CN116331225B - 车辆驾驶状态确定方法、装置、车辆及存储介质 - Google Patents
车辆驾驶状态确定方法、装置、车辆及存储介质 Download PDFInfo
- Publication number
- CN116331225B CN116331225B CN202310628076.8A CN202310628076A CN116331225B CN 116331225 B CN116331225 B CN 116331225B CN 202310628076 A CN202310628076 A CN 202310628076A CN 116331225 B CN116331225 B CN 116331225B
- Authority
- CN
- China
- Prior art keywords
- data
- sensing
- driving state
- differential
- vehicle
- 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 59
- 238000012545 processing Methods 0.000 claims abstract description 43
- 230000036961 partial effect Effects 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 29
- 230000001133 acceleration Effects 0.000 claims description 26
- 230000008859 change Effects 0.000 claims description 9
- 230000003068 static effect Effects 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims 1
- 230000033001 locomotion Effects 0.000 description 25
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 12
- 230000000694 effects Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- MHAJPDPJQMAIIY-UHFFFAOYSA-N Hydrogen peroxide Chemical compound OO MHAJPDPJQMAIIY-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/02—Registering or indicating driving, working, idle, or waiting time only
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/06—Direction of travel
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
- B60W2520/105—Longitudinal acceleration
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/12—Lateral speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/12—Lateral speed
- B60W2520/125—Lateral acceleration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提出一种车辆驾驶状态确定方法、装置、车辆及存储介质,涉及自动驾驶技术领域,该方法包括:获取第一车辆的多帧感测姿态数据,和与每帧感测姿态数据对应的感测底盘数据;对相邻两帧感测姿态数据进行差分处理,得到第一差分姿态数据,并对相邻两帧感测底盘数据进行差分处理,得到第一差分底盘数据;确定时间窗口内部分感测姿态数据的第一分布信息,并确定时间窗口内部分感测底盘数据的第二分布信息;根据第一差分姿态数据、第一差分底盘数据、第一分布信息,以及第二分布信息确定第一车辆的驾驶状态。通过本公开,能够有效提升车辆驾驶状态确定的鲁棒性和精度。
Description
技术领域
本公开涉及自动驾驶技术领域,尤其涉及一种车辆驾驶状态确定方法、装置、车辆及存储介质。
背景技术
多模式驾驶状态的准确识别成为对车辆进行高精定位的一个关键因素,在不同的运动场景下应用不同的定位优化策略,可以有效提高定位的精度和鲁棒性。车端会安装一些传感器,例如惯性测量单元(Inertial Measurement Unit,IMU)、用于感测底盘CHASSIS信号的传感器,都可以提供一些车辆的驾驶状态信息,IMU可以辅助判断转弯、过减速带、加减速等;CHASSIS信号可以辅助判断车辆速度、前进后退等。
相关技术中,基于各种传感器各自采集数据分析车辆的驾驶状态,这种方式下,车辆驾驶状态确定的鲁棒性和精度不高。
发明内容
为克服相关技术中存在的问题,本公开提供一种车辆驾驶状态确定方法、装置、车辆及非临时性计算机可读存储介质,能够有效提升车辆驾驶状态确定的鲁棒性和精度。
根据本公开实施例的第一方面,提供一种车辆驾驶状态确定方法,包括:获取第一车辆的多帧感测姿态数据,和与每帧所述感测姿态数据对应的感测底盘数据;对相邻两帧所述感测姿态数据进行差分处理,得到第一差分姿态数据,并对相邻两帧所述感测底盘数据进行差分处理,得到第一差分底盘数据;确定时间窗口内部分所述感测姿态数据的第一分布信息,并确定所述时间窗口内部分所述感测底盘数据的第二分布信息;根据所述第一差分姿态数据、所述第一差分底盘数据、所述第一分布信息,以及所述第二分布信息确定所述第一车辆的驾驶状态。
根据本公开实施例的第二方面,提供一种车辆驾驶状态确定装置,包括:获取单元,用于获取第一车辆的多帧感测姿态数据,和与每帧所述感测姿态数据对应的感测底盘数据;处理单元,用于对相邻两帧所述感测姿态数据进行差分处理,得到第一差分姿态数据,并对相邻两帧所述感测底盘数据进行差分处理,得到第一差分底盘数据;第一确定单元,用于确定时间窗口内部分所述感测姿态数据的第一分布信息,并确定所述时间窗口内部分所述感测底盘数据的第二分布信息;第二确定单元,用于根据所述第一差分姿态数据、所述第一差分底盘数据、所述第一分布信息,以及所述第二分布信息确定所述第一车辆的驾驶状态。
