CN113353083A - 车辆行为识别方法 - Google Patents
车辆行为识别方法 Download PDFInfo
- Publication number
- CN113353083A CN113353083A CN202110910823.8A CN202110910823A CN113353083A CN 113353083 A CN113353083 A CN 113353083A CN 202110910823 A CN202110910823 A CN 202110910823A CN 113353083 A CN113353083 A CN 113353083A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- lane
- host vehicle
- duration
- current
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000008859 change Effects 0.000 claims abstract description 179
- 230000006399 behavior Effects 0.000 claims abstract description 164
- 230000001133 acceleration Effects 0.000 claims description 69
- 230000028838 turning behavior Effects 0.000 claims description 27
- 230000008569 process Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 10
- 230000009471 action Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/04—Traffic conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及车辆智能感知领域,公开了一种车辆行为识别方法。该方法包括:获取前车辆相对于主车辆的当前横向距离以及所述前车辆发生横向距离变化的第一持续时长;其中,所述前车辆为行驶在主车辆前方且紧邻的车辆,且所述前车辆与所述主车辆行驶在不同的车道;基于所述当前横向距离和所述第一持续时长,确定所述前车辆的第一变道二自由度卡方值,并基于所述第一变道二自由度卡方值确定所述前车辆相对于所述主车辆所在车道的第一变道概率;基于所述第一变道概率和第一设定变道概率阈值,识别所述前车辆的变道行为。实现了利用两个自由度的卡方分布来识别车辆的切入和切出行为,在确保车辆行为识别准确性的基础上,提高了车辆行为识别的效率。
Description
技术领域
本发明涉及车辆智能感知领域,尤其涉及一种车辆行为识别方法。
背景技术
对于自动驾驶、辅助驾驶等智能驾驶系统,其主要是基于车辆上搭载的各种传感器提供的车辆周边目标的实时状态信息进行决策的,系统不能提前预判即将发生的行为,特别是对于前车近距离突然切入、突然减速等极端危险场景,系统会受到很大的限制。基于此,出现了一些自动识别车辆行为的方法,以便预测车辆即将发生的行为。
但是,当前的车辆行为识别方法主要是基于深度学习算法来实现的,其不仅需要收集大量的数据来训练模型,也需要系统具有较强的计算能力,会造成系统实现成本较高,也会因模型较复杂而影响车辆行为的预测效率。
有鉴于此,特提出本发明。
发明内容
为了解决上述技术问题,本发明提供了一种车辆行为识别方法。
第一方面,本发明实施例提供了一种车辆行为识别方法,该方法包括:
获取前车辆相对于主车辆的当前横向距离以及所述前车辆发生横向距离变化的第一持续时长;其中,所述前车辆为行驶在主车辆前方且紧邻的车辆,且所述前车辆与所述主车辆行驶在不同的车道;
基于所述当前横向距离和所述第一持续时长,确定所述前车辆的第一变道二自由度卡方值,并基于所述第一变道二自由度卡方值确定所述前车辆相对于所述主车辆所在车道的第一变道概率;
基于所述第一变道概率和第一设定变道概率阈值,识别所述前车辆的变道行为。
在一些实施例中,所述前车辆所在车道和所述主车辆所在车道为相邻车道;
和/或,所述前车辆和所述主车辆之间的纵向距离小于或等于设定纵向距离阈值;
和/或,所述车道的车道线曲率小于或等于设定曲率;
和/或,所述主车辆与所述主车辆所在车道的车道线夹角小于或等于设定角度。
在一些实施例中,所述获取所述前车辆发生横向距离变化的第一持续时长包括:
若监测到所述前车辆的历史横向距离达到设定横向距离阈值,且所述前车辆的历史横向速度达到设定速度阈值,则确定第一计时起始时刻;
若在所述第一计时起始时刻至当前时刻期间,所述前车辆的各历史横向距离均达到所述设定横向距离阈值,且所述前车辆的各历史横向速度均达到所述设定速度阈值,则将所述第一计时起始时刻至所述当前时刻之间的时长确定为所述第一持续时长。
第二方面,本发明实施例还提供了又一种车辆行为识别方法,该方法包括:
获取前车辆的当前纵向加速度最大值以及所述前车辆发生纵向加速度变化的第二持续时长;其中,所述前车辆为行驶在主车辆前方且紧邻的车辆,且所述前车辆与所述主车辆行驶在同一车道;
基于所述当前纵向加速度最大值和所述第二持续时长,确定所述前车辆的变速二自由度卡方值,并基于所述变速二自由度卡方值,确定所述前车辆发生所述变速行为的变速概率;
基于所述变速概率和设定变速概率阈值,识别所述前车辆的变速行为。
在一些实施例中,所述获取所述前车辆发生纵向加速度变化的第二持续时长包括:
若监测到所述前车辆的历史纵向加速度达到设定纵向加速度阈值,则确定第二计时起始时刻;
若在所述第二计时起始时刻至当前时刻期间,所述前车辆的各历史纵向加速度均达到所述设定纵向加速度阈值,则将所述第二计时起始时刻至所述当前时刻之间的时长确定为所述第二持续时长。
第三方面,本发明实施例还提供了又一种车辆行为识别方法,该方法包括:
获取主车辆的当前横摆角速度以及所述主车辆发生横摆角速度变化的第三持续时长;
基于所述当前横摆角速度和所述第三持续时长,确定所述主车辆的转弯二自由度卡方值,并基于所述转弯二自由度卡方值确定所述主车辆发生转弯的当前转弯概率;
基于所述当前转弯概率、第一设定转弯概率阈值和第二设定转弯概率阈值,识别所述主车辆的转弯行为。
在一些实施例中,所述获取所述主车辆发生横摆角速度变化的第三持续时长包括:
若监测到所述主车辆的历史横摆角速度达到设定角速度阈值,则确定第三计时起始时刻;
若在所述第三计时起始时刻至当前时刻期间,所述主车辆的各历史横摆角速度均达到所述设定角速度阈值,则确定所述第三计时起始时刻至所述当前时刻之间的时长是否大于设定时长阈值;
若是,则将所述第三计时起始时刻至所述当前时刻之间的时长确定为所述第三持续时长。
在一些实施例中,所述基于所述当前转弯概率、第一设定转弯概率阈值和第二设定转弯概率阈值,识别所述主车辆的转弯行为包括:
若所述当前转弯概率大于所述第一设定转弯概率阈值,则确定所述主车辆处于转弯状态;
若所述当前转弯概率小于所述第一设定转弯概率阈值,且所述当前转弯概率大于所述第二设定转弯概率阈值,且所述主车辆的各历史转弯概率中存在大于所述第一设定转弯概率阈值的历史转弯概率,则确定所述主车辆处于所述转弯状态;其中,所述第一设定转弯概率阈值大于所述第二设定转弯概率阈值;
若所述当前转弯概率小于所述第二设定转弯概率阈值,则确定所述主车辆未处于所述转弯状态。
第四方面,本发明实施例还提供了又一种车辆行为识别方法,该方法包括:
获取主车辆与所述主车辆所在车道的一侧车道线之间的当前车道线距离以及所述主车辆的车道线距离变化的第四持续时长;
基于所述当前车道线距离和所述第四持续时长,确定所述主车辆的第二变道二自由度卡方值,并基于所述第二变道二自由度卡方值确定所述主车辆发生变道的第二变道概率;
