自动驾驶控制装置、方法及自动驾驶系统转让专利
申请号 : CN202010791010.7
文献号 : CN111942396B
文献日 : 2021-12-24
发明人 : 李华兰
申请人 : 采埃孚汽车系统(上海)有限公司
摘要 :
权利要求 :
1.一种自动驾驶控制装置,其特征在于,应用于自动驾驶装置,所述自动驾驶装置与汽车内的多个状态监测装置通信连接,所述装置包括:获取模块,用于获取驾驶对象在每个状态监测装置的监测区域下的状态信息,并按照预定的状态类别对各个监测区域下的状态信息进行划分,分别生成每个状态类别的状态汇总信息,所述预定的状态类别包括离合器操作类别、方向盘操作类别、电气设备控制类别;
第一确定模块,用于根据所述驾驶对象的身份认证信息确定所述各个监测区域内的预设区域特征点,针对所述各个监测区域内的预设区域特征点,并分别确定出所述预设区域特征点的浮动区域在所对应的状态类别的状态汇总信息中的浮动变化信息,得到所述预设区域特征点的第一状态浮动变化结果,所述预设区域特征点为与所述驾驶对象的身份认证信息预先匹配的区域特征点;
第二确定模块,用于根据所述驾驶对象的历史驾驶信息确定所述各个监测区域内的频繁区域特征点,针对所述各个监测区域内的频繁区域特征点,分别获取所述频繁区域特征点的浮动轨迹,并确定出所述浮动轨迹在所对应的状态类别的状态汇总信息中的浮动变化信息,得到所述频繁区域特征点的第二状态浮动变化结果,所述频繁区域特征点为所述驾驶对象的历史驾驶信息中的变化频繁度大于设定频繁度阈值的区域特征点,所述变化频繁度用于表示所述区域特征点在单位时间内的变化程度;
生成模块,用于根据所述第一状态浮动变化结果以及所述第二状态浮动变化结果之间的匹配关系,生成对所述汽车的自动驾驶控制指令;
其中,所述身份认证信息包括生物特征信息,所述第一确定模块用于通过以下方式根据所述驾驶对象的身份认证信息确定所述各个监测区域内的预设区域特征点:采集所述驾驶对象的生物特征信息;
根据所述生物特征信息以及预先配置的各个生物特征信息与各个检测区域内的预设区域特征点之间的对应关系,得到所述各个监测区域内的预设区域特征点。
2.根据权利要求1所述的自动驾驶控制装置,其特征在于,所述获取模块用于通过以下方式按照预定的状态类别对各个监测区域下的状态信息进行划分,分别生成每个状态类别的状态汇总信息:
获取每个预定的状态类别所对应的状态类别特征点,形成每个预定的状态类别的特征点集合,并获取各个监测区域的目标特征点数与所述特征点集合的特征点数的重合特征点信息;
根据所述目标特征点数与所述特征点集合的特征点数的重合特征点信息,计算每种目标状态类别的关键特征点的数量,并根据每种目标状态类别的关键特征点的数量,从所述特征点集合中选取状态类别特征点,得到初始特征点矩阵;
若所述初始特征点矩阵的总特征点分布数量大于满足所述总特征点分布数量要求的最大总特征点分布数量,则将所述初始特征点矩阵中的粗范围关键特征点减少第一设定数量,并且将所述初始特征点矩阵中的细范围关键特征点增加所述第一设定数量,其中,所述细范围关键特征点是指关键特征点在所在的检测区域的单位密集程度小于设定程度的关键特征点,所述粗范围关键特征点是指关键特征点在所在的检测区域的单位密集程度不小于设定程度的关键特征点;
计算本次更新后的初始特征点矩阵的总特征点分布数量;
若本次更新后的初始特征点矩阵的总特征点分布数量大于所述最大总特征点分布数量,则再一次对本次更新后的初始特征点矩阵执行以上处理;
若本次更新后的初始特征点矩阵的总特征点分布数量小于或者等于所述最大总特征点分布数量,则将本次更新前的初始特征点矩阵作为第一更新矩阵,按照状态类别由低优先级到高优先级的顺序将各所述目标状态类别进行排序,得到目标状态类别序列;
根据所述目标状态类别序列,将各所述目标状态类别进行分组,每个所述分组中包括在所述目标状态类别序列的目标位置两侧的、且与所述目标位置的差距一致的第一状态类别和第二状态类别,所述第一状态类别的优先级小于所述第二状态类别;
按照与所述目标位置的差距由低优先级到高优先级的顺序,依次将每个所述分组作为目标分组,对所述目标分组进行以下第二更新处理: 将所述第一更新矩阵中所述目标分组的第一状态类别的关键特征点增加一个,并且将所述第一更新矩阵中所述目标分组的第二状态类别的关键特征点减少一个;
判断本次更新后的第一更新矩阵的总特征点分布数量是否满足所述总特征点分布数量要求;
若本次更新后的第一更新矩阵的总特征点分布数量满足所述总特征点分布数量要求,则将本次更新后的第一更新矩阵作为最终特征点矩阵;
若本次更新后的第一更新矩阵的总特征点分布数量不满足所述总特征点分布数量要求,则将下一个分组作为新的目标分组,对所述新的目标分组进行所述第二更新处理;
若所述初始特征点矩阵的总特征点分布数量小于满足所述总特征点分布数量要求的最小总特征点分布数量,则对所述初始特征点矩阵进行以下第三更新处理: 将所述初始特征点矩阵中的粗范围关键特征点增加第一设定数量,并且将所述初始特征点矩阵中的细范围关键特征点减少所述第一设定数量;
计算本次更新后的初始特征点矩阵的总特征点分布数量;
若本次更新后的初始特征点矩阵的总特征点分布数量小于所述最小总特征点分布数量,则再一次对本次更新后的初始特征点矩阵执行所述第三更新处理;
若本次更新后的初始特征点矩阵的总特征点分布数量大于或者等于所述最小总特征点分布数量,则将本次更新前的初始特征点矩阵作为第二更新矩阵,按照状态类别由低优先级到高优先级的顺序将各所述目标状态类别进行排序,得到目标状态类别序列;
根据所述目标状态类别序列,将各所述目标状态类别进行分组,每个所述分组中包括在所述目标状态类别序列的目标位置两侧的、且与所述目标位置的差距一致的第一状态类别和第二状态类别,所述第一状态类别的优先级小于所述第二状态类别;
按照与所述目标位置的差距由低优先级到高优先级的顺序,依次将每个所述分组作为目标分组,对所述目标分组进行以下第四更新处理: 将所述第二更新矩阵中所述目标分组的第一状态类别的关键特征点减少一个,并且将所述第二更新矩阵中所述目标分组的第二状态类别的关键特征点增加一个;
判断本次更新后的第二更新矩阵的总特征点分布数量是否满足所述总特征点分布数量要求;
若本次更新后的第二更新矩阵的总特征点分布数量满足所述总特征点分布数量要求,则将本次更新后的第二更新矩阵作为所述最终特征点矩阵;
若本次更新后的第二更新矩阵的总特征点分布数量不满足所述总特征点分布数量要求,则将下一个分组作为新的目标分组,对所述新的目标分组进行所述第四更新处理;
将各个目标状态类别的最终特征点矩阵中的每个特征点的状态信息分别归类为该状态类别的状态汇总信息。
3.根据权利要求1所述的自动驾驶控制装置,其特征在于,所述第一确定模块用于通过以下方式针对所述各个监测区域内的预设区域特征点,并分别确定出所述预设区域特征点的浮动区域在所对应的状态类别的状态汇总信息中的浮动变化信息,得到所述预设区域特征点的第一状态浮动变化结果:
针对所述各个监测区域内的预设区域特征点,分别获取与所述预设区域特征点匹配的三维定点,并获取所述三维定点在预设时间段内持续落入该监测区域中的一个三维空间区域对应的坐标范围内时所对应的三维空间区域作为目标三维空间区域;
判断所述目标三维空间区域的区域范围与预设的自动驾驶控制模型的模型输入的区域范围是否相同;
若区域范围不相同,则将所述目标三维空间区域的区域范围缩放到与所述自动驾驶控制模型的模型输入的区域范围一致的三维空间区域,输入到所述自动驾驶控制模型;
采用所述自动驾驶控制模型对输入的三维空间区域进行计算,获取与所述输入的三维空间区域对应的浮动变化信息;
对所述目标三维空间区域中所述预设区域特征点的每个浮动位置进行跟踪,获取所述目标三维空间区域中每个浮动位置的浮动特征向量;
将与所述输入的三维空间区域对应的浮动变化信息中浮动位置频繁度大于预设阈值的区域确定为浮动区域;
对所述输入的三维空间区域中每个浮动位置的向量值进行转换,获取所述输入的三维空间区域中每个浮动位置的浮动特征向量;
根据所述目标三维空间区域中每个浮动位置的浮动特征向量,计算整个三维空间区域的第一浮动向量均值;
根据所述浮动区域中每个浮动位置的浮动特征向量,计算所述浮动区域的第二浮动向量均值;
对所述第一浮动向量均值、所述第二浮动向量均值和预设系数进行计算,获取所述浮动区域的浮动参考系数,计算所述目标三维空间区域中每个浮动位置的浮动特征向量与所述浮动参考系数的比值,并根据所述比值获取所述目标三维空间区域中每个浮动位置的第一浮动强度;
对所述目标三维空间区域中每个浮动位置的第一浮动强度和所述浮动变化信息进行计算,获取所述目标三维空间区域中每个浮动位置的浮动强度;
或者,计算所述目标三维空间区域中每个浮动位置的浮动特征向量与所述浮动参考系数的比值获取所述目标三维空间区域中每个浮动位置的第一浮动强度,并按照预设的浮动范围对所述目标三维空间区域中每个浮动位置的第一浮动强度进行计算,获取所述目标三维空间区域中每个浮动位置的第二浮动强度,其中,所述第二浮动强度与所述第一浮动强度之间的差值小于所述预设的浮动范围,对所述目标三维空间区域中每个浮动位置的第二浮动强度和所述浮动变化信息进行计算,获取所述目标三维空间区域中每个浮动位置的浮动强度;
根据指定空间位置的目标特征点、浮动强度以及所述浮动变化信息,确定所述目标三维空间区域中每个浮动位置的目标系数,并计算所述目标三维空间区域中每个浮动位置的浮动强度与预设常数的比值,其中,所述目标系数为所述指定空间位置的目标特征点的特征向量值乘以所述浮动强度并除以所述浮动变化信息的值;
计算每个浮动位置的浮动强度与预设常数的比值与对应的目标系数的乘积,获取所述目标三维空间区域中每个浮动位置的第一状态浮动结果;
根据所述每个浮动位置的第一状态浮动结果对所述目标三维空间区域进行颜色编辑处理输出目标三维空间区域;
或者,计算所述目标三维空间区域中每个浮动位置的浮动强度与预设常数的比值;
计算每个浮动位置的浮动强度与预设常数的比值与对应的目标染色值的乘积,获取所述目标三维空间区域中每个浮动位置的第一状态浮动结果;
对所述目标三维空间区域中每个浮动位置的第一状态浮动结果、所述目标三维空间区域以及所述浮动变化信息进行计算,获取所述目标三维空间区域中每个浮动位置的第二状态浮动结果;
将所述每个浮动位置的第二状态浮动结果进行排列得到所述预设区域特征点的第一状态浮动变化结果。
4.根据权利要求1‑3中任意一项所述的自动驾驶控制装置,其特征在于,所述第二确定模块用于通过以下方式根据所述驾驶对象的历史驾驶信息确定所述各个监测区域内的频繁区域特征点:
获取所述驾驶对象的历史驾驶信息,所述历史驾驶信息包括分别与多个区域特征点对应的多个位置变化信息;
在确定任意一个区域特征点对应的多个位置变化信息均满足预设位置变化条件时,根据所述区域特征点的位置变化信息,和位置变化区间的幅度,确定与所述预设位置变化条件匹配的首个位置变化区间的初始位置,其中,所述预设位置变化条件包括:位置变化幅度大于设定幅度阈值;
根据所述区域特征点的位置变化信息、所述位置变化区间的幅度、所述首个位置变化区间的初始位置以及预设的位置变化区间的数量,确定与所述预设位置变化条件匹配的多个位置变化区间对应于所述区域特征点的初始位置;
如果在所述区域特征点对应的跟踪节点在所述区域特征点中的区域特征点位置与目标位置变化区间的所述初始位置相匹配,且如果所述跟踪节点为所述目标位置变化区间的首个跟踪节点,则获取与所述目标位置变化区间相邻的前一位置变化区间匹配的区域特征点作为筛除区域特征点,并在所述跟踪节点中识别除去所述筛除区域特征点的一个区域特征点作为与所述目标位置变化区间匹配的目标区域特征点;
如果所述跟踪节点不为所述目标位置变化区间的首个跟踪节点,则获取与所述目标位置变化区间匹配的目标区域特征点,并在所述跟踪节点中识别所述目标区域特征点,并识别所述目标区域特征点的至少一个活跃位置节点,其中,所述区域特征点对应于多个位置变化区间;
在所述位置变化区间内,根据所述目标区域特征点的至少一个活跃位置节点在多个跟踪节点中的位置信息,计算所述目标区域特征点的至少一个活跃位置节点在所述位置变化区间内任意相邻两个跟踪节点之间的移动空间距离,以及所述目标区域特征点的至少一个活跃位置节点在所述位置变化区间内的位置向量;
统计所述位置变化区间的持续时间,并根据所述移动空间距离和所述位置向量,确定所述目标区域特征点在所述位置变化区间的平均变化频繁度和变化频繁度方差,根据所述平均变化频繁度和所述变化频繁度方差,计算所述目标区域特征点在所述位置变化区间内的频繁特征参数;
根据每个区域特征点在匹配的位置变化区间内的频繁特征参数,计算各所述区域特征点的频繁特征得分,并将频繁特征得分大于设定得分的区域特征点确定为频繁区域特征点。
5.根据权利要求1所述的自动驾驶控制装置,其特征在于,所述生成模块用于通过以下方式根据所述第一状态浮动变化结果以及所述第二状态浮动变化结果之间的匹配关系,生成对所述汽车的自动驾驶控制指令:将所述第一状态浮动变化结果中每个第一浮动位置的状态浮动结果与所述第二状态浮动变化结果中每个匹配的第二浮动位置的状态浮动结果进行匹配,得到多个匹配度,其中,所述第二状态浮动变化结果中每个匹配的第二浮动位置与对应的第一浮动位置在各自的状态浮动变化结果中的排列顺序匹配,所述匹配度根据所述第一浮动位置的状态浮动结果和匹配的第二浮动位置的状态浮动结果之间的重合度确定;
