CN111047047A - 驾驶模型的训练方法和装置、电子设备、计算机存储介质 - Google Patents
驾驶模型的训练方法和装置、电子设备、计算机存储介质 Download PDFInfo
- Publication number
- CN111047047A CN111047047A CN201911117810.4A CN201911117810A CN111047047A CN 111047047 A CN111047047 A CN 111047047A CN 201911117810 A CN201911117810 A CN 201911117810A CN 111047047 A CN111047047 A CN 111047047A
- Authority
- CN
- China
- Prior art keywords
- driving
- data
- driver
- vehicle
- running state
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000012549 training Methods 0.000 title claims abstract description 75
- 230000006399 behavior Effects 0.000 claims description 154
- 230000002159 abnormal effect Effects 0.000 claims description 102
- 230000015654 memory Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000001360 synchronised effect Effects 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 description 16
- 230000005856 abnormality Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 230000001133 acceleration Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000028838 turning behavior Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开实施例公开了一种驾驶模型的训练方法和装置、电子设备、计算机存储介质，其中，方法包括：同步采集车辆的运行状态数据、驾驶环境数据、驾驶员图像；获取正常状态下，驾驶员的至少一个驾驶行为事件对应的数据组，所述数据组包括：车辆的运行状态数据、驾驶环境数据和驾驶员图像；基于所述至少一个驾驶行为事件对应的数据组训练驾驶模型。本公开实施例使驾驶模型可以学习到车辆在各种运行状态和驾驶环境下对车辆的正确操作，以提高驾驶模型用于自动驾驶的安全性。
Description
技术领域
本公开涉及人工智能领域，尤其是一种驾驶模型的训练方法和装置、电子设备、计算机存储介质。
背景技术
随着科学技术的发展，无人驾驶技术开始慢慢地走进人们的生活。无人驾驶汽车是智能汽车的一种，也称为轮式移动机器人，主要利用无人驾驶技术，依靠汽车内的计算机系统和配备各种传感器等来实现车辆的自动驾驶。相对于人工驾驶技术，无人驾驶技术可以避免由于用户疲劳驾驶、注意力分散等等导致的交通事故，从而提高驾驶的安全性。
在无人驾驶技术中，需要通过驾驶模型来控制车辆的行驶，因此，驾驶模型性能，直接决定了无人驾驶技术的安全性。只有通过性能较好的驾驶模型，才能够较好的理解驾驶环境并处理复杂驾驶场景，从而做出合理的驾驶行为，提高驾驶的安全性。
发明内容
本公开实施例提供一种用于驾驶模型的技术方案。
根据本公开实施例的一个方面，提供的一种驾驶模型的训练方法，包括：
同步采集车辆的运行状态数据、驾驶环境数据和驾驶员图像；
获取正常状态下，驾驶员的至少一个驾驶行为事件对应的数据组，所述数据组包括：车辆的运行状态数据、驾驶环境数据和驾驶员图像；
基于所述至少一个驾驶行为事件对应的数据组训练驾驶模型。
可选的，在本公开任一实施例的方法中，所述同步采集车辆的运行状态数据、驾驶环境数据和驾驶员图像，包括：
在同步时钟下，按照相同的采集频率采集所述车辆的运行状态数据、驾驶环境数据和驾驶员图像。
可选的，在本公开任一实施例的方法中，所述采集车辆的运行状态数据包括：通过车载传感器和控制器局域网络CAN总线采集所述车辆的运行状态数据；和/或，
所述采集驾驶环境数据包括：通过设置在所述车辆外的传感器采集所述车辆的驾驶环境数据；和/或，
所述驾驶员图像包括：通过设置在所述车辆内的摄像头采集驾驶员图像。
可选的，在本公开任一实施例的方法中，所述设置在所述车辆外的传感器包括以下任意一项或多项：超声波传感器、激光雷达传感器或雷达传感器；
所述车载传感器包括以下任意一项或多项：速度传感器、刹车踏板位置传感器、加速踏板位置传感器、方向盘位置传感器、方向盘压力传感器、GPS和惯性测量单元IMU。
可选的，在本公开任一实施例的方法中，在所述同步采集车辆的运行状态数据、驾驶环境数据和驾驶员图像之后，还包括：对所述同步采集的运行状态数据、驾驶环境数据和驾驶员图像进行预处理；
所述获取正常状态下，驾驶员的至少一个驾驶行为事件对应的数据组，包括：针对预处理后的运行状态数据、驾驶环境数据和驾驶员图像，获取正常状态下，驾驶员的至少一个驾驶行为事件对应的数据组。
可选的，在本公开任一实施例的方法中，所述驾驶行为事件包括以下任意一项或多项：驾驶员驾驶状态，驾驶员的驾驶行为；
所述驾驶员驾驶状态包括以下任意一项或多项：疲劳驾驶，注意力集中，注意力分散；或者，
所述驾驶员的驾驶行为包括以下任意一项或多项：换道，前行，加速，减速，刹车，倒车，转弯，制动。
可选的，在本公开任一实施例的方法中，所述获取正常状态下，驾驶员的至少一个驾驶行为事件对应的数据组，包括：
基于所述同步采集车辆的运行状态数据、驾驶环境数据和驾驶员图像，建立各驾驶行为事件对应的数据组；检测所述各驾驶行为事件对应的数据组中是否存在异常状态的数据组；若存在异常状态的数据组，从所述各驾驶行为事件对应的数据组中去除异常状态的数据组，得到正常状态下所述至少一个驾驶行为事件对应的数据组。
可选的，在本公开任一实施例的方法中，所述获取正常状态下，驾驶员的至少一个驾驶行为事件对应的数据组，包括：
检测所述车辆的运行状态数据、驾驶环境数据和驾驶员图像中，是否存在异常状态的运行状态数据、驾驶环境数据和驾驶员图像；若存在异常状态的运行状态数据、驾驶环境数据和/或驾驶员图像，去掉异常状态的运行状态数据、驾驶环境数据和/或驾驶员图像及对应的同步采集的其他数据，得到正常状态下的同步采集的运行状态数据、驾驶环境数据和驾驶员图像；基于所述正常状态下的同步采集的运行状态数据、驾驶环境数据和驾驶员图像，建立驾驶员的至少一个驾驶行为事件对应的数据组。
