基于激光雷达寿命预测的车辆控制方法、装置和介质

技术领域

本公开涉及自动驾驶技术领域，尤其涉及一种基于激光雷达寿命预测的车辆控制方法、装置、电子设备和存储介质。

背景技术

在无人驾驶领域，如何保证车辆的行驶安全是首要问题。车辆每个部件的老化均会给车辆的行驶安全带来一定的影响。例如，车载激光雷达如果发生老化将会给车辆的行驶安全带来非常大的影响。

然而，目前还没有对车载激光雷达的老化进行监控的相关方案。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本公开实施例提供了一种基于激光雷达寿命预测的车辆控制方法、装置、电子设备和存储介质，实现了提高车辆行驶安全的目的。

第一方面，本公开实施例提供了一种基于激光雷达寿命预测的车辆控制方法，该方法包括：

在车载激光雷达处于工作状态时，通过传感器数据采集和处理模块确定所述车载激光雷达的工作参数；

通过所述传感器数据采集和处理模块将所述工作参数发送至预设服务器，以通过所述预设服务器基于所述工作参数，或所述工作参数和所述车载激光雷达的出厂数据预测所述车载激光雷达的当前故障率；

通过自动驾驶决策规划模块接收所述预设服务器下发的所述车载激光雷达的当前故障率；

通过所述自动驾驶决策规划模块基于所述当前故障率以及预设的、与所述车载激光雷达的工作场景匹配的多个阈值确定车辆控制策略，以基于所述车辆控制策略对车辆进行控制。

第二方面，本公开实施例还提供了一种基于激光雷达寿命预测的车辆控制装置，该装置包括：

传感器数据采集和处理模块，用于在车载激光雷达处于工作状态时，确定所述车载激光雷达的工作参数，并将所述工作参数发送至预设服务器，以通过所述预设服务器基于所述工作参数，或所述工作参数和所述车载激光雷达的出厂数据预测所述车载激光雷达的当前故障率；

自动驾驶决策规划模块，用于接收所述预设服务器下发的所述车载激光雷达的当前故障率，并基于所述当前故障率以及预设的、与所述车载激光雷达的工作场景匹配的多个阈值确定车辆控制策略，以基于所述车辆控制策略对车辆进行控制。

第三方面，本公开实施例还提供了一种电子设备，所述电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的基于激光雷达寿命预测的车辆控制方法。

第四方面，本公开实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的基于激光雷达寿命预测的车辆控制方法。

本公开实施例提供的基于激光雷达寿命预测的车辆控制方法，通过在车载激光雷达处于工作状态时，通过传感器数据采集和处理模块确定所述车载激光雷达的工作参数；通过所述传感器数据采集和处理模块将所述工作参数发送至预设服务器，以通过所述预设服务器基于所述工作参数，或所述工作参数和所述车载激光雷达的出厂数据预测所述车载激光雷达的当前故障率；通过自动驾驶决策规划模块接收所述预设服务器下发的所述车载激光雷达的当前故障率；通过所述自动驾驶决策规划模块基于所述当前故障率以及预设的、与所述车载激光雷达的工作场景匹配的多个阈值确定车辆控制策略，以基于所述车辆控制策略对车辆进行控制的技术手段，提高了车辆的安全性。具体的，通过结合车载激光雷达的工作场景确定车载激光雷达的当前故障率，提高了对车载激光雷达当前故障率的预测准确度；进而根据与车载激光雷达的工作场景匹配的多个阈值对车辆进行控制，实现了提高车辆安全性的目的。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1为本公开实施例中的一种基于激光雷达寿命预测的车辆控制方法的流程图；

图2为本公开实施例中的一种基于激光雷达寿命预测的车辆控制方法的流程图；

图3为本公开实施例中的一种基于激光雷达寿命预测的车辆控制方法数据流交互示意图；

图4为本公开实施例中的一种基于激光雷达寿命预测的车辆控制装置的结构示意图；

图5为本公开实施例中的一种电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

在自动驾驶车辆中，车载激光雷达可用于实时检测车辆周围的静态和动态障碍物，并依靠点云分类算法对障碍物进行分割和分类，将分割和分类结果输出给车辆的自动驾驶决策规划模块，自动驾驶决策规划模块根据不同的障碍物做出不同的行为决策，例如控制车辆跟车、超车或者停车等。因此，若车载激光雷达出现故障而无法工作，将直接影响到自动驾驶车辆的安全行驶。

