使用基于深度学习的道路情况判断模型控制地形模式的方法和装置制造方法及图纸

本公开在一些实施例中提供了一种方法和装置，使用基于深度学习的学习模型使车辆能够通过使用基于深度学习的学习模型自主估计路面情况，确定针对车辆正行驶的路面而优化的地形模式，并且控制相应车载模块，从而自动控制地形模式。通过使得车辆能够自动确定路面情况，并向驾驶员提供与路面情况相对应的地形模式信息，这使驾驶员不必用肉眼人工检查路面情况，以提高驾驶员的便利性。以提高驾驶员的便利性。以提高驾驶员的便利性。

【技术实现步骤摘要】
使用基于深度学习的道路情况判断模型控制地形模式的方法和装置
[0001]相关申请的交叉引用
[0002]本申请基于2020年8月26日提交的申请号为10
‑
2020
‑
0107699的韩国专利申请，并要求其优先权，其公开内容通过引用全部纳入本文。


[0003]本公开在一些实施例中涉及一种用于通过使用基于深度学习的道路情况判断模型控制地形模式的方法和装置。更具体地，本公开涉及一种通过使用基于深度学习的预先训练的道路情况判断模型和从相机获得的路面数据控制地形模式的方法和装置。

技术介绍

[0004]本节中的陈述只是提供与本公开有关的背景信息，并不一定构成现有技术。
[0005]车辆的驾驶性能会随着路面的各种情况(如湿润的道路、未铺设或越野的道路、含沙并含泥的道路和被雪覆盖的道路)而改变。机动车制造商已经对安装在车辆中的电子控制单元进行了研究和开发，使得车辆对各种路面情况能够积极地响应，并提高驾驶性能。
[0006]结果得到一种可商业化的地形模式控制技术，其允许车辆驾驶员选择与正行驶的道路的当前表面情况相对应的特定地形模式，从而控制驱动系统、用于使传动齿轮换挡的换挡时间和车辆的制动系统。
[0007]地形模式控制技术是通过以下过程执行的，包括由驾驶员使用肉眼确定路面情况，通过使用操控梭调节器(jog
‑
shuttle dial)选择特定地形模式，并根据选择的地形模式改变相应车载模块的操作状态。操控梭调节器指各种类型的车载物理按钮之一，其可以在车辆制造过程中附接，但可切换为另一种类型的按钮。
[0008]然而，常规的地形模式控制技术需要驾驶员通过使用肉眼来人工确定路面情况，需要驾驶员的附加操纵来改变地形模式，并且需要在车辆中提供专用设备，如物理按钮或软件按钮，这导致了一系列限制。
[0009]目前，机动车相关技术正朝着实现自动车辆的方向发展，该自动车辆执行自主驾驶，当常规的地形模式控制技术在执行的各个阶段采取人为干预时，与实现先进的自动驾驶技术背道而驰，这是不利的。
[0010]因此，作为用于实现4级或更高的先进自动驾驶的基础技术，需要一种技术，其中车辆可以更积极地参与控制地形模式，并且可以控制自动驾驶辅助功能。

技术实现思路

[0011]根据至少一个实施例，本公开提供了一种在针对路面而优化的地形模式下自动控制车辆的驾驶状态的方法，包括：通过车辆正行驶的路面的捕获图像，从安装在车辆上的一个或更多个相机获得路面数据；通过将路面数据输入至预先训练的基于深度学习的学习模型，估计与路面相对应的道路摩擦系数；通过使用道路摩擦系数确定针对车辆正行驶的路
面而优化的地形模式，并且生成最佳地形模式信息；并且基于最佳地形模式信息控制一个或更多个车载模块。
[0012]根据另一实施例，本公开提供了一种辅助车辆控制地形模式的方法，包括：通过车辆正行驶的路面的捕获图像，从安装在车辆上的一个或更多个相机获得路面数据；通过将路面数据输入至预先训练的基于深度学习的学习模型，估计与路面对应的道路摩擦系数；通过使用道路摩擦系数确定针对车辆正行驶的路面而优化的地形模式，并且提供优化地形模式的最佳地形模式信息。
[0013]根据又一实施例，本公开提供了一种辅助车辆控制自动驾驶的方法，包括：通过车辆正行驶的路面的捕获图像，从安装在车辆上的一个或更多个相机获得路面数据；通过将路面数据输入至预先训练的基于深度学习的学习模型，估计与路面对应的道路摩擦系数；并通过使用道路摩擦系数确定车辆的驾驶阈值，并且基于驾驶阈值控制一个或更多个车载模块。
[0014]根据又一实施例，本公开提供了一种用于自动控制车辆的地形模式的装置，包括估计单元、地形模式确定单元和地形模式控制单元。估计单元估计路面情况，其包括预先训练的基于深度学习的学习模型，并被配置为：通过车辆正行驶的路面的捕获图像，从安装在车辆上的一个或更多个相机获得路面数据；通过将路面数据输入至基于深度学习的学习模型，估计与路面对应的道路摩擦系数。地形模式确定单元被配置为通过使用道路摩擦系数确定针对车辆正行驶的路面而优化的地形模式。地形模式控制单元被配置为通过使用关于地形模式的信息控制一个或更多个车载模块。
[0015]根据又一实施例，本公开提供了一种计算机程序，其存储在计算机可读介质中，用于执行分别包括在以下方法中的步骤，该方法是在针对路面而优化的地形模式下自动控制车辆的驾驶状态的方法。
附图说明
[0016]图1A是根据本公开至少一个实施例的自动地形模式控制装置的框图。
[0017]图1B是示出了根据本公开至少一个实施例的与辅助车辆自动驾驶控制的方法有关的部件的图。
[0018]图2是根据本公开至少一个实施例的基于深度学习的学习单元的框图。
[0019]图3是根据本公开至少一个实施例的用于基于深度学习的学习模型的训练方法的流程图。
[0020]图4A是根据本公开至少一个实施例的自动控制地形模式的方法的流程图。
[0021]图4B是根据本公开至少一个实施例的辅助自动驾驶控制的方法的流程图。
具体实施方式
[0022]本公开在至少一个实施例中寻求提供一种技术，用于允许车辆通过使用提前训练的基于深度学习的学习模型，在没有驾驶员干预的情况下，自动确定路面情况，并响应于各种路面情况改变车辆的驾驶状态。
[0023]本专利技术在另一实施例中寻求通过以下方式辅助车辆执行地形模式控制：确定即使在不构成电子稳定性控制(electronic stability control，ESC)干预的寻常和非关键的
驾驶情况下的路面情况，并且确定针对路面而优化的地形模式，然后将地形模式信息提供给驾驶员。
[0024]本公开在另一个实施例中寻求提供一种用于控制地形模式的装置，以使车辆制造免去在车辆上安装单独的物理按钮来辅助驾驶员操纵车辆的需要，从而降低车辆制造成本，并保证车辆内部的自由空间，以向驾驶员提供更多便利。
[0025]以下参照附图描述本公开的一些示例性实施例。在以下描述中，类似的参考数字优选指定类似的元件，尽管这些元件在不同的图中示出。此外，在一些实施例的以下描述中，为了清楚和简洁的目的，将省略纳入本文的已知功能和配置的详细描述。
[0026]此外，在对部件进行编号时，诸如第一、第二、i)、ii)、a)、b)等字母数字代码，仅用于区分一个部件与另一个部件的目的，而非暗示或显示部件的实质、次序或顺序。在本说明书中，当组件“包括”或“包含”一种部件时，它们意味着还包括其他部件，而非排除其他部件，除非有与之相反的特别描述。诸如“单元”、“模块”等术语指用于处理至少一个功能或操作的单元，它们可以由硬件、软件或其组合来实现。
[0027]最近在基于深度学习技术从图像数据估计物理信息上有了功能改进。本公开在一些实施例中提供了一种新方案，即使用这种信息估计功能作为基础，以使车辆自主确定道路情况并自动控制驾驶状本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种在针对车辆行驶的路面而优化的地形模式下自动控制所述车辆的驾驶状态的方法，所述方法包括：从相机获得路面数据，所述相机被安装在所述车辆上并且被配置为捕获所述路面的图像；将所述路面数据输入至预先训练的基于深度学习的学习模型，所述基于深度学习的学习模型被配置为估计与所述路面相对应的道路摩擦系数；基于估计的道路摩擦系数，确定针对所述路面而优化的地形模式，并且生成最佳地形模式信息；和基于所述最佳地形模式信息，控制车载模块。2.根据权利要求1所述的方法，其中获得所述路面数据包括：使用安装在所述车辆上的雷达或激光雷达单元，获得额外的路面数据。3.根据权利要求1所述的方法，还包括：基于所述路面数据和所述估计的道路摩擦系数生成标记数据；和使用所述标记数据作为训练数据，训练所述基于深度学习的学习模型。4.根据权利要求1所述的方法，其中估计所述道路摩擦系数包括：使用电子稳定性控制ESC，测量安装在所述车辆上的车轮的车轮速度和车轮扭矩值；和基于测量的车轮速度和车轮扭矩值，估计所述道路摩擦系数。5.根据权利要求1所述的方法，其中：所述车载模块包括电子稳定性控制ESC；和控制所述车载模块包括使所述ESC操作牵引控制系统TCS控制器，所述牵引控制系统控制器针对所述地形模式而预设。6.根据权利要求1所述的方法，其中：所述车载模块包括引擎控制单元ECU；和控制所述车载模块包括使所述ECU改变用于所述地形模式的预设引擎映射值。7.根据权利要求1所述的方法，其中：所述车载模块包括传动控制单元TCU；和控制所述车载模块包括使所述TCU改变用于所述地形模式的使传动齿轮换挡的预设换档时间。8.一种辅助车辆控制地形模式的方法，所述方法包括：从相机获得路面数据，所述相机被安装在所述车辆上并且被配置为捕获所述车辆行驶的路面的图像；将所述路面数据输入至预先训练的基于深度学习的学习模型，所述基于深度学习的学习模型被配置为估计与所述路面相对应的道路摩擦系数；基于估计的道路摩擦系数，确定针对所述路面而优化的地形模式；和基于优化的地形模式，提供最佳地形模式信息。9.根据权利要求8所述的方法，其中获得所述路...

【专利技术属性】
技术研发人员：朴信基，李权熙，
申请(专利权)人：现代摩比斯株式会社，
类型：发明
国别省市：