车辆控制方法和装置以及决策模型的获取方法和装置制造方法及图纸

本发明专利技术公开了车辆控制方法和装置以及决策模型的获取方法和装置，所述车辆控制方法包括：在无人驾驶车辆的行驶过程中，实时获取当前的外界环境信息和地图信息；根据预先训练得到的、体现外界环境信息、地图信息和车辆状态信息之间的对应关系的决策模型，确定出每次获取到的外界环境信息和地图信息对应的车辆状态信息，根据确定出的车辆状态信息对无人驾驶车辆的行驶状态进行控制。应用本发明专利技术所述方案，能够提高安全性和减少工作量。

【技术实现步骤摘要】

本专利技术涉及无人驾驶技术，特别涉及无人驾驶车辆的控制方法和装置以及决策模型的获取方法和装置。
技术介绍
在无人驾驶车辆的行驶过程中，需要根据获取到的地图信息和外界环境信息来实时地作出决策，所述决策包括：刹车、加速、变道、转向、调头、倒车等，并根据决策结果来对无人驾驶车辆的行驶状态进行控制。现有技术中，可基于人工预先编辑的一些规则来进行决策，但是，人工编辑的规则通常无法覆盖所有的路况，对于没有对应规则的未知路况，会存在很大的安全隐患，而且，人工编辑的规则过多，也会增加编辑和维护的工作量。
技术实现思路
本专利技术提供了车辆控制方法和装置以及决策模型的获取方法和装置，能够提高安全性和减少工作量。具体技术方案如下：一种车辆控制方法，包括：在无人驾驶车辆的行驶过程中，实时获取当前的外界环境信息和地图信息；根据预先训练得到的、体现外界环境信息、地图信息和车辆状态信息之间的对应关系的决策模型，确定出每次获取到的外界环境信息和地图信息对应的车辆状态信息，根据确定出的车辆状态信息对所述无人驾驶车辆的行驶状态进行控制。根据本专利技术一优选实施例，所述确定出每次获取到的外界环境信息和地图信息对应的车辆状态信息包括：将每次获取到的外界环境信息和地图信息进行整合后，作为所述决策模型的输入，获取所述决策模型输出的所述车辆状态信息。根据本专利技术一优选实施例，所述地图信息为：基于高精地图获取到的地图信息；所述决策模型的类型包括：支持向量机SVM模型、神经网络模型。一种决策模型的获取方法，包括：当驾驶员驾驶车辆在道路上行驶时，实时获取当前的外界环境信息、地图信息和车辆状态信息；信息获取完毕，根据获取到的信息，训练得到体现外界环境信息、地图信息和车辆状态信息之间的对应关系的决策模型，以便在无人驾驶车辆的行驶过程中，在每次获取到当前的外界环境信息和地图信息后，根据所述决策模型，确定出获取到的外界环境信息和地图信息对应的车辆状态信息，并根据确定出的车辆状态信息对所述无人驾驶车辆的行驶状态进行控制。根据本专利技术一优选实施例，训练得到所述决策模型包括：利用每次获取到的外界环境信息、地图信息和车辆状态信息组成一个训练样本，并且，将每个训练样本中的外界环境信息和地图信息进行整合后作为该训练样本中的输入，将每个训练样本中的车辆状态信息作为该训练样本中的输出；根据各训练样本中的输入和输出训练得到所述决策模型。根据本专利技术一优选实施例，该方法进一步包括：从各训练样本中筛除包含异常数据的训练样本，根据剩余的训练样本训练得到所述决策模型。根据本专利技术一优选实施例，所述地图信息为：基于高精地图获取到的地图信息；所述决策模型的类型包括：支持向量机SVM模型、神经网络模型。一种车辆控制装置，包括：获取单元、决策单元和控制单元；所述获取单元，用于在无人驾驶车辆的行驶过程中，实时获取当前的外界环境信息和地图信息，并将每次获取到的外界环境信息和地图信息发送给所述决策单元；所述决策单元，用于根据预先训练得到的、体现外界环境信息、地图信息和车辆状态信息之间的对应关系的决策模型，确定出每次接收到的外界环境信息和地图信息对应的车辆状态信息，将确定出的车辆状态信息发送给所述控制单元；所述控制单元，用于根据接收到的车辆状态信息对所述无人驾驶车辆的行驶状态进行控制。