本申请涉及汽车控制，具体而言，涉及一种车辆防撞控制方法、装置、存储介质及设备。
背景技术：
1、随着汽车技术的不断发展，越来越多的车型开始装备智能防撞系统。智能防撞系统是一种重要的汽车安全技术，其主要通过各种传感器来感知车辆周围的环境信息，并通过智能控制系统进行数据分析和处理，实现对车辆的主动控制，从而减少汽车的碰撞事故，保障乘车人员的安全。然而，目前的智能防撞系统往往是在事故发生前较短时间发挥作用的，碰撞发生的可预见性较差，因而容易无法及时规避碰撞。
技术实现思路
1、本申请的目的在于提供一种车辆防撞控制方法、装置、存储介质及设备，旨在解决相关技术中的智能防撞系统存在的碰撞发生的可预见性较差，容易无法及时规避碰撞的问题。
2、第一方面，本申请提供的一种车辆防撞控制方法，包括：获取目标车辆所处环境的图像信息；通过防撞检测模型对所述图像信息进行目标检测，得到所述目标车辆的周围障碍物的障碍物信息；所述防撞检测模型包括目标检测模块；所述目标检测模块在训练过程中，学习到根据从输入图像中提取出的特征预测目标的尺寸、类别以及位置；所述目标检测模块包括至少一个mlp-mixer层；基于所述障碍物信息和所述目标车辆的当前状态，确定碰撞风险信息，并根据所述碰撞风险信息执行对应的控制策略。
3、在上述实现过程中，获取目标车辆所处环境的图像信息，将该图像信息输入防撞检测模型，得到目标车辆的周围障碍物的障碍物信息，之后基于该障碍物信息和目标车辆的当前状态，确定碰撞风险信息，并根据该碰撞风险信息执行对应的控制策略。如此，采用深度学习算法来识别出目标汽车行驶路径上的各种障碍物的尺寸、类别以及位置，提高碰撞发生的可预见性，并且，使用由mlp-mixer层组成的新型检测头来将最终的特征转换为检测结果，提升防撞检测模型的处理效率，使得车辆能够更为及时地规避碰撞。
4、进一步地，在一些例子中，所述防撞检测模型是基于训练数据集训练得到的；所述训练数据集包括原始样本集；所述原始样本集由多张障碍检测图像组成；所述多张障碍检测图像提供不同的检测目标类别以及对应的边界检测框；所述检测目标类别通过硬标签进行标注。
5、在上述实现过程中，提供防撞检测模型的训练数据集的一种可选来源。
6、进一步地，在一些例子中，所述训练数据集还包括合成样本集；所述合成样本集是通过mixup增强算法对所述多张障碍检测图像进行处理而得到的；所述mixup增强算法采用所述硬标签进行监督学习。
7、在上述实现过程中，采用改进的mixup增强算法来进行数据增强，该改进的mixup增强算法采用硬标签进行监督学习，这样可以为防撞检测模型提供一些被模糊或被遮挡的样本，从而提升防撞检测模型的鲁棒性。
8、进一步地，在一些例子中，所述防撞检测模型采用convmlp作为主干网络；所述主干网络在训练过程中，学习到从输入的图像中提取出表征语义信息的特征图。
9、在上述实现过程中，使用convmlp作为主干网络，这样，可以有效提高防撞检测模型的推理速度。
10、进一步地，在一些例子中，所述防撞检测模型还包括超像素金字塔池化模块；所述超像素金字塔池化模块用于将所述主干网络提取的不同尺寸的特征图分成相等数量的补丁，根据所述补丁对应的空间位置将所述补丁分组，并将同一组的补丁展开并串联形成单个特征向量，再通过线性层传递所述特征向量并对所述特征向量进行过滤，以及将过滤后的特征向量重新转换为补丁的形式。
11、在上述实现过程中，采用超像素金字塔池化模块作为防撞检测模型的颈部结构，通过对来自主干不同阶段的特征进行线性层处理和丰富，而不需要放大和缩小操作，从而节约计算成本和内存成本。
12、进一步地，在一些例子中，所述目标检测模块具体用于：根据重新转换得到的补丁，预测目标的类别、像素中心坐标、高度和宽度；根据所述像素中心坐标、高度和宽度，获取所述目标的边界检测框。
13、在上述实现过程中，目标检测模块基于补丁而不是整个图像工作，并根据局部上下文信息细化检测结果，从而实现了对更高分辨率的可伸缩性。
14、进一步地，在一些例子中，所述防撞检测模型的训练损失基于分类损失、尺度回归损失和偏移损失而得到；所述分类损失是基于所述防撞检测模型预测的像素中心坐标和真实的目标中心坐标而确定的，所述分类损失采用-平衡的焦点损失；所述尺度回归损失是基于所述防撞检测模型预测的边界检测框的尺寸和真实的边界检测框的尺寸而确定的，所述尺度回归损失采用l1损失；所述偏移损失是基于所述防撞检测模型预测的边界检测框的位置和真实的边界检测框的位置而确定的，所述偏移损失采用平滑l1损失。
15、在上述实现过程中，针对检测物中心、尺寸、位置采用了不同的损失设置，有效实现了更好的收敛和精确定位。
16、第二方面，本申请提供的一种车辆防撞控制装置，包括：获取模块，用于获取目标车辆所处环境的图像信息；检测模块，用于通过防撞检测模型对所述图像信息进行目标检测，得到所述目标车辆的周围障碍物的障碍物信息；所述防撞检测模型包括目标检测模块；所述目标检测模块在训练过程中，学习到根据从输入图像中提取出的特征预测目标的尺寸、类别以及位置；所述目标检测模块包括至少一个mlp-mixer层；确定模块，用于基于所述障碍物信息和所述目标车辆的当前状态，确定碰撞风险信息，并根据所述碰撞风险信息执行对应的控制策略。
17、第三方面，本申请提供的一种电子设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的方法的步骤。
18、第四方面，本申请提供的一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，使得所述计算机执行如第一方面任一项所述的方法。
19、第五方面，本申请提供的一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行如第一方面任一项所述的方法。
20、本申请公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本申请公开的上述技术即可得知。
21、为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
1.一种车辆防撞控制方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述防撞检测模型是基于训练数据集训练得到的；所述训练数据集包括原始样本集；所述原始样本集由多张障碍检测图像组成；所述多张障碍检测图像提供不同的检测目标类别以及对应的边界检测框；所述检测目标类别通过硬标签进行标注。
3.根据权利要求2所述的方法，其特征在于，所述训练数据集还包括合成样本集；所述合成样本集是通过mixup增强算法对所述多张障碍检测图像进行处理而得到的；所述mixup增强算法采用所述硬标签进行监督学习。
4.根据权利要求1所述的方法，其特征在于，所述防撞检测模型采用convmlp作为主干网络；所述主干网络在训练过程中，学习到从输入的图像中提取出表征语义信息的特征图。
5.根据权利要求4所述的方法，其特征在于，所述防撞检测模型还包括超像素金字塔池化模块；所述超像素金字塔池化模块用于将所述主干网络提取的不同尺寸的特征图分成相等数量的补丁，根据所述补丁对应的空间位置将所述补丁分组，并将同一组的补丁展开并串联形成单个特征向量，再通过线性层传递所述特征向量并对所述特征向量进行过滤，以及将过滤后的特征向量重新转换为补丁的形式。
6.根据权利要求1所述的方法，其特征在于，所述目标检测模块具体用于：
7.根据权利要求1所述的方法，其特征在于，所述防撞检测模型的训练损失基于分类损失、尺度回归损失和偏移损失而得到；
8.一种车辆防撞控制装置，其特征在于，包括：
9.一种计算机可读存储介质，其特征在于，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如权利要求1至7任一项所述的方法。
10.一种电子设备，其特征在于，包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。