CN111508101A - 通过检测驾驶场景来评估驾驶员的驾驶习惯的方法和装置 - Google Patents

通过检测驾驶场景来评估驾驶员的驾驶习惯的方法和装置 Download PDF

Info

Publication number
CN111508101A
CN111508101A CN202010058346.2A CN202010058346A CN111508101A CN 111508101 A CN111508101 A CN 111508101A CN 202010058346 A CN202010058346 A CN 202010058346A CN 111508101 A CN111508101 A CN 111508101A
Authority
CN
China
Prior art keywords
driving
specific
learning
event
driving scenario
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
Application number
CN202010058346.2A
Other languages
English (en)
Other versions
CN111508101B (zh
Inventor
金桂贤
金镕重
金鹤京
南云铉
夫硕焄
成明哲
申东洙
吕东勋
柳宇宙
李明春
李炯树
张泰雄
郑景中
诸泓模
赵浩辰
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.)
Stradvision Inc
Original Assignee
Stradvision Inc
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 Stradvision Inc filed Critical Stradvision Inc
Publication of CN111508101A publication Critical patent/CN111508101A/zh
Application granted granted Critical
Publication of CN111508101B publication Critical patent/CN111508101B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W40/09—Driving style or behaviour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60K—ARRANGEMENT OR MOUNTING OF PROPULSION UNITS OR OF TRANSMISSIONS IN VEHICLES; ARRANGEMENT OR MOUNTING OF PLURAL DIVERSE PRIME-MOVERS IN VEHICLES; AUXILIARY DRIVES FOR VEHICLES; INSTRUMENTATION OR DASHBOARDS FOR VEHICLES; ARRANGEMENTS IN CONNECTION WITH COOLING, AIR INTAKE, GAS EXHAUST OR FUEL SUPPLY OF PROPULSION UNITS IN VEHICLES
    • B60K35/00—Instruments specially adapted for vehicles; Arrangement of instruments in or on vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • 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
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • B60W2050/146—Display means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/403—Image sensing, e.g. optical camera
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/30—Driving style
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
    • B60W2555/60—Traffic rules, e.g. speed limits or right of way
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Chemical & Material Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Combustion & Propulsion (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Analytical Chemistry (AREA)
  • Signal Processing (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明公开了一种通过检测驾驶场景来评估驾驶员的驾驶习惯的方法和装置。所述方法包括以下步骤：(a)若学习装置获取到特定枚举事件向量，所述特定枚举事件向量以特定顺序包含与各特定驾驶事件相关的各信息作为特定分量，则使循环神经网络以所述特定顺序对所述特定枚举事件向量的所述特定分量进行循环神经网络运算，以检测包含所述特定驾驶事件的特定预测驾驶场景；以及(b)所述学习装置使损失模块参考所述特定预测驾驶场景和已获取的特定地面实况驾驶场景来生成循环神经网络损失，使用所述循环神经网络损失来执行时间序列反向传播，从而学习所述循环神经网络的参数中的至少一部分。

