CN112419722A - 交通异常事件检测方法、交通管控方法、设备和介质 - Google Patents
交通异常事件检测方法、交通管控方法、设备和介质 Download PDFInfo
- Publication number
- CN112419722A CN112419722A CN202011298371.4A CN202011298371A CN112419722A CN 112419722 A CN112419722 A CN 112419722A CN 202011298371 A CN202011298371 A CN 202011298371A CN 112419722 A CN112419722 A CN 112419722A
- Authority
- CN
- China
- Prior art keywords
- traffic
- target
- driving
- elements
- traffic element
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 74
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 claims description 26
- 230000015654 memory Effects 0.000 claims description 19
- 238000011217 control strategy Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000007726 management method Methods 0.000 claims 2
- 230000002547 anomalous effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 14
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G06Q50/40—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30236—Traffic on road, railway or crossing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/015—Detecting movement of traffic to be counted or controlled with provision for distinguishing between two or more types of vehicles, e.g. between motor-cars and cycles
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/056—Detecting movement of traffic to be counted or controlled with provision for distinguishing direction of travel
Abstract
本公开提供一种交通异常事件检测方法、交通管控方法、设备和介质,涉及人工智能技术领域,具体为深度学习、智能交通和计算机视觉技术。该检测方法包括:获取在目标时刻目标交通场景中的至少一部分交通要素的目标行驶参数;基于相对应的目标行驶参数,确定所述至少一部分交通要素中每一交通要素的真实行驶特征;基于所述至少一部分交通要素中除目标交通要素以外的其它交通要素的真实行驶特征,预测所述目标交通要素的预测行驶特征;以及基于所述目标交通要素的真实行驶特征和所述目标交通要素的预测行驶特征,确定在所述目标时刻是否存在针对所述目标交通要素的异常事件。
Description
技术领域
本公开涉及人工智能技术领域,具体为深度学习、智能交通和计算机视觉技术,特别涉及交通异常事件检测方法、交通管控方法、设备和介质。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术,也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等领域;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。人工智能被越来越广泛地应用在各个领域,例如智能交通。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
根据本公开的一方面,提供一种交通异常事件检测方法,包括:获取在目标时刻目标交通场景中的至少一部分交通要素的目标行驶参数;基于相对应的目标行驶参数,确定所述至少一部分交通要素中每一交通要素的真实行驶特征;基于所述至少一部分交通要素中除目标交通要素以外的其它交通要素的真实行驶特征,预测所述目标交通要素的预测行驶特征;以及基于所述目标交通要素的真实行驶特征和所述目标交通要素的预测行驶特征,确定在所述目标时刻是否存在针对所述目标交通要素的异常事件。
根据本公开的另一方面,还提供一种交通管控方法,包括:利用上述的检测方法检测目标交通场景是否发生交通异常事件;以及响应于检测到所述目标交通场景发生交通异常事件,执行相应的交通控制策略。
根据本公开的另一方面,还提供一种自动驾驶方法,包括:利用上述的检测方法检测目标交通场景是否发生交通异常事件;以及响应于检测到所述目标交通场景发生交通异常事件,执行相应的路径规划策略。
根据本公开的另一方面,还提供一种交通异常事件检测装置,包括:获取单元,被配置用于获取在目标时刻目标交通场景中的至少一部分交通要素的目标行驶参数,所述目标行驶参数包括交通要素的类型、位置参数、行驶方向和行驶速度;第一确定单元,被配置用于基于相对应的目标行驶参数,确定所述至少一部分交通要素中每一交通要素的真实行驶特征;预测单元,被配置用于基于所述至少一部分交通要素中除目标交通要素以外的其它交通要素的真实行驶特征,预测所述目标交通要素的预测行驶特征;以及第二确定单元,被配置用于基于所述目标交通要素的真实行驶特征和所述目标交通要素的预测行驶特征,确定在所述目标时刻是否存在针对所述目标交通要素的异常事件。
