CN112945230B - 车辆行车状态的识别方法、装置、计算机设备和存储介质 - Google Patents
车辆行车状态的识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112945230B CN112945230B CN202110104879.4A CN202110104879A CN112945230B CN 112945230 B CN112945230 B CN 112945230B CN 202110104879 A CN202110104879 A CN 202110104879A CN 112945230 B CN112945230 B CN 112945230B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- driving
- coordinate system
- driving state
- value
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/18—Stabilised platforms, e.g. by gyroscope
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
- Gyroscopes (AREA)
Abstract
本申请涉及一种车辆行车状态的识别方法、装置、计算机设备和存储介质。所述方法包括:获取预设时间段内车载设备在设备坐标系下的加速度值和陀螺仪值;车载设备固定在车辆上,与车辆保持相对静止且呈预设方向;加速度值和陀螺仪值通过车载设备中安装的设备传感器采集得到;根据加速度值和陀螺仪值,确定车载设备在地球坐标系下的旋转角速度,作为车辆的车头旋转角速度;根据车辆的车头旋转角速度,确定车辆在预设时间段内的行车方向序列;根据行车方向序列,确定车辆的行车状态。本方法涉及智能驾驶技术,通过车辆的行车方向序列,自动确定车辆的行车状态,有利于提高车辆行车状态的识别准确率,并准确判断车辆是否偏航。
Description
技术领域
本申请涉及车辆技术领域,特别是涉及一种车辆行车状态的识别方法、装置、计算机设备和存储介质。
背景技术
自动驾驶技术是人工智能领域中的一个重要分支,随着自动驾驶技术的发展,对车辆行车状态的判断,对车辆自动控制显得越来越重要。
然而,目前的车辆行车状态的判断方法,一般是根据车辆的GPS(GlobalPositioning System,全球定位系统)定位结果中的前进方向信息,计算一段时间内的前进方向变化角度,比如第1秒与第15秒这两个时刻之间的前进方向的夹角,并将其与方向角度阈值进行比较以判断车辆的行车状态;但是,某些场景下(比如隧道、高架下、城市森林等)的GPS定位结果的误差较大,且直接通过方向角度阈值来进行判断,使得车辆行车状态的识别准确率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高车辆行车状态的识别准确率的车辆行车状态的识别方法、装置、计算机设备和存储介质。
一种车辆行车状态的识别方法,所述方法包括:
获取预设时间段内车载设备在设备坐标系下的加速度值和陀螺仪值;所述车载设备固定在车辆上,与所述车辆保持相对静止且呈预设方向;所述加速度值和所述陀螺仪值通过所述车载设备中安装的设备传感器采集得到;
根据所述加速度值和所述陀螺仪值,确定所述车载设备在地球坐标系下的旋转角速度,作为所述车辆的车头旋转角速度;
根据所述车辆的车头旋转角速度,确定所述车辆在所述预设时间段内的行车方向序列;
根据所述行车方向序列,确定所述车辆的行车状态。
一种车辆行车状态的识别装置,所述装置包括:
数值获取模块,用于获取预设时间段内车载设备在设备坐标系下的加速度值和陀螺仪值;所述车载设备固定在车辆上,与所述车辆保持相对静止且呈预设方向;所述加速度值和所述陀螺仪值通过所述车载设备中安装的设备传感器采集得到;
角速度确定模块,用于根据所述加速度值和所述陀螺仪值,确定所述车载设备在地球坐标系下的旋转角速度,作为所述车辆的车头旋转角速度;
序列确定模块,用于根据所述车辆的车头旋转角速度,确定所述车辆在所述预设时间段内的行车方向序列;
状态识别模块,用于根据所述行车方向序列,确定所述车辆的行车状态。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取预设时间段内车载设备在设备坐标系下的加速度值和陀螺仪值;所述车载设备固定在车辆上,与所述车辆保持相对静止且呈预设方向;所述加速度值和所述陀螺仪值通过所述车载设备中安装的设备传感器采集得到;
根据所述加速度值和所述陀螺仪值,确定所述车载设备在地球坐标系下的旋转角速度,作为所述车辆的车头旋转角速度;
根据所述车辆的车头旋转角速度,确定所述车辆在所述预设时间段内的行车方向序列;
根据所述行车方向序列,确定所述车辆的行车状态。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取预设时间段内车载设备在设备坐标系下的加速度值和陀螺仪值;所述车载设备固定在车辆上,与所述车辆保持相对静止且呈预设方向;所述加速度值和所述陀螺仪值通过所述车载设备中安装的设备传感器采集得到;
根据所述加速度值和所述陀螺仪值,确定所述车载设备在地球坐标系下的旋转角速度,作为所述车辆的车头旋转角速度;
根据所述车辆的车头旋转角速度,确定所述车辆在所述预设时间段内的行车方向序列;
根据所述行车方向序列,确定所述车辆的行车状态。
上述车辆行车状态的识别方法、装置、计算机设备和存储介质,通过获取预设时间段内车载设备在设备坐标系下的加速度值和陀螺仪值,并根据加速度值和陀螺仪值,确定车载设备在地球坐标系下的旋转角速度,作为车辆的车头旋转角速度;然后根据车辆的车头旋转角速度,确定车辆在预设时间段内的行车方向序列;最后根据行车方向序列,确定车辆的行车状态;实现了根据预设时间段内,固定在车辆上的车载设备中的设备传感器采集得到的该车载设备在设备坐标系下的加速度值和陀螺仪值,确定车辆的行车状态的目的,由于设备传感器采集的数据不会受到外部环境影响而导致误差较大,从而避免了某些场景下的GPS定位结果的误差较大,导致车辆行车状态的识别准确率较低的缺陷,进而提高了车辆行车状态的识别准确率;同时,通过车辆在预设时间段内的行车方向序列,确定车辆的行车状态的方法,相对于直接通过方向角度阈值判断车辆行车状态的方法,准确率更高,进一步提高了车辆行车状态的识别准确率。
附图说明
图1为一个实施例中车辆行车状态的识别方法的应用环境图;
图2为一个实施例中车辆行车状态的识别方法的流程示意图;
图3为一个实施例中车辆中的车载设备的位置示意图;
图4为一个实施例中设备坐标系的示意图;
图5为一个实施例中地球坐标系的示意图;
图6为一个实施例中确定车载设备在地球坐标系下的旋转角速度的步骤的流程示意图;
图7为一个实施例中确定坐标转换矩阵的步骤的流程示意图;
图8为一个实施例中确定车辆在预设时间段内的行车方向序列的步骤的流程示意图;
图9为一个实施例中确定车辆的行车状态的步骤的流程示意图;
