CN112466118A - 车辆驾驶行为识别方法、系统、电子设备及存储介质 - Google Patents

车辆驾驶行为识别方法、系统、电子设备及存储介质 Download PDF

Info

Publication number
CN112466118A
CN112466118A CN202011341055.0A CN202011341055A CN112466118A CN 112466118 A CN112466118 A CN 112466118A CN 202011341055 A CN202011341055 A CN 202011341055A CN 112466118 A CN112466118 A CN 112466118A
Authority
CN
China
Prior art keywords
vehicle
driving
current
scene
data information
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.)
Pending
Application number
CN202011341055.0A
Other languages
English (en)
Inventor
李森林
周风明
郝江波
谢赤天
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.)
Wuhan Kotei Informatics Co Ltd
Original Assignee
Wuhan Kotei Informatics 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 Wuhan Kotei Informatics Co Ltd filed Critical Wuhan Kotei Informatics Co Ltd
Priority to CN202011341055.0A priority Critical patent/CN112466118A/zh
Publication of CN112466118A publication Critical patent/CN112466118A/zh
Pending legal-status Critical Current

Links

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明提供一种车辆驾驶行为识别方法、系统、电子设备及存储介质，方法包括：采集本车辆及前方车辆在行驶过程中的当前数据信息；对本车辆和前方车辆的当前数据信息进行分析，确定车辆的当前行驶场景；将本车辆和前方车辆的输入训练后的与所述车辆的当前行驶场景对应的随机森林模型中，识别本车辆的当前驾驶行为。本发明根据采集的本车辆和前方车辆的数据信息，判断本车辆行驶的场景，根据不同的行驶场景构造对应的随机森林模型，根据不同场景数据对随机森林模型进行训练，利用训练后的随机森林模型对不同场景下的车辆驾驶行为进行识别，能够准确高效识别不同场景下的车辆驾驶行为。

Description

车辆驾驶行为识别方法、系统、电子设备及存储介质
技术领域
本发明涉及车辆驾驶领域，更具体地，涉及一种车辆驾驶行为识别方法、系统、电子设备及存储介质。
背景技术
随着智能网联汽车的大力发展，汽车的自动驾驶能力加强需要结合本土自然驾驶习惯，目前对车辆的驾驶行为的研究主要是通过采集车辆在行驶过程中的行驶数据信息，根据车辆的行驶数据信息判断车辆的行驶行为类型。
由于不同的个体会有区别，这种简单的通过车辆的行驶数据信息判断车辆的行驶行为类型的方式，不够准确，效率也低下。
发明内容
本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的一种车辆驾驶行为识别方法、系统、电子设备及存储介质。
根据本发明实施例的第一方面，提供了一种车辆驾驶行为识别方法，包括：采集本车辆及前方车辆在行驶过程中的当前数据信息，当前数据信息包括本车辆的当前行驶信息、本车辆的当前动作信息以及前方车辆的当前行驶信息；对本车辆和前方车辆的当前数据信息进行分析，确定车辆的当前行驶场景；将本车辆和前方车辆的当前数据信息输入训练后的与所述车辆的当前行驶场景对应的随机森林模型中，识别本车辆的当前驾驶行为类型。
在上述技术方案的基础上，本发明实施例还可以作出如下改进。
进一步的，本车辆和前方车辆的当前行驶信息包括本车辆的纵向车速、横向车速、纵向加速度、横向加速度、本车辆与前方车辆的纵向距离和横向距离；本车辆的当前动作信息包括制动踏板状态信息、加速踏板状态信息、转向灯状态信息、方向盘转角；前方车辆的当前行驶信息包括前方车辆的横向加速度和纵向加速度。
进一步的，车辆行驶场景包括前车减速场景和前车加塞场景；相应的，对本车辆和前方车辆的当前数据信息进行分析，确定车辆的当前行驶场景包括：在采集的当前预设时间段的本车辆和前方车辆的数据信息中，若前方车辆的横向距离从大于设定值变化到小于设定值，且前方车辆的横向加速度大于0，则车辆的当前行驶场景为前车加塞场景；若前方车辆的横向距离小于设定值并保持稳定，纵向距离减小，且前方车辆的纵向加速度小于0，则车辆的当前行驶场景为前车减速场景。
进一步的，还包括：采集本车辆及前方车辆在行驶过程中的历史数据信息；对本车辆和前方车辆的历史数据信息按照不同场景进行分类，得到每一种场景下的本车辆和前方车辆的历史数据信息；根据每一个场景下的每一组本车辆和前方车辆的历史数据信息，分析本车辆的驾驶行为类型；任一个场景下的每一组本车辆和前方车辆的历史数据信息和对应的车辆驾驶行为构成所述任一个场景下的训练集；利用任一个场景的训练集对于任一个场景对应的随机森林模型进行训练。
进一步的，还包括：设置任一个场景对应的随机森林模型的最大深度和最大叶节点数目。
进一步的，车辆驾驶行为包括激进类驾驶行为和平缓类驾驶行为。
根据本发明实施例的第二方面，提供一种车辆驾驶行为识别系统，包括：采集模块，用于采集本车辆及前方车辆在行驶过程中的当前数据信息，所述当前数据信息包括本车辆的当前行驶信息、本车辆的当前动作信息以及前方车辆的当前行驶信息；分析模块，用于对本车辆和前方车辆的当前数据信息进行分析，确定车辆的当前行驶场景；识别模块，用于将本车辆和前方车辆的当前数据信息输入训练后的与所述车辆的当前行驶场景对应的随机森林模型中，识别本车辆的当前驾驶行为类型。
根据本发明实施例的第三方面，提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现车辆驾驶行为识别方法的步骤。
根据本发明实施例的第四方面，提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现车辆驾驶行为识别方法的步骤。
本发明实施例提供的一种车辆驾驶行为识别方法、系统、电子设备及存储介质，根据采集的本车辆和前方车辆的数据信息，判断本车辆行驶的场景，根据不同的行驶场景构造对应的随机森林模型，根据不同场景数据对随机森林模型进行训练，利用训练后的随机森林模型对不同场景下的车辆驾驶行为类型进行识别，能够准确高效识别不同场景下的车辆驾驶行为类型。
附图说明
图1为本发明实施例提供的一种车辆驾驶行为识别方法流程图；
图2为本发明实施例提供的一种车辆驾驶行为识别方法的整体流程图；
图3为本发明实施例提供的一种车辆驾驶行为识别系统结构图；
图4为本发明实施例提供的一种可能的电子设备的硬件结构示意图；
图5为本发明实施例提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
图1为本发明实施例提供的一种车辆驾驶行为识别方法流程图，如图1所示，所述方法包括：101、采集本车辆及前方车辆在行驶过程中的当前数据信息，所述当前数据信息包括本车辆的当前行驶信息、本车辆的当前动作信息以及前方车辆的当前行驶信息；102、对本车辆和前方车辆的当前数据信息进行分析，确定车辆的当前行驶场景；103、将本车辆和前方车辆的当前数据信息输入训练后的与所述车辆的当前行驶场景对应的随机森林模型中，识别本车辆的当前驾驶行为类型。
可以理解的是，基于背景技术中的缺陷，本发明实施例提出了一种能够对车辆的当前行驶行为进行识别的方法，主要包括，对本车辆和本车辆的前方车辆在行驶过程中的当前数据信息进行采集，并对本车辆和前方车辆的数据信息进行分析，确定车辆的当前行驶场景。根据车辆的当前行驶场景，将本车辆和前方车辆的数据信息输入训练后的与车辆当前行驶场景对应的随机森林模型中，识别出车辆的当前驾驶行为类型。
本发明实施例根据采集的本车辆和前方车辆的数据信息，判断本车辆行驶的场景，根据不同的行驶场景构造对应的随机森林模型，根据不同场景数据对随机森林模型进行训练，利用训练后的随机森林模型对不同场景下的车辆驾驶行为进行识别，能够准确高效识别不同场景下的车辆驾驶行为类型。
在一种可能的实施例方式中，在采集时以固定帧率记录本车辆和前方车辆的行驶信息，其中，主要包括本车辆的当前行驶信息、本车辆的当前动作信息和前方车辆的当前行驶信息。
本车辆的当前行驶信息包括本车辆的纵向车速、横向车速、纵向加速度、横向加速度、本车辆与前方车辆的纵向距离和横向距离。其中，本车辆的纵向速度和横向速度可根据本车辆的速度和航向角计算得来，本车辆的纵向加速度和横向加速度可根据本车辆的加速度和航向角计算得到，同样的，本车辆与前方车辆的纵向距离和横向距离可根据本车辆与前方车辆之间的距离和航向角计算得到。
本车辆的当前动作信息即为本车辆驾驶过程中执行的一些动作，包括制动踏板状态信息、加速踏板状态信息、转向灯状态信息、方向盘转角。前方车辆的当前行驶信息包括前方车辆的横向加速度和纵向加速度，其中，前方车辆的横向加速度和纵向加速度可根据前方车辆的加速度和航向角计算得到。
在一种可能的实施例方式中，车辆的行驶场景包括前车减速场景和前车加塞场景；相应的，对本车辆和前方车辆的当前数据信息按照不同场景进行分类，得到每一种场景下的本车辆和前方车辆的当前数据信息包括：在采集的当前预设时间段的本车辆和前方车辆的数据信息中，若前方车辆的横向距离从大于设定值变化到小于设定值，且前方车辆的横向加速度大于0，则为前车加塞场景；若前方车辆的横向距离小于设定值并保持稳定，纵向距离减小，且前方车辆的纵向加速度小于0，则为前车减速场景。
可以理解的是，车辆在行驶过程中，车辆的行驶场景可以为多种不同的场景，其中，最常见的场景有前车减速场景和前车加塞场景。车辆的当前行驶场景可根据采集的本车辆和前方车辆的数据信息分析可得。具体的，比如，在采集的3s内的数据信息中，前方车辆的横向距离从大于1.875m变化到小于1.875m，同时前方车辆的横向加速度大于0，将其分类为前车加塞场景；在3s内的数据信息中，前方车辆的横向距离小于1.875m并且保持稳定，纵向距离减小，同时前方车辆的纵向加速度小于0，将其分为前车减速场景。
在一种可能的实施例方式中，还包括：采集本车辆及前方车辆在行驶过程中的历史数据信息；对本车辆和前方车辆的历史数据信息按照不同场景进行分类，得到每一种场景下的本车辆和前方车辆的历史数据信息；根据每一个场景下的每一组本车辆和前方车辆的历史数据信息，分析本车辆的驾驶行为类型；任一个场景下的每一组本车辆和前方车辆的历史数据信息和对应的车辆驾驶行为构成所述任一个场景下的训练集；利用所述任一个场景的训练集对于所述任一个场景对应的随机森林模型进行训练。
可以理解的是，在本发明实施例中，对于车辆的不同行驶场景，每一种行驶场景对应一个随机森林模型，采用对应场景的数据信息对其进行训练。
在采集训练随机森林模型的训练集时，采集本车辆和前方车辆在行驶过程中的历史数据信息，并对每一组历史数据信息按照上述的方法进行分析，分析出每一组数据信息所属的行驶场景，将属于不同行驶场景的数据信息分割出来。
对于属于相同行驶场景的数据信息，分析其对应的车辆驾驶行为类型，车辆驾驶行为类型主要包括激进类型的驾驶行为和平缓类型的驾驶行为，所谓激进类型的驾驶行为，即可以理解为车辆在行驶过程中的速度、加速度都比较大；所谓的平缓类型的驾驶行为，即可理解为车辆在行驶过程中比较平缓，为两种不同类型的车辆驾驶习惯行为。
收集同一个行驶场景下的本车辆和前方车辆的数据信息以及标记上其所属的车辆驾驶行为类型，作为每一种行驶场景下的训练数据，利用该训练数据对相应的随机森林模型进行训练。
在一种可能的实施例方式中，还包括：设置任一个场景对应的随机森林模型的最大深度和最大叶节点数目。
可以理解的是，对于每一种不同的行驶场景，均对应一个随机森林模型，在构造各随机森林模型时，可以对随机森林模型的模型参数进行设置，比如，可设置每一个随机森林模型的最大深度和最大叶节点数目，来构造最优的随机森林模型。
构造了各个不同行驶场景的随机森林模型后，利用对应行驶场景下的训练数据对其进行训练，得到训练后的随机森林模型，对于本车辆和前方车辆的当前数据信息，分析车辆的当前行驶场景，进而确定与车辆的当前行驶场景对应的随机森林模型。将本车辆和前方车辆的数据信息输入对应的随机森林模型中，通过随机森林模型识别车辆的当前驾驶行为类型。
参见图2，对本发明实施例提出的车辆驾驶行为识别方法进行说明，首先，收集本车辆和前方车辆的行驶相关的数据信息，对数据信息进行分析，确定其对应的车辆行驶场景。比如，确定车辆当前行驶场景为前车减速场景还是前车加塞场景。
当车辆的当前行驶场景为前车减速场景，则将采集的本车辆和前方车辆的数据信息输入前车减速场景对应的训练后的随机森林模型中，识别出车辆的当前驾驶行为类型。当车辆的当前行驶场景为前车加塞场景，则将采集的本车辆和前方车辆的数据信息输入前车加塞场景对应的训练后的随机森林模型中，识别出车辆的当前驾驶行为类型。
其中，针对不同行驶场景，对应有不同的随机森林模型。在对随机森林模型进行训练时，采集本车辆和前方车辆在行驶过程中的历史数据信息，对每一组历史数据信息进行分析，确定对应的车辆行驶场景，将属于不同车辆行驶场景的数据信息进行分割。
对于同一种车辆行驶场景的数据信息作为同一个训练集，对同一个训练集中的每一组数据信息标记其对应的车辆行驶行为类型，并利用训练集中的数据信息对对应的随机森林模型进行训练，得到训练后的随机森林模型。
图3是本发明实施例提供的一种车辆驾驶行为识别系统结构图，如图3所示，一种车辆驾驶行为识别系统，包括采集模块301、分析模块302和识别模块303，其中：
采集模块301，用于采集本车辆及前方车辆在行驶过程中的当前数据信息，所述当前数据信息包括本车辆的当前行驶信息、本车辆的当前动作信息以及前方车辆的当前行驶信息；
分析模块302，用于对本车辆和前方车辆的当前数据信息进行分析，确定车辆的当前行驶场景；
识别模块303，用于将本车辆和前方车辆的当前数据信息输入训练后的与所述车辆的当前行驶场景对应的随机森林模型中，识别本车辆的当前驾驶行为类型。
本发明实施例提供的车辆驾驶行为识别系统与前述各实施例提供的车辆驾驶行为识别方法相对应，车辆驾驶行为识别系统的相关技术特征可参考前述各实施例的车辆驾驶行为识别方法的相关技术特征，在此不再重复说明。
请参阅图4，图4为本申请实施例提供的电子设备的实施例示意图。如图4所示，本申请实施例提了一种电子设备，包括存储器410、处理器420及存储在存储器420上并可在处理器420上运行的计算机程序411，处理器420执行计算机程序411时实现以下步骤：采集本车辆及前方车辆在行驶过程中的当前数据信息，所述当前数据信息包括本车辆的当前行驶信息、本车辆的当前动作信息以及前方车辆的当前行驶信息；对本车辆和前方车辆的当前数据信息进行分析，确定车辆的当前行驶场景；将本车辆和前方车辆的当前数据信息输入训练后的与所述车辆的当前行驶场景对应的随机森林模型中，识别本车辆的当前驾驶行为类型。
请参阅图5，图5为本申请实施例提供的一种计算机可读存储介质的实施例示意图。如图5所示，本实施例提供了一种计算机可读存储介质500，其上存储有计算机程序511，该计算机程序511被处理器执行时实现如下步骤：采集本车辆及前方车辆在行驶过程中的当前数据信息，当前数据信息包括本车辆的当前行驶信息、本车辆的当前动作信息以及前方车辆的当前行驶信息；对本车辆和前方车辆的当前数据信息进行分析，确定车辆的当前行驶场景；将本车辆和前方车辆的当前数据信息输入训练后的与所述车辆的当前行驶场景对应的随机森林模型中，识别本车辆的当前驾驶行为类型。
本发明实施例提供的一种车辆驾驶行为识别方法、系统、电子设备及存储介质，根据采集的本车辆和前方车辆的数据信息，判断本车辆行驶的场景，根据不同的行驶场景构造对应的随机森林模型，根据不同场景数据对随机森林模型进行训练，利用训练后的随机森林模型对不同场景下的车辆驾驶行为进行识别，对于不同行驶场景下的数据信息，采用不同的随机森林模型对其的车辆驾驶行为类型进行识别，能够准确高效识别不同场景下的车辆驾驶行为类型。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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，则本申请也意图包括这些改动和变型在内。

Claims (9)

1.一种车辆驾驶行为识别方法，其特征在于，包括：
采集本车辆及前方车辆在行驶过程中的当前数据信息，所述当前数据信息包括本车辆的当前行驶信息、本车辆的当前动作信息以及前方车辆的当前行驶信息；
对本车辆和前方车辆的当前数据信息进行分析，确定车辆的当前行驶场景；
将本车辆和前方车辆的当前数据信息输入训练后的与所述车辆的当前行驶场景对应的随机森林模型中，识别本车辆的当前驾驶行为类型。
2.根据权利要求1所述的车辆驾驶行为识别方法，其特征在于，所述本车辆和前方车辆的当前行驶信息包括本车辆的纵向车速、横向车速、纵向加速度、横向加速度、本车辆与前方车辆的纵向距离和横向距离；本车辆的当前动作信息包括制动踏板状态信息、加速踏板状态信息、转向灯状态信息、方向盘转角；所述前方车辆的当前行驶信息包括前方车辆的横向加速度和纵向加速度。
3.根据权利要求2所述的车辆驾驶行为识别方法，其特征在于，所述车辆行驶场景包括前车减速场景和前车加塞场景；
相应的，所述对本车辆和前方车辆的当前数据信息进行分析，确定车辆的当前行驶场景包括：
在采集的当前预设时间段的本车辆和前方车辆的数据信息中，若前方车辆的横向距离从大于设定值变化到小于设定值，且前方车辆的横向加速度大于0，则车辆的当前行驶场景为前车加塞场景；
若前方车辆的横向距离小于设定值并保持稳定，纵向距离减小，且前方车辆的纵向加速度小于0，则车辆的当前行驶场景为前车减速场景。
4.根据权利要求3所述的车辆驾驶行为识别方法，其特征在于，还包括：
采集本车辆及前方车辆在行驶过程中的历史数据信息；
对本车辆和前方车辆的历史数据信息按照不同场景进行分类，得到每一种场景下的本车辆和前方车辆的历史数据信息；
根据每一个场景下的每一组本车辆和前方车辆的历史数据信息，分析本车辆的驾驶行为类型；
任一个场景下的每一组本车辆和前方车辆的历史数据信息和对应的车辆驾驶行为构成所述任一个场景下的训练集；
利用所述任一个场景的训练集对于所述任一个场景对应的随机森林模型进行训练。
5.根据权利要求1或4所述的车辆驾驶行为识别方法，其特征在于，还包括：
设置所述任一个场景对应的随机森林模型的最大深度和最大叶节点数目。
6.根据权利要求1或2或4所述的车辆驾驶行为识别方法，其特征在于，所述车辆驾驶行为包括激进类驾驶行为和平缓类驾驶行为。
7.一种车辆驾驶行为识别系统，其特征在于，包括：
采集模块，用于采集本车辆及前方车辆在行驶过程中的当前数据信息，所述当前数据信息包括本车辆的当前行驶信息、本车辆的当前动作信息以及前方车辆的当前行驶信息；
分析模块，用于对本车辆和前方车辆的当前数据信息进行分析，确定车辆的当前行驶场景；
识别模块，用于将本车辆和前方车辆的当前数据信息输入训练后的与所述车辆的当前行驶场景对应的随机森林模型中，识别本车辆的当前驾驶行为。
8.一种电子设备，其特征在于，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现如权利要求1-6任一项所述的车辆驾驶行为识别方法的步骤。
9.一种计算机可读存储介质，其特征在于，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现如权利要求1-6任一项所述的车辆驾驶行为识别方法的步骤。
CN202011341055.0A 2020-11-25 2020-11-25 车辆驾驶行为识别方法、系统、电子设备及存储介质 Pending CN112466118A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011341055.0A CN112466118A (zh) 2020-11-25 2020-11-25 车辆驾驶行为识别方法、系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011341055.0A CN112466118A (zh) 2020-11-25 2020-11-25 车辆驾驶行为识别方法、系统、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN112466118A true CN112466118A (zh) 2021-03-09

Family

ID=74808243

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011341055.0A Pending CN112466118A (zh) 2020-11-25 2020-11-25 车辆驾驶行为识别方法、系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112466118A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113460061A (zh) * 2021-07-08 2021-10-01 武汉光庭信息技术股份有限公司 一种驾驶行为分析方法及系统
WO2022247298A1 (zh) * 2021-05-27 2022-12-01 上海仙途智能科技有限公司 参数调整
CN115440087A (zh) * 2022-06-06 2022-12-06 北京罗克维尔斯科技有限公司 车辆检测方法、装置、设备、介质及车辆

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016179087A1 (en) * 2015-05-01 2016-11-10 Ink Corp. Personalized image-based communication on mobile platforms
CN106710215A (zh) * 2017-02-06 2017-05-24 同济大学 瓶颈上游车道级交通状态预测系统及实现方法
CN110053610A (zh) * 2018-01-17 2019-07-26 本田技研工业株式会社 行驶控制装置和行驶控制方法
CN111731312A (zh) * 2020-06-15 2020-10-02 苏州绿科智能机器人研究院有限公司 提取驾驶风格特征参数的实验系统及驾驶风格识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016179087A1 (en) * 2015-05-01 2016-11-10 Ink Corp. Personalized image-based communication on mobile platforms
CN106710215A (zh) * 2017-02-06 2017-05-24 同济大学 瓶颈上游车道级交通状态预测系统及实现方法
CN110053610A (zh) * 2018-01-17 2019-07-26 本田技研工业株式会社 行驶控制装置和行驶控制方法
CN111731312A (zh) * 2020-06-15 2020-10-02 苏州绿科智能机器人研究院有限公司 提取驾驶风格特征参数的实验系统及驾驶风格识别方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022247298A1 (zh) * 2021-05-27 2022-12-01 上海仙途智能科技有限公司 参数调整
CN113460061A (zh) * 2021-07-08 2021-10-01 武汉光庭信息技术股份有限公司 一种驾驶行为分析方法及系统
CN113460061B (zh) * 2021-07-08 2022-05-31 武汉光庭信息技术股份有限公司 一种驾驶行为分析方法及系统
CN115440087A (zh) * 2022-06-06 2022-12-06 北京罗克维尔斯科技有限公司 车辆检测方法、装置、设备、介质及车辆

Similar Documents

Publication Publication Date Title
CN112466118A (zh) 车辆驾驶行为识别方法、系统、电子设备及存储介质
US20220048536A1 (en) Method and device for testing a driver assistance system
CN110077416B (zh) 一种基于决策树的驾驶员意图分析方法及系统
JP6511982B2 (ja) 運転操作判別装置
JP7051424B2 (ja) 異常検出装置
US10913455B2 (en) Method for the improved detection of objects by a driver assistance system
CN112874519A (zh) 自适应巡航的控制方法、系统、存储介质及电子设备
CN114972911A (zh) 自动驾驶感知算法模型的输出数据收集处理方法及设备
CN112329152B (zh) 一种驾驶数据搜索方法、装置及设备
CN113780287A (zh) 一种多深度学习模型的最优选取方法及系统
CN115114786B (zh) 一种用于交通流仿真模型的评估方法、系统和存储介质
CN114547403B (zh) 变道场景采集方法、装置、设备及存储介质
CN115148028A (zh) 依据历史数据构建车辆路测场景的方法、装置及一种车辆
CN115366891A (zh) 一种驾驶风格识别方法、系统及存储介质
CN114802264A (zh) 车辆控制方法、装置、电子设备
CN114781149A (zh) 一种场景元素信息自动获取方法及系统
CN112257869A (zh) 基于随机森林的套牌车分析方法、系统及计算机介质
CN114662691A (zh) 自动驾驶车辆的特征知识库系统及方法
JP2019040244A (ja) 運転支援装置
CN111860661A (zh) 基于用户行为的数据分析方法、装置、电子设备及介质
CN112232525B (zh) 驾驶模式特征构造与筛选方法及装置、存储介质
CN111382631A (zh) 识别方法、识别装置、终端、服务器和存储介质
CN110796024B (zh) 一种针对失效样本的自动驾驶视觉感知测试方法和装置
Milardo et al. An unsupervised approach for driving behavior analysis of professional truck drivers
CN115424066A (zh) 驾驶场景分类方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20210309

RJ01 Rejection of invention patent application after publication