CN112329152B - 一种驾驶数据搜索方法、装置及设备 - Google Patents
一种驾驶数据搜索方法、装置及设备 Download PDFInfo
- Publication number
- CN112329152B CN112329152B CN202011328676.5A CN202011328676A CN112329152B CN 112329152 B CN112329152 B CN 112329152B CN 202011328676 A CN202011328676 A CN 202011328676A CN 112329152 B CN112329152 B CN 112329152B
- Authority
- CN
- China
- Prior art keywords
- scene
- time interval
- time
- feature
- driving data
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Traffic Control Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书实施例公开了一种驾驶数据搜索方法、装置及设备,所述方法包括接收驾驶数据搜索请求;其中,驾驶数据搜索请求包括待搜索的目标驾驶场景;其中,目标驾驶场景包括场景约束,场景约束包括场景特征以及场景特征的约束条件,所述约束条件至少包括在指定的驾驶数据中相应场景特征的数据占比;基于驾驶数据特征集提取满足目标驾驶场景的场景约束的驾驶数据时间区间,作为目标驾驶场景的场景时间区间;其中,驾驶数据特征集包括基于场景特征对指定驾驶数据集进行特征提取得到的特征数据;根据场景时间区间从指定驾驶数据集中输出目标驾驶场景所对应的驾驶数据,从而可以使得驾驶数据的搜索更加简单高效。
Description
技术领域
本说明书涉及自动驾驶技术领域,特别地,涉及一种驾驶数据搜索方法、装置及设备。
背景技术
自动驾驶系统进行道路测试之前往往要先进行仿真验证。仿真数据输入到自动驾驶系统,自动驾驶系统根据仿真数据采取相应的行动,并反馈回仿真环境,仿真环境根据反馈数据再输入自动驾驶系统新的仿真数据,周而复始,直到仿真结束。仿真数据既可以是人造数据,也可以是真实道路采集的数据。人造数据虽然也可以进行简单的场景模拟,但是数据的噪声、数据中智能体的决策、数据的复杂状况等与真实数据有相当的差距。而真实道路采集的数据量又异常庞大,如果没有方便高效的场景搜集的方法,场景搜集如同大海捞针一般。
目前主流的场景搜集方法一是在路测数据采集过程中进行人工标注,然后在后期根据标注信息进行手动或者半自动进行场景数据提取。人工标注的问题一是精度不高,二是不够灵活。场景库是会伴随系统开发迭代而不断丰富的,测试工程师不可能预知所有未来的新场景,而且场景库会划分地非常细致,路测中人工标注很难实现如此细致。
另一种场景搜集方法则是利用类似搜索引擎的方式,采用基于搜索条件的逻辑操作来搜索场景。这种方式适用于搜集简单场景,比如找一段没有前车并且是在爬坡的场景,只需要逐帧数据检查是否有前车并且是否上坡即可。但是稍微复杂些的场景较难搜索。比如找一段上坡和下坡路程相当的场景,每一帧只可能是上坡或者下坡,而且每一帧不是孤立的,需要汇总一个场景片段里的所有帧并进行分析处理才能知道上坡和下坡路程是否相当。例如,给定一个数据集,假设有N帧,那么采用该方式搜索上述复杂场景,可以有N2个可能的片段,搜索工作量较大,效率较低。
因此,本技术领域目前亟需一种更加简单高效的驾驶数据搜索方法。
发明内容
本说明书实施例的目的在于提供一种驾驶数据搜索方法、装置及设备,可以使得驾驶数据的搜索更加简单高效。
本说明书提供一种驾驶数据搜索方法、装置及设备是包括如下方式实现的:
一种驾驶数据搜索方法,所述方法包括接收驾驶数据搜索请求;其中,所述驾驶数据搜索请求包括待搜索的目标驾驶场景;其中,所述目标驾驶场景包括场景约束,所述场景约束包括场景特征以及场景特征的约束条件,所述约束条件至少包括在指定的驾驶数据中相应场景特征的数据占比;从驾驶数据特征集提取满足所述目标驾驶场景的场景约束的驾驶数据时间区间,作为所述目标驾驶场景的场景时间区间;其中,所述驾驶数据特征集包括基于所述场景特征对指定驾驶数据集进行特征提取得到的特征数据;根据所述场景时间区间从所述指定驾驶数据集中输出所述目标驾驶场景所对应的驾驶数据。
本说明书提供的所述方法的另一些实施例中,所述数据占比至少包括最小百分比、最大百分比中的一个。
本说明书提供的所述方法的另一些实施例中,所述目标驾驶场景包括受时间先后顺序约束的至少一个子场景;所述子场景包括不受时间先后顺序约束的至少一个场景特征以及相应场景特征所对应的约束条件。
本说明书提供的所述方法的另一些实施例中,对于初始的子场景,采用下述方式提取满足所述初始的子场景所对应的至少一个场景特征以及场景特征所对应的约束条件的驾驶数据时间区间。获取所述初始的子场景中各场景特征所对应的特征数据;所述特征数据为对驾驶数据切片进行特征提取得到的数据;所述驾驶数据切片为各时间切片所对应的驾驶数据;所述时间切片根据对所述指定驾驶数据集所对应的时间区间进行分割得到;将所述初始的子场景中的任一非求和场景特征作为第一目标场景特征;所述非求和场景特征是指基于单个时间切片内的驾驶数据进行特征提取的场景特征;对于第一目标场景特征,基于时间先后顺序依次将各时间切片作为第一当前时间切片;以所述第一当前时间切片作为时间结束位置,基于时间从早到晚的顺序,筛选所述第一目标场景特征对应的特征数据满足所述第一目标场景特征所对应的约束条件的最长时间区间,作为所述第一当前时间切片所对应的第一备选时间区间;求取各第一目标场景特征中所述第一当前时间切片所对应的第一备选时间区间的交集,作为所述初始的子场景所对应的第二备选时间区间;在所述第二备选时间区间满足所述各第一目标场景特征所对应的约束条件时,将第二备选时间区间直接作为第三备选时间区间;若所述第二备选时间区间不满足各第一目标场景特征所对应的约束条件,则基于从早到晚的顺序,逐步剔除时间切片,直至剔除时间切片后的第二备选时间区间满足所对应的约束条件,则将该剔除时间切片后的第二备选时间区间作为第三备选时间区间;在所述初始的子场景中各求和场景特征在所述第三备选时间区间下的特征数据满足所述各求和场景特征的约束条件时,将所述第三备选时间区间作为所述初始的子场景的驾驶数据时间区间;其中,所述求和场景特征是指以第三备选时间区间的驾驶数据整体为基础进行特征提取的场景特征。
本说明书提供的所述方法的另一些实施例中,所述第一备选时间区间采用下述方式确定,若所述第一目标场景特征对应于第一当前时间切片的特征数据满足所述第一目标场景特征的约束条件,将第一当前时间切片的前一个时间切片作为紧邻时间切片;获取紧邻时间切片所对应的第一备选时间区间;将第一当前时间切片与紧邻时间切片所对应的第一备选时间区间进行合并,获得合并时间区间;在紧邻时间切片所对应的第一备选时间区间为空时,判断所述第一目标场景特征对应于合并时间区间的特征数据是否满足所述第一目标场景特征的约束条件;在紧邻时间切片所对应的第一备选时间区间不为空时、或者所述第一目标场景特征对应于所述合并时间区间的特征数据满足所述第一目标场景特征的约束条件时,基于时间先后顺序,将紧邻时间切片更新为所述合并时间区间的前一个时间切片;重复上述合并、判断及更新的处理,直至所述指定驾驶数据集所对应的时间区间的初始时刻,则将最后一次合并后的合并时间区间作为第一当前时间切片所对应的第一备选时间区间;或者,直至所述第一目标场景特征对应于所述合并时间区间的特征数据不满足所述第一目标场景特征的约束条件,则将最后一次合并前的合并时间区间作为第一当前时间切片所对应的第一备选时间区间。
本说明书提供的所述方法的另一些实施例中,所述第一备选时间区间采用下述方式确定,若所述第一目标场景特征对应于第一当前时间切片的特征数据不满足所述第一目标场景特征的约束条件,将第一当前时间切片的前一个时间切片作为紧邻时间切片;获取紧邻时间切片所对应的第一备选时间区间,在紧邻时间切片所对应的第一备选时间区间为空时,将第一当前时间切片所对应的第一备选时间区间置为空。
本说明书提供的所述方法的另一些实施例中,所述方法还包括在紧邻时间切片所对应的第一备选时间区间不为空时,将第一当前时间切片的时间区间与紧邻时间切片所对应的第一备选时间区间进行合并,作为第一当前时间切片所对应的初始备选时间区间;若所述第一目标场景特征对应于所述初始备选时间区间的特征数据满足所述第一目标场景特征的约束条件,将所述初始备选时间区间作为当前时间切片所对应的第一备选时间区间。
本说明书提供的所述方法的另一些实施例中,所述方法还包括若所述第一目标场景特征对应于所述初始备选时间区间的特征数据不满足所述第一目标场景特征的约束条件,基于时间先后顺序逐个剔除排序靠前的特征数据,直至剩余的特征数据满足所述第一目标场景特征的约束条件;将剩余的特征数据所对应的时间区间作为第一当前时间切片所对应的第一备选时间区间;若所述剩余的特征数据所对应的时间区间为空时,将第一当前时间切片所对应的第一备选时间区间置为空。
本说明书提供的所述方法的另一些实施例中,在得到第二备选时间区间后,所述方法还包括采用下述方式,按照时间从晚到早的顺序,逐个输出各时间切片所对应的第三备选时间区间:如果相应的时间切片所对应的第三备选时间区间不为空,且起始时刻早于已输出的任意一个时间切片所对应的第三备选时间区间的起始时刻,将相应的时间切片所对应的第三备选时间区间输出;相应的,在所述初始的子场景中各求和场景特征在输出的所述第三备选时间区间下的特征数据满足所述各求和场景特征的约束条件时,将输出的所述第三备选时间区间作为所述初始的子场景的驾驶数据时间区间。
本说明书提供的所述方法的另一些实施例中,在确定目标驾驶场景包括两个以上的子场景的情况下,基于所述至少一个子场景所对应的时间先后顺序,将排序在初始的子场景后的一个子场景,作为当前子场景;以初始的子场景的驾驶数据时间区间的结束时刻,作为所述当前子场景进行驾驶数据时间区间提取的起始时刻,基于驾驶数据特征集提取满足所述当前子场景所对应的至少一个场景特征以及场景特征所对应的约束条件的驾驶数据时间区间;在提取的当前子场景的驾驶数据时间区间不为空的情况下,将初始的子场景与所述当前子场景的驶数据时间区间进行拼接;在确定当前子场景之后还存在子场景的情况下,将下一个子场景作为当前子场景,并将拼接得到的驶数据时间区间的结束时刻作为驾驶数据时间区间提取的起始时刻,重复进行驾驶数据时间区间的提取以及拼接的处理;直至不存在子场景,则输出最后一次拼接后的驾驶数据时间区间,作为目标驾驶场景的场景时间区间。
本说明书提供的所述方法的另一些实施例中,对于初始的子场景之外的其他子场景,采用下述方式提取相应子场景所对应的场景约束的驾驶数据时间区间,将相应子场景作为当前子场景;获取当前子场景中各场景特征所对应的特征数据;所述特征数据为对驾驶数据切片进行特征提取得到的数据;所述驾驶数据切片为各时间切片所对应的驾驶数据;所述时间切片根据对所述指定驾驶数据集所对应的时间区间进行分割得到;将所述当前子场景中的任一非求和场景特征作为第二目标场景特征;所述非求和场景特征是指基于单个时间切片内的驾驶数据进行特征提取的场景特征;对于第二目标场景特征,以当前子场景之前的各子场景拼接得到的驾驶数据时间区间的最后一个时间切片作为第二当前时间切片;以第二当前时间切片的下一个时间切片作为所述当前子场景进行驾驶数据时间区间提取的时间起始位置,基于时间从晚到早的顺序,筛选所述第二目标场景特征对应的特征数据满足所述第二目标场景特征所对应的约束条件的最长时间区间,作为第二当前时间切片所对应的第四备选时间区间;求取所述当前子场景中各第二目标场景特征中相应时间初始位置所对应的第三备选时间区间的交集,作为所述当前子场景所对应的第五备选时间区间;在所述第五备选时间区间满足所述各第二目标场景特征所对应的约束条件时,将第五备选时间区间直接作为第六备选时间区间;若所述第五备选时间区间不满足当前子场景的各第二目标场景特征所对应的约束条件,则基于从晚到早的顺序,逐步剔除时间切片,直至剔除时间切片后的第五备选时间区间满足所对应的约束条件,则将该剔除时间切片后的第五备选时间区间作为第六备选时间区间;在所述当前子场景中各求和场景特征在所述第六备选时间区间下的特征数据满足所述各求和场景特征的约束条件时,将所述第六备选时间区间作为所述当前子场景的驾驶数据时间区间。
本说明书提供的所述方法的另一些实施例中,所述方法还包括对于所述目标驾驶场景中存在重叠的场景时间区间基于预设规则对所述存在重叠的场景时间区间进行处理;其中,所述预设规则包括从所述存在重叠的场景时间区间中筛选出最长的场景时间区间作为处理后的场景时间区间,或者所述预设规则包括在所述存在重叠的场景时间区间的重叠段占比大于预设阈值的情况下,将所述存在重叠的场景时间区间的合并,得到处理后的场景时间区间;相应的,根据所述目标驾驶场景中不存在重叠的单个场景时间区间以及所述处理后的场景时间区间从所述指定驾驶数据集中输出所述目标驾驶场景所对应的驾驶数据。
