CN115205797A - 一种无人驾驶车辆工作状态监控方法及装置 - Google Patents

Abstract

本发明涉及车辆驾驶控制技术领域，具体涉及一种无人驾驶车辆工作状态监控方法及装置。该方法首先获取无人驾驶车辆的状态变化二元组；基于状态变化二元组，从多个无人驾驶车辆筛选出存疑车辆；选取任意存疑车辆作为目标车辆，并选取目标车辆对应的可参考车辆；基于可参考车辆与目标车辆的距离、可参考车辆与目标车辆的状态变化二元组的变化相似度和可参考车辆的数量，计算目标车辆的异常概率；基于异常概率监控存疑车辆的状态。本发明基于无人驾驶车辆的行驶状态从多个无人驾驶车辆中筛选出存疑车辆，计算存疑车辆的异常概率，基于异常概率监控存疑车辆的状态，实现了在环境影响较为严重的情况下对无人驾驶车辆的监控。

Description

一种无人驾驶车辆工作状态监控方法及装置

技术领域

本发明涉及车辆驾驶控制技术领域，具体涉及一种无人驾驶车辆工作状态监控方法及装置。

背景技术

无人驾驶车辆也称智能车、无人自动驾驶车或轮式移动机器人。无人驾驶车辆是一个集环境感知、规划决策和多等级辅助驾驶等功能于一体综合系统，利用传感器技术、信号处理技术、通讯技术和计算机技术等，通过集成视觉、激光雷达、超声传感器、微波雷达、GPS等多种车载传感器来辨识汽车所处的环境和状态，并根据所获得的道路信息、车辆位置和障碍物信息作出分析和判断，以便无人驾驶车辆发出熄火或者继续行驶的指令，故根据无人驾驶车辆的行驶状态对其状态进行监控，以保证无人驾驶车辆的所载人物或者货物的安全。

目前，常见的对无人驾驶车辆的状态进行监控的方法为，基于目标车辆的视频数据和运维数据确定目标车辆的世界坐标，基于运维数据中的全局路径信息确定目标车辆的理论运行范围，在世界坐标没有位于理论运行范围内的情况下，发出指令控制目标车辆停车熄火的监管控制命令。该方法受环境的影响较大，如在尘土较大、无人驾驶车辆发生较大震动，导致无法实时获得无人驾驶车辆的视频图像或者获得的视频图像质量较差时，难以判断目标车辆的位置，进而难以实现对目标车辆的监控。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种无人驾驶车辆工作状态监控方法及装置，所采用的技术方案具体如下：

第一方面，本发明一个实施例提供了一种无人驾驶车辆工作状态监控方法，该方法包括以下步骤：

获取无人驾驶车辆的状态二元组；根据相邻时刻的状态二元组的差异得到状态变化二元组；

基于状态变化二元组，对多个所述无人驾驶车辆进行分类，得到正常车辆类别和初始存疑车辆类别；基于无人驾驶车辆的状态二元组与预设正常状态二元组的相似程度，对所述初始存疑车辆类别内的无人驾驶车辆进行分类，得到异常车辆和存疑车辆；

选取任意存疑车辆作为目标车辆，从其他存疑车辆中选取目标车辆对应的可参考车辆；根据所述可参考车辆与所述目标车辆之间的距离、所述可参考车辆与所述目标车辆的状态二元组的相似程度和可参考车辆的状态二元组的离散系数，得到可参考车辆的目标参考性；计算可参考车辆与所述目标车辆的状态变化二元组的变化相似度，所述目标参考性和所述变化相似度加权求和得到可参考车辆的调节相似度；

根据所述目标车辆对应的可参考车辆的数量、可参考车辆与目标车辆的最近距离、可参考车辆的调节相似度，计算目标车辆的异常概率；基于所述异常概率监控所述存疑车辆。

优选的，所述无人驾驶车辆的状态二元组，包括：无人驾驶车辆的行驶速度和震动幅度。

优选的，所述根据相邻时刻的状态二元组的差异得到状态变化二元组，包括：

相邻时刻的两个状态二元组的数值差异作为状态变化二元组的第一个元素；相邻时刻的两个状态二元组的方向差异作为状态变化二元组的第二个元素；由所述第一个元素和所述第二个元素构成所述状态变化二元组。

优选的，所述基于状态变化二元组，对多个所述无人驾驶车辆进行分类，得到正常车辆类别和初始存疑车辆类别，包括：

计算各无人驾驶车辆对应的状态变化二元组之间的变化相似度，将所述变化相似度大于预设第一相似度阈值的无人驾驶车辆分至同一类别，得到多个类别；将类别内无人驾驶车辆数量最多的类别作为正常车辆类别；除所述正常车辆类别外的其他类别合并为初始存疑车辆类别。

优选的，所述基于无人驾驶车辆的状态二元组与预设正常状态二元组的相似程度，对所述初始存疑车辆类别内的无人驾驶车辆进行分类，得到异常车辆和存疑车辆，包括：

计算初始存疑车辆类别内无人驾驶车辆的状态变化二元组与正常状态变化二元组的余弦相似度；将余弦相似度小于预设第二相似度阈值的无人驾驶车辆作为异常车辆，将余弦相似度大于等于预设第二相似度阈值的无人驾驶车辆作为存疑车辆。

优选的，所述从其他存疑车辆中选取目标车辆对应的可参考车辆，包括：

记录目标车辆从正常车辆类别分至所述初始存疑车辆类别的时刻所对应的位置作为存疑区域；当所述目标车辆驶过存疑区域后，在预设固定时间内驶过所述存疑区域，且与目标车辆的距离在预设固定距离内的其他存疑车辆，作为目标车辆对应的可参考车辆。

优选的，所述根据所述可参考车辆与所述目标车辆之间的距离、所述可参考车辆与所述目标车辆的状态二元组的相似程度和可参考车辆的状态二元组的离散系数，得到可参考车辆的目标参考性，包括：

基于所述可参考车辆与所述目标车辆之间的距离，对所述可参考车辆进行排序得到各所述可参考车辆的第一序号，根据所述可参考车辆与目标车辆的状态二元组的相似程度对所述可参考车辆进行排序得到各所述可参考车辆的第二序号，可参考车辆的所述第一序号和所述第二序号的差值为差异性，最大差异性和所述可参考车辆的差异性的差值作为可参考车辆的第一参考性；

由所述可参考车辆的相邻时刻的多个状态二元组的相似度构建相似度序列，获取所述相似度序列的离散系数，将所述第一参考性与所述离散系数的差值作为可参考车辆的第二参考性；将所述第一参考性和所述第二参考性中较小的数值作为可参考车辆的目标参考性。

优选的，所述根据所述目标车辆对应的可参考车辆的数量、可参考车辆与所述目标车辆的最近距离、可参考车辆的调节相似度，计算目标车辆的异常概率，包括：

所述目标车辆的异常概率的计算公式为：

其中，

为所述目标车辆的异常概率；

为所述目标车辆对应的可参考车辆的数量；

为第

个可参考车辆与所述目标车辆的最近距离；

为第

个可参考车辆的目标参考性；

为第

个可参考车辆与目标车辆A的状态变化二元组的变化相似度；

为第

个可参考车辆的调节相似度。

优选的，所述基于所述异常概率监控所述存疑车辆，包括：

将所述异常概率大于预设环境异常阈值的存疑车辆作为正常车辆；将所述异常概率小于等于预设环境异常阈值的存疑车辆作为自身异常车辆，对所述自身异常车辆停车熄火。

第二方面，本发明一个实施例提供了一种无人驾驶车辆工作状态监控装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种无人驾驶车辆工作状态监控方法。

本发明实施例至少具有如下有益效果：

本发明获取无人驾驶车辆的状态变化二元组；基于状态变化二元组，从多个无人驾驶车辆筛选出存疑车辆；通过计算各无人驾驶车辆之间的状态变化二元组的一致性，得到状态存疑的初始存疑类别，通过计算初始存疑类别内无人驾驶车辆的相似程度，对初始存疑类别内的车辆进行划分，得到异常车辆和存疑车辆，以便于后续仅对存疑车辆进行判断，减少了对所有车辆进行后续判断的计算量。

选取任意存疑车辆作为目标车辆，并选取目标车辆对应的可参考车辆；基于可参考车辆与目标车辆的距离、可参考车辆与目标车辆的状态变化二元组的变化相似度和可参考车辆的数量，计算目标车辆的异常概率；实现了结合复杂的环境，通过不同时刻存疑车辆之间的距离、数量和状态变化二元组之间变化相似程度等相关信息计算存疑车辆由环境导致异常的异常概率，对由于环境导致的参数异常和无人驾驶车辆自身存在的异常进行区分。本发明基于无人驾驶车辆的行驶状态从多个无人驾驶车辆中筛选出存疑车辆，计算存疑车辆的异常概率，基于异常概率监控存疑车辆的状态，实现了在环境影响较为严重的情况下对无人驾驶车辆的监控。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种无人驾驶车辆工作状态监控方法的方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种无人驾驶车辆工作状态监控方法及装置，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

