CN117104265A - 自动驾驶处理方法、装置、车辆及存储介质 - Google Patents
自动驾驶处理方法、装置、车辆及存储介质 Download PDFInfo
- Publication number
- CN117104265A CN117104265A CN202311086391.9A CN202311086391A CN117104265A CN 117104265 A CN117104265 A CN 117104265A CN 202311086391 A CN202311086391 A CN 202311086391A CN 117104265 A CN117104265 A CN 117104265A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- toll station
- information
- target gate
- gate
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 230000007613 environmental effect Effects 0.000 claims abstract description 95
- 238000003062 neural network model Methods 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims description 23
- 230000000153 supplemental effect Effects 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims 1
- 230000001427 coherent effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 7
- 238000002372 labelling Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000002085 persistent effect Effects 0.000 description 6
- 230000008447 perception Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 241001300198 Caperonia palustris Species 0.000 description 2
- 235000000384 Veronica chamaedrys Nutrition 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
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
-
- 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
-
- 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
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
-
- 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
- B60W2554/00—Input parameters relating to objects
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种自动驾驶处理方法、装置、车辆及存储介质。该方法包括:在检测到车辆距离收费站预设距离时,由预设神经网络模型根据传感器采集的传感器信号,识别出收费站区域的环境对象和周边车辆;通过预设神经网络模型对所述收费站区域的环境对象进行分析处理,输出所述环境对象的位置及补充信息;根据所述周边车辆、所述环境对象的位置及补充信息确定目标闸口,生成所述目标闸口的规划路径;控制所述车辆沿所述规划路径行驶通过所述目标闸口。本申请提供的方案,能够使车辆在收费站场景下自动通过收费站区域,使得车辆自动驾驶功能连贯,提升用户驾驶体验。
Description
技术领域
本申请涉及自动驾驶技术领域,尤其涉及一种自动驾驶处理方法、装置、车辆及存储介质。
背景技术
目前,自动驾驶技术不断发展,也出现了辅助驾驶/自动驾驶功能。
相关技术中,目前市面上量产车辆所搭载的辅助驾驶/自动驾驶功能,还无法让车辆自主通过高速公路收费站。当车辆接近收费站时,由于车道变多,车道线不清晰等情况,目前还需要驾驶员接管车辆并控制车辆经过人工收费闸口或ETC(Electronic TollCollection,电子收费)闸口,从而造成自动驾驶功能不连贯,影响用户驾驶体验。
发明内容
为解决或部分解决相关技术中存在的问题,本申请提供一种自动驾驶处理方法、装置、车辆及存储介质,能够使车辆在收费站场景下自动通过收费站区域,使得车辆自动驾驶功能连贯,提升用户驾驶体验。
本申请第一方面提供一种自动驾驶处理方法,包括:
在检测到车辆距离收费站预设距离时,由预设神经网络模型根据传感器采集的传感器信号,识别出收费站区域的环境对象和周边车辆;
通过预设神经网络模型对所述收费站区域的环境对象进行分析处理,输出所述环境对象的位置及补充信息;
根据所述周边车辆、所述环境对象的位置及补充信息确定目标闸口,生成所述目标闸口的规划路径;
控制所述车辆沿所述规划路径行驶通过所述目标闸口。
在一实施方式中,所述预设神经网络模型按以下方式预先训练得到:
获取输入的包含收费站区域的环境对象的图片或视频,从所述图片或视频中识别出所述环境对象;
获取对所述环境对象的标注信息;
建立所述标注信息与输入的所述环境对象的关联性;
根据所述关联性输出所述环境对象的位置及补充信息。
在一实施方式中,所述环境对象包括以下其中一项或其组合:
车道线、护栏、交通锥、防撞桶、闸口、挡车杆、标牌。
在一实施方式中,所述输出所述环境对象的位置及补充信息,包括:
在车道线缺失情况下,输出对所述车道线进行补全后的虚拟车道线及所述虚拟车道线的位置。
在一实施方式中,所述虚拟车道线由所述预设神经网络模型根据车道线关联信息推理得到,
其中所述车道线关联信息包括以下一项或其组合:道路宽度、车道线残留信息、远处车道线和闸口位置。
在一实施方式中,所述根据所述周边车辆、所述环境对象的位置及补充信息确定目标闸口,包括:
根据所述周边车辆、所述环境对象的位置及补充信息,确定通行时间短的目标闸口。
在一实施方式中,所述根据所述周边车辆、所述环境对象的位置及补充信息确定目标闸口,包括:
根据所述标牌及识别出的地面文字信息,识别出ETC闸口和人工闸口;
根据所述周边车辆、所述环境对象的位置及补充信息,从所述ETC闸口中选择一个闸口作为目标闸口。
在一实施方式中,所述控制所述车辆沿所述规划路径行驶通过所述目标闸口,包括:
控制所述车辆沿所述规划路径减速行驶,在所述规划路径中有前行车辆时,跟随所述前行车辆通过所述目标闸口。
在一实施方式中,所述在检测到车辆距离收费站预设距离时,根据传感器采集的传感器信号,识别出收费站区域的环境对象和周边车辆之前,还包括:
根据传感器采集的定位信号确定车辆位置,根据所述车辆位置及导航地图信息提前确定所述收费站位置。
在一实施方式中,所述方法还包括:
在检测到车辆距离收费站预设距离时,控制车辆的驾驶模式切换到收费站模式。
本申请第二方面提供一种自动驾驶处理装置,包括:
模型识别模块,用于在检测到车辆距离收费站预设距离时,由预设神经网络模型根据传感器采集的传感器信号,识别出收费站区域的环境对象和周边车辆;
模型处理模块,用于通过预设神经网络模型对所述收费站区域的环境对象进行分析处理,输出所述环境对象的位置及补充信息;
路径规划模块,用于根据所述周边车辆、所述环境对象的位置及补充信息确定目标闸口,生成所述目标闸口的规划路径;
驾驶控制模块,用于控制所述车辆沿所述规划路径行驶通过所述目标闸口。
在一实施方式中,所述装置还包括:
模型训练模块,用于训练生成所述预设神经网络模型,其中所述预设神经网络模型按以下方式预先训练得到:获取输入的包含收费站区域的环境对象的图片或视频,从所述图片或视频中识别出所述环境对象;获取对所述环境对象的标注信息;建立所述标注信息与输入的所述环境对象的关联性;根据所述关联性输出所述环境对象的位置及补充信息。
本申请第三方面提供一种车辆,包括:
处理器;以及
存储器,其上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如上所述的方法。
本申请第四方面提供一种计算机可读存储介质,其上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行如上所述的方法。
本申请提供的技术方案可以包括以下有益效果:
本申请的技术方案,预设了神经网络模型,在由预设神经网络模型根据传感器采集的传感器信号识别出收费站区域的环境对象和周边车辆之后,可以通过预设神经网络模型对所述收费站区域的环境对象进行分析处理,输出所述环境对象的位置及补充信息;然后就可以根据所述周边车辆、所述环境对象的位置及补充信息确定目标闸口,生成所述目标闸口的规划路径;再控制所述车辆沿所述规划路径行驶通过所述目标闸口。神经网络模型利用了深度学习算法训练得到,可以对环境对象缺失的信息进行补充,输出环境对象的补充信息,例如闸口前的车道线缺失时可以进行补全。因此,利用环境对象的补充信息和周边车辆的情况,就能比较准确的规划目标闸口和生成所述目标闸口的规划路径,进而沿所述规划路径行驶通过所述目标闸口。通过上述处理,就解决了在收费站场景复杂路况下的感知识别,能自动识别收费站附近的环境对象例如车道、闸口及挡车杆等,引导车辆自动驶入驶出收费站,无需用户接管,实现了车辆自动驾驶通过收费站的无缝体验,提升了用户驾驶体验,拓宽了自动驾驶功能的适用场景,也提升了自动驾驶功能的完整性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
通过结合附图对本申请示例性实施方式进行更详细地描述,本申请的上述以及其他目的、特征和优势将变得更加明显,其中,在本申请示例性实施方式中,相同的参考标号通常代表相同部件。
图1是本申请示出的自动驾驶处理方法的第一流程示意图;
图2是本申请示出的自动驾驶处理方法的第二流程示意图;
