CN113247000B - 车辆转向识别方法、装置、设备和存储介质 - Google Patents

Abstract

本发明涉及驾驶参数的判断领域，具体而言，涉及一种车辆转向识别方法、装置、设备和存储介质，方法包括：在车辆行驶过程中实时采集航向角的时间序列、位置的时间序列和车速的时间序列；根据所述航向角的时间序列，选择航向角连续增加或减小的片段，连续增加后连续减小的片段，以及连续减小后连续增加的片段作为待识别片段；根据所述航向角的时间序列和位置的时间序列，计算行驶参数；将所述行驶参数输入至分类模型中，得到所述分类模型输出的结果片段。本实施例可以准确地对各种转向情况进行分类。

Description

车辆转向识别方法、装置、设备和存储介质

技术领域

本发明涉及驾驶参数的判断领域，具体而言，涉及一种车辆转向识别方法、装置、设备和存储介质。

背景技术

车辆的实时行驶数据能够反映车辆的行驶状态，例如转向、直行、驻车等。

目前，在识别车辆是否转向时，一般会根据车辆的转向灯是否开启或方向盘的转角来判断。但是，有些驾驶员在转向时不会开启转向灯，在非转向的场景中，例如弯曲道路上，也会出现一定的方向盘转角。可见，依据转向灯和方向盘转角识别车辆是否转向具有一定的局限性，精度较差。

有鉴于此，特提出本发明。

发明内容

本发明实施例提供一种车辆转向识别方法、装置、设备和存储介质，以提供一种准确的转向识别方案。

第一方面，本发明实施例提供了一种车辆转向识别方法，包括：

在车辆行驶过程中实时采集航向角的时间序列、位置的时间序列和车速的时间序列；

根据所述航向角的时间序列，选择航向角连续增加或减小的片段，连续增加后连续减小的片段，以及连续减小后连续增加的片段作为待识别片段；

从所述待识别片段中，根据所述航向角的时间序列和位置的时间序列，计算行驶参数；所述行驶参数包括所述航向角连续增加或减小的幅度、车辆最大航向角速度、所述最大航向角速度对应的车速、所述车辆行驶路线的弯曲程度和所述待识别片段的时长；

将所述行驶参数输入至分类模型中，得到所述分类模型输出的结果片段，所述结果片段包括转弯片段和变道片段和直行片段中的任一项；

其中，所述分类模型通过行驶参数样本和对应的结果片段标签训练得到。

第二方面，本发明实施例还提供了一种车辆转向识别装置，包括：

采集模块，用于在车辆行驶过程中实时采集航向角的时间序列、位置的时间序列和车速的时间序列；

选择模块，用于根据所述航向角的时间序列，选择航向角连续增加或减小的片段，连续增加后连续减小的片段，以及连续减小后连续增加的片段作为待识别片段；

计算模块，用于从所述待识别片段中，根据所述航向角的时间序列和位置的时间序列，计算行驶参数；所述行驶参数包括所述航向角连续增加或减小的幅度、车辆最大航向角速度、所述最大航向角速度对应的车速、所述车辆行驶路线的弯曲程度和所述待识别片段的时长；

输入模块，用于将所述行驶参数输入至分类模型中，得到所述分类模型输出的结果片段，所述结果片段包括转弯片段和变道片段和直行片段中的任一项；

其中，所述分类模型通过行驶参数样本和对应的结果片段标签训练得到。

第三方面，本发明实施例还提供了一种电子设备，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现任一实施例所述的车辆转向识别方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一实施例所述的车辆转向识别方法。

与现有技术相比，本发明的有益效果为：

本实施例对可能是转向的待识别片段，采用分类模型更细粒度地分类，具体分类为转弯片段、变道片段和直行片段。相比于现有技术中仅采用转向灯或方向盘转角进行分类，本实施例能够提高分类的精度和细化分类粒度。而且，本实施例创造性地提供了航向角连续增加或减小的幅度、车辆最大航向角速度、所述最大航向角速度对应的车速、所述车辆行驶路线的弯曲程度和所述待识别片段的时长，这些行驶参数，从而准确地对各种转向情况进行分类。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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是本发明实施例提供的一种车辆转向识别方法的流程图；

