自动驾驶控制方法、装置、设备、机动车及存储介质与流程

1.本发明涉及计算机技术领域，尤指一种自动驾驶控制方法、装置、设备、机动车及存储介质。


背景技术：

2.据不完全统计，在全世界发生的交通事故中，90％的交通事故是由驾驶员操作失误导致的。对于交通运输行业，营运车辆的司机需要长时间驾驶机动车，极易导致因疲劳等原因导致操作失误进而引发交通事故。另一方面，对于交通运输企业，雇佣营运车辆的司机的成本也相对较高。因此，在营运车辆中应用自动驾驶技术以替代司机是未来的发展趋势。
3.目前，自动驾驶出租车已在北京等地进行推广试验。现有技术中的自动驾驶出租车只能在固定位置的出租车站点进行停靠，且需要线上预约。这样，自动驾驶出租车的使用场景被大大受限。对于乘客在非预设位置使用出行服务和无法使用线上预约功能时使用出行服务的情况，现有技术的实现效果仍需要改进。


技术实现要素：

4.本发明实施例提供一种自动驾驶控制方法、装置、设备、机动车及计算机存储介质，用以解决现有技术中存在乘客在非预设位置使用出行服务和无法使用线上预约功能时使用出行服务的效果不好的问题。
5.本发明实施例提供了一种自动驾驶控制方法，包括：
6.采集环境图像并进行图像分析；
7.识别出所述环境图像包括行人，且所述行人的动作为预设示意停车动作时，向所述行人的位置行驶并停靠在所述行人的位置；
8.采集行人信息及目的地信息，根据所述行人信息确定通过身份识别验证时，将所述行人设置为服务用户；
9.开始运输服务向所述目的地行驶。
10.可选地，识别出所述环境图像包括行人，且所述行人的动作为预设示意停车动作时，还包括：
11.确定当前不满足预设的停车提供服务的条件时，保持继续行驶。
12.可选地，确定当前不满足预设的停车提供服务的条件时，还包括：
13.将所述行人的位置发送至车辆调度平台，使所述车辆调度平台控制其它自动驾驶机动车向所述行人的位置行驶。
14.可选地，所述预设的停车提供服务的条件包括如下至少一种：
15.当前进行运输服务的运输指标未超过设定阈值；
16.存储的能量足以提供运输服务；
17.没有执行所述车辆调度平台下发的其它任务。
18.可选地，采集环境图像并进行图像分析，具体为：
19.利用目标识别算法对所述环境图像进行分析处理，获取包括行人的动作图像；
20.使用卷积神经网络模型对获取的所述动作图像进行动作分析，识别所述行人的动作是否为预设示意停车动作，所述卷积神经网络利用图像数据库中的动作图像训练得到。
21.可选地，所述卷积神经网络模型使用torch作为深度学习框架，采用leaky relu作为激活函数，并连接所有的特征向量，将最终得到的矩阵转化成一个一维的向量。
22.可选地，采集行人信息及目的地信息之后，还包括：
23.根据所述行人是否开始运输服务，确定识别的所述行人的动作为预设示意停车动作是否正确，将所述动作图像与对应的结果存入所述图像数据库中。
24.可选地，开始运输服务向所述目的地行驶之前，还包括：
25.根据所述停靠位置和所述目的地之间的距离，计算服务费用；
26.按照所述服务费用向所述服务用户收取费用。
27.可选地，按照所述服务费用向所述服务用户收取费用，包括：
28.当所述服务用户经过所述身份认证后，确认为不良信誉服务用户时，扣除所述不良信誉服务用户的账户中的服务费用；
29.扣除所述不良信誉服务用户的服务费用失败时，拒绝对所述不良信誉服务用户的服务。
30.基于同一发明构思，本发明实施例还提供了一种自动驾驶控制装置，包括：
31.图像采集分析模块，用于采集环境图像并进行图像分析；
32.服务准备模块，用于识别出所述环境图像包括行人，且所述行人的动作为预设示意停车动作时，向所述行人的位置行驶并停靠在所述行人的位置；
33.服务设置模块，用于采集行人信息及目的地信息，根据所述行人信息确定通过身份识别验证时，将所述行人设置为服务用户；
34.服务模块，用于开始运输服务向所述目的地行驶。
35.可选地，识别出所述环境图像包括行人，且所述行人的动作为预设示意停车动作时，还包括：
36.放弃服务模块，用于确定当前不满足预设的停车提供服务的条件时，保持继续行驶。
37.可选地，确定当前不满足预设的停车提供服务的条件时，还包括：