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发明的技术领域的技术人员通常理解的含义相同。

本发明实施例提供了一种无人驾驶车辆工作状态监控方法及装置的具体实施方法，该方法适用于无人驾驶车辆监控场景。该场景了有多个无人驾驶车辆，每个无人驾驶车辆上安装有速度传感器、震动传感器和GPS，速度传感器和震动传感器用于采集无人驾驶车辆的行驶速度和震动幅度，GPS用于采集无人驾驶车辆的实时位置；同时，每个无人驾驶车辆均有避障系统，在有较大障碍物的情况下会进行绕行。为了解决无人驾驶车辆在环境影响较大的情况下，难以实时获取无人驾驶车辆的视频图像和当前位置，进而导致难以实现对车辆的监控的问题。本发明基于无人驾驶车辆的行驶状态从多个无人驾驶车辆中筛选出存疑车辆，计算存疑车辆的异常概率，基于异常概率监控存疑车辆的状态，实现了在环境影响较为严重的情况下对无人驾驶车辆的监控。

下面结合附图具体的说明本发明所提供的一种无人驾驶车辆工作状态监控方法及装置的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种无人驾驶车辆工作状态监控方法的步骤流程图，该方法包括以下步骤：

步骤S100，获取无人驾驶车辆的状态二元组；根据相邻时刻的状态二元组的差异得到状态变化二元组。

对于无人驾驶车辆来说，当车辆出现异常时，往往表现为速度异常和震动异常。因此，通过在所有的无人驾驶车辆上安装相应的速度传感器和震动传感器，来对每个无人驾驶车辆的行驶速度v和无人驾驶车辆的震动幅度f进行采集。由行驶速度和震动幅度构成无人驾驶车辆的状态二元组（v,f），状态二元组即为无人驾驶车辆的状态数据。行驶速度v表示的是水平速度大小，震动幅度f表示的是车辆震动幅度大小。考虑到无人驾驶车辆在无异常时也存在一些震动，因此本发明对震动传感器输出的震动幅度数据进行高斯滤波，去除无异常情况下震动的影响。

环境对无人驾驶车辆的状态的影响主要分为两种情况：第一种情况是整体环境的变化使得所有无人驾驶车辆的状态均改变相近的程度，第二种情况是局部环境的变化使得经过局部异常区域的无人驾驶车辆的状态发生变化。

通过大多数无人驾驶车辆的状态变化量与单个无人驾驶车辆的状态变化量的比较，得到单个无人驾驶车辆是否存在异常。当某个无人驾驶车辆a存在异常时，如果其他无人驾驶车辆距离无人驾驶车辆a发生异常的区域较近时也发生异常，较大概率是存在局部异常区域导致的。无人驾驶车辆的状态变化量是指无人驾驶车辆在当前时刻与上一个时刻的状态二元组的改变量，可直接计算每个无人驾驶车辆当前时刻的状态二元组与上一个时刻的状态二元组的对应位置元素的差值得到行驶速度和震动幅度的变化值二元组，称之为状态变化量，也称之为状态变化二元组。

由于实际中往往只是少数的无人驾驶车辆自身出现异常，多个无人驾驶车辆同时出现自身异常的概率较小，因此可以通过大多数无人驾驶车辆的状态变化量与单个无人驾驶车辆的状态变化量的比较，得到单个无人驾驶车辆是否存在异常。由于需要通过状态变化二元组来比较，但状态变化二元组是一个二元组，直接计算余弦相似度，存在较大误差。例如：对于车辆而言，行驶速度变化和震动幅度变化是两种不同的状态变化，当前的状态变化二元组是一个二元组，因此可能导致两个车辆，一个车辆的行驶速度变化较大，另一个车辆的震动幅度变化较大，但计算得到的状态变化二元组相近，进而误认为这两个车辆的状态变化相近，为了解决这种误差，本发明通过用变化方向来对这种误差进行规避，结合一个标量形式的状态变化二元组来对状态改变进行描述。

优选的，该无人驾驶车辆的状态变化二元组的构建步骤为：将行驶速度和震动幅度看作是二元坐标系中的横轴和纵轴，则无人驾驶车辆每个时刻的状态二元组对应二元坐标系中的一个坐标点，用不同时刻的坐标点之间的矢量的大小和方向作为每个车辆的状态改变的二元描述子，该二元描述子也即状态变化二元组。用

表示

时刻无人驾驶车辆的状态二元组，用

表示t时刻无人驾驶车辆的状态二元组。以相邻时刻的两个状态二元组的数值差异作为状态变化二元组的第一个元素；相邻时刻的两个状态二元组的方向差异作为状态二元组的第二个元素；由第一个元素和第二个元素构成状态变化二元组。

状态变化二元组的第一个元素u的计算公式为：

其中，

为t时刻无人驾驶车辆的行驶速度；

为t-1时刻无人驾驶车辆的行驶速度；

为t时刻无人驾驶车辆的震动幅度；

为t-1时刻无人驾驶车辆的震动幅度。

状态变化二元组的第二个元素r的计算公式为：

其中，

为t时刻无人驾驶车辆的行驶速度；

为t-1时刻无人驾驶车辆的行驶速度；

为t时刻无人驾驶车辆的震动幅度；

为t-1时刻无人驾驶车辆的震动幅度；

为正切函数。

通过得到当前时刻t和前一时刻t-1的状态的变化值u和变化方向r，形成一个二元描述子作为状态变化二元组，表示时刻t与时刻t-1两个时刻的状态的改变。状态变化二元组中任意一个元素值较大，即对应的两个时刻之间无人驾驶车辆的状态变化较大，反之，若状态变化二元组中元素值较小，则对应的两个时刻之间无人驾驶车辆的状态变化较小。

通过无人驾驶车辆的相邻时刻的状态二元组的差异得到无人驾驶车辆的状态变化二元组，根据状态变化二元组对无人驾驶车辆是否存在异常进行进一步的判断。

步骤S200，基于状态变化二元组，对多个所述无人驾驶车辆进行分类，得到正常车辆类别和初始存疑车辆类别；基于无人驾驶车辆的状态二元组与预设正常状态二元组的相似程度，对所述初始存疑车辆类别内的无人驾驶车辆进行分类，得到异常车辆和存疑车辆。

环境对无人驾驶车辆的状态变化二元组的影响主要分为两种情况：第一种情况是整体环境的变化使得所有无人驾驶车辆的状态均改变相近的程度，例如：下了雨使得行驶路面变得泥泞，导致所有无人驾驶车辆的速度变慢，第二种情况是局部环境的变化使得经过该区域的无人驾驶车辆的状态发生变化，例如：某个区域存在不能被识别的较小障碍物在地面上，导致当车辆经过该区域时，行驶速度变慢且震动幅度变大。对于第一种情况来说，容易区分无人驾驶车辆是否确实自身状态存在问题，如果某个无人驾驶车辆存在问题，则该无人驾驶车辆的状态变化二元组大于大部分无人驾驶车辆的状态变化二元组，通过这个性质进行区分。对于第二种情况，当检测到某个无人驾驶车辆状态异常时，可能是该无人驾驶车辆正处于局部的变化区域中，此时要分辨该无人驾驶车辆是否自身存在异常，可以通过该区域的无人驾驶车辆h是否产生了相近的状态变化，如果通过该区域的其他无人驾驶车辆也产生了相近变化，则该无人驾驶车辆h自身正常的概率较大，如果通过该区域的其他无人驾驶车辆没有变化，则该无人驾驶车辆h自身存在异常的概率较大。由于不同无人驾驶车辆虽然有原先设置的行驶路线，但在实际过程中为了躲避障碍物等原因，会导致实际路线可能偏离原始路线，因此每个无人驾驶车辆的线路不是一个单纯的简单重复，每次行驶路线的起点和终点相同，但最终的行驶路线可能存在差异。首先对第一种情况进行计算，如果所有无人驾驶车辆均存在较大的状态变化，则认为此时出现了第一种情况，如果此时某个无人驾驶车辆的状态变化二元组异常，也即和大部分无人驾驶车辆的状态变化二元组相差较大，则认为这些无人驾驶车辆为状态存疑的无人驾驶车辆，是否为无人驾驶车辆自身存在异常需要进一步分析；同样的，如果大部分无人驾驶车辆都没有较大的状态变化，只有某几个无人驾驶车辆有较大的状态变化，则认为这些无人驾驶车辆为状态存疑无人驾驶车辆，是否为无人驾驶车辆自身存在异常需要进一步分析。

首先通过计算得到每个无人驾驶车辆的状态变化二元组，通过状态变化二元组的相似性对无人驾驶车辆进行分类，得到正常车辆类别和初始存疑车辆类别，具体的：计算各无人驾驶车辆对应的状态变化二元组之间的变化相似度，将变化相似度大于预设第一相似度阈值的无人驾驶车辆分至同一类别，得到多个类别；将类别内无人驾驶车辆数量最多的类别作为正常车辆类别；除正常车辆类别外的其他类别合并为初始存疑车辆类别。在本发明实施例中预设第一相似度阈值的取值为0.8，在其他实施例中实施者可根据实际情况调整该取值。

通过计算状态变化二元组异常的车辆得到了状态存疑的初始存疑车辆类别，将初始存疑车辆类别内的无人驾驶车辆的状态变化二元组与正常状态变化二元组的相似程度作为状态存疑的无人驾驶车辆的异常程度，对于异常程度较大的无人驾驶车辆，作为异常车辆，对异常车辆直接熄火，避免异常车辆的继续行驶发生危险；异常程度较小的作为存疑车辆，需要通过进一步分析，判断是车辆存在异常还是由于环境影响导致的状态异常。异常程度小，对应的风险也较小，如果直接熄火，容易破坏无人驾驶车辆原本的工作进度，需要对车辆路线进行重新规划，延误进度，因此对于异常程度小的车辆，不用直接熄火，而是对其进行进一步的分析判断。

