无人驾驶实现方法、装置、计算机设备和存储介质与流程

1.本技术涉及计算机技术领域，特别是涉及一种无人驾驶实现方法、装置、计算机设备和存储介质。


背景技术：

2.随着计算机技术的发展，越来越多的计算机技术应用在汽车上，无人驾驶技术成为了汽车产业的一大变革。
3.现有技术中，无人驾驶方法的实现对于交通信号灯的识别高度依赖于高精度地图，方案复杂度高、鲁棒性低，并且高精地图的绘制成本极大，实现无人驾驶技术的成本高。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种无人驾驶实现方法、装置、计算机设备、计算机可读存储介质和计算机程序产品，能够降低无人驾驶技术实现的成本。
5.一种无人驾驶实现方法，包括：
6.采集当前路口的交通信号灯的图像信息，交通信号灯包括左转信号灯、右转信号灯、掉头信号灯以及直行信号灯；
7.获取交通灯识别模型；
8.基于交通灯识别模型对图像信息进行识别生成交通信号数据，交通信号数据包括信号灯的颜色属性、形状属性、颜色可信度以及形状可信度；
9.根据交通信号数据生成信号灯输出状态，信号灯输出状态包括左转允许状态、右转允许状态、直行允许状态以及掉头允许状态；
10.基于信号灯输出状态以及行程轨迹信息确定当前车辆行为策略。
11.在一个实施例中，获取交通灯识别模型之前，还包括：
12.获取交通信号灯图像样本数据；
13.基于交通信号灯图像样本数据训练得到交通灯深度学习模型。
14.在一个实施例中，根据交通信号数据生成信号灯输出状态，包括：
15.当交通信号数据中信号灯的形状属性为圆饼形状时，根据信号灯的颜色确定信号灯输出状态；
16.当交通信号数据中信号灯的形状属性为箭头形状时，根据箭头形状以及对应的颜色属性确定信号灯输出状态，箭头形状包括左转箭头、右转箭头、直行箭头以及掉头箭头。
17.在一个实施例中，基于信号灯输出状态以及行程轨迹信息确定当前车辆行为策略，包括：
18.基于行程轨迹信息从当前路口确定目标车道；
19.基于目标车道以及信号灯输出状态确定目标车道对应目标交通灯状态；
20.基于目标交通灯状态确定当前车辆行为策略。
21.在一个实施例中，基于目标车道以及信号灯输出状态确定目标车道对应目标交通
灯状态，包括：
22.基于行程轨迹信息从当前路口确定目标车道为直行车道、左转车道或右转车道之一；
23.基于所确定的目标车道以及所接收的信号灯输出状态确定目标车道所对应的允许状态；
24.基于目标车道对应的允许状态确定当前车辆行为策略。
25.在一个实施例中，基于目标车道以及信号灯输出状态确定目标车道对应目标交通灯状态，包括：
26.基于行程轨迹信息从当前路口确定目标车道为直行车道、左转车道或右转车道之一；
27.基于所确定的目标车道以及所接收的信号灯输出状态确定目标车道所对应的允许状态；
28.基于目标车道线对应的允许状态确定当前车辆行为策略。
29.在一个实施例中，无人驾驶实现方法，包括：根据当前路口的路况数据确定当前车辆行为策略；包括：
30.当监测到当前行车方向上未检测到障碍物时，设定车辆行为模式为畅行模式；
31.当监测到当前行车方向上的障碍物的类型为行人或非机动车时，设定车辆行为模式为等待模式；
32.当监测到当前行车方向上的障碍物的类型为机动车时，获取机动车的车灯信息，根据车灯信息确定目标车辆行为模式；
33.当监测到当前行车方向上的障碍物的类型为其他障碍物时，设定车辆行为模式为绕行模式。
34.在一个实施例中，当监测到当前行车方向上的障碍物的类型为机动车时，获取机动车的车灯信息，根据车灯信息确定目标车辆行为模式，包括：
35.当机动车的车灯信息显示为行车正常状态时，设定当前车辆行为策略为等待模式；
36.当机动车的车灯信息显示为车辆故障或紧急停车时，以及机动车所在车道对应的允许状态为允许通行时，设定当前车辆行为策略为绕行模式。
37.一种无人驾驶实现装置，包括：
38.感知模块以及控制模块；
39.感知模块用于采集当前路口的交通信号灯的图像信息，交通信号灯包括左转信号灯、右转信号灯、掉头信号灯以及直行信号灯；获取交通灯识别模型；基于交通灯识别模型对图像信息进行识别生成交通信号数据，交通信号数据包括信号灯的颜色属性、形状属性、颜色可信度以及形状可信度；根据交通信号数据生成信号灯输出状态，信号灯输出状态包括左转允许状态、右转允许状态、直行允许状态以及掉头允许状态；输出信号灯输出状态至控制模块；