根据所述多个匹配度生成对所述汽车的自动驾驶控制指令。
6.根据权利要求5所述的自动驾驶控制装置,其特征在于,所述生成模块用于通过以下方式根据所述多个匹配度生成对所述汽车的自动驾驶控制指令:确定所述多个匹配度中低于第一设定匹配度的第一数量、大于第二设定匹配度的第二数量以及位于所述第一设定匹配度和所述第二设定匹配度之间的区间的第三数量;
如果所述第一数量大于所述第二数量和所述第三数量之和,则生成对所述汽车的第一自动驾驶控制指令,所述第一自动驾驶控制指令用于控制所述汽车进入预设的减速模式;
如果所述第三数量大于所述第一数量和所述第二数量之和,则生成对所述汽车的第二自动驾驶控制指令,所述第二自动驾驶控制指令用于控制所述汽车进入预设的加速模式;
如果所述第二数量大于所述第一数量和所述第三数量之和,则生成对所述汽车的第三自动驾驶控制指令,所述第三自动驾驶控制指令用于控制所述汽车进入预设的匀速模式。
7.一种自动驾驶控制方法,其特征在于,应用于自动驾驶系统,所述自动驾驶系统包括自动驾驶装置以及与所述自动驾驶装置通信连接的汽车内的多个状态监测装置通信连接,所述方法包括:
所述状态监测装置监测驾驶对象在所监测区域下的状态信息;
所述自动驾驶装置获取驾驶对象在每个状态监测装置的监测区域下的状态信息,并按照预定的状态类别对各个监测区域下的状态信息进行划分,分别生成每个状态类别的状态汇总信息,所述预定的状态类别包括离合器操作类别、方向盘操作类别、电气设备控制类别;
所述自动驾驶装置根据所述驾驶对象的身份认证信息确定所述各个监测区域内的预设区域特征点,针对所述各个监测区域内的预设区域特征点,并分别确定出所述预设区域特征点的浮动区域在所对应的状态类别的状态汇总信息中的浮动变化信息,得到所述预设区域特征点的第一状态浮动变化结果,所述预设区域特征点为与所述驾驶对象的身份认证信息预先匹配的区域特征点;
所述自动驾驶装置根据所述驾驶对象的历史驾驶信息确定所述各个监测区域内的频繁区域特征点,针对所述各个监测区域内的频繁区域特征点,分别获取所述频繁区域特征点的浮动轨迹,并确定出所述浮动轨迹在所对应的状态类别的状态汇总信息中的浮动变化信息,得到所述频繁区域特征点的第二状态浮动变化结果,所述频繁区域特征点为所述驾驶对象的历史驾驶信息中的变化频繁度大于设定频繁度阈值的区域特征点,所述变化频繁度用于表示所述区域特征点在单位时间内的变化程度;
所述自动驾驶装置根据所述第一状态浮动变化结果以及所述第二状态浮动变化结果之间的匹配关系,生成对所述汽车的自动驾驶控制指令;
其中,所述身份认证信息包括生物特征信息,所述根据所述驾驶对象的身份认证信息确定所述各个监测区域内的预设区域特征点的步骤,包括:采集所述驾驶对象的生物特征信息;
根据所述生物特征信息以及预先配置的各个生物特征信息与各个检测区域内的预设区域特征点之间的对应关系,得到所述各个监测区域内的预设区域特征点。
8.根据权利要求7所述的自动驾驶控制方法,其特征在于,所述按照预定的状态类别对各个监测区域下的状态信息进行划分,分别生成每个状态类别的状态汇总信息的步骤,包括:
获取每个预定的状态类别所对应的状态类别特征点,形成每个预定的状态类别的特征点集合,并获取各个监测区域的目标特征点数与所述特征点集合的特征点数的重合特征点信息;
根据所述目标特征点数与所述特征点集合的特征点数的重合特征点信息,计算每种目标状态类别的关键特征点的数量,并根据每种目标状态类别的关键特征点的数量,从所述特征点集合中选取状态类别特征点,得到初始特征点矩阵;
若所述初始特征点矩阵的总特征点分布数量大于满足所述总特征点分布数量要求的最大总特征点分布数量,则将所述初始特征点矩阵中的粗范围关键特征点减少第一设定数量,并且将所述初始特征点矩阵中的细范围关键特征点增加所述第一设定数量,其中,所述细范围关键特征点是指关键特征点在所在的检测区域的单位密集程度小于设定程度的关键特征点,所述粗范围关键特征点是指关键特征点在所在的检测区域的单位密集程度不小于设定程度的关键特征点;
计算本次更新后的初始特征点矩阵的总特征点分布数量;
若本次更新后的初始特征点矩阵的总特征点分布数量大于所述最大总特征点分布数量,则再一次对本次更新后的初始特征点矩阵执行以上处理;
若本次更新后的初始特征点矩阵的总特征点分布数量小于或者等于所述最大总特征点分布数量,则将本次更新前的初始特征点矩阵作为第一更新矩阵,按照状态类别由低优先级到高优先级的顺序将各所述目标状态类别进行排序,得到目标状态类别序列;
根据所述目标状态类别序列,将各所述目标状态类别进行分组,每个所述分组中包括在所述目标状态类别序列的目标位置两侧的、且与所述目标位置的差距一致的第一状态类别和第二状态类别,所述第一状态类别的优先级小于所述第二状态类别;
按照与所述目标位置的差距由低优先级到高优先级的顺序,依次将每个所述分组作为目标分组,对所述目标分组进行以下第二更新处理: 将所述第一更新矩阵中所述目标分组的第一状态类别的关键特征点增加一个,并且将所述第一更新矩阵中所述目标分组的第二状态类别的关键特征点减少一个;
判断本次更新后的第一更新矩阵的总特征点分布数量是否满足所述总特征点分布数量要求;
若本次更新后的第一更新矩阵的总特征点分布数量满足所述总特征点分布数量要求,则将本次更新后的第一更新矩阵作为最终特征点矩阵;
若本次更新后的第一更新矩阵的总特征点分布数量不满足所述总特征点分布数量要求,则将下一个分组作为新的目标分组,对所述新的目标分组进行所述第二更新处理;
若所述初始特征点矩阵的总特征点分布数量小于满足所述总特征点分布数量要求的最小总特征点分布数量,则对所述初始特征点矩阵进行以下第三更新处理: 将所述初始特征点矩阵中的粗范围关键特征点增加第一设定数量,并且将所述初始特征点矩阵中的细范围关键特征点减少所述第一设定数量;
计算本次更新后的初始特征点矩阵的总特征点分布数量;
若本次更新后的初始特征点矩阵的总特征点分布数量小于所述最小总特征点分布数量,则再一次对本次更新后的初始特征点矩阵执行所述第三更新处理;
若本次更新后的初始特征点矩阵的总特征点分布数量大于或者等于所述最小总特征点分布数量,则将本次更新前的初始特征点矩阵作为第二更新矩阵,按照状态类别由低优先级到高优先级的顺序将各所述目标状态类别进行排序,得到目标状态类别序列;
根据所述目标状态类别序列,将各所述目标状态类别进行分组,每个所述分组中包括在所述目标状态类别序列的目标位置两侧的、且与所述目标位置的差距一致的第一状态类别和第二状态类别,所述第一状态类别的优先级小于所述第二状态类别;
按照与所述目标位置的差距由低优先级到高优先级的顺序,依次将每个所述分组作为目标分组,对所述目标分组进行以下第四更新处理: 将所述第二更新矩阵中所述目标分组的第一状态类别的关键特征点减少一个,并且将所述第二更新矩阵中所述目标分组的第二状态类别的关键特征点增加一个;
判断本次更新后的第二更新矩阵的总特征点分布数量是否满足所述总特征点分布数量要求;
若本次更新后的第二更新矩阵的总特征点分布数量满足所述总特征点分布数量要求,则将本次更新后的第二更新矩阵作为所述最终特征点矩阵;
若本次更新后的第二更新矩阵的总特征点分布数量不满足所述总特征点分布数量要求,则将下一个分组作为新的目标分组,对所述新的目标分组进行所述第四更新处理;
将各个目标状态类别的最终特征点矩阵中的每个特征点的状态信息分别归类为该状态类别的状态汇总信息。
9.一种自动驾驶系统,其特征在于,所述自动驾驶系统包括自动驾驶装置以及与所述自动驾驶装置通信连接的汽车内的多个状态监测装置,所述自动驾驶系统包括:所述状态监测装置,用于监测驾驶对象在所监测区域下的状态信息;
所述自动驾驶装置,用于获取驾驶对象在每个状态监测装置的监测区域下的状态信息,并按照预定的状态类别对各个监测区域下的状态信息进行划分,分别生成每个状态类别的状态汇总信息,所述预定的状态类别包括离合器操作类别、方向盘操作类别、电气设备控制类别;
所述自动驾驶装置,用于根据所述驾驶对象的身份认证信息确定所述各个监测区域内的预设区域特征点,针对所述各个监测区域内的预设区域特征点,并分别确定出所述预设区域特征点的浮动区域在所对应的状态类别的状态汇总信息中的浮动变化信息,得到所述预设区域特征点的第一状态浮动变化结果,所述预设区域特征点为与所述驾驶对象的身份认证信息预先匹配的区域特征点;
所述自动驾驶装置,用于根据所述驾驶对象的历史驾驶信息确定所述各个监测区域内的频繁区域特征点,针对所述各个监测区域内的频繁区域特征点,分别获取所述频繁区域特征点的浮动轨迹,并确定出所述浮动轨迹在所对应的状态类别的状态汇总信息中的浮动变化信息,得到所述频繁区域特征点的第二状态浮动变化结果,所述频繁区域特征点为所述驾驶对象的历史驾驶信息中的变化频繁度大于设定频繁度阈值的区域特征点,所述变化频繁度用于表示所述区域特征点在单位时间内的变化程度;
所述自动驾驶装置,用于根据所述第一状态浮动变化结果以及所述第二状态浮动变化结果之间的匹配关系,生成对所述汽车的自动驾驶控制指令;
其中,所述身份认证信息包括生物特征信息,所述自动驾驶装置用于通过以下方式根据所述驾驶对象的身份认证信息确定所述各个监测区域内的预设区域特征点:采集所述驾驶对象的生物特征信息;
根据所述生物特征信息以及预先配置的各个生物特征信息与各个检测区域内的预设区域特征点之间的对应关系,得到所述各个监测区域内的预设区域特征点。
10.根据权利要求9所述的自动驾驶系统,其特征在于,所述自动驾驶装置通过以下方式按照预定的状态类别对各个监测区域下的状态信息进行划分,分别生成每个状态类别的状态汇总信息:
获取每个预定的状态类别所对应的状态类别特征点,形成每个预定的状态类别的特征点集合,并获取各个监测区域的目标特征点数与所述特征点集合的特征点数的重合特征点信息;
根据所述目标特征点数与所述特征点集合的特征点数的重合特征点信息,计算每种目标状态类别的关键特征点的数量,并根据每种目标状态类别的关键特征点的数量,从所述特征点集合中选取状态类别特征点,得到初始特征点矩阵;
若所述初始特征点矩阵的总特征点分布数量大于满足所述总特征点分布数量要求的最大总特征点分布数量,则将所述初始特征点矩阵中的粗范围关键特征点减少第一设定数量,并且将所述初始特征点矩阵中的细范围关键特征点增加所述第一设定数量,其中,所述细范围关键特征点是指关键特征点在所在的检测区域的单位密集程度小于设定程度的关键特征点,所述粗范围关键特征点是指关键特征点在所在的检测区域的单位密集程度不小于设定程度的关键特征点;
计算本次更新后的初始特征点矩阵的总特征点分布数量;
若本次更新后的初始特征点矩阵的总特征点分布数量大于所述最大总特征点分布数量,则再一次对本次更新后的初始特征点矩阵执行以上处理;
若本次更新后的初始特征点矩阵的总特征点分布数量小于或者等于所述最大总特征点分布数量,则将本次更新前的初始特征点矩阵作为第一更新矩阵,按照状态类别由低优先级到高优先级的顺序将各所述目标状态类别进行排序,得到目标状态类别序列;
根据所述目标状态类别序列,将各所述目标状态类别进行分组,每个所述分组中包括在所述目标状态类别序列的目标位置两侧的、且与所述目标位置的差距一致的第一状态类别和第二状态类别,所述第一状态类别的优先级小于所述第二状态类别;
按照与所述目标位置的差距由低优先级到高优先级的顺序,依次将每个所述分组作为目标分组,对所述目标分组进行以下第二更新处理: 将所述第一更新矩阵中所述目标分组的第一状态类别的关键特征点增加一个,并且将所述第一更新矩阵中所述目标分组的第二状态类别的关键特征点减少一个;
判断本次更新后的第一更新矩阵的总特征点分布数量是否满足所述总特征点分布数量要求;
若本次更新后的第一更新矩阵的总特征点分布数量满足所述总特征点分布数量要求,则将本次更新后的第一更新矩阵作为最终特征点矩阵;
若本次更新后的第一更新矩阵的总特征点分布数量不满足所述总特征点分布数量要求,则将下一个分组作为新的目标分组,对所述新的目标分组进行所述第二更新处理;
若所述初始特征点矩阵的总特征点分布数量小于满足所述总特征点分布数量要求的最小总特征点分布数量,则对所述初始特征点矩阵进行以下第三更新处理: 将所述初始特征点矩阵中的粗范围关键特征点增加第一设定数量,并且将所述初始特征点矩阵中的细范围关键特征点减少所述第一设定数量;
计算本次更新后的初始特征点矩阵的总特征点分布数量;
若本次更新后的初始特征点矩阵的总特征点分布数量小于所述最小总特征点分布数量,则再一次对本次更新后的初始特征点矩阵执行所述第三更新处理;
若本次更新后的初始特征点矩阵的总特征点分布数量大于或者等于所述最小总特征点分布数量,则将本次更新前的初始特征点矩阵作为第二更新矩阵,按照状态类别由低优先级到高优先级的顺序将各所述目标状态类别进行排序,得到目标状态类别序列;
根据所述目标状态类别序列,将各所述目标状态类别进行分组,每个所述分组中包括在所述目标状态类别序列的目标位置两侧的、且与所述目标位置的差距一致的第一状态类别和第二状态类别,所述第一状态类别的优先级小于所述第二状态类别;
按照与所述目标位置的差距由低优先级到高优先级的顺序,依次将每个所述分组作为目标分组,对所述目标分组进行以下第四更新处理: 将所述第二更新矩阵中所述目标分组的第一状态类别的关键特征点减少一个,并且将所述第二更新矩阵中所述目标分组的第二状态类别的关键特征点增加一个;
判断本次更新后的第二更新矩阵的总特征点分布数量是否满足所述总特征点分布数量要求;
若本次更新后的第二更新矩阵的总特征点分布数量满足所述总特征点分布数量要求,则将本次更新后的第二更新矩阵作为所述最终特征点矩阵;
若本次更新后的第二更新矩阵的总特征点分布数量不满足所述总特征点分布数量要求,则将下一个分组作为新的目标分组,对所述新的目标分组进行所述第四更新处理;
将各个目标状态类别的最终特征点矩阵中的每个特征点的状态信息分别归类为该状态类别的状态汇总信息。
说明书 :
自动驾驶控制装置、方法及自动驾驶系统
技术领域
背景技术
地调整自动驾驶策略,但是此种方案并未考虑到驾驶员在自动驾驶过程中针对不同状态类
别的差异,并且为了提高驾驶安全性,在自动驾驶过程中通常也会要求驾驶员处于驾驶状
态,然而由于不同的驾驶员的驾驶习惯不同,而且驾驶员的特征状态本身是波动变化的,不
同驾驶员的特征状态差异也较大,从而造成自动驾驶策略的决策过程不够充分。
发明内容
域在所对应的状态类别的状态汇总信息中的浮动变化信息,得到所述预设区域特征点的第
一状态浮动变化结果,所述预设区域特征点为与所述驾驶对象的身份认证信息预先匹配的
区域特征点;
并确定出所述浮动轨迹在所对应的状态类别的状态汇总信息中的浮动变化信息,得到所述
频繁区域特征点的第二状态浮动变化结果,所述频繁区域特征点为所述驾驶对象的历史驾
驶信息中的变化频繁度大于设定频繁度阈值的区域特征点,所述变化频繁度用于表示所述
区域特征点在单位时间内的变化程度;
征点信息;
所述特征点集合中选取状态类别特征点,得到初始特征点矩阵;
定数量,并且将所述初始特征点矩阵中的细范围关键特征点增加所述第一设定数量,其中,
所述细范围关键特征点是指关键特征点在所在的检测区域的单位密集程度小于设定程度
的关键特征点,所述粗范围关键特征点是指关键特征点在所在的检测区域的单位密集程度
不小于设定程度的关键特征点;
低优先级到高优先级的顺序将各所述目标状态类别进行排序,得到目标状态类别序列;
态类别和第二状态类别,所述第一状态类别的优先级小于所述第二状态类别;
分组的第一状态类别的关键特征点增加一个,并且将所述第一更新矩阵中所述目标分组的
第二状态类别的关键特征点减少一个;
始特征点矩阵中的粗范围关键特征点增加第一设定数量,并且将所述初始特征点矩阵中的
细范围关键特征点减少所述第一设定数量;
低优先级到高优先级的顺序将各所述目标状态类别进行排序,得到目标状态类别序列;
态类别和第二状态类别,所述第一状态类别的优先级小于所述第二状态类别;
分组的第一状态类别的关键特征点减少一个,并且将所述第二更新矩阵中所述目标分组的
第二状态类别的关键特征点增加一个;
括:
的浮动变化信息,得到所述预设区域特征点的第一状态浮动变化结果的步骤,包括:
间区域对应的坐标范围内时所对应的三维空间区域作为目标三维空间区域;
与所述浮动参考系数的比值,并根据所述比值获取所述目标三维空间区域中每个浮动位置
的第一浮动强度;
浮动范围对所述目标三维空间区域中每个浮动位置的第一浮动强度进行计算,获取所述目
标三维空间区域中每个浮动位置的第二浮动强度,其中,所述第二浮动强度与所述第一浮
动强度之间的差值小于所述预设的浮动范围,对所述目标三维空间区域中每个浮动位置的
第二浮动强度和所述浮动变化信息进行计算,获取所述目标三维空间区域中每个浮动位置
的浮动强度;
置的浮动强度与预设常数的比值,其中,所述目标系数为所述指定空间位置的目标特征点
的特征向量值乘以所述浮动强度并除以所述浮动变化信息的值;
二状态浮动结果;
化条件匹配的首个位置变化区间的初始位置,其中,所述预设位置变化条件包括:位置变化
幅度大于设定幅度阈值;
的多个位置变化区间对应于所述区域特征点的初始位置;
间的首个跟踪节点,则获取与所述目标位置变化区间相邻的前一位置变化区间匹配的区域
特征点作为筛除区域特征点,并在所述跟踪节点中识别除去所述筛除区域特征点的一个区
域特征点作为与所述目标位置变化区间匹配的目标区域特征点;
并识别所述目标区域特征点的至少一个活跃位置节点,其中,所述区域特征点对应于多个
位置变化区间;
位置变化区间内任意相邻两个跟踪节点之间的移动空间距离,以及所述目标区域特征点的
至少一个活跃位置节点在所述位置变化区间内的位置向量;
所述平均变化频繁度和所述变化频繁度方差,计算所述目标区域特征点在所述位置变化区
间内的频繁特征参数;
征点。
括:
度,其中,所述第二状态浮动变化结果中每个匹配的第二浮动位置与对应的第一浮动位置
在各自的状态浮动变化结果中的排列顺序匹配,所述匹配度根据所述第一浮动位置的状态
浮动结果和匹配的第二浮动位置的状态浮动结果之间的重合度确定;
式;
式;
式。
态汇总信息;
区域特征点的浮动区域在所对应的状态类别的状态汇总信息中的浮动变化信息,得到所述
预设区域特征点的第一状态浮动变化结果,所述预设区域特征点为与所述驾驶对象的身份
认证信息预先匹配的区域特征点;
特征点的浮动轨迹,并确定出所述浮动轨迹在所对应的状态类别的状态汇总信息中的浮动
变化信息,得到所述频繁区域特征点的第二状态浮动变化结果,所述频繁区域特征点为所
述驾驶对象的历史驾驶信息中的变化频繁度大于设定频繁度阈值的区域特征点,所述变化
频繁度用于表示所述区域特征点在单位时间内的变化程度;
类别的状态汇总信息;
预设区域特征点的浮动区域在所对应的状态类别的状态汇总信息中的浮动变化信息,得到
所述预设区域特征点的第一状态浮动变化结果,所述预设区域特征点为与所述驾驶对象的
身份认证信息预先匹配的区域特征点;
区域特征点的浮动轨迹,并确定出所述浮动轨迹在所对应的状态类别的状态汇总信息中的
浮动变化信息,得到所述频繁区域特征点的第二状态浮动变化结果,所述频繁区域特征点
为所述驾驶对象的历史驾驶信息中的变化频繁度大于设定频繁度阈值的区域特征点,所述
变化频繁度用于表示所述区域特征点在单位时间内的变化程度;
态监测装置通信连接,所述方法包括:
状态汇总信息,所述预定类别包括离合器操作类别、方向盘操作类别、电气设备控制类别;
区域特征点的浮动区域在所对应的状态类别的状态汇总信息中的浮动变化信息,得到所述
预设区域特征点的第一状态浮动变化结果,所述预设区域特征点为与所述驾驶对象的身份
认证信息预先匹配的区域特征点;
特征点的浮动轨迹,并确定出所述浮动轨迹在所对应的状态类别的状态汇总信息中的浮动
变化信息,得到所述频繁区域特征点的第二状态浮动变化结果,所述频繁区域特征点为所
述驾驶对象的历史驾驶信息中的变化频繁度大于设定频繁度阈值的区域特征点,所述变化
频繁度用于表示所述区域特征点在单位时间内的变化程度;
之间通过总线系统相连,所述网络接口用于与至少一个状态监测装置通信连接,所述机器
可读存储介质用于存储程序、指令或代码,所述处理器用于执行所述机器可读存储介质中
的程序、指令或代码,以执行第一方面或者第一方面中任意一个可能的设计中的自动驾驶
控制方法。
一方面中任意一个可能的设计中的自动驾驶控制方法。
在自动驾驶过程中针对不同状态类别的差异,并且通过有效区分不同驾驶员的特征状态差
异,从而考虑到驾驶员在自动驾驶过程中的区域特征点的浮动变化,并以此进一步结合驾
驶员的历史驾驶情况来进行自动驾驶决策,能够提高自动驾驶策略的决策过程的数据准确
性。
附图说明
范围的限定,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
些附图获得其他相关的附图。
具体实施方式
一个或多个。“多个”是指两个或两个以上。例如,A、B和C中的至少一个,包括:单独存在A、单
独存在B、同时存在A和B、同时存在A和C、同时存在B和C,以及同时存在A、B和C。
动驾驶装置100中可以包括执行指令操作的处理器。图1所示的自动驾驶系统10仅为一种可
行的示例,在其它可行的实施例中,该自动驾驶系统10也可以仅包括图1所示组成部分的其
中一部分或者还可以包括其它的组成部分。
驾驶装置100相对于状态监测装置200,可以是本地的、也可以是远程的。例如,自动驾驶装
置100可以经由网络访问存储在状态监测装置200以及数据库、或其任意组合中的信息。作
为另一示例,自动驾驶装置100可以直接连接到状态监测装置200和数据库中的至少一个,
以访问其中存储的信息和/或数据。
个处理核(例如,单核处理器(S)或多核处理器(S))。仅作为举例,处理器可以包括中央处理
单元(Central Processing Unit, CPU)、专用集成电路(Application Specific
Integrated Circuit, ASIC)、专用指令集处理器(Application Specific Instruction‑
set Processor, ASIP)、图形处理单元(Graphics Processing Unit, GPU)、物理处理单元
(Physics Processing Unit, PPU)、数字信号处理器 (Digital Signal Processor,
DSP)、现场可编程门阵列( Field Programmable Gate Array,FPGA)、可编程逻辑器件
(Programmable Logic Device, PLD)、控制器、微控制器单元、简化指令集计算机(Reduced
Instruction Set Computing, RISC)、或微处理器等,或其任意组合。
息和/或数据。在一些实施例中,网络可以是任何类型的有线或者无线网络,或者是他们的
结合。仅作为示例,网络130可以包括有线网络、无线网络、光纤网络、远程通信网络、内联
网、因特网、局域网(Local Area Network,LAN)、广域网(Wide Area Network,WAN)、无线局
域网(Wireless Local Area Networks,WLAN)、城域网(Metropolitan Area Network,
MAN)、广域网(Wide Area Network,WAN)、公共电话交换网(Public Switched Telephone
Network,PSTN)、蓝牙网络、ZigBee网络、或近场通信(Near Field Communication, NFC)网
络等,或其任意组合。在一些实施例中,网络可以包括一个或多个网络接入点。例如,网络可
以包括有线或无线网络接入点,例如基站和/或网络交换节点,自动驾驶系统10的一个或多
个组件可以通过该接入点连接到网络以交换数据和/或信息。
的数据和/或指令。在一些实施例中,数据库可以包括大容量存储器、可移动存储器、易失性
读写存储器、或只读存储器(Read‑Only Memory, ROM)等,或其任意组合。作为举例,大容量
存储器可以包括磁盘、光盘、固态驱动器等;可移动存储器可包括闪存驱动器、软盘、光盘、
存储卡、zip磁盘、磁带等;易失性读写存储器可以包括随机存取存储器(Random Access
Memory, RAM);RAM可以包括动态RAM(Dynamic Random Access Memory, DRAM),双倍数据
速率同步动态RAM(Double Date‑Rate Synchronous RAM, DDR SDRAM);静态RAM(Static
Random‑Access Memory, SRAM),晶闸管RAM(Thyristor‑Based Random Access Memory,
T‑RAM)和零电容器RAM(Zero‑RAM)等。作为举例,ROM可以包括掩模ROM(Mask Read‑Only
Memory, MROM)、可编程ROM( Programmable Read‑Only Memory, PROM)、可擦除可编程ROM
(Programmable Erasable Read‑only Memory , PEROM)、电可擦除可编程ROM
(Electrically Erasable Programmable read only memory, EEPROM)、光盘ROM(CD‑
ROM)、以及数字通用磁盘ROM等。
件可以经由网络访问存储在数据库中的数据或指令。在一些实施例中,数据库可以直接连
接到自动驾驶系统10中的一个或多个组件(例如,自动驾驶装置100,状态监测装置200等;
或者,在一些实施例中,数据库也可以是自动驾驶装置100的一部分。
100执行,下面对该自动驾驶控制方法进行详细介绍。
总信息。
所对应的状态类别的状态汇总信息中的浮动变化信息,得到预设区域特征点的第一状态浮
动变化结果。
出浮动轨迹在所对应的状态类别的状态汇总信息中的浮动变化信息,得到频繁区域特征点
的第二状态浮动变化结果。
测区域的驾驶对象的状态信息。例如,对于驾驶对象来说,其头部的各个特征区域、手部的
各个关节特征区域、脖子特征区域、腿部区域等都可以单独设计对应的检测区域,并对应设
置相关的状态监测装置对其状态信息进行监测。
可根据各自驾驶习惯的不同预设对应的不同的预设区域特征点。
的变化程度。
驾驶过程中针对不同状态类别的差异,并且通过有效区分不同驾驶员的特征状态差异,从
而考虑到驾驶员在自动驾驶过程中的区域特征点的浮动变化,并以此进一步结合驾驶员的
历史驾驶情况来进行自动驾驶决策,能够提高自动驾驶策略的决策过程的数据准确性。
每个预定的状态类别所对应的状态类别特征点,形成每个预定的状态类别的特征点集合,
并获取各个监测区域的目标特征点数与特征点集合的特征点数的重合特征点信息。 例如,
针对离合器操作类别、方向盘操作类别、电气设备控制类别,可以分别获取离合器操作类
别、方向盘操作类别、电气设备控制类别下的状态类别特征点,如离合器操作类别下的状态
类别特征点可以包括腿部的部分特定特征点,方向盘操作类别下的状态类别特征点可以包
括手部的部分特定特征点和眼部的特征点等。也即,每个预定的状态类别所对应的状态类
别特征点可以用于实现该预定的状态类别所对应的操作过程的配合。
的数量,从特征点集合中选取状态类别特征点,得到初始特征点矩阵。
并且将初始特征点矩阵中的细范围关键特征点增加第一设定数量。
关键特征点在所在的检测区域的单位密集程度不小于设定程度的关键特征点。
步详细阐述。
由低优先级到高优先级的顺序将各目标状态类别进行排序,得到目标状态类别序列。
状态类别,第一状态类别的优先级小于第二状态类别。
状态类别的关键特征点增加一个,并且将第一更新矩阵中目标分组的第二状态类别的关键
特征点减少一个。
粗范围关键特征点增加第一设定数量,并且将初始特征点矩阵中的细范围关键特征点减少
第一设定数量。
先级到高优先级的顺序将各目标状态类别进行排序,得到目标状态类别序列。
态类别和第二状态类别,第一状态类别的优先级小于第二状态类别。
类别的关键特征点减少一个,并且将第二更新矩阵中目标分组的第二状态类别的关键特征
点增加一个。
据汽车中实际的硬件组成来灵活选择其中的一种或者多种组合,当选择多种组合时,可以
提高身份验证的准确性。在此基础上,当识别到驾驶对象坐在驾驶位置时,可以采集驾驶对
象的生物特征信息,并根据生物特征信息以及预先配置的各个生物特征信息与各个检测区
域内的预设区域特征点之间的对应关系,得到各个监测区域内的预设区域特征点。
可以针对各个监测区域内的预设区域特征点,分别获取与预设区域特征点匹配的三维定
点,并获取三维定点在预设时间段内持续落入该监测区域中的一个三维空间区域对应的坐
标范围内时所对应的三维空间区域作为目标三维空间区域。
置进行跟踪,获取目标三维空间区域中每个浮动位置的浮动特征向量,然后将与输入的三
维空间区域对应的浮动变化信息中浮动位置频繁度大于预设阈值的区域确定为浮动区域。
置的浮动特征向量,计算整个三维空间区域的第一浮动向量均值,同时根据浮动区域中每
个浮动位置的浮动特征向量,计算浮动区域的第二浮动向量均值。接着,对第一浮动向量均
值、第二浮动向量均值和预设系数进行计算,获取浮动区域的浮动参考系数,计算目标三维
空间区域中每个浮动位置的浮动特征向量与浮动参考系数的比值,并根据比值获取目标三
维空间区域中每个浮动位置的第一浮动强度,而后对目标三维空间区域中每个浮动位置的
第一浮动强度和浮动变化信息进行计算,获取目标三维空间区域中每个浮动位置的浮动强
度。
第一浮动强度,并按照预设的浮动范围对目标三维空间区域中每个浮动位置的第一浮动强
度进行计算,获取目标三维空间区域中每个浮动位置的第二浮动强度,其中,第二浮动强度
与第一浮动强度之间的差值小于预设的浮动范围,对目标三维空间区域中每个浮动位置的
第二浮动强度和浮动变化信息进行计算,获取目标三维空间区域中每个浮动位置的浮动强
度。
浮动位置的浮动强度与预设常数的比值,其中,目标系数可以为指定空间位置的目标特征
点的特征向量值乘以浮动强度并除以浮动变化信息的值。
的目标染色值的乘积,获取目标三维空间区域中每个浮动位置的第一状态浮动结果。
第二状态浮动结果,从而将每个浮动位置的第二状态浮动结果进行排列得到预设区域特征
点的第一状态浮动变化结果。
施例首先获取驾驶对象的历史驾驶信息,历史驾驶信息可以包括分别与多个区域特征点对
应的多个位置变化信息。
件匹配的首个位置变化区间的初始位置,其中,预设位置变化条件包括:位置变化幅度大于
设定幅度阈值。
多个位置变化区间对应于区域特征点的初始位置。
获取与目标位置变化区间相邻的前一位置变化区间匹配的区域特征点作为筛除区域特征
点,并在跟踪节点中识别除去筛除区域特征点的一个区域特征点作为与目标位置变化区间
匹配的目标区域特征点。
的至少一个活跃位置节点,其中,区域特征点对应于多个位置变化区间。
任意相邻两个跟踪节点之间的移动空间距离,以及目标区域特征点的至少一个活跃位置节
点在位置变化区间内的位置向量。
繁度和变化频繁度方差,计算目标区域特征点在位置变化区间内的频繁特征参数,从而根
据每个区域特征点在匹配的位置变化区间内的频繁特征参数,计算各区域特征点的频繁特
征得分,并将频繁特征得分大于设定得分的区域特征点确定为频繁区域特征点。例如,可以
将每个区域特征点在匹配的位置变化区间内的频繁特征参数进行加权求和后,得到各区域
特征点的频繁特征得分。
确性和可靠性。
式进一步得到频繁区域特征点的第二状态浮动变化结果,在此不再赘述。
置的状态浮动结果与第二状态浮动变化结果中每个匹配的第二浮动位置的状态浮动结果
进行匹配,得到多个匹配度。其中,示例性地,第二状态浮动变化结果中每个匹配的第二浮
动位置与对应的第一浮动位置在各自的状态浮动变化结果中的排列顺序匹配,匹配度根据
第一浮动位置的状态浮动结果和匹配的第二浮动位置的状态浮动结果之间的重合度确定。
度之间的区间的第三数量。
式时,并不表示汽车一直加速,而是表示汽车以当前速度往上一定速度范围内均匀波动。而
当进入预设的匀速模式时,可以理解为汽车以当前速度的极小速度范围内均匀波动。
在自动驾驶过程中可能还存在其它的自动驾驶策略,本实施例提供的方案可以与其它自动
驾驶策略并且同时执行,或者也可以以一定的前置条件来执行,具体可以由本领域技术人
员根据方案的实施可能性来灵活设计,在此不作具体限定。