Description

通过检测驾驶场景来评估驾驶员的驾驶习惯的方法和装置
技术领域
本发明涉及用于自动驾驶汽车的方法和装置，更具体地，涉及通过检测驾驶过程中发生的驾驶场景来提供用于评估驾驶员的驾驶习惯的信息的方法和装置。
背景技术
汽车的质量大、速度快，从而动能高，安全行驶是非常重要的。但是，大多数驾驶员只是为了自身的便利性而进行危险驾驶。而且，驾驶员没有用于判断自己的驾驶习惯是否危险或者是否违法的标准，并且很难改变自己的驾驶习惯。
发明内容
发明所要解决的课题
本发明的目的在于解决上述问题。
另外，本发明的另一目的在于，提供一种检测驾驶过程中发生的驾驶场景的方法。
另外，本发明又一目的在于，使用上述检测到的驾驶场景来评估驾驶员的驾驶习惯的方法。
另外，本发明又一目的在于，通过提供一种评估上述驾驶习惯的方法，能够使驾驶员分析上述驾驶习惯从而进行改进。
用于解决课题的手段
为了实现如上所述的本发明的目的并实现后述的本发明的特定效果，本发明的特定构成如下。
根据本发明的一个方式，提供一种学习方法，用于通过检测在驾驶过程中发生的驾驶事件来检测包含所述驾驶事件中的至少一部分的驾驶场景，其特征在于，包括以下步骤：(a)若学习装置获取到至少一个特定枚举事件向量，所述特定枚举事件向量以特定顺序包含与特定驾驶事件的每个相关的各信息作为特定分量，则使循环神经网络以所述特定顺序对所述特定枚举事件向量的所述特定分量进行至少一次循环神经网络运算，以检测至少一个包含所述特定驾驶事件中的至少一部分的特定预测驾驶场景；以及(b)所述学习装置使损失模块参考所述特定预测驾驶场景和已获取的特定地面实况驾驶场景来生成循环神经网络损失，使用所述循环神经网络损失来执行时间序列反向传播，从而学习所述循环神经网络的参数中的至少一部分。
在一个实施例中，在所述步骤(a)之前，还包括：步骤(a0)，通过执行以下的处理(i)～(iv)，与驾驶场景生成装置联动的所述学习装置获取所述特定枚举事件向量和所述特定GT驾驶场景，其中，所述处理(i)为：所述驾驶场景生成装置通过显示装置提供与包含所述特定驾驶事件的各驾驶事件相对应的各图形对象；所述处理(ii)为：若用户以所述特定顺序选择了与所述特定驾驶事件相对应的特定图形对象，则所述驾驶场景生成装置按照所述特定顺序使用与所述被选择的各特定驾驶事件相关的各信息来生成所述特定枚举事件向量；所述处理(iii)为：所述驾驶场景生成装置以所述特定顺序生成与所述特定驾驶事件相对应的所述特定地面实况驾驶场景；所述处理(iv)为：所述驾驶场景生成装置将所述特定枚举事件向量和所述特定地面实况驾驶场景发送给所述学习装置。
在一个实施例中，若在所述驾驶事件中选择了所述特定驾驶事件，则所述驾驶场景生成装置对所述特定驾驶事件中的至少一个应用至少一次更改运算，并使用应用了所述更改运算的状态下的所述特定驾驶事件还生成至少一个更改特定枚举事件向量和至少一个更改特定地面实况驾驶场景。
在一个实施例中，在所述步骤(a)之前，还包括：步骤(a1)，通过执行以下的处理(i)和(ii)，与驾驶场景生成装置联动的所述学习装置获取所述特定枚举事件向量和所述特定地面实况驾驶场景，其中，所述处理(i)为：所述驾驶场景生成装置使生成式对抗网络执行至少一次生成式对抗网络运算，从而(i-1)从所述驾驶事件中以所述特定顺序选择所述特定驾驶事件，(i-2)按照所述特定顺序使用与各所述特定驾驶事件相关的各信息来生成所述特定枚举事件向量，(i-3)以所述特定顺序生成与所述特定驾驶事件相对应的所述特定地面实况驾驶场景；所述处理(ii)为：所述驾驶场景生成装置将所述特定枚举事件向量和所述特定地面实况驾驶场景发送给所述学习装置。
在一个实施例中，所述驾驶场景生成装置使所述生成式对抗网络所包含的已学习的生成网络执行作为所述生成式对抗网络运算的至少一部分的至少一个生成运算，从而按照所述特定顺序选择所述特定驾驶事件，以生成所述特定枚举事件向量。
在一个实施例中，所述生成式对抗网络(i)使所述生成网络生成与每个学习用第一顺序的学习用第一驾驶事件的第一组中的每一个相对应的每个学习用第一枚举事件向量，(ii)使判别网络生成预测识别分数，所述预测识别分数表示作为所述学习用第一枚举事件向量和由管理者生成的学习用第二枚举事件向量中的至少一个的、被输入到所述判别网络中的至少一个事件向量是由所述管理者生成的还是由所述生成网络生成的概率，(iii)参考所述预测识别分数和地面实况识别分数来生成生成式对抗网络损失，(iv)使用所述生成式对抗网络损失来执行反向传播，从而成为学习了所述判别网络和所述生成网络所包含的参数中的至少一部分的状态。
在一个实施例中，在所述步骤(a)之前，还包括：步骤(a3)，在所述特定枚举事件向量和所述特定地面实况驾驶场景满足预设的验证规则的情况下，与驾驶场景生成装置联动的所述学习装置通过所述驾驶场景生成装置获取所述特定枚举事件向量和所述特定地面实况驾驶场景。
在一个实施例中，由所述管理者向所述驾驶场景生成装置输入验证规则，所述验证规则与在过去的特定时间范围内由驾驶员违反预定次数的一个以上的特定道路规则对应，所述驾驶场景生成装置参考所述验证规则，当在所述特定枚举事件向量和所述特定地面实况驾驶场景中反映出了遵守或违反所述特定道路规则的一个以上的状况时，确定所述特定枚举事件向量和所述特定地面实况驾驶场景满足所述验证规则。
在一个实施例中，所述学习装置使所述循环神经网络利用从(i)长短期记忆网络技术和(ii)门控循环单元技术中选择的技术来执行所述循环神经网络运算。
根据本发明的另一方式，提供一种测试方法，通过检测在驾驶过程中发生的驾驶场景来评估目标驾驶员的驾驶习惯，其特征在于，包括以下步骤：(a)(1)若学习装置获取到至少一个学习用特定枚举事件向量，所述学习用特定枚举事件向量以学习用特定顺序包含与学习用特定驾驶事件的每个相关的各信息作为学习用特定分量，则使循环神经网络以所述学习用特定顺序对所述学习用特定枚举事件向量的所述学习用特定分量进行至少一次循环神经网络运算，以检测至少一个包含所述学习用特定驾驶事件中的至少一部分的学习用特定预测驾驶场景，(2)所述学习装置使损失模块参考所述学习用特定预测驾驶场景和已获取的特定地面实况驾驶场景来生成循环神经网络损失，使用所述循环神经网络损失来执行时间序列反向传播，从而学习所述循环神经网络的参数中的至少一部分，在执行上述(1)和(2)的状态下，若与目标车辆联动的测试装置检测到一个以上的测试用驾驶事件，则使所述循环神经网络依次对与各所述测试用驾驶事件相关的各信息进行所述循环神经网络运算，以检测包含所述测试用驾驶事件中的至少一部分的一个以上的测试用预测驾驶场景；以及(b)所述测试装置使评估模块参考所述测试用预测驾驶场景生成评估信息，所述评估信息用于评估所述目标车辆的所述目标驾驶员的所述驾驶习惯。
在一个实施例中，在所述步骤(a)中，所述测试装置使事件检测模块与搭载在所述目标车辆上的(i)电子控制单元和(ii)外部环境监视单元中的至少一个联动，检测驾驶中在所述目标车辆的内部和外部发生的所述测试用驾驶事件。
在一个实施例中，所述测试装置使所述事件检测模块与所述电子控制单元联动来获取内部动作信息中的至少一部分，以检测所述测试用驾驶事件中的至少一部分，其中，所述内部动作信息包括方向信息、速度信息、方向指示灯信息和应急灯信息中的至少一部分。
在一个实施例中，所述测试装置使所述事件检测模块与所述外部环境监视单元的外部相机和V2X(vehicle-to-evertying，车辆与一切)通信模块中的至少一个联动来获取外部环境信息中的至少一部分，以检测所述测试用驾驶事件中的至少一部分，其中，所述外部环境信息包括位于距所述目标车辆第一阈值距离以内的信号灯的显示信息、位于距所述目标车辆第二阈值距离以内的周边车辆的周边运动信息以及与所述目标车辆所在的车道相关的车道信息中的至少一部分。
在一个实施例中，在所述步骤(b)中，所述测试装置使所述评估模块对参考所述测试用预测驾驶场景获取到的所述目标驾驶员违反道路规则的次数和频率中的至少一个进行统计分析运算，并生成包含所述统计分析运算结果的所述评估信息。
根据本发明的又一方式，提供一种学习装置，用于通过检测在驾驶过程中发生的驾驶事件来检测包含所述驾驶事件中的至少一部分的驾驶场景，其特征在于，包括：至少一个存储器，用于存储指令；以及至少一个处理器，被构成为执行所述指令，所述指令用于执行：处理(I)，若获取到至少一个特定枚举事件向量，所述特定枚举事件向量以特定顺序包含与特定驾驶事件的每个相关的各信息作为特定分量，则使循环神经网络以所述特定顺序对所述特定枚举事件向量的所述特定分量进行至少一次循环神经网络运算，以检测至少一个包含所述特定驾驶事件中的至少一部分的特定预测驾驶场景；以及处理(II)，使损失模块参考所述特定预测驾驶场景和已获取的特定地面实况驾驶场景生成循环神经网络损失，使用所述循环神经网络损失来执行时间序列反向传播，从而学习所述循环神经网络的参数中的至少一部分。
