CN110728769B - 车辆行驶状态识别方法、装置、存储介质及电子设备 - Google Patents
车辆行驶状态识别方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN110728769B CN110728769B CN201910872236.7A CN201910872236A CN110728769B CN 110728769 B CN110728769 B CN 110728769B CN 201910872236 A CN201910872236 A CN 201910872236A CN 110728769 B CN110728769 B CN 110728769B
- Authority
- CN
- China
- Prior art keywords
- steering wheel
- driving state
- vehicle
- wheel angle
- type
- 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
Images
Classifications
-
- 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
- G07C5/0841—Registering performance data
- G07C5/085—Registering performance data using electronic data carriers
Abstract
本公开涉及一种车辆行驶状态识别方法、装置、存储介质及电子设备。所述方法包括:获取车辆的方向盘转角信息;根据所述方向盘转角信息,确定所述车辆的行驶状态类型,所述行驶状态类型包括稳定类型和非稳定类型,其中,车辆在所述稳定类型的行驶状态下方向盘转角的波动程度小于在所述非稳定类型的行驶状态下方向盘转角的波动程度;若所述车辆的行驶状态类型为所述非稳定类型,根据所述方向盘转角信息确定所述车辆的行驶状态。这样,采用分层次决策的方式,针对不同的行驶状态类型,采用合适的方式确定行驶状态,能够有效识别出车辆的行驶状态,且能够提升行驶状态识别准确率。
Description
技术领域
本公开涉及车辆技术领域,具体地,涉及一种车辆行驶状态识别方法、装置、存储介质及电子设备。
背景技术
车辆智能化、网联化是未来发展的重要趋势,车辆智能化包括车道偏离预警、自动泊车等功能,车辆网联化通过共享车速、位置等实现非视距碰撞预警(例如,交叉路口碰撞预警)等功能。在这一发展趋势下,如何保证驾驶过程中的决策准确性与安全性是十分重要的,而这依赖于车辆行驶状态的识别。相关技术中,通过加速度数据、磁场数据、方向角数据,采用K近邻方法实现了对静止、加速、减速、转弯等行驶状态的识别,这一方法识别出的行驶状态较为粗略,无法实现更加精细的识别。并且,车辆行驶过程中,还存在更加具体场景中的行驶状态。以转弯为例,可能存在于车辆变道途中,也可能存在于车辆持续转弯过程中,或者其他情况。因此,对于诸如同曲率弯道行驶、变道行驶、出直路入弯道行驶、出弯道入直路行驶等具体场景下的行驶状态,上述技术无法实现对这些行驶状态的识别。
发明内容
本公开的目的是提供一种车辆行驶状态识别方法、装置、存储介质及电子设备,以精准识别车辆的行驶状态。
为了实现上述目的,根据本公开的第一方面,提供一种车辆行驶状态识别方法,所述方法包括:
获取车辆的方向盘转角信息;
根据所述方向盘转角信息,确定所述车辆的行驶状态类型,所述行驶状态类型包括稳定类型和非稳定类型,其中,车辆在所述稳定类型的行驶状态下方向盘转角的波动程度小于在所述非稳定类型的行驶状态下方向盘转角的波动程度;
若所述车辆的行驶状态类型为所述非稳定类型,根据所述方向盘转角信息确定所述车辆的行驶状态。
可选地,所述方法还包括:
若所述车辆的行驶状态类型为所述稳定类型,根据所述车辆的方位角信息和所述方向盘转角信息确定所述车辆的行驶状态。
可选地,所述根据所述车辆的方位角信息和所述方向盘转角信息确定所述车辆的行驶状态,包括:
根据待识别时段内的所述方位角信息,计算所述待识别时段的方位角方差;
根据所述待识别时段内的所述方向盘转角信息,计算所述待识别时段的方向盘转角均值;
将所述方位角方差和所述方向盘转角均值输入至行驶状态确定模型,以获得所述行驶状态确定模型针对所述方位角方差和所述方向盘转角均值输出的所述车辆的行驶状态。
可选地,所述根据所述方向盘转角信息,确定所述车辆的行驶状态类型,包括:
根据待识别时段内的所述方向盘转角信息,计算所述待识别时段的方向盘转角方差;
将所述方向盘转角方差输入至行驶状态类型确定模型,以获得所述行驶状态类型确定模型针对所述方向盘转角方差输出的所述行驶状态类型。
可选地,所述根据所述方向盘转角信息确定所述车辆的行驶状态,包括:
