CN116244814A - 车辆驾驶合规分值检测方法、装置、电子设备和存储介质 - Google Patents
车辆驾驶合规分值检测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116244814A CN116244814A CN202111465917.5A CN202111465917A CN116244814A CN 116244814 A CN116244814 A CN 116244814A CN 202111465917 A CN202111465917 A CN 202111465917A CN 116244814 A CN116244814 A CN 116244814A
- Authority
- CN
- China
- Prior art keywords
- driving
- compliance
- vehicle
- acquisition
- parameters
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例公开一种车辆驾驶合规分值检测方法、装置、电子设备和存储介质;包括:确定处于驾驶状态的目标车辆所对应目标时间段,所述目标时间段包括t个采集时刻;获取每个所述采集时刻采集到的车辆驾驶参数和交通环境参数;根据t个采集时刻对应的车辆驾驶参数和交通环境参数构建驾驶合规评估矩阵;对所述驾驶合规评估矩阵进行合规分值检测处理,得到所述目标车辆在所述目标时间段内的驾驶合规分值。与现有技术相比,本申请获取到的数据量更加全面且丰富,因此可以改善现有技术中对车辆驾驶行为是否文明的检测不够全面的问题。
Description
技术领域
本申请涉及计算机领域,具体涉及一种车辆驾驶合规分值检测方法、装置、电子设备和存储介质。
背景技术
车辆驾驶行为是否文明,不仅能反映车辆所属车主的交通行驶文明程度,还可以反映一个区域乃至一个城市的交通行驶文明程度。
现有技术中,在判断车辆驾驶行为是否文明时,通常是由监控摄像头获取某一固定路段的监控视频,并根据一定时段内是否有车辆在该固定路段产生违反交通规则的行为(比如闯红灯、不礼让行人等)来查找出驾驶行为不文明的车辆。
然而,监控摄像头的覆盖范围毕竟有限,因此现有技术存在对车辆驾驶行为是否文明的检测不够全面的问题。
发明内容
本申请实施例提供一种车辆驾驶合规分值检测方法、装置、电子设备和存储介质,可以改善现有技术中对车辆驾驶行为是否文明的检测不够全面的问题。
本申请实施例提供一种车辆驾驶合规分值检测方法,确定处于驾驶状态的目标车辆所对应目标时间段,所述目标时间段包括t个采集时刻;获取每个所述采集时刻采集到的车辆驾驶参数和交通环境参数;根据t个采集时刻对应的车辆驾驶参数和交通环境参数构建驾驶合规评估矩阵;对所述驾驶合规评估矩阵进行合规分值检测处理,得到所述目标车辆在所述目标时间段内的驾驶合规分值。
本申请实施例还提供一种车辆驾驶合规分值检测装置,所述装置包括:
目标时间段确定单元,用于确定处于驾驶状态的目标车辆所对应目标时间段,所述目标时间段包括t个采集时刻;
参数获取单元,用于获取每个所述采集时刻采集到的车辆驾驶参数和交通环境参数;
矩阵构建单元,用于根据t个采集时刻对应的车辆驾驶参数和交通环境参数构建驾驶合规评估矩阵;
分值获取单元,用于对所述驾驶合规评估矩阵进行合规分值检测处理,得到所述目标车辆在所述目标时间段内的驾驶合规分值。
在一些实施例中,所述分值获取单元,具体包括:
特征提取子单元,用于对所述驾驶合规评估矩阵进行多次特征提取处理,得到特征处理结果;
分值匹配子单元,用于将所述特征处理结果与预先设置的多个候选合规分值进行匹配处理,得到所述特征处理结果在每个所述候选合规分值对应的权重值;
权重选择子单元,用于从所述多个候选合规分值中,选择权重值满足第一预设条件的候选合规分值,所述权重值满足第一预设条件的候选合规分值为所述目标车辆对应的驾驶合规分值。
在一些实施例中,特征提取子单元,具体包括:
第一卷积次子单元,用于在第x个卷积层对所述驾驶合规评估矩阵进行卷积处理,得到第x个卷积层输出的第一特征,其中,x为正整数;
第一采样次子单元,用于在第x+1个采样层对第x个卷积层输出的第一特征进行降采样处理,得到第x+1个采样层输出的第二特征;
第二卷积次子单元,用于在第x+1个卷积层对第x+1个采样层输出的第二特征进行卷积处理,得到第x+1个卷积层输出的第三特征;
第二采样次子单元,用于在第x+2个采样层对第x+1个卷积层输出的第三特征进行降采样处理,得到第x+2个采样层输出的第四特征,其中,所述第四特征为所述特征处理结果。
在一些实施例中,分值匹配子单元,包括:
向量映射次子单元,用于在全连接层将所述第四特征映射为N维向量,所述多个候选合规分值的数量为N,向量与候选合规分值之间存在映射关系,N为正整数;
归一处理次子单元,用于对所述N维向量进行归一化处理,得到每个所述候选合规分值对应的权重值。在一些实施例中,矩阵构建单元,具体用于:将所述t个采集时刻作为第一维度、每个所述采集时刻对应的所述多个不同类型的子参数作为第二维度,构建所述驾驶合规评估矩阵。在一些实施例中,所述车辆驾驶参数包括第一车辆驾驶参数和第二车辆驾驶参数;所述交通环境参数包括第一交通环境参数和第二交通环境参数;参数获取单元,具体包括:
第一参数获取子单元,对于每个所述采集时刻,获取所述目标车辆的车载采集设备采集到的第一车辆驾驶参数和第一交通环境参数;
第二参数获取子单元,对于每个所述采集时刻,获取所述目标车辆对应的交通监控设备采集到的第二车辆驾驶参数和第二交通环境参数。
在一些实施例中,所述t个采集时刻分为奇数次序采集时刻和偶数次序采集时刻;参数获取单元,包括:
奇数次序采集子单元,用于当所述采集时刻为奇数次序采集时刻时,获取所述目标车辆的车载采集设备在该奇数次序采集时刻采集到的车辆驾驶参数和交通环境参数;
偶数次序采集子单元,用于当所述采集时刻为偶数次序采集时刻时,获取所述目标车辆对应的交通监控设备在该偶数次序采集时刻采集到的车辆驾驶参数和交通环境参数。
在一些实施例中,分值获取单元,具体用于采用训练后检测网络对所述驾驶合规评估矩阵进行合规分值检测处理;所述装置还可以包括:
网络训练单元,用于利用车辆驾驶参数样本、交通环境参数样本以及对应的驾驶合规分值样本结果对检测网络进行训练,得到所述训练后检测网络。
在一些实施例中,所述装置还可以包括:
虚拟样本获取单元,用于获取城市交通虚拟仿真系统生成的所述车辆驾驶参数样本、交通环境参数样本以及对应的驾驶合规分值样本结果。
在一些实施例中,所述装置还可以包括:
车载设备获取单元,用于获取车载采集设备采集到的所述车辆驾驶参数样本和交通环境参数样本的至少部分训练样本;
道路设备获取单元,用于获取交通监控设备采集到的所述车辆驾驶参数样本和交通环境参数样本的至少部分训练样本;
样本结果获取单元,用于获取所述车辆驾驶参数样本、交通环境参数样本对应的所述驾驶合规分值样本结果。
在一些实施例中,所述装置还包括:
多次分值获取单元,用于获取所述目标车辆在预设历史时间段内的多次驾驶合规分值;
第一运算处理单元,用于利用第一运算处理算法对所述多次驾驶合规分值进行运算处理,得到第一运算结果,其中,所述第一运算结果为所述目标车辆对应的车辆合规分值;
车辆分值运算单元,用于获取所述预设历史时间段内,在所述目标区域行驶的全部车辆的车辆合规分值;
第二运算处理单元,用于利用第二运算处理算法对所述全部车辆的车辆合规分值进行运算处理,得到第二运算结果,其中,所述第二运算结果为所述目标区域对应的区域合规分值。
