CN115985124B - 车辆行驶的控制方法、装置、存储介质及电子装置 - Google Patents
车辆行驶的控制方法、装置、存储介质及电子装置 Download PDFInfo
- Publication number
- CN115985124B CN115985124B CN202211535791.9A CN202211535791A CN115985124B CN 115985124 B CN115985124 B CN 115985124B CN 202211535791 A CN202211535791 A CN 202211535791A CN 115985124 B CN115985124 B CN 115985124B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- target vehicle
- information
- road
- sensing information
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 239000013598 vector Substances 0.000 claims abstract description 107
- 238000013145 classification model Methods 0.000 claims abstract description 57
- 238000012549 training Methods 0.000 claims description 77
- 230000006399 behavior Effects 0.000 claims description 67
- 238000003066 decision tree Methods 0.000 claims description 40
- 238000004590 computer program Methods 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 20
- 230000001133 acceleration Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 5
- 238000011084 recovery Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本申请公开了一种车辆行驶的控制方法、装置、存储介质及电子装置,涉及智慧交通领域,该车辆行驶的控制方法包括:获取目标车辆的当前传感信息,其中,所述当前传感信息至少包括以下之一:所述目标车辆对所述目标车辆所在的当前道路的第一传感信息,所述目标车辆对其他车辆的第二传感信息;将所述当前传感信息对应的特征向量输入训练后的分类模型,并获取所述分类模型输出的车辆行为标签;控制所述目标车辆按照所述车辆行为标签对应的行驶指令行驶,采用上述技术方案,解决了如何准确控制目标车辆的行驶过程的问题。
Description
技术领域
本申请涉及智慧交通领域,具体而言,涉及一种车辆行驶的控制方法、装置、存储介质及电子装置。
背景技术
目前,随着经济的快速发展,汽车保有量的不断增长,智能交通领域的发展成为智慧城市建设和经济增长的新推动力。作为智能交通领域的关键技术,自动驾驶技术也越发受到重视。在相关领域中,已经实现的方案例如利用车辆轨迹曲率、车辆的方向角序列等特征,建立聚类和行为混合模型或神经网络模型识别车辆行为,利用车辆的速度、加速度、与车道中心线距离、与前车距离、与检测车距离等特征建立换道行为的参数集。但是,由于此类方法控制车辆时,存在没有全方位综合利用特征,所建立的模型解释性较差,也无法评估所利用的特征的重要性等问题,导致不能准确控制目标车辆的行驶过程。
针对相关技术中,如何准确控制目标车辆的行驶过程的问题,尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种车辆行驶的控制方法、装置、存储介质及电子装置,以至少解决相关技术中,如何准确控制目标车辆的行驶过程的问题。
根据本申请实施例的一个实施例,提供了一种车辆行驶的控制方法,包括:获取目标车辆的当前传感信息,其中,所述当前传感信息至少包括以下之一:所述目标车辆对所述目标车辆所在的当前道路的第一传感信息,所述目标车辆对其他车辆的第二传感信息;将所述当前传感信息对应的特征向量输入训练后的分类模型,并获取所述分类模型输出的车辆行为标签;控制所述目标车辆按照所述车辆行为标签对应的行驶指令行驶。
在一个示例性实施例中,通过以下方式确定所述第一传感信息:根据所述目标车辆的当前位置确定所述目标车辆所在的当前道路;将所述目标车辆的传感设备采集到的所述当前道路的第一道路信息,与所述当前道路相邻的其他道路的第二道路信息,以及所述当前道路和所述其他道路的连通信息确定为所述第一传感信息;其中,所述连通信息是根据所述第一道路信息和所述第二道路信息得到的,且用于表示所述当前道路与所述其他道路之间是否允许跨越。
在一个示例性实施例中,通过以下方式获取所述第二传感信息:对位于所述目标车辆的识别范围内的目标对象进行识别,得到识别结果;在确定所述识别结果指示所述目标对象为非生命对象的情况下,从所述非生命对象的传感信息中解析出所述第二传感信息。
在一个示例性实施例中,通过以下方式获取所述第二传感信息:通过以下公式获取所述第二传感信息Vj(t):
t为时刻,j为车辆编号,j=1,2,...,n,n为正整数,xj(t)为x坐标,yj(t)为y坐标,θj(t)为朝向角、/>为速度的x方向分量,/>为速度的y方向分量,/>为加速度的x方向分量,/>为加速度的y方向分量,sigj(t)为信号灯的标志向量。
在一个示例性实施例中,在将所述当前传感信息对应的特征向量输入训练后的分类模型之前,所述方法还包括:通过以下公式获取所述当前传感信息对应的特征向量Fj(t):其中,t为时刻,j为车辆编号,j=1,2,...,n,n为正整数,/>表示所述目标车辆j与道路i之间的位置特征向量,/>表示所述目标车辆j与所述其他车辆m之间的位置特征向量,/>表示所述目标车辆j与道路i之间的位置特征向量在历史时间段内的变化量,/>表示所述目标车辆j与所述其他车辆m的位置特征向量在所述历史时间段内的变化量,Vm表示其他车辆m的车辆信息,上述Li表示当前道路i对应的道路信息。
在一个示例性实施例中,在对所述分类模型进行训练的过程中,所述方法还包括:为所述分类模型配置训练参数,其中,所述训练参数至少包括迭代次数;根据所述迭代次数对所述分类模型进行迭代训练,获取迭代训练后的第一决策结果和第二决策结果,其中,所述第一决策结果包括k-1次迭代训练后得到的k-1棵决策树,所述第二决策结果表示按照目标函数对第k次的训练结果进行拟合的结果,所述k表示所述迭代次数,其中,通过以下公式获取所述目标函数