图3是本申请示出的自动驾驶处理方法的第三流程示意图;
图4是本申请示出的自动驾驶处理方法中收费站闸口前的车道线识别和补全的示意图;
图5是本申请示出的自动驾驶处理装置的第一结构示意图;
图6是本申请示出的自动驾驶处理装置的第二结构示意图;
图7是本申请示出的车辆的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的实施方式。虽然附图中显示了本申请的实施方式,然而应该理解,可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本申请更加透彻和完整,并且能够将本申请的范围完整地传达给本领域的技术人员。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语“第一”、“第三”、“第三”等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第三信息,类似地,第三信息也可以被称为第一信息。由此,限定有“第一”、“第三”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
相关技术中,当车辆接近收费站时,由于车道变多,车道线不清晰等情况,目前还需要驾驶员接管车辆并控制车辆经过人工收费闸口或ETC闸口,从而造成自动驾驶功能不连贯,影响用户驾驶体验。针对上述问题,本申请提供一种自动驾驶处理方法,能够使车辆在收费站场景下自动通过收费站区域,使得车辆自动驾驶功能连贯,提升用户驾驶体验。
以下结合附图详细描述本申请的技术方案。
图1是本申请示出的自动驾驶处理方法的第一流程示意图。
参见图1,该方法包括:
S101,在检测到车辆距离收费站预设距离时,由预设神经网络模型根据传感器采集的传感器信号,识别出收费站区域的环境对象和周边车辆。
其中,传感器信号可以是摄像头、激光雷达、毫米波雷达等传感器采集的传感器信号。
其中,在检测到车辆距离收费站预设距离时,可以控制车辆的驾驶模式切换到收费站模式。
S102,通过预设神经网络模型对收费站区域的环境对象进行分析处理,输出环境对象的位置及补充信息。
其中,预设神经网络模型按以下方式预先训练得到:获取输入的包含收费站区域的环境对象的图片或视频,从图片或视频中识别出环境对象;获取对环境对象的标注信息;建立标注信息与输入的环境对象的关联性;根据关联性输出环境对象的位置及补充信息。
其中,环境对象包括以下其中一项或其组合:车道线、护栏、交通锥、防撞桶、闸口、挡车杆、标牌。
其中输出环境对象的位置及补充信息,包括:在车道线缺失情况下,输出对车道线进行补全后的虚拟车道线及虚拟车道线的位置。虚拟车道线由预设神经网络模型根据车道线关联信息推理得到,其中车道线关联信息包括以下一项或其组合:道路宽度、车道线残留信息、远处车道线和闸口位置。
S103,根据周边车辆、环境对象的位置及补充信息确定目标闸口,生成目标闸口的规划路径。
其中,可以根据周边车辆、环境对象的位置及补充信息,确定通行时间短的目标闸口。
其中,可以根据标牌及识别出的地面文字信息,识别出ETC闸口和人工闸口;根据周边车辆、环境对象的位置及补充信息,从ETC闸口中选择一个闸口作为目标闸口。
S104,控制车辆沿规划路径行驶通过目标闸口。
其中,可以控制车辆沿规划路径减速行驶,在规划路径中有前行车辆时,跟随前行车辆通过目标闸口。
从该实施例可以看出,本申请的技术方案,预设了神经网络模型,在由预设神经网络模型根据传感器采集的传感器信号识别出收费站区域的环境对象和周边车辆之后,可以通过预设神经网络模型对收费站区域的环境对象进行分析处理,输出环境对象的位置及补充信息;然后就可以根据周边车辆、环境对象的位置及补充信息确定目标闸口,生成目标闸口的规划路径;再控制车辆沿规划路径行驶通过目标闸口。神经网络模型利用了深度学习算法训练得到,可以对环境对象缺失的信息进行补充,输出环境对象的补充信息,例如闸口前的车道线缺失时可以进行补全。因此,利用环境对象的补充信息和周边车辆的情况,就能比较准确的规划目标闸口和生成目标闸口的规划路径,进而沿规划路径行驶通过目标闸口。通过上述处理,就解决了在收费站场景复杂路况下的感知识别,能自动识别收费站附近的环境对象例如车道、闸口及挡车杆等,引导车辆自动驶入驶出收费站,无需用户接管,实现了车辆自动驾驶通过收费站的无缝体验,提升了用户驾驶体验,拓宽了自动驾驶功能的适用场景,也提升了自动驾驶功能的完整性。
图2是本申请示出的自动驾驶处理方法的第二流程示意图。
参见图2,该方法包括:
S201,根据传感器采集的定位信号确定车辆位置,根据车辆位置及导航地图信息提前确定收费站位置。
车辆可以通过惯性测量单元、卫星导航单元、陀螺仪、轮速计等传感器采集的定位信号来提供车辆定位信息,并配合导航地图信息可以提前确定收费站位置。
S202,在检测到车辆距离收费站预设距离时,由预设神经网络模型根据传感器采集的传感器信号,识别出收费站区域的环境对象和周边车辆。
该步骤可以参见S101中的描述,此处不再赘述。
S203,通过预设神经网络模型对收费站区域的环境对象进行分析处理,输出环境对象的位置及补充信息。
该步骤可以参见S102中的描述,此处不再赘述。
S204,根据周边车辆、环境对象的位置及补充信息确定目标闸口,生成目标闸口的规划路径。