另一方面,本说明书还提供一种驾驶数据搜索装置,所述装置包括请求接收模块,用于接收驾驶数据搜索请求;其中,所述驾驶数据搜索请求包括待搜索的目标驾驶场景;其中,所述目标驾驶场景包括场景约束,所述场景约束包括场景特征以及场景特征的约束条件,所述约束条件至少包括在指定的驾驶数据中相应场景特征的数据占比;筛选模块,用于从驾驶数据特征集提取满足所述目标驾驶场景的场景约束的驾驶数据时间区间,作为所述目标驾驶场景的场景时间区间;其中,所述驾驶数据特征集包括基于所述场景特征对指定驾驶数据集进行特征提取得到的特征数据;输出模块,用于根据所述场景时间区间从所述指定驾驶数据集中输出所述目标驾驶场景所对应的驾驶数据。
本说明书提供的所述装置的另一些实施例中,所述比例至少包括最小百分比、最大百分比中的一个。
本说明书提供的所述装置的另一些实施例中,所述目标驾驶场景包括受时间先后顺序约束的至少一个子场景;所述子场景包括不受时间先后顺序约束的至少一个场景特征以及相应场景特征所对应的约束条件。
本说明书提供的所述装置的另一些实施例中,所述筛选模块包括:特征数据获取单元,用于获取初始的子场景中各场景特征所对应的特征数据;所述特征数据为对驾驶数据切片进行特征提取得到的数据;所述驾驶数据切片为各时间切片所对应的驾驶数据;所述时间切片根据对所述指定驾驶数据集所对应的时间区间进行分割得到;第一时间区间筛选单元,用于将所述初始的子场景中的任一非求和场景特征作为第一目标场景特征;所述非求和场景特征是指基于单个时间切片内的驾驶数据进行特征提取的场景特征;对于第一目标场景特征,基于时间先后顺序依次将各时间切片作为第一当前时间切片;以所述第一当前时间切片作为时间结束位置,基于时间从早到晚的顺序,筛选所述第一目标场景特征对应的特征数据满足所述第一目标场景特征所对应的约束条件的最长时间区间,作为所述第一当前时间切片所对应的第一备选时间区间;第二时间区间筛选单元,用于求取各第一目标场景特征中所述第一当前时间切片所对应的第一备选时间区间的交集,作为所述初始的子场景所对应的第二备选时间区间;第三时间区间筛选单元,用于在所述第二备选时间区间满足所述各第一目标场景特征所对应的约束条件时,将第二备选时间区间直接作为第三备选时间区间;若所述第二备选时间区间不满足各第一目标场景特征所对应的约束条件,则基于从早到晚的顺序,逐步剔除时间切片,直至剔除时间切片后的第二备选时间区间满足所对应的约束条件,则将该剔除时间切片后的第二备选时间区间作为第三备选时间区间;第四时间区间筛选单元,用于在所述初始的子场景中各求和场景特征在所述第三备选时间区间下的特征数据满足所述各求和场景特征的约束条件时,将所述第三备选时间区间作为所述初始的子场景的驾驶数据时间区间;其中,所述求和场景特征是指以第三备选时间区间的驾驶数据整体为基础进行特征提取的场景特征。
本说明书提供的所述装置的另一些实施例中,所述第一时间区间筛选单元包括:合并子单元,用于若所述第一目标场景特征对应于第一当前时间切片的特征数据满足所述第一目标场景特征的约束条件,将第一当前时间切片的前一个时间切片作为紧邻时间切片;获取紧邻时间切片所对应的第一备选时间区间;将第一当前时间切片与紧邻时间切片所对应的第一备选时间区间进行合并,获得合并时间区间;判断子单元,用于在紧邻时间切片所对应的第一备选时间区间为空时,判断所述第一目标场景特征对应于合并时间区间的特征数据是否满足所述第一目标场景特征的约束条件;更新子单元,用于在紧邻时间切片所对应的第一备选时间区间不为空时、或者所述第一目标场景特征对应于所述合并时间区间的特征数据满足所述第一目标场景特征的约束条件时,基于时间先后顺序,将紧邻时间切片更新为所述合并时间区间的前一个时间切片;第一时间区间筛选子单元,用于重复上述合并、判断及更新的处理,直至所述指定驾驶数据集所对应的时间区间的初始时刻,则将最后一次合并后的合并时间区间作为第一当前时间切片所对应的第一备选时间区间;或者,直至所述第一目标场景特征对应于所述合并时间区间的特征数据不满足所述第一目标场景特征的约束条件,则将最后一次合并前的合并时间区间作为第一当前时间切片所对应的第一备选时间区间。
本说明书提供的所述装置的另一些实施例中,所述第一时间区间筛选单元包括包括第二时间区间筛选子单元,用于若所述第一目标场景特征对应于第一当前时间切片的特征数据不满足所述第一目标场景特征的约束条件,将第一当前时间切片的前一个时间切片作为紧邻时间切片;获取紧邻时间切片所对应的第一备选时间区间,在紧邻时间切片所对应的第一备选时间区间为空时,将第一当前时间切片所对应的第一备选时间区间置为空。
本说明书提供的所述装置的另一些实施例中,所述第一时间区间筛选单元包括第三时间区间筛选子单元,用于在紧邻时间切片所对应的第一备选时间区间不为空时,将第一当前时间切片的时间区间与紧邻时间切片所对应的第一备选时间区间进行合并,作为第一当前时间切片所对应的初始备选时间区间;若所述第一目标场景特征对应于所述初始备选时间区间的特征数据满足所述第一目标场景特征的约束条件,将所述初始备选时间区间作为当前时间切片所对应的第一备选时间区间。
本说明书提供的所述装置的另一些实施例中,所述第一时间区间筛选单元包括剔除子单元,用于若所述第一目标场景特征对应于所述初始备选时间区间的特征数据不满足所述第一目标场景特征的约束条件,基于时间先后顺序逐个剔除排序靠前的特征数据,直至剩余的特征数据满足所述第一目标场景特征的约束条件;第四时间区间筛选子单元,用于将剩余的特征数据所对应的时间区间作为第一当前时间切片所对应的第一备选时间区间;若所述剩余的特征数据所对应的时间区间为空时,将第一当前时间切片所对应的第一备选时间区间置为空。
本说明书提供的所述装置的另一些实施例中,所述第一时间区间筛选单元包括:时间区间输出子单元,用于采用下述方式,按照时间从晚到早的顺序,逐个输出各时间切片所对应的第三备选时间区间:如果相应的时间切片所对应的第三备选时间区间不为空,且起始时刻早于已输出的任意一个时间切片所对应的第三备选时间区间的起始时刻,将相应的时间切片所对应的第三备选时间区间输出;相应的,所述第三时间区间筛选单元还用于在所述初始的子场景中各求和场景特征在输出的所述第三备选时间区间下的特征数据满足所述各求和场景特征的约束条件时,将输出的所述第三备选时间区间作为所述初始的子场景的驾驶数据时间区间。
本说明书提供的所述装置的另一些实施例中,所述筛选模块还包括:第五时间区间筛选单元,用于在确定目标驾驶场景包括两个以上的子场景的情况下,基于所述至少一个子场景所对应的时间先后顺序,将排序在初始的子场景后的一个子场景,作为当前子场景;以初始的子场景的驾驶数据时间区间的结束时刻,作为所述当前子场景进行驾驶数据时间区间提取的起始时刻,基于驾驶数据特征集提取满足所述当前子场景所对应的至少一个场景特征以及场景特征所对应的约束条件的驾驶数据时间区间;拼接单元,用于在提取的当前子场景的驾驶数据时间区间不为空的情况下,将初始的子场景与所述当前子场景的驶数据时间区间进行拼接;重复处理单元,用于在确定当前子场景之后还存在子场景的情况下,将下一个子场景作为当前子场景,并将拼接得到的驶数据时间区间的结束时刻作为驾驶数据时间区间提取的起始时刻,重复进行驾驶数据时间区间的提取以及拼接的处理;输出单元,用于直至不存在子场景,则输出最后一次拼接后的驾驶数据时间区间,作为目标驾驶场景的场景时间区间。
本说明书提供的所述装置的另一些实施例中,所述第五时间区间筛选单元包括:特征数据获取子单元,用于将相应子场景作为当前子场景;获取当前子场景中各场景特征所对应的特征数据;所述特征数据为对驾驶数据切片进行特征提取得到的数据;所述驾驶数据切片为各时间切片所对应的驾驶数据;所述时间切片根据对所述指定驾驶数据集所对应的时间区间进行分割得到;第五时间区间筛选子单元,用于将所述当前子场景中的任一非求和场景特征作为第二目标场景特征;所述非求和场景特征是指基于单个时间切片内的驾驶数据进行特征提取的场景特征;对于第二目标场景特征,以当前子场景之前的各子场景拼接得到的驾驶数据时间区间的最后一个时间切片作为第二当前时间切片;以第二当前时间切片的下一个时间切片作为所述当前子场景进行驾驶数据时间区间提取的时间起始位置,基于时间从晚到早的顺序,筛选所述第二目标场景特征对应的特征数据满足所述第二目标场景特征所对应的约束条件的最长时间区间,作为第二当前时间切片所对应的第四备选时间区间;第六时间区间筛选子单元,用于求取所述当前子场景中各第二目标场景特征中相应时间初始位置所对应的第三备选时间区间的交集,作为所述当前子场景所对应的第五备选时间区间;第八时间区间筛选子单元,用于在所述第五备选时间区间满足所述各第二目标场景特征所对应的约束条件时,将第五备选时间区间直接作为第六备选时间区间;若所述第五备选时间区间不满足当前子场景的各第二目标场景特征所对应的约束条件,则基于从晚到早的顺序,逐步剔除时间切片,直至剔除时间切片后的第五备选时间区间满足所对应的约束条件,则将该剔除时间切片后的第五备选时间区间作为第六备选时间区间;第九时间区间筛选子单元,用于在所述当前子场景中各求和场景特征在所述第六备选时间区间下的特征数据满足所述各求和场景特征的约束条件时,将所述第六备选时间区间作为所述当前子场景的驾驶数据时间区间。
本说明书提供的所述装置的另一些实施例中,所述装置还包括:时间区间处理模块,用于对于所述目标驾驶场景中存在重叠的场景时间区间基于预设规则对所述存在重叠的场景时间区间进行处理;其中,所述预设规则包括从所述存在重叠的场景时间区间中筛选出最长的场景时间区间作为处理后的场景时间区间,或者所述预设规则包括在所述存在重叠的场景时间区间的重叠段占比大于预设阈值的情况下,将所述存在重叠的场景时间区间的合并,得到处理后的场景时间区间;相应的,所述输出模块还用于根据所述目标驾驶场景中不存在重叠的单个场景时间区间以及所述处理后的场景时间区间从所述指定驾驶数据集中输出所述目标驾驶场景所对应的驾驶数据。
另一方面,本说明书还提供一种驾驶数据搜索设备,所述设备包括至少一个处理器及用于存储处理器可执行指令的存储器,所述指令被所述处理器执行时实现包括上述任意一个或者多个实施例所述方法的步骤。
本说明书一个或多个实施例提供的驾驶数据搜索方法、装置及设备,可以在目标驾驶场景构建时,通过利用场景特征以及各场景特征所对应的特征值的取值范围、落在该取值范围内的比例大小进行场景约束,可以有效包容互斥条件,简单高效的实现复杂条件下的驾驶数据的有效提取,无需逐帧进行比对,大幅降低搜索工作量,提高驾驶数据搜索效率。同时,还可以降低因噪声导致提取到的驾驶数据过于零散,或者无法提取到满足设定条件的驾驶数据的情况。
附图说明
为了更清楚地说明本说明书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说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本说明书提供的一种驾驶数据搜索方法实施例的流程示意图;
图2为本说明书提供的一种驾驶数据搜索装置实施例的模块结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书一个或多个实施例中的附图,对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是说明书一部分实施例,而不是全部的实施例。基于说明书一个或多个实施例,本领域普通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,都应当属于本说明书实施例方案保护的范围。
本说明书的一个应用场景示例中,所述驾驶数据搜索方法可以应用于服务器,所述服务器可以设置单个服务器或者多个服务器组成的服务器集群。所述服务器可以接收用户终端发送的目标驾驶场景的驾驶数据搜索请求。所述用户终端可以是指台式电脑、笔记本、PAD等智能终端设备,所述智能终端设备可以独立提供目标驾驶场景的数据配置处理,也可以通过与本地服务器或者云端服务器通信,以提供目标驾驶场景的数据配置处理。
所述目标驾驶场景可以包括驾驶数据搜索时搜索到的驾驶数据所需满足的要求。用户可以通过用户终端配置相应的目标驾驶场景,用户终端基于用户的相关触发将配置好的目标驾驶场景发送给服务器,以使服务器执行驾驶数据搜索。然后,服务器可以将搜索到的驾驶数据反馈给用户终端。或者,基于用户终端发送的其他指令,基于搜索到的驾驶数据执行后续其他处理。
图1是本说明书提供的所述驾驶数据搜索方法实施例流程示意图。虽然本说明书提供了如下述实施例或附图所示的方法操作步骤或装置结构,但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中,这些步骤的执行顺序或装置的模块结构不限于本说明书实施例或附图所示的执行顺序或模块结构。所述的方法或模块结构的在实际中的装置、服务器或终端产品应用时,可以按照实施例或者附图所示的方法或模块结构进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境、甚至包括分布式处理、服务器集群的实施环境)。具体的一个实施例如图1所示,本说明书提供的驾驶数据搜索方法的一个实施例中,所述方法可以应用于所述服务器。所述方法可以包括如下步骤。
