CN111931837B - 一种识别驾驶事件及其训练方法、装置、设备和存储介质 - Google Patents
一种识别驾驶事件及其训练方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111931837B CN111931837B CN202010763292.XA CN202010763292A CN111931837B CN 111931837 B CN111931837 B CN 111931837B CN 202010763292 A CN202010763292 A CN 202010763292A CN 111931837 B CN111931837 B CN 111931837B
- Authority
- CN
- China
- Prior art keywords
- event recognition
- recognition model
- target
- driving
- parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000015654 memory Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000013526 transfer learning Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 4
- 230000007787 long-term memory Effects 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 description 17
- 238000013527 convolutional neural network Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 238000000605 extraction Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 5
- 230000001960 triggered effect Effects 0.000 description 5
- 230000006978 adaptation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000036461 convulsion Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000016776 visual perception Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 231100001263 laboratory chemical safety summary Toxicity 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006748 scratching Methods 0.000 description 1
- 230000002393 scratching effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供了一种识别驾驶事件及其训练方法、装置、设备和存储介质,该方法包括:采集表示驾驶事件的数据、作为驾驶参数,将第一时间段内的驾驶参数划分第一目标参数、第二目标参数,在与车辆的类型匹配的事件识别模型中,查找适于处理第二目标参数的事件识别模型、作为原始事件识别模型,以第一目标参数作为标识紧急的样本、第二目标参数作为标识非紧急的样本训练原始事件识别模型,获得目标事件识别模型,调用目标事件识别模型从第二时间段内的驾驶参数中识别紧急的驾驶事件,以在先的事件识别模型作为基础继续训练,训练量少,满足实时性的需求,学习出符合用户驾驶风格的事件识别模型,识别出个性化的驾驶事件。
Description
技术领域
本发明实施例涉及自动驾驶的技术领域,尤其涉及一种识别驾驶事件及其训练方法、装置、设备和存储介质。
背景技术
在用户驾驶车辆时,通常会识别用户所触发的驾驶事件,从而辅助用户进行驾驶的决策,提高驾驶的安全性。
其中,驾驶事件是指车辆行驶过程中发生的可观测事件,例如,急刹、变道,等等。
目前,为检测驾驶事件,通常为各个相应的指标设定一个静态阈值,该指标的数值超出或低于该阈值则认为发生驾驶事件,例如,对加速度设置一个阈值,加速度超过该阈值,则认为发生急刹。
但是,车辆中的指标数量较多,为各个指标选择一个合适的阈值是一件繁琐的操作。而且,即使是同一个指标,阈值也需要根据不同用户的情况不断进行调整,以适应不同用户的变化,操作更加繁琐。
发明内容
本发明实施例提出了一种识别驾驶事件及其训练方法、装置、设备和存储介质,以解决检测驾驶事件的操作繁琐的问题。
第一方面,本发明实施例提供了一种识别驾驶事件的方法,包括:
采集表示驾驶事件的数据、作为驾驶参数;
将第一时间段内的所述驾驶参数划分第一目标参数、第二目标参数,所述第一目标参数的数值大于所述第二目标参数的数值;
在与所述车辆的类型匹配的事件识别模型中,查找适于处理所述第二目标参数的事件识别模型、作为原始事件识别模型;
以所述第一目标参数作为标识紧急的样本、所述第二目标参数作为标识非紧急的样本训练所述原始事件识别模型,获得目标事件识别模型;
调用所述目标事件识别模型从第二时间段内的所述驾驶参数中识别紧急的驾驶事件,所述第二时间段位于所述第一时间段之后。
第二方面,本发明实施例还提供了一种事件识别模型的训练方法,包括:
从车辆中获取在用户驾驶所述车辆时训练的模型链路,所述模型链路中具有多个事件识别模型,作为子节点的事件识别模型依赖作为父节点的事件识别模型训练;
查找表示驾驶事件的驾驶参数,所述驾驶参数用于训练所述模型链路中的事件识别模型和/或被所述模型链路中的事件识别模型分类为紧急、非紧急;
以所述驾驶参数作为训练的样本,对所述模型链路中的事件识别模型计算损失值;
根据所述损失值检测所述模型链路中事件识别模型的有效性;
以所述驾驶参数作为训练的样本,对有效的事件识别模型进行训练,获得特征事件识别模型。
第三方面,本发明实施例还提供了一种识别驾驶事件的装置,包括:
驾驶参数采集模块,用于当用户驾驶车辆时,采集表示驾驶事件的数据、作为驾驶参数;
驾驶参数划分模块,用于将第一时间段内的所述驾驶参数划分第一目标参数、第二目标参数,所述第一目标参数大于所述第二目标参数;
原始事件识别模型查找模块,用于在与所述车辆的类型匹配的事件识别模型中,查找适于处理所述第二目标参数的事件识别模型、作为原始事件识别模型;
目标事件识别模型训练模块,用于以所述第一目标参数作为标识紧急的样本、所述第二目标参数作为标识非紧急的样本训练所述原始事件识别模型,获得目标事件识别模型;
驾驶事件识别模块,用于调用所述目标事件识别模型从第二时间段内的所述驾驶参数中识别紧急的驾驶事件,所述第二时间段位于所述第一时间段之后。
第四方面,本发明实施例还提供了一种事件识别模型的训练装置,包括:
模型链路获取模块,用于从车辆中获取在用户驾驶所述车辆时训练的模型链路,所述模型链路中具有多个事件识别模型,作为子节点的事件识别模型依赖作为父节点的事件识别模型训练;
驾驶参数查找模块,用于查找表示驾驶事件的驾驶参数,所述驾驶参数用于训练所述模型链路中的事件识别模型和/或被所述模型链路中的事件识别模型分类为紧急、非紧急;
损失值计算模块,用于以所述驾驶参数作为训练的样本,对所述模型链路中的事件识别模型计算损失值;
有效性检测模块,用于根据所述损失值检测所述模型链路中事件识别模型的有效性;
特征事件识别模型训练模块,用于以所述驾驶参数作为训练的样本,对有效的事件识别模型进行训练,获得特征事件识别模型。
第五方面,本发明实施例还提供了一种计算机设备,所述计算机设备包括:
一个或多个处理器;
存储器,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,使得所述一个或多个处理器实现如第一方面所述的识别驾驶事件的方法或者如第二方面所述的事件识别模型的训练方法。
第六方面,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上存储计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的识别驾驶事件的方法或者如第二方面所述的事件识别模型的训练方法。
在本实施例中,采集表示驾驶事件的数据、作为驾驶参数,将第一时间段内的驾驶参数划分第一目标参数、第二目标参数,在与车辆的类型匹配的事件识别模型中,查找适于处理第二目标参数的事件识别模型、作为原始事件识别模型,以第一目标参数作为标识紧急的样本、第二目标参数作为标识非紧急的样本训练原始事件识别模型,获得目标事件识别模型,调用目标事件识别模型从第二时间段内的驾驶参数中识别紧急的驾驶事件,实时采集用户驾驶车辆的驾驶参数,可以保证驾驶参数的个性化、真实性,以在先的事件识别模型作为基础继续训练,不仅训练量少,满足实时性的需求,而且可通过逐步学习出符合用户驾驶风格的事件识别模型,从而识别出用户个性化的紧急的驾驶事件,操作简便,以后续辅助用户驾驶的决策提供依据。