该步骤可以参见S103中的描述,此处不再赘述。
S205,控制车辆沿规划路径行驶向目标闸口行驶,并识别目标闸口的挡车杆的状态。
车辆快行驶到挡车杆前,可以通过感知算法识别挡车杆状态,判断挡车杆是否抬起,减速或停车等待挡车杆抬起。
S206,在识别到挡车杆抬起后,控制车辆通过目标闸口。
在识别到挡车杆抬起后,控制车辆行驶通过目标闸口,沿车道线驶离收费站。
从该实施例可以看出,本申请的技术方案,可以根据车辆位置及导航地图信息提前确定收费站位置,通过神经网络模型可以对环境对象缺失的信息进行补充,例如闸口前的车道线缺失时可以进行补全,从而利用环境对象的补充信息和周边车辆的情况,就能比较准确的规划目标闸口和生成目标闸口的规划路径,进而沿规划路径行驶通过目标闸口。本申请能自动识别收费站附近的环境对象例如车道、闸口及挡车杆等,引导车辆自动驶入驶出收费站,无需用户接管,实现了车辆自动驾驶通过收费站的无缝体验,提升了用户驾驶体验。
图3是本申请示出的自动驾驶处理方法的第三流程示意图。
本申请提供一种在收费站场景下自动驾驶通过收费站的方案。本申请通过感知算法和地图定位算法,可以自动识别收费站附近车道、闸口及挡车杆等环境对象,引导车辆自动驶入驶出收费站。本申请可以先通过地图定位等提前知晓收费站的存在,并通过感知算法与地图进行匹配,识别出车道线、护栏、交通锥、防撞桶、收费闸口、挡车杆、标牌等常见环境对象的特征,及识别出周边车辆,引导车辆全程自动通过收费站区域。需说明的是,本申请所提出的针对收费站场景的感知算法,包括并不限于对车道线、车辆、护栏、交通锥、防撞桶、收费闸口、挡车杆、标牌等的感知识别。
本申请的车辆,可以具有驾驶辅助***例如具有Xpilot 3.0或类似硬件设置,包括硬件传感器和计算平台。其中,传感器可以包括摄像头、激光雷达、毫米波雷达、IMU(Inertial Measurement Unit,惯性测量单元)、GNSS(GlobalNavigationSatelliteSystem,卫星导航单元)、陀螺仪、轮速计等。其中,计算平台可以包括车载CPU(Central Processing Unit,中央处理器)、GPU(Graphics ProcessingUnit,图形处理器)、集成电路芯片等。
参见图3,该方法包括:
S301,正常行车模式下,根据传感器采集的定位信号确定车辆位置,根据车辆位置及导航地图信息提前确定收费站位置。
本申请自动驾驶的车辆,在接近前方收费站之前可以处于正常行车模式下,此时可以通过惯性测量单元、卫星导航单元、陀螺仪、轮速计等传感器采集的定位信号来提供车辆定位信息,并配合导航地图信息可以提前确定收费站位置,即可以提前知晓收费站的存在。
S302,判断车辆是否距离收费站预设距离,如果是距离收费站预设距离,进入S303,如果距离收费站未达到预设距离,返回S301。
该步骤中,判断车辆是否距离收费站预设距离,即判断车辆是否接近收费站。其中预设距离可以根据经验取值,例如可以是200米或300米等。
S303,控制车辆的驾驶模式切换到收费站模式,进入S304。
在判断出车辆距离收费站预设距离时例如距离收费站300米时,控制车辆的驾驶模式从正常行车模式切换到收费站模式。
本申请可以在车辆的驾驶模式中设置收费站模式,收费站模式下的处理方式与正常行车模式相比会发生变化。
S304,获取传感器采集的传感器信号,将传感器信号输入预设神经网络模型,由预设神经网络模型识别出收费站区域的环境对象和周边车辆。
车辆的预设神经网络模型可以根据摄像头、激光雷达、毫米波雷达等传感器采集的传感器信号,利用相关感知算法可以识别出收费站区域的环境对象和周边车辆。例如,可以识别出车道线、护栏、交通锥、防撞桶、收费闸口、挡车杆、标牌等常见环境对象。感知算法可以根据使用的传感器不同而不同,例如激光雷达可以使用启发式的Ncut(Normalizedcut,归一化切割)算法、深度学习算法CNNSeg(CNN Segmentation,基于卷积神经网络分割)等。
S305,通过预设神经网络模型对收费站区域的环境对象进行分析处理,输出环境对象的位置及补充信息。
其中,本申请的预设神经网络模型可以按以下方式预先训练得到:获取输入的包含收费站区域的环境对象的图片或视频,从图片或视频中识别出环境对象;获取对环境对象的标注信息;建立标注信息与输入的环境对象的关联性;根据关联性输出环境对象的位置及补充信息。
本申请的神经网络,可以是各种卷积神经网络或基于Transformer(一个利用注意力机制来提高模型训练速度的模型)的BEV(Bird-Eye View,鸟瞰视角)神经网络。神经网络的参数通过深度学习训练得到。
本申请可以采用深度学习算法,通过标注训练的方式训练深度神经网络模型。标注训练例如可以是人工标注等方式。标注训练可以标注车道线信息。例如,车道线缺失时,可根据道路宽度、车道线残留及远处车道线、闸口位置等关联信息,标注出虚拟车道线。其中深度学习算法包括CNN(Convolution Neural Networks,卷积神经网络)算法、RNN(Recurrent neural network,递归神经网络)算法等。
