CN115871622A - 基于落差路面的辅助驾驶方法、电子设备及存储介质 - Google Patents
基于落差路面的辅助驾驶方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115871622A CN115871622A CN202310079372.7A CN202310079372A CN115871622A CN 115871622 A CN115871622 A CN 115871622A CN 202310079372 A CN202310079372 A CN 202310079372A CN 115871622 A CN115871622 A CN 115871622A
- Authority
- CN
- China
- Prior art keywords
- road surface
- vehicle
- drop
- point cloud
- determining
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012549 training Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请提供一种基于落差路面的辅助驾驶方法、电子设备及存储介质,该方法包括:基于车辆传感器获取周围环境数据;其中,所述车辆传感器包括雷达和/或摄像头;根据所述周围环境数据,确定落差路面存在状态;在所述落差路面存在状态为存在的情况下,确定所述车辆行驶至所述落差路面的目标时间;根据所述目标时间,确定并执行与所述目标时间相对应的辅助驾驶方式。本申请实现了覆盖落差路面的工况,有效避免车辆掉入落差路面,提高驾驶安全性的技术效果。
Description
技术领域
本申请涉及辅助驾驶技术领域,具体涉及一种基于落差路面的辅助驾驶方法、电子设备及存储介质。
背景技术
在开车的过程中,驾驶员的视线有限,很难看到前方有落差路面的低处情况,会造成向前盲开的情况。在驾驶员向前盲开时,由于路面的落差过大,可能会产生车辆底盘卡在台阶上等情形。
现有的技术方案中,一般传感器只能够进行障碍物的识别和避让,无法有效识别落差路面,所以,车辆在具有落差路面类似的工况下,车辆辅助***不会有反应,也就不会进行提醒或干预,容易产生安全隐患以及财产损失。
发明内容
鉴于现有技术中的上述缺陷或不足,本申请旨在提供一种基于落差路面的辅助驾驶方法、电子设备及存储介质,以解决驾驶员因为观察不及时或者路况不熟,而导致的掉入落差路面造成的安全隐患以及财产损失的问题。
本申请实施例提供了一种基于落差路面的辅助驾驶方法,包括:
基于车辆传感器获取周围环境数据;其中,所述车辆传感器包括雷达和/或摄像头;
根据所述周围环境数据,确定落差路面存在状态;
在所述落差路面存在状态为存在的情况下,确定所述车辆行驶至所述落差路面的目标时间;
根据所述目标时间,确定并执行与所述目标时间相对应的辅助驾驶方式。
可选的,所述根据所述目标时间,确定并执行与所述目标时间相对应的辅助驾驶方式,包括:
若所述目标时间小于第一预设时间,则生成落差路面提醒信息,并将所述落差路面提醒信息发送至车载终端;
若所述目标时间小于第二预设时间,则控制所述车辆制动;其中,所述第一预设时间大于所述第二预设时间。
可选的,在所述生成落差路面提醒信息,并将所述落差路面提醒信息发送至车载终端之后,还包括:
若在检测时间内未检测到制动或避让操作,则控制所述车辆制动;其中,所述检测时间为所述目标时间和所述第二预设时间的差值。
可选的,所述车辆传感器为雷达,所述周围环境数据为待识别点云数据;所述根据所述周围环境数据,确定落差路面存在状态,包括:
根据所述待识别点云数据,确定所述车辆前进方向的点云分布情况;
若所述点云分布情况包括断层分布,则确定落差路面存在状态为存在。
可选的,所述车辆传感器为雷达,所述周围环境数据为待识别点云数据;所述根据所述周围环境数据,确定落差路面存在状态,包括:
将所述待识别点云数据输入至预先训练完成的落差路面点云识别模型中,得到与所述待识别点云数据相对应的落差路面存在状态;
其中,所述落差路面点云识别模型基于如下方式训练得到:
获取原始点云数据,并基于标注工具对所述原始点云数据进行落差路面标注处理,得到样本点云数据;
基于所述样本点云数据,对初始点云识别模型进行训练,得到落差路面点云识别模型。
可选的,所述车辆传感器为摄像头,所述周围环境数据为待识别图像数据;所述根据所述周围环境数据,确定落差路面存在状态,包括:
根据所述待识别图像数据,确定所述车辆前进方向的道路边界情况;
若所述道路边界情况包括存在向下道路边界,则确定落差路面存在状态为存在。
可选的,所述车辆传感器为摄像头,所述周围环境数据为待识别图像数据;所述根据所述周围环境数据,确定落差路面存在状态,包括:
将所述待识别图像数据输入至预先训练完成的落差路面图像识别模型中,得到与所述待识别图像数据相对应的落差路面存在状态;
其中,所述落差路面图像识别模型基于如下方式训练得到:
