CN114407926A - 基于自动驾驶的人工智能危险场景的车辆控制方法和车辆 - Google Patents
基于自动驾驶的人工智能危险场景的车辆控制方法和车辆 Download PDFInfo
- Publication number
- CN114407926A CN114407926A CN202210070994.9A CN202210070994A CN114407926A CN 114407926 A CN114407926 A CN 114407926A CN 202210070994 A CN202210070994 A CN 202210070994A CN 114407926 A CN114407926 A CN 114407926A
- Authority
- CN
- China
- Prior art keywords
- dangerous
- scene analysis
- vehicle
- dangerous scene
- image
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 41
- 238000012545 processing Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 231100001261 hazardous Toxicity 0.000 claims 2
- 238000004891 communication Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000002093 peripheral effect Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 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
- 238000009877 rendering Methods 0.000 description 1
- 239000000779 smoke Substances 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
- B60W60/001—Planning or execution of driving tasks
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
- B60W60/0016—Planning or execution of driving tasks specially adapted for safety of the vehicle or its occupants
-
- 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
- B60W30/06—Automatic manoeuvring for parking
-
- 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
- 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
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)
Abstract
本发明公开一种基于自动驾驶的人工智能危险场景的车辆控制方法，用于具有摄像头的车辆，所述方法包括以下步骤：通过所述摄像头获取目标区域的目标图像；将所述目标图像输入危险场景分析模型，获得危险场景分析等级；在所述危险场景分析等级达到第一预设危险等级时，控制所述车辆进行泊车操作。本发明还公开一种基于自动驾驶的人工智能危险场景的车辆控制装置、车辆以及存储介质。利用本发明的方法，模型输出的危险场景分析等级不依赖于预设阈值，危险场景分析等级的准确率较高，进而使得自动驾驶车辆在出现危险场景时，可以及时进行泊车操作，提高自动驾驶车辆的安全性。
Description
技术领域
本发明涉及自动驾驶技术领域，特别涉及一种基于自动驾驶的人工智能危险场景的车辆控制方法、装置、车辆以及存储介质。
背景技术
自动驾驶***是当今的热点研究问题，一般研究对象为行车前进过程周围的环境情况，如发现避开障碍物等。使用的视频监测、雷达监测或者其他监测方式，都是针对道路安全规则。
目前，为增强自动驾驶车的使用安全，自动驾驶车辆行车过程中，需对现有自动驾驶车辆进行车辆险情进行监测。现有技术是通过物理探测头检测，如通过温度检测器，烟雾检测器等电子元件，进行车辆危险场景的检测。
但是，采用现有的检测方式，自动驾驶车辆的安全性较差。
发明内容
本发明的主要目的是提供一种基于自动驾驶的人工智能危险场景的车辆控制方法、装置、车辆以及存储介质，旨在解决现有技术中采用现有的检测方式，自动驾驶车辆的安全性较差的技术问题。
为实现上述目的，本发明提出一种基于自动驾驶的人工智能危险场景的车辆控制方法，用于具有摄像头的车辆，所述方法包括以下步骤：
通过所述摄像头获取目标区域的目标图像；
将所述目标图像输入危险场景分析模型，获得危险场景分析等级；
在所述危险场景分析等级达到第一预设危险等级时，控制所述车辆进行泊车操作。
可选的，所述将所述目标图像输入危险场景分析模型，获得危险场景分析等级的步骤之前，所述方法还包括：
对所述目标图像进行感兴趣区域提取，获得感兴趣区域对应的初始图像；
对所述初始图像进行二值化处理，获得待检测图像；
所述将所述目标图像输入危险场景分析模型，获得危险场景分析等级的步骤，包括：
将所述待检测图像输入危险场景分析模型，获得危险场景分析等级。
可选的，所述摄像头包括多个，所述待检测图像包括多个所述摄像头对应的多个待检测图像；所述将所述待检测图像输入危险场景分析模型，获得危险场景分析等级的步骤之前，所述方法还包括：
对每个所述待检测图像进行特征标记，获得每个所述待检测图像对应的多个危险特征区域；
对每个所述待检测图像的多个所述危险特征区域进行筛选，获得每个所述待检测图像对应的危险特征集；
所述将所述待检测图像输入危险场景分析模型，获得危险场景分析等级的步骤，包括：
将多个所述待检测图像对应的多个危险特征集输入危险场景分析模型，获得危险场景分析等级。
可选的，所述将多个所述待检测图像对应的多个危险特征集输入危险场景分析模型，获得危险场景分析等级的步骤之前，所述方法还包括：
获取多个预设危险特征集和多个所述预设危险特征集对应的预设危险场景分析等级；
将多个预设危险特征集和所述预设危险场景分析等级输入初始分析模型进行训练，获得所述危险场景分析模型。
可选的，所述在所述危险场景分析等级达到第一预设危险等级时，控制所述车辆进行泊车操作的步骤，包括：
在所述危险场景分析等级达到第一预设危险等级时，输出所述危险场景分析等级；
在接收到针对所述危险场景分析等级发送的确定操作时，确定所述确定操作对应的投票率；
在所述投票率高于预设比率时，基于所述车辆的当前位置信息，获得泊车运动轨迹；
利用所述泊车运动轨迹，进行泊车操作。
可选的，所述利用所述泊车运动轨迹，进行泊车操作的步骤，包括：
在所述车辆按照所述泊车运动轨迹运动时，获取所述车辆的泊车检测区域的泊车图像；
利用所述泊车图像对所述泊车运动轨迹进行修正，获得修正后的泊车运动轨迹；
利用所述修正后的泊车运动轨迹，进行泊车操作。
可选的，所述在所述危险场景分析等级达到第一预设危险等级时，控制所述车辆进行泊车操作的步骤之后，所述方法还包括：
在所述危险场景分析等级达到第二预设危险等级时，控制所述车辆执行停车操作，并控制所述车辆进行开门窗的操作。
此外，为实现上述目的，本发明还提出了一种基于自动驾驶的人工智能危险场景的车辆控制装置，用于具有摄像头的车辆，所述装置包括：
获取模块，用于通过所述摄像头获取目标区域的目标图像；
分析模块，用于将所述目标图像输入危险场景分析模型，获得危险场景分析等级；
控制模块，用于在所述危险场景分析等级达到第一预设危险等级时，控制所述车辆进行泊车操作。
此外，为实现上述目的，本发明还提出了一种车辆，所述车辆包括：摄像头、存储器、处理器及存储在所述存储器上并在所述处理器上运行基于自动驾驶的人工智能危险场景的车辆控制程序，所述基于自动驾驶的人工智能危险场景的车辆控制程序被所述处理器执行时实现如上述任一项所述的基于自动驾驶的人工智能危险场景的车辆控制方法的步骤。
此外，为实现上述目的，本发明还提出了一种存储介质，所述存储介质上存储有基于自动驾驶的人工智能危险场景的车辆控制程序，所述基于自动驾驶的人工智能危险场景的车辆控制程序被处理器执行时实现如上述任一项所述的基于自动驾驶的人工智能危险场景的车辆控制方法的步骤。
本发明技术方案提出了一种基于自动驾驶的人工智能危险场景的车辆控制方法，用于具有摄像头的车辆，所述方法包括以下步骤：通过所述摄像头获取目标区域的目标图像；将所述目标图像输入危险场景分析模型，获得危险场景分析等级；在所述危险场景分析等级达到第一预设危险等级时，控制所述车辆进行泊车操作。
现有方法中，通过各种电子检测元件进行危险场景的检测，各种电子元件是利用预设阈值进行危险场景的判断，但是在实际场景中，预设阈值的有效性较差，使得电子元件的判断准确率较低，危险等级分析结果准确率较低，进而使得自动驾驶车辆在遇到危险场景时，无法及时进行泊车操作，导致自动驾驶车辆的安全性较差。而利用本发明的方法，是利用危险场景分析模型进行分析，模型输出的危险场景分析等级不依赖于预设阈值，危险场景分析等级的准确率较高，进而使得自动驾驶车辆在出现危险场景时，可以及时进行泊车操作，提高自动驾驶车辆的安全性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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示出的结构获得其他的附图。
图1为本发明实施例方案涉及的硬件运行环境的车辆结构示意图；
图2为本发明基于自动驾驶的人工智能危险场景的车辆控制方法第一实施例的流程示意图；
图3为本发明车辆的又一实施例的结构示意图；
图4为本发明基于自动驾驶的人工智能危险场景的车辆控制装置第一实施例的结构框图。
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
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，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作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。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的车辆结构示意图。
通常，车辆包括：摄像头307、至少一个处理器301、存储器302以及存储在所述存储器上并可在所述处理器上运行的基于自动驾驶的人工智能危险场景的车辆控制程序，所述基于自动驾驶的人工智能危险场景的车辆控制程序配置为实现如前所述的基于自动驾驶的人工智能危险场景的车辆控制方法的步骤。
处理器301可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器301可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器301也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(CentralProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器301可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。处理器301还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关基于自动驾驶的人工智能危险场景的车辆控制方法操作，使得基于自动驾驶的人工智能危险场景的车辆控制方法模型可以自主训练学习，提高效率和准确度。
存储器302可以包括一个或多个存储介质，该存储介质可以是非暂态的。存储器302还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器302中的非暂态的存储介质用于存储至少一个指令，该至少一个指令用于被处理器301所执行以实现本申请中方法实施例提供的基于自动驾驶的人工智能危险场景的车辆控制方法。
在一些实施例中，终端还可选包括有：通信接口303和至少一个***设备。处理器301、存储器302和通信接口303之间可以通过总线或信号线相连。各个***设备可以通过总线、信号线或电路板与通信接口303相连。具体地，***设备包括：射频电路304、显示屏305和电源306中的至少一种。
通信接口303可被用于将I/O(Input/Output，输入/输出)相关的至少一个***设备连接到处理器301和存储器302。在一些实施例中，处理器301、存储器302和通信接口303被集成在同一芯片或电路板上；在一些其他实施例中，处理器301、存储器302和通信接口303中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
射频电路304用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路304通过电磁信号与通信网络以及其他通信设备进行通信。射频电路304将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路304包括：天线***、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路304可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路304还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。
显示屏305用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏305是触摸显示屏时，显示屏305还具有采集在显示屏305的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器301进行处理。此时，显示屏305还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏305可以为一个，电子设备的前面板；在另一些实施例中，显示屏305可以为至少两个，分别设置在电子设备的不同表面或呈折叠设计；在再一些实施例中，显示屏305可以是柔性显示屏，设置在电子设备的弯曲表面上或折叠面上。甚至，显示屏305还可以设置成非矩形的不规则图形，也即异形屏。显示屏305可以采用LCD(LiquidCrystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
电源306用于为电子设备中的各个组件进行供电。电源306可以是交流电、直流电、一次性电池或可充电电池。当电源306包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
本领域技术人员可以理解，图1中示出的结构并不构成对车辆的限定，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。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有基于自动驾驶的人工智能危险场景的车辆控制程序，所述基于自动驾驶的人工智能危险场景的车辆控制程序被处理器执行时实现如上文所述的基于自动驾驶的人工智能危险场景的车辆控制方法的步骤。因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本申请所涉及的存储介质实施例中未披露的技术细节，请参照本申请方法实施例的描述。确定为示例，程序指令可被部署为在一个车辆上执行，或者在位于一个地点的多个车辆上执行，又或者，在分布在多个地点且通过通信网络互连的多个车辆备上执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的程序可存储于一取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，上述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
基于上述硬件结构，提出本发明基于自动驾驶的人工智能危险场景的车辆控制方法的实施例。
参照图2，图2为本发明基于自动驾驶的人工智能危险场景的车辆控制方法第一实施例的流程示意图，方法用于车辆，所述方法包括以下步骤：
步骤S11：通过所述摄像头获取目标区域的目标图像。
需要说明的是，本发明的执行主体是车辆，车辆安装有基于自动驾驶的人工智能危险场景的车辆控制程序，车辆执行基于自动驾驶的人工智能危险场景的车辆控制程序时，实现本发明的基于自动驾驶的人工智能危险场景的车辆控制方法的步骤。同时，车辆安装有摄像头，摄像头的拍摄区域即为目标区域，摄像头对目标区域进行拍摄时，获得目标图像，通常，车辆控制摄像头实时拍摄图像，以实时进行基于自动驾驶的人工智能危险场景的车辆控制方法的步骤。
参照图3，图3为本发明车辆的又一实施例的结构示意图，在图3中A、B和C分别为三个摄像头，每个摄像头对应一个目标区域，用于在一个时刻，分别获取三个目标图像，其中Y0为车辆的算法中心，算法中心用于执行本发明的步骤S12和S13。
可以理解的是，在本发明中，车辆为自动驾驶车辆，车辆还具有外部性车障碍监测模块、中央电子处理模块、驾驶信息模块、发送及控制模块、自动驾驶算力模块、差速器电子模块、电子控制耦合差速器、安全门窗控制器和内部危险监测模块，用于分别实现自动驾驶过程中的各个功能。
步骤S12：将将所述目标图像输入危险场景分析模型，获得危险场景分析等级。
不同的目标图像，输入危险场景分析模型之后，输出的是不同的危险场景分析等级，危险场景分析等级越高，表明越危险。
具体的，目标图像是目标区域的实体图像，需要进行进一步处理，方可输入危险场景分析模型，如下：
所述将所述目标图像输入危险场景分析模型，获得危险场景分析等级的步骤之前，所述方法还包括：对所述目标图像进行感兴趣区域提取，获得感兴趣区域对应的初始图像；对所述初始图像进行二值化处理，获得待检测图像；所述将所述目标图像输入危险场景分析模型，获得危险场景分析等级的步骤，包括：将所述待检测图像输入危险场景分析模型，获得危险场景分析等级。
其中，所述摄像头包括多个，所述待检测图像包括多个所述摄像头对应的多个待检测图像；所述将所述待检测图像输入危险场景分析模型，获得危险场景分析等级的步骤之前，所述方法还包括：对每个所述待检测图像进行特征标记，获得每个所述待检测图像对应的多个危险特征区域；对每个所述待检测图像的多个所述危险特征区域进行筛选，获得每个所述待检测图像对应的危险特征集；所述将所述待检测图像输入危险场景分析模型，获得危险场景分析等级的步骤，包括：将多个所述待检测图像对应的多个危险特征集输入危险场景分析模型，获得危险场景分析等级。
首先，需要对多个摄像头分别对应的多个目标图像(一个摄像头对应一个目标图像)，进行感兴趣区域提取，一个目标图像的感兴趣区域对应的部分图像即为一个初始图像。然后对于每一个初始图像，均需要进行二值化处理，获得的二值化处理后的图像即为待检测图像。对于每一个待检测图像进行特征标记时，每一个待检测图像会标记出多个危险特征区域，一个待检测图像的多个危险特征区域会划分为至少一个危险特征集，其中，筛选是指将多个危险特征区域中危险特征较明显(值较大)的区域留下，其他区域删除。对于多个待检测图像，即可对应多个危险特征集，然后，是将多个所述待检测图像对应的多个危险特征集输入危险场景分析模型，获得危险场景分析等级。
进一步的，所述将多个所述待检测图像对应的多个危险特征集输入危险场景分析模型，获得危险场景分析等级的步骤之前，所述方法还包括：获取多个预设危险特征集和多个所述预设危险特征集对应的预设危险场景分析等级；将多个预设危险特征集和所述预设危险场景分析等级输入初始分析模型进行训练，获得所述危险场景分析模型。
具体应用中，获取到的是危险场景对应的多个预设危险图像，然后将多个预设危险图像按照上文所述的方法，依次进行感兴趣区域提取、二值化处理、特征标记和特征区域筛选，获得对应的多个预设特征集。然后再进行训练过程，其中，多个预设危险特征集对应的预设危险场景分析等级可以包括多种等级，即：预设危险场景分析等级可以涉及到全部等级，以便于获得的危险场景分析模型的分析准确率较高，例如，危险场景分析模型对应的危险等级包括10个，用于训练的预设危险场景分析等级和对应的多个预设危险特征集也涉及到该10个危险等级。
其中，初始分析模型可以是各种类型的神经网络模型或决策树模型等，本发明不做限定。例如，CNN神经网络等。
步骤S13：在所述危险场景分析等级达到第一预设危险等级时，控制所述车辆进行泊车操作。
需要说明的是，在第一预设危险等级可以是用户基于需求设定的至，本发明不做限定，当所述危险场景分析等级达到第一预设危险等级时，表明车辆处于危险场景中，即进行泊车，在泊车完成时，控制发动机停止，便于乘客及时下车逃离危险。
进一步的，所述在所述危险场景分析等级达到第一预设危险等级时，控制所述车辆进行泊车操作的步骤，包括：在所述危险场景分析等级达到第一预设危险等级时，输出所述危险场景分析等级；在接收到针对所述危险场景分析等级发送的确定操作时，确定所述确定操作对应的投票率；在所述投票率高于预设比率时，基于所述车辆的当前位置信息，获得泊车运动轨迹；利用所述泊车运动轨迹，进行泊车操作。
在该实施例中，每一个座位可以设置一个投票器，当所述危险场景分析等级达到第一预设危险等级时，输出所述危险场景分析等级，便于乘客及时获知所述危险场景分析等级，然后乘客基于所述危险场景分析等级，按下投票器，投票器的按下数量与投票器的总数量的比即为投票率，当投票率高于预设比率时，表明乘客觉得危险场景较严重，需要进行泊车操作。其中预设比率可以使用户基于需求设定，也可以基于车辆实际载客容量确定，本发明不做限定。
当投票率不高于预设比率时，表明乘客觉得危险场景不严重，可以进行手动泊车操作或其他继续行车操作。
其中，车辆的当前位置信息可以包括车辆当前位置和车辆所在位置的路况信息，以便于获得泊车运动轨迹，可以是基于自动驾驶算法进行的泊车运动轨迹的获得。
进一步的，所述利用所述泊车运动轨迹，进行泊车操作的步骤，包括：在所述车辆按照所述泊车运动轨迹运动时，获取所述车辆的泊车检测区域的泊车图像；利用所述泊车图像对所述泊车运动轨迹进行修正，获得修正后的泊车运动轨迹；利用所述修正后的泊车运动轨迹，进行泊车操作。
在泊车过程中，可以实时进行泊车运动轨迹的调整，其中，泊车检测区通常是指泊车时，车辆的侧方位和后方位等区域。
进一步的，所述在所述危险场景分析等级达到第一预设危险等级时，控制所述车辆进行泊车操作的步骤之后，所述方法还包括：在所述危险场景分析等级达到第二预设危险等级时，控制所述车辆执行停车操作，并控制所述车辆进行开门窗的操作。
需要说明的，第二预设危险等级可以是用户基于需求设定的，通常，第二预设危险等级大于第一预设危险等级；当所述危险场景分析等级达到第二预设危险等级时，车辆处于很危险场景重，需要及时停车，并开门开窗，让乘客及时下车。
本发明技术方案提出了一种基于自动驾驶的人工智能危险场景的车辆控制方法，用于具有摄像头的车辆，所述方法包括以下步骤：通过所述摄像头获取目标区域的目标图像；将所述目标图像输入危险场景分析模型，获得危险场景分析等级；在所述危险场景分析等级达到第一预设危险等级时，控制所述车辆进行泊车操作。
现有方法中，通过各种电子检测元件进行危险场景的检测，各种电子元件是利用预设阈值进行危险场景的判断，但是在实际场景中，预设阈值的有效性较差，使得电子元件的判断准确率较低，危险等级分析结果准确率较低，进而使得自动驾驶车辆在遇到危险场景时，无法及时进行泊车操作，导致自动驾驶车辆的安全性较差。而利用本发明的方法，是利用危险场景分析模型进行分析，模型输出的危险场景分析等级不依赖于预设阈值，危险场景分析等级的准确率较高，进而使得自动驾驶车辆在出现危险场景时，可以及时进行泊车操作，提高自动驾驶车辆的安全性。
参照图4，图4为本发明基于自动驾驶的人工智能危险场景的车辆控制装置第一实施例的结构框图，所述装置用于车辆，基于与前述实施例相同的发明构思，所述装置包括：
获取模块10，用于通过所述摄像头获取目标区域的目标图像；
分析模块20，用于将所述目标图像输入危险场景分析模型，获得危险场景分析等级；
控制模块30，用于在所述危险场景分析等级达到第一预设危险等级时，控制所述车辆进行泊车操作。
需要说明的是，由于本实施例的装置所执行的步骤与前述方法实施例的步骤相同，其具体的实施方式以及可以达到的技术效果都可参照前述实施例，这里不再赘述。
以上所述仅为本发明的可选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (10)
1.一种基于自动驾驶的人工智能危险场景的车辆控制方法，其特征在于，用于具有摄像头的车辆，所述方法包括以下步骤：
通过所述摄像头获取目标区域的目标图像；
将所述目标图像输入危险场景分析模型，获得危险场景分析等级；
在所述危险场景分析等级达到第一预设危险等级时，控制所述车辆进行泊车操作。
2.如权利要求1所述的方法，其特征在于，所述将所述目标图像输入危险场景分析模型，获得危险场景分析等级的步骤之前，所述方法还包括：
对所述目标图像进行感兴趣区域提取，获得感兴趣区域对应的初始图像；
对所述初始图像进行二值化处理，获得待检测图像；
所述将所述目标图像输入危险场景分析模型，获得危险场景分析等级的步骤，包括：
将所述待检测图像输入危险场景分析模型，获得危险场景分析等级。
3.如权利要求2所述的方法，其特征在于，所述摄像头包括多个，所述待检测图像包括多个所述摄像头对应的多个待检测图像；所述将所述待检测图像输入危险场景分析模型，获得危险场景分析等级的步骤之前，所述方法还包括：
对每个所述待检测图像进行特征标记，获得每个所述待检测图像对应的多个危险特征区域；
对每个所述待检测图像的多个所述危险特征区域进行筛选，获得每个所述待检测图像对应的危险特征集；
所述将所述待检测图像输入危险场景分析模型，获得危险场景分析等级的步骤，包括：
将多个所述待检测图像对应的多个危险特征集输入危险场景分析模型，获得危险场景分析等级。
4.如权利要求3所述的方法，其特征在于，所述将多个所述待检测图像对应的多个危险特征集输入危险场景分析模型，获得危险场景分析等级的步骤之前，所述方法还包括：
获取多个预设危险特征集和多个所述预设危险特征集对应的预设危险场景分析等级；
将多个预设危险特征集和所述预设危险场景分析等级输入初始分析模型进行训练，获得所述危险场景分析模型。
5.如权利要求1所述的方法，其特征在于，所述在所述危险场景分析等级达到第一预设危险等级时，控制所述车辆进行泊车操作的步骤，包括：
在所述危险场景分析等级达到第一预设危险等级时，输出所述危险场景分析等级；
在接收到针对所述危险场景分析等级发送的确定操作时，确定所述确定操作对应的投票率；
在所述投票率高于预设比率时，基于所述车辆的当前位置信息，获得泊车运动轨迹；
利用所述泊车运动轨迹，进行泊车操作。
6.如权利要求5所述的方法，其特征在于，所述利用所述泊车运动轨迹，进行泊车操作的步骤，包括：
在所述车辆按照所述泊车运动轨迹运动时，获取所述车辆的泊车检测区域的泊车图像；
利用所述泊车图像对所述泊车运动轨迹进行修正，获得修正后的泊车运动轨迹；
利用所述修正后的泊车运动轨迹，进行泊车操作。
7.如权利要求1所述的方法，其特征在于，所述在所述危险场景分析等级达到第一预设危险等级时，控制所述车辆进行泊车操作的步骤之后，所述方法还包括：
在所述危险场景分析等级达到第二预设危险等级时，控制所述车辆执行停车操作，并控制所述车辆进行开门窗的操作。
8.一种基于自动驾驶的人工智能危险场景的车辆控制装置，其特征在于，用于具有摄像头的车辆，所述装置包括：
获取模块，用于通过所述摄像头获取目标区域的目标图像；
分析模块，用于将所述目标图像输入危险场景分析模型，获得危险场景分析等级；
控制模块，用于在所述危险场景分析等级达到第一预设危险等级时，控制所述车辆进行泊车操作。
9.一种车辆，其特征在于，所述车辆包括：摄像头、存储器、处理器及存储在所述存储器上并在所述处理器上运行基于自动驾驶的人工智能危险场景的车辆控制程序，所述基于自动驾驶的人工智能危险场景的车辆控制程序被所述处理器执行时实现如权利要求1至7中任一项所述的基于自动驾驶的人工智能危险场景的车辆控制方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有基于自动驾驶的人工智能危险场景的车辆控制程序，所述基于自动驾驶的人工智能危险场景的车辆控制程序被处理器执行时实现如权利要求1至7中任一项所述的基于自动驾驶的人工智能危险场景的车辆控制方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210070994.9A CN114407926A (zh) | 2022-01-20 | 2022-01-20 | 基于自动驾驶的人工智能危险场景的车辆控制方法和车辆 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210070994.9A CN114407926A (zh) | 2022-01-20 | 2022-01-20 | 基于自动驾驶的人工智能危险场景的车辆控制方法和车辆 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114407926A true CN114407926A (zh) | 2022-04-29 |
Family
ID=81275823
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210070994.9A Pending CN114407926A (zh) | 2022-01-20 | 2022-01-20 | 基于自动驾驶的人工智能危险场景的车辆控制方法和车辆 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114407926A (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109358612A (zh) * | 2018-08-29 | 2019-02-19 | 上海商汤智能科技有限公司 | 智能驾驶控制方法和装置、车辆、电子设备、存储介质 |
| CN109389863A (zh) * | 2017-08-02 | 2019-02-26 | 华为技术有限公司 | 提示方法及相关设备 |
| CN110178141A (zh) * | 2017-01-12 | 2019-08-27 | 法雷奥开关和传感器有限责任公司 | 用于操控自主机动车辆的方法 |
| CN110329245A (zh) * | 2019-06-26 | 2019-10-15 | 浙江吉利控股集团有限公司 | 一种自动泊车方法、装置、设备和车辆 |
| CN110606082A (zh) * | 2019-09-25 | 2019-12-24 | 中国第一汽车股份有限公司 | 基于自动驾驶的制动***、方法、装置及车辆 |
| CN110901632A (zh) * | 2019-11-29 | 2020-03-24 | 长城汽车股份有限公司 | 一种自动泊车控制方法及装置 |
| CN110949381A (zh) * | 2019-11-12 | 2020-04-03 | 深圳大学 | 一种驾驶行为危险度的监测方法及装置 |
| CN111619561A (zh) * | 2020-05-22 | 2020-09-04 | 安徽江淮汽车集团股份有限公司 | 自动驾驶汽车的逃逸救生方法、装置、设备及存储介质 |
| CN112046494A (zh) * | 2020-09-11 | 2020-12-08 | 中国第一汽车股份有限公司 | 一种车辆控制方法、装置、设备及存储介质 |
| CN112124317A (zh) * | 2020-08-17 | 2020-12-25 | 广汽蔚来新能源汽车科技有限公司 | 泊车异常修正方法、装置、计算机设备和存储介质 |
| CN113393664A (zh) * | 2020-02-26 | 2021-09-14 | 株式会社斯巴鲁 | 驾驶辅助装置 |
-
2022
- 2022-01-20 CN CN202210070994.9A patent/CN114407926A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110178141A (zh) * | 2017-01-12 | 2019-08-27 | 法雷奥开关和传感器有限责任公司 | 用于操控自主机动车辆的方法 |
| CN109389863A (zh) * | 2017-08-02 | 2019-02-26 | 华为技术有限公司 | 提示方法及相关设备 |
| CN109358612A (zh) * | 2018-08-29 | 2019-02-19 | 上海商汤智能科技有限公司 | 智能驾驶控制方法和装置、车辆、电子设备、存储介质 |
| CN110329245A (zh) * | 2019-06-26 | 2019-10-15 | 浙江吉利控股集团有限公司 | 一种自动泊车方法、装置、设备和车辆 |
| CN110606082A (zh) * | 2019-09-25 | 2019-12-24 | 中国第一汽车股份有限公司 | 基于自动驾驶的制动***、方法、装置及车辆 |
| CN110949381A (zh) * | 2019-11-12 | 2020-04-03 | 深圳大学 | 一种驾驶行为危险度的监测方法及装置 |
| WO2021093013A1 (zh) * | 2019-11-12 | 2021-05-20 | 深圳大学 | 一种驾驶行为危险度的监测方法及装置 |
| CN110901632A (zh) * | 2019-11-29 | 2020-03-24 | 长城汽车股份有限公司 | 一种自动泊车控制方法及装置 |
| CN113393664A (zh) * | 2020-02-26 | 2021-09-14 | 株式会社斯巴鲁 | 驾驶辅助装置 |
| CN111619561A (zh) * | 2020-05-22 | 2020-09-04 | 安徽江淮汽车集团股份有限公司 | 自动驾驶汽车的逃逸救生方法、装置、设备及存储介质 |
| CN112124317A (zh) * | 2020-08-17 | 2020-12-25 | 广汽蔚来新能源汽车科技有限公司 | 泊车异常修正方法、装置、计算机设备和存储介质 |
| CN112046494A (zh) * | 2020-09-11 | 2020-12-08 | 中国第一汽车股份有限公司 | 一种车辆控制方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3561780A1 (en) | Driving behavior determination method, device, equipment and storage medium | |
| CN109067925B (zh) | 一种远程遥控的泊车方法和*** | |
| CN106774306B (zh) | 应用于无人驾驶车辆的启动检测方法、装置和*** | |
| CN109977845B (zh) | 一种可行驶区域检测方法及车载终端 | |
| CN103400500B (zh) | 车辆信息数据采集装置及方法 | |
| US11288887B2 (en) | Object tracking method and apparatus | |
| CN109785368A (zh) | 一种目标跟踪方法和装置 | |
| CN107408304A (zh) | 挂车追踪装置和方法 | |
| CN109840454B (zh) | 目标物定位方法、装置、存储介质以及设备 | |
| CN109353345A (zh) | 车辆控制方法、装置、设备、介质和车辆 | |
| CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
| CN115489536B (zh) | 一种驾驶辅助方法、***、设备及可读存储介质 | |
| CN114332821A (zh) | 决策信息获取方法、装置、终端及存储介质 | |
| CN110478911A (zh) | 基于机器学习的智能游戏车无人驾驶方法及智能车、设备 | |
| CN109711477B (zh) | 一种自动驾驶模型的训练方法及装置 | |
| CN115200554A (zh) | 一种基于图片识别技术的无人机摄影测量监管***及方法 | |
| CN111277956A (zh) | 车辆盲区信息的采集方法及装置 | |
| CN108230680B (zh) | 一种车辆行为信息获取方法、装置及终端 | |
| CN114407926A (zh) | 基于自动驾驶的人工智能危险场景的车辆控制方法和车辆 | |
| KR101236266B1 (ko) | 주차공간정보 관리시스템 | |
| CN114283601A (zh) | 车辆驾驶方法、***、电视机以及存储介质 | |
| CN112644484B (zh) | 制动方法、装置、电子设备及可读存储介质 | |
| CN110046569B (zh) | 一种无人驾驶数据处理方法、装置及电子设备 | |
| CN114494795A (zh) | 基于底盘检测的停车检测方法、装置、设备及存储介质 | |
| CN109685850B (zh) | 一种横向定位方法及车载设备 |
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 |