CN112805724B - 车辆驾驶场景识别方法及装置 - Google Patents

车辆驾驶场景识别方法及装置 Download PDF

Info

Publication number
CN112805724B
CN112805724B CN202180000124.8A CN202180000124A CN112805724B CN 112805724 B CN112805724 B CN 112805724B CN 202180000124 A CN202180000124 A CN 202180000124A CN 112805724 B CN112805724 B CN 112805724B
Authority
CN
China
Prior art keywords
vehicle
driving
sequence
driving behavior
lane
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
CN202180000124.8A
Other languages
English (en)
Other versions
CN112805724A (zh
Inventor
王嘉伟
曾振华
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.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies 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 Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Publication of CN112805724A publication Critical patent/CN112805724A/zh
Application granted granted Critical
Publication of CN112805724B publication Critical patent/CN112805724B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请提供了一种车辆驾驶场景识别方法及装置。该方案包括：根据第一车辆在当前时段的行驶数据获得第二车辆的特征序列；然后，根据获得的特征序列，利用动态时间规整算法识别第一车辆周围的第二车辆的驾驶行为；最后利用场景库匹配第二车辆的驾驶场景。本方案提高了识别车辆驾驶行为的效率和准确度，还减小了识别车辆驾驶行为的成本；同时，主动识别第一车辆周围第二车辆的驾驶场景，可为第一车辆下一阶段的驾驶操作提供参考依据，可提升第一车辆的驾驶安全性。

Description

车辆驾驶场景识别方法及装置
技术领域
本申请涉及智能驾驶技术领域，尤其涉及一种车辆驾驶场景识别方法及装置。
背景技术
随着自动驾驶和辅助驾驶技术的发展，越来越多的公司在研发或已经量产，可在实际车道中控制车辆自行行驶的驾驶系统，从而使得安装该驾驶系统的车辆具备无人干预的自动驾驶功能。
当前对车辆驾驶行为进行识别的智能驾驶解决方案，通常是通过车队收集车辆驾驶数据预先训练深度学习模型，再利用训练后的深度学习模型对车辆的驾驶行为进行识别。例如在确定是否发生前方车辆切入动作时，现有技术通常是先捕捉自身车辆自身及前向所有车道上车辆的驾驶数据，数据包括车辆位置和车辆速度，通过预先训练的识别模块进行动作识别。如果识别出发生了切入动作，则将切入动作完整的数据，包括：本车和切入车辆的驾驶数据以及道路情况发送至云端服务器，云端根据上传的数据识别是否发生前方车辆切入的动作。
随着机器学习模型变得越来越复杂，例如更深层次的神经网络，对训练数据集量级的必要性也相应增加。因此，在处理相邻车道的车辆“切入”动作判断/识别时，如果想更加准确地模仿驾驶员的预判和分析水准，就需要提供大规模的实际道路数据训练模型，训练数据集积累较困难且成本偏高。同时，在训练模型时，没有区分区域，本地相关性差，识别出的结果准确度不高。
发明内容
本申请提供了一种车辆驾驶场景识别方法及装置，采用动态时间规整算法计算相似度和识别车辆行驶区域相结合的方法获得车辆的驾驶行为，以解决现有技术中通过模型识别驾驶行为时存在的训练数据集积累较困难且成本高的问题，以及在场景库匹配车辆的驾驶场景，实现车辆驾驶场景识别的目的。
第一方面，本申请提供一种车辆驾驶场景识别方法，该方法包括：
获取第一车辆在当前时段的行驶数据；
根据所述行驶数据获得第二车辆的特征序列，所述第二车辆用于指示所述第一车辆周围的车辆，所述特征序列包括：速度序列、所述第二车辆与参考车道线的距离序列以及所述第二车辆与参考车道线的夹角序列；
利用动态时间规整算法，获得所述第二车辆的特征序列与预设的驾驶行为基准序列之间的相似度；
根据所述相似度确定所述第二车辆在所述当前时段的驾驶行为；
根据所述第二车辆在当前时段的驾驶行为，利用预先构建的场景库匹配所述第二车辆在所述当前时段的驾驶场景。
由上，本申请采用动态时间规整算法计算相似度的方法识别第二车辆的驾驶行为，相比通过训练后的模型进行识别，提高了识别驾驶行为的准确度；基于动态时间规整算法可以高效处理大量数据流且时间短的特点，提高了识别驾驶行为的效率；此外，本申请通过第二车辆的驾驶行为主动匹配该车辆的驾驶场景，可为第一车辆的驾驶操作提供参考，在一定程度上可提高第一车辆的安全性。
在一个可能的实施例中，在所述利用动态时间规整算法，获得所述第二车辆的特征序列与驾驶行为基准序列之间的相似度之前，所述方法还包括：
识别所述第一车辆行驶的区域；
在数据库中提取所述第一车辆行驶的区域对应的所述预设的驾驶行为基准序列，所述数据库包括不同区域对应的驾驶行为基准序列。
由上，本申请识别第一车辆行驶的区域可进一步提高识别其周围第二车辆驾驶行为的速度，进一步节约识别驾驶行为的时间成本。
在一个可能的实施例中，在根据所述行驶数据获得第二车辆的特征序列之前，所述方法还包括：
对所述行驶数据做降噪处理和平滑处理。
由上，本申请对行驶数据进行处理，可减少数据采集误差对识别驾驶行为的影响，提高识别的准确度。
在一个可能的实施例中，所述参考车道线为所述第一车辆行驶的车道的一个车道线。
在一个可能的实施例中，所述第一车辆行驶的车道为曲线车道，所述方法还包括：
按照所述曲线车道的曲率对所述距离序列进行曲率补偿。
由上，第一车辆行驶在曲线车道时，本申请对距离序列进行曲率补偿，可有效降低路面特征对采集的行驶数据的影响，提高识别驾驶行为的准确度。
在一个可能的实施例中，所述根据所述相似度确定所述第二车辆在所述当前时段的驾驶行为包括：
判断所述相似度是否满足预设条件；
将满足所述预设条件的相似度对应的驾驶行为基准序列表征的驾驶行为，作为所述第二车辆在所述当前时段的驾驶行为。
在一个可能的实施例中，还包括：
根据不同场景对应的历史行驶图像，获得所述不同场景对应的驾驶行为；
根据所述不同场景及所述不同场景对应的驾驶行为，构建所述场景库。
第二方面，本申请还提供一种车辆驾驶场景识别装置，该装置包括：
数据获取单元，用于获取第一车辆在当前时段的行驶数据；
特征获取单元，用于根据所述行驶数据获得第二车辆的特征序列，所述第二车辆用于指示所述第一车辆周围的车辆，所述特征序列包括：速度序列、所述第二车辆与参考车道线的距离序列和所述第二车辆与参考车道线的夹角序列；
相似度计算单元，用于利用动态时间规整算法，获得所述第二车辆的特征序列与预设的多个驾驶行为基准序列之间的相似度；
行为识别单元，用于根据所述相似度确定所述第二车辆在所述当前时段的驾驶行为；
场景匹配单元，用于根据所述第二车辆在当前时段的驾驶行为，利用预先构建的场景库匹配所述第二车辆在所述当前时段的驾驶场景。
在一个可能的实施例中，所述相似度计算单元还用于：
识别所述第一车辆行驶的区域；
在数据库中提取所述第一车辆行驶的区域对应的所述预设的驾驶行为基准序列，所述数据库包括不同区域对应的驾驶行为基准序列。
在一个可能的实施例中，所述特征获取单元还用于：
对所述行驶数据做降噪处理和平滑处理。
在一个可能的实施例中，所述参考车道线为所述第一车辆行驶的车道的一个车道线。
在一个可能的实施例中，所述第一车辆行驶的车道为曲线车道，所述装置还包括：
曲率补偿单元，用于按照所述曲线车道的曲率对所述距离序列进行曲率补偿。
在一个可能的实施例中，所述行为识别单元具体用于：
判断所述相似度是否满足预设条件；
将满足所述预设条件的相似度对应的驾驶行为基准序列表征的驾驶行为，作为所述第二车辆在所述当前时段的驾驶行为。
在一个可能的实施例中，还包括场景库构建单元，用于：
根据不同场景对应的历史行驶图像，获得所述不同场景对应的驾驶行为；
根据所述不同场景及所述不同场景对应的驾驶行为，构建所述场景库。
第三方面，本申请还提供一种计算机存储介质，所述计算机存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行如本申请第一方面所述的一种车辆驾驶场景识别方法。
第四方面，本申请还提供一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使得所述计算机执行如本申请第一方面所述的一种车辆驾驶场景识别方法。
附图说明
图1是本申请提供的应用场景系统结构图；
图2是本申请实施例提供的一种车辆驾驶场景识别方法的流程图；
图3是本申请实施例提供的经降噪和平滑处理后的效果示意图；
图4a是本申请实施例提供的第一车辆和第二车辆在直线车道的位置关系示意图；
图4b是本申请实施例提供的第一车辆和第二车辆在曲线车道的位置关系示意图；
图5是本申请实施例提供的结合窗函数和动态时间规整算法计算相似度的示意图；
图6是本申请实施例提供的两个序列的相似性对比图；
图7a是本申请实施例提供的第二车辆左换道时与参考车道线的距离变化示意图；
图7b是本申请实施例提供的第二车辆右换道时与参考车道线的距离变化示意图；
图7c是本申请实施例提供的第一车辆左换道时与参考车道线的距离变化示意图；
图7d是本申请实施例提供的第一车辆右换道时与参考车道线的距离变化示意图；
图8是本申请实施例提供的驾驶场景及驾驶行为的对应关系图；
图9是本申请实施例提供的一种车辆驾驶场景识别方法的流程图；
图10是本申请提供的两个区域中第二车辆插入第一车辆行驶车道的概率分布图；
图11是本申请实施例提供的车辆驾驶场景识别装置示意图。
具体实施方式