可选的，在本公开任一实施例的方法中，所述异常状态，包括以下任意一项或多项：车辆的运行状态异常，驾驶员的行为异常，驾驶员的驾驶状态异常。
可选的，在本公开任一实施例的方法中，所述车辆的运行状态异常，包括以下任意一项或多项：车辆运行速度异常、车辆的行驶方向异常、车辆任一部件的工作状态异常；和/或，
所述驾驶员的行为异常，包括以下任意一项或多项：超速行驶、高速转弯或高速连续变道、转向不打转向灯、急加速、急减速、不按照交通信号通行、不按规定让行、占用应急车道、逆行、停车状态加油门、压车道线行驶、偏离车道线行驶、与前车距离过近、弯道超车；
所述驾驶员的驾驶状态异常包括以下任意一项或多项：疲劳驾驶，注意力分散驾驶。
可选的，在本公开任一实施例的方法中，检测所述各驾驶行为事件对应的数据组中是否存在异常状态的数据组、或者是否存在异常状态的运行状态数据、驾驶环境数据和驾驶员图像，包括：
从所述车辆的运行状态数据检测车辆的运行状态和驾驶员的行为是否异常；从所述驾驶员图像中检测驾驶状态是否异常。可选的，在本公开任一实施例的方法中，所述获取正常状态下，驾驶员的至少一个驾驶行为事件对应的数据组，包括：
对同步采集的所述车辆的运行状态数据、驾驶环境数据和驾驶员图像进行数据转换；
对数据转换后的所述车辆的运行状态数据、驾驶环境数据和驾驶员图像进行特征提取，并基于提取的特征对数据转换后的所述车辆的运行状态数据、驾驶环境数据和驾驶员图像进行聚类，得到各类驾驶行为事件对应的数据组；
所述基于所述至少一个驾驶行为事件对应的数据组训练驾驶模型，包括：
分别基于各类驾驶行为事件对应的数据组训练驾驶模型，得到各类驾驶行为事件对应的驾驶行为模型；其中，所述驾驶模型包括所述各类驾驶行为事件对应的驾驶行为模型。
可选的，在本公开任一实施例的方法中，还包括：所述同步采集车辆的运行状态数据、驾驶环境数据和驾驶员图像之后，还包括：
将同步采集的所述车辆的运行状态数据、驾驶环境数据和驾驶员图像发送给服务器；
所述获取正常状态下，驾驶员的至少一个驾驶行为事件对应的数据组，包括：由所述服务器获取正常状态下，驾驶员的至少一个驾驶行为事件对应的数据组；
所述基于所述至少一个驾驶行为事件对应的数据组训练驾驶模型，包括：由所述服务器基于所述至少一个驾驶行为事件对应的数据组训练驾驶模型。
根据本公开实施例的另一个方面，提供的一种驾驶模拟的训练装置，包括：
采集模块，用于同步采集车辆的运行状态数据、驾驶环境数据和驾驶员图像；
获取模块，用于获取正常状态下驾驶员的至少一个驾驶行为事件对应的数据组，所述数据组包括：车辆的运行状态数据、驾驶环境数据和驾驶员图像；
训练模块，基于所述至少一个驾驶行为事件对应的数据组训练驾驶模型。
可选的，在本公开任一实施例的装置中，所述采集模块，具体用于在同步时钟下，按照相同的采集频率采集所述车辆的运行状态数据、驾驶环境数据和驾驶员图像。
可选的，在本公开任一实施例的装置中，所述采集模块具体用于：采集车辆的运行状态数据，所述车辆的运行状态数据通过车载传感器和控制器局域网络CAN总线采集所述车辆的运行状态数据；和/或，
采集驾驶环境数据，所述驾驶环境数据通过设置在所述车辆外的传感器采集所述车辆的驾驶环境数据；和/或，
采集驾驶员图像，所述驾驶员图像通过设置在所述车辆内的摄像头采集驾驶员图像。
可选的，在本公开任一实施例的装置中，所述设置在所述车辆外的传感器包括以下任意一项或多项：超声波传感器、激光雷达传感器或雷达传感器；
所述车载传感器包括以下任意一项或多项：速度传感器、刹车踏板位置传感器、加速踏板位置传感器、方向盘位置传感器、方向盘压力传感器、全球定位系统GPS和惯性测量单元IMU。
可选的，在本公开任一实施例的装置中，还包括：
预处理模块，用于对所述同步采集的运行状态数据、驾驶环境数据和驾驶员图像进行预处理；
所述获取模块，具体用于针对预处理后的运行状态数据、驾驶环境数据和驾驶员图像，获取正常状态下，驾驶员的至少一个驾驶行为事件对应的数据组。
可选的，在本公开任一实施例的装置中，所述驾驶行为事件包括以下任意一项或多项：驾驶员驾驶状态，驾驶员的驾驶行为；
所述驾驶员驾驶状态包括以下任意一项或多项：疲劳驾驶，注意力集中，注意力分散；
所述驾驶员的驾驶行为包括以下任意一项或多项：换道，前行，加速，减速，刹车，倒车，转弯，制动。
可选的，在本公开任一实施例的装置中，所述获取模块，具体用于：
基于所述同步采集车辆的运行状态数据、驾驶环境数据和驾驶员图像，建立各驾驶行为事件对应的数据组；
检测所述各驾驶行为事件对应的数据组中是否存在异常状态的数据组；
若存在异常状态的数据组，从所述各驾驶行为事件对应的数据组中去除异常状态的数据组，得到正常状态下所述至少一个驾驶行为事件对应的数据组。
可选的，在本公开任一实施例的装置中，所述获取模块，具体用于：
检测所述车辆的运行状态数据、驾驶环境数据和驾驶员图像中，是否存在异常状态的运行状态数据、驾驶环境数据和驾驶员图像；
若存在异常状态的运行状态数据、驾驶环境数据和/或驾驶员图像，去掉异常状态的运行状态数据、驾驶环境数据和/或驾驶员图像及对应的同步采集的其他数据，得到正常状态下的同步采集的运行状态数据、驾驶环境数据和驾驶员图像；
基于所述正常状态下的同步采集的运行状态数据、驾驶环境数据和驾驶员图像，建立驾驶员的至少一个驾驶行为事件对应的数据组。
可选的，在本公开任一实施例的装置中，所述获取模块，具体用于：
检测所述车辆的运行状态数据、驾驶环境数据和驾驶员图像中，是否存在异常状态的运行状态数据、驾驶环境数据和驾驶员图像；
若存在异常状态的运行状态数据、驾驶环境数据和/或驾驶员图像，去掉异常状态的运行状态数据、驾驶环境数据和/或驾驶员图像及对应的同步采集的其他数据，得到正常状态下的同步采集的运行状态数据、驾驶环境数据和驾驶员图像；
基于所述正常状态下的同步采集的运行状态数据、驾驶环境数据和驾驶员图像，建立驾驶员的至少一个驾驶行为事件对应的数据组。
可选的，在本公开任一实施例的装置中，所述异常状态，包括以下任意一项或多项：车辆的运行状态异常，驾驶员的行为异常，驾驶员的驾驶状态异常。
可选的，在本公开任一实施例的装置中，所述车辆的运行状态异常，包括以下任意一项或多项：车辆运行速度异常、车辆的行驶方向异常、车辆任一部件的工作状态异常；和/或，
所述驾驶员的行为异常，包括以下任意一项或多项：超速行驶、高速转弯或高速连续变道、转向不打转向灯、急加速、急减速、不按照交通信号通行、不按规定让行、占用应急车道、逆行、停车状态加油门、压车道线行驶、偏离车道线行驶、与前车距离过近、弯道超车；
所述驾驶员的驾驶状态异常包括以下任意一项或多项：疲劳驾驶和注意力分散驾驶。