根据本专利技术一优选实施例，所述决策单元将每次接收到的外界环境信息和地图信息进行整合后，作为所述决策模型的输入，获取所述决策模型输出的所述车辆状态信息。根据本专利技术一优选实施例，所述地图信息为：基于高精地图获取到的地图信息；所述决策模型的类型包括：支持向量机SVM模型、神经网络模型。一种决策模型的获取装置，包括：数据收集单元和模型训练单元；所述数据收集单元，用于当驾驶员驾驶车辆在道路上行驶时，实时获取当前的外界环境信息、地图信息和车辆状态信息；所述模型训练单元，用于当数据收集完毕后，根据获取到的信息，训练得到体现外界环境信息、地图信息和车辆状态信息之间的对应关系的决策模型，以便在无人驾驶车辆的行驶过程中，在每次获取到当前的外界环境信息和地图信息后，能够根据所述决策模型，确定出获取到的外界环境信息和地图信息对应的车辆状态信息，并根据确定出的车辆状态信息对所述无人驾驶车辆的行驶状态进行控制。根据本专利技术一优选实施例，所述模型训练单元利用所述数据收集单元每次获取到的外界环境信息、地图信息和车辆状态信息组成一个训练样本，并且，将每个训练样本中的外界环境信息和地图信息进行整合后作为该训练样本中的输入，将每个训练样本中的车辆状态信息作为该训练样本中的输出，根据各训练样本中的输入和输出训练得到所述决策模型。根据本专利技术一优选实施例，所述模型训练单元进一步用于，从各训练样本中筛除包含异常数据的训练样本，根据剩余的训练样本训练得到所述决策模型。根据本专利技术一优选实施例，所述地图信息为：基于高精地图获取到的地图信息；所述决策模型的类型包括：支持向量机SVM模型、神经网络模型。基于上述介绍可以看出，采用本专利技术所述方案，在无人驾驶车辆的行驶过程中，可实时获取当前的外界环境信息和地图信息，并根据预先训练得到的、体现外界环境信息、地图信息和车辆状态信息之间的对应关系的决策模型，确定出每次获取到的外界环境信息和地图信息对应的车辆状态信息，进而根据确定出的车辆状态信息对无人驾驶车辆的行驶状态进行控制，相比于现有技术，本专利技术所述方案可适用于任意路况，提高了对未知路况的决策能力，从而提高了安全性，而且，由于不需要人工来编辑规则，因此减少了编辑和维护的工作量。【附图说明】图1为本专利技术车辆控制方法实施例的流程图。图2为本专利技术决策模型的获取方法实施例的流程图。图3为本专利技术车辆控制装置实施例的组成结构示意图。图4为本专利技术决策模型的获取装置实施例的组成结构示意图。【具体实施方式】为了使本专利技术的技术方案更加清楚、明白，以下参照附图并举实施例，对本专利技术所述方案作进一步地详细说明。实施例一图1为本专利技术车辆控制方法实施例的流程图，如图1所示，包括以下具体实现方式。在11中，在无人驾驶车辆的行驶过程中，实时获取当前的外界环境信息和地图信息。在无人驾驶车辆的行驶过程中，可实时地获取当前的外界环境信息和地图信息，这里所提到的实时获取，不是绝对意义上的一直连续不断地获取，而是指以很小的周期时长进行周期性获取，比如，以0.5秒作为周期时长。外界环境信息也可称为感知信息，可通过激光雷达、毫米波雷达和摄像机等实时获取无人驾驶车辆周围的环境信息，可包括：周围车辆的位置、大小、速度、方向；周围行人的位置、速度、方向等。其中，周围车辆的位置通常是指周围车辆相对于无人驾驶车辆的位置，同样地，周围行人的位置是指周围行人相对于无人驾驶车辆的位置。获取到的地图信息为基于高精地图获取到的地图信息。传统的普通地图中只包含简单的道路路径信息，而高精地图中会详细到每条车道线的精确位置、车道的曲率、车道的限速、车道的连接属性等信息，即相比于普通地图，高精地图中包含的信息内容更为丰富详细，同时具有更小的误差。本实施例中所述的获取到的地图信息，是指根据高精地图实时获取到的无人驾驶车辆周围的地图数据，可包括：车辆的坐标；车辆前方是否有路口、高架桥、红绿灯、停止线等。其中，车辆的坐标通常是指无人驾驶车辆与所在车道两侧的车道线本文档来自技高网...

