发明内容
本发明所要解决的技术问题在于,提供一种基于神经网络的辅助驾驶方法、装置及可读存储介质,通过识别与建模,实现针对每一个驾驶员的情况进行微调和形成深度的适应,进而达到贴合个人的使用习惯的目的。
为了解决上述技术问题,一方面,本发明的一个实施例提供了一种基于神经网络的辅助驾驶方法,适于在计算设备中执行,至少包括如下步骤:
实时监测当前的驾驶环境参数,并获取驾驶员当前驾驶的状态图像。
将所述驾驶环境参数和所述状态图像输入预先构建的辅助驾驶模型中进行比对,以对驾驶员的适应情况进行判断及原因分析。
若判断结果为不适应,则根据原因分析结果对当前的驾驶环境参数进行适应性调整,并重复上述步骤,再次进行驾驶员适应情况判断、原因分析,以及驾驶环境参数的适应性调整,直至判断结果为适应,并根据最后调整的驾驶环境参数强化所述辅助驾驶模型。
若判断结果为适应,则检测驾驶员是否手动调整当前驾驶环境参数,若是,则根据调整后的驾驶环境参数强化所述辅助驾驶模型。若否,进行驾驶员适应情况判断、原因分析,以及驾驶环境参数的适应性调整,并根据最后调整的驾驶环境参数强化所述辅助驾驶模型。
基于强化后的辅助驾驶模型,重复上述步骤,再次进行驾驶员适应情况判断、原因分析,以及驾驶环境参数的适应性调整,直至判断结果为适应,并根据最后调整的驾驶环境参数再次强化该辅助驾驶模型。
进一步地,所述驾驶环境参数包括背景噪音、车内温度、相对湿度和座椅位置;所述状态图像包括的驾驶姿态和驾驶表情。
进一步地,所述预先构建的辅助驾驶模型,为根据采集的若干辅助驾驶样本进行机器学习训练建立,所述辅助驾驶模型包含大众化的驾驶环境参数集和驾驶员的状态图像集,以及状态图像与驾驶环境参数的相关关系;其中,所述辅助驾驶样本包括驾驶环境参数和驾驶员的状态图像。
进一步地,所述将所述驾驶环境参数和所述状态图像输入预先构建的辅助驾驶模型中进行比对,从而对驾驶员的适应情况进行判断及原因分析,具体为:
将所述状态图像与所述辅助驾驶模型中的状态图像集进行比对,判断驾驶员是否适应当前的驾驶环境,若否,则将所述环境参数与所述辅助驾驶模型中的驾驶环境参数集进行比对,得出原因分析结果。
另一方面,本发明的一个实施例还提供了一种基于神经网络的辅助驾驶装置,包括:
参数获取模块,用于实时监测当前的驾驶环境参数,并获取驾驶员当前驾驶的状态图像。
判断及原因分析模块,用于将所述驾驶环境参数和所述状态图像输入预先构建的辅助驾驶模型中进行比对,从而对驾驶员的适应情况进行判断及原因分析。
学习强化模块,用于若判断结果为不适应,则根据原因分析结果对当前的驾驶环境参数进行适应性调整,并重复上述模块,再次进行驾驶员适应情况判断、原因分析,以及驾驶环境参数的适应性调整,直至判断结果为适应,并根据最后调整的驾驶环境参数强化所述辅助驾驶模型。
所述学习强化模块,还用于若判断结果为适应,则检测驾驶员是否手动调整当前驾驶环境参数,若是,则根据调整后的驾驶环境参数强化所述辅助驾驶模型。若否,进行驾驶员适应情况判断、原因分析,以及驾驶环境参数的适应性调整,并根据最后调整的驾驶环境参数强化所述辅助驾驶模型。
循环模块,用于基于强化后的辅助驾驶模型,重复上述模块,再次进行驾驶员适应情况判断、原因分析,以及驾驶环境参数的适应性调整,直至判断结果为适应,并根据最后调整的驾驶环境参数再次强化该辅助驾驶模型。
进一步地,所述驾驶环境参数包括背景噪音、车内温度、相对湿度和座椅位置。所述状态图像包括的驾驶姿态和驾驶表情。
进一步地,所述预先构建的辅助驾驶模型,为根据采集的若干辅助驾驶样本进行机器学习训练建立,所述辅助驾驶模型包含大众化的驾驶环境参数集和驾驶员的状态图像集,以及状态图像与驾驶环境参数的相关关系。其中,所述辅助驾驶样本包括驾驶环境参数和驾驶员的状态图像。
进一步地,所述判断及原因分析模块,具体用于:
将所述状态图像与所述辅助驾驶模型中的状态图像集进行比对,判断驾驶员是否适应当前的驾驶环境,若否,则将所述环境参数与所述辅助驾驶模型中的驾驶环境参数集进行比对,得出原因分析结果。
又一方面,本发明的一个实施例还提供了一种基于神经网络的辅助驾驶装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述的基于神经网络的辅助驾驶方法。
又一方面,本发明的一个实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的基于神经网络的辅助驾驶方法。相比于现有技术,本发明实施例的有益效果在于:
本发明的实施例提供的一种基于神经网络的辅助驾驶方法、装置及可读存储介质,所述方法适于在计算设备中执行,至少包括如下步骤:监测当前的驾驶环境参数及获取驾驶员当前驾驶的状态图像;输入预先构建的辅助驾驶模型,以对驾驶员的适应情况进行判断及原因分析;根据判断结果和原因分析结果对当前的驾驶环境参数进行适应性调整,并重复上述步骤,再次进行驾驶员适应情况判断、原因分析,以及驾驶环境参数的适应性调整,直至判断结果为适应,并根据最后调整的驾驶环境参数强化所述辅助驾驶模型。本发明基于深度神经网络的车辆辅助驾驶系统与通过人工智能系统对车主的驾驶感官状态进行建模与分析,然后通过非监督式机器学习,使得车的系统适应驾驶员本身。
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,以使本发明的优点和特征能更易于被本领域技术人员理解,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。
为了使本领域的技术人员更好地理解本发明的技术方案,下面结合附图和具体实施例对本发明作进一步的详细说明。
本发明第一实施例:
请参阅图1-2
如图1-2所示,本实施例提供的一种基于神经网络的辅助驾驶方法,适于在计算设备中执行,至少包括如下步骤:
S101、实时监测当前的驾驶环境参数,并获取驾驶员当前驾驶的状态图像。
需要说明的是,所述驾驶环境参数包括背景噪音、车内温度、相对湿度和座椅位置。所述状态图像包括的驾驶姿态和驾驶表情。
所述驾驶环境参数与驾驶员当前驾驶的状态图像由数据传感器获得,所述数据传感器包含温度传感器,湿度传感器,声音传感器,摄像头。
S102、将所述驾驶环境参数和所述状态图像输入预先构建的辅助驾驶模型中进行比对,以对驾驶员的适应情况进行判断及原因分析。
需要说明的是,所述预先构建的辅助驾驶模型,为根据采集的若干辅助驾驶样本进行机器学习训练建立,所述辅助驾驶模型包含大众化的驾驶环境参数集和驾驶员的状态图像集,以及状态图像与驾驶环境参数的相关关系。
所述驾驶员的适应情况的判断方法为:通过驾驶员舒适时候的表情,不舒服时候的表情,寒冷时候的表情,寒冷时候身体的动作建立普适的数据,再通过车主调节与否的判断,记录车主此时的表情,与所述普适的数据进行比对,进而判断其为舒适或者不适。
S102a、若判断结果为不适应,则根据原因分析结果对当前的驾驶环境参数进行适应性调整,并重复上述步骤,再次进行驾驶员适应情况判断、原因分析,以及驾驶环境参数的适应性调整,直至判断结果为适应,并根据最后调整的驾驶环境参数强化所述辅助驾驶模型。
需要说明的是,所述适应性调整的内容包含座椅的升降,空调的风的大小与温度,车内的湿度,车内音乐和车窗开关进行。
所述辅助驾驶模型为一个无监督机器学习的神经网络,通过对车主的调整的数据进行记录,学习,并且更改这个数据集合的方式以实现建模。
其中,所述无监督机器学习的神经网络在学习过程中不提供确切的答案并且在学习过程中没有教师监督。
S102b、若判断结果为适应,则检测驾驶员是否手动调整当前驾驶环境参数。
需要说明的是,对驾驶员的检测内容类似于适应性调整的内容。例如,包含座椅的升降,空调的风的大小与温度,车内的湿度,车内音乐和车窗开关进行。并且,由于每一个对驾驶员检测的内容所需要的时间各不相同,系统在对驾驶员的检测内容与所述辅助驾驶模型进行比对时,会预先统一协调各个参数的时间,然后再与所述辅助驾驶模型进行比对。
S102b1、若是,则根据调整后的驾驶环境参数强化所述辅助驾驶模型。
需要说明的是,所述调整后的驾驶环境参数对所述辅助驾驶模型进行修改而不是进行全面的更新,进一步地,对所述辅助驾驶模型进行的修改会保存该辅助驾驶模型修改时的驾驶环境参数,进而,当驾驶员遇到与之前类似的驾驶环境参数时,系统会调用对应该驾驶环境参数所对应的驾驶环境参数来进行强化。
S102b2、若否,进行驾驶员适应情况判断、原因分析,以及驾驶环境参数的适应性调整,并根据最后调整的驾驶环境参数强化所述辅助驾驶模型。
需要说明的是,所述直至判断结果为适应的整个过程,是无限循环的,因为车主在一定时间之后,他对的驾驶环境的要求可能发生改变,所以,整个调整过程是无限循环的,动态的。进一步地,所述驾驶环境参数与所述辅助驾驶模型会因为在驾驶员对的驾驶环境的要求发生改变而对每一个循环中进行修改,并且保存之前循环的参数,当驾驶员对驾驶环境的要求与之前时间相同时,直接调用这些保存的参数。
S103、基于强化后的辅助驾驶模型,重复上述步骤,再次进行驾驶员适应情况判断、原因分析,以及驾驶环境参数的适应性调整,直至判断结果为适应,并根据最后调整的驾驶环境参数再次强化该辅助驾驶模型。
需要说明的是,所述驾驶环境参数和所述状态图像输入预先构建的辅助驾驶模型中进行比对,从而对驾驶员的适应情况进行判断及原因分析,具体为:将所述状态图像与所述辅助驾驶模型中的状态图像集进行比对,判断驾驶员是否适应当前的驾驶环境,若否,则将所述环境参数与所述辅助驾驶模型中的驾驶环境参数集进行比对,得出原因分析结果。
本发明第二实施例:
请参阅图3,本实施例提供的一种基于神经网络的辅助驾驶装置,包括以下模块:
参数获取模块301,用于实时监测当前的驾驶环境参数,并获取驾驶员当前驾驶的状态图像。
其中,所述驾驶环境参数包括背景噪音、车内温度、相对湿度和座椅位置。所述状态图像包括的驾驶姿态和驾驶表情。
所述驾驶环境参数与驾驶员当前驾驶的状态图像由数据传感器获得,所述数据传感器包含温度传感器,湿度传感器,声音传感器,摄像头。
判断及原因分析模块302,用于将所述驾驶环境参数和所述状态图像输入预先构建的辅助驾驶模型中进行比对,从而对驾驶员的适应情况进行判断及原因分析。
需要说明的是,所述预先构建的辅助驾驶模型,为根据采集的若干辅助驾驶样本进行机器学习训练建立,所述辅助驾驶模型包含大众化的驾驶环境参数集和驾驶员的状态图像集,以及状态图像与驾驶环境参数的相关关系。
所述驾驶员的适应情况的判断方法为:通过驾驶员舒适时候的表情,不舒服时候的表情,寒冷时候的表情,寒冷时候身体的动作建立普适的数据,再通过车主调节与否的判断,记录车主此时的表情,与所述普适的数据进行比对,进而判断其为舒适或者不适。
所述适应性调整的内容包含座椅的升降,空调的风的大小与温度,车内的湿度,车内音乐和车窗开关进行。
学习强化模块303,用于若判断结果为不适应,则根据原因分析结果对当前的驾驶环境参数进行适应性调整,并重复上述模块,再次进行驾驶员适应情况判断、原因分析,以及驾驶环境参数的适应性调整,直至判断结果为适应,并根据最后调整的驾驶环境参数强化所述辅助驾驶模型。
需要说明的是,所述预先构建的辅助驾驶模型,为根据采集的若干辅助驾驶样本进行机器学习训练建立,所述辅助驾驶模型包含大众化的驾驶环境参数集和驾驶员的状态图像集,以及状态图像与驾驶环境参数的相关关系。
所述驾驶员的适应情况的判断方法为:通过驾驶员舒适时候的表情,不舒服时候的表情,寒冷时候的表情,寒冷时候身体的动作建立普适的数据,再通过车主调节与否的判断,记录车主此时的表情,与所述普适的数据进行比对,进而判断其为舒适或者不适。
所述学习强化模块303,还用于若判断结果为适应,则检测驾驶员是否手动调整当前驾驶环境参数,
需要说明的是,对驾驶员的检测内容类似于适应性调整的内容。例如,包含座椅的升降,空调的风的大小与温度,车内的湿度,车内音乐和车窗开关进行。并且,由于每一个对驾驶员检测的内容所需要的时间各不相同,系统在对驾驶员的检测内容与所述辅助驾驶模型进行比对时,会预先统一协调各个参数的时间,然后再与所述辅助驾驶模型进行比对。
若是,则根据调整后的驾驶环境参数强化所述辅助驾驶模型。
需要说明的是,所述调整后的驾驶环境参数对所述辅助驾驶模型进行修改而不是进行全面的更新,进一步地,对所述辅助驾驶模型进行的修改会保存该辅助驾驶模型修改时的驾驶环境参数,进而,当驾驶员遇到与之前类似的驾驶环境参数时,系统会调用对应该驾驶环境参数所对应的驾驶环境参数来进行强化。
若否,进行驾驶员适应情况判断、原因分析,以及驾驶环境参数的适应性调整,并根据最后调整的驾驶环境参数强化所述辅助驾驶模型。
需要说明的是,所述直至判断结果为适应的整个过程,是无限循环的,因为车主在一定时间之后,他对的驾驶环境的要求可能发生改变,所以,整个调整过程是无限循环的,动态的。进一步地,所述驾驶环境参数与所述辅助驾驶模型会因为在驾驶员对的驾驶环境的要求发生改变而对每一个循环中进行修改,并且保存之前循环的参数,当驾驶员对驾驶环境的要求与之前时间相同时,直接调用这些保存的参数。
循环模块304,用于基于强化后的辅助驾驶模型,重复上述模块,再次进行驾驶员适应情况判断、原因分析,以及驾驶环境参数的适应性调整,直至判断结果为适应,并根据最后调整的驾驶环境参数再次强化该辅助驾驶模型。
需要说明的是,所述驾驶环境参数和所述状态图像输入预先构建的辅助驾驶模型中进行比对,从而对驾驶员的适应情况进行判断及原因分析,具体为:将所述状态图像与所述辅助驾驶模型中的状态图像集进行比对,判断驾驶员是否适应当前的驾驶环境,若否,则将所述环境参数与所述辅助驾驶模型中的驾驶环境参数集进行比对,得出原因分析结果。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。