CN113642644A - 车辆环境等级的确定方法、装置、电子设备及存储介质 - Google Patents
车辆环境等级的确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113642644A CN113642644A CN202110931688.5A CN202110931688A CN113642644A CN 113642644 A CN113642644 A CN 113642644A CN 202110931688 A CN202110931688 A CN 202110931688A CN 113642644 A CN113642644 A CN 113642644A
- Authority
- CN
- China
- Prior art keywords
- environment
- environmental
- grade
- determining
- probability
- 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 41
- 230000007613 environmental effect Effects 0.000 claims abstract description 270
- 238000012512 characterization method Methods 0.000 claims abstract description 47
- 238000013507 mapping Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 131
- 238000009499 grossing Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种车辆环境等级的确定方法、装置、电子设备及存储介质，从目标车辆所处当前环境的环境详情数据中提取出多个环境影响因素，以及按照预设的赋值映射关系，构建表征当前环境的环境特征向量；获取每个环境等级的先验概率，并获取在当前环境包括的每种环境影响因素为相应参数数值时属于每种环境等级的条件概率；针对于每种环境等级，基于每种环境影响因素属于该环境等级的条件概率和该环境等级的先验概率，确定当前环境为该环境等级的表征系数；基于确定出的多个表征系数，确定当前环境所属环境等级。这样，能够准确地对目标车辆当前环境的环境等级进行判断，使得自动驾驶系统根据环境等级调整驾驶策略，达到辅助自动驾驶系统的目的。
Description
技术领域
本申请涉及车辆控制技术领域，尤其是涉及一种车辆环境等级的确定方法、装置、电子设备及存储介质。
背景技术
随着车辆控制技术的不断发展，自动驾驶系统被不断地引入至车辆控制中，自动驾驶系统的是一个汇集了众多技术的综合系统，其主要依赖于环境信息的获取、传感技术以及图像识别技术等。这些技术在执行预期功能时，其态势感知能力(situationalawareness)在某些情况下能够直接影响驾驶过程的安全性。
在自动驾驶领域中是否能够对道路环境进行准确的感知显得格外重要，而在极端环境条件下或者是感知系统存在遮挡的情况下，自动驾驶车辆通常无法准确的对周围的环境进行感知，例如，在一段未被路灯直接照亮的道路中，或者是阳光对摄像头的装置造成影响时，均可能由于无法准确地对环境进行感知，出现交通事故。因此，为了避免事故的发生，汽车功能安全标准针对于自动驾驶汽车制定了六个级别的驾驶环境，例如，经常出现的驾驶场景、不可能出现的驾驶场景等，若在驾驶过程中可以准确的确定出车辆当前所处的环境等级，自动驾驶系统便可以制定与环境等级相匹配的驾驶策略，从而达到辅助驾驶的目的。因此，如何准确地确定出车辆所处环境的环境等级成为了亟待解决的问题。
发明内容
有鉴于此，本申请的目的在于提供一种车辆环境等级的确定方法、装置、电子设备及存储介质，能够准确的对目标车辆当前环境的环境等级进行判断，从而，使得自动驾驶系统根据环境等级调整驾驶策略，进而，达到辅助自动驾驶系统的目的。
本申请实施例提供了一种车辆环境等级的确定方法，所述确定方法包括：
从目标车辆所处当前环境的环境详情数据中提取出所述当前环境所包括的多个环境影响因素；
基于所述多个环境影响因素以及将所述多个环境影响因素映射为参数数值的赋值映射关系，构建用于表征所述当前环境的环境特征向量；
获取每个环境等级的先验概率，以及按照所述环境特征向量中各元素的参数数值，获取当所述当前环境所包括的每种环境影响因素为相应参数数值时属于每种环境等级的条件概率；
针对于每种环境等级，基于所述当前环境所包括的每种环境影响因素属于该环境等级的条件概率以及该环境等级的先验概率，确定所述当前环境为该环境等级的表征系数；
基于确定出的多个所述表征系数，确定所述当前环境所属环境等级。
进一步的，通过以下步骤确定每种环境等级的先验概率以及当每种环境影响因素为不同参数数值时属于每种环境等级的条件概率：
获取训练样本集，其中，所述训练样本集中包括多个训练场景样本以及每个训练场景样本的样本特征向量和等级标签；
基于每个训练场景样本的等级标签，确定每种环境等级的先验概率；
针对于每个环境等级，基于所述训练样本集中每个训练场景样本的样本特征向量，确定当每种环境影响因素为不同参数数值时属于该环境等级的条件概率。
进一步的，所述基于每个训练场景样本的等级标签，确定每种环境等级的先验概率，包括：
针对于每种环境等级，基于每个训练场景样本的等级标签，统计属于该环境等级的训练场景样本的第一数量；
统计所述训练样本集中训练场景样本的第二数量；
基于所述第一数量以及所述第二数量，确定该环境等级的先验概率。
进一步的，所述针对于每个环境等级，基于所述训练样本集中每个训练场景样本的样本特征向量，确定当每种环境影响因素为不同参数数值时属于该环境等级下的条件概率，包括：
针对于每种环境影响因素所包括的每种参数数值，基于所述训练样本集中每个训练场景样本的样本特征向量，从所述训练样本集中确定出存在该环境影响因素且该环境影响因素的值为该参数数值的训练场景样本；
针对于每种环境等级，统计属于该环境等级且该环境影响因素的值为该参数数值的训练场景样本的第三数量；
基于该环境等级的先验概率、所述第二数量以及所述第三数量，确定属于该环境等级且该环境影响因素的值为该参数数值的条件概率。
进一步的，所述基于该环境等级的先验概率、所述第二数量以及所述第三数量，确定属于该环境等级且该环境影响因素的值为该参数数值的条件概率，包括：
基于所述第二数量和所述第三数量，确定属于该环境等级且该环境影响因素的值为该参数数值的联合概率；
基于所述联合概率和该环境等级的先验概率，确定属于该环境等级且该环境影响因素的值为该参数数值的条件概率。
