CN112508054B - 一种驾驶模型训练方法、装置、设备和介质 - Google Patents

一种驾驶模型训练方法、装置、设备和介质 Download PDF

Info

Publication number
CN112508054B
CN112508054B CN202011258084.0A CN202011258084A CN112508054B CN 112508054 B CN112508054 B CN 112508054B CN 202011258084 A CN202011258084 A CN 202011258084A CN 112508054 B CN112508054 B CN 112508054B
Authority
CN
China
Prior art keywords
acceleration
time
lane change
target
driving
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011258084.0A
Other languages
English (en)
Other versions
CN112508054A (zh
Inventor
张宇探
罗丰山
刘永臣
张家智
姚小婷
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.)
Dongfeng Motor Corp
Original Assignee
Dongfeng Motor Corp
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 Dongfeng Motor Corp filed Critical Dongfeng Motor Corp
Priority to CN202011258084.0A priority Critical patent/CN112508054B/zh
Publication of CN112508054A publication Critical patent/CN112508054A/zh
Application granted granted Critical
Publication of CN112508054B publication Critical patent/CN112508054B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明公开了一种驾驶模型训练方法、装置、设备和介质，包括：获取目标驾驶员驾驶目标车辆的驾驶行为数据；基于所述加速激进程度、所述变道激进程度以及所述跟车激进程度进行模型训练，获得所述目标驾驶员的驾驶模型。本申请通过加速激进程度、变道激进程度以及跟车激进程度概括目标驾驶员的驾驶特点，一方面，将加速激进程度、变道激进程度以及跟车激进程度作为训练数据对驾驶模型进行训练，进而更接近穷尽所有驾驶状态和驾驶环境的训练数据，在一定程度上解除传统训练过程对驾驶模型的限制，提高了驾驶模型的实时变化性、精确度和灵活性。

Description

一种驾驶模型训练方法、装置、设备和介质
技术领域
本发明涉及汽车技术领域，尤其涉及一种驾驶模型训练方法、装置、设备和介质。
背景技术
随着社会发展，汽车已经成为人们在日常交通中必不可少的交通工具。现实生活中，由于驾驶员的驾驶技术参差不齐，驾驶员在车辆驾驶过程中有很多不安全或者不合理的操作，易造成交通事故。
随着科学技术的发展，无人驾驶技术开始慢慢地走进人们的生活。无人驾驶汽车是智能汽车的一种，也称为轮式移动机器人，主要利用无人驾驶技术，依靠汽车内的计算机系统和配备各种传感器等来实现车辆的自动驾驶。相对于人工驾驶技术，无人驾驶技术可以避免由于用户疲劳驾驶、注意力分散等等导致的交通事故，从而提高驾驶的安全性。
无人驾驶技术主要通过同步采集车辆的运行状态数据和驾驶环境数据，并将运行状态数据和驾驶环境数据输入驾驶模型，以得到驾驶操作指示。其中，驾驶模型是基于同步采集的车辆的运行状态数据、驾驶环境数据和驾驶员图像训练得到的。训练驾驶模型使用的训练数据(例如车辆运行状态数据、驾驶环境数据以及驾驶员图像)越充足，训练得到的驾驶模型的效果越好。然而，汽车在驾驶过程中的状态以及所处环境是千变万化的，而在训练驾驶模型时并不能穷尽所有驾驶状态和驾驶环境，导致训练得到的驾驶模型受到训练过程的限制，进而导致驾驶模型的实时变化性较差，精确度较低，缺乏灵活性。
发明内容
本申请实施例通过提供一种驾驶模型训练方法、装置、设备和介质，解决了现有技术中对驾驶模型训练的数据有限，导致训练得到的驾驶模型受到训练过程的限制，进而导致驾驶模型的实时变化性较差，精确度较低，缺乏灵活性的技术问题，实现了提高驾驶模型的实时变化性、精确度以及灵活性的技术效果。
第一方面，本申请提供了一种驾驶模型训练方法，方法包括：
获取目标驾驶员驾驶目标车辆的驾驶行为数据；其中，驾驶行为数据包括不同道路类型上的加速踏板位置分布、起步过程的加速速度和加速时间分布、加速后的制动频次分布、不同车速下变道开始时刻TTC的平均值、不同车速下的变道时长、百公里变道次数、跟停过程中每次踩刹车时的TTC、红绿灯路口刹停过程中不同初速度下踩刹车次数、通过红绿灯路口时绿灯剩余时长小于预设时长的频次、以及通过红绿灯路口时黄灯剩余时长小于预设时长的频次；
基于不同道路类型上的加速踏板位置分布、起步过程的加速速度和加速时间分布、以及加速后的制动频次分布，确定目标驾驶员的加速激进程度；
基于不同车速下变道开始时刻TTC的平均值、不同车速下的变道时长、以及百公里变道次数，确定目标驾驶员的变道激进程度；
基于跟停过程中每次踩刹车时的TTC、红绿灯路口刹停过程中不同初速度下踩刹车次数、通过红绿灯路口时绿灯剩余时长小于预设时长的频次、以及通过红绿灯路口时黄灯剩余时长小于预设时长的频次，确定目标驾驶员的跟车激进程度；
基于加速激进程度、变道激进程度以及跟车激进程度进行模型训练，获得目标驾驶员的驾驶模型。
进一步地，不同道路类型上的加速踏板位置分布是按照如下方式获得的：
从驾驶行为数据中分别获得不同道路类型对应的目标加速踏板数据；
从目标加速踏板数据中获得每一次加速踏板被持续踩踏时的油门开度最大值；
根据每一次加速踏板被持续踩踏时的油门开度最大值，确定不同道路类型对应的加速踏板位置分布。
进一步地，起步过程的加速速度和加速时间分布是按照如下方式获得的：
从驾驶行为数据中获得目标加速过程的加速结束时刻速度值和目标加速过程的加速持续时间；其中，目标加速过程是指车速从0增加至稳定值的过程；
根据加速结束时刻速度值和加速持续时间，确定起步过程的加速速度和加速时间分布。
进一步地，不同车速下变道开始时刻TTC的平均值是按照如下方式获得的：
从驾驶行为数据中获得多组变道驾驶行为数据；
根据多组变道驾驶行为数据中的每组变道驾驶行为数据变道开始时刻的 TTC，确定不同车速下变道开始时刻TTC的平均值；
其中，每组变道驾驶行为数据变道开始时刻的TTC是按照如下方式获得的：
根据变道驾驶行为数据，确定变道开始时刻对应的目标车辆与目标车道上的前车之间的第一相对速度和第一相对距离，以及目标车辆与目标车道上的后车之间的第二相对速度和第二相对距离；
根据第一相对速度和第一相对距离、以及第二相对速度和第二相对距离，确定每组变道驾驶行为数据变道开始时刻的TTC。
进一步地，跟停过程中每次踩刹车时的TTC是按照如下方式获得的：
从驾驶行为数据中获得多组跟停驾驶行为数据；
获得多组跟停驾驶行为数据中的每组跟停驾驶行为数据中每次踩刹车时目标车辆与前车之间的第三相对距离和第三相对速度；
根据第三相对距离和第三相对速度，确定每次踩刹车时的TTC。
进一步地，获取目标驾驶员驾驶目标车辆的驾驶行为数据，包括：
基于数据采集系统获取驾驶行为数据；其中，数据采集系统安装在目标车辆上；
数据采集系统包括：第一感知设备、第二感知设备、第三感知设备、第四感知设备、自车数据监测设备、定位设备以及存储设备；
其中，第一感知设备包括第一角雷达、第二角雷达、第三角雷达、第四角雷达以及前雷达；第二感知设备包括智能相机；第三感知设备和第四感知设备均采用V2XBOX。
第二方面，本申请提供了一种驾驶模型训练装置，装置包括：
驾驶行为数据获取模块，用于获取目标驾驶员驾驶目标车辆的驾驶行为数据；其中，驾驶行为数据包括不同道路类型上的加速踏板位置分布、起步过程的加速速度和加速时间分布、加速后的制动频次分布、不同车速下变道开始时刻TTC的平均值、不同车速下的变道时长、百公里变道次数、跟停过程中每次踩刹车时的TTC、红绿灯路口刹停过程中不同初速度下踩刹车次数、通过红绿灯路口时绿灯剩余时长小于预设时长的频次、以及通过红绿灯路口时黄灯剩余时长小于预设时长的频次；
第一确定模块，用于基于不同道路类型上的加速踏板位置分布、起步过程的加速速度和加速时间分布、以及加速后的制动频次分布，确定目标驾驶员的加速激进程度；
第二确定模块，用于基于不同车速下变道开始时刻TTC的平均值、不同车速下的变道时长、以及百公里变道次数，确定目标驾驶员的变道激进程度；
第三确定模块，用于基于跟停过程中每次踩刹车时的TTC、红绿灯路口刹停过程中不同初速度下踩刹车次数、通过红绿灯路口时绿灯剩余时长小于预设时长的频次、以及通过红绿灯路口时黄灯剩余时长小于预设时长的频次，确定目标驾驶员的跟车激进程度；
模型训练模块，用于基于加速激进程度、变道激进程度以及跟车激进程度进行模型训练，获得目标驾驶员的驾驶模型。
进一步地，确定模块包括：
目标加速踏板数据确定子模块，用于从驾驶行为数据中分别获得不同道路类型对应的目标加速踏板数据；
油门开度最大值获得子模块，用于从目标加速踏板数据中获得每一次加速踏板被持续踩踏时的油门开度最大值；
加速踏板位置分布确定子模块，用于根据每一次加速踏板被持续踩踏时的油门开度最大值，确定不同道路类型对应的加速踏板位置分布。
第三方面，本申请提供了一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，处理器被配置为执行以实现一种驾驶模型训练方法。
第四方面，本申请提供了一种非临时性计算机可读存储介质，当存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行实现一种驾驶模型训练方法。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请通过对目标驾驶员(即同一个驾驶员)的驾驶行为数据进行分析，得到目标驾驶员的加速激进程度、变道激进程度以及跟车激进程度，通过加速激进程度、变道激进程度以及跟车激进程度概括目标驾驶员的驾驶特点，一方面，将加速激进程度、变道激进程度以及跟车激进程度作为训练数据对驾驶模型进行训练，进而更接近穷尽所有驾驶状态和驾驶环境的训练数据，在一定程度上解除传统训练过程对驾驶模型的限制，提高了驾驶模型的实时变化性、精确度和灵活性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请提供的一种驾驶模型训练方法的流程示意图；
图2为本申请提供的数据采集系统的结构示意图；
图3为本申请提供的加速踏板位置分布计算得分评判标准的示意图；
图4为本申请提供的起步加速时间计算得分评判标准的示意图；
图5为本申请提供的加速后快速制动频次计算得分评判标准的示意图；
图6为本申请提供的变道开始时刻的TTC计算得分评判标准的示意图；
图7为本申请提供的变道时长平均值计算得分评判标准的示意图；
图8为本申请提供的百公里变道次数计算得分评判标准的示意图；
图9为本申请提供的TTC平均值计算得分评判标准的示意图；
图10为本申请提供的点刹次数计算得分评判标准的示意图；
图11为本申请提供的绿灯/黄灯剩余时间小于预设时间的频次得分评判标准的示意图；
图12为本申请提供的一种驾驶模型训练装置的结构示意图；
图13为本申请提供的一种电子设备的结构示意图。
具体实施方式
本申请实施例通过提供一种驾驶模型训练方法，解决了现有技术中对驾驶模型训练的数据有限，导致训练得到的驾驶模型受到训练过程的限制，进而导致驾驶模型的实时变化性较差，精确度较低，缺乏灵活性的技术问题。
本申请实施例的技术方案为解决上述技术问题，总体思路如下：
一种驾驶模型训练方法，方法包括：获取目标驾驶员驾驶目标车辆的驾驶行为数据；其中，驾驶行为数据包括不同道路类型上的加速踏板位置分布、起步过程的加速速度和加速时间分布、加速后的制动频次分布、不同车速下变道开始时刻TTC的平均值、不同车速下的变道时长、百公里变道次数、跟停过程中每次踩刹车时的TTC、红绿灯路口刹停过程中不同初速度下踩刹车次数、通过红绿灯路口时绿灯剩余时长小于预设时长的频次、以及通过红绿灯路口时黄灯剩余时长小于预设时长的频次；基于不同道路类型上的加速踏板位置分布、起步过程的加速速度和加速时间分布、以及加速后的制动频次分布，确定目标驾驶员的加速激进程度；基于不同车速下变道开始时刻TTC的平均值、不同车速下的变道时长、以及百公里变道次数，确定目标驾驶员的变道激进程度；基于跟停过程中每次踩刹车时的TTC、红绿灯路口刹停过程中不同初速度下踩刹车次数、通过红绿灯路口时绿灯剩余时长小于预设时长的频次、以及通过红绿灯路口时黄灯剩余时长小于预设时长的频次，确定目标驾驶员的跟车激进程度；基于加速激进程度、变道激进程度以及跟车激进程度进行模型训练，获得目标驾驶员的驾驶模型。
本申请通过对目标驾驶员(即同一个驾驶员)的驾驶行为数据进行分析，得到目标驾驶员的加速激进程度、变道激进程度以及跟车激进程度，通过加速激进程度、变道激进程度以及跟车激进程度概括目标驾驶员的驾驶特点，一方面，将加速激进程度、变道激进程度以及跟车激进程度作为训练数据对驾驶模型进行训练，进而更接近穷尽所有驾驶状态和驾驶环境的训练数据，在一定程度上解除传统训练过程对驾驶模型的限制，提高了驾驶模型的实时变化性、精确度和灵活性。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
首先说明，本文中出现的术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
在对驾驶模型进行训练时使用的训练数据包括基于同步采集的车辆的运行状态数据、驾驶环境数据和驾驶员图像。然而，相关技术中所采用的运行状态数据、驾驶环境数据和驾驶员图像只是经过简单处理，再将其作为样本数据输入驾驶模型进行模型训练。然而，基于机器学习得到的驾驶模型，其特点是训练数据越多、训练次数越多，得到的驾驶模型就会越精确。然而，汽车在驾驶过程中的状态以及所处环境是千变万化的，而在训练驾驶模型时并不能穷尽所有驾驶状态和驾驶环境，导致训练得到的驾驶模型受到训练过程的限制，进而导致驾驶模型的实时变化性较差，精确度较低，缺乏灵活性。
本申请为了解决上述技术问题，本申请提供了如图1所示的一种驾驶模型训练方法，应用于处理终端，处理终端可以是电脑等可以进行数据处理的设备，方法包括：
步骤S11，获取目标驾驶员驾驶目标车辆的驾驶行为数据；其中，驾驶行为数据包括不同道路类型上的加速踏板位置分布、起步过程的加速速度和加速时间分布、加速后的制动频次分布、不同车速下变道开始时刻TTC的平均值、不同车速下的变道时长、百公里变道次数、跟停过程中每次踩刹车时的TTC、红绿灯路口刹停过程中不同初速度下踩刹车次数、通过红绿灯路口时绿灯剩余时长小于预设时长的频次、以及通过红绿灯路口时黄灯剩余时长小于预设时长的频次。
现实生活中，由于驾驶员的驾驶技术参差不齐，驾驶员的驾驶习惯也不相同。而相关技术中训练得到的驾驶模型通常是以大多数驾驶员的驾驶行为为参考得到的，而并未考虑不同驾驶员的驾驶行为之间的差异性。并且，相关技术中，对驾驶模型进行训练的样本数据的获得方式是：研发人员以获取样本数据为目的，进而在道路上驾驶汽车产生的驾驶行为。正是由于以获取样本数据为目的，导致获取的样本数据类型较为单一。例如，针对不同的道路类型的驾驶数据，可能是由不同的研发人员驾驶同一辆汽车获得的；而针对每种道路类型或者路况，只采集一次相关数据。因此，采用相关技术中提供的获取样本数据的方式，会对驾驶模型训练造成限制，导致驾驶模型的性能受到影响。
而本申请则是针对目标驾驶员驾驶目标车辆，获取目标车辆在行驶过程中产生的驾驶行为数据。其中，目标驾驶员可以是任意类型的驾驶员。即使用同一个驾驶员产生的驾驶行为数据作为驾驶模型训练的源数据。例如，不同年龄段的男性驾驶员、不同年龄段的女性驾驶员、不同性格的驾驶员等。目标车辆可以是任意车辆。
驾驶行为数据是由安装在目标车辆上的数据采集系统采集的。数据采集系统包括：第一感知设备、第二感知设备、第三感知设备、第四感知设备、自车数据监测设备、定位设备以及存储设备。
其中，第一感知设备包括第一角雷达、第二角雷达、第三角雷达、第四角雷达以及前雷达。如图2所示，第一角雷达、第二角雷达、第三角雷达、第四角雷达均以“角雷达”在图2中示出，分别设置在目标车辆的前车灯和后车灯附近，用于对自车道(即目标车道所在车道)、左侧多车道、右侧多车道、以及目标车辆的四周所有方向上的交通目标物进行检测，以获得目标车辆与其他车辆之间的相对距离、相对速度以及相对角度信息。
第二感知设备包括智能相机；智能相机用于对车道线(例如白实线、白虚线、虚实双线、双黄线、黄实线、黄虚线等)和路面标识(左转弯、右转弯、直行、掉头等)进行感知。
第三感知设备采用V2XBOX，用于与周围车辆进行通信，采集周围车辆的 V2X信息(Vehicle To Everything，即车对外界的信息交换)。
第四感知设备采用V2XBOX，用于与智能红绿灯进行通信，以及获取V2I 信息(Vehicle To Infrastructure，车辆基础设施互联系统)。
自车数据监测设备(即On Board Diagnostics，简称OBD，是一种为汽车故障诊断而衍生出来的检测系统)，用于采集自车车速、油门踏板开度、制动踏板开度、方向盘转角、方向盘转速等车辆CAN(Controller Area Network，控制局域网)信息。
定位设备可以是GPS(Global Positioning System，全球定位系统)设备
存储设备为双CPU(Central Processing Unit，中央处理器)结构，一个CPU 为实时系统，结合上述设备数据的实时采集。另一个CPU为非实时系统，负责操作系统运行，数据压缩、存储和传输等。
对驾驶行为数据进行分析处理，可以得到以下多种类型的数据：
不同道路类型上的加速踏板位置分布、起步过程的加速速度和加速时间分布、加速后的制动频次分布、不同车速下变道开始时刻TTC的平均值、不同车速下的变道时长、百公里变道次数、跟停过程中每次踩刹车时的TTC、红绿灯路口刹停过程中不同初速度下踩刹车次数、通过红绿灯路口时绿灯剩余时长小于预设时长的频次、以及通过红绿灯路口时黄灯剩余时长小于预设时长的频次。
根据上述得到的多种类型数据可以确定加速激进程度、变道激进程度以及跟车激进程度，进而采用加速激进程度、变道激进程度以及跟车激进程度对模型进行训练，得到驾驶训练模型。加速激进程度、变道激进程度以及跟车激进程度的确定方式详见步骤S12-步骤S14。
步骤S12，基于不同道路类型上的加速踏板位置分布、起步过程的加速速度和加速时间分布、以及加速后的制动频次分布，确定目标驾驶员的加速激进程度。
1.1不同道路类型上的加速踏板位置分布
不同道路类型上的加速踏板位置分布是按照如下方式获得的：
步骤S21，从驾驶行为数据中分别获得不同道路类型对应的目标加速踏板数据。
驾驶行为数据中包括GPS设备采集的GPS信息，可以根据GPS信息与地图数据，确定驾驶行为数据是在何种道路类型上产生的，进而可以将驾驶行为数据划分为多种道路类型对应的目标驾驶行为数据。道路类型可以包括国道、省道、城市主干道、城市次干道、城市高架桥、乡村道路等。
不同道路类型上的加速踏板位置分布的获得方式相同。
针对某种道路类型的目标驾驶行为数据而言，目标驾驶行为数据中包括目标加速踏板数据。
步骤S22，从目标加速踏板数据中获得每一次加速踏板被持续踩踏时的油门开度最大值。
将目标加速踏板数据分块，将每一次加速踏板被持续踩踏形成的目标加速踏板数据作为一块目标加速踏板数据，获取每一块目标加速踏板数据中的油门开度最大值(油门开度最大值以百分数表示，例如30％是指油门踏板被踩踏的行程占总行程的30％)。将目标加速踏板数据中每块目标加速踏板数据的油门开度最大值进行统计。例如，如表1中的第1列所示，将加速踏板总行程记为 100％，将加速踏板总行程划分为多个区间，包括0～20％，20％～40％，40％～60％， 60％～80％，80％～100％，对目标加速踏板数据中的油门开度最大值进行统计，并以百分数形式计入表1中的第2列。
表1
Figure BDA0002773697610000101
步骤S23，根据每一次加速踏板被持续踩踏时的油门开度最大值，确定不同道路类型对应的加速踏板位置分布。
针对不同道路类型，均可以得到如表1所示的加速踏板位置分布。
进一步地，本申请根据加速踏板位置分布设计一种计分系统，根据加速踏板位置分布可以得到如表1第4列的得分，根据得分结果和得分评判标准(如图3所示)，可以确定表1中的加速踏板位置分布体现了该目标驾驶员的驾驶行为属于激进二级。其中，本申请中提及的图3至图11的得分评判标准可以根据实际情况进行设定，本申请中图3至图11的得分评判标准仅作为示例，以对本申请的技术方案进行说明。
根据加速踏板位置分布可以确定目标驾驶员对于加速踏板的使用习惯和特点，使用加速踏板位置分布得到的驾驶模型，能够更接近目标驾驶员在加速踏板上的使用习惯，进而提高驾驶模型的实时变化性、精确度和灵活性。
1.2起步过程的加速速度和加速时间分布
起步过程的加速速度和加速时间分布是按照如下方式获得的：
步骤S31，从驾驶行为数据中获得目标加速过程的加速结束时刻速度值和目标加速过程的加速持续时间；其中，目标加速过程是指车速从0增加至稳定值的过程。
从驾驶行为数据中筛选出目标加速过程，即从驾驶行为数据中筛选出车速从0增加至任一稳定值的加速过程。针对每个目标加速过程，确定目标加速过程在加速结束时刻时的速度值(记为Vt)以及目标加速过程的加速持续时间。其中，加速结束时刻是指加速度从大于0降至等于0、且加速踏板从持续大于 0降至等于0的时刻。加速开始时刻是指速度从0开始增加的时刻。加速持续时间是指加速开始时刻至加速结束时刻之间的差值(记为t)。
如表2所示，本申请将Vt划分为多个区间，如表2中第1列所示，分别是 0～10，10～20，20～30，30～40，40～50，50～60，60～70，70～80，80～90，90～100，针对各个区间Vt对应的加速持续时间计算对应的平均值，并计入表2中的第2 列。
表2
Figure BDA0002773697610000111
步骤S32，根据加速结束时刻速度值和加速持续时间，确定起步过程的加速速度和加速时间分布。
进一步地，本申请根据起步过程的加速速度和加速时间分布设计一种计分系统，根据起步加速时间平均值可以得到如表2第4列的得分，根据得分结果和得分评判标准(如图4所示)，可以确定表2中的起步过程的加速速度和加速时间体现了该目标驾驶员的驾驶行为属于激进二级。
根据起步过程的加速速度和加速时间分布可以确定目标驾驶员在起步过程中的习惯和特点，使用起步过程的加速速度和加速时间分布得到的驾驶模型，能够更接近目标驾驶员在加速过程中的操作习惯，进而提高驾驶模型的实时变化性、精确度和灵活性。
1.3加速后的制动频次分布
从驾驶行为数据中获得各个目标行驶过程的间隔时间(记为ΔT)；其中，目标行驶过程是指加速踏板的开度超过30％之后，制动踏板的超过30％的行驶过程。将目标行驶过程中加速踏板被踏下的起始时刻与制动踏板被踏下的起始时刻之间的时间差即为间隔时间。对间隔时间小于5s的目标行驶过程进行计数(记为SUM)，将驾驶行为数据中的总里程数记为N，则加速后的制动频次则是SUM与N的商的百分数。例如表3所示，根据得分结果和得分评判标准 (如图5所示)，可以确定表3中的加速后制动频次体现了该目标驾驶员的驾驶行为属于激进一级。
表3
Figure BDA0002773697610000121
根据加速后的制动频次分布可以确定目标驾驶员对于制动踏板的使用习惯和特点，使用制动踏板位置分布得到的驾驶模型，能够更接近目标驾驶员在制动踏板上的使用习惯，进而提高驾驶模型的实时变化性、精确度和灵活性。
步骤S13，基于不同车速下变道开始时刻TTC的平均值、不同车速下的变道时长、以及百公里变道次数，确定目标驾驶员的变道激进程度。
2.1不同车速下变道开始时刻TTC的平均值
不同车速下变道开始时刻TTC的平均值是按照如下方式获得的：
步骤S41，从驾驶行为数据中获得多组变道驾驶行为数据。
从驾驶行为数据中筛选多组变道驾驶行为数据。变道驾驶行为数据可以根据转向灯信号突变、方向盘转角信号超过阈值、车辆横摆角速度信号超过阈值、车道线信号发生突变确定。
步骤S42，根据多组变道驾驶行为数据中的每组变道驾驶行为数据变道开始时刻的TTC，确定不同车速下变道开始时刻TTC的平均值。TTC是指相对距离与相对速度的商。
表4
Figure BDA0002773697610000131
其中，每组变道驾驶行为数据变道开始时刻的TTC是按照如下方式获得的：
步骤S421，根据变道驾驶行为数据，确定变道开始时刻对应的目标车辆与目标车道上的前车之间的第一相对速度和第一相对距离，以及目标车辆与目标车道上的后车之间的第二相对速度和第二相对距离。
步骤S422，根据第一相对速度和第一相对距离、以及第二相对速度和第二相对距离，确定每组变道驾驶行为数据变道开始时刻的TTC。
如表4所示，将目标车辆的在变道开始时刻的车速划分为0～10，10～20， 20～30，30～40，40～50，50～60，60～70，70～80，80～90，90～100，100～110，110～120， 120～130，再根据各个车速段对应的TTC平均值和得分评判标准(如图6所示)，可以确定表4中的变道开始时刻分布体现了该目标驾驶员的驾驶行为属于激进一级。
根据不同车速下变道开始时刻TTC的平均值可以确定目标驾驶员在变道过程中的习惯和特点，使用不同车速下变道开始时刻TTC的平均值得到的驾驶模型，能够更接近目标驾驶员在变道上的操作习惯，进而提高驾驶模型的实时变化性、精确度和灵活性。
2.2不同车速下的变道时长
表5
Figure BDA0002773697610000141
从驾驶行为数据中获得变道起始时刻与变道结束时刻之间的变道时长。将方向盘转角大于阈值的时刻记为变道起始时刻；将方向盘转角信号小于阈值，且车辆横摆角速度信号小于阈值的时刻记为变道结束时刻。计算相邻变道起始时刻和变道结束时刻之间的时间差值，记为变道时长。如表5所示，将目标车辆的在变道开始时刻的车速划分为30～40，40～50，50～60，60～70，70～80，80～90， 90～100，100～110，110～120，120～130(车速为0-30以内为拥堵时刻，不予考虑)，再根据各个车速段对应的变道时长和得分评判标准(如图7所示)，确定表5中的变道时刻车速范围分布体现了该目标驾驶员的驾驶行为属于激进二级。
根据不同车速下的变道时长可以确定目标驾驶员在变道过程中的习惯和特点，使用不同车速下的变道时长得到的驾驶模型，能够更接近目标驾驶员在变道上的操作习惯，进而提高驾驶模型的实时变化性、精确度和灵活性。
2.3百公里变道次数
从驾驶行为数据中获得平均每百公里的变道次数。如表6所示，根据百公里变道次数和得分评判标准(如图8所示)，可以确定表6中的百公里变道次数体现了该目标驾驶员的驾驶行为属于激进二级。
表6
Figure BDA0002773697610000151
根据百公里变道次数可以确定目标驾驶员在变道过程中的习惯和特点，使用百公里变道次数得到的驾驶模型，能够更接近目标驾驶员在变道上的操作习惯，进而提高驾驶模型的实时变化性、精确度和灵活性。
步骤S14，基于跟停过程中每次踩刹车时的TTC、红绿灯路口刹停过程中不同初速度下踩刹车次数、通过红绿灯路口时绿灯剩余时长小于预设时长的频次、以及通过红绿灯路口时黄灯剩余时长小于预设时长的频次，确定目标驾驶员的跟车激进程度。
3.1跟停过程中每次踩刹车时的TTC
跟停过程中每次踩刹车时的TTC是按照如下方式获得的：
步骤S51，从驾驶行为数据中获得多组跟停驾驶行为数据。
步骤S52，获得多组跟停驾驶行为数据中的每组跟停驾驶行为数据中每次踩刹车时目标车辆与前车之间的第三相对距离和第三相对速度。
步骤S53，根据第三相对距离和第三相对速度，确定每次踩刹车时的TTC。
如表7所示，根据跟停过程每次踩刹车时TTC平均值和得分评判标准(如图9所示)，可以确定表7中的跟停过程每次踩刹车时TTC平均值体现了该目标驾驶员的驾驶行为属于激进一级。
表7
Figure BDA0002773697610000161
根据跟停过程中每次踩刹车时的TTC可以确定目标驾驶员对于跟车过程中的习惯和特点，使用跟停过程中每次踩刹车时的TTC得到的驾驶模型，能够更接近目标驾驶员在跟车过程中的操作习惯，进而提高驾驶模型的实时变化性、精确度和灵活性。3.2红绿灯路口刹停过程中不同初速度下踩刹车次数
如表8所示，将目标车辆的在刹停过程中不同初速度划分为0～10，10～20， 20～30，30～40，40～50，50～60，60～70，再根据刹停过程中不同初速度下踩刹车次数和得分评判标准(如图10所示)，可以确定表8中的刹停过程中不同初速度下踩刹车次数体现了该目标驾驶员的驾驶行为属于激进一级。
表8
Figure BDA0002773697610000162
根据红绿灯路口刹停过程中不同初速度下踩刹车次数可以确定目标驾驶员在红路灯路口的操作习惯和特点，使用红绿灯路口刹停过程中不同初速度下踩刹车次数得到的驾驶模型，能够更接近目标驾驶员在红路灯路口的操作习惯，进而提高驾驶模型的实时变化性、精确度和灵活性。
3.3通过红绿灯路口时绿灯剩余时长小于预设时长的频次，以及通过红绿灯路口时黄灯剩余时长小于预设时长的频次。
从驾驶行为数据中获得红绿灯路口时绿灯剩余时长小于预设时长的次数 (记为SUM1)，将总里程数记为N，则通过红绿灯路口时绿灯剩余时长小于预设时长的频次则为SUM1与N的商。
通过红绿灯路口时黄灯剩余时长小于预设时长的次数(记为SUM2)，将总里程数记为N，则通过红绿灯路口时黄灯剩余时长小于预设时长的频次则为 SUM2与N的商。
如表9所示，根据绿灯/黄灯剩余时间小于预设时间的频次和得分评判标准 (如图11所示)，可以确定表9中的绿灯/黄灯剩余时间小于预设时间的频次体现了该目标驾驶员的驾驶行为属于激进一级。
表9
Figure BDA0002773697610000171
根据通过红绿灯路口时绿灯剩余时长小于预设时长的频次，以及通过红绿灯路口时黄灯剩余时长小于预设时长的频次，可以确定目标驾驶员在红路灯路口的操作习惯和特点，使用通过红绿灯路口时绿灯剩余时长小于预设时长的频次，以及通过红绿灯路口时黄灯剩余时长小于预设时长的频次得到的驾驶模型，能够更接近目标驾驶员在红路灯路口的操作习惯，进而提高驾驶模型的实时变化性、精确度和灵活性。
本申请从对目标车辆本身、目标车辆周围的其他车辆之间的运动关系、以及目标车辆与红绿灯之间的交互关系，对驾驶行为数据进行分析，将分析得到的结果(包括加速激进程度、变道激进程度以及跟车激进程度)作为训练数据对驾驶模型进行训练，进而大大提高了驾驶行为分析的广度，也在一定程度上解除传统训练过程对驾驶模型的限制，提高了驾驶模型的实时变化性、精确度和灵活性。
步骤S15，基于加速激进程度、变道激进程度以及跟车激进程度进行模型训练，获得目标驾驶员的驾驶模型。
将加速激进程度、变道激进程度以及跟车激进程度输入初始模型进行训练，进而获得目标驾驶员的驾驶模型。加速激进程度、变道激进程度以及跟车激进程度均是由目标驾驶员驾驶目标车辆获得的驾驶行为数据确定的。因此，驾驶行为数据能够体现目标驾驶员的驾驶习惯，进而可以对驾驶行为数据进行统计分析，得到目标驾驶员的加速习惯、变道习惯以及跟车习惯，进而对驾驶模型进行训练。由于对驾驶模型进行训练的数据均来自于目标驾驶员的驾驶行为数据，因此，该驾驶模型与目标驾驶员的驾驶习惯最匹配。
同理，将不同的驾驶员分别作为目标驾驶员，并驾驶目标车辆获得驾驶行为数据，即针对不同的驾驶员，分别执行步骤S11-步骤S15，便能得到与各个不同驾驶员匹配的驾驶模型，将此驾驶模型应用于无人驾驶技术中，便能够根据驾驶员的驾驶行为习惯调整对应的驾驶模型，进而提升无人驾驶的驾乘体验。
本申请通过对目标驾驶员(即同一个驾驶员)的驾驶行为数据进行分析，得到目标驾驶员的加速激进程度、变道激进程度以及跟车激进程度，通过加速激进程度、变道激进程度以及跟车激进程度概括目标驾驶员的驾驶特点，一方面，将加速激进程度、变道激进程度以及跟车激进程度作为训练数据对驾驶模型进行训练，进而更接近穷尽所有驾驶状态和驾驶环境的训练数据，在一定程度上解除传统训练过程对驾驶模型的限制，提高了驾驶模型的实时变化性、精确度和灵活性。例如，传统驾驶模型(即通过有限且原始的训练数据进行训练得到的模型)只能应对已经被训练过的驾驶状态和驾驶环境，当驾驶状态和驾驶环境与训练数据有区别，则无法灵活应对。而本申请提供的驾驶模型(即利用本申请所提供的一种驾驶模型训练方法进行处理过的驾驶行为数据进行训练得到的驾驶模型)是以驾驶行为数据中总结的规律或者说驾驶行为习惯进行训练得到的，在应对没有训练过的场景时可以在一定程度上灵活处理，进而更加拟人化。
基于同一发明构思，本申请提供了如图12所示的一种驾驶模型训练装置，装置包括：
驾驶行为数据获取模块121，用于获取目标驾驶员驾驶目标车辆的驾驶行为数据；其中，驾驶行为数据包括不同道路类型上的加速踏板位置分布、起步过程的加速速度和加速时间分布、加速后的制动频次分布、不同车速下变道开始时刻TTC的平均值、不同车速下的变道时长、百公里变道次数、跟停过程中每次踩刹车时的TTC、红绿灯路口刹停过程中不同初速度下踩刹车次数、通过红绿灯路口时绿灯剩余时长小于预设时长的频次、以及通过红绿灯路口时黄灯剩余时长小于预设时长的频次；
第一确定模块122，用于基于不同道路类型上的加速踏板位置分布、起步过程的加速速度和加速时间分布、以及加速后的制动频次分布，确定目标驾驶员的加速激进程度；
第二确定模块123，用于基于不同车速下变道开始时刻TTC的平均值、不同车速下的变道时长、以及百公里变道次数，确定目标驾驶员的变道激进程度；
第三确定模块124，用于基于跟停过程中每次踩刹车时的TTC、红绿灯路口刹停过程中不同初速度下踩刹车次数、通过红绿灯路口时绿灯剩余时长小于预设时长的频次、以及通过红绿灯路口时黄灯剩余时长小于预设时长的频次，确定目标驾驶员的跟车激进程度；
模型训练模块125，用于基于加速激进程度、变道激进程度以及跟车激进程度进行模型训练，获得目标驾驶员的驾驶模型。
更优地，第一确定模块122包括：
目标加速踏板数据确定子模块，用于从驾驶行为数据中分别获得不同道路类型对应的目标加速踏板数据；
油门开度最大值获得子模块，用于从目标加速踏板数据中获得每一次加速踏板被持续踩踏时的油门开度最大值；
加速踏板位置分布确定子模块，用于根据每一次加速踏板被持续踩踏时的油门开度最大值，确定不同道路类型对应的加速踏板位置分布。
更优地，第一确定模块122包括：
第一获得子模块，用于从驾驶行为数据中获得目标加速过程的加速结束时刻速度值和目标加速过程的加速持续时间；其中，目标加速过程是指车速从0 增加至稳定值的过程；
第一确定子模块，用于根据加速结束时刻速度值和加速持续时间，确定起步过程的加速速度和加速时间分布。
更优地，第二确定模块123包括：
变道驾驶行为数据获得子模块，用于从驾驶行为数据中获得多组变道驾驶行为数据；
TTC平均值确定子模块，用于根据多组变道驾驶行为数据中的每组变道驾驶行为数据变道开始时刻的TTC，确定不同车速下变道开始时刻TTC的平均值；
其中，TTC平均值确定子模块包括：
第二确定子模块，用于根据变道驾驶行为数据，确定变道开始时刻对应的目标车辆与目标车道上的前车之间的第一相对速度和第一相对距离，以及目标车辆与目标车道上的后车之间的第二相对速度和第二相对距离；
第三确定子模块，用于根据第一相对速度和第一相对距离、以及第二相对速度和第二相对距离，确定每组变道驾驶行为数据变道开始时刻的TTC。
更优地，第三确定模块124包括：
第二获得子模块，用于从驾驶行为数据中获得多组跟停驾驶行为数据；
第三获得子模块，用于获得多组跟停驾驶行为数据中的每组跟停驾驶行为数据中每次踩刹车时目标车辆与前车之间的第三相对距离和第三相对速度；
TTC确定子模块，用于根据第三相对距离和第三相对速度，确定每次踩刹车时的TTC。
基于同一发明构思，本申请提供了如图13所示的一种电子设备，包括：
处理器131；
用于存储处理器131可执行指令的存储器132；
其中，处理器131被配置为执行以实现一种驾驶模型训练方法。
基于同一发明构思，本申请提供了一种非临时性计算机可读存储介质，当存储介质中的指令由电子设备的处理器131执行时，使得电子设备能够执行实现一种驾驶模型训练方法。
由于本实施例所介绍的电子设备为实施本申请实施例中信息处理的方法所采用的电子设备，故而基于本申请实施例中所介绍的信息处理的方法，本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式，所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中信息处理的方法所采用的电子设备，都属于本申请所欲保护的范围。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。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、嵌入式处理机或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。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种驾驶模型训练方法，其特征在于，所述方法包括：
获取目标驾驶员驾驶目标车辆的驾驶行为数据；其中，所述驾驶行为数据包括不同道路类型上的加速踏板位置分布、起步过程的加速速度和加速时间分布、加速后的制动频次分布、不同车速下变道开始时刻TTC的平均值、不同车速下的变道时长、百公里变道次数、跟停过程中每次踩刹车时的TTC、红绿灯路口刹停过程中不同初速度下踩刹车次数、通过红绿灯路口时绿灯剩余时长小于预设时长的频次、以及通过红绿灯路口时黄灯剩余时长小于所述预设时长的频次；
基于所述不同道路类型上的加速踏板位置分布、所述起步过程的加速速度和加速时间分布、以及所述加速后的制动频次分布，确定所述目标驾驶员的加速激进程度；
基于所述不同车速下变道开始时刻TTC的平均值、所述不同车速下的变道时长、以及所述百公里变道次数，确定所述目标驾驶员的变道激进程度；
基于所述跟停过程中每次踩刹车时的TTC、所述红绿灯路口刹停过程中不同初速度下踩刹车次数、所述通过红绿灯路口时绿灯剩余时长小于预设时长的频次、以及所述通过红绿灯路口时黄灯剩余时长小于所述预设时长的频次，确定所述目标驾驶员的跟车激进程度；
基于所述加速激进程度、所述变道激进程度以及所述跟车激进程度进行模型训练，获得所述目标驾驶员的驾驶模型。
2.如权利要求1所述的方法，其特征在于，所述不同道路类型上的加速踏板位置分布是按照如下方式获得的：
从所述驾驶行为数据中分别获得不同道路类型对应的目标加速踏板数据；
从所述目标加速踏板数据中获得每一次加速踏板被持续踩踏时的油门开度最大值；
根据所述每一次加速踏板被持续踩踏时的油门开度最大值，确定不同道路类型对应的加速踏板位置分布。
3.如权利要求1所述的方法，其特征在于，所述起步过程的加速速度和加速时间分布是按照如下方式获得的：
从所述驾驶行为数据中获得目标加速过程的加速结束时刻速度值和所述目标加速过程的加速持续时间；其中，所述目标加速过程是指车速从0增加至稳定值的过程；
根据所述加速结束时刻速度值和所述加速持续时间，确定起步过程的加速速度和加速时间分布。
4.如权利要求1所述的方法，其特征在于，所述不同车速下变道开始时刻TTC的平均值是按照如下方式获得的：
从所述驾驶行为数据中获得多组变道驾驶行为数据；
根据所述多组变道驾驶行为数据中的每组变道驾驶行为数据变道开始时刻的TTC，确定不同车速下变道开始时刻TTC的平均值；
其中，每组变道驾驶行为数据变道开始时刻的TTC是按照如下方式获得的：
根据所述变道驾驶行为数据，确定变道开始时刻对应的所述目标车辆与目标车道上的前车之间的第一相对速度和第一相对距离，以及所述目标车辆与所述目标车道上的后车之间的第二相对速度和第二相对距离；
根据所述第一相对速度和所述第一相对距离、以及所述第二相对速度和所述第二相对距离，确定每组变道驾驶行为数据变道开始时刻的TTC。
5.如权利要求1所述的方法，其特征在于，所述跟停过程中每次踩刹车时的TTC是按照如下方式获得的：
从所述驾驶行为数据中获得多组跟停驾驶行为数据；
获得所述多组跟停驾驶行为数据中的每组跟停驾驶行为数据中每次踩刹车时所述目标车辆与前车之间的第三相对距离和第三相对速度；
根据所述第三相对距离和所述第三相对速度，确定每次踩刹车时的TTC。
6.如权利要求1所述的方法，其特征在于，所述获取目标驾驶员驾驶目标车辆的驾驶行为数据，包括：
基于数据采集系统获取所述驾驶行为数据；其中，所述数据采集系统安装在所述目标车辆上；
所述数据采集系统包括：第一感知设备、第二感知设备、第三感知设备、第四感知设备、自车数据监测设备、定位设备以及存储设备；
其中，所述第一感知设备包括第一角雷达、第二角雷达、第三角雷达、第四角雷达以及前雷达；第二感知设备包括智能相机；所述第三感知设备和所述第四感知设备均采用V2XBOX。
7.一种驾驶模型训练装置，其特征在于，所述装置包括：
驾驶行为数据获取模块，用于获取目标驾驶员驾驶目标车辆的驾驶行为数据；其中，所述驾驶行为数据包括不同道路类型上的加速踏板位置分布、起步过程的加速速度和加速时间分布、加速后的制动频次分布、不同车速下变道开始时刻TTC的平均值、不同车速下的变道时长、百公里变道次数、跟停过程中每次踩刹车时的TTC、红绿灯路口刹停过程中不同初速度下踩刹车次数、通过红绿灯路口时绿灯剩余时长小于预设时长的频次、以及通过红绿灯路口时黄灯剩余时长小于所述预设时长的频次；
第一确定模块，用于基于所述不同道路类型上的加速踏板位置分布、所述起步过程的加速速度和加速时间分布、以及所述加速后的制动频次分布，确定所述目标驾驶员的加速激进程度；
第二确定模块，用于基于所述不同车速下变道开始时刻TTC的平均值、所述不同车速下的变道时长、以及所述百公里变道次数，确定所述目标驾驶员的变道激进程度；
第三确定模块，用于基于所述跟停过程中每次踩刹车时的TTC、所述红绿灯路口刹停过程中不同初速度下踩刹车次数、所述通过红绿灯路口时绿灯剩余时长小于预设时长的频次、以及所述通过红绿灯路口时黄灯剩余时长小于所述预设时长的频次，确定所述目标驾驶员的跟车激进程度；
模型训练模块，用于基于所述加速激进程度、所述变道激进程度以及所述跟车激进程度进行模型训练，获得所述目标驾驶员的驾驶模型。
8.如权利要求7所述的装置，其特征在于，所述第一确定模块包括：
目标加速踏板数据确定子模块，用于从所述驾驶行为数据中分别获得不同道路类型对应的目标加速踏板数据；
油门开度最大值获得子模块，用于从所述目标加速踏板数据中获得每一次加速踏板被持续踩踏时的油门开度最大值；
加速踏板位置分布确定子模块，用于根据所述每一次加速踏板被持续踩踏时的油门开度最大值，确定不同道路类型对应的加速踏板位置分布。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行以实现如权利要求1至6中任一项所述的一种驾驶模型训练方法。
10.一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行实现如权利要求1至6中任一项所述的一种驾驶模型训练方法。
CN202011258084.0A 2020-11-12 2020-11-12 一种驾驶模型训练方法、装置、设备和介质 Active CN112508054B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011258084.0A CN112508054B (zh) 2020-11-12 2020-11-12 一种驾驶模型训练方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011258084.0A CN112508054B (zh) 2020-11-12 2020-11-12 一种驾驶模型训练方法、装置、设备和介质

Publications (2)

Publication Number Publication Date
CN112508054A CN112508054A (zh) 2021-03-16
CN112508054B true CN112508054B (zh) 2022-04-26

Family

ID=74957130

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011258084.0A Active CN112508054B (zh) 2020-11-12 2020-11-12 一种驾驶模型训练方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN112508054B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113119999B (zh) * 2021-04-16 2024-03-12 阿波罗智联(北京)科技有限公司 自动驾驶特征的确定方法、装置、设备、介质及程序产品
CN113298361A (zh) * 2021-05-06 2021-08-24 深圳市锐明技术股份有限公司 一种危险驾驶行为的评价方法、装置、电子设备及系统
CN113525400A (zh) * 2021-06-21 2021-10-22 上汽通用五菱汽车股份有限公司 变道提醒方法、装置、车辆及可读存储介质
CN113428164B (zh) * 2021-07-21 2023-01-03 上汽通用五菱汽车股份有限公司 驾驶习惯学习方法、装置及计算机可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103150677A (zh) * 2013-02-27 2013-06-12 清华大学 激进驾驶状态识别方法及系统
US8989914B1 (en) * 2011-12-19 2015-03-24 Lytx, Inc. Driver identification based on driving maneuver signature
CN105679020A (zh) * 2016-01-29 2016-06-15 深圳市美好幸福生活安全系统有限公司 一种驾驶行为分析装置和方法
CN106314428A (zh) * 2016-09-14 2017-01-11 中国科学院微电子研究所 一种避撞系统、避撞方法及机动车辆
CN109801511A (zh) * 2017-11-16 2019-05-24 华为技术有限公司 一种碰撞预警方法及装置
CN111619576A (zh) * 2020-06-03 2020-09-04 中国第一汽车股份有限公司 一种控制方法、装置、设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9171409B2 (en) * 2011-05-04 2015-10-27 GM Global Technology Operations LLC System and method for vehicle driving style determination

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8989914B1 (en) * 2011-12-19 2015-03-24 Lytx, Inc. Driver identification based on driving maneuver signature
CN103150677A (zh) * 2013-02-27 2013-06-12 清华大学 激进驾驶状态识别方法及系统
CN105679020A (zh) * 2016-01-29 2016-06-15 深圳市美好幸福生活安全系统有限公司 一种驾驶行为分析装置和方法
CN106314428A (zh) * 2016-09-14 2017-01-11 中国科学院微电子研究所 一种避撞系统、避撞方法及机动车辆
CN109801511A (zh) * 2017-11-16 2019-05-24 华为技术有限公司 一种碰撞预警方法及装置
CN111619576A (zh) * 2020-06-03 2020-09-04 中国第一汽车股份有限公司 一种控制方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
风险驾驶行为识别及干预研究综述;李艳 等;《汽车与安全》;20200331;第79-85页 *

Also Published As

Publication number Publication date
CN112508054A (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
CN112508054B (zh) 一种驾驶模型训练方法、装置、设备和介质
EP3533681B1 (en) Method for detecting safety of driving behavior, apparatus and storage medium
US20190143992A1 (en) Self-driving learning apparatus and method using driving experience information
CN111731284B (zh) 一种辅助驾驶方法、装置、车载终端设备和存储介质
CN110562258B (zh) 一种车辆自动换道决策的方法、车载设备和存储介质
EP4120215A1 (en) Method for identifying abnormal driving behavior
CN111409648B (zh) 一种驾驶行为分析方法及装置
CN111565361A (zh) 基于v2v的车辆紧急制动预警系统的测试方法及测试系统
CN113744563B (zh) 一种基于轨迹数据的路-车风险实时估计方法
CN113212454B (zh) 车辆行驶状态的调整方法、装置、计算机设备和存储介质
JP2008285015A (ja) 運転タイプ判別装置、プログラム、及び運転支援装置
CN112100857B (zh) 一种分心驾驶行为的风险评估方法
CN111209880A (zh) 车辆行为识别方法、装置
CN111422202B (zh) 智能驾驶考试评判方法
CN116331221A (zh) 辅助驾驶方法、装置、电子设备及存储介质
CN117246333B (zh) 一种基于近场预知信息的车辆驱制动需求预测方法
CN115731695A (zh) 一种场景安全等级确定方法、装置、设备及存储介质
CN116039674A (zh) 一种自动驾驶控制方法、装置、车辆及存储介质
CN116022134A (zh) 一种车辆低速紧急制动方法、系统、电子设备及存储介质
CN113538893B (zh) 车辆预警方法、控制方法、装置及电子设备
CN112744223A (zh) 自动驾驶车辆交叉路口表现评价方法及系统
CN115966100B (zh) 一种行车安全控制方法及系统
CN116946089B (zh) 一种智能刹车辅助系统
CN117601903B (zh) 车辆行驶场景的生成方法、装置和存储介质及电子设备
CN117274950A (zh) 一种驾驶场景的识别方法、装置及设备

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