38.调度模块，用于将所述行人的位置发送至车辆调度平台，使所述车辆调度平台控制其它自动驾驶机动车向所述行人的位置行驶。
39.可选地，所述预设的停车提供服务的条件包括如下至少一种：
40.当前进行运输服务的运输指标未超过设定阈值；
41.存储的能量足以提供运输服务；
42.没有执行所述车辆调度平台下发的其它任务。
43.可选地，所述图像采集分析模块中，进行图像分析，具体为：
44.利用目标识别算法对所述环境图像进行分析处理，获取包括行人的动作图像；
45.使用卷积神经网络模型对获取的所述动作图像进行动作分析，识别所述行人的动作是否为预设示意停车动作；
46.其中，所述卷积神经网络利用图像数据库中的动作图像训练得到。
47.可选地，所述卷积神经网络模型使用torch作为深度学习框架，采用leaky relu作为激活函数，并连接所有的特征向量，将最终得到的矩阵转化成一个一维的向量。
48.可选地，所述服务设置模块中，采集行人信息及目的地信息之后，还包括：
49.自学习模块，用于根据所述行人是否开始运输服务，确定识别的所述行人的动作为预设示意停车动作是否正确，将所述动作图像与对应的结果存入所述图像数据库中。
50.可选地，所述服务模块开始运输服务向所述目的地行驶之前，还包括：
51.费用计算模块，用于根据所述停靠位置和所述目的地之间的距离，计算服务费用；
52.费用收取模块，用于按照所述服务费用向所述服务用户收取费用。
53.可选地，所述费用收取模块中，按照所述服务费用向所述服务用户收取费用，包括：
54.当所述服务用户经过所述身份认证后，确认为不良信誉服务用户时，扣除所述不良信誉服务用户的账户中的服务费用；
55.扣除所述不良信誉服务用户的服务费用失败时，拒绝对所述不良信誉服务用户的服务。
56.基于同一发明构思，本发明实施例还提供了一种自动驾驶控制设备，包括：处理器和用于存储所述处理器可执行指令的存储器；
57.其中，所述处理器被配置为执行所述指令，以实现所述的自动驾驶控制方法。
58.基于同一发明构思，本发明实施例还提供了一种机动车，所述机动车安装有自动驾驶控制设备，所述自动驾驶控制设备控制所述机动车实现所述的自动驾驶控制方法。
59.基于同一发明构思，本发明实施例还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被用于实现所述的自动驾驶控制方法。
60.本发明有益效果如下：
61.本发明实施例提供的一种自动驾驶控制方法、装置、设备、机动车及计算机存储介质，通过对行人的动作进行识别，确定所述行人的动作为预设示意停车动作时，停车以提供运输服务，实现了自动驾驶机动车在非特定位置和线下提供运输服务的功能，提升了使用体验。
附图说明
62.图1为本发明实施例所应用的运营服务系统结构示意图；
63.图2为本发明实施例提供的自动驾驶控制方法的流程图；
64.图3为本发明实施例提供的自动驾驶控制装置的结构示意图；
65.图4为本发明实施例提供的自动驾驶控制设备的结构示意图。
具体实施方式
66.为使本发明的上述目的、特征和优点能够更为明显易懂，下面将结合附图和实施例对本发明做进一步说明。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明更全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的结构，因而将省略对它们的重复描述。本发明中所描述的表达位置与方向的词，均是以附图为
例进行的说明，但根据需要也可以做出改变，所做改变均包含在本发明保护范围内。本发明的附图仅用于示意相对位置关系不代表真实比例。
67.需要说明的是，在以下描述中阐述了具体细节以便于充分理解本发明。但是本发明能够以多种不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广。因此本发明不受下面公开的具体实施方式的限制。说明书后续描述为实施本申请的较佳实施方式，然所述描述乃以说明本申请的一般原则为目的，并非用以限定本申请的范围。本申请的保护范围当视所附权利要求所界定者为准。
68.下面结合附图，对本发明实施例提供的自动驾驶控制方法、装置、设备、机动车及计算机存储介质进行具体说明。