通常，当车载激光雷达的老化程度(可以理解的是，车载激光雷达的老化程度越大，则车载激光雷达发生故障的概率越大)达到一定阈值时，自动驾驶车辆会立即停止，但该种处理方式可能会导致一定的危险，比如在本车后面的车辆，由于本车急停，会导致连环追尾事故，进而引发交通堵塞。因此，有必要对车载激光雷达的老化程度进行持续监测，当监测到车载激光雷达的老化程度达到一定值时，及时采取提醒、维护等措施，例如对车载激光雷达进行维修、更换或者控制车辆暂时行驶到安全地点停车等待，以确保车辆的安全性，避免由于本车的不恰当处理导致交通事故的发生。

针对上述问题，本公开实施例提供了一种基于激光雷达寿命预测的车辆控制方法，旨在提高车辆的安全性。具体的是对车载激光雷达的当前故障率进行预测，根据预测到的当前故障率对车辆进行不同控制。下面结合具体的实施例对该方法进行介绍。图1为本公开实施例中的一种基于激光雷达寿命预测的车辆控制方法的流程图。该方法可以由基于激光雷达寿命预测的车辆控制装置执行，该装置可以采用软件和/或硬件的方式实现，该装置可配置于电子设备中。

如图1所示，该方法具体可以包括如下步骤：

步骤110、在车载激光雷达处于工作状态时，通过传感器数据采集和处理模块确定所述车载激光雷达的工作参数。

其中，传感器数据采集和处理模块为自动驾驶系统中负责采集传感器数据，并对采集到的传感器数据进行处理和转发的功能模块。

车载激光雷达的工作参数例如包括：车载激光雷达工作时的环境温湿度，本实施例中将车载激光雷达工作时的环境温湿度定义为当前温度和当前湿度。工作参数还可以包括车载激光雷达在工作时所承受的振动强度，本实施例中将车载激光雷达在工作时所承受的振动强度定义为当前振动强度，当前振动强度可通过车辆的加速度和角速度确定。上述的工作参数与车载激光雷达的使用寿命息息相关，或者说上述的工作参数与车载激光雷达的老化速率息息相关。因此，在车载激光雷达处于工作状态时，确定车载激光雷达的工作参数可为获得较准确的当前故障率提供数据基础。

步骤120、通过所述传感器数据采集和处理模块将所述工作参数发送至预设服务器，以通过所述预设服务器基于所述工作参数，或所述工作参数和所述车载激光雷达的出厂数据预测所述车载激光雷达的当前故障率。

其中，对于不同型号的激光雷达，厂商会将作为样品的激光雷达放在特定的试验条件下，测量其失效随时间的分布情况，通过分析寿命试验数据，从而确定激光雷达的寿命特征和失效分布规律，得到激光雷达的失效率和平均寿命等可靠性指标。但由此获得的数据是相对理想的，实际上同一款激光雷达受振动、运行时长、环境等影响，其老化程度是不一致的，因此其失效率也不同。因此本公开实施例的技术方案在厂商提供的激光雷达可靠性指标的基础上，通过使用剩余有效寿命预测算法监控和预测激光雷达的老化进程，并报告给车辆。

剩余有效寿命预测算法包括基于物理模型的预测算法、基于数据驱动的预测算法和基于统计可靠性的预测算法。其中，基于数据驱动的预测算法和基于统计可靠性的预测算法是利用观测数据的信息来识别退化的数学模型，并基于该数学模型预测激光雷达的剩余有效寿命。

需要说明的是，在本公开实施例中将激光雷达的剩余有效寿命利用当前故障率进行表达。可以理解的是，剩余有效寿命越长，则当前故障率越低，即当前出现故障的概率越低。

步骤130、通过自动驾驶决策规划模块接收所述预设服务器下发的所述车载激光雷达的当前故障率。

步骤140、通过自动驾驶决策规划模块基于所述当前故障率以及预设的、与所述车载激光雷达的工作场景匹配的多个阈值确定车辆控制策略，以基于所述车辆控制策略对车辆进行控制。

