CN111079776A - 障碍车轨迹异常的判别方法和装置 - Google Patents
障碍车轨迹异常的判别方法和装置 Download PDFInfo
- Publication number
- CN111079776A CN111079776A CN201811228263.2A CN201811228263A CN111079776A CN 111079776 A CN111079776 A CN 111079776A CN 201811228263 A CN201811228263 A CN 201811228263A CN 111079776 A CN111079776 A CN 111079776A
- Authority
- CN
- China
- Prior art keywords
- points
- clustering
- position points
- point
- class
- 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 36
- 230000002159 abnormal effect Effects 0.000 claims abstract description 23
- 238000005070 sampling Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 230000005856 abnormality Effects 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000004888 barrier function Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提出一种障碍车轨迹异常的判别方法和装置，其中方法包括：针对场景数据中出现的各个障碍车，获取该障碍车在所述场景数据所对应的测试区域中的多个位置点；将所述针对各个障碍车获取的位置点进行聚类操作；根据聚类操作结果确定所述位置点中的异样点；将所述异样点对应的障碍车确定为出现轨迹异常现象的障碍车。本发明实施例能够识别出无人驾驶车辆采集的真实场景数据中，发生轨迹异常现象的障碍车。
Description
技术领域
本发明涉及无人驾驶车辆技术领域，尤其涉及一种障碍车轨迹异常的判别方法、装置、设备及计算机可读存储介质。
背景技术
在现有的无人车技术中，经常由无人驾驶车辆采集真实场景数据，将真实场景数据作为无人驾驶车辆仿真时所采用的仿真场景数据。然而，由于无人驾驶车辆的感知系统、定位系统等不稳定，导致无人驾驶车辆录制的真实场景数据文件中可能出现障碍车轨迹跳变等异常现象，这类现象是不合理的，应该将发生轨迹异常的障碍车从真实场景数据中剔除掉。但是，目前尚无法识别出发生轨迹异常的障碍车。
发明内容
本发明实施例提供一种障碍车轨迹异常的判别方法及装置，以至少解决现有技术中的以上技术问题。
第一方面，本发明实施例提供了一种障碍车轨迹异常的判别方法，包括：
针对场景数据中出现的各个障碍车，获取该障碍车在所述场景数据所对应的测试区域中的多个位置点；
将所述针对各个障碍车获取的位置点进行聚类操作；
根据聚类操作结果确定所述位置点中的异样点；
将所述异样点对应的障碍车确定为出现轨迹异常现象的障碍车。
在一种实施方式中，将针对各个障碍车获取的位置点进行聚类操作，包括：
采用模糊C均值算法进行聚类操作，将所述针对各个障碍车获取的位置点划分为N个类，N为大于1的整数。
在一种实施方式中，所述采用模糊C均值算法进行聚类操作，将所述针对各个障碍车获取的位置点划分为N个类，包括：
针对各个位置点，获取该位置点周围预设范围内的位置点个数，根据所述个数确定该位置点的可信度；
在所有位置点中，随机选取N个位置点作为聚类中心，将其他位置点作为待分类点；
针对各个待分类点，根据待分类点与各个聚类中心的距离、以及各个聚类中心的可信度，将待分类点划分入相应聚类中心所属的类中；
计算所述各个类中所有位置点的中心点，当各个类的中心点与该类的聚类中心的距离均小于预设的距离门限时，将所划分的类作为最终的聚类操作结果，结束当前流程；否则，将所述各个类的中心点作为聚类中心，将位置点作为待分类点，重新执行划分步骤。
在一种实施方式中，所述根据聚类操作结果确定所述位置点中的异样点，包括：
针对采用聚类操作将位置点划分为成的各个类，当该类中包含的位置点个数小于预设的个数门限时，将该类中的位置点确定为异样点。
第二方面，本发明实施例提出一种障碍车轨迹异常的判别装置，包括：
位置点获取模块，用于针对场景数据中出现的各个障碍车，获取该障碍车在所述场景数据所对应的测试区域中的多个位置点；
聚类模块，用于将所述针对各个障碍车获取的位置点进行聚类操作；
异样点确定模块，用于根据聚类操作结果确定所述位置点中的异样点；
轨迹异常确定模块，用于将所述异样点对应的障碍车确定为出现轨迹异常现象的障碍车。
在一种实施方式中，所述聚类模块用于：
采用模糊C均值算法进行聚类操作，将所述针对各个障碍车获取的位置点划分为N个类，N为大于1的整数。
在一种实施方式中，所述聚类模块包括：
可信度确定子模块，用于针对各个位置点，获取该位置点周围预设范围内的位置点个数，根据所述个数确定该位置点的可信度；
聚类中心确定子模块，用于在初始状态下，在所有位置点中，随机选取N个位置点作为聚类中心，将其他位置点作为待分类点；还用于根据判断子模块的指示，将划分子模块所划分的各个类的中心点作为聚类中心，将位置点作为待分类点；
划分子模块，用于针对各个待分类点，根据待分类点与各个聚类中心的距离、以及各个聚类中心的可信度，将待分类点划分入相应聚类中心所属的类中；
判断子模块，用于计算所述各个类中所有位置点的中心点，当各个类的中心点与该类的聚类中心的距离均小于预设的距离门限时，将划分子模块所划分的类作为最终的聚类操作结果；否则，指示聚类中心确定子模块重新确定聚类中心及待分类点。
在一种实施方式中，所述异样点确定模块用于：
针对采用聚类操作将位置点划分为成的各个类，当该类中包含的位置点个数小于预设的个数门限时，将该类中的位置点确定为异样点。
所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。
在一个可能的设计中，提供障碍车轨迹异常的判别设备的结构中包括处理器和存储器，所述存储器用于存储障碍车轨迹异常的判别装置执行上述第一方面中障碍车轨迹异常的判别方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。所述障碍车轨迹异常的判别设备还可以包括通信接口，用于障碍车轨迹异常的判别设备与其他设备或通信网络通信。
第三方面，本发明实施例提供了一种计算机可读存储介质，用于存储障碍车轨迹异常的判别装置所用的计算机软件指令，其包括用于执行上述第一方面中障碍车轨迹异常的判别方法为障碍车轨迹异常的判别装置所涉及的程序。
上述技术方案中的一个技术方案具有如下优点或有益效果：
本发明实施例通过提取场景数据中各个障碍车的所有位置点，将所有位置点进行聚类操作，识别出周围点数较少的点作为异样点，该异样点对应的障碍车即为出现轨迹异常现象的障碍车，因此能够识别出场景数据中出现轨迹异常现象的障碍车。
上述概述仅仅是为了说明书的目的，并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外，通过参考附图和以下的详细描述，本发明进一步的方面、实施方式和特征将会是容易明白的。
附图说明
在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本发明公开的一些实施方式，而不应将其视为是对本发明范围的限制。
图1为本发明实施例的一种障碍车轨迹异常的判别方法实现流程图；
图2为本发明实施例的一种障碍车轨迹异常的判别方法中步骤S12的一种实现流程图；
图3为本发明实施例的一种障碍车轨迹异常的判别装置结构示意图；
图4为本发明实施例的一种障碍车轨迹异常的判别装置中聚类模块320的结构示意图；
图5为本发明实施例的一种障碍车轨迹异常的判别设备结构示意图。
具体实施方式
在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本发明的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。
本发明实施例主要提供了一种障碍车轨迹异常的判别方法和装置。下面分别通过以下实施例进行技术方案的展开描述。
参见图1，图1为本发明实施例的一种障碍车轨迹异常的判别方法实现流程图，包括：
S11：针对场景数据中出现的各个障碍车，获取该障碍车在所述场景数据所对应的测试区域中的多个位置点。
在本实施例中，场景数据是无人驾驶车辆在测试区域中运行时实时录制的。“障碍车”可以包括在道路上行驶的机动车、自行车、以及在道路上行走的行人等，场景数据中所包含的障碍车的位置可能随时间不断变化。
在一种实施方式中，可以按照固定的时间周期提取各个障碍车在测试区域中的位置点，这样，针对每个障碍车可以获取到多个位置点。
S12：将所述针对各个障碍车获取的位置点进行聚类操作。
在本实施例中，可以将测试区域中针对所有障碍车的所有位置点进行聚类操作。
在一种实施方式中，采用模糊C均值算法进行聚类操作，将针对各个障碍车获取的位置点划分为N个类，N为大于1的整数。具体的划分方式将在以下的实施方式中详细介绍。
S13：根据聚类操作结果确定所述位置点中的异样点。
S14：将所述异样点对应的障碍车确定为出现轨迹异常现象的障碍车。
由于一个障碍车对应多个位置点，当某个障碍车的少量位置点被确定为异样点时，可以根据实际情况决定是否将该障碍车从场景数据中剔除掉。例如，如果采用较为严格的标准，则只要障碍车存在一个异样点，就将该障碍车从场景数据中剔除掉。如果采用较为宽松的标准，则如果某障碍车对应大量的位置点，其中仅有少量几个异样点，则认为该障碍车虽然出现了轨迹异常现象，但不是特别严重，可以将该障碍车保留。
以下介绍上述步骤S12的一种实施方式，如图2为该实施方式的实现流程图，包括：
S121：针对各个位置点，获取该位置点周围预设范围内的位置点个数，根据所述个数确定该位置点的可信度。
