一种自动驾驶方法、相关设备及计算机可读存储介质

技术领域

本申请涉及人工智能技术领域，尤其涉及一种自动驾驶方法、相关设备及计算机可读存储介质。

背景技术

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分支，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作出反应的智能机器。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。人工智能领域的研究包括机器人，自然语言处理，计算机视觉，决策与推理，人机交互，推荐与搜索，AI基础理论等。

自动驾驶是人工智能领域的一种主流应用，自动驾驶技术依靠计算机视觉、雷达、监控装置和全球定位系统等协同合作，让机动车辆可以在不需要人类主动操作下，实现自动驾驶。自动驾驶的车辆使用各种计算系统来实现将乘客从一个位置运输到另一个位置。一些自动驾驶车辆可能要来自操作者(诸如驾驶员、乘客)的一些初始输入或者连续输入。自动驾驶车辆准许操作者从手动驾驶模式切换到自动驾驶模式或者介于两者之间的模式。由于自动驾驶技术无需人类来驾驶机动车辆，所以理论上能够有效避免人类驾驶员的驾驶失误，减少交通事故的发生，且能够提高公路的运输效率。因此，自动驾驶技术越来越受到重视。

现有的实现方式中，通过在自动驾驶车辆上设置传感器，传感器可以获取周围车辆的行驶状态数据(例如，周围车辆的速度、加速度、航向角等)，从而自动驾驶车辆可以根据获取到的传感器数据确定满足安全要求的驾驶策略。由于需从传感器获取数据，且传感器获取的数据往往有限，在根据获取到的数据确定满足安全要求的驾驶策略时，若传感器出现故障或灵敏度不高或精度不够高时，容易产生安全性较差的驾驶策略，这无疑加大了自动驾驶的风险。因此，如何提高确定满足安全要求的驾驶策略的准确性，以提高车辆安全驾驶的安全性是亟需解决的技术问题。

发明内容

本申请提供了一种自动驾驶方法、相关设备及计算机可读存储介质，可以提高确定满足安全要求的驾驶策略的准确性，降低了自动驾驶的风险。

第一方面，提供了一种自动驾驶方法，所述方法应用于云端服务器，所述方法包括：接收目标车辆上报的车辆属性信息和所述目标车辆的行程信息；其中，所述目标车辆的车辆属性信息用于生成自动驾驶策略；根据所述行程信息在自动驾驶策略图层中获取所述目标车辆行驶的第一路段的图层信息；根据所述第一路段的图层信息和所述目标车辆的车辆属性信息获取第一驾驶策略；将所述第一驾驶策略发送给所述目标车辆。

实施本申请实施例，云端服务器可以通过目标车辆上报的行程信息在自动驾驶策略图层中获取行驶的第一路段的图层信息，之后，根据第一路段的图层信息和车辆的属性信息来获取满足安全要求的驾驶策略，以便目标车辆可以根据云端服务器确定好的驾驶策略进行自动驾驶。由于自动驾驶策略图层中包含的信息更为丰富，且能够克服传感器的感知缺陷(例如，传感器的感知缺陷体现在：传感器获取的数据有限、传感器检测的范围有限、传感器的检测易受环境影响等等)，从而可以提高确定满足安全要求的驾驶策略的准确性，降低了自动驾驶的风险。

在一种可能的实现方式中，所述云端服务器存储有驾驶策略与安全通行概率的对应关系；所述根据所述第一路段的图层信息和所述目标车辆的车辆属性信息获取第一驾驶策略，包括：根据所述第一路段的图层信息和所述目标车辆的车辆属性信息获取第一安全通行概率；根据所述驾驶策略与安全通行概率的对应关系获取所述第一安全通行概率对应的第一驾驶策略。实施本申请实施例，云端服务器可以根据行驶的第一路段的图层信息和目标车辆的车辆属性信息获取第一安全通行概率，之后，通过预置的驾驶策略与安全通行概率之间的对应关系获取第一安全通行概率对应的第一驾驶策略。由于图层中包含着丰富的信息，且能够克服传感器的感知缺陷，通过这一实现方式，可以提高确定满足安全要求的驾驶策略的准确性，降低了自动驾驶的风险。

在一种可能的实现方式中，所述根据所述第一路段的图层信息和所述目标车辆的车辆属性信息获取第一安全通行概率，包括：通过第一模型计算所述第一安全通行概率，其中，所述第一模型包括至少一个信息项和所述至少一个信息项对应的权重参数，所述至少一个信息项为根据所述第一路段的图层信息和所述目标车辆的车辆属性信息提取得到的信息项，所述权重参数用于指示信息项被用于确定所述第一安全通行概率时的重要程度。

在一种可能的实现方式中，所述第一模型为基于至少一个样本数据训练得到的模型，所述样本数据包括从第二路段的图层信息和所述目标车辆的车辆属性信息提取到的至少一个信息项，所述第二路段为与所述第一路段相邻的路段，且所述第二路段的出口为所述第一路段的入口。实施本申请实施例，由于相邻的路段之间具有相同或相似的特性，基于第二路段的图层信息和目标车辆的车辆属性信息得到训练好的第一模型，可以提高第一模型计算第一安全通行概率的准确性。

在一种可能的实现方式中，所述第一路段的图层信息包括所述第一路段的静态图层信息、所述第一路段的动态图层信息中的至少一个；其中，所述第一路段的静态图层信息用于指示所述第一路段的基础设施信息；所述第一路段的动态图层信息用于指示所述第一路段的动态交通信息。实施本申请实施例，云端服务器可以通过目标车辆上报的行程信息在自动驾驶策略图层中获取行驶的第一路段的图层信息，之后，根据第一路段的图层信息和车辆的属性信息来获取满足安全要求的驾驶策略，以便目标车辆可以根据云端服务器确定好的驾驶策略进行自动驾驶。由于自动驾驶策略图层中包含的信息更为丰富，道路的静态图层信息保证了自动驾驶能够高效的确定行驶路径和规避障碍物，道路的动态化图层信息保证了自动驾驶能够及时地应对突发状况，这一实现方式能够克服传感器的感知缺陷(例如，传感器的感知缺陷体现在：传感器获取的数据有限、传感器检测的范围有限、传感器的检测易受环境影响等等)，从而可以提高确定满足安全要求的驾驶策略的准确性，降低了自动驾驶的风险。

在一种可能的实现方式中，所述第一路段的静态图层信息包括车道属性、数字化设备信息、绿化带信息中的至少一种；所述第一路段的动态图层信息包括天气信息、路面信息、所述第一路段在第一时间段内的拥堵情况、所述第一路段在所述第一时间段内行人和非机动车的穿行概率、所述第一路段在所述第一时间段内发生驾驶事故的事故概率中的至少一种。实施本申请实施例，道路的静态图层信息保证了自动驾驶能够高效的确定行驶路径和规避障碍物，道路的动态化图层信息保证了自动驾驶能够及时地应对突发信息，这一实现方式能够克服传感器的感知缺陷(例如，传感器的感知缺陷体现在：传感器获取的数据有限、传感器检测的范围有限、传感器的检测易受环境影响等等)，从而可以提高确定满足安全要求的驾驶策略的准确性，降低了自动驾驶的风险。

在一种可能的实现方式中，所述第一路段为所述目标车辆正在行驶的路段；所述方法还包括：获取所述目标车辆行驶在所述第一路段上的第二驾驶策略；其中，所述第二驾驶策略为所述目标车辆根据实时获取的传感器数据确定的；在所述第一驾驶策略和所述第二驾驶策略的相似度小于第一阈值的情况下，向所述目标车辆发送将所述第二驾驶策略切换为所述第一驾驶策略的提示信息。实施本申请实施例，由于自动驾驶策略图层包含着丰富的信息，且能够克服传感器的感知缺陷，这也意味着，云端服务器根据自动驾驶策略图层确定好的第一驾驶策略的安全性要高于目标车辆根据实时获取的传感器数据确定好的第二驾驶策略。出于安全驾驶的目的，云端服务器在判断出第一驾驶策略和第二驾驶策略的相似度小于设定好的阈值的情况下，向目标车辆发送将第二驾驶策略切换为第一驾驶策略的提示信息，以便目标车辆采用安全性更好的第一驾驶策略进行自动驾驶，可以降低自动驾驶的风险。

在一种可能的实现方式中，所述目标车辆的车辆属性信息包括所述目标车辆的自动驾驶能力、所述目标车辆的传感器分布信息、所述目标车辆中驾驶员的驾驶状态中的至少一种。

第二方面，本申请实施例提供了一种自动驾驶方法，该方法应用于目标车辆上的车载终端，该方法包括：接收云端服务器发送的第一驾驶策略；其中，所述第一驾驶策略为上述第一方面所述的方法获取的第一驾驶策略；根据所述第一驾驶策略对所述目标车辆进行自动驾驶。

实施本申请实施例，云端服务器根据自动驾驶策略图层确定好了第一驾驶策略之后，将第一驾驶策略发送给目标车辆，以便目标车辆可以根据云端服务器确定好的第一驾驶策略进行自动驾驶。由于自动驾驶策略图层中包含的信息更为丰富，且能够克服传感器的感知缺陷(例如，传感器的感知缺陷体现在：传感器获取的数据有限、传感器检测的范围有限、传感器的检测易受环境影响等等)，从而可以提高确定满足安全要求的驾驶策略的准确性，降低了自动驾驶的风险。

在一种可能的实现方式中，所述方法还包括：通过传感器数据获取所述目标车辆行驶在第一路段上的第二驾驶策略；所述根据所述第一驾驶策略对所述目标车辆进行自动驾驶，包括：根据所述第一驾驶策略和所述第二驾驶策略对所述目标车辆进行自动驾驶。实施本申请实施例，在目标车辆行驶在第一路段时，目标车辆可以根据实时获取的传感器数据获取第二驾驶策略，并基于第一驾驶策略和第二驾驶策略对目标车辆进行自动驾驶，可以避免目标车辆采用安全性低的驾驶策略对目标车辆进行自动驾驶，可以降低自动驾驶的风险。

在一种可能的实现方式中，所述根据所述第一驾驶策略和所述第二驾驶策略对所述目标车辆进行自动驾驶，包括：在判断出所述第一驾驶策略和所述第二驾驶策略的相似度大于第一阈值的情况下，根据所述第一驾驶策略对所述目标车辆进行自动驾驶，或，根据所述第二驾驶策略对所述目标车辆进行自动驾驶；在判断出所述第一驾驶策略和所述第二驾驶策略的相似度小于所述第一阈值的情况下，根据所述第一驾驶策略对所述目标车辆进行自动驾驶。实施本申请实施例，由于自动驾驶策略图层包含着丰富的信息，且能够克服传感器的感知缺陷，这也意味着，云端服务器根据自动驾驶策略图层确定好的第一驾驶策略的安全性要高于目标车辆根据实时获取的传感器数据确定好的第二驾驶策略。出于安全驾驶的目的，目标车辆在判断出第一驾驶策略和第二驾驶策略的相似度大于设定好的阈值的情况下，根据第一驾驶策略对目标车辆进行自动驾驶，或，根据第二驾驶策略对目标车辆进行自动驾驶；在判断出第一驾驶策略和第二驾驶策略的相似度小于设定好的阈值的情况下，根据第一驾驶策略对目标车辆进行自动驾驶。通过这一实现方式，可以避免目标车辆采用安全性低的驾驶策略对目标车辆进行自动驾驶，可以降低自动驾驶的风险。

