CN114655227A - 驾驶风格识别方法、辅助驾驶方法及装置 - Google Patents
驾驶风格识别方法、辅助驾驶方法及装置 Download PDFInfo
- Publication number
- CN114655227A CN114655227A CN202011552812.9A CN202011552812A CN114655227A CN 114655227 A CN114655227 A CN 114655227A CN 202011552812 A CN202011552812 A CN 202011552812A CN 114655227 A CN114655227 A CN 114655227A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- state
- target vehicle
- driving
- target
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 111
- 238000005070 sampling Methods 0.000 claims abstract description 105
- 239000013598 vector Substances 0.000 claims abstract description 85
- 230000001133 acceleration Effects 0.000 claims description 50
- 238000012549 training Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 7
- 230000003068 static effect Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 14
- 230000008859 change Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000013106 supervised machine learning method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 231100000614 poison Toxicity 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000013107 unsupervised machine learning method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002650 habitual effect Effects 0.000 description 1
- 239000004579 marble Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000002574 poison Substances 0.000 description 1
- 230000007096 poisonous effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W40/09—Driving style or behaviour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及汽车驾驶技术领域,可应用于自动驾驶车辆,具体涉及一种驾驶风格识别方法和装置,所述方法包括:获取目标车辆在连续的各时刻的各特征向量值,所述特征向量用于表示目标车辆的瞬时驾驶状态,其中,所述特征向量包括用于表示目标车辆与其相关对象之间状态的状态特征;对所述各特征向量值,以连续的N个值为一个采样单位进行采样,获得多个样本,其中,所述N为预设值;根据所述多个样本确定所述目标车辆的驾驶风格。基于本申请提供的技术方案,可以使驾驶风格识别结果更加全面准确。
Description
技术领域
本申请涉及汽车驾驶技术领域,特别涉及一种驾驶风格识别方法、辅助驾驶方法、装置、计算设备及存储介质。
背景技术
在道路上,不同的驾驶员可能存在不同的驾驶风格,如激进型、平稳型、谨慎型等。驾驶员还可能处于一些特殊的危险驾驶状态,比如酒驾、毒驾、疲劳驾驶等。驾驶风格与危险驾驶行为密切相关,因此,准确识别周边车辆的驾驶风格对本车的安全驾驶非常重要。
关于现有技术中对驾驶风格的识别问题,目前主要是对本车驾驶风格的识别。通过采集本车的驾驶状态特征来计算指标值,再利用指标值与多个阈值作比较,分别对应不同的驾驶风格。该方案采集的特征为单一时刻的驾驶状态特征,不能很好地描述连续的车辆驾驶过程,因此导致车辆的驾驶风格识别不准确。
发明内容
鉴于现有技术的以上问题,本申请提供一种驾驶风格识别方法、辅助驾驶方法、装置、计算设备及存储介质,使可以对目标车辆的驾驶风格进行识别,且根据持续驾驶操作间的连续性进行识别,从而提高驾驶风格识别的准确性。
为了达到上述目的,本申请第一方面提供一种驾驶风格识别方法,包括:
获取目标车辆在连续的各时刻的各特征向量值,所述特征向量用于表示目标车辆的瞬时驾驶状态;
对所述各特征向量值,以连续的N个值为一个采样单位进行采样,获得多个样本;
根据所述多个样本确定所述目标车辆的驾驶风格。
由上,本方面提供的技术方案,通过获得连续的各时刻的各特征向量值,并将具有时间连续性的特征向量进行采样,使获得的样本保留了连续微观驾驶操作间的连续性,可以更准确的描述驾驶过程,进而提高驾驶风格的识别准确性。
作为第一方面的一种实现方式,所述N大于1时,相邻两次采样获得的两个样本中,至少一个同一时刻对应的特征向量值存在于所述两个样本中。
由上,通过使至少一个同一时刻对应的特征向量值存在于所述两个样本中,即将前一次采样获得的样本中最后一时刻特征向量作为下一次采样获得的样本中第一时刻的特征向量,可以更完整的保留相邻时间内驾驶状态间的相关性。
作为第一方面的一种实现方式,所述特征向量包括表示目标车辆的自身状态的状态特征,和/或表示目标车辆与其相关对象之间状态的状态特征。
由上,本方面提供的特征向量不仅包括表示目标车辆的自身状态的状态特征,还包括表示目标车辆与其相关对象之间状态的状态特征,使驾驶状态描述更完整,更能反映目标车辆的驾驶状态,进而使驾驶风格预测更加准确。
作为第一方面的一种实现方式,所述表示目标车辆的自身状态的状态特征包括至少以下之一:加速状态对应的状态特征、转向状态对应的状态特征、超速状态对应的状态特征。
由上,上述各个状态特征均可以由外部车辆传感器或者摄像头直接采集获得,使数据采集更为简单。另外,由于不同的驾驶风格在加速度上表现差异明显,如激进驾驶者会频繁的加减速,而平稳驾驶者更倾向于尽量匀速行驶。因此,加速状态为驾驶风格识别的一个重要因素。其次,不同的驾驶风格在转向状态上表现差异明显,如激进驾驶者会频繁变道超车,另外,疲劳驾驶、酒驾、毒驾等也会因为失去控制能力而不自觉偏离车道。因此,转向状态也为驾驶风格识别的一个重要因素。另外,超速可以反映车辆本身的驾驶状态,即使周边没有车辆,超速驾驶仍是危险的,因此,本方面将超速状态作为驾驶风格识别的一个重要因素。
作为第一方面的一种实现方式,所述表示目标车辆与其相关对象之间状态的状态特征包括至少以下之一:与其相关对象之间碰撞发生时间的状态特征、与其相关对象之间相对距离的状态特征、与其相关对象之间相对速度的状态特征。
由上,本方面提供了几种可能的表示目标车辆与其相关对象之间状态的状态特征来描述目标车辆与周边对象间的互相影响情况,可以更准确的描述车辆的驾驶状态,使驾驶风格识别更加准确。
作为第一方面的一种实现方式,所述相关对象包括至少以下之一:与目标车辆相关的车辆、与目标车辆相关的行人、与目标车辆相关的静态障碍物。
作为第一方面的一种实现方式,所述与目标车辆相关的车辆包括:
车辆直行时位于目标车辆所在车道的前方车辆和/或后方车辆;或者
车辆变道时位于目标车辆目标车道的前方车辆和/或后方车辆。
由上,提供了与目标车辆相关车辆的确定方法,可以精确确定出目标车辆的相关车辆,为驾驶风格识别提供支撑。
作为第一方面的一种实现方式,所述根据所述多个样本确定所述目标车辆的驾驶风格,包括:
根据所述多个样本,利用预先训练的隐含狄利克雷分布模型确定所述目标车辆的驾驶风格。
作为第一方面的一种实现方式,所述预先训练的隐含狄利克雷分布模型的训练过程包括:
预先获取预设数量的目标车辆在连续的各时刻的各特征向量值;
对所述各特征向量值,以连续的N个值为一个采样单位进行采样,获得多个样本;
将所述多个样本作为隐含狄利克雷分布模型的输入层训练样本,利用吉布斯采样算法训练所述隐含狄利克雷分布模型,获得所述预先训练的隐含狄利克雷分布模型。
本申请的第二方面提供一种驾驶风格识别装置,包括:
获取模块,用于获取目标车辆在连续的各时刻的各特征向量值,所述特征向量用于表示目标车辆的瞬时驾驶状态;
采样模块,用于对所述各特征向量值,以连续的N个值为一个采样单位进行采样,获得多个样本;
确定模块,用于根据所述多个样本确定所述目标车辆的驾驶风格。
作为第二方面的一种实现方式,在所述采样模块中,所述N大于1时,相邻两次采样获得的两个样本中,至少一个同一时刻对应的特征向量值存在于所述两个样本中。
作为第二方面的一种实现方式,在所述获取模块和采样模块中,所述特征向量包括表示目标车辆的自身状态的状态特征,和/或表示目标车辆与其相关对象之间状态的状态特征。
作为第二方面的一种实现方式,所述表示目标车辆的自身状态的状态特征包括至少以下之一:加速状态对应的状态特征、转向状态对应的状态特征、超速状态对应的状态特征。
作为第二方面的一种实现方式,所述表示目标车辆与其相关对象之间状态的状态特征包括至少以下之一:与其相关对象之间碰撞发生时间的状态特征、与其相关对象之间相对距离的状态特征、与其相关对象之间相对速度的状态特征。
作为第二方面的一种实现方式,所述相关对象包括至少以下之一:与目标车辆相关的车辆、与目标车辆相关的行人、与目标车辆相关的静态障碍物。
作为第二方面的一种实现方式,所述与目标车辆相关的车辆包括:
车辆直行时,位于目标车辆所在车道的前方车辆和/或后方车辆;或者
车辆变道时,位于目标车辆目标车道的前方车辆和/或后方车辆。
本申请的第三方面提供一种辅助驾驶方法,包括:
根据本车的行驶状态确定相对本车的目标车辆;
利用上述第一方面提供的一种驾驶风格识别方法识别所述目标车辆的驾驶风格;
根据所识别的目标车辆的驾驶风格辅助本车的行驶。
作为第三方面的一种实现方式,所述根据本车的行驶状态确定相对本车的目标车辆,包括:
本车直行时,位于本车所在车道的前方车辆和/或后方车辆为相对本车的目标车辆;
车辆变道时,位于本车目标车道的前方车辆和/或后方车辆为相对本车的目标车辆。
本申请的第四方面提供一种辅助驾驶装置,包括:
目标车辆确定模块,用于根据本车的行驶状态确定相对本车的目标车辆;
驾驶风格识别装置,利用权利要求上述第一方面任一项所述的驾驶风格识别方法识别所述目标车辆的驾驶风格;
行驶辅助模块,用于根据所识别的目标车辆的驾驶风格辅助本车的行驶。
作为第四方面的一种实现方式,所述根据本车的行驶状态确定相对本车的目标车辆,包括:
本车直行时,位于本车所在车道的前方车辆和/或后方车辆为相对本车的目标车辆;
本车变道时,位于本车目标车道的前方车辆和/或后方车辆为相对本车的目标车辆。
本申请的第五方面提供一种计算设备,包括:
总线;
通信接口,其与所述总线连接;
至少一个处理器,其与所述总线连接;以及
至少一个存储器,其与所述总线连接并存储有程序指令,所述程序指令当被所述至少一个处理器执行时使得所述至少一个处理器上述第一方面或上述第三方面任一项所述方法的指令。
本申请的第六方面提供一种计算机可读存储介质,其上存储有程序指令,所述程序指令当被计算机执行时使得所述计算机执行上述第一方面或上述第三方面任一项所述方法的指令。
本申请提供的技术方案通过获得连续的各时刻的各特征向量值,并将具有时间连续性的特征向量进行采样,使获得的样本保留了连续围观驾驶操作间的连续性,可以更准确、充分的描述驾驶过程,为驾驶风格识别提供更丰富的信息,进而提高驾驶风格的识别精度。
本申请的这些和其它方面在以下(多个)实施例的描述中会更加简明易懂。
附图说明
以下参照附图来进一步说明本申请的各个特征和各个特征之间的联系。附图均为示例性的,一些特征并不以实际比例示出,并且一些附图中可能省略了本申请所涉及领域的惯常的且对于本申请非必要的特征,或是额外示出了对于本申请非必要的特征,附图所示的各个特征的组合并不用以限制本申请。另外,在本说明书全文中,相同的附图标记所指代的内容也是相同的。具体的附图说明如下:
图1为本申请实施例提供的目标车辆判断示意图;
图2为现有技术二中基于监督机器学习的方法来对驾驶风格进行分类方案的特征参数获取示意图;
图3为现有技术二中基于监督机器学习的方法来对驾驶风格进行分类方案的神经网络训练流程图;
图4为现有技术三中基于K-means聚类算法得到的驾驶风格分类结果图;
图5为本申请实施例提供的自动驾驶汽车结构示意图;
图6为本申请实施例提供的一种驾驶风格识别方法的流程图;
图7为本申请另一实施例提供的一种驾驶风格识别方法的流程图;
图8a、b、c分别为本申请实施例提供的N=1、N=2、N=3时序列化采样的采样结果的示意图;
图9为a、b为本申请实施例提供的不同采样频率下采样结果示意图;
图10为本申请实施例提供的序列化采样效果图;
图11为本申请实施例提供的隐含狄利克雷分布模型概率图;
图12为本申请实施例提供的驾驶风格概率分布图;
图13为本申请实施例提供的一种驾驶风格识别装置的结构示意图;
图14为本申请实施例提供的一种驾驶风格识别装置具体实施方法的结构示意图;
图15为本申请实施例提供的一种辅助驾驶方法的流程图;
图16为本申请实施例提供的一种辅助驾驶装置的结构示意图;
图17为本申请实施例提供的一种计算设备的结构示意图。
具体实施方式
说明书和权利要求书中的词语″第一、第二、第三″等或模块A、模块B、模块C等类似用语,仅用于区别类似的对象,不代表针对对象的特定排序,可以理解地,在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
在以下的描述中,所涉及的表示步骤的标号,如S110、S120......等,并不表示一定会按此步骤执行,在允许的情况下可以互换前后步骤的顺序,或同时执行。
说明书和权利要求书中使用的术语“包括”不应解释为限制于其后列出的内容;它不排除其它的元件或步骤。因此,其应当诠释为指定所提到的所述特征、整体、步骤或部件的存在,但并不排除存在或添加一个或更多其它特征、整体、步骤或部件及其组群。因此,表述“包括装置A和B的设备”不应局限为仅由部件A和B组成的设备。
本说明书中提到的“一个实施例”或“实施例”意味着与该实施例结合描述的特定特征、结构或特性包括在本申请的至少一个实施例中。因此,在本说明书各处出现的用语“在一个实施例中”或“在实施例中”并不一定都指同一实施例,但可以指同一实施例。此外,在一个或多个实施例中,能够以任何适当的方式组合各特定特征、结构或特性,如从本公开对本领域的普通技术人员显而易见的那样。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。如有不一致,以本说明书中所说明的含义或者根据本说明书中记载的内容得出的含义为准。另外,本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
对本申请具体实施方式进行进一步详细说明之前,对本申请实施例中涉及的名词和属于,以及其在本申请中相应的用途\作用\功能等进行说明,本申请实施例中涉及的名词和术语适用于如下的解释:
隐含狄利克雷分布(LDA,Latent Dirichlet Allocation):隐含狄利克雷分布是一种常用的主题模型,它可以将文档集中每篇文档的主题按照概率分布的形式给出。
主题模型:主题模型主要被用在自然语言处理中,用来在一系列文档中识别出文档主题的一种模型,隐含狄利克雷分布是常见的主题模型。本申请的实施例中使用主题模型的数学形式,用于在车辆某一段时间内的各个驾驶特征中识别该车辆的驾驶风格。
为了准确地对申请中的技术内容进行叙述,以及为了准确地理解本申请,在对具体实施方式进行说明之前先对本说明书中所使用的术语给出如下的解释说明或定义。
碰撞发生时间(TTC,Time-To-Collision):碰撞发生时间是车辆行驶时危险估计中应用广泛的一指标,定义为目标车辆与目标车辆周边车辆的相对距离除以相对速度的商。
自动驾驶汽车(AV,Autonomous Vehicle):自动驾驶汽车主要依靠人工智能、视觉计算、雷达、监控装置和全球定位系统的协同合作,通过电脑系统实现无人驾驶的智能汽车。
驾驶风格:指开车的方式或习惯性的驾驶方法。其包含对驾驶速度的选择、对行车间距的选择等。
驾驶特征:用来描述车辆在某一时刻的状态的变量,由特征向量来表示。
序列样本:本申请的实施例中的序列样本是由连续多个时刻的驾驶特征组成的序列片段,是输入为主题模型的样本集中的最小单元。
目标车辆:对于本车来说,目标车辆即为可以对本车行驶产生影响的车辆。例如:如图1所示,当本车的行驶路线为直行时,此时的目标车辆为同一车道前方车辆。当本车将要变道时,此时的目标车辆为两个,分别为目标车道的前、后车辆,若目标车道车辆与本车并行,可视为目标车道的前或后车辆。需要注意的是,此处仅给出筛选目标车辆的一种方式,在其他实施例中还可以存在其他目标车辆的筛选方式,例如本车直行时,还可以将同一车道后方车辆也作为目标车辆之一,又如本车将要变道时,还可以同时将当前所在车道前、后方车辆也作为目标车辆之一。
N阶序列化采样:本申请的实施例中,表示在连续的多个驾驶状态特征向量s中,以连续的N个驾驶状态特征向量s为一组的方式进行采样,每一组构成的序列片段作为一个数据样本,且相邻的数据样本间,具有至少一个交叉的驾驶状态特征向量s。例如下式为相邻的数据样本w1和w2间具有一个交叉的驾驶状态特征向量的例子:
也可进一步参照如图8(b)、(c)所示的实施例,均为相邻的数据样本具有一个交叉的驾驶状态特征向量的例子,即相邻的数据样本中,前一个数据样本中最后一个特征向量同时作为下一个数据样本中的第一个特征向量,如此构造的数据样本,可以体现出对应的相邻时刻的驾驶状态的关联性。
下面,首先对现有技术进行分析:
现有技术一提供一种基于驾驶风格识别的方法(Murphey Y L,Milton R,Kiliaris L.Driver′s style classification using jerk analysis[C]//2009 IEEEWorkshop on Computational Intelligence in Vehicles and VehicularSystems.IEEE,2009:23-28.),该方法是基于规则描述的分类方法。该方法首先将加速度变化率作为驾驶风格的衡量指标,并通过将加速度变化率设置阈值范围的方式,将驾驶风格分为激进、正常、冷静、停车四种类型;然后通过采集车辆的加速度变化率,并确定采集到的加速度变化率落入上述四种类型对应的加速度变化率范围中的哪个范围,以得到该车的驾驶风格。
首先,该方案是通过采集本车的加速度变化率来对本车的驾驶风格进行识别的方案。另外,该方案对驾驶风格的划分方式较为简单,只是将驾驶风格识别抽象为一个简单的分类问题,并不能描述车辆不同驾驶风格对应的可能性;其次,该方案仅通过设置阈值的方式来区分驾驶风格,并未给出阈值的设置方法,也未提供验证规则设置的正确性;另外,该方法只考虑了加速度变化率这一种指标作为判断驾驶风格的因素,局限性较大,不能全面的反应车辆的驾驶状态。
现有技术二提供一种基于监督机器学习的方法来对驾驶风格进行分类的方案(CN108629372A),如图2示出了该方案中的获取驾驶风格特征参数的流程图,主要包括下述步骤:
a:驾驶员通过模拟驾驶交互模块14的界面选择模拟驾驶工况的类型;
b:主控模块13向模拟驾驶交互模块14的界面返回确认信息,并提供所选择的驾驶工况下预设的驾驶状态和操作车辆的初始驾驶状态;
c:驾驶员操作加速踏板12和制动踏板11控制车辆运行,并采集运行时的特征参数。
d:将采集到的特征参数传送至主控模块13,主控模块13将该特征向量发送至上位机3,上位机3利用神经网络算法识别得到驾驶风格。
另外,该方法还提供了用BPNN(神经网络)算法识别驾驶风格的流程图,该图中包括了如图3所示的对BPNN算法模型的训练过程,该过程主要包括下述步骤:
S1:利用实验系统采集不同风格类型驾驶试验员在不同模拟驾驶工况下多组设定周期内的特征参数,作为训练数据,同时,利用实验系统采集驾驶测试员在不同模拟驾驶工况下多组设定周期内的特征参数,作为测试数据;
S2:对训练数据进行归一化处理;
S3:建立有导师类型的BPNN算法模型,并设置BPNN算法模型的训练参数;
S4:利用训练数据对BPNN算法模型进行训练,直至训练目标误差在设定范围内。
首先,该方案是通过采集本车运行时的特征参数来对本车的驾驶风格进行分类的方案。其次,该方案采用有监督的机器学习方法,需要对训练数据集进行标记,其中,训练数据集中驾驶风格的标记存在主观性,且需要花费大量的人力;另外,该方案中选用的特征参数为加速踏板、制动踏板等,这类特征参数是需要将驾驶员的实际操作作为输入,难以通过其他车辆的传感器或路侧设备的传感器等外部传感器对该车辆的所述特征参数进行获得,因此只能用于判断本车的驾驶风格,不适用于在道路上判断周边车辆的驾驶风格。
现有技术三提供一种基于无监督机器学习的方法来对驾驶风格进行分类(李经纬,赵治国,沈沛鸿,等.驾驶风格K-means聚类与识别方法研究[J].汽车技术,2018(12):8-12.)。该方法基于K-means等聚类算法,将特征相近的驾驶行为归为一种驾驶风格。其中,特征为加速度、加速度平均值、加速度标准差。如图4所示为该方法基于K-means聚类算法得到的驾驶风格分类结果,其中各坐标轴的主成分表示模型考虑的不同特征参数,每一簇表示一类驾驶风格。
首先,该方案与上述现有技术一样,均为通过采集本车的特征参数来对本车的驾驶风格进行预测的方案。其次,该方案采用无监督的机器学习方法并结合聚类算法,本质上也是一个分类问题,不能描述车辆不同驾驶风格对应的可能性;另外,该方案中的特征均为运动特征,例如加速度、加速度平均值、加速度标准差,既没有考虑到车辆与周边环境的交互,也没有考虑到车辆的在相邻时间内驾驶状态间的相关性。然而,车辆在行驶过程中,周围环境以及周边车辆对其安全驾驶影响巨大。
基于对现有技术的研究以及现有技术所存在的缺陷,本申请的一个实施例提供一种驾驶风格识别方法,通过采集具有时间连续性的特征向量来识别目标车辆的驾驶风格,可以使识别更为准确。
下面结合附图对本申请的实施例进行详细说明。首先,介绍本申请实施例提供的驾驶风格识别方法所应用的场景。
本申请实施例提供的驾驶风格识别方法适用于自动驾驶汽车(AV,AutonomousVehicle),应用场景可以为自动驾驶汽车在道路上行驶时,对道路其他车辆的驾驶风格进行的实时判断,并根据判断结果预测其他车辆下一时刻的轨迹,并为本车的决策规划提供辅助信息。
如图5所示,为本申请实施例提供的驾驶风格识别方案的所应用的自动驾驶汽车结构示意图,其包括用于感知外部环境的车载传感器、数据计算单元、数据存储单元CPU和/或GPU等计算单元。其中,用于感知外部环境的车载传感器包括但不局限于摄像头、激光雷达(LiDAR)、超声波雷达、毫米波雷达等。数据计算单元包括但不局限于移动数据中心(MDC,Mobile Data Center,MDC)。在本申请的一个实施例中,利用该车载传感器来采集道路上其他车辆的驾驶状态信息。利用该数据计算单元来处理采集到的驾驶状态信息,对其进行离散化、序列化采样、并基于LDA模型进行驾驶风格识别。利用该数据存储单元来存储采集到的驾驶状态数据以及LDA模型相关参数等。利用CPU或GPU等来对LDA模型进行在线或离线训练。
下面参见各图,对本申请实施例提供的一种驾驶风格识别方法进行详述。
参见如图6所示的流程图,对本申请提供的一种驾驶风格识别方法的一个实施例进行说明,该方法主要包括步骤S110-S130,下面对各个步骤进行依次介绍:
S110:获取目标车辆在连续的各时刻的各特征向量值,所述特征向量用于表示目标车辆的瞬时驾驶状态。
在本步骤中,所述表示目标车辆的瞬时驾驶状态的特征向量可以包括表示目标车辆的自身状态的状态特征,和/或表示目标车辆与其相关对象之间状态的状态特征。可以理解地,所述状态特征构成所述特征向量。
其中,表示目标车辆的自身状态的状态特征可以包括但不局限于至少以下之一:加速状态对应的状态特征、转向状态对应的状态特征、超速状态对应的状态特征。表示目标车辆与其相关对象之间状态的状态特征可以包括但不局限于至少以下之一:与其相关对象之间碰撞发生时间的状态特征、与其相关对象之间相对距离的状态特征、与其相关对象之间相对速度的状态特征。
另外,所述相关对象可以包括但不局限于至少以下之一:与目标车辆相关的车辆、与目标车辆相关的行人、与目标车辆相关的静态障碍物。
在本实施例中,所述与目标车辆相关的车辆包括:
车辆直行时位于目标车辆所在车道的前方车辆和/或后方车辆;或者
车辆变道时位于目标车辆目标车道的前方车辆和/或后方车辆。
S120:对所述各特征向量值,以连续的N个值为一个采样单位进行采样,获得多个样本。
在本步骤中,所述N等于1时,在各采样获得的样本中包含一个特征向量值。可选的,所述N大于1时,相邻两次采样获得的两个样本中,不存在同一时刻对应的特征向量值存在于所述两个样本中,即按照采样时刻依次采样,获得的样本不存在交叉重叠的特征向量。可选的,所述N大于1时,相邻两次采样获得的两个样本中,至少一个同一时刻对应的特征向量值存在于所述两个样本中,即两次相邻采样获得的样本存在至少一个交叉重叠的特征向量。
S130:根据所述多个样本确定所述目标车辆的驾驶风格。
将所述多个样本输入至预先训练的驾驶风格预测模型中,获得所述模型的输出,即为目标车辆的驾驶风格。该输出以多维向量的形式进行描述,用来表示各种驾驶风格可能的概率。可选地,将概率最大的驾驶风格作为预测结果。
另外,所述预先训练的驾驶风格预测模型可以使用主题模型来预测,例如:LDA模型、弹珠机分布模型等;或者可以采用深度神经网络。
下面参见各图,对本申请的另外一个实施例提供的一种驾驶风格识别方法进行详述。
参见如图7所示的流程图,对本申请提供的一种驾驶风格识别方法的一个实施例进行说明。该方法主要包括步骤S210-S230,下面对各个步骤依次介绍:
S210:构建用于表示目标车辆瞬时驾驶状态的特征向量;其中,所述目标车辆瞬时驾驶状态包括目标车辆与周边相关对象之间的状态。
在本步骤中,将上述离散化处理后的各类驾驶状态特征作为一个特征向量s,可以表示为s=(acc,dir,ttc,overspd),用来描述目标车辆的瞬时驾驶状态。
其中,目标车辆的驾驶状态可采用多维特征向量表示,本实施例中,考虑到目标车辆的加速状态、转向状态、相关车辆TTC、超速状态四个维度,采用了一个四维特征向量s表示目标车辆的瞬时驾驶状态,该特征向量s可以表示为s=(acc,dir,ttc,overspd),其中该特征向量的各向量元素定义及其离散化取值方法将下面详细说明。
在本实施例中,在驾驶状态特征的选择上,选择了能够代表车辆驾驶风格的驾驶状态特征,包括但不局限于:目标车辆的加速状态acc(acceleration)、目标车辆的转向状态dir(direction)以及目标车辆的超速状态overspd(overspeed)等;在本实施例中,在驾驶状态特征的选择上,还考虑了车辆与周边车辆之间的状态,因此,本实施例的驾驶状态特征还包括目标车辆与目标车辆周边车辆间的碰撞发生时间TTC(Time-To-Collision),另外,还可以包括其它影响车辆与周边车辆之间的状态的因素,例如,在某些车道上不同车道车速限速不同(如高速公路车道),还可以包括目标车辆是在左侧车道还是右侧车道的方向,本实施例仅以目标车辆与目标车辆周边车辆间的碰撞发生时间TTC举例,其目的是为了减少LDA模型中的冗余状态特征。此外,驾驶状态特征还可以考虑目标车辆与行人的碰撞发生时间或者目标车辆与路上的静态障碍物间的碰撞发生时间等。
在一些实施例中,由于不同的驾驶风格在加速度上表现差异明显,如激进驾驶者会频繁的加减速,而平稳驾驶者更倾向于尽量匀速行驶。因此,加速状态为驾驶风格识别的一个重要因素。在本实施例中,目标车辆加速状态由状态特征acc表示。根据目标车辆处于的加速状态对目标车辆加速状态进行离散化处理。例如:当目标车辆的加速度大于0,即目标车辆处于加速状态时,其离散值为1;当目标车辆的加速度等于0,即目标车辆处于匀速状态时,其离散值为0;将目标车辆的加速度小于0,即目标车辆处于减速状态时,其离散值为-1。具体参见,下式:
其中,a实时采集的目标车辆的加速度值。
再例如:可以通过设置阈值的方式来对目标车辆加速状态进行更精细的离散化。例如:当目标车辆的加速度大于第一加速度阈值a1时,即目标车辆处于第一加速状态时,其离散值为2;当目标车辆的加速度不大于第一加速度阈值a1且大于0时,即目标车辆处于第二加速状态时,其离散值为1;当目标车辆的加速度等于0,即目标车辆处于匀速状态时,其离散值为0;当目标车辆的加速度小于0且不小于负的第一加速度阈值-a1,即目标车辆处于第一减速状态时,其离散值为-1;当目标车辆的加速度小于负的第一加速度阈值-a1,即目标车辆处于第二减速状态时,其离散值为-2。具体参见下式:
其中,a为实时采集的目标车辆的加速度值,a1为第一加速度阈值,该值为预设值。
上述提供两种对目标车辆加速状态离散化的方式,在实际应用时,若需要对其进行更精细化的离散,可以通过设置多个阈值的方式来实现,本文不再对其进行赘述。
在一些实施例中,不同的驾驶风格在转向状态上表现差异明显,如激进驾驶者会频繁变道超车,另外,疲劳驾驶、酒驾、毒驾等也会因为失去控制能力而不自觉偏离车道。因此,转向状态也为驾驶风格识别的一个重要因素。因此选择目标车辆的转向状态作为驾驶状态特征之一,用dir表示。
对目标车辆的转向状态进行离散化处理的过程可以为:
当目标车辆为左转向状态,则其离散值为1;当标车辆为直行状态,则其离散值为0;当目标车辆为右转向状态,则其离散值为-1。具体参见下式:
在一些实施例中,加速状态、转向状态并不能完全体现驾驶动作给周边车辆带来的影响,激进驾驶者的另一突出特点为在目标车辆与目标车辆周边车辆间的碰撞发生时间TTC较小时,目标车辆仍不断实施机动操作,因此,选择目标车辆与目标车辆周边车辆间的碰撞发生时间的状态变量ttc作为驾驶状态特征之一。
在本实施例中,目标车辆与目标车辆周边车辆间的碰撞发生时间TTC定义为目标车辆与目标车辆周边车辆之间的相对距离与两者相对速度的商,当该商值越小时,表示可供驾驶员反应操作的时间越短,通常认为越危险。另外,在其他实施例中,目标车辆与目标车辆周边车辆间的碰撞发生时间TTC还可以只考虑二者的相对距离或者只考虑二者的相对速度。本实施中以二者的商为例,具体参见下式:
其中,Δx为目标车辆与目标车辆周边车辆间的相对距离,即两车相差的距离,Δv为目标车辆与目标车辆周边车辆的相对速度。
当车辆处于直行状态时,目标车辆的TTC即为与目标车辆与同一车道前方车辆的TTC;当车辆处于变道状态时,将可能会涉及到与目标车道前方、后方车辆间的TTC以及与目标车辆所述车道前方车辆的TTC,此时取两者中的最小值作为判断指标。具体参见下式:
TTC≈min(TTCfront,TTCrear)
其中,TTCfront为目标车辆与目标车道前方车辆间的TTC,TTCrear为目标车辆与目标车道后方车辆间的TTC。
对目标车辆与目标车辆周边车辆间的碰撞发生时间TTC离散化处理的过程可以为:
当目标车辆与目标车辆周边车辆间的碰撞发生时间TTC大于第一预设阈值,其离散值为0;当目标车辆与目标车辆周边车辆间的碰撞发生时间TTC不大于第一预设阈值,则其离散值为1。具体参见下式:
其中,TTCth为第一预设阈值,ttc为目标车辆与目标车辆周边车辆间的碰撞发生时间的状态特征。
另外,在其他实施例中,可以通过设置多个阈值来提高该特征离散化处理的精细程度。
在一些实施例中,超速状态可以反映车辆本身的驾驶状态,即使周围没有其它车辆,超速行驶仍是危险的,因此,超速状态是识别驾驶风格的重要依据。
对超速状态的离散化处理的过程可以为:
当目标车辆的速度大于第二预设阈值时,则其离散值为0;当目标车辆的速度不大于第二预设阈值时,则其离散值为1。具体参见下式:
其中,v为实时采集的目标车辆的速度值,vth为第二预设阈值,overspd为超速状态的状态特征。
另外,在其他实施例中,可以通过设置多个阈值来提高该特征离散化处理的精细程度。
基于上述实施例提供的对各驾驶状态离散处理的结果,当目标车辆的加速状态的状态特征acc、目标车辆的转向状态的状态特征dir分别选用三个离散值,目标车辆与目标车辆周边车辆间的碰撞发生时间的状态特征ttc、目标车辆的超速状态的状态特征overspd分别采用两个离散值时,驾驶状态一共有3*3*2*2=36种取值的可能。此处需要说明的是,上述实施例仅提供了离散化的一种或两种可能的实现方式,具体可以根据实际情况做出调整。此处的调整既可以是驾驶状态特征的选择,也可以是离散的精细程度。
S220:对目标车辆采样,每连续采样N次作为一个序列样本,即进行序列化采样。
具体为:在预设的时间长度T内,即在观察时间窗口长度T内,以预设的采样频率f和预设的阶数N对目标车辆的所述特征向量s进行序列化采样,获得目标车辆的多个数据样本;将多个所述数据样本作为数据样本集,该样本集作为描述过去一段时间内目标车辆的驾驶状态。
在本实施例中,该序列化采样为N阶序列化采样,即将连续的N个特征向量s构成一个序列样本w(即数据样本),可以表示为w=(s1,s2,...sN)T。其中,N表示序列化采样的阶数,N的大小可以根据实际情况进行选择,N越大对驾驶过程的描述越精细,但是N越大造成的计算量也越大,前期训练模型的时间成本也会越高,如上述S110中,若驾驶状态存在36种取值的可能,对应的,由N阶采样得到的样本即存在36N种可能,T表示预设时间长度,即对目标车辆驾驶状态采集的时间长度。可选的,在序列化采样的过程中,将N个特征向量作为一个数据样本,当N为1时,在所述数据样本集中,将一个特征向量作为一个数据样本,即w1=(s1),w2=(s2)。当N为大于1的整数时,在所述数据样本集中,依次对特征向量进行采样,将N个特征向量作为一个数据样本。例如:N=2时,该采样方式下的数据样本为:w1=(s1,s2),w2=(s3,s4)。当N为大于1的整数时,在所述数据样本集中,还可以将一个数据样本中至少尾部一个特征向量作为与其相邻的下一数据样本中的首部特征向量。例如:N=2时,该采样方式下的数据样本为:w1=(s1,s2),w2=(s2,s3)。
如图8a、b、c所示,分别为当N=1、N=2、N=3时的采样结果。图中每个车代表一个时刻的驾驶状态特征向量,即一个s,每个圈表示由N个驾驶状态特征向量构成的一个序列样本w。
图8a对应的一阶序列化采样结果(即数据样本集)为(w1,w2,w3,w4,w5);其中w1=(s1),w2=(s2),w3=(s3),w4=(s4),w5=(s5)。
图8b对应的二阶序列化采样结果为(w1,w2,w3,w4);其中w1=(s1,s2),w2=(s2,s3),w3=(s3,s4),w4=(s4,s5)。
图8c对应的三阶序列化采样结果为(w1,w2)。其中w1=(s1,s2,s3),w2=(s3,s4,s5)。
在本实施例中,N阶序列化采样中另外一个可选的变量为采样频率f。如图9a、b所示,图中每个小车代表一个时刻的驾驶状态特征向量,即一个s,每个圈表示由N个驾驶状态特征向量构成的一个序列样本w,图9a的采样频率为f1,图8b采用更高的采样频率f2=2f1,图9a的采样结果为:w1=(s1,s2,s3)。图9b的采样结果为w1=(s1,s2,s3),w2=(s3,s4,s5)。由此可以看出,采样频率越高,所得的序列样本w越多,对目标车辆的驾驶过程描述的越精细,可以使最终识别结果更精确,但是,采样频率越高,所得的序列样本w越大,同样会导致LDA模型在线计算量越大。
基于本步骤的序列化采样过程,可以保留相邻时间内驾驶状态间的相关性。如图10所示,箭头方向表示车辆的目标车道方向,即转向状态,左图中的4个小矩阵表示4个时刻的驾驶数据,右图中的4小矩阵表示4个时刻的驾驶数据,由于LDA模型不考虑样本出现的先后顺序,因此,该图中示出的采样结果与样本出现的顺序无关。分别令N=1,即一阶采样,对左图和右图的驾驶状态进行采样,左图对应的采样结果为a,b,c,c,右图对应的采样结果为a,b,c,c;令N=2,即二阶采样,对左图和右图的驾驶状态进行采样,左图对应的采样结果为(a,c),(c,b),(b,c),右图对应的采样结果为(a,c),(c,a),(b,c);令N=3,即三阶采样,对左图和右图的驾驶状态进行采样,左图对应的采样结果为(a,c,b),(c,b,c),右图对应的采样结果为(b,c,a),(c,a,c)。由上述采样结果可以看出,一阶采样时,左图和右图的采样结果没有区别,二阶采样时,二者存在一个采样样本不同,三阶采样时,二者的两个采样样本都不同。说明当序列化采样阶数增大时,驾驶状态之间的关联性将会被保留下来,这种关联性与驾驶风格存在密切的关系,因此,本步骤提供的序列化采样过程可以更充分的描述驾驶过程,为驾驶风格识别提供更丰富的信息量,有助于提高驾驶风格识别的准确性。
S230:基于所述数据样本集,即目标车辆的驾驶状态,以及训练好的LDA模型,确定目标车辆的驾驶风格。
具体为:将所述数据样本集作为预先训练的LDA模型的输入,获得所述LDA模型输出的各种驾驶风格的概率,概率最大的即为所确定出的目标车辆的驾驶风格。
在本实施例中,用于驾驶风格预测的模型不局限于LDA模型,还可以为弹珠机分布模型或者深度神经网络等。
其中,所述隐含狄利克雷分布模型可以为离线训练的模型。通过摄像头或其他数据采集仪器采集路边车辆的驾驶状态数据,也可以是自动驾驶汽车在线采集到的大量车辆驾驶状态数据。将采集到的大量数据经前述实施例中离散化和N阶序列化处理,得到大量的输入样本,以此作为隐含狄利克雷分布模型的输入样本来训练该模型。其中,训练的算法可以根据实际进行选择。例如:吉布斯采样(Gibbs Sampling)、变分推断、最大期望算法(EM,Expectation-Maximization algorithm)算法等较为成熟的主题模型训练算法。此处需要说明的是,该模型在使用过程中,为离线训练好的模型,但是,该模型同时允许在线采集样本实时训练和修正,以提高该模型识别的准确性。
如图11所示,为本实施例提供的隐含狄利克雷分布模型概率图。图中,M为目标车辆的总数量,T为预设时间长度(即对某一辆目标车辆驾驶状态采集的时间长度),m为第m辆目标车辆,wt,m为第m辆目标车辆的第t个驾驶状态序列样本,zt,m为第m辆目标车辆的第t个驾驶状态序列样本所对应的驾驶风格,为第m辆目标车辆的驾驶风格特征向量,即zt,m满足分布,α为的先验分布参数,该值为预设值,为第k种驾驶风格下的驾驶状态序列样本概率分布,即wt,m满足分布。
基于图11所示的该模型概率图,以吉布斯采样算法的计算过程为例,说明该模型在训练时各量的获取过程:
采集大量车辆驾驶状态数据,将该数据进行离散化和N阶序列化处理,得到大量的训练输入样本。
随机赋予输入样本中的每个样本一个编号,例如将第m辆目标车辆的第t个驾驶状态序列样本所对应的驾驶风格zt,m编号为k,其中k∈K,K为目标车辆驾驶风格的总数。
利用吉布斯采样公式对各样本对应的驾驶风格进行采样并对采样后的结果进行更新。
重复上一步骤中利用吉布斯采样公式的采样及更新过程,直到吉布斯采样算法达到收敛条件,此时统计各目标车辆各驾驶状态序列样本所对应的驾驶风格下各目标车辆各驾驶状态序列样本出现的频率,可以得到统计各目标车辆各驾驶状态序列样本所对应的驾驶风格出现的频率,可以得到由于参数与训练数据库中的车辆驾驶风格相关,对预测新的目标车辆并无帮助,所以训练过程得到的参数信息通常不需要被保存。
另外,α为预设的先验分布参数。
基于图11所述的该模型概率图,说明该模型在实际预测时各量的获取过程:
在本实施例中,隐含狄利克雷分布模型的作用是分析每段驾驶数据样本集,统计该样本集内不同驾驶状态出现的频率,根据统计结果判断当前采集到的驾驶样本集包含哪些驾驶风格以及各驾驶风格所占的比例,即概率。其中,驾驶风格的数量K需要在识别前进行预设。
基于本步骤的隐含狄利克雷分布模型,可以使驾驶风格的识别结果以特征向量的形式输出,即让每种驾驶风格以概率的形式呈现。假设驾驶风格的数量为6种,分别为:激进、平稳、谨慎、疲劳、醉酒、毒驾,利用该模型对目标车辆进行驾驶风格识别,输出的结果为如图12所示,表示该目标车辆为激进的概率为0.3,为平稳的概率为0.05,为谨慎的概率为0.05,为疲劳的概率为0.1,为醉酒的概率为0.3,为毒驾的概率为0.2。这种以概率的形式呈现的识别结果,不仅仅是对驾驶风格的简单分类,可以提供更多的信息,为后续控制提供数据。
下面,参照图13和图14来说明本申请的一个实施例提供的一种驾驶风格在线识别装置,如图13所示,该装置包括获取模块、采样模块和确定模块。
获取模块,用于获取目标车辆在连续的各时刻的各特征向量值,所述特征向量用于表示目标车辆的瞬时驾驶状态。
具体的,该获取模块还可以包括图14所示的初始化模块、驾驶状态特征采集模块和离散化处理模块。所述初始化模块用于初始化采样频率f、对目标车辆驾驶状态采集的时间长度T、序列化采样的阶数N和预先训练的LDA模型的模型参数。所述驾驶状态特征采集模块用于采集目标车辆的各个驾驶状态特征。所述离散化处理模块用于对驾驶状态特征进行离散化处理,并将离散化处理后的所有驾驶状态特征作为一个特征向量,即获得用于表示目标车辆的瞬时驾驶状态的特征向量。
采样模块,用于对所述各特征向量值,以连续的N个值为一个采样单位进行采样,获得多个样本。
具体的,该采样模块即为图14所示的序列化采样模块,该模块用于对所述特征向量进行序列化采样,获得所述序列化采样后的数据样本。
确定模块,用于根据所述多个样本确定所述目标车辆的驾驶风格。
具体的,该确定模块即为图14所示的驾驶风格在线识别模块,该模块用于根据数据样本确定目标车辆的驾驶风格。
若确定所述目标车辆的驾驶风格使用LDA模型时,此时该驾驶风格在线识别装置还可以包括LDA模型在线训练模块,该模块用于利用在线变分推断算法对LDA模型实时在线修正。
在本实施例中,在所述采样模块中,所述N大于1时,相邻两次采样获得的两个样本中,至少一个同一时刻对应的特征向量值存在于所述两个样本中。
在所述获取模块和采样模块中,所述特征向量包括表示目标车辆的自身状态的状态特征,和/或表示目标车辆与其相关对象之间状态的状态特征。
所述表示目标车辆的自身状态的状态特征包括至少以下之一:加速状态对应的状态特征、转向状态对应的状态特征、超速状态对应的状态特征。
所述表示目标车辆与其相关对象之间状态的状态特征包括至少以下之一:与其相关对象之间碰撞发生时间的状态特征、与其相关对象之间相对距离的状态特征、与其相关对象之间相对速度的状态特征。
所述相关对象包括至少以下之一:与目标车辆相关的车辆、与目标车辆相关的行人、与目标车辆相关的静态障碍物。
所述与目标车辆相关的车辆包括:
车辆直行时,位于目标车辆所在车道的前方车辆和/或后方车辆;或者车辆变道时,位于目标车辆目标车道的前方车辆和/或后方车辆。
如图15所示,为本申请的一个实施例提供的一种辅助驾驶方法,该方法主要包括步骤S310-S330,下面对各个步骤依次介绍:包括:
S310:根据本车的行驶状态确定相对本车的目标车辆。
在本步骤中:本车直行时,位于本车所在车道的前方车辆和/或后方车辆为相对本车的目标车辆;
本车变道时,位于本车目标车道的前方车辆和/或后方车辆为相对本车的目标车辆。
此处需要注意的是,本步骤所提供的相对本车的目标车辆的确定方法仅为一种例子,在其他实施例中,可以根据实际需求进行设置。例如,本车直行时,与本车并行的车辆也可以作为相对本车的目标车辆。本车变道时,位于本车所在车道的前方车辆和/或后方车辆也可以作为相对本车的目标车辆。
S320:利用上述实施例提供的一种驾驶风格识别方法识别所述目标车辆的驾驶风格,故本步骤不再对其进行赘述。
S330:根据所识别的目标车辆的驾驶风格辅助本车的行驶。
如图16所示,为本申请的一个实施例提供的一种辅助驾驶装置,其特征在于,包括:
目标车辆确定模块,用于根据本车的行驶状态确定相对本车的目标车辆;
驾驶风格识别装置,利用权利要求1-7任一项所述的驾驶风格识别方法识别所述目标车辆的驾驶风格;
行驶辅助模块,用于根据所识别的目标车辆的驾驶风格辅助本车的行驶。
所述根据本车的行驶状态确定相对本车的目标车辆,包括:
本车直行时,位于本车所在车道的前方车辆和/或后方车辆为相对本车的目标车辆;
本车变道时,位于本车目标车道的前方车辆和/或后方车辆为相对本车的目标车辆。
图17是本申请实施例提供的一种计算设备1500的结构性示意性图。该计算设备1500包括:处理器1510、存储器1520、通信接口1530、总线1540。
应理解,图17所示的计算设备1500中的通信接口1530可以用于与其他设备之间进行通信。
其中,该处理器1510可以与存储器1520连接。该存储器1520可以用于存储该程序代码和数据。因此,该存储器1520可以是处理器1510内部的存储单元,也可以是与处理器1510独立的外部存储单元,还可以是包括处理器1510内部的存储单元和与处理器1510独立的外部存储单元的部件。
可选的,计算设备1500还可以包括总线1540。其中,存储器1520、通信接口1530可以通过总线1540与处理器1510连接。总线1540可以是外设部件互连标准(PeripheralComponent Interconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。所述总线1540可以分为地址总线、数据总线、控制总线等。为便于表示,图17中仅用一条线表示,但并不表示仅有一根总线或一种类型的总线。
应理解,在本申请实施例中,该处理器1510可以采用中央处理单元(centralprocessing unit,CPU)。该处理器还可以是其它通用处理器、数字信号处理器(digitalsignal processor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现成可编程门阵列(field programmable gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。或者该处理器1510采用一个或多个集成电路,用于执行相关程序,以实现本申请实施例所提供的技术方案。
该存储器1520可以包括只读存储器和随机存取存储器,并向处理器1510提供指令和数据。处理器1510的一部分还可以包括非易失性随机存取存储器。例如,处理器1510还可以存储设备类型的信息。
在计算设备1500运行时,所述处理器1510执行所述存储器1520中的计算机执行指令执行上述方法的操作步骤。
应理解,根据本申请实施例的计算设备1500可以对应于执行根据本申请各实施例的方法中的相应主体,并且计算设备1500中的各个模块的上述和其它操作和/或功能分别为了实现本实施例各方法的相应流程,为了简洁,在此不再赘述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
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。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能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,本申请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)执行本申请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-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时用于执行一种多样化问题生成方法,该方法包括上述各个实施例所描述的方案中的至少之一。
本申请实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是,但不限于,电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括、但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言一诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言一诸如″C″语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本申请的较佳实施例及所运用的技术原理。本领域技术人员会理解,本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请的构思的情况下,还可以包括更多其他等效实施例,均属于本申请的保护范畴。
Claims (24)
1.一种驾驶风格识别方法,其特征在于,包括:
获取目标车辆在连续的各时刻的各特征向量值,所述特征向量用于表示目标车辆的瞬时驾驶状态;其中,所述特征向量包括用于表示目标车辆与其相关对象之间状态的状态特征;
对所述各特征向量值,以连续的N个值为一个采样单位进行采样,获得多个样本;其中,所述N为预设值;
根据所述多个样本确定所述目标车辆的驾驶风格。
2.根据权利要求1所述的方法,其特征在于,所述N大于1时,相邻两次采样获得的两个样本中,至少一个同一时刻对应的特征向量值存在于所述两个样本中。
3.根据权利要求1所述的方法,其特征在于,所述特征向量还包括表示目标车辆的自身状态的状态特征。
4.根据权利要求3所述的方法,其特征在于,所述表示目标车辆的自身状态的状态特征包括至少以下之一:加速状态对应的状态特征、转向状态对应的状态特征、超速状态对应的状态特征。
5.根据权利要求1所述的方法,其特征在于,所述表示目标车辆与其相关对象之间状态的状态特征包括至少以下之一:与其相关对象之间碰撞发生时间的状态特征、与其相关对象之间相对距离的状态特征、与其相关对象之间相对速度的状态特征。
6.根据权利要求5所述的方法,其特征在于,所述相关对象包括至少以下之一:与目标车辆相关的车辆、与目标车辆相关的行人、与目标车辆相关的静态障碍物。
7.根据权利要求6所述的方法,其特征在于,所述与目标车辆相关的车辆包括:
车辆直行时位于目标车辆所在车道的前方车辆和/或后方车辆;或者
车辆变道时位于目标车辆目标车道的前方车辆和/或后方车辆。
8.根据权利要求1所述的方法,其特征在于,所述根据所述多个样本确定所述目标车辆的驾驶风格,包括:
根据所述多个样本,利用预先训练的隐含狄利克雷分布模型确定所述目标车辆的驾驶风格。
9.根据权利要求8所述的方法,其特征在于,所述预先训练的隐含狄利克雷分布模型的训练过程包括:
预先获取预设数量的目标车辆在连续的各时刻的各特征向量值;
对所述各特征向量值,以连续的N个值为一个采样单位进行采样,获得多个样本;
将所述多个样本作为隐含狄利克雷分布模型的输入层训练样本,利用吉布斯采样算法训练所述隐含狄利克雷分布模型,获得所述预先训练的隐含狄利克雷分布模型。
10.一种驾驶风格识别装置,其特征在于,包括:
获取模块,用于获取目标车辆在连续的各时刻的各特征向量值,所述特征向量用于表示目标车辆的瞬时驾驶状态;其中,所述特征向量包括用于表示目标车辆与其相关对象之间状态的状态特征;
采样模块,用于对所述各特征向量值,以连续的N个值为一个采样单位进行采样,获得多个样本;其中,所述N为预设值;
确定模块,用于根据所述多个样本确定所述目标车辆的驾驶风格。
11.根据权利要求10所述的装置,其特征在于,所述N大于1时,相邻两次采样获得的两个样本中,至少一个同一时刻对应的特征向量值存在于所述两个样本中。
12.根据权利要求10所述的装置,其特征在于,所述特征向量还包括表示目标车辆的自身状态的状态特征。
13.根据权利要求12所述的装置,其特征在于,所述表示目标车辆的自身状态的状态特征包括至少以下之一:加速状态对应的状态特征、转向状态对应的状态特征、超速状态对应的状态特征。
14.根据权利要求10所述的装置,其特征在于,所述表示目标车辆与其相关对象之间状态的状态特征包括至少以下之一:与其相关对象之间碰撞发生时间的状态特征、与其相关对象之间相对距离的状态特征、与其相关对象之间相对速度的状态特征。
15.根据权利要求14所述的装置,其特征在于,所述相关对象包括至少以下之一:与目标车辆相关的车辆、与目标车辆相关的行人、与目标车辆相关的静态障碍物。
16.根据权利要求15所述的装置,其特征在于,所述与目标车辆相关的车辆包括:
车辆直行时,位于目标车辆所在车道的前方车辆和/或后方车辆;或者
车辆变道时,位于目标车辆目标车道的前方车辆和/或后方车辆。
17.根据权利要求10所述的装置,其特征在于,所述确定模块具体用于根据所述多个样本,利用预先训练的隐含狄利克雷分布模型确定所述目标车辆的驾驶风格。
18.根据权利要求17所述的装置,其特征在于,所述预先训练的隐含狄利克雷分布模型的训练过程包括:
预先获取预设数量的目标车辆在连续的各时刻的各特征向量值;
对所述各特征向量值,以连续的N个值为一个采样单位进行采样,获得多个样本;
将所述多个样本作为隐含狄利克雷分布模型的输入层训练样本,利用吉布斯采样算法训练所述隐含狄利克雷分布模型,获得所述预先训练的隐含狄利克雷分布模型。
19.一种辅助驾驶方法,其特征在于,包括:
根据本车的行驶状态确定相对本车的目标车辆;
利用权利要求1-9任一项所述的驾驶风格识别方法识别所述目标车辆的驾驶风格;
根据所识别的目标车辆的驾驶风格辅助本车的行驶。
20.根据权利要求19所述的方法,其特征在于,所述根据本车的行驶状态确定相对本车的目标车辆,包括:
本车直行时,位于本车所在车道的前方车辆和/或后方车辆为相对本车的目标车辆;
本车变道时,位于本车目标车道的前方车辆和/或后方车辆为相对本车的目标车辆。
21.一种辅助驾驶装置,其特征在于,包括:
目标车辆确定模块,用于根据本车的行驶状态确定相对本车的目标车辆;
驾驶风格识别装置,利用权利要求1-9任一项所述的驾驶风格识别方法识别所述目标车辆的驾驶风格;
行驶辅助模块,用于根据所识别的目标车辆的驾驶风格辅助本车的行驶。
22.根据权利要求21所述的装置,其特征在于,所述根据本车的行驶状态确定相对本车的目标车辆,包括:
本车直行时,位于本车所在车道的前方车辆和/或后方车辆为相对本车的目标车辆;
本车变道时,位于本车目标车道的前方车辆和/或后方车辆为相对本车的目标车辆。
23.一种计算设备,其特征在于,包括:
总线;
通信接口,其与所述总线连接;
至少一个处理器,其与所述总线连接;以及
至少一个存储器,其与所述总线连接并存储有程序指令,所述程序指令当被所述至少一个处理器执行时,使得所述至少一个处理器执行权利要求1-9任一项所述的驾驶风格识别方法的指令,或使得所述至少一个处理器执行权利要求19或20所述的辅助驾驶方法的指令。
24.一种计算机可读存储介质,其上存储有程序指令,其特征在于,所述程序指令当被计算机执行时,使得所述计算机执行权利要求1-9任一项所述的驾驶风格识别方法的指令,或使得所述计算机执行权利要求19或20所述的辅助驾驶方法的指令。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011552812.9A CN114655227A (zh) | 2020-12-24 | 2020-12-24 | 驾驶风格识别方法、辅助驾驶方法及装置 |
PCT/CN2021/121391 WO2022134711A1 (zh) | 2020-12-24 | 2021-09-28 | 驾驶风格识别方法、辅助驾驶方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011552812.9A CN114655227A (zh) | 2020-12-24 | 2020-12-24 | 驾驶风格识别方法、辅助驾驶方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114655227A true CN114655227A (zh) | 2022-06-24 |
Family
ID=82025200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011552812.9A Pending CN114655227A (zh) | 2020-12-24 | 2020-12-24 | 驾驶风格识别方法、辅助驾驶方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114655227A (zh) |
WO (1) | WO2022134711A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115222571A (zh) * | 2022-07-18 | 2022-10-21 | 来安县交通运输综合行政执法大队 | 一种基于人脸识别的源头治超数据分析方法 |
CN116451084A (zh) * | 2023-06-13 | 2023-07-18 | 北京航空航天大学 | 一种用于驾驶风格识别模型的训练样本预处理方法 |
CN117207976A (zh) * | 2023-09-25 | 2023-12-12 | 赛力斯汽车有限公司 | 一种基于驾驶风格的换道方法、装置及存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115482662B (zh) * | 2022-09-09 | 2024-05-28 | 湖南大学 | 一种危险工况下驾驶员避撞行为预测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107943016A (zh) * | 2016-10-13 | 2018-04-20 | 百度(美国)有限责任公司 | 用于自主车辆的群体驾驶风格学习框架 |
US20180201188A1 (en) * | 2015-09-30 | 2018-07-19 | Denso Corporation | Driving assistance device |
CN110015306A (zh) * | 2018-01-10 | 2019-07-16 | 华为技术有限公司 | 驾驶轨迹获取方法及装置 |
US20190286133A1 (en) * | 2018-03-14 | 2019-09-19 | Micron Technology, Inc. | Systems and methods for evaluating and sharing autonomous vehicle driving style information with proximate vehicles |
CN110889444A (zh) * | 2019-11-22 | 2020-03-17 | 南京邮电大学 | 一种基于卷积神经网络的驾驶轨迹特征分类方法 |
CN111994079A (zh) * | 2020-09-18 | 2020-11-27 | 南京航空航天大学 | 考虑驾驶风格特性的非合作博弈换道辅助决策系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10056756A1 (de) * | 2000-11-16 | 2002-05-23 | Daimler Chrysler Ag | Fahrerkonditionierung durch Fahrtinformationen über die Fahrzeuge in einem lokalen verkehrlichen Umfeld |
-
2020
- 2020-12-24 CN CN202011552812.9A patent/CN114655227A/zh active Pending
-
2021
- 2021-09-28 WO PCT/CN2021/121391 patent/WO2022134711A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180201188A1 (en) * | 2015-09-30 | 2018-07-19 | Denso Corporation | Driving assistance device |
CN107943016A (zh) * | 2016-10-13 | 2018-04-20 | 百度(美国)有限责任公司 | 用于自主车辆的群体驾驶风格学习框架 |
CN110015306A (zh) * | 2018-01-10 | 2019-07-16 | 华为技术有限公司 | 驾驶轨迹获取方法及装置 |
US20190286133A1 (en) * | 2018-03-14 | 2019-09-19 | Micron Technology, Inc. | Systems and methods for evaluating and sharing autonomous vehicle driving style information with proximate vehicles |
CN110889444A (zh) * | 2019-11-22 | 2020-03-17 | 南京邮电大学 | 一种基于卷积神经网络的驾驶轨迹特征分类方法 |
CN111994079A (zh) * | 2020-09-18 | 2020-11-27 | 南京航空航天大学 | 考虑驾驶风格特性的非合作博弈换道辅助决策系统及方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115222571A (zh) * | 2022-07-18 | 2022-10-21 | 来安县交通运输综合行政执法大队 | 一种基于人脸识别的源头治超数据分析方法 |
CN115222571B (zh) * | 2022-07-18 | 2023-11-03 | 安徽鑫汇杰建设工程有限公司 | 一种基于人脸识别的源头治超数据分析方法 |
CN116451084A (zh) * | 2023-06-13 | 2023-07-18 | 北京航空航天大学 | 一种用于驾驶风格识别模型的训练样本预处理方法 |
CN116451084B (zh) * | 2023-06-13 | 2023-08-11 | 北京航空航天大学 | 一种用于驾驶风格识别模型的训练样本预处理方法 |
CN117207976A (zh) * | 2023-09-25 | 2023-12-12 | 赛力斯汽车有限公司 | 一种基于驾驶风格的换道方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2022134711A1 (zh) | 2022-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11899411B2 (en) | Hybrid reinforcement learning for autonomous driving | |
CN113261035B (zh) | 一种轨迹预测方法及相关设备 | |
Dong et al. | Characterizing driving styles with deep learning | |
Gu et al. | A novel lane-changing decision model for autonomous vehicles based on deep autoencoder network and XGBoost | |
CN114655227A (zh) | 驾驶风格识别方法、辅助驾驶方法及装置 | |
US20190359208A1 (en) | Feature-based prediction | |
Das et al. | Detecting lane change maneuvers using SHRP2 naturalistic driving data: A comparative study machine learning techniques | |
CN110949398B (zh) | 一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法 | |
CN109109863B (zh) | 智能设备及其控制方法、装置 | |
CN112203916A (zh) | 用于确定目标车辆变道相关信息的方法和设备、用于确定车辆舒适性度量用以预测目标车辆的驾驶机动操纵的方法和设备以及计算机程序 | |
CN115018016B (zh) | 一种人工驾驶车辆换道意图识别方法和系统 | |
Lyu et al. | Using naturalistic driving data to identify driving style based on longitudinal driving operation conditions | |
An et al. | Uncertainty modeling and runtime verification for autonomous vehicles driving control: A machine learning-based approach | |
CN115053237A (zh) | 载具意图预测神经网络 | |
Zec et al. | Statistical sensor modelling for autonomous driving using autoregressive input-output HMMs | |
Chae et al. | Design and implementation of human driving data–based active lane change control for autonomous vehicles | |
Kim et al. | Driving style-based conditional variational autoencoder for prediction of ego vehicle trajectory | |
WO2023187117A1 (en) | Simulation-based testing for robotic systems | |
EP3674972A1 (en) | Methods and systems for generating training data for neural network | |
Azadani et al. | Toward driver intention prediction for intelligent vehicles: A deep learning approach | |
Chu et al. | A review of driving style recognition methods from short-term and long-term perspectives | |
Villagra et al. | Motion prediction and risk assessment | |
Jensen et al. | Mathematical models of human drivers using artificial risk fields | |
Li et al. | A Deep Learning Framework to Explore Influences of Data Noises on Lane-Changing Intention Prediction | |
Peng et al. | A Method for Vehicle Collision Risk Assessment through Inferring Driver's Braking Actions in Near-Crash Situations |
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 |