车辆的智能驾驶方法、新能源车及计算机可读存储介质与流程

1.本发明涉及车辆技术领域，尤其涉及一种车辆的智能驾驶方法、新能源车及计算机可读存储介质。


背景技术：

2.随着新能源车产业的不断发展，智能驾驶功能成为了新能源车内不可缺少的驾驶功能，目前新能源车主要采用通过高精度定位装置确定新能源车在高精地图上的位置，再由高精地图给出参考轨迹线，最后由新能源车内的控制模块按照参考轨迹线执行驾驶操作的方式实现智能驾驶功能。
3.如此，由于高精地图存在无法根据实时路况的变化进行及时更新的特性，就会导致新能源车可以在高速公路或城市快速路这类变化小的道路上实现智能驾驶功能，而在一般的城市道路这类变化较大的道路上却无法有效实现智能驾驶功能。并且，由于高精地图和高精度定位装置在处理大量数据的过程中对网络信号和定位信号的信号强度有较高的要求，导致了厂商还需要给新能源车配置大量的基础设置以支持智能驾驶功能的实现，后续更是需要投入大量的资金成本和时间精力对配置的基础设施进行维护。


技术实现要素：

4.本发明实施例通过提供一种车辆的智能驾驶方法、新能源车及计算机可读存储介质，旨在令新能源车处于复杂路况时也能实现智能驾驶，进而减少厂商在智能驾驶功能相关设备上的时间精力和资金成本的投入。
5.本发明提供一种车辆的智能驾驶方法，所述车辆的智能驾驶方法包括以下步骤：
6.获取导航图像，并根据所述导航图像确定车辆位置信息；
7.根据所述车辆位置信息确定各导航信息和各道路信息，并根据各所述导航信息和各所述道路信息对所述导航图像进行编辑得到目标导航图像；
8.对所述目标导航图像和车辆位姿信息进行验证得到目标验证导航轨迹，并按照所述目标验证导航轨迹和所述目标导航图像生成目标决策指令；
9.基于所述目标决策指令、各所述导航信息及各所述道路信息生成目标规划指令，并将所述目标规划指令输入至控制模块，以供所述控制模块根据所述目标规划指令执行智能驾驶操作。
10.进一步地，所述根据各所述导航信息和各所述道路信息对所述导航图像进行编辑得到目标导航图像的步骤，包括：
11.将各所述导航信息和各所述道路信息输入至预设的感知神经网络模型；
12.通过所述感知神经网络确定各所述导航信息和各所述道路信息各自对应的属性信息，并按照各所述属性信息对所述导航图像进行编辑得到目标导航图像。
13.进一步地，所述按照所述目标验证导航轨迹和所述目标导航图像生成目标决策指令的步骤，包括：
14.将所述目标验证导航轨迹映射至所述目标导航图像内得到目标待识别图像；
15.将所述目标待识别图像输入至预设的决策神经网络模型中，由所述决策神经网络模型根据所述目标待识别图像生成目标决策指令。
16.进一步地，所述由所述决策神经网络模型根据所述目标待识别图像生成目标决策指令的步骤，包括：
17.调用所述决策神经网络模型提取所述目标待识别图像内的各图像特征信息；
18.由所述决策神经网络模型根据各所述图像特征信息和预设的图像识别机制生成目标决策指令。
19.进一步地，所述方法还包括：
20.获取预设的目标损失函数，根据所述目标损失函数构建初始卷积神经模型；
21.将预设的各标准图像特征信息设置为所述初始卷积神经模型的输入，并将与各所述标准图像特征信息对应的各标准反馈信息设置为所述初始卷积神经模型的输出；
22.根据各所述标准图像特征信息与各所述标准反馈信息之间的映射关系对所述初始卷积神经模型进行训练得到所述决策神经网络模型。
23.进一步地，在所述基于所述目标决策指令、各所述导航信息及各所述道路信息生成目标规划指令的步骤之后，所述方法还包括：
24.调用所述决策神经网络模型记录车辆在行驶过程中产生的各行驶数据；
25.确定各所述行驶数据对应的驾驶特征信息，并根据所述驾驶特征信息确定目标行驶风格画像；
26.控制所述决策神经网络模型按照所述目标行驶风格画像对所述目标规划指令进行修正得到修正规划指令，并将所述修正规划指令输入至所述控制模块，以供所述控制模块根据所述修正规划指令执行所述智能驾驶操作。
27.进一步地，所述根据所述驾驶特征信息确定目标行驶风格画像的步骤，包括：
28.读取预设的风格画像数据库，其中，所述风格画像数据库内包含各标准驾驶特征信息和与各所述标准驾驶特征信息对应的各标准行驶风格画像；
29.根据所述驾驶特征信息对所述风格画像数据库进行筛选，以确定与所述驾驶特征信息对应的目标标准行驶风格画像，并将所述目标标准行驶风格画像确定为目标行驶风格画像。
30.进一步地，在所述将所述目标规划指令输入至控制模块，以供所述控制模块根据所述目标规划指令执行智能驾驶操作的步骤之后，所述方法还包括：
31.获取预设的数据分类机制，按照所述数据分类机制对所述目标规划指令对应的路面反馈信息进行筛选，以得到所述路面反馈信息内包含的各路况信息；
32.将各所述路况信息上传至云端服务器，以供所述云端服务器将各所述路况信息提供至与所述云端服务器相连的各其他车辆终端。
33.此外，此外，为实现上述目的，本发明还提供一种新能源车，所述新能源车包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车辆的智能驾驶程序，所述车辆的智能驾驶程序被所述处理器执行时实现如上述的车辆的智能驾驶方法的步骤。
34.此外，为实现上述目的，本发明还提供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车辆的智能驾驶程序，所车辆的智能驾驶程序被处理器执行时实现如上
述的车辆的智能驾驶方法的步骤。
35.本发明实施例提供的车辆的智能驾驶方法、新能源车及计算机可读存储介质，通过获取导航图像，并根据所述导航图像确定车辆位置信息；根据所述车辆位置信息确定各导航信息和各道路信息，并根据各所述导航信息和各所述道路信息对所述导航图像进行编辑得到目标导航图像；对所述目标导航图像和车辆位姿信息进行验证得到目标验证导航轨迹，并按照所述目标验证导航轨迹和所述目标导航图像生成目标决策指令；基于所述目标决策指令、各所述导航信息及各所述道路信息生成目标规划指令，并将所述目标规划指令输入至控制模块，以供所述控制模块根据所述目标规划指令执行智能驾驶操作。
36.在本实施例中，新能源车在行驶过程中，首先通过云端服务器获取包含该新能源车的导航地图，并在该导航地图中确定该新能源车的位置，进而确定该新能源车的车辆位置信息，之后，该新能源车根据该车辆位置信息在云端服务器获取各导航信息，同时，该新能源车调用配置在该新能源车内的摄像装置摄取该新能源车周围的道路图像，并根据该车辆位置信息对该道路图像进行编辑得到各该道路信息，该新能源车将各该导航信息和各该道路信息输入至该新能源车内的感知神经网络模型，由该感知神经网络模型根据各该导航信息和各该道路信息对该导航地图进行编辑得到目标导航图像，再之后，该新能源车将该目标导航图像输入至该新能源车内的定位模块，由该定位模块按照预设的卡尔曼滤波对该目标导航图像和该定位模块获取的该新能源车的车辆位姿信息进行验证得到目标验证导航轨迹，并将该目标验证导航轨迹输入至该新能源车内的决策模块，该决策模块将获取的该目标导航轨迹和该目标导航图像输入至该决策模块内的决策神经网络模型，由该决策神经网络模型根据该目标导航轨迹和该目标导航图像生成目标决策指令，最后，该新能源车将该目标决策指令输入至该新能源车内的规划模块，由该规划模块根据该目标决策执行、各该导航信息及各该道路信息生成目标规划指令，并将该目标规划指令输入至该新能源车内的控制模块，以供该控制模块按照该规划指令执行智能驾驶操作。
37.如此，本发明采用获取与车辆位置信息对应的各导航信息和各道路信息，并根据收集到的各信息数据对导航图像进行编辑和验证得到目标导航图像，之后由决策神经网络模型根据目标导航图像生成决策指令，并根据决策指令和收集的各信息数据生成目标规划指令，最终按照目标规划指令执行智能驾驶操作的方式，即，本发明通过获取的各信息数据确定导航线路上的其他车辆和障碍物并将这些车辆和障碍物映射在导航图像上，再由决策神经网络模型根据导航图生成目标决策指令，最后根据目标决策指令和收集的各信息数据生成目标规划指令并按照目标规划指令执行智能驾驶操作，达到了令新能源车处于复杂路况时也能实现智能驾驶的技术效果，进而减少了厂商在智能驾驶功能相关设备上的时间精力和资金成本的投入。
附图说明
38.图1是本发明实施例方案涉及的硬件运行环境的终端设备的结构示意图；
39.图2为本发明车辆的智能驾驶方法第一实施例的流程示意图；
40.图3为本发明车辆的智能驾驶方法第二实施例的流程示意图；
41.图4为本发明车辆的智能驾驶方法一实施例涉及的详细流程示意图；
42.图5为本发明车辆的智能驾驶方法一实施例涉及的dqn决策神经网络模型示意图；
43.图6为本发明车辆的智能驾驶方法一实施例涉及的决策生成流程示意图；
44.图7为本发明车辆的智能驾驶方法一实施例涉及的系统结构示意图。