可选的，在本公开任一实施例的装置中，所述获取模块检测所述各驾驶行为事件对应的数据组中是否存在异常状态的数据组或者是否存在异常状态的运行状态数据、驾驶环境数据和驾驶员图像时，具体用于：从所述车辆的运行状态数据检测车辆的运行状态和驾驶员的行为是否异常；从所述驾驶员图像中检测驾驶状态是否异常。
可选的，在本公开任一实施例的装置中，所述获取模块，具体用于：对同步采集的所述车辆的运行状态数据、驾驶环境数据和驾驶员图像进行数据转换；对数据转换后的所述车辆的运行状态数据、驾驶环境数据和驾驶员图像进行特征提取，并基于提取的特征对数据转换后的所述车辆的运行状态数据、驾驶环境数据和驾驶员图像进行聚类，得到各类驾驶行为事件对应的数据组；
所述训练模块，具体用于：分别基于各类驾驶行为事件对应的数据组训练驾驶模型，得到各类驾驶行为事件对应的驾驶行为模型；其中，所述驾驶模型包括所述各类驾驶行为事件对应的驾驶行为模型。
可选的，在本公开任一实施例的装置中，还包括：通讯模块，用于将所述采集模块同步采集的车辆的运行状态数据、驾驶环境数据和驾驶员图像发送给服务器；
所述获取模块和所述训练模块设置于所述服务器中；所述服务器还包括：
存储模块，用于存储所述正常状态下驾驶员的至少一个驾驶行为事件对应的数据组。
根据本公开实施例的又一个方面，提供的一种电子设备，包括：存储器，用于存储可执行指令；
处理器，用于与所述存储器通信以执行所述可执行指令从而完成如上所述驾驶模型训练方法的操作。
根据本公开实施例的再一个方面，提供的一种计算机存储介质，用于存储计算机可读取的指令，所述指令被执行时执行如上所述驾驶模型训练方法的操作。
基于本公开上述实施例提供的一种驾驶模型训练方法和装置、电子设备、计算机存储介质，根据同步采集车辆的运行状态数据、车辆的驾驶环境数据和驾驶员图像数据，获取正常状态下，驾驶员的至少一个驾驶行为事件对应的数据组，基于驾驶员的至少一个驾驶行为事件对应的数据组训练驾驶模型，实现了正常状态下基于车辆在各种运行状态和驾驶环境下驾驶员的驾驶行为事件对驾驶模型的训练，使得驾驶模型可以学习到车辆在各种运行状态和驾驶环境下对车辆的正确操作，从而在后续的自动驾驶场景中，可以针对各种车辆运行状态和驾驶环境对车辆做出正确的控制操作，提高自动驾驶的安全性。
附图说明
构成说明书的一部分的附图描述了本公开的实施例，并且连同描述一起用于解释本公开的原理。
参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：
图1为本公开驾驶模型的训练方法一个实施例的流程图。
图2为本公开驾驶模型的训练方法另一个实施例的流程图。
图3为本公开驾驶模型的训练方法又一个实施例的流程图。
图4为本公开驾驶模型的训练装置一个实施例的结构示意图。
图5为本公开驾驶模型的训练装置另一个实施例的结构示例图。
图6为本公开电子设备实施例的一个示例性框图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
本领域技术人员可以理解，本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。
还应理解，在本公开实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。
还应理解，对于本公开实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。
另外，本公开中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本公开中字符“/”，一般表示前后关联对象是一种“或”的关系。
还应理解，本公开对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
本公开实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
图1为本公开驾驶模型的训练方法一个实施例的流程图。如图1所示，该实施例的驾驶模型的训练方法包括：
步骤101，同步采集车辆的运行状态数据、驾驶环境数据和驾驶员图像。
其中，车辆的运行状态数据用于表示车辆运行状态和/或车辆中部件的工作状态的数据，其例如可以包括但不限于以下任意一项或多项数据：车辆行驶速度、车辆行驶过程中的X、Y向加速度，发动机转速、车辆转向灯数据、车辆转向角度、车底的底盘护板与水平路面的角度等等。驾驶环境数据用于表示车辆行驶的环境数据，其例如可以包括但不限于以下任意一项或多项数据：车辆行驶环境中的道路情况、障碍物情况、交通情况等等。驾驶员图像为包括驾驶员的图像，其例如可以包括但不限于以下任意一项或多项数据：驾驶员的头部图像、手部图像等等。
步骤102，获取正常状态下，驾驶员的至少一个驾驶行为事件对应的数据组，该数据组包括：车辆的运行状态数据、驾驶环境数据和驾驶员图像。
在本公开实施例的其中一些可选实施方式中，驾驶行为事件例如可以包括但不限于以下任意一项或多项：驾驶员驾驶状态，驾驶员的驾驶行为。
其中，驾驶员驾驶状态可以包括但不限于以下任意一项或多项：疲劳驾驶，注意力集中，注意力分散。驾驶员的驾驶行为可以包括但不限于以下任意一项或多项：换道，前行，加速，减速，刹车，倒车，转弯，制动。基于正常状态下车辆在各种运行状态和驾驶环境下驾驶员的驾驶行为事件对驾驶模型的训练，使得驾驶模型可以学习到车辆在各种运行状态和驾驶环境下对车辆的正确操作，从而在后续的自动驾驶场景中，可以针对各种车辆运行状态和驾驶环境对车辆做出正确的控制操作，提高自动驾驶的安全性。
步骤103，基于上述至少一个驾驶行为事件对应的数据组训练驾驶模型。
在本公开实施例的一些实施方式中，驾驶模型例如可以通过神经网络模型来实现。其中的神经网络可以是深度神经网络，例如卷积神经网络(CNN)、循环神经网络(Recurrent Neural Network，RNN)、长短期记忆(Long Short Term Memory，LSTM)模型等等。本公开实施例不限制驾驶模型的具体实现方式。
在本公开实施例的一些实施方式中，操作101可以包括：在同步时钟下，按照相同的采集频率采集车辆的运行状态数据、驾驶环境数据和驾驶员图像。
基于同步时钟下按照相同的采集频率采集车辆的运行状态数据、驾驶环境数据和驾驶员图像，使得采集的车辆的运行状态数据、驾驶环境数据和驾驶员图像可以保持时间一致性，以便获取同一时刻车辆的运行状态数据、驾驶环境数据和驾驶员图像，建立同一时刻、不同空间的车辆的运行状态数据、驾驶环境数据和驾驶员图像之间的关联性。根据同步采集车辆的运行状态数据、车辆的驾驶环境数据和驾驶员图像数据，获取正常状态下，驾驶员的至少一个驾驶行为事件对应的数据组，基于驾驶员的至少一个驾驶行为事件对应的数据组训练驾驶模型，实现了正常状态下基于车辆在各种运行状态和驾驶环境下驾驶员的驾驶行为事件对驾驶模型的训练，使得驾驶模型可以学习到车辆在各种运行状态和驾驶环境下对车辆的正确操作，从而在后续的自动驾驶场景中，可以针对各种车辆运行状态和驾驶环境对车辆做出正确的控制操作，提高自动驾驶的安全性。