获取原始图像数据,并基于标注工具对所述原始图像数据进行落差路面标注处理,得到样本图像数据;
基于所述样本图像数据,对初始图像识别模型进行训练,得到落差路面图像识别模型。
可选的,所述在所述落差路面存在状态为存在的情况下,确定所述车辆行驶至所述落差路面的目标时间,包括:
在所述落差路面存在状态为存在的情况下,确定所述车辆与所述落差路面之间的目标距离,并获取所述车辆的当前行驶速度;
根据所述目标距离以及所述当前行驶速度,确定所述车辆行驶至所述落差路面的目标时间。
本申请实施例还提供了一种电子设备,所述电子设备包括:
处理器和存储器;
所述处理器通过调用所述存储器存储的程序或指令,用于执行本申请任一实施例所述的基于落差路面的辅助驾驶方法的步骤。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储程序或指令,所述程序或指令使计算机执行任一实施例所述的基于落差路面的辅助驾驶方法的步骤。
综上所述,本申请提出一种基于落差路面的辅助驾驶方法,基于车辆传感器获取周围环境数据,并对周围环境数据分析得到落差路面存在状态,进而,在落差路面存在状态为存在的情况下,确定车辆行驶至落差路面的目标时间,并根据目标时间,确定并执行与目标时间相对应的辅助驾驶方式,实现了有效分析和识别落差路面的工况,并采取相应的措施,提高驾驶安全性,避免产生安全隐患以及财产损失。
附图说明
图1是本申请实施例提供的一种基于落差路面的辅助驾驶方法的流程图;
图2是本申请实施例提供的另一种基于落差路面的辅助驾驶方法的流程图;
图3是本申请实施例提供的另一种基于落差路面的辅助驾驶方法的流程图;
图4是本申请实施例提供的一种基于落差路面的辅助驾驶***的架构图;
图5是本申请实施例提供的一种基于落差路面的辅助驾驶***的布局结构示意图;
图6是本申请实施例提供的另一种基于落差路面的辅助驾驶方法的流程图;
图7是本申请实施例提供的一种电子设备的结构示意图。
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。下面将参考附图并结合实施例来详细说明本申请。
图1是本申请实施例提供的一种基于落差路面的辅助驾驶方法的流程图。
参见图1,该基于落差路面的辅助驾驶方法具体包括:
S110、基于车辆传感器获取周围环境数据。
其中,车辆传感器可以是安装在车辆上,用于感知车辆周围的环境,对车辆的周围进行探测。车辆传感器包括雷达和/或摄像头,雷达可以包括激光雷达、毫米波雷达等,摄像头可以包括前视摄像头、侧视摄像头、后视摄像头、环视摄像头等。周围环境数据可以是经由车辆传感器捕捉到的车辆周围环境的数据。
具体的,在车辆上电行驶的过程中,基于车辆传感器可以实时获取车辆周围的感知数据,即周围环境数据。例如,基于雷达可以获取点云数据,基于摄像头可以获取图像数据等。
S120、根据周围环境数据,确定落差路面存在状态。
其中,落差路面可以是具有较大的向下落差的道路情况,例如,向下的阶梯,道路上的大坑等。落差路面存在状态可以用于表示车辆前进方向是否存在落差路面,可以包括存在或不存在。
具体的,针对周围环境数据进行数据分析,判断车辆前进方向上是否存在落差路面,进而,若存在落差路面,则确定落差路面存在状态为存在;若不存在落差路面,则确定落差路面存在状态为不存在。
可选的,若车辆传感器为雷达,周围环境数据为待识别点云数据,那么,可以通过下述方式来根据周围环境数据,确定落差路面存在状态:
根据待识别点云数据,确定车辆前进方向的点云分布情况;若点云分布情况包括断层分布,则确定落差路面存在状态为存在。
其中,待识别点云数据可以是基于雷达采集的车辆周围的点云数据。点云分布情况可以是各点云点的排布疏密情况。断层分布可以是点云点疏密情况突然发生变化,且非障碍物的点云分布情况。
具体的,待识别点云数据包括车辆周围各个方向的点云数据,由于需要检测车辆前进方向上的落差路面,则可以对车辆前进方向上的待识别点云数据进行分析,确定点云点的密度排布,即确定点云分布情况。进而,若根据点云分布情况确定出存在断层或者存在分布差异的部分点云点集合,且该部分点云点集合不为障碍物,则确定点云分布情况包括断层分布,确定该部分点云点集合对应落差路面。
可选的,若车辆传感器为摄像头,周围环境数据为待识别图像数据,那么,可以通过下述方式来根据周围环境数据,确定落差路面存在状态:
根据待识别图像数据,确定车辆前进方向的道路边界情况;若道路边界情况包括存在向下道路边界,则确定落差路面存在状态为存在。
其中,待识别图像数据可以是基于摄像头采集的车辆周围的图像数据。道路边界情况可以包括是否存在道路边界,若存在,存在哪种道路边界。向下道路边界可以理解为向下的阶梯边界,向下的坑的边界等。
具体的,待识别图像数据包括车辆周围各个方向的图像数据,由于需要检测车辆前进方向上的落差路面,则可以对车辆前进方向上的待识别图像数据进行分析,确定车辆前进方向是否存在道路边界,以及存在哪种道路边界,进而,确定道路边界情况。若道路边界情况包括存在向下道路边界,则确定车辆前进方向的道路上存在向下落差,即确定落差路面存在状态为存在。
