车辆运行的控制方法及装置、车辆与流程

1.本技术涉及无人驾驶领域，具体而言，涉及一种车辆运行的控制方法及装置、车辆。


背景技术：

2.无人驾驶拖拉机轨迹跟踪控制精度是精准农业技术体系中的关键技术指标之一。但是在农业作业场景环境复杂，地面颠簸坑洼不平会对无人驾驶拖拉机的定位造成一定的偏差，这对无人驾驶拖拉机的轨迹跟踪控制模型的控制精度和鲁棒性带来了巨大的挑战。目前行业内对于提高控制精度的方法多数是通过结合两种控制算法的优点或者调整算法的某项参数，但是无论是基于车辆运动学模型还是车辆动力学模型的控制算法对环境和参数选择的依赖成度高，都不具有作业场景的普适性和稳定性，造成控制精度的结果波动较大。
3.目前行业内还没有关于路面特征对无人驾驶拖拉机控制效果影响的相关研究和技术发明。
4.同时，目前应用于农业场景下提高无人驾驶拖拉机轨迹跟踪控制精度的相关研究并不多，综合来讲主要有以下两种：
5.一种是对两种控制算法进行结合，综合两种控制算法的优势进行轨迹跟踪控制，如模糊控制和神经网络控制相结合，模糊控制和纯跟踪算法相结合。另一种是针对某一种控制算法进行优化改进，根据特定驾驶工况自适应性的调整控制算法，从而得到不同工况下的前轮转角值。
6.上述两种控制算法相结合的控制算法弥补了单一控制算法控制精度不足的问题，这种控制方法没有考虑环境因素对算法的干扰，因此在农业作业路面颠簸坑洼不平场景下无法解决控制精度稳定性的问题。
7.相关技术中对某一种控制算法进行优化改进的控制方法主要是针对特定的跟踪路径下的参数定制化得调整，可以在一定程度上提高该追踪路径下的控制效果，但是当路面情况发生改变后，仍然没有解决由于作业环境改变所带来的影响。
8.关于本领域中存在的上述问题，还未提出有效的解决方法。


技术实现要素：

9.本技术的主要目的在于提供一种车辆运行的控制方法及装置、车辆，以解决相关技术中农业作业场景环境复杂，地面颠簸坑洼不平会对无人驾驶拖拉机的定位造成一定的偏差的技术问题。
10.根据本发明实施例的一个方面，提供了一种车辆运行的控制方法，包括：确定目标路点与目标车辆之间的目标路面是否为不平整路面，在目标路面为不平整路面的情况下，确定目标路面对应的地面平整度，其中，目标路点为目标车辆前方，且处于规划路径上的位置点；依据地面平整度，确定目标车辆的前轮转角控制量；依据前轮转角控制量，控制目标
车辆运行。
11.进一步地，确定目标路面是否为不平整路面，包括：采集目标路面对应的原始图像，并对原始图像进行预处理操作以得到目标图像；控制目标图像输入至预设语义分割模型，得到预设语义分割模型输出的语义分类结果，其中，语义结果用于表征目标路面对应的区域是否为不平整区域；在语义分类结果表征为不平整区域的情况下，确定目标路面包含的不平整区域对应的区域面积，并计算目标面积占比，其中，所述目标面积占比为所述区域面积在所述目标路面对应的区域内的占比；在目标面积占比大于预设占比的情况下，确定目标路面为不平整路面。
12.进一步地，采集所述目标路面对应的原始图像，并对所述原始图像进行预处理操作以得到目标图像，包括：确定所述目标车辆的两两对应的车轮之间的多个宽度，其中，所述目标车辆具备有n个车轮，n为正偶数；依据多个所述宽度以及所述规划路径，对所述原始图像进行剪裁以得到包含有目标区域的所述目标图像，其中，所述目标区域为非背景区域。
13.进一步地，在控制所述目标图像输入至预设语义分割模型，并控制所述预设语义分割模型输出语义分类结果之前，所述方法包括：构建初始预设语义分割模型；获取样本图像的rgb-d图像信息，其中，所述样本图像为仅包含有非背景区域的图像；基于所述rgb-d图像信息，通过deeplab v3+神经网络算法训练所述初始预设语义分割模型以得到所述预设语义分割模型。
14.进一步地，在所述目标路面为所述不平整路面的情况下，确定所述目标路面对应的地面平整度，包括：通过陀螺仪获取所述目标路面对应的视场范围内的横滚角度，其中，所述陀螺仪设置在所述目标车辆上的预设位置；获取所述陀螺仪的运行频率，并依据所述运行频率确定采集所述横滚角度对应的采样次数总数；依据所述采样次数总数以及所述横滚角度，计算所述目标路点对应所述地面平整度，所述不平整路面包括的不平整区域与所述地面平整度一一对应。
15.进一步地，依据所述采样次数总数以及所述横滚角度，计算所述目标路点对应所述地面平整度，包括：通过公式一计算所述地面平整度，所述公式一为：其中，p为所述地面平整度，ri为所述横滚角度，n为对所述采样次数总数。