69.本发明实施例应用于营运运输服务领域。如图1所示，一种应用了本发明实施例的自动驾驶机动车car作为营运车辆，与服务平台的服务器server通过网络连接，通过所述服务器进行订单管理等功能，为服务用户user提供运输人员或运输货物的服务。
70.本发明实施例提供了一种自动驾驶控制方法，如图2所示，包括：
71.s101、采集环境图像并进行图像分析；
72.在具体实施过程中，所述步骤s101可以由安装在自动驾驶机动车上的摄像头采集环境图像。所述步骤s101中进行图像分析可以为由所述自动驾驶机动车本地的控制设备进行图像分析，也可以为由所述控制设备将所述摄像头采集的环境图像通过网络发送至服务器，由服务器进行图像分析，将分析的结果发送给所述控制设备，以进行处理。
73.s102、识别出所述环境图像包括行人，且所述行人的动作为预设示意停车动作时，向所述行人的位置行驶并停靠在所述行人的位置；
74.s103、采集行人信息及目的地信息，根据所述行人信息确定通过身份识别验证时，将所述行人设置为服务用户；
75.s107、开始运输服务向所述目的地行驶。
76.所述步骤s103中对所述做出预设示意停车动作的行人进行身份认证可以通过人脸识别、指纹识别、声纹识别、虹膜识别等生物验证方式，输入验证码，对所述行人所携带的电子设备(例如手机)的设备识别等方式，在此不作限定。所述步骤s103中进行身份识别认证时，可以为先打开车门，令所述行人上车后在车上进行身份识别认证，也可以为令所述行人站在车外进行身份识别认证，当身份识别认证通过后，自动打开车门以提供服务。在此不作限定。进行身份认证的可以为所述控制设备，也可以为由所述控制设备将所述行人的认证信息上传至所述服务器，由所述服务器进行认证，并将认证结果发送给所述控制设备。所述预设示意停车动作可以根据需要，设置为挥手、竖大拇指、向内招手、握拳等动作，在此不作限定。
77.在具体实施过程中，所述运输服务包括运输人员的运输服务(即所述方法应用于自动驾驶出租车、自动驾驶公交车等场景)，也包括运输货物的运输服务(即所述方法应用于自动驾驶货车等场景)，在此不作限定。
78.这样，通过使用所述自动驾驶控制方法，可以对任何位置上相遇的需要服务的人员提供运输服务，对位置的要求较低，也可以不需要所述需要服务的人员进行预约和线上操作，提高了使用体验。
79.可选地，识别出所述环境图像包括行人，且所述行人的动作为预设示意停车动作
时，还包括：
80.s108、确定当前不满足预设的停车提供服务的条件时，保持继续行驶。
81.这样，保证了运输服务的正常进行。
82.可选地，确定当前不满足预设的停车提供服务的条件时，还包括：
83.s109、将所述行人的位置发送至车辆调度平台，使所述车辆调度平台控制其它自动驾驶机动车向所述行人的位置行驶。
84.这样，通过向所述车辆调度平台上报需要服务的所述行人的位置，由所述车辆调度平台调度其它所述自动驾驶机动车向需要服务的所述行人的位置行驶，减少了需要服务的所述行人的等待时间，提升了使用体验。
85.可选地，所述预设的停车提供服务的条件包括如下至少一种：
86.当前进行运输服务的运输指标未超过设定阈值；
87.存储的能量足以提供运输服务；
88.没有执行所述车辆调度平台下发的其它任务。
89.在具体实施过程中，若所述自动驾驶机动车为出租车，则当前进行运输服务的运输指标未超过设定阈值可以为所述自动驾驶机动车上没有其它服务用户。若所述自动驾驶机动车为公交车或预设行驶路线的专线出租车或者顺风车，则所述当前进行运输服务的运输指标未超过设定阈值可以为所述自动驾驶机动车上的人数未超过限载人数。若所述自动驾驶机动车为货车，则所述当前进行运输服务的运输指标未超过设定阈值可以为所述自动驾驶机动车上已承载的服务用户的货物重量未超过限载重量，和/或已承载的服务用户的货物体积未超过货舱体积。在具体实施过程中，所述自动驾驶机动车可以为燃油机动车、电动机动车、液化天然气机动车等供能方式的机动车，在此不作限定。那么，所述存储的能量对应为所述自动驾驶机动车存储的燃油、电能或液化天然气等。在具体实施过程中，所述车辆调度平台下发的其它任务可以为停止提供服务回厂检修等，在此不作限定。
90.这样，通过对所述自动驾驶机动车的自身状态进行判断，保障了运输服务的正常进行。
