CN110503743B - 一种自动驾驶车辆的异常检测方法、装置和设备 - Google Patents

一种自动驾驶车辆的异常检测方法、装置和设备 Download PDF

Info

Publication number
CN110503743B
CN110503743B CN201910740311.4A CN201910740311A CN110503743B CN 110503743 B CN110503743 B CN 110503743B CN 201910740311 A CN201910740311 A CN 201910740311A CN 110503743 B CN110503743 B CN 110503743B
Authority
CN
China
Prior art keywords
vehicle
behavior result
surrounding vehicles
behavior
data
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
Application number
CN201910740311.4A
Other languages
English (en)
Other versions
CN110503743A (zh
Inventor
王成俊
白勍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Geely Holding Group Co Ltd
Zhejiang Geely Automobile Research Institute Co Ltd
Original Assignee
Zhejiang Geely Holding Group Co Ltd
Zhejiang Geely Automobile Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Geely Holding Group Co Ltd, Zhejiang Geely Automobile Research Institute Co Ltd filed Critical Zhejiang Geely Holding Group Co Ltd
Priority to CN201910740311.4A priority Critical patent/CN110503743B/zh
Publication of CN110503743A publication Critical patent/CN110503743A/zh
Application granted granted Critical
Publication of CN110503743B publication Critical patent/CN110503743B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data

Abstract

本发明涉及智能驾驶技术领域，尤其涉及一种自动驾驶车辆的异常检测方法、装置和设备。所述方法包括获取车辆的当前轨迹状态信息、表征当前环境的语义数据和周围车辆的轨迹状态信息；基于车辆行为预测模型对所述车辆的当前轨迹状态信息、表征当前环境的语义数据和周围车辆的轨迹状态信息进行车辆行为预测，得到所述车辆和/或周围车辆在预设时间段内的预测行为结果；获取所述车辆和/或周围车辆在所述预设时间段内的实际行为结果；获取所述预测行为结果和实际行为结果之间的车辆行为结果偏差；根据所述车辆行为结果偏差对所述车辆和/或所述周围车辆的状态进行异常识别。本发明能够提高车辆的自动驾驶的安全性和可控性，改善用户体验。

