CN116811894B - 一种连续型驾驶风格识别方法、系统及设备 - Google Patents

一种连续型驾驶风格识别方法、系统及设备 Download PDF

Info

Publication number
CN116811894B
CN116811894B CN202311098981.3A CN202311098981A CN116811894B CN 116811894 B CN116811894 B CN 116811894B CN 202311098981 A CN202311098981 A CN 202311098981A CN 116811894 B CN116811894 B CN 116811894B
Authority
CN
China
Prior art keywords
driving
style
basic
continuous
driving style
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
Application number
CN202311098981.3A
Other languages
English (en)
Other versions
CN116811894A (zh
Inventor
张超朋
席军强
王文硕
魏瑶
陈炤锟
周子焜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202311098981.3A priority Critical patent/CN116811894B/zh
Publication of CN116811894A publication Critical patent/CN116811894A/zh
Application granted granted Critical
Publication of CN116811894B publication Critical patent/CN116811894B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • B60W40/08—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 drivers or passengers
    • B60W40/09—Driving style or behaviour
    • 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
    • B60W40/105—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
    • 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
    • B60W40/107—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
    • 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
    • B60W40/109—Lateral 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
    • 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
    • B60W40/112—Roll movement
    • 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
    • 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
    • B60W2520/125—Lateral 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
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/10—Accelerator pedal position
    • 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
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/12—Brake pedal position
    • 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
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/18—Steering angle
    • 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
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/30—Driving style

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种连续型驾驶风格识别方法、系统及设备，涉及智能汽车领域，方法包括：采集多名驾驶员日常驾驶场景下的多维驾驶数据；将多维驾驶数据进行分段，确定多个驾驶片段；计算每个驾驶片段内的统计特征，确定所有驾驶片段高维连续的驾驶统计特征；采用因子分析对高维连续的驾驶统计特征进行降维，生成每个驾驶片段的公共因子；根据公共因子将每个驾驶片段用一种驾驶单词表示，根据驾驶单词将待测驾驶员的所有驾驶片段表示为驾驶单词序列；根据每个驾驶片段对应的基础驾驶风格以及驾驶单词构建驾驶行为分层隐模型；将驾驶单词序列输入至驾驶行为分层隐模型中，输出待测驾驶员的连续型驾驶风格。本发明能够提高驾驶风格的辨识准确性。