16.进一步地，依据所述地面平整度，确定所述目标车辆的前轮转角控制量，包括：获取所述目标车辆的当前车速；依据所述当前车速与所述目标路面对应的所述地面平整度，确定预瞄距离对应的预瞄距离函数；依据所述预瞄距离函数以及纯跟踪算法，确定所述前轮转角控制量。定预瞄距离对应的预瞄距离函数；依据预瞄距离函数以及纯跟踪算法，确定前轮转角控制量。
17.进一步地，依据所述预瞄距离函数以及纯跟踪算法，确定所述前轮转角控制量，包括：获取所述目标车辆的轴距；获取当前时刻所述目标车辆的车身与所述目标路点之间的夹角；控制所述轴距、所述夹角、所述预瞄距离函数输入至所述纯跟踪算法的控制公式中，以得到所述前轮转角控制量。
18.进一步地，所述控制公式为：其中，δ(t)为所述前轮转角
控制量，l为所述目标车辆的轴距，α(t)为t时刻所述目标车辆的车身与所述目标路点之间的夹角，ld为所述预瞄距离函数；依据所述控制公式，计算所述前轮转角控制量。
19.进一步地，所述预瞄距离函数为ld＝k1*v+k2*p，v为所述目标车辆的当前车速，p为所述地面平整度，k1和k2为控制因子。
20.根据本发明实施例的另一方面，还提供了一种车辆运行的控制装置，包括：第一确定单元，用于确定目标路点与目标车辆之间的目标路面是否为不平整路面，在目标路面为不平整路面的情况下，确定目标路面对应的地面平整度，其中，目标路点为目标车辆前方，且处于规划路径上的位置点；第二确定单元，用于依据地面平整度，确定目标车辆的前轮转角控制量；第一控制单元，用于依据前轮转角控制量，控制目标车辆运行。
21.根据本发明实施例的另一方面，还提供了一种车辆，包括设置在车辆上的相机以及一种车辆运行的控制装置，用于执行一种车辆运行的控制方法。
22.在本发明实施例中，通过确定目标路点与目标车辆之间的目标路面是否为不平整路面，在目标路面为不平整路面的情况下，确定目标路面对应的地面平整度，其中，目标路点为目标车辆前方，且处于规划路径上的位置点；依据地面平整度，确定目标车辆的前轮转角控制量；依据前轮转角控制量，控制目标车辆运行，解决了相关技术中农业作业场景环境复杂，地面颠簸坑洼不平会对无人驾驶拖拉机的定位造成一定的偏差的技术问题，进而达到了提高无人驾驶拖拉机轨迹跟踪控制精度的效果。
附图说明
23.构成本技术的一部分的说明书附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
24.图1是根据本技术实施例提供的一种车辆运行的控制方法的流程图；
25.图2示出了本技术提供的构建预设语义分割模型的流程图；
26.图3为本技术提供的通过语义分割模型确定目标路面是否为不平整路面的流程图；
27.图4为本技术提供的在目标路面为不平整路面的情况下，确定目标路面对应的地面平整度的流程图；
28.图5为纯控制算法中目标路点与目标车辆之间构成的夹角示意图；
29.图6是根据本技术实施例提供的一种车辆运行的控制装置的示意图。
具体实施方式
30.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
31.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术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技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
32.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第
二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
33.应该理解的是，当元件(诸如层、膜、区域、或衬底)描述为在另一元件“上”时，该元件可直接在该另一元件上，或者也可存在中间元件。而且，在说明书以及权利要求书中，当描述有元件“连接”至另一元件时，该元件可“直接连接”至该另一元件，或者通过第三元件“连接”至该另一元件。
34.为了便于描述，以下对本技术实施例涉及的部分名词或术语进行说明：
35.路面辨识：基于某种设备或方法，通过某种参数或指标对路面平整度进行描述，以表征路面平整度特征。
36.语义分割：是计算机视觉中的一种图像处理方法，将图像根据语义信息分割成具有不同语义的区域。
37.rgb-d：rgb色彩模式是通过红(red)、绿(green)、蓝(blue)三个颜色通道的变化以及它们的相互叠加得到各种的颜色。
38.depth map(深度图)是包含与视场对象的表面距离有关的信息或图像通道，它的每个像素值是传感器距离物体的实际距离。
39.纯跟踪算法：一种基于几何的轨迹跟踪控制方法。
