CN112258097B - 一种基于大数据的辅助驾驶方法和系统 - Google Patents

一种基于大数据的辅助驾驶方法和系统 Download PDF

Info

Publication number
CN112258097B
CN112258097B CN202011533196.2A CN202011533196A CN112258097B CN 112258097 B CN112258097 B CN 112258097B CN 202011533196 A CN202011533196 A CN 202011533196A CN 112258097 B CN112258097 B CN 112258097B
Authority
CN
China
Prior art keywords
action
target vehicle
driving
vehicle
state
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011533196.2A
Other languages
English (en)
Other versions
CN112258097A (zh
Inventor
辛明
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.)
Ruizhi Technology Group Co ltd
Original Assignee
Ruizhi Technology Group Co ltd
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 Ruizhi Technology Group Co ltd filed Critical Ruizhi Technology Group Co ltd
Priority to CN202011533196.2A priority Critical patent/CN112258097B/zh
Publication of CN112258097A publication Critical patent/CN112258097A/zh
Application granted granted Critical
Publication of CN112258097B publication Critical patent/CN112258097B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Multimedia (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请提供了一种基于大数据的辅助驾驶方法和系统，辅助驾驶方法包括：构建决策模型，决策模型包括状态空间和动作空间，状态空间包括目标车辆的当前状态和目标车辆的周围车辆的当前状态，动作空间包括目标车辆的动作空间和周围车辆的动作空间；通过构建的决策模型计算目标车辆的状态‑动作值矩阵，状态‑动作值矩阵包括目标车辆在当前状态下采取所有动作获得的状态‑动作值；将状态‑动作值矩阵中的最大值对应的动作作为目标车辆的第一动作；输出第一动作。本申请在辅助驾驶系统中增加了辅助决策功能，降低用户的决策困难。