其中，自动驾驶决策规划模块为自动驾驶系统中负责决策规划的功能模块，例如是控制车辆超车还是降速等决策规划。

可以理解的是，同一型号的激光雷达在不同的工作场景中其老化速率不同，因此在不同的工作场景中阈值的定义也不同。例如针对同一阈值a，在比较理想的工作场景中(例如环境的温湿度以及激光雷达工作时承受的振动强度都比较适中的工作场景中，激光雷达的老化速率较低)，当激光雷达的当前故障率达到阈值a时，激光雷达距离失效可能还有较长的一段剩余寿命，此时可控制车辆继续行驶；而在比较不理想的工作场景中(例如环境的温湿度以及激光雷达工作时承受的振动强度都比较极端的工作场景中，激光雷达的老化速率较高)，当激光雷达的当前故障率达到阈值a时，激光雷达可能很快就会失效，即剩余寿命较短，此时则需要控制车辆尽快停到安全区域，而不能再继续行驶。

为了解决上述在不同的工作场景中阈值的定义以及激光雷达的老化速率不同的问题，本实施例的技术方案中，在自动驾驶决策规划模块中预设有与车载激光雷达的工作场景匹配的阈值，即不同的工作场景对应不同的阈值。且为了对车载激光雷达的老化进程进行持续监控，提高车辆的行驶安全性，在自动驾驶决策规划模块中预设有与同一工作场景匹配的多个级别的阈值，例如当当前故障率达到最低级别的阈值时，对车辆进行提醒，以使车辆关注车载激光雷达的老化问题或者说是故障问题；当当前故障率达到中级别的阈值时，控制车辆降速行驶并打开双闪灯，以提示后面车辆与本车保持车距，提高对本车的注意，以防本车随时停车；当当前故障率达到高级别的阈值时，控制车辆行驶至设定维修位置进行维修，或者当当前故障率达到更高级别的阈值时，控制车辆行驶至设定停车位置进行停车。需要说明的是，不同工作场景中同一级别的阈值不同。

本实施例提供的基于激光雷达寿命预测的车辆控制方法，根据车载激光雷达不同的工作场景设置不同的阈值，根据当前故障率所达到的不同阈值采取不同的车辆控制策略，解决了由于不同的工作场景导致对车载激光雷达的当前故障率判断不准的问题，提高了车载激光雷达当前故障率的确定精度，进而提高了车辆的行驶安全性。

图2为本公开实施例中的另一种基于激光雷达寿命预测的车辆控制方法的流程图。本实施例在上述实施例的基础上，对上述步骤130“所述自动驾驶决策规划模块基于所述当前故障率以及预设的、与所述车载激光雷达的工作场景匹配的多个阈值确定车辆控制策略”给出了具体实施方式，以达到提高车辆行驶安全性的目的。如图2所示，基于激光雷达寿命预测的车辆控制方法具体包括如下步骤：

步骤210、在车载激光雷达处于工作状态时，通过传感器数据采集和处理模块确定所述车载激光雷达的工作参数，并将所述工作参数发送至预设服务器。

预设服务器通过所述预设服务器基于所述工作参数，或所述工作参数和所述车载激光雷达的出厂数据预测所述车载激光雷达的当前故障率。

步骤220、通过自动驾驶决策规划模块接收所述预设服务器下发的所述车载激光雷达的当前故障率。

步骤230a、若所述当前故障率达到与所述车载激光雷达的工作场景匹配的第一级阈值但未达到与所述车载激光雷达的工作场景匹配的第二级阈值，确定所述车辆控制策略为控制车辆发出提示信息。

步骤230b、若所述当前故障率达到所述第二级阈值但未达到与所述车载激光雷达的工作场景匹配的第三级阈值，确定所述车辆控制策略为控制车辆降速行驶，并打开双闪灯。

步骤230c、若所述当前故障率达到所述第三级阈值但未达到与所述车载激光雷达的工作场景匹配的第四级阈值，确定所述车辆控制策略为控制车辆行驶至设定维修位置，以对所述车辆进行维修。

步骤230d、若所述当前故障率达到所述第四级阈值，确定所述车辆控制策略为控制车辆行驶至设定停车位置进行停车。

步骤240、通过自动驾驶底盘控制模块执行所车辆控制策略。

通过根据车载激光雷达不同的工作场景设置不同的阈值，针对同一工作场景设置匹配的多个级别的阈值，根据同一工作场景中当前故障率所达到的不同级别的阈值采取不同的车辆控制策略，可适应同一型号的激光雷达在不同的工作场景中其老化速率不同的问题，可提高车辆的行驶安全性。