45.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
46.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。
47.参照图1，图1为本发明实施例方案涉及的硬件运行环境的新能源车结构示意图。
48.本发明实施例新能源车可以是配置有通讯设备、中央处理器、各类电机控制器及各类传感装置的新能源车。
49.如图1所示，该新能源车可以包括：处理器1001，例如中央处理器(central processing unit，cpu)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(wireless-fidelity，wi-fi)接口)。存储器1005可以是高速的随机存取存储器(random access memory，ram)存储器，也可以是稳定的非易失性存储器(non-volatile memory，nvm)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
50.本领域技术人员可以理解，图1中示出的结构并不构成对新能源车的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
51.如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及车辆的智能驾驶程序。
52.在图1所示的新能源车中，网络接口1004主要用于与其他设备进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明新能源车中的处理器1001、存储器1005可以设置在新能源车中，所述新能源车通过处理器1001调用存储器1005中存储的车辆的智能驾驶程序，并执行本发明实施例提供的车辆的智能驾驶方法。
53.基于上述新能源车，提供本发明车辆的智能驾驶方法的各个实施例。
54.请参照图7，图7为本发明车辆的智能驾驶方法一实施例涉及的系统结构示意图，在本实施例中，新能源车中配置有imu、轮速计、摄像头及gps定位等传感器装置和通讯设备，各该传感器装置与该通讯设备通过总线链接至该新能源车内的中央处理器，同时，该中央处理器通过总线向该新能源车内配置的各转向控制器和各电机控制器发出控制指令，并且，该新能源车与各其余新能源车通过专用的端口共同连接至同一个地图服务器，以从该地图服务器中获取路面状况信息、拥堵情况信息、事故信息及交通管制信息数据。
55.请参照图2，图2为本发明车辆的智能驾驶方法第一实施例的流程示意图。
56.应当理解的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，本发明车辆的智能驾驶方法当然也可以以不同于此处的顺序执行所示出或描述的步骤。
57.在本实施例中，本发明车辆的智能驾驶，可以包括以下步骤：
58.步骤s10：获取导航图像，并根据所述导航图像确定车辆位置信息；
59.在本实施例中，新能源车在行驶过程中，首先通过与该新能源车相连的云端服务器获取包含该新能源车的导航图像并将该导航图像输入至该新能源车内的通讯模块，由该
通讯模块在该导航图像中定位该新能源车，进而得到该新能源车的车辆位置信息。
60.示例性地，例如，请参照图4，图4为本发明车辆的智能驾驶方法一实施例涉及的详细流程示意图，新能源车在运行过程中，首先通过该新能源车内的云端专用接口链接至上述云端服务器，并通过该云端服务器获取包含该新能源车的导航图像，之后，该新能源车将该导航图像输入至配置在该新能源车内的通讯模块中，由该通讯模块在该导航图像中确定该新能源车当前所处的街道和在该街道上的具体位置或直接获取该新能源车在该导航图像中的经度数据和纬度数据，进而生成该新能源车的车辆位置信息。
61.步骤s20：根据所述车辆位置信息确定各导航信息和各道路信息，并根据各所述导航信息和各所述道路信息对所述导航图像进行编辑得到目标导航图像；
62.在本实施例中，新能源车将上述车辆位置信息输入至该新能源车内的通讯模块，由该通讯模块根据该车辆位置信息在上述云端服务器内提取该车辆位置信息对应的各导航信息，该通讯模块调用预设的感知神经网络根据确定各该导航信息各自对应的属性信息，同时，该新能源车将该车辆位置信息输入至该新能源车内配置的感知模块，由该感知模块调用该感知模块内配置的摄像装置获取该车辆位置信息对应的各道路信息，并调用该感知神经网络确定各该道路信息各自对应的该属性信息，之后，该新能源车通过获取的各该属性信息对上述导航图像进行编辑从而得到目标导航图像。