40.控制模块用于接收感知模块输出的信号灯输出状态；基于信号灯输出状态以及行程轨迹信息确定当前车辆行为策略。
41.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理
器执行所述计算机程序时实现以下步骤：
42.采集当前路口的交通信号灯的图像信息，交通信号灯包括左转信号灯、右转信号灯、掉头信号灯以及直行信号灯；
43.获取交通灯识别模型；
44.基于交通灯识别模型对图像信息进行识别生成交通信号数据，交通信号数据包括信号灯的颜色属性、形状属性、颜色可信度以及形状可信度；
45.根据交通信号数据生成信号灯输出状态，信号灯输出状态包括左转允许状态、右转允许状态、直行允许状态以及掉头允许状态；
46.基于信号灯输出状态以及行程轨迹信息确定当前车辆行为策略。
47.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
48.采集当前路口的交通信号灯的图像信息，交通信号灯包括左转信号灯、右转信号灯、掉头信号灯以及直行信号灯；
49.获取交通灯识别模型；
50.基于交通灯识别模型对图像信息进行识别生成交通信号数据，交通信号数据包括信号灯的颜色属性、形状属性、颜色可信度以及形状可信度；
51.根据交通信号数据生成信号灯输出状态，信号灯输出状态包括左转允许状态、右转允许状态、直行允许状态以及掉头允许状态；
52.基于信号灯输出状态以及行程轨迹信息确定当前车辆行为策略。
53.上述无人驾驶实现方法、装置、计算机设备和存储介质，通过采集当前路口的交通信号灯的图像信息，获取交通灯识别模型，再基于交通灯识别模型对图像信息进行识别生成交通信号数据，其中交通信号数据包括信号灯的颜色属性、形状属性、颜色可信度以及形状可信度，根据交通信号数据生成信号灯输出状态，其中信号灯输出状态包括左转允许状态、右转允许状态、直行允许状态以及掉头允许状态，最后基于信号灯输出状态以及行程轨迹信息确定当前车辆行为策略。这样，通过对当前路口的交通信号灯的信息直接进行采集，无需依赖于高精度图对路口的红绿灯位置的先验信息来确定交通灯的位置、颜色及类别信息，再根据交通灯的交通信号数据，包括颜色属性、形状属性、颜色可信度以及形状可信度，来确定出路段的交通灯输出状态，最后再由信号灯输出状态以及行程轨迹信息确定当前车辆行为策略，相较于传统基于高精地图来确定交通灯状态的方法，能有效降低无人驾驶技术实现的成本。
附图说明
54.图1为一个实施例中无人驾驶实现方法的应用环境图；
55.图2为一个实施例中无人驾驶实现方法的流程示意图；
56.图3为一个实施例中交通灯深度学习模型生成的流程示意图；
57.图4为一个实施例中信号灯输出状态生成的流程示意图；
58.图5为一个实施例中确定当前车辆行为策略的流程示意图；
59.图6为一个实施例中确定目标交通灯状态的流程示意图；
60.图7为一个实施例中确定当前车辆行为策略的流程示意图；
61.图8为一个实施例中确定目标车辆行为模式的流程示意图；
62.图9为一个实施例中无人驾驶实现装置结构框图；
63.图10为一个实施例中计算机设备的内部结构图；
64.图11为一个实施例中计算机设备的内部结构图。
具体实施方式
65.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
66.本技术提供的无人驾驶实现方法，可以应用于如图1所示的应用环境中。如图1所示，该应用环境包括终端102、服务器104。终端102获取当前路口的交通信号灯的图像信息，获取交通灯识别模型，再基于交通灯识别模型对图像信息进行识别生成交通信号数据，根据交通信号数据生成信号灯输出状态，基于信号灯输出状态以及行程轨迹信息确定当前车辆行为策略；服务器104用于存储各路口采集到的交通信号灯数据以及行程轨迹信息。其中终端102通过网络与服务器104进行通信，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑以及汽车端所部署的计算机装置等中的至少一种，服务器104可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn、以及大数据和人工智能平台等基础云计算服务的云服务器。
