CN110304068B - 汽车行驶环境信息的采集方法、装置、设备和存储介质 - Google Patents
汽车行驶环境信息的采集方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN110304068B CN110304068B CN201910550142.8A CN201910550142A CN110304068B CN 110304068 B CN110304068 B CN 110304068B CN 201910550142 A CN201910550142 A CN 201910550142A CN 110304068 B CN110304068 B CN 110304068B
- Authority
- CN
- China
- Prior art keywords
- driving
- classification
- driver
- automobile
- information
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000011156 evaluation Methods 0.000 claims description 59
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 9
- 230000007613 environmental effect Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 230000003628 erosive effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000007306 turnover Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 238000012827 research and development Methods 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 241001122767 Theaceae Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004162 soil erosion Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W40/09—Driving style or behaviour
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2540/00—Input parameters relating to occupants
- B60W2540/30—Driving style
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
- B60W2555/20—Ambient conditions, e.g. wind or rain
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种汽车行驶环境信息的采集方法、装置、设备和存储介质，其中该方法包括：基于设定分类规则对预设驾驶员进行驾驶风格分类；根据驾驶风格分类结果确定采集驾驶员，驾驶风格的数量为至少两个，采集驾驶员与驾驶风格相对应；基于采集驾驶员进行汽车行驶环境信息的采集。本发明实施例提供的技术方案，在进行汽车行驶环境信息的采集时充分考虑了不同风格的驾驶员对汽车行驶环境的影响，基于不同风格的驾驶员进行信息的采集，优化了汽车行驶环境信息的采集过程，提高了信息采集的维度，使汽车行驶环境信息更加完整及全面。
Description
技术领域
本发明实施例涉及汽车行驶环境数据处理技术领域，尤其涉及一种汽车行驶环境信息的采集方法、装置、设备和存储介质。
背景技术
随着科技的发展，汽车无人驾驶引起了广泛的关注，无人驾驶技术可以利用车载传感器来感知车辆周围环境，并根据感知所获得的道路、车辆位置和障碍物信息，控制车辆的转向和速度，从而使车辆能够安全、可靠地在道路上行驶。
汽车行驶环境库建设是汽车无人驾驶技术的一项关键环节，而汽车行驶环境信息的采集又是汽车行驶环境库建设的基础。目前汽车行驶环境信息的采集一般是在实际环境中进行，信息采集时考虑的因素较少，不能满足复杂的环境要求和信息采集的完整性要求。
发明内容
本发明实施例提供一种汽车行驶环境信息的采集方法、装置、设备和存储介质，以优化汽车行驶环境信息的采集过程，提高信息采集的维度。
第一方面，本发明实施例提供了一种汽车行驶环境信息的采集方法，包括：
基于设定分类规则对预设驾驶员进行驾驶风格分类；
根据驾驶风格分类结果确定采集驾驶员，所述驾驶风格的数量为至少两个，所述采集驾驶员与所述驾驶风格相对应；
基于所述采集驾驶员进行汽车行驶环境信息的采集。
第二方面，本发明实施例还提供了一种汽车行驶环境信息的采集装置，包括：
分类模块，用于基于设定分类规则对预设驾驶员进行驾驶风格分类；
驾驶员确定模块，用于根据驾驶风格分类结果确定采集驾驶员，所述驾驶风格的数量为至少两个，所述采集驾驶员与所述驾驶风格相对应；
采集模块，用于基于所述采集驾驶员进行汽车行驶环境信息的采集。
进一步的，所述分类模块包括：
第一分类单元，用于基于主观分类规则对所述预设驾驶员进行驾驶风格分类，得到第一分类结果；
第二分类单元，用于基于所述预设驾驶员的行驶数据和客观分类规则，对所述预设驾驶员进行驾驶风格分类，得到第二分类结果；
第三分类单元，用于根据所述第一分类结果、所述第二分类结果和主客观相关性，确定所述驾驶风格分类结果。
进一步的，所述第一分类单元具体用于：
