基于附着系数的车路协同控制方法、装置、设备及介质

技术特征：
1.一种基于附着系数的车路协同控制方法，其特征在于，所述基于附着系数的车路协同控制方法包括：获取基于路侧图像采集设备采集的第一数据，及获取基于路侧激光雷达设备采集的第二数据；对所述第一数据进行预处理，得到第三数据；获取预先训练的路面特征提取模型，并利用所述路面特征提取模型对所述第三数据进行特征提取，得到目标路面特征；对所述第二数据进行滤波处理，得到第四数据；对所述第四数据进行路面拟合，得到第五数据；对所述第五数据进行聚类处理，得到目标路面平整度信息；融合所述目标路面特征与所述目标路面平整度信息，得到待识别数据；利用yolo-v4模型对所述待识别数据进行目标识别，得到目标路面类型；获取预先构建的映射表，并利用所述目标路面类型在所述映射表中进行匹配，得到目标路面附着系数；根据所述目标路面附着系数生成候选车辆控制方式；通过路侧单元发送所述候选车辆控制方式及所述目标路面附着系数至车载单元。2.如权利要求1所述的基于附着系数的车路协同控制方法，其特征在于，所述对所述第一数据进行预处理，得到第三数据包括：对所述第一数据进行去噪处理，得到第一中间数据；对所述第一中间数据进行平滑处理，得到第二中间数据；对所述第二中间数据进行锐化处理，得到第三中间数据；对所述第三中间数据进行边缘提取处理，得到第四中间数据；对所述第四中间数据进行分割处理，得到所述第三数据。3.如权利要求1所述的基于附着系数的车路协同控制方法，其特征在于，在获取预先训练的路面特征提取模型前，所述方法还包括：获取所述路侧图像采集设备采集的历史图像数据；根据所述历史图像数据对应的路面特征为所述历史图像数据建立标签，得到训练样本；获取预设神经网络模型；将所述历史图像数据的标签确定为训练目标，并利用所述训练样本训练所述预设神经网络模型，得到所述路面特征提取模型。4.如权利要求1所述的基于附着系数的车路协同控制方法，其特征在于，所述对所述第二数据进行滤波处理，得到第四数据包括：基于kd-tree算法，利用所述第二数据建立高斯分布图；将所述第二数据中不满足所述高斯分布图的点确定为噪点，并从所述第二数据中删除所述噪点，得到去噪数据；在所述去噪数据对应的点云三维坐标上增加反射率信息及局部法线信息，得到扩展数据；去除所述扩展数据中的地面点数据，得到待融合数据；
利用icp融合算法对所述待融合数据中的每两帧数据进行融合，得到融合数据；基于预设范围对所述融合数据进行直通滤波，得到所述第四数据。5.如权利要求1所述的基于附着系数的车路协同控制方法，其特征在于，所述对所述第四数据进行路面拟合，得到第五数据包括：利用ransac拟合算法对所述第四数据进行迭代的随机抽样及一致性回归处理，得到拟合平面及平面外点；将所述拟合平面及所述平面外点确定为所述第五数据；其中，将与所述拟合平面的距离小于或者等于预设距离的点确定为平面内点，将所述平面内点对应的平面参数确定为路面在雷达坐标系下的三维描述；其中，将与所述拟合平面的距离大于所述预设距离的点确定为所述平面外点。6.如权利要求5所述的基于附着系数的车路协同控制方法，其特征在于，所述对所述第五数据进行聚类处理，得到目标路面平整度信息包括：从所述第五数据中获取所述平面外点；遍历计算每两个平面外点间的距离；获取距离阈值；当任意两个平面外点间的距离小于或者等于所述距离阈值时，将所述任意两个平面外点确定为一类，得到至少一个点类；将所述至少一个点类中的每个点类确定为一个障碍物类型；对于每个障碍物类型，获取所述障碍物类型内所包括的每个点在雷达坐标系下的距离信息；计算每个点在所述雷达坐标系下的距离信息的平均值，得到所述障碍物类型在所述雷达坐标系下的距离信息；将所述障碍物类型在所述雷达坐标系下的距离信息转换至路面坐标系，得到所述障碍物类型相对于路面的距离信息；计算每个点到所述拟合平面的距离；从每个点到所述拟合平面的距离中选择最大距离作为所述障碍物类型对应的高度信息；获取每个点在所述路面坐标系下的横坐标；计算每个点在所述路面坐标系下的横坐标中最大横坐标值与最小横坐标值的差，得到所述障碍物类型对应的宽度信息；计算每个点在所述路面坐标系下的中心点坐标，并作为所述障碍物类型在所述路面坐标系下的坐标表示；将所述障碍物类型相对于路面的距离信息、所述障碍物类型对应的高度信息、所述障碍物类型对应的宽度信息、所述障碍物类型在所述路面坐标系下的坐标表示确定为所述障碍物类型对应的障碍物信息；组合每个障碍物类型对应的障碍物信息，得到所述目标路面平整度信息。7.如权利要求1所述的基于附着系数的车路协同控制方法，其特征在于，所述利用yolo-v4模型对所述待识别数据进行目标识别，得到目标路面类型包括：对所述待识别数据进行划分，得到多个单元格；
利用所述yolo-v4模型预测每个单元格的路面类型概率及边界框的置信度得分；获取预先配置的置信度阈值；从所述多个单元格中过滤所述置信度得分小于所述置信度阈值的边界框，及对所述多个单元格中所述置信度得分大于所述置信度阈值的边界框进行非极大值抑制，得到所述目标路面类型。8.一种基于附着系数的车路协同控制装置，其特征在于，所述基于附着系数的车路协同控制装置包括：获取单元，用于获取基于路侧图像采集设备采集的第一数据，及获取基于路侧激光雷达设备采集的第二数据；预处理单元，用于对所述第一数据进行预处理，得到第三数据；提取单元，用于获取预先训练的路面特征提取模型，并利用所述路面特征提取模型对所述第三数据进行特征提取，得到目标路面特征；滤波单元，用于对所述第二数据进行滤波处理，得到第四数据；拟合单元，用于对所述第四数据进行路面拟合，得到第五数据；聚类单元，用于对所述第五数据进行聚类处理，得到目标路面平整度信息；融合单元，用于融合所述目标路面特征与所述目标路面平整度信息，得到待识别数据；识别单元，用于利用yolo-v4模型对所述待识别数据进行目标识别，得到目标路面类型；匹配单元，用于获取预先构建的映射表，并利用所述目标路面类型在所述映射表中进行匹配，得到目标路面附着系数；生成单元，用于根据所述目标路面附着系数生成候选车辆控制方式；发送单元，用于通过路侧单元发送所述候选车辆控制方式及所述目标路面附着系数至车载单元。9.一种计算机设备，其特征在于，所述计算机设备包括：存储器，存储至少一个指令；及处理器，执行所述存储器中存储的指令以实现如权利要求1至7中任意一项所述的基于附着系数的车路协同控制方法。10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被计算机设备中的处理器执行以实现如权利要求1至7中任意一项所述的基于附着系数的车路协同控制方法。

技术总结
本发明涉及人工智能技术领域，提供一种基于附着系数的车路协同控制方法、装置、设备及介质，能够利用路侧设备采集的图像数据及激光雷达数据等多模态感知信息进行路面附着系数的计算，并且，在计算过程中采用边缘大算力对路面附着系数进行全气候、全天侯的状态实时估计，将估计的实时路面附着系数同步至车端，与车端控制进行信息深度融合，不仅能够释放车端的一大部分算力用于优化自动驾驶相关的其他性能，实现路面状态信息的路车深度协同，还能更加有效的辅助进行车辆控制。更加有效的辅助进行车辆控制。更加有效的辅助进行车辆控制。


技术研发人员：席华炜 董洪泉 卢兵 王博 宋士佳 孙超 王文伟
受保护的技术使用者：北京理工大学深圳汽车研究院（电动车辆国家工程实验室深圳研究院）
技术研发日：2022.11.24
技术公布日：2022/12/30