CN108181905A - 一种无人驾驶汽车的障碍躲避方法及系统 - Google Patents

Abstract

本发明公开了一种无人驾驶汽车的障碍躲避方法，无人驾驶汽车通过自身的信息采集装置采集障碍信息以及从云端获取其他车辆上传至与当前无人驾驶汽车所处的行驶环境的环境信息以控制无人驾驶汽车避障，由于云端中的目标信息与无人驾驶汽车所处的环境信息相对应，因此，无人驾驶汽车可以从云端获知当前所处环境的障碍信息，结合无人驾驶汽车自身所检测到的障碍信息，从而实现精确避障，避免了无人驾驶汽车自身的避障装置异常或精确度较低时，引起避障失败率较高、车祸发生率较高的问题。同时，本发明还公开了一种无人驾驶汽车的障碍躲避系统，同样能实现上述技术效果。

Description

一种无人驾驶汽车的障碍躲避方法及系统

技术领域

本发明涉及人工智能领域，特别涉及一种无人驾驶汽车的障碍躲避方法及系统。

背景技术

近年来，随着人工智能的快速发展，无人驾驶汽车也逐渐进入人们的生活。无人驾驶汽车是一种智能汽车，也可以称之为轮式移动机器人，主要依靠车内的以计算机系统为主的智能驾驶仪实现无人驾驶。相比传统的驾驶汽车，无人驾驶汽车首先避免人对汽车进行控制及操作，同时，由于无人驾驶汽车由计算机系统进行控制，因此，避免了用户驾驶汽车时，由于疲劳驾驶而引起车祸事故。

目前，由于无人驾驶汽车的发展历程较短，因此，无人驾驶汽车依旧存在许多技术难题，其中，最主要的问题是无人驾驶汽车在行驶时对遇到的障碍物分析及躲避的问题。但是，传统的避障方式是通过无人驾驶汽车自身的避障装置检测到障碍物后避障，避障方式单一，当无人驾驶汽车的避障装置异常或者避障装置检测障碍物不精确时，会导致无人驾驶汽车避障失败，车祸发生率较高。

因此，如何提高无人驾驶汽车避障的精确度，进而降低无人驾驶汽车避障的失败率，进一步降低车祸的发生率是本领域技术人员需要解决的问题。

发明内容

本发明的目的在于提供一种无人驾驶汽车的障碍躲避方法及系统，提高了无人驾驶汽车避障的精确度，进而降低无人驾驶汽车避障的失败率，进一步降低了车祸的发生率。

为实现上述目的，本发明实施例提供了如下技术方案：

一方面，本发明实施例提供了一种无人驾驶汽车的障碍躲避方法，包括：

获取信息采集装置采集的无人驾驶汽车的行驶范围内的环境信息以检测所述行驶范围内是否存在目标车辆；

若是，则确定所述行驶范围内的第一障碍信息；

从云端获取与所述环境信息对应的目标信息并对所述目标信息与所述第一障碍信息进行分析得到第一分析结果，其中所述目标信息为所述目标车辆上传至所述云端的与所述环境信息对应的信息；

