崎岖路面检测方法、装置、存储介质、电子设备和车辆制造方法及图纸

本公开涉及一种崎岖路面检测方法、装置、存储介质、电子设备和车辆，属于车辆领域，能够精确地确定路面上的崎岖区域。一种崎岖路面检测方法，包括：获取车前环境图像；对所述车前环境图像进行特征提取；将提取出的特征与预先训练好的特征模型进行匹配，确定路面边界和路面上的崎岖区域；根据所述路面边界确定目标路面，通过数学模型比较法确定所述目标路面上的崎岖区域的崎岖信息。崎岖区域的崎岖信息。崎岖区域的崎岖信息。

【技术实现步骤摘要】
崎岖路面检测方法、装置、存储介质、电子设备和车辆


[0001]本公开涉及车辆领域，具体地，涉及一种崎岖路面检测方法、装置、存储介质、电子设备和车辆。

技术介绍

[0002]现有的崎岖道路检测方法包括：从振动敏感信号采集采样值，统计模块滤除周期性异常与随机异常并且计算统计信号，然后通过微分模块来计算基于速率或时间的一阶和二阶导数，最后通过比较模块基于统计信号或一阶和二阶导数确定是否存在崎岖路况。
[0003]由于现有检测方法主要通过振动敏感信号来进行采样，通过一系列的计算与比较得出崎岖道路信息，因此其计算难度高，精度低。

