1.本技术涉及自动驾驶，具体而言，涉及一种车辆的控制方法、控制装置、计算机可读存储介质、处理器与车辆。
背景技术：2.现有的方案中，若想实现对洒水车模型的构建一般需要识别出洒水车的四个顶点，然而在实际运行中，由于遮挡等原因，精确获取到洒水车的四个顶点是比较困难的，进而使得难以精确构建出洒水车模型，进一步导致影响目标车辆的行驶规划。
技术实现要素：3.本技术的主要目的在于提供一种车辆的控制方法、控制装置、计算机可读存储介质、处理器与车辆，以解决现有技术中难以精确构建出洒水车模型，进一步导致影响目标车辆的行驶规划的问题。
4.为了实现上述目的，根据本技术的一个方面，提供了一种车辆的控制方法，包括：获取洒水车的实时雷达点云数据和实时图像数据，所述实时雷达点云数据用于表征所述洒水车的局部信息；根据所述实时雷达点云数据和所述实时图像数据，确定出所述洒水车靠近目标车辆的边，所述目标车辆和所述洒水车位于同一个行驶区域内；至少根据所述洒水车靠近目标车辆的边，确定所述目标车辆的实时行驶信息，所述实时行驶信息至少包括所述目标车辆下一时刻的行驶速度。
5.可选地，根据所述实时雷达点云数据和所述实时图像数据，确定出所述洒水车靠近目标车辆的边，包括：构建神经网络模型，其中，所述神经网络模型是采用历史时间段内获取的多组历史雷达点云数据、历史图像数据以及所述历史雷达点云数据和历史图像数据对应的洒水车靠近目标车辆的边训练得到的；将所述实时雷达点云数据和所述实时图像数据输入至所述神经网络模型中进行运算，得到所述洒水车靠近目标车辆的边。
6.可选地，所述方法还包括：将所述历史雷达点云数据投影至水平面上，得到所述历史雷达点云数据的历史二维鸟瞰图；采用鸟瞰图编码的方式将所述历史二维鸟瞰图转化为历史特征图。
7.可选地，构建神经网络模型，包括：采用历史时间段内获取的多组历史雷达点云数据对应的所述历史特征图、所述历史图像数据以及所述历史雷达点云数据和历史图像数据对应的洒水车靠近目标车辆的边进行训练，得到所述神经网络模型；将所述实时雷达点云数据和所述实时图像数据输入至所述神经网络模型中进行运算，得到所述洒水车靠近目标车辆的边，包括：获取所述实时雷达点云数据对应的实时特征图；将所述实时特征图和所述实时图像数据输入至所述神经网络模型中进行运算，得到所述洒水车靠近目标车辆的边。
8.可选地，在所述洒水车位于所述目标车辆的前方的情况下，所述实时雷达点云数据用于表征所述洒水车的尾部信息。
9.可选地，在所述洒水车位于所述目标车辆的右侧的情况下，所述实时雷达点云数
据用于表征所述洒水车的左侧信息。
10.可选地，在所述洒水车位于所述目标车辆的左侧的情况下，所述实时雷达点云数据用于表征所述洒水车的右侧信息。
11.可选地，所述神经网络模型为深度学习模型。
12.可选地，至少根据所述洒水车靠近目标车辆的边，确定所述目标车辆的实时行驶信息，包括：获取所述目标车辆的当前时刻的行驶速度和行驶加速度；根据所述洒水车靠近目标车辆的所述边，确定出当前时刻所述目标车辆与洒水车之间的距离；根据所述目标车辆的当前时刻的行驶速度、行驶加速度和当前时刻所述目标车辆与洒水车之间的距离，确定所述目标车辆的下一时刻的行驶速度和行驶加速度。
13.可选地，所述实时图像数据还用于确定所述洒水车的朝向。
14.根据本技术的另一个方面，提供了一种车辆的控制装置，包括：获取单元，用于获取洒水车的实时雷达点云数据和实时图像数据，所述实时雷达点云数据用于表征所述洒水车的局部信息；第一确定单元，用于根据所述实时雷达点云数据和所述实时图像数据，确定出所述洒水车靠近目标车辆的边，所述目标车辆和所述洒水车位于同一个行驶区域内；第二确定单元，用于至少根据所述洒水车靠近目标车辆的边，确定所述目标车辆的实时行驶信息，所述实时行驶信息至少包括所述目标车辆下一时刻的行驶速度。
15.根据本技术的另一个方面，提供了所述第一确定单元包括：构建模块，用于构建神经网络模型，其中，所述神经网络模型是采用历史时间段内获取的多组历史雷达点云数据、历史图像数据以及所述历史雷达点云数据和历史图像数据对应的洒水车靠近目标车辆的边训练得到的；运算模块，用于将所述实时雷达点云数据和所述实时图像数据输入至所述神经网络模型中进行运算，得到所述洒水车靠近目标车辆的边。