根据本公开的另一方面,还提供一种交通管控系统,包括:上述交通异常事件检测装置,被配置用于检测目标交通场景是否发生交通异常事件;以及控制单元,被配置用于响应于检测到所述目标交通场景发生交通异常事件,执行相应的交通管控策略。
根据本公开的另一方面,还提供一种自动驾驶系统,包括:上述交通异常事件检测装置,被配置用于检测目标交通场景是否发生交通异常事件;以及控制单元,被配置用于响应于检测到所述目标交通场景发生交通异常事件,执行相应的路径规划策略。
根据本公开的另一方面,还提供一种电子设备,包括:处理器;以及存储程序的存储器,所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行上述的方法。
根据本公开的另一方面,还提供一种存储程序的计算机可读存储介质,所述程序包括指令,所述指令在由电子设备的处理器执行时,致使所述电子设备执行上述的方法。
本公开中通过交通场景中其它交通要素的真实行驶特征来预测目标交通要素的行驶特征,由于交通场景中交通要素之间的行驶状态相互影响,从而能够基于目标交通要素的预测行驶特征和真实行驶特征来确定目标交通要素是否存在异常事件。本公开仅基于交通场景中交通要素的真实行驶参数即能够确定是否存在异常事件,因此具有较强的泛化能力,并且成本低、准确性高。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1是示出根据示例性实施例的交通异常事件检测方法的流程图;
图2是示出根据示例性实施例的确定目标交通要素的真实行驶特征的流程图;
图3是示出根据示例性实施例的利用循环神经网络来确定在目标时刻交通要素的真实行驶特征的原理示意图;
图4是示出根据示例性实施例的图神经网络的构建原理示意图;
图5是示出根据示例性实施例的交通异常事件检测装置的示意性组成框图;
图6是示出能够应用于示例性实施例的示例性计算设备的结构框图。
具体实施方式
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个元件与另一元件区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
智能交通技术中,交通异常事件,例如,发生车辆碰撞、在行驶车道上车辆长期驻车,会造成严重的交通拥堵,阻碍交通通行,长时间未解决还会引发二次事故。因此,对异常事件进行检测是智能交通技术的重要组成部分,能够更加准确地进行事故抢救和道路疏通,同时还能够统计路口中的车流情况,为智能红绿灯系统的信号控制策略规划提供依据,改善交通通行效率。另外,对异常事件进行检测也是自动驾驶技术的重要组成部分,能够对自动驾驶系统进行路径规划提供重要的信息,用以辅助无人车进行路径规划,提升自动驾驶系统的安全性。
相关技术中,利用神经网络或者传统视觉处理方法,对视频信号进行特征提取得到视频中发生事件的语义表达,然后利用神经网络或者传统机器学习中的分类器,对语义表达进行分类,得到存在异常事件的视频和不存在异常事件的视频的分类结果。这种基于视频分类的方式需要大量的异常事件视频进行训练学习,这在实际中不具有操作性,因为异常事件发生相对来说是小概率事件,很难收集到大量的异常数据用来训练学习。同时,异常事件发生的背景具有多样性。因此,这种方式的泛化能力不强,一般在某一类交通场景下训练得到的模型,在其他类的交通场景中的使用效果会明显下降。
申请人发现交通场景中交通要素之间的行驶状态相互影响,例如,如果同一交通场景中其他交通要素为停止状态,目标交通要素也为停止状态,则目标交通要素可能遇到交通拥堵或交通灯指示停车。如果同一交通场景中其他交通要素为运动状态,目标交通要素为停止状态,则目标交通要素很有可能发生异常事件。
基于此,本公开提供一种交通异常事件检测方法,通过获取目标交通场景中交通要素的行驶参数,并基于行驶参数来确定交通要素的真实行驶特征。由于交通场景中交通要素之间的行驶状态相互影响,因此,基于交通场景中其它交通要素的真实行驶特征能够预测目标交通要素的行驶特征。从而能够基于目标交通要素的预测行驶特征和真实行驶特征来确定目标交通要素是否存在异常事件。本公开仅基于交通场景中交通要素的真实行驶参数即能够确定是否存在异常事件,因此具有较强的泛化能力,并且成本低、准确性高。
以下将结合附图对本公开的交通异常事件检测方法进行进一步描述。
图1是示出根据本公开示例性实施例的交通异常事件检测方法的流程图。如图1所示,该交通异常事件检测方法包括:步骤S101、获取在目标时刻目标交通场景中的至少一部分交通要素的目标行驶参数;步骤S102、基于相对应的目标行驶参数,确定所述至少一部分交通要素中每一交通要素的真实行驶特征;步骤S103、基于所述至少一部分交通要素中除目标交通要素以外的其它交通要素的真实行驶特征,预测所述目标交通要素的预测行驶特征;以及步骤S104、基于所述目标交通要素的真实行驶特征和所述目标交通要素的预测行驶特征,确定在所述目标时刻是否存在针对所述目标交通要素的异常事件。由此,通过获取在目标时刻目标交通场景中交通要素的行驶参数,并基于行驶参数确定交通要素的真实行驶特征,以及基于交通场景中其它交通要素的真实行驶特征能够预测目标交通要素的行驶特征。从而能够基于目标交通要素的预测行驶特征和真实行驶特征来确定在目标时刻是否存在针对目标交通要素的异常事件。只要目标交通场景中有一个交通要素存在异常事件,则确定该目标交通场景存在异常事件。本公开仅基于交通场景中交通要素的行驶参数即能够确定是否存在异常事件,因此具有较强的泛化能力,并且成本低、准确性高。
交通要素可以包括以下要素中的至少其中之一:车辆、非机动车和行人。
交通要素的行驶参数可以但不限于包括以下参数中的至少其中之一:交通要素的类型、位置参数、行驶方向和行驶速度。也可以包括其他会影响交通要素是否存在异常事件的参数,进一步提高检测结果的准确性,例如,也可以包括交通要素的大小参数。
根据一些实施例,在行驶参数包括交通要素的类型和大小参数的情况下,步骤S101中获取在目标时刻目标交通场景中的至少一部分交通要素的目标行驶参数可以包括:获取在目标时刻所述目标交通场景的目标图像;将所述目标图像输入第一卷积神经网络,获取所述第一卷积神经网络输出的分别包围每一所述交通要素的边界框及其类型;以及基于所述目标图像中包围每一所述交通要素的边界框,确定每一所述交通要素的大小参数。从而能够利用卷积神经网络快速确定目标交通场景中所包括的交通要素的类型及其大小参数。
根据一些实施例,在行驶参数包括交通要素的行驶方向和行驶速度的情况下,步骤S101还可以包括:从包括所述目标交通场景的视频中截取连续两帧图片,所述连续两帧图片的时间戳与所述目标时刻之间的差值均小于设定时长,所述连续两帧图片中均包括每一所述交通要素;以及基于所述连续两帧图片,确定每一所述交通要素的行驶速度和行驶方向。从而能够利用包括交通要素的连续两帧图片确定交通要素的行驶速度和行驶方向,计算简单,便于实现。
根据一些实施例,在行驶参数包括交通要素的位置的情况下,步骤S101还可以包括:获取拍摄所述视频的摄像机的标定参数;基于摄像机的标定参数计算每一所述交通要素的位置。从而能够基于计算机视觉同时确定交通要素的位置、行驶速度和行驶方向。
需要说明的是,交通要素的各行驶参数的获取方式并不局限于上述一种方式,在此不作限定。例如,也可以基于GPS定位数据来获取交通要素的位置、行驶速度和行驶方向。也可以在GPS定位数据中增加交通要素的类型,从而基于GPS定位数据能够同时获取交通要素的类型、位置、行驶速度和行驶方向。也可以预设某一类型交通要素的大小参数,从而在获取交通要素的类型之后即可确定交通要素的大小参数。
根据一些实施例,步骤S102中,可以对交通要素的真实行驶参数(例如,当前时刻的当前行驶参数)进行特征编码,例如,对于交通要素的类型可以编码为:车辆(100)、非机动车(010)和行人(001)。可以但不限于利用第二卷积神经网络对至少一部分交通要素中每一个交通要素的特征编码进行特征提取,以得到每一个交通要素的行驶特征其中,i表示目标交通场景中第i个交通要素(可以为车辆、非机动车或行人),t表示真实行驶参数所对应的目标时刻。在这种情况下,所述检测方法还可以包括:将所述目标行驶参数输入第二卷积神经网络,利用所述第二卷积神经网络提取所述目标行驶参数的特征向量,其中,所述至少一部分交通要素中每一交通要素的真实行驶特征为基于相对应的真实行驶参数的特征向量而确定。
根据另一些实施例,如图2所示,步骤S102、确定至少一部分交通要素中每一交通要素的真实行驶特征可以包括:步骤1021、确定在目标时刻之前的多个历史时刻;步骤1022、获取在所述多个历史时刻中每一历史时刻所述交通要素的历史行驶参数;步骤1023、基于所述多个历史时刻中每一历史时刻相对应的所述历史行驶参数,分别提取所述交通要素的多个历史行驶特征;以及步骤1024、基于所述交通要素的行驶特征和所述多个历史行驶特征,确定在所述目标时刻所述交通要素的真实行驶特征。从而能够获取交通要素在时间维度上的真实行驶特征,更准确地表达交通要素在目标时刻的行驶特征,提高针对目标交通要素是否存在异常事件的检测准确性。
例如,如果交通要素在目标时刻为停止状态,在目标时刻之前的多个历史时刻也为停止状态,则可以确定交通要素在目标时刻的真实行驶状态为长期驻车。如果交通要素在目标时刻为停止状态,而在目标时刻之前的多个历史时刻为运动状态,则可以确定交通要素在目标时刻的真实行驶状态为遇到交通拥堵或遇到红绿灯而停车。
步骤1024中可以但不限于基于所述交通要素的真实行驶特征和多个历史特征,利用循环神经网络(RNN)来确定在目标时刻交通要素的真实行驶特征。
在图3示意的示例中,可以获取交通要素在目标时刻t之前的三个历史时刻t0、t1、t2的历史行驶参数,对三个历史时刻t0、t1、t2的历史行驶参数和目标时刻t的真实行驶参数分别进行特征编码,并利用第二卷积神经网络进行提取,以得到三个历史时刻t0、t1、t2的历史行驶特征和目标时刻t的行驶特征。然后将三个历史时刻t0、t1、t2的历史行驶特征和目标时刻t的行驶特征输入循环神经网络(RNN),以得到目标时刻t的真实行驶特征其中,i表示目标交通场景中第i个交通要素(可以为车辆、非机动车或行人),t表示目标时刻。需要说明的是,也可以获取目标时刻之前的一个或两个历史时刻的历史行驶参数、或者三个历史时刻的历史行驶参数,以确定在目标时刻交通要素在时间维度上的真实行驶特征。
在确定至少一部分交通要素中每一交通要素的真实行驶特征之后,可以执行步骤S103、基于所述至少一部分交通要素中除目标交通要素以外的其它交通要素的真实行驶特征,预测所述目标交通要素的预测行驶特征。
根据一些实施例,基于所述至少一部分交通要素中除目标交通要素以外的其它交通要素的真实行驶特征,可以但不限于利用图神经网络(GNN)来预测所述目标交通要素的预测行驶特征。图神经网络(GNN)例如可以选择图卷积神经网络。
根据一些实施例,构建所述图神经网络可以包括:获取在任意时刻任意一个交通场景中的至少一部分交通要素样本的行驶参数;至少基于相对应的行驶参数,提取所述至少一部分交通要素样本的真实行驶特征;基于在所述任意时刻所述至少一部分交通要素样本的真实行驶特征,建立图神经网络;基于所述至少一部分交通要素样本中除目标交通要素样本以外的其它交通要素样本的真实行驶特征,利用所述图神经网络来预测所述目标交通要素样本的预测行驶特征;以及基于所述目标交通要素样本的真实行驶特征和所述目标交通要素样本的预测行驶特征,调整所述图神经网络的参数。可以进行迭代,直至迭代次数达到一定次数或预测行驶特征和真实行驶特征之间的差值小于阈值,训练完成图神经网络。
在图4示意的示例性实施例中,以目标交通场景包括5个交通要素为例,目标交通要素的序号设定为4,确定在目标时刻t五个交通要素的真实行驶特征(具体方法参见上面内容)。基于在目标时刻t五个交通要素的真实行驶特征构建图神经网络,以目标交通要素4的位置为坐标中心,可以建立全连接图神经网络,GNN的节点是所有交通要素,将相应的真实行驶特征作为节点的特征。对于目标交通要素节点,去除其真实行驶特征,然后在每一个时刻对GNN的所有节点进行信息传递达一定次数(一般5-6次即可)得到目标交通要素节点的预测行驶特征其中,i为4,t表示目标时刻。GNN的训练目标是最小化目标交通要素4的预测行驶特征和真实行驶特征的差别。
在确定目标交通要素4的预测行驶特征和真实行驶特征之后,可以比对预测行驶特征和真实行驶特征根据一些实施例,步骤S104中可以响应于确定所述目标交通要素的真实行驶特征和所述目标交通要素的预测行驶特征之间的差值绝对值大于阈值,确定在所述目标时刻存在针对所述目标交通要素的异常事件。可以响应于确定所述目标交通要素的真实行驶特征和所述目标交通要素的预测行驶特征之间的差值绝对值不大于阈值,确定在所述目标时刻不存在针对所述目标交通要素的异常事件。
可以响应于确定目标交通场景中的任一交通要素存在异常事件,确定该目标交通场景存在异常事件。
根据本公开的另一方面,还提供一种交通管控方法,可以包括:利用上述的检测方法检测目标交通场景是否发生交通异常事件;响应于检测到所述目标交通场景发生交通异常事件,执行相应的交通控制策略。
所述交通控制策略可以为交通信号灯控制策略,也可以为发出警报指示实施事故抢救和道路疏通。在行驶参数包括交通要素位置的情况下,可以指示异常时间发生的位置和时间(即目标时刻)。
根据本公开的另一方面,还提供一种自动驾驶方法,可以包括:利用上述的检测方法检测目标交通场景是否发生交通异常事件;响应于检测到所述目标交通场景发生交通异常事件,执行相应的路径规划策略。
根据本公开的另一方面,如图5所示,还提供一种交通异常事件检测装置500,可以包括:获取单元501,被配置用于获取在目标时刻目标交通场景中的至少一部分交通要素的目标行驶参数;第一确定单元502,被配置用于基于相对应的目标行驶参数,确定所述至少一部分交通要素中每一交通要素的真实行驶特征;预测单元503,被配置用于基于所述至少一部分交通要素中除目标交通要素以外的其它交通要素的真实行驶特征,预测所述目标交通要素的预测行驶特征;以及第二确定单元504,被配置用于基于所述目标交通要素的真实行驶特征和所述目标交通要素的预测行驶特征,确定在所述目标时刻是否存在针对所述目标交通要素的异常事件。
这里,检测装置500的上述各单元501~504的操作分别与前面描述的步骤S501~S504的操作类似,在此不再赘述。
根据本公开的另一方面,还提供一种交通管控系统,可以包括:上述交通异常事件检测装置,被配置用于检测目标交通场景是否发生交通异常事件;控制单元,被配置用于响应于检测到所述目标交通场景发生交通异常事件,执行相应的交通管控策略。
根据本公开的另一方面,还提供一种自动驾驶系统,可以包括:上述交通异常事件检测装置,被配置用于检测目标交通场景是否发生交通异常事件;控制单元,被配置用于响应于检测到所述目标交通场景发生交通异常事件,执行相应的路径规划策略。
根据本公开的另一方面,还提供一种电子设备,可以包括:处理器;以及存储程序的存储器,所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行上述的方法。
根据本公开的另一方面,还提供一种存储程序的计算机可读存储介质,所述程序包括指令,所述指令在由电子设备的处理器执行时,致使所述电子设备执行根据上述的方法。
如图6所示,是根据本公开实施例的交通异常事件检测方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示,该电子设备包括:一个或多个处理器601、存储器602,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的交通异常事件检测方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的交通异常事件检测方法。
存储器602作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的交通异常事件检测方法对应的程序指令/模块(例如,附图5所示的获取单元501、第一确定单元502、预测单元503和第二确定单元504)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的交通异常事件检测方法。
存储器602可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储执行交通异常事件检测方法的电子设备的使用所创建的数据等。此外,存储器602可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器602可选包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至执行交通异常事件检测方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
执行交通异常事件检测方法的电子设备还可以包括:输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接,图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息,以及产生与执行交通异常事件检测方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以为分布式系统的服务器,或者是结合了区块链的服务器。服务器也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (19)
1.一种交通异常事件检测方法,包括:
获取在目标时刻目标交通场景中的至少一部分交通要素的目标行驶参数;
基于相对应的目标行驶参数,确定所述至少一部分交通要素中每一交通要素的真实行驶特征;
基于所述至少一部分交通要素中除目标交通要素以外的其它交通要素的真实行驶特征,预测所述目标交通要素的预测行驶特征;以及
基于所述目标交通要素的真实行驶特征和所述目标交通要素的预测行驶特征,确定在所述目标时刻是否存在针对所述目标交通要素的异常事件。
2.如权利要求1所述的检测方法,其中,确定所述至少一部分交通要素中每一交通要素的真实行驶特征包括:
确定在所述目标时刻之前的多个历史时刻;
获取在所述多个历史时刻中每一历史时刻所述交通要素的历史行驶参数;
基于所述多个历史时刻中每一历史时刻相对应的所述历史行驶参数,分别提取所述交通要素的多个历史行驶特征;以及
基于所述交通要素的真实行驶特征和所述多个历史行驶特征,确定在所述目标时刻所述交通要素的真实行驶特征。
3.如权利要求2所述的检测方法,其中,基于所述交通要素的真实行驶特征和多个历史特征,利用循环神经网络来确定在所述目标时刻所述交通要素的真实行驶特征。
4.如权利要求1所述的检测方法,其中,基于所述至少一部分交通要素中除目标交通要素以外的其它交通要素的真实行驶特征,利用图神经网络来预测所述目标交通要素的预测行驶特征。
5.如权利要求4所述的检测方法,其中,构建所述图神经网络包括:
获取在任意时刻任意一个交通场景中的至少一部分交通要素样本的行驶参数;
至少基于相对应的行驶参数,提取所述至少一部分交通要素样本的真实行驶特征;
基于在所述任意时刻所述至少一部分交通要素样本的真实行驶特征,建立图神经网络;
基于所述至少一部分交通要素样本中除目标交通要素样本以外的其它交通要素样本的真实行驶特征,利用所述图神经网络来预测所述目标交通要素样本的预测行驶特征;以及
基于所述目标交通要素样本的真实行驶特征和所述目标交通要素样本的预测行驶特征,调整所述图神经网络的参数。
6.如权利要求1-5中任一项所述的检测方法,其中,响应于确定所述目标交通要素的真实行驶特征和所述目标交通要素的预测行驶特征之间的差值绝对值大于阈值,确定在所述目标时刻存在针对所述目标交通要素的异常事件。
7.如权利要求1-5中任一项所述的检测方法,其中,所述目标行驶参数包括以下参数中的至少其中之一:
交通要素的类型、位置参数、行驶方向和行驶速度。
8.如权利要求7所述的检测方法,其中,所述目标行驶参数还包括交通要素的大小参数。
9.如权利要求8所述的检测方法,其中,获取在目标时刻目标交通场景中的至少一部分交通要素的目标行驶参数包括:
获取在目标时刻所述目标交通场景的目标图像;
将所述目标图像输入第一卷积神经网络,获取所述第一卷积神经网络输出的分别包围每一所述交通要素的边界框及其类型;以及
基于所述目标图像中包围每一所述交通要素的边界框,确定每一所述交通要素的大小参数。
10.如权利要求7所述的检测方法,其中,获取在目标时刻目标交通场景中的至少一部分交通要素的目标行驶参数包括:
从包括所述目标交通场景的视频中截取连续两帧图片,所述连续两帧图片的时间戳与所述目标时刻之间的差值均小于设定时长,所述连续两帧图片中均包括每一所述交通要素;以及
基于所述连续两帧图片,确定每一所述交通要素的行驶速度和行驶方向。
11.如权利要求10所述的检测方法,其中,获取在目标时刻目标交通场景中的至少一部分交通要素的目标行驶参数包括:
获取拍摄所述视频的摄像机的标定参数;
基于摄像机的标定参数计算每一所述交通要素的位置。
12.如权利要求1-5中任一项所述的检测方法,还包括:
将所述目标行驶参数输入第二卷积神经网络,利用所述第二卷积神经网络提取所述目标行驶参数的特征向量,
其中,所述至少一部分交通要素中每一交通要素的真实行驶特征为基于相对应的真实行驶参数的特征向量而确定。
13.一种交通管控方法,包括:
利用权利要求1-12中任一项所述的检测方法检测目标交通场景是否发生交通异常事件;以及
响应于检测到所述目标交通场景发生交通异常事件,执行相应的交通控制策略。
14.一种自动驾驶方法,包括:
利用权利要求1-12中任一项所述的检测方法检测目标交通场景是否发生交通异常事件;以及
响应于检测到所述目标交通场景发生交通异常事件,执行相应的路径规划策略。
15.一种交通异常事件检测装置,包括:
获取单元,被配置用于获取在目标时刻目标交通场景中的至少一部分交通要素的目标行驶参数;
第一确定单元,被配置用于基于相对应的目标行驶参数,确定所述至少一部分交通要素中每一交通要素的真实行驶特征;
预测单元,被配置用于基于所述至少一部分交通要素中除目标交通要素以外的其它交通要素的真实行驶特征,预测所述目标交通要素的预测行驶特征;以及
第二确定单元,被配置用于基于所述目标交通要素的真实行驶特征和所述目标交通要素的预测行驶特征,确定在所述目标时刻是否存在针对所述目标交通要素的异常事件。
16.一种交通管控系统,包括:
权利要求15所述的交通异常事件检测装置,被配置用于检测目标交通场景是否发生交通异常事件;以及
控制单元,被配置用于响应于检测到所述目标交通场景发生交通异常事件,执行相应的交通管控策略。
17.一种自动驾驶系统,包括:
权利要求15所述的交通异常事件检测装置,被配置用于检测目标交通场景是否发生交通异常事件;以及
控制单元,被配置用于响应于检测到所述目标交通场景发生交通异常事件,执行相应的路径规划策略。
18.一种电子设备,包括:
处理器;以及
存储程序的存储器,所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行根据权利要求1-14中任一项所述的方法。
19.一种存储程序的计算机可读存储介质,所述程序包括指令,所述指令在由电子设备的处理器执行时,致使所述电子设备执行根据权利要求1-14中任一项所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011298371.4A CN112419722B (zh) | 2020-11-18 | 2020-11-18 | 交通异常事件检测方法、交通管控方法、设备和介质 |
EP21179045.6A EP3940665A1 (en) | 2020-11-18 | 2021-06-11 | Detection method for traffic anomaly event, apparatus, program and medium |
US17/352,179 US20210312799A1 (en) | 2020-11-18 | 2021-06-18 | Detecting traffic anomaly event |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011298371.4A CN112419722B (zh) | 2020-11-18 | 2020-11-18 | 交通异常事件检测方法、交通管控方法、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112419722A true CN112419722A (zh) | 2021-02-26 |