进一步的，当所述第一数量为零时，所述基于所述第一数量以及所述第二数量，确定该环境等级的先验概率，包括：
分别对所述第一数量以及所述第二数量进行拉普拉斯平滑处理，得到处理后的第一数量和处理后的第二数量；
基于所述处理后的第一数量和所述处理后的第二数量，确定该环境等级的先验概率。
进一步的，所述基于确定出的多个所述表征系数，确定所述当前环境所属环境等级，包括：
求取多个所述表征系数的和；
针对于每个环境等级，基于所述当前环境为该环境等级的表征系数以及多个所述表征系数的和，确定所述当前环境为该环境等级的等级概率；
将所述等级概率最大的环境等级确定为所述当前环境所属的环境等级。
进一步的，所述环境影响因素包括地理因素、环境因素、道路因素及驾驶情境中的至少一种或多种。
本申请实施例还提供了一种车辆环境等级的确定装置，所述确定装置包括：
数据获取模块，用于从目标车辆所处当前环境的环境详情数据中提取出所述当前环境所包括的多个环境影响因素；
向量构建模块，用于基于所述多个环境影响因素以及将所述多个环境影响因素映射为参数数值的赋值映射关系，构建用于表征所述当前环境的环境特征向量；
概率获取模块，用于获取每个环境等级的先验概率，以及按照所述环境特征向量中各元素的参数数值，获取当所述当前环境所包括的每种环境影响因素为相应参数数值时属于每种环境等级的条件概率；
系数确定模块，用于针对于每种环境等级，基于所述当前环境所包括的每种环境影响因素属于该环境等级的条件概率以及该环境等级的先验概率，确定所述当前环境为该环境等级的表征系数；
等级确定模块，用于基于确定出的多个所述表征系数，确定所述当前环境所属环境等级。
进一步的，所述确定装置还包括概率确定模块，所述概率确定模块用于通过以下步骤确定每种环境等级的先验概率以及当每种环境影响因素为不同参数数值时属于每种环境等级的条件概率：
获取训练样本集，其中，所述训练样本集中包括多个训练场景样本以及每个训练场景样本的样本特征向量和等级标签；
基于每个训练场景样本的等级标签，确定每种环境等级的先验概率；
针对于每个环境等级，基于所述训练样本集中每个训练场景样本的样本特征向量，确定当每种环境影响因素为不同参数数值时属于该环境等级的条件概率。
进一步的，所述概率确定模块在用于基于每个训练场景样本的等级标签，确定每种环境等级的先验概率时，所述概率确定模块用于：
针对于每种环境等级，基于每个训练场景样本的等级标签，统计属于该环境等级的训练场景样本的第一数量；
统计所述训练样本集中训练场景样本的第二数量；
基于所述第一数量以及所述第二数量，确定该环境等级的先验概率。
进一步的，所述概率确定模块在用于针对于每个环境等级，基于所述训练样本集中每个训练场景样本的样本特征向量，确定当每种环境影响因素为不同参数数值时属于该环境等级下的条件概率时，所述概率确定模块用于：
针对于每种环境影响因素所包括的每种参数数值，基于所述训练样本集中每个训练场景样本的样本特征向量，从所述训练样本集中确定出存在该环境影响因素且该环境影响因素的值为该参数数值的训练场景样本；
针对于每种环境等级，统计属于该环境等级且该环境影响因素的值为该参数数值的训练场景样本的第三数量；
基于该环境等级的先验概率、所述第二数量以及所述第三数量，确定属于该环境等级且该环境影响因素的值为该参数数值的条件概率。
进一步的，所述概率确定模块在用于基于该环境等级的先验概率、所述第二数量以及所述第三数量，确定属于该环境等级且该环境影响因素的值为该参数数值的条件概率时，所述概率确定模块用于：
基于所述第二数量和所述第三数量，确定属于该环境等级且该环境影响因素的值为该参数数值的联合概率；
基于所述联合概率和该环境等级的先验概率，确定属于该环境等级且该环境影响因素的值为该参数数值的条件概率。
进一步的，当所述第一数量为零时，所述概率确定模块在用于基于所述第一数量以及所述第二数量，确定该环境等级的先验概率时，所述概率确定模块用于：
分别对所述第一数量以及所述第二数量进行拉普拉斯平滑处理，得到处理后的第一数量和处理后的第二数量；
基于所述处理后的第一数量和所述处理后的第二数量，确定该环境等级的先验概率。
进一步的，所述等级确定模块在用于基于确定出的多个所述表征系数，确定所述当前环境所属环境等级时，所述等级确定模块用于：
求取多个所述表征系数的和；
针对于每个环境等级，基于所述当前环境为该环境等级的表征系数以及多个所述表征系数的和，确定所述当前环境为该环境等级的等级概率；
将所述等级概率最大的环境等级确定为所述当前环境所属的环境等级。
进一步的，所述环境影响因素包括地理因素、环境因素、道路因素及驾驶情境中的至少一种或多种。
本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的车辆环境等级的确定方法的步骤。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的车辆环境等级的确定方法的步骤。
本申请实施例提供的车辆环境等级的确定方法、装置、电子设备及存储介质，从目标车辆所处当前环境的环境详情数据中提取出所述当前环境所包括的多个环境影响因素；基于所述多个环境影响因素以及将所述多个环境影响因素映射为参数数值的赋值映射关系，构建用于表征所述当前环境的环境特征向量；获取每个环境等级的先验概率，以及按照所述环境特征向量中各元素的参数数值，获取当所述当前环境所包括的每种环境影响因素为相应参数数值时属于每种环境等级的条件概率；针对于每种环境等级，基于所述当前环境所包括的每种环境影响因素属于该环境等级的条件概率以及该环境等级的先验概率，确定所述当前环境为该环境等级的表征系数；基于确定出的多个所述表征系数，确定所述当前环境所属环境等级。这样，能够准确的对目标车辆当前环境的环境等级进行判断，从而，使得自动驾驶系统根据环境等级调整驾驶策略，进而，达到辅助自动驾驶系统的目的。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例所提供的一种车辆环境等级的确定方法的流程图；
图2为本申请实施所提供的一种概率确定过程示意图；
图3为本申请实施例所提供的一种车辆环境等级的确定装置的结构示意图之一；
图4为本申请实施例所提供的一种车辆环境等级的确定装置的结构示意图之二；
图5为本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本申请保护的范围。
经研究发现，在自动驾驶领域中是否能够对道路环境进行准确的感知显得格外重要，而在极端环境条件下或者是感知系统存在遮挡的情况下，自动驾驶车辆通常无法准确的对周围的环境进行感知，例如，在一段未被路灯直接照亮的道路中，或者是阳光对摄像头的装置造成影响时，均可能由于无法准确地对环境进行感知，出现交通事故。因此，为了避免事故的发生，汽车功能安全标准针对于自动驾驶汽车制定了六个级别的驾驶环境，例如，经常出现的驾驶场景、不可能出现的驾驶场景等，若在驾驶过程中可以准确的确定出车辆当前所处的环境等级，自动驾驶系统便可以制定与环境等级相匹配的驾驶策略，从而达到辅助驾驶的目的。因此，如何准确地确定出车辆所处环境的环境等级成为了亟待解决的问题。
