CN110986938A - 颠簸道路识别方法、装置、及电子设备 - Google Patents
颠簸道路识别方法、装置、及电子设备 Download PDFInfo
- Publication number
- CN110986938A CN110986938A CN201911365175.1A CN201911365175A CN110986938A CN 110986938 A CN110986938 A CN 110986938A CN 201911365175 A CN201911365175 A CN 201911365175A CN 110986938 A CN110986938 A CN 110986938A
- Authority
- CN
- China
- Prior art keywords
- data
- bumpy road
- bumpy
- accelerometer
- gyroscope
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000001133 acceleration Effects 0.000 claims description 47
- 238000013145 classification model Methods 0.000 claims description 37
- 230000008859 change Effects 0.000 claims description 32
- 230000015654 memory Effects 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 10
- 238000007477 logistic regression Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000000717 retained effect Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3626—Details of the output of route guidance instructions
- G01C21/3629—Guidance using speech or audio output, e.g. text-to-speech
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种颠簸道路识别方法、装置、电子设备及非暂时性计算机存储介质,其中,颠簸道路识别方法包括:步骤S1,获取行驶中车辆的加速度计数据与陀螺仪数据;步骤S2,基于所述加速度计与陀螺仪数据,通过颠簸道路识别模型进行识别以确定是否存在颠簸道路。根据本发明的颠簸道路识别方法,能够准确识别道路颠簸并对颠簸轻重程度进行划分,达到实时提醒车主规避风险的作用。
Description
技术领域
本发明涉及车辆领域,具体涉及一种颠簸道路识别方法、装置、电子设备及非暂时性计算机存储介质。
背景技术
路面检修孔、坑洼引起的颠簸,会影响驾驶速度并造成一定的潜在安全隐患,目前的路面检测多数由人工观察完成,其作用区域有限,难以大范围实时高效推广。已有的可检测颠簸的方法通常借助主观判断的某个单独的车载传感器如加速度计识别道路颠簸。
但是,已有的可检测颠簸的方法普遍存在识别颠簸准确性不高的问题,易出现颠簸与急刹车、急加速等情况的误判与混淆,或存在实时性不足,不能及时对路面颠簸状况给出判断。
发明内容
有鉴于此,本发明提供一种颠簸道路识别方法、装置、电子设备及非暂时性计算机存储介质,能够准确识别道路颠簸并对颠簸轻重程度进行划分,达到实时提醒车主规避风险的作用。
为解决上述技术问题,一方面,本发明提供一种颠簸道路识别方法,包括:
步骤S1,获取行驶中车辆的加速度计数据与陀螺仪数据;
步骤S2,基于所述加速度计与陀螺仪数据,通过颠簸道路识别模型进行识别以确定是否存在颠簸道路。
进一步地,所述加速度计数据包括ax,ay,和az中的至少一种,其中,ax表示左右加速度,ay表示俯仰加速度,az表示前后加速度,
所述陀螺仪数据包括gx,gy,gz中的至少一种,其中,gx表示俯仰变化角速度,gy表示左右变化角速度,gz表示翻滚变化角速度。
进一步地,所述步骤S2包括:
步骤S21,对于每个时间窗口为1s范围的加速度计数据与陀螺仪数据进行处理,分别得到所述加速度计数据与所述陀螺仪数据的特征数据,所述特征数据包括均值、均方差、偏度、峰度、以及峰峰值中的一种或多种;
步骤S22,基于所述加速度计数据与所述陀螺仪数据的特征数据,通过所述颠簸道路识别模型进行识别,确定是否存在颠簸道路。
进一步地,所述颠簸道路识别模型通过如下方法形成:
a)采集多个车辆经过不同颠簸道路时的加速度计数据与陀螺仪数据;
b)对于不同颠簸道路进行标注,并与通过该颠簸道路时的加速度计数据与陀螺仪数据相对应;
c)基于所述标注进行训练,得到所述颠簸道路识别模型。
5、根据权利要求4所述的颠簸道路识别方法,其特征在于,还包括:
当确认存在所述颠簸道路时,基于所述加速度计与陀螺仪数据,通过多分类模型进行颠簸级别分类,确定颠簸程度。
进一步地,所述多分类模型通过如下方法形成:
a)采集多个车辆经过不同程度颠簸道路时的加速度计数据与陀螺仪数据;
b)对于不同程度颠簸道路进行颠簸程度标注,并与通过各颠簸程度的颠簸道路时的加速度计数据与陀螺仪数据相对应;
c)基于所述标注采用梯度提升法(gradient_boosting法)进行机器学习训练,得到不同特征数据的权重比例;
d)基于所得到的不同特征数据的权重比例进行分类识别训练,生成所述多分类模型。
进一步地,所述c)中,得到不同特征数据的权重比例之后,保留权重比例满足预定要求的特征数据,所述d)中,基于保留的所述特征数据,生成所述多分类模型,所述多分类模型为多分类逻辑(logistic)回归模型。
进一步地,所述加速度计数据至少包括俯仰加速度ay,所述陀螺仪数据至少包括翻滚变化角速度gz,所述特征数据至少包括均方差、偏度、和峰峰值。
进一步地,保留俯仰加速度ay的均方差ay_std,俯仰加速度ay的峰峰值ay_rang,俯仰加速度ay的偏度ay_kurt,翻滚变化角速度gz的峰峰值gz_range,和翻滚变化角速度gz的均方差gz_std,所述多分类模型的logistic(逻辑)回归函数如下式所示:
其中,表示第k种颠簸程度的俯仰加速度ay的均方差对应的系数,表示第k种颠簸程度的俯仰加速度ay的峰峰值对应的系数,表示第k种颠簸程度的俯仰加速度ay的偏度对应的系数,表示第k种颠簸程度的翻滚变化角速度gz的峰峰值对应的系数,表示第k种颠簸程度的翻滚变化角速度gz的均方差对应的系数,k表示颠簸程度,其中,k值越大表示颠簸程度越大,通过所述多分类模型的逻辑(logistic)回归函数计算出不同k值的概率,取概率最大的k值作为道路的颠簸程度。
进一步地,在识别了颠簸道路及其颠簸级别之后,可以结合车辆位置下发给相关车辆,在车辆接到服务器下发的颠簸道路和颠簸级别时,可以结合导航进行语音播报,由此提醒车辆安全驾驶。
第二方面,本发明提供颠簸道路识别装置,包括:
获取模块,用于获取行驶中车辆的加速度计数据与陀螺仪数据;
识别模块,用于基于所述加速度计与陀螺仪数据,通过颠簸道路识别模型进行识别以确定是否存在颠簸道路。
进一步地,所述加速度计数据包括ax,ay,和az中的至少一种,其中,ax表示左右加速度,ay表示俯仰加速度,az表示前后加速度,
所述陀螺仪数据包括gx,gy,gz中的至少一种,其中,gx表示俯仰变化角速度,gy表示左右变化角速度,gz表示翻滚变化角速度。
进一步地,所述识别模块包括:
特征数据生成模块,用于对于每个时间窗口为1s范围的加速度计数据与陀螺仪数据进行处理,分别得到所述加速度计数据与所述陀螺仪数据的特征数据,所述特征数据包括均值、均方差、偏度、峰度、以及峰峰值;
计算模块,用于基于所述加速度计数据与所述陀螺仪数据的特征数据,通过所述颠簸道路识别模型进行识别,确定是否存在颠簸道路。
进一步地,所述颠簸道路识别模型通过如下方法形成:
a)采集多个车辆经过不同颠簸道路时的加速度计数据与陀螺仪数据;
b)对于不同颠簸道路进行标注,并与通过该颠簸道路时的加速度计数据与陀螺仪数据相对应;
c)基于所述标注进行训练,得到所述颠簸道路识别模型。
进一步地,还包括:
颠簸程度分类模块,用于基于所述加速度计与陀螺仪数据,通过多分类模型进行颠簸级别分类,确定颠簸程度。
第三方面,本发明提供用于识别颠簸道路的电子设备,包括:
一个或多个处理器;
一个或多个存储器,其中存储了计算机可读代码,所述计算机可读代码当由所述一个或多个处理器运行时,使得所述处理器执行如下步骤:
步骤S1,获取行驶中车辆的加速度计数据与陀螺仪数据;
步骤S2,基于所述加速度计与陀螺仪数据,通过颠簸道路识别模型进行识别以确定是否存在颠簸道路。
第四方面,本发明提供计算机存储介质,其中存储了计算机可读代码,所述计算机可读代码当由一个或多个处理器运行时,使得所述处理器执行如下步骤:
步骤S1,获取行驶中车辆的加速度计数据与陀螺仪数据;
步骤S2,基于所述加速度计与陀螺仪数据,通过颠簸道路识别模型进行识别以确定是否存在颠簸道路。
本发明的上述技术方案至少具有如下有益效果之一:
根据本发明的颠簸道路识别方法,基于所述加速度计与陀螺仪数据进行识别颠簸道路,能够准确的识别道路颠簸的情况;
进一步地,综合均值、均方差、偏度、峰度、以及峰峰值5个维度的特征,能够全面的识别道路颠簸的情况;
更进一步地,通过多分类模型进行识别颠簸道路,可以进行颠簸级别分类,能够清楚且实时的提醒车主规避风险。
附图说明
图1为根据本发明一实施例的颠簸道路识别方法的流程图;
图2为本发明一具体实施例的颠簸道路识别方法的流程示意图;
图3为根据本发明实施例的上海地区部分颠簸区域的示意图;
图4为根据本发明实施例的颠簸道路识别装置的示意图;
图5为根据本发明实施例的用于识别颠簸道路的电子设备示意图。
具体实施方式
下面将结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
路面检修孔、坑洼引起的颠簸,会影响驾驶速度并造成一定的潜在安全隐患,目前的路面检测多数由人工观察完成,其作用区域有限,难以大范围实时高效推广。已有的可检测颠簸的方法通常借助主观判断的某个单独的车载传感器如加速度计识别道路颠簸。
但是,已有的可检测颠簸的方法普遍存在识别颠簸准确性不高的问题,易出现颠簸与急刹车、急加速等情况的误判与混淆,或存在实时性不足,不能及时对路面颠簸状况给出判断。
本发明结合车辆行驶过程产生的加速度计数据与陀螺仪传感器数据,借助特征工程准确识别是否颠簸及颠簸程度的特征要素,能够准确识别道路颠簸并对颠簸轻重程度进行划分,达到实时提醒车主规避风险的作用。
首先,结合图1说明根据本发明实施例的颠簸道路识别方法。
如图1所示,本发明实施例的颠簸道路识别方法,包括:
步骤S1,获取行驶中车辆的加速度计数据与陀螺仪数据。
可选地,加速度计数据可以包括以下至少一种:ax,ay,和az;
其中,ax表示左右加速度,ay表示俯仰加速度,az表示前后加速度。
可选地,陀螺仪数据可以包括以下至少一种:gx,gy,和gz;