其中,Md表示第d个训练数据的历史行为标签,Fd(t)为第d个训练数据的历史特征向量,fk(·)表示第k次迭代训练后得到的决策树,表示所述k-1棵决策树对第d个训练数据的历史特征向量输出的预测结果,Ω(fk)为对第k次迭代训练后得到的决策树的复杂度评估,loss(·)为任意损失函数。
在一个示例性实施例中,在控制所述目标车辆按照所述车辆行为标签对应的行驶指令行驶之后,包括:获取所述分类模型在训练完成时生成的决策树;确定当前传感信息对应的不同特征向量在所述决策树中对应的不同权重,获取每一特征向量和对应的权重的乘积,得到多个乘积;比较所述多个乘积,并根据比较结果对所述不同特征向量进行优先级排序,其中,具有最大值的乘积对应的特征向量具有最高优先级。
根据本申请实施例的另一个实施例,还提供了一种车辆行驶的控制装置,包括:获取模块,用于获取目标车辆的当前传感信息,其中,所述当前传感信息至少包括以下之一:所述目标车辆对所述目标车辆所在的当前道路的第一传感信息,所述目标车辆对其他车辆的第二传感信息;第一确定模块,用于将所述当前传感信息对应的特征向量输入训练后的分类模型,并获取所述分类模型输出的车辆行为标签;第二确定模块,用于控制所述目标车辆按照所述车辆行为标签对应的行驶指令行驶。
根据本申请实施例的又一方面,还提供了一种计算机可读的存储介质,该计算机可读的存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述车辆行驶的控制方法。
根据本申请实施例的又一方面,还提供了一种电子装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,上述处理器通过计算机程序执行上述的车辆行驶的控制方法。
在本申请实施例中,获取目标车辆的当前传感信息,其中,所述当前传感信息至少包括以下之一:所述目标车辆对所述目标车辆所在的当前道路的第一传感信息,所述目标车辆对其他车辆的第二传感信息;将所述当前传感信息对应的特征向量输入训练后的分类模型,并获取所述分类模型输出的车辆行为标签;控制所述目标车辆按照所述车辆行为标签对应的行驶指令行驶;采用上述技术方案,解决了如何准确控制目标车辆的行驶过程的问题,进而提高了目标车辆的行驶过程的控制准确度。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案,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地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例的一种车辆行驶的控制方法的硬件环境示意图;
图2是根据本申请实施例的车辆行驶的控制方法的流程图;
图3是根据本申请实施例的车辆行驶的控制方法的架构示意图;
图4是根据本申请实施例的车辆行驶的控制方法的场景示意图;
图5是根据本申请实施例的车辆行驶的控制方法的性能对比示意图(一);
图6是根据本申请实施例的车辆行驶的控制方法的性能对比示意图(二);
图7是根据本申请实施例的车辆行驶的控制方法的性能对比示意图(三);
图8是根据本申请实施例的车辆行驶的控制方法的性能对比示意图(四);
图9是根据本申请实施例的特征向量的优先级排序的示意图;
图10是根据本申请实施例的决策树的示意图;
图11是根据本申请实施例的一种车辆行驶的控制装置的结构框图;
图12是根据本申请实施例的一种电子设备的计算机系统结构框图;
图13是根据本申请实施例的一种电子设备的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请实施例的一个方面,提供了一种车辆行驶的控制方法。该车辆行驶的控制方法广泛应用于智慧交通的应用场景。可选地,在本实施例中,上述车辆控制方法可以应用于如图1所示的由服务器101和自动驾驶车辆103所构成的硬件环境中。如图1所示,服务器101通过网络与自动驾驶车辆103进行连接,可用于为自动驾驶车辆103或自动驾驶车辆103上安装的应用程序107提供服务,应用程序107可以是车辆控制应用程序等等。可在服务器101上或独立于服务器101设置数据库105,用于为服务器101提供数据存储服务,例如,车辆数据存储服务器、环境数据存储服务器,上述网络可以包括但不限于:有线网络,无线网络,其中,该有线网络包括:局域网、城域网和广域网,该无线网络包括:蓝牙、WIFI及其他实现无线通信的网络,自动驾驶车辆103可以是配置有应用程序的终端,可以包括但不限于车载终端,上述服务器101可以是单一服务器,也可以是由多个服务器组成的服务器集群,或者是云服务器,使用上述车辆控制方法的应用程序107通过自动驾驶车辆103或其他连接的显示设备进行显示。
在本实施例中提供了一种车辆行驶的控制方法,应用于上述计算机终端,图2是根据本申请实施例的车辆行驶的控制方法的流程图,该流程包括如下步骤:
步骤S202,获取目标车辆的当前传感信息,其中,所述当前传感信息至少包括以下之一:所述目标车辆对所述目标车辆所在的当前道路的第一传感信息,所述目标车辆对其他车辆的第二传感信息;
其中,需要说明的是,上述其他车辆可以位于所述当前道路,也可以位于与所述当前道路相邻的其他道路,本申请对此不做限制。
步骤S204,将所述当前传感信息对应的特征向量输入训练后的分类模型,并获取所述分类模型输出的车辆行为标签;
步骤S206,控制所述目标车辆按照所述车辆行为标签对应的行驶指令行驶。
通过上述步骤,获取目标车辆的当前传感信息,其中,所述当前传感信息至少包括以下之一:所述目标车辆对所述目标车辆所在的当前道路的第一传感信息,所述目标车辆对其他车辆的第二传感信息;将所述当前传感信息对应的特征向量输入训练后的分类模型,并获取所述分类模型输出的车辆行为标签;控制所述目标车辆按照所述车辆行为标签对应的行驶指令行驶,解决了相关技术中,如何准确控制目标车辆的行驶过程的问题,进而提高了目标车辆的行驶过程的控制准确度。
在一个示例性实施例中,为了更好的理解上述步骤S202中获取目标车辆的当前传感信息的过程,可以通过以下方式确定所述第一传感信息:根据所述目标车辆的当前位置确定所述目标车辆所在的当前道路;将所述目标车辆的传感设备采集到的所述当前道路的第一道路信息,与所述当前道路相邻的其他道路的第二道路信息,以及所述当前道路和所述其他道路的连通信息确定为所述第一传感信息;其中,所述连通信息是根据所述第一道路信息和所述第二道路信息得到的,且用于表示所述当前道路与所述其他道路之间是否允许跨越。
其中,根据所述第一道路信息和所述第二道路信息得到连通信息可以理解为根据当前道路的道路指示符号和其他道路的道路指示符号得到连通信息。例如,连通消息可以包括横向联通信息,表示相邻道路之间是否允许横向跨越。例如,对于双行道,如果双行道包括左转弯符号和直行符号,且双行道中间为虚线,则表示双行道之间联通。
其中,所述第一道路信息至少包括以下之一:所述当前道路的边界信息,所述当前道路的中心线信息,所述当前道路的道路宽度信息,所述第二道路信息至少包括以下之一:所述当前道路的边界信息,所述当前道路的中心线信息,所述当前道路的道路宽度信息。