附图说明
图1为本发明实施例提供的一种无人驾驶车辆的结构示意图;
图2为本发明实施例一提供的一种识别驾驶事件的方法的流程图;
图3A至图3C为本发明实施例一提供的一种紧急的驾驶事件的示意图;
图4是本发明实施例二提供的一种识别驾驶事件的方法的流程图;
图5是本发明实施例二提供的一种事件识别模型的结构示意图;
图6为本发明实施例三提供的一种事件识别模型的训练方法的流程图;
图7为本发明实施例三提供的一种模型链路的示例图;
图8为本发明实施例四提供的一种识别驾驶事件的装置的结构示意图;
图9为本发明实施例五提供的一种事件识别模型的训练装置的结构示意图;
图10为本发明实施例六提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
参见图1,示出了可以应用本发明实施例中识别驾驶事件的方法、识别驾驶事件的装置的实施例的无人驾驶车辆100。
如图1所示,无人驾驶车辆100可以包括驾驶控制设备101,车身总线102,ECU(Electronic Control Unit,电子控制单元)103、ECU 104、ECU 105,传感器106、传感器107、传感器108和执行器件109、执行器件110、执行器件111。
驾驶控制设备(又称为车载大脑)101负责整个无人驾驶车辆100的总体智能控制。驾驶控制设备101可以是单独设置的控制器,例如可编程逻辑控制器(ProgrammableLogicController,PLC)、单片机、工业控制机等;也可以是由其他具有输入/输出端口,并具有运算控制功能的电子器件组成的设备;还可以是安装有车辆驾驶控制类应用的计算机设备。驾驶控制设备可以对从车身总线102上接收到的各个ECU发来的数据和/或各个传感器发来的数据进行分析处理,作出相应的决策,并将决策对应的指令发送到车身总线。
车身总线102可以是用于连接驾驶控制设备101,ECU 103、ECU 104、ECU 105,传感器106、传感器107、传感器108以及无人驾驶车辆100的其他未示出的设备的总线。由于CAN(Controller AreaNetwork,控制器局域网络)总线的高性能和可靠性已被广泛认同,因此目前机动车中常用的车身总线为CAN总线。当然,可以理解的是车身总线也可以是其他类型的总线。
车身总线102可以将驾驶控制设备101发出的指令发送给ECU 103、ECU 104、ECU105,ECU 103、ECU 104、ECU 105再将上述指令进行分析处理后发给相应的执行器件执行。
传感器106、传感器107、传感器108包括但不限于激光雷达、相机、加速度传感器、角度传感器,等等。
需要说明的是,本发明实施例所提供的识别驾驶事件的方法可以由驾驶控制设备101执行,相应地,识别驾驶事件的装置一般设置于驾驶控制设备101中。
应该理解,图1中的无人驾驶车辆、驾驶控制设备、车身总线、ECU、执行器件和传感器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的无人驾驶车辆、驾驶控制设备、车身总线、ECU和传感器。
实施例一
图2为本发明实施例一提供的一种识别驾驶事件的方法的流程图,本实施例可适用于自适应用户的操作识别驾驶事件的情况,该方法可以由识别驾驶事件及其训练装置来执行,该识别驾驶事件的装置可以由软件和/或硬件实现,可配置在计算机设备中,例如,驾驶控制设备,等等,具体包括如下步骤:
步骤201、采集表示驾驶事件的数据、作为驾驶参数。
在本实施例中,在用户驾驶车辆时,可启动自动驾驶模式,所谓自动驾驶模式,可以指车辆本身拥有环境感知、路径规划并且自主实现车辆控制的模式,也就是用电子技术控制车辆进行的仿人驾驶。
根据对车辆操控任务的把握程度,驾驶模式可以分为L0非自动化(NoAutomotaion)、L1驾驶人辅助(Driver Assistance)、L2部分自动化(PartialAutomation)、L3有条件自动化(Conditional Automation)、L4高自动化(HighAutomation)、L5全自动化(Full Automation)。
本实施例中的自动驾驶模式,可以指L1-L3中的驾驶模式,对用户驾驶车辆起辅助功能。
此时,可实时、且持续调用在车辆中设置的传感器采集数据,该数据的频率一般为10Hz以上,按照时间对该数据进行排序,可形成数据序列,从该数据序列中可筛选指定长度、并表示驾驶事件的数据、作为驾驶参数。
在一个示例中,可调用在车辆中设置的加速度传感器,采集加速度,从中筛选表示车辆加速(驾驶事件)、车辆减速(加速事件)的加速度,即筛选出正向的加速度,为车辆加速时的加速度(驾驶参数),筛选出负向的加速度,为车辆减速时的加速度(驾驶参数)。
在另一个示例中,可调用在车辆中设置的角度传感器,采集角度,从中筛选表示车辆转向(驾驶事件)的加速度,即筛选出正向或负向的角度,为车辆转向时的角度(驾驶参数)。
当然,上述驾驶事件及其驾驶参数只是作为示例,在实施本发明实施例时,可以根据实际情况设置其他驾驶事件及其驾驶参数,本发明实施例对此不加以限制。另外,除了上述驾驶事件及其驾驶参数外,本领域技术人员还可以根据实际需要采用其它驾驶事件及其驾驶参数,本发明实施例对此也不加以限制。
此外,对于驾驶参数,可进行预处理,便于后续对驾驶参数的计算,例如,使用双边滤波等方式对加速度进行降噪、平滑,将当前角度与前后时刻的角度的差值超过角度阈值的数据剔除,等等,本实施例对此不加以限制。
步骤202、将第一时间段内的驾驶参数划分第一目标参数、第二目标参数。
在本实施例中,在开始采集驾驶参数之后的一个时间段设置为第一时间段,在第一时间段内统计所采集到的驾驶参数的数量。
若该驾驶参数的数量超过预设的数量阈值,则开始将驾驶参数划分第一目标参数、第二目标参数;否则,在超过第一时间段之后,开始将驾驶参数划分第一目标参数、第二目标参数。
其中,第一目标参数的数值大于第二目标参数的数值。
进一步而言,用户通常是在其能力范围内驾驶车辆,发生紧急的驾驶事件(如急刹、急启动、急转向等)的情况较少,因此,从驾驶参数划分数值较高、数量较少的第一目标参数,表示紧急的驾驶事件,从驾驶参数划分数值较低、数量较多的第二目标参数,表示非紧急的驾驶事件。
在一种示例中,驾驶参数包括一系列的数据点,每个数据点具有时间(位置)、数值等信息,可针对第一时间段内的驾驶参数,计算驾驶参数中处于每个数据点的数值的平均值。
对该数值的平均值取指定的倍数(如1.2倍),作为参考参数中的数据点的数值,使得参考参数中数据点的数值大于驾驶参数中数据点的平均值。
将驾驶参数与参考参数进行比较,判断在相同位置上,驾驶参数的数据点与参考参数的数据点的大小关系,从而统计驾驶参数中的数据点大于或等于参考参数中的数据点的第一比例。
若第一比例大于或等于预设的第二阈值,则确定驾驶参数为第一目标参数。
若第一比例小于预设的第二阈值,则确定驾驶参数为第二目标参数。
在本示例中,通过拟合参考参数衡量驾驶参数的整体情况,以此作为划分第一目标参数、第二目标参数的标准,可以保证划分第一目标参数、第二目标参数的准确性。
当然,上述划分第一目标参数、第二目标参数的方式只是作为示例,在实施本发明实施例时,可以根据实际情况设置其他划分第一目标参数、第二目标参数的方式,例如,将峰度值、偏度值等最高的n个驾驶参数设置为第一目标参数、其他驾驶参数设置为第二目标参数,等等,本发明实施例对此不加以限制。另外,除了上述划分第一目标参数、第二目标参数的方式外,本领域技术人员还可以根据实际需要采用其它划分第一目标参数、第二目标参数的方式,本发明实施例对此也不加以限制。
步骤203、在与车辆的类型匹配的事件识别模型中,查找适于处理第二目标参数的事件识别模型、作为原始事件识别模型。
在具体实现中,可以在服务器收集在不同类型的车辆中发生的驾驶参数,并标注紧急的驾驶事件、非紧急的驾驶事件,以此作为已分类的样本,训练在该类型的车辆中通用的事件识别模型,即该事件识别模型可以用于识别紧急的驾驶事件、非紧急的驾驶事件。
事件识别模型为二分类的模型,可以为机械学习模型,如SVM(Support VectorMachine,支持向量机)、Logistic(回归模型)等,也可以为神经网络,本实施例对此不加以限制。
在训练完成时,服务器可以将该事件识别模型分发至相应类型的车辆中。
在初始的事件识别模型的基础上,可以针对不同用户的驾驶风格继续训练事件识别模型,并继续作为事件识别模型存储在车辆中,等待以此为基础继续训练,因此,与车辆的类型匹配的事件识别模型,既可以为初始通用的事件识别模型,也可以为继续训练的事件识别模型,本实施例对此不加以限制。
在本实施例中,非紧急的驾驶事件属于比较稳定的驾驶事件,可以体现用户的驾驶风格,即标识非紧急的第二目标参数可以体现用户的驾驶风格,因此,可在与车辆的类型匹配的事件识别模型中,查找适于处理第二目标参数(即与用户驾驶风格匹配)的事件识别模型、作为原始事件识别模型。