在本公开实施例的一些实施方式中，操作101可以包括：通过车载传感器和控制器局域网络(Controller Area Network，CAN)总线采集车辆的运行状态数据；和/或，通过设置在车辆外的传感器采集车辆的驾驶环境数据；和/或，通过设置在车辆内的摄像头采集驾驶员图像。
在其中一些实施方式中，车辆外的传感器，例如可以包括但不限于以下任意一项或多项：超声波传感器、激光雷达传感器或雷达传感器等等，其中，车载传感器例如可以包括但不限于以下任意一项或多项：速度传感器、刹车踏板位置传感器、加速踏板位置传感器、方向盘位置传感器、方向盘压力传感器、全球定位系统(Global Position System，GPS)和惯性测量单元(Inertial Measurement Unit，IMU)等等。
其中，CAN总线属于现场总线的范畴，它是一种有效支持分布式控制或实时控制的串行通信网络，其高性能、高可靠性、实时性等优点现已广泛应用于工业自动化、多种控制设备、交通工具、医疗仪器以及建筑、环境控制等众多部门。通过控制器局域网络CAN总线采集的数据可以了解到车辆工况的参数信息。
通过激光雷达，可以采集到车辆周边大约小于70米深度信息，从而可以检测到距离车辆70米内的障碍物信息，例如障碍物与车辆之间的距离和障碍物的位置等等。
通过速度传感器、刹车踏板位置传感器、加速踏板位置传感器、方向盘位置传感器、方向盘压力传感器，可以对应采集到车辆的速度、刹车踏板位置、加速踏板位置、方向盘位置、方向盘压力等信息。
通过GPS，可以采集到车辆的位置，以便于计算车速。通过IMU，可以采集到车辆的姿态信息，从而可以获取到以下任意一项或多项信息：高度，速度，加速度，角速率等等。
在本公开驾驶模型的训练方法的另一个实施例中，在上述操作102之前，还可以包括：对同步采集的车辆的运行状态数据、驾驶环境数据和驾驶员图像进行预处理。相应的，在步骤102中，针对预处理后的运行状态数据、驾驶环境数据和驾驶员图像，获取正常状态下，驾驶员的至少一个驾驶行为事件对应的数据组。
在其中一些实施方式中，对运行状态数据、驾驶环境数据和驾驶员图像的预处理，例如可以包括但不限于：除噪，规范化数据，补齐遗失数据，统一图像尺寸，重新采集质量符合预设条件的运行状态数据、驾驶环境数据和驾驶员图像等等。
基于该实施例，通过对运行状态数据、驾驶环境数据和驾驶员图像进行预处理，可以提高运行状态数据、驾驶环境数据和驾驶员图像的质量，以用于后续训练驾驶模型，有助于提高训练得到的驾驶模型的准确性，从而提高驾驶模型用于无人驾驶时的安全性。
在其中一些可选示例中，通过车载前置摄像头和雷达给出的前方障碍物的距离远近，速度快慢，以及前方车道线位置和左右车道线车辆和障碍物的信息，优秀驾驶员会采取适当的前行，换道或加速行为。
图2为本公开驾驶模型的训练方法另一个实施例的示例图。如图2所示，该实施例的驾驶模型的训练方法包括：
步骤201，同步采集车辆的运行状态数据、驾驶环境数据和驾驶员图像。
步骤202，对同步采集的车辆的运行状态数据、驾驶环境数据和驾驶员图像进行预处理。
步骤203，基于预处理后的运行状态数据、驾驶环境数据和驾驶员图像，建立各驾驶行为事件对应的数据组步骤204，检测各驾驶行为事件对应的数据组中是否存在异常状态的数据组。
若存在异常状态的数据组，执行步骤205。否则，若不存在异常状态的数据组，执行步骤206。
在其中一些实施方式中，上述异常状态，例如可以包括但不限于以下任意一项或多项：车辆的运行状态异常，驾驶员的行为异常，驾驶员的驾驶状态异常，等等。
在其中一些实施方式中，车辆的运行状态异常，例如可以包括但不限于以下任意一项或多项：车辆运行速度异常、车辆的行驶方向异常、车辆任一部件的工作状态异常(即车辆任一部件的机械状态异常)，等等。驾驶员的行为异常，例如可以包括但不限于以下任意一项或多项：超速行驶、高速转弯或高速连续变道、转向不打转向灯、急加速、急减速、不按照交通信号通行、不按规定让行、占用应急车道、逆行、停车状态加油门、压车道线行驶、偏离车道线行驶、与前车距离过近、弯道超车，等等。驾驶员的驾驶状态异常，例如可以包括但不限于以下任意一项或多项：疲劳驾驶和注意力分散驾驶。
在其中一些实施方式中，步骤204中，可以从车辆的运行状态数据检测车辆的运行状态和驾驶员的行为是否异常；从驾驶员图像中检测驾驶状态是否异常。
步骤205，从各驾驶行为事件对应的数据组中去除异常状态的数据组，得到正常状态下所述至少一个驾驶行为事件对应的数据组。
步骤206，基于上述至少一个驾驶行为事件对应的数据组训练驾驶模型。
基于该实施例，可以基于同步采集车辆的运行状态数据、驾驶环境数据和驾驶员图像，先建立各驾驶行为事件对应的数据组，然后检测各驾驶行为事件对应的数据组中是否存在异常状态的数据组，若存在异常状态的数据组，去掉该异常状态的数据组，便可得到正常状态下各驾驶行为事件对应的数据组，这样可以使驾驶模型中的训练目标的驾驶行为事件的数据组正确，保证以正常的数据训练驾驶模型，提高驾驶模型的准确性。
图3为本公开驾驶模型的训练方法另一个实施例的示例图。如图3所示，该实施例的驾驶模型的训练方法包括：
步骤301，同步采集车辆的运行状态数据、驾驶环境数据和驾驶员图像。
步骤302，对同步采集的车辆的运行状态数据、驾驶环境数据和驾驶员图像进行预处理。
步骤303，检测车辆的运行状态数据、驾驶环境数据和/或驾驶员图像中，是否存在异常状态的运行状态数据、驾驶环境数据和/或驾驶员图像。
若存在异常状态的运行状态数据、驾驶环境数据和/或驾驶员图像，执行步骤304。否则，若不存在异常状态的运行状态数据、驾驶环境数据和驾驶员图像，执行步骤305。
在其中一些实施方式中，上述异常状态，例如可以包括但不限于以下任意一项或多项：车辆的运行状态异常，驾驶员的行为异常，驾驶员的驾驶状态异常，等等。
在其中一些实施方式中，车辆的运行状态异常，例如可以包括但不限于以下任意一项或多项：车辆运行速度异常、车辆的行驶方向异常、车辆任一部件的工作状态异常，等等。驾驶员的行为异常，例如可以包括但不限于以下任意一项或多项：超速行驶、高速转弯或高速连续变道、转向不打转向灯、急加速、急减速、不按照交通信号通行、不按规定让行、占用应急车道、逆行、停车状态加油门、压车道线行驶、偏离车道线行驶、与前车距离过近、弯道超车，等等。驾驶员的驾驶状态异常，例如可以包括但不限于以下任意一项或多项：疲劳驾驶和注意力分散驾驶。其中，车辆的部件有发动机，底盘，刹车，油门，车窗，空调，音响设备，等等。
在其中一些实施方式中，步骤303中，可以从车辆的运行状态数据检测车辆的运行状态和驾驶员的行为是否异常；从驾驶员图像中检测驾驶状态是否异常。