其中,所述当前道路表示当前时刻为t,编号为i的道路,表示如下:Li(t)={Lefti(t),Righti(t),Centeri(t),Widthi(t),LL(t),LR(t)},其中Lefti(t)为所述当前道路的左边界信息、Righti(t)为所述当前道路的右边界信息、Centeri(t)为所述当前道路的中心线信息、Widthi(t)为所述当前道路的道路宽度信息、LL(t)为与所述当前道路相邻的左道路的道路集合、LR(t)为与所述当前道路相邻的右道路的道路集合。
需要说明的是,上述当前道路的边界信息例如可以表示为边界线坐标序列,上述当前道路的中心线信息例如可以表示为中心线坐标序列,上述当前道路的道路宽度信息例如可以表示为车道宽度序列。
在一个示例性实施例中,提出了多种方式获取所述第二传感信息:
方式1、对位于所述目标车辆的识别范围内的目标对象进行识别,得到识别结果;在确定所述识别结果指示所述目标对象为非生命对象的情况下,从所述非生命对象的传感信息中解析出所述第二传感信息。
方式2、通过以下公式获取所述第二传感信息Vj(t):
t为时刻,j为车辆编号,j=l,2,...,n,n为正整数,xj(t)为x坐标,yj(t)为y坐标,θj(t)为朝向角、/>为速度的x方向分量,/>为速度的y方向分量,/>为加速度的x方向分量,/>为加速度的y方向分量,sigj(t)为信号灯的标志向量。
可选的,在一个实施例中,在确定所述识别结果指示为生命对象的情况下,向目标对象发送提示信息,用于提示所述目标对象控制目标车辆减速或刹车。
在一个示例性实施例中,在将所述当前传感信息对应的特征向量输入训练后的分类模型之前,还可以通过以下公式获取所述当前传感信息对应的特征向量Fj(t):其中,t为时刻,j为车辆编号,j=1,2,...,n,n为正整数,/>表示所述目标车辆j与道路i之间的位置特征向量,/>表示所述目标车辆j与所述其他车辆m之间的位置特征向量,/>表示所述目标车辆j与道路i之间的位置特征向量在历史时间段内的变化量,/>表示所述目标车辆j与所述其他车辆m的位置特征向量在所述历史时间段内的变化量。
其中,需要说明的是,目标车辆j与道路i之间的位置特征向量表示将目标车辆转化至车道的中心线构成的坐标系时得到的特征向量,目标车辆与所述其他车辆m之间的位置特征向量表示将目标车辆和其他车辆分别转化至车道的中心线构成的坐标系时的特征向量的差值。
其中,需要说明的是,上述Vm表示其他车辆m的车辆信息,上述Li表示当前道路i对应的道路信息。
在一个示例性实施例中,在对所述分类模型进行训练的过程中,还提出了以下技术方案,具体包括:为所述分类模型配置训练参数,其中,所述训练参数至少包括迭代次数;根据所述迭代次数对所述分类模型进行迭代训练,获取迭代训练后的第一决策结果和第二决策结果,其中,所述第一决策结果包括k-1次迭代训练后得到的k-1棵决策树,所述第二决策结果表示按照目标函数对第k次的训练结果进行拟合的结果,所述k表示所述迭代次数,其中,通过以下公式获取所述目标函数
其中,Md表示第d个训练数据的历史行为标签,Fd(t)为第d个训练数据的历史特征向量,fk(·)表示第k次迭代训练后得到的决策树,表示所述k-1棵决策树对第d个训练数据的历史特征向量输出的预测结果,Ω(fk)为对第k次迭代训练后得到的决策树的复杂度评估,loss(·)为任意损失函数。
其中,需要说明的是,上述训练数据可以理解为历史传感信息,在将所述当前传感信息对应的特征向量输入训练后的分类模型,确定所述分类模型输出的车辆行为标签之前,还可以获取所述目标车辆的历史传感信息对应的历史特征向量;以所述历史特征向量为训练分类模型时的输入样本,以为所述历史特征向量预先设置的历史行为标签为输出样本,对所述分类模型进行训练,从而得到训练后的分类模型。
在一个示例性实施例中,进一步的,在控制所述目标车辆按照所述车辆行为标签对应的行驶指令行驶之后,提出了以下步骤:获取所述分类模型在训练完成时生成的决策树;确定当前传感信息对应的不同特征向量在所述决策树中对应的不同权重,获取每一特征向量和对应的权重的乘积,得到多个乘积;比较所述多个乘积,并根据比较结果对所述不同特征向量进行优先级排序,其中,具有最大值的乘积对应的特征向量具有最高优先级。
其中,上述不同特征向量在所述决策树中对应的不同权重例如可以通过不同特征向量对应的节点在决策树中出现的次数来确定,对于次数越多的特征向量,设置越大的权重值。
为了更好的理解上述车辆行驶的控制方法的过程,以下再结合可选实施例对上述车辆行驶的控制的实现方法流程进行说明,但不用于限定本申请实施例的技术方案。
在本实施例中提供了一种车辆行驶的控制方法,图3是根据本申请实施例的车辆行驶的控制方法的架构示意图,如图3所示,整体框架包含两个阶段,模型训练和模型预测。在模型训练阶段,包括感知数据获取(即上述获取目标车辆的当前传感信息的过程)、特征提取(即上述获取所述当前传感信息对应的特征向量的过程)、行为标定、模型训练等步骤,构建训练数据集,获得训练后的行为预测模型(相当于上述分类模型);在模型预测阶段,包括感知数据获取、特征提取等步骤,将实时提取得到的特征向量输入训练后的行为预测模型,便可得到车辆行为的预测标签(即上述车辆行为标签),以及预测标签对应的行驶指令。
在本实施例中,可以利用车辆自身配置的传感器,可获得以下感知数据:
1)道路信息,包括车道边界位置信息和车道间的连通信息。具体的,记当前时刻为t,编号为i的车道为Li(t)={Lefti(t),Righti(t),Centeri(t),Widthi(t),LL(t),LR(t)},其中Lefti(t)、Righti(t)、Centeri(t)、Widthi(t)、LL(t)、LR(t)分别为左边界线坐标序列、右边界线坐标序列、中心线坐标序列、车道宽度序列、该车道的左边相邻车道集合(即与当前道路相邻的左道路的道路集合)以及该车道的右边相邻车道集合(即与当前道路相邻的右道路的道路集合);
2)周围车辆的位置、朝向、速度、加速度、转向灯等信息,记当前时刻编号为j的车辆信息为其中各项分别表示x坐标、y坐标、朝向角、速度的x方向分量、速度的y方向分量、加速度的x方向分量、加速度的y方向分量以及信号灯标志,j=1,2,...,n,n为正整数。由于感知数据顺序到来,因此在构建训练数据集阶段,当前时刻t并非指最新数据对应的时刻,仅表示数据序列中的某一个时刻,在该时刻可获取历史时刻th到未来时刻tf这段时间内的数据。在实时运行使用行为预测模型的时候,当前时刻t才表示最新数据到来的时刻。
本实施例中,通过提取与车辆行为相关的特征可以充分利用感知数据中的信息,例如,对于编号为j的车辆,其特征向量具体的,可以通过将车辆信息Vj(t)转换到当前时刻t对应的车道i(取为车辆j所在的车道)中心线Centeri(t)构建的Frenet坐标系上得到,/>为可以通过将车辆信息Vj(t)和Vk(t)分别转换到车辆j所在车道i中心线Centeri(t)构建的Frenet坐标系上后作差得到。/>为过去t-th时间内/>的变化量,/>为过去t-th时间内/>的变化量。
