一种智能驾驶路面识别方法、装置、电子设备及存储介质与流程

1.本发明实施例涉及路面识别技术领域，尤其涉及一种智能驾驶路面识别方法、装置、电子设备及存储介质。


背景技术：

2.当前市场上智能驾驶系统的装备率逐渐提升，在智能驾驶开启过程中，大部分智能驾驶系统不具备识别前方路面的能力，驾驶员只能通过眼睛判断前方路面地形，比如公路、颠簸路以及坏路，然后手动接管车辆，完成相应的模式切换、避让决策。
3.部分智能驾驶系统可通过计算机视觉对前方道路进行识别，也就是可以通过图像处理的方式进行路面地形识别，帮助驾驶员自动完成相应的模式切换、避让，但是这种基于图像的识别方法容易受到环境的干扰，导致结果存在误差。
4.因此，智能驾驶对路面进行有效识别是本领域技术人员亟待解决的技术问题。


技术实现要素：

5.本发明实施例提供一种智能驾驶路面识别方法、装置、电子设备及存储介质，消除单一视觉图像识别中存在的误差，提升路面识别准确性，进而提升车辆产品性能。
6.第一方面，本发明实施例提供了一种智能驾驶路面识别方法，包括：
7.对获取的当前车辆行驶道路图像进行分类，确定当前车辆行驶道路图像的分类结果；
8.依据当前车辆的车辆响应特征对当前车辆行驶道路进行识别，确定当前车辆行驶道路识别结果；
9.依据所述当前车辆行驶道路图像的分类结果与当前车辆行驶道路识别结果，确定当前车辆行驶道路的路面类型。
10.第二方面，本发明实施例还提供了一种智能驾驶路面识别装置，包括：
11.图像处理模块，用于对获取的当前车辆行驶道路图像进行分类，确定当前车辆行驶道路图像的分类结果；
12.车辆响应模块，用于依据当前车辆的车辆响应特征对当前车辆行驶道路进行识别，确定当前车辆行驶道路识别结果；
13.路面类型确定模块，用于依据所述当前车辆行驶道路图像的分类结果与当前车辆行驶道路识别结果，确定当前车辆行驶道路的路面类型。
14.第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：
15.一个或多个处理器；
16.存储装置，用于存储一个或多个程序；
17.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本发明任意实施例所述的智能驾驶路面识别方法。
18.第四方面，本发明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本发明任意实施例所述的智能驾驶路面识别方法。
19.本发明实施例提供了一种智能驾驶路面识别方法、装置、电子设备和存储介质，通过对获取的当前车辆行驶道路图像进行分类，确定当前车辆行驶道路图像的分类结果；依据当前车辆的车辆响应特征对当前车辆行驶道路进行识别，确定当前车辆行驶道路识别结果；依据所述当前车辆行驶道路图像的分类结果与当前车辆行驶道路识别结果，确定当前车辆行驶道路的路面类型。采用本发明实施例的技术方案，将视觉图像识别结果与车辆响应识别结果相融合，确定当前车辆行驶道路的路面类型，消除单一视觉图像识别中存在的误差，提升路面识别准确性，进而提升车辆智能驾驶性能。
附图说明
20.通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
21.图1是本发明实施例一提供的一种智能驾驶路面识别方法的流程图；
22.图2a为本发明实施例二提供的一种智能驾驶路面识别方法的流程图；
23.图2b是本发明实施例中提供的一种当前车辆行驶道路路面类型识别工作流程状态图；
24.图3是本发明实施例三提供的一种智能驾驶路面识别装置的结构示意图；
25.图4是本发明实施例中提供的一种电子设备的结构示意图。
具体实施方式
26.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