Description

一种自动驾驶车辆的异常检测方法、装置和设备
技术领域
本发明涉及智能驾驶技术领域，尤其涉及一种自动驾驶车辆的异常检测方法、装置和设备。
背景技术
随着科技的进步，自动驾驶技术成为当前汽车行业的热点。贯穿整个自动驾驶过程中，对实时动态交通流和车辆行为的预测分析是必不可少的，用以判断车辆的状态是否存在异常。通过获取车辆异常信息，可以预知车辆驾驶中可能存在的潜在隐患和威胁，以便车辆或驾驶员进行排查和采取应对措施。
然而现有的车辆的异常检测方式大多是对车辆轨迹进行预测，缺乏泛化能力和数据来源，并且在预测训练过程中需要大量的人工对数据进行筛选和标记。同时缺乏判别车辆异常的统一标准，存在将异常状况误判为正常状况的风险。此外，现有技术通常是通过对车辆行驶过程中的信号和运行参数进行分析和推导，从而得出车辆的异常状态，成本较高，存在滞后性，并且仅对车辆的异常状态进行检测，而忽略了驾驶员对车辆的操控、环境等其它因素对车辆状态的影响。
因此需要提供一种具有高效、准确的自动驾驶车辆的异常检测方法，以提高车辆自动驾驶的安全性和可控性，改善用户体验。
发明内容
本发明提供了一种自动驾驶车辆的异常检测方法、装置和设备，可以提高车辆的自动驾驶的安全性和可控性，改善用户体验。
一方面，本发明提供了自动驾驶车辆的异常检测方法，所述方法包括：
获取车辆的当前轨迹状态信息、表征当前环境的语义数据和周围车辆的轨迹状态信息；
基于车辆行为预测模型对所述车辆的当前轨迹状态信息、表征当前环境的语义数据和周围车辆的轨迹状态信息进行车辆行为预测，得到所述车辆和/或周围车辆在预设时间段内的预测行为结果；
获取所述车辆和/或周围车辆在所述预设时间段内的实际行为结果；
获取所述预测行为结果和实际行为结果之间的车辆行为结果偏差；
根据所述车辆行为结果偏差对所述车辆和/或所述周围车辆的状态进行异常识别。
另一方面，本发明提供了一种自动驾驶车辆的异常检测装置，所述装置包括：
信息获取单元：用于获取车辆的当前轨迹状态信息、表征当前环境的语义数据和周围车辆的轨迹状态信息；
行为预测单元：基于车辆行为预测模型对所述车辆的当前轨迹状态信息、表征当前环境的语义数据和周围车辆的轨迹状态信息进行车辆行为预测，得到所述车辆和/或周围车辆在预设时间段内的预测行为结果；
真实行为获取单元：用于获取所述车辆和/或周围车辆在所述预设时间段内的实际行为结果；
偏差计算单元：用于获取所述预测行为结果和实际行为结果之间的车辆行为结果偏差；
异常确定单元：用于根据所述车辆行为结果偏差对所述车辆和/或所述周围车辆的状态进行异常识别。
另一方面，本发明提供了一种自动驾驶车辆的异常检测设备，包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述的自动驾驶车辆的异常检测方法。
另一方面，本发明提供了一种车辆，包括上述的自动驾驶车辆的异常检测设备。
本发明提供的自动驾驶车辆的异常检测方法、装置、设备和车辆，具有如下技术效果：
本发明采用车辆行为预测模型，根据车辆的环境信息和轨迹状态信息获取预测行为结果，以预测行为结果为基准，判断车辆的实际行为结果是否正常，以确定车辆是否存在异常状态，为车辆或驾驶员进行排查和应对提供依据。本发明能够减少车辆异常检测分析所需的时间，降低成本和检测的滞后性影响，避免异常检测分析数据单一造成的误判。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。
图1是本发明实施例提供的一种自动驾驶方法的流程图；
图2是本发明实施例提供的基于大量车辆行为结果偏差的数据得到的误差分析曲线图；
图3是对图2中误差分析曲线进行统计学概率密度分析得到的曲线图；
图4是本发明实施例提供的仿真环境材质图片数据的处理过程图示；
图5是本发明实施例提供的表征仿真环境的语义数据、仿真轨迹数据集和状态分类数据集进行数据的组合方式图；
图6-图7是本发明实施例提供的预设双重神经网络模型的结构图；
图8是本发明实施例提供的利用卷积网络对表征仿真环境的语义数据进行特征提取的结构流程图；
图9是本发明实施例提供的采用全连接网络对仿真轨迹数据集和状态分类数据集进行特征提取的结构流程图；
图10是本发明实施例提供的基于长短期记忆网络对合并特征向量进行整体特征提取的结构流程图；
图11是本发明实施例提供的预设双重神经网络模型对整体特征进行全连接的特征提取的结构流程图；
图12是本发明实施例提供的一种自动驾驶装置的示意图。
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，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。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
请参阅图1，本发明实施例提供自动驾驶车辆的异常检测方法，图1是所述方法的流程示意图。本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置、设备或系统产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。请参考图1，所述方法可以包括：
S100：获取车辆的当前轨迹状态信息、表征当前环境的语义数据和周围车辆的轨迹状态信息。
本说明书实施例中，可以通过但不限于车辆的环境感知系统获取当前环境中的图像信息，对所述图像信息进行语义提取，获得所述表征当前环境的语义数据。所述当前轨迹状态信息可以表征所述车辆的实时的行驶轨迹和行驶状态，所述当前轨迹状态信息可以包括但不限于车辆的位置状态数据，可以包括车辆的坐标、状态、运行参数等。所述周围车辆的轨迹状态信息可以表征所述周围车辆的实时的行驶轨迹和行驶状态，可以包括但不限于周围车辆的位置状态数据，可以包括周围车辆的坐标、状态、运行参数等。
在实际应用中，所述周围车辆可以表征所述当前环境中与所述车辆最接近的M辆其它车辆。
具体实施例中，可以通过获取周围车辆的运行参数等得到其轨迹状态信息，也可以通过与所述周围车辆的通信以接收周围车辆发送的轨迹状态信息，或者还可以基于获取的周围车辆的图像信息得到其轨迹状态信息。
S200：基于车辆行为预测模型对所述车辆的当前轨迹状态信息、表征当前环境的语义数据和周围车辆的轨迹状态信息进行车辆行为预测，得到所述车辆和/或周围车辆在预设时间段内的预测行为结果。
如此，采用车辆行为预测模型基于上述各数据和信息进行车辆行为预测，避免单一的通过信号状态进行分析和推导，降低预测成本。同时可以基于环境和车辆自身等多种因素得到更准确的预测结果。
本说明书实施例中，所述预测行为结果包括在预设时间段内的所述车辆和/或周围车辆的轨迹预测结果和状态预测结果。
在实际应用中，所述预测行为结果可以包括但不限于所述车辆和/或所述周围车辆的行驶轨迹预测、动作预测、驾驶行为预测等，例如车辆和/或周围车辆的行驶方向、速度变化、转向信号、交叉路口等待等。
S300：获取所述车辆和/或周围车辆在所述预设时间段内的实际行为结果。
本说明书实施例中，所述实际行为结果包括在预设时间段内的所述车辆和/或周围车辆的实际轨迹结果和实际状态结果。
在实际应用中，所述实际行为结果可以包括但不限于所述车辆和/或所述周围车辆的实际行驶轨迹、实际动作、实际驾驶行为等。
S400：获取所述预测行为结果和实际行为结果之间的车辆行为结果偏差。
本说明书实施例中，所述预测行为结果和实际行为结果可能包含表征多项或多种行为类别的结果参数或方程，所述车辆行为结果偏差可以表征所述预测行为结果与所述实际行为结果中对应项或行为类别的结果参数或方程的误差集合。
S500：根据所述车辆行为结果偏差对所述车辆和/或所述周围车辆的状态进行异常识别。
本说明书实施例中，可以以所述预测行为结果为基准，判断所述车辆的实际行为结果是否存在异常，进而实现车辆和/或周围车辆的异常识别。
需要注意的是，车辆的异常状态可能是一种输出常态，例如轮胎漏气时，车辆自身的输出几乎都存在异常，基于车辆自身的输出得到的统计分析可能会将所有异常状态标记为正常状态，从而无法识别出异常。所述车辆行为预测模型基于大量的车辆行为数据构建，其模型本身输出的是对车辆正常状态的一种分析，当将所述当前轨迹状态信息、表征当前环境的语义数据和周围车辆的轨迹状态信息输入车辆行为预测模型后，得到的输出结果即可作为车辆正常状态下应有的行为结果。因此，采用车辆行为预测模型能够提高车辆异常检测的准确性。
综上，本发明采用车辆行为预测模型，根据车辆的环境信息和轨迹状态信息获取预测行为结果，以预测行为结果为基准，判断车辆的实际行为结果是否正常，以确定车辆是否存在异常状态，为车辆或驾驶员进行排查和应对提供依据。本发明能够减少车辆异常检测分析所需的时间，降低成本和检测的滞后性影响，避免异常检测分析数据单一造成的误判。
基于上述具体实施方式，在本说明书实施例中，所述方法还可以包括：
S600：确定所述车辆和/或所述周围车辆的状态出现异常的时间集合。
S700：获取所述时间集合内的所述车辆和/或所述周围车辆的运行参数和环境信息。
S800：基于所述运行参数和环境信息确定所述车辆和/或所述周围车辆状态异常的诱发因素。
本说明书实施例中，所述车辆和/或周围车辆的状态是以时间排序的，通过对异常状态出现的时间段中运行参数和环境信息的提取和分析，可以推测车辆发生异常的诱发因素，所述诱发因素包括但不限于车辆系统驾驶员异常干预、车辆部件损坏、动力系统能源不足等。
基于上述具体实施方式，在具体实施例中，所述步骤S500可以包括：
S5001：获取车辆行为结果偏差对应的概率分布子模型；
本说明书实施例中，所述车辆行为结果偏差的计算公式可以为：errorn＝truthn-predictn(1)；其中，errorn可以表征车辆行为结果偏差所对应的误差方程或数据矩阵，truthn可以表征实际行为结果所对应的实际结果方程或数据矩阵，predictn可以表征预测行为结果所对应的预测结果方程或数据矩阵。
在实际应用中，所述概率分布子模型可以是基于大量车辆行为偏差的实验数据获得的。可以是根据车辆行为预测模型在自动驾驶模拟仿真环境或实际环境中对车辆行为进行预测，得到一定量的车辆行为偏差数据，通过对车辆行为偏差数据的计算处理得到分析曲线，进而对分析曲线进行统计学概率密度分析得到车辆行为结果偏差对应的概率分布子模型。
S5002：基于所述概率分布子模型确定所述车辆行为结果偏差所对应的所述实际行为结果的发生概率；
S5003：若所述实际行为结果的发生概率不满足预设概率条件，确定所述车辆和/或所述周围车辆的状态存在异常。
在一些实施例中，所述车辆行为结果偏差的概率分布子模型满足高斯分布。
需要注意的是，所述车辆行为预测模型的预测行为结果也可能存在误差，当其预测精度满足预设准确率阈值时，可以确定该模型能够应用于车辆的行为预测。例如，车辆行为预测模型的准确度子模型符合高斯分布，根据高斯分布公式：
Figure BDA0002163704580000081
可知，当所述预设准确率阈值为95％时(x/y>0.95)，即车辆行为预测模型的准确度大于95％，根据3sigma准则，此时可以忽略预测行为结果的误差，该模型可以被应用于车辆行为结果预测。根据3sigma准则，所述预设概率条件对应的高斯分布曲线的区域的置信度超过99.7％。
示例的，基于上述车辆行为结果偏差的计算公式(1)：errorn＝truthn-predictn。基于连续的基于时序的当前数据的输入，可以得到一系列基于时序的车辆行为结果偏差的数据集。
进一步地，所述概率分布子模型可以通过对车辆行为结果偏差的数据集的统计分析确定，如图2-图3所示。基于车辆行为预测模型对实车的行为结果进行预测，得到大量车辆行为结果偏差的数据集，根据该数据集得到如图2中的误差分析曲线，通过对该误差分析曲线进行统计学概率密度分析得到如图3所示的曲线，考虑到采集到的车辆行为偏差数据有限以及统计误差，根据图3中曲线的形状可以推断车辆行为偏差的概率分布子模型满足高斯分布。
进一步地，当数据符合高斯分布时，数据均值在一定范围之内出现的频率越高，越是远离数据均值的数据，出现的频率越低，当数据频率出现概率小于一定阈值时，即可认为其状态为异常状态。
在一些实施例中，所述预设概率条件包括所述实际行为结果的发生概率大于等于所述概率分布子模型中正态均值加减三倍标准差所在区间之内对应的概率。具体地，所述预设概率条件遵循3sigma准则。
在一个具体实施例中，基于车辆行为预测模型可以得到车辆和/周围车辆的基于时序的车辆行为偏差数据，基于上述公式(1)，可得到车辆行为偏差数据集合：
(error1，error2，…，errorn)n∈t
其均值Eμ为：
Figure BDA0002163704580000091
上述均值Eμ随着时间的累积而不断变化，直至均值Eμ趋于稳定。当均值Eμ变化量满足预设变化条件时，可以认为数据已经趋于稳定，其概率分布满足高斯分布，例如所述预设变化条件可以为均值Eμ每5分钟的变化率小于0.001时，可以表示为：Δe＜0.001/5min。
进一步地，可以得到该车辆行为偏差数据对应的协方差矩阵Eσ为：
Figure BDA0002163704580000092
进一步地，其对应的概率密度函数为：
Figure BDA0002163704580000093
以及其预设概率条件对应的误差临界阈值为：λ＝3Eσ。
进一步地，将所得到的各车辆行为结果偏差的值代入上述公式(5)，即可得到其对应的概率密度分布值p(E)，即车辆行为结果偏差所对应的所述实际行为结果的发生概率，当p(E)小于λ时，即可判断该预设时间段内车辆处于异常状态。
进一步地，所述车辆和/或周围车辆的状态是以时间排序的，由于异常状态为时间序列，当连续的k个异常状态出现时，假设检测到的第一个异常状态出现的时间为Ti，检测到的最后一个异常状态出现的时间为Tj，可知k＜j-i。在车辆和/或周围车辆的实际运行状态下，考虑到异常检测的滞后性等因素，异常状态在Ti之前已经出现，当Tj结束时尚未结束。
进一步地，拟定异常状态出现为在Ti之前的第一个均值点(即概率峰值)，异常状态结束为在Tj之后的第一个均值点。即可得到所述车辆和/或所述周围车辆的状态出现异常的时间集合[Ts,Te]，其中Ts为异常状态出现的起始时间，Te为异常状态出现的结束时间。
进一步地，对得到的若干个预设时间段的数据序列进行分析预测，最终可得到整个过程中的出现异常状态的时间集合的二维矩阵，具体如下：
Figure BDA0002163704580000101
最后将各个异常状态的时间集合输出，便可以得到车辆在行驶过程中的出现异常状态的时间集合，获取并分析这些时间集合内的车辆和/或周围车辆的运行参数和环境信息，便可以得到车辆和/或所述周围车辆的状态以及异常状态的诱发因素。
基于上述具体实施方式，在具体实施例中，所述车辆行为预测模型可以包括采用下述方式确定：
S2001：获取自动驾驶模拟仿真环境中的基于车辆视角的仿真环境信息和所述车辆的仿真位置状态信息。
在实际应用中，自动驾驶模拟仿真环境可以模拟出近乎真实场景99％以上的效果，通过计算机建模可以快速模拟出任意交通场景。
具体实施例中，车辆的仿真位置状态信息可以包括但不限于车辆在仿真环境中的坐标、状态、运行参数等。
S2002：将所述仿真环境信息和车辆的位置状态信息转换为预设格式的训练数据集。
S2003：基于所述训练数据集对预设双重神经网络模型进行车辆的行为结果预测的迭代训练，得到所述车辆行为预测模型。
基于上述具体实施方式，在具体实施例中，所述仿真环境信息包括仿真环境图像信息和周围车辆的仿真位置状态信息；所述步骤S2002可以包括：
S2002a：将所述仿真环境图像信息转换为表征仿真环境的语义数据；
S2002b：将所述周围车辆的仿真位置状态信息和车辆的仿真位置状态信息转换为仿真轨迹数据集和状态分类数据集。
S2002c：基于时序对所述表征仿真环境的语义数据、仿真轨迹数据集和状态分类数据集进行数据组合，得到所述训练数据集。
如此，利用自动驾驶模拟仿真环境能够高效的获取所需要的数据和信息，能够快速模拟包括环境，物理，动力学，天气，特殊情况等各种场景，极大的降低车辆行为预测模型的训练时间，进而降低车辆测试的时间成本。
在实际应用中，所述仿真环境图像信息可以包括但不限于仿真环境材质图片数据。如此，便于转换为语义分割的语义数据。
采用语义数据的格式代替仿真环境图像信息的原有格式作为输入的方式，信息量单元更小，聚焦的特征信息更加集中，相对数据计算量更小，容易收敛；其次从自动驾驶模拟仿真环境提取的仿真环境图像信息与真实环境多少会有偏差，无法真实反映实际的情况，而经过语义分割处理后，表征自动驾驶模拟仿真环境和真实环境的数据信息几乎完全一样，避免了相对误差。同时，从自动驾驶模拟仿真环境进行语义分割处理非常容易，其结果精度极高，可以作为ground truth输入使用，同时实际环境中的自动驾驶车辆，对获取的图像信息进行语义分割是其获取数据过程中必不可少的一环，因此用语义数据作为输入更加高效且准确。
在一些实施例中，所述自动驾驶模拟仿真环境的运行系统可以包括但不限于渲染模块，用于输出车辆视角的仿真环境图像信息，以及动力学模块，用于输出车辆和/或周围车辆的仿真位置状态信息。其中，所述渲染模块可以包括3D图像引擎。
需要注意的是，上述仿真环境环境信息和车辆的仿真位置状态信息在自动驾驶模拟仿真环境很容易获取，而数据收集频率一定程度上决定了数据的质量和计算量，采集数据的时间间隔太大会造成精度下降，不能拟合实际情况，预测结果不准确，过密集的数据采集会导致计算量巨大，输出结果滞后，因此，需要确定合适的数据采集频率。
例如，在一个具体实施例中，可以按照每0.1秒采集一次数据的方式。对于传统摄像头来说，0.1秒相当于3帧(传统摄像头的帧数约为30帧/s)，2张图片之间的差异相对比较明显，较为容易通过预设双重神经网络模型提取出差异特征，同时帧数为整数，在真实场景下的摄像头采集的时间间隔也比较精确。此外对于正常行驶的车辆来说其速度区间通常在[0 120]之间相对距离公式为：ΔS＝vXΔt；，取其平均速度为：
Figure BDA0002163704580000121
由此可以得到相对平均距离：ΔS≈60÷3.6(转化成m/s)X0.1≈1.67m，而速度区间对应的约束范围同时带入相对距离公式可得到距离区间为[03.33]，这个距离区间范围对于预设双重神经网络模型来说是较合适的区间，同时可以满足快速收敛以及精度的需求。
进一步地，设帧间隔Δt＝0.1s，起始时间为time0，帧数为f，车辆数M为8，收集到的所有仿真环境信息和车辆的仿真位置信息的数据集为：
Figure BDA0002163704580000122
Figure BDA0002163704580000123
f∈[0 N]
其中，imgtime0+fXΔt表征车辆的仿真位置数据集，tracetime0+fXΔt表征车辆的仿真状态数据集，R、G、B分别表征红、绿、蓝的值，w和h分别表征宽度和高度，x和y表征车辆的位置坐标。其中，w和h可以取整。
示例的，所述仿真环境图像信息为仿真环境材质图片数据，其具有3通道，格式为一个[w h]的图片矩阵，每个元素的信息是一个[B G R]的颜色格式矩阵，最终得到一个[wh 3]的张量：
Figure BDA0002163704580000124
进一步地，将上述格式的仿真环境材质图片数据处理为语义数据，例如[256 256]的灰度语义分割矩阵，如此，可以在降低色彩空间、减少信息量的同时保证数据精度。
具体地，得到的语义数据和材质图片数据最大的区别在于没有光线引起的颜色变换，例如，对于采用直射ADS光照模型的3D图像引擎，其光照单元的计算是逐偏远的计算，通过对语义数据图元的顶点的3个参数Ambient，Diffuse和Specular进行光照的计算，并根据其法线进行计算得到每个顶点的光照数值之后对其插值，然后运用在每个像素上，其光照模型公式如下：
Ambient＝La×Ka
Diffuse＝Ld×Kd×(s·n)
Specular＝Ls×Ks×(r·v)h
L0＝Ambient+Diffuse+Specular
Figure BDA0002163704580000131
其中，La表征环境光强度，Ka表征环境光反射率，Ld表征漫反射光强度，Kd表征材质漫反射率，Ls表征镜面光强度，Ks表征材质镜面反射率，s表征顶点到光源的单位向量，n表征顶点的法线单位向量，r表征完全反射向量，v表征顶点到摄像机的方向向量，f表征镜面高光，k0，k1和k2分别为可变参数。
通过对图像中的常用客体赋予特定材质，例如，定义天空为白色(200，200,200)，地面为灰色(87,87,87，)，车辆为红色(240，5，6)，如图4所示，代入上述光照模型公式可得到颜色范围空间为：白色约为[175 225]，[175 225]，[175 225]，灰色约为[80 95]，[8095]，[80 95]，红色约为[198 255]，[0 20]，[0 20]，通过对色彩区域的范围判定便可将已经被光照作用的材质还原成特定单一色调。
处理完毕后将图片数据转化为灰度语义分割矩阵，可将颜色空间转化为单一维度，可得到单张为[256 256]的2维向量，格式如下：
Figure BDA0002163704580000132
最后得到自动驾驶模拟仿真环境中语义数据集为[size 256 256]的张量，其中，size表征获得的语义数据集的大小，例如size为10万，表征语义数据集中的数据量为10万个。
进一步地，所述车辆和/或周围车辆的仿真位置状态信息为一个[m 3]的数据矩阵，其中，第一维度m表征车辆的序号，第二维度3表征车辆和/或周围车辆的仿真位置状态信息，分别为：[x坐标y坐标s车辆状态]。
在一个具体实施例中，M可以为8，即车辆及周围车辆的总车辆数为8，x和y为当前车辆的坐标，例如为笛卡尔绝对坐标，S表示车辆状态，车辆的状态分类可以包括但不限于正常、加速、刹车、左变道、右变道等，每个状态分类可以对应不同的编号。当采集数据的总车辆数不满8辆时，不足车辆部分的仿真位置状态信息以[0 0 0]补足，所述周围车辆为距离所述车辆相对距离最小的其它车辆。最终所得到的[m 3]的数据矩阵为一个张量，例如，得到的[m 3]的数据矩阵具体如下：
Figure BDA0002163704580000141
进一步地，将仿真位置状态信息[x坐标y坐标s车辆状态]拆分，分别取前两维度和最后一个维度，可得到仿真轨迹数据集[size m 2]和状态分类数据集[size m q]，其中2表征车辆序号为m的x坐标和y坐标，q表征车辆序号为m的各状态分类的概率集合，例如状态1(96％)，状态2(3％)，状态3(0.2％)……，其中，size表征原始数据集的大小。
再进一步地，将所述表征仿真环境的语义数据、仿真轨迹数据集和状态分类数据集进行数据组合，由于上述数据具有时序性，需要对其进行时序性历史划分，例如以memory长度作为时序长度，如图5所示，将[0，memory-1]作为第一组数据，[1，memory]作为第二组数据，依次类推。同时以predict长度表征预设时间段的长度，[memory，memory+predict–1]作为第一组预测数据，[memory+1，memory+predict]作为第二组预测数据，依次类推。便可得到整体数据集长度length为：length＝size–memory–predict。
综上，组合语义数据的集得到imgData→[length memory 256 256]；组合仿真轨迹数据集得到traceData→[length memory m 2]，以及traceLabel→[length memory m2]；组合状态数据集得到stateLabel→[length memory m q]。
在一些实施例中，在上述数据处理完成后，还需进一步采取归一化处理，以便在预设双重神经网络模型的迭代训练过程中加速其收敛速度。归一化处理的目标是将上述数据集的特征值映射在[-1 1]，通过对区间的缩放达到目标。例如对上述数据采用min-maxNormalization的归一化方式，具体如下：
定义上述所有的数据集为R，数据长度为l：
rmax＝Max(r0,r1,…,ri)r∈R,i∈l
rmin＝Min(r0,r1,…,ri)r∈R,i∈l
可得到上述所有的数据集归一化处理后的结果如下：
Ri＝[(ri-rmin)÷(rmax-rmin)X2-1]r∈R,i∈l。
其中，r表征单个数据。
基于上述具体实施方式，在具体实施例中，所述步骤S2003可以包括：
S2003a：采用卷积网络对所述表征仿真环境的语义数据进行特征提取，获取第一特征向量；
S2003b：采用全连接网络对所述仿真轨迹数据集和状态分类数据集进行特征提取，获取第二特征向量；
S2003c：将所述第一特征和所述第二特征合并，得到合并特征向量；
S2003d：基于长短期记忆网络对所述合并特征向量进行特征提取，得到所述车辆和周围车辆的基于时序的行车轨迹数据和状态数据的集合；
S2003e：采用全连接网络对所述基于时序的行车轨迹数据和状态数据的集合进行数据处理，得到所述车辆和/或周围车辆的预测行为结果。
其中，长短期记忆网络(LSTM)是一种基于记忆的神经网络，适合处理时间序列的模型。由于它的特殊结构，可以保持前面一段历史的记忆信息。而在研究自动驾驶的过程中，数据和信息都是以时间序列存在的，车辆的状态、行为以及轨迹，都与之前的状态、行为以及轨迹强相关，基于LSTM对时间序列信息进行保留及处理，所得到的车辆行为预测模型更具有时效性。
在一些实施例中，所述预设双重神经网络模型基于深度神经网络构建，相对于传统人工智能算法，采用深度神经网络的方式进行迭代训练，可以无需考虑中间的计算推理过程。对于2X2维度的数据标签进行input层的输入，经过hidden层，最后可以得到output层的输出，即预测时间段的长度为predict的轨迹预测结果和状态预测结果的2维输出。
确定了输入的数据维度分别为：
INPUT1→[memory 256 256]
INPUT2→[memory m 2]
以及，输出的数据维度分别为：
OUTPUT1→[predict m 2]
OUTPUT2→[predict m q]
进一步地，在一个具体实施例中，所述预设双重神经网络模型的结构如图6-7所示，详解如下：
利用卷积网络对所述表征仿真环境的语义数据进行特征提取，获取第一特征向量；如此，可以利用卷积网络的局部感知，权重共享以及多卷积核的特征，当卷积运算作用时，能够非常方便的提取语义数据中的局部特征，得到最后一层提取出的第一特征向量feature1为7X7的向量：feature1→[memory 7 7]，feature1在一定程度上聚焦反映了语义数据的图像特征，如图8所示。
进一步地，在一个具体实施例中，采用全连接网络对所述仿真轨迹数据集和状态分类数据集进行特征提取，获取第二特征向量feature2；通过全连接网络(FC layer)，能够将学习习得的“分布式特征表示”映射到样本标记空间。得到一个长度为15的一维向量：feature2→[memory 15]，如图9所示，feature2在一定程度上反映了车辆和/或周围车辆轨迹的绝对数据以及轨迹相对偏移的信息。
进一步地，经过上述的特征提取，我们得到两个特征向量，第一特征向量为语义分割的特征数据，在一定程度上反应了图片的特征及相对坐标的偏移；第二特征向量为轨迹向量的特征数据，在一定程度上反应了轨迹的计算公式。因此通过将两个特征向量合并，可以得到合并特征向量feature，具体为：feature＝feature1+feature2；通过两个全连接网络层对其进行进一步特征提取，最终输出维度为：feature→[memory 512]。
进一步地，基于长短期记忆网络(LSTM)对所述合并特征向量feature提取整体特征，LSTM是一种循环神经网络，基于时序的特征序列组恰好就符合这个特点，对特定的信息采用遗忘的方式去降低其对信息的依赖，能够达到更好的效果。通过LSTM层计算，取最后时刻ht的输出可以得到1个[8 8]的特征矩阵featurelstm，作为所述车辆和周围车辆的基于时序的行车轨迹数据和状态数据的集合，如图10所示。其维度为：featurelstm→[memory 64]。
进一步地，所述预设双重神经网络模型具有双重结构(轨迹回归和状态分类)，因此建立两个神经网络来分别拟合对应的参数，通过两个神经网络对上述合并特征向量feature的整体特征进行全连接的特征提取，最后可以得到需要的轨迹回归以及分类的概率推测。其过程如图11所示。
综上，基于上述步骤，最后推导得出的结果如下：
OUTPUT1→[predict m 2]；
OUTPUT2→[predict m q]；
进一步地，可得到所述车辆和/或周围车辆的预测行为结果，通过
OUTPUT1，可以预测出未来predict帧间每辆车的轨迹，可以得出表征轨迹的表达式为：
Figure BDA0002163704580000171
通过OUTPUT2，可以预测出未来predict帧间每辆车的状态的表达式为：
Figure BDA0002163704580000172
其中，O表征OUTPUT，i表征车辆序号，
Figure BDA0002163704580000173
中的上标表征输出排序的序号，下标中的t表征时序长度，0表征该数值在数据序列中的位置，
Figure BDA0002163704580000174
表征在时间维度和车辆维度上输出的第一个数据。
进一步地，获取车辆和/或周围车辆的实际行为结果中轨迹和状态对应的数据集合公式，分别与上述公式(6)和(7)进行车辆行为偏差计算，最终通过前文所述的内容对车辆和/或周围车辆进行异常检测。
本发明实施例还提供了一种自动驾驶车辆的异常检测设备，包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述所述的自动驾驶车辆的异常检测方法。
本说明书实施例中，所述存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、功能所需的应用程序等；存储数据区可存储根据所述设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器还可以包括存储器控制器，以提供处理器对存储器的访问。
本发明实施例还提供了一种自动驾驶车辆的异常检测装置，如图12所示，所述装置可以包括：
信息获取单元10：用于获取车辆的当前轨迹状态信息、表征当前环境的语义数据和周围车辆的轨迹状态信息；
行为预测单元20：基于车辆行为预测模型对所述车辆的当前轨迹状态信息、表征当前环境的语义数据和周围车辆的轨迹状态信息进行车辆行为预测，得到所述车辆和/或周围车辆在预设时间段内的预测行为结果；
真实行为获取单元30：用于获取所述车辆和/或周围车辆在所述预设时间段内的实际行为结果；
偏差计算单元40：用于获取所述预测行为结果和实际行为结果之间的车辆行为结果偏差；
异常确定单元50：用于根据所述车辆行为结果偏差对所述车辆和/或所述周围车辆的状态进行异常识别。
在具体实施例中，本说明书的自动驾驶装置还可以包括：
异常时间确定单元：用于确定所述车辆和/或所述周围车辆的状态出现异常的时间集合；
参数获取单元：用于获取所述时间集合内的所述车辆和/或所述周围车辆的运行参数和环境信息；
诱发因素确定单元：用于基于所述运行参数和环境信息确定所述车辆和/或所述周围车辆状态异常的诱发因素。
在一些实施例中，所述异常确定单元50还包括：
概率分布子模型获取子单元：用于获取车辆行为结果偏差对应的概率分布子模型；
发生概率确定单元：用于基于所述概率分布子模型确定所述车辆行为结果偏差所对应的所述实际行为结果的发生概率；
以及，若所述实际行为结果的发生概率不满足预设概率条件，确定所述车辆和/或所述周围车辆的状态存在异常。
在一些实施例中，所述车辆行为结果偏差的概率分布子模型满足高斯分布。
在一些实施例中，所述预设概率条件包括所述实际行为结果的发生概率大于等于所述概率分布子模型中正态均值加减三倍标准差所在区间对应的概率。
具体实施例中，所述车辆行为预测模型包括采用下述单元确定：
仿真信息获取单元：用于获取自动驾驶模拟仿真环境中的基于车辆视角的仿真环境信息和所述车辆的仿真位置状态信息；
信息格式转换单元：用于将所述仿真环境信息和车辆的位置状态信息转换为预设格式的训练数据集；
迭代训练单元：用于基于所述训练数据集对预设双重神经网络模型进行车辆的行为结果预测的迭代训练，得到所述车辆行为预测模型。
在一些实施例中，所述仿真环境信息包括仿真环境图像信息和周围车辆的仿真位置状态信息；所述信息格式转换单元还可以包括：
图像信息转换子单元：用于将所述仿真环境图像信息转换为表征仿真环境的语义数据；
位置状态信息转换子单元：用于将所述周围车辆的仿真位置状态信息和车辆的仿真位置状态信息转换为仿真轨迹数据集和状态分类数据集；
数据组合子单元：用于基于时序对所述表征仿真环境的语义数据、仿真轨迹数据集和状态分类数据集进行数据组合，得到所述训练数据集。
在一些实施例中，所述迭代训练单元还可以包括：
第一特征向量获取子单元：用于采用卷积网络对所述表征仿真环境的语义数据进行特征提取，获取第一特征向量；
第二特征向量获取子单元：用于采用全连接网络对所述仿真轨迹数据集和状态分类数据集进行特征提取，获取第二特征向量；
特征向量合并子单元：用于将所述第一特征和所述第二特征合并，得到合并特征向量；
数据集合获取子单元：用于基于长短期记忆网络对所述合并特征向量进行特征提取，得到所述车辆和周围车辆的基于时序的行车轨迹数据和状态数据的集合；
预测行为结果获取子单元：用于采用全连接网络对所述基于时序的行车轨迹数据和状态数据的集合进行数据处理，得到所述车辆和/或周围车辆的预测行为结果。
本说明书中装置实施例与方法实施例基于相似的实施方式。
本发明实施例还提供了一种车辆，所述车辆包括上述所述的自动驾驶车辆的异常检测设备。
本实施例还提供一种服务器，所述服务器包括上述的自动驾驶车辆的异常检测装置。
由上述本发明提供的自动驾驶车辆的异常检测方法、装置、设备、车辆和服务器的实施例可见，本发明采用车辆行为预测模型，根据车辆的环境信息和轨迹状态信息获取预测行为结果，以预测行为结果为基准，判断车辆的实际行为结果是否正常，以确定车辆是否存在异常状态，为车辆或驾驶员进行排查和应对提供依据。本发明能够减少车辆异常检测分析所需的时间，降低成本和检测的滞后性影响，避免异常检测分析数据单一造成的误判。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置和设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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。

Claims (11)

1.一种自动驾驶车辆的异常检测方法，其特征在于，所述方法包括：
获取车辆的当前轨迹状态信息、表征当前环境的语义数据和周围车辆的轨迹状态信息；
基于车辆行为预测模型对所述车辆的当前轨迹状态信息、表征当前环境的语义数据和周围车辆的轨迹状态信息表征当前环境的语义数据进行车辆行为预测，得到所述车辆和/或周围车辆在预设时间段内的预测行为结果；
获取所述车辆和/或周围车辆在所述预设时间段内的实际行为结果；
获取所述预测行为结果和实际行为结果之间的车辆行为结果偏差；
根据所述车辆行为结果偏差对所述车辆和/或所述周围车辆的状态进行异常识别；
其中，所述车辆行为预测模型为基于由表征仿真环境的语义数据、仿真轨迹数据集和状态分类数据集的数据组合得到的训练数据集，对预设双重神经网络模型进行车辆的行为结果预测的迭代训练得到的模型；
所述对预设双重神经网络模型进行车辆的行为结果预测的迭代训练包括：
采用所述预设双重神经网络，对所述表征仿真环境的语义数据进行特征提取，获取第一特征向量，和对所述仿真轨迹数据集和状态分类数据集进行特征提取，获取第二特征向量；
将所述第一特征和所述第二特征合并，得到合并特征向量；
以及，采用所述预设双重神经网络，对所述合并特征向量进行特征提取，得到所述车辆和周围车辆的基于时序的行车轨迹数据和状态数据的集合，和对所述基于时序的行车轨迹数据和状态数据的集合进行数据处理，得到所述车辆和/或周围车辆的预测行为结果。
2.根据权利要求1所述的方法，其特征在于，所述根据所述车辆行为结果偏差对所述车辆和/或所述周围车辆的状态进行异常识别包括：
获取车辆行为结果偏差对应的概率分布子模型；
基于所述概率分布子模型确定所述车辆行为结果偏差所对应的所述实际行为结果的发生概率；
若所述实际行为结果的发生概率不满足预设概率条件，确定所述车辆和/或所述周围车辆的状态存在异常。
3.根据权利要求2所述的方法，其特征在于，所述车辆行为结果偏差的概率分布子模型满足高斯分布。
4.根据权利要求3所述的方法，其特征在于，所述预设概率条件包括所述实际行为结果的发生概率大于等于所述概率分布子模型中正态均值加减三倍标准差所在区间之内对应的概率。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
确定所述车辆和/或所述周围车辆的状态出现异常的时间集合；
获取所述时间集合内的所述车辆和/或所述周围车辆的运行参数和环境信息；
基于所述运行参数和环境信息确定所述车辆和/或所述周围车辆状态异常的诱发因素。
6.根据权利要求1所述的方法，其特征在于，所述车辆行为预测模型包括采用下述方式确定：
获取自动驾驶模拟仿真环境中的基于车辆视角的仿真环境信息和所述车辆的仿真位置状态信息；
将所述仿真环境信息和车辆的位置状态信息转换为预设格式的训练数据集；
基于所述训练数据集对预设双重神经网络模型进行车辆的行为结果预测的迭代训练，得到所述车辆行为预测模型。
7.根据权利要求6所述的方法，其特征在于，所述仿真环境信息包括仿真环境图像信息和周围车辆的仿真位置状态信息；所述将所述仿真环境信息和车辆的仿真位置状态信息转换为预设格式的训练数据集包括：
将所述仿真环境图像信息转换为表征仿真环境的语义数据；
将所述周围车辆的仿真位置状态信息和车辆的仿真位置状态信息转换为仿真轨迹数据集和状态分类数据集；
基于时序对所述表征仿真环境的语义数据、仿真轨迹数据集和状态分类数据集进行数据组合，得到所述训练数据集。
8.根据权利要求1所述的方法，其特征在于，所述对预设双重神经网络模型进行车辆的行为结果预测的迭代训练具体包括：
采用卷积网络对所述表征仿真环境的语义数据进行特征提取，获取第一特征向量；
采用全连接网络对所述仿真轨迹数据集和状态分类数据集进行特征提取，获取第二特征向量；
将所述第一特征和所述第二特征合并，得到合并特征向量；
基于长短期记忆网络对所述合并特征向量进行特征提取，得到所述车辆和周围车辆的基于时序的行车轨迹数据和状态数据的集合；
采用全连接网络对所述基于时序的行车轨迹数据和状态数据的集合进行数据处理，得到所述车辆和/或周围车辆的预测行为结果。
9.一种自动驾驶车辆的异常检测装置，其特征在于，所述装置包括：
信息获取单元：用于获取车辆的当前轨迹状态信息、表征当前环境的语义数据和周围车辆的轨迹状态信息；
行为预测单元：基于车辆行为预测模型对所述车辆的当前轨迹状态信息、表征当前环境的语义数据和周围车辆的轨迹状态信息进行车辆行为预测，得到所述车辆和/或周围车辆在预设时间段内的预测行为结果；
真实行为获取单元：用于获取所述车辆和/或周围车辆在所述预设时间段内的实际行为结果；
偏差计算单元：用于获取所述预测行为结果和实际行为结果之间的车辆行为结果偏差；
异常确定单元：用于根据所述车辆行为结果偏差对所述车辆和/或所述周围车辆的状态进行异常识别；
其中，所述车辆行为预测模型为基于由表征仿真环境的语义数据、仿真轨迹数据集和状态分类数据集的数据组合得到的训练数据集，对预设双重神经网络模型进行车辆的行为结果预测的迭代训练得到的模型；
相应的，所述装置还包括执行对预设双重神经网络模型进行所述车辆的行为结果预测的进行迭代训练的迭代训练单元：用于采用所述预设双重神经网络，对所述表征仿真环境的语义数据进行特征提取，获取第一特征向量，和对所述仿真轨迹数据集和状态分类数据集进行特征提取，获取第二特征向量；将所述第一特征和所述第二特征合并，得到合并特征向量；以及，采用所述预设双重神经网络，对所述合并特征向量进行特征提取，得到所述车辆和周围车辆的基于时序的行车轨迹数据和状态数据的集合，和对所述基于时序的行车轨迹数据和状态数据的集合进行数据处理，得到所述车辆和/或周围车辆的预测行为结果。
10.一种自动驾驶车辆的异常检测设备，包括处理器和存储器，其特征在于，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1-8中任一所述的自动驾驶车辆的异常检测方法。
11.一种计算机可读存储介质，其特征在于，所述存储介质存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由处理器加载并执行以实现如权利要求1-8中任一所述的自动驾驶车辆的异常检测方法。
CN201910740311.4A 2019-08-12 2019-08-12 一种自动驾驶车辆的异常检测方法、装置和设备 Active CN110503743B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910740311.4A CN110503743B (zh) 2019-08-12 2019-08-12 一种自动驾驶车辆的异常检测方法、装置和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910740311.4A CN110503743B (zh) 2019-08-12 2019-08-12 一种自动驾驶车辆的异常检测方法、装置和设备

Publications (2)

Publication Number Publication Date
CN110503743A CN110503743A (zh) 2019-11-26
CN110503743B true CN110503743B (zh) 2021-09-14

Family

ID=68586518

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910740311.4A Active CN110503743B (zh) 2019-08-12 2019-08-12 一种自动驾驶车辆的异常检测方法、装置和设备

Country Status (1)

Country Link
CN (1) CN110503743B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111028531B (zh) * 2019-12-26 2022-02-08 苏州智加科技有限公司 提示方法、装置、自动驾驶车辆及存储介质
EP4145340A4 (en) * 2020-05-29 2023-06-21 Huawei Technologies Co., Ltd. METHOD OF IDENTIFYING ABNORMAL VEHICLE PARAMETERS IN A VEHICLE CONvoy AND TERMINAL DEVICE
CN111666714B (zh) * 2020-06-05 2023-07-28 北京百度网讯科技有限公司 自动驾驶仿真场景识别的方法及装置
CN111859674A (zh) * 2020-07-23 2020-10-30 深圳慕智科技有限公司 一种基于语义的自动驾驶测试图像场景构建方法
JP7447869B2 (ja) 2020-08-06 2024-03-12 株式会社デンソー 車両管理装置、車両管理方法、車両管理プログラム
CN116034410A (zh) * 2020-08-06 2023-04-28 株式会社电装 车辆管理装置、车辆管理方法、车辆管理程序
CN112233414A (zh) * 2020-08-31 2021-01-15 南京市德赛西威汽车电子有限公司 一种基于v2x的道路异常车辆预警方法及系统
CN114945959B (zh) * 2020-11-23 2023-06-20 深圳元戎启行科技有限公司 行驶轨迹确定方法、装置、计算机设备和存储介质
CN112668523A (zh) * 2020-12-31 2021-04-16 深圳云天励飞技术股份有限公司 车辆行驶异常检测方法、装置、电子设备及存储介质
CN113961258B (zh) * 2021-10-30 2023-06-30 重庆长安汽车股份有限公司 基于时序转移的汽车状态异常识别方法、系统及存储介质
CN114596554B (zh) * 2022-05-07 2022-07-22 小米汽车科技有限公司 车辆行驶控制方法、装置、设备、车辆及介质
CN115510501B (zh) * 2022-11-22 2023-02-28 中汽信息科技(天津)有限公司 一种汽车数据防篡改方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108961462A (zh) * 2018-07-24 2018-12-07 重庆长安汽车股份有限公司 用于自动驾驶人车事故判责的数据记录装置、系统及车辆
CN109641602A (zh) * 2017-07-14 2019-04-16 株式会社东芝 异常检测设备、异常检测方法和非临时性计算机可读介质
CN109884916A (zh) * 2019-02-26 2019-06-14 初速度（苏州）科技有限公司 一种自动驾驶仿真评估方法及装置
CN110083803A (zh) * 2019-04-22 2019-08-02 水利部信息中心 基于时间序列arima模型取水异常检测方法与系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100060528A (ko) * 2008-11-27 2010-06-07 현대자동차일본기술연구소 차량 운전 지원 표시 시스템
US20130238181A1 (en) * 2012-03-12 2013-09-12 Toyota Motor Eng. & Man. North America (Tema) On-board vehicle path prediction using processed sensor information
CN107516107A (zh) * 2017-08-01 2017-12-26 北京理工大学 一种混合动力车辆的行驶工况分类预测方法
CN108313054B (zh) * 2018-01-05 2019-08-02 北京智行者科技有限公司 自动驾驶自主换道决策方法和装置及自动驾驶车辆
CN109572550B (zh) * 2018-12-28 2020-08-14 西安航空学院 一种行车轨迹预测方法、系统、计算机设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109641602A (zh) * 2017-07-14 2019-04-16 株式会社东芝 异常检测设备、异常检测方法和非临时性计算机可读介质
CN108961462A (zh) * 2018-07-24 2018-12-07 重庆长安汽车股份有限公司 用于自动驾驶人车事故判责的数据记录装置、系统及车辆
CN109884916A (zh) * 2019-02-26 2019-06-14 初速度（苏州）科技有限公司 一种自动驾驶仿真评估方法及装置
CN110083803A (zh) * 2019-04-22 2019-08-02 水利部信息中心 基于时间序列arima模型取水异常检测方法与系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《An Interactive Visual Analytics Platform for Smart Intelligent Transportation Systems Management》;Ilias Kalamaras等;《 IEEE Transactions on Intelligent Transportation Systems》;20170908;第19卷(第2期);全文 *

Also Published As

Publication number Publication date
CN110503743A (zh) 2019-11-26

Similar Documents

Publication Publication Date Title
CN110503743B (zh) 一种自动驾驶车辆的异常检测方法、装置和设备
US11860629B2 (en) Sparse convolutional neural networks
CN110570389B (zh) 车辆损伤识别方法及装置
CN113706480B (zh) 一种基于关键点多尺度特征融合的点云3d目标检测方法
CN111507378A (zh) 训练图像处理模型的方法和装置
EP3286691A1 (en) A method of detecting objects within a 3d environment
CN112489081B (zh) 一种视觉目标跟踪方法及装置
CN115457395A (zh) 基于通道注意力与多尺度特征融合的轻量级遥感目标检测方法
CN113781519A (zh) 目标跟踪方法和目标跟踪装置
CN114841228A (zh) 生成用于指定视觉数据集的数据结构
CN110688512A (zh) 基于ptgan区域差距与深度神经网络的行人图像搜索算法
JP2022035033A (ja) 情報処理システム、情報処理方法、プログラムおよび車両制御システム
Acun et al. D3net (divide and detect drivable area net): deep learning based drivable area detection and its embedded application
CN116612382A (zh) 一种城市遥感图像目标检测方法和装置
CN115661712A (zh) 一种轻量级多任务视频流实时推理方法及系统
Laghmara et al. 2.5 D evidential grids for dynamic object detection
CN114881097A (zh) 分析视觉参数的相关性以训练计算机视觉模型的计算机实现方法
CN113569600A (zh) 物体重识别的方法、装置、电子设备及存储介质
Hasan et al. Smoke detection from different environmental conditions using faster r-cnn approach based on deep neural network
Nath et al. Traffic sign recognition and distance estimation with yolov3 model
KR102454452B1 (ko) 3d 스캔 데이터를 이용한 차체 구조 역설계 방법, 장치 및 시스템
CN113963027B (zh) 不确定性检测模型的训练、不确定性的检测方法及装置
KR102428941B1 (ko) 광대역 라이다 스캔 기반 이미지 정합을 통해 텍스처가 구현된 3d 스캔 데이터 생성 방법, 장치 및 시스템
CN117593890B (zh) 一种道路遗撒物体的检测方法、装置、电子设备及存储介质
KR102418476B1 (ko) 2차원 이미지 데이터와 3차원 뎁스 데이터를 이용하여 차량 번호판의 판독과 위조와 오염 여부의 판단을 정밀하게 수행하는 주차관제시스템의 운영방법

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