图2是本发明实施例提供的航向角分象限的示意图；

图3是本发明实施例提供的弯曲程度的示意图；

图4是本发明实施例提供的车辆转向识别装置的结构图；

图5为本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行清楚、完整的描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

图1是本发明实施例提供的一种车辆转向识别方法的流程图，适用于从车辆行驶数据中识别车辆的转向的情况。本实施例可以由车辆转向识别装置执行，该装置由硬件和/或软件构成，并一般集成在电子设备中。参见图1，该方法包括：

S110、在车辆行驶过程中实时采集航向角的时间序列、位置的时间序列和车速的时间序列。

在车辆行驶过程中，通过车辆上安装的定位系统实时采集位置的时间序列，位置可以用经纬度来表示；同时，通过车辆上安装的惯性传感器或陀螺仪等设备实时采集航向角的时间序列。通过车速测速仪实时采集车速。

S120、根据所述航向角的时间序列，选择航向角连续增加或减小的片段，连续增加后连续减小的片段，以及连续减小后连续增加的片段作为待识别片段。

本实施例的目标在于识别转向的情况，而车辆不可能一直在转向，则首先选择出可能是转向的片段，作为待识别片段。

在实际应用场景中，车辆转向时航向角会出现逐渐增加或减小的情况，连续增加后连续减小的情况，连续减小后连续增加的情况，例如0度、2度、5度和7度；又例如-1度、-4度、-10度；又例如-1度、5度、6度、4度、3度1度。根据这个规律，选择航向角连续增加或减小的片段，连续增加后连续减小的片段，以及连续减小后连续增加的片段作为待识别片段。

S130、从所述待识别片段中，根据所述航向角的时间序列和位置的时间序列，计算行驶参数。

待识别片段包括一段时长内的航向角和位置。行驶参数包括所述航向角连续增加或减小的幅度、车辆最大航向角速度、所述最大航向角速度对应的车速、所述车辆行驶路线的弯曲程度和所述待识别片段的时长。具体的，根据航向角的时间序列计算航向角连续增加或减小的幅度、车辆最大航向角速度、所述最大航向角速度对应的车速，根据位置的时间序列计算车辆行驶路线的弯曲程度。将时间序列的首尾时差作为待识别片段的时长。

S140、将所述行驶参数输入至分类模型中，得到所述分类模型输出的结果片段。

本实施例中的分类模型用于对行驶参数进行分类，得到转弯片段、变道片段和直行片段的概率。将概率最高的片段作为最终的结果片段。这里需要注意的是，虽然S120中选择出了可能是转向的待识别片段，但是单一航向角的识别精度比较差，车辆可能是超车或者暂时偏离原路线，因此待识别片段也可能是直行片段。

分类模型通过行驶参数样本和对应的结果片段标签训练得到，可选的，分类模型为XGBoost模型。XGBoost模型更专注于模型的可解释性，而基于人工神经网络的深度学习，则更关注模型的准确度。初始化XGBoost模型的参数，向XGBoost模型输入行驶参数样本（包括航向角连续增加或减小的幅度、车辆最大航向角速度、所述最大航向角速度对应的车速、所述车辆行驶路线的弯曲程度和所述待识别片段的时长），通过迭代XGBoost模型的参数，使得输出的结果片段逼近结果片段标签。行驶参数样本的结果片段标签可以通过人工标注得到。

本实施例对可能是转向的待识别片段，采用分类模型更细粒度地分类，具体分类为转弯片段、变道片段和直行片段。相比于现有技术中仅采用转向灯或方向盘转角进行分类，本实施例能够提高分类的精度和细化分类粒度。而且，本实施例创造性地提供了航向角连续增加或减小的幅度、车辆最大航向角速度、所述最大航向角速度对应的车速、所述车辆行驶路线的弯曲程度和所述待识别片段的时长，这些行驶参数，从而准确地对各种转向情况进行分类。

在上述实施例和下述实施例中，通过对大量航向角数据研究发现，当车辆真正转向时（例如转弯、走环路），航向角连续增加或减小的幅度是大致相同甚至是逐渐增大的；而车辆在直路上超车或微调角度时，则不会出现这种情况。为了准确描述这种现象，预先将周角（360度）平均划分为多个象限，按照逆时针的顺序，正航向角（对应车辆左转的情况）逐渐增大，象限编号同步增大；按照顺时针的顺序，负航向角（对应车辆右转的情况）逐渐减小，象限编号同步减小。图2是本发明实施例提供的航向角分象限的示意图。每隔30度一个象限，共12个象限。

本实施例根据所述航向角的时间序列，确定每时刻航向角所处的象限，并筛选航向角所处的象限编号连续增加或减小的片段，连续增加后连续减小的片段，以及连续减小后连续增加的片段作为待识别片段。可见，车辆真正转向时，航向角连续增加或减小的幅度最小值应大于等于一个象限的角度范围，从而达到随着转向的进行，象限编号连续增加或减小的效果。

基于上述分析，发明人对大量的转向时航向角的时间序列进行统计，相邻时刻航向角的差基本大于5度，则可以将360度划分为72个象限，每个象限5度。

在上述实施例的基础上，计算所述航向角连续增加或减小的幅度，包括：计算相邻时刻的航向角的象限跨度；从相邻时刻的象限跨度中，累计最大的象限跨度。累计得到的象限跨度表征了车辆整体的转向幅度。需要说明的是，如果一转向片段是连续增加的情况，则累计得到的象限跨度为[累计增加的象限跨度，0]，如果一转向片段是连续减小的情况，则累计得到的象限跨度为[0，累计减小的象限跨度]，如果一片段是先增加后减小的情况，则累计得到的象限跨度为[连续增加的累计象限跨度，连续减小的累计象限跨度]，如果一片段是先减小后增加的情况，则累计得到的象限跨度为[连续增加的累计象限跨度，连续减小的累计象限跨度]。

在上述实施例和下述实施例中，计算车辆行驶路线的弯曲程度，包括：计算每相邻3个时刻的位置点的外接圆半径；在所有的外接圆半径中确定小于设定半径阈值的占比，作为所述弯曲程度。

本案巧妙地利用外接圆半径提出了能描述行驶路线弯曲程度的方法。图3是本发明实施例提供的弯曲程度的示意图。首先采集车辆各时刻的位置点（用经纬度和时间戳表示）；计算每三个时空相邻的位置点的外接圆半径；统计小于设定半径阈值（人为定义，例如100m）的外接圆半径在所有外接圆半径中的占比，并将占比作为弯曲程度。可见占比约高，行驶路线越弯曲。

为了证实本实施方案的可行性，本实施例进行了实车试验。在车辆行驶过程中，每隔3秒采集一次航向角和车速，形成一条记录，即表1中的一行。将每时刻航向角所处的象限编号填写在象限编号中，将本条记录的象限编号相对于上一条记录的象限编号的差值填写在本条记录的象限跨度中。象限跨度为正，说明象限变化趋势为增加，用1表示；象限跨度为负，说明象限变化趋势为减小，用-1表示；象限跨度为0，说明象限变化趋势不变，用0表示。将本条记录的航向角与上一条记录的航向角之差除以间隔时间，得到航向角速度。

表1 采集数据和分类结果

记录编号	与上一条记录比象限变化趋势	待识别片段编号	象限编号	车速	与上一条记录比较象限跨度	角速度	分类	道路类型
									1334	0	1	56	22	0	1.784423828	右转弯	O型
1335	1	1	57	22	1	1.698303223	右转弯	O型
									1336	1	1	58	25	1	1.559132894	右转弯	O型
1337	1	1	59	27	1	2.021657308	右转弯	O型
									1338	1	1	60	28	1	1.814036051	右转弯	O型
1339	1	1	62	28	2	1.909322103	右转弯	O型
									1340	1	1	63	28	1	2.572113037	右转弯	O型
1345	0	2	57	37	0	0.138875326	右变道	直型
									1346	1	2	58	31	1	1.626536051	右变道	直型
1347	1	2	59	31	1	1.010121663	右变道	直型
									1348	1	2	60	24	1	1.885599772	右变道	直型
1349	1	2	61	19	1	1.365783691	右变道	直型
									1350	-1	2	58	18	-3	4.698282878	右变道	直型
1351	-1	2	56	11	-2	3.614522298	右变道	直型
									1359	0	3	56	12	0	0.295928955	左变道	直型
1360	-1	3	55	15	-1	0.632995605	左变道	直型
									1361	-1	3	54	18	-1	2.590047201	左变道	直型
1362	-1	3	53	23	-1	0.776448568	左变道	直型
									1363	0	3	55	20	0	0.403015137	左变道	直型
1364	1	3	40	24	1	0.970250448	左变道	直型
									1370	0	4	42	6	0	5.605189006	左转弯	直型
1371	-1	4	33	7	-9	14.34138997	左转弯	直型
									1372	-1	4	27	9	-6	10.46201579	左转弯	直型
1373	-1	4	22	11	-5	7.88335673	左转弯	直型

在象限变化趋势字段中，如果从0开始连续2条记录（包括0）以上的象限变化趋势为正或者负，例如记录编号为1334~1340，1345~1351，1359~1364，1370~1373，则分别选定为待识别片段。

从各待识别片段中累计最大的象限跨度，例如1334~1340中的象限跨度为1+1+1+1+2+1=7，即[7,0]，其中最大的航向角速度为2.572113037度/秒，对应的车速为28km/h，该片段的时长为（1340-1334）*3=18s。车辆行驶路线的弯曲程度可以依据实际位置点的经纬度计算得到，此处不再举例。又例如，1345~1351中的象限跨度为[4，-5]，最大的航向角速度为4.698282878度/秒，对应的车速为18km/h，该片段的时长为（1351-1345）*3=18s。车辆行驶路线的弯曲程度可以依据实际位置点的经纬度计算得到，此处不再举例。

将根据各待识别片段得到的行驶参数组成一个向量输入至XGBoost模型中，得到最终的结果片段，输入至表1中的分类字段中。

从表1的分类字段中可知，从每个片段的第二条记录来看，象限跨度>0则是右转向（可能是转弯或变道），象限跨度<0则是左转向（可能是转弯或变道）。如果右转向后短时间内完成左转向（在6秒内），则将右转向和左转向共同作为一个右变道片段。如果左转向后短时间内完成右转向（在6秒内），则将左转向和右转向作为一个左变道片段。而且，变道片段的最大航向角速度在2~5度/秒以内。左转弯的累计象限跨度则达到了-20，最大航向角速度为14.34138997，普遍比变道时的角速度大，且持续时间短。但是，右转弯的累计象限跨度则较小，最大航向角速度也仅为2.572113037度/秒，但是持续时间长。可见，表1中的分类结果符合实际驾驶情况，验证了本发明实施例的科学性和合理性。

进一步的，在将行驶参数输入至分类模型中，得到所述分类模型输出的结果片段之后，还包括：根据片段时长和角速度的变化，确定转弯片段对应的路型；所述路型包括直型和环形（例如O型和C型）。

具体的，如果片段被识别为变道则路型为直型。如果片段被识别为转弯，则可能是直型或环型，具体要根据片段时长和航向角速度的变化而定。参见表1中的右转弯和左转弯的片段时长和航向角的变化，如果片段时长较长同时角速度变化不大，则为O型，如果片段时长较短同时角速度变化大，则为直型，即车辆单纯地从一条直型路上转向到另一条直型路上继续行驶。

值得说明的是，为区分环形和直型，片段时长阈值和航向角的变化阈值设定为多少具有至关重要的作用。本实施例可采用大数据统计的方法，预先收集车辆在直型路上转向，以及在环形路上转向的片段时长和航向角速度的变化值。当数据量足够大时，各路型片段时长的分布和航向角速度变化值的分布接近正态分布。在实际使用过程中，如果片段时长落在-σ（方差）~+σ范围内，且航向角速度变化值未落在-σ（方差）~+σ范围内，确定为环形；如果航向角速度变化值落在-σ（方差）~+σ范围内，且片段时长未落在-σ（方差）~+σ范围内，确定为直型。其中，σ的值根据实际正态分布的参数确定。

图4是本发明实施例提供的车辆转向识别装置的结构图，该装置包括：采集模块310，选择模块320，计算模块330和输入模块340。

采集模块310，用于在车辆行驶过程中实时采集航向角的时间序列、位置的时间序列和车速的时间序列；

选择模块320，用于根据所述航向角的时间序列，选择航向角连续增加或减小的片段，连续增加后连续减小的片段，以及连续减小后连续增加的片段作为待识别片段；

计算模块330，用于从所述待识别片段中，根据所述航向角的时间序列和位置的时间序列，计算行驶参数；所述行驶参数包括所述航向角连续增加或减小的幅度、车辆最大航向角速度、所述最大航向角速度对应的车速、所述车辆行驶路线的弯曲程度和所述待识别片段的时长；

输入模块340，用于将所述行驶参数输入至分类模型中，得到所述分类模型输出的结果片段，所述结果片段包括转弯片段和变道片段和直行片段中的任一项；

其中，所述分类模型通过行驶参数样本和对应的结果片段标签训练得到。

可选的，选择模块320具体用于：根据所述航向角的时间序列，确定每时刻航向角所处的象限；所述象限通过平均划分周角得到，象限编号随着航向角的增大而增大；筛选所述航向角所处的象限编号连续增加或减小的片段，连续增加后连续减小的片段，以及连续减小后连续增加的片段作为待识别片段。

可选的，计算模块330在计算所述航向角连续增加或减小的幅度时，具体用于：计算相邻时刻的航向角的象限跨度；从相邻时刻的象限跨度中，累计最大的象限跨度。

可选的，计算模块330在计算车辆行驶路线的弯曲程度时，具体用于：计算每相邻3个时刻的位置点的外接圆半径；在所有的外接圆半径中确定小于设定半径阈值的占比，作为所述弯曲程度。

可选的，所述分类模型为XGBoost模型。

可选的，该装置还包括确定模块用于在所述将所述行驶参数输入至分类模型中，得到所述分类模型输出的结果片段之后，根据片段时长和航向角速度的变化，确定转弯片段对应的路型；所述路型包括直型和环形。

车辆转向识别装置可以执行上述任一实施例提供的方法，具备相应的技术特征和效果。

图5为本发明实施例提供的一种电子设备的结构示意图，如图5所示，该电子设备包括处理器50、存储器51、输入装置52和输出装置53；电子设备中处理器50的数量可以是一个或多个，图5中以一个处理器50为例；电子设备中的处理器50、存储器51、输入装置52和输出装置53可以通过总线或其他方式连接，图5中以通过总线连接为例。

存储器51作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的车辆转向识别方法对应的程序指令/模块（例如，车辆转向识别装置中的采集模块310，选择模块320，计算模块330和输入模块340）。处理器50通过运行存储在存储器51中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述的车辆转向识别方法。

存储器51可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器51可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器51可进一步包括相对于处理器50远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置52可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置53可包括显示屏等显示电子设备。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一实施例的车辆转向识别方法。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（RAM）、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或电子设备上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案。

Claims (8)

1.一种车辆转向识别方法，其特征在于，包括：

在车辆行驶过程中实时采集航向角的时间序列、位置的时间序列和车速的时间序列；

根据所述航向角的时间序列，选择航向角连续增加或减小的片段，连续增加后连续减小的片段，以及连续减小后连续增加的片段作为待识别片段；

从所述待识别片段中，根据所述航向角的时间序列和位置的时间序列，计算行驶参数；所述行驶参数包括所述航向角连续增加或减小的幅度、车辆最大航向角速度、所述最大航向角速度对应的车速、所述车辆行驶路线的弯曲程度和所述待识别片段的时长；

将所述行驶参数输入至分类模型中，得到所述分类模型输出的结果片段，所述结果片段包括转弯片段和变道片段和直行片段中的任一项；

其中，所述分类模型通过行驶参数样本和对应的结果片段标签训练得到；

所述根据所述航向角的时间序列，选择航向角连续增加或减小的片段，连续增加后连续减小的片段，以及连续减小后连续增加的片段作为待识别片段，包括：

根据所述航向角的时间序列，确定每时刻航向角所处的象限；所述象限通过平均划分周角得到，象限编号随着航向角的增大而增大；

筛选所述航向角所处的象限编号连续增加或减小的片段，连续增加后连续减小的片段，以及连续减小后连续增加的片段作为待识别片段。

2.根据权利要求1所述的方法，其特征在于，所述计算所述航向角连续增加或减小的幅度，包括：

计算相邻时刻的航向角的象限跨度；

从相邻时刻的象限跨度中，累计最大的象限跨度。

3.根据权利要求1所述的方法，其特征在于，所述计算车辆行驶路线的弯曲程度，包括：

计算每相邻3个时刻的位置点的外接圆半径；

在所有的外接圆半径中确定小于设定半径阈值的占比，作为所述弯曲程度。

4.根据权利要求1所述的方法，其特征在于，所述分类模型为XGBoost模型。

5.根据权利要求1-4任一项所述的方法，其特征在于，在所述将所述行驶参数输入至分类模型中，得到所述分类模型输出的结果片段之后，还包括：

根据片段时长和航向角速度的变化，确定转弯片段对应的路型；

所述路型包括直型和环形。

6.一种车辆转向识别装置，其特征在于，包括：

采集模块，用于在车辆行驶过程中实时采集航向角的时间序列、位置的时间序列和车速的时间序列；

选择模块，用于根据所述航向角的时间序列，选择航向角连续增加或减小的片段，连续增加后连续减小的片段，以及连续减小后连续增加的片段作为待识别片段；

计算模块，用于从所述待识别片段中，根据所述航向角的时间序列和位置的时间序列，计算行驶参数；所述行驶参数包括所述航向角连续增加或减小的幅度、车辆最大航向角速度、所述最大航向角速度对应的车速、所述车辆行驶路线的弯曲程度和所述待识别片段的时长；

输入模块，用于将所述行驶参数输入至分类模型中，得到所述分类模型输出的结果片段，所述结果片段包括转弯片段和变道片段和直行片段中的任一项；

其中，所述分类模型通过行驶参数样本和对应的结果片段标签训练得到；

所述选择模块具体用于：

根据所述航向角的时间序列，确定每时刻航向角所处的象限；所述象限通过平均划分周角得到，象限编号随着航向角的增大而增大；

筛选所述航向角所处的象限编号连续增加或减小的片段，连续增加后连续减小的片段，以及连续减小后连续增加的片段作为待识别片段。

7.一种电子设备，其特征在于，

一个或多个处理器；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的车辆转向识别方法。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一所述的车辆转向识别方法。

Images