其中,gx表示俯仰变化角速度,gy表示左右变化角速度,gz表示翻滚变化角速度。
可选地,每个数据类型的采样频率为50Hz,即每秒采样50次,每秒获得50条数据。
进一步地,对每条数据进行降噪处理,以获得更准确的数据。
步骤S2,基于所述加速度计与陀螺仪数据,通过颠簸道路识别模型进行识别以确定是否存在颠簸道路。
也就是说,通过颠簸道路识别模型对加速度计与陀螺仪数据进行识别,以确定是否存在颠簸道路。
由此,能够快速且准确的识别道路颠簸的情况。
根据本发明一些实施例,步骤S2的步骤为:
步骤S21,对于每个时间窗口为1s范围的加速度计数据与陀螺仪数据进行处理,分别得到加速度计数据与陀螺仪数据的特征数据,特征数据包括均值、均方差、偏度、峰度、以及峰峰值中的一种或多种。
需要注意的是,以上只是可选地示例,还可以包括协方差、中心矩等,即任何基于加速度计与陀螺仪数据的处理得出的特征数据,均应该理解在本发明范围内。
例如,采样频率为50Hz,对于每个时间窗口1s范围内的加速度计数据与陀螺仪数据进行处理,即对于每个时间窗口内的加速度计数据与陀螺仪数据所有数据类型各50条数据进行处理(预处理),得到对应的均值、均方差、偏度、峰度、以及峰峰值。
如果按照维度计算,加速度计数据有3个维度(ax,ay,和az)特征数据,陀螺仪数据有3个维度(gx,gy,和gz)特征数据,分别对加速度计数据与陀螺仪数据进行处理,得到5个维度(均值、均方差、偏度、峰度、以及峰峰值)特征数据,综合计算,总共有30个维度特征数据。
步骤S22,基于加速度计数据与陀螺仪数据的特征数据,通过颠簸道路识别模型进行识别,确定是否存在颠簸道路。
也就是说,基于加速度计数据与陀螺仪数据的所有特征数据或部分特征数据,通过颠簸道路识别模型进行识别,确定是否存在颠簸道路。
由此,可以通过多个维度特征数据识别道路颠簸情况,能够全面的识别道路颠簸的情况。
可选地,颠簸道路识别模型通过如下方法形成:
首先,采集多个车辆经过不同颠簸道路时的加速度计数据与陀螺仪数据;
接着,对于不同颠簸道路进行标注,并与通过该颠簸道路时的加速度计数据与陀螺仪数据相对应;
最后,基于标注进行训练,得到颠簸道路识别模型。
根据本发明一些实施例,当确认存在颠簸道路时,基于加速度计与陀螺仪数据,通过多分类模型进行颠簸级别分类,确定颠簸程度。
例如,将道路的颠簸级别分类为4类,即有4种标签属性(0/1/2/3),其中,0代表平稳路段,1代表轻微颠簸路段,2代表中度颠簸路段,3代表严重颠簸路段,然后通过多分类模型进行颠簸级别分类,确定颠簸程度。
由此,通过多分类模型进行识别颠簸道路,可以进行颠簸级别分类,能够清楚且实时的提醒车主规避风险。
可选地,多分类模型通过如下方法形成:
首先,采集多个车辆经过不同程度颠簸道路时的加速度计数据与陀螺仪数据。
接着,对于不同程度颠簸道路进行颠簸程度标注,并与通过各颠簸程度的颠簸道路时的加速度计数据与陀螺仪数据相对应。
接着,基于标注采用梯度提升法(gradient_boosting法)进行机器学习训练,得到不同特征数据的权重比例。
进一步地,得到不同特征数据的权重比例之后,保留权重比例满足预定要求的特征数据,其中,这个预定要求可以是权重大于一个值,也可以是例如处于最大的几个或处于上位的百分之几等。
最后,基于所得到的不同特征数据的权重比例进行分类识别训练,生成多分类模型。
优选地,多分类模型为逻辑回归模型(logistic分类模型)。
当然,以上只是可选地示例,多分类模型也可以是softmax分类模型,即任何用于对道路颠簸级别进行分类的模型均应该理解在本发明范围内。
可选地,所述加速度计数据至少包括俯仰加速度ay,所述陀螺仪数据至少包括翻滚变化角速度gz,所述特征数据至少包括均方差、偏度、和峰峰值。
综合多种机器学习多分类模型,保留俯仰加速度ay的均方差ay_std,俯仰加速度ay的峰峰值ay_rang,俯仰加速度ay的偏度ay_kurt,翻滚变化角速度gz的峰峰值gz_range,和翻滚变化角速度gz的均方差gz_std,所述多分类模型的logistic(逻辑)回归函数如下式所示:
其中,表示第k种颠簸程度的俯仰加速度ay的均方差对应的系数,表示第k种颠簸程度的俯仰加速度ay的峰峰值对应的系数,表示第k种颠簸程度的俯仰加速度ay的偏度对应的系数,表示第k种颠簸程度的翻滚变化角速度gz的峰峰值对应的系数,表示第k种颠簸程度的翻滚变化角速度gz的均方差对应的系数,k表示颠簸程度,其中,k值越大表示颠簸程度越大,通过所述多分类模型的logistic回归函数计算出不同k值的概率,取概率最大的k值作为道路的颠簸程度。
在以上形成的logistic分类模型后,利用训练好的logistic分类模型进行识别以确定是否存在颠簸道路。
可选地,内置多分类logistic模型的参数于车载地图应用中,根据实时采集的传感器数据,对路面质量进行判断并给出相应的预报。
以下通过一个示例,具体说明本发明颠簸道路识别的方法。
如图2所示,本发明颠簸道路识别的方法包括离线训练机器学习模型部分和在线预报两个部分。
第一部分,离线训练机器机器学习模型包括:
1)收集测试车辆加速度计与陀螺仪数据,加速度计数据包括:ax,ay,和az,陀螺仪数据包括gx,gy,和gz:记录道路颠簸程度(将道路的颠簸级别分类为4类,平稳路段,轻微颠簸路段,中度颠簸路段,严重颠簸路段);
2)对数据进行处理,分布对加速度计与陀螺仪数据进行预处理,分别得到均值、均方差、偏度、峰度、以及峰峰值,即获取30个维度特征数据;
3)识别有效特征,采用gradient_boosting方法对上述30个维度的数据结合颠簸程度的标签属性(0/1/2/3,数值越高颠簸越明显)进行机器学习训练,得到不同特征的权重占比,最终保留俯仰加速度ay的均方差ay_std,俯仰加速度ay的峰峰值ay_rang,俯仰加速度ay的偏度ay_kurt,翻滚变化角速度gz的峰峰值gz_range,和翻滚变化角速度gz的均方差gz_std。
4)模型训练,形成多分类模型,得到最适合实时部署的logistic分类模型,logistic分类模型如下:
其中,表示第k种颠簸程度的俯仰加速度ay的均方差对应的系数,表示第k种颠簸程度的俯仰加速度ay的峰峰值对应的系数,表示第k种颠簸程度的俯仰加速度ay的偏度对应的系数,表示第k种颠簸程度的翻滚变化角速度gz的峰峰值对应的系数,表示第k种颠簸程度的翻滚变化角速度gz的均方差对应的系数,k表示颠簸程度,其中,k值越大表示颠簸程度越大,通过所述多分类模型的logistic回归函数计算出不同k值的概率,取概率最大的k值作为道路的颠簸程度。
第二部分,基于训练好的模型,进行在线预报,包括:
1)获得实时加速度计与陀螺仪数据;
2)对数据进行预处理并通过训练好的logistic分类模型进行计算;
3)确定路面颠簸程度(基于k的数值);
4)通过语音或其他方式进行预报,比如内置多分类logistic模型的参数于车载地图应用中,根据实时采集的传感器数据,对路面质量进行判断并给出相应的预报,得到如图3所示的上海地区部分颠簸区域分布图。
下面,结合图4,说明根据本发明实施例的颠簸道路识别装置1000。
如图4所示,本发明实施例的颠簸道路识别装置1000包括:
获取模块1001,用于获取行驶中车辆的加速度计数据与陀螺仪数据;
所述加速度计数据包括ax,ay,和az中的至少一种,其中,ax表示左右加速度,ay表示俯仰加速度,az表示前后加速度;
所述陀螺仪数据包括gx,gy,gz中的至少一种,其中,gx表示俯仰变化角速度,gy表示左右变化角速度,gz表示翻滚变化角速度。
识别模块1002,用于基于所述加速度计与陀螺仪数据,通过颠簸道路识别模型进行识别以确定是否存在颠簸道路。
进一步地,识别模块1002包括:
特征数据生成模块,用于对于每个时间窗口为1s范围的加速度计数据与陀螺仪数据进行处理,分别得到所述加速度计数据与所述陀螺仪数据的特征数据,所述特征数据包括均值、均方差、偏度、峰度、以及峰峰值;
计算模块,用于基于所述加速度计数据与所述陀螺仪数据的特征数据,通过所述颠簸道路识别模型进行识别,确定是否存在颠簸道路。
进一步地,颠簸道路识别模型通过如下方法形成:
a)采集多个车辆经过不同颠簸道路时的加速度计数据与陀螺仪数据;
b)对于不同颠簸道路进行标注,并与通过该颠簸道路时的加速度计数据与陀螺仪数据相对应;
c)基于所述标注进行训练,得到所述颠簸道路识别模型。
进一步地,颠簸道路的识别装置还包括颠簸程度分类模块1003,用于基于所述加速度计与陀螺仪数据,通过多分类模型进行颠簸级别分类,确定颠簸程度。
进一步地,颠簸道路识别装置1000还可以分别用于颠簸道路识别方法中的相应步骤,在此省略其详细说明。
此外,结合图5,说明根据本发明实施例的用于识别颠簸道路的电子设备。
如图5所示,本发明实施例的用于识别颠簸道路的电子设备包括:
处理器1401和存储器1402,在存储器1402中存储有计算机程序指令,其中,在计算机程序指令被处理器运行时,使得处理器1401执行以下步骤:
步骤S1,获取行驶中车辆的加速度计数据与陀螺仪数据;
步骤S2,基于所述加速度计与陀螺仪数据,通过颠簸道路识别模型进行识别以确定是否存在颠簸道路。
更进一步地,处理器1401可以执行上述任一实施例的颠簸道路识别方法中所对应的步骤,以完成颠簸道路的识别。
上述各个接口和设备之间可以通过总线架构互连。总线架构可以是可以包括任意数量的互联的总线和桥。具体由处理器1401代表的一个或者多个中央处理器(CPU),以及由存储器1402代表的一个或者多个存储器的各种电路连接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其它电路连接在一起。可以理解,总线架构用于实现这些组件之间的连接通信。总线架构除包括数据总线之外,还包括电源总线、控制总线和状态信号总线,这些都是本领域所公知的,因此本文不再对其进行详细描述。
所述网络接口1403,可以连接至网络(如因特网、局域网等),从网络中获取相关数据,并可以保存在硬盘1405中。
所述输入设备1404,可以接收操作人员输入的各种指令,并发送给处理器1401以供执行。所述输入设备1404可以包括键盘或者点击设备(例如,鼠标,轨迹球(trackball)、触感板或者触摸屏等。
所述显示设备1406,可以将处理器1401执行指令获得的结果进行显示。
所述存储器1402,用于存储操作系统运行所必须的程序和数据,以及处理器1401计算过程中的中间结果等数据。
可以理解,本发明实施例中的存储器1402可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(ROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)或闪存。易失性存储器可以是随机存取存储器(RAM),其用作外部高速缓存。本文描述的装置和方法的存储器1402旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中,存储器1402存储了如下的元素,可执行模块或者数据结构,或者他们的子集,或者他们的扩展集:操作系统14021和应用程序14014。
其中,操作系统14021,包含各种系统程序,例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务。应用程序14014,包含各种应用程序,例如浏览器(Browser)等,用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序14014中。
上述处理器1401,当调用并执行所述存储器1402中所存储的应用程序和数据,具体的,可以是应用程序14014中存储的程序或指令时,首先,获取行驶中车辆的加速度计数据与陀螺仪数据;接着,基于所述加速度计与陀螺仪数据,通过颠簸道路识别模型进行识别以确定是否存在颠簸道路。
本发明上述实施例揭示的方法可以应用于处理器1401中,或者由处理器1401实现。处理器1401可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器1401中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1401可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1402,处理器1401读取存储器1402中的信息,结合其硬件完成上述方法的步骤。
可以理解的是,本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现,处理单元可以实现在一个或多个专用集成电路(ASIC)、数字信号处理器DSP)、数字信号处理设备(DSPD)、可编程逻辑设备(PLD)、现场可编程门阵列(FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现,可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
另外,本发明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存储有计算机程序,所述计算机程序被处理器运行时,使得所述处理器执行以下步骤:
步骤S1,获取行驶中车辆的加速度计数据与陀螺仪数据;
步骤S2,基于所述加速度计与陀螺仪数据,通过颠簸道路识别模型进行识别以确定是否存在颠簸道路。
更进一步地,处理器1401可以执行上述任一实施例的颠簸道路识别方法中所对应的步骤,以完成颠簸道路的识别。
更进一步地,本发明还提供一种程序产品,该程序产品包括执行指令,该执行指令存储在可读存储介质中。电子设备(例如可以是服务器、云服务器、或者服务器的一部分等)的至少一个处理器可以从可读存储介质读取该执行指令,至少一个处理器执行该执行指令使得颠簸道路识别装置1000实施上述各种实施方式提供的颠簸道路识别方法。
在本申请所提供的几个实施例中,应该理解到,所揭露方法和装置,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理包括,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述收发方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁盘或者光盘等各种可以存储程序代码的介质。
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,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (16)
1.一种颠簸道路识别方法,其特征在于,包括:
步骤S1,获取行驶中车辆的加速度计数据与陀螺仪数据;
步骤S2,基于所述加速度计与陀螺仪数据,通过颠簸道路识别模型进行识别以确定是否存在颠簸道路。
2.根据权利要求1所述的颠簸道路识别方法,其特征在于,所述加速度计数据包括ax,ay,和az中的至少一种,其中,ax表示左右加速度,ay表示俯仰加速度,az表示前后加速度,
所述陀螺仪数据包括gx,gy,gz中的至少一种,其中,gx表示俯仰变化角速度,gy表示左右变化角速度,gz表示翻滚变化角速度。
3.根据权利要求2所述的颠簸道路的识别方法,其特征在于,所述步骤S2包括:
步骤S21,对于每个时间窗口为1s范围的加速度计数据与陀螺仪数据进行处理,分别得到所述加速度计数据与所述陀螺仪数据的特征数据,所述特征数据包括均值、均方差、偏度、峰度、以及峰峰值中的一种或多种;
步骤S22,基于所述加速度计数据与所述陀螺仪数据的特征数据,通过所述颠簸道路识别模型进行识别,确定是否存在颠簸道路。
4.根据权利要求3所述颠簸道路的识别方法,其特征在于,所述颠簸道路识别模型通过如下方法形成:
a)采集多个车辆经过不同颠簸道路时的加速度计数据与陀螺仪数据;
b)对于不同颠簸道路进行标注,并与通过该颠簸道路时的加速度计数据与陀螺仪数据相对应;
c)基于所述标注进行训练,得到所述颠簸道路识别模型。
5.根据权利要求4所述的颠簸道路识别方法,其特征在于,还包括:
当确认存在所述颠簸道路时,基于所述加速度计与陀螺仪数据,通过多分类模型进行颠簸级别分类,确定颠簸程度。
6.根据权利要求5所述的颠簸道路识别方法,其特征在于,所述多分类模型通过如下方法形成:
a)采集多个车辆经过不同程度颠簸道路时的加速度计数据与陀螺仪数据;
b)对于不同程度颠簸道路进行颠簸程度标注,并与通过各颠簸程度的颠簸道路时的加速度计数据与陀螺仪数据相对应;
c)基于所述标注采用梯度提升法进行机器学习训练,得到不同特征数据的权重比例;
d)基于所得到的不同特征数据的权重比例进行分类识别训练,生成所述多分类模型。
7.根据权利要求6所述的颠簸道路识别方法,其特征在于,所述c)中,得到不同特征数据的权重比例之后,保留权重比例满足预定要求的特征数据,所述d)中,基于保留的所述特征数据,生成所述多分类模型,所述多分类模型为多分类逻辑回归模型。
8.根据权利要求7所述的颠簸道路识别方法,其特征在于,所述加速度计数据至少包括俯仰加速度ay,所述陀螺仪数据至少包括翻滚变化角速度gz,所述特征数据至少包括均方差、偏度、和峰峰值。
9.根据权利要求8所述的颠簸道路识别方法,其特征在于,保留俯仰加速度ay的均方差ay_std,俯仰加速度ay的峰峰值ay_rang,俯仰加速度ay的偏度ay_kurt,翻滚变化角速度gz的峰峰值gz_range,和翻滚变化角速度gz的均方差gz_std,所述多分类模型的逻辑回归函数如下式所示:
其中,表示第k种颠簸程度的俯仰加速度ay的均方差对应的系数,表示第k种颠簸程度的俯仰加速度ay的峰峰值对应的系数,表示第k种颠簸程度的俯仰加速度ay的偏度对应的系数,表示第k种颠簸程度的翻滚变化角速度gz的峰峰值对应的系数,表示第k种颠簸程度的翻滚变化角速度gz的均方差对应的系数,k表示颠簸程度,其中,k值越大表示颠簸程度越大,
通过所述多分类模型的逻辑回归函数计算出不同k值的概率,取概率最大的k值作为道路颠簸程度。
10.一种颠簸道路识别装置,其特征在于,包括:
获取模块,用于获取行驶中车辆的加速度计数据与陀螺仪数据;
识别模块,用于基于所述加速度计与陀螺仪数据,通过颠簸道路识别模型进行识别以确定是否存在颠簸道路。
11.根据权利要求10所述的颠簸道路识别装置,其特征在于,所述加速度计数据包括ax,ay,和az中的至少一种,其中,ax表示左右加速度,ay表示俯仰加速度,az表示前后加速度,
所述陀螺仪数据包括gx,gy,gz中的至少一种,其中,gx表示俯仰变化角速度,gy表示左右变化角速度,gz表示翻滚变化角速度。
12.根据权利要求11所述的颠簸道路的识别装置,其特征在于,所述识别模块包括:
特征数据生成模块,用于对于每个时间窗口为1s范围的加速度计数据与陀螺仪数据进行处理,分别得到所述加速度计数据与所述陀螺仪数据的特征数据,所述特征数据包括均值、均方差、偏度、峰度、以及峰峰值;
计算模块,用于基于所述加速度计数据与所述陀螺仪数据的特征数据,通过所述颠簸道路识别模型进行识别,确定是否存在颠簸道路。
13.根据权利要求11所述颠簸道路的识别装置,其特征在于,所述颠簸道路识别模型通过如下方法形成:
a)采集多个车辆经过不同颠簸道路时的加速度计数据与陀螺仪数据;
b)对于不同颠簸道路进行标注,并与通过该颠簸道路时的加速度计数据与陀螺仪数据相对应;
c)基于所述标注进行训练,得到所述颠簸道路识别模型。
14.根据权利要求13所述的颠簸道路识别装置,其特征在于,还包括:
颠簸程度分类模块,用于基于所述加速度计与陀螺仪数据,通过多分类模型进行颠簸级别分类,确定颠簸程度。
15.一种用于识别颠簸道路的电子设备,其特征在于,包括:
一个或多个处理器;
一个或多个存储器,其中存储了计算机可读代码,所述计算机可读代码当由所述一个或多个处理器运行时,使得所述处理器执行如下步骤:
步骤S1,获取行驶中车辆的加速度计数据与陀螺仪数据;
步骤S2,基于所述加速度计与陀螺仪数据,通过颠簸道路识别模型进行识别以确定是否存在颠簸道路。
16.一种计算机存储介质,其特征在于,其中存储了计算机可读代码,所述计算机可读代码当由一个或多个处理器运行时,使得所述处理器执行如下步骤:
步骤S1,获取行驶中车辆的加速度计数据与陀螺仪数据;
步骤S2,基于所述加速度计与陀螺仪数据,通过颠簸道路识别模型进行识别以确定是否存在颠簸道路。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911365175.1A CN110986938B (zh) | 2019-12-26 | 2019-12-26 | 颠簸道路识别方法、装置、及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911365175.1A CN110986938B (zh) | 2019-12-26 | 2019-12-26 | 颠簸道路识别方法、装置、及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110986938A true CN110986938A (zh) | 2020-04-10 |
CN110986938B CN110986938B (zh) | 2023-09-12 |
Family
ID=70077222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911365175.1A Active CN110986938B (zh) | 2019-12-26 | 2019-12-26 | 颠簸道路识别方法、装置、及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110986938B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111982158A (zh) * | 2020-10-21 | 2020-11-24 | 蘑菇车联信息科技有限公司 | 一种惯性测量单元标定方法及装置 |
CN112489395A (zh) * | 2020-11-12 | 2021-03-12 | 重庆工程职业技术学院 | 一种道路颠簸的预警方法、装置及存储介质 |
CN113075629A (zh) * | 2021-03-25 | 2021-07-06 | 广州勘帝德电子科技有限公司 | 一种微波雷达误报降低方法、系统、设备及存储介质 |
CN113257043A (zh) * | 2021-05-31 | 2021-08-13 | 中航信移动科技有限公司 | 飞机颠簸识别方法、装置、计算机设备及存储介质 |
CN114088102A (zh) * | 2022-01-19 | 2022-02-25 | 智道网联科技(北京)有限公司 | 基于车载惯性测量单元的路面质量评估方法及装置 |
CN115320307A (zh) * | 2022-10-17 | 2022-11-11 | 浙江孔辉汽车科技有限公司 | 一种车辆的减振方法、减振装置、电子设备及存储介质 |
WO2023273859A1 (zh) * | 2021-06-28 | 2023-01-05 | 长城汽车股份有限公司 | 搓板路面识别方法、装置、介质和控制器 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740793A (zh) * | 2016-01-26 | 2016-07-06 | 哈尔滨工业大学深圳研究生院 | 基于路面颠簸情况和道路类型识别的自动调速方法与系统 |
CN105818815A (zh) * | 2015-01-09 | 2016-08-03 | 深圳爱拽科技有限公司 | 一种利用obd进行路况信息检测的方法 |
CN106500708A (zh) * | 2015-09-03 | 2017-03-15 | 哈曼国际工业有限公司 | 用于驾驶员辅助的方法和系统 |
US20180209789A1 (en) * | 2017-01-23 | 2018-07-26 | International Business Machines Corporation | System and method of acquiring road data |
US20180364722A1 (en) * | 2017-06-16 | 2018-12-20 | Microsoft Technology Licensing, Llc | Road hazard detection |
CN109050535A (zh) * | 2018-07-25 | 2018-12-21 | 北京理工大学 | 一种基于车辆姿态的快速地形工况辨识方法 |
CN109109866A (zh) * | 2018-08-24 | 2019-01-01 | 深圳市国脉畅行科技股份有限公司 | 车辆行驶状态监测方法、装置、计算机设备及存储介质 |
CN109263636A (zh) * | 2018-08-31 | 2019-01-25 | 深圳市易成自动驾驶技术有限公司 | 速度调节方法、装置及计算机可读存储介质 |
CN110329271A (zh) * | 2019-06-18 | 2019-10-15 | 北京航空航天大学杭州创新研究院 | 一种基于机器学习的多传感器车辆行驶检测系统及方法 |
-
2019
- 2019-12-26 CN CN201911365175.1A patent/CN110986938B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105818815A (zh) * | 2015-01-09 | 2016-08-03 | 深圳爱拽科技有限公司 | 一种利用obd进行路况信息检测的方法 |
CN106500708A (zh) * | 2015-09-03 | 2017-03-15 | 哈曼国际工业有限公司 | 用于驾驶员辅助的方法和系统 |
CN105740793A (zh) * | 2016-01-26 | 2016-07-06 | 哈尔滨工业大学深圳研究生院 | 基于路面颠簸情况和道路类型识别的自动调速方法与系统 |
US20180209789A1 (en) * | 2017-01-23 | 2018-07-26 | International Business Machines Corporation | System and method of acquiring road data |
US20180364722A1 (en) * | 2017-06-16 | 2018-12-20 | Microsoft Technology Licensing, Llc | Road hazard detection |
CN109050535A (zh) * | 2018-07-25 | 2018-12-21 | 北京理工大学 | 一种基于车辆姿态的快速地形工况辨识方法 |
CN109109866A (zh) * | 2018-08-24 | 2019-01-01 | 深圳市国脉畅行科技股份有限公司 | 车辆行驶状态监测方法、装置、计算机设备及存储介质 |
CN109263636A (zh) * | 2018-08-31 | 2019-01-25 | 深圳市易成自动驾驶技术有限公司 | 速度调节方法、装置及计算机可读存储介质 |
CN110329271A (zh) * | 2019-06-18 | 2019-10-15 | 北京航空航天大学杭州创新研究院 | 一种基于机器学习的多传感器车辆行驶检测系统及方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111982158A (zh) * | 2020-10-21 | 2020-11-24 | 蘑菇车联信息科技有限公司 | 一种惯性测量单元标定方法及装置 |
CN112489395A (zh) * | 2020-11-12 | 2021-03-12 | 重庆工程职业技术学院 | 一种道路颠簸的预警方法、装置及存储介质 |
