发明内容
本说明书实施例提供一种行驶风险识别方法及装置,以部分解决现有技术存在的上述问题。
本说明书实施例采用下述技术方案:
本说明书提供的一种行驶风险识别方法,所述方法包括:
根据预设的若干个维度,从无人驾驶环境对应的环境信息中,提取每个维度对应的信息;
将获取的信息输入识别模型的特征识别子模型,得到所述特征识别子模型输出的行驶特征;其中,所述行驶特征被用于输入所述识别模型的风险确定子模型,使所述风险确定子模型输出用于表征无人驾驶设备的行驶风险程度的风险值;
在所述行驶特征的变化小于预设阈值的条件下,确定至少一个维度对应的信息的最大改变量,将各维度对应的信息的最大改变量作为风险贡献特征;
针对每个维度,在所述风险贡献特征中,确定该维度对应的信息的改变量表征值;
根据每个维度对应的信息的改变量表征值,在各维度对应的信息中,确定基于所述行驶特征所能确定出的风险值对应的行驶风险因素。
可选地,所述环境信息包括:所述无人驾驶设备的状态信息以及所述无人驾驶环境中各障碍物的信息;所述各维度包括:速度维度、距离维度。
可选地,将获取的信息输入识别模型的特征识别子模型,得到所述特征识别子模型输出的行驶特征,具体包括:
通过所述识别模型,对每个维度对应的信息进行编码;
根据编码结果,构建以所述无人驾驶设备以及各障碍物为顶点的完全图,对所述完全图进行图卷积处理,并对图卷积处理结果进行注意力机制处理;
根据注意力机制处理结果,得到所述行驶特征。
可选地,在所述行驶特征的变化小于预设阈值的条件下,确定至少一个维度对应的信息的最大改变量,将各维度对应的信息的最大改变量作为风险贡献特征,具体包括:
针对至少一个维度,初始化该维度对应的信息的改变量,并对该维度对应的信息以及该维度对应的信息的改变量进行处理,得到该维度对应的更新信息;
将各维度对应的更新信息输入所述特征识别子模型,得到所述特征识别子模型输出的更新特征;
根据所述行驶特征以及所述更新特征,确定所述行驶特征的变化量,以所述变化量小于所述预设阈值为优化目标,确定各维度对应的信息的最大改变量,得到所述风险贡献特征。
可选地,对该维度对应的信息以及该维度对应的信息的改变量进行处理,得到该维度对应的更新信息,具体包括:
针对每个维度,根据每个维度对应的信息,对该维度的信息进行归一化处理;
根据该维度对应的信息的改变量,对归一化处理的结果进行补偿,得到该维度对应的更新信息。
可选地,根据所述行驶特征以及所述更新特征,确定所述行驶特征的变化量,具体包括:
根据所述行驶特征以及所述更新特征,确定所述行驶特征与所述更新特征的差值的范数;
针对每个维度,确定该维度对应的信息的改变量的负相关函数;
根据所述范数以及每个维度的负相关函数,确定所述行驶特征的变化量。
可选地,根据每个维度对应的信息的改变量表征值,在各维度对应的信息中,确定基于所述行驶特征所能确定出的风险值对应的行驶风险因素,具体包括:
根据每个维度对应的信息的改变量表征值,对各维度对应的信息进行排序;
根据排序结果,在各维度对应的信息中,确定所述行驶风险因素。
本说明书提供一种行驶风险识别装置,所述装置包括:
获取模块,用于根据预设的若干个维度,从无人驾驶环境对应的环境信息中,提取每个维度对应的信息;
输入模块,用于将获取的信息输入识别模型的特征识别子模型,得到所述特征识别子模型输出的行驶特征;其中,所述行驶特征被用于输入所述识别模型的风险确定子模型,使所述风险确定子模型输出用于表征无人驾驶设备的行驶风险程度的风险值;
第一确定模块,用于在所述行驶特征的变化小于预设阈值的条件下,确定至少一个维度对应的信息的最大改变量,将各维度对应的信息的最大改变量作为风险贡献特征;
第二确定模块,用于针对每个维度,在所述风险贡献特征中,确定该维度对应的信息的改变量表征值;
第三确定模块,用于根据每个维度对应的信息的改变量表征值,在各维度对应的信息中,确定基于所述行驶特征所能确定出的风险值对应的行驶风险因素。
本说明书提供的一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述行驶风险识别方法。
本说明书提供的一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述行驶风险识别方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:
本说明书可根据预设的若干个维度,从无人驾驶环境对应的环境信息中,提取每个维度对应的信息,将获取的信息输入识别模型的特征识别子模型,得到特征识别子模型输出的行驶特征,其中,行驶特征被用于输入识别模型的风险确定子模型,使风险确定子模型输出用于表征无人驾驶设备的行驶风险程度的风险值,然后,在行驶特征的变化小于预设阈值的条件下,确定至少一个维度对应的信息的最大改变量,将各维度对应的信息的最大改变量作为风险贡献特征,针对每个维度,在风险贡献特征中,确定该维度对应的信息的改变量表征值,最后,根据每个维度对应的信息的改变量表征值,在各维度对应的信息中,确定基于行驶特征所能确定出的风险值对应的行驶风险因素。通过上述方法,本说明书采用识别模型的方式可以基于环境信息确定出无人驾驶设备的驾驶风险程度,并且,可确定出导致无人驾驶设备的驾驶风险程度的行驶风险因素,即,本说明书在各种驾驶场景中,均可实现采用模型的方式既可识别出无人驾驶设备是否存在行驶风险,又可识别出存在行驶风险时的行驶风险因素的效果。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书实施例提供的一种行驶风险识别方法流程图,具体可包括以下步骤:
S100:根据预设的若干个维度,从无人驾驶环境对应的环境信息中,提取每个维度对应的信息。
在本说明书中,无人驾驶设备,即无人设备,在运行时无需人工参与驾驶,主要包括无人驾驶车辆、无人机等智能无人驾驶设备,可用于载人或者载物,当用于载物时,主要用于代替人工配送物品(例如在大型货物仓储中心运输分拣后的货物),或将货物从某一地点运输到另一地点。
无人驾驶设备可在运行的过程中对自身的运行进行行驶风险识别,具体的,一方面,无人驾驶设备可识别在运行时是否存在行驶风险,换句话说,无人驾驶设备可判断无人驾驶设备当前的运行状态是否为安全行驶状态,当判断结果为安全行驶状态时,即,无人驾驶设备识别出不存在行驶风险,当判断结果不是安全行驶状态时,即,无人驾驶设备识别出存在行驶风险。另一方面,无人驾驶设备可在识别出存在行驶风险时的行驶风险因素,即,当确定当前未处于安全行驶状态时,无人驾驶设备可确定导致当前未处于安全行驶状态的行驶风险因素。
一般情况下,行驶风险因素可来源于无人驾驶设备的信息、无人驾驶设备周围环境中各障碍物的信息、无人驾驶设备周围环境的环境信息、无人驾驶设备与各障碍物之间的交互信息等,当然,无人驾驶设备识别在运行时是否存在行驶风险时,同样是基于上述这些信息进行识别的。
因此,无人驾驶设备可获取无人驾驶环境对应的环境信息,无人驾驶环境对应的环境信息可包括无人驾驶设备的信息、无人驾驶设备周围环境中各障碍物的信息、无人驾驶设备周围环境的环境信息、无人驾驶设备与各障碍物之间的交互信息。
进一步地,无人驾驶设备的信息可包括无人驾驶设备的状态信息,例如,无人驾驶设备的速度、加速度、横摆角、转向熵等信息,其中转向熵可用来衡量车辆的方向操纵特性,可反映出车辆的转向平稳陈低估与行驶安全性,还可包括与无人驾驶设备有关的其他信息,例如无人驾驶设备当前所在的位置、无人驾驶设备所属的车辆类型。
参考无人驾驶设备的信息,针对各障碍物,该障碍物的信息同样可包括诸如速度、加速度等状态信息以及位置、车辆类型等其他信息。
无人驾驶设备周围环境的环境信息可包括无人驾驶设备当前所在车道的道路限速信息、无人驾驶设备当前所在车道的车道线类型、无人驾驶设备当前所在的位置与两侧车道线之间的距离等信息,此外,无人驾驶设备周围环境的环境信息还可包括诸如天气信息等,此处不再一一列举。
无人驾驶设备与各障碍物之间的交互信息可基于无人驾驶设备的信息与各障碍物的信息确定,可包括无人驾驶设备与各障碍物之间的速度差值、相对位置等信息,此外,还可包括车头时距(time headway,THW)、车头间距(distance headway,DHW)以及碰撞时间(Time-To-Collision,TTC)等信息。
本说明书可预先设置若干个维度,并确定每个维度的信息类型,从而,在从无人驾驶环境对应的环境信息中,提取每个维度对应的信息时,可针对每个维度,可根据该维度对应的信息类型,从无人驾驶环境对应的环境信息中,提取该维度对应的信息。
具体的,本说明书在设置每个维度的信息类型时,可基于实际情况进行设置,例如,根据经验可得,驾驶风险的因素通常可包括车辆速度、车辆之间的安全距离、车辆当前的行驶稳定情况等,因此,可设置速度维度、距离维度等,具体的,可设置无人驾驶设备的速度维度、无人驾驶设备的加速度维度、无人驾驶设备与各障碍物之间的距离维度等。以无人驾驶设备的速度维度为例,本说明书可从无人驾驶设备的信息中提取出无人驾驶设备的速度信息,并将提取的速度信息作为无人驾驶设备的速度维度对应的信息。
当然,本说明书中还可设置其他信息类型的维度,这里只是示例性地列出了各维度中常见的信息类型,关于其他信息类型的列举,本说明书不再赘述。
S102:将获取的信息输入识别模型的特征识别子模型,得到所述特征识别子模型输出的行驶特征;其中,所述行驶特征被用于输入所述识别模型的风险确定子模型,使所述风险确定子模型输出用于表征无人驾驶设备的行驶风险程度的风险值。
在提取每个维度对应的信息之后,可将提取的各信息输入识别模型,以通过识别模型得到行驶特征以及风险值。其中,识别模型可用于确定表征无人驾驶设备的行驶风险程度的风险值,可包括特征识别子模型以及风险确定子模型。识别模型可为预先训练的机器学习模型,例如,诸如循环神经网络(Recurrent Neural Network,RNN)模型、长短期记忆(Long Short-Term Memory,LSTM)模型等神经网络模型。
识别模型的输入信息为各维度对应的信息,输出信息为风险值。其中,特征识别子模型可用于确定各维度对应的信息的特征,故,特征识别子模型的输入信息为各维度对应的信息,输出信息为行驶特征。风险确定子模型可基于行驶特征确定风险值,故,风险确定子模型的输入信息为行驶特征,输出信息为风险值。
下面针对将输入各维度对应的信息输入识别模型,得到风险值的具体过程进行说明。
图2为本说明书实施例提供的识别模型的结构示意图,如图2所示。首先,对各维度对应的信息进行预处理。
具体的,在本说明书中,在获取无人驾驶环境对应的环境信息时,可获取无人驾驶环境对应的环境信息在Frenet坐标系下的数据,为了便于计算,可将各维度对应的信息在Frenet坐标系下的数据进行坐标转换,即,可设置以无人驾驶设备为坐标原点的全局坐标系,具体可以无人驾驶设备的中心点或者无人驾驶设备的后轴中心点为坐标原点建立全局坐标系,将各维度对应的信息在Frenet坐标系下的数据转换为各维度对应的信息在全局坐标系下的数据。
然后,将坐标转换后的各维度的信息输入特征识别子模型,得到行驶特征。
具体的,可对各维度对应的信息进行分类,例如,按照各维度对应的信息的信息类型进行分类,可得到由无人驾驶设备的信息组成的第一集合、由障碍物的信息组成的第二集合、由无人驾驶设备与障碍物之间的交互信息以及无人驾驶设备周围环境的环境信息等组成的第三集合,当然,本说明书同样可支持按照其他分类规则对各维度对应的信息进行分类的情况。
在对各维度对应的信息进行分类后,可对每个维度对应的信息进行编码,沿用上例,可分别对第一集合以及第二集合中各信息进行编码,得到第一编码结果以及第二编码结果,通过第一编码结果以及第二编码结果,并且,可对第一集合以及第三集合中各信息进行编码,得到第三编码结果。根据各编码结果,可构建以无人驾驶设备以及各障碍物为顶点的完全图,对完全图进行图卷积处理。
其中,可根据第一编码结果以及第二编码结果,得到表征完全图的邻接矩阵,根据邻接矩阵,构建以无人驾驶设备以及各障碍物为顶点的完全图,在完全图中,各顶点的信息为无人驾驶设备或障碍物的信息,无人驾驶设备与障碍物之间的顶点间的关系可通过无人驾驶设备与障碍物之间的信息的距离进行表示,无人驾驶设备以及障碍物之间的信息的距离可表示为欧式距离。在构建完全图之后,可根据预设的卷积权重,对完全图进行图卷积处理,关于对完全图进行图卷积处理的过程,可参考现有的技术方案。
在对完全图进行图卷积处理之后,可将图卷积结果进行注意力机制处理,根据注意力机制处理结果,得到行驶特征。
其中,可将图卷积结果分别输入第一全连接层以及第二全连接层,得到第一特征以及第二特征,将第一特征作为注意力机制的Key值,将第二特征作为注意力机制的Value值,同时,可获取第三编码结果,并将第三编码结果输入第三全连接层得到的结果作为注意力机制的Query值,根据注意力机制的Key值、Value值以及Query值,进行注意力机制处理,得到注意力机制处理结果。这里的注意力机制可采用多头注意力机制的方式,注意力机制的头数,可根据实际情况设置。本说明书可将注意力机制的结果输入第四全连接层并进行激活,得到的结果可与第三编码结果进行连接,最终得到行驶特征。
最后,可将行驶特征输入风险确定子模型,得到风险值。
具体的,可将行驶特征输入风险确定子模型,由风险确定子模型对行驶特征进行解码,并将解码结果输入激活层,得到风险值。
这里需要说明的是,本说明书可以将各维度对应的信息输入识别模型,得到风险值,根据预设的风险阈值,识别无人驾驶设备的运行是否存在行驶风险,即,可判断风险值是否小于风险阈值,当判断结果为小于时,说明无人驾驶设备在运行过程中不存在行驶风险,此时,无需对行驶风险因素进行分析,当判断结果为不小于时,说明无人驾驶设备在运行过程中存在行驶风险,此时可基于步骤S104至步骤S108中的内容,识别行驶风险因素。此外,在本说明书中,还可以在将各维度对应的信息输入识别模型后,仅得到行驶特征即可,无需得到风险值,由于通过行驶特征无法识别无人驾驶设备是否存在行驶风险,即,行驶特征可能是无人驾驶设备存在行驶风险时的特征,也可能是无人驾驶设备不存在行驶风险时的特征,因此,本说明书同样可基于步骤S104至步骤S108中的内容,通过行驶特征来识别行驶风险因素。
S104:在所述行驶特征的变化小于预设阈值的条件下,确定至少一个维度对应的信息的最大改变量,将各维度对应的信息的最大改变量作为风险贡献特征。
S106:针对每个维度,在所述风险贡献特征中,确定该维度对应的信息的改变量表征值。
S108:根据每个维度对应的信息的改变量表征值,在各维度对应的信息中,确定基于所述行驶特征所能确定出的风险值对应的行驶风险因素。
本说明书中,在各维度对应的信息中,确定基于行驶特征所能确定出的风险值对应的行驶风险因素的核心思想在于,为各维度对应的信息增加改变量,并将增加改变量后的各维度对应的信息输入识别模型,重新得到行驶特征作为更新特征,在更新特征与行驶特征之间的差异最小的情况下(可以为零,也可以小于预设阈值),针对每个维度,确定该维度对应的信息的最大改变量,若最大改变量越大,说明该维度对应的信息对确定行驶特征的影响越小,则该维度对应的信息是行驶风险因素的可能性越小,反之,若最大改变量越小,说明该维度对应的信息对确定行驶特征的影响越大,则该维度对应的信息是行驶风险因素的可能性越大。
在该核心思想中,还可将行驶特征更换为风险值,当将行驶特征更换为风险值时,本说明书可采用上述识别模型确定风险值,也可采用现有的技术方案中其他具备确定风险值能力的机器学习模型来确定风险值。
为便于描述,本说明书以采用上述识别模型确定行驶特征的方式为例,对识别行驶风险因素的过程进行说明。
图3为本说明书实施例提供的一种识别基于行驶特征所能确定出的风险值对应的行驶风险因素的流程图,如图3所示,首先,针对至少一个维度,初始化该维度对应的信息的改变量,并对该维度对应的信息以及该维度对应的信息的改变量进行处理,得到该维度对应的更新信息。
具体的,针对每个维度,根据每个维度对应的信息,对该维度的信息进行归一化处理,根据该维度对应的信息的改变量,对归一化处理的结果进行补偿,得到该维度对应的更新信息。
其中,在对各维度对应的信息进行归一化处理时,可通过确定各维度对应的信息的方差的方式进行归一化处理,此外,本说明书同样可支持采用其他方式对各维度对应的信息进行归一化处理的情况。这里需要说明的是,对各维度对应的信息进行归一化处理,可使各维度对应的信息的取值映射到相同的取值空间,更有利于对各维度对应的信息的改变量(尤其是最大改变量)的对比,从而确定出行驶风险因素。
在对各维度对应的信息进行归一化处理之后,针对每个维度,可初始化该维度对应的信息的改变量,并将该维度对应的信息的改变量增加到该维度对应的信息中,得到该维度对应的更新信息,也即,更新信息是加入了信息的改变量的信息。
然后,将各维度对应的更新信息输入特征识别子模型,得到特征识别子模型输出的更新特征,根据行驶特征以及更新特征,确定行驶特征的变化量,以变化量小于预设阈值为优化目标,确定各维度对应的信息的最大改变量,得到风险贡献特征。
具体的,由于将各维度对应的更新信息输入特征识别子模型,得到更新特征,即,更新特征为增加了改变量的各维度对应的信息的行驶特征。在确定行驶特征与更新特征之间的变化量时,可确定行驶特征与更新特征的差值的范数,并确定每个维度对应的信息的改变量的负相关函数,根据范数以及负相关函数,确定行驶特征与更新特征之间的变化量。由于以变化量小于预设阈值为优化目标,确定各维度对应的信息的最大改变量的内容,实则是在变化量小于预设阈值这个条件下,确定各维度对应的信息的最大改变量的一种优化算法,因此,本说明书中,可引入损失的概念,即根据行驶特征、更新特征以及各维度对应的信息的改变量,确定损失,以损失最小化为优化目标,调整各维度对应的信息的改变量,将各维度对应的信息的最大改变量作为风险贡献特征。
其中,可根据行驶特征与更新特征的差值的范数,确定对数似然函数损失,根据改变量的负相关函数,确定信息熵损失,其中,信息熵损失可以为对数函数。并且,确定对数似然函数损失与信息熵损失的和值,作为最终的损失。
在本说明书中,可针对每个维度,在该维度对应的信息增加改变量,并且其他维度对应的信息不增加改变量的情况下,确定损失,即,更新特征与行驶特征之间的差异仅由该维度对应的信息的改变量导致,并以损失最小化为优化目标,确定该维度对应的信息的最大改变量。以此类推,得到每个维度对应的信息的最大改变量,并将每个维度对应的信息的最大改变量作为风险贡献特征。
此外,本说明书还可同时分别对每个维度对应的信息增加改变量,其中,每个维度对应的信息的改变量的取值情况互不干扰,即,任意两个维度对应的信息的改变量可以相同也可以不相同,在该种情况下,确定损失,即,更新特征与行驶特征之间的差异由各维度对应的信息的改变量共同导致,以损失最小化为优化目标,确定每个维度对应的信息的最大改变量,此时的最大改变量由每个维度对应的信息的改变量共同确定,此时的最大改变量即风险贡献特征。
之后,在风险贡献特征中,分别确定各维度对应的信息的改变量表征值。
具体的,如上述内容所述,若风险贡献特征是采用分别确定每个维度对应的信息
的最大改变量的方式确定的,则针对每个维度,该维度对应的信息在风险贡献特征中的改
变量表征值,即为该方式中确定出的该维度对应的信息的最大改变量。即,确定出的第i个
维度对应的信息的最大改变量表示为
,则风险贡献特征X可表示为
,
其中,n为维度的数量,则第i个维度对应的信息的改变量表征值为
。
若风险贡献特征是采用同时确定每个维度对应的信息的最大改变量的方式确定
的,则针对每个维度,该维度对应的信息的改变量表征值,即为风险贡献特征中该维度对应
的信息的改变量。即,确定出第i个维度对应的信息的改变量为
时,可得到各维度对应的
信息的最大改变量(即风险贡献特征
)为
,则第i个维度对应的信息的改
变量表征值为
。
最后,基于各维度对应的信息的改变量表征值,确定行驶风险因素。
具体的,考虑到上述内容所述的确定基于行驶特征所能确定出的风险值对应的行驶风险因素的核心思想,在各维度对应的信息中确定行驶风险因素时,可基于每个维度对应的信息的改变量表征值,确定每个维度对应的信息对确定行驶特征的影响,从而在各维度对应的信息中,筛选出对确定行驶特征的影响较大的信息,作为行驶风险因素。
因此,可根据每个维度对应的信息的改变量表征值,对各维度对应的信息进行排序,根据排序结果,在各维度对应的信息中,确定行驶风险因素。例如,可按照每个维度对应的信息的改变量表征值从小到大的方式进行排序,可在各维度对应的信息中,选择排序结果靠前的若干种信息作为行驶风险因素。
此外,还可预先设置改变量阈值,针对每个维度,判断该维度对应的信息的改变量表征值是否小改变量阈值,若判断结果为小于,则确定该维度对应的信息为行驶风险因素,否则,确定该维度对应的信息不是行驶风险因素。
本说明书提供的上述行驶风险识别方法,具体可应用于使用无人驾驶设备进行配送的领域,例如,使用无人驾驶设备进行快递、外卖等配送的场景。具体的,在上述的场景中,可使用多个无人驾驶设备所构成的无人驾驶车队进行配送。
基于上述内容所述的行驶风险识别方法,本说明书实施例还对应提供一种行驶风险识别装置的结构示意图,如图4所示。
图4为本说明书实施例提供的一种行驶风险识别装置的结构示意图,所述装置包括:
获取模块400,用于根据预设的若干个维度,从无人驾驶环境对应的环境信息中,提取每个维度对应的信息;
输入模块402,用于将获取的信息输入识别模型的特征识别子模型,得到所述特征识别子模型输出的行驶特征;其中,所述行驶特征被用于输入所述识别模型的风险确定子模型,使所述风险确定子模型输出用于表征无人驾驶设备的行驶风险程度的风险值;
第一确定模块404,用于在所述行驶特征的变化小于预设阈值的条件下,确定至少一个维度对应的信息的最大改变量,将各维度对应的信息的最大改变量作为风险贡献特征;
第二确定模块406,用于针对每个维度,在所述风险贡献特征中,确定该维度对应的信息的改变量表征值;
第三确定模块408,用于根据每个维度对应的信息的改变量表征值,在各维度对应的信息中,确定基于所述行驶特征所能确定出的风险值对应的行驶风险因素。
通过上述方法,本说明书采用识别模型的方式可以基于环境信息确定出无人驾驶设备的驾驶风险程度,并且,可确定出导致无人驾驶设备的驾驶风险程度的行驶风险因素,即,本说明书在各种驾驶场景中,均可实现采用模型的方式既可识别出无人驾驶设备是否存在行驶风险,又可识别出存在行驶风险时的行驶风险因素的效果。
可选地,所述环境信息包括:所述无人驾驶设备的状态信息以及所述无人驾驶环境中各障碍物的信息;所述各维度包括:速度维度、距离维度。
可选地,所述输入模块402具体用于,通过所述识别模型,对每个维度对应的信息进行编码;根据编码结果,构建以所述无人驾驶设备以及各障碍物为顶点的完全图,对所述完全图进行图卷积处理,并对图卷积处理结果进行注意力机制处理;根据注意力机制处理结果,得到所述行驶特征。
可选地,所述第一确定模块404具体用于,针对至少一个维度,初始化该维度对应的信息的改变量,并对该维度对应的信息以及该维度对应的信息的改变量进行处理,得到该维度对应的更新信息;将各维度对应的更新信息输入所述特征识别子模型,得到所述特征识别子模型输出的更新特征;根据所述行驶特征以及所述更新特征,确定所述行驶特征的变化量,以所述变化量小于所述预设阈值为优化目标,确定各维度对应的信息的最大改变量,得到所述风险贡献特征。
可选地,所述第一确定模块404具体用于,针对每个维度,根据每个维度对应的信息,对该维度的信息进行归一化处理;根据该维度对应的信息的改变量,对归一化处理的结果进行补偿,得到该维度对应的更新信息。
可选地,所述第一确定模块404具体用于,根据所述行驶特征以及所述更新特征,确定所述行驶特征与所述更新特征的差值的范数;针对每个维度,确定该维度对应的信息的改变量的负相关函数;根据所述范数以及每个维度的负相关函数,确定所述行驶特征的变化量。
可选地,所述第三确定模块408具体用于,根据每个维度对应的信息的改变量表征值,对各维度对应的信息进行排序;根据排序结果,在各维度对应的信息中,确定所述行驶风险因素。
本说明书实施例还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述内容所述的行驶风险识别方法。
基于上述内容所述的行驶风险识别方法,本说明书实施例还提出了图5所示的电子设备的示意结构图。如图5,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述内容所述的行驶风险识别方法。
当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device, PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书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,本说明书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。
本说明书是参照根据本说明书实施例的方法、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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书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,本说明书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。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。