CN114662691A - 自动驾驶车辆的特征知识库系统及方法 - Google Patents

自动驾驶车辆的特征知识库系统及方法 Download PDF

Info

Publication number
CN114662691A
CN114662691A CN202210305138.7A CN202210305138A CN114662691A CN 114662691 A CN114662691 A CN 114662691A CN 202210305138 A CN202210305138 A CN 202210305138A CN 114662691 A CN114662691 A CN 114662691A
Authority
CN
China
Prior art keywords
data
vehicle
knowledge base
motion
automatic driving
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210305138.7A
Other languages
English (en)
Inventor
李海峰
周俊杰
池发玉
毛飞虎
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.)
Dazhuo Intelligent Technology Co ltd
Dazhuo Quxing Intelligent Technology Shanghai Co ltd
Original Assignee
Chery Automobile Co Ltd
Wuhu Lion Automotive Technologies Co Ltd
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 Chery Automobile Co Ltd, Wuhu Lion Automotive Technologies Co Ltd filed Critical Chery Automobile Co Ltd
Priority to CN202210305138.7A priority Critical patent/CN114662691A/zh
Publication of CN114662691A publication Critical patent/CN114662691A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • 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
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • 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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/027—Frames
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Library & Information Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了一种自动驾驶车辆的特征知识库系统及方法，其中，系统包括：车端采集设备，用于采集车辆的运行数据；路端采集设备，用于采集路侧环境下每个交通参与者的运动轨迹数据；数据提取和分类模块，用于提取运行数据和运动轨迹数据中满足有效条件的运动特征，并确定每个交通参与者的实际类别；特征知识库模块，用于建立或更新数据表，得到特征知识库；运动特征分析模块，用于将分析结果反馈至车辆的自动驾驶系统，以生成自动驾驶模式下的最优自动驾驶动作。由此，解决了相关技术中仅限于车端采集车辆数据或者环境数据，进而导致基于采集数据训练得到的自动驾驶的神经网络可靠性较低，且实现完全训练的耗时较长，无法自行更新训练数据的问题。

Description

自动驾驶车辆的特征知识库系统及方法
技术领域
本申请涉及自动驾驶技术领域，特别涉及一种自动驾驶车辆的特征知识库系统及方法。
背景技术
当前，自动驾驶技术呈现稳步发展的趋势，为了使自动驾驶车辆能够实现更加优化的控制效果，各家公司都在通过车辆自身硬件进行自主学习或者后台训练的方式得出更加完善的控制逻辑，其中，自主学习和训练的基础是车辆和环境数据。
相关技术中用于自主学习和训练的自动驾驶技术基础，可以通过少量的试验车辆收集数据，或通过庞大的客户群体收集数据，并将收集的数据用于训练自动驾驶的神经网络。
然而，相关技术中仅凭少量实验车收集的数据存在一定的局限性，难以避免偶然因素对数据的影响，使得训练得到的自动驾驶的神经网络可靠性较低，难以保证用户启动自动驾驶功能时的行车安全；相关技术中通过庞大客户群体收集的数据一定程度上虽然可以避免偶然因素对数据的影响，但耗时较长，且无法自行更新训练数据，从而导致训练的自动驾驶的神经网络需要定期更新，不利于提升用户的驾驶体验。
综上，相关技术中仅限于车端采集车辆数据或者环境数据，使得训练得到的自动驾驶的神经网络可靠性较低，难以保证用户启动自动驾驶功能时的行车安全，且无法自行更新训练数据，不利于提升用户的驾驶体验，亟需改善。
发明内容
本申请提供一种自动驾驶车辆的特征知识库系统及方法，以解决相关技术中仅限于车端采集车辆数据或者环境数据，进而导致基于采集数据训练得到的自动驾驶的神经网络可靠性较低，且实现完全训练的耗时较长，无法自行更新训练数据的技术问题。
本申请第一方面实施例提供一种自动驾驶车辆的特征知识库系统，包括以下步骤：至少一个车端采集设备，用于采集车辆的运行数据；至少一个路端采集设备，用于采集路侧环境下每个交通参与者的运动轨迹数据；数据提取和分类模块，用于提取所述运行数据和所述运动轨迹数据中满足有效条件的运动特征，并确定所述每个交通参与者的实际类别；特征知识库模块，用于根据所述每个交通参与者的实际类型和所述运动特征建立或者更新数据表，得到特征知识库；以及运动特征分析模块，用于基于所述特征知识库分析特征数据，并将分析结果反馈至所述车辆的自动驾驶系统，以生成自动驾驶模式下的最优自动驾驶动作。
可选地，在本申请的一个实施例中，所述至少一个车端采集设备和所述至少一个路端采集设备均包括激光雷达传感器、毫米波雷达传感器和摄像头中的至少一个，其中，所述运行数据包括所述车辆的周边环境信息和车辆总线数据。
可选地，在本申请的一个实施例中，所述数据提取和分类模块进一步用于基于预设分类规则得到所述运行数据和所述运动轨迹数据中每个运动特征的分类器频分，以确定所述满足有效条件的运动特征。
可选地，在本申请的一个实施例中，所述数据提取和分类模块还用于从预设数据集中或者预设分类模型中提取所述预设分类规则。
可选地，在本申请的一个实施例中，所述数据表包括ID(Identity document，身份标识号)、类型、经度、维度、航向角、速度和时间中的一项或多项特征数据。
可选地，在本申请的一个实施例中，所述运动特征分析模块进一步用于根据所述特征数据进行运动轨迹模拟，并基于模拟结果进行特征数据分析，得到所述分析结果。
本申请第二方面实施例提供一种自动驾驶车辆的特征知识库方法，包括：采集车辆的运行数据；采集路侧环境下每个交通参与者的运动轨迹数据；提取所述运行数据和所述运动轨迹数据中满足有效条件的运动特征，并确定所述每个交通参与者的实际类别；根据所述每个交通参与者的实际类型和所述运动特征建立或者更新数据表，得到特征知识库；基于所述特征知识库分析特征数据，并将分析结果反馈至所述车辆的自动驾驶系统，以生成自动驾驶模式下的最优自动驾驶动作。
可选地，在本申请的一个实施例中，在提取所述运行数据和所述运动轨迹数据中满足所述有效条件的运动特征之前，还包括：基于预设分类规则得到所述运行数据和所述运动轨迹数据中每个运动特征的分类器频分，以确定所述满足有效条件的运动特征。
本申请第三方面实施例提供一种车辆，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的自动驾驶车辆的特征知识库方法。
本申请第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上述实施例所述的自动驾驶车辆的特征知识库方法。
本申请实施例可以通过车端和路端采集设备，分别提取车辆的运行数据及路侧环境下交通参与者的运动轨迹数据，并对采集的特征数据进行特征提取及实际运动类别匹配，以更新特征知识库数据，实现训练数据的自行更新，为自主学习和深度训练提供有效的数据支持，能够形成一个不断优化的自动驾驶车辆的特征知识库系统，进而便于车辆的自动驾驶系统根据特征知识库分析的特征结果，生成自动驾驶模式下的最优自动驾驶动作，从而增加了自动驾驶车辆的特征知识库的可靠性，提高了车辆自动驾驶功能的安全性，增加了用户的驾驶体验。由此，解决了仅限于车端采集车辆数据或者环境数据，进而导致基于采集数据训练得到的自动驾驶的神经网络可靠性较低，且实现完全训练的耗时较长，无法自行更新训练数据的技术问题。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本申请实施例提供的一种自动驾驶车辆的特征知识库系统的结构示意图；
图2为根据本申请一个实施例的自动驾驶车辆的特征知识库系统的结构示意图；
图3为根据本申请一个实施例的自动驾驶车辆的特征知识库系统的原理示意图；
图4为根据本申请实施例提供的一种自动驾驶车辆的特征知识库方法的流程图；
图5为根据本申请实施例提供的车辆的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的自动驾驶车辆的特征知识库系统及方法。针对上述背景技术中心提到的相关技术中仅限于车端采集车辆数据或者环境数据，进而导致基于采集数据训练得到的自动驾驶的神经网络可靠性较低，且实现完全训练的耗时较长，无法自行更新训练数据的技术问题，本申请提供了一种自动驾驶车辆的特征知识库系统，在该系统中，可以通过车端和路端采集设备，分别提取车辆的运行数据及路侧环境下交通参与者的运动轨迹数据，并对采集的特征数据进行特征提取及实际运动类别匹配，以更新特征知识库数据，实现训练数据的自行更新，为自主学习和深度训练提供有效的数据支持，能够形成一个不断优化的自动驾驶车辆的特征知识库系统，进而便于车辆的自动驾驶系统根据特征知识库分析的特征结果，生成自动驾驶模式下的最优自动驾驶动作，从而增加了自动驾驶车辆的特征知识库的可靠性，提高了车辆自动驾驶功能的安全性，增加了用户的驾驶体验。由此，解决了相关技术中仅限于车端采集车辆数据或者环境数据，进而导致基于采集数据训练得到的自动驾驶的神经网络可靠性较低，且实现完全训练的耗时较长，无法自行更新训练数据的技术问题。
具体而言，图1为本申请实施例所提供的一种自动驾驶车辆的特征知识库系统的结构示意图。
如图1所示，该自动驾驶车辆的特征知识库系统10包括：至少一个车端采集设备100、至少一个路端采集设备200、数据提取和分类模块300、特征知识库模块400和运动特征分析模块500。
具体地，至少一个车端采集设备100，用于采集车辆的运行数据。
在实际执行过程中，本申请实施例可以通过设置至少一个车端采集设备100，进行车辆运行数据的采集，其中，车端采集设备100可以包括车载传感器和数据接口。
至少一个路端采集设备200，用于采集路侧环境下每个交通参与者的运动轨迹数据。
可以理解的是，路侧的交通场景十分复杂，特别是流量较大的十字路口，仅依靠一种感知设备，容易造成误检、漏检等情况，无法对物体进行稳定的智能检测，从而导致知识库的数据稳定性较差，影响自动驾驶神经网络的训练，进而影响车辆的自动驾驶功能，易导致车辆在自动驾驶过程中发生意外事故，因此，本申请实施例可以进一步设置至少一个路端采集设备200，采集路侧环境下每个交通参与者的运动轨迹数据，提高采集数据的准确性，进而有利于保证知识库的可靠性。
其中，路端采集设备200可以是部署在路侧的相关传感器和通信设备。
可选地，在本申请的一个实施例中，至少一个车端采集设备100和至少一个路端采集设备200均包括激光雷达传感器、毫米波雷达传感器和摄像头中的至少一个，其中，运行数据包括车辆的周边环境信息和车辆总线数据。
在实际执行过程中，本申请实施例的至少一个车端采集设备100和至少一个路端采集设备200均包括激光雷达传感器、毫米波雷达传感器和摄像头中的至少一个，本申请实施例可以通过激光雷达与视觉的融合或者毫米波雷达与视觉的融合，一次性获得物体的位置、距离、尺寸、速度、方向、颜色等信息，从而提高数据采集的全面性和准确性。
其中，至少一个车端设备100采集的运行数据主要包括车载传感器感知的周边环境信息，以及车辆总线数据，且车载传感器以感知融合的方式提供更准确的数据。
需要注意的是，本申请实施例中至少一个车端采集设备100和至少一个路端采集设备200采用的设备可以由本领域技术人员根据实际情况进行选用，在此不做具体限制。
数据提取和分类模块300，用于提取运行数据和运动轨迹数据中满足有效条件的运动特征，并确定每个交通参与者的实际类别。
进一步地，本申请实施例可以通过数据提取和分类模块300，提取上述步骤中获取的运行数据和运动轨迹数据中满足有效条件的运动特征，并根据运动特征确定每个交通参与者的实际类别。本申请实施例通过确定每个交通参与者的实际类别，便于后续更新特征知识库数据，实现训练数据的自行更新，为自主学习和深度训练提供有效的数据支持，能够形成一个不断优化的自动驾驶车辆的特征知识库系统。
可选地，在本申请的一个实施例中，数据提取和分类模块300进一步用于基于预设分类规则得到运行数据和运动轨迹数据中每个运动特征的分类器频分，以确定满足有效条件的运动特征。
具体地，本申请实施例可以将神经网络应用于传感器数据，将触发器分类器应用于神经网络的中间结果，以确定传感器数据的分类器评分，根据分类器得分，以确定满足有效条件的运动特征，即决定是否通过网络传输至少部分传感器数据。
可选地，在本申请的一个实施例中，数据提取和分类模块300还用于从预设数据集中或者预设分类模型中提取预设分类规则。
可以理解的是，数据的分类最常见的是基于规则的分类，分类技术的任务都是利用数据集训练出分类器，并为每条记录贴上标签，对其进行分类。
每一个分类规则可以表示为：
ri:(ci)→yi，
其中，ci称为规则前件或前提，规则前件是属性测试的集合ci＝(A1 op v1)∧(A2op v2)∧…∧(Ai op vi)，(Ai,vi)为(属性，值)对，op为比较运算符，取自集合{＝,≠,<,>,≤,≥}，yi为分类标签，称为规则后件。
当规则r的规则前件与记录x的属性匹配时，则称r覆盖x；当r覆盖某条记录时，则称规则r被触发。
基于规则的分类器的分类质量可以用覆盖率和准确率来度量，覆盖率：触发了规则的记录在数据集D中所占的比例；准确率：在触发了规则的记录中，分类正确的记录所占比例。建立分类器的过程就是建立一套规则集，提取分类规则的方法有两类：(1)直接法，直接从数据集中提取分类规则；(2)间接法，从其他的分类模型(如决策树和神经网络)中提取分类规则。
在实际执行过程中，本申请实施例可以从预设数据集中或者预设分类模型中提取预设分类规则，并基于分类规则，实现数据分类。
需要注意的是，本申请实施例可以根据实际情况，由本领域技术人员选取适宜的分类规则，在此不做具体限制。
特征知识库模块400，用于根据每个交通参与者的实际类型和运动特征建立或者更新数据表，得到特征知识库。
本领域技术人员可以理解到的是，知识库是按照一定的知识表示方法集中存放的数据库，是一个完整的知识解决方案的组成部分，具备分类、存储、决策等功能。
知识表示、知识利用和知识获取是特征知识库模块400实现的三个关键技术问题。
1.知识表示：知识采用什么形式表示，使计算机能对之进行处理，并以可理解的方式将处理结果进行告知，知识表示要具有层次化、模块化、网络化，统称为知识的结构化；
2.知识利用：是指利用知识库中的知识进行推理，从而得出结论的过程。推理所涉及的问题有：知识库的搜索、目标的控制、模式匹配的方法、推理的策略，以及对不确定性知识的评价等；
3.知识获取：是指从知识源获得知识来建造知识库的工作。知识库中的知识有两个来源，一个是原始知识，由外界直接进入知识库；另一个是中间知识(再生知识)，是由推理机构生成后追加入知识库。
在本申请实施例中，特征知识库模块400可以指用来存放知识的实体，可以是知识库建立、更新、维护、管理、使用的功能体，由知识获取接口、知识管理系统、用户接口、推理机构组成。
本申请实施例可以通过特征知识库模块400，根据每个交通参与者的实际类型和运动特征建立或者更新数据表，进而得到特征知识库，通过更新特征知识库数据，实现训练数据的自行更新，为自主学习和深度训练提供有效的数据支持，能够形成一个不断优化的自动驾驶车辆的特征知识库系统，进而便于车辆的自动驾驶系统根据特征知识库分析的特征结果，生成自动驾驶模式下的最优自动驾驶动作，从而增加了自动驾驶车辆的特征知识库的可靠性，提高了车辆自动驾驶功能的安全性，增加了用户的驾驶体验。
可选地，在本申请的一个实施例中，数据表包括ID、类型、经度、维度、航向角、速度和时间中的一项或多项特征数据。
具体地，数据表可以包括ID、类型、经度、维度、航向角、速度和时间中的一项或多项特征数据，其具体涵盖的特征数据类型，可以由本领域技术人员根据实际情况进行设置，在此不做具体限制。
运动特征分析模块500，用于基于特征知识库分析特征数据，并将分析结果反馈至车辆的自动驾驶系统，以生成自动驾驶模式下的最优自动驾驶动作。
在实际执行过程中，本申请实施例可以通过运动特征分析模块500，将利用特征知识库模块400生成的特征知识库分析得到的特征数据，反馈至车辆的自动驾驶系统，进而生成自动驾驶模式下的最优自动驾驶动作，从而增加了自动驾驶系统的可靠性和安全性，有利于提高用户的驾驶体验。
可选地，在本申请的一个实施例中，运动特征分析模块500进一步用于根据特征数据进行运动轨迹模拟，并基于模拟结果进行特征数据分析，得到分析结果。
作为一种可能实现的方式，运动特征分析模块500可以根据特征知识库模块400的特征数据进行交通参与者的运动轨迹回放和模拟，以及车辆自身的运动特征提取，并结合模拟结果进行特征数据分析，从而得到分析结果，实现存储和研究自动驾驶环境下的交通参与者运动轨迹及相关特征数据、构建自动驾驶训练和深度学习基础、提升自动驾驶智能化决策水平的目的。
下面结合图2和图3所示，以一个实施例对本申请实施例的自动驾驶车辆的特征知识库系统进行详细阐述。
如图2所示，本申请实施例包括：至少一个车端采集设备100、至少一个路端采集设备200、数据提取和分类模块300、特征知识库模块400、运动特征分析模块500和自动驾驶系统600。
具体地，至少一个车端采集设备100可以包括：激光雷达、摄像头、毫米波雷达和CAN(Controller Area Network，控制器局域网络)。
至少一个路端采集设备200可以包括：激光雷达、摄像头和毫米波雷达。
数据提取和分类模块300可以确定车辆、行人、非机动车辆或其他交通参与者的实际类别。
特征知识库模块400可以包括的数据内容为：ID、类型、经度、纬度、航向角、速度、时间及其他数据。
运动特征分析模块500的分析过程可以包括：轨迹重现、特征点提取、深度学习和生成结果子集。
自动驾驶系统600可以根据运动特征分析模块500的分析结果，执行最佳自动驾驶动作。
结合图2和图3所示，本申请实施例包括以下步骤：
步骤S301：车端数据采集。在实际执行过程中，本申请实施例可以通过设置至少一个车端采集设备100，进行车辆运行数据的采集，其中，车端采集设备100可以包括车载传感器和数据接口。
其中，至少一个车端设备100采集的运行数据主要包括车载传感器感知的周边环境信息，以及车辆总线数据，且车载传感器以感知融合的方式提供更准确的数据。
步骤S302：路端数据采集。可以理解的是，路侧的交通场景十分复杂，特别是流量较大的十字路口，仅依靠一种感知设备，容易造成误检、漏检等情况，无法对物体进行稳定的智能检测，从而导致知识库的数据稳定性较差，影响自动驾驶神经网络的训练，进而影响车辆的自动驾驶功能，易导致车辆在自动驾驶过程中发生意外事故，因此，本申请实施例可以进一步设置至少一个路端采集设备200，采集路侧环境下每个交通参与者的运动轨迹数据，提高采集数据的准确性，进而有利于保证知识库的可靠性。
其中，路端采集设备200可以是部署在路侧的相关传感器和通信设备。
在实际执行过程中，本申请实施例的至少一个车端采集设备100和至少一个路端采集设备200均包括激光雷达传感器、毫米波雷达传感器和摄像头中的至少一个，本申请实施例可以通过激光雷达与视觉的融合或者毫米波雷达与视觉的融合，一次性获得物体的位置、距离、尺寸、速度、方向、颜色等信息，从而提高数据采集的全面性和准确性。
需要注意的是，本申请实施例中至少一个车端采集设备100和至少一个路端采集设备200采用的设备可以由本领域技术人员根据实际情况进行选用，在此不做具体限制。
步骤S303：数据获取接口。
步骤S304：判断是否触发分类器和达到提取条件。进一步地，本申请实施例可以通过数据提取和分类模块300，提取上述步骤中获取的运行数据和运动轨迹数据中满足有效条件的运动特征，并根据运动特征确定每个交通参与者的实际类别。
具体地，本申请实施例可以将神经网络应用于传感器数据，将触发器分类器应用于神经网络的中间结果，以确定传感器数据的分类器评分，根据分类器得分，以确定满足有效条件的运动特征，即决定是否通过网络传输至少部分传感器数据。
可以理解的是，数据的分类最常见的是基于规则的分类，分类技术的任务都是利用数据集训练出分类器，并为每条记录贴上标签，对其进行分类。
每一个分类规则可以表示为：
ri:(ci)→y，
其中，ci称为规则前件或前提，规则前件是属性测试的集合ci＝(A1 op v1)∧(A2op v2)∧…∧(Ai op vi)，(Ai,vi)为(属性，值)对，op为比较运算符，取自集合{＝,≠,<,>,≤,≥}，yi为分类标签，称为规则后件。
当规则r的规则前件与记录x的属性匹配时，则称r覆盖x；当r覆盖某条记录时，则称规则r被触发。
基于规则的分类器的分类质量可以用覆盖率和准确率来度量，覆盖率：触发了规则的记录在数据集D中所占的比例；准确率：在触发了规则的记录中，分类正确的记录所占比例。建立分类器的过程就是建立一套规则集，提取分类规则的方法有两类：(1)直接法，直接从数据集中提取分类规则；(2)间接法，从其他的分类模型(如决策树和神经网络)中提取分类规则。
在实际执行过程中，本申请实施例可以从预设数据集中或者预设分类模型中提取预设分类规则，并基于分类规则，实现数据分类。
需要注意的是，本申请实施例可以根据实际情况，由本领域技术人员选取适宜的分类规则，在此不做具体限制。
步骤S305：确定触发分类器得分。
步骤S306：分数超过阈值且满足条件。需要注意的是，阈值可以由本领域技术人员进行设置，在此不做具体限制。
步骤S307：数据写入特征知识库。在本申请实施例中，特征知识库模块400可以指用来存放知识的实体，可以是知识库建立、更新、维护、管理、使用的功能体，由知识获取接口、知识管理系统、用户接口、推理机构组成。
本申请实施例可以通过特征知识库模块400，根据每个交通参与者的实际类型和运动特征建立或者更新数据表，进而得到特征知识库，通过更新特征知识库数据，实现训练数据的自行更新，为自主学习和深度训练提供有效的数据支持，能够形成一个不断优化的自动驾驶车辆的特征知识库系统。
具体地，数据表可以包括ID、类型、经度、维度、航向角、速度和时间中的一项或多项特征数据，其具体涵盖的特征数据类型，可以由本领域技术人员根据实际情况进行设置，在此不做具体限制。
步骤S308：运动轨迹特征提取及数据训练。在实际执行过程中，本申请实施例可以通过运动特征分析模块500，将利用特征知识库模块400生成的特征知识库分析得到的特征数据，反馈至车辆的自动驾驶系统，进而生成自动驾驶模式下的最优自动驾驶动作，从而增加了自动驾驶系统的可靠性和安全性，有利于提高用户的驾驶体验。
作为一种可能实现的方式，运动特征分析模块500可以根据特征知识库模块400的特征数据进行交通参与者的运动轨迹回放和模拟，以及车辆自身的运动特征提取，并结合模拟结果进行特征数据分析，从而得到分析结果，实现存储和研究自动驾驶环境下的交通参与者运动轨迹及相关特征数据、构建自动驾驶训练和深度学习基础、提升自动驾驶智能化决策水平的目的。
步骤S309：自动驾驶系统。本申请实施例可以执行根据运动特征分析模块500分析生成的自动驾驶模式下的最优自动驾驶动作。
根据本申请实施例提出的自动驾驶车辆的特征知识库系统，可以通过车端和路端采集设备，分别提取车辆的运行数据及路侧环境下交通参与者的运动轨迹数据，并对采集的特征数据进行特征提取及实际运动类别匹配，以更新特征知识库数据，实现训练数据的自行更新，为自主学习和深度训练提供有效的数据支持，能够形成一个不断优化的自动驾驶车辆的特征知识库系统，进而便于车辆的自动驾驶系统根据特征知识库分析的特征结果，生成自动驾驶模式下的最优自动驾驶动作，从而增加了自动驾驶车辆的特征知识库的可靠性，提高了车辆自动驾驶功能的安全性，增加了用户的驾驶体验。由此，解决了相关技术中仅限于车端采集车辆数据或者环境数据，进而导致基于采集数据训练得到的自动驾驶的神经网络可靠性较低，且实现完全训练的耗时较长，无法自行更新训练数据的技术问题。
其次参照附图描述根据本申请实施例提出的自动驾驶车辆的特征知识库方法。
图4是本申请实施例的自动驾驶车辆的特征知识库方法的流程图。
如图4所示，该自动驾驶车辆的特征知识库方法，包括以下步骤：。
在步骤S401中，采集车辆的运行数据。
在步骤S402中，采集路侧环境下每个交通参与者的运动轨迹数据。
在步骤S403中，提取运行数据和运动轨迹数据中满足有效条件的运动特征，并确定每个交通参与者的实际类别。
在步骤S404中，根据每个交通参与者的实际类型和运动特征建立或者更新数据表，得到特征知识库。
在步骤S405中，基于特征知识库分析特征数据，并将分析结果反馈至车辆的自动驾驶系统，以生成自动驾驶模式下的最优自动驾驶动作。
可选地，在本申请的一个实施例中，在提取运行数据和运动轨迹数据中满足有效条件的运动特征之前，还包括：基于预设分类规则得到运行数据和运动轨迹数据中每个运动特征的分类器频分，以确定满足有效条件的运动特征。
需要说明的是，前述对自动驾驶车辆的特征知识库系统实施例的解释说明也适用于该实施例的自动驾驶车辆的特征知识库方法，此处不再赘述。
根据本申请实施例提出的自动驾驶车辆的特征知识库方法，可以通过车端和路端采集设备，分别提取车辆的运行数据及路侧环境下交通参与者的运动轨迹数据，并对采集的特征数据进行特征提取及实际运动类别匹配，以更新特征知识库数据，实现训练数据的自行更新，为自主学习和深度训练提供有效的数据支持，能够形成一个不断优化的自动驾驶车辆的特征知识库系统，进而便于车辆的自动驾驶系统根据特征知识库分析的特征结果，生成自动驾驶模式下的最优自动驾驶动作，从而增加了自动驾驶车辆的特征知识库的可靠性，提高了车辆自动驾驶功能的安全性，增加了用户的驾驶体验。由此，解决了相关技术中仅限于车端采集车辆数据或者环境数据，进而导致基于采集数据训练得到的自动驾驶的神经网络可靠性较低，且实现完全训练的耗时较长，无法自行更新训练数据的技术问题。
图5为本申请实施例提供的车辆的结构示意图。该车辆可以包括：
存储器501、处理器502及存储在存储器501上并可在处理器502上运行的计算机程序。
处理器502执行程序时实现上述实施例中提供的自动驾驶车辆的特征知识库方法。
进一步地，车辆还包括：
通信接口503，用于存储器501和处理器502之间的通信。
存储器501，用于存放可在处理器502上运行的计算机程序。
存储器501可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
如果存储器501、处理器502和通信接口503独立实现，则通信接口503、存储器501和处理器502可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(PeripheralComponent，简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选地，在具体实现上，如果存储器501、处理器502及通信接口503，集成在一块芯片上实现，则存储器501、处理器502及通信接口503可以通过内部接口完成相互间的通信。
处理器502可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。
本实施例还提供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实现如上的自动驾驶车辆的特征知识库方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或N个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，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模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种自动驾驶车辆的特征知识库系统，其特征在于，包括：
至少一个车端采集设备，用于采集车辆的运行数据；
至少一个路端采集设备，用于采集路侧环境下每个交通参与者的运动轨迹数据；
数据提取和分类模块，用于提取所述运行数据和所述运动轨迹数据中满足有效条件的运动特征，并确定所述每个交通参与者的实际类别；
特征知识库模块，用于根据所述每个交通参与者的实际类型和所述运动特征建立或者更新数据表，得到特征知识库；以及
运动特征分析模块，用于基于所述特征知识库分析特征数据，并将分析结果反馈至所述车辆的自动驾驶系统，以生成自动驾驶模式下的最优自动驾驶动作。
2.根据权利要求1所述的系统，其特征在于，所述至少一个车端采集设备和所述至少一个路端采集设备均包括激光雷达传感器、毫米波雷达传感器和摄像头中的至少一个，其中，所述运行数据包括所述车辆的周边环境信息和车辆总线数据。
3.根据权利要求1所述的系统，其特征在于，所述数据提取和分类模块进一步用于基于预设分类规则得到所述运行数据和所述运动轨迹数据中每个运动特征的分类器频分，以确定所述满足有效条件的运动特征。
4.根据权利要求3所述的系统，其特征在于，所述数据提取和分类模块还用于从预设数据集中或者预设分类模型中提取所述预设分类规则。
5.根据权利要求1所述的系统，其特征在于，所述数据表包括ID、类型、经度、维度、航向角、速度和时间中的一项或多项特征数据。
6.根据权利要求1所述的系统，其特征在于，所述运动特征分析模块进一步用于根据所述特征数据进行运动轨迹模拟，并基于模拟结果进行特征数据分析，得到所述分析结果。
7.一种自动驾驶车辆的特征知识库方法，其特征在于，采用如权利要求1-6任一项所述的自动驾驶车辆的特征知识库系统，所述方法包括以下步骤：
采集车辆的运行数据；
采集路侧环境下每个交通参与者的运动轨迹数据；
提取所述运行数据和所述运动轨迹数据中满足有效条件的运动特征，并确定所述每个交通参与者的实际类别；
根据所述每个交通参与者的实际类型和所述运动特征建立或者更新数据表，得到特征知识库；
基于所述特征知识库分析特征数据，并将分析结果反馈至所述车辆的自动驾驶系统，以生成自动驾驶模式下的最优自动驾驶动作。
8.根据权利要求7所述的系统，其特征在于，在提取所述运行数据和所述运动轨迹数据中满足所述有效条件的运动特征之前，还包括：
基于预设分类规则得到所述运行数据和所述运动轨迹数据中每个运动特征的分类器频分，以确定所述满足有效条件的运动特征。
9.一种车辆，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求7-8任一项所述的自动驾驶车辆的特征知识库方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求7-8任一项所述的自动驾驶车辆的特征知识库方法。
CN202210305138.7A 2022-03-25 2022-03-25 自动驾驶车辆的特征知识库系统及方法 Pending CN114662691A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210305138.7A CN114662691A (zh) 2022-03-25 2022-03-25 自动驾驶车辆的特征知识库系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210305138.7A CN114662691A (zh) 2022-03-25 2022-03-25 自动驾驶车辆的特征知识库系统及方法

Publications (1)

Publication Number Publication Date
CN114662691A true CN114662691A (zh) 2022-06-24

Family

ID=82032284

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210305138.7A Pending CN114662691A (zh) 2022-03-25 2022-03-25 自动驾驶车辆的特征知识库系统及方法

Country Status (1)

Country Link
CN (1) CN114662691A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115148025A (zh) * 2022-06-28 2022-10-04 重庆长安汽车股份有限公司 一种交通目标轨迹预测方法及可读存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115148025A (zh) * 2022-06-28 2022-10-04 重庆长安汽车股份有限公司 一种交通目标轨迹预测方法及可读存储介质
CN115148025B (zh) * 2022-06-28 2023-10-20 重庆长安汽车股份有限公司 一种交通目标轨迹预测方法及可读存储介质

Similar Documents

Publication Publication Date Title
CN111062240B (zh) 汽车驾驶安全的监控方法、装置、计算机设备及存储介质
CN107169567B (zh) 一种用于车辆自动驾驶的决策网络模型的生成方法及装置
CN110866427A (zh) 一种车辆行为检测方法及装置
MacAdam et al. Using neural networks to identify driving style and headway control behavior of drivers
CN113343461A (zh) 自动驾驶车辆的仿真方法、装置、电子设备及存储介质
CN115620518B (zh) 基于深度学习的交叉口交通冲突判别方法
Snegireva et al. Traffic sign recognition application using yolov5 architecture
DE112019001545T5 (de) Elektronische steuervorrichtung und betriebsverfahren
WO2023142814A1 (zh) 目标识别方法、装置、设备及存储介质
US20210237737A1 (en) Method for Determining a Lane Change Indication of a Vehicle
CN112905849A (zh) 一种车辆数据处理的方法及装置
CN115797403A (zh) 交通事故预测方法和装置、存储介质及电子设备
CN114662691A (zh) 自动驾驶车辆的特征知识库系统及方法
CN112466118A (zh) 车辆驾驶行为识别方法、系统、电子设备及存储介质
CN113850237B (zh) 基于视频和轨迹数据的网联车目标检测评价方法及系统
CN112509321A (zh) 一种基于无人机的城市复杂交通情景的驾驶控制方法、系统及可读存储介质
Haque et al. Driving maneuver classification from time series data: a rule based machine learning approach
CN115169477A (zh) 辅助驾驶系统的安全感评估方法、装置、设备及存储介质
CN112216133B (zh) 信息推送方法、装置、设备及介质
Rehder et al. Influence of different ground truth hypotheses on the quality of Bayesian networks for maneuver detection and prediction of driving behavior
CN113283303A (zh) 一种车牌识别方法及装置
CN113065428A (zh) 基于特征选择的自动驾驶目标识别方法
CN112232312A (zh) 基于深度学习的自动驾驶方法、装置和电子设备
CN113762043A (zh) 异常轨迹识别方法及装置
KR20210079180A (ko) 차량 번호판 인식 방법 및 장치

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
TA01 Transfer of patent application right

Effective date of registration: 20240410

Address after: 241000 10th Floor, Block B1, Wanjiang Wealth Plaza, Guandou Street, Jiujiang District, Wuhu City, Anhui Province

Applicant after: Dazhuo Intelligent Technology Co.,Ltd.

Country or region after: China

Applicant after: Dazhuo Quxing Intelligent Technology (Shanghai) Co.,Ltd.

Address before: 241009 South Road, Wuhu economic and Technological Development Zone, Anshan, Anhui

Applicant before: Wuhu Sambalion auto technology Co.,Ltd.

Country or region before: China

Applicant before: CHERY AUTOMOBILE Co.,Ltd.

TA01 Transfer of patent application right