CN113838277A - 车辆异常发生时间点确定方法、装置、设备及存储介质 - Google Patents
车辆异常发生时间点确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113838277A CN113838277A CN202111129878.1A CN202111129878A CN113838277A CN 113838277 A CN113838277 A CN 113838277A CN 202111129878 A CN202111129878 A CN 202111129878A CN 113838277 A CN113838277 A CN 113838277A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- preset
- time point
- frame
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000005856 abnormality Effects 0.000 claims abstract description 54
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000001133 acceleration Effects 0.000 claims description 16
- 238000012512 characterization method Methods 0.000 claims 4
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000013075 data extraction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
- G08G1/205—Indicating the location of the monitored vehicles as destination, e.g. accidents, stolen, rental
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆异常发生时间点确定方法、装置、设备及存储介质,用于解决现有的车辆异常发生时间点定位速度过慢的技术问题。本发明包括:接收预设车辆发送的异常时间段数据;所述异常时间段数据包括多帧子数据;识别每一帧子数据中的特征数据;基于预设异常特征数据生成特征权重表;根据所述特征权重表和所述特征数据,计算每帧子数据的异常发生倾向度;将异常发生倾向度最大的子数据对应的时间点确定为异常发生时间点。
Description
技术领域
本发明涉及自动驾驶技术领域,尤其涉及一种车辆异常发生时间点确定方法、装置、设备及存储介质。
背景技术
自动驾驶数据是自动驾驶过程中系统采集的数据,包括感知规划定位等模块的信息。自动驾驶数据是自动驾驶领域中的关键部分,当自动驾驶主车发生异常的时候,会自动上传异常时间段内系统采集的自动驾驶数据,这部分异常数据对应算法以及系统可用性和稳定性的提升有很大的帮助。
在实际应用中,上传的数据的时间长度一般会有半分钟到一分钟,但是出现异常的关键时间点会在一秒内。
在现有技术中,工程师主要是通过将整段数据都筛选一遍来确定异常的关键时间点,然而在大数据的背景下会花费大量的时间和精力,对于关键时间点的定位速度过慢,工作效率低。
发明内容
本发明提供了一种车辆异常发生时间点确定方法、装置、设备及存储介质,用于解决现有的车辆异常发生时间点定位速度过慢的技术问题。
本发明提供了一种车辆异常发生时间点确定方法,包括:
接收预设车辆发送的异常时间段数据;所述异常时间段数据包括多帧子数据;
识别每一帧子数据中的特征数据;
基于预设异常特征数据生成特征权重表;
根据所述特征权重表和所述特征数据,计算每帧子数据的异常发生倾向度;
将异常发生倾向度最大的子数据对应的时间点确定为异常发生时间点。
可选地,所述特征数据包括车辆与障碍物的距离;所述识别每一帧子数据中的特征数据的步骤,包括:
从所述子数据中提取所述车辆的车辆位置坐标和所述障碍物的障碍物位置坐标;
计算所述车辆位置坐标和所述障碍物位置坐标之间的第一相对距离;
判断所述第一相对距离是否大于预设距离阈值;
若所述第一相对距离大于预设距离阈值,则确定所述第一相对距离为所述车辆与障碍物的距离。
可选地,所述识别每一帧子数据中的特征数据的步骤,还包括:
若所述相对距离不大于所述预设距离阈值,则获取所述障碍物的轮廓数据;所述轮廓数据包括多个点坐标;
计算所述车辆位置坐标与每个点坐标的第二相对距离;