基于所述第二变道概率和第二设定变道概率阈值,识别所述主车辆的变道行为。
在一些实施例中,所述主车辆行驶的道路上存在所述主车辆所在车道的左车道和/或右车道;
和/或,所述车道的车道线曲率小于或等于设定曲率;
和/或,所述获取所述主车辆的车道线距离变化的第四持续时长包括:
若监测到所述主车辆与所述车道线之间的历史夹角达到设定角度阈值,则确定第四计时起始时刻;
若在所述第四计时起始时刻至当前时刻期间,所述主车辆与所述车道线之间的各历史夹角均达到所述设定角度阈值,则将所述第四计时起始时刻至所述当前时刻之间的时长确定为所述第四持续时长。
第五方面,本发明实施例还提供了一种的电子设备,该电子设备包括:
处理器和存储器;
所述处理器通过调用所述存储器存储的程序或指令,用于执行本发明任意实施例中所述车辆行为识别方法的步骤。
第六方面,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储程序或指令,所述程序或所述指令使计算机执行本发明任意实施例中所述车辆行为识别方法的步骤。
本发明实施例提供的车辆行为识别方案,通过获取前车辆相对于主车辆的当前横向距离以及所述前车辆发生横向距离变化的第一持续时长;其中,所述前车辆为行驶在主车辆前方且紧邻的车辆,且所述前车辆与所述主车辆行驶在不同的车道;基于所述当前横向距离和所述第一持续时长,确定所述前车辆的第一变道二自由度卡方值,并基于所述第一变道二自由度卡方值确定所述前车辆相对于所述主车辆所在车道的第一变道概率;基于所述第一变道概率和第一设定变道概率阈值,识别所述前车辆的变道行为。实现了利用前车辆的横向距离和横向距离变化持续时长这两个自由度的卡方分布来识别车辆的切入和切出行为,减少了车辆行为识别所需的训练数据量,也极大地简化了车辆行为识别的计算过程,降低了对系统计算能力的要求,从而降低了系统实现成本,进而在确保车辆行为识别准确性的基础上,提高了车辆行为识别的效率。
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为本发明实施例提供的一种车辆行为识别方法的流程示意图;
图2为本发明实施例提供的又一种车辆行为识别方法的流程示意图;
图3为本发明实施例提供的又一种车辆行为识别方法的流程示意图;
图4为本发明实施例提供的又一种车辆行为识别方法的流程示意图;
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。
本发明实施例提供的行为识别方法可以由车辆行为识别装置来执行,该装置可以由软件和/或硬件的方式实现,该装置可以集成在能够获得车辆行驶数据的电子设备中,例如可以是车辆中的控制器,也可以是与车辆控制器通信连接的云端设备(如笔记本电脑、台式电脑或服务器等)。在一些实施例中,如果电子设备为控制器,那么该控制器从车载传感器中获取其所需的数据。在另一些实施例中,如果电子设备为云端设备,那么其需要实时地从车辆中获取所需的数据。
图1是本发明实施例提供的一种车辆行为识别方法的流程图。该车辆行为识别方法主要适用于前车辆变道行为的识别,例如前车辆切入和切出,尤其适用于前车辆近距离突然切入的极端危险场景。参见图1,该车辆行为识别方法具体包括:
S110、获取前车辆相对于主车辆的当前横向距离以及前车辆发生横向距离变化的第一持续时长。
其中,前车辆为行驶在主车辆前方且紧邻的车辆。主车辆为进行车辆行为识别的车辆。前车辆与主车辆行驶在不同的车道。横向距离是指两车在横向方向上的距离,例如可以是前车辆的中心点与主车辆所在车道的车道中心线之间的距离。第一持续时长是指前车辆相对于本车辆发生横向距离变化的持续时间。
对于前车辆的变道行为,例如切入主车辆所在车道,或者切出主车辆所在车道,其主要体现在前车辆相对于主车辆的横向距离的变化量及其变化持续时间。所以,本发明实施例中选取了横向距离和持续时长两个变量,对前车辆的变道行为进行识别。具体实施时,需要利用车载传感器(如摄像头、雷达等)来实时获得前车辆相对于主车辆的当前横向距离。并且,还需要获取前车辆发生同向的横向距离变化的第一持续时长。
在一些实施例中,获取前车辆发生横向距离变化的第一持续时长包括:若监测到前车辆的历史横向距离达到设定横向距离阈值,且前车辆的历史横向速度达到设定速度阈值,则确定第一计时起始时刻;若在第一计时起始时刻至当前时刻期间,前车辆的各历史横向距离均达到设定横向距离阈值,且前车辆的各历史横向速度均达到设定速度阈值,则将第一计时起始时刻至当前时刻之间的时长确定为第一持续时长。
其中,设定横向距离阈值和设定速度阈值分别是预先设定的横向距离值和横向速度值,其作为判断前车辆可能发生变道行为的起始条件。例如,在前车辆切入时,可将设定横向距离阈值设置为车道宽度;在前车辆切出时,考虑到传感器误差,可将设定横向距离阈值设置为0.5m。对于设定速度阈值,也需考虑传感器的误差,可将其设置为一个略大于0的速度值,例如0.3m/s。
本实施例中获取第一持续时长时,对前车辆的实时横向距离和横向速度进行监测。如果从当前时刻之前的某一时刻开始,监测到的横向距离(可称为历史横向距离)均大于设定横向距离阈值,且监测到横向速度(称为历史横向速度)均大于设定速度阈值,那么认为从该时刻开始,前车辆开始发生变道行为。故将该时刻作为第一计时起始时刻,将该时刻至当前时刻的时长确定为第一持续时长。如果在第一计时起始时刻至当前时刻之间,历史横向距离和历史横向速度中的任一个不满足其对应的阈值,那么需要将第一计时起始时刻更新为横向距离和横向速度均重新满足相应阈值要求的时刻,并重新计算第一持续时长。需要说明的是,对于上述过程中的横向速度,可以通过某些提供横向速度的车载传感器来直接获得,也可以通过前后两个周期的横向距离计算获得。
为了减少非紧急情况下持续对前车辆进行变道行为识别带来的资源消耗,可以对前车辆的变道行为识别的启动进行限定。
在一些实施例中,前车辆和主车辆可以行驶在间隔车道中,但是需确保主车辆的摄像头可拍摄到前车辆。例如前车辆行驶在第一车道中,而主车辆行驶在第三车道中。在一些实施例中,前车辆所在车道和主车辆所在车道为相邻车道。考虑到跨车道变道对主车辆造成的危险程度相对较低,本实施例中将前车辆限定为行驶在主车辆所在车道的紧邻车道中,以对更加危险的情况进行车辆行为识别。例如,前车辆行驶在第一车道,主车辆行驶在第二车道。
前车辆和主车辆之间的距离可以是较远的,也可以是较近的。在一些实施例中,为了对更加极端的危险情况进行车辆行为识别,可将前车辆和主车辆之间的纵向距离限定在小于或等于设定纵向距离阈值。该设定纵向距离阈值是指两车之间很大概率会发生紧急碰撞的最小安全距离,其可以经验设定,也可以根据车辆信息和驾驶员习惯等信息来个性化设置,例如车辆紧急制动停止所需的距离较长,或者驾驶员习惯更加安全的驾驶方式时,该设定纵向距离阈值就会相对较大一些。本实施例中,当前车辆和主车辆之间的相对纵向距离不超过设定纵向距离阈值时,启动前车辆的车辆行为识别,如果相对纵向距离大于设定纵向距离阈值,则可以不启动行为识别。
在一些实施例中,前车辆和主车辆所行驶的车道均是车道线曲率小于或等于设定曲率的,即行驶路段的车道不能是过于弯曲的弯道。这是因为弯道行驶中,车载摄像头所得的视觉图像中存在一定的误差,使得两车之间的横向距离存在一定的误差,造成最终车辆行为识别的精度较低。这里设定曲率可以是经验设定的车道线曲率。
在一些实施例中,为了确保对前车辆的变道行为的准确识别,限定主车辆与主车辆所在车道的车道线夹角小于或等于设定角度。这里的设定角度是经验设定的角度值。本实施例中主车辆的车头不能发生较为严重的偏离,主车辆不能处于变道过程中。
上述两车所在车道的约束、相对纵向距离的约束、车道线曲率的约束和主车辆横摆角的约束中的至少一项均可用于进一步限定前车辆的变道行为识别的启动。例如,满足其中一项(或两项、或三项、或四项)时才启动前车辆的变道行为的识别。约束项越多,车辆行为识别的场景越危险,越有必要启动并持续地进行前车辆变道行为的识别。例如,同时满足上述四项约束时,开启并持续地进行前车辆变道行为的识别,能够更加高效且准确地识别前车辆的紧急切入和切出的车辆行为,也能更大程度上减少对计算资源的消耗。
S120、基于当前横向距离和第一持续时长,确定前车辆的第一变道二自由度卡方值,并基于第一变道二自由度卡方值确定前车辆相对于主车辆所在车道的第一变道概率。
本发明实施例中规避了模型较为复杂、计算资源需求较高的深度学习算法,而是采用了二自由度的卡方分布,其通过如下公式来计算第一变道二自由度卡方值:
其中,表示第一变道二自由度卡方值,x表示当前横向距离,t1表示第一持续时长,和分别表示前车辆发生变道行为的横向距离的期望和持续时长的期望,和分别表示前车辆发生变道行为的横向距离的方差和持续时长的方差。这里的期望和方差均可通过对前车辆的切入和切出的变道行为进行测试来确定。需要说明的是,可以调整距离或时间的方差,从而局部调整行为识别中各自由度的权重,以调整相应自由度在行为识别中的比重。另外,为了便于更新,可将期望和方差存储于配置文件中,后续可通过配置文件的更新来完成车辆行为识别的更新。
将当前横向距离和第一持续时长代入上述公式,获得第一变道二自由度卡方值。然后,通过查询下方的卡方分布表来获得其对应的第一变道概率。
S130、基于第一变道概率和第一设定变道概率阈值,识别前车辆的变道行为。
其中,第一设定变道概率阈值是预先设定的概率值,其是发生了变道行为的最小概率值。第一设定变道概率阈值可以经验设定,其数值大小的调整可以整体上调整前车辆的变道行为的识别灵敏度。
如果第一变道概率大于第一设定变道概率阈值,那么确定前车辆发生了相对于主车辆所在车道的变道行为。反之,如果第一变道概率小于或等于第一设定变道概率阈值,则确定前车辆未发生变道行为。
本发明实施例的上述技术方案,通过获取前车辆相对于主车辆的当前横向距离以及前车辆发生横向距离变化的第一持续时长;其中,前车辆为行驶在主车辆前方且紧邻的车辆,且前车辆与主车辆行驶在不同的车道;基于当前横向距离和第一持续时长,确定前车辆的第一变道二自由度卡方值,并基于第一变道二自由度卡方值确定前车辆相对于主车辆所在车道的第一变道概率;基于第一变道概率和第一设定变道概率阈值,识别前车辆的变道行为。实现了利用前车辆的横向距离和横向距离变化持续时长这两个自由度的卡方分布来识别车辆的切入和切出行为,减少了车辆行为识别所需的训练数据量,也极大地简化了车辆行为识别的计算过程,降低了对系统计算能力的要求,从而降低了系统实现成本,进而在确保车辆行为识别准确性的基础上,提高了车辆行为识别的效率。
图2是本发明实施例提供的又一种车辆行为识别方法的流程图。该车辆行为识别方法主要适用于前车辆变速行为的识别,例如前车辆减速、加速,尤其适用于前车辆近距离急减速的极端危险场景。参见图2,该车辆行为识别方法具体包括:
S210、获取前车辆的当前纵向加速度最大值以及前车辆发生纵向加速度变化的第二持续时长。
其中,前车辆为行驶在主车辆前方且紧邻的车辆,且前车辆与主车辆行驶在同一车道。同样地,为了减少非紧急情况下的前车辆变速行为的识别,可限定前车辆和主车辆之间的纵向距离小于或等于设定纵向距离阈值。纵向加速度是指车辆行驶方向(y轴)上的加速度。当前纵向加速度最大值是指当前时刻的纵向加速度的最大值。第二持续时长是指前车辆发生纵向加速度变化的持续时间。
对于前车辆的变速行为,例如前车辆的加速行为或者减速行为,其主要体现在前车辆的纵向加速度的变化量及其变化持续时间。所以,本发明实施例中选取了纵向加速度和持续时长两个变量,对前车辆的变速行为进行识别。具体实施时,需要利用车载传感器来实时获得当前时刻前车辆的纵向加速度(即当前纵向加速度),或者利用车载传感器来获得前车辆在前后两个周期的纵向距离,并利用该两个纵向距离来计算获得前车辆的当前纵向加速度。然后,比较当前纵向加速度和当前时刻之前的历史时刻的纵向加速度(即历史纵向加速度),获得其最大值,作为当前纵向加速度最大值。并且,还需要获取前车辆发生纵向加速度变化的第二持续时长。
在一些实施例中,获取前车辆发生纵向加速度变化的第二持续时长包括:若监测到前车辆的历史纵向加速度达到设定纵向加速度阈值,则确定第二计时起始时刻;若在第二计时起始时刻至当前时刻期间,前车辆的各历史纵向加速度均达到设定纵向加速度阈值,则将第二计时起始时刻至当前时刻之间的时长确定为第二持续时长。
其中,设定加速度阈值是预先设定的加速度值,其作为判断前车辆可能发生变速行为的起始条件。设定加速度阈值可以经验设定,优选是对多次变速事件中的多个加速度进行统计分析,获得能够表征车辆进入变速状态的加速度值,作为该设定加速度阈值。例如,前车辆急减速的变速行为的危险程度较高,故可以获取多次急减速事件中的所有纵向减速度,并统计分析这些纵向减速度,获得能够表征车辆进入急减速状态的加速度值,作为设定加速度阈值。
本实施例中获取第二持续时长时,对前车辆的实时纵向加速度进行监测。如果从当前时刻之前的某一时刻开始,监测到的历史纵向加速度的绝对值均大于设定加速度阈值的绝对值,那么认为从该时刻开始,前车辆开始发生变速行为,故将该时刻作为第二计时起始时刻,将该时刻至当前时刻的时长确定为第二持续时长。如果在第二计时起始时刻至当前时刻之间,有至少一个历史纵向加速度不满足设定加速度阈值,那么需要将第二计时起始时刻更新为历史纵向加速度重新满足设定加速度阈值要求的时刻,并重新计算第二持续时长。
需要说明的是,在进行前车辆变速行为识别之前,需要先识别进行纵向加速度监测的车辆是前车辆,而非对向车辆。例如,可以获得监测车辆与主车辆之间的相对速度,进而根据主车辆的行驶速度来计算监测车辆的绝对速度,并根据该绝对速度和主车辆的行驶速度是否具有相同的速度符号来确定监测车辆是否为对向车辆。例如,行驶速度为正数,而计算出的绝对速度为负数,那么监测车辆为对向车辆,无需启动变速行为的识别。
还需说明的是,考虑到传感器误差,可在传感器启动一定时长后再开始变速行为的识别。例如,可在摄像头启动10个拍摄周期后,启动前车辆的变速行为的识别,以避免摄像头不稳定而导致的误识别。
S220、基于当前纵向加速度最大值和第二持续时长,确定前车辆的变速二自由度卡方值,并基于变速二自由度卡方值,确定前车辆发生变速行为的变速概率。
本发明实施例中同样采用较为简单的二自由度的卡方分布来计算前车辆的变速概率,其通过如下公式来计算变速二自由度卡方值:
其中,表示变速二自由度卡方值,amax表示当前纵向加速度最大值,t2表示第二持续时长,和分别表示前车辆发生变速行为的纵向加速度最大值的期望和持续时长的期望,和分别表示前车辆发生变速行为的纵向加速度最大值的方差和持续时长的方差。这里的期望和方差均可通过对前车辆的减速(或加速)行为进行测试来确定。需要说明的是,可以调整纵向加速度最大值或时间的方差,从而局部调整行为识别中各自由度的权重,以调整相应自由度在行为识别中的比重。另外,为了便于更新,可将期望和方差存储于配置文件中,后续可通过配置文件的更新来完成车辆行为识别的更新。
将当前纵向加速度最大值和第二持续时长代入上述公式,获得变速二自由度卡方值。然后,通过查询上述的卡方分布表来获得其对应的变速概率。
S230、基于变速概率和设定变速概率阈值,识别前车辆的变速行为。
其中,设定变速概率阈值是预先设定的概率值,其是发生了变速行为的最小概率值,其可以经验设定。设定变速概率阈值的数值大小的调整可以整体上调整前车辆的变速行为的识别灵敏度。
如果变速概率大于设定变速概率阈值,那么确定前车辆发生了相对于主车辆的变速行为。反之,如果变速概率小于或等于设定变速概率阈值,则确定前车辆未发生变速行为。