步骤204、以第一目标参数作为标识紧急的样本、第二目标参数作为标识非紧急的样本训练原始事件识别模型,获得目标事件识别模型。
在本实施例中,针对第一目标参数,可以标识紧急的驾驶事件,针对第二目标参数,可以标识非紧急的驾驶事件,以第一目标参数与第二目标参数作为已分类的样本,继续训练原始事件识别模型,获得目标事件识别模型,从而进一步提高目标事件识别模型与用户的驾驶风格的适配度。
需要说明的是,原始事件识别模型可以确保一定的精确度,因此,一方面,在对目标事件识别模型训练完成之前,可调用原始事件识别模型从驾驶参数中识别紧急的驾驶事件,在对目标事件识别模型训练完成时,从原始事件识别模型切换至目标事件识别模型,从而调用目标事件识别模型从驾驶参数中识别紧急的驾驶事件,另一方面,以迭代的次数作为停止训练的条件,即迭代训练到达预设的次数时,即认为目标事件识别模型训练完成,从而保证实时性。
步骤205、调用目标事件识别模型从第二时间段内的驾驶参数中识别紧急的驾驶事件。
在本实施例中,针对同一个用户触发的同一次驾驶操作,将第一时间段之后的时间段设置为第二时间段,即第二时间段位于第一时间段之后,在驾驶操作结束时,第二时间段结束。
为识别用户的身份,可以在车辆启动时,通过用户直接在车辆登录或在关联设备登录的信息(如用户账号)识别用户的身份,也可以通过调用车辆内的相机面向驾驶位采集图像数据,并对图像数据进行人脸识别,从而确定用户的身份,等等,本实施例对此不加以限制。
在确认用户的身份之后,可将车辆从启动到关闭之间由该用户触发的驾驶操作认为是同一个用户触发的同一次驾驶操作。
此外,若未识别用户的身份,则可以将驾驶位侧车门在两次开关操作之间的驾驶操作,认为是同一个用户触发的同一次驾驶操作。
在第二时间段内采集到驾驶参数之后,可以将该驾驶参数输入目标事件识别模型中,从而对驾驶参数进行分类,即划分表示紧急的驾驶事件、非紧急的驾驶事件。
对于紧急的驾驶事件,可以输出至其他决策模组,辅助用户调整驾驶操作,从而辅助用户驾驶车辆。
在实际应用中,部分紧急的驾驶事件会降低乘客的舒适感,而且可能出现安全风险,通过辅助用户驾驶车辆,可以提高乘客的舒适感、提高驾驶的安全性。
在一个示例中,如图3A所示,车辆311在道路上沿箭头方向行驶时,被车辆312超车,部分不文明的情况下,会对驾驶员引发路怒症,使得车辆311与车辆312发生不文明的相互超车现象,容易发生剐蹭、碰撞等意外,此时,车辆311、车辆312均可检测到紧急的加速事件,通过辅助其他措施可提前对车辆311、车辆312中驾驶员的行为进行干预,降低不文明超车带来的风险。
在另一个示例中,如图3B所示,车辆321在道路上沿箭头方向行驶时,在交通灯322指示红灯的情况下,车辆321刹车、减速,如果车辆321刹车的制动力较大,即便车速较慢,也会让乘客感受到比较明显的顿挫感,此时,车辆321会检测到紧急的减速事件,通过辅助其他措施可对车辆321刹车的进程进行调节,降低顿挫感。
在又一个示例中,如图3C所示,车辆331在道路上沿箭头方向行驶时,如果车辆331的速度较快,转向时横移较为明显,驾驶员难以控制,容易驶入相邻的车道,此时,车辆331会检测到紧急的转向事件,通过辅助其他措施可对车辆331转向的进程进行调节,避免驶入相邻的车道、与相邻的车道中的车辆发生剐蹭、碰撞等风险。
在本实施例中,当用户驾驶车辆时,采集表示驾驶事件的数据、作为驾驶参数,将第一时间段内的驾驶参数划分第一目标参数、第二目标参数,在与车辆的类型匹配的事件识别模型中,查找适于处理第二目标参数的事件识别模型、作为原始事件识别模型,以第一目标参数作为标识紧急的样本、第二目标参数作为标识非紧急的样本训练原始事件识别模型,获得目标事件识别模型,调用目标事件识别模型从第二时间段内的驾驶参数中识别紧急的驾驶事件,实时采集用户驾驶车辆的驾驶参数,可以保证驾驶参数的个性化、真实性,以在先的事件识别模型作为基础继续训练,不仅训练量少,满足实时性的需求,而且可通过逐步学习出符合用户驾驶风格的事件识别模型,从而识别出用户个性化的紧急的驾驶事件,操作简便,以后续辅助用户驾驶的决策提供依据。
实施例二
图4为本发明实施例二提供的一种识别驾驶事件的方法的流程图,本实施例以前述实施例为基础,进一步细化查找原始事件识别模型、训练目标事件识别模型、识别紧急的驾驶事件的操作,该方法具体包括如下步骤:
步骤401、采集表示驾驶事件的数据、作为驾驶参数。
步骤402、将第一时间段内的驾驶参数划分第一目标参数、第二目标参数。
其中,第一目标参数的数值大于第二目标参数的数值。
步骤403、查找与车辆的类型匹配的事件识别模型。
在本实施例中,在当前车辆本地提取服务器分发的、与车辆的类型匹配的事件识别模型,该事件识别模型关联标准参数,该标准参数表示训练事件识别模型所使用的、标识非紧急的驾驶参数(即第二目标参数)的特征。
步骤404、查找与驾驶参数的类型匹配的事件识别模型,作为候选事件识别模型。
分发至当前车辆的事件识别模型具有不同的类型,可用于对不同类型的驾驶参数进行分类,例如,某个类型的事件识别模型可用于对加速时的加速度进行分类,某个类型的事件识别模型可用于对减速时的加速度进行分类,某个类型的事件识别模型可用于对转向时的角度进行分类,等等。
在本实施例中,可确定驾驶参数的类型,从当前车辆的事件识别模型中查询适于对该类型的驾驶参数进行分类的事件识别模型,作为候选事件识别模型。
步骤405、计算第二目标参数与候选事件识别模型的标准参数之间的相关性。
在确定候选事件识别模型之后,可以将第二目标参数与候选事件识别模型的标准参数进行对比,计算两者之间的相关性,从而衡量两者之间的密切程度。
标准参数具有两种形式,其中一种形式为数据点,该数据点表示在先训练候选事件识别模型的样本(第二目标参数)的平均值,另外一种形式为数据范围,该数据点表示在先训练候选事件识别模型的样本(第二目标参数)的幅度(即同一位置数据点在最大值、最小值之间的范围)。
若标准参数为数据点,则可以通过EDR、LCSS、DTW等算法,计算第二目标参数与标准参数之间的相似度,作为相关性。
若标准参数为数据范围,则确定第二目标参数中、落入数据范围的数据点,作为目标点,统计目标点占第二目标参数的第二比例,作为相关性。
当然,上述计算相关性的方式只是作为示例,在实施本发明实施例时,可以根据实际情况设置其他计算相关性的方式,本发明实施例对此不加以限制。另外,除了上述计算相关性的方式外,本领域技术人员还可以根据实际需要采用其它计算相关性的方式,本发明实施例对此也不加以限制。
步骤406、基于相关性从候选事件识别模型中选择原始事件识别模型。
一般情况下,第二目标参数与候选事件识别模型的标准参数之间的相关性越高,表示该候选事件识别模型与当前用户的驾驶风格的适配度越高,反之,第二目标参数与候选事件识别模型的标准参数之间的相关性越低,表示该候选事件识别模型与当前用户的驾驶风格的适配度越低,因此,在本实施例中,可参考不同第二目标参数与候选事件识别模型的标准参数之间的相关性,选择合适的候选事件识别模型,作为原始事件识别模型。
在一种方式中,可计算相关性的平均值,将相关性的平均值与预设的相关性阈值进行比较。
若相关性的平均值大于或等于预设的相关性阈值,则计算相关性的离散值,该离散值表示相关性的离散程度,如方差、标准差等。
选择离散值最小的候选事件识别模型为原始事件识别模型,从而保持原始事件识别模型的性能稳定,提高原始事件识别模型的鲁棒性。
若相关性的平均值小于预设的相关性阈值,则选择相关性的平均值最小的候选事件识别模型为原始事件识别模型,即选择与样本最接近的原始事件识别模型,保证原始事件识别模型的精确度。
当然,上述选择原始事件识别模型的方式只是作为示例,在实施本发明实施例时,可以根据实际情况设置其他选择原始事件识别模型的方式,例如,计算所有相关性之和、作为总相关性,选择总相关性最高的候选事件识别模型,作为原始事件识别模型,等等,本发明实施例对此不加以限制。另外,除了上述选择原始事件识别模型的方式外,本领域技术人员还可以根据实际需要采用其它选择原始事件识别模型的方式,本发明实施例对此也不加以限制。
步骤407、获取标识紧急的驾驶参数,作为新的第一目标参数。
在本实施例中,第一目标参数与第二目标参数之间的差异可能比较小,为了防止在训练的时候过拟合,可以预先针对不同类型的事件识别模型设置一些表示典型的紧急的驾驶事件,即标识紧急的驾驶参数,并分发至各个车辆。
在确定候选事件识别模型之后,则可以从当前车辆本地提取紧急的驾驶参数,作为新的第一目标参数,与原有的第一目标参数结合。
步骤408、从所有第一目标参数中提取第一样本特征,并标记紧急。
在本实施例中,可以针对各个第一目标参数(包括第一时间段内采集的第一目标参数、新的第一目标参数),从中提取关联度、波形、统计等维度的特征,作为第一样本特征,并标记紧急作为标签(Tag)。
在一个示例中,第一样本特征包括第一样本残差、第一样本统计特征、第二样本统计特征、第二样本残差中的至少一者,则在本示例中,可查找原始事件识别模型关联的标准参数,计算第一目标参数与标准参数之间在同一位置上的差值,作为第一样本残差。
需要说明的是,若标准参数为数据点,则可以直接与第一目标参数计算在同一位置上的差值,若标准参数为数据范围,则计算该数据范围的中间值,从而与第一目标参数计算同一位置上的差值。