Description

一种连续型驾驶风格识别方法、系统及设备
技术领域
本发明涉及智能汽车领域，特别是涉及一种连续型驾驶风格识别方法、系统及设备。
背景技术
驾驶风格反映了一个人的驾驶习惯和驾驶偏好，存在个体差异，具有千人千面的特点，因此，人们对汽车驾乘体验需求具有个性化特点。随着汽车智能化的发展，驾驶员期望汽车能够理解自己的驾驶风格和驾驶行为习惯，并根据自己的驾驶风格和驾驶状态对车辆控制系统和辅助驾驶系统的参数进行调控，实现适应或符合自己个性化的驾乘体验。其中，准确识别驾驶员的驾驶风格对于为驾驶员提供个性化驾乘体验、实现安全舒适的辅助驾驶具有重要作用。
现阶段的驾驶员驾驶风格识别方法，主要是通过分析驾驶员的驾驶数据，将驾驶员的驾驶风格识别为离散的若干种有限类别，如保守型、正常型和激进型等。然而，驾驶风格因人而异，千差万别，离散且有限的类别无法精细、准确地刻画不同驾驶员的驾驶风格，使得这种方法在实际应用中驾驶风格辨识准确性较低，如正常偏激进型的驾驶风格，既可能识别为正常型，又可能识别为激进型。
因此，为准确识别不同驾驶员的驾驶风格，亟需一种考虑不同驾驶员个性化差异的驾驶风格识别方法和系统，将驾驶员的驾驶风格识别为连续的参量，为智能汽车辅助驾驶系统提供精细准确的驾驶风格信息。
发明内容
本发明的目的是提供一种连续型驾驶风格识别方法、系统及设备，以解决驾驶风格辨识准确性低的问题。
为实现上述目的，本发明提供了如下方案：
一种连续型驾驶风格识别方法，包括：
采集多名驾驶员日常驾驶场景下的多维驾驶数据；所述多维驾驶数据包括车辆状态数据以及驾驶员操作数据；所述车辆状态数据包括速度、纵向加速度、横向加速度以及横摆率；所述驾驶员操作数据包括油门踏板开度、制动压力以及方向盘转角；
将所述多维驾驶数据进行分段，确定多个驾驶片段；
计算每个所述驾驶片段内的多维驾驶数据的统计特征，确定所有驾驶片段高维连续的驾驶统计特征；
对所述高维连续的驾驶统计特征进行降维，生成每个所述驾驶片段的公共因子；
根据所述公共因子将每个所述驾驶片段用一种驾驶单词表示，并根据所述驾驶单词将待测驾驶员的所有驾驶片段表示为驾驶单词序列；所述驾驶单词服从以基础驾驶风格为参数的类别分布；所述基础驾驶风格包括激进型驾驶风格以及正常型驾驶风格；
将所述驾驶单词序列输入至驾驶行为分层隐模型中，输出所述待测驾驶员的连续型驾驶风格；所述驾驶行为分层隐模型是根据每个所述驾驶片段对应的基础驾驶风格以及所述驾驶单词构建的；所述连续型驾驶风格为从所述驾驶单词序列中学习得到的多种基础驾驶风格的混合比例。
可选的，将所述多维驾驶数据进行分段，确定多个驾驶片段，具体包括：
对所述多维驾驶数据的时间序列按照时间窗口进行分段，确定多个驾驶片段。
可选的，对所述高维连续的驾驶统计特征进行降维，生成每个所述驾驶片段的公共因子，具体包括：
采用因子分析对所述高维连续的驾驶统计特征进行降维，生成每个所述驾驶片段的公共因子；所述因子分析的公式为：；其中，/>为驾驶统计特征；/>为因子载荷矩阵；/>为公共因子矩阵；/>为误差项。
可选的，根据所述公共因子将每个所述驾驶片段用一种驾驶单词表示，具体包括：
使用直方图统计所有所述片段的所述公共因子，按概率等分为多个区间；
根据所述公共因子的数量以及区间数量构造驾驶单词。
可选的，所述驾驶行为分层隐模型的构建过程，具体包括：
利用隐变量表示所述基础驾驶风格，根据每个所述驾驶片段对应的基础驾驶风格以及所述驾驶单词，基于概率模型构建三层驾驶行为模型；所述三层驾驶行为模型包括驾驶员层-基础驾驶风格层-驾驶单词层，所述三层驾驶行为模型为驾驶行为分层隐模型；其中，所述基础驾驶风格服从以驾驶员的连续型驾驶风格为参数的类别分布；从驾驶员层-基础驾驶风格层类别分布中采样每个所述驾驶片段对应的基础驾驶风格，生成所有所述驾驶片段对应的基础驾驶风格序列；基于所述基础驾驶风格序列，从基础驾驶风格层-驾驶单词层类别分布中采样每个所述驾驶片段对应的驾驶单词。
一种连续型驾驶风格识别系统，包括：