在本实施例中，可以将周围预设范围内的位置点个数进行归一化，得到该位置点的可信度B，B的取值范围为(0,1)；周围的位置点个数越多，B的值越大。也就是说，一个位置点周围存在的位置点越多，表明该位置点越不可能是发生跳变的点，则该位置点的可信度越高。
S122：在所有位置点中，随机选取N个位置点作为聚类中心，将其他位置点作为待分类点。
S123：针对各个待分类点，根据待分类点与各个聚类中心的距离、以及各个聚类中心的可信度，将待分类点划分入相应聚类中心所属的类中。
将N个聚类中心分别记为C1、C2、……CN，将待分类点记为P。
在一种实施方式中，划分的具体方式为：
针对每个待分类点P执行以下操作：
分别针对每个聚类中心计算：|PCn|/Bn；其中，
|PCn|为P到聚类中心Cn的距离；
Bn为聚类中心Cn的可信度；
n＝1、2、……、N；
比较针对各个聚类中心的计算结果，将待分类点P分入计算结果最小的聚类中心所在的类中。
按照上述方式，将所有的待分类点P均归类完毕，形成N个类。
S124：计算所述各个类中所有位置点的中心点，判断各个类的中心点与该类的聚类中心的距离是否均小于预设的距离门限，如果是，则将步骤S123所划分的类作为最终的聚类操作结果，结束当前流程；否则，将各个类的中心点作为新的聚类中心，将位置点作为待分类点，返回执行步骤S123。
在本实施例中，计算各个类中所有位置点的中心点的方式可以为：将一类中所有位置点的X坐标值的均值作为该类的中心点的X坐标值，并且，将该类中所有位置点的Y坐标值的均值作为该类的中心点的Y坐标值。
通过上述过程，将所有位置点划分至N个类中，各个类中包含的位置点个数不等。
由于各个类中包含的位置点个数不等，上述步骤S13中根据聚类操作结果确定位置点中的异样点的方式可以为：针对采用聚类操作将位置点划分为成的各个类，当该类中包含的位置点个数小于预设的个数门限时，将该类中的位置点确定为异样点。在一种可能的实施方式中，将该类中的所有位置点均确定为异样点。
综上可见，本发明实施例提出的障碍车轨迹异常的判别方法中，通过将各个障碍车的所有位置点进行聚类操作，识别出周围点数较少的点作为异样点，该异样点对应的障碍车即为出现轨迹异常现象的障碍车。
参见图3，图3为本发明实施例的一种障碍车轨迹异常的判别装置结构示意图，包括：
位置点获取模块310，用于针对场景数据中出现的各个障碍车，获取该障碍车在所述场景数据所对应的测试区域中的多个位置点；
聚类模块320，用于将所述针对各个障碍车获取的位置点进行聚类操作；
异样点确定模块330，用于根据聚类操作结果确定所述位置点中的异样点；
轨迹异常确定模块340，用于将所述异样点对应的障碍车确定为出现轨迹异常现象的障碍车。
在一种实施方式中，上述聚类模块320可以用于：
采用模糊C均值算法进行聚类操作，将所述针对各个障碍车获取的位置点划分为N个类，N为大于1的整数。
参见图4，图4为本发明实施例的一种障碍车轨迹异常的判别装置中聚类模块320的结构示意图，包括：
可信度确定子模块321，用于针对各个位置点，获取该位置点周围预设范围内的位置点个数，根据所述个数确定该位置点的可信度；
聚类中心确定子模块322，用于在初始状态下，在所有位置点中，随机选取N个位置点作为聚类中心，将其他位置点作为待分类点；还用于根据判断子模块324的指示，将划分子模块323所划分的各个类的中心点作为聚类中心，将位置点作为待分类点；
划分子模块323，用于针对各个待分类点，根据待分类点与各个聚类中心的距离、以及各个聚类中心的可信度，将待分类点划分入相应聚类中心所属的类中；
判断子模块324，用于计算所述各个类中所有位置点的中心点，当各个类的中心点与该类的聚类中心的距离均小于预设的距离门限时，将划分子模块323所划分的类作为最终的聚类操作结果；否则，指示聚类中心确定子模块322重新确定聚类中心及待分类点。
在一种实施方式中，异样点确定模块330用于：针对采用聚类操作将位置点划分为成的各个类，当该类中包含的位置点个数小于预设的个数门限时，将该类中的位置点确定为异样点。
本发明实施例各装置中的各模块的功能可以参见上述方法中的对应描述，在此不再赘述。
本发明实施例还提出一种障碍车轨迹异常的判别设备，如图5为本发明实施例的障碍车轨迹异常的判别设备结构示意图，包括：
存储器11和处理器12，存储器11存储有可在处理器12上运行的计算机程序。所述处理器12执行所述计算机程序时实现上述实施例中的获取推荐系统最优参数组合的方法。所述存储器11和处理器12的数量可以为一个或多个。
所述设备还可以包括：
通信接口13，用于与外界设备进行通信，进行数据交换传输。
存储器11可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。
如果存储器11、处理器12和通信接口13独立实现，则存储器11、处理器12和通信接口13可以通过总线相互连接并完成相互之间的通信。所述总线可以是工业标准体系结构(ISA，Industry Standard Architecture)总线，外部设备互连(PCI，PeripheralComponent Interconnect)总线或扩展工业标准体系结构(EISA，Extended IndustryStandard Architecture)等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器11、处理器12和通信接口13集成在一块芯片上，则存储器11、处理器12和通信接口13可以通过内部接口完成相互间的通信。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是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，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，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模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。所述存储介质可以是只读存储器，磁盘或光盘等。
综上所述，本发明实施例提出的障碍车轨迹异常的判别方法和装置，提取自动驾驶车辆采集的场景数据中各个障碍车的多个位置点，将所有位置点进行聚类操作，识别出周围点数较少的点作为异样点，该异样点对应的障碍车即为出现轨迹异常现象的障碍车。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种障碍车轨迹异常的判别方法，其特征在于，所述方法包括：
针对场景数据中出现的各个障碍车，获取该障碍车在所述场景数据所对应的测试区域中的多个位置点；
将所述针对各个障碍车获取的位置点进行聚类操作；
根据聚类操作结果确定所述位置点中的异样点；
将所述异样点对应的障碍车确定为出现轨迹异常现象的障碍车。
2.根据权利要求的1所述的方法，其特征在于，所述将所述针对各个障碍车获取的位置点进行聚类操作，包括：
采用模糊C均值算法进行聚类操作，将所述针对各个障碍车获取的位置点划分为N个类，N为大于1的整数。
3.根据权利要求的2所述的方法，其特征在于，所述采用模糊C均值算法进行聚类操作，将所述针对各个障碍车获取的位置点划分为N个类，包括：
针对各个位置点，获取该位置点周围预设范围内的位置点个数，根据所述个数确定该位置点的可信度；
在所有位置点中，随机选取N个位置点作为聚类中心，将其他位置点作为待分类点；
针对各个待分类点，根据待分类点与各个聚类中心的距离、以及各个聚类中心的可信度，将待分类点划分入相应聚类中心所属的类中；
计算所述各个类中所有位置点的中心点，当各个类的中心点与该类的聚类中心的距离均小于预设的距离门限时，将所划分的类作为最终的聚类操作结果，结束当前流程；否则，将所述各个类的中心点作为聚类中心，将位置点作为待分类点，重新执行划分步骤。
4.根据权利要求的1-3任一所述的方法，其特征在于，所述根据聚类操作结果确定所述位置点中的异样点，包括：
针对采用聚类操作将位置点划分为成的各个类，当该类中包含的位置点个数小于预设的个数门限时，将该类中的位置点确定为异样点。
5.一种障碍车轨迹异常的判别装置，其特征在于，所述装置包括：
位置点获取模块，用于针对场景数据中出现的各个障碍车，获取该障碍车在所述场景数据所对应的测试区域中的多个位置点；
聚类模块，用于将所述针对各个障碍车获取的位置点进行聚类操作；
异样点确定模块，用于根据聚类操作结果确定所述位置点中的异样点；
轨迹异常确定模块，用于将所述异样点对应的障碍车确定为出现轨迹异常现象的障碍车。
6.根据权利要求的5所述的装置，其特征在于，所述聚类模块用于：
采用模糊C均值算法进行聚类操作，将所述针对各个障碍车获取的位置点划分为N个类，N为大于1的整数。
7.根据权利要求的6所述的装置，其特征在于，所述聚类模块包括：
可信度确定子模块，用于针对各个位置点，获取该位置点周围预设范围内的位置点个数，根据所述个数确定该位置点的可信度；
聚类中心确定子模块，用于在初始状态下，在所有位置点中，随机选取N个位置点作为聚类中心，将其他位置点作为待分类点；还用于根据判断子模块的指示，将划分子模块所划分的各个类的中心点作为聚类中心，将位置点作为待分类点；
划分子模块，用于针对各个待分类点，根据待分类点与各个聚类中心的距离、以及各个聚类中心的可信度，将待分类点划分入相应聚类中心所属的类中；
判断子模块，用于计算所述各个类中所有位置点的中心点，当各个类的中心点与该类的聚类中心的距离均小于预设的距离门限时，将划分子模块所划分的类作为最终的聚类操作结果；否则，指示聚类中心确定子模块重新确定聚类中心及待分类点。
8.根据权利要求的5-7任一所述的装置，其特征在于，所述异样点确定模块用于：
针对采用聚类操作将位置点划分为成的各个类，当该类中包含的位置点个数小于预设的个数门限时，将该类中的位置点确定为异样点。
9.一种障碍车轨迹异常的判别设备，其特征在于，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
10.一种计算机可读存储介质，其存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811228263.2A CN111079776A (zh) | 2018-10-22 | 2018-10-22 | 障碍车轨迹异常的判别方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811228263.2A CN111079776A (zh) | 2018-10-22 | 2018-10-22 | 障碍车轨迹异常的判别方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111079776A true CN111079776A (zh) | 2020-04-28 |
Family
ID=70309680
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811228263.2A Pending CN111079776A (zh) | 2018-10-22 | 2018-10-22 | 障碍车轨迹异常的判别方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111079776A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090276705A1 (en) * | 2008-05-05 | 2009-11-05 | Matsushita Electric Industrial Co., Ltd. | System architecture and process for assessing multi-perspective multi-context abnormal behavior |
| US20100127878A1 (en) * | 2008-11-26 | 2010-05-27 | Yuh-Ching Wang | Alarm Method And System Based On Voice Events, And Building Method On Behavior Trajectory Thereof |
| CN104462273A (zh) * | 2014-11-25 | 2015-03-25 | 百度在线网络技术（北京）有限公司 | 提取轨迹的方法及系统 |
| CN104657746A (zh) * | 2015-01-29 | 2015-05-27 | 电子科技大学 | 一种基于车辆轨迹相似性的异常检测方法 |
| CN104717468A (zh) * | 2015-03-06 | 2015-06-17 | 中国科学院大学 | 基于集群轨迹分类的集群场景智能监控方法及系统 |
| CN104778355A (zh) * | 2015-04-03 | 2015-07-15 | 东南大学 | 基于广域分布交通系统的异常轨迹检测方法 |
| CN105117737A (zh) * | 2015-10-08 | 2015-12-02 | 北京邮电大学 | 一种基于车辆轨迹向量确定车辆实际方向的方法及装置 |
| CN106650771A (zh) * | 2016-09-29 | 2017-05-10 | 百度在线网络技术（北京）有限公司 | 基于聚类分析的轨迹去噪方法以及装置 |
| CN108052859A (zh) * | 2017-10-31 | 2018-05-18 | 深圳大学 | 一种基于聚类光流特征的异常行为检测方法、系统及装置 |
-
2018
- 2018-10-22 CN CN201811228263.2A patent/CN111079776A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090276705A1 (en) * | 2008-05-05 | 2009-11-05 | Matsushita Electric Industrial Co., Ltd. | System architecture and process for assessing multi-perspective multi-context abnormal behavior |
| US20100127878A1 (en) * | 2008-11-26 | 2010-05-27 | Yuh-Ching Wang | Alarm Method And System Based On Voice Events, And Building Method On Behavior Trajectory Thereof |
| CN104462273A (zh) * | 2014-11-25 | 2015-03-25 | 百度在线网络技术（北京）有限公司 | 提取轨迹的方法及系统 |
| CN104657746A (zh) * | 2015-01-29 | 2015-05-27 | 电子科技大学 | 一种基于车辆轨迹相似性的异常检测方法 |
| CN104717468A (zh) * | 2015-03-06 | 2015-06-17 | 中国科学院大学 | 基于集群轨迹分类的集群场景智能监控方法及系统 |
| CN104778355A (zh) * | 2015-04-03 | 2015-07-15 | 东南大学 | 基于广域分布交通系统的异常轨迹检测方法 |
| CN105117737A (zh) * | 2015-10-08 | 2015-12-02 | 北京邮电大学 | 一种基于车辆轨迹向量确定车辆实际方向的方法及装置 |
| CN106650771A (zh) * | 2016-09-29 | 2017-05-10 | 百度在线网络技术（北京）有限公司 | 基于聚类分析的轨迹去噪方法以及装置 |
| CN108052859A (zh) * | 2017-10-31 | 2018-05-18 | 深圳大学 | 一种基于聚类光流特征的异常行为检测方法、系统及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 卓金武，王鸿钧: "《MATLAB 数学建模方法与实践 第3版》", 31 July 2018, 北京航空航天大学出版社, pages: 80 - 81 * |
| 吴维一 等: "一种处理激光雷达数据的聚类分析方法", 《计算机仿真》, vol. 24, no. 08, 15 August 2007 (2007-08-15), pages 236 - 240 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108394410B (zh) | Ecu、包括该ecu的自动驾驶车辆以及确定该车辆的行驶车道的方法 | |
| US10074181B2 (en) | Method and device for monitoring a surrounding region of a vehicle, and method for implementing emergency braking | |
| CN110390248A (zh) | 用于操作技术系统的方法、设备、产品和计算机程序 | |
| CN111382768A (zh) | 多传感器数据融合方法和装置 | |
| US12112554B2 (en) | Method for determining a drivable area | |
| CN109035831A (zh) | 交通指示灯的识别方法、装置、设备、存储介质及车辆 | |
| EP3709231A1 (en) | Vehicle track planning method, device, computer device and computer-readable storage medium | |
| CN109766867B (zh) | 车辆运行状态确定方法、装置、计算机设备和存储介质 | |
| CN113008296B (zh) | 用于通过在点云平面上融合传感器数据来检测汽车环境的方法和汽车控制单元 | |
| US9536174B2 (en) | Fault-aware matched filter and optical flow | |
| US10275665B2 (en) | Device and method for detecting a curbstone in an environment of a vehicle and system for curbstone control for a vehicle | |
| JP7037672B2 (ja) | 自動車用レーダセンサによる静的レーダ目標の認識方法 | |
| CN111199088A (zh) | 复现场景数据的方法和装置 | |
| US20220171975A1 (en) | Method for Determining a Semantic Free Space | |
| US20200174488A1 (en) | False target removal device and method for vehicles and vehicle including the device | |
| CN111159833A (zh) | 无人驾驶车辆算法的评估的方法和装置 | |
| CN111079776A (zh) | 障碍车轨迹异常的判别方法和装置 | |
| JP2017116445A (ja) | 物体検出装置 | |
| CN111177878A (zh) | 衍生仿真场景筛选方法、装置和终端 | |
| CN115273463A (zh) | 行人目标横穿预测方法、装置、车辆及存储介质 | |
| JP4151631B2 (ja) | 物体検出装置 | |
| US20220309760A1 (en) | Method and a Device for Assigning a Bounding Box to an Object | |
| CN111143423A (zh) | 动态场景标注数据挖掘方法、装置以及终端 | |
| CN116778701B (zh) | 车辆违停判定方法、装置、计算机设备和存储介质 | |
| CN111612808B (zh) | 前景区域获取方法、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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200428 |