主动刹车控制方法、设备及存储介质

技术领域

本发明涉及车辆主动刹车技术领域，尤其涉及一种主动刹车控制方法、设备及存储介质。

背景技术

随着交通运输业的快速发展，道路交通事故频繁发生，而一旦发生交通事故，可能会造成严重的人身安全伤害和财产损失。因此，汽车厂商针对车辆进行了多方面的安全设计，除了安全带、安全气囊、保险杠等被动安全系统以外，还设计了主动刹车系统，使汽车能够主动采取措施，避免事故的发生。

目前，车辆主动刹车系统，如AEBS(紧急刹车辅助系统)等，主要利用激光雷达、毫米波雷达等传感器对障碍物进行测距，根据车辆与障碍物间的距离控制报警和刹车。然而，现有车辆主动刹车系统存在着对于是否会与障碍物发生碰撞的判断准确性不够高的问题。

因此，如何提高车辆主动刹车系统的判断准确性，是本领域技术人员目前需要解决的技术问题。

发明内容

本发明的主要目的在于提供一种主动刹车控制方法、设备及存储介质，旨在解决如何提高车辆主动刹车系统的判断准确性的技术问题。

为实现上述目的，本发明提供一种主动刹车控制方法，所述主动刹车控制方法包括以下步骤：

采集车辆周围的环境信息；

根据所述车辆周围的环境信息，利用障碍物识别模型识别并跟踪车辆前方的障碍物，得到障碍物信息；

基于所述障碍物信息预测所述车辆与所述障碍物的碰撞风险，得到碰撞风险预测结果；

若所述碰撞风险预测结果满足刹车触发条件，则将刹车指令发送至刹车控制单元，由所述刹车控制单元进行刹车。

可选地，所述采集车辆周围的环境信息的步骤包括：

利用超声波传感器采集所述车辆周围的超声波反射信息；

利用激光雷达采集所述车辆周围的激光反射信息；

利用视觉传感器采集所述车辆周围的视频图像信息；

将所述超声波反射信息、所述激光反射信息和/或视频图像信息组成所述车辆周围的环境信息。

可选地，所述根据所述车辆周围的环境信息，利用障碍物识别模型识别并跟踪车辆前方的障碍物，得到障碍物信息的步骤包括：

利用预训练的障碍物识别模型，提取所述环境信息中的特征，经过所述预训练的障碍物识别模型的多层神经网络层的处理后，识别出所述环境信息中的障碍物；

根据障碍物识别模型对所述障碍物进行跟踪，得出所述障碍物的尺寸、所述障碍物与所述车辆的相对距离和相对速度；

将所述障碍物的尺寸、所述障碍物与所述车辆的相对距离和所述相对速度组成所述障碍物信息。

可选地，所述利用预训练的障碍物识别模型，提取所述环境信息中的特征，经过所述预训练的障碍物识别模型的多层神经网络层的处理后，识别出所述环境信息中的障碍物的步骤之前，还包括：

利用预先收集的车辆环境信息制作障碍物数据集，并将障碍物数据集划分为障碍物训练集和障碍物测试集；

利用障碍物训练集对障碍物识别模型进行训练，得到训练后的障碍物识别模型；

利用障碍物测试集对所述训练后的障碍物识别模型进行测试，得到障碍物识别与跟踪的第一测试结果；

根据所述第一测试结果，对所述训练后的障碍物识别模型进行重复训练与测试，直至输出最终障碍物识别模型。

可选地，所述根据所述第一测试结果，对所述训练后的障碍物识别模型进行重复训练与测试，直至输出最终障碍物识别模型的步骤包括：

参数调整步骤，根据所述第一测试结果，针对不同路况和不同障碍物的特点对所述训练后的障碍物识别模型的参数进行调整；

训练测试步骤，利用具有不同路况和不同障碍物类型的障碍物训练集对调整后的障碍物识别模型进行重复训练，得到新的障碍物识别模型，利用具有不同路况和不同障碍物类型的障碍物测试集对所述新的障碍物识别模型进行测试，得到障碍物识别与跟踪的第二测试结果；

若所述第二测试结果达到预期需求，则输出最终障碍物识别模型；否则，重复所述参数调整步骤以及所述训练测试步骤，直至所述第二测试结果达到预期需求，并输出最终障碍物识别模型。

可选地，所述基于所述障碍物信息预测所述车辆与所述障碍物的碰撞风险，得到碰撞风险预测结果的步骤包括：

从所述障碍物信息中筛选掉异常数据，得到风险预测数据；

利用预训练的碰撞风险预测模型提取所述风险预测数据中的数据特征，并通过所述预训练的碰撞风险预测模型的分类器预测所述车辆与所述障碍物的碰撞风险，得到碰撞风险预测结果。

可选地，所述利用预训练的碰撞风险预测模型提取所述风险预测数据中的数据特征，并通过所述预训练的碰撞风险预测模型的分类器预测所述车辆与所述障碍物的碰撞风险，得到碰撞风险预测结果的步骤之前，还包括：

利用预先收集的风险预测数据制作风险预测数据集，并将所述风险预测数据集划分为风险预测训练集和风险预测测试集；

利用风险预测训练集对碰撞风险预测模型进行训练，得到训练后的碰撞风险预测模型；

利用风险预测测试集对所述训练后的碰撞风险预测模型进行测试，得到碰撞风险预测的第三测试结果；

根据所述第三测试结果，对所述训练后的碰撞风险预测模型进行重复训练与测试，直至输出最终碰撞风险预测模型。

可选地，所述根据所述第三测试结果，对所述训练后的碰撞风险预测模型进行重复训练与测试，直至输出最终碰撞风险预测模型的步骤包括：

参数调整步骤，根据所述第三测试结果，针对不同路况和不同障碍物的特点对所述碰撞风险预测模型的参数进行调整；

训练测试步骤，利用具有不同路况和不同障碍物类型的风险预测训练集对调整后的碰撞风险预测模型进行重复训练，得到新的碰撞风险预测模型，利用具有不同路况和不同障碍物类型的风险预测测试集对所述新的碰撞风险预测模型进行测试，得到碰撞风险预测的第四测试结果；

若所述第四测试结果达到预期需求，则输出最终碰撞风险预测模型；否则，重复所述参数调整步骤以及所述训练测试步骤，直至所述第四测试结果达到预期需求，并输出最终碰撞风险预测模型。

可选地，所述若所述碰撞风险预测结果满足刹车触发条件，则将刹车指令发送至刹车控制单元，由所述刹车控制单元进行刹车的步骤包括：

利用决策算法判断所述碰撞风险预测结果是否超过预设的阈值；

若所述碰撞风险预测结果超过预设的阈值，则发送刹车指令；

所述刹车指令通过CAN总线传输至刹车控制单元，由所述刹车控制单元执行刹车。

本申请实施例还提供一种主动刹车控制装置，所述主动刹车控制装置包括：

采集模块，用于采集车辆周围的环境信息；

识别模块，用于根据所述车辆周围的环境信息，利用障碍物识别模型识别并跟踪车辆前方的障碍物，得到障碍物信息；

预测模块，用于基于所述障碍物信息预测所述车辆与所述障碍物的碰撞风险，得到碰撞风险预测结果；

刹车模块，用于若所述碰撞风险预测结果满足刹车触发条件，则将刹车指令发送至刹车控制单元，由所述刹车控制单元进行刹车。

本申请实施例还提供一种主动刹车控制设备，所述设备包括：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主动刹车控制程序，所述主动刹车控制程序配置为实现如上所述的主动刹车控制方法的步骤。

本申请实施例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主动刹车控制程序，所述主动刹车控制程序被处理器执行时实现如上所述的主动刹车控制方法的步骤。

本发明提供一种主动刹车控制方法、装置、设备及存储介质。本发明通过采集车辆周围的环境信息；根据所述车辆周围的环境信息，利用障碍物识别模型识别并跟踪车辆前方的障碍物，得到障碍物信息；基于所述障碍物信息预测所述车辆与所述障碍物的碰撞风险，得到碰撞风险预测结果；若所述碰撞风险预测结果满足刹车触发条件，则将刹车指令发送至刹车控制单元，由所述刹车控制单元进行刹车。该方案通过采集车辆周围的环境信息，并利用障碍物识别模型识别并跟踪环境信息中的障碍物，提高了对障碍物识别与跟踪的准确性，加快了对障碍物的识别与跟踪速度，也使得障碍物信息的可靠性得到提高；基于高可靠性的障碍物信息进行的碰撞风险预测，其碰撞风险预测的准确率也有所提高，最终实现了提高主动刹车控制装置的判断准确性的效果。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的主动刹车控制设备的结构示意图；

图2为本发明主动刹车控制方法第一实施例的流程示意图。

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

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。

本申请实施例的主要解决方案是：通过采集车辆周围的环境信息；根据所述车辆周围的环境信息，利用障碍物识别模型识别并跟踪车辆前方的障碍物，得到障碍物信息；基于所述障碍物信息预测所述车辆与所述障碍物的碰撞风险，得到碰撞风险预测结果；若所述碰撞风险预测结果满足刹车触发条件，则将刹车指令发送至刹车控制单元，由所述刹车控制单元进行刹车。该方案通过采集车辆周围的环境信息，并利用障碍物识别模型识别并跟踪环境信息中的障碍物，提高了对障碍物识别与跟踪的准确性，加快了对障碍物的识别与跟踪速度，也使得障碍物信息的可靠性得到提高；基于高可靠性的障碍物信息进行的碰撞风险预测，其碰撞风险预测的准确率也有所提高，最终实现了提高主动刹车控制装置的判断准确性的效果。

目前，车辆主动刹车系统，如AEBS(紧急刹车辅助系统)等，主要利用激光雷达、毫米波雷达等传感器对障碍物进行测距，根据车辆与障碍物间的距离控制报警和刹车。然而，现有车辆主动刹车系统存在着对于是否会与障碍物发生碰撞的判断准确性不够高的问题。因此，如何提高车辆主动刹车系统的判断准确性，是本领域技术人员目前需要解决的技术问题。

基于此，本申请实施例提出一种解决方案，通过采集车辆周围的环境信息，并利用障碍物识别模型识别并跟踪环境信息中的障碍物，提高了对障碍物识别与跟踪的准确性，加快了对障碍物的识别与跟踪速度，也使得障碍物信息的可靠性得到提高；基于高可靠性的障碍物信息进行的碰撞风险预测，其碰撞风险预测的准确率也有所提高，最终实现了提高主动刹车控制装置的判断准确性的效果。

具体地，参照图1，图1为本申请主动刹车控制装置所属终端设备的功能模块示意图。该主动刹车控制装置可以为独立于终端设备的、能够进行数据处理的装置，其可以通过硬件或软件的形式承载于终端设备上。该终端设备可以为车载终端、平板电脑等智能移动终端，本实施例以手机进行举例。

在本实施例中，该触摸屏手势操作控制装置所属终端设备至少包括输出模块110、处理器120、存储器130以及通信模块140。

存储器130中存储有操作系统以及主动刹车控制程序，主动刹车控制装置可以将采集到的环境信息，得到的障碍物信息以及碰撞风险预测结果等信息存储于该存储器130中；输出模块110可为显示屏、扬声器等。通信模块140可以包括WIFI模块、移动通信模块以及蓝牙模块等，通过通信模块140与外部设备或服务器进行通信。

本领域技术人员可以理解，图1中示出的结构并不构成对主动刹车控制装置的限定，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。

其中，存储器130中的主动刹车控制程序被处理器执行时实现以下步骤：

采集车辆周围的环境信息；

根据所述车辆周围的环境信息，利用障碍物识别模型识别并跟踪车辆前方的障碍物，得到障碍物信息；

基于所述障碍物信息预测所述车辆与所述障碍物的碰撞风险，得到碰撞风险预测结果；

若所述碰撞风险预测结果满足刹车触发条件，则将刹车指令发送至刹车控制单元，由所述刹车控制单元进行刹车。

进一步地，存储器130中的主动刹车控制程序被处理器执行时还实现以下步骤：

利用超声波传感器采集所述车辆周围的超声波反射信息；

利用激光雷达采集所述车辆周围的激光反射信息；

利用视觉传感器采集所述车辆周围的视频图像信息；

将所述超声波反射信息、所述激光反射信息和/或视频图像信息共同组成所述车辆周围的环境信息。

进一步地，存储器130中的主动刹车控制程序被处理器执行时还实现以下步骤：

利用预训练的障碍物识别模型，提取所述环境信息中的特征，经过所述预训练的障碍物识别模型的多层神经网络层的处理后，识别出所述环境信息中的障碍物；

根据障碍物识别模型对所述障碍物进行跟踪，得出所述障碍物的尺寸、所述障碍物与所述车辆的相对距离和相对速度；

将所述障碍物的尺寸、所述障碍物与所述车辆的相对距离和所述相对速度组成所述障碍物信息。

进一步地，存储器130中的主动刹车控制程序被处理器执行时还实现以下步骤：

利用所述环境信息制作障碍物数据集，并将障碍物数据集划分为障碍物训练集和障碍物测试集；

利用障碍物训练集对障碍物识别模型进行训练，得到训练后的障碍物识别模型；

利用障碍物测试集对所述训练后的障碍物识别模型进行测试，得到障碍物识别与跟踪的第一测试结果；

根据所述第一测试结果，对所述训练后的障碍物识别模型进行重复训练与测试，直至输出最终障碍物识别模型。

进一步地，存储器130中的主动刹车控制程序被处理器执行时还实现以下步骤：

参数调整步骤，根据所述第一测试结果，针对不同路况和不同障碍物的特点对所述训练后的障碍物识别模型的参数进行调整；

训练测试步骤，利用具有不同路况和不同障碍物类型的障碍物训练集对调整后的障碍物识别模型进行重复训练，得到新的障碍物识别模型，利用具有不同路况和不同障碍物类型的障碍物测试集对所述新的障碍物识别模型进行测试，得到障碍物识别与跟踪的第二测试结果；

若所述第二测试结果达到预期需求，则输出最终障碍物识别模型；否则，重复所述参数调整步骤以及所述训练测试步骤，直至所述第二测试结果达到预期需求，并输出最终障碍物识别模型。

进一步地，存储器130中的主动刹车控制程序被处理器执行时还实现以下步骤：

从所述障碍物信息中筛选掉异常数据，得到风险预测数据；

利用预训练的碰撞风险预测模型提取所述风险预测数据中的数据特征，所述预训练的碰撞风险预测模型的分类器预测所述车辆与所述障碍物的碰撞风险，并得到碰撞风险预测结果。

进一步地，存储器130中的主动刹车控制程序被处理器执行时还实现以下步骤：

利用预先收集的所述风险预测数据制作风险预测数据集，并将所述风险预测数据集划分为风险预测训练集和风险预测测试集；

利用风险预测训练集对碰撞风险预测模型进行训练，得到训练后的碰撞风险预测模型；

利用风险预测测试集对所述训练后的碰撞风险预测模型进行测试，得到碰撞风险预测的第三测试结果；

根据所述第三测试结果，对所述训练后的碰撞风险预测模型进行重复训练与测试，直至输出最终碰撞风险预测模型。

进一步地，存储器130中的主动刹车控制程序被处理器执行时还实现以下步骤：

参数调整步骤，根据所述第三测试结果，针对不同路况和不同障碍物的特点对所述碰撞风险预测模型的参数进行调整；

训练测试步骤，利用具有不同路况和不同障碍物类型的风险预测训练集对调整后的碰撞风险预测模型进行重复训练，得到新的碰撞风险预测模型，利用具有不同路况和不同障碍物类型的风险预测测试集对所述新的碰撞风险预测模型进行测试，得到碰撞风险预测的第四测试结果；

若所述第四测试结果达到预期需求，则输出最终碰撞风险预测模型；否则，重复所述参数调整步骤以及所述训练测试步骤，直至所述第四测试结果达到预期需求，并输出最终碰撞风险预测模型。

进一步地，存储器130中的主动刹车控制程序被处理器执行时还实现以下步骤：

利用决策算法判断所述碰撞风险预测结果是否超过预设的阈值；

若所述碰撞风险预测结果超过预设的阈值，则发送刹车指令；

所述刹车指令通过CAN总线传输至刹车控制单元，由所述刹车控制单元执行刹车。

本实施例通过上述方案，具体通过采集车辆周围的环境信息；根据所述车辆周围的环境信息，利用障碍物识别模型识别并跟踪车辆前方的障碍物，得到障碍物信息；基于所述障碍物信息预测所述车辆与所述障碍物的碰撞风险，得到碰撞风险预测结果；若所述碰撞风险预测结果满足刹车触发条件，则将刹车指令发送至刹车控制单元，由所述刹车控制单元进行刹车。该方案通过采集车辆周围的环境信息，并利用障碍物识别模型识别并跟踪环境信息中的障碍物，提高了对障碍物识别与跟踪的准确性，加快了对障碍物的识别与跟踪速度，也使得障碍物信息的可靠性得到提高；基于高可靠性的障碍物信息进行的碰撞风险预测，其碰撞风险预测的准确率也有所提高，最终实现了提高主动刹车控制装置的判断准确性的效果。

基于上述终端设备架构但不限于上述架构，提出本申请方法实施例。

参照图2，图2为本发明主动刹车控制方法第一实施例的流程示意图。

如图2所示，在本实施例中，所述主动刹车控制方法包括：

步骤S10，采集车辆周围的环境信息；

在本实施例中，如何获得准确的障碍物信息，根据障碍物信息准确地预判障碍物与车辆碰撞的风险是车辆主动刹车技术迫切需要解决的问题。随着路面上的车辆不断增加，路面上行驶的车辆越来越多，人们面临的路况也变得愈加复杂，很多情况下人们难以准确判断车辆是否会发生碰撞。例如，在昏暗的道路上行驶时，若车辆行驶道路上存在深色的障碍物，人眼在黑暗环境中对深色的障碍物的识别能力较差，驾驶人可能需要离障碍物较近的时候才能发现障碍物，在发现障碍物后再刹车可能为时已晚；又如，驾驶人在经历较长时间的驾驶后产生疲惫，反应速度变慢，在遇到诸如前方车辆急刹车、道路两边行人横穿马路等突发情况时难以及时反应，导致车祸的发生。总之，由于人的视力、反应速度等各方面的限制，很多情况下只靠驾驶人主动进行刹车难以避免交通事故的发生。

因此，需要有车辆主动刹车系统来辅助人们进行碰撞风险的预判以及刹车。然而，目前的车辆主动刹车系统存在对是否会发生碰撞的判断准确性不够高的问题，而这主要是由于障碍物信息获取不够准确以及碰撞风险预判不够准确所导致的。

本实施例方法应用于车辆。主动刹车指的是车辆自主进行碰撞风险的判断，若判断结果为存在碰撞风险，车辆则自行进行刹车的主动刹车系统。

本实施例对车辆周围的多种环境信息进行采集，从而获取障碍物的相关信息。环境信息指的是包括但不限于周围环境的声音信息、光学信息等物理信息，其中，声音信息可以包括超声波信息、可闻声信息等，光学信息可以包括可见光波段信息、红外线信息、紫外线信息、激光信息等等。

在本实施例中，通过对障碍物采集多种类型的数据，从而减小单一类型数据误差对数据准确性的影响，提高数据的可靠性。

步骤S20，根据所述车辆周围的环境信息，利用障碍物识别模型识别并跟踪车辆前方的障碍物，得到障碍物信息；

在本实施例中，障碍物识别模型指的是一个预先训练得到的目标识别模型，该目标识别模型的目标识别对象为障碍物，该目标识别模型可以对不同类型的障碍物进行识别与跟踪。该目标识别模型通过提取环境信息中的特征，从而找出障碍物，并对其进行标注与跟踪。

其中，障碍物信息指的是通过环境信息经过障碍物识别模型处理后获得的多维参数组合，是一个对障碍物在多个维度上的特征进行描述的参数集合，包括：障碍物的位置、障碍物与车辆的相对距离、障碍物与车辆的相对速度等等。例如，一辆小轿车与本车辆的相对位置为正前方偏右15°(以负度数代表正前方偏左，正度数代表正前方偏右)，障碍物与车辆的距离为200m，障碍物与车辆的相对速度为-30km/h(以负的相对速度代表障碍物与本车辆在相对靠近，正的相对速度代表障碍物与本车辆在相对远离)，则该小轿车的障碍物信息可以表示为(15°，200，-30)。

步骤S30，基于所述障碍物信息预测所述车辆与所述障碍物的碰撞风险，得到碰撞风险预测结果；

步骤S40，若所述碰撞风险预测结果满足刹车触发条件，则将刹车指令发送至刹车控制单元，由所述刹车控制单元进行刹车。

在本实施例中，可以通过碰撞风险预测模型基于障碍物信息预测所述车辆与所述障碍物的碰撞风险，得到碰撞风险预测结果。

其中，碰撞风险预测模型指的是一个预先获取的分类器模型或者回归模型，该碰撞风险预测模型利用预先获得的碰撞数据进行训练，从而实现基于所述障碍物信息进行碰撞风险的预测，得到碰撞风险预测结果。

碰撞风险预测结果可以是一个障碍物与车辆发生碰撞的碰撞风险等级或者碰撞风险数值。刹车触发条件可以根据碰撞风险等级设定，也可以通过设定风险阈值来确定。

其中，作为一种实施方式，判断碰撞风险预测结果是否满足刹车触发条件的操作可以由一刹车决策算法来实现。在通过刹车决策算法获取到碰撞风险预测结果后，将碰撞风险预测结果与刹车触发条件进行比对，若碰撞风险预测结果满足刹车触发条件，则发送刹车指令。

作为一具体实施方式，碰撞风险预测结果可以设置为碰撞风险等级，那么，可以将碰撞风险等级划分为高风险、中风险、低风险三个级别；相应地，刹车触发条件可以设置为当碰撞风险预测结果为高风险时，达到触发刹车条件。刹车决策算法在获取到碰撞风险等级后，将碰撞风险等级与触发刹车条件进行比对，若该碰撞风险等级达到高风险这一触发刹车条件，则发送刹车指令给刹车控制单元。

作为另一具体实施方式，碰撞风险预测结果可以设置为碰撞风险数值，那么，可以将碰撞风险数值结果的范围设置为[0，100]；相应地，刹车触发条件可以设置为超过某一预先设定的碰撞风险阈值。如将碰撞风险阈值设置为75。刹车决策算法在获取到碰撞风险数值后，将碰撞风险数值与触发刹车条件进行比对，若该碰撞风险数值大于等于75这一碰撞风险阈值，则发送刹车指令给刹车控制单元。

刹车控制单元可以是防抱死刹车系统、线性刹车等执行机构。系统发送刹车指令至刹车控制单元后，作为刹车控制单元的执行机构进行制动处理，产生制动力并使车辆减速。

此外，在实际驾驶中，车辆强制刹车会增加带给人的不适感。因此，除了步骤S40的实施方式外，本实施例还提供另一种可选的实施方式，若碰撞风险预测结果满足告警触发条件，则将告警指令发送至车身控制器，由车身控制器进行告警处理。告警触发条件的设置可以参考上述刹车触发条件的设置方式，在此不再一一赘述。

本发明提供一种主动刹车控制方法。所述主动刹车控制方法通过采集车辆周围的环境信息；根据所述车辆周围的环境信息，利用障碍物识别模型识别并跟踪车辆前方的障碍物，得到障碍物信息；基于所述障碍物信息预测所述车辆与所述障碍物的碰撞风险，得到碰撞风险预测结果；若所述碰撞风险预测结果满足刹车触发条件，则将刹车指令发送至刹车控制单元，由所述刹车控制单元进行刹车。本方案通过采集车辆周围的环境信息，并利用障碍物识别模型识别并跟踪环境信息中的障碍物，提高了对障碍物识别与跟踪的准确性，加快了对障碍物的识别与跟踪速度，也使得障碍物信息的可靠性得到提高；基于高可靠性的障碍物信息进行的碰撞风险预测，其碰撞风险预测的准确率也有所提高，最终实现了提高主动刹车控制装置的判断准确性的效果。

进一步地，基于上述图2所示的第一实施例，提出本发明主动刹车控制方法的第二实施例。在本实施例中，上述步骤S10，采集车辆周围的环境信息包括：

步骤S101，利用超声波传感器采集所述车辆周围的超声波反射信息；

步骤S102，利用激光雷达采集所述车辆周围的激光反射信息；

步骤S103，利用视觉传感器采集所述车辆周围的视频图像信息；

步骤S104，将所述超声波反射信息、所述激光反射信息和视频图像信息共同组成所述车辆周围的环境信息。

在本实施例中，车辆利用各类传感器采集障碍物信息，以获取障碍物与本车辆的相对关系，用于后续碰撞分析。在采集的类别上，本方案对三类信息进行了采集，分别为基于声学的超声波反射信息，基于光学的激光反射信息，以及基于光学的视频图像信息。其中，声学与光学采集方式彼此独立，互不干涉，不影响彼此的信息采集；而基于光学的采集方式中，激光雷达常用的激光波段为1550nm和905nm两种不可见光波段，而视觉传感器采集的是可见光波段下的视频图像信息，因此激光反射信息的采集与视频图像信息的采集不会互相干扰。采集三种不同类型的障碍物信息，由于不同传感器的工作原理和采集数据的特性不同，它们的采集到的障碍物信息可以相互验证，从而提高采集到的障碍物数据的可靠性。

本实施例进一步通过采用三种不同类型的采集方式采集障碍物信息的方案，彼此相互验证障碍物信息的准确性，达到提高效果障碍物数据的可靠性与准确性的效果。

进一步地，基于上述图2所示的第一实施例，提出本发明主动刹车控制方法的第三实施例。在本实施例中，上述步骤S20，根据所述车辆周围的环境信息，利用障碍物识别模型识别并跟踪车辆前方的障碍物，得到障碍物信息包括：

步骤S201，利用预训练的障碍物识别模型，提取所述环境信息中的特征，经过所述预训练的障碍物识别模型的多层神经网络层的处理后，识别出所述环境信息中的障碍物；

步骤S202，根据障碍物识别模型对所述障碍物进行跟踪，得出所述障碍物的尺寸、所述障碍物与所述车辆的相对距离和相对速度；

步骤S203，将所述障碍物的尺寸、所述障碍物与所述车辆的相对距离和所述相对速度组成所述障碍物信息。

在本实施例中，障碍物识别模型为一个预训练的神经网络模型，该模型用于实现目标识别与跟踪。

作为一具体实施例，障碍物识别模型可以设置为经过预训练的卷积神经网络(CNN)。卷积神经网络作为深度学习领域中的一种常用模型，其具有优秀的特征提取能力，能够自动学习和提取视频图像中的特征，而无需手动设计和选择特征。利用障碍物的视频图像数据给卷积神经网络进行训练，卷积神经网络就能自动提取图像中的障碍物特征，从而识别出障碍物。此外，卷积神经网络的网络架构中的多层感知器可以使其从图像中提取更抽象和高级的特征，有助于捕捉图像中的复杂模式和结构，这使得卷积神经网络对于多种类型的障碍物或者复杂环境中的障碍物都能拥有良好的识别效果。

作为另一具体实施例，障碍物识别模型可以设置为经过预训练的YOLO模型(YouOnly Look Once)。YOLO模型是一种更为简洁和快速的目标检测与跟踪算法，在需要实时检测并且准确度不需要过高的情况下，它的表现较为优秀。YOLO采用了单阶段检测的方法，它能够直接在图像上预测目标的位置和边界框，无需像CNN那样进行多阶段的检测流程。因此，YOLO在速度上具有优势，适用于障碍物检测这种需要快速响应的场景，能够更加快速地识别出障碍物并进行跟踪。此外，YOLO模型相对简单，参数较少，更容易实现和部署，适用于计算资源相对有限的车载运算平台。

在模型检测出环境信息中的障碍物并对其跟踪后，可以采用通过图像处理和分析技术、时间差测距法等多种方法得到所述障碍物信息，可以采用如下方法进行计算：计算相对距离的方法为时间差测距法，时间差测距法是通过向目标发射出超声波或者激光，目标会将超声波或激光发射回去，传感器接收到反射的超声波或激光，整个过程中，计时器测定超声波或激光束从发射到接收的时间，再根据超声波或激光束的传播速度，从而计算出传感器到目标的距离。计算相对速度的方法为利用时间差测距法连续测量目标与传感器之间的距离，得到一段时间内的目标与传感器之间距离的变化量，计算得到相对速度。得知障碍物的位置方法为利用点云测量，激光与超声波发射到目标表面时返回的是一组点云数据，利用点云数据中蕴含丰富的三维环境信息的特点，分析点云数据得到障碍物与本车辆之间的距离和角度，从而得到障碍物的位置。

对于视频图像信息，可以通过图像处理和分析技术计算出障碍物在图像中的位置，进而确定障碍物的实际位置。通过障碍物在图像中的大小尺寸可以计算得知障碍物与本车辆实际的距离，通过障碍物在图像中一段时间内的大小尺寸变化情况，可以计算得知障碍物与本车辆的相对速度。在得到上述参数后，将其汇总组成障碍物信息，并进行输出。

进一步地，上述步骤S201，利用预训练的障碍物识别模型，提取所述环境信息中的特征，经过所述预训练的障碍物识别模型的多层神经网络层的处理后，识别出所述环境信息中的障碍物之前，还包括：

步骤S204，利用所述环境信息制作障碍物数据集，并将障碍物数据集划分为障碍物训练集和障碍物测试集；

步骤S205，利用障碍物训练集对障碍物识别模型进行训练，得到训练后的障碍物识别模型；

步骤S206，利用障碍物测试集对所述训练后的障碍物识别模型进行测试，得到障碍物识别与跟踪的第一测试结果；

步骤S207，根据所述第一测试结果，对所述训练后的障碍物识别模型进行重复训练与测试，直至输出最终障碍物识别模型。

在本实施例中，利用包含障碍物的环境信息对障碍物识别模型进行训练测试，经过反复调整后得到最终障碍物识别模型。

在训练前，要将环境信息制作成障碍物识别模型能够识别的相应格式的文件，该文件即为障碍物数据集。得到障碍物数据集后需要将其划分为障碍物训练集和障碍物测试集，障碍物训练集和障碍物测试集的划分比例可以根据数据集的大小来确定，如将障碍物训练集：障碍物测试集划分为7：3的比例，对于数据集大小更大的数据集可以将障碍物训练集：障碍物测试集的比例进一步扩大，如采用9：1的比例，以便模型从海量的训练数据中充分提取各种障碍物的特征。

在模型测试中，利用障碍物识别模型对障碍物测试集中的障碍物进行识别与跟踪测试，输出测试结果以及评估指标，该评估指标可以包括准确率、精度、召回率等评估指标，利用评估指标来量化障碍物识别模型的识别能力，以便对模型进行优化。

在模型的重复训练与测试过程中，需要根据测试结果来调整模型的超参数，并重复训练测试障碍物识别模型，使模型的识别能力得到优化，直至模型的评估指标达到预期需求，则输出最终障碍物识别模型。

进一步地，上述步骤S207，根据所述第一测试结果，对所述训练后的障碍物识别模型进行重复训练与测试，直至输出最终障碍物识别模型包括：

步骤S2071，参数调整步骤，根据所述第一测试结果，针对不同路况和不同障碍物的特点对所述训练后的障碍物识别模型的参数进行调整；

步骤S2072，训练测试步骤，利用具有不同路况和不同障碍物类型的障碍物训练集对调整后的障碍物识别模型进行重复训练，得到新的障碍物识别模型，利用具有不同路况和不同障碍物类型的障碍物测试集对所述新的障碍物识别模型进行测试，得到障碍物识别与跟踪的第二测试结果；

步骤S2073，若所述第二测试结果达到预期需求，则输出最终障碍物识别模型；否则，重复所述参数调整步骤以及所述训练测试步骤，直至所述第二测试结果达到预期需求，并输出最终障碍物识别模型。

在本实施例中，主要优化了障碍物识别模型在不同路况下对不同类型的障碍物的识别与跟踪能力。其中，不同路况指的是各种不同的道路交通情况以及环境情况，例如，本车辆前方有两辆汽车A和B，在识别到最靠近本车辆的汽车A变道后，模型需要能够快速地识别到前方的未变道的汽车B并对其进行跟踪；又如，在雨天路况下，模型仍需要对前方障碍物具有良好的识别效果。不同障碍物类型可以包括移动的障碍物和不可移动的障碍物，例如，对于移动的障碍物，可进一步细分为车辆、行人、掉落物等，车辆还可以分为轿车、货车、卡车、SUV等。由于不同路况会对障碍物识别造成不一样的影响，并且每种不同的障碍物拥有不同的外形特点，因此，在训练与测试时尽量在数据集中包含尽可能多的不同路况以及不同种类的障碍物，以提高模型对不同路况下不同类型障碍物的特征的泛化能力，进而提高障碍物识别模型对障碍物的识别与跟踪效果。

本实施例进一步通过利用基于神经网络的障碍物识别模型，达到自行提取并学习障碍物的图像特征，实现良好的障碍物识别与跟踪效果；通过采用障碍物识别模型得到障碍物信息，提高障碍物信息的可靠性；通过制作障碍物数据集对模型进行重复训练与测试，使模型达到预期的障碍物识别与跟踪能力；通过用含有不同路况和不同类型障碍物的数据集对模型进行训练与测试，提高模型的泛化能力，从而提高模型的对障碍物的识别与跟踪效果。

进一步地，基于上述图2所示的第一实施例，提出本发明主动刹车控制方法的第四实施例。在本实施例中，上述步骤S30，基于所述障碍物信息预测所述车辆与所述障碍物的碰撞风险，得到碰撞风险预测结果，包括：

步骤S301，从所述障碍物信息中筛选掉异常数据，得到风险预测数据；

步骤S302，利用预训练的碰撞风险预测模型提取所述风险预测数据中的数据特征，所述预训练的碰撞风险预测模型的分类器预测所述车辆与所述障碍物的碰撞风险，并得到碰撞风险预测结果。

在本实施例中，筛选掉障碍物信息中的异常数据的方法可以包括数据预处理，利用基于统计学的方法来筛选掉异常值，利用基于机器学习的方法来筛选掉异常值等等。其中，数据预处理可以采用去噪、滤波和归一化等操作，从而去除一些由于环境干扰或者传感器故障产生的噪声数据。基于统计学的方法可以采用Z-score等统计指标来衡量多维参数组合中的某个数据点相对于该类别数据平均值的距离，如果Z-score的值超过了一定阈值，那么这个数据点可能是一个异常值，从而进行筛选。基于机器学习的方法可以采用聚类算法或者支持向量机等模型来学习多维参数组合中的数据的正常行为，然后识别与正常行为偏离较大的数据点作为异常值。

碰撞风险预测模型指的是一个基于神经网络的分类器模型，该模型能够从数据中自动提取特征并进行学习，通过学习历史车辆碰撞数据得到碰撞风险预测能力。碰撞风险预测模型基于障碍物信息的多维度数据对碰撞风险做出预测，根据障碍物的位置、障碍物与本车辆的相对距离与相对速度的信息得出碰撞风险预测结果。采用碰撞风险预测模型来判断碰撞风险具有预测速度快，预测准确率高等优点。

进一步地，上述步骤S302，利用预训练的碰撞风险预测模型提取所述风险预测数据中的数据特征，所述预训练的碰撞风险预测模型的分类器预测所述车辆与所述障碍物的碰撞风险，并得到碰撞风险预测结果之前，还包括：

步骤S303，利用预先收集的所述风险预测数据制作风险预测数据集，并将所述风险预测数据集划分为风险预测训练集和风险预测测试集；

步骤S304，利用风险预测训练集对碰撞风险预测模型进行训练，得到训练后的碰撞风险预测模型；

步骤S305，利用风险预测测试集对所述训练后的碰撞风险预测模型进行测试，得到碰撞风险预测的第三测试结果；

步骤S306，根据所述第三测试结果，对所述训练后的碰撞风险预测模型进行重复训练与测试，直至输出最终碰撞风险预测模型。

在本实施例中，利用风险预测数据对碰撞风险预测模型进行训练测试，经过反复调整后得到最终碰撞风险预测模型。在训练前，同样需要制作相应的风险预测数据集，并根据数据集的大小按一定比例划分为训练集与测试集。如将风险预测训练集：风险预测测试集划分为7：3的比例，对于数据集大小更大的数据集可以将风险预测训练集：风险预测测试集的比例进一步扩大，如采用9：1的比例，以便模型从海量的训练数据中充分提取各种障碍物的特征。在测试时，第三测试结果需要输出包括准确率、精度等评估指标，根据评估指标来判断模型当前的碰撞风险预测准确率是否达到预期需求。

进一步地，上述步骤S306，根据所述第三测试结果，对所述训练后的碰撞风险预测模型进行重复训练与测试，直至输出最终碰撞风险预测模型，包括：

步骤S3061，参数调整步骤，根据所述第三测试结果，针对不同路况和不同障碍物的特点对所述碰撞风险预测模型的参数进行调整；

步骤S3062，训练测试步骤，利用具有不同路况和不同障碍物类型的风险预测训练集对调整后的碰撞风险预测模型进行重复训练，得到新的碰撞风险预测模型，利用具有不同路况和不同障碍物类型的风险预测测试集对所述新的碰撞风险预测模型进行测试，得到碰撞风险预测的第四测试结果；

步骤S3063，若所述第四测试结果达到预期需求，则输出最终碰撞风险预测模型；否则，重复所述参数调整步骤以及所述训练测试步骤，直至所述第四测试结果达到预期需求，并输出最终碰撞风险预测模型。

在本实施例中，主要优化碰撞风险预测模型在不同路况下对不同类型的障碍物与本车辆发生碰撞风险的预测能力。本实施例中，不同路况会对车辆在相同速度下的刹车距离产生影响，例如，在雨天路面湿滑的路况上行驶时，在相同速度下的所需的刹车距离就会大于在干燥地面上行驶的刹车距离，同理，在存在积雪的道路上行驶时，所需的刹车距离也会大于在没有积雪的地面上行驶的刹车距离。因此，即便障碍物与本车辆的相对位置、相对距离、相对速度等数据相同时，在不同路况下发生碰撞的风险也是不同的，故而需要利用含有不同路况的多维风险预测数据对模型进行训练测试，提高模型对不同路况下的碰撞风险预测能力，进而输出合适的碰撞风险级别。不同的障碍物类型也会对碰撞风险的判断产生影响，例如，障碍物为大货车和障碍物为汽车时，由于大货车与汽车的行驶惯性、制动能力上的存在区别，本车辆要避免与这两类障碍物发生碰撞所需的安全刹车距离也有所不同，因此也需要利用含有不同类型的障碍物的多维风险预测数据对模型进行训练测试，提高模型对不同类型障碍物的碰撞风险预测能力，进而输出合适的碰撞风险级别。经过上述训练后，能够达到提高碰撞风险级别模型对各种路况以及各种障碍物类型的碰撞风险预测能力的效果。

进一步地，上述步骤S40，若所述碰撞风险预测结果满足刹车触发条件，则将刹车指令发送至刹车控制单元，由所述刹车控制单元进行刹车，包括：

步骤S401，利用决策算法判断所述碰撞风险预测结果是否超过预设的阈值；

步骤S402，若所述碰撞风险预测结果超过预设的阈值，则发送刹车指令；

步骤S403，所述刹车指令通过CAN总线传输至刹车控制单元，由所述刹车控制单元执行刹车。

在本实施例中，碰撞风险预测结果设置为碰撞风险数值，刹车触发条件设置为碰撞风险预测结果超过预设的碰撞风险阈值，而判断碰撞风险预测结果是否满足刹车触发条件的操作可以由刹车决策算法来实现。刹车决策算法获取到碰撞风险预测结果后，将碰撞风险预测结果与预设的阈值进行比对，若碰撞风险预测结果超过预设的阈值，则发送刹车指令。

作为一具体实施例，可以将碰撞风险数值结果的范围设置为[0，100]；相应地，将碰撞风险阈值设置为75。刹车决策算法在获取到碰撞风险数值后，将碰撞风险数值与触发刹车条件进行比对，若该碰撞风险数值大于等于75这一碰撞风险阈值，则发送刹车指令给刹车控制单元。

在本实施例中，刹车指令通过CAN总线进行传输。CAN总线即控制器局域网总线(CAN，Controller Area Network)，是一种用于实时应用的串行通讯协议总线，它可以使用双绞线来传输信号，是世界上应用最广泛的现场总线之一。利用CAN总线来传输刹车指令具有数据传输速度快的优点，这能够让刹车指令迅速地传输到刹车控制单元，实现刹车的快速响应，确保车上人员的人身安全与财产安全。此外，CAN总线允许多个节点同时连接，最多可连接110个节点。这使得CAN总线能够与多个刹车执行机构同时连接，将刹车指令并行传输到各刹车执行机构，提高了传输的效率和可靠性。

本实施例进一步通过筛选异常数据并利用碰撞风险预测模型预测碰撞风险，达到提高碰撞风险的预测准确率以及加快预测速度的效果；通过利用风险预测数据对碰撞风险预测模型进行重复训练与测试，使模型达到预期的预测准确率；通过用含有不同路况和不同类型障碍物的数据集对模型进行训练与测试，提高模型的泛化能力，从而提高碰撞风险预测模型对碰撞风险的预测效果；通过采用决策算法对碰撞风险预测结果的分析，实现了对是否需要输出刹车指令的决策；通过采用CAN总线进行刹车指令传输，加快了刹车的响应速度，提高了传输的效率和可靠性。

本申请实施例还提供一种主动刹车控制装置，所述主动刹车控制装置包括：

采集模块10，用于采集车辆周围的环境信息；

识别模块20，用于根据所述车辆周围的环境信息，利用障碍物识别模型识别并跟踪车辆前方的障碍物，得到障碍物信息；

预测模块30，用于基于所述障碍物信息预测所述车辆与所述障碍物的碰撞风险，得到碰撞风险预测结果；

刹车模块40，用于若所述碰撞风险预测结果满足刹车触发条件，则将刹车指令发送至刹车控制单元，由所述刹车控制单元进行刹车。

上述各程序模块所执行的方法可参照本申请主动刹车控制方法各个实施例，此处不再赘述。

本申请实施例还提供一种主动刹车控制设备。

所述主动刹车控制设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的主动刹车控制程序，其中所述主动刹车控制程序被所述处理器执行时，实现如上所述的主动刹车控制方法的步骤。

由于本主动刹车控制程序被处理器执行时，采用了前述所有实施例的全部技术方案，因此至少具有前述所有实施例的全部技术方案所带来的所有有益效果，在此不再一一赘述。

本申请实施例还提供一种存储介质。

本发明存储介质上存储有主动刹车控制程序，所述主动刹车控制程序被处理器执行时实现如上所述的主动刹车控制方法的步骤。

由于本主动刹车控制程序被处理器执行时，采用了前述所有实施例的全部技术方案，因此至少具有前述所有实施例的全部技术方案所带来的所有有益效果，在此不再一一赘述。

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。

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。

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终端设备(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。

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。