基于所述预设驾驶员在设定驾驶工况下的自我主观评价结果，以及所述设定驾驶工况的权重对所述预设驾驶员进行驾驶风格分类，得到所述第一分类结果。
进一步的，所述第二分类单元具体用于：
基于所述预设驾驶员在设定驾驶工况下的行驶数据，对所述预设驾驶员进行客观评价；
基于客观评价结果以及所述设定驾驶工况的权重对所述预设驾驶员进行驾驶风格分类，得到所述第二分类结果。
进一步的，所述驾驶员确定模块具体用于：
针对每个驾驶风格确定设定数量的所述预设驾驶员为所述采集驾驶员。
进一步的，所述装置还包括：区域模块，所述区域模块包括：
信息单元，用于获取各目标区域中汽车行驶环境的外界因子对应的环境信息，所述环境信息包括数字信息和图像信息，所述目标区域的数量为至少两个；
评价单元，用于基于所述环境信息得到各所述目标区域的评价积分；
区域确定单元，用于根据所述评价积分以及递推算法确定汽车行驶环境信息的采集区域。
进一步的，所述采集模块具体用于：
基于所述采集驾驶员和所述采集区域进行汽车行驶环境信息的采集。
第三方面，本发明实施例还提供了一种设备，所述设备包括：
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如上所述的汽车行驶环境信息的采集方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的汽车行驶环境信息的采集方法。
本发明实施例基于设定分类规则对预设驾驶员进行驾驶风格分类，根据驾驶风格分类结果确定采集驾驶员，基于采集驾驶员进行汽车行驶环境信息的采集。本发明实施例提供的技术方案，在进行汽车行驶环境信息的采集时充分考虑了不同风格的驾驶员对汽车行驶环境的影响，基于不同风格的驾驶员进行信息的采集，优化了汽车行驶环境信息的采集过程，提高了信息采集的维度，使汽车行驶环境信息更加完整及全面。
附图说明
图1为本发明实施例一中的汽车行驶环境信息的采集方法的流程图；
图2为本发明实施例二中的汽车行驶环境信息的采集方法的流程图；
图3为本发明实施例二中的环境信息处理的示意图；
图4为本发明实施例二中的采集区域确定的流程图；
图5为本发明实施例三中的汽车行驶环境信息的采集装置的结构示意图；
图6为本发明实施例四中的设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一中的汽车行驶环境信息的采集方法的流程图，本实施例可适用于对汽车行驶环境信息进行采集的情况，该方法可以由汽车行驶环境信息的采集装置执行，该装置可以采用软件和/或硬件的方式实现，该装置可配置于设备中，例如该设备可以为智能手机、平板电脑和电脑等。
本实施例中，在进行汽车行驶环境信息的采集之前，可以先进行采集平台的搭建。具体的，可以先进行需求分析，分析智能汽车全生命研发周期各阶段研发数据的需求，涉及概念开发、模型在环、软件在环、硬件在环、实车在环及场地验证等各阶段；数据分类，梳理需求分析的分析结果，将智能汽车全生命研发周期各阶段需求的场景数据分为时间信息、本车定位信息、本车状态信息、视觉数据、目标物种和相对位置信息；模块划分，根据场景数据获取源的种类，按照独立性原则，将驾驶场景采集平台划分为3个模块本车模块、目标模块、视觉模块和辅助模块，其中本车模块中用于通过控制器局域网络(Controller AreaNetwork，CAN)获取车辆行驶信息和通过全球定位系统和惯性导航传感器采集车辆位置信息等，视频模块用于通过各类摄像头采集的车辆周围的视频信息，目标模块用于通过各类雷达采集的车辆周围的目标距离，辅助模块用于通过光传感器、温度传感器和雨量传感器等传感器采集气象环境数据；模块配置，依据采集数据内容和精度要求，综合考虑各传感器的识别及探测距离、夜间及恶劣天气影响和长期采集的稳定性，配置各采集模块的传感器，确定传感器参数。通过采集平台模块化冗余设计，提高了汽车行驶环境各项参数的交叉采集，提高了场景范围及精度。
如图1所示，该方法具体可以包括：
S110、基于设定分类规则对预设驾驶员进行驾驶风格分类。
其中，设定分类规则可以为预先设定的用于对预设驾驶员进行分类的规则，预设驾驶员的数量和来源本实施例中不作限定，例如预设驾驶员可以从互联网中的社会驾驶员中确定。驾驶风格的数量为至少两个，具体的驾驶风格的类型和数量可以根据实际情况进行设定。
示例性的，本实施例中的驾驶风格可以包括激进、一般和谨慎三类，激进类的驾驶员的特点可以是年纪较轻，驾龄短，自我评价多为一般或偏冒险，安全态度相对弱，表现为驾驶车速较快，换车道时较易选择较小的间隙，反应较快；谨慎类的驾驶员的特点可以是年龄较大，驾龄长，自我评价多为一般或偏保守，安全态度相对较好，表现为驾驶车速适中，换车道时倾向于选择较大的间隙，具有一定的稳定特征；一般类的驾驶员的特点是年龄中等，驾龄较短，自我评价多为一般，表现、行车指标及反应能力总体处于激进类与谨慎类之间。
基于设定分类规则对预设驾驶员进行驾驶风格分类，可以包括S111-S113(图中未示出)，具体的：
S111、基于主观分类规则对预设驾驶员进行驾驶风格分类，得到第一分类结果。
具体的，基于预设驾驶员在设定驾驶工况下的自我主观评价结果，以及设定驾驶工况的权重对预设驾驶员进行驾驶风格分类，得到第一分类结果。其中，设定驾驶工况的具体工况和数量可以根据实际情况进行设定，例如设定驾驶工况可以包括超车、超速、变道、转弯、跟车和掉头六种。针对每个设定驾驶工况可以设置多个问题，生成调查问卷以使预设驾驶员进行自我主观评价。问题的具体数量不限，问题涉及容易因驾驶习惯而导致的不同行为，例如针对转弯工况，提问车辆转弯时不减速，选项依次从发生频率最高到最低5个选项，依次分别对应5-1分。调查问卷中还可以包括预设驾驶员姓名、电话、年龄和驾龄等基本信息。
并且，设定驾驶工况的权重可以通过层次分析(Analytic Hierarchy Process，AHP)主观赋权法，对每个设定驾驶工况针对自动驾驶场景库建设全面性的影响进行权重赋值，权重总和为1。