16.根据本技术的另一个方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的方法。
17.根据本技术的另一个方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任意一种所述的方法。
18.根据本技术的另一个方面，提供了一种车辆，包括控制器，所述控制器用于执行任意一种所述的方法。
19.应用本技术的技术方案，通过获取洒水车的实时雷达点云数据和实时图像数据，上述实时雷达点云数据用于表征上述洒水车的局部信息，根据上述实时雷达点云数据和上述实时图像数据，确定出上述洒水车靠近目标车辆的边，至少根据上述洒水车靠近目标车辆的边，确定上述目标车辆的实时行驶信息。本方案中根据局部点云数据就实现了对洒水车靠近目标车辆的边的确定，进而避免了对目标车辆的实时行驶信息的影响，可以实现对目标车辆的精准导航。
附图说明
20.构成本技术的一部分的说明书附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
21.图1示出了根据本技术的实施例的车辆的控制方法流程图；
22.图2示出了根据本技术的实施例的车辆的控制装置示意图。
具体实施方式
23.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
24.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
25.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
26.应该理解的是，当元件(诸如层、膜、区域、或衬底)描述为在另一元件“上”时，该元件可直接在该另一元件上，或者也可存在中间元件。而且，在说明书以及权利要求书中，当描述有元件“连接”至另一元件时，该元件可“直接连接”至该另一元件，或者通过第三元件“连接”至该另一元件。
27.正如背景技术中所介绍的，现有技术中难以精确构建出洒水车模型，进一步导致影响目标车辆的行驶规划，为解决如上难以精确构建出洒水车模型，进一步导致影响目标车辆的行驶规划的问题，本技术的实施例提供了一种车辆的控制方法、控制装置、计算机可读存储介质、处理器与车辆。
28.根据本技术的实施例，提供了一种车辆的控制方法。
29.图1是根据本技术实施例的车辆的控制方法的流程图。如图1所示，该方法包括以下步骤：
30.步骤s101，获取洒水车的实时雷达点云数据和实时图像数据，上述实时雷达点云数据用于表征上述洒水车的局部信息；
31.上述步骤中，不再根据全局的点云数据(即不仅包括洒水车的点云还包括洒水车周围的别的物体的点云)去确定洒水车的四个顶点，仅仅获取局部的点云数据，局部的点云数据可以仅包括洒水车的尾部，仅包括洒水车的左侧，仅包括洒水车的右侧。
32.更为优选的，远离目标车辆的洒水车部分的点云数据不再进行考虑，这样就避免了由于遮挡等原因，获取不到精准的点云数据。
33.具体地，在上述洒水车位于上述目标车辆的前方的情况下，上述实时雷达点云数据用于表征上述洒水车的尾部信息。
34.具体地，在上述洒水车位于上述目标车辆的右侧的情况下，上述实时雷达点云数据用于表征上述洒水车的左侧信息。
35.具体地，在上述洒水车位于上述目标车辆的左侧的情况下，上述实时雷达点云数
据用于表征上述洒水车的右侧信息。
36.当然，洒水车还可能位于目标车辆的左上方、右上方、左下方、右下方等，此处就不再一一列举。
37.步骤s102，根据上述实时雷达点云数据和上述实时图像数据，确定出上述洒水车靠近目标车辆的边，上述目标车辆和上述洒水车位于同一个行驶区域内；
38.上述步骤中，根据上述实时雷达点云数据和上述实时图像数据，确定出上述洒水车靠近目标车辆的具体的一条边，具体的一条边可以是洒水车的尾部离目标车辆最近的那条边，一条边可以是洒水车的左侧离目标车辆最近的那条边，一条边可以是洒水车的右侧离目标车辆最近的那条边。以实现对目标车辆与洒水车之间的距离的精确确定。
39.步骤s103，至少根据上述洒水车靠近目标车辆的边，确定上述目标车辆的实时行驶信息，上述实时行驶信息至少包括上述目标车辆下一时刻的行驶速度。