根据待识别时段内的所述方向盘转角信息,以及已存储的历史行驶状态所对应的历史方向盘转角信息,确定获取到的所述方向盘转角信息与每个所述历史方向盘转角信息之间的相关系数,其中,所述历史行驶状态属于所述非稳定类型,以及,方向盘转角信息与历史方向盘转角信息之间的相关系数反映二者之间的相似程度;
根据所述相关系数,确定所述车辆的行驶状态。
可选地,所述根据所述相关系数,确定所述车辆的行驶状态,包括:
将所述方向盘转角信息与每个所述历史方向盘转角信息之间的所述相关系数中、最大的相关系数所对应的历史行驶状态确定为所述车辆的行驶状态。
可选地,属于所述稳定类型的行驶状态包括:直路行驶、同曲率弯道行驶,属于所述非稳定类型的行驶状态包括:变道行驶、出直路入弯道行驶、出弯道入直路行驶。
根据本公开的第二方面,提供一种车辆行驶状态识别装置,所述装置包括:
获取模块,用于获取车辆的方向盘转角信息;
第一确定模块,用于根据所述方向盘转角信息,确定所述车辆的行驶状态类型,所述行驶状态类型包括稳定类型和非稳定类型,其中,车辆在所述稳定类型的行驶状态下方向盘转角的波动程度小于在所述非稳定类型的行驶状态下方向盘转角的波动程度;
第二确定模块,用于若所述车辆的行驶状态类型为所述非稳定类型,根据所述方向盘转角信息确定所述车辆的行驶状态。
可选地,所述装置还包括:
第三确定模块,用于若所述车辆的行驶状态类型为所述稳定类型,根据所述车辆的方位角信息和所述方向盘转角信息确定所述车辆的行驶状态。
可选地,所述第三确定模块包括:
第一计算子模块,用于根据待识别时段内的所述方位角信息,计算所述待识别时段的方位角方差;
第二计算子模块,用于根据所述待识别时段内的所述方向盘转角信息,计算所述待识别时段的方向盘转角均值;
第一确定子模块,用于将所述方位角方差和所述方向盘转角均值输入至行驶状态确定模型,以获得所述行驶状态确定模型针对所述方位角方差和所述方向盘转角均值输出的所述车辆的行驶状态。
可选地,所述第一确定模块包括:
第三计算子模块,用于根据待识别时段内的所述方向盘转角信息,计算所述待识别时段的方向盘转角方差;
第二确定子模块,用于将所述方向盘转角方差输入至行驶状态类型确定模型,以获得所述行驶状态类型确定模型针对所述方向盘转角方差输出的所述行驶状态类型。
可选地,所述第二确定模块包括:
第三确定子模块,用于根据待识别时段内的所述方向盘转角信息,以及已存储的历史行驶状态所对应的历史方向盘转角信息,确定获取到的所述方向盘转角信息与每个所述历史方向盘转角信息之间的相关系数,其中,所述历史行驶状态属于所述非稳定类型,以及,方向盘转角信息与历史方向盘转角信息之间的相关系数反映二者之间的相似程度;
第四确定子模块,用于根据所述相关系数,确定所述车辆的行驶状态。
可选地,所述第四确定子模块用于将所述方向盘转角信息与每个所述历史方向盘转角信息之间的所述相关系数中、最大的相关系数所对应的历史行驶状态确定为所述车辆的行驶状态。
可选地,属于所述稳定类型的行驶状态包括:直路行驶、同曲率弯道行驶,属于所述非稳定类型的行驶状态包括:变道行驶、出直路入弯道行驶、出弯道入直路行驶。
根据本公开的第三方面,提供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本公开第一方面所述方法的步骤。
根据本公开的第四方面,提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现本公开第二方面所述方法的步骤。
通过上述技术方案,获取车辆的方向盘转角信息,并根据方向盘转角信息确定车辆的行驶状态类型,以及,若车辆的行驶状态类型为非稳定类型,根据方向盘转角信息确定车辆的行驶状态。由此,将车辆行驶状态的识别分为两个层次,在第一层次首先确定行驶状态所属的行驶状态类型,在第二层次则根据行驶状态类型,结合该行驶状态类型下各行驶状态的特点,进一步进行识别,以确定车辆的行驶状态。这样,采用分层次决策的方式,针对不同的行驶状态类型,采用合适的方式确定行驶状态,能够有效识别出车辆的行驶状态,且能够提升行驶状态识别准确率。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1A~图1E分别是本公开提供的车辆行驶状态识别方法中,不同行驶状态的示例性示意图;
图2是根据本公开的一种实施方式提供的车辆行驶状态识别方法的流程图;
图3是根据本公开的另一种实施方式提供的车辆行驶状态识别方法的流程图;
图4是根据本公开的一种实施方式提供的车辆行驶状态识别装置的框图;
图5是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
