自动驾驶车辆的行驶控制方法、装置及设备与流程

1.本技术涉及自动驾驶技术领域，具体涉及自动驾驶车辆的行驶控制方法、装置及设备。


背景技术：

2.随着汽车行业的不断发展，自动驾驶技术已成为未来汽车产业的重要发展方向。自动驾驶能精确感应周围的事物并及时做出反应，解放人类双手，并在很多场景内能做到更精准的操作，大大降低安全事故的发生概率。
3.现有技术中，自动驾驶功能经常会因为行驶过程中外部天气环境变化频繁降级或直接退出，影响自动驾驶系统功能表现。


技术实现要素：

4.为了在各种天气状况下提供更为稳定的自动驾驶，本技术提供了自动驾驶车辆的行驶控制方法、装置及设备。所述技术方案如下：
5.第一方面，本技术提供了一种自动驾驶车辆的行驶控制方法，所述方法包括：
6.获取自动驾驶车辆的行驶环境信息；
7.将所述行驶环境信息输入第一机器学习模型，进行天气环境的识别，得到行驶环境识别信息；
8.将所述行驶环境识别信息输入第二机器学习模型，进行控制行为的预测，得到行驶控制预测信息；
9.根据所述行驶控制预测信息，控制所述自动驾驶车辆的行驶状态。
10.可选的，所述将所述行驶环境信息输入第一机器学习模型，进行天气环境的识别，得到行驶环境识别信息，包括：
11.将所述行驶环境信息输入所述第一机器学习模型，进行图像特征提取，得到天气环境特征信息；
12.对所述天气环境特征信息进行多任务分类处理，得到所述行驶环境识别信息；所述行驶环境识别信息指示天气环境类别。
13.可选的，所述方法还包括：
14.获取行驶环境训练信息和所述行驶环境训练信息对应的天气环境类别信息；
15.利用所述行驶环境训练信息和对应的所述天气环境类别信息，对神经网络模型进行训练，得到所述第一机器学习模型。
16.可选的，所述将所述行驶环境识别信息输入第二机器学习模型，进行控制行为的预测，得到行驶控制预测信息，包括：
17.将所述行驶环境识别信息输入所述第二机器学习模型，确定与所述行驶环境识别信息的匹配度满足预设条件的目标天气环境类别条件；
18.基于所述第二机器学习模型，确定在所述目标天气环境类别条件的情况下的目标
驾驶行为信息；
19.根据所述目标驾驶行为信息，得到所述行驶控制信息。
20.可选的，所述方法还包括：
21.获取天气环境类别训练信息和所述天气环境类别训练信息对应的驾驶行为信息；
22.根据所述天气环境类别训练信息和对应的所述驾驶行为信息，构建驾驶行为概率模型，将所述驾驶行为概率模型作为所述第二机器学习模型。
23.可选的，所述根据所述行驶控制预测信息，控制所述自动驾驶车辆的行驶状态，包括：
24.根据所述行驶控制预测信息，控制所述自动驾驶车辆的行驶控制参数，所述行驶控制参数包括车辆运动参数或自动驾驶算法参数。
25.可选的，所述根据所述行驶控制预测信息，控制所述自动驾驶车辆的行驶状态，还包括：
26.根据所述行驶控制预测信息，控制所述自动驾驶车辆的传感器工作状态，所述传感器工作状态包括启用、停用或更换。
27.可选的，所述获取自动驾驶车辆的行驶环境信息，包括：
28.确定所述自动驾驶车辆的当前行驶状态；所述当前行驶状态包括图像传感器的工作状态；
29.在所述图像传感器的工作状态指示正常的情况下，获取所述图像传感器采集的视频信息，将所述视频信息作为所述行驶环境信息。
30.第二方面，本技术提供了一种自动驾驶车辆的行驶控制装置，所述装置包括：
31.获取模块，用于获取自动驾驶车辆的行驶环境信息；
32.环境识别模块，用于将所述行驶环境信息输入第一机器学习模型，进行天气环境的识别，得到行驶环境识别信息；
33.行为预测模块，用于将所述行驶环境识别信息输入第二机器学习模型，进行控制行为的预测，得到行驶控制预测信息；
34.控制模块，用于根据所述行驶控制预测信息，控制所述自动驾驶车辆的行驶状态。
35.第三方面，本技术提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由处理器加载并执行以实现如第一方面所述的一种自动驾驶车辆的行驶控制方法。
36.第四方面，本技术提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由所述处理器加载并执行以实现如第一方面所述的一种自动驾驶车辆的行驶控制方法。
37.第五方面，本技术提供了一种计算机程序产品，所述计算机程序产品包括计算机指令，所述计算机指令被处理器执行时实现如第一方面所述的一种自动驾驶车辆的行驶控制方法。
38.本技术提供的自动驾驶车辆的行驶控制方法、装置及设备，具有如下技术效果：
39.本技术提供的方案首先获取自动驾驶车辆的行驶环境信息，利用第一机器学习模型对行驶环境信息进行天气环境的识别，得到行驶环境识别信息；将基于行驶环境识别信息输入第二机器学习模型，进行控制行为的预测，得到行驶控制预测信息；根据行驶控制预
