CN109895780B - 一种实现无人驾驶设备自主脱困的方法和装置 - Google Patents

Abstract

本发明公开了实现无人驾驶设备自主脱困的方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：确定无人驾驶设备受困，采集无人驾驶设备周围的图像信息，以获取障碍物信息；根据所述障碍物信息，确定障碍物种类，以获得相应的处理方式；执行所述处理方式，以使所述无人驾驶设备脱困。该实施方式能够解决现有技术只能人工到现场解决，进而效率低下的问题。

Description

一种实现无人驾驶设备自主脱困的方法和装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种实现无人驾驶设备自主脱困的方法和装置。

背景技术

目前的无人驾驶技术发展迅速，无人驾驶设备也成为未来发展必然趋势，而将无人驾驶设备运用在物流配送、智能交通等领域中也成了本领域技术人员的研究热点。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：目前的无人驾驶设备正处于发展阶段，现阶段对于无人驾驶设备在运行中受困后的处理主要为人工到现场解决，但此种方法存在很多不便。而且，在无人驾驶设备数量多的情况下需要大量的人力支持，运行成本过高，而且人工到达现场需要一定时间，受困问题不能及时得到解决，此种方法效率过低。

发明内容

有鉴于此，本发明实施例提供一种实现无人驾驶设备自主脱困的方法和装置，能够解决现有技术只能人工到现场解决，进而效率低下的问题。

为实现上述目的，根据本发明实施例的一个方面，提供了一种实现无人驾驶设备自主脱困的方法，包括确定无人驾驶设备受困，采集无人驾驶设备周围的图像信息，以获取障碍物信息；根据所述障碍物信息，确定障碍物种类，以获得相应的处理方式；执行所述处理方式，以使所述无人驾驶设备脱困。

可选地，根据所述障碍物信息，确定障碍物种类，以获得相应的处理方式，包括：根据所述障碍物信息，判断是否为特征障碍物信息；根据判断结果，若为特征障碍物信息则通过特征障碍物报警提示方式，对所述特征障碍物进行警告；否则通过远程控制方式使无人驾驶设备脱困。

可选地，所述特征障碍物报警提示方式包括：第一报警提示方式和第二报警提示方式；

所述确定所述障碍物信息为特征障碍物信息时，还包括：判断所述特征障碍物信息是否为人物信息，若是则通过第一报警提示方式进进行提示；否则通过第二报警提示方式进行提示。

可选地，还包括：记录提示次数；

执行所述处理方式以使所述无人驾驶设备脱困时，包括：当判断所述无人驾驶设备没有脱困时，获取提示次数，确定所述提示次数大于或等于预设的次数阈值，则通过远程控制方式使无人驾驶设备脱困；否则继续采集无人驾驶设备周围的图像信息。

可选地，根据所述障碍物信息，确定障碍物种类包括：通过图像的深度学习方法对障碍物信息进行识别，以确定障碍物种类；其中，图像深度学习方法中的特征采用卷积神经网络进行预先训练获得。

另外，根据本发明实施例的一个方面，提供了一种实现无人驾驶设备自主脱困的装置，包括触发模块，用于确定无人驾驶设备受困，采集无人驾驶设备周围的图像信息，以获取障碍物信息；判断模块，用于根据所述障碍物信息，确定障碍物种类，以获得相应的处理方式；执行模块，用于执行所述处理方式，以使所述无人驾驶设备脱困。

可选地，所述判断模块根据所述障碍物信息，确定障碍物种类，以获得相应的处理方式，包括：根据所述障碍物信息，判断是否为特征障碍物信息；根据判断结果，若为特征障碍物信息则通过特征障碍物报警提示方式，对所述特征障碍物进行警告；否则通过远程控制方式使无人驾驶设备脱困。

可选地，所述特征障碍物报警提示方式包括：第一报警提示方式和第二报警提示方式；所述判断模块确定所述障碍物信息为特征障碍物信息时，还包括：判断所述特征障碍物信息是否为人物信息，若是则通过第一报警提示方式进行提示；否则通过第二报警提示方式进行提示。

可选地，所述执行模块，还用于：记录提示次数；

所述执行模块执行所述处理方式以使所述无人驾驶设备脱困时，包括：当判断所述无人驾驶设备没有脱困时，获取提示次数，确定所述提示次数大于或等于预设的次数阈值，则通过远程控制方式使无人驾驶设备脱困；否则继续采集无人驾驶设备周围的图像信息。

可选地，所述判断模块根据所述障碍物信息，确定障碍物种类包括：通过图像的深度学习方法对障碍物信息进行识别，以确定障碍物种类；其中，图像深度学习方法中的特征采用卷积神经网络进行预先训练获得。

根据本发明实施例的另一个方面，还提供了一种电子设备，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上述任一实现无人驾驶设备脱困的实施例所述的方法。

根据本发明实施例的另一个方面，还提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任一实现无人驾驶设备脱困的实施例所述的方法。

上述发明中的一个实施例具有如下优点或有益效果：因为采用了确定无人驾驶设备受困，采集无人驾驶设备周围的图像信息，以获取障碍物信息；根据所述障碍物信息，确定障碍物种类，以获得相应的处理方式；执行所述处理方式，以使所述无人驾驶设备脱困的技术手段，所以实现了在无人驾驶设备受困时，使用人工智能方式快速的脱困。从而，节约了大量的人力成本，减少了解决脱困问题的时间，提高了无人驾驶设备的运行效率。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是根据本发明实施例的实现无人驾驶设备自主脱困的方法的主要流程的示意图；

图2是根据本发明可参考实施例的实现无人驾驶设备自主脱困的方法的主要流程的示意图；

图3是根据本发明实施例的实现无人驾驶设备自主脱困的装置的主要模块的示意图；

图4是本发明实施例可以应用于其中的示例性系统架构图；

图5是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是根据本发明实施例的实现无人驾驶设备自主脱困的方法，如图1所示，所述实现无人驾驶设备自主脱困的方法包括：

步骤S101，确定无人驾驶设备受困，采集无人驾驶设备周围的图像信息，以获取障碍物信息。

其中，所述的无人驾驶设备受困是指无人驾驶设备被障碍物困住，无法按规划路径通向目的地，而本发明所述无人驾驶设备脱困则是指无人驾驶设备摆脱受困的状态。

较佳地，可以通过图像的深度学习方法对图像信息进行分析处理，其中图像深度学习方法中的特征采用卷积神经网络进行预先训练获得。

步骤S102，根据所述障碍物信息，确定障碍物种类，以获得相应的处理方式。

其中，障碍物信息可以包括特征障碍物信息和非特征障碍物信息，其中所述的特征障碍物信息是指具有生命特征的生物，而所述的非特征障碍物信息则是指不具有生命特征的生物。

较佳地，可以根据障碍物信息，判断是否为特征障碍物信息，若为特征障碍物信息则通过特征障碍物报警提示方式，对所述特征障碍物进行警告；否则通过远程控制方式使无人驾驶设备脱困。较佳地，进行远程控制方式可以是在显示器的观察和控制器的操作达到使无人驾驶设备脱困。

进一步地，特征障碍物信息可以划分为人物信息和其他生命体信息(比如狗、猫等图像)。那么在确定障碍物信息为特征障碍物信息时，则可以根据所述特征障碍物信息是否为人物信息来确定报警提示方式。其中，所述特征障碍物报警提示方式包括：第一报警提示方式和第二报警提示方式。而第一报警提示方式可以为播放人声语音、弱灯光方式，第二报警提示方式可以为大音量、快节奏的语音以及强灯光方式。具体的实施过程包括：判断所述特征障碍物信息是否为人物信息，若是则通过第一报警提示方式进行提示；否则通过第二报警提示方式进行提示。

步骤S103，执行所述处理方式，以使所述无人驾驶设备脱困。

作为实施例，每次执行完所述处理方式之后，便可以增加一次提示次数。为了能够提高无人驾驶设备脱困的效率，当判断所述无人驾驶设备没有脱困时，则获取记录的提示次数，判断所述提示次数大于或等于预设的次数阈值，若提示次数大于或等于预设的次数阈值则通过远程控制方式使无人驾驶设备脱困；否则继续采集无人驾驶设备周围的图像信息即返回步骤S101。

还需要说明的是，通过远程控制方式使无人驾驶设备脱困时，即在显示器的观察和控制器的操作达到使无人驾驶设备脱困时可以通过显示器获取无人驾驶设备周边的情况，通过控制器上的按钮或遥杆进行远程对讲、远程鸣笛和远程控制无人驾驶设备运动(前进、后退、转向等等)来达到脱困的目的。

根据上面的各种实施例，可以看出所述的实现无人驾驶设备自主脱困的方法，优先使用人工智能技术自动脱困，节约人力成本，减少解决问题的时间。人工智能自动脱困失败后自动的转入人工远程监控脱困，可以解决绝大部分的受困情况。随时人工智能的机器学习，自动脱困的概率会越来越大。

图2是根据本发明可参考实施例的实现无人驾驶设备自主脱困的方法的主要流程的示意图，所述实现无人驾驶设备自主脱困的方法可以包括：

步骤S201，确定无人驾驶设备受困，传感器采集无人驾驶设备周围的图像信息。

步骤S202，对所述图像信息进行分析，以获得分析结果。

较佳地，可以基于深度学习的方法对图像信息进行分析处理，其中深度学习中的特征是利用卷积神经网络训练获得的。进一步地，可以预先使用卷积神经网络划分特征中障碍物信息，而所述障碍物信息可以包括特征障碍物信息和非特征障碍物信息，其中所述的特征障碍物信息是指具有生命特征的生物，而所述的非特征障碍物信息则是指不具有生命特征的生物。更进一步地，在预先使用卷积神经网络划分特征中的障碍物信息时可以根据大量障碍物信息进行提前训练的方式自动分类，以进行障碍物信息的区分。

步骤S203，根据所述分析结果，获取障碍物信息。

步骤S204，根据所述障碍物信息，判断是否为特征障碍物信息，若是则进行步骤S205，否则直接执行步骤S209。

步骤S205，判断所述特征障碍物信息是否为人物信息，若是则进行步骤S206，否则进行步骤S207。

在该实施例中，如果图像的深度学习分析符合人物信息则认为障碍物为人，采用卷积神经网络提取人物信息。

较佳地，所述的特征障碍物信息可以划分为人物信息和其他生命体信息(比如狗、猫等图像)，也是可以通过大量人物信息和其他生命体信息对卷积神经网络进行训练，以区分人物信息和其他生命体信息。

步骤S206，通过人物报警提示方式，对所述特征障碍物进行警告，进行步骤S208。

在实施例中，所述的人物报警提示方式可以是报警提示音、报警灯光等提示，更进一步地可以通过播放人声语音、弱灯光等方式进行提示。优选地，每报警提示一次就增加一次提示次数。

步骤S207，通过其他生命体报警提示方式，对所述特征障碍物进行警告，进行步骤S208。

在实施例中，所述的其他生物体报警提示方式可以是报警提示音、报警灯光等提示，更进一步地可以通过大音量、快节奏的语音以及强灯光等方式进行提示。优选地，每报警提示一次就增加一次提示次数。

步骤S208，判断所述无人驾驶设备是否脱困，若是则退出该流程，否则进行步骤S209。

作为实施例，可以采集无人驾驶设备周围的图像信息，通过对所述图像的分析处理，判断是否还存在所述特征障碍物的信息，进而判断所述无人驾驶设备是否脱困。

进一步地实施例，当判断所述无人驾驶设备没有脱困时，可以获取提示次数，确定所述提示次数大于或等于预设的次数阈值，则进行步骤S209，否则返回步骤S201。另外，当判断所述无人驾驶设备脱困时，则可以直接退出该流程。

步骤S209，通过在显示器的观察和控制器的操作达到使无人驾驶设备脱困。

在较佳地实施例中，可以通过显示器获取无人驾驶设备周边的情况，通过控制器上的按钮或遥杆进行远程对讲、远程鸣笛和远程控制无人驾驶设备运动(前进、后退、转向等等)来达到自主脱困的目的。

另外，在本发明可参考实施例中所述实现无人驾驶设自主备脱困的方法的具体实施内容，在上面所述实现无人驾驶设备自主脱困的方法中已经详细说明了，故在此重复内容不再说明。

还值得说明的是，在上述可参考的实施例中为障碍物信息为特征障碍物信息或者不为特征障碍物信息，但还有一种可能就是在障碍物信息中既包括特征障碍物信息也包括非特征障碍物信息，那么则可以对特征障碍物信息的障碍物采用上述步骤S205至步骤S207的方法进行处理，同时对于非特征障碍物信息的障碍物采用上述步骤S209的方法进行处理。

图3是根据本发明实施例的实现无人驾驶设备自主脱困的装置，如图3所示，所述实现无人驾驶设备自主脱困的装置300包括触发模块301、判断模块302和执行模块303。其中，触发模块301确定无人驾驶设备受困，采集无人驾驶设备周围的图像信息，以获取障碍物信息。然后判断模块302根据所述障碍物信息，确定障碍物种类，以获得相应的处理方式。最后，执行模块303执行所述处理方式，以使所述无人驾驶设备脱困。

作为一个较佳地的实施例，障碍物信息可以包括特征障碍物信息和非特征障碍物信息，其中所述的特征障碍物信息是指具有生命特征的生物，而所述的非特征障碍物信息则是指不具有生命特征的生物。所述判断模块302可以根据障碍物信息，判断是否为特征障碍物信息，若为特征障碍物信息则通过特征障碍物报警提示方式，对所述特征障碍物进行警告；否则通过远程控制方式使无人驾驶设备脱困。较佳地，进行远程控制方式可以是在显示器的观察和控制器的操作达到使无人驾驶设备自主脱困。

进一步地，特征障碍物信息可以划分为人物信息和其他生命体信息(比如狗、猫等图像)。那么在确定障碍物信息为特征障碍物信息时，所述判断模块302可以根据所述特征障碍物信息是否为人物信息来确定报警提示方式。其中，所述特征障碍物报警提示方式包括：第一报警提示方式和第二报警提示方式。而第一报警提示方式可以为播放人声语音、弱灯光方式，第二报警提示方式可以为大音量、快节奏的语音以及强灯光方式。具体的实施过程包括：判断所述特征障碍物信息是否为人物信息，若是则通过第一报警提示方式进行提示；否则通过第二报警提示方式进行提示。

在另一个实施例中，所述执行模块303每次执行完所述处理方式之后，便可以增加一次提示次数。为了能够提高无人驾驶设备脱困的效率，当判断所述无人驾驶设备没有脱困时，则获取记录的提示次数，判断所述提示次数大于或等于预设的次数阈值，若提示次数大于或等于预设的次数阈值则通过远程控制方式使无人驾驶设备脱困；否则继续采集无人驾驶设备周围的图像信息。

还需要说明的是，所述判断模块302可以通过图像的深度学习方法对图像信息进行分析处理，以对障碍物信息进行识别，确定障碍物种类。其中图像深度学习方法中的特征采用卷积神经网络进行预先训练获得

需要说明的是，在本发明所述实现无人驾驶设备脱自主困的装置的具体实施内容，在上面所述实现无人驾驶设备自主脱困的方法中已经详细说明了，故在此重复内容不再说明。

图4示出了可以应用本发明实施例的实现无人驾驶设备自主脱困的方法或实现无人驾驶设备自主脱困的装置的示例性系统架构400。或者图4示出了可以应用本发明实施例的实现无人驾驶设备自主脱困的方法或实现无人驾驶设备自主脱困的装置的示例性系统架构400。

如图4所示，系统架构400可以包括终端设备401、402、403，网络404和服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备401、402、403通过网络404与服务器405交互，以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器405可以是提供各种服务的服务器，例如对用户利用终端设备401、402、403所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。

需要说明的是，本发明实施例所提供的实现无人驾驶设自主备脱困的方法一般由服务器405执行，相应地，实现无人驾驶设备自主脱困的装置一般设置于服务器405中。

应该理解，图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

下面参考图5，其示出了适于用来实现本发明实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，计算机系统500包括中央处理单元(CPU)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部分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。在RAM503中，还存储有系统500操作所需的各种程序和数据。CPU501、ROM 502以及RAM503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。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

特别地，根据本发明公开的实施例，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，本发明公开的实施例包括一种计算机程序产品，其包括承载在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。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示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。在本发明中，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。而在本发明中，计算机可读的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。计算机可读的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：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括触发模块301、判断模块302和执行模块303。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。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一个该设备执行时，使得该设备包括：确定无人驾驶设备受困，采集无人驾驶设备周围的图像信息，以获取障碍物信息；根据所述障碍物信息，确定障碍物种类，以获得相应的处理方式；执行所述处理方式，以使所述无人驾驶设备脱困。

根据本发明实施例的技术方案，实现了在无人驾驶设备受困时，使用人工智能方式快速的自主脱困。从而，节约了大量的人力成本，减少了解决脱困问题的时间，提高了无人驾驶设备的运行效率。

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，取决于设计要求和其他因素，可以发生各种各样的修改、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。

Claims (8)

1.一种实现无人驾驶设备自主脱困的方法，其特征在于，包括：

确定无人驾驶设备受困，采集无人驾驶设备周围的图像信息，以获取障碍物信息；

根据所述障碍物信息，确定障碍物种类，以获得相应的处理方式；其中，包括：根据所述障碍物信息，判断是否为特征障碍物信息；根据判断结果，若为特征障碍物信息则通过特征障碍物报警提示方式，对所述特征障碍物进行警告；否则通过远程控制方式使无人驾驶设备脱困；

执行所述处理方式，以使所述无人驾驶设备脱困；

其中，还包括：记录报警提示次数；

执行所述处理方式以使所述无人驾驶设备脱困时，包括：

当判断所述无人驾驶设备没有脱困时，获取报警提示次数，确定所述报警提示次数大于或等于预设的次数阈值，则通过远程控制方式使无人驾驶设备脱困；否则继续采集无人驾驶设备周围的图像信息。

2.根据权利要求1所述的方法，其特征在于，所述特征障碍物报警提示方式包括：第一报警提示方式和第二报警提示方式；

所述确定所述障碍物信息为特征障碍物信息时，还包括：

判断所述特征障碍物信息是否为人物信息，若是则通过第一报警提示方式进行提示；否则通过第二报警提示方式进行提示。

3.根据权利要求1所述的方法，其特征在于，根据所述障碍物信息，确定障碍物种类包括：

通过图像的深度学习方法对障碍物信息进行识别，以确定障碍物种类；其中，图像深度学习方法中的特征采用卷积神经网络进行预先训练获得。

4.一种实现无人驾驶设备自主脱困的装置，其特征在于，包括：

触发模块，用于确定无人驾驶设备受困，采集无人驾驶设备周围的图像信息，以获取障碍物信息；

判断模块，用于根据所述障碍物信息，确定障碍物种类，以获得相应的处理方式；其中，包括：根据所述障碍物信息，判断是否为特征障碍物信息；根据判断结果，若为特征障碍物信息则通过特征障碍物报警提示方式，对所述特征障碍物进行警告；否则通过远程控制方式使无人驾驶设备脱困；

执行模块，用于执行所述处理方式，以使所述无人驾驶设备脱困；记录报警提示次数；所述执行模块执行所述处理方式以使所述无人驾驶设备脱困时，包括：当判断所述无人驾驶设备没有脱困时，获取报警提示次数，确定所述报警提示次数大于或等于预设的次数阈值，则通过远程控制方式使无人驾驶设备脱困；否则继续采集无人驾驶设备周围的图像信息。

5.根据权利要求4所述的装置，其特征在于，所述特征障碍物报警提示方式包括：第一报警提示方式和第二报警提示方式；

所述判断模块确定所述障碍物信息为特征障碍物信息时，还包括：

判断所述特征障碍物信息是否为人物信息，若是则通过第一报警提示方式进行提示；否则通过第二报警提示方式进行提示。

6.根据权利要求4所述的装置，其特征在于，所述判断模块根据所述障碍物信息，确定障碍物种类包括：

通过图像的深度学习方法对障碍物信息进行识别，以确定障碍物种类；其中，图像深度学习方法中的特征采用卷积神经网络进行预先训练获得。

7.一种电子设备，其特征在于，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权利要求1-3中任一所述的方法。

8.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-3中任一所述的方法。

Images