40.预瞄距离：驾驶员在开车时的驾驶行为是将车辆前方一段距离上的目标点为驾驶目标，为了模拟人的驾驶行为，将车辆当前位置(后轴)到目标路径点的距离定义为预瞄距离。
41.正如背景技术中所说的，现有技术中的农业机械实际作业场景中路面颠簸不平而导致农业机械控制算法控制效果稳定性较差的问题，为了解决上述问题，本技术的一种典型的实施方式中，提供了一种车辆运行的控制方法及装置、车辆。
42.根据本技术的实施例，提供了一种车辆运行的控制方法。
43.图1是根据本技术实施例提供的一种车辆运行的控制方法的流程图。如图1所示，该方法包括以下步骤：
44.步骤s101，确定目标路点与目标车辆之间的目标路面是否为不平整路面，在目标路面为不平整路面的情况下，确定目标路面对应的地面平整度，其中，目标路点为目标车辆前方，且处于规划路径上的位置点。
45.上述地，在拖拉机挡风玻璃上端安装深度相机，采集前方6m(具体距离视现场采集图像质量而定)范围内的图像信息，需要说明的是，深度相机可以设置在车辆可以采集到前方路面的图像的任意位置以及角度，视现场具体情况而定。
46.步骤s102，依据地面平整度，确定目标车辆的前轮转角控制量。
47.步骤s103，依据前轮转角控制量，控制目标车辆运行。
48.需要说明的是，本技术以目标车辆为拖拉机为例进行说明，但是行驶在颠簸路面的其他车辆也在本技术的保护范围内，在此不一一赘述。
49.上述地，目前对于自动驾驶的拖拉机的控制的研究多是基于算法本身的研究，并
通过仿真测试的方法验证算法的效果，而对于实际的农机作业环境下的控制却没有实际的算法性能验证。本技术针对农业机械实际作业场景中路面颠簸不平而导致农业机械控制算法控制效果稳定性较差的问题，通过采集地面的图像，对地面纹理特征进行自学习，根据学习得到的地面不平整度及车速信息得到改进后的纯跟踪控制算法，使得该算法可以适用于不同的路面状况及车速，无人驾驶拖拉机轨迹跟踪控制的稳定性和鲁棒性更强。
50.在通过预设语义分割模型对目标路面进行识别前，采集目标路面对应的原始图像，并对原始图像进行预处理操作以得到目标图像，包括：确定目标车辆的两两对应的车轮之间的多个宽度，其中，目标车辆具备有n个车轮，n为正偶数；依据多个宽度以及规划路径，对原始图像进行剪裁以得到包含有目标区域的目标图像，其中，目标区域为非背景区域。
51.上述地，在拖拉机挡风玻璃上端安装深度相机，采集前方6m(具体距离视现场采集图像质量而定)范围内的图像信息，对原始图像信息进行预处理，通常深度相机采集到的原始图像分辨率较大，包含了一些与目标无关的像素区域，这些无关信息会增大计算量，耗费不必要的计算内存，不利于无人驾驶拖拉机高实时性的控制目标。因此，在图像预处理时，根据拖拉机两车轮宽度及预行驶轨迹等对原始图像进行像素区域裁剪,去除原始图像中的背景区域，得到感兴趣区域。这样，可以有效的减少计算量，降低检测难度，提高检测的实时性。
52.在一种可选的实施例中，在控制目标图像输入至预设语义分割模型，并控制预设语义分割模型输出语义分类结果之前，该方法包括构建预设语义分割模型，具体包括以下步骤，如图2所示：
53.步骤s201：构建初始预设语义分割模型；
54.步骤s202：获取样本图像的rgb-d图像信息，其中，样本图像为仅包含有非背景区域的图像；
55.步骤s203：基于rgb-d图像信息，通过deeplab v3+神经网络算法训练初始预设语义分割模型以得到预设语义分割模型。
56.上述地，在通过预设语义分割模型确定路面是否为不平整路面之前，需要构建预设语义分割模型，本技术中的预设语义分割模型为bp神经网络，对采集的路面原始图像进行预处理后，基于rgb-d图像信息通过deeplab v3+神经网络算法对预处理图像的感兴趣区域进行数据训练，得到训练权重，依据训练得到的权重，确定bp神经网络。
57.进一步地，通过语义分割模型确定目标路面是否为不平整路面，具体包括以下步骤，具体流程图如图3所示：
58.步骤s301：采集目标路面对应的原始图像，并对原始图像进行预处理操作以得到目标图像；
59.步骤s302：控制目标图像输入至预设语义分割模型，得到预设语义分割模型输出的语义分类结果，其中，语义结果用于表征目标路面对应的区域是否为不平整区域；
60.步骤s303：在语义分类结果表征为不平整区域的情况下，确定目标路面包含的不平整区域对应的区域面积，并计算目标面积占比，其中，目标面积占比为区域面积在目标路面对应的区域内的占比；
61.步骤s304：在目标面积占比大于预设占比的情况下，确定目标路面为不平整路面。
62.上述地，例如，如果目标路面包含的不平整区域在整个目标路面的占比为大于等
于70％的情况下，就认为目标路面的为不平整路面，具体预设占比按照现场具体情况而定。
63.由于依据rgb-d图像信息对模型进行训练，因此，模型输出的路面语义是基于像素级别的，为平整区域、或者不平整区域，不平整区域的情况又分为坑洼区域和凸起区域两类。
64.进一步地，对予以分割结果中的语义类别的坑洼区域和凸起区域进行面积计算，若值大于设定的面积阈值，则认为是不平整区域，求得不平整区域的面积。
65.再进一步地，在目标路面为不平整路面的情况下，确定目标路面对应的地面平整度，包括以下步骤，具体如图4所示：
66.步骤s401：通过陀螺仪获取目标路面对应的视场范围内的横滚角度，其中，陀螺仪设置在目标车辆上的预设位置；
67.步骤s402：获取陀螺仪的运行频率，并依据运行频率确定采集横滚角度对应的采样次数总数；
68.步骤s403：依据采样次数总数以及横滚角度，计算目标路点对应地面平整度，不平整区域与地面平整度一一对应。
69.上述地，通过bp神经网络对输入的图像数据进行训练，并保存训练权重，通过bp神经网络训练的结果反应得到路面的平整度参数p，用于辨识地面的平整度状况。
70.具体地，依据采样次数总数以及横滚角度，计算目标路点对应地面平整度的公式为：其中，p为地面平整度，ri为横滚角度，n为对采样次数总数。
71.在一种可选的实施例中，依据地面平整度，确定目标车辆的前轮转角控制量，包括：获取目标车辆的当前车速；依据当前车速与目标路面对应的地面平整度，确定预瞄距离对应的预瞄距离函数；依据预瞄距离函数以及纯跟踪算法，确定前轮转角控制量。
72.具体地，如图5所示，图5为纯控制算法中目标路点与目标车辆之间构成的夹角示意图，其中，α为车辆与目标路点之间的夹角，通过车辆的当前位置信息以及目标路点的位置信息，即可确定夹角，如图5所示，确定车辆的前轮以及后轮构成的直线与车辆的后轮与目标路点之间的直线的夹角，并将此夹角确定为车辆与目标路点之间的夹角。
73.通过对图中的几何图形进行公式推导得到纯跟踪算法的控制公式为：
74.式中，δ(t)为前轮转角控制量，l为目标车辆的轴距，α(t)为t时刻目标车辆的车身与目标路点之间的夹角，ld为预瞄距离。
75.定义ei为车辆当前姿态和目标路点在横向上的误差，由此可得夹角正弦：
[0076][0077]
利用小角度近似，δ＝tan(δ)，则可将δ近似为：
[0078][0079]
由上述公式可知，此算法的本质相当于一个关于横向误差e
l
的p控制器，控制参数
为因此预瞄距离是影响此算法性能的关键参数。在实车调试中发现此算法的控制精度受车速和地面状况的影响较大，因此本发明基于纯跟踪算法的改进之处在于，将预瞄距离ld改为基于车速和路面辨识结果p的函数：
[0080]
ld＝k1*v+k2*p，其中k1和k2分别为控制因子，v为目标车辆的当前车速，p为地面平整度。
[0081]
上述地，本技术的问题来源于实车调试，在调试过程中发现车速和地面不平对拖拉机的控制效果影响较大，故在分析纯跟踪算法原理的基础上加入基于车速的控制因子k1和基于路面辨识结果p的控制因子k2，通过实时的采集车辆前方一定距离范围内的路面实时的调整预瞄距离，达到控制车辆跟随期望轨迹的效果。
[0082]
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0083]
本技术实施例还提供了一种车辆运行的控制装置，需要说明的是，本技术实施例的一种车辆运行的控制装置可以用于执行本技术实施例所提供的用于一种车辆运行的控制方法。以下对本技术实施例提供的一种车辆运行的控制装置进行介绍。
[0084]
图6是根据本技术实施例提供的一种车辆运行的控制装置的示意图。如图6所示，该装置包括：第一确定单元601，用于确定目标路点与目标车辆之间的目标路面是否为不平整路面，在目标路面为不平整路面的情况下，确定目标路面对应的地面平整度，其中，目标路点为目标车辆前方，且处于规划路径上的位置点；第二确定单元602，用于依据地面平整度，确定目标车辆的前轮转角控制量；第一控制单元603，用于依据前轮转角控制量，控制目标车辆运行。
[0085]
在一种可选的实施例中，第一确定单元601包括：预处理子单元，用于采集目标路面对应的原始图像，并对原始图像进行预处理操作以得到目标图像；第一控制子单元，用于控制目标图像输入至预设语义分割模型，得到预设语义分割模型输出的语义分类结果，其中，语义结果用于表征目标路面对应的区域是否为不平整区域；第一确定子单元，用于在语义分类结果表征为不平整区域的情况下，确定目标路面包含的不平整区域对应的区域面积，并计算目标面积占比，其中，所述目标面积占比为所述区域面积在所述目标路面对应的区域内的占比；第二确定子单元，用于在目标面积占比大于预设占比的情况下，确定目标路面为不平整路面。
