CN116424347A - 数据挖掘方法、车辆控制方法、装置、设备及存储介质 - Google Patents
数据挖掘方法、车辆控制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116424347A CN116424347A CN202211605075.3A CN202211605075A CN116424347A CN 116424347 A CN116424347 A CN 116424347A CN 202211605075 A CN202211605075 A CN 202211605075A CN 116424347 A CN116424347 A CN 116424347A
- Authority
- CN
- China
- Prior art keywords
- road
- data
- driving
- scene
- range
- 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
- 238000007418 data mining Methods 0.000 title claims abstract description 144
- 238000000034 method Methods 0.000 title claims abstract description 96
- 241001149900 Fusconaia subrotunda Species 0.000 claims description 44
- 230000008859 change Effects 0.000 claims description 44
- 238000000605 extraction Methods 0.000 claims description 22
- 238000005259 measurement Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 230000008447 perception Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000005065 mining Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 23
- 230000006399 behavior Effects 0.000 description 17
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 230000001133 acceleration Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 101000822695 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C1 Proteins 0.000 description 1
- 101000655262 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C2 Proteins 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 101000655256 Paraclostridium bifermentans Small, acid-soluble spore protein alpha Proteins 0.000 description 1
- 101000655264 Paraclostridium bifermentans Small, acid-soluble spore protein beta Proteins 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
-
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
-
- 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
- B60W2556/00—Input parameters relating to data
- B60W2556/10—Historical data
-
- 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
- B60W2556/00—Input parameters relating to data
- B60W2556/40—High definition maps
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Transportation (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种数据挖掘方法、装置、设备及存储介质,涉及数据处理技术领域,尤其涉及智能驾驶、智慧城市、人工智能、大数据等技术领域。具体实现方案为:从电子地图数据中,提取目标场景下的道路位置数据,目标场景为突发事件发生概率大于设定概率的场景;根据道路位置数据,确定待进行数据挖掘的道路范围;获取道路范围内的历史行驶数据;对历史行驶数据进行数据挖掘,得到道路范围对应的行驶特征数据,其中,行驶特征数据用于辅助车辆的自动驾驶。从而,通过挖掘出特定场景下的行驶特征数据,提高车辆自动驾驶的安全性和智能化程度。
Description
技术领域
本公开涉及数据处理技术领域中的智能驾驶、智慧城市、人工智能、大数据等技术领域,尤其涉及一种数据挖掘方法、车辆控制方法、装置、设备及存储介质。
背景技术
随着自动驾驶技术的发展,自动驾驶技术的应用场景由辅助驾驶发展至一定条件下的可自动驾驶。
相关技术中,自动驾驶车辆通过传感器,比如激光传感器和摄像头等,对道路标识和行人等进行实时感应和识别,并结合静态的高精地图做出驾驶决策。
但发明人在研究过程中发现:上述决策方式易导致突然刹车或者突然加速等自动驾驶行为,影响自动驾驶车辆的安全性。因此,自动驾驶的智能化程度还有待提高。
发明内容
本公开提供了一种用于提高自动驾驶安全性和智能化程度的数据挖掘方法、车辆控制方法、装置、设备及存储介质。
根据本公开的第一方面,提供了一种数据挖掘方法,包括:从电子地图数据中,提取目标场景下的道路位置数据,所述目标场景为突发事件发生概率大于设定概率的场景;根据所述道路位置数据,确定待进行数据挖掘的道路范围;获取所述道路范围内的历史行驶数据;对所述历史行驶数据进行数据挖掘,得到所述道路范围对应的行驶特征数据,其中,所述行驶特征数据用于辅助车辆的自动驾驶。
根据本公开的第二方面,提供了一种车辆控制方法,包括:获取行驶特征数据,所述行驶特征数据是根据如第一方面所述的数据挖掘方法得到的;根据所述行驶特征数据和自动驾驶车辆的感知数据,生成驾驶决策;根据所述驾驶决策,控制所述自动驾驶车辆。
根据本公开的第三方面,提供了一种数据挖掘装置,包括:位置提取单元,用于从电子地图数据中,提取目标场景下的道路位置数据,所述目标场景为突发事件发生概率大于设定概率的场景;范围确定单元,用于根据所述道路位置数据,确定待进行数据挖掘的道路范围;数据获取单元,用于获取所述道路范围内的历史行驶数据;数据挖掘单元,用于对所述历史行驶数据进行数据挖掘,得到所述道路范围对应的行驶特征数据,其中,所述行驶特征数据用于辅助车辆的自动驾驶。
根据本公开的第四方面,提供了一种车辆控制装置,包括:获取单元,用于获取行驶特征数据,所述行驶特征数据是根据如第一方面所述的数据挖掘方法得到的;决策单元,用于根据所述行驶特征数据和自动驾驶车辆的感知数据,生成驾驶决策;控制单元,用于根据所述驾驶决策,控制所述自动驾驶车辆。
根据本公开的第五方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行第一方面所述的数据挖掘方法和/或第二方面所述的车辆控制方法。
根据本公开的第六方面,提供了存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行第一方面所述的数据挖掘方法和/或第二方面所述的车辆控制方法。
根据本公开的第七方面,提供了一种计算机程序产品,所述计算机程序产品包括:计算机程序,所述计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序,所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的数据挖掘方法的步骤和/或第二方面所述的车辆控制方法的步骤。
根据本公开提供的技术方案,从电子地图数据中,提取目标场景下的道路位置数据,根据道路位置数据,确定待进行数据挖掘的道路范围,目标场景为突发事件发生概率大于设定概率的场景,基于目标场景的道路位置数据所确定的道路范围,能够更准确地在目标场景中划定容易发生突发事件的区域范围;获取道路范围内的历史行驶数据,在提高了道路范围的准确性的情况下,历史行驶数据能够准确反映在目标场景下的车辆行驶行为,尤其是目标场景下的人驾车辆行驶行为;对道路范围内的历史行驶数据进行挖掘,得到用于辅助车辆自动驾驶的行驶特征数据,提高了行驶特征数据的准确性,使得行驶特征数据能够准确地反映道路范围内的车辆行驶特点,尤其是人驾车辆的行驶特点,进而使得自动驾驶能够在了解道路范围内的车辆行驶特点的前提下,做出更安全、更贴近人驾车辆行驶特点的驾驶决策,减少突然刹车、突然加速等自动驾驶行为,提高自动驾驶的智能化程度,提高自动驾驶的乘坐体验。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1为本公开实施例适用的一种应用场景的示意图;
图2为根据本公开实施例提供的数据挖掘方法的流程示意图一;
图3为根据本公开实施例提供的数据挖掘方法的流程示意图二;
图4为本公开实施例提供的道路出入口场景示例图一;
图5为本公开实施例提供的长实线场景示例图;
图6为本公开实施例提供的非路口处的测速场景示例图;
图7为本公开实施例提供的非路口处的测试装置的示例图;
图8为本公开实施例提供的道路出入口场景示例图二;
图9为根据本公开实施例提供的数据挖掘方法的流程示意图三;
图10为本公开实施例提供的POI场景示例图一;
图11为本公开实施例提供的POI场景示例图二;
图12为根据本公开实施例提供的数据挖掘方法的流程示意图四;
图13为本公开实施例提供的限速路段场景的示例图;
图14为根据本公开实施例提供的车辆控制方法的流程示意图;
图15为本公开实施例提供的数据挖掘装置的结构示意图一;
图16为本公开实施例提供的数据挖掘装置的结构示意图二;
图17为本公开实施例提供的车辆控制装置的结构示意图;
图18为可以用来实施本公开的实施例的示例电子设备1800的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
相关技术中,自动驾驶车辆通过传感器,对道路标识和行人等进行实时感应和识别,并结合静态的高精地图做出驾驶决策。然而,自动驾驶车辆在感知到前方车辆突然加速或者突然减速或者识别出限速标牌时,容易出现突然刹车、突然加速等自动驾驶行为,比如突然减速至限速标牌上的速度,影响自动驾驶车辆的安全性和乘客的乘坐体验。
如果自动驾驶算法能够提前获知公共道路中某些场景的局部点位处人驾车辆的固定行为或者行为习惯,那么自动驾驶算法可以在这些局部点位处对人驾车辆做出有效避让,甚至可以学习到其它人驾车辆的驾驶行为,减少突然刹车、突然加速等影响行驶安全和乘坐体验的自动驾驶行为。
基于上述考虑,本公开提供了一种数据挖掘方法、车辆控制方法、装置、设备及存储介质,在数据挖掘方法中,利用电子地图数据确定突发事件发生概率较高的道路场景中待进行数据挖掘的道路范围,根据道路范围内的历史行驶数据,挖掘得到道路范围对应的行驶特征数据,该行驶特征数据用于辅助车辆的自动驾驶。道路场景中的道路范围是道路场景中关键的区域点位,在道路范围内车辆出现突发事件的概率较高,道路范围内的行驶特征数据可以反映道路范围内的车辆行驶特点,尤其是反映道路范围内人驾车辆的行驶习惯,使得自动驾驶算法学习道路范围内人驾车辆的形式习惯,也能够对道路范围内的突发事件进行有效应对,减少自动驾驶车辆突然刹车、突然加速等自动驾驶行为,提高自动驾驶车辆的安全性和乘坐体验,也提高自动驾驶车辆的智能化程度。
其中,车辆控制方法是利用数据挖掘方法中得到的行驶特征数据进行自动驾驶车辆控制,以提高自动驾驶车辆的安全性、乘坐体验以及智能化程度。上述装置与方法的实现原理和技术效果一致,不一一赘述。
图1为本公开实施例适用的一种应用场景的示意图,在应用场景中,涉及的设备包括数据挖掘装置101以及数据库102。其中,数据挖掘装置101可为服务器或者终端,图1以服务器为例;数据库102中存储有电子地图数据和历史行驶数据。
数据挖掘装置101可从数据库102中获取电子地图数据和历史行驶数据,利用电子地图数据和历史行驶数据,挖掘出特定的道路场景中道路范围对应的行驶特征数据,以提高自动驾驶车辆在道路场景中行驶的安全性、乘客乘坐体验以及智能化程度。
可选的,应用场景还包括自动驾驶计算装置103和自动驾驶车辆104,自动驾驶车辆104上设置有车载单元105。自动驾驶计算装置103可获取来自数据挖掘装置101的行驶特征数据,根据行驶特征数据,训练或者运行自动驾驶算法,在运行自动驾驶算法后,向车载单元105发送驾驶决策,以控制自动驾驶车辆104的自动驾驶行为。其中,自动驾驶计算装置103可以为服务器或者终端,图1以服务器为例。
下面以具体的实施例对本公开的技术方案以及本公开的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本公开的实施例进行描述。
示例性的,本公开实施例的执行主体可为电子设备,电子设备可为服务器或者终端。其中,服务器可以为集中式服务器,也可以为分布式服务器,还可以为云端服务器。终端可以是个人数字处理(personal digital assistant,简称PDA)设备、具有无线通信功能的手持设备(例如智能手机、平板电脑)、计算设备(例如个人电脑(personal computer,简称PC))、车载设备、可穿戴设备(例如智能手表、智能手环)、以及智能家居设备(例如智能音箱、智能显示设备)等。
图2为根据本公开实施例提供的数据挖掘方法的流程示意图一。如图2所示,数据挖掘方法包括:
S201,从电子地图数据中,提取目标场景下的道路位置数据。
其中,在电子地图数据中,通过属性赋值的方式,标识出多条道路、道路上的交通标识、道路上的路侧设备等道路信息,交通标识比如包括道路标线、道路指示牌,路侧设备比如测速摄像头。
其中,目标场景为突发事件发生概率大于设定概率的场景。可由专业人员预先设定一个或多个目标场景,也可以通过统计多个道路场景下突发事件的数量或者发生频率,在多个道路场景中确定一个或多个目标场景。突发事件包括突发的驾驶行为事件,比如突然刹车、突然变速、突然变道。
本实施例中,不同的道路场景中,道路具有不同特点,比如,在主辅路出入口场景中,包括主路、辅路以及主辅路之间的出入口,又如,在临时停车场景中,包括临时停车指示牌、停车线。在不同的道路场景中,容易发生突发事件的道路区域也不同。因此,可根据目标场景下的道路特点以及目标场景下易发生的突发事件,从电子地图数据中提取出目标场景下的道路位置数据,从而,使得道路位置数据与目标场景中易发生的突发事件相关,可用于更准确地确定目标场景中易发生突发事件的道路范围。
S202,根据道路位置数据,确定待进行数据挖掘的道路范围。
其中,待进行数据挖掘的道路范围包括目标场景中易发生突发事件的道路范围。待进行数据挖掘的道路范围可为一个或多个。
本实施例中,在得到目标场景下的道路位置数据后,可根据道路位置数据,确定道路范围的起点位置和道路范围的终点位置,可通过道路范围的起点位置和道路范围的终点位置表示道路范围。如此,可得到目标场景中的一个或多个待进行数据挖掘的道路范围。
S203,获取道路范围内的历史行驶数据。
其中,历史行驶数据中可包括过去时间中多辆车辆在道路范围内的行驶数据,行驶数据可包括行驶速度、行驶时间和行驶轨迹中的至少一种。过去时间例如为过去一个月、过去一周,可以是从过去时刻到当前时刻之前的时间段,也可以是过去时刻到另一过去时刻之间的时间段,过去时间可以包括一个或多个时间段。在此对过去时间不做具体限制。
本实施例中,可从根据过去时间和道路范围,从存储有车辆行驶数据的数据库中,查询并获取道路范围内的历史行驶数据。比如,可先根据过去时间在数据库中查询到过去时间的行驶数据,再根据道路范围,在过去时间的行驶数据查询得到道路范围内的历史行驶数据。
S204,对历史行驶数据进行数据挖掘,得到道路范围对应的行驶特征数据,其中,行驶特征数据用于辅助车辆的自动驾驶。
本实施例中,在得到历史行驶数据后,可对历史行驶数据中的行驶速度、行驶时间和行驶轨迹中的至少一种信息进行分析挖掘,得到道路范围对应的行驶特征数据,其中,行驶特征数据可包括在道路范围内的车辆在行驶速度、行驶时间和行驶轨迹中至少一方面的行驶特征。
本公开实施例中,由于行驶特征数据是从道路范围的历史行驶数据中挖掘得到的,历史行驶数据包含了能够体现道路范围内车辆的行驶特点、行驶习惯的大量数据,尤其是人驾车辆的行驶特点、行驶习惯,从历史行驶数据中挖掘得到的行驶特征数据能够更清晰、简要、准确地体现车辆的行驶特点、行驶习惯。将行驶特征数据用于辅助车辆的自动驾驶,能够使得自动驾驶算法学习到更多人驾车辆的行驶特点、行驶习惯,也能够更多地掌握道路范围内车辆行驶情况,进行有效避让,减少自动驾驶车辆在突发事件发生概率较高的道路场景中出现突然刹车、突然加速等自动驾驶行为,提高自动驾驶的安全性、乘客乘坐体验,提高自动驾驶智能化程度。
在一些实施例中,目标场景包括如下至少一种:道路出入口场景、道路标线场景、非路口处的测速场景、地图兴趣点(Point of Interest,POI)场景、限速路段场景。
其中,道路出入口场景是指车辆可从一条道路出去并进入另一条道路的道路场景;道路标线场景是指包含特定的道路标线(比如长实线、停止线、双黄线)的道路场景;非路口处的测速场景是指非路口但设置有测速装置的道路场景;POI场景是指邻近POI(比如学校、商场、景点)的道路场景;限速路段场景是指限制行驶速度的道路场景。
其中,在道路出入口场景、道路标线场景中,容易出现车辆突然变速和/或突然变道的情况,比如,道路标线为长实线时,车辆因到达某一目的地而提前变道;在非路口处的测速场景、限速路段场景中,容易出现车辆突然减速或者加速至于限制速度(比如最高限速)的情况;在POI场景中,容易出现人车混杂的情况,人车混杂下容易发生变道、刹车等突发事件。
本实施例中,可在道路出入口场景、道路标线场景、非路口处的测速场景、地图兴趣点POI场景和限速路段场景中至少一种道路场景中,确定待进行数据挖掘的道路范围,基于道路范围内的历史行驶数据,分析得到道路范围对应的行驶特征数据,以基于行驶特征数据提高自动驾驶车辆在道路出入口场景、道路标线场景、非路口处的测速场景、地图兴趣点POI场景和限速路段场景中至少一种道路场景中的安全性。
进一步的,道路出入口场景可包括主辅路出入口场景和/或匝道出入口场景。在主辅路出入口场景中,车辆可从主路出去并进入辅路;在匝道出入口场景中车道可从主路出去并进入匝道。在准备进入辅路或者进入匝道的时候,车辆需要提前变道和/或减速,因此,在主辅路出入口场景和/或匝道出入口场景中容易出现车辆突然变道、突然减速的情况。设置道路出入口场景包括主辅路出入口场景和/或匝道出入口场景,以提高自动驾驶车辆在主辅路出入口场景和/或匝道出入口场景的安全性。
进一步的,道路标线场景可包括长实线场景,在长实线场景中,由于长实线处车辆不可变道,车辆可能会在长实线开始或者结束后变道,变道时可能会同时加速或者减速,所以在长实线场景下也容易出现车辆突然变道、突然变速的情况。设置道路出入口场景包括长实线场景,以提高自动驾驶车辆在长实线场景的安全性。此外,道路标线场景也可包括停止线场景、双黄线场景、减速标线场景等,在此不一一描述。
在一些实施例中,道路范围对应的行驶特征数据包括如下至少一种:道路范围对应的发生减速和/或变道的位置区域、道路范围对应的人车混杂时间周期、道路范围对应的行驶推荐速度。
其中,在道路范围对应的发生减速和/或变道的位置区域中,车辆容易发生减速和/或变道的驾驶行为;在道路范围对应的人车混杂时间周期内,道路范围内人车混杂;道路范围对应的行驶推荐速度更符合道路范围内的实际车辆的行驶速度。
本实施例中,道路范围对应的发生减速和/或变道的位置区域用于辅助车辆的自动驾驶时,自动驾驶车辆可在该位置区域内进行减速和/或变道,还可做出驾驶决策以对该位置区域内其他车辆的减速和/或变道进行避让,减少突然刹车、突然变道的自动驾驶行为,提高自动驾驶的安全性和智能化程度;道路范围对应的人车混杂时间周期辅助车辆的自动驾驶时,自动驾驶车辆可在人车混杂时间周期内避开该道路范围,还可以在人车混杂时间周期内做出驾驶决策以避让道路范围内的行人、其他车辆,减少突然刹车、突然变道的自动驾驶行为,提高自动驾驶的安全性和智能化程度。道路范围对应的行驶推荐速度用于辅助车辆自动驾驶时,自动驾驶车辆可按照行驶推荐速度行驶,以避免自动驾驶行驶速度不当带来安全性问题。
下面,针对不同场景下的数据挖掘提供相应的实施例。
图3为根据本公开实施例提供的数据挖掘方法的流程示意图二。如图3所示,在目标场景包括道路出入口场景、道路标线场景和非路口处的测速场景中至少一种的情况下,数据挖掘方法包括:
S301,从电子地图数据中,提取目标场景下的关键点位置。
其中,关键点位置与目标场景下车辆的减速、变道相关,通常的,车辆在快到达关键点位置处时进行减速、变道。
其中,关键点位置包括如下至少一种:出入口位置、道路标线位置以及非路口处的测速装置在地图道路上的投影位置。出入口位置、道路标线位置以及非路口处的测速装置在地图道路上的投影位置都与车辆的减速、变道紧密关联,车辆通常是在快到达出入口位置、道路标线位置或者非路口处的测试装置的位置处时进行减速变道。
本实施例中,在目标场景包括道路出入口场景的情况下,可从电子地图数据中,提取道路出入口场景下的出入口位置;在目标场景包括道路标线场景的情况下,可从电子地图数据中,提取道路标线场景下的道路标线位置;在目标场景包括非路口处的测速场景的情况下,可从电子地图数据中,提取非路口处的测速装置在地图道路上的投影位置。
本实施例中,在提取关键点位置的过程中,可根据目标场景的道路特点,从电子地图数据中提取出目标场景下的关键点位置。道路出入口场景的道路特点是两条道路之间存在有出入口位置,可根据该特点从电子地图数据中提取出入口位置;道路标线场景下的道路特点是包含有道路标线,可根据该特点从电子地图数据中提取道路标线位置;非路口处的测速场景下的道路特点是道路上设置有测速装置,可根据该特点从电子地图数据中提取非路口处的测速装置在地图道路上的投影位置。
在一种可能的实现方式中,在目标场景包括道路出入口场景的情况下,S301可包括:在电子地图数据中,确定目标车道,其中,目标车道为指示车辆由主路进入辅路或者匝道的车道;根据目标车道,确定并提取出入口位置。从而,根据道路出入口场景中包含指示车辆由主路进入辅路或者匝道的车道的特点,利用该车道的特殊性,确定出入口位置,提高了在道路出入口场景中确定出入口位置的准确性。
本实现方式中,在电子地图数据中,可预先标识出包含出入口位置的车道,以便在电子地图数据中可通过识别带有相应标识的车道的方式,确定目标车道。在道路出入口场景中,车辆在目标车道上可以从主路进入辅路或者匝道,所以,目标车道存在被打断的情况,即目标车道在出入口位置处被打断,在车辆行驶至出入口位置之前,车辆可以沿着目标车道行驶至辅路或者匝道,在车辆驶过出入口位置但未进入出入口的情况下,车辆可以沿着目标车道继续前行。因此,可在电子地图中,还可以根据目标车道被出入口位置打断的特点,识别出目标车道。在确定目标车道后,还可根据目标车道被出入口位置打断的特点,在目标车道上确定出入口位置,并从电子地图数据中提取出入口位置。
进一步的,可根据目标车道的属性值变化情况,在目标车道上确定出入口位置,并从电子地图数据中提取出入口位置。从而,利用电子地图数据中车道的属性值提高出入口位置提取的准确性。
本实现方式中,在电子地图数据中包含车道对应的属性值,以通过属性值来标识车道,目标车道因为被打断,所以目标车道存在属性值变化,目标车道上发生属性值变化的位置即出入口位置。
作为示例的,图4为本公开实施例提供的道路出入口场景示例图一,如图4所示,主路包括3个车道,辅路(或者匝道)包括2个车道,在主路靠近辅路的一侧的车道上存在出入口位置N1,该车道被出入口位置N1打断,在N1前后分别有两个属性值:L1和L2,所以,可以根据L1和L2的变化,在该车道上确定N1,并从电子地图数据中提取出N1。
在又一种可能的实现方式中,在目标场景包括道路标线场景的情况下,道路标线场景包括长实线场景,道路标线位置包括长实线的端点位置,S301包括:在电子地图数据中,确定地图道路上的长实线;从电子地图数据中提取长实线的端点位置。从而,针对长实线场景,考虑到车辆在长实线前或者长实线后容易变速和/或变道的特点,提取长实线的端点位置作为长实线场景下的关键点位置,提高关键点位置的准确性。
本实现方式中,在电子地图数据中,道路标线的属性值包括道路标线的类型和道路标线的端点位置。因此,可在电子地图数据中,识别类型为长实线类型的道路标线,得到地图道路上的长实线,再从电子地图数据中提取长实线的端点位置。其中,长实线的端点位置可包括长实线的起点位置和/或长实线的终点位置。
作为示例的,图5为本公开实施例提供的长实线场景示例图。如图5所示,车道L1与车道L4之间存在车道L2和车道L3,车道L1与车道L2之间的车道分界线一部分为长实线,车辆如果需要从车道L1行驶到车道L4,则需要在车道L1与车道L2之间的长实线之前进行减速变道。在该场景下,可提取车道L1与车道L2之间的长实线的起点位置N1。
在又一种可能的实现方式中,在目标场景包括非路口处的测速场景的情况下,S301包括:从电子地图数据中,提取非路口处的测速装置的实际位置;将实际位置投影至地图道路对应的道路线上,得到投影位置。从而,同将测速装置的实际位置进行投影的方式,提高投影位置的准确性。
本实现方式中,考虑到在非路口处的测速场景中,车辆在快到达测速装置处时可能突然减速,因此,在从电子地图数据中,提取非路口处的测速装置的实际位置;将实际位置投影至地图道路对应的道路线(比如道路分界线、车道分界线)上,得到投影位置,将该投影位置作为非路口处的测速场景中的关键点位置。
其中,投影过程为点到线做垂直的过程,在此不进行详细描述。
作为示例的,图6为本公开实施例提供的非路口处的测速场景示例图。如图6所示,可将测速电子眼(即非路口处的测速装置)的实际位置向相邻的车道分界线做引线(即垂线),得到引线与相邻的车道分界线之间的交点即为投影位置。
作为示例的,图7为本公开实施例提供的非路口处的测试装置的示例图。如图7所示,道路的非路口处的上方设置有非路口处的测速装置,货车在经过该测速装置时减速至道路规定的速度范围内。
S302,根据关键点位置,确定待进行数据挖掘的道路范围。
本实施例中,在得到关键点位置后,由于关键点位置与突发事件相关,可根据关键点位置,在关键点位置所在的道路上,确定待进行数据挖掘的道路范围,其中,关键点位置包含在道路阀内中。
在一种可能的实现方式中,如图3所示,S302包括:S3021,根据关键点位置和关键点位置所在车道的行车方向,确定道路范围的起点位置,其中,从起点位置指向关键点位置的方向为行车方向;S3022,确定道路范围的终点位置为关键点位置。从而,基于车辆朝着关键点位置行驶的过程中容易发生突发事件的特点,利用行驶方向和关键点位置确定待进行数据挖掘的道路范围,使得道路范围能够覆盖车辆容易发生突发事件的范围区域,有效地提高道路范围的准确性。
本实现方式中,将关键点位置确定为道路范围的重点位置,从关键点位置朝着关键点位置所在车道的行车方向的反方向前进预设距离,得到道路范围的起点位置,使得道路范围可以覆盖关键点位置往后回撤预设距离的道路区域,即关键点位置的来车区域。例如,在确定出入口位置后,可往行车方向相反的方向取2公里范围作为待进行数据挖掘的道路范围。
S303,获取道路范围内的历史行驶数据。
其中,S303的实现原理和技术效果可参照前述实施例,不再赘述。
S304,对历史行驶数据中行驶速度和/或行驶方向的变化进行数据挖掘,得到道路范围对应的发生减速和/或变道的位置区域,发生减速和/或变道的位置区域用于辅助车辆的自动驾驶。
本实现方式中,在目标场景包括道路出入口场景、道路标线场景和非路口处的测速场景中至少一种的情况下,车辆在目标场景中有较大概率进行减速和/或变道,因此,可对道路范围内的历史行驶数据中的行驶速度和/或行驶方向的变化进行数据挖掘,分析出道路范围内车辆进行减速和/或变道的位置区域,即道路范围内发生减速和/或变道的位置区域,需要减速和/或变道的大部分车辆在道路范围内行驶时会在该位置区域内进行减速和/或变道,利用该位置区域,自动驾驶车辆可学习人驾车辆在目标场景下的减速、变道习惯,也可以在目标场景下对其他车辆进行更准确的避让。
其中,对道路范围内的历史行驶数据中的行驶速度和/或行驶方向的变化进行数据挖掘,分析出道路范围内车辆进行减速和/或变道的位置区域的过程,可采用深度学习模型进行分析挖掘,在此不做限制。
作为示例的,图8为本公开实施例提供的道路出入口场景示例图二。如图8所示,在直行环路出匝道去往另一方向的道路场景中,在确定出入口位置后,可往行车方向相反的方向取2公里范围,该2公里范围即道路范围,通过对该道路范围内的车辆行驶数据进行数据挖掘,找到车辆行驶过程中易减速变道的100米精确范围,其中,图8通过矩形框示出该精确范围。在100米精确范围的旁边,示出了100米精确范围内的历史行驶轨迹,可通过该历史行驶轨迹反映车辆的速度变化。
本公开实施例中,针对目标场景包括道路出入口场景、道路标线场景和非路口处的测速场景中至少一种的情况,从电子地图数据中,提取目标场景下与车辆减速变道相关的关键点位置,根据关键点位置,确定待进行数据挖掘的道路范围,提高了道路范围的准确性。对道路范围内的历史行驶数据进行数据挖掘,得到道路范围对应的发生减速和/或变道的位置区域,以通过该位置区域辅助车辆的自动驾驶,提高自动驾驶车辆在道路出入口场景、道路标线场景和非路口处的测速场景中至少一种场景中的安全性、乘坐体验,提高自动驾驶车辆的智能化程度。
在一些实施例中,从电子地图数据中,提取关键点位置之后,可根据关键点位置处的实际道路图像,对关键点位置进行校验。从而,通过实际道路图像校验关键点位置,提高关键点位置的准确性。
本实施例中,考虑到道路实际情况可能发生变化,可获取关键点位置处的实际道路图像,比如,获取通过卫星采集到的关键点位置处的实际道路图像,或者,获取路侧设备采集到的关键点位置处的实际道路图像。将关键点位置与实际道路图像进行匹配,根据匹配结果,确定关键点位置是否正确,如果不正确,则对关键点位置进行修改。
其中,在关键点位置与实际道路图像的匹配结果为实际道路图像上不存在关键点位置(例如不存在出入口位置、不存在测速装置等)的情况下,可删除该关键点位置;在关键点位置与实际道路图像的匹配结果为实际道路图像上的关键点实际位置与从电子地图数据中提取的关键点位置不一致(比如实际的出入口位置与从电子地图中提取出的出入口位置不一致,实际的长实线端点位置与从电子地图中提取出的长实线端点位置不一致),则可将关键点位置修改为关键点实际位置。
在一些实施例中,从电子地图数据中,提取关键点位置之后,可对关键点位置进行存储,以便可随时获取关键点位置进行数据挖掘。在存储时,可以将关键点位置的标识与关键点位置进行对应存储,便于查找到关键点位置。其中,关键点位置的标识可包括关键点位置的序号和/或关键点位置的名称,关键点位置的名称可根据关键点位置所在的目标场景确定。
作为示例的,关键点位置可按照如下表格形式进行存储:
序号 | 关键点位置的名称 | 关键点位置 |
1 | 长实线起点 | 坐标XY |
2 | 出入口位置 | 坐标XY |
3 | 测速装置投影位置 | 坐标XY |
图9为根据本公开实施例提供的数据挖掘方法的流程示意图三。如图9所示,目标场景包括POI场景,数据挖掘方法包括:
S901,从电子地图数据中,提取POI场景中POI位置的相邻路段的起点位置和相邻路段的终点位置。
其中,POI例如学校、商场、景点等。
其中,一个POI位置可对应一个或多个相邻路段。
本实施例中,可在电子地图数据中,确定POI场景中的POI位置,根据POI位置,查找POI位置的相邻路段。从电子地图数据中提取相邻路段的起点位置和相邻路段的终点位置。
作为示例的,图10为本公开实施例提供的POI场景示例图一。如图10所示,POI为XX学校,在XX学校附近提取与XX学校相邻的整条路段,包括提取该路段的起点位置和该路段的终点位置。
S902,根据起点位置和终点位置,确定待进行数据挖掘的道路范围。
本实施例中,针对各相邻路段,可在相邻路段的起点位置和相邻路段的终点位置所构成的范围内,确定待进行数据挖掘的道路范围。
在一种可能的实现方式中,确定道路范围的起点位置为相邻路段的起点位置;确定道路范围的终点位置为相邻路段的终点位置。从而,通过将整条相邻路段确定为待进行数据挖掘的道路范围,对整条相邻路段进行数据挖掘,以分析整条相邻路段的车辆行驶特点。
S903,获取道路范围内的历史行驶数据。
其中,S903的实现原理和技术效果可参照前述实施例,不再赘述。
S904,对历史行驶数据进行数据挖掘,得到道路范围对应的人车混杂时间周期,人车混杂时间周期用于辅助车辆的自动驾驶。
本实施例中,在道路范围中,受POI的影响,某些时间周期内会出现人车混杂情况,为车辆驾驶带来不便。比如,POI为学校时,在早上上学时间和下午放学时间会出现人车混杂的现象。在人车混杂的情况下,车辆的行驶速度会明显受到影响,因此,可对历史行驶数据中的行驶速度进行数据挖掘,得到道路范围对应的人车混杂情况。
在一种可能的实现方式中,在历史行驶数据中,对行驶速度小于速度阈值和/或停驻时长位于时长范围内的行驶轨迹进行识别;根据历史行驶数据中行驶轨迹对应的行驶时间,确定人车混杂时间周期。
其中,人车混杂时间周期为一个或多个。
本实现方式中,将历史行驶数据中多条行驶轨迹上的行驶速度与速度阈值进行比较,如果行驶轨迹上的行驶速度小于速度阈值,则可获取行驶轨迹上多个行驶速度对应的行驶时间,由多个行驶速度对应的行驶时间组合得到至少一个人车混杂时间周期。和/或,在历史行驶数据的多条行驶轨迹上检测行驶速度持续为零的时长,得到多条行驶轨迹上车辆的停驻时长,如果车辆的停驻时长位于时长范围内,表示车辆进行了短暂停驻,车辆短暂停驻时道路范围出现人车混杂的概率较高,因此,可在停驻时长位于时长范围内的行驶轨迹对应的行驶时间中,确定行驶轨迹上车辆的停驻时长发生的时间段,确定人车混杂周期包括该时间段。从而,通过在POI场景的道路范围的历史行驶数据中,检测车辆的低速行驶时段和/或车辆的短时停驻时段,来确定人车混杂时间周期,提高人车混杂时间周期的准确性。
作为示例的,图11为本公开实施例提供的POI场景示例图二。如图11所示,通过数据分析得到:在同一路段上,07:20~08:30这一时段范围内的车行速度(即行驶速度)出现低速行驶情况,08:40~0:9:30这一时间段内的车行速度明显比07:20~08:30这一时段范围内的车行速度快不少,07:20~08:30这一时段范围很可能出现了人车混杂情况,所以可确定07:20~08:30这一时段范围为人车混杂时间周期。
在一种可能的实现方式中,在得到道路范围对应的人车混杂时间周期后,可对道路范围对应的人车混杂时间周期进行存储,以便将道路范围对应的人车混杂时间周期提供给自动驾驶。在对道路范围对应的人车混杂时间周期进行存储时,可将道路范围所对应的标识、道路范围对应的位置以及道路范围对应的人车混杂时间周期进行一一对应存储。
其中,道路范围对应的标识可包括道路范围对应的序号和/或道路范围对应的相邻路段的道路名称。
作为示例的,道路范围对应的序号、道路范围对应的相邻路段的道路名称、道路范围对应的位置、道路范围对应的人车混杂时间周期可按照如下表格形式进行存储:
序号 | 道路名称 | 位置 | 时间范围 |
1 | XX道路 | 坐标范围 | 07:20-08:30 |
2 | XX道路 | 坐标范围 | 15:00-15:50 |
3 | XX道路 | 坐标范围 | 16:50-17:30 |
本公开实施例中,针对POI场景,通过POI位置来确定待进行数据挖掘的道路范围,提高了道路范围的准确性,进而提高了数据挖掘的准确性。对道路范围内的历史行驶数据进行数据挖掘,得到道路范围对应的人车混杂周期。从而,为自动驾驶提供POI场景下特定路段范围的人车混杂周期,使得自动驾驶能够避开人车混杂周期或者能够在人车混杂周期内对行人车辆进行有效避让,提高自动驾驶的安全性、乘坐体验以及智能化程度。
图12为根据本公开实施例提供的数据挖掘方法的流程示意图四。如图12所示,在目标场景包括限速路段场景的情况下,数据挖掘方法包括:
S1201,从电子地图数据中,提取限速路段场景中限速路段的起点位置和限速路段的终点位置。
其中,限速路段可包括限制最高速度和/或最低速度的路段。
本实施例中,在电子地图数据中,可确定存在限速标识的限速路段,提取限速路段的起点位置和限速路段的终点位置。
S1202,根据起点位置和终点位置,确定待进行数据挖掘的道路范围。
本实施例中,可在限度路段的起点位置和限速路段的终点位置所构成的范围内,确定待进行数据挖掘的道路范围。
在一种可能的实现方式中,确定道路范围的起点位置为限速路段的起点位置;确定道路范围的终点位置为限速路段的终点位置。从而,通过将整条限速路段确定为待进行数据挖掘的道路范围,对整条限速路段进行数据挖掘,以分析整条限速路段的车辆行驶特点。
S1203,获取道路范围内的历史行驶数据。
其中,S1203的实现原理和技术效果可参照前述实施例,不再赘述。
S1204,对历史行驶数据进行数据挖掘,得到道路范围对应的行驶推荐速度,行驶推荐速度用于辅助车辆的自动驾驶。
本实施例中,可根据历史行驶数据中的行驶速度,确定道路范围对应的行驶推荐速度,以使得行驶推荐速度能够贴近于道路范围内人驾车辆的实际行驶速度,使得自动驾驶学习到人驾车辆在该道路范围内的行驶速度,提高自动驾驶车辆在限速路段场景下行驶速度的合理性。
在一种可能的实现方式中,行驶推荐速度可表示为推荐速度范围。S1204可包括:对历史行驶数据中多个行驶轨迹上的行驶速度进行挖掘,得到推荐速度范围,比如,可获取行驶轨迹上的最高行驶速度和最低行驶速度,根据最高行驶速度和最低行驶速度,确定推荐速度范围,又如可以计对行驶轨迹上的行驶速度进行聚类,根据距离结果确定推荐速度范围。从而,为自动驾驶车辆提供速度范围,便于自动驾驶车辆在速度范围内进行灵活决策,提高自动驾驶的安全性、乘坐体验和智能化程度。
作为示例的,图13为本公开实施例提供的限速路段场景的示例图。如图13所示,在限速路段上设置有限速标牌,可通过在电子地图数据中识别限速标牌对应的限速标识,再确定限速标识对应的限速路段。
本公开实施例中,针对限速路段场景,通过对限速路段上道路范围的历史行驶数据进行数据挖掘,得到道路范围对应的推荐行驶速度,通过推荐行驶速度辅助车辆的自动驾驶,使得在限速路段上自动驾驶能够以合理的速度行驶,减少突然刹车、突然加速的自动驾驶行为,也使得自动驾驶车辆能够掌握其他车辆的驾驶速度,对其他车辆进行有效避让。
在一些实施例中,可根据限速路段的实际道路图像,对限速路段是否满足限速条件进行校验,以提高限速路段的准确性。
本实施例中,考虑到电子地图数据的采集是在过去时间采集的,现实中的道路信息可能发生变化,电子地图数据中存在限速标识的路段,在现实中可能已经不是限速路段,所以可以根据限速路段的道路位置信息,获取限速路段内的实际道路图像,如果从限速路段内的实际道路图像中识别出限速标识(比如限速标牌或者道路上印着的限速符号),则确定限速路段满足限速条件,否则确定限速路段不满足限速条件。在限速路段满足限速条件的情况下,可继续相对限速路段进行数据挖掘。
在一些实施例中,可对道路范围对应的行驶特征数据进行存储。其中,可对道路范围对应的标识、道路范围对应的位置以及道路范围对应的行驶特征数据进行一一对应存储,以便于查找到道路范围对应的行驶特征数据。
其中,道路范围对应的标识可包括道路范围对应的序号和/或道路范围所在道路的道路明显。
作为示例的,道路范围对应的行驶特征数据可按照如下表格进行存储:
序号 | 道路名称 | 位置 | 问题描述 |
1 | XX道路 | 坐标范围 | 人驾车辆易刹车范围 |
2 | XX道路 | 坐标范围 | 人驾车辆易变道范围 |
3 | XX道路 | 坐标范围 | 行人、车辆混杂通行时间周期 |
4 | XX道路 | 坐标范围 | 匝道用户通行速度范围 |
其中,可在问题描述中,提供道路范围对应的行驶特征数据,其中,人驾车辆已刹车范围、人驾车辆易变道范围相当于发生减速和/或变道的位置范围,行人、车辆混杂通行时间周期相当于人车混杂时间周期,匝道用户通行速度范围相当于行驶推荐速度。
图14为根据本公开实施例提供的车辆控制方法的流程示意图。如图14所示,车辆控制方法包括:
S1401,获取行驶特征数据。
其中,行驶特征数据是根据如前述任一实施例提供的数据挖掘方法得到的。
本实施例中,可从数据库中,获取目标场景下的道路范围对应的行驶特征数据,或者,可接收数据挖掘装置发送的目标场景下的道路范围对应的行驶特征数据。
S1402,根据行驶特征数据和自动驾驶车辆的感知数据,生成驾驶决策。
本实施例中,在检测到车辆行驶在目标场景下的道路范围时,或者检测到车辆即将行驶到目标场景下的道路范围时,根据行驶特征数据和自动驾驶车辆的感知数据,生成驾驶决策。在此对如何根据行驶特征数据和自动驾驶车辆的感知数据生成驾驶决策的过程不做限制。
S1403,根据驾驶决策,控制自动驾驶车辆。
本实施例中,向自动驾驶车辆的车载单元发送驾驶决策,以控制自动驾驶车辆执行自动驾驶行为,比如,控制自动驾驶车辆减速、变道等。
本公开实施例中,利用前述实施例中挖掘得到的行驶特征数据,辅助自动驾驶车辆的自动驾驶,提高自动驾驶车辆的安全性和乘客乘坐体验,提高自动驾驶车辆的智能化程度。
图15为本公开实施例提供的数据挖掘装置的结构示意图一。如图15所示,数据挖掘装置1500包括:
位置提取单元1501,用于从电子地图数据中,提取目标场景下的道路位置数据,目标场景为突发事件发生概率大于设定概率的场景;
范围确定单元1502,用于根据道路位置数据,确定待进行数据挖掘的道路范围;
数据获取单元1503,用于获取道路范围内的历史行驶数据;
数据挖掘单元1504,用于对历史行驶数据进行数据挖掘,得到道路范围对应的行驶特征数据,其中,行驶特征数据用于辅助车辆的自动驾驶。
图16为本公开实施例提供的数据挖掘装置的结构示意图二。如图16所示,数据挖掘装置1600包括:
位置提取单元1601,用于从电子地图数据中,提取目标场景下的道路位置数据,目标场景为突发事件发生概率大于设定概率的场景;
范围确定单元1602,用于根据道路位置数据,确定待进行数据挖掘的道路范围;
数据获取单元1603,用于获取道路范围内的历史行驶数据;
数据挖掘单元1604,用于对历史行驶数据进行数据挖掘,得到道路范围对应的行驶特征数据,其中,行驶特征数据用于辅助车辆的自动驾驶。
在一些实施例中,目标场景包括道路出入口场景、道路标线场景和非路口处的测速场景中至少一种,位置提取单元1601包括:关键点位置提取模块16011,用于从电子地图数据中,提取目标场景下的关键点位置;其中,关键点位置包括如下至少一种:出入口位置、道路标线位置以及非路口处的测速装置在地图道路上的投影位置。
在一些实施例中,范围确定单元1602包括:第一起点确定模块16021,用于根据关键点位置和关键点位置所在车道的行车方向,确定道路范围的起点位置,其中,从起点位置指向关键点位置的方向为行车方向;第一终点确定模块16022,用于确定道路范围的终点位置为关键点位置。
在一些实施例中,在目标场景包括道路出入口场景的情况下,关键点位置提取模块16011包括:车道确定子模块(图中未示出),用于在电子地图数据中,确定目标车道,其中,目标车道为指示车辆由主路进入辅路或者匝道的车道;出入口提取子模块(图中未示出),用于根据目标车道,确定并提取出入口位置。
在一些实施例中,出入口提取子模块具体用于:根据目标车道的属性值变化情况,在目标车道上确定出入口位置,并从电子地图数据中提取出入口位置。
在一些实施例中,在目标场景包括道路标线场景的情况下,道路标线场景包括长实线场景,道路标线位置包括长实线的端点位置,关键点位置提取模块16011包括:长实线确定子模块,用于在电子地图数据中,确定地图道路上的长实线;端点提取子模块,用于从电子地图数据中提取长实线的端点位置。
在一些实施例中,在目标场景包括非路口处的测速场景的情况下,关键点位置提取模块16011包括:测速位置提取子模块(图中未示出),用于从电子地图数据中,提取非路口处的测速装置的实际位置;投影位置确定子模块,用于将实际位置投影至地图道路对应的道路线上,得到投影位置。
在一些实施例中,行驶特征数据包括道路范围对应的发生减速和/或变道的位置区域,数据挖掘单元1604包括:减速变道确定模块16041,用于对历史行驶数据中行驶速度和/或行驶方向的变化进行数据挖掘,得到发生减速和/或变道的位置区域。
在一些实施例中,数据挖掘装置还包括:第一校验单元1605,用于根据关键点位置处的实际道路图像,对关键点位置进行校验。
在一些实施例中,目标场景包括POI场景,道路位置数据包括POI场景中POI位置的相邻路段的起点位置和相邻路段的终点位置,范围确定单元1602,包括:第二起点确定模块16023,用于确定道路范围的起点位置为相邻路段的起点位置;第二终点确定模块16024,用于确定道路范围的终点位置为相邻路段的终点位置。
在一些实施例中,行驶特征数据包括道路范围对应的人车混杂时间周期,数据挖掘单元1604包括:轨迹识别模块16042,用于在历史行驶数据中,对行驶速度小于速度阈值和/或停驻时长位于时长范围内的行驶轨迹进行识别;时间确定模块16043,用于根据历史行驶数据中行驶轨迹对应的行驶时间,确定人车混杂时间周期。
在一些实施例中,目标场景包括限速路段场景,道路位置数据包括限速路段的起点位置和限速路段的终点位置,范围确定单元1602包括:第三起点确定模块16025,用于确定道路范围的起点位置为限速路段的起点位置;第三终点确定模块16026,用于确定道路范围的终点位置为限速路段的终点位置。
在一些实施例中,行驶特征数据包括道路范围对应的行驶推荐速度,数据挖掘单元1604包括:速度确定模块16044,用于根据历史行驶数据中的行驶速度,确定行驶推荐速度。
在一些实施例中,数据挖掘装置还包括:第二校验单元1606,用于根据限速路段的实际道路图像,对限速路段是否满足限速条件进行校验。
图15~图16提供的数据挖掘装置,可以执行上述相应数据挖掘方法对应的方法实施例,其实现原理和技术效果类似,在此不再赘述。
图17为本公开实施例提供的车辆控制装置的结构示意图。如图17所示,车辆控制装置1700包括:
获取单元1701,用于获取行驶特征数据,其中,行驶特征数据是根据如前述任一实施例提供的数据挖掘方法得到的;
决策单元1702,用于根据行驶特征数据和自动驾驶车辆的感知数据,生成驾驶决策;
控制单元1703,用于根据驾驶决策,控制自动驾驶车辆。
图17提供的车辆控制装置,可以执行上述相应车辆控制方法对应的方法实施例,其实现原理和技术效果类似,在此不再赘述。
需要说明的是,本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准,并提供有相应的操作入口,供用户选择授权或者拒绝。
根据本公开的实施例,本公开还提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述任一实施例提供的方案。
根据本公开的实施例,本公开还提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行上述任一实施例提供的方案。
根据本公开的实施例,本公开还提供了一种计算机程序产品,计算机程序产品包括:计算机程序,计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
图18为可以用来实施本公开的实施例的示例电子设备1800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图18所示,电子设备1800包括计算单元1801,其可以根据存储在只读存储器(Read Only Memory,ROM)(例如ROM 1802)中的计算机程序或者从存储单元1808加载到随机访问存储器(Random Access Memory,RAM)(例如RAM 1803)中的计算机程序,来执行各种适当的动作和处理。在RAM 1803中,还可存储电子设备1800操作所需的各种程序和数据。计算单元1801、ROM 1802以及RAM 1803通过总线1804彼此相连。输入/输出(I/O)接口(例如I/O接口1805)也连接至总线1804。
电子设备1800中的多个部件连接至I/O接口1805,包括:输入单元1806,例如键盘、鼠标等;输出单元1807,例如各种类型的显示器、扬声器等;存储单元1808,例如磁盘、光盘等;以及通信单元1809,例如网卡、调制解调器、无线通信收发机等。通信单元1809允许电子设备1800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1801的一些示例包括但不限于中央处理单元(Central Processing Unit,CPU)、图形处理单元(Graphic Processing Unit,GPU)、各种专用的人工智能(ArtificialIntelligence,AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(Digital Signal Process,DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1801执行上文所描述的各个方法和处理,例如数据挖掘方法和/或车辆控制方法。例如,在一些实施例中,数据挖掘方法和/或车辆控制方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1802和/或通信单元1809而被载入和/或安装到电子设备1800上。当计算机程序加载到RAM 1803并由计算单元1801执行时,可以执行上文描述的数据挖掘方法和/或车辆控制方法的一个或多个步骤。备选地,在其他实施例中,计算单元1801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行数据挖掘方法和/或车辆控制方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(Field Program Gate Array,FPGA)、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、专用标准产品(Application Specific StandardParts,ASSP)、芯片上系统的系统(System On a Chip,SOC)、复杂可编程逻辑设备(ComplexProgramming Logic Device,CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(Erasable Programmable Read Only Memory,EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(Local Area Network,LAN)、广域网(Wide Area Network,WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (33)
1.一种数据挖掘方法,包括:
从电子地图数据中,提取目标场景下的道路位置数据,所述目标场景为突发事件发生概率大于设定概率的场景;
根据所述道路位置数据,确定待进行数据挖掘的道路范围;
获取所述道路范围内的历史行驶数据;
对所述历史行驶数据进行数据挖掘,得到所述道路范围对应的行驶特征数据,其中,所述行驶特征数据用于辅助车辆的自动驾驶。
2.根据权利要求1所述的数据挖掘方法,其中,所述目标场景包括道路出入口场景、道路标线场景和非路口处的测速场景中至少一种,所述从电子地图数据中,提取目标场景下的道路位置数据,包括:
从所述电子地图数据中,提取所述目标场景下的关键点位置;
其中,所述关键点位置包括如下至少一种:出入口位置、道路标线位置以及非路口处的测速装置在地图道路上的投影位置。
3.根据权利要求2所述的数据挖掘方法,其中,所述根据所述道路位置数据,确定待进行数据挖掘的道路范围,包括:
根据所述关键点位置和所述关键点位置所在车道的行车方向,确定所述道路范围的起点位置,其中,从所述起点位置指向所述关键点位置的方向为所述行车方向;
确定所述道路范围的终点位置为所述关键点位置。
4.根据权利要求2所述的数据挖掘方法,其中,在所述目标场景包括道路出入口场景的情况下,所述从电子地图数据中,提取所述目标场景下的关键点位置,包括:
在所述电子地图数据中,确定目标车道,其中,所述目标车道为指示车辆由主路进入辅路或者匝道的车道;
根据所述目标车道,确定并提取所述出入口位置。
5.根据权利要求4所述的数据挖掘方法,其中,所述根据所述目标车道,确定并提取所述出入口位置,包括:
根据所述目标车道的属性值变化情况,在所述目标车道上确定所述出入口位置,并从所述电子地图数据中提取所述出入口位置。
6.根据权利要求2所述的数据挖掘方法,其中,在所述目标场景包括道路标线场景的情况下,道路标线场景包括长实线场景,所述道路标线位置包括长实线的端点位置,所述从所述电子地图数据中,提取所述目标场景下的关键点位置,包括:
在所述电子地图数据中,确定所述地图道路上的长实线;
从所述电子地图数据中提取所述长实线的端点位置。
7.根据权利要求2所述的数据挖掘方法,其中,在所述目标场景包括非路口处的测速场景的情况下,所述从电子地图数据中,提取所述目标场景下的关键点位置,包括:
从所述电子地图数据中,提取非路口处的测速装置的实际位置;
将所述实际位置投影至地图道路对应的道路线上,得到所述投影位置。
8.根据权利要求2至7中任一项所述的数据挖掘方法,其中,所述行驶特征数据包括所述道路范围对应的发生减速和/或变道的位置区域,所述对所述历史行驶数据进行数据挖掘,得到所述道路范围对应的行驶特征数据,包括:
对所述历史行驶数据中行驶速度和/或行驶方向的变化进行数据挖掘,得到所述发生减速和/或变道的位置区域。
9.根据权利要求2至7中任一项所述的数据挖掘方法,所述从所述电子地图数据中,提取所述关键点位置之后,还包括:
根据所述关键点位置处的实际道路图像,对所述关键点位置进行校验。
10.根据权利要求1至7中任一项所述的数据挖掘方法,其中,所述目标场景包括地图兴趣点POI场景,所述道路位置数据包括POI场景中POI位置的相邻路段的起点位置和所述相邻路段的终点位置,所述根据所述道路位置数据,确定待进行数据挖掘的道路范围,包括:
确定所述道路范围的起点位置为所述相邻路段的起点位置;
确定所述道路范围的终点位置为所述相邻路段的终点位置。
11.根据权利要求10所述的数据挖掘方法,其中,所述行驶特征数据包括所述道路范围对应的人车混杂时间周期,所述对所述历史行驶数据进行数据挖掘,得到所述道路范围对应的行驶特征数据,包括:
在所述历史行驶数据中,对行驶速度小于速度阈值和/或停驻时长位于时长范围内的行驶轨迹进行识别;
根据所述历史行驶数据中所述行驶轨迹对应的行驶时间,确定所述人车混杂时间周期。
12.根据权利要求1至7中任一项所述的数据挖掘方法,其中,所述目标场景包括限速路段场景,所述道路位置数据包括限速路段的起点位置和所述限速路段的终点位置,所述根据所述道路位置数据,确定待进行数据挖掘的道路范围,包括:
确定所述道路范围的起点位置为所述限速路段的起点位置;
确定所述道路范围的终点位置为所述限速路段的终点位置。
13.根据权利要求12所述的数据挖掘方法,其中,所述行驶特征数据包括所述道路范围对应的行驶推荐速度,所述对所述历史行驶数据进行数据挖掘,得到所述道路范围对应的行驶特征数据,包括:
根据所述历史行驶数据中的行驶速度,确定所述行驶推荐速度。
14.根据权利要求12所述的数据挖掘方法,还包括:
根据所述限速路段的实际道路图像,对所述限速路段是否满足限速条件进行校验。
15.一种车辆控制方法,包括:
获取行驶特征数据,所述行驶特征数据是根据如权利要求1至14中任一项所述的数据挖掘方法得到的;
根据所述行驶特征数据和自动驾驶车辆的感知数据,生成驾驶决策;
根据所述驾驶决策,控制所述自动驾驶车辆。
16.一种数据挖掘装置,包括:
位置提取单元,用于从电子地图数据中,提取目标场景下的道路位置数据,所述目标场景为突发事件发生概率大于设定概率的场景;
范围确定单元,用于根据所述道路位置数据,确定待进行数据挖掘的道路范围;
数据获取单元,用于获取所述道路范围内的历史行驶数据;
数据挖掘单元,用于对所述历史行驶数据进行数据挖掘,得到所述道路范围对应的行驶特征数据,其中,所述行驶特征数据用于辅助车辆的自动驾驶。
17.根据权利要求16所述的数据挖掘装置,其中,所述目标场景包括道路出入口场景、道路标线场景和非路口处的测速场景中至少一种,所述位置提取单元包括:
关键点位置提取模块,用于从所述电子地图数据中,提取所述目标场景下的关键点位置;
其中,所述关键点位置包括如下至少一种:出入口位置、道路标线位置以及非路口处的测速装置在地图道路上的投影位置。
18.根据权利要求17所述的数据挖掘装置,其中,所述范围确定单元包括:
第一起点确定模块,用于根据所述关键点位置和所述关键点位置所在车道的行车方向,确定所述道路范围的起点位置,其中,从所述起点位置指向所述关键点位置的方向为所述行车方向;
第一终点确定模块,用于确定所述道路范围的终点位置为所述关键点位置。
19.根据权利要求17所述的数据挖掘装置,其中,在所述目标场景包括道路出入口场景的情况下,所述关键点位置提取模块包括:
车道确定子模块,用于在所述电子地图数据中,确定目标车道,其中,所述目标车道为指示车辆由主路进入辅路或者匝道的车道;
出入口提取子模块,用于根据所述目标车道,确定并提取所述出入口位置。
20.根据权利要求19所述的数据挖掘装置,其中,所述出入口提取子模块具体用于:
根据所述目标车道的属性值变化情况,在所述目标车道上确定所述出入口位置,并从所述电子地图数据中提取所述出入口位置。
21.根据权利要求17所述的数据挖掘装置,其中,在所述目标场景包括道路标线场景的情况下,道路标线场景包括长实线场景,所述道路标线位置包括长实线的端点位置,所述关键点位置提取模块包括:
长实线确定子模块,用于在所述电子地图数据中,确定所述地图道路上的长实线;
端点提取子模块,用于从所述电子地图数据中提取所述长实线的端点位置。
22.根据权利要求17所述的数据挖掘装置,其中,在所述目标场景包括非路口处的测速场景的情况下,所述关键点位置提取模块包括:
测速位置提取子模块,用于从所述电子地图数据中,提取非路口处的测速装置的实际位置;
投影位置确定子模块,用于将所述实际位置投影至地图道路对应的道路线上,得到所述投影位置。
23.根据权利要求17至22中任一项所述的数据挖掘装置,其中,所述行驶特征数据包括所述道路范围对应的发生减速和/或变道的位置区域,所述数据挖掘单元包括:
减速变道确定模块,用于对所述历史行驶数据中行驶速度和/或行驶方向的变化进行数据挖掘,得到所述发生减速和/或变道的位置区域。
24.根据权利要求17至22中任一项所述的数据挖掘装置,还包括:
第一校验单元,用于根据所述关键点位置处的实际道路图像,对所述关键点位置进行校验。
25.根据权利要求16至22中任一项所述的数据挖掘装置,其中,所述目标场景包括POI场景,所述道路位置数据包括POI场景中POI位置的相邻路段的起点位置和所述相邻路段的终点位置,所述范围确定单元,包括:
第二起点确定模块,用于确定所述道路范围的起点位置为所述相邻路段的起点位置;
第二终点确定模块,用于确定所述道路范围的终点位置为所述相邻路段的终点位置。
26.根据权利要求25所述的数据挖掘装置,其中,所述行驶特征数据包括所述道路范围对应的人车混杂时间周期,所述数据挖掘单元包括:
轨迹识别模块,用于在所述历史行驶数据中,对行驶速度小于速度阈值和/或停驻时长位于时长范围内的行驶轨迹进行识别;
时间确定模块,用于根据所述历史行驶数据中所述行驶轨迹对应的行驶时间,确定所述人车混杂时间周期。
27.根据权利要求16至22中任一项所述的数据挖掘装置,其中,所述目标场景包括限速路段场景,所述道路位置数据包括限速路段的起点位置和所述限速路段的终点位置,所述范围确定单元,包括:
第三起点确定模块,用于确定所述道路范围的起点位置为所述限速路段的起点位置;
第三终点确定模块,用于确定所述道路范围的终点位置为所述限速路段的终点位置。
28.根据权利要求27所述的数据挖掘装置,其中,所述行驶特征数据包括所述道路范围对应的行驶推荐速度,所述数据挖掘单元包括:
速度确定模块,用于根据所述历史行驶数据中的行驶速度,确定所述行驶推荐速度。
29.根据权利要求27所述的数据挖掘装置,还包括:
第二校验单元,用于根据所述限速路段的实际道路图像,对所述限速路段是否满足限速条件进行校验。
30.一种车辆控制装置,包括:
获取单元,用于获取行驶特征数据,所述行驶特征数据是根据如权利要求1至14中任一项所述的数据挖掘方法得到的;
决策单元,用于根据所述行驶特征数据和自动驾驶车辆的感知数据,生成驾驶决策;
控制单元,用于根据所述驾驶决策,控制所述自动驾驶车辆。
31.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行根据权利要求1至14中任一项所述的数据挖掘方法和/或执行根据权利要求15所述的车辆控制方法。
32.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1至14中任一项所述的数据挖掘方法和/或执行根据权利要求15所述的车辆控制方法。
33.一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现根据权利要求1至14中任一项所述的数据挖掘方法的步骤和/或实现根据权利要求15所述的车辆控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211605075.3A CN116424347A (zh) | 2022-12-14 | 2022-12-14 | 数据挖掘方法、车辆控制方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211605075.3A CN116424347A (zh) | 2022-12-14 | 2022-12-14 | 数据挖掘方法、车辆控制方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116424347A true CN116424347A (zh) | 2023-07-14 |
Family
ID=87089590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211605075.3A Pending CN116424347A (zh) | 2022-12-14 | 2022-12-14 | 数据挖掘方法、车辆控制方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116424347A (zh) |
-
2022
- 2022-12-14 CN CN202211605075.3A patent/CN116424347A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109141464B (zh) | 导航变道提示方法和装置 | |
JP7371157B2 (ja) | 車両監視方法、装置、電子機器、記憶媒体、コンピュータプログラム、クラウド制御プラットフォームおよび車路連携システム | |
CN111739344B (zh) | 一种预警方法、装置及电子设备 | |
CN112581763A (zh) | 道路事件检测的方法、装置、设备和存储介质 | |
CN111680362B (zh) | 一种自动驾驶仿真场景获取方法、装置、设备及存储介质 | |
CN109883438B (zh) | 车辆导航方法、装置、介质及电子设备 | |
CN111477028B (zh) | 自动驾驶中用于生成信息的方法和装置 | |
US20230159052A1 (en) | Method for processing behavior data, method for controlling autonomous vehicle, and autonomous vehicle | |
CN111063192A (zh) | 作业区合规判断方法及系统 | |
CN115880928A (zh) | 自动驾驶高精地图实时更新方法、装置、设备及存储介质 | |
CN110162589B (zh) | 道路限速值的赋值方法、装置、电子设备、计算机可读介质 | |
CN114973687A (zh) | 一种交通信息处理方法、装置、设备和介质 | |
CN114216471A (zh) | 电子地图确定方法、装置、电子设备及存储介质 | |
CN113420692A (zh) | 生成方向识别模型的方法、装置、设备、介质及程序产品 | |
CN113722342A (zh) | 高精地图要素变更检测方法、装置、设备及自动驾驶车辆 | |
CN115574804B (zh) | 停车场地图的构建方法、装置及设备 | |
US20230126172A1 (en) | Method of outputting prompt information, device, medium, and vehicle | |
CN114998863B (zh) | 目标道路识别方法、装置、电子设备以及存储介质 | |
CN115973190A (zh) | 自动驾驶车辆的决策方法、装置和电子设备 | |
CN114596704B (zh) | 交通事件处理方法、装置、设备及存储介质 | |
CN115534944A (zh) | 基于高精地图的车辆控制方法、装置和电子设备 | |
CN116424347A (zh) | 数据挖掘方法、车辆控制方法、装置、设备及存储介质 | |
CN113276888B (zh) | 基于自动驾驶的乘车方法、装置、设备和存储介质 | |
CN114743145A (zh) | 交通灯检测方法、装置以及电子设备 | |
CN113762030A (zh) | 数据处理方法、装置、计算机设备及存储介质 |
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 |