为了使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图，对本申请实施例中的技术方案进行描述。
在本申请实施例的描述中，“示性的”、“例如”或者“举例来说”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示性的”、“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示性的”、“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。
在本申请实施例的描述中，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，单独存在B，同时存在A和B这三种情况。另外，除非另有说明，术语“多个”的含义是指两个或两个以上。例如，多个系统是指两个或两个以上的系统，多个屏幕终端是指两个或两个以上的屏幕终端。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
图1是本申请提供的车辆驾驶场景识别的应用系统结构图。如图1所示，应用系统包括：高速公路或城区主干道上行驶的车辆和用于计算的云端服务器。车辆上安装有传感器、定位模块(GPS或导航地图HD Map)、以及负责传感器和云端服务器之间数据传输的无线网关T-Box。
可以理解的是，本申请实施例示意的车辆驾驶场景识别的应用系统的结构并不构成对本申请的具体限定。在本申请另一些实施例中，车辆驾驶场景识别的应用系统结构可以包括比图示更多或更少的模块，或者组合某些模块，或者拆分某些模块，或者不同的模块布置。图示的模块可以以硬件，或软件和硬件的组合实现。
应用系统中的车辆可以是能够模拟驾驶员操作的智能车辆，也可以是需要人工驾驶的普通车辆。按照消耗的能源来划分，车辆可以是新能源汽车，也可以是普通的燃油汽车。本申请实施例不对车辆的类别做具体限定。
在实际行驶中，车辆的驾驶行为会受到周围车辆的影响，对周围车辆的驾驶行为及驾驶场景进行快速识别，可以辅助驾驶员或者驾驶操作系统做出本车的驾驶操作。在本申请实施例中，为方便表述，将应用系统中某一车辆标记为第一车辆，第一车辆周围的车辆标记为第二车辆。本领域技术人员应知晓，第一车辆和第二车辆的设定是相对的，第一车辆和第二车辆可以互为彼此的周围车辆。
当对第一车辆周围的第二车辆进行场景识别时，先利用第一车辆上安装的各种传感器采集自身及周围车辆的行驶数据，例如摄像头和雷达；然后利用第一车辆安装的T-Box将传感器采集的行驶数据上传至云端服务器；云端服务器则根据上传的数据识别第二车辆的驾驶行为，将其作为第一车辆下一步执行驾驶操作的参考依据。
在实际驾驶中，当第二车辆距离第一车辆太远时，不会对第一车辆的驾驶操作造成影响。因此，可设置一个距离阈值，只识别距离阈值内的第二车辆的驾驶场景。设置距离阈值，一方面可以减少数据处理量，另一方面可以节省为第一车辆布置传感器产生的成本。本申请实施例对第二车辆是否安装传感器不做具体限定。
摄像头用来记录第二车辆的驾驶场景对应的图像数据。摄像头的工作原理是通过镜头采集图像，然后由内部的感光组件及控制组件对采集的图像进行处理，进而转换成其他系统可以识别的数字信号；其他系统通过摄像头的传输端口获得数字信号，接着进行图像还原就可以得到与实际场景一致的图像。在实际应用中，摄像头采集图像数据的视野范围以及摄像头的安装数量和安装位置可以进一步根据实际需要设计可行的方案。本申请实施例不对摄像头的视野范围、安装数量和安装位置做具体限定。
摄像头的类型可以根据用户的不同需求进行选择，只要能实现是视频摄像、传播和静态图像捕捉等基本功能即可。例如，摄像头可以是双目摄像头和单目摄像头等常用的车载摄像头中的一种或多种类型。
如果按信号类别选取，摄像头还可以是数字摄像头和模拟摄像头中的一种或两种类型，二者区别在于，对镜头采集的图像处理过程不同。数字摄像头是将采集的模拟信号转换成数字信号进行存储的，而模拟摄像头是利用特定的视频捕捉卡将模拟信号转换成数字模式，加以压缩后存储的。如果按摄像头中图像传感器类别划分，摄像头还可以是互补金属氧化物半导体(complementary metal oxide semiconductor，CMOS)类别的摄像头和电荷耦合器件(charge-coupled device，CCD)类别的摄像头中的一种或两种。
如果按接口类型划分，摄像头还可以是串口、并口、通用串行总线(UniversalSerial Bus，USB)和火线接口(IEEE1394)中的一种或多种类型。本申请实施例对摄像头类型同样不做具体限定。
雷达(radio detection and ranging，Radar)可以用来测量路况中第一车辆与不同目标之间的距离，还可以用来测量第二车辆的行驶速度。雷达是通过发出电磁波探测目标的电子设备，雷达的工作原理是通过发射电磁波对目标进行照射并接收其回波，由此获得探测的目标至电磁波发射点的距离、距离变化率(径向速度)、方位和高度等信息。
雷达在类型选取上可以根据实际应用场景的需求进行选择，可以是测速雷达、激光雷达、毫米波雷达和超声波雷达等常用车载雷达中的一种或多种。其中，激光雷达由于发送激光束进行探测，具有高精度、高分辨率和可以建立周边3D模型的优势，常用于车辆自动驾驶系统或辅助驾驶系统中；例如自适应巡航控制(Adaptive cruise control，ACC)、前车碰撞警示(Forward Collision Warning，FCW)、车道保持系统(Lane keep assistance，LKA)和自动泊车系统(Automatic parking，AP)。
除此之外，第一车辆上安装的雷达还可以是，能满足本申请实施例涉及的功能的其他类型的雷达。当利用雷达检测左车道线的位置时，采用的是基于雷达扫描点密度的车道线检测方法，该方法通过获取雷达扫描点的坐标并转换成栅格图，用原始数据映射栅格图，可以是直接坐标栅格图也可以是极坐标栅格图。按照后期处理需要进行选择，极坐标栅格图被直接用于车道线识别，即有多个点映射的栅格就被认为是车道线点。
雷达探测目标的范围与其安装数量、安装位置和设定的探测距离有关，在具体应用中，可以根据实际需要对雷达的安装的数量、安装位置和探测距离进行部署。同样地，本申请实施例不对影响雷达探测范围的因素做具体限定。
在一些实施例中，第一车辆还可以安装加速度传感器。加速度传感器用来测量第一车辆行进时的加速度和向心加速度。加速度传感器通常由质量块、阻尼器、弹性元件、敏感元件和适调电路等部分组成。在加速过程中，通过对质量块所受惯性力的测量，利用牛顿第二定律获得加速度值。汽车上常用的加速度传感器是压阻式加速度传感器，还可以是其他类型的传感器，例如电容式、电感式、应变式、压电式等。
此外，第一车辆还可以安装用于采集环境数据的传感器，环境数据可以用来对第一车辆下一步的驾驶场景进行判断。环境数据包括但不限于温度、湿度、气压、天气状况、车道数量、距离交通指示灯(红绿灯)的距离、匝道位置、禁行区域、行人位置、交通指示灯状态信息等。与环境数据相对应，传感器还可以包括但不限于定位传感器、惯性测量单元(Inertial measurement unit，IMU)、温度传感器、湿度传感器、气体检测传感器、环境传感、或者其他用于采集环境数据的传感器等，本申请实施例中不做限定。
T-Box具有远程无线通讯和CAN通讯功能，为整车提供远程通讯接口。具体是将传感器采集的各种数据上传至云端服务器，还将云端服务器下发的数据反馈给车辆安装的车载终端或反馈给车辆的控制系统，实现对驾驶员的辅助驾驶或车辆控制系统控制车辆自动驾驶。车载终端可以是用户使用的手机、平板电脑或其他可移动智能终端，还可以是安装在车辆上车载电脑。
T-Box还可以通过CAN总线接口获取车辆的状态数据，例如：车辆信息、整车控制器信息、电机控制器信息、电池管理系统BMS、车载充电机以及行驶里程、平均车速、燃油使用量、平均油耗等数据。T-box还可以提供计算或者存储功能。
定位模块用于实现车辆位置信息的采集。定位模块可以是基于全球卫星定位系统(GPS)的定位模块，通过接收GPS信号来定位车辆；还可以是基于其他卫星定位系统的定位模块，如基于北斗卫星定位系统的定位模块、基于格洛纳斯(GLONASS)全球定位系统的定位模块，以及基于伽利略(Galileo)全球定位系统的定位模块。
图2是本申请实施例提供的一种车辆驾驶场景识别方法的流程图。如图2所示，该方法应用于图1所示系统中的第一车辆，识别第一车辆周围的第二车辆的驾驶场景的具体过程包括下述的步骤S1～步骤S4。
步骤S1.根据第一车辆在当前时段的行驶数据，获得第二车辆在当前时段的特征序列。
在本申请的实施例中，上述行驶数据由第一车辆安装的传感器采集。其中，传感器按照预设的采样频率采集第一车辆在当前时段的行驶数据。
行驶数据包括：第一车辆与参考车道线的距离、第一车辆与第二车辆的相对距离、第一车辆的速度、第一车辆的向心加速度、第二车辆的速度以及第二车辆偏离第一车辆的竖直方向的夹角。
上述第一车辆与参考车道线的距离、第一车辆与第二车辆的相对距离、第一车辆的速度可由雷达测量得到，第一车辆的向心加速度可由加速度传感器测量得到，第二车辆偏离第一车辆的竖直方向的夹角可由摄像头采集的图像计算获得。
在传感器采集到行驶数据之后，传送至第一车辆的T-Box。第一车辆的T-Box将行驶数据上传至云端服务器。云端服务器接收上传的行驶数据后，首先对行驶数据做降噪和平滑处理。在一些实施例中，可以采用预先设计好的均值滤波器、中值滤波器、高斯滤波器或双边滤波器对行驶数据做降噪和平滑处理。图3示出了两种数据未进行降噪和平滑处理的曲线图。从图3可看出，由于环境对传感器的干扰，处理前的数据序列存在很多的毛刺现象。对其做降噪和平滑处理以滤除序列中的毛刺现象，提高数据的准确度。最后，云端服务器在处理后的行驶数据中获得第二车辆的特征序列。
在本申请的实施例中，第二车辆的特征序列包括：第二车辆与参考车道线的距离序列、第二车辆与参考车道线的夹角序列、和第二车辆的速度序列。
进一步地，第二车辆与参考车道线的夹角可以根据第一车辆安装的摄像头采集的图像获得；第二车辆的速度可由第一车辆的测速雷达获得。
在本申请的实施例中，将第一车辆行驶的车道的左侧车道线作为参考车道线，在其他实施例中，可将第一车辆行驶的车道的右侧车道线作为参考车道线
接下来，结合附图，示性的介绍本申请实施例是如何获得第二车辆与参考车道线的距离序列的。
首先，根据第一车辆的向心加速度，获得第一车辆行驶的车道的类别。其中，车道的类别一般分为直线车道和曲线车道。
在本申请实施例中，当第一车辆的向心加速度为零时，则认为第一车辆行驶的车道的类别是直线车道，不为零时，第一车辆行驶的车道的类别是曲线车道。
然后，根据获得的行驶数据确定第二车辆与参考车道线的距离序列。按照第一车辆行驶车道的不同，下面分别介绍两种情况的具体方案。
其一，当第一车辆处于直线车道时，第一车辆和第二车辆在直线车道的位置关系示意图如图4a所示。
将第一车辆与第二车辆的相对距离dS、第二车辆偏离第一车辆的竖直方向的夹角α代入公式(1)中，获得在第一方向上第一车辆和第二车辆之间的距离、以及在第二方向上第一车辆和第二车辆之间的距离，其中，第一方向为第一车辆的车身竖直方向，第二方向为第一车辆的车身水平方向。
Figure BDA0002927482580000081
公式(1)中，dSx为在第一方向上第一车辆和第二车辆之间的距离，dSy为在第二方向上第一车辆和第二车辆之间的距离。
然后，按照公式(2)将第一车辆与参考车道线的距离Ego_distoleft、第一车辆与第二车辆在第二方向上距离dSy做差，即可获得第二车辆与参考车道线的距离序列Obj_distoleft。
Obj_distoleft＝Ego_distoleft-dSy (2)
其二，当第一车辆处于曲线车道时，第一车辆和第二车辆在曲线车道的位置关系示意图如图4b所示。
区别于直线车道，由于曲线车道本身的曲率会额外增加两车之间的相对距离，为此，需对上面获得的距离序列进行曲率补偿，消除路面特征对距离序列造成的干扰。
具体地，先将第一车辆的速度v、第一车辆的向心加速度ay、第一车辆与第二车辆在第一方向上的距离dSx代入公式(3)中，获得第二车辆与参考车道线的距离补偿序列。
Figure BDA0002927482580000091
公式(3)中，yoff为第二车辆与参考车道线的距离补偿序列，r为第一车辆行驶的车道的半径，
Figure BDA0002927482580000092
符号函数sign(ay)的意义在于，根据第一车辆的向心加速度确定第二车辆在第一车辆的左侧还是右侧，从而得到的距离yoff的符号，当第二车辆在第一车辆的右侧时，yoff的符号为负，否则，yoff的符号为正。图4b中d为中间量，
Figure BDA0002927482580000093
然后按照公式(4)，利用距离补偿序列对参考序列进行曲率补偿，获得补偿后的第二车辆与参考车道线的距离的时间序列。
Obj_distoleft＝Ego_distoleft-d′Sy (4)
公式(4)中，d′Sy为参考序列与距离补偿序列的差值，d′Sy＝dSy-yoff。
步骤S2.计算第二车辆在当前时段的特征序列与预设的驾驶行为基准序列之间的相似度。
在本申请的实施例中，本步骤首先利用预设的窗函数对第二车辆的特征序列进行预处理，然后并利用动态时间规整算法计算特征序列与预设的驾驶行为基准序列之间的相似度。
具体地，首先按照如图5所示的结合窗函数和动态时间规整算法计算相似度的示意图，先采用预设的窗函数将特征序列离散化。常见的窗函数有矩形窗、三角窗、汉宁窗、海明窗和高斯窗等类型。本申请的实施例采用的窗函数是矩形窗。图5中winlen表示扫描窗宽度，shift表示扫描偏移量。扫描窗宽度与参考信号长度正相关，与计算时间正相关；扫描偏移量，与采样频率正相关，与计算时间负相关。两个参数的具体取值会影响识别驾驶行为的精度和运算时间成本。实际应用中，可以根据车辆驾驶行为的识别精度和运算时间成本的实际需求，在表1列出的组合值中选择设置两个参数的取值。
表1窗函数的扫描窗宽度和扫描偏移量组合取值表
Figure BDA0002927482580000101
然后将特征序列与预设的驾驶行为基准序列输入动态时间规整算法，获得动态时间规整算法输出的特征序列与该预设驾驶行为基准序列之间的相似度。图6示出了的两个序列的相似性对比图。图6中深色曲线表示基准序列，浅色曲线表示待对比的序列。从序列的变化趋势上可以识别出两个序列之间的相似性。将图6的左侧图中的序列分离放大后得到图6右侧的对比图。如图6的右侧图所示，从四个箭头所指示的部分，可以看出两个序列之间存在一定的相似性，采用动态时间规整算法可将这种相似性数量化，获得两者之间的相似度。
在本申请的实施例中，预设的驾驶行为基准序列是通过对采集的历史数据进行分析，提取到的每个驾驶行为的标准特征序列。
通过动态时间规整算法获得相似度，提高了识别车辆驾驶行为的速度；窗函数的使用解决了动态时间规整算法只能衡量两个离散时间序列之间的相似度，无法处理连续的时间序列的问题。
在本申请的实施例中，预设的驾驶行为包括：左换道、右换道、左转向、右转向、左转掉头、右转掉头、加速、减速和匀速。
进一步地，第二车辆是否在执行左转向、右转向、左转掉头或右转掉头的驾驶行为，可通过第二车辆与参考车道线的夹角序列来识别。
其中，以左转向和左转掉头为例，左转掉头的基准序列中会出现大于90°的夹角直至等180°，则左转向的变化趋势是由一个大于0小于90的初值趋近90。进而，可以此区分第二车辆的驾驶行为是左转向还是左转掉头。此外，区分左右方向时，需预先规定一个正方向。比如，以参考车道线左侧为正时，当第二车辆与参考车道线的夹角序列中未出现大于90°的夹角且未出现小于0°的夹角，即可认定第二车辆的驾驶行为是左转向；当第二车辆与参考车道线的夹角序列中未出现大于90°，但部分时段出现小于0°的夹角，即认定第二车辆的驾驶行为是右转向。第二车辆是否在执行加速、减速或匀速的驾驶行为，可通过第二车辆的速度序来列识别。
第二车辆是否在执行左换道或右换道的驾驶行为，可通过第二车辆与参考车道线的距离序列来识别。
接下来，以参考车道线为第一车辆的左侧车道线为例，说明第二车辆左换道和右换道时与参考车道线的距离变化的不同点。在本申请之外的其他实施例中，也可以将第一车辆行驶的车道的右侧车道线作为参考车道线。
下面以第二车辆位于第一车辆的右向车道为例，结合附图，示性的说明第二车辆左换道和右换道时与参考车道线的距离变化趋势。
图7a示出了第二车辆左换道时与参考车道线的距离变化示意图。图7a横轴表示时间，纵轴表示第二车辆与参考车道线的距离。如图7a所示，第二车辆左换道时，当参考车道线未发生变化时，第二车辆会逐渐靠近参考车道线，进而，第二车辆与参考车道线的距离先由一定初值逐渐变小。参考车道线未发生变化表明第一车辆为发生换道行为。
图7b示出了第二车辆右换道时与参考车道线的距离变化示意图。图7b横轴表示时间，纵轴表示第二车辆与参考车道线的距离。如图7b所示，第二车辆右换道时，当参考车道线未发生变化时，与左换道的变化趋势则相反，第二车辆会逐渐远离参考车道线，进而第二车辆与参考车道线的距离先由一定初值逐渐增大。
下面结合附图，示性的说明第一车辆左换道右换道时与参考车道线的距离变化趋势。
图7c示出了第一车辆左换道时与参考车道线的距离变化示意图。图7c横轴表示时间，纵轴表示第一车辆与参考车道线的距离。如图7c所示，第一车辆左换道时，第一车辆与参考车道线的距离先是由一定初值逐渐变小至0，然后由于行驶的车道发生变化，对应的参考车道线也发生变化，所以第一车辆与参考车道线的距离再由0突变至最大值，接着呈现逐渐变小的趋势。图7a中的距离最大值与车辆行驶的车道的宽度有关。
图7d示出了第一车辆右换道时与参考车道线的距离变化示意图。同样地，图7d横轴表示时间，纵轴表示第一车辆与参考车道线的距离。如图7d所示，第一车辆右换道时，第一车辆与参考车道线的距离先是由一定初值逐渐增大至最大值，然后由于行驶的车道发生变化，对应的参考车道线也发生变化，第一车辆与参考车道线的距离再由最大值突变至0，接着呈现逐渐增大的趋势。图7d的距离最大值同样与车辆行驶的车道的宽度有关。
步骤S3.根据相似度获得第二车辆的驾驶行为。
在本申请的实施例中，当获得的相似度大于预设的相似度阈值时，说明计算该相似度的基准序列对应的预设驾驶行为即为第二车辆的驾驶行为，据此可获得当前时段内第二车辆执行的驾驶行为。
例如，当获得的第二车辆与参考车道线的夹角序列与左转向基准序列、右转向基准序列、左转掉头基准序列或右转掉头基准序列的相似度大于阈值，则认为第二车辆在执行相应的驾驶行为。
与此类似的，可以判断第二车辆是否执行加速、减速或匀速三类驾驶行为，以及左换道或右换道驾驶行为。
步骤S4.根据第二车辆的驾驶行为，在预设的场景库中匹配第二车辆的驾驶场景。
在本申请的实施例中，预设的场景库中不同驾驶场景及其对应的驾驶行为。本步骤是利用场景库对步骤S3获得的第二车辆的驾驶行为进行归类，获得第二车辆的驾驶场景。
构建场景库时，首先需对采集车辆的多个行驶图像数据样本进行场景标记，然后从各场景对应的行驶图像数据中甄别并标记各场景对应的驾驶行为；最后根据驾驶场景和驾驶场景对应的驾驶行为组建场景库。
图8示出了驾驶场景与驾驶行为的对应关系图。如图8所示，驾驶场景包括：车道保持、转向、掉头、车道变更以及超车。
在本申请的实施例中，识别的驾驶场景与驾驶行为的对应关系如下：
车道保持场景对应的驾驶行为包括：车辆加速行驶、车辆减速行驶和车辆匀速行驶；
转向场景对应的驾驶行为包括：车辆左转向和车辆右转向；
掉头场景对应的驾驶行为包括：车辆左转掉头和车辆右转掉头；
车道变更场景对应的驾驶行为包括：车辆左换道和车辆右换道；
超车场景对应的驾驶行为包括：车辆加速行驶、车辆左换道、车辆匀速行驶、车辆右换道和车辆减速行驶。
此外，在其他实施例中，对于启动和停车场景，可通过判断车辆的速度的变化情况获得。比如，当车辆的速度从0逐渐增大，可确认车辆执行了启动场景；当车辆从一定速度逐渐降低至0，可确认车辆执行了停车场景。
在本申请的另一实施例中，上述车辆驾驶场景识别方法中的步骤S2计算第二车辆的特征序列与预设的驾驶行为基准序列之间的相似度还可以包括：如图9所示的步骤S21～步骤S23。
步骤S21.识别第一车辆在当前时段的行驶区域。
在一种可能的实施方式中，本步骤可通过第一车辆上的定位模块，确定第一车辆在当前时段的行驶区域。不同区域中车辆的驾驶行为的特性存在一定区别，这与该区域中驾驶员的驾驶习惯和道路拓扑特征存在一定的联系。例如，本申请实施例对两个区域发生车辆插入(cut-in)的历史数据进行统计分析，获得两个区域的第二车辆的驾驶行为的概率分布图，根据概率分布图可知发生车辆插入的概率相同时各区域中车辆之间的时间距离不同。图10示出了区域1和区域2中第二车辆插入第一车辆行驶车道的概率分布图。如图10所示，当发生概率同为84.135％时，区域1中两车之间的时间距离介于μ1-σ1和μ1+σ1之间，区域2中两车之间的时间距离则介于μ2-σ2和μ2+σ2之间。
其中，μ1为区域1的第二车辆发生左换道时第一车辆与第二车辆之间的时间距离的均值，σ1为区域1的第二车辆发生左换道时第一车辆与第二车辆之间的时间距离的方差，μ2为区域2的第二车辆发生左换道时第一车辆与第二车辆之间的时间距离的均值，σ2为区域2的第二车辆发生左换道时第一车辆与第二车辆之间的时间距离的方差。
步骤S22.在数据库中提取行驶区域对应的驾驶行为基准序列。
在一种可能的实施方式中，数据库中包括不同区域对应的驾驶行为基准序列。不同区域对应的驾驶行为基准序列通过对相应驾驶行为对应的车辆行驶数据进行统计分析获得。
步骤S23.结合窗函数和动态时间规整算法获得特征序列与提取的驾驶行为基准序列之间的相似度。
本申请实施例基于不同区域中车辆驾驶行为的特性存在差异的先决条件，在计算特征序列与基准序列之间的相似度时，只计算第二车辆的特征序列与第一车辆行驶的区域对应的驾驶行为基准序列，可提高相似度的准确性，同时降低了计算量，提高了识别速度。
基于上述实施例的方法，本申请还提供一种车辆驾驶场景识别装置。该识别装置部署在云端服务器中，可配置为与第一车辆上的车载终端进行通信，以向用户反馈识别装置的识别结果。图11示出了本申请实施例提供的一种车辆驾驶场景识别装置。如图11所示，识别装置具体包括：
数据获取单元，用于获取第一车辆在当前时段的行驶数据；
特征获取单元，用于根据行驶数据获得第二车辆的特征序列；
相似度计算单元，用于利用动态时间规整算法，获得第二车辆的特征序列与预设的多个驾驶行为基准序列之间的相似度；
行为识别单元，用于根据相似度确定第二车辆在当前时段的驾驶行为；
场景匹配单元，用于根据第二车辆在当前时段的驾驶行为，利用预先构建的场景库匹配第二车辆在当前时段的驾驶场景。
在本申请的实施例中，相似度计算单元还用于：
识别第一车辆在当前时段行驶的区域；
在数据库中提取第一车辆行驶的区域对应的预设的驾驶行为基准序列。
在本申请的实施例中，特征获取单元还用于：
对行驶数据做降噪处理和平滑处理。
在本申请的实施例中，参考车道线为所述第一车辆行驶的车道的一个车道线。
在本申请的实施例中，第一车辆行驶的车道为曲线车道，装置还包括：
曲率补偿单元，用于按照曲线车道的曲率对距离序列进行曲率补偿。
在本申请的实施例中，行为识别单元具体用于：
判断相似度是否满足预设条件；
将满足预设条件的相似度对应的驾驶行为基准序列表征的驾驶行为，作为第二车辆在当前时段的驾驶行为。
在本申请的实施例中，装置还包括场景库构建单元，用于：
根据不同场景对应的历史行驶图像，获得不同场景对应的驾驶行为；
根据不同场景及所述不同场景对应的驾驶行为，构建所述场景库。
应当理解的是，上述装置用于执行上述实施例中的方法，装置中相应的程序模块的实现原理和技术效果与上述方法实施例中的描述类似，该装置的工作过程可参考上述方法中的对应过程，此处不再赘述
上述车载终端可以是智能手机、平板电脑或车载电脑中的一种。车载终端包括处理器、显示模块和数据接口。该处理器可以是通用处理器或者专用处理器。例如，处理器可以包括中央处理器(central processing unit，CPU)和/或基带处理器。其中，基带处理器可以用于处理通信数据，CPU可以用于实现相应的控制和处理功能，执行软件程序，处理软件程序的数据。
数据接口用于数据的接收，显示模块用于显示驾驶行为和场景识别结果。该处理器通过数据接口接收数据，经过计算后向所述显示模块发送显示指令，以显示云端下发的结果。
此外，车载终端还可以包括：充电管理模块、电源管理模块、电池、天线、移动通信模块、无线通信模块、音频模块、扬声器、耳机接口、音频蓝牙模块、显示屏、调制解调器以及基带处理器。
充电管理模块可以通过USB接口接收有线充电器的充电输入。在一些无线充电的实施例中，充电管理模块可以通过终端设备的无线充电线圈接收无线充电输入。充电管理模块为电池充电的同时，还可以通过电源管理模块为其他设备供电。
电源管理模块用于连接电池、充电管理模块与处理器。电源管理模块接收电池和/或充电管理模块的输入，为处理器、显示屏、和无线通信模块等供电。电源管理模块还可以用于监测电池容量、电池循环次数、电池健康状态(漏电，阻抗)等参数。在其他一些实施例中，电源管理模块也可以设置于处理器中。在另一些实施例中，电源管理模块和充电管理模块也可以设置于同一个器件中。
车载终端的无线通信功能可以通过天线、移动通信模块，无线通信模块、调制解调器以及基带处理器等实现与服务器的通信。
移动通信模块可以提供应用在车载终端上的包括2G/3G/4G/5G等无线通信的解决方案。移动通信模块可以包括至少一个滤波器，开关，功率放大器，低噪声放大器(lownoise amplifier，LNA)等。移动通信模块可以由至少两根天线接收电磁波，并对接收的电磁波进行滤波，放大等处理，传送至调制解调器进行解调。移动通信模块还可以对经调制解调器调制后的信号放大，经天线转为电磁波辐射出去。在一些实施例中，移动通信模块的至少部分功能模块可以与处理器的至少部分模块被设置在同一个器件中。
调制解调器可以包括调制器和解调器。其中，调制器用于将待发送的低频基带信号调制成中高频信号。解调器用于将接收的电磁波信号解调为低频基带信号。随后解调器将解调得到的低频基带信号传送至基带处理器处理。低频基带信号经基带处理器处理后，被传递给应用处理器。在一些实施例中，调制解调器可以是独立的器件。在另一些实施例中，调制解调器可以独立于处理器，与移动通信模块或其他功能模块设置在同一个器件中。在另一些实施例中，移动通信模块可以是调制解调器中的模块。
无线通信模块可以提供应用在终端设备上的包括无线局域网(wireless localarea networks，WLAN)(如无线保真(wireless fidelity，Wi-Fi)网络)，全球导航卫星系统(global navigation satellite system，GNSS)，调频(frequency modulation，FM)，近距离无线通信技术(near field communication，NFC)，红外技术(infrared，IR)等无线通信的解决方案。无线通信模块可以是集成至少一个通信处理模块的一个或多个器件。无线通信模块经由天线接收电磁波，将电磁波信号调频以及滤波处理，将处理后的信号发送到处理器。无线通信模块还可以从处理器接收待发送的信号，对其进行调频，放大，经天线转为电磁波辐射出去。
车载终端可通过移动通信模块、无线通信模块与服务器进行通信，接收服务器下发的识别结果，或向服务器传递数据。
显示屏用于以图像或视频的形式显示识别出的驾驶行为和驾驶场景。显示屏包括显示面板。显示面板可以采用液晶显示屏(liquid crystal display，LCD)，有机发光二极管(organic light-emitting diode，OLED)，有源矩阵有机发光二极体或主动矩阵有机发光二极体(active-matrix organic light emitting diode，AMOLED)，柔性发光二极管(flex light-emitting diode，FLED)，Miniled，MicroLed，Micro-oLed，量子点发光二极管(quantum dot light emitting diodes，QLED)等。在一些实施例中，车载终端可以包括一个或多个显示屏。在一个例子中，显示屏还可以用于显示应用程序的界面，显示应用程序的界面中的可视控件。
音频模块用于将数字音频信息转换成模拟音频信号输出，也用于将模拟音频输入转换为数字音频信号。音频模块还可以用于对音频信号编码和解码。在一些实施例中，音频模块可以设置于处理器中，或将音频模块的部分功能模块设置于处理器中。在一些实施例中，音频模块用于以语音的形式向用户反馈识别结果。扬声器用于向用户反馈外放的声音。
耳机接口用于连接有线耳机。耳机接口可以是USB接口，也可以是3.5mm的开放移动电子设备平台(open mobile terminal platform，OMTP)标准接口、美国蜂窝电信工业协会(cellular telecommunications industry association of the USA，CTIA)标准接口。音频蓝牙模块用于连接用户的蓝牙耳机。本申请实施例不对音频蓝牙模块应用蓝牙技术版本做限定，其中的蓝牙芯片可以是应用任何版本蓝牙技术的芯片。
用户可通过耳机接口或音频蓝牙模块，以有线或无线的形式，接收识别结果对应的语音。
基于上述方法实施例，本申请还提供一种计算机存储介质，该计算机存储介质中存储有指令，当指令在计算机上运行时，使得计算机执行如本申请实施例中的一种车辆驾驶场景识别方法。
基于上述方法实施例，本申请还提供一种包含指令的计算机程序产品，当指令在计算机上运行时，使得计算机执行如本申请实施例中的一种车辆驾驶场景识别方法。
本申请的实施例中的方法步骤可以通过硬件的方式来实现，也可以由处理器执行软件指令的方式来实现。软件指令可以由相应的软件模块组成，软件模块可以被存放于随机存取存储器(randomaccessmemory，RAM)、闪存、只读存储器(read-onlymemory，ROM)、可编程只读存储器(programmablerom，PROM)、可擦除可编程只读存储器(erasablePROM，EPROM)、电可擦除可编程只读存储器(electricallyEPROM，EEPROM)、寄存器、硬盘、移动硬盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solidstatedisk，SSD))等。
可以理解的是，在本申请的实施例中涉及的各种数字编号仅为描述方便进行的区分，并不用来限制本申请的实施例的范围。

Claims (15)

1.一种车辆驾驶场景识别方法，其特征在于，所述方法包括：
获取第一车辆在当前时段的行驶数据；
根据所述行驶数据获得第二车辆的特征序列，所述第二车辆用于指示所述第一车辆周围的车辆，所述特征序列包括：速度序列、所述第二车辆与参考车道线的距离序列以及所述第二车辆与参考车道线的夹角序列；
根据所述第二车辆的特征序列和所述第一车辆行驶的区域对应的驾驶行为基准序列，利用动态时间规整算法确定所述第二车辆在所述当前时段的驾驶行为；所述驾驶行为包括左换道、右换道、左转向、右转向、左转掉头、右转掉头、加速、减速和匀速中一种或多种；
根据所述第二车辆在当前时段的驾驶行为，利用预先构建的场景库匹配所述第二车辆在所述当前时段的驾驶场景。
2.根据权利要求1所述的方法，其特征在于，在所述根据所述第二车辆的特征序列和所述第一车辆行驶的区域对应的驾驶行为基准序列，利用动态时间规整算法确定所述第二车辆在所述当前时段的驾驶行为之前，所述方法还包括：
识别所述第一车辆行驶的区域；
在数据库中提取所述第一车辆行驶的区域对应的驾驶行为基准序列，所述数据库包括不同区域对应的驾驶行为基准序列。
3.根据权利要求1或2所述的方法，其特征在于，在根据所述行驶数据获得第二车辆的特征序列之前，所述方法还包括：
对所述行驶数据做降噪处理和平滑处理。
4.根据权利要求1所述的方法，其特征在于，所述参考车道线为所述第一车辆行驶的车道的一个车道线。
5.根据权利要求1所述的方法，其特征在于，所述第一车辆行驶的车道为曲线车道，所述方法还包括：
按照所述曲线车道的曲率对所述距离序列进行曲率补偿。
6.根据权利要求1所述的方法，其特征在于，所述根据所述第二车辆的特征序列和所述第一车辆行驶的区域对应的驾驶行为基准序列，利用动态时间规整算法确定所述第二车辆在所述当前时段的驾驶行为包括：
利用动态时间规整算法，获得所述第二车辆的特征序列与所述驾驶行为基准序列之间的相似度；
判断所述相似度是否满足预设条件；
将满足所述预设条件的相似度对应的驾驶行为基准序列表征的驾驶行为，作为所述第二车辆在所述当前时段的驾驶行为。
7.根据权利要求1所述的方法，其特征在于，还包括：
根据不同场景对应的历史行驶图像，获得所述不同场景对应的驾驶行为；
根据所述不同场景及所述不同场景对应的驾驶行为，构建所述场景库。
8.一种车辆驾驶场景识别装置，其特征在于，所述装置包括：
数据获取单元，用于获取第一车辆在当前时段的行驶数据；
特征获取单元，用于根据所述行驶数据获得第二车辆的特征序列，所述第二车辆用于指示所述第一车辆周围的车辆，所述特征序列包括：速度序列、所述第二车辆与参考车道线的距离序列和所述第二车辆与参考车道线的夹角序列；
行为识别单元，用于根据所述第二车辆的特征序列和所述第一车辆行驶的区域对应的驾驶行为基准序列，利用动态时间规整算法确定所述第二车辆在所述当前时段的驾驶行为；所述驾驶行为包括左换道、右换道、左转向、右转向、左转掉头、右转掉头、加速、减速和匀速中一种或多种；
场景匹配单元，用于根据所述第二车辆在当前时段的驾驶行为，利用预先构建的场景库匹配所述第二车辆在所述当前时段的驾驶场景。
9.根据权利要求8所述的装置，其特征在于，所述行为识别单元还用于：
识别所述第一车辆行驶的区域；
在数据库中提取所述第一车辆行驶的区域对应的驾驶行为基准序列，所述数据库包括不同区域对应的驾驶行为基准序列。
10.根据权利要求8或9所述的装置，其特征在于，所述特征获取单元还用于：
对所述行驶数据做降噪处理和平滑处理。
11.根据权利要求8所述的装置，其特征在于，所述参考车道线为所述第一车辆行驶的车道的一个车道线。
12.根据权利要求8所述的装置，其特征在于，所述第一车辆行驶的车道为曲线车道，所述装置还包括：
曲率补偿单元，用于按照所述曲线车道的曲率对所述距离序列进行曲率补偿。
13.根据权利要求8所述的装置，其特征在于，所述行为识别单元具体用于：
利用动态时间规整算法，获得所述第二车辆的特征序列与所述驾驶行为基准序列之间的相似度；
判断所述相似度是否满足预设条件；
将满足所述预设条件的相似度对应的驾驶行为基准序列表征的驾驶行为，作为所述第二车辆在所述当前时段的驾驶行为。
14.根据权利要求8所述的装置，其特征在于，还包括场景库构建单元，用于：
根据不同场景对应的历史行驶图像，获得所述不同场景对应的驾驶行为；
根据所述不同场景及所述不同场景对应的驾驶行为，构建所述场景库。
15.一种计算机存储介质，所述计算机存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1-7任一项所述的方法。
CN202180000124.8A 2021-01-08 2021-01-08 车辆驾驶场景识别方法及装置 Active CN112805724B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2021/070939 WO2022147785A1 (zh) 2021-01-08 2021-01-08 车辆驾驶场景识别方法及装置

Publications (2)

Publication Number Publication Date
CN112805724A CN112805724A (zh) 2021-05-14
CN112805724B true CN112805724B (zh) 2022-05-13

Family

ID=75811472

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180000124.8A Active CN112805724B (zh) 2021-01-08 2021-01-08 车辆驾驶场景识别方法及装置

Country Status (2)

Country Link
CN (1) CN112805724B (zh)
WO (1) WO2022147785A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114047003B (zh) * 2021-12-22 2023-07-14 吉林大学 一种基于动态时间规整算法的人车差异性数据触发记录控制方法
CN115293301B (zh) * 2022-10-09 2023-01-31 腾讯科技（深圳）有限公司 车辆的变道方向的预估方法、装置及存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103996298B (zh) * 2014-06-09 2019-05-24 百度在线网络技术（北京）有限公司 一种驾驶行为监测方法及装置
US9898008B2 (en) * 2016-03-22 2018-02-20 Delphi Technologies, Inc. Scenario aware perception system for an automated vehicle
CN108229304B (zh) * 2017-11-17 2021-04-16 清华大学深圳研究生院 一种系统化的基于聚类思想的驾驶行为识别方法
AT521724A1 (de) * 2018-09-24 2020-04-15 Avl List Gmbh Verfahren und Vorrichtung zur Analyse eines Sensordatenstroms sowie Verfahren zum Führen eines Fahrzeugs
US11194331B2 (en) * 2018-10-30 2021-12-07 The Regents Of The University Of Michigan Unsupervised classification of encountering scenarios using connected vehicle datasets
CN109878530B (zh) * 2019-02-28 2021-04-06 中国第一汽车股份有限公司 识别车辆侧向行驶工况的方法和系统
CN110728842B (zh) * 2019-10-23 2021-10-08 江苏智通交通科技有限公司 基于路口车辆合理行驶范围的异常行驶预警方法

Also Published As

Publication number Publication date
CN112805724A (zh) 2021-05-14
WO2022147785A1 (zh) 2022-07-14

Similar Documents

Publication Publication Date Title
JP2020115322A (ja) 車両位置推定のためのシステムおよび方法
CN112805724B (zh) 车辆驾驶场景识别方法及装置
JP7310313B2 (ja) 位置補正サーバ、位置管理装置、移動体の位置管理システム及び方法、位置情報の補正方法、コンピュータプログラム、車載装置並びに車両
CN110388929B (zh) 导航地图更新方法、装置及系统
WO2020100922A1 (ja) データ配信システム、センサデバイス及びサーバ
JP6048246B2 (ja) 車間距離計測装置及び車間距離計測方法
CN114935334B (zh) 车道拓扑关系的构建方法、装置、车辆、介质及芯片
CN111754798A (zh) 融合路侧激光雷达和视频实现车辆和周边障碍物探知方法
CN115705780A (zh) 关联被感知和映射的车道边缘以进行定位
US11837084B2 (en) Traffic flow estimation apparatus, traffic flow estimation method, traffic flow estimation program, and storage medium storing traffic flow estimation program
US10839522B2 (en) Adaptive data collecting and processing system and methods
CN112689234B (zh) 室内车辆定位方法、装置、计算机设备和存储介质
CN115170630B (zh) 地图生成方法、装置、电子设备、车辆和存储介质
CN114842455B (zh) 障碍物检测方法、装置、设备、介质、芯片及车辆
CN113312403B (zh) 地图获取方法、装置、电子设备及存储介质
WO2021132229A1 (ja) 情報処理装置、センシング装置、移動体、情報処理方法、及び、情報処理システム
CN114771539A (zh) 车辆变道决策方法、装置、存储介质及车辆
CN114862931A (zh) 深度距离确定方法、装置、车辆、存储介质与芯片
CN111161540A (zh) 智能汽车的驾驶引导方法、装置、终端及存储介质
JP2011214961A (ja) 基準パターン情報生成装置、方法、プログラムおよび一般車両位置特定装置
US20180362050A1 (en) Mobile object management apparatus, mobile object management method, and storage medium
CN111932883B (zh) 一种利用路侧设备广播通信指导无人驾驶的方法
CN115205804A (zh) 图像处理方法、装置、车辆、介质及芯片
CN115223122A (zh) 物体的三维信息确定方法、装置、车辆与存储介质
WO2020073272A1 (en) Snapshot image to train an event detector

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