[0086]
在一种可选的实施例中，预处理子单元包括：第一确定模块，用于确定目标车辆的两两对应的车轮之间的多个宽度，其中，目标车辆具备有n个车轮，n为正偶数；裁剪单元，用于依据多个宽度以及规划路径，对原始图像进行剪裁以得到包含有目标区域的目标图像，其中，目标区域为非背景区域。
[0087]
在一种可选的实施例中，构建单元，用于在控制目标图像输入至预设语义分割模型，并控制预设语义分割模型输出语义分类结果之前，构建初始预设语义分割模型；第一获取单元，用于获取样本图像的rgb-d图像信息，其中，样本图像为仅包含有非背景区域的图像；训练单元，用于基于rgb-d图像信息，通过deeplab v3+神经网络算法训练初始预设语义分割模型以得到预设语义分割模型。
[0088]
在一种可选的实施例中，第一确定单元601包括：第一获取子单元，用于通过陀螺仪获取目标路面对应的视场范围内的横滚角度，其中，陀螺仪设置在目标车辆上的预设位置；第二获取子单元，用于获取陀螺仪的运行频率，并依据运行频率确定采集横滚角度对应的采样次数总数；计算子单元，用于依据采样次数总数以及横滚角度，计算目标路点对应地面平整度，不平整区域与地面平整度一一对应。
[0089]
在一种可选的实施例中，计算子单元包括：计算模块，用于通过公式一计算地面平整度，公式一为：其中，p为地面平整度，ri为横滚角度，n为对采样次数总数。
[0090]
在一种可选的实施例中，第二确定单元602包括：第三获取子单元，用于获取目标车辆的当前车速；第三确定子单元，用于依据当前车速与目标路面对应的地面平整度，确定预瞄距离对应的预瞄距离函数；第四确定子单元，用于依据预瞄距离函数以及纯跟踪算法，确定前轮转角控制量。
[0091]
在一种可选的实施例中，第四确定子单元包括：第一获取模块，用于获取目标车辆的轴距；第二获取模块，用于获取当前时刻目标车辆的车身与目标路点之间的夹角；控制模块，用于控制轴距、夹角、预瞄距离函数输入至纯跟踪算法的控制公式中，以得到前轮转角控制量。
[0092]
在一种可选的实施例中，控制公式为：其中，δ(t)为前轮转角控制量，l为目标车辆的轴距，α(t)为t时刻目标车辆的车身与目标路点之间的夹角，ld为预瞄距离函数；依据控制公式，计算前轮转角控制量。
[0093]
在一种可选的实施例中，预瞄距离函数为ld＝k1*v+k2*p，v为目标车辆的当前车速，p为地面平整度。
[0094]
一种车辆运行的控制装置包括处理器和存储器，上述第一确定单元601等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
[0095]
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决相关技术中农业作业场景环境复杂，地面颠簸坑洼不平会对无人驾驶拖拉机的定位造成一定的偏差的技术问题。
[0096]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
[0097]
本发明实施例提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现一种车辆运行的控制方法。
[0098]
本发明实施例提供了一种处理器，处理器用于运行程序，其中，程序运行时执行一种车辆运行的控制方法。
[0099]
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：确定目标路点与目标车辆之间的目标路面是否为不平整路面，在目标路面为不平整路面的情况下，确定目标路面对
应的地面平整度，其中，目标路点为目标车辆前方，且处于规划路径上的位置点；依据地面平整度，确定目标车辆的前轮转角控制量；依据前轮转角控制量，控制目标车辆运行。
[0100]
在一种可选的实施例中，确定目标路面是否为不平整路面，包括：采集目标路面对应的原始图像，并对原始图像进行预处理操作以得到目标图像；控制目标图像输入至预设语义分割模型，得到预设语义分割模型输出的语义分类结果，其中，语义结果用于表征目标路面对应的区域是否为不平整区域；在语义分类结果表征为不平整区域的情况下，确定目标路面包含的不平整区域对应的区域面积，并计算目标面积占比，其中，所述目标面积占比为所述区域面积在所述目标路面对应的区域内的占比；在目标面积占比大于预设占比的情况下，确定目标路面为不平整路面。
[0101]
在一种可选的实施例中，采集所述目标路面对应的原始图像，并对所述原始图像进行预处理操作以得到目标图像，包括：确定所述目标车辆的两两对应的车轮之间的多个宽度，其中，所述目标车辆具备有n个车轮，n为正偶数；依据多个所述宽度以及所述规划路径，对所述原始图像进行剪裁以得到包含有目标区域的所述目标图像，其中，所述目标区域为非背景区域。