本申请实施例提供的车辆驾驶合规分值检测方法中,可以确定处于驾驶状态的目标车辆所对应目标时间段,并获取目标时间段包括的t个采集时刻中每个采集时刻对应的车辆驾驶参数和交通环境参数。然后根据t个采集时刻对应的车辆驾驶参数和交通环境参数进行驾驶合规评估矩阵的构建。接着对构建完成的驾驶合规评估矩阵进行合规分值检测处理,得到目标车辆对应的驾驶合规分值。
在本申请中,可以根据t个采集时刻对应的车辆驾驶参数和交通环境参数构建驾驶合规评估矩阵,然后再对驾驶合规评估矩阵进行合规分值检测处理的方式得到目标车辆对应的驾驶合规分值,与现有技术相比,本申请获取到的数据量更加全面且丰富,因此可以改善现有技术中对车辆驾驶行为是否文明的检测不够全面的问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,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他的附图。
图1a是本申请实施例提供的车辆驾驶合规分值检测方法的场景示意图;
图1b是本申请一实施例提供的车辆驾驶合规分值检测方法的流程示意图;
图1c示出了将驾驶合规评估矩阵输入CNN,并得到驾驶合规分值的一种具体实施方式的流程示意图;
图2是本申请另一实施例提供的车辆驾驶合规分值检测方法的流程示意图;
图3是本申请一实施例提供的车辆驾驶合规分值检测装置的一种结构示意图;
图4是本申请实施例提供的电子设备的结构示意图。
具体实施方式
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,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提供一种车辆驾驶合规分值检测方法、装置、电子设备和存储介质。
其中,该车辆驾驶合规分值检测装置具体可以集成在电子设备中,该电子设备可以为终端、服务器等设备。其中,终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、或者个人电脑(Personal Computer,PC)等设备,在一些实施例中,上述的终端可以布设在车辆上。服务器可以是单一服务器,也可以是由多个服务器组成的服务器集群。
在一些实施例中,该车辆驾驶合规分值检测装置还可以集成在多个电子设备中,比如,车辆驾驶合规分值检测装置可以集成在多个服务器中,由多个服务器来实现本申请的车辆驾驶合规分值检测方法。
在一些实施例中,服务器也可以以终端的形式来实现。
例如,参考图1a,上述的电子设备可以执行如下方法:确定处于驾驶状态的目标车辆所对应目标时间段,所述目标时间段包括t个采集时刻,如图1a示出的采集时刻1、采集时刻2…采集时刻t。获取每个所述采集时刻采集到的车辆驾驶参数和交通环境参数,每个所述采集时刻采集到的车辆驾驶参数以及交通环境参数共同对应多个不同类型的子参数;详情请参见图1a,t个采集时刻中的每个采集时刻均对应i个子参数:子参数1、子参数2…子参数i,应当理解,不同采集时刻对应的相同类型的子参数的参数数值不同,例如,采集时刻1的子参数1的参数数值与采集时刻2的子参数1的参数数值不同。根据t个采集时刻对应的车辆驾驶参数和交通环境参数构建驾驶合规评估矩阵;对所述驾驶合规评估矩阵进行合规分值检测处理,得到所述目标车辆在所述目标时间段内的驾驶合规分值。
以下分别进行详细说明。需说明的是,以下实施例的序号不作为对实施例优选顺序的限定。
在本实施例中,提供了一种车辆驾驶合规分值检测方法,如图1b所示,该车辆驾驶合规分值检测方法应用在终端,该方法的具体流程可以包括如下步骤110至步骤140:
110、确定处于驾驶状态的目标车辆所对应目标时间段,所述目标时间段包括t个采集时刻。
目标车辆为待进行车辆驾驶合规分值检测的车辆,驾驶状态指的是目标车辆的车主正在驾驶目标车辆的状态。目标时间段为观察目标车辆对周围环境应对的某一小段时间范围,目标时间段为目标车辆对应的一个历史时间段,目标时间段可以是若干个小时,也可以是若干分钟,目标时间段的具体时间长度值不应该理解为是对本申请的限制。t个采集时刻可以均匀地分散在目标时间段内,也可以不均匀地分散在目标时间段内。
例如,不妨设目标时间段为某日的14:00至17:00共3个小时,t取值为180,则采集时刻可以是在14:00至17:00共3个小时内每间隔一分钟确定一次;采集时刻也可以是在14:00至15:00有50个采集时刻,在15:00至16:00有80个采集时刻,在16:00至17:00有50个采集时刻。目标时间段内t个采集时刻的分布规律不应该理解为是对本申请的限制。
120、获取每个所述采集时刻采集到的车辆驾驶参数和交通环境参数。
车辆驾驶参数和交通环境参数为计算驾驶合规分值的参数依据,车辆驾驶参数和交通环境参数由采集设备进行检测。每个所述采集时刻采集到的车辆驾驶参数以及交通环境参数共同对应多个不同类型的子参数,车辆行驶参数和交通环境参数均有各自对应的不同类型的子参数。
车辆行驶参数为反映车辆行驶状态的参数,具体可以包括如下子参数:车辆行驶速度、加速度、转向角度、车辆位置坐标、车辆所处海拔、车辆类型、车辆大小、车辆重量等。例如,在某个采集时刻,可以获取到的车辆行驶参数具体如下:车辆行驶速度50km/h,加速度1m/s^2,转向角度未15°,车辆位置坐标经度120.28346999、纬度31.48413830,车辆所处海拔13.71240821米,车辆类型为1(其中,1表示公共汽车,2表示卡车,3表示汽车…),车辆重量6000kg…
交通环境参数为反映车辆所处的环境的参数,具体可以包括如下子参数:道路标志线、道路是否积水、道路是否结冰、交通指示牌类型、周围物体(如车辆、行人、静态障碍物等)的信息(如相对位置、相对速度等)、道路附近建筑物信息(如学校、加油站、公交站、医院等)、天气状况(如晴雨雾雪风等)等。例如,在某个采集时刻,可以获取到的交通环境参数具体如下:道路标志线2(其中,1表示虚线,2表示实线,3表示双实线等),道路是否积水1(其中,1表示有积水,2表示无积水),道路是否结冰1(其中,1表示有结冰,2表示无结冰),交通指示牌类型3(其中,1表示注意行人,2表示禁止机动车驶入,3表示限速30km/h等),周围有2物体为静态、距目标车辆x米(其中,1物体表示车辆、2物体表示行人、3物体表示静态障碍物等),道路附近建筑物信息3(其中,1表示学校、2表示加油站、3表示公交站、4表示医院等),天气状态1(其中,1表示晴,2表示雨,3表示雾,4表示雪,5表示风等)。
可选地,在一种具体实施方式中,所述车辆驾驶参数包括第一车辆驾驶参数和第二车辆驾驶参数;所述交通环境参数包括第一交通环境参数和第二交通环境参数,采集设备包括车载采集设备和交通监控设备。相应的,步骤120具体可以包括如下步骤:对于每个所述采集时刻,获取所述目标车辆的车载采集设备采集到的第一车辆驾驶参数和第一交通环境参数;获取所述目标车辆对应的交通监控设备采集到的第二车辆驾驶参数和第二交通环境参数。
车载采集设备为能够随目标车辆移动的采集设备,车载采集设备包括摄像头、激光雷达、毫米波雷达、全球定位系统(Global Positioning System,简称GPS)设备、惯性测量单元(Inertial measurement unit,简称IMU)等。第一车辆驾驶参数和第一交通环境参数为通过车载采集设备采集到的参数。
交通监控设备为架设在城市道路旁的、能够对道路的交通状况进行监控的设备,交通监控设备可以架设在路口处或交通繁忙的路段。交通监控设备包括摄像头、雷达测速仪、称重仪器等。第二车辆驾驶参数和第二交通环境参数为通过交通监控设备采集到的参数。
应当理解,在上述的实施方式中,第一车辆驾驶参数、第一交通环境参数与第二车辆驾驶参数、第二交通环境参数的区分仅在于采集设备的不同。第一车辆驾驶参数、第一交通环境参数可以包括多个子参数,例如,车载采集设备既可以采集车辆行驶参数中的车辆行驶速度、加速度、转向角度、车辆位置坐标等参数,又可以采集交通环境参数中的周围物体(如车辆、行人、静态障碍物等)的信息(如相对位置、相对速度等)、道路附近建筑物信息等。
同理,第二车辆驾驶参数和第二交通环境参数可以包括多个子参数;例如,交通监控设备既可以采集道路标志线、道路是否积水、道路是否结冰、交通指示牌类型等参数;又可以通过摄像头采集车辆类型、车辆大小等参数,或通过埋设在路口的称重仪器采集车辆重量参数。
应当理解,除了如上述的、在每个采集时刻均由车载采集设备以及交通监控设备分别采集车辆驾驶参数和交通环境参数的部分以外,也可以在不同的采集时刻由车载采集设备或交通监控设备单独采集全部的车辆驾驶参数和交通环境参数。
例如,不妨以全部车辆驾驶参数和交通环境参数是i个子参数为例,继续进行说明:
在一种实施方式中,在每个采集时刻,均是由车载采集设备采集a个子参数,由交通监控设备采集i-a个子参数,其中,a<i且a为正整数。通过车载采集设备与交通监控设备的相互配合,实现了每个采集时刻对应的i个子参数的采集工作。在上述的实施方式中,由于车载采集设备与交通监控设备均有各自擅长采集的子参数,因此通过上述两个采集设备相互补充的方式进行采集,可以使得采集到的子参数的数值更加精准。
在另一种实施方式中,不同的采集时刻可以由车载采集设备或交通监控设备单独采集全部i个子参数。t个采集时刻分为奇数次序采集时刻和偶数次序采集时刻,步骤120具体还可以包括如下步骤:
若所述采集时刻为奇数次序采集时刻,获取所述目标车辆的车载采集设备在该奇数次序采集时刻采集到的车辆驾驶参数和交通环境参数;若所述采集时刻为偶数次序采集时刻,获取所述目标车辆对应的交通监控设备在该偶数次序采集时刻采集到的车辆驾驶参数和交通环境参数。
不妨设采集时刻j为奇数次序采集时刻,采集时刻j+1为偶数次序采集时刻,例如,在采集时刻j,可以由车载采集设备采集全部i个子参数;在采集时刻j+1,可以由交通监控设备采集全部i个子参数。其中,j为正整数。在上述的实施方式中,通过车载采集设备与交通监控设备在不同的采集时刻交替采集全部i个子参数,在一个采集设备运行时,另一个采集设备可以处于待机状态,可以使得数据的采集过程更加节能环保。
可以理解,每个采集时刻被采集到的i个子参数的具体采集过程不应该理解为是对本申请的限制。
130、根据t个采集时刻对应的车辆驾驶参数和交通环境参数构建驾驶合规评估矩阵构建所述驾驶合规评估矩阵。
步骤130具体可以包括如下步骤:将所述t个采集时刻作为第一维度、每个所述采集时刻对应的所述多个不同类型的子参数作为第二维度,构建所述驾驶合规评估矩阵。第一维度为二维的驾驶合规评估矩阵的其中一个维度,第二维度为驾驶合规评估矩阵的另一个维度。第一维度可以是驾驶合规评估矩阵的纵向维度,即列,也可以是驾驶合规评估矩阵的横向维度,即行。第二维度与第一维度对应:若第一维度是列,则第二维度是行;若第一维度是行,则第二维度是列。
接上文的举例继续进行说明,多个不同类型的子参数可以是i个子参数,不妨设第一维度为列,第二维度为行,则构建出的驾驶合规评估矩阵为i×t的矩阵。
140、对所述驾驶合规评估矩阵进行合规分值检测处理,得到所述目标车辆在所述目标时间段内的驾驶合规分值。
在通过步骤130获取到驾驶合规评估矩阵之后,通过对驾驶合规评估矩阵进行合规分值检测处理,便可以得到目标车辆本次检测对应的驾驶合规分值。
可选地,在一种具体实施方式中,对驾驶合规评估矩阵进行合规分值检测处理,具体可以包括如下步骤141至步骤143:
141、对所述驾驶合规评估矩阵进行多次特征提取处理,得到特征处理结果。
特征提取处理可以通过卷积神经网络(Convolutional Neural Networks,简称CNN)的卷积层实现。可以通过多个卷积层对驾驶合规评估矩阵进行多次特征提取处理,得到特征处理结果。
应当理解,在相邻的两次特征提取处理之间,还可以进行其他处理,例如池化采样、平滑、膨胀等处理。
可选地,在一种具体实施方式中,步骤141具体可以包括如下步骤1411至步骤1414:
1411、在第x个卷积层对所述驾驶合规评估矩阵进行卷积处理,得到第x个卷积层输出的第一特征,其中,x为正整数。
1412、在第x+1个采样层对第x个卷积层输出的第一特征进行降采样处理,得到第x+1个采样层输出的第二特征。
1413、在第x+1个卷积层对第x+1个采样层输出的第二特征进行卷积处理,得到第x+1个卷积层输出的第三特征。
1414、在第x+2个采样层对第x+1个卷积层输出的第三特征进行降采样处理,得到第x+2个采样层输出的第四特征,其中,所述第四特征为所述特征处理结果。
例如,详情请参见图1c,图1c示出了将驾驶合规评估矩阵输入CNN,并得到驾驶合规分值的一种具体实施方式的流程示意图。
不妨设t与i的取值均为32,则对于32个采集时刻中的每个采集时刻,均对应有32个不同类型的子参数,32个采集时刻以及每个采集时刻对应的32个不同类型的子参数共同组成了32×32的驾驶合规评估矩阵,详情请参见图1c。
对32×32的驾驶合规评估矩阵,利用m×m的卷积核进行卷积运算,可以得到28×28的第一处理结果,详情请参见图1c。该第一处理结果便为上述的第一特征。
对28×28的第一处理结果进行池化处理,可以得到14×14的第二处理结果,详情请参见图1c。该第二处理结果便为上述的第二特征。应当理解,此处的池化处理可以是最大池化(max-pooling),也可以是平均池化(average pooling)或L2-norm池化。池化处理的具体处理类型不应该理解为是对本申请的限制。
对14×14的第二处理结果,再利用m×m的卷积核进行卷积运算,可以得到10×10的第三处理结果,详情请参见图1c。该第三处理结果便为上述的第三特征。
对10×10的第三处理结果,再次进行池化处理,可以得到5×5的第四处理结果,详情请参见图1c。该第四处理结果便为上述的第四特征。应当理解,此处的池化处理同样可以是最大池化(max-pooling),也可以是平均池化(average pooling)或L2-norm池化。池化处理的具体处理类型不应该理解为是对本申请的限制。
142、将所述特征处理结果与预先设置的多个候选合规分值进行匹配处理,得到所述特征处理结果在每个所述候选合规分值对应的权重值。
匹配处理过程可以通过CNN的全连接层实现,具体的,全连接层可以观察特征处理结果并确定该特征处理结果与多个候选合规分值中的哪个候选合规分值更加吻合,从而可以得到特征处理结果在每个候选合规分值对应的权重值。
可选地,在一种具体实施方式中,步骤142具体可以包括如下步骤1421至步骤1422:
1421、在全连接层将所述第四特征映射为N维向量,所述多个候选合规分值的数量为N,向量与候选合规分值之间存在映射关系,N为正整数。
1422、对所述N维向量进行归一化处理,得到每个所述候选合规分值对应的权重值。
可选地,对于N维向量的每一维向量,可以均进行exp()运算,从而将运算结果的取值范围由有正值有负值变成全为正值。然后对全为正值的运算结果,先计算出全部运算结果的加和,然后对于每个运算结果,分别计算该运算结果与上述加和的比值,从而可以得到取值在(0,1]的最终运算结果。每个运算结果对应的最终运算结果便是每个候选合规分值对应的权重值。
接上文的举例继续进行说明,对5×5的第四处理结果,利用全连接层观察第四处理结果与10个候选合规分值中的哪个候选合规分值更加吻合,并根据观察结果得到第四处理结果在10个候选合规分值所各自占据的权重值。143、从所述多个候选合规分值中,选择权重值满足第一预设条件的候选合规分值,所述权重值满足第一预设条件的候选合规分值为所述目标车辆对应的驾驶合规分值。
第一预设条件为预先设置的、用于筛选出驾驶合规分值的条件。第一预设条件可以是权重值为最大权重值,也可以是权重值为最小权重值,具体条件值不应该理解为是对本申请的限制。
在选择出权重值满足第一预设条件的候选合规分值后,将该候选合规分值作为目标车辆本次检测的驾驶合规分值。
接上文的举例继续进行说明,10个候选合规分值可以依次表示1至10的分值,全连接层可以根据第四处理结果,为1至10的分值分别附上不同的权重值,其中,分值越高,则表示目标车辆的驾驶合规程度越高,即表示目标车辆的车主的驾驶文明程度越高。然后将数值最大的权重值所对应的分值作为本次目标车辆对应的驾驶合规分值。例如,不妨设分值1至10分别对应的权重值为:0.25、0.365、0.425、0.673、0.74、0.83、0.01、0.43、0.11、0.374,则分值6对应的权重值的数值最大,为0.83,因此,本次目标车辆对应的驾驶合规分值为6。
可选地,在另一种具体实施方式中,步骤140具体可以包括:采用训练后检测网络对所述驾驶合规评估矩阵进行合规分值检测处理。
对驾驶合规评估矩阵进行合规分值检测处理的过程具体可以发生在训练后检测网络中,训练后检测网络可以如上文提到的是CNN,也可以是其他的检测网络,例如循环神经网络(Recurrent Neural Network,简称RNN)、长短期记忆(Long short-term memory,简称LSTM)网络等。为便于描述,不妨以训练后检测网络是CNN为例进行说明。
相应的,在步骤“采用训练后检测网络对所述驾驶合规评估矩阵进行合规分值检测处理”之前,本申请实施例还可以包括如下步骤:
利用车辆驾驶参数样本、交通环境参数样本以及对应的驾驶合规分值样本结果对检测网络进行训练,得到所述训练后检测网络。
可以将车辆驾驶参数样本、交通环境参数样本作为自变量,将对应的驾驶合规分值样本结果作为因变量,对检测网络进行训练。
具体地,对检测网络进行训练的过程具体如下:
根据CNN结构初始化各卷积核;
根据CNN结构前向计算,求CNN的隐含层,输出各层分别对应的各单元数据;
得到各层各单元的当前数据下对应的实际输出值;
计算合规分值样本结果与上述的实际输出值的误差,并判断误差是否满足预设阈值;
若满足,则可以判定检测网络完成训练;
若不满足,在进行CNN结果反向计算,更新各卷积核以及CNN各层分别对应的各单元数据,并继续接受新的车辆驾驶参数样本、交通环境参数样本作为自变量,对应的驾驶合规分值样本结果作为因变量,持续训练,直到误差满足预设阈值,完成检测网络的训练为止。
可选地,在一种具体实施方式中,步骤“利用车辆驾驶参数样本、交通环境参数样本以及对应的驾驶合规分值样本结果对检测网络进行训练,得到所述训练后检测网络”之前,本方法还可以包括如下步骤S1至步骤S3:
S1、获取车载采集设备采集到的所述车辆驾驶参数样本和交通环境参数样本的至少部分训练样本。
S2、获取交通监控设备采集到的所述车辆驾驶参数样本和交通环境参数样本的至少部分训练样本。
S3、获取所述车辆驾驶参数样本、交通环境参数样本对应的所述驾驶合规分值样本结果。
在上述的实施方式中,相应的,车辆行驶训练样本与上文的车辆行驶参数的类型一致,也包括如下子参数:车辆行驶速度、加速度、转向角度、车辆位置坐标、车辆所处海拔、车辆类型、车辆大小、车辆重量等。交通环境训练样本与上文的交通环境参数的类型一致,也包括如下子参数:道路标志线、道路是否积水、道路是否结冰、交通指示牌类型、周围物体(如车辆、行人、静态障碍物等)的信息(如相对位置、相对速度等)、道路附近建筑物信息(如学校、加油站、公交站、医院等)、天气状况(如晴雨雾雪风等)等。
车载采集设备以及交通监控设备可以分别采集到车辆驾驶参数样本、交通环境参数样本的部分,车载采集设备采集到的车辆驾驶参数样本、交通环境参数样本与交通监控设备采集到的车辆驾驶参数样本、交通环境参数样本叠加可以得到全部的车辆驾驶参数样本、交通环境参数样本。无论是车载采集设备采集到的车辆驾驶参数和交通环境参数,还是交通监控设备采集到的车辆驾驶参数和交通环境参数,均可以传输到云服务器,由云服务器存储在自身,或发送给执行本申请方法的电子设备。其中,将车辆驾驶参数和交通环境参数传输到云服务器,可以通过实时传输数据的方式进行,也可以通过离线批量上传的方式进行。与全部的车辆驾驶参数样本、交通环境参数样本对应的驾驶合规分值样本结果可以由开发人员人工设置的。
在上述实施方式中,训练所采用的车辆驾驶参数样本、交通环境参数样本可以是由车载采集设备以及交通监控设备采集真实道路交通的数据实现的,利用真实道路交通的数据可以提高样本数据的真实性,从而使训练出的检测网络能够更加准确的执行检测工作。
可选地,在另一种具体实施方式中,步骤“利用车辆驾驶参数样本、交通环境参数样本以及对应的驾驶合规分值样本结果对检测网络进行训练,得到所述训练后检测网络”之前,本方法还可以包括如下步骤:
获取城市交通虚拟仿真系统生成的所述车辆驾驶参数样本、交通环境参数样本以及对应的驾驶合规分值样本结果。
城市交通虚拟仿真系统可以通过数字孪生的方式生成,其中,数字孪生是充分利用物理模型、传感器更新、运行历史等数据,集成多学科、多物理量、多尺度、多概率的仿真过程,在虚拟空间中完成映射,从而反映相对应的实体装备的全生命周期过程。
在上述实施方式中,训练所采用的车辆驾驶参数样本、交通环境参数样本可以由城市交通虚拟仿真系统生成,这种方式具有数据来源成本低、易于控制和生成各种类型的子参数的优点,能够生成大量可控的参数样本,从而可以降低检测网络的训练成本。
应当理解,车辆驾驶参数样本、交通环境参数样本的获取可以单一的依靠采集设备采集;也可以单一的依靠城市交通虚拟仿真系统生成;还可以既通过采集设备采集部分,又通过城市交通虚拟仿真系统生成部分,从而兼顾真实性与低成本。车辆驾驶参数样本、交通环境参数样本的具体获取方式不应该理解为是对本申请的限制。
可选地,在一种具体实施方式中,本申请实施例还可以包括如下步骤150至步骤180:
150、获取所述目标车辆在预设历史时间段内的多次驾驶合规分值。
预设历史时间段可以为预先设置的一个历史时间段,可以是当前日的前一天内、前一周内、前10天内等,预设历史时间段所具体代表的时间范围不应该理解为是对本申请的限制。通过上述步骤110至步骤140,可以得到目标车辆的一次检测对应的驾驶合规分值。在预设历史时间段内的多个不同的时间点分别执行步骤110至步骤140,便可以得到目标车辆在预设历史时间段内的多次驾驶合规分值。
160、利用第一运算处理算法对所述多次驾驶合规分值进行运算处理,得到第一运算结果,其中,所述第一运算结果为所述目标车辆对应的车辆合规分值。
第一运算处理算法为预先设置的一种运算算法,其可以对多个数值进行运算处理,从而输出唯一的一个运算结果,即第一运算结果。第一运算处理算法可以是计算多个数值的加权和,也可以是计算多个数值的平均值,还可以是获取多个数值的中位数等。第一运算处理算法的具体运算过程不应该理解为是对本申请的限制。
在一种实施方式中,不妨以第一运算处理算法是计算多个数值的加权和的算法为例进行说明:
根据公式计算目标车辆对应的车辆合规分值C。其中,n表示车辆驾驶合规分值检测方法执行的次数,n的取值为正整数;cq表示目标车辆在第q次检测对应的驾驶合规分值,aq表示第q次检测对应的权重值,权重值可以由开发人员根据经验设置。
在另一种实施方式中,不妨以第一运算处理算法是计算多个数值的平均值的算法为例进行说明:
例如,不妨设在预设历史时间段内,对目标车辆共进行了10次检测,10次检测得到的驾驶合规分值分别是:
[4,9,4,1,3,1,5,3,4,3]
在上述的实施方式中,可以先获取到目标车辆在预设历史时间段内的多次检测分别对应的驾驶合规分值,即目标车辆的多个驾驶合规分值,然后利用第一运算处理算法得到多个驾驶合规分值的第一运算结果。通过多次检测对应的驾驶合规分值确定目标车辆在预设历史时间段内的合规分值,可以避免单次检测造成的偶然性,从而可以更准确更公平地对目标车辆的驾驶文明程度进行评价。
170、获取所述预设历史时间段内,在所述目标区域行驶的全部车辆的车辆合规分值。
目标区域为预先确定出的一片空间区域,目标区域可以是一个城市,也可以是城市中的一个城区或一个县城,目标区域所具体代表的具体区域范围不应该理解为是对本申请的限制。通过上述步骤150至步骤160,可以得到目标车辆在预设历史时间段内的车辆合规分值,则对预设历史时间段内在目标区域行驶过的全部车辆均执行步骤150至步骤160,便可以得到上述全部车辆的车辆合规分值。
180、利用第二运算处理算法对所述全部车辆的车辆合规分值进行运算处理,得到第二运算结果,其中,所述第二运算结果为所述目标区域对应的区域合规分值。
第二运算处理算法为预先设置的一种运算算法,其可以对多个数值进行运算处理,从而输出唯一的一个运算结果,即第二运算结果。第二运算处理算法可以是计算多个数值的加权和,也可以是计算多个数值极大值或极小值,还可以是获取多个数值的中位数等。第二运算处理算法可以与第一运算处理算法相同,也可以与第一运算处理算法不同。
不妨以第二运算处理算法是计算多个数值的加权和的算法为例进行说明:
根据公式计算目标区域对应的区域合规分值CC。其中,m表示预设历史时间段内在目标区域行驶过的车辆的数量,m的取值为正整数;Ck表示m个车辆中的第k个车辆对应的车辆合规分值;bk表示第k个车辆对应的权重值,权重值可以由开发人员根据经验设置。
在上述的实施方式中,可以获取预设历史时间段内,在目标区域行驶的全部车辆的车辆合规分值,然后对这多个车辆合规分值用第二运算处理算法进行运算,得到第二运算结果,并将第二运算结果作为目标区域在预设历史时间段对应的区域合规分值。通过上述方式可以得到不同区域的关于交通驾驶文明程度的区域合规分值,从而可以在分值较低的区域多架设监控设备或多派遣交通维护人员,有利于针对性地提升交通安全。
本申请实施例提供的车辆驾驶合规分值检测方法中,可以确定处于驾驶状态的目标车辆所对应目标时间段,并获取目标时间段包括的t个采集时刻中每个采集时刻对应的车辆驾驶参数和交通环境参数,每个采集时刻对应的车辆驾驶参数和交通环境参数共同对应多个不同类型的子参数。然后以上述的t个采集时刻为第一维度,以每个采集时刻均对应的多个不同类型的子参数为第二维度进行驾驶合规评估矩阵的构建。接着对构建完成的驾驶合规评估矩阵进行合规分值检测处理,得到目标车辆本次检测对应的驾驶合规分值。通过预设历史时间段内的多次检测可以获取目标车辆在预设历史时间段内对应的车辆合规分值,进而还可以获得预设历史时间段内目标区域的区域合规分值。
在本申请中,可以提高对车辆驾驶行为是否文明的检测的准确性。
根据上述实施例所描述的方法,以下将作进一步详细说明。
在本实施例中,将以利用检测网络进行合规分值检测处理为例,对本申请实施例的方法进行详细说明。
如图2所示,一种车辆驾驶合规分值检测方法具体流程如下:
201、获取车辆驾驶参数样本、交通环境参数样本以及对应的驾驶合规分值样本结果。
在一种实施方式中,步骤201具体可以包括:获取城市交通虚拟仿真系统生成的所述车辆驾驶参数样本、交通环境参数样本以及对应的驾驶合规分值样本结果。由城市交通虚拟仿真系统生成车辆驾驶参数样本、交通环境参数样本,具有数据来源成本低、易于控制的优点。并且由于是由城市交通虚拟仿真系统生成的数据样本,因此参数样本的类型可以得到大量的扩展,使得一些低频参数样本例如极端天气也可以得到充足的训练。
在另一种实施方式中,步骤201具体可以包括:获取车载采集设备采集到的所述车辆驾驶参数样本和交通环境参数样本的至少部分训练样本;获取交通监控设备采集到的所述车辆驾驶参数样本和交通环境参数样本的至少部分训练样本;获取所述车辆驾驶参数样本、交通环境参数样本对应的所述驾驶合规分值样本结果。通过车载采集设备以及交通监控设备采集真实道路交通的数据,可以提高样本数据的真实性,从而使训练出的检测网络能够更加准确的执行检测工作。
202、利用车辆驾驶参数样本、交通环境参数样本以及对应的驾驶合规分值样本结果对检测网络进行训练,得到所述训练后检测网络。
可选地,可以将车辆驾驶参数样本、交通环境参数样本作为输入量,将对应的驾驶合规分值样本结果作为输出量,对检测网络进行训练。
203、确定处于驾驶状态的目标车辆所对应目标时间段,所述目标时间段包括t个采集时刻。
目标时间段为目标车辆在处于驾驶状态的情况下连续的一小段历史时间段。目标时间段可以是几个小时,也可以是几分钟,目标时间段的具体时间长度值不应该理解为是对本申请的限制。采集时刻是采集设备执行采集工作的时刻,这种时刻一共可以有t个,t个采集时刻可以均匀地分散在目标时间段内,也可以不均匀地分散在目标时间段内。
204、获取每个所述采集时刻采集到的车辆驾驶参数和交通环境参数,所述车辆驾驶参数以及交通环境参数共同对应多个不同类型的子参数。
可选地,在一种具体实施方式中,步骤204具体可以包括:对于每个所述采集时刻,获取所述目标车辆的车载采集设备采集到的第一车辆驾驶参数和第一交通环境参数;获取所述目标车辆对应的交通监控设备采集到的第二车辆驾驶参数和第二交通环境参数。
车载采集设备为能够随目标车辆移动的采集设备,车载采集设备包括摄像头、激光雷达、毫米波雷达、全球定位系统(Global Positioning System,简称GPS)设备、惯性测量单元(Inertial measurement unit,简称IMU)等;交通监控设备为架设在城市道路旁的、能够对道路的交通状况进行监控的设备,交通监控设备可以架设在路口处或交通繁忙的路段。交通监控设备包括摄像头、雷达测速仪、称重仪器等。
205、将所述t个采集时刻作为第一维度、每个所述采集时刻对应的所述多个不同类型的子参数作为第二维度,构建驾驶合规评估矩阵。
206、利用训练后检测网络对所述驾驶合规评估矩阵进行多次特征提取处理,得到特征处理结果。
207、利用训练后检测网络将所述特征处理结果与预先设置的多个候选合规分值进行匹配处理,得到所述特征处理结果在每个所述候选合规分值对应的权重值。
208、从所述多个候选合规分值中,利用训练后检测网络选择权重值满足第一预设条件的候选合规分值,所述权重值满足第一预设条件的候选合规分值为所述目标车辆对应的驾驶合规分值。
209、获取所述目标车辆在预设历史时间段内的多次驾驶合规分值。
210、利用第一运算处理算法对所述多次驾驶合规分值进行运算处理,得到第一运算结果,其中,所述第一运算结果为所述目标车辆对应的车辆合规分值。
211、获取所述预设历史时间段内,在所述目标区域行驶的全部车辆的车辆合规分值。
212、利用第二运算处理算法对所述全部车辆的车辆合规分值进行运算处理,得到第二运算结果,其中,所述第二运算结果为所述目标区域对应的区域合规分值。
关于步骤201至步骤212的具体执行过程在上文已经进行详细说明,在此便不做赘述。
本申请实施例提供的车辆驾驶合规分值检测方法中,可以确定处于驾驶状态的目标车辆所对应目标时间段,并获取目标时间段包括的t个采集时刻中每个采集时刻对应的车辆驾驶参数和交通环境参数,每个采集时刻对应的车辆驾驶参数和交通环境参数共同对应多个不同类型的子参数。然后以上述的t个采集时刻为第一维度,以每个采集时刻均对应的多个不同类型的子参数为第二维度进行驾驶合规评估矩阵的构建。接着对构建完成的驾驶合规评估矩阵进行合规分值检测处理,得到目标车辆本次检测对应的驾驶合规分值。通过预设历史时间段内的多次检测可以获取目标车辆在预设历史时间段内对应的车辆合规分值,进而还可以获得预设历史时间段内目标区域的区域合规分值。
在本申请中,可以提高对车辆驾驶行为是否文明的检测的准确性。
为了更好地实施以上方法,本申请实施例还提供一种车辆驾驶合规分值检测装置,该车辆驾驶合规分值检测装置具体可以集成在电子设备中,该电子设备可以为终端、服务器等设备。其中,终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、或者个人电脑(Personal Computer,PC)等设备,在一些实施例中,上述的终端可以布设在车辆上;服务器可以是单一服务器,也可以是由多个服务器组成的服务器集群。比如,在本实施例中,将以车辆驾驶合规分值检测装置具体集成在车辆的终端或布设在云端的服务器为例,对本申请实施例的方法进行详细说明。
例如,如图3所示,该车辆驾驶合规分值检测装置可以包括:
目标时间段确定单元301,用于确定处于驾驶状态的目标车辆所对应目标时间段,所述目标时间段包括t个采集时刻。
参数获取单元302,用于获取每个所述采集时刻采集到的车辆驾驶参数和交通环境参数。
矩阵构建单元303,用于根据t个采集时刻对应的车辆驾驶参数和交通环境参数构建驾驶合规评估矩阵。
分值获取单元304,用于对所述驾驶合规评估矩阵进行合规分值检测处理,得到所述目标车辆在所述目标时间段内的驾驶合规分值。
在一些实施例中,所述分值获取单元,具体包括:
特征提取子单元,用于对所述驾驶合规评估矩阵进行多次特征提取处理,得到特征处理结果;
分值匹配子单元,用于将所述特征处理结果与预先设置的多个候选合规分值进行匹配处理,得到所述特征处理结果在每个所述候选合规分值对应的权重值;
权重选择子单元,用于从所述多个候选合规分值中,选择权重值满足第一预设条件的候选合规分值,所述权重值满足第一预设条件的候选合规分值为所述目标车辆对应的驾驶合规分值。
在一些实施例中,特征提取子单元,具体包括:
第一卷积次子单元,用于在第x个卷积层对所述驾驶合规评估矩阵进行卷积处理,得到第x个卷积层输出的第一特征,其中,x为正整数;
第一采样次子单元,用于在第x+1个采样层对第x个卷积层输出的第一特征进行降采样处理,得到第x+1个采样层输出的第二特征;
第二卷积次子单元,用于在第x+1个卷积层对第x+1个采样层输出的第二特征进行卷积处理,得到第x+1个卷积层输出的第三特征;
第二采样次子单元,用于在第x+2个采样层对第x+1个卷积层输出的第三特征进行降采样处理,得到第x+2个采样层输出的第四特征,其中,所述第四特征为所述特征处理结果。
在一些实施例中,分值匹配子单元,包括:
向量映射次子单元,用于在全连接层将所述第四特征映射为N维向量,所述多个候选合规分值的数量为N,向量与候选合规分值之间存在映射关系,N为正整数;
归一处理次子单元,用于对所述N维向量进行归一化处理,得到每个所述候选合规分值对应的权重值。
在一些实施例中,矩阵构建单元,具体用于:将所述t个采集时刻作为第一维度、每个所述采集时刻对应的所述多个不同类型的子参数作为第二维度,构建所述驾驶合规评估矩阵。
在一些实施例中,所述车辆驾驶参数包括第一车辆驾驶参数和第二车辆驾驶参数;所述交通环境参数包括第一交通环境参数和第二交通环境参数;参数获取单元,具体包括:
第一参数获取子单元,对于每个所述采集时刻,获取所述目标车辆的车载采集设备采集到的第一车辆驾驶参数和第一交通环境参数;
第二参数获取子单元,对于每个所述采集时刻,获取所述目标车辆对应的交通监控设备采集到的第二车辆驾驶参数和第二交通环境参数。
在一些实施例中,所述t个采集时刻分为奇数次序采集时刻和偶数次序采集时刻;参数获取单元,包括:
奇数次序采集子单元,用于当所述采集时刻为奇数次序采集时刻时,获取所述目标车辆的车载采集设备在该奇数次序采集时刻采集到的车辆驾驶参数和交通环境参数;
偶数次序采集子单元,用于当所述采集时刻为偶数次序采集时刻时,获取所述目标车辆对应的交通监控设备在该偶数次序采集时刻采集到的车辆驾驶参数和交通环境参数。
在一些实施例中,分值获取单元,具体用于采用训练后检测网络对所述驾驶合规评估矩阵进行合规分值检测处理;所述装置还可以包括:
网络训练单元,用于利用车辆驾驶参数样本、交通环境参数样本以及对应的驾驶合规分值样本结果对检测网络进行训练,得到所述训练后检测网络。
在一些实施例中,所述装置还可以包括:
虚拟样本获取单元,用于获取城市交通虚拟仿真系统生成的所述车辆驾驶参数样本、交通环境参数样本以及对应的驾驶合规分值样本结果。
在一些实施例中,所述装置还可以包括:
车载设备获取单元,用于获取车载采集设备采集到的所述车辆驾驶参数样本和交通环境参数样本的至少部分训练样本;
道路设备获取单元,用于获取交通监控设备采集到的所述车辆驾驶参数样本和交通环境参数样本的至少部分训练样本;
样本结果获取单元,用于获取所述车辆驾驶参数样本、交通环境参数样本对应的所述驾驶合规分值样本结果。
在一些实施例中,所述装置还包括:
多次分值获取单元,用于获取所述目标车辆在预设历史时间段内的多次驾驶合规分值;
第一运算处理单元,用于利用第一运算处理算法对所述多次驾驶合规分值进行运算处理,得到第一运算结果,其中,所述第一运算结果为所述目标车辆对应的车辆合规分值;
车辆分值运算单元,用于获取所述预设历史时间段内,在所述目标区域行驶的全部车辆的车辆合规分值;
第二运算处理单元,用于利用第二运算处理算法对所述全部车辆的车辆合规分值进行运算处理,得到第二运算结果,其中,所述第二运算结果为所述目标区域对应的区域合规分值。
具体实施时,以上各个单元可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个单元的具体实施可参见前面的方法实施例,在此不再赘述。
本申请实施例提供的车辆驾驶合规分值检测方法中,可以确定处于驾驶状态的目标车辆所对应目标时间段,并获取目标时间段包括的t个采集时刻中每个采集时刻对应的车辆驾驶参数和交通环境参数,每个采集时刻对应的车辆驾驶参数和交通环境参数共同对应多个不同类型的子参数。然后以上述的t个采集时刻为第一维度,以每个采集时刻均对应的多个不同类型的子参数为第二维度进行驾驶合规评估矩阵的构建。接着对构建完成的驾驶合规评估矩阵进行合规分值检测处理,得到目标车辆本次检测对应的驾驶合规分值。通过预设历史时间段内的多次检测可以获取目标车辆在预设历史时间段内对应的车辆合规分值,进而还可以获得预设历史时间段内目标区域的区域合规分值。
在本申请中,可以提高对车辆驾驶行为是否文明的检测的准确性。
本申请实施例还提供一种电子设备,该电子设备可以为终端、服务器等设备。其中,终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、个人电脑,等等;服务器可以是单一服务器,也可以是由多个服务器组成的服务器集群,等等。
在一些实施例中,该车辆驾驶合规分值检测装置还可以集成在多个电子设备中,比如,车辆驾驶合规分值检测装置可以集成在多个服务器中,由多个服务器来实现本申请的车辆驾驶合规分值检测方法。
在本实施例中,将以本实施例的电子设备是电子设备为例进行详细描述,比如,如图4所示,其示出了本申请实施例所涉及的电子设备的结构示意图,具体来讲:
该电子设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403、输入模块404以及通信模块405等部件。本领域技术人员可以理解,图4中示出的电子设备结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器401是该电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器402内的软件程序和/或模块,以及调用存储在存储器402内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体监控。在一些实施例中,处理器401可包括一个或多个处理核心;在一些实施例中,处理器401可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块,处理器401通过运行存储在存储器402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。存储器402可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器402可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器402还可以包括存储器控制器,以提供处理器401对存储器402的访问。
电子设备还包括给各个部件供电的电源403,在一些实施例中,电源403可以通过电源管理系统与处理器401逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该电子设备还可包括输入模块404,该输入模块404可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
该电子设备还可包括通信模块405,在一些实施例中通信模块405可以包括无线模块,电子设备可以通过该通信模块405的无线模块进行短距离无线传输,从而为用户提供了无线的宽带互联网访问。比如,该通信模块405可以用于帮助用户收发电子邮件、浏览网页和访问流式媒体等。
尽管未示出,电子设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,电子设备中的处理器401会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中,并由处理器401来运行存储在存储器402中的应用程序,从而实现各种功能,如下:
确定处于驾驶状态的目标车辆所对应目标时间段,所述目标时间段包括t个采集时刻;获取每个所述采集时刻采集到的车辆驾驶参数和交通环境参数;根据t个采集时刻对应的车辆驾驶参数和交通环境参数构建驾驶合规评估矩阵;对所述驾驶合规评估矩阵进行合规分值检测处理,得到所述目标车辆在所述目标时间段内的驾驶合规分值。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请实施例提供一种计算机可读存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本申请实施例所提供的任一种车辆驾驶合规分值检测方法中的步骤。例如,该指令可以执行如下步骤:
确定处于驾驶状态的目标车辆所对应目标时间段,所述目标时间段包括t个采集时刻;获取每个所述采集时刻采集到的车辆驾驶参数和交通环境参数;根据t个采集时刻对应的车辆驾驶参数和交通环境参数构建驾驶合规评估矩阵;对所述驾驶合规评估矩阵进行合规分值检测处理,得到所述目标车辆在所述目标时间段内的驾驶合规分值。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述实施例中提供的各种可选实现方式中提供的方法。
由于该存储介质中所存储的指令,可以执行本申请实施例所提供的任一种车辆驾驶合规分值检测方法中的步骤,因此,可以实现本申请实施例所提供的任一种车辆驾驶合规分值检测方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上对本申请实施例所提供的一种车辆驾驶合规分值检测方法、装置、电子设备和计算机可读存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (15)
1.一种车辆驾驶合规分值检测方法,其特征在于,所述方法包括:
确定处于驾驶状态的目标车辆所对应目标时间段,所述目标时间段包括t个采集时刻;
获取每个所述采集时刻采集到的车辆驾驶参数和交通环境参数;
根据t个采集时刻对应的车辆驾驶参数和交通环境参数构建驾驶合规评估矩阵;
对所述驾驶合规评估矩阵进行合规分值检测处理,得到所述目标车辆在所述目标时间段内的驾驶合规分值。
2.如权利要求1所述的方法,其特征在于,所述对所述驾驶合规评估矩阵进行合规分值检测处理,得到所述目标车辆在所述目标时间段内的驾驶合规分值,包括:
对所述驾驶合规评估矩阵进行多次特征提取处理,得到特征处理结果;
将所述特征处理结果与预先设置的多个候选合规分值进行匹配处理,得到所述特征处理结果在每个所述候选合规分值对应的权重值;
从所述多个候选合规分值中,选择权重值满足第一预设条件的候选合规分值,所述权重值满足第一预设条件的候选合规分值为所述目标车辆对应的驾驶合规分值。
3.如权利要求2所述的方法,其特征在于,所述对所述驾驶合规评估矩阵进行多次特征提取处理,得到特征处理结果,包括:
在第x个卷积层对所述驾驶合规评估矩阵进行卷积处理,得到第x个卷积层输出的第一特征,其中,x为正整数;
在第x+1个采样层对第x个卷积层输出的第一特征进行降采样处理,得到第x+1个采样层输出的第二特征;
在第x+1个卷积层对第x+1个采样层输出的第二特征进行卷积处理,得到第x+1个卷积层输出的第三特征;
在第x+2个采样层对第x+1个卷积层输出的第三特征进行降采样处理,得到第x+2个采样层输出的第四特征,其中,所述第四特征为所述特征处理结果。
4.如权利要求3所述的方法,其特征在于,所述将所述特征处理结果与预先设置的多个候选合规分值进行匹配处理,得到所述特征处理结果在每个所述候选合规分值对应的权重值,包括:
在全连接层将所述第四特征映射为N维向量,所述多个候选合规分值的数量为N,向量与候选合规分值之间存在映射关系,N为正整数;
对所述N维向量进行归一化处理,得到每个所述候选合规分值对应的权重值。
5.如权利要求1所述的方法,其特征在于,所述车辆驾驶参数包括第一车辆驾驶参数和第二车辆驾驶参数;所述交通环境参数包括第一交通环境参数和第二交通环境参数;
所述获取每个所述采集时刻采集到的车辆驾驶参数和交通环境参数,包括:
对于每个所述采集时刻,
获取所述目标车辆的车载采集设备采集到的所述第一车辆驾驶参数和所述第一交通环境参数;
获取所述目标车辆对应的交通监控设备采集到的所述第二车辆驾驶参数和所述第二交通环境参数。
6.如权利要求1所述的方法,其特征在于,所述t个采集时刻分为奇数次序采集时刻和偶数次序采集时刻;
所述获取每个所述采集时刻采集到的车辆驾驶参数和交通环境参数,包括:
若所述采集时刻为奇数次序采集时刻,获取所述目标车辆的车载采集设备在该奇数次序采集时刻采集到的车辆驾驶参数和交通环境参数;
若所述采集时刻为偶数次序采集时刻,获取所述目标车辆对应的交通监控设备在该偶数次序采集时刻采集到的车辆驾驶参数和交通环境参数。
7.如权利要求1所述的方法,其特征在于,所述对所述驾驶合规评估矩阵进行合规分值检测处理,包括:
采用训练后检测网络对所述驾驶合规评估矩阵进行合规分值检测处理;
在所述对所述驾驶合规评估矩阵进行合规分值检测处理之前,所述方法还包括:
利用车辆驾驶参数样本、交通环境参数样本以及对应的驾驶合规分值样本结果对检测网络进行训练,得到所述训练后检测网络。
8.如权利要求7所述的方法,其特征在于,在所述利用车辆驾驶参数样本、交通环境参数样本以及对应的驾驶合规分值样本结果对检测网络进行训练,得到所述训练后检测网络之前,所述方法还包括:
获取城市交通虚拟仿真系统生成的所述车辆驾驶参数样本、交通环境参数样本以及对应的驾驶合规分值样本结果。
9.如权利要求7所述的方法,其特征在于,在所述利用车辆驾驶参数样本、交通环境参数样本以及对应的驾驶合规分值样本结果对检测网络进行训练,得到所述训练后检测网络之前,所述方法还包括:
获取车载采集设备采集到的所述车辆驾驶参数样本和交通环境参数样本的至少部分训练样本;
获取交通监控设备采集到的所述车辆驾驶参数样本和交通环境参数样本的至少部分训练样本;
获取所述车辆驾驶参数样本、交通环境参数样本对应的所述驾驶合规分值样本结果。
10.如权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述目标车辆在预设历史时间段内的多次驾驶合规分值;
利用第一运算处理算法对所述多次驾驶合规分值进行运算处理,得到第一运算结果,其中,所述第一运算结果为所述目标车辆对应的车辆合规分值。
11.如权利要求10所述的方法,其特征在于,在所述利用第一运算处理算法对所述多次驾驶合规分值进行运算处理,得到第一运算结果之后,所述方法还包括:
获取所述预设历史时间段内,在目标区域行驶的全部车辆的车辆合规分值;
利用第二运算处理算法对所述全部车辆的车辆合规分值进行运算处理,得到第二运算结果,其中,所述第二运算结果为所述目标区域对应的区域合规分值。
12.如权利要求1所述的方法,其特征在于,所述每个所述采集时刻采集到的车辆驾驶参数以及交通环境参数共同对应多个不同类型的子参数;
所述根据t个采集时刻对应的车辆驾驶参数和交通环境参数构建驾驶合规评估矩阵,包括:
将所述t个采集时刻作为第一维度、每个所述采集时刻对应的所述多个不同类型的子参数作为第二维度,构建所述驾驶合规评估矩阵。
13.一种车辆驾驶合规分值检测装置,其特征在于,所述装置包括:
目标时间段确定单元,用于确定处于驾驶状态的目标车辆所对应目标时间段,所述目标时间段包括t个采集时刻;
参数获取单元,用于获取每个所述采集时刻采集到的车辆驾驶参数和交通环境参数;
矩阵构建单元,用于根据t个采集时刻对应的车辆驾驶参数和交通环境参数构建驾驶合规评估矩阵;
分值获取单元,用于对所述驾驶合规评估矩阵进行合规分值检测处理,得到所述目标车辆在所述目标时间段内的驾驶合规分值。
14.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有多条指令;所述处理器从所述存储器中加载指令,以执行如权利要求1~12任一项所述的车辆驾驶合规分值检测方法中的步骤。
15.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1~12任一项所述的车辆驾驶合规分值检测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111465917.5A CN116244814A (zh) | 2021-12-03 | 2021-12-03 | 车辆驾驶合规分值检测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111465917.5A CN116244814A (zh) | 2021-12-03 | 2021-12-03 | 车辆驾驶合规分值检测方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116244814A true CN116244814A (zh) | 2023-06-09 |
Family
ID=86628177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111465917.5A Pending CN116244814A (zh) | 2021-12-03 | 2021-12-03 | 车辆驾驶合规分值检测方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116244814A (zh) |
-
2021
- 2021-12-03 CN CN202111465917.5A patent/CN116244814A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6653343B2 (ja) | 自動運転車両に用いる畳み込みニューラルネットワークモデルのコンボリューション/デコンボリューション層とバッチ正規化層のオフライン組み合わせ | |
JP6644742B2 (ja) | 頑健で効率的な車両測位用のアルゴリズム及びインフラ | |
JP6637088B2 (ja) | ウォルシュ・カーネル・投影技術に基づく自動運転車両の位置決め | |
CN111860155B (zh) | 一种车道线的检测方法及相关设备 | |
KR102335389B1 (ko) | 자율 주행 차량의 lidar 위치 추정을 위한 심층 학습 기반 특징 추출 | |
CN109389863A (zh) | 提示方法及相关设备 | |
US11645518B2 (en) | Multi-agent simulations | |
WO2023131065A1 (zh) | 一种图像处理方法、一种车道线检测方法及相关设备 | |
JP2021515178A (ja) | 自動運転車両においてrnnとlstmを用いて時間平滑化を行うlidar測位 | |
WO2021097087A1 (en) | Generating depth from camera images and known depth data using neural networks | |
CN116187398B (zh) | 一种无人机海洋图像检测用轻量神经网络搭建方法及设备 | |
CN116194351A (zh) | 使用目标位置的代理轨迹预测 | |
CN117037482A (zh) | 道路交通运行状态实时感知方法、系统、设备及存储介质 | |
CN116244814A (zh) | 车辆驾驶合规分值检测方法、装置、电子设备和存储介质 | |
Singh et al. | Analytical review of map matching algorithms: analyzing the performance and efficiency using road dataset of the indian subcontinent | |
US20210101614A1 (en) | Spatio-temporal pose/object database | |
CN115546781A (zh) | 一种点云数据的聚类方法以及装置 | |
CN113066124A (zh) | 一种神经网络的训练方法以及相关设备 | |
CN115214708A (zh) | 一种车辆意图预测方法及其相关装置 | |
Abdelgawad et al. | Estimating vehicle speed on highway roads from smartphone sensors using deep learning models | |
Fu et al. | LSTM-based lane change prediction using Waymo open motion dataset: The role of vehicle operating space | |
WO2024093321A1 (zh) | 车辆的位置获取方法、模型的训练方法以及相关设备 | |
Cheng et al. | Deep learning method for risk identification of autonomous bus operation considering image data augmentation strategies | |
CN116013018B (zh) | 一种基于无人机探测的森林防火预警分析方法及系统 | |
US20240135195A1 (en) | Efficient search for data augmentation policies |
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 |