CN113178074A - 应用于车辆的交通流机器学习建模系统及其方法 - Google Patents

应用于车辆的交通流机器学习建模系统及其方法 Download PDF

Info

Publication number
CN113178074A
CN113178074A CN202110453305.8A CN202110453305A CN113178074A CN 113178074 A CN113178074 A CN 113178074A CN 202110453305 A CN202110453305 A CN 202110453305A CN 113178074 A CN113178074 A CN 113178074A
Authority
CN
China
Prior art keywords
traffic flow
vehicles
lane line
vehicle
machine learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110453305.8A
Other languages
English (en)
Inventor
周平
彭思崴
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.)
Weilai Automobile Technology Anhui Co Ltd
Original Assignee
Weilai Automobile Technology Anhui 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 Weilai Automobile Technology Anhui Co Ltd filed Critical Weilai Automobile Technology Anhui Co Ltd
Priority to CN202110453305.8A priority Critical patent/CN113178074A/zh
Publication of CN113178074A publication Critical patent/CN113178074A/zh
Priority to EP22165470.0A priority patent/EP4083959A1/en
Priority to US17/724,228 priority patent/US20220343637A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • 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
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G01S13/867—Combination of radar systems with cameras

Abstract

本发明涉及应用于车辆的交通流机器学习建模系统及其方法。该系统包括：目标融合模块，对雷达测量数据以及摄像头测量数据进行目标融合，输出目标属性信息；车道线模型模块，根据摄像头测量数据，输出原始车道线模型；目标选择模块，根据目标融合模块输出的目标属性信息和车道线模型模块输出的原始车道线模型，确定各目标所在车道的位置并输出目标；以及交通流计算模块，根据目标融合模块的输出、目标选择模块的输出以及车道线模型模块的输出，采用聚类算法对车辆位置进行建模，输出基于交通流的车道线模型。根据本发明，能够得到准确的车道线参数，并且能够提供相关的车道流特征信息。