将每份调查问卷中每个设定驾驶工况对应问题分数相加并乘以该设定驾驶工况的权重，得到该设定驾驶工况的得分，再对每个设定驾驶工况得分求和，得到每份调查问卷对应的预设驾驶员的主观评价分数。对全部预设驾驶员的主观评价分数进行k-means(k均值)聚类，可以将预设驾驶员按照驾驶风格分类为三类，每类平均分数从高到低对应于三大驾驶风格的类别。
S112、基于预设驾驶员的行驶数据和客观分类规则，对预设驾驶员进行驾驶风格分类，得到第二分类结果。
具体的，基于预设驾驶员在设定驾驶工况下的行驶数据，对预设驾驶员进行客观评价；基于客观评价结果以及设定驾驶工况的权重对预设驾驶员进行驾驶风格分类，得到第二分类结果。
预设驾驶员在设定驾驶工况下的行驶数据的采集可以通过抽取部分预设驾驶员进行实际行车测试，保证第一分类结果中的三类驾驶风格的预设驾驶员的比例为1：1：1。测试车辆可以选择未来智能汽车自动驾驶场景库采集车辆同车型车辆，并搭载数据采集设备，设备应采集的行驶数据可以至少包括：本车横纵向加速度，精度可以为0.1m/s2；本车速度，精度可以为0.1m/s；本车横摆角速度，精度可以为0.1゜/s；本车方向盘转角，精度可以为0.1゜/s；以车辆前挡风玻璃上边缘中点为顶点，正前方横向150°范围，纵向60°范围内至少5个道路内其他车辆的相对距离和相对车速；可录制视频；所有采集数据均具有绝对时间戳，精度可以为0.001s；行驶道路的限速值等。行驶路线可以选择车流量较少的路线，例如城市快速路或城市主干道等，并包括设定驾驶工况如超车、超速、变道、路口、转弯、跟车和掉头等工况，其中左右转弯个数相同，掉头至少1次，总里程可以设置在30km左右，行驶时间设置在1.5h左右，为保证设定驾驶工况的重复性，除掉头外，每个设定驾驶工况数量可以为至少3次，每个预设驾驶员进行至少一个驾驶循环。
进一步的，将每个预设驾驶员的行驶数据按照设定驾驶工况进行切割，并针对每个设定驾驶工况确定评价指标，计算指标特征，并再次运用层次分析主观赋权法对每种工况的评价指标进行主观权重赋值，将评价指标参数进行归一化处理，依据指标权重进行赋分，得到预设驾驶员的客观评价分数。对全部预设驾驶员的客观评价分数进行聚类，将预设驾驶员按照驾驶风格分类为三类，每类平均分数从高到低对应于三大驾驶风格的类别。
S113、根据第一分类结果、第二分类结果和主客观相关性，确定驾驶风格分类结果。
其中，第一分类结果表示主观分类结果，第一分类结果表示客观分类结果，将第一分类结果对应的主观评价分数、第二分类结果对应的客观评价分数以及主客观相关性结合考虑，确定最终的驾驶风格分类结果。主客观一致性可以通过斯皮尔曼等级相关系数来检测得到。
具体的，可以将斯皮尔曼等级相关系数值作为第一分类权重(即主观排序权重)和第二分类权重(即客观排序权重)的比值，系数小于1，权重和为1，确定第一分类权重和第二分类权重，再将第一分类结果中的主观评价分数乘以第一分类权重，以及第二分类结果中的客观评价分数乘以第二分类权重，并求和，得到预设驾驶员最终评价分数的排序。对全部预设驾驶员的最终评价分数进行k-means聚类，将预设驾驶员按照驾驶风格分类为三类，则每类平均分数从高到低对应于三大驾驶风格的类别。
示例性的，预设驾驶员的数量为6，则每个驾驶风格的人数为2人，一人备选，属于第一类驾驶风格(例如激进)的驾驶员可以为最终评价分数最高的两位预设驾驶员，属于第二类驾驶风格(例如谨慎)的驾驶员可以为最终评价分数最低的两位预设驾驶员，属于第三类驾驶风格(例如一般)的驾驶员可以为最终评价分数最接近中位数的两位预设驾驶员。
S120、根据驾驶风格分类结果确定采集驾驶员。
其中，采集驾驶员可以为用于进行汽车行驶环境信息采集的驾驶员。现有技术中，进行汽车行驶环境信息采集的驾驶员一般为一个，不会考虑驾驶员的驾驶风格对信息采集带来的影响，因此采集的信息可能不全面。本实施例中的采集驾驶员与驾驶风格相对应，即每个驾驶风格均设置对应的采集驾驶员，可以提高信息采集的维度，使汽车行驶环境信息更加完整及全面。
具体的，针对每个驾驶风格确定设定数量的预设驾驶员为采集驾驶员。其中，设定数量可以根据实际情况进行设定，本实施例中不作限定。例如，若设定数量可以为2，一人备选，在每个驾驶风格中确定两个预设驾驶员为采集驾驶员。
S130、基于采集驾驶员进行汽车行驶环境信息的采集。
具体的，基于驾驶风格分类结果确定采集驾驶员确定采集驾驶员之后，可以基于每个采集驾驶员进行汽车行驶环境信息的采集。例如，对于同一个汽车行驶环境，每个驾驶风格的采集驾驶员均进行信息的采集。
本实施例通过基于设定分类规则对预设驾驶员进行驾驶风格分类，根据驾驶风格分类结果确定采集驾驶员，基于采集驾驶员进行汽车行驶环境信息的采集。本实施例提供的技术方案，在进行汽车行驶环境信息的采集时充分考虑了不同风格的驾驶员对汽车行驶环境的影响，基于不同风格的驾驶员进行信息的采集，优化了汽车行驶环境信息的采集过程，提高了信息采集的维度，使汽车行驶环境信息更加完整及全面。
实施例二
图2为本发明实施例二中的汽车行驶环境信息的采集方法的流程图。本实施例在上述实施例的基础上，进一步优化了上述汽车行驶环境信息的采集方法。相应的，如图2所示，本实施例的方法具体包括：
S210、基于设定分类规则对预设驾驶员进行驾驶风格分类。
具体的，基于设定分类规则对预设驾驶员进行驾驶风格分类，可以包括：基于主观分类规则对预设驾驶员进行驾驶风格分类，得到第一分类结果；基于预设驾驶员的行驶数据和客观分类规则，对预设驾驶员进行驾驶风格分类，得到第二分类结果；根据第一分类结果、第二分类结果和主客观相关性，确定驾驶风格分类结果。
进一步的，基于主观分类规则对预设驾驶员进行驾驶风格分类，得到第一分类结果，可以包括：基于预设驾驶员在设定驾驶工况下的自我主观评价结果，以及设定驾驶工况的权重对预设驾驶员进行驾驶风格分类，得到第一分类结果。
进一步的，基于预设驾驶员的行驶数据和客观分类规则，对预设驾驶员进行驾驶风格分类，得到第二分类结果，可以包括：基于预设驾驶员在设定驾驶工况下的行驶数据，对预设驾驶员进行客观评价；基于客观评价结果以及设定驾驶工况的权重对预设驾驶员进行驾驶风格分类，得到第二分类结果。
S220、根据驾驶风格分类结果确定采集驾驶员。
其中，驾驶风格的数量为至少两个，采集驾驶员与驾驶风格相对应。针对每个驾驶风格确定设定数量的所述预设驾驶员为所述采集驾驶员。
S230、确定汽车行驶环境信息的采集区域。
其中，采集区域可以为用于进行汽车行驶环境信息采集的区域。现有技术中，汽车行驶环境信息需在全国典型地区进行覆盖式采集，由于在短时间内无法完成全范围、全行驶环境的采集任务，带来了成本高产出低的问题。本实施例中，通过获取的环境信息的分析，根据评价结果确定采集区域，提高了信息采集的效率，减少周转时间，降低成本提高了产出。
具体的，确定汽车形式环境信息的采集区域，可以包括S231-S233，其中:
S231、获取各目标区域中汽车行驶环境的外界因子对应的环境信息。
其中，目标区域可以根据实际情况进行设定，例如目标区域可以为城市、地区或洲等。本实施例中以目标区域为各个城市为例进行说明，目标区域的数量为至少两个。汽车行驶环境要素可以划分为本车要素和外界因子，本车要素可以包括行驶信息和定位信息，外界因子可以包括参与者、路旁设施、交通标识、路旁景观、道路、气象和光照等，其中参与者可以包括机动车、非机动车、行人、动物和行驶道路上的其他物体等等。环境信息包括数字信息和图像信息。
具体的，可以从互联网中获取各目标区域中汽车行驶环境的外界因子对应的环境信息，环境信息的获取来源本实施例中不作限定，不同外界因子对应的来源可以不同。例如若要获取外界因子中机动车的种类和数量，则可以通过国家统计局的网站获取不同种类机动车的周转量数据，例如货车的货运周转量和客车的客运周转量等等。
S232、基于环境信息得到各目标区域的评价积分。
具体的，获取到各目标区域中汽车行驶环境的外界因子对应的环境信息之后，可以对该环境信息中的数字信息直接制成表格和对图像信息进行统计处理得到不同颜色的像素数量，提取信息，进行归一化处理，得到各目标区域的评价积分。
参见图3，图3为本发明实施例二中的环境信息处理的示意图，图中以对图像信息的处理为例进行说明。其中，图3中的子图A为目标区域图，子图B为土地侵蚀空间分布图进行仿射变换之后的图，图中的虚线表示将子图A和子图B进行特征匹配，并且提取同时满足子图A和子图B像素条件的像素点数量，根据像素点数量绘制的表格如表1所示。
表1土地侵蚀评价表
| 像素点数量 | 微度 | 轻度 | 中度 | 强度 | 极强烈 | 剧烈 | 求和 | 评价积分 |
| 平均侵蚀模数(t/km<sup>2</sup>×a) | 200 | 500 | 2500 | 5000 | 8000 | 15000 | ||
| 北京 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.0000 |
| 福建 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.0000 |
| 甘肃 | 16 | 0 | 23 | 23 | 112 | 455 | 7896700 | 0.0877 |
| 广东 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.0000 |
| 河北 | 1 | 0 | 1 | 0 | 0 | 0 | 2700 | 0.0000 |
| 河南 | 58 | 5 | 0 | 0 | 0 | 0 | 14100 | 0.0002 |
| 黑龙江 | 21 | 0 | 0 | 0 | 0 | 0 | 4200 | 0.0000 |
| 吉林 | 170 | 0 | 0 | 0 | 0 | 0 | 34000 | 0.0004 |
| 内蒙古 | 237 | 564 | 35 | 51 | 528 | 1230 | 23345900 | 0.2593 |
| 宁夏 | 38 | 0 | 6 | 0 | 0 | 0 | 22600 | 0.0003 |
| 青海 | 12 | 11 | 1 | 4 | 84 | 31 | 1167400 | 0.0130 |
| 山西 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.0000 |
| 陕西 | 0 | 0 | 0 | 0 | 0 | 1 | 15000 | 0.0002 |
| 上海 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.0000 |
| 四川 | 5 | 1 | 0 | 0 | 0 | 0 | 1500 | 0.0000 |
| 天津 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.0000 |
| 西藏 | 0 | 0 | 23 | 0 | 0 | 0 | 57500 | 0.0006 |
| 新疆 | 177 | 13 | 347 | 1191 | 4862 | 2952 | 90040400 | 1.0000 |
| 云南 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.0000 |
| 浙江 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.0000 |
| 重庆 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.0000 |
其中，土地侵蚀的平均侵蚀模数按照严重程度可以划分为微度、轻度、中度、强度、极强烈和剧烈，评价积分为根据像素点数量求和并归一化得到。表1中可以看出不同城市的评价积分不同。
图3仅仅表示土地侵蚀的图像信息处理以及评价分数，本实施例中将全部外界因子的信息处理和归一化之后，可以得到评价矩阵，具体可以通过评价分数表表示，如表2所示。
表2评价分数表
表2中的外界因子可以包括高速公路路网密度、地貌曲折度、晴/雨概率、雾霾、乘用车、非汽车的机动车、路旁建筑、交通事故、主因和辅因等等，仅为示例，其他外界因子例如一级公路路网密度、沙尘、降雪、横风、商用车和动物等也可以适用。
S233、根据评价积分以及递推算法确定汽车行驶环境信息的采集区域。
具体的，基于环境信息得到各目标区域的评价积分之后，可以根据评价积分以及递推算法确定汽车行驶环境信息的采集区域，参见图4。图4为本发明实施例二中的采集区域确定的流程图，根据评价积分以及递推算法确定汽车行驶环境信息的采集区域，可以包括：S2331、城市积分计算，具体将超过积分阈值的评价积分与低于积分阈值的评价积分的和归一化得到；S2332、选择最高分城市，之后执行S2333和S2334；S2333、选择城市集合，即为选择的采集区域；S2334、确定最高分城市中超过积分阈值的外界因子；S2335、选择因素集合，即将确定的外界因子提取出，建立集合；S2336、循环结束判断，即确定是否全部外界因子提取出，若没有结束，则执行S2338，若结束，则执行S2337；S2337、结束；S2338、评价矩阵更新，即将评价矩阵中已经提取出的城市和外界因子删除，并返回执行S2331。
S240、基于采集驾驶员和采集区域进行汽车行驶环境信息的采集。
具体的，基于驾驶风格分类结果确定采集驾驶员确定采集驾驶员，并且确定汽车行驶环境信息的采集区域之后，可以基于每个采集驾驶员和采集区域进行汽车行驶环境信息的采集。
本实施例通过基于设定分类规则对预设驾驶员进行驾驶风格分类，根据驾驶风格分类结果确定采集驾驶员，确定汽车行驶环境信息的采集区域，基于采集驾驶员和采集区域进行汽车行驶环境信息的采集。本实施例提供的技术方案，在进行汽车行驶环境信息的采集时充分考虑了不同风格的驾驶员对汽车行驶环境的影响，基于不同风格的驾驶员进行信息的采集，优化了汽车行驶环境信息的采集过程，提高了信息采集的维度，使汽车行驶环境信息更加完整及全面；并且通过环境信息的分析及评价确定采集区域，提高了信息采集的效率，减少周转时间，降低成本提高了产出。
实施例三
图5为本发明实施例三中的汽车行驶环境信息的采集装置的结构示意图。本实施例可适用于对汽车行驶环境信息进行采集的情况。本发明实施例所提供的汽车行驶环境信息的采集装置可执行本发明任意实施例所提供的汽车行驶环境信息的采集方法，具备执行方法相应的功能模块和有益效果。该装置具体可以包括；
分类模块310，用于基于设定分类规则对预设驾驶员进行驾驶风格分类；
驾驶员确定模块320，用于根据驾驶风格分类结果确定采集驾驶员，驾驶风格的数量为至少两个，采集驾驶员与驾驶风格相对应；
采集模块330，用于基于采集驾驶员进行汽车行驶环境信息的采集。
本实施例通过基于设定分类规则对预设驾驶员进行驾驶风格分类，根据驾驶风格分类结果确定采集驾驶员，基于采集驾驶员进行汽车行驶环境信息的采集。本实施例提供的技术方案，在进行汽车行驶环境信息的采集时充分考虑了不同风格的驾驶员对汽车行驶环境的影响，基于不同风格的驾驶员进行信息的采集，优化了汽车行驶环境信息的采集过程，提高了信息采集的维度，使汽车行驶环境信息更加完整及全面。
进一步的，分类模块310包括：
第一分类单元，用于基于主观分类规则对预设驾驶员进行驾驶风格分类，得到第一分类结果；
第二分类单元，用于基于预设驾驶员的行驶数据和客观分类规则，对预设驾驶员进行驾驶风格分类，得到第二分类结果；
第三分类单元，用于根据第一分类结果、第二分类结果和主客观相关性，确定驾驶风格分类结果。
进一步的，第一分类单元具体用于：
基于预设驾驶员在设定驾驶工况下的自我主观评价结果，以及设定驾驶工况的权重对预设驾驶员进行驾驶风格分类，得到第一分类结果。
进一步的，第二分类单元具体用于：
基于预设驾驶员在设定驾驶工况下的行驶数据，对预设驾驶员进行客观评价；
基于客观评价结果以及设定驾驶工况的权重对预设驾驶员进行驾驶风格分类，得到第二分类结果。
进一步的，驾驶员确定模块320具体用于：
针对每个驾驶风格确定设定数量的预设驾驶员为采集驾驶员。
进一步的，装置还包括：区域模块，区域模块包括：
信息单元，用于获取各目标区域中汽车行驶环境的外界因子对应的环境信息，环境信息包括数字信息和图像信息，目标区域的数量为至少两个；
评价单元，用于基于环境信息得到各目标区域的评价积分；
区域确定单元，用于根据评价积分以及递推算法确定汽车行驶环境信息的采集区域。
进一步的，采集模块330具体用于：
基于采集驾驶员和采集区域进行汽车行驶环境信息的采集。
本发明实施例所提供的汽车行驶环境信息的采集装置可执行本发明任意实施例所提供的汽车行驶环境信息的采集方法，具备执行方法相应的功能模块和有益效果。
实施例四
图6为本发明实施例四中的设备的结构示意图。图6是本发明实施例四提供的一种设备的结构示意图。图6示出了适于用来实现本发明实施方式的示例性设备412的框图。图6显示的设备412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6所示，设备412以通用设备的形式表现。设备412的组件可以包括但不限于：一个或者多个处理器416，存储装置428，连接不同系统组件(包括存储装置428和处理器416)的总线418。
总线418表示几类总线结构中的一种或多种，包括存储装置总线或者存储装置控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry SubversiveAlliance，ISA)总线，微通道体系结构(Micro Channel Architecture，MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，PCI)总线。
设备412典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备412访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储装置428可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory，RAM)430和/或高速缓存存储器432。设备412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统434可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘，例如只读光盘(Compact Disc Read-Only Memory，CD-ROM),数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储装置428可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块442的程序/实用工具440，可以存储在例如存储装置428中，这样的程序模块442包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本发明所描述的实施例中的功能和/或方法。
设备412也可以与一个或多个外部设备414(例如键盘、指向终端、显示器424等)通信，还可与一个或者多个使得用户能与该设备412交互的终端通信，和/或与使得该设备412能与一个或多个其它计算终端进行通信的任何终端(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且，设备412还可以通过网络适配器420与一个或者多个网络(例如局域网(Local Area Network，LAN)，广域网(Wide Area Network，WAN)和/或公共网络，例如因特网)通信。如图6所示，网络适配器420通过总线418与设备412的其它模块通信。应当明白，尽管图中未示出，可以结合设备412使用其它硬件和/或软件模块，包括但不限于：微代码、终端驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks，RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器416通过运行存储在存储装置428中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的汽车行驶环境信息的采集方法，该方法包括：
基于设定分类规则对预设驾驶员进行驾驶风格分类；
根据驾驶风格分类结果确定采集驾驶员，驾驶风格的数量为至少两个，采集驾驶员与驾驶风格相对应；
基于采集驾驶员进行汽车行驶环境信息的采集。
实施例五
本发明实施例五还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的汽车行驶环境信息的采集方法，该方法包括：
基于设定分类规则对预设驾驶员进行驾驶风格分类；
根据驾驶风格分类结果确定采集驾驶员，驾驶风格的数量为至少两个，采集驾驶员与驾驶风格相对应；
基于采集驾驶员进行汽车行驶环境信息的采集。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中，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。
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。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或终端上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (9)
1.一种汽车行驶环境信息的采集方法，其特征在于，包括：
基于设定分类规则对预设驾驶员进行驾驶风格分类；
根据驾驶风格分类结果确定采集驾驶员，所述驾驶风格的数量为至少两个，所述采集驾驶员与所述驾驶风格相对应；
基于所述采集驾驶员进行汽车行驶环境信息的采集；
基于设定分类规则对预设驾驶员进行驾驶风格分类，包括：
基于主观分类规则对所述预设驾驶员进行驾驶风格分类，得到第一分类结果；
基于所述预设驾驶员的行驶数据和客观分类规则，对所述预设驾驶员进行驾驶风格分类，得到第二分类结果；
根据所述第一分类结果、所述第二分类结果和主客观相关性，确定所述驾驶风格分类结果。
2.根据权利要求1所述的方法，其特征在于，基于主观分类规则对所述预设驾驶员进行驾驶风格分类，得到第一分类结果，包括：
基于所述预设驾驶员在设定驾驶工况下的自我主观评价结果，以及所述设定驾驶工况的权重对所述预设驾驶员进行驾驶风格分类，得到所述第一分类结果。
3.根据权利要求1所述的方法，其特征在于，基于所述预设驾驶员的行驶数据和客观分类规则，对所述预设驾驶员进行驾驶风格分类，得到第二分类结果，包括：
基于所述预设驾驶员在设定驾驶工况下的行驶数据，对所述预设驾驶员进行客观评价；
基于客观评价结果以及所述设定驾驶工况的权重对所述预设驾驶员进行驾驶风格分类，得到所述第二分类结果。
4.根据权利要求1所述的方法，其特征在于，根据驾驶风格分类结果确定采集驾驶员，包括：
针对每个驾驶风格确定设定数量的所述预设驾驶员为所述采集驾驶员。
5.根据权利要求1所述的方法，其特征在于，基于所述采集驾驶员进行汽车行驶环境信息的采集之前，还包括：
获取各目标区域中汽车行驶环境的外界因子对应的环境信息，所述环境信息包括数字信息和图像信息，所述目标区域的数量为至少两个；
基于所述环境信息得到各所述目标区域的评价积分；
根据所述评价积分以及递推算法确定汽车行驶环境信息的采集区域。
6.根据权利要求5所述的方法，其特征在于，基于所述采集驾驶员进行汽车行驶环境信息的采集，还包括：
基于所述采集驾驶员和所述采集区域进行汽车行驶环境信息的采集。
7.一种汽车行驶环境信息的采集装置，其特征在于，包括：
分类模块，用于基于设定分类规则对预设驾驶员进行驾驶风格分类；
驾驶员确定模块，用于根据驾驶风格分类结果确定采集驾驶员，所述驾驶风格的数量为至少两个，所述采集驾驶员与所述驾驶风格相对应；
采集模块，用于基于所述采集驾驶员进行汽车行驶环境信息的采集；
分类模块，包括：
第一分类单元，用于基于主观分类规则对预设驾驶员进行驾驶风格分类，得到第一分类结果；
第二分类单元，用于基于预设驾驶员的行驶数据和客观分类规则，对预设驾驶员进行驾驶风格分类，得到第二分类结果；
第三分类单元，用于根据第一分类结果、第二分类结果和主客观相关性，确定驾驶风格分类结果。
8.一种汽车行驶环境信息的采集设备，其特征在于，所述采集设备包括：
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如权利要求1-6中任一所述的汽车行驶环境信息的采集方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的汽车行驶环境信息的采集方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910550142.8A CN110304068B (zh) | 2019-06-24 | 2019-06-24 | 汽车行驶环境信息的采集方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910550142.8A CN110304068B (zh) | 2019-06-24 | 2019-06-24 | 汽车行驶环境信息的采集方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110304068A CN110304068A (zh) | 2019-10-08 |
| CN110304068B true CN110304068B (zh) | 2021-02-19 |
Family
ID=68077469
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910550142.8A Active CN110304068B (zh) | 2019-06-24 | 2019-06-24 | 汽车行驶环境信息的采集方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110304068B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112565468B (zh) * | 2021-02-22 | 2021-08-31 | 华为技术有限公司 | 一种驾驶场景识别方法及其系统 |
| CN113119999B (zh) * | 2021-04-16 | 2024-03-12 | 阿波罗智联(北京)科技有限公司 | 自动驾驶特征的确定方法、装置、设备、介质及程序产品 |
| CN113232669B (zh) * | 2021-05-21 | 2022-05-17 | 中国第一汽车股份有限公司 | 一种基于机器学习的驾驶风格辨识方法 |
| CN113401130B (zh) * | 2021-06-25 | 2022-10-18 | 华人运通(江苏)动力电池系统有限公司 | 基于环境信息的驾驶风格识别方法、设备及存储介质 |
| CN114084154B (zh) * | 2021-09-30 | 2024-03-15 | 广州文远知行科技有限公司 | 一种自动驾驶系统参数的配置方法、装置及系统 |
| CN114228722B (zh) * | 2021-12-06 | 2023-10-24 | 上海前晨汽车科技有限公司 | 驾驶风格划分方法、装置、设备、存储介质和程序产品 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8280601B2 (en) * | 2008-07-24 | 2012-10-02 | GM Global Technology Operations LLC | Adaptive vehicle control system with integrated maneuver-based driving style recognition |
| DE102016222957A1 (de) * | 2016-11-22 | 2018-05-24 | Audi Ag | Verfahren zur Ermittlung einer Fahrstilinformation |
| CN106873584A (zh) * | 2017-01-11 | 2017-06-20 | 江苏大学 | 无人驾驶汽车仿人转向规则库的建立方法 |
| CN107585164B (zh) * | 2017-09-04 | 2019-11-22 | 交通运输部公路科学研究所 | 一种分类驾驶员的方法及装置 |
| CN108995653B (zh) * | 2018-07-06 | 2020-02-14 | 北京理工大学 | 一种驾驶员驾驶风格识别方法及系统 |
| CN108944944B (zh) * | 2018-07-09 | 2020-04-10 | 深圳市易成自动驾驶技术有限公司 | 自动驾驶模型训练方法、终端及可读存储介质 |
-
2019
- 2019-06-24 CN CN201910550142.8A patent/CN110304068B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110304068A (zh) | 2019-10-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110304068B (zh) | 汽车行驶环境信息的采集方法、装置、设备和存储介质 | |
| US20240119536A1 (en) | Vehicle operation analytics, feedback, and enhancement | |
| CN107784587B (zh) | 一种驾驶行为评价系统 | |
| Najafi Moghaddam Gilani et al. | Data‐Driven Urban Traffic Accident Analysis and Prediction Using Logit and Machine Learning‐Based Pattern Recognition Models | |
| Ferreira et al. | The impact of driving styles on fuel consumption: A data-warehouse-and-data-mining-based discovery process | |
| CN110288096B (zh) | 预测模型训练及预测方法、装置、电子设备、存储介质 | |
| CN102208013B (zh) | 风景匹配参考数据生成系统和位置测量系统 | |
| Kovaceva et al. | Identification of aggressive driving from naturalistic data in car-following situations | |
| WO2021082464A1 (zh) | 预测车辆的目的地的方法和装置 | |
| WO2022033288A1 (zh) | 超载车辆识别方法、系统及设备 | |
| CN113155173B (zh) | 感知性能评测方法、装置、电子装置和存储介质 | |
| CN112447041A (zh) | 识别车辆的营运行为的方法、装置及计算设备 | |
| Wu et al. | Clustering of several typical behavioral characteristics of commercial vehicle drivers based on GPS data mining: Case study of highways in China | |
| You et al. | PANDA: predicting road risks after natural disasters leveraging heterogeneous urban data | |
| CN116753938A (zh) | 车辆测试场景生成方法、装置、存储介质及设备 | |
| CN115757628A (zh) | 车辆碰撞检测方法、装置、设备及介质 | |
| CN110555425A (zh) | 一种视频流实时行人检测方法 | |
| Hu et al. | An image-based crash risk prediction model using visual attention mapping and a deep convolutional neural network | |
| Bäumler et al. | Report on validation of the stochastic traffic simulation (Part B) | |
| CN112732446B (zh) | 一种任务处理方法、装置及存储介质 | |
| CN114169247A (zh) | 仿真交通流的生成方法、装置、设备和计算机可读存储介质 | |
| CN114895274A (zh) | 一种护栏识别方法 | |
| CN114722931A (zh) | 车载数据处理方法、装置、数据采集设备和存储介质 | |
| Liu et al. | Using classification and regression tree and dimension reduction in analyzing motor vehicle traffic accidents | |
| CN113147781A (zh) | 一种汽车智能驾驶信息展示系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231218 Address after: No.1, xinhongqi street, automobile economic and Technological Development Zone, Changchun, Jilin Province Patentee after: China Faw Co.,Ltd. Patentee after: CHANGCHUN AUTOMOTIVE TEST CENTER Co.,Ltd. Address before: No. 8899, Dongfeng Street, Changchun automobile economic and Technological Development Zone, Changchun City, Jilin Province, 130011 Patentee before: China Faw Co.,Ltd. |