本实施例中,在构建训练数据集时,还需要对车辆行为进行自动标定。对于车辆j,记当前时刻t所在车道编号为jt,对应的车道信息为在未来时刻tf所在车道编号为对应的车道信息为/>则根据车道的邻接信息可得到车辆行为标签Mj。
在一个实施例中,基于上述构建好的训练数据集训练XGBoost模型。XGBoost是一个可拓展的Tree boosting算法,被广泛用于数据科学领域。其核心思想是在训练出一棵树的基础上再训练下一棵树,预测其与真实分布间的差距。通过不断训练用来弥补差距的树,最终用树的组合实现对真实分布的模拟。
具体而言,主要步骤如下:
步骤1、输入训练数据D和配置参数。在本发明中,具体而言,包括特征向量Fj(t)和对应的标签Mj,j=1,2,...,n。配置参数包含多种,如迭代次数T。
步骤2、训练一棵新的决策树。XGBoost模型每一轮只训练一棵新的决策树。不失一般性,假定目前处于第k,k<T次迭代,则已经训练好了k-1棵决策树,则第k棵的目标是尽可能拟合k-1轮预测与真实标签之间的残差的同时,尽可能降低模型的复杂度,对应的目标函数为:
其中Md表示训练数据中第d个的标签,Fd(t)为第d个训练数据的特征向量,fk(·)表示当前拟合的决策树,表示前k-1棵决策树对第d个训练数据输出的预测结果,Ω(fk)为对当前拟合的决策树的复杂度评估,loss(·)为任意损失函数。
步骤3、当达到收敛条件或者到达指定的迭代次数后,停止训练。
在上述实施例中,在模型训练结束后,使用模型的时候,输入特征向量Fj(t),则每一棵决策树均会输出一个预测值,最后加起来便是最终的预测。
接下来,在一个实施例中,在车辆行为标签对应的行驶指令为车辆换道行为的情况下,设置车辆行为标签Mj={0,1,2}分别表示左变道,车道保持以及右变道,利用历史th=1秒的信息,预测未来tf=1秒的行为。
如图4所示,在一种可能的交通场景中,车辆0位于编号为0的车道上,车辆1位于编号为1的车道上,不失一般性的同时为方便起见,假定当前时刻为0和过去时刻为-1的车道中心线坐标系均分别为和/>从而当前时刻车辆0的坐标为(x0(0),y0(0)),过去时刻为-1的坐标为(x0(-1),y0(-1)),未来时刻为1的坐标为(x0(1),y0(1)),车辆1同理。因此,车辆0在当前时刻,即时刻0的特征向量为
其中,当前时刻的状态为车辆0信息V0(0)的投影到车道L0(0)的坐标系上得到的结果,包括位置、朝向角、速度、加速度以及信号灯状态等,即其中/>表示状态中的连续物理量,即
而当前时刻相对于其他车辆的状态,包括与左车道和右车道的前车和后车的相对状态,此处车辆0不存在右车道,左车道不存在前车,因此设置为缺省值,与左车道L1上的车辆1的相对状态为其中/>表示将车辆1的信息投影到车道L0(0)的坐标系/>上得到的结果中的连续物理量。
对于当前时刻状态相对于历史时刻状态的变化为时刻0的信息V0(0)的投影到车道L0(0)中心线坐标系得到的状态向量中连续分量与时刻-1的信息V0(-1)的投影到车道L0(0)中心线坐标系得到的状态向量中连续分量的差异。
至于与其他车辆的相对状态的变化量,在该场景中,只在车道1上存在车辆1,因此计算为
参照上述过程,车辆1在当前时刻的特征向量F1(0)同理可得。
例如,车辆0在未来时刻1换到了左车道1,因此在时刻0的行为标签M0=0,车辆1则在此时间内没有换到,因此在时刻0的行为标签M1=1。
对每个时刻场景中的所有车辆的传感数据均提取特征向量和行为标签,得到多个不同的时刻的传感数据构成的训练数据集,并使用训练数据集训练XGBoost模型,便可得到车辆行为预测模型。在实际使用的时候,根据当前时刻和历史时刻的信息,提取相应的特征,便可实时预测车辆换道行为。进一步的,还可查看推理路径和特征重要度等信息。
如图5至图8所示,横坐标中follow、left、right分别为车道保持、左变道、右变道,raw为直接利用信号灯预测的换道行为,xgb为基于XGBoost的行为预测模型的结果,图5至图8分别表示不同的评价指标对应的性能对比结果。图5对应的评价指标为accuracy,准确率。图6对应的评价指标为precision,精确性。图7对应的评价指标为recall,召回率。图8对应的评价指标为综合得分,macro_f1得分。
具体而言,对于行为预测分类,首先定义混淆矩阵的类型:1)混淆矩阵TP:正确地将样本检测为正类;2)混淆矩阵FP:错误地将样本检测为正类;3)混淆矩阵FN:错误地将样本检测为负类;4)混淆矩阵TN:正确地将样本检测为负类。
则在评价指标为accuracy时,通过每个类别的混淆矩阵将accuracy表示为:accuracy=(TP+TN)/(TP+TN+FP+FN),此时描述了分类正确的比例。
评价指标为precision时,通过每个类别的混淆矩阵将precision表示为:precision=(TP)/(TP+FP),此时描述了识别为该类的样本中正确的比例。
评价指标为recall时,通过每个类别的混淆矩阵将recall表示为:recall=(TP)/(TP+FN),此时描述了事实上该类的样本中正确识别出来的比例。
评价指标为macro_f1得分时,通过每个类别的混淆矩阵将macro__f1表示为:macro_f1=2(precision*recall)/(precision+recall),此时描述了综合的得分。
如图9所示,还可以通过计算每种特征在决策树中作为节点出现的次数得到特征向量对应的相对重要性。
根据图10所示的决策树就可以确定预测结果的推理路径。如根节点中Dx<15.0941505表示x分量的历史相对变化量与15.0941505进行比较(即中的x分量),若小于或该项特征无数值,则进入左子树,反之进入右子树。
通过上述实施例,能够通过获取当前传感信息对应的特征向量、更充分地利用感知信息预测车辆的换道行为,可以对各种特征的重要程度进行排序,便于进一步的筛选和评估,并可生成直观的解释性规则,便于追溯预测结果的来由,利于实际开发和调试。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例的方法。
图11是根据本申请实施例的一种车辆行驶的控制装置的结构框图;如图11所示,包括:
获取模块1102,用于获取目标车辆的当前传感信息,其中,所述当前传感信息至少包括以下之一:所述目标车辆对所述目标车辆所在的当前道路的第一传感信息,所述目标车辆对其他车辆的第二传感信息;
其中,需要说明的是,上述其他车辆可以位于所述当前道路,也可以位于与所述当前道路相邻的其他道路,本申请对此不做限制。
第一确定模块1104,用于将所述当前传感信息对应的特征向量输入训练后的分类模型,并获取所述分类模型输出的车辆行为标签;
第二确定模块1106,用于控制所述目标车辆按照所述车辆行为标签对应的行驶指令行驶。
通过上述装置,获取目标车辆的当前传感信息,其中,所述当前传感信息至少包括以下之一:所述目标车辆对所述目标车辆所在的当前道路的第一传感信息,所述目标车辆对其他车辆的第二传感信息;将所述当前传感信息对应的特征向量输入训练后的分类模型,并获取所述分类模型输出的车辆行为标签;控制所述目标车辆按照所述车辆行为标签对应的行驶指令行驶,解决了相关技术中,如何准确控制目标车辆的行驶过程的问题,进而提高了目标车辆的行驶过程的控制准确度。