27.在更加详细地讨论示例性实施例之前，应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作(或步骤)可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
28.实施例一
29.图1是本发明实施例一提供的一种智能驾驶路面识别方法的流程图，本实施例可适用于对智能驾驶路面进行识别的情况，本实施例的方法可以由智能驾驶路面识别装置来执行，该装置可以采用硬件和/或软件的方式来实现。该装置可以配置于智能驾驶路面识别的服务器中。该方法具体包括如下步骤：
30.s110、对获取的当前车辆行驶道路图像进行分类，确定当前车辆行驶道路图像的分类结果。
31.目前已有的方案中，大多是通过视觉图像的方法进行识别，车辆在路面行驶的过程中，摄像头拍摄路面地形图像，将路面图像输入算法中进行地形识别。但是现有的这种基于图像的识别方法容易受到环境的干扰，存在误识别的可能，导致识别结果不正确。因此，
本发明实施例中提供了一种智能驾驶路面识别方法。
32.其中，当前车辆行驶道路图像可以是指采用图像采集设备在当前车辆当前行驶道路上获取的图像，所述图像采集设备包括但不限于摄像头、单目相机以及双目相机。本发明实施例中采用双目相机获取当前行驶道路的路面图像，并对所述当前车辆行驶道路图像进行标注，采用神经网络算法进行图像的识别，以对当前车辆行驶道路的路面类型进行识别。路面类型识别的准确性取决于图像标注的效果以及模型训练的效果，因此，需要对获取的当前车辆行驶道路图像进行标注以及定义。
33.s120、依据当前车辆的车辆响应特征对当前车辆行驶道路进行识别，确定当前车辆行驶道路识别结果。
34.本发明实施例中通过悬架表征车辆响应特征，悬架可以是指汽车的车架与车桥之间的一切传力连接装置的总称，其作用是传递作用在车轮和车架之间的力和力扭，并且缓冲由不平路面传给车架或车身的冲击力，并减少由此引起的震动，以保证汽车能平顺地行驶。通过当前车辆行驶在不同路面上的车辆响应特征，判断当前行驶道路的路面类型。所述车辆响应特征包括但不限于轮胎动载荷、车身加速度、悬架动行程、座椅垂向加速度。当前车辆行驶在不用路面上时，各车辆响应特征也会表现出不同的特性。例如，在通过颠簸路面时，座椅垂向加速度会增大，悬架动行程也会增大，悬架动行程能够缓冲由不平路面传给车架或车身的冲击力，并衰减由此引起的震动，以保证汽车能平稳地行驶。
35.本发明实施例中在当前车辆通过当前行驶道路时，通过各车辆响应特征确定当前车辆行驶道路识别结果。例如，在通过沥青路面时，沥青路面比较平整，通过当前车辆获取的车辆响应特征值与沥青路面预设的车辆响应特征值比较，确定当前车辆行驶道路的路面类型。
36.s130、依据所述当前车辆行驶道路图像的分类结果与当前车辆行驶道路识别结果，确定当前车辆行驶道路的路面类型。
37.其中，获取基于图像分类确定的当前车辆行驶道路图像的分类结果以及基于车辆响应特征确定的当前车辆行驶道路识别结果，将所述当前车辆行驶道路图像的分类结果与当前车辆行驶道路识别结果进行融合，以确定当前车辆行驶道路的路面类型。例如，基于图像分类确定的当前车辆行驶道路的路面类型为沥青路面，基于车辆响应特征确定的当前车辆行驶道路的路面类型也为沥青路面，则确定所述当前车辆行驶道路的路面类型为沥青路面。
38.其中，本技术技术方案中对车辆响应特征的获取、存储、使用以及处理等均符合国家法律法规的相关规定。
39.本发明实施例提供了一种智能驾驶路面识别方法，通过对获取的当前车辆行驶道路图像进行分类，确定当前车辆行驶道路图像的分类结果；依据当前车辆的车辆响应特征对当前车辆行驶道路进行识别，确定当前车辆行驶道路识别结果；依据所述当前车辆行驶道路图像的分类结果与当前车辆行驶道路识别结果，确定当前车辆行驶道路的路面类型。采用本发明实施例的技术方案，将视觉图像识别结果与车辆响应识别结果相融合，确定当前车辆行驶道路的路面类型，消除单一视觉图像识别中存在的误差，提升路面识别准确性，进而提升车辆产品性能。
40.实施例二
41.图2a为本发明实施例二提供的一种智能驾驶路面识别方法的流程图。本发明实施例在上述实施例的基础上对前述实施例进行进一步优化，本发明实施例可以与上述一个或者多个实施例中各个可选方案结合。如图2a所示，本发明实施例中提供的智能驾驶路面识别方法，可包括以下步骤：
42.s210、对获取的当前车辆行驶道路图像进行分类，确定当前车辆行驶道路图像的分类结果。
43.可选的，所述对获取的当前车辆行驶道路图像进行分类，确定当前车辆行驶道路图像的分类结果，包括但不限于步骤a1-a2：
44.步骤a1：通过图像采集设备获取当前车辆行驶道路图像，并对所述当前车辆行驶道路图像进行预处理，确定预处理后的当前车辆行驶道路图像。
45.步骤a2：将所述预处理后的当前车辆行驶道路图像进行分类识别，确定当前车辆行驶道路图像的分类结果。
46.本发明实施例中通过双目相机对当前车辆行驶道路的路面类型进行分类。采集典型路面下的传感器数据包括但不限于双目相机采集的彩色图像、双目相机生成的深度图以及点云数据。利用深度神经网络作为核心分类算法，基于双目相机采集的彩色图像信息对典型路面类别进行识别，要训练深度神经网络进行视觉图像的语义分割和识别，需要完成典型路面图像数据的标注和标签定义，对每张图片进行像素级标注。标注和标签定义按照人为定义的标准进行。图像数据完成标注之后进行预处理用来匹配深度神经网络，将预处理后的图像数据输入到用于语义分割的神经网络，输出分类结果。因为图像数据包含许多不关心的范围，因此只需要提前感兴趣区域内的分类结果即可。根据感兴趣区域内的地面类别统计结果，对路面待识别类别结果进行整合计算各个类别的识别置信度。通过各路面类型下的识别置信度，确定当前车辆行驶道路的路面类型。例如，当前车辆行驶道路的路面类型包括但不限于沥青路面、砂石路面以及颠簸坏路，若当前路面的识别置信度分别为沥青路面95％、砂石路面40％以及颠簸坏路35％，则确定所述当前车辆行驶道路的路面类型为沥青路面。
47.s220、依据当前车辆的车辆响应特征对当前车辆行驶道路进行识别，确定当前车辆行驶道路识别结果。
48.可选的，所述依据当前车辆的车辆响应特征对当前车辆行驶道路进行识别，确定当前车辆行驶道路识别结果，包括但不限于步骤b1-b2：
49.步骤b1：获取当前车辆在行驶道路上的车辆响应特征，并提取各车辆响应特征的特征值；所述车辆响应特征包括轮胎动载荷、车身加速度、悬架动行程以及座椅垂向加速度。
50.步骤b2：依据各车辆响应特征值以及预设路面阈值，确定当前车辆行驶道路识别结果。
51.其中，不同种激励下，当前车辆的车辆响应特征轮胎动载荷、车身加速度、悬架动行程以及座椅垂向加速度不相同，车辆在不同地形上的轮胎动载荷、车身加速度、悬架动行程以及座椅垂向加速度也会表现出显著不同。提取不同地形激励下的时间域和频率域特征，进行不同地面类别下的车辆动力学特征显著性分析，在提取车辆响应信号时频特征的基础上，进一步提取可以反应出不同地形上车辆响应差异的特征指标。依据不同地形上车
辆响应差异的特征指标，可对路面进行识别。
52.可选的，所述依据各车辆响应特征值以及预设路面阈值，确定当前车辆行驶道路识别结果，包括但不限于步骤c1-c4：
53.步骤c1：获取当前车辆行驶路面特征信息，确实所述当前车辆行驶路面的预设路面阈值；所述预设路面阈值用于表征当前行驶路面的类型。
54.步骤c2：若所述车辆响应特征值中存在至少三个车辆响应特征值小于第一预设路面阈值，则确定所述当前行驶路面类型为第一类型。
55.步骤c3：若所述车辆响应特征值中存在至少三个车辆响应特征值大于第一预设路面阈值且小于第二预设路面阈值，则确定所述当前行驶路面类型为第二类型。
56.步骤c4：若所述车辆响应特征值中存在至少三个车辆响应特征值大于第二预设路面阈值，则确定所述当前行驶路面类型为第三类型。
57.其中，所述预设路面阈值包括第一预设路面阈值、第二预设路面阈值以及第三预设路面阈值；所述当前行驶路面类型包括第一类型、第二类型以及第三类型。
58.其中，采用相关性分析方法，根据相关性大小把特征分组，使得同组内的特征之间相关性较高，但不同组的特征不相关。根据载荷矩阵中各个特征与公共因子的相关重要性，选取主要的车辆响应特征，判断特征值与定义路面阈值之间的关系。例如，若车辆响应特征值中存在至少三个特征值大于预设路面阈值，则可确定当前行驶道路的路类型。例如，若已知沥青路面各车辆响应特征值阈值，获取当前车辆行驶道路各车辆响应特征值，若存在至少三个当前车辆行驶道路各车辆响应特征值大于沥青路面各车辆响应特征值阈值，则确定当前车辆行驶道路的路面类型为沥青路面。
59.s230、依据所述当前车辆行驶道路图像的分类结果与当前车辆行驶道路识别结果，确定当前车辆行驶道路的路面类型。
60.其中，将车辆响应识别结果和视觉结果相融合，一方面是通过识别视觉图像获取地图要素目标，另一方面通过悬架控制器的惯性测量单元获取车辆高精度的位置和姿态。通过融合二者的方法构建高精地图，实现当前的基于车辆响应的地面类别与基于双目视觉的地面类别的融合。利用融合观测器同时利用基于车辆响应和基于图像的路面分类结果进行车下路面类别的识别，以实现正确率更高的车下路面分类。同时考虑分类结果本身的置信度和当前路面类别的状态变化特性，路面分类算法可能在某些时刻输出无效分类结果，用概率图方法构建地面类别的时序模型。
61.图2b是本发明实施例中提供的一种当前车辆行驶道路路面类型识别工作流程状态图，参见图2b，将通过视觉识别的路面类型与通过车辆响应识别的路面类型相结合，确定当前车辆行驶道路的路面类型。
62.基于车辆响应的路面识别方法较为复杂，本发明实施例中拟采用随机森林方法进行基于车辆响应特征的地面分类算法输入为经过因子分析后选定的车辆响应特征(如道路阻力平均值以及垂向加速度峰值频率等)，输出为待识别地面类别。该方法以多个决策树为基本分类器，进行集成学习后得到组合分类器，当输入待分类样本时，随机森林输出的分类结果由每个决策树的分类结果简单投票决定。随机森林算法的步骤包括但不限于步骤d1-d4：
63.步骤d1：利用bootstrap方法进行数据采样，随机生成n个训练样本，记为s1、
s2、
···
、sn。
64.步骤d2：基于每个训练样本生成相应的决策树c1、c2、
···
、cn。此处需要指出，决策树类型有很多，包括但不限于c4.5以及cart，无论构建哪种决策树，在每个非叶子节点确定分裂属性前，需要从训练样本所有的m个属性中随机抽取m个作为当前节点的分裂属性集(0《m《m)，并在这m个属性中挑选分裂效果最好的进行分裂，最优属性的选择标准由决策树类型确定，例如c4.5使用信息增益率最大原则，cart算法使用gini指标最小原则。
65.步骤d3：让每棵树完整生长，不进行剪枝。
66.步骤d4：对于测试数据样本x，利用上述的n个决策树分别对其进行分类，得到结果c1(x)、c2(x)、
···
、cn(x)。投票统计得到n个结果中数量最多的类别，即为样本x所属的类别，置信度为类别的得分。
67.在融合观测的设计中需要考虑由于路面分类算法可能在某些时刻输出无效分类结果，因此利用概率图方法中的隐马尔可夫模型(hidden markov model，hmm)来对包含未知分类的路面状态进行时序推理。
68.在hmm中，每一个路面类别都被抽象为一个相应的隐状态，即该hmm的隐状态包括颠簸坏路jounce、土路dirt、水泥地cement、雪地snow和未知unknow，依次由数字1-5标记。构建一个hmm需要确定三个参数，即各个隐状态的先验分布向量p
prior
，各个隐状态之间的转移矩阵m
trars
，和隐状态的观测概率b
obs
。
69.上述参数中，p
prior
采用上一次hmm推理得到的最终后验概率分布。转移矩阵根据分类算法的分类性能取值，通过分类算法测试验证后的混淆矩阵(除了未知类别以外的其他类别)计算，如下式所示。
70.m
trars
＝{m
i,j
}
71.式中角标i代表的是上一时刻信念状态中的类别，对应的是混淆矩阵中标签的类别class
l
；角标l代表的是分类算法实际输出的类别；m
i,j
的取值为混淆矩阵中标签为i的样本对应的分类结果中，被分类为j的样本占所有标签为i的样本数的百分比。特殊的情况为，标签为unknow类别时，手动设定其跳转为所有其他类别的概率，保证算法对unknow输出具备一定的兼容性。
72.s240、依据当前车辆行驶道路的路面类型，控制所述当前车辆采用相应的行驶模式。
73.其中，在不同行驶道路上行驶时，需采用相应的行驶模式，以对当前车辆进行控制，使当前车辆行驶平稳。例如，当判断所述当前车辆行驶道路的路面类型为沥青路面时，所述沥青路面相对平稳，此路面下车辆不需要主动控制；当判断所述当前车辆行驶道路的路面类型为砂石路面时，在经过砂石路面时因砂石的影响，当前车辆的行驶方向会与原行驶方向有细微的差别，需要对所述当前车辆进行主动控制，以稳定当前车辆；当判断所述当前车辆行驶道路的路面类型为颠簸坏路时，需要对当前车辆的垂向加速度进行调整，以改善当前车辆的平顺性，必要时施加主动避障控制，以避开影响车辆行进的较大路面坑包。
74.本发明实施例提供了一种智能驾驶路面识别方法，通过对获取的当前车辆行驶道路图像进行分类，确定当前车辆行驶道路图像的分类结果；依据当前车辆的车辆响应特征对当前车辆行驶道路进行识别，确定当前车辆行驶道路识别结果；依据所述当前车辆行驶道路图像的分类结果与当前车辆行驶道路识别结果，确定当前车辆行驶道路的路面类型；
依据当前车辆行驶道路的路面类型，控制所述当前车辆采用相应的行驶模式。采用本发明实施例的技术方案，获取基于图像分类确定的当前车辆行驶道路图像的分类结果以及基于车辆响应特征确定的当前车辆行驶道路识别结果，将所述当前车辆行驶道路图像的分类结果与当前车辆行驶道路识别结果进行融合，以确定当前车辆行驶道路的路面类型；并依据不同的行驶路面，驾驶员采用不用的驾驶模式，以使当前车辆行驶平稳。
75.实施例三
76.图3是本发明实施例三提供的一种智能驾驶路面识别装置的结构示意图，该装置包括：图像处理模块310、车辆响应模块320以及路面类型确定模块330；其中，
77.图像处理模块310，用于对获取的当前车辆行驶道路图像进行分类，确定当前车辆行驶道路图像的分类结果；
78.车辆响应模块320，用于依据当前车辆的车辆响应特征对当前车辆行驶道路进行识别，确定当前车辆行驶道路识别结果；
79.路面类型确定模块330，用于依据所述当前车辆行驶道路图像的分类结果与当前车辆行驶道路识别结果，确定当前车辆行驶道路的路面类型。
80.在上述实施例的基础上，可选的，所述图像处理模块，包括：
81.通过图像采集设备获取当前车辆行驶道路图像，并对所述当前车辆行驶道路图像进行预处理，确定预处理后的当前车辆行驶道路图像；
82.将所述预处理后的当前车辆行驶道路图像进行分类识别，确定当前车辆行驶道路图像的分类结果。
83.在上述实施例的基础上，可选的，所述图像处理模块，还包括：
84.对所述当前车辆行驶道路图像进行标注。
85.在上述实施例的基础上，可选的，所述车辆响应模块，包括：
86.获取当前车辆在行驶道路上的车辆响应特征，并提取各车辆响应特征的特征值；所述车辆响应特征包括轮胎动载荷、车身加速度、悬架动行程以及座椅垂向加速度；
87.依据各车辆响应特征值以及预设路面阈值，确定当前车辆行驶道路识别结果。
88.在上述实施例的基础上，可选的，所述车辆响应模块，还包括：
89.获取当前车辆行驶路面特征信息，确实所述当前车辆行驶路面的预设路面阈值；所述预设路面阈值用于表征当前行驶路面的类型；
90.若所述车辆响应特征值中存在至少三个车辆响应特征值小于第一预设路面阈值，则确定所述当前行驶路面类型为第一类型；
91.若所述车辆响应特征值中存在至少三个车辆响应特征值大于第一预设路面阈值且小于第二预设路面阈值，则确定所述当前行驶路面类型为第二类型；
92.若所述车辆响应特征值中存在至少三个车辆响应特征值大于第二预设路面阈值，则确定所述当前行驶路面类型为第三类型；
93.其中，所述预设路面阈值包括第一预设路面阈值、第二预设路面阈值以及第三预设路面阈值；所述当前行驶路面类型包括第一类型、第一类型以及第三类型。
94.在上述实施例的基础上，可选的，所述装置，还包括：
95.依据当前车辆行驶道路的路面类型，控制所述当前车辆采用相应的行驶模式；其中，当前车辆行驶道路的路面类型包括沥青路面、砂石路面、颠簸坏路、土路以及沙地。
96.本发明实施例中所提供的智能驾驶路面识别装置可执行上述本发明任意实施例中所提供的智能驾驶路面识别方法，具备执行该智能驾驶路面识别方法相应的功能和有益效果，详细过程参见前述实施例中智能驾驶路面识别方法的相关操作。
97.实施例四
98.图4是本发明实施例中提供的一种电子设备的结构示意图。电子设备10旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
99.如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、rom 12以及ram 13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
100.电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
101.处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如智能驾驶路面识别方法。
102.在一些实施例中，智能驾驶路面识别方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的智能驾驶路面识别方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行智能驾驶路面识别方法。
103.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
104.用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
105.在本发明的上下文中，计算机可读存储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计算机程序。计算机可读存储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。备选地，计算机可读存储介质可以是机器可读信号介质。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。
106.为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
107.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
108.计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
109.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
110.上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

技术特征：
1.一种智能驾驶路面识别方法，其特征在于，所述方法包括：对获取的当前车辆行驶道路图像进行分类，确定当前车辆行驶道路图像的分类结果；依据当前车辆的车辆响应特征对当前车辆行驶道路进行识别，确定当前车辆行驶道路识别结果；依据所述当前车辆行驶道路图像的分类结果与当前车辆行驶道路识别结果，确定当前车辆行驶道路的路面类型。2.根据权利要求1所述的方法，其特征在于，所述对获取的当前车辆行驶道路图像进行分类，确定当前车辆行驶道路图像的分类结果，包括：通过图像采集设备获取当前车辆行驶道路图像，并对所述当前车辆行驶道路图像进行预处理，确定预处理后的当前车辆行驶道路图像；将所述预处理后的当前车辆行驶道路图像进行分类识别，确定当前车辆行驶道路图像的分类结果。3.根据权利要求1所述的方法，其特征在于，所述对获取的当前车辆行驶道路图像进行分类，确定当前车辆行驶道路图像的分类结果，还包括：对所述当前车辆行驶道路图像进行标注。4.根据权利要求1所述的方法，其特征在于，所述依据当前车辆的车辆响应特征对当前车辆行驶道路进行识别，确定当前车辆行驶道路识别结果，包括：获取当前车辆在行驶道路上的车辆响应特征，并提取各车辆响应特征的特征值；所述车辆响应特征包括轮胎动载荷、车身加速度、悬架动行程以及座椅垂向加速度；依据各车辆响应特征值以及预设路面阈值，确定当前车辆行驶道路识别结果。5.根据权利要求4所述的方法，其特征在于，所述依据各车辆响应特征值以及预设路面阈值，确定当前车辆行驶道路识别结果，包括：获取不同行驶路面特征信息，确实不同行驶路面的预设路面阈值；所述预设路面阈值用于表征不同行驶路面的类型；若所述车辆响应特征值中存在至少三个车辆响应特征值小于第一预设路面阈值，则确定所述当前行驶路面类型为第一类型；若所述车辆响应特征值中存在至少三个车辆响应特征值大于第一预设路面阈值且小于第二预设路面阈值，则确定所述当前行驶路面类型为第二类型；若所述车辆响应特征值中存在至少三个车辆响应特征值大于第二预设路面阈值，则确定所述当前行驶路面类型为第三类型；其中，所述预设路面阈值包括第一预设路面阈值、第二预设路面阈值以及第三预设路面阈值；所述当前行驶路面类型包括第一类型、第一类型以及第三类型。6.根据权利要求1所述的方法，其特征在于，所述方法还包括：依据当前车辆行驶道路的路面类型，控制所述当前车辆采用相应的行驶模式；其中，当前车辆行驶道路的路面类型包括沥青路面、砂石路面、颠簸坏路、土路以及沙地。7.一种智能驾驶路面识别装置，其特征在于，所述装置包括：图像处理模块，用于对获取的当前车辆行驶道路图像进行分类，确定当前车辆行驶道路图像的分类结果；车辆响应模块，用于依据当前车辆的车辆响应特征对当前车辆行驶道路进行识别，确
定当前车辆行驶道路识别结果；路面类型确定模块，用于依据所述当前车辆行驶道路图像的分类结果与当前车辆行驶道路识别结果，确定当前车辆行驶道路的路面类型。8.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的智能驾驶路面识别方法。9.一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存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-6中任一项所述的智能驾驶路面识别方法。10.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的智能驾驶路面识别方法。

技术总结
本发明实施例公开了一种智能驾驶路面识别方法、装置、电子设备及存储介质。该方法包括：通过对获取的当前车辆行驶道路图像进行分类，确定当前车辆行驶道路图像的分类结果；依据当前车辆的车辆响应特征对当前车辆行驶道路进行识别，确定当前车辆行驶道路识别结果；依据所述当前车辆行驶道路图像的分类结果与当前车辆行驶道路识别结果，确定当前车辆行驶道路的路面类型。采用本发明实施例的技术方案，将视觉图像识别结果与车辆响应识别结果相结合，确定当前车辆行驶道路的路面类型，消除单一视觉图像识别中存在的误差，提升智能驾驶路面识别准确性，进而提升智能驾驶性能。进而提升智能驾驶性能。进而提升智能驾驶性能。


技术研发人员：周时莹 张建 谢飞 王御 洪日 李雅欣 闫善鑫 李扬 韩亚凝 王珊
受保护的技术使用者：中国第一汽车股份有限公司
技术研发日：2023.06.12
技术公布日：2023/8/30