对第一残差计算平均值、最大值、最小值、方差、偏度值、峰度值等数据作为第一样本统计特征。
对第一目标参数计算平均值、最大值、最小值、方差、偏度值、峰度值等数据作为第二样本统计特征。
计算第二样本统计特征与标准参数的标准统计特征(如平均值、最大值、最小值、方差、偏度值、峰度值等数据)之间在同一位置上的差值,作为第二样本残差。
当然,上述第一样本特征只是作为示例,在实施本发明实施例时,可以根据实际情况设置其他第一样本特征,本发明实施例对此不加以限制。另外,除了上述第一样本特征外,本领域技术人员还可以根据实际需要采用其它第一样本特征,本发明实施例对此也不加以限制。
步骤409、从第二目标参数中提取第二样本特征,并标记非紧急。
在本实施例中,可以针对各个第二目标参数,从中提取关联度、波形、统计等维度的特征,作为第一样本特征,并标记紧急作为标签(Tag)。
在一个示例中,第二样本特征包括第三样本残差、第三样本统计特征、第四样本统计特征、第四样本残差中的至少一者,则在本示例中,可查找原始事件识别模型关联的标准参数,计算第二目标参数与标准参数之间在同一位置上的差值,作为第三样本残差。
需要说明的是,若标准参数为数据点,则可以直接与第二目标参数计算在同一位置上的差值,若标准参数为数据范围,则计算该数据范围的中间值,从而与第一目标参数计算同二位置上的差值。
对第二残差计算平均值、最大值、最小值、方差、偏度值、峰度值等数据作为第三样本统计特征。
对第二目标参数计算平均值、最大值、最小值、方差、偏度值、峰度值等数据作为第四样本统计特征。
计算第二样本统计特征与标准参数的标准统计特征(如平均值、最大值、最小值、方差、偏度值、峰度值等数据)之间在同一位置上的差值,作为第四样本残差。
当然,上述第二样本特征只是作为示例,在实施本发明实施例时,可以根据实际情况设置其他第二样本特征,本发明实施例对此不加以限制。另外,除了上述第二样本特征外,本领域技术人员还可以根据实际需要采用其它第二样本特征,本发明实施例对此也不加以限制。
步骤410、以第一样本特征、第二样本特征作为样本,紧急、非紧急作为分类的目标,对原始事件识别模型进行迁移学习,获得目标事件识别模型。
在本实施例中,可以以第一样本特征、第二样本特征作为已分类的样本,紧急、非紧急作为分类的目标,对原始事件识别模型进行迁移学习,获得目标事件识别模型。
其中,迁移学习是指把已训练好的原始事件识别模型的参数迁移到新的目标事件识别模型来帮助目标事件识别模型训练,考虑到大部分数据或任务都是存在相关性的,所以通过迁移学习可以将已经学到的参数通过某种方式来分享给新的目标事件识别模,从而加快并优化目标事件识别模的学习效率,保证实时性。
在具体实现中,可以应用如下其中一种方式对原始事件识别模型进行迁移学习:
(1)、Transfer Learning:冻结预训练模型(原始事件识别模型)的全部卷积层,只训练定制的全连接层。
(2)、Extract Feature Vector:先计算出预训练模型(原始事件识别模型)的卷积层对所有训练和测试数据的特征向量(第一样本特征、第二样本特征),然后抛开预训练模型(原始事件识别模型),只训练定制的简配版全连接网络。
(3)、Fine-tune:冻结预训练模型(原始事件识别模型)的部分卷积层(通常是靠近输入的多数卷积层),训练剩下的卷积层(通常是靠近输出的部分卷积层)和全连接层。
在迁移学习的过程中,可以将对样本预测的分类(紧急、非紧急)与实际的分类(紧急、非紧急)进行比较,从而计算每一轮迭代训练时的损失值,以基于损失值、使用梯度下降、随机梯度下降等方式更新原始事件识别模型中的参数。
此外,当目标事件识别模型训练完成时,基于第二目标参数生成标准参数,从而建立目标事件识别模型与第二目标参数之间的关联关系,存储在当前车辆本地。
在一个示例中,可计算第二目标参数中处于相同位置的数据点的平均值,作为标准参数的数据点。
在另一个示例中,可统计第二目标参数中处于相同位置的数据点的幅度(即最大值、最小值之间的范围),作为标准参数的数据范围。
当然,上述计算标准参数的方式只是作为示例,在实施本发明实施例时,可以根据实际情况设置其他计算标准参数的方式,本发明实施例对此不加以限制。另外,除了上述计算标准参数的方式外,本领域技术人员还可以根据实际需要采用其它计算标准参数的方式,本发明实施例对此也不加以限制。
步骤411、针对第二时间段内的驾驶参数,从驾驶参数中提取目标特征。
在本实施例中,可以在第二时间段内采集驾驶参数,从中提取关联度、波形、统计等维度的特征,作为目标特征。
在一个示例中,目标特征包括第一目标残差、第一目标统计特征、第二目标统计特征、第二目标残差中的至少一者,则在本示例中,可查找目标事件识别模型关联的标准参数,计算驾驶参数与标准参数之间的差值,作为第一目标残差。
对第一目标残差计算平均值、最大值、最小值、方差、偏度值、峰度值等数据作为第一目标统计特征;
对驾驶参数计算计算平均值、最大值、最小值、方差、偏度值、峰度值等数据作为第二目标统计特征;
计算第二目标统计特征与标准参数的标准统计特征(如平均值、最大值、最小值、方差、偏度值、峰度值等数据)之间的差值,作为第二目标残差。
当然,上述目标特征只是作为示例,在实施本发明实施例时,可以根据实际情况设置其他目标特征,本发明实施例对此不加以限制。另外,除了上述目标特征外,本领域技术人员还可以根据实际需要采用其它目标特征,本发明实施例对此也不加以限制。
步骤412、在目标事件识别模型的卷积神经网络中,对目标特征进行卷积处理,以输出候选特征。
步骤413、在目标事件识别模型的残差网络中,对候选特征计算残差特征。
步骤414、在目标事件识别模型的长短期记忆网络中,对残差特征进行特征映射,以输出驾驶参数的类别。
步骤415、若类别为紧急,则确定驾驶参数表示紧急的驾驶事件。
为保证实时性,对事件识别模型(包括当前的目标事件识别模型)的结构设计得较为简单,并且,事件识别模型属于指定车辆的类型、指定驾驶参数的类型下的模型,面向的场景较为集中,简单的结构依然可以保持较高的精确度。
在本实施例中,如图5所示,事件识别模型为三层结构,分别为:
1、卷积神经网络(Convolutional Neural Network,CNN)510
CNN是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward NeuralNetworks),是深度学习(deep learning)的算法之一。CNN具有表征学习(representationlearning)能力,能够按其阶层结构对输入信息进行平移不变分类(shift-invariantclassification),因此也被称为“平移不变人工神经网络(Shift-Invariant ArtificialNeural Networks,SIANN)”。
CNN仿造生物的视知觉(visual perception)机制构建,可以进行监督学习和非监督学习,其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化(grid-like topology)特征。
2、残差网络520
一般情况下,网络的每一层分别对应于提取不同层次的特征信息,有低层,中层和高层,而网络越深的时候,提取到的不同层次的信息会越多,而不同层次间的层次信息的组合也会越多,特征的“等级”随增网络深度的加深而变高,网络的深度是实现好的效果的重要因素,然而,梯度弥散/爆炸成为训练深层次的网络的障碍,导致无法收敛。
在事件识别模型中引入残差网络,在前向传播时,输入信号可以从任意低层直接传播到高层,由于包含了一个恒等映射,一定程度上可以解决网络退化问题,错误信号可以不经过任何中间权重矩阵变换直接传播到低层,一定程度上可以缓解梯度弥散问题,使得信息前后向传播更加顺畅,可见,可以有效地解决事件识别模型训练过程中梯度消失和梯度爆炸的问题,无需增加网络的层数,也可以得到精确的训练结果。
3、长短期记忆网络(Long Short-Term Memory,LSTM)530
LSTM是一种时间循环神经网络,是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的。
LSTM是一种含有LSTM区块(blocks)或其他的一种类神经网络,可能被描述成智能网络单元,因为它可以记忆不定时间长度的数值,区块中有一个gate能够决定input是否重要到能被记住及能不能被输出output。
LSTM具有四个S函数单元,最左边函数依情况可能成为区块的input,右边三个会经过gate决定input是否能传入区块,左边第二个为input gate,如果这里产出近似于零,将把这里的值挡住,不会进到下一层。左边第三个是forget gate,当这产生值近似于零,将把区块里记住的值忘掉。第四个也就是最右边的input为output gate,可以决定在区块记忆中的input是否能输出。
在本实施例中,在目标事件识别模型中,将目标特征输入CNN,CNN对目标特征进行卷积处理,将候选特征输出至残差网络,残差网络对候选特征计算残差特征,并输出至LSTM,LSTM对残差特征进行特征映射,输出驾驶参数的类别。