根据本公开实施例的第三方面,提供一种车辆,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为:实现本公开实施例的第一方面提供的一种车辆驾驶状态确定方法的步骤。
根据本公开实施例的第四方面,提供一种非临时性计算机可读存储介质,当所述存储介质中的指令由移动终端的处理器执行时,使得移动终端能够执行一种车辆驾驶状态确定方法,所述方法包括:获取第一车辆的多帧感测姿态数据,和与每帧所述感测姿态数据对应的感测底盘数据;对相邻两帧所述感测姿态数据进行差分处理,得到第一差分姿态数据,并对相邻两帧所述感测底盘数据进行差分处理,得到第一差分底盘数据;确定时间窗口内部分所述感测姿态数据的第一分布信息,并确定所述时间窗口内部分所述感测底盘数据的第二分布信息;根据所述第一差分姿态数据、所述第一差分底盘数据、所述第一分布信息,以及所述第二分布信息确定所述第一车辆的驾驶状态。
本公开的实施例提供的技术方案可以包括以下有益效果:通过获取第一车辆的多帧感测姿态数据,和与每帧感测姿态数据对应的感测底盘数据,并对相邻两帧感测姿态数据进行差分处理,得到第一差分姿态数据,并对相邻两帧感测底盘数据进行差分处理,得到第一差分底盘数据,确定时间窗口内部分感测姿态数据的第一分布信息,并确定时间窗口内部分感测底盘数据的第二分布信息,以及根据第一差分姿态数据、第一差分底盘数据、第一分布信息,以及第二分布信息确定第一车辆的驾驶状态,由于将各种感测得到的原始数据,转化为和车辆的驾驶状态相关性更强的信息,并扩展了各种感测得到的原始数据的维度,增大了每帧原始数据的观测维数,能够有效提升车辆驾驶状态确定的鲁棒性和精度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是本公开一实施例提出的车辆驾驶状态确定方法的流程示意图;
图2是本公开另一实施例提出的车辆驾驶状态确定方法的流程示意图;
图3是本公开实施例中车辆驾驶状态确定效果示意图;
图4是本公开另一实施例提出的车辆驾驶状态确定方法的流程示意图;
图5是本公开一实施例中目标驾驶状态确定模型训练过程示意图;
图6是本公开另一实施例中目标驾驶状态确定模型训练过程示意图;
图7是本公开实施例中网络参数示意图;
图8是本公开实施例中数据和网络参数的影响程度关系示意图;
图9是本公开实施例中模型训练结果示意图;
图10是本公开一实施例提出的车辆驾驶状态确定装置的结构示意图;
图11是一示例性实施例示出的一种车辆的功能框图示意图。
具体实施方式
下面详细描述本公开的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本公开,而不能理解为对本公开的限制。相反,本公开的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
图1是本公开一实施例提出的车辆驾驶状态确定方法的流程示意图。
本实施例以车辆驾驶状态确定方法被配置为车辆驾驶状态确定装置中来举例说明,本实施例中车辆驾驶状态确定方法可以被配置在车辆驾驶状态确定装置中,车辆驾驶状态确定装置可以设置在服务器中,或者也可以设置在电子设备中,本公开实施例对此不作限制。
本实施例以车辆驾驶状态确定方法被配置在电子设备中为例。其中,电子设备例如车载设备、计算机设备、车辆控制平台等硬件设备,对此不做限制。
如图1所示,该车辆驾驶状态确定方法,包括:
S101:获取第一车辆的多帧感测姿态数据,和与每帧感测姿态数据对应的感测底盘数据。
其中,当前待确定其驾驶状态的车辆,可以被称为第一车辆。
其中,驾驶状态,可以是指车辆在被驾驶的过程中所处的状态,例如是运动状态(例如,前进状态、倒车状态、平稳运动状态、加速运动状态、顿挫运动状态、减速运动状态)、静止状态(例如停止状态)、由运动状态向静止状态的切换状态等等,对此不做限制。
一些实施例中,感测姿态数据,可以是对车辆姿态感测得到的数据,比如,实时感测、基于一定周期感测,感测姿态数据,也可以被称为感测得到的空间姿态数据,对此不作限制。
一些实施例中,感测姿态数据,可以例如是IMU对第一车辆感测所得的空间姿态数据,对此不作限制。
一些实施例中,感测底盘数据,可以是对车辆的底盘CHASSIS信号感测所得数据,比如实时感测、基于一定周期感测,对此不作限制。
一些实施例中,与每帧感测姿态数据对应的感测底盘数据,可以例如是每帧感测姿态数据,与其对应的感测底盘数据对应相同时间戳,以此保证多帧感测姿态数据和多帧感测底盘数据之间,是分别对应相同时间戳的,对此不作限制。
一些实施例中,多帧感测姿态数据,可以是包含当前一帧感测姿态数据,以及在当前一帧之前历史感测的多帧感测姿态数据,对此不作限制。
一些实施例中,多帧感测底盘数据,可以是包含当前一帧感测底盘数据,以及在当前一帧之前历史感测的多帧感测底盘数据,对此不作限制。
一些实施例中,感测姿态数据包括以下至少一项:感测角速度;感测加速度。
一些实施例中,感测底盘数据包括以下至少一项:感测速度;感测位置增量;感测车轮方向;感测车辆转角。
其中,感测角速度是指感测得到的角速度,感测加速度是指感测得到的加速度,感测速度是指感测得到的速度,感测位置增量,是指感测得到的位置增量,感测车轮方向,是指感测得到的车轮方向,感测车辆转角,是指感测得到的车辆转角,对此不作限制。
一些实施例中,感测姿态数据还可以是以世界坐标系各坐标轴为基准的姿态数据,例如,x轴感测角速度、y轴感测角速度、z轴感测角速度,x轴感测加速度、y轴感测加速度、z轴感测加速度,对此不作限制。
一些实施例中,每一帧感测姿态数据可以均包含上述以世界坐标系各坐标轴为基准的姿态数据,对此不作限制。
一些实施例中,每一帧感测底盘数据,可以例如是以车辆坐标系为基准的底盘数据,对此不作限制。
S102:对相邻两帧感测姿态数据进行差分处理,得到第一差分姿态数据,并对相邻两帧感测底盘数据进行差分处理,得到第一差分底盘数据。
上述在获取第一车辆的多帧感测姿态数据之后,可以对相邻两帧感测姿态数据进行差分处理,差分处理所得姿态数据,可以被称为第一差分姿态数据,对此不作限制。