67.在一个实施例中，如图2所示，提供了一种无人驾驶实现方法，以该方法应用于图1中的计算机设备102为例进行说明，包括以下步骤：
68.步骤s202，采集当前路口的交通信号灯的图像信息，交通信号灯包括左转信号灯、右转信号灯、掉头信号灯以及直行信号灯。
69.具体地，计算机设备通过图像采集装置采集当前路口的交通信号灯的图像信息，图像信息包括左转信号灯、右转信号灯、直行信号灯以及掉头信号灯，当图像采集装置采集到的当前交通灯图像的清晰度达到预设阈值且图像中完整包含左转信号灯、右转信号灯、直行信号灯以及掉头信号灯时，将当前交通灯图像作为目标图像信息；当图像采集装置采集到的当前交通灯图像的清晰度低于预设阈值或拍摄的角度有偏差导致图像中未完整包括左转信号灯、右转信号灯、直行信号灯以及掉头信号灯时，计算机设备控制图像采集装置重新采集当前路口的交通信号灯的图像信息，并且当再次采集图像时会根据前一次失败的图像信息来动态调整图像采集装置的摄像头采集角度，例如，如果前一次采集的图像中交通信号灯过度偏向右下角度导致图像未完整显示交通信号灯，则图像采集装置的摄像头向右下方向调整相应的角度后再采集当前路口的交通信号灯的图像信息。
70.步骤s204，获取交通灯识别模型。
71.其中，交通灯识别模型是用于对前述步骤s202中采集到的图像信息进行交通灯的识别，识别图像信息中的交通信号灯的位置、颜色、形状、颜色可信度以及形状可信度，其中，交通信号灯位置的识别是指在图像中交通信号灯的位置上显示相应的矩形框，该矩形框包含对应的交通信号灯。
72.步骤s206，基于交通灯识别模型对图像信息进行识别生成交通信号数据，交通信
号数据包括信号灯的颜色属性、形状属性、颜色可信度以及形状可信度。
73.其中，颜色可信度为交通灯识别模型对目标交通灯颜色识别的正确性，例如，当目标交通灯的颜色可信度为0.5，则表示对当前目标交通灯的颜色的识别结果为50％的正确性，颜色可信度越接近1则表示当前识别结果越可信，越接近0则表示识别结果越不可信，同理形状可信度为交通灯识别模型对目标交通灯形状识别的正确性。
74.具体地，计算机设备将图像信息输入交通灯识别模型进行交通信号灯的识别，得到左转信号灯、右转信号灯、直行信号灯以及掉头信号灯各自对应的颜色属性、形状属性、颜色可信度以及形状可信度等数据，生成交通信号数据。
75.步骤s208，根据交通信号数据生成信号灯输出状态，信号灯输出状态包括左转允许状态、右转允许状态、直行允许状态以及掉头允许状态。
76.其中，信号灯输出状态用于表征对应路口的通行允许状态，如左转向绿灯的颜色置信度与形状置信度达到预设的阈值时，就输出允许左转状态，表明在此时的交通规则下允许当前车辆进行左转。
77.具体地，计算机设备根据前述步骤获取当前路口的所有交通灯的交通信号数据，根据交通信号灯的得形状属性、颜色属性、颜色可信度以及形状可信度等数据与对应的信号灯输出状态之间的映射关系得到每个交通信号灯的输出状态，例如，当交通灯识别模型识别到当前路口交通灯图像中的目标信号灯为直行灯且颜色为绿以及对应的颜色可信度与形状可信度达到预设阈值，则得到目标信号灯对应的信号灯输出状态为直行允许状态。
78.步骤s210，基于信号灯输出状态以及行程轨迹信息确定当前车辆行为策略。
79.其中，行程轨迹信息为当前车辆从出发地到目的地之间的规划路线，可以依据具体道路状况进行实时调整，从而可以实时根据具体道路状况生成最优的汽车行驶路线，车辆行为策略为当前汽车在当前路口的具体行驶策略，包括目标道路的选择、车辆前后灯的控制、汽车喇叭以及方向盘的角度控制等。
80.具体地，计算机设备获取到左转信号灯、右转信号灯、直行信号灯以及掉头信号灯各自的信号灯输出状态，根据所有信号灯输出状态与行程轨迹信息综合考虑得到当前车辆行为策略。
81.上述无人驾驶实现方法，通过采集当前路口的交通信号灯的图像信息，获取交通灯识别模型，再基于交通灯识别模型对图像信息进行识别生成交通信号数据，其中交通信号数据包括信号灯的颜色属性、形状属性、颜色可信度以及形状可信度，根据交通信号数据生成信号灯输出状态，其中信号灯输出状态包括左转允许状态、右转允许状态、直行允许状态以及掉头允许状态，最后基于信号灯输出状态以及行程轨迹信息确定当前车辆行为策略。这样，通过对当前路口的交通信号灯的信息直接进行采集，无需依赖于高精度图对路口的红绿灯位置的先验信息来确定交通灯的位置、颜色及类别信息，再根据交通灯的交通信号数据，包括颜色属性、形状属性、颜色可信度以及形状可信度，来确定出路段的交通灯输出状态，最后再由信号灯输出状态以及行程轨迹信息确定当前车辆行为策略，相较于传统基于高精地图来确定交通灯状态的方法，能有效降低无人驾驶技术实现的成本。
82.在一个实施例中，如图3所示，获取交通灯识别模型之前，还包括：
83.步骤s302，获取交通信号灯图像样本数据。
84.其中，交通信号灯图像样本数据为包含左转信号灯、右转信号灯、直行信号灯以及
掉头信号灯的图像数据，且在图像数据中的每个信号灯在同一时刻都对应着红、黄、绿中的一种颜色，并且每个信号灯都对应着形状、颜色的标签。
85.具体地，计算机设备采集不同时段下的交通信号灯的图像数据，考虑到不同天气下以及白天与夜晚的光线不同，导致的图像数据的明暗程度不同，因此将不同时间段与不同天气下采集到的交通信号灯图像样本数据进行分类处理，例如晴朗天气的上午所采集到的交通信号灯图像样本数据分为一类，将阴雨天气的下午所采集到的交通信号灯图像样本数据分为一类等，这样使得所采集到的交通信号灯图像样本数据能充分考虑到不同采集条件下外界光线的强弱对图像样本数据的影响，另外分别采集不同形状信号灯分类作为训练样本，如分别采集圆饼形状交通灯和箭头形状交通灯作为训练样本。
86.步骤s304，基于交通信号灯图像样本数据训练得到交通灯深度学习模型。
87.具体地，计算机设备根据前述步骤s302得到的不同天气及不同时段的交通信号灯的图像样本数据，再将样本数据分别进行训练得到交通灯深度学习模型。
88.本实施例中，通过采集不同天气以及不同时段下的交通信号灯图像样本数据并进行样本数据的分类，再将不同分类分别输入深度学习模型中训练得到交通灯深度学习模型，有效减少因不同采集条件下的样本数据的光线等差异影响模型的识别精度，使得模型更具针对性，提高交通灯深度学习模型训练的准确性与针对性。
89.在一个实施例中，如图4所示，根据交通信号数据生成信号灯输出状态，包括：
90.步骤s402，当交通信号数据中信号灯的形状属性为圆饼形状时，根据信号灯的颜色确定信号灯输出状态。
91.具体地，计算机设备根据前述步骤获取的交通信号数据与预设数据映射关系库进行比对，得到交通信号数据对应的信号灯输出状态，在对交通信号数据进行比对时，判断交通信号数据中的信号灯的形状属性，当形状属性为圆饼形状时，根据此时的圆饼形状信号灯所在的位置信息以及颜色属性以及形状属性可信度与颜色属性可信度来确定对应的信号灯输出状态。
92.步骤s404，当交通信号数据中信号灯的形状属性为箭头形状时，根据箭头形状以及对应的颜色属性确定信号灯输出状态，箭头形状包括左转箭头、右转箭头、直行箭头以及掉头箭头。
93.具体地，计算机设备根据前述步骤获取的交通信号数据与预设数据映射关系库进行比对，得到交通信号数据对应的信号灯输出状态，其中，预设数据映射关系库存储有交通信号数据与对应的信号灯输出状态之间的映射关系，在对交通信号数据进行比对时，判断交通信号数据中的信号灯的形状属性，当形状属性为箭头形状时，识别信号灯的箭头的指向，例如，当箭头指向左则表示左转信号灯，当箭头指向上表示直行信号灯等，根据此时的交通信号灯的箭头指向以及颜色属性以及形状属性可信度与颜色属性可信度来确定对应的信号灯输出状态。
94.本实施例中，根据现实中不同交通灯的形状来确定信号灯输出状态，具体区分圆饼形状的交通灯与箭头形状的交通灯来分别将其与预设数据映射关系库进行比对，从而得到交通信号灯的对应的信号灯输出状态，相比于不加区分信号灯形状的识别，更加具有针对性，提高识别信号灯输出状态的准确性。
95.在一个实施例中，如图5所示，基于信号灯输出状态以及行程轨迹信息确定当前车
辆行为策略，包括：
96.步骤s502，基于行程轨迹信息从当前路口确定目标车道。
97.其中，目标车道是当前无人驾驶车辆即将要经过的车道，可以是直行车道、左转车道、右转车道以及掉头车道中的一条。
98.具体地，计算机设备根据当前的行程轨迹信息确定当前车辆在当前路口的行车方向，由行车方向确定当前路口的目标车道。
99.步骤s504，基于目标车道以及信号灯输出状态确定目标车道对应目标交通灯状态。
