CN115689379A - 碰撞数据的检测方法、驾驶设备及其控制方法、介质 - Google Patents
碰撞数据的检测方法、驾驶设备及其控制方法、介质 Download PDFInfo
- Publication number
- CN115689379A CN115689379A CN202211430628.6A CN202211430628A CN115689379A CN 115689379 A CN115689379 A CN 115689379A CN 202211430628 A CN202211430628 A CN 202211430628A CN 115689379 A CN115689379 A CN 115689379A
- Authority
- CN
- China
- Prior art keywords
- collision
- data
- detected
- driving
- target object
- 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 76
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 230000008447 perception Effects 0.000 claims abstract description 48
- 239000013598 vector Substances 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 abstract description 8
- 238000012790 confirmation Methods 0.000 abstract description 7
- 238000003745 diagnosis Methods 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000001133 acceleration Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种碰撞数据的检测方法、驾驶设备及其控制方法、介质,包括获取包括待检测对象对周围的目标对象的感知数据和待检测对象的行驶数据的场景数据;分别基于所述感知数据和行驶数据进行碰撞风险评分,得到所述感知数据的第一碰撞风险评分值,以及,所述行驶数据的第二碰撞风险评分值;根据所第一碰撞风险评分值和第二碰撞风险评分值,得到所述场景数据的碰撞置信度;若所述碰撞置信度大于预设置信度,则确认所述场景数据为碰撞场景数据,和/或,召回所述场景数据,实现了客观的收集碰撞置信度较高的碰撞场景数据,提高了碰撞场景数据的可靠性,这样,有助于提高动驾驶感知和决策算法性能,提高车辆异常诊断、事故责任认定等的可靠性。
Description
技术领域
本发明涉及图像处理技术领域,具体提供一种碰撞数据的检测方法、驾驶设备及其控制方法、介质。
背景技术
在车辆等驾驶设备行驶过程中,发生碰撞属于比较严重的事故。对于一个成熟的自动驾驶系统,需要做出把发生这种危险场景的概率降到最低的决策。而对于真实碰撞的碰撞场景数据,往往对于自动驾驶感知和决策算法性能提升、车辆异常诊断、事故责任认定都有重大意义和价值。
通常情况下,碰撞场景数据的收集依赖于人工收集证人的陈述,然而证人陈述存在个人主观意见,所收集到的碰撞场景数据的可靠性较低,进而降低了动驾驶感知和决策算法性能,降低了车辆异常诊断、事故责任认定等的可靠性。
发明内容
为了克服上述缺陷,提出了本发明,以提供解决或至少部分地解决所收集到的碰撞场景数据的可靠性较低,进而降低了动驾驶感知和决策算法性能,降低了车辆异常诊断、事故责任认定等的可靠性的技术问题的碰撞数据的检测方法、驾驶设备及其控制方法、介质。
在第一方面,本发明提供一种碰撞数据的检测方法,所述碰撞数据的检测方法包括:
获取待检测对象的场景数据;其中,所述场景数据至少包括待检测对象对周围的目标对象的感知数据和待检测对象的行驶数据;
基于所述感知数据进行碰撞风险评分,得到所述感知数据的第一碰撞风险评分值,以及,基于所述行驶数据进行碰撞风险评分,得到所述行驶数据的第二碰撞风险评分值;
根据所述感知数据的第一碰撞风险评分值和所述行驶数据的第二碰撞风险评分值,得到所述场景数据的碰撞置信度;
若所述碰撞置信度大于预设置信度,则确认所述场景数据为碰撞场景数据,和/或,召回所述场景数据。
进一步地,上述所述的碰撞数据的检测方法中,基于所述行驶数据进行碰撞风险评分,得到所述行驶数据的第二碰撞风险评分值,包括:
提取所述待检测对象的行驶数据的特征向量;
计算所述特征向量与至少一个所述聚类中心之间的欧式距离;
根据至少一个所述欧式距离进行碰撞风险评分,得到所述第二碰撞风险评分值。
进一步地,上述所述的碰撞数据的检测方法中,根据至少一个所述欧式距离进行碰撞风险评分,得到所述第二碰撞风险评分值,包括:
若所述欧式距离的数目为一个,确定所述欧式距离对应的第一距离阈值,并根据距离阈值与评分值的关联关系,确定与所述第一距离阈值相关联的评分值作为所述第二碰撞风险评分值;
若所述欧式距离的数目为多个,确定最小欧式距离和最小欧式距离对应的第二距离阈值,并根据预设的距离阈值与评分值的关联关系,确定与所述第二距离阈值相关联的评分值作为所述第二碰撞风险评分值。
进一步地,上述所述的碰撞数据的检测方法,还包括:
获取碰撞场景下的多组历史行驶数据;
提取每组所述历史行驶数据对应的特征向量;
对多组所述特征向量进行聚类,得到至少一个所述聚类中心。
进一步地,上述所述的碰撞数据的检测方法中,基于所述感知数据进行碰撞风险评分,得到所述感知数据的第一碰撞风险评分值,包括:
基于所述感知数据,确定所述目标对象的状态信息;
根据所述待检测对象的状态信息和所述目标对象的状态信息,确定所述待检测对象与所述目标对象之间的碰撞概率;
根据所述碰撞概率,确定所述感知数据的第一碰撞风险评分值。
进一步地,上述所述的碰撞数据的检测方法中,所述目标对象的状态信息包括目标对象的预测行驶轨迹和/或目标对象与所述待检测对象之间的距离;
根据所述待检测对象的状态信息和所述目标对象的状态信息,确定所述待检测对象与所述目标对象之间的碰撞概率,包括:
根据所述待检测对象的当前路径规划和所述目标对象的预测行驶轨迹,确定待检测对象与所述目标对象之间的碰撞概率;和/或
根据预设的距离与碰撞概率的关联关系,确定所述待检测对象与所述目标对象之间的碰撞概率。
进一步地,上述所述的碰撞数据的检测方法中,根据所述待检测对象的当前路径规划和所述目标对象的预测行驶轨迹,确定待检测对象与所述目标对象之间的碰撞概率,包括:
当所述预测行驶轨迹为一个时,根据所述待检测对象的当前路径规划,确定所述待检测对象与所述目标对象在所述预测行驶轨迹上的第一碰撞概率作为所述待检测对象与所述目标对象之间的碰撞概率;
当所述预测行驶轨迹为多个时,根据所述待检测对象的当前路径规划,确定所述待检测对象与所述目标对象在每个所述预测行驶轨迹上的第二碰撞概率,并根据所有所述预测行驶轨迹对应的所述第二碰撞概率,确定所述待检测对象与所述目标对象的综合碰撞概率作为所述待检测对象与所述目标对象之间的碰撞概率。
在第二方面,本发明提供一种驾驶设备控制方法,包括:
基于上述任一项所述的碰撞数据的检测方法对所述驾驶设备的场景数据进行检测;
当确认所述驾驶设备的场景数据为碰撞场景数据时,控制所述驾驶设备执行相应操作,以避免碰撞发生。
在第三方面,提供一种驾驶设备,包括驾驶设备本体、处理器和存储装置,所述存储装置适于存储多条程序代码,所述程序代码适于由所述处理器加载并运行以执行上述任一项所述的碰撞数据的检测方法或上述所述的驾驶设备控制方法。
在第四方面,提供一种计算机可读存储介质,该计算机可读存储介质其中存储有多条程序代码,所述程序代码适于由处理器加载并运行以执行上述任一项技术方案所述的碰撞数据的检测方法或上述所述的驾驶设备控制方法。
本发明上述一个或多个技术方案,至少具有如下一种或多种有益效果:
在实施本发明的技术方案中,在获取待检测对象对周围的目标对象的感知数据和待检测对象的行驶数据等碰撞场景数据后,分别基于所述感知数据和所述行驶数据进行碰撞风险评分,得到所述感知数据的第一碰撞风险评分值和行驶数据的第二碰撞风险评分值;根据所述感知数据的第一碰撞风险评分值和所述行驶数据的第二碰撞风险评分值,得到所述场景数据的碰撞置信度;若所述碰撞置信度大于预设置信度,则确认所述场景数据为碰撞场景数据,和/或,召回所述场景数据,实现了客观的收集碰撞置信度较高的碰撞场景数据,提高了碰撞场景数据的可靠性,这样,有助于提高动驾驶感知和决策算法性能,提高车辆异常诊断、事故责任认定等的可靠性。
附图说明
参照附图,本发明的公开内容将变得更易理解。本领域技术人员容易理解的是:这些附图仅仅用于说明的目的,而并非意在对本发明的保护范围组成限制。此外,图中类似的数字用以表示类似的部件,其中:
图1是根据本发明的一个实施例的碰撞数据的检测方法的主要步骤流程示意图;
图2是不同角度下待检测对象和目标对象之间的运动轨迹曲线示意图;
图3是根据感知数据得到目标对象的预测行驶轨迹的示意图;
图4是雷达报警等级示意图;
图5是根据本发明的一个实施例的驾驶设备控制方法的主要步骤流程示意图;
图6是根据本发明的一个实施例的驾驶设备的主要结构框图。
具体实施方式
下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。
在本发明的描述中,“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路,各种合适的感应器,通信端口,存储器,也可以包括软件部分,比如程序代码,也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质,比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“A和/或B”表示所有可能的A与B的组合,比如只是A、只是B或者A和B。术语“至少一个A或B”或者“A和B中的至少一个”含义与“A和/或B”类似,可以包括只是A、只是B或者A和B。单数形式的术语“一个”、“这个”也可以包含复数形式。
在收集碰撞场景数据时,通常依赖于人工收集证人的陈述,然而证人陈述存在个人主观意见,所收集到的碰撞场景数据的可靠性较低,进而降低了动驾驶感知和决策算法性能,降低了车辆异常诊断、事故责任认定等的可靠性。
因此,为了解决上述技术问题,本发明提供了以下技术方案。
参阅附图1,图1是根据本发明的一个实施例的碰撞数据的检测方法的主要步骤流程示意图。如图1所示,本发明实施例中的碰撞数据的检测方法主要包括下列步骤101-步骤104。
步骤101、获取待检测对象的场景数据;
在一个具体实现过程中,可以在车辆等待检测对象上设置多种感知传感器如前向摄像头、前环视摄像头、后向摄像头、后环视摄像头、前向雷达、前侧向BSD雷达、前向超声波雷达、前向激光雷达、后向雷达、后侧向BSD雷达、后向超声波雷达以及后向激光雷达等。可以利用感知传感器采集待检测对象的对周围的目标对象的感知数据。其中,该感知数据可以包括当前场景下动态物体的位置信息、动态物体的速度和静态物体的位置信息等。其中,动态物体可以包括其他车辆、行人等,静态物体可以包括车道线、交通标识等。
在一个具体实现过程中,还可以在车辆等待检测对象上设置检测带检测对象自身相关信息的检测传感器,如加速度传感器等。可以利用检测传感器采集待检测对象的行驶数据。其中,该待检测对象的行驶数据可以包括待检测对象的横向加速度、待检测对象的横向加速度变化率、待检测对象的纵向加速度以及待检测对象的纵向加速度变化率等。其中,待检测对象的横向加速度变化率为预设时间段内起始时刻的待检测对象的横向加速度与终止时刻的待检测对象的横向加速度差值除以该时间段得到的比值。待检测对象的纵向加速度变化率为预设时间段内起始时刻的待检测对象的纵向加速度与终止时刻的待检测对象的纵向加速度差值除以该时间段得到的比值。
步骤102、基于所述感知数据进行碰撞风险评分,得到所述感知数据的第一碰撞风险评分值,以及,基于所述行驶数据进行碰撞风险评分,得到所述行驶数据的第二碰撞风险评分值;
在一个具体实现过程中,可以将所述感知数据输入对应的评分器,进行碰撞风险评分,得到所述感知数据的第一碰撞风险评分值。
具体地,可以按照如下步骤得到所述感知数据的第一碰撞风险评分值:
(1)基于所述感知数据,确定所述目标对象的状态信息;
在一个具体实现过程中,可以根据所述感知数据确定目标对象的预测行驶轨迹和/或目标对象与所述待检测对象之间的距离。
在一个具体实现过程中,可以根据不同角度的感知数据得到不同角度下待检测对象和目标对象之间的运动轨迹曲线。图2是不同角度下待检测对象和目标对象之间的运动轨迹曲线示意图,如图2所示,图2中(1)部分为可能发生主动碰撞下的运动轨迹曲线,即自车撞他车的运动轨迹曲线。图2中(2)部分为可能发生被动碰撞下的运动轨迹曲线,即他车撞自车的运动轨迹曲线。图2中(3)部分为可能发生会车碰撞下的运动轨迹曲线,即自车与他车的交点发生碰撞时的运动轨迹曲线。
下面以可能发生会车碰撞下的运动轨迹曲线为例进行说明。
图3是根据感知数据得到目标对象的预测行驶轨迹的示意图,如图3所示,在十字路口,自车可以通过前向摄像头、前环视摄像头等采集到他车的图像,并分析出他的所在的车道、速度等,然后对他车进行预测,得到他车的预测行驶轨迹,如图3中的标号第一预测行驶轨迹31和第二预测行驶轨迹32。
在一个具体实现过程中,在目标对象进入待检测对象的雷达检测范围时,则会触发雷达预警,并通过雷达获取到目标对象与所述待检测对象之间的距离。
(2)根据所述待检测对象的状态信息和所述目标对象的状态信息,确定所述待检测对象与所述目标对象之间的碰撞概率;
在一个具体实现过程中,当目标对象的状态信息包括一个预测行驶轨迹时,可以根据所述待检测对象的当前路径规划(参见图3中当前路径规划33),确定所述待检测对象与所述目标对象在所述预测行驶轨迹上的第一碰撞概率作为所述待检测对象与所述目标对象之间的碰撞概率。
具体地,可以以在检测到目标对象的时刻开始,计算出目标对象按照其对应的速度在预测行驶轨迹上行驶时,与待检测对象按照其对应的速度在当前路径规划上行驶时相遇的概率,将该概率作为所述待检测对象与所述目标对象在所述预测行驶轨迹上的第一碰撞概率。
在一个具体实现过程中,当目标对象的状态信息包括多个预测行驶轨迹时,可以根据所述待检测对象的当前路径规划,确定所述待检测对象与所述目标对象在每个所述预测行驶轨迹上的第二碰撞概率,并根据所有所述预测行驶轨迹对应的所述第二碰撞概率,确定所述待检测对象与所述目标对象的综合碰撞概率作为所述待检测对象与所述目标对象之间的碰撞概率。
具体地,可以以在检测到目标对象的时刻开始,计算出目标对象按照其对应的速度在各个预测行驶轨迹上行驶时,与待检测对象按照其对应的速度在当前路径规划上行驶时相遇的概率作为所述待检测对象与所述目标对象在每个所述预测行驶轨迹上的第二碰撞概率。并通过加权平均等方式对所有所述预测行驶轨迹对应的所述第二碰撞概率进行处理,得到确定所述待检测对象与所述目标对象的综合碰撞概率。
参见图3,对于第一预测行驶轨迹31可以计算出他车和自车可能有相遇的概率较大,该预测行驶轨迹上的第二碰撞概率为较高,对于第二预测行驶轨迹32可以计算出他车和自车可能有相遇的概率较小,该预测行驶轨迹上的第二碰撞概率为较低,综合评比可以得出综合碰撞概率为适中。
在一个具体实现过程中,当目标对象的状态信息包括目标对象与所述待检测对象之间的距离时,可以根据距离的远近得到不同的碰撞概率。
具体地,图4是雷达报警等级示意图,如图4所示,随着待检测对象与目标对象之间的距离越来越近,报警等级越来也高,也就是说,所述待检测对象与所述目标对象之间的碰撞概率越来越高。其中,图4中随着自车与他车之间的距离由远及近的报警等级依次为轻度报警、中度报警、重度报警。
(3)根据所述碰撞概率,确定所述感知数据的第一碰撞风险评分值。
在一个具体实现过程中,当所述目标对象的状态信息仅包括目标对象的预测行驶轨迹,或仅包括目标对象与所述待检测对象之间的距离时,可以根据各自的碰撞概率,得到所述感知数据的第一碰撞风险评分值。当所述目标对象的状态信息同时包括目标对象的预测行驶轨迹和目标对象与所述待检测对象之间的距离时,则在得到各自的碰撞风险评分值后,可以通过加权平均等方式,得到所述感知数据的第一碰撞风险评分值。
在一个具体实现过程中,可以将所述行驶数据输入对应的评分器,进行碰撞风险评分,得到所述行驶数据的第一碰撞风险评分值。
在一个具体实现过程中,待检测对象与目标对象发生碰撞时,待检测对象的加速度会出现一个较大的变化曲线,例如,车辆因为受到了除了刹车制动和油门踏板意外的其他作用力,一般车辆的加速度会出现一个较大的变化曲线。当车头和车尾受力时,纵向加速度会出现突变,当车身受力时,横向加速度会出现突变。当收到斜向撞击力度时,纵向和横向加速度都会出现略弱一些的突变。
基于上述情况,可以将已经发生碰撞的对象作为采集对象,然后获取碰撞场景下的多组历史行驶数据;然后提取每组所述历史行驶数据对应的特征向量,具体地,可以将历史行驶数据组成一维矩阵。在得到每组所述历史行驶数据对应的特征向量后,可以基于k-means算法等,对多组所述特征向量进行聚类,得到表征发生碰撞的至少一个所述聚类中心。即通过对多组一维矩阵进行欧式距离计算后,可以特征向量相似的多组所述历史行驶数据聚集在一起,得到至少一个所述聚类中心。其中,历史行驶数据可以包括采集对象的横向加速度、采集对象的横向加速度变化率、采集对象的纵向加速度以及采集对象的纵向加速度变化率。
在获取的待检测对象的行驶数据后,可以将提取待检测对象的行驶数据特征向量,然后计算所述特征向量与至少一个所述聚类中心之间的欧式距离;根据至少一个所述欧式距离进行碰撞风险评分,得到所述第二碰撞风险评分值。
在一个具体实现过程中,若所述欧式距离的数目为一个,可以确定所述欧式距离对应的第一距离阈值,并根据距离阈值与评分值的关联关系,确定与所述第一距离阈值相关联的评分值作为所述第二碰撞风险评分值;若所述欧式距离的数目为多个,由于欧式距离值越小当前场景发生碰撞的概率越大,所以可以确定最小欧式距离和最小欧式距离对应的第二距离阈值,并根据预设的距离阈值与评分值的关联关系,确定与所述第二距离阈值相关联的评分值作为所述第二碰撞风险评分值。
步骤103、根据所述感知数据的第一碰撞风险评分值和所述行驶数据的第二碰撞风险评分值,得到所述场景数据的碰撞置信度;
在一个具体实现过程中,可以通过加权平均等方式,对所述感知数据的第一碰撞风险评分值和所述行驶数据的第二碰撞风险评分值进行处理,得到所述场景数据的碰撞置信度。
步骤104、若所述碰撞置信度大于预设置信度,则确认所述场景数据为碰撞场景数据,和/或,召回所述场景数据。
在一个具体实现过程中,若所述碰撞置信度大于预设置信度,则可以确认所述场景数据为碰撞场景数据,和/或,召回所述场景数据,以便为动驾驶感知和决策算法性能提供可靠的数据,实现对待检测对象的控制,防止待检测对象与目标对象发生碰撞。也可以实现对车辆异常诊断、事故责任认定等的提高可观的数据,提高车辆异常诊断、事故责任认定等的可靠性。
在一个具体实现过程中,若所述碰撞置信度小于或等于预设置信度,可以确认所述场景数据不为碰撞场景数据,和/或,不召回所述场景数据。防止对动驾驶感知和决策算法、车辆异常诊断、事故责任认定等提供错误数据。
需要说明的是,可以通过调整预设置信度实现对数据召回率和数据准确率的调整。例如,当预设置信度设置为一个较高的数值时,数据召回率则较低,但是数据准确率则较高。反之,当预设置信度设置为一个较低的数值时,数据召回率则较高,但是数据准确率则较低。本实施例可以根据实际需求,设置该预设置信度。
本实施例的碰撞数据的检测方法,在获取待检测对象对周围的目标对象的感知数据和待检测对象的行驶数据等碰撞场景数据后,分别基于所述感知数据和所述行驶数据进行碰撞风险评分,得到所述感知数据的第一碰撞风险评分值和行驶数据的第二碰撞风险评分值;根据所述感知数据的第一碰撞风险评分值和所述行驶数据的第二碰撞风险评分值,得到所述场景数据的碰撞置信度;若所述碰撞置信度大于预设置信度,则确认所述场景数据为碰撞场景数据,和/或,召回所述场景数据,实现了客观的收集碰撞置信度较高的碰撞场景数据,提高了碰撞场景数据的可靠性,这样,有助于提高动驾驶感知和决策算法性能,提高车辆异常诊断、事故责任认定等的可靠性。
进一步,本发明还提供了一种驾驶设备控制方法。
参阅附图5,图5是根据本发明的一个实施例的驾驶设备控制方法的主要步骤流程示意图。如图5所示,本发明实施例中的驾驶设备控制方法主要包括下列步骤501-步骤502。
步骤501、基于碰撞数据的检测方法对所述驾驶设备的场景数据进行检测;
在一个具体实现过程中,该碰撞数据的检测方法对所述驾驶设备的场景数据进行检测的过程可以参考上述实施例的相关记载,在此不再赘述。其中,驾驶设备可以为车辆、智能机器人等。
步骤501、当确认所述驾驶设备的场景数据为碰撞场景数据时,控制所述驾驶设备执行相应操作,以避免碰撞发生。
在一个具体实现过程中,当确认所述驾驶设备的场景数据为碰撞场景数据时,说明驾驶设备与目标对象可能发生碰撞,此时,可以控制所述驾驶设备执行相应操作,以避免碰撞发生。例如,可以控制驾驶设备减速、改变行驶方向等。
需要指出的是,尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述,但是本领域技术人员可以理解,为了实现本发明的效果,不同的步骤之间并非必须按照这样的顺序执行,其可以同时(并行)执行或以其他顺序执行,这些变化都在本发明的保护范围之内。
本领域技术人员能够理解的是,本发明实现上述一实施例的方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括:能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读存储介质不包括电载波信号和电信信号。
进一步,本发明还提供了一种驾驶设备。
参阅附图6,图6是根据本发明的一个实施例的驾驶设备的主要结构框图。如图6所示,本发明实施例中的驾驶设备可以包括驾驶设备本体60、处理器61和存储装置62。
在一个具体实现过程中,存储装置62可以被配置成存储执行上述方法实施例的碰撞数据的检测方法的程序或驾驶设备控制方法的程序,处理器61可以被配置成用于执行存储装置62中的程序,该程序包括但不限于执行上述方法实施例的碰撞数据的检测方法的程序或驾驶设备控制方法的程序。为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。
在一个具体实现过程中,该存储装置62和处理器61的数目均可以为多个。而执行上述方法实施例的碰撞数据的检测方法的程序可以被分割成多段子程序,每段子程序分别可以由处理器61加载并运行以执行上述方法实施例的碰撞数据的检测方法的不同步骤。具体地,每段子程序可以分别存储在不同的存储装置62中,每个处理器61可以被配置成用于执行一个或多个存储装置62中的程序,以共同实现上述方法实施例的碰撞数据的检测方法或驾驶设备控制方法,即每个处理器61分别执行上述方法实施例的碰撞数据的检测方法或驾驶设备控制方法的不同步骤,来共同实现上述方法实施例的碰撞数据的检测方法或驾驶设备控制方法。
上述多个处理器61可以是部署于同一个设备上的处理器,例如上述设备可以是由多个处理器组成的高性能设备,上述多个处理器61可以是该高性能设备上配置的处理器。此外,上述多个处理器61也可以是部署于不同设备上的处理器,例如上述设备可以是服务器集群,上述多个处理器61可以是服务器集群中不同服务器上的处理器。
进一步,本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中,计算机可读存储介质可以被配置成存储执行上述方法实施例的碰撞数据的检测方法或驾驶设备控制方法的程序,该程序可以由处理器加载并运行以实现上述碰撞数据的检测方法或驾驶设备控制方法。为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备,可选的,本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
进一步,应该理解的是,由于各个模块的设定仅仅是为了说明本发明的装置的功能单元,这些模块对应的物理器件可以是处理器本身,或者处理器中软件的一部分,硬件的一部分,或者软件和硬件结合的一部分。因此,图中的各个模块的数量仅仅是示意性的。
本领域技术人员能够理解的是,可以对装置中的各个模块进行适应性地拆分或合并。对具体模块的这种拆分或合并并不会导致技术方案偏离本发明的原理,因此,拆分或合并之后的技术方案都将落入本发明的保护范围内。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种碰撞数据的检测方法,其特征在于,包括:
获取待检测对象的场景数据;其中,所述场景数据至少包括待检测对象对周围的目标对象的感知数据和待检测对象的行驶数据;
基于所述感知数据进行碰撞风险评分,得到所述感知数据的第一碰撞风险评分值,以及,基于所述行驶数据进行碰撞风险评分,得到所述行驶数据的第二碰撞风险评分值;
根据所述感知数据的第一碰撞风险评分值和所述行驶数据的第二碰撞风险评分值,得到所述场景数据的碰撞置信度;
若所述碰撞置信度大于预设置信度,则确认所述场景数据为碰撞场景数据,和/或,召回所述场景数据。
2.根据权利要求1所述的碰撞数据的检测方法,其特征在于,基于所述行驶数据进行碰撞风险评分,得到所述行驶数据的第二碰撞风险评分值,包括:
提取所述待检测对象的行驶数据的特征向量;
计算所述特征向量与至少一个所述聚类中心之间的欧式距离;
根据至少一个所述欧式距离进行碰撞风险评分,得到所述第二碰撞风险评分值。
3.根据权利要求2所述的碰撞数据的检测方法,其特征在于,根据至少一个所述欧式距离进行碰撞风险评分,得到所述第二碰撞风险评分值,包括:
若所述欧式距离的数目为一个,确定所述欧式距离对应的第一距离阈值,并根据距离阈值与评分值的关联关系,确定与所述第一距离阈值相关联的评分值作为所述第二碰撞风险评分值;
若所述欧式距离的数目为多个,确定最小欧式距离和最小欧式距离对应的第二距离阈值,并根据预设的距离阈值与评分值的关联关系,确定与所述第二距离阈值相关联的评分值作为所述第二碰撞风险评分值。
4.根据权利要求2所述的碰撞数据的检测方法,其特征在于,还包括:
获取碰撞场景下的多组历史行驶数据;
提取每组所述历史行驶数据对应的特征向量;
对多组所述特征向量进行聚类,得到至少一个所述聚类中心。
5.根据权利要求1所述的碰撞数据的检测方法,其特征在于,基于所述感知数据进行碰撞风险评分,得到所述感知数据的第一碰撞风险评分值,包括:
基于所述感知数据,确定所述目标对象的状态信息;
根据所述待检测对象的状态信息和所述目标对象的状态信息,确定所述待检测对象与所述目标对象之间的碰撞概率;
根据所述碰撞概率,确定所述感知数据的第一碰撞风险评分值。
6.根据权利要求5所述的碰撞数据的检测方法,其特征在于,所述目标对象的状态信息包括目标对象的预测行驶轨迹和/或目标对象与所述待检测对象之间的距离;
根据所述待检测对象的状态信息和所述目标对象的状态信息,确定所述待检测对象与所述目标对象之间的碰撞概率,包括:
根据所述待检测对象的当前路径规划和所述目标对象的预测行驶轨迹,确定待检测对象与所述目标对象之间的碰撞概率;和/或
根据预设的距离与碰撞概率的关联关系,确定所述待检测对象与所述目标对象之间的碰撞概率。
7.根据权利要求6所述的碰撞数据的检测方法,其特征在于,根据所述待检测对象的当前路径规划和所述目标对象的预测行驶轨迹,确定待检测对象与所述目标对象之间的碰撞概率,包括:
当所述预测行驶轨迹为一个时,根据所述待检测对象的当前路径规划,确定所述待检测对象与所述目标对象在所述预测行驶轨迹上的第一碰撞概率作为所述待检测对象与所述目标对象之间的碰撞概率;
当所述预测行驶轨迹为多个时,根据所述待检测对象的当前路径规划,确定所述待检测对象与所述目标对象在每个所述预测行驶轨迹上的第二碰撞概率,并根据所有所述预测行驶轨迹对应的所述第二碰撞概率,确定所述待检测对象与所述目标对象的综合碰撞概率作为所述待检测对象与所述目标对象之间的碰撞概率。
8.一种驾驶设备控制方法,其特征在于,包括:
基于权利要求1至7中任一项所述的碰撞数据的检测方法对所述驾驶设备的场景数据进行检测;
当确认所述驾驶设备的场景数据为碰撞场景数据时,控制所述驾驶设备执行相应操作,以避免碰撞发生。
9.一种驾驶设备,其特征在于,包括驾驶设备本体、处理器和存储装置,所述存储装置适于存储多条程序代码,所述程序代码适于由所述处理器加载并运行以执行权利要求1至7中任一项所述的碰撞数据的检测方法或权利要求8所述的驾驶设备控制方法。
10.一种计算机可读存储介质,其中存储有多条程序代码,其特征在于,所述程序代码适于由处理器加载并运行以执行权利要求1至7中任一项所述的碰撞数据的检测方法或权利要求8所述的驾驶设备控制方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211430628.6A CN115689379A (zh) | 2022-11-15 | 2022-11-15 | 碰撞数据的检测方法、驾驶设备及其控制方法、介质 |
EP23210019.8A EP4372699A1 (en) | 2022-11-15 | 2023-11-15 | Method for detecting collision data, driving device and medium |
US18/510,083 US20240159545A1 (en) | 2022-11-15 | 2023-11-15 | Method for detecting collision data, driving device and medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211430628.6A CN115689379A (zh) | 2022-11-15 | 2022-11-15 | 碰撞数据的检测方法、驾驶设备及其控制方法、介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115689379A true CN115689379A (zh) | 2023-02-03 |
Family
ID=85052050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211430628.6A Pending CN115689379A (zh) | 2022-11-15 | 2022-11-15 | 碰撞数据的检测方法、驾驶设备及其控制方法、介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240159545A1 (zh) |
EP (1) | EP4372699A1 (zh) |
CN (1) | CN115689379A (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8244408B2 (en) * | 2009-03-09 | 2012-08-14 | GM Global Technology Operations LLC | Method to assess risk associated with operating an autonomic vehicle control system |
JP6174514B2 (ja) * | 2014-04-14 | 2017-08-02 | 本田技研工業株式会社 | 衝突可能性判定装置、運転支援装置、衝突可能性判定方法、及び衝突可能性判定プログラム |
WO2018135869A1 (ko) * | 2017-01-19 | 2018-07-26 | 주식회사 만도 | 지능형 운전자 보조 시스템을 위한 카메라 시스템, 및 운전자 보조 시스템 및 방법 |
-
2022
- 2022-11-15 CN CN202211430628.6A patent/CN115689379A/zh active Pending
-
2023
- 2023-11-15 EP EP23210019.8A patent/EP4372699A1/en active Pending
- 2023-11-15 US US18/510,083 patent/US20240159545A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4372699A1 (en) | 2024-05-22 |
US20240159545A1 (en) | 2024-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9975550B2 (en) | Movement trajectory predicting device and movement trajectory predicting method | |
CN110809790B (zh) | 车辆用信息存储方法、车辆的行驶控制方法、以及车辆用信息存储装置 | |
CN111038502A (zh) | 一种安全车距预估、修正、预警、驾驶资质评估方法及系统 | |
CN114925747A (zh) | 车辆异常行驶检测方法、电子设备、存储介质 | |
CN111497741B (zh) | 碰撞预警方法及装置 | |
CN113548054A (zh) | 基于时序的车辆变道意图预测方法及系统 | |
CN117022323A (zh) | 一种智能驾驶车辆行为分析与预测系统及方法 | |
CN109887321B (zh) | 无人车变道安全判别方法、装置及存储介质 | |
CN112242063A (zh) | 增强的车辆操作 | |
CN113787997B (zh) | 紧急制动控制方法、电子设备及存储介质 | |
CN109774726B (zh) | 车辆性能的检测方法、装置、设备及存储介质 | |
CN113581069B (zh) | 基于计算机视觉的车辆防止碰撞的预警方法及装置 | |
CN107358678B (zh) | 一种驾驶事件检测和识别方法 | |
CN115689379A (zh) | 碰撞数据的检测方法、驾驶设备及其控制方法、介质 | |
CN114537449B (zh) | 一种接管概率计算方法及相关装置 | |
CN116564084A (zh) | 一种基于纯路端感知的网联式辅助驾驶控制方法及系统 | |
EP3392730B1 (en) | Device for enabling a vehicle to automatically resume moving | |
CN111483458A (zh) | 一种动力系统控制方法及装置 | |
CN115408851A (zh) | 碰撞预警方法、装置、存储介质及计算机设备 | |
CN115879294B (zh) | 一种基于多车环境感知的全样车流轨迹生成方法及系统 | |
JP7538300B2 (ja) | 自動運転車のオブジェクト認識率の改善方法およびその装置 | |
CN112009496B (zh) | 用于自主车辆控制的安全架构 | |
CN117382644B (zh) | 分心驾驶检测方法、计算机设备、存储介质及智能设备 | |
CN115639562B (zh) | 商用车盲点探测系统、制动方法、商用车及存储介质 | |
CN112634618B (zh) | 一种应急车道检测方法、装置及设备 |
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 |