CN113075629A (zh) * | 2021-03-25 | 2021-07-06 | 广州勘帝德电子科技有限公司 | 一种微波雷达误报降低方法、系统、设备及存储介质 |
CN113075629B (zh) * | 2021-03-25 | 2024-03-15 | 广州勘帝德电子科技有限公司 | 一种微波雷达误报降低方法、系统、设备及存储介质 |
CN113257043A (zh) * | 2021-05-31 | 2021-08-13 | 中航信移动科技有限公司 | 飞机颠簸识别方法、装置、计算机设备及存储介质 |
WO2023273859A1 (zh) * | 2021-06-28 | 2023-01-05 | 长城汽车股份有限公司 | 搓板路面识别方法、装置、介质和控制器 |
CN114088102A (zh) * | 2022-01-19 | 2022-02-25 | 智道网联科技(北京)有限公司 | 基于车载惯性测量单元的路面质量评估方法及装置 |
CN114088102B (zh) * | 2022-01-19 | 2022-04-12 | 智道网联科技(北京)有限公司 | 基于车载惯性测量单元的路面质量评估方法及装置 |
CN115320307A (zh) * | 2022-10-17 | 2022-11-11 | 浙江孔辉汽车科技有限公司 | 一种车辆的减振方法、减振装置、电子设备及存储介质 |
CN115320307B (zh) * | 2022-10-17 | 2023-01-20 | 浙江孔辉汽车科技有限公司 | 一种车辆的减振方法、减振装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110986938B (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110986938B (zh) | 颠簸道路识别方法、装置、及电子设备 | |
CN110288096B (zh) | 预测模型训练及预测方法、装置、电子设备、存储介质 | |
CN113642633B (zh) | 用于对驾驶场景数据进行分类的方法、装置、设备和介质 | |
CN107784587B (zh) | 一种驾驶行为评价系统 | |
JP2020530578A (ja) | 運転行為の採点方法及び装置 | |
US20190155291A1 (en) | Methods and systems for automated driving system simulation, validation, and implementation | |
CN109255341B (zh) | 障碍物感知错误数据的提取方法、装置、设备及介质 | |
CN106314438A (zh) | 一种司机驾驶轨迹中异常轨迹的检测方法和系统 | |
US9542605B2 (en) | State recognition system and state recognition method | |
US20190042857A1 (en) | Information processing system and information processing method | |
WO2020107894A1 (zh) | 一种驾驶行为评分方法、装置及计算机可读存储介质 | |
CN110304068B (zh) | 汽车行驶环境信息的采集方法、装置、设备和存储介质 | |
US20230131645A1 (en) | Systems and methods for determining a total amount of carbon emissions produced by a vehicle | |
CN114970705B (zh) | 基于多传感数据的行驶状态分析方法、装置、设备及介质 | |
CN113423063B (zh) | 基于车载t-box的车辆监控方法、装置、车辆及介质 | |
CN112937591B (zh) | 驾驶安全监测方法、装置、设备及计算机可读存储介质 | |
WO2016107876A1 (en) | Vehicular motion monitoring method | |
CN111340355A (zh) | 行程订单的匹配方法、装置、服务器和介质 | |
CN110909907A (zh) | 卡车的油耗预测方法、装置及存储介质 | |
CN110263836B (zh) | 一种基于多特征卷积神经网络的不良驾驶状态识别方法 | |
Xiang et al. | Prediction of dangerous driving behavior based on vehicle motion state and passenger feeling using Cloud Model and Elman Neural Network | |
US9747801B2 (en) | Method and device for determining surroundings | |
EP3382570A1 (en) | Method for characterizing driving events of a vehicle based on an accelerometer sensor | |
CN116753938A (zh) | 车辆测试场景生成方法、装置、存储介质及设备 | |
CN114895274A (zh) | 一种护栏识别方法 |
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 |