Description

一种基于大数据的辅助驾驶方法和系统
技术领域
本申请涉及大数据技术领域，具体涉及一种基于大数据的辅助驾驶方法和系统。
背景技术
辅助驾驶技术是现有的普通车辆中的常规配置，例如，车道保持辅助系统、自动泊车辅助系统、刹车辅助系统、倒车辅助系统和行车辅助系统。但是，行车过程中的辅助驾驶功能主要是车道保持，缺乏行车过程中对驾驶决策的引导。
另外，在驾驶操作中，不同的驾驶人员有不同的驾驶习惯，有些驾驶人员加速快、喜欢急停、习惯换道、超车等，不同的驾驶行给车辆所在的驾驶环境带来不同的影响，直接影响到其周围车辆的驾驶行为。驾驶环境是一个公共环境，现有的辅助驾驶均未考虑自身车辆的驾驶行为对整个驾驶环境的影响。
发明内容
本申请的目的在于提供一种基于大数据的辅助驾驶方法和系统，在辅助驾驶系统中增加了辅助决策功能，降低用户的决策困难。
本申请提供了一种基于大数据的辅助驾驶方法，包括：构建决策模型，决策模型包括状态空间和动作空间，状态空间包括目标车辆的当前状态和目标车辆的周围车辆的当前状态，动作空间包括目标车辆的动作空间和周围车辆的动作空间；通过决策模型计算目标车辆的状态-动作值矩阵，状态-动作值矩阵包括目标车辆在当前状态下采取所有动作获得的状态-动作值；将状态-动作值矩阵中的最大值对应的动作作为目标车辆的第一动作；输出第一动作。
优选地，构建决策模型的状态空间包括：获得目标车辆的周围车辆的车牌号和周围环境信息；从大数据中获取目标车辆和周围车辆的统计信息；采集目标车辆和周围车辆的当前驾驶信息；依据周围环境信息、目标车辆和周围车辆的统计信息和当前驾驶信息获得车辆的状态空间矩阵。
优选地，获得目标车辆的第一动作后还包括：计算第一动作的综合评价值；判断综合评价值是否低于阈值；若综合评价值高于阈值，则输出第一动作。
优选地，计算第一动作的综合评价值包括：依据目标车辆在当前状态下采取第一动作获得的状态及周围车辆的当前状态预测周围车辆的执行动作，作为第二动作；计算第一动作下目标车辆的第一舒适度指数和第二动作下周围车辆的第二舒适度指数；并根据第一舒适度指数和第二舒适度指数计算第一动作的综合评价值。
优选地，若综合评价值低于阈值，则：从第一动作空间中删除第一动作；更新第一动作及第一动作的综合评价值。
优选地，计算舒适度指数包括如下步骤：依据车辆的当前驾驶信息、统计信息及周围环境信息计算车辆摆动率、速度变化率以及振动率；依据车辆的摆动率、速度变化率以及振动率计算舒适度指数。
优选地，依据车辆在采取动作后获得的路径变化率计算车辆的摆动率。
优选地，依据如下公式计算目标车辆在当前状态
Figure 939276DEST_PATH_IMAGE001
下采取动作
Figure 958048DEST_PATH_IMAGE002
获得的状态-动作值
Figure 964050DEST_PATH_IMAGE003
：
Figure 726469DEST_PATH_IMAGE004
其中，
Figure 642473DEST_PATH_IMAGE005
、
Figure 425621DEST_PATH_IMAGE006
为动作空间
Figure 59865DEST_PATH_IMAGE007
中的第
Figure 360396DEST_PATH_IMAGE008
个和第
Figure 255540DEST_PATH_IMAGE009
个元素，
Figure 350535DEST_PATH_IMAGE010
为目标车辆采取了至少一个动作后获得的状态，
Figure 472074DEST_PATH_IMAGE011
目标车辆在当前状态
Figure 435351DEST_PATH_IMAGE012
下采取动作
Figure 60368DEST_PATH_IMAGE013
获得的回报值，
Figure 326264DEST_PATH_IMAGE014
为目标车辆在状态
Figure 791225DEST_PATH_IMAGE015
下采取动作
Figure 433558DEST_PATH_IMAGE016
的状态转移概率，
Figure 178661DEST_PATH_IMAGE017
为目标车辆在状态
Figure 740092DEST_PATH_IMAGE018
下采取动作
Figure 570645DEST_PATH_IMAGE019
获得的状态-动作值。
优选地，采用如下公式计算第一动作的综合评价值
Figure 875724DEST_PATH_IMAGE020
：
Figure 475333DEST_PATH_IMAGE021
其中，
Figure 348611DEST_PATH_IMAGE022
为第
Figure 525514DEST_PATH_IMAGE023
个车辆的舒适度指数对综合评价值的权重，
Figure 244071DEST_PATH_IMAGE024
为第
Figure 963766DEST_PATH_IMAGE023
个车辆的舒适度指数，
Figure 867000DEST_PATH_IMAGE025
为目标车辆的舒适度指数对综合评价值的权重，
Figure 672145DEST_PATH_IMAGE026