根据所述第一分析结果控制所述无人驾驶汽车躲避与所述第一障碍信息对应的第一障碍。

优选的，若所述无人驾驶汽车的所述行驶范围内未存在所述目标车辆，则确定所述行驶范围内的第二障碍信息；

对所述第二障碍信息进行分析得到第二分析结果；

根据所述第二分析结果控制所述无人驾驶汽车躲避与所述第二障碍信息对应的第二障碍。

优选的，若所述无人驾驶汽车的所述行驶范围内存在所述目标车辆，则所述方法还包括：

检测所述信息采集装置是否异常；

若是，则从所述云端获取所述目标信息并对所述目标信息进行分析得到第三分析结果；

根据所述第三分析结果控制所述无人驾驶汽车躲避与所述目标信息对应的第三障碍。

优选的，所述获取信息采集装置采集的无人驾驶汽车的行驶范围内的环境信息包括：

获取所述信息采集装置中的红外摄像机拍摄所述行驶范围内的环境图像；

对所述环境图像进行特征提取以得到所述环境信息。

优选的，所述从云端获取与所述环境信息对应的目标信息并对所述目标信息与所述第一障碍信息进行分析得到第一分析结果包括：

根据所述目标信息与所述第一障碍信息建立与所述环境信息对应的数学模型；

根据所述数学模型确定与所述第一障碍信息对应的所述第一障碍的可信度；

判断所述可信度是否大于可信阈值；

若是，则确定与所述第一障碍信息对应的所述第一障碍的避障信息以将所述避障信息作为所述第一分析结果。

优选的，所述确定与所述第一障碍信息对应的所述第一障碍的避障信息包括：

确定与所述环境信息对应的所述无人驾驶汽车的目标位置、所述第一障碍的障碍位置；

获取所述信息采集装置中的激光测距仪测量的所述目标位置至所述障碍位置的障碍距离；

根据所述目标位置、所述障碍位置以及所述障碍距离确定所述无人驾驶汽车的避障方向。

另一方面，本发明实施例提供了一种无人驾驶汽车的障碍躲避系统，包括：

信息采集装置、处理器、驾驶控制装置；

所述信息采集装置用于采集无人驾驶汽车的行驶范围内的环境信息；

所述处理器用于获取所述信息采集装置采集的所述环境信息以检测所述行驶范围内是否存在目标车辆，若存在，则确定所述行驶范围内的第一障碍信息；

确定第一障碍信息后从云端获取与所述环境信息对应的目标信息并对所述目标信息与所述第一障碍信息进行分析得到第一分析结果，其中所述目标信息为所述目标车辆上传至所述云端的与所述环境信息对应的信息；

所述驾驶控制装置用于根据所述第一分析结果控制所述无人驾驶汽车躲避与所述第一障碍信息对应的第一障碍。

优选的，所述信息采集装置包括：红外摄像机；

所述红外摄像机用于拍摄所述行驶范围内的环境图像。

优选的，所述处理器具体用于：

根据所述目标信息与所述第一障碍信息建立与所述环境信息对应的数学模型；

根据所述数学模型计算与所述第一障碍信息对应的所述第一障碍的可信度；

判断所述可信度是否大于可信阈值；

若是，则确定与所述第一障碍信息对应的所述第一障碍的避障信息以将所述避障信息作为所述第一分析结果。

可见，本发明实施例公开的一种无人驾驶汽车的障碍躲避方法，首先获取信息采集装置采集的无人驾驶汽车的行驶范围内的环境信息以检测行驶范围内是否存在目标车辆，如果存在，则确定行驶范围内的第一障碍信息，并从云端获取与环境信息对应的目标信息并对目标信息与第一障碍信息进行分析得到第一分析结果；其中目标信息为目标车辆上传至云端的与环境信息对应的信息；根据第一分析结果控制无人驾驶汽车躲避与第一障碍信息对应的第一障碍。

因此，无人驾驶汽车通过自身的信息采集装置采集障碍信息以及从云端获取其他车辆上传至与当前无人驾驶汽车所处的行驶环境的环境信息以控制无人驾驶汽车避障，由于云端中的目标信息与无人驾驶汽车所处的环境信息相对应，因此，无人驾驶汽车可以从云端获知当前所处环境的障碍信息，结合无人驾驶汽车自身所检测到的障碍信息，从而实现精确避障，避免了无人驾驶汽车自身的避障装置异常或精确度较低时，引起避障失败率较高、车祸发生率较高的问题。同时，本发明实施例还公开了一种无人驾驶汽车的障碍躲避系统，同样能实现上述技术效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例公开的一种无人驾驶汽车的障碍躲避方法流程示意图；

图2为本发明实施例公开的一种无人驾驶汽车的数学模型示意图；

图3为本发明实施例公开的一种无人驾驶汽车的障碍躲避系统结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

本发明实施例公开了一种无人驾驶汽车的障碍躲避方法及系统，提高了无人驾驶汽车避障的精确度，进而降低无人驾驶汽车避障的失败率，进一步降低了车祸的发生率。

请参见图1，图1为本发明实施例公开的一种无人驾驶汽车的障碍躲避方法流程示意图，包括：

S101、获取信息采集装置采集的无人驾驶汽车的行驶范围内的环境信息以检测行驶范围内是否存在目标车辆。

具体的，本实施例中，信息采集模块可以采集当前无人驾驶汽车采集的无人驾驶汽车所处环境的环境信息、当前无人驾驶汽车的行驶状态信息、无人驾驶汽车当前所处的位置信息等，其中，环境信息包括无人驾驶汽车所处的环境的布局信息以及当前环境内的障碍物的大小、形状等；信息采集装置可以包括红外摄像头、激光测距仪、定位部件、速度传感器等，红外摄像头用于拍摄无人驾驶汽车所在环境的环境图像，激光测距仪用于测量无人驾驶汽车与障碍物之间的距离，速度传感器用于测量无人驾驶汽车当前的行驶速度信息，定位部件用于对当前无人驾驶汽车所处的位置进行检测。当然，信息采集装置也可以包括其它采集装置类型，例如，360度旋转摄像头等，在此并不作限定。行驶范围为当前无人驾驶汽车所处的行驶区域，即无人驾驶汽车的信息采集装置可采集的当前无人驾驶汽车的可视范围内。目标车辆为当前无人驾驶汽车当前行驶范围内存在的车辆，目标车辆的数量可以为多个，也可以为一个，在此并不作限定。当然，目标车辆的类型在此也并不作限定。

S102、若是，则确定行驶范围内的第一障碍信息。

具体的，本实施例中，第一障碍信息为当前无人驾驶汽车所在行驶范围内的障碍信息，其主要包括，行驶范围内的目标车辆的位置或者其他障碍物的位置，以及各障碍物距离目标车辆的距离，障碍物的大小、形状等，当然，根据实际环境情况，第一障碍信息也可以为其它信息，在此并不作限定。

S103、从云端获取与环境信息对应的目标信息并对目标信息与第一障碍信息进行分析得到第一分析结果，其中目标信息为目标车辆上传至云端的与环境信息对应的信息。

具体的，本实施例中，云端用于存储目标车辆上传至当前无人驾驶汽车所处的行驶范围内的环境信息，其可以包括当前无人驾驶车辆所处环境的整体布局信息以及，行驶范围内存在的障碍物的信息。当然，根据实际环境，云端内存储的信息也可以为其他类型的信息，在此并不作限定。

S104、根据第一分析结果控制无人驾驶汽车躲避与第一障碍信息对应的第一障碍。

具体的，本实施例中，第一分析结果为对第一障碍信息进行分析后，得到第一障碍信息中的障碍物的避障信息，例如，第一障碍信息中的障碍物至无人驾驶汽车的距离、处于无人驾驶汽车的方位，则根据该距离以及方位得到无人驾驶汽车的避障方向、避障速度、避障路线等。

当然，根据实际环境，第一分析结果中也可以包含其他避障信息，在此并不作限定。

需要说明的是，本实施例中，当行驶范围内不存在目标车辆时，则可以从信息采集装置采集的无人驾驶汽车的行驶范围内的环境信息中确定障碍信息，从而对该障碍信息进行分析，根据对该障碍信息进行分析，从而得到与该障碍信息对应的避障信息。

可见，本发明实施例公开的一种无人驾驶汽车的障碍躲避方法，首先获取信息采集装置采集的无人驾驶汽车的行驶范围内的环境信息以检测行驶范围内是否存在目标车辆，如果存在，则确定行驶范围内的第一障碍信息，并从云端获取与环境信息对应的目标信息并对目标信息与第一障碍信息进行分析得到第一分析结果；其中目标信息为目标车辆上传至云端的与环境信息对应的信息；根据第一分析结果控制无人驾驶汽车躲避与第一障碍信息对应的第一障碍。

因此，无人驾驶汽车通过自身的信息采集装置采集障碍信息以及从云端获取其他车辆上传至与当前无人驾驶汽车所处的行驶环境的环境信息以控制无人驾驶汽车避障，由于云端中的目标信息与无人驾驶汽车所处的环境信息相对应，因此，无人驾驶汽车可以全面了解当前所处环境的障碍信息，结合无人驾驶汽车自身所检测到的障碍信息，从而实现精确避障，避免了无人驾驶汽车自身的避障装置异常或精确度较低时，引起避障失败率较高、车祸发生率较高的问题。

基于上述实施例，在本实施例中，若无人驾驶汽车的行驶范围内不存在目标车辆，则确定行驶范围内的第二障碍信息；

对第二障碍信息进行分析得到第二分析结果；

根据第二分析结果控制无人驾驶汽车躲避与第二障碍信息对应的第二障碍。

具体的，本实施例中，第二障碍信息为信息采集装置采集的环境信息中包含障碍物的障碍信息，其包括障碍物的形状、大小、无人驾驶汽车当前所处的位置、障碍物的位置等。第二分析结果为包含对该第二障碍物信息对应的第二障碍的避障方案，例如，当第二障碍信息为：距离无人驾驶汽车200米处有障碍物，则第二分析结果则包括障碍物距离无人驾驶汽车的距离以及控制无人驾驶汽车减速行驶以及变更行驶方向。

基于上述实施例，在本实施例中，若无人驾驶汽车的行驶范围内存在目标车辆，则还包括：

检测信息采集装置是否异常；

若是，则从云端获取目标信息并对目标信息进行分析得到第三分析结果；

根据第三分析结果控制无人驾驶汽车躲避与目标信息对应的第三障碍。

具体的，本实施例中，当信息采集装置无法正常采集无人驾驶汽车的环境信息时，则直接从云端下载当前行驶范围内的其他车辆上传至云端的环境信息，并对该环境信息中包含的障碍信息进行分析。第三分析结果为包含其他车辆上传至云端的环境信息中包含的障碍信息的分析结果。其可以包括：无人驾驶汽车至障碍物的距离，障碍物的位置、大小等。当然，根据实际环境，该第三分析结果也可以包含其他信息，在此并不作限定。

进一步，本实施例中，若无人驾驶汽车的信息采集装置异常，且无人驾驶汽车的行驶范围内没有其它车辆，即无法从云端获取无人驾驶汽车当前行驶范围内的目标信息时，则控制无人驾驶汽车自动停车，此时，无人驾驶汽车发出警报，提示驾驶人员改为手动驾驶。

基于上述实施例，在本实施例中，获取信息采集装置采集的无人驾驶汽车的行驶范围内的环境信息包括：

获取信息采集装置中的红外摄像机拍摄行驶范围内的环境图像；

对环境图像进行特征提取以得到环境信息。

基于上述实施例，在本实施例中，从云端获取与环境信息对应的目标信息并对目标信息与第一障碍信息进行分析得到第一分析结果包括：

根据目标信息与第一障碍信息建立与环境信息对应的数学模型；

根据数学模型确定与第一障碍信息对应的第一障碍的可信度；

判断可信度是否大于可信阈值；

若是，则确定与第一障碍信息对应的第一障碍的避障信息以将避障信息作为第一分析结果。

具体的，本实施例中，请参见图2，图2为本发明实施例公开的一种无人驾驶汽车的数学模型示意图，如图2所示，数学模型的建立原理如下，首先根据汽车的信息采集模块采集的周围环境信息中的第一障碍信息和目标车辆的目标信息绘制无人驾驶汽车的周围环境图像，将图像分成大小相同一个一个的小块。然后建立全局静态坐标系(X-O-Y)和汽车局部动态坐标系(X′-O′-Y′)，将汽车的起始位置作为全局静态坐标系的原点O，X轴方向指向正东，Y轴方向指向正北。将无人驾驶汽车的几何中心点定义为动态局部坐标系的原点O′。汽车的姿态用Y轴与Y′轴的夹角θ表示(顺时针方向为正)。全局坐标系用来描述整个环境的信息，局部坐标系描述当前探测到的局部信息。

然后根据建立好的数学模型确定当前信息采集装置采集的第一障碍物的可信度，可信度的确定过程如下：无人驾驶汽车可以探测到的行驶范围内的环境区域本发明实施例中定义为感知空间。此环境区域的形状大小因无人驾驶汽车的传感器配置和探测能力不同而不同，因此，环境区域的大小和形状在此并不作限定，本发明实施例中使用的是激光测距仪和红外摄像机以感知的无人驾驶汽车所处的环境区域。如图2中的点划线矩形区域，障碍物可能处于此矩形区域中，也可能在矩形区域的边界上或者不在矩形区域中。根据无人驾驶汽车的感知空间的大小，设定X和Y轴方向的块大小为Δx和Δy，并且Δx＝Δy。无人驾驶汽车中心点在全局坐标系中用(i_r,j_r)表示。无人驾驶汽车中心点所处单元块的坐标(i_r,j_r)的计算公式为：

定义C_ij表示(i，j)单元块中存在障碍物的可信度。C_ij值高表示此单元块存在障碍物的确定性大，当C_ij的值为1时，则说明障碍物的可信度为最大。C_ij的值由无人驾驶汽车通过安装于无人驾驶汽车上的传感器检测来实时更新，如本发明实施例中的红外摄像机以及激光测距仪。无人驾驶汽车所述的初始单元块的C_ij＝0。设测定的障碍物距离无人驾驶汽车的距离为l_u，此时可信度C_ij＝1，则障碍物所处的单元块的坐标计算公式为：

