(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211088233.2 (22)申请日 2022.09.07 (71)申请人 中国第一汽车股份有限公司 地址 130011 吉林省长 春市汽车 经济技术 开发区新红旗大街1号 (72)发明人 洪日　张建　刘秋铮　王超　王御　 谢飞　韩亚凝　杜杰　 (74)专利代理 机构 北京远智汇知识产权代理有 限公司 1 1659 专利代理师 鲁艳萍 (51)Int.Cl. G01B 21/30(2006.01) G01S 13/06(2006.01) G01S 13/86(2006.01) G01S 13/89(2006.01)G01S 17/06(2006.01) G01S 17/89(2020.01) G06V 20/56(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种路面不平度 的分类识别方法、 装置、 车 辆及存储介质 (57)摘要 本发明公开了一种路面不平度的分类识别 方法、 装置、 车辆及存储介质。 该方法包括获取至 少一组训练数据序列， 根据所述至少一组训练数 据序列将预设神经网络模型经过至少一轮训练， 得到路面不平度预测模型； 在车辆未来行驶预测 轨迹上出现前车遮挡后， 采集所述前车的实时位 姿数据； 将所述实时位姿数据输入至所述路面不 平度预测模 型， 确定与所述前车行驶路面匹配的 不平度分类识别结果。 本发明的技术方案增加路 面不平度预测模 型的准确性与鲁棒性， 提高对前 方路面不平度识别的准确性。 权利要求书2页 说明书11页 附图4页 CN 115451901 A 2022.12.09 CN 115451901 A 1.一种路面 不平度的分类识别方法， 其特 征在于， 包括： 获取至少一组训练数据序列， 根据 所述至少一组训练数据序列将预设神经网络模型经 过至少一轮训练， 得到路面 不平度预测模型； 在车辆未来行驶预测轨 迹上出现前车遮挡后， 采集所述前 车的实时位姿数据； 将所述实时位姿数据输入至所述路面不平度 预测模型， 确定与 所述前车行驶路面匹配 的不平度分类识别结果。 2.根据权利要求1所述的方法， 其特 征在于， 获取至少一组训练数据 序列， 包括： 针对一组目标 车辆和目标 前车执行下述操作： 在所述目标车辆未来行驶预测轨迹上出现所述目标前车遮挡时， 记录第 一时间点和所 述目标前车的目标位置， 并在所述第一时间点后采集所述目标 前车的实时位姿数据； 根据所述目标前车的实时位姿数据初步确定所述目标前车所处的目标路面严重不平 时， 判断所述目标车辆在所述第一时间点后是否按照所述未来行驶预测轨迹行驶至所述目 标位置； 若是， 在所述目标车辆按照所述未来行驶预测轨迹行驶至所述目标位置后， 采集所述 目标车辆的实时动力学响应信号； 根据所述目标车辆的实时动力学响应信号再次确定所述目标路面的不平度分类识别 结果， 并将所述 不平度分类识别结果， 作为与所述目标路面匹配的标签数据 序列； 将所述标签数据序列与所述目标前车的实时位姿数据在时序上对齐， 得到对齐结果， 并将所述对齐结果作为 一组训练数据 序列。 3.根据权利要求2所述的方法， 其特征在于， 所述目标前车的实时位姿数据包括实时车 速和实时侧倾角； 相应的， 根据所述实时位姿数据初步确定所述目标前车所处的目标路面严重不平， 包 括： 获取所述目标 前车的当前 车速和当前侧倾角； 根据所述当前 车速和所述当前侧倾角， 计算所述目标 前车的当前侧倾方差值； 根据所述当前侧倾方差值和预设方差阈值， 确定所述目标前车在 当前时刻所处 的目标 路面严重不平。 4.根据权利要求3所述的方法， 其特征在于， 根据所述当前车速和所述当前侧倾角， 计 算所述目标 前车的当前侧倾方差值， 包括： 根据所述当前车速、 预设采集周期和预设不平度判断区间长度， 计算在当前时刻对历 史目标前车位姿数据的需求数量； 根据所述需求数量， 获取对应数量的历史目标 前车侧倾角； 根据所述需求数量和各所述历史目标前车侧倾角， 计算所述目标前车的当前侧倾方差 值。 5.根据权利要求3所述的方法， 其特征在于， 根据所述当前侧倾方差值和预设方差阈 值， 确定所述目标 前车在当前时刻所处的目标路面 严重不平， 包括： 判断所述当前侧倾方差值是否大于所述预设方差阈值； 在所述当前侧倾方差值大于所述预设方差 阈值时， 确定所述目标前车在 当前时刻所处 的目标路面 严重不平。权　利　要　求　书 1/2 页 2 CN 115451901 A 26.根据权利要求2所述的方法， 其特征在于， 判断所述目标车辆在所述第 一时间点后是 否按照所述未来行驶预测轨 迹行驶至所述目标位置， 包括： 在所述目标车辆未来行驶预测轨迹上出现所述目标前车遮挡时， 获取所述目标车辆与 所述目标 前车在所述未来行驶预测轨 迹上的预测长度， 以及所述目标 车辆的当前 车速； 根据所述预测长度和所述当前车速， 获取所述目标车辆按照所述未来行驶预测轨迹行 驶至所述目标位置的预测时长， 并获取所述目标车辆预测行驶至所述目标位置的第二时间 点； 采集所述目标车辆在所述第 一时间点的第 一横摆角速度， 所述目标车辆实际行驶至第 二时间点的第二横摆角速度， 并采集所述目标车辆在所述第一时间点和所述第二时间点之 间的实时车速； 根据所述实时车速、 所述第一时间点和所述第二时间点， 计算所述目标车辆在所述第 一时间点和所述第二时间点之间的实际行驶长度； 根据所述第一横摆加速度、 所述第 二横摆角速度、 所述第 一时间点和所述第 二时间点， 计算所述目标 车辆在所述第一时间点和所述第二时间点之间的横摆角速度积分值； 根据所述实际行驶长度、 所述预测长度、 所述横摆角速度积分值和预设积分阈值， 判断 所述目标 车辆在所述第一时间点后是否按照所述未来行驶预测轨 迹行驶至所述目标位置 。 7.根据权利要求6所述的方法， 其特征在于， 根据 所述实际行驶长度、 所述预测长度、 所 述横摆角速度积分值和预设积分阈值， 判断所述目标车辆在所述第一时间点后是否按照所 述未来行驶预测轨 迹行驶至所述目标位置， 包括： 在所述实际行驶长度与所述预测长度之间的第 一差值不超过预设差值阈值， 且所述横 摆角速度积分值小于所述预设积分阈值时， 则确定所述目标车辆在所述第一时间点后按照 所述未来行驶预测轨 迹行驶至所述目标位置 。 8.一种路面 不平度的分类识别装置， 其特 征在于， 包括： 路面不平度预测模型获取模块， 用于获取至少一组训练数据序列， 根据所述至少一组 训练数据 序列将预设神经网络模型 经过至少一轮训练， 得到路面 不平度预测模型； 位姿数据采集模块， 用于在车辆未来行驶预测轨迹上出现前车遮挡后， 采集所述前车 的实时位姿数据； 分类识别结果确定模块， 用于将所述实时位姿数据输入至所述路面不平度预测模型， 确定与所述前 车行驶路面匹配的不平度分类识别结果。 9.一种车辆， 其特 征在于， 所述车辆包括： 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 ‑7中任一项所述的 路面不平度的分类识别方法。 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 ‑7中任一项所述的路面不平度的 分类识别方法。权　利　要　求　书 2/2 页 3 CN 115451901 A 3