CN112419722B CN112419722B (zh) | 2022-08-30 |
Family
ID=74773419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011298371.4A Active CN112419722B (zh) | 2020-11-18 | 2020-11-18 | 交通异常事件检测方法、交通管控方法、设备和介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210312799A1 (zh) |
EP (1) | EP3940665A1 (zh) |
CN (1) | CN112419722B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052047A (zh) * | 2021-03-18 | 2021-06-29 | 北京百度网讯科技有限公司 | 交通事件的检测方法、路侧设备、云控平台及系统 |
CN113177077A (zh) * | 2021-04-29 | 2021-07-27 | 北京百度网讯科技有限公司 | 用于自动驾驶的异常事件确定方法、装置及电子设备 |
CN113393669A (zh) * | 2021-06-11 | 2021-09-14 | 阿波罗智联(北京)科技有限公司 | 交通工具的控制方法、装置、设备、介质及程序产品 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114418468B (zh) | 2022-03-29 | 2022-07-05 | 成都秦川物联网科技股份有限公司 | 一种智慧城市交通调度策略控制方法和物联网系统 |
CN115171372B (zh) * | 2022-06-20 | 2023-10-24 | 青岛海信网络科技股份有限公司 | 一种交通异常检测方法、设备及装置 |
CN115731712A (zh) * | 2022-11-17 | 2023-03-03 | 云控智行科技有限公司 | 一种交通场景事件分析方法、装置、系统及设备 |
CN116129647B (zh) * | 2023-02-28 | 2023-09-05 | 禾多科技(北京)有限公司 | 一种基于危险点的全闭环场景重构方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971521A (zh) * | 2014-05-19 | 2014-08-06 | 清华大学 | 道路交通异常事件实时检测方法及装置 |
CN106394553A (zh) * | 2015-08-03 | 2017-02-15 | Lg电子株式会社 | 驾驶员辅助设备及其控制方法 |
CN107180533A (zh) * | 2017-06-22 | 2017-09-19 | 北京中交华安科技有限公司 | 道路预警方法和装置 |
CN109784254A (zh) * | 2019-01-07 | 2019-05-21 | 中兴飞流信息科技有限公司 | 一种车辆违规事件检测的方法、装置和电子设备 |
CN110164130A (zh) * | 2019-04-29 | 2019-08-23 | 北京北大千方科技有限公司 | 交通事件检测方法、装置、设备及存储介质 |
JP6605176B1 (ja) * | 2018-07-17 | 2019-11-13 | 三菱電機株式会社 | 交通情報生成システム |
US20200219396A1 (en) * | 2019-01-08 | 2020-07-09 | Continental Automotive Systems, Inc. | Automated detection of traffic incidents via intelligent infrastructure sensors |
CN111599174A (zh) * | 2020-05-13 | 2020-08-28 | 北京百度网讯科技有限公司 | 一种交通指标的异常检测方法和电子设备 |
CN111731284A (zh) * | 2020-07-21 | 2020-10-02 | 平安国际智慧城市科技股份有限公司 | 一种辅助驾驶方法、装置、车载终端设备和存储介质 |
Family Cites Families (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008086293A2 (en) * | 2007-01-05 | 2008-07-17 | Nestor, Inc. | A system and method for measuring the speed of vehicles or other objects |
US10037689B2 (en) * | 2015-03-24 | 2018-07-31 | Donald Warren Taylor | Apparatus and system to manage monitored vehicular flow rate |
US10024684B2 (en) * | 2014-12-02 | 2018-07-17 | Operr Technologies, Inc. | Method and system for avoidance of accidents |
US9754485B2 (en) * | 2015-06-16 | 2017-09-05 | DataSpark, PTE. LTD. | Traffic prediction and real time analysis system |
CN105590346B (zh) * | 2016-02-18 | 2018-01-16 | 华南理工大学 | 基于路径识别系统的收费公路网交通信息采集与诱导系统 |
CN106023605B (zh) * | 2016-07-15 | 2018-10-12 | 汤一平 | 一种基于深度卷积神经网络的交通信号灯控制方法 |
WO2018122585A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种基于浮动车数据的城市道路交通异常检测方法 |
US10834221B2 (en) * | 2017-03-30 | 2020-11-10 | Xevo Inc. | Method and system for providing predictions via artificial intelligence (AI) models using a distributed system |
US10248121B2 (en) * | 2017-03-31 | 2019-04-02 | Uber Technologies, Inc. | Machine-learning based autonomous vehicle management system |
US10402687B2 (en) * | 2017-07-05 | 2019-09-03 | Perceptive Automata, Inc. | System and method of predicting human interaction with vehicles |
US10636298B2 (en) * | 2017-08-11 | 2020-04-28 | Cubic Corporation | Adaptive traffic control using object tracking and identity details |
EP3649435A1 (en) * | 2018-09-18 | 2020-05-13 | Beijing Didi Infinity Technology and Development Co., Ltd. | Artificial intelligent systems and methods for predicting traffic accident locations |
CN111754581A (zh) * | 2019-03-28 | 2020-10-09 | 阿里巴巴集团控股有限公司 | 一种摄像头标定方法、路侧感知设备和智慧交通系统 |
US11748596B2 (en) * | 2019-05-23 | 2023-09-05 | International Business Machines Corporation | Context based vehicular traffic prediction |
CN110648527B (zh) * | 2019-08-20 | 2021-05-11 | 浙江工业大学 | 一种基于深度学习模型的交通速度预测方法 |
CN110675623B (zh) * | 2019-09-06 | 2020-12-01 | 中国科学院自动化研究所 | 基于混合深度学习的短时交通流量预测方法、系统、装置 |
US11315421B2 (en) * | 2019-11-20 | 2022-04-26 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for providing driving recommendations |
US11521487B2 (en) * | 2019-12-09 | 2022-12-06 | Here Global B.V. | System and method to generate traffic congestion estimation data for calculation of traffic condition in a region |
US11312374B2 (en) * | 2020-01-31 | 2022-04-26 | International Business Machines Corporation | Prediction of accident risk based on anomaly detection |
US20210326699A1 (en) * | 2020-04-21 | 2021-10-21 | Inrix, Inc. | Travel speed prediction |
US20210383686A1 (en) * | 2020-06-05 | 2021-12-09 | Denso International America, Inc. | Roadside computing system for predicting road user trajectory and assessing travel risk |
CN113033471A (zh) * | 2021-04-15 | 2021-06-25 | 北京百度网讯科技有限公司 | 交通异常检测方法、装置、设备、存储介质以及程序产品 |
US20230140289A1 (en) * | 2021-11-03 | 2023-05-04 | Qatar Foundation For Education, Science And Community Development | Traffic accident prediction systems and methods |
-
2020
- 2020-11-18 CN CN202011298371.4A patent/CN112419722B/zh active Active
-
2021
- 2021-06-11 EP EP21179045.6A patent/EP3940665A1/en active Pending
- 2021-06-18 US US17/352,179 patent/US20210312799A1/en active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971521A (zh) * | 2014-05-19 | 2014-08-06 | 清华大学 | 道路交通异常事件实时检测方法及装置 |
CN106394553A (zh) * | 2015-08-03 | 2017-02-15 | Lg电子株式会社 | 驾驶员辅助设备及其控制方法 |