63.示例性地，例如，如图4所示，新能源车将获取的上述车辆位置信息输入至上述通讯模块，由该通讯模块根据该车辆位置信息在上述云服务器中提取该车辆位置信息对应的车道信息和车流信息等导航信息，并确定各该导航信息各自对应的车道方向、车流方向或车道宽度等属性信息，同时，该新能源车将获取的该车辆位置信息输入至上述感知模块，由该感知模块调用上述摄像装置对该车辆位置信息对应的车辆位置进行拍摄得到该新能源车的车体中心线所在的车道线信息、道路上的红绿灯等固定交通标志物信息、其他交通参与者信息及当前道路上的意外事故信息等道路信息，并确定各该道路信息各自对应的标志物位置或标志物朝向等属性信息，之后，该新能源车按照该各该属性信息编辑上述导航图像进行编辑以生成上述目标导航图像。
64.进一步地，在一种可行的实施例中，上述步骤s20中“根据各所述导航信息和各所述道路信息对所述导航图像进行编辑得到目标导航图像”的步骤，具体可以包括：
65.步骤s201：将各所述导航信息和各所述道路信息输入至预设的感知神经网络模型；
66.在本实施例中，新能源车将获取的各上述导航信息和各上述道路信息输入至开发者预设的感知神经网络模型；
67.步骤s202：通过所述感知神经网络确定各所述导航信息和各所述道路信息各自对应的属性信息，并按照各所述属性信息对所述导航图像进行编辑得到目标导航图像；
68.在本实施例中，新能源车调用上述感知神经网络模型确定各导航信息和道路信息各自对应的属性信息，并按照各该属性信息对上述导航图像内包含的各障碍物、各其他交通参与者及各标识物各自对应的属性进行编辑从而生成上述目标导航图像。
69.示例性地，例如，新能源车将获取的上述车道信息和上述车流信息等导航信息输入至开发者预设的感知神经网络模型中，由该感知神经网络模型确定各该导航信息各自对应的车道方向、车流方向或车道宽度等属性信息，同时，该新能源车将获取的上述车体中心
线所在的车道线信息、各上述道路上的红绿灯等固定交通标志物信息、各上述其他交通参与者信息及上述前道路上的意外事故信息等道路信息输入至该感知神经网络模型中，由该感知神经网络模型确定各该道路信息各自对应的标志物位置、标志物朝向或异常情况等属性信息，之后，该新能源车根据各该属性信息对上述导航图像中包含的各标志物、障碍物、其他交通参与者及意外区域等属性进行编辑从而生成上述目标导航图像。
70.需要说明的是，在本实施例中，上述其他交通参与者不仅限于道路上的机动车，也可以为一定区域内的行人、非机动车、路障或特种车辆等目标，本发明车辆的智能驾驶方法对此不做限制。
71.步骤s30：对所述目标导航图像和车辆位姿信息进行验证得到目标验证导航轨迹，并按照所述目标验证导航轨迹和所述目标导航图像生成目标决策指令；
72.在本实施例中，新能源车将获取的上述目标导航图像输入至该新能源车内配置的定位模块，由该定位模块在该目标导航图像中提取该新能源车的导航轨迹，同时，该定位模块获取该新能源车的车辆位姿信息，该定位模块调用开发者预设的卡尔曼滤波算法对该车辆位姿信息和该导航轨迹进行预测验证得到各验证结果，并根据各该验证结果对该导航轨迹进行编辑得到目标验证导航轨迹，该新能源车进而将该目标验证导航轨迹输入至该新能源车内配置的决策模块，由该决策模块根据该目标验证导航轨迹和上述目标导航图像生成目标决策指令，并将该目标决策指令上传至上述数据中心。
73.示例性地，例如，请参照图4和图6，图6为本发明车辆的智能驾驶方法一实施例涉及的决策生成流程示意图，新能源车将获取的上述目标导航图像输入至上述定位模块，该定位模块在该目标导航图像中提取各上述导航信息和各上述道路信息，该定位模块根据各该道路信息确定车道线信息，并根据各该导航信息确定各交通参与者轨迹，该定位模块进而根据该车道线信息和各交通参与者轨迹确定上述导航轨迹，同时，该定位模块调用配置在新能源车上的imu单元、轮速计及gps等传感器获取该新能源车的各车辆信息并根据各该车辆信息确定该新能源车的车辆位姿信息，之后，该定位模块通过上述卡尔曼滤波对该车道线信息、各该交通参与者轨迹及该车辆位姿进行预测验证并得到该车道线信息、各该交通参与者轨迹及该车辆位姿各自对应的预测验证结果，再之后，该定位模块根据各该预测验证结果对上述导航轨迹进行编辑得到上述目标验证导航轨迹，该新能源车将该目标验证导航轨迹输入至上述决策模块，由该决策模块将该目标验证导航轨迹和上述目标导航图像映射至开发者预设的dqn决策神经网络模型，并由该dqn决策神经网络模型输出与该目标验证导航轨迹和该目标导航图像对应的目标决策指令，该决策模块将该目标决策指令上传至上述数据中心。