图10为一个实施例中各种行车状态对应的模板序列的示意图;
图11为另一个实施例中确定车辆的行车状态的步骤的流程示意图;
图12为一个实施例中确定车辆是否发生偏航的步骤的流程示意图;
图13为一个实施例中车辆发生偏航的示意图;
图14为另一个实施例中车辆行车状态的识别方法的流程示意图;
图15为又一个实施例中车辆行车状态的识别方法的流程示意图;
图16为一个实施例中车辆行车状态的识别装置的结构框图;
图17为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础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、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术、自动驾驶技术以及机器学习/深度学习等几大方向。
其中,自动驾驶技术通常包括高精地图、环境感知、行为决策、路径规划、运动控制等技术;在实际场景中,自定驾驶技术有着广泛的应用前景,将在自动驾驶领域中发挥着越来越重要的价值。
此外,本申请涉及的车辆行车状态的识别方法属于上述人工智能技术中的自动驾驶技术,通过获取的预设时间段内车载设备在设备坐标系下的加速度值和陀螺仪值,确定车辆在预设时间段内的行车方向序列,根据车辆在预设时间段内的行车方向序列,确定车辆的行车状态;根据车辆的行车状态,确定车辆是否发生偏航,以及时为用户规划新的导航路线。
本申请提供的车辆行车状态的识别方法,可以应用于如图1所示的应用环境中。其中,车载设备102固定在车辆上,与车辆保持相对静止且呈预设方向,车载设备中安装有设备传感器104。具体地,参考图1,设备传感器104实时采集车载设备102在设备坐标系下的加速度值和陀螺仪值;接着,车载设备102通过预设频率(比如10HZ),获取设备传感器104采集的车载设备102在设备坐标系下的加速度值和陀螺仪值;根据加速度值和陀螺仪值,确定车载设备102在地球坐标系下的旋转角速度,作为车辆的车头旋转角速度;根据车辆的车头旋转角速度,确定车辆在预设时间段内的行车方向序列,根据该行车方向序列,确定车辆的行车状态。其中,车载设备102是指集成或者固定在车辆身上,与车辆的相对位置保持不变动,且与车辆保持一定方向的设备,比如固定在车辆上的车机、手机等;设备传感器104是指车载设备中安装的惯性传感器,比如加速度传感器、陀螺仪传感器等。
在一个实施例中,如图2所示,提供了一种车辆行车状态的识别方法,以该方法应用于图1中的车载设备为例进行说明,包括以下步骤:
步骤S202,获取预设时间段内车载设备在设备坐标系下的加速度值和陀螺仪值;车载设备固定在车辆上,与车辆保持相对静止且呈预设方向;加速度值和陀螺仪值通过车载设备中安装的设备传感器采集得到。
其中,车载设备是指集成或固定在车辆身上,与车辆的相对位置保持不变动,且与车辆保持一定方向的设备,比如固定在车辆上的车机、手机等;在实际场景中,车主一般通过车载设备中安装的导航应用程序进行车辆导航。例如,参考图3,车载设备(比如车机或手机)固定在车辆上,与车辆保持相对静止,且车载设备的3个轴与车辆保持一定方向,比如车载设备的x轴指向车辆右方,车载设备的y轴指向车辆前方,车载设备的z轴指向车辆顶部。
其中,设备坐标系是指以车载设备为参照物建立的坐标系;例如,参考图4,x轴指向手机的屏幕右侧,y轴指向手机的屏幕上侧,z轴垂直于手机的屏幕;需要说明的是,从车载设备中的设备传感器中获取的值都是相对于设备坐标系的。
其中,地球坐标系是指以地球为参照物建立的坐标系;例如,参考图5,x轴指向正东,y轴指向正北,z轴垂直于地面朝上;需要说明的是,如果需要知道车辆的俯仰角信息或者高度变化信息,需要相对于地球坐标系来进行计算。
其中,设备传感器是指车载设备中安装的惯性传感器,惯性传感器主要用于检测和测量加速度、倾斜、冲击、振动、旋转和多自由度(DoF)运动,是解决导航、定向和运动载体控制的重要部件,具体可以是加速度传感器(如加速度计)、陀螺仪传感器(如陀螺仪)等;加速度传感器是一种用于采集车载设备在设备坐标系下的加速度值的传感器,陀螺仪传感器是一种用于采集车载设备在设备坐标系下的陀螺仪值的传感器。
其中,预设时间段是指采集的加速度值和陀螺仪值的时间范围,比如15秒内,具体可以根据实际情况进行调整,在此不做具体限定。
具体地,车载设备中的设备传感器实时采集车载设备在设备坐标系下的加速度值和陀螺仪值,接着,车载设备通过预设频率(比如10HZ),获取设备传感器采集的车载设备在设备坐标系下的加速度值和陀螺仪值,然后从得到的加速度值和陀螺仪值中,获取预设时间段内车载设备在设备坐标系下的加速度值和陀螺仪值,便于后续根据预设时间段内车载设备在设备坐标系下的加速度值和陀螺仪值,确定车辆在预设时间段内的行车方向序列,同时,通过设备传感器来计算车辆的行车状态,不会由于环境影响而出现没有传感器数据或者数据误差较大的情况,进一步提高了车辆行车状态的识别准确率。
例如,参考图3,固定在车辆上的手机中安装的加速度计和陀螺仪实时采集手机在设备坐标系下的加速度值Acc(x,y,z)和陀螺仪值Gyro(x,y,z);接着,手机通过预设频率获取加速度计和陀螺仪采集的手机在设备坐标系下的加速度值和陀螺仪值,比如预设频率为10HZ,则1秒内获取加速度计和陀螺仪采集的手机在设备坐标系下的10个加速度值和10个陀螺仪值;然后从得到的加速度值和陀螺仪值中,获取预设时间段内手机在设备坐标系下的加速度值和陀螺仪值。
进一步地,在得到预设时间段内车载设备在设备坐标系下的加速度值和陀螺仪值之后,车载设备还可以从预设时间段内车载设备在设备坐标系下的加速度值和陀螺仪值中,筛选出第一预设时间段内车载设备在设备坐标系下的加速度值,其中,第一预设时间段对应的时间范围在预设时间段对应的时间范围内;接着,车载设备根据第一预设时间段内车载设备在设备坐标系下的加速度值,计算第一预设时间段内车载设备的合成加速度值,并统计第一预设时间段内车载设备的合成加速度值的方差,若方差小于预设阈值,则确认当前车辆停止,比如等红绿灯或停车,此时不对车辆的行车状态进行判断;若方差大于或者等于预设阈值,则确认当前车辆处于运动状态,则通过预设时间段内车载设备在设备坐标系下的加速度值和陀螺仪值,确定当前车辆的行车状态。
例如,参考图3,手机从15秒内手机在设备坐标系下的加速度值和陀螺仪值中,筛选出2秒内手机在设备坐标系下的加速度值Acc(x,y,z);接着,手机根据2秒内手机在设备坐标系下的加速度值Acc(x,y,z),计算2秒内手机的合成加速度值然后统计2秒内手机的合成加速度值的方差,如果方差小于某个阈值(如0.2m/s2),可以认为当前车辆静止,此时不进行车辆行车状态的判断。
步骤S204,根据加速度值和陀螺仪值,确定车载设备在地球坐标系下的旋转角速度,作为车辆的车头旋转角速度。
其中,旋转角速度是指物体在单位时间内转过的角度;车头旋转角速度是指车辆的车头在单位时间内转过的角度,单位为度/秒。
