CN113807305A - 基于朴素贝叶斯分类算法的道路破坏性预测自动驾驶方法 - Google Patents

基于朴素贝叶斯分类算法的道路破坏性预测自动驾驶方法 Download PDF

Info

Publication number
CN113807305A
CN113807305A CN202111134055.8A CN202111134055A CN113807305A CN 113807305 A CN113807305 A CN 113807305A CN 202111134055 A CN202111134055 A CN 202111134055A CN 113807305 A CN113807305 A CN 113807305A
Authority
CN
China
Prior art keywords
target object
earthquake
vehicle
classification
road
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.)
Pending
Application number
CN202111134055.8A
Other languages
English (en)
Inventor
宫雪峰
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202111134055.8A priority Critical patent/CN113807305A/zh
Publication of CN113807305A publication Critical patent/CN113807305A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06F18/24155—Bayesian classification
    • 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
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Traffic Control Systems (AREA)

Abstract

基于朴素贝叶斯分类算法的道路破坏性预测自动驾驶方法，包括模型构建阶段a、破坏性预测阶段b及驾驶策略构建与执行阶段c；通过阶段a对地震历史道路破坏图像进行三次分类以构建出多组数据集，通过对每组数据集进行识别以获取针对每组数据集中每个目标物的样本集，基于构建的朴素贝叶斯分类模型对目标物进行训练；通过阶段b计算出车辆所属震区并获取与其所属震区对应的样本集，对车辆行驶方向上的目标物并对其进行特征属性的识别；计算出与该目标物对应的倒塌分类标签以将其确认为倒塌目标；通过阶段c生成目标物倒塌的道路模型并对车辆进行相应的自动驾驶控制。以便对车辆进行与道路破坏性预测结果相对应的驾驶策略控制以避开倒塌的目标物。