确定数值最小的第二相对距离为所述车辆与障碍物的距离。
可选地,所述特征数据还包括车辆接管状态参数;所述识别每一帧子数据中的特征数据的步骤,还包括:
从所述子数据中提取接管参数;
当所述接管参数为真实值时,确定所述车辆接管状态参数为第一预设数值;
当判断所述接管参数不为真实值时,将所述车辆接管状态参数确定为第二预设数值。
可选地,所述特征数据还包括卡死状态参数;所述识别每一帧子数据中的特征数据的步骤,还包括:
以所述子数据所处时间点为中心,获取预设时间区段内的车辆速度处于第一预设速度范围内的速度占比;
判断所述速度占比是否大于预设占比;
若是,则确定所述卡死状态参数为第三预设数值;
若否,则确定所述卡死状态参数为第四预设数值。
可选地,所述特征数据还包括刹车状态参数;所述识别每一帧子数据中的特征数据的步骤,还包括:
判断所述子数据对应的时间点时所述车辆的行驶状态;
当所述行驶状态为自动驾驶状态时,获取所述车辆的加速度;
判断所述加速度是否小于预设加速度阈值;
若是,则确定所述刹车状态参数为第五预设数值;
若否,则确定所述刹车状态参数为第六预设数值。
可选地,所述根据所述特征权重表和所述特征数据,计算每帧子数据的异常发生倾向度的步骤,包括:
在所述特征权重表中匹配每帧子数据对应的各项特征数据的计算方式;
根据对应的计算方式计算每项特征数据的权重分数;
求取所有特征数据的权重分数的和,得到对应的子数据的异常发生倾向度。
本发明还提供了一种车辆异常发生时间点确定装置,包括:
异常时间段数据接收模块,用于接收预设车辆发送的异常时间段数据;所述异常时间段数据包括多帧子数据;
特征数据识别模块,用于识别每一帧子数据中的特征数据;
特征权重表生成模块,用于基于预设异常特征数据生成特征权重表;
异常发生倾向度计算模块,用于根据所述特征权重表和所述特征数据,计算每帧子数据的异常发生倾向度;
异常发生时间点确定模块,用于将异常发生倾向度最大的子数据对应的时间点确定为异常发生时间点。
本发明还提供了一种电子设备,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行如上任一项所述的车辆异常发生时间点确定方法。
本发明还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用于存储程序代码,所述程序代码用于执行如上任一项所述的车辆异常发生时间点确定方法。
从以上技术方案可以看出,本发明具有以下优点:本发明通过从车辆发送的异常时间段数据中识别特征数据,以计算每一帧子数据的特征数据的异常发生倾向度,从而定位异常发生倾向度最大的子数据对应的时间点为车辆异常发生时间点,无需工程师逐帧筛选每一帧子数据来确定异常发生时间点,提升了对于车辆异常发生时间点的定位速度,提高了工作效率。
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性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种车辆异常发生时间点确定方法的步骤流程图;
图2为本发明另一实施例提供的一种车辆异常发生时间点确定方法的步骤流程图;
图3为本发明实施例提供的一种车辆异常发生时间点确定装置的结构框图。
具体实施方式
本发明实施例提供了一种车辆异常发生时间点确定方法、装置、设备及存储介质,用于解决现有的车辆异常发生时间点定位速度过慢的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
请参阅图1,图1为本发明实施例提供的一种车辆异常发生时间点确定方法的步骤流程图。
本发明提供的一种车辆异常发生时间点确定方法,具体可以包括以下步骤:
步骤101,接收预设车辆发送的异常时间段数据;异常时间段数据包括多帧子数据;
在实际应用中,当处于自动驾驶状态的车辆发生异常时,会将包含异常的异常时间段数据保存起来,并上传到云端或者数据中心进行数据分析。
具体地,车辆异常情况的判断,可以有两种情况,一种是乘坐在车辆上的安全员判断处于自动驾驶状态的车辆存在异常行为时,主动上报发生异常。另一种是在车辆上的程序发现车辆发生了某种行为或者行为的数据值超过了设定的阈值时,便可以认定车辆发生了异常,例如,发生急刹车,或者方向盘在一定时间内的转向过大等,此时安装在车辆上的相关程序会自动上传异常时间段数据。
车辆的异常可以包括但不限于车辆发生卡死、车辆与障碍物距离过近、分类障碍物出错、车辆加速度不正常、车辆转向过大等。任何可能导致车辆自身出现损坏或者导致车辆发生安全事故的行为,都可以作为车辆的异常。
在实际应用中,由于数据产生的迟滞等因素,上报数据的时间点未必是车辆产生异常的时间点。因此,可以以车辆判定异常发生的时间点为基准,截取基准时间点前后一段时间内的连续数据作为异常时间段数据。