测信息控制自动驾驶车辆的行驶状态。本技术提供的方案利用车辆自身采集环境信息并利用第一机器学习模型进行天气环境的感知和识别，从而可以识别出车辆周围的实时天气特征或类别，相比于基于移动通信的天气信息交互方式，能够更为实时、准确地确定车辆周围的天气环境，应用场景更为广泛；第二机器学习模型根据输入的行驶环境识别信息进行预测得到行驶控制预测信息，进而对车辆的行驶状态进行控制，能够针对天气环境特征或类别适应性地快速调整自动驾驶策略，保证了自动驾驶过程的稳定性以及流畅性，减少了因突发天气变化或复杂、恶劣天气带来的自动驾驶功能频繁降级以及人工接管切换，为驾驶员带来更舒适、稳定且安全的自动驾驶体验。
40.本技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
附图说明
41.为了更清楚地说明本技术实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
42.图1是本技术实施例提供的一种自动驾驶车辆的行驶控制方法的实施环境示意图；
43.图2是本技术实施例提供的一种自动驾驶车辆的行驶控制方法的流程示意图；
44.图3是本技术实施例提供的一种识别天气环境的流程示意图；
45.图4是本技术实施例提供的一种预测控制行为的流程示意图；
46.图5是本技术实施例提供的一种控制传感器工作状态的流程示意图；
47.图6是本技术实施例提供的一种自动驾驶车辆的行驶控制装置的示意图；
48.图7是本技术实施例提供的用于实现一种自动驾驶车辆的行驶控制方法的设备的硬件结构示意图。
具体实施方式
49.人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。
50.本技术实施例提供的方案涉及人工智能的机器学习(machine learning，ml)、深度学习(deep learning，dl)等技术。
51.机器学习(machine learning，ml)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习
行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
52.深度学习(deep learing，dl)是机器学习(machine learning，ml)领域中一个主要的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。深度学习在搜索技术、数据挖掘、机器学习、机器翻译、自然语言处理、多媒体学习、语音、推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。
53.为了在各种天气状况下提供更为稳定的自动驾驶，本技术实施例提供了自动驾驶车辆的行驶控制方法、装置及设备。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的前提下所获得的所有其他实施例，都属于本技术保护的范围。所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。
54.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能够以除了在这里图示或描述的那些以外的顺序实施。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、产品或服务器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。
55.可以理解的是，在本技术的具体实施方式中，涉及到用户信息、驾驶行为信息等相关的数据，当本技术以上实施例运用到具体产品或技术中时，需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
56.请参阅图1，其为本技术实施例提供的一种自动驾驶车辆的行驶控制方法的实施环境示意图，如图1所示，该实施环境可以至少自动驾驶系统中的车载传感器、运行有第一机器学习模型的感知系统、运行有第一机器学习模型的决策系统和执行系统。其中车载传感器可以使用1颗前视摄像头、4颗周视摄像头和1颗后视摄像头，在车辆行驶过程中，通过6颗摄像头采集车辆周围环境的视频数据，并将采集到的视频数据通过lvds(low-voltage differential signaling，低电压差分信号)信号发送给感知系统。感知系统将表征行驶环境信息的视频数据输入至第一机器学习模型中，第一机器学习模型可以是基于深度学习的图像检测分类模型，从而可以识别出车辆周围的天气环境特征或类别；感知系统将识别出的表征天气环境特征或类别的行驶环境识别信息发送给决策系统，决策系统利用第二机器
