CN114771576A - 行为数据处理方法、自动驾驶车辆的控制方法及自动驾驶车辆 - Google Patents

行为数据处理方法、自动驾驶车辆的控制方法及自动驾驶车辆 Download PDF

Info

Publication number
CN114771576A
CN114771576A CN202210556131.2A CN202210556131A CN114771576A CN 114771576 A CN114771576 A CN 114771576A CN 202210556131 A CN202210556131 A CN 202210556131A CN 114771576 A CN114771576 A CN 114771576A
Authority
CN
China
Prior art keywords
driving
data
lane change
information
scene
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
CN202210556131.2A
Other languages
English (en)
Inventor
杨建忠
夏德国
黄际洲
王海峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202210556131.2A priority Critical patent/CN114771576A/zh
Publication of CN114771576A publication Critical patent/CN114771576A/zh
Priority to US18/151,718 priority patent/US20230159052A1/en
Pending legal-status Critical Current

Links

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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • 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
    • 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
    • B60W40/02—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 ambient conditions
    • B60W40/06—Road conditions
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • 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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0015—Planning or execution of driving tasks specially adapted for safety
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096725—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information generates an automatic action on the vehicle control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
    • G08G1/096775—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a central station
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0002—Automatic control, details of type of controller or control system architecture
    • B60W2050/0004—In digital systems, e.g. discrete-time systems involving sampling
    • B60W2050/0005—Processor details or data handling, e.g. memory registers or chip architecture
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • 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
    • B60W2552/00—Input parameters relating to infrastructure
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/10—Historical data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/44—Event detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Mathematical Physics (AREA)
  • Atmospheric Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开提供了一种行为数据处理方法、自动驾驶车辆的控制方法、装置、设备、存储介质、计算机程序产品以及自动驾驶车辆，涉及人工智能技术领域，尤其涉及自动驾驶、大数据以及深度学习技术领域。具体实现方案为：获取历史行车数据，历史行车数据包括车道级导航数据；对历史行车数据进行数据挖掘，得到行车特征信息，行车特征信息包括以下至少一项：变道位置特征、行驶速度特征、行驶路径特征。通过对历史行车数据进行挖掘，并辅助生成自动驾驶的决策信息，提高了自动驾驶的安全性。

Description

行为数据处理方法、自动驾驶车辆的控制方法及自动驾驶 车辆
技术领域
本公开涉及人工智能技术领域，具体涉及自动驾驶、大数据以及深度学习技术领域，尤其涉及一种行为数据处理方法、自动驾驶车辆的控制方法、装置、设备、存储介质、计算机程序产品以及自动驾驶车辆。
背景技术
随着人工智能技术以及第五代移动通信技术的逐渐普及，自动驾驶技术得到了快速发展，其在车辆上的使用率也越来越高。通常情况下，自动驾驶功能主要依托于机器视觉、雷达定位、卫星定位以及智能控制等基础技术来实现。如何保证并不断提高自动驾驶的安全性，始终是自动驾驶领域关注的重点问题之一。
发明内容
本公开提供了一种行为数据处理方法、自动驾驶车辆的控制方法、装置、设备、存储介质、计算机程序产品以及自动驾驶车辆，提高了自动驾驶的安全性。
根据本公开的一方面，提供了一种行为数据处理方法，包括：获取历史行车数据，历史行车数据包括车道级导航数据；对历史行车数据进行数据挖掘，得到行车特征信息，行车特征信息包括以下至少一项：变道位置特征、行驶速度特征、行驶路径特征。
根据本公开的另一方面，提供了一种自动驾驶车辆的控制方法，包括：获取行车特征信息，其中，行车特征信息通过上述行为数据处理方法得到；获取车端感知信息，车端感知信息包括环境信息和定位信息；基于行车特征信息和车端感知信息生成行车决策信息；基于行车决策信息，控制自动驾驶车辆。
根据本公开的又一方面，提供了一种行为数据处理装置，包括：获取模块，被配置为获取历史行车数据，历史行车数据包括车道级导航数据；挖掘模块，被配置为对历史行车数据进行数据挖掘，得到行车特征信息，行车特征信息包括以下至少一项：变道位置特征、行驶速度特征、行驶路径特征。
根据本公开的又一方面，提供了一种自动驾驶车辆的控制装置，包括：第一获取模块，被配置为获取行车特征信息，其中，行车特征信息通过上述行为数据处理装置得到；第二获取模块，被配置为获取车端的感知定位信息；决策模块，被配置为基于行车特征信息和感知定位信息生成行车决策信息；控制模块，被配置为基于行车决策信息，控制自动驾驶车辆。
根据本公开的又一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行上述行为数据处理方法或自动驾驶车辆的控制方法。
根据本公开的又一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，上述计算机指令用于使上述计算机执行上述行为数据处理方法或自动驾驶车辆的控制方法。
根据本公开的又一方面，提供了一种计算机程序产品，包括计算机程序，上述计算机程序在被处理器执行时实现上述行为数据处理方法或自动驾驶车辆的控制方法。
根据本公开的再一方面，提供了一种自动驾驶车辆包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行上述自动驾驶车辆的控制方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是本公开可以应用于其中的示例性系统架构图；
图2是根据本公开的行为数据处理方法的一个实施例的流程图；
图3是根据本公开的行为数据处理方法的另一个实施例的流程图；
图4是根据本公开的行为数据处理方法的又一个实施例的流程图；
图5是根据本公开的自动驾驶车辆的控制方法的一个实施例的流程图；
图6是根据本公开的行车决策信息的生成流程的示意图；
图7是根据本公开的行为数据处理装置的一个实施例的结构示意图；
图8是根据本公开的自动驾驶车辆的控制装置的一个实施例的结构示意图；
图9是用来实现本公开实施例的行为数据处理方法或自动驾驶车辆的控制方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1示出了可以应用本公开的行为数据处理方法或自动驾驶车辆的控制方法的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括自动驾驶车辆101、普通车辆102、终端设备103、网络104和服务器105。网络104用以在自动驾驶车辆101、普通车辆102、终端设备103和服务器105之间提供通信链路的介质。网络103可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
自动驾驶车辆101、普通车辆102、终端设备103可以通过网络104与服务器105交互，自动驾驶车辆101上可以安装有各种智能车端应用，例如智能驾驶、智能导航应用等等；普通车辆102上可以安装有驾驶辅助系统、导航应用模块等；终端设备103上可以安装导航应用、地图应用等。服务器105可以提供各种行为数据处理服务，例如，服务器105可以对从自动驾驶车辆101、普通车辆102、终端设备103获取行车或导航时的行车路径信息，并从自动驾驶车辆101和普通车辆102的车载摄像头获取拍摄的影像数据等，然后对这些数据进行挖掘得到行车特征信息，并发送给自动驾驶车辆101。自动驾驶车辆101可以根据接收到的行车特征信息，生成行车决策信息，并根据该决策信息执行自动驾驶行为。
需要说明的是，终端设备103可以是硬件，也可以是软件。当终端设备103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备103为软件时，可以安装在上述电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的自动驾驶车辆、普通车辆、终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的自动驾驶车辆、普通车辆、终端设备、网络和服务器。
需要说明的是，本公开实施例所提供的行为数据处理方法一般由服务器105执行，相应地，行为数据处理装置一般设置于服务器105中。此外，在本公开各实施例中，行为数据处理方法所要处理的行为数据可以是车辆在以往的行车过程中所产生的行为数据，即历史行车数据。
继续参考图2，其示出了根据本公开的行为数据处理方法的一个实施例的流程200。该方法包括以下步骤：
步骤201、获取历史行车数据，历史行车数据包括车道级导航数据。
在本实施例中，行为数据处理方法的执行主体(例如图1所示的服务器105)可以首先获取历史行车数据，其中，历史行车数据是指各类车辆在以往的行车过程中产生的行车数据。这个数据主要包括车道级的导航数据，还可以包括高精度地图数据，其中，高精度地图除了包含普通地图的内容外，还将大量的行车辅助信息存储为结构化数据，这些信息可以包括道路数据，比如车道线的位置、类型、宽度、坡度和曲率等车道信息，还可以包括是车道周边的固定对象信息，比如交通标志、交通信号灯等信息、车道限高、下水道口、障碍物及其他道路细节，以及高架物体、防护栏、数目、道路边缘类型、路边地标等基础设施信息。车道级的导航数据包括依托于高精度地图产生的导航轨迹信息。
在本实施例中，历史行车数据的来源并不限定于自动驾驶车辆，还可以来源于普通车辆或终端设备中的导航应用。例如，自动驾驶车辆在完成每次导航或驾驶事件后，可以将产生的导航数据发送给服务器，作为历史行车数据；普通车辆中集成的导航模块或导航应用，以及终端设备中的导航应用在完成每次导航任务后，也可以将产生的导航数据发送给服务器，作为历史行车数据。
步骤202、对历史行车数据进行数据挖掘，得到行车特征信息，行车特征信息包括以下至少一项：变道位置特征、行驶速度特征、行驶路径特征。
在本实施例中，行为数据处理方法的执行主体在得到历史行车数据后，需要对历史行车数据进行进一步的数据挖掘，以得到需要的行车特征信息。具体地，由于得到的历史行车数据的数据量相对庞大，可以使用大数据分析与挖掘方法，例如分类、回归分析、聚类、关联规则、特征分析、变化和偏差分析方法等，从不同的角度对历史行车数据进行挖掘，以得到变道位置特征、驾驶速度特征、行驶路径特征中的一项或多项，作为行车特征信息的组成部分。其中，变道位置特征可以用于表征车辆在变更车道时选择的变道位置，行驶速度特征可以用于表征车辆在行车过程中的车速情况，行驶路径特征可以用于表征在两个地理位置之间的可选择的路径情况。
在本实施例的一些可选实现方式中，历史行车数据还包括车载影像数据；行车特征信息包括以下至少一项：危险场景特征、动态事件特征和路面状况特征。
具体地，车载影像数据可以是自动驾驶车辆或普通车辆上安装的车载摄像头，在车辆行进过程中所拍摄的影像数据。通过对包括有车载影像数据的历史行车数据进行挖掘，可以进一步得到危险场景特征、动态事件特征和路面状况特征中的一项或多项，也作为行车特征信息的组成部分。其中，危险场景特征可以用于表征驾驶过程中相对容易发生事故等意外的场景，例如盘山公路场景。动态事件特征可以用于表征会对驾驶过程产生影响的临时事件，例如交通事故。路面状况特征可以用于表征交通道路路面材质等影响自动驾驶车辆感知情况的路面信息，例如路面湿滑。通过对车载影像数据进行挖掘，可以进一步提高行车特征信息的全面性。
本公开实施例提供的行为数据处理方法，首先获取历史行车数据，历史行车数据包括车道级导航数据，然后对历史行车数据进行数据挖掘，得到行车特征信息，行车特征信息包括以下至少一项：变道位置特征、行驶速度特征、行驶路径特征。通过对历史行车数据进行充分挖掘，可以得到准确而全面的行车特征信息。
进一步继续参考图3，其示出了根据本公开的行为数据处理方法的另一个实施例的流程300。该方法包括以下步骤：
步骤301、获取历史行车数据，历史行车数据包括车道级导航数据。
在本实施例中，步骤301具体操作已在图2所示的实施例中步骤201进行了详细的介绍，在此不再赘述。
本实施例中得到行车特征信息可以包括变道位置特征、驾驶速度特征、行驶路径特征中的一项或多项。若执行下述步骤302-304，则得到的行车特征信息可以包括变道位置特征；若执行下述步骤305-306，则得到的行车特征信息可以包括行驶速度特征；若执行下述步骤307-308，则得到的行车特征信息可以包括行驶路径特征。本实施例的行为数据处理方法，可以同时包括步骤302-308，也可以包括302-304、305-306和307-308这三项中的一个或多个。
步骤302、从车道级导航数据中获取多个变道场景下的变道数据，变道场景包括路口变道场景。
在本实施例中，行为数据处理方法的执行主体在得到车道级导航数据后，可以首先从该导航数据中筛选出在多个变道场景下的变道数据。变道场景可以包括路口变道场景，也可以包括直行变道场景。其中，路口可以包括十字路口、丁字路口、出入口、掉头口等，从而覆盖车辆在路口、出入口、高速匝道等场景下的变道情况。直行变道场景包括车辆在直行车道进行变道的情况。变道数据可以包括车辆在变道前后的一段预定时间或预定距离内的行车轨迹信息。
步骤303、对于每个变道场景下的变道数据，按照车流量等级进行分类，得到多组变道数据。
在本实施例中，行为数据处理方法的执行主体在得到多个变道场景下的变道数据后，可以对每个变道场景下的变道数据进行分别处理。具体地，对于一个变道场景下的变道数据，可以按照车流量等级进行分类。其中，车流量等级可以包括高流量、中流量和低流量三个等级，具体可以将车辆所在道路的日平均通行量PV值作为划分依据，例如，PV值大于200的道路上产生的变道数据可以被划分到高流量组，PV值小于40的道路上产生的变道数据可以被划分到低流量组，其余变道数据可以划分到中流量组，这样可以得到与多个流量等级对应的多组变道数据。
步骤304、分别对每组变道数据进行变道位置聚类，得到多个变道位置特征。
在本实施例中，每个变道位置特征对应一个变道场景下的一类车流量等级。具体地，行为数据处理方法的执行主体在得到多组变道后，可以对每组数据分别执行聚类操作，具体可以使用常用的聚类算法(如、K均值或层次聚类算法)进行前述聚类操作，之后将聚类结果作为变道位置特征，从而得到多个变道位置特征。由于每组变道数据都分别对应一个变道场景下的一类车流量，因此得到的变道位置特征也可以根据变道场景和车流量等级进行区分。
通过将车道级导航数据按照变道场景和车流量等级进行划分，使得最终得到的变道位置特征具有更强的针对性，适应于多种变道情况。
步骤305、从车道级导航数据中获取不同地理位置处的行驶速度数据。
在本实施例中，行为数据处理方法的执行主体在得到车道级导航数据后，可以根据车道级导航数据中车辆的行车轨迹和行驶速度，获取每个车辆在各个地理位置处的行驶速度数据，这样在一个地理位置处就可以得到多个行驶速度数据。其中，地理位置可以是高精度地图中的一个具体坐标点。
步骤306、分别对每个地理位置处的行驶速度数据进行聚类，得到不同地理位置处的平均速度值，平均加速度值以及极值速度值，作为行驶速度特征。
在本实施例中，行为数据处理方法的执行主体可以使用聚类算法，分别对每个地理位置处的行驶速度数据进行聚类，具体可以使用机器学习中的密度聚类算法，如DBSCAN(Density-Based Spatial Clustering of Applications with Noise)进行聚类。在得到的聚类结果中，可以包括不同地理位置处的平均速度值，平均加速度值以及极值速度值。其中，平均速度值可以是在该地理位置处多个车辆行驶的平均速度，平均加速度值可以是在该地理位置处多个车辆进行加速或减速时使用的平均加速度，极值速度值可以是在该地理位置处多个车辆行驶的最大速度和最小速度。在每个地理位置处的平均速度值，平均加速度值以及极值速度值，可以共同作为行驶速度特征。
通过对不同地理位置处的行驶速度数据进行聚类，得到的行驶速度特征可以精准对应到各个地理位置坐标，提高了行驶速度特征的可靠性。
步骤307、从车道级导航数据中获取行驶路径数据。
在本实施例中，行为数据处理方法的执行主体可以从车道级导航数据中，确定出每次导航时的车辆行驶轨迹，并根据行驶轨迹确定出从导航的出发位置到本次导航的终点位置，车辆所行驶过的路径。这样得到的两个地理位置间的行驶路径，可以作为获取到的行驶路径数据。可以理解的是，行驶路径会受到导航时的道路交通情况、导航用户的偏好等因素的影响，因此，两个具体地理位置之间的行驶路径会包括多种道路组合方式。
步骤308、对行驶路径数据进行分类，得到推荐路径特征和危险路径特征，作为行驶路径特征。
在本实施例中，行为数据处理方法的执行主体在获取到行驶路径数据后，可以利用统计学中的统计分析方法对行驶路径数据进行分类，也可以将行驶路径数据输入到预先训练好的分类模型中进行分类。对行驶路径数据进行分类后，可以得到推荐路径特征和危险路径特征。其中，推荐路径特征可以用于表征两地理位置之间行驶次数较多，经常作为驾驶决策的规划路径的道路组合方式；危险路径特征可以用于表征两地理位置之间行驶次数较少，经常发生危险驾驶行为(例如逆行、违规变道等)的道路组合方式。在分类后，对于不能划分到推荐路径特征或危险路径特征中的那些行驶路径特征，还可以形成其他路径特征，也作为行驶路径特征中的一部分。
通过对行驶路径数据进行分类，得到的行驶路径特征可以包括推荐路径特征和危险路径特征，提高了行驶路径特征的可靠性和安全性。
进一步继续参考图4，其示出了根据本公开的行为数据处理方法的又一个实施例的流程400。该处理方法包括以下步骤：
步骤401、获取历史行车数据，历史行车数据包括车载影像数据。
在本实施例中，步骤401具体操作已在图2所示的实施例中步骤201中进行了详细的介绍，在此不再赘述。
在本实施例中，历史行车数据可以车载影像数据，还可以同时包括车道级导航数据和高精度地图。
本实施例中得到行车特征信息可以包括危险场景特征、动态事件特征和路面状况特征中的一项或多项。若执行下述步骤402-404，则得到的行车特征信息可以包括危险场景特征；若执行下述步骤405-406，则得到的行车特征信息可以包括动态事件特征；若执行下述步骤407-408，则得到的行车特征信息可以包括路面状况特征。本实施例的行为数据处理方法，可以同时包括步骤402-408，也可以包括402-404、405-406和407-408这三项中的一个或多个。需要说明的是本实施例中的步骤402-408和图3中的步骤302-308并不冲突，可以同时存在。在本实施例的一些可选实现方式中，行为数据处理方法可以包括302-304、305-306、307-308、402-404、405-406和407-408这六项中的一个或多个。
步骤402、从车载影像数据中提取出行车场景数据。
在本实施例中，行为数据处理方法的执行主体可以首先将车载影像数据中的视频数据转换为图像数据，例如，可以保留视频数据中具有场景代表性的图像帧，删除其余帧。对于车载影像中的图像数据，也可以做类似筛选，最终得到的行车场景数据包括多个以行车场景为主要展示内容的图像。
步骤403、对行车场景数据进行分类，得到多个危险场景。
在本实施例中，行为数据处理方法的执行主体可以利用图像分类方法，对行车场景数据包括的多个图像进行分类，得到多个危险场景。其中，危险场景是指驾驶过程中相对容易发生事故等意外的场景，具体可以包括弯道场景、巷道场景。弯道场景可以包括城市道路中弯道场景，也可以包括山路或高速公路中的弯道场景。巷道场景主要对应道路极窄，两侧障碍物较多的场景。可以理解的是，上述具体危险场景的举例不构成对本实施例的限制，坑洼道路、未铺设道路等会影响驾驶安全的场景，都可以作为本实施例中的危险场景。
步骤404、将每个危险场景下的图像特征，作为危险场景特征。
在本实施例中，上述步骤403中的图像分类方法是基于图像特征进行分类的，因此分类后可以得到每个危险场景对应的图像特征，这些图像特征可以被作为危险场景特征。
在本实施例的一些可选实现方式中，行为数据处理方法的执行主体可以将得到的车载影像数据直接输入基于深度学习的图像分类模型中，由于该模型在之前的训练过程中，主要将注意力集中在危险场景相关的图像特征上，因此可以直接对车载影像数据进行分类，输出危险场景特征。
通过对车载影像数据中的行车场景进行分类识别，可以得到准确的危险场景特征，改善了行车特征信息的全面性。
步骤405、对车载影像数据中的动态事件进行识别。
在本实施例中，动态事件包括以下至少一项：施工事件、事故事件。具体地，动态事件可以是指影响车辆行驶的非固定事件，比如一些发生在道路上的临时事件，包括施工事件、事故事件、交通管制事件等。本实施例中的行为数据处理方法的执行主体，在对动态事件进行识别时，可以通过深度学习算法识别出图像中的事故、施工标牌等信息来挖掘动态事件。具体可以将车载影像数据输入深度学习卷积神经网络算法模型中，进行动态事件识别。
步骤406、将识别结果作为动态事件特征。
在本实施例中，由于步骤405中使用的模型在之前的训练过程中，主要将注意力集中在动态事件相关的图像特征上，因此其输出的识别结果可以直接作为动态事件特征。
通过对车载影像数据中的动态事件进行识别，可以将得到的动态事件特征作为行车特征信息的一部分，进一步提高了行车特征信息的全面性。
步骤407、从车载影像数据中提取出路面图像数据。
在本实施例中，行为数据处理方法的执行主体可以首先从车载影像数据中，提取出与路面状况相关的路面图像数据，例如，可以从车载摄像头拍摄的视频或图像中，截取出道路路面所在的那部分画面，作为路面图像数据。
步骤408、对路面图像数据进行识别，得到路面状况特征。
在本实施例中，路面状况特征包括以下至少一项：路面磨损特征、路面湿滑特征、路面坑洼特征、路面障碍物特征。行为数据处理方法的执行主体可以利用深度学习算法处理路面图像数据，从而得到路面状况特征。
在本实施例的一些可选实现方式中，行为数据处理方法的执行主体可以将得到的车载影像数据直接输入基于深度学习的图像分类模型中，由于该模型在之前的训练过程中，主要将注意力集中在与路面状况相关的图像特征上，因此可以直接对车载影像数据进行识别，输出路面状况特征。
通过对车载影像数据中的路面状况进行识别，可以将得到的路面状况特征作为行车特征信息的一部分，进一步提高了行车特征信息的全面性。
进一步继续参考图5，其示出了根据本公开的一种自动驾驶车辆的控制方法的实施例的流程500，该控制方法包括以下步骤：
步骤501、获取行车特征信息。
在本实施例中，控制方法的执行主体(例如图1所示的自动驾驶车辆101)，可以从服务器端获取行车特征信息。该行车特征信息可以是服务器根据图2-图4中任一个实施例的行为数据处理方法得到的，行车特征信息可以包括变道位置特征、行驶速度特征、行驶路径特征、危险场景特征、动态事件特征和路面状况特征中的一项或多项。
步骤502、获取车端的感知定位信息。
在本实施例中，上述控制方法的执行主体还可以通过设置在车端的传感器，获取车端感知信息。其中，车端的传感器可以为点云传感器，也可以为图像传感器，点云传感器是可以采集点云数据的传感器，一般为3D(3-dimension，三维)传感器，点云传感器包括激光探测及测距(Light detection and ranging，Lidar)传感器和无线电探测及测距(radiodetection and ranging，Radar)传感器。图像传感器是可以采集图像的传感器，一般为2D(2-dimension，二维)传感器，例如摄像头(camera)传感器。在得到图像和点云数据后，可以通过感知定位算法模型获取感知定位信息，感知定位信息可以包括路面标线、障碍物等交通静态要素，车辆、行人等动态要素。
步骤503、基于行车特征信息和感知定位信息生成行车决策信息。
在本实施例中，控制方法的执行主体可以对行车特征信息和感知定位信息，执行多模态信息融合操作，并根据融合后的信息生成行车决策信息。行车决策信息可以用于指示自动驾驶车辆生成车辆行驶任务、进行行车路径规划或进行异常处理等。
在一些可选的实现方式中，可以基于预先制定的行车决策规则，对行车特征信息和感知定位信息进行融合，并生成行车决策信息。在另一些可选的实现方式中，还可以将行车特征信息和感知定位信息，输入深度学习多模态信息融合模型中，并通过模型推理出行车决策信息。
步骤504、基于行车决策信息，控制自动驾驶车辆。
在本实施例中，控制方法的执行主体可以基于生成的行车决策信息，控制自动驾驶车辆执行自动驾驶任务、进行路径规划和处理异常事件等。
在本实施例的一些可选实现方式中，控制方法600还包括获取车用无线通讯V2X信息；上述基于行车特征信息和感知定位信息生成行车决策信息，包括：基于行车特征信息、感知定位信息以及V2X信息生成行车决策信息。
在本实施例中，控制方法的执行主体还可以获取V2X信息，V2X(vehicle to X或Vehicle to Everything)是指车用无线通讯技术，也叫车联万物通信，它使得车辆获得实时路况、道路信息、行人信息等一系列交通信息，提高驾驶安全性、减少拥堵、提高交通效率等。其中V代表车辆，X代表任何与车交互信息的对象，当前X主要包含车(Vehicle toVehicle,V2V)、人(Vehicle to Pedestrian,V2P)、交通路侧基础设施(Vehicle toInfrastructure,V2I)和网络(Vehicle to Network,V2N)。V2X信息可以包括周围基础设施、其他车辆、行人等周围环境信息。
在生成行车决策信息时，可以对行车特征信息、感知定位信息以及V2X信息生成行车决策信息，执行多模态信息融合操作，并根据融合后的信息生成行车决策信息。具体的生成方法可以参考上述步骤603，在此不再赘述。
从图5中可以看出，本实施例的自动驾驶车辆的控制方法，首先获取行车特征信息和车端的感知定位信息，然后基于行车特征信息和感知定位信息生成行车决策信息，最后基于行车决策信息，控制自动驾驶车辆。通过将行车特征信息作为行车决策信息的生成基础，可以在参考行车历史大数据的基础上得到行车决策信息，提高自动驾驶的安全性。
为了便于理解，图6示出了可以实现本公开实施例的行车决策信息的生成流程的示意图。如图6所示，服务器通过对历史行车数据进行挖掘得到行车特征，具体可以包括变道位置特征、行驶速度特征、行驶路径特征、危险场景特征、动态事件特征和路面状况特征。自动驾驶车辆可以从服务器获取挖掘出的全部行车特征，并通过车端传感器获取车端感知信息，还可以通过路测设备获取V2X信息，接着将行车特征、车端感知信息、V2X信息进行多模态信息融合，得到包括任务决策、轨迹规划和异常处理的行车决策信息。
进一步参考图7，作为对上述图2-图4所示方法的实现，本公开提供了一种行为数据处理装置的一个实施例，该装置实施例与图2-图4所示的方法实施例相对应，该装置具体可以应用于服务器中。
如图7所示，本实施例的行为数据处理装置700可以包括获取模块701和挖掘模块702。其中，获取模块701，被配置为获取历史行车数据，历史行车数据包括车道级导航数据；挖掘模块702，被配置为对历史行车数据进行数据挖掘，得到行车特征信息，所述行车特征信息包括以下至少一项：变道位置特征、行驶速度特征、行驶路径特征。
在本实施例中，行为数据处理装置700中：获取模块701和挖掘模块702的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-202的相关说明，在此不再赘述。
在本实施例的一些可选实现方式中，历史行车数据还包括车载影像数据；行车特征信息包括以下至少一项：危险场景特征、动态事件特征、路面状况特征。
在本实施例的一些可选实现方式中，行车特征信息包括变道位置特征，挖掘模块702包括：第一获取单元，被配置为从车道级导航数据中获取多个变道场景下的变道数据，变道场景包括路口变道场景；流量分类单元，被配置为对于每个变道场景下的所述变道数据，按照车流量等级进行分类，得到多组变道数据；位置聚类单元，被配置为分别对每组变道数据进行变道位置聚类，得到多个变道位置特征，其中，每个变道位置特征对应一个变道场景下的一类车流量等级。
在本实施例的一些可选实现方式中，行车特征信息包括行驶速度特征，挖掘模块702包括：第二获取单元，被配置为从车道级导航数据中获取不同地理位置处的行驶速度数据；速度聚类单元，被配置为分别对每个地理位置处的行驶速度数据进行聚类，得到不同地理位置处的平均速度值，平均加速度值以及极值速度值，作为所述行驶速度特征。
在本实施例的一些可选实现方式中，行车特征信息包括行驶路径特征，挖掘模块702包括：第三获取单元，被配置为从车道级导航数据中获取行驶路径数据；路径分类单元，被配置为对行驶路径数据进行分类，得到推荐路径特征和危险路径特征，作为行驶路径特征。
在本实施例的一些可选实现方式中，行车特征信息包括危险场景特征，挖掘模块702包括：第四获取单元，被配置为从车载影像数据中提取出行车场景数据；场景分类单元，被配置为对行车场景数据进行分类，得到多个危险场景，多个危险场景包括弯道场景、巷道场景；特征确定单元，被配置为将每个危险场景下的图像特征，作为危险场景特征。
在本实施例的一些可选实现方式中，行车特征信息包括动态事件特征，挖掘模块702包括：事件识别单元，被配置为对车载影像数据中的动态事件进行识别，动态事件包括以下至少一项：施工事件、事故事件；事件确定单元，被配置为将识别结果作为动态事件特征。
在本实施例的一些可选实现方式中，行车特征信息包括路面状况特征，挖掘模块702包括：第五获取单元，被配置为从车载影像数据中提取出路面图像数据；路面识别单元，被配置为对路面图像数据进行识别，得到路面状况特征，路面状况特征包括以下至少一项：路面磨损特征、路面湿滑特征、路面坑洼特征、路面障碍物特征。
进一步参考图8，作为对上述图5所示方法的实现，本公开提供了一种自动驾驶车辆的控制装置的一个实施例，该装置实施例与图5所示的方法实施例相对应，该装置具体可以应用于自动驾驶车辆中。
如图8所示，本实施例的控制装置800可以包括第一获取模块801、第二获取模块802、决策模块803和控制模块804。其中，第一获取模块801，被配置为获取行车特征信息，其中，行车特征信息通过图7所示的行为数据处理装置得到；第二获取模块802，被配置为获取车端的感知定位信息；决策模块803，被配置为基于行车特征信息和感知定位信息生成行车决策信息；控制模块804，被配置为基于行车决策信息，控制自动驾驶车辆。
在本实施例中，控制装置800中：第一获取模块801、第二获取模块802、决策模块803和控制模块804的具体处理及其所带来的技术效果可分别参考图5对应实施例中的步骤501-504的相关说明，在此不再赘述。
控制装置800，还包括：第三获取模块，被配置为获取车用无线通讯V2X信息；决策模块803包括：决策单元，被配置为基于行车特征信息、感知定位信息以及V2X信息生成行车决策信息。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质、一种计算机程序产品和一种自动驾驶车辆。
图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图9所示，设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理，例如行为数据处理方法或自动驾驶车辆的控制方法。例如，在一些实施例中，行为数据处理方法或自动驾驶车辆的控制方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的行为数据处理方法或自动驾驶车辆的控制方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行行为数据处理方法或自动驾驶车辆的控制方法。
本公开所提供的自动驾驶车辆，可以包括如图9所示的上述电子设备，该电子设备可在其处理器执行时能够实现上述实施例所描述的确自动驾驶车辆的控制方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。服务器可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (24)

1.一种行为数据处理方法，所述方法包括：
获取历史行车数据，所述历史行车数据包括车道级导航数据；
对所述历史行车数据进行数据挖掘，得到行车特征信息，所述行车特征信息包括以下至少一项：变道位置特征、行驶速度特征、行驶路径特征。
2.根据权利要求1所述的方法，其中，所述历史行车数据还包括车载影像数据；
所述行车特征信息包括以下至少一项：危险场景特征、动态事件特征、路面状况特征。
3.根据权利要求1述的方法，其中，所述行车特征信息包括所述变道位置特征，所述对所述历史行车数据进行数据挖掘，得到行车特征信息，包括：
从所述车道级导航数据中获取多个变道场景下的变道数据，所述变道场景包括路口变道场景；
对于每个变道场景下的所述变道数据，按照车流量等级进行分类，得到多组变道数据；
分别对每组变道数据进行变道位置聚类，得到多个变道位置特征，其中，每个变道位置特征对应一个变道场景下的一类车流量等级。
4.根据权利要求1所述的方法，其中，所述行车特征信息包括所述行驶速度特征，所述对所述历史行车数据进行数据挖掘，得到行车特征信息，包括：
从所述车道级导航数据中获取不同地理位置处的行驶速度数据；
分别对每个地理位置处的行驶速度数据进行聚类，得到不同地理位置处的平均速度值，平均加速度值以及极值速度值，作为所述行驶速度特征。
5.根据权利要求1所述的方法，其中，所述行车特征信息包括所述行驶路径特征，所述对所述历史行车数据进行数据挖掘，得到行车特征信息，包括：
从所述车道级导航数据中获取行驶路径数据；
对所述行驶路径数据进行分类，得到推荐路径特征和危险路径特征，作为行驶路径特征。
6.根据权利要求2所述的方法，其中，所述行车特征信息包括所述危险场景特征，所述对所述历史行车数据进行数据挖掘，得到行车特征信息，包括：
从所述车载影像数据中提取出行车场景数据；
对所述行车场景数据进行分类，得到多个危险场景，所述多个危险场景包括弯道场景、巷道场景；
将每个危险场景下的图像特征，作为危险场景特征。
7.根据权利要求2所述的方法，其中，所述行车特征信息包括所述动态事件特征，所述对所述历史行车数据进行数据挖掘，得到行车特征信息，包括：
对所述车载影像数据中的动态事件进行识别，所述动态事件包括以下至少一项：施工事件、事故事件；
将识别结果作为动态事件特征。
8.根据权利要求2所述的方法，其中，所述行车特征信息包括所述路面状况特征，所述对所述历史行车数据进行数据挖掘，得到行车特征信息，包括：
从所述车载影像数据中提取出路面图像数据；
对所述路面图像数据进行识别，得到路面状况特征，所述路面状况特征包括以下至少一项：路面磨损特征、路面湿滑特征、路面坑洼特征、路面障碍物特征。
9.一种自动驾驶车辆的控制方法，所述方法包括：
获取行车特征信息，其中，所述行车特征信息通过如权利要求1-8任一项所述的方法得到；
获取车端的感知定位信息；
基于所述行车特征信息和所述感知定位信息生成行车决策信息；
基于所述行车决策信息，控制自动驾驶车辆。
10.根据权利要求9所述的方法，还包括：
获取车用无线通讯V2X信息；
所述基于所述行车特征信息和感知定位信息生成行车决策信息，包括：
基于所述行车特征信息、感知定位信息以及V2X信息生成行车决策信息。
11.一种行为数据处理装置，所述装置包括：
获取模块，被配置为获取历史行车数据，所述历史行车数据包括车道级导航数据；
挖掘模块，被配置为对所述历史行车数据进行数据挖掘，得到行车特征信息，所述行车特征信息包括以下至少一项：变道位置特征、行驶速度特征、行驶路径特征。
12.根据权利要求11所述的装置，其中，所述历史行车数据还包括车载影像数据；
所述行车特征信息包括以下至少一项：危险场景特征、动态事件特征、路面状况特征。
13.根据权利要求11所述的装置，其中，所述行车特征信息包括所述变道位置特征，所述挖掘模块包括：
第一获取单元，被配置为从所述车道级导航数据中获取多个变道场景下的变道数据，所述变道场景包括路口变道场景；
流量分类单元，被配置为对于每个变道场景下的所述变道数据，按照车流量等级进行分类，得到多组变道数据；
位置聚类单元，被配置为分别对每组变道数据进行变道位置聚类，得到多个变道位置特征，其中，每个变道位置特征对应一个变道场景下的一类车流量等级。
14.根据权利要求11所述的装置，其中，所述行车特征信息包括所述行驶速度特征，所述挖掘模块包括：
第二获取单元，被配置为从所述车道级导航数据中获取不同地理位置处的行驶速度数据；
速度聚类单元，被配置为分别对每个地理位置处的行驶速度数据进行聚类，得到不同地理位置处的平均速度值，平均加速度值以及极值速度值，作为所述行驶速度特征。
15.根据权利要求11所述的装置，其中，所述行车特征信息包括所述行驶路径特征，所述挖掘模块包括：
第三获取单元，被配置为从所述车道级导航数据中获取行驶路径数据；
路径分类单元，被配置为对所述行驶路径数据进行分类，得到推荐路径特征和危险路径特征，作为行驶路径特征。
16.根据权利要求12所述的装置，其中，所述行车特征信息包括所述危险场景特征，所述挖掘模块包括：
第四获取单元，被配置为从所述车载影像数据中提取出行车场景数据；
场景分类单元，被配置为对所述行车场景数据进行分类，得到多个危险场景，所述多个危险场景包括弯道场景、巷道场景；
特征确定单元，被配置为将每个危险场景下的图像特征，作为危险场景特征。
17.根据权利要求12所述的装置，所述行车特征信息包括所述动态事件特征，所述挖掘模块包括：
事件识别单元，被配置为对所述车载影像数据中的动态事件进行识别，所述动态事件包括以下至少一项：施工事件、事故事件；
事件确定单元，被配置为将识别结果作为动态事件特征。
18.根据权利要求12所述的装置，所述行车特征信息包括所述路面状况特征，所述挖掘模块包括：
第五获取单元，被配置为从所述车载影像数据中提取出路面图像数据；
路面识别单元，被配置为对所述路面图像数据进行识别，得到路面状况特征，所述路面状况特征包括以下至少一项：路面磨损特征、路面湿滑特征、路面坑洼特征、路面障碍物特征。
19.一种自动驾驶车辆的控制装置，所述装置包括：
第一获取模块，被配置为获取行车特征信息，其中，所述行车特征信息通过如权利要求11-18任一项所述的装置得到；
第二获取模块，被配置为获取车端的感知定位信息；
决策模块，被配置为基于所述行车特征信息和所述感知定位信息生成行车决策信息；
控制模块，被配置为基于所述行车决策信息，控制自动驾驶车辆。
20.根据权利要求19所述的装置，还包括：
第三获取模块，被配置为获取车用无线通讯V2X信息；
所述决策模块包括：
决策单元，被配置为基于所述行车特征信息、感知定位信息以及V2X信息生成行车决策信息。
21.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-10中任一项所述的方法。
22.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-10中任一项所述的方法。
23.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-10中任一项所述的方法。
24.一种自动驾驶车辆，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求9或10所述的方法。
CN202210556131.2A 2022-05-19 2022-05-19 行为数据处理方法、自动驾驶车辆的控制方法及自动驾驶车辆 Pending CN114771576A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210556131.2A CN114771576A (zh) 2022-05-19 2022-05-19 行为数据处理方法、自动驾驶车辆的控制方法及自动驾驶车辆
US18/151,718 US20230159052A1 (en) 2022-05-19 2023-01-09 Method for processing behavior data, method for controlling autonomous vehicle, and autonomous vehicle

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210556131.2A CN114771576A (zh) 2022-05-19 2022-05-19 行为数据处理方法、自动驾驶车辆的控制方法及自动驾驶车辆

Publications (1)

Publication Number Publication Date
CN114771576A true CN114771576A (zh) 2022-07-22

Family

ID=82408901

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210556131.2A Pending CN114771576A (zh) 2022-05-19 2022-05-19 行为数据处理方法、自动驾驶车辆的控制方法及自动驾驶车辆

Country Status (2)

Country Link
US (1) US20230159052A1 (zh)
CN (1) CN114771576A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115675533A (zh) * 2022-11-22 2023-02-03 广州万协通信息技术有限公司 基于历史行驶数据的车辆辅助驾驶控制方法及装置
CN117826763A (zh) * 2024-01-04 2024-04-05 苏州埃博斯电气有限公司 一种基于车联网的汽车信息智能采集管控系统及方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111497870A (zh) * 2019-01-14 2020-08-07 厦门歌乐电子企业有限公司 一种车辆越车道线行驶提醒装置及方法
CN111652153A (zh) * 2020-06-04 2020-09-11 北京百度网讯科技有限公司 场景自动识别方法、装置、无人车及存储介质
CN112512887A (zh) * 2020-07-21 2021-03-16 华为技术有限公司 一种行驶决策选择方法以及装置
CN112581763A (zh) * 2020-12-11 2021-03-30 北京百度网讯科技有限公司 道路事件检测的方法、装置、设备和存储介质
CN112634607A (zh) * 2019-09-24 2021-04-09 福特全球技术公司 基于车辆对外界(v2x)的实时车辆事故风险预测
CN112634655A (zh) * 2020-12-15 2021-04-09 北京百度网讯科技有限公司 基于车道线的变道处理方法、装置、电子设备及存储介质
WO2021146905A1 (zh) * 2020-01-21 2021-07-29 深圳元戎启行科技有限公司 基于深度学习的场景模拟器构建方法、装置和计算机设备
JP2022000376A (ja) * 2020-09-23 2022-01-04 阿波▲羅▼智▲聯▼（北京）科技有限公司 自動運転機能制御方法、装置、電子機器及び記憶媒体
CN114299712A (zh) * 2021-11-26 2022-04-08 腾讯科技（深圳）有限公司 一种数据处理方法、装置、设备以及可读存储介质
CN114415628A (zh) * 2021-12-28 2022-04-29 阿波罗智联(北京)科技有限公司 自动驾驶测试方法及装置、电子设备和存储介质
CN114428828A (zh) * 2022-01-17 2022-05-03 北京百度网讯科技有限公司 基于行驶轨迹挖掘新增道路方法、装置及电子设备

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111497870A (zh) * 2019-01-14 2020-08-07 厦门歌乐电子企业有限公司 一种车辆越车道线行驶提醒装置及方法
CN112634607A (zh) * 2019-09-24 2021-04-09 福特全球技术公司 基于车辆对外界(v2x)的实时车辆事故风险预测
WO2021146905A1 (zh) * 2020-01-21 2021-07-29 深圳元戎启行科技有限公司 基于深度学习的场景模拟器构建方法、装置和计算机设备
CN111652153A (zh) * 2020-06-04 2020-09-11 北京百度网讯科技有限公司 场景自动识别方法、装置、无人车及存储介质
CN112512887A (zh) * 2020-07-21 2021-03-16 华为技术有限公司 一种行驶决策选择方法以及装置
JP2022000376A (ja) * 2020-09-23 2022-01-04 阿波▲羅▼智▲聯▼（北京）科技有限公司 自動運転機能制御方法、装置、電子機器及び記憶媒体
CN112581763A (zh) * 2020-12-11 2021-03-30 北京百度网讯科技有限公司 道路事件检测的方法、装置、设备和存储介质
CN112634655A (zh) * 2020-12-15 2021-04-09 北京百度网讯科技有限公司 基于车道线的变道处理方法、装置、电子设备及存储介质
CN114299712A (zh) * 2021-11-26 2022-04-08 腾讯科技（深圳）有限公司 一种数据处理方法、装置、设备以及可读存储介质
CN114415628A (zh) * 2021-12-28 2022-04-29 阿波罗智联(北京)科技有限公司 自动驾驶测试方法及装置、电子设备和存储介质
CN114428828A (zh) * 2022-01-17 2022-05-03 北京百度网讯科技有限公司 基于行驶轨迹挖掘新增道路方法、装置及电子设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
崔胜民: "《现代机械工程系列精品教材 新工科普通高等教育汽车类系列教材 智能网联汽车技术》", 31 January 2021, 机械工业出版社, pages: 156 - 161 *
徐辉招: "《城市安全风险管理丛书 自动驾驶道路测试风险管理》", 31 December 2021, 同济大学出版社, pages: 196 - 205 *
黄妙华: "《智能车辆控制基础》", 30 September 2020, 机械工业出版社, pages: 142 - 144 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115675533A (zh) * 2022-11-22 2023-02-03 广州万协通信息技术有限公司 基于历史行驶数据的车辆辅助驾驶控制方法及装置
CN115675533B (zh) * 2022-11-22 2023-09-26 广州万协通信息技术有限公司 基于历史行驶数据的车辆辅助驾驶控制方法及装置
CN117826763A (zh) * 2024-01-04 2024-04-05 苏州埃博斯电气有限公司 一种基于车联网的汽车信息智能采集管控系统及方法

Also Published As

Publication number Publication date
US20230159052A1 (en) 2023-05-25

Similar Documents

Publication Publication Date Title
CN113240909B (zh) 车辆监测方法、设备、云控平台和车路协同系统
CN111739344B (zh) 一种预警方法、装置及电子设备
CN113421432B (zh) 交通限行信息检测方法、装置、电子设备和存储介质
CN112581763A (zh) 道路事件检测的方法、装置、设备和存储介质
US20180113477A1 (en) Traffic navigation for a lead vehicle and associated following vehicles
US20230159052A1 (en) Method for processing behavior data, method for controlling autonomous vehicle, and autonomous vehicle
CN111681417B (zh) 交通路口渠化调整方法和装置
CN111553319A (zh) 用于获取信息的方法和装置
CN115221722B (zh) 自动驾驶车辆的仿真测试方法、模型训练方法和设备
CN112249009A (zh) 车速控制方法、装置、系统及电子设备
CN113511204A (zh) 一种车辆换道行为识别方法及相关设备
CN115112138A (zh) 轨迹规划信息生成方法、装置、电子设备以及存储介质
CN114596704A (zh) 交通事件处理方法、装置、设备及存储介质
CN111814724B (zh) 车道数的识别方法、装置、设备及存储介质
CN116086477B (zh) 局部路径信息生成方法、装置、设备和计算机可读介质
CN117079458A (zh) 数据补偿模型的训练方法、车辆控制方法、装置及设备
CN114596706B (zh) 路侧感知系统的检测方法及装置、电子设备和路侧设备
CN114998863A (zh) 目标道路识别方法、装置、电子设备以及存储介质
CN113850297B (zh) 道路数据的监测方法、装置、电子设备及存储介质
US20220198325A1 (en) Method, apparatus, and computer program product for predicting a split lane traffic pattern
US11288957B2 (en) System and method for detecting one way driving using a heat map
CN114689061A (zh) 自动驾驶设备的导航路线处理方法、装置及电子设备
CN115294764B (zh) 人行横道区域确定方法、装置、设备及自动驾驶车辆
CN113947897B (zh) 获取道路交通状况的方法、装置、设备及自动驾驶车辆
CN116168366B (zh) 点云数据生成方法、模型训练方法、目标检测方法和装置

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