第三方面，本申请实施例提供了一种云端服务器，该云端服务器可以包括：

接收单元，用于接收目标车辆上报的车辆属性信息和所述目标车辆的行程信息；其中，述目标车辆的车辆属性信息用于生成自动驾驶策略；第一获取单元，用于根据所述行程信息在自动驾驶策略图层中获取所述目标车辆行驶的第一路段的图层信息；第二获取单元，用于根据所述第一路段的图层信息和所述目标车辆的车辆属性信息获取第一驾驶策略；第一发送单元，用于将所述第一驾驶策略发送给所述目标车辆。

实施本申请实施例，云端服务器可以通过目标车辆上报的行程信息在自动驾驶策略图层中获取行驶的第一路段的图层信息，之后，根据第一路段的图层信息和车辆的属性信息来获取满足安全要求的驾驶策略，以便目标车辆可以根据云端服务器确定好的驾驶策略进行自动驾驶。由于自动驾驶策略图层中包含的信息更为丰富，且能够克服传感器的感知缺陷(例如，传感器的感知缺陷体现在：传感器获取的数据有限、传感器检测的范围有限、传感器的检测易受环境影响等等)，从而可以提高确定满足安全要求的驾驶策略的准确性，降低了自动驾驶的风险。

在一种可能的实现方式中，所述云端服务器存储有驾驶策略与安全通行概率的对应关系；所述第二获取单元包括安全通行概率获取单元和驾驶策略获取单元，其中，所述安全通行概率获取单元，用于根据所述第一路段的图层信息和所述目标车辆的车辆属性信息获取第一安全通行概率；所述驾驶策略获取单元，用于根据所述驾驶策略与安全通行概率的对应关系获取所述第一安全通行概率对应的第一驾驶策略。

在一种可能的实现方式中，所述安全通行概率获取单元具体用于：通过第一模型计算所述第一安全通行概率，其中，所述第一模型包括至少一个信息项和所述至少一个信息项对应的权重参数，所述至少一个信息项为根据所述第一路段的图层信息和所述目标车辆的车辆属性信息提取得到的信息项，所述权重参数用于指示信息项被用于确定所述第一安全通行概率时的重要程度。

在一种可能的实现方式中，所述第一模型为基于至少一个样本数据训练得到的模型，所述样本数据包括从第二路段的图层信息和所述目标车辆的车辆属性信息提取到的至少一个信息项，所述第二路段为与所述第一路段相邻的路段，且所述第二路段的出口为所述第一路段的入口。

在一种可能的实现方式中，所述第一路段的图层信息包括所述第一路段的静态图层信息、所述第一路段的动态图层信息中的至少一个；其中，所述第一路段的静态图层信息用于指示所述第一路段的基础设施信息；所述第一路段的动态图层信息用于指示所述第一路段的动态交通信息。

在一种可能的实现方式中，所述第一路段的静态图层信息包括车道属性、数字化设备信息、绿化带信息中的至少一种；所述第一路段的动态图层信息包括天气信息、路面信息、所述第一路段在第一时间段内的拥堵情况、所述第一路段在所述第一时间段内行人和非机动车的穿行概率、所述第一路段在所述第一时间段内发生驾驶事故的事故概率中的至少一种。

在一种可能的实现方式中，所述第一路段为所述目标车辆正在行驶的路段；所述云端服务器还包括：第三获取单元，用于获取所述目标车辆行驶在所述第一路段上的第二驾驶策略；其中，所述第二驾驶策略为所述目标车辆根据实时获取的传感器数据确定的；第二发送单元，用于在所述第一驾驶策略和所述第二驾驶策略的相似度小于第一阈值的情况下，向所述目标车辆发送将所述第二驾驶策略切换为所述第一驾驶策略的提示信息。

第四方面，本申请实施例提供了一种自动驾驶装置，该装置应用于目标车辆上的车载终端，该装置可以包括：接收单元，用于接收云端服务器发送的第一驾驶策略；其中，所述第一驾驶策略为上述第一方面所述的方法获取的第一驾驶策略；控制单元，用于根据所述第一驾驶策略对所述目标车辆进行自动驾驶。

在一种可能的实现方式中，所述装置还包括：第二驾驶策略获取单元，用于通过传感器数据获取所述目标车辆行驶在第一路段上的第二驾驶策略；所述控制单元具体用于：根据所述第一驾驶策略和所述第二驾驶策略对所述目标车辆进行自动驾驶。

在一种可能的实现方式中，所述控制单元具体用于：在判断出所述第一驾驶策略和所述第二驾驶策略的相似度大于第一阈值的情况下，根据所述第一驾驶策略对所述目标车辆进行自动驾驶，或，根据所述第二驾驶策略对所述目标车辆进行自动驾驶；在判断出所述第一驾驶策略和所述第二驾驶策略的相似度小于所述第一阈值的情况下，根据所述第一驾驶策略对所述目标车辆进行自动驾驶。

第五方面，本申请实施例提供了一种云端服务器，该云端服务器可以包括存储器和处理器，所述存储器用于存储支持协同设备执行上述方法的计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述第一方面的方法。

第六方面，本申请实施例提供了一种车载终端，该车载终端可以包括存储器和处理器，所述存储器用于存储支持协同设备执行上述方法的计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述第二方面的方法。

第七方面，本申请提供了一种芯片系统，所述芯片系统可以执行如上述第一方面中涉及的任意方法，使得相关功能得以实现。在一种可能的设计中，所述芯片系统还包括存储器，所述存储器，用于保存必要的程序指令和数据。该芯片系统，可以由芯片构成，也可以包含芯片和其他分立器件。

第八方面，本申请提供了一种芯片系统，所述芯片系统可以执行如上述第二方面中涉及的任意方法，使得相关功能得以实现。在一种可能的设计中，所述芯片系统还包括存储器，所述存储器，用于保存必要的程序指令和数据。该芯片系统，可以由芯片构成，也可以包含芯片和其他分立器件。

第九方面，本申请实施例还提供一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。

第十方面，本申请实施例还提供一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第二方面的方法。

第十一方面，本申请实施例还提供了一种计算机程序，所述计算机程序包括计算机软件指令，所述计算机软件指令当被计算机执行时使所述计算机执行如第一方面所述的任一种自动驾驶方法。

第十二方面，本申请实施例还提供了一种计算机程序，所述计算机程序包括计算机软件指令，所述计算机软件指令当被计算机执行时使所述计算机执行如第二方面所述的任一种自动驾驶方法。

附图说明

图1a为本申请实施例提供的一种自动驾驶策略图层的示意图；

图1b为本申请实施例提供的另一种自动驾驶策略图层的示意图；

图1c为本申请实施例提供的另一种自动驾驶策略图层的示意图；

图1d为本申请实施例提供的另一种自动驾驶策略图层的示意图；

图1e为本申请实施例提供的一种自动驾驶系统的网络架构示意图；

图1f为本申请实施例提供的一种自动驾驶装置110的功能性框图；

图1g为本申请实施例提供的一种自动驾驶系统的结构示意图；

图2为本申请实施例提供的一种自动驾驶方法的流程示意图；

图3a为本申请实施例提供的另一种自动驾驶方法流程示意图；

图3b为本申请实施例提供的检测识别目标方法的流程示意图一；

图3c为本申请实施例提供的检测识别目标方法的流程示意图二；

图3d为本申请实施例提供的一种卷积神经网络模型的结构示意图；

图4为本申请实施例提供的另一种自动驾驶方法流程示意图；

图5为本申请实施例提供的一种云端服务器的结构示意图；

图6为本申请实施例提供的一种自动驾驶装置的结构示意图；

图7为本申请实施例提供的另一种云端服务器的结构示意图。

具体实施方式

下面结合附图对本申请实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。

本申请的说明书以及附图中的术语“第一”和“第二”等是用于区分不同的对象，或者用于区别对同一对象的不同处理，而不是用于描述对象的特定顺序。此外，本申请的描述中所提到的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一些列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括其他没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。需要说明的是，本申请实施例中，“示例性地”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性地”或者“例如”的任何实施例或设计方法不应被解释为比其他实施例或设计方案更优地或更具优势。确切而言，使用“示例性地”或者“例如”等词旨在以具体方式呈现相关概念。在本申请实施例中，“A和/或B”表示A和B，A或B两个含义。“A，和/或B，和/或C”表示A、B、C中的任一个，或者，表示A、B、C中的任两个，或者，表示A和B和C。

为了便于理解本申请所描述的技术方案，下面对本申请中的部分用语进行解释说明：

(1)自动驾驶车辆(Autonomous vehicles；Self-piloting automobile)

在本申请实施例中，自动驾驶车辆又称无人驾驶汽车、电脑驾驶汽车、或轮式移动机器人，是一种通过计算机系统实现无人驾驶的智能汽车。在实际应用中，自动驾驶车辆依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，让计算机设备可以在没有任何人类主动的操作下，自动安全地操作机动车辆。

(2)自动驾驶策略图层

在本申请实施例中，自动驾驶策略图层，是自动驾驶地图的一个子集，可以用于指示车辆进行自动驾驶。具体地，自动驾驶策略图层可以包含静态图层信息，也可以包含动态图层信息。每一个图层都可以认为是一张具体的地图。举例来说，静态图层信息可以为：道路之间的连接关系、车道线的位置、车道线的数量以及道路周围的其他对象等；再例如，静态图层信息可以为：交通标识的信息(例如，红绿灯的位置，高度，标识的内容，如限速标识、连续弯路、慢行等)、道路周围的树木、建筑物信息等。举例来说，动态图层信息可以为动态交通信息，该信息可以与时间点(或时间段)关联，也可以与时间点(或时间段)无关。在一些实现方式中，动态图层信息的格式可以为：时间戳(或者时间段)+路段+信息。如，某个时刻或某个时间段内路段1的天气信息，某个时刻或某个时间段内路段1的路面信息(例如，道路中断情况，道路维修情况、道路遗撒情况、道路积水情况)等等。

在一些实现方式中，自动驾驶策略图层中包含的图层信息可以是二维信息，也可以是三维信息。在本申请实施例中，二维信息，又称为矢量信息，所谓矢量，就是既有大小，又有方向的量。示例性地，二维信息可以为障碍物在道路中的坐标信息。在本申请实施例中，三维信息，是指在二维信息的基础上，还包括一些抽象信息，该抽象信息用于反映物体的特性。示例性地，三维信息可以为障碍物在道路中的坐标信息以及障碍物的大小。

在本申请实施例中，自动驾驶策略图层的使用对象往往为具有自动驾驶能力的车辆。

在本申请实施例中，图1a-图1d为本申请实施例提供的一种自动驾驶策略图层的示意图。以路段1为例，如图1a所示，自动驾驶策略图层中包含车道线信息、车道数、道路边界信息、道路行驶参数等道路的静态图层信息。以路段2为例，如图1b所示，自动驾驶策略图层中包含车道线信息、车道数、道路边界信息、绿化带信息等道路的静态图层信息，还包括横倒在路面的树木等动态图层信息；以路段3为例，如图1c所示，自动驾驶策略图层中包含车道线信息、车道数、道路边界信息、绿化带信息等道路的静态图层信息，还包含天气信息(例如，在T1时刻点，小雪转大雪)等动态图层信息；以路段4为例，如图1d所示，自动驾驶策略图层中包含车道线信息、车道数、道路边界信息、绿化带信息、数字化信息设备等道路的静态图层信息，还包含天气信息(在T1时刻点，晴转阴)、行人和非机动车的历史穿行概率60％、中度拥堵等动态图层信息。