其中,可以向神经网络模型输入包含以上环境对象信息的图片或视频,以及进行环境对象的标注,例如进行虚拟车道线的标注,让神经网络自主学习其中环境对象与标注信息的关联性。相关技术中的车道线检测技术大部分是针对正常道路场景,在收费站场景的车道线检测精度较差。本申请方法通过大量数据进行针对性训练,可大幅提高神经网络模型的输出精度。也就是说,本申请在训练时加入了大量收费站的图片或视频数据,以及标注例如人工标注的虚拟车道线真值,从而可以大幅提升神经网络模型的输出精度。
如图4所示,针对收费站附近车道变多、车道线不清晰等情况,通过标注例如人工标注可以训练神经网络模型。例如,根据道路宽度、车道线残留及远处车道线、闸口位置等关联信息,可以推理出虚拟车道线31的位置并补全画出虚拟车道线31,则后续使用神经网络模型时,神经网络模型也可以根据道路宽度、车道线残留及远处车道线、闸口位置等关联信息,输出补全后的虚拟车道线。
在深度神经网络模型训练完成后,深度神经网络模型可以根据输入的传感器信号输出上述环境对象的位置信息例如坐标信息,及输出环境对象的补充信息。例如,该步骤中,神经网络模型对收费站区域的环境对象进行分析处理,输出环境对象的位置及补充信息。
S306,根据周边车辆、环境对象的位置及补充信息确定目标闸口,生成目标闸口的规划路径。
其中,可以根据周边车辆、环境对象的位置及补充信息,确定通行时间短的目标闸口,即可以自动选择排队队伍较短的闸口。
其中,可以根据标牌及识别出的地面文字信息,识别出ETC闸口和人工闸口;根据周边车辆、环境对象的位置及补充信息,从ETC闸口中选择一个闸口作为目标闸口。例如,可以通过视觉感知算法识别标牌或地面文字,根据识别出的内容区分ETC闸口和人工收费闸口,从而可以根据车辆实际情况选择合适的闸口,例如选择ETC闸口或人工收费闸口。本申请可以从ETC闸口中选择一个闸口作为目标闸口,可以根据前面车辆的排队情况,可以选择排队车辆少的ETC闸口作为目标闸口。
在确定目标闸口后,可以根据目标闸口及前方车辆情况,生成目标闸口的规划路径。
S307,控制车辆沿规划路径向目标闸口行驶。
生成目标闸口的规划路径后,根据规划路径将车辆减速驶向目标闸口。途中如检测到前车,则可以采取跟车模式,排队等候。
S308,判断是否到达目标闸口前,如果是到达目标闸口前,进入S309,如果没有到达目标闸口前,返回S307。
S309,判断目标闸口的挡车杆是否抬起,如果挡车杆是抬起,进入S310,如果挡车杆未抬起,进入S311。
车辆快行驶到挡车杆前,可以通过感知算法识别挡车杆状态,判断挡车杆是否抬起,减速或停车等待挡车杆抬起。需说明的是,可以采用相关技术中的挡车杆检测方法,例如使用深度学习方式输出挡车杆端点信息。
S310,在识别到挡车杆抬起后,控制车辆行驶通过目标闸口。
在识别到挡车杆抬起后,控制车辆行驶通过目标闸口,沿车道线驶离收费站。
S311,在识别到挡车杆未抬起后,控制车辆减速行驶,返回S309。
其中,在识别到挡车杆未抬起后,减速或停车等待挡车杆抬起。
综上所描述,本申请通过感知算法和地图定位算法,可以自动识别收费站附近车道、闸口及挡车杆等环境对象,及识别出周边车辆,引导车辆自动驶入驶出收费站,从而实现了车辆自动驾驶通过收费站的无缝体验,提升了用户驾驶体验,拓宽了自动驾驶功能的适用场景,也提升了自动驾驶功能的完整性。
与前述应用功能实现方法实施例相对应,本申请还提供了一种自动驾驶处理装置、车辆及相应的实施例。
图5是本申请示出的自动驾驶处理装置的第一结构示意图。
参见图5,自动驾驶处理装置50包括:模型识别模块51、模型处理模块52、路径规划模块53、驾驶控制模块54。
模型识别模块51,用于在检测到车辆距离收费站预设距离时,根据传感器采集的传感器信号,识别出收费站区域的环境对象和周边车辆。其中,传感器信号可以是摄像头、激光雷达、毫米波雷达等传感器采集的传感器信号。
模型处理模块52,用于通过预设神经网络模型对收费站区域的环境对象进行分析处理,输出环境对象的位置及补充信息。其中,环境对象包括以下其中一项或其组合:车道线、护栏、交通锥、防撞桶、闸口、挡车杆、标牌。其中输出环境对象的位置及补充信息,包括:在车道线缺失情况下,输出对车道线进行补全后的虚拟车道线及虚拟车道线的位置。虚拟车道线由预设神经网络模型根据车道线关联信息推理得到,其中车道线关联信息包括以下一项或其组合:道路宽度、车道线残留信息、远处车道线和闸口位置。
路径规划模块53,用于根据周边车辆、环境对象的位置及补充信息确定目标闸口,生成目标闸口的规划路径。其中,可以根据周边车辆、环境对象的位置及补充信息,确定通行时间短的目标闸口。其中,可根据标牌及识别出的地面文字信息,识别出ETC闸口和人工闸口;根据周边车辆、环境对象的位置及补充信息,从ETC闸口中选择一个闸口作为目标闸口。
驾驶控制模块54,用于控制车辆沿规划路径行驶通过目标闸口。其中,可以控制车辆沿规划路径减速行驶,在规划路径中有前行车辆时,跟随前行车辆通过目标闸口。
图6是本申请示出的自动驾驶处理装置的第二结构示意图。
参见图6,自动驾驶处理装置50包括:模型识别模块51、模型处理模块52、路径规划模块53、驾驶控制模块54、模型训练模块55。
其中,模型识别模块51、模型处理模块52、路径规划模块53、驾驶控制模块54的功能可以参见图5中的描述,此处不再赘述。
模型训练模块55,用于训练生成预设神经网络模型,其中预设神经网络模型按以下方式预先训练得到:获取输入的包含收费站区域的环境对象的图片或视频,从图片或视频中识别出环境对象;获取对环境对象的标注信息;建立标注信息与输入的环境对象的关联性;根据关联性输出环境对象的位置及补充信息。本申请的神经网络,可以是各种卷积神经网络或基于Transformer(一个利用注意力机制来提高模型训练速度的模型)的BEV(Bird-Eye View,鸟瞰视角)神经网络。其中标注训练例如可以是人工标注等方式。标注训练可以标注车道线信息。例如,车道线缺失时,可根据道路宽度、车道线残留及远处车道线、闸口位置等关联信息,标注出虚拟车道线。
综上,本申请提供的装置,可以对环境对象缺失的信息进行补充,输出环境对象的补充信息,例如闸口前的车道线缺失时可以进行补全。因此,利用环境对象的补充信息和周边车辆的情况,就能比较准确的规划目标闸口和生成目标闸口的规划路径,进而沿规划路径行驶通过目标闸口。通过上述处理,就解决了在收费站场景复杂路况下的感知识别,能自动识别收费站附近的环境对象例如车道、闸口及挡车杆等,引导车辆自动驶入驶出收费站,无需用户接管,实现了车辆自动驾驶通过收费站的无缝体验,提升了用户驾驶体验,拓宽了自动驾驶功能的适用场景,也提升了自动驾驶功能的完整性。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不再做详细阐述说明。
图7是本申请示出的车辆的结构示意图。
参见图7,车辆1000包括存储器1010和处理器1020。
处理器1020可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器1010可以包括各种类型的存储单元,例如***内存、只读存储器(ROM)和永久存储装置。其中,ROM可以存储处理器1020或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中,永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中,永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。***内存可以是可读写存储设备或者易失性可读写存储设备,例如动态随机访问内存。***内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外,存储器1010可以包括任意计算机可读存储媒介的组合,包括各种类型的半导体存储芯片(例如DRAM,SRAM,SDRAM,闪存,可编程只读存储器),磁盘和/或光盘也可以采用。在一些实施方式中,存储器1010可以包括可读和/或写的可移除的存储设备,例如激光唱片(CD)、只读数字多功能光盘(例如DVD-ROM,双层DVD-ROM)、只读蓝光光盘、超密度光盘、闪存卡(例如SD卡、min SD卡、Micro-SD卡等)、磁性软盘等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
存储器1010上存储有可执行代码,当可执行代码被处理器1020处理时,可以使处理器1020执行上文述及的方法中的部分或全部。
此外,根据本申请的方法还可以实现为一种计算机程序或计算机程序产品,该计算机程序或计算机程序产品包括用于执行本申请的上述方法中部分或全部步骤的计算机程序代码指令。
或者,本申请还可以实施为一种计算机可读存储介质(或非暂时性机器可读存储介质或机器可读存储介质),其上存储有可执行代码(或计算机程序或计算机指令代码),当可执行代码(或计算机程序或计算机指令代码)被服务器(或服务器等)的处理器执行时,使处理器执行根据本申请的上述方法的各个步骤的部分或全部。
以上已经描述了本申请的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好的解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其他普通技术人员能理解本文披露的各实施例。
Claims (14)
1.一种自动驾驶处理方法,其特征在于,包括:
在检测到车辆距离收费站预设距离时,由预设神经网络模型根据传感器采集的传感器信号,识别出收费站区域的环境对象和周边车辆;
通过预设神经网络模型对所述收费站区域的环境对象进行分析处理,输出所述环境对象的位置及补充信息;
根据所述周边车辆、所述环境对象的位置及补充信息确定目标闸口,生成所述目标闸口的规划路径;
控制所述车辆沿所述规划路径行驶通过所述目标闸口。
2.根据权利要求1所述的方法,其特征在于,所述预设神经网络模型按以下方式预先训练得到:
获取输入的包含收费站区域的环境对象的图片或视频,从所述图片或视频中识别出所述环境对象;
获取对所述环境对象的标注信息;
建立所述标注信息与输入的所述环境对象的关联性;
根据所述关联性输出所述环境对象的位置及补充信息。
3.根据权利要求1或2所述的方法,其特征在于,所述环境对象包括以下其中一项或其组合:
车道线、护栏、交通锥、防撞桶、闸口、挡车杆、标牌。
4.根据权利要求3所述的方法,其特征在于,所述输出所述环境对象的位置及补充信息,包括:
在车道线缺失情况下,输出对所述车道线进行补全后的虚拟车道线及所述虚拟车道线的位置。
5.根据权利要求4所述的方法,其特征在于:
所述虚拟车道线由所述预设神经网络模型根据车道线关联信息推理得到,
其中所述车道线关联信息包括以下一项或其组合:道路宽度、车道线残留信息、远处车道线和闸口位置。
6.根据权利要求1所述的方法,其特征在于,所述根据所述周边车辆、所述环境对象的位置及补充信息确定目标闸口,包括:
根据所述周边车辆、所述环境对象的位置及补充信息,确定通行时间短的目标闸口。
7.根据权利要求3所述的方法,其特征在于,所述根据所述周边车辆、所述环境对象的位置及补充信息确定目标闸口,包括:
根据所述标牌及识别出的地面文字信息,识别出ETC闸口和人工闸口;
根据所述周边车辆、所述环境对象的位置及补充信息,从所述ETC闸口中选择一个闸口作为目标闸口。
8.根据权利要求1所述的方法,其特征在于,所述控制所述车辆沿所述规划路径行驶通过所述目标闸口,包括:
控制所述车辆沿所述规划路径减速行驶,在所述规划路径中有前行车辆时,跟随所述前行车辆通过所述目标闸口。
9.根据权利要求1所述的方法,其特征在于,所述在检测到车辆距离收费站预设距离时,根据传感器采集的传感器信号,识别出收费站区域的环境对象和周边车辆之前,还包括:
根据传感器采集的定位信号确定车辆位置,根据所述车辆位置及导航地图信息提前确定所述收费站位置。
10.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在检测到车辆距离收费站预设距离时,控制车辆的驾驶模式切换到收费站模式。
11.一种自动驾驶处理装置,其特征在于,包括:
模型识别模块,用于在检测到车辆距离收费站预设距离时,由预设神经网络模型根据传感器采集的传感器信号,识别出收费站区域的环境对象和周边车辆;
模型处理模块,用于通过预设神经网络模型对所述收费站区域的环境对象进行分析处理,输出所述环境对象的位置及补充信息;
路径规划模块,用于根据所述周边车辆、所述环境对象的位置及补充信息确定目标闸口,生成所述目标闸口的规划路径;
驾驶控制模块,用于控制所述车辆沿所述规划路径行驶通过所述目标闸口。
12.根据权利要求11所述的装置,其特征在于,所述装置还包括:
模型训练模块,用于训练生成所述预设神经网络模型,其中所述预设神经网络模型按以下方式预先训练得到:获取输入的包含收费站区域的环境对象的图片或视频,从所述图片或视频中识别出所述环境对象;获取对所述环境对象的标注信息;建立所述标注信息与输入的所述环境对象的关联性;根据所述关联性输出所述环境对象的位置及补充信息。
13.一种车辆,其特征在于,包括:
处理器;以及
存储器,其上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如权利要求1-10中任一项所述的方法。
14.一种计算机可读存储介质,其上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行如权利要求1-10中任一项所述的交互方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311086391.9A CN117104265A (zh) | 2023-08-25 | 2023-08-25 | 自动驾驶处理方法、装置、车辆及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311086391.9A CN117104265A (zh) | 2023-08-25 | 2023-08-25 | 自动驾驶处理方法、装置、车辆及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117104265A true CN117104265A (zh) | 2023-11-24 |
Family
ID=88796148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311086391.9A Pending CN117104265A (zh) | 2023-08-25 | 2023-08-25 | 自动驾驶处理方法、装置、车辆及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117104265A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106314152A (zh) * | 2015-07-03 | 2017-01-11 | Lg电子株式会社 | 车辆驾驶辅助装置及具有其的车辆 |
CN108116414A (zh) * | 2016-11-29 | 2018-06-05 | 株式会社斯巴鲁 | 自动驾驶控制装置 |
KR20190071064A (ko) * | 2017-12-14 | 2019-06-24 | 현대자동차주식회사 | 자율 주행 제어 장치, 그를 가지는 차량 및 그 제어 방법 |
CN110377024A (zh) * | 2018-04-13 | 2019-10-25 | 百度(美国)有限责任公司 | 用于自动驾驶车辆的自动数据标注 |