100.其中，目标车道对应目标交通灯状态为目标车道所对应的目标信号灯的位置信息、颜色属性、形状属性、颜色可信度以及形状可信度等信息。
101.具体地，计算机设备根据前述步骤s502确定的目标车道，对目标车道进行识别，来调取当前目标车道对应的目标信号灯输出状态，例如当前目标车道为左转车道，则计算机设备在信号灯输出状态中读取左转交通信号灯的信号灯输出状态，若左转交通信号灯的信号灯输出状态为禁止通行，则表示当前目标车道此时为禁止通行状态。
102.步骤s506，基于目标交通灯状态确定当前车辆行为策略。
103.具体地，计算机设备根据前述步骤s504确定的目标交通灯状态来确定当前车辆的行为策略，获取目标交通灯状态的状态时间，例如目标交通灯为红灯时，获取目标交通灯剩余的红灯时间，预估所需要等待的时间，当需要等待的时间未达到预设阈值就选择等待，达到预设阈值则选择调整行程轨迹信息选择其他车道作为目标车道。
104.本实施例中，通过根据行程轨迹信息来确定当前车辆在当前路口的目标车道，再根据目标车道与整个路口的信号灯输出状态来确定出目标车道对应的目标交通灯状态，最后基于目标交通灯状态确定当前车辆行为策略，过程中能够根据具体的目标交通灯状态来实时实现对当前车辆的行为策略的动态调整，进而使得当前交通路口的交通信号灯的实际情况及时参与到当前车辆行为策略的生成过程，使得生成的当前车辆行为策略更加符合当前路口的实际交通状况，提高了当前车辆行为策略的适应性。
105.在一个实施例中，如图6所示，基于目标车道以及信号灯输出状态确定目标车道对应目标交通灯状态，包括：
106.步骤s602，基于行程轨迹信息从当前路口确定目标车道为直行车道、左转车道或右转车道之一。
107.具体地，计算机设备根据行程轨迹信息来确定当前车辆的行车方向，行车方向为左转方向、右转方向以及直行方向之一，由行车方向确定目标车道，当行车方向为左转方向时，选择左转车道为目标车道，当行车方向为右转方向时，选择右转车道为目标车道，当行车方向为直行方向时，选择直行车道为目标车道。
108.步骤s604，基于所确定的目标车道以及所接收的信号灯输出状态确定目标车道所对应的允许状态。
109.具体地，计算机设备根据前述步骤确定了目标车道对应的目标交通灯状态，再将目标交通灯状态与预设数据映射关系库进行比对，得到当前目标交通灯状态对应的目标信号灯输出状态，进而得到目标车道所对应的允许状态。
110.步骤s606，基于目标车道对应的允许状态确定当前车辆行为策略。
111.具体地，计算机设备根据前述步骤确定的对应的允许状态来确定当前车辆的行为策略，当目标交通灯状态为允许通行时，表示当前车辆获得了当前目标车道的通行许可，当前车辆可通过目标车道，当目标交通灯状态为禁止通行时，则当前车辆此时无法通过目标车道，但可以选择继续在当前目标车道上等待或者调整行程轨迹信息选择其他车道作为目标车道。
112.本实施例中，通过当前行程轨迹信息从当前路口确定本车的行车方向，由行车方向确定目标车道为直行车道、左转车道或右转车道之一，再基于目标车道以及信号灯输出状态来确定当前目标车道对应的目标信号灯输出状态，进而得到目标车道所对应的允许状态，再基于对应的允许状态来确定当前车辆行为策略，使得生成的当前车辆行为策略更加符合当前路口的实际交通状况，提高了当前车辆行为策略的适应性。
113.在一个实施例中，如图7所示，根据当前路口的路况数据确定当前车辆行为策略；包括：
114.步骤s702，当监测到当前行车方向上未检测到障碍物时，设定车辆行为模式为畅行模式。
115.其中，畅行模式指的是当前车辆在目标路段上直接启动并连续行驶的状态。
116.具体地，计算机设备实时监测当前车辆前方是否有障碍物，当车辆前方没有障碍物时，设定当前车辆根据原定的行驶策略继续行驶。
117.步骤s704，当监测到当前行车方向上的障碍物的类型为行人或非机动车时，设定车辆行为模式为等待模式。
118.具体地，计算机设备对当前道路的路况数据进行获取，监测并判断当前道路的当前行车方向上的障碍物类型，将检测到的障碍物数据与数据库中预设的障碍物轮廓数据进行比对，得到障碍物类型，例如，监测到当前车辆前方的障碍物的形状、尺寸以及移动规律等数据与数据库中行人类型的障碍物轮廓数据匹配度达到预设阈值则认为当前车辆前方的障碍物类型为行人，当车辆前方的障碍物为行人或非机动车时，设定当前车辆停止行进，等待行人或非机动车通过后再启动车辆。