进一步的，所述基于所述车辆控制策略对车辆进行控制之前，还包括：通过所述自动驾驶决策规划模块接收通过自动驾驶感知定位模块发送的车辆感知定位信息；所述自动驾驶感知定位模块基于所述传感器数据采集和处理模块发送的车载传感器数据确定所述车辆感知定位信息。

相应的，所述基于所述车辆控制策略对车辆进行控制，包括：

通过所述自动驾驶决策规划模块根据所述车辆感知定位信息以及所述车辆控制策略确定车辆的规划行驶路径，并根据所述规划行驶路径确定自动驾驶控制指令；通过所述自动驾驶决策规划模块将所述自动驾驶控制指令发送至自动驾驶底盘控制模块；通过所述自动驾驶底盘控制模块根据所述自动驾驶控制指令对所车辆进行控制。

所述通过所述自动驾驶底盘控制模块根据所述自动驾驶控制指令对所车辆进行控制，包括下述至少一种：向车辆的线控制动系统发送制动控制指令；向车辆的电子助力转向系统发送转向控制指令；向车辆的双闪灯发送灯关控制指令；向车辆的整车控制器发送驱动控制指令。

示例性的，所述通过传感器数据采集和处理模块确定所述车载激光雷达的工作参数，包括：基于车载温湿度传感器获取当前温度和当前湿度；基于所述车辆的惯性测量单元获取车辆的当前加速度和当前角速度，所述当前加速度和所述当前角速度用于确定当前振动强度；所述工作参数包括所述当前温度、所述当前湿度、所述当前加速度和所述当前角速度。

对应的，参考如图3所示的一种基于激光雷达寿命预测的车辆控制方法数据流交互示意图，其中包括的车辆硬件模块有：激光雷达310、温湿度传感器311、惯性测量单元(即Inertial measurement unit，IMU传感器)312、转向灯/双闪灯313、整车控制器(Vehiclecontroller Unit，VCU)314、电子助力转向系统(Electronic power steering system，EPS)315和线控制动(Electro-Hydraulic Braking，EHB)系统316。其中包括的自动驾驶系统的软件模块有：传感器数据采集和处理模块320、自动驾驶决策规划模块321、自动驾驶感知定位模块322和自动驾驶底盘控制模块323。还包括设置在预设服务器的剩余寿命计算和监控服务模块330。

具体的，传感器数据采集和处理模块320从激光雷达310、温湿度传感器311和惯性测量单元(即Inertial measurement unit，IMU传感器)312处获得车载激光雷达的工作参数，该工作参数具体可以包括：当前温度、当前湿度、车辆的当前加速度、当前角速度，所述当前加速度和所述当前角速度用于确定当前振动强度，车载激光雷达工作时的工作电压、工作电流、工作温度和电机转速等。传感器数据采集和处理模块320将获取到的工作参数发送给预设服务器的剩余寿命计算和监控服务模块330，剩余寿命计算和监控服务模块330基于所述工作参数，依据相关算法(例如基于数据驱动的算法、基于统计可靠性的算法)预测车载激光雷达的当前故障率。剩余寿命计算和监控服务模块330将预测到的当前故障率下发至自动驾驶决策规划模块321，自动驾驶决策规划模块321根据当前故障率，结合多个与车载激光雷达的工作场景匹配的阈值做出决策，再根据感知定位结果(该感知定位结果由自动驾驶感知定位模块322基于传感器数据采集和处理模块320获取到的车载传感器数据确定)规划行驶路径，并向自动驾驶底盘控制模块323发送自动驾驶控制指令。自动驾驶底盘控制模块323根据自动驾驶控制指令向转向灯/双闪灯313发送灯关控制指令，向整车控制器(Vehicle controller Unit，VCU)314发送驱动控制指令，向电子助力转向系统(Electronic power steering system，EPS)315发送转向控制指令，向线控制动(Electro-Hydraulic Braking，EHB)系统316发送制动控制指令。

示例性的，所述预设服务器基于所述工作参数和所述车载激光雷达的出厂数据预测所述车载激光雷达的当前故障率，包括：基于所述当前温度与预设基准温度之间的比值、所述当前湿度与预设基准湿度之间的比值、所述当前振动强度与预设基准振动强度之间的比值以及预设系数确定环境系数；根据所述环境系数以及所述车载激光雷达的出厂数据预测所述车载激光雷达的当前故障率。

