或模拟环境下的远程遥控驾驶过程中采集到的无人车辆在运行过程中的第一数据，并将其作为第二类训练数据进行存储。需要说明的是，本发明中的驾驶模拟器可以以实体方式(以远程驾驶遥控装置的形式)设置在远程控制中心，以在真实的驾驶环境下进行远程驾驶控制训练，或者设置在***服务器端，以在服务器端所构建的虚拟驾驶环境下进行模拟驾驶，从而通过以上方式使得第二数据存储模块142能够获得来自驾驶模拟器控制下的第二类训练数据。
数据存储模块140，还包括第三数据存储模块143，其与采集车的车辆端连接，其中，本发明实施例的还能够在数据采集车内安装采集模块，获得第三类训练数据。具体地，第三数据存储模块，进一步用于获取采集车在运行过程中实时采集到的第一数据，并将其作为第三类训练数据进行存储。
这样，上述三种途径均可以作为本发明实施例中端到端自动驾驶控制模型的训练数据，定期的进行持续反馈优化，不断提升云端的性能，实现云端的端到端自动驾驶控制模型的自动升级。本发明利用上述三种途径获取的训练数据互为补充，进一步丰富了驾驶场景与行为数据，提升端到端自动驾驶计算模型的鲁棒性与普适性。
综上所述，由于利用端到端深度学习模型实施的在线远程自动驾驶任务的易扩展性，以及并行计算的便捷性，上述技术方案可同时用于多辆车的远程操控，实现多车的远程辅助驾驶控制。
应急接管监测模块150，主要用于监控被控车辆的云端驾驶过程是否成功，在失败时，启动人工远程遥控行驶任务。具体地，在一个实施例中，应急接管监控模块150，进一步用于监控被控车辆的车辆控制数据的反馈时间，在反馈时间达到预设的接管成功时间阈值，即云端向对应被控车辆的车辆端发送车辆控制数据的时间间隔大于预设时间阈值，若未成功计算出针对当前被控车辆的车辆控制数据，则生成含有当前被控车辆的车辆识别码的远程遥控驾驶请求指令，并将该远程遥控驾驶请求指令发送至与云端服务器连接的设置于远程控制中心的驾驶模拟器310(远程遥控装置)内，利用驾驶模拟器对被控车辆进行远程的人工遥控驾驶控制。
这样，本发明实施例通过对于应急接管监控模块150的设置，在基于端到端自动驾驶控制模型的云端驾驶任务接管失误的情况下，仍然可以选用人为操作驾驶模拟器的形式进行接管，双重接管保障，具有较高的安全性。
3、人工远程遥控端
人工远程遥控端即应急接管端，主要是利用远程控制中心的驾驶模拟器对被控车辆进行辅助驾驶控制。
其中，驾驶模拟器310，用于根据应急接管监控模块150发送的远程遥控驾驶请求指令，获取需要辅助控制的车辆的识别码，若驾驶模拟器处于空闲状态，则同步被控车辆的车辆行驶环境数据、车辆驾驶行为数据，获取人工控制信息作为车辆控制数据发送至被控车辆对应的车辆端。
本发明第二实施例的一种基于云端的辅助驾驶控制方法，基于上述的基于云端的辅助驾驶控制***，如图4所示，包括以下步骤：
步骤S100，所述车辆端基于控制状态切换指令切换至远程控制状态时，实时获取对应的被控车辆的第一数据并发送至所述云端；所述第一数据包括车辆行驶环境数据、车辆驾驶行为数据；
步骤S200，所述云端基于获取的被控车辆的第一数据，通过预设的自动驾驶控制模型，获取对应被控车辆的车辆控制数据作为第二数据，并发送至对应的车辆端；
步骤S300，所述车辆端基于获取的所述第二数据对车辆进行控制。
为了更清晰地对基于云端的辅助驾驶控制方法进行说明，下面结合附图对本发明方法一种实施例中各步骤进行展开详述。
步骤S100，所述车辆端基于控制状态切换指令切换至远程控制状态时，实时获取对应的被控车辆的第一数据并发送至所述云端；所述第一数据包括车辆行驶环境数据、车辆驾驶行为数据。
在本实施例中，通过整车控制器加测当前车辆各传感器或部件的异常情况，当检测出异常情况，基于控制状态切换指令切换至远程控制状态，车辆端获取当前车辆的车辆行驶环境数据、车辆驾驶行为数据通过无线通讯链路发送至云端。
步骤S200，所述云端基于获取的被控车辆的第一数据，通过预设的自动驾驶控制模型，获取对应被控车辆的车辆控制数据作为第二数据，并发送至对应的车辆端。
本实施例中，云端基于接收到的请求被控车辆的第一数据，通过训练好的自动驾驶控制模型，获取被控车辆的车辆控制数据，发送至对应的车辆端。
步骤S300，所述车辆端基于获取的所述第二数据对车辆进行控制。
在本实施例中，基于接收到的车辆控制数据，通过车辆控制器模块进行解析，得到针对各类驾驶操纵部件的控制指令，并将其发送至对应的操纵部件的控制器中，以驱动各部件按照相应控制指令动作。
其中，自动驾驶控制模型的训练过程参考第一模型单元121的更新过程。同时本发明可以根据历史获取的数据定期对模型进行更新，以自动完成远程云端自动驾驶策略的升级。
另外，上述步骤中，当控制状态切换指令切换至远程控制状态，此时云端开始接管，并从接管此刻开始计时，当t＝1，获取当前车辆的车辆行驶环境数据、车辆驾驶行为数据，当接管后，即t>＝2时，只需要获取当前车辆的车辆行驶环境数据，然后根据上一步推理计算出来的车辆控制数据，获取当前时刻的车辆控制数据发送至车辆端，直至接管结束。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (10)

1.一种基于云端的辅助驾驶控制***，其特征在于，该***包括设置于远程服务器的云端、设置于被控车辆的车辆端；所述车辆端与所述云端通过无线通讯链路连接；
所述车辆端，配置为基于控制状态切换指令切换至远程控制状态时，获取第一数据并发送至所述云端，获取所述云端发送的第二数据，以对车辆进行控制；所述第一数据包括车辆行驶环境数据、车辆驾驶行为数据；所述第二数据包括车辆控制数据；
所述云端，配置为接收第一数据，基于预设的自动驾驶控制模型，计算对应被控车辆的车辆控制数据作为所述第二数据，并发送至对应的车辆端。
2.根据权利要求1所述的基于云端的辅助驾驶控制***，其特征在于，所述辅助驾驶控制***还包括应急接管端；所述云端还包括应急接管监测模块；所述应急接管端为人工远程遥控端；
所述应急接管监测模块，配置为在车辆控制数据计算失败时，建立所述车辆端与所述应急接管端的信息通路；
所述应急接管端，配置为接收被控车辆的第一数据，并获取人工控制信息作为车辆控制数据发送至被控车辆对应的车辆端；
所述车辆控制数据计算失败，为所述云端的自动驾驶控制模型向对应被控车辆的车辆端发送车辆控制数据的时间间隔大于预设时间阈值。
3.根据权利要求1所述的基于云端的辅助驾驶控制***，其特征在于，所述车辆端包括第一采集模块、第二采集模块；
所述第一采集模块，配置为实时采集车辆在运行过程中的车辆行驶环境视频数据，并实时标记时间戳形成车辆行驶环境数据；
所述第二采集模块，配置为实时获取车辆在运行过程中车辆驾驶的控制信息，并实时标记时间戳形成车辆驾驶行为数据。
4.根据权利要求1所述的基于云端的辅助驾驶控制***，其特征在于，所述车辆端还包括车辆控制器模块；
所述车辆控制器模块，配置为获取并解析所述第二数据，得到针对各类驾驶操纵部件的控制指令，并将其发送至对应的操纵部件的控制器中，以驱动各部件按照相应控制指令动作。
5.根据权利要求1-4任一项所述的基于云端的辅助驾驶控制***，其特征在于，所述自动驾驶控制模型基于卷积神经网络CNN和长短期记忆网络LSTM构建。
6.根据权利要求1-4任一项所述的基于云端的辅助驾驶控制***，其特征在于，所述自动驾驶模型设置于所述云端的自动驾驶控制模块，所述自动驾驶模块包括第一模型单元、第二模型单元；
所述第一模型单元用于基于训练样本进行模型训练，获取新的模型参数，并更新所述第二模型单元中的自动驾驶控制模型；
所述第二模型单元用于基于自动驾驶控制模型进行所述第二数据的计算。
7.根据权利要求1-4任一项所述的基于云端的辅助驾驶控制***，其特征在于，所述云端包括数据存储模块，用于存储所述自动驾驶控制模型的训练样本；所述数据存储模块其包括第一数据存储模块、第二数据存储模块、第三数据存储模块；
所述第一数据存储模块，配置为获取所述车辆端未进行辅助驾驶控制的第一数据，将其作为第一类训练样本进行存储；
所述第二数据存储模块，配置为获取所述人工远程遥控端在真实或模拟环境下采集的第一数据，将其作为第二类训练样本进行存储；
所述第三数据存储模块，配置为获取采集车在实时运行过程中采集的第一数据，将其作为第三类训练样本进行存储。
8.根据权利要求1所述的基于云端的辅助驾驶控制***，其特征在于，所述无线通讯链路为5G无线通讯链路。
9.一种基于云端的辅助驾驶控制方法，其特征在于，基于权利要求1-8任一项所述的基于云端的辅助驾驶控制***，包括以下步骤：
步骤S100，所述车辆端基于控制状态切换指令切换至远程控制状态时，实时获取对应的被控车辆的第一数据并发送至所述云端；所述第一数据包括车辆行驶环境数据、车辆驾驶行为数据；
步骤S200，所述云端基于获取的被控车辆的第一数据，通过预设的自动驾驶控制模型，获取对应被控车辆的车辆控制数据作为第二数据，并发送至对应的车辆端；
步骤S300，所述车辆端基于获取的所述第二数据对车辆进行控制。
10.根据权利要求9所述的基于云端的辅助驾驶控制方法，其特征在于，若所述云端获取对应被控车辆的车辆控制数据时间间隔大于预设时间阈值时，设置于远程遥控中心的人工远程遥控端获取被控车辆的第一数据，并获取人工控制信息作为车辆控制数据发送至被控车辆对应的车辆端。
CN201911238364.2A 2019-12-06 2019-12-06 基于云端的辅助驾驶控制***及方法 Pending CN110850711A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911238364.2A CN110850711A (zh) 2019-12-06 2019-12-06 基于云端的辅助驾驶控制***及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911238364.2A CN110850711A (zh) 2019-12-06 2019-12-06 基于云端的辅助驾驶控制***及方法

Publications (1)

Publication Number Publication Date
CN110850711A true CN110850711A (zh) 2020-02-28

Family

ID=69608391

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911238364.2A Pending CN110850711A (zh) 2019-12-06 2019-12-06 基于云端的辅助驾驶控制***及方法

Country Status (1)

Country Link
CN (1) CN110850711A (zh)

Cited By (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111428646A (zh) * 2020-03-25 2020-07-17 东风汽车集团有限公司 一种基于边缘云计算的驾驶员接管保障方法及***
CN111477030A (zh) * 2020-04-14 2020-07-31 北京汽车集团有限公司 车辆协同避险方法、车端平台、云端平台及存储介质
CN111688719A (zh) * 2020-06-28 2020-09-22 广州小鹏汽车科技有限公司 一种驾驶方法和装置
CN111856966A (zh) * 2020-07-14 2020-10-30 东风汽车集团有限公司 一种用于5g平行驾驶***的hil仿真测试***及方法
CN112000104A (zh) * 2020-08-28 2020-11-27 清华大学 一种基于云服务的无人车***
CN112085563A (zh) * 2020-09-04 2020-12-15 浪潮云信息技术股份公司 一种基于cnn的云硬盘资源管理方法
CN112351102A (zh) * 2020-11-10 2021-02-09 上海汽车集团股份有限公司 一种远程驾驶方法和***
CN112389464A (zh) * 2020-10-19 2021-02-23 雅析安全***(上海)有限公司 符合安全等级要求的自动驾驶远端控制方法及控制***
CN112650247A (zh) * 2020-12-22 2021-04-13 北京百度网讯科技有限公司 远程控制方法、驾驶舱、云端服务器及自动驾驶车辆
CN112702660A (zh) * 2020-12-18 2021-04-23 北京百度网讯科技有限公司 多媒体数据的传输方法、装置、自动驾驶车辆及云服务器
CN112721952A (zh) * 2021-01-29 2021-04-30 重庆长安汽车股份有限公司 一种l3级自动驾驶汽车的复杂路段行驶控制方法、装置、汽车及计算机存储介质
CN113110415A (zh) * 2021-03-17 2021-07-13 北京汽车研究总院有限公司 无人驾驶车辆及其控制方法、***以及云端、存储介质
CN113132474A (zh) * 2021-04-14 2021-07-16 东软睿驰汽车技术（沈阳）有限公司 一种自动驾驶车辆的控制方法、装置及设备
CN113260548A (zh) * 2020-05-20 2021-08-13 深圳元戎启行科技有限公司 管理车辆控制器的方法及控制设备、远程控制车辆的方法
CN113285993A (zh) * 2021-05-17 2021-08-20 科大讯飞股份有限公司 远程辅助驾驶接入匹配方法、装置以及设备
CN113459971A (zh) * 2021-06-27 2021-10-01 深圳新联胜光电科技有限公司 一种车辆行驶数据采集方法及***
CN113570936A (zh) * 2021-07-22 2021-10-29 广州小鹏汽车科技有限公司 模拟驾驶器接口处理方法、远程控制平台及***
CN113596621A (zh) * 2021-07-01 2021-11-02 上海华兴数字科技有限公司 工程设备远程控制/受控方法和远程控制的信息处理方法
CN113589820A (zh) * 2021-08-12 2021-11-02 广州小鹏自动驾驶科技有限公司 远程驾驶的辅助处理方法、装置及***
CN113821010A (zh) * 2021-08-11 2021-12-21 安途智行(北京)科技有限公司 自动驾驶车辆路测的监控方法
CN113867315A (zh) * 2021-09-24 2021-12-31 同济大学 一种虚实结合的高保真交通流智能车测试平台及测试方法
CN113904959A (zh) * 2021-11-02 2022-01-07 广州小鹏自动驾驶科技有限公司 一种时延分析方法、装置、车辆、存储介质
CN114115246A (zh) * 2021-11-09 2022-03-01 上海车右智能科技有限公司 一种远程驾驶辅助***及其方法
CN114194210A (zh) * 2021-11-19 2022-03-18 岚图汽车科技有限公司 一种高速公路领航***、控制方法及其设备
CN114464006A (zh) * 2022-04-13 2022-05-10 新石器慧通（北京）科技有限公司 自动驾驶车辆的分配方法和装置
CN114500502A (zh) * 2022-01-11 2022-05-13 武汉格罗夫氢能汽车有限公司 一种车载T-box数据的远程传输方法
CN114895682A (zh) * 2022-05-19 2022-08-12 上海伯镭智能科技有限公司 一种基于云端数据的无人驾驶矿车行走参数校正方法及***
CN115209164A (zh) * 2022-07-13 2022-10-18 郑州大学 基于区块链的多视点视频发送方法、服务器及存储介质
WO2022257056A1 (zh) * 2021-06-10 2022-12-15 深圳元戎启行科技有限公司 车辆自动驾驶***、方法、装置、计算机设备和存储介质
CN115497318A (zh) * 2022-09-28 2022-12-20 东风悦享科技有限公司 一种适用于公开道路远程驾驶的辅助驾驶平台
WO2023050606A1 (zh) * 2021-09-30 2023-04-06 中睿智能交通技术有限公司 一种车辆远程插值拟合顺畅控制方法及装置
CN116302010A (zh) * 2023-05-22 2023-06-23 安徽中科星驰自动驾驶技术有限公司 自动驾驶***升级包生成方法、装置、计算机设备及介质
WO2024007691A1 (zh) * 2022-07-07 2024-01-11 腾讯科技（深圳）有限公司 远程驾驶的控制方法、装置、计算机可读介质及电子设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2984795A1 (en) * 2015-05-06 2016-11-10 Crown Equipment Corporation Diagnostic tag for an industrial vehicle tag reader
CN106375738A (zh) * 2016-11-28 2017-02-01 东莞职业技术学院 智能车视频无人驾驶控制装置及***
CN108023937A (zh) * 2017-11-10 2018-05-11 北京汽车股份有限公司 用于车辆的交换机、车辆远程控制***、方法及车辆
CN108428357A (zh) * 2018-03-22 2018-08-21 青岛慧拓智能机器有限公司 一种用于智能网联车的平行遥控驾驶***
CN108520238A (zh) * 2018-04-10 2018-09-11 东华大学 一种基于深度预测编码网络的夜视图像的场景预测方法
CN108549384A (zh) * 2018-05-21 2018-09-18 济南浪潮高新科技投资发展有限公司 一种5g环境下远程控制自动驾驶方法
CN109446897A (zh) * 2018-09-19 2019-03-08 清华大学 基于图像上下文信息的场景识别方法及装置
CN109597412A (zh) * 2018-12-06 2019-04-09 江苏萝卜交通科技有限公司 一种无人驾驶***及其控制方法
CN109656134A (zh) * 2018-12-07 2019-04-19 电子科技大学 一种基于时空联合递归神经网络的智能车端到端决策方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2984795A1 (en) * 2015-05-06 2016-11-10 Crown Equipment Corporation Diagnostic tag for an industrial vehicle tag reader
CN106375738A (zh) * 2016-11-28 2017-02-01 东莞职业技术学院 智能车视频无人驾驶控制装置及***
CN108023937A (zh) * 2017-11-10 2018-05-11 北京汽车股份有限公司 用于车辆的交换机、车辆远程控制***、方法及车辆
CN108428357A (zh) * 2018-03-22 2018-08-21 青岛慧拓智能机器有限公司 一种用于智能网联车的平行遥控驾驶***
CN108520238A (zh) * 2018-04-10 2018-09-11 东华大学 一种基于深度预测编码网络的夜视图像的场景预测方法
CN108549384A (zh) * 2018-05-21 2018-09-18 济南浪潮高新科技投资发展有限公司 一种5g环境下远程控制自动驾驶方法
CN109446897A (zh) * 2018-09-19 2019-03-08 清华大学 基于图像上下文信息的场景识别方法及装置
CN109597412A (zh) * 2018-12-06 2019-04-09 江苏萝卜交通科技有限公司 一种无人驾驶***及其控制方法
CN109656134A (zh) * 2018-12-07 2019-04-19 电子科技大学 一种基于时空联合递归神经网络的智能车端到端决策方法

Cited By (44)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111428646A (zh) * 2020-03-25 2020-07-17 东风汽车集团有限公司 一种基于边缘云计算的驾驶员接管保障方法及***
CN111428646B (zh) * 2020-03-25 2023-01-24 东风汽车集团有限公司 一种基于边缘云计算的驾驶员接管保障方法及***
CN111477030A (zh) * 2020-04-14 2020-07-31 北京汽车集团有限公司 车辆协同避险方法、车端平台、云端平台及存储介质
WO2021232285A1 (zh) * 2020-05-20 2021-11-25 深圳元戎启行科技有限公司 管理车辆控制器的方法及控制设备、远程控制车辆的方法
CN113260548A (zh) * 2020-05-20 2021-08-13 深圳元戎启行科技有限公司 管理车辆控制器的方法及控制设备、远程控制车辆的方法
CN113260548B (zh) * 2020-05-20 2024-04-19 深圳元戎启行科技有限公司 管理车辆控制器的方法及控制设备、远程控制车辆的方法
CN111688719A (zh) * 2020-06-28 2020-09-22 广州小鹏汽车科技有限公司 一种驾驶方法和装置
CN111856966A (zh) * 2020-07-14 2020-10-30 东风汽车集团有限公司 一种用于5g平行驾驶***的hil仿真测试***及方法
CN112000104A (zh) * 2020-08-28 2020-11-27 清华大学 一种基于云服务的无人车***
CN112085563A (zh) * 2020-09-04 2020-12-15 浪潮云信息技术股份公司 一种基于cnn的云硬盘资源管理方法
CN112389464A (zh) * 2020-10-19 2021-02-23 雅析安全***(上海)有限公司 符合安全等级要求的自动驾驶远端控制方法及控制***
CN112351102A (zh) * 2020-11-10 2021-02-09 上海汽车集团股份有限公司 一种远程驾驶方法和***
CN112702660A (zh) * 2020-12-18 2021-04-23 北京百度网讯科技有限公司 多媒体数据的传输方法、装置、自动驾驶车辆及云服务器
CN112702660B (zh) * 2020-12-18 2023-11-10 北京百度网讯科技有限公司 多媒体数据的传输方法、装置、自动驾驶车辆及云服务器
CN112650247A (zh) * 2020-12-22 2021-04-13 北京百度网讯科技有限公司 远程控制方法、驾驶舱、云端服务器及自动驾驶车辆
CN112721952A (zh) * 2021-01-29 2021-04-30 重庆长安汽车股份有限公司 一种l3级自动驾驶汽车的复杂路段行驶控制方法、装置、汽车及计算机存储介质
CN112721952B (zh) * 2021-01-29 2022-07-05 重庆长安汽车股份有限公司 一种l3级自动驾驶汽车的复杂路段行驶控制方法、装置、汽车及计算机存储介质
CN113110415A (zh) * 2021-03-17 2021-07-13 北京汽车研究总院有限公司 无人驾驶车辆及其控制方法、***以及云端、存储介质
CN113132474A (zh) * 2021-04-14 2021-07-16 东软睿驰汽车技术（沈阳）有限公司 一种自动驾驶车辆的控制方法、装置及设备
CN113285993A (zh) * 2021-05-17 2021-08-20 科大讯飞股份有限公司 远程辅助驾驶接入匹配方法、装置以及设备
WO2022257056A1 (zh) * 2021-06-10 2022-12-15 深圳元戎启行科技有限公司 车辆自动驾驶***、方法、装置、计算机设备和存储介质
CN113459971B (zh) * 2021-06-27 2023-10-03 深圳新联胜光电科技有限公司 一种车辆行驶数据采集方法及***
CN113459971A (zh) * 2021-06-27 2021-10-01 深圳新联胜光电科技有限公司 一种车辆行驶数据采集方法及***
CN113596621A (zh) * 2021-07-01 2021-11-02 上海华兴数字科技有限公司 工程设备远程控制/受控方法和远程控制的信息处理方法
CN113570936A (zh) * 2021-07-22 2021-10-29 广州小鹏汽车科技有限公司 模拟驾驶器接口处理方法、远程控制平台及***
CN113821010A (zh) * 2021-08-11 2021-12-21 安途智行(北京)科技有限公司 自动驾驶车辆路测的监控方法
CN113589820A (zh) * 2021-08-12 2021-11-02 广州小鹏自动驾驶科技有限公司 远程驾驶的辅助处理方法、装置及***
CN113867315A (zh) * 2021-09-24 2021-12-31 同济大学 一种虚实结合的高保真交通流智能车测试平台及测试方法
WO2023050606A1 (zh) * 2021-09-30 2023-04-06 中睿智能交通技术有限公司 一种车辆远程插值拟合顺畅控制方法及装置
CN113904959A (zh) * 2021-11-02 2022-01-07 广州小鹏自动驾驶科技有限公司 一种时延分析方法、装置、车辆、存储介质
CN113904959B (zh) * 2021-11-02 2023-04-07 广州小鹏自动驾驶科技有限公司 一种时延分析方法、装置、车辆、存储介质
CN114115246B (zh) * 2021-11-09 2024-01-23 上海车右智能科技有限公司 一种远程驾驶辅助***及其方法
CN114115246A (zh) * 2021-11-09 2022-03-01 上海车右智能科技有限公司 一种远程驾驶辅助***及其方法
CN114194210A (zh) * 2021-11-19 2022-03-18 岚图汽车科技有限公司 一种高速公路领航***、控制方法及其设备
CN114500502A (zh) * 2022-01-11 2022-05-13 武汉格罗夫氢能汽车有限公司 一种车载T-box数据的远程传输方法
CN114464006B (zh) * 2022-04-13 2022-06-28 新石器慧通（北京）科技有限公司 自动驾驶车辆的分配方法和装置
CN114464006A (zh) * 2022-04-13 2022-05-10 新石器慧通（北京）科技有限公司 自动驾驶车辆的分配方法和装置
CN114895682A (zh) * 2022-05-19 2022-08-12 上海伯镭智能科技有限公司 一种基于云端数据的无人驾驶矿车行走参数校正方法及***
CN114895682B (zh) * 2022-05-19 2024-04-30 上海伯镭智能科技有限公司 一种基于云端数据的无人驾驶矿车行走参数校正方法及***
WO2024007691A1 (zh) * 2022-07-07 2024-01-11 腾讯科技（深圳）有限公司 远程驾驶的控制方法、装置、计算机可读介质及电子设备
CN115209164B (zh) * 2022-07-13 2023-04-07 郑州大学 基于区块链的多视点视频发送方法、服务器及存储介质
CN115209164A (zh) * 2022-07-13 2022-10-18 郑州大学 基于区块链的多视点视频发送方法、服务器及存储介质
CN115497318A (zh) * 2022-09-28 2022-12-20 东风悦享科技有限公司 一种适用于公开道路远程驾驶的辅助驾驶平台
CN116302010A (zh) * 2023-05-22 2023-06-23 安徽中科星驰自动驾驶技术有限公司 自动驾驶***升级包生成方法、装置、计算机设备及介质

Similar Documents

Publication Publication Date Title
CN110850711A (zh) 基于云端的辅助驾驶控制***及方法
US11842638B2 (en) Parallel remote control driving system for intelligent network vehicle
CN109808705B (zh) 一种用于远程遥控驾驶控制的***
CN113327442B (zh) 一种基于端云融合的协同控制***及方法
CN109131345B (zh) 交通工具和控制交通工具的方法和***
CN112415904B (zh) 一种自动驾驶车辆的远程控制方法、装置及***
US20170262330A1 (en) Computer system and method for safety-critical applications
CN112650279B (zh) 用于飞机的云飞行管理***及云飞行管理方法
EP4280573A1 (en) Method for returning data on vehicle, controller on vehicle, cloud server, and vehicle
CN116931596A (zh) 一种飞行程序自动编排的无人机飞行***
CN108919798B (zh) 一种基于混合函数域的网联智能车辆编队行驶控制方法
US20220250637A1 (en) Vehicle control and task processing method and apparatus, computing device and system
CN109918390A (zh) 船舶自主航行的异常处理方法和***
CN115755923A (zh) 一种智能车辆地图的交互方法、装置、设备及存储介质
CN114996343A (zh) 一种低速风洞试验数据处理方法、设备及存储介质
KR101190598B1 (ko) 정지궤도 위성의 이상상태에서 정상모드로 전환 자동화 장치 및 방법
CN113211434A (zh) 一种基于物联网的ar复杂***装备远程维修***
CN113110584A (zh) 多旋翼飞行器云后台网络***及其控制方法
CN112666980B (zh) 一种无人机集群协作***、协作方法及无人机集群
CN116744368B (zh) 基于云边端架构的智能协同异构空地无人***及实现方法
CN116698059B (zh) 高精地图参考线的处理方法、存储介质与设备
CN117539230B (zh) 智驾域控制器领航辅助功能测试方法、设备和存储介质
CN115107791A (zh) 一种触发数据采集的方法、数据采集的方法及装置
CN108766003B (zh) 智能车辆及其行驶控制方法
CN113037867B (zh) 一种多型无人机统一数据接入与处理***

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200228