CN112258874A (zh) * | 2020-10-22 | 2021-01-22 | 大陆泰密克汽车***(上海)有限公司 | 用于自动驾驶车辆的收费站通过方法、***、设备及存储介质 |
-
2023
- 2023-08-25 CN CN202311086391.9A patent/CN117104265A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106314152A (zh) * | 2015-07-03 | 2017-01-11 | Lg电子株式会社 | 车辆驾驶辅助装置及具有其的车辆 |
CN108116414A (zh) * | 2016-11-29 | 2018-06-05 | 株式会社斯巴鲁 | 自动驾驶控制装置 |
KR20190071064A (ko) * | 2017-12-14 | 2019-06-24 | 현대자동차주식회사 | 자율 주행 제어 장치, 그를 가지는 차량 및 그 제어 방법 |
CN110377024A (zh) * | 2018-04-13 | 2019-10-25 | 百度(美国)有限责任公司 | 用于自动驾驶车辆的自动数据标注 |
CN112258874A (zh) * | 2020-10-22 | 2021-01-22 | 大陆泰密克汽车***(上海)有限公司 | 用于自动驾驶车辆的收费站通过方法、***、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3699048B1 (en) | Travelling track prediction method and device for vehicle | |
US9921585B2 (en) | Detailed map format for autonomous driving | |
US9443153B1 (en) | Automatic labeling and learning of driver yield intention | |
EP4120215A1 (en) | Method for identifying abnormal driving behavior | |
CN113052321B (zh) | 从短期意图和长期结果生成轨迹标记 | |
EP3752953A1 (en) | Detecting blocking stationary vehicles | |
US20190061780A1 (en) | Driving assist system using navigation information and operating method thereof | |
CN106503653A (zh) | 区域标注方法、装置和电子设备 | |
EP4000015A1 (en) | Occupancy prediction neural networks | |
CN106114217A (zh) | 行驶控制装置 | |
US8050460B2 (en) | Method for recognition of an object | |
CN107560622A (zh) | 一种基于行车图像导航的方法与设备 | |
US10795376B2 (en) | Automatic driving control apparatus | |
CN111527013A (zh) | 车辆变道预测 | |
US11433925B2 (en) | Method and device for assisting the automated driving of a vehicle close to a restricted area(s) | |
US20190101398A1 (en) | Method for determining, with the aid of landmarks, an attitude of a vehicle moving in an environment in an at least partially automated manner | |
CN114929543A (zh) | 预测周围因素的加塞概率 | |
CN113112524B (zh) | 自动驾驶中移动对象的轨迹预测方法、装置及计算设备 | |
CN111091037A (zh) | 用于确定驾驶信息的方法和设备 | |
CN108154119B (zh) | 基于自适应跟踪框分割的自动驾驶处理方法及装置 | |
EP4052221A1 (en) | Generating depth from camera images and known depth data using neural networks | |
CN104724121A (zh) | 用于识别车辆的行驶领域的装置和方法 | |
CN114475656B (zh) | 行驶轨迹预测方法、装置、电子设备以及存储介质 | |
CN114754778A (zh) | 一种车辆定位方法以及装置、电子设备、存储介质 | |
CN114694108A (zh) | 一种图像处理方法、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 |