[0102]
在一种可选的实施例中，在控制所述目标图像输入至预设语义分割模型，并控制所述预设语义分割模型输出语义分类结果之前，所述方法包括：构建初始预设语义分割模型；获取样本图像的rgb-d图像信息，其中，所述样本图像为仅包含有非背景区域的图像；基于所述rgb-d图像信息，通过deeplab v3+神经网络算法训练所述初始预设语义分割模型以得到所述预设语义分割模型。
[0103]
在一种可选的实施例中，在所述目标路面为所述不平整路面的情况下，确定所述目标路面对应的地面平整度，包括：通过陀螺仪获取所述目标路面对应的视场范围内的横滚角度，其中，所述陀螺仪设置在所述目标车辆上的预设位置；获取所述陀螺仪的运行频率，并依据所述运行频率确定采集所述横滚角度对应的采样次数总数；依据所述采样次数总数以及所述横滚角度，计算所述目标路点对应所述地面平整度，所述不平整路面包括的不平整区域与所述地面平整度一一对应。
[0104]
在一种可选的实施例中，依据所述采样次数总数以及所述横滚角度，计算所述目标路点对应所述地面平整度，包括：通过公式一计算所述地面平整度，所述公式一为：其中，p为所述地面平整度，ri为所述横滚角度，n为对所述采样次数总数。
[0105]
在一种可选的实施例中，依据所述地面平整度，确定所述目标车辆的前轮转角控制量，包括：获取所述目标车辆的当前车速；依据所述当前车速与所述目标路面对应的所述地面平整度，确定预瞄距离对应的预瞄距离函数；依据所述预瞄距离函数以及纯跟踪算法，确定所述前轮转角控制量。定预瞄距离对应的预瞄距离函数；依据预瞄距离函数以及纯跟踪算法，确定前轮转角控制量。
[0106]
在一种可选的实施例中，依据所述预瞄距离函数以及纯跟踪算法，确定所述前轮转角控制量，包括：获取所述目标车辆的轴距；获取当前时刻所述目标车辆的车身与所述目标路点之间的夹角；控制所述轴距、所述夹角、所述预瞄距离函数输入至所述纯跟踪算法的控制公式中，以得到所述前轮转角控制量。
[0107]
在一种可选的实施例中，所述控制公式为：其中，δ(t)为所述前轮转角控制量，l为所述目标车辆的轴距，α(t)为t时刻所述目标车辆的车身与所述目标路点之间的夹角，ld为所述预瞄距离函数；依据所述控制公式，计算所述前轮转角控制量。
[0108]
在一种可选的实施例中，所述预瞄距离函数为ld＝k1*v+k2*p，v为所述目标车辆的当前车速，p为所述地面平整度，k1和k2为控制因子。
[0109]
本文中的设备可以是服务器、pc、pad、手机等。
[0110]
本技术还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：确定目标路点与目标车辆之间的目标路面是否为不平整路面，在目标路面为不平整路面的情况下，确定目标路面对应的地面平整度，其中，目标路点为目标车辆前方，且处于规划路径上的位置点；依据地面平整度，确定目标车辆的前轮转角控制量；依据前轮转角控制量，控制目标车辆运行。
[0111]
在一种可选的实施例中，确定目标路面是否为不平整路面，包括：采集目标路面对应的原始图像，并对原始图像进行预处理操作以得到目标图像；控制目标图像输入至预设语义分割模型，得到预设语义分割模型输出的语义分类结果，其中，语义结果用于表征目标路面对应的区域是否为不平整区域；在语义分类结果表征为不平整区域的情况下，确定目标路面包含的不平整区域对应的区域面积，并计算目标面积占比，其中，所述目标面积占比为所述区域面积在所述目标路面对应的区域内的占比；在目标面积占比大于预设占比的情况下，确定目标路面为不平整路面。
[0112]
在一种可选的实施例中，采集所述目标路面对应的原始图像，并对所述原始图像进行预处理操作以得到目标图像，包括：确定所述目标车辆的两两对应的车轮之间的多个宽度，其中，所述目标车辆具备有n个车轮，n为正偶数；依据多个所述宽度以及所述规划路径，对所述原始图像进行剪裁以得到包含有目标区域的所述目标图像，其中，所述目标区域为非背景区域。
[0113]
在一种可选的实施例中，在控制所述目标图像输入至预设语义分割模型，并控制所述预设语义分割模型输出语义分类结果之前，所述方法包括：构建初始预设语义分割模型；获取样本图像的rgb-d图像信息，其中，所述样本图像为仅包含有非背景区域的图像；基于所述rgb-d图像信息，通过deeplab v3+神经网络算法训练所述初始预设语义分割模型以得到所述预设语义分割模型。
[0114]
