CN108549911A - 基于神经网络的驾驶员转向介入识别方法 - Google Patents

Abstract

本发明实施例提供一种基于神经网络的驾驶员转向介入方法。所述方法包括：实时对待检测车辆的运行状态进行监测并获取当前时刻所述待检测车辆的运行信息，运行信息包括：第一方向盘实际转角、第一目标转角、第一车速、第一方向盘转速、第一车辆加速度和第一路面附着系数；将第一方向盘实际转角、第一目标转角、第一车速、第一方向盘转速、第一车辆加速度和第一路面附着系数输入到识别模型中进行识别，获得是否有驾驶员转向介入的识别结果。所述装置用于执行所述方法。本发明实施例通过获取当前时刻所述待检测车辆的运行信息，并将运行信息输入到预先构建的识别模型中，从而能够准确的识别出是否有驾驶员转向介入，从而保证自动驾驶的安全性。

Description

基于神经网络的驾驶员转向介入识别方法

技术领域

本发明涉及智能交通领域，具体而言，涉及一种基于神经网络的驾驶员转向介入识别方法。

背景技术

随着城市化进程的发展和交通运输技术的进步，地铁、轻轨等轨道智能交通工具得到了广泛的应用，汽车领域也不例外，目前，各种品牌的汽车生产商将目光转移到了智能汽车上，致力于实现自动驾驶功能。

在智能汽车的自动驾驶过程中，方向盘由主动转向系统控制；但驾驶员有时需要取回转向控制权，从而介入方向控制，因此，需要对驾驶员的转向介入进行识别，从而实现人机协同的智能驾驶。现有的检测技术是基于力传感器、力矩传感器等，通过检测驾驶员与方向盘的接触来进行介入判断。但是，这种利用增加传感器的方案准确度不高，容易受到噪声的影响，在不同路况下判断依据也难以统一。由于存在上述问题，导致方向盘的转向控制权无法准确的转换，如果在某些危险情况下，可能带来人员伤害。

因此，如何提高驾驶员转向介入识别的准确性，提高自动驾驶的安全性是现如今亟待解决的课题。

发明内容

有鉴于此，本发明实施例的目的在于提供一种基于神经网络的驾驶员转向介入方法及装置，以解决驾驶员转向介入识别的准确性低的问题。

第一方面，本发明实施例提供了一种基于神经网络的驾驶员转向介入方法，包括：

实时对待检测车辆的运行状态进行监测，并获取当前预设时间段内所述待检测车辆的运行信息，所述运行信息，包括：第一方向盘实际转角、第一目标转角、第一车速、第一方向盘转速、第一车辆加速度和第一路面附着系数；

将所述第一方向盘实际转角、所述第一目标转角、所述第一车速、第一方向盘转速、第一车辆加速度和所述第一路面附着系数输入到识别模型中进行识别，获得是否有驾驶员转向介入的识别结果。

进一步地，所述方法，还包括：

获取训练样本，所述训练样本为多辆汽车在历史时间段内的运行信息，且所述训练样本包括：第二方向盘实际转角、第二目标转角、第二车速、第二方向盘转速、第二车辆加速度、第二路面附着系数和驾驶员介入信息；

将所述第二方向盘实际转角、所述第二目标转角、所述第二车速、第二方向盘转速、第二车辆加速度和所述第二路面附着系数输入作为输入，所述驾驶员介入信息作为输出，对神经网络进行训练，获得所述识别模型。

进一步地，所述方法，还包括：

通过交叉验证法对所述识别模型进行验证。

进一步地，所述方法，还包括：

对所述训练样本进行数据预处理，所述数据预处理包括：清洗、去重和异常值剔除。

进一步地，所述将所述第一方向盘实际转角、所述第一目标转角、所述第一车速和所述第一路面附着系数输入到识别模型中进行识别，获得是否有驾驶员转向介入的识别结果，包括：

将所述第一方向盘实际转角、所述第一目标转角、所述第一车速和所述第一路面附着系数输入到识别模型中进行识别，计算得到对应的驾驶员转向介入概率值；

若判断获知所述驾驶员转向介入概率值大于预设阈值，则所述识别结果为有驾驶员转向介入。

第二方面，本发明实施例提供了一种基于神经网络的驾驶员转向介入识别装置，包括：

获取模块，用于实时对待检测车辆的运行状态进行监测，并获取当前预设时间段内所述待检测车辆的运行信息，所述运行信息，包括：第一方向盘实际转角、第一目标转角、第一车速、第一方向盘转速、第一车辆加速度和第一路面附着系数；

识别模块，用于将所述第一方向盘实际转角、所述第一目标转角、所述第一车速、第一方向盘转速、第一车辆加速度和所述第一路面附着系数输入到识别模型中进行识别，获得是否有驾驶员转向介入的识别结果。

进一步地，所述装置，还包括：

模型创建模块，用于获取训练样本，所述训练样本为多辆汽车在历史时间段内的运行信息，且所述训练样本包括：第二方向盘实际转角、第二目标转角、第二车速、第二方向盘转速、第二车辆加速度、第二路面附着系数和驾驶员介入信息；

将所述第二方向盘实际转角、所述第二目标转角、所述第二车速、第二方向盘转速、第二车辆加速度和所述第二路面附着系数输入作为输入，所述驾驶员介入信息作为输出，对神经网络进行训练，获得所述识别模型。

进一步地，所述装置，还包括：

模型验证模块，用于通过交叉验证法对所述识别模型进行验证。

进一步地，所述装置，还包括：

预处理模块，用于对所述训练样本进行数据预处理，所述数据预处理包括：清洗、去重和异常值剔除。

进一步地，所述识别模块，具体用于：

将所述第一方向盘实际转角、所述第一目标转角、所述第一车速和所述第一路面附着系数输入到识别模型中进行识别，计算得到对应的驾驶员转向介入概率值；

若判断获知所述驾驶员转向介入概率值大于预设阈值，则所述识别结果为有驾驶员转向介入。

本发明实施例通过获取当前时刻所述待检测车辆的运行信息，并将运行信息输入到预先构建的识别模型中，从而能够准确的识别出是否有驾驶员转向介入，从而保证自动驾驶的安全性。

本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本发明实施例提供的电子设备的结构框图；

图2为本发明实施例提供的一种基于神经网络的驾驶员转向介入方法流程示意图；

图3为本发明实施例提供的一种基于神经网络的驾驶员转向介入识别装置结构示意图。

具体实施方式

下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

请参照图1，图1为本发明实施例提供的电子设备的结构框图。电子设备可以包括驾驶员转向介入识别装置101、存储器102、存储控制器103、处理器104、外设接口105、输入输出单元106、音频单元107、显示单元108。

所述存储器102、存储控制器103、处理器104、外设接口105、输入输出单元106、音频单元107、显示单元108各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述驾驶员转向介入识别装置101包括至少一个可以软件或固件(firmware)的形式存储于所述存储器102中或固化在驾驶员转向介入识别装置101的操作系统(operating system，OS)中的软件功能模块。所述处理器104用于执行存储器102中存储的可执行模块，例如驾驶员转向介入识别装置101包括的软件功能模块或计算机程序。

其中，存储器102可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存储器102用于存储程序，所述处理器104在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的服务器所执行的方法可以应用于处理器104中，或者由处理器104实现。

处理器104可以是一种集成电路芯片，具有信号的处理能力。上述的处理器104可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器104也可以是任何常规的处理器等。

所述外设接口105将各种输入/输出装置耦合至处理器104以及存储器102。在一些实施例中，外设接口105，处理器104以及存储控制器103可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。

输入输出单元106用于提供给用户输入数据实现用户与所述服务器(或本地终端)的交互。所述输入输出单元106可以是，但不限于，鼠标和键盘等。

音频单元107向用户提供音频接口，其可包括一个或多个麦克风、一个或者多个扬声器以及音频电路。

显示单元108在所述电子设备与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中，所述显示单元108可以是液晶显示器或触控显示器。若为触控显示器，其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作，并将该感应到的触控操作交由处理器104进行计算和处理。

所述外设接口105将各种输入/输入装置耦合至处理器104以及存储器102。在一些实施例中，外设接口105，处理器104以及存储控制器103可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。

输入输出单元106用于提供给用户输入数据实现用户与处理终端的交互。所述输入输出单元106可以是，但不限于，鼠标和键盘等。

可以理解，图1所示的结构仅为示意，所述电子设备还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。

图2为本发明实施例提供的一种基于神经网络的驾驶员转向介入方法流程示意图，如图2所示，所述方法，包括：

步骤201：实时对待检测车辆的运行状态进行监测，并获取当前预设时间段内所述待检测车辆的运行信息，所述运行信息，包括：第一方向盘实际转角、第一目标转角、第一车速、第一方向盘转速、第一车辆加速度和第一路面附着系数；

具体的，在待检测车辆运行过程中，驾驶员转向介入识别装置实时对待检测车辆的运行状态进行监测，由于待检测车辆自带有各种传感器，因此，可以通过待检测车辆自带的传感器获得当前时刻及在当前时刻之前的预设时间段内每一时刻对应的第一方向盘实际转角、第一目标转角、第一车速、第一方向盘转速、第一车辆加速度和第一路面附着系数，驾驶员转向介入识别装置可以通过与待检测车辆中自带的传感器或检测系统通信连接，从而可以获取到待检测车辆的运行信息。应当说明的是，运行信息还可以包括其他参数，本发明实施例对此不作具体限定。

步骤202：将所述第一方向盘实际转角、所述第一目标转角、所述第一车速、第一方向盘转速、第一车辆加速度和所述第一路面附着系数输入到识别模型中进行识别，获得是否有驾驶员转向介入的识别结果。

具体的，在驾驶员转向介入识别装置获取到运行信息后，将第一方向盘实际转角、第一目标转角、第一车速、第一方向盘转速、第一车辆加速度和第一路面附着系数作为输入，输入到识别模型中，识别模型根据输入的运行信息进行计算，获得是否有驾驶员转向介入的识别结果，应当说明的是，识别模型是预先创建的，且识别结果为有驾驶员转向介入或没有驾驶员转向介入。

本发明实施例通过获取当前时刻所述待检测车辆的运行信息，并将运行信息输入到预先构建的识别模型中，从而能够准确的识别出是否有驾驶员转向介入，从而保证自动驾驶的安全性，且不需要额外增加传感器，降低了整车CAN网络的负荷和设计难度。

在上述实施例的基础上，所述方法，还包括：

获取训练样本，所述训练样本为多辆汽车在历史时间段内的运行信息，且所述训练样本包括：第二方向盘实际转角、第二目标转角、第二车速、第二方向盘转速、第二车辆加速度和第二路面附着系数和驾驶员介入信息；

将所述第二方向盘实际转角、所述第二目标转角、所述第二车速、第二方向盘转速、第二车辆加速度和所述第二路面附着系数输入作为输入，所述驾驶员介入信息作为输出，对神经网络进行训练，获得所述识别模型。

具体的，在创建识别模型时，首先需要获取训练样本，任何智能汽车在投产前都有很长的数据采集测试阶段，因此，本步骤并不会额外增加工作量，只需从实验数据中提取需要的内容。本方法需要的数据为：第二方向盘实际转角、第二目标转角、第二车速、第二方向盘转速、第二车辆加速度和第二路面附着系数和驾驶员介入信息，将上述各数据作为训练样本。应当说明的是，这些训练样本都是历史时间段内的离散数据。可以理解的是，训练样本还可以包括其他参数，本发明实施例对此不作具体限定。驾驶员介入信息包括：有驾驶员介入和没有驾驶员介入。

将第二方向盘实际转角、第二目标转角、第二车速、第二方向盘转速、第二车辆加速度和第二路面附着系数作为输入层神经元，以驾驶员介入信息作为输出，建立多层神经网络架构进行特征学习，获得识别模型。

本发明实施例通过使用训练好的识别模型可以实时的对待检测车辆是否有驾驶员转向介入进行监测，不需要额外增加传感器，降低了整车CAN网络的负荷和设计难度。

在上述实施例的基础上，所述方法，还包括：

通过交叉验证法对所述识别模型进行验证。

具体的，在对神经网络进行训练完成后，从实验数据中提取出一些数据作为验证样本，可以理解的是验证样本对应的参数类型与训练样本一致，根据验证样本使用交叉验证法对模型的泛化能力进行评估，从而验证该模型的准确性。根据交叉验证的结果，对驾驶员介入的判断设定合适的阈值，使用F1score判据，在保证安全性的情况下，达到较高的介入判断准确性。

在上述实施例的基础上，所述方法，还包括：

对所述训练样本进行数据预处理，所述数据预处理包括：清洗、去重和异常值剔除。

具体的，由于获取到的训练样本中有一些数据是重复的，或者有些数据是异常，残缺的，为了提高对神经网络训练的有效性，在模型训练之前，首先需要对获取到的训练样本进行数据预处理，其中，数据预处理步骤包括：清洗、去重和异常值剔除。其中，对数据的清洗是指对训练样本中参数的缺失值和无效值的处理；去重是指将训练样本中两条及以上相同的数据只保留一条，其余的删除处理；异常值剔除是指训练样本中有些参数对应的值不在正常范围内，此时需要对异常的数据剔除处理。

本发明实施例通过对训练样本的数据预处理，从而能够使用有效的数据作为训练样本，因此，通过训练后获得的识别模型的识别准确度更高。

在上述各实施例的基础上，所述将所述第一方向盘实际转角、所述第一目标转角、所述第一车速、第一方向盘转速、第一车辆加速度和所述第一路面附着系数输入到识别模型中进行识别，获得是否有驾驶员转向介入的识别结果，包括：

将所述第一方向盘实际转角、所述第一目标转角、所述第一车速、第一方向盘转速、第一车辆加速度和所述第一路面附着系数输入到识别模型中进行识别，获得是否有驾驶员转向介入的识别结果输入到识别模型中进行识别，计算得到对应的驾驶员转向介入概率值；

若判断获知所述驾驶员转向介入概率值大于预设阈值，则所述识别结果为有驾驶员转向介入。

具体的，将第一方向盘实际转角、第一目标转角、第一车速、第一方向盘转速、第一车辆加速度和第一路面附着系数输入到识别模型中进行识别，识别模型会根据上述参数计算获得对应的驾驶员转向介入概率值，该驾驶员转向介入概率值表示有驾驶员转向介入的概率，概率越大表示有驾驶员转向介入的可能性越大。

将计算得到的驾驶员转向介入概率值与预设阈值进行比较，如果驾驶员转向介入概率值大于预设阈值，则输出有驾驶员转向介入的识别结果，否则输出没有驾驶员转向介入的识别结果。应当说明的是，预设阈值可以根据实际情况进行调整，本发明实施例对此不做具体限定。

本发明实施例通过通过获取当前时刻所述待检测车辆的运行信息，并将运行信息输入到预先构建的识别模型中，从而能够准确的识别出是否有驾驶员转向介入，从而保证自动驾驶的安全性，且不需要额外增加传感器，降低了整车CAN网络的负荷和设计难度。

图3为本发明实施例提供的一种基于神经网络的驾驶员转向介入识别装置结构示意图，如图3所示，所述装置，包括：获取模块301和识别模块302，其中：

获取模块301用于实时对待检测车辆的运行状态进行监测，并获取当前预设时间段内所述待检测车辆的运行信息，所述运行信息，包括：第一方向盘实际转角、第一目标转角、第一车速、第一方向盘转速、第一车辆加速度和第一路面附着系数；识别模块302用于将所述第一方向盘实际转角、所述第一目标转角、所述第一车速、第一方向盘转速、第一车辆加速度和所述第一路面附着系数输入到识别模型中进行识别，获得是否有驾驶员转向介入的识别结果。

具体的，获取模块301可以通过待检测车辆自带的传感器获得当前时刻的第一方向盘实际转角、第一目标转角、第一车速、第一方向盘转速、第一车辆加速度和第一路面附着系数，驾驶员转向介入识别装置可以通过与待检测车辆中自带的传感器或检测系统通信连接，从而可以获取到待检测车辆当前时刻及在当前时刻之前的预设时间段内每一时刻对应的运行信息。在驾驶员转向介入识别装置获取到运行信息后，识别模块302将第一方向盘实际转角、第一目标转角、第一车速、第一方向盘转速、第一车辆加速度和第一路面附着系数作为输入，输入到识别模型中，识别模型根据输入的运行信息进行计算，获得是否有驾驶员转向介入的识别结果，应当说明的是，识别模型是预先创建的，且识别结果为有驾驶员转向介入或没有驾驶员转向介入。

本发明实施例通过获取当前时刻所述待检测车辆的运行信息，并将运行信息输入到预先构建的识别模型中，从而能够准确的识别出是否有驾驶员转向介入，从而保证自动驾驶的安全性，且不需要额外增加传感器，降低了整车CAN网络的负荷和设计难度。

在上述实施例的基础上，所述装置，还包括：

模型创建模块，用于获取训练样本，所述训练样本为多辆汽车在历史时间段内的运行信息，且所述训练样本包括：第二方向盘实际转角、第二目标转角、第二车速、第二方向盘转速、第二车辆加速度、第二路面附着系数和驾驶员介入信息；

将所述第二方向盘实际转角、所述第二目标转角、所述第二车速、第二方向盘转速、第二车辆加速度和所述第二路面附着系数输入作为输入，所述驾驶员介入信息作为输出，对神经网络进行训练，获得所述识别模型。

具体的，模型创建模块在创建识别模型时，首先需要获取训练样本，任何智能汽车在投产前都有很长的数据采集测试阶段，因此，可以从实验数据中提取需要的训练样本。其中，训练样本包括第二方向盘实际转角、第二目标转角、第二车速、第二方向盘转速、第二车辆加速度和第二路面附着系数和驾驶员介入信息。将第二方向盘实际转角、第二目标转角、第二车速、第二方向盘转速、第二车辆加速度和第二路面附着系数作为输入层神经元，以驾驶员介入信息作为输出，建立多层神经网络架构进行特征学习，获得识别模型。

本发明实施例通过使用训练好的识别模型可以实时的对待检测车辆是否有驾驶员转向介入进行监测，不需要额外增加传感器，降低了整车CAN网络的负荷和设计难度。

在上述实施例的基础上，所述装置，还包括：

模型验证模块，用于通过交叉验证法对所述识别模型进行验证。

具体的，在对神经网络进行训练完成后，模型验证模块从实验数据中提取出一些数据作为验证样本，可以理解的是验证样本对应的参数类型与训练样本一致，根据验证样本使用交叉验证法对模型的泛化能力进行评估，从而验证该模型的准确性。根据交叉验证的结果，对驾驶员介入的判断设定合适的阈值，使用F1score判据，在保证安全性的情况下，达到较高的介入判断准确性。

在上述实施例的基础上，所述装置，还包括：

预处理模块，用于对所述训练样本进行数据预处理，所述数据预处理包括：清洗、去重和异常值剔除。

具体的，由于获取到的训练样本中有一些数据是重复的，或者有些数据是异常，残缺的，为了提高对神经网络训练的有效性，在模型训练之前，首先需要预处理模块对获取到的训练样本进行数据预处理，其中，数据预处理步骤包括：清洗、去重和异常值剔除。

本发明实施例通过对训练样本的数据预处理，从而能够使用有效的数据作为训练样本，因此，通过训练后获得的识别模型的识别准确度更高。

在上述各实施例的基础上，所述识别模块，具体用于：

将所述第一方向盘实际转角、所述第一目标转角、所述第一车速、第一方向盘转速、第一车辆加速度和所述第一路面附着系数输入到识别模型中进行识别，计算得到对应的驾驶员转向介入概率值；

若判断获知所述驾驶员转向介入概率值大于预设阈值，则所述识别结果为有驾驶员转向介入。

具体的，识别模块将第一方向盘实际转角、第一目标转角、第一车速、第一方向盘转速、第一车辆加速度和第一路面附着系数输入到识别模型中进行识别，识别模型会根据上述参数计算获得对应的驾驶员转向介入概率值，将计算得到的驾驶员转向介入概率值与预设阈值进行比较，如果驾驶员转向介入概率值大于预设阈值，则输出有驾驶员转向介入的识别结果，否则输出没有驾驶员转向介入的识别结果。

本发明实施例通过通过获取当前时刻所述待检测车辆的运行信息，并将运行信息输入到预先构建的识别模型中，从而能够准确的识别出是否有驾驶员转向介入，从而保证自动驾驶的安全性，且不需要额外增加传感器，降低了整车CAN网络的负荷和设计难度。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。

综上所述，本发明实施例通过通过获取当前时刻所述待检测车辆的运行信息，并将运行信息输入到预先构建的识别模型中，从而能够准确的识别出是否有驾驶员转向介入，从而保证自动驾驶的安全性，且不需要额外增加传感器，降低了整车CAN网络的负荷和设计难度。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、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，所述模块、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方式中，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，两个连续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，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动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。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

需要说明的是，在本文中，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 (10)

1.一种基于神经网络的驾驶员转向介入方法，其特征在于，所述方法，包括：

实时对待检测车辆的运行状态进行监测，并获取当前预设时间段内所述待检测车辆的运行信息，所述运行信息，包括：第一方向盘实际转角、第一目标转角、第一车速、第一方向盘转速、第一车辆加速度和第一路面附着系数；

将所述第一方向盘实际转角、所述第一目标转角、所述第一车速、所述第一方向盘转速、所述第一车辆加速度和所述第一路面附着系数输入到识别模型中进行识别，获得是否有驾驶员转向介入的识别结果。

2.根据权利要求1所述的方法，其特征在于，所述方法，还包括：

获取训练样本，所述训练样本为多辆汽车在历史时间段内的运行信息，且所述训练样本包括：第二方向盘实际转角、第二目标转角、第二车速、第二方向盘转速、第二车辆加速度、第二路面附着系数和驾驶员介入信息；

将所述第二方向盘实际转角、所述第二目标转角、所述第二车速、第二方向盘转速、第二车辆加速度和所述第二路面附着系数输入作为输入，所述驾驶员介入信息作为输出，对神经网络进行训练，获得所述识别模型。

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：

通过交叉验证法对所述识别模型进行验证。

4.根据权利要求2所述的方法，其特征在于，所述方法，还包括：

对所述训练样本进行数据预处理，所述数据预处理包括：清洗、去重和异常值剔除。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述将所述第一方向盘实际转角、所述第一目标转角、所述第一车速、所述第一方向盘转速、所述第一车辆加速度和所述第一路面附着系数输入到识别模型中进行识别，获得是否有驾驶员转向介入的识别结果，包括：

将所述第一方向盘实际转角、所述第一目标转角、所述第一车速、第一方向盘转速、第一车辆加速度和所述第一路面附着系数输入到识别模型中进行识别，计算得到对应的驾驶员转向介入概率值；

若判断获知所述驾驶员转向介入概率值大于预设阈值，则所述识别结果为有驾驶员转向介入。

6.一种基于神经网络的驾驶员转向介入识别装置，其特征在于，所述装置，包括：

获取模块，用于实时对待检测车辆的运行状态进行监测，并获取当前预设时间段内所述待检测车辆的运行信息，所述运行信息，包括：第一方向盘实际转角、第一目标转角、第一车速、第一方向盘转速、第一车辆加速度和第一路面附着系数；

识别模块，用于将所述第一方向盘实际转角、所述第一目标转角、所述第一车速、第一方向盘转速、第一车辆加速度和所述第一路面附着系数输入到识别模型中进行识别，获得是否有驾驶员转向介入的识别结果。

7.根据权利要求1所述的装置，其特征在于，所述装置，还包括：

模型创建模块，用于获取训练样本，所述训练样本为多辆汽车在历史时间段内的运行信息，且所述训练样本包括：第二方向盘实际转角、第二目标转角、第二车速、第二方向盘转速、第二车辆加速度、第二路面附着系数和驾驶员介入信息；

将所述第二方向盘实际转角、所述第二目标转角、所述第二车速、第二方向盘转速、第二车辆加速度和所述第二路面附着系数输入作为输入，所述驾驶员介入信息作为输出，对神经网络进行训练，获得所述识别模型。

8.根据权利要求7所述的装置，其特征在于，所述装置，还包括：

模型验证模块，用于通过交叉验证法对所述识别模型进行验证。

9.根据权利要求7所述的装置，其特征在于，所述装置，还包括：

预处理模块，用于对所述训练样本进行数据预处理，所述数据预处理包括：清洗、去重和异常值剔除。

10.根据权利要求6-9任一项所述的装置，其特征在于，所述识别模块，具体用于：

将所述第一方向盘实际转角、所述第一目标转角、所述第一车速、第一方向盘转速、第一车辆加速度和所述第一路面附着系数输入到识别模型中进行识别，计算得到对应的驾驶员转向介入概率值；

若判断获知所述驾驶员转向介入概率值大于预设阈值，则所述识别结果为有驾驶员转向介入。