74.进一步地，在一种可行的实施例中，上述步骤s30中“按照所述目标验证导航轨迹和所述目标导航图像生成目标决策指令”的步骤，具体可以包括：
75.步骤s301：将所述目标验证导航轨迹映射至所述目标导航图像内得到目标待识别图像；
76.在本实施例中，新能源车在将生成的上述目标验证导航轨迹输入至上述决策模块之后，由该决策模块将该目标验证导航轨迹内包含的各上述道路信息和各上述导航信息映射到上述目标导航图像从而生成上述目标待识别图像。
77.步骤s302：将所述目标待识别图像输入至预设的决策神经网络模型中，由所述决
策神经网络模型根据所述目标待识别图像生成目标决策指令；
78.在本实施例中，新能源车通过上述决策模块将生成的上述目标待识别图像输入至开发者在该决策模块内预设的上述决策神经网络模型中，由该决策神经网络模型根据该目标待识别图像内包含各图像特征生成上述目标决策指令，并将该目标决策指令输入至上述规划模块。
79.示例性地，例如，新能源车在将生成的上述目标验证导航轨迹输入至上述决策模块之后，由该决策模块提取该目标验证导航轨内包含的各其他交通参与者位姿、上述车辆位姿信息、各上述障碍物的障碍物信息及各上述车道信息，并通过开发者预设的颜色编辑规则将各该其他交通参与者位姿、该车辆位姿信息、各该障碍物信息及各该车道信息按照不同的颜色映射至上述目标导航图像中，即，按照该颜色编辑规则将超过一定速度阈值的目标其他车辆标记为红色，且速度越快红色则越深，而将小于该速度阈值的目标其他车辆标记为蓝色，且速度越慢蓝色则越深，并按照不同的颜色标记该目标导航图内包含的各交通标识物、障碍物及意外区域，从而生成上述目标待识别图像，之后，该决策模块将该目标待识别图像输入至开发者在该决策模块内预先设置的dqn决策网络模型，由该dqn决策网络模型根据该目标待识别图像内包含的各图像特征生成上述目标决策指令，该决策模块将生成的该目标决策指令发送至上述规划模块。
80.需要说明的是，在本实施例中，上述新能源车也可以通过上述决策模块将多个目标验证导航轨映射至多个目标导航图像从而行程多帧图像，并通过上述dqn决策网络模型对多帧图像进行识别并生成目标决策指令。
81.进一步地，在一种可行的实施例中，上述步骤s302，具体可以包括：
82.步骤s3021：调用所述决策神经网络模型提取所述目标待识别图像内的各图像特征信息；
83.在本实施例中，新能源车调用上述决策神经网络模型内的各卷基层对上述目标待识别图像进行识别从而获取该目标待识别图像内的各图像特征信息。
84.步骤s3022：由所述决策神经网络模型根据各所述图像特征信息和预设的图像识别机制生成目标决策指令；
85.在本实施例中，决策神经网络模型将获取的各上述图像特征信息输入至该决策神经网络模型内的各全连接层，由各该全连接层按照开发者预设的图像识别机制生成上述目标决策指令。
86.示例性地，例如，请参照图5，图5为本发明车辆的智能驾驶方法一实施例涉及的dqn决策神经网络模型示意图，新能源车调用上述dqn决策神经网络模型内的第一卷基层和第二卷基层分别识别和提取上述目标待识别图像内的各图像特征信息，并将各该图像特征信息输入至该dqn决策神经网络模型内的两个全连接层，由两个全链接层按照开发者预设的图像识别机制对各该图像特征信息进行识别并生成对应的目标决策指令。
87.需要说明的是，在本实施例中，上述目标决策指令仅包含超车、跟车、调头、转弯等比较基础的上层指令，即，该目标决策指令仅用于确定新能源车接下来的操作内容，而不进行具体路线的规划。
88.进一步地，在一种可行的实施例中，在上述步骤s30之前，本发明车辆的智能驾驶方法，还包括：
89.步骤a10：获取预设的目标损失函数，根据所述目标损失函数构建初始卷积神经模型；
90.在本实施例中，新能源车首先读取存储模块以获取开发者预先存储的目标损失函数，并将该目标损失函数输入至该新能源车内配置的模型训练装置，由该模型训练装置按照该目标损失函数构建初始卷积神经模型。
91.步骤a20：将预设的各标准图像特征信息设置为所述初始卷积神经模型的输入，并将与各所述标准图像特征信息对应的各标准反馈信息设置为所述初始卷积神经模型的输出；