步骤102,识别每一帧子数据中的特征数据;
在获取到车辆上传的异常时间段数据后,可以将异常数据段数据拆解为多帧子数据,并识别每一帧子数据的特征数据,以通过特征数据的变化来判断异常是在哪一帧子数据中产生的。
其中,特征数据可以包括车辆感知到的外部数据和车辆自身行驶数据和状态数据等表征车辆实时状态的内部数据。如车辆感知到的与障碍物的相对距离、障碍物的方位、车辆的方向盘的角度、是否产生急刹车行为等。
步骤103,基于预设异常特征数据生成特征权重表;
步骤104,根据所述特征权重表和所述特征数据,计算每帧子数据的异常发生倾向度;
不同的特征数据的变化对车辆行驶产生的危害程度不同,同时一个特征数据的变化也可能会导致多个特征数据产生变化,从而导致异常的发生。因此,在本发明实施例中,可以为每一种的异常特征数据设置对应的权重,生成特征权重表,以根据权重来分析哪一个时间点的异常产生了异常且对行驶安全产生的影响最大。
在获取得到每一帧子数据的特征数据后,可以结合预设的特征权重表计算每一项特征数据的权重,从而得到每一帧子数据的异常发生倾向度。
步骤105,将异常发生倾向度最大的子数据对应的时间点确定为异常发生时间点。
在计算得到每帧子数据的异常发生倾向度后,可以将异常发生倾向度最大的子数据对应的时间点确定为异常发生时间点。
本发明通过从车辆发送的异常时间段数据中提取特征数据,以计算每一帧子数据的特征数据的异常发生倾向度,从而定位异常发生倾向度最大的子数据对应的时间点为车辆异常发生时间点,无需工程师逐帧筛选每一帧子数据来确定异常发生时间点,提升了对于车辆异常发生时间点的定位速度,提高了工作效率。
请参阅图2,图2为本发明另一实施例提供的一种车辆异常发生时间点确定方法的步骤流程图。具体可以包括以下步骤:
步骤201,接收预设车辆发送的异常时间段数据;异常时间段数据包括多帧子数据;
步骤201的描述与步骤101相同,具体可参考步骤101的描述,此处不再赘述。
步骤202,识别每一帧子数据中的特征数据;
在本发明实施例中,在获取到车辆上传的异常时间段数据后,可以将异常数据段数据拆解为多帧子数据,并提取每一帧子数据的特征数据,以通过特征数据的变化来判断异常是在哪一帧子数据中产生的。
在本发明实施例中,特征数据具体可以包括但不限于车辆与障碍物的距离、车辆接管状态参数、卡死状态参数、刹车状态参数等。
其中,在一个示例中,车辆与障碍物的距离可以通过以下步骤计算得到:
S11,从子数据中提取车辆的车辆位置坐标和障碍物的障碍物位置坐标;
S12,计算车辆位置坐标和障碍物位置坐标之间的第一相对距离;
S13,判断第一相对距离是否大于预设距离阈值;
S14,若第一相对距离大于预设距离阈值,则确定第一相对距离为车辆与障碍物的距离。
S15,若相对距离不大于预设距离阈值,则获取障碍物的轮廓数据;轮廓数据包括多个点坐标;
S16,计算车辆位置坐标与每个点坐标的第二相对距离;
S17,确定数值最小的第二相对距离为车辆与障碍物的距离。
在本发明实施例中,障碍物可以是车辆前方的其他车辆、行人、落石等各种可能与车辆碰撞导致行驶事故的物体;
在具体实现中,对于车辆与障碍物的距离的计算,首先可以分别从每一帧子数据中获取车辆位置坐标和障碍物位置坐标,然后计算出车辆位置坐标与障碍物位置坐标之间的第一相对距离。例如,假设车辆位置坐标为(x1,y1),障碍物位置坐标为(x2,y2)。先计算两者之间的第一相对距离relative_distance=sqrt((x2–x1)^2+(y2-y1)^2)。如果relative_distance大于预设距离阈值(如15),那么车辆与障碍物的距离就是第一相对距离。
若车辆与障碍物之间的第一相对距离不大于预设距离阈值,则可以获取障碍物的轮廓数据,并从轮廓数据中提取障碍物各个顶点的点坐标。并进一步根据车辆位置坐标与点坐标之间的第二相对距离来确定车辆与障碍物的距离。
具体地,假设障碍物的点坐标为[(x3,y3),(x4,y4),…,(xn,yn)],则可以根据下述公式计算得到车辆与障碍物之间的最短的第二相对距离来作为车辆与障碍物的距离。
min(sqrt((xi-x1)^2+(yn-y1)^2)),i=3,4,...,n;
在另一个示例中,对于车辆接管状态参数的识别,可以通过以下步骤实现:
S21,从子数据中提取接管参数;
S22,判断参数值是否等于预设参数值;
S23,当所述接管参数为真实值时,确定所述车辆接管状态参数为第一预设数值;
S24,当判断所述接管参数不为真实值时,将所述车辆接管状态参数确定为第二预设数值。
在具体实现中,当子数据中的接管参数takeover的参数值为真实值True时,可以判定车辆处于接管状态,此时可以将车辆接管状态参数确定为第一预设数值,如“1”。反之取第二预设数值,如“0”。
在另一个示例中,对于卡死状态参数的识别,可以通过以下步骤实现:
S31,以子数据所处时间点为中心,获取预设时间区段内的车辆速度处于第一预设速度范围内的速度占比;
S32,判断速度占比是否大于预设占比;
S33,若是,则确定卡死状态参数为第三预设数值;
S34,若否,则确定卡死状态参数为第四预设数值。
在具体实现中,当车辆处于自动驾驶状态时,可以获取以每一帧子数据为中心的预设时间区段内的车辆速度处于第一预设速度范围内的速度占比,来判断车辆的当前状态。如车辆处于自动驾驶状态时,获取当前帧的子数据最近10秒内车辆的速度小于1m/s的速度占比,当速度占比大于70%时,可以认为车辆处于卡死状态,此时可以设置车辆的卡死状态参数为第三预设数值,如“1”,否则判定不处于卡死状态,此时可以设置车辆的卡死状态参数为第四预设数值,如“0”。
在另一个示例中,对于刹车状态参数的识别,可以通过以下步骤实现:
S41,判断子数据对应的时间点时车辆的行驶状态;
S42,当行驶状态为自动驾驶状态时,获取车辆的加速度;
S43,判断加速度是否小于预设加速度阈值;
S44,若是,则确定刹车状态参数为第五预设数值;
S45,若否,则确定刹车状态参数为第六预设数值。
在具体实现中,在车辆处于自动驾驶状态中时,若车辆的加速度小于1.5/s^2时,可以认为车辆发生了急刹车,此时可以设定车辆的刹车状态参数为第五预设数值,如“1”,否则则判定不发生急刹车,此时可以设定车辆的刹车状态参数为第六预设数值,如“0”。
此外,特征数据的类别还可以有其他,本发明实施例不一一举例。
在完成对特征数据的提取后,可以得到如下表1所示的特征表:
表1
步骤203,基于预设异常特征数据生成特征权重表;
步骤204,在特征权重表中匹配每帧子数据对应的各项特征数据的计算方式;
步骤205,根据对应的计算方式计算每项特征数据的权重分数;
步骤206,求取所有特征数据的权重分数的和,得到对应的子数据的异常发生倾向度;
在获取得到每一帧子数据的特征数据后,可以从预设的特征权重表中匹配每一项特征数据的计算方式,并依此计算得到每一项特征数据的权重分数;通过计算各项特征数据的权重分数的加和,从而得到每一帧子数据的异常发生倾向度。
在一个示例中,特征权重表可以如下表2所示:
表2
基于表1和表2,计算得到的各帧子数据的异常发生倾向度如下表3所示:
表3
步骤207,将异常发生倾向度最大的子数据对应的时间点确定为异常发生时间点。
在计算得到每帧子数据的异常发生倾向度后,可以将异常发生倾向度最大的子数据对应的时间点确定为异常发生时间点。
本发明通过从车辆发送的异常时间段数据中提取特征数据,以计算每一帧子数据的特征数据的异常发生倾向度,从而定位异常发生倾向度最大的子数据对应的时间点为车辆异常发生时间点,无需工程师逐帧筛选每一帧子数据来确定异常发生时间点,提升了对于车辆异常发生时间点的定位速度,提高了工作效率。
请参阅图3,图3为本发明实施例提供的一种车辆异常发生时间点确定装置的结构框图。
本发明实施例提供了一种车辆异常发生时间点确定装置,包括:
异常时间段数据接收模块301,用于接收预设车辆发送的异常时间段数据;异常时间段数据包括多帧子数据;
特征数据识别模块302,用于识别每一帧子数据中的特征数据;
特征权重表生成模块303,用于基于预设异常特征数据生成特征权重表;
异常发生倾向度计算模块304,用于根据预设特征权重表和特征数据,计算每帧子数据的异常发生倾向度;
异常发生时间点确定模块305,用于将异常发生倾向度最大的子数据对应的时间点确定为异常发生时间点。
在本发明实施例中,特征数据包括车辆与障碍物的距离;特征数据识别模块302,包括:
位置坐标提取子模块,用于从子数据中提取车辆的车辆位置坐标和障碍物的障碍物位置坐标;
第一相对距离计算子模块,用于计算车辆位置坐标和障碍物位置坐标之间的第一相对距离;
第一相对距离判断子模块,用于判断第一相对距离是否大于预设距离阈值;
第一距离确定子模块,用于若第一相对距离大于预设距离阈值,则确定第一相对距离为车辆与障碍物的距离。
在本发明实施例中,特征数据识别模块302,还包括:
点坐标获取子模块,用于若相对距离不大于预设距离阈值,则获取障碍物的轮廓数据;轮廓数据包括多个点坐标;
第二相对距离计算子模块,用于计算车辆位置坐标与每个点坐标的第二相对距离;
第二距离确定子模块,用于确定数值最小的第二相对距离为车辆与障碍物的距离。
在本发明实施例中,特征数据还包括车辆接管状态参数;特征数据识别模块302,还包括:
参数值提取子模块,用于从子数据中提取接管参数;
第一车辆接管状态数据获取子模块,用于当所述接管参数为真实值时,确定所述车辆接管状态参数为第一预设数值;