在一个实施例中，在所述处理(I)之前，所述处理器还执行(I1)通过执行以下处理(i)～处理(iv)来获取所述特定枚举事件向量和所述特定地面实况驾驶场景的处理，所述处理(i)为：驾驶场景生成装置通过显示装置提供与包含所述特定驾驶事件的各驾驶事件相对应的各图形对象；所述处理(ii)为：若用户以所述特定顺序选择了与所述特定驾驶事件相对应的特定图形对象，则所述驾驶场景生成装置按照所述特定顺序使用与所述被选择的各特定驾驶事件相关的各信息来生成所述特定枚举事件向量；所述处理(iii)为：所述驾驶场景生成装置以所述特定顺序生成与所述特定驾驶事件相对应的所述特定地面实况驾驶场景；所述处理(iv)为：所述驾驶场景生成装置将所述特定枚举事件向量和所述特定地面实况驾驶场景发送给所述学习装置。
在一个实施例中，若在所述驾驶事件中选择了所述特定驾驶事件，则所述驾驶场景生成装置对所述特定驾驶事件中的至少一个应用至少一次更改运算，并使用应用了所述更改运算的状态下的所述特定驾驶事件还生成至少一个更改特定枚举事件向量和至少一个更改特定地面实况驾驶场景。
在一个实施例中，在所述处理(I)之前，所述处理器还执行(I2)通过执行以下处理(i)和处理(ii)来获取所述特定枚举事件向量和所述特定地面实况驾驶场景的处理，所述处理(i)为：与所述学习装置联动的驾驶场景生成装置使生成式对抗网络执行至少一次生成式对抗网络运算，从而(i-1)从所述驾驶事件中以所述特定顺序选择所述特定驾驶事件，(i-2)按照所述特定顺序使用与各所述特定驾驶事件相关的各信息来生成所述特定枚举事件向量，(i-3)以所述特定顺序生成与所述特定驾驶事件相对应的所述特定地面实况驾驶场景；所述处理(ii)为：所述驾驶场景生成装置将所述特定枚举事件向量和所述特定地面实况驾驶场景发送给所述学习装置。
在一个实施例中，所述驾驶场景生成装置使所述生成式对抗网络中所包含的已经学习的生成网络执行作为所述生成式对抗网络运算的至少一部分的至少一个生成运算，从而按照所述特定顺序选择所述特定驾驶事件，以生成所述特定枚举事件向量。
在一个实施例中，所述生成式对抗网络(i)使所述生成网络生成与每个学习用第一顺序的学习用第一驾驶事件的第一组中的每一个相对应的每个学习用第一枚举事件向量，(ii)使判别网络生成预测识别分数，所述预测识别分数表示作为所述学习用第一枚举事件向量和由管理者生成的学习用第二枚举事件向量中的至少一个的、被输入到所述判别网络中的至少一个事件向量是由所述管理者生成的还是由所述生成网络生成的概率，(iii)参考所述预测识别分数和地面实况识别分数来生成生成式对抗网络损失，(iv)使用所述生成式对抗网络损失来执行反向传播，从而成为学习了所述判别网络和所述生成网络所包含的参数中的至少一部分的状态。
在一个实施例中，在所述处理(I)之前，所述处理器还执行处理(I3)，在所述特定枚举事件向量和所述特定地面实况驾驶场景满足预设的验证规则的情况下，通过与所述学习装置联动的驾驶场景生成装置获取所述特定枚举事件向量和所述特定地面实况驾驶场景。
在一个实施例中，由所述管理者向所述驾驶场景生成装置输入验证规则，所述验证规则与在过去的特定时间范围内由驾驶员违反预定次数的一个以上的特定道路规则对应，所述驾驶场景生成装置参考所述验证规则，当在所述特定枚举事件向量和所述特定地面实况驾驶场景中反映出了遵守或违反所述特定道路规则的一个以上的状况时，确定所述特定枚举事件向量和所述特定地面实况驾驶场景满足所述验证规则。
在一个实施例中，所述处理器使所述循环神经网络利用从(i)长短期记忆网络技术和(ii)门控循环单元技术中选择的技术来执行所述循环神经网络运算。
根据本发明的又一方式，提供一种测试装置，通过检测在驾驶过程中发生的驾驶场景来评估目标驾驶员的驾驶习惯，其特征在于，包括：至少一个存储器，用于存储指令；以及至少一个处理器，被构成为执行所述指令，所述指令用于执行：处理(I)，(1)若学习装置获取到至少一个学习用特定枚举事件向量，所述学习用特定枚举事件向量以学习用特定顺序包含与学习用特定驾驶事件的每个相关的各信息作为学习用特定分量，则使循环神经网络以所述学习用特定顺序对所述学习用特定枚举事件向量的所述学习用特定分量进行至少一次循环神经网络运算，以检测至少一个包含所述学习用特定驾驶事件中的至少一部分的学习用特定预测驾驶场景，(2)所述学习装置使损失模块参考所述学习用特定预测驾驶场景和已获取的特定地面实况驾驶场景来生成循环神经网络损失，使用所述循环神经网络损失来执行时间序列反向传播，从而学习所述循环神经网络的参数中的至少一部分，在执行上述(1)和(2)的状态下，若检测到一个以上的测试用驾驶事件，则使所述循环神经网络依次对与各所述测试用驾驶事件相关的各信息进行所述循环神经网络运算，以检测包含所述测试用驾驶事件中的至少一部分的一个以上的测试用预测驾驶场景；以及处理(II)，使评估模块参考所述测试用预测驾驶场景生成评估信息，所述评估信息用于评估所述目标车辆的所述目标驾驶员的所述驾驶习惯。
在一个实施例中，在所述处理(I)中，所述处理器使事件检测模块与搭载在所述目标车辆上的(i)电子控制单元和(ii)外部环境监视单元中的至少一个联动，检测驾驶中在所述目标车辆的内部和外部发生的所述测试用驾驶事件。
在一个实施例中，所述处理器使所述事件检测模块与所述电子控制单元联动来获取内部动作信息中的至少一部分，以检测所述测试用驾驶事件中的至少一部分，其中，所述内部动作信息包括方向信息、速度信息、方向指示灯信息和应急灯信息中的至少一部分。
在一个实施例中，所述处理器使所述事件检测模块与所述外部环境监视单元的外部相机和V2X通信模块中的至少一个联动来获取外部环境信息中的至少一部分，以检测所述测试用驾驶事件中的至少一部分，其中，所述外部环境信息包括位于距所述目标车辆第一阈值距离以内的信号灯的显示信息、位于距所述目标车辆第二阈值距离以内的周边车辆的周边运动信息以及与所述目标车辆所在的车道相关的车道信息中的至少一部分。
在一个实施例中，在所述处理(II)中，所述处理器使所述评估模块对参考所述测试用预测驾驶场景获取到的所述目标驾驶员违反道路规则的次数和频率中的至少一个进行统计分析运算，并生成包含所述统计分析运算结果的所述评估信息。
除此之外，还提供了用于记录计算机程序的计算机可读记录介质，所述计算机程序用于执行本发明的方法。
发明效果
本发明具有能够提供检测在驾驶过程中发生的驾驶场景的方法的效果。
另外，本发明具有能够提供通过所述检测到的驾驶场景来评估驾驶员的驾驶习惯的方法的效果。
另外，本发明提供评估所述驾驶习惯的方法，由此具有使所述驾驶员分析驾驶习惯并改善驾驶习惯的效果。
附图说明
本发明的上述目的和其他目的以及特征通过以下结合附图给出的优选实施例的描述会明确的。
本发明的实施例的说明中所用的以下附图仅仅是本发明实施例中的一部分，本领域技术人员在不进行发明操作的情况下，也能够根据这些附图来得出其他附图。
图1是示意性地示出为了执行根据本发明的一个实施例的方法而使用的学习装置和驾驶场景生成装置的结构的图，该方法通过检测在驾驶过程中发生的驾驶场景来提供用于评估驾驶员的驾驶习惯的信息。
图2是示意性地示出根据本发明的一个实施例的方法的流程的图，该方法通过检测在驾驶过程中发生的驾驶场景来提供用于评估驾驶员的驾驶习惯的信息。
图3是示意性地示出为了执行根据本发明的一个实施例的方法而使用的特定驾驶事件能够被用户选择的方法的一个示例的图，该方法通过检测在驾驶过程中发生的驾驶场景来提供用于评估驾驶员的驾驶习惯的信息。
图4是示意性地示出为了执行根据本发明的一个实施例的方法而使用的特定驾驶事件被生成式对抗网络选择的过程的一个示例的图，该方法通过检测在驾驶过程中发生的驾驶场景来提供用于评估驾驶员的驾驶习惯的信息。
具体实施方式
后述的针对本发明的详细描述参照附图，该附图为了明确本发明的目的、技术方案和优点而示出了可以实施本发明的特定实施例。这些实施例被详细说明以使本领域技术人员足以实施本发明。
另外，在本发明的整个说明书和权利要求书中，词语“包括”及其变形并不旨在排除其他技术特征、附加物、构成要素或步骤等。对于本领域技术人员来说，本发明的其他目的、优点和特征的一部分可以从本说明书中得出、其他一部分从本发明的实施中得出。以下示例和附图是以举例说明的方式提供的，并不旨在限制本发明。
而且，本发明涵盖本说明书中所描述的实施例的所有可能的组合。应当理解，本发明的各种实施例是不同的，但并不是相互排斥的。例如，在此描述的特定形状、结构和特性与一个实施例相关，但在不脱离本发明的精神和范围的情况下，可以由其他实施例实现。另外，应当理解，在不脱离本发明的精神和范围的情况下，可以改变每个公开的实施例中的各构成要素的位置或布置。因此，以下详细描述不应被理解为限制性的，并且本发明的范围，如果适当地描述，仅由所附权利要求书以及这些权利要求书所主张的等同物的全部范围来限定。在所有方面中，附图中相似的附图标记指代相同或相似的功能。
本发明中提到的各种图像可以包括与铺砌或未铺砌道路相关的图像，并且在这种情况下，可以包括可能出现在道路环境中的对象(例如，如汽车、人、动物、植物、物体、建筑物、飞机或无人机那样的飞行物、其他障碍物)，但并不限于此，并且本发明中提到的各种图像可以是与道路无关的图像(例如，与未铺砌道路、小巷、空地、海洋、湖泊、河流、山脉、森林、沙漠、天空、室内相关的图像)，在这种情况下，可以象征可能出现在未铺砌道路、小巷、空地、海洋、湖泊、河流、山脉、森林、沙漠、天空、室内环境中的对象(例如，如汽车、人、动物、植物、物体、建筑物、飞机或无人机那样的飞行物、其他障碍物)，但并不限于此。
以下，为了使本领域技术人员能够容易地实施本发明，参考附图详细描述本发明的优选实施例。
图1是示意性地示出为了执行根据本发明的一个实施例的方法而使用的学习装置和驾驶场景生成装置的结构的图，该方法通过检测在驾驶过程中发生的驾驶场景来提供用于评估驾驶员的驾驶习惯的信息。
参照图1，学习装置100可以包括稍后详细说明的至少一个RNN(Recurrent NeuralNetwork，循环神经网络)130和至少一个损失模块140。RNN 130和损失模块140的输入/输出以及运算过程可以分别通过至少一个通信部110和至少一个处理器120来实现。然而，在图1中省略了通信部110和处理器120的详细连接关系。在这种情况下，存储器115可以处于存储有后面描述的各种指令的状态，并且处理器120被配置为执行存储在存储器115中的指令，处理器120通过执行后面描述的指令，从而能够执行本发明的处理。虽然如上所述描述了学习装置100，但学习装置100不排除包括集成了用于实施本发明的处理器、存储器、介质(medium)或其他计算组件的形式的集成处理器。
另外，如上所述的学习装置100可以与驾驶场景生成装置200联动而动作。驾驶场景生成装置200可以包括显示装置210和GAN(Generative Adversarial Network，生成式对抗网络)220，该显示装置210用于执行由用户选择一个以上的特定驾驶事件的处理，该生成式对抗网络220用于执行由人工智能(AI)选择特定驾驶事件的处理。另外，驾驶场景生成装置200与学习装置100同样，可以包括至少一个通信部、至少一个存储器和至少一个处理器，但是在图1中被省略。在这种情况下，如图1所示，驾驶场景生成装置200在与学习装置100分离的计算装置中实现，针对本发明的上述方法的后述说明也是在驾驶场景生成装置200与学习装置100之间的这种关系的假设下进行的，但是也可以在相同的单个计算装置中实现。这种实现方式的实施例对于本领域技术人员来说是可以参考以下描述容易导出的。因此，可以看出，这样的实施例也包括在本发明的范围内。
下面，参照图2概述通过使用学习装置100和驾驶场景生成装置200能够执行以下方法的过程，该方法通过检测在驾驶过程中发生的驾驶场景来提供用于评估驾驶员的驾驶习惯的信息。
参照图2，学习装置100如果获取到由驾驶场景生成装置200生成的至少一个特定枚举(enumerated)事件向量，则可以使RNN 130对特定枚举事件向量进行一次以上的RNN运算，以检测至少一个特定预测驾驶场景(S01)。此后，学习装置100使损失模块140参考特定预测驾驶场景和特定GT(ground-truth，地面实况)驾驶场景来生成RNN损失(S02)，可以使用该RNN损失进行时间序列反向传播(BPTT；back propagation through time)，以学习RNN130的参数中的至少一部分(S03)。可以如上所述地描述本发明的方法的概括性构成，并且将在下面更详细地描述。
首先，在执行学习装置100的上述处理之前，必须从驾驶场景生成装置200获取特定枚举驾驶事件向量和特定GT驾驶场景。特定GT驾驶场景可以是以特定顺序与特定驾驶事件对应的特定识别码，特定枚举事件向量可以是以特定顺序包括与每个特定驾驶事件对应的各信息的排列。此时，可以从驾驶事件中选择特定驾驶事件，下面将描述选择过程的两个实施例。
作为第一实施例，驾驶场景生成装置200可以通过显示装置210提供与包含特定驾驶事件的各驾驶事件相对应的各图形对象。当图形对象被提供给用户时，用户可以按照特定顺序选择特定图形对象。此后，驾驶场景生成装置200可以执行：以特定顺序使用与被选择的各特定驾驶事件相关的各信息来生成特定枚举事件向量的处理、以及以特定顺序生成与特定驾驶事件相对应的特定GT驾驶场景的处理，并且将特定枚举事件向量和特定GT驾驶场景发送给学习装置100。此时，为了生成特定枚举事件向量，可以将特定驾驶事件作为特定分量以特定顺序包含在特定枚举事件向量中。参照图3来查看如上所述选择特定驾驶事件的过程的一个示例。
图3是示意性地示出为了执行根据本发明的一个实施例的方法而使用的特定驾驶事件被用户选择的方法的一个示例的图，该方法通过检测在驾驶过程中发生的驾驶场景提供用于评估驾驶员的驾驶习惯的信息。
参照图3可以看出，在显示装置210上提供道路状况类别的第一图形对象、车辆状况类别的第二图形对象和外部对象状况类别的第三图形对象。在包括第一图形对象、第二图形对象和第三图形对象的图形对象中，由用户可以以特定顺序选择特定图形对象，驾驶场景生成装置200可以以特定顺序获取关于与特定图形对象相对应的特定驾驶事件的信息。
下面将描述与如上所述那样选择特定驾驶事件的第一实施例相关的附加实施例。在这种情况下，特定枚举事件向量和特定GT驾驶场景是要使学习装置100学习的训练数据，训练数据反映越多种情况越好。因此，附加实施例可以涉及一种为了生成反映了多种情况的至少一个更改特定枚举事件向量和至少一个更改特定GT驾驶场景而更改所选择的特定驾驶事件的方法。
特别是，当在驾驶事件中选择特定驾驶事件时，驾驶场景生成装置200对特定驾驶事件中的至少一个应用至少一次更改运算，利用应用了更改运算的状态下的特定驾驶事件来生成至少一个更改特定枚举事件向量和至少一个更改特定GT驾驶场景。
例如，如果用户选择了特定驾驶事件，该特定驾驶事件对应于(i)检测到表示不能变更车道的左侧特定车道线、(ii)左转向灯亮灯和(iii)向左侧变更车道，则驾驶场景生成装置200可以将特定驾驶事件更改为(i)检测到右侧的特定车道线、(ii)右转向灯亮灯和(iii)向右侧变更车道，并生成与更改特定驾驶事件相对应的更改特定驾驶场景和更改特定枚举事件向量。作为另一个示例，如果用户选择了特定驾驶事件，该特定驾驶事件对应于(i)检测到位于前方10m的停车线和(ii)检测到超过阈值的速度，则驾驶场景生成模块200可以生成与停车线比10m位于更远或更近的情况相对应的更改特定驾驶场景和更改特定枚举事件向量。
作为第二实施例，可以使用人工智能来选择特定驾驶事件。
即，驾驶场景生成装置200可以使GAN 220执行至少一次GAN运算来以特定顺序选择特定驾驶事件，以特定顺序利用与各特定驾驶事件相关的各信息来生成特定枚举事件向量，以特定顺序生成与特定驾驶事件相对应的特定GT驾驶场景。在这种情况下，为了生成特定枚举事件向量，可以将特定驾驶事件作为特定分量以特定顺序包含在特定枚举事件向量中。之后，驾驶场景生成装置200可以将特定枚举事件向量和特定GT驾驶场景发送给学习装置100。在这种情况下，GAN 220可以在执行GAN运算之前处于已完成学习的状态。为了更详细地描述GAN 220的结构和学习过程参照图4。
图4是示意性地示出为了执行根据本发明的一个实施例的方法而使用的特定驾驶事件被GAN(Generative Adversarial Network，生成式对抗网络)选择的过程的一个示例的图，该方法通过检测在驾驶过程中发生的驾驶场景来提供用于评估驾驶员的驾驶习惯的信息。