为周围车辆的舒适度指数对综合评价值的权重，目标车辆的舒适度指数对综合评价值的权重高于其周围车辆的舒适度指数对综合评价值的权重，
Figure 319027DEST_PATH_IMAGE027
为目标车辆的舒适度指数，
Figure 893228DEST_PATH_IMAGE028
为周围车辆的舒适度指数。
本申请还提供了一种基于大数据的辅助驾驶系统，包括控制装置，执行上述的辅助驾驶方法。
本申请的有益效果如下：
1、本申请在辅助驾驶系统中增加了辅助决策功能，降低用户的决策困难。
2、本申请还考虑了目标车辆的动作对整个驾驶环境的影响，为提高驾驶环境的整体体验有很大提升。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是本申请提供的基于大数据的辅助驾驶方法的流程图；
图2是本申请提供的构建决策模型的状态空间的流程图；
图3是本申请提供的舒适度指数计算方法的流程图；
图4是本申请提供的获得状态空间矩阵的流程图。
具体实施方式
下面结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
实施例一
图1是本申请提供的基于大数据的辅助驾驶方法的流程图。如图1所示，辅助驾驶方法包括如下步骤：
S110：构建决策模型
Figure 842729DEST_PATH_IMAGE029
，其中，
Figure 994225DEST_PATH_IMAGE030
为状态空间，
Figure 320164DEST_PATH_IMAGE031
为动作空间，
Figure 748871DEST_PATH_IMAGE032
为状态转移概率，
Figure 259487DEST_PATH_IMAGE033
为回报函数，
Figure 773645DEST_PATH_IMAGE034
为衰退系数。
图2是本申请提供的构建决策模型的状态空间的流程图。如图2所示，构建状态空间包括如下步骤：
S210：获得目标车辆的周围车辆的车牌号和周围环境信息。
周围车辆为在目标车辆的前、后、左、右行驶的同向车辆，前、后、左、右每个方向上包括至少一个周围车辆。优选地，前、后、左、右每个方向上包括至少两个周围车辆。考虑每个方向上的多个周围车辆，有助于分析目标车辆周围的整个驾驶区域中的周围车辆对目标车辆的决策的影响，能够更精准地把握目标车辆在整个驾驶周期中的驾驶策略。
周围环境信息包括周围道路信息和天气等信息，周围道路信息包括单向车道数量、所在位置的道路弯曲程度、水平程度、是否存在检查站和收费站等。将周围道路信息和天气信息考虑在内，避免驾驶行为和驾驶决策因缺乏这些信息导致的不准确性。
S220：根据目标车辆的车牌号和周围车辆的车牌号，从预先收集的大数据中获取目标车辆和周围车辆的统计信息。统计信息包括目标车辆和周围车辆的违章记录、事故记录、超车记录、换道记录、车龄、健康状况、车辆尺寸、车型等信息。将统计信息纳入状态信息中，有助于更准确地预测周围车辆的驾驶行为。
S230：采集目标车辆和周围车辆的当前驾驶信息。当前驾驶信息包括当前车速、当前车辆所在车道、当前周围车辆与目标车辆的位置关系等信息。驾驶信息对驾驶动作起到决定性的作用。例如，车辆所在车道对换挡、超车、转弯以及停车等驾驶动作具有很大的影响，周围车辆与目标车辆的位置关系对车辆的变速、换道、超车、转弯以及停车有很大影响。
S240：依据周围环境信息、目标车辆和周围车辆的统计信息和当前驾驶信息获得车辆的状态空间矩阵
Figure 903275DEST_PATH_IMAGE035
，作为决策模型的状态空间。其中，
Figure 173107DEST_PATH_IMAGE036
为目标车辆的当前状态，
Figure 995569DEST_PATH_IMAGE037
为周围车辆的当前状态，
Figure 856078DEST_PATH_IMAGE038
为目标车辆和周围车辆的数量总和。
获得状态空间矩阵包括如下步骤：
S2401：对统计信息和当前驾驶信息做预处理，预处理包括:
F1：依据从大数据获取的车辆的违章记录、事故记录、超车记录和换道记录计算车辆的违章率、事故率、超车率和换道率 。
F2：将统计信息和当前驾驶信息中的逆向信息
Figure 789399DEST_PATH_IMAGE039
正向化，获得正向化后的信息
Figure 927119DEST_PATH_IMAGE040
。作为一个实施例，逆向信息包括违章率、事故率等。
采用如下公式正向化：
Figure 779537DEST_PATH_IMAGE041
（1）
其中，
Figure 268287DEST_PATH_IMAGE042
表示第
Figure 739720DEST_PATH_IMAGE043
个车辆的第
Figure 856581DEST_PATH_IMAGE044
个信息的原始值，
Figure 20846DEST_PATH_IMAGE045
表示第
Figure 465734DEST_PATH_IMAGE046
个车辆的第
Figure 865491DEST_PATH_IMAGE047
个正向化后的信息。
无需正向化的信息和逆向信息正向化后的信息统一记为信息
Figure 243383DEST_PATH_IMAGE048
。
S2402：依据预处理后的信息
Figure 312970DEST_PATH_IMAGE049
获得信息矩阵
Figure 635367DEST_PATH_IMAGE050
。
Figure 448602DEST_PATH_IMAGE051
（2）
其中，
Figure 415421DEST_PATH_IMAGE052
（3）
其中，
Figure 535472DEST_PATH_IMAGE053
为每个车辆的信息的数量，
Figure 486110DEST_PATH_IMAGE054
为第
Figure 103036DEST_PATH_IMAGE055
个信息的平均值，
Figure 48996DEST_PATH_IMAGE056
为信息矩阵
Figure 725965DEST_PATH_IMAGE057
中第
Figure 898320DEST_PATH_IMAGE058
行第
Figure 912412DEST_PATH_IMAGE059
个元素的值。
S2403：依据信息矩阵获得状态空间矩阵
Figure 119403DEST_PATH_IMAGE060
Figure 560748DEST_PATH_IMAGE061
（4）
Figure 220400DEST_PATH_IMAGE062
（5）
其中，
Figure 913549DEST_PATH_IMAGE063
为第一状态矩阵的第
Figure 99680DEST_PATH_IMAGE064
个元素，
Figure 852872DEST_PATH_IMAGE065
为信息矩阵
Figure 999820DEST_PATH_IMAGE066
的第
Figure 355715DEST_PATH_IMAGE067
列元素的均值。
构建决策模型的动作空间矩阵
Figure 271718DEST_PATH_IMAGE068
，作为决策模型的动作空间。其中，
Figure 320446DEST_PATH_IMAGE069
为动作空间的数量。动作包括保持、加速、减速、换道、换挡、超车、鸣笛、开启雨刷、关闭雨刷、左转、右转、侧方停车、停车入位等。具体地，决策模型的动作空间包括第一动作空间和第二动作空间。将目标车辆的动作空间矩阵记为第一动作空间矩阵
Figure 954690DEST_PATH_IMAGE070
，作为第一动作空间；将第
Figure 255221DEST_PATH_IMAGE071
个周围车辆的动作空间矩阵记为第二空间矩阵
Figure 884785DEST_PATH_IMAGE072
，作为第二动作空间。
S120：通过决策模型获得目标车辆的状态-动作值矩阵
Figure 245360DEST_PATH_IMAGE073
。
Figure 366899DEST_PATH_IMAGE074
（6）
其中，
Figure 67527DEST_PATH_IMAGE075
为目标车辆在当前状态
Figure 958122DEST_PATH_IMAGE076
下采取动作
Figure 489598DEST_PATH_IMAGE077
获得的状态-动作值，
Figure 691909DEST_PATH_IMAGE078
、
Figure 599822DEST_PATH_IMAGE079
为第一动作空间
Figure 344924DEST_PATH_IMAGE080
中的第
Figure 906356DEST_PATH_IMAGE081
个和第
Figure 736908DEST_PATH_IMAGE082
个元素，
Figure 917354DEST_PATH_IMAGE083
为目标车辆采取了动作
Figure 641596DEST_PATH_IMAGE084
后经历了至少一个动作后获得的第
Figure 514874DEST_PATH_IMAGE085
个状态，
Figure 832723DEST_PATH_IMAGE086
表示目标车辆在当前状态
Figure 675914DEST_PATH_IMAGE087
下采取动作
Figure 395609DEST_PATH_IMAGE088
获得的回报值，
Figure 439788DEST_PATH_IMAGE089
为目标车辆在状态
Figure 103988DEST_PATH_IMAGE090
下采取动作
Figure 626236DEST_PATH_IMAGE091
的状态转移概率，
Figure 200437DEST_PATH_IMAGE092
为目标车辆在状态
Figure 274572DEST_PATH_IMAGE093
下采取动作
Figure 301434DEST_PATH_IMAGE094
获得的状态-动作值。
S130：将状态-动作值矩阵
Figure 752007DEST_PATH_IMAGE095
中的最大值对应的动作作为目标车辆的第一动作
Figure 180714DEST_PATH_IMAGE096
。此时，可将第一动作
Figure 566696DEST_PATH_IMAGE097
输出给用户，作为用户参考的驾驶决策。
优选地，本申请还包括如下步骤：
S140：依据目标车辆在当前状态
Figure 202558DEST_PATH_IMAGE098
下采取动作
Figure 332188DEST_PATH_IMAGE099
获得的状态
Figure 349822DEST_PATH_IMAGE100
及周围车辆的当前状态信息预测周围车辆的执行动作，作为第二动作
Figure 296919DEST_PATH_IMAGE101
。
Figure 298373DEST_PATH_IMAGE102
表示第
Figure 700535DEST_PATH_IMAGE103
个周围车辆的第二动作。其中，
Figure 228469DEST_PATH_IMAGE104
为目标车辆采取了动作
Figure 221832DEST_PATH_IMAGE105
后获得的状态。
其中，第二动作的获取方法与第一动作的获取方法相同，在此不再赘述。
S150：计算第一动作下目标车辆的第一舒适度指数和第二动作下周围车辆的第二舒适度指数，并根据第一舒适度指数和第二舒适度指数计算第一动作
Figure 179424DEST_PATH_IMAGE106
的综合评价值
Figure 41070DEST_PATH_IMAGE107
。计算第一舒适度指数和第二舒适度指数的方法相同。
如图3所示，计算舒适度指数包括如下步骤：
S1501：依据车辆的当前驾驶信息、统计信息及周围环境信息计算车辆在采取相应的动作后获得的路径，并依据路径获得路径变化率
Figure 298876DEST_PATH_IMAGE108
，
Figure 931982DEST_PATH_IMAGE109
为第
Figure 32662DEST_PATH_IMAGE110
个车辆的路径变化率。在换道、超车等动作下，车辆的路径发生曲线变化，车速和车辆间的位置关系和距离影响车辆的路径，路径的规划也与统计信息中与驾驶习惯相关信息以及天气、路面平整度、弯曲度等信息相关。
S1502：依据路径变化率
Figure 307786DEST_PATH_IMAGE111
计算车辆摆动率
Figure 154519DEST_PATH_IMAGE112
，
Figure 614319DEST_PATH_IMAGE113
为第
Figure 546503DEST_PATH_IMAGE114
个车辆的摆动率。路径的变化率与司乘人员的舒适度有直接关系。
S1503：依据车辆的当前驾驶信息、统计信息及周围环境信息计算车辆的速度变化率
Figure 625318DEST_PATH_IMAGE115
，
Figure 982350DEST_PATH_IMAGE116
为第
Figure 957259DEST_PATH_IMAGE117
个车辆的速度变化率。
S1504：依据车辆的当前驾驶信息、统计信息及周围环境信息计算车辆的振动率
Figure 907898DEST_PATH_IMAGE118
，
Figure 649457DEST_PATH_IMAGE119
为第
Figure 470783DEST_PATH_IMAGE120
个车辆的振动率。
S1505：依据车辆的摆动率
Figure 882173DEST_PATH_IMAGE121
、速度变化率
Figure 916512DEST_PATH_IMAGE122
以及振动率
Figure 337129DEST_PATH_IMAGE123
计算舒适度指数
Figure 278541DEST_PATH_IMAGE124
，
Figure 985465DEST_PATH_IMAGE124
为第
Figure 645117DEST_PATH_IMAGE125
个车辆的舒适度指数。
Figure 603846DEST_PATH_IMAGE126
（7）
其中，
Figure 789976DEST_PATH_IMAGE127
分别为摆动率、速度变化率和振动率对舒适度指数的权重，
Figure 543169DEST_PATH_IMAGE128
为目标车辆的第一舒适度指数，
Figure 424537DEST_PATH_IMAGE129
为目标车辆的周围车辆的舒适度指数。
依据目标车辆和周围车辆的舒适度指数计算第一动作
Figure 46011DEST_PATH_IMAGE130
的综合评价值
Figure 962015DEST_PATH_IMAGE131
Figure 151688DEST_PATH_IMAGE132
（8）
其中，
Figure 644986DEST_PATH_IMAGE133
为第
Figure 945517DEST_PATH_IMAGE134
个车辆的舒适度指数对综合评价值的权重，
Figure 716027DEST_PATH_IMAGE135
为目标车辆的舒适度指数对综合评价值的权重，
Figure 935656DEST_PATH_IMAGE136
为周围车辆的舒适度指数对综合评价值的权重，目标车辆的舒适度指数对综合评价值的权重高于其周围车辆的舒适度指数对综合评价值的权重。
S160：判断综合评价值是否低于阈值；若是，则执行S170；否则，执行S180。
S170：从第一动作空间中删除第一动作，并返回S130，即更新第一动作及第一动作的综合评价值，并判断第一动作的综合评价值是否满足要求。
S180：将第一动作输出给用户，供用户参考。
优选地，本申请提供的辅助驾驶方法还包括如下步骤（图中未示出）：
S190：将S180输出的辅助驾驶决策作为目标车辆的历史辅助驾驶决策，将历史辅助驾驶决策对应的综合评价值作为目标车辆的历史辅助综合评价值，将用户收到该历史辅助驾驶决策后采取的实际驾驶动作作为目标车辆的历史驾驶动作，并利用S140-S150的计算方法计算目标车辆的历史驾驶动作对应的综合评价值，作为目标车辆的历史综合评价值。
S1100：将目标车辆的历史辅助驾驶决策、历史驾驶动作以及历史综合评价值发送到目标车辆的专属区块链。
S1110：根据区块链上每个时间节点的历史辅助驾驶决策和历史驾驶动作的一致性形成信任曲线。
S1120：根据信任曲线判断目标车辆对辅助驾驶系统的信任趋向，若信任度逐渐降低，则执行S1130；否则，返回S110。
S1130：计算目标车辆的历史辅助驾驶决策的价值度
Figure 791616DEST_PATH_IMAGE137
Figure 895838DEST_PATH_IMAGE138
（9）
其中，
Figure 645489DEST_PATH_IMAGE139
为
Figure 176964DEST_PATH_IMAGE140
时刻的历史辅助驾驶决策，
Figure 520221DEST_PATH_IMAGE141
为
Figure 21609DEST_PATH_IMAGE142
时刻的历史驾驶动作，
Figure 766711DEST_PATH_IMAGE143
为计算价值度的开始时间节点，
Figure 469088DEST_PATH_IMAGE144
为计算价值度的结束时间节点。
S1140：判断价值度
Figure 155766DEST_PATH_IMAGE145
是否高于第一阈值
Figure 601791DEST_PATH_IMAGE146
。若是，则返回S110；否则，执行S1150：对辅助驾驶系统进行优化。
利用区块链中的不可篡改数据观察目标车辆对辅助驾驶系统的信任度趋向及辅助驾驶决策的价值度，真实反应辅助驾驶系统对于目标车辆的使用效果。
优选地，根据时间节点在区块链上查询与S220中获取的目标车辆的统计信息中的事故记录对应的历史驾驶动作，并统计每种历史驾驶动作对事故的贡献值，若某个动作
Figure 326033DEST_PATH_IMAGE147
的贡献值高于第二阈值，则采用如下公式计算与该动作
Figure 199311DEST_PATH_IMAGE147
对应的目标车辆的状态-动作值
Figure 251581DEST_PATH_IMAGE148
其中，
Figure 360351DEST_PATH_IMAGE149
为校正系数，
Figure 814466DEST_PATH_IMAGE150
为目标车辆在当前状态
Figure 858646DEST_PATH_IMAGE151
下采取动作
Figure 522845DEST_PATH_IMAGE152
获得的状态-动作值，
Figure 45093DEST_PATH_IMAGE153
表示目标车辆在当前状态
Figure 619294DEST_PATH_IMAGE154
下采取动作
Figure 693429DEST_PATH_IMAGE155
获得的回报值。
将事故与实际驾驶动作相关联，可以追踪事故发生的原因，从而判断目标车辆的驾驶习惯，进而利用辅助驾驶系统对不好的驾驶习惯进行校正。
实施例二
本申请还提供了基于实施例一构建卷积神经网络的方法。
构建卷积神经网络的方法包括如下步骤：
S410：构建第一卷积层，第一卷积层的输入数据为周围环境信息、目标车辆和其周围车辆的统计信息和驾驶信息，输出数据为决策模型的状态空间和动作空间。
S420：构建第一池化层，第一池化层的输入数据为决策模型的状态空间和动作空间，输出数据为目标车辆的第一动作。
S430：构建第二卷积层，第二卷积层的输入数据为目标车辆的第一动作，输出数据为目标车辆的周围车辆的第二动作。
S440：构建第二池化层，第二池化层的输入数据为目标车辆的第一动作和周围车辆的第二动作，输出数据为第一动作的综合评价值。
S450：构建全连接层，通过全连接层输出综合评价值符合标准的第一动作。
实施例三
本申请还提供了一种基于大数据的辅助驾驶系统，包括控制装置，该控制装置执行实施例一的辅助驾驶方法。
本申请的有益效果如下：
1、本申请在辅助驾驶系统中增加了辅助决策功能，降低用户的决策困难。
2、本申请还考虑了目标车辆的动作对整个驾驶环境的影响，为提高驾驶环境的整体体验有很大提升。
3、利用区块链中的不可篡改数据观察目标车辆对辅助驾驶系统的信任度趋向及辅助驾驶决策的价值度，真实反应辅助驾驶系统对于目标车辆的使用效果。
4、将事故与实际驾驶动作相关联，可以追踪事故发生的原因，从而判断目标车辆的驾驶习惯，进而利用辅助驾驶系统对不好的驾驶习惯进行校正。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (8)