在介绍本公开的方法之前,首先对本公开涉及到的车辆的行驶状态进行简单介绍。本公开方法所涉及的行驶状态可以包括但不限于以下中的几者:直路行驶、同曲率弯道行驶、变道行驶、出直路入弯道行驶、出弯道入直路行驶。车辆在直路行驶这一行驶状态下,沿直线行驶,方向盘转角变化不明显,直路行驶的示意图可以如图1A所示,其中,矩形代表车辆,箭头方向代表车辆行驶方向;车辆在同曲率弯道行驶这一行驶状态下,沿曲线行驶,且由于沿同曲率弯道行驶,因而方向盘转角变化不明显,同曲率弯道行驶的示意图可以如图1B所示,其中,矩形代表车辆,箭头方向代表车辆行驶方向;车辆在变道行驶这一行驶状态下,相当于从直线行驶到曲线行驶再到直线行驶,此过程中方向盘转角变化较为明显,变道行驶的示意图可以如图1C所示,其中,矩形代表车辆,箭头方向代表车辆行驶方向,图1C中三个矩形由下至上依次代表车辆在变道行驶这一行驶状态下由早到晚的三种形态;车辆在出直路入弯道行驶这一行驶状态下,相当于从直线行驶到曲线行驶,此过程中方向盘转角变化较为明显,出直路入弯道行驶的示意图可以如图1D所示,其中,矩形代表车辆,箭头方向代表车辆行驶方向,图1D中两个矩形由下至上依次代表车辆在出直路入弯道行驶这一行驶状态下由早到晚的两种形态;车辆在出弯道入直路行驶这一行驶状态下,相当于从曲线行驶到直线行驶,此过程中方向盘转角变化较为明显,出弯道入直路行驶的示意图可以如图1E所示,其中,矩形代表车辆,箭头方向代表车辆行驶方向,图1E中两个矩形由下至上依次代表车辆在出弯道入直路行驶这一行驶状态下由早到晚的两种形态。
本公开提出一种车辆行驶状态识别方法,能够对上述提到的各种行驶状态进行精准识别。
图2是根据本公开的一种实施方式提供的车辆行驶状态识别方法的流程图。如图2所示,该方法可以包括以下步骤。
在步骤21中,获取车辆的方向盘转角信息。
方向盘转角信息可以为方向盘转角,也就是方向盘的转动角度。车辆上设置有方向盘转角传感器,安装在方向盘下方的方向柱内,与CAN总线连接,因此,可以通过CAN总线获取方向盘转角信息。
在步骤22中,根据方向盘转角信息,确定车辆的行驶状态类型。
行驶状态类型包括稳定类型和非稳定类型,其中,车辆在稳定类型的行驶状态下方向盘转角的波动程度小于在非稳定类型的行驶状态下方向盘转角的波动程度。上述车辆的行驶状态中,直路行驶和同曲率弯道行驶的方向盘转角的波动程度小,属于稳定类型,变道行驶、出直路入弯道行驶、以及出弯道入直路行驶的方向盘转角的波动程度较大,属于非稳定类型。
数据波动程度可以通过数据方差体现出来,数据方差趋近于零说明数据波动程度小,可认为数据无明显变化,数据方差值大说明数据波动程度大,可认为数据变化较大。因此,可以通过方向盘转角信息的方差特征确定车辆的行驶状态类型。示例地,若需要确定车辆在某一时段内的行驶状态类型,可以首先计算该时段内各方向盘转角的方差,若计算所得方差小于或等于预设的方差阈值,确定车辆的行驶状态类型为稳定类型,若计算所得方差大于预设的方差阈值,确定车辆的行驶状态类型为非稳定类型。其中,预设的方差阈值可以取自经验值,示例地,预设的方差阈值可以取趋近于零的某一正数值。
在步骤23中,若车辆的行驶状态类型为非稳定类型,根据方向盘转角信息确定车辆的行驶状态。
若确定车辆的行驶状态类型为非稳定类型,说明车辆方向盘转角的波动程度较大,并且,如上文所述,变道行驶、出直路入弯道行驶、以及出弯道入直路行驶属于非稳定类型,而三者中任意两者之间的方向盘转角特征差异都很大,因此,可以仅根据方向盘转角信息确定出车辆的行驶状态。
通过上述技术方案,获取车辆的方向盘转角信息,并根据方向盘转角信息确定车辆的行驶状态类型,以及,若车辆的行驶状态类型为非稳定类型,根据方向盘转角信息确定车辆的行驶状态。由此,将车辆行驶状态的识别分为两个层次,在第一层次首先确定行驶状态所属的行驶状态类型,在第二层次则根据行驶状态类型,结合该行驶状态类型下各行驶状态的特点,进一步进行识别,以确定车辆的行驶状态。这样,采用分层次决策的方式,针对不同的行驶状态类型,采用合适的方式确定行驶状态,能够有效识别出车辆的行驶状态,且能够提升行驶状态识别准确率。
为了使本领域技术人员更加理解本发明实施例提供的技术方案,下面对上文中的相应步骤进行详细的说明。
首先,对步骤22中根据方向盘转角信息,确定车辆的行驶状态类型进行详细说明。
在一种可能的实施方式中,步骤22可以包括以下步骤:
根据待识别时段内的方向盘转角信息,计算待识别时段的方向盘转角方差;
将方向盘转角方差输入至行驶状态类型确定模型,以获得行驶状态类型确定模型针对方向盘转角方差输出的行驶状态类型。
其中,行驶状态类型确定模型可以通过预先训练得到。在模型训练前期,采集有关于行驶状态类型的第一训练样本,第一训练样本包括稳定类型下各行驶状态对应的方向盘转角方差和非稳定类型下各行驶状态对应的方向盘转角方差,在模型训练阶段,将第一训练样本中各种行驶状态类型对应的方向盘转角方差作为模型输入数据,将各自对应的行驶状态类型作为模型输出数据,对模型进行训练,以得到行驶状态类型确定模型。
示例地,可以基于神经网络(例如,前馈神经网络)训练该行驶状态类型确定模型,采用三层网络结构,包含输入层、隐含层和输出层,输入层神经元个数与输出特征维数相同,隐含层采用sigmoid作为激活函数,输出层神经元个数与被分类行驶状态类型数量(此场景中数量为2,对应稳定类型和非稳定类型)相同。需要说明的是,利用神经网络训练模型的技术属于现有技术,为本领域技术人员公知,此处仅给出一个示例,对于其他可能的实现方式,此处不再赘述。
采用上述方式,利用稳定类型与非稳定类型所对应的方向盘转角特征,预先训练行驶状态类型确定模型,从而能够在得到方向盘转角方差后,结合模型快速确定出该方向盘转角方差对应的行驶状态类型,效率高。
下面对步骤23中若车辆的行驶状态类型为非稳定类型,根据方向盘转角信息确定车辆的行驶状态进行详细说明。
在一种可能的实施方式中,步骤23可以包括以下步骤:
根据待识别时段内的方向盘转角信息,以及已存储的历史行驶状态所对应的历史方向盘转角信息,确定获取到的方向盘转角信息与每个历史方向盘转角信息之间的相关系数;
根据相关系数,确定车辆的行驶状态。
其中,若要识别车辆在哪一时段的行驶状态,就可以将该时段作为待识别时段,从而获取待识别时段内识别车辆的行驶状态所需的信息。在这一实施方式中,获取的是待识别时段内的方向盘转角信息,待识别时段内存在若干采样时刻,待识别时段内的方向盘转角信息为待识别时段内各采样时刻的方向盘转角。
历史行驶状态均属于非稳定类型。在前期的数据收集阶段,采集非稳定类型下各历史行驶状态对应的历史方向盘转角信息,并将采集到的信息存储,以用于后续的行驶状态确定。
方向盘转角信息与历史方向盘转角信息之间的相关系数能够反映二者之间的相似程度。需要说明的是,这里的相似程度并非数据本身的相似程度,而是数据变化趋势的相似程度,举例来说,若一组数据为[0,0,0,0,0,15,15,15],另一组数据为[0,0,0,0,0,30,30,30],由于二者都有数值变大的趋势,因此可认为二者相似程度大,而与数据中的15、30这些具体的数值本身关系不大。
在得到方向盘转角信息与每个历史方向盘转角信息之间的相关系数后,就可以根据这些相关系数,确定车辆的行驶状态。
示例地,根据相关系数,确定车辆的行驶状态,可以包括以下步骤:
将方向盘转角信息与每个历史方向盘转角信息之间的相关系数中、最大的相关系数所对应的历史行驶状态确定为车辆的行驶状态。
在得到的多个相关系数中,获取到的方向盘转角信息与某个历史方向盘转角信息之间的相关系数的数值越大,代表该方向盘转角信息与该历史方向盘转角信息的相似度越高,因此,可以将最大相关系数所对应的历史行驶状态确定为车辆的行驶状态。
示例地,若历史行驶状态包括变道行驶、出直路入弯道行驶和出弯道入直路行驶,且获取到的方向盘转角信息与各变道行驶的历史方向盘转角信息的相关系数分别为0.15、0.23、0.55、0.12、0.3,获取到的方向盘转角信息与各出直路入弯道行驶的历史方向盘转角信息的相关系数分别为0.65、0.03、0.5、0.32、0.3、0.2,获取到的方向盘转角信息与各出弯道入直路行驶的历史方向盘转角信息的相关系数分别为0.75、0.2、0.55、0.2,则可知最大的相关系数为0.75,对应于出弯道入直路行驶,因此可以确定车辆的行驶状态为出弯道入直路行驶。
采用上述方式,利用相关系数,能够准确地确定出与获取到的方向盘转角信息最为契合的历史行驶状态,从而确定车辆的行驶状态。在确定行驶状态类型为非稳定类型的情况下,进一步区分出变道行驶、出直路入弯道行驶和出弯道入直路行驶,以提升非稳定类型下各行驶状态确定的精确性。
图3是根据本公开的另一种实施方式提供的车辆行驶状态识别方法的流程图。如图3所示,在图2所示方法各步骤的基础上,本公开的方法还可以包括以下步骤。
在步骤31中,若车辆的行驶状态类型为稳定类型,根据车辆的方位角信息和方向盘转角信息确定车辆的行驶状态。
若确定车辆的行驶状态为稳定类型,说明车辆方向盘转角的波动程度较小,并且,如上文所述,直路行驶和同曲率弯道行驶属于稳定类型,而二者的方向盘转角特征差异不大,无法做到准确区分,因此,引入车辆的方位角信息,并根据方位角信息和方向盘转角信息确定出车辆的行驶状态。
其中,车辆的方位角信息可以为车辆的方位角(也称作行驶方位角),即车辆行驶过程中相邻采样时刻车辆所处两个位置之间的方位角。车辆在采集方向盘转角信息的同时,还会采集方位角信息,对于采集到的信息,车辆会进行存储,而在确定车辆的行驶状态类型为稳定类型的情况下,就可以直接从存储数据中获取到方位角信息,用作确定车辆的行驶状态。
在一种可能的实施例中,可以通过车辆的GPS(Global Positioning System,全球定位系统)直接获得车辆的方位角信息。
在另一种可能的实施例中,可以通过车辆所处的经、纬度确定车辆的方位角信息。示例地,可以通过如下公式计算车辆的方位角θ:
其中,t表示第t个采样时刻,lon(t)为车辆在第t个采样时刻所处的经度,lat(t)为车辆在第t个采样时刻所处的纬度,lon(t+1)为车辆在第t+1个采样时刻所处的经度,lat(t+1)为车辆在第t+1个采样时刻所处的纬度。
示例地,在车辆GPS无法提供方位角信息的情况下,可以通过上述方式得到方位角信息。
在一种可能的实施方式中,步骤31可以包括以下步骤:
根据待识别时段内的方位角信息,计算待识别时段的方位角方差;
根据待识别时段内的方向盘转角信息,计算待识别时段的方向盘转角均值;
将方位角方差和方向盘转角均值输入至行驶状态确定模型,以获得行驶状态确定模型针对该方位角方差和该方向盘转角均值输出的车辆的行驶状态。
其中,若要识别车辆在哪一时段的行驶状态,就可以将该时段作为待识别时段,从而获取待识别时段内识别车辆的行驶状态所需的信息。在这一实施方式中,获取的是待识别时段内的方位角信息和方向盘转角信息,待识别时段内存在若干采样时刻,待识别时段内的方位角信息为待识别时段内相邻采样时刻之间的行驶方位角,待识别时段内的方向盘转角信息为待识别时段内各采样时刻的方向盘转角。根据上述数据,可以计算出待识别时段的方位角方差和方向盘转角均值。
示例地,可以通过如下公式计算待识别时段的方位角方差S2(θ):
并且,由上文可知,m=n-1。
在计算出方位角方差和方向盘转角均值后,可以将方位角方差和方向盘转角均值输入至行驶状态确定模型,以获得行驶状态确定模型针对该方位角方差和该方向盘转角均值输出的车辆的行驶状态。
其中,行驶状态确定模型可以通过预先训练得到。在模型训练前期,采集有关于稳定类型的第二训练样本,第二训练样本包括稳定类型下的行驶状态以及各行驶状态对应的方位角方差和方向盘转角均值,在模型训练阶段,将各行驶状态对应的方位角方差和方向盘转角均值作为模型输入数据,将各自对应的行驶状态作为模型输出数据,对模型进行训练,以得到行驶状态确定模型。
示例地,可以基于神经网络(例如,前馈神经网络)训练该行驶状态确定模型,采用三层网络结构,包含输入层、隐含层和输出层,输入层神经元个数与输出特征维数相同,隐含层采用sigmoid作为激活函数,输出层神经元个数与被分类行驶状态数量(此场景中数量为2,对应直路行驶和同曲率弯道行驶)相同。需要说明的是,利用神经网络训练模型的技术属于现有技术,为本领域技术人员公知,此处仅给出一个示例,对于其他可能的实现方式,此处不再赘述。
采用上述方式,利用稳定类型各行驶状态对应的方位角及方向盘转角特征,预先训练行驶状态确定模型,从而能够在得到方位角方差和方向盘转角均值后,快速确定出行驶状态,效率高。以及,针对不同的行驶状态类型,采用合适的方式确定行驶状态,若车辆的行驶状态类型为稳定类型,根据方位角信息和方向盘转角信息确定车辆的行驶状态,能够精确识别出稳定类型下的各种行驶状态。
由此可见,通过本公开的方法,针对不同的行驶状态类型,分别选用合适的方式确定行驶状态,若车辆的行驶状态类型为非稳定类型,根据方向盘转角信息确定车辆的行驶状态,而若车辆的行驶状态类型为稳定类型,根据方位角信息和方向盘转角信息确定车辆的行驶状态。针对不同类型的行驶状态各自的特点,针对性地提出解决方案,能够更加精确地识别出车辆的各种行驶状态。从而,可以为基于车车通信的路径预测等任务提供精确的数据支持,并能在无人驾驶中起到重要作用。
图4是根据本公开的一种实施方式提供的车辆行驶状态识别装置的框图。如图4所示,所述装置40包括:
获取模块41,用于获取车辆的方向盘转角信息;
第一确定模块42,用于根据所述方向盘转角信息,确定所述车辆的行驶状态类型,所述行驶状态类型包括稳定类型和非稳定类型,其中,车辆在所述稳定类型的行驶状态下方向盘转角的波动程度小于在所述非稳定类型的行驶状态下方向盘转角的波动程度;
第二确定模块43,用于若所述车辆的行驶状态类型为所述非稳定类型,根据所述方向盘转角信息确定所述车辆的行驶状态。
可选地,所述装置40还包括:
第三确定模块,用于若所述车辆的行驶状态类型为所述稳定类型,根据所述车辆的方位角信息和所述方向盘转角信息确定所述车辆的行驶状态。
可选地,所述第三确定模块包括:
第一计算子模块,用于根据待识别时段内的所述方位角信息,计算所述待识别时段的方位角方差;
第二计算子模块,用于根据所述待识别时段内的所述方向盘转角信息,计算所述待识别时段的方向盘转角均值;
第一确定子模块,用于将所述方位角方差和所述方向盘转角均值输入至行驶状态确定模型,以获得所述行驶状态确定模型针对所述方位角方差和所述方向盘转角均值输出的所述车辆的行驶状态。
可选地,所述第一确定模块42包括:
第三计算子模块,用于根据待识别时段内的所述方向盘转角信息,计算所述待识别时段的方向盘转角方差;
第二确定子模块,用于将所述方向盘转角方差输入至行驶状态类型确定模型,以获得所述行驶状态类型确定模型针对所述方向盘转角方差输出的所述行驶状态类型。
可选地,所述第二确定模块43包括:
第三确定子模块,用于根据待识别时段内的所述方向盘转角信息,以及已存储的历史行驶状态所对应的历史方向盘转角信息,确定获取到的所述方向盘转角信息与每个所述历史方向盘转角信息之间的相关系数,其中,所述历史行驶状态属于所述非稳定类型,以及,方向盘转角信息与历史方向盘转角信息之间的相关系数反映二者之间的相似程度;
第四确定子模块,用于根据所述相关系数,确定所述车辆的行驶状态。
可选地,所述第四确定子模块用于将所述方向盘转角信息与每个所述历史方向盘转角信息之间的所述相关系数中、最大的相关系数所对应的历史行驶状态确定为所述车辆的行驶状态。
可选地,属于所述稳定类型的行驶状态包括:直路行驶、同曲率弯道行驶,属于所述非稳定类型的行驶状态包括:变道行驶、出直路入弯道行驶、出弯道入直路行驶。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图5是根据一示例性实施例示出的一种电子设备的框图。例如,电子设备1900可以被提供为一服务器。参照图5,电子设备1900包括处理器1922,其数量可以为一个或多个,以及存储器1932,用于存储可由处理器1922执行的计算机程序。存储器1932中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理器1922可以被配置为执行该计算机程序,以执行上述的车辆行驶状态识别方法。
另外,电子设备1900还可以包括电源组件1926和通信组件1950,该电源组件1926可以被配置为执行电子设备1900的电源管理,该通信组件1950可以被配置为实现电子设备1900的通信,例如,有线或无线通信。此外,该电子设备1900还可以包括输入/输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如WindowsServerTM,Mac OS XTM,UnixTM,LinuxTM等等。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的车辆行驶状态识别方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器1932,上述程序指令可由电子设备1900的处理器1922执行以完成上述的车辆行驶状态识别方法。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的车辆行驶状态识别方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (8)
1.一种车辆行驶状态识别方法,其特征在于,所述方法包括:
获取车辆的方向盘转角信息;
根据所述方向盘转角信息,确定所述车辆的行驶状态类型,所述行驶状态类型包括稳定类型和非稳定类型,其中,车辆在所述稳定类型的行驶状态下方向盘转角的波动程度小于在所述非稳定类型的行驶状态下方向盘转角的波动程度;
若所述车辆的行驶状态类型为所述非稳定类型,根据所述方向盘转角信息确定所述车辆的行驶状态;
所述方法还包括:
若所述车辆的行驶状态类型为所述稳定类型,根据所述车辆的方位角信息和所述方向盘转角信息确定所述车辆的行驶状态;
所述根据所述车辆的方位角信息和所述方向盘转角信息确定所述车辆的行驶状态,包括:
根据待识别时段内的所述方位角信息,计算所述待识别时段的方位角方差;
根据所述待识别时段内的所述方向盘转角信息,计算所述待识别时段的方向盘转角均值;
将所述方位角方差和所述方向盘转角均值输入至行驶状态确定模型,以获得所述行驶状态确定模型针对所述方位角方差和所述方向盘转角均值输出的所述车辆的行驶状态。
2.根据权利要求1所述的方法,其特征在于,所述根据所述方向盘转角信息,确定所述车辆的行驶状态类型,包括:
根据待识别时段内的所述方向盘转角信息,计算所述待识别时段的方向盘转角方差;
将所述方向盘转角方差输入至行驶状态类型确定模型,以获得所述行驶状态类型确定模型针对所述方向盘转角方差输出的所述行驶状态类型。
3.根据权利要求1所述的方法,其特征在于,所述根据所述方向盘转角信息确定所述车辆的行驶状态,包括:
根据待识别时段内的所述方向盘转角信息,以及已存储的历史行驶状态所对应的历史方向盘转角信息,确定获取到的所述方向盘转角信息与每个所述历史方向盘转角信息之间的相关系数,其中,所述历史行驶状态属于所述非稳定类型,以及,方向盘转角信息与历史方向盘转角信息之间的相关系数反映二者之间的相似程度;
根据所述相关系数,确定所述车辆的行驶状态。
4.根据权利要求3所述的方法,其特征在于,所述根据所述相关系数,确定所述车辆的行驶状态,包括:
将所述方向盘转角信息与每个所述历史方向盘转角信息之间的所述相关系数中、最大的相关系数所对应的历史行驶状态确定为所述车辆的行驶状态。
5.根据权利要求1-4中任一项所述的方法,其特征在于,属于所述稳定类型的行驶状态包括:直路行驶、同曲率弯道行驶,属于所述非稳定类型的行驶状态包括:变道行驶、出直路入弯道行驶、出弯道入直路行驶。
6.一种车辆行驶状态识别装置,其特征在于,所述装置包括:
获取模块,用于获取车辆的方向盘转角信息;
