CN107862321A - 自动识别行车状态的方法及其系统 - Google Patents
自动识别行车状态的方法及其系统 Download PDFInfo
- Publication number
- CN107862321A CN107862321A CN201610844110.5A CN201610844110A CN107862321A CN 107862321 A CN107862321 A CN 107862321A CN 201610844110 A CN201610844110 A CN 201610844110A CN 107862321 A CN107862321 A CN 107862321A
- Authority
- CN
- China
- Prior art keywords
- wheelpath
- location point
- driving states
- point information
- identified
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Abstract
本发明公开了一种自动识别行车状态的方法及其系统，该方法包括：获取多种行车状态下的行车轨迹所对应的位置点信息，其中，每一种行车状态包含多条行车轨迹，每一条行车轨迹包含多个位置点信息；对所述的每一条行车轨迹中的位置点信息进行归一化处理；对所述归一化处理的各行车轨迹和对应的行车状态进行机器学习训练，从而得到训练结果；获取待识别的行车轨迹所对应的位置点信息，利用所述训练结果对该待识别的行车轨迹所对应的行车状态进行识别。通过本发明能够仅根据预先采集的表示行车轨迹的数据，通过模拟识别车辆的行车状态，大大减少了硬件设备的依赖性，有效提高了行车状态监控系统的经济性。
Description
技术领域
本发明涉及车辆管理领域，特别涉及一种自动识别行车状态的方法及其系统。
背景技术
目前对于车辆的行车状态的监控，极大的依赖硬件设备的传感器，例如若干个速度传感器、方向盘传感器等，通过多个传感器的相互配合来实现车辆的行车参数的监控。在多数情况下，车辆由于安装有多个传感器需要进行额外的改装以满足不同传感器的工作条件。因此，如果大规模应用于市场的话，由于车型、地理环境、传感器寿命和数量等条件的限制，制造成本和维修费用会显著提高。
发明内容
本发明的目的在于提供一种自动识别行车状态的方法及其系统，首次通过归类性的方法以及相应系统，在节约硬件成本、维修成本和人力资源的基础上，实现识别和监控车辆的行车状态，从而为管理者提供车辆的状态数据。在某些场合，例如：危险品的运输对车辆的行驶具有要求，比如控制车速、避免紧急刹车和转弯等；运钞车的行车路线一般是固定的，需要对其进行行车状态的监控以及时发现例如劫车等违法情况；自动驾考中需要对考生的驾驶轨迹进行监控，辅助考官评估考生的成绩等等，因此本发明可以为进一步评估物流安全、或者驾驶员表现建立依据。
在本发明中，提供了一种自动识别行车状态的方法，包括以下步骤：
获取多种行车状态下的行车轨迹所对应的位置点信息，其中，每一种行车状态包含多条行车轨迹，每一条行车轨迹包含多个位置点信息；
对所述的每一条行车轨迹中的位置点信息进行归一化处理；
对所述归一化处理的各行车轨迹和对应的行车状态进行机器学习训练，从而得到训练结果；
获取待识别的行车轨迹所对应的位置点信息，利用所述训练结果对该待识别的行车轨迹所对应的行车状态进行识别。
所述获取待识别的行车轨迹所对应的位置点信息的步骤中，还包括以下子步骤：
终端获取该行车状态下的行车轨迹所对应的位置点信息；
然后所述终端将所述位置点信息上传到云端服务器。
对所述的每一条行车轨迹中的位置点信息进行归一化处理的步骤之前，还包括以下子步骤：
如果所述位置点信息所包含的位置点个数小于N，则通过中间差值法将所述位置点个数调整为N，其中N为预先设定的大于2的整数；
如果所述位置点信息所包含的位置点个数大于N，则通过均值算法将所述位置点个数调整为N。
所述归一化处理的结果与经纬度、量纲无关并且数量级一致，所在范围是[0,1]。
在一个实施例中，所述获取待识别的行车轨迹所对应的位置点信息的步骤中，还包括以下子步骤：
采集当前时刻的一个位置点，以及按照时间顺序，基于所述当前时刻往前依次再采集多个位置点；
其中，若采集的所述位置点的总个数少于N，则将其调整为N，其中N为预先设定的大于2的整数。
在另一实施例中，所述“获取待识别的行车轨迹所对应的位置点信息，利用所述训练结果对该待识别的行车轨迹所对应的行车状态进行识别”的步骤，还包括以下子步骤：
选取待识别的行车轨迹上一个位置点，以及按照时间顺序，采集包含该位置点在内的N条行车轨迹，每条行车轨迹中包含N个位置点；
利用所述训练结果对所述N条行车轨迹分别进行识别，得到识别结果；
对所述识别结果进行统计归类，从而识别所选取的位置点对应的行车状态；
其中N为预先设定的大于2的整数。
本发明还提供了一种自动识别行车状态的系统，包括：
采集单元，用于获取多种行车状态下的行车轨迹所对应的位置点信息，其中，每一种行车状态包含多条行车轨迹，每一条行车轨迹包含多个位置点信息；
预处理单元，用于对所述的每一条行车轨迹中的位置点信息进行归一化处理；
机器训练单元，用于对所述归一化处理的各行车轨迹和对应的行车状态进行机器学习训练，从而得到训练结果；
识别单元，用于获取待识别的行车轨迹所对应的位置点信息，利用所述训练结果对该待识别的行车轨迹所对应的行车状态进行识别。
预处理单元将所述的每一条行车轨迹中的位置点信息个数调整为N个，并对其进行归一化处理，其中N为预先设定的大于2的整数。
采集单元包含终端和云端服务器，所述终端获取所述多种行车状态下的行车轨迹所对应的位置点信息，然后将所述位置点信息上传到所述云端服务器。
识别单元选取包含待识别行车轨迹上的一个位置点在内的N条行车轨迹之后，利用所述训练结果对该N条行车轨迹分别进行识别，根据所述识别的结果进行统计归类。
本发明的实施方式与现有技术相比，主要区别及其效果在于：
1.通过人工智能实现对车辆的行车状态的判断，仅根据预先采集的表示行车轨迹的数据，就能够模拟表示与该车辆性能对应的行车状态，大大减少了硬件设备的依赖性，有效提高了行车状态监控系统的经济性。
2.利用归一化方法对表示行车状态的数据进行预处理，极大的提高了机器学习的识别精度，有利于对行车轨迹判断的准确度。
3.根据车载定位装置或者其它任何具备将定位数据上传功能的装置采集车辆的行车轨迹，从而充分提高了车辆制造成本的经济性。
应理解，在本发明范围内中，本发明的上述各技术特征和在下文(如实施例)中具体描述的各技术特征之间都可以互相组合，从而构成新的或优选的技术方案。限于篇幅，在此不再一一累述。
附图说明
图1是本发明第一实施方式的流程图。
图2是本发明第一实施方式的一个优选例的流程图。
图3是本发明第二所述方式的结构示意图。
具体实施方式
在当前行车状态监控领域，通常需要对车辆配置大量的传感器和相应的配套设备，从而实时采集车辆的行驶数据并以此执行监控，在发现车辆的不当行驶时，能够及时对驾驶员或者管理后台发出警告。明显地，会极大的增加车辆的制造成本，而且存在灵敏器件易损坏的问题。因此，本发明的发明人经过广泛而深刻的研究发明了一种利用智能学习方法执行行车状态监控的方法及其系统，只需对车辆行驶轨迹的历史数据进行机器学习，就可以实时地判断的行车状态，无需额外传感器的辅助，从而能够有效降低成本，简化了车辆改装的复杂度。
术语
如本文所用，术语“机器学习”是计算机模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使计算机不断改善自身的性能。
如本文所用，术语“终端”是车载定位装置，具备上传数据到服务器的接口。
如本文所用，术语“云端服务器”是能够进行无线方式通信、对数据进行存储和处理的服务器。
在以下的叙述中，为了使读者更好地理解本申请而提出了许多技术细节。但是，本领域的普通技术人员可以理解，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请各权利要求所要求保护的技术方案。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。
本发明第一实施方式涉及一种自动识别行车状态的方法，图1是本发明第一实施方法的流程图。
如图1所示，该自动识别行车状态的方法包含以下步骤：
步骤101：获取多种行车状态下的行车轨迹所对应的位置点信息，其中，每一种行车状态包含多条行车轨迹，每一条行车轨迹包含多个位置点信息。
在一实施例中，预先采集大量有关各种行车状态的位置信息，例如，表示车辆掉头、侧方停车和S型转弯等行车轨迹，然后对所获取的位置信息进行分类整理。每一条行车轨迹至少3个位置点信息，为了能够尽可能的提高识别精度，较佳地，建议每一条行车轨迹至少包含10个位置点信息。然后所述终端将这些位置点信息上传到云端服务器。
步骤102：云端服务器对每一条行车轨迹中的位置点信息进行预处理。具体地，首先，为了保证识别精度，建议将所采集到的行车轨迹中所包含的位置点信息个数控制为10个，若不足10个，通过中间差值法将其调整为10个，即补满10个位置点；若多余10个，通过均值算法将其调整为10个，即删减中间的数据。最终得到的每一条行车轨迹都包含10个位置点的数据。
然后，对这些位置点的数据进行归一化处理，从而得到代表每一种行车状态的归一化结果。具体地，在一个实施例中，位置点信息是某时刻下车辆所在的位置点的经纬度坐标(X,Y)，将每一条行车轨迹中的位置点信息组成二维数组D:
较佳的，采用以下归一化算式：
对D进行计算，得到与经纬度、量纲无关并且数量级一致的归一化结果D’，其中每一个X’和Y’所在范围是[0,1]。由于归一化处理，消除了不同数据所代表的位置点差异(例如，距离单位m和km)，然后将归一化结果添加到对应的行车轨迹的集合中去，该集合包含了各种行车轨迹及其对应的行车状态的位置点数据。
步骤103：对所述归一化处理的各行车轨迹和对应的行车状态进行机器学习训练，从而得到训练结果。
利用机器学习算法对上述集合进行训练，其中，机器学习算法包括但不限于K值临近算法(KNN)、多层感知神经网络算法(MLP)和支持向量机(SVM)等。具体采用何种算法可以根据实际情况进行选择，由于采用开源的算法，可以使用例如opencv等开源工具。
步骤104：获取待识别的行车轨迹所对应的位置点信息，利用所述训练结果对该待识别的行车轨迹所对应的行车状态进行识别。
图2显示了本发明的第一实施方式的步骤104的流程图，具体包含以下步骤：
步骤201：终端获取行车状态下的行车轨迹所对应的位置点信息；然后所述终端将所述位置点信息上传到云端服务器。
步骤202：云端服务器对每一条行车轨迹中的位置点信息进行预处理。具体来说，行车状态的识别可以分成两种：一是实时识别；二是对某一条行车轨迹上的任意一点进行识别。
对于第一种情况，终端采集当前时刻的一个位置点，并按照时间顺序，基于当前时刻往前依次再采集多个位置点，组成一个完整的位置点序列，其中，若选取的时间点少于3个，会导致无法识别；若其多余3个但少于10个，则通过中间差值算法补满10个点。在这种情况下，只能得到一条行车轨迹。
对于第二种情况，选取某一条行车轨迹上的一个位置点，并按照时间顺序，采集包含该位置点在内的N条行车轨迹，每条行车轨迹包含N个位置点，其中，N是预先设定的大于2的整数。在这种情况下。
随后将每一条行车轨迹的位置点组成二维数组，利用归一化算式(1)和(2)进行归一化处理，以消除不同位置点间的差异。
步骤203：对于上述的第一种情况，实时获取待识别的行车轨迹所对应的位置点信息，利用训练结果对该待识别的行车轨迹所对应的行车状态进行识别；
对于上述的第二种情况，在获取包含待识别的行车轨迹上的任意一点的N条行车轨迹之后，利用上述的训练结果对该待识别的一个位置点N条行车轨迹分别进行识别，得到N个识别结果并对其进行统计归类，较佳地，所选取的一个位置点对应的行车状态可以认为是占比最大的类。在一个优选例中，为N条行车轨迹分别设定权重系数，最初被选中的位置点在N条行车轨迹的各位置点中的位置越是中间，权重系数越大。得到N个行车轨迹所对应的行车状态后，将同一行车状态的权重系数相加，权重系数之和最大的行车状态即最重输出的行车状态。下面举一个例子，一个历史行车轨迹有20个位置点，分别为[L1,L2,L3,……L20]，选择第11个点L11，要求输出L11所对应的行车状态。N取5，从原来的历史行车轨迹中采样，共得到5条行车轨迹，分别是
[L7,L8,L9,L10,L11]，对应的权重系数为0.5
[L8,L9,L10,L11,L12]，对应的权重系数为0.7
[L9,L10,L11,L12,L13]，对应的权重系数为1.0
[L10,L11,L12,L13,L14]，对应的权重系数为0.7
[L11,L12,L13,L14,L15]，对应的权重系数为0.5
对这5条轨迹分别使用机器学习的结果进行行车状态的识别，得到5个行车状态，分别是Z1，Z2，Z3，Z4，Z5。假定Z1是左转，Z2，Z3和Z4都是S弯，Z4是右转，则左转的权重系数之和为0.5，S弯的权重系数之和为2.4，右转的权重系数之和为0.5，比较下来最终输出的L11这一点的行车状态是S弯。
本发明的各方法实施方式均可以以软件、硬件、固件等方式实现。不管本发明是以软件、硬件、还是固件方式实现，指令代码都可以存储在任何类型的计算机可访问的存储器中(例如永久的或者可修改的，易失性的或者非易失性的，固态的或者非固态的，固定的或者可更换的介质等等)。同样，存储器可以例如是可编程阵列逻辑(Programmable ArrayLogic，简称“PAL”)、随机存取存储器(Random Access Memory，简称“RAM”)、可编程只读存储器(Programmable Read Only Memory，简称“PROM”)、只读存储器(Read-Only Memory，简称“ROM”)、电可擦除可编程只读存储器(Electrically Erasable Programmable ROM，简称“EEPROM”)、磁盘、光盘、数字通用光盘(Digital Versatile Disc，简称“DVD”)等等。
本发明第二实施方式涉及一种自动识别行车状态的系统，如图2所示，该系统包括：
采集单元，用于获取多种行车状态下的行车轨迹所对应的位置点信息，其中，每一种行车状态包含多条行车轨迹，每一条行车轨迹包含多个位置点信息；
预处理单元，用于对所述的每一条行车轨迹中的位置点信息进行归一化处理；
机器训练单元，用于对所述归一化处理的各行车轨迹和对应的行车状态进行机器学习训练，从而得到训练结果；
识别单元，用于获取待识别的行车轨迹所对应的位置点信息，利用所述训练结果对该待识别的行车轨迹所对应的行车状态进行识别。
采集单元包含终端和云端服务器，所述终端获取所述多种行车状态下的行车轨迹所对应的位置点信息，然后将所述位置点信息上传到所述云端服务器。
预处理单元将所述的每一条行车轨迹中的位置点信息个数调整为10个，这是为了保证识别精度：建议将所采集到的行车轨迹中所包含的位置点信息个数控制为10个，若不足10个，通过中间差值法将其调整为10个，即补满10个位置点；若多余10个，通过均值算法将其调整为10个，即删减中间的数据。最终得到的每一条行车轨迹都包含10个位置点的数据。
然后，对这些位置点的数据进行归一化处理，从而得到代表每一种行车状态的归一化结果，然后将归一化结果添加到对应的行车轨迹的集合中去，该集合包含了各种行车轨迹及其对应的行车状态的位置点数据。
机器训练单元对通过归一化处理的各行车轨迹和对应的行车状态(即，上述的集合)进行机器学习训练，从而得到训练结果；然后识别单元在获取到待识别的行车轨迹所对应的位置点信息之后，利用训练结果对该待识别的行车轨迹所对应的行车状态进行识别；其中，利用训练结果直接对实时获取的待识别的行车轨迹所对应的位置点信息进行识别；或者，利用训练结果对包含待识别的行车轨迹上任意一点的位置信息在内的N条行车轨迹分别进行识别，并对识别的结果进行统计归类，从而确定该位置点对应的行车状态。
另外，第一实施方式是与本实施方式相对应的方法实施方式，本实施方式可与第一的实施方式互相配合实施。第一的实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一的实施方式中。
需要说明的是，本发明各设备实施方式中提到的各单元都是逻辑单元，在物理上，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现，这些逻辑单元本身的物理实现方式并不是最重要的，这些逻辑单元所实现的功能的组合才是解决本发明所提出的技术问题的关键。此外，为了突出本发明的创新部分，本发明上述各设备实施方式并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，这并不表明上述设备实施方式并不存在其它的单元。
本发明的主要优点包括：
1)仅需要对车辆的历史行车轨迹的数据或者实时获取的行车轨迹进行机器学习，便可以对车辆的实时行车状态进行识别，大大减少了硬件设备的依赖性，具体地，减少了传感器的数量，进而降低了车辆改装的复杂度。
2)通过归一化方法等处理方法对行车轨迹所包含的数据进行预处理，极大的提高了机器学习的识别精度，有利于对行车轨迹判断的准确度。
3)仅需要车载定位装置或者其它任何具备将定位数据上传功能的装置采集车辆的行车轨迹，从而充分提高了车辆制造成本的经济性，同时降低了维修和人力成本。
需要说明的是，在本专利的权利要求和说明书中，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。
虽然通过参照本发明的某些优选实施方式，已经对本发明进行了图示和描述，但本领域的普通技术人员应该明白，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。
Claims (10)
1.一种自动识别行车状态的方法，其特征在于，包括以下步骤：
获取多种行车状态下的行车轨迹所对应的位置点信息，其中，每一种行车状态包含多条行车轨迹，每一条行车轨迹包含多个位置点信息；
对所述的每一条行车轨迹中的位置点信息进行归一化处理；
对所述归一化处理的各行车轨迹和对应的行车状态进行机器学习训练，从而得到训练结果；
获取待识别的行车轨迹所对应的位置点信息，利用所述训练结果对该待识别的行车轨迹所对应的行车状态进行识别。
2.如权利要求1所述的自动识别行车状态的方法，其特征在于，所述获取待识别的行车轨迹所对应的位置点信息的步骤中，还包括以下子步骤：
终端获取该行车状态下的行车轨迹所对应的位置点信息；
然后所述终端将所述位置点信息上传到云端服务器。
3.如权利要求1所述的自动识别行车状态的方法，其特征在于，对所述的每一条行车轨迹中的位置点信息进行归一化处理的步骤之前，还包括以下子步骤：
如果所述位置点信息所包含的位置点个数小于N，则通过中间差值法将所述位置点个数调整为N，其中N为预先设定的大于2的整数；
如果所述位置点信息所包含的位置点个数大于N，则通过均值算法将所述位置点个数调整为N。
4.如权利要求1所述的自动识别行车状态的方法，其特征在于，所述归一化处理的结果与经纬度、量纲无关并且数量级一致，所在范围是[0,1]。
5.如权利要求1所述的自动识别行车状态的方法，其特征在于，所述获取待识别的行车轨迹所对应的位置点信息的步骤中，还包括以下子步骤：
采集当前时刻的一个位置点，以及按照时间顺序，基于所述当前时刻往前依次再采集多个位置点；
其中，若采集的所述位置点的总个数少于N，则将其调整为N，其中N为预先设定的大于2的整数。
6.如权利要求1所述的自动识别行车状态的方法，其特征在于，所述“获取待识别的行车轨迹所对应的位置点信息，利用所述训练结果对该待识别的行车轨迹所对应的行车状态进行识别”的步骤，还包括以下子步骤：
选取待识别的行车轨迹上一个位置点，以及按照时间顺序，采集包含该位置点在内的N条行车轨迹，每条行车轨迹中包含N个位置点；
利用所述训练结果对所述N条行车轨迹分别进行识别，得到识别结果；
对所述识别结果进行统计归类，从而识别所选取的位置点对应的行车状态；
其中N为预先设定的大于2的整数。
7.一种自动识别行车状态的系统，其特征在于，包括：
采集单元，用于获取多种行车状态下的行车轨迹所对应的位置点信息，其中，每一种行车状态包含多条行车轨迹，每一条行车轨迹包含多个位置点信息；
预处理单元，用于对所述的每一条行车轨迹中的位置点信息进行归一化处理；
机器训练单元，用于对所述归一化处理的各行车轨迹和对应的行车状态进行机器学习训练，从而得到训练结果；
识别单元，用于获取待识别的行车轨迹所对应的位置点信息，利用所述训练结果对该待识别的行车轨迹所对应的行车状态进行识别。
8.如权利要求8所述的自动识别行车状态的系统，其特征在于，预处理单元将所述的每一条行车轨迹中的位置点信息个数调整为N个，并对其进行归一化处理，其中N为预先设定的大于2的整数。
9.如权利要求8所述的自动识别行车状态的系统，其特征在于，采集单元包含终端和云端服务器，所述终端获取所述多种行车状态下的行车轨迹所对应的位置点信息，然后将所述位置点信息上传到所述云端服务器。
10.如权利要求8所述的自动识别行车状态的系统，其特征在于，识别单元选取包含待识别行车轨迹上的一个位置点在内的N条行车轨迹之后，利用所述训练结果对该N条行车轨迹分别进行识别，根据所述识别的结果进行统计归类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610844110.5A CN107862321A (zh) | 2016-09-22 | 2016-09-22 | 自动识别行车状态的方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610844110.5A CN107862321A (zh) | 2016-09-22 | 2016-09-22 | 自动识别行车状态的方法及其系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107862321A true CN107862321A (zh) | 2018-03-30 |
Family
ID=61698924
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610844110.5A Pending CN107862321A (zh) | 2016-09-22 | 2016-09-22 | 自动识别行车状态的方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107862321A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111178452A (zh) * | 2020-01-02 | 2020-05-19 | 平安科技（深圳）有限公司 | 驾驶风险识别方法、电子装置及可读存储介质 |
| CN113272830A (zh) * | 2018-11-20 | 2021-08-17 | 伟摩有限责任公司 | 行为预测系统中的轨迹表示 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102568200A (zh) * | 2011-12-21 | 2012-07-11 | 辽宁师范大学 | 车辆行驶状态实时判别的方法 |
| CN102799897A (zh) * | 2012-07-02 | 2012-11-28 | 杨飞 | 基于gps定位的交通方式组合出行的计算机识别方法 |
| CN104809470A (zh) * | 2015-04-23 | 2015-07-29 | 杭州中威电子股份有限公司 | 一种基于svm的车辆逆行检测装置和检测方法 |
| US20150332097A1 (en) * | 2014-05-15 | 2015-11-19 | Xerox Corporation | Short-time stopping detection from red light camera videos |
-
2016
- 2016-09-22 CN CN201610844110.5A patent/CN107862321A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102568200A (zh) * | 2011-12-21 | 2012-07-11 | 辽宁师范大学 | 车辆行驶状态实时判别的方法 |
| CN102799897A (zh) * | 2012-07-02 | 2012-11-28 | 杨飞 | 基于gps定位的交通方式组合出行的计算机识别方法 |
| US20150332097A1 (en) * | 2014-05-15 | 2015-11-19 | Xerox Corporation | Short-time stopping detection from red light camera videos |
| CN104809470A (zh) * | 2015-04-23 | 2015-07-29 | 杭州中威电子股份有限公司 | 一种基于svm的车辆逆行检测装置和检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 诸葛斌 等: "汽车动态导航终端的研制", 《汽车工程》 * |
| 韩旭: "基于车辆轨迹多特征的聚类分析及异常检测方法的研究", 《万方数据 知识服务平台》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113272830A (zh) * | 2018-11-20 | 2021-08-17 | 伟摩有限责任公司 | 行为预测系统中的轨迹表示 |
| CN113272830B (zh) * | 2018-11-20 | 2023-08-04 | 伟摩有限责任公司 | 行为预测系统中的轨迹表示 |
| CN111178452A (zh) * | 2020-01-02 | 2020-05-19 | 平安科技（深圳）有限公司 | 驾驶风险识别方法、电子装置及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10474151B2 (en) | Method for guiding a vehicle system in a fully automated manner, and motor vehicle | |
| CN106347359A (zh) | 用于操作自动驾驶车辆的方法和装置 | |
| CN112465395A (zh) | 一种面向自动驾驶汽车的多维度综合评价方法及装置 | |
| CN108280415A (zh) | 基于智能移动终端的驾驶行为识别方法 | |
| CN103150579A (zh) | 一种基于视频序列的人体异常行为检测方法 | |
| CN103617429A (zh) | 一种主动学习分类方法和系统 | |
| CN112904820B (zh) | 无人驾驶工程车辆矿区流量调配方法及装置 | |
| CN109697503A (zh) | 模糊参数化的ki模块以及运行方法 | |
| CN111882869A (zh) | 一种考虑不良天气的深度学习交通流预测方法 | |
| CN112329815B (zh) | 模型训练方法、行驶轨迹异常性检测方法、装置和介质 | |
| CN106952361A (zh) | 一种高效的车辆行驶状态识别系统 | |
| EP3828758A1 (de) | Objektklassifizierungsverfahren, objektklassifizierungsschaltung, kraftfahrzeug | |
| Agrawal et al. | Towards real-time heavy goods vehicle driving behaviour classification in the united kingdom | |
| CN107862321A (zh) | 自动识别行车状态的方法及其系统 | |
| Kim et al. | Detection of centerline crossing in abnormal driving using CapsNet | |
| CN110263836B (zh) | 一种基于多特征卷积神经网络的不良驾驶状态识别方法 | |
| Billones et al. | Visual Percepts Quality Recognition Using Convolutional Neural Networks | |
| Taherifard et al. | Attention-based event characterization for scarce vehicular sensing data | |
| CN108827671A (zh) | 一种机械设备故障诊断方法 | |
| CN102880881A (zh) | 一种基于二类支持向量机和遗传算法的轿车车型识别方法 | |
| Fazio et al. | A new application for analyzing driving behavior and environment characterization in transportation systems based on a fuzzy logic approach | |
| DE102022107845A1 (de) | Verfahren, System und Computerprogrammprodukt zur Auswahl von konkreten Szenarien | |
| Prezioso et al. | Machine Learning Insights for Behavioral Data Analysis Supporting the Autonomous Vehicles Scenario | |
| Kwigizile et al. | Connectionist approach to improving highway vehicle classification schemes: The Florida case | |
| Chen et al. | Forklift truck activity recognition from can data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180330 |