在本申请实施例中，可以将自动驾驶策略图层看作是传统硬件传感器(例如，雷达、激光测距仪或摄像头)的延伸，其包含的数据更为丰富，且不受环境、障碍或者干扰的影响。具体地，道路的静态图层信息保证了自动驾驶能够高效的确定行驶路径和规避障碍物，道路的动态化图层信息保证了自动驾驶能够及时地应对突发状况。这一实现方式可以有效克服传统硬件传感器的感知缺陷，例如，传感器的感知缺陷体现在传感器获取的数据有限，传感器检测的范围有限，传感器的检测容易受环境的影响。

在实际应用中，可以将道路的静态图层信息看作先验信息，具体地，先验信息是指某些可以提前采集且短时间内不会改变的信息。也就是说，这些东西客观存在，不会随外部事物的变化而变化，因此可以提前采集，并作为先验信息传给自动驾驶车辆做决策。

(3)自动驾驶策略

目前，全球汽车行业公认的汽车自动驾驶技术等级标准有两个，分别为美国高速公路安全管理局(简称NHTSA)和国际自动机工程师学会(简称SAE)提出的。现有的自动驾驶等级分布情况可以如表1所示：

表1自动驾驶分级表

在本申请实施例中，自动驾驶策略可以包括自动驾驶等级，也可以包括指示车辆进行加速、减速、前进、停止、启动的指令，还可以包括指示车辆的速度、加速度、运动方向、位置等。在实际行驶中，需结合道路的静态图层信息和/或道路的动态图层信息来确定具体使用什么样的驾驶策略，例如，采用哪个自动驾驶等级。

本申请实施例提供的自动驾驶方法应用在具有控制自动驾驶功能的其他设备(例如，云端服务器)中，或者，应用在具有自动驾驶功能的车辆上，下面对其进行具体介绍：

在一种实现方式中，云端服务器用于实施本申请实施例提供的自动驾驶方法，通过云端服务器存储的自动驾驶地图或云端服务器接收到其他设备转移的自动驾驶策略图层来获取目标车辆行驶的第一路段(第一路段为行程信息中的任意一个路段)对应的第一驾驶策略，并向目标车辆发送该第一驾驶策略，这里，第一驾驶策略用于指示目标车辆根据第一驾驶策略进行自动驾驶。此外，在第一路段为目标车辆正在行驶的路段时，云端服务器还可以获取目标车辆行驶在第一路段上的第二驾驶策略，其中，第二驾驶策略为目标车辆根据实时获取的传感器数据确定的，云端服务器在确定第一驾驶策略和第二驾驶策略的相似度满足预设条件的情况下向目标车辆发送将第二驾驶策略切换为第一驾驶策略的提示信息。在本申请实施例中，第一驾驶策略和第二驾驶策略的相似度满足预设条件可以包括第一驾驶策略好和第二驾驶策略的相似度满足设定好的第一阈值，也可以包括第一驾驶策略和第二驾驶策略的相似度满足函数关系，本申请实施例不作具体限定。在这一实现方式中，可以降低目标车辆自动驾驶的风险。

在一种实现方式中，目标车辆可以通过接收云端服务器发送的自动驾驶地图，在自动驾驶地图中获取目标车辆行驶的第一路段对应的第一驾驶策略，继而可以根据第一驾驶策略对目标车辆进行自动驾驶。此外，对于目标车辆来说，目标车辆还可以通过实时获取的传感器数据获取第二驾驶策略，在判断出第一驾驶策略和第二驾驶策略的相似度大于设定好的第一阈值的情况下，可以根据第一驾驶策略对目标车辆进行自动驾驶，或，根据第二驾驶策略对目标车辆进行自动驾驶；在判断出第一驾驶策略和第二驾驶策略的相似度小于设定好的第一阈值的情况下，根据第一驾驶策略对目标车辆进行自动驾驶。在这一实现方式中，可以降低目标车辆自动驾驶的风险。

图1e是本申请实施例提供的一种自动驾驶系统的网络架构示意图。如图1e所示，该自动驾驶系统架构中包含有车辆10(即车辆1)、车辆2和车辆M(M为大于0的整数，图示的车辆数量为示例性的描述，不应构成限定)和云端服务器20。在实际应用中，云端服务器20可以通过有线网络或无线网络与多个车辆10建立通信连接。

在本申请实施例中，如图1e所示，车辆10包含自动驾驶装置110。

在本申请实施例中，云端服务器20可以通过自动驾驶策略图层中包含的多维度的数据，运行其存储的控制汽车自动驾驶相关的程序对车辆1、车辆2以及车辆M进行控制(例如，通过驾驶策略指示车辆如何行驶)。控制汽车自动驾驶相关的程序可以为，管理自动驾驶的汽车和路上障碍物交互的程序，控制自动驾驶汽车路线或者速度的程序，控制自动驾驶汽车和路上其他自动驾驶汽车交互的程序。

在一些示例中，云端服务器在自动驾驶图层中获取车辆行驶的路段(例如，第一路段)的图层信息，之后，根据车辆行驶的第一路段的图层信息向自动驾驶车辆发送对于行驶在第一路段上的驾驶情况所建议的驾驶策略，例如，通过第一路段的动态图层信息(例如，动态图层信息中包含遗撒物)确定前方存在障碍物，并告知自动驾驶车辆如何绕开它；又例如，通过第一路段的动态图层信息(例如，动态图层信息中包含路面信息)确定路面积水情况，告知自动驾驶车辆如何在积水路面上驾驶。云端服务器向自动驾驶车辆发送指示该车辆应当在给定场景中如何行进的响应。例如，云端服务器基于第一路段的图层信息，可以确认道路前方具有临时停车标志的存在，并告知自动驾驶车辆如何绕开该道路。相应地，云端服务器发送用于自动驾驶车辆通过封闭路段(亦或是障碍物)的建议操作模式(例如：指示车辆变道另一条道路上)。在实际应用中，云端服务器还可以将建议操作模式发送到该区域内可能遇到相同障碍的其它车辆，以便辅助其它车辆不仅识别出封闭的车道还知道如何通过。

图1f是本申请实施例提供的自动驾驶装置100的功能框图。在一些实施方式中，可以将自动驾驶装置100配置为完全自动驾驶模式或部分地自动驾驶模式，亦或是人工驾驶模式。以表1中SAE提出的自动驾驶分级为例，完全自动驾驶模式可以为L5，表示由车辆完成所有驾驶操作，人类驾驶员无需保持注意力；部分地自动驾驶模式可以为L1、L2、L3、L4，其中，L1表示车辆对方向盘和加减速中的一项操作提供驾驶，人类驾驶员负责其余的驾驶操作；L2表示车辆对方向盘和加减速中的多项操作提供驾驶，人类驾驶员负责其余的驾驶动作；L3表示由车辆完成绝大部分驾驶操作，人类驾驶员需保持注意力集中以备不时之需；L4表示由车辆完成所有驾驶操作，人类驾驶员无需保持注意力，但限定道路和环境条件；人工驾驶模式可以为L0，表示由人类驾驶者全权驾驶汽车。

在实际应用中，自动驾驶装置100可以在处于自动驾驶模式的同时控制自身，并且可通过人为操作来确定车辆以及周边环境的当前状态，确定周边环境中的至少一个其他车辆的可能行为，并确定该其他车辆执行可能行为的可能性相对应的置信水平，基于所确定的信息来控制自动驾驶装置110。在自动驾驶装置110处于完全自动驾驶模式中时，可以将自动驾驶装置110置为在没有人交互的情况下操作。

自动驾驶装置110可以包括多种子系统，例如，行进系统102、传感器系统104、控制系统106、一个或多个外围设备108以及电源110、计算机系统112和用户接口116。在一些实现方式中，自动驾驶装置110可以包括更多或更少的子系统，并且每个子系统可以包括多个元件。另外，自动驾驶装置110的每个子系统和元件可以通过有线或无线互连。

在本申请实施例中，行进系统102可以包括为自动驾驶装置110提供动力运动的组件。在一些实现方式中，行进系统102可以包括引擎118、能量源119、传动装置120和车轮/轮胎121。引擎118可以是内燃引擎、电动机、空气压缩引擎或其他类型的引擎组合，例如，汽油发动机和电动机组成的混动引擎，内燃引擎和空气压缩引擎组成的混动引擎。在实际应用中，引擎118将能量源119转换成机械能量。

在本申请实施例中，能量引擎119可以包括但不限于：汽油、柴油、其他基于石油的燃料、丙烷、其他基于压缩气体的燃料、乙醇、太阳能电池板、电池或其他电力来源。能量源119也可以为自动驾驶装置110的其他系统系统提供能量。

在本申请实施例中，传动装置120可以将来自引擎118的机械动力传送到车轮121。传动装置120可以包括变速箱、差速器和驱动轴。在一些实现方式中，传动装置120还可以包括其他器件，比如离合器。其中，驱动轴包括可耦合到一个或多个车轮121的一个或多个轴。

在本申请实施例中，传感器104可以包括感测关于自动驾驶装置110周边的环境信息的若干个传感器。例如，传感器系统104可以包括定位系统122(这里，定位系统可以是GPS系统，也可以是北斗系统或者是其他定位系统)、惯性测量单元(Inertial measurementunit，IMU)124、雷达126、激光测距仪128以及相机130。传感器系统104还可以包括被监视自动驾驶装置110内部系统的传感器，例如，车内空气质量监测器、燃油量表、机油温度表等。来自这些传感器中的一个或多个传感器数据可以用于检测对象及其相应特性(例如，位置、形状、方向、速度等)。这些检测和识别是自主自动驾驶装置110的安全操作的关键功能。

在本申请实施例中，定位系统122可用于估计自动驾驶装置110的地理位置；IMU124用于基于惯性加速度来感测自动驾驶装置110的位置和朝向变化。在一些实现方式中，IMU124可以是加速度计和陀螺仪的组合。

在本申请实施例中，雷达126可利用无线电信号来感测自动驾驶装置110的周边环境内的物体。在一些实现方式中，除了感测物体之外，雷达126还可以用于感测物体的速度和/或前进方向。

在本申请实施例中，激光测距仪128可利用激光来感测自动驾驶装置110所处环境中的物体。在一些实现方式中，激光测距仪128可以包括一个或多个激光源、激光扫描器以及一个或多个监测器，以及其他系统组件。

在本申请实施例中，相机130可以用于捕捉自动驾驶装置110的周边环境的多个图像。在一些实现方式中，相机130可以是静态相机或视频相机，本申请实施例不作具体限定。

在本申请实施例中，控制系统106可控制自动驾驶装置110以及组件的操作。控制系统106可包括各种元件，其中包括转向系统132、油门134、制动单元136、计算机视觉系统140、路线控制系统142以及障碍规避系统。

在本申请实施例中，转向系统132可操作来调整自动驾驶装置110的前进方向。例如，在一个实施例中可以为方向盘系统。

在本申请实施例中，油门134用于控制引擎118的操作速度，并进而控制自动驾驶装置110的速度。

在本申请实施例中，制动单元136用于控制自动驾驶装置110的速度。制动单元136可使用摩擦力来减慢车轮121。在一些实现方式中，制动单元136可将车轮121的动能转换为电流。制动单元136也可以采取其他形式来减慢车轮121转速，从而控制自动驾驶装置110的速度。

在本申请实施例中，计算机视觉系统140可以操作来处理和分析由相机130捕捉的图像以便识别自动驾驶装置110周边环境中的物体和/或特征。在一些实现方式中，这里所提及的物体和/或特征可以包括但不限于：交通信号，道路边界和障碍物。计算机视觉系统140可使用物体识别算法、运动中恢复结构(Structure from motion，SFM)算法、视觉跟踪和其他计算机视觉技术。在一些实现方式中，计算机视觉系统140可以用于为环境绘制地图、跟踪物体、估计物体的速度等。