步骤304，去掉异常状态的运行状态数据、驾驶环境数据和/或驾驶员图像及对应的同步采集的其他数据，得到正常状态下的同步采集的运行状态数据、驾驶环境数据和驾驶员图像。
其中，去掉异常状态的运行状态数据、驾驶环境数据和/或驾驶员图像及对应的同步采集的其他数据，即，在同步采集的运行状态数据、驾驶环境数据和/或驾驶员图像中，若存在任一异常状态的数据，则去掉该异常状态的数据及与该异常状态的数据同步的其他两项数据，例如，若在同步采集的运行状态数据、驾驶环境数据和/或驾驶员图像中，发现运行状态数据为异常状态，则去除该异常状态的运行状态数据以及与该异常状态的运行状态数据同步采集的驾驶环境数据和驾驶员图像。
步骤305，基于正常状态下的同步采集的运行状态数据、驾驶环境数据和驾驶员图像，建立驾驶员的至少一个驾驶行为事件对应的数据组。
在其中一些实施方式中，驾驶行为事件例如可以包括但不限于以下任意一项或多项：驾驶员驾驶状态，驾驶员的驾驶行为。其中，驾驶员驾驶状态例如可以包括但不限于以下任意一项或多项：疲劳驾驶，注意力集中，注意力分散；驾驶员的驾驶行为例如可以包括但不限于以下任意一项或多项：换道，前行，加速，减速，刹车，倒车，转弯，制动。
步骤306，基于上述至少一个驾驶行为事件对应的数据组训练驾驶模型。
基于该实施例，可以先检测车辆的运行状态数据、驾驶环境数据和驾驶员图像中，是否存在异常状态的运行状态数据、驾驶环境数据和驾驶员图像，去掉异常状态的运行状态数据、驾驶环境数据和/或驾驶员图像及对应的同步采集的其他数据，得到正常状态下的同步采集的运行状态数据、驾驶环境数据和驾驶员图像，然后基于正常状态下的同步采集的运行状态数据、驾驶环境数据和驾驶员图像，建立驾驶员的至少一个驾驶行为事件对应的数据组，这样可以使驾驶模型中的训练目标的驾驶行为事件的数据组正确，保证以正常的数据训练驾驶模型，提高驾驶模型的准确性。
本公开实施例中，同步采集的车辆的运行状态数据、驾驶环境数据和驾驶员图像后，需要检测和过滤掉其中异常状态的数据，这些数据对应着车辆的异常事件和驾驶员的异常行为事件，以避免利用该部分异常状态的数据训练驾驶模型，导致训练得到的驾驶模型错误。例如，在具体应用中，可以通过以下方式来进行异常数据的检测：
构建超平面，即，分别由正常状态下采集的运行状态数据样本、驾驶环境数据样本和驾驶员图像样本生成数据集质量中心，并分别针对各数据集质量中心进行特征提取，基于提取的特征构建超平面，以表示各数据集质量中心的正常特征值；
采集到运行状态数据、驾驶环境数据和驾驶员图像后，分别进行特征提取，并基于提取的特征与相应的超平面进行比较，计算提取的特征与相应超平面之间的特征偏差，如果该偏差超过预设阈值则确认该数据为异常数据。
在本公开各实施例的一些可选实施例中，步骤103中，基于至少一个驾驶行为事件对应的数据组训练驾驶模型，可以是基于该至少一个驾驶行为事件对应的数据组实时在线对驾驶模型进行补充训练，也可以是基于该至少一个驾驶行为事件对应的数据组对驾驶模型进行离线训练。
在本公开各实施例的一些可选实施例中，步骤102可以包括：对同步采集的车辆的运行状态数据、驾驶环境数据和驾驶员图像进行数据转换，其中的数据转换例如可以包括：在运行状态数据、驾驶环境数据和驾驶员图像中出现异常数据(例如数据丢失、与相邻数据偏差较大等)时重新进行同步数据采集，对同步采集的运行状态数据、驾驶环境数据和驾驶员图像进行时域到频域的转换等等；
对数据转换后的车辆的运行状态数据、驾驶环境数据和驾驶员图像进行特征提取，并基于提取的特征对数据转换后的车辆的运行状态数据、驾驶环境数据和驾驶员图像进行聚类，得到各类驾驶行为事件(例如，加速行为事件、减速行为事件、转向行为事件、制动行为事件、变道行为事件、转弯行为事件、倒车行为事件、或上述任意多项驾驶行为事件的组合等)对应的数据组。
相应地，在步骤103中，可以分别基于各类驾驶行为事件对应的数据组训练驾驶模型，得到各类驾驶行为事件对应的驾驶行为模型。其中，上述驾驶模型包括该各类驾驶行为事件对应的驾驶行为模型。
基于该实施例，通过对同步采集的车辆的运行状态数据、驾驶环境数据和驾驶员图像进行数据转换，可以更准确的获得正常状态下，驾驶员的至少一个驾驶行为事件对应的数据组；基于对数据转换后的车辆的运行状态数据、驾驶环境数据和驾驶员图像进行特征提取和聚类，可以学习到同一类驾驶行为事件的驾驶行为模型，从而可以得到各类驾驶行为事件对应的驾驶行为模型。
另外，基于本公开上述各驾驶模型的训练方法的再一个实施例中，在步骤101之后，还可以包括：将同步采集的车辆的运行状态数据、驾驶环境数据和驾驶员图像发送给服务器。相应地，在步骤102中，由服务器获取正常状态下，驾驶员的至少一个驾驶行为事件对应的数据组；在步骤103中，由服务器基于上述至少一个驾驶行为事件对应的数据组训练驾驶模型。
基于该实施例，将同步采集的车辆的运行状态数据、驾驶环境数据和驾驶员图像发送给云端服务器，依托云端服务器强大的计算分析能力，来获取正常状态下，驾驶员的至少一个驾驶行为事件对应的数据组，并基于该至少一个驾驶行为事件对应的数据组训练驾驶模型，从而实现了驾驶模型的训练，由于云端服务器具有强大的计算分析能力，提高了数据处理效率和精确性，从而提高了驾驶模型的训练效率，有利于获得性能更好的驾驶模型。
在其中一些实施方式中，可以采用任务调度的方式，将正常状态下，至少一个驾驶行为事件对应的数据组发送给服务器。
其中，任务调度，是指一个计算机系统有许多任务进程，其中一些进程标记为敏感。每个敏感进程都有一个指定的开始时间和结束时间，并且它在这些时间之间连续运行。计划列表列出了当天运行的所有敏感进程的计划开始和结束时间，将设计一个名为状态检查的程序，该程序在被调用时会记录当前时刻在系统上运行的所有敏感进程的各种日志信息，对于每个敏感进程P，在执行进程P期间至少调用一次状态检查.所有任务流程都安排在特定时间间隔执行一次或重复执行，例如每小时，每分钟，每天，每周或每月。基于本公开上述各实施例驾驶模型的训练方法，训练得到驾驶模型后，可以通过该驾驶模型实现对车辆的自动驾驶。例如，具体应用时，可以通过如下方式实现对车辆的自动驾驶：
同步采集车辆的运行状态数据和驾驶环境数据；
将同步采集的车辆的运行状态数据和驾驶环境数据和车辆运行的状态数据输入基于本公开上述实施例训练得到的驾驶模型，经该驾驶模型输出驾驶操作指示；
基于该驾驶操作指示控制车辆的行驶。
图4为本公开驾驶模型的训练装置一个实施例的结构示意图。该实施例的驾驶模型的训练装置可用于实现本公开上述各驾驶模型的训练方法实施例。如图4所示，该实施例的驾驶模型的训练装置包括：采集模块，获取模块和训练模块。其中：
采集模块，用于同步采集车辆的运行状态数据、车辆的驾驶环境数据和驾驶员图像数据。
在其中一些实施方式中，所述采集模块，具体用于在同步时钟下，按照相同的采集频率采集车辆的运行状态数据、驾驶环境数据和驾驶员图像。
获取模块，用于获取正常状态下，驾驶员的至少一个驾驶行为事件对应的数据组，该数据组包括：车辆的运行状态数据、驾驶环境数据和驾驶员图像。
在其中一个可选示例中，驾驶行为事件包括以下任意一项或多项：驾驶员驾驶状态，驾驶员的驾驶行为。其中，驾驶员驾驶状态包括以下任意一项或多项：疲劳驾驶，注意力集中，注意力分散；或者，驾驶员的驾驶行为包括以下任意一项或多项：换道，前行，加速，减速，刹车，倒车，转弯，制动。
训练模块，用于基于上述至少一个驾驶行为事件对应的数据组训练驾驶模型。
基于本公开上述实施例提供的驾驶模型的训练装置，根据同步采集车辆的运行状态数据、车辆的驾驶环境数据和驾驶员图像数据，获取正常状态下，驾驶员的至少一个驾驶行为事件对应的数据组，基于驾驶员的至少一个驾驶行为事件对应的数据组训练驾驶模型，实现了正常状态下基于车辆在各种运行状态和驾驶环境下驾驶员的驾驶行为事件对驾驶模型的训练，使得驾驶模型可以学习到车辆在各种运行状态和驾驶环境下对车辆的正确操作，从而在后续的自动驾驶场景中，可以针对各种车辆运行状态和驾驶环境对车辆做出正确的控制操作，提高自动驾驶的安全性。。
在其中一些实施方式中，采集模块具体用于：通过车载传感器和CAN总线采集车辆的运行状态数据；和/或，通过设置在车辆外的传感器采集驾驶环境数据；和/或，通过设置在车辆内的摄像头采集驾驶员图像。
在一些可选示例中中，设置在车辆外的传感器可以包括以下任意一项或多项：超声波传感器、激光雷达传感器或雷达传感器。车载传感器可以包括以下任意一项或多项：速度传感器、刹车踏板位置传感器、加速踏板位置传感器、方向盘位置传感器、方向盘压力传感器、GPS和IMU。
图5为本公开驾驶模型的训练装置另一个实施例的结构示例图。如图5所示，与图4所示实施例相比，该实施例的驾驶模型的训练装置还可以包括：预处理模块，用于对同步采集车辆的运行状态数据、驾驶环境数据和驾驶员图像进行预处理。相应地，获取模块，具体用于针对预处理后的运行状态数据、驾驶环境数据和驾驶员图像，获取正常状态下，驾驶员的至少一个驾驶行为事件对应的数据组。
在其中一些实施方式中，获取模块具体用于：基于同步采集车辆的运行状态数据、驾驶环境数据和驾驶员图像，建立各驾驶行为事件对应的数据组；检测各驾驶行为事件对应的数据组中是否存在异常状态的数据组；若存在异常状态的数据组，从各驾驶行为事件对应的数据组中去除异常状态的数据组，得到正常状态下至少一个驾驶行为事件对应的数据组。
在另一些实施方式中，获取模块具体用于：检测车辆的运行状态数据、驾驶环境数据和驾驶员图像中，是否存在异常状态的运行状态数据、驾驶环境数据和驾驶员图像；若存在异常状态的运行状态数据、驾驶环境数据和/或驾驶员图像，去掉异常状态的运行状态数据、驾驶环境数据和/或驾驶员图像及对应的同步采集的其他数据，得到正常状态下的同步采集的运行状态数据、驾驶环境数据和驾驶员图像；基于正常状态下的同步采集的运行状态数据、驾驶环境数据和驾驶员图像，建立驾驶员的至少一个驾驶行为事件对应的数据组。
在其中一些实施方式中，异常状态可以包括以下任意一项或多项：车辆的运行状态异常，驾驶员的行为异常，驾驶员的驾驶状态异常。
在其中一些实施方式中，车辆的运行状态异常，可以包括以下任意一项或多项：车辆运行速度异常、车辆的行驶方向异常、车辆任一部件的工作状态异常；和/或，驾驶员的行为异常，可以包括以下任意一项或多项：超速行驶、高速转弯或高速连续变道、转向不打转向灯、急加速、急减速、不按照交通信号通行、不按规定让行、占用应急车道、逆行、停车状态加油门、压车道线行驶、偏离车道线行驶、与前车距离过近、弯道超车；和/或，驾驶员的驾驶状态异常，可以包括以下任意一项或多项：疲劳驾驶和注意力分散驾驶。
在其中一些实施方式中，获取模块检测各驾驶行为事件对应的数据组中是否存在异常状态的数据组或者是否存在异常状态的运行状态数据、驾驶环境数据和驾驶员图像时，具体用于：从车辆的运行状态数据检测车辆的运行状态和驾驶员的行为是否异常；从驾驶员图像中检测驾驶状态是否异常。
在其中一些实施方式中，获取模块具体用于：对同步采集的车辆的运行状态数据、驾驶环境数据和驾驶员图像进行数据转换；对数据转换后的车辆的运行状态数据、驾驶环境数据和驾驶员图像进行特征提取，并基于提取的特征对数据转换后的车辆的运行状态数据、驾驶环境数据和驾驶员图像进行聚类，得到各类驾驶行为事件对应的数据组。相应地，训练模块具体用于：分别基于各类驾驶行为事件对应的数据组训练驾驶模型，得到各类驾驶行为事件对应的驾驶行为模型；其中，驾驶模型包括各类驾驶行为事件对应的驾驶行为模型。
再参见图5，在本公开实施例的一些实施方式中还包括：通讯模块，用于将采集模块同步采集的车辆的运行状态数据、驾驶环境数据和驾驶员图像发送给服务器。相应地，获取模块和训练模块设置于服务器中。另外，服务器还可以包括：存储模块，用于存储正常状态下驾驶员的至少一个驾驶行为事件对应的数据组。
在本公开实施例的一些实施方式中，通讯模块可以采用任务调度的方式，将正常状态下，至少一个驾驶行为事件对应的数据组发送给服务器。
另外，本公开实施例还提供了一种电子设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述存储器中存储的计算机程序，且所述计算机程序被执行时，实现本公开上述任一实施例所述驾驶模型的训练方法。
图6为本公开电子设备实施例的一个示例性框图。下面，参考图6来描述根据本公开实施例的电子设备。该电子设备可以是第一设备和第二设备中的任一个或两者、或与它们独立的单机设备，该单机设备可以与第一设备和第二设备进行通信，以从它们接收所采集到的输入信号。如图6所示，电子设备包括一个或多个处理器和存储器。
处理器可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。处理器可被配置为执行图1-图3中所述驾驶模型的训练方法的处理步骤。
存储器可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器可以运行所述程序指令，以实现上文所述的本公开的各个实施例的驾驶模型的训练方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中，电子设备还可以包括：输入装置和输出装置，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
此外，该输入设备还可以包括例如键盘、鼠标等等。
该输出装置可以向外部输出各种信息，包括确定出的距离信息、方向信息等。该输出设备可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图6中仅示出了该电子设备中与本公开有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备还可以包括任何其他适当的组件。
除了上述方法和设备以外，本公开的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本本公开上述各实施例的获取证件中信息的方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本公开的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本公开说明书上述各实施例的驾驶模型的训练方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、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。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。
以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。
本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，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。
本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
可能以许多方式来实现本公开的方法和装置。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
还需要指出的是，在本公开的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种驾驶模型的训练方法，其特征在于，包括：
同步采集车辆的运行状态数据、驾驶环境数据和驾驶员图像；
获取正常状态下，驾驶员的至少一个驾驶行为事件对应的数据组，所述数据组包括：车辆的运行状态数据、驾驶环境数据和驾驶员图像；
基于所述至少一个驾驶行为事件对应的数据组训练驾驶模型。
2.根据权利要求1所述的方法，其特征在于，所述同步采集车辆的运行状态数据、驾驶环境数据和驾驶员图像，包括：
在同步时钟下，按照相同的采集频率采集所述车辆的运行状态数据、驾驶环境数据和驾驶员图像。
3.根据权利要求1或2所述的方法，其特征在于，所述采集车辆的运行状态数据包括：通过车载传感器和控制器局域网络CAN总线采集所述车辆的运行状态数据；和/或，
所述采集驾驶环境数据包括：通过设置在所述车辆外的传感器采集所述车辆的驾驶环境数据；和/或，
所述驾驶员图像包括：通过设置在所述车辆内的摄像头采集驾驶员图像。
4.根据权利要求3所述的方法，其特征在于，所述设置在所述车辆外的传感器包括以下任意一项或多项：超声波传感器、激光雷达传感器或雷达传感器；
所述车载传感器包括以下任意一项或多项：速度传感器、刹车踏板位置传感器、加速踏板位置传感器、方向盘位置传感器、方向盘压力传感器、GPS和惯性测量单元IMU。
5.根据权利要求1-4任一所述的方法，其特征在于，在所述同步采集车辆的运行状态数据、驾驶环境数据和驾驶员图像之后，还包括：对所述同步采集的运行状态数据、驾驶环境数据和驾驶员图像进行预处理；
所述获取正常状态下，驾驶员的至少一个驾驶行为事件对应的数据组，包括：针对预处理后的运行状态数据、驾驶环境数据和驾驶员图像，获取正常状态下，驾驶员的至少一个驾驶行为事件对应的数据组。
6.根据权利要求1-5任一所述的方法，其特征在于，所述驾驶行为事件包括以下任意一项或多项：驾驶员驾驶状态，驾驶员的驾驶行为；
所述驾驶员驾驶状态包括以下任意一项或多项：疲劳驾驶，注意力集中，注意力分散；或者，
所述驾驶员的驾驶行为包括以下任意一项或多项：换道，前行，加速，减速，刹车，倒车，转弯，制动。
7.根据权利要求1-6任一所述的方法，其特征在于，所述获取正常状态下，驾驶员的至少一个驾驶行为事件对应的数据组，包括：
基于所述同步采集车辆的运行状态数据、驾驶环境数据和驾驶员图像，建立各驾驶行为事件对应的数据组；
检测所述各驾驶行为事件对应的数据组中是否存在异常状态的数据组；
若存在异常状态的数据组，从所述各驾驶行为事件对应的数据组中去除异常状态的数据组，得到正常状态下所述至少一个驾驶行为事件对应的数据组。
8.一种驾驶模型的训练装置，其特征在于，包括：
采集模块，用于同步采集车辆的运行状态数据、驾驶环境数据和驾驶员图像；
获取模块，用于获取正常状态下驾驶员的至少一个驾驶行为事件对应的数据组，所述数据组包括：车辆的运行状态数据、驾驶环境数据和驾驶员图像；
训练模块，基于所述至少一个驾驶行为事件对应的数据组训练驾驶模型。
9.一种电子设备，其特征在于，包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的计算机程序，且所述计算机程序被执行时，实现上述权利要求1-7任一所述的方法。
10.一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，该计算机程序被处理器执行时，实现上述权利要求1-7任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911117810.4A CN111047047A (zh) | 2019-11-15 | 2019-11-15 | 驾驶模型的训练方法和装置、电子设备、计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911117810.4A CN111047047A (zh) | 2019-11-15 | 2019-11-15 | 驾驶模型的训练方法和装置、电子设备、计算机存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111047047A true CN111047047A (zh) | 2020-04-21 |
Family
ID=70232035
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911117810.4A Pending CN111047047A (zh) | 2019-11-15 | 2019-11-15 | 驾驶模型的训练方法和装置、电子设备、计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111047047A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112180921A (zh) * | 2020-09-22 | 2021-01-05 | 安徽江淮汽车集团股份有限公司 | 自动驾驶算法训练系统及方法 |