1.一种基于大数据的辅助驾驶方法，其特征在于，包括：
构建决策模型，所述决策模型包括状态空间和动作空间，所述状态空间包括目标车辆的当前状态和所述目标车辆的周围车辆的当前状态，所述动作空间包括目标车辆的动作空间和所述周围车辆的动作空间；
通过构建的决策模型计算目标车辆的状态-动作值矩阵，所述状态-动作值矩阵包括目标车辆在当前状态下采取所有动作获得的状态-动作值；
将所述状态-动作值矩阵中的最大值对应的动作作为目标车辆的第一动作；
输出所述第一动作；
其中输出所述第一动作后还包括：
计算所述第一动作的综合评价值；
判断所述综合评价值是否低于阈值；
若所述综合评价值高于阈值，则输出第一动作；
计算所述第一动作的综合评价值包括：
依据目标车辆在当前状态下采取第一动作获得的状态及所述周围车辆的当前状态预测所述周围车辆的执行动作，作为第二动作；
计算第一动作下目标车辆的第一舒适度指数和第二动作下周围车辆的第二舒适度指数；
并根据第一舒适度指数和第二舒适度指数计算第一动作的综合评价值；
其中输出的第一动作为辅助驾驶决策，将输出的辅助驾驶决策作为目标车辆的历史辅助驾驶决策，将历史辅助驾驶决策对应的综合评价值作为目标车辆的历史辅助综合评价值，将用户收到该历史辅助驾驶决策后采取的实际驾驶动作作为目标车辆的历史驾驶动作，并计算目标车辆的历史驾驶动作对应的综合评价值，作为目标车辆的历史综合评价值；
将目标车辆的历史辅助驾驶决策、历史驾驶动作以及历史综合评价值发送到目标车辆的专属区块链；
根据区块链上每个时间节点的历史辅助驾驶决策和历史驾驶动作的一致性形成信任曲线；
根据信任曲线判断目标车辆对辅助驾驶系统的信任趋向，若信任度逐渐降低，则执行下述步骤：
计算目标车辆的历史辅助驾驶决策的价值度
Figure 319199DEST_PATH_IMAGE001
Figure 481059DEST_PATH_IMAGE002
（9）
其中，
Figure 494014DEST_PATH_IMAGE003
为
Figure 110940DEST_PATH_IMAGE004
时刻的历史辅助驾驶决策，
Figure 869949DEST_PATH_IMAGE005
为
Figure 609235DEST_PATH_IMAGE004
时刻的历史驾驶动作，
Figure 781590DEST_PATH_IMAGE006
为计算价值度的开始时间节点，
Figure 625044DEST_PATH_IMAGE007
为计算价值度的结束时间节点；
判断价值度
Figure 628772DEST_PATH_IMAGE008
是否高于第一阈值
Figure 211063DEST_PATH_IMAGE009
；
若否，则对辅助驾驶方法进行优化。
2.如权利要求1所述的辅助驾驶方法，其特征在于，构建所述决策模型的状态空间包括：
获得目标车辆的周围车辆的车牌号和周围环境信息；
根据目标车辆和周围车辆的车牌号，从预先收集的大数据中获取所述目标车辆和所述周围车辆的统计信息；
采集所述目标车辆和所述周围车辆的当前驾驶信息；
依据周围环境信息、目标车辆和周围车辆的统计信息和当前驾驶信息获得车辆的状态空间矩阵。
3.如权利要求1所述的辅助驾驶方法，其特征在于，若所述综合评价值低于阈值，则：
从目标车辆的动作空间中删除第一动作；
更新第一动作及第一动作的综合评价值。
4.如权利要求1所述的辅助驾驶方法，其特征在于，计算舒适度指数包括如下步骤：
依据车辆的当前驾驶信息、统计信息及周围环境信息计算车辆摆动率、速度变化率以及振动率；
依据车辆的摆动率、速度变化率以及振动率计算舒适度指数。
5.如权利要求4所述的辅助驾驶方法，其特征在于，依据车辆在采取动作后获得的路径变化率计算车辆的摆动率。
6.如权利要求1所述的辅助驾驶方法，其特征在于，依据如下公式计算所述目标车辆在当前状态
Figure 808397DEST_PATH_IMAGE010
下采取动作
Figure 767126DEST_PATH_IMAGE011
获得的状态-动作值
Figure 890940DEST_PATH_IMAGE012
：
Figure 909711DEST_PATH_IMAGE013
其中，
Figure 978031DEST_PATH_IMAGE014
、
Figure 537188DEST_PATH_IMAGE015
为目标车辆的动作空间
Figure 453191DEST_PATH_IMAGE016
中的第
Figure 580547DEST_PATH_IMAGE017
个和第
Figure 214791DEST_PATH_IMAGE018
个元素，
Figure 312060DEST_PATH_IMAGE019
为目标车辆采取了动作
Figure 768056DEST_PATH_IMAGE020
后经历了至少一个动作后获得的第
Figure 128630DEST_PATH_IMAGE021
个状态，
Figure 312486DEST_PATH_IMAGE022
表示目标车辆在当前状态
Figure 151129DEST_PATH_IMAGE023
下采取动作
Figure 713829DEST_PATH_IMAGE024
获得的回报值，
Figure 307621DEST_PATH_IMAGE025
为目标车辆在状态
Figure 650878DEST_PATH_IMAGE026
下采取动作
Figure 480163DEST_PATH_IMAGE027
的状态转移概率，
Figure 287582DEST_PATH_IMAGE028
为目标车辆在状态
Figure 989958DEST_PATH_IMAGE029
下采取动作
Figure 758194DEST_PATH_IMAGE030
获得的状态-动作值，
Figure 735378DEST_PATH_IMAGE031
为衰退系数。
7.如权利要求1所述的辅助驾驶方法，其特征在于，采用如下公式计算第一动作的综合评价值
Figure 600565DEST_PATH_IMAGE032
：
Figure 162259DEST_PATH_IMAGE033
其中，
Figure 480108DEST_PATH_IMAGE034
为第
Figure 526561DEST_PATH_IMAGE035
个车辆的舒适度指数对综合评价值的权重，
Figure 246256DEST_PATH_IMAGE036
为第
Figure 962539DEST_PATH_IMAGE037
个车辆的舒适度指数，
Figure 830001DEST_PATH_IMAGE038
为目标车辆的舒适度指数对综合评价值的权重，
Figure 617828DEST_PATH_IMAGE039
为周围车辆的舒适度指数对综合评价值的权重，目标车辆的舒适度指数对综合评价值的权重高于其周围车辆的舒适度指数对综合评价值的权重，
Figure 378980DEST_PATH_IMAGE040
为目标车辆的舒适度指数，
Figure 594060DEST_PATH_IMAGE041
为周围车辆的舒适度指数。
8.一种基于大数据的辅助驾驶系统，其特征在于，包括控制装置，执行如权利要求1-7之一所述的辅助驾驶方法。
CN202011533196.2A 2020-12-23 2020-12-23 一种基于大数据的辅助驾驶方法和系统 Active CN112258097B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011533196.2A CN112258097B (zh) 2020-12-23 2020-12-23 一种基于大数据的辅助驾驶方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011533196.2A CN112258097B (zh) 2020-12-23 2020-12-23 一种基于大数据的辅助驾驶方法和系统

Publications (2)

Publication Number Publication Date
CN112258097A CN112258097A (zh) 2021-01-22
CN112258097B true CN112258097B (zh) 2021-03-26

Family

ID=74225354

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011533196.2A Active CN112258097B (zh) 2020-12-23 2020-12-23 一种基于大数据的辅助驾驶方法和系统

Country Status (1)

Country Link
CN (1) CN112258097B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113432618A (zh) * 2021-06-16 2021-09-24 深圳市道通智能汽车有限公司 轨迹生成方法、装置、计算设备及计算机可读存储介质
CN113511222B (zh) * 2021-08-27 2023-09-26 清华大学 场景自适应式车辆交互行为决策与预测方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018205245A1 (zh) * 2017-05-12 2018-11-15 中国科学院深圳先进技术研究院 一种用于车辆自动驾驶的策略网络模型的生成方法及装置
CN109358614A (zh) * 2018-08-30 2019-02-19 深圳市易成自动驾驶技术有限公司 自动驾驶方法、系统、装置及可读存储介质
CN109901574A (zh) * 2019-01-28 2019-06-18 华为技术有限公司 自动驾驶方法及装置
CN110196587A (zh) * 2018-02-27 2019-09-03 中国科学院深圳先进技术研究院 车辆自动驾驶控制策略模型生成方法、装置、设备及介质
CN110956148A (zh) * 2019-12-05 2020-04-03 上海舵敏智能科技有限公司 无人车的自主避障方法及装置、电子设备、可读存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108482384A (zh) * 2018-03-12 2018-09-04 京东方科技集团股份有限公司 一种车辆辅助驾驶设备、系统和方法
JP7119742B2 (ja) * 2018-08-10 2022-08-17 日産自動車株式会社 走行支援方法及び走行支援装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018205245A1 (zh) * 2017-05-12 2018-11-15 中国科学院深圳先进技术研究院 一种用于车辆自动驾驶的策略网络模型的生成方法及装置
CN110196587A (zh) * 2018-02-27 2019-09-03 中国科学院深圳先进技术研究院 车辆自动驾驶控制策略模型生成方法、装置、设备及介质
CN109358614A (zh) * 2018-08-30 2019-02-19 深圳市易成自动驾驶技术有限公司 自动驾驶方法、系统、装置及可读存储介质
CN109901574A (zh) * 2019-01-28 2019-06-18 华为技术有限公司 自动驾驶方法及装置
CN110956148A (zh) * 2019-12-05 2020-04-03 上海舵敏智能科技有限公司 无人车的自主避障方法及装置、电子设备、可读存储介质

Also Published As

Publication number Publication date
CN112258097A (zh) 2021-01-22

Similar Documents

Publication Publication Date Title
CN109213148B (zh) 一种基于深度强化学习的车辆低速跟驰决策方法
US6998972B2 (en) Driving workload estimation
CN112258097B (zh) 一种基于大数据的辅助驾驶方法和系统
US11685386B2 (en) System and method for determining a change of a customary vehicle driver
CN111325230B (zh) 车辆换道决策模型的在线学习方法和在线学习装置
CN111301419A (zh) 用于sae 4级自动化车道变更的基于强化学习的方法
US11577750B2 (en) Method and apparatus for determining a vehicle comfort metric for a prediction of a driving maneuver of a target vehicle
CN112668779B (zh) 基于自适应高斯过程的前车运动状态预测方法
CN106022846A (zh) 车险定价及二手车定价方法和装置
CN112201070B (zh) 基于深度学习的自动驾车高速公路瓶颈路段行为决策方法
CN113173170B (zh) 基于人员画像个性化算法
CN114987498B (zh) 自动驾驶车辆的拟人化轨迹规划方法、装置、车辆及介质
US20230056115A1 (en) Method of Collecting Data from Fleet of Vehicles
US20230205951A1 (en) Simulation obstacle vehicles with driving styles
Kamalanathsharma et al. Agent-based simulation of ecospeed-controlled vehicles at signalized intersections
US20230162539A1 (en) Driving decision-making method and apparatus and chip
US11300954B2 (en) System and methods to improve automated driving utilization
CN113424209A (zh) 使用深度学习多预测器融合和贝叶斯优化的轨迹预测
CN114475607A (zh) 自动驾驶车辆的拟人化换道方法、装置、车辆及存储介质
CN112758105B (zh) 一种自动驾驶车队跟车行驶控制方法、装置及系统
CN117864135A (zh) 基于驾驶员操纵舒适性的车辆变道转向辅助方法
US20150321604A1 (en) In-vehicle micro-interactions
CN116278771A (zh) 一种车辆能耗预测方法、系统及设备
CN114872727A (zh) 一种应用于自动驾驶车辆的周围车辆轨迹预测方法
CN114261408A (zh) 一种可识别路况的自动驾驶方法、系统及车辆

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