40.上述方案中，通过获取洒水车的实时雷达点云数据和实时图像数据，上述实时雷达点云数据用于表征上述洒水车的局部信息，根据上述实时雷达点云数据和上述实时图像数据，确定出上述洒水车靠近目标车辆的边，至少根据上述洒水车靠近目标车辆的边，确定上述目标车辆的实时行驶信息。本方案中根据局部点云数据就实现了对洒水车靠近目标车辆的边的确定，进而避免了对目标车辆的实时行驶信息的影响，可以实现对目标车辆的精准导航。
41.需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
42.在一些实施例中，根据上述实时雷达点云数据和上述实时图像数据，确定出上述洒水车靠近目标车辆的边，包括：构建神经网络模型，其中，上述神经网络模型是采用历史时间段内获取的多组历史雷达点云数据、历史图像数据以及上述历史雷达点云数据和历史图像数据对应的洒水车靠近目标车辆的边训练得到的；将上述实时雷达点云数据和上述实时图像数据输入至上述神经网络模型中进行运算，得到上述洒水车靠近目标车辆的边。采用神经网络模型实现对洒水车靠近目标车辆的边的精确确定。
43.在一些实施例中，上述方法还包括：将上述历史雷达点云数据投影至水平面上，得到上述历史雷达点云数据的历史二维鸟瞰图；采用鸟瞰图编码的方式将上述历史二维鸟瞰图转化为历史特征图。将历史雷达点云数据投影至水平面上，得到上述历史雷达点云数据的历史二维鸟瞰图有助于精确确定靠近目标车辆的边，采用鸟瞰图编码的方式将上述历史二维鸟瞰图转化为历史特征图，采用历史特征图进行模型的训练可以减少计算量，加快计算速度。
44.在一些具体的实施例中，上述神经网络模型为深度学习模型。深度学习模型可以采用典型的卷积神经网络模型，当然，本领域技术人员可以根据需求调整卷积神经网络模型的结构。
45.在一些实施例中，构建神经网络模型，包括：采用历史时间段内获取的多组历史雷达点云数据对应的上述历史特征图、上述历史图像数据以及上述历史雷达点云数据和历史图像数据对应的洒水车靠近目标车辆的边进行训练，得到上述神经网络模型；将上述实时雷达点云数据和上述实时图像数据输入至上述神经网络模型中进行运算，得到上述洒水车
靠近目标车辆的边，包括：获取上述实时雷达点云数据对应的实时特征图；将上述实时特征图和上述实时图像数据输入至上述神经网络模型中进行运算，得到上述洒水车靠近目标车辆的边。
46.在一些实施例中，至少根据上述洒水车靠近目标车辆的边，确定上述目标车辆的实时行驶信息，包括：获取上述目标车辆的当前时刻的行驶速度和行驶加速度；根据上述洒水车靠近目标车辆的上述边，确定出当前时刻上述目标车辆与洒水车之间的距离；根据上述目标车辆的当前时刻的行驶速度、行驶加速度和当前时刻上述目标车辆与洒水车之间的距离，确定上述目标车辆的下一时刻的行驶速度和行驶加速度。即根据上述目标车辆的当前时刻的行驶速度、行驶加速度和当前时刻上述目标车辆与洒水车之间的距离，实现对上述目标车辆的下一时刻的行驶速度和行驶加速度的精确确定。
47.在一些具体的实施例中，上述实时图像数据还用于确定上述洒水车的朝向。有助于对目标车辆的行驶路径进行规划。
48.本技术实施例还提供了一种车辆的控制装置，需要说明的是，本技术实施例的车辆的控制装置可以用于执行本技术实施例所提供的用于车辆的控制方法。以下对本技术实施例提供的车辆的控制装置进行介绍。
49.图2是根据本技术实施例的车辆的控制装置的示意图。如图2所示，该装置包括：
50.获取单元10，用于获取洒水车的实时雷达点云数据和实时图像数据，上述实时雷达点云数据用于表征上述洒水车的局部信息；
51.第一确定单元20，用于根据上述实时雷达点云数据和上述实时图像数据，确定出上述洒水车靠近目标车辆的边，上述目标车辆和上述洒水车位于同一个行驶区域内；
52.第二确定单元30，用于至少根据上述洒水车靠近目标车辆的边，确定上述目标车辆的实时行驶信息，上述实时行驶信息至少包括上述目标车辆下一时刻的行驶速度。
53.上述方案中，获取单元获取洒水车的实时雷达点云数据和实时图像数据，上述实时雷达点云数据用于表征上述洒水车的局部信息，第一确定单元根据上述实时雷达点云数据和上述实时图像数据，确定出上述洒水车靠近目标车辆的边，第二确定单元至少根据上述洒水车靠近目标车辆的边，确定上述目标车辆的实时行驶信息。本方案中根据局部点云数据就实现了对洒水车靠近目标车辆的边的确定，进而避免了对目标车辆的实时行驶信息的影响，可以实现对目标车辆的精准导航。
54.在一些实施例中，上述第一确定单元包括构建模块，构建模块用于构建神经网络模型，其中，上述神经网络模型是采用历史时间段内获取的多组历史雷达点云数据、历史图像数据以及上述历史雷达点云数据和历史图像数据对应的洒水车靠近目标车辆的边训练得到的；运算模块，用于将上述实时雷达点云数据和上述实时图像数据输入至上述神经网络模型中进行运算，得到上述洒水车靠近目标车辆的边。采用神经网络模型实现对洒水车靠近目标车辆的边的精确确定。
55.在一些实施例中，上述装置还包括投影单元和转化单元，投影单元用于将上述历史雷达点云数据投影至水平面上，得到上述历史雷达点云数据的历史二维鸟瞰图；转化单元用于采用鸟瞰图编码的方式将上述历史二维鸟瞰图转化为历史特征图。将历史雷达点云数据投影至水平面上，得到上述历史雷达点云数据的历史二维鸟瞰图有助于精确确定靠近目标车辆的边，采用鸟瞰图编码的方式将上述历史二维鸟瞰图转化为历史特征图，采用历
史特征图进行模型的训练可以减少计算量，加快计算速度。
56.在一些实施例中，构建模块还用于采用历史时间段内获取的多组历史雷达点云数据对应的上述历史特征图、上述历史图像数据以及上述历史雷达点云数据和历史图像数据对应的洒水车靠近目标车辆的边进行训练，得到上述神经网络模型；运算模块包括第一获取子模块和运算子模块，第一获取子模块用于获取上述实时雷达点云数据对应的实时特征图；运算子模块用于将上述实时特征图和上述实时图像数据输入至上述神经网络模型中进行运算，得到上述洒水车靠近目标车辆的边。
57.在一些实施例中，第二确定单元包括第二获取子模块、第一确定子模块和第二确定子模块，第二获取子模块用于获取上述目标车辆的当前时刻的行驶速度和行驶加速度；第一确定子模块用于根据上述洒水车靠近目标车辆的上述边，确定出当前时刻上述目标车辆与洒水车之间的距离；第二确定子模块用于根据上述目标车辆的当前时刻的行驶速度、行驶加速度和当前时刻上述目标车辆与洒水车之间的距离，确定上述目标车辆的下一时刻的行驶速度和行驶加速度。即根据上述目标车辆的当前时刻的行驶速度、行驶加速度和当前时刻上述目标车辆与洒水车之间的距离，实现对上述目标车辆的下一时刻的行驶速度和行驶加速度的精确确定。
58.上述车辆的控制装置包括处理器和存储器，上述获取单元、第一确定单元、第二确定单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
59.处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来确定精确的洒水车模型。
60.存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
61.本发明实施例提供了一种计算机可读存储介质，上述计算机可读存储介质包括存储的程序，其中，在上述程序运行时控制上述计算机可读存储介质所在设备执行上述车辆的控制方法。
62.本发明实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述车辆的控制方法。
63.本发明实施例提供了一种车辆，包括控制器，上述控制器用于执行任意一种上述的方法。具体地，该车辆为自动驾驶车辆。在自动驾驶车辆与洒水车位于同一个行驶区域内的情况下，通过获取洒水车的实时雷达点云数据和实时图像数据，上述实时雷达点云数据用于表征上述洒水车的局部信息，根据上述实时雷达点云数据和上述实时图像数据，确定出上述洒水车靠近目标车辆的边，至少根据上述洒水车靠近目标车辆的边，确定上述目标车辆的实时行驶信息。本方案中根据局部点云数据就实现了对洒水车靠近目标车辆的边的确定，进而避免了对目标车辆的实时行驶信息的影响，可以实现对目标车辆的精准导航。
64.本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：
65.步骤s101，获取洒水车的实时雷达点云数据和实时图像数据，上述实时雷达点云数据用于表征上述洒水车的局部信息；
66.步骤s102，根据上述实时雷达点云数据和上述实时图像数据，确定出上述洒水车靠近目标车辆的边，上述目标车辆和上述洒水车位于同一个行驶区域内；
67.步骤s103，至少根据上述洒水车靠近目标车辆的边，确定上述目标车辆的实时行驶信息，上述实时行驶信息至少包括上述目标车辆下一时刻的行驶速度。
68.本文中的设备可以是服务器、pc、pad、手机等。
69.本技术还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：
70.步骤s101，获取洒水车的实时雷达点云数据和实时图像数据，上述实时雷达点云数据用于表征上述洒水车的局部信息；
71.步骤s102，根据上述实时雷达点云数据和上述实时图像数据，确定出上述洒水车靠近目标车辆的边，上述目标车辆和上述洒水车位于同一个行驶区域内；
72.步骤s103，至少根据上述洒水车靠近目标车辆的边，确定上述目标车辆的实时行驶信息，上述实时行驶信息至少包括上述目标车辆下一时刻的行驶速度。
73.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
74.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
75.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
76.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
77.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
78.存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
79.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。
计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
80.还需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
81.从以上的描述中，可以看出，本技术上述的实施例实现了如下技术效果：
82.1)、本技术的车辆的控制方法，通过获取洒水车的实时雷达点云数据和实时图像数据，上述实时雷达点云数据用于表征上述洒水车的局部信息，根据上述实时雷达点云数据和上述实时图像数据，确定出上述洒水车靠近目标车辆的边，至少根据上述洒水车靠近目标车辆的边，确定上述目标车辆的实时行驶信息。本方案中根据局部点云数据就实现了对洒水车靠近目标车辆的边的确定，进而避免了对目标车辆的实时行驶信息的影响，可以实现对目标车辆的精准导航。
83.2)、本技术的车辆的控制装置，获取单元获取洒水车的实时雷达点云数据和实时图像数据，上述实时雷达点云数据用于表征上述洒水车的局部信息，第一确定单元根据上述实时雷达点云数据和上述实时图像数据，确定出上述洒水车靠近目标车辆的边，第二确定单元至少根据上述洒水车靠近目标车辆的边，确定上述目标车辆的实时行驶信息。本方案中根据局部点云数据就实现了对洒水车靠近目标车辆的边的确定，进而避免了对目标车辆的实时行驶信息的影响，可以实现对目标车辆的精准导航。
84.以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。
技术特征：1.一种车辆的控制方法，其特征在于，包括：获取洒水车的实时雷达点云数据和实时图像数据，所述实时雷达点云数据用于表征所述洒水车的局部信息；根据所述实时雷达点云数据和所述实时图像数据，确定出所述洒水车靠近目标车辆的边，所述目标车辆和所述洒水车位于同一个行驶区域内；至少根据所述洒水车靠近目标车辆的边，确定所述目标车辆的实时行驶信息，所述实时行驶信息至少包括所述目标车辆下一时刻的行驶速度。2.根据权利要求1所述的方法，其特征在于，根据所述实时雷达点云数据和所述实时图像数据，确定出所述洒水车靠近目标车辆的边，包括：构建神经网络模型，其中，所述神经网络模型是采用历史时间段内获取的多组历史雷达点云数据、历史图像数据以及所述历史雷达点云数据和历史图像数据对应的洒水车靠近目标车辆的边训练得到的；将所述实时雷达点云数据和所述实时图像数据输入至所述神经网络模型中进行运算，得到所述洒水车靠近目标车辆的边。3.根据权利要求2所述的方法，其特征在于，所述方法还包括：将所述历史雷达点云数据投影至水平面上，得到所述历史雷达点云数据的历史二维鸟瞰图；采用鸟瞰图编码的方式将所述历史二维鸟瞰图转化为历史特征图。4.根据权利要求3所述的方法，其特征在于，构建神经网络模型，包括：采用历史时间段内获取的多组历史雷达点云数据对应的所述历史特征图、所述历史图像数据以及所述历史雷达点云数据和历史图像数据对应的洒水车靠近目标车辆的边进行训练，得到所述神经网络模型；将所述实时雷达点云数据和所述实时图像数据输入至所述神经网络模型中进行运算，得到所述洒水车靠近目标车辆的边，包括：获取所述实时雷达点云数据对应的实时特征图；将所述实时特征图和所述实时图像数据输入至所述神经网络模型中进行运算，得到所述洒水车靠近目标车辆的边。5.根据权利要求1至4中任一项所述的方法，其特征在于，在所述洒水车位于所述目标车辆的前方的情况下，所述实时雷达点云数据用于表征所述洒水车的尾部信息。6.根据权利要求1至4中任一项所述的方法，其特征在于，在所述洒水车位于所述目标车辆的右侧的情况下，所述实时雷达点云数据用于表征所述洒水车的左侧信息。7.根据权利要求1至4中任一项所述的方法，其特征在于，在所述洒水车位于所述目标车辆的左侧的情况下，所述实时雷达点云数据用于表征所述洒水车的右侧信息。8.根据权利要求2至4中任一项所述的方法，其特征在于，所述神经网络模型为深度学习模型。9.根据权利要求1至4中任一项所述的方法，其特征在于，至少根据所述洒水车靠近目标车辆的边，确定所述目标车辆的实时行驶信息，包括：获取所述目标车辆的当前时刻的行驶速度和行驶加速度；
根据所述洒水车靠近目标车辆的所述边，确定出当前时刻所述目标车辆与洒水车之间的距离；根据所述目标车辆的当前时刻的行驶速度、行驶加速度和当前时刻所述目标车辆与洒水车之间的距离，确定所述目标车辆的下一时刻的行驶速度和行驶加速度。10.根据权利要求1至4中任一项所述的方法，其特征在于，所述实时图像数据还用于确定所述洒水车的朝向。11.一种车辆的控制装置，其特征在于，包括：获取单元，用于获取洒水车的实时雷达点云数据和实时图像数据，所述实时雷达点云数据用于表征所述洒水车的局部信息；第一确定单元，用于根据所述实时雷达点云数据和所述实时图像数据，确定出所述洒水车靠近目标车辆的边，所述目标车辆和所述洒水车位于同一个行驶区域内；第二确定单元，用于至少根据所述洒水车靠近目标车辆的边，确定所述目标车辆的实时行驶信息，所述实时行驶信息至少包括所述目标车辆下一时刻的行驶速度。12.根据权利要求11所述的装置，其特征在于，所述第一确定单元包括：构建模块，用于构建神经网络模型，其中，所述神经网络模型是采用历史时间段内获取的多组历史雷达点云数据、历史图像数据以及所述历史雷达点云数据和历史图像数据对应的洒水车靠近目标车辆的边训练得到的；运算模块，用于将所述实时雷达点云数据和所述实时图像数据输入至所述神经网络模型中进行运算，得到所述洒水车靠近目标车辆的边。13.一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包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至10中任意一项所述的方法。14.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至10中任意一项所述的方法。15.一种车辆，其特征在于，包括控制器，所述控制器用于执行权利要求1至10中任意一项所述的方法。
技术总结本申请提供了一种车辆的控制方法、控制装置、处理器与车辆。该方法包括获取洒水车的实时雷达点云数据和实时图像数据，实时雷达点云数据用于表征洒水车的局部信息；根据实时雷达点云数据和实时图像数据，确定出洒水车靠近目标车辆的边，目标车辆和洒水车位于同一个行驶区域内；至少根据洒水车靠近目标车辆的边，确定目标车辆的实时行驶信息，实时行驶信息至少包括目标车辆下一时刻的行驶速度。本方案中根据局部点云数据就实现了对洒水车靠近目标车辆的边的确定，进而避免了对目标车辆的实时行驶信息的影响，可以实现对目标车辆的精准导航。航。航。
技术研发人员：刘艺成
受保护的技术使用者：北京小马慧行科技有限公司
技术研发日：2022.04.08
技术公布日：2022/7/5