S130、在落差路面存在状态为存在的情况下,确定车辆行驶至落差路面的目标时间。
其中,目标时间可以是车辆由当前位置行驶至落差路面边缘的时间。
具体的,在落差路面存在状态为存在的情况下,为了避免车辆掉落至落差路面,带来不安全影响,可以预测车辆由当前位置行驶至落差路面边缘的目标时间,以根据目标时间进行适应性的干预。
可以理解的是,确定目标时间而非距离的原因在于:根据距离无法确定车辆是否会驶向落差路面,以及何时会掉落至落差路面,难以有效的进行分析和干预,而使用目标时间,则可以有效衡量掉落落差路面的紧急程度,便于更好的进行干预。
可选的,可以通过下述方式来确定车辆行驶至落差路面的目标时间:
在落差路面存在状态为存在的情况下,确定车辆与落差路面之间的目标距离,并获取车辆的当前行驶速度;根据目标距离以及当前行驶速度,确定车辆行驶至落差路面的目标时间。
其中,目标距离可以是车辆的当前位置与落差路面靠近车辆的边缘的距离。当前行驶速度可以是经由车轮转速等确定的车辆的速度。
具体的,在落差路面存在状态为存在的情况下,可以先通过雷达和/或摄像头获取车辆与落差路面之间的目标距离,并且,可以根据车辆上安装的测速设备,获取车辆的当前行驶速度,进而,将目标距离与当前行驶速度的比值作为车辆行驶至落差路面的目标时间。
S140、根据目标时间,确定并执行与目标时间相对应的辅助驾驶方式。
其中,辅助驾驶方式可以是在驾驶车辆的过程中提供雇主支持的方式,例如:提醒,干预驾驶等。
具体的,在确定目标时间之后,可以确定与目标时间对应的辅助驾驶方式,并且,执行该辅助驾驶方式,以提醒或干预驾驶员的驾驶,避免驾驶员驾驶车辆驶向落差路面,造成危险。
可选的,根据目标时间,确定并执行与目标时间相对应的辅助驾驶方式,可以是:
若目标时间小于第一预设时间,则生成落差路面提醒信息,并将落差路面提醒信息发送至车载终端;若目标时间小于第二预设时间,则控制车辆制动。
其中,第一预设时间大于第二预设时间。第一预设时间可以是触发提醒的时间阈值,第二预设时间可以是触发制动干预的时间阈值。落差路面提醒信息可以是用于提醒驾驶员前方存在落差路面,建议避让的信息。
具体的,若目标时间小于第一预设时间,则表明车辆已经接近落差路面,需要向驾驶员发出提醒信息,因此可以生成落差路面提醒信息,并将落差路面提醒信息发送至车载终端,以提醒驾驶员及时进行规避。若目标时间小于第二预设时间,则表明车辆相较于第一预设时间,存在更大的危险性,因此,可以触发车辆辅助干预,控制车辆制动,避免车辆掉落至落差路面。
可以理解的是,由于第一预设时间大于第二预设时间,那么,若目标时间小于第二预设时间,则目标时间也小于第一预设时间,因此,也可以生成并发送落差路面提醒信息至车载终端,以进行相应的提醒。
可选的,若目标时间不小于第二预设时间且小于第一预设时间,则在生成落差路面提醒信息,并将落差路面提醒信息发送至车载终端之后,还可以:
若在检测时间内未检测到制动或避让操作,则控制车辆制动。
其中,检测时间可以是用于检测车辆有无避让落差路面操作的时间,检测时间为目标时间和第二预设时间的差值。
具体的,在检测时间内持续检测驾驶员的驾驶动作,检测车辆是否进行制动或避让,以避免落入落差路面,若在检测时间内未检测到制动或避让操作,则表明驾驶员未在检测时间内采取措施,因此,可以通过辅助驾驶干预,控制车辆制动来避免危险的发生。
本申请实施例提供的基于落差路面的辅助驾驶方法,基于车辆传感器获取周围环境数据,并对周围环境数据分析得到落差路面存在状态,进而,在落差路面存在状态为存在的情况下,确定车辆行驶至落差路面的目标时间,并根据目标时间,确定并执行与目标时间相对应的辅助驾驶方式,实现了有效分析和识别落差路面的工况,并采取相应的措施,提高驾驶安全性,避免产生安全隐患以及财产损失。
图2是本申请实施例提供的另一种基于落差路面的辅助驾驶方法的流程图。在上述各实施方式的基础上,在车辆传感器为雷达,周围环境数据为待识别点云数据的情况下,对落差路面存在状态的确定过程进行了示例性说明。参见图2,该基于落差路面的辅助驾驶方法具体包括:
S210、基于雷达获取待识别点云数据。
S220、将待识别点云数据输入至预先训练完成的落差路面点云识别模型中,得到与待识别点云数据相对应的落差路面存在状态。
其中,落差路面点云识别模型可以是用于识别向下的落差路面的点云识别模型,可以是机器学习模型,深度学习模型等。
具体的,将待识别点云数据输入至预先训练完成的落差路面点云识别模型中,通过落差路面点云识别模型对待识别点云数据进行分析,得到模型输出结果,用于表示待识别点云数据中是否包含向下的落差路面,以及向下的落差路面的位置等,即将模型数据结果作为与待识别点云数据相对应的落差路面存在状态。
可选的,落差路面点云识别模型基于如下方式训练得到:
获取原始点云数据,并基于标注工具对原始点云数据进行落差路面标注处理,得到样本点云数据;基于样本点云数据,对初始点云识别模型进行训练,得到落差路面点云识别模型。
