CN113715834A - 车辆行驶行为识别方法、装置、电子设备和存储介质 - Google Patents
车辆行驶行为识别方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113715834A CN113715834A CN202110975815.1A CN202110975815A CN113715834A CN 113715834 A CN113715834 A CN 113715834A CN 202110975815 A CN202110975815 A CN 202110975815A CN 113715834 A CN113715834 A CN 113715834A
- Authority
- CN
- China
- Prior art keywords
- behavior
- vehicle
- behaviors
- micro
- driving
- 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
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
- B60W40/10—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
-
- 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
- B60W40/105—Speed
-
- 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
- B60W40/107—Longitudinal acceleration
-
- 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)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Automation & Control Theory (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Time Recorders, Dirve Recorders, Access Control (AREA)
Abstract
本发明提供一种车辆行驶行为识别方法、装置、电子设备和存储介质,所述方法包括:基于车辆的行驶参数,确定预设时段内车辆对应的多个微行为;采用滑动窗口,按照各微行为的时间顺序对各微行为进行扫描,若存在至少两个微行为满足预设合并条件,则将对应的微行为合并为复合行为,并将复合行为作为车辆的行驶行为。由于微行为的表征简单直接,且基础的微行为数量很少,易于抽象,从而可以快速且准确进行识别得到微行为,然后在微行为的基础上组合分析多样化的复合行为,避免传统方法中基于机器学习需要大量参数以及进行大量标注导致模型臃肿、效率较低且影响模型训练效果的问题。
Description
技术领域
本发明涉及车辆控制技术领域,尤其涉及一种车辆行驶行为识别方法、装置、电子设备和存储介质。
背景技术
车辆行驶行为的识别,在车辆状态评估,驾驶行为评估,道路环境判定,自动驾驶等场景,都是基本的依据和参数。
目前多采用端到端的机器学习方法,将车辆行驶的所有运动参数进行标注后,基于RNN,LSTM等神经网络或其它机器学习方法进行训练,得到对应行驶行为的识别模型。
然而,上述方法存在如下问题:一是由于车辆的行驶行为多样化,导致无法全面获取对应的样本数据集。二是对行驶行为的识别,需要在样本数据上,按时间片准确标注行为数据,时间划分要较为精确,才能有效的支撑模型训练,这些需要人工来完成,而人工准确度在数据上识别和切分是困难且耗时的。三是在基础采样数据上进行行驶行为的识别,需要更复杂的网络,也意味着需要更大的训练数据量,耗时更久,同时若模型复杂度高,参数过多,容易导致过拟合。
发明内容
本发明提供一种车辆行驶行为识别方法、装置、电子设备和存储介质,用以解决现有技术中车辆行驶行为识别方法复杂且效率较低的缺陷。
本发明提供一种车辆行驶行为识别方法,包括:
基于车辆的行驶参数,确定预设时段内所述车辆对应的多个基础性微行为;
采用滑动窗口,按照各微行为的时间顺序对各微行为进行扫描,若存在至少两个微行为满足预设合并条件,则将对应的微行为合并判定为复合行为,并将所述复合行为作为所述车辆的行驶行为。
根据本发明提供的一种车辆行驶行为识别方法,所述行驶参数包括速度参数、加速度参数以及角速度参数;所述微行为包括匀速行驶行为、变速行驶行为、上下坡行为、转向行驶行为、翻滚行为、颠簸行为、滑动行为、抖动行为以及撞击行为中的至少一种。
根据本发明提供的一种车辆行驶行为识别方法,所述基于车辆的行驶参数,确定预设时段内所述车辆对应的多个微行为,包括:
基于所述速度参数,确定所述预设时段内所述车辆是否存在匀速行驶行为和/或上下坡行为;
基于所述加速度参数,确定所述预设时段内所述车辆是否存在变速行驶行为、颠簸行为、抖动行为以及撞击行为中的一种或多种微行为;
基于所述角速度参数,确定所述预设时段内所述车辆是否存在转向行驶行为、翻滚行为以及滑动行为中的一种或多种微行为。
根据本发明提供的一种车辆行驶行为识别方法,所述确定预设时段内所述车辆对应的多个微行为,之前还包括:
对所述加速度参数进行低通滤波处理,得到低频分量参数;
对所述加速度参数进行带通滤波处理,得到中频分量参数;
对所述加速度参数进行高通滤波处理,得到高频分量参数。
根据本发明提供的一种车辆行驶行为识别方法,所述基于所述加速度参数,确定所述预设时段内所述车辆是否存在变速行驶行为、颠簸行为、抖动行为以及撞击行为中的一种或多种微行为,包括:
基于所述低频分量参数,确定所述预设时段内所述车辆是否存在变速行驶行为;
基于所述中频分量参数,确定所述预设时段内所述车辆是否存在颠簸行为和/或撞击行为;
基于所述高频分量参数,确定所述预设时段内所述车辆是否存在抖动行为。
根据本发明提供的一种车辆行驶行为识别方法,所述复合行为包括变道超车行为、过陡坡土岭行为、减速过弯道行为、刹车碰撞行为、掉头行为、停车入库行为、驾驶科目训练行为以及通过颠簸路面行为中的至少一种。
根据本发明提供的一种车辆行驶行为识别方法,所述行驶参数是基于所述车辆的运动传感器、定位传感器以及传动系统获取的。
本发明还提供一种车辆行驶行为识别装置,包括:
确定单元,用于基于车辆的行驶参数,确定预设时段内所述车辆对应的多个微行为;
识别单元,用于采用滑动窗口,按照各微行为的时间顺序对各微行为进行扫描,若存在至少两个微行为满足预设合并条件,则将对应的微行为合并判定为复合行为,并将所述复合行为作为所述车辆的行驶行为。
本发明还提供一种电子设备,包括传感器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一种所述车辆行驶行为识别方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述车辆行驶行为识别方法的步骤。
本发明提供的车辆行驶行为识别方法、装置、电子设备和存储介质,基于车辆的行驶参数,确定预设时段内车辆对应的多个微行为,进而基于滑动窗口,对满足预设合并条件的微行为进行合并判定得到复合行为,并将复合行为作为车辆的行驶行为。由于微行为的表征简单直接,且基础的微行为数量很少,易于抽象,从而可以快速且准确进行识别得到微行为,然后在微行为的基础上组合分析多样化的复合行为,避免传统方法中基于机器学习需要大量参数以及进行大量标注导致模型臃肿、效率较低且影响模型训练效果的问题。
附图说明
为了更清楚地说明本发明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一简单地介绍,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是本发明提供的车辆行驶行为识别方法的流程示意图之一;
图2是本发明提供的车辆行驶行为识别方法的流程示意图之二;
图3是本发明提供的车辆行驶行为识别装置的结构示意图;
图4是本发明提供的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,下面将结合本发明中的附图,对本发明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作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。
由于道路环境的限制和影响,对应的车辆的行驶行为复杂多样,然而对应的运动状态参数则较为简单,如运动状态参数包括驱动和转向状态数据,使得无法根据既定规律识别车辆行驶行为。
目前多通过以端到端的机器学习方法,将车辆行驶的所有运动参数,进行标注后,交由RNN,LSTM等神经网络或其它机器学习方法,进行训练,得到对应行驶行为的判定模型。