技术实现思路

[0004]本公开的目的是提供一种崎岖路面检测方法、装置、存储介质、电子设备和车辆，能够精确地确定路面上的崎岖区域。
[0005]根据本公开的第一实施例，提供一种崎岖路面检测方法，包括：获取车前环境图像；对所述车前环境图像进行特征提取；将提取出的特征与预先训练好的特征模型进行匹配，确定路面边界和路面上的崎岖区域；根据所述路面边界确定目标路面，通过数学模型比较法确定所述目标路面上的崎岖区域的崎岖信息。
[0006]可选地，所述对所述车前环境图像进行特征提取，包括：利用深度学习算法对所述车前环境图像进行特征提取。
[0007]可选地，所述将提取出的特征与预先训练好的特征模型进行匹配，确定路面边界和路面上的崎岖区域，包括：将提取出的特征与所述预先训练好的特征模型进行匹配，并对匹配成功后的路面边界的特征和崎岖区域的特征进行标注，确定所述路面边界和所述路面上的崎岖范围信息；获取对所述车辆前方环境的图像进行采集的成像器件的标定参数；基于所述标定参数确定所述路面边界的世界坐标和所述路面上的崎岖区域的世界坐标；根据所述崎岖范围信息、所述路面边界的世界坐标和所述路面上的崎岖区域的世界坐标，确定所述崎岖区域。
[0008]可选地，所述通过数学模型比较法确定所述路面上的崎岖区域的崎岖信息，包括：基于所确定的路面边界建立理想平坦路面模型，基于所确定的路面边界和路面上的崎岖区域建立实际路面模型；将所述理想平坦路面模型和所述实际路面模型进行比较，得到所述理想平坦路面模型和所述实际路面模型之间的差异函数；利用所述差异函数确定所述崎岖区域的崎岖度和宽度。
[0009]可选地，所述方法还包括：基于所述车前环境图像提取障碍物特征，将所提取的障碍物特征与预先训练好的障碍物特征模型进行匹配，确定路面上的障碍物；根据所述标定参数确定所述路面上的障碍物的世界坐标；基于所述路面上的障碍物的世界坐标确定所述路面上的障碍物的障碍物信息。
[0010]可选地，在所述通过数学模型比较法确定所述目标路面上的崎岖区域的崎岖信息之后，所述方法还包括：基于所确定的路面边界信息、路面上的障碍物信息以及崎岖信息，确定车辆的行驶策略。
[0011]可选地，所述基于所确定的路面边界信息、路面上的障碍物信息以及崎岖信息，确定车辆的行驶策略，包括：基于所确定的路面边界信息、路面上的障碍物信息以及崎岖信息，确定可行驶区域；在所述可行驶区域中包括崎岖区域且所述车辆位于所述崎岖区域的横向范围内的情况下，确定所述车辆的加速度为a＝V
0-Vt/T，其中Vt＝V
0-V0×
R
×
(1-F)，T＝D/(V
0-Vt)，其中，V0表示所述车辆的当前车速；Vt表示所述车辆在所述可行驶区域上的推荐车速；T表示从所述当前车速达到所述推荐车速的最短时间；R表示所述车辆与所述崎岖区域的位置关系，当所述车辆位于所述崎岖区域的横向范围之外时，R＝0，当所述车辆位于所述崎岖区域的横向范围内时，R＝1；F表示所述崎岖区域的崎岖度，D表示所述车辆与所述崎岖区域之间的纵向距离。
[0012]根据本公开的第二实施例，提供一种崎岖路面检测装置，包括：获取模块，用于获取车前环境图像；特征提取模块，用于对所述车前环境图像进行特征提取；匹配模块，用于将提取出的特征与预先训练好的特征模型进行匹配，确定路面边界和路面上的崎岖区域；崎岖信息确定模块，用于根据所述路面边界确定目标路面，通过数学模型比较法确定所述目标路面上的崎岖区域的崎岖信息。
[0013]可选地，所述特征提取模块，还用于利用深度学习算法对所述车前环境图像进行特征提取。
[0014]可选地，所述匹配模块包括：匹配与标注子模块，用于将提取出的特征与所述预先训练好的特征模型进行匹配，并对匹配成功后的路面边界的特征和崎岖区域的特征进行标注，确定所述路面边界和所述路面上的崎岖范围信息；标定参数获取子模块，用于获取对所述车辆前方环境的图像进行采集的成像器件的标定参数；世界坐标确定子模块，用于基于所述标定参数确定所述路面边界的世界坐标和所述路面上的崎岖区域的世界坐标；崎岖区域确定子模块，用于根据所述崎岖范围信息、所述路面边界的世界坐标和所述路面上的崎岖区域的世界坐标，确定所述崎岖区域。
[0015]可选地，所述崎岖信息确定模块包括：数学建模子模块，用于基于所确定的路面边界建立理想平坦路面模型，基于所确定的路面边界和路面上的崎岖区域建立实际路面模型；比较子模块，用于将所述理想平坦路面模型和所述实际路面模型进行比较，得到所述理想平坦路面模型和所述实际路面模型之间的差异函数；崎岖信息确定子模块，用于利用所述差异函数确定所述崎岖区域的崎岖度和宽度。
[0016]可选地，所述特征提取模块还用于基于车前环境图像提取障碍物特征；所述匹配模块，还用于将所提取的障碍物特征与预先训练好的障碍物特征模型进行匹配，确定路面上的障碍物，根据标定参数确定路面上的障碍物的世界坐标，基于路面上的障碍物的世界坐标确定所述路面上的障碍物的障碍物信息。
[0017]可选地，所述装置还包括：行驶策略确定模块，用于基于所确定的路面边界信息、路面上的障碍物信息以及崎岖信息，确定车辆的行驶策略。
[0018]可选地，所述行驶策略确定模块包括：可行驶区域确定子模块，用于基于所确定的路面边界信息、路面上的障碍物信息以及崎岖信息，确定可行驶区域；加速度确定子模块，
用于在所述可行驶区域中包括崎岖区域且所述车辆位于所述崎岖区域的横向范围内时，确定所述车辆的加速度为a＝V
0-Vt/T，其中Vt＝V
0-V0×
R
×
(1-F)，T＝D/(V
0-Vt)，其中，V0表示所述车辆的当前车速；Vt表示所述车辆在所述可行驶区域上的推荐车速；T表示从所述当前车速达到所述推荐车速的最短时间；R表示所述车辆与所述崎岖区域的位置关系，当所述车辆位于所述崎岖区域的横向范围之外时，R＝0，当所述车辆位于所述崎岖区域的横向范围内时，R＝1；F表示所述崎岖区域的崎岖度，D表示所述车辆与所述崎岖区域之间的纵向距离。
[0019]根据本公开的第三实施例，提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现根据本公开第一实施例所述方法的步骤。
[0020]根据本公开的第四实施例，提供本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种崎岖路面检测方法，其特征在于，包括：获取车前环境图像；对所述车前环境图像进行特征提取；将提取出的特征与预先训练好的特征模型进行匹配，确定路面边界和路面上的崎岖区域；根据所述路面边界确定目标路面，通过数学模型比较法确定所述目标路面上的崎岖区域的崎岖信息。2.根据权利要求1所述的方法，其特征在于，所述对所述车前环境图像进行特征提取，包括：利用深度学习算法对所述车前环境图像进行特征提取。3.根据权利要求1所述的方法，其特征在于，所述将提取出的特征与预先训练好的特征模型进行匹配，确定路面边界和路面上的崎岖区域，包括：将提取出的特征与所述预先训练好的特征模型进行匹配，并对匹配成功后的路面边界的特征和崎岖区域的特征进行标注，确定所述路面边界和所述路面上的崎岖范围信息；获取对所述车辆前方环境的图像进行采集的成像器件的标定参数；基于所述标定参数确定所述路面边界的世界坐标和所述路面上的崎岖区域的世界坐标；根据所述崎岖范围信息、所述路面边界的世界坐标和所述路面上的崎岖区域的世界坐标，确定所述崎岖区域。4.根据权利要求1所述的方法，其特征在于，所述通过数学模型比较法确定所述目标路面上的崎岖区域的崎岖信息，包括：基于所确定的路面边界建立理想平坦路面模型，基于所确定的路面边界和路面上的崎岖区域建立实际路面模型；将所述理想平坦路面模型和所述实际路面模型进行比较，得到所述理想平坦路面模型和所述实际路面模型之间的差异函数；利用所述差异函数确定所述崎岖区域的崎岖度和宽度。5.根据权利要求3所述的方法，其特征在于，所述方法还包括：基于所述车前环境图像提取障碍物特征，将所提取的障碍物特征与预先训练好的障碍物特征模型进行匹配，确定路面上的障碍物；根据所述标定参数确定所述路面上的障碍物的世界坐标；基于所述路面上的障碍物的世界坐标确定所述路面上的障碍物的障碍物信息。6.根据权利要求5所述的方法，其特征在于，在所述通过数学模型比较法确定所述目标路面上的崎...

【专利技术属性】
技术研发人员：马锋，
申请(专利权)人：比亚迪股份有限公司，
类型：发明
国别省市：