Description

基于朴素贝叶斯分类算法的道路破坏性预测自动驾驶方法
技术领域
本发明涉及车辆自动驾驶技术领域，特别涉及一种基于朴素贝叶斯分类算法的道路破坏性预测自动驾驶方法。
背景技术
地震发生后，有纵波（P波）和横波（S波）两种主要地震波同时由震中向外传播。纵波传播速度较快，大约6公里/秒，但震动相对较小。横波速度较慢，大约4公里/秒，携带能量大，是大地震时造成破坏的元凶。地震警报系统（即地震预警）是利用震中附近监测仪器捕捉到地震纵波后，快速估算地震参数并预测地震对周边地区的影响，抢在破坏性横波到达震中周边地区前，通过电子通讯系统发布预测地震强度和到达时间的警报信息，使相关机构和公众能采取紧急措施，减轻人员伤亡和灾害损失。
目前已存在当接收到地震灾害警报时通过控制车辆自动驾驶以使车辆退避至路肩进行躲避的现有技术方案，如现有专利文献CN110626331A（文献1）以及文献1中所提及的专利文献日本特开2010-20371号公报JP2010-020371A（文献2）；文献1虽然在文献2的基础上进行了改进，即能够在地震发生时使车辆迅速地进行退避或避难，具体为控制车辆迅速停在路肩并从车内退避或者控制车辆行驶至避难场所进行避难。然而这种避难方式在实际中却难以实现或达到预期效果：使车辆自行驶位置至避难场所的时间难以有效控制在地震到达时间内，尤其是在地震有效预警时间通常在几秒至几十秒的现实基础上；使车辆停在路肩上具有临时避难的可行性，但若某一路段行驶车辆较多则会导致缺乏容纳空间进而造成交通混乱，且即便不存在这一情况，当地震烈度较大时，停放在路肩的车辆也具有在地震到达时被附近物体倒塌而砸中的风险；当地震烈度较小时，则又会导致无用的躲避以影响车辆的正常行驶。
可见，现有技术更加缺乏的，是能够在地震到达前对道路的破坏性结果进行预测，以便对车辆进行与预测结果相对应的驾驶策略控制的技术方案。
发明内容
发明目的：
为了克服背景技术中指出的缺点，本发明实施例提供了一种基于朴素贝叶斯分类算法的道路破坏性预测自动驾驶方法，能够有效解决上述背景技术中涉及的问题。
技术方案：
自动驾驶方法，该方法包括模型构建阶段a、破坏性预测阶段b以及驾驶策略构建与执行阶段c。
其中，模型构建阶段a包括以下步骤：a1、以震级区间为分类属性对地震历史道路破坏图像进行初次分类；a2、以给定的震源深度区间为分类属性对经过初次分类后的地震历史道路破坏图像进行二次分类；a3、以震中为中心向外扩散出多个震区，以所属震区为分类属性对经过二次分类后的地震历史道路破坏图像进行三次分类以构建出多组数据集；a4、分别对每组数据集进行目标物、目标物对应特征属性以及目标物对应分类标签的结果识别以获取针对每组数据集中每个目标物的样本集，其中，目标物为倒塌后对道路通行产生阻碍的物体，目标物对应分类标签为倒塌与不倒塌；a5、构建与目标物对应的朴素贝叶斯分类模型，将每个目标物的样本集拆分为训练集与验证集，利用训练集对朴素贝叶斯分类模型进行训练并利用验证集对训练结果进行验证。
其中，破坏性预测阶段b包括以下步骤：b1、接收地震预警信息，其中该地震预警信息至少包括震中位置、震级以及震源深度；b2、获取车辆位置信息，根据该车辆位置信息与地震预警信息计算出车辆所属震区并获取与其所属震区对应的样本集；b3、获取车辆行驶方向上预设范围内的目标物并对其进行特征属性的识别；b4、将识别出的目标物的特征属性输入至与目标物对应的朴素贝叶斯分类模型以计算出与该目标物对应的分类标签并输出；b5、在读取的输出结果为倒塌时将该目标物确认为倒塌目标。
其中，驾驶策略构建与执行阶段c包括以下步骤：c1、获取所有被确认为倒塌目标的目标物并根据该目标物的特征属性以及道路数据生成等比例的目标物倒塌的道路模型；c2、控制车辆进入自动驾驶模式，根据该道路模型生成针对车辆的安全驾驶策略并根据该安全驾驶策略对车辆进行相应的驾驶控制。
优选地，该地震历史道路破坏图像为视频格式。
当目标物对应分类标签为倒塌时，其还具有倒塌时间间隔的子分类标签；其中，倒塌时间间隔是指目标物自地震时间至倒塌时间的时间间隔。
在步骤a4中，当识别出目标物对应分类标签为倒塌时，还包括：分别对每组数据集进行目标物对应子分类标签的识别。
优选地，步骤c1包括：获取所有被确认为倒塌目标的目标物以及与其对应的子分类标签，根据道路数据、该目标物的特征属性以及与其对应的子分类标签生成等比例的标识有目标物倒塌时间的道路模型。
优选地，步骤a1包括：以地形种类为分类属性对地震历史道路破坏图像进行预先分类，以震级区间为分类属性对预先分类后的地震历史道路破坏图像进行初次分类。其中，地形种类包括平原、山地、丘陵、高原以及盆地。
优选地，步骤a1包括：以土壤属性区间为分类属性对地震历史道路破坏图像进行预先分类，以震级区间为分类属性对预先分类后的地震历史道路破坏图像进行初次分类。其中，土壤属性区间为土壤硬度区间和/或土壤厚度区间。
优选地，步骤a3包括：以震中为圆心、给定的间距为半径，向外旋转扩散出一圆形震区，并根据该间距向圆形震区外依次扩散出多个环形震区；以该形圆震区以及多个环形震区为分类属性对经过二次分类后的地震历史道路破坏图像进行三次分类以构建出多组数据集。
优选地，步骤c2包括：从该道路模型中获取出无目标物倒塌区域，根据获取的无目标物倒塌区域判断在行驶方向上是否存在供车辆正常通过的路径，若存在则将该路径确认为目标路径，并控制车辆进行自动前进以通过该目标路径。
优选地，步骤c2包括：从该道路模型中获取出无目标物倒塌区域，根据获取的无目标物倒塌区域判断在行驶方向上是否存在供车辆停放的路肩区域，若存在则将该路肩区域确认为目的地，并控制车辆进行自动驾驶以驶入该目的地进行停放。
优选地，在步骤b4之前，还包括：获取与车辆行驶方向相反方向上预设范围内的目标物并对其进行特征属性的识别。
优选地，步骤c2包括：从该道路模型中获取出无目标物倒塌区域，根据获取的无目标物倒塌区域判断在与行驶方向相反的方向上是否存在供车辆停放的路肩区域，若存在，则将该路径确认为目的地，并控制车辆进行自动退避以行驶至该目的地进行停放。
本发明实现以下有益效果：
本发明能够基于朴素贝叶斯分类模型在地震到达前对车辆前/后方的道路的破坏性结果进行预测，以便对车辆进行与预测结果相对应的驾驶策略控制以避开预测结果为倒塌的目标物，进而能够最大程度的避免地震造成的目标物倒塌以对行驶在道路上的车辆造成损伤。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是本发明实施例提供的一种自动驾驶方法的流程图。
图2是本发明实施例提供的一种自动驾驶方法的执行分布图。
图3是本发明实施例提供的另一种自动驾驶方法的执行分布图。
图4是本发明实施例提供的地震历史道路破坏图像初次、二次以及三次分类的结构图。
图5是本发明实施例提供的圆形震区以及环形震区的扩散图。
图6是本发明实施例提供的CNN模型的结构图。
图7是本发明实施例提供的车辆前方预设范围内目标物检测的环境图。
图8是本发明实施例提供的基于第一种安全驾驶策略对车辆进行相应驾驶控制的流程图。
图9是本发明实施例提供的基于第二种安全驾驶策略对车辆进行相应驾驶控制的流程图。
图10是本发明实施例提供的基于第三种安全驾驶策略对车辆进行相应驾驶控制的流程图。
图11是本发明实施例提供的以地形种类为分类属性的地震历史道路破坏图像预先分类的结构图。
图12是本发明实施例提供的以土壤硬度区间为分类属性的地震历史道路破坏图像预先分类的结构图。
图13是本发明实施例提供的以土壤厚度区间为分类属性的地震历史道路破坏图像预先分类的结构图。
图14是本发明实施例提供的自动驾驶装置的结构图。
具体实施方式
在此描述了本发明公开的实施例。然而，应理解的是，本发明公开的以下实施例仅为示例，并且其他实施例可采用多种和替代的形式。附图不一定按比例绘制；可夸大或最小化一些特征以示出特定组件的细节。因此，在此所公开的具体结构和功能细节不应解释为限制，而仅作为用于教导本领域技术人员以多种形式使用本发明的代表性基础。如本领域的普通技术人员将理解的是，参照任一附图示出和描述的多种特征可与一个或更多个其他附图中示出的特征组合，以产生未明确示出或描述的实施例。示出的特征的组合提供用于典型应用的代表性实施例。然而，与本发明公开的教导一致的特征的多种组合和修改可被期望用于特定的应用或实施方式。
本实施例提供的自动驾驶方法应用在具有自动驾驶功能的车辆上，以对该车辆进行自动驾驶控制；该车辆的动力来源包括但不限于柴油发动机、汽油发动机、电动车辆电动机以及混合动力等。
本实施例提供的自动驾驶方法由模型构建阶段a、破坏性预测阶段b以及驾驶策略构建与执行阶段c构成。
一种实施方式中，如图2所示，模型构建阶段a由云端服务器200执行，破坏性预测阶段b以及驾驶策略构建与执行阶段c由车辆201执行。
一种实施方式中，如图3所示，型构建阶段a、破坏性预测阶段b由云端服务器200执行，而驾驶策略构建与执行阶段c由车辆201执行。
其中，云端服务器200与车辆201之间建立无线通信；当车辆201执行本实施例的自动驾驶方法时，具体将通过其包括的部件（硬件和/或软件）执行。
在基于本实施例的自动驾驶方法控制车辆201自动驾驶时，可以是将车辆201由用户驾驶模式下切换成自动驾驶模式，例如生成一个切换提醒并基于用户的确认进行驾驶模式的切换，或者在紧急情况下直接进行驾驶模式的切换；也可以将车辆201由原本进行的自动驾驶模式中切换为基于本实施例自动驾驶方法的自动驾驶模式。
如图1、图4、图5所示，模型构建阶段a包括a1~a5等步骤。其中，在图4中的二次分类和三次分类中，为了便于示出，仅对其中一个被初次分类和二次分类后的存储地震历史道路破坏图像的数据库进行了分类描述。
a1、以震级区间为分类属性对地震历史道路破坏图像进行初次分类。
地震历史道路破坏图像，是指历史地震灾害中地震发生后对道路造成破坏的若干场景，可以狭义的理解为位于道路上方、周边的物体被地震带来的外力以发生倒塌后对道路的破坏场景；可选地，不仅限于物体倒塌在道路表面的场景，也可以是常见于道路上方、周边的物体倒塌在其它区域的破坏场景；所描述的常见于道路上方、周边的物体例如是树木、路灯、广告牌、标志牌、房屋、基站、桥梁以及风车等。
地震历史道路破坏图像的获取方式包括且不限于利用爬虫工具从互联网中进行爬取和/或在历史地震资料库中进行获取，并将获取的地震历史道路破坏图像存储在总数据库401中；其中，获取的地震历史道路破坏图像中加入了与其场景对应的地震数据以携带在图像中，该地震数据至少包括震级、震中位置、至震中的直线距离、震源深度、发震时间等相关数据。
震级选为里氏震级（M），震级区间为0＜M＜1.0,1.0≤M＜2.0,2.0≤M＜3.0,3.0≤M＜4.0,4.0≤M＜5.0,5.0≤M＜6.0,6.0≤M＜7.0,7.0≤M＜8.0,8.0 ≤M＜n；由于3.0级以下的地震造成的影响比较轻微，故将其剔除，仅保留3.0级以上的地震区间；可选地，也可以剔除4.0级以下的地震区间。获取数总数据库401中存储的地震历史道路破坏图像，分别对其各自对应的震级进行识别并根据识别结果将其划分至上述不同的震级区间，进而根据对应的震级区间将地震历史道路破坏图像进行分类存储；即将与震级区间3.0≤M＜4.0,4.0≤M＜5.0,5.0≤M＜6.0,6.0≤M＜7.0,7.0≤M＜8.0,8.0 ≤M＜n所分别对应的地震历史道路破坏图像进行分类以分别存储至各主数据库402中；至此完成初次分类。
a2、以给定的震源深度区间为分类属性对经过初次分类后的地震历史道路破坏图像进行二次分类。
震源深度（H）是从震源到地面(震中)的垂直距离；根据震源深度可以把地震分为浅源地震、中源地震和深源地震；浅源地震0~60KM，简称浅震，浅震对构筑物威胁最大，同级地震，震源越浅，破坏力越强；中源地震60~300 KM；深源地震，300 KM以上；观测到最深的地震是720 KM。对于同级地震，震源越浅，破坏越大，波及范围越小，反之则反。破坏性地震一般是浅源地震。
本实施例中的震源深度区间可以按照上述的震源划分方式进行区分，即将震源深度区间划分为0≤H＜60,60≤H＜300,300≤H＜n（KM）。
优选地，本实施例中的震源深度区间按照设定的数值区间进行划分，数值区间可基于研发/实施人员的研究需要和为达到更好的实施效果需要进行改变；例如作为一组示例，以10KM为间隔，将震源深度区间划分为0≤H＜10,10≤H＜20,20≤H＜30…n≤H＜n+10。分别获取各主数据库402中存储的经过初次分类后的地震历史道路破坏图像，分别对其各自对应的震源深度进行识别并根据识别结果将其划分至上述不同的震源深度区间，进而根据对应的震源深度区间将地震历史道路破坏图像进行分类以存储在各分数据库403中；例如将与震源深度区间0≤H＜10,10≤H＜20,20≤H＜30…n≤H＜n+10所分别对应的地震历史道路破坏图像进行分类以存储在各分数据库403中；至此完成二次分类。
a3、以震中为中心向外扩散出多个震区，以所属震区为分类属性对经过二次分类后的地震历史道路破坏图像进行三次分类以构建出多组数据集。
一种实施方式中，如图5所示，a3具体为：以震中为圆心、给定的间距为半径，向外旋转扩散出一圆形震区，并根据该间距向圆形震区外依次扩散出多个环形震区；以该形圆震区以及多个环形震区为分类属性对经过二次分类后的地震历史道路破坏图像进行三次分类以构建出多组数据集。
具体的，间距的大小可以根据实际需要进行设定，所设定的最佳值可理解为地震造成的破坏力度在远近区域的变化边界距离值，即在边界的两侧区域，地震的破坏力度有明显区别；当然这是理想的状态下；为了便于实施，给出一设定的间距例如为10KM；即以震中为圆心、10KM的间距为半径，向外旋转扩散出一圆形震区q1，并根据该间距10KM向圆形震区外依次扩散出多个环形震区q2~qn。
本步骤中，需要对各分数据库403存储的地震历史道路破坏图像进行进一步的分类，针对各分数库403，具体将识别其存储的地震历史道路破坏图像所对应的至震中的直线距离L，将识别出的至震中的直线距离L满足0≤L＜10KM的地震历史道路破坏图像列为属于圆形震区q1、至震中的直线距离L满足10≤L＜20KM的地震历史道路破坏图像列为属于圆形震区q2、至震中的直线距离L满足20≤L＜30KM的地震历史道路破坏图像列为属于圆形震区q3…以此类推进行分类并存储在各子数据库404中，以构建出多组数据集，至此完成三次分类；其中，与一个震区（圆形震区/环形震区）对应的子数据库404为一组数据集，即数据集的组数与扩散出的震区数量相同。
a4、分别对每组数据集进行目标物、目标物对应特征属性以及目标物对应分类标签的结果识别以获取针对每组数据集中每个目标物的样本集，其中，目标物为倒塌后对道路通行产生阻碍的物体，目标物对应分类标签为倒塌与不倒塌。
目标物也可以等同于以上所描述的常见于道路上方、周边的物体，即是树木、路灯、广告牌、标志牌、房屋、基站、桥梁以及风车等；目标物对应特征属性即能够反映目标物在抗震（外观、结构）等方面的表现或性质的事项，是依据不同的目标物的特性预先设置的，而本实施例中描述的“对目标物对应特征属性的识别”是指对目标物对应特征属性值的识别；在识别每组数据集中的地震历史道路破坏图像时，具体是对图像内中存在的属于目标物的物体进行识别、并对识别出的目标物所对应的特征属性值进行识别以及对目标物对应分类标签（倒塌/不倒塌）进行识别。
可选地，采用CNN（卷积神经网络）模型对目标物以及目标物对应分类标签进行识别：将待识别的地震历史道路破坏图像输入至CNN模型中，由CNN模型对图像进行特征的提取，将提取的特征输入至分类器进行分类识别，并输出识别结果，即输出识别结果为目标物的概率以确定其所属的目标物；其中，CNN模型的结构原理、分类器的训练过程（预先对目标物的相关、相似图像进行分类训练以使分类器具备识别目标物以及目标物是否为倒塌状态的能力）以及图像识别的详细过程等属于图像检测领域中的公知技术，在本实施例中不对其进行过多描述；其对应的基础结构可如图6所示。另外，其它具有图像识别与分类功能的算法模型也可适用于本实施例对目标物的识别中。
不同的目标物对应的特征属性不同，以其实际尺寸为优先/主要识别对象；例如“树木”的实际尺寸包括树干直径、树冠直径、树高（树冠顶部至地面的垂直高度）；其中，树干直径通常分为四种形式；胸径一般是指距地面往上1.3米处的树干直径；米径是指距地面往上1.0米处的树干直径；地径是指距地面往上0.1米处的树干直径；基径是指距地面根颈处的树干直径；本实施例中，优选为将树干直径设为位于树干中间部位的直径。
可选地，其它的特征属性还可以包括例如树木所属的种类；树木所属种类可以按照乔木、朱蕉木、松柏木、针叶木、阔叶木、灌木、藤木等进行划分，也可以进一步按照具体的树木名称作为种类划分依据（例如松树、柳树、白杨等）。
可选地，还可以将树龄作为其中一种特征属性进行识别，树龄的常规识别方式为通过年轮来确定，由于本实施例是基于图像进行的识别，因此无法通过年轮的识别方式确定树龄；作为一种实施方式，可获取地震历史道路破坏图像对应的所处位置，基于该位置获取对应树木的种植时间（需要预先记录道路周围树木的种植时间），并结合当下时间以计算出树龄。
参见表1，作为一种示例性的，当目标物识别结果为树木时，目标物对应特征属性、分类标签的样本集：
表1
序号 树干直径（cm） 树冠直径（cm） 树高（cm） 分类标签
1 45 286 1248 倒塌
2 63 533 1843 不倒塌
3 37 207 881 倒塌
4 24 421 935 不倒塌
… … … … …
上述表1中的数据仅作为参考，为了对“树木”对应特征属性、分类标签的样本集进行描述以便理解。
例如“路灯”的实际尺寸可包括杆体直径、杆体高度、灯体尺寸等；例如“广告牌、标志牌”的实际尺寸可包括杆体直径、杆体高度、主体（牌体）尺寸等；例如“风车”的实际尺寸可包括杆体直径、杆体高度、叶片直径、叶片数量等；例如“基站”的实际尺寸可包括塔体高度、塔体底部/顶部宽度等；例如“桥梁”的实际尺寸可包括桥宽、桥高、桥墩高度、邻近两个桥墩的间距等。
实际应用中，如果无法通过图像识别的方式获取各目标物的实际尺寸，则可以采用上述的针对树龄的识别方式进行对应尺寸数据的获取，即基于获取的地震历史道路破坏图像对应的位置在相应的预先记录的资料库中获取对应目标物的实际尺寸；且本实施例仅对目标物的实际尺寸包含的种类进行举例，实际中还可以包含其它的数据作为目标物的特征属性。
针对目标物实际尺寸的识别，可先利用openCV的findContours轮廓查找功能，用已知物体的尺寸作为参考，根据实际尺寸与像素尺寸的比例，求出样本图片中物体的实际大小；再根据样本图片中物体的像素尺寸与物体实际大小的比例以及待识别图片中的目标物的像素尺寸求出目标物的实际尺寸；其中样本图片与待识别图片的分辨率相同。
以上描述的针对目标物实际尺寸的识别方式仅作为一种选择项，实际应用中其它能够识别图像目标物实际尺寸的方式也可作为选择项，且作为图像识别领域已经较为成熟的技术，在本实施例中仅做简略说明。
a5、构建与目标物对应的朴素贝叶斯分类模型，将每个目标物的样本集拆分为训练集与验证集，利用训练集对朴素贝叶斯分类模型进行训练并利用验证集对训练结果进行验证，进而得出分类模型。
一组数据集（子数据库404）所对应的朴素贝叶斯分类模型的数量是与该数据集内存在的目标物的种类数量对应的。
朴素贝叶斯分类模型中，目标物对应分类标签识别结果为倒塌的条件概率（后验概率）表达为：
Figure 268163DEST_PATH_IMAGE001
目标物对应分类标签识别结果为不倒塌的条件概率表达为：
Figure 387341DEST_PATH_IMAGE002
其中Ti表示目标物对应特征属性,P（倒塌|Ti）表示为目标物倒塌的后验概率, P（Ti |倒塌）表示为目标物倒塌发生后对应特征属性Ti的后验概率，P（Ti ）是Ti的先验概率；P（不倒塌|Ti）表示为目标物不倒塌的后验概率，P（Ti |不倒塌）表示为目标物不倒塌发生后对应特征属性Ti的后验概率。
当P（倒塌|Ti）＞P（不倒塌|Ti），则Ti的分类标签为倒塌；当P（不倒塌|Ti）＞P（倒塌|Ti），则Ti的分类标签为不倒塌。
如图1所示，破坏性预测阶段b包括b1~b5等步骤。
b1、接收地震预警信息，其中该地震预警信息至少包括震中位置（经纬度数据）、震级以及震源深度。
地震预警信息，即地震监测台网监测到地震发生时（检测到P波震动）所产生的预警信息。
b2、获取车辆位置信息，根据该车辆位置信息与地震预警信息计算出车辆201所属震区并获取与其所属震区对应的样本集。
具体的，结合图4、图5所示，根据接收到的地震预警信息中的震级选取与之匹配的主数据库402，接着根据接收到的地震预警信息中的震源深度选取与之匹配的分数据库403，再根据车辆位置信息与地震预警信息中的震中位置计算出车辆201所处位置至震中位置的距离，并以此为据判别出车辆201所属震区（q1,q2,q3…qn）,以确定与其对应的数据集以获取针对该组数据集（其中一子数据库404）中每个目标物的样本集。
作为示例，例如接收到的地震预警信息的内容为【震中：北纬XY.0°、东经XY.6°，震级：7.5级，震源深度：18KM】；则震级属于7.0≤M＜8.0这一震级区间内，选取该区间对应的主数据库402，震源深度属于10≤H＜20这一震源深度区间，选取与该区间对应的分数据库403,根据车辆位置信息与震中位置（北纬XY.0°、东经XY.6°）计算出车辆201所处位置至震中位置的距离，假设计算出的距离为28KM，则判别出车辆201所属震区为q3（环形震区）,以确定与其对应的数据集以获取针对该组数据集中每个目标物的样本集。
b3、获取车辆210行驶方向上预设范围内的目标物并对其进行特征属性的识别。
结合图7所示，车辆201在道路上行驶时，获取车辆201前方预设范围内存在的目标物，其中预设范围可根据车辆201当前的行驶速度对应设定，即获取车辆201前方一段距离内的区域存在的目标物。
优选地，车辆201行驶方向上预设范围内的目标物的获取方式为：预先对各道路所处环境进行影像采集以形成具有实景的地图数据，例如各导航软件的实景地图；根据车辆201所处的位置获取预设范围对应的位置，将其输入至地图数据中以获取相对应的实景图像；利用例如CNN或者其它图像检测模型对该预设范围内的实景图像进行目标物的识别，即识别出该预设范围内存在的目标物，并利用CNN或者其它图像检测模型以及结合上述识别目标物实际尺寸的方式对识别出的目标物进行特征属性的识别。
可选地，通过车辆201本身搭载的激光雷达（向车辆201的周围照射红外线等光，通过捕捉其反射光来检测物体的位置）、毫米波雷达（向车辆201的周围发射毫米波等电波，通过捕捉其反射波来检测物体的位置）、超声波传感器（向车辆201的周围发射超声波，通过捕捉其反射波来检测物体的位置）、摄像头（实时获取车辆20前方影像）等电子部件的单独或部分/全部融合以对车辆201前方预设范围内进行目标物的检测，这种检测方式由于是实时采集检测，相较于前者采集到的数据更新，但检测范围具有一定的局限性，只能对有限范围内进行目标物的检测，因此目前仅能作为辅助手段对目标物进行检测，但不代表未来不会采用对其方式的优先选择；另外该方式还可以作为对前者目标物检测方式的核验（数据对比），以确保前者所获取的目标物的准确性。
b4、将识别出的目标物的特征属性输入至与目标物对应的朴素贝叶斯分类模型以计算出与该目标物对应的分类标签并输出。
所描述的与目标物对应的朴素贝叶斯分类模型，是指与车辆201所属震区对应的样本集中，与目标物对应的朴素贝叶斯分类模型；将b3中识别出的车辆201行驶方向上预设范围内的目标物的特征属性输入至与目标物对应的朴素贝叶斯分类模型以计算出与该目标物对应的分类标签，即分别计算出该目标物在识别出的特征属性下倒塌、不倒塌的后验概率，哪种后验概率大，则将其认为是目标物的分类标签。
b5、在读取的输出结果为倒塌时将该目标物确认为倒塌目标。
在目标物在识别出的特征属性下倒塌的后验概率大于不倒塌的后验概率时，即输出结果为倒塌，将对应的目标物确认为倒塌目标；示例的，例如获取车辆201前方一段距离内的区域存在的目标物包括【树1，树2，…树n；房屋1，房屋2，…房屋n】，其中针对【树1、树4、树6…房屋1】的输出结果为倒塌，则将其确认为倒塌目标。
如图1所示，驾驶策略构建与执行阶段c包括步骤c1、c2。
c1、获取所有被确认为倒塌目标的目标物并根据该目标物的特征属性以及道路数据生成等比例的目标物倒塌的道路模型。
预先在地图数据库中存储表示为3D电子地图的道路模型，在获取所有被确认为倒塌目标的目标物以及道路数据后，将其融入至3D电子地图中进行对应查找，在查找出对应的部分后将该部分进行获取以生成等比例的该目标物倒塌的道路模型；在生成的该模型中，确认为倒塌目标的目标物被控制为处于倒塌状态，即将确认为倒塌目标的目标物在道路模型中进行倒塌处理，进而产生目标物倒塌后在道路上形成的倒塌区域。例如，【树1、树4、树6…房屋1】的输出结果为倒塌以被确认为倒塌目标，则在生成的该模型中，【树1、树4、树6…房屋1】被控制为处于倒塌状态。
实际应用中，基于地震产生的破坏下，目标物倒塌的方向并不具有一致性和规律性，尤其处于道路两侧的目标物，其倒塌方向可能并不朝向道路，当其向远离道路的一侧倒塌时并不会对行车安全产生影响；且当其朝向道路倒塌时，倒塌的角度不同所产生的对道路的障碍物覆盖区域也不同；而在本发明实施例中，优选为默认目标物朝向道路倒塌，且倒塌的角度为能够最大化覆盖道路的角度；这样的目的是为了尽可能的避免由目标物倒塌所带来的行车隐患，即最大程度的预测最坏的道路破坏结果；从而使车辆201处于最大程度的保护机制下。
c2、控制车辆201进入自动驾驶模式，根据该道路模型生成针对车辆201的安全驾驶策略并根据该安全驾驶策略对车辆201进行相应的驾驶控制。
在控制车辆201进入自动驾驶模式后，在未抵达车辆201前方预设范围内的道路区域时，控制车辆201正常行驶，即基于传感器（激光雷达、毫米波雷达、超声波传感器、摄像头等单独或部分/全部融合）获取的数据以及导航数据控制车辆在道路上保持正常行驶；根据该道路模型生成针对车辆201的安全驾驶策略用于在车辆201抵达预设范围内的道路时进行控制；但该安全驾驶策略是在控制车辆201进入自动驾驶模式时就进行生成的；当前方预设范围的起点至车辆201当前所处的位置较近时或者无间隔时，将直接根据该安全驾驶策略对车辆201进行相应的驾驶控制。
如图8所示，一种具体实施方式中，c2包括：c2-10：从该道路模型中获取出无目标物倒塌区域；c2-11：根据获取的无目标物倒塌区域判断在行驶方向上是否存在供车辆201正常通过的路径；c2-12:若存在则将该路径确认为目标路径，并控制车辆201进行自动前进以通过该目标路径。
车辆201行驶方向上的道路上没有被目标物倒塌覆盖的区域为无目标物倒塌区域，将车辆201的尺寸（长度，宽度）融入至该道路模型中，判断是否能够从无目标倒塌区域中行驶，如果能则认为在行驶方向上存在供车辆201正常通过的路径，并基于该区域生成一条可供车辆201通过的路径，并将该路径确认为目标路径；即控制车辆201通过该无目标倒塌区域时，具体沿该目标路径进行行驶，进而避开目标物倒塌区域。
如图9所示，一种具体实施方式中，c2包括：c2-20:从该道路模型中获取出无目标物倒塌区域;c2-21:根据获取的无目标物倒塌区域判断在行驶方向上是否存在供车辆201停放的路肩区域;c2-22:若存在则将该路肩区域确认为目的地，并控制车辆201进行自动驾驶以驶入该目的地进行停放。
即判断无目标倒塌区域中是否存在路肩区域，如果存在，则将车辆201的尺寸（长度，宽度）融入至该道路模型中，具体为融入至该道路模型中存在于无目标倒塌区域内的路肩区域，以判断是否存在满足车辆201停放的路肩区域（优选为最近距离），如果存在则将该路肩区域确认为目的地，控制车辆201以该路肩区域为目的地的自动驾驶，并控制车辆201抵达该目的地后停止前进，以停放在该路肩区域内。
需要提及的是，无目标倒塌区域内存在可供车辆210停放的路肩区域，还包括前方该路肩区域的道路中存在供车辆201正常通过的路径，以达到控制车辆201通过该路径前方该路肩区域进行停放。
可选地，本实施例中，在步骤b4之前，该自动驾驶方法还包括：获取与车辆行驶方向相反方向上预设范围内的目标物并对其进行特征属性的识别。
即将车辆201行驶方向相反方向上预设范围内的目标物的特征属性输入至与目标物对应的朴素贝叶斯分类模型以计算出与该目标物对应的分类标签，即分别计算出该目标物在识别出的特征属性下倒塌、不倒塌的后验概率，哪种后验概率大，则将其认为是目标物的分类标签。
如此使得b5中确认为倒塌目标的目标物不仅包括位于车辆201行驶方向上预设范围内的，还包括了车辆201行驶方向相反方向上（可理解为车辆201后方）预设范围内的。
如图10所示，一种实施方式中，步骤c2包括：c2-30:从该道路模型中获取出无目标物倒塌区域;c2-31:根据获取的无目标物倒塌区域判断在与行驶方向相反的方向上是否存在供车辆201停放的路肩区域;c2-32:若存在，则将该路径确认为目的地，并控制车辆201进行自动退避以行驶至该目的地进行停放。
即判断无目标倒塌区域中是否存在路肩区域，如果存在，则将车辆201的尺寸（长度，宽度）融入至该道路模型中，具体为融入至该道路模型中存在于无目标倒塌区域内的路肩区域，以判断与行驶方向相反的方向上是否存在满足车辆201停放的路肩区域（优选为最近距离），如果存在则将该路肩区域确认为目的地，控制车辆201以该路肩区域为目的地的自动驾驶，并控制车辆201进行自动退避以抵达该目的地进行停放。
需要说明的，本实施例在对车辆201进行自动驾驶的控制过程中，若路径中存在其它车辆，则还需要生成避开其它车辆的驾驶策略，除非道路行驶的所有车辆均得以应用本实施例自动驾驶方法。
本发明通过模型构建阶段a、破坏性预测阶段b以及驾驶策略构建与执行阶段c的构建，具体通过震级区间、震源深度区间以及所属震区对地震历史道路破坏图像进行初次、二次以及三次分类以构建出多组数据集，通过分别对每组数据集进行目标物、目标物对应特征属性以及目标物对应分类标签的结果识别以获取针对每组数据集中每个目标物的样本集，通过构建与目标物对应的朴素贝叶斯分类模型，将每个目标物的样本集拆分为训练集与验证集，利用训练集对朴素贝叶斯分类模型进行训练并利用验证集对训练结果进行验证；通过获取的车辆位置信息与接收到的地震预警信息计算出车辆201所属震区并获取与其所属震区对应的样本集，获取车辆201行驶方向上预设范围内的目标物并对其进行特征属性的识别，将识别出的目标物的特征属性输入至与目标物对应的朴素贝叶斯分类模型以计算出与该目标物对应的分类标签并输出，在读取的输出结果为倒塌时将该目标物确认为倒塌目标；通过获取所有被确认为倒塌目标的目标物并根据该目标物的特征属性以及道路数据生成等比例的目标物倒塌的道路模型；以及控制车辆201进入自动驾驶模式，根据该道路模型生成针对车辆201的安全驾驶策略并根据该安全驾驶策略对车辆201进行相应的驾驶控制；进而能够在地震到达前对车辆201前后方的道路的破坏性结果进行预测，以便对车辆201进行与预测结果相对应的驾驶策略控制，进而能够最大程度的避免地震造成的物体倒塌以对行驶在道路上的车辆201造成损伤。
可选地，如图11所示，其中一种实施方式中，步骤a1包括：以地形种类为分类属性对地震历史道路破坏图像进行预先分类，以震级区间为分类属性对预先分类后的地震历史道路破坏图像进行初次分类；其中，地形种类包括平原、山地、丘陵、高原以及盆地。
地形不同，同样的地震所带来的破坏性也是有差异的，为了使得构建的数据集更加准确以便构建更为准确的分类模型，先以地形种类为分类属性对地震历史道路破坏图像进行预先分类，再以震级区间为分类属性对预先分类后的地震历史道路破坏图像进行初次分类。
具体的，获取总数据库401中存储的地震历史道路破坏图像，分别对其各自对应的地形种类（平原、山地、丘陵、高原以及盆地）进行识别并根据识别结果将其划分至上述不同的地形种类，进而根据对应的地形种类将地震历史道路破坏图像进行分类存储在各总数据库405中；然后分别获取总数据库405中存储的预先分类后的地震历史道路破坏图像，分别对其各自对应的震级进行识别并根据识别结果将其划分至上述不同的震级区间，进而根据对应的震级区间将地震历史道路破坏图像进行分类存储在各主数据库402中。
可选地，其中一种实施方式中，步骤a1包括：以土壤属性区间为分类属性对地震历史道路破坏图像进行预先分类，以震级区间为分类属性对预先分类后的地震历史道路破坏图像进行初次分类；其中，土壤属性区间为土壤硬度区间和/或土壤厚度区间。
土壤属性（硬度、厚度）不同，同样的地震所带来的破坏性也是有差异的，例如软土场地的震害一般比基岩重，土层厚度与震害相关，厚土层卓越周期长，容易引起高层建筑共振破坏；为了使得构建的数据集更加准确以便构建更为准确的分类模型，先以土壤属性区间为分类属性对地震历史道路破坏图像进行预先分类，再以震级区间为分类属性对预先分类后的地震历史道路破坏图像进行初次分类。
可选地，如图12所示，获取总数据库401中存储的地震历史道路破坏图像，分别对其各自所属土壤硬度（H1）进行识别并根据识别结果将其划分至上述不同的土壤硬度区间内，进而根据对应的土壤硬度区间将地震历史道路破坏图像进行分类存储，即将与土壤硬度区间x1＜H1≤x2, x2＜H1≤x3, x3＜H1≤x4,…xn＜H1≤xn+1所分别对应的地震历史道路破坏图像进行分类以分别存储至各总数据库406中；然后分别获取总数据库406中存储的预先分类后的地震历史道路破坏图像，分别对其各自对应的震级进行识别并根据识别结果将其划分至上述不同的震级区间，进而根据对应的震级区间将地震历史道路破坏图像进行分类存储在各主数据库402中。
可选地，如图13所示，获取总数据库401中存储的地震历史道路破坏图像，分别对其各自所属土壤厚度（H2）进行识别并根据识别结果将其划分至上述不同的土壤厚度区间内，进而根据对应的土壤厚度区间将地震历史道路破坏图像进行分类存储，即将与土壤厚度区间x1＜H2≤x2, x2＜H2≤x3, x3＜H2≤x4,…xn＜H2≤xn+1所分别对应的地震历史道路破坏图像进行分类以分别存储至各总数据库407中；然后分别获取总数据库407中存储的预先分类后的地震历史道路破坏图像，分别对其各自对应的震级进行识别并根据识别结果将其划分至上述不同的震级区间，进而根据对应的震级区间将地震历史道路破坏图像进行分类存储在各主数据库402中。
其中，土壤属性（硬度、厚度）的识别方式为获取地震历史道路破坏图像对应的所处位置，基于该位置获取对应的土壤属性值。
其中，本实施例并未对土壤硬度区间、厚度区间的具体数字进行举例，仅用符号进行表示，以区分出不同土壤硬度区间、厚度区间的大小，具体的数值可在实际应用中由研究人员或实施人员根据实际情况进行设置。
其中一种实施方式中，该地震历史道路破坏图像为视频格式。
当目标物对应分类标签为倒塌时，其还具有倒塌时间间隔的子分类标签；其中，倒塌时间间隔是指目标物自地震时间至倒塌时间的时间间隔。
在步骤a4中，当识别出目标物对应分类标签为倒塌时，还包括：分别对每组数据集进行目标物对应子分类标签的识别。
步骤c1包括：获取所有被确认为倒塌目标的目标物以及与其对应的子分类标签，根据道路数据、该目标物的特征属性以及与其对应的子分类标签生成等比例的标识有目标物倒塌时间的道路模型。
可选地，对目标物对应子分类标签进行识别：当识别出目标物对应分类标签为倒塌时，获取与该目标物对应的地震历史道路破坏图像（多帧图像构成的视频），于该图像中获取该目标物的倒塌时间（视频中显示有实时时间），再根据地震时间计算出倒塌时间间隔（倒塌时间-地震时间），进而识别出目标物对应子分类标签。
在获取所有被确认为倒塌目标的目标物、道路数据后以及与该目标物对应的子分类标签后，将该目标物融入至3D电子地图中进行对应查找，在查找出对应的部分后将该部分进行获取以生成等比例的该目标物倒塌的道路模型；在生成的该模型中，确认为倒塌目标的目标物被控制为处于倒塌状态，即将确认为倒塌目标的目标物在道路模型中进行倒塌处理，进而产生目标物倒塌后在道路上形成的倒塌区域；并且，在生成的该模型中，还添加有目标物倒塌的子分类标签，即倒塌时间间隔。如此，将能够预测到所有被确认为倒塌目标的目标物倒塌的时间，进而便于进一步获得在目标物倒塌时间下，基于车辆201所处的位置制定更加准确的安全驾驶策略以对车辆201进行自动驾驶控制，以控制车辆201躲避该目标物。
优选地，如图14所示，其中一种实施方式中，还提供一种自动驾驶装置14，其包括处理器141、存储器142、传感器143以及通信接口144；处理器141、存储器142以及传感器143相连接(如通过总线145相互连接)。
存储器142，可存储本发明实施例提供的自动驾驶方法中的任意一个实施方案及其各种可行的实施方式的操作。
处理器141，可执行本发明实施例提供的自动驾驶方法中的任意一个实施方案及其各种可行的实施方式的操作。
上述实施例只为说明本发明的技术构思及特点，其目的是让熟悉该技术领域的技术人员能够了解本发明的内容并据以实施，并不能以此来限制本发明的保护范围。凡根据本发明精神实质所作出的等同变换或修饰，都应涵盖在本发明的保护范围之内。

Claims (10)

1.自动驾驶方法，其特征在于，该方法包括模型构建阶段（a）、破坏性预测阶段（b）以及驾驶策略构建与执行阶段（c）；
其中，模型构建阶段（a）包括以下步骤：
a1、以震级区间为分类属性对地震历史道路破坏图像进行初次分类；
a2、以给定的震源深度区间为分类属性对经过初次分类后的地震历史道路破坏图像进行二次分类；
a3、以震中为中心向外扩散出多个震区，以所属震区为分类属性对经过二次分类后的地震历史道路破坏图像进行三次分类以构建出多组数据集；
a4、分别对每组数据集进行目标物、目标物对应特征属性以及目标物对应分类标签的结果识别以获取针对每组数据集中每个目标物的样本集，其中，目标物为倒塌后对道路通行产生阻碍的物体，目标物对应分类标签为倒塌与不倒塌；
a5、构建与目标物对应的朴素贝叶斯分类模型，将每个目标物的样本集拆分为训练集与验证集，利用训练集对朴素贝叶斯分类模型进行训练并利用验证集对训练结果进行验证；
其中，破坏性预测阶段（b）包括以下步骤：
b1、接收地震预警信息，其中该地震预警信息至少包括震中位置、震级以及震源深度；
b2、获取车辆位置信息，根据该车辆位置信息与地震预警信息计算出车辆所属震区并获取与其所属震区对应的样本集；
b3、获取车辆行驶方向上预设范围内的目标物并对其进行特征属性的识别；
b4、将识别出的目标物的特征属性输入至与目标物对应的朴素贝叶斯分类模型以计算出与该目标物对应的分类标签并输出；
b5、在读取的输出结果为倒塌时将该目标物确认为倒塌目标；
其中，驾驶策略构建与执行阶段（c）包括以下步骤：
c1、获取所有被确认为倒塌目标的目标物并根据该目标物的特征属性以及道路数据生成等比例的目标物倒塌的道路模型；
c2、控制车辆进入自动驾驶模式，根据该道路模型生成针对车辆的安全驾驶策略并根据该安全驾驶策略对车辆进行相应的驾驶控制。
2.根据权利要求1所述的自动驾驶方法，其特征在于，该地震历史道路破坏图像为视频格式；
当目标物对应分类标签为倒塌时，其还具有倒塌时间间隔的子分类标签；其中，倒塌时间间隔是指目标物自地震时间至倒塌时间的时间间隔；
在步骤a4中，当识别出目标物对应分类标签为倒塌时，还包括：分别对每组数据集进行目标物对应子分类标签的识别。
3.根据权利要求2所述的自动驾驶方法，其特征在于，步骤c1包括：
获取所有被确认为倒塌目标的目标物以及与其对应的子分类标签，根据道路数据、该目标物的特征属性以及与其对应的子分类标签生成等比例的标识有目标物倒塌时间的道路模型。
4.根据权利要求1所述的自动驾驶方法，其特征在于，步骤a1包括：
以地形种类为分类属性对地震历史道路破坏图像进行预先分类，以震级区间为分类属性对预先分类后的地震历史道路破坏图像进行初次分类；
其中，地形种类包括平原、山地、丘陵、高原以及盆地。
5.根据权利要求1所述的自动驾驶方法，其特征在于，步骤a1包括：
以土壤属性区间为分类属性对地震历史道路破坏图像进行预先分类，以震级区间为分类属性对预先分类后的地震历史道路破坏图像进行初次分类；
其中，土壤属性区间为土壤硬度区间和/或土壤厚度区间。
6.根据权利要求1所述的自动驾驶方法，其特征在于，步骤a3包括：
以震中为圆心、给定的间距为半径，向外旋转扩散出一圆形震区，并根据该间距向圆形震区外依次扩散出多个环形震区；以该形圆震区以及多个环形震区为分类属性对经过二次分类后的地震历史道路破坏图像进行三次分类以构建出多组数据集。
7.根据权利要求1~6任一项所述的自动驾驶方法，其特征在于，步骤c2包括：
从该道路模型中获取出无目标物倒塌区域，根据获取的无目标物倒塌区域判断在行驶方向上是否存在供车辆正常通过的路径，若存在则将该路径确认为目标路径，并控制车辆进行自动前进以通过该目标路径。
8.根据权利要求1~6任一项所述的自动驾驶方法，其特征在于，步骤c2包括：
从该道路模型中获取出无目标物倒塌区域，根据获取的无目标物倒塌区域判断在行驶方向上是否存在供车辆停放的路肩区域，若存在则将该路肩区域确认为目的地，并控制车辆进行自动驾驶以驶入该目的地进行停放。
9.根据权利要求1~6任一项所述的自动驾驶方法，其特征在于，在步骤b4之前，还包括：
获取与车辆行驶方向相反方向上预设范围内的目标物并对其进行特征属性的识别。
10.根据权利要求9所述的自动驾驶方法，其特征在于，步骤c2包括：
从该道路模型中获取出无目标物倒塌区域，根据获取的无目标物倒塌区域判断在与行驶方向相反的方向上是否存在供车辆停放的路肩区域，若存在，则将该路径确认为目的地，并控制车辆进行自动退避以行驶至该目的地进行停放。
CN202111134055.8A 2021-09-27 2021-09-27 基于朴素贝叶斯分类算法的道路破坏性预测自动驾驶方法 Pending CN113807305A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111134055.8A CN113807305A (zh) 2021-09-27 2021-09-27 基于朴素贝叶斯分类算法的道路破坏性预测自动驾驶方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111134055.8A CN113807305A (zh) 2021-09-27 2021-09-27 基于朴素贝叶斯分类算法的道路破坏性预测自动驾驶方法