基于此，本申请实施例提供了一种车辆环境等级的确定方法，可以准确地确定出目标车辆当前环境所处的环境等级。
请参阅图1，图1为本申请实施例所提供的一种车辆环境等级的确定方法的流程图。如图1中所示，本申请实施例提供的车辆环境等级的确定方法，包括：
S101、从目标车辆所处当前环境的环境详情数据中提取出所述当前环境所包括的多个环境影响因素。
S102、基于所述多个环境影响因素以及将所述多个环境影响因素映射为参数数值的赋值映射关系，构建用于表征所述当前环境的环境特征向量。
S103、获取每个环境等级的先验概率，以及按照所述环境特征向量中各元素的参数数值，获取当所述当前环境在每种环境影响因素为相应参数数值时属于每种环境等级的条件概率。
S104、针对于每种环境等级，基于所述当前环境所包括的每种环境影响因素属于该环境等级的条件概率以及该环境等级的先验概率，确定所述当前环境为该环境等级的表征系数。
S105、基于确定出的多个所述表征系数，确定所述当前环境所属环境等级。
车辆在行驶的过程中其周围环境对其驾驶安全起到决定性作用，例如，当时行人穿过一段未被路灯直接照亮的道路时，传感系统(Radar和Lidar，未发生故障)可能由于不能够准确地采集到行人的信息，致使行人发生交通事故，因为，在昏暗的条件下，行人很有可能在撞击发生的前6秒被误解读为未知物体、车辆和自行车；再例如，从危险行为的潜在原因这个角度看，当行人穿很厚的羊毛大衣时，也会影响超声波的识别效果；刚刚升起的太阳会影响摄像头的采集性能等。
在步骤S101中，在自动驾驶车辆的行驶过程中，实时获取目标车辆所处当前环境的环境详情数据；其中，环境详情数据包括：光照情况、路面情况、所处时间段、地理位置等。
从环境详情数据中提取出当前环境中所存在的影响自动驾驶系统的多个环境影响因素；其中，环境影响因素包括地理因素、环境因素、道路因素及驾驶情境中的至少一种或多种。
这里，地理因素可以为：城市或山区，靠海或内陆，山地或平原等因素中的至少一种；环境因素可以为：行驶时间(白天、晚上、整天以及时间段等)、行驶天气(降雨量、降雪量、可见度、风向、降雨概率以及降雪概率等)、光照(光照强度、光照范围等)等因素中的至少一种；道路因素可以为：道路类型(高速公路、普通公路、土路、自动驾驶车的专用车道等)、道路参数(坡度、倾斜度、弯道曲率)、道路摩擦系数、限速度等因素中的至少一种；驾驶情景(主车\司机的行动、其他车辆)：变道、变速、超车、交通情况、行人行为等情景中的至少一种。
在步骤S102中，根据预先设置的将每个环境影响因素映射为参数数值的赋值映射关系，分别将每个环境影响因素映射为参数数值的形式，拼接每个环境影响因素的参数数值，得到用于表征当前环境的环境特征向量。
这里，构建得到的环境特征向量中每个元素表征了一种环境影响因素。
示例性的，当环境影响因素为降雨量30mm时，可将环境影响因素映射为参数数值30；或者是，按照预设的赋值映射规则，例如，将“降雨量30mm”整体映射为一个参数数值，假设，预设表示“降雨量”的值为6，结合降雨量的值30mm，可将“降雨量30mm”整体映射为630。
需要说明的是，可采取任何方式将环境影响因素映射为参数数值，在此不做限制，可根据实际情况而定。
自动驾驶领域中ISO21448标准中明确规定了6种环境等级，一级：在每个车辆的使用寿命内不大可能出现的环境；二级：在每个车辆的使用寿命内很少随机发生的环境；三级：在每个车辆的使用寿命内随机发生不到一次的环境；四级：在部分车辆的使用寿命内预计会发生一次或多次的环境；五级：在每个车辆的使用寿命内预计会发生一次或多次的环境；六级：在每次驾驶过程中预计会发生一次或多次的环境。
本申请预先通过训练样本集确定了每种环境等级的先验概率，以及每种环境影响因素在每种环境等级下的条件概率；因此，在步骤S103中，直接获取每种环境等级的先验概率，并根据环境特征向量中每个元素的参数数值，获取在当前环境中所包括的每种环境影响因素为相应参数数值时属于每种环境等级的条件概率。
在一种实施方式中，如图2所示，图2为本申请实施所提供的一种概率确定过程示意图。如图2所示，通过以下步骤确定每种环境等级的先验概率以及当每种环境影响因素为不同参数数值时属于每种环境等级的条件概率：步骤S201、获取训练样本集，其中，所述训练样本集中包括多个训练场景样本以及每个训练场景样本的样本特征向量和等级标签。
在该步骤中，获取用于确定每种环境等级的先验概率的训练样本集
其中，训练样本集中包括多个训练场景样本(N为训练场景样本的数量)以及每个训练场景样本的样本特征向量xi(为第i个训练场景样本的样本特征向量)和等级标签yi(yi为第i个训练场景样本的等级标签)；这里，样本特征向量由该训练场景样本所包括的环境影响因素根据赋值映射关系映射出的参数数值所构建的，即样本特征向量中的各个元素为该训练场景样本所包括的各个环境影响因素对应的参数数值；等级标签表明训练样本场景对应的场景等级。
步骤S202、基于每个训练场景样本的等级标签，确定每种环境等级的先验概率。
针对于每个环境等级，根据每个训练场景样本的等级标签，通过统计多个训练场景样本中属于该环境等级的训练场景样本的数量，确定该环境等级的先验概率P(y∈Ck),k＝1,...,6；其中，y表示环境等级为Ck的训练场景样本，Ck表示环境等级。
在一种实施方式中，步骤S202包括：针对于每种环境等级，基于每个训练场景样本的等级标签，统计属于该环境等级的训练场景样本的第一数量；统计所述训练样本集中训练场景样本的第二数量；基于所述第一数量以及所述第二数量，确定该环境等级的先验概率。
该步骤中，针对于每种环境等级，统计在多个训练场景样本中，等级标签指示训练场景样本的环境等级为该环境等级的训练场景样本的第一数量，以及训练样本集中多个训练场景样本的第二数量，即训练样本集中训练场景样本的总数量；通过计算第一数量占第二数量的比重，确定该环境等级的先验概率。
步骤S203、针对于每个环境等级，基于所述训练样本集中属于该环境等级的每个训练场景样本的样本特征向量，确定当每种环境影响因素为不同参数数值时属于该环境等级的条件概率。
该步骤中，针对于每个环境等级，从训练样本集中确定出属于该环境等级的训练场景样本，针对于每种环境影响因素，基于属于该环境等级的训练场景样本的样本特征向量，确定当该环境影响因素为不同参数数值时属于该环境等级的条件概率。
在一种实施方式中，步骤S203包括：针对于每种环境影响因素所包括的每种参数数值，基于所述训练样本集中每个训练场景样本的样本特征向量，从所述训练样本集中确定出存在该环境影响因素且该环境影响因素的值为该参数数值的训练场景样本；针对于每种环境等级，统计属于该环境等级且该环境影响因素的值为该参数数值的训练场景样本的第三数量；基于该环境等级的先验概率、所述第二数量以及所述第三数量，确定属于该环境等级且该环境影响因素的值为该参数数值的条件概率。
这里，对于不同的环境影响因素来说，每种环境影响因素具有不同的参数数值，例如，当环境影响因素为传感器的感知距离时，参数数值可以为100米、200米以及300米中的任意一种。
该步骤中，针对于每种环境影响因素的每种参数数值，确定在存在该环境影响因素，且该环境影响因素的值为该参数数值的情况下，车辆的行驶环境为该环境等级的条件概率，具体的，根据训练样本集中训练场景样本的样本特征向量，从训练样本集中确定出存在该环境影响因素，且该环境影响因素的数值为该参数数值的训练场景样本。
针对于每种环境等级，统计属于该环境等级且该环境影响因素的数值为该参数数值的训练场景样本的第三数量；
基于该环境等级的先验概率、训练样本集中训练场景样本的第二数量以及第三数量，计算得到属于该环境等级且该环境影响因素的值为该参数数值的条件概率，条件概率表示为：
P(x(j)＝ajl|y∈Ck)；
其中，P表示在第Ck个环境等级下训练场景样本x的第j种环境影响因素的参数数值为ajl的条件概率，这里，j＝1,…,n；l＝1,…,Sj。
对应于上述实施例，当训练场景样本x的第j种环境影响因素为传感器的感知距离时，参数数值可以为100米、200米以及300米三种情况，则需分别计算当感知距离为100米、200米以及300米时，属于每个环境等级的条件概率，即，对于每个环境等级来说，对于该环境影响因素需要计算3个条件概率，分别为(以环境等级为C1为例)：
P(x(j)＝100|y∈C1)；
P(x(j)＝200|y∈C1)；
P(x(j)＝300|y∈C1)。
在一种实施方式中，所述基于该环境等级的先验概率、所述第二数量以及所述第三数量，确定属于该环境等级且该环境影响因素的值为该参数数值的条件概率，包括：基于所述第二数量和所述第三数量，确定属于该环境等级且该环境影响因素的值为该参数数值的联合概率；基于所述联合概率和该环境等级的先验概率，确定属于该环境等级且该环境影响因素的值为该参数数值的条件概率。
该步骤中，针对于每个环境等级，首先，基于训练样本集中训练场景样本的第二数量和属于该环境等级属于该环境等级存在该环境影响因素且该环境影响因素的值为该参数数值的训练场景样本的第三数量，确定出属于该环境等级且该环境影响因素的值为该参数数值的联合概率；然后，基于确定出的联合概率和该环境等级的先验概率，计算属于该环境等级且该环境影响因素的值为该参数数值的条件概率。
这里，若在训练样本集中不存在属于某一环境等级的训练场景样本，则会导致后续概率出现0的情况，因此，为了避免出现上述现象，在计算先验概率时，需进行拉普拉斯平滑处理。
在一种实施方式中，当所述第一数量为零时，所述基于所述第一数量以及所述第二数量，确定该环境等级的先验概率，包括：分别对所述第一数量以及所述第二数量进行拉普拉斯平滑处理，得到处理后的第一数量和处理后的第二数量；基于所述处理后的第一数量和所述处理后的第二数量，确定该环境等级的先验概率。
该步骤中，预先设置一Lambda表达式，通过该Lambda表达式分别对第一数量以及第二数量进行拉普拉斯平滑处理，得到处理后的第一数量和处理后的第二数量；进而，再通过处理后的第一数量和处理后的第二数量，确定该环境等级的先验概率，以使计算出的先验概率不会存在为0的情况。
这里，对于Lambda表达式值的选取，当Lambda表达式的值不为1时，可直接通过Lambda表达式对第一数量进行拉普拉斯平滑处理；确定出环境等级的数量(N)，基于环境等级的数量以及Lambda表达式的值，对第二数量进行拉普拉斯平滑处理，得到处理后的第一数量以及处理后的第二数量，即，处理后的第一数量为：第一数量+Lambda；处理后的第二数量为：第二数量+N×Lambda。
需要注意的是，若Lambda表达式的值等于1时，可直接通过Lambda表达式对第一数量进行拉普拉斯平滑处理；此时，可直接通过环境等级的数量(N)对第二数量进行拉普拉斯平滑处理，即，处理后的第一数量为：第一数量+1；处理后的第二数量为：第二数量+N。
在步骤S104中，针对于每种环境等级，基于确定出的当前环境所包括的每种环境影响因素属于该环境等级的条件概率，以及获取到的该环境等级的先验概率，通过以下公式计算得到当前环境为该环境等级的表征系数：
pk＝P(y∈Ck)∏P(x(j)|y∈Ck),k＝1,...,6；
其中，pk表示当前环境为第Ck个环境等级的表征系数，P(y∈Ck)表示第Ck个环境等级的先验概率，P(x(j)|y∈Ck)表示当前环境的第j个环境影响因素下属于第Ck个环境等级的条件概率。
示例性的，假设，当前环境中包括两个环境影响因素传感器的感知距离100米以及光照角度50度，那么，需计算的表征系数pk为：
pk＝P(y∈Ck)P(x(1)＝100|y∈Ck)P(x(2)＝50|y∈Ck)；
其中，pk表示当前环境为第Ck个环境等级的表征系数，P(y∈Ck)表示第Ck个环境等级的先验概率，P(x(1)＝100|y∈Ck)表示当环境影响因素为感知距离100米时属于第Ck个环境等级的条件概率，P(x(2)＝50|y∈Ck)表示当环境影响因素为光照角度50度时属于第Ck个环境等级的条件概率。
在步骤S105中，首先，根据确定出来的当前环境为不同环境等级的表征系数，确定出当前环境为不同环境等级的等级概率，进而，根据确定出的多个等级概率，来确定当前环境的所属的环境等级。
在一种实施方式中，步骤S105包括：求取多个所述表征系数的和；针对于每个环境等级，基于所述当前环境为该环境等级的表征系数以及多个所述表征系数的和，确定所述当前环境为该环境等级的等级概率；将所述等级概率最大的环境等级确定为所述当前环境所属的环境等级。
该步骤中，求取当前环境为每个环境等级的表征系数的累加和；针对于每个环境等级，基于当前环境属于该环境等级的表征系数以及求取得到的累加和，通过以下公式计算得到当前环境为该环境等级的等级概率：
Gk＝pk/ss；
其中，Gk表示当前环境为第Ck个环境等级的等级概率，pk表示当前环境为第Ck个环境等级的表征系数，ss＝∑pk表示求取得到的累加和。
进而，可以根据计算得到的等级概率，将等级概率最大的环境等级，确定为当前环境的所属等级。
本申请实施例提供的车辆环境等级的确定方法，从目标车辆所处当前环境的环境详情数据中提取出所述当前环境所包括的多个环境影响因素；基于所述多个环境影响因素以及将所述多个环境影响因素映射为参数数值的赋值映射关系，构建用于表征所述当前环境的环境特征向量；获取每个环境等级的先验概率，以及按照所述环境特征向量中各元素的参数数值，获取当所述当前环境所包括的每种环境影响因素为相应参数数值时属于每种环境等级的条件概率；针对于每种环境等级，基于所述当前环境所包括的每种环境影响因素属于该环境等级的条件概率以及该环境等级的先验概率，确定所述当前环境为该环境等级的表征系数；基于确定出的多个所述表征系数，确定所述当前环境所属环境等级。这样，能够准确的对目标车辆当前环境的环境等级进行判断，从而，使得自动驾驶系统根据环境等级调整驾驶策略，进而，达到辅助自动驾驶系统的目的。
请参阅图3、图4，图3为本申请实施例所提供的一种车辆环境等级的确定装置的结构示意图之一，图4为本申请实施例所提供的一种车辆环境等级的确定装置的结构示意图之二。如图3中所示，所述确定装置300包括：
数据获取模块310，用于从目标车辆所处当前环境的环境详情数据中提取出所述当前环境所包括的多个环境影响因素；
向量构建模块320，用于基于所述多个环境影响因素以及将所述多个环境影响因素映射为参数数值的赋值映射关系，构建用于表征所述当前环境的环境特征向量；
概率获取模块330，用于获取每个环境等级的先验概率，以及按照所述环境特征向量中各元素的参数数值，获取当所述当前环境所包括的每种环境影响因素为相应参数数值时属于每种环境等级的条件概率；
系数确定模块340，用于针对于每种环境等级，基于所述当前环境所包括的每种环境影响因素属于该环境等级的条件概率以及该环境等级的先验概率，确定所述当前环境为该环境等级的表征系数；
等级确定模块350，用于基于确定出的多个所述表征系数，确定所述当前环境所属环境等级。
进一步的，如图4所示，所述确定装置300还包括概率确定模块360，所述概率确定模块360用于通过以下步骤确定每种环境等级的先验概率以及当每种环境影响因素为不同参数数值时属于每种环境等级的条件概率：
获取训练样本集，其中，所述训练样本集中包括多个训练场景样本以及每个训练场景样本的样本特征向量和等级标签；
基于每个训练场景样本的等级标签，确定每种环境等级的先验概率；
针对于每个环境等级，基于所述训练样本集中每个训练场景样本的样本特征向量，确定当每种环境影响因素为不同参数数值时属于该环境等级的条件概率。
进一步的，所述概率确定模块360在用于基于每个训练场景样本的等级标签，确定每种环境等级的先验概率时，所述概率确定模块360用于：
针对于每种环境等级，基于每个训练场景样本的等级标签，统计属于该环境等级的训练场景样本的第一数量；
统计所述训练样本集中训练场景样本的第二数量；
基于所述第一数量以及所述第二数量，确定该环境等级的先验概率。
进一步的，所述概率确定模块360在用于针对于每个环境等级，基于所述训练样本集中每个训练场景样本的样本特征向量，确定当每种环境影响因素为不同参数数值时属于该环境等级下的条件概率时，所述概率确定模块360用于：
针对于每种环境影响因素所包括的每种参数数值，基于所述训练样本集中每个训练场景样本的样本特征向量，从所述训练样本集中确定出存在该环境影响因素且该环境影响因素的值为该参数数值的训练场景样本；
针对于每种环境等级，统计属于该环境等级且该环境影响因素的值为该参数数值的训练场景样本的第三数量；
基于该环境等级的先验概率、所述第二数量以及所述第三数量，确定属于该环境等级且该环境影响因素的值为该参数数值的条件概率。
进一步的，所述概率确定模块360在用于基于该环境等级的先验概率、所述第二数量以及所述第三数量，确定属于该环境等级且该环境影响因素的值为该参数数值的条件概率时，所述概率确定模块360用于：
基于所述第二数量和所述第三数量，确定属于该环境等级且该环境影响因素的值为该参数数值的联合概率；
基于所述联合概率和该环境等级的先验概率，确定属于该环境等级且该环境影响因素的值为该参数数值的条件概率。
进一步的，当所述第一数量为零时，所述概率确定模块360在用于基于所述第一数量以及所述第二数量，确定该环境等级的先验概率时，所述概率确定模块360用于：
分别对所述第一数量以及所述第二数量进行拉普拉斯平滑处理，得到处理后的第一数量和处理后的第二数量；
基于所述处理后的第一数量和所述处理后的第二数量，确定该环境等级的先验概率。
进一步的，所述等级确定模块350在用于基于确定出的多个所述表征系数，确定所述当前环境所属环境等级时，所述等级确定模块350用于：
求取多个所述表征系数的和；
针对于每个环境等级，基于所述当前环境为该环境等级的表征系数以及多个所述表征系数的和，确定所述当前环境为该环境等级的等级概率；
将所述等级概率最大的环境等级确定为所述当前环境所属的环境等级。
进一步的，所述环境影响因素包括地理因素、环境因素、道路因素及驾驶情境中的至少一种或多种。
本申请实施例提供的车辆环境等级的确定装置，从目标车辆所处当前环境的环境详情数据中提取出所述当前环境所包括的多个环境影响因素；基于所述多个环境影响因素以及将所述多个环境影响因素映射为参数数值的赋值映射关系，构建用于表征所述当前环境的环境特征向量；获取每个环境等级的先验概率，以及按照所述环境特征向量中各元素的参数数值，获取当所述当前环境所包括的每种环境影响因素为相应参数数值时属于每种环境等级的条件概率；针对于每种环境等级，基于所述当前环境所包括的每种环境影响因素属于该环境等级的条件概率以及该环境等级的先验概率，确定所述当前环境为该环境等级的表征系数；基于确定出的多个所述表征系数，确定所述当前环境所属环境等级。这样，能够准确的对目标车辆当前环境的环境等级进行判断，从而，使得自动驾驶系统根据环境等级调整驾驶策略，进而，达到辅助自动驾驶系统的目的。
请参阅图5，图5为本申请实施例所提供的一种电子设备的结构示意图。如图5中所示，所述电子设备500包括处理器510、存储器520和总线530。
所述存储器520存储有所述处理器510可执行的机器可读指令，当电子设备500运行时，所述处理器510与所述存储器520之间通过总线530通信，所述机器可读指令被所述处理器510执行时，可以执行如上述图1所示方法实施例中的车辆环境等级的确定方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图1所示方法实施例中的车辆环境等级的确定方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种车辆环境等级的确定方法，其特征在于，所述确定方法包括：
从目标车辆所处当前环境的环境详情数据中提取出所述当前环境所包括的多个环境影响因素；
基于所述多个环境影响因素以及将所述多个环境影响因素映射为参数数值的赋值映射关系，构建用于表征所述当前环境的环境特征向量；
获取每个环境等级的先验概率，以及按照所述环境特征向量中各元素的参数数值，获取当所述当前环境所包括的每种环境影响因素为相应参数数值时属于每种环境等级的条件概率；
针对于每种环境等级，基于所述当前环境所包括的每种环境影响因素属于该环境等级的条件概率以及该环境等级的先验概率，确定所述当前环境为该环境等级的表征系数；
基于确定出的多个所述表征系数，确定所述当前环境所属环境等级。
2.根据权利要求1所述的确定方法，其特征在于，通过以下步骤确定每种环境等级的先验概率以及当每种环境影响因素为不同参数数值时属于每种环境等级的条件概率：
获取训练样本集，其中，所述训练样本集中包括多个训练场景样本以及每个训练场景样本的样本特征向量和等级标签；
基于每个训练场景样本的等级标签，确定每种环境等级的先验概率；
针对于每个环境等级，基于所述训练样本集中每个训练场景样本的样本特征向量，确定当每种环境影响因素为不同参数数值时属于该环境等级的条件概率。
3.根据权利要求2所述的确定方法，其特征在于，所述基于每个训练场景样本的等级标签，确定每种环境等级的先验概率，包括：
针对于每种环境等级，基于每个训练场景样本的等级标签，统计属于该环境等级的训练场景样本的第一数量；
统计所述训练样本集中训练场景样本的第二数量；
基于所述第一数量以及所述第二数量，确定该环境等级的先验概率。
4.根据权利要求3所述的确定方法，其特征在于，所述针对于每个环境等级，基于所述训练样本集中每个训练场景样本的样本特征向量，确定当每种环境影响因素为不同参数数值时属于该环境等级下的条件概率，包括：
针对于每种环境影响因素所包括的每种参数数值，基于所述训练样本集中每个训练场景样本的样本特征向量，从所述训练样本集中确定出存在该环境影响因素且该环境影响因素的值为该参数数值的训练场景样本；
针对于每种环境等级，统计属于该环境等级且该环境影响因素的值为该参数数值的训练场景样本的第三数量；
基于该环境等级的先验概率、所述第二数量以及所述第三数量，确定属于该环境等级且该环境影响因素的值为该参数数值的条件概率。
5.根据权利要求4所述的确定方法，其特征在于，所述基于该环境等级的先验概率、所述第二数量以及所述第三数量，确定属于该环境等级且该环境影响因素的值为该参数数值的条件概率，包括：
基于所述第二数量和所述第三数量，确定属于该环境等级且该环境影响因素的值为该参数数值的联合概率；
基于所述联合概率和该环境等级的先验概率，确定属于该环境等级且该环境影响因素的值为该参数数值的条件概率。
6.根据权利要求3所述的确定方法，其特征在于，当所述第一数量为零时，所述基于所述第一数量以及所述第二数量，确定该环境等级的先验概率，包括：
分别对所述第一数量以及所述第二数量进行拉普拉斯平滑处理，得到处理后的第一数量和处理后的第二数量；
基于所述处理后的第一数量和所述处理后的第二数量，确定该环境等级的先验概率。
7.根据权利要求1所述的确定方法，其特征在于，所述基于确定出的多个所述表征系数，确定所述当前环境所属环境等级，包括：
求取多个所述表征系数的和；
针对于每个环境等级，基于所述当前环境为该环境等级的表征系数以及多个所述表征系数的和，确定所述当前环境为该环境等级的等级概率；
将所述等级概率最大的环境等级确定为所述当前环境所属的环境等级。
8.一种车辆环境等级的确定装置，其特征在于，所述确定装置包括：
数据获取模块，用于从目标车辆所处当前环境的环境详情数据中提取出所述当前环境所包括的多个环境影响因素；
向量构建模块，用于基于所述多个环境影响因素以及将所述多个环境影响因素映射为参数数值的赋值映射关系，构建用于表征所述当前环境的环境特征向量；
概率获取模块，用于获取每个环境等级的先验概率，以及按照所述环境特征向量中各元素的参数数值，获取当所述当前环境所包括的每种环境影响因素为相应参数数值时属于每种环境等级的条件概率；
系数确定模块，用于针对于每种环境等级，基于所述当前环境所包括的每种环境影响因素属于该环境等级的条件概率以及该环境等级的先验概率，确定所述当前环境为该环境等级的表征系数；
等级确定模块，用于基于确定出的多个所述表征系数，确定所述当前环境所属环境等级。
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线进行通信，所述机器可读指令被所述处理器运行时执行如权利要求1至7任一所述的车辆环境等级的确定方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7任一所述的车辆环境等级的确定方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110931688.5A CN113642644B (zh) | 2021-08-13 | 2021-08-13 | 车辆环境等级的确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110931688.5A CN113642644B (zh) | 2021-08-13 | 2021-08-13 | 车辆环境等级的确定方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113642644A true CN113642644A (zh) | 2021-11-12 |
| CN113642644B CN113642644B (zh) | 2024-05-10 |
Family
ID=78421577
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110931688.5A Active CN113642644B (zh) | 2021-08-13 | 2021-08-13 | 车辆环境等级的确定方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113642644B (zh) |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104298881A (zh) * | 2014-10-15 | 2015-01-21 | 南通大学 | 一种基于贝叶斯网络模型的公交环境动态变化预报方法 |
| US20150116101A1 (en) * | 2012-04-30 | 2015-04-30 | Robert Bosch Gmbh | Method and device for determining surroundings |
| CN107310550A (zh) * | 2016-04-27 | 2017-11-03 | 腾讯科技（深圳）有限公司 | 道路交通工具行驶控制方法和装置 |
| US20180136656A1 (en) * | 2016-11-14 | 2018-05-17 | Lyft, Inc. | Evaluating and Presenting Pick-Up and Drop-Off Locations in a Situational-Awareness View of an Autonomous Vehicle |
| CN108550279A (zh) * | 2018-04-03 | 2018-09-18 | 同济大学 | 基于机器学习的车辆驾驶行为预测方法 |
| WO2019047656A1 (zh) * | 2017-09-05 | 2019-03-14 | 百度在线网络技术（北京）有限公司 | 用于控制无人驾驶车辆的方法和装置 |
| US20190129431A1 (en) * | 2017-10-30 | 2019-05-02 | Nio Usa, Inc. | Visual place recognition based self-localization for autonomous vehicles |
| CN109902899A (zh) * | 2017-12-11 | 2019-06-18 | 百度在线网络技术（北京）有限公司 | 信息生成方法和装置 |
| CN110222936A (zh) * | 2019-05-09 | 2019-09-10 | 阿里巴巴集团控股有限公司 | 一种业务场景的根因定位方法、系统及电子设备 |
| KR102029852B1 (ko) * | 2019-04-09 | 2019-10-08 | 세종대학교 산학협력단 | 환경에 따라 신경망 모델을 선택하는 객체 인식 장치 및 그 방법 |
| DE102018128398B3 (de) * | 2018-11-13 | 2019-12-19 | Iav Gmbh Ingenieurgesellschaft Auto Und Verkehr | Verfahren zum Vorhersagen des Verhaltens eines Umgebungsobjektes und Fahrerassistenzsystem |
| CN110852441A (zh) * | 2019-09-26 | 2020-02-28 | 温州大学 | 一种基于改进朴素贝叶斯算法的火灾预警方法 |
| CN110949381A (zh) * | 2019-11-12 | 2020-04-03 | 深圳大学 | 一种驾驶行为危险度的监测方法及装置 |
| US20200207375A1 (en) * | 2018-12-26 | 2020-07-02 | Uatc, Llc | All Mover Priors |
| CN111428571A (zh) * | 2020-02-28 | 2020-07-17 | 宁波吉利汽车研究开发有限公司 | 一种车辆引导方法、装置、设备及存储介质 |
| CN111523515A (zh) * | 2020-05-13 | 2020-08-11 | 北京百度网讯科技有限公司 | 自动驾驶车辆环境认知能力评价方法、设备及存储介质 |
| EP3693243A1 (en) * | 2019-02-06 | 2020-08-12 | Zenuity AB | Method and system for controlling an automated driving system of a vehicle |
| AU2020101561A4 (en) * | 2020-07-29 | 2020-09-24 | Jiaxing University | A Multi-sensor Data Fusion Based Vehicle Cruise System and Method |
| CN111857134A (zh) * | 2020-06-29 | 2020-10-30 | 江苏大学 | 一种基于贝叶斯网络的目标障碍车轨迹预测方法 |
| CN112560668A (zh) * | 2020-12-14 | 2021-03-26 | 南京航空航天大学 | 一种基于场景先验知识的人体行为识别方法 |
| DE102019129737A1 (de) * | 2019-09-30 | 2021-04-01 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zum Klassifizieren einer Umgebung eines Fahrzeugs |
-
2021
- 2021-08-13 CN CN202110931688.5A patent/CN113642644B/zh active Active
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150116101A1 (en) * | 2012-04-30 | 2015-04-30 | Robert Bosch Gmbh | Method and device for determining surroundings |
| CN104298881A (zh) * | 2014-10-15 | 2015-01-21 | 南通大学 | 一种基于贝叶斯网络模型的公交环境动态变化预报方法 |
| CN107310550A (zh) * | 2016-04-27 | 2017-11-03 | 腾讯科技（深圳）有限公司 | 道路交通工具行驶控制方法和装置 |
| US20180136656A1 (en) * | 2016-11-14 | 2018-05-17 | Lyft, Inc. | Evaluating and Presenting Pick-Up and Drop-Off Locations in a Situational-Awareness View of an Autonomous Vehicle |
| WO2019047656A1 (zh) * | 2017-09-05 | 2019-03-14 | 百度在线网络技术（北京）有限公司 | 用于控制无人驾驶车辆的方法和装置 |
| US20190129431A1 (en) * | 2017-10-30 | 2019-05-02 | Nio Usa, Inc. | Visual place recognition based self-localization for autonomous vehicles |
| CN109902899A (zh) * | 2017-12-11 | 2019-06-18 | 百度在线网络技术（北京）有限公司 | 信息生成方法和装置 |
| CN108550279A (zh) * | 2018-04-03 | 2018-09-18 | 同济大学 | 基于机器学习的车辆驾驶行为预测方法 |
| DE102018128398B3 (de) * | 2018-11-13 | 2019-12-19 | Iav Gmbh Ingenieurgesellschaft Auto Und Verkehr | Verfahren zum Vorhersagen des Verhaltens eines Umgebungsobjektes und Fahrerassistenzsystem |
| US20200207375A1 (en) * | 2018-12-26 | 2020-07-02 | Uatc, Llc | All Mover Priors |
| EP3693243A1 (en) * | 2019-02-06 | 2020-08-12 | Zenuity AB | Method and system for controlling an automated driving system of a vehicle |
| KR102029852B1 (ko) * | 2019-04-09 | 2019-10-08 | 세종대학교 산학협력단 | 환경에 따라 신경망 모델을 선택하는 객체 인식 장치 및 그 방법 |
| CN110222936A (zh) * | 2019-05-09 | 2019-09-10 | 阿里巴巴集团控股有限公司 | 一种业务场景的根因定位方法、系统及电子设备 |
| CN110852441A (zh) * | 2019-09-26 | 2020-02-28 | 温州大学 | 一种基于改进朴素贝叶斯算法的火灾预警方法 |
| DE102019129737A1 (de) * | 2019-09-30 | 2021-04-01 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zum Klassifizieren einer Umgebung eines Fahrzeugs |
| CN110949381A (zh) * | 2019-11-12 | 2020-04-03 | 深圳大学 | 一种驾驶行为危险度的监测方法及装置 |
| CN111428571A (zh) * | 2020-02-28 | 2020-07-17 | 宁波吉利汽车研究开发有限公司 | 一种车辆引导方法、装置、设备及存储介质 |
| CN111523515A (zh) * | 2020-05-13 | 2020-08-11 | 北京百度网讯科技有限公司 | 自动驾驶车辆环境认知能力评价方法、设备及存储介质 |
| CN111857134A (zh) * | 2020-06-29 | 2020-10-30 | 江苏大学 | 一种基于贝叶斯网络的目标障碍车轨迹预测方法 |
| AU2020101561A4 (en) * | 2020-07-29 | 2020-09-24 | Jiaxing University | A Multi-sensor Data Fusion Based Vehicle Cruise System and Method |
| CN112560668A (zh) * | 2020-12-14 | 2021-03-26 | 南京航空航天大学 | 一种基于场景先验知识的人体行为识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 许多;方守恩;陈雨人;: "低等级道路环境因素影响行驶速度分析方法对比研究", 武汉理工大学学报(交通科学与工程版), no. 04, 15 August 2017 (2017-08-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113642644B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111307166B (zh) | 一种构建占据栅格地图的方法及其装置、处理设备 | |
| CN108571974B (zh) | 使用摄像机的车辆定位 | |
| CN111652060B (zh) | 一种基于激光雷达的限高预警方法、装置、电子设备及存储介质 | |
| CN102208013B (zh) | 风景匹配参考数据生成系统和位置测量系统 | |
| CN111152788B (zh) | 一种车辆油门踏板误踩预防方法和系统 | |
| CN110415544B (zh) | 一种灾害天气预警方法及汽车ar-hud系统 | |
| Zakaria et al. | Lane detection in autonomous vehicles: A systematic review | |
| CN102222236A (zh) | 图像处理系统及位置测量系统 | |
| CN111256693B (zh) | 一种计算位姿变化方法及车载终端 | |
| CN113508277A (zh) | 车道标记定位和融合 | |
| CN111381585B (zh) | 一种构建占据栅格地图的方法及其装置、相关设备 | |
| CN115205803A (zh) | 自动驾驶环境感知方法、介质及车辆 | |
| CN116994217A (zh) | 基于多源传感器的车道线检测方法及相关设备 | |
| CN114248778A (zh) | 移动设备的定位方法和定位装置 | |
| Alpar et al. | Intelligent collision warning using license plate segmentation | |
| JP2019146012A (ja) | 撮像装置 | |
| CN109478233B (zh) | 识别图像序列中的遮挡的原因的方法、计算机可读记录介质、驾驶辅助系统 | |
| CN113642644B (zh) | 车辆环境等级的确定方法、装置、电子设备及存储介质 | |
| CN113147790A (zh) | 无人驾驶车辆的控制方法及控制装置、无人驾驶车辆 | |
| CN113642708A (zh) | 一种车辆环境等级识别模型的训练方法、识别方法及装置 | |
| Nayak et al. | Reference Test System for Machine Vision Used for ADAS Functions | |
| CN114644014A (zh) | 一种基于车道线的智能驾驶方法及相关设备 | |
| CN113345087A (zh) | 基于单目视觉的地表模型拟合方法和装置 | |
| CN112101177A (zh) | 地图构建方法、装置及运载工具 | |
| WO2024089849A1 (ja) | 路面診断システム、路面診断方法及びプログラムを非一時的に記録する記録媒体 |
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 |