也即是说,对多帧感测姿态数据种相邻两帧做差分运算,由于感测姿态数据的数量是多个,则第一差分姿态数据的数量可以是至少一个,对此不作限制。
一些实施例中,如果感测姿态数据是以世界坐标系各坐标轴为基准的姿态数据,则可以对各坐标轴上的姿态数据分别进行相邻两帧的差分运算,比如,对x轴上的多个感测角速度进行差分运算,对y轴上的多个感测角速度进行差分运算,对z轴上的多个感测角速度进行差分运算,针对感测加速度的差分运算以此类推,对此不作限制。
一些实施例中,上述在获取与每帧感测姿态数据对应的感测底盘数据之后,可以对相邻两帧感测底盘数据进行差分处理,差分处理所得姿态数据,可以被称为第一差分底盘数据,对此不作限制。
S103:确定时间窗口内部分感测姿态数据的第一分布信息,并确定时间窗口内部分感测底盘数据的第二分布信息。
上述在获取第一车辆的多帧感测姿态数据之后,可以确定时间窗口内部分感测姿态数据的分布情况,用于描述该分布情况的信息,可以被称为第一分布信息,分布情况可以具体例如是正态分布情况,对此不作限制。
上述在获取与每帧感测姿态数据对应的感测底盘数据之后,可以确定时间窗口内部分感测底盘数据的分布情况,用于描述该分布情况的信息,可以被称为第二分布信息,分布情况可以具体例如是正态分布情况,对此不作限制。
一些实施例中,时间窗口可以例如是0.1s(秒),对此不作限制。
一些实施例中,如果感测姿态数据是以世界坐标系各坐标轴为基准的姿态数据,则可以对各坐标轴上的姿态数据分别确定其在时间窗口内的分布情况,比如,对x轴上的多个感测角速度,确定其在时间窗口内的分布情况,对y轴上的多个感测角速度,确定其在时间窗口内的分布情况,对z轴上的多个感测角速度,确定其在时间窗口内的分布情况,针对感测加速度的差分运算以此类推,对此不作限制。
一些实施例中,感测姿态数据例如是IMU采集的各轴原始数据,感测底盘数据可以例如是用于感测底盘CHASSIS信号的传感器采集的各轴原始数据,对此不作限制。
一些实施例中,第一分布信息可以是IMU采集的各轴原始数据的均值和/或标准差,对此不作限制。
一些实施例中,第二分布信息可以是用于感测底盘CHASSIS信号的传感器采集的各轴原始数据的均值和/或标准差,对此不作限制。
S104:根据第一差分姿态数据、第一差分底盘数据、第一分布信息,以及第二分布信息确定第一车辆的驾驶状态。
一些实施例中,可以根据第一差分姿态数据、第一差分底盘数据、第一分布信息,以及第二分布信息确定第一车辆的驾驶状态,对此不作限制。
也即是说,本公开实施例中,实现将各种感测得到的原始数据,转化为和车辆的驾驶状态相关性更强的信息,比如前后帧的位置差、一段时间内的加速度均值等,与驾驶状态的表征性更强。
一些实施例中,可以对第一差分姿态数据、第一差分底盘数据、第一分布信息,以及第二分布信息进行融合分析运算,以确定第一车辆的驾驶状态,对此不作限制。
一些实施例中,也可以采用其他任意可能的方式处理第一差分姿态数据、第一差分底盘数据、第一分布信息,以及第二分布信息,以得到第一车辆的驾驶状态,对此不作限制。
一些实施例中,第一车辆的驾驶状态,可以是以当前时间为截止时间,以历史采集的多帧原始数据涉及的最早历史时间为起始时间,在起始时间和截止时间内的连续的驾驶状态,也可以是当前时间上的瞬时驾驶状态,或者是在起始时间和截止时间内各个时间上的瞬时驾驶状态,对此不作限制。
本实施例中,通过获取第一车辆的多帧感测姿态数据,和与每帧感测姿态数据对应的感测底盘数据,并对相邻两帧感测姿态数据进行差分处理,得到第一差分姿态数据,并对相邻两帧感测底盘数据进行差分处理,得到第一差分底盘数据,确定时间窗口内部分感测姿态数据的第一分布信息,并确定时间窗口内部分感测底盘数据的第二分布信息,以及根据第一差分姿态数据、第一差分底盘数据、第一分布信息,以及第二分布信息确定第一车辆的驾驶状态,由于将各种感测得到的原始数据,转化为和车辆的驾驶状态相关性更强的信息,并扩展了各种感测得到的原始数据的维度,增大了每帧原始数据的观测维数,能够有效提升车辆驾驶状态确定的鲁棒性和精度。
本公开实施例提供的车辆驾驶状态确定方法,可以是确定时间窗口内部分感测姿态数据的第一标准差和/或均值,并将第一标准差和/或均值作为第一分布信息,实现便捷地、有效地确定出多帧感测姿态数据的分布情况。
本公开实施例提供的车辆驾驶状态确定方法,可以是确定时间窗口内部分感测底盘数据的第二标准差和/或均值,并将第二标准差和/或均值作为第二分布信息,实现便捷地、有效地确定出多帧感测姿态数据的分布情况。
针对差分处理和分布情况确定的方式可以举例说明如下:
1)差分处理的计算公式为:DX为差分结果,X为感测的原始数据(感测姿态数据或者感测底盘数据),K为器件标度因子,下标i表示感测的原始数据的帧序号,DXi为第i帧差分结果(时间序列):
2)计算滑窗(时间窗口)内均值的公式为:其中,MXi为均值。
n代表0.1s滑窗内的数据长度,计算滑窗内标准差的公式为:其中,STD__X为均值。
。
图2是本公开另一实施例提出的车辆驾驶状态确定方法的流程示意图。
如图2所示,该车辆驾驶状态确定方法,包括:
S201:获取第一车辆的多帧感测姿态数据,和与每帧感测姿态数据对应的感测底盘数据。
S202:对相邻两帧感测姿态数据进行差分处理,得到第一差分姿态数据,并对相邻两帧感测底盘数据进行差分处理,得到第一差分底盘数据。
S203:确定时间窗口内部分感测姿态数据的第一分布信息,并确定时间窗口内部分感测底盘数据的第二分布信息。
针对S201- S203的描述说明可以具体参见上述实施例,在此不再赘述。
S204:将第一差分姿态数据、第一差分底盘数据、第一分布信息,以及第二分布信息输入至目标驾驶状态确定模型中。
一些实施例中,目标驾驶状态确定模型可以是预先训练得到,具有驾驶状态识别的功能,可以是预先基于大数据以及高精定位设备的标注训练得到,对此不作限制。
一些实施例中,目标驾驶状态确定模型,可以是人工智能中的任一种模型,比如神经网络模型、机器学习模型等,对此不作限制。
S205:获取目标驾驶状态确定模型输出的第一车辆的驾驶状态,其中,目标驾驶状态确定模型已学习第一差分姿态数据、第一差分底盘数据、第一分布信息,以及第二分布信息,以及第一车辆的驾驶状态之间的映射关系。
一些实施例中,可以基于目标驾驶状态确定模型处理第一差分姿态数据、第一差分底盘数据、第一分布信息,以及第二分布信息,得到第一车辆的驾驶状态,从而能够有效提升车辆驾驶状态确定的时效性。
针对目标驾驶状态确定模型的训练过程可以具体参见如下实施例,对此不作限制。
一些实施例中,第一车辆的驾驶状态包括:与每帧感测姿态数据和/或感测底盘数据对应时间戳上的瞬时驾驶状态,对此不作限制。
S206:确定至少两个瞬时驾驶状态之间的驾驶状态变化和所覆盖时间范围。
一些实施例中,如果驾驶状态包括每个时间戳上的瞬时驾驶状态,则可以确定多个瞬时驾驶状态中至少两个瞬时驾驶状态之间的驾驶状态变化,比如是相邻时间戳上两个瞬时驾驶状态的驾驶状态变化,例如是由静止驾驶状态变化至运动驾驶状态,还是由运动驾驶状态变化为静止驾驶状态,对此不作限制。
一些实施例中,还可以确定相邻时间戳上两个瞬时驾驶状态所覆盖时间范围,例如是相邻时间戳之间的时长,对此不作限制。
S207:确定时间约束条件和/或驾驶状态约束条件,其中,时间约束条件用于约束车辆驾驶状态维持的最小时长,驾驶状态约束条件用于约束与静止驾驶状态和/或运动驾驶状态相关的原始数据,原始数据包括:至少一帧感测姿态数据和/或感测底盘数据。
S208:根据所覆盖时间范围,确定驾驶状态变化是否符合时间约束条件。
一些实施例中,如果驾驶状态变化是否符合时间约束条件,则确定瞬时驾驶状态是有效的,否则确定瞬时驾驶状态是无效的,对此不作限制。
S209:确定每个瞬时驾驶状态,以及与相应瞬时驾驶状态相关的原始数据是否符合驾驶状态约束条件。
一些实施例中,如果每个瞬时驾驶状态,以及与相应瞬时驾驶状态相关的原始数据是否符合驾驶状态约束条件,则确定瞬时驾驶状态是有效的,否则确定瞬时驾驶状态是无效的,对此不作限制。
一些实施例中,本公开实施例中可以引入两种强约束方法:
(1)车辆运动保持的最小时间约束(时间约束条件的一个可选示例):
假如车辆在某一时刻完成由静止驾驶状态到运动驾驶状态的切换,则车辆再次切换为静止驾驶状态前,中间的运动时间不允许低于100ms(毫秒),即车辆不存在以极短时间运动的顿挫前进方式。
(2)车辆绝对运动驾驶状态约束(驾驶状态约束条件的一个可选示例):
车辆在静止驾驶状态时,参考四个车轮的速度信息(wheel_speed)、里程增量信息(wheel_edge),结合车辆运动学模型,即车辆不存在单轮转动或前排和后排两轮分割转动的情形,可有效识别出车辆的静止驾驶状态是否有效,以此增加车辆静止驾驶状态强约束;当车辆运动高于某一速度阈值时,其速度信息、 里程增量信息显著变化,不存在车辆处于静止驾驶状态的可能性, 以此增加车辆运动驾驶状态的强约束,可有效识别出车辆的运动驾驶状态是否有效。
如图3所示,图3是本公开实施例中车辆驾驶状态确定效果示意图,横轴表示时间:秒(time:s),纵轴表示运动驾驶状态(motion status),运动驾驶状态为0,表示处于静止驾驶状态,运动驾驶状态不为0,表示处于运动驾驶状态,图3示出了增加以上两种约束方法后的车辆驾驶状态实时识别效果,经噪声抑制后处理后,得到兼顾实时性与鲁棒性的预测结果,查准率和查全率均高于99.5%。
本实施例中,为了实现车辆的实时准确驾驶状态识别,设计了以机器学习训练为主要方式,训练得到目标驾驶状态确定模型,以预测车辆的驾驶状态,并在预测边界辅以经验约束算法,有效提升车辆驾驶状态确定的鲁棒性。目标驾驶状态确定模型准确度高、实时性强。在模型预测的基础上,再使用经验策略纠正目标驾驶状态确定模型中的异常预测值,保证目标驾驶状态确定模型运行的稳定性。该目标驾驶状态确定模型在车辆测试的结果显示,对于基本的动静识别准确率、召回率均高于99.9%,并且具有低资源占用、无需依赖第三方库的优点。
图4是本公开另一实施例提出的车辆驾驶状态确定方法的流程示意图。
本实施例中示出了目标驾驶状态确定模型的训练过程示意,对此不作限制。
如图4所示,该车辆驾驶状态确定方法,包括:
S401:获取第二车辆的多帧样本姿态数据,和与每帧样本姿态数据对应的样本底盘数据。
其中,第二车辆是指用于训练模型的车辆,第二车辆可以是和第一车辆相同或者不相同的车辆,对此不作限制。
一些实施例中,第二车辆可以是搭载高精度定位设备的车辆,对此不作限制。
一些实施例中,用于训练模型作为样本的空间姿态数据,可以被称为样本姿态数据,用于训练模型作为样本的底盘数据,可以被称为样本底盘数据。
S402:对相邻两帧样本姿态数据进行差分处理,得到第二差分姿态数据,并对相邻两帧样本底盘数据进行差分处理,得到第二差分底盘数据。
一些实施例中,对相邻两帧样本姿态数据进行差分处理得到的姿态数据,可以被称为第二差分姿态数据,对相邻两帧样本底盘数据进行差分处理得到的底盘数据,可以被称为第二差分底盘数据,对此不作限制。
针对相邻两帧样本姿态数据进行差分处理,得到第二差分姿态数据,并对相邻两帧样本底盘数据进行差分处理,得到第二差分底盘数据的处理过程,可以一并参见上述实施例,在此不再赘述。
S403:获取与多帧样本姿态数据以及多帧样本底盘数据对应的标注驾驶状态。
一些实施例中,可以获取为第二车辆在相应样本姿态数据和样本底盘数据下标注的驾驶状态,作为标注驾驶状态,对此不作限制。
一些实施例中,还可以是确定与每帧样本姿态数据或样本底盘数据对应的时间戳,并获取高精定位设备对第二车辆所采集与时间戳对应的参考驾驶状态,将多个参考驾驶状态作为标注驾驶状态,从而能够有效提升标注驾驶状态的确定准确性,以此保证模型训练效果。
S404:确定时间窗口内部分样本姿态数据的第三分布信息,并确定时间窗口内部分样本底盘数据的第四分布信息。
上述在获取第二车辆的多帧样本姿态数据之后,可以确定时间窗口内部分样本姿态数据的分布情况,用于描述该分布情况的信息,可以被称为第三分布信息,分布情况可以具体例如是正态分布情况,对此不作限制。
上述在获取与每帧样本姿态数据对应的样本底盘数据之后,可以确定时间窗口内部分样本底盘数据的分布情况,用于描述该分布情况的信息,可以被称为第四分布信息,分布情况可以具体例如是正态分布情况,对此不作限制。
一些实施例中,时间窗口可以例如是0.1s(秒),对此不作限制。
S405:根据第二差分姿态数据、第二差分底盘数据、第三分布信息、第四分布信息以及标注驾驶状态训练初始驾驶状态确定模型,以得到目标驾驶状态确定模型。
一些实施例中,可以将第二差分姿态数据、第二差分底盘数据、第三分布信息、第四分布信息输入至初始驾驶状态确定模型中,并对初始驾驶状态确定模型进行至少一轮迭代训练,直至初始驾驶状态确定模型输出的驾驶状态与标注驾驶状态之间满足损失条件,可以将训练所得驾驶状态确定模型作为目标驾驶状态确定模型,对此不作限制。