Publications (1)

Publication Number Publication Date
CN113807305A true CN113807305A (zh) 2021-12-17

Family

ID=78896756

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111134055.8A Pending CN113807305A (zh) 2021-09-27 2021-09-27 基于朴素贝叶斯分类算法的道路破坏性预测自动驾驶方法

Country Status (1)

Country Link
CN (1) CN113807305A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114781498A (zh) * 2022-04-06 2022-07-22 欧亚高科数字技术有限公司 基于人工智能的道路塌陷监测方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09237263A (ja) * 1996-03-01 1997-09-09 Osaka Gas Co Ltd 地震被害およびその復旧必要人員の推定方法
US20040062145A1 (en) * 2002-09-26 2004-04-01 Exxonmobil Upstream Research Company Method for performing stratrigraphically-based seed detection in a 3-D seismic data volume
JP2013096773A (ja) * 2011-10-31 2013-05-20 Mitsubishi Space Software Kk 情報処理装置及び情報処理方法及びプログラム
CN107071064A (zh) * 2017-06-06 2017-08-18 孝感市青谷信息科技有限公司 一种灾害安全应对数据处理系统
CN107590554A (zh) * 2017-08-25 2018-01-16 北京科技大学 一种考虑建筑地震倒塌的城市道路通行性评价方法
CN108663711A (zh) * 2018-04-04 2018-10-16 电子科技大学 一种基于τ分布的贝叶斯地震反演方法
CN109398363A (zh) * 2018-10-24 2019-03-01 珠海格力电器股份有限公司 一种路面等级确定方法、装置、存储介质及汽车
KR20200061307A (ko) * 2018-11-23 2020-06-02 고려대학교 산학협력단 딥러닝을 이용한 지진 분류 방법 및 장치
CN111610566A (zh) * 2020-06-11 2020-09-01 重庆理工大学 一种基于动态时间规整的地震数据加权叠加方法
US20210117737A1 (en) * 2019-10-18 2021-04-22 Korea University Research And Business Foundation Earthquake event classification method using attention-based convolutional neural network, recording medium and device for performing the method
CN113095364A (zh) * 2021-03-12 2021-07-09 西安交通大学 利用卷积神经网络的高铁地震事件提取方法、介质及设备

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09237263A (ja) * 1996-03-01 1997-09-09 Osaka Gas Co Ltd 地震被害およびその復旧必要人員の推定方法
US20040062145A1 (en) * 2002-09-26 2004-04-01 Exxonmobil Upstream Research Company Method for performing stratrigraphically-based seed detection in a 3-D seismic data volume
JP2013096773A (ja) * 2011-10-31 2013-05-20 Mitsubishi Space Software Kk 情報処理装置及び情報処理方法及びプログラム
CN107071064A (zh) * 2017-06-06 2017-08-18 孝感市青谷信息科技有限公司 一种灾害安全应对数据处理系统
CN107590554A (zh) * 2017-08-25 2018-01-16 北京科技大学 一种考虑建筑地震倒塌的城市道路通行性评价方法
CN108663711A (zh) * 2018-04-04 2018-10-16 电子科技大学 一种基于τ分布的贝叶斯地震反演方法
CN109398363A (zh) * 2018-10-24 2019-03-01 珠海格力电器股份有限公司 一种路面等级确定方法、装置、存储介质及汽车
KR20200061307A (ko) * 2018-11-23 2020-06-02 고려대학교 산학협력단 딥러닝을 이용한 지진 분류 방법 및 장치
US20210117737A1 (en) * 2019-10-18 2021-04-22 Korea University Research And Business Foundation Earthquake event classification method using attention-based convolutional neural network, recording medium and device for performing the method
CN111610566A (zh) * 2020-06-11 2020-09-01 重庆理工大学 一种基于动态时间规整的地震数据加权叠加方法
CN113095364A (zh) * 2021-03-12 2021-07-09 西安交通大学 利用卷积神经网络的高铁地震事件提取方法、介质及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘佳: "城市震后路网阻断预测模型", 《中国优秀硕士学位论文全文数据库基础科学辑》, pages 17 - 40 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114781498A (zh) * 2022-04-06 2022-07-22 欧亚高科数字技术有限公司 基于人工智能的道路塌陷监测方法及系统
CN114781498B (zh) * 2022-04-06 2023-09-01 欧亚高科数字技术有限公司 基于人工智能的道路塌陷监测方法及系统

Similar Documents

Publication Publication Date Title
US10628671B2 (en) Road modeling from overhead imagery
CN111928862B (zh) 利用激光雷达和视觉传感器融合在线构建语义地图的方法
JP7111794B2 (ja) 装置の位置特定のための幾何学的指紋法
US10552689B2 (en) Automatic occlusion detection in road network data
US10699135B2 (en) Automatic localization geometry generator for stripe-shaped objects
EP3343503B1 (en) High-precision map data processing method and apparatus, storage medium and device
CN106127153B (zh) 车载激光扫描点云数据的交通标牌识别方法
US11093759B2 (en) Automatic identification of roadside objects for localization
JP6666358B2 (ja) 装置の位置特定のための特徴ジオメトリーの選択
WO2018068653A1 (zh) 点云数据处理方法、装置及存储介质
CN101975951B (zh) 一种融合距离和图像信息的野外环境障碍检测方法
US20200272816A1 (en) Scalable three dimensional object segmentation
Yang et al. Automatic change detection in lane-level road networks using GPS trajectories
JP2019527832A (ja) 正確な位置特定およびマッピングのためのシステムおよび方法
US20140355879A1 (en) Computationally Efficient Scene Classification
US20210327084A1 (en) Visual localization using a three-dimensional model and image segmentation
CN114509065B (zh) 地图构建方法、系统、车辆终端、服务器端及存储介质
US20230046926A1 (en) 3d building generation using topology
CN113807305A (zh) 基于朴素贝叶斯分类算法的道路破坏性预测自动驾驶方法
Sharma et al. Deep Learning-Based Object Detection and Classification for Autonomous Vehicles in Different Weather Scenarios of Quebec, Canada
KR102384429B1 (ko) 도로지도 구축을 위한 도로 혼잡 위치 판별 및 재조사 경로 생성 방법
CN114120631B (zh) 构建动态高精度地图的方法、装置及交通云控平台
CN115311867A (zh) 隧道场景的定位方法、装置、计算机设备、存储介质
Chipka et al. Estimation and navigation methods with limited information for autonomous urban driving
CN115994985B (zh) 一种汽车域控制器及通勤道路上车辆自动建图和定位方法

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