CN108734303A - 车辆驾驶数据预测方法、设备及计算机可读存储介质 - Google Patents
车辆驾驶数据预测方法、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN108734303A CN108734303A CN201810536282.5A CN201810536282A CN108734303A CN 108734303 A CN108734303 A CN 108734303A CN 201810536282 A CN201810536282 A CN 201810536282A CN 108734303 A CN108734303 A CN 108734303A
- Authority
- CN
- China
- Prior art keywords
- data
- driving
- vehicle
- driving data
- vehicle drive
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 64
- 230000007613 environmental effect Effects 0.000 claims abstract description 22
- 238000013178 mathematical model Methods 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 7
- 206010039203 Road traffic accident Diseases 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 description 1
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 1
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆驾驶数据预测方法、设备及计算机可读存储介质，该方法包括步骤：当检测到车辆处于运行状态后，启动采集装置，通过所述采集装置采集所述车辆的当前环境数据；将所述当前环境数据输入至预设的驾驶监督模型中，得到与所述当前环境数据对应的驾驶数据，其中，所述驾驶监督模型是通过监督学习算法训练所得的；输出所述驾驶数据，以根据所述驾驶数据驾驶所述车辆。本发明通过监督学习算法训练出驾驶监督模型，将所获取的环境数据输入至驾驶监督模型中，得到对应的驾驶数据，并将该驾驶数据输出，根据驾驶数据驾驶车辆，降低了车祸发生率，提高了驾驶安全性。
Description
技术领域
本发明涉及车辆技术领域，尤其涉及一种车辆驾驶数据预测方法、设备及计算机可读存储介质。
背景技术
随着社会经济的发展，车辆已经越来越普及，车祸发生的频率也越来越高，特别是在拐弯、十字路口或者雨天等环境时，发生车祸的概率比正常情况下高。因此，如何根据车辆当前的环境确定出适合的驾驶数据，避免发生车祸，降低车祸的发生概率是急需解决的问题。
发明内容
本发明的主要目的在于提供一种车辆驾驶数据预测方法、车辆驾驶数据预测设备及计算机可读存储介质，旨在解决降低车祸发生概率的技术问题。
为实现上述目的，本发明提供一种车辆驾驶数据预测方法，所述车辆驾驶数据预测方法包括步骤：
当检测到车辆处于运行状态后，启动采集装置，通过所述采集装置采集所述车辆的当前环境数据；
将所述当前环境数据输入至预设的驾驶监督模型中，得到与所述当前环境数据对应的驾驶数据，其中，所述驾驶监督模型是通过监督学习算法训练所得的；
输出所述驾驶数据，以根据所述驾驶数据驾驶所述车辆。
优选地，所述当检测到车辆处于运行状态后，启动采集装置，通过所述采集装置采集所述车辆的当前环境数据的步骤之前，还包括：
当侦测到采集数据的采集指令后，根据所述采集指令采集所述车辆的待训练环境数据和对应的驾驶数据标签；
将所述待训练环境数据和所述驾驶数据标签作为监督学习算法对应数学模型的输入，以训练出驾驶监督模型。
优选地，所述数学模型为：Y＝f(X)+ε，其中，所述X为待训练环境数据，Y为所述驾驶数据标签，ε为误差值，所述f(X)表示映射函数。
优选地，所述将所述待训练环境数据和所述驾驶数据标签作为监督学习算法对应数学模型的输入，以训练出驾驶监督模型的步骤包括:
将所述待训练环境数据和所述驾驶数据标签作为监督学习算法对应数学模型的输入，得到所述数学模型的输出；
控制所述输出与对应所述驾驶数据标签之间的代价函数值小于或者等于预设阈值，以得到所述数学模型对应的驾驶监督模型。
优选地，所述将所述待训练环境数据和所述驾驶数据标签作为监督学习算法对应数学模型的输入，以训练出驾驶监督模型的步骤之前，还包括：
确定所述驾驶数据标签中未满足预设条件的行驶速度和方向盘拐弯角度；
删除未满足预设条件的行驶速度或方向盘拐弯角度对应的所述待训练环境数据和所述驾驶数据标签，得到待训练目标环境数据和驾驶数据目标标签；
所述将所述待训练环境数据和所述驾驶数据标签作为监督学习算法对应数学模型的输入，以训练出驾驶监督模型的步骤包括：
将所述待训练目标环境数据和所述驾驶数据目标标签作为监督学习算法对应数学模型的输入，以训练出驾驶监督模型。
优选地，所述确定所述驾驶数据标签中未满足预设条件的行驶速度和方向盘拐弯角度的步骤包括：
计算所述行驶速度的速度平均值和所述方向盘拐弯角度的角度平均值；
计算各个所述行驶速度与所述速度平均值之间的速度差值，以及计算各个所述方向盘拐弯角度与角度平均值的角度差值；
若所述速度差值小于预设速度阈值，则确定所述速度差值对应的行驶速度未满足所述预设条件；
若所述角度差值小于预设角度差值，则确定所述角度差值对应的方向盘拐弯角度未满足所述预设条件。
优选地，所述将所述当前环境数据输入至预设的驾驶监督模型中，得到与所述当前环境数据对应的驾驶数据的步骤之后，还包括：
存储输入所述驾驶监督模型的当前环境数据和所述车辆对应的所述真实驾驶数据；
判断所存储的所述当前环境数据和所述真实驾驶数据是否满足预设条件；
若所述当前环境数据和所述真实驾驶数据满足所述预设条件，则根据所存储的所述当前环境数据和所述真实驾驶数据更新所述驾驶监督模型。
优选地，所述输出所述驾驶数据，以根据所述驾驶数据驾驶所述车辆的步骤之后，还包括：
检测所述车辆当前的行驶速度，并判断当前的所述行驶速度与所述驾驶数据中行驶速度之间的差值是否大于预设阈值；
若当前的所述行驶速度与所述驾驶数据中行驶速度之间的差值大于预设阈值，则输出提示信息，以根据所述提示信息提示用户行驶速度过快。
此外，为实现上述目的，本发明还提供一种车辆驾驶数据预测设备，所述车辆驾驶数据预测设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的车辆驾驶数据预测程序，所述车辆驾驶数据预测程序被所述处理器执行时实现如上所述的车辆驾驶数据预测方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有车辆驾驶数据预测程序，所述车辆驾驶数据预测程序被处理器执行时实现如上所述的车辆驾驶数据预测方法的步骤。
本发明通过监督学习算法训练出驾驶监督模型，将所获取的环境数据输入至驾驶监督模型中，得到对应的驾驶数据，并将该驾驶数据输出，根据驾驶数据驾驶车辆，降低了车祸发生率，提高了驾驶安全性。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的结构示意图；
图2为本发明车辆驾驶数据预测方法第一实施例的流程示意图；
图3为本发明车辆驾驶数据预测方法第二实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的结构示意图。
需要说明的是，图1即可为车辆驾驶数据预测设备的硬件运行环境的结构示意图。
如图1所示，该车辆驾驶数据预测设备可以包括：处理器1001，例如CPU(CentralProcessing Unit，中央处理器)，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM(Random-Access Memory(，随机存取存储器)存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
车辆驾驶数据预测设备还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。
本领域技术人员可以理解，图1中示出的车辆驾驶数据预测设备结构并不构成对车辆驾驶数据预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及车辆驾驶数据预测程序。其中，操作系统是管理和控制车辆驾驶数据预测设备硬件和软件资源的程序，支持车辆驾驶数据预测程序以及其它软件或程序的运行。
在图1所示的车辆驾驶数据预测设备中，用户接口1003主要用于接收采集指令，输出提示信息等；网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；而处理器1001可以用于调用存储器1005中存储的车辆驾驶数据预测程序，并执行以下操作：
当检测到车辆处于运行状态后，启动采集装置，通过所述采集装置采集所述车辆的当前环境数据；
将所述当前环境数据输入至预设的驾驶监督模型中，得到与所述当前环境数据对应的驾驶数据，其中，所述驾驶监督模型是通过监督学习算法训练所得的；
输出所述驾驶数据，以根据所述驾驶数据驾驶所述车辆。
进一步地，所述当检测到车辆处于运行状态后，启动采集装置，通过所述采集装置采集所述车辆的当前环境数据的步骤之前，处理器1001还可以用于调用存储器1005中存储的车辆驾驶数据预测程序，并执行以下步骤：
当侦测到采集数据的采集指令后，根据所述采集指令采集所述车辆的待训练环境数据和对应的驾驶数据标签；
将所述待训练环境数据和所述驾驶数据标签作为监督学习算法对应数学模型的输入，以训练出驾驶监督模型。
进一步地，所述数学模型为：Y＝f(X)+ε，其中，所述X为待训练环境数据，Y为所述驾驶数据标签，ε为误差值，所述f(X)表示映射函数。
进一步地，所述将所述待训练环境数据和所述驾驶数据标签作为监督学习算法对应数学模型的输入，以训练出驾驶监督模型的步骤包括:
将所述待训练环境数据和所述驾驶数据标签作为监督学习算法对应数学模型的输入，得到所述数学模型的输出；
控制所述输出与对应所述驾驶数据标签之间的代价函数值小于或者等于预设阈值，以得到所述数学模型对应的驾驶监督模型。
进一步地，所述将所述待训练环境数据和所述驾驶数据标签作为监督学习算法对应数学模型的输入，以训练出驾驶监督模型的步骤之前，处理器1001还可以用于调用存储器1005中存储的车辆驾驶数据预测程序，并执行以下步骤：
确定所述驾驶数据标签中未满足预设条件的行驶速度和方向盘拐弯角度；
删除未满足预设条件的行驶速度或方向盘拐弯角度对应的所述待训练环境数据和所述驾驶数据标签，得到待训练目标环境数据和驾驶数据目标标签；
所述将所述待训练环境数据和所述驾驶数据标签作为监督学习算法对应数学模型的输入，以训练出驾驶监督模型的步骤包括：
将所述待训练目标环境数据和所述驾驶数据目标标签作为监督学习算法对应数学模型的输入，以训练出驾驶监督模型。
进一步地，所述确定所述驾驶数据标签中未满足预设条件的行驶速度和方向盘拐弯角度的步骤包括：
计算所述行驶速度的速度平均值和所述方向盘拐弯角度的角度平均值；
计算各个所述行驶速度与所述速度平均值之间的速度差值，以及计算各个所述方向盘拐弯角度与角度平均值的角度差值；
若所述速度差值小于预设速度阈值，则确定所述速度差值对应的行驶速度未满足所述预设条件；
若所述角度差值小于预设角度差值，则确定所述角度差值对应的方向盘拐弯角度未满足所述预设条件。
进一步地，所述将所述当前环境数据输入至预设的驾驶监督模型中，得到与所述当前环境数据对应的驾驶数据的步骤之后，处理器1001还可以用于调用存储器1005中存储的车辆驾驶数据预测程序，并执行以下步骤：
存储输入所述驾驶监督模型的当前环境数据和所述车辆对应的所述真实驾驶数据；
判断所存储的所述当前环境数据和所述真实驾驶数据是否满足预设条件；
若所述当前环境数据和所述真实驾驶数据满足所述预设条件，则根据所存储的所述当前环境数据和所述真实驾驶数据更新所述驾驶监督模型。
进一步地，所述输出所述驾驶数据，以根据所述驾驶数据驾驶所述车辆的步骤之后，处理器1001还可以用于调用存储器1005中存储的车辆驾驶数据预测程序，并执行以下步骤：
检测所述车辆当前的行驶速度，并判断当前的所述行驶速度与所述驾驶数据中行驶速度之间的差值是否大于预设阈值；
若当前的所述行驶速度与所述驾驶数据中行驶速度之间的差值大于预设阈值，则输出提示信息，以根据所述提示信息提示用户行驶速度过快。
基于上述的结构，提出车辆驾驶数据预测方法的各个实施例。
参照图2，图2为本发明车辆驾驶数据预测方法第一实施例的流程示意图。
本发明实施例提供了车辆驾驶数据预测方法的实施例，需要说明的是，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。
车辆驾驶数据预测方法包括：
步骤S10，当检测到车辆处于运行状态后，启动采集装置，通过所述采集装置采集所述车辆的当前环境数据。
当车辆检测到其处于运行状态后，车辆启动其内置的采集装置，通过该采集装置采集其当前环境数据。其中，车辆可通过检测其发动机是否启动来检测其是否处于运行状态。如当车辆发动机启动后，车辆可确定其当前处于运行状态。环境数据包括但不限于前后左右是否有车辆、是否有红绿灯、当前路段是平路、还是上坡路或者是下坡路、是否需要拐弯和天气数据。其中，可在车辆的前后左右四个方位设置摄像头，通过摄像头拍摄车辆前后左右四个方位的图片，通过分析图片确定前后左右是否存在车辆。进一步地，若车辆前后左右存在车辆，还可通过摄像头发射红外线或者超声波等来计算两辆车之间的距离。是否有红绿灯，当前路段是平路、还是上坡路或者下坡路，是否需要拐弯可通过获取当前所在位置的地图，通过地图来确定是否有红绿灯，当前路段是平路、还是上坡路或者下坡路，是否需要拐弯。天气数据包括但不限于空气湿度、能见度和风速等。空气湿度可通过车辆中的湿度传感器采集，能见度可通过车辆中的能见度传感器采集，风速可通过车辆中的风速计采集。由此可知，采集装置包括但不限于摄像头、湿度传感器、能见度传感器和风速计。
步骤S20，将所述当前环境数据输入至预设的驾驶监督模型中，得到与所述当前环境数据对应的驾驶数据，其中，所述驾驶监督模型是通过监督学习算法训练所得的。
当车辆采集到其当前环境数据后，车辆将当前环境数据输入至预设的驾驶监督模型中，得到驾驶监督模型的输出。需要说明的是，驾驶监督模型的输出即为与当前环境数据对应的驾驶数据。其中，驾驶监督模型是通过监督学习算法训练所得的。监督学习是指利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程，也称为监督训练或有教师学习。监督学习是从标记的训练数据来推断一个功能的机器学习任务。训练数据包括一套训练示例。在监督学习中，每个实例都是由一个输入对象(通常为矢量)和一个期望的输出值(也称为监督信号)组成。监督学习算法是分析该训练数据，并产生一个推断的功能，其可以用于映射出新的实例。
需要说明的是，驾驶监督模型输出的驾驶数据为当前环境数据对应的较佳驾驶数据，按照该驾驶数据驾驶车辆，可减少车祸发生的概率。
步骤S30，输出所述驾驶数据，以根据所述驾驶数据驾驶所述车辆。
当车辆得到当前环境数据对应的驾驶数据后，车辆输出该驾驶数据，以根据该驾驶数据驾驶车辆。其中，驾驶数据包括但不限于行驶速度、是否刹车、方向盘拐弯的拐弯角度。需要说明的是，若该车辆为自动驾驶车辆，车辆将所得的驾驶数据输出至控制中心中，以使控制中心根据该驾驶数据控制车辆自动驾驶。若该车辆是驾驶用户手动驾驶，车辆则输出该驾驶数据，以提示驾驶用户根据该驾驶数据驾驶车辆。在本实施例中，当车辆是驾驶用户手动驾驶时，不限制车辆输出该驾驶数据的方式。如车辆可将该驾驶数据以语音形式输出，也可以文字形式输出。
进一步地，车辆可将该驾驶数据发送给驾驶用户对应的终端中，当终端接收到驾驶数据后，将该驾驶数据输出显示在其屏幕上。终端可为智能手机、个人计算机和掌上电脑等。
本实施例通过监督学习算法训练出驾驶监督模型，将所获取的环境数据输入至驾驶监督模型中，得到对应的驾驶数据，并将该驾驶数据输出，根据驾驶数据驾驶车辆，降低了车祸发生率，提高了驾驶安全性。
进一步地，提出本发明车辆驾驶数据预测方法第二实施例。
所述车辆驾驶数据预测方法第二实施例与所述车辆驾驶数据预测方法第一实施例的区别在于，参照图3，车辆驾驶数据预测方法还包括：
步骤S40，当侦测到采集数据的采集指令后，根据所述采集指令采集所述车辆的待训练环境数据和对应的驾驶数据标签。
当车辆侦测到采集数据的采集指令后，车辆根据采集指令采集其待训练环境数据和对应的驾驶数据标签。其中，该采集指令可由用户根据需要触发。驾驶数据标签是在待训练环境数据下，车辆对应的驾驶数据。在本实施例中，待训练环境数据和驾驶数据标签是通过车辆在不同测试场景中所采集的，如可从车辆经过十字路口、上坡或者雨天等测试场景中采集待测试环境数据。
步骤S50，将所述待训练环境数据和所述驾驶数据标签作为监督学习算法对应数学模型的输入，以训练出驾驶监督模型。
所述数学模型为：Y＝f(X)+ε，其中，所述X为待训练环境数据，Y为所述驾驶数据标签，ε为误差值，所述f(X)表示映射函数。
当车辆得到待训练环境数据和对应的驾驶数据标签后，将待训练环境数据和驾驶数据标签作为监督学习算法对应数学模型的输入，以训练出驾驶监督模型。监督学习算法对应数学模型为：Y＝f(X)+ε，其中，X为待训练环境数据，Y为驾驶数据标签，ε为误差值，f(X)表示映射函数。ε表示驾驶监督模型所得的驾驶数据与真实驾驶数据之间的误差。通过该数学模型可知，当得到映射函数f(X)后，即可通过获取当前的环境数据，通过所获取的环境数据来预测当前的驾驶数据。
本实施例通过监督学习算法训练出驾驶监督模型，以通过该驾驶监督模型预测在不同环境下车辆的驾驶数据。
进一步地，步骤S50包括：
步骤a，将所述待训练环境数据和所述驾驶数据标签作为监督学习算法对应数学模型的输入，得到所述数学模型的输出。
步骤b，控制所述输出与对应所述驾驶数据标签之间的代价函数值小于或者等于预设阈值，以得到所述数学模型对应的驾驶监督模型。
进一步地，为了提高驾驶监督模型的准确率，车辆将待训练环境数据和驾驶数据标签作为监督学习算法对应数学模型的输入，得到数学模型的输出，控制数学模型的输出与对应的驾驶数据标签之间的代价函数值小于或者等于预设阈值，以得到数学模型对应的驾驶监督模型。其中，代价函数L为：L(f,(X,Y))＝||f(X)-Y||2。预设阈值可根据具体需要而设置，如可设置为0，或者0.01等。
进一步地，提出本发明车辆驾驶数据预测方法第三实施例。
所述车辆驾驶数据预测方法第三实施例与所述车辆驾驶数据预测方法第二实施例的区别在于，车辆驾驶数据预测方法还包括：
步骤c，确定所述驾驶数据标签中未满足预设条件的行驶速度和方向盘拐弯角度。
车辆在得到驾驶数据标签后，确定驾驶数据标签中是否存在未满足预设条件的行驶速度和方向盘拐弯角度。
进一步地，步骤c包括：
步骤c1，计算所述行驶速度的速度平均值和所述方向盘拐弯角度的角度平均值。
步骤c2，计算各个所述行驶速度与所述速度平均值之间的速度差值，以及计算各个所述方向盘拐弯角度与角度平均值的角度差值。
步骤c3，若所述速度差值小于预设速度阈值，则确定所述速度差值对应的行驶速度未满足所述预设条件。
步骤c4，若所述角度差值小于预设角度差值，则确定所述角度差值对应的方向盘拐弯角度未满足所述预设条件。
具体地，车辆判断驾驶数据标签中是否存在未满足预设条件的行驶速度和方向盘拐弯角度的过程可为：计算驾驶数据标签中所有行驶速度的速度平均值和所有方向盘拐弯角度的角度平均值，并计算驾驶数据标签对应的各个行驶速度与速度平均值之间的差值，将驾驶数据标签对应的各个行驶速度与速度平均值之间的差值记为速度差值，以及计算驾驶数据标签对应的各个方向盘拐弯角度与角度平均值之间的差值，将驾驶数据标签对应的各个方向盘拐弯角度与角度平均值之间的差值记为角度差值。判断速度差值是否小于预设速度阈值，以及判断角度差值是否小于预设速度差值。若速度差值小于预设速度阈值，则确定计算得到该速度差值对应的行驶速度未满足预设条件；若速度差值大于或者等于预设速度阈值，则确定计算得到该速度差值对应的行驶速度满足预设条件。若角度差值小于预设角度差值，则确定计算得到该角度差值对应的方向盘拐弯角度未满足预设条件；若角度差值大于或者等于预设角度差值，则确定计算得到该角度差值对应的方向盘拐弯角度满足预设条件。其中，预设速度阈值和预设角度阈值可根据具体需要而设置，如可将预设速度阈值和预设角度阈值都设置为0，或者都设置为1，-1等。需要说明的是，预设速度阈值可以一样，也可以不一样。
进一步地，还可以确定驾驶数据标签中所有行驶速度对应的速度中值和所有方向盘拐弯角度的角度中值，当行驶速度与速度中值之间的差值大于预设值时，确定该行驶速度不满足预设条件；当方向盘拐弯角度与角度中值之间的差值大于预设值时，确定该方向盘拐弯角度不满足预设条件。其中，速度中值和角度中值是中位数。
步骤d，删除未满足预设条件的行驶速度或方向盘拐弯角度对应的所述待训练环境数据和所述驾驶数据标签，得到待训练目标环境数据和驾驶数据目标标签。
当车辆确定未满足预设条件的行驶速度和方向盘拐弯角度后，确定未满足预设条件的行驶速度或方向盘拐弯角度对应的驾驶数据标签，将该驾驶数据标签记为待删除标签，并确定与该待删除标签对应的待训练数据，将待删除标签对应的待训练环境数据记为待删除数据，删除该待删除标签和待删除数据，将剩余的待训练环境数据记为待训练目标环境数据，剩余的驾驶数据标签记为驾驶数据目标标签。
步骤S50还包括：
步骤e，将所述待训练目标环境数据和所述驾驶数据目标标签作为监督学习算法对应数学模型的输入，以训练出驾驶监督模型。
当车辆得到待训练目标环境数据和驾驶数据目标标签后，车辆将待训练目标环境数据和驾驶数据目标标签作为监督学习算法对应数学模型的输入，以训练出驾驶监督模型。
本实施例通过对待训练环境数据和驾驶数据标签进行筛选，删除待训练环境数据和驾驶数据标签中偏离较大的数据，实现待训练环境数据和驾驶数据标签的归一化，提高了驾驶监督模型预测驾驶数据的准确性。
进一步地，提出本发明车辆驾驶数据预测方法第四实施例。
所述车辆驾驶数据预测方法第四实施例与所述车辆驾驶数据预测方法第三实施例的区别在于，车辆驾驶数据预测方法还包括：
步骤f，存储输入所述驾驶监督模型的当前环境数据和所述车辆对应的所述真实驾驶数据。
步骤g，判断所存储的所述当前环境数据和所述真实驾驶数据是否满足预设条件。
步骤h，若所述当前环境数据和所述真实驾驶数据满足所述预设条件，则根据所存储的所述当前环境数据和所述真实驾驶数据更新所述驾驶监督模型。
当车辆得到驾驶监督模型后，存储输入驾驶监督模型的当前环境数据和其在当前环境数据对应的真实驾驶数据，并判断所存储的当前环境数据和真实驾驶数据是否满足预设条件。若所存储的当前环境数据和真实驾驶数据满足预设条件，车辆则将所存储的真实驾驶数据作为标签，将真实驾驶数据和对应的当前环境数据输入驾驶监督模型中，以更新驾驶监督模型。
其中，车辆判断所存储的当前环境数据和真实驾驶数据是否满足预设条件的过程为：判断所存储的当前环境数据和真实驾驶数据对应的数量是否大于预设数量。若所存储的当前环境数据和真实驾驶数据对应数量大于预设数量，则确定当前环境数据和真实驾驶数据满足预设条件；若所存储的当前环境数据和真实驾驶数据对应的数量小于或者等于预设数量，则确定当前环境数据和真实驾驶数据不满足预设条件。预设数量可根据具体需要而设置，如可设置为50，80或者100等。需要说明的是，一次获取的当前环境数据和真实驾驶数据为一条数据。
进一步地，在本实施例中，还可以判断存储第一条当前环境数据和真实驾驶数据的存储时长，若存储时长大于或者等于预设时长，车辆则确定所存储的当前环境数据和真实驾驶数据满足预设条件；若存储时长小于预设时长，车辆则确定所存储的当前环境数据和真实驾驶数据未满足预设条件。其中，预设时长可根据具体需要而设置，在本实施例中不做具体限制。
本实施例通过更新驾驶监督模型，提高了驾驶监督模型根据环境数据预测驾驶数据的准确性。
进一步地，提出本发明车辆驾驶数据预测方法第五实施例。
所述车辆驾驶数据预测方法第五实施例与所述车辆驾驶数据预测方法第一、第二、第三和/或第四实施例的区别在于，车辆驾驶数据预测方法还包括：
步骤i，检测所述车辆当前的行驶速度，并判断当前的所述行驶速度与所述驾驶数据中行驶速度之间的差值是否大于预设阈值。
步骤j，若当前的所述行驶速度与所述驾驶数据中行驶速度之间的差值大于预设阈值，则输出提示信息，以根据所述提示信息提示驾驶用户行驶速度过快。
若当前车辆是驾驶用户手动驾驶的，车辆则检测其当前的行驶速度，并判断其当前的行驶速度与驾驶数据中行驶速度之间的差值是否大于预设阈值，其中，该驾驶数据为驾驶监督模型输出的驾驶数据。若车辆确定当前的行驶速度与驾驶数据中行驶速度之间的差值大于预设阈值，则输出提示信息，以根据该提示信息提示驾驶用户行驶速度过快。其中，预设阈值可根据具体需要而设置，如可以设置为2、3或者5等。提示信息的输出方式包括但不限于语音或者文字。在本实施例中，差值是区分正值和负值的，当前的行驶速度减去驾驶数据中的行驶速度得到对应的差值。
进一步地，若车辆确定当前的行驶速度与驾驶数据中行驶速度之间的差值小于或者等于预设阈值，车辆则继续检测其当前的行驶速度。
本实施例通过当车辆当前的行驶速度与驾驶数据中行驶速度之间的差值大于预设阈值时，输出提示信息提示驾驶用户行驶速度过快，要降低行驶速度，避免造成车祸，提高了驾驶的安全性。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有车辆驾驶数据预测程序，所述车辆驾驶数据预测程序被处理器执行时实现如上所述的奖励发送方法的步骤。
本发明计算机可读存储介质具体实施方式与上述车辆驾驶数据预测方法各实施例基本相同，在此不再赘述。
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种车辆驾驶数据预测方法，其特征在于，所述车辆驾驶数据预测方法包括以下步骤：
当检测到车辆处于运行状态后，启动采集装置，通过所述采集装置采集所述车辆的当前环境数据；
将所述当前环境数据输入至预设的驾驶监督模型中，得到与所述当前环境数据对应的驾驶数据，其中，所述驾驶监督模型是通过监督学习算法训练所得的；
输出所述驾驶数据，以根据所述驾驶数据驾驶所述车辆。
2.如权利要求1所述的车辆驾驶数据预测方法，其特征在于，所述当检测到车辆处于运行状态后，启动采集装置，通过所述采集装置采集所述车辆的当前环境数据的步骤之前，还包括：
当侦测到采集数据的采集指令后，根据所述采集指令采集所述车辆的待训练环境数据和对应的驾驶数据标签；
将所述待训练环境数据和所述驾驶数据标签作为监督学习算法对应数学模型的输入，以训练出驾驶监督模型。
3.如权利要求2所述的车辆驾驶数据预测方法，其特征在于，所述数学模型为：Y＝f(X)+ε，其中，所述X为待训练环境数据，Y为所述驾驶数据标签，ε为误差值，所述f(X)表示映射函数。
4.如权利要求2所述的车辆驾驶数据预测方法，其特征在于，所述将所述待训练环境数据和所述驾驶数据标签作为监督学习算法对应数学模型的输入，以训练出驾驶监督模型的步骤包括:
将所述待训练环境数据和所述驾驶数据标签作为监督学习算法对应数学模型的输入，得到所述数学模型的输出；
控制所述输出与对应所述驾驶数据标签之间的代价函数值小于或者等于预设阈值，以得到所述数学模型对应的驾驶监督模型。
5.如权利要求2所述的车辆驾驶数据预测方法，其特征在于，所述将所述待训练环境数据和所述驾驶数据标签作为监督学习算法对应数学模型的输入，以训练出驾驶监督模型的步骤之前，还包括：
确定所述驾驶数据标签中未满足预设条件的行驶速度和方向盘拐弯角度；
删除未满足预设条件的行驶速度或方向盘拐弯角度对应的所述待训练环境数据和所述驾驶数据标签，得到待训练目标环境数据和驾驶数据目标标签；
所述将所述待训练环境数据和所述驾驶数据标签作为监督学习算法对应数学模型的输入，以训练出驾驶监督模型的步骤包括：
将所述待训练目标环境数据和所述驾驶数据目标标签作为监督学习算法对应数学模型的输入，以训练出驾驶监督模型。
6.如权利要求5所述的车辆驾驶数据预测方法，其特征在于，所述确定所述驾驶数据标签中未满足预设条件的行驶速度和方向盘拐弯角度的步骤包括：
计算所述行驶速度的速度平均值和所述方向盘拐弯角度的角度平均值；
计算各个所述行驶速度与所述速度平均值之间的速度差值，以及计算各个所述方向盘拐弯角度与角度平均值的角度差值；
若所述速度差值小于预设速度阈值，则确定所述速度差值对应的行驶速度未满足所述预设条件；
若所述角度差值小于预设角度差值，则确定所述角度差值对应的方向盘拐弯角度未满足所述预设条件。
7.如权利要求1所述的车辆驾驶数据预测方法，其特征在于，所述将所述当前环境数据输入至预设的驾驶监督模型中，得到与所述当前环境数据对应的驾驶数据的步骤之后，还包括：
存储输入所述驾驶监督模型的当前环境数据和所述车辆对应的所述真实驾驶数据；
判断所存储的所述当前环境数据和所述真实驾驶数据是否满足预设条件；
若所述当前环境数据和所述真实驾驶数据满足所述预设条件，则根据所存储的所述当前环境数据和所述真实驾驶数据更新所述驾驶监督模型。
8.如权利要求1至7任一项所述的车辆驾驶数据预测方法，其特征在于，所述输出所述驾驶数据，以根据所述驾驶数据驾驶所述车辆的步骤之后，还包括：
检测所述车辆当前的行驶速度，并判断当前的所述行驶速度与所述驾驶数据中行驶速度之间的差值是否大于预设阈值；
若当前的所述行驶速度与所述驾驶数据中行驶速度之间的差值大于预设阈值，则输出提示信息，以根据所述提示信息提示用户行驶速度过快。
9.一种车辆驾驶数据预测设备，其特征在于，所述车辆驾驶数据预测设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的车辆驾驶数据预测程序，所述车辆驾驶数据预测程序被所述处理器执行时实现如权利要求1至8中任一项所述的车辆驾驶数据预测方法的步骤。
10.一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上存储有车辆驾驶数据预测程序，所述车辆驾驶数据预测程序被处理器执行时实现如权利要求1至8中任一项所述的车辆驾驶数据预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810536282.5A CN108734303A (zh) | 2018-05-29 | 2018-05-29 | 车辆驾驶数据预测方法、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810536282.5A CN108734303A (zh) | 2018-05-29 | 2018-05-29 | 车辆驾驶数据预测方法、设备及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108734303A true CN108734303A (zh) | 2018-11-02 |
Family
ID=63935909
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810536282.5A Pending CN108734303A (zh) | 2018-05-29 | 2018-05-29 | 车辆驾驶数据预测方法、设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108734303A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109685213A (zh) * | 2018-12-29 | 2019-04-26 | 百度在线网络技术（北京）有限公司 | 一种训练样本数据的获取方法、装置和终端设备 |
| CN110745143A (zh) * | 2019-10-29 | 2020-02-04 | 广州文远知行科技有限公司 | 一种车辆的控制方法、装置、设备和存储介质 |
| CN111399490A (zh) * | 2018-12-27 | 2020-07-10 | 华为技术有限公司 | 一种自动驾驶方法以及装置 |
| CN112526960A (zh) * | 2019-09-17 | 2021-03-19 | 百度（美国）有限责任公司 | 自动驾驶监控系统 |
| CN112698578A (zh) * | 2019-10-22 | 2021-04-23 | 北京车和家信息技术有限公司 | 一种自动驾驶模型的训练方法及相关设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100000388A (ko) * | 2008-06-24 | 2010-01-06 | 현대자동차주식회사 | 차선이탈 경보시스템 |
| CN102795225A (zh) * | 2012-09-10 | 2012-11-28 | 北京理工大学 | 利用驾驶员侧纵向控制模型检测驾驶员干扰状态的方法 |
| CN105117737A (zh) * | 2015-10-08 | 2015-12-02 | 北京邮电大学 | 一种基于车辆轨迹向量确定车辆实际方向的方法及装置 |
| CN106080590A (zh) * | 2016-06-12 | 2016-11-09 | 百度在线网络技术（北京）有限公司 | 车辆控制方法和装置以及决策模型的获取方法和装置 |
| CN106485951A (zh) * | 2015-09-01 | 2017-03-08 | 福特全球技术公司 | 异常驾驶员分类和报告 |
| US20170361709A1 (en) * | 2006-11-09 | 2017-12-21 | Smartdrive Systems, Inc. | Vehicle exception event management systems |
| CN107730425A (zh) * | 2017-09-11 | 2018-02-23 | 深圳市易成自动驾驶技术有限公司 | 碳排放量计算方法、装置及存储介质 |
-
2018
- 2018-05-29 CN CN201810536282.5A patent/CN108734303A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170361709A1 (en) * | 2006-11-09 | 2017-12-21 | Smartdrive Systems, Inc. | Vehicle exception event management systems |
| KR20100000388A (ko) * | 2008-06-24 | 2010-01-06 | 현대자동차주식회사 | 차선이탈 경보시스템 |
| CN102795225A (zh) * | 2012-09-10 | 2012-11-28 | 北京理工大学 | 利用驾驶员侧纵向控制模型检测驾驶员干扰状态的方法 |
| CN106485951A (zh) * | 2015-09-01 | 2017-03-08 | 福特全球技术公司 | 异常驾驶员分类和报告 |
| CN105117737A (zh) * | 2015-10-08 | 2015-12-02 | 北京邮电大学 | 一种基于车辆轨迹向量确定车辆实际方向的方法及装置 |
| CN106080590A (zh) * | 2016-06-12 | 2016-11-09 | 百度在线网络技术（北京）有限公司 | 车辆控制方法和装置以及决策模型的获取方法和装置 |
| CN107730425A (zh) * | 2017-09-11 | 2018-02-23 | 深圳市易成自动驾驶技术有限公司 | 碳排放量计算方法、装置及存储介质 |
Non-Patent Citations (5)
| Title |
|---|
| PHIL KIM: "《深度学习：基于MATLAB的设计实例》", 30 April 2018 * |
| YONG-HO JO ET AL.: "Classifications of Driving Patterns Using a Supervised Learning Method for Human-Vehicle Interaction", 《THE 1ST INTERNATIONAL CONFERENCE ON HUMAN-AGENT INTERACTION》 * |
| 卢凯旋: "基于车载信息融合的架势行为分析", 《中国优秀硕士论文全文数据库 信息科技II辑》 * |
| 李涛 等: "《数据挖掘的应用与实践 ——大数据时代的案例分析》", 31 October 2013 * |
| 董海鹰: "《智能控制理论与应用》", 30 September 2016 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111399490A (zh) * | 2018-12-27 | 2020-07-10 | 华为技术有限公司 | 一种自动驾驶方法以及装置 |
| CN111399490B (zh) * | 2018-12-27 | 2021-11-19 | 华为技术有限公司 | 一种自动驾驶方法以及装置 |
| CN109685213A (zh) * | 2018-12-29 | 2019-04-26 | 百度在线网络技术（北京）有限公司 | 一种训练样本数据的获取方法、装置和终端设备 |
| CN112526960A (zh) * | 2019-09-17 | 2021-03-19 | 百度（美国）有限责任公司 | 自动驾驶监控系统 |
| CN112698578A (zh) * | 2019-10-22 | 2021-04-23 | 北京车和家信息技术有限公司 | 一种自动驾驶模型的训练方法及相关设备 |
| CN112698578B (zh) * | 2019-10-22 | 2023-11-14 | 北京车和家信息技术有限公司 | 一种自动驾驶模型的训练方法及相关设备 |
| CN110745143A (zh) * | 2019-10-29 | 2020-02-04 | 广州文远知行科技有限公司 | 一种车辆的控制方法、装置、设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108734303A (zh) | 车辆驾驶数据预测方法、设备及计算机可读存储介质 | |
| EP3533681B1 (en) | Method for detecting safety of driving behavior, apparatus and storage medium | |
| CN110146100B (zh) | 轨迹预测方法、装置及存储介质 | |
| CN107730425A (zh) | 碳排放量计算方法、装置及存储介质 | |
| CN108803604A (zh) | 车辆自动驾驶方法、装置以及计算机可读存储介质 | |
| CN105966405A (zh) | 驾驶员分心检测系统 | |
| CN111898211A (zh) | 基于深度强化学习的智能车速度决策方法及其仿真方法 | |
| CN111325230B (zh) | 车辆换道决策模型的在线学习方法和在线学习装置 | |
| CN110325422A (zh) | 信息处理系统、信息处理方法、程序以及记录介质 | |
| JP2020035431A (ja) | 乗り心地を評価するためのデータ処理方法、乗り心地を評価するためのデータ処理装置及びコンピュータ読み取り可能な記憶媒体 | |
| CN107016830A (zh) | 用于防止在驾驶机动车辆时专注失误的方法和系统 | |
| CN110337394A (zh) | 信息处理系统、信息处理方法、程序以及记录介质 | |
| CN105280194A (zh) | 具有学习能力的基于车辆状态的免提电话降噪 | |
| CN110304068A (zh) | 汽车行驶环境信息的采集方法、装置、设备和存储介质 | |
| CN107813830A (zh) | 一种辅助车辆驾驶的方法及装置 | |
| CN110196587A (zh) | 车辆自动驾驶控制策略模型生成方法、装置、设备及介质 | |
| CN107111938A (zh) | 用于确定拥堵末端位置的服务器、系统和方法 | |
| CN108569278A (zh) | 排气分析 | |
| CN111259737A (zh) | 车辆方向盘故障的预测方法、装置、电子设备及存储介质 | |
| CN107895501A (zh) | 基于海量驾驶视频数据训练的无人汽车驾驶决策方法 | |
| CN106960481A (zh) | 一种基于警用智能手机监控异常驾驶行为的方法 | |
| CN110793537A (zh) | 一种导航路径推荐方法、车机及车辆 | |
| CN111301428A (zh) | 机动车驾驶员分心检测警示方法、系统及机动车 | |
| CN110723152B (zh) | 一种保障自动驾驶安全的人工智能检测方法、装置、设备或存储介质 | |
| CN110478911A (zh) | 基于机器学习的智能游戏车无人驾驶方法及智能车、设备 |
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 |
Application publication date: 20181102 |
|
| RJ01 | Rejection of invention patent application after publication |