当感知空间中没有检测到障碍物的单元块或者超出汽车感知空间的单元块，汽车无法确定此单元块处是否有障碍物,我们可认为此单元块对汽车当前的行驶不产生影响，所以这些单元块的C_ij维持为0。

当可信度大于可信阈值时，其中，可信阈值可以为大于0小于1的任意数，例如，可信阈值为0.5；当然，根据实际环境，可信阈值的大小在此并不作限定。避障信息可以由以下方式得到，即构造力场法得到无人驾驶汽车的避障方案，如图2所示，图2中包括无人驾驶汽车的原始位置坐标以及障碍物所处单元块的坐标。

构造力场的基本思想是将目标位置点设为构造力场的低势能区，即吸引区；将障碍物设为构造力场的高势能区，即排斥区；以综合作用在汽车上的吸引力和排斥力的矢量总和方向为汽车下一步移动方向。汽车每扫描一次环境，更新一次运动方向。

首先，对每个单元块所在的障碍物的可信度C_ij≠0的单元块施加一个模拟构造的排斥力，首先，每个C_ij≠0的单元块对汽车施加一个模拟构造的排斥力F_ij，计算公式为：

式中F_cr为排斥力常量(正数)；d_ij为(i，j)单元块和汽车中心点之间的距离；(x_i,y_i)为单元块的坐标；x，y分别表示X轴和Y轴的单位向量。由公式可知，排斥力F_cr的大小与单元块的成正比，与d² _ij成反比。汽车越接近单元块，单元块对其的排斥力越大。当汽车远离时，排斥力就减小。单元块所施加的排斥力矢量F_ij的总和构成排斥力矢量：F_r＝∑_ijF_ij。

其次，目标位置点对汽车施加模拟构造的吸引力F_t可由下式求得：

式中F_ct为目标位置点吸引力常量(正数)；d_t为目标位置点和汽车中心点之间的距离；(x_t，y_t)为目标位置点的坐标。

最后所有的单元块排斥力和目标位置点吸引力的矢量和构成了合力矢量R。

R＝F_t+F_r，合力矢量R的方向就是汽车躲避障碍的方向。

当然，无人驾驶汽车的避障方向也可以通过其他方式进行确定，在此并不作限定。

基于上述实施例，在本实施例中，确定与第一障碍信息对应的第一障碍的避障信息包括：

确定与环境信息对应的无人驾驶汽车的目标位置、第一障碍的障碍位置；

获取信息采集装置中的激光测距仪测量的目标位置至障碍位置的障碍距离；

根据目标位置、障碍位置以及障碍距离确定无人驾驶汽车的避障方向。

请参见图3，图3为本发明实施例公开的一种无人驾驶汽车的障碍躲避系统结构示意图，基于如上任意一个实施例提到的无人驾驶汽车的障碍躲避方法，无人驾驶汽车的障碍躲避系统30包括：信息采集装置301、处理器302、驾驶控制装置303；

信息采集装置301用于采集无人驾驶汽车的行驶范围内的环境信息；

处理器302用于获取信息采集装置301采集的环境信息以检测行驶范围内是否存在目标车辆，若存在，则确定行驶范围内的第一障碍信息；

确定第一障碍信息后从云端获取与环境信息对应的目标信息并对目标信息与第一障碍信息进行分析得到第一分析结果，其中目标信息为目标车辆上传至云端的与环境信息对应的信息；

驾驶控制装置303用于根据第一分析结果控制无人驾驶汽车躲避与第一障碍信息对应的第一障碍。

基于上述实施例，在本实施例中，信息采集装置301包括：红外摄像机；

红外摄像机用于拍摄行驶范围内的环境图像。

基于上述实施例，在本实施例中，处理器302具体用于：

根据目标信息与第一障碍信息建立与环境信息对应的数学模型；

根据数学模型计算与第一障碍信息对应的第一障碍的可信度；

判断可信度是否大于可信阈值；

若是，则确定与第一障碍信息对应的第一障碍的避障信息以将避障信息作为第一分析结果。

以上对本申请所提供的无人驾驶汽车的障碍躲避方法及系统进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (9)

1.一种无人驾驶汽车的障碍躲避方法，其特征在于，包括：

获取信息采集装置采集的无人驾驶汽车的行驶范围内的环境信息以检测所述行驶范围内是否存在目标车辆；

若是，则确定所述行驶范围内的第一障碍信息；

从云端获取与所述环境信息对应的目标信息并对所述目标信息与所述第一障碍信息进行分析得到第一分析结果，其中所述目标信息为所述目标车辆上传至所述云端的与所述环境信息对应的信息；

根据所述第一分析结果控制所述无人驾驶汽车躲避与所述第一障碍信息对应的第一障碍。

2.根据权利要求1所述的无人驾驶汽车的障碍躲避方法，其特征在于，若所述无人驾驶汽车的所述行驶范围内未存在所述目标车辆，则确定所述行驶范围内的第二障碍信息；

对所述第二障碍信息进行分析得到第二分析结果；

根据所述第二分析结果控制所述无人驾驶汽车躲避与所述第二障碍信息对应的第二障碍。

3.根据权利要求1所述的无人驾驶汽车的障碍躲避方法，其特征在于，若所述无人驾驶汽车的所述行驶范围内存在所述目标车辆，则所述方法还包括：

检测所述信息采集装置是否异常；

若是，则从所述云端获取所述目标信息并对所述目标信息进行分析得到第三分析结果；

根据所述第三分析结果控制所述无人驾驶汽车躲避与所述目标信息对应的第三障碍。

4.根据权利要求1所述的无人驾驶汽车的障碍躲避方法，其特征在于，所述获取信息采集装置采集的无人驾驶汽车的行驶范围内的环境信息包括：

获取所述信息采集装置中的红外摄像机拍摄所述行驶范围内的环境图像；

对所述环境图像进行特征提取以得到所述环境信息。

5.根据权利要求1所述的无人驾驶汽车的障碍躲避方法，其特征在于，所述从云端获取与所述环境信息对应的目标信息并对所述目标信息与所述第一障碍信息进行分析得到第一分析结果包括：

根据所述目标信息与所述第一障碍信息建立与所述环境信息对应的数学模型；

根据所述数学模型确定与所述第一障碍信息对应的所述第一障碍的可信度；

判断所述可信度是否大于可信阈值；

若是，则确定与所述第一障碍信息对应的所述第一障碍的避障信息以将所述避障信息作为所述第一分析结果。

6.根据权利要求5所述的无人驾驶汽车的障碍躲避方法，其特征在于，所述确定与所述第一障碍信息对应的所述第一障碍的避障信息包括：

确定与所述环境信息对应的所述无人驾驶汽车的目标位置、所述第一障碍的障碍位置；

获取所述信息采集装置中的激光测距仪测量的所述目标位置至所述障碍位置的障碍距离；

根据所述目标位置、所述障碍位置以及所述障碍距离确定所述无人驾驶汽车的避障方向。

7.一种无人驾驶汽车的障碍躲避系统，基于权利要求1-6任意一项所述的无人驾驶汽车的障碍躲避方法，其特征在于，包括：

信息采集装置、处理器、驾驶控制装置；

所述信息采集装置用于采集无人驾驶汽车的行驶范围内的环境信息；

所述处理器用于获取所述信息采集装置采集的所述环境信息以检测所述行驶范围内是否存在目标车辆，若存在，则确定所述行驶范围内的第一障碍信息；确定第一障碍信息后从云端获取与所述环境信息对应的目标信息并对所述目标信息与所述第一障碍信息进行分析得到第一分析结果，其中所述目标信息为所述目标车辆上传至所述云端的与所述环境信息对应的信息；

所述驾驶控制装置用于根据所述第一分析结果控制所述无人驾驶汽车躲避与所述第一障碍信息对应的第一障碍。

8.根据权利要求7所述的无人驾驶汽车的障碍躲避系统，其特征在于，所述信息采集装置包括：红外摄像机；

所述红外摄像机用于拍摄所述行驶范围内的环境图像。

9.根据权利要求7所述的无人驾驶汽车的障碍躲避系统，其特征在于，所述处理器具体用于：

根据所述目标信息与所述第一障碍信息建立与所述环境信息对应的数学模型；

根据所述数学模型计算与所述第一障碍信息对应的所述第一障碍的可信度；

判断所述可信度是否大于可信阈值；

若是，则确定与所述第一障碍信息对应的所述第一障碍的避障信息以将所述避障信息作为所述第一分析结果。