| CN113335308A (zh) * | 2021-06-24 | 2021-09-03 | 禾多科技（北京）有限公司 | 车辆控制方法、电子设备和计算机可读介质 |
| CN116186336A (zh) * | 2023-03-01 | 2023-05-30 | 丰田自动车株式会社 | 驾驶数据采集与标定方法、装置及存储介质 |
| WO2024087207A1 (zh) * | 2022-10-28 | 2024-05-02 | 深圳市锐明技术股份有限公司 | 汽车安全驾驶事件的评估方法、设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106080590A (zh) * | 2016-06-12 | 2016-11-09 | 百度在线网络技术（北京）有限公司 | 车辆控制方法和装置以及决策模型的获取方法和装置 |
| CN107784709A (zh) * | 2017-09-05 | 2018-03-09 | 百度在线网络技术（北京）有限公司 | 处理自动驾驶训练数据的方法和装置 |
| CN108694367A (zh) * | 2017-04-07 | 2018-10-23 | 北京图森未来科技有限公司 | 一种驾驶行为模型的建立方法、装置和系统 |
-
2019
- 2019-11-15 CN CN201911117810.4A patent/CN111047047A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106080590A (zh) * | 2016-06-12 | 2016-11-09 | 百度在线网络技术（北京）有限公司 | 车辆控制方法和装置以及决策模型的获取方法和装置 |
| CN108694367A (zh) * | 2017-04-07 | 2018-10-23 | 北京图森未来科技有限公司 | 一种驾驶行为模型的建立方法、装置和系统 |
| CN107784709A (zh) * | 2017-09-05 | 2018-03-09 | 百度在线网络技术（北京）有限公司 | 处理自动驾驶训练数据的方法和装置 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112180921A (zh) * | 2020-09-22 | 2021-01-05 | 安徽江淮汽车集团股份有限公司 | 自动驾驶算法训练系统及方法 |
| CN113335308A (zh) * | 2021-06-24 | 2021-09-03 | 禾多科技（北京）有限公司 | 车辆控制方法、电子设备和计算机可读介质 |
| CN113335308B (zh) * | 2021-06-24 | 2022-07-29 | 禾多科技（北京）有限公司 | 车辆控制方法、电子设备和计算机可读介质 |
| WO2024087207A1 (zh) * | 2022-10-28 | 2024-05-02 | 深圳市锐明技术股份有限公司 | 汽车安全驾驶事件的评估方法、设备及存储介质 |
| CN116186336A (zh) * | 2023-03-01 | 2023-05-30 | 丰田自动车株式会社 | 驾驶数据采集与标定方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110920539A (zh) | 车辆驾驶分析方法和装置、电子设备和计算机存储介质 | |
| JP7263233B2 (ja) | 車両衝突を検出するための方法、システム及びプログラム | |
| CN111047047A (zh) | 驾驶模型的训练方法和装置、电子设备、计算机存储介质 | |
| CN111731284B (zh) | 一种辅助驾驶方法、装置、车载终端设备和存储介质 | |
| US9304515B2 (en) | Regional operation modes for autonomous vehicles | |
| US7974748B2 (en) | Driver assistance system with vehicle states, environment and driver intention | |
| CN112673407B (zh) | 用于预测的车辆事故警告和规避的系统和方法 | |
| US20200234191A1 (en) | Travel model generation system, vehicle in travel model generation system, and processing method | |
| US20200377087A1 (en) | Lane keep control of autonomous vehicle | |
| CN109421740A (zh) | 用于监测自主车辆的方法和装置 | |
| CN113692372B (zh) | 用于自主车辆的异常处理 | |
| CN111231972B (zh) | 基于驾驶行为习惯的告警方法、车辆及存储介质 | |
| WO2019116423A1 (ja) | 教師データ収集装置 | |
| CN114030475A (zh) | 一种车辆辅助驾驶方法、装置、车辆及存储介质 | |
| US11691634B1 (en) | On-vehicle driving behavior modelling | |
| CN116390879A (zh) | 用于避免即将发生的碰撞的系统和方法 | |
| CN111661045A (zh) | 训练用于察觉碰撞的轨迹预测的生成器单元和鉴别器单元 | |
| US10589741B2 (en) | Enhanced collision avoidance | |
| CN106985818A (zh) | 一种基于云计算的机动车智能驾驶辅助系统 | |
| CN113353083A (zh) | 车辆行为识别方法 | |
| CN115188191A (zh) | 一种车辆安全行驶控制方法、装置及车辆 | |
| CN114103966A (zh) | 一种辅助驾驶的控制方法、装置和系统 | |
| CN116257299B (zh) | 一种Linux环境下基于消息中间件的AEB功能开环验证方法 | |
| US12033399B1 (en) | Turn and brake action prediction using vehicle light detection | |
| CN113715834B (zh) | 车辆行驶行为识别方法、装置、电子设备和存储介质 |
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 |