【技术保护点】
一种车辆控制方法，其特征在于，包括：在无人驾驶车辆的行驶过程中，实时获取当前的外界环境信息和地图信息；根据预先训练得到的、体现外界环境信息、地图信息和车辆状态信息之间的对应关系的决策模型，确定出每次获取到的外界环境信息和地图信息对应的车辆状态信息，根据确定出的车辆状态信息对所述无人驾驶车辆的行驶状态进行控制。

【技术特征摘要】
1.一种车辆控制方法，其特征在于，包括：在无人驾驶车辆的行驶过程中，实时获取当前的外界环境信息和地图信息；根据预先训练得到的、体现外界环境信息、地图信息和车辆状态信息之间的对应关系的决策模型，确定出每次获取到的外界环境信息和地图信息对应的车辆状态信息，根据确定出的车辆状态信息对所述无人驾驶车辆的行驶状态进行控制。2.根据权利要求1所述的车辆控制方法，其特征在于，所述确定出每次获取到的外界环境信息和地图信息对应的车辆状态信息包括：将每次获取到的外界环境信息和地图信息进行整合后，作为所述决策模型的输入，获取所述决策模型输出的所述车辆状态信息。3.根据权利要求1或2所述的车辆控制方法，其特征在于，所述地图信息为：基于高精地图获取到的地图信息；所述决策模型的类型包括：支持向量机SVM模型、神经网络模型。4.一种决策模型的获取方法，其特征在于，包括：当驾驶员驾驶车辆在道路上行驶时，实时获取当前的外界环境信息、地图信息和车辆状态信息；信息获取完毕，根据获取到的信息，训练得到体现外界环境信息、地图信息和车辆状态信息之间的对应关系的决策模型，以便在无人驾驶车辆的行驶过程中，在每次获取到当前的外界环境信息和地图信息后，根据所述决策模型，确定出获取到的外界环境信息和地图信息对应的车辆状态信息，并根据确定出的车辆状态信息对所述无人驾驶车辆的行驶状态进行控制。5.根据权利要求4所述的决策模型的获取方法，其特征在于，训练得到所述决策模型包括：利用每次获取到的外界环境信息、地图信息和车辆状态信息组成一个训练样本，并且，将每个训练样本中的外界环境信息和地图信息进行整合后作为该训练样本中的输入，将每个训练样本中的车辆状态信息作为该训练样本中的输出；根据各训练样本中的输入和输出训练得到所述决策模型。6.根据权利要求5所述的决策模型的获取方法，其特征在于，该方法进一步包括：从各训练样本中筛除包含异常数据的训练样本，根据剩余的训练样本训练得到所述决策模型。7.根据权利要求4、5或6所述的决策模型的获取方法，其特征在于，所述地图信息为：基于高精地图获取到的地图信息；所述决策模型的类型包括：支持向量机SVM模型、神经网络模型。8.一种车辆控制装置，其特征在于，包括：获取单元、决策单元和控制单元；所述获取单元，用于在无人驾驶车辆的行驶过程中，实时获...

【专利技术属性】
技术研发人员：张天雷，杨文利，潘余昌，孙浩文，
申请(专利权)人：百度在线网络技术北京有限公司，
类型：发明
国别省市：北京;11