第二车辆接管状态数据获取子模块,用于当判断所述接管参数不为真实值时,将所述车辆接管状态参数确定为第二预设数值。
在本发明实施例中,特征数据还包括卡死状态参数;特征数据识别模块302,还包括:
速度占比获取子模块,用于以子数据所处时间点为中心,获取预设时间区段内的车辆速度处于第一预设速度范围内的速度占比;
速度占比判断子模块,用于判断速度占比是否大于预设占比;
第一卡死状态数据获取子模块,用于若是,则确定所述卡死状态参数为第三预设数值;
第二卡死状态数据获取子模块,用于若否,则确定所述卡死状态参数为第四预设数值。
在本发明实施例中,特征数据还包括刹车状态参数;特征数据识别模块302,还包括:
行驶状态判断子模块,用于判断子数据对应的时间点时车辆的行驶状态;
加速度获取子模块,用于当行驶状态为自动驾驶状态时,获取车辆的加速度;
加速度判断子模块,用于判断加速度是否小于预设加速度阈值;
第一刹车状态数据提取子模块,用于若是,则确定所述刹车状态参数为第五预设数值;
第二刹车状态数据提取子模块,用于若否,则确定所述刹车状态参数为第六预设数值。
在本发明实施例中,异常发生倾向度计算模块304,包括:
计算方式匹配子模块,用于在特征权重表中匹配每帧子数据对应的各项特征数据的计算方式;
权重分数计算子模块,用于根据对应的计算方式计算每项特征数据的权重分数;
异常发生倾向度计算子模块,用于求取所有特征数据的权重分数的和,得到对应的子数据的异常发生倾向度。
本发明实施例还提供了一种电子设备,设备包括处理器以及存储器:
存储器用于存储程序代码,并将程序代码传输给处理器;
处理器用于根据程序代码中的指令执行本发明实施例的车辆异常发生时间点确定方法。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质用于存储程序代码,程序代码用于执行本发明实施例的车辆异常发生时间点确定方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上所述,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)
1.一种车辆异常发生时间点确定方法,其特征在于,包括:
接收预设车辆发送的异常时间段数据;所述异常时间段数据包括多帧子数据;
识别每一帧子数据中的特征数据;
基于预设异常特征数据生成特征权重表;
根据所述特征权重表和所述特征数据,计算每帧子数据的异常发生倾向度;
将异常发生倾向度最大的子数据对应的时间点确定为异常发生时间点。
2.根据权利要求1所述的方法,其特征在于,所述特征数据包括车辆与障碍物的距离;所述识别每一帧子数据中的特征数据的步骤,包括:
从所述子数据中提取所述车辆的车辆位置坐标和所述障碍物的障碍物位置坐标;
计算所述车辆位置坐标和所述障碍物位置坐标之间的第一相对距离;
判断所述第一相对距离是否大于预设距离阈值;
若所述第一相对距离大于预设距离阈值,则确定所述第一相对距离为所述车辆与障碍物的距离。
3.根据权利要求2所述的方法,其特征在于,所述识别每一帧子数据中的特征数据的步骤,还包括:
若所述相对距离不大于所述预设距离阈值,则获取所述障碍物的轮廓数据;所述轮廓数据包括多个点坐标;
计算所述车辆位置坐标与每个点坐标的第二相对距离;
确定数值最小的第二相对距离为所述车辆与障碍物的距离。
4.根据权利要求2所述的方法,其特征在于,所述特征数据还包括车辆接管状态参数;所述识别每一帧子数据中的特征数据的步骤,还包括:
从所述子数据中提取接管参数;
当所述接管参数为真实值时,确定所述车辆接管状态参数为第一预设数值;
当判断所述接管参数不为真实值时,将所述车辆接管状态参数确定为第二预设数值。
5.根据权利要求2所述的方法,其特征在于,所述特征数据还包括卡死状态参数;所述识别每一帧子数据中的特征数据的步骤,还包括:
以所述子数据所处时间点为中心,获取预设时间区段内的车辆速度处于第一预设速度范围内的速度占比;
判断所述速度占比是否大于预设占比;
若是,则确定所述卡死状态参数为第三预设数值;
若否,则确定所述卡死状态参数为第四预设数值。
6.根据权利要求2所述的方法,其特征在于,所述特征数据还包括刹车状态参数;所述识别每一帧子数据中的特征数据的步骤,还包括:
判断所述子数据对应的时间点时所述车辆的行驶状态;
当所述行驶状态为自动驾驶状态时,获取所述车辆的加速度;
判断所述加速度是否小于预设加速度阈值;
若是,则确定所述刹车状态参数为第五预设数值;
若否,则确定所述刹车状态参数为第六预设数值。
7.根据权利要求1所述的方法,其特征在于,所述根据所述特征权重表和所述特征数据,计算每帧子数据的异常发生倾向度的步骤,包括:
在所述特征权重表中匹配每帧子数据对应的各项特征数据的计算方式;
根据对应的计算方式计算每项特征数据的权重分数;
求取所有特征数据的权重分数的和,得到对应的子数据的异常发生倾向度。
8.一种车辆异常发生时间点确定装置,其特征在于,包括:
异常时间段数据接收模块,用于接收预设车辆发送的异常时间段数据;所述异常时间段数据包括多帧子数据;
特征数据识别模块,用于识别每一帧子数据中的特征数据;
特征权重表生成模块,用于基于预设异常特征数据生成特征权重表;
异常发生倾向度计算模块,用于根据所述特征权重表和所述特征数据,计算每帧子数据的异常发生倾向度;
异常发生时间点确定模块,用于将异常发生倾向度最大的子数据对应的时间点确定为异常发生时间点。
9.一种电子设备,其特征在于,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-7任一项所述的车辆异常发生时间点确定方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行权利要求1-7任一项所述的车辆异常发生时间点确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111129878.1A CN113838277B (zh) | 2021-09-26 | 2021-09-26 | 车辆异常发生时间点确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111129878.1A CN113838277B (zh) | 2021-09-26 | 2021-09-26 | 车辆异常发生时间点确定方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113838277A true CN113838277A (zh) | 2021-12-24 |
CN113838277B CN113838277B (zh) | 2022-07-26 |
Family
ID=78970461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111129878.1A Active CN113838277B (zh) | 2021-09-26 | 2021-09-26 | 车辆异常发生时间点确定方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113838277B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114407918A (zh) * | 2021-12-30 | 2022-04-29 | 广州文远知行科技有限公司 | 接管场景分析方法、装置、设备及存储介质 |
CN115063905A (zh) * | 2022-06-08 | 2022-09-16 | 中国第一汽车股份有限公司 | 车辆数据的处理方法和装置、存储介质及电子装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100177963A1 (en) * | 2007-10-26 | 2010-07-15 | Panasonic Corporation | Situation determining apparatus, situation determining method, situation determining program, abnormality determining apparatus, abnormality determining method, abnormality determining program, and congestion estimating apparatus |
CN104573116A (zh) * | 2015-02-05 | 2015-04-29 | 哈尔滨工业大学 | 基于出租车gps数据挖掘的交通异常识别方法 |
CN106095963A (zh) * | 2016-06-17 | 2016-11-09 | 上海经达信息科技股份有限公司 | 互联网+时代下的车辆驾驶行为分析大数据公共服务平台 |
CN106327230A (zh) * | 2015-06-30 | 2017-01-11 | 阿里巴巴集团控股有限公司 | 一种异常用户检测方法及设备 |
US20170345294A1 (en) * | 2014-12-26 | 2017-11-30 | Panasonic Intellectual Property Management Co., Ltd. | Abnormality detection device, abnormality detection system, and program |