其中,原始点云数据可以是包含向下的落差路面的点云数据。样本点云数据可以是标注出向下的落差路面的点云点集合的原始点云数据。初始点云识别模型可以是模型参数和超参数未经完全调整,模型结构也未经完全调整的点云识别模型。
具体的,可以通过拍摄采集或者现有数据库等方式获取原始点云数据,原始点云数据中应当包含向下的落差路面的点云点集合。进而,通过标注工具对原始点云数据进行落差路面标注处理,即标注出向下的落差路面的点云点集合,得到与各原始点云数据对应的样本点云数据。进一步的,使用样本点云数据对初始点云识别模型进行训练,将训练完成的模型作为落差路面点云识别模型。
S230、在落差路面存在状态为存在的情况下,确定车辆行驶至落差路面的目标时间。
S240、根据目标时间,确定并执行与目标时间相对应的辅助驾驶方式。
本申请实施例提供的基于落差路面的辅助驾驶方法,基于雷达获取待识别点云数据,将待识别点云数据输入至预先训练完成的落差路面点云识别模型中,得到与待识别点云数据相对应的落差路面存在状态,实现了通过点云分析和识别落差路面的工况,提高落差路面识别的准确性,进而,提高驾驶安全性,避免产生安全隐患以及财产损失。
图3是本申请实施例提供的另一种基于落差路面的辅助驾驶方法的流程图。在上述各实施方式的基础上,在车辆传感器为摄像头,周围环境数据为待识别图像数据的情况下,对落差路面存在状态的确定过程进行了示例性说明。
参见图3,该基于落差路面的辅助驾驶方法具体包括:
S310、基于摄像头获取待识别图像数据。
S320、将待识别图像数据输入至预先训练完成的落差路面图像识别模型中,得到与待识别图像数据相对应的落差路面存在状态。
其中,落差路面图像识别模型可以是用于识别向下的落差路面的图像识别模型,可以是基于各种图像识别算法开发的模型或者机器学习模型、深度学习模型等。
具体的,将待识别图像数据输入至预先训练完成的落差路面图像识别模型中,通过落差路面图像识别模型对待识别图像数据进行分析,得到模型输出结果,用于表示待识别图像数据中是否包含向下的落差路面,以及向下的落差路面的位置等,即将模型数据结果作为与待识别图像数据相对应的落差路面存在状态。
可选的,落差路面图像识别模型基于如下方式训练得到:
获取原始图像数据,并基于标注工具对原始图像数据进行落差路面标注处理,得到样本图像数据;基于样本图像数据,对初始图像识别模型进行训练,得到落差路面图像识别模型。
其中,原始图像数据可以是包含向下的落差路面的图像数据。样本图像数据可以是标注出向下的落差路面的图像的原始图像数据。初始图像识别模型可以是模型参数和超参数未经完全调整,模型结构也未经完全调整的图像识别模型。
具体的,可以通过拍摄采集或者现有数据库等方式获取原始图像数据,原始图像数据中应当包含向下的落差路面的图像。进而,通过标注工具对原始图像数据进行落差路面标注处理,即标注出向下的落差路面的图像,得到与各原始图像数据对应的样本图像数据。进一步的,使用样本图像数据对初始图像识别模型进行训练,将训练完成的模型作为落差路面图像识别模型。
S330、在落差路面存在状态为存在的情况下,确定车辆行驶至落差路面的目标时间。
S340、根据目标时间,确定并执行与目标时间相对应的辅助驾驶方式。
本申请实施例提供的基于落差路面的辅助驾驶方法,基于摄像头获取待识别图像数据,将待识别图像数据输入至预先训练完成的落差路面图像识别模型中,得到与待识别图像数据相对应的落差路面存在状态,实现了通过图像分析和识别落差路面的工况,提高落差路面识别的准确性,进而,提高驾驶安全性,避免产生安全隐患以及财产损失。
图4是本申请实施例提供的一种基于落差路面的辅助驾驶***的架构图,图5是本申请实施例提供的一种基于落差路面的辅助驾驶***的布局结构示意图。
如图4和图5所示,其中,感知模块包括前/侧/后视摄像头、激光雷达、毫米波雷达,负责环境感知构建和物体探测;域控制器模块作为智能驾驶大脑,根据各模块输入的信息,做出相应的决策和指令;人机交互模块负责响应域控制器模块的指令,对驾驶员进行视觉和听觉的提醒;制动模块负责响应域控制器模块的指令,对车辆进行制动。
基于落差路面的辅助驾驶***的具体布局结构如图5所示,感知模块包括一个激光雷达1,三个毫米波雷达2,两个前视摄像头3,四个侧视摄像头4,一个后视摄像头5以及四个环视摄像头6,具体设置位置参考图5;可选的,感知模块还包括十二个超声波雷达,分布于车身四周,未在图5中示出。域控制器模块包括智能驾驶域控制器7;人机交互模块包括仪表、中控屏及声光***8;制动模块包括制动***9,具体设置位置参考图5。
在驾驶员驾驶车辆不明白周围路况的情况下,基于落差路面的辅助驾驶方法利用智能驾驶传感器检测前方和后方的道路结构,如果车辆出现掉入落差路面的可能性时,将会对驾驶员进行画面和声音提示,提醒驾驶员进行制动,如果驾驶员未能响应***的提示,达到一定的危险程度后,***将会代替驾驶员进行制动停车,保护驾驶员的人身安全和财产损失。具体的,另一种基于落差路面的辅助驾驶方法的流程图如图6所示,具体流程为:
1.车辆正常行驶
尤其指,车辆行驶在道路结构复杂的陌生道路,夜晚视线不明或者周围道路存在一定的盲区。
2.落差路面识别
传感器识别前方和后方的落差路面,主要利用雷达(激光雷达)和摄像头对路面情况进行识别。
激光雷达扫描车辆周围区域的空间,形成激光点云,激光点云能够形成周围环境的三维拓扑结构,将激光点云传输到域控制器里,域控制器对三维拓扑结构进行识别处理,当车辆前行方向的道路点云结构出现明显断层或者明显的分布差异时,则路面情况可能发生变化,存在落差路面的可能。
摄像头通过实时传输视频画面到域控制器,域控制器对画面进行处理,当在车辆前行方向识别出明显的道路边界时,则路面情况可能发生变化,存在落差路面的可能。
3、计算车辆掉进落差路面的时间
域控制器通过制动***实时获取当前车速,通过激光雷达实时获取车辆和落差路面边缘的距离,实时推算出车辆掉入落差路面的时间TTC。
4、对驾驶员进行警告提示
当时间TTC≤t1(t1大小可根据实车进行标定调整,第一预设时间)时,域控制器判断车辆有一定的可能性掉入落差路面,域控制器即发出相关信号,对驾驶员进行警告提醒,包括语音提醒,仪表提醒和中控屏提醒等。如果驾驶员响应了***的提醒,对车辆进行及时的制动,就能避免把车辆开入落差路面。
5、车辆进行自行制动
当时间TTC≤t2(t2大小可根据实车进行标定调整,第二预设时间)时,域控制器判断车辆掉入落差路面的可能性非常大,域控制器发出相关信号,控制制动***进行制动停车,就能避免把车辆开入落差路面。
本申请实施例提供的基于落差路面的辅助驾驶方法,覆盖了落差路面的驾驶场景,防止驾驶员因为观察不及时或者路况不熟,导致掉入落差路面造成安全影响和财产损失。
图7是本申请实施例提供的一种电子设备的结构示意图。如图7所示,电子设备700包括一个或多个处理器701和存储器702。
处理器701可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备700中的其他组件以执行期望的功能。
存储器702可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器701可以运行所述程序指令,以实现上文所说明的本申请任意实施例的基于落差路面的辅助驾驶方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如初始外参、阈值等各种内容。
在一个示例中,电子设备700还可以包括:输入装置703和输出装置704,这些组件通过总线***和/或其他形式的连接机构(未示出)互连。该输入装置703可以包括例如键盘、鼠标等等。该输出装置704可以向外部输出各种信息,包括预警提示信息、制动力度等。该输出装置704可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图7中仅示出了该电子设备700中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备700还可以包括任何其他适当的组件。
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本申请任意实施例所提供的基于落差路面的辅助驾驶方法的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本申请任意实施例所提供的基于落差路面的辅助驾驶方法的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、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。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。
需要说明的是,本申请所用术语仅为了描述特定实施例,而非限制本申请范围。如本申请说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。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、方法或者设备不仅包括那些要素,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、方法或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。
还需说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”等应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。以上所述仅是本申请的优选实施方式,应当指出,由于文字表达的有限性,而客观上存在无限的具体结构,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进、润饰或变化,也可以将上述技术特征以适当的方式进行组合;这些改进润饰、变化或组合,或未经改进将发明的构思和技术方案直接应用于其他场合的,均应视为本申请的保护范围。
Claims (10)
1.一种基于落差路面的辅助驾驶方法,其特征在于,包括:
基于车辆传感器获取周围环境数据;其中,所述车辆传感器包括雷达和/或摄像头;
根据所述周围环境数据,确定落差路面存在状态;
在所述落差路面存在状态为存在的情况下,确定所述车辆行驶至所述落差路面的目标时间;
根据所述目标时间,确定并执行与所述目标时间相对应的辅助驾驶方式。
2.根据权利要求1所述的方法,其特征在于,所述根据所述目标时间,确定并执行与所述目标时间相对应的辅助驾驶方式,包括:
若所述目标时间小于第一预设时间,则生成落差路面提醒信息,并将所述落差路面提醒信息发送至车载终端;
若所述目标时间小于第二预设时间,则控制所述车辆制动;其中,所述第一预设时间大于所述第二预设时间。
3.根据权利要求2所述的方法,其特征在于,在所述生成落差路面提醒信息,并将所述落差路面提醒信息发送至车载终端之后,还包括:
若在检测时间内未检测到制动或避让操作,则控制所述车辆制动;其中,所述检测时间为所述目标时间和所述第二预设时间的差值。
4.根据权利要求1所述的方法,其特征在于,所述车辆传感器为雷达,所述周围环境数据为待识别点云数据;所述根据所述周围环境数据,确定落差路面存在状态,包括:
根据所述待识别点云数据,确定所述车辆前进方向的点云分布情况;
若所述点云分布情况包括断层分布,则确定落差路面存在状态为存在。
5.根据权利要求1所述的方法,其特征在于,所述车辆传感器为雷达,所述周围环境数据为待识别点云数据;所述根据所述周围环境数据,确定落差路面存在状态,包括:
将所述待识别点云数据输入至预先训练完成的落差路面点云识别模型中,得到与所述待识别点云数据相对应的落差路面存在状态;
其中,所述落差路面点云识别模型基于如下方式训练得到:
获取原始点云数据,并基于标注工具对所述原始点云数据进行落差路面标注处理,得到样本点云数据;
基于所述样本点云数据,对初始点云识别模型进行训练,得到落差路面点云识别模型。
6.根据权利要求1所述的方法,其特征在于,所述车辆传感器为摄像头,所述周围环境数据为待识别图像数据;所述根据所述周围环境数据,确定落差路面存在状态,包括:
根据所述待识别图像数据,确定所述车辆前进方向的道路边界情况;
若所述道路边界情况包括存在向下道路边界,则确定落差路面存在状态为存在。
7.根据权利要求1所述的方法,其特征在于,所述车辆传感器为摄像头,所述周围环境数据为待识别图像数据;所述根据所述周围环境数据,确定落差路面存在状态,包括:
将所述待识别图像数据输入至预先训练完成的落差路面图像识别模型中,得到与所述待识别图像数据相对应的落差路面存在状态;
其中,所述落差路面图像识别模型基于如下方式训练得到:
获取原始图像数据,并基于标注工具对所述原始图像数据进行落差路面标注处理,得到样本图像数据;
基于所述样本图像数据,对初始图像识别模型进行训练,得到落差路面图像识别模型。
8.根据权利要求1所述的方法,其特征在于,所述在所述落差路面存在状态为存在的情况下,确定所述车辆行驶至所述落差路面的目标时间,包括:
在所述落差路面存在状态为存在的情况下,确定所述车辆与所述落差路面之间的目标距离,并获取所述车辆的当前行驶速度;
根据所述目标距离以及所述当前行驶速度,确定所述车辆行驶至所述落差路面的目标时间。
9.一种电子设备,其特征在于,所述电子设备包括:
处理器和存储器;
所述处理器通过调用所述存储器存储的程序或指令,用于执行如权利要求1至8任一项所述的基于落差路面的辅助驾驶方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储程序或指令,所述程序或指令使计算机执行如权利要求1至8任一项所述的基于落差路面的辅助驾驶方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310079372.7A CN115871622A (zh) | 2023-01-19 | 2023-01-19 | 基于落差路面的辅助驾驶方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310079372.7A CN115871622A (zh) | 2023-01-19 | 2023-01-19 | 基于落差路面的辅助驾驶方法、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115871622A true CN115871622A (zh) | 2023-03-31 |
Family
ID=85760901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310079372.7A Withdrawn CN115871622A (zh) | 2023-01-19 | 2023-01-19 | 基于落差路面的辅助驾驶方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115871622A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101549691A (zh) * | 2009-04-23 | 2009-10-07 | 上海交通大学 | 自动识别道路深坑与障碍物的车辆智能装置 |
CN107757612A (zh) * | 2016-08-15 | 2018-03-06 | 法乐第(北京)网络科技有限公司 | 一种车辆高低路面驾驶辅助方法及装置 |
CN109358614A (zh) * | 2018-08-30 | 2019-02-19 | 深圳市易成自动驾驶技术有限公司 | 自动驾驶方法、***、装置及可读存储介质 |
US20190180118A1 (en) * | 2014-02-17 | 2019-06-13 | Ge Global Sourcing Llc | Locomotive imaging system and method |
CN110749457A (zh) * | 2019-10-31 | 2020-02-04 | 重庆长安汽车股份有限公司 | 智能驾驶汽车对路面坑洼拥包预警方法、***及智能驾驶汽车 |
CN112132159A (zh) * | 2020-09-07 | 2020-12-25 | 山东科技大学 | 一种连续剖面点云特征分析的路面坑槽提取方法 |
CN112455467A (zh) * | 2021-01-11 | 2021-03-09 | 湖南汽车工程职业学院 | 智能驾驶汽车对路面坑洼拥包预警方法 |
CN112906449A (zh) * | 2020-12-02 | 2021-06-04 | 北京中科慧眼科技有限公司 | 基于稠密视差图的路面坑洼检测方法、***和设备 |
US20210241026A1 (en) * | 2020-02-04 | 2021-08-05 | Nio Usa, Inc. | Single frame 4d detection using deep fusion of camera image, imaging radar and lidar point cloud |
CN113808103A (zh) * | 2021-09-16 | 2021-12-17 | 广州大学 | 基于图像处理的路面坑洼自动检测方法、设备和存储介质 |
CN114359850A (zh) * | 2021-11-30 | 2022-04-15 | 三维通信股份有限公司 | 车辆自动驾驶控制方法、***、电子装置和存储介质 |
CN114494366A (zh) * | 2022-01-19 | 2022-05-13 | 中铁第一勘察设计院集团有限公司 | 一种影像与点云配准的道路坑槽提取方法 |
CN114572183A (zh) * | 2022-02-25 | 2022-06-03 | 智己汽车科技有限公司 | 一种汽车路面自适应的车辆控制方法及设备 |
CN114616158A (zh) * | 2021-07-09 | 2022-06-10 | 华为技术有限公司 | 自动驾驶方法、装置和存储介质 |
-
2023
- 2023-01-19 CN CN202310079372.7A patent/CN115871622A/zh not_active Withdrawn
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101549691A (zh) * | 2009-04-23 | 2009-10-07 | 上海交通大学 | 自动识别道路深坑与障碍物的车辆智能装置 |
US20190180118A1 (en) * | 2014-02-17 | 2019-06-13 | Ge Global Sourcing Llc | Locomotive imaging system and method |
CN107757612A (zh) * | 2016-08-15 | 2018-03-06 | 法乐第(北京)网络科技有限公司 | 一种车辆高低路面驾驶辅助方法及装置 |
CN109358614A (zh) * | 2018-08-30 | 2019-02-19 | 深圳市易成自动驾驶技术有限公司 | 自动驾驶方法、***、装置及可读存储介质 |
CN110749457A (zh) * | 2019-10-31 | 2020-02-04 | 重庆长安汽车股份有限公司 | 智能驾驶汽车对路面坑洼拥包预警方法、***及智能驾驶汽车 |
US20210241026A1 (en) * | 2020-02-04 | 2021-08-05 | Nio Usa, Inc. | Single frame 4d detection using deep fusion of camera image, imaging radar and lidar point cloud |
CN112132159A (zh) * | 2020-09-07 | 2020-12-25 | 山东科技大学 | 一种连续剖面点云特征分析的路面坑槽提取方法 |