Description

应用于车辆的交通流机器学习建模系统及其方法
技术领域
本发明涉及自动驾驶技术，具体涉及应用于车辆的交通流机器学习建模系统以及交通流机器学习建模方法。
背景技术
交通流是指运载工具在交通运输网内运行的行为，目前的交通流研究主要侧重于对交通状态的数理统计研究，比如研究速度、交通量、交通密度、排队长度和等待时间的概率分布等等。交通流的状态对道路上的每一辆车都会有影响。
自动驾驶汽车是未来的发展趋势，将来越来越多的汽车会具备高级驾驶辅助系统（ADAS）和自动驾驶功能。随着自动驾驶汽车的发展，如果能够提供更加准确的交通流信息的话，就更能够提高自动驾驶技术的精确性，例如能够尽早识别出交通流信息中的异常情况，对车辆进行某些控制功能或者向驾驶员发出告警信息。
发明内容
鉴于上述问题，本发明旨在提出一种能够提供更精确的交通流信息的应用于车辆的交通流机器学习建模系统以及交通流机器学习建模方法。
本发明一方面的应用于车辆的交通流机器学习建模系统，其特征在于，包括：
目标融合模块，用于对来自车辆雷达的雷达测量数据以及来自车辆摄像头的摄像头测量数据进行目标融合，输出目标属性信息；
车道线模型模块，用于根据来自车辆摄像头的摄像头测量数据，输出原始车道线模型；
目标选择模块，用于根据所述目标融合模块输出的所述目标属性信息和所述车道线模型模块输出的所述原始车道线模型，确定各目标所在车道的位置并输出目标；以及
交通流计算模块，用于根据所述目标融合模块的输出、所述目标选择模块的输出以及所述车道线模型模块的输出，采用聚类算法对车辆位置进行建模，输出基于交通流的车道线模型。
可选地，在所述交通流计算模块中，作为所述聚类算法采用DBSCAN算法。
可选地，所述目标融合模块作为所述目标属性信息输出车辆之间的距离，所述交通流计算模块将所述目标融合模块输出的车辆之间的距离作为聚类的划分依据，输出作为聚类结果的基于车辆密度的车流形状，根据车流形状生成车道线模型。
可选地，所述交通流计算模块进一步输出交通流特征信息。
可选地，所述交通流特征信息包括以下的一项或多项：
交通流中车辆的平均速度、交通流中车辆的最大速度、交通流中车辆的最小速度。
可选地，所述DBSCAN算法包括以下步骤：
基于输入的车辆与车辆之间的距离，把车辆抽象成一个点，对车辆进行聚类，并且输出簇；
使用主成分分析算法找出簇的主方向；
对每个簇使用最小二乘法求出四次回归方程，其中，四次回归方程的系数即为车道线参数。
可选地，所述对车辆进行聚类包括：
（1）从数据集中任意选取一个数据对象点 p；
（2）如果对于参数 Eps 和 MinPts，所选取的数据对象点 p 为核心点，则找出所有从 p 密度可达的数据对象点，形成一个簇；
（3）如果选取的数据对象点 p 是边缘点，选取另一个数据对象点；以及
（4）重复（2）、（3）步，直到所有点被处理，
其中，参数Eps代表邻域半径，MinPts代表邻域中数据对象数目阈值。
本发明一方面的应用于车辆的交通流机器学习建模方法，其特征在于，包括：
目标融合步骤，对来自车辆雷达的雷达测量数据以及来自车辆摄像头的摄像头测量数据进行目标融合，输出目标属性信息；
车道线模型步骤，根据来自车辆摄像头的摄像头测量数据，输出原始车道线模型；
目标选择步骤，用于根据所述目标融合步骤输出的所述目标属性信息和所述车道线模型步骤输出的所述原始车道线模型，确定各目标所在车道的位置并输出目标；
交通流计算步骤，根据所述目标融合步骤的输出、所述目标选择步骤的输出以及所述车道线模型步骤的输出，利用聚类算法对车辆位置进行建模，输出基于交通流的车道线模型。