参照图4，GAN 220可以包括生成网络221和判别网络222。此时，GAN 220可以使生成网络221生成与每个学习用第一顺序的学习用第一驾驶事件的每个第一组相对应的每个学习用第一枚举事件向量。之后，GAN220可以使判别网络222生成预测识别分数，该预测识别分数表示作为学习用第一枚举事件向量和由管理者生成的学习用第二枚举事件向量中的至少一个的、被输入到判别网络中的至少一个枚举事件是由管理者生成的还是由生成网络生成的概率。然后，GAN 220可以参考预测识别分数和GT识别分数来生成GAN损失，通过使用GAN损失执行反向传播来学习判别网络222和生成网络221所包含的参数中的至少一部分。
即，判别网络222被学习成能够更准确地判断输入给自己的枚举事件向量是由人生成的还是由人工智能生成的，生成网络221可以学习成能够更好地欺骗判别网络222。其结果是，生成网络221可以越来越像人一样生成包含特定枚举事件向量的枚举事件向量。
这样已经完成学习的生成网络221可以通过以特定顺序选择特定驾驶事件来生成特定枚举事件向量。
在这种情况下，第一实施例和第二实施例可以在驾驶场景生成装置200中同时实现，并且通过GUI(graphical user interface，图形用户界面)被用户选择。
另外，当特定枚举事件向量和特定GT驾驶场景满足预设的验证规则时，场景生成装置200可以将其发送给学习装置100。下面，将说明验证规则。
验证规则可以对应于在过去的特定时间范围、例如过去一年中被驾驶员违反预定次数的一个以上的特定道路规则。可以由管理者将这样的验证规则输入到驾驶场景生成装置200中，驾驶场景生成装置200可以使用其来判断在特定枚举事件向量和特定GT驾驶场景中是否反映出遵守或违反特定道路规则的一个以上的状况，当反映出了这种状况时，可以判断为特定枚举事件向量和特定GT驾驶场景满足验证规则。
例如，假设驾驶员在最近的过去时间违反的特定道路规则包括以下两种规则：(i)在隧道内不能变更车道的规则和(ii)仅在附近路标所写的时间段进行掉头的规则。在这种情况下，当特定枚举事件向量和特定GT驾驶场景与(i)和(ii)的特定道路规则无关时，可以认为不满足验证规则。特定枚举事件向量和特定GT驾驶场景是否与道路规则有关，可以通过判断特定驾驶事件中是否包含与道路规则相对应的验证汽车驾驶事件来判断。
在获取到特定枚举事件向量和特定GT驾驶场景之后，学习装置100可以使RNN 130对特定枚举事件向量的特定分量以特定顺序进行一次以上的RNN运算。
在此，RNN 130可以被学习成利用(i)LLTS(Mong-Short Term Memory，长短期记忆网络)技术和(ii)GRU(Gated Recurrent Unit，门控循环单元)技术中的一种来执行RNN运算。LSTM技术是包括输入门、遗忘门和输出门的一个RNN单元可以被用于生成短期状态向量和长期状态向量的技术。GRU技术是包括更新门和重置门的一个RNN单元可以被用于生成状态向量的技术。可以使用这样的LSTM技术和GRU技术来实现本发明的RNN 130，但是这属于众所周知的传统技术，因此将省略其详细描述。
之后，学习装置100可以使损失模块140参考特定预测驾驶场景和特定GT驾驶场景来生成RNN损失。为了生成RNN损失，可以使用作为众所周知的现有技术的交叉熵算法(cross-entropy algorithm)。更具体地，特定预测驾驶场景可以是包括如下概率的向量，该概率是驾驶场景作为分量被包含在特定枚举事件向量中的概率。而且，特定GT驾驶场景可以是独热编码(one-hot encoding)向量，该独热编码包括0和1，0表示驾驶场景不作为分量存在于特定枚举事件向量中，1表示驾驶场景作为分量存在于特定枚举事件向量中。可以使用向量形式的特定预测驾驶场景和独热编码向量形式的特定GT驾驶场景来执行交叉熵算法以生成RNN损失。由于交叉熵算法是众所周知的技术，因此省略对其更详细的描述。
在生成RNN损失之后，学习装置100可以使损失模块140使用RNN损失执行时间序列反向传播(BPTT)，从而学习RNN 130的参数中的至少一部分。
通过以上过程，可以完成对RNN 130的学习。下面，描述本发明的测试方法。用于执行测试方法的测试装置可以将损失模块140从学习装置100的结构中排除，并且取而代之包括评估模块和事件检测模块。
特别是，(1)若学习装置100获取到至少一个学习用特定枚举事件向量时，该学习用特定枚举事件向量以学习用特定顺序作为学习用特定分量包含与各学习用特定驾驶事件相关的各信息，则使RNN 130对学习用特定枚举事件向量的学习用特定分量以学习用特定顺序进行RNN运算，从而检测包括学习用特定驾驶事件中的至少一部分的至少一个学习用特定预测驾驶场景，(2)学习装置100使损失模块140参考学习用特定预测驾驶场景和已获取的特定GT驾驶场景来生成RNN损失，并且使用RNN损失执行时间序列反向传播，从而学习了RNN的参数中的至少一部分的状态下，当与目标车辆联动的测试装置检测到一个以上的测试用驾驶事件时，使RNN 130对与各测试用驾驶事件相关的各信息依次进行RNN运算，从而可以检测包括测试用驾驶事件中的至少一部分的一个以上的测试用预测驾驶场景。
之后，测试装置使评估模块参考测试用预测驾驶场景生成评估信息，该评估信息用于评估目标车辆的目标驾驶员的驾驶习惯。
在这种情况下，事件检测模块可以检测在驾驶时在目标车辆的内部和外部发生的测试用驾驶事件。即，测试装置可以使事件检测模块与搭载在目标车辆上的电子控制单元(ECU)和外部环境监视单元中的至少一个联动来检测测试用驾驶事件。
具体来说，测试装置使事件检测模块与ECU联动来获取内部动作信息中的至少一部分，从而检测测试用驾驶事件中的至少一部分，该内部动作信息包括方向信息、速度信息、方向指示灯信息和应急灯信息中的至少一部分。ECU用于控制目标车辆，因此，通过与ECU联动能够获取内部动作信息。详细的获取过程为现有技术，因此将省略其详细描述。
另外，测试装置可以使事件检测模块与外部环境监视单元联动来获取外部环境信息中的至少一部分，该外部环境信息包括位于距目标车辆第一阈值距离以内的信号灯的显示信息、位于距目标车辆第二阈值距离以内的周边车辆的周边运动信息以及与目标车辆所在的车道相关的车道信息中的至少一部分。在这种情况下，外部环境监视单元可以包括外部相机和V2X(vehicle-to-everything，车辆与一切)通信模块。作为一个示例，显示信息和车道信息可以对由外部相机获取到的驾驶图像进行图像处理运算而获取。作为另一个示例，显示信息、周边运动信息和车道信息可以通过使用与服务器或周边车辆通信的V2X通信模块来获取。
在获取到测试用驾驶事件之后，测试装置可以使已完成学习的RNN130对与各测试用驾驶事件相关的各信息依次进行RNN运算来检测测试用预测驾驶场景。例如，如果检测到与(i)检测到右侧的特定车道、(ii)右转向灯亮灯和(iii)向左侧变更车道相对应的测试用驾驶事件，则RNN130可以检测出与违反车道变更规则相对应的测试用预测驾驶场景。
之后，测试装置可以使评估模块对参考测试用预测驾驶场景获取到的目标驾驶员违反道路规则的次数和频率中的至少一个进行统计分析运算，并生成包含统计分析运算结果的评估信息。例如，评估信息可以包括目标驾驶员多么经常违反道路规则以及目标驾驶员在不违反道路规则的情况下平均驾驶目标车辆多远的统计分析结果。
以上描述的根据本发明的实施例可以以程序指令的形式实现，该程序指令可以由各种计算机部件执行，并且可以记录在计算机可读记录介质中。计算机可读记录介质可以单独或组合地包括程序指令、数据文件、数据结构等。记录在计算机可读记录介质上的程序指令可以是为本发明专门设计和配置的程序指令，或者可以是计算机软件领域的技术人员已知并可用的。计算机可读记录介质的示例包括诸如硬盘、软盘和磁带的磁介质、诸如CD-ROM和DVD的光学记录介质，诸如光磁软盘(floptical disk)的磁光介质(magneto-opticalmedia)、以及ROM、RAM、闪存等特别构成为存储并执行程序指令的硬件装置。程序指令的示例不仅包括由编译器生成的机器代码，还包括可以由计算机使用解释器等执行的高级语言代码。硬件装置可以配置为作为一个或多个软件模块操作来执行根据本发明的处理，反之亦然。
尽管已经通过诸如具体构成要素等特定部件和有限的实施例和附图来描述了本发明，但这些仅仅是为了更全面地理解本发明而提供的，本发明不限于上述实施例。对于本领域技术人员来说，可以从这些描述中进行各种修改和变更。
因此，本发明的宗旨不应限于上述实施例，并且不仅是后附权利要求，与这些权利要求等同或等价的变形均包含于本发明的宗旨范围内。

Claims (28)

1.一种学习方法，用于通过检测在驾驶过程中发生的驾驶事件来检测包含所述驾驶事件中的至少一部分的驾驶场景，其特征在于，包括以下步骤：
(a)若学习装置获取到至少一个特定枚举事件向量，所述特定枚举事件向量以特定顺序包含与特定驾驶事件的每个相关的各信息作为特定分量，则使循环神经网络以所述特定顺序对所述特定枚举事件向量的所述特定分量进行至少一次循环神经网络运算，以检测至少一个包含所述特定驾驶事件中的至少一部分的特定预测驾驶场景；以及
(b)所述学习装置使损失模块参考所述特定预测驾驶场景和已获取的特定地面实况驾驶场景来生成循环神经网络损失，使用所述循环神经网络损失来执行时间序列反向传播，从而学习所述循环神经网络的参数中的至少一部分。
2.如权利要求1所述的学习方法，其特征在于，在所述步骤(a)之前，还包括：
步骤(a0)，通过执行以下的处理(i)～(iv)，与驾驶场景生成装置联动的所述学习装置获取所述特定枚举事件向量和所述特定GT驾驶场景，其中，所述处理(i)为：所述驾驶场景生成装置通过显示装置提供与包含所述特定驾驶事件的各驾驶事件相对应的各图形对象；所述处理(ii)为：若用户以所述特定顺序选择了与所述特定驾驶事件相对应的特定图形对象，则所述驾驶场景生成装置按照所述特定顺序使用与所述被选择的各特定驾驶事件相关的各信息来生成所述特定枚举事件向量；所述处理(iii)为：所述驾驶场景生成装置以所述特定顺序生成与所述特定驾驶事件相对应的所述特定地面实况驾驶场景；所述处理(iv)为：所述驾驶场景生成装置将所述特定枚举事件向量和所述特定地面实况驾驶场景发送给所述学习装置。
3.如权利要求2所述的学习方法，其特征在于，
若在所述驾驶事件中选择了所述特定驾驶事件，则所述驾驶场景生成装置对所述特定驾驶事件中的至少一个应用至少一次更改运算，并使用应用了所述更改运算的状态下的所述特定驾驶事件还生成至少一个更改特定枚举事件向量和至少一个更改特定地面实况驾驶场景。
4.如权利要求1所述的学习方法，其特征在于，在所述步骤(a)之前，还包括：
步骤(a1)，通过执行以下的处理(i)和(ii)，与驾驶场景生成装置联动的所述学习装置获取所述特定枚举事件向量和所述特定地面实况驾驶场景，其中，所述处理(i)为：所述驾驶场景生成装置使生成式对抗网络执行至少一次生成式对抗网络运算，从而(i-1)从所述驾驶事件中以所述特定顺序选择所述特定驾驶事件，(i-2)按照所述特定顺序使用与各所述特定驾驶事件相关的各信息来生成所述特定枚举事件向量，(i-3)以所述特定顺序生成与所述特定驾驶事件相对应的所述特定地面实况驾驶场景；所述处理(ii)为：所述驾驶场景生成装置将所述特定枚举事件向量和所述特定地面实况驾驶场景发送给所述学习装置。
5.如权利要求4所述的学习方法，其特征在于，
所述驾驶场景生成装置使所述生成式对抗网络所包含的已学习的生成网络执行作为所述生成式对抗网络运算的至少一部分的至少一个生成运算，从而按照所述特定顺序选择所述特定驾驶事件，以生成所述特定枚举事件向量。
6.如权利要求5所述的学习方法，其特征在于，
所述生成式对抗网络(i)使所述生成网络生成与每个学习用第一顺序的学习用第一驾驶事件的第一组中的每一个相对应的每个学习用第一枚举事件向量，(ii)使判别网络生成预测识别分数，所述预测识别分数表示作为所述学习用第一枚举事件向量和由管理者生成的学习用第二枚举事件向量中的至少一个的、被输入到所述判别网络中的至少一个事件向量是由所述管理者生成的还是由所述生成网络生成的概率，(iii)参考所述预测识别分数和地面实况识别分数来生成生成式对抗网络损失，(iv)使用所述生成式对抗网络损失来执行反向传播，从而成为学习了所述判别网络和所述生成网络所包含的参数中的至少一部分的状态。
7.如权利要求1所述的学习方法，其特征在于，
在所述步骤(a)之前，还包括：
步骤(a3)，在所述特定枚举事件向量和所述特定地面实况驾驶场景满足预设的验证规则的情况下，与驾驶场景生成装置联动的所述学习装置通过所述驾驶场景生成装置获取所述特定枚举事件向量和所述特定地面实况驾驶场景。
8.如权利要求7所述的学习方法，其特征在于，
由所述管理者向所述驾驶场景生成装置输入验证规则，所述验证规则与在过去的特定时间范围内由驾驶员违反预定次数的一个以上的特定道路规则对应，
所述驾驶场景生成装置参考所述验证规则，当在所述特定枚举事件向量和所述特定地面实况驾驶场景中反映出了遵守或违反所述特定道路规则的一个以上的状况时，确定所述特定枚举事件向量和所述特定地面实况驾驶场景满足所述验证规则。
9.如权利要求1所述的学习方法，其特征在于，
所述学习装置使所述循环神经网络利用从(i)长短期记忆网络技术和(ii)门控循环单元技术中选择的技术来执行所述循环神经网络运算。
10.一种测试方法，通过检测在驾驶过程中发生的驾驶场景来评估目标驾驶员的驾驶习惯，其特征在于，包括以下步骤：
(a)(1)若学习装置获取到至少一个学习用特定枚举事件向量，所述学习用特定枚举事件向量以学习用特定顺序包含与学习用特定驾驶事件的每个相关的各信息作为学习用特定分量，则使循环神经网络以所述学习用特定顺序对所述学习用特定枚举事件向量的所述学习用特定分量进行至少一次循环神经网络运算，以检测至少一个包含所述学习用特定驾驶事件中的至少一部分的学习用特定预测驾驶场景，(2)所述学习装置使损失模块参考所述学习用特定预测驾驶场景和已获取的特定地面实况驾驶场景来生成循环神经网络损失，使用所述循环神经网络损失来执行时间序列反向传播，从而学习所述循环神经网络的参数中的至少一部分，在执行上述(1)和(2)的状态下，若与目标车辆联动的测试装置检测到一个以上的测试用驾驶事件，则使所述循环神经网络依次对与各所述测试用驾驶事件相关的各信息进行所述循环神经网络运算，以检测包含所述测试用驾驶事件中的至少一部分的一个以上的测试用预测驾驶场景；以及
(b)所述测试装置使评估模块参考所述测试用预测驾驶场景生成评估信息，所述评估信息用于评估所述目标车辆的所述目标驾驶员的所述驾驶习惯。
11.如权利要求10所述的测试方法，其特征在于，
在所述步骤(a)中，
所述测试装置使事件检测模块与搭载在所述目标车辆上的(i)电子控制单元和(ii)外部环境监视单元中的至少一个联动，检测驾驶中在所述目标车辆的内部和外部发生的所述测试用驾驶事件。
12.如权利要求11所述的测试方法，其特征在于，
所述测试装置使所述事件检测模块与所述电子控制单元联动来获取内部动作信息中的至少一部分，以检测所述测试用驾驶事件中的至少一部分，其中，所述内部动作信息包括方向信息、速度信息、方向指示灯信息和应急灯信息中的至少一部分。
13.如权利要求11所述的测试方法，其特征在于，
所述测试装置使所述事件检测模块与所述外部环境监视单元的外部相机和V2X通信模块中的至少一个联动来获取外部环境信息中的至少一部分，以检测所述测试用驾驶事件中的至少一部分，其中，所述外部环境信息包括位于距所述目标车辆第一阈值距离以内的信号灯的显示信息、位于距所述目标车辆第二阈值距离以内的周边车辆的周边运动信息以及与所述目标车辆所在的车道相关的车道信息中的至少一部分。
14.如权利要求10所述的测试方法，其特征在于，
在所述步骤(b)中，
所述测试装置使所述评估模块对参考所述测试用预测驾驶场景获取到的所述目标驾驶员违反道路规则的次数和频率中的至少一个进行统计分析运算，并生成包含所述统计分析运算结果的所述评估信息。
15.一种学习装置，用于通过检测在驾驶过程中发生的驾驶事件来检测包含所述驾驶事件中的至少一部分的驾驶场景，其特征在于，包括：
至少一个存储器，用于存储指令；以及
至少一个处理器，被构成为执行所述指令，所述指令用于执行：
处理(I)，若获取到至少一个特定枚举事件向量，所述特定枚举事件向量以特定顺序包含与特定驾驶事件的每个相关的各信息作为特定分量，则使循环神经网络以所述特定顺序对所述特定枚举事件向量的所述特定分量进行至少一次循环神经网络运算，以检测至少一个包含所述特定驾驶事件中的至少一部分的特定预测驾驶场景；以及处理(II)，使损失模块参考所述特定预测驾驶场景和已获取的特定地面实况驾驶场景生成循环神经网络损失，使用所述循环神经网络损失来执行时间序列反向传播，从而学习所述循环神经网络的参数中的至少一部分。
16.如权利要求15所述的学习装置，其特征在于，
在所述处理(I)之前，所述处理器还执行(I1)通过执行以下处理(i)～处理(iv)来获取所述特定枚举事件向量和所述特定地面实况驾驶场景的处理，
所述处理(i)为：驾驶场景生成装置通过显示装置提供与包含所述特定驾驶事件的各驾驶事件相对应的各图形对象；所述处理(ii)为：若用户以所述特定顺序选择了与所述特定驾驶事件相对应的特定图形对象，则所述驾驶场景生成装置按照所述特定顺序使用与所述被选择的各特定驾驶事件相关的各信息来生成所述特定枚举事件向量；所述处理(iii)为：所述驾驶场景生成装置以所述特定顺序生成与所述特定驾驶事件相对应的所述特定地面实况驾驶场景；所述处理(iv)为：所述驾驶场景生成装置将所述特定枚举事件向量和所述特定地面实况驾驶场景发送给所述学习装置。
17.如权利要求16所述的学习装置，其特征在于，
若在所述驾驶事件中选择了所述特定驾驶事件，则所述驾驶场景生成装置对所述特定驾驶事件中的至少一个应用至少一次更改运算，并使用应用了所述更改运算的状态下的所述特定驾驶事件还生成至少一个更改特定枚举事件向量和至少一个更改特定地面实况驾驶场景。
18.如权利要求15所述的学习装置，其特征在于，
在所述处理(I)之前，所述处理器还执行(I2)通过执行以下处理(i)和处理(ii)来获取所述特定枚举事件向量和所述特定地面实况驾驶场景的处理，
所述处理(i)为：与所述学习装置联动的驾驶场景生成装置使生成式对抗网络执行至少一次生成式对抗网络运算，从而(i-1)从所述驾驶事件中以所述特定顺序选择所述特定驾驶事件，(i-2)按照所述特定顺序使用与各所述特定驾驶事件相关的各信息来生成所述特定枚举事件向量，(i-3)以所述特定顺序生成与所述特定驾驶事件相对应的所述特定地面实况驾驶场景；所述处理(ii)为：所述驾驶场景生成装置将所述特定枚举事件向量和所述特定地面实况驾驶场景发送给所述学习装置。
19.如权利要求18所述的学习装置，其特征在于，
所述驾驶场景生成装置使所述生成式对抗网络中所包含的已经学习的生成网络执行作为所述生成式对抗网络运算的至少一部分的至少一个生成运算，从而按照所述特定顺序选择所述特定驾驶事件，以生成所述特定枚举事件向量。
20.如权利要求19所述的学习装置，其特征在于，
所述生成式对抗网络(i)使所述生成网络生成与每个学习用第一顺序的学习用第一驾驶事件的第一组中的每一个相对应的每个学习用第一枚举事件向量，(ii)使判别网络生成预测识别分数，所述预测识别分数表示作为所述学习用第一枚举事件向量和由管理者生成的学习用第二枚举事件向量中的至少一个的、被输入到所述判别网络中的至少一个事件向量是由所述管理者生成的还是由所述生成网络生成的概率，(iii)参考所述预测识别分数和地面实况识别分数来生成生成式对抗网络损失，(iv)使用所述生成式对抗网络损失来执行反向传播，从而成为学习了所述判别网络和所述生成网络所包含的参数中的至少一部分的状态。
21.如权利要求15所述的学习装置，其特征在于，
在所述处理(I)之前，所述处理器还执行处理(I3)，在所述特定枚举事件向量和所述特定地面实况驾驶场景满足预设的验证规则的情况下，通过与所述学习装置联动的驾驶场景生成装置获取所述特定枚举事件向量和所述特定地面实况驾驶场景。
22.如权利要求21所述的学习装置，其特征在于，
由所述管理者向所述驾驶场景生成装置输入验证规则，所述验证规则与在过去的特定时间范围内由驾驶员违反预定次数的一个以上的特定道路规则对应，
所述驾驶场景生成装置参考所述验证规则，当在所述特定枚举事件向量和所述特定地面实况驾驶场景中反映出了遵守或违反所述特定道路规则的一个以上的状况时，确定所述特定枚举事件向量和所述特定地面实况驾驶场景满足所述验证规则。
23.如权利要求15所述的学习装置，其特征在于，
所述处理器使所述循环神经网络利用从(i)长短期记忆网络技术和(ii)门控循环单元技术中选择的技术来执行所述循环神经网络运算。
24.一种测试装置，通过检测在驾驶过程中发生的驾驶场景来评估目标驾驶员的驾驶习惯，其特征在于，包括：
至少一个存储器，用于存储指令；以及
至少一个处理器，被构成为执行所述指令，所述指令用于执行：
处理(I)，(1)若学习装置获取到至少一个学习用特定枚举事件向量，所述学习用特定枚举事件向量以学习用特定顺序包含与学习用特定驾驶事件的每个相关的各信息作为学习用特定分量，则使循环神经网络以所述学习用特定顺序对所述学习用特定枚举事件向量的所述学习用特定分量进行至少一次循环神经网络运算，以检测至少一个包含所述学习用特定驾驶事件中的至少一部分的学习用特定预测驾驶场景，(2)所述学习装置使损失模块参考所述学习用特定预测驾驶场景和已获取的特定地面实况驾驶场景来生成循环神经网络损失，使用所述循环神经网络损失来执行时间序列反向传播，从而学习所述循环神经网络的参数中的至少一部分，在执行上述(1)和(2)的状态下，若检测到一个以上的测试用驾驶事件，则使所述循环神经网络依次对与各所述测试用驾驶事件相关的各信息进行所述循环神经网络运算，以检测包含所述测试用驾驶事件中的至少一部分的一个以上的测试用预测驾驶场景；以及处理(II)，使评估模块参考所述测试用预测驾驶场景生成评估信息，所述评估信息用于评估所述目标车辆的所述目标驾驶员的所述驾驶习惯。
25.如权利要求24所述的测试装置，其特征在于，
在所述处理(I)中，
所述处理器使事件检测模块与搭载在所述目标车辆上的(i)电子控制单元和(ii)外部环境监视单元中的至少一个联动，检测驾驶中在所述目标车辆的内部和外部发生的所述测试用驾驶事件。
26.如权利要求25所述的测试装置，其特征在于，
所述处理器使所述事件检测模块与所述电子控制单元联动来获取内部动作信息中的至少一部分，以检测所述测试用驾驶事件中的至少一部分，其中，所述内部动作信息包括方向信息、速度信息、方向指示灯信息和应急灯信息中的至少一部分。
27.如权利要求25所述的测试装置，其特征在于，
所述处理器使所述事件检测模块与所述外部环境监视单元的外部相机和V2X通信模块中的至少一个联动来获取外部环境信息中的至少一部分，以检测所述测试用驾驶事件中的至少一部分，其中，所述外部环境信息包括位于距所述目标车辆第一阈值距离以内的信号灯的显示信息、位于距所述目标车辆第二阈值距离以内的周边车辆的周边运动信息以及与所述目标车辆所在的车道相关的车道信息中的至少一部分。
28.如权利要求24所述的测试装置，其特征在于，
在所述处理(II)中，
所述处理器使所述评估模块对参考所述测试用预测驾驶场景获取到的所述目标驾驶员违反道路规则的次数和频率中的至少一个进行统计分析运算，并生成包含所述统计分析运算结果的所述评估信息。
CN202010058346.2A 2019-01-30 2020-01-19 通过检测驾驶场景来评估驾驶员的驾驶习惯的方法和装置 Active CN111508101B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201962798618P 2019-01-30 2019-01-30
US62/798,618 2019-01-30
US16/724,747 2019-12-23
US16/724,747 US10832140B2 (en) 2019-01-30 2019-12-23 Method and device for providing information for evaluating driving habits of driver by detecting driving scenarios occurring during driving

Publications (2)

Publication Number Publication Date
CN111508101A true CN111508101A (zh) 2020-08-07
CN111508101B CN111508101B (zh) 2022-04-08

Family

ID=69190629

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010058346.2A Active CN111508101B (zh) 2019-01-30 2020-01-19 通过检测驾驶场景来评估驾驶员的驾驶习惯的方法和装置

Country Status (5)

Country Link
US (1) US10832140B2 (zh)
EP (1) EP3690795A1 (zh)
JP (1) JP6916552B2 (zh)
KR (1) KR102237873B1 (zh)
CN (1) CN111508101B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112061136A (zh) * 2020-08-26 2020-12-11 西北工业大学 基于长短期记忆网络的司机驾驶行为自动化分析方法
CN112712695A (zh) * 2020-12-30 2021-04-27 桂林电子科技大学 一种交通流预测方法、装置及存储介质

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11798321B2 (en) * 2020-08-28 2023-10-24 ANI Technologies Private Limited Driver score determination for vehicle drivers
CN112677983B (zh) * 2021-01-07 2022-04-12 浙江大学 一种识别驾驶员驾驶风格的系统
KR102609830B1 (ko) * 2021-01-22 2023-12-08 오병훈 배달자격 검증 시스템
CN112991750B (zh) * 2021-05-14 2021-11-30 苏州博宇鑫交通科技有限公司 基于强化学习与生成式对抗网络的局部交通优化方法
KR102636106B1 (ko) * 2021-12-27 2024-02-14 한국자동차연구원 운전자의 운전 능력 평가 장치 및 방법
KR102589270B1 (ko) 2022-03-07 2023-10-17 부산대학교 산학협력단 가변하는 운전성향을 고려한 운전자 식별 장치 및 방법 그리고 시스템
US20240051568A1 (en) * 2022-08-09 2024-02-15 Motional Ad Llc Discriminator network for detecting out of operational design domain scenarios
CN115798215B (zh) * 2023-02-03 2023-06-09 江苏天一航空工业股份有限公司 一种用于民航机场车路协同行为能力测试方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140012978A1 (en) * 2012-07-09 2014-01-09 Negeen MOUSSAVIAN Agreement compliance controlled electronic device throttle
CN106203626A (zh) * 2016-06-30 2016-12-07 北京奇虎科技有限公司 汽车驾驶行为检测方法及装置、汽车
US20170096164A1 (en) * 2015-10-05 2017-04-06 Delphi Technologies, Inc. Humanized Steering Model For Automated Vehicles
US9645577B1 (en) * 2016-03-23 2017-05-09 nuTonomy Inc. Facilitating vehicle driving and self-driving
US20170305434A1 (en) * 2016-04-26 2017-10-26 Sivalogeswaran Ratnasingam Dynamic Learning Driving System and Method
CN107492251A (zh) * 2017-08-23 2017-12-19 武汉大学 一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法
CN107918963A (zh) * 2017-11-16 2018-04-17 百度在线网络技术（北京）有限公司 用于车辆的信息生成方法和装置
US20180174446A1 (en) * 2015-02-09 2018-06-21 Kevin Sunlin Wang System and method for traffic violation avoidance
US20180173971A1 (en) * 2016-12-19 2018-06-21 Waymo Llc Pedestrian detection neural networks
US20180218262A1 (en) * 2017-01-31 2018-08-02 Panasonic Intellectual Property Corporation Of America Control device and control method
CN108920805A (zh) * 2018-06-25 2018-11-30 大连大学 具有状态特征提取功能的驾驶员行为建模系统
US20190012755A1 (en) * 2017-07-10 2019-01-10 Benjamin Williams Multi-driver, multi-law enforcement officer tracking, mapping, matching, and communication system for traffic stops using encrypted volunteered driver information

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107531244B (zh) 2015-04-21 2020-04-21 松下知识产权经营株式会社 信息处理系统、信息处理方法、以及记录介质
JP6671248B2 (ja) * 2016-06-08 2020-03-25 株式会社日立製作所 異常候補情報分析装置
US11120353B2 (en) 2016-08-16 2021-09-14 Toyota Jidosha Kabushiki Kaisha Efficient driver action prediction system based on temporal fusion of sensor data using deep (bidirectional) recurrent neural network
KR102195317B1 (ko) * 2017-05-19 2020-12-28 한국과학기술원 비디오 게임을 활용한 차량 사고 예측 방법
US10657804B2 (en) * 2017-08-11 2020-05-19 Here Global B.V. Updating maps and road status
CN107697070B (zh) 2017-09-05 2020-04-07 百度在线网络技术（北京）有限公司 驾驶行为预测方法和装置、无人车
JP7053213B2 (ja) * 2017-10-13 2022-04-12 株式会社デンソー 運転データ解析装置
US10672136B2 (en) * 2018-08-31 2020-06-02 Snap Inc. Active image depth prediction
US11921473B2 (en) * 2019-06-28 2024-03-05 Intel Corporation Methods and apparatus to generate acceptability criteria for autonomous systems plans

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140012978A1 (en) * 2012-07-09 2014-01-09 Negeen MOUSSAVIAN Agreement compliance controlled electronic device throttle
US20180174446A1 (en) * 2015-02-09 2018-06-21 Kevin Sunlin Wang System and method for traffic violation avoidance
US20170096164A1 (en) * 2015-10-05 2017-04-06 Delphi Technologies, Inc. Humanized Steering Model For Automated Vehicles
US9645577B1 (en) * 2016-03-23 2017-05-09 nuTonomy Inc. Facilitating vehicle driving and self-driving
US20170305434A1 (en) * 2016-04-26 2017-10-26 Sivalogeswaran Ratnasingam Dynamic Learning Driving System and Method
CN106203626A (zh) * 2016-06-30 2016-12-07 北京奇虎科技有限公司 汽车驾驶行为检测方法及装置、汽车
US20180173971A1 (en) * 2016-12-19 2018-06-21 Waymo Llc Pedestrian detection neural networks
US20180218262A1 (en) * 2017-01-31 2018-08-02 Panasonic Intellectual Property Corporation Of America Control device and control method
US20190012755A1 (en) * 2017-07-10 2019-01-10 Benjamin Williams Multi-driver, multi-law enforcement officer tracking, mapping, matching, and communication system for traffic stops using encrypted volunteered driver information
CN107492251A (zh) * 2017-08-23 2017-12-19 武汉大学 一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法
CN107918963A (zh) * 2017-11-16 2018-04-17 百度在线网络技术（北京）有限公司 用于车辆的信息生成方法和装置
CN108920805A (zh) * 2018-06-25 2018-11-30 大连大学 具有状态特征提取功能的驾驶员行为建模系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
GUPTA: "Social GAN: Socially Acceptable Trajectories with Generative Adversarial Networks", 《2018 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112061136A (zh) * 2020-08-26 2020-12-11 西北工业大学 基于长短期记忆网络的司机驾驶行为自动化分析方法
CN112712695A (zh) * 2020-12-30 2021-04-27 桂林电子科技大学 一种交通流预测方法、装置及存储介质
CN112712695B (zh) * 2020-12-30 2021-11-26 桂林电子科技大学 一种交通流预测方法、装置及存储介质

Also Published As

Publication number Publication date
KR102237873B1 (ko) 2021-04-09
JP6916552B2 (ja) 2021-08-11
CN111508101B (zh) 2022-04-08
KR20200095362A (ko) 2020-08-10
EP3690795A1 (en) 2020-08-05
US10832140B2 (en) 2020-11-10
US20200242477A1 (en) 2020-07-30
JP2020123333A (ja) 2020-08-13

Similar Documents

Publication Publication Date Title
CN111508101B (zh) 通过检测驾驶场景来评估驾驶员的驾驶习惯的方法和装置
CN111506980B (zh) 对虚拟驾驶环境生成交通场景的方法及装置
CN110874564B (zh) 分类车线后补像素检测车线的方法及装置
CN111507460B (zh) 为了提供自动停车系统检测停车空间的方法和装置
CN112703459B (zh) 对抗场景的迭代生成
US10176405B1 (en) Vehicle re-identification techniques using neural networks for image analysis, viewpoint-aware pattern recognition, and generation of multi- view vehicle representations
US11840239B2 (en) Multiple exposure event determination
CN111507888B (zh) 利用生成性对抗神经网络生成合成图像的方法及装置
CN109624990B (zh) 用于基于关键帧的自主车辆操作的系统及计算机实现方法
US20210166474A1 (en) Simulation Architecture for On-Vehicle Testing and Validation
CN111712829A (zh) 检测阻塞静止车辆
US11645518B2 (en) Multi-agent simulations
CN113052321B (zh) 从短期意图和长期结果生成轨迹标记
EP4060626A1 (en) Agent trajectory prediction using context-sensitive fusion
CN114889608A (zh) 一种基于注意力机制的车辆换道预测方法
Kang et al. A control policy based driving safety system for autonomous vehicles
Ravishankaran Impact on how AI in automobile industry has affected the type approval process at RDW
Das et al. DriCon: On-device Just-in-Time Context Characterization for Unexpected Driving Events
US20240051557A1 (en) Perception fields for autonomous driving
Bharadwaj et al. Lane, Car, Traffic Sign and Collision Detection in Simulated Environment Using GTA-V
CN116997890A (zh) 生成未知不安全场景、改进自动交通工具、计算机系统
CN116923455A (zh) 一种行驶轨迹生成方法、装置、计算机设备及存储介质
CN116206438A (zh) 训练用于预测交通场景未来发展的系统的方法和相应系统
CN117808113A (zh) 轨迹规划模型的训练方法、装置、终端设备及存储介质

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
GR01 Patent grant
GR01 Patent grant