S20:接收驾驶数据搜索请求;其中,所述驾驶数据搜索请求包括待搜索的目标驾驶场景;其中,所述目标驾驶场景包括场景约束,所述场景约束包括场景特征以及场景特征的约束条件,所述约束条件至少包括在指定的驾驶数据中相应场景特征的数据占比。
服务器可以接收用户终端发送的驾驶数据搜索请求。所述驾驶数据搜索请求可以包括待搜索的目标驾驶场景。所述目标驾驶场景可以包括驾驶数据搜索时搜索到的驾驶数据所需满足的要求。例如,所述目标驾驶场景可以包括驾驶参数的取值限定等。用户可以通过用户终端配置相应的目标驾驶场景。用户终端可以基于用户的相应触发基于配置好的目标驾驶场景生成驾驶数据搜索请求,并发送给服务器。
一些实施例中,所述目标驾驶场景可以包括场景约束。所述场景约束可以包括场景特征以及各场景特征所对应的约束条件。其中,所述场景特征可以包括对驾驶数据进行特征提取的提取方式。所述约束条件可以包括所述相应场景特征所对应的驾驶数据所需满足的要求。
所述场景特征可以包括参数类型以及相应参数类型所对应的驾驶数据的特征提取方式。所述场景特征如可以为平均车速、车速方差、总行驶路程、油耗增量等等。其中,车速、路程、油耗为驾驶参数,而平均值、方差、汇总以及增量等为特征提取方式。
例如,所述参数类型可以为:
自车类特征:车型、挂长、载重、司机、传感器、软件版本等基础特征、以及位置、速度、加速度、档位、控制指令、行为等时序特征;
道路类特征:拓扑结构、限速等基础特征、以及坡度、曲率、海拔、车道宽度等时序特征;
交通类特征:前车距离、速度、加速度、相邻车道、其他车道的车辆数目、速度、cut-in,cut-out车辆的距离、位置等;
天气类特征:温度、降水、湿度、风力等。
特征提取方式如可以包括:
平均值:如一段时间平均车速;
方差:如一段时间车速方差;
布尔值:是指示是否满足某状态,比如是否自动驾驶;
求和:如返回一段时间总行驶路程;
限制(bounded feature):特征值有上下限要求:
无限制:特征值无上下限要求;
变化量(delta feature):如一段时间油耗增量。
当然,上述参数类型以及提取方式仅为举例说明,并不构成对本说明书实施例方案的限制。具体实施时,可以根据需要配置参数类型以及提取方式,这里不做限定。
可以预先对场景提取时通常所需的参数类型、特征提取方式进行分析,初步确定出各参数类型所对应的特征提取方式,然后,对指定驾驶数据集中的不同参数类型所对应的驾驶数据,基于相应的特征提取方式进行特征提取,得到多种场景特征所对应的特征数据。可以将各场景特征所对应的特征数据进行存储。相应的,在驾驶数据筛选时,可以直接基于预先提取的特征数据,进行数据的比对,提高数据搜索的效率。当然,对于个别场景特征,如行驶的路程、时长等,可以在各场景所对应的驾驶数据筛选时,再进行特征值的提取以及比对。
所述指定驾驶数据集可以为执行驾驶数据搜索时所基于的驾驶数据组成的集合。所述指定驾驶数据集可以预先存储在数据库或者服务器的存储设备中。一些实施例中,所述指定驾驶数据集可以包括利用时间标识的驾驶数据。驾驶数据采集时,各驾驶参数所对应的数据通常是与时间相关联的,如各时刻下的速度、地理位置、坡度、是否自动驾驶、档位、周围环境等。
当然,有些驾驶参数可能是与时间无关的或者随时间变化不是很明显的,如车型、挂长、载重等,但其也是在车辆驾驶时各个时刻下的驾驶参数,只是参数数据不随时间变化、仅在个别时刻变化或者变化不明显。如果驾驶数据采集时,这些驾驶参数的数据是基于各采集时刻同步采集的,则相应的,驾驶数据的各参数数据可以直接用时间进行标识。如果上述这些驾驶参数的数据不是基于各采集时刻同步采集的,例如驾驶数据的采集方式是分别针对各类型的车辆进行行驶数据的采集,则车辆的基础参数信息,可能是与行驶数据分别存储的。该种情况下,可以将车辆的基础参数信息与各时刻下的相应行驶数据通过时间进行关联。通过上述处理后,驾驶数据的各参数数据可以利用时间进行标识。
一些实施例中,在特征提取时,可以预先将指定驾驶数据集所对应的时间区间进行切分,得到一系列的时间切片。所述指定驾驶数据集中的驾驶数据,通过上述方式,已经与数据采集时间进行关联,则可以将采集时间中的最早时刻作为初始时刻t0,将采集时间中的最晚时间作为结束时刻tend,得到指定驾驶数据集所对应的时间区间。然后,可以基于预先时间长度,对指定驾驶数据集所对应的时间区间进行分割,得到一系列的时间切片。
然后,可以基于时间切片对驾驶数据进行特征提取。如,对应某些参数类型,可以获取各时间切片所对应的驾驶数据切片,然后,对驾驶数据切片进行特征提取,得到相应场景特征在各时间切片下的特征数据。即得到的特征数据是与场景特征以及时间切片相关联的。
一些实施例中,可以将基于单个时间切片内的驾驶数据进行特征提取的场景特征作为非求和场景特征。如任一时间切片下的平均车速为对相应时间切片下的车速数据计算平均值得到;任一时间切片下的耗油增量为对相应时间切片下的耗油数据计算耗油变化值得到。则可以将平均车速、耗油增量场景特征作为非求和场景特征。
一些实施例中,可以以某一指定时间区间的驾驶数据整体为基础进行特征提取的场景特征,作为求和场景特征。如某一指定时间区间内的行驶路程,需要汇总该指定时间区间的全部行驶位置数据来得到,则可以将行驶路程场景特征作为求和场景特征。
可以预先对非求和场景特征和求和场景特征进行分类打标,以便于后续驾驶数据搜索,提高驾驶数据搜索的效率以及准确性。
一些实施例中,所述约束条件至少可以包括在指定的驾驶数据中相应场景特征的数据占比。所述指定的驾驶数据可以是指驾驶数据搜索时任意待分析的驾驶数据段。所述数据占比可以是指时间占比。相应的,一些实施例中,所述约束条件至少可以包括在指定的驾驶数据时间区间内相应场景特征满足预设取值约束的时间占比。所述指定的驾驶数据时间区间可以包括在驾驶数据搜索时任意待分析的驾驶数据段所对应的时间区间。所述预设取值约束如可以包括场景特征的特征值所需满足的取值或取值区间等。或者,所述预设取值约束也可以为无取值上下限要求等。一些实施方式中,所述数据占比还可以是指数据帧的占比,从而可以充分考虑采集的驾驶数据与时间不完全一一对应,存在有漏采的情况,提高数据处理的准确性。当然,所述数据占比也可以根据实际应用场景设定成其他的形式,这里不做限定。
所述数据占比的取值可以为包括0、1以及0与1之间的任意数。所述数据占比如可以包括最大百分比以及最小百分比,或者比例取值区间等。
所述约束条件如可以包括min-value(最小值)、max-value(最大值)、max-percentage(最大百分比)、min-percentage(最小百分比)等。例如,所述取值区间可以为[10km/h,60km/h],所述比例如可以为80%至100%,即某时间段的驾驶数据中车速落在[10km/h,60km/h]的比例占80%以上。例如,坡度取值区间设为[0,inf],即上坡;坡度取值区间设为[-inf,0],即下坡;所述比例如果均设置为不小于40%。即某时间段的驾驶数据中至少40%上坡、至少40%下坡。
实际驾驶场景中,驾驶数据可能存在一定的波动,如车辆行驶的速度,经常会因为周围环境出现短时间的波动,通过设置比例可以容忍波动所带来的噪声,降低因噪声导致提取到的驾驶数据过于零散,或者无法提取到满足设定条件的驾驶数据。反之,如果设定条件中只包含某一确定的阈值点,则可能因为车速噪声的影响,使得提取到的驾驶数据均不满足该行驶路程的要求,从而无法提取到需要的驾驶数据。
通过设置比例,还可以实现互斥条件下的驾驶数据的有效提取。如采用基于搜索条件的逻辑操作来搜索场景,找一段没有前车并且是在爬坡的场景,只需要逐帧数据检查是否有前车并且是否上坡即可。但是稍微复杂些的场景,比如找一段上坡和下坡路程相当的场景,每一帧只可能是上坡或者下坡,而且每一帧不是孤立的,需要汇总一个场景片段里的所有帧并进行分析处理才能知道上坡和下坡路程是否相当。例如,给定一个数据集,假设有N帧,那么采用该方式搜索上述复杂场景,可以有N2个可能的片段,搜索工作量较大,效率较低。通过设置比例,搜索满足至少50%上坡、至少50%下坡的驾驶数据时间段即可。设置比例不但可以在一个场景中包容互斥的特征,例如上坡和下坡,加速和减速,而且无需逐帧进行比对,从而可以大幅降低搜索工作量,提高驾驶数据搜索效率。
S22:从驾驶数据特征集提取满足所述目标驾驶场景的场景约束的驾驶数据时间区间,作为所述目标驾驶场景的场景时间区间;其中,所述驾驶数据特征集包括基于所述场景特征对指定驾驶数据集进行特征提取得到的特征数据。
服务器可以预先基于步骤S20中的实施方式对指定驾驶数据集中的驾驶数据进行特征提取,得到驾驶数据特征集。并将预先构建的驾驶数据特征集进行存储。如可以存储至与执行搜索的服务器所关联的数据库中,在目标驾驶场景所对应的驾驶数据搜索时,可以从数据库中调取相应的驾驶数据特征集。一些实施例中,可以将基于不同场景特征所提取的驾驶数据特征分别存储至不同的数据集中,并基于场景特征类型相应的特征数据集进行标识,以提高后续数据搜索的效率。
服务器可以基于预先构建的驾驶数据特征集,提取满足所述目标驾驶场景的场景约束的驾驶数据时间区间。如服务器可以基于各场景特征所对应的约束条件,分别对各场景特征所对应的驾驶数据特征集进行数据分析,提取出满足相应约束条件的驾驶数据时间区间。然后,再对各场景特征所对应的驾驶数据时间区间进行综合分析,确定出满足各场景特征所对应的约束条件的驾驶数据时间区间。可以根据提取的满足各场景特征所对应的约束条件的驾驶数据时间区间,确定目标驾驶场景的场景时间区间。
S24:根据所述场景时间区间从所述指定驾驶数据集中输出所述目标驾驶场景所对应的驾驶数据。
在确定出驾驶数据时间区间后,服务器可以从指定驾驶数据集中输出该驾驶数据时间区间所对应的驾驶数据,从而得到目标驾驶场景所对应的驾驶数据。
在目标驾驶场景构建时,通过利用场景特征以及各场景特征所对应的特征值的取值范围、落在该取值范围内的比例大小进行场景约束,可以有效包容互斥条件,简单高效的实现复杂条件下的驾驶数据的有效提取,无需逐帧进行比对,大幅降低搜索工作量,提高驾驶数据搜索效率。同时,还可以降低因噪声导致提取到的驾驶数据过于零散,或者无法提取到满足设定条件的驾驶数据的情况。
另一些实施例中,所述目标驾驶场景可以包括受时间先后顺序约束的至少一个子场景。所述子场景可以包括不受时间先后顺序约束的至少一个场景特征以及场景特征所对应的约束条件。
如目标驾驶场景为一个无序场景,相应的,该目标驾驶场景可以仅包括一个子场景。例如,待搜索的目标驾驶场景为“省油场景”,该无序目标驾驶场景可以包括例如以下场景约束:
(1)人工驾驶模式;
(2)行驶距离至少为1000米;
(3)至少40%的坡度为上坡;
(4)至少40%的坡度为下坡;
(5)至少80%的前车速度落在20-100km/h之间;
(6)没有前车速度低于16m/s。
上述各场景特征之间所提取的驾驶数据无先后顺序,只需提取的驾驶数据段满足各场景特征所对应的约束条件即可。如可以分别基于该子场景的各场景特征进行数据搜索,检索到满足该场景特征的约束条件的驾驶数据。然后,对各场景特征所搜索到的驾驶数据段进行综合分析,即可提取到满足各场景特征所对应的约束条件的驾驶数据。
如打算提取一个较为复杂的场景,例如希望搜索一段在自动驾驶下启动到一定速度,并正常行驶一定时间后,减速停车的场景,则可以根据需要定义一个有序场景作为目标驾驶场景。相应的,可以将目标驾驶场景定义为受时间先后顺序约束的多个子场景所组成的形式。
例如,搜索一个有序目标驾驶场景“停车起步场景”时,该有序目标驾驶场景可以包括减速场景、停止场景以及起步场景三个子场景,该三个子场景之间有时间先后顺序,即停止场景在时间上晚于减速场景,而早于起步场景。但是,该三个子场景本身为无序场景,即每个子场景的场景约束之间没有时间顺序。例如,其中减速场景包括两个场景约束:(1)至少80%的车在减速;(2)至少10%的前车以非常低的速度(该实例中为5km/h以下)前进。停止场景包括一个场景约束:所有车都以5km/h以下的速度前进。起步场景包括两个场景约束:(1)至少80%的车在加速;(2)至少10%的前车以不低于5km/h的速度前进。
根据实际场景搜索的需要,将目标驾驶场景划分成受时间先后顺序约束的多个子场景进行配置。相应的,每个子场景内符合相应场景约束的驾驶数据搜索可以不再受时间约束。然后,在各子场景之间的时间先后顺序约束下,对于各子场景,可以直接根据相应的场景约束进行符合约束条件的驾驶数据的搜索即可,无需再考虑时间顺序。最后,再将各子场景所对应的符合场景约束的驾驶数据区间进行拼接,基于拼接的时间区间输出实际场景搜索所需的驾驶数据,从而可以使得驾驶数据的搜索更加简单高效。