在本申请实施例中，路线控制系统142用于确定自动驾驶装置110的行驶路线。在一些实现方式中，路线控制系统142可结合来自传感器、定位系统122和一个或多个预定地图的数据以为自动驾驶装置110确定行驶路线。

在本申请实施例中，障碍规避系统144用于识别、评估和规避或者以其他方式越过自动驾驶装置110环境中的潜在障碍物。

可以理解的是，在一些实现方式中，控制系统106可以增加或替换地包括除了图1f所示出和描述的那些以外的组件。或者也可以减少一部分上述示出的组件，

在本申请实施例中，自动驾驶装置110通过外围设备108与外部传感器、其他车辆、其他计算机系统或用户之间进行交互。外围设备108可以包括无线通信系统146、车载电脑148、麦克风150和/或扬声器152。

在一些实现方式中，外围设备108提供自动驾驶装置110的用户与用户接口116交互的手段。例如，车载电脑148可向自动驾驶装置110的用户提供信息。用户接口116还可操作车载电脑148来接收用户的输入。车载电脑148可以通过触摸屏进行操作。在其他情况中，外围设备108可提供用于自动驾驶装置110与车内的其他设备通信的手段。例如，麦克风150可从自动驾驶装置110的用户接收音频，例如，语音命令或其他音频输入。类似地，扬声器150可向自动驾驶装置110的用户输出音频。

在本申请实施例中，无线通信系统146可以直接地或经由通信网络来与一个或多个设备无线通信。例如，无线通信系统146可使用3G蜂窝通信，例如，CDMA、EVDO、GSM/GPRS，或者4G蜂窝通信，例如，LTE。或者5G蜂窝通信。在一些实现方式中，无线通信系统146可利用WIFI与无线局域网(Wireless local area network，WLAN)通信。在一些实现方式中，无线通信系统146可利用红外链路、蓝牙或ZigBee与设备直接通信。其他无线协议，例如，各种车辆通信系统，比如无线通信系统146可包括一个或多个专用短程通信(Dedicated short-range communications，DSRC)设备。

在本申请实施例中，电源110可向自动驾驶装置110的各种组件提供电力。在一些实现方式中，电源110可以为可充电锂离子或铅酸电池。这种电池的一个或多个电池组可被配置为电源，从而为自动驾驶装置110的各种组件提供电力。在一些实现方式中，电源110和能量源119可一起实现，例如，如一些全电动车中那样将这二者一起配置。

在本申请实施例中，自动驾驶装置110的部分或所有功能受计算机系统112控制。计算机系统112可包括至少一个处理器113，处理器113执行存储在例如数据存储装置114这样的非暂态计算机可读存储介质中的指令115。计算机系统112还可以是采用分布式控制自动驾驶装置110的个体组件或子系统中的多个计算设备。

在一些实现方式中，处理器113可以是任何常规的处理器，诸如商业可获得的中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。尽管图1f功能性地示出了处理器、存储器和在相同物理外壳中的其他元件，但是本领域的普通技术人员应该理解该处理器、计算机系统或存储器，或者包括可以不存储在相同的物理外壳内的多个处理器、计算机系统或存储器。例如，存储器可以是硬盘驱动器，或位于不同于物理外壳内的其他存储介质。因此，对处理器或计算机系统的引用将被理解为包括对可以并行操作的处理器或计算机系统或存储器的集合的引用，或者可以不并行操作的处理器或计算机系统或存储器的集合的引用。不同于使用单一的处理器来执行此处所描述的步骤，诸如转向组件和减速组件的一些组件每个都可以具有其自己的处理器，该处理器只执行与特定组件的功能相关的计算。

在此处所描述的各个方面中，处理器113可以位于远离该车辆并且与该车辆进行无线通信。在其他方面，此处所描述的过程中的一些布置于车辆内的处理器上执行而其他则由远程处理器执行，包括采取执行单一操作的必要步骤。

在一些实现方式中，数据存储装置114可以包括指令115(例如，程序逻辑)，指令115可被处理器113执行来执行自动驾驶装置110的各种功能，包括以上描述的那些功能。数据存储装置114也可包含额外的指令，包括向行进系统102、传感器系统104、控制系统106和外围设备108中的一个或多个发送数据、从其接收数据、与其交互和/或对其进行控制的指令。

除了指令115以外，数据存储装置114还可存储数据，例如，道路地图、路线消息、车辆的位置、方向、速度以及其他车辆数据，以及其他信息。上述信息可在自动驾驶装置110在自主、半自主和/或手动模式操作期间被自动驾驶装置110和计算机系统112使用。

比如，在本申请实施例中，数据存储装置114从传感器104或自动驾驶装置110的其他组件获取车辆的环境信息。环境信息例如可以为车辆当前所处环境中的车道线信息、车道数、道路边界信息、道路行驶参数、交通信号、绿化带信息和是否有行人、车辆等。数据存储装置114还可以存储该车辆自身的状态信息，以及与该车辆有交互的其他车辆的状态信息。状态信息可以包括但不限于：车辆的速度、加速度、航向角等。例如，车辆基于雷达126的测速、测距功能，得到其他车辆与自身之间的距离、其他车辆的速度等。那么，在这种情况下，处理器113可从数据存储装置114获取上述车辆数据，并基于车辆所处的环境信息确定满足安全需求的驾驶策略。

在本申请实施例中，用户接口116，用于向自动驾驶装置110的用户提供信息或从其接收信息。在一些实现方式中，用户接口116可包括外围设备108的集合内的一个或多个输入/输出设备，例如，无线通信系统146、车载电脑148、麦克风150和扬声器152中的一个或多个。

在本申请实施例中，计算机系统112可基于从各种子系统(例如，行进系统102、传感器系统104和控制系统)以及从用户接口116接收的输入来控制自动驾驶装置110的功能。例如，计算机系统112可利用来气控制系统106的输入，以便控制转向系统132，从而规避由传感器系统104和障碍规避系统144检测到的障碍物。在一些实现方式中，计算机系统112可操作来对自动驾驶装置110及其子系统的许多方面提供控制。

在一些实现方式中，上述组件中的一个或多个可与自动驾驶装置110分开安装或关联。例如，数据存储装置114可以部分或完全地与自动驾驶装置110分开存在。上述组件可以按有线和/或无线方式来通信地耦合在一起。

在一些实现方式中，上述组件只是一个示例。在实际应用中，上述各个模块中的组件有可能根据实际需要增添或者删除，图1f不应理解为对本申请实施例的限制。

在道路行进的自动驾驶车辆，例如，自动驾驶装置110，可以识别其周围环境内的物体以确定是否对自动驾驶装置110当前行驶的速度进行调整。这里，物体可以是其他车辆、交通控制设备、或者其他类型的物体。在一些实现方式中，可以独立地考虑每个识别的物体，并且基于物体各自的特性，例如，它的当前行驶数据、加速度与车辆间距等，来确定自动驾驶车辆所要调整的速度。

在一些实现方式中，自动驾驶自动驾驶装置110或者与自动驾驶自动驾驶装置110相关联的计算机设备(例如，如图1f所示的计算机系统112、计算机视觉系统140、数据存储装置114)可以基于所识别的物体的特性和周围环境的状态(例如，交通、雨、道路上的冰等)来预测识别的物体的行为。在一些实现方式中，每一个识别的物体都依赖于彼此的行为，因此，还可以将识别的所有物体全部一起考虑来预测单个识别的物体的行为。自动驾驶装置110能够基于预测的识别的物体的行为来调整它的速度。换句话说，自动驾驶自动驾驶装置110能够基于所预测的物体的行为来确定车辆将需要调整到什么样的稳定状态(例如，调整操作可以包括加速、减速或者停止)。在这个过程中，也可以考虑其他因素来确定自动驾驶自动驾驶装置110的速度，例如自动驾驶装置110在行驶的道路中的横向位置、道路的曲率、静态和动态物体的接近度等。

除了提供调整自动驾驶汽车的速度的指令之外，计算机设备还可以提供修改车辆100转向角的指令，以使得自动驾驶车辆遵循给定的轨迹和/或维持与自动驾驶车辆附近的物体(例如，道路上相邻的车道中的汽车)的安全横向和纵向距离。

在本申请实施例中，上述自动驾驶装置110可以为轿车、卡车、摩托车、公共汽车、船、飞机、直升飞机、割草机、娱乐车、游乐场车辆、施工设备、电车、高尔夫球车、火车、和手推车等，本申请实施例不做特别的限定。

在一些实现方式中，自动驾驶自动驾驶装置110还可以包括硬件结构和/或软件模块，以硬件结构、软件模块、或硬件结构加软件模块的行驶来实现上述功能。上述各功能中的某个功能以硬件结构、软件模块、还是硬件结构加软件模块的方式来执行，取决于技术方案的特定应用和涉及约束条件。

图1f介绍了自动驾驶装置110的功能性框图，下面介绍自动驾驶装置110中的自动驾驶系统101。图1g是本申请实施例提供的一种自动驾驶系统的结构示意图。图1f和图1g是从不同的角度来描述自动驾驶装置110，例如，图1g中的计算机系统101为图1f中的计算机系统112。如图1g所示，计算机系统101包括处理器103，处理器103和系统总线105耦合。处理器103可以是一个或者多个处理器，其中每个处理器都可以包括一个或多个处理器核。显示适配器(video adapter)107，显示适配器可以驱动显示器109，显示器109和系统总线105耦合。系统总线105通过总线桥111和输入输出(I/O)总线113耦合。I/O接口115和I/O总线耦合。I/O接口115和多种I/O设备进行通信，比如输入设备117(如：键盘，鼠标，触摸屏等)，多媒体盘(media tray)121,(例如，CD-ROM，多媒体接口等)。收发器123(可以发送和/或接受无线电通信信号)，摄像头155(可以捕捉景田和动态数字视频图像)和外部USB接口125。其中，可选地，和I/O接口115相连接的接口可以是USB接口。

其中，处理器103可以是任何传统处理器，包括精简指令集计算(“RISC”)处理器、复杂指令集计算(“CISC”)处理器或上述的组合。可选地，处理器可以是诸如专用集成电路(“ASIC”)的专用装置。可选地，处理器103可以是神经网络处理器或者是神经网络处理器和上述传统处理器的组合。

可选地，在本文所述的各种实施例中，计算机系统101可位于远离自动驾驶车辆的地方，并且可与自动驾驶车辆100无线通信。在其它方面，本文所述的一些过程在设置在自动驾驶车辆内的处理器上执行，其它由远程处理器执行，包括采取执行单个操纵所需的动作。

计算机101可以通过网络接口129和软件部署服务器149通信。网络接口129是硬件网络接口，比如，网卡。网络127可以是外部网络，比如因特网，也可以是内部网络，比如以太网或者虚拟私人网络(VPN)。可选地，网络127还尅是无线网络，比如WiFi网络，蜂窝网络等。

硬盘驱动接口和系统总线105耦合。硬件驱动接口和硬盘驱动器相连接。系统内存135和系统总线105耦合。运行在系统内存135的数据可以包括计算机101的操作系统137和应用程序143。

操作系统包括Shell 139和内核(kernel)141。Shell 139是介于使用者和操作系统之内核(kernel)间的一个接口。shell是操作系统最外面的一层。shell管理使用者与操作系统之间的交互:等待使用者的输入,向操作系统解释使用者的输入,并且处理各种各样的操作系统的输出结果。

内核141由操作系统中用于管理存储器、文件、外设和系统资源的那些部分组成。直接与硬件交互，操作系统内核通常运行进程，并提供进程间的通信，提供CPU时间片管理、中断、内存管理、IO管理等等。

应用程序141包括控制汽车自动驾驶相关的程序，比如，管理自动驾驶的汽车和路上障碍物交互的程序，控制自动驾驶汽车路线或者速度的程序，控制自动驾驶汽车和路上其他自动驾驶汽车交互的程序。应用程序141也存在于deploying server 149的系统上。在一个实施例中，在需要执行应用程序141时，计算机系统101可以从deploying server14下载应用程序141。

又比如，应用程序141可以是控制车辆根据实时获取的传感器数据计算驾驶策略的应用程序。其中，实时获取的传感器数据可以包括环境信息、目标车辆的自身状态信息以及目标车辆潜在交互目标对象的状态信息。具体地，环境信息为目标车辆当前所处环境的信息(例如，绿化带分布情况、车道、交通信号灯等)，状态信息可以包括但不限于车辆的速度、加速度、航向角。例如，车辆基于雷达126的测速、测距功能，得到其他车辆与自身之间的距离、其他车辆的速度等等。计算机系统101的处理器103可以调用应用程序141，得到第二驾驶策略。

在一些实现方式中，由于自动驾驶策略图层中包含的信息更为丰富，道路的静态图层信息保证了自动驾驶能够高效的确定行驶路径和规避障碍物，道路的动态化图层信息保证了自动驾驶能够及时地应对突发状况，这一实现方式能够克服传感器的感知缺陷，从而可以知道的是，第一驾驶策略的准确性往往要高于第二驾驶策略，那么，在这种情况下，应用程序141还可以是控制车辆根据云端服务器发送的第一驾驶策略以及第二驾驶策略(这里，第二驾驶确定为车辆通过实时获取的传感器数据确定的)来确定最终驾驶策略的应用程序。具体地，在第一驾驶策略和第二驾驶策略的相似度大于设定好的第一阈值的情况下，应用程序141确定第一驾驶策略或第二驾驶策略为最终的驾驶策略。在第一驾驶策略和第二驾驶策略的相似度小于设定好的第一阈值的情况下，应用程序141确定第一驾驶策略为最终的驾驶策略。

传感器153和计算机系统101关联。传感器153用于探测计算机101周围的环境。举例来说，传感器153可以探测动物，汽车，障碍物和人行横道等，进一步传感器还可以探测上述动物，汽车，障碍物和人行横道等物体周围的环境，比如：动物周围的环境，例如，动物周围出现的其他动物，天气条件，周围环境的光亮度等。可选地，如果计算机101位于自动驾驶的汽车上，传感器可以是摄像头，红外线感应器，化学检测器，麦克风等。传感器153在激活时，按照预设间隔感测信息并实时地将所感测到的信息提供给计算机系统101。

可选的，在本文所述的各种实施例中，计算机系统101可位于远离自动驾驶装置110的地方，并且可以与自动驾驶装置110进行无线通信。收发器123可将自动驾驶任务、传感器153采集的传感器数据和其他数据发送给计算机系统101；还可以接收计算机系统101发送的控制指令。自动驾驶装置可执行收发器123接收的来自计算机系统101的控制指令，并执行相应的驾驶操作。在其他方面，本文所述的一些过程设置在自动驾驶车辆内的处理器上执行，其他由远程处理器执行，包括采取执行单个操作所需的动作。

基于图1e所示的系统架构，下面结合图2所示的本申请实施例提供的一种自动驾驶方法的流程示意图，具体说明在本申请实施例中，是如何实现车辆的自动驾驶的，可以包括但不限于如下步骤：

步骤S200、目标车辆向云端服务器上报自身的车辆属性信息和行程信息。

步骤S202、云端服务器接收目标车辆上报的车辆属性信息和所述目标车辆的行程信息；其中，所述目标车辆的车辆属性信息用于生成自动驾驶策略。

在本申请实施例中，目标车辆为图1e所示的系统架构中多个自动驾驶车辆中的任意一个。

在本申请实施例中，行程信息用于指示目标车辆的行程。在一个示例中，行程信息可以包含目标车辆的当前位置，例如，当前位置为通过二维数组表示的坐标值(X，Y)，其中，X为经度值，Y为纬度值；在一个示例中，行程信息可以包含起始位置、目的位置，例如，起始位置为通过二维数组表示的坐标值(X1，Y1)，目的位置为通过二维数组表示的坐标值(X2，Y2)，其中，X1、X2为经度值，Y1、Y2为纬度值；在一个示例中，该行程信息也可以为起始位置至目的位置的计划行驶路段，该计划行驶路段为一条连续的、有方向的矢量线，例如，起始位置为A，目的位置为B，计划行驶路段为A-C-D-E-B的一条连续的、有方向的矢量线。当行程信息为目标车辆的当前位置时，车载终端可以将位置传感器获取的行程信息发送给服务器。当行程信息为目标车辆的起始位置和目的位置，或者是起始位置至目的位置的计划行驶路段时，目标车辆可以将车载导航(如，GPS系统，或者是北斗系统，亦或者是其他定位系统)确定的行程信息发送给服务器。例如，用户在目标车辆的车载导航中输入起始位置和目的位置，车载导航将用户输入的起始位置和目的位置确定为行程信息。又例如，用户在目标车辆的车载导航中选择了起始位置至目的位置的一条计划行驶路段，车载导航将用户选择的计划行驶路段确定为行程信息。

在本申请实施例中，车辆属性信息用于指示自动驾驶策略。示例性地，该自动驾驶策略可以包括目标车辆有能力支持的自动驾驶策略。具体地，目标车辆的车辆属性信息可以包括目标车辆的自动驾驶能力、目标车辆的传感器分布信息、目标车辆中驾驶员的驾驶状态中的至少一种。其中，目标车辆的自动驾驶能力，是指目标车辆可以支持的最高自动驾驶等级。目标车辆的传感器分布信息可以包括传感器的种类、数量和放置位置等等。驾驶员的驾驶状态可以包括车辆中驾驶员的疲劳程度、车辆中驾驶员的驾驶能力等。

接下来对目标车辆的传感器分布信息进行详细阐述，例如，目标车辆包含有一个或多个车辆速度传感器，该车辆速度传感器可以分布在目标车辆的内部，用于检测车辆的行驶速度；目标车辆包含有一个或多个加速度传感器，该加速度传感器可以分布在目标车辆的内部，用于检测车辆在行驶过程中的加速度，例如，该加速度为急刹车状态下的加速度；目标车辆包含有一个或多个视频传感器，该视频传感器可以分布在目标车辆的外部，用于获取并监测车辆周围环境的图像数据；目标车辆包含有一个或多个雷达传感器，该雷达传感器可以分布在整个目标车辆的外部，用于获取并监测车辆周围环境的电磁波数据，主要通过发射电磁波，然后通过接收周围物体反射的电磁波来检测周围物体与车辆的距离、周围物体的外形等各项数据。以多个雷达雷达传感器分布在整个目标车辆的外部为例，多个雷达传感器的子集耦合到车辆的前部，从而定位车辆前方的对象。一个或多个其他雷达传感器可位于车辆的后部，从而在车辆后退时定位车辆后方的对象。其他雷达传感器可位于车辆的侧面，从而定位从侧面靠近车辆的例如其他车辆等对象。例如，激光雷达(lightdetection and ranging，LIDAR)传感器可安装在车辆上，例如，将LIDAR传感器安装在车辆顶部安装的旋转结构中。然后旋转LIDAR传感器120能以360°模式传输车辆周围的光信号，从而随着车辆移动不断映射车辆周围所有对象。例如，目标车辆包含有相机、摄像机或其他类似图像采集传感器等成像传感器，该成像传感器可以安装在车辆上，从而随着车辆移动捕捉图像。可以在车辆的所有侧面放置多个成像传感器，从而以360°模式捕捉车辆周围的图像。成像传感器不仅可以捕捉可见光谱图像，还可以捕捉红外光谱图像。例如，目标车辆包含有全球定位系统(Global Positioning System，GPS)传感器(亦或者是北斗系统传感器)，该传感器可位于车辆上，从而向控制器提供与车辆的位置相关的地理坐标和坐标生成时间。GPS包括用于接收GPS卫星信号的天线以及耦合到天线的GPS接收器。例如，当在图像中或另一传感器观察到对象时，GPS可提供发现物体的地理坐标和时间。

以驾驶员的驾驶状态为例，目标车辆中驾驶员的疲劳程度可以为轻度疲劳、中度疲劳、严重疲劳以及状态良好中的一种。在实际应用中，可以先获取驾驶员的面部图像，然后，对获取到的驾驶员的面部图像进行识别，以判定驾驶员的疲劳程度。当识别出驾驶员的面部图像的分类结果之后，可以通过枚举值的方式来表征不同类型的驾驶员的驾驶状态。例如，0表示状态良好、1表示轻度疲劳、2表示中度疲劳、3表示严重疲劳。目标车辆驾驶员的驾驶能力可以包括高、中、低中的一种。在实际应用中，可以通过指示信息来表征驾驶员的驾驶能力，例如，00表示驾驶员的驾驶能力为“高”，01表示驾驶员的驾驶能力为“中”，02表示驾驶员的驾驶能力为“低”，还可以通过联合指示信息来表征驾驶员的驾驶能力。需要说明的是，上述举例均只是一种示例，不应构成限定。

步骤S204、云端服务器根据所述行程信息在自动驾驶策略图层中获取所述目标车辆行驶的第一路段的图层信息。

在本申请实施例中，路段是指A点到B点之间连续的、有方向的一条矢量线。例如，A点为行程信息中的起始位置，B点为行程信息中的目的位置。

在本申请实施例中，云端服务器根据目标车辆上报的行程信息确定至少一条行驶的路段(例如，该路段为第一路段，第一路段只是一种示例性描述，不应构成限定)，然后，在自动驾驶策略图层中获取第一路段的图层信息。这里，行驶的路段可以包括正在行驶的路段，也可以包括计划行驶的路段，本申请实施例不作具体限定。

在一些实现方式中，第一路段的图层信息可以包括第一路段的静态图层信息，其中，第一路段的静态图层信息用于指示第一路段的基础设施信息。在一些实现方式中，第一路段的图层信息包括第一路段的静态图层信息和第一路段的动态图层信息，其中，第一路段的静态图层信息用于指示第一路段的基础设施信息，第一路段的动态图层信息用于指示第一路段的动态交通信息。

具体来说，路段的基础设施信息是指，相关部门(例如，交通部门或政府部门)为满足车辆的正常出行而规划建设的基本设施。例如，第一路段的基础设施信息可以包括道路(包含道路等级等，如快速路、主干路、支路)、桥梁(包含涵洞)、隧道(包含隧道机电设施，如监控设施、通信设施、照明设施等)和交通安全工程设施(包括标志、标线、护栏等)中的至少一种。在实际应用中，可以通过指示符R表征“道路”，可以通过指示符L表征“桥梁”，可以通过指示符U表征“隧道”，可以通过指示符J表征“交通安全工程设施”。示例性地，第一路段的静态图层信息可以包括以下至少一项：车道属性、道路的数字化设备信息，绿化带信息。其中，车道属性用于指示基础道路的规范化信息；道路的数字化设备信息用于指示道路的硬件设施信息；绿化带信息用于指示绿化带位置。

例如，车道属性可以包括以下至少一项：车道线信息、车道数、道路边界信息、道路行驶参数、交通信号和障碍物。其中，车道线信息用于指示车道线位置，例如，车道线信息可以包括车道宽度、车道线角度以及曲率等；车道数用于指示车道的数量，例如，可以通过左左，左，右，右右四条车道线信息，区分出三条车道，从而可以确定XX路包括三条车道；道路边界信息用于指示道路边界线的位置，道路行驶参数用于指示当前路段允许的最大限额速度、可以支持的驾驶速度，例如，YY路段限速60KM/h，XY路段可以支持的驾驶速度为100KM/h-120KM/h，XY路段可以支持的驾驶速度等级为驾驶速度等级3；交通信号用于指示车辆的前进方向(例如，红灯停、绿灯行，左转、右转、掉头等)，障碍物用于指示车辆的行驶边界。

例如，道路的数字化设备信息可以包括以下至少一项：车对外界的信息交换系统、路测单元。其中，车对外界的信息交换意为vehicle to everything，即Vehicle to X(V2X)，是智能交通运输系统的关键技术，使得车与车、车与基站、车与路侧单元、车与云端服务器、车与行人等之间能够通信，从而可以获得实时路况、道路信息、行人信息等一系列交通信息。通过V2X系统，自动驾驶装置110可以获取更丰富的实时数据，可用于进行实时交通信息的分析，最佳行驶路线选择等。路侧单元(Road Side Unit，RSU)，是安装在路侧，采用短程通信技术(例如，Cellular-V2X技术)技术，与车载单元(On Board Unit，OBU)进行通讯的装置。具体来说，目标车辆可以通过与道路上的数字化设备(如路侧单元)，以及通过网络与云端服务器进行信息交互，可以及时更新行驶路段的环境信息，避免目标车辆行驶在允许运行区域之外的非驾驶区域，例如，在出现交通管制的道路而目标车辆依旧行驶在管制的道路中。

具体来说，路段的动态交通信息是指，车辆出行时，具有变化属性的交通信息。在本申请实施例中，第一路段的动态图层信息可以是与时间点(或时间段)相关联的信息，也可以是与时间点(或时间段)无关联的信息。示例性地，第一路段的动态图层信息可以包括以下至少一项：天气信息、路面信息、第一路段在某个时间段(例如，第一时间段，具体地，第一时间段可以为上午8:00-9:00的时间段)的拥堵情况，第一路段在第一时间内行人和非机动车的穿行概率、第一路段在第一时间段内发生驾驶事故的事故概率。这里，第一路段在第一时间段内的拥堵情况可以为历史拥堵情况，也可以为根据历史拥堵情况预测得到的未来某个时间段内的拥堵情况。类似地，第一路段在第一时间段内行人和非机动车的穿行概率可以为历史穿行概率，也可以为根据历史穿行概率预测到的未来某个时间段内的穿行概率。类似地，第一苦短在第一时间段内发生驾驶事故的事故概率可以为历史事故概率，也可以为根据历史事故概率预测得到的未来某个时间段内的事故概率。

示例性地，天气信息可以包括晴天、阴天、大雨、小雨、下雪等等。

示例性地，路面信息可以包括道路中断情况、道路维修情况、道路遗撒情况、积水情况等等。例如，若存在道路中断，表示该路段不可驾驶。例如，若存在道路维修，表示该路段需要小心驾驶或绕道驾驶，在这种情况下，出于安全行驶的目的，往往需要将自动化程度高的自动驾驶策略切换为自动化程度低的自动驾驶策略，例如，将完全自动驾驶策略切换为部分地自动驾驶策略。例如，若存在道路遗撒情况，则进一步获取遗撒物的尺寸是否大于某一阈值，若遗撒物的尺寸小于某一阈值，表示该遗撒物对自动驾驶策略产生的影响极小，或可以忽略不计。例如，若遗撒物为纸屑时，此时发生的道路遗撒对自动驾驶策略的行驶几乎没有影响。若遗撒物的尺寸大于某一阈值，例如，若遗撒物为石头时，此时发生的道路遗撒对自动驾驶车辆的行驶的影响比较大。在这种情况下，出于安全行驶的目的，往往需要将自动化程度高的自动驾驶策略切换为自动化程度低的自动驾驶策略。

在本申请实施例中，上述所提及的第一路段在某个时间段(例如，第一时间段，具体地，第一时间段可以为上午8:00-9:00的时间段)的拥堵情况，第一路段在第一时间内行人和非机动车的穿行概率、第一路段在第一时间段内发生驾驶事故的事故概率均属于第一路段的统计值。所谓统计值(也称为样本值),它是关于样本中某一变量的综合描述，或者说是样本中所有元素的某种特征的综合数量表现。统计值是从样本中计算出来的，它是相应的参数值的估计量。在一些实现方式中，可以通过对第一路段的车辆进行分时统计，例如，统计在某个时间段内第一路段上行驶的车辆的数量，统计在某个时间段内第一路段上行驶的车辆的自动驾驶策略分布情况；也可以对第一路段的除车辆之外其他交通参与者进行分时统计，例如，统计在某个时间段内第一路段上行人和非机动车的穿行数量等等，从而得到第一路段的统计值。

在本申请实施例中，关于道路拥堵情况的界定，可以通过判断路段的车流速度是否小于设定好的某一阈值，例如，该阈值可以为10km/h，若路段的车流速度小于10km/h，表明该道路出现拥堵；又例如，该阈值为20辆/车道，表明该道路出现拥堵。

步骤S206、云端服务器根据所述第一路段的图层信息和所述目标车辆的车辆属性信息获取第一驾驶策略。

在一些实现方式中，根据第一路段的图层信息和目标车辆的车辆属性信息获取第一驾驶策略的实现步骤可以包括：根据第一路段的图层信息和目标车辆的车辆属性信息获取第一安全通行概率，之后，根据驾驶策略与安全通行概率的对应关系获取第一安全通行概率对应的第一驾驶策略。具体地，云端服务器存储有驾驶策略与安全通行概率的对应关系，例如，云端服务器将安全通行概率70％对应的驾驶策略设置为驾驶策略1，云端服务器将安全通行概率75％对应的驾驶策略设置为驾驶策略2，云端服务器将安全通行概率80％对应的驾驶策略设置为驾驶策略3，云端服务器将安全通行概率85％对应的驾驶策略设置为驾驶策略4，云端服务器将安全通行概率90％对应的驾驶策略设置为驾驶策略5，云端服务器将安全通行概率95％对应的驾驶策略设置为驾驶策略6，等等。因此，云端服务器根据第一路段的图层信息和目标车辆的车辆属性信息确定的第一安全通行概率为90％，则云端服务器根据预置的驾驶策略与安全通行概率的对应关系，查找到第一安全通行概率90％对应的驾驶策略为驾驶策略5。

在一些实现方式中，云端服务器存储的驾驶策略与安全通行概率的对应关系中包括安全通行概率区间段与驾驶策略的对应关系，那么，在这种情况下，根据驾驶策略与安全通行概率的对应关系获取第一安全通行概率对应的驾驶策略具体为：根据驾驶策略与安全通行概率区间段的对应关系，查找第一安全通行概率所对应的驾驶策略。具体地，云端服务器将安全通行概率划分为不同的概率区间段，每一个概率区间段对应一个驾驶策略。例如，云端服务器将安全通行概率为大于等于70％且小于75％的概率区间段对应的驾驶策略设置为驾驶策略1，等等。

在本申请实施例中，根据第一路段的图层信息和目标车辆的车辆属性信息获取第一安全通行概率的实现过程可以包括：通过第一模型计算第一安全通行概率。示例性地，第一模型可以为公式，也可以为函数模型，也可以为训练好的神经网络模型等等。应理解，这里的计算安全通行概率的方式可以有多种，一个实施方式中，第一安全通行概率的计算可以满足一个公式或函数模型。

在一种可能的实现方式中，第一模型包括至少一个信息项和至少一个信息项对应的权重参数，这里，至少一个信息项为根据第一路段的图层信息和目标车辆的车辆属性信息提取得到的信息项，权重参数用于指示信息项被用于确定第一安全通行概率时的重要程度。具体地，第一模型可以表示为：

P＝A

其中，A1表示第一个信息项，ω

在一种可能的实现方式中，第一模型与样本数据相关联。一个实施方式中，所述第一模型与至少一个样本数据相关联。在实际应用中，该第一模型可以为神经网络模型。示例性地，该神经网络模型可以为深度学习神经网络模型(Deep Neural Networks，DNN)，也可以为循环神经网络模型(Recurrent Neural Networks，RNN)等等。以第一模型为循环神经网络模型RNN为例，RNN的隐含层中包含多个隐含层节点，每一个隐含层节点分别对应一个信息项。每一个隐含层节点具有一个权重参数。值得注意的是，训练循环神经网络模型RNN的关键在于确定训练样本，考虑到相邻路段往往具有相似的交通特性，循环神经网络模型RNN的样本数据包括从第二路段的图层信息和目标车辆的车辆属性信息提取得到的至少一个信息项，其中，第二路段为与第一路段相邻的路段，且第二路段为第一路段的入口。在这一实现方式中，由于相邻的路段之间具有相同或相似的交通特性，基于第二路段的图层信息和目标车辆的车辆属性信息得到训练好的第一模型，可以提高第一模型计算第一安全通行概率的准确性。

在本申请实施例中，通过第二路段的多个样本数据可以得到训练好的循环神经网络模型RNN，该训练好的循环神经网络模型RNN可以用于表征第二路段的图层信息、目标车辆的车辆属性信息与安全驾驶概率之间的对应关系，在确定目标车辆行驶在另一路段(例如，第一路段)的安全通行概率时，可以将第一路段的图层信息和目标车辆的车辆属性信息输入训练好的循环神经网络模型，以得到第一路段的安全通行概率。

需要说明的是，在上述阐述的根据第一路段的图层信息和目标车辆的车辆属性信息获取第一驾驶策略的实现过程中，在一些实现方式中，在第一路段的图层信息包括第一路段的静态图层信息的情况下，根据第一路段的图层信息和目标车辆的车辆属性信息获取第一驾驶策略的实现步骤可以包括：根据第一路段的静态图层信息和目标车辆的车辆属性信息获取第一驾驶策略。此时，当通过第一模型(例如，第一模型为公式)计算安全通行概率时，在第一路段的静态图层信息和目标车辆的车辆属性信息中提取信息项，然后，获取每个信息项对应的权重参数，以计算得到安全通行概率。当通过第一模型(例如，第一模型为训练好的神经网络模型)计算安全通行概率时，将第一路段的静态图层信息和目标车辆的车辆属性信息输入第一模型，以得到目标车辆行驶的第一路段的安全通行概率。在一些实现方式中，在第一路段的图层信息包括第一路段的静态图层信息和第一路段的动态图层信息的情况下，根据第一路段的图层信息和目标车辆的车辆属性信息获取第一驾驶策略的实现步骤可以包括：根据第一路段的静态图层信息、第一路段的动态图层信息和目标车辆的车辆属性信息获取第一驾驶策略。此时，当通过第一模型(例如，第一模型为公式)计算安全通行概率时，在第一路段的静态图层信息和第一路段的动态图层信息中提取信息项，然后，获取每个信息项对应的权重参数，以计算得到安全通行概率。当通过第一模型(例如，第一模型为训练好的神经网络模型)计算安全通行概率时，将第一路段的静态图层信息、第二路段的动态图层信息和目标车辆的车辆属性信息输入第一模型，以得到目标车辆行驶的第一路段的安全通行概率。

步骤S208、云端服务器将所述第一驾驶策略发送给所述目标车辆。

在本申请实施例中，在云端服务器根据第一路段的图层信息和目标车辆的车辆属性信息获取第一安全驾驶策略之后，云端服务器将第一安全驾驶策略下发给目标车辆的自动驾驶装置，以便目标车辆根据第一驾驶策略进行自动驾驶。

实施本申请实施例所描述的自动驾驶方法，云端服务器可以通过目标车辆上报的行程信息在自动驾驶策略图层中获取行驶的第一路段的图层信息，之后，根据第一路段的图层信息和车辆的属性信息来获取满足安全要求的驾驶策略，以便目标车辆可以根据云端服务器确定好的驾驶策略进行自动驾驶。由于自动驾驶策略图层中包含的信息更为丰富，道路的静态图层信息保证了自动驾驶能够高效的确定行驶路径和规避障碍物，道路的动态化图层信息保证了自动驾驶能够及时地应对突发状况，这一实现方式能够克服传感器的感知缺陷(例如，传感器的感知缺陷体现在：传感器获取的数据有限、传感器检测的范围有限、传感器的检测易受环境影响等等)，从而可以提高确定满足安全要求的驾驶策略的准确性，降低了自动驾驶的风险。

在一些实现方式中，当目标车辆正行驶在第一路段时，目标车辆可以将行驶在第一路段的第二驾驶策略上报给云端服务器，其中，第二驾驶策略为目标车辆通过图1f所示的传感器104实时获取的传感器数据确定，那么，在这种情况下，云端服务器可以判断第一驾驶策略和第二驾驶策略的相似度是否满足设定好的预设条件，在第一驾驶策略和第二驾驶策略的相似度满足设定好的预设条件的情况下，向目标车辆发送将第二驾驶策略切换为第一驾驶策略的提示信息。

在本申请实施例中，提示信息的形式可以是语音或光线或图文显示等其他形式。示例性地，以提示信息的形式为语音为例，该提示信息可以为：“当前行驶的第而驾驶策略的安全性低，请将第二驾驶策略切换为第一驾驶策略”。该语音可以为高昂严厉。以提示信息的形式为光线为例，该提示信息可以为光线较亮且带有闪烁感。以提示信息的形式为图文为例，该图文可以为“高危驾驶”。

示例性地，上述所提及的第一驾驶策略和第二驾驶策略的相似度满足预设条件可以为第一驾驶策略和第二驾驶策略的相似度小于设定好的第一阈值(例如，该第一阈值可以为0.8)，第一驾驶策略和第二驾驶策略的相似度满足预设条件还可以为第一驾驶策略和第二驾驶策略的相似度满足函数关系等等。

在这一实现方式中，由于自动驾驶策略图层包含着丰富的信息，且能够克服传感器的感知缺陷，这也意味着，云端服务器根据自动驾驶策略图层确定好的第一驾驶策略的安全性要高于目标车辆根据实时获取的传感器数据确定好的第二驾驶策略。出于安全驾驶的目的，云端服务器在判断出第一驾驶策略和第二驾驶策略的相似度小于设定好的阈值的情况下，向目标车辆发送将第二驾驶策略切换为第一驾驶策略的提示信息，以便目标车辆采用安全性更好的第一驾驶策略进行自动驾驶，可以降低自动驾驶的风险。

图2所示的方法中阐述了云端服务器可以通过目标车辆上报的行程信息在自动驾驶策略图层中获取行驶的第一路段的图层信息，之后，根据第一路段的图层信息和车辆的属性信息来获取满足安全要求的驾驶策略，下面介绍一种应用于车载终端的自动驾驶方法，具体阐述车载终端如何根据第一驾驶策略进行自动驾驶的。图3a为本申请实施例提供的一种自动驾驶方法，具体地，该方法在上述步骤S208之后，如图3a所示，该方法可以包括如下步骤：

步骤S2010、目标车辆接收云端服务器发送的第一驾驶策略。

步骤S2012、目标车辆根据所述第一驾驶策略对所述目标车辆进行自动驾驶。

在一些实现方式中，目标车辆可以通过图1f所示的传感器获取到的传感器数据确定目标车辆行驶在第一路段上的第二驾驶策略，在这种情况下，根据第一驾驶策略对目标车辆进行自动驾驶的实现步骤可以包括：根据第一驾驶策略和第二驾驶策略对目标车辆进行自动驾驶。

接下来具体阐述目标车辆如何基于获取到的传感器数据确定第二驾驶策略的方法，示例性地，该传感器数据用于指示目标车辆当前行驶的环境信息。

在本申请实施例中，以传感器数据为摄像头获取的行驶环境中的图像数据为例，具体地，该图像数据可以为静态目标(例如，绿化带)的图像数据，也可以为动态目标(例如，前方车辆)的图像数据。

在识别静态目标或动态目标的过程中，首先，检测识别出来该目标是什么类型的物体。具体地，参见图3b，为检测识别目标的实现流程。将图像数据输入特征提取模型，由特征提取模型在图像中选择候选区域，并提取候选区域的特征。之后，特征提取模型输出提取的特征，并将这些特征输入分类器，通过分类器对提取的特征进行分类识别，由分类器输出识别为第i类物体的概率。进一步地，可对识别出的物体进行框选表示。图3b还示出了获取分类器的方式，具体地，选择训练样本，并对训练样本进行特征提取等操作，从而可以完成对训练样本的训练过程，得到分类器。

其中，训练样本包括正样本和负样本。正样本是指与检测识别对象相关的样本，负样本是指与检测识别对象不相关或相关较低的样本。举例来说，图3b所示的目标检测识别流程需检测某一物体是否为车辆，即检测识别对象为车辆，此时，正样本为车辆的图像，负样本为除车辆以外的其他物体的图像，比如，负样本为车道线的图像，或者，绿化带的图像等。

在一些实现方式中，上述特征取模型可以为卷积神经网络模型(ConvolutionalNeural Network，CNN)，当然，也可以为其他具有图像数据特征功能的学习模型。分类器可以为支持向量机(Support Vector Machine，SVM)，或者，采用其他类型的分类器。本申请实施例不对分类器和特征提取模型的类型进行限制。

以使用深度学习算法检测识别目标，且特征提取模型为神经网络模型为例，参见图3c，为本申请实施例提供的一种卷积神经网络模型的结构示意图，其中，该卷积神经网络模型包括一个卷积层、一个池化层和三个全连接层。如图3c所示，目标检测识别的流程具体为：将图像输入卷积神经网络模型，通过该模型的卷积层得到图像数据的候选区域的特征图，该特征图用于表示从该候选区域提取的特征。之后，池化层根据卷积层输出的特征图进行池化操作，保留候选区域的主要特征，减少所需计算特征的数量，以减少卷积神经网络模型的计算量。之后，池化层输出的特征向量输入全连接层，由全连接将各个候选区域的特征综合起来，得到整个图像的特征，并将图像特征输出到分类器。分类器可以输出图像中物体的分类概率。比如，分类器输出图像中物体为车辆的概率为98％。在一些实现方式中，在得到物体的分类概率之后，对识别出的物体进行框选，并使用回归器精细修整框选的位置。

需要说明的是，在卷积神经网络模型中，可能存在多个卷积层、多个池化层，以及多个全连接层。例如，如图3d所示的多个卷积层/池化层并行，将分别提取的特征均输入给神经网络层130进行处理。

那么，在这种情况下，目标车辆可以根据获取到的当前行驶环境中的一个或多个静态目标的图像数据和一个或多个动态目标图像数据获取第二驾驶策略。

在本申请实施例中，根据第一驾驶策略和第二驾驶策略对目标车辆进行自动驾驶的实现过程可以参见下面所阐述的两种情形：

情形一：在判断出第一驾驶策略和第二驾驶策略的相似度大于第一阈值的情况下，根据第一驾驶策略对目标车辆进行自动驾驶，或，根据第二驾驶策略对目标车辆进行自动驾驶。

在本申请实施例中，相似度，又称相似性度量，也即综合评定两个事物之间相近程度的一种度量。可以理解的是，两个事物越亲近，他们的相似度也就越大。示例性地，目标车辆通过实时获取的传感器数据确定目标车辆行驶的第一路段的自动驾驶策略为完全自动驾驶L5，云端服务器根据自动驾驶策略图层确定行驶的第一路段的自动驾驶策略为高度自动驾驶。由表1可以知道的是，完全自动驾驶L5，是指由车辆完成所有驾驶操作，人类驾驶员无需保持注意力。高度自动驾驶L4，是指由车辆完成所有驾驶操作，人类驾驶员无需保持注意力，但限定道路和环境条件。这两个驾驶策略之间的不同之处体现在：高度自动驾驶L4限定道路和环境条件，而完全自动驾驶L5不限定道路和环境条件。可以理解的是，高度自动驾驶L4与完全自动驾驶L5之间的相似度极高，示例性地，通过相似度计算公式(例如，欧几里德距离公式)确定这二个驾驶策略之间的相似度为0.85，该相似度大于设定好的第一阈值(例如，第一阈值为0.8)，在这种情况下，目标车辆可以根据第一驾驶策略对目标车辆进行自动驾驶，或者，目标车辆根据第二驾驶策略对目标车辆进行自动驾驶。

需要说明的是，在一些实现方式中，在判断出第一驾驶策略和第二驾驶策略的相似度大于等于第一阈值的情况下，目标车辆可以根据第一驾驶策略对目标车辆进行自动驾驶，或，目标车辆可以根据第二驾驶策略对目标车辆进行自动驾驶，这表明目标车辆通过第一驾驶策略或通过第二驾驶策略进行自动驾驶时，均可以保证车辆的安全性。

情形二：在判断出第一驾驶策略和第二驾驶策略的相似度小于第一阈值的情况下，根据第一驾驶策略对目标车辆进行自动驾驶。

在本申请实施例中，由于传感器存在感知缺陷，例如，该感知缺陷体现在：传感器获取的数据有限、传感器检测的范围有限、传感器的检测易受环境影响等等，该感知缺陷容易导致获取到的传感器数据不够准确，进而容易降低根据传感器数据确定的驾驶策略的准确性。而自动驾驶策略图层可以看作是传统硬件传感器(例如，雷达、激光测距仪或摄像头)的延伸，其包含的数据更为丰富，且不受环境、障碍或者干扰的影响，其中，道路的静态图层信息保证了自动驾驶能够高效的确定行驶路径和规避障碍物，道路的动态化图层信息保证了自动驾驶能够及时地应对突发状况，从而可以知道的是，根据自动驾驶策略图层确定的第一驾驶策略的安全性要高于目标车辆通过实时获取的传感器数据确定第二驾驶策略。基于此，在自动驾驶装置判断出第一驾驶策略和第二驾驶策略的相似度小于第一阈值的情况下，出于安全行驶的目的，根据第一驾驶策略对目标车辆进行自动驾驶，以规避不必要的驾驶风险。

需要说明的是，在一些实现方式中，在判断出第一驾驶策略和第二驾驶策略的相似度小于等于第一阈值的情况下，目标车辆根据第一驾驶策略对目标车辆进行自动驾驶，也即为了避免车辆的偶然风险，目标车辆选择安全性更高的第一驾驶驾驶策略进行自动驾驶。

可以理解的是，在本申请实施例中，在“第一驾驶策略和第二驾驶策略的相似度等于第一阈值”的情况下，可以认为其满足上述所描述的情形一，也可以认为其满足上述所描述的情形二，本申请实施例并不作具体限定。

图2所示的方法中阐述了云端服务器可以通过目标车辆上报的行程信息在自动驾驶策略图层中获取行驶的第一路段的图层信息，之后，根据第一路段的图层信息和车辆的属性信息来获取满足安全要求的驾驶策略，下面介绍一种应用于车载终端(也可以称为自动驾驶装置)的自动驾驶方法，具体阐述车载终端如何根据云端服务器发送的自动驾驶策略图层获取驾驶策略的，图4为本申请实施例提供的另一种自动驾驶方法，如图4所示，该方法可以包括如下步骤：

步骤S400、目标车辆向云端服务器上报行程信息。

在本申请实施例中，行程信息的具体描述以及关于目标车辆如何向云端服务器上报行程信息的具体实现请参考前述方法实施例图2的相关描述，此处不多加赘述。

步骤S402、云端服务器接收目标车辆上报的行程信息。

步骤S404、云端服务器根据所述行程信息在自动驾驶策略图层中获取所述目标车辆行驶的第一路段的图层信息。

在一些实现方式中，第一路段的图层信息可以包括第一路段的静态图层信息，其中，第一路段的静态图层信息用于指示第一路段的基础设施信息。在一些实现方式中，第一路段的图层信息包括第一路段的静态图层信息和第一路段的动态图层信息，具体地，第一路段的静态图层信息用于指示第一路段的基础设施信息，第一路段的动态图层信息用于指示第一路段的动态交通信息。

步骤S406、云端服务器将第一路段的图层信息发送给目标车辆。

步骤S408、目标车辆接收第一路段的图层信息，并根据所述第一路段的图层信息和所述目标车辆的车辆属性信息获取第一驾驶策略。

在本申请实施例中，关于目标车辆根据第一路段的图层信息和目标车辆的车辆属性信息获取第一驾驶策略的具体实现可以参考前述步骤S206的相关描述，此处不多加赘述。

步骤S4010、目标车辆根据第一驾驶策略对目标车辆进行自动驾驶。

在一些实现方式中，目标车辆可以将根据第一路段的图层信息和目标车辆的车辆属性信息获取得到的第一驾驶策略上报给云端服务器，以便云端服务器将其保存，并更新第一路段的自动驾驶策略图层中的相应图层信息。在实际应用中，云端服务器可以将第一驾驶策略(例如，建议操作模式)发送到该区域内与目标车辆相同或相似的其它车辆，以便辅助其它车辆行驶。

实施本申请实施例，云端服务器可以通过目标车辆上报的行程信息在自动驾驶策略图层中获取行驶的第一路段的图层信息，之后，将第一路段的图层信息发送给目标车辆，继而目标车辆可以根据第一路段的图层信息和车辆的属性信息来获取满足安全要求的驾驶策略，从而可以根据确定好的驾驶策略进行自动驾驶。由于自动驾驶策略图层中包含的信息更为丰富，道路的静态图层信息保证了自动驾驶能够高效的确定行驶路径和规避障碍物，道路的动态化图层信息保证了自动驾驶能够及时地应对突发状况，这一实现方式能够克服传感器的感知缺陷(例如，传感器的感知缺陷体现在：传感器获取的数据有限、传感器检测的范围有限、传感器的检测易受环境影响等等)，从而可以提高确定满足安全要求的驾驶策略的准确性，降低了自动驾驶的风险。

为了便于更好的实施本申请实施例的上述方案，本申请实施例提供了一种云端服务器，该云端服务器用于执行前述第一方面任一项所述的方法的单元，以通过自动驾驶策略图层确定驾驶策略。具体地，请参见图5，是本申请实施例提供的一种云端服务器500的示意框图。本申请实施例的云端服务器50可以包括：

接收单元500，用于接收目标车辆上报的车辆属性信息和所述目标车辆的行程信息；其中，所述目标车辆的车辆属性信息用于生成自动驾驶策略；

第一获取单元502，用于根据所述行程信息在自动驾驶策略图层中获取所述目标车辆行驶的第一路段的图层信息；

第二获取单元504，用于根据所述第一路段的图层信息和所述目标车辆的车辆属性信息获取第一驾驶策略；

第一发送单元506，用于将所述第一驾驶策略发送给所述目标车辆。

在一种可能的实现方式中，所述云端服务器存储有驾驶策略与安全通行概率的对应关系；所述第二获取单元504可以包括安全通行概率获取单元和驾驶策略获取单元，其中，

所述安全通行概率获取单元，用于根据所述第一路段的图层信息和所述目标车辆的车辆属性信息获取第一安全通行概率；

所述驾驶策略获取单元，用于根据所述驾驶策略与安全通行概率的对应关系获取所述第一安全通行概率对应的第一驾驶策略。

在一种可能的实现方式中，所述安全通行概率获取单元具体用于：

通过第一模型计算所述第一安全通行概率，其中，所述第一模型包括至少一个信息项和所述至少一个信息项对应的权重参数，所述至少一个信息项为根据所述第一路段的图层信息和所述目标车辆的车辆属性信息提取得到的信息项，所述权重参数用于指示信息项被用于确定所述第一安全通行概率时的重要程度。

在一种可能的实现方式中，所述第一模型为基于至少一个样本数据训练得到的模型，所述样本数据包括从第二路段的图层信息和所述目标车辆的车辆属性信息提取到的至少一个信息项，所述第二路段为与所述第一路段相邻的路段，且所述第二路段的出口为所述第一路段的入口。

在一种可能的实现方式中，所述第一路段的图层信息包括所述第一路段的静态图层信息、所述第一路段的动态图层信息中的至少一个；其中，所述第一路段的静态图层信息用于指示所述第一路段的基础设施信息；所述第一路段的动态图层信息用于指示所述第一路段的动态交通信息。

在一种可能的实现方式中，所述第一路段的静态图层信息包括车道属性、数字化设备信息、绿化带信息中的至少一种；所述第一路段的动态图层信息包括天气信息、路面信息、所述第一路段在第一时间段内的拥堵情况、所述第一路段在所述第一时间段内行人和非机动车的穿行概率、所述第一路段在所述第一时间段内发生驾驶事故的事故概率中的至少一种。

在一种可能的实现方式中，所述第一路段为所述目标车辆正在行驶的路段；所述云端服务器50还包括：

第三获取单元508，用于获取所述目标车辆行驶在所述第一路段上的第二驾驶策略；其中，所述第二驾驶策略为所述目标车辆根据实时获取的传感器数据确定的；

第二发送单元5010，用于在所述第一驾驶策略和所述第二驾驶策略的相似度小于第一阈值的情况下，向所述目标车辆发送将所述第二驾驶策略切换为所述第一驾驶策略的提示信息。

在一种可能的实现方式中，所述目标车辆的车辆属性信息包括所述目标车辆的自动驾驶能力、所述目标车辆的传感器分布信息、所述目标车辆中驾驶员的驾驶状态中的至少一种。

需要说明的是，本申请实施例中所描述的云端服务器可参见上述图3a和图4中所述的方法实施例中的自动驾驶方法的相关描述，此处不再赘述。

为了便于更好的实施本申请实施例的上述方案，本申请实施例提供了一种自动驾驶装置，该自动驾驶装置用于执行前述第二方面任一项所述的方法的单元，以根据云端服务器确定的第一驾驶策略进行自动驾驶。具体地，请参见图6，是本申请实施例提供的一种自动驾驶装置60的示意框图。本申请实施例的自动驾驶装置60可以包括：

接收单元600，用于接收云端服务器发送的第一驾驶策略；其中，所述第一驾驶策略为上述第一方面任一项所述的方法获取的第一驾驶策略；

控制单元602，用于根据所述第一驾驶策略对所述目标车辆进行自动驾驶。

在一种可能的实现方式中，所述装置60还可以包括：

第二驾驶策略获取单元604，用于通过传感器数据获取所述目标车辆行驶在第一路段上的第二驾驶策略；

所述控制单元602具体用于：

根据所述第一驾驶策略和所述第二驾驶策略对所述目标车辆进行自动驾驶。

在一种可能的实现方式中，所述控制单元602具体用于：

在判断出所述第一驾驶策略和所述第二驾驶策略的相似度大于第一阈值的情况下，根据所述第一驾驶策略对所述目标车辆进行自动驾驶，或，根据所述第二驾驶策略对所述目标车辆进行自动驾驶；

在判断出所述第一驾驶策略和所述第二驾驶策略的相似度小于所述第一阈值的情况下，根据所述第一驾驶策略对所述目标车辆进行自动驾驶。

需要说明的是，本申请实施例中所描述的自动驾驶装置可参见上述图4中所述的方法实施例中的自动驾驶方法的相关描述，此处不再赘述。

请参见图7，图7是本申请实施例提供的一种云端服务器的结构示意图。该云端服务器70包括至少一个处理器701，至少一个存储器702、至少一个通信接口703。此外，该云端服务器还可以包括天线等通用部件，在此不再详述。

处理器701可以是通用中央处理器(CPU)，微处理器，特定应用集成电路(application-specific integrated circuit，ASIC)，或一个或多个用于控制以上方案程序执行的集成电路。

通信接口703，用于与其他设备或通信网络通信。

存储器702，可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线与处理器相连接。存储器也可以和处理器集成在一起。

其中，所述存储器702用于存储执行以上方案的应用程序代码，并由处理器701来控制执行。所述处理器701用于执行所述存储器702中存储的应用程序代码。例如，存储器702存储的代码可执行以上图2或者图3a提供的自动驾驶方法。

需要说明的是，本申请实施例中所描述的设备70的功能可参见上述图2和图3a中的所述的方法实施例中的相关描述，此处不再赘述。

本申请实施例还提供了一种计算机存储介质，该计算机可读存储介质中存储有指令，当其在计算机或处理器上运行时，使得计算机或处理器执行上述任一个实施例所述方法中的一个或多个步骤。上述装置的各组成模块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，可以存储在所述计算机可读取存储介质中，基于这样的理解，本申请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，该计算机产品存储在计算机可读存储介质中。

上述计算机可读存储介质可以是前述实施例所述的设备的内部存储单元，例如硬盘或内存。上述计算机可读存储介质也可以是上述设备的外部存储设备，例如配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，上述计算机可读存储介质还可以既包括上述设备的内部存储单元也包括外部存储设备。上述计算机可读存储介质用于存储上述计算机程序以及上述设备所需的其他程序和数据。上述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可通过计算机程序来指令相关的硬件来完成，该计算机的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可存储程序代码的介质。

本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。

本申请实施例装置中的模块可以根据实际需要进行合并、划分和删减。

可以理解，本领域普通技术人员可以意识到，结合本申请各个实施例中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

本领域技术人员能够领会，结合本申请各个实施例中公开描述的各种说明性逻辑框、模块和算法步骤所描述的功能可以硬件、软件、固件或其任何组合来实施。如果以软件来实施，那么各种说明性逻辑框、模块、和步骤描述的功能可作为一或多个指令或代码在计算机可读媒体上存储或传输，且由基于硬件的处理单元执行。计算机可读媒体可包含计算机可读存储媒体，其对应于有形媒体，例如数据存储媒体，或包括任何促进将计算机程序从一处传送到另一处的媒体(例如，根据通信协议)的通信媒体。以此方式，计算机可读媒体大体上可对应于(1)非暂时性的有形计算机可读存储媒体，或(2)通信媒体，例如信号或载波。数据存储媒体可为可由一或多个计算机或一或多个处理器存取以检索用于实施本申请中描述的技术的指令、代码和/或数据结构的任何可用媒体。计算机程序产品可包含计算机可读媒体。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述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网络单元上。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。

另外，在本申请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。

所述功能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，本申请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(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。