基于视觉识别的策略选取方法、装置、电子设备及存储介质与流程

本申请涉及自动驾驶技术领域，具体而言，涉及一种基于视觉识别的策略选取方法、装置、电子设备及存储介质。

背景技术：

目前，随着汽车技术的不断提高，自动驾驶或者半自动也逐渐应用到驾驶中。其中，自动驾驶或者半自动驾驶的过程中的遇到的最大问题是在遇到突发状况的时候如何针对突发状况进行应对策略的选择，从而提高安全性。

针对上述问题，目前尚未有有效的技术解决方案。

技术实现要素：

本申请实施例的目的在于提供一种基于视觉识别的策略选取方法、装置、电子设备及存储介质，可以实现自动应对危险，并且可以预料直接危险和间接危险，从而提高自动驾驶的安全性。

第一方面，本申请实施例提供了一种基于视觉识别的策略选取方法，包括：

获取摄像头采集的前方预设范围内的实时影像信息以获取所述预设范围内的每一所述车辆的行驶速度；

当检测到其他物体进入所述预设范围时，根据所述其他物体的速度信息判断所述其他物体是否会对所述预设范围内的任一车辆产生干扰；

若所述其他物体会对任一所述车辆产生干扰，则获取所述车辆的避障策略；

根据所述避障策略选取本车辆将采用的驾驶应对策略。

可选地，在本申请实施例所述的基于视觉识别的策略选取方法中，所述根据所述其他物体的速度信息判断所述其他物体是否会对所述预设范围内的任一车辆产生干扰，包括：

根据所述其他物体的速度信息以及所述预设范围内的每一车辆的行驶速度判断所述其他物体与每一所述车辆的碰撞概率；

所述所述碰撞概率大于预设阈值，则判断所述其他物体会对对应所述车辆产生干扰；

所述所述碰撞概率小于或等于预设阈值，则判断所述其他物体不会对对应所述车辆产生干扰。

可选地，在本申请实施例所述的基于视觉识别的策略选取方法中，所述根据所述其他物体的速度信息以及所述预设范围内的每一所述车辆的行驶速度判断所述其他物体与每一所述车辆的碰撞概率，包括：

获取所述其他物体与每一所述车辆的相对位置关系；

将所述相对位置关系、所述速度信息以及所述车辆的行驶速度输入预先训练的第一神经网络模型，得到所述其他物体与对应所述车辆的碰撞概率

可选地，在本申请实施例所述的基于视觉识别的策略选取方法中，所述获取所述车辆的障策略，包括：

获取所述车辆的驾驶环境信息；

将所述相对位置关系、所述速度信息以及所述车辆的行驶速度以及驶环境信息输入预先训练的第二神经网络模型，得到所述车辆的避障策略。

可选地，在本申请实施例所述的基于视觉识别的策略选取方法中，所述根据避障策略选取本车辆将采用的驾驶应对策略，包括：

根据所述避障策略以及所述本车辆的行驶速度判断所述车辆避障是否会对本车辆产生干扰；

若会产生干扰，则根据所述避障策略以及所述本车辆的行驶速度生成应对策略。

可选地，在本申请实施例所述的基于视觉识别的策略选取方法中，所述根据避障策略选取本车辆将采用的驾驶应对策略，包括：

若不会，则判断所述车辆是否会对其他车辆产生干扰；

若会对其他车辆产生干扰，则控制本车辆进行减速转弯以避开所述预设范围内的车辆；

若不会，对其他车辆产生干扰，则控制本车辆保持原本的行驶速度进行继续前行。

可选地，在本申请实施例所述的基于视觉识别的策略选取方法中，所述根据所述避障策略以及所述本车辆的行驶速度生成应对策略，包括：

将所述避障策略、本车辆的行驶速度以及本车辆的驾驶环境信息预先训练的第三神经网络模型，得到所述本车辆的应对策略；所述应对策略包括转弯、刹车或减速。

第二方面，本申请实施例还提供了一种基于视觉识别的策略选取装置，包括：

第一获取模块，用于获取摄像头采集的前方预设范围内的实时影像信息以获取所述预设范围内的每一所述车辆的行驶速度；

判断模块，用于当检测到其他物体进入所述预设范围时，根据所述其他物体的速度信息判断所述其他物体是否会对所述预设范围内的任一车辆产生干扰；

第二获取模块，用于若所述其他物体会对任一所述车辆产生干扰，则获取所述车辆的避障策略；

选取模块，用于根据避障策略选取本车辆将采用的驾驶应对策略。

第三方面，本申请实施例提供一种电子设备，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如上述第一方面提供的所述方法中的步骤。

第四方面，本申请实施例提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时运行如上述第一方面提供的所述方法中的步骤。

由上可知，本申请实施例提供的基于视觉识别的策略选取方法及装置，通过获取摄像头采集的前方预设范围内的实时影像信息以获取所述预设范围内的每一所述车辆的行驶速度；当检测到其他物体进入所述预设范围时，根据其他物体的速度信息判断所述其他物体是否会对所述预设范围内的任一车辆产生干扰；若所述其他物体会对任一所述车辆产生干扰，则获取所述车辆的避障策略；根据所述避障策略选取本车辆将采用的驾驶应对策略。从而实现驾驶应对策略，可以实现自动应对危险，并且可以预料直接危险和间接危险，从而提高自动驾驶的安全性。

本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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。

图1为本申请实施例提供的基于视觉识别的策略选取方法方法的一种流程图。

图2为本申请实施例提供的基于视觉识别的策略选取装置的第一种结构示意图。

图3为本申请实施例提供的电子设备的结构示意图。

具体实施方式

下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

请参照图1，图1是本本申请一些实施例中的一种基于视觉识别的策略选取方法的流程图。该基于视觉识别的策略选取方法，包括以下步骤：

s101、获取摄像头采集的前方预设范围内的实时影像信息以获取所述预设范围内的每一所述车辆的行驶速度。

s102、当检测到其他物体进入所述预设范围时，根据其他物体的速度信息判断所述其他物体是否会对所述预设范围内的任一车辆产生干扰。

s103、若所述其他物体会对任一所述车辆产生干扰，则获取所述车辆的避障策略。

s104、根据所述避障策略选取本车辆将采用的驾驶应对策略。

其中，在该步骤s101中，其中，为了提高摄像头的采集范围，该摄像头可以设置于本车辆的车顶。其中，该车辆的车顶还设置有其他的第一摄像头，用于配合该摄像头采集该车辆的驾驶环境。其中，该预设范围可以根据用户的反应速度来设置，通常人的反应速度都是类似的，因此可以设置为一个平均经验值。例如，该预设范围可以设置为该车辆前方10米范围内。该车辆的行驶速度包括该车辆的速度值以及方向。其中，该车辆的行驶速度可以用现有技术的激光雷达或者其他方式进行检测。

其中，在该步骤s102中，其他物体可以为行人、车辆、自行车灯。其中，在判断是是否会对任一车辆产生干扰时，先从该预设范围内的多个车辆中选出最可能被该其他物体影响的车辆作为目标车辆，其中，该目标车辆与该其他物体的距离最近且运行轨迹上会出现交叉。当然，可以理解地，在一些实施例中，可以采用预先训练的第一神经网络模型来计算该其他物体与该预设范围内的每一车辆发生碰撞的概率。具体地，在一些实施例中，该步骤s102可以包括以下子步骤：s1021、根据所述其他物体的速度信息以及所述预设范围内的每一车辆的行驶速度判断所述其他物体与每一所述车辆的碰撞概率；s1022、若所述碰撞概率大于预设阈值，则判断所述其他物体会对对应所述车辆产生干扰；s1023、若述所述碰撞概率小于或等于预设阈值，则判断所述其他物体不会对对应所述车辆产生干扰。

