CN114547403B - 变道场景采集方法、装置、设备及存储介质 - Google Patents
变道场景采集方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114547403B CN114547403B CN202111657213.8A CN202111657213A CN114547403B CN 114547403 B CN114547403 B CN 114547403B CN 202111657213 A CN202111657213 A CN 202111657213A CN 114547403 B CN114547403 B CN 114547403B
- Authority
- CN
- China
- Prior art keywords
- scene
- data
- vehicle
- data frame
- host vehicle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000008859 change Effects 0.000 claims abstract description 66
- 238000012360 testing method Methods 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 230000002093 peripheral effect Effects 0.000 claims description 38
- 239000012634 fragment Substances 0.000 claims description 15
- 230000004888 barrier function Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及自动驾驶测试领域，公开了一种变道场景采集方法、装置、设备及存储介质，该方法通过对路测数据集中各数据帧中的场外信息，计算场外信息与主车之间的障碍关系，基于障碍关系确定场景类型，并根据场景类型对路测数据集中数据帧归类，得到变道场景数据集。通过识别数据帧中车辆之间的障碍关系，这样的方式以车辆为单位进行识别，大大提高的场景识别的准确度，从而准确、高效地从路测数据集中自动获取各种变道场景，显著提升数据处理的效率，以及提升了后续变道场景的自动驾驶算法的开发流程效率。
Description
技术领域
本发明涉及自动驾驶测试领域，尤其涉及一种变道场景采集方法、装置、设备及存储介质。
背景技术
随着智能控制技术的发展，尤其是在汽车领域中，自动驾驶已成为一种发展趋势，而自动驾驶测试则是自动驾驶开发中必不可少的环节，要实现自动驾驶技术的改进和优化，测试场景和每个场景下测试数据的采集则为重中之重。目前，对于测试场景和每个场景下测试数据的采集主要是先采集完整的测试数据后，然后通过人工将完成的测试数据按照场景进行划分，再从其中选择需要的场景的部分测试数据，这样的方式效率太低，无法满足研发需求，尤其是筛选拥挤变道场景，需要进行拥挤和变道的识别才能确定场景类型，人工的识别和筛选的主观性较大，导致筛选出来的数据和场景并不准确。
发明内容
本发明的主要目的在于解决现有的拥挤变道场景采集方式，其准确度和效率较低的技术问题。
本发明第一方面提供了一种变道场景采集方法，所述变道场景采集方法包括：
获取主车的路测数据集，其中，每个路测数据包括至少一个数据帧；
基于主车的车辆信息，提取各数据帧中主车位置的场外信息，并计算所述主车与所述场外信息之间的障碍关系，其中，所述场外信息至少包括周边车辆信息；
基于预设的变道场景条件，确定所述障碍关系对应的场景类型；
基于所述场景类型，将所述至少一个数据帧进行归类，得到变道场景数据集。
可选的，在本发明第一方面的第一种实现方式中，所述基于主车的车辆信息，提取各数据帧中主车位置的场外信息，并计算所述主车与所述场外信息之间的障碍关系，包括：
基于主车的车辆信息，提取各数据帧中主车位置的周边车辆信息；
根据每个数据帧中的所述周边车辆信息计算各周边车辆与所述主车之间的位置关系；
基于各所述位置关系，判断所述数据帧是否拥挤，得到所述主车与所述场外信息之间的障碍关系。
可选的，在本发明第一方面的第二种实现方式中，所述基于主车的车辆信息，提取各数据帧中主车位置的周边车辆信息，包括：
基于主车的车辆信息识别出各数据帧中主车和所述主车的周边车辆，以及所述主车的主车道和周边车道；
基于世界坐标系计算出所述主车的第一位置信息，以及所述周边车辆的第二位置信息。
可选的，在本发明第一方面的第三种实现方式中，所述根据每个数据帧中的所述周边车辆信息计算各周边车辆与所述主车之间的位置关系，包括：
根据每个数据中的所述第一位置信息和第二位置信息，计算出对应的周边车辆与所述主车的纵向距离和横向距离；
基于所述纵向距离和所述横向距离，确定对应的周边车辆与所述主车之间的位置关系。
可选的，在本发明第一方面的第四种实现方式中，所述基于各所述位置关系，判断所述数据帧是否拥挤，包括：
从所述周边车辆中提取位于所述主车道上的第一周边车辆；
判断所述第一周边车辆中的横向距离和纵向距离是否满足第一阈值，得到第一判断结果；
从所述周边车辆中提取位置所述周边车道上的第二周边车辆；
判断所述第二周边车辆中的横向距离和纵向距离是否满足第二阈值，得到第二判断结果；
基于所述第一判断结果和所述第二判断结果，利用预设的拥挤判定条件，判断所述数据帧是否拥挤。
可选的，在本发明第一方面的第五种实现方式中，所述基于所述第一判断结果和所述第二判断结果，利用预设的拥挤判定条件，判断所述数据帧是否拥挤，包括：
基于所述第一判断结果确定造成所述主车道拥挤的第一车辆总数量；
基于所述第二判断结果确定造成所述周边车道拥挤的第二车辆总数量；
判断所述第一车辆总数量和所述第二车辆总数量是否满足预设的拥挤车辆数量；
若满足，则确定所述数据帧为拥挤场景；
若不满足，则确定所述数据帧为非拥挤场景。
可选的，在本发明第一方面的第六种实现方式中，所述基于所述场景类型，将所述至少一个数据帧进行归类，得到变道场景数据集，包括：
将所有的数据帧，按照所述数据帧的时间戳进行排序，并根据所述场景类型进行合并，得到数据片段；
判断所述数据片段的长度是否大于预设的变道场景数据的长度；
若是，则将所述数据片段划分为多个数据小片段；
将每个所述拥数据小片段与预设的变道场景数据进行比对，得到变道场景数据集。
可选的，在本发明第一方面的第七种实现方式中，所述将每个所述数据小片段与预设的变道场景数据进行比对，得到变道场景数据集，包括：
将每个所述数据小片段与预设的变道场景数据进行取交处理，得到交集；
判断各所述交集是否满足预设的变道场景的判断条件；
基于判断的结果从所有的数据小片段中确定变道场景集。
本发明第二方面提供了一种变道场景采集装置，所述变道场景采集装置包括：
获取模块，用于获取主车的路测数据集，其中，每个路测数据包括至少一个数据帧；
提取模块，用于基于主车的车辆信息，提取各数据帧中主车位置的场外信息，并计算所述主车与所述场外信息之间的障碍关系，其中，所述场外信息至少包括周边车辆信息；
类型确定模块，用于基于预设的变道场景条件，确定所述障碍关系对应的场景类型；
筛选模块，用于基于所述场景类型，将所述至少一个数据帧进行归类，得到变道场景数据集。
可选的，在本发明第二方面的第一种实现方式中，所述提取模块包括：
提取单元，用于基于主车的车辆信息，提取各数据帧中主车位置的周边车辆信息；
计算单元，用于根据每个数据帧中的所述周边车辆信息计算各周边车辆与所述主车之间的位置关系；
关系判断单元，用于基于各所述位置关系，判断所述数据帧是否拥挤，得到所述主车与所述场外信息之间的障碍关系。
可选的，在本发明第二方面的第二种实现方式中，所述提取单元具体用于：
基于主车的车辆信息识别出各数据帧中主车和所述主车的周边车辆，以及所述主车的主车道和周边车道；
基于世界坐标系计算出所述主车的第一位置信息，以及所述周边车辆的第二位置信息。
可选的，在本发明第二方面的第三种实现方式中，所述计算单元具体用于：
根据每个数据中的所述第一位置信息和第二位置信息，计算出对应的周边车辆与所述主车的纵向距离和横向距离；
基于所述纵向距离和所述横向距离，确定对应的周边车辆与所述主车之间的位置关系。
可选的，在本发明第二方面的第四种实现方式中，所述关系判断单元具体用于：
从所述周边车辆中提取位于所述主车道上的第一周边车辆；
判断所述第一周边车辆中的横向距离和纵向距离是否满足第一阈值，得到第一判断结果；
从所述周边车辆中提取位置所述周边车道上的第二周边车辆；
判断所述第二周边车辆中的横向距离和纵向距离是否满足第二阈值，得到第二判断结果；
基于所述第一判断结果和所述第二判断结果，利用预设的拥挤判定条件，判断所述数据帧是否拥挤。
可选的，在本发明第二方面的第五种实现方式中，所述关系判断单元具体还用于：
基于所述第一判断结果确定造成所述主车道拥挤的第一车辆总数量；
基于所述第二判断结果确定造成所述周边车道拥挤的第二车辆总数量；
判断所述第一车辆总数量和所述第二车辆总数量是否满足预设的拥挤车辆数量；
若满足，则确定所述数据帧为拥挤场景；
若不满足，则确定所述数据帧为非拥挤场景。
可选的，在本发明第二方面的第六种实现方式中，所述筛选模块包括：
排序单元，用于将所有的数据帧，按照所述数据帧的时间戳进行排序，并根据所述场景类型进行合并，得到数据片段；
长度判断单元，用于判断所述数据片段的长度是否大于预设的变道场景数据的长度；
划分单元，用于在判断大于预设的变道场景数据的长度时，将所述数据片段划分为多个数据小片段；
对比单元，用于将每个所述拥数据小片段与预设的变道场景数据进行比对，得到变道场景数据集。
可选的，在本发明第二方面的第七种实现方式中，所述对比单元具体用于：
将每个所述数据小片段与预设的变道场景数据进行取交处理，得到交集；
判断各所述交集是否满足预设的变道场景的判断条件；
基于判断的结果从所有的数据小片段中确定变道场景集。
本发明第三方面提供了一种计算机设备，包括：存储器、处理器以及存储在所述存储器中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上述第一方面提供的变道场景采集方法中的各个步骤。
本发明的第四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存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面提供的变道场景采集方法中的各个步骤。
有益效果：
本申请通过对路测数据集中各数据帧中的场外信息，计算场外信息与主车之间的障碍关系，基于障碍关系确定场景类型，并根据场景类型对路测数据集中数据帧归类，得到变道场景数据集。通过识别数据帧中车辆之间的障碍关系，这样的方式以车辆为单位进行识别，大大提高的场景识别的准确度，从而准确、高效地从路测数据集中自动获取各种变道场景，显著提升数据处理的效率，以及提升了后续变道场景的自动驾驶算法的开发流程效率。
附图说明
图1为本发明提供的变道场景采集方法的第一个实施例示意图；
图2为本发明提供的变道场景采集方法的第二个实施例示意图；
图3为本发明提供的变道场景采集方法的第三个实施例示意图；
图4为本发明提供的变道场景采集装置的一个实施例示意图；
图5为本发明提供的变道场景采集装置的另一个实施例示意图；
图6为本发明提供的计算机设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种变道场景采集方法、装置、设备及存储介质，该方法是通过对路测数据集中各数据帧中的场外信息，计算场外信息与主车之间的障碍关系，基于障碍关系确定场景类型，并根据场景类型对路测数据集中数据帧归类，得到变道场景数据集。实现了在路测数据量较大的情况下也能实现快速的识别变道场景，并筛选出对应的变道场景数据，并且是基于计算车辆之间的障碍关系，这样的方式以车辆为单位进行识别，大大提高的场景识别的准确度。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述。请参考图1所示，本发明实施例中变道场景采集方法的第一个实施例，具体实现步骤包括：
101、获取主车的路测数据集，每个路测数据包括至少一个数据帧；
该步骤中，该路测数据集是由多个数据帧组成的视频数据，该视频数据至少包括一个变道场景，通过识别该路测数据集中各数据帧的携带的车辆信息，基于该车辆信息识别变道场景，从而达到变道场景数据的采集。
在本实施例中，对于路测数据集可以从车辆中的行车记录仪中获取，进一步的，在行车记录仪中获取到视频数据是主车的外部环境信息。获取外部环境信息包括采集行车记录仪中先后多个时间点中的视频数据，然后比较前后时间点上的数据是否不同，若不同，则获取主车内部的行车信息，基于行车信息确定是否发生变道操作，若发生变道操作，则对获取到的数据帧进行标记，该标记用于指示数据帧为变道数据帧，置于后续变道属于哪种变道场景，则执行下述步骤实现。
102、基于主车的车辆信息，提取各数据帧中主车位置的场外信息，并计算主车与场外信息之间的障碍关系，场外信息至少包括周边车辆信息；
本实施例中，该车辆信息包括主车的车牌、车标，甚至还可以是车辆的外观等等，以车辆信息为识别对象识别出主车在每个数据帧中的位置，以该位置为中心提取场外信息，这里的场外信息可以是周边车辆信息，也可以是周边的环境信息，例如障碍物。
在提取到场外信息后，计算主车与场外信息之间的障碍关系，该障碍关系可以是位置关系，也可以是数量关系。在实际应用中，在计算障碍关系时，若采集到的场外信息包括周边车辆信息和障碍物时，其障碍关系包括周边车辆与主车之间的位置关系，以及主车与障碍物之间的位置关系和障碍物的类型以及障碍物是否运动等等。
103、基于预设的变道场景条件，确定障碍关系对应的场景类型；
本实施例中，这里的变道场景条件指的是车辆自动驾驶系统通过机器学习算法对不同变道场景下的案例数据来统计得到的条件，每个变道场景对应一个条件，形成一个变道场景条件比对表，在确定场景类型时，通过将障碍关系遍历变道场景条件对比表中的每个条件，遍历结果中存在一致的，则确定该条件在对比表中的对应关系，确定场景类型。
在实际应用中，通过上述的方法对每个数据帧的障碍关系进行比对后，确定每个数据帧对应的场景类型，基于该场景类型设置对应的标签，在路测数据集中对数据帧进行标记，得到标记数据集。
104、基于场景类型，将至少一个数据帧进行归类，得到变道场景数据集；
该步骤中，基于场景类型对路测数据集中的数据帧进行分类，具体的通过识别标记路测数据集中的标记，将相同标记的数据帧进行合并，得到对个数据帧集合，每个数据帧集合对应一个变道场景，从而得到变道场景数据集。
在实际应用中，该归类具体是采用同类项合并算法进行归类，在归类后还包括利用线性算法对每个数据帧集合中的数据帧的实际数据进行线性回归，得到回归数据集合。
综上，通过提取路测数据集中各数据帧的周边车辆信息，并计算周边车辆信息与主车之间的障碍关系，基于障碍关系与变道场景条件进行比对分析，得到比对结果，从而提取数据帧归类到对应的变道场景数据集中，这样的方式以车辆本身进行识别比对，实现了准确、高效地从路测数据中自动获取拥挤变道场景，显著提升针对拥挤变道场景的自动驾驶算法的开发流程效率。
请参见图2，为本发明实施例中变道场景采集方法的第二个实施例，具体实现步骤包括：
201、采集到主车的路测数据集，并识别路测数据集中发生变道操作的数据帧，得到多个数据帧；
具体的，在车辆驾驶系统在记录路测数据集时，会对每个时间点产生的路测数据进行初步识别判断，例如通过识别产生的路测数据中是否有司机接管操作，或者以主车上一个时间帧的行驶方向作为标准方向，判断所述主车的行驶方向是否发生改变，若有接管或者方向发生改变，则确定路测数据为变道的数据帧，并进行标记处理，在提取形成多个数据帧时，通过标识的识别从路测数据集中提取出可能存在变道操作的数据帧，这里可以将该数据帧记为变道数据帧。
202、基于主车的车辆信息，提取各数据帧中主车位置的周边车辆信息；
该步骤中，还包括提取主车位置的预设范围内的障碍物信息，具体是以行驶方向上的20米范围，采集在该20米范围内的障碍物信息。而周边车辆信息具体包括周边车辆和车道信息，具体的，基于主车的车辆信息识别出各数据帧中主车和所述主车的周边车辆，以及所述主车的主车道和周边车道；
基于世界坐标系计算出所述主车的第一位置信息，以及所述周边车辆的第二位置信息，将周边车辆、主车车道、周边车道和第一位置信息、第二位置信息作为周边车辆信息。
在实际应用中，首先基于主车的车辆信息，识别每个数据帧中主车的第一位置信息，基于该第一位置信息识别周边的环境信息，具体包括车道信息、邻居车辆信息和障碍物信息。
识别第一位置信息所在的车道后，记为主车道，根据车道的设置规则，识别主车道周边是否存在车道标线，从而识别出周边车道，然后以第一位置信息构建横跨所有车道的水平线，基于水平线为起点识别行驶方向上的邻居车辆信息和障碍物信息，得到周边车辆信息。具体的，在得到周边车辆信息时还包括将周边车辆信息按照车道进行分类。
203、根据每个数据帧中的周边车辆信息计算各周边车辆与主车之间的位置关系；
具体的，根据每个数据中的所述第一位置信息和第二位置信息，计算出对应的周边车辆与所述主车的纵向距离和横向距离；
基于所述纵向距离和所述横向距离，确定对应的周边车辆与所述主车之间的位置关系。
在实际应用中，以主车为中心位置，计算各个邻居车辆相对于该中心位置的纵横距离，以构建出坐标图，基于坐标图确定邻居车辆相对于主车的位置关系。
204、基于各位置关系，判断数据帧是否拥挤，得到主车与场外信息之间的障碍关系；
在该步骤中，从所述周边车辆中提取位于所述主车道上的第一周边车辆；
判断所述第一周边车辆中的横向距离和纵向距离是否满足第一阈值，得到第一判断结果；
从所述周边车辆中提取位置所述周边车道上的第二周边车辆；
判断所述第二周边车辆中的横向距离和纵向距离是否满足第二阈值，得到第二判断结果；
基于所述第一判断结果和所述第二判断结果，利用预设的拥挤判定条件，判断所述数据帧是否拥挤。
进一步的，所述基于所述第一判断结果和所述第二判断结果，利用预设的拥挤判定条件，判断所述数据帧是否拥挤，包括：
基于所述第一判断结果确定造成所述主车道拥挤的第一车辆总数量；
基于所述第二判断结果确定造成所述周边车道拥挤的第二车辆总数量；
判断所述第一车辆总数量和所述第二车辆总数量是否满足预设的拥挤车辆数量；
若满足，则确定所述数据帧为拥挤场景；
若不满足，则确定所述数据帧为非拥挤场景。
在实际应用中，对于变道场景主要是拥挤时的变道，无人驾驶系统会分别识别主车道和周边车道上的邻居车辆，首先在主车道上的20米范围内存在3辆邻居车辆，在周边车道上也存在3辆时，则会被判定为主车所在的环境为拥堵环境，需要选择变道避开拥堵场景。
当然除了拥挤还可以障碍物的变道，主要是识别主车道前方预设距离上是否有障碍物，这里的障碍物可以是车辆、路障等等，预设距离具体是基于主车当前的行驶车速来设定，若在预设距离上有障碍物，则进一步判断障碍物是否移动，即是确定主车与障碍物之间的障碍关系。
在实际应用中，对于该情况的障碍关系，即是判断主车与障碍物之间的距离是否恒定，或者相对运动，若相对运动，则继续判断距离是缩小还是增加，若是缩小，则确定为变道的障碍关系。
205、基于预设的变道场景条件，确定障碍关系对应的场景类型；
206、将所有的数据帧，按照数据帧的时间戳进行排序，并根据场景类型进行合并，得到数据片段；
207、判断数据片段的长度是否大于预设的变道场景数据的长度；
该步骤中，在将所有数据帧进行时间排序后，在对相同场景类型的数据帧合并过程中，还包括对合并后的多个数据帧的时间长度进行计算，并判断时间长度是否满足预设的长度，而在合并过程中将多个时间连续或不连续的且场景类型的数据帧合并至最早时间的数据帧中，得到数据片段，判断数据片段的总时间长度是否满足预设的片段长度，若满足，则结束合并，选择下一个时间点的数据帧作为合并起点，将后续的相同的数据帧合并至该合并起点的数据帧中。
208、若是，则将数据片段划分为多个数据小片段；
209、将每个拥数据小片段与预设的变道场景数据进行比对，得到变道场景数据集。
在本实施例中，将每个所述数据小片段与预设的变道场景数据进行取交处理，得到交集；
判断各所述交集是否满足预设的变道场景的判断条件；
基于判断的结果从所有的数据小片段中确定变道场景集。
综上，通过执行上述的变道场景采集方法，有效地从无人驾驶路测数据中快速采集大量的变道场景片段，可用于对应自动驾驶算法的研发。
请参见图3，为本发明实施例中变道场景采集方法第三个实施例，该实施例以采集拥挤变道场景的数据集为例进行说明，具体实现步骤包括：
301、采集路测数据，提取主车及周边车辆位置信息；
该步骤中，具体是通过基于主车的车辆信息，提取各数据帧中主车位置的周边车辆信息；基于主车的车辆信息识别出各数据帧中主车和所述主车的周边车辆，以及所述主车的主车道和周边车道；基于世界坐标系计算出所述主车的第一位置信息，以及所述周边车辆的第二位置信息。
在实际应用中，自动驾驶系统每天会自动采集并保存大量的路测数据。我们首先从数据中提取出每一帧中的主车基本信息(包括车号，时间戳)以及主车二维位置坐标以及朝向，以及所有记录下来的周围物体中属于车辆(包括电动车，自行车)类型物体的二维位置坐标以及线性。
实际操作中，我们可以预先指定一个日期和自动驾驶车辆的范围来控制所需处理的数据量。
302、进行逻辑与数学运算找出所有拥挤场景所在的时间帧；
在本实施例中，对于找出所有拥挤场景的时间帧，具体是根据每个数据中的所述第一位置信息和第二位置信息，计算出对应的周边车辆与所述主车的纵向距离和横向距离；基于所述纵向距离和所述横向距离，确定对应的周边车辆与所述主车之间的位置关系。
从所述周边车辆中提取位于所述主车道上的第一周边车辆；
判断所述第一周边车辆中的横向距离和纵向距离是否满足第一阈值，得到第一判断结果；
从所述周边车辆中提取位置所述周边车道上的第二周边车辆；
判断所述第二周边车辆中的横向距离和纵向距离是否满足第二阈值，得到第二判断结果；
基于所述第一判断结果和所述第二判断结果，利用预设的拥挤判定条件，判断所述数据帧是否拥挤。
在实际应用中，首先，将采集到的主车位置上的周边车辆信息转换为周边车辆坐标，即是相对于主车的横向纵向距离；
为了判断当前时间是否拥挤，我们需要关注每一个周边车辆相对于主车当前前进方向的横向与纵向距离。而S1中获取的二维坐标是世界坐标系坐标，原点是地图上固定点，横轴为正东西向，纵轴为正南北向。因此，我们首先需要对周边车辆的坐标进行转换，使用以下公式:
纵向距离
横向距离
其中，a为主车朝向角度，Xobs与Yobs为周围车辆在世界坐标系下的X,Y坐标，Xego与Yego为主车在世界坐标系下的X,Y坐标
然后，计算当前帧各个车道所含车辆数量；
路测数据本身没有保存车道相关信息，我们通过周围车辆的IMU_Long的IMU_Lat信息来做一个近似统计。城市道路宽度在3-3.5米之间，取中值3.25米，那么当前车道中其它车辆的数量为：
所有周围车辆中，满足-1.625米<IMU_Lat<1.625米的车辆数量
在此基础上，我们再对纵向距离做出限制，只考虑前后20米的车辆，则上面计算方式变成：
所有周围车辆的车辆数量中，满足以下条件：
a.-1.625米<IMU_Lat<1.625米
b.-20米<IMU_Long<20米
类似地，主车左边车道的车辆数量计算方式：
所有周围车辆的车辆数量中，满足以下条件：
a.-4.875米<IMU_Lat<-1.625米
b.-20米<IMU_Long<20米
依此类推，也可得右边车道车辆数量方式。
最后，判定当前帧是否拥挤。
当主车车道其它车辆数量大于等于4，且满足下列场景之一：
a.主车车道及左车道车辆数量大于8
b.主车车道及右车道车辆数量大于8
再并且所有被计数的周围车辆的平均速度小于5km/h时，
我们判定该帧为拥挤帧，并记录下当前帧信息。
进一步的，当主车在变道且车头转向较大时，主车朝向会与车道方向出现差异，此时对于左中右车道的车辆数量计算会有偏差。但一般情况下，主车变道时转向很少超过30度，在拥挤场景中，上述计算方式依然有其价值。
303、将连续的拥挤帧聚集成片段，将时间过长的片段切成不超过固定长度的片段；
收集到所有拥挤帧之后，我们给这些帧按主车车号和时间戳进行排序。将连续的拥挤帧(前后帧时间戳差别小于0.2秒)进行组合，形成一个个片段。
对于时长超过10秒的片段，再次将其切分为单个时长不超过10秒的小片段。此举的目的是为了后续与变道片段取交集时，可以更容易得到更多结果。否则一个较长拥挤片段中多次变道的情况较难采集到全部场景的详细信息。
针对每个小片段，记录该片段中左中右每个车道统计到的车辆数量的最大值，以便后续针对所有片段按拥挤程度排序。
304、将切好的片段与已有的变道片段取交集，得到最终的拥挤场景集.
自动驾驶系统在路测数据上传后，现已有分析系统对于上传数据根据车辆驾驶行为产出变道数据。具体逻辑不再赘述。
提取现有的变道数据以及时间戳Tlc，并与S3产出的拥挤片段(开始时间Ttj0，结束时间Ttj1)根据以下逻辑取交集
Tlc>Ttj0–5且Tlc<Ttj1+5
得出的交集中所含的片段，即为所需的拥挤变道片段。我们可以进一步根据S3所记录的片段中各车道周围车辆数量的最大值进行拥挤程度排序。
在本实施例中，获取拥挤变道场景中的车辆之间的关系，可以准确、高效地从路测数据中自动获取拥挤变道场景，显著提升针对拥挤变道场景的自动驾驶算法的开发流程效率。
面对本发明实施例中变道场景采集方法进行了描述，下面对本发明实施例中变道场景采集装置进行描述，请参阅图4，本发明实施例中变道场景采集装置一个实施例包括：
获取模块401，用于获取主车的路测数据集，其中，每个路测数据包括至少一个数据帧；
提取模块402，用于基于主车的车辆信息，提取各数据帧中主车位置的场外信息，并计算所述主车与所述场外信息之间的障碍关系；
类型确定模块403，用于基于预设的变道场景条件，确定所述障碍关系对应的场景类型；
筛选模块404，用于基于所述场景类型，将所述至少一个数据帧进行归类，得到变道场景数据集。
综上，通过对路测数据集中各数据帧中的场外信息，计算场外信息与主车之间的障碍关系，基于障碍关系确定场景类型，并根据场景类型对路测数据集中数据帧归类，得到变道场景数据集。通过识别数据帧中车辆之间的障碍关系，这样的方式以车辆为单位进行识别，大大提高的场景识别的准确度，从而准确、高效地从路测数据集中自动获取各种变道场景，显著提升数据处理的效率，以及提升了后续变道场景的自动驾驶算法的开发流程效率。
请参阅图5，本发明实施例中变道场景采集装置的第二实施例，该装置包括：
获取模块401，用于获取主车的路测数据集，其中，每个路测数据包括至少一个数据帧；
提取模块402，用于基于主车的车辆信息，提取各数据帧中主车位置的场外信息，并计算所述主车与所述场外信息之间的障碍关系；
类型确定模块403，用于基于预设的变道场景条件，确定所述障碍关系对应的场景类型；
筛选模块404，用于基于所述场景类型，将所述至少一个数据帧进行归类，得到变道场景数据集。
在本实施例中，所述提取模块402包括：
提取单元4021，用于基于主车的车辆信息，提取各数据帧中主车位置的周边车辆信息；
计算单元4022，用于根据每个数据帧中的所述周边车辆信息计算各周边车辆与所述主车之间的位置关系；
关系判断单元4023，用于基于各所述位置关系，判断所述数据帧是否拥挤，得到所述主车与所述场外信息之间的障碍关系。
在本实施例中，所述提取单元4021具体用于：
基于主车的车辆信息识别出各数据帧中主车和所述主车的周边车辆，以及所述主车的主车道和周边车道；
基于世界坐标系计算出所述主车的第一位置信息，以及所述周边车辆的第二位置信息。
在本实施例中，所述计算单元4022具体用于：
根据每个数据中的所述第一位置信息和第二位置信息，计算出对应的周边车辆与所述主车的纵向距离和横向距离；
基于所述纵向距离和所述横向距离，确定对应的周边车辆与所述主车之间的位置关系。
在本实施例中，所述关系判断单元4023具体用于：
从所述周边车辆中提取位于所述主车道上的第一周边车辆；
判断所述第一周边车辆中的横向距离和纵向距离是否满足第一阈值，得到第一判断结果；
从所述周边车辆中提取位置所述周边车道上的第二周边车辆；
判断所述第二周边车辆中的横向距离和纵向距离是否满足第二阈值，得到第二判断结果；
基于所述第一判断结果和所述第二判断结果，利用预设的拥挤判定条件，判断所述数据帧是否拥挤。
在本实施例中，所述关系判断单元4023具体还用于：
基于所述第一判断结果确定造成所述主车道拥挤的第一车辆总数量；
基于所述第二判断结果确定造成所述周边车道拥挤的第二车辆总数量；
判断所述第一车辆总数量和所述第二车辆总数量是否满足预设的拥挤车辆数量；
若满足，则确定所述数据帧为拥挤场景；
若不满足，则确定所述数据帧为非拥挤场景。
在本实施例中，所述筛选模块404包括：
排序单元4041，用于将所有的数据帧，按照所述数据帧的时间戳进行排序，并根据所述场景类型进行合并，得到数据片段；
长度判断单元4042，用于判断所述数据片段的长度是否大于预设的变道场景数据的长度；
划分单元4023，用于在判断大于预设的变道场景数据的长度时，将所述数据片段划分为多个数据小片段；
对比单元4044，用于将每个所述拥数据小片段与预设的变道场景数据进行比对，得到变道场景数据集。
在本实施例中，所述对比单元4044具体用于：
将每个所述数据小片段与预设的变道场景数据进行取交处理，得到交集；
判断各所述交集是否满足预设的变道场景的判断条件；
基于判断的结果从所有的数据小片段中确定变道场景集。
综上，通过对上述提供的装置的实施，通过对提取案例数据中各个片段的行驶信息，基于行驶信息找出造成静止状态的因素，并判断这些因素是否满足预设的判定条件，基于判断的结果对案例数据进行场景分类，通过这样的方式设定了不同接管场景的标准，基于判定条件来实现判定，提高了接管场景识别的精准度，还能为接管场收集数据，解决了现有技术中对于接管判定标准不统一，导致接管识别不准确的问题。
上面图4和图5从模块化功能实体的角度对本发明实施例中的变道场景采集装置进行详细描述，下面从硬件处理的角度对本发明实施例中计算机设备进行详细描述。
图6是本发明实施例提供了一种计算机设备的结构示意图，该计算机设备700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(centralprocessingunits，CPU)710(例如，一个或一个以上处理器)和存储器720，一个或一个以上存储应用程序733或数据732的存储介质730(例如一个或一个以上海量存储设备)。其中，存储器720和存储介质730可以是短暂存储或持久存储。存储在存储介质730的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对计算机设备700中的一系列指令操作。更进一步地，处理器710可以设置为与存储介质730通信，在电子设备700上执行存储介质730中的一系列指令操作。
计算机设备700还可以包括一个或一个以上电源740，一个或一个以上有线或无线网络接口750，一个或一个以上输入输出接口760，和/或，一个或一个以上操作系统731，例如：Windows Serve，MacOSX，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的计算机设备结构还可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明实施例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可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令或计算机程序，当所述指令或计算机程序被运行时，使得计算机执行上述实施例提供的变道场景采集方法的各个步骤。
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，上述描述的系统或装置、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。
所述集成的单元如果以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全部或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：U盘、移动硬盘、只读存储器(read-onlymemory，ROM)、随机存取存储器(randomaccessmemory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
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 (11)
1.一种变道场景采集方法，其特征在于，所述变道场景采集方法包括：
获取主车在发生接管或者行驶方向发生改变时的路测数据集，其中，每个路测数据包括至少一个变道的数据帧；
以各数据帧中主车的主车位置构建横跨所有车道的水平线，基于水平线为起点识别行驶方向上的周边车辆信息，以及在行驶方向上的预设范围内的障碍物信息，得到场外信息；
计算所述主车与所述场外信息之间的障碍关系，其中，所述障碍关系包括周边车辆与所述主车之间的位置关系、所述主车与所述障碍物之间的位置关系、所述障碍物的类型和所述障碍物是否运动中的至少一种；
将每个数据帧的障碍关系遍历变道场景条件对比表中的每个条件，基于遍历的结果确定每个数据帧对应的场景类型；
基于所述场景类型，将所述至少一个数据帧进行归类，并利用线性算法每类的数据帧进行线性回归，得到变道场景数据集。
2.根据权利要求1所述的变道场景采集方法，其特征在于，所述计算所述主车与所述场外信息之间的障碍关系，包括：
根据每个数据帧中的所述周边车辆信息计算各周边车辆与所述主车之间的位置关系；
基于各所述位置关系，判断所述数据帧是否拥挤，得到所述主车与所述场外信息之间的障碍关系。
3.根据权利要求1所述的变道场景采集方法，其特征在于，所述以各数据帧中主车的主车位置构建横跨所有车道的水平线，基于水平线为起点识别行驶方向上的周边车辆信息，包括：
基于主车的车辆信息确定各数据帧中主车的主车位置；
以所述主车位置构建横跨所有车道的水平线，基于水平线为起点识别行驶方向上的周边车辆，以及所述主车的主车道和周边车道；
基于世界坐标系计算出所述主车的第一位置信息，以及所述周边车辆的第二位置信息。
4.根据权利要求3所述的变道场景采集方法，其特征在于，所述根据每个数据帧中的所述周边车辆信息计算各周边车辆与所述主车之间的位置关系，包括：
根据每个数据中的所述第一位置信息和第二位置信息，计算出对应的周边车辆与所述主车的纵向距离和横向距离；
基于所述纵向距离和所述横向距离，确定对应的周边车辆与所述主车之间的位置关系。
5.根据权利要求4所述的变道场景采集方法，其特征在于，所述基于各所述位置关系，判断所述数据帧是否拥挤，包括：
从所述周边车辆中提取位于所述主车道上的第一周边车辆；
判断所述第一周边车辆中的横向距离和纵向距离是否满足第一阈值，得到第一判断结果；
从所述周边车辆中提取位置所述周边车道上的第二周边车辆；
判断所述第二周边车辆中的横向距离和纵向距离是否满足第二阈值，得到第二判断结果；
基于所述第一判断结果和所述第二判断结果，利用预设的拥挤判定条件，判断所述数据帧是否拥挤。
6.根据权利要求5所述的变道场景采集方法，其特征在于，所述基于所述第一判断结果和所述第二判断结果，利用预设的拥挤判定条件，判断所述数据帧是否拥挤，包括：
基于所述第一判断结果确定造成所述主车道拥挤的第一车辆总数量；
基于所述第二判断结果确定造成所述周边车道拥挤的第二车辆总数量；
判断所述第一车辆总数量和所述第二车辆总数量是否满足预设的拥挤车辆数量；
若满足，则确定所述数据帧为拥挤场景；
若不满足，则确定所述数据帧为非拥挤场景。
7.根据权利要求1-6中任一项所述的变道场景采集方法，其特征在于，所述基于所述场景类型，将所述至少一个数据帧进行归类，得到变道场景数据集，包括：
将所有的数据帧，按照所述数据帧的时间戳进行排序，并根据所述场景类型进行合并，得到数据片段；
判断所述数据片段的长度是否大于预设的变道场景数据的长度；
若是，则将所述数据片段划分为多个数据小片段；
将每个所述数据小片段与预设的变道场景数据进行比对，得到变道场景数据集。
8.根据权利要求7所述的变道场景采集方法，其特征在于，所述将每个所述数据小片段与预设的变道场景数据进行比对，得到变道场景数据集，包括：
将每个所述数据小片段与预设的变道场景数据进行取交处理，得到交集；
判断各所述交集是否满足预设的变道场景的判断条件；
基于判断的结果从所有的数据小片段中确定变道场景集。
9.一种变道场景采集装置，其特征在于，所述变道场景采集装置包括：
获取模块，用于获取主车在发生接管或者行驶方向发生改变时的路测数据集，其中，每个路测数据包括至少一个变道的数据帧；
提取模块，用于以各数据帧中主车的主车位置构建横跨所有车道的水平线，基于水平线为起点识别行驶方向上的周边车辆信息，以及在行驶方向上的预设范围内的障碍物信息，得到场外信息；计算所述主车与所述场外信息之间的障碍关系，其中，所述障碍关系包括周边车辆与所述主车之间的位置关系，以及所述主车与所述障碍物之间的位置关系和所述障碍物的类型以及所述障碍物是否运动中的至少一种；
类型确定模块，用于将每个数据帧的障碍关系遍历变道场景条件对比表中的每个条件，基于遍历的结果确定每个数据帧对应的场景类型；
筛选模块，用于基于所述场景类型，将所述至少一个数据帧进行归类，并利用线性算法每类的数据帧进行线性回归，得到变道场景数据集。
10.一种计算机设备，其特征在于，所述计算机设备包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述计算机设备执行如权利要求1-8中任一项所述的变道场景采集方法的各个步骤。
11.一种计算机可读存储介质，所述计算机可读存储介质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1-8中任一项所述的变道场景采集方法的各个步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111657213.8A CN114547403B (zh) | 2021-12-30 | 2021-12-30 | 变道场景采集方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111657213.8A CN114547403B (zh) | 2021-12-30 | 2021-12-30 | 变道场景采集方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114547403A CN114547403A (zh) | 2022-05-27 |
| CN114547403B true CN114547403B (zh) | 2023-05-23 |
Family
ID=81669695
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111657213.8A Active CN114547403B (zh) | 2021-12-30 | 2021-12-30 | 变道场景采集方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114547403B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115018014B (zh) * | 2022-07-27 | 2024-05-10 | 东南大学 | 基于多源信息的机器学习辅助的通信场景分类方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111361560A (zh) * | 2020-02-25 | 2020-07-03 | 北京百度网讯科技有限公司 | 控制车辆行驶的方法、装置、电子设备以及计算机可读存储介质 |
| CN112639907A (zh) * | 2020-10-14 | 2021-04-09 | 驭势（上海）汽车科技有限公司 | 一种交通拥堵感知方法、装置、电子设备及存储介质 |
| US11085809B1 (en) * | 2018-12-03 | 2021-08-10 | Amazon Technologies, Inc. | Multi-channel weight sensing system |
| CN113706870A (zh) * | 2021-08-30 | 2021-11-26 | 广州文远知行科技有限公司 | 一种拥堵场景下主车换道数据的收集方法及相关设备 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109191830B (zh) * | 2018-08-09 | 2021-01-05 | 昆明理工大学 | 一种基于视频图像处理的道路拥堵检测方法 |
| CN109946688B (zh) * | 2019-03-18 | 2019-12-24 | 中国汽车工程研究院股份有限公司 | 换道场景数据提取方法、装置和服务器 |
| CN112416004B (zh) * | 2020-11-19 | 2021-12-14 | 腾讯科技（深圳）有限公司 | 一种基于自动驾驶的控制方法、装置、车辆以及相关设备 |
| CN112784724A (zh) * | 2021-01-14 | 2021-05-11 | 上海眼控科技股份有限公司 | 一种车辆变道检测方法、装置、设备及存储介质 |
| CN113299099A (zh) * | 2021-05-21 | 2021-08-24 | 广州小鹏汽车科技有限公司 | 一种行车辅助方法和装置 |
-
2021
- 2021-12-30 CN CN202111657213.8A patent/CN114547403B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11085809B1 (en) * | 2018-12-03 | 2021-08-10 | Amazon Technologies, Inc. | Multi-channel weight sensing system |
| CN111361560A (zh) * | 2020-02-25 | 2020-07-03 | 北京百度网讯科技有限公司 | 控制车辆行驶的方法、装置、电子设备以及计算机可读存储介质 |
| CN112639907A (zh) * | 2020-10-14 | 2021-04-09 | 驭势（上海）汽车科技有限公司 | 一种交通拥堵感知方法、装置、电子设备及存储介质 |
| CN113706870A (zh) * | 2021-08-30 | 2021-11-26 | 广州文远知行科技有限公司 | 一种拥堵场景下主车换道数据的收集方法及相关设备 |
Non-Patent Citations (2)
| Title |
|---|
| Qiong Wu et al..Research on Lane-Change Strategy With Real-Time Obstacle Avoidance Function.《IEEE Access》.2020,211255-211268. * |
| 王润民 等.自动驾驶测试场景研究进展.《交通运输工程学报》.2021,21-37. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114547403A (zh) | 2022-05-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20170344855A1 (en) | Method of predicting traffic collisions and system thereof | |
| CN105574543B (zh) | 一种基于深度学习的车辆品牌型号识别方法和系统 | |
| CN111598069B (zh) | 一种基于深度学习的高速公路车辆换道区域分析方法 | |
| WO2024067210A1 (zh) | 一种交通状态确定方法、装置及设备 | |
| CN114547403B (zh) | 变道场景采集方法、装置、设备及存储介质 | |
| CN112466118A (zh) | 车辆驾驶行为识别方法、系统、电子设备及存储介质 | |
| Satzoda et al. | Drive analysis using lane semantics for data reduction in naturalistic driving studies | |
| Ding et al. | Mit-avt clustered driving scene dataset: Evaluating perception systems in real-world naturalistic driving scenarios | |
| CN114241373A (zh) | 一种端到端的车辆行为检测方法、系统、设备及存储介质 | |
| CN109677405B (zh) | 一种基于不完备车道线信息的车辆偏离预警方法及系统 | |
| DE112016007440T5 (de) | Fahrradverfolgung für Bike-Sharing-System | |
| CN116311913B (zh) | 一种基于ai视频智能分析的高速路段拥堵分析方法及系统 | |
| CN112991769A (zh) | 基于视频的交通量调查方法和装置 | |
| CN116704750B (zh) | 一种基于聚类算法的交通状态识别方法、电子设备、介质 | |
| CN117173669A (zh) | 一种基于人工智能的图片识别方法和系统 | |
| CN116092033A (zh) | 一种车辆轨迹数据驱动的车辆换道起终点识别方法 | |
| CN113706870B (zh) | 一种拥堵场景下主车换道数据的收集方法及相关设备 | |
| Li et al. | Computer vision techniques to collect helmet-wearing data on cyclists | |
| Namazi et al. | Identifying and counting vehicles in multiple lanes by using a low-cost vehicle-mounted sensor for intelligent traffic management systems | |
| CN115187886A (zh) | 一种车辆违规行为检测方法、装置及电子设备 | |
| CN113393011B (zh) | 预测限速信息的方法、装置、计算机设备和介质 | |
| CN110148298B (zh) | 基于机动车电子标识数据的私家车规律出行行为发现方法 | |
| CN112163471A (zh) | 一种拥堵检测的方法和装置 | |
| CN112598314A (zh) | 智能驾驶汽车的感知置信度确定方法、装置、设备及介质 | |
| CN114067562B (zh) | 一种基于多维度特征的车道有效性预测方法及预测系统 |
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 |