本发明实施例的上述技术方案,通过获取前车辆的当前纵向加速度最大值以及前车辆发生纵向加速度变化的第二持续时长;其中,前车辆为行驶在主车辆前方且紧邻的车辆,且前车辆与主车辆行驶在同一车道;基于当前纵向加速度最大值和第二持续时长,确定前车辆的变速二自由度卡方值,并基于变速二自由度卡方值,确定前车辆发生变速行为的变速概率;基于变速概率和设定变速概率阈值,识别前车辆的变速行为。实现了利用前车辆的纵向加速度和纵向加速度变化持续时长这两个自由度的卡方分布来识别车辆的加速和减速行为,减少了车辆行为识别所需的训练数据量,也极大地简化了车辆行为识别的计算过程,降低了对系统计算能力的要求,从而降低了系统实现成本,进而在确保车辆行为识别准确性的基础上,提高了车辆行为识别的效率,更加及时地为后续的车辆自动控制提供准确的控制基础数据。
图3是本发明实施例提供的又一种车辆行为识别方法的流程图。该车辆行为识别方法主要适用于主车辆转弯行为的识别。参见图3,该车辆行为识别方法具体包括:
S310、获取主车辆的当前横摆角速度以及主车辆发生横摆角速度变化的第三持续时长。
其中,第三持续时长是指主车辆发生横摆角速度变化的持续时间。
对于主车辆的转弯行为,可以单纯依靠横摆角速度的变化来判断。但是,在地面不平整的路段,车辆会因为颠簸而出现短时间内横摆角速度的快速变化,这样就会造成转弯行为的误识别。所以,本发明实施例在考虑主车辆的横摆角速度之外,还增加了主车辆发生横摆角速度变化的第三持续时长。对于当前横摆角速度,可以利用陀螺仪来实时测量;也可以利用速度传感器实时获得主车辆的内外侧的车轮的轮速和车轮转角,并利用其计算出当前横摆角速度。
在一些实施例中,获取主车辆发生横摆角速度变化的第三持续时长包括:若监测到主车辆的历史横摆角速度达到设定角速度阈值,则确定第三计时起始时刻;若在第三计时起始时刻至当前时刻期间,主车辆的各历史横摆角速度均达到设定角速度阈值,则确定第三计时起始时刻至当前时刻之间的时长是否大于设定时长阈值;若是,则将第三计时起始时刻至当前时刻之间的时长确定为第三持续时长。
其中,设定角速度阈值是预先设定的横摆角速度值,其作为判断主车辆可能发生转弯行为的起始条件。设定角速度阈值可以经验设定,优选是对车辆在不同路面状况下的直行状态的多个横摆角速度进行统计分析,获得车辆在直行状态下的横摆角速度波动范围,并基于该横摆角速度波动范围来确定设定角速度阈值。设定时长阈值是指预先设定的时长,其用于避免车辆短时颠簸造成的转弯行为误识别。设定时长阈值可以经验设定,优选是对车辆在颠簸路面上直行时的多个横摆角速度进行统计分析,确定出横摆角速度变化的持续时长范围,并基于该持续时长范围来确定设定时长阈值。
对于横摆角速度变化的第三持续时长,考虑到陀螺仪误差的存在,以及直行路面上车辆颠簸带来的横摆角速度的变化,本实施例中并未从横摆角速度的数值发生变化的即时时刻开始累积计时,而是在某一实时的横摆角速度满足设定角速度阈值时才开始计时,同时判断计时时长是否满足设定时长阈值。具体实施时,如果从当前时刻之前的某一时刻开始,监测到的各历史横摆角速度的绝对值均大于设定角速度阈值的绝对值,那么认为从该时刻开始,主车辆可能发生转弯行为,故将该时刻作为第三计时起始时刻。然后,确定从第三计时起始时刻到当前时刻的累积时长是否大于设定时长阈值。如果大于设定时长阈值,说明主车辆在持续发生横摆角速度变化,将该累积时长确定为第三持续时长。如果累积时长不大于设定时长阈值,说明主车辆只是短时间发生了横摆角速度变化,此时不能将该累积时长确定为第三持续时长,而是应当按照上述过程重新确定第三计时起始时刻和累计时长,并重新进行判断,以重新计算第三持续时长。这样设置的目的在于获得更加准确的第三持续时长,从而进一步提高后续转弯行为识别的准确性。
S320、基于当前横摆角速度和第三持续时长,确定主车辆的转弯二自由度卡方值,并基于转弯二自由度卡方值确定主车辆发生转弯的当前转弯概率。
本发明实施例中同样采用较为简单的二自由度的卡方分布来计算主车辆的当前转弯概率,其通过如下公式来计算转弯二自由度卡方值:
其中,表示转弯二自由度卡方值,表示当前横摆角速度,t3表示第三持续时长,和分别表示主车辆发生转弯行为的横摆角速度的期望和持续时长的期望,和分别表示主车辆发生转弯行为的横摆角速度的方差和持续时长的方差。这里的期望和方差均可通过对主车辆的转弯行为进行测试来确定。需要说明的是,可以调整横摆角速度和持续时长的方差,从而局部调整行为识别中各自由度的权重,以调整相应自由度在行为识别中的比重。另外,为了便于更新,可将期望和方差存储于配置文件中,后续可通过配置文件的更新来完成车辆行为识别的更新。
将当前横摆角速度和第三持续时长代入上述公式,获得转弯二自由度卡方值。然后,通过查询上述的卡方分布表来获得其对应的当前转弯概率。
S330、基于当前转弯概率、第一设定转弯概率阈值和第二设定转弯概率阈值,识别主车辆的转弯行为。
其中,第一设定转弯概率阈值和第二设定转弯概率阈值均是预先设定的概率值,都是用于判定主车辆是否发生转弯行为的概率边界值,其可以经验设定。第一设定转弯概率阈值和第二设定转弯概率阈值的数值大小的调整可以整体上调整主车辆的转弯行为的识别灵敏度。
考虑到车辆在进入弯道时的横摆角速度变化较大,在弯道中行驶过程中的横摆角速度变化会略小,驶出弯道后的横摆角速度变化更小,以及行驶在曲率较大的弯道中时,车辆的横摆角速度变化较大,而行驶在曲率较小的弯道中时,车辆的横摆角速度变化较小等情况,本发明实施例中设置了两个不同的设定转弯概率阈值,以对车辆进入弯道、在弯道中行驶、行驶在曲率不同的弯道等多种情况下的转弯行为进行准确识别,避免误识别和漏识别。
在一些实施例中,S330包括:若当前转弯概率大于第一设定转弯概率阈值,则确定主车辆处于转弯状态;若当前转弯概率小于第一设定转弯概率阈值,且当前转弯概率大于第二设定转弯概率阈值,且主车辆的各历史转弯概率中存在大于第一设定转弯概率阈值的历史转弯概率,则确定主车辆处于转弯状态;其中,第一设定转弯概率阈值大于第二设定转弯概率阈值;若当前转弯概率小于第二设定转弯概率阈值,则确定主车辆未处于转弯状态。
为了更加准确地识别车辆的转弯行为,本实施例中首先判断当前转弯概率是否大于第一设定转弯概率阈值。如果当前转弯概率大于第一设定转弯概率阈值,那么可直接判定主车辆发生了转弯行为。如果当前转弯概率介于第一设定概率阈值和第二设定概率阈值之间,说明主车辆可能发生了转弯行为。此时,需要进一步判断当前时刻之前的转弯概率(即历史转弯概率)中是否有大于第一设定概率阈值的。如果有,说明主车辆之前发生了进入弯道的行为,而此时处于行驶在弯道中的状态,故确定主车辆发生了转弯行为。如果历史转弯概率中没有大于第一设定概率阈值的,说明主车辆没有进入弯道的行为,可以认为主车辆未发生转弯行为。如果当前转弯概率小于第二设定转弯概率,确定主车辆未发生转弯行为。
本发明实施例的上述技术方案,通过获取主车辆的当前横摆角速度以及主车辆发生横摆角速度变化的第三持续时长;基于当前横摆角速度和第三持续时长,确定主车辆的转弯二自由度卡方值,并基于转弯二自由度卡方值确定主车辆发生转弯的当前转弯概率;基于当前转弯概率、第一设定转弯概率阈值和第二设定转弯概率阈值,识别主车辆的转弯行为。实现了利用主车辆的横摆角速度和横摆角速度变化持续时长这两个自由度的卡方分布来识别车辆的转弯行为,减少了车辆行为识别所需的训练数据量,也极大地简化了车辆行为识别的计算过程,降低了对系统计算能力的要求,从而降低了系统实现成本,进而在确保车辆行为识别准确性的基础上,提高了车辆行为识别的效率。
图4是本发明实施例提供的又一种车辆行为识别方法的流程图。该车辆行为识别方法主要适用于主车辆的变道行为的识别。参见图4,该车辆行为识别方法具体包括:
S410、获取主车辆与主车辆所在车道的一侧车道线之间的当前车道线距离以及主车辆的车道线距离变化的第四持续时长。
对于主车辆的变道行为,考虑到存在主车辆可能长时间跨车道行驶的情况,本发明实施例中设置了车辆距离车道线的车道线距离,以及主车辆对应的车道线距离持续变化的持续时长两个变量。具体实施时,通过车载传感器实时获取主车辆与其所在车道的一侧车道线之间的距离(及当前车道线距离)。并且,需要对车道线距离开始变化的时长进行累积,以确定第四持续时长。
在一些实施例中,获取主车辆的车道线距离变化的第四持续时长包括:若监测到主车辆与车道线之间的历史夹角达到设定角度阈值,则确定第四计时起始时刻;若在第四计时起始时刻至当前时刻期间,主车辆与车道线之间的各历史夹角均达到设定角度阈值,则将第四计时起始时刻至当前时刻之间的时长确定为第四持续时长。
其中,设定角度阈值是预先设定的角度值,其作为判断主车辆可能发生变道行为的起始条件,其可以经验设定。
本实施例中获取第四持续时长时,对主车辆的车头与车辆所在车道的车道线之间的夹角进行持续监测。如果从当前时刻之前的某一时刻开始,监测到的夹角(即历史夹角)均大于设定角度阈值,那么认为从该时刻开始,主车辆开始发生变道行为,故将该时刻作为第四计时起始时刻,将该时刻至当前时刻的时长确定为第四持续时长。如果在第四计时起始时刻至当前时刻之间,有至少一个历史夹角不满足设定角度阈值,那么需要将第四计时起始时刻更新为历史夹角重新满足设定角度阈值要求的时刻,并重新计算第四持续时长。
在一些实施例中,主车辆行驶的道路上存在主车辆所在车道的左车道和/或右车道。为了进一步确保变道行为的识别准确率,道路上应当存在至少两个车道,以便主车辆具备发生变道行为的条件。
在一些实施例中,车道的车道线曲率小于或等于设定曲率。考虑到弯道中视觉传感器(如雷达或摄像头)所获得的数据存在较大的误差,以及所得的弯道视觉采集数据(如图像)中弯道车道线与车头之间本身就存在夹角等情况,会使得车道线距离和第四持续时长不准确,故本实施例中要求主车辆所在车道不能是较大的弯道,及主车辆所在车道的车道线曲率不大于经验设定的一个曲率值(即设定曲率)。该设定曲率应当是一个数值较小的曲率值。
S420、基于当前车道线距离和第四持续时长,确定主车辆的第二变道二自由度卡方值,并基于第二变道二自由度卡方值确定主车辆发生变道的第二变道概率。
本发明实施例中同样采用较为简单的二自由度的卡方分布来计算主车辆的变道概率(即第二变道概率),其通过如下公式来计算主车辆的变道二自由度卡方值(即第二变道二自由度卡方值):
其中,表示第二变道二自由度卡方值,c表示当前车道线距离,t4表示第四持续时长,和分别表示主车辆发生变道行为的车道线距离的期望和持续时长的期望,和分别表示主车辆发生变道行为的车道线距离的方差和持续时长的方差。这里的期望和方差均可通过对主车辆的变道行为进行测试来确定。需要说明的是,可以调整纵向加速度最大值或时间的方差,从而局部调整行为识别中各自由度的权重,以调整相应自由度在行为识别中的比重。另外,为了便于更新,可将期望和方差存储于配置文件中,后续可通过配置文件的更新来完成车辆行为识别的更新。
将当前车道线距离和第四持续时长代入上述公式,获得第二变道二自由度卡方值。然后,通过查询上述的卡方分布表来获得其对应的第二变道概率。
S430、基于第二变道概率和第二设定变道概率阈值,识别主车辆的变道行为。
其中,第二设定变道概率阈值是预先设定的概率值,其是主车辆发生了变道行为的最小概率值,其可以经验设定。第二设定变道概率阈值的数值大小的调整可以整体上调整主车辆的变道行为的识别灵敏度。
如果第二变道概率大于第二设定变道概率阈值,那么确定主车辆发生了变道行为。反之,如果第二变道概率小于或等于第二设定变道概率阈值,则确定主车辆未发生变道行为。
本发明实施例的上述技术方案,通过获取主车辆与主车辆所在车道的一侧车道线之间的当前车道线距离以及主车辆的车道线距离变化的第四持续时长;基于当前车道线距离和第四持续时长,确定主车辆的第二变道二自由度卡方值,并基于第二变道二自由度卡方值确定主车辆发生变道的第二变道概率;基于第二变道概率和第二设定变道概率阈值,识别主车辆的变道行为。实现了利用主车辆的当前车道线距离和车道线距离变化持续时长这两个自由度的卡方分布来识别主车辆的变道行为,减少了车辆行为识别所需的训练数据量,也极大地简化了车辆行为识别的计算过程,降低了对系统计算能力的要求,从而降低了系统实现成本,进而在确保车辆行为识别准确性的基础上,提高了车辆行为识别的效率。
基于上述各实施例,提供了不同车辆行为下不同数量的自由度的行为识别准确度。本次对前车辆的变道行为、前车辆的急减速行为、主车辆转弯行为和主车辆变道行为均进行了30次测试,并计算出1自由度、2自由度和3自由度下的行为识别的准确率,见下表:
从该表中可以看出,无论哪种车辆行为,当自由度设置为2时行为识别的准确率最高,而当自由度增加到3时,识别准确率并没有明显提升,且会增加系统开销,故本发明实施例中为每种车辆行为的识别均设置了二自由度的卡方分布公式。
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,电子设备500包括一个或多个处理器501和存储器502。
处理器501可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备500中的其他组件以执行期望的功能。
存储器502可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器501可以运行所述程序指令,以实现上文所说明的本发明任意实施例的车辆行为识别方法以及/或者其他期望的功能。
在一个示例中,电子设备500还可以包括:输入装置503和输出装置504,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。该输入装置503可以包括例如键盘、鼠标等等。该输出装置504可以向外部输出各种信息。该输出装置504可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图5中仅示出了该电子设备500中与本发明有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备500还可以包括任何其他适当的组件。
除了上述方法和设备以外,本发明的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本发明任意实施例所提供的车辆行为识别方法的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本发明的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本发明任意实施例所提供的车辆行为识别方法的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、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。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。
需要说明的是,本发明所用术语仅为了描述特定实施例,而非限制本申请范围。如本发明说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。术语“和/或”包括一个或多个相关所列条目的任何一个和所有组合。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、方法或者设备中还存在另外的相同要素。此外,诸如“第一”、“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序,不能理解为指示或暗示相对重要性。
还需说明的是,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。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。
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 (10)
1.一种车辆行为识别方法,其特征在于,包括:
获取前车辆相对于主车辆的当前横向距离以及所述前车辆发生横向距离变化的第一持续时长;其中,所述前车辆为行驶在主车辆前方且紧邻的车辆,且所述前车辆与所述主车辆行驶在不同的车道;
基于所述当前横向距离和所述第一持续时长,确定所述前车辆的第一变道二自由度卡方值,并基于所述第一变道二自由度卡方值确定所述前车辆相对于所述主车辆所在车道的第一变道概率;
基于所述第一变道概率和第一设定变道概率阈值,识别所述前车辆的变道行为。
2.根据权利要求1所述的方法,其特征在于,所述前车辆所在车道和所述主车辆所在车道为相邻车道;
和/或,所述前车辆和所述主车辆之间的纵向距离小于或等于设定纵向距离阈值;
和/或,所述车道的车道线曲率小于或等于设定曲率;
和/或,所述主车辆与所述主车辆所在车道的车道线夹角小于或等于设定角度。
3.根据权利要求1或2所述的方法,其特征在于,所述获取所述前车辆发生横向距离变化的第一持续时长包括:
若监测到所述前车辆的历史横向距离达到设定横向距离阈值,且所述前车辆的历史横向速度达到设定速度阈值,则确定第一计时起始时刻;
若在所述第一计时起始时刻至当前时刻期间,所述前车辆的各历史横向距离均达到所述设定横向距离阈值,且所述前车辆的各历史横向速度均达到所述设定速度阈值,则将所述第一计时起始时刻至所述当前时刻之间的时长确定为所述第一持续时长。
4.一种车辆行为识别方法,其特征在于,包括:
获取前车辆的当前纵向加速度最大值以及所述前车辆发生纵向加速度变化的第二持续时长;其中,所述前车辆为行驶在主车辆前方且紧邻的车辆,且所述前车辆与所述主车辆行驶在同一车道;
基于所述当前纵向加速度最大值和所述第二持续时长,确定所述前车辆的变速二自由度卡方值,并基于所述变速二自由度卡方值,确定所述前车辆发生所述变速行为的变速概率;
基于所述变速概率和设定变速概率阈值,识别所述前车辆的变速行为。
5.根据权利要求4所述的方法,其特征在于,所述获取所述前车辆发生纵向加速度变化的第二持续时长包括:
若监测到所述前车辆的历史纵向加速度达到设定纵向加速度阈值,则确定第二计时起始时刻;
若在所述第二计时起始时刻至当前时刻期间,所述前车辆的各历史纵向加速度均达到所述设定纵向加速度阈值,则将所述第二计时起始时刻至所述当前时刻之间的时长确定为所述第二持续时长。
6.一种车辆行为识别方法,其特征在于,包括:
获取主车辆的当前横摆角速度以及所述主车辆发生横摆角速度变化的第三持续时长;
基于所述当前横摆角速度和所述第三持续时长,确定所述主车辆的转弯二自由度卡方值,并基于所述转弯二自由度卡方值确定所述主车辆发生转弯的当前转弯概率;
基于所述当前转弯概率、第一设定转弯概率阈值和第二设定转弯概率阈值,识别所述主车辆的转弯行为。
7.根据权利要求6所述的方法,其特征在于,所述获取所述主车辆发生横摆角速度变化的第三持续时长包括:
若监测到所述主车辆的历史横摆角速度达到设定角速度阈值,则确定第三计时起始时刻;
若在所述第三计时起始时刻至当前时刻期间,所述主车辆的各历史横摆角速度均达到所述设定角速度阈值,则确定所述第三计时起始时刻至所述当前时刻之间的时长是否大于设定时长阈值;
若是,则将所述第三计时起始时刻至所述当前时刻之间的时长确定为所述第三持续时长。
8.根据权利要求6所述的方法,其特征在于,所述基于所述当前转弯概率、第一设定转弯概率阈值和第二设定转弯概率阈值,识别所述主车辆的转弯行为包括:
若所述当前转弯概率大于所述第一设定转弯概率阈值,则确定所述主车辆处于转弯状态;
若所述当前转弯概率小于所述第一设定转弯概率阈值,且所述当前转弯概率大于所述第二设定转弯概率阈值,且所述主车辆的各历史转弯概率中存在大于所述第一设定转弯概率阈值的历史转弯概率,则确定所述主车辆处于所述转弯状态;其中,所述第一设定转弯概率阈值大于所述第二设定转弯概率阈值;
若所述当前转弯概率小于所述第二设定转弯概率阈值,则确定所述主车辆未处于所述转弯状态。
9.一种车辆行为识别方法,其特征在于,包括:
获取主车辆与所述主车辆所在车道的一侧车道线之间的当前车道线距离以及所述主车辆的车道线距离变化的第四持续时长;
基于所述当前车道线距离和所述第四持续时长,确定所述主车辆的第二变道二自由度卡方值,并基于所述第二变道二自由度卡方值确定所述主车辆发生变道的第二变道概率;
基于所述第二变道概率和第二设定变道概率阈值,识别所述主车辆的变道行为。
10.根据权利要求9所述的方法,其特征在于,所述主车辆行驶的道路上存在所述主车辆所在车道的左车道和/或右车道;
和/或,所述车道的车道线曲率小于或等于设定曲率;
和/或,所述获取所述主车辆的车道线距离变化的第四持续时长包括:
若监测到所述主车辆与所述车道线之间的历史夹角达到设定角度阈值,则确定第四计时起始时刻;
若在所述第四计时起始时刻至当前时刻期间,所述主车辆与所述车道线之间的各历史夹角均达到所述设定角度阈值,则将所述第四计时起始时刻至所述当前时刻之间的时长确定为所述第四持续时长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110910823.8A CN113353083B (zh) | 2021-08-10 | 2021-08-10 | 车辆行为识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110910823.8A CN113353083B (zh) | 2021-08-10 | 2021-08-10 | 车辆行为识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113353083A true CN113353083A (zh) | 2021-09-07 |
CN113353083B CN113353083B (zh) | 2021-10-29 |
Family
ID=77540838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110910823.8A Active CN113353083B (zh) | 2021-08-10 | 2021-08-10 | 车辆行为识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113353083B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114475641A (zh) * | 2022-04-15 | 2022-05-13 | 天津所托瑞安汽车科技有限公司 | 车道偏离预警方法、装置、控制装置及存储介质 |
CN115713861A (zh) * | 2023-01-05 | 2023-02-24 | 南京隼眼电子科技有限公司 | 道路监测方法、系统、电子设备及存储介质 |
Citations (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102005028370A1 (de) * | 2005-06-20 | 2006-12-28 | Robert Bosch Gmbh | Verfahren zur Erkennung eines bevorstehenden Spurwechsels |
CN102785661A (zh) * | 2012-08-20 | 2012-11-21 | 深圳先进技术研究院 | 车道偏离控制系统及方法 |
CN104834652A (zh) * | 2014-02-11 | 2015-08-12 | 北京千橡网景科技发展有限公司 | 一种服务于社交网络的短信策略的构建方法及其装置 |