92.在本实施例中，新能源车读取上述存储模块以获取开发者存储的训练集，并将该训练集输入至上述模型训练装置，由该模型训练装置将该训练集内包含的各标准图像特征信息设置该上述初始卷积神经模型的输入，同时，该模型训练装置将该训练集内包含的与各该标准图像特征信息对应的各标准反馈信息设置为该初始卷积神经模型的输出。
93.步骤a30：根据各所述标准图像特征信息与各所述标准反馈信息之间的映射关系对所述初始卷积神经模型进行训练得到所述决策神经网络模型；
94.在本实施例中，新能源车调用上述模型训练装置按照各上述标准图像特征信息与各上述标准反馈信息之间的映射关系对上述初始卷积神经模型进行训练得到目标卷积神经模型，进而将该目标卷积神经模型确定为上述决策神经网络模型。
95.示例性地，例如，新能源车读取上述存储模块以获取开发者预先存储的目标损失函数：
[0096][0097]
并将该目标损失函数输入至上述模型训练装置，由该模型训练装置根据该目标损失函数构建得到初始dqn神经网络模型，之后，该新能源车通过该存储模块获取上述训练集和上述验证集，并将该训练集和该验证集输入至该模型训练装置，之后，该模型训练装置提取该训练集内包含的各上述标准图像特征和各上述标准反馈信息，并按照各该标准图像特征和各该标准反馈信息之间的映射关系对该初始dqn神经网络模型进行训练得到目标dqn神经网络模型，并将该目标dqn神经网络模型确定为上述dqn决策神经网络模型。
[0098]
需要说明的是，在本实施例中，上述模型训练装置还可以上述存储模块中获取开发者预先存储的验证集，并将该验证集输入至该模型训练装置，之后，模型训练装置通过该验证集内包含的各验证图像特征和与各该验证图像特征对应的各验证反馈信息对该目标卷积神经模型进行验证以确定上述目标卷积神经网络模型的可用性，即，该模型训练装置通过该验证集内包含的各验证图像特征输入至该目标dqn神经网络模型，并将该目标dqn神经网络模型输出的反馈信息与各验证反馈信息进行比对从而得到验证成功率，当该验证成功率大于90％时，该模型训练装置可以确定该目标dqn神经网络模型为可用模型，进而将该目标dqn神经网络模型确定为上述dqn决策神经网络模型。
[0099]
步骤s40：基于所述目标决策指令、各所述导航信息及各所述道路信息生成目标规划指令，并将所述目标规划指令输入至控制模块，以供所述控制模块根据所述目标规划指令执行智能驾驶操作；
[0100]
在本实施例中，新能源车将获取的上述目标决策指令、各上述导航信息及各上述道路信息输入至该新能源车内配置的规划模块中，由该规划模块根据该目标决策指令、各该导航信息及各该道路信息生成目标规划指令，并将该目标规划指令输入至部署在该规划模块内的控制单元，由该控制单元按照该目标规划指令执行智能驾驶操作。
[0101]
示例性地，例如，如图4所示，新能源车将获取的上述决策指令中包含的超车、跟车、调头、转弯等基础上层指令、上述车道信息和车流信息等导航信息、上述车道线信息、道路上的红绿灯等固定交通标志物信息、其他交通参与者信息及当前道路上的意外事故信息等道路信息及上述定位模块通过上述imu单元、轮速计及gps等传感器获取的上述车辆位姿信息输入至上述规划模块，由该规划模块根据各该决策指令、各该道路信息、各该导航信息及车辆位姿信息生成目标规划指令，即，当该目标决策指令为向左变道，道路信息为周围无红绿灯或其他交通参与者且没有意外情况，该车辆位姿信息为车辆匀速行驶中时，该规划模型生成按照当前车速向左前方行驶至左边相邻第一个车道的目标规划指令，并将该目标规划指令输入至上述控制单元，由该控制单元按照该目标规划指令控制新能源车行驶，同时，该控制单元在执行智能驾驶过程中生成对应的路面反馈信息，并将该反馈信息发送至上述数据中心。
[0102]
进一步地，在一种可行的实施例中，在上述步骤s40之后，本发明车辆的智能驾驶方法，还包括：
[0103]
步骤b10：获取预设的数据分类机制，按照所述数据分类机制对所述目标规划指令对应的路面反馈信息进行筛选，以得到所述路面反馈信息内包含的各路况信息；
[0104]
在本实施例中，新能源车首先读取上述存储模块以获取开发者存储的数据分类机制，并将该数据分类机制输入至上述数据中心，当该数据中心接收到上述控制单元发送的路面反馈信息时，按照该数据分类信息对该路面反馈信息进行分类筛选以获取该路面反馈信息内包含的各路况信息。
[0105]
步骤b20：将各所述路况信息上传至云端服务器，以供所述云端服务器将各所述路况信息提供至与所述云端服务器相连的各其他车辆终端；
[0106]
在本实施例中，新能源车将获取的各上述路况信息通过上述云端接口上传至上述云端服务器，之后，由该云端服务器将接收到各该路况信息发送至与该云端服务器相连的各其他车辆终端内。
[0107]
示例性地，例如，新能源车读取上述存储模块以获取上述数据分类机制，并将该数据分类机制输入至上述数据中心，当该数据中心接收到上述控制单元发送的路面反馈信息时，该数据中心按照该数据分类机制对该路面反馈信息进行分类和筛选，并在各该数据中确认包含车道维修信息、车道事故信息、车道平整度信息、实时车况信息及gps定位信息等在内的路况信息，之后，该新能源车将各该路况信息上传至上述云端服务器，以供该云端服务器将各该路况信息分享至与该云端服务器相连的各其他车辆终端。
[0108]
在本实施例中，新能源车在行驶过程中，首先通过与该新能源车相连的云端服务器获取包含该新能源车的导航图像并将该导航图像输入至该新能源车内的通讯模块，由该通讯模块在该导航图像中定位该新能源车，进而得到该新能源车的车辆位置信息，然后，该新能源车将上述车辆位置信息输入至该新能源车内的通讯模块，由该通讯模块根据该车辆位置信息在上述云端服务器内提取该车辆位置信息对应的各导航信息，该通讯模块调用预
设的感知神经网络根据确定各该导航信息各自对应的属性信息，同时，该新能源车将该车辆位置信息输入至该新能源车内配置的感知模块，由该感知模块调用该感知模块内配置的摄像装置获取该车辆位置信息对应的各道路信息，并调用该感知神经网络确定各该道路信息各自对应的该属性信息，之后，该新能源车通过获取的各该属性信息对上述导航图像进行编辑从而得到目标导航图像，再然后，该新能源车将获取的上述目标导航图像输入至该新能源车内配置的定位模块，由该定位模块在该目标导航图像中提取该新能源车的导航轨迹，同时，该定位模块获取该新能源车的车辆位姿信息，该定位模块调用开发者预设的卡尔曼滤波算法对该车辆位姿信息和该导航轨迹进行预测验证得到各验证结果，并根据各该验证结果对该导航轨迹进行编辑得到目标验证导航轨迹，该新能源车进而将该目标验证导航轨迹输入至该新能源车内配置的决策模块，由该决策模块根据该目标验证导航轨迹和上述目标导航图像生成目标决策指令，并将该目标决策指令上传至上述数据中心，最后，该新能源车将获取的上述目标决策指令、各上述导航信息及各上述道路信息输入至该新能源车内配置的规划模块中，由该规划模块根据该目标决策指令、各该导航信息及各该道路信息生成目标规划指令，并将该目标规划指令输入至部署在该规划模块内的控制单元，由该控制单元按照该目标规划指令执行智能驾驶操作。
[0109]
如此，本发明采用获取与车辆位置信息对应的各导航信息和各道路信息，并根据收集到的各信息数据对导航图像进行编辑和验证得到目标导航图像，之后由决策神经网络模型根据目标导航图像生成决策指令，并根据决策指令和收集的各信息数据目标规划指令，最终按照目标规划指令执行智能驾驶操作的方式，即，通过获取的各信息数据确定导航线路上的其他车辆和障碍物并将这些车辆和障碍物映射在导航图像上，再由决策神经网络模型根据导航图生成目标决策指令，最后根据目标决策指令和收集的各信息数据生成目标规划指令并按照目标规划指令执行智能驾驶操作，达到了实现新能源车处于负载路况时也能实现智能驾驶的技术效果，进而减少厂商在智能驾驶功能相关设备上的时间精力和资金成本的投入。
[0110]
进一步地，基于上述本发明车辆的智能驾驶方法的第一实施例，在此提出本发明车辆的智能驾驶方法的第二实施例。
[0111]
请参照图3，图3为本发明车辆的智能驾驶方法第二实施例的流程示意图，在上述步骤s40中“基于所述目标决策指令、各所述导航信息及各所述道路信息生成目标规划指令”的步骤之后，本发明车辆的智能驾驶还可以包括：
[0112]
步骤c10：调用所述决策神经网络模型记录车辆在行驶过程中产生的各行驶数据；
[0113]
在本实施例中，新能源车调用上述决策神经网络模型，并通过该决策神经网络模型收集上述新能源车在行驶中产生的各行驶数据。
[0114]
步骤c20：确定各所述行驶数据对应的驾驶特征信息，并根据所述驾驶特征信息确定目标行驶风格画像；
[0115]
在本实施例中，新能源车将获取的各上述行驶数据输入至上述决策神经网络模型内，由该决策神经网络模型对收集到的各行驶数据进行分析从而在确定该新能源车对应的驾驶特征信息，进而根据该驾驶特征信息确定与该新能源车的驾驶者对应的目标行驶风格画像。