可选地，在所述交通流计算步骤中，作为所述聚类算法，采用DBSCAN算法。
可选地，在所述目标融合步骤中，作为所述目标属性信息输出车辆之间的距离，
在所述交通流计算步骤中，将所述目标融合步骤输出的车辆之间的距离作为聚类的划分依据，输出作为聚类结果的基于车辆密度的车流形状，根据车流形状生成车道线模型。
可选地，所述交通流计算步骤进一步输出交通流特征信息。
可选地，所述交通流特征信息包括以下的一项或多项：
交通流中车辆的平均速度、交通流中车辆的最大速度、交通流中车辆的最小速度。
可选地，所述DBSCAN算法包括以下步骤：
基于输入的车辆与车辆之间的距离，把车辆抽象成一个点，对车辆进行聚类，并且输出簇；
使用主成分分析算法找出簇的主方向；
对每个簇使用最小二乘法求出四次回归方程，其中，四次回归方程的系数即为车道线参数。
可选地，所述对车辆进行聚类包括：
（1）从数据集中任意选取一个数据对象点 p；
（2）如果对于参数 Eps 和 MinPts，所选取的数据对象点 p 为核心点，则找出所有从 p 密度可达的数据对象点，形成一个簇；
（3）如果选取的数据对象点 p 是边缘点，选取另一个数据对象点；以及
（4）重复（2）、（3）步，直到所有点被处理，
其中，参数Eps代表邻域半径，MinPts代表邻域中数据对象数目阈值。
本发明一方面的车辆，其特征在于，包括所述的应用于车辆的交通流机器学习建模系统。
本发明一方面的计算机可读介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现所述的应用于车辆的交通流机器学习建模方法。
本发明一方面的计算机设备，包括存储模块、处理器以及存储在存储模块上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述的应用于车辆的交通流机器学习建模方法。
如上所述，根据本发明的交通流机器学习建模系统以及交通流机器学习建模方法，通过利用DBSCAN聚类算法，能够得到准确的车道线参数，特别是在车道线模型模块无法给出准确的车道线模型的场景下能够给出准确的车道线参数。
进一步，根据本发明的交通流机器学习建模系统以及交通流机器学习建模方法，还能够提供交通流特性，例如，不同车道的平均速度，并对交通流中车辆的慢速和急减速行为进行监测，其结果可以作为路径规划的依据，并发出预警信息对司机进行提醒，或者对本车进行控制性操作，例如降速，换道等，由此能够为自动驾驶技术提供更多的辅助帮助，实现对车辆的精确控制。
附图说明
图1是表示本发明一实施方式的应用于车辆的交通流机器学习建模系统的构造示意图。
图2是表示本发明中采用的聚类算法的示意图。
图3是表示本发明一实施方式的应用于车辆的交通流机器学习建模方法的流程示意图。
具体实施方式
下面介绍的是本发明的多个实施例中的一些，旨在提供对本发明的基本了解。并不旨在确认本发明的关键或决定性的要素或限定所要保护的范围。
出于简洁和说明性目的，本文主要参考其示范实施例来描述本发明的原理。但是，本领域技术人员将容易地认识到，相同的原理可等效地应用于所有类型的应用于车辆的交通流机器学习建模系统以及交通流机器学习建模方法，并且可以在其中实施这些相同的原理，以及任何此类变化不背离本专利申请的真实精神和范围。
而且，在下文描述中，参考了附图，这些附图图示特定的示范实施例。在不背离本发明的精神和范围的前提下可以对这些实施例进行电、机械、逻辑和结构上的更改。此外，虽然本发明的特征是结合若干实施/实施例的仅其中之一来公开的，但是如针对任何给定或可识别的功能可能是期望和/或有利的，可以将此特征与其他实施/实施例的一个或多个其他特征进行组合。因此，下文描述不应视为在限制意义上的，并且本发明的范围由所附权利要求及其等效物来定义。
诸如“具备”和“包括”之类的用语表示除了具有在说明书和权利要求书中有直接和明确表述的单元（模块）和步骤以外，本发明的技术方案也不排除具有未被直接或明确表述的其它单元（模块）和步骤的情形。
图1是表示本发明一实施方式的应用于车辆的交通流机器学习建模系统的构造示意图。
如图1所示，本发明一实施方式的应用于车辆的交通流机器学习建模系统包括：
目标融合模块100，接收来自车辆雷达的雷达测量数据以及来自车辆摄像头的摄像头测量数据，执行目标融合，输出目标属性信息，例如包括：目标和车道线模型的相关信息等；
车道线模型模块200，根据来自车辆摄像头的摄像头测量数据，输出原始车道线模型，具体地，是将摄像头采集到的摄像头测量数据转换成车道线参数，例如本车离左右车道线的距离、车道的曲率等等；
目标选择模块300，根据目标融合模块100输出的目标属性信息和车道线模型模块200输出的所述原始车道线模型，确定各目标所在车道的位置并输出目标；
交通流计算模块400，根据目标融合模块100、目标选择模块200以及车道线模型模块300的输出基于聚类算法对车辆位置进行建模，输出基于交通流的车道线模型。
这里，目标融合模块100用于融合多传感器的目标信息，生成比单一传感器更加准确的目标属性，本发明不涉及目标融合逻辑，只要有准确的目标属性信息就行，所以，也可以是单一传感器的输出，也可以是融合算法的输出。
车道线模型模块200根据目标融合模块100输出的目标和车道线模型，确定各目标所在车道的位置，并按规定顺序输出目标，在本发明中不对规定顺序进行限定，可以按需要进行设定，只要能够确定目标所在车道和前后位置即可。作为一个示例，规定顺序为：（1）当前车道最近目标；（2）当前车道第二近目标；（3）左侧车道最近目标；（4）左侧车道第二近目标；（5）右侧车道最近目标；（6）右侧车道第二近目标。
车道线模型模块200主要的功能是将摄像头看到的车道图像转换成车道线参数，比如本车离左右车道线的距离、车道的曲率等等，由此得到原始车道线模型。
交通流计算模块400根据目标融合模块100、目标选择模块200以及车道线模型模块300的输出，采用聚类算法对车辆位置进行建模，输出基于交通流的车道线模型，而且还可以计算交通流特征。这里，作为交通流计算模块400中应用的聚类算法，优选采用DBSCAN聚类算法，因为DBSCAN算法不需要指定簇的个数，而其他的聚类算法（如K-均值,K-中值）则需要指定簇的个数，在实际场景无法事先预知簇的个数，因此DBSCAN算法较为适合。
接着，对于采用DBSCAN算法的具体计算过程进行说明。
DBSCAN（Density-Based Spatial Clustering of Applications with Noise）是一个比较有效的基于密度的聚类算法。它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。
DBSCAN需要两个参数：eps和形成高密度区域所需要的最少点数（minPts），它由一个任意未被访问的点开始，然后探索这个点的eps邻域，如果eps邻域里有足够的点，则建立一个新的聚类，否则这个点被标签为噪声。如果一个点位于一个聚类的密集区域里，它的eps邻域里的点也属于该聚类，当这些新的点被加进聚类后，如果它(们)也在密集区域里，它(们)的eps邻域里的点也会被加进聚类里。这个过程将一直重复，直至不能再加进更多的点为止，这样，一个密度连结的聚类被完整地找出来。然后，一个未曾被访问的点将被探索，从而发现一个新的聚类或噪声。DBSCAN的优点是，可以发现任意形状的类簇，不需要人工指定类簇的数目，而且有机制处理异常点。
在本发明中，以车辆之间的距离（车辆之间的距离由目标融合模块100提供）作为聚类的划分依据，最终得到基于密度的车流形状，根据车流形状则能够获得车道形状，同时还能够计算出交通流的平均速度、以及交通流中车辆的最大/最小速度等信息。
图2是表示本发明中采用的聚类算法的示意图。
如图2所示，横轴标识纵向距离，纵轴标识横向距离，图2中带标号的方块代表由摄像头或雷达检测到的前方车辆，根据车辆之间的距离，用DBSCAN算法可以分为3个聚类结果：车辆1，车辆2为聚类结果1；车辆3，车辆4为聚类结果2；车辆7，车辆8，车辆9为聚类结果3。另外，车辆5，车辆6为孤立点。
通过不断采集数据并根据聚类结果可以推断出车道线参数，同时可以和车道线模型模块200的输出进行对比，提高车道线模型的精度，并且还能够给出一些车道线模型模块200所不能够提供的状态信息，例如，作为一个示例，提供该车道是否可通过的信息，具体地，如果某条车道上有车流簇，表示该车道是可通过的，此处只是一个示例，还能够根据具体情况提供其他的状态信息。
接着，再对本发明中采用DBSCAN算法的具体内容进行说明。
DBSCAN算法的输入是车辆与车辆之间的距离（车辆之间的距离由目标融合模块100提供），在这里，我们可以把车辆抽象成一个点，输出是簇，计算过程如下：
（1）从数据集中任意选取一个数据对象点 p；
（2）如果对于参数 Eps 和 MinPts，所选取的数据对象点 p 为核心点，则找出所有从 p 密度可达的数据对象点，形成一个簇；
（3）如果选取的数据对象点 p 是边缘点，选取另一个数据对象点；
（4）重复（2）、（3），直到所有点被处理，其中，参数Eps代表邻域半径，MinPts代表邻域中数据对象数目阈值。
对车辆进行聚类之后，使用主成分分析（PCA）算法找出簇的主方向，对每个簇使用最小二乘法（LR）求出四次回归方程，四次回归方程的系数即为车道线参数。
根据本发明的交通流机器学习建模系统，通过利用DBSCAN聚类算法，能够得到准确的车道线参数，本发明特别是适合应用于车道线非正常的情况下车道线模型模块无法给出准确的车道线模型的场景，例如：道路没有车道线；车道线由于道路施工多次重画，在道路上遗留了多条旧的车道线；道路上有汉字或英文字符，干扰车道线识别；由于雨、雪、雾、大风沙尘等天气原因和夜晚条件下，摄像头无法识别到车道线；或者其他原因造成的摄像头无法识别到车道线，例如摄像头被遮挡、图像系统硬件或软件故障导致无法输出车道线等等。在类似这几种情况下，根据本发明的交通流机器学习建模系统就能够得到准确的车道线参数。
进一步，根据本发明的交通流机器学习建模系统，还能够进一步提供交通流特征信息，例如交通流车辆的平均速度、交通流中车辆的最大速度、交通流中车辆的最小速度等等。通过利用DBSCAN聚类算法,计算每条车道的车流簇的平均速度，如果该平均车速低于某个阈值，则可以判断该车道存在慢速行为。同理，也可以计算不同时刻的平均速度并进行比较，如果平均速度的降幅超过一定阈值，可以判断某条车道出现急减速行为。这样，能够基于交通流特征信息对于车辆的慢速或者加速行为进行监控并输出预警信息。
以上对于本发明一实施方式的应用于车辆的交通流机器学习建模系统进行了说明。接着对于本发明一实施方式的应用于车辆的交通流机器学习建模方法进行了说明。
图3是表示本发明一实施方式的应用于车辆的交通流机器学习建模方法的流程示意图。
如图3所示，本发明一实施方式的应用于车辆的交通流机器学习建模方法包括：
目标融合步骤S100：对来自车辆雷达的雷达测量数据以及来自车辆摄像头的摄像头测量数据进行目标融合，输出目标属性信息；
车道线获取步骤S200：根据来自车辆摄像头的摄像头测量数据，输出原始车道线模型；
目标选择步骤S300：根据所述目标融合步骤输出的所述目标属性信息和所述车道线获取步骤输出的所述原始车道线模型，确定各目标所在车道的位置并输出目标；
交通流计算步骤S400：根据目标融合步骤S100的输出、车道线获取步骤S200的输出以及目标选择步骤S300的输出，利用聚类算法对车辆位置进行建模，输出基于交通流的车道线模型。
其中，在交通流计算步骤中S400，作为所述聚类算法，采用DBSCAN算法。在目标融合步骤S100中，作为所述目标属性信息输出车辆之间的距离，这样，在交通流计算步骤S100中，将目标融合步骤S100输出的车辆之间的距离作为聚类的划分依据，输出作为聚类结果的基于车辆密度的车流形状，根据车流形状生成车道线模型。
进一步，在交通流计算步骤还能够进一步输出交通流特征信息。交通流特征信息包括以下的一项或多项：交通流中车辆的平均速度、交通流中车辆的最大速度、交通流中车辆的最小速度等。
其中，在交通流计算步骤S400中采用的DBSCAN算法主要包括以下步骤：
基于输入的车辆与车辆之间的距离，把车辆抽象成一个点，对车辆进行聚类，并且输出簇；
使用主成分分析算法找出簇的主方向；以及
对每个簇使用最小二乘法求出四次回归方程，其中，四次回归方程的系数即为车道线参数。
这里，所述“对车辆进行聚类”包括：
（1）从数据集中任意选取一个数据对象点 p；
（2）如果对于参数 Eps 和 MinPts，所选取的数据对象点 p 为核心点，则找出所有从 p 密度可达的数据对象点，形成一个簇；
（3）如果选取的数据对象点 p 是边缘点，选取另一个数据对象点；以及
（4）重复（2）、（3）步，直到所有点被处理，
其中，参数Eps代表邻域半径，MinPts代表邻域中数据对象数目阈值。
如上所述，根据本发明的交通流机器学习建模系统以及交通流机器学习建模方法，通过利用DBSCAN聚类算法，能够得到准确的车道线参数，在车道线模型模块无法给出准确的车道线模型的场景下能够给出准确的车道线参数。进一步，根据本发明的交通流机器学习建模系统以及交通流机器学习建模方法，还能够提供交通流特性，例如，不同车道的平均速度，并对交通流中车辆的慢速和急减速行为进行监测，其结果可以作为路径规划的依据，并发出预警信息对司机进行提醒，或者对本车进行控制性操作，例如降速，换道等，由此能够为自动驾驶技术提供更多辅助帮助，实现对车辆的精确控制。
再者，本发明还提供一种车辆，它包括上述的应用于车辆的交通流机器学习建模系统。
本发明还一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的应用于车辆的交通流机器学习建模方法。
本发明还提供一种计算机设备，包括存储模块、处理器以及存储在存储模块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计算机程序时实现上述的应用于车辆的交通流机器学习建模方法。
以上例子主要说明了本发明的应用于车辆的交通流机器学习建模系统以及交通流机器学习建模方法。尽管只对其中一些本发明的具体实施方式进行了描述，但是本领域普通技术人员应当了解，本发明可以在不偏离其主旨与范围内以许多其他的形式实施。因此，所展示的例子与实施方式被视为示意性的而非限制性的，在不脱离如所附各权利要求所定义的本发明精神及范围的情况下，本发明可能涵盖各种的修改与替换。

Claims (17)

1.一种应用于车辆的交通流机器学习建模系统，其特征在于，包括：
目标融合模块，用于对来自车辆雷达的雷达测量数据以及来自车辆摄像头的摄像头测量数据进行目标融合，输出目标属性信息；
车道线模型模块，用于根据来自车辆摄像头的摄像头测量数据，输出原始车道线模型；
目标选择模块，用于根据所述目标融合模块输出的所述目标属性信息和所述车道线模型模块输出的所述原始车道线模型，确定各目标所在车道的位置并输出目标；以及
交通流计算模块，用于根据所述目标融合模块的输出、所述目标选择模块的输出以及所述车道线模型模块的输出，采用聚类算法对车辆位置进行建模，输出基于交通流的车道线模型。
2.如权利要求1所述的应用于车辆的交通流机器学习建模系统，其特征在于，
在所述交通流计算模块中，作为所述聚类算法采用DBSCAN算法。
3.如权利要求2所述的应用于车辆的交通流机器学习建模系统，其特征在于，
在所述目标融合模块中，作为所述目标属性信息输出车辆之间的距离，
在所述交通流计算模块中，将所述目标融合模块输出的车辆之间的距离作为聚类的划分依据，输出作为聚类结果的基于车辆密度的车流形状，根据所述车流形状生成车道线模型。
4.如权利要求2所述的应用于车辆的交通流机器学习建模系统，其特征在于，
所述交通流计算模块进一步输出交通流特征信息。
5.如权利要求4所述的应用于车辆的交通流机器学习建模系统，其特征在于，
所述交通流特征信息包括以下的一项或多项：
交通流中车辆的平均速度、交通流中车辆的最大速度、交通流中车辆的最小速度。
6.如权利要求2所述的应用于车辆的交通流机器学习建模系统，其特征在于，
所述DBSCAN算法包括以下步骤：
基于输入的车辆与车辆之间的距离，把车辆抽象成一个点，对车辆进行聚类，并且输出簇；
使用主成分分析算法找出簇的主方向；
对每个簇使用最小二乘法求出四次回归方程，其中，四次回归方程的系数即为车道线参数。
7.如权利要求6所述的应用于车辆的交通流机器学习建模系统，其特征在于，
所述对车辆进行聚类包括：
（1）从数据集中任意选取一个数据对象点 p；
（2）如果对于参数 Eps 和 MinPts，所选取的数据对象点 p 为核心点，则找出所有从p 密度可达的数据对象点，形成一个簇；
（3）如果选取的数据对象点 p 是边缘点，选取另一个数据对象点；以及
（4）重复（2）、（3）步，直到所有点被处理，
其中，参数Eps代表邻域半径，MinPts代表邻域中数据对象数目阈值。
8.一种应用于车辆的交通流机器学习建模方法，其特征在于，包括：
目标融合步骤，对来自车辆雷达的雷达测量数据以及来自车辆摄像头的摄像头测量数据进行目标融合，输出目标属性信息；
车道线模型步骤，根据来自车辆摄像头的摄像头测量数据，输出原始车道线模型；
目标选择步骤，用于根据所述目标融合步骤输出的所述目标属性信息和所述车道线模型步骤输出的所述原始车道线模型，确定各目标所在车道的位置并输出目标；
交通流计算步骤，根据所述目标融合步骤的输出、所述目标选择步骤的输出以及所述车道线模型步骤的输出，利用聚类算法对车辆位置进行建模，输出基于交通流的车道线模型。
9.如权利要求8所述的应用于车辆的交通流机器学习建模方法，其特征在于，
在所述交通流计算步骤中，作为所述聚类算法，采用DBSCAN算法。
10.如权利要求9所述的应用于车辆的交通流机器学习建模方法，其特征在于，
在所述目标融合步骤中，作为所述目标属性信息输出车辆之间的距离，
在所述交通流计算步骤中，将所述目标融合步骤输出的车辆之间的距离作为聚类的划分依据，输出作为聚类结果的基于车辆密度的车流形状，根据车流形状生成车道线模型。
11.如权利要求9所述的应用于车辆的交通流机器学习建模方法，其特征在于，
所述交通流计算步骤进一步输出交通流特征信息。
12.如权利要求11所述的应用于车辆的交通流机器学习建模方法，其特征在于，
所述交通流特征信息包括以下的一项或多项：
交通流中车辆的平均速度、交通流中车辆的最大速度、交通流中车辆的最小速度。
13.如权利要求9所述的应用于车辆的交通流机器学习建模方法，其特征在于，
所述DBSCAN算法包括以下步骤：
基于输入的车辆与车辆之间的距离，把车辆抽象成一个点，对车辆进行聚类，并且输出簇；
使用主成分分析算法找出簇的主方向；
对每个簇使用最小二乘法求出四次回归方程，其中，四次回归方程的系数即为车道线参数。
14.如权利要求13所述的应用于车辆的交通流机器学习建模方法，其特征在于，
所述对车辆进行聚类包括：
（1）从数据集中任意选取一个数据对象点 p；
（2）如果对于参数 Eps 和 MinPts，所选取的数据对象点 p 为核心点，则找出所有从p 密度可达的数据对象点，形成一个簇；
（3）如果选取的数据对象点 p 是边缘点，选取另一个数据对象点；以及
（4）重复（2）、（3）步，直到所有点被处理，
其中，参数Eps代表邻域半径，MinPts代表邻域中数据对象数目阈值。
15.一种车辆，其特征在于，包括权利要求1~7任意一项所述的应用于车辆的交通流机器学习建模系统。
16.一种计算机可读介质，其上存储有计算机程序，其特征在于，
该计算机程序被处理器执行时实现权利要求8~14任意一项所述的应用于车辆的交通流机器学习建模方法。
17.一种计算机设备，包括存储模块、处理器以及存储在存储模块上并可在处理器上运行的计算机程序，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8~14任意一项所述的应用于车辆的交通流机器学习建模方法。
CN202110453305.8A 2021-04-26 2021-04-26 应用于车辆的交通流机器学习建模系统及其方法 Pending CN113178074A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110453305.8A CN113178074A (zh) 2021-04-26 2021-04-26 应用于车辆的交通流机器学习建模系统及其方法
EP22165470.0A EP4083959A1 (en) 2021-04-26 2022-03-30 Traffic flow machine-learning modeling system and method applied to vehicles
US17/724,228 US20220343637A1 (en) 2021-04-26 2022-04-19 Traffic flow machine-learning modeling system and method applied to vehicles

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110453305.8A CN113178074A (zh) 2021-04-26 2021-04-26 应用于车辆的交通流机器学习建模系统及其方法

Publications (1)

Publication Number Publication Date
CN113178074A true CN113178074A (zh) 2021-07-27

Family

ID=76926128

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110453305.8A Pending CN113178074A (zh) 2021-04-26 2021-04-26 应用于车辆的交通流机器学习建模系统及其方法

Country Status (3)

Country Link
US (1) US20220343637A1 (zh)
EP (1) EP4083959A1 (zh)
CN (1) CN113178074A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114464005A (zh) * 2022-02-28 2022-05-10 重庆长安汽车股份有限公司 一种车辆辅助驾驶的方法及系统
CN115331447A (zh) * 2022-10-13 2022-11-11 苏州挚途科技有限公司 基于传感器融合的数据关联方法以及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9707961B1 (en) * 2016-01-29 2017-07-18 Ford Global Technologies, Llc Tracking objects within a dynamic environment for improved localization
CN110471411A (zh) * 2019-07-26 2019-11-19 华为技术有限公司 自动驾驶方法和自动驾驶装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114464005A (zh) * 2022-02-28 2022-05-10 重庆长安汽车股份有限公司 一种车辆辅助驾驶的方法及系统
CN115331447A (zh) * 2022-10-13 2022-11-11 苏州挚途科技有限公司 基于传感器融合的数据关联方法以及装置

Also Published As

Publication number Publication date
US20220343637A1 (en) 2022-10-27
EP4083959A1 (en) 2022-11-02

Similar Documents

Publication Publication Date Title
JP6307356B2 (ja) 運転コンテキスト情報生成装置
JP6925796B2 (ja) 車両を運転する際に当該車両の運転者を支援する方法及びシステム、車両、並びにコンピュータプログラム
JP6591842B2 (ja) 意味付け交通空間についての適合型射線ベースのシーン分析を行うための方法及びシステム、並びにそのようなシステムを備える車両
JP7086725B2 (ja) 渋滞予測装置、および、渋滞予測方法
CN111382768A (zh) 多传感器数据融合方法和装置
CN108327723B (zh) 通过无监督学习的对象跟踪
US11814039B2 (en) Vehicle operation using a dynamic occupancy grid
JP6418574B2 (ja) 危険度推定装置、危険度推定方法及び危険度推定用コンピュータプログラム
EP4083959A1 (en) Traffic flow machine-learning modeling system and method applied to vehicles
JP2020042783A (ja) 無人運転車に基づく障害物分類方法、装置、機器及び記憶媒体
CN104875740B (zh) 用于管理跟随空间的方法、主车辆以及跟随空间管理单元
JP4937844B2 (ja) 歩行者検出装置
CN115017742B (zh) 自动驾驶测试场景生成方法、装置、设备及存储介质
US11702044B2 (en) Vehicle sensor cleaning and cooling
CN113665570A (zh) 自动地感知行驶信号的方法、装置及运载工具
Zhang et al. A framework for turning behavior classification at intersections using 3D LIDAR
CN112660128B (zh) 用于确定自动驾驶车辆的车道变更路径的设备及其方法
KR101598343B1 (ko) 정체 시공간 패턴 자동인식 시스템 및 그 방법
Quiros et al. Machine vision of traffic state estimation using fuzzy logic
CN115618932A (zh) 基于网联自动驾驶的交通事件预测方法、装置及电子设备
CN111284501A (zh) 基于对象识别来管理行驶模型的装置和方法、使用该装置的车辆行驶控制装置
US20220171975A1 (en) Method for Determining a Semantic Free Space
US20210107486A1 (en) Apparatus for determining lane change strategy of autonomous vehicle and method thereof
KR102368262B1 (ko) 다중 관측정보를 이용한 신호등 배치정보 추정 방법
KR102414632B1 (ko) 다중 관측정보를 이용한 고정객체의 위치 결정 방법

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