如果输出驾驶参数的类别为非紧急,则确定驾驶参数表示非紧急的驾驶事件。
如果输出驾驶参数的类别为紧急,则确定驾驶参数表示紧急的驾驶事件。
实施例三
图6为本发明实施例一提供的一种事件识别模型的训练方法的流程图,本实施例可适用于自适应用户的操作识别驾驶事件的情况,该方法可以由识别驾驶事件及其训练装置来执行,该事件识别模型的训练装置可以由软件和/或硬件实现,可配置在计算机设备中,例如,服务器、个人电脑,等等,具体包括如下步骤:
步骤601、从车辆中获取在用户驾驶车辆时训练的模型链路。
在计算机设备中,可以收集通过本发明任意实施例提供的识别驾驶事件的方法所训练事件识别模型,这些事件识别模型在用户驾驶车辆时训练,并由车辆上传至计算机设备,计算机设备以事件识别模型作为节点、以训练的依赖关系作为有向的边,生成树形结构。
在树形结构中包括根节点Root、叶子节点,遍历根节点Root与叶子节点之间的路径,作为模型链路,模型链路表示迭代训练的方向,即模型链路中具有多个事件识别模型,事件识别模型之间存在父子关系,作为子节点的事件识别模型依赖作为父节点的事件识别模型训练,即作为父节点的事件识别模型为原始事件识别模型、作为子节点的事件识别模型为目标事件识别模型。
其中,根节点Root为服务器训练的通用的事件识别模型,沿根节点Root开始分子节点,当不断细分直到不再有子节点时为叶子节点。
需要说明的是,一个事件识别模型可以存在多个父子关系,在某个父子关系中,某个事件识别模型可以作为子节点,在其他的父子关系中,该事件识别模型可以作为父节点,本实施例对此不加以限制。
例如,针对图7所示的树形结构,可以划分如下模型链路:
1、Root→A1→A2→A3→A4→A5→A6
2、Root→A1→A2→A3→A4→A41
3、Root→B1→B2→B3→B4
4、Root→B1→B2→B21
5、Root→B1→B2→B3→B31
6、Root→C1→C2→C3
7、Root→C1→C21→C22
对于第1条模型链路,针对A1、A2之间的父子关系,A1是父节点、A2是子节点,针对A2、A3之间的父子关系,A2是父节点、A3是子节点,等等。
步骤602、查找表示驾驶事件的驾驶参数。
在计算机设备中,可以收集通过本发明任意实施例所提供的识别驾驶事件的方法中使用的驾驶参数,该驾驶参数表示驾驶事件,如加速、减速、转向等。
其中,驾驶参数用于训练模型链路中的事件识别模型和/或被模型链路中的事件识别模型分类为紧急、非紧急。
步骤603、以驾驶参数作为训练的样本,对模型链路中的事件识别模型计算损失值。
针对单个事件识别模型,由于训练的样本数量较少,导致车辆在训练事件识别模型时容易陷入局部最优解。
因此,在本实施例中,可以以模型链路上全量的驾驶参数作为样本,提高样本的数量,沿用车辆对驾驶参数标记的紧急、非紧急等标签(Tag)作为分类的目标,以Sigmoid、softmax等损失函数(loss function)对模型链路中的事件识别模型计算损失值LOSS,用于估量模型链路中的事件识别模型分类的预测值与真实值的不一致程度。
步骤604、根据损失值检测模型链路中事件识别模型的有效性。
在本实施例中,将每个多次迭代训练的事件识别模型(即目标事件识别模型)视为一次迭代训练,从而将模型链路视为迭代训练的过程,参考损失值的合理性可以观察模型链路中事件识别模型的有效性,从而判断是否沿该模型链路的方向继续进行迭代训练。
在具体实现中,以首个损失值为起点、非首个损失值为终点,组成多个损失链路。
例如,针对图7所示的模型链路,Root→A1→A2→A3→A4→A5→A6,可以生成RootLOSS→A1 LOSS→A2 LOSS→A3 LOSS→A4 LOSS→A5 LOSS→A6 LOSS,Root LOSS→A1 LOSS→A2 LOSS→A3 LOSS→A4 LOSS→A5 LOSS,Root LOSS→A1 LOSS→A2 LOSS→A3 LOSS→A4LOSS等损失链路。
分别遍历每条损失链路的状态,如果损失链路呈收敛状态(即损失值整体呈减小的趋势),则表示在训练事件识别模型时为全局最优解,可比较这些呈收敛状态的损失链路的长度,将处于收敛状态、且长度最长的损失链路设置目标链路,从而确定目标链路对应的事件识别模型有效,以及,确定排序目标链路之后的损失值所对应的事件识别模型无效。
进一步而言,车辆在训练事件识别模型时陷入局部最优解,损失链路中的损失值可能会陷入震荡的情形,难以收敛。
例如,针对图7所示的模型链路的损失链路,假设呈收敛状态、且长度最长的损失链路为Root LOSS→A1 LOSS→A2 LOSS→A3 LOSS→A4 LOSS→A5 LOSS,则可以确定Root→A1→A2→A3→A4→A5有效,A6为无效。
此外,一方面,可以统计模型链路中事件识别模型的长度;若模型链路中事件识别模型的长度小于第一长度阈值,则表示模型链路的长度较短,确定模型链路中的事件识别模型无效,继续在车辆中迭代训练新的事件识别模型。
另一方面,可统计目标链路的长度,若目标链路的长度小于第二长度阈值,则表示目标链路的长度较短,确定目标链路对应的事件识别模型无效。
当然,上述检测有效性的方式只是作为示例,在实施本发明实施例时,可以根据实际情况设置其他检测有效性的方式,本发明实施例对此不加以限制。另外,除了上述检测有效性的方式外,本领域技术人员还可以根据实际需要采用其它检测有效性的方式,本发明实施例对此也不加以限制。
步骤605、以驾驶参数作为训练的样本,对有效的事件识别模型进行训练,获得特征事件识别模型。
在本实施例中,针对有效的事件识别模型,可以以模型链路上全量的驾驶参数作为样本,沿用车辆对驾驶参数标记的紧急、非紧急等标签(Tag)作为分类的目标,继续使用风格迁移的方式进行迭代训练,得到性能更优的事件识别模型,作为特征事件识别模型。
在具体实现中,驾驶参数可以划分为第一目标参数、第二目标参数,其中,第一目标参数标记有紧急的标签、第二目标参数标记有非紧急的标签。
一方面,从第一目标参数中提取第一样本特征,并标记紧急。
例如,第一样本特征包括第一样本残差、第一样本统计特征、第二样本统计特征、第二样本残差中的至少一者,则可以查找原始事件识别模型关联的标准参数;计算第一目标参数与标准参数之间的差值,作为第一样本残差;对第一残差计算第一样本统计特征;对第一目标参数计算第二样本统计特征;计算第二样本统计特征与标准参数的标准统计特征之间的差值,作为第二样本残差。
另一方面,从第二目标参数中提取第二样本特征,并标记非紧急。
例如,第二样本特征包括第三样本残差、第三样本统计特征、第四样本统计特征、第四样本残差中的至少一者,则可以查找原始事件识别模型关联的标准参数;计算第二目标参数与标准参数之间的差值,作为第三样本残差;对第二残差计算第三样本统计特征;对第二目标参数计算第四样本统计特征;计算第二样本统计特征与标准参数的标准统计特征之间的差值,作为第四样本残差。
以第一样本特征、第二样本特征作为样本,紧急、非紧急作为分类的目标,对有效的事件识别模型进行迁移学习,获得特征事件识别模型。
需要说明的是,诸如服务器等计算机设备的资源较为充裕,离线训练的时间也较为充裕,可以以损失值小于预设的损失阈值作为停止训练的条件,即事件识别模型的损失值小于损失阈值时,确定训练完成,为特征事件识别模型。
当目标事件识别模型训练完成时,基于第二目标参数生成标准参数;建立特征事件识别模型与第二目标参数之间的关联关系。
例如,计算第二目标参数中处于相同位置的数据点的平均值,作为标准参数的数据点。
又例如,统计第二目标参数中处于相同位置的数据点的幅度,作为标准参数的数据范围。
在本实施例中,由于训练特征事件识别模型的方式与训练目标事件识别模型的方式基本相似,所以描述的比较简单,相关之处参见训练目标事件识别模型的方式的部分说明即可,本实施例在此不加以详述。
在本实施例中,从车辆中获取在用户驾驶车辆时训练的模型链路,查找表示驾驶事件的驾驶参数,以驾驶参数作为训练的样本,对模型链路中的事件识别模型计算损失值,根据损失值检测模型链路中事件识别模型的有效性,以驾驶参数作为训练的样本,对有效的事件识别模型进行训练,获得特征事件识别模型,以模型链路全局的驾驶参数作为样本验证模型链路中事件识别模型的有效性,可以避免模型链路中事件识别模型陷入局部最优,保证模型链路中事件识别模型的准确性,后续对有效的事件识别模型继续训练,可以在维持用户的驾驶风格的基础上,训练出精确性更高的事件识别模,减少对车辆计算资源的消耗。
此后,可将特征事件识别模型挂载在有效的事件识别模型之后,推送至车辆,车辆通过本发明任意实施例所提供的识别驾驶事件的方法继续训练事件识别模型、以及应用该事件识别模型对驾驶参数进行分类。
统计基于特征事件识别模型训练新的事件识别模型的频次,并将该频次与预设的频率阈值进行比较。
若频次大于或等于预设的频次阈值,则确定该特征事件识别模型的性能较高,可通知车辆应用特征事件识别模型,停止基于特征事件识别模型训练新的事件识别模型,以降低计算资源的消耗。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