然而上述方法存在如下不足:一是对样本数据集要求量大。车辆的行驶行为动作及其多样化,要覆盖到需要很大的样本数据集。有些行为,如碰撞,倾覆等少见且难以复现和获取。二是精确标注较为困难。对行驶行为的判定,需要在样本数据上,按时间片准确标注行为数据,时间划分要较为精确,才能有效的支撑模型训练。这些需要人工来完成,而人工准确度在数据上识别和切分是困难且耗时的。三是训练量较大。在基础采样数据上进行行为动作的识别,需要更复杂的网络,也意味着需要更大的训练数据量,耗时更久。四是容易过拟合。模型复杂度高,参数过多,容易导致过拟合。
对此,本发明提出了一种思路,将车辆行为判定,划分为两个阶段:微行为和复合行为。第一阶段,是将车辆行驶的运动参数,进行抽象,提炼出一些基础的微行为,任何复杂的行驶动作,或驾驶员的操作行为,或路况对车辆行为的影响,都能对应到一系列微行为的组合和叠加。微行为的表征简单直接,可采用多种方法识别处理,执行效率高,易于验证及优化。在微行为的基础上,进行更为复杂的行为识别,将极大减少参数量,标注将更为简单和准确,网络参数也能更快速收敛且缓解过拟合情况。下面将通过具体实施例对本发明提供的内容进行详细解释和说明。
图1是本发明提供的车辆行驶行为识别方法的流程示意图之一,如图1所示,该方法包括如下步骤:
步骤110、基于车辆的行驶参数,确定预设时段内车辆对应的多个微行为。
具体地,车辆的行驶参数指车辆运行过程中的运动参数,如速度参数、加速度参数、角速度参数等。微行为可以理解为以细粒度观察车辆的行驶行为,得到的单元行为,是基础性微行为。例如,对于一个大的转弯行为,可以分割成多个连续的小转向行为和直行行为,则小转向行为和直行行为可以看作是构成大的转弯行为的微行为,即车辆的行驶行为是由多个微行为构成的。其中,微行为可以包括匀速行驶行为、变速行驶行为、上下坡行为、转向行驶行为、翻滚行为、颠簸行为、滑动行为、抖动行为、撞击行为等。例如,当获取的速度参数中车辆的速度在某段时间内保持不变时,则可以确定其存在匀速行驶行为;当获取的加速度参数中加速度变大且加速度方向沿前进方向时,则可以确定其存在前进加速行驶行为。
需要说明的是,预设时段内车辆对应的多个微行为可能是同时、交叠或独立发生的,例如减速、下坡、转弯可以是独立发生的微行为,颠簸和转向可以是同时发生的微行为。
可以理解的是,本发明实施例在确定车辆的微行为时,可以通过设置数据分析时间轴上的滑动窗口,以细粒度小窗口扫描,识别得到微行为。
步骤120、采用滑动窗口,按照各微行为的时间顺序对各微行为进行扫描,若存在至少两个微行为满足预设合并条件,则将对应的微行为合并判定为复合行为,并将复合行为作为车辆的行驶行为。
具体地,车辆的微行为转换的界限是较为模糊的。从细粒度去观察,可能因为参数小范围的波动,提前被识别完成一个动作,切换到对后续动作的判断。从粗粒度去观察,可能一个有意义的微行为已经结束,分析算法后知后觉,被更大尺度行为所掩盖。粒度过细,可能分割出过多无意义的微行为,例如一个大的转弯动作,被分割成多个连续的小转向和直行。
因此,为了准确识别车辆的行驶行为,在识别得到预设时段内车辆对应的微行为后,采用滑动窗口,对各微行为按照时间顺序进行扫描,若存在至少两个微行为满足预设合并条件,如存在至少两个微行为可以合并为预设的复合行为,则将对应的微行为合并为复合行为,并将复合行为作为车辆的行驶行为。预设合并条件可以是指存在至少两个微行为可以合并得到复合行为。其中,窗口大小是基于微行为的动作持续时间自适应调整的,例如,对于常规行驶微行为的动作持续时间一般为1s~2s,常规复合行为的动作持续时间一般为3s~5s,其它情况下的微行为或复合行为的动作持续时间可能更长或更短。
需要说明的是,若多个微行为未匹配到复合行为,则扩大范围进行匹配,直至匹配到复合行为。此外,若多个微行为匹配到复合行为,但在更大范围内存在更优匹配的复合行为,则将该更优匹配的复合行为作为车辆的行驶行为。例如“微行为1+微行为2”匹配得到复合行为1,“微行为3+微行为4”匹配得到复合行为2,但“微行为1+微行为2+微行为3+微行为4”可以匹配得到复合行为3,那么复合行为3作为更优匹配,即将复合行为3作为车辆的行驶行为。其中,复合行为可以报变道超车,过陡坡土岭,减速过弯道,刹车碰撞,掉头或停车入库,驾驶科目训练,通过颠簸路面中的一种或多种。
如图2所示,通过设置数据分析时间轴上的滑动窗口,结合微行为栈,可对已识别微行为进行修订,也即同时进行细粒度和粗粒度的分析扫描。以细粒度,小窗口扫描,得到微行为分析结果,送入栈中。后续扫描,若发现范围需要扩大,例如先识别小幅转弯微行为,然后识别变道微行为将转弯微行为结束,然后又立即又识别到通向转弯,就应该合并为一个大跨度的转弯,叠加一个短暂的变道行为。这时将前后两个微行为出栈,合并调整,压回栈中。
需要说明的是,在获取车辆的行驶行为之后,可以将车辆的行驶行为显示在屏幕上,以供司机和乘客及时获知当前车辆的行驶状态。例如,当车辆的当前行驶行为急转弯时,不仅可以将行驶行为显示在平面上,而且可以发出预警提示,提醒司机注意弯道拐弯时对方来车,保证了行驶安全。此外,获取车辆的行驶行为之后,还可以实时监测车辆是否存在异常行为,如超速行为,异常转弯行为等,保证车辆的安全行驶。
由此可见,在微行为之上,进行更为复杂的复合行为识别,将极大减少参数量,标注将更为简单和准确,网络参数也能更快速收敛且缓解过拟合情况。通过定义基础的微行为,不仅简化了车辆行驶行为识别模型,而且通过多维度行为识别和基于滑动窗口的微行为渐进式识别来实现准确的,有意义的微行为识别。
本发明实施例提供的车辆行驶行为识别方法,基于车辆的行驶参数,确定预设时段内车辆对应的多个微行为,进而基于滑动窗口,对满足预设合并条件的微行为进行合并得到复合行为,并将复合行为作为车辆的行驶行为。由于微行为的表征简单直接,且基础的微行为数量很少,易于抽象,从而可以快速且准确进行识别得到微行为,然后在微行为的基础上组合分析多样化的复合行为,避免传统方法中基于机器学习需要大量参数以及进行大量标注导致模型臃肿、效率较低且影响模型训练效果的问题。
基于上述实施例,行驶参数包括速度参数、加速度参数以及角速度参数;微行为包括匀速行驶行为、变速行驶行为、上下坡行为、转向行驶行为、翻滚行为、颠簸行为、滑动行为、抖动行为以及撞击行为中的至少一种。
具体地,车辆的各微行为可以基于行驶参数进行确定,即行驶参数作为车辆的基本参数,其包括速度参数、加速度参数以及角速度参数。其中,速度参数包括速度值,以及速度对应的三个空间方向,其取值范围可为正负值;加速度参数包括低频(变速),中频(颠簸碰撞),高频参数,其包含低频变化加速度值,以及加速度对应的三个空间方向,取值范围可为正负值;角速度参数包括角速度值,以及角速度对应的三个空间方向,取值范围可为正负值。
在获取车辆的行驶参数之后,可以识别得到车辆对应的微行为,微行为包括匀速行驶行为、变速行驶行为、上下坡行为、转向行驶行为、翻滚行为、颠簸行为、滑动行为、抖动行为以及撞击行为中的至少一种。其中,各微行为的含义如下:
匀速行驶行为:前进或倒车,由方向和速度值定义;
变速行驶行为:含加速或减速,前进或倒车,由方向和加速度值定义;
上下坡行为:车体和运行方向不水平,由斜率和方向定义;
转向行驶行为:持续稳定(如半秒以上)的角速度运动;
翻滚行为:高速变化的角速度运动;
颠簸行为:高频率(大于1Hz)重复性的加减速;
滑动行为:实际运动方向速度与传动系统感知方向速度不一致,如打滑,漂移,甩尾;
抖动行为:传动系统无运动;
撞击行为:短时间,冲击性加速度。
基于上述任一实施例,基于车辆的行驶参数,确定预设时段内车辆对应的多个微行为,包括:
基于速度参数,确定预设时段内车辆是否存在匀速行驶行为和/或上下坡行为;
基于加速度参数,确定预设时段内车辆是否存在变速行驶行为、颠簸行为、抖动行为以及撞击行为中的一种或多种微行为;
基于角速度参数,确定预设时段内车辆是否存在转向行驶行为、翻滚行为以及滑动行为中的一种或多种微行为。
具体地,微行为的识别,在给定的有效采样范围内,进行演算判定,但不同类型的微行为,可能是同时、交错和叠加发生,而判断依据都是同一组传感器数据。为了能够准确获取车辆的微行为,本发明实施例从多个数据维度确定微行为,即基于速度参数,确定预设时段内车辆是否存在匀速行驶行为和/或上下坡行为;基于加速度参数,确定预设时段内车辆是否存在变速行驶行为、颠簸行为、抖动行为以及撞击行为中的一种或多种微行为;基于角速度参数,确定预设时段内车辆是否存在转向行驶行为、翻滚行为以及滑动行为中的一种或多种微行为。
基于上述任一实施例,确定预设时段内车辆对应的多个微行为,之前还包括:
对加速度参数进行低通滤波处理,得到低频分量参数;
对加速度参数进行带通滤波处理,得到中频分量参数;
对加速度参数进行高通滤波处理,得到高频分量参数。
具体地,为了能够进一步准确基于加速度参数,确定预设时段内车辆是否存在变速行驶行为、颠簸行为、抖动行为以及撞击行为中的一种或多种微行为,本发明实施例在确定微行为之前对加速度参数进行信号滤波处理,得到滤波后的参数,从而可以基于滤波后的参数准确识别车辆的微行为。
其中,对加速度参数进行滤波处理的具体操作为:对加速度参数进行低通滤波处理,得到低频分量参数;对加速度参数进行带通滤波处理,得到中频分量参数;对加速度参数进行高通滤波处理,得到高频分量参数。
基于上述任一实施例,基于加速度参数,确定预设时段内车辆是否存在变速行驶行为、颠簸行为、抖动行为以及撞击行为中的一种或多种微行为,包括:
基于低频分量参数,确定预设时段内车辆是否存在变速行驶行为;
基于中频分量参数,确定预设时段内车辆是否存在颠簸行为和/或撞击行为;
基于高频分量参数,确定预设时段内车辆是否存在抖动行为。
具体地,在对加速度参数进行滤波处理后,分别得到低频分量参数、中频分量参数以及高频分量参数,从而可以基于不同的分量参数准确识别车辆的不同类型的微行为,具体为:基于低频分量参数,确定预设时段内车辆是否存在变速行驶行为;基于中频分量参数,确定预设时段内车辆是否存在颠簸行为和/或撞击行为;基于高频分量参数,确定预设时段内车辆是否存在抖动行为。
基于上述任一实施例,复合行为包括变道超车行为、过陡坡土岭行为、减速过弯道行为、刹车碰撞行为、掉头行为、停车入库行为、驾驶科目训练行为以及通过颠簸路面行为中的至少一种。
具体地,微行为可通过行驶参数进行演算和识别得到,方法简单直接且可实时完成。然而,车辆的行驶行为通常是比较复杂的复合行为,如变道超车行为、过陡坡土岭行为、减速过弯道行为、刹车碰撞行为、掉头行为、停车入库行为、驾驶科目训练行为以及通过颠簸路面行为,这些都可由微行为组合分析得到。复合行为的识别可以采用传统模式识别,也可以在微行为基础上标注,基于机器学习的方法识别,相较于传统的机器识别方法更加简单,有效和准确。
基于上述任一实施例,行驶参数是基于车辆的运动传感器、定位传感器以及传动系统获取的。
具体地,基于车辆的运动传感器、定位传感器以及传动系统,可以直接且快速获取车辆的行驶参数,从而可以基于行驶参数准确确定车辆的微行为。
下面对本发明提供的车辆行驶行为识别装置进行描述,下文描述的车辆行驶行为识别装置与上文描述的车辆行驶行为识别方法可相互对应参照。
基于上述任一实施例,本发明提供一种车辆行驶行为识别装置,如图3所示,该装置包括:
确定单元310,用于基于车辆的行驶参数,确定预设时段内所述车辆对应的多个微行为;
识别单元320,用于采用滑动窗口,按照各微行为的时间顺序对各微行为进行扫描,若存在至少两个微行为满足预设合并条件,则将对应的微行为合并判定为复合行为,并将所述复合行为作为所述车辆的行驶行为。
基于上述任一实施例,所述行驶参数包括速度参数、加速度参数以及角速度参数;所述微行为包括匀速行驶行为、变速行驶行为、上下坡行为、转向行驶行为、翻滚行为、颠簸行为、滑动行为、抖动行为以及撞击行为中的至少一种。
基于上述任一实施例,所述确定单元310,包括:
第一确定单元,用于基于所述速度参数,确定所述预设时段内所述车辆是否存在匀速行驶行为和/或上下坡行为;
第二确定单元,用于基于所述加速度参数,确定所述预设时段内所述车辆是否存在变速行驶行为、颠簸行为、抖动行为以及撞击行为中的一种或多种微行为;
第三确定单元,用于基于所述角速度参数,确定所述预设时段内所述车辆是否存在转向行驶行为、翻滚行为以及滑动行为中的一种或多种微行为。
基于上述任一实施例,还包括滤波单元,用于:
在确定预设时段内所述车辆对应的多个微行为之前,对所述加速度参数进行低通滤波处理,得到低频分量参数;对所述加速度参数进行带通滤波处理,得到中频分量参数;对所述加速度参数进行高通滤波处理,得到高频分量参数。
基于上述任一实施例,所述第二确定单元,包括:
低频确定单元,用于基于所述低频分量参数,确定所述预设时段内所述车辆是否存在变速行驶行为;
中频确定单元,用于基于所述中频分量参数,确定所述预设时段内所述车辆是否存在颠簸行为和/或撞击行为;
高频确定单元,用于基于所述高频分量参数,确定所述预设时段内所述车辆是否存在抖动行为。
基于上述任一实施例,所述复合行为包括变道超车行为、过陡坡土岭行为、减速过弯道行为、刹车碰撞行为、掉头行为、停车入库行为、驾驶科目训练行为以及通过颠簸路面行为中的至少一种。
基于上述任一实施例,所述行驶参数是基于所述车辆的运动传感器、定位传感器以及传动系统获取的。
图4是本发明提供的电子设备的结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、存储器(memory)420、通信接口(Communications Interface)430、传感器(sensors)450和通信总线440,其中,处理器410,存储器420,通信接口430,传感器450通过通信总线440完成相互间的通信。处理器410可以调用存储器420中的逻辑指令,以执行车辆行驶行为识别方法,该方法包括:基于车辆的行驶参数,确定预设时段内所述车辆对应的多个微行为;采用滑动窗口,按照各微行为的时间顺序对各微行为进行扫描,若存在至少两个微行为满足预设合并条件,则将对应的微行为合并判定为复合行为,并将所述复合行为作为所述车辆的行驶行为。
此外,上述的存储器420中的逻辑指令可以通过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,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明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)执行本发明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:Flash、U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的车辆行驶行为识别方法,该方法包括:基于车辆的行驶参数,确定预设时段内所述车辆对应的多个微行为;采用滑动窗口,按照各微行为的时间顺序对各微行为进行扫描,若存在至少两个微行为满足预设合并条件,则将对应的微行为合并判定为复合行为,并将所述复合行为作为所述车辆的行驶行为。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的车辆行驶行为识别方法,该方法包括:基于车辆的行驶参数,确定预设时段内所述车辆对应的多个微行为;采用滑动窗口,按照各微行为的时间顺序对各微行为进行扫描,若存在至少两个微行为满足预设合并条件,则将对应的微行为合并判定为复合行为,并将所述复合行为作为所述车辆的行驶行为。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如Flash、ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上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的精神和范围。
Claims (10)
1.一种车辆行驶行为识别方法,其特征在于,包括:
基于车辆的行驶参数,确定预设时段内所述车辆对应的多个微行为;
采用滑动窗口,按照各微行为的时间顺序对各微行为进行扫描,若存在至少两个微行为满足预设合并条件,则将对应的微行为合并判定为复合行为,并将所述复合行为作为所述车辆的行驶行为。
2.根据权利要求1所述的车辆行驶行为识别方法,其特征在于,所述行驶参数包括速度参数、加速度参数以及角速度参数;所述微行为包括匀速行驶行为、变速行驶行为、上下坡行为、转向行驶行为、翻滚行为、颠簸行为、滑动行为、抖动行为以及撞击行为中的至少一种。
3.根据权利要求2所述的车辆行驶行为识别方法,其特征在于,所述基于车辆的行驶参数,确定预设时段内所述车辆对应的多个微行为,包括:
基于所述速度参数,确定所述预设时段内所述车辆是否存在匀速行驶行为和/或上下坡行为;
基于所述加速度参数,确定所述预设时段内所述车辆是否存在变速行驶行为、颠簸行为、抖动行为以及撞击行为中的一种或多种微行为;
基于所述角速度参数,确定所述预设时段内所述车辆是否存在转向行驶行为、翻滚行为以及滑动行为中的一种或多种微行为。
4.根据权利要求3所述的车辆行驶行为识别方法,其特征在于,所述确定预设时段内所述车辆对应的多个微行为,之前还包括:
对所述加速度参数进行低通滤波处理,得到低频分量参数;
对所述加速度参数进行带通滤波处理,得到中频分量参数;
对所述加速度参数进行高通滤波处理,得到高频分量参数。
5.根据权利要求4所述的车辆行驶行为识别方法,其特征在于,所述基于所述加速度参数,确定所述预设时段内所述车辆是否存在变速行驶行为、颠簸行为、抖动行为以及撞击行为中的一种或多种微行为,包括:
基于所述低频分量参数,确定所述预设时段内所述车辆是否存在变速行驶行为;
基于所述中频分量参数,确定所述预设时段内所述车辆是否存在颠簸行为和/或撞击行为;
基于所述高频分量参数,确定所述预设时段内所述车辆是否存在抖动行为。
6.根据权利要求1至5任一项所述的车辆行驶行为识别方法,其特征在于,所述复合行为包括变道超车行为、过陡坡土岭行为、减速过弯道行为、刹车碰撞行为、掉头行为、停车入库行为、驾驶科目训练行为以及通过颠簸路面行为中的至少一种。
7.根据权利要求1至5任一项所述的车辆行驶行为识别方法,其特征在于,所述行驶参数是基于所述车辆的运动传感器、定位传感器以及传动系统获取的。
8.一种车辆行驶行为识别装置,其特征在于,包括:
确定单元,用于基于车辆的行驶参数,确定预设时段内所述车辆对应的多个微行为;
识别单元,用于采用滑动窗口,按照各微行为的时间顺序对各微行为进行扫描,若存在至少两个微行为满足预设合并条件,则将对应的微行为合并判定为复合行为,并将所述复合行为作为所述车辆的行驶行为。
9.一种电子设备,包括传感器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述车辆行驶行为识别方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述车辆行驶行为识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110975815.1A CN113715834B (zh) | 2021-08-24 | 2021-08-24 | 车辆行驶行为识别方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110975815.1A CN113715834B (zh) | 2021-08-24 | 2021-08-24 | 车辆行驶行为识别方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113715834A true CN113715834A (zh) | 2021-11-30 |
CN113715834B CN113715834B (zh) | 2023-05-16 |
Family
ID=78677674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110975815.1A Active CN113715834B (zh) | 2021-08-24 | 2021-08-24 | 车辆行驶行为识别方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113715834B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105416296A (zh) * | 2015-12-07 | 2016-03-23 | 重庆云途交通科技有限公司 | 一种基于三轴线加速度计的驾驶行为分析方法 |
US20170349182A1 (en) * | 2016-06-06 | 2017-12-07 | Truemotion, Inc. | Systems and methods for scoring driving trips |
GB201804954D0 (en) * | 2018-03-27 | 2018-05-09 | Points Protector Ltd | Driving monitoring |
CN108515972A (zh) * | 2018-03-30 | 2018-09-11 | 深圳市中兴物联科技有限公司 | 一种基于信息融合的驾驶行为感知方法及其系统 |
CN111126438A (zh) * | 2019-11-22 | 2020-05-08 | 北京理工大学 | 一种驾驶行为识别方法及系统 |
CN111354193A (zh) * | 2020-02-26 | 2020-06-30 | 江苏大学 | 一种基于5g通信的高速公路车辆异常行为预警系统 |
CN112330442A (zh) * | 2020-11-17 | 2021-02-05 | 深圳市欢太科技有限公司 | 基于超长行为序列的建模方法及装置、终端、存储介质 |
CN112396093A (zh) * | 2020-10-29 | 2021-02-23 | 中国汽车技术研究中心有限公司 | 驾驶场景分类方法、装置、设备及可读存储介质 |
-
2021
- 2021-08-24 CN CN202110975815.1A patent/CN113715834B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105416296A (zh) * | 2015-12-07 | 2016-03-23 | 重庆云途交通科技有限公司 | 一种基于三轴线加速度计的驾驶行为分析方法 |
US20170349182A1 (en) * | 2016-06-06 | 2017-12-07 | Truemotion, Inc. | Systems and methods for scoring driving trips |
GB201804954D0 (en) * | 2018-03-27 | 2018-05-09 | Points Protector Ltd | Driving monitoring |
CN108515972A (zh) * | 2018-03-30 | 2018-09-11 | 深圳市中兴物联科技有限公司 | 一种基于信息融合的驾驶行为感知方法及其系统 |
CN111126438A (zh) * | 2019-11-22 | 2020-05-08 | 北京理工大学 | 一种驾驶行为识别方法及系统 |
CN111354193A (zh) * | 2020-02-26 | 2020-06-30 | 江苏大学 | 一种基于5g通信的高速公路车辆异常行为预警系统 |
CN112396093A (zh) * | 2020-10-29 | 2021-02-23 | 中国汽车技术研究中心有限公司 | 驾驶场景分类方法、装置、设备及可读存储介质 |
CN112330442A (zh) * | 2020-11-17 | 2021-02-05 | 深圳市欢太科技有限公司 | 基于超长行为序列的建模方法及装置、终端、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113715834B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106080590B (zh) | 车辆控制方法和装置以及决策模型的获取方法和装置 | |
CN111731284B (zh) | 一种辅助驾驶方法、装置、车载终端设备和存储介质 | |
CN109358614A (zh) | 自动驾驶方法、系统、装置及可读存储介质 | |
CN111311914B (zh) | 车辆行驶事故监控方法、装置和车辆 | |
JP2022551272A (ja) | 自動駐車制御方法及び装置 | |
DE102016109110A1 (de) | Fahrzeuggeschwindigkeitsbeschränkungsvorrichtung und Fahrzeuggeschwindigkeitssteuerungsvorrichtung | |
CN110533958A (zh) | 车辆变道提醒方法及系统 | |
WO2019106789A1 (ja) | 処理装置及び処理方法 | |
CN110299003A (zh) | 为测试车辆仿真不同的交通状况的方法 | |
CN110660194A (zh) | 一种驾驶监控预警方法及系统 | |
CN109760678A (zh) | 一种汽车自适应巡航系统的限速方法 | |
CN110126730A (zh) | 车辆变道提醒方法及系统 | |
Muehlfeld et al. | Statistical behavior modeling for driver-adaptive precrash systems | |
CN105083161A (zh) | 物体识别装置以及物体识别方法 | |
CN111413973A (zh) | 车辆的换道决策方法及装置、电子设备、存储介质 | |
CN112849160B (zh) | 一种基于自动驾驶的车辆控制的方法和装置 | |
CN111047047A (zh) | 驾驶模型的训练方法和装置、电子设备、计算机存储介质 | |
CN112100857B (zh) | 一种分心驾驶行为的风险评估方法 | |
CN105882515A (zh) | 应用于行车记录仪的信息处理方法、装置及行车记录仪 | |
US9415778B2 (en) | Apparatus and method for determining careless driving | |
CN109987090A (zh) | 驾驶辅助系统和方法 | |
JP2020083314A (ja) | 周辺騒音を用いた走行安全制御システム及びその制御方法 | |
CN112562119B (zh) | 辅助驾驶中的压线检测方法、装置及计算机设备 | |
CN112277944B (zh) | 一种道路巡航方法、装置及介质 | |
CN111310696B (zh) | 基于泊车异常行为分析的泊车事故识别方法、装置和车辆 |
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 |