CN116401560B - 一种基于无人驾驶车辆的运行异常检测方法 - Google Patents

Abstract

本发明涉及数据处理领域，具体涉及一种基于无人驾驶车辆的运行异常检测方法，包括：采集坐标和速度，对直道区域的位置坐标获得的轨迹曲线分解获得周期曲线和残差曲线，对残差曲线进行分段得到若干周期类别；根据周期类别与速度获得周期段，进一步获得速度周期曲线，对速度周期曲线进行匹配获得共点匹配，进而获得最终的异常率，根据最终的异常率获得无人驾驶车辆的运行异常检测结果。本发明避免了路面结构的影响以及速度变化导致误差较大的问题，提高了运行异常检测灵敏度。

Description

一种基于无人驾驶车辆的运行异常检测方法

技术领域

本发明涉及数据处理领域，具体涉及一种基于无人驾驶车辆的运行异常检测方法。

背景技术

无人驾驶车辆出于各种原因，如在系统异常或者规划模块出现不合理的规划情况下，无人驾驶车辆将会在道路上来回摆动前进，导致在公路上运行轨迹并非直线，而是运动方向左右来回偏转，导致无人驾驶车辆轨迹弯曲，这种无人车在行驶过程中出现的异常摆动造成轨迹弯曲的行为，也被称作 “画龙”行为。这种行为单从规划模块很难进行规避。当无人车发生异常摆动行为时，非常容易发生碰撞或驶出正常道路，导致风险较高，现有方法通过无人车内置的朝向角来对该行为进行检测，但车辆朝向角通常是通过三角丈量法来计算得到的，通过激光反射原理进行测算，当车辆速度较慢时，较为准确，但实际行驶过程中，车辆不可能总是按照一个较小速度行驶，当车辆速度发生变化或车辆速度较快时，在激光反射较短时间内无人驾驶车辆就前进较长距离，此时的方向角存在较大误差。基于此，本申请提出了一种基于无人驾驶车辆的运行异常检测方法。

发明内容

本发明提供一种基于无人驾驶车辆的运行异常检测方法，以解决现有的问题。

本发明的一种基于无人驾驶车辆的运行异常检测方法采用如下技术方案：

本发明实施例提供了一种基于无人驾驶车辆的运行异常检测方法，该方法包括以下步骤：

采集无人驾驶车辆每个时刻的位置坐标以及速度大小；

根据无人驾驶车辆在直道区域的位置坐标获得轨迹曲线，对轨迹曲线进行分解获得周期曲线和残差曲线，对残差曲线进行多阈值分割获得若干残差段，根据残差段对周期曲线进行分段得到若干周期类别；

对周期类别内所有时刻的速度进行多阈值分割获得每个周期类别的多个周期段，并获得每个周期段的速度周期段，根据所述速度周期段获得每个周期段的速度周期曲线，根据周期类别对应的所有速度周期曲线进行两两匹配，获得所有匹配点对，相同时刻下的匹配点对记为共点匹配，根据共点匹配的数量与速度周期曲线上数据点的数量获得周期类别的异常率，所有周期类别异常率的最大值作为最终的异常率，根据最终的异常率获得无人驾驶车辆的运行异常检测结果。

优选的，所述每个周期段的速度周期段是由每个周期段包含的所有曲线按时间顺序连接得到的。

优选的，所述每个周期段的速度周期曲线的获取方法包括：

每个周期段的速度周期段通过傅里叶变换转换到频域空间得到所有频率以及每个频率对应的幅值，计算最大幅值对应频率的倒数作为周期，根据所述周期对速度周期段进行均等分割，得到多个周期部分，每个周期部分的长度都等于周期；分别计算每个周期部分与其它所有周期部分的余弦相似度，将最大余弦相似度对应的周期部分作为每个周期段的速度周期曲线。

优选的，所述根据周期类别对应的所有速度周期曲线进行两两匹配，具体方法包括：

首先将每个周期类别对应的所有速度周期曲线降维到T维，所述T的取值为每个周期类别对应的所有速度周期曲线的最小长度；对降维后的所有速度周期曲线利用DTW算法进行两两匹配。

优选的，所述获取所有匹配点对中的共点匹配是指相同时刻下的匹配点对。

优选的，所述根据共点匹配的数量与速度周期曲线上数据点的数量获得周期类别的异常率，具体方法包括：

所述根据周期类别对应的所有速度周期曲线进行两两匹配的过程中，获取任意一对匹配结果对应的共点匹配的数量与速度周期曲线上数据点的数量的比值，所有两两匹配对应的所述比值的均值作为周期类别的异常率。

优选的，所述根据最终的异常率获得无人驾驶车辆的运行异常检测结果，具体方法包括：

将最终的异常率与预设阈值进行比较，当大于预设阈值时说明无人驾驶车辆存在运行异常，否则不存在运行异常。

优选的，所述对轨迹曲线进行分解利用的是时间序列分解算法。

本发明上述技术方案至少具有如下有益效果：

通过对分解后的残差曲线进行分段，得到了不同类别，避免了地面结构对检测无人驾驶车辆是否“画龙”的影响；通过对速度分段，对不同速度分别计算速度周期曲线，计算速度周期曲线之间的匹配度得到异常率，避免了传统方法当无人驾驶车辆速度较大变化时，检测误差较大的问题，在无人驾驶车辆速度变化较大时，也能及时检测到，所述无人驾驶车辆速度变化较大包括了较小速度的变化、较大速度的变化和较大较小速度之间的速度转变过程，即在不同的速度变化场景下都能及时检测到，而传统方法只在速度较小且速度较稳定情况下的检测精度较高，与传统方法相比，改进方法的适用范围更广，更加可以满足实际的复杂行驶情况下的高精度的“画龙”行为的检测；通过对不同路面结构下的无人驾驶车辆情况分别进行计算，避免了不同路面结构下无人驾驶车辆“画龙”情况可能不同的问题，即某种路面结构下“画龙”不明显导致常规方法难以检测的问题，提高了检测灵敏度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的一种基于无人驾驶车辆的运行异常检测方法的步骤流程图；

图2为周期类别示意图；

图3为DTW算法示意图。

具体实施方式

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

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于无人驾驶车辆的运行异常检测方法的具体方案。

本发明提供实施例一，如图1所示，具体实施方法如下：

S101、获取无人驾驶车辆在每个时刻的位置坐标和每个时刻的速度大小。

无人驾驶车辆出于各种原因，如在系统异常或者规划模块出现不合理的规划情况下，无人驾驶车辆将会在道路上来回摆动前进，导致在公路上运行轨迹并非直线，而是运动方向左右来回偏转，导致无人驾驶车辆轨迹弯曲，这种无人车在行驶过程中出现的异常摆动造成轨迹弯曲的行为，也被称作 “画龙”行为。这种行为单从规划模块很难进行规避。当无人车发生异常摆动行为时，非常容易发生碰撞或驶出正常道路，导致风险较高。而目前，并没有能够检测无人车异常摆动行为的装置，导致无法及时检测无人车的异常摆动行为，从而及时采取应对措施以降低风险，需要对驶无人驾驶车辆运行轨迹弯曲的现象进行检测，以便与及时发现运行异常问题，防止出现交通事故。

因此首先需要对无人驾驶车辆进行数据采集，本实施例通过定位传感器，例如GPS，采集无人驾驶车辆的实时位置，获得无人驾驶车辆每个时刻的位置坐标点，并通过速度传感器采集无人驾驶车辆的实时速度大小。本实施例以每秒为一个时刻进行上述位置和速度数据的采集。

步骤S102、根据无人驾驶车辆在直道区域的位置坐标获得轨迹曲线，并根据轨迹曲线获得周期类别。

需要说明的是，由于无人驾驶车辆在无异常情况下的弯道行驶时，无人驾驶车辆的轨迹就是弯曲的，但这并不属于无人驾驶车辆的异常运行下的“画龙”的现象。因此在通过检测无人驾驶车辆运动轨迹是否弯曲的方法来判断无人驾驶车辆的是否异常运行时，具有较大的干扰，难以检测出准确的异常运行情况。因此首先选取无人驾驶车辆在直道上行驶的部分对无人驾驶车辆进行检测，由于无人驾驶车辆如果存在运动轨迹的“画龙”行为，无人驾驶车辆坐标点必然存在偏移，非绝对的直线，但是同时也可能是道路障碍或路面结构的影响，例如路面粗糙、不平整等，使得无人驾驶车辆存在晃动与绕行导致GPS定位点的偏移，因此首先对无人驾驶车辆的运动轨迹的近直线部分进行提取，即该部分无人驾驶车辆在直线道路上行驶。具体方法为：

对无人驾驶车辆的每个时刻的坐标保留5位小数，保证坐标精度，防止由于精度不够，导致检测结果不准确。

通过无人驾驶车辆的GPS定位数据可以得到无人驾驶车辆在电子地图上的实时位置，预先在地图上进行人工标注，1表示直线道路，0表示非直线道路，选取无人驾驶车辆行驶路径上标注为1的且距离当前最近的区域，得到无人驾驶车辆出现在该区域的坐标数据，该区域就是距离当前无人驾驶车辆最近的直道区域，即该无人驾驶车辆刚行驶过的与当前时间的时间差最小的一个直道区域，无人驾驶车辆经过该区域的坐标点形成的一条轨迹曲线就是无人驾驶车辆在直道区域的运动轨迹，这个轨迹曲线最可以反应无人驾驶车辆的当前状态。

需要说明的是，由于无人驾驶车辆在不同路面结构，例如不同粗糙度或不同平整度的道路上行驶时，上述的轨迹曲线一方面是受到路面结构的影响导致的晃动所呈现出的结果，另一方面是受到无人驾驶车辆的异常运行下的“画龙”现象影响所呈现出的结果。为了利用无人驾驶车辆轨迹对“画龙”这种异常运行情况进行检测，需要控制变量进行分析，在同一路面结构下进行计算（此时的轨迹曲线是受到“画龙”影响所呈现出的结果）才能避免路面结构的对“画龙”影响的计算。

无人驾驶车辆由于自身运行异常问题导致的“画龙”是周期运动，坐标点时而偏左，时而偏右，时而偏左，时而偏右，形成周期运动，对轨迹曲线数据使用时间序列分解算法（STL）进行分解，由于“画龙”是周期运动，得到的残差曲线表示的是非周期的部分，即受路面结构影响的部分，因此一样的残差区域可以表示路面结构相同。

对轨迹曲线进行STL分解，得到周期曲线和残差曲线，对残差曲线进行otsu多阈值分割，得到多个残差段，每个残差段中的残差值相近，不同段中的残差值相差较大。

得到残差段后，通过残差段对对应的周期曲线进行分段，将每个残差段对应的周期曲线作为一个类别，称之为周期类别，如图2示意了一个周期类别，其也是一部分周期曲线的示意图，描述的是无人驾驶车辆左右摆动的周期运动轨迹的异常现象。

至此，通过残差曲线对周期曲线实现了分段，得到了多个周期类别，同时每个周期类别对应一段轨迹曲线段，每一个周期类别对应的轨迹曲线段是在同一种路面结构下获得的，例如同一粗糙度或平整度的路面，因此对同一周期类别进行分析可以避免路面结构不同而产生的影响。

步骤S103、根据每个周期类别以及不同时刻的速度获得速度周期曲线。

需要说明的是，“画龙”是无人驾驶汽车本身的前进方向不当导致的呈现左右摆动的周期运动的异常现象，速度越快，单位时间内的前进距离越大，体现在无人驾驶车辆的周期曲线上，图2中共有两种速度，一个速度较小，另一个速度较大，前面的三个周期是同一个较小速度，后面的三个周期是较大速度，由于一方面无人驾驶车辆“摆龙”行为是由于无人驾驶车辆本身零部件或系统异常抑或规划模块出现不合理导致的，不管地面情况如何都会存在，只是外在表现不同；另一方面短时间内异常带来的影响并不会随着时刻较大的增大或减小，因此异常带来的左右摇摆的周期是固定的，前进速度加快就会形成如图2所示的情况，图2表示的是同一粗糙度下的周期曲线，其中A部分表示较小速度对应的多个周期，B部分表示较大速度对应的多个周期，A中有多个周期，其中a0是A中的单个周期，其它部分与a0相近，可以用a0代表A段的运动规律，同样的，B中的b0可以代表B段的运动轨迹。

每个周期类别对应的是周期曲线的一部分，这一部分周期曲线对应无人驾驶车辆运行的时间段内所有时刻的速度构成一个速度曲线，速度曲线是一个速度随时刻变化的速度序列，对速度序列进行otsu多阈值分割，得到多个类别，同一个类别中的速度相近，不同类别中的速度相差较大，将每个类别对应的周期曲线部分称之为周期段。

即同一个周期段内采集到的速度相近，可能有少量的差别，或者说无人驾驶车辆在同一个周期段内以某种相对稳定的速度运行，而这个相对稳定运行过程中可能会存在运行异常，例如无人驾驶车辆本该以固定速度行驶，但是由于运行异常，导致无人驾驶车辆无法保持恒速，使得无人驾驶车辆速度产生些许的偏差，使得无人驾驶车辆处于相对稳定的速度运行；不同周期段之间无人驾驶车辆的速度发生较大的改变，这种改变一般是无人驾驶车辆自主改变的并非是由于无人驾驶车辆异常导致的，例如拥堵情况下无人驾驶车辆起停过程。为了保证在进行无人驾驶车辆运行异常检测时避免将无人驾驶车辆速度较大的主动改变误认为是异常运行，需要对同一周期段进行进一步分析。同时每个周期段对应周期曲线的一部分，如图2所示，A和B表示同一个周期类别中不同的周期段。

至此，通过对速度值划分，将每个周期类别根据对应的速度曲线划分为了不同的周期段，每个周期段对应图2所示的周期曲线的一部分，同一个周期段内对应的速度与周期曲线是在同一种路面结构下获得的，不同周期段对应着同一路面结构下的不同速度下的一部分周期曲线。

需要说明的是，如果无人驾驶车辆存在“画龙”情况，则同一个周期段内的不同速度的周期之间存在如图2所示的关系，即速度较大的周期部分相当于速度较小周期部分的水平拉伸，这种关系越明显，则无人驾驶车辆存在“画龙”的概率越大。

每个周期段可能有多条曲线，这里的周期段在前面有定义，是通过STL分解得到的周期曲线上的一部分，每个周期段是指在时间线上不是直接相连，但属于同一周期段的多条曲线，这里的多条曲线是指同一路面结构下的时间线上不连续的两条曲线，在同一个粗糙度地面上，不同速度转换存在一个过程，例如：从一个稳定的较小速度到一个稳定的较大速度过程中存在速度变化，此时的变化过程不是一个稳定速度，不是一个周期段，而当由于路况又减速到之前的稳定的较小速度时，此时表示同一速度的周期段中有两条曲线，存在多次的这种情况，则每个周期段中有多条曲线。

将周期段包含的所有曲线按时间顺序连接形成每个周期段的速度周期段，对速度周期段首先通过傅里叶变换转换到频域空间得到所有频率以及每个频率对应的幅值，计算最大幅值对应频率的倒数作为周期，根据所述周期对速度周期段进行均等分割，得到多个周期部分，每个周期部分也是周期曲线上的一个片段，每个周期部分的长度都等于周期，速度周期段不够均等分割时将最后一段长度不足周期的片段删除。分别计算每个周期部分与其它所有周期部分的余弦相似度，将最大相似度值对应的周期部分作为每个周期段的速度周期曲线，如图2中A部分的a0为A部分的速度周期曲线。

综上所述，一个周期类别有一个速度序列；一个速度序列又存在多个速度周期段；每个速度周期段又进行频域变换，得到多个周期部分；将最大相似度值对应的周期部分作为该速度周期段的周期曲线，称之为速度周期曲线。由于同一条车道上不同时间的拥堵情况不同，同一路面结构下有多个周期段，对应不同速度的曲线，同时，每个周期段可能有多条曲线，计算每个速度下的与该速度下所有曲线的相似度最大曲线作为该速度的周期曲线，有助于避免由于无人驾驶车辆的急停或突然启动导致的计算结果的偏差，提高后续计算的精度。

S104、根据每个周期类别对应的速度周期曲线获得每个周期类别的异常率，根据异常率进行异常检测。

需要说明的是，得到每个周期段的速度周期曲线，即得到了图2中的不同速度对应周期曲线的单个周期，对应图2中的a0和b0，实际的速度周期曲线受速度变化和由于“画龙”形成的左右方向周期运动的影响，因此如果可以排除速度因素的影响，剩余部分如果是有规律的周期运动，则大概率无人驾驶车辆存在“画龙”行为，因此可以通过对较大速度对应的曲线长度较大的速度周期曲线与较小速度对应的曲线长度较小的速度周期曲线的对应关系进行计算得到晃动是由于“画龙”导致的概率。即如果是“画龙”导致的，不同速度之间存在如图2所示的对应关系。

对于每个周期类别对应的所有速度周期曲线，计算任意两个速度周期曲线的匹配，由于不同速度对应的曲线周期不同，因此首先通过PCA降维的方法使得任意两个速度周期曲线的长度变得一致，获取所有速度周期曲线中的最短长度曲线的长度，其中最小长度记为T，将所有速度周期曲线的长度通过降维变为T，通过主成分分析的方法对每个速度周期曲线对应的速度时序序列进行降维，得到相同大小均为T的速度周期曲线。

需要说明的是，如图2中的两种速度，降维后，所有的速度周期曲线的长度变得一致，则如果存在“画龙”，任意两个速度周期曲线中的每个数据点的位置相同，可以通过DTW匹配计算，得到“画龙”概率。具体方法为：

对得到的速度周期曲线进行两两之间的DTW匹配，计算共点匹配的匹配率，计算所有的匹配率均值作为异常率，计算过程如下：

首先对得到的速度周期曲线进行两两之间的DTW匹配，获得所有相匹配的数据点对，如图3所示，通过DTW匹配可以计算得到任意两个速度周期曲线之间的对应关系，对应关系分为两种，一种是同一时刻下相匹配的数据点对，另一种是不同时刻下相匹配的数据点对，将同一时刻下相匹配的数据点对为共点匹配，计算共点匹配的数量与曲线M上数据点的总量的比值作为异常率，所述曲线M是指长度为M的速度周期曲线。

通过计算可以得到每个周期类别中任意两个速度周期曲线的异常率，计算所有异常率的均值作为每个周期类别的异常率，然后计算所有周期类别异常率的最大值作为最终的异常率，即“画龙”概率。在不同粗糙度下的相同速度变化，即由小的速度周期曲线到大的速度周期曲线，同一“画龙”行为的影响程度不同，但不同粗糙度下都有影响，因此通过计算最大影响下的异常率作为“画龙”概率，因此通过计算每个粗糙度下速度变化过程中速度周期曲线的对应关系中的最大值得到“画龙”概率。

将最终的异常率与预设阈值k比较，如果大于k说明存在“画龙”行为，即运行异常情况，需要采取措施，例如：及时路边停车，避免发生交通事故；否则不存在运行异常。本实施例中以k=0.7为例进行叙述。

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

Claims (4)

1.一种基于无人驾驶车辆的运行异常检测方法，其特征在于，该方法包括以下步骤：

采集无人驾驶车辆每个时刻的位置坐标以及速度大小；

根据无人驾驶车辆在直道区域的位置坐标获得轨迹曲线，对轨迹曲线进行分解获得周期曲线和残差曲线，对残差曲线进行多阈值分割获得若干残差段，根据残差段对周期曲线进行分段得到若干周期类别；

对周期类别内所有时刻的速度进行多阈值分割获得每个周期类别的多个周期段，并获得每个周期段的速度周期段，根据所述速度周期段获得每个周期段的速度周期曲线，根据周期类别对应的所有速度周期曲线进行两两匹配，获得所有匹配点对，相同时刻下的匹配点对记为共点匹配，根据共点匹配的数量与速度周期曲线上数据点的数量获得周期类别的异常率，所有周期类别异常率的最大值作为最终的异常率，根据最终的异常率获得无人驾驶车辆的运行异常检测结果；

其中，所述每个周期段的速度周期段是由每个周期段包含的所有曲线按时间顺序连接得到的；

所述根据周期类别对应的所有速度周期曲线进行两两匹配，具体方法包括：

首先将每个周期类别对应的所有速度周期曲线降维到T维，所述T的取值为每个周期类别对应的所有速度周期曲线的最小长度；对降维后的所有速度周期曲线利用DTW算法进行两两匹配；

所述根据共点匹配的数量与速度周期曲线上数据点的数量获得周期类别的异常率，具体方法包括：

计算共点匹配的数量与曲线M上数据点的总量的比值作为异常率，所述曲线M是指长度为M的速度周期曲线；

所述每个周期段的速度周期曲线的获取方法包括：

每个周期段的速度周期段通过傅里叶变换转换到频域空间得到所有频率以及每个频率对应的幅值，计算最大幅值对应频率的倒数作为周期，根据所述周期对速度周期段进行均等分割，得到多个周期部分，每个周期部分的长度都等于周期；分别计算每个周期部分与其它所有周期部分的余弦相似度，将最大余弦相似度对应的周期部分作为每个周期段的速度周期曲线。

2.根据权利要求1所述的一种基于无人驾驶车辆的运行异常检测方法，其特征在于，所述根据共点匹配的数量与速度周期曲线上数据点的数量获得周期类别的异常率，具体方法包括：

所述根据周期类别对应的所有速度周期曲线进行两两匹配的过程中，获取任意一对匹配结果对应的共点匹配的数量与速度周期曲线上数据点的数量的比值，所有两两匹配对应的所述比值的均值作为周期类别的异常率。

3.根据权利要求1所述的一种基于无人驾驶车辆的运行异常检测方法，其特征在于，所述根据最终的异常率获得无人驾驶车辆的运行异常检测结果，具体方法包括：

将最终的异常率与预设阈值进行比较，当大于预设阈值时说明无人驾驶车辆存在运行异常，否则不存在运行异常。

4.根据权利要求1所述的一种基于无人驾驶车辆的运行异常检测方法，其特征在于，所述对轨迹曲线进行分解利用的是时间序列分解算法。