CN107180533A (zh) * | 2017-06-22 | 2017-09-19 | 北京中交华安科技有限公司 | 道路预警方法和装置 |
JP6605176B1 (ja) * | 2018-07-17 | 2019-11-13 | 三菱電機株式会社 | 交通情報生成システム |
CN109784254A (zh) * | 2019-01-07 | 2019-05-21 | 中兴飞流信息科技有限公司 | 一种车辆违规事件检测的方法、装置和电子设备 |
US20200219396A1 (en) * | 2019-01-08 | 2020-07-09 | Continental Automotive Systems, Inc. | Automated detection of traffic incidents via intelligent infrastructure sensors |
CN110164130A (zh) * | 2019-04-29 | 2019-08-23 | 北京北大千方科技有限公司 | 交通事件检测方法、装置、设备及存储介质 |
CN111599174A (zh) * | 2020-05-13 | 2020-08-28 | 北京百度网讯科技有限公司 | 一种交通指标的异常检测方法和电子设备 |
CN111731284A (zh) * | 2020-07-21 | 2020-10-02 | 平安国际智慧城市科技股份有限公司 | 一种辅助驾驶方法、装置、车载终端设备和存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052047A (zh) * | 2021-03-18 | 2021-06-29 | 北京百度网讯科技有限公司 | 交通事件的检测方法、路侧设备、云控平台及系统 |
CN113052047B (zh) * | 2021-03-18 | 2023-12-29 | 阿波罗智联(北京)科技有限公司 | 交通事件的检测方法、路侧设备、云控平台及系统 |
CN113177077A (zh) * | 2021-04-29 | 2021-07-27 | 北京百度网讯科技有限公司 | 用于自动驾驶的异常事件确定方法、装置及电子设备 |
CN113177077B (zh) * | 2021-04-29 | 2023-09-26 | 北京百度网讯科技有限公司 | 用于自动驾驶的异常事件确定方法、装置及电子设备 |
CN113393669A (zh) * | 2021-06-11 | 2021-09-14 | 阿波罗智联(北京)科技有限公司 | 交通工具的控制方法、装置、设备、介质及程序产品 |
Also Published As
Publication number | Publication date |
---|---|
US20210312799A1 (en) | 2021-10-07 |
CN112419722B (zh) | 2022-08-30 |
EP3940665A1 (en) | 2022-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112419722B (zh) | 交通异常事件检测方法、交通管控方法、设备和介质 | |
US11003923B2 (en) | Spatial and temporal information for semantic segmentation | |
US10796201B2 (en) | Fusing predictions for end-to-end panoptic segmentation | |
CN111583668B (zh) | 交通拥堵检测方法、装置、电子设备和存储介质 | |
CN113221677B (zh) | 一种轨迹异常检测方法、装置、路侧设备和云控平台 | |
CN112507949A (zh) | 目标跟踪方法、装置、路侧设备以及云控平台 | |
CN114758502B (zh) | 双车联合轨迹预测方法及装置、电子设备和自动驾驶车辆 | |
CN113591573A (zh) | 多任务学习深度网络模型的训练及目标检测方法、装置 | |
WO2022227771A1 (zh) | 目标跟踪方法、装置、设备和介质 | |
CN111627241A (zh) | 用于生成车辆排队信息的方法和装置 | |
CN111783613B (zh) | 异常检测方法、模型的训练方法、装置、设备及存储介质 | |
CN111724598B (zh) | 用于自动驾驶规划路径的方法、装置、设备以及存储介质 | |
CN116343169A (zh) | 路径规划方法、目标对象运动控制方法、装置及电子设备 | |
CN113112525B (zh) | 目标跟踪方法、网络模型及其训练方法、设备和介质 | |
CN112307872A (zh) | 用于检测目标对象的方法的和装置 | |
Ata et al. | Towards computer vision-based approach for an adaptive traffic control system | |
CN111753960A (zh) | 模型训练及图像处理方法、装置、电子设备、存储介质 | |
CN115019278B (zh) | 一种车道线拟合方法、装置、电子设备和介质 | |
CN113963322B (zh) | 一种检测模型训练方法、装置及电子设备 | |
CN115366920A (zh) | 用于自动驾驶车辆的决策方法及装置、设备和介质 | |
CN113378769A (zh) | 图像分类方法和装置 | |
CN115762028A (zh) | 一种车辆行人入侵的检测报警方法及系统 | |
CN115861953A (zh) | 场景编码模型的训练方法、轨迹规划方法及装置 | |
CN116665250A (zh) | 一种行人轨迹的预测方法、装置、电子设备及存储介质 | |
CN116704764A (zh) | 车辆控制方法及装置、电子设备及自动驾驶车辆 |
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 |