多维驾驶数据采集模块，用于采集多名驾驶员日常驾驶场景下的多维驾驶数据；所述多维驾驶数据包括车辆状态数据以及驾驶员操作数据；所述车辆状态数据包括速度、纵向加速度、横向加速度以及横摆率等；所述驾驶员操作数据包括油门踏板开度、制动压力以及方向盘转角；
分段模块，用于将所述多维驾驶数据进行分段，确定多个驾驶片段；
驾驶统计特征确定模块，用于计算每个所述驾驶片段内的多维驾驶数据的统计特征，确定所有驾驶片段高维连续的驾驶统计特征；
降维模块，用于对所述高维连续的驾驶统计特征进行降维，生成每个所述驾驶片段的公共因子；
驾驶单词计算模块，用于根据所述公共因子将每个所述驾驶片段用一种驾驶单词表示，并根据所述驾驶单词将待测驾驶员的所有驾驶片段表示为驾驶单词序列；所述驾驶单词服从以基础驾驶风格为参数的类别分布；所述基础驾驶风格包括激进型驾驶风格以及正常型驾驶风格；
驾驶风格识别模块，用于将所述驾驶单词序列输入至驾驶行为分层隐模型中，输出所述待测驾驶员的连续型驾驶风格；所述驾驶行为分层隐模型是根据每个所述驾驶片段对应的基础驾驶风格以及所述驾驶单词构建的；所述连续型驾驶风格为从所述驾驶单词序列中学习得到的多种基础驾驶风格的混合比例。
可选的，所述驾驶单词计算模块，具体包括：
等分单元，用于使用直方图统计所有所述片段的所述公共因子，按概率等分为多个区间；
驾驶单词构造单元，用于根据所述公共因子的数量以及区间数量构造驾驶单词。
可选的，所述驾驶行为分层隐模型的构建过程，具体包括：
驾驶行为分层隐模型构建单元，用于利用隐变量表示所述基础驾驶风格，根据每个所述驾驶片段对应的基础驾驶风格以及所述驾驶单词，基于概率模型构建三层驾驶行为模型；所述三层驾驶行为模型包括驾驶员层-基础驾驶风格层-驾驶单词层，所述三层驾驶行为模型为驾驶行为分层隐模型；其中，所述基础驾驶风格服从以驾驶员的连续型驾驶风格为参数的类别分布；从驾驶员层-基础驾驶风格层类别分布中采样每个所述驾驶片段对应的基础驾驶风格，生成所有所述驾驶片段对应的基础驾驶风格序列；基于所述基础驾驶风格序列，从基础驾驶风格层-驾驶单词层类别分布中采样每个所述驾驶片段对应的驾驶单词。
一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述连续型驾驶风格识别方法。
一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述连续型驾驶风格识别方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供了一种连续型驾驶风格识别方法、系统及设备，将高维连续的驾驶统计特征转换为低维稀疏的驾驶单词，并将低维稀疏的驾驶单词输入至驾驶行为分层隐模型中，输出待测驾驶员的连续型驾驶风格，大大降低了驾驶行为分层隐模型的计算效率；此外，本发明将驾驶片段中的驾驶行为表征为驾驶单词，输出表征多种基础驾驶风格的混合比例的连续型驾驶风格，大大提高了驾驶风格的辨识准确性。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供的连续型驾驶风格识别方法流程图；
图2为本发明所提供的驾驶行为分层隐模型结构图；
图3为本发明所提供的连续型驾驶风格识别系统结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种连续型驾驶风格识别方法、系统及设备，能够提高驾驶风格的辨识准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图1所示，本发明提供了一种连续型驾驶风格识别方法，包括：
步骤101：采集D名驾驶员日常驾驶场景下的多维驾驶数据；所述多维驾驶数据包括车辆状态数据以及驾驶员操作数据；所述车辆状态数据包括速度、纵向加速度、横向加速度以及横摆率等；所述驾驶员操作数据包括油门踏板开度、制动压力以及方向盘转角等；其中，D为驾驶员的数量。
步骤102：将所述多维驾驶数据进行分段，确定多个驾驶片段。
在实际应用中，对维驾驶数据时间序列/>按照时间窗口/>进行分段，得到/>个驾驶片段，第/>个驾驶片段可以表示为：
。
其中，，/>；/>为第/>个驾驶片段；/>为维度为的实数空间；/>为驾驶数据时间序列；t为采样时间，/>为维度为/>的实数空间。
步骤103：计算每个所述驾驶片段内的多维驾驶数据的统计特征，确定所有驾驶片段高维连续的驾驶统计特征。
计算每一个驾驶片段内的多维驾驶数据的统计特征，如平均值，标准差，最大值等，则第个驾驶片段可以表示为：
。
其中，，/>为第/>个驾驶片段的统计特征，/>为维度为/>的实数空间。
求出所有驾驶片段的统计特征后，所有驾驶片段的统计特征组成一个矩阵：
。
其中，为所有驾驶片段的驾驶统计特征，/>为第/>个驾驶片段的统计特征；矩阵的第/>行代表第/>个统计特征，表示为/>，/>为/>维实数空间。
步骤104：对所述高维连续的驾驶统计特征进行降维，生成每个所述驾驶片段的公共因子。
在实际应用中，使用因子分析对所有驾驶片段的驾驶统计特征降维，因子分析的公式如下：
。
。
其中，为公共因子矩阵，其行向量/>为第/>个公共因子，/>为第i个驾驶片段第l个公共因子的数值，/>为第N个驾驶片段第l个公共因子的数值，/>，/>，m为公共因子的总数；/>为因子载荷矩阵，元素表示第/>个驾驶统计特征和第/>个公共因子的相关性，/>。则第/>个驾驶片段可以表示为：
。
其中，为第/>个驾驶片段的第/>个公共因子，T为转置矩阵。
步骤105：根据所述公共因子将每个所述驾驶片段用一种驾驶单词表示，并根据所述驾驶单词将待测驾驶员的所有驾驶片段表示为驾驶单词序列；所述驾驶单词服从以基础驾驶风格为参数的类别分布；所述基础驾驶风格包括激进型驾驶风格以及正常型驾驶风格。
在实际应用中，对所有驾驶片段的公共因子使用直方图统计，按概率等分为/>个区间，每个区间的概率为/>，则/>个公共因子共可构造出/>种组合，表示为集合/>，其中，每个元素/>表示一种组合，记为一种驾驶单词。则每个驾驶片段都用一种驾驶单词表示。因此，待测驾驶员/>的所有驾驶片段可表示为驾驶单词序列/>：/>；其中，/>为待测驾驶员/>的第n个驾驶片段的驾驶单词。
步骤106：将所述驾驶单词序列输入至驾驶行为分层隐模型中，输出所述待测驾驶员的连续型驾驶风格；所述驾驶行为分层隐模型是根据每个所述驾驶片段对应的基础驾驶风格以及所述驾驶单词构建的；所述连续型驾驶风格为从所述驾驶单词序列中学习得到的多种基础驾驶风格的混合比例。
在实际应用中，驾驶行为分层模型的图模型如图2所示，说明如下：
驾驶风格具有不可观测性，因此用隐变量表示基础驾驶风格，在基础驾驶风格的基础上，基于概率模型构建三层驾驶行为模型，即驾驶员层-基础驾驶风格层-驾驶单词层。每个驾驶片段对应的基础驾驶风格从类别分布中采样。
。
其中，为基础驾驶风格的种类数，基础驾驶风格的索引标记为/>，/>为该类别分布的参数，表征驾驶员各基础驾驶风格的混合比例，即驾驶员的连续型驾驶风格。
则所有驾驶片段对应的基础驾驶风格序列为，其中每一个元素均为随机变量，取值为/>，其中，/>为待测驾驶员/>的第n个驾驶片段的驾驶单词，/>为待测驾驶员/>的第N个驾驶片段的驾驶单词。
按照基础驾驶风格种类进行统计，得到每种驾驶风格的计数，其中，/>表示第/>种基础驾驶风格的计数，/>表示第/>种基础驾驶风格的计数。
服从多项分布：
。
把驾驶员的连续型驾驶风格视为随机变量，为了借助狄利克雷分布与类别分布共轭的便于模型计算，从狄利克雷分布采样连续型驾驶风格/>：
。
其中，是狄利克雷分布的超参数，/>为第/>种基础驾驶风格对应的狄利克雷分布的超参数。
每个驾驶片段对应一个驾驶单词，已知共有种驾驶单词，将每个驾驶片段对应的驾驶单词/>视为随机变量，用类别分布建模第/>种基础驾驶风格和驾驶单词之间的概率分布，即驾驶单词服从以基础驾驶风格为参数的类别分布：
。
其中，为与第/>种基础驾驶风格有关的随机变量，/>为第/>种基础驾驶风格下产生第/>种驾驶单词/>的概率。
所有驾驶片段可表示为驾驶单词序列：，/>为第N个驾驶片段的驾驶单词。
按照驾驶单词种类统计，得到每种驾驶风格的计数，其中，/>表示第/>种驾驶单词的计数，/>表示第/>种驾驶单词的计数。
服从多项分布：
。
为了便于计算，借助狄利克雷分布与类别分布共轭，使用狄利克雷分布建模随机变量的分布：
。
其中是狄利克雷分布的超参数，/>为第/>种驾驶单词对应的狄利克雷分布的超参数。
在实际应用中，将驾驶单词序列输入到建立的的驾驶行为分层隐模型中，输出该待测驾驶员d的连续型驾驶风格/>，且/>，其中，/>为超参数，表示有/>种基础驾驶风格，/>表示第/>种基础驾驶风格的比例，/>表示第/>种基础驾驶风格的比例。
优选地，基础驾驶风格分别为激进型驾驶风格和正常型驾驶风格，驾驶行为分层隐模型输出为激进型驾驶风格和正常型驾驶风格的混合比例/>，/>为激进型驾驶风格，/>为正常型驾驶风格，由此驾驶员/>的驾驶风格可以用连续值/>表征。
K=3时，所述基础驾驶风格还包括保守型驾驶风格或正常偏激进型驾驶风格。
K=4时，所述基础驾驶风格还包括保守型驾驶风格以及正常偏激进型驾驶风格。
实施例二
为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供一种连续型驾驶风格识别系统。
如图3所示，一种连续型驾驶风格识别系统，包括：
多维驾驶数据采集模块301，用于采集多名驾驶员日常驾驶场景下的多维驾驶数据；所述多维驾驶数据包括车辆状态数据以及驾驶员操作数据；所述车辆状态数据包括速度、纵向加速度、横向加速度以及横摆率等；所述驾驶员操作数据包括油门踏板开度、制动压力以及方向盘转角。
分段模块302，用于将所述多维驾驶数据进行分段，确定多个驾驶片段。
驾驶统计特征确定模块303，用于计算每个所述驾驶片段内的多维驾驶数据的统计特征，确定所有驾驶片段高维连续的驾驶统计特征。
降维模块304，用于对所述高维连续的驾驶统计特征进行降维，生成每个所述驾驶片段的公共因子。
驾驶单词计算模块305，用于根据所述公共因子将每个所述驾驶片段用一种驾驶单词表示，并根据所述驾驶单词将待测驾驶员的所有驾驶片段表示为驾驶单词序列；所述驾驶单词服从以基础驾驶风格为参数的类别分布；所述基础驾驶风格包括激进型驾驶风格以及正常型驾驶风格。
驾驶风格识别模块306，用于将所述驾驶单词序列输入至驾驶行为分层隐模型中，输出所述待测驾驶员的连续型驾驶风格；所述驾驶行为分层隐模型是根据每个所述驾驶片段对应的基础驾驶风格以及所述驾驶单词构建的；所述连续型驾驶风格为从所述驾驶单词序列中学习得到的多种基础驾驶风格的混合比例。
在实际应用中，所述驾驶单词计算模块，具体包括：等分单元，用于使用直方图统计所有所述片段的所述公共因子，按概率等分为多个区间；驾驶单词构造单元，用于根据所述公共因子的数量以及区间数量构造驾驶单词。
在实际应用中，所述驾驶行为分层隐模型的构建过程，具体包括：驾驶行为分层隐模型构建单元，用于利用隐变量表示所述基础驾驶风格，根据每个所述驾驶片段对应的基础驾驶风格以及所述驾驶单词，基于概率模型构建三层驾驶行为模型；所述三层驾驶行为模型包括驾驶员层-基础驾驶风格层-驾驶单词层，所述三层驾驶行为模型为驾驶行为分层隐模型；其中，所述基础驾驶风格服从以驾驶员的连续型驾驶风格为参数的类别分布；从驾驶员层-基础驾驶风格层类别分布中采样每个所述驾驶片段对应的基础驾驶风格，生成所有所述驾驶片段对应的基础驾驶风格序列；基于所述基础驾驶风格序列，从基础驾驶风格层-驾驶单词层类别分布中采样每个所述驾驶片段对应的驾驶单词。
实施例三
本发明实施例提供一种电子设备包括存储器及处理器，该存储器用于存储计算机程序，该处理器运行计算机程序以使电子设备执行实施例一提供的连续型驾驶风格识别方法。
在实际应用中，上述电子设备可以是服务器。
在实际应用中，电子设备包括：至少一个处理器（processor）、存储器（memory）、总线及通信接口（Communications Interface）。
其中：处理器、通信接口、以及存储器通过通信总线完成相互间的通信。
通信接口，用于与其它设备进行通信。
处理器，用于执行程序，具体可以执行上述实施例所述的方法。
具体地，程序可以包括程序代码，该程序代码包括计算机操作指令。
处理器可能是中央处理器CPU，或者是特定集成电路ASIC（Application SpecificIntegrated Circuit），或者是被配置成实施本发明实施例的一个或多个集成电路。电子设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器，用于存放程序。存储器可能包含高速RAM存储器，也可能还包括非易失性存储器（non-volatile memory），例如至少一个磁盘存储器。
基于以上实施例的描述，本申请实施例提供一种存储介质，其上存储有计算机程序指令，计算机程序指令可被处理器执行以实现任意实施例所述的方法
本申请实施例提供的连续型驾驶风格识别系统以多种形式存在，包括但不限于：
（1）移动通信设备：这类设备的特点是具备移动通信功能，并且以提供语音、数据通信为主要目标。这类终端包括：智能手机（例如iPhone）、多媒体手机、功能性手机，以及低端手机等。
（2）超移动个人计算机设备：这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网性能。这类终端包括：PDA、MID和UMPC设备等，例如iPad。
（3）便携式娱乐设备：这类设备可以显示和播放多媒体内容。该类设备包括：音频、视频播放器（例如iPod），掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。
（4）其他具有数据交互功能的电子设备。
（5）汽车控制器：这类设备属于微型计算机的范畴，有计算和处理功能，一般可以和汽车进行数据通信。这类终端包括：嵌入式控制器，车载工控机，行车电脑，高级辅助驾驶系统等。
至此，已经对本主题的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序，以实现期望的结果。在某些实施方式中，多任务处理和并行处理可以是有利的。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。本领域内的技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器（CPU）、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器（RAM）和/或非易失性内存等形式，如只读存储器（ROM）或闪存（flash RAM）。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存（PRAM）、静态随机存取存储器（SRAM）、动态随机存取存储器（DRAM）、其他类型的随机存取存储器（RAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、快闪记忆体或其他内存技术、只读光盘只读存储器（CD-ROM）、
数字多功能光盘（DVD）或其他光学存储、磁盒式磁带，磁带、磁盘存储或其他磁性存储设备
或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体（transitory media），如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定事务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行事务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明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发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，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发明的限制。

Claims (10)

1.一种连续型驾驶风格识别方法，其特征在于，包括：
采集多名驾驶员日常驾驶场景下的多维驾驶数据；所述多维驾驶数据包括车辆状态数据以及驾驶员操作数据；所述车辆状态数据包括速度、纵向加速度、横向加速度以及横摆率；所述驾驶员操作数据包括油门踏板开度、制动压力以及方向盘转角；
将所述多维驾驶数据进行分段，确定多个驾驶片段；
计算每个所述驾驶片段内的多维驾驶数据的统计特征，确定所有驾驶片段高维连续的驾驶统计特征；
对所述高维连续的驾驶统计特征进行降维，生成每个所述驾驶片段的公共因子；
根据所述公共因子将每个所述驾驶片段用一种驾驶单词表示，并根据所述驾驶单词将待测驾驶员的所有驾驶片段表示为驾驶单词序列；所述驾驶单词服从以基础驾驶风格为参数的类别分布；所述基础驾驶风格包括激进型驾驶风格以及正常型驾驶风格；
将所述驾驶单词序列输入至驾驶行为分层隐模型中，输出所述待测驾驶员的连续型驾驶风格；所述驾驶行为分层隐模型是根据每个所述驾驶片段对应的基础驾驶风格以及所述驾驶单词构建的；所述连续型驾驶风格为从所述驾驶单词序列中学习得到的多种基础驾驶风格的混合比例。
2.根据权利要求1所述的连续型驾驶风格识别方法，其特征在于，将所述多维驾驶数据进行分段，确定多个驾驶片段，具体包括：
对所述多维驾驶数据的时间序列按照时间窗口进行分段，确定多个驾驶片段。
3.根据权利要求1所述的连续型驾驶风格识别方法，其特征在于，对所述高维连续的驾驶统计特征进行降维，生成每个所述驾驶片段的公共因子，具体包括：
采用因子分析对所述高维连续的驾驶统计特征进行降维，生成每个所述驾驶片段的公共因子；所述因子分析的公式为：；其中，/>为驾驶统计特征；/>为因子载荷矩阵；/>为公共因子矩阵；/>为误差项。
4.根据权利要求1所述的连续型驾驶风格识别方法，其特征在于，根据所述公共因子将每个所述驾驶片段用一种驾驶单词表示，具体包括：
使用直方图统计所有所述片段的所述公共因子，按概率等分为多个区间；
根据所述公共因子的数量以及区间数量构造驾驶单词。
5.根据权利要求1所述的连续型驾驶风格识别方法，其特征在于，所述驾驶行为分层隐模型的构建过程，具体包括：
利用隐变量表示所述基础驾驶风格，根据每个所述驾驶片段对应的基础驾驶风格以及所述驾驶单词，基于概率模型构建三层驾驶行为模型；所述三层驾驶行为模型包括驾驶员层-基础驾驶风格层-驾驶单词层，所述三层驾驶行为模型为驾驶行为分层隐模型；其中，所述基础驾驶风格服从以驾驶员的连续型驾驶风格为参数的类别分布；从驾驶员层-基础驾驶风格层类别分布中采样每个所述驾驶片段对应的基础驾驶风格，生成所有所述驾驶片段对应的基础驾驶风格序列；基于所述基础驾驶风格序列，从基础驾驶风格层-驾驶单词层类别分布中采样每个所述驾驶片段对应的驾驶单词。
6.一种连续型驾驶风格识别系统，其特征在于，包括：
多维驾驶数据采集模块，用于采集多名驾驶员日常驾驶场景下的多维驾驶数据；所述多维驾驶数据包括车辆状态数据以及驾驶员操作数据；所述车辆状态数据包括速度、纵向加速度、横向加速度以及横摆率；所述驾驶员操作数据包括油门踏板开度、制动压力以及方向盘转角；
分段模块，用于将所述多维驾驶数据进行分段，确定多个驾驶片段；
驾驶统计特征确定模块，用于计算每个所述驾驶片段内的多维驾驶数据的统计特征，确定所有驾驶片段高维连续的驾驶统计特征；
降维模块，用于对所述高维连续的驾驶统计特征进行降维，生成每个所述驾驶片段的公共因子；
驾驶单词计算模块，用于根据所述公共因子将每个所述驾驶片段用一种驾驶单词表示，并根据所述驾驶单词将待测驾驶员的所有驾驶片段表示为驾驶单词序列；所述驾驶单词服从以基础驾驶风格为参数的类别分布；所述基础驾驶风格包括激进型驾驶风格以及正常型驾驶风格；
驾驶风格识别模块，用于将所述驾驶单词序列输入至驾驶行为分层隐模型中，输出所述待测驾驶员的连续型驾驶风格；所述驾驶行为分层隐模型是根据每个所述驾驶片段对应的基础驾驶风格以及所述驾驶单词构建的；所述连续型驾驶风格为从所述驾驶单词序列中学习得到的多种基础驾驶风格的混合比例。
7.根据权利要求6所述的连续型驾驶风格识别系统，其特征在于，所述驾驶单词计算模块，具体包括：
等分单元，用于使用直方图统计所有所述片段的所述公共因子，按概率等分为多个区间；
驾驶单词构造单元，用于根据所述公共因子的数量以及区间数量构造驾驶单词。
8.根据权利要求6所述的连续型驾驶风格识别系统，其特征在于，所述驾驶行为分层隐模型的构建过程，具体包括：
驾驶行为分层隐模型构建单元，用于利用隐变量表示所述基础驾驶风格，根据每个所述驾驶片段对应的基础驾驶风格以及所述驾驶单词，基于概率模型构建三层驾驶行为模型；所述三层驾驶行为模型包括驾驶员层-基础驾驶风格层-驾驶单词层，所述三层驾驶行为模型为驾驶行为分层隐模型；其中，所述基础驾驶风格服从以驾驶员的连续型驾驶风格为参数的类别分布；从驾驶员层-基础驾驶风格层类别分布中采样每个所述驾驶片段对应的基础驾驶风格，生成所有所述驾驶片段对应的基础驾驶风格序列；基于所述基础驾驶风格序列，从基础驾驶风格层-驾驶单词层类别分布中采样每个所述驾驶片段对应的驾驶单词。
9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行如权利要求1-5中任一项所述的连续型驾驶风格识别方法。
10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述的连续型驾驶风格识别方法。
CN202311098981.3A 2023-08-30 2023-08-30 一种连续型驾驶风格识别方法、系统及设备 Active CN116811894B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311098981.3A CN116811894B (zh) 2023-08-30 2023-08-30 一种连续型驾驶风格识别方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311098981.3A CN116811894B (zh) 2023-08-30 2023-08-30 一种连续型驾驶风格识别方法、系统及设备

Publications (2)

Publication Number Publication Date
CN116811894A CN116811894A (zh) 2023-09-29
CN116811894B true CN116811894B (zh) 2023-11-21

Family

ID=88124357

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311098981.3A Active CN116811894B (zh) 2023-08-30 2023-08-30 一种连续型驾驶风格识别方法、系统及设备

Country Status (1)

Country Link
CN (1) CN116811894B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109858738A (zh) * 2018-12-19 2019-06-07 青岛科技大学 一种车辆跟驰状态驾驶员情感动态特征提取及辨识方法
CN112046489A (zh) * 2020-08-31 2020-12-08 吉林大学 一种基于因子分析和机器学习的驾驶风格辨识算法
CN113406955A (zh) * 2021-05-10 2021-09-17 江苏大学 基于复杂网络的自动驾驶汽车复杂环境模型、认知系统及认知方法
CN115688003A (zh) * 2022-11-07 2023-02-03 东北大学 驾驶员识别方法、装置、计算机设备及可读存储介质
CN115675099A (zh) * 2022-11-16 2023-02-03 华东交通大学 一种基于驾驶员风格识别的纯电动汽车制动能量回收方法
CN116311135A (zh) * 2023-03-28 2023-06-23 重庆长安汽车股份有限公司 语义信息的数据降维方法、数据降维系统及控制器

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100019964A1 (en) * 2008-07-24 2010-01-28 Gm Global Technology Operations, Inc. Adaptive vehicle control system with driving style recognition and road condition recognition

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109858738A (zh) * 2018-12-19 2019-06-07 青岛科技大学 一种车辆跟驰状态驾驶员情感动态特征提取及辨识方法
CN112046489A (zh) * 2020-08-31 2020-12-08 吉林大学 一种基于因子分析和机器学习的驾驶风格辨识算法
CN113406955A (zh) * 2021-05-10 2021-09-17 江苏大学 基于复杂网络的自动驾驶汽车复杂环境模型、认知系统及认知方法
CN115688003A (zh) * 2022-11-07 2023-02-03 东北大学 驾驶员识别方法、装置、计算机设备及可读存储介质
CN115675099A (zh) * 2022-11-16 2023-02-03 华东交通大学 一种基于驾驶员风格识别的纯电动汽车制动能量回收方法
CN116311135A (zh) * 2023-03-28 2023-06-23 重庆长安汽车股份有限公司 语义信息的数据降维方法、数据降维系统及控制器

Also Published As

Publication number Publication date
CN116811894A (zh) 2023-09-29

Similar Documents

Publication Publication Date Title
CN109840589B (zh) 一种在fpga上运行卷积神经网络的方法和装置
CN111062089B (zh) 一种刹车效果评价方法、终端设备及存储介质
WO2019136909A1 (zh) 基于深度学习的语音活体检测方法、服务器及存储介质
CN112509600A (zh) 模型的训练方法、装置、语音转换方法、设备及存储介质
CN113362118B (zh) 一种基于随机森林的用户用电行为分析方法及系统
CN109902588B (zh) 一种手势识别方法、装置及计算机可读存储介质
CN116306987A (zh) 基于联邦学习的多任务学习方法及相关设备
CN111709415A (zh) 目标检测方法、装置、计算机设备和存储介质
WO2020155831A1 (zh) 数据标签生成、模型训练、事件识别方法和装置
CN112529767B (zh) 图像数据处理方法、装置、计算机设备和存储介质
CN114676825A (zh) 一种神经网络模型量化方法、系统、设备及介质
CN116811894B (zh) 一种连续型驾驶风格识别方法、系统及设备
CN112149708A (zh) 数据模型选择优化方法、装置、计算机装置及存储介质
CN111259975B (zh) 分类器的生成方法及装置、文本的分类方法及装置
CN111798263A (zh) 一种交易趋势的预测方法和装置
CN117113174A (zh) 一种模型训练的方法、装置、存储介质及电子设备
CN110796115A (zh) 图像检测方法、装置、电子设备及可读存储介质
CN112418388A (zh) 一种实现深度卷积神经网络处理的方法及装置
CN113450764B (zh) 文本语音识别方法、装置、设备及存储介质
CN112037814B (zh) 一种音频指纹的提取方法、装置、电子设备及存储介质
CN114913436A (zh) 基于多尺度注意力机制的地物分类方法、装置、电子设备及介质
CN110135464B (zh) 一种图像处理方法、装置、电子设备及存储介质
CN112660161B (zh) 一种基于视觉时序推理的自动驾驶方法及系统
CN116968744B (zh) 一种驾驶模式实时切换方法、系统、电子设备及介质
CN116309274B (zh) 图像中小目标检测方法、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
GR01 Patent grant
GR01 Patent grant