119.步骤s706，当监测到当前行车方向上的障碍物的类型为机动车时，获取机动车的车灯信息，根据车灯信息确定目标车辆行为模式。
120.具体地，计算机设备对当前道路的路况数据进行获取，监测并判断当前道路的当前行车方向上的障碍物类型，将检测到的障碍物数据与数据库中预设的障碍物轮廓数据进行比对，得到障碍物类型，当监测到当前行车方向上的障碍物的类型为机动车时，启动图像采集装置获取障碍物机动车的车灯信息，再根据采集到的车灯信息判断障碍物汽车所处的状态，进而确定目标车辆行为模式。
121.步骤s708，当监测到当前行车方向上的障碍物的类型为其他障碍物时，设定车辆行为模式为绕行模式。
122.具体地，计算机设备对当前道路的路况数据进行获取，监测并判断当前道路的当前行车方向上的障碍物类型，将检测到的障碍物数据与数据库中预设的障碍物轮廓数据进行比对，得到障碍物类型，当检测到的障碍物不属于行人、非机动车、机动车中的任一种时，将障碍物类型定义为其他障碍物，如当前车辆的行进方向上出现较大的石墩、路障等，此时，设定车辆行为模式为绕行模式，即从障碍物的两边绕过障碍物后，再继续行驶。
123.本实施例中，计算机设备对当前车辆所行驶的当前方向上的路况信息进行实时障碍物监测，当未检测到障碍物时，车辆采用畅行模式继续行驶，当检测到障碍物类型为行人或非机动车时，当前车辆设定为等待模式，当检测到的障碍物类型为机动车时，采集目标车辆的车灯信息，再根据车灯信息来确定目标车辆的车辆行为模式，当障碍物为其他障碍物类型时，设定当前车辆为绕行模式，这样，将车辆行驶过程中可能会遇到的障碍物的类型进行分类分析，针对不同的障碍物类型，当前车辆采取不同且具有针对性的驾驶策略，提高了当前车辆在行驶过程中的应变能力。
124.在一个实施例中，如图8所示，当监测到当前行车方向上的障碍物的类型为机动车时，获取机动车的车灯信息，根据车灯信息确定目标车辆行为模式，包括：
125.步骤s802，当机动车的车灯信息显示为行车正常状态时，设定当前车辆行为策略为等待模式。
126.具体地，计算机设备通过采集目标机动车的车灯信息并进行分析得到目标机动车的行车状态，例如当目标机动车的车尾灯不亮灯或是正常的转向灯等就表明目标机动车处于行车正常状态，目标机动车因路况或前方有行人等情况处于临时停车，此时当前车辆应设定为等待目标机动车的状态，开启等待模式，优选地，当等待时间超过阈值且前方道路为允许通行状态时，判定目标机动车为异常停车，此时开启绕行模式。
127.步骤s804，当机动车的车灯信息显示为车辆故障或紧急停车时，以及机动车所在车道对应的允许状态为允许通行时，设定当前车辆行为策略为绕行模式。
128.具体地，计算机设备通过采集目标机动车的车灯信息并进行分析得到目标机动车的行车状态，当监测到目标机动车的车灯为双闪灯等表明行车异常的车灯状态时，表明目标机动车此时处于车辆故障或紧急停车等行驶异常状态，若此时机动车所在的车道的允许状态为允许通行时，设定当前车辆行为策略为绕行模式，即控制当前车辆从目标机动车的旁侧绕行，同时开启相关提示灯用于提示后车注意安全。
129.本实施例中，根据当前车辆前面的目标机动车的车灯信息来判断目标机动车所处的行驶状态，当车灯信息显示目标机动车行驶正常时，设定当前车辆行为策略为等待模式，当车灯信息显示目标机动车行驶异常时，开启绕行模式，从而实现根据目标机动车的行驶状态来设定当前车辆不同的行驶策略，提高当前车辆行为策略设定的针对性与准确性。
130.本技术还提供一种应用场景，该应用场景应用上述的无人驾驶实现方法。
131.具体地，该无人驾驶实现方法在该应用场景的应用如下：
132.车载计算机设备的感知模块通过图像采集装置采集当前路口的交通信号灯的图像信息，其中交通信号灯的图像信息中包括左转信号灯、右转信号灯、掉头信号灯以及直行信号灯，再根据不同天气以及不同时段下的交通信号灯的图像样本数据来训练深度学习模型，得到用于识别交通灯状态的交通灯识别模型，再将前述步骤中采集到的交通信号灯的图像信息作为交通灯识别模型的输入数据，得到交通信号数据，其中交通信号数据为信号灯的颜色属性、形状属性、颜色可信度以及形状可信度的组合数据，再将上述交通信号数据与预设数据映射关系库进行比对，得到当前所有交通灯的交通信号数据所对应的信号灯输出状态，具体根据当前路口交通灯的形状、位置信息来确定信号灯输出状态，当交通信号数据中信号灯的形状属性为圆饼形状时，根据信号灯的颜色确定信号灯输出状态，当交通信号数据中信号灯的形状属性为箭头形状时，根据箭头形状以及对应的颜色属性确定信号灯