针对目标驾驶状态确定模型的训练过程可以举例说明如下(可以一并参见图5和图6):图5是本公开一实施例中目标驾驶状态确定模型训练过程示意图,图6是本公开另一实施例中目标驾驶状态确定模型训练过程示意图,IMU输出自身坐标系下的3轴角速度信息和加速度信息(样本姿态数据的一个可选示例),里程计与车体固连后,CHASSIS信号可以提供输出车体系(车辆坐标系的一个可选示例)下的速度信息、位置增量信息、车轮方向信息、车辆转角信息等(样本底盘数据的一个可选示例)。采用多帧数据以及多信息源的联合检测方法可以有效提高鲁棒性与准确度。同时考虑实时性需求,将数据做以下拆分并存储:IMU/CHASSIS的6轴原始数据、IMU/CHASSIS各轴的原始数据(Raw_data,包括各轴的角速度gyr和各轴的加速度acc,可以是样本姿态数据的可选示例)的前后帧差分值(data_diff,第二差分姿态数据、第二差分底盘数据的可选示例)、0.1s滑窗内IMU/CHASSIS各轴的原始数据的均值(data_mean)、标准差(data_std,第三分布信息、第四分布信息的可选示例)。将IMU、CHASSIS和高精定位设备时间(参考REF基准)对齐后,将高精定位设备的参考驾驶状态作为训练模型的标注驾驶状态,以训练模型。
由此,本实施例中,有效依托大量数据的多模式运动场景,每一帧样本数据的标注驾驶状态由高精定位设备提供,具有准确度高、实时性强的优点,综合考虑预测精度和计算消耗等因素以适配合理的模型参数,从而有效提升目标驾驶状态确定模型的驾驶状态确定准确性。
本公开实施例中,第二差分姿态数据的数量是多个,还可以是确定与每个第二差分姿态数据对应的第一影响程度值,其中,第一影响程度值表示相应第二差分姿态数据对初始驾驶状态确定模型的网络参数的影响程度,并从多个第一影响程度值中选择大于第一程度阈值的第一影响程度值所对应的部分第二差分姿态数据。
本公开实施例中,第二差分底盘数据的数量是多个,还可以是确定与每个第二差分底盘数据对应的第二影响程度值,其中,第二影响程度值表示相应第二差分底盘数据对初始驾驶状态确定模型的网络参数的影响程度,并从多个第二影响程度值中选择大于第二程度阈值的第二影响程度值所对应的部分第二差分底盘数据,则还可以支持根据部分第二差分姿态数据、部分第二差分底盘数据、第三分布信息、第四分布信息以及标注驾驶状态训练初始驾驶状态确定模型。
也即是说,本公开实施例中支持选择对模型的网络参数影响程度较大的第二差分姿态数据和/或第二差分底盘数据参与初始驾驶状态确定模型的训练过程,减少计算量和模型复杂度。
一些实施例中,网络参数也可以是模型的性能参数,例如模型的精度、内存占用和运行耗时等,对此不作限制。
在训练模型过程中,将各种传感器的输入信号的各种分解组合都融入训练器中,主要从模型的精度、内存占用和运行耗时这三个方面对模型性能进行综合评价。模型的精度包括模型预测的准确率、查准率、查全率。通过对训练器进行精确调参,可以有效提高这些参数的精度。如图7和图8所示,图7是本公开实施例中网络参数示意图,图8是本公开实施例中数据和网络参数的影响程度关系示意图,如图8所示,acc、gyr的原始数据影响程度最低,mean_gyr表示角速度的均值,std_gyry表示角速度在y轴上分量的标准差,std_gyr表示角速度的标准差,std_accz表示加速度在z轴上分量的标准差,std_accy表示加速度在y轴上分量的标准差,std_acc表示加速度的标准差,std_gyrx表示角速度在x轴上分量的标准差,std_accx表示加速度在x轴上分量的标准差,mean_gyrz表示角速度在z轴上分量的均值,std_gyrz表示角速度在z轴上分量的标准差,mean_acc表示加速度的均值,mean_accx表示加速度在x轴上分量的均值,mean_gyrx表示角速度在x轴上分量的均值,mean_accy表示加速度在y轴上分量的均值,gyr_z表示角速度在z轴上分量,mean_gyry表示角速度在y轴上分量的均值,acc_y表示加速度在y轴上分量,acc_x表示加速度在x轴上分量,mean_accz表示加速度在z轴上分量的均值,gyr_y表示角速度在y轴上分量,gyr_x表示角速度在x轴上分量,acc_z表示加速度在z轴上分量,import level表示影响程度,importance of featurein dateset表示特征在数据集中的重要性,通过这种方法可以剔除一些影响程度低的变量,减少计算量和模型复杂度。模型训练的终止标准可以通过学习曲线得出,如图9所示,图9是本公开实施例中模型训练结果示意图,其中横轴是算法的迭代次数,纵轴是模型学习的改善效果,终止训练标准应满足模型的每步优化效果趋于平稳。迭代次数可以在100次,训练集和测试集均可以达到较好的效果,避免过度收敛造成内存和计算量上的浪费。
由此,本公开实施例中,可以有效的对训练模型进行剪枝优化,将算力应用在对模型影响度高的输入因子上,防止过度拟合导致的精度下降和模型复杂度提升,综合提升模型的各方面性能。使用机器学习方法提高了运动检测模型的精度和鲁棒性,并通过模型调参、剪枝、后处理优化保障了模型的精度、鲁棒性以及模型的精简性。
图10是本公开一实施例提出的车辆驾驶状态确定装置的结构示意图。
如图10所示,该车辆驾驶状态确定装置100,包括:
获取单元1001,用于获取第一车辆的多帧感测姿态数据,和与每帧感测姿态数据对应的感测底盘数据。
处理单元1002,用于对相邻两帧感测姿态数据进行差分处理,得到第一差分姿态数据,并对相邻两帧感测底盘数据进行差分处理,得到第一差分底盘数据。
第一确定单元1003,用于确定时间窗口内部分感测姿态数据的第一分布信息,并确定时间窗口内部分感测底盘数据的第二分布信息。
第二确定单元1004,用于根据第一差分姿态数据、第一差分底盘数据、第一分布信息,以及第二分布信息确定第一车辆的驾驶状态。
关于上述实施例中的装置,其中各个单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本实施例中,通过获取第一车辆的多帧感测姿态数据,和与每帧感测姿态数据对应的感测底盘数据,并对相邻两帧感测姿态数据进行差分处理,得到第一差分姿态数据,并对相邻两帧感测底盘数据进行差分处理,得到第一差分底盘数据,确定时间窗口内部分感测姿态数据的第一分布信息,并确定时间窗口内部分感测底盘数据的第二分布信息,以及根据第一差分姿态数据、第一差分底盘数据、第一分布信息,以及第二分布信息确定第一车辆的驾驶状态,由于将各种感测得到的原始数据,转化为和车辆的驾驶状态相关性更强的信息,并扩展了各种感测得到的原始数据的维度,增大了每帧原始数据的观测维数,能够有效提升车辆驾驶状态确定的鲁棒性和精度。
图11是一示例性实施例示出的一种车辆的功能框图示意图。例如,车辆1100可以是混合动力车辆,也可以是非混合动力车辆、电动车辆、燃料电池车辆或者其他类型的车辆。车辆1100可以是自动驾驶车辆、半自动驾驶车辆或者非自动驾驶车辆。
参照图11,车辆1100可包括各种子系统,例如,信息娱乐系统1110、感知系统1120、决策控制系统1130、驱动系统1140以及计算平台1150。其中,车辆1100还可以包括更多或更少的子系统,并且每个子系统都可包括多个部件。另外,车辆1100的每个子系统之间和每个部件之间可以通过有线或者无线的方式实现互连。
在一些实施例中,信息娱乐系统1110可以包括通信系统,娱乐系统以及导航系统等。感知系统1120可以包括若干种传感器,用于感测车辆1100周边的环境的信息。例如,感知系统1120可包括全球定位系统(全球定位系统可以是GPS系统,也可以是北斗系统或者其他定位系统)、惯性测量单元(inertial measurement unit,IMU)、激光雷达、毫米波雷达、超声雷达以及摄像装置。
决策控制系统1130可以包括计算系统、整车控制器、转向系统、油门以及制动系统。驱动系统1140可以包括为车辆1100提供动力运动的组件。在一个实施例中,驱动系统1140可以包括引擎、能量源、传动系统和车轮。引擎可以是内燃机、电动机、空气压缩引擎中的一种或者多种的组合。引擎能够将能量源提供的能量转换成机械能量。
车辆1100的部分或所有功能受计算平台1150控制。计算平台1150可包括至少一个处理器1151和存储器1152,处理器1151可以执行存储在存储器1152中的指令1153。
处理器1151可以是任何常规的处理器,诸如商业可获得的CPU。处理器还可以包括诸如图像处理器(Graphic Process Unit,GPU),现场可编程门阵列(Field ProgrammableGate Array,FPGA)、片上系统(System on Chip,SOC)、专用集成芯片(ApplicationSpecific Integrated Circuit,ASIC)或它们的组合。
存储器1152可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
除了指令1153以外,存储器1152还可存储数据,例如道路地图,路线信息,车辆的位置、方向、速度等数据。存储器1152存储的数据可以被计算平台1150使用。在本公开实施例中,处理器1151可以执行指令1153,以完成上述的车辆驾驶状态确定方法的全部或部分步骤。本公开还提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现本公开提供的车辆驾驶状态确定方法的步骤。
此外,在本文中使用词语“示例性的”以表示充当示例、实例、示图。在本文中被描述为“示例性的”任何方面或设计都不一定理解为与其他方面或设计相比是有利的。相反,使用词语示例性的旨在以具体的方式呈现概念。如在本文中所使用的,术语“或”旨在表示包括性的“或”而不是排他性的“或”。即,除非另外指定,或者从上下文中清楚,否则“X应用A或B”旨在表示自然的包括性排列中的任何一种排列。即,如果X应用A;X应用B;或者X应用A和B两者,则“X应用A或B”在前述实例中的任何一个实例下都满足。另外,除非另外指定或者从上下文中清楚指向单数形式,否则如在该申请和所附权利要求中所使用的冠词“一”和“一个”通常被理解为表示“一个或多个”。
同样,尽管已经关于一个或多个实现示出并描述了本公开,但是在阅读并理解了该说明书和附图之后,本领域技术人员将想到等同的变型和修改。本公开包括所有这样的修改和变型,并且仅由权利要求的范围来限制。特别关于由上文所描述的组件(例如,元件、资源等)执行的各种功能,除非另外指出,否则用于描述这样的组件的术语旨在对应于执行所描述的组件的具体功能的任何组件(功能上等价的),即使结构上不等价于所公开的结构。另外,尽管可以已经关于几个实现中的仅仅一个而公开了本公开的特定的特征,但是如可以是期望的并且有利于任何给定的或特定的应用的那样,这样的特征可以与其它实现的一个或多个其它特征相结合。此外,就在具体实施方式或者权利要求中所使用的“包括”、“拥有”、“具有”、“有”、或其变型而言,这样的术语旨在作为类似于术语“包含”的方式是包括性的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
应当理解,除非另外特别指出,否则本文描述的各种本公开的一些实施例的特征可以彼此组合。如在本文中使用的,术语“和/或”包括相关所列项中的任一者以及任何两者或更多者的任何组合;类似地,“.......中的至少一个”包括相关所列项中的任一者以及任何两者或更多者的任何组合。另外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本文描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
Claims (10)
1.一种车辆驾驶状态确定方法,其特征在于,所述方法包括:
获取第一车辆的多帧感测姿态数据,和与每帧所述感测姿态数据对应的感测底盘数据;
对相邻两帧所述感测姿态数据进行差分处理,得到第一差分姿态数据,并对相邻两帧所述感测底盘数据进行差分处理,得到第一差分底盘数据;
确定时间窗口内部分所述感测姿态数据的第一标准差和/或均值,并将所述第一标准差和/或均值作为第一分布信息;
确定时间窗口内部分所述感测底盘数据的第二标准差和/或均值,并将所述第二标准差和/或均值作为第二分布信息;
根据所述第一差分姿态数据、所述第一差分底盘数据、所述第一分布信息,以及所述第二分布信息确定所述第一车辆的驾驶状态;
其中,所述感测姿态数据包括以下至少一项:感测角速度;感测加速度;
所述感测底盘数据包括以下至少一项:感测速度;感测位置增量;感测车轮方向;感测车辆转角。
2.如权利要求1所述的方法,其特征在于,所述根据所述第一差分姿态数据、所述第一差分底盘数据、所述第一分布信息,以及所述第二分布信息确定所述第一车辆的驾驶状态,包括:
将所述第一差分姿态数据、所述第一差分底盘数据、所述第一分布信息,以及所述第二分布信息输入至目标驾驶状态确定模型中;
获取所述目标驾驶状态确定模型输出的所述第一车辆的驾驶状态,其中,所述目标驾驶状态确定模型已学习所述第一差分姿态数据、所述第一差分底盘数据、所述第一分布信息,以及所述第二分布信息,以及所述第一车辆的驾驶状态之间的映射关系。
3.如权利要求2所述的方法,其特征在于,所述目标驾驶状态确定模型是基于以下方式训练得到:
获取第二车辆的多帧样本姿态数据,和与每帧所述样本姿态数据对应的样本底盘数据;
对相邻两帧所述样本姿态数据进行差分处理,得到第二差分姿态数据,并对相邻两帧所述样本底盘数据进行差分处理,得到第二差分底盘数据;
获取与所述多帧样本姿态数据以及多帧所述样本底盘数据对应的标注驾驶状态;
确定时间窗口内部分所述样本姿态数据的第三分布信息,并确定所述时间窗口内部分所述样本底盘数据的第四分布信息,所述第三分布信息是描述所述时间窗口内部分所述样本姿态数据的分布情况的信息,所述第四分布信息描述所述时间窗口内部分所述样本底盘数据的分布情况的信息;
根据所述第二差分姿态数据、所述第二差分底盘数据、所述第三分布信息、所述第四分布信息以及所述标注驾驶状态训练初始驾驶状态确定模型,以得到所述目标驾驶状态确定模型。
4.如权利要求3所述的方法,其特征在于,所述获取与所述多帧样本姿态数据以及多帧所述样本底盘数据对应的标注驾驶状态,包括:
确定与每帧所述样本姿态数据或所述样本底盘数据对应的时间戳;
获取高精定位设备对所述第二车辆所采集与所述时间戳对应的参考驾驶状态;
将多个所述参考驾驶状态作为所述标注驾驶状态。
5.如权利要求3所述的方法,其特征在于,所述第二差分姿态数据的数量是多个;所述方法还包括:
确定与每个所述第二差分姿态数据对应的第一影响程度值,其中,所述第一影响程度值表示相应所述第二差分姿态数据对所述初始驾驶状态确定模型的网络参数的影响程度;
从多个所述第一影响程度值中选择大于第一程度阈值的所述第一影响程度值所对应的部分第二差分姿态数据。
6.如权利要求5所述的方法,其特征在于,所述第二差分底盘数据的数量是多个;所述方法还包括:
确定与每个所述第二差分底盘数据对应的第二影响程度值,其中,所述第二影响程度值表示相应所述第二差分底盘数据对所述初始驾驶状态确定模型的网络参数的影响程度;
从多个所述第二影响程度值中选择大于第二程度阈值的所述第二影响程度值所对应的部分第二差分底盘数据;
其中,所述根据所述第二差分姿态数据、所述第二差分底盘数据、所述第三分布信息、所述第四分布信息以及所述标注驾驶状态训练初始驾驶状态确定模型,包括:
根据所述部分第二差分姿态数据、所述部分第二差分底盘数据、所述第三分布信息、所述第四分布信息以及所述标注驾驶状态训练所述初始驾驶状态确定模型。
7.如权利要求1-6任一项所述的方法,其特征在于,所述第一车辆的驾驶状态包括:与每帧所述感测姿态数据和/或感测底盘数据对应时间戳上的瞬时驾驶状态;其中,所述方法还包括:
确定至少两个所述瞬时驾驶状态之间的驾驶状态变化和所覆盖时间范围;
确定时间约束条件和/或驾驶状态约束条件,其中,所述时间约束条件用于约束车辆驾驶状态维持的最小时长,所述驾驶状态约束条件用于约束与静止驾驶状态和/或运动驾驶状态相关的原始数据,所述原始数据包括:至少一帧感测姿态数据和/或感测底盘数据;
根据所述所覆盖时间范围,确定所述驾驶状态变化是否符合所述时间约束条件;
确定每个所述瞬时驾驶状态,以及与相应所述瞬时驾驶状态相关的原始数据是否符合所述驾驶状态约束条件。
8.一种车辆驾驶状态确定装置,其特征在于,所述装置包括:
获取单元,用于获取第一车辆的多帧感测姿态数据,和与每帧所述感测姿态数据对应的感测底盘数据;
处理单元,用于对相邻两帧所述感测姿态数据进行差分处理,得到第一差分姿态数据,并对相邻两帧所述感测底盘数据进行差分处理,得到第一差分底盘数据;
第一确定单元,用于确定时间窗口内部分所述感测姿态数据的第一标准差和/或均值,并将所述第一标准差和/或均值作为第一分布信息;确定时间窗口内部分所述感测底盘数据的第二标准差和/或均值,并将所述第二标准差和/或均值作为第二分布信息;
第二确定单元,用于根据所述第一差分姿态数据、所述第一差分底盘数据、所述第一分布信息,以及所述第二分布信息确定所述第一车辆的驾驶状态;
其中,所述感测姿态数据包括以下至少一项:感测角速度;感测加速度;
所述感测底盘数据包括以下至少一项:感测速度;感测位置增量;感测车轮方向;感测车辆转角。
9.一种车辆,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
实现权利要求1~7中任一项所述方法的步骤。
10.一种非临时性计算机可读存储介质,当所述存储介质中的指令由移动终端的处理器执行时,使得移动终端能够执行一种车辆驾驶状态确定方法,所述方法包括:
获取第一车辆的多帧感测姿态数据,和与每帧所述感测姿态数据对应的感测底盘数据;
对相邻两帧所述感测姿态数据进行差分处理,得到第一差分姿态数据,并对相邻两帧所述感测底盘数据进行差分处理,得到第一差分底盘数据;
确定时间窗口内部分所述感测姿态数据的第一标准差和/或均值,并将所述第一标准差和/或均值作为第一分布信息;
确定时间窗口内部分所述感测底盘数据的第二标准差和/或均值,并将所述第二标准差和/或均值作为第二分布信息;
根据所述第一差分姿态数据、所述第一差分底盘数据、所述第一分布信息,以及所述第二分布信息确定所述第一车辆的驾驶状态;
其中,所述感测姿态数据包括以下至少一项:感测角速度;感测加速度;
所述感测底盘数据包括以下至少一项:感测速度;感测位置增量;感测车轮方向;感测车辆转角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310628076.8A CN116331225B (zh) | 2023-05-31 | 2023-05-31 | 车辆驾驶状态确定方法、装置、车辆及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310628076.8A CN116331225B (zh) | 2023-05-31 | 2023-05-31 | 车辆驾驶状态确定方法、装置、车辆及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116331225A CN116331225A (zh) | 2023-06-27 |
CN116331225B true CN116331225B (zh) | 2023-08-15 |
Family
ID=86893388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310628076.8A Active CN116331225B (zh) | 2023-05-31 | 2023-05-31 | 车辆驾驶状态确定方法、装置、车辆及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116331225B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019166904A (ja) * | 2018-03-22 | 2019-10-03 | 株式会社ショーワ | 車両状態推定装置、制御装置、サスペンション制御装置、サスペンション装置、ステアリング制御装置、及びステアリング装置 |
CN110450785A (zh) * | 2018-05-08 | 2019-11-15 | 罗伯特·博世有限公司 | 用于获取轨迹跟随精度的方法 |
CN115406446A (zh) * | 2022-08-23 | 2022-11-29 | 中国人民解放军火箭军工程大学 | 基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方法 |
-
2023
- 2023-05-31 CN CN202310628076.8A patent/CN116331225B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019166904A (ja) * | 2018-03-22 | 2019-10-03 | 株式会社ショーワ | 車両状態推定装置、制御装置、サスペンション制御装置、サスペンション装置、ステアリング制御装置、及びステアリング装置 |
CN110450785A (zh) * | 2018-05-08 | 2019-11-15 | 罗伯特·博世有限公司 | 用于获取轨迹跟随精度的方法 |
CN115406446A (zh) * | 2022-08-23 | 2022-11-29 | 中国人民解放军火箭军工程大学 | 基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116331225A (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113945206B (zh) | 一种基于多传感器融合的定位方法及装置 | |
CN113819914B (zh) | 一种地图构建方法及装置 | |
JP7086111B2 (ja) | 自動運転車のlidar測位に用いられるディープラーニングに基づく特徴抽出方法 | |
CN112083726B (zh) | 一种面向园区自动驾驶的双滤波器融合定位系统 | |
CN111532257B (zh) | 用于补偿交通工具校准误差的方法和系统 | |
JP7060625B2 (ja) | 自動運転車において3dcnnネットワークを用いてソリューション推断を行うlidar測位 | |
CN108334077B (zh) | 确定自动驾驶车辆的速度控制的单位增益的方法和系统 | |
CN111033422A (zh) | 操作自动驾驶车辆的规划阶段和控制阶段之间的漂移校正 | |
CN113819905B (zh) | 一种基于多传感器融合的里程计方法及装置 | |
CN113252022B (zh) | 一种地图数据处理方法及装置 | |
AU2021204643A1 (en) | Positioning method, device, medium and equipment | |
CN115824235B (zh) | 一种车道定位方法、装置、计算机设备以及可读存储介质 | |
CN111208814A (zh) | 用于自动车辆的、利用动态模型的、基于记忆的最优运动规划 | |
US10891951B2 (en) | Vehicle language processing | |
CN112099378B (zh) | 考虑随机测量时滞的前车侧向运动状态实时估计方法 | |
CN113252051A (zh) | 一种地图构建方法及装置 | |
CN111240313A (zh) | 用于操作自动驾驶车辆的基于预定校准表的车辆控制系统 | |
CN116777984A (zh) | 用于校准自主交通载具中摄像头的外部参数的系统 | |
CN117308972A (zh) | 车辆定位方法、装置和存储介质及电子设备 | |
CN116331225B (zh) | 车辆驾驶状态确定方法、装置、车辆及存储介质 | |
CN110426215B (zh) | 一种用于车辆平顺性测试的模型建立方法及智能驾驶系统 | |
US20240208519A1 (en) | Autonomous vehicle energy efficiency using deep learning adaptive sensing | |
CN116343174A (zh) | 目标检测方法、装置、车辆和存储介质 | |
US20230342954A1 (en) | Method for Estimating an Ego Motion of a Vehicle on the Basis of Measurements of a Lidar Sensor and Computing Device | |
WO2020132943A1 (en) | A corner negotiation method for autonomous driving vehicles without map and localization |
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 |