对于包括两个以上子场景的目标驾驶场景,服务器在对目标驾驶场景进行驾驶数据搜索时,可以基于所述至少一个子场景所对应的时间先后顺序,依次将各子场景作为当前子场景。然后,可以以当前子场景的前一个子场景的驾驶数据时间区间的结束时刻,作为所述当前子场景进行驾驶数据搜索的起始时刻,基于指定驾驶数据集提取满足所述当前子场景所对应的场景约束的驾驶数据时间区间。对于初始的子场景,其前面不存在子场景,其时间起始位置即为指定驾驶数据集所对应的时间区间的初始时刻。
然后,可以将提取的驾驶数据时间区间基于所述至少一个子场景所对应的时间先后顺序进行拼接处理,得到所述目标驾驶场景所对应的场景时间区间。
服务器可以将提取的驾驶数据时间区间基于所述至少一个子场景所对应的时间先后顺序进行拼接处理,得到所述目标驾驶场景所对应的场景时间区间。例如,目标驾驶场景包括三个子场景A、B、C。子场景A所对应的驾驶数据时间区间为T1-T2,则子场景B所对应的驾驶数据时间区间为T2-T3,子场景C所对应的驾驶数据时间区间为T3-T4。则可以将子场景A、B、C所对应的驾驶数据时间区间进行拼接,得到拼接后的时间区间T1-T4,作为目标驾驶场景所对应的场景时间区间。
然后,可以根据所述场景时间区间从所述指定驾驶数据集中输出所述目标驾驶场景所对应的驾驶数据。
基于上述实施例提供的方案,一些实施例中,在确定目标驾驶场景包括两个以上的子场景的情况下,可以基于所述至少一个子场景所对应的时间先后顺序,将排序在初始的子场景后的一个子场景,作为当前子场景。
以初始的子场景的驾驶数据时间区间的结束时刻,作为所述当前子场景进行驾驶数据时间区间提取的起始时刻,基于驾驶数据特征集提取满足所述当前子场景所对应的至少一个场景特征以及场景特征所对应的约束条件的驾驶数据时间区间。
在提取的当前子场景的驾驶数据时间区间不为空的情况下,将初始的子场景与所述当前子场景的驶数据时间区间进行拼接。
在确定当前子场景之后还存在子场景的情况下,将下一个子场景作为当前子场景,并将拼接得到的驶数据时间区间的结束时刻作为驾驶数据时间区间提取的起始时刻,重复进行驾驶数据时间区间的提取以及拼接的处理。
直至不存在子场景,则输出最后一次拼接后的驾驶数据时间区间,作为场景时间区间。
一些实施例中,对于初始的子场景,服务器可以采用下述方式提取满足所述初始的子场景所对应的至少一个场景特征以及场景特征所对应的约束条件的驾驶数据时间区间。其中,若目标驾驶场景仅包括一个子场景,则该初始的子场景即为目标驾驶场景。若所述目标驾驶场景包括两个以上的子场景,所述初始的子场景为基于时间先后顺序排在第一位的子场景。
S40:获取所述初始的子场景中各场景特征所对应的特征数据;所述特征数据为对驾驶数据切片进行特征提取得到的数据;所述驾驶数据切片为各时间切片所对应的驾驶数据;所述时间切片根据对所述指定驾驶数据集所对应的时间区间进行分割得到。
各场景特征所对应的特征数据参考上述实施例提取,这里不做赘述。服务器可以从预先存储的特征集中获取所述初始的子场景中各场景特征所对应的特征数据。
S42:将所述初始的子场景中的任一非求和场景特征作为第一目标场景特征;所述非求和场景特征是指基于单个时间切片内的驾驶数据进行特征提取的场景特征。
S44:对于第一目标场景特征,基于时间先后顺序依次将各时间切片作为第一当前时间切片;以所述第一当前时间切片作为时间结束位置,基于时间从早到晚的顺序,筛选所述第一目标场景特征对应的特征数据满足所述第一目标场景特征所对应的约束条件的最长时间区间,作为所述第一当前时间切片所对应的第一备选时间区间。
例如,假设该指定驾驶数据集的时间区间被拆分成了n个特征切片,基于时间从早到晚的顺序,各时间切片分别标识为1、2、……、i、i+1、……、n。对于任一第一目标场景特征,服务器基于时间先后顺序,依次将各时间切片作为第一当前时间切片,以第一当前时间切片作为时间结束位置,进行第一当前时间切片所对应的备选时间区间的筛选。
如筛选出第i个时间切片作为第一当前时间切片,以第i个时间切片作为时间结束位置,基于时间从早到晚的顺序,筛选所述第i个时间切片对应的特征数据满足所述第一目标场景特征所对应的约束条件的最长时间区间,作为所述第i个时间切片所对应的第一备选时间区间。
一些实施例中,对于第一目标场景特征,可以基于时间先后顺序依次将各时间切片作为第一当前时间切片,将第一当前时间切片作为时间结束位置。从指定驾驶数据集所对应的时间区间的初始时刻开始,依次选择时间切片作为备选时间切片,将备选时间切片作为时间初始位置。基于所述时间初始位置以及时间结束位置,确定待分析时间区间。在所述第一目标场景特征对应于待分析时间区间的特征数据满足所述第一目标场景特征的约束条件时,将待分析时间区间作为所述第一当前时间切片所对应的第一备选时间区间。
在所述第一目标场景特征对应于待分析时间区间的特征数据不满足所述第一目标场景特征的约束条件时,依次选择下一个时间切片作为备选时间切片,重复上述处理步骤,直至满足所述第一目标场景特征的约束条件或者备选时间切片与第一当前时间切片重合,则输出第一备选时间区间。
例如,可以基于时间先后顺序,以第i个时间切片作为时间结束位置,从指定驾驶数据集所对应的时间区间的初始时刻t0开始,依次选择时间切片作为备选时间切片。将备选时间切片作为时间初始位置,形成一定的时间区间。可以将该形成的时间区间描述为待分析时间区间。例如,先选择第1个时间切片,将第1个时间切片作为时间初始位置,第i个时间切片作为时间结束位置,相应的形成时间区间[t0,ti],其中,t0为第1个时间切片的起始时刻,ti为第i个时间切片的结束时刻。可以将[t0,ti]作为待分析时间区间。
然后,可以判断第一目标场景特征在该待分析时间区间内的特征数据是否满足该第一目标场景特征的约束条件。例如,约束条件为指定时间区间内的平均车速落在[10km/h,60km/h]的比例占80%以上,则可以分析该待分析时间区间[t0,ti]内的平均车速落在[10km/h,60km/h]的比例是否在80%以上。如果满足,则结束选择,将待分析时间区间[t0,ti]作为第i个时间切片所对应的第一备选时间区间。
如果不满足上述约束条件,则可以继续选择第2个时间切片,将选择的第2个时间切片作为时间初始位置,形成一定的时间区间[t1,ti],分析该待分析时间区间[t1,ti]内的平均车速落在[10km/h,60km/h]的比例是否在80%以上,如果满足,则结束选择,将待分析时间区间[t1,ti]作为第i个时间切片所对应的第一备选时间区间。如果不满足,则继续选择下一个时间切片,重复上述处理。直至满足约束条件,或者,选择的时间切片与第i个时间切片重合,则结束选择。如果选择的时间切片与第i个时间切片重合,则将第i个时间切片所对应的第一备选时间区间置为空。
通过上述方式,基于时间先后顺序,逐步将时间切片作为第i个时间切片,直至最后一个时间切片,得到以每个时间切片所对应的第一备选时间区间。
另一些实施例中,还可以采用下述方式确定每个时间切片所对应的第一备选时间区间。
若所述第一目标场景特征对应于第i个时间切片的特征数据满足所述第一目标场景特征的约束条件,则执行下述步骤S4401-S4406确定每个时间切片所对应的第一备选时间区间。
S4401:将第一当前时间切片的前一个时间切片作为紧邻时间切片。
S4402:获取紧邻时间切片所对应的第一备选时间区间;将第一当前时间切片与紧邻时间切片所对应的第一备选时间区间进行合并,获得合并时间区间。
S4403:在紧邻时间切片所对应的第一备选时间区间为空时,判断所述第一目标场景特征对应于合并时间区间的特征数据是否满足所述第一目标场景特征的约束条件。
S4404:在紧邻时间切片所对应的第一备选时间区间不为空时、或者所述第一目标场景特征对应于所述合并时间区间的特征数据满足所述第一目标场景特征的约束条件时,基于时间先后顺序,将紧邻时间切片更新为所述合并时间区间的前一个时间切片。
S4405:重复上述步骤S4402-S4404,直至所述指定驾驶数据集所对应的时间区间的初始时刻,则将最后一次合并后的合并时间区间作为第一当前时间切片所对应的第一备选时间区间。
S4406:或者,重复上述步骤S4402-S4404,直至所述第一目标场景特征对应于所述合并时间区间的特征数据不满足所述第一目标场景特征的约束条件,则将最后一次合并前的合并时间区间作为第一当前时间切片所对应的第一备选时间区间。
或者,若所述第一目标场景特征对应于当前时间切片的特征数据不满足所述第一目标场景特征的约束条件,则执行下述步骤S4407-S4414确定每个时间切片所对应的第一备选时间区间。
S4407:将第一当前时间切片的前一个时间切片作为紧邻时间切片。
S4408:获取紧邻时间切片所对应的第一备选时间区间,在紧邻时间切片所对应的第一备选时间区间为空时,将第一当前时间切片所对应的第一备选时间区间置为空。
S4409:在紧邻时间切片所对应的第一备选时间区间不为空时,将第一当前时间切片的时间区间与紧邻时间切片所对应的第一备选时间区间进行合并,作为第一当前时间切片所对应的初始备选时间区间。
S4410:若所述第一目标场景特征对应于所述初始备选时间区间的特征数据满足所述第一目标场景特征的约束条件,则执行S4411;若所述第一目标场景特征对应于所述初始备选时间区间的特征数据不满足所述第一目标场景特征的约束条件,则执行S4412-S4414。
S4411:将所述初始备选时间区间作为当前时间切片所对应的第一备选时间区间。
S4412:若所述第一目标场景特征对应于所述初始备选时间区间的特征数据不满足所述第一目标场景特征的约束条件,基于时间先后顺序逐个剔除排序靠前的特征数据,直至剩余的特征数据满足所述第一目标场景特征的约束条件。
S4413:将剩余的特征数据所对应的时间区间作为当前时间切片所对应的第一备选时间区间。
S4414:若所述剩余的特征数据所对应的时间区间为空时,将当前时间切片所对应的第一备选时间区间置为空。
通过上述逐步迭代的方式,可以更加高效的筛选出每个时间切片所对应的第一备选时间区间。
S46:求取各第一目标场景特征中所述当前时间切片所对应的第一备选时间区间的交集,作为所述初始的子场景所对应的第二备选时间区间。
通过求取各第一目标场景特征中所述第i个时间切片所对应的第一备选时间区间的交集,可以筛选出满足各第一目标场景特征所对应的约束条件的最长时间区间,作为所述初始的子场景中,以第i个时间切片作为时间结束位置的备选时间区间。为了便于表述,可以将该求交集之后得到的备选时间区间,作为第二备选时间区间。
相应的,对于每个时间切片,均可以得到一个以该时间切片作为时间结束位置的第二备选时间区间。该第二备选时间区间可以有一定的长度,也可能为空。如果为空,则无需执行步骤S48,可以直接放弃。并结束第一当前时间切片所对应的驾驶数据搜索。
如果第二备选时间不为空,则可以进一步判断第二备选时间下的驾驶数据是否满足各第一目标场景特征所对应的约束条件,执行接下来的步骤S48或S410。
S48:在所述第二备选时间区间满足所述各第一目标场景特征所对应的约束条件时,将第二备选时间区间直接作为第三备选时间区间。
S410:若所述第二备选时间区间不满足各第一目标场景特征所对应的约束条件,则可以基于从早到晚的顺序,逐步剔除时间切片,直至剔除时间切片后的第二备选时间区间满足所对应的约束条件,则将该剔除时间切片后的第二备选时间区间作为第三备选时间区间。
如果第二备选时间区间下的驾驶数据并不满足各第一目标场景特征所对应的约束条件,则可以基于从早到晚的顺序,剔除第二备选时间区间内靠前的时间切片。每剔除一个时间切片后,判断剔除时间切片后的第二备选时间区间下的驾驶数据是否满足各第一目标场景特征所对应的约束条件,如果满足,则将剔除时间切片后的第二备选时间区间作为第三备选时间区间。如果不满足,则再剔除一个时间切片,重复上述判断步骤,直至满足各第一目标场景特征所对应的约束条件。则将最后一次剔除时间切片后的第二备选时间区间,作为第三备选时间区间。
如果该初始的子场景包括求和场景特征,则可以执行步骤S412。如果该初始的子场景不包括求和场景特征,则无需执行步骤S412。可以将第二备选时间区间作为所述初始的子场景的驾驶数据时间区间。
S412:在所述初始的子场景中各求和场景特征在所述第三备选时间区间下的特征数据满足所述各求和场景特征的约束条件时,将所述第三备选时间区间作为所述初始的子场景的驾驶数据时间区间;其中,所述求和场景特征是指以第三备选时间区间的驾驶数据整体为基础进行特征提取的场景特征。部分第三备选时间区间即使不为空,可能也不满足求和场景特征,如行驶的路程太短,则该第三备选时间区间内的驾驶数据无法满足该初始的子场景所对应的全部场景约束,相应的,可以将第三备选时间区间放弃。在各求和场景特征在所述第三备选时间区间下的特征数据满足所述各求和场景特征的约束条件,将所述第三备选时间区间作为所述初始的子场景的驾驶数据时间区间。
另一些实施例中,如果所述初始的子场景中不存在非求和场景特征,全部都是求和场景特征,则可以分析指定驾驶数据集整体是否满足各求和场景特征,如果满足,则将指定驾驶数据集所对应的时间区间作为所述初始的子场景的驾驶数据时间区间。如果不满足,则放弃,结束驾驶数据搜索。
一些实施方式中,通过步骤S48或S410后,得到的各第三备选时间区间可能存在一定的包容关系。如第i+1个时间切片所对应的第二备选时间区间为[t5,ti+1],而第i个时间切片所对应的第三备选时间区间为[t7,ti],则第i+1个时间切片所对应的第三备选时间区间包括了第i个时间切片所对应的第三备选时间区间。而被包容的第三选时间区间输出的意义不大,可以放弃。相应的,可以通过分析各第三备选时间区间的包容关系,放弃被包容第三备选时间区间。然后,再基于剩余的第三备选时间区间执行后续处理步骤。
相应的,另一些实施例中,可以采用下述方式,输出第三备选时间区间,以去掉被包容第三备选时间区间。
采用下述方式,按照时间从晚到早逐个输出各时间切片所对应的第三备选时间区间:如果相应的时间切片所对应的第三备选时间区间不为空,且起始时刻早于已输出的任意一个时间切片所对应的第三备选时间区间的起始时刻,则将相应的时间切片所对应的第三备选时间区间输出;否则,放弃该第三备选时间区间,无需输出。通过该种方式,可以简单高效的实现输出的第三备选时间区间之间不存在包容关系。
相应的,在所述初始的子场景中各求和场景特征在输出的所述第三备选时间区间下的特征数据满足所述各求和场景特征的约束条件时,将输出的所述第三备选时间区间作为所述初始的子场景的驾驶数据时间区间。
另一些实施例中,对于初始的子场景之外的其他子场景,采用下述方式提取满足当前子场景所对应的至少一个场景特征以及场景特征所对应的约束条件的驾驶数据时间区间。
S60:将相应子场景作为当前子场景;获取当前子场景中各场景特征所对应的特征数据;所述特征数据为对驾驶数据切片进行特征提取得到的数据;所述驾驶数据切片为各时间切片所对应的驾驶数据;所述时间切片根据对所述指定驾驶数据集所对应的时间区间进行分割得到。
S62:将所述当前子场景中的任一非求和场景特征作为第二目标场景特征;所述非求和场景特征是指基于单个时间切片内的驾驶数据进行特征提取的场景特征。
S64:对于第二目标场景特征,以当前子场景之前的各子场景拼接得到的驾驶数据时间区间的最后一个时间切片作为第二当前时间切片;以第二当前时间切片的下一个时间切片作为所述当前子场景进行驾驶数据时间区间提取的时间起始位置,基于时间从晚到早的顺序,筛选所述第二目标场景特征对应的特征数据满足所述第二目标场景特征所对应的约束条件的最长时间区间,作为第二当前时间切片所对应的第四备选时间区间。
S66:求取所述当前子场景中各第二目标场景特征中相应时间初始位置所对应的第四备选时间区间的交集,作为所述当前子场景所对应的第五备选时间区间。
S68:在所述第五备选时间区间满足所述各第二目标场景特征所对应的约束条件时,将第五备选时间区间直接作为第六备选时间区间。
S610:若所述第五备选时间区间不满足当前子场景的各第二目标场景特征所对应的约束条件,则基于从晚到早的顺序,逐步剔除时间切片,直至剔除时间切片后的第五备选时间区间满足所对应的约束条件,则将该剔除时间切片后的第五备选时间区间作为第六备选时间区间。
S612:在所述当前子场景中各求和场景特征在所述第六备选时间区间下的特征数据满足所述各求和场景特征的约束条件时,将所述第六备选时间区间作为所述当前子场景的驾驶数据时间区间。
对于初始的子场景之外的其他子场景,以前一个子场景的驾驶数据时间区间的结束时刻,作为后一个子场景的驾驶数据时间区间的起始时刻,从指定驾驶数据集的结束时刻开始,基于从晚到早的顺序,筛选出各场景特征所对应的特征数据满足该子场景的场景约束的最长时间区间。
对于初始的子场景之外的任一其他子场景,将非求和场景特征作为第二目标场景特征。对于任一第二目标场景特征,假设前一个子场景所对应的驾驶数据时间区间的结束时刻为ti,则以第i+1个时间切片作为时间开始位置,基于时间从晚到早的顺序,从指定驾驶数据集所对应的时间区间的结束时刻tend开始,依次选择时间切片,将选择的时间切片作为时间结束位置,形成一定的时间区间。可以将该形成的时间区间描述为待分析时间区间。
先选择第n个时间切片,将第n个时间切片作为时间结束位置,第i+1个时间切片作为时间开始位置,相应的形成时间区间[ti,tend],其中,tend为第n个时间切片的结束时刻,ti为第i个时间切片的结束时刻。可以将[ti,tend]作为待分析时间区间。
然后,可以判断第二目标场景特征在该待分析时间区间内的特征数据是否满足该第二目标场景特征的约束条件。例如,约束条件为指定时间区间内的平均车速落在[10km/h,60km/h]的比例占80%以上,则可以分析该待分析时间区间[ti,tend]内的平均车速落在[10km/h,60km/h]的比例是否在80%以上。如果满足,则结束选择。为了统一分析,因ti为第i个时间切片的结束时刻,而第i个时间切片为前一个子场景的时间结束位置,则可以将待分析时间区间[ti,tend]作为第i个时间切片所对应的第三备选时间区间,以便于后续进行多个子场景所对应的驾驶数据时间区间的拼接处理。
如果不满足上述约束条件,则可以继续选择第n-1个时间切片,将选择的第n-1个时间切片作为时间初始位置,形成一定的时间区间[ti,tn-1],分析该待分析时间区间[ti,tn-1]内的平均车速落在[10km/h,60km/h]的比例是否在80%以上,如果满足,则结束选择,将待分析时间区间[ti,tn-1]作为第i个时间切片所对应的第三备选时间区间。如果不满足,则继续选择下一个时间切片,重复上述处理。直至满足约束条件,或者,选择的时间切片与第i+1个时间切片重合,则结束选择。如果选择的时间切片与第i+1个时间切片重合,则将第i个时间切片所对应的第四备选时间区间置为空。
基于上述方式,可以得到该子场景的任意起始时刻所对应的第四备选时间区间。
同样的,参考上述步骤S4401-S4414的方案,对于初始的子场景之外的任一其他子场景,可以参考类似的方式,筛选第四备选时间区间。区别仅在于,初始的子场景是以某时间切片为时间结束位置,向t0的方向,逐步迭代,找到最长的时间区间。而本实施例是以指定的时间切片为时间开始位置。相应的,该指定的时间切片为当前子场景之前的各子场景拼接得到的驾驶数据时间区间的结束时刻作为初始时刻的时间切片。然后,向tend的方向逐步迭代,找到最长的时间区间。
然后,可以求取各第二目标场景特征中所述第i个时间切片所对应的第三备选时间区间的交集,作为当前子场景所对应的第五备选时间区间。如果第五备选时间区间为空,则可以放弃该第五备选时间区间。
在第五备选时间区间不为空时,判断所述第五备选时间区间是否满足所述各第二目标场景特征所对应的约束条件。在所述第五备选时间区间满足所述各第二目标场景特征所对应的约束条件时,将第五备选时间区间直接作为第六备选时间区间。若所述第五备选时间区间不满足当前子场景的各第二目标场景特征所对应的约束条件,则基于从晚到早的顺序,采用同上述实施例相似的方式,逐步剔除时间切片,直至剔除时间切片后的第五备选时间区间满足所对应的约束条件,则将该剔除时间切片后的第五备选时间区间作为第六备选时间区间。
在所述当前子场景中各求和场景特征在所述第六备选时间区间下的特征数据满足所述各求和场景特征的约束条件时,将所述第六备选时间区间作为所述当前子场景的驾驶数据时间区间。
通过上述方式可以得到除初始的子场景之外的其他子场景所对应的驾驶数据时间区间。
由上述实施例可知,在除初始的子场景之外的其他子场景所对应的所对应的驾驶数据时间区间确定时,可能存在部分前一个子场景j所对应的驾驶数据时间区间所对应的时间结束位置(如第i个时间切片),在后一个子场景j+1中是没有筛选到满足场景约束的驾驶数据时间区间,则对于该时间结束位置,也无法再进行下一个子场景j+2的驾驶数据筛选。即相应的,再对下一个子场景j+2进行驾驶数据筛选时,在子场景j+1中筛选到驾驶数据时间区间的情况下,子场景j+2才有起始时刻,才能继续进行驾驶数据筛选。则在逐步筛选的过程中,同时将不满足全部子场景所对应的场景约束的时间自动进行了剔除。
相应的,在对各子场景进行驾驶数据时间区间筛选后,即可得到目标驾驶场景所对应的场景时间区间。
服务器可以根据所述场景时间区间从所述指定驾驶数据集中输出所述目标驾驶场景所对应的驾驶数据。指定驾驶数据集中可能包含多个驾驶参数所对应的驾驶数据,可以根据用户的指令,输出所述场景时间区间内某一个或者多个驾驶参数所对应的驾驶数据。如果用户没有限制输出的驾驶参数类型,则服务器可以输出所述场景时间区间内各驾驶参数所对应的驾驶数据。
一些实施例中,对于所述目标驾驶场景中存在重叠的场景时间区间基于预设规则对所述存在重叠的场景时间区间进行处理。然后,可以根据所述目标驾驶场景中不存在重叠的单个场景时间区间以及所述处理后的场景时间区间从所述指定驾驶数据集中输出所述目标驾驶场景所对应的驾驶数据。
所述预设规则如可以包括从所述存在重叠的场景时间区间中筛选出最长的场景时间区间作为处理后的场景时间区间。或者,所述预设规则还可以包括在所述存在重叠的场景时间区间的重叠段占比大于预设阈值的情况下,将所述存在重叠的场景时间区间的合并,得到处理后的场景时间区间。合并处理时,可以将所述存在重叠的场景时间区间中最早的时间点作为处理后的场景时间区间的起始时间点,将所述存在重叠的场景时间区间中最晚的时间点作为处理后的场景时间区间的结束时间点,得到处理后的场景时间区间。当然,上述预设规则仅为优选说明,具体实施时,也可以采用其他的方式,如可以将所述存在重叠的场景时间区间中时间长度居中的一个或多个场景时间区间,作为处理后的场景时间区间。
当然,实际应用场景中,也可以不对所述存在重叠的场景时间区间进行处理,服务器可以直接将所述存在重叠的场景时间区间所对应的驾驶数据分别输出,发送给用户终端,以进行展示。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。具体的可以参照前述相关处理相关实施例的描述,在此不做一一赘述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书一个或多个实施例提供的驾驶数据搜索方法,可以在目标驾驶场景构建时,通过利用场景特征以及各场景特征所对应的特征值的取值范围、落在该取值范围内的比例大小进行场景约束,可以有效包容互斥条件,简单高效的实现复杂条件下的驾驶数据的有效提取,无需逐帧进行比对,大幅降低搜索工作量,提高驾驶数据搜索效率。同时,还可以降低因噪声导致提取到的驾驶数据过于零散,或者无法提取到满足设定条件的驾驶数据的情况。
基于上述所述的驾驶数据搜索方法,本说明书一个或多个实施例还提供一种驾驶数据搜索装置。所述的装置可以包括使用了本说明书实施例所述方法的系统、软件(应用)、模块、组件、服务器等并结合必要的实施硬件的装置。基于同一创新构思,本说明书实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似,因此本说明书实施例具体的装置的实施可以参见前述方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。具体的,图2表示说明书提供的一种驾驶数据搜索装置实施例的模块结构示意图,如图2所示,应用于服务器,所述装置可以包括:
请求接收模块102,可以用于接收驾驶数据搜索请求;其中,所述驾驶数据搜索请求包括待搜索的目标驾驶场景;其中,所述目标驾驶场景包括场景约束,所述场景约束包括场景特征以及场景特征的约束条件,所述约束条件至少包括在指定的驾驶数据中相应场景特征的数据占比。
筛选模块104,可以用于从驾驶数据特征集提取满足所述目标驾驶场景的场景约束的驾驶数据时间区间,作为所述目标驾驶场景的场景时间区间;其中,所述驾驶数据特征集包括基于所述场景特征对指定驾驶数据集进行特征提取得到的特征数据。
输出模块106,可以用于根据所述场景时间区间从所述指定驾驶数据集中输出所述目标驾驶场景所对应的驾驶数据。
另一些实施例中,所述数据占比可以至少包括最小比例、最大比例中的一个。
另一些实施例中,所述目标驾驶场景包括受时间先后顺序约束的至少一个子场景;所述子场景包括不受时间先后顺序约束的至少一个场景特征以及相应场景特征所对应的约束条件。
另一些实施例中,所述筛选模块可以包括:
特征数据获取单元,可以用于获取初始的子场景中各场景特征所对应的特征数据;所述特征数据为对驾驶数据切片进行特征提取得到的数据;所述驾驶数据切片为各时间切片所对应的驾驶数据;所述时间切片根据对所述指定驾驶数据集所对应的时间区间进行分割得到。
第一时间区间筛选单元,可以用于将所述初始的子场景中的任一非求和场景特征作为第一目标场景特征;所述非求和场景特征是指基于单个时间切片内的驾驶数据进行特征提取的场景特征;对于第一目标场景特征,基于时间先后顺序依次将各时间切片作为第一当前时间切片;以所述第一当前时间切片作为时间结束位置,基于时间从早到晚的顺序,筛选所述第一目标场景特征对应的特征数据满足所述第一目标场景特征所对应的约束条件的最长时间区间,作为所述第一当前时间切片所对应的第一备选时间区间。
第二时间区间筛选单元,可以用于求取各第一目标场景特征中所述第一当前时间切片所对应的第一备选时间区间的交集,作为所述初始的子场景所对应的第二备选时间区间。
第三时间区间筛选单元,可以用于在所述第二备选时间区间满足所述各第一目标场景特征所对应的约束条件时,将第二备选时间区间直接作为第三备选时间区间;若所述第二备选时间区间不满足各第一目标场景特征所对应的约束条件,则基于从早到晚的顺序,逐步剔除时间切片,直至剔除时间切片后的第二备选时间区间满足所对应的约束条件,则将该剔除时间切片后的第二备选时间区间作为第三备选时间区间。
第四时间区间筛选单元,可以用于在所述初始的子场景中各求和场景特征在所述第三备选时间区间下的特征数据满足所述各求和场景特征的约束条件时,将所述第三备选时间区间作为所述初始的子场景的驾驶数据时间区间;其中,所述求和场景特征是指以第三备选时间区间的驾驶数据整体为基础进行特征提取的场景特征。
另一些实施例中,所述第一时间区间筛选单元可以包括:
合并子单元,可以用于若所述第一目标场景特征对应于第一当前时间切片的特征数据满足所述第一目标场景特征的约束条件,将第一当前时间切片的前一个时间切片作为紧邻时间切片;获取紧邻时间切片所对应的第一备选时间区间;将第一当前时间切片与紧邻时间切片所对应的第一备选时间区间进行合并,获得合并时间区间。
判断子单元,可以用于在紧邻时间切片所对应的第一备选时间区间为空时,判断所述第一目标场景特征对应于合并时间区间的特征数据是否满足所述第一目标场景特征的约束条件。
更新子单元,可以用于在紧邻时间切片所对应的第一备选时间区间不为空时、或者所述第一目标场景特征对应于所述合并时间区间的特征数据满足所述第一目标场景特征的约束条件时,基于时间先后顺序,将紧邻时间切片更新为所述合并时间区间的前一个时间切片。
第一时间区间筛选子单元,可以用于重复上述合并、判断及更新的处理,直至所述指定驾驶数据集所对应的时间区间的初始时刻,则将最后一次合并后的合并时间区间作为第一当前时间切片所对应的第一备选时间区间;或者,直至所述第一目标场景特征对应于所述合并时间区间的特征数据不满足所述第一目标场景特征的约束条件,则将最后一次合并前的合并时间区间作为第一当前时间切片所对应的第一备选时间区间。
另一些实施例中,所述第一时间区间筛选单元可以包括:
第二时间区间筛选子单元,可以用于若所述第一目标场景特征对应于第一当前时间切片的特征数据不满足所述第一目标场景特征的约束条件,将第一当前时间切片的前一个时间切片作为紧邻时间切片;获取紧邻时间切片所对应的第一备选时间区间,在紧邻时间切片所对应的第一备选时间区间为空时,将第一当前时间切片所对应的第一备选时间区间置为空。
另一些实施例中,所述第一时间区间筛选单元可以包括:
第三时间区间筛选子单元,可以用于在紧邻时间切片所对应的第一备选时间区间不为空时,将第一当前时间切片的时间区间与紧邻时间切片所对应的第一备选时间区间进行合并,作为第一当前时间切片所对应的初始备选时间区间;若所述第一目标场景特征对应于所述初始备选时间区间的特征数据满足所述第一目标场景特征的约束条件,将所述初始备选时间区间作为当前时间切片所对应的第一备选时间区间。
另一些实施例中,所述第一时间区间筛选单元可以包括:
剔除单子元,可以用于若所述第一目标场景特征对应于所述初始备选时间区间的特征数据不满足所述第一目标场景特征的约束条件,基于时间先后顺序逐个剔除排序靠前的特征数据,直至剩余的特征数据满足所述第一目标场景特征的约束条件。
第四时间区间筛选子单元,可以用于将剩余的特征数据所对应的时间区间作为第一当前时间切片所对应的第一备选时间区间;若所述剩余的特征数据所对应的时间区间为空时,将第一当前时间切片所对应的第一备选时间区间置为空。
另一些实施例中,所述第一时间区间筛选单元可以包括:
时间区间输出子单元,可以用于采用下述方式,按照时间从晚到早的顺序,逐个输出各时间切片所对应的第三备选时间区间:如果相应的时间切片所对应的第三备选时间区间不为空,且起始时刻早于已输出的任意一个时间切片所对应的第三备选时间区间的起始时刻,将相应的时间切片所对应的第三备选时间区间输出。
相应的,所述第三时间区间筛选单元还可以用于在所述初始的子场景中各求和场景特征在输出的所述第三备选时间区间下的特征数据满足所述各求和场景特征的约束条件时,将输出的所述第三备选时间区间作为所述初始的子场景的驾驶数据时间区间。
另一些实施例中,所述筛选模块还可以包括:
第五时间区间筛选单元,可以用于在确定目标驾驶场景包括两个以上的子场景的情况下,基于所述至少一个子场景所对应的时间先后顺序,将排序在初始的子场景后的一个子场景,作为当前子场景;以初始的子场景的驾驶数据时间区间的结束时刻,作为所述当前子场景进行驾驶数据时间区间提取的起始时刻,基于驾驶数据特征集提取满足所述当前子场景所对应的至少一个场景特征以及场景特征所对应的约束条件的驾驶数据时间区间。
拼接单元,可以用于在提取的当前子场景的驾驶数据时间区间不为空的情况下,将初始的子场景与所述当前子场景的驶数据时间区间进行拼接。
重复处理单元,可以用于在确定当前子场景之后还存在子场景的情况下,将下一个子场景作为当前子场景,并将拼接得到的驶数据时间区间的结束时刻作为驾驶数据时间区间提取的起始时刻,重复进行驾驶数据时间区间的提取以及拼接的处理。
输出单元,可以用于直至不存在子场景,则输出最后一次拼接后的驾驶数据时间区间,作为目标驾驶场景的场景时间区间。
另一些实施例中,所述第五时间区间筛选单元可以包括:
第二特征数据获取子单元,可以用于将相应子场景作为当前子场景;获取当前子场景中各场景特征所对应的特征数据;所述特征数据为对驾驶数据切片进行特征提取得到的数据;所述驾驶数据切片为各时间切片所对应的驾驶数据;所述时间切片根据对所述指定驾驶数据集所对应的时间区间进行分割得到。
第五时间区间筛选子单元,可以用于将所述当前子场景中的任一非求和场景特征作为第二目标场景特征;所述非求和场景特征是指基于单个时间切片内的驾驶数据进行特征提取的场景特征;对于第二目标场景特征,以当前子场景之前的各子场景拼接得到的驾驶数据时间区间的最后一个时间切片作为第二当前时间切片;以第二当前时间切片的下一个时间切片作为所述当前子场景进行驾驶数据时间区间提取的时间起始位置,基于时间从晚到早的顺序,筛选所述第二目标场景特征对应的特征数据满足所述第二目标场景特征所对应的约束条件的最长时间区间,作为第二当前时间切片所对应的第四备选时间区间。
第六时间区间筛选子单元,可以用于求取所述当前子场景中各第二目标场景特征中相应时间初始位置所对应的第三备选时间区间的交集,作为所述当前子场景所对应的第五备选时间区间。
第八时间区间筛选子单元,可以用于在所述第五备选时间区间满足所述各第二目标场景特征所对应的约束条件时,将第五备选时间区间直接作为第六备选时间区间;若所述第五备选时间区间不满足当前子场景的各第二目标场景特征所对应的约束条件,则基于从晚到早的顺序,逐步剔除时间切片,直至剔除时间切片后的第五备选时间区间满足所对应的约束条件,则将该剔除时间切片后的第五备选时间区间作为第六备选时间区间。
第九时间区间筛选子单元,可以用于在所述当前子场景中各求和场景特征在所述第六备选时间区间下的特征数据满足所述各求和场景特征的约束条件时,将所述第六备选时间区间作为所述当前子场景的驾驶数据时间区间。
另一些实施例中,所述装置还可以包括:
时间区间处理模块,可以用于对于所述目标驾驶场景中存在重叠的场景时间区间基于预设规则对所述存在重叠的场景时间区间进行处理;其中,所述预设规则包括从所述存在重叠的场景时间区间中筛选出最长的场景时间区间作为处理后的场景时间区间,或者所述预设规则包括在所述存在重叠的场景时间区间的重叠段占比大于预设阈值的情况下,将所述存在重叠的场景时间区间的合并,得到处理后的场景时间区间。
相应的,所述输出模块还可以用于根据所述目标驾驶场景中不存在重叠的单个场景时间区间以及所述处理后的场景时间区间从所述指定驾驶数据集中输出所述目标驾驶场景所对应的驾驶数据。
需要说明的,上述所述的装置根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述,在此不作一一赘述。
本说明书还提供一种驾驶数据搜索设备,所述设备可以应用于单独的驾驶数据搜索系统中,也可以应用在多种计算机数据处理系统中。所述的系统可以为单独的服务器,也可以包括使用了本说明书的一个或多个所述方法或一个或多个实施例装置的服务器集群、系统(包括分布式系统)、软件(应用)、实际操作装置、逻辑门电路装置、量子计算机等并结合必要的实施硬件的终端装置。一些实施例中,所述设备可以包括至少一个处理器及用于存储处理器可执行指令的存储器,所述指令被所述处理器执行时实现包括上述任意一个或者多个实施例所述方法的步骤。
所述存储器可以包括用于存储信息的物理装置,通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括:利用电能方式存储信息的装置如,各式存储器,如RAM、ROM等;利用磁能方式存储信息的装置如,硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘;利用光学方式存储信息的装置如,CD或DVD。当然,还有其他方式的可读存储介质,例如量子存储器、石墨烯存储器等等。
需要说明的,上述所述的设备根据方法或者装置实施例的描述还可以包括其他的实施方式,具体的实现方式可以参照相关方法实施例的描述,在此不作一一赘述。
本说明书实施例并不局限于必须是符合标准数据模型/模板或本说明书实施例所描述的情况。某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、存储、判断、处理方式等获取的实施例,仍然可以属于本说明书的可选实施方案范围之内。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述并不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (23)
1.一种驾驶数据搜索方法,其特征在于,所述方法包括:
接收驾驶数据搜索请求;其中,所述驾驶数据搜索请求包括待搜索的目标驾驶场景;其中,所述目标驾驶场景包括场景约束,所述场景约束包括场景特征以及场景特征的约束条件,所述约束条件至少包括在指定的驾驶数据中相应场景特征的数据占比;
从驾驶数据特征集提取满足所述目标驾驶场景的场景约束的驾驶数据时间区间,作为所述目标驾驶场景的场景时间区间;其中,所述驾驶数据特征集包括基于所述场景特征对指定驾驶数据集进行特征提取得到的特征数据;
根据所述场景时间区间从所述指定驾驶数据集中输出所述目标驾驶场景所对应的驾驶数据;
对于初始的子场景,采用下述方式提取满足所述初始的子场景所对应的至少一个场景特征以及场景特征所对应的约束条件的驾驶数据时间区间:
获取所述初始的子场景中各场景特征所对应的特征数据;所述特征数据为对驾驶数据切片进行特征提取得到的数据;所述驾驶数据切片为各时间切片所对应的驾驶数据;所述时间切片根据对所述指定驾驶数据集所对应的时间区间进行分割得到;
将所述初始的子场景中的任一非求和场景特征作为第一目标场景特征;所述非求和场景特征是指基于单个时间切片内的驾驶数据进行特征提取的场景特征;
对于第一目标场景特征,基于时间先后顺序依次将各时间切片作为第一当前时间切片;以所述第一当前时间切片作为时间结束位置,基于时间从早到晚的顺序,筛选所述第一目标场景特征对应的特征数据满足所述第一目标场景特征所对应的约束条件的最长时间区间,作为所述第一当前时间切片所对应的第一备选时间区间;
求取各第一目标场景特征中所述第一当前时间切片所对应的第一备选时间区间的交集,作为所述初始的子场景所对应的第二备选时间区间;
在所述第二备选时间区间满足所述各第一目标场景特征所对应的约束条件时,将第二备选时间区间直接作为第三备选时间区间;
若所述第二备选时间区间不满足各第一目标场景特征所对应的约束条件,则基于从早到晚的顺序,逐步剔除时间切片,直至剔除时间切片后的第二备选时间区间满足所对应的约束条件,则将该剔除时间切片后的第二备选时间区间作为第三备选时间区间;
在所述初始的子场景中各求和场景特征在所述第三备选时间区间下的特征数据满足所述各求和场景特征的约束条件时,将所述第三备选时间区间作为所述初始的子场景的驾驶数据时间区间;其中,所述求和场景特征是指以第三备选时间区间的驾驶数据整体为基础进行特征提取的场景特征。
2.根据权利要求1所述的方法,其特征在于,所述数据占比至少包括最小百分比、最大百分比中的一个。
3.根据权利要求1所述的方法,其特征在于,所述目标驾驶场景包括受时间先后顺序约束的至少一个子场景;所述子场景包括不受时间先后顺序约束的至少一个场景特征以及相应场景特征所对应的约束条件。
4.根据权利要求1所述的方法,其特征在于,所述第一备选时间区间采用下述方式确定:
若所述第一目标场景特征对应于第一当前时间切片的特征数据满足所述第一目标场景特征的约束条件,将第一当前时间切片的前一个时间切片作为紧邻时间切片;
获取紧邻时间切片所对应的第一备选时间区间;将第一当前时间切片与紧邻时间切片所对应的第一备选时间区间进行合并,获得合并时间区间;
在紧邻时间切片所对应的第一备选时间区间为空时,判断所述第一目标场景特征对应于合并时间区间的特征数据是否满足所述第一目标场景特征的约束条件;
在紧邻时间切片所对应的第一备选时间区间不为空时、或者所述第一目标场景特征对应于所述合并时间区间的特征数据满足所述第一目标场景特征的约束条件时,基于时间先后顺序,将紧邻时间切片更新为所述合并时间区间的前一个时间切片;
重复上述合并、判断及更新的处理,直至所述指定驾驶数据集所对应的时间区间的初始时刻,则将最后一次合并后的合并时间区间作为第一当前时间切片所对应的第一备选时间区间;或者,直至所述第一目标场景特征对应于所述合并时间区间的特征数据不满足所述第一目标场景特征的约束条件,则将最后一次合并前的合并时间区间作为第一当前时间切片所对应的第一备选时间区间。
5.根据权利要求1所述的方法,其特征在于,所述第一备选时间区间采用下述方式确定:
若所述第一目标场景特征对应于第一当前时间切片的特征数据不满足所述第一目标场景特征的约束条件,将第一当前时间切片的前一个时间切片作为紧邻时间切片;
获取紧邻时间切片所对应的第一备选时间区间,在紧邻时间切片所对应的第一备选时间区间为空时,将第一当前时间切片所对应的第一备选时间区间置为空。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
在紧邻时间切片所对应的第一备选时间区间不为空时,将第一当前时间切片的时间区间与紧邻时间切片所对应的第一备选时间区间进行合并,作为第一当前时间切片所对应的初始备选时间区间;
若所述第一目标场景特征对应于所述初始备选时间区间的特征数据满足所述第一目标场景特征的约束条件,将所述初始备选时间区间作为当前时间切片所对应的第一备选时间区间。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
若所述第一目标场景特征对应于所述初始备选时间区间的特征数据不满足所述第一目标场景特征的约束条件,基于时间先后顺序逐个剔除排序靠前的特征数据,直至剩余的特征数据满足所述第一目标场景特征的约束条件;
将剩余的特征数据所对应的时间区间作为第一当前时间切片所对应的第一备选时间区间;
若所述剩余的特征数据所对应的时间区间为空时,将第一当前时间切片所对应的第一备选时间区间置为空。
8.根据权利要求1所述的方法,其特征在于,在得到第三备选时间区间后,所述方法还包括:
采用下述方式,按照时间从晚到早的顺序,逐个输出各时间切片所对应的第三备选时间区间:如果相应的时间切片所对应的第三备选时间区间不为空,且起始时刻早于已输出的任意一个时间切片所对应的第三备选时间区间的起始时刻,将相应的时间切片所对应的第三备选时间区间输出;
相应的,在所述初始的子场景中各求和场景特征在输出的所述第三备选时间区间下的特征数据满足所述各求和场景特征的约束条件时,将输出的所述第三备选时间区间作为所述初始的子场景的驾驶数据时间区间。
9.根据权利要求3所述的方法,其特征在于,在确定目标驾驶场景包括两个以上的子场景的情况下,基于所述两个以上的子场景所对应的时间先后顺序,将排序在初始的子场景后的一个子场景,作为当前子场景;
以初始的子场景的驾驶数据时间区间的结束时刻,作为所述当前子场景进行驾驶数据时间区间提取的起始时刻,基于驾驶数据特征集提取满足所述当前子场景所对应的至少一个场景特征以及场景特征所对应的约束条件的驾驶数据时间区间;
在提取的当前子场景的驾驶数据时间区间不为空的情况下,将初始的子场景与所述当前子场景的驶数据时间区间进行拼接;
在确定当前子场景之后还存在子场景的情况下,将下一个子场景作为当前子场景,并将拼接得到的驶数据时间区间的结束时刻作为驾驶数据时间区间提取的起始时刻,重复进行驾驶数据时间区间的提取以及拼接的处理;
直至不存在子场景,则输出最后一次拼接后的驾驶数据时间区间,作为目标驾驶场景的场景时间区间。
10.根据权利要求9所述的方法,其特征在于,对于初始的子场景之外的其他子场景,采用下述方式提取相应子场景所对应的场景约束的驾驶数据时间区间:
将相应子场景作为当前子场景;获取当前子场景中各场景特征所对应的特征数据;所述特征数据为对驾驶数据切片进行特征提取得到的数据;所述驾驶数据切片为各时间切片所对应的驾驶数据;所述时间切片根据对所述指定驾驶数据集所对应的时间区间进行分割得到;
将所述当前子场景中的任一非求和场景特征作为第二目标场景特征;所述非求和场景特征是指基于单个时间切片内的驾驶数据进行特征提取的场景特征;
对于第二目标场景特征,以当前子场景之前的各子场景拼接得到的驾驶数据时间区间的最后一个时间切片作为第二当前时间切片;以第二当前时间切片的下一个时间切片作为所述当前子场景进行驾驶数据时间区间提取的时间起始位置,基于时间从晚到早的顺序,筛选所述第二目标场景特征对应的特征数据满足所述第二目标场景特征所对应的约束条件的最长时间区间,作为第二当前时间切片所对应的第四备选时间区间;
求取所述当前子场景中各第二目标场景特征中相应时间初始位置所对应的第三备选时间区间的交集,作为所述当前子场景所对应的第五备选时间区间;
在所述第五备选时间区间满足所述各第二目标场景特征所对应的约束条件时,将第五备选时间区间直接作为第六备选时间区间;
若所述第五备选时间区间不满足当前子场景的各第二目标场景特征所对应的约束条件,则基于从晚到早的顺序,逐步剔除时间切片,直至剔除时间切片后的第五备选时间区间满足所对应的约束条件,则将该剔除时间切片后的第五备选时间区间作为第六备选时间区间;
在所述当前子场景中各求和场景特征在所述第六备选时间区间下的特征数据满足所述各求和场景特征的约束条件时,将所述第六备选时间区间作为所述当前子场景的驾驶数据时间区间。
11.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对于所述目标驾驶场景中存在重叠的场景时间区间基于预设规则对所述存在重叠的场景时间区间进行处理;其中,所述预设规则包括从所述存在重叠的场景时间区间中筛选出最长的场景时间区间作为处理后的场景时间区间,或者所述预设规则包括在所述存在重叠的场景时间区间的重叠段占比大于预设阈值的情况下,将所述存在重叠的场景时间区间的合并,得到处理后的场景时间区间;
相应的,根据所述目标驾驶场景中不存在重叠的单个场景时间区间以及所述处理后的场景时间区间从所述指定驾驶数据集中输出所述目标驾驶场景所对应的驾驶数据。
12.一种驾驶数据搜索装置,其特征在于,所述装置包括:
请求接收模块,用于接收驾驶数据搜索请求;其中,所述驾驶数据搜索请求包括待搜索的目标驾驶场景;其中,所述目标驾驶场景包括场景约束,所述场景约束包括场景特征以及场景特征的约束条件,所述约束条件至少包括在指定的驾驶数据中相应场景特征的数据占比;
筛选模块,用于从驾驶数据特征集提取满足所述目标驾驶场景的场景约束的驾驶数据时间区间,作为所述目标驾驶场景的场景时间区间;其中,所述驾驶数据特征集包括基于所述场景特征对指定驾驶数据集进行特征提取得到的特征数据;
输出模块,用于根据所述场景时间区间从所述指定驾驶数据集中输出所述目标驾驶场景所对应的驾驶数据;
所述筛选模块包括:
特征数据获取单元,用于获取初始的子场景中各场景特征所对应的特征数据;所述特征数据为对驾驶数据切片进行特征提取得到的数据;所述驾驶数据切片为各时间切片所对应的驾驶数据;所述时间切片根据对所述指定驾驶数据集所对应的时间区间进行分割得到;
第一时间区间筛选单元,用于将所述初始的子场景中的任一非求和场景特征作为第一目标场景特征;所述非求和场景特征是指基于单个时间切片内的驾驶数据进行特征提取的场景特征;对于第一目标场景特征,基于时间先后顺序依次将各时间切片作为第一当前时间切片;以所述第一当前时间切片作为时间结束位置,基于时间从早到晚的顺序,筛选所述第一目标场景特征对应的特征数据满足所述第一目标场景特征所对应的约束条件的最长时间区间,作为所述第一当前时间切片所对应的第一备选时间区间;
第二时间区间筛选单元,用于求取各第一目标场景特征中所述第一当前时间切片所对应的第一备选时间区间的交集,作为所述初始的子场景所对应的第二备选时间区间;
第三时间区间筛选单元,用于在所述第二备选时间区间满足所述各第一目标场景特征所对应的约束条件时,将第二备选时间区间直接作为第三备选时间区间;若所述第二备选时间区间不满足各第一目标场景特征所对应的约束条件,则基于从早到晚的顺序,逐步剔除时间切片,直至剔除时间切片后的第二备选时间区间满足所对应的约束条件,则将该剔除时间切片后的第二备选时间区间作为第三备选时间区间;
第四时间区间筛选单元,用于在所述初始的子场景中各求和场景特征在所述第三备选时间区间下的特征数据满足所述各求和场景特征的约束条件时,将所述第三备选时间区间作为所述初始的子场景的驾驶数据时间区间;其中,所述求和场景特征是指以第三备选时间区间的驾驶数据整体为基础进行特征提取的场景特征。
13.根据权利要求12所述的装置,其特征在于,所述数据占比至少包括最小百分比、最大百分比中的一个。
14.根据权利要求13所述的装置,其特征在于,所述目标驾驶场景包括受时间先后顺序约束的至少一个子场景;所述子场景包括不受时间先后顺序约束的至少一个场景特征以及相应场景特征所对应的约束条件。
15.根据权利要求12所述的装置,其特征在于,所述第一时间区间筛选单元包括:
合并子单元,用于若所述第一目标场景特征对应于第一当前时间切片的特征数据满足所述第一目标场景特征的约束条件,将第一当前时间切片的前一个时间切片作为紧邻时间切片;获取紧邻时间切片所对应的第一备选时间区间;将第一当前时间切片与紧邻时间切片所对应的第一备选时间区间进行合并,获得合并时间区间;
判断子单元,用于在紧邻时间切片所对应的第一备选时间区间为空时,判断所述第一目标场景特征对应于合并时间区间的特征数据是否满足所述第一目标场景特征的约束条件;
更新子单元,用于在紧邻时间切片所对应的第一备选时间区间不为空时、或者所述第一目标场景特征对应于所述合并时间区间的特征数据满足所述第一目标场景特征的约束条件时,基于时间先后顺序,将紧邻时间切片更新为所述合并时间区间的前一个时间切片;
第一时间区间筛选子单元,用于重复上述合并、判断及更新的处理,直至所述指定驾驶数据集所对应的时间区间的初始时刻,则将最后一次合并后的合并时间区间作为第一当前时间切片所对应的第一备选时间区间;或者,直至所述第一目标场景特征对应于所述合并时间区间的特征数据不满足所述第一目标场景特征的约束条件,则将最后一次合并前的合并时间区间作为第一当前时间切片所对应的第一备选时间区间。
16.根据权利要求12所述的装置,其特征在于,所述第一时间区间筛选单元包括:
第二时间区间筛选子单元,用于若所述第一目标场景特征对应于第一当前时间切片的特征数据不满足所述第一目标场景特征的约束条件,将第一当前时间切片的前一个时间切片作为紧邻时间切片;获取紧邻时间切片所对应的第一备选时间区间,在紧邻时间切片所对应的第一备选时间区间为空时,将第一当前时间切片所对应的第一备选时间区间置为空。
17.根据权利要求16所述的装置,其特征在于,所述第一时间区间筛选单元包括:
第三时间区间筛选子单元,用于在紧邻时间切片所对应的第一备选时间区间不为空时,将第一当前时间切片的时间区间与紧邻时间切片所对应的第一备选时间区间进行合并,作为第一当前时间切片所对应的初始备选时间区间;若所述第一目标场景特征对应于所述初始备选时间区间的特征数据满足所述第一目标场景特征的约束条件,将所述初始备选时间区间作为当前时间切片所对应的第一备选时间区间。
18.根据权利要求17所述的装置,其特征在于,所述第一时间区间筛选单元包括:
剔除子单元,用于若所述第一目标场景特征对应于所述初始备选时间区间的特征数据不满足所述第一目标场景特征的约束条件,基于时间先后顺序逐个剔除排序靠前的特征数据,直至剩余的特征数据满足所述第一目标场景特征的约束条件;
第四时间区间筛选子单元,用于将剩余的特征数据所对应的时间区间作为第一当前时间切片所对应的第一备选时间区间;若所述剩余的特征数据所对应的时间区间为空时,将第一当前时间切片所对应的第一备选时间区间置为空。
19.根据权利要求12所述的装置,其特征在于,所述第一时间区间筛选单元包括:
时间区间输出子单元,用于采用下述方式,按照时间从晚到早的顺序,逐个输出各时间切片所对应的第三备选时间区间:如果相应的时间切片所对应的第三备选时间区间不为空,且起始时刻早于已输出的任意一个时间切片所对应的第三备选时间区间的起始时刻,将相应的时间切片所对应的第三备选时间区间输出;
相应的,所述第三时间区间筛选单元还用于在所述初始的子场景中各求和场景特征在输出的所述第三备选时间区间下的特征数据满足所述各求和场景特征的约束条件时,将输出的所述第三备选时间区间作为所述初始的子场景的驾驶数据时间区间。
20.根据权利要求14所述的装置,其特征在于,所述筛选模块还包括:
第五时间区间筛选单元,用于在确定目标驾驶场景包括两个以上的子场景的情况下,基于所述至少一个子场景所对应的时间先后顺序,将排序在初始的子场景后的一个子场景,作为当前子场景;以初始的子场景的驾驶数据时间区间的结束时刻,作为所述当前子场景进行驾驶数据时间区间提取的起始时刻,基于驾驶数据特征集提取满足所述当前子场景所对应的至少一个场景特征以及场景特征所对应的约束条件的驾驶数据时间区间;
拼接单元,用于在提取的当前子场景的驾驶数据时间区间不为空的情况下,将初始的子场景与所述当前子场景的驶数据时间区间进行拼接;
重复处理单元,用于在确定当前子场景之后还存在子场景的情况下,将下一个子场景作为当前子场景,并将拼接得到的驶数据时间区间的结束时刻作为驾驶数据时间区间提取的起始时刻,重复进行驾驶数据时间区间的提取以及拼接的处理;
输出单元,用于直至不存在子场景,则输出最后一次拼接后的驾驶数据时间区间,作为目标驾驶场景的场景时间区间。
21.根据权利要求20所述的装置,其特征在于,所述第五时间区间筛选单元包括:
特征数据获取子单元,用于将相应子场景作为当前子场景;获取当前子场景中各场景特征所对应的特征数据;所述特征数据为对驾驶数据切片进行特征提取得到的数据;所述驾驶数据切片为各时间切片所对应的驾驶数据;所述时间切片根据对所述指定驾驶数据集所对应的时间区间进行分割得到;
第五时间区间筛选子单元,用于将所述当前子场景中的任一非求和场景特征作为第二目标场景特征;所述非求和场景特征是指基于单个时间切片内的驾驶数据进行特征提取的场景特征;对于第二目标场景特征,以当前子场景之前的各子场景拼接得到的驾驶数据时间区间的最后一个时间切片作为第二当前时间切片;以第二当前时间切片的下一个时间切片作为所述当前子场景进行驾驶数据时间区间提取的时间起始位置,基于时间从晚到早的顺序,筛选所述第二目标场景特征对应的特征数据满足所述第二目标场景特征所对应的约束条件的最长时间区间,作为第二当前时间切片所对应的第四备选时间区间;
第六时间区间筛选子单元,用于求取所述当前子场景中各第二目标场景特征中相应时间初始位置所对应的第三备选时间区间的交集,作为所述当前子场景所对应的第五备选时间区间;
第八时间区间筛选子单元,用于在所述第五备选时间区间满足所述各第二目标场景特征所对应的约束条件时,将第五备选时间区间直接作为第六备选时间区间;若所述第五备选时间区间不满足当前子场景的各第二目标场景特征所对应的约束条件,则基于从晚到早的顺序,逐步剔除时间切片,直至剔除时间切片后的第五备选时间区间满足所对应的约束条件,则将该剔除时间切片后的第五备选时间区间作为第六备选时间区间;
第九时间区间筛选子单元,用于在所述当前子场景中各求和场景特征在所述第六备选时间区间下的特征数据满足所述各求和场景特征的约束条件时,将所述第六备选时间区间作为所述当前子场景的驾驶数据时间区间。
22.根据权利要求12所述的装置,其特征在于,所述装置还包括:
时间区间处理模块,用于对于所述目标驾驶场景中存在重叠的场景时间区间基于预设规则对所述存在重叠的场景时间区间进行处理;其中,所述预设规则包括从所述存在重叠的场景时间区间中筛选出最长的场景时间区间作为处理后的场景时间区间,或者所述预设规则包括在所述存在重叠的场景时间区间的重叠段占比大于预设阈值的情况下,将所述存在重叠的场景时间区间的合并,得到处理后的场景时间区间;
相应的,所述输出模块还用于根据所述目标驾驶场景中不存在重叠的单个场景时间区间以及所述处理后的场景时间区间从所述指定驾驶数据集中输出所述目标驾驶场景所对应的驾驶数据。
23.一种驾驶数据搜索设备,其特征在于,所述设备包括至少一个处理器及用于存储处理器可执行指令的存储器,所述指令被所述处理器执行时实现包括所述权利要求1-11任一项所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011328676.5A CN112329152B (zh) | 2020-11-24 | 2020-11-24 | 一种驾驶数据搜索方法、装置及设备 |
PCT/CN2021/118062 WO2022110978A1 (en) | 2020-11-24 | 2021-09-13 | Method and apparatus for driving data search |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011328676.5A CN112329152B (zh) | 2020-11-24 | 2020-11-24 | 一种驾驶数据搜索方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112329152A CN112329152A (zh) | 2021-02-05 |
CN112329152B true CN112329152B (zh) | 2023-04-07 |
Family
ID=74322265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011328676.5A Active CN112329152B (zh) | 2020-11-24 | 2020-11-24 | 一种驾驶数据搜索方法、装置及设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112329152B (zh) |
WO (1) | WO2022110978A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329152B (zh) * | 2020-11-24 | 2023-04-07 | 苏州智加科技有限公司 | 一种驾驶数据搜索方法、装置及设备 |
CN113742296B (zh) * | 2021-09-09 | 2024-04-30 | 诺优信息技术(上海)有限公司 | 一种路测数据切片处理的方法、装置及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110704745A (zh) * | 2019-09-30 | 2020-01-17 | 大众问问(北京)信息科技有限公司 | 一种车载终端的信息搜索方法和装置 |
CN111599183A (zh) * | 2020-07-22 | 2020-08-28 | 中汽院汽车技术有限公司 | 一种自动驾驶场景分类识别系统及方法 |
CN111680362A (zh) * | 2020-05-29 | 2020-09-18 | 北京百度网讯科技有限公司 | 一种自动驾驶仿真场景获取方法、装置、设备及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4934455B2 (ja) * | 2007-02-16 | 2012-05-16 | 株式会社デンソーアイティーラボラトリ | ドライブ情報の知識化システム、方法、プログラム |
CN110727706A (zh) * | 2019-09-02 | 2020-01-24 | 清华大学苏州汽车研究院(相城) | 一种面向智能网联汽车测试的风险驾驶场景快速提取与分级方法 |
CN111143197B (zh) * | 2019-12-05 | 2022-09-20 | 苏州智加科技有限公司 | 自动驾驶的测试用例生成方法、装置、设备及存储介质 |
CN111178454A (zh) * | 2020-01-03 | 2020-05-19 | 北京汽车集团有限公司 | 自动驾驶数据的标注方法、云端控制平台及存储介质 |
CN111611711B (zh) * | 2020-05-21 | 2023-06-20 | 北京百度网讯科技有限公司 | 自动驾驶数据处理方法、装置及电子设备 |
CN112329152B (zh) * | 2020-11-24 | 2023-04-07 | 苏州智加科技有限公司 | 一种驾驶数据搜索方法、装置及设备 |
-
2020
- 2020-11-24 CN CN202011328676.5A patent/CN112329152B/zh active Active
-
2021
- 2021-09-13 WO PCT/CN2021/118062 patent/WO2022110978A1/en active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110704745A (zh) * | 2019-09-30 | 2020-01-17 | 大众问问(北京)信息科技有限公司 | 一种车载终端的信息搜索方法和装置 |
CN111680362A (zh) * | 2020-05-29 | 2020-09-18 | 北京百度网讯科技有限公司 | 一种自动驾驶仿真场景获取方法、装置、设备及存储介质 |
CN111599183A (zh) * | 2020-07-22 | 2020-08-28 | 中汽院汽车技术有限公司 | 一种自动驾驶场景分类识别系统及方法 |
Non-Patent Citations (1)
Title |
---|
基于危险场景聚类分析的前车随机运动状态预测研究;郭景华等;《汽车工程》;20200725(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
WO2022110978A1 (en) | 2022-06-02 |
CN112329152A (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112329152B (zh) | 一种驾驶数据搜索方法、装置及设备 | |
CN110795818A (zh) | 一种确定虚拟测试场景方法、装置、电子设备和存储介质 | |
CN112396093B (zh) | 驾驶场景分类方法、装置、设备及可读存储介质 | |
CN113343461A (zh) | 自动驾驶车辆的仿真方法、装置、电子设备及存储介质 | |
WO2021185121A1 (zh) | 模型生成方法、目标检测方法、装置、设备及存储介质 | |
CN111723458B (zh) | 面向自动驾驶决策规划系统仿真测试场景自动化生成方法 | |
CN110458214B (zh) | 驾驶员更换识别方法和装置 | |
EP3726436A1 (de) | Verfahren zum ermitteln von fahrverläufen | |
CN112287801A (zh) | 车载数据处理方法、装置、服务器和可读存储介质 | |
CN112466118A (zh) | 车辆驾驶行为识别方法、系统、电子设备及存储介质 | |
CN113989768A (zh) | 一种自动驾驶测试场景分析方法及系统 | |
CN116109139A (zh) | 风控策略生成方法、决策方法、服务器及存储介质 | |
CN115017050A (zh) | 自动驾驶的测试场景生成系统及方法 | |
EP3907655A1 (en) | Method for explainable active learning, to be used for object detector, by using deep encoder and active learning device using the same | |
CN116204791B (zh) | 车辆行为预测场景数据集的构建和管理方法及其系统 | |
CN114005297A (zh) | 一种基于车联网的车队协调行驶方法 | |
CN111027859B (zh) | 基于机动车状态监控数据挖掘的驾驶风险防范方法及系统 | |
CN103380457A (zh) | 声音处理装置、方法、程序及集成电路 | |
CN115543809A (zh) | 自动驾驶功能的测试场景库构建方法及装置 | |
CN108460057B (zh) | 一种基于无监督学习的用户行程挖掘方法和装置 | |
CN114841283A (zh) | 新能源车辆的行驶工况确定方法、装置、设备及介质 | |
CN115114786A (zh) | 一种用于交通流仿真模型的评估方法、系统和存储介质 | |
CN114707567A (zh) | 轨迹分类方法、轨迹分类模型训练方法及计算机程序产品 | |
CN113505188A (zh) | 一种基于大数据的城市地图测绘更新系统及方法 | |
CN112729319A (zh) | 一种自动化数据采集分析系统及方法 |
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 |