学习模型进行控制行为的预测，第二机器学习模型可以是概率模型或是神经网络模型，根据一定的天气环境场景预测合适的控制行为决策，得到行为控制预测信息，并将行为控制预测信息发送至执行系统；执行系统根据行为控制预测信息精确地控制加速程度、制动程度、转向幅度、灯光控制等驾驶动作，以及可以控制车辆传感器优先级的调整、传感器的启用关停、自动驾驶模式的切换等，使得车辆可以在各种天气状况下都可以保证稳定持续的自动驾驶状态。
57.以上是本技术实施例所提供的一种实施环境，在其他可行的实施环境中，可以有其他的实施主体或实施顺序等，例如车载传感器除了摄像头还可以包括毫米波雷达、激光雷达等。
58.以下介绍本技术提供的一种自动驾驶车辆的行驶控制方法。图2是本技术实施例提供的一种自动驾驶车辆的行驶控制方法的流程图，本技术提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或服务器产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。请参照图2，本技术实施例提供的一种自动驾驶车辆的行驶控制方法可以包括如下步骤：
59.s210：获取自动驾驶车辆的行驶环境信息。
60.在本技术实施例中，在车辆行驶过程中，通过车载传感器对车辆周围的行驶环境进行采集，得到行驶环境信息。车载传感器可以包括但不限于与摄像头、毫米波雷达、激光雷达等。行驶环境信息可以为图像数据、视频数据、点云数据等。
61.在本技术的一个实施例中，在车辆开始启用自动驾驶功能时，以图像传感器为例，所述方法还可以包括：
62.确定自动驾驶车辆的当前行驶状态；当前行驶状态包括图像传感器的工作状态；
63.在图像传感器的工作状态指示正常的情况下，获取图像传感器采集的视频信息，将视频信息作为行驶环境信息。
64.例如，图像传感器能够正常启用并未被异物遮挡或传输信号未受到干扰，则将实时采集的视频信息作为行驶环境新传输至感知模块，以进行天气环境的识别。
65.可以理解的是，在启用自动驾驶功能时，需要检查自动驾驶所需使用的各类传感器的工作状态是否满足当前开启自动驾驶功能的需求。进一步地，在启用自动驾驶功能时根据各类传感器的工作状态调整当前的自动驾驶模式级别。
66.s220：将行驶环境信息输入第一机器学习模型，进行天气环境的识别，得到行驶环境识别信息。
67.可以理解的是，环境感知是辆自主行驶的基础和前提，对环境信息的采集、处理与分析能使自动驾驶车辆模拟人类驾驶员的感知能力，准确地感知并理解车辆自身和周边环境的驾驶态势，从而为决策提供可行的信息基础。
68.为了能够提高在各种天气状况下自动驾驶的稳定性和流畅性，本技术实施例所提供的方法对天气环境进行感知和识别，并利用第一机器学习模型对行驶环境信息进行感知、检测、识别、分类等操作，从行驶环境信息中深度挖掘出可以表征车辆周围天气环境特征或类别的行驶环境识别信息。第一机器学习模型可以是神经网络模型，进一步的可以是
基于深度学习训练得到的图像处理模型。
69.在一种可行的实施方式中，具体地，如图3所示，步骤s220可以包括以下步骤：
70.s221：将行驶环境信息输入第一机器学习模型，进行图像特征提取，得到天气环境特征信息。
71.可行的，对于行驶环境信息中的单帧图像，利用第一机器学习模型进行图像特征的提取，得到天气环境特征信息，其中天气环境特征信息可以是图像特征图，可以用于表示像素区域的一系列属性，包括图像自然特征和图像人为特征，图像自然特征可以包括亮度特征、颜色特征、纹理特征、形状特征和空间关系特征等，图像人为特征可以包括图像频谱、图像直方图等。
72.s223：对天气环境特征信息进行多任务分类处理，得到行驶环境识别信息；行驶环境识别信息指示天气环境类别。
73.可行的，对于包含像素区域的一系列属性的天气环境特征信息进行多任务分类处理，也即对于天气环境特征信息分别进行是否为晴天、是否下雨、是否下雪、是否有雾等各天气环境类别的判断，得到指示天气环境类别的行驶环境识别信息。
74.在上述实施例中，利用第一机器学习模型进行天气环境的感知和识别，从而可以识别出车辆周围的实时天气类别，相比于基于移动通信的天气信息交互方式，能够更为实时、更快速、更准确地确定车辆小范围内的天气环境，应用场景更为广泛。
75.在另一种可行的实施方式中，对于多帧图像的视频信息，对各图像帧中的对象进行追踪检测和对比，例如树木、雨滴、雪花、飘扬的旗帜等受天气环境影响会有一定变化的物体，进而根据物体检测区域的大小、物体像素区域内图像特征的变化检测天气环境特征，得到行驶环境识别信息，例如路面干湿程度、雨雪密集程度、风速大小等。
76.在本技术的一个实施例中，在实施所提供的方法之前，利用训练数据对初始的模型进行训练，得到第一机器学习模型。具体地，可以包括以下步骤：
77.s310：获取行驶环境训练信息和行驶环境训练信息对应的天气环境类别信息。
78.示例性，选取不同天气环境类别的图像作为训练数据，各图像对应的天气环境类别如晴天、雨天、雪天、雾霾天等作为训练数据的标签信息。
79.s320：利用行驶环境训练信息和对应的天气环境类别信息，对神经网络模型进行训练，得到第一机器学习模型。
80.具体地，将行驶环境训练信息输入至神经网络模型，得到对应的所预测的行驶环境识别信息，根据行驶环境识别信息和对应的天气环境类别信息计算损失信息，并根据损失信息调整神经网络模型的参数和权重，对神经网络模型进行迭代训练，直至损失信息满足业务需求。
81.s230：将行驶环境识别信息输入第二机器学习模型，进行控制行为的预测，得到行驶控制预测信息。
82.可以理解的是，自动驾驶汽车会结合感知到的行驶环境识别信息作出分析，生成下达给底层控制执行模块的指令。在本技术实施例中，根据所感知的可以指示天气环境类别或特征的行驶环境信息进行控制行为的预测，从而可以在各种天气状况下或者在天气突发变化时无需直接退出或者频繁降级自动驾驶功能，提高自动驾驶的稳定性和流畅性。
83.在本技术的一个实施例中，第二机器学习模型可以是神经网络模型，或者是条件
概率模型。
84.在一种可行的实施方式中，具体地，如图4所示，步骤s250可以包括以下步骤：
85.s231：将行驶环境识别信息输入第二机器学习模型，确定与行驶环境识别信息的匹配度满足预设条件的目标天气环境类别条件。
86.第二机器学习模型为条件概率模型，用于预测在一定的天气环境类别的条件下执行概率最大的驾驶行为或驾驶行为的组合。
87.具体地，根据行驶环境识别信息所指示的天气环境类别，从第二机器学习模型中匹配与该天气环境类别一致性最高的目标天气环境类别条件。
88.s233：基于第二机器学习模型，确定在目标天气环境类别条件的情况下的目标驾驶行为信息。
89.第二机器学习模型经过训练后，存储有在各类天气环境类别的条件下各类驾驶行为发生的概率，以及多种驾驶行为发生的联合概率，进而可以根据所匹配到的目标天气环境类别条件，确定对应的满足发生概率预设条件的一种或多种驾驶行为，作为目标驾驶行为信息，可以包括但不限于加速、减速、转向、制动、开启远光灯、开启雾灯、关上车窗等。
90.s235：根据目标驾驶行为信息，得到行驶控制信息。
91.根据目标驾驶行为信息，确定所需下达至控制执行模块的控制指令，得到行驶控制信息。
92.可选的，对目标驾驶行为信息进行安全校验，对于存在安全冲突或行为冲突的控制指令进行过滤或者择一操作。
93.在另一种可行的实施方式中，将自动驾驶车辆当前的驾驶状态信息也输入至第二机器学习模型，作为控制执行的反馈信息，根据当前的及时状态信息和和基于行驶环境识别信息预测出的目标驾驶行为信息，调整行驶控制信息。
94.在上述实施例中，第二机器学习模型根据输入的行驶环境识别信息进行预测得到行驶控制预测信息，以对车辆的自动驾驶行为进行控制和调整，能够针对天气环境特征或类别适应性地快速调整自动驾驶策略，保证了自动驾驶过程的稳定性以及流畅性，减少了因突发天气变化或复杂、恶劣天气带来的自动驾驶功能频繁降级以及人工接管切换，为驾驶员带来更舒适、稳定且安全的自动驾驶体验。
95.在本技术的一个实施例中，在实施所提供的方法之前，利用训练数据对初始的模型进行训练，得到第二机器学习模型。具体地，可以包括以下步骤：
96.s410：获取天气环境类别训练信息和天气环境类别训练信息对应的驾驶行为信息。
97.在一种可行的实施方式中，获取在非自动驾驶模式下人类驾驶者在驾驶车辆的过程中的行驶环境信息以及在该行驶环境信息下的驾驶行为信息，进而根据行驶环境信息进行感知识别得到天气环境类别训练信息。优选地，对人类驾驶者进行筛选，选取经验丰富的驾驶者的驾驶行为信息作为训练数据。
98.在另一种可行的实施方式中，构建环境仿真场景，并对环境仿真场景进行泛化配置，包含各类天气环境特征或类别；采集人类驾驶者在环境仿真场景下的模拟驾驶行为信息作为训练数据。
99.s420：根据天气环境类别训练信息和对应的驾驶行为信息，构建驾驶行为概率模
型，将驾驶行为概率模型作为第二机器学习模型。
100.根据天气环境类别训练信息和对应的驾驶行为信息构建行为概率模型，使得构建后的模型存储有在各类天气环境类别的条件下各类驾驶行为发生的概率，以及多种驾驶行为发生的联合概率，进而可以根据所确定的天气环境类别条件，确定对应的满足发生概率预设条件的一种或多种驾驶行为。
101.s240：根据行驶控制预测信息，控制自动驾驶车辆的行驶状态。
102.可以理解的是，自动驾驶系统中的执行系统根据决策系统所下达的总线指令精确地控制加速程度、制动程度、转向幅度、灯光控制等驾驶动作，以实现车辆相应模式的自主驾驶。
103.在本技术实施例中，除了可以根据行驶控制预测信息，控制自动驾驶车辆的车辆运动参数(如上述的加速程度、制动程度、转向幅度、灯光控制等驾驶动作)，还可以对所运行的自动驾驶算法中的参数进行调整，例如算法鲁棒系数、感知精度、决策判决条件等。
104.在本技术的实施例中，还可以根据行驶控制预测信息，控制自动驾驶车辆的传感器工作状态，传感器工作状态包括优先级别、启用、停用或更换。如图5所示，传感器调整后，再次判断当前传感器的工作状态是否满足当前自动驾驶功能级别或模式的需求，如达不到则退出自动驾驶功能。
105.由上述实施例可知，本技术实施例提供的自动驾驶车辆的行驶控制方法利用车辆自身采集环境信息并利用第一机器学习模型进行天气环境的感知和识别，从而可以识别出车辆周围的实时天气特征或类别，相比于基于移动通信的天气信息交互方式，能够更为实时、准确地确定车辆周围的天气环境，应用场景更为广泛；第二机器学习模型根据输入的行驶环境识别信息进行预测得到行驶控制预测信息，进而对车辆的行驶状态进行控制，能够针对天气环境特征或类别适应性地快速调整自动驾驶策略，保证了自动驾驶过程的稳定性以及流畅性，减少了因突发天气变化或复杂、恶劣天气带来的自动驾驶功能频繁降级以及人工接管切换，为驾驶员带来更舒适、稳定且安全的自动驾驶体验。
106.本技术实施例还提供了一种自动驾驶车辆的行驶控制装置600，如图6所示，所述装置600可以包括：
107.获取模块610，用于获取自动驾驶车辆的行驶环境信息；
108.环境识别模块620，用于将所述行驶环境信息输入第一机器学习模型，进行天气环境的识别，得到行驶环境识别信息；
109.行为预测模块630，用于将所述行驶环境识别信息输入第二机器学习模型，进行控制行为的预测，得到行驶控制预测信息；
110.控制模块640，用于根据所述行驶控制预测信息，控制所述自动驾驶车辆的行驶状态。
111.在本技术的一个实施例中，所述环境识别模块620可以包括：
112.图像特征提取单元，用于将所述行驶环境信息输入所述第一机器学习模型，进行图像特征提取，得到天气环境特征信息；
113.图像分类单元，用于对所述天气环境特征信息进行多任务分类处理，得到所述行驶环境识别信息；所述行驶环境识别信息指示天气环境类别。
114.在本技术的一个实施例中，所述装置600还可以包括：
115.第一训练数据获取单元，用于获取行驶环境训练信息和所述行驶环境训练信息对应的天气环境类别信息；
116.第一训练单元，用于利用所述行驶环境训练信息和对应的所述天气环境类别信息，对神经网络模型进行训练，得到所述第一机器学习模型。
117.在本技术的一个实施例中，所述环境识别模块620可以包括：
118.条件匹配单元，用于将所述行驶环境识别信息输入所述第二机器学习模型，确定与所述行驶环境识别信息的匹配度满足预设条件的目标天气环境类别条件；
119.行为预测单元，用于基于所述第二机器学习模型，确定在所述目标天气环境类别条件的情况下的目标驾驶行为信息；
120.控制确定单元，用于根据所述目标驾驶行为信息，得到所述行驶控制信息。
121.在本技术的一个实施例中，所述装置600还可以包括：
122.第二训练数据获取单元，用于获取天气环境类别训练信息和所述天气环境类别训练信息对应的驾驶行为信息；
123.第二训练单元，用于根据所述天气环境类别训练信息和对应的所述驾驶行为信息，构建驾驶行为概率模型，将所述驾驶行为概率模型作为所述第二机器学习模型。
124.在本技术的一个实施例中，所述控制模块640可以包括：
125.参数控制单元，用于根据所述行驶控制预测信息，控制所述自动驾驶车辆的行驶控制参数，所述行驶控制参数包括车辆运动参数或自动驾驶算法参数。
126.在本技术的一个实施例中，所述控制模块640还可以包括：
127.根据所述行驶控制预测信息，控制所述自动驾驶车辆的传感器工作状态，所述传感器工作状态包括启用、停用或更换。
128.在本技术的一个实施例中，所述获取模块610可以包括：
129.行驶状态确定单元，用于确定所述自动驾驶车辆的当前行驶状态；所述当前行驶状态包括图像传感器的工作状态；
130.图像采集单元，用于在所述图像传感器的工作状态指示正常的情况下，获取所述图像传感器采集的视频信息，将所述视频信息作为所述行驶环境信息。
131.需要说明的是，上述实施例提供的装置，在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
132.本技术实施例提供了一种计算机设备，该计算机设备包括处理器和存储器，该存储器中存储有至少一条指令或至少一段程序，该至少一条指令或该至少一段程序由该处理器加载并执行以实现如上述方法实施例所提供的一种自动驾驶车辆的行驶控制方法。
133.图7示出了一种用于实现本技术实施例所提供的一种自动驾驶车辆的行驶控制方法的设备的硬件结构示意图，所述设备可以参与构成或包含本技术实施例所提供的装置或系统。如图7所示，设备10可以包括一个或多个(图中采用1002a、1002b，
……
，1002n来示出)处理器1002(处理器1002可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)、用于存储数据的存储器1004、以及用于通信功能的传输装置1006。除此以外，还可以
包括：显示器、输入/输出接口(i/o接口)、通用串行总线(usb)端口(可以作为i/o接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图7所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，设备10还可包括比图7中所示更多或者更少的组件，或者具有与图7所示不同的配置。
134.应当注意到的是上述一个或多个处理器1002和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到设备10(或移动设备)中的其他元件中的任意一个内。如本技术实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
135.存储器1004可用于存储应用软件的软件程序以及模块，如本技术实施例中所述的方法对应的程序指令/数据存储装置，处理器1002通过运行存储在存储器1004内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的一种自动驾驶车辆的行驶控制方法。存储器1004可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器1004可进一步包括相对于处理器1002远程设置的存储器，这些远程存储器可以通过网络连接至设备10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
136.传输装置1006用于经由一个网络接收或者发送数据。上述的网络具体实例可包括设备10的通信供应商提供的无线网络。在一个实例中，传输装置1006包括一个网络适配器(network interface controller，nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置1006可以为射频(radio frequency，rf)模块，其用于通过无线方式与互联网进行通讯。
137.显示器可以例如触摸屏式的液晶显示器(lcd)，该液晶显示器可使得用户能够与设备10(或移动设备)的用户界面进行交互。
138.本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质可设置于服务器之中以保存用于实现方法实施例中一种自动驾驶车辆的行驶控制方法相关的至少一条指令或至少一段程序，该至少一条指令或该至少一段程序由该处理器加载并执行以实现上述方法实施例提供的一种自动驾驶车辆的行驶控制方法。
139.可选地，在本实施例中，上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地，在本实施例中，上述存储介质可以包括但不限于：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。
140.本发明实施例还提供了一种计算机程序产品或计算机程序，所述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种可选实施方式中提供的一种自动驾驶车辆的行驶控制方法。
141.需要说明的是：上述本技术实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本技术特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续
顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
142.本技术中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备和存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
143.本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
144.以上所述仅为本技术的较佳实施例，并不用以限制本技术，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。