CN112906449A (zh) * | 2020-12-02 | 2021-06-04 | 北京中科慧眼科技有限公司 | 基于稠密视差图的路面坑洼检测方法、***和设备 |
CN112455467A (zh) * | 2021-01-11 | 2021-03-09 | 湖南汽车工程职业学院 | 智能驾驶汽车对路面坑洼拥包预警方法 |
CN114616158A (zh) * | 2021-07-09 | 2022-06-10 | 华为技术有限公司 | 自动驾驶方法、装置和存储介质 |
WO2023279371A1 (zh) * | 2021-07-09 | 2023-01-12 | 华为技术有限公司 | 自动驾驶方法、装置和存储介质 |
CN113808103A (zh) * | 2021-09-16 | 2021-12-17 | 广州大学 | 基于图像处理的路面坑洼自动检测方法、设备和存储介质 |
CN114359850A (zh) * | 2021-11-30 | 2022-04-15 | 三维通信股份有限公司 | 车辆自动驾驶控制方法、***、电子装置和存储介质 |
CN114494366A (zh) * | 2022-01-19 | 2022-05-13 | 中铁第一勘察设计院集团有限公司 | 一种影像与点云配准的道路坑槽提取方法 |
CN114572183A (zh) * | 2022-02-25 | 2022-06-03 | 智己汽车科技有限公司 | 一种汽车路面自适应的车辆控制方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200298846A1 (en) | Apparatus for preventing pedestrian collision accident, system having the same, and method thereof | |
KR101555444B1 (ko) | 차량탑재 상황감지 장치 및 그 방법 | |
KR102051142B1 (ko) | 차량용 운전자 위험 지수 관리 시스템 및 그 방법 | |
US9524643B2 (en) | Orientation sensitive traffic collision warning system | |
JP5718942B2 (ja) | 輸送手段の安全な運転を補助する装置及び方法 | |
US10336252B2 (en) | Long term driving danger prediction system | |
CN107399327B (zh) | 信息显示装置 | |
JP2004362586A (ja) | 車両用画像処理システム | |
US11713046B2 (en) | Driving assistance apparatus and data collection system | |
CN113370992B (zh) | 车辆压线的提醒方法、设备和存储介质 | |
WO2023179494A1 (zh) | 危险预警的方法、装置和车辆 | |
JP6468306B2 (ja) | 視認支援装置、方法およびプログラム | |
CN115635977A (zh) | 一种车辆碰撞预警方法、装置、电子设备及存储介质 | |
CN112606804A (zh) | 一种车辆主动制动的控制方法及控制*** | |
EP4152275A1 (en) | Vehicle collision detection and driver notification system | |
CN113428160B (zh) | 危险场景的预测方法、装置、***、电子设备及存储介质 | |
JP2008302741A (ja) | 運転支援装置 | |
JP2009151566A (ja) | 車両用表示装置 | |
US20210264786A1 (en) | Warning device of vehicle and warning method thereof | |
JP5747593B2 (ja) | 規範車速算出装置及びプログラム | |
CN111717196A (zh) | 一种基于视觉分析的驾驶安全辅助装置 | |
JP2007293592A (ja) | 走行支援装置 | |
CN115871622A (zh) | 基于落差路面的辅助驾驶方法、电子设备及存储介质 | |
US20240046779A1 (en) | Driving determination system, driving determination method, and recording medium | |
US11420639B2 (en) | Driving assistance apparatus |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230331 |