具体地,车载设备对加速度值进行低通滤波处理,得到车载设备在设备坐标系下的重力加速度;获取地球坐标系下的重力加速度,根据车载设备在设备坐标系下的重力加速度以及地球坐标系下的重力加速度,确定用于将设备坐标系下的坐标转换到述地球坐标系中的坐标转换矩阵;根据坐标转换矩阵,对陀螺仪值进行转换,得到车载设备在地球坐标系下的陀螺仪值;提取出车载设备在地球坐标系下的陀螺仪值中的预设维度(比如Z轴)的数值,作为车载设备在地球坐标系下的旋转角速度,也即车辆的车头旋转角速度。这样,通过获取车辆在预设时间段内的车头旋转角速度,有利于后续根据车辆在预设时间段内的车头旋转角速度,确定车辆在预设时间段内的行车方向序列。
步骤S206,根据车辆的车头旋转角速度,确定车辆在预设时间段内的行车方向序列。
其中,车辆在预设时间段内的行车方向序列,是指由车辆在预设时间段内的各个时刻相对于车辆初始朝向的行车方向所组成的序列,比如(b0,b1,…,bn)。
具体地,车载设备通过行车方向统计指令,基于车辆在预设时间段内的各个时刻的多个车头旋转角速度,确定车辆在各个时刻相对于车辆初始朝向(一般为0)的行车方向,然后将车辆在各个时刻相对于车辆初始朝向的行车方向进行组合,得到车辆在预设时间段内的行车方向序列。其中,行车方向统计指令是指能够基于车辆在某个时刻的多个车头旋转角速度,确定车辆在该时刻相对于车辆初始朝向的行车方向的指令。这样,通过获取车辆在预设时间段内的行车方向序列,有利于后续根据车辆在预设时间段内的行车方向序列,确定车辆的行车状态。
步骤S208,根据行车方向序列,确定车辆的行车状态。
其中,车辆的行车状态是指直行、拐弯、掉头。
具体地,车载设备获取各种行车状态对应的预设方向序列,然后分别将车辆在预设时间段内的行车方向序列与各种行车状态对应的预设方向序列进行匹配,将匹配成功的预设方向序列对应的行车状态作为车辆的行车状态;比如,车辆在预设时间段内的行车方向序列与某种行车状态对应的预设方向序列匹配成功,则将该行车状态作为车辆的行车状态。这样,综合考虑车辆在预设时间段内的行车方向序列,并通过与各种行车状态对应的预设方向序列进行匹配,有利于提高车辆行车状态的识别准确率,避免了直接通过方向角度阈值判断车辆行车状态,导致车辆行车状态的识别准确率较低的缺陷。
举例说明,假设车辆在预设时间段内的行车方向序列与直行对应的预设方向序列匹配成功,则确定车辆的行车状态为直行。
上述车辆行车状态的识别方法中,通过获取预设时间段内车载设备在设备坐标系下的加速度值和陀螺仪值,并根据加速度值和陀螺仪值,确定车载设备在地球坐标系下的旋转角速度,作为车辆的车头旋转角速度;然后根据车辆的车头旋转角速度,确定车辆在预设时间段内的行车方向序列;最后根据行车方向序列,确定车辆的行车状态;实现了根据预设时间段内,固定在车辆上的车载设备中的设备传感器采集得到的该车载设备在设备坐标系下的加速度值和陀螺仪值,确定车辆的行车状态的目的,由于设备传感器采集的数据不会受到外部环境影响而导致误差较大,从而避免了某些场景下的GPS定位结果的误差较大,导致车辆行车状态的识别准确率较低的缺陷,进而提高了车辆行车状态的识别准确率;同时,通过车辆在预设时间段内的行车方向序列,确定车辆的行车状态的方法,相对于直接通过方向角度阈值判断车辆行车状态的方法,准确率更高,进一步提高了车辆行车状态的识别准确率。
在一个实施例中,如图6所示,上述步骤S204,根据加速度值和陀螺仪值,确定车载设备在地球坐标系下的旋转角速度,具体包括如下步骤:
步骤S602,根据加速度值和地球坐标系下的重力加速度,确定坐标转换矩阵;坐标转换矩阵用于将设备坐标系下的坐标转换到地球坐标系中。
其中,地球坐标系下的重力加速度一般是固定的,具体是GravityE(0,0,9.8)。
需要说明的是,我们只需要车辆在地球平面上的方向的变化值,所以需要将设备坐标系下的坐标转换到地球坐标系中进行计算,这个时候就需要确定出将设备坐标系下的坐标转换到地球坐标系中的坐标转换矩阵。
具体地,车载设备获取地球坐标系下的重力加速度,然后对车载设备在设备坐标系下的加速度值进行低通滤波处理,得到车载设备在设备坐标系下的重力加速度;然后确定将车载设备在设备坐标系下的重力加速度转换为地球坐标系下的重力加速度的旋转矩阵,作为最终确定的坐标转换矩阵。
步骤S604,根据坐标转换矩阵,对陀螺仪值进行转换,得到车载设备在地球坐标系下的陀螺仪值。
具体地,车载设备根据坐标转换矩阵,将车载设备在设备坐标系下的陀螺仪值GyroD(x,y,z),转换为车载设备在地球坐标系下的陀螺仪值GyroE(x1,y1,z1)。
步骤S606,提取出车载设备在地球坐标系下的陀螺仪值中的预设维度的数值,作为车载设备在地球坐标系下的旋转角速度。
其中,车载设备在地球坐标系下的陀螺仪值中的预设维度的数值,是指车载设备在地球坐标系下绕z轴的旋转角速度,具体是指陀螺仪值GyroE(x1,y1,z1)中的第3维值z1。
具体地,车载设备从车载设备在地球坐标系下的陀螺仪值中,提取出车载设备在地球坐标系下绕z轴的旋转角速度,作为车载设备在地球坐标系下的旋转角速度。
在本实施例中,通过根据车载设备在设备坐标系下的加速度值和陀螺仪值,确定车载设备在地球坐标系下的旋转角速度,作为车辆的车头旋转角速度,有利于后续根据车辆在预设时间段内的车头旋转角速度,确定车辆的行车状态,避免了某些场景下的GPS定位结果的误差较大,导致车辆行车状态的识别准确率较低的缺陷,从而提高了车辆行车状态的识别准确率。
在一个实施例中,如图7所示,上述步骤S602,根据加速度值和地球坐标系下的重力加速度,确定坐标转换矩阵,具体包括如下步骤:
步骤S702,对加速度值进行低通滤波处理,得到车载设备在设备坐标系下的重力加速度。
其中,车载设备在设备坐标系下的加速度值,是指车载设备运动产生的线性加速度(属于高频信号)和地球的重力加速度(属于低频信号)这两部分叠加生成的,故通过对车载设备在设备坐标系下的加速度值进行低通滤波,可以过滤掉高频的线性加速度,得到低频的重力加速度,即车载设备在设备坐标系下的重力加速度。
其中,对加速度值进行低通滤波处理,是指通过低通滤波器传递低频重力加速度,并降低频率高于预设频率的信号(如高频的线性加速度)的信号幅度。
举例说明,车载设备在设备坐标系下的加速度值包括加速度的三个轴的数据,车载设备对该加速度的三个轴的数据分别进行低通滤波处理,得到车载设备在设备坐标系下的重力加速度GravityD(x,y,z),此时有:
gt=αgt-1+(1-α)at,
其中,gt-1、gt表示t-1、t时刻滤波后的重力加速度,at为t时刻的加速度值,α为低通滤波系数,可设置α=0.9,当然也可以根据实际情况进行调整。
需要说明的是,gt-1是上一时刻计算出来的重力加速度,重力加速度的初始值为加速度值a0。
步骤S704,根据车载设备在设备坐标系下的重力加速度以及地球坐标系下的重力加速度,确定坐标转换矩阵。
具体地,车载设备获取地球坐标系下的重力加速度,然后根据车载设备在设备坐标系下的重力加速度以及地球坐标系下的重力加速度,确定将车载设备在设备坐标系下的重力加速度转换到地球坐标系下的重力加速度的旋转矩阵,作为坐标转换矩阵。
举例说明,由于只需要车辆在地球平面上的方向的变化值,故设定重力加速度在地球平面坐标系中的固定值为GravityE(0,0,9.8),即地球坐标系下的重力加速度为GravityE,接着根据车载设备在设备坐标系下的重力加速度GravityD以及地球坐标系下的重力加速度GravityE,确定坐标转换矩阵R:
需要说明的是,通过上述计算过程可知,每个时间点对应的坐标转换矩阵R是不一样的,说明坐标转换矩阵R是变化的。
接着,车载设备利用得到的坐标转换矩阵R,将车载设备在设备坐标系下的陀螺仪值GyroD(x,y,z)转换为车载设备在地球坐标系下的陀螺仪值GyroE(x1,y1,z1):
GyroE(x1,y1,z1)=R·GyroD(x,y,z),
最后,车载设备获取车载设备在地球坐标系下的陀螺仪值GyroE(x1,y1,z1)中的第3维值:车载设备在地球坐标系下绕z轴的旋转角速度,也即车辆的车头旋转角速度,此时车辆的车头旋转角速度的单位为弧度/秒,乘上180,得到车辆的车头旋转角速度的单位为度/秒,记为ω。需要说明的是,参照上述计算方法,可以得到每个时间点对应的车辆的车头旋转角速度,比如0.1秒对应ω1,0.2秒对应ω2,0.3秒对应ω3等。
在本实施例中,通过对加速度值进行低通滤波处理,得到车载设备在设备坐标系下的重力加速度,然后根据车载设备在设备坐标系下的重力加速度以及地球坐标系下的重力加速度,确定坐标转换矩阵,有利于提高坐标转换矩阵的确定准确率;便于后续根据准确确定出的坐标转换矩阵对陀螺仪值进行转换,得到车载设备在地球坐标系下的陀螺仪值,进而得到车载设备在地球坐标系下的旋转角速度,从而提高了车载设备在地球坐标系下的旋转角速度的确定准确度。
在一个实施例中,车辆的车头旋转角速度包括车辆在预设时间段内的各个时刻的多个车头旋转角速度,那么,如图8所示,上述步骤S206,根据车辆的车头旋转角速度,确定车辆在预设时间段内的行车方向序列,具体包括如下步骤:
步骤S802,根据车辆在预设时间段内的各个时刻的多个车头旋转角速度,确定车辆在各个时刻相对于车辆初始朝向的行车方向。
其中,每个时刻对应多个车头旋转角速度;车辆初始朝向为0。
具体地,车载设备根据车辆初始朝向和车辆在第一时刻内的多个车头旋转角速度的平均值,确定车辆在第一时刻相对于车辆初始朝向的行车方向;接着,根据车辆在第一时刻相对于车辆初始朝向的行车方向,以及车辆在第二时刻内的多个车头旋转角速度的平均值,确定车辆在第二时刻相对于车辆初始朝向的行车方向;以此类推,直到计算得到车辆在最后时刻相对于车辆初始朝向的行车方向。
步骤S804,将车辆在各个时刻相对于车辆初始朝向的行车方向进行组合,得到车辆在预设时间段内的行车方向序列。
具体地,假设车辆初始朝向为b0,车辆在第一时刻相对于车辆初始朝向的行车方向为b1,车辆在第二时刻相对于车辆初始朝向的行车方向为b2······车辆在最后时刻相对于车辆初始朝向的行车方向为bn,那么车辆在预设时间段内的行车方向序列为(b0,b1,…,bn)。
举例说明,车载设备将车辆初始朝向设置为0,通过获取预设时间段内(比如15秒)每个时刻(比如每秒)中的多个车头旋转角速度ω;然后通过下述公式,每秒获取一次车辆的车头相对于车辆初始朝向的相对方向b,组成比对的行车方向序列(b0,b1,…,bn)。
其中,t表示时间,ωi表示车主旋转角速度,10表示采集频率10Hz;需要说明的是,在计算bt时,是统计t-1到t之间的10个车头旋转角速度的平均值,然后将该平均值与bt-1相加,得到bt;另外,假设采集频率为20Hz,则将上述公式中的10替换为20。
在本实施例中,通过获取车辆在预设时间段内的行车方向序列,有利于后续根据车辆在预设时间段内的行车方向序列,确定车辆的行车状态,无需利用GPS定位结果确定车辆的行车状态,从而避免了某些场景下的GPS定位结果的误差较大,导致车辆行车状态的识别准确率较低的缺陷,从而提高了车辆行车状态的识别准确率。
在一个实施例中,如图9所示,上述步骤S206,根据行车方向序列,确定车辆的行车状态,具体包括如下步骤:
步骤S902,获取各种行车状态对应的预设方向序列。
其中,行车状态对应的预设方向序列是指该行车状态对应的模板序列;需要说明的是,同一种行车状态可以对应多条预设方向序列。
具体地,车载设备从网络上或者本地数据库中获取各种行车状态(比如直行、转弯、掉头)对应的模板序列,对应作为各种行车状态对应的预设方向序列。例如,参考图10,直行对应2条预设方向序列,转弯对应4条预设方向序列,掉头对应3条预设方向序列。
步骤S904,分别将行车方向序列与各种行车状态对应的预设方向序列进行匹配,得到行车方向序列与各种行车状态对应的预设方向序列之间的距离;距离用于表征行车方向序列与预设方向序列之间的相似性。
其中,车辆在预设时间段内的行车方向序列与行车状态对应的预设方向序列之间的距离是指DTW(Dynamic Time Warping,动态时间归整)距离,用于表征车辆在预设时间段内的行车方向序列与预设方向序列这两个方向序列之间的相似性;比如,车辆在预设时间段内的行车方向序列与行车状态对应的预设方向序列之间的距离越小,表示车辆在预设时间段内的行车方向序列与行车状态对应的预设方向序列之间的相似性越高,说明车辆的行车状态为该行车状态的可信度越高。
需要说明的是,DTW是一种用来计算两个时间序列之间的距离的算法,可以比较两个不同长度的时间序列之间的相似性。
具体地,车载设备通过DTW方法,分别将行车方向序列与各种行车状态对应的预设方向序列进行匹配,得到行车方向序列与各种行车状态对应的预设方向序列之间的距离。
步骤S906,选取出距离最小的预设方向序列对应的行车状态,作为车辆的行车状态。
具体地,车载设备从行车方向序列与各种行车状态对应的预设方向序列之间的距离中,选取出距离最小的预设方向序列对应的行车状态,作为车辆的行车状态,同时输出当前的距离,距离越小表示确定出的车辆行车状态的可信度越高,外界可以根据距离的大小来判断当前确定出的车辆行车状态是否可信。
在本实施例中,通过分别将行车方向序列与各种行车状态对应的预设方向序列进行匹配,得到行车方向序列与各种行车状态对应的预设方向序列之间的距离,然后将距离最小的预设方向序列对应的行车状态作为车辆的行车状态,实现了根据车辆的行车方向序列以及各种行车状态对应的预设方向序列,确定车辆的行车状态的目的,无需利用方向角度阈值判断车辆行车状态,从而避免了直接通过方向角度阈值判断车辆行车状态的准确率较低的缺陷,进一步提高了车辆行车状态的识别准确率。
在一个实施例中,如图11所示,上述步骤S206,根据行车方向序列,确定车辆的行车状态,具体包括如下步骤:
步骤S1102,提取行车方向序列中的特征信息。
其中,行车方向序列中的特征信息用于描述行车方向序列中的特征,比如最大值、最小值、均值等。
具体地,车载设备通过预设的特征提取指令,对车辆在预设时间段内的行车方向序列进行特征提取处理,得到该行车方向序列中的特征信息。
步骤S1104,将行车方向序列中的特征信息输入预先训练的行车状态识别模型,得到车辆的行车状态;预先训练的行车状态识别模型是根据采集的样本方向序列训练得到,用于对输入的行车方向序列的特征信息进行识别,对应输出行车方向序列对应的行车状态。
其中,预先训练的行车状态识别模型是一种能够根据输入的行车方向序列的特征信息,对应输出行车方向序列对应的行车状态的分类模型,是通过机器学习训练得到的,具体可以是SVM(support vector machines,支持向量机)模型、XGboost模型(复合树模型)等。
具体地,车载设备将行车方向序列中的特征信息输入预先训练的行车状态识别模型,得到车辆在各个预设行车状态(比如直行、转弯、掉头)下的概率;从车辆在各个预设行车状态(比如直行、转弯、掉头)下的概率中,选取出概率最大所对应的预设行车状态,作为车辆的行车状态;例如,车辆在直行行车状态下的概率最大,则确定车辆的行车状态为直行。
进一步地,预先训练的行车状态识别模型可以通过下述方式训练得到:车载设备获取多个样本方向序列以及每个样本方向序列对应的实际行车状态(比如直行、拐弯、掉头等),将样本方向序列中的特征信息输入待训练的行车状态识别模型,得到样本方向序列对应的预测行车状态;根据样本方向序列对应的预测行车状态以及实际行车状态之间的差值,结合损失函数,计算得到损失值;根据损失值对待训练的行车状态识别模型的模型参数进行调整,并对调整后的行车状态识别模型进行再次训练,直至根据训练后的行车状态识别模型得到的损失值小于预设损失值,则将该训练后的行车状态识别模型,作为预先训练的行车状态识别模型。
在本实施例中,利用预先训练的行车状态识别模型,基于车辆在预设时间段内的行车方向序列中的特征信息,可以准确识别出车辆的行车状态,从而进一步提高了车辆行车状态的识别准确率。
在一个实施例中,如图12所示,本申请的方法还包括确定车辆是否发生偏航的步骤,具体包括如下内容:
步骤S1202,获取车辆的当前导航规划路线。
其中,当前导航规划路线是指车载设备中安装的导航应用程序提供的导航规划路线。
步骤S1204,若识别出车辆的行车状态与车辆的当前导航规划路线不匹配,则确定车辆发生偏航。
具体地,车载设备将车辆的行车状态与车辆的当前导航规划路线进行匹配,若车辆的行车状态与车辆的当前导航规划路线不匹配,则确定当前车辆发生偏航,并在车载设备的导航界面上显示当前车辆发生偏航,并重新显示新的导航规划路线。
举例说明,参考图13,比如用户车辆在当前导航规划路线的分歧路口附近,导航规划路线为直行,且GPS位置信息未判断用户车辆偏航,但是基于车辆的行车方向序列确定出的车辆行车状态,识别出当前车辆拐弯,则可以确定当前车辆发生偏航,同时通过语音提醒用户,并重新为用户规划新的导航规划路线。
在本实施例中,通过基于车辆的行车方向序列确定出的车辆行车状态,可以快速确定当前车辆是否发生偏航,从而加快了车辆偏航的响应时间,同时避免了某些场景下的GPS定位结果的误差较大,无法及时判断车辆是否偏航的缺陷。
在一个实施例中,本申请的方法还包括在车辆发生偏航时,控制车辆按照新的导航规划路线驾驶的步骤,具体包括如下内容:获取车辆的当前导航规划路线;若识别出车辆的行车状态与车辆的当前导航规划路线不匹配,则确定车辆发生偏航;重新生成新的导航规划路线,并控制车辆按照新的导航规划路线驾驶。
举例说明,在自动驾驶场景中,若根据车辆的行车状态,确定车辆发生偏航,则重新生成新的导航规划路线,比如按照车辆当前位置和目的地,生成最短的导航规划路线,作为新的导航规划路线;根据新的导航规划路线,生成对应的自动驾驶指令;根据自动驾驶指令,控制车辆按照新的导航规划路线驾驶。
在本实施例中,在车辆发生偏航时,自动控制车辆按照新的导航规划路线驾驶,有利于在车辆发生偏航时,快速控制车辆按照新的导航规划路线驾驶,避免车辆偏离目的地太远。
在一个实施例中,本申请的方法还包括根据车辆的行车状态确定车辆是否违规驾驶的步骤,具体包括如下内容:获取当前交通线路图,若识别出车辆的行车状态不符合当前交通线路图,则确定车辆违规驾驶。
具体地,车载设备获取当前交通线路图中的指示路线,将车辆的行车状态与当前交通线路图中的指示路线进行匹配,若车辆的行车状态与当前交通线路图中的指示路线不匹配,则确定车辆的行车状态不符合当前交通线路图,进而确定车辆违规驾驶。
举例说明,在智慧交通场景中,比如当前交通线路图中的指示路线为直行,但是基于车辆的行车方向序列确定出的车辆行车状态,识别出当前车辆逆行或者拐弯,则可以确定当前车辆违规驾驶,同时通过语音提醒车主,注意安全驾驶;进一步地,车载设备还可以在确定当前车辆违规驾驶时,生成当前车辆的违规驾驶记录,并上传至智慧交通服务器,以存储当前车辆的违规驾驶记录,便于后续对当前车辆的车主进行罚款或者扣除驾驶分数。
在本实施例中,通过判断车辆的行车状态与当前交通线路图的指示路线是否匹配,可以快速且准确确定车辆是否存在违规驾驶,达到了对车辆的驾驶状态进行实时监控的效果。
在一个实施例中,如图14所示,提供了另一种车辆行车状态的识别方法,以该方法应用于图1中的车载设备为例进行说明,包括以下步骤:
步骤S1402,获取预设时间段内车载设备在设备坐标系下的加速度值和陀螺仪值;车载设备固定在车辆上,与车辆保持相对静止且呈预设方向;加速度值和陀螺仪值通过车载设备中安装的设备传感器采集得到。
步骤S1404,对加速度值进行低通滤波处理,得到车载设备在设备坐标系下的重力加速度。
步骤S1406,根据车载设备在设备坐标系下的重力加速度以及地球坐标系下的重力加速度,确定坐标转换矩阵。
步骤S1408,根据坐标转换矩阵,对陀螺仪值进行转换,得到车载设备在地球坐标系下的陀螺仪值。
步骤S1410,提取出车载设备在地球坐标系下的陀螺仪值中的预设维度的数值,作为车载设备在地球坐标系下的旋转角速度。
步骤S1412,根据车辆在预设时间段内的各个时刻的多个车头旋转角速度,确定车辆在各个时刻相对于车辆初始朝向的行车方向。
步骤S1414,将车辆在各个时刻相对于车辆初始朝向的行车方向进行组合,得到车辆在预设时间段内的行车方向序列。
步骤S1416,获取各种行车状态对应的预设方向序列;分别将行车方向序列与各种行车状态对应的预设方向序列进行匹配,得到行车方向序列与各种行车状态对应的预设方向序列之间的距离。
步骤S1418,选取出距离最小的预设方向序列对应的行车状态,作为车辆的行车状态。
步骤S1420,获取车辆的当前导航规划路线;若识别出车辆的行车状态与车辆的当前导航规划路线不匹配,则确定车辆发生偏航。
上述车辆行车状态的识别方法,实现了根据预设时间段内,固定在车辆上的车载设备中的设备传感器采集得到的该车载设备在设备坐标系下的加速度值和陀螺仪值,确定车辆的行车状态的目的,由于设备传感器采集的数据不会受到外部环境影响而导致误差较大,从而避免了某些场景下的GPS定位结果的误差较大,导致车辆行车状态的识别准确率较低的缺陷,进而提高了车辆行车状态的识别准确率;同时,通过车辆在预设时间段内的行车方向序列,确定车辆的行车状态的方法,相对于直接通过方向角度阈值判断车辆行车状态的方法,准确率更高,进一步提高了车辆行车状态的识别准确率。
本申请还提供一种应用场景,该应用场景应用上述的车辆行车状态的识别方法。具体地,参考图15,该车辆行车状态的识别方法在该应用场景的应用如下:
车载设备获取15秒内车载设备在设备坐标系下的加速度值和陀螺仪值,然后从15秒内车载设备在设备坐标系下的加速度值和陀螺仪值中,提取出2秒内车载设备在设备坐标系下的加速度值,计算车载设备在2秒内的各个时间点的合成加速度值,并统计车载设备在2秒内的合成加速度值的方差,若方差小于预设阈值,则确认当前车辆停止;若方差大于或者等于预设阈值,则确认车辆处于运动状态;接着,根据15秒内车载设备在设备坐标系下的加速度值和陀螺仪值,确定15秒内车辆的多个车头旋转角速度;然后根据15秒内车辆的多个车头旋转角速度,确定车辆在15秒内的行车方向序列;利用DTW算法,计算车辆在15秒内的行车方向序列与各种行车状态对应的模板序列之间的DTW距离,最后将DTW距离最小的模板序列对应的行车状态,作为车辆的行车状态输出。
在本实施例中,利用车载设备中的纯惯性传感器(加速度计和陀螺仪),识别车辆的当前转向角度信息,通过DTW方法与模板序列进行比较,识别出当前车辆的行驶状态(比如直行、拐弯、掉头),使得计算出来的车辆行车状态,不会出现由于环境影响而导致没有传感器数据或数据误差大的情况,可以持续稳定的输出车辆行车状态的识别结果;同时,通过DTW方法来判断车辆行车状态,相比直接通过阈值判断的方法,识别准确率更高。
应该理解的是,虽然图2、6、7、8、9、11、12、14的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2、6、7、8、9、11、12、14中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图16所示,提供了一种车辆行车状态的识别装置1600,该装置1600可以采用软件模块或硬件模块,或者是二者的结合成为计算机设备的一部分,该装置具体包括:数值获取模块1602、角速度确定模块1604、序列确定模块1606和状态识别模块1608,其中:
数值获取模块1602,用于获取预设时间段内车载设备在设备坐标系下的加速度值和陀螺仪值;车载设备固定在车辆上,与车辆保持相对静止且呈预设方向;加速度值和陀螺仪值通过车载设备中安装的设备传感器采集得到。
角速度确定模块1604,用于根据加速度值和陀螺仪值,确定车载设备在地球坐标系下的旋转角速度,作为车辆的车头旋转角速度。
序列确定模块1606,用于根据车辆的车头旋转角速度,确定车辆在预设时间段内的行车方向序列。
状态识别模块1608,用于根据行车方向序列,确定车辆的行车状态。
在一个实施例中,角速度确定模块1604,还用于根据加速度值和地球坐标系下的重力加速度,确定坐标转换矩阵;坐标转换矩阵用于将设备坐标系下的坐标转换到地球坐标系中;根据坐标转换矩阵,对陀螺仪值进行转换,得到车载设备在地球坐标系下的陀螺仪值;提取出车载设备在地球坐标系下的陀螺仪值中的预设维度的数值,作为车载设备在地球坐标系下的旋转角速度。
在一个实施例中,角速度确定模块1604,还用于对加速度值进行低通滤波处理,得到车载设备在设备坐标系下的重力加速度;根据车载设备在设备坐标系下的重力加速度以及地球坐标系下的重力加速度,确定坐标转换矩阵。
在一个实施例中,车辆的车头旋转角速度包括车辆在预设时间段内的各个时刻的多个车头旋转角速度;序列确定模块1606,还用于根据车辆在预设时间段内的各个时刻的多个车头旋转角速度,确定车辆在各个时刻相对于车辆初始朝向的行车方向;将车辆在各个时刻相对于车辆初始朝向的行车方向进行组合,得到车辆在预设时间段内的行车方向序列。
在一个实施例中,状态识别模块1608,还用于获取各种行车状态对应的预设方向序列;分别将行车方向序列与各种行车状态对应的预设方向序列进行匹配,得到行车方向序列与各种行车状态对应的预设方向序列之间的距离;距离用于表征行车方向序列与预设方向序列之间的相似性;选取出距离最小的预设方向序列对应的行车状态,作为车辆的行车状态。
在一个实施例中,状态识别模块1608,还用于提取行车方向序列中的特征信息;将行车方向序列中的特征信息输入预先训练的行车状态识别模型,得到车辆的行车状态;预先训练的行车状态识别模型是根据采集的样本方向序列训练得到,用于对输入的行车方向序列的特征信息进行识别,对应输出行车方向序列对应的行车状态。
在一个实施例中,车辆行车状态的识别装置1600具体还包括:偏航判断模块。
偏航判断模块,用于获取车辆的当前导航规划路线;若识别出车辆的行车状态与车辆的当前导航规划路线不匹配,则确定车辆发生偏航。
关于车辆行车状态的识别装置的具体限定可以参见上文中对于车辆行车状态的识别方法的限定,在此不再赘述。上述车辆行车状态的识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图17所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种车辆行车状态的识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图17中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (16)
1.一种车辆行车状态的识别方法,所述方法包括:
获取预设时间段内车载设备在设备坐标系下的加速度值和陀螺仪值;所述车载设备固定在车辆上,与所述车辆保持相对静止且呈预设方向;所述加速度值和所述陀螺仪值通过所述车载设备中安装的设备传感器采集得到;
在根据所述加速度值确认所述车辆处于运动状态的情况下,根据所述加速度值和所述陀螺仪值,确定所述车载设备在地球坐标系下的旋转角速度,作为所述车辆的车头旋转角速度;
根据所述车辆的车头旋转角速度,确定所述车辆在所述预设时间段内的行车方向序列;所述车辆在所述预设时间段内的行车方向序列,是指由所述车辆在所述预设时间段内的各个时刻相对于车辆初始朝向的行车方向所组成的序列;
根据所述行车方向序列,确定所述车辆的行车状态;所述车辆的行车状态通过预先训练的行车状态识别模型对所述行车方向序列中的特征信息进行处理得到。
2.根据权利要求1所述的方法,其特征在于,所述根据所述加速度值和所述陀螺仪值,确定所述车载设备在地球坐标系下的旋转角速度,包括:
根据所述加速度值和所述地球坐标系下的重力加速度,确定坐标转换矩阵;所述坐标转换矩阵用于将所述设备坐标系下的坐标转换到所述地球坐标系中;
根据所述坐标转换矩阵,对所述陀螺仪值进行转换,得到所述车载设备在所述地球坐标系下的陀螺仪值;
提取出所述车载设备在所述地球坐标系下的陀螺仪值中的预设维度的数值,作为所述车载设备在所述地球坐标系下的旋转角速度。
3.根据权利要求2所述的方法,其特征在于,所述根据所述加速度值和所述地球坐标系下的重力加速度,确定坐标转换矩阵,包括:
对所述加速度值进行低通滤波处理,得到所述车载设备在所述设备坐标系下的重力加速度;
根据所述车载设备在所述设备坐标系下的重力加速度以及所述地球坐标系下的重力加速度,确定坐标转换矩阵。
4.根据权利要求1所述的方法,其特征在于,所述车辆的车头旋转角速度包括所述车辆在所述预设时间段内的各个时刻的多个车头旋转角速度;
所述根据所述车辆的车头旋转角速度,确定所述车辆在所述预设时间段内的行车方向序列,包括:
根据所述车辆在所述预设时间段内的各个时刻的多个车头旋转角速度,确定所述车辆在所述各个时刻相对于车辆初始朝向的行车方向;
将所述车辆在所述各个时刻相对于车辆初始朝向的行车方向进行组合,得到所述车辆在所述预设时间段内的行车方向序列。
5.根据权利要求1所述的方法,其特征在于,所述根据所述行车方向序列,确定所述车辆的行车状态,包括:
获取各种行车状态对应的预设方向序列;
分别将所述行车方向序列与各种行车状态对应的预设方向序列进行匹配,得到所述行车方向序列与各种行车状态对应的预设方向序列之间的距离;所述距离用于表征所述行车方向序列与预设方向序列之间的相似性;
选取出所述距离最小的预设方向序列对应的行车状态,作为所述车辆的行车状态。
6.根据权利要求1所述的方法,其特征在于,所述根据所述行车方向序列,确定所述车辆的行车状态,还包括:
提取所述行车方向序列中的特征信息;
将所述行车方向序列中的特征信息输入预先训练的行车状态识别模型,得到所述车辆的行车状态;所述预先训练的行车状态识别模型是根据采集的样本方向序列训练得到,用于对输入的行车方向序列的特征信息进行识别,对应输出所述行车方向序列对应的行车状态。
7.根据权利要求1至6任意一项所述的方法,其特征在于,所述方法还包括:
获取所述车辆的当前导航规划路线;
若识别出所述车辆的行车状态与所述车辆的当前导航规划路线不匹配,则确定所述车辆发生偏航。
8.一种车辆行车状态的识别装置,其特征在于,所述装置包括:
数值获取模块,用于获取预设时间段内车载设备在设备坐标系下的加速度值和陀螺仪值;所述车载设备固定在车辆上,与所述车辆保持相对静止且呈预设方向;所述加速度值和所述陀螺仪值通过所述车载设备中安装的设备传感器采集得到;
角速度确定模块,用于在根据所述加速度值确认所述车辆处于运动状态的情况下,根据所述加速度值和所述陀螺仪值,确定所述车载设备在地球坐标系下的旋转角速度,作为所述车辆的车头旋转角速度;
序列确定模块,用于根据所述车辆的车头旋转角速度,确定所述车辆在所述预设时间段内的行车方向序列;所述车辆在所述预设时间段内的行车方向序列,是指由所述车辆在所述预设时间段内的各个时刻相对于车辆初始朝向的行车方向所组成的序列;
状态识别模块,用于根据所述行车方向序列,确定所述车辆的行车状态;所述车辆的行车状态通过预先训练的行车状态识别模型对所述行车方向序列中的特征信息进行处理得到。
9.根据权利要求8所述的装置,其特征在于,所述角速度确定模块,还用于根据所述加速度值和所述地球坐标系下的重力加速度,确定坐标转换矩阵;所述坐标转换矩阵用于将所述设备坐标系下的坐标转换到所述地球坐标系中;根据所述坐标转换矩阵,对所述陀螺仪值进行转换,得到所述车载设备在所述地球坐标系下的陀螺仪值;提取出所述车载设备在所述地球坐标系下的陀螺仪值中的预设维度的数值,作为所述车载设备在所述地球坐标系下的旋转角速度。
10.根据权利要求9所述的装置,其特征在于,所述角速度确定模块,还用于对所述加速度值进行低通滤波处理,得到所述车载设备在所述设备坐标系下的重力加速度;根据所述车载设备在所述设备坐标系下的重力加速度以及所述地球坐标系下的重力加速度,确定坐标转换矩阵。
11.根据权利要求8所述的装置,其特征在于,所述车辆的车头旋转角速度包括所述车辆在所述预设时间段内的各个时刻的多个车头旋转角速度;
所述序列确定模块,还用于根据所述车辆在所述预设时间段内的各个时刻的多个车头旋转角速度,确定所述车辆在所述各个时刻相对于车辆初始朝向的行车方向;将所述车辆在所述各个时刻相对于车辆初始朝向的行车方向进行组合,得到所述车辆在所述预设时间段内的行车方向序列。
12.根据权利要求8所述的装置,其特征在于,所述状态识别模块,还用于获取各种行车状态对应的预设方向序列;分别将所述行车方向序列与各种行车状态对应的预设方向序列进行匹配,得到所述行车方向序列与各种行车状态对应的预设方向序列之间的距离;所述距离用于表征所述行车方向序列与预设方向序列之间的相似性;选取出所述距离最小的预设方向序列对应的行车状态,作为所述车辆的行车状态。
13.根据权利要求8所述的装置,其特征在于,所述状态识别模块,还用于提取所述行车方向序列中的特征信息;将所述行车方向序列中的特征信息输入预先训练的行车状态识别模型,得到所述车辆的行车状态;所述预先训练的行车状态识别模型是根据采集的样本方向序列训练得到,用于对输入的行车方向序列的特征信息进行识别,对应输出所述行车方向序列对应的行车状态。
14.根据权利要求8至13任意一项所述的装置,其特征在于,所述装置还包括:偏航判断模块,用于获取所述车辆的当前导航规划路线;若识别出所述车辆的行车状态与所述车辆的当前导航规划路线不匹配,则确定所述车辆发生偏航。
15.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
16.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110104879.4A CN112945230B (zh) | 2021-01-26 | 2021-01-26 | 车辆行车状态的识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110104879.4A CN112945230B (zh) | 2021-01-26 | 2021-01-26 | 车辆行车状态的识别方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112945230A CN112945230A (zh) | 2021-06-11 |
CN112945230B true CN112945230B (zh) | 2022-03-25 |
Family
ID=76237109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110104879.4A Active CN112945230B (zh) | 2021-01-26 | 2021-01-26 | 车辆行车状态的识别方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112945230B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113804211B (zh) * | 2021-08-06 | 2023-10-03 | 荣耀终端有限公司 | 一种高架识别方法及装置 |
CN114638420B (zh) * | 2022-03-22 | 2022-10-25 | 交通运输部公路科学研究所 | 道路智能度评测方法及危化品车辆道路级导航方法 |
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 |
CN116989816B (zh) * | 2023-09-05 | 2023-12-15 | 腾讯科技(深圳)有限公司 | 一种偏航识别方法、装置及电子设备 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4063149B2 (ja) * | 2003-05-28 | 2008-03-19 | 株式会社デンソー | 車両角速度検出装置 |
US8437935B2 (en) * | 2004-10-05 | 2013-05-07 | Vision Works Ip Corporation | Absolute acceleration sensor for use within moving vehicles |
CN104236566B (zh) * | 2014-09-24 | 2017-09-22 | 深圳先进技术研究院 | 基于智能手机的地图匹配方法 |
CN104802697B (zh) * | 2015-03-30 | 2016-11-16 | 西北工业大学 | 微惯性测量单元及基于该测量单元的自适应前照灯控制方法 |
CN105841701A (zh) * | 2016-06-15 | 2016-08-10 | 北京奇虎科技有限公司 | 离线导航方法、装置 |
CN106643749B (zh) * | 2016-09-14 | 2019-11-05 | 北京航空航天大学 | 一种基于智能手机的危险驾驶行为检测方法 |
CN107492251B (zh) * | 2017-08-23 | 2020-02-14 | 武汉大学 | 一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法 |
CN108189763A (zh) * | 2018-01-17 | 2018-06-22 | 北京万得嘉瑞汽车技术有限公司 | 一种分析驾驶员驾驶行为的方法及专用智能车载后视镜 |
CN110823181A (zh) * | 2018-07-23 | 2020-02-21 | 郑州宇通重工有限公司 | 环卫车及其车身姿态检测方法、车身稳定方法及对应系统 |
CN111427075B (zh) * | 2020-02-29 | 2023-10-17 | 中国平安财产保险股份有限公司 | 路径导航方法、装置、移动终端及可读存储介质 |
CN111510866B (zh) * | 2020-04-16 | 2022-03-08 | 腾讯科技(深圳)有限公司 | 一种定位系统、方法及设备 |
CN112197780B (zh) * | 2020-09-15 | 2022-11-01 | 汉海信息技术(上海)有限公司 | 路径规划方法、装置、电子设备 |
CN112256036B (zh) * | 2020-11-03 | 2024-02-06 | 浙江国自机器人技术股份有限公司 | 一种底盘运行控制方法、系统、装置和agv小车 |
-
2021
- 2021-01-26 CN CN202110104879.4A patent/CN112945230B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112945230A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112945230B (zh) | 车辆行车状态的识别方法、装置、计算机设备和存储介质 | |
US12017663B2 (en) | Sensor aggregation framework for autonomous driving vehicles | |
JP6738932B2 (ja) | シミュレーションプラットフォームに配置された、機械学習モデルを訓練するためのシステム及び方法 | |
US11966225B2 (en) | Localization based on sensor data | |
US20210373161A1 (en) | Lidar localization using 3d cnn network for solution inference in autonomous driving vehicles | |
US11704554B2 (en) | Automated training data extraction method for dynamic models for autonomous driving vehicles | |
US20210354718A1 (en) | Lidar localization using rnn and lstm for temporal smoothness in autonomous driving vehicles | |
CN109937343A (zh) | 用于自动驾驶车辆交通预测中的预测轨迹的评估框架 | |
Gao et al. | Smartphone-based real time vehicle tracking in indoor parking structures | |
CN109429518A (zh) | 基于地图图像的自动驾驶交通预测 | |
CN108073950A (zh) | 识别方法、识别装置、识别器生成方法以及识别器生成装置 | |
CN108137015A (zh) | 用于自动驾驶车辆的侧滑补偿控制方法 | |
CN108139884A (zh) | 模拟自动驾驶车辆移动的物理模型和结合机器学习的方法 | |
CN106352867A (zh) | 用于确定车辆自身位置的方法和设备 | |
CN103727941B (zh) | 基于载体系速度匹配的容积卡尔曼非线性组合导航方法 | |
CN108733046A (zh) | 用于自动驾驶车辆的轨迹重新规划的系统和方法 | |
EP3936822B1 (en) | Vehicle positioning method and apparatus, and vehicle, and storage medium | |
WO2016070723A1 (zh) | 由里程计获得车辆经纬度的航位推算导航定位方法及系统 | |
CN109086277A (zh) | 一种重叠区构建地图方法、系统、移动终端及存储介质 | |
Sun et al. | Combining machine learning and dynamic time wrapping for vehicle driving event detection using smartphones | |
CN114080537B (zh) | 收集与可导航网络有关的用户贡献数据 | |
CN110702135A (zh) | 一种车辆的导航方法及装置、汽车、存储介质 | |
CN112197780A (zh) | 路径规划方法、装置、电子设备 | |
Wang et al. | DeepSpeedometer: Vehicle speed estimation from accelerometer and gyroscope using LSTM model | |
CN110271553A (zh) | 用于稳健地定位车辆的方法和设备 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40049429 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |