CN113071515B - 可移动载体控制方法、装置、可移动载体及存储介质 - Google Patents
可移动载体控制方法、装置、可移动载体及存储介质 Download PDFInfo
- Publication number
- CN113071515B CN113071515B CN202110353481.4A CN202110353481A CN113071515B CN 113071515 B CN113071515 B CN 113071515B CN 202110353481 A CN202110353481 A CN 202110353481A CN 113071515 B CN113071515 B CN 113071515B
- Authority
- CN
- China
- Prior art keywords
- current
- movable carrier
- target
- takeover
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000008859 change Effects 0.000 claims abstract description 102
- 230000006399 behavior Effects 0.000 claims description 17
- 238000004088 simulation Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 9
- 230000002093 peripheral effect Effects 0.000 abstract description 16
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/18—Propelling the vehicle
- B60W30/182—Selecting between different operative modes, e.g. comfort and performance modes
-
- 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
- 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
- B60W40/06—Road 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明属于自动驾驶技术领域,公开了一种可移动载体控制方法、装置、可移动载体及存储介质。该方法包括:获取目标可移动载体所处的当前道路类型,并获取所述目标可移动载体的当前行驶信息;确定所述目标可移动载体周围的可移动对象的变化趋势;根据变化趋势、当前行驶信息及当前道路类型确定当前接管场景类型;基于所述当前接管场景类型生成对应的当前接管事件;根据所述当前接管事件确定对应的目标执行指令。通过上述方式,根据当前道路类型、目标可移动载体的行驶信息及周边可移动对象的变化趋势来确定对应的接管场景,采取合适的接管操作,对目标可移动载体进行控制,保证无人驾驶状态时目标可移动载体的安全行驶。
Description
技术领域
本发明涉及自动驾驶技术领域,尤其涉及一种可移动载体控制方法、装置、可移动载体及存储介质。
背景技术
随着科技的发展,自动驾驶技术逐渐成熟,针对可移动载体的自动驾驶方案也逐渐多样化,但随之而来的是针对能够实现自动驾驶的可移动载体的接管问题,例如,针对无人车的自动驾驶,在行驶过程中如果遇到需要接管的事件或问题,均需要由用户或者管理员进行人工接管,从自动驾驶转换到人工驾驶,从而影响了用户体验。
发明内容
本发明的主要目的在于提供一种可移动载体控制方法、装置、可移动载体及存储介质,旨在解决现有技术可移动载体遇到接管问题时仍需要人工接管的技术问题。
为实现上述目的,本发明提供了一种可移动载体控制方法,所述方法包括以下步骤:
获取目标可移动载体所处的当前道路类型,并获取所述目标可移动载体的当前行驶信息;
确定所述目标可移动载体周围的可移动对象的变化趋势;
根据所述变化趋势、所述当前行驶信息及所述当前道路类型确定当前接管场景类型;
基于所述当前接管场景类型生成对应的当前接管事件;
根据所述当前接管事件确定对应的目标执行指令。
可选地,所述确定所述目标可移动载体周围的可移动对象的变化趋势,具体包括:
获取所述目标可移动载体周围的当前图像信息和当前点云信息;
根据所述当前图像信息和所述当前点云信息进行融合,得到当前三维图像信息;
根据所述当前三维图像信息和历史三维图像信息,确定所述目标可移动载体周围可移动对象的变化趋势。
可选地,所述变化趋势包括流量变化趋势和速度变化趋势;
所述根据所述当前三维图像信息和历史三维图像信息,确定所述目标可移动载体周围可移动对象的变化趋势,具体包括:
根据所述当前三维图像信息和所述历史三维图像信息中获得所述可移动对象的流量差异和位置变化信息,并获得所述三维图像信息和所述历史三维图像信息的时间间隔信息;
基于所述流量差异和所述时间间隔信息通过拟合预测模型得到所述可移动对象的流量变化曲线;
根据所述流量变化曲线的斜率得到所述可移动对象的流量变化趋势;
基于所述位置变化信息和所述时间间隔信息通过拟合预测模型得到所述可移动对象的速度变化曲线;
根据所述速度变化曲线的斜率得到所述可移动对象的速度变化趋势。
可选地,所述根据所述变化趋势、所述当前行驶信息及所述当前道路类型确定当前接管场景类型,具体包括:
提取所述当前道路类型的纹理特征,基于所述变化趋势及所述纹理特征通过道路检测模型,确定当前场景的复杂程度;
获取所述当前行驶信息中的第一行驶方向、第一行驶位置及第一行驶速度;
根据三维图像信息获取所述目标可移动载体周边的可移动对象的第二行驶方向、第二行驶位置及第二行驶速度;
基于所述第一行驶方向、第一行驶位置、第一行驶速度、第二行驶方向、第二行驶位置及第二行驶速度确定所述目标可移动载体与所述可移动对象的相对位置、相对行驶方向及相对行驶速度,并将所述相对位置、相对行驶方向及相对行驶速度作为相对行驶数据;
根据所述复杂程度及所述相对行驶数据进行碰撞预测模拟,以获得碰撞风险预估结果;
根据所述碰撞风险预估结果,确定对应的当前接管场景类型。
可选地,所述根据三维图像信息获取所述目标可移动载体周边的可移动对象的第二行驶方向、第二行驶位置及第二行驶速度,具体包括:
根据所述三维图像获取所述可移动对象的第二行驶速度及第二行驶位置;
提取所述三维图像中所述可移动对象的警示特征;
根据所述警示特征、所述行驶速度及所述行驶位置通过预设行为预测模型,得到所述可移动对象的预测第二行驶方向。
可选地,所述根据所述当前接管事件确定对应的目标执行指令,具体包括:
将所述接管事件发送至服务器,以使所述服务器根据所述接管事件反馈对应的事件解决指令;
在接收到所述事件解决指令时,预测自动驾驶的下一时刻的待操作指令;
对所述待操作指令与所述事件解决指令进行比较,以获得目标执行指令。
可选地,所述对所述待操作指令与所述事件解决指令进行比较,以获得目标执行指令,具体包括:
获取当前道路类型对应的预置道路安全范围;
根据所述目标可移动载体当前行驶信息及所述待操作指令通过预设行为预测模型,得到所述目标可移动载体预测行驶状态超过所述预置道路安全范围的第一可能性值;
根据所述目标可移动载体当前行驶信息及所述事件解决指令通过预设行为预测模型,得到所述目标可移动载体预测行驶状态超过所述预置道路安全范围的第二可能性值;
将所述第一可能性值与所述第二可能性值中数值较小的可能性值作为目标可能性值;
确定所述目标可能性值对应的指令,并将确定的指令作为目标执行指令。
此外,为实现上述目的,本发明还提出一种可移动载体控制装置,所述可移动载体控制装置包括:
信息获取模块,用于获取目标可移动载体所处的当前道路类型,并获取所述目标可移动载体的当前行驶信息;
趋势确定模块,用于确定所述目标可移动载体周围的可移动对象的变化趋势;
类型确定模块,还用于根据所述变化趋势、所述当前行驶信息及所述当前道路类型确定当前接管场景类型;
事件生成模块,用于基于所述当前接管场景类型生成对应的当前接管事件;
指令确定模块,用于根据所述当前接管事件确定对应的目标执行指令。
此外,为实现上述目的,本发明还提供一种服务器,其特征在于,所述服务器包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的可移动载体控制程序,所述可移动载体控制程序配置为实现如上所述的可移动载体控制方法的步骤。
此外,为实现上述目的,本发明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上存储有可移动载体控制程序,所述可移动载体控制程序被处理器执行时实现如上所述的可移动载体控制方法的步骤。
本发明通过获取目标可移动载体所处的当前道路类型,并获取所述目标可移动载体的当前行驶信息;确定所述目标可移动载体周围的可移动对象的变化趋势;根据所述变化趋势、所述当前行驶信息及所述当前道路类型确定当前接管场景类型;基于所述当前接管场景类型生成对应的当前接管事件;根据所述当前接管事件确定对应的目标执行指令。通过上述方式,根据当前道路类型、目标可移动载体的行驶信息及周边可移动对象的变化趋势来确定对应的接管场景类型,根据接管场景类型采取合适的接管执行指令从而对目标可移动载体进行控制,能够保证无人驾驶状态时在遇到接管问题时可移动载体能够通过自身和服务器来解决当前问题,提高了自动驾驶的智能性,同时保证可移动载体的安全行驶,并改善了用户的体验。
附图说明
图1为本发明可移动载体控制方法第一实施例的流程示意图;
图2为本发明可移动载体控制方法第二实施例中步骤S30的流程示意图;
图3为本发明实施例中目标可移动载体和周围可移动对象位置关系的示意图;
图4为本发明可移动载体控制方法第三实施例步骤S50的流程示意图;
图5为本发明可移动载体控制装置一实施例的结构框图;
图6是本发明实施例方案涉及的硬件运行环境的可移动载体的结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明一种可移动载体控制方法第一实施例的流程示意图。
本实施例中,所述可移动载体控制方法包括以下步骤:
步骤S10,获取目标可移动载体所处的当前道路类型,并获取所述目标可移动载体的当前行驶信息。
需要说明的是,本实施例的执行主体为可移动载体,所述可移动载体可有多种表现形式,例如汽车,机器人,飞行器等具有移动能力的载体,本实施例对此不加以限制。
可以理解的是,通过目标可移动载体上带有的摄像头和传感器进行图像采集,获取目标可移动载体所处的周边道路信息,通过识别检测算法来得到当前道路类型,在具体实施例中,当前道路类型可为隧道、高架桥、公路或为崎岖山路,也可为其他道路类型,本实施例对此不加以限制。
可以理解的是,所述当前行驶信息包括但不限于目标可移动载体的行驶速度、行驶方向、行驶加速度及行驶过程中的侧倾角等信息。
步骤S20,确定所述目标可移动载体周围的可移动对象的变化趋势。
需要说明的是,目标可移动载体所处的当前环境中会存在可移动对象,例如人、货车、自行车等等,会对目标可移动载体的行驶造成一定的影响,会有发生碰撞或者刮蹭的可能,故而,需要实时获取目标可移动载体周边的可移动对象的变化趋势。
应当理解的是,对于目标可移动载体的行驶而言,需要获取周边信息来进一步得到目标可移动载体周围可移动对象的变化趋势,在本实施例中确定所述目标可移动载体周围的可移动对象的变化趋势,可具体包括:
获取所述目标可移动载体周围的当前图像信息和当前点云信息;根据所述当前图像信息和所述当前点云信息进行融合,得到当前三维图像信息;根据所述当前三维图像信息和历史三维图像信息,确定所述目标可移动载体周围可移动对象的变化趋势,通过将当前三维图像信息和历史三维图像信息进行比对,确定周围可移动对象的变化趋势,使后续对于确定接管场景类型的过程更为准确。
需要说明的是,所述点云信息是通过LiDAR(Light Detection And Ranging)获取到的数据信息。
在具体实现中,所述图像信息和点云信息中,都会有对应的时间数据,通过目标可移动终端和目标可移动终端连接的云端采集到的图像信息,将获取到的图像信息和点云信息进行对应时间上的匹配融合,得到目标可移动载体周边的三维图像信息,假设图像信息中包含的数据为{C1、C2、C3……、Cn},点云信息中包含的数据为{Q1、Q2、Q3……、Qn},其中,1、2、3、……、n分别代表不同的时间,此时将图像数据和点云数据按照对应时间进行匹配融合,例如,将{C1,Q1}作为时间1对应的历史三维图像信息中所包含的数据,将{C2,Q2}作为时间2对应的历史三维图像中所包含的数据,......,将{Cn,Qn}作为时间n对应的当前三维图像信息中所包含的数据。
可以理解的是,根据当前三维图像信息与历史三维图像信息的比对结果,能够确定目标可移动载体周围可移动对象的变化趋势,但可移动对象的变化趋势包括流量变化趋势和速度变化趋势,对于流量变化趋势和速度变化趋势有具体的分析方式,本实施例中,所述根据所述当前三维图像信息和历史三维图像信息,确定所述目标可移动载体周围可移动对象的变化趋势,可具体包括:
根据所述当前三维图像信息和所述历史三维图像信息中获得所述可移动对象的流量差异和位置变化信息,并获得所述三维图像信息和所述历史三维图像信息的时间间隔信息;基于所述流量差异和所述时间间隔信息通过拟合预测模型得到所述可移动对象的流量变化曲线;根据所述流量变化曲线的斜率得到所述可移动对象的流量变化趋势;基于所述位置变化信息和所述时间间隔信息通过拟合预测模型得到所述可移动对象的速度变化曲线;根据所述速度变化曲线的斜率得到所述可移动对象的速度变化趋势。
需要说明的是,将当前三维图像信息和历史三维图像进行比对,可得到当前三维图像信息和历史三维图像信息间的时间间隔信息,通过深度学习进行识别分类,可获得两者图像信息中存在的可移动对象,并根据三维图像信息中可移动对象的位置变化信息,得到可移动对象的行驶速度,将预设采样周期内的行驶速度经过拟合预测模型,最终获得目标可移动载体周围可移动对象的速度变化曲线。
例如,根据当前三维图像和历史三维图像的比对,当前三维图像中目标可移动载体周边车辆数量比历史三维图像中目标可移动载体周边车辆数量多,则说明目标可移动载体周边可移动对象的流量变化趋势是呈增长状态的。同时根据识别间隔时间内目标可移动载体周边可移动对象在当前三维图像和历史三维图像的位置变化,可移动车辆A在历史三维图像中是位于目标可移动载体的后方,但十分钟后可移动车辆A在当前三维图像中是位于目标可移动载体的前方,则说明目标可移动载体周边可移动车辆A的速度变化趋势的加速状态。
在具体实现中,根据当前三维图像信息和历史三维图像信息中的可移动对象的流量差异变化,以及时间间隔信息,将预设采样周期内的流量变化经过拟合预测模型,最终获得目标可移动载体周围可移动对象的流量变化曲线,例如将22:32:05时的历史三维图像与22:32:15时的历史三维图像22:32:15时的进行比对,检测到目标可移动载体周边的人的数量由8个变为了12个,将22:32:15时的历史三维图像与22:32:25时的历史三维图像进行比对,检测到目标可移动载体周边的人的数量由12个变为了15个,将22:32:25的历史三维图像与22:32:35的当前三维图像进行比对,检测到目标可移动载体周边的人的数量由15个变为了32个,即得到人的流量变化趋势是逐渐增长的,通过拟合预测模型,得到人流量的变化曲线,通过数据和曲线得到预测的变化趋势为人流量=0.75*时间+1.75,则可预测在22:32:45时,目标可移动载体周边人流量为35个左右。
在本实施例中,通过对变化趋势中包括的流量变化趋势和速度变化趋势通过不同的方式进行分析,基于速度变化趋势和流量变化趋势,从二者综合考虑周围可移动对象的变化趋势,最终得到较为全面的变化趋势结果。
步骤S30,根据所述变化趋势、所述当前行驶信息及所述当前道路类型确定当前接管场景类型。
需要说明的是,根据当前环境中目标载体周边可移动载体的流量和速度变化趋势以及当前道路类型得到当前场景的复杂程度,例如当前道路类型为隧道,目标可移动载体周边无行人,仅为匀速行驶的车辆,流量变化趋势和速度变化趋势较为稳定,则当前场景的复杂程度即为低程度;当前道路类型为崎岖山路,目标可移动载体周边有少许行人,且车辆也较少,但因为山路崎岖,地形复杂,则当前场景的复杂程度即为高程度;当前道路类型为学校附近道路,则周边车辆和人的流量趋势是呈增长变化的,周边车辆和人的速度变化趋势虽然较为稳定,但是人流量较大,当前场景的路况较为复杂,容易发生事故,则当前场景的复杂程度为高程度。
在具体实现中,确定当前场景的复杂程度后,再基于目标可移动载体的行驶信息确定是否需要接管,如果确定需要接管,再基于目标可移动载体的行驶信息进行当前接管场景类型的确定。例如,在当前场景的复杂程度为低程度时,当前可移动载体的行驶信息中所有数据均正常,且目标可移动载体周边可移动对象的变化趋势为减少情况时,则当前场景不需要接管,若当前场景的复杂程度、当前行驶信息以及变化趋势任一项存在异常时,则触发接管,例如在当前场景的复杂程度为中程度时,当前可移动载体的行驶信息中行驶速度较快,周边可移动对象的流量和速度变化趋势为减少时,则触发接管,且当前接管场景类型为中风险接管场景类型,在当前场景的复杂程度为高程度时,且当前可移动载体的行驶信息中行驶速度仍处于高速行驶状态,周边可移动对象的流量和速度变化趋势为增长时,则当前接管场景类型为高风险接管场景类型,接管场景类型的确定还可以根据其他情况下当前场景的复杂程度和行驶信息,本实施例对此不加以限制。
步骤S40,基于所述当前接管场景类型生成对应的当前接管事件。
需要说明的是,在确定当前接管场景类型后,即可生成对应的接管事件,例如当前接管场景类型为高风险碰撞接管场景类型,则当前接管事件即为被碰撞接管事件,当前接管场景为中风险碰撞行人接管场景类型,则当前接管事件为碰撞接管事件,当前接管场景类型为低风险剐蹭接管场景类型,则当前接管事件为剐蹭接管事件,还可以为其他类型事件,本实施例对此不加以限制。
步骤S50,根据所述当前接管事件确定对应的目标执行指令。
需要说明的是,根据接管事件去确定对应的目标执行指令,根据所述目标执行指令对目标可移动载体进行接管操作,对其进行控制,避免当前接管事件的发生,例如为碰撞接管事件时,目标执行指令可为刹车、远距离时减速或其他可以避免当前事件发生的操作指令,为碰撞接管事件时,目标执行指令可为变道或或其他可以避免当前事件发生的操作指令,从而避免当前碰撞事件的发生。例如当前接管事件为剐蹭接管事件时,对应的目标执行指令可以是改变目标可移动载体的行驶车道,如图3所示,当目标可移动载体可能和可移动对象3剐蹭时,将目标可移动载体行驶至左边车道。
本实施例通过获取目标可移动载体所处的当前道路类型,并获取所述目标可移动载体的当前行驶信息;确定所述目标可移动载体周围的可移动对象的变化趋势;根据所述变化趋势、所述当前行驶信息及所述当前道路类型确定当前接管场景类型;基于所述当前接管场景类型生成对应的当前接管事件;根据所述当前接管事件确定对应的目标执行指令,根据所述目标执行指令对所述目标可移动载体进行接管操作。通过上述方式,根据当前道路类型、目标可移动载体的行驶信息及周边可移动对象的变化趋势来确定对应的接管场景类型,根据接管场景类型采取合适的接管执行指令从而对目标可移动载体进行控制,能够保证无人驾驶状态时在遇到接管问题时可移动载体能够通过自身和服务器来解决当前问题,提高了自动驾驶的智能性,同时保证可移动载体的安全行驶,并改善了用户的体验。
参照图2,图2为本发明可移动载体控制方法第二实施例的流程示意图。
基于上述实施例,本实施例可移动载体控制方法在所述步骤S30具体包括:
步骤S31,提取所述当前道路类型的纹理特征,基于所述变化趋势及所述纹理特征通过道路检测模型,确定当前场景的复杂程度。
需要说明的是,对当前道路通过Haar纹理特征提取,构建当前道路四个方向的纹理实部和虚部基本矩形模板,利用正交修正得到方法获得当前道路任意方向的滤波响应,从而实现对当前道路类型的纹理特征提取,在获得当前道路类型的纹理特征后,基于道路检测模型,即利用投票机制,实现道路消失点的估计,基于消失点约束,结合道路方向一致性特征和当前道路相邻区域的色彩差别实现第一主要边界的检测,同时在第一主要边界的基础上对初始化消失点进行更新,实现当前道路可行驶区域的分割。在获得当前道路类型的可行驶区域后,根据目标可移动载体的周边可移动对象的变化趋势,来确定当前场景的复杂程度。
例如,根据检测发现当前道路类型的可行使区域仅为双向二车道,道路宽度仅为6米,道路两边为绿化带和人行道,而当前场景中目标可移动载体的周边可移动对象数量在逐渐增加,行驶的平均速度为40km/h,且周边可移动对象的行驶速度仍在增加,则当前场景的复杂程度为中度。
步骤S32,获取所述当前行驶信息中的第一行驶方向、第一行驶位置及第一行驶速度。
可以理解的是,所述第一行驶方向、第一行驶位置及第一行驶速度指的是目标可移动载体的当前行驶信息中所包含的目标可移动载体的行驶方向、行驶位置及行驶速度
步骤S33,根据三维图像信息获取所述目标可移动载体周边的可移动对象的第二行驶方向、第二行驶位置及第二行驶速度。
需要说明的是,所述第二行驶方向、第二行驶位置及第二行驶速度指的是目标可移动载体周边可移动对象的行驶方向、行驶位置及行驶速度。
可以理解的是,根据三维图像信息只能感知周边可移动对象的行驶速度和当前位置,并不能获取可移动对象下一时刻的行驶方向及行为,所以需要分析预测周边可移动对象下一时刻的行驶方向,在本实施例中,所述根据三维图像信息获取所述目标可移动载体周边的可移动对象的第二行驶方向、第二行驶位置及第二行驶速度,可具体包括:
根据所述三维图像获取所述可移动对象的第二行驶速度及第二行驶位置;提取所述三维图像中所述可移动对象的警示特征;根据所述警示特征、所述行驶速度及所述行驶位置通过预设行为预测模型,得到所述可移动对象的预测第二行驶方向。
需要理解的是,在获取到周边可移动对象的行驶速度和当前位置后,根据可移动对象的所处方向,以及可移动载体本身给出的警示信息,例如车辆的转向灯,刹车灯,双闪,或其他警示信息,通过预设的行为预测模型,得到可移动对象的预测行驶方向,所述预设行为预测模型是通过道路中大量的样本数据(即多个可移动对象在不同速度及不同方向位置上给出的警示信息)对初始神经网络模型进行训练从而得到。
在具体实现中,通过本实施例的对周边可移动对象行驶方向的预测,从而得到目标可移动载体和周边可移动对象的相对行驶方向,能够得到更加住准确的碰撞预测结果。
步骤S34,基于所述第一行驶方向、第一行驶位置、第一行驶速度、第二行驶方向、第二行驶位置及第二行驶速度确定所述目标可移动载体与所述可移动对象的相对位置、相对行驶方向及相对行驶速度,并将所述相对位置、相对行驶方向及相对行驶速度作为相对行驶数据。
在具体实现中,获取当前三维图像信息,通过三维图像信息及目标可移动载体自身的传感器,得到目标可移动载体周边可移动对象的行驶速度、行驶方向及当前所处位置,根据目标载体的行驶信息及周边可移动对象的信息信息,确定二者间的相对行驶数据,即相对位置,相对行驶方向及相对行驶速度。
例如,目标可移动载体的第一行驶速度为30km/h,第一行驶方向为向前行驶,第一行驶位置处于图3所示位置,可移动对象1的第二行驶速度为25km/h,第二行驶方向为向前行驶,第二行驶位置如图3所示位置,则目标可移动载体与可移动对象的相对位置为位于目标可移动载体前方5米、相对行驶方向为前向行驶及相对行驶速度-5km/h,且相对行驶数据为{相对位置前方5米、相对行驶方向前向、相对行驶速度-5km/h}。
步骤S35,根据所述复杂程度及所述相对行驶数据进行碰撞预测模拟,以获得碰撞风险预估结果。
可以理解的是,所述碰撞预测模型是基于碰撞的可移动对象的行驶信息、道路类型和环境因素出发,运用贝叶斯网络模型构建碰撞预测模型,通过Uc-road交通场景建模获取仿真数据,结合当前道路的交通历史数据和道路实测数据计算参数的先验概率和条件概率,利GeNIe贝叶斯仿真软件验证模型的合理有效性,从而得到的碰撞预测模型。通过碰撞预测模型,基于相对行驶数据进行模拟,得到碰撞风险预估结果。
步骤S36,根据所述碰撞风险预估结果,确定对应的当前接管场景类型。
如图3所示,目标可移动载体周边存在诸多可移动对象,通过碰撞预测模型得到目标可移动载体和周围可移动对象的碰撞类型,例如目标可移动载体在行驶过程中,与可移动对象1、2处于同时向前行驶的状态,但是目标可移动载体的行驶速度高于可移动对象1的行驶速度,目标可移动载体的行驶速度和可移动对象2的行驶速度相同,通过碰撞预测发现目标可移动载体和可移动对象1会有追尾的可能,即得到所述碰撞风险预估结果为中风险,同时得到接管场景类型为中风险追尾接管场景类型,通过碰撞预测发现目标可移动载体有机会被可移动对象1、2同时碰撞的可能,即得到所述碰撞风险预估结果为高风险,同时得到接管场景类型为高风险碰撞接管场景类型,或者目标可移动载体向前行驶,而可移动对象3的行驶方向是准备变道,目标可移动载体的行驶速度和可移动对象3的行驶速度相同,通过碰撞预测发现目标可移动载体和可移动对象3会有剐蹭的可能,即得到所述碰撞风险预估结果为低风险,同时得到接管场景类型为低风险剐蹭接管场景类型。
需要说明的是,在得到接管场景类型后,根据碰撞风险的程度,进一步确定对应的当前接管场景类型,在当前接管场景类型为低风险碰撞类型时,将当前接管场景类型进一步规划为全自动驾驶接管类型,即通过目标可移动载体自身完成接管操作,在当前接管场景为中、高风险碰撞类型时,将当前接管场景类型进一步规划为半自动驾驶接管类型,即目标可移动载体需要根据与目标可移动载体连接的路面终端或云端(服务器)下达的操作指令来行驶,从而完成接管操作。
在本实施例中通过上述方式,根据当前道路类型及周边可移动对象的变化趋势确定场景的复杂程度,再根据目标可移动载体和周边可移动对象的相对行驶数据及复杂程度来进行碰撞模拟,预估碰撞风险类型,从而得到接管场景类型,可以使接管操作更有针对性,减少事故发生的概率,提高目标可移动载体行驶的安全性。
参照图4,图4为本发明可移动载体控制方法第三实施例的流程示意图。
基于上述实施例,本实施例可移动载体控制方法在所述步骤S50具体包括:
步骤S51,将所述接管事件发送至服务器,以使所述服务器根据所述接管事件反馈对应的事件解决指令。
需要说明的是,将所述接管事件发送至服务器,以使服务器根据当前接管场景类型进行不同操作指令下的行驶模拟,以至于通过预设生成模型得到能达到接管事件被解决的行驶模拟结果,例如在遇到碰撞接管事件时,模拟在距离被碰撞对象50米时进行减速或刹车,在距离被碰撞对象100米时刹车或减速所能达到的效果,选择能够避免接管事件的模拟结果,将其生成对应的事件解决指令,并将解决指令反馈给目标可移动载体。
在具体实现中,将所述接管事件发送给服务器之前,先将所述接管事件发送至距目标可移动载体最近的路面终端,以使所述路面终端查找并反馈与当前接管事件对应的事件解决指令,在未接收到路面终端反馈的事件解决指令时,再将当前接管事件发送至服务器,以使所述服务器根据所述接管事件反馈对应的事件解决指令。
步骤S52,在接收到所述事件解决指令时,预测自动驾驶的下一时刻的待操作指令。
需要说明的是,目标可移动载体接收到服务器发送的事件解决指令的同时,目标可移动载体自身控制器也会根据当前的接管事件基于自动驾驶算法预测下一时刻的待操作指令,所述待操作指令也能够解决当前接管事件。
步骤S53,对所述待操作指令与所述事件解决指令进行比较,以获得目标执行指令。
可以理解的是,基于目标可移动载体的当前行驶信息,对所述待操作指令与所述事件解决指令进行择优选择,得到二者中符合当前行驶状态的操作指令,以作为目标指令。
在具体实现中,在获取到当前接管事件对应的目标执行指令后,将得到的目标执行指令发送至服务器,以使服务器对预设生成模型进行更新,并将所述目标执行指令同步至路面终端。
需要说明的是,为了得到更优的执行指令使目标可移动载体能够安全行驶,需要获取到的指令比较分析,最后选择更优的执行指令,在本实施例中,所述对所述待操作指令与所述事件解决指令进行比较,以获得目标执行指令,可具体包括:
获取当前道路类型对应的预置道路安全范围;根据所述目标可移动载体当前行驶信息及所述待操作指令通过预设行为预测模型,得到所述目标可移动载体预测行驶状态超过所述预置道路安全范围的第一可能性值;根据所述目标可移动载体当前行驶信息及所述事件解决指令通过预设行为预测模型,得到所述目标可移动载体预测行驶状态超过所述预置道路安全范围的第二可能性值;将所述第一可能性值与所述第二可能性值中数值较小的可能性值作为目标可能性值;确定所述目标可能性值对应的指令,并将确定的指令作为目标执行指令。
需要说明的是,获取当前道路类型的预置道路安全范围指的是得到当前道路的交通规则,例如当前道路能否掉头,直行车道和转弯车道位置,能否鸣笛,限速多少等,本实施例对道路的交通规则仅加以举例,还有其他安全范围,本实施例对此不加以限制。
可以理解的是,基于目标可移动载体当前的行驶信息预测在待操作指令和事件解决指令下目标可移动载体下一时刻的行驶状态,所述目标可移动载体预测行驶状态超过所述预置道路安全范围的可能性指的是目标可移动载体在预测行驶状态下违反当前道路交通规则的可能性。
在具体实现中,选择超过预置道路安全范围更小的可能性值对应的指令为目标执行指令。例如目标可移动载体在当前行驶信息的状态下结合待操作指令,百分之八十的可能性会导致违规变道,而结合事件解决指令,仅有百分之三十的可能性会导致当前道路上的超速,则选择百分之三十超速可能性的事件解决指令为目标解决指令。
需要说明的是,在得到所述目标执行指令后,发送目标执行指令给服务器,以使服务器对预设生成模型进行更新,并将目标执行指令同步至路面终端。
例如,目标可移动载体为无人车时,当无人车遇到接管场景时,发起需要接管的申请任务,并寻求无人车临近路面终端的帮助,以使路面终端查找是否存在能够解决当前接管场景的对应的事件解决指令,若存在,则直接发送事件解决指令给无人车端,若路面终端不存在能够解决当前接管场景的对应的事件解决指令,则将接管场景发送给远程驾驶云平台,即服务器端,服务器端同步无人车端场景信息,基于当前场景信息在历史场景数据查询是否存在对应的事件解决指令,若存在则服务器反馈对应的事件解决指令给无人车端,若不存在,基于当前的行驶状态进行模拟,得到服务器端指定的事件解决指令,并反馈对应的事件解决指令给无人车端,在无人车端接收到事件解决指令时,无人车端自身基于自动驾驶算法进行下一时刻的行为预测,得到一个待操作指令,在待操作指令和事件解决指令中进行择优选择,得到最终的目标执行指令,无人车端完成接管操作,并将得到的目标执行指令反馈给服务器端,并将目标执行指令同步更新至路面终端
在具体实现中,本实施例通过对待操作指令和事件解决指令通过行为预测,选择更不容易违反道路安全的指令,能够使接管操作更加安全且准确,保证了目标可移动载体的安全行驶。
本实施例通过将所述接管事件发送至服务器,以使所述服务器根据所述接管事件反馈对应的事件解决指令;在接收到所述事件解决指令时,预测自动驾驶的下一时刻的待操作指令;对所述待操作指令与所述事件解决指令进行比较,以获得目标执行指令;根据所述目标执行指令对所述目标可移动载体进行接管操作。通过对两种接管指令的择优选择,得到最终的目标解决指令,保证了目标可移动载体的接管操作更贴合实际情况,同时保证了目标可移动载体行驶过程中的安全性。
此外,参照图5,本发明实施例还提出一种可移动载体控制装置,所述可移动载体控制装置包括:
信息获取模块10,用于获取目标可移动载体所处的当前道路类型,并获取所述目标可移动载体的当前行驶信息;
趋势确定模块20,用于确定所述目标可移动载体周围的可移动对象的变化趋势;
类型确定模块30,还用于根据所述变化趋势、所述当前行驶信息及所述当前道路类型确定当前接管场景类型;
事件生成模块40,用于基于所述当前接管场景类型生成对应的当前接管事件;
指令确定模块50,还用于根据所述当前接管事件确定对应的目标执行指令。
本实施例通过获取目标可移动载体所处的当前道路类型,并获取所述目标可移动载体的当前行驶信息;确定所述目标可移动载体周围的可移动对象的变化趋势;根据所述变化趋势、所述当前行驶信息及所述当前道路类型确定当前接管场景类型;基于所述当前接管场景类型生成对应的当前接管事件;根据所述当前接管事件确定对应的目标执行指令;根据所述目标执行指令对所述目标可移动载体进行接管操作。通过上述方式,根据当前道路类型、目标可移动载体的行驶信息及周边可移动对象的变化趋势来确定对应的接管场景类型,根据接管场景类型采取合适的接管执行指令从而对目标可移动载体进行控制,能够保证无人驾驶状态时在遇到接管问题时可移动载体能够通过自身和服务器来解决当前问题,提高了自动驾驶的智能性,同时保证可移动载体的安全行驶,并改善了用户的体验。
需要说明的是,上述装置中的各模块可用于实现上述方法中的各个步骤,同时达到相应的技术效果,本实施例在此不再赘述。
参照图6,图6为本发明实施例方案涉及的硬件运行环境的可移动载体结构示意图。
如图6所示,该可移动载体可以包括:处理器1001,例如中央处理器(CentralProcessing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图6中示出的结构并不构成对可移动载体的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图6所示,作为一种存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及可移动载体控制程序。
在图6所示的可移动载体中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明可移动载体中的处理器1001、存储器1005可以设置在可移动载体中,所述可移动载体通过处理器1001调用存储器1005中存储的可移动载体控制程序,并执行本以下操作:
获取目标可移动载体所处的当前道路类型,并获取所述目标可移动载体的当前行驶信息;
确定所述目标可移动载体周围的可移动对象的变化趋势;
根据所述变化趋势、所述当前行驶信息及所述当前道路类型确定当前接管场景类型;
基于所述当前接管场景类型生成对应的当前接管事件;
根据所述当前接管事件确定对应的目标执行指令。
进一步地,处理器1001可以调用存储器1005中存储的可移动载体控制程序,还执行以下操作:
获取所述目标可移动载体周围的当前图像信息和当前点云信息;
根据所述当前图像信息和所述当前点云信息进行融合,得到当前三维图像信息;
根据所述当前三维图像信息和历史三维图像信息,确定所述目标可移动载体周围可移动对象的变化趋势。
进一步地,处理器1001可以调用存储器1005中存储的可移动载体控制程序,还执行以下操作:
根据所述当前三维图像信息和所述历史三维图像信息中获得所述可移动对象的流量差异和位置变化信息,并获得所述三维图像信息和所述历史三维图像信息的时间间隔信息;
基于所述流量差异和所述时间间隔信息通过拟合预测模型得到所述可移动对象的流量变化曲线;
根据所述流量变化曲线的斜率得到所述可移动对象的流量变化趋势;
基于所述位置变化信息和所述时间间隔信息通过拟合预测模型得到所述可移动对象的速度变化曲线;
根据所述速度变化曲线的斜率得到所述可移动对象的速度变化趋势。
进一步地,处理器1001可以调用存储器1005中存储的可移动载体控制程序,还执行以下操作:
提取所述当前道路类型的纹理特征,基于所述变化趋势及所述纹理特征通过道路检测模型,确定当前场景的复杂程度;
获取所述当前行驶信息中的第一行驶方向、第一行驶位置及第一行驶速度;
根据三维图像信息获取所述目标可移动载体周边的可移动对象的第二行驶方向、第二行驶位置及第二行驶速度;
基于所述第一行驶方向、第一行驶位置、第一行驶速度、第二行驶方向、第二行驶位置及第二行驶速度确定所述目标可移动载体与所述可移动对象的相对位置、相对行驶方向及相对行驶速度,并将所述相对位置、相对行驶方向及相对行驶速度作为相对行驶数据;
根据所述复杂程度及所述相对行驶数据进行碰撞预测模拟,以获得碰撞风险预估结果;
根据所述碰撞风险预估结果,确定对应的当前接管场景类型。
进一步地,处理器1001可以调用存储器1005中存储的可移动载体控制程序,还执行以下操作:
根据所述三维图像获取所述可移动对象的第二行驶速度及第二行驶位置;
提取所述三维图像中所述可移动对象的警示特征;
根据所述警示特征、所述行驶速度及所述行驶位置通过预设行为预测模型,得到所述可移动对象的预测第二行驶方向。
进一步地,处理器1001可以调用存储器1005中存储的可移动载体控制程序,还执行以下操作:
将所述接管事件发送至服务器,以使所述服务器根据所述接管事件反馈对应的事件解决指令;
在接收到所述事件解决指令时,预测自动驾驶的下一时刻的待操作指令;
对所述待操作指令与所述事件解决指令进行比较,以获得目标执行指令。
进一步地,处理器1001可以调用存储器1005中存储的可移动载体控制程序,还执行以下操作:
获取当前道路类型对应的预置道路安全范围;
根据所述目标可移动载体当前行驶信息及所述待操作指令通过预设行为预测模型,得到所述目标可移动载体预测行驶状态超过所述预置道路安全范围的第一可能性值;
根据所述目标可移动载体当前行驶信息及所述事件解决指令通过预设行为预测模型,得到所述目标可移动载体预测行驶状态超过所述预置道路安全范围的第二可能性值;
将所述第一可能性值与所述第二可能性值中数值较小的可能性值作为目标可能性值;
确定所述目标可能性值对应的指令,并将确定的指令作为目标执行指令。
本实施例通过获取目标可移动载体所处的当前道路类型,并获取所述目标可移动载体的当前行驶信息;确定所述目标可移动载体周围的可移动对象的变化趋势;根据所述变化趋势、所述当前行驶信息及所述当前道路类型确定当前接管场景类型;基于所述当前接管场景类型生成对应的当前接管事件;根据所述当前接管事件确定对应的目标执行指令;根据所述目标执行指令对所述目标可移动载体进行接管操作。通过上述方式,根据当前道路类型、目标可移动载体的行驶信息及周边可移动对象的变化趋势来确定对应的接管场景类型,根据接管场景类型采取合适的接管执行指令从而对目标可移动载体进行控制,能够保证无人驾驶状态时在遇到接管问题时可移动载体能够通过自身和服务器来解决当前问题,提高了自动驾驶的智能性,同时保证可移动载体的安全行驶,并改善了用户的体验。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有可移动载体控制程序,所述可移动载体控制程序被处理器执行时实现如下操作:
获取目标可移动载体所处的当前道路类型,并获取所述目标可移动载体的当前行驶信息;
确定所述目标可移动载体周围的可移动对象的变化趋势;
根据所述变化趋势、所述当前行驶信息及所述当前道路类型确定当前接管场景类型;
基于所述当前接管场景类型生成对应的当前接管事件;
根据所述当前接管事件确定对应的目标执行指令。
本实施例通过获取目标可移动载体所处的当前道路类型,并获取所述目标可移动载体的当前行驶信息;确定所述目标可移动载体周围的可移动对象的变化趋势;根据所述变化趋势、所述当前行驶信息及所述当前道路类型确定当前接管场景类型;基于所述当前接管场景类型生成对应的当前接管事件;根据所述当前接管事件确定对应的目标执行指令;根据所述目标执行指令对所述目标可移动载体进行接管操作。通过上述方式,根据当前道路类型、目标可移动载体的行驶信息及周边可移动对象的变化趋势来确定对应的接管场景类型,根据接管场景类型采取合适的接管执行指令从而对目标可移动载体进行控制,能够保证无人驾驶状态时在遇到接管问题时可移动载体能够通过自身和服务器来解决当前问题,提高了自动驾驶的智能性,同时保证可移动载体的安全行驶,并改善了用户的体验。
需要说明的是,上述计算机可读存储介质被处理器执行时还可实现上述方法中的各个步骤,同时达到相应的技术效果,本实施例在此不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意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***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory,ROM)/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种可移动载体控制方法,其特征在于,所述可移动载体控制方法包括:
获取目标可移动载体所处的当前道路类型,并获取所述目标可移动载体的当前行驶信息;
确定所述目标可移动载体周围的可移动对象的变化趋势;
根据所述变化趋势、所述当前行驶信息及所述当前道路类型确定当前接管场景类型;
基于所述当前接管场景类型生成对应的当前接管事件;
根据所述当前接管事件确定对应的目标执行指令;
其中,所述根据所述当前接管事件确定对应的目标执行指令,具体包括:
将所述接管事件发送至服务器,以使所述服务器根据所述接管事件反馈对应的事件解决指令;
在接收到所述事件解决指令时,预测自动驾驶的下一时刻的待操作指令;
对所述待操作指令与所述事件解决指令进行比较,以获得目标执行指令。
2.如权利要求1所述的可移动载体控制方法,其特征在于,所述确定所述目标可移动载体周围的可移动对象的变化趋势,具体包括:
获取所述目标可移动载体周围的当前图像信息和当前点云信息;
根据所述当前图像信息和所述当前点云信息进行融合,得到当前三维图像信息;
根据所述当前三维图像信息和历史三维图像信息,确定所述目标可移动载体周围可移动对象的变化趋势。
3.如权利要求2所述的可移动载体控制方法,其特征在于,所述变化趋势包括流量变化趋势和速度变化趋势;
所述根据所述当前三维图像信息和历史三维图像信息,确定所述目标可移动载体周围可移动对象的变化趋势,具体包括:
根据所述当前三维图像信息和所述历史三维图像信息中获得所述可移动对象的流量差异和位置变化信息,并获得所述三维图像信息和所述历史三维图像信息的时间间隔信息;
基于所述流量差异和所述时间间隔信息通过拟合预测模型得到所述可移动对象的流量变化曲线;
根据所述流量变化曲线的斜率得到所述可移动对象的流量变化趋势;
基于所述位置变化信息和所述时间间隔信息通过拟合预测模型得到所述可移动对象的速度变化曲线;
根据所述速度变化曲线的斜率得到所述可移动对象的速度变化趋势。
4.如权利要求1所述的可移动载体控制方法,其特征在于,所述根据所述变化趋势、所述当前行驶信息及所述当前道路类型确定当前接管场景类型,具体包括:
提取所述当前道路类型的纹理特征,基于所述变化趋势及所述纹理特征通过道路检测模型,确定当前场景的复杂程度;
获取所述当前行驶信息中的第一行驶方向、第一行驶位置及第一行驶速度;
根据三维图像信息获取所述目标可移动载体周边的可移动对象的第二行驶方向、第二行驶位置及第二行驶速度;
基于所述第一行驶方向、第一行驶位置、第一行驶速度、第二行驶方向、第二行驶位置及第二行驶速度确定所述目标可移动载体与所述可移动对象的相对位置、相对行驶方向及相对行驶速度,并将所述相对位置、相对行驶方向及相对行驶速度作为相对行驶数据;
根据所述复杂程度及所述相对行驶数据进行碰撞预测模拟,以获得碰撞风险预估结果;
根据所述碰撞风险预估结果,确定对应的当前接管场景类型。
5.如权利要求4所述的可移动载体控制方法,其特征在于,所述根据三维图像信息获取所述目标可移动载体周边的可移动对象的第二行驶方向、第二行驶位置及第二行驶速度,具体包括:
根据所述三维图像获取所述可移动对象的第二行驶速度及第二行驶位置;
提取所述三维图像中所述可移动对象的警示特征;
根据所述警示特征、所述第二行驶速度及所述第二行驶位置通过预设行为预测模型,得到所述可移动对象的第二行驶方向。
6.如权利要求1所述的可移动载体控制方法,其特征在于,所述对所述待操作指令与所述事件解决指令进行比较,以获得目标执行指令,具体包括:
获取当前道路类型对应的预置道路安全范围;
根据所述目标可移动载体当前行驶信息及所述待操作指令通过预设行为预测模型,得到所述目标可移动载体预测行驶状态超过所述预置道路安全范围的第一可能性值;
根据所述目标可移动载体当前行驶信息及所述事件解决指令通过预设行为预测模型,得到所述目标可移动载体预测行驶状态超过所述预置道路安全范围的第二可能性值;
将所述第一可能性值与所述第二可能性值中数值较小的可能性值作为目标可能性值;
确定所述目标可能性值对应的指令,并将确定的指令作为目标执行指令。
7.一种可移动载体控制装置,其特征在于,所述可移动载体控制装置包括:
信息获取模块,用于获取目标可移动载体所处的当前道路类型,并获取所述目标可移动载体的当前行驶信息;
趋势确定模块,用于确定所述目标可移动载体周围的可移动对象的变化趋势;
类型确定模块,用于根据所述变化趋势、所述当前行驶信息及所述当前道路类型确定当前接管场景类型;
事件生成模块,用于基于所述当前接管场景类型生成对应的当前接管事件;
指令确定模块,用于根据所述当前接管事件确定对应的目标执行指令;
所述指令确定模块,还用于将所述接管事件发送至服务器,以使所述服务器根据所述接管事件反馈对应的事件解决指令;
在接收到所述事件解决指令时,预测自动驾驶的下一时刻的待操作指令;
对所述待操作指令与所述事件解决指令进行比较,以获得目标执行指令。
8.一种可移动载体,其特征在于,所述可移动载体包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的可移动载体控制程序,所述可移动载体控制程序配置为实现如权利要求1至6中任一项所述的可移动载体控制方法的步骤。
9.一种存储介质,其特征在于,所述存储介质上存储有可移动载体控制程序,所述可移动载体控制方法被处理器执行时实现如权利要求1至6任一项所述的可移动载体控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110353481.4A CN113071515B (zh) | 2021-03-31 | 2021-03-31 | 可移动载体控制方法、装置、可移动载体及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110353481.4A CN113071515B (zh) | 2021-03-31 | 2021-03-31 | 可移动载体控制方法、装置、可移动载体及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113071515A CN113071515A (zh) | 2021-07-06 |
CN113071515B true CN113071515B (zh) | 2022-07-05 |
Family
ID=76614360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110353481.4A Active CN113071515B (zh) | 2021-03-31 | 2021-03-31 | 可移动载体控制方法、装置、可移动载体及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113071515B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113706911B (zh) * | 2021-08-25 | 2023-01-03 | 娄底职业技术学院 | 一种基于数字化交通场景的自动驾驶方法 |
CN114067610B (zh) * | 2021-09-22 | 2023-03-17 | 广州文远知行科技有限公司 | 一种错过岔道口事故的仿真场景构建方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106004864A (zh) * | 2016-05-30 | 2016-10-12 | 广州汽车集团股份有限公司 | 一种车辆行驶控制方法及*** |
CN110083161A (zh) * | 2019-05-16 | 2019-08-02 | 广州文远知行科技有限公司 | 无人驾驶汽车的远程接管方法、装置、设备和存储介质 |
CN110834638A (zh) * | 2019-10-08 | 2020-02-25 | 上海博泰悦臻网络技术服务有限公司 | 一种车辆驾驶模式的控制方法、装置及计算机存储介质 |
CN111564051A (zh) * | 2020-04-28 | 2020-08-21 | 安徽江淮汽车集团股份有限公司 | 自动驾驶汽车安全行车控制方法、装置、设备及存储介质 |
CN112092827A (zh) * | 2020-09-23 | 2020-12-18 | 北京百度网讯科技有限公司 | 自动驾驶功能控制方法、装置、电子设备及存储介质 |
CN112455465A (zh) * | 2020-12-08 | 2021-03-09 | 广州小鹏自动驾驶科技有限公司 | 一种行驶环境感知方法、装置、电子设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210009121A1 (en) * | 2020-09-24 | 2021-01-14 | Intel Corporation | Systems, devices, and methods for predictive risk-aware driving |
-
2021
- 2021-03-31 CN CN202110353481.4A patent/CN113071515B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106004864A (zh) * | 2016-05-30 | 2016-10-12 | 广州汽车集团股份有限公司 | 一种车辆行驶控制方法及*** |
CN110083161A (zh) * | 2019-05-16 | 2019-08-02 | 广州文远知行科技有限公司 | 无人驾驶汽车的远程接管方法、装置、设备和存储介质 |
CN110834638A (zh) * | 2019-10-08 | 2020-02-25 | 上海博泰悦臻网络技术服务有限公司 | 一种车辆驾驶模式的控制方法、装置及计算机存储介质 |
CN111564051A (zh) * | 2020-04-28 | 2020-08-21 | 安徽江淮汽车集团股份有限公司 | 自动驾驶汽车安全行车控制方法、装置、设备及存储介质 |
CN112092827A (zh) * | 2020-09-23 | 2020-12-18 | 北京百度网讯科技有限公司 | 自动驾驶功能控制方法、装置、电子设备及存储介质 |
CN112455465A (zh) * | 2020-12-08 | 2021-03-09 | 广州小鹏自动驾驶科技有限公司 | 一种行驶环境感知方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113071515A (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112416004B (zh) | 一种基于自动驾驶的控制方法、装置、车辆以及相关设备 | |
CN112762951B (zh) | 用于导航车辆的***和方法 | |
CN112307566B (zh) | 车辆仿真测试方法、装置、设备及存储介质 | |
CN108604292B (zh) | 对切入车道的车辆的自动预测和利他响应 | |
CN107848534B (zh) | 车辆控制装置、车辆控制方法及存储车辆控制程序的介质 | |
US20200307589A1 (en) | Automatic lane merge with tunable merge behaviors | |
CN113044059A (zh) | 用于车辆的安全*** | |
CN112601686A (zh) | 具有安全距离的导航的***和方法 | |
JP2020523660A (ja) | 自律走行に関する走行情報のフレームワークとバッチ調整との結合 | |
CN112629551A (zh) | 具有施加的责任约束的导航*** | |
CN111874006A (zh) | 路线规划处理方法和装置 | |
CN113071515B (zh) | 可移动载体控制方法、装置、可移动载体及存储介质 | |
EP3741638A1 (en) | Vehicle control device | |
US20210004608A1 (en) | Vehicle image generation | |
US11829131B2 (en) | Vehicle neural network enhancement | |
US20210323565A1 (en) | Vehicle control device, automated driving vehicle development system, vehicle control method, and program | |
Lengyel et al. | Conflicts of automated driving with conventional traffic infrastructure | |
CN111553605A (zh) | 车辆变道风险评估方法、装置、设备及存储介质 | |
CN111413973A (zh) | 车辆的换道决策方法及装置、电子设备、存储介质 | |
CN116703966A (zh) | 多对象跟踪 | |
US11657635B2 (en) | Measuring confidence in deep neural networks | |
CN114730494A (zh) | 用于对交通场景的空间的覆盖进行估计的方法 | |
CN113424209B (zh) | 使用深度学习多预测器融合和贝叶斯优化的轨迹预测 | |
CN114771533A (zh) | 自动驾驶车辆的控制方法、装置、设备、车辆及介质 | |
CN112319505B (zh) | 自动驾驶换道判断方法、装置、设备及存储介质 |
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 |