根据异常程度对初始存储车辆类别内的无人驾驶车辆进行分类，得到异常车辆和存疑车辆，具体的：计算初始存疑车辆类别内的无人驾驶车辆的状态变化二元组与正常状态变化二元组的余弦相似度，该余弦相似度即为无人驾驶车辆的异常程度，将余弦相似度小于预设第二相似度阈值的无人驾驶车辆作为异常车辆，将余弦相似度大于等于预设第二相似度阈值的无人驾驶车辆作为存疑车辆。其中，正常状态变化二元组的构建方法为：正常车辆类别内所有无人驾驶车辆的状态变化二元组的第一个元素求均值，得到预设正常状态变化二元组的第一个元素，正常车辆类别内所有无人驾驶车辆的状态变化二元组的第二个元素求均值，得到预设正常状态变化二元组的第二个元素，进而得到正常状态变化二元组。在本发明实施例中预设第二相似度阈值的取值为0.6，在其他实施例中实施者可根据实际情况调整该取值。将余弦相似度作为无人驾驶车辆是否异常的衡量指标，对于异常车辆直接熄火；而存疑车辆有可能是由于环境导致的，对其进行后续判断。

步骤S300，选取任意存疑车辆作为目标车辆，从其他存疑车辆中选取目标车辆对应的可参考车辆；根据所述可参考车辆与所述目标车辆之间的距离、所述可参考车辆与所述目标车辆的状态二元组的相似程度和可参考车辆的状态二元组的离散系数，得到可参考车辆的目标参考性；计算可参考车辆与所述目标车辆的状态变化二元组的变化相似度，所述目标参考性和所述变化相似度加权求和得到可参考车辆的调节相似度。

无人驾驶车辆被检测认为是状态存疑的存疑车辆，有两种情况：一种是该车辆确实是自身出现了异常，另一种是该车辆本身不存在异常，但是该无人驾驶车辆所在的线路上存在部分区域为异常区域，该异常区域是指环境复杂，存在较小障碍物的异常区域。当无人驾驶车辆行驶到异常区域时，由于障碍物较小，避障系统不会识别为障碍物，但会对无人驾驶车辆的速度和震动参数造成影响，此时需要判断该存疑车辆是由于自身异常导致的状态参数异常，还是由于行驶到异常区域而导致的异常；如果是自身导致的异常，则当其它无人驾驶车辆经过该区域时，其它的无人驾驶车辆不会存在异常；否则，其它无人驾驶车辆经过该区域时，也会产生异常。因此，可以通过分析当其它存疑车辆经过存在异常的存疑车辆经过状态存疑的路段时，是否产生了相近的状态变化量来区分。需要说明的是，为了提高效率往往采用多个无人驾驶车辆相互协作的方式来进行工作，因此不同无人驾驶车辆的路线之间的重复度较高。

异常区域是指由于行驶环境复杂，有较小障碍物散落且避障系统没有识别出障碍物的区域；当无人驾驶车辆行驶到异常区域时，行驶速度和震动频率均会偏离正常值，由于异常区域的大小和范围不能确定，因此只能通过无人驾驶车辆经过该区域时，若大部分车辆均发生了异常，较大概率存在异常区域，故在该区域参数异常的车辆大概率是由于环境影响导致的，而并且是车辆自身出现了故障。

如a、b和c为三个存疑车辆，以无人驾驶车辆b从正常车辆类别分至初始存疑车辆类别的时刻作为异常时刻，通过无人驾驶车辆b上的GPS获取在异常时刻无人驾驶车辆b所对应的存疑区域的坐标信息，也即把该异常时刻无人驾驶车辆b所处的位置作为存疑区域；也可以说从存疑车辆中任意选取一个无人驾驶车辆作为目标车辆，记录目标车辆从正常车辆类别分至初始存疑车辆类别的时刻所对应的位置作为存疑区域。无人驾驶车辆b从正常车辆类别分至初始存疑车辆类别的时刻的状态发生改变，可以通过计算其他车辆a和c经过该存疑区域时是否也会有相近的状态变化量，进而判断无人驾驶车辆b是不是由于环境导致的异常。当后面的存疑车辆a经过存疑车辆b对应的异常区域时，存疑车辆a与存疑车辆b的距离越近，且状态变化量变化越接近时，存疑车辆b对应的存疑区域为异常区域的概率越大，存疑车辆b是由于环境异常导致的状态异常的概率越大；当经过存疑区域的车辆发生异常的越多，则该存疑区域为异常区域的概率越大，存疑车辆b由于环境导致异常的概率越大；当经过的存疑车辆a在存疑区域附近产生异常且状态变化量和存疑车辆b的状态变化量越接近，该存疑车辆由环境导致异常的概率越大。

选取任意存疑车辆作为目标车辆，记录目标车辆从正常车辆类别分至初始存疑车辆类别的时刻所对应的位置作为存疑区域；当目标车辆驶过存疑车辆后，在预设固定时间内驶过该存疑区域且与目标车辆的距离在预设固定距离内的其他存疑车辆，作为目标车辆对应的可参考车辆。在本发明实施例中预设固定时间为5分钟，预设固定距离为10米，在其他实施例中实施者可根据实际情况调整该取值，如预设固定时间可以根据无人驾驶车辆的运行频率由实施者进行设置。可参考车辆和目标有较大概率是由于同一个异常区域导致的。

若存疑区域为异常区域，则目标车辆与可参考车辆的距离越接近，目标车辆与可参考车辆的状态变化量应该越相似；如果存在距离目标车辆较远的可参考车辆，反而比距离目标车辆较近的可参考车辆的状态变化量的相近程度更大，则较大概率是该距离目标车辆较远的可参考车辆自身存在异常，则该距离较远可参考车辆的第一参考性较小，第一参考性是指通过该可参考车辆得到目标车辆被环境影响导致参数异常的概率。

如果可参考车辆d之前的状态二元组很稳定，几乎没有什么变化，该车辆d在行驶到目标车辆对应的存疑区域时，状态二元组突然发生变化，则该存疑区域是异常区域的概率较大；如果可参考车辆e之前的状态二元组虽然变化不是很大，但一直在变化，而可参考车辆e行驶到目标车辆的存疑路段时，状态二元组突然发生变化，与可参考车辆d相比，可参考车辆e的参考价值明显较小，将这个参考价值作为第二参考性。

通过第一参考性和第二参考性对不同可参考车辆的参考性及性能计算，从中筛选出可参考车辆对应的目标参考性，通过将每个可参考车辆的目标参考性作为每个可参考车辆的权重参数来实现后续计算。

其中，可参考车辆的第一参考性的获取方法为：基于可参考车辆与目标车辆之间的距离的大小，对可参考车辆进行升序排序，从距离最小到距离最大依次对各可参考车辆赋予排名序号，得到各可参考车辆的第一序号，第一序号也即距离排名序号；然后根据可参考车辆与目标车辆的状态二元组的相似程度的大小，对可参考车辆进行升序排序，从相似程度最小到相似程度最大对各可参考车辆赋予排名序号，得到各可参考车辆的第二序号，第二序号也即相似程度排名序号；需要说明的是，这里的可参考车辆和目标车辆的状态二元组的相似程度为两个状态二元组的余弦相似度，也即该余弦相似度作为可参考车辆和目标车辆的状态二元组的相似程度；计算可参考车辆的第一序号和第二序号的差值为差异性，差值越大，可参考性越小；获取多个差异性中的最大差异性，最大差异性和可参考车辆的差异性的差值作为可参考车辆的第一参考性；对该第一参考性进行归一化，将第一参考性更新为归一化后的第一参考性。

其中，可参考车辆的第二参考性的获取方法为：由可参考车辆的相邻时刻的多个状态二元组的相似度构建相似度序列，也即计算每个可参考车辆的后一时刻与前一时刻的状态二元组，构成一个状态二元组序列，计算状态二元组序列中相邻的状态二元组的相似度，得到可参考车辆对应的相似度序列，获取相似度序列的离散系数，将第一参考性与离散次数的差值作为可参考车辆的第二参考性。需要说明的是，需要对离散系数进行归一化，将离散系数更新为归一化后的离散系数。离散系数是指一个序列的标准差与均值的比值，可以表示序列中值的波动程度，在本发明实施例中可以用于表示每个可参考车辆的状态稳定程度，离散系数越小，状态稳定程度越高，因此计算第一参考性与离散系数的差值，将差值作为更新后的状态稳定程度，状态稳定程度越大，则对应的可参考车辆的参考性越大，将该状态稳定程度作为可参考车辆的第二参考性。将第一参考性和第二参考性中较小的数值作为可参考车辆的目标参考性。选择较小的数值是为了减小误差，避免由于选择了可参考车辆的较大参考性的值作为目标参考性，给目标车辆的概率计算带来较大误差。

在得到每个可参考车辆的目标参考性之后，计算可参考车辆与目标车辆的状态变化二元组的变化相似度，目标参考性和变化相似度加权求和得到可参考车辆的调节相似度，也即根据可参考车辆的目标参考性对可参考车辆与目标车辆的相似度进行调节，目标参考性越大的，对目标车辆的异常情况判断的参考性越大。

步骤S400，根据所述目标车辆对应的可参考车辆的数量、可参考车辆与目标车辆的最近距离、可参考车辆的调节相似度，计算目标车辆的异常概率；基于所述异常概率监控所述存疑车辆。

根据步骤S300得到目标参考性和调节相似度之后，计算目标车辆由于环境导致异常的异常概率。在对应的调节相似度越大的情况下，目标车辆对应的可参考车辆的数量越多，其对应的异常概率的准确性越高；故可通过可参考车辆的数量调节目标车辆由于环境导致的异常概率；可参考车辆与目标车辆的距离、可参考车辆与目标车辆的状态变化二元组的变化相似度可以用于判断可参考车辆与目标车辆的在同一区域下的状态差异，当同一区域下的状态差异越小，也即状态变化二元组的变化相似度越大，则目标车辆是由于环境而导致的异常概率越大；以目标参考性作为权重，计算各可参考区域的调节相似度，该调节相似度相对于变化相似度来说，在目标参考性的调节下可以更准确的反映各可参考车辆与目标车辆的差异。

该目标车辆的异常概率

的计算公式为：

其中，

为目标车辆对应的可参考车辆的数量；

第

个可参考车辆与目标车辆的最近距离；

为第

个可参考车辆的目标参考性；

为第

可参考车辆与目标车辆A的状态变化二元组的变化相似度；

为第

个可参考车辆的调节相似度。

该目标车辆的异常概率为由环境导致的异常概率，而非目标车辆的车辆本身的异常概率。该目标车辆的异常概率的计算公式中可参考车辆与目标车辆的状态变化二元组的变化相似度越大，则该目标车辆的异常概率越大，以目标参考性作为权重根据参考性的大小调节了变化相似度；可参考车辆与目标车辆的最近距离越近，且调节相似度越大，则目标车辆是由于环境导致的异常概率则越大；且当可参考车辆与目标车辆的调节相似度越大，且可参考车辆的数量越多，则目标车辆是由于环境导致的异常概率则越大。

可以得到每个存疑车辆对应的由于环境导致异常的异常概率，基于异常概率监控存疑车辆，具体的：将异常概率大于预设环境异常阈值的存疑车辆作为正常车辆，认为其发生异常是由于环境导致的异常，使正常车辆继续运行；将异常概率小于等于预设环境异常阈值的存疑车辆作为自身异常车辆，对自身异常车辆采取停车熄火，并发出预警信息通知相关的技术人员进行检修。在本发明实施例中预设环境异常阈值的取值为0.7，在其他实施例中实施者可根据实际情况调整该取值。

综上所述，本发明涉及车辆驾驶控制技术领域。该方法首先获取无人驾驶车辆的状态二元组和对应的状态变化二元组；基于状态变化二元组，对多个无人驾驶车辆进行分类得到异常车辆和存疑车辆；选取任意存疑车辆作为目标车辆，并选取目标车辆对应的可参考车辆；根据可参考车辆与目标车辆之间的距离、可参考车辆与目标车辆的状态二元组的相似程度和可参考车辆的状态二元组的离散系数，得到可参考车辆的目标参考性；计算可参考车辆与目标车辆的状态变化二元组的变化相似度，目标参考性和变化相似度加权求和得到可参考车辆的调节相似度；根据目标车辆对应的可参考车辆的数量、可参考车辆与目标车辆的最近距离、可参考车辆的调节相似度，计算目标车辆的异常概率；基于异常概率监控存疑车辆的状态。本发明基于无人驾驶车辆的行驶状态从多个无人驾驶车辆中筛选出存疑车辆，计算存疑车辆的异常概率，基于异常概率监控存疑车辆的状态，实现了在环境影响较为严重的情况下对无人驾驶车辆的监控。

本发明实施例还提出了一种无人驾驶车辆工作状态监控装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。由于一种无人驾驶车辆工作状态监控方法在上述给出了详细描述，不再赘述。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种无人驾驶车辆工作状态监控方法，其特征在于，该方法包括以下步骤：

获取无人驾驶车辆的状态二元组；根据相邻时刻的状态二元组的差异得到状态变化二元组；

基于状态变化二元组，对多个所述无人驾驶车辆进行分类，得到正常车辆类别和初始存疑车辆类别；基于无人驾驶车辆的状态二元组与预设正常状态二元组的相似程度，对所述初始存疑车辆类别内的无人驾驶车辆进行分类，得到异常车辆和存疑车辆；

选取任意存疑车辆作为目标车辆，从其他存疑车辆中选取目标车辆对应的可参考车辆；根据所述可参考车辆与所述目标车辆之间的距离、所述可参考车辆与所述目标车辆的状态二元组的相似程度和可参考车辆的状态二元组的离散系数，得到可参考车辆的目标参考性；计算可参考车辆与所述目标车辆的状态变化二元组的变化相似度，所述目标参考性和所述变化相似度加权求和得到可参考车辆的调节相似度；

根据所述目标车辆对应的可参考车辆的数量、可参考车辆与目标车辆的最近距离、可参考车辆的调节相似度，计算目标车辆的异常概率；基于所述异常概率监控所述存疑车辆。

2.根据权利要求1所述的一种无人驾驶车辆工作状态监控方法，其特征在于，所述无人驾驶车辆的状态二元组，包括：无人驾驶车辆的行驶速度和震动幅度。

3.根据权利要求1所述的一种无人驾驶车辆工作状态监控方法，其特征在于，所述根据相邻时刻的状态二元组的差异得到状态变化二元组，包括：

相邻时刻的两个状态二元组的数值差异作为状态变化二元组的第一个元素；相邻时刻的两个状态二元组的方向差异作为状态变化二元组的第二个元素；由所述第一个元素和所述第二个元素构成所述状态变化二元组。

4.根据权利要求1所述的一种无人驾驶车辆工作状态监控方法，其特征在于，所述基于状态变化二元组，对多个所述无人驾驶车辆进行分类，得到正常车辆类别和初始存疑车辆类别，包括：

计算各无人驾驶车辆对应的状态变化二元组之间的变化相似度，将所述变化相似度大于预设第一相似度阈值的无人驾驶车辆分至同一类别，得到多个类别；将类别内无人驾驶车辆数量最多的类别作为正常车辆类别；除所述正常车辆类别外的其他类别合并为初始存疑车辆类别。

5.根据权利要求1所述的一种无人驾驶车辆工作状态监控方法，其特征在于，所述基于无人驾驶车辆的状态二元组与预设正常状态二元组的相似程度，对所述初始存疑车辆类别内的无人驾驶车辆进行分类，得到异常车辆和存疑车辆，包括：

计算初始存疑车辆类别内无人驾驶车辆的状态变化二元组与正常状态变化二元组的余弦相似度；将余弦相似度小于预设第二相似度阈值的无人驾驶车辆作为异常车辆，将余弦相似度大于等于预设第二相似度阈值的无人驾驶车辆作为存疑车辆。

6.根据权利要求1所述的一种无人驾驶车辆工作状态监控方法，其特征在于，所述从其他存疑车辆中选取目标车辆对应的可参考车辆，包括：

记录目标车辆从正常车辆类别分至所述初始存疑车辆类别的时刻所对应的位置作为存疑区域；当所述目标车辆驶过存疑区域后，在预设固定时间内驶过所述存疑区域，且与目标车辆的距离在预设固定距离内的其他存疑车辆，作为目标车辆对应的可参考车辆。

7.根据权利要求1所述的一种无人驾驶车辆工作状态监控方法，其特征在于，所述根据所述可参考车辆与所述目标车辆之间的距离、所述可参考车辆与所述目标车辆的状态二元组的相似程度和可参考车辆的状态二元组的离散系数，得到可参考车辆的目标参考性，包括：

基于所述可参考车辆与所述目标车辆之间的距离，对所述可参考车辆进行排序得到各所述可参考车辆的第一序号，根据所述可参考车辆与目标车辆的状态二元组的相似程度对所述可参考车辆进行排序得到各所述可参考车辆的第二序号，可参考车辆的所述第一序号和所述第二序号的差值为差异性，最大差异性和所述可参考车辆的差异性的差值作为可参考车辆的第一参考性；

由所述可参考车辆的相邻时刻的多个状态二元组的相似度构建相似度序列，获取所述相似度序列的离散系数，将所述第一参考性与所述离散系数的差值作为可参考车辆的第二参考性；将所述第一参考性和所述第二参考性中较小的数值作为可参考车辆的目标参考性。

8.根据权利要求1所述的一种无人驾驶车辆工作状态监控方法，其特征在于，所述根据所述目标车辆对应的可参考车辆的数量、可参考车辆与所述目标车辆的最近距离、可参考车辆的调节相似度，计算目标车辆的异常概率，包括：

所述目标车辆的异常概率的计算公式为：

其中，

为所述目标车辆的异常概率；

为所述目标车辆对应的可参考车辆的数量；

为第

个可参考车辆与所述目标车辆的最近距离；

为第

个可参考车辆的目标参考性；

为第

个可参考车辆与目标车辆A的状态变化二元组的变化相似度；

为第

个可参考车辆的调节相似度。

9.根据权利要求1所述的一种无人驾驶车辆工作状态监控方法，其特征在于，所述基于所述异常概率监控所述存疑车辆，包括：

将所述异常概率大于预设环境异常阈值的存疑车辆作为正常车辆；将所述异常概率小于等于预设环境异常阈值的存疑车辆作为自身异常车辆，对所述自身异常车辆停车熄火。

10.一种无人驾驶车辆工作状态监控装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1~9任意一项所述方法的步骤。

Images