在一个示例性实施例中,通过以下方式确定所述第一传感信息:根据所述目标车辆的当前位置确定所述目标车辆所在的当前道路;将所述目标车辆的传感设备采集到的所述当前道路的第一道路信息,与所述当前道路相邻的其他道路的第二道路信息,以及所述当前道路和所述其他道路的连通信息确定为所述第一传感信息;其中,所述连通信息是根据所述第一道路信息和所述第二道路信息得到的,且用于表示所述当前道路与所述其他道路之间是否允许跨越。
其中,根据所述第一道路信息和所述第二道路信息得到连通信息可以理解为根据当前道路的道路指示符号和其他道路的道路指示符号得到连通信息。例如,连通消息可以包括横向联通信息,表示相邻道路之间是否允许横向跨越。例如,对于双行道,如果双行道包括左转弯符号和直行符号,且双行道中间为虚线,则表示双行道之间联通。
其中,所述第一道路信息至少包括以下之一:所述当前道路的边界信息,所述当前道路的中心线信息,所述当前道路的道路宽度信息,所述第二道路信息至少包括以下之一:所述当前道路的边界信息,所述当前道路的中心线信息,所述当前道路的道路宽度信息;
其中,所述当前道路表示当前时刻为t,编号为i的道路,表示如下:Li(t)={Lefti(t),Righti(t),Centeri(t),Widthi(t),LL(t),LR(t)},其中Lefti(t)为所述当前道路的左边界信息、Righti(t)为所述当前道路的右边界信息、Centeri(t)为所述当前道路的中心线信息、Widthi(t)为所述当前道路的道路宽度信息、LL(t)为与所述当前道路相邻的左道路的道路集合、LR(t)为与所述当前道路相邻的右道路的道路集合。
需要说明的是,上述当前道路的边界信息例如可以表示为边界线坐标序列,上述当前道路的中心线信息例如可以表示为中心线坐标序列,上述当前道路的道路宽度信息例如可以表示为车道宽度序列。
在一个示例性实施例中,通过以下方式获取所述第二传感信息:对位于所述目标车辆的识别范围内的目标对象进行识别,得到识别结果;在确定所述识别结果指示所述目标对象为非生命对象的情况下,从所述非生命对象的传感信息中解析出所述第二传感信息。
在一个示例性实施例中,通过以下方式获取所述第二传感信息:通过以下公式获取所述第二传感信息Vj(t):
t为时刻,j为车辆编号,j=1,2,...,n,n为正整数,xj(t)为x坐标,yj(t)为y坐标,θj(t)为朝向角、/>为速度的x方向分量,/>为速度的y方向分量,/>为加速度的x方向分量,/>为加速度的y方向分量,sigj(t)为信号灯的标志向量。
可选的,在一个实施例中,在确定所述识别结果指示为生命对象的情况下,向目标对象发送提示信息,用于提示所述目标对象控制目标车辆减速或刹车。
在一个示例性实施例中,在将所述当前传感信息对应的特征向量输入训练后的分类模型之前,所述方法还包括:通过以下公式获取所述当前传感信息对应的特征向量Fj(t):其中,t为时刻,j为车辆编号,j=1,2,...,n,n为正整数,/>表示所述目标车辆j与道路i之间的位置特征向量,/>表示所述目标车辆j与所述其他车辆m之间的位置特征向量,/>表示所述目标车辆j与道路i之间的位置特征向量在历史时间段内的变化量,/>表示所述目标车辆j与所述其他车辆m的位置特征向量在所述历史时间段内的变化量。
其中,需要说明的是,目标车辆j与道路i之间的位置特征向量表示将目标车辆转化至车道的中心线构成的坐标系时得到的特征向量,目标车辆与所述其他车辆m之间的位置特征向量表示将目标车辆和其他车辆分别转化至车道的中心线构成的坐标系时的特征向量的差值。
其中,需要说明的是,上述Vm表示其他车辆m的车辆信息,上述Li表示当前道路i对应的道路信息。
在一个示例性实施例中,在对所述分类模型进行训练的过程中,所述方法还包括:为所述分类模型配置训练参数,其中,所述训练参数至少包括迭代次数;根据所述迭代次数对所述分类模型进行迭代训练,获取迭代训练后的第一决策结果和第二决策结果,其中,所述第一决策结果包括k-1次迭代训练后得到的k-1棵决策树,所述第二决策结果表示按照目标函数对第k次的训练结果进行拟合的结果,所述k表示所述迭代次数,其中,通过以下公式获取所述目标函数
其中,Md表示第d个训练数据的历史行为标签,Fd(t)为第d个训练数据的历史特征向量,fk(·)表示第k次迭代训练后得到的决策树,表示所述k-1棵决策树对第d个训练数据的历史特征向量输出的预测结果,Ω(fk)为对第k次迭代训练后得到的决策树的复杂度评估,loss(·)为任意损失函数。
其中,需要说明的是,在将所述当前传感信息对应的特征向量输入训练后的分类模型,确定所述分类模型输出的车辆行为标签之前,还可以获取所述目标车辆的历史传感信息对应的历史特征向量;以所述历史特征向量为训练分类模型时的输入样本,以为所述历史特征向量预先设置的历史行为标签为输出样本,对所述分类模型进行训练,从而得到训练后的分类模型。
在一个示例性实施例中,在控制所述目标车辆按照所述车辆行为标签对应的行驶指令行驶之后,包括:获取所述分类模型在训练完成时生成的决策树;确定当前传感信息对应的不同特征向量在所述决策树中对应的不同权重,获取每一特征向量和对应的权重的乘积,得到多个乘积;比较所述多个乘积,并根据比较结果对所述不同特征向量进行优先级排序,其中,具有最大值的乘积对应的特征向量具有最高优先级。
其中,上述不同特征向量在所述决策树中对应的不同权重例如可以通过不同特征向量对应的节点在决策树中出现的次数来确定,对于次数越多的特征向量,设置越大的权重值。
根据本申请的一个方面,提供了一种计算机程序产品,该计算机程序产品包括计算机程序/指令,该计算机程序/指令包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分909从网络上被下载和安装,和/或从可拆卸介质911被安装。在该计算机程序被中央处理器901执行时,执行本申请实施例提供的各种功能。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
图12是根据本申请实施例的一种电子设备的计算机系统结构框图,示意性地示出了用于实现本申请实施例的电子设备的计算机系统结构。
需要说明的是,图12示出的电子设备的计算机系统900仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图12所示,计算机系统900包括中央处理器901(Central Processing Unit,CPU),其可以根据存储在只读存储器902(Read-Only Memory,ROM)中的程序或者从存储部分908加载到随机访问存储器903(Random Access Memory,RAM)中的程序而执行各种适当的动作和处理。在随机访问存储器903中,还存储有系统操作所需的各种程序和数据。中央处理器901、在只读存储器902以及随机访问存储器903通过总线904彼此相连。输入/输出接口905(Input/Output接口,即I/0接口)也连接至总线904。
以下部件连接至输入/输出接口905:包括键盘、鼠标等的输入部分906;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分907;包括硬盘等的存储部分908;以及包括诸如局域网卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至输入/输出接口905。可拆卸介质911,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器910上,以便于从其上读出的计算机程序根据需要被安装入存储部分908。
特别地,根据本申请的实施例,各个方法流程图中所描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分909从网络上被下载和安装,和/或从可拆卸介质911被安装。在该计算机程序被中央处理器901执行时,执行本申请的系统中限定的各种功能。
根据本申请实施例的又一个方面,还提供了一种用于实施上述车辆行驶的控制方法的电子设备,该电子设备可以是图1所示的自动驾驶车辆或服务器。本实施例以该电子设备为自动驾驶车辆为例来说明。如图13所示,该电子设备包括存储器1002和处理器1004,该存储器1002中存储有计算机程序,该处理器1004被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述电子设备可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取目标车辆的当前传感信息,其中,所述当前传感信息至少包括以下之一:所述目标车辆对所述目标车辆所在的当前道路的第一传感信息,所述目标车辆对其他车辆的第二传感信息;
S2,将所述当前传感信息对应的特征向量输入训练后的分类模型,并获取所述分类模型输出的车辆行为标签;
S3,控制所述目标车辆按照所述车辆行为标签对应的行驶指令行驶。
可选地,本领域普通技术人员可以理解,图13所示的结构仅为示意,电子设备也可以是自动驾驶车辆。图13其并不对上述电子设备的结构造成限定。例如,电子设备还可包括比图13中所示更多或者更少的组件(如网络接口等),或者具有与图13所示不同的配置。
其中,存储器1002可用于存储软件程序以及模块,如本申请实施例中的车辆行驶的控制方法和装置对应的程序指令/模块,处理器1004通过运行存储在存储器1002内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的车辆行驶的控制方法。存储器1002可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器1002可进一步包括相对于处理器1004远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中,存储器1002具体可以但不限于用于包含敏感数据的日志等信息。作为一种示例,如图13所示,上述存储器1002中可以但不限于包括上述车辆行驶的控制装置中的获取模块1102,第一确定模块1104,第二确定模块1106。此外,还可以包括但不限于上述车辆行驶的控制装置中的其他模块单元,本示例中不再赘述。
可选地,上述的传输装置1006用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输装置1006包括一个网络适配器(Network Interface Controller,NIC),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输装置1006为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
此外,上述电子设备还包括:显示器1008;和连接总线1010,用于连接上述电子设备中的各个模块部件。
在其他实施例中,上述自动驾驶车辆或者服务器可以是一个分布式系统中的一个节点,其中,该分布式系统可以为区块链系统,该区块链系统可以是由该多个节点通过网络通信的形式连接形成的分布式系统。其中,节点之间可以组成点对点(P2P,Peer To Peer)网络,任意形式的计算设备,比如服务器、终端等电子设备都可以通过加入该点对点网络而成为该区块链系统中的一个节点。
本申请的实施例还提供了一种存储介质,该存储介质包括存储的程序,其中,上述程序运行时执行上述任一项的方法。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的程序代码:
S1,获取目标车辆的当前传感信息,其中,所述当前传感信息至少包括以下之一:所述目标车辆对所述目标车辆所在的当前道路的第一传感信息,所述目标车辆对其他车辆的第二传感信息;
S2,将所述当前传感信息对应的特征向量输入训练后的分类模型,并获取所述分类模型输出的车辆行为标签;
S3,控制所述目标车辆按照所述车辆行为标签对应的行驶指令行驶。
本申请的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取目标车辆的当前传感信息,其中,所述当前传感信息至少包括以下之一:所述目标车辆对所述目标车辆所在的当前道路的第一传感信息,所述目标车辆对其他车辆的第二传感信息;
S2,将所述当前传感信息对应的特征向量输入训练后的分类模型,并获取所述分类模型输出的车辆行为标签;
S3,控制所述目标车辆按照所述车辆行为标签对应的行驶指令行驶。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本申请的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本申请不限制于任何特定的硬件和软件结合。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (7)
1.一种车辆行驶的控制方法,其特征在于,包括:
获取目标车辆的当前传感信息,其中,所述当前传感信息至少包括以下之一:所述目标车辆对所述目标车辆所在的当前道路的第一传感信息,所述目标车辆对其他车辆的第二传感信息;
将所述当前传感信息对应的特征向量输入训练后的分类模型,并获取所述分类模型输出的车辆行为标签;
控制所述目标车辆按照所述车辆行为标签对应的行驶指令行驶;
其中,所述车辆行为标签是根据所述目标车辆在当前时刻的车道信息和所述目标车辆在未来时刻的车道信息之间的车道的邻接信息得到的,在所述行驶指令为车辆换道行为的情况下,所述车辆行为标签至少包括以下之一:左变道,车道保持以及右变道;
其中,通过以下方式确定所述第一传感信息:
根据所述目标车辆的当前位置确定所述目标车辆所在的当前道路;
将所述目标车辆的传感设备采集到的所述当前道路的第一道路信息,与所述当前道路相邻的其他道路的第二道路信息,以及所述当前道路和所述其他道路的连通信息确定为所述第一传感信息;其中,所述连通信息是根据所述第一道路信息和所述第二道路信息得到的,且用于表示所述当前道路与所述其他道路之间是否允许跨越;
其中,通过以下方式获取所述第二传感信息:
对位于所述目标车辆的识别范围内的目标对象进行识别,得到识别结果;
在确定所述识别结果指示所述目标对象为非生命对象的情况下,从所述非生命对象的传感信息中解析出所述第二传感信息;
其中,在将所述当前传感信息对应的特征向量输入训练后的分类模型之前,所述方法还包括:
通过以下公式获取所述当前传感信息对应的特征向量:
,
其中,为时刻,/>为车辆编号,/>,/>为正整数,/>表示所述目标车辆与道路/>之间的位置特征向量,/>表示所述目标车辆与所述其他车辆之间的位置特征向量,/>表示所述目标车辆与道路/>之间的位置特征向量在历史时间段内的变化量,/>表示所述目标车辆与所述其他车辆/>的位置特征向量在所述历史时间段内的变化量,/>表示其他车辆/>的车辆信息,所述/>表示当前道路对应的道路信息。
2.根据权利要求1所述的车辆行驶的控制方法,其特征在于,获取所述第二传感信息,还包括:
通过以下公式获取所述第二传感信息:
,
其中,为时刻,/>为车辆编号,/>,/>为正整数,/>为/>坐标,/>为/>坐标,/>为朝向角、/>为速度的/>方向分量,/>为速度的/>方向分量,/>为加速度的/>方向分量,/>为加速度的/>方向分量,/>为信号灯的标志向量。
3.根据权利要求1所述的车辆行驶的控制方法,其特征在于,在对所述分类模型进行训练的过程中,所述方法还包括:
为所述分类模型配置训练参数,其中,所述训练参数至少包括迭代次数;
根据所述迭代次数对所述分类模型进行迭代训练,获取迭代训练后的第一决策结果和第二决策结果,其中,所述第一决策结果包括次迭代训练后得到的/>棵决策树,所述第二决策结果表示按照目标函数对第/>次的训练结果进行拟合的结果,所述/>示所述迭代次数,其中,通过以下公式获取所述目标函数/>:
,
其中,所述目标函数用于在第k次迭代时使用任意损失函数来度量/>和预测结果之间的差异程度,其中,任意损失函数越小,差异程度越小,预测结果包括基于第k棵决策树对第/>个训练数据的特征向量输出的预测结果,以及前/>棵决策树对第/>个训练数据输出的预测结果,/>表示第/>个训练数据的历史行为标签,/>为第/>个训练数据的历史特征向量,/>表示第/>次迭代训练后得到的决策树,/>表示所述/>棵决策树对第/>个训练数据的历史特征向量输出的预测结果,/>为对第/>次迭代训练后得到的决策树的复杂度评估,/>为任意损失函数。
4.根据权利要求1所述的车辆行驶的控制方法,其特征在于,在控制所述目标车辆按照所述车辆行为标签对应的行驶指令行驶之后,包括:
获取所述分类模型在训练完成时生成的决策树;
确定当前传感信息对应的不同特征向量在所述决策树中对应的不同权重,获取每一特征向量和对应的权重的乘积,得到多个乘积;
比较所述多个乘积,并根据比较结果对所述不同特征向量进行优先级排序,其中,具有最大值的乘积对应的特征向量具有最高优先级。
5.一种车辆行驶的控制装置,其特征在于,包括:
获取模块,用于获取目标车辆的当前传感信息,其中,所述当前传感信息至少包括以下之一:所述目标车辆对所述目标车辆所在的当前道路的第一传感信息,所述目标车辆对其他车辆的第二传感信息;
第一确定模块,用于将所述当前传感信息对应的特征向量输入训练后的分类模型,并获取所述分类模型输出的车辆行为标签;其中,所述车辆行为标签是根据所述目标车辆在当前时刻的车道信息和所述目标车辆在未来时刻的车道信息之间的车道的邻接信息得到的,在所述行驶指令为车辆换道行为的情况下,所述车辆行为标签至少包括以下之一:左变道,车道保持以及右变道;
第二确定模块,用于控制所述目标车辆按照所述车辆行为标签对应的行驶指令行驶;
所述获取模块还用于:根据所述目标车辆的当前位置确定所述目标车辆所在的当前道路;将所述目标车辆的传感设备采集到的所述当前道路的第一道路信息,与所述当前道路相邻的其他道路的第二道路信息,以及所述当前道路和所述其他道路的连通信息确定为所述第一传感信息;其中,所述连通信息是根据所述第一道路信息和所述第二道路信息得到的,且用于表示所述当前道路与所述其他道路之间是否允许跨越;
所述获取模块还用于:对位于所述目标车辆的识别范围内的目标对象进行识别,得到识别结果;在确定所述识别结果指示所述目标对象为非生命对象的情况下,从所述非生命对象的传感信息中解析出所述第二传感信息;
所述第一确定模块还用于:通过以下公式获取所述当前传感信息对应的特征向量:/>,其中,/>为时刻,/>为车辆编号,/>,为正整数,/>表示所述目标车辆/>与道路/>之间的位置特征向量,/>表示所述目标车辆与所述其他车辆/>之间的位置特征向量,/>表示所述目标车辆与道路/>之间的位置特征向量在历史时间段内的变化量,/>表示所述目标车辆与所述其他车辆的位置特征向量在所述历史时间段内的变化量,/>表示其他车辆/>的车辆信息,所述表示当前道路/>对应的道路信息。
6.一种计算机可读的存储介质,其特征在于,所述计算机可读的存储介质包括存储的程序,其中,所述程序运行时执行所述权利要求1至4任一项中所述的方法。
7.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行所述权利要求1至4任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211535791.9A CN115985124B (zh) | 2022-11-30 | 2022-11-30 | 车辆行驶的控制方法、装置、存储介质及电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211535791.9A CN115985124B (zh) | 2022-11-30 | 2022-11-30 | 车辆行驶的控制方法、装置、存储介质及电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115985124A CN115985124A (zh) | 2023-04-18 |
CN115985124B true CN115985124B (zh) | 2024-02-06 |
Family
ID=85965572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211535791.9A Active CN115985124B (zh) | 2022-11-30 | 2022-11-30 | 车辆行驶的控制方法、装置、存储介质及电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115985124B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537209A (zh) * | 2014-12-09 | 2015-04-22 | 上海交通大学 | 基于隐马尔科夫模型的车辆行驶道路类型的判断方法 |
CN104925055A (zh) * | 2014-03-18 | 2015-09-23 | 福特全球技术公司 | 用于检测车辆周围区域中的移动物体的方法和装置 |
CN111301404A (zh) * | 2020-02-06 | 2020-06-19 | 北京小马慧行科技有限公司 | 车辆的控制方法及装置、存储介质及处理器 |
CN112829747A (zh) * | 2021-02-23 | 2021-05-25 | 国汽(北京)智能网联汽车研究院有限公司 | 一种驾驶行为决策方法、装置及存储介质 |
CN114463977A (zh) * | 2022-02-10 | 2022-05-10 | 北京工业大学 | 一种基于车路协同多源数据融合交通流预测的路径规划方法 |
CN115031981A (zh) * | 2021-03-04 | 2022-09-09 | 华为技术有限公司 | 一种车辆、传感器的仿真方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3114574A4 (en) * | 2014-03-03 | 2018-03-07 | Inrix, Inc. | Traffic obstruction detection |
-
2022
- 2022-11-30 CN CN202211535791.9A patent/CN115985124B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104925055A (zh) * | 2014-03-18 | 2015-09-23 | 福特全球技术公司 | 用于检测车辆周围区域中的移动物体的方法和装置 |
CN104537209A (zh) * | 2014-12-09 | 2015-04-22 | 上海交通大学 | 基于隐马尔科夫模型的车辆行驶道路类型的判断方法 |
CN111301404A (zh) * | 2020-02-06 | 2020-06-19 | 北京小马慧行科技有限公司 | 车辆的控制方法及装置、存储介质及处理器 |
CN112829747A (zh) * | 2021-02-23 | 2021-05-25 | 国汽(北京)智能网联汽车研究院有限公司 | 一种驾驶行为决策方法、装置及存储介质 |
CN115031981A (zh) * | 2021-03-04 | 2022-09-09 | 华为技术有限公司 | 一种车辆、传感器的仿真方法及装置 |
CN114463977A (zh) * | 2022-02-10 | 2022-05-10 | 北京工业大学 | 一种基于车路协同多源数据融合交通流预测的路径规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115985124A (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7075366B2 (ja) | 運転場面データを分類するための方法、装置、機器及び媒体 | |
US10642268B2 (en) | Method and apparatus for generating automatic driving strategy | |
CN109520744B (zh) | 自动驾驶车辆的驾驶性能测试方法和装置 | |
CN109919347B (zh) | 路况生成方法、相关装置和设备 | |
Chen et al. | A short-term traffic prediction model in the vehicular cyber–physical systems | |
CN111652912B (zh) | 车辆计数方法和系统、数据处理设备及智能拍摄设备 | |
CN112015843B (zh) | 基于多车意图交互结果的行车风险态势评估方法及系统 | |
EP2255347B1 (en) | Travel pattern information obtaining device, travel pattern information obtaining method, travel pattern information obtaining program and computer readable medium | |
WO2016096226A1 (en) | A traffic data fusion system and the related method for providing a traffic state for a network of roads | |
Chandra Shit | Crowd intelligence for sustainable futuristic intelligent transportation system: a review | |
CN111721306B (zh) | 道路匹配方法、装置、电子设备及可读存储介质 | |
CN111383444B (zh) | 预测路况状态的方法、装置、服务器及存储介质 | |
CN113159403B (zh) | 路口行人轨迹预测的方法及装置 | |
CN110322687B (zh) | 确定目标交叉口运行状态信息的方法和装置 | |
CN114596709B (zh) | 数据处理方法、装置、设备以及存储介质 | |
CN110909907A (zh) | 卡车的油耗预测方法、装置及存储介质 | |
CN115165398A (zh) | 车辆的行驶功能测试方法、装置、计算设备及介质 | |
CN113643532A (zh) | 一种区域交通的预测方法以及设备 | |
CN115985124B (zh) | 车辆行驶的控制方法、装置、存储介质及电子装置 | |
CN116737857A (zh) | 道路数据处理方法、相关装置和介质 | |
CN115456060A (zh) | 一种预测轨迹的处理方法和装置 | |
CN114495486A (zh) | 一种基于层次强化学习的微观交通流预测系统及方法 | |
CN112614156A (zh) | 一种多目标跟踪网络模型的训练方法、装置及相关设备 | |
CN113850929B (zh) | 一种标注数据流处理的展示方法、装置、设备和介质 | |
Abdelhalim | A real-time computer vision based framework for urban traffic safety assessment and driver behavior modeling using virtual traffic lanes |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |