一种自动驾驶汽车地面状态评定方法及系统与流程

本发明涉及自动驾驶汽车技术领域，尤其是涉及一种自动驾驶汽车地面状态评定方法及系统。

背景技术：

随着无人驾驶技术的推广和使用，无人驾驶车辆逐步得到了推广和应用，但当前在进行无人驾驶车辆运行中，路面状态对车辆运行的安全性和可靠性影响十分巨大，当车速、转向半径等车辆运行状态与路面状态匹配性差时，一方面易导致车辆运行舒适性相对较差，另一方面也极易导致车辆运行时发生安全事故，而针对这一问题，当前上缺乏一种可随同车辆运行进行全程路况状态与车辆运行相互匹配的路况评定方法，从而导致自动驾驶车辆运行时存在较大的安全隐患，因此针对这一现状，需要一种自动驾驶车辆运行路面状态评价方法，以满足实际使用的需要，而现有的路面状态评价方法对路面状态评价不够准确。

技术实现要素：

本发明的目的在于至少克服上述一种技术不足，提出一种一种自动驾驶汽车地面状态评定方法及系统。

一方面，本发明提供了一种自动驾驶汽车地面状态评定方法，包括以下步骤：

获取车辆行驶路径中的第一地面图像信息，根据所述第一地面图像信息获取车辆行驶路径中的地面状态特征；

调整获取图像时的光线，获取车辆行驶路径中的第二地面图像信息，根据所述第二地面图像信息获取车辆行驶路径中的地面状态特征；

对比两次获取的车辆行驶路径中的地面状态特征是否一致，若一致则以任一次获得车辆行驶路径中的地面状态特征，确定地面状态，

否则，重新调整获取图像时的光线，并获取车辆行驶路径中的地面图像信息，获取车辆行驶路径中的地面状态特征，直至有两次获取的车辆行驶路径中的地面状态特征一致，则以其中任一次获得车辆行驶路径中的地面状态特征，确定地面状态。

进一步地，所述调整获取图像时的光线，具体包括，获取所述车辆行驶所在区域的光照强度信息，根据所述光照强度信息，确定获取图像时的光线调整的大小。

进一步地，所述以其中任一次获得车辆行驶路径中的地面状态特征，确定地面状态，具体包括，将其中任一次获得车辆行驶路径中的地面状态特征，输入卷积神经网络模型，确定地面状态。

进一步地，所述自动驾驶汽车地面状态评定方法还包括构建卷积神经网络模型，具体包括，

采集测试车辆在不同地面中行驶过程中的图像信息数据，形成训练数据库；利用所述训练数据库，构建卷积神经网络，根据反向传播算法对构建完成后的卷积神经网络进行训练，形成基于地面状态评定的卷积神经网络模型。

另一方面，本发明还提供了一种自动驾驶汽车地面状态评定系统，包括第一地面状态特征获取模块、第二地面状态特征获取模块以及地面状态获取模块；

所述第一地面状态特征获取模块，用于获取车辆行驶路径中的第一地面图像信息，根据所述第一地面图像信息获取车辆行驶路径中的地面状态特征；

所述第二地面状态特征获取模块，用于调整获取图像时的光线，获取车辆行驶路径中的第二地面图像信息，根据所述第二地面图像信息获取车辆行驶路径中的地面状态特征；

所述地面状态获取模块，用于对比两次获取的车辆行驶路径中的地面状态特征是否一致，若一致则以任一次获得车辆行驶路径中的地面状态特征，确定地面状态，

否则，重新调整获取图像时的光线，并获取车辆行驶路径中的地面图像信息，获取车辆行驶路径中的地面状态特征，直至有两次获取的车辆行驶路径中的地面状态特征一致，则以其中任一次获得车辆行驶路径中的地面状态特征，确定地面状态。

进一步地，所述自动驾驶汽车地面状态评定系统还包括光线调整模块，所述光线调整模块用于整获取图像时的光线，具体包括，获取所述车辆行驶所在区域的光照强度信息，根据所述光照强度信息，确定获取图像时的光线调整的大小。

进一步地，所述地面状态获取模块以其中任一次获得车辆行驶路径中的地面状态特征，确定地面状态，具体包括，将其中任一次获得车辆行驶路径中的地面状态特征，输入卷积神经网络模型，确定地面状态。

进一步地，所述自动驾驶汽车地面状态评定系统还包括卷积神经网络模型构建模块，所述卷积神经网络模型构建模块用于构建卷积神经网络模型，具体包括，

采集测试车辆在不同地面中行驶过程中的图像信息数据，形成训练数据库；利用所述训练数据库，构建卷积神经网络，根据反向传播算法对构建完成后的卷积神经网络进行训练，形成基于地面状态评定的卷积神经网络模型。

与现有技术相比，本发明的有益效果包括：通过获取车辆行驶路径中的第一地面图像信息，根据所述第一地面图像信息获取车辆行驶路径中的地面状态特征；调整获取图像时的光线，获取车辆行驶路径中的第二地面图像信息，根据所述第二地面图像信息获取车辆行驶路径中的地面状态特征；对比两次获取的车辆行驶路径中的地面状态特征是否一致，若一致则以任一次获得车辆行驶路径中的地面状态特征，确定地面状态，否则，重新调整获取图像时的光线，并获取车辆行驶路径中的地面图像信息，获取车辆行驶路径中的地面状态特征，直至有两次获取的车辆行驶路径中的地面状态特征一致，则以其中任一次获得车辆行驶路径中的地面状态特征，确定地面状态。实现了更准确地评价路面状态。

附图说明

图1是本发明实施例1所述的自动驾驶汽车地面状态评定方法的流程示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例1

本发明提供了一种自动驾驶汽车地面状态评定方法，包括以下步骤：

获取车辆行驶路径中的第一地面图像信息，根据所述第一地面图像信息获取车辆行驶路径中的地面状态特征；

调整获取图像时的光线，获取车辆行驶路径中的第二地面图像信息，根据所述第二地面图像信息获取车辆行驶路径中的地面状态特征；

对比两次获取的车辆行驶路径中的地面状态特征是否一致，若一致则以任一次获得车辆行驶路径中的地面状态特征，确定地面状态，

否则，重新调整获取图像时的光线，并获取车辆行驶路径中的地面图像信息，获取车辆行驶路径中的地面状态特征，直至有两次获取的车辆行驶路径中的地面状态特征一致，则以其中任一次获得车辆行驶路径中的地面状态特征，确定地面状态。

需要说明的是，自动驾驶汽车包括至少一个相机，并且可以包括多个相机，获取图像时调整光线设备可以为光产生设备，例如发光二极管(led)、闪光灯、激光器等相机可以包括适于与图像识别应用程序一起使用的设备，并且该设备能够捕获电子图像并将该图像传送和保存到存储设备中。

一个具体实施中，对比两次获取的车辆行驶路径中的地面状态特征为一致，以其中任一次获得车辆行驶路径中的地面状态特征，确定地面状态；此时无需重新调整获取图像时的光线；否则需要重新调整获取图像时的光线再次获取车辆行驶路径中的地面状态特征。

优选的，所述调整获取图像时的光线，具体包括，获取所述车辆行驶所在区域的光照强度信息，根据所述光照强度信息，确定获取图像时的光线调整的大小。

优选的，所述以其中任一次获得车辆行驶路径中的地面状态特征，确定地面状态，具体包括，将其中任一次获得车辆行驶路径中的地面状态特征，输入卷积神经网络模型，确定地面状态。

优选的，所述自动驾驶汽车地面状态评定方法还包括构建卷积神经网络模型，具体包括，采集测试车辆在不同地面中行驶过程中的图像信息数据，形成训练数据库；利用所述训练数据库，构建卷积神经网络，根据反向传播算法对构建完成后的卷积神经网络进行训练，形成基于地面状态评定的卷积神经网络模型。

需要说明的是，本发明实施例利用卷积神经网络模型来确定地面状态，卷积神经网络是一种深度前馈人工神经网络，这种人工神经网络使用了设计为需要最小预处理的多层感知器的变异体；与其他网络模型相比，卷积神经网络使用了相对较少的预处理，这样便允许卷积神经网络可以学习滤波器。本发明实施例所述的地面状态包括地面类型和地面状况，卷积神经网络模型中的分类器可以被定义为将地面的类型为柏油路、水泥路、砂石路、泥土路、坑洼的一种，和干燥、湿滑或积雪中的一种。

实施例2

本发明还提供了一种自动驾驶汽车地面状态评定系统，包括第一地面状态特征获取模块、第二地面状态特征获取模块以及地面状态获取模块；

所述第一地面状态特征获取模块，用于获取车辆行驶路径中的第一地面图像信息，根据所述第一地面图像信息获取车辆行驶路径中的地面状态特征；

所述第二地面状态特征获取模块，用于调整获取图像时的光线，获取车辆行驶路径中的第二地面图像信息，根据所述第二地面图像信息获取车辆行驶路径中的地面状态特征；

所述地面状态获取模块，用于对比两次获取的车辆行驶路径中的地面状态特征是否一致，若一致则以任一次获得车辆行驶路径中的地面状态特征，确定地面状态，

否则，重新调整获取图像时的光线，并获取车辆行驶路径中的地面图像信息，获取车辆行驶路径中的地面状态特征，直至有两次获取的车辆行驶路径中的地面状态特征一致，则以其中任一次获得车辆行驶路径中的地面状态特征，确定地面状态。

还包括光线调整模块，所述光线调整模块用于整获取图像时的光线，具体包括，获取所述车辆行驶所在区域的光照强度信息，根据所述光照强度信息，确定获取图像时的光线调整的大小。

优选的，所述地面状态获取模块以其中任一次获得车辆行驶路径中的地面状态特征，确定地面状态，具体包括，将其中任一次获得车辆行驶路径中的地面状态特征，输入卷积神经网络模型，确定地面状态。

优选的，所述自动驾驶汽车地面状态评定系统还包括卷积神经网络模型构建模块，所述卷积神经网络模型构建模块用于构建卷积神经网络模型，具体包括，

采集测试车辆在不同地面中行驶过程中的图像信息数据，形成训练数据库；利用所述训练数据库，构建卷积神经网络，根据反向传播算法对构建完成后的卷积神经网络进行训练，形成基于地面状态评定的卷积神经网络模型。

本发明公开了一种自动驾驶汽车地面状态评定方法及系统，通过获取车辆行驶路径中的第一地面图像信息，根据所述第一地面图像信息获取车辆行驶路径中的地面状态特征；调整获取图像时的光线，获取车辆行驶路径中的第二地面图像信息，根据所述第二地面图像信息获取车辆行驶路径中的地面状态特征；对比两次获取的车辆行驶路径中的地面状态特征是否一致，若一致则以任一次获得车辆行驶路径中的地面状态特征，确定地面状态，否则，重新调整获取图像时的光线，并获取车辆行驶路径中的地面图像信息，获取车辆行驶路径中的地面状态特征，直至有两次获取的车辆行驶路径中的地面状态特征一致，则以其中任一次获得车辆行驶路径中的地面状态特征，确定地面状态。实现了更准确地评价路面状态。

本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。

以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。