具体的，按照如下公式确定所述车载激光雷达的当前故障率：

γ

γ

其中，γ

由于在不同的工作场景下，例如天气造成的温湿度差异，路面条件造成的振动强度差异等，激光雷达的老化速率不同。比如激光雷达在晴朗、温暖的天气下运行，其老化速率作为基准速率为1，但是在寒冷、雨雪天气下运行，其老化速率可能是1.5～2。因此预测得到的剩余寿命(当前故障率)会由于不同工作场景而不同，达到各级别阈值的速度也因此不同。故需要结合激光雷达的工作场景确定其当前故障率以及预设的多个级别的阈值也需要与工作场景相匹配，不同工作场景下同一级别的阈值不同。

可选的，若所述传感器数据采集和处理模块无法确定所述车载激光雷达的工作参数，所述环境系数通过查表的方式获取：

确定所述车载激光雷达的工作场景中各预设气候类型的气候占比、各预设天气类型的天气占比以及各预设路况类型的路面占比；通过查表确定与所述各预设气候类型分别对应的权重，与所述各预设天气类型分别对应的权重以及与所述各预设路况类型分别对应的权重；根据所述车载激光雷达的工作场景中各预设气候类型的气候占比以及所述各预设气候类型分别对应的权重进行加权求和，获得第一数值；根据所述车载激光雷达的工作场景中各预设天气类型的天气占比以及所述各预设天气类型分别对应的权重进行加权求和，获得第二数值；根据所述车载激光雷达的工作场景中所述各预设路况类型的路面占比以及与所述各预设路况类型分别对应的权重进行加权求和，获得第三数值；将所述第一数值、所述第二数值以及所述第三数值的和确定为所述环境系数。

举例说明上述通过查表确定环境系数的过程：假设某无人驾驶车辆的车载激光雷达的工作场景是一年中气候类型属于寒温的气候占比为15％，气候类型属于温暖的气候占比为55％，气候类型属于湿热的气候占比为30％。天气类型属于晴天的天气占比为40％，天气类型属于阴天的天气占比为20％，天气类型属于雷雨的天气占比为30％，天气类型属于大雾的天气占比为10％。路况类型为平坦的路面占比为为80％，路况类型为不平坦的路面占比为20％。气候类型-寒温对应的权重为110％，气候类型-温暖对应的权重为100％，气候类型-湿热对应的权重为130％。天气类型-晴天对应的权重为100％，天气类型-雷雨对应的权重为130％，天气类型-大雾对应的权重为120％。路况类型-平坦对应的权重为100％，路况类型-不平坦对应的权重为120％。

则所述环境系数＝(110％*15％+100％*55％+130％*30％)*(100％*40％+110％*40％+130％*30％+120％*10％)*(100％*80％+120％*20％)。

表1：各预设气候类型、各预设天气类型以及各预设路况类型分别对应的权重表

在一些实施方式中，所述预设服务器基于所述工作参数预测所述车载激光雷达的当前故障率，包括：将所述工作参数输入至训练过的机器学习模型，获得所述车载激光雷达的当前故障率。所述工作参数还包括下述至少一种：所述车载激光雷达工作时的工作电压、工作电流、工作温度、电机转速、所述当前温度、所述当前湿度和所述当前振动强度。

具体的，首先，收集收集大量激光雷达全生命周期(全生命周期指从投入使用到失效的时间区间)的各项状态指标数据。各项状态指标数据包括工作电流、工作电压、工作温度、湿度、振动强度以及电机转速等状态指标。其次，对收集到的数据进行预处理，删除无效或者重复的数据，并进行标注，确定机器学习模型的输入和输出指标。其中机器学习模型的输入包括上述收集到的各项状态指标数据，输出为标注的每条数据对应的激光雷达的故障率。将数据进行分组，其中一部分作为训练样本集，一部分作为测试样本集。接着，建立机器学习模型，可以使用现有的机器学习算法，例如GBDT(Gradient Boosting Decision Tree，梯度增强决策树)、SVR(support vector regression，支持向量回归)、CNN(ConvolutionalNeural Network,卷积神经网络)或者LSTM(Long-Short Term Memory，长短期记忆)等。最后，基于训练样本集对建立的机器学习模型进行训练，基于测试样本集对训练过的机器学习模型进行评估，若训练过的机器学习模型的输出误差满足预设条件，则将该训练过的机器学习模型应用于实际运营中，用于确定车载激光雷达的当前故障率。若训练过的机器学习模型的输出误差不满足预设条件，则对该机器学习模型进行改进或者增加训练样本集对机器学习模型继续进行训练。

