CN113682302B - 一种驾驶状态估计方法、装置、电子设备及存储介质 - Google Patents

一种驾驶状态估计方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113682302B
CN113682302B CN202110885514.XA CN202110885514A CN113682302B CN 113682302 B CN113682302 B CN 113682302B CN 202110885514 A CN202110885514 A CN 202110885514A CN 113682302 B CN113682302 B CN 113682302B
Authority
CN
China
Prior art keywords
variable
driving state
value
state estimation
variables
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
Application number
CN202110885514.XA
Other languages
English (en)
Other versions
CN113682302A (zh
Inventor
李丰军
周剑光
秦洪洲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Automotive Innovation Co Ltd
Original Assignee
China Automotive Innovation Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Automotive Innovation Co Ltd filed Critical China Automotive Innovation Co Ltd
Priority to CN202110885514.XA priority Critical patent/CN113682302B/zh
Publication of CN113682302A publication Critical patent/CN113682302A/zh
Application granted granted Critical
Publication of CN113682302B publication Critical patent/CN113682302B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
    • B60W30/14—Adaptive cruise control
    • 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
    • B60W40/08—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 drivers or passengers
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本发明公开了一种驾驶状态估计方法、装置、电子设备及存储介质，其中，方法包括：将第一观测变量在当前时刻的取值输入训练好的驾驶状态估计模型得到当前时刻的条件概率表；其中，训练好的驾驶状态估计模型为贝叶斯网络模型；根据当前时刻的条件概率表和第二观测变量在当前时刻的取值预测隐藏变量在下一时刻的取值作为驾驶状态先验概率；将第一观测变量在下一时刻的取值和驾驶状态先验概率输入训练好的驾驶状态估计模型得到隐藏变量在下一时刻的取值作为驾驶状态后验概率；根据驾驶状态后验概率生成驾驶状态估计结果。本发明能够有效提高自车驾驶意图状态估计的准确性，提高车辆巡航控制的自适应性。

Description

一种驾驶状态估计方法、装置、电子设备及存储介质
技术领域
本发明涉及自动驾驶技术领域，具体涉及一种驾驶状态估计方法、装置、电子设备及存储介质。
背景技术
智能驾驶为出行提供了便利，近年来逐步得到了生产和应用。一些级别的驾驶自动化系统存在需要驾驶人接管的情况。在人机共驾过程可能需要驾驶员接管车辆，在由自动驾驶系统到驾驶人的控制权切换过程中，接管的及时性、有效性对安全的影响很大，因此，自车驾驶状态的估计对于判断自车行为有着重要的作用，估计结果会影响到常见驾驶辅助功能的性能，比如驾驶员的意图的判断会影响到定速巡航目标的选择，以及在紧急情况下是否采集紧急性措施，比如常见的AEB、AES等。对于驾驶员注意力的估计可以是触发报警功能相应的重要的因素。
现有的驾驶意图估计中，主要存在的缺点是：1)驾驶员意图评测维度过于单一，只考虑了驾驶员车速、距离或者转向灯是否打开的影响；2)判断方法过于局限，现有的方法大多采用传统基于规则的方法，通过挑选相应的阈值和设置条件进行逻辑判断，没有考虑到多因素耦合对驾驶意图估计结果的影响。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明第一方面提出一种驾驶状态估计方法，包括：
将第一观测变量在当前时刻的取值输入训练好的驾驶状态估计模型得到当前时刻的条件概率表；其中，所述训练好的驾驶状态估计模型为贝叶斯网络模型，所述当前时刻的条件概率表包括用于驾驶状态估计的各随机变量在当前时刻的概率分布，所述第一观测变量包括自车相对于车道线的速度变量和转向灯状态变量；
根据所述当前时刻的条件概率表和第二观测变量在当前时刻的取值预测隐藏变量在下一时刻的取值，将所述隐藏变量在下一时刻的取值作为驾驶状态先验概率；其中，所述第二观测变量包括路由信息变量和交通密度信息变量，所述隐藏层变量包括驾驶员注意力集中程度变量、驾驶员意图状态变量和驾驶员行为类别变量；
将所述第一观测变量在下一时刻的取值和所述驾驶状态先验概率输入所述训练好的驾驶状态估计模型得到所述隐藏变量在下一时刻的取值，将所述隐藏变量在下一时刻的取值作为驾驶状态后验概率；
根据所述驾驶状态后验概率生成驾驶状态估计结果。
进一步地，所述将第一观测变量在当前时刻的取值输入训练好的驾驶状态估计模型得到当前时刻的概率表之前，还包括：
获取自车车速和车道线信息，所述车道线信息包括车道线航向角和自车车辆距离车道线的距离；
根据所述自车车速和所述车道线航向角计算第一相对速度；
根据所述自车车辆距离车道线的距离在当前时刻的取值和所述自车车辆距离车道线的距离在上一时刻的取值计算第二相对速度；
判断所述自车车辆距离车道线的距离在当前时刻的取值与所述自车车辆距离车道线的距离在上一时刻的取值之差是否小于预设阈值；
若是，根据所述第一相对速度和所述第二相对速度计算自车相对于车道线的速度。
进一步地，所述根据所述第一相对速度和所述第二相对速度计算所述自车相对于车道线的速度之后，还包括：
对所述自车相对于车道线的速度做低通滤波处理。
进一步地，所述根据所述自车车速和所述车道线航向角计算第一相对速度的计算方法如下：
V1y＝Vego*tan(heding)
其中，V1y为第一相对速度；
Vego为自车车速；
heding为车道线航向角。
进一步地，所述根据所述自车车辆距离车道线的距离在当前时刻的取值和所述自车车辆距离车道线的距离在上一时刻的取值计算第二相对速度的计算方法如下：
Figure BDA0003193990370000031
其中，V2y为第二相对速度；
dt为自车车辆距离车道线的距离在当前时刻的取值；
dt-1为自车车辆距离车道线的距离在上一时刻的取值；
Δt为当前时刻与上一时刻的间隔时长。
进一步地，所述将第一观测变量在当前时刻的取值输入训练好的驾驶状态估计模型得到当前时刻的条件概率表之前，还包括：
构建贝叶斯网络模型的有向无环图；所述有向无环图包括用于驾驶状态估计的观测层变量、隐藏层变量、所述隐藏层变量之间的依赖关系以及所述观测层变量与所述隐藏层变量之间的依赖关系；
采用样本数据集对所述贝叶斯网络模型进行驾驶状态估计训练，在驾驶状态估计训练中调整所述贝叶斯网络模型的条件概率表至所述贝叶斯网络模型输出的驾驶状态估计结果与输入的样本数据相匹配；
将当前模型对应的所述贝叶斯网络模型作为驾驶状态估计模型。
进一步地，所述隐藏层变量之间的依赖关系包括：所述驾驶员注意力集中程度变量是所述驾驶员行为类别变量的父节点，所述驾驶员意图状态变量是所述驾驶员行为类别变量的父节点；
所述观测层变量与所述隐藏层变量之间的依赖关系包括：所述交通密度信息变量和所述路由信息变量是所述驾驶员意图状态变量的父节点，所述驾驶员意图状态变量是所述转向灯状态变量的父节点；所述驾驶员行为类别是所述自车相对于车道线速度的父节点。
本发明第二方面提出一种驾驶状态估计装置，包括：
条件概率计算模块，用于将第一观测变量在当前时刻的取值输入训练好的驾驶状态估计模型得到当前时刻的条件概率表；其中，所述训练好的驾驶状态估计模型为贝叶斯网络模型，所述当前时刻的条件概率表包括用于驾驶状态估计的各随机变量在当前时刻的概率分布，所述第一观测变量包括自车相对于车道线的速度变量和转向灯状态变量；
先验概率计算模块，用于根据所述当前时刻的条件概率表和第二观测变量在当前时刻的取值预测隐藏变量在下一时刻的取值，将所述隐藏变量在下一时刻的取值作为驾驶状态先验概率；其中，所述第二观测变量包括路由信息变量和交通密度信息变量，所述隐藏层变量包括驾驶员注意力集中程度变量、驾驶员意图状态变量和驾驶员行为类别变量；
后验概率计算模块，用于将所述第一观测变量在下一时刻的取值和所述驾驶状态先验概率输入所述训练好的驾驶状态估计模型得到所述隐藏变量在下一时刻的取值，将所述隐藏变量在下一时刻的取值作为驾驶状态后验概率；
估计结果生成模块，用于根据所述驾驶状态后验概率生成驾驶状态估计结果。
本发明第三方面提出一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现本发明第一方面提出的驾驶状态估计方法。
本发明第四方面提出一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现本发明第一方面提出的驾驶状态估计方法。
实施本发明具有以下有益效果：
本发明实施例建立了多因素耦合的贝叶斯网络模型来评估驾驶状态，能够有效提高自车驾驶意图状态估计的准确性，提高车辆巡航控制的自适应性，从而改善车辆控制的安全性和乘坐舒适性。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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它附图。
图1是本发明实施例提供的驾驶状态估计方法的流程图；
图2是本发明实施例提供的一种驾驶状态估计模型训练方法的流程图；
图3是本发明实施例提供的驾驶状态估计模型的有向无环图；
图4是本发明实施例提供的驾驶状态估计装置的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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前提下所获得的所有其他实施例，都属于本发明保护的范围。所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。
实施例
本发明实施例针对现有的对自车驾驶意图状态估计不准确的问题，提供了一种基于贝叶斯网络的驾驶状态估计方法，综合考虑当前驾驶员驾驶状态以及路由信息、定位信息(或交通密度信息)来提高驾驶状态估计的准确性。
图1是本发明实施例提供的驾驶状态估计方法的流程图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或服务器产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图1所示，所述方法可以包括以下步骤：
S101：将第一观测变量在当前时刻的取值输入训练好的驾驶状态估计模型得到当前时刻的条件概率表；
具体的，训练好的驾驶状态估计模型为贝叶斯网络模型。贝叶斯网络是一个有向无环图，由代表变量结点及连接这些结点有向边构成。结点代表随机变量，结点间的有向边代表了结点间的互相关系(由父结点指向其子结点)，用条件概率进行表达关系强度，没有父结点的用先验概率进行信息表达。结点变量可以是任何问题的抽象，如：测试值，观测现象，意见征询等。适用于表达和分析不确定性和概率性的事件，应用于有条件地依赖多种控制因素的决策，可以从不完全、不精确或不确定的知识或信息中做出推理。
具体的，当前时刻的条件概率表包括用于驾驶状态估计的各随机变量在当前时刻的概率分布，第一观测变量包括自车相对于车道线的速度变量和转向灯状态变量；
在一些实施例中，自车相对于车道线的速度变量的值域为相对速度在预设范围内、相对速度超出预设范围。
在一些实施例中，转向灯状态变量的值域包括直行、左转、右转。
S102：根据当前时刻的条件概率表和第二观测变量在当前时刻的取值预测隐藏变量在下一时刻的取值，将隐藏变量在下一时刻的取值作为驾驶状态先验概率；
其中，第二观测变量包括路由信息变量和交通密度信息变量，隐藏层变量包括驾驶员注意力集中程度变量、驾驶员意图状态变量和驾驶员行为类别变量；其中，路由信息包括自车车辆巡航路径上各路段的连接关系及用于标识各路段路况的权重；各路段路况的权重用于反映各路段不利于通行的程度，例如，该权重可以是根据该路段的拥堵程度得到的。
设所有隐藏层的t时刻状态{Ft,It,At}，F有I种状态，I有J种状态，A有K种状态，t+1时刻的隐藏层变量的分布可表示为：
Figure BDA0003193990370000071
Figure BDA0003193990370000072
Figure BDA0003193990370000073
在一些实施例中，驾驶员注意力集中程度的值域包括集中、不集中，需要说明的是，驾驶员注意力集中程度的值域还可以根据实际需要灵活设置，例如，驾驶员注意力集中程度的值域还可以包括高度集中、中度集中、低度集中、不集中，本发明实施例不以此为限。
在一些实施例中，驾驶员意图状态的值域包括直行、左转、右转、掉头，此外，驾驶员意图状态还可以包括加速、减速、超车、变道等，可以根据实际需要对驾驶员意图状态的值域进行调整。
在一些实施例中，驾驶员行为类别变量的取值范围包括偏离左侧车道线、偏离右侧车道线，不偏离自车车道线。
S103：将第一观测变量在下一时刻的取值和驾驶状态先验概率输入训练好的驾驶状态估计模型得到隐藏变量在下一时刻的取值，将隐藏变量在下一时刻的取值作为驾驶状态后验概率；
引入t+1时刻的观测变量来获得新的概率分布，设观测变量分别为{Vt+1,Indt+1}则t+1时刻离散变量的联合分布可表示为
Figure BDA0003193990370000074
将上面张的t+1时刻概率归一化，得到在t+1时刻的后验概率，并用于下次的预测以及更新迭代
Figure BDA0003193990370000081
Figure BDA0003193990370000082
Figure BDA0003193990370000083
S104：根据驾驶状态后验概率生成驾驶状态估计结果。
根据驾驶状态估计结果对自车巡航控制设置进行调整。例如，驾驶状态估计结果显示驾驶员注意力不集中时可以增大跟车间距，使自车与前车之间的距离增大，同时降低紧急性措施，比如常见的AEB、AES等，的敏感度。
为了避免换道时候的车道线跳跃，在一些实施例中，S101之前还包括以下步骤：
获取自车车速和车道线信息，车道线信息包括车道线航向角和自车车辆距离车道线的距离；
根据自车车速和车道线航向角计算第一相对速度；
根据自车车辆距离车道线的距离在当前时刻的取值和自车车辆距离车道线的距离在上一时刻的取值计算第二相对速度；
判断自车车辆距离车道线的距离在当前时刻的取值与自车车辆距离车道线的距离在上一时刻的取值之差是否小于预设阈值；
若是，根据第一相对速度和第二相对速度计算自车相对于车道线的速度。
为了避免波动，在一些实施例中，根据第一相对速度和第二相对速度计算自车相对于车道线的速度之后，还包括对自车相对于车道线的速度做低通滤波处理。
Vcombined_t＝β*Vcombined_t+(1-β)*Vcombined_t-1
其中，Vcombined_t是t时刻的相对速度值；
Vcombined_t-1是t-1时刻的相对速度值；
β是权重系数；
具体地，根据自车车速和车道线航向角计算第一相对速度的计算方法如下：
V1y＝Vego*tan(heding)
其中，V1y为第一相对速度；
Vego为自车车速；
heding为车道线航向角。
具体地，根据自车车辆距离车道线的距离在当前时刻的取值和自车车辆距离车道线的距离在上一时刻的取值计算第二相对速度的计算方法如下：
Figure BDA0003193990370000091
其中，V2y为第二相对速度；
dt为自车车辆距离车道线的距离在当前时刻的取值；
dt-1为自车车辆距离车道线的距离在上一时刻的取值；
Δt为当前时刻与上一时刻的间隔时长。
图2是本发明实施例提供的一种驾驶状态估计模型训练方法的流程图，具体的如图2所示，在将第一观测变量在当前时刻的取值输入训练好的驾驶状态估计模型得到当前时刻的条件概率表之前，还包括：
S201：构建贝叶斯网络模型的有向无环图；有向无环图包括用于驾驶状态估计的观测层变量、隐藏层变量、隐藏层变量之间的依赖关系以及观测层变量与隐藏层变量之间的依赖关系；
其中，用于驾驶状态估计的观测变量、隐藏层变量、隐藏层变量之间的依赖关系以及观测层变量与隐藏层变量之间的依赖关系可以是人工设置的，也可以是根据实际驾驶数据分析得到的。
S202：采用样本数据集对贝叶斯网络模型进行驾驶状态估计训练，在驾驶状态估计训练中调整贝叶斯网络模型的条件概率表至贝叶斯网络模型输出的驾驶状态估计结果与输入的样本数据相匹配；
隐藏节点之间的条件概率可以通过离散量统计的方式获得，隐藏节点和观测节点之间可以通过最大似然估计来解决Lθ＝logP(D|θ)，基于梯度的优化算法可得到最优解
Figure BDA0003193990370000101
对实际驾驶数据进行预处理，得到预处理后的样本数据；将预处理后的样本数据按照一定的比例划分成训练集和测试集，例如，将80％的样本数据作为训练集，20％的样本数据作为测试集，其他比例值也可以在本文中应用。
S203：将当前模型对应的贝叶斯网络模型输出为驾驶状态估计模型。
图3是本发明实施例提供的驾驶状态估计模型的有向无环图，具体的如图3所示，该有向无环图中用于驾驶状态估计的观测层变量包括交通密度信息变量、路由信息变量、自车相对于车道线速度变量和转向灯状态变量。隐藏层变量包括驾驶员注意力集中程度变量、驾驶员行为类别和驾驶员意图状态变量。
隐藏层变量之间的依赖关系包括：驾驶员注意力集中程度变量是驾驶员行为类别变量的父节点，驾驶员意图状态变量是驾驶员行为类别变量的父节点；
观测层变量与隐藏层变量之间的依赖关系包括：交通密度信息变量和路由信息变量是驾驶员意图状态变量的父节点，驾驶员意图状态变量是转向灯状态变量的父节点；驾驶员行为类别是自车相对于车道线速度的父节点。
需要说明的是，在一些实施例中，交通密度信息变量也可以替换为定位信息变量，交通密度信息是基于定位信息获取到的，交通密度信息与定位信息之间存在对应关系。
需要说明的是，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。
图3是本发明实施例提供的驾驶状态估计装置的结构框图，具体的如图3所示，该驾驶状态估计装置包括以下模块：
条件概率计算模块301，用于将第一观测变量在当前时刻的取值输入训练好的驾驶状态估计模型得到当前时刻的条件概率表；其中，训练好的驾驶状态估计模型为贝叶斯网络模型，当前时刻的条件概率表包括用于驾驶状态估计的各随机变量在当前时刻的概率分布，第一观测变量包括自车相对于车道线的速度变量和转向灯状态变量；
先验概率计算模块302，用于根据当前时刻的条件概率表和第二观测变量在当前时刻的取值预测隐藏变量在下一时刻的取值，将隐藏变量在下一时刻的取值作为驾驶状态先验概率；其中，第二观测变量包括路由信息变量和交通密度信息变量，隐藏层变量包括驾驶员注意力集中程度变量、驾驶员意图状态变量和驾驶员行为类别变量；
后验概率计算模块303，用于将第一观测变量在下一时刻的取值和驾驶状态先验概率输入训练好的驾驶状态估计模型得到隐藏变量在下一时刻的取值，将隐藏变量在下一时刻的取值作为驾驶状态后验概率；
估计结果生成模块304，用于根据驾驶状态后验概率生成驾驶状态估计结果。
本发明的实施例还提供了一种电子设备，电子设备包括处理器和存储器，存储器中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如方法实施例中的驾驶状态估计方法。
本发明的实施例还提供了一种存储介质，所述存储介质可设置于服务器之中以保存用于实现方法实施例中的驾驶状态估计方法相关的至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现上述方法实施例提供的驾驶状态估计方法。
可选地，在本实施例中，上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
由上述本发明实施例提供的驾驶状态估计方法、装置、电子设备或存储介质的实施例可见，本发明实施例建立了多因素耦合的贝叶斯网络模型来评估驾驶状态，能够有效提高自车驾驶意图状态估计的准确性，提高车辆巡航控制的自适应性，从而改善车辆控制的安全性和乘坐舒适性。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置和服务器实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
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。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种驾驶状态估计方法，其特征在于，包括：
将第一观测变量在当前时刻的取值输入训练好的驾驶状态估计模型得到当前时刻的条件概率表；其中，所述训练好的驾驶状态估计模型为贝叶斯网络模型，所述当前时刻的条件概率表包括用于驾驶状态估计的各随机变量在当前时刻的概率分布，所述第一观测变量包括自车相对于车道线的速度变量和转向灯状态变量；所述用于驾驶状态估计的各随机变量包括所述第一观测变量、第二观测变量和隐藏变量；
根据所述当前时刻的条件概率表和所述第二观测变量在当前时刻的取值预测所述隐藏变量在下一时刻的取值，将所述隐藏变量在下一时刻的取值作为驾驶状态先验概率；其中，所述第二观测变量包括路由信息变量和交通密度信息变量，所述隐藏变量包括驾驶员注意力集中程度变量、驾驶员意图状态变量和驾驶员行为类别变量；
将所述第一观测变量在下一时刻的取值和所述驾驶状态先验概率输入所述训练好的驾驶状态估计模型得到所述隐藏变量在下一时刻的取值，将所述隐藏变量在下一时刻的取值作为驾驶状态后验概率；
根据所述驾驶状态后验概率生成驾驶状态估计结果。
2.根据权利要求1所述的方法，其特征在于，所述将第一观测变量在当前时刻的取值输入训练好的驾驶状态估计模型得到当前时刻的概率表之前，还包括：
获取自车车速和车道线信息，所述车道线信息包括车道线航向角和自车车辆距离车道线的距离；
根据所述自车车速和所述车道线航向角计算第一相对速度；
根据所述自车车辆距离车道线的距离在当前时刻的取值和所述自车车辆距离车道线的距离在上一时刻的取值计算第二相对速度；
判断所述自车车辆距离车道线的距离在当前时刻的取值与所述自车车辆距离车道线的距离在上一时刻的取值之差是否小于预设阈值；
若是，根据所述第一相对速度和所述第二相对速度计算自车相对于车道线的速度。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一相对速度和所述第二相对速度计算所述自车相对于车道线的速度之后，还包括：
对所述自车相对于车道线的速度做低通滤波处理。
4.根据权利要求2所述的方法，其特征在于，所述根据所述自车车速和所述车道线航向角计算第一相对速度的计算方法如下：
V1y＝Vego*tan(heding)
其中，V1y为第一相对速度；
Vego为自车车速；
heding为车道线航向角。
5.根据权利要求2所述的方法，其特征在于，所述根据所述自车车辆距离车道线的距离在当前时刻的取值和所述自车车辆距离车道线的距离在上一时刻的取值计算第二相对速度的计算方法如下：
Figure FDA0004096997070000021
其中，V2y为第二相对速度；
dt为自车车辆距离车道线的距离在当前时刻的取值；
dt-1为自车车辆距离车道线的距离在上一时刻的取值；
Δt为当前时刻与上一时刻的间隔时长。
6.根据权利要求1所述的方法，其特征在于，所述将第一观测变量在当前时刻的取值输入训练好的驾驶状态估计模型得到当前时刻的条件概率表之前，还包括：
构建贝叶斯网络模型的有向无环图；所述有向无环图包括用于驾驶状态估计的观测层变量、所述隐藏变量、所述隐藏变量之间的依赖关系以及所述观测层变量与所述隐藏变量之间的依赖关系；所述观测层变量包括所述第一观测变量和所述第二观测变量；
采用样本数据集对所述贝叶斯网络模型进行驾驶状态估计训练，在驾驶状态估计训练中调整所述贝叶斯网络模型的条件概率表至所述贝叶斯网络模型输出的驾驶状态估计结果与输入的样本数据相匹配；
将当前模型对应的所述贝叶斯网络模型作为驾驶状态估计模型。
7.根据权利要求6所述的方法，其特征在于，
所述隐藏变量之间的依赖关系包括：所述驾驶员注意力集中程度变量是所述驾驶员行为类别变量的父节点，所述驾驶员意图状态变量是所述驾驶员行为类别变量的父节点；
所述观测层变量与所述隐藏变量之间的依赖关系包括：所述交通密度信息变量和所述路由信息变量是所述驾驶员意图状态变量的父节点，所述驾驶员意图状态变量是所述转向灯状态变量的父节点；所述驾驶员行为类别是所述自车相对于车道线速度的父节点。
8.一种驾驶状态估计装置，其特征在于，包括：
条件概率计算模块，用于将第一观测变量在当前时刻的取值输入训练好的驾驶状态估计模型得到当前时刻的条件概率表；其中，所述训练好的驾驶状态估计模型为贝叶斯网络模型，所述当前时刻的条件概率表包括用于驾驶状态估计的各随机变量在当前时刻的概率分布，所述第一观测变量包括自车相对于车道线的速度变量和转向灯状态变量；所述用于驾驶状态估计的各随机变量包括所述第一观测变量、第二观测变量和隐藏变量；
先验概率计算模块，用于根据所述当前时刻的条件概率表和所述第二观测变量在当前时刻的取值预测所述隐藏变量在下一时刻的取值，将所述隐藏变量在下一时刻的取值作为驾驶状态先验概率；其中，所述第二观测变量包括路由信息变量和交通密度信息变量，所述隐藏变量包括驾驶员注意力集中程度变量、驾驶员意图状态变量和驾驶员行为类别变量；
后验概率计算模块，用于将所述第一观测变量在下一时刻的取值和所述驾驶状态先验概率输入所述训练好的驾驶状态估计模型得到所述隐藏变量在下一时刻的取值，将所述隐藏变量在下一时刻的取值作为驾驶状态后验概率；
估计结果生成模块，用于根据所述驾驶状态后验概率生成驾驶状态估计结果。
9.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1-7任一项所述的驾驶状态估计方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1-7任一项所述的驾驶状态估计方法。
CN202110885514.XA 2021-08-03 2021-08-03 一种驾驶状态估计方法、装置、电子设备及存储介质 Active CN113682302B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110885514.XA CN113682302B (zh) 2021-08-03 2021-08-03 一种驾驶状态估计方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110885514.XA CN113682302B (zh) 2021-08-03 2021-08-03 一种驾驶状态估计方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113682302A CN113682302A (zh) 2021-11-23
CN113682302B true CN113682302B (zh) 2023-04-18

Family

ID=78578637

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110885514.XA Active CN113682302B (zh) 2021-08-03 2021-08-03 一种驾驶状态估计方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113682302B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114384900B (zh) * 2021-12-09 2023-12-12 武汉理工大学 内河水面自主船舶航行驾驶方法、装置及存储介质
CN114312811B (zh) * 2022-01-27 2023-11-07 清华大学 自动驾驶汽车的自车状态近似最优估计方法、装置及设备

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9266533B2 (en) * 2010-12-30 2016-02-23 Institute Of Automation, Chinese Academy Of Sciences Adaptive cruise control system and method for vehicle
US9002612B2 (en) * 2012-03-20 2015-04-07 Toyota Motor Engineering & Manufacturing North America, Inc. Prediction of driver-specific cruise speed using dynamic modeling
US8930116B2 (en) * 2013-02-26 2015-01-06 Ford Global Technologies, Llc On-board real-time speed control setpoint variation using stochastic optimization
JP6047708B2 (ja) * 2013-03-14 2016-12-21 株式会社デンソー 異常運転行動検出装置
KR102107774B1 (ko) * 2016-12-30 2020-05-07 현대자동차주식회사 목표차량의 운전패턴에 따른 협조 적응 순항 제어 시스템
CN110304075B (zh) * 2019-07-04 2020-06-26 清华大学 基于混合动态贝叶斯网络和高斯过程的车辆轨迹预测方法
CN110427850B (zh) * 2019-07-24 2022-03-08 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
CN112596388B (zh) * 2020-12-18 2023-03-21 武汉理工大学 一种基于驾驶员数据的lstm神经网络aeb系统控制方法

Also Published As

Publication number Publication date
CN113682302A (zh) 2021-11-23

Similar Documents

Publication Publication Date Title
Cheng et al. End-to-end safe reinforcement learning through barrier functions for safety-critical continuous control tasks
CN112099496B (zh) 一种自动驾驶训练方法、装置、设备及介质
CN113682302B (zh) 一种驾驶状态估计方法、装置、电子设备及存储介质
CN112400192B (zh) 多模态深度交通信号控制的方法和系统
CN113596102B (zh) 车路协同式交通系统、路侧系统和数据处理方法
WO2016122591A1 (en) Performance testing based on variable length segmentation and clustering of time series data
US11577750B2 (en) Method and apparatus for determining a vehicle comfort metric for a prediction of a driving maneuver of a target vehicle
CN113379099B (zh) 一种基于机器学习与copula模型的高速公路交通流自适应预测方法
Taylor et al. Data mining for vehicle telemetry
CN111405480B (zh) 一种路况信息推送方法、网络设备、车载终端及系统
CN113593221A (zh) 信息价值评估式驾驶系统、网联车辆系统和数据传输方法
Zhou et al. Identify, estimate and bound the uncertainty of reinforcement learning for autonomous driving
CN116245183B (zh) 基于图神经网络的交通场景泛化理解方法及装置
CN116596126A (zh) 一种公交串车预测方法及系统
EP4330107A1 (en) Motion planning
CN110991659B (zh) 异常节点识别方法、装置、电子设备及存储介质
CN114495505A (zh) 拥堵路段通过时长的预测方法、装置、介质及服务器
CN114399107A (zh) 一种交通状态感知信息的预测方法及系统
CN115114976B (zh) 预瞄距离预测模型的训练方法、装置、设备和存储介质
Raiyn et al. Improving Autonomous Vehicle Reasoning with Non-Monotonic Logic: Advancing Safety and Performance in Complex Environments
CN113743488B (zh) 基于平行车联网的车辆监控方法、装置、设备及存储介质
CN113344239B (zh) 一种基于两级谱聚类的交通拥堵状况预测方法及系统
US20230169306A1 (en) Computer-implemented system and method for predicting future developments of a traffic scene
Jena et al. A Driving Decision Strategy Based on Machine Learning for Autonomous Vehicle
US20230169852A1 (en) Method, system and program product for training a computer-implemented system for predicting future developments of a traffic scene

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