91.可选地，所述步骤s101中，进行图像分析，具体为：
92.利用目标识别算法对所述环境图像进行分析处理，获取包括行人的动作图像；
93.使用卷积神经网络模型对获取的所述动作图像进行动作分析，识别所述行人的动作是否为预设示意停车动作；
94.其中，所述卷积神经网络利用图像数据库中的动作图像训练得到。
95.在具体实施过程中，图像分析的方法可以为由所述自动驾驶机动车的控制设备对所述环境图像进行处理，获取行人的动作图像，再对所述动作图像进行分析，识别动作是否为预设示意停车动作。也可以为由所述自动驾驶机动车的控制图像对所述环境图像进行处理，获取行人的动作图像后，将所述动作图像上传至所述服务器，由所述服务器对所述动作图像进行分析，识别动作是否为预设示意停车动作，再将结果发送给所述控制设备。还可以为所述控制设备直接将所述环境图像上传至所述服务器，由所述服务器进行对所述环境图像进行分析处理，获取包括行人的动作图像，再进行动作分析，识别是否为预设示意停车动作后，将所述结果发送给所述控制设备。在此不作限定。
96.目前，主流的目标识别算法可以分为两类，一类是基于边框回归的r-cnn系算法
(例如r-cnn算法，fast r-cnn算法，faster r-cnn算法)的双层(two-stage)类型的算法，所述算法需要先使用启发式方法或者卷积神经网络产生候选区域，然后再在候选区域上做分类与回归。这类算法的精度较高，但速度较慢。而另一类是单层(one-stage)算法，包括你只需看一次(you only look once，yolo)算法、单发多盒探测器(single shot multibox detector，ssd)算法等，只需使用一个卷积神经网络直接预测不同目标的类别与位置。这类算法精度相对较低，但运算速度较快。与two-stage类型的算法相比，yolo算法速度更快。在具体实施过程中，出于运输服务需要对行人的动作进行快速识别的实际使用需求，主要使用yolo算法进行图像分析。
97.在具体实施过程中，所述图像数据库为预先设置的数据库，其中存储有大量的环境图像及所述环境图像中对应的目标类型标注、人的动作图像及对应的动作是否为预设动作的结果。所述目标识别算法在使用之前需要进行预先训练，以获得合适的模型。所述目标识别算法通过使用所述图像数据库中的环境图像及所述环境图像中对应的目标类型标注进行训练，最终达到能够将人的图像从所述环境图像中分离的效果。所述卷积神经网络通过所述图像数据库中的动作图像和对应的结果对所述卷积神经网络进行训练，最终达到能够对人的动作进行判断是否为预设示意停车动作。
98.这样，通过使用目标识别算法将所述环境图像中的行人的动作图像分离出来，便于后续对动作的分析。通过使用卷积神经网络对动作图像进行处理，能够更好地识别动作。
99.可选地，所述卷积神经网络模型使用torch作为深度学习框架，采用leaky relu作为激活函数，并连接所有的特征向量，将最终得到的矩阵转化成一个一维的向量。
100.可选地，所述步骤s103中，采集行人信息及目的地信息之后，还包括：
101.s104、根据所述行人是否开始运输服务，确定识别的所述行人的动作为预设示意停车动作是否正确，将所述动作图像与对应的结果存入所述图像数据库中。
102.在具体实施过程中，所述图像数据库可以为所述控制设备本地的数据库，也可以为所述服务器的数据库。对应地，若所述图像数据库为本地数据库时，则所述控制设备根据所述步骤s104中存入的所述动作图像与对应的结果，对所述卷积神经网络继续进行训练，以不断地优化模型。若所述图像数据库为所述服务器的数据库，则由所述服务器对根据所述步骤s104中存入的所述动作图像与对应的结果，对所述卷积神经网络继续进行训练，以不断地优化模型，将优化调整后的模型参数发送给所述控制设备进行调整。在具体实施过程中，进一步地，若所述步骤s104中对所述行人的动作为预设示意停车动作的判断错误率较高，则利用所述步骤s104中获得的识别结果及对应的所述动作图像重新对所述卷积神经网络进行训练。
103.这样，在对所述卷积神经网络进行预先训练后，还可以在使用过程中通过所述步骤s104存储所述动作图像及对应的结果，对所述卷积神经网络进行进一步的训练，以不断优化模型。
104.可选地，所述步骤s107、开始运输服务向所述目的地行驶之前，还包括：
105.s105、根据所述停靠位置和所述目的地之间的距离，计算服务费用；
106.s106、按照所述服务费用向所述服务用户收取费用。
107.在具体实施过程中，所述服务费用计算时还可以考虑其它因素的影响。例如，对于所述自动驾驶货车，所述服务费用还需要考虑所述运输的货物的重量、体积等因素。对于所
述自动驾驶公交车，所述服务费用还需要考虑所述服务用户的人数。在具体实施过程中，所述步骤s106收取费用的方法包括通过所述步骤s103中的身份识别验证，识别所述服务用户的账户，通过直接扣除或由所述服务用户手动扣除的方式收取费用；也可以为通过所述服务用户支付现金、扫码付款、刷银行卡等方式收取费用，在此不作限定。
108.这样，通过多种方式收取费用，提升了使用体验。
109.可选地，所述步骤s106、按照所述服务费用向所述服务用户收取费用，包括：
110.当所述服务用户经过所述身份认证后，确认为不良信誉服务用户时，扣除所述不良信誉服务用户的账户中的服务费用；
111.扣除所述不良信誉服务用户的服务费用失败时，拒绝对所述不良信誉服务用户的服务。
112.在具体实施过程中，所述拒绝对所述不良信誉服务用户的方法可以为打开车门、发出语音提示、禁止所述机动车行驶等，在此不作限定。
113.这样，通过强制扣除所述不良信誉服务用户的服务费用，在扣除服务费用失败时拒绝服务，保障了提供运输服务的企业的利益。
114.基于同一发明构思，本发明实施例还提供了一种自动驾驶控制装置，如图3所示，包括：
115.图像采集分析模块m101，用于采集环境图像并进行图像分析；
116.服务准备模块m102，用于识别出所述环境图像包括行人，且所述行人的动作为预设示意停车动作时，向所述行人的位置行驶并停靠在所述行人的位置；
117.服务设置模块m103，用于采集行人信息及目的地信息，根据所述行人信息确定通过身份识别验证时，将所述行人设置为服务用户；
118.服务模块m107，用于开始运输服务向所述目的地行驶。
119.这样，通过使用所述自动驾驶控制方法，可以对任何位置上相遇的需要服务的人员提供运输服务，对位置的要求较低，也可以不需要所述需要服务的人员进行预约和线上操作，提高了使用体验。
120.可选地，识别出所述环境图像包括行人，且所述行人的动作为预设示意停车动作时，还包括：
121.放弃服务模块m108，用于确定当前不满足预设的停车提供服务的条件时，保持继续行驶。
122.这样，保证了运输服务的正常进行。
123.可选地，确定当前不满足预设的停车提供服务的条件时，还包括：
124.调度模块m109，用于将所述行人的位置发送至车辆调度平台，使所述车辆调度平台控制其它自动驾驶机动车向所述行人的位置行驶。
125.这样，通过向所述车辆调度平台上报需要服务的所述行人的位置，由所述车辆调度平台调度其它所述自动驾驶机动车向需要服务的所述行人的位置行驶，减少了需要服务的所述行人的等待时间，提升了使用体验。
126.可选地，所述预设的停车提供服务的条件包括如下至少一种：
127.当前进行运输服务的运输指标未超过设定阈值；
128.存储的能量足以提供运输服务；
129.没有执行所述车辆调度平台下发的其它任务。
130.这样，通过对所述自动驾驶机动车的自身状态进行判断，保障了运输服务的正常进行。
131.可选地，所述图像采集分析模块m101中，进行图像分析，具体为：
132.利用目标识别算法对所述环境图像进行分析处理，获取包括行人的动作图像；
133.使用卷积神经网络模型对获取的所述动作图像进行动作分析，识别所述行人的动作是否为预设示意停车动作；
134.其中，所述卷积神经网络利用图像数据库中的动作图像训练得到。
135.可选地，所述卷积神经网络模型使用torch作为深度学习框架，采用leaky relu作为激活函数，并连接所有的特征向量，将最终得到的矩阵转化成一个一维的向量。
136.可选地，所述服务设置模块m103中，采集行人信息及目的地信息之后，还包括：
137.自学习模块m104，用于根据所述行人是否开始运输服务，确定识别的所述行人的动作为预设示意停车动作是否正确，将所述动作图像与对应的结果存入所述图像数据库中。
138.这样，在对所述卷积神经网络进行预先训练后，还可以在使用过程中通过自学习模块m104存储所述动作图像及对应的结果，对所述卷积神经网络进行进一步的训练，以不断优化模型。
139.可选地，所述服务模块m107开始运输服务向所述目的地行驶之前，还包括：
140.费用计算模块m105，用于根据所述停靠位置和所述目的地之间的距离，计算服务费用；
141.费用收取模块m106，用于按照所述服务费用向所述服务用户收取费用。
142.这样，通过多种方式收取费用，提升了使用体验。
143.可选地，所述费用收取模块m106中，按照所述服务费用向所述服务用户收取费用，包括：
144.当所述服务用户经过所述身份认证后，确认为不良信誉服务用户时，扣除所述不良信誉服务用户的账户中的服务费用；
145.扣除所述不良信誉服务用户的服务费用失败时，拒绝对所述不良信誉服务用户的服务。
146.这样，通过强制扣除所述不良信誉服务用户的服务费用，在扣除服务费用失败时拒绝服务，保障了提供运输服务的企业的利益。
147.由于所述自动驾驶控制装置的工作原理与所述自动驾驶控制方法基本一致，因此所述自动驾驶控制装置的实施可以参见所述自动驾驶控制方法的实施，重复之处不再赘述。
148.基于同一发明构思，本发明实施例还提供了一种自动驾驶控制设备，如图4所示，包括：处理器110和用于存储所述处理器110可执行指令的存储器120；其中，所述处理器110被配置为执行所述指令，以实现所述自动驾驶控制方法。
149.在具体实施过程中，所述设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器110和存储器120，一个或一个以上存储应用程序131或数据132的存储介质130。其中，存储器120和存储介质130可以是短暂存储或持久存储。存储在存储介
质130的应用程序131可以包括一个或一个以上所述单元(图4中未示出)，每个模块可以包括对信息处理装置中的一系列指令操作。更进一步地，处理器110可以设置为与存储介质130通信，在所述设备上执行存储介质130中的一系列指令操作。所述设备还可以包括一个或一个以上电源(图4中未示出)；一个或一个以上收发器140，所述收发器140包括有线或无线网络接口141，一个或一个以上输入输出接口142；和/或，一个或一个以上操作系统133，例如windows、mac os、linux、ios、android、unix、freebsd等。
150.由于所述自动驾驶控制设备的工作原理与所述自动驾驶控制方法相似，因此所述自动驾驶控制设备的实施可以参见自动驾驶控制方法的实施，重复之处不再赘述。
151.基于同一发明构思，本发明实施例还提供了一种机动车，所述机动车安装有自动驾驶控制设备，所述自动驾驶控制设备控制所述机动车实现所述的自动驾驶控制方法。
152.由于所述机动车的工作原理与所述自动驾驶控制方法相似，因此所述机动车的实施可以参见自动驾驶控制方法的实施，重复之处不再赘述。
153.基于同一发明构思，本发明实施例还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被用于实现所述的自动驾驶控制方法。
154.本发明实施例提供的一种自动驾驶控制方法、装置、设备、机动车及计算机存储介质，通过对行人的动作进行识别，确定所述行人的动作为预设示意停车动作时，停车以提供运输服务，实现了自动驾驶机动车在非特定位置和线下提供运输服务的功能，提升了使用体验。
155.本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
156.本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
157.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
158.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
159.显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围
之内，则本申请也意图包含这些改动和变型在内。