其中，在该步骤s1021中，可以采用将获取所述其他物体与每一所述车辆的相对位置关系；将所述相对位置关系、所述速度信息以及所述车辆的行驶速度输入预先训练的第一神经网络模型，得到所述其他物体与对应所述车辆的碰撞概率，从而得到每一车辆与该其他物体发生碰撞的概率。其中，在该步骤s1022中，该预设阈值为根据实验得出的经验值。一般情况下，碰撞概率越高，对车辆产生干扰的可能性越大。其中，该第一神经网络模型为采用大数据作为样本训练得到。

其中，在该步骤s103中，如果该预设范围内的多个车辆中的碰撞概率最大的碰撞概率值大于该预设阈值，则说明至少会存在一个车辆会被该其他物体干扰。如果，该预设范围内的多个车辆中的碰撞概率最大的碰撞概率值小于该预设阈值，则说明这些车辆均不会被该其他物体干扰。其中，获取的避障策略为碰撞概率最大的车辆的避障策略。

其中，在计算该车辆的避障策略时，需要结合该车辆的驾驶环境来生成。在一些实施例中，该步骤s103可以包括以下子步骤：s1031、获取所述车辆的驾驶环境信息；s1032、将所述相对位置关系、所述速度信息以及所述车辆的行驶速度以及驶环境信息输入预先训练的第二神经网络模型，得到所述车辆的避障策略。

其中，在该s1031中，该驾驶环境信息通过设置于其车身顶部上的摄像头采集得到。该驾驶环境信息包括其各个方向的车辆的车距信息、驾驶速度信息。其中，在该步骤s1032中，该第二神经网络模型是基于大数据作为样本进行训练得到。其中，该避障策略可以包括减速、转弯、刹车、转弯减速、转弯刹车等。当然，其并不限于此。

其中，在该步骤s104中，需要结合该车辆的避障策略以及本车辆自身的行驶速度判断该需要进行避障的车辆是否会对本车辆产生干扰。如果会产生干扰，则需要进行相应的应对策略，如果不会产生干扰，则需要判断该需要进行避障的车辆是否会对其他车辆产生干扰，进而间接对本车辆产生干扰。

在一些实施例中，该步骤s104可以包括以下子步骤：

s1041、根据所述避障策略以及所述本车辆的行驶速度判断所述车辆避障是否会对本车辆产生干扰；s1042、若会产生干扰，则根据所述避障策略以及所述本车辆的行驶速度生成应对策略。s1043、若不会产生干扰，则判断所述车辆是否会对其他车辆产生干扰；s1044、若会对其他车辆产生干扰，则控制本车辆进行减速转弯以避开所述预设范围内的车辆；s1045、若不会，对其他车辆产生干扰，则控制本车辆保持原本的行驶速度进行继续前行。

其中，在该步骤s1041中，可以采用将所述避障策略、本车辆的行驶速度以及本车辆的驾驶环境信息预先训练的第三神经网络模型，得到所述本车辆的应对策略；所述应对策略包括转弯、刹车或减速。其中，该第三神经网络模型为预先采用大数据作为样本集进行训练的神经网络模型。其中，该避障策略可以包括减应当速、转弯、刹车、转弯减速、转弯刹车等。当然，其并不限于此。

其中，在该步骤s1042中，其中，该应对策略需要结合避障策略、本车辆的驾驶速度以及驾驶环境信息得到，可以采用预先训练的神经网络模型来来选取合适的应对策略。其中，在该步骤s1043中，在计算是否会对其他车辆产生干扰时，可以采用步骤s1042中的计算方法来判断，当然，其并不限于此。其中，在该步骤s1044中，可以结合其他车辆的避障策略来结合本车辆的驾驶信息以及驾驶环境判断是否会产生干扰，当然，也可以对应制定应对策略。当然，也可以简单的避开前方所有车辆。

由上可知，本申请实施例提供的基于视觉识别的策略选取方法，通过获取摄像头采集的前方预设范围内的实时影像信息以获取所述预设范围内的每一所述车辆的行驶速度；当检测到其他物体进入所述预设范围时，根据其他物体的速度信息判断所述其他物体是否会对所述预设范围内的任一车辆产生干扰；若所述其他物体会对任一所述车辆产生干扰，则获取所述车辆的避障策略；根据所述避障策略选取本车辆将采用的驾驶应对策略。从而实现驾驶应对策略，可以实现自动应对危险，并且可以预料直接危险和间接危险，从而提高自动驾驶的安全性。

请参照图2所示，本申请实施例还提供了一种基于视觉识别的策略选取装置，包括：第一获取模块201、判断模块202、第二获取模块203、选取模块204。

其中，该第一获取模块201用于获取摄像头采集的前方预设范围内的实时影像信息以获取所述预设范围内的每一所述车辆的行驶速度；

其中，该判断模块202用于当检测到其他物体进入所述预设范围时，根据所述其他物体的速度信息判断所述其他物体是否会对所述预设范围内的任一车辆产生干扰；其中，该第二获取模块203用于若所述其他物体会对任一所述车辆产生干扰，则获取所述车辆的避障策略；其中，该选取模块204用于根据避障策略选取本车辆将采用的驾驶应对策略。

其中，为了提高摄像头的采集范围，该摄像头可以设置于本车辆的车顶。其中，该车辆的车顶还设置有其他的第一摄像头，用于配合该摄像头采集该车辆的驾驶环境。其中，该预设范围可以根据用户的反应速度来设置，通常人的反应速度都是类似的，因此可以设置为一个平均经验值。例如，该预设范围可以设置为该车辆前方10米范围内。该车辆的行驶速度包括该车辆的速度值以及方向。其中，该车辆的行驶速度可以用现有技术的激光雷达或者其他方式进行检测。

其中，其他物体可以为行人、车辆、自行车灯。其中，在判断是是否会对任一车辆产生干扰时，先从该预设范围内的多个车辆中选出最可能被该其他物体影响的车辆作为目标车辆，其中，该目标车辆与该其他物体的距离最近且运行轨迹上会出现交叉。当然，可以理解地，在一些实施例中，可以采用预先训练的第一神经网络模型来计算该其他物体与该预设范围内的每一车辆发生碰撞的概率。具体地，在一些实施例中，判断模块202用于：根据所述其他物体的速度信息以及所述预设范围内的每一车辆的行驶速度判断所述其他物体与每一所述车辆的碰撞概率；若所述碰撞概率大于预设阈值，则判断所述其他物体会对对应所述车辆产生干扰；若述所述碰撞概率小于或等于预设阈值，则判断所述其他物体不会对对应所述车辆产生干扰。

其中，可以采用将获取所述其他物体与每一所述车辆的相对位置关系；将所述相对位置关系、所述速度信息以及所述车辆的行驶速度输入预先训练的第一神经网络模型，得到所述其他物体与对应所述车辆的碰撞概率，从而得到每一车辆与该其他物体发生碰撞的概率。其中，该预设阈值为根据实验得出的经验值。一般情况下，碰撞概率越高，对车辆产生干扰的可能性越大。其中，该第一神经网络模型为采用大数据作为样本训练得到。

其中，如果该预设范围内的多个车辆中的碰撞概率最大的碰撞概率值大于该预设阈值，则说明至少会存在一个车辆会被该其他物体干扰。如果，该预设范围内的多个车辆中的碰撞概率最大的碰撞概率值小于该预设阈值，则说明这些车辆均不会被该其他物体干扰。其中，获取的避障策略为碰撞概率最大的车辆的避障策略。

其中，在计算该车辆的避障策略时，需要结合该车辆的驾驶环境来生成。在一些实施例中，该步该第二获取模块203用于：获取所述车辆的驾驶环境信息；将所述相对位置关系、所述速度信息以及所述车辆的行驶速度以及驶环境信息输入预先训练的第二神经网络模型，得到所述车辆的避障策略。其中，该驾驶环境信息通过设置于其车身顶部上的摄像头采集得到。该驾驶环境信息包括其各个方向的车辆的车距信息、驾驶速度信息。其中，该第二神经网络模型是基于大数据作为样本进行训练得到。其中，该避障策略可以包括减速、转弯、刹车、转弯减速、转弯刹车等。当然，其并不限于此。

其中，需要结合该车辆的避障策略以及本车辆自身的行驶速度判断该需要进行避障的车辆是否会对本车辆产生干扰。如果会产生干扰，则需要进行相应的应对策略，如果不会产生干扰，则需要判断该需要进行避障的车辆是否会对其他车辆产生干扰，进而间接对本车辆产生干扰。

在一些实施例中，该选取模块104可以用于：根据所述避障策略以及所述本车辆的行驶速度判断所述车辆避障是否会对本车辆产生干扰；若会产生干扰，则根据所述避障策略以及所述本车辆的行驶速度生成应对策略。若不会产生干扰，则判断所述车辆是否会对其他车辆产生干扰；若会对其他车辆产生干扰，则控制本车辆进行减速转弯以避开所述预设范围内的车辆；若不会，对其他车辆产生干扰，则控制本车辆保持原本的行驶速度进行继续前行。

其中，可以采用将所述避障策略、本车辆的行驶速度以及本车辆的驾驶环境信息预先训练的第三神经网络模型，得到所述本车辆的应对策略；所述应对策略包括转弯、刹车或减速。该第三神经网络模型为预先采用大数据作为样本集进行训练的神经网络模型。其中，该避障策略可以包括减应当速、转弯、刹车、转弯减速、转弯刹车等。当然，其并不限于此。

其中，该应对策略需要结合避障策略、本车辆的驾驶速度以及驾驶环境信息得到，可以采用预先训练的神经网络模型来来选取合适的应对策略。其中，在计算是否会对其他车辆产生干扰时，可以采用上面的计算方法来判断，当然，其并不限于此。其中，可以结合其他车辆的避障策略来结合本车辆的驾驶信息以及驾驶环境判断是否会产生干扰，当然，也可以对应制定应对策略。当然，也可以简单的避开前方所有车辆。

由上可知，本申请实施例提供的基于视觉识别的策略选取装置，通过获取摄像头采集的前方预设范围内的实时影像信息以获取所述预设范围内的每一所述车辆的行驶速度；当检测到其他物体进入所述预设范围时，根据其他物体的速度信息判断所述其他物体是否会对所述预设范围内的任一车辆产生干扰；若所述其他物体会对任一所述车辆产生干扰，则获取所述车辆的避障策略；根据所述避障策略选取本车辆将采用的驾驶应对策略。从而实现驾驶应对策略，可以实现自动应对危险，并且可以预料直接危险和间接危险，从而提高自动驾驶的安全性。

请参照图3，图3为本申请实施例提供的一种电子设备的结构示意图，本申请提供一种电子设备3，包括：处理器301和存储器302，处理器301和存储器302通过通信总线303和/或其他形式的连接机构(未标出)互连并相互通讯，存储器302存储有处理器301可执行的计算机程序，当计算设备运行时，处理器301执行该计算机程序，以执行时执行上述实施例的任一可选的实现方式中的方法。

本申请实施例提供一种存储介质，所述计算机程序被处理器执行时，执行上述实施例的任一可选的实现方式中的方法。其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(staticrandomaccessmemory,简称sram)，电可擦除可编程只读存储器(electricallyerasableprogrammableread-onlymemory,简称eeprom)，可擦除可编程只读存储器(erasableprogrammablereadonlymemory,简称eprom)，可编程只读存储器(programmablered-onlymemory,简称prom)，只读存储器(read-onlymemory,简称rom)，磁存储器，快闪存储器，磁盘或光盘。

在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。