个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述
集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明
的是,本申请中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另
外的划分方式。比如,在采用对应各个功能划分各个功能模块的情况下,图3示出的自动驾
驶控制装置300只是一种装置示意图。其中,自动驾驶控制装置300可以包括获取模块310、
第一确定模块320、第一确定模块330以及以及生成模块340,下面分别对该自动驾驶控制装
置300的各个功能模块的功能进行详细阐述。
状态汇总信息。
浮动区域在所对应的状态类别的状态汇总信息中的浮动变化信息,得到预设区域特征点的
第一状态浮动变化结果,预设区域特征点为与驾驶对象的身份认证信息预先匹配的区域特
征点。
轨迹,并确定出浮动轨迹在所对应的状态类别的状态汇总信息中的浮动变化信息,得到频
繁区域特征点的第二状态浮动变化结果,频繁区域特征点为驾驶对象的历史驾驶信息中的
变化频繁度大于设定频繁度阈值的区域特征点,变化频繁度用于表示区域特征点在单位时
间内的变化程度。
储介质120、处理器130以及总线140。处理器130可以是一个或多个,图4中以一个处理器130
为例。网络接口110、机器可读存储介质120以及处理器130可以通过总线140或其他方式连
接,图4中以通过总线140连接为例。
如图3中所示的自动驾驶控制装置300的获取模块310、第一确定模块320、第一确定模块330
以及以及生成模块340)。处理器130通过检测存储在机器可读存储介质120中的软件程序、
指令以及模块,从而执行终端设备的各种功能应用以及数据处理,即实现上述的自动驾驶
控制方法,在此不再赘述。
的数据等。此外,机器可读存储介质120可以是易失性存储器或非易失性存储器,或可包括
易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read‑Only
Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器
(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪
存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速
缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器
(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器
(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data
RateSDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步
连接动态随机存取存储器(Synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器
(DirectRambus RAM,DR RAM)。应注意,本文描述的系统和方法的存储器旨在包括但不限于
这些和任意其它适合发布节点的存储器。在一些实例中,机器可读存储介质120可进一步包
括相对于处理器130远程设置的存储器,这些远程存储器可以通过网络连接至自动驾驶装
置100。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
成。上述的处理器130可以是通用处理器、数字信号处理器(Digital SignalProcessor,
DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门
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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻
辑框图。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。结合本
申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处
理器中的硬件及软件模块组合执行完成。
装置。处理器130可以利用网络接口110收发信息。
产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或
部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计
算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质
中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机
指令可以从一个网站站点、计算机、自动驾驶装置或数据中心通过有线(例如同轴电缆、光
纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、自
动驾驶装置或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何
可用介质或者是包含一个或多个可用介质集成的自动驾驶装置、数据中心等数据存储设
备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导
体介质(例如固态硬盘(solid state disk,SSD))等。
每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算
机程序指令到通用计算机、专用计机、嵌入式处理机或其他可编程数据处理设备的处理器
以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用
于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装
置。
令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或
多个方框中指定的功能。
同技术的范围之内,则本申请也意图包含这些改动和变型在内。