实施例四
图8为本发明实施例四提供的一种识别驾驶事件的装置的结构框图,具体可以包括如下模块:
驾驶参数采集模块801,用于采集表示驾驶事件的数据、作为驾驶参数;
驾驶参数划分模块802,用于将第一时间段内的所述驾驶参数划分第一目标参数、第二目标参数,所述第一目标参数的数值大于所述第二目标参数的数值;
原始事件识别模型查找模块803,用于在与所述车辆的类型匹配的事件识别模型中,查找适于处理所述第二目标参数的事件识别模型、作为原始事件识别模型;
目标事件识别模型训练模块804,用于以所述第一目标参数作为标识紧急的样本、所述第二目标参数作为标识非紧急的样本训练所述原始事件识别模型,获得目标事件识别模型;
驾驶事件识别模块805,用于调用所述目标事件识别模型从第二时间段内的所述驾驶参数中识别紧急的驾驶事件,所述第二时间段位于所述第一时间段之后。
在本发明的一个实施例中,所述驾驶参数划分模块802包括:
平均值计算子模块,用于针对第一时间段内的驾驶参数,计算所述驾驶参数中每个数据点的平均值;
参考参数生成子模块,用于对所述平均值取指定的倍数,作为参考参数中的数据点;
第一比例统计子模块,用于统计所述驾驶参数中的数据点大于或等于所述参考参数中的数据点的第一比例;
第一目标参数确定子模块,用于若所述第一比例大于或等于预设的第二阈值,则确定所述驾驶参数为第一目标参数;
第二目标参数确定子模块,用于若所述第一比例小于预设的第二阈值,则确定所述驾驶参数为第二目标参数。
在本发明的一个实施例中,所述原始事件识别模型查找模块803包括:
事件识别模型查找子模块,用于查找与所述车辆的类型匹配的事件识别模型,所述事件识别模型关联标准参数;
候选事件识别模型查找子模块,用于查找与所述驾驶参数的类型匹配的事件识别模型,作为候选事件识别模型;
相关性计算子模块,用于计算所述第二目标参数与所述候选事件识别模型的标准参数之间的相关性;
原始事件识别模型选择子模块,用于基于所述相关性从所述候选事件识别模型中选择原始事件识别模型。
在本发明的一个实施例中,所述相关性计算子模块包括:
相似度计算单元,用于若所述标准参数为数据点,则计算所述第二目标参数与所述标准参数之间的相似度,作为相关性;
或者,
目标点确定单元,用于若所述标准参数为数据范围,则确定所述第二目标参数中、落入所述数据范围的数据点,作为目标点;
第二比例统计单元,用于统计所述目标点占所述第二目标参数的第二比例,作为相关性。
在本发明的一个实施例中,所述原始事件识别模型选择子模块包括:
相关平均值计算单元,用于计算所述相关性的平均值;
离散值计算单元,用于若所述相关性的平均值大于或等于预设的相关性阈值,则计算所述相关性的离散值;
离散值选择单元,用于选择所述离散值最小的候选事件识别模型为原始事件识别模型;
相关性选择单元,用于若所述相关性的平均值小于预设的相关性阈值,则选择所述相关性的平均值最小的候选事件识别模型为原始事件识别模型。
在本发明的一个实施例中,所述目标事件识别模型训练模块804包括:
新参数获取子模块,用于获取标识紧急的驾驶参数,作为新的第一目标参数;
第一样本特征提取子模块,用于从所有所述第一目标参数中提取第一样本特征,并标记紧急;
第二样本特征提取子模块,用于从所述第二目标参数中提取第二样本特征,并标记非紧急;
模型迁移学习子模块,用于以所述第一样本特征、所述第二样本特征作为样本,所述紧急、所述非紧急作为分类的目标,对所述原始事件识别模型进行迁移学习,获得目标事件识别模型。
在本发明实施例的一个示例中,所述第一样本特征包括第一样本残差、第一样本统计特征、第二样本统计特征、第二样本残差中的至少一者,所述第一样本特征提取子模块还用于:
查找所述原始事件识别模型关联的标准参数;
计算所述第一目标参数与所述标准参数之间的差值,作为第一样本残差;
对所述第一残差计算第一样本统计特征;
对所述第一目标参数计算第二样本统计特征;
计算所述第二样本统计特征与所述标准参数的标准统计特征之间的差值,作为第二样本残差。
在本发明实施例的一个示例中,所述第二样本特征包括第三样本残差、第三样本统计特征、第四样本统计特征、第四样本残差中的至少一者,所述第二样本特征提取子模块还用于:
查找所述原始事件识别模型关联的标准参数;
计算所述第二目标参数与所述标准参数之间的差值,作为第三样本残差;
对所述第二残差计算第三样本统计特征;
对所述第二目标参数计算第四样本统计特征;
计算所述第二样本统计特征与所述标准参数的标准统计特征之间的差值,作为第四样本残差。
在本发明的一个实施例中,所述目标事件识别模型训练模块804还包括:
标准参数生成子模块,用于当所述目标事件识别模型训练完成时,基于所述第二目标参数生成标准参数;
关联关系建立子模块,用于建立所述目标事件识别模型与所述第二目标参数之间的关联关系。
在本发明的一个实施例中,所述标准参数生成子模块包括:
数据点设置单元,用于计算所述第二目标参数中处于相同位置的数据点的平均值,作为标准参数的数据点;
或者,
数据范围设置单元,用于统计所述第二目标参数中处于相同位置的数据点的幅度,作为标准参数的数据范围。
在本发明的一个实施例中,所述驾驶事件识别模块805包括:
目标特征提取子模块,用于针对第二时间段内的驾驶参数,从所述驾驶参数中提取目标特征;
候选特征输出子模块,用于在所述目标事件识别模型的卷积神经网络中,对所述目标特征进行卷积处理,以输出候选特征;
残差特征计算子模块,用于在所述目标事件识别模型的残差网络中,对所述候选特征计算残差特征;
类别输出子模块,用于在所述目标事件识别模型的长短期记忆网络中,对所述残差特征进行特征映射,以输出所述驾驶参数的类别;
紧急事件确定子模块,用于若所述类别为紧急,则确定所述驾驶参数表示紧急的驾驶事件。
在本发明实施例的一个示例中,所述目标特征包括第一目标残差、第一目标统计特征、第二目标统计特征、第二目标残差中的至少一者,所述目标特征提取子模块还用于:
查找所述目标事件识别模型关联的标准参数;
计算所述驾驶参数与所述标准参数之间的差值,作为第一目标残差;
对所述第一目标残差计算第一目标统计特征;
对所述驾驶参数计算第二目标统计特征;
计算所述第二目标统计特征与所述标准参数的标准统计特征之间的差值,作为第二目标残差。
本发明实施例所提供的识别驾驶事件的装置可执行本发明任意实施例所提供的识别驾驶事件的方法,具备执行方法相应的功能模块和有益效果。
实施例五
图9为本发明实施例五提供的一种事件识别模型的训练装置的结构框图,具体可以包括如下模块:
模型链路获取模块901,用于从车辆中获取在用户驾驶所述车辆时训练的模型链路,所述模型链路中具有多个事件识别模型,作为子节点的事件识别模型依赖作为父节点的事件识别模型训练;
驾驶参数查找模块902,用于查找表示驾驶事件的驾驶参数,所述驾驶参数用于训练所述模型链路中的事件识别模型和/或被所述模型链路中的事件识别模型分类为紧急、非紧急;
损失值计算模块903,用于以所述驾驶参数作为训练的样本,对所述模型链路中的事件识别模型计算损失值;
有效性检测模块904,用于根据所述损失值检测所述模型链路中事件识别模型的有效性;
特征事件识别模型训练模块905,用于以所述驾驶参数作为训练的样本,对有效的事件识别模型进行训练,获得特征事件识别模型。
在本发明的一个实施例中,所述有效性检测模块904包括:
损失链路组建子模块,用于以首个所述损失值为起点、非首个所述损失值为终点,组成多个损失链路;
目标链路设置子模块,用于将处于收敛状态、且长度最长的损失链路设置目标链路;
有效确定子模块,用于确定所述目标链路对应的事件识别模型有效;
第一无效确定子模块,用于确定排序所述目标链路之后的损失值所对应的事件识别模型无效。
在本发明的一个实施例中,所述有效性检测模块904还包括:
第一长度统计子模块,用于统计所述模型链路中事件识别模型的长度;
第二无效确定子模块,用于若所述模型链路中事件识别模型的长度小于第一长度阈值,则确定所述模型链路中的事件识别模型无效;
和/或,
第二长度统计子模块,用于统计所述目标链路的长度;
第三无效确定子模块,用于若所述目标链路的长度小于第二长度阈值,则确定所述目标链路对应的事件识别模型无效。
在本发明的一个实施例中,还包括:
特征事件识别模型推送模块,用于将所述特征事件识别模型挂载在有效的事件识别模型之后,推送至所述车辆;
频次统计模块,用于统计基于所述特征事件识别模型训练新的事件识别模型的频次;
特征事件识别模型应用模块,用于若所述频次大于或等于预设的频次阈值,则通知所述车辆应用所述特征事件识别模型,停止基于所述特征事件识别模型训练新的事件识别模型。
本发明实施例所提供的事件识别模型的训练装置可执行本发明任意实施例所提供的事件识别模型的训练方法,具备执行方法相应的功能模块和有益效果。
实施例六
图10为本发明实施例六提供的一种计算机设备的结构示意图。图10示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图10显示的计算机设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图10所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图10未显示,通常称为“硬盘驱动器”)。尽管图10中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的识别驾驶事件的方法或者事件识别模型的训练方法。
实施例七
本发明实施例七还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述识别驾驶事件的方法或者事件识别模型的训练方法的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
其中,计算机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。计算机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、便携式计算机磁盘、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、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (16)
1.一种识别驾驶事件的方法,其特征在于,包括:
采集表示驾驶事件的数据、作为驾驶参数;
将第一时间段内的所述驾驶参数划分第一目标参数、第二目标参数,所述第一目标参数的数值大于所述第二目标参数的数值;
在与车辆的类型匹配的事件识别模型中,查找适于处理所述第二目标参数的事件识别模型、作为原始事件识别模型;
以所述第一目标参数作为标识紧急的样本、所述第二目标参数作为标识非紧急的样本训练所述原始事件识别模型,获得目标事件识别模型;
其中,所述第二目标参数根据查找后的事件识别模型标准参数之间的相关性确定所述原始事件识别模型,且用于体现用户的驾驶风格;
调用所述目标事件识别模型从第二时间段内的所述驾驶参数中识别紧急的驾驶事件,所述第二时间段位于所述第一时间段之后。
2.根据权利要求1所述的方法,其特征在于,所述将第一时间段内的所述驾驶参数划分第一目标参数、第二目标参数,包括:
针对第一时间段内的驾驶参数,计算所述驾驶参数中每个数据点的平均值;
对所述平均值取指定的倍数,作为参考参数中的数据点;
统计所述驾驶参数中的数据点大于或等于所述参考参数中的数据点的第一比例;
若所述第一比例大于或等于预设的第二阈值,则确定所述驾驶参数为第一目标参数;
若所述第一比例小于预设的第二阈值,则确定所述驾驶参数为第二目标参数。
3.根据权利要求1所述的方法,其特征在于,所述在与所述车辆的类型匹配的事件识别模型中,查找适于处理所述第二目标参数的事件识别模型、作为原始事件识别模型,包括:
查找与所述车辆的类型匹配的事件识别模型,所述事件识别模型关联标准参数;
查找与所述驾驶参数的类型匹配的事件识别模型,作为候选事件识别模型;
计算所述第二目标参数与所述候选事件识别模型的标准参数之间的相关性;
基于所述相关性从所述候选事件识别模型中选择原始事件识别模型。
4.根据权利要求3所述的方法,其特征在于,所述计算所述第二目标参数与所述标准参数之间的相关性,包括:
若所述标准参数为数据点,则计算所述第二目标参数与所述标准参数之间的相似度,作为相关性;
或者,
若所述标准参数为数据范围,则确定所述第二目标参数中、落入所述数据范围的数据点,作为目标点;
统计所述目标点占所述第二目标参数的第二比例,作为相关性。
5.根据权利要求3所述的方法,其特征在于,所述基于所述相关性从所述候选事件识别模型中选择原始事件识别模型,包括:
计算所述相关性的平均值;
若所述相关性的平均值大于或等于预设的相关性阈值,则计算所述相关性的离散值;
选择所述离散值最小的候选事件识别模型为原始事件识别模型;
若所述相关性的平均值小于预设的相关性阈值,则选择所述相关性的平均值最小的候选事件识别模型为原始事件识别模型。
6.根据权利要求1所述的方法,其特征在于,所述以所述第一目标参数作为标识紧急的样本、所述第二目标参数作为标识非紧急的样本训练所述原始事件识别模型,获得目标事件识别模型,包括:
获取标识紧急的驾驶参数,作为新的第一目标参数;
从所有所述第一目标参数中提取第一样本特征,并标记紧急;
从所述第二目标参数中提取第二样本特征,并标记非紧急;
以所述第一样本特征、所述第二样本特征作为样本,所述紧急、所述非紧急作为分类的目标,对所述原始事件识别模型进行迁移学习,获得目标事件识别模型。
7.根据权利要求6所述的方法,其特征在于,
所述第一样本特征包括第一样本残差、第一样本统计特征、第二样本统计特征、第二样本残差中的至少一者,所述从所述第一目标参数中提取第一样本特征,包括:
查找所述原始事件识别模型关联的标准参数;
计算所述第一目标参数与所述标准参数之间的差值,作为第一样本残差;
对所述第一样本残差计算第一样本统计特征;
对所述第一目标参数计算第二样本统计特征;
计算所述第二样本统计特征与所述标准参数的标准统计特征之间的差值,作为第二样本残差;
所述第二样本特征包括第三样本残差、第三样本统计特征、第四样本统计特征、第四样本残差中的至少一者,所述从所述第二目标参数中提取第二样本特征,包括:
查找所述原始事件识别模型关联的标准参数;
计算所述第二目标参数与所述标准参数之间的差值,作为第三样本残差;
对所述第二样本残差计算第三样本统计特征;
对所述第二目标参数计算第四样本统计特征;
计算所述第二样本统计特征与所述标准参数的标准统计特征之间的差值,作为第四样本残差。
8.根据权利要求6所述的方法,其特征在于,所述以所述第一目标参数作为标识紧急的样本、所述第二目标参数作为标识非紧急的样本训练所述原始事件识别模型,获得目标事件识别模型,还包括:
当所述目标事件识别模型训练完成时,基于所述第二目标参数生成标准参数;
建立所述目标事件识别模型与所述第二目标参数之间的关联关系。
9.根据权利要求1-8任一项所述的方法,其特征在于,所述调用所述目标事件识别模型从第二时间段内的所述驾驶参数中识别紧急的驾驶事件,包括:
针对第二时间段内的驾驶参数,从所述驾驶参数中提取目标特征;
在所述目标事件识别模型的卷积神经网络中,对所述目标特征进行卷积处理,以输出候选特征;
在所述目标事件识别模型的残差网络中,对所述候选特征计算残差特征;
在所述目标事件识别模型的长短期记忆网络中,对所述残差特征进行特征映射,以输出所述驾驶参数的类别;
若所述类别为紧急,则确定所述驾驶参数表示紧急的驾驶事件。
10.一种事件识别模型的训练方法,其特征在于,包括:
从车辆中获取在用户驾驶所述车辆时训练的模型链路,所述模型链路中具有多个事件识别模型,作为子节点的事件识别模型依赖作为父节点的事件识别模型训练;
查找表示驾驶事件的驾驶参数,所述驾驶参数用于训练所述模型链路中的事件识别模型和/或被所述模型链路中的事件识别模型分类为紧急、非紧急;
以所述驾驶参数作为训练的样本,对所述模型链路中的事件识别模型计算损失值;
根据所述损失值检测所述模型链路中事件识别模型的有效性;
以所述驾驶参数作为训练的样本,对有效的事件识别模型进行训练,获得特征事件识别模型。
11.根据权利要求10所述的方法,其特征在于,所述根据所述损失值检测所述模型链路中的事件识别模型的有效性,包括:
以首个所述损失值为起点、非首个所述损失值为终点,组成多个损失链路;
将处于收敛状态、且长度最长的损失链路设置目标链路;
确定所述目标链路对应的事件识别模型有效;
确定排序所述目标链路之后的损失值所对应的事件识别模型无效。
12.根据权利要求11所述的方法,其特征在于,所述根据所述损失值检测所述模型链路中的事件识别模型的有效性,还包括:
统计所述模型链路中事件识别模型的长度;
若所述模型链路中事件识别模型的长度小于第一长度阈值,则确定所述模型链路中的事件识别模型无效;
和/或,
统计所述目标链路的长度;
若所述目标链路的长度小于第二长度阈值,则确定所述目标链路对应的事件识别模型无效。
13.一种识别驾驶事件的装置,其特征在于,包括:
驾驶参数采集模块,用于采集表示驾驶事件的数据、作为驾驶参数;
驾驶参数划分模块,用于将第一时间段内的所述驾驶参数划分第一目标参数、第二目标参数,所述第一目标参数的数值大于所述第二目标参数的数值;
原始事件识别模型查找模块,用于在与车辆的类型匹配的事件识别模型中,查找适于处理所述第二目标参数的事件识别模型、作为原始事件识别模型;
目标事件识别模型训练模块,用于以所述第一目标参数作为标识紧急的样本、所述第二目标参数作为标识非紧急的样本训练所述原始事件识别模型,获得目标事件识别模型;
其中,所述第二目标参数根据查找后的事件识别模型标准参数之间的相关性确定所述原始事件识别模型,且用于体现用户的驾驶风格;
驾驶事件识别模块,用于调用所述目标事件识别模型从第二时间段内的所述驾驶参数中识别紧急的驾驶事件,所述第二时间段位于所述第一时间段之后。
14.一种事件识别模型的训练装置,其特征在于,包括:
模型链路获取模块,用于从车辆中获取在用户驾驶所述车辆时训练的模型链路,所述模型链路中具有多个事件识别模型,作为子节点的事件识别模型依赖作为父节点的事件识别模型训练;
驾驶参数查找模块,用于查找表示驾驶事件的驾驶参数,所述驾驶参数用于训练所述模型链路中的事件识别模型和/或被所述模型链路中的事件识别模型分类为紧急、非紧急;
损失值计算模块,用于以所述驾驶参数作为训练的样本,对所述模型链路中的事件识别模型计算损失值;
有效性检测模块,用于根据所述损失值检测所述模型链路中事件识别模型的有效性;
特征事件识别模型训练模块,用于以所述驾驶参数作为训练的样本,对有效的事件识别模型进行训练,获得特征事件识别模型。
15.一种计算机设备,其特征在于,所述计算机设备包括:
一个或多个处理器;
存储器,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,使得所述一个或多个处理器实现如权利要求1-9中任一所述的识别驾驶事件的方法或者如权利要求10-12中任一所述的事件识别模型的训练方法。
16.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1-9中任一所述的识别驾驶事件的方法或者如权利要求10-12中任一所述的事件识别模型的训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010763292.XA CN111931837B (zh) | 2020-07-31 | 2020-07-31 | 一种识别驾驶事件及其训练方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010763292.XA CN111931837B (zh) | 2020-07-31 | 2020-07-31 | 一种识别驾驶事件及其训练方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111931837A CN111931837A (zh) | 2020-11-13 |
CN111931837B true CN111931837B (zh) | 2022-03-25 |
Family
ID=73315614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010763292.XA Active CN111931837B (zh) | 2020-07-31 | 2020-07-31 | 一种识别驾驶事件及其训练方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111931837B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112596388B (zh) * | 2020-12-18 | 2023-03-21 | 武汉理工大学 | 一种基于驾驶员数据的lstm神经网络aeb系统控制方法 |
CN112819072B (zh) * | 2021-02-01 | 2023-07-18 | 西南民族大学 | 一种监督式分类方法及系统 |
CN113022576B (zh) * | 2021-04-02 | 2022-02-22 | 东南大学 | 一种不同驾驶任务阶段的驾驶风格分析方法、系统及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679557A (zh) * | 2017-09-19 | 2018-02-09 | 平安科技(深圳)有限公司 | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10520947B2 (en) * | 2017-03-27 | 2019-12-31 | Uatc, Llc | Machine learning for event detection and classification in autonomous vehicles |
-
2020
- 2020-07-31 CN CN202010763292.XA patent/CN111931837B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679557A (zh) * | 2017-09-19 | 2018-02-09 | 平安科技(深圳)有限公司 | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111931837A (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111931837B (zh) | 一种识别驾驶事件及其训练方法、装置、设备和存储介质 | |
US20220011122A1 (en) | Trajectory prediction method and device | |
US11899411B2 (en) | Hybrid reinforcement learning for autonomous driving | |
CN110949398B (zh) | 一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法 | |
Gu et al. | A novel lane-changing decision model for autonomous vehicles based on deep autoencoder network and XGBoost | |
US11537134B1 (en) | Generating environmental input encoding for training neural networks | |
CN109109863B (zh) | 智能设备及其控制方法、装置 | |
CN110119714B (zh) | 一种基于卷积神经网络的驾驶员疲劳检测方法及装置 | |
Jeong et al. | Bidirectional long shot-term memory-based interactive motion prediction of cut-in vehicles in urban environments | |
Zhang et al. | An ensemble learning–online semi-supervised approach for vehicle behavior recognition | |
CN108491859A (zh) | 基于自动编码机的驾驶行为异质性特征的识别方法 | |
CN114655227A (zh) | 驾驶风格识别方法、辅助驾驶方法及装置 | |
CN114118349A (zh) | 用于用户可理解的可解释学习模型的方法、系统和设备 | |
Chu et al. | A review of driving style recognition methods from short-term and long-term perspectives | |
Ambarak et al. | A neural network for predicting unintentional lane departures | |
WO2023187117A1 (en) | Simulation-based testing for robotic systems | |
CN117217314A (zh) | 一种基于元数据驱动与因果分析理论的驾驶情境推理方法 | |
Choi et al. | DSA-GAN: driving style attention generative adversarial network for vehicle trajectory prediction | |
Sarker et al. | Driving maneuver classification using domain specific knowledge and transfer learning | |
Rahman et al. | Predicting driver behaviour at intersections based on driver gaze and traffic light recognition | |
Villagra et al. | Motion prediction and risk assessment | |
CN111891132B (zh) | 一种基于加减速的业务处理方法、装置、设备和存储介质 | |
CN111930117B (zh) | 一种基于转向的横向控制方法、装置、设备和存储介质 | |
WO2023021208A1 (en) | Support tools for av testing | |
Li et al. | A deep multichannel network model for driving behavior risk classification |
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 |