输出状态，箭头形状包括左转箭头、右转箭头、直行箭头以及掉头箭头，最后将确定的信号灯输出状态发送给车载计算机设备的控制模块，控制模块在接收到信号灯输出状态后，再基于信号灯输出状态与车辆行程轨迹信息来确定当前车辆行为策略，具体为：基于行程轨迹信息从当前路口确定目标车道，基于目标车道以及信号灯输出状态确定目标车道对应目标交通灯状态，基于目标车道对应的允许状态确定当前车辆行为策略，其中，在确定目标车道对应目标交通灯状态时，基于行程轨迹信息从当前路口确定目标车道为直行车道、左转车道或右转车道之一，基于所确定的目标车道以及所接收的信号灯输出状态确定目标车道所对应的允许状态，基于目标车道对应的允许状态确定当前车辆行为策略，当前车辆在行驶过程中，通过感知模块实时监测路况数据，再将采集到的路况数据发送给控制模块，控制模块按照感知模块发送过来的路况数据来设定当前车辆行为策略，具体为：当监测到当前行车方向上未检测到障碍物时，设定车辆行为模式为畅行模式，当监测到当前行车方向上的障碍物的类型为行人或非机动车时，设定车辆行为模式为等待模式，当监测到当前行车方向上的障碍物的类型为机动车时，获取机动车的车灯信息，根据车灯信息确定目标车辆行为模式，当监测到当前行车方向上的障碍物的类型为其他障碍物时，设定车辆行为模式为绕行模式，当监测到当前行车方向上的障碍物的类型为机动车时，获取所述机动车的车灯信息，根据所述车灯信息确定目标车辆行为模式，当机动车的车灯信息显示为行车正常状态时，设定当前车辆行为策略为等待模式，当机动车的车灯信息显示为车辆故障或紧急停车时，以及机动车所在车道对应的允许状态为允许通行时，设定当前车辆行为策略为绕行模式。
133.本实施例中，通过采集当前路口的交通信号灯的图像信息，获取交通灯识别模型，再基于交通灯识别模型对图像信息进行识别生成交通信号数据，其中交通信号数据包括信号灯的颜色属性、形状属性、颜色可信度以及形状可信度，根据交通信号数据生成信号灯输出状态，其中信号灯输出状态包括左转允许状态、右转允许状态、直行允许状态以及掉头允许状态，最后基于信号灯输出状态以及行程轨迹信息确定当前车辆行为策略。这样，通过对当前路口的交通信号灯的信息直接进行采集，无需依赖于高精度图对路口的红绿灯位置的先验信息来确定交通灯的位置、颜色及类别信息，再根据交通灯的交通信号数据，包括颜色属性、形状属性、颜色可信度以及形状可信度，来确定出路段的交通灯输出状态，最后再由信号灯输出状态以及行程轨迹信息确定当前车辆行为策略，相较于传统基于高精地图来确定交通灯状态的方法，能有效降低无人驾驶技术实现的成本。
134.应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
135.在一个实施例中，如图9所示，提供了一种无人驾驶实现装置，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：感知模块902、控制模块904，其中：
136.感知模块902，用于采集当前路口的交通信号灯的图像信息，交通信号灯包括左转信号灯、右转信号灯、掉头信号灯以及直行信号灯；获取交通灯识别模型；基于交通灯识别模型对图像信息进行识别生成交通信号数据，交通信号数据包括信号灯的颜色属性、形状属性、颜色可信度以及形状可信度；根据交通信号数据生成信号灯输出状态，信号灯输出状态包括左转允许状态、右转允许状态、直行允许状态以及掉头允许状态；输出信号灯输出状态至控制模块；
137.控制模块904，用于接收感知模块输出的信号灯输出状态；基于信号灯输出状态以及行程轨迹信息确定当前车辆行为策略。
138.在一个实施例中，感知模块902还用于获取交通信号灯图像样本数据；基于交通信号灯图像样本数据训练得到交通灯深度学习模型。
139.在一个实施例中，感知模块902还用于当交通信号数据中信号灯的形状属性为圆饼形状时，根据信号灯的颜色确定信号灯输出状态；当交通信号数据中信号灯的形状属性为箭头形状时，根据箭头形状以及对应的颜色属性确定信号灯输出状态，箭头形状包括左转箭头、右转箭头、直行箭头以及掉头箭头。
140.在一个实施例中，控制模块904还用于基于行程轨迹信息从当前路口确定目标车道；基于目标车道以及信号灯输出状态确定目标车道对应目标交通灯状态；基于目标交通灯状态确定当前车辆行为策略。
141.在一个实施例中，控制模块904还用于基于行程轨迹信息从当前路口确定目标车道为直行车道、左转车道或右转车道之一；基于所确定的目标车道以及所接收的信号灯输出状态确定目标车道所对应的允许状态；基于目标车道对应的允许状态确定当前车辆行为策略。
142.在一个实施例中，控制模块904还用于根据当前路口的路况数据确定当前车辆行为策略；包括：当监测到当前行车方向上未检测到障碍物时，设定车辆行为模式为畅行模式；当监测到当前行车方向上的障碍物的类型为行人或非机动车时，设定车辆行为模式为等待模式；当监测到当前行车方向上的障碍物的类型为机动车时，获取机动车的车灯信息，根据车灯信息确定目标车辆行为模式；当监测到当前行车方向上的障碍物的类型为其他障碍物时，设定车辆行为模式为绕行模式。
143.在一个实施例中，控制模块904还用于当机动车的车灯信息显示为行车正常状态时，设定当前车辆行为策略为等待模式；当机动车的车灯信息显示为车辆故障或紧急停车时，以及机动车所在车道对应的允许状态为允许通行时，设定当前车辆行为策略为绕行模式。
144.上述无人驾驶实现装置，通过采集当前路口的交通信号灯的图像信息，获取交通灯识别模型，再基于交通灯识别模型对图像信息进行识别生成交通信号数据，其中交通信号数据包括信号灯的颜色属性、形状属性、颜色可信度以及形状可信度，根据交通信号数据生成信号灯输出状态，其中信号灯输出状态包括左转允许状态、右转允许状态、直行允许状态以及掉头允许状态，最后基于信号灯输出状态以及行程轨迹信息确定当前车辆行为策略。这样，通过对当前路口的交通信号灯的信息直接进行采集，无需依赖于高精度图对路口的红绿灯位置的先验信息来确定交通灯的位置、颜色及类别信息，再根据交通灯的交通信号数据，包括颜色属性、形状属性、颜色可信度以及形状可信度，来确定出路段的交通灯输
出状态，最后再由信号灯输出状态以及行程轨迹信息确定当前车辆行为策略，相较于传统基于高精地图来确定交通灯状态的方法，能有效降低无人驾驶技术实现的成本。
145.关于无人驾驶实现装置的具体限定可以参见上文中对于无人驾驶实现方法的限定，在此不再赘述。上述无人驾驶实现装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
146.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储交通信号数据与预设数据映射关系库的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。
147.在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种无人驾驶实现方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
148.本领域技术人员可以理解，图10与图11中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
149.在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
150.在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
151.在一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例中的步骤。
152.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，
本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
153.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
154.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。