DE102015202628A1 (de) * | 2014-02-14 | 2015-08-20 | Denso Corporation | Vehicle-mounted apparatus for selecting preceding vehicle positioned in the travel path of the host vehicle of the apparatus |
KR20160047268A (ko) * | 2014-10-22 | 2016-05-02 | 현대자동차주식회사 | 차로 변경 예측 장치 및 차로 변경 예측 방법 |
CN105741637A (zh) * | 2016-02-01 | 2016-07-06 | 辽宁工业大学 | 四轮轮毂电机电动汽车智能转向控制方法 |
CN106023344A (zh) * | 2016-06-06 | 2016-10-12 | 清华大学 | 基于驾驶模式转换概率的驾驶风格估计方法 |
CN106127125A (zh) * | 2016-06-16 | 2016-11-16 | 山东大学 | 基于人体行为特征的分布式dtw人体行为意图识别方法 |
CN107820255A (zh) * | 2017-11-22 | 2018-03-20 | 重庆大学 | 一种改进的协方差绝对值协作频谱感知方法 |
US20180141562A1 (en) * | 2016-11-21 | 2018-05-24 | NextEv USA, Inc. | Method and system for adaptive vehicle control in autonomous vehicles |
CN108068824A (zh) * | 2016-11-07 | 2018-05-25 | 现代自动车株式会社 | 估计车辆重量的装置及其使用方法 |
JP2019001184A (ja) * | 2017-06-09 | 2019-01-10 | トヨタ自動車株式会社 | 運転支援装置 |
CN109635398A (zh) * | 2018-12-03 | 2019-04-16 | 北京航空航天大学 | 一种基于有限维分布的碰撞概率实时评估方法 |
CN110213715A (zh) * | 2019-05-17 | 2019-09-06 | 华中科技大学 | 一种基于车辆间最优估计距离的v2v通信模式切换方法 |
CN110427850A (zh) * | 2019-07-24 | 2019-11-08 | 中国科学院自动化研究所 | 驾驶员高速道路换道意图预测方法、系统、装置 |
CN110705388A (zh) * | 2019-09-16 | 2020-01-17 | 清华大学 | 一种基于预测反馈的辅助驾驶用目标车辆换道识别方法 |
CN111341096A (zh) * | 2020-02-06 | 2020-06-26 | 长安大学 | 一种基于gps数据的公交运行状态评估方法 |
DE102019100318A1 (de) * | 2019-01-08 | 2020-07-09 | Bayerische Motoren Werke Aktiengesellschaft | Vorrichtung und Verfahren zur Verbesserung von Assistenzsystemen für laterale Fahrzeugbewegungen |
CN111409639A (zh) * | 2020-04-07 | 2020-07-14 | 北京理工大学 | 一种主车网联巡航控制方法及系统 |
CN112249008A (zh) * | 2020-09-30 | 2021-01-22 | 南京航空航天大学 | 针对复杂动态环境的无人驾驶汽车预警方法 |
CN112319477A (zh) * | 2020-11-02 | 2021-02-05 | 天津大学 | 一种用于无人驾驶的决策规划方法 |
CN112347567A (zh) * | 2020-11-27 | 2021-02-09 | 青岛莱吉传动系统科技有限公司 | 一种车辆意图和轨迹预测的方法 |
CN112633258A (zh) * | 2021-03-05 | 2021-04-09 | 天津所托瑞安汽车科技有限公司 | 一种目标确定方法及装置、设备、计算机可读存储介质 |
DE102019132006A1 (de) * | 2019-11-26 | 2021-05-27 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und System zum Erkennen eines abbiegenden Objekts |
CN113044042A (zh) * | 2021-06-01 | 2021-06-29 | 禾多科技(北京)有限公司 | 车辆预测变道图像显示方法、装置、电子设备和可读介质 |
CN113096379A (zh) * | 2021-03-03 | 2021-07-09 | 东南大学 | 基于交通冲突的驾驶风格识别方法 |
-
2021
- 2021-08-10 CN CN202110910823.8A patent/CN113353083B/zh active Active
Patent Citations (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102005028370A1 (de) * | 2005-06-20 | 2006-12-28 | Robert Bosch Gmbh | Verfahren zur Erkennung eines bevorstehenden Spurwechsels |
CN102785661A (zh) * | 2012-08-20 | 2012-11-21 | 深圳先进技术研究院 | 车道偏离控制系统及方法 |
CN104834652A (zh) * | 2014-02-11 | 2015-08-12 | 北京千橡网景科技发展有限公司 | 一种服务于社交网络的短信策略的构建方法及其装置 |
DE102015202628A1 (de) * | 2014-02-14 | 2015-08-20 | Denso Corporation | Vehicle-mounted apparatus for selecting preceding vehicle positioned in the travel path of the host vehicle of the apparatus |
KR20160047268A (ko) * | 2014-10-22 | 2016-05-02 | 현대자동차주식회사 | 차로 변경 예측 장치 및 차로 변경 예측 방법 |
CN105741637A (zh) * | 2016-02-01 | 2016-07-06 | 辽宁工业大学 | 四轮轮毂电机电动汽车智能转向控制方法 |
CN106023344A (zh) * | 2016-06-06 | 2016-10-12 | 清华大学 | 基于驾驶模式转换概率的驾驶风格估计方法 |
CN106127125A (zh) * | 2016-06-16 | 2016-11-16 | 山东大学 | 基于人体行为特征的分布式dtw人体行为意图识别方法 |
CN108068824A (zh) * | 2016-11-07 | 2018-05-25 | 现代自动车株式会社 | 估计车辆重量的装置及其使用方法 |
US20180141562A1 (en) * | 2016-11-21 | 2018-05-24 | NextEv USA, Inc. | Method and system for adaptive vehicle control in autonomous vehicles |
JP2019001184A (ja) * | 2017-06-09 | 2019-01-10 | トヨタ自動車株式会社 | 運転支援装置 |
CN107820255A (zh) * | 2017-11-22 | 2018-03-20 | 重庆大学 | 一种改进的协方差绝对值协作频谱感知方法 |
CN109635398A (zh) * | 2018-12-03 | 2019-04-16 | 北京航空航天大学 | 一种基于有限维分布的碰撞概率实时评估方法 |
DE102019100318A1 (de) * | 2019-01-08 | 2020-07-09 | Bayerische Motoren Werke Aktiengesellschaft | Vorrichtung und Verfahren zur Verbesserung von Assistenzsystemen für laterale Fahrzeugbewegungen |
CN110213715A (zh) * | 2019-05-17 | 2019-09-06 | 华中科技大学 | 一种基于车辆间最优估计距离的v2v通信模式切换方法 |
CN110427850A (zh) * | 2019-07-24 | 2019-11-08 | 中国科学院自动化研究所 | 驾驶员高速道路换道意图预测方法、系统、装置 |
CN110705388A (zh) * | 2019-09-16 | 2020-01-17 | 清华大学 | 一种基于预测反馈的辅助驾驶用目标车辆换道识别方法 |
DE102019132006A1 (de) * | 2019-11-26 | 2021-05-27 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und System zum Erkennen eines abbiegenden Objekts |
CN111341096A (zh) * | 2020-02-06 | 2020-06-26 | 长安大学 | 一种基于gps数据的公交运行状态评估方法 |
CN111409639A (zh) * | 2020-04-07 | 2020-07-14 | 北京理工大学 | 一种主车网联巡航控制方法及系统 |
CN112249008A (zh) * | 2020-09-30 | 2021-01-22 | 南京航空航天大学 | 针对复杂动态环境的无人驾驶汽车预警方法 |
CN112319477A (zh) * | 2020-11-02 | 2021-02-05 | 天津大学 | 一种用于无人驾驶的决策规划方法 |
CN112347567A (zh) * | 2020-11-27 | 2021-02-09 | 青岛莱吉传动系统科技有限公司 | 一种车辆意图和轨迹预测的方法 |
CN113096379A (zh) * | 2021-03-03 | 2021-07-09 | 东南大学 | 基于交通冲突的驾驶风格识别方法 |
CN112633258A (zh) * | 2021-03-05 | 2021-04-09 | 天津所托瑞安汽车科技有限公司 | 一种目标确定方法及装置、设备、计算机可读存储介质 |
CN113044042A (zh) * | 2021-06-01 | 2021-06-29 | 禾多科技(北京)有限公司 | 车辆预测变道图像显示方法、装置、电子设备和可读介质 |
Non-Patent Citations (3)
Title |
---|
党彤: "基于贝叶斯网络的车辆变道行为分析", 《西南理工大学 硕士论文》 * |
姜顺明等: "基于贝叶斯网络的车辆并线意图识别", 《河南科技大学学报( 自然科学版)》 * |
山岩: "自动驾驶车辆拟人化换道决策和换道轨迹研究", 《长安大学 硕士论文》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114475641A (zh) * | 2022-04-15 | 2022-05-13 | 天津所托瑞安汽车科技有限公司 | 车道偏离预警方法、装置、控制装置及存储介质 |
CN114475641B (zh) * | 2022-04-15 | 2022-06-28 | 天津所托瑞安汽车科技有限公司 | 车道偏离预警方法、装置、控制装置及存储介质 |
CN115713861A (zh) * | 2023-01-05 | 2023-02-24 | 南京隼眼电子科技有限公司 | 道路监测方法、系统、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113353083B (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6831420B2 (ja) | 自動運転車の軌跡候補を評価するための方法 | |
CN113022580B (zh) | 轨迹预测方法、装置、存储介质及电子设备 | |
US8849515B2 (en) | Steering assist in driver initiated collision avoidance maneuver | |
CN103348395B (zh) | 交通拥堵检测设备和车辆控制设备 | |
US11518380B2 (en) | System and method for predicted vehicle incident warning and evasion | |
CN110884490B (zh) | 一种车辆侵入判断及辅助行驶的方法、系统、车辆及存储介质 | |
CN113353083B (zh) | 车辆行为识别方法 | |
CN113165646B (zh) | 用于检测车辆周围的风险因素的电子设备及其控制方法 | |
CN110920539A (zh) | 车辆驾驶分析方法和装置、电子设备和计算机存储介质 | |
CN113104041B (zh) | 行车轨迹预测方法、装置、电子设备及存储介质 | |
CN113734201B (zh) | 车辆冗余控制方法、装置、电子设备及介质 | |
GB2543921A (en) | Active vehicle suspension | |
CN116390879A (zh) | 用于避免即将发生的碰撞的系统和方法 | |
US10589741B2 (en) | Enhanced collision avoidance | |
CN117922568A (zh) | 跟车时距动态控制方法、控制装置、电子设备及存储介质 | |
CN112172829B (zh) | 车道偏离预警方法、装置、电子设备和存储介质 | |
CN116513187A (zh) | 车辆换道控制方法、装置、电子设备及存储介质 | |
CN113246976B (zh) | 车辆制动方法、装置、设备和存储介质 | |
CN115848368A (zh) | 车辆的自适应巡航系统的控制方法、装置和电子设备 | |
US11420639B2 (en) | Driving assistance apparatus | |
CN114084133A (zh) | 一种跟车目标的确定方法及相关装置 | |
CN117272690B (zh) | 自动驾驶车辆危险切入场景提取方法、设备及介质 | |
JP7400911B1 (ja) | 自動運転装置 | |
CN118358573B (zh) | 基于车队的智能驾驶方法、装置、电子设备和存储介质 | |
US20240043006A1 (en) | Method and apparatus for generating virtual stop line |
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 |