图4为本公开实施例中的一种基于激光雷达寿命预测的车辆控制装置的结构示意图。如图4所示：该装置包括：传感器数据采集和处理模块410和自动驾驶决策规划模块420。

其中，传感器数据采集和处理模块410，用于在车载激光雷达处于工作状态时，确定所述车载激光雷达的工作参数，并将所述工作参数发送至预设服务器，以通过所述预设服务器基于所述工作参数，或所述工作参数和所述车载激光雷达的出厂数据预测所述车载激光雷达的当前故障率；自动驾驶决策规划模块420，用于接收所述预设服务器下发的所述车载激光雷达的当前故障率，并基于所述当前故障率以及预设的、与所述车载激光雷达的工作场景匹配的多个阈值确定车辆控制策略，以基于所述车辆控制策略对车辆进行控制。

可选的，自动驾驶决策规划模块420，具体用于：若所述当前故障率达到与所述车载激光雷达的工作场景匹配的第一级阈值但未达到与所述车载激光雷达的工作场景匹配的第二级阈值，确定所述车辆控制策略为控制车辆发出提示信息；若所述当前故障率达到所述第二级阈值但未达到与所述车载激光雷达的工作场景匹配的第三级阈值，确定所述车辆控制策略为控制车辆降速行驶，并打开双闪灯；若所述当前故障率达到所述第三级阈值但未达到与所述车载激光雷达的工作场景匹配的第四级阈值，确定所述车辆控制策略为控制车辆行驶至设定维修位置，以对所述车辆进行维修；若所述当前故障率达到所述第四级阈值，确定所述车辆控制策略为控制车辆行驶至设定停车位置进行停车。

可选的，在基于所述车辆控制策略对车辆进行控制之前，所述自动驾驶决策规划模块420还用于接收通过自动驾驶感知定位模块发送的车辆感知定位信息；所述自动驾驶感知定位模块基于所述传感器数据采集和处理模块发送的车载传感器数据确定所述车辆感知定位信息。

可选的，所述自动驾驶决策规划模块420还用于根据所述车辆感知定位信息以及所述车辆控制策略确定车辆的规划行驶路径，并根据所述规划行驶路径确定自动驾驶控制指令。

可选的，还包括：自动驾驶底盘控制模块，用于接收自动驾驶决策规划模块420发送的所述自动驾驶控制指令，并根据所述自动驾驶控制指令对所车辆进行控制。

可选的，所述自动驾驶底盘控制模块具体用于下述至少一种：向车辆的线控制动系统发送制动控制指令；向车辆的电子助力转向系统发送转向控制指令；向车辆的双闪灯发送灯关控制指令；向车辆的整车控制器发送驱动控制指令。

可选的，传感器数据采集和处理模块410，具体用于基于车载温湿度传感器获取当前温度和当前湿度；基于所述车辆的惯性测量单元获取车辆的当前加速度和当前角速度，所述当前加速度和所述当前角速度用于确定当前振动强度；所述工作参数包括所述当前温度、所述当前湿度、所述当前加速度和所述当前角速度。

本公开实施例提供的基于激光雷达寿命预测的车辆控制装置，可执行本公开方法实施例所提供的基于激光雷达寿命预测的车辆控制方法中的步骤，具备执行步骤和有益效果此处不再赘述。

在上述实施例技术方案的基础上，所述预设服务器包括：剩余寿命计算和监控服务模块，用于基于所述当前温度与预设基准温度之间的比值、所述当前湿度与预设基准湿度之间的比值、所述当前振动强度与预设基准振动强度之间的比值以及预设系数确定环境系数；根据所述环境系数以及所述车载激光雷达的出厂数据预测所述车载激光雷达的当前故障率。

可选的，若所述传感器数据采集和处理模块无法确定所述车载激光雷达的工作参数，所述剩余寿命计算和监控服务模块还用于通过查表的方式获取所述环境系数。

可选的，所述剩余寿命计算和监控服务模块包括：

第一确定单元，用于确定所述车载激光雷达的工作场景中各预设气候类型的气候占比、各预设天气类型的天气占比以及各预设路况类型的路面占比；查找单元，用于通过查表确定与所述各预设气候类型分别对应的权重，与所述各预设天气类型分别对应的权重以及与所述各预设路况类型分别对应的权重；第一计算单元，用于根据所述车载激光雷达的工作场景中各预设气候类型的气候占比以及所述各预设气候类型分别对应的权重进行加权求和，获得第一数值；第二计算单元，用于根据所述车载激光雷达的工作场景中各预设天气类型的天气占比以及所述各预设天气类型分别对应的权重进行加权求和，获得第二数值；第三计算单元，用于根据所述车载激光雷达的工作场景中所述各预设路况类型的路面占比以及与所述各预设路况类型分别对应的权重进行加权求和，获得第三数值；第二确定单元，用于将所述第一数值、所述第二数值以及所述第三数值的和确定为所述环境系数。

可选的，所述工作参数还包括下述至少一种：所述车载激光雷达工作时的工作电压、工作电流、工作温度和电机转速。

可选的，所述剩余寿命计算和监控服务模块还用于：将所述工作参数输入至训练过的机器学习模型，获得所述车载激光雷达的当前故障率。

图5为本公开实施例中的一种电子设备的结构示意图。下面具体参考图5，其示出了适于用来实现本公开实施例中的电子设备500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理以实现如本公开所述的实施例的方法。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码，从而实现如上所述的基于激光雷达寿命预测的车辆控制方法。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM502被安装。在该计算机程序被处理装置501执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：在车载激光雷达处于工作状态时，通过传感器数据采集和处理模块确定所述车载激光雷达的工作参数；通过所述传感器数据采集和处理模块将所述工作参数发送至预设服务器，以通过所述预设服务器基于所述工作参数，或所述工作参数和所述车载激光雷达的出厂数据预测所述车载激光雷达的当前故障率；通过自动驾驶决策规划模块接收所述预设服务器下发的所述车载激光雷达的当前故障率；通过所述自动驾驶决策规划模块基于所述当前故障率以及预设的、与所述车载激光雷达的工作场景匹配的多个阈值确定车辆控制策略，以基于所述车辆控制策略对车辆进行控制。

可选的，当上述一个或者多个程序被该电子设备执行时，该电子设备还可以执行上述实施例所述的其他步骤。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

方案1、一种基于激光雷达寿命预测的车辆控制方法，所述方法包括：

在车载激光雷达处于工作状态时，通过传感器数据采集和处理模块确定所述车载激光雷达的工作参数；

通过所述传感器数据采集和处理模块将所述工作参数发送至预设服务器，以通过所述预设服务器基于所述工作参数，或所述工作参数和所述车载激光雷达的出厂数据预测所述车载激光雷达的当前故障率；

通过自动驾驶决策规划模块接收所述预设服务器下发的所述车载激光雷达的当前故障率；

通过所述自动驾驶决策规划模块基于所述当前故障率以及预设的、与所述车载激光雷达的工作场景匹配的多个阈值确定车辆控制策略，以基于所述车辆控制策略对车辆进行控制。

方案2、根据方案1所述的方法，所述自动驾驶决策规划模块基于所述当前故障率以及预设的、与所述车载激光雷达的工作场景匹配的多个阈值确定车辆控制策略，包括：

若所述当前故障率达到与所述车载激光雷达的工作场景匹配的第一级阈值但未达到与所述车载激光雷达的工作场景匹配的第二级阈值，确定所述车辆控制策略为控制车辆发出提示信息；

若所述当前故障率达到所述第二级阈值但未达到与所述车载激光雷达的工作场景匹配的第三级阈值，确定所述车辆控制策略为控制车辆降速行驶，并打开双闪灯；

若所述当前故障率达到所述第三级阈值但未达到与所述车载激光雷达的工作场景匹配的第四级阈值，确定所述车辆控制策略为控制车辆行驶至设定维修位置，以对所述车辆进行维修；

若所述当前故障率达到所述第四级阈值，确定所述车辆控制策略为控制车辆行驶至设定停车位置进行停车。

方案3、根据方案2所述的方法，所述基于所述车辆控制策略对车辆进行控制之前，还包括：

通过所述自动驾驶决策规划模块接收通过自动驾驶感知定位模块发送的车辆感知定位信息；

所述自动驾驶感知定位模块基于所述传感器数据采集和处理模块发送的车载传感器数据确定所述车辆感知定位信息。

方案4、根据方案3所述的方法，所述基于所述车辆控制策略对车辆进行控制，包括：

通过所述自动驾驶决策规划模块根据所述车辆感知定位信息以及所述车辆控制策略确定车辆的规划行驶路径，并根据所述规划行驶路径确定自动驾驶控制指令；

通过所述自动驾驶决策规划模块将所述自动驾驶控制指令发送至自动驾驶底盘控制模块；

通过所述自动驾驶底盘控制模块根据所述自动驾驶控制指令对所车辆进行控制。

方案5、根据方案4所述的方法，所述通过所述自动驾驶底盘控制模块根据所述自动驾驶控制指令对所车辆进行控制，包括下述至少一种：

向车辆的线控制动系统发送制动控制指令；

向车辆的电子助力转向系统发送转向控制指令；

向车辆的双闪灯发送灯关控制指令；

向车辆的整车控制器发送驱动控制指令。

方案6、根据方案1-5任一项所述的方法，所述通过传感器数据采集和处理模块确定所述车载激光雷达的工作参数，包括：

基于车载温湿度传感器获取当前温度和当前湿度；

基于所述车辆的惯性测量单元获取车辆的当前加速度和当前角速度，所述当前加速度和所述当前角速度用于确定当前振动强度；

所述工作参数包括所述当前温度、所述当前湿度、所述当前加速度和所述当前角速度。

方案7、根据方案6所述的方法，所述预设服务器基于所述工作参数和所述车载激光雷达的出厂数据预测所述车载激光雷达的当前故障率，包括：

基于所述当前温度与预设基准温度之间的比值、所述当前湿度与预设基准湿度之间的比值、所述当前振动强度与预设基准振动强度之间的比值以及预设系数确定环境系数；

根据所述环境系数以及所述车载激光雷达的出厂数据预测所述车载激光雷达的当前故障率。

方案8、根据方案7所述的方法，若所述传感器数据采集和处理模块无法确定所述车载激光雷达的工作参数，所述环境系数通过查表的方式获取：

确定所述车载激光雷达的工作场景中各预设气候类型的气候占比、各预设天气类型的天气占比以及各预设路况类型的路面占比；

通过查表确定与所述各预设气候类型分别对应的权重，与所述各预设天气类型分别对应的权重以及与所述各预设路况类型分别对应的权重；

根据所述车载激光雷达的工作场景中各预设气候类型的气候占比以及所述各预设气候类型分别对应的权重进行加权求和，获得第一数值；

根据所述车载激光雷达的工作场景中各预设天气类型的天气占比以及所述各预设天气类型分别对应的权重进行加权求和，获得第二数值；

根据所述车载激光雷达的工作场景中所述各预设路况类型的路面占比以及与所述各预设路况类型分别对应的权重进行加权求和，获得第三数值；

将所述第一数值、所述第二数值以及所述第三数值的和确定为所述环境系数。

方案9、根据方案6所述的方法，所述工作参数还包括下述至少一种：所述车载激光雷达工作时的工作电压、工作电流、工作温度和电机转速。

方案10、根据方案9所述的方法，所述预设服务器基于所述工作参数预测所述车载激光雷达的当前故障率，包括：

将所述工作参数输入至训练过的机器学习模型，获得所述车载激光雷达的当前故障率。

方案11、一种基于激光雷达寿命预测的车辆控制装置，包括：

传感器数据采集和处理模块，用于在车载激光雷达处于工作状态时，确定所述车载激光雷达的工作参数，并将所述工作参数发送至预设服务器，以通过所述预设服务器基于所述工作参数，或所述工作参数和所述车载激光雷达的出厂数据预测所述车载激光雷达的当前故障率；

自动驾驶决策规划模块，用于接收所述预设服务器下发的所述车载激光雷达的当前故障率，并基于所述当前故障率以及预设的、与所述车载激光雷达的工作场景匹配的多个阈值确定车辆控制策略，以基于所述车辆控制策略对车辆进行控制。

方案12、一种电子设备，所述电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如方案1-10中任一项所述的方法。

方案13、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如方案1-10中任一项所述的方法。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。