在一种可选的实施例中，在所述目标路面为所述不平整路面的情况下，确定所述目标路面对应的地面平整度，包括：通过陀螺仪获取所述目标路面对应的视场范围内的横滚角度，其中，所述陀螺仪设置在所述目标车辆上的预设位置；获取所述陀螺仪的运行频率，并依据所述运行频率确定采集所述横滚角度对应的采样次数总数；依据所述采样次数总数以及所述横滚角度，计算所述目标路点对应所述地面平整度，所述不平整路面包括的不平整区域与所述地面平整度一一对应。
[0115]
在一种可选的实施例中，依据所述采样次数总数以及所述横滚角度，计算所述目标路点对应所述地面平整度，包括：通过公式一计算所述地面平整度，所述公式一为：
其中，p为所述地面平整度，ri为所述横滚角度，n为对所述采样次数总数。
[0116]
在一种可选的实施例中，依据所述地面平整度，确定所述目标车辆的前轮转角控制量，包括：获取所述目标车辆的当前车速；依据所述当前车速与所述目标路面对应的所述地面平整度，确定预瞄距离对应的预瞄距离函数；依据所述预瞄距离函数以及纯跟踪算法，确定所述前轮转角控制量。定预瞄距离对应的预瞄距离函数；依据预瞄距离函数以及纯跟踪算法，确定前轮转角控制量。
[0117]
在一种可选的实施例中，依据所述预瞄距离函数以及纯跟踪算法，确定所述前轮转角控制量，包括：获取所述目标车辆的轴距；获取当前时刻所述目标车辆的车身与所述目标路点之间的夹角；控制所述轴距、所述夹角、所述预瞄距离函数输入至所述纯跟踪算法的控制公式中，以得到所述前轮转角控制量。
[0118]
在一种可选的实施例中，所述控制公式为：其中，δ(t)为所述前轮转角控制量，l为所述目标车辆的轴距，α(t)为t时刻所述目标车辆的车身与所述目标路点之间的夹角，ld为所述预瞄距离函数；依据所述控制公式，计算所述前轮转角控制量。
[0119]
在一种可选的实施例中，所述预瞄距离函数为ld＝k1*v+k2*p，v为所述目标车辆的当前车速，p为所述地面平整度，k1和k2为控制因子。
[0120]
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0121]
在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，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接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0122]
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。
[0123]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0124]
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或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一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器
(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0125]
从以上的描述中，可以看出，本技术上述的实施例实现了如下技术效果：
[0126]
1)、根据试车调试过程中反映的问题，基于说明书中的两点提出改进的纯跟踪控制算法。使算法的适用性及稳定性更强。
[0127]
2)、根据实际作业场景对作业路面情况进行特征辨识，识别车辆作业路径前一定距离内的坑洼不平或凸起区域，达到了提高无人驾驶拖拉机轨迹跟踪控制精度的效果。
[0128]
3)、根据路面辨识的结果，基于深度学习预测出路面的平整度，能够快速的对车辆前面的路面做出识别，以提高车辆的驾驶效率。
[0129]
以上仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。

技术特征：
1.一种车辆运行的控制方法，其特征在于，包括：确定目标路点与目标车辆之间的目标路面是否为不平整路面，在所述目标路面为所述不平整路面的情况下，确定所述目标路面对应的地面平整度，其中，所述目标路点为所述目标车辆前方，且处于规划路径上的位置点；依据所述地面平整度，确定所述目标车辆的前轮转角控制量；依据所述前轮转角控制量，控制所述目标车辆运行。2.根据权利要求1所述的方法，其特征在于，确定目标路面是否为不平整路面，包括：采集所述目标路面对应的原始图像，并对所述原始图像进行预处理操作以得到目标图像；控制所述目标图像输入至预设语义分割模型，得到所述预设语义分割模型输出的语义分类结果，其中，所述语义分类结果用于表征所述目标路面对应的区域是否为不平整区域；在所述语义分类结果表征为所述不平整区域的情况下，确定所述目标路面包含的不平整区域对应的区域面积，并计算目标面积占比，其中，所述目标面积占比为所述区域面积在所述目标路面对应的区域内的占比；在所述目标面积占比大于预设占比的情况下，确定所述目标路面为所述不平整路面。3.根据权利要求2所述的方法，其特征在于，采集所述目标路面对应的原始图像，并对所述原始图像进行预处理操作以得到目标图像，包括：确定所述目标车辆的两两对应的车轮之间的多个宽度，其中，所述目标车辆具备有n个车轮，n为正偶数；依据多个所述宽度以及所述规划路径，对所述原始图像进行剪裁以得到包含有目标区域的所述目标图像，其中，所述目标区域为非背景区域。4.根据权利要求2所述的方法，其特征在于，在控制所述目标图像输入至预设语义分割模型，并控制所述预设语义分割模型输出语义分类结果之前，所述方法包括：构建初始预设语义分割模型；获取样本图像的rgb-d图像信息，其中，所述样本图像为仅包含有非背景区域的图像；基于所述rgb-d图像信息，通过deeplab v3+神经网络算法训练所述初始预设语义分割模型以得到所述预设语义分割模型。5.根据权利要求1所述的方法，其特征在于，在所述目标路面为所述不平整路面的情况下，确定所述目标路面对应的地面平整度，包括：通过陀螺仪获取所述目标路面对应的视场范围内的横滚角度，其中，所述陀螺仪设置在所述目标车辆上的预设位置；获取所述陀螺仪的运行频率，并依据所述运行频率确定采集所述横滚角度对应的采样次数总数；依据所述采样次数总数以及所述横滚角度，计算所述目标路点对应所述地面平整度，所述不平整路面包括的不平整区域与所述地面平整度一一对应。6.根据权利要求5所述的方法，其特征在于，依据所述采样次数总数以及所述横滚角度，计算所述目标路点对应所述地面平整度，包括：通过公式一计算所述地面平整度，所述公式一为：
其中，p为所述地面平整度，r
i
为所述横滚角度，n为对所述采样次数总数。7.根据权利要求1所述的方法，其特征在于，依据所述地面平整度，确定所述目标车辆的前轮转角控制量，包括：获取所述目标车辆的当前车速；依据所述当前车速与所述目标路面对应的所述地面平整度，确定预瞄距离对应的预瞄距离函数；依据所述预瞄距离函数以及纯跟踪算法，确定所述前轮转角控制量。8.根据权利要求7所述的方法，其特征在于，依据所述预瞄距离函数以及纯跟踪算法，确定所述前轮转角控制量，包括：获取所述目标车辆的轴距；获取当前时刻所述目标车辆的车身与所述目标路点之间的夹角；控制所述轴距、所述夹角、所述预瞄距离函数输入至所述纯跟踪算法的控制公式中，以得到所述前轮转角控制量。9.根据权利要求8所述的方法，其特征在于，所述控制公式为：其中，δ(t)为所述前轮转角控制量，l为所述目标车辆的轴距，α(t)为t时刻所述目标车辆的车身与所述目标路点之间的夹角，l
d
为所述预瞄距离函数；依据所述控制公式，计算所述前轮转角控制量。10.根据权利要求7、8或9任意一项所述的方法，其特征在于，所述预瞄距离函数为l
d
＝k1*v+k2*p，v为所述目标车辆的当前车速，p为所述地面平整度，k1和k2为控制因子。11.一种车辆运行的控制装置，其特征在于，包括：第一确定单元，用于确定目标路点与目标车辆之间的目标路面是否为不平整路面，在所述目标路面为所述不平整路面的情况下，确定所述目标路面对应的地面平整度，其中，所述目标路点为所述目标车辆前方，且处于规划路径上的位置点；第二确定单元，用于依据所述地面平整度，确定所述目标车辆的前轮转角控制量；第一控制单元，用于依据所述前轮转角控制量，控制所述目标车辆运行。12.一种车辆，其特征在于，包括设置在车辆上的相机以及一种车辆运行的控制装置，用于执行权利要求1至11中任意一项所述的一种车辆运行的控制方法。

技术总结
本申请提供了一种车辆运行的控制方法及装置、车辆，通过确定目标路点与目标车辆之间的目标路面是否为不平整路面，在目标路面为不平整路面的情况下，确定目标路面对应的地面平整度，其中，目标路点为目标车辆前方，且处于规划路径上的位置点；依据地面平整度，确定目标车辆的前轮转角控制量；依据前轮转角控制量，控制目标车辆运行，解决了相关技术中农业作业场景环境复杂，地面颠簸坑洼不平会对无人驾驶拖拉机的定位造成一定的偏差的技术问题。拖拉机的定位造成一定的偏差的技术问题。拖拉机的定位造成一定的偏差的技术问题。


技术研发人员：王海宁 孙凯信 刘兴家 孙柱
受保护的技术使用者：潍坊潍柴动力科技有限责任公司
技术研发日：2022.12.12
技术公布日：2023/7/6