第一确定模块,用于根据所述方向盘转角信息,确定所述车辆的行驶状态类型,所述行驶状态类型包括稳定类型和非稳定类型,其中,车辆在所述稳定类型的行驶状态下方向盘转角的波动程度小于在所述非稳定类型的行驶状态下方向盘转角的波动程度;
第二确定模块,用于若所述车辆的行驶状态类型为所述非稳定类型,根据所述方向盘转角信息确定所述车辆的行驶状态;
所述装置还包括:
第三确定模块,用于若所述车辆的行驶状态类型为所述稳定类型,根据所述车辆的方位角信息和所述方向盘转角信息确定所述车辆的行驶状态;
所述第三确定模块包括:
第一计算子模块,用于根据待识别时段内的所述方位角信息,计算所述待识别时段的方位角方差;
第二计算子模块,用于根据所述待识别时段内的所述方向盘转角信息,计算所述待识别时段的方向盘转角均值;
第一确定子模块,用于将所述方位角方差和所述方向盘转角均值输入至行驶状态确定模型,以获得所述行驶状态确定模型针对所述方位角方差和所述方向盘转角均值输出的所述车辆的行驶状态。
7.一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权利要求1-5中任一项所述方法的步骤。
8.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-5中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910872236.7A CN110728769B (zh) | 2019-09-16 | 2019-09-16 | 车辆行驶状态识别方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910872236.7A CN110728769B (zh) | 2019-09-16 | 2019-09-16 | 车辆行驶状态识别方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110728769A CN110728769A (zh) | 2020-01-24 |
CN110728769B true CN110728769B (zh) | 2021-08-27 |
Family
ID=69219070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910872236.7A Active CN110728769B (zh) | 2019-09-16 | 2019-09-16 | 车辆行驶状态识别方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110728769B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112153566B (zh) * | 2020-11-26 | 2021-02-12 | 博泰车联网(南京)有限公司 | 用于客服的方法、计算设备和计算机存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS60255576A (ja) * | 1984-05-31 | 1985-12-17 | Toyoda Mach Works Ltd | 動力舵取装置の操舵力制御装置 |
CN101119879A (zh) * | 2005-06-14 | 2008-02-06 | 丰田自动车株式会社 | 车辆控制设备和抑制车辆振动的方法 |
WO2013110711A2 (en) * | 2012-01-25 | 2013-08-01 | Jaguar Land Rover Limited | Route recognition apparatus and method |
CN107804305A (zh) * | 2017-10-25 | 2018-03-16 | 交通运输部公路科学研究所 | 一种考虑载质量变化的制动距离增量预估系统及方法 |
CN108819950A (zh) * | 2018-07-26 | 2018-11-16 | 清华大学苏州汽车研究院(吴江) | 汽车稳定性控制系统的车速估计方法及系统 |
CN109649488A (zh) * | 2018-10-23 | 2019-04-19 | 北京经纬恒润科技有限公司 | 一种转向行为的识别方法及装置 |
-
2019
- 2019-09-16 CN CN201910872236.7A patent/CN110728769B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS60255576A (ja) * | 1984-05-31 | 1985-12-17 | Toyoda Mach Works Ltd | 動力舵取装置の操舵力制御装置 |
CN101119879A (zh) * | 2005-06-14 | 2008-02-06 | 丰田自动车株式会社 | 车辆控制设备和抑制车辆振动的方法 |
WO2013110711A2 (en) * | 2012-01-25 | 2013-08-01 | Jaguar Land Rover Limited | Route recognition apparatus and method |
CN107804305A (zh) * | 2017-10-25 | 2018-03-16 | 交通运输部公路科学研究所 | 一种考虑载质量变化的制动距离增量预估系统及方法 |
CN108819950A (zh) * | 2018-07-26 | 2018-11-16 | 清华大学苏州汽车研究院(吴江) | 汽车稳定性控制系统的车速估计方法及系统 |
CN109649488A (zh) * | 2018-10-23 | 2019-04-19 | 北京经纬恒润科技有限公司 | 一种转向行为的识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110728769A (zh) | 2020-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113261035B (zh) | 一种轨迹预测方法及相关设备 | |
CN112099496B (zh) | 一种自动驾驶训练方法、装置、设备及介质 | |
CN110103953B (zh) | 用于辅助车辆的驾驶控制的方法、设备、介质和系统 | |
CN112839855B (zh) | 一种轨迹预测方法与装置 | |
CN108475057A (zh) | 基于车辆周围的情境预测车辆的一个或多个轨迹的方法和系统 | |
CN112734808B (zh) | 一种车辆行驶环境下易受伤害道路使用者的轨迹预测方法 | |
CN112084830A (zh) | 通过基于视觉的感知系统检测对抗样本 | |
CN110389582B (zh) | 利用多个线索跟踪对象 | |
US11685406B2 (en) | Vehicle control device, vehicle control method, and storage medium | |
CN114212110B (zh) | 障碍物轨迹预测方法、装置、电子设备及存储介质 | |
CN112373483B (zh) | 一种基于前向神经网络的车辆速度和转向预测方法 | |
Shih et al. | Vehicle speed prediction with RNN and attention model under multiple scenarios | |
CN110728769B (zh) | 车辆行驶状态识别方法、装置、存储介质及电子设备 | |
Gross et al. | Route and stopping intent prediction at intersections from car fleet data | |
CN113568416B (zh) | 无人车轨迹规划方法、装置和计算机可读存储介质 | |
Hori et al. | Driver confusion status detection using recurrent neural networks | |
US20230260301A1 (en) | Biometric task network | |
CN116358584A (zh) | 一种自动驾驶车辆路径规划方法、装置、设备及介质 | |
CN116295496A (zh) | 一种自动驾驶车辆路径规划方法、装置、设备及介质 | |
CN111127923B (zh) | 一种指示标识的解析设备和方法 | |
CN115257801A (zh) | 轨迹规划方法及装置、服务器、计算机可读存储介质 | |
CN112739599B (zh) | 一种车辆变道行为识别方法及装置 | |
Karaduman et al. | Classification of road curves and corresponding driving profile via smartphone trip data | |
Bratulescu et al. | Object Detection in Autonomous Vehicles | |
US20230024799A1 (en) | Method, system and computer program product for the automated locating of a vehicle |
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 |