[0116]
步骤c30：控制所述决策神经网络模型按照所述目标行驶风格画像对所述目标规
划指令进行修正得到修正规划指令，并将所述修正规划指令输入至所述控制模块，以供所述控制模块根据所述修正规划指令执行所述智能驾驶操作；
[0117]
在本实施例中，新能源车将获取的目标行驶风格画像输入至决策神经网络模型中，由该决策神经网络模型按照该目标行驶风格画像对规划模块生成的目标规划指令进行修正，并生成与该目标行驶风格画像对应的修正规划指令，之后，新能源车将该修正规划指令输入至控制模块，由该控制模块按照该修正规划指令控制该新能源车执行智能驾驶操作。
[0118]
示例性地，例如，新能源车调用上述dqn决策神经网络模型收集该新能源车在行驶过程中产生的包含各车速变化数据、轨迹变化数据及驾驶者的操作指令数据等在内的各行驶数据，之后，该新能源车将各该行驶数据输入至该dqn决策神经网络模型，该dqn决策神经网络模型提取各该行驶数据各自对应的数据特征信息，并将各该数据特征信息进行组合得到与该新能源车对应的驾驶特征信息，进而根据该驾驶特征信息得到该新能源车驾驶员的目标行驶风格画像，再之后，该dqn决策网络神经模型通过该目标行驶风格画像、各上述导航信息及各上述道路信息对规划模块生成的上述目标规划指令进行修改，并生成与该目标行驶风格画像、各该导航信息及各该道路信息匹配的修正规划指令，最后，该新能源车将该修正规划指令输入至控制模块，由控制模块按照该修正规划指令执行智能驾驶操作。
[0119]
进一步地，在一种可行的实施例中，上述步骤c20，具体可以包括：
[0120]
步骤c201：读取预设的风格画像数据库，其中，所述风格画像数据库内包含各标准驾驶特征信息和与各所述标准驾驶特征信息对应的各标准行驶风格画像；
[0121]
在本实施例中，新能源车读取上述存储模块以获取开发者存储的包含各标准驾驶特征信息和与各标准驾驶特征信息对应的各标准行驶风格画像的风格画像数据库，并将该风格画像数据库输入至上述决策模块。
[0122]
步骤c202：根据所述驾驶特征信息对所述风格画像数据库进行筛选，以确定与所述驾驶特征信息对应的目标标准行驶风格画像，并将所述目标标准行驶风格画像确定为目标行驶风格画像；
[0123]
在本实施例中，新能源车通过上述决策神经网络模型按照上述驾驶特征信息对上述风格画像数据库进行筛选，以在该风格画像数据库中确定与该驾驶特征信息一致的目标行驶风格画像。
[0124]
示例性地，例如，新能源车读取上述存储模块以获取包含各标准驾驶特征信息和与各该标准驾驶特征信息对应的各标准行驶风格画像的上述风格画像数据库，并将该风格画像数据库输入至上述决策模块，之后，该决策模块调用上述dqn决策神经网络模型按照提取的上述驾驶特征信息与该风格画像数据库内包含的各标准驾驶特征信息进行比对，并在各该标准驾驶特征信息中确定与该驾驶特征信息一致的目标标准驾驶特征信息，进而将该目标标准驾驶特征对应的标准行驶风格画像确定为该新能源车的驾驶员对应的上述目标行驶风格画像。
[0125]
在本实施例中，首先，新能源车调用上述决策神经网络模型，并通过该决策神经网络模型收集上述新能源车在行驶中产生的各行驶数据，之后，该新能源车将获取的各上述行驶数据输入至上述决策神经网络模型内，由该决策神经网络模型对收集到的各行驶数据进行分析从而在确定该新能源车对应的驾驶特征信息，进而根据该驾驶特征信息确定与该
新能源车的驾驶者对应的目标行驶风格画像。
[0126]
如此，本发明采用由决策神经网络模型根据车辆行驶过程中产生的各行驶数据分析车辆驾驶员的行驶风格的方式，即，由决策神经网络模型在各行驶数据中分析驾驶员的操作习惯，达到了令智能驾驶功能实现风格化的目的，从而适应更复杂的情况和路面。
[0127]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0128]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0129]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台新能源车(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0130]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。