CN108280795A (zh) * | 2018-01-29 | 2018-07-13 | 西安鲲博电子科技有限公司 | 基于动态数据库的高速公路绿色通道异常车辆的筛选方法 |
CN109583508A (zh) * | 2018-12-10 | 2019-04-05 | 长安大学 | 一种基于深度学习的车辆异常加减速行为识别方法 |
CN111145536A (zh) * | 2019-12-02 | 2020-05-12 | 北京航空航天大学 | 一种基于异常检测的道路网络脆性评价方法 |
CN111311914A (zh) * | 2020-02-26 | 2020-06-19 | 广州小鹏汽车科技有限公司 | 车辆行驶事故监控方法、装置和车辆 |
WO2020169053A1 (en) * | 2019-02-21 | 2020-08-27 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for identifying abnormalities |
WO2020217686A1 (ja) * | 2019-04-25 | 2020-10-29 | 株式会社日立製作所 | ダイヤ作成装置、ダイヤ作成方法、及び自動列車制御システム |
CN111881520A (zh) * | 2020-07-31 | 2020-11-03 | 广州文远知行科技有限公司 | 一种自动驾驶测试的异常检测方法、装置、计算机设备及存储介质 |
-
2021
- 2021-09-26 CN CN202111129878.1A patent/CN113838277B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100177963A1 (en) * | 2007-10-26 | 2010-07-15 | Panasonic Corporation | Situation determining apparatus, situation determining method, situation determining program, abnormality determining apparatus, abnormality determining method, abnormality determining program, and congestion estimating apparatus |
US20170345294A1 (en) * | 2014-12-26 | 2017-11-30 | Panasonic Intellectual Property Management Co., Ltd. | Abnormality detection device, abnormality detection system, and program |
CN104573116A (zh) * | 2015-02-05 | 2015-04-29 | 哈尔滨工业大学 | 基于出租车gps数据挖掘的交通异常识别方法 |
CN106327230A (zh) * | 2015-06-30 | 2017-01-11 | 阿里巴巴集团控股有限公司 | 一种异常用户检测方法及设备 |
CN106095963A (zh) * | 2016-06-17 | 2016-11-09 | 上海经达信息科技股份有限公司 | 互联网+时代下的车辆驾驶行为分析大数据公共服务平台 |
CN108280795A (zh) * | 2018-01-29 | 2018-07-13 | 西安鲲博电子科技有限公司 | 基于动态数据库的高速公路绿色通道异常车辆的筛选方法 |
CN109583508A (zh) * | 2018-12-10 | 2019-04-05 | 长安大学 | 一种基于深度学习的车辆异常加减速行为识别方法 |
WO2020169053A1 (en) * | 2019-02-21 | 2020-08-27 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for identifying abnormalities |
WO2020217686A1 (ja) * | 2019-04-25 | 2020-10-29 | 株式会社日立製作所 | ダイヤ作成装置、ダイヤ作成方法、及び自動列車制御システム |
CN111145536A (zh) * | 2019-12-02 | 2020-05-12 | 北京航空航天大学 | 一种基于异常检测的道路网络脆性评价方法 |
CN111311914A (zh) * | 2020-02-26 | 2020-06-19 | 广州小鹏汽车科技有限公司 | 车辆行驶事故监控方法、装置和车辆 |
CN111881520A (zh) * | 2020-07-31 | 2020-11-03 | 广州文远知行科技有限公司 | 一种自动驾驶测试的异常检测方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
韦学武等: "基于时序马尔科夫模型的电子警察采集数据异常识别", 《公路与汽运》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114407918A (zh) * | 2021-12-30 | 2022-04-29 | 广州文远知行科技有限公司 | 接管场景分析方法、装置、设备及存储介质 |
CN114407918B (zh) * | 2021-12-30 | 2023-03-14 | 广州文远知行科技有限公司 | 接管场景分析方法、装置、设备及存储介质 |
CN115063905A (zh) * | 2022-06-08 | 2022-09-16 | 中国第一汽车股份有限公司 | 车辆数据的处理方法和装置、存储介质及电子装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113838277B (zh) | 2022-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113838277B (zh) | 车辆异常发生时间点确定方法、装置、设备及存储介质 | |
CN109213115B (zh) | 一种自动驾驶车辆的控制命令检测方法和装置 | |
CN108469806B (zh) | 交替式人机共驾中驾驶权转移方法 | |
AU2005264151B2 (en) | System and method for monitoring driving | |
US8040247B2 (en) | System for rapid detection of drowsiness in a machine operator | |
JP4242422B2 (ja) | 突発事象の記録・解析システム | |
WO2006131929A2 (en) | System and method for providing driving insurance | |
CN107273802B (zh) | 一种铁路列车闸瓦钎环故障的检测方法及装置 | |
CN112927461A (zh) | 一种新能源汽车充电桩预警决策方法及装置 | |
CN110238556B (zh) | 焊接机器人焊接过程中焊接轨迹实时检测方法 | |
US9834139B1 (en) | Vehicle collision warning prevention method using optical flow analysis | |
CN114972911A (zh) | 自动驾驶感知算法模型的输出数据收集处理方法及设备 | |
CN112612844B (zh) | 数据处理方法、装置、设备和存储介质 | |
KR102039723B1 (ko) | 공중촬영 영상을 이용한 차량 행태 분석 시스템 및 이를 이용한 분석 방법 | |
CN115741218B (zh) | 基于加工画像分析的机床故障预警方法及系统 | |
CN112781556A (zh) | 一种基于多数据融合滤波的井盖异动监测方法和装置 | |
EP4068690A1 (en) | Attack analyzer, attack analysis method and attack analysis program | |
CN115891868A (zh) | 自动驾驶车辆的故障检测方法、装置、电子设备和介质 | |
CN114218295A (zh) | 一种交通设备数据异常监测预警方法及系统 | |
CN113987751A (zh) | 一种方案筛选方法、装置、电子设备及存储介质 | |
CN113895449A (zh) | 一种前向目标的确定方法、装置及电子设备 | |
CN112163471A (zh) | 一种拥堵检测的方法和装置 | |
CN111881733A (zh) | 一种工人作业工步规范视觉识别判定与指导方法和系统 | |
CN114973160B (zh) | 基于数字孪生模型的车辆状态判断方法及系统 | |
CN117369338A (zh) | 一种工业制造设备的运维管理系统和方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |