CN113665586B - 接管提示方法、装置、计算机设备及存储介质 - Google Patents
接管提示方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113665586B CN113665586B CN202110975238.6A CN202110975238A CN113665586B CN 113665586 B CN113665586 B CN 113665586B CN 202110975238 A CN202110975238 A CN 202110975238A CN 113665586 B CN113665586 B CN 113665586B
- Authority
- CN
- China
- Prior art keywords
- takeover
- safety
- parameters
- parameter
- security
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/005—Handover processes
- B60W60/0053—Handover processes from vehicle to occupant
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本申请提供了一种接管提示方法、装置、计算机设备及存储介质,属于自动驾驶技术领域。该方法包括:获取自动驾驶车辆的安全参数集,安全参数集包括历史接管事件发生之前的多个第一时刻的安全参数;基于安全参数集,确定接管参数,接管参数用于表示历史接管事件发生的合理程度;基于接管参数,调整接管提示条件,接管提示条件为输出接管提示信息的时刻之前的多个第二时刻的安全参数应满足的条件,接管提示信息用于提示安全员接管自动驾驶车辆。本申请基于该历史接管事件发生的合理程度,调整接管提示条件,进而客观地基于自动驾驶车辆行驶过程中的安全程度,提示接管车辆,对安全员判断是否接管车辆的过程造成了客观影响,提高了车辆接管的合理性。
Description
技术领域
本申请涉及自动驾驶技术领域,特别涉及一种接管提示方法、装置、计算机设备及存储介质。
背景技术
随着自动驾驶技术的发展,自动驾驶车辆已逐步应用到生产生活中。为保证自动驾驶车辆安全行驶,会为自动驾驶车辆配置安全员,在自动驾驶车辆无法安全执行自动驾驶时,安全员会接管自动驾驶车辆,控制自动驾驶车辆安全行驶。
当前,安全员通常根据自身的驾驶经验,判断是否要接管自动驾驶车辆,主观性较强,很难保证接管的合理性。
发明内容
本申请实施例提供了一种接管提示方法、装置、计算机设备及存储介质,能够提高车辆接管的合理性。所述技术方案如下:
根据本申请实施例的一方面,提供了一种接管提示方法,所述方法包括:
获取自动驾驶车辆的安全参数集,所述安全参数集包括历史接管事件发生之前的多个第一时刻的安全参数,任一时刻的安全参数用于表示所述自动驾驶车辆在所述时刻行驶的安全程度;
基于所述安全参数集,确定接管参数,所述接管参数用于表示所述历史接管事件发生的合理程度;
基于所述接管参数,调整接管提示条件,所述接管提示条件为输出接管提示信息的时刻之前的多个第二时刻的安全参数应满足的条件,所述接管提示信息用于提示安全员接管所述自动驾驶车辆。
在一种可能的实现方式中,所述基于所述安全参数集,确定接管参数,包括:
对所述安全参数集进行特征提取,得到安全特征集;
基于所述安全特征集,确定所述接管参数。
在一种可能的实现方式中,所述对所述安全参数集进行特征提取,得到安全特征集,包括:
基于特征提取模型,对所述安全参数集进行特征提取,得到所述安全特征集。
在一种可能的实现方式中,所述特征提取模型包括多个特征提取单元,所述基于特征提取模型,对所述安全参数集进行特征提取,得到所述安全特征集,包括:
将所述多个第一时刻的安全参数分别输入所述多个特征提取单元,由每个特征提取单元对输入的安全参数和前一个特征提取单元传递的中间特征进行处理,输出处理得到的安全特征;
将所述多个特征提取单元输出的安全特征构成所述安全特征集。
在一种可能的实现方式中,所述特征提取模型的训练过程包括:
基于所述特征提取模型,对样本安全参数集进行特征提取,得到样本安全特征集,所述样本安全参数集包括样本接管事件发生之前的多个时刻的安全参数;
基于安全判别模型,对所述样本安全特征集进行处理,得到样本安全参数;
基于所述样本安全参数和所述样本接管事件对应的标注安全参数,更新所述特征提取模型和所述安全判别模型的模型参数;
在所述特征提取模型和所述安全判别模型构成的网络满足停止训练条件的情况下,得到训练完成的所述特征提取模型。
在一种可能的实现方式中,所述安全特征集包括每个第一时刻对应的安全特征,所述基于所述安全特征集,确定所述接管参数,包括:
获取每个第一时刻的车辆状态数据;
分别拼接每个第一时刻的所述车辆状态数据和所述安全特征,得到拼接特征;
基于所述多个第一时刻分别对应的多个拼接特征,确定所述接管参数。
在一种可能的实现方式中,所述基于所述多个第一时刻分别对应的多个拼接特征,确定所述接管参数,包括:
基于接管风格判别模型,对所述多个第一时刻分别对应的多个拼接特征进行处理,得到所述接管参数。
在一种可能的实现方式中,所述接管风格判别模型的训练过程包括:
获取样本接管事件发生之前的多个时刻分别对应的多个样本特征,任一时刻对应的样本特征包括所述时刻的车辆状态数据和所述时刻的样本安全特征,所述样本安全特征属于样本安全特征集,所述样本安全特征集是对所述多个时刻的安全参数构成的样本安全参数集进行特征提取得到的;
基于所述接管风格判别模型,对所述多个样本特征进行处理,得到样本接管参数;
基于所述样本接管参数和所述样本接管事件对应的标注接管参数,更新所述接管风格判别模型的模型参数;
在所述接管风格判别模型满足停止训练条件的情况下,得到训练完成的所述接管风格判别模型。
在一种可能的实现方式中,所述基于所述安全参数集,确定接管参数,包括:
获取所述自动驾驶车辆的多个历史接管事件分别对应的多个安全参数集;
基于每个历史接管事件对应的安全参数集,确定每个所述历史接管事件对应的参考接管参数;
基于所述多个历史接管事件分别对应的多个参考接管参数,确定所述接管参数。
在一种可能的实现方式中,所述接管提示条件包括安全阈值,所述接管提示条件表示在所述多个第二时刻的安全参数中存在低于所述安全阈值的安全参数的情况下,输出所述接管提示信息;或者,所述接管提示条件表示在所述多个第二时刻的安全参数中的安全参数均低于所述安全阈值的情况下,输出所述接管提示信息;
所述基于所述接管参数,调整接管提示条件,包括:
在所述接管参数小于或等于第一接管阈值的情况下,减小所述安全阈值;
在所述接管参数大于或等于第二接管阈值的情况下,增大所述安全阈值。
在一种可能的实现方式中,所述接管提示条件包括安全阈值和数量阈值,所述接管提示条件表示在所述多个第二时刻的安全参数中低于所述安全阈值的安全参数的数量大于所述数量阈值的情况下,输出所述接管提示信息;
所述基于所述接管参数,调整接管提示条件,包括:
在所述接管参数小于或等于第一接管阈值的情况下,减小所述安全阈值,或者,增大所述数量阈值;
在所述接管参数大于或等于第二接管阈值的情况下,增大所述安全阈值,或者,减小所述数量阈值。
根据本申请实施例的另一方面,提供了一种接管提示装置,所述装置包括:
安全参数获取模块,用于获取自动驾驶车辆的安全参数集,所述安全参数集包括历史接管事件发生之前的多个第一时刻的安全参数,任一时刻的安全参数用于表示所述自动驾驶车辆在所述时刻行驶的安全程度;
接管参数确定模块,用于基于所述安全参数集,确定接管参数,所述接管参数用于表示所述历史接管事件发生的合理程度;
条件调整模块,用于基于所述接管参数,调整接管提示条件,所述接管提示条件为输出接管提示信息的时刻之前的多个第二时刻的安全参数应满足的条件,所述接管提示信息用于提示安全员接管所述自动驾驶车辆。
在一种可能的实现方式中,所述接管参数确定模块,包括:
特征集获取单元,用于对所述安全参数集进行特征提取,得到安全特征集;
接管参数确定单元,用于基于所述安全特征集,确定所述接管参数。
在一种可能的实现方式中,所述特征集获取单元,用于基于特征提取模型,对所述安全参数集进行特征提取,得到所述安全特征集。
在一种可能的实现方式中,所述特征提取模型包括多个特征提取单元,所述特征集获取单元,用于:
将所述多个第一时刻的安全参数分别输入所述多个特征提取单元,由每个特征提取单元对输入的安全参数和前一个特征提取单元传递的中间特征进行处理,输出处理得到的安全特征;
将所述多个特征提取单元输出的安全特征构成所述安全特征集。
在一种可能的实现方式中,所述特征提取模型的训练过程包括:
基于所述特征提取模型,对样本安全参数集进行特征提取,得到样本安全特征集,所述样本安全参数集包括样本接管事件发生之前的多个时刻的安全参数;
基于安全判别模型,对所述样本安全特征集进行处理,得到样本安全参数;
基于所述样本安全参数和所述样本接管事件对应的标注安全参数,更新所述特征提取模型和所述安全判别模型的模型参数;
在所述特征提取模型和所述安全判别模型构成的网络满足停止训练条件的情况下,得到训练完成的所述特征提取模型。
在一种可能的实现方式中,所述安全特征集包括每个第一时刻对应的安全特征,所述接管参数确定单元,包括:
数据获取子单元,用于获取每个第一时刻的车辆状态数据;
特征拼接子单元,用于分别拼接每个第一时刻的所述车辆状态数据和所述安全特征,得到拼接特征;
接管参数确定子单元,用于基于所述多个第一时刻分别对应的多个拼接特征,确定所述接管参数。
在一种可能的实现方式中,所述接管参数确定子单元,用于基于接管风格判别模型,对所述多个第一时刻分别对应的多个拼接特征进行处理,得到所述接管参数。
在一种可能的实现方式中,所述接管风格判别模型的训练过程包括:
获取样本接管事件发生之前的多个时刻分别对应的多个样本特征,任一时刻对应的样本特征包括所述时刻的车辆状态数据和所述时刻的样本安全特征,所述样本安全特征属于样本安全特征集,所述样本安全特征集是对所述多个时刻的安全参数构成的样本安全参数集进行特征提取得到的;
基于所述接管风格判别模型,对所述多个样本特征进行处理,得到样本接管参数;
基于所述样本接管参数和所述样本接管事件对应的标注接管参数,更新所述接管风格判别模型的模型参数;
在所述接管风格判别模型满足停止训练条件的情况下,得到训练完成的所述接管风格判别模型。
在一种可能的实现方式中,所述接管参数确定模块,用于:
获取所述自动驾驶车辆的多个历史接管事件分别对应的多个安全参数集;
基于每个历史接管事件对应的安全参数集,确定每个所述历史接管事件对应的参考接管参数;
基于所述多个历史接管事件分别对应的多个参考接管参数,确定所述接管参数。
在一种可能的实现方式中,所述接管提示条件包括安全阈值,所述接管提示条件表示在所述多个第二时刻的安全参数中存在低于所述安全阈值的安全参数的情况下,输出所述接管提示信息;或者,所述接管提示条件表示在所述多个第二时刻的安全参数中的安全参数均低于所述安全阈值的情况下,输出所述接管提示信息;
所述条件调整模块,用于:
在所述接管参数小于或等于第一接管阈值的情况下,减小所述安全阈值;
在所述接管参数大于或等于第二接管阈值的情况下,增大所述安全阈值。
在一种可能的实现方式中,所述接管提示条件包括安全阈值和数量阈值,所述接管提示条件表示在所述多个第二时刻的安全参数中低于所述安全阈值的安全参数的数量大于所述数量阈值的情况下,输出所述接管提示信息;
所述条件调整模块,用于:
在所述接管参数小于或等于第一接管阈值的情况下,减小所述安全阈值,或者,增大所述数量阈值;
在所述接管参数大于或等于第二接管阈值的情况下,增大所述安全阈值,或者,减小所述数量阈值。
根据本申请实施例的另一方面,提供了一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条程序代码,所述至少一条程序代码由所述处理器加载并执行,以实现上述任一种可能的实现方式所述的接管提示方法。
根据本申请实施例的另一方面,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中存储有至少一条程序代码,所述至少一条程序代码由处理器加载并执行,以实现上述任一种可能的实现方式所述的接管提示方法。
根据本申请实施例的另一方面,提供了一种计算机程序,该计算机程序由计算机设备的处理器执行,以实现上述任一种可能的实现方式所述的接管提示方法。
本申请实施例提供的技术方案,基于历史接管事件发生之前自动驾驶车辆行驶的安全程度,确定接管参数,表示在该安全程度的情况下该历史接管事件发生的合理程度,进而基于该历史接管事件发生的合理程度,调整接管提示条件,利用调整后的接管提示条件,客观地基于自动驾驶车辆行驶过程中的安全程度,提示安全员接管车辆,对安全员判断是否接管车辆的过程造成了客观影响,提高了车辆接管的合理性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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是本申请实施例提供的一种接管提示方法的流程图;
图2是本申请实施例提供的一种接管提示方法的流程图;
图3是本申请实施例提供的一种危险程度判别网络的示意图;
图4是本申请实施例提供的一种接管提示方法的架构示意图;
图5是本申请实施例提供的一种接管提示装置的框图;
图6是本申请实施例提供的一种计算机设备的框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
本申请的说明书和权利要求书及附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们的任意变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
本申请实施例提供的接管提示方法由自动驾驶车辆执行。自动驾驶车辆为依靠计算机技术实现无人驾驶的智能车辆。自动驾驶车辆的无人驾驶功能依靠人工智能、计算机视觉、传感器、遥感等技术实现。在一些实施例中,自动驾驶车辆为在地面上行驶的车辆,例如,自动驾驶车辆为汽车、卡车或者公交车等。在一些实施例中,自动驾驶车辆为在空中行驶的车辆,例如,自动驾驶车辆为无人机、飞机或者直升机等。在一些实施例中,自动驾驶车辆为在水上行驶的车辆,例如,自动驾驶车辆为船或者潜艇等。
自动驾驶车辆应用于客运场景或货运场景。在一些实施例中,自动驾驶车辆应用于客运场景,该自动驾驶车辆能够容纳至少一个乘客。在一些实施例中,自动驾驶车辆应用于货运场景,例如,应用于快递配送场景或外卖送餐场景,实现无人配送。
图1是本申请实施例提供的一种接管提示方法的流程图。下面结合图1,对该接管提示方法进行简要说明,参见图1,该接管提示方法由自动驾驶车辆执行,包括以下步骤:
101、获取自动驾驶车辆的安全参数集,该安全参数集包括历史接管事件发生之前的多个第一时刻的安全参数,任一时刻的安全参数用于表示自动驾驶车辆在该时刻行驶的安全程度。
其中,历史接管事件为已发生的接管事件。接管事件是指安全员接管自动驾驶车辆的事件。接管事件的发生时刻为自动驾驶车辆由自动驾驶状态切换为安全员控制状态的时刻。
需要说明的是,多个第一时刻的数量以及相邻的第一时刻之间的时间间隔可灵活配置,本申请实施例对此不做限制。例如,多个第一时刻的数量为5、10或者15等,相邻的第一时刻之间的时间间隔为0.1秒或者0.01秒等。
自动驾驶车辆在行驶过程中,行车环境复杂多变,行驶的安全程度也在不断变化,安全员应在自动驾驶车辆确实无法安全执行自动驾驶时,接管自动驾驶车辆,以既保证行车安全,降低事故发生率,又尽可能减少接管次数,保证自动驾驶车辆行驶的稳定性。因此,本申请实施例获取历史接管事件发生之前的多个第一时刻的安全参数,以基于上述安全参数,评估安全员在自动驾驶车辆处于上述安全参数所表示的安全程度的情况下,接管该自动驾驶车辆的合理程度。
102、基于安全参数集,确定接管参数,该接管参数用于表示历史接管事件发生的合理程度。
安全参数集用于表示自动驾驶车辆在历史接管事件发生之前行驶的安全程度,基于安全参数集所表示的自动驾驶车辆行驶的安全程度,确定接管参数,表示在该安全程度下发生该历史接管事件的合理程度。
103、基于接管参数,调整接管提示条件,该接管提示条件为输出接管提示信息的时刻之前的多个第二时刻的安全参数应满足的条件,该接管提示信息用于提示安全员接管自动驾驶车辆。
基于历史接管事件发生的合理程度,调整接管提示条件,以在自动驾驶车辆行驶过程中的安全参数满足调整后的接管提示条件的情况下,提示安全员接管自动驾驶车辆,使安全员在自动驾驶车辆确实无法安全执行自动驾驶时,接管自动驾驶车辆,提高安全员接管车辆的合理性。
其中,多个第二时刻为已获取到对应的安全参数,且距离当前时刻最近的多个时刻。自动驾驶车辆在多个第二时刻的安全参数满足接管提示条件的情况下,输出接管提示信息,因此,多个第二时刻也即是输出该接管提示信息的时刻之前的多个时刻。
需要说明的是,多个第二时刻的数量以及多个第二时刻中相邻两个第二时刻之间的时间间隔可灵活配置,本申请实施例对此不做限制。例如,多个第二时刻的数量为5、10或者15等,多个第二时刻中相邻两个第二时刻之间的时间间隔为0.1秒或者0.01秒等。
本申请实施例提供的技术方案,基于历史接管事件发生之前自动驾驶车辆行驶的安全程度,确定接管参数,表示在该安全程度的情况下该历史接管事件发生的合理程度,进而基于该历史接管事件发生的合理程度,调整接管提示条件,利用调整后的接管提示条件,客观地基于自动驾驶车辆行驶过程中的安全程度,提示安全员接管车辆,对安全员判断是否接管车辆的过程造成了客观影响,提高了车辆接管的合理性。
上述实施例对接管提示方法进行了简要说明,下面结合图2,对该接管提示方法进行详细说明,图2是本申请实施例提供的一种接管提示方法的流程图。
参见图2,该接管提示方法包括以下步骤:
201、自动驾驶车辆获取安全参数集,该安全参数集包括历史接管事件发生之前的多个第一时刻的安全参数,任一时刻的安全参数用于表示该自动驾驶车辆在该时刻行驶的安全程度。
其中,一个第一时刻对应一个安全参数,表示自动驾驶车辆在该第一时刻行驶的安全程度。自动驾驶车辆获取安全参数集,也即是,获取多个第一时刻中每个第一时刻的安全参数。其中,多个第一时刻为按照时间顺序依次排列的多个时刻,多个第一时刻的安全参数构成一个序列,安全参数集也可以称为安全参数序列。在一些实施例中,安全参数与安全程度正相关,安全参数越大,表示越安全。例如,安全参数为0到1之间的数值,0表示自动驾驶车辆处于相对最危险的状态,1表示自动驾驶车辆处于相对最安全的状态。
在上述实施例中,安全参数集包括历史接管事件的发生时刻之前的多个第一时刻的安全参数。在另一些实施例中,为了使接管参数更准确的表示历史接管事件发生的合理程度,还参考历史接管事件发生之后或历史接管事件发生时的安全参数,确定接管参数,也即是,安全参数集还包括历史接管事件的发生时刻之后的多个时刻的安全参数以及历史接管事件的发生时刻的安全参数中的至少一种。
在自动驾驶车辆行驶过程中,会遇到各种各样的障碍物,自动驾驶车辆应与障碍物保持距离,避免发生撞击事故,保证行驶安全。在一些实施例中,自动驾驶车辆行驶的安全程度由自动驾驶车辆与障碍物之间的安全性来表示。自动驾驶车辆获取一个第一时刻的安全参数的步骤包括:自动驾驶车辆基于该第一时刻的车辆状态数据和障碍物数据,确定该第一时刻的安全参数。其中,车辆状态数据为自动驾驶车辆在第一时刻采集到的其自身的状态数据。障碍物数据为自动驾驶车辆在第一时刻采集到的障碍物的数据。车辆状态数据和障碍物数据包括的数据类型均可灵活配置,例如,车辆状态数据包括速度、加速度、转向角和制动时间等,制动时间为预测自动驾驶车辆从当前时刻开始刹车到完全停止的时长。障碍物数据包括障碍物的速度、障碍物的加速度和障碍物的位置等。
上述技术方案,通过分析自动驾驶车辆的车辆状态数据和障碍物数据,确定自动驾驶车辆行驶的安全程度,能够适用于各种行驶场景下的安全性判别,扩展了安全性判别的应用范围。
在一些实施例中,自动驾驶车辆基于安全确定模型,对第一时刻的车辆状态数据和障碍物数据进行处理,得到该第一时刻的安全参数,也即是,将第一时刻的车辆状态数据和障碍物数据输入该安全确定模型,得到该安全确定模型输出的安全参数。
其中,上述安全确定模型为训练完成的安全确定模型,该安全确定模型的网络结构为人工神经网络。该安全确定模型的训练过程包括以下步骤(1-1)至步骤(1-3):
(1-1)基于安全确定模型,对样本车辆状态数据和样本障碍物数据进行处理,得到样本安全参数。
(1-2)基于样本安全参数和与该样本车辆状态数据和样本障碍物数据对应的标注安全参数,更新安全确定模型的模型参数。
在安全确定模型未满足停止训练条件的情况下,迭代执行上述训练步骤(1-1)至(1-2),每次执行上述训练步骤之前,从训练数据集中获取一组训练数据,基于该组训练数据执行上述训练步骤,其中,一组训练数据包括样本车辆状态数据、样本障碍物数据和标注安全参数。
在一些实施例中,上述步骤(1-2)包括:基于样本安全参数和标注安全参数,确定损失值,该损失值表示样本安全参数与标注安全参数之间的差异;基于该损失值进行反向传播,更新安全确定模型的模型参数,以减小更新后的安全确定模型输出的安全参数与标注安全参数之间的差异。
(1-3)在该安全确定模型满足停止训练条件的情况下,得到训练完成的安全确定模型。
在一些实施例中,停止训练条件为迭代次数达到上限,该上限可灵活配置,例如,该上限配置为50或者100等。在一些实施例中,停止训练条件为安全确定模型输出的安全参数与标注安全参数之间的差异小于差异阈值,该差异阈值可灵活配置,例如,差异阈值为0.01或者0.03等。
在一些实施例中,安全确定模型由服务器离线训练,服务器执行上述安全确定模型的训练过程,在得到训练完成的安全确定模型之后,将训练完成的安全确定模型发送至自动驾驶车辆。通过离线训练模型,应用训练完成的模型进行安全性判别,能够加快安全性判别的速度,提高安全性判别的效率。
202、自动驾驶车辆对安全参数集进行特征提取,得到安全特征集。
自动驾驶车辆的行驶状态会随着时间推进而逐渐变化,自动驾驶车辆在多个第一时刻的行驶状态在时间维度上存在关联,相应的,自动驾驶车辆在多个第一时刻的安全参数在时间维度上也存在关联,为了发现各个时刻的安全参数之间的关联,基于各个时刻的安全参数之间的关联,更准确的表示自动驾驶车辆在历史接管事件发生之前整体上的安全程度,自动驾驶车辆对安全参数集进行特征提取,得到安全特征集。其中,安全特征集包括多个第一时刻分别对应的多个安全特征。在一些实施例中,多个第一时刻对应的安全特征按照时间顺序依次排列,构成序列,安全特征集也可以称为安全特征序列。
在一些实施例中,自动驾驶车辆基于特征提取模型,对安全参数集进行特征提取,得到安全特征集,也即是,将安全参数集输入该特征提取模型,得到该特征提取模型输出的安全特征集。
在上述实施例中,输入特征提取模型的安全参数集包括历史接管事件发生之前的多个时刻的安全参数,特征提取模型输出的安全特征集包括历史接管事件发生之前的多个时刻对应的安全特征。在一些实施例中,输入特征提取模型的安全参数集还包括历史接管事件发生之后的多个时刻的安全参数,相应的,安全特征集还包括历史接管事件发生之后的多个时刻对应的安全特征。在一些实施例中,输入特征提取模型的安全参数集还包括历史接管事件的发生时刻的安全参数,相应的,安全特征集还包括历史接管事件的发生时刻对应的安全特征。
在一些实施例中,特征提取模型包括多个特征提取单元,多个特征提取单元依次两两相连,上述基于特征提取模型,对安全参数集进行特征提取,得到安全特征集的步骤包括:将多个第一时刻的安全参数分别输入多个特征提取单元,由每个特征提取单元对输入的安全参数和前一个特征提取单元传递的中间特征进行处理,输出处理得到的安全特征;将多个特征提取单元输出的安全特征构成安全特征集。
其中,一个特征提取单元用于对输入该特征提取单元的安全参数和该特征提取单元的前一个特征提取单元传递的中间特征进行处理,输出该特征提取单元得到的安全特征,并将该特征提取单元得到的中间特征传递至该特征提取单元的后一个特征提取单元,进而该特征提取单元的后一个特征提取单元基于与上述过程同理的过程进行特征提取。
可选地,上述特征提取模型的网络结构为循环神经网络;或者,上述特征提取模型的网络结构为LSTM(Long Short-Term Memory,长短期记忆)网络,本申请实施例对特征提取模型的网络结构的具体形式不做限制。
在上述技术方案中,各个特征提取单元的输出均与前一个特征提取单元传递的中间特征有关,每个第一时刻对应的安全特征均与之前的第一时刻的安全参数有关,各个特征提取单元输出的安全特征融合了多个第一时刻的安全参数在时间维度上的关联性,从而各个特征提取单元输出的安全特征构成的安全特征集能够更准确的表示自动驾驶车辆在历史接管事件发生之前整体上的安全程度。
其中,上述特征提取模型为训练完成的特征提取模型。下面对特征提取模型的训练过程进行介绍。由于特征提取模型的输出为安全特征集,基于安全特征集难以量化的评估特征提取模型的性能,因此,由安全判别模型对安全特征集进行处理,得到样本安全参数,基于样本安全参数这一对安全程度进行量化表示的参数,辅助训练特征提取模型。该特征提取模型的训练过程包括以下步骤(2-1)至步骤(2-3):
(2-1)基于特征提取模型,对样本安全参数集进行特征提取,得到样本安全特征集,该样本安全参数集包括样本接管事件发生之前的多个时刻的安全参数;基于安全判别模型,对样本安全特征集进行处理,得到样本安全参数。
其中,安全判别模型用于将表示自动驾驶车辆行驶的安全程度的安全特征集转换为量化的安全参数。可选地,安全判别模型的网络结构为MLP(Multi Layer Perceptron,多层感知器)。
在上述实施例中,输入特征提取模型的安全参数集包括历史接管事件发生之前的多个时刻的安全参数,在一些实施例中,输入特征提取模型的安全参数集还包括历史接管事件发生之后的多个时刻的安全参数,相应的,用于训练特征提取模型的样本安全参数集还包括样本接管事件发生之后的多个时刻的安全参数。在一些实施例中,输入特征提取模型的安全参数集还包括历史接管事件的发生时刻的安全参数,相应的,用于训练特征提取模型的样本安全参数集还包括样本接管事件的发生时刻的安全参数。
(2-2)基于样本安全参数和样本接管事件对应的标注安全参数,更新特征提取模型和安全判别模型的模型参数。
在特征提取模型和安全判别模型构成的网络未满足停止训练条件的情况下,迭代执行上述训练步骤(2-1)至步骤(2-2),每次执行上述训练步骤之前,从训练数据集中获取一组训练数据,基于该组训练数据执行上述训练步骤。其中,训练数据集包括多组训练数据,一组训练数据包括一个样本接管事件的安全参数集和标注安全参数。标注安全参数是一个已标注的准确的表示样本接管事件发生之前该自动驾驶车辆行驶的安全程度的数值。
其中,安全判别模型输出的样本安全参数与标注安全参数的差异越小,表示特征提取模型输出的安全特征集对自动驾驶车辆行驶的安全程度的表示越准确。因此,以减小样本安全参数与标注安全参数之间的差异为目标,训练特征提取模型,也即是,上述步骤(2-2)包括:基于样本安全参数和标注安全参数,确定损失值,该损失值表示样本安全参数与标注安全参数之间的差异;基于该损失值进行反向传播,更新特征提取模型和安全判别模型的模型参数,以减小更新后的特征提取模型和安全判别模型构成的网络输出的安全参数与标注安全参数之间的差异。
(2-3)在特征提取模型和安全判别模型构成的网络满足停止训练条件的情况下,得到训练完成的特征提取模型。
在一些实施例中,停止训练条件为迭代次数达到上限,该上限可灵活配置,例如,该上限配置为50或者100等。在一些实施例中,停止训练条件为安全判别模型输出的安全参数与标注安全参数之间的差异小于差异阈值,该差异阈值可灵活配置,例如,差异阈值为0.01或者0.03等。
在一些实施例中,特征提取模型由服务器离线训练,服务器执行上述特征提取模型的训练过程,在得到训练完成的特征提取模型之后,将训练完成的特征提取模型发送至自动驾驶车辆。通过离线训练模型,应用训练完成的模型进行特征提取,能够加快特征提取的速度,提高特征提取的效率。
在上述实施例中,在特征提取模型的训练过程中,辅助特征提取模型进行训练的安全判别模型的输入为特征提取模型输出的安全特征集。在一些实施例中,自动驾驶车辆的安全程度还与自动驾驶车辆的车辆状态数据有关,为了避免忽略车辆状态数据导致安全判别模型确定安全参数的准确性较低,而影响对特征提取模型的训练,安全判别模型的输入还包括车辆状态数据。
相应的,特征提取模型的训练过程包括以下步骤:基于特征提取模型,对样本安全参数集进行特征提取,得到样本安全特征集,该样本安全参数集包括样本接管事件发生之前的多个时刻的安全参数,该样本安全特征集包括上述多个时刻分别对应的多个安全特征;获取上述多个时刻中每个时刻的车辆状态数据,分别拼接每个时刻的车辆状态数据和安全特征,得到拼接特征;基于安全判别模型,对上述多个时刻分别对应的拼接特征进行处理,得到样本安全参数;基于样本安全参数和样本接管事件对应的标注安全参数,更新特征提取模型和安全判别模型的模型参数;在特征提取模型和安全判别模型构成的网络满足停止训练条件的情况下,得到训练完成的特征提取模型。
在上述实施例中,是以安全判别模型辅助特征提取模型进行训练为例进行说明的。安全与危险是相对的,安全程度从另一角度来说也即是不危险的程度。因此,在另一些实施例中,也可以利用危险判别模型辅助特征提取模型进行训练。危险判别模型用于将表示自动驾驶车辆行驶的安全程度的安全特征集转化为量化的危险参数,危险参数与安全程度负相关,危险参数越小,表示越安全。例如,危险参数为0到1之间的数值,0表示自动驾驶车辆处于相对最安全的状态,1表示自动驾驶车辆处于相对最危险的状态。
利用危险判别模型辅助训练特征提取模型的过程与利用安全判别模型辅助训练特征提取模型的过程同理,利用危险判别模型辅助训练特征提取模型的过程包括:基于特征提取模型,对样本安全参数集进行特征提取,得到样本安全特征集;基于危险判别模型,对样本安全特征集进行处理,得到样本危险参数;基于样本危险参数和样本接管事件对应的标注危险参数,更新特征提取模型和危险判别模型的模型参数;在特征提取模型和危险判别模型构成的网络满足停止训练条件的情况下,得到训练完成的特征提取模型。
在一个示例中,参见图3,上述特征提取模型为LSTM结构的模型,上述危险判别模型为MLP结构的模型,特征提取模型和危险判别模型构成危险程度判别网络,上述基于特征提取模型和危险判别模型构成的网络确定样本危险参数的过程,也即是,将安全参数集输入LSTM结构的特征提取模型,进而将特征提取模型的输出输入MLP结构的危险判别模型,得到危险参数。
203、自动驾驶车辆基于安全特征集,确定接管参数,该接管参数用于表示历史接管事件发生的合理程度。
其中,接管参数也用于表示触发历史接管事件的安全员的接管风格。接管风格可划分为保守、合理和激进三类,接管风格保守也即是在自动驾驶车辆危险程度较低的情况下,就接管车辆,导致接管时机过早,车辆接管率较高。接管风格激进也即是在自动驾驶车辆危险程度较高的情况下,才接管车辆,导致接管时机过晚,难以保证车辆行驶的安全性。接管风格合理也即是在合理的时机接管车辆,不会导致接管时机过早或过晚,既能降低车辆接管率,又能保证车辆行驶的安全性。
在一些实施例中,接管参数与接管风格的激进程度正相关,也即是,与历史接管事件发生时自动驾驶车辆的安全程度负相关。在一些实施例中,接管参数为0到1之间的数值,接管参数越接近1,表示接管风格越激进。采用第一接管阈值和第二接管阈值将0到1之间的数值划分为3个区间,3个区间分别代表保守、合理和激进3种接管风格。其中,第一接管阈值为将接管时机划分为过早或合理的界限,第二接管阈值为将接管时机划分为合理或过晚的界限。若接管参数小于或等于第一接管阈值,则表示接管风格保守;若接管参数大于第一接管阈值,且小于第二接管阈值,则表示接管风格合理;若接管参数大于或等于第二接管阈值,则表示接管风格激进。第一接管阈值小于第二接管阈值,第一接管阈值和第二接管阈值可灵活配置,例如,第一接管阈值为0.3,第二接管阈值为0.7。
在一种可能的实现方式中,车辆状态数据与自动驾驶车辆行驶的安全程度有关,也会影响确定接管参数的准确性,自动驾驶车辆基于自动驾驶车辆的车辆状态数据和该安全特征集,确定接管参数,其中,安全特征集包括每个第一时刻对应的安全特征,上述基于安全特征集,确定接管参数的步骤包括:获取每个第一时刻的车辆状态数据;分别拼接每个第一时刻的车辆状态数据和安全特征,得到拼接特征;基于多个第一时刻分别对应的多个拼接特征,确定接管参数。其中,一个第一时刻的车辆状态数据与该第一时刻对应的安全特征拼接,得到该第一时刻对应的拼接特征。
上述技术方案,结合车辆状态数据和安全特征集共同表征的自动驾驶车辆行驶的安全情况,确定接管参数,来表示在该安全情况下接管自动驾驶车辆的合理程度,更全面的整合了车辆状态,来确定接管参数,提高了确定接管参数的准确性。
在一些实施例中,自动驾驶车辆基于接管风格判别模型,对多个第一时刻分别对应的多个拼接特征进行处理,得到接管参数,也即是,将多个拼接特征输入接管风格判别模型,得到该接管风格判别模型输出的接管参数。
上述接管风格判别模型为训练完成的接管风格判别模型。该接管风格判别模型的训练过程包括以下步骤(3-1)至步骤(3-4):
(3-1)获取样本接管事件发生之前的多个时刻分别对应的多个样本特征,任一时刻对应的样本特征包括该时刻的车辆状态数据和该时刻的样本安全特征,样本安全特征属于样本安全特征集,样本安全特征集是对上述多个时刻的安全参数构成的样本安全参数集进行特征提取得到的。
在一些实施例中,在得到训练完成的特征提取模型后,由训练完成的特征提取模型辅助接管风格判别模型进行训练,在对接管风格判别模型进行训练的过程中,特征提取模型的模型参数是固定不变的。上述样本安全特征集也即是基于训练完成的特征提取模型,对样本安全参数集进行特征提取得到的。
在上述实施例中,输入接管风格判别模型的安全特征集包括历史接管事件发生之前的多个时刻对应的安全特征,在一些实施例中,输入接管风格判别模型的安全特征集还包括历史接管事件发生之后的多个时刻对应的安全特征,相应的,用于训练接管风格判别模型的样本安全特征集还包括样本接管事件发生之后的多个时刻对应的安全特征。在一些实施例中,输入接管风格判别模型的安全参数集还包括历史接管事件的发生时刻对应的安全特征,相应的,用于训练接管风格判别模型的样本安全特征集还包括样本接管事件的发生时刻对应的安全特征。
(3-2)基于接管风格判别模型,对多个样本特征进行处理,得到样本接管参数。
可选地,接管风格判别模型的网络结构为MLP。
(3-3)基于样本接管参数和样本接管事件对应的标注接管参数,更新接管风格判别模型的模型参数。
在接管风格判别模型未满足停止训练条件的情况下,迭代执行上述训练步骤(3-1)至步骤(3-3),每次执行上述训练步骤之前,从训练数据集中获取一组训练数据,基于该组训练数据执行上述训练步骤。其中,训练数据集包括多组训练数据,一组训练数据包括一个样本接管事件的样本安全参数集和标注接管参数。
在一些实施例中,上述步骤(3-3)包括:基于样本接管参数和标注接管参数,确定损失值,该损失值表示样本接管参数与标注接管参数之间的差异;基于该损失值进行反向传播,更新接管风格判别模型的模型参数,以减小更新后的接管风格判别模型输出的接管参数与标注接管参数之间的差异。
在一些实施例中,为提高接管参数标注的可靠性,标注接管参数为多个参考接管参数的平均值,每个参考接管参数是不同的标注专家基于样本接管事件的车辆状态数据和安全参数集进行标注的。
(3-4)在接管风格判别模型满足停止训练条件的情况下,得到训练完成的接管风格判别模型。
在一些实施例中,停止训练条件为迭代次数达到上限,该上限可灵活配置,例如,该上限配置为50或者100等。在一些实施例中,停止训练条件为接管风格判别模型输出的接管参数与标注接管参数之间的差异小于差异阈值,该差异阈值可灵活配置,例如,差异阈值为0.01或者0.03等。
在一些实施例中,接管风格判别模型由服务器离线训练,服务器执行上述接管风格判别模型的训练过程,在得到训练完成的接管风格判别模型之后,将训练完成的接管风格判别模型发送至自动驾驶车辆。通过离线训练模型,应用训练完成的模型确定接管参数,能够加快确定接管参数的速度,提高确定接管参数的效率。
在上述实施例中,先有针对性地训练特征提取模型,使特征提取模型在特征提取方面的性能更好,进而在特征提取模型性能更好的基础上,训练接管风格判别模型,有效提升了接管风格判别模型与特征提取模型配合在确定接管参数方面的性能,提高了确定接管参数的准确性。
在一些实施例中,服务器也可以同时训练特征提取模型和接管风格判别模型。特征提取模型和接管风格判别模型的训练过程包括:基于特征提取模型,对样本安全参数集进行特征提取,得到样本安全特征集,该样本安全参数集包括样本接管事件发生之前的多个时刻的安全参数,该样本安全特征集包括上述多个时刻中每个时刻对应的样本安全特征;获取每个时刻的车辆状态数据;分别拼接每个时刻的车辆状态数据和样本安全特征,得到样本拼接特征;基于接管风格判别模型,对上述多个时刻分别对应的多个样本拼接特征进行处理,得到样本接管参数;基于样本接管参数和样本接管事件对应的标注接管参数,更新特征提取模型和接管风格判别模型的模型参数;在特征提取模型和接管风格判别模型构成的网络满足停止训练条件的情况下,得到训练完成的特征提取模型和接管风格判别模型。
在另一种可能的实现方式中,自动驾驶车辆基于安全特征集,确定接管参数。在一些实施例中,自动驾驶车辆基于接管风格判别模型,对该安全特征集进行处理,得到接管参数,也即是,将该安全特征集输入到接管风格判别模型中,得到该接管风格判别模型输出的接管参数。
上述接管风格判别模型为训练完成的接管风格判别模型,该接管风格判别模型的训练过程包括:获取样本安全特征集,该样本安全特征集是对样本接管事件发生之前的多个时刻的样本安全参数进行特征提取得到的;基于接管风格判别模型,对样本安全特征集进行处理,得到样本接管参数;基于样本接管参数和该样本接管事件对应的标注接管参数,更新接管风格判别模型的参数;在接管风格判别模型满足训练停止条件的情况下,得到训练完成的接管风格判别模型。
在上述步骤201至步骤203中,自动驾驶车辆基于一个历史接管事件发生之前的多个第一时刻的安全参数,确定对应的接管参数。为了提高接管参数的时效性,使接管参数能够更准确的表示安全员最近的接管风格,上述历史接管事件为发生时刻距离当前时刻最近的历史接管事件。
在一些实施例中,为了提高接管参数表示安全员接管风格的准确性,基于更准确的接管参数,调整接管提示条件,自动驾驶车辆基于多个历史接管事件发生之前的多个第一时刻的安全参数,确定对应的接管参数。相应的,上述步骤201至步骤203可替换为以下步骤:获取自动驾驶车辆的多个历史接管事件分别对应的多个安全参数集;基于每个历史接管事件对应的安全参数集,确定每个历史接管事件对应的参考接管参数,一个参考接管参数用于表示对应的历史接管事件发生的合理程度;基于多个历史接管事件分别对应的多个参考接管参数,确定接管参数。其中,获取自动驾驶车辆的每个历史接管事件对应的安全参数集的过程与上述步骤201同理。基于每个历史接管事件对应的安全参数集,确定每个历史接管事件对应的参考接管参数的过程与上述步骤202至步骤203同理。在一些实施例中,上述基于多个历史接管事件分别对应的多个参考接管参数,确定接管参数的步骤包括:将多个参考接管参数的均值,确定为接管参数。可选地,上述多个历史接管事件的发生时刻与当前时刻的差值均小于其它历史接管事件的发生时刻与当前时刻的差值。
204、自动驾驶车辆基于接管参数,调整接管提示条件,该接管提示条件为输出接管提示信息的时刻之前的多个第二时刻的安全参数应满足的条件,接管提示信息用于提示安全员接管自动驾驶车辆。
在接管参数表示安全员接管风格保守的情况下,应适当放宽接管提示条件,延后接管提示的时机,向着接管风格合理的方向引导安全员接管车辆,促使安全员的接管风格趋于正常。
在接管参数表示安全员接管风格激进的情况下,应适当缩紧接管提示条件,提前接管提示的时机,向着接管风格合理的方向引导安全员接管车辆,促使安全员的接管风格趋于正常。
在接管参数表示安全员接管风格合理的情况下,不调整接管提示条件,以使安全员继续保持正常的接管风格。
在一种可能的实现方式中,接管提示条件包括安全阈值和数量阈值,接管提示条件表示在多个第二时刻的安全参数中低于安全阈值的安全参数的数量大于数量阈值的情况下,输出接管提示信息。其中,安全阈值和数量阈值可灵活配置,例如,安全阈值配置为0.5或者0.4,数量阈值配置为5或者6等。
在一些实施例中,接管参数小于或等于第一接管阈值表示安全员接管风格保守,相应的,在接管参数小于或等于第一接管阈值的情况下,应适当放宽接管提示条件,延后接管提示的时机。
其中,安全阈值越小,安全参数低于安全阈值表示越危险,接管提示的时机会越晚,因此,在一些实施例中,在接管参数小于或等于第一接管阈值的情况下,减小安全阈值。另外,数量阈值越大,低于安全阈值的安全参数的数量大于数量阈值表示越危险,接管提示的时机会越晚,因此,在一些实施例中,在接管参数小于或等于第一接管阈值的情况下,增大数量阈值。在一些实施例中,在接管参数小于或等于第一接管阈值的情况下,也可以在减小安全阈值的同时,增大数量阈值。
在一些实施例中,接管参数大于或等于第二接管阈值表示安全员接管风格激进,相应的,在接管参数大于或等于第二接管阈值的情况下,应适当缩紧接管提示条件,提前接管提示的时机。
其中,安全阈值越大,安全参数低于安全阈值表示越安全,接管提示的时机会越早,因此,在一些实施例中,在接管参数大于或等于第二接管阈值的情况下,增大安全阈值。另外,数量阈值越小,低于安全阈值的安全参数的数量大于数量阈值表示越安全,接管提示的时机会越早,因此,在一些实施例中,在接管参数大于或等于第二接管阈值的情况下,减小数量阈值。在一些实施例中,在接管参数大于或等于第二接管阈值的情况下,也可以在增大安全阈值的同时,减小数量阈值。
在另一种可能的实现方式中,接管提示条件包括安全阈值,接管提示条件表示在多个第二时刻的安全参数中存在低于安全阈值的安全参数的情况下,输出接管提示信息;或者,接管提示条件表示在多个第二时刻的安全参数中的安全参数均低于安全阈值的情况下,输出接管提示信息。上述基于接管参数,调整接管提示条件的过程包括:在接管参数小于或等于第一接管阈值的情况下,减小安全阈值;在接管参数大于或等于第二接管阈值的情况下,增大安全阈值。
在一些实施例中,自动驾驶车辆基于多个历史接管事件分别对应的多个安全参数集,确定了多个参考接管参数,其中,第一参考接管参数为小于或等于第一接管阈值的参考接管参数,第二参考接管参数为大于或等于第二接管阈值的参考接管参数,若多个参考接管参数中第一参考接管参数的数量大于第二参考接管参数的数量,则表示接管风格保守,通过执行与在接管参数小于或等于第一接管阈值的情况下调整接管提示条件同理的步骤,调整接管提示条件;若多个参考接管参数中第一参考接管参数的数量小于第二参考接管参数的数量,则表示接管风格激进,通过执行与在接管参数大于或等于第二接管阈值的情况下调整接管提示条件同理的步骤,调整接管提示条件;若多个参考接管参数中第一参考接管参数的数量等于第二参考接管参数的数量,则表示接管风格整体来说合理,不调整接管提示条件。
在一些实施例中,自动驾驶车辆基于每个参考接管参数,确定对应的历史接管事件的接管风格参数,接管风格参数为1表示接管风格激进,接管风格参数为0表示接管风格合理,接管风格参数为-1表示接管风格保守。自动驾驶车辆确定多个历史接管事件的接管风格参数的和值,将该和值确定为触发该多个历史接管事件的安全员的目标接管风格参数,若目标接管风格参数小于0,则表示接管风格保守,通过执行与在接管参数小于或等于第一接管阈值的情况下调整接管提示条件同理的步骤,调整接管提示条件;若目标接管风格参数大于0,则表示接管风格激进,通过执行与在接管风格参数大于或等于第二接管阈值的情况下调整接管提示条件同理的步骤,调整接管提示条件。
上述自动驾驶车辆基于多个历史接管事件的参考接管参数,确定目标接管风格参数,也即是,通过以下公式,确定目标接管风格参数:
其中,Style表示目标接管风格参数;n表示多个历史接管事件的总数量,n为正整数;i表示n个历史接管事件中的第i个历史接管事件,i为小于或等于n的正整数;表示接管风格参数;Intervention(干预)表示接管参数;a1表示第二接管阈值;a2表示第一接管阈值。
需要说明的一点是,调整后的接管提示条件也应保证能够及时进行接管提示,避免提示时机过晚,导致自动驾驶车辆发生事故。因此,在一些实施例中,在接管提示条件包括安全阈值的情况下,还为安全阈值设置一个最小的安全调整边界,调小后的安全阈值应大于该安全调整边界。安全调整边界可灵活配置,例如,安全调整边界配置为0.3或0.25等。在一些实施例中,在接管提示条件包括数量阈值的情况下,还为数量阈值设置一个最大的数量调整边界,调大后的数量阈值应小于该安全调整边界。数量调整边界可灵活配置,例如,数量调整边界配置为8或者9等。
需要说明的另一点是,随着时间的推移,会发生新的接管事件,该接管事件在发生后成为历史接管事件,在一些实施例中,每发生一次接管事件,自动驾驶车辆均基于该接管事件,执行上述步骤201至步骤204,调整接管提示条件,以使接管提示条件的调整具有时效性。在一些实施例中,自动驾驶车辆基于m个历史接管事件,调整接管提示条件,相应的,每发生一次接管事件,自动驾驶车辆基于该接管事件和在该接管事件发生之前发生的m-1个历史接管事件,调整接管提示条件;或者,每发生m次接管事件,自动驾驶车辆基于该m次接管事件,调整接管提示条件,其中,m为大于1的正整数。
需要说明的另一点是,在上述实施例中,该自动驾驶车辆配置有一个固定的安全员,上述多个历史接管事件都是该安全员触发的,接管参数用于表示该安全员触发历史接管事件的合理程度。在一些实施例中,一个自动驾驶车辆配置有多个安全员,一个安全员对应一个安全员标识,自动驾驶车辆基于不同的安全员标识,确定对应的接管参数,表示不同的安全员的接管风格,基于不同的安全员标识对应的接管参数,为对应的安全员调整接管提示条件。也即是,上述步骤201至步骤204可替换为以下步骤:获取当前登录的安全员标识对应的安全参数集,该安全参数集包括该安全员标识对应的历史接管事件发生之前的多个第一时刻的安全参数,该历史接管事件为登录该安全员标识时发生的接管事件;基于该安全参数集,确定该安全员标识对应的接管参数;基于该接管参数,调整接管提示条件。
205、自动驾驶车辆在多个第二时刻的安全参数满足调整后的接管提示条件的情况下,输出接管提示信息。
在一些实施例中,安全员在自动驾驶车辆的驾驶位上,自动驾驶车辆在多个第二时刻的安全参数满足调整后的接管提示条件的情况下,通过车载音箱,输出接管提示信息;或者,在自动驾驶车辆的显示屏上,显示接管提示信息。本申请实施例对自动驾驶车辆输出接管提示信息的具体形式不做限制。
在一些实施例中,安全员通过控制终端远程操控自动驾驶车辆,自动驾驶车辆在多个第二时刻的安全参数满足调整后的接管提示条件的情况下,向控制终端发送接管提示信息;控制终端接收该接管提示信息,显示该接管提示信息,或者,基于该接管提示信息,通过提示音提示或者振动提示的方式进行接管提示。
上述实施例是以自动驾驶车辆执行接管提示方法为例进行说明的,在一些实施例中,接管提示方法由服务器执行,该服务器为自动驾驶车辆提供计算服务。在一些实施例中,服务器执行上述步骤201至步骤204,调整接管提示条件,将调整后的接管提示条件发送至自动驾驶车辆,进而自动驾驶车辆执行上述步骤205,基于调整后的接管提示条件输出接管提示信息。
为了使接管提示的过程更加清晰,下面结合图4进行说明,参见图4,服务器通过与上述步骤201同理的过程,获取安全参数集;通过与上述步骤202同理的过程,将安全参数集输入LSTM网络,得到LSTM网络输出的安全特征集;通过与上述步骤203同理的过程,获取自动驾驶车辆采集的车辆状态数据,将该车辆状态数据和该安全特征集输入MLP网络,得到MLP网络输出的接管参数;通过与上述步骤204同理的过程,基于该接管参数,确定是否调整接管提示条件;若需要调整接管提示条件,则调整接管提示条件,将调整后的接管提示条件发送至自动驾驶车辆;若不需要调整接管提示条件,则保持接管提示条件。也即是,若接管参数满足大于第一接管阈值且小于第二接管阈值的条件,则确定不需要调整接管提示条件,保持接管提示条件;若接管参数不满足大于第一接管阈值且小于第二接管阈值的条件,则确定需要调整接管提示条件。接管提示条件的调整过程包括:若接管参数小于或等于第一接管阈值,则减小安全阈值或增大数量阈值;若接管参数大于或等于第二接管阈值,则增大安全阈值或减小数量阈值。
在一些实施例中,服务器执行上述步骤201至步骤205,在多个第二时刻的安全参数满足调整后的接管提示条件的情况下,向自动驾驶车辆或安全员对应的控制终端发送接管提示信息,以使自动驾驶车辆或控制终端输出该接管提示信息,提示安全员接管自动驾驶车辆。
在一些实施例中,一个安全员管理多个自动驾驶车辆,服务器可以基于一个安全员对多个自动驾驶车辆执行的历史接管事件,确定该安全员的接管风格,基于该安全员的接管风格,调整接管提示条件。也即是,服务器获取任一安全员标识对应的多个安全参数集,一个安全参数集包括该安全员标识对应的一个历史接管事件发生之前的多个第一时刻的安全参数,一个历史接管事件为任一自动驾驶车辆登录该安全员标识时发生的接管事件,多个历史接管事件可发生在不同的自动驾驶车辆上;分别基于多个安全参数集,确定该安全员标识对应的多个参考接管参数;将多个参考接管参数的均值,确定为该安全员标识对应的接管参数;基于该接管参数,调整该安全员标识对应的接管提示条件。
本申请实施例提供的技术方案,离线训练接管风格判别网络,在线对接管事件发生的合理程度进行分析,判断安全员的接管风格,加快了处理速度,提高了处理效率,进而在安全员接管风格保守的情况下,适当放宽接管提示条件,延后接管提示的时机,促使安全员的接管风格趋于正常,能够在保证自动驾驶车辆安全行驶的基础上,减少接管次数,降低接管率,提高MPI(Miles Per Intervention,平均每次接管的行驶里程间隔)值,使自动驾驶车辆行驶更平稳,若自动驾驶车辆承载乘客,能够提高乘客的乘车舒适度。在安全员接管风格激进的情况下,适当缩紧接管提示条件,提前接管提示的时机,促使安全员的接管风格趋于正常,能够在MPI值较高的基础上,提高自动驾驶车辆行驶的安全性。
上述所有可选技术方案,可以采用任意结合形成本申请的可选实施例,在此不再一一赘述。
图5是本申请实施例提供的一种接管提示装置的框图。参见图5,该装置包括:
安全参数获取模块501,用于获取自动驾驶车辆的安全参数集,该安全参数集包括历史接管事件发生之前的多个第一时刻的安全参数,任一时刻的安全参数用于表示该自动驾驶车辆在该时刻行驶的安全程度;
接管参数确定模块502,用于基于该安全参数集,确定接管参数,该接管参数用于表示该历史接管事件发生的合理程度;
条件调整模块503,用于基于该接管参数,调整接管提示条件,该接管提示条件为输出接管提示信息的时刻之前的多个第二时刻的安全参数应满足的条件,该接管提示信息用于提示安全员接管该自动驾驶车辆。
本申请实施例提供的装置,基于历史接管事件发生之前自动驾驶车辆行驶的安全程度,确定接管参数,表示在该安全程度的情况下该历史接管事件发生的合理程度,进而基于该历史接管事件发生的合理程度,调整接管提示条件,利用调整后的接管提示条件,客观地基于自动驾驶车辆行驶过程中的安全程度,提示安全员接管车辆,对安全员判断是否接管车辆的过程造成了客观影响,提高了车辆接管的合理性。
在一种可能的实现方式中,该接管参数确定模块502,包括:特征集获取单元,用于对该安全参数集进行特征提取,得到安全特征集;接管参数确定单元,用于基于该安全特征集,确定该接管参数。
在一种可能的实现方式中,该特征集获取单元,用于基于特征提取模型,对该安全参数集进行特征提取,得到该安全特征集。
在一种可能的实现方式中,该特征提取模型包括多个特征提取单元,该特征集获取单元,用于:将该多个第一时刻的安全参数分别输入该多个特征提取单元,由每个特征提取单元对输入的安全参数和前一个特征提取单元传递的中间特征进行处理,输出处理得到的安全特征;将该多个特征提取单元输出的安全特征构成该安全特征集。
在一种可能的实现方式中,该特征提取模型的训练过程包括:
基于该特征提取模型,对样本安全参数集进行特征提取,得到样本安全特征集,该样本安全参数集包括样本接管事件发生之前的多个时刻的安全参数;
基于安全判别模型,对该样本安全特征集进行处理,得到样本安全参数;
基于该样本安全参数和该样本接管事件对应的标注安全参数,更新该特征提取模型和该安全判别模型的模型参数;
在该特征提取模型和该安全判别模型构成的网络满足停止训练条件的情况下,得到训练完成的该特征提取模型。
在一种可能的实现方式中,该安全特征集包括每个第一时刻对应的安全特征,该接管参数确定单元,包括:
数据获取子单元,用于获取每个第一时刻的车辆状态数据;
特征拼接子单元,用于分别拼接每个第一时刻的该车辆状态数据和该安全特征,得到拼接特征;
接管参数确定子单元,用于基于该多个第一时刻分别对应的多个拼接特征,确定该接管参数。
在一种可能的实现方式中,该接管参数确定子单元,用于基于接管风格判别模型,对该多个第一时刻分别对应的多个拼接特征进行处理,得到该接管参数。
在一种可能的实现方式中,该接管风格判别模型的训练过程包括:
获取样本接管事件发生之前的多个时刻分别对应的多个样本特征,任一时刻对应的样本特征包括该时刻的车辆状态数据和该时刻的样本安全特征,该样本安全特征属于样本安全特征集,该样本安全特征集是对该多个时刻的安全参数构成的样本安全参数集进行特征提取得到的;
基于该接管风格判别模型,对该多个样本特征进行处理,得到样本接管参数;
基于该样本接管参数和该样本接管事件对应的标注接管参数,更新该接管风格判别模型的模型参数;
在该接管风格判别模型满足停止训练条件的情况下,得到训练完成的该接管风格判别模型。
在一种可能的实现方式中,该接管参数确定模块502,用于:获取该自动驾驶车辆的多个历史接管事件分别对应的多个安全参数集;基于每个历史接管事件对应的安全参数集,确定每个该历史接管事件对应的参考接管参数;基于该多个历史接管事件分别对应的多个参考接管参数,确定该接管参数。
在一种可能的实现方式中,该接管提示条件包括安全阈值,该接管提示条件表示在该多个第二时刻的安全参数中存在低于该安全阈值的安全参数的情况下,输出该接管提示信息;或者,该接管提示条件表示在该多个第二时刻的安全参数中的安全参数均低于该安全阈值的情况下,输出该接管提示信息;
该条件调整模块503,用于:在该接管参数小于或等于第一接管阈值的情况下,减小该安全阈值;在该接管参数大于或等于第二接管阈值的情况下,增大该安全阈值。
在一种可能的实现方式中,该接管提示条件包括安全阈值和数量阈值,该接管提示条件表示在该多个第二时刻的安全参数中低于该安全阈值的安全参数的数量大于该数量阈值的情况下,输出该接管提示信息;
该条件调整模块503,用于:在该接管参数小于或等于第一接管阈值的情况下,减小该安全阈值,或者,增大该数量阈值;在该接管参数大于或等于第二接管阈值的情况下,增大该安全阈值,或者,减小该数量阈值。
需要说明的是:上述实施例提供的接管提示装置在进行接管提示时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将接管提示装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的接管提示装置与接管提示方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图6是本申请实施例提供的一种计算机设备的框图,该计算机设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(Central ProcessingUnits,CPU)601和一个或一个以上的存储器602,其中,存储器602中存储有至少一条程序代码,至少一条程序代码由处理器601加载并执行以实现上述各个方法实施例提供的接管提示方法。当然,该计算机设备还可以具有有线或无线网络接口以及输入输出接口等部件,以便进行输入输出,该计算机设备还可以包括其他用于实现设备功能的部件,在此不做赘述。
在一些实施例中,计算机设备被配置为自动驾驶车辆,上述接管提示方法由自动驾驶车辆执行。在一些实施例中,计算机设备被配置为自动驾驶车辆对应的服务器,该服务器为自动驾驶车辆提供后台服务,上述接管提示方法由该服务器执行。
在示例性实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有至少一条程序代码,上述至少一条程序代码可由计算机设备的处理器执行以完成上述实施例中的接管提示方法。例如,计算机可读存储介质可以是ROM(Read-Only Memory,只读存储器)、RAM(Random Access Memory,随机存取存储器)、CD-ROM(Compact DiscRead-Only Memory,只读光盘)、磁带、软盘和光数据存储设备等。
本申请还提供了一种计算机程序,该计算机程序由计算机设备的处理器执行,以实现上述各个方法实施例中的接管提示方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的可选实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (12)
1.一种接管提示方法,其特征在于,所述方法包括:
获取自动驾驶车辆的安全参数集,所述安全参数集包括历史接管事件发生之前的多个第一时刻的安全参数,任一时刻的安全参数用于表示所述自动驾驶车辆在所述时刻行驶的安全程度,所述安全参数与所述安全程度正相关;
基于所述安全参数集,确定接管参数,所述接管参数用于表示所述历史接管事件发生的合理程度,所述接管参数与接管风格的激进程度正相关;
基于所述接管参数,调整接管提示条件,所述接管提示条件为输出接管提示信息的时刻之前的多个第二时刻的安全参数应满足的条件,所述接管提示信息用于提示安全员接管所述自动驾驶车辆;
其中,所述接管提示条件包括安全阈值,所述接管提示条件表示在所述多个第二时刻的安全参数中存在低于所述安全阈值的安全参数的情况下,输出所述接管提示信息;或者,所述接管提示条件表示在所述多个第二时刻的安全参数中的安全参数均低于所述安全阈值的情况下,输出所述接管提示信息;
所述基于所述接管参数,调整接管提示条件,包括:
在所述接管参数小于或等于第一接管阈值的情况下,减小所述安全阈值;
在所述接管参数大于或等于第二接管阈值的情况下,增大所述安全阈值;
或者,
所述接管提示条件包括安全阈值和数量阈值,所述接管提示条件表示在所述多个第二时刻的安全参数中低于所述安全阈值的安全参数的数量大于所述数量阈值的情况下,输出所述接管提示信息;
所述基于所述接管参数,调整接管提示条件,包括:
在所述接管参数小于或等于所述第一接管阈值的情况下,减小所述安全阈值,或者,增大所述数量阈值;
在所述接管参数大于或等于所述第二接管阈值的情况下,增大所述安全阈值,或者,减小所述数量阈值。
2.根据权利要求1所述的方法,其特征在于,所述基于所述安全参数集,确定接管参数,包括:
对所述安全参数集进行特征提取,得到安全特征集;
基于所述安全特征集,确定所述接管参数。
3.根据权利要求2所述的方法,其特征在于,所述对所述安全参数集进行特征提取,得到安全特征集,包括:
基于特征提取模型,对所述安全参数集进行特征提取,得到所述安全特征集。
4.根据权利要求3所述的方法,其特征在于,所述特征提取模型包括多个特征提取单元,所述基于特征提取模型,对所述安全参数集进行特征提取,得到所述安全特征集,包括:
将所述多个第一时刻的安全参数分别输入所述多个特征提取单元,由每个特征提取单元对输入的安全参数和前一个特征提取单元传递的中间特征进行处理,输出处理得到的安全特征;
将所述多个特征提取单元输出的安全特征构成所述安全特征集。
5.根据权利要求3所述的方法,其特征在于,所述特征提取模型的训练过程包括:
基于所述特征提取模型,对样本安全参数集进行特征提取,得到样本安全特征集,所述样本安全参数集包括样本接管事件发生之前的多个时刻的安全参数;
基于安全判别模型,对所述样本安全特征集进行处理,得到样本安全参数;
基于所述样本安全参数和所述样本接管事件对应的标注安全参数,更新所述特征提取模型和所述安全判别模型的模型参数;
在所述特征提取模型和所述安全判别模型构成的网络满足停止训练条件的情况下,得到训练完成的所述特征提取模型。
6.根据权利要求2所述的方法,其特征在于,所述安全特征集包括每个第一时刻对应的安全特征,所述基于所述安全特征集,确定所述接管参数,包括:
获取每个第一时刻的车辆状态数据;
分别拼接每个第一时刻的所述车辆状态数据和所述安全特征,得到拼接特征;
基于所述多个第一时刻分别对应的多个拼接特征,确定所述接管参数。
7.根据权利要求6所述的方法,其特征在于,所述基于所述多个第一时刻分别对应的多个拼接特征,确定所述接管参数,包括:
基于接管风格判别模型,对所述多个第一时刻分别对应的多个拼接特征进行处理,得到所述接管参数。
8.根据权利要求7所述的方法,其特征在于,所述接管风格判别模型的训练过程包括:
获取样本接管事件发生之前的多个时刻分别对应的多个样本特征,任一时刻对应的样本特征包括所述时刻的车辆状态数据和所述时刻的样本安全特征,所述样本安全特征属于样本安全特征集,所述样本安全特征集是对所述多个时刻的安全参数构成的样本安全参数集进行特征提取得到的;
基于所述接管风格判别模型,对所述多个样本特征进行处理,得到样本接管参数;
基于所述样本接管参数和所述样本接管事件对应的标注接管参数,更新所述接管风格判别模型的模型参数;
在所述接管风格判别模型满足停止训练条件的情况下,得到训练完成的所述接管风格判别模型。
9.根据权利要求1所述的方法,其特征在于,所述基于所述安全参数集,确定接管参数,包括:
获取所述自动驾驶车辆的多个历史接管事件分别对应的多个安全参数集;
基于每个历史接管事件对应的安全参数集,确定每个所述历史接管事件对应的参考接管参数;
基于所述多个历史接管事件分别对应的多个参考接管参数,确定所述接管参数。
10.一种接管提示装置,其特征在于,所述装置包括:
安全参数获取模块,用于获取自动驾驶车辆的安全参数集,所述安全参数集包括历史接管事件发生之前的多个第一时刻的安全参数,任一时刻的安全参数用于表示所述自动驾驶车辆在所述时刻行驶的安全程度,所述安全参数与所述安全程度正相关;
接管参数确定模块,用于基于所述安全参数集,确定接管参数,所述接管参数用于表示所述历史接管事件发生的合理程度,所述接管参数与接管风格的激进程度正相关;
条件调整模块,用于基于所述接管参数,调整接管提示条件,所述接管提示条件为输出接管提示信息的时刻之前的多个第二时刻的安全参数应满足的条件,所述接管提示信息用于提示安全员接管所述自动驾驶车辆;
其中,所述接管提示条件包括安全阈值,所述接管提示条件表示在所述多个第二时刻的安全参数中存在低于所述安全阈值的安全参数的情况下,输出所述接管提示信息;或者,所述接管提示条件表示在所述多个第二时刻的安全参数中的安全参数均低于所述安全阈值的情况下,输出所述接管提示信息;所述条件调整模块,用于:在所述接管参数小于或等于第一接管阈值的情况下,减小所述安全阈值;在所述接管参数大于或等于第二接管阈值的情况下,增大所述安全阈值;
或者,所述接管提示条件包括安全阈值和数量阈值,所述接管提示条件表示在所述多个第二时刻的安全参数中低于所述安全阈值的安全参数的数量大于所述数量阈值的情况下,输出所述接管提示信息;所述条件调整模块,用于:在所述接管参数小于或等于所述第一接管阈值的情况下,减小所述安全阈值,或者,增大所述数量阈值;在所述接管参数大于或等于所述第二接管阈值的情况下,增大所述安全阈值,或者,减小所述数量阈值。
11.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条程序代码,所述至少一条程序代码由所述处理器加载并执行,以实现如权利要求1-9任一项所述的接管提示方法。
12.一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中存储有至少一条程序代码,所述至少一条程序代码由处理器加载并执行,以实现如权利要求1-9任一项所述的接管提示方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110975238.6A CN113665586B (zh) | 2021-08-24 | 2021-08-24 | 接管提示方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110975238.6A CN113665586B (zh) | 2021-08-24 | 2021-08-24 | 接管提示方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113665586A CN113665586A (zh) | 2021-11-19 |
CN113665586B true CN113665586B (zh) | 2022-06-03 |
Family
ID=78545648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110975238.6A Active CN113665586B (zh) | 2021-08-24 | 2021-08-24 | 接管提示方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113665586B (zh) |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102004048047A1 (de) * | 2004-09-30 | 2006-04-06 | Daimlerchrysler Ag | Verfahren und Vorrichtung zur Fahrerwarnung bzw. zum aktiven Eingreifen in die Fahrdynamik, falls ein Verlassen der Fahrspur droht |
US7860813B2 (en) * | 2008-01-24 | 2010-12-28 | Nec Laboratories America, Inc. | Monitoring driving safety using semi-supervised sequential learning |
DE102015205580A1 (de) * | 2015-03-27 | 2016-09-29 | Robert Bosch Gmbh | Verfahren zum mindestens teilautomatisierten Fahren in einem Fahrzeug |
EP3260344B1 (en) * | 2016-06-20 | 2021-10-06 | Volvo Car Corporation | Method and system for adjusting a safety margin threshold of a driver support function |
US10642266B2 (en) * | 2017-12-28 | 2020-05-05 | Automotive Research & Testing Center | Safe warning system for automatic driving takeover and safe warning method thereof |
CN110576864A (zh) * | 2019-08-15 | 2019-12-17 | 中国第一汽车股份有限公司 | 驾驶模式的控制方法、装置、车辆及存储介质 |
CN112572461B (zh) * | 2019-09-30 | 2022-10-21 | 阿波罗智能技术(北京)有限公司 | 控制车辆的方法、装置、设备和存储介质 |
CN111619479B (zh) * | 2020-05-20 | 2022-03-01 | 重庆金康赛力斯新能源汽车设计院有限公司 | 驾驶接管提示方法、装置、系统、车载控制器和存储介质 |
CN113285993B (zh) * | 2021-05-17 | 2022-09-06 | 科大讯飞股份有限公司 | 远程辅助驾驶接入匹配方法、装置以及设备 |
-
2021
- 2021-08-24 CN CN202110975238.6A patent/CN113665586B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113665586A (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11919523B2 (en) | Systems and methods for driver scoring with machine learning | |
US11380193B2 (en) | Method and system for vehicular-related communications | |
EP4184476A1 (en) | Method and device for controlling switching of vehicle driving mode | |
CN110077398B (zh) | 一种用于智能驾驶的危险处理方法 | |
JP6889274B2 (ja) | 走行モデル生成システム、走行モデル生成システムにおける車両、処理方法およびプログラム | |
EP3712870B1 (en) | Method and arrangement for validating speed limit information for a road vehicle | |
CN114915646B (zh) | 一种无人驾驶矿车的数据分级上传方法和装置 | |
CN114030475A (zh) | 一种车辆辅助驾驶方法、装置、车辆及存储介质 | |
CN112925309A (zh) | 智能网联汽车数据交互方法及交互系统 | |
CN112955361A (zh) | 对预期行驶行为的预测 | |
CN113665586B (zh) | 接管提示方法、装置、计算机设备及存储介质 | |
CN113119962A (zh) | 驾驶辅助处理方法、装置、计算机可读介质及电子设备 | |
KR20110003449A (ko) | 차량용 사고기록 시스템 | |
CN111027859A (zh) | 基于机动车状态监控数据挖掘的驾驶风险防范方法及系统 | |
CN116189107A (zh) | 无人机高速公路监控方法、无人机和存储介质 | |
Karaduman et al. | Classification of road curves and corresponding driving profile via smartphone trip data | |
CN114103988A (zh) | 安全监控装置、包括其的车辆及相应的方法、设备和介质 | |
EP4224370A1 (en) | System, server, device and method for training and using neural networks for prediction of vehicle braking distance | |
US20230316826A1 (en) | Information processing apparatus, computer-readable storage medium, and information processing method | |
CN115626171B (zh) | 车辆自动驾驶方法、装置、电子设备及存储介质 | |
CN117953609A (zh) | 自动驾驶车辆的事故数据处理方法、装置、设备和介质 | |
CN115131979B (zh) | 共乘系统以及共乘方法 | |
CN116238544B (zh) | 一种自动驾驶车辆的行驶控制方法及控制系统 | |
CN116564084A (zh) | 一种基于纯路端感知的网联式辅助驾驶控制方法及系统 | |
Matsuda et al. | Aggressive Driving Detection on Other Vehicles |
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 |