CN116811915A - 基于乘员脑电信号的车辆决策方法、装置和计算机设备 - Google Patents
基于乘员脑电信号的车辆决策方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN116811915A CN116811915A CN202310796656.8A CN202310796656A CN116811915A CN 116811915 A CN116811915 A CN 116811915A CN 202310796656 A CN202310796656 A CN 202310796656A CN 116811915 A CN116811915 A CN 116811915A
- Authority
- CN
- China
- Prior art keywords
- decision
- vehicle
- result
- electroencephalogram
- initial
- 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
- 238000000034 method Methods 0.000 title claims abstract description 71
- 210000004556 brain Anatomy 0.000 title claims description 32
- 230000008447 perception Effects 0.000 claims abstract description 92
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 59
- 238000011156 evaluation Methods 0.000 claims description 61
- 238000000605 extraction Methods 0.000 claims description 53
- 238000012549 training Methods 0.000 claims description 39
- 238000004590 computer program Methods 0.000 claims description 33
- 238000007781 pre-processing Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 abstract description 10
- 230000009471 action Effects 0.000 description 27
- 238000005457 optimization Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000011217 control strategy Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 230000019771 cognition Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 210000002442 prefrontal cortex Anatomy 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 230000002360 prefrontal effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910021607 Silver chloride Inorganic materials 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 239000007772 electrode material Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 210000004326 gyrus cinguli Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- HKZLPVFGJNLROG-UHFFFAOYSA-M silver monochloride Chemical compound [Cl-].[Ag+] HKZLPVFGJNLROG-UHFFFAOYSA-M 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
-
- 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
- B60W2540/00—Input parameters relating to occupants
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请涉及一种基于乘员脑电信号的车辆决策方法、装置、计算机设备和存储介质,该方法通过先获取车辆当前所在道路的第一感知信息和车辆上人员的第二感知信息,然后将第一感知信息输入至预设第一决策模型中,得到第一决策结果,再将第二感知信息输入至预设第二决策模型中,得到第二决策结果,最后根据第一决策结果和第二决策结果的一致性,确定决策策略,进而根据决策策略对车辆进行决策控制。在该方法中,由于考虑到了车辆智能算法存在局限性,将车辆上人员的第二感知信息与车辆感知的第一感知信息进行结合分析确定决策策略,进而根据决策策略对车辆进行决策控制,提高了控制车辆的精度,进而提高了自动驾驶预期功能安全。
Description
技术领域
本申请涉及智能驾驶技术领域,特别是涉及一种基于乘员脑电信号的车辆决策方法、装置和计算机设备。
背景技术
随着人工智能逐步走向成熟,城市的智能化进程也随之越来越完善,自动驾驶车辆是人工智能领域中的一个新兴产业。智能驾驶过程中,自动驾驶汽车运行了大量的智能算法,机器代替了驾驶员,智能算法可能存在鲁棒性、泛化性、可解释性、逻辑完备性、规则覆盖度等方面的功能不足,在含触发条件的场景下由于上述功能不足将产生预期功能安全问题,导致危险行为发生。
目前,自动驾驶车辆在启动自动驾驶功能时,会自动采集车辆周围道路信息,并基于相关道路识别算法根据该周围道路信息进行道路识别,确定道路状态信息或导航路径,从而根据道路状态信息或导航路径进行车辆移动决策,得到控制策略,进而再控制策略控制自动驾驶车辆进行自动驾驶。
但是,上述方法中存在决策不准确的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高车辆决策的准确性的基于乘员脑电信号的车辆决策方法、装置和计算机设备。
第一方面,本申请提供了一种基于乘员脑电信号的车辆决策方法,该方法包括:
获取车辆当前所在道路的第一感知信息和车辆上人员的第二感知信息;
将第一感知信息输入至预设第一决策模型中,得到第一决策结果;
将第二感知信息输入至预设第二决策模型中,得到第二决策结果;
根据第一决策结果和第二决策结果的一致性,确定决策策略;
根据决策策略对车辆进行决策控制。
在其中一个实施例中,将第二感知信息输入至预设第二决策模型中,得到第二决策结果,包括:
获取车辆上人员的脑电信号;
将脑电信号输入至预设第二决策模型中进行风险决策,得到第二决策结果。
在其中一个实施例中,该方法还包括:
对脑电信号进行预处理,得到处理后的脑电信号;预处理包括去除生理伪迹和工频干扰中的至少一种;
将脑电信号输入至预设第二决策模型中进行风险决策,得到第二决策结果,包括:
将处理后的脑电信号输入至预设第二决策模型中进行风险决策,得到第二决策结果。
在其中一个实施例中,预设第二决策模型包括特征提取算法和分类网络,将第二感知信息输入至第二决策模型中,得到第二决策结果,包括:
将脑电信号输入至特征提取算法中进行特征提取,得到脑电特征;
将脑电特征输入至分类网络中进行脑电特征分类,得到脑电特征分类结果;
根据脑电特征分类结果,确定第二决策结果。
在其中一个实施例中,该方法还包括:
训练初始第一决策模型,得到预设第一决策模型;初始第一决策模型包括初始执行网络和初始评价网络;
训练初始第一决策模型,得到预设第一决策模型,包括:
获取第一样本数据,将第一样本数据输入至初始执行网络中,得到第一执行结果;
将第一执行结果输入至初始评价网络中,得到评价结果;
根据第一执行结果和评价结果,确定第一损失;
根据第一决策模型的优化目标对初始执行网络和初始评价网络进行训练,得到包含执行网络和评价网络的预设第一决策模型。
在其中一个实施例中该方法还包括:
训练初始第二决策模型,得到预设第二决策模型;初始第二决策模型包括初始特征提取算法和初始分类网络;
训练初始第二决策模型,得到预设第二决策模型,包括:
获取第二样本数据,将第二样本数据输入至初始特征提取算法中,得到第二样本数据特征;
将第二样本数据特征输入至初始分类网络中进行分类,得到分类结果;
根据第二样本数据特征和分类结果,确定第二损失;
根据第二损失对初始特征提取算法和初始分类网络进行训练,得到包含特征提取算法和分类网络的预设第二决策模型。
第二方面,本申请还提供了一种基于乘员脑电信号的车辆决策装置。该装置包括:
获取模块,用于获取车辆当前所在道路的第一感知信息和车辆上人员的第二感知信息;
第一决策模块,用于将第一感知信息输入至预设第一决策模型中,得到第一决策结果;
第二决策模块,用于将第二感知信息输入至预设第二决策模型中,得到第二决策结果;
确定模块,用于根据第一决策结果和第二决策结果的一致性,确定决策策略;
控制模块,用于根据决策策略对车辆进行决策控制。
第三方面,本申请还提供了一种计算机设备,该计算机设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
获取车辆当前所在道路的第一感知信息和车辆上人员的第二感知信息;
将第一感知信息输入至预设第一决策模型中,得到第一决策结果;
将第二感知信息输入至预设第二决策模型中,得到第二决策结果;
根据第一决策结果和第二决策结果的一致性,确定决策策略;
根据决策策略对车辆进行决策控制。
第四方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取车辆当前所在道路的第一感知信息和车辆上人员的第二感知信息;
将第一感知信息输入至预设第一决策模型中,得到第一决策结果;
将第二感知信息输入至预设第二决策模型中,得到第二决策结果;
根据第一决策结果和第二决策结果的一致性,确定决策策略;
根据决策策略对车辆进行决策控制。
第五方面,本申请还提供了一种计算机程序产品,该计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取车辆当前所在道路的第一感知信息和车辆上人员的第二感知信息;
将第一感知信息输入至预设第一决策模型中,得到第一决策结果;
将第二感知信息输入至预设第二决策模型中,得到第二决策结果;
根据第一决策结果和第二决策结果的一致性,确定决策策略;
根据决策策略对车辆进行决策控制。
上述基于乘员脑电信号的车辆决策方法、装置和计算机设备,该方法通过先获取车辆当前所在道路的第一感知信息和车辆上人员的第二感知信息,然后将第一感知信息输入至预设第一决策模型中,得到第一决策结果,再将第二感知信息输入至预设第二决策模型中,得到第二决策结果,最后根据第一决策结果和第二决策结果的一致性,确定决策策略,进而根据决策策略对车辆进行决策控制。在该方法中,由于考虑到了车辆无法具备在风险将要发生时及时准确感知风险的能力,将车辆上人员的第二感知信息与车辆感知的第一感知信息进行结合分析确定决策策略,进而根据决策策略对车辆进行决策控制,可以基于乘员的风险感知能力弥补智能算法的局限性,提高了控制车辆的精度,进而提高了自动驾驶预期功能安全。
附图说明
图1为一个实施例中基于乘员脑电信号的车辆决策方法的应用环境图;
图2为一个实施例中基于原始脑电信号的确定第二决策结果的方法的流程示意图;
图3为一个实施例中基于预设第二决策模型获取第二决策结果的流程示意图;
图4为一个实施例中基于预处理脑电信号的确定第二决策结果的方法的流程示意图;
图5为一个实施例中基于特征提取算法和分类网络获取第二决策结果的流程示意图;
图6为一个实施例中训练初始第一决策模型的流程示意图;
图7为一个实施例中训练初始第二决策模型的流程示意图;
图8为另一个实施例中基于乘员脑电信号的车辆决策方法的流程示意图;
图9为一个实施例中基于乘员脑电信号的车辆决策装置的结构框图;
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
伴随着人工智能逐步走向成熟,城市的智能化进程也随之越来越完善,自动驾驶汽车是人工智能领域中的一个新兴产业。智能驾驶过程中,机器代替了驾驶员,机器通过车载设备(如摄像机、激光雷达等)获取周围环境信息,进而利用自动驾驶算法控制车辆运行。自动驾驶算法可能具有鲁棒性、泛化性、可解释性、逻辑完备性、规则覆盖度等方面的功能不足,在含触发条件的场景下由于上述功能不足将产生预期功能安全问题,导致危险行为发生,且车载设备性能局限(易受天气、外界环境变化的干扰),机器无法像人类一样能够预防由于算法功能不足或设备性能局限引起的潜在危险行为。
目前,自动驾驶车辆在启动自动驾驶功能时,会自动采集车辆周围道路信息,并基于相关道路识别算法根据该周围道路信息进行道路识别,确定道路状态信息或导航路径,从而根据道路状态信息或导航路径进行车辆移动决策,得到控制策略,进而再控制策略控制自动驾驶车辆进行自动驾驶。但是,该方法存在决策不准确的问题。本申请提供了一种基于乘员脑电信号的车辆决策方法,旨在解决上述技术问题,下面实施例将具体说明本申请所述的基于乘员脑电信号的车辆决策方法。
本申请实施例提供的基于乘员脑电信号的车辆决策方法,可以应用于如图1所示的应用环境中,其中,车辆101上装备控制设备102,该控制设备102用于确定控制策略,并根据控制策略对车辆进行控制。上述车辆101可以具体为汽车、货车、等具有自动驾驶功能的交通工具;上述控制设备102可以但不限于是各种笔记本电脑、工控机、智能车载设备等。
本领域技术人员可以理解,图1中示出的应用环境,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的应用环境的限定,具体的应用环境可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,如图2所示,提供了一种基于乘员脑电信号的车辆决策方法,以该方法应用于图1中的控制设备为例进行说明,包括以下步骤:
S201,获取车辆当前所在道路的第一感知信息和车辆上人员的第二感知信息。
其中,第一感知信息表示车辆所在道路的环境信息,包括周围车辆、车道线、交通灯、交通标注、防护栏、周围行人、周围障碍物、实时交通天气等与决策相关的感知信息。第二感知信息表示车辆上人员的风险感知信息,具体可以为脑电信号,第二感知信息包括高风险信息、低风险信息。车辆上人员可以为车辆上的乘员或车辆上的驾驶人员。
本申请实施例中,可以预先在车辆上安装各种传感器,例如,车载传感器、摄像头、激光雷达等;以及让车辆上的人员佩戴脑电信号采集装置,例如头盔装置、电极贴片等。当控制设备需要对车辆进行决策控制时,可以通过上述传感器获取车辆所在道路的第一感知信息,以及通过脑电信号采集装置获取车辆上人员的第二感知信息。
S202,将第一感知信息输入至预设第一决策模型中,得到第一决策结果。
其中,预设第一决策模型可以为一种神经网络模型或车辆算法模型。第一决策结果表示第一决策模型根据车辆所在道路的环境信息对车辆面临的风险进行预测,基于风险预测结果,求出最优的智能算法参考动作信息,包括刹车、转向、减速、提速等动作信息。
本申请实施例中,控制设备基于前述步骤得到第一感知信息之后,可以将输入至预设第一决策模型中,第一决策模型根据第一感知信息进行车辆算法计算或者神经网络模型分析,得到第一决策结果。例如,当第一感知信息为前方存在障碍,第一决策结果可以是减速动作或者刹车动作。
S203,将第二感知信息输入至预设第二决策模型中,得到第二决策结果。
其中,预设第二决策模型可以为一种神经网络模型或机器学习模型。第二决策结果表示第二决策模型根据车辆上人员的脑电信号对车辆所在的道路进行风险感知预测,得到的预测结果,基于乘员脑电信号的风险预测结果,得到第二决策结果,第二决策结果具体的为基于乘员脑电信号的参考动作信息,包括减速、停车、加速等动作信息。
本申请实施例中,控制设备基于前述步骤得到第二感知信息之后,可以直接将第二感知信息输入至预设第二决策模型中,直接得到第二决策结果。可选的,还可以将第二感知信息输入至预设第二决策模型中,第二决策模型对第二感知信息进行特征提取,然后将特征提取后的第二感知信息输入至第二决策模型中,得到第二决策结果。例如,当车辆前方存在障碍时,第二感知信息为高风险,第二决策结果可以是减速动作或者刹车动作。
S204,根据第一决策结果和第二决策结果的一致性,确定决策策略。
其中,决策策略表示车辆下一时刻进行移动的动作,包括刹车、转向、减速、提速等一系列驱动车辆进行移动的动作。
本申请实施例中,控制设备基于前述步骤得到第一决策结果和第二决策结果之后,可以判断第一决策结果和第二决策结果是否一致,若是,则将第一决策结果或第二决策结果作为决策策略,若否,则将第二决策结果作为决策策略。例如,若车辆前方所在道路存在障碍,第一决策结果为减速动作或者刹车动作,第二决策结果也为减速动作或者刹车动作,则第一决策结果和第二决策结果一致,此种情况下,可以将第一决策结果或第二决策结果作为决策策略,即将减速动作或者刹车动作作为决策策略驱动车辆进行移动。若车辆前方所在道路存在障碍,第一决策结果为提速动作,第二决策结果为减速动作或者刹车动作,则第一决策结果和第二决策结果不一致,此种情况下,将第二决策结果作为决策策略,即将减速动作或者刹车动作作为决策策略驱动车辆进行移动。
S205,根据决策策略对车辆进行决策控制。
本申请实施例中,控制设备基于前述步骤得到决策策略后,即可按照决策策略指示的行驶路径,或者指示的动作控制车辆进行移动。
上述基于乘员脑电信号的车辆决策方法通过先获取车辆当前所在道路的第一感知信息和车辆上人员的第二感知信息,然后将第一感知信息输入至预设第一决策模型中,得到第一决策结果,再将第二感知信息输入至预设第二决策模型中,得到第二决策结果,最后根据第一决策结果和第二决策结果的一致性,确定决策策略,进而根据决策策略对车辆进行决策控制。在该方法中,由于考虑到了智能算法存在局限性,在特定的触发条件下会发生预期功能安全事故,智能算法无法克服本身的局限性,因此将车辆上人员的第二感知信息与车辆感知的第一感知信息进行结合分析确定决策策略,进而根据决策策略对车辆进行决策控制,可以基于乘员的风险感知能力弥补智能算法的局限性,提高了控制车辆的精度,进而提高了自动驾驶预期功能安全。
例如,根据第一决策结果和第二决策结果确定决策策略的过程,可以通过关系式(1)表示:
其中,at表示决策策略,表示第一决策结果,/>表示第二决策结果,st表示在t时刻车辆的状态和环境信息,I(st)表示决策参数,当第一决策结果和第二决策结果不一致时,即第二决策结果为高风险,第一感知结果为不换道且不减速的时,I(st)=0,即在人感觉到危险的情况下如车辆智能算法不采取相应的避障措施的话,则强制采用车辆上人员的第二决策结果/>进行紧急刹车,当第一决策结果和第二决策结果一致时,(t)=1。
在一个实施例中,还提供了一种获取第二决策结果的步骤,如图3所示,即上述步骤S203中的“将第二感知信息输入至预设第二决策模型中,得到第二决策结果”,包括:
S301,获取车辆上人员的脑电信号。
本申请实施例中,车辆上人员可以佩戴脑头盔装置、电极贴片或其他类型的脑电信号采集装置,该脑电采集装置用于采集车辆上人员的脑电信号。控制设备与该脑电信号采集装置进行连接,在车辆行驶过程中,脑电采集装置可以实时采集车辆人员的脑电信号,控制设备即可实时从脑电信号采集装置上获取脑电信号。
S302,将脑电信号输入至预设第二决策模型中进行风险决策,得到第二决策结果。
本申请实施例中,控制设备基于前述步骤得到的车辆上人员的脑电信号,可以直接将车辆上人员的脑电信号输入至预设第二决策模型中进行风险预测,得到车辆上人员的脑电信号对应的第二决策结果。可选的,控制设备也可以将获取的脑电信号进行预处理,去除噪音和杂音,再将预处理后的脑电信号输入至预设第二决策模型中进行风险预测,得到车辆上人员的脑电信号对应的第二决策结果。上述实施例实现了通过获取车辆上人员的脑电信号得到第二决策结果,该方法简单易于实现。
在一个实施例中,还提供了一种基于乘员脑电信号的车辆决策方法,如图4所示,该方法还包括:
S401,对脑电信号进行预处理,得到处理后的脑电信号。
其中,预处理包括去除生理伪迹和工频干扰中的至少一种。
本申请实施例中,控制设备基于前述步骤得到的车辆上人员的脑电信号之后,可以对脑电信号进行去除生理伪迹和工频干扰中的至少一种预处理,得到处理后的脑电信号。
例如,对车辆上人员的脑电信号进行预处理时,可以采用Matlab EEGLAB插件进行如下数据预处理。具体的,该预处理方法可以在保留重要脑电信息的前提下,对采集的原始数据进行电极定位,使用FIR滤波器进行带通滤波(0.5Hz~50Hz消除环境中高频和低频的噪音)和陷波滤波(50Hz以及谐振频率消除交流电网的干扰)。同时进行基线校正(-4000ms~-2001ms)、坏段剔除、插值坏导、ICA独立成分分析、伪迹剔除(眼动、肌动、其他等)、极值剔除、重参考等方式进行数据预处理。然后,根据刺激时间类型进行分类,分段(-2000ms~3999ms)。
对应的,控制设备在执行上述步骤S302时,具体执行步骤S402:将处理后的脑电信号输入至预设第二决策模型中进行风险决策,得到第二决策结果。
本申请实施例中,控制设备基于前述步骤得到预处理后的脑电信号之后,可以直接将预处理后的脑电信号输入至预设第二决策模型中进行风险预测,得到预处理后的脑电信号对应的第二决策结果。上述实施例中,控制设备利用没有生理伪迹或工频干扰的脑电信号进行风险预测,得到的第二决策结果更加准确。
在一个实施例中,上述预设第二决策模型包括特征提取算法和分类网络,在此种结构下,获取第二决策结果的步骤,如图5所示,即上述步骤S203中的“将第二感知信息输入至预设第二决策模型中,得到第二决策结果”,包括:
S501,将脑电信号输入至特征提取算法中进行特征提取,得到脑电特征。
其中,特征提取算法可以为共空间模型算法,也可以为机器学习算法。脑电特征可以为与事件相关电位信号,该脑电特征表示在触发风险时车辆人员的脑电信号中与风险感知相对应的电位信号。
本申请实施例中,控制设备基于前述步骤得到的车辆上人员的脑电信号之后,可以将脑电信号输入至预设第二决策模型的特征提取算法中进行特征提取,得到脑电特征。可选的,上述特征提取算法可以根据事件发生的时刻,提取大脑对风险敏感的事件相关电位特征(ERP特征)。可选的,上述特征提取算法还可以提取大脑的前额叶皮层(prefrontalcortex)中的活动特征。其中的前额叶皮层(prefrontal cortex)包括前额中央回(anterior cingulate cortex,ACC)和前额叶(prefrontal cortex,PFC)。活动特征可以反映风险的感知和评估,以及相应的决策和调节。同时,在脑电信号中,这些活动表现为特定频段的变化,如前额中央回活动表现为Theta波和Beta波的增强。
可选的,上述特征提取网络还可以通过叠加平均的方式得到车辆上人员在单个场景下脑电信号事件相关电位(ERP)。具体方法如下;将已收集的脑电信号进行快速傅里叶变换(FFT),短时傅里叶变换(STFT),小波变换(WT)以及连续小波变换(CWT)以探究信号的频域以及时频域特征之外,还从预处理的脑电信号中计算以下时域特征:归一化信号的熵、平均阈值Lempel-Ziv复杂性(LZC)、曲线长度、能量、非线性能量、六次方、最小值、最大值、中值、方差、标准差、偏斜、峰度等。
S502,将脑电特征输入至特征分类网络进行脑电特征分析,得到第二感知信息。
其中,特征分类网络用于对脑电特征进行分类,可以为神经网络或机器学习网络,具体可以包括SVM、LDA、LR、KNN、CNN、RNN等。
本申请实施例中,控制设备基于前述步骤得到的车辆上人员的脑电信号对应的脑电特征之后,可以将脑电特征输入至预设第二决策模型的特征分类网络中进行特征分类,得到脑电特征分类结果,进而根据脑电特征分类结果确定第二感知结果。具体的,脑电特征分类结果包括高风险、低风险等。
S503,根据脑电特征分类结果,确定第二决策结果。
本申请实施例中,控制设备基于前述步骤得到的车辆上人员的脑电特征分类结果,既可根据脑电特征分类结果确定第二决策结果。例如,脑电特征分类结果为高风险,可以将第二决策结果确定为减速动作或者刹车动作。可选的,当使用特征分类网络对脑电特征进行分析时,在不同的驾驶场景下,脑电信号的不同节律会表现出不同的特征。例如,首先通过驾驶场景将通过信号预处理并分段完成的数据进行分组,然后通过叠加平均的方式得到志愿者在单个场景下脑电信号事件相关电位(ERP)。同时,对已收集的脑电信号进行快速傅里叶变换(FFT),短时傅里叶变换(STFT),小波变换(WT)以及连续小波变换(CWT)以探究信号的频域以及时频域特征之外,还从预处理的脑电信号中计算以下时域特征:归一化信号的熵、平均阈值Lempel-Ziv复杂性(LZC)、曲线长度、能量、非线性能量、六次方、最小值、最大值、中值、方差、标准差、偏斜、峰度等。
在一个实施例中,还提供了一种训练初始第一决策模型,得到预设第一决策模型的方法,初始第一决策模型包括初始执行网络和初始评价网络,如图6所示,该方法包括:
S601,获取第一样本数据,将第一样本数据输入至初始执行网络中,得到第一执行结果。
其中,第一样本数据为传感器获得的车辆、障碍物以及其他与决策相关的感知信息。初始执行网络可以是神经网络模型。第一执行结果表示初始执行网络根据第一样本数据对车辆所在的道路进行风险感知预测得到的结果,第一执行结果可以为前述的第一决策结果,具体可以为智能算法的参考动作信息,包括刹车、转向、减速、提速等动作信息。
本申请实施例中,可以预先使用VTD仿真软件搭建不同的驾驶场景,并使车辆行驶在不同的驾驶场景中进行驾驶情况模拟,且在模拟过程中可以通过车辆上的传感器获得的车辆、障碍物以及其他与决策相关的感知信息,这些信息即为第一样本数据。控制设备即可将第一样本数据输入至初始执行网络中进行风险预测,得到第一执行结果。
S602,将第一执行结果输入至初始评价网络中,得到评价结果。
其中,评价结果表示基于第一执行结果和第一样本数据得到风险程度的预期结果。初始评价网络为神经网络模型。本申请实施例中,可以将第一执行结果和第一样本数据输入至初始评价网络进行风险预测,得到评价结果。
S603,根据第一执行结果和评价结果,确定第一损失。
其中,第一损失为第一决策模型的优化目标。第一决策模型的优化目标包括执行网络的优化目标和评价网络的优化目标。
本申请实施例中,控制设备基于前述步骤得到第一执行结果和评价结果之后,可以将第一执行结果和评价结果代入到相应的执行网络的优化目标函数中,计算得到执行网络的优化目标,更新评价网络的参数。例如,根据第一执行结果和评价结果,确定执行网络的优化目标的过程,可以通过关系式(2)表示:
其中,Lu(φu)表示执行网络的优化目标,Q1(st,at,)为状态值函数,其表示评价结果,wt为基于风险评估方法得出的车辆上人员感知到风险的概率。表示第一执行结果(也为前述第一决策结果)at表示决策策略。
本申请实施例中,控制设备基于前述步骤评价结果之后,结合当前决策结果产生的效果构成评价网络的优化目标,基于评价网络的优化目标更新评价网络的参数。
S604,根据第一损失对初始执行网络和初始评价网络进行训练,得到包含执行网络和评价网络的预设第一决策模型。
本申请实施例中,控制设备基于前述步骤得到第一损失(即第一决策模型的优化目标)之后,可以根据第一决策模型的优化目标调节初始执行网络和初始评价网络中的参数,直至评价网络的优化目标达到预设训练条件为止,比如,预设训练条件包括训练次数达到训练的上限,或者评价网络的优化目标已近收敛。最后,保存参数后得到包含执行网络和评价网络的预设第一决策模型。
在一个实施例中,还提供了一种训练初始第二决策模型,得到预设第二决策模型的方法,初始第二决策模型包括初始特征提取算法和初始分类网络,如图7所示,该方法包括:
S701,获取第二样本数据,将第二样本数据输入至初始特征提取算法中,得到第二样本数据特征。
其中,第二样本数据为搜集的大量车辆在行驶过程中,车辆上人员的脑电信号。初始特征提取算法包括初始特征提取网路。
本申请实施例中,控制设备可以通过采集车辆上人员在不同驾驶场景下的脑电波信号数据,最后将采集到大量人员的脑电波信号数据作为第二样本数据,即可将前述获取到的第二样本数据输入至初始特征提取算法中进行特征提取,得到第二样本数据特征。
具体的驾驶场景包括行人横穿马路、侧方车辆切入、前车急刹车等危险场景,可以使用Matlab记录驾驶场景数据。需要说明的是,搜集车辆人员的脑电波信号时,可以针对车辆人员进行限定,比如,对不同年龄、不同性别、不同驾驶经验进行限定,例如,覆盖20岁到50岁年龄区间、两种性别、不同驾驶经验。具体的使用氯化银电极材质64通道脑电波系统(Neuroscan synamps 8050)以1000Hz采样率采集脑电波数据,Neuroscan Curry8记录脑电数据以及被测人员的反应,最后,利用MATLAB(R2021b,the MathWorks)和EEGLAB(v2022.0)工具包及Brainstorm(Version:30-Nov-2022)进行预处理和分析。同时将不同驾驶环境下的被测人员的状态通过视频形式记录保存。
S702,将第二样本数据特征输入至初始分类网络中进行分类,得到分类结果。
其中,初始分类网络可以是神经网络模型,也可以是机器学习算法模型。本申请实施例中,本申请实施例中,控制设备基于前述步骤得到第二样本数据特征之后,可以将第二样本数据特征输入至初始分类网络中进行分类,得到分类结果。
S703,根据第二样本数据特征和分类结果,确定第二损失。
本申请实施例中,控制设备基于前述步骤得到第二样本数据特征和分类结果之后,可以将第二样本数据特征和分类结果代入到相应的损失函数中,计算得到第二损失。
S704,根据第二损失对初始特征提取算法和初始分类网络进行训练,得到包含特征提取算法和分类网络的预设第二决策模型。
本申请实施例中,控制设备基于前述步骤得到第二损失之后,可以根据该第二损失调节初始特征提取算法和初始分类网络中的参数,直至第二损失达到预设训练条件为止,比如,预设训练条件包括第二损失的值小于预设损失阈值,或者第二损失收敛。最后,保存参数后得到包含特征提取算法和分类网络的预设第二决策模型。
综合上述所有实施例,还提供了一种基于乘员脑电信号的车辆决策方法,如图8所示,该方法包括:
S801,获取第一样本数据,将第一样本数据输入至初始执行网络中,得到第一执行结果。
S802,将第一执行结果输入至初始评价网络中,得到评价结果。
S803,根据第一执行结果和评价结果,确定第一损失。
S804,根据第一损失对初始执行网络和初始评价网络进行训练,得到包含执行网络和评价网络的预设第一决策模型。
S805,获取第二样本数据,将第二样本数据输入至初始特征提取算法中,得到第二样本数据特征。
S806,将第二样本数据特征输入至初始分类网络中进行分类,得到分类结果。
S807,根据第二样本数据特征和分类结果,确定第二损失。
S808,根据第二损失对初始特征提取算法和初始分类网络进行训练,得到包含特征提取算法和分类网络的预设第二决策模型。
S809,获取车辆当前所在道路的第一感知信息。
S810,将第一感知信息输入至预设第一决策模型中,得到第一决策结果。
S811,获取车辆上人员的脑电信号。
S812,对脑电信号进行预处理,得到处理后的脑电信号;预处理包括去除生理伪迹和工频干扰中的至少一种。
S813,将处理后的脑电信号输入至预设第二决策模型中进行风险决策,得到第二决策结果。
S814,将脑电信号输入至特征提取算法中进行特征提取,得到脑电特征。
S815,将脑电特征输入至分类网络中进行脑电特征分类,得到脑电特征分类结果。
S816,根据脑电特征分类结果,确定第二决策结果。
S817,根据第一决策结果和第二决策结果的一致性,确定决策策略。
S818,根据决策策略对车辆进行决策控制。
上述各步骤所述的方法在前述实施例中均有说明,详细内容请参见前述说明,此处不赘述。
上述实施例是将车辆上人员作为“传感器”提取脑电信号中的风险认知,并将认知结果与车载机器设备获取的感知结果共融,确定驾驶决策策略。该策略针对乘员脑电信号特征,通过分析大脑风险认知敏感区域,实现对乘员脑电信号的实时采集、处理与分类,并将分类结果通过与车载计算机设备之间的通信完成输出,并根据脑电信号和事件相关电位特征进行危险评估,将人的驾驶安全认知转换为机器的认知与计算,提高自动驾驶的预期功能安全,进而提高了控制车辆的精度。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的基于乘员脑电信号的车辆决策方法的基于乘员脑电信号的车辆决策装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个基于乘员脑电信号的车辆决策装置实施例中的具体限定可以参见上文中对于基于乘员脑电信号的车辆决策方法的限定,在此不再赘述。
在一个实施例中,如图9所示,提供了一种基于乘员脑电信号的车辆决策装置,包括:
获取模块11,用于获取车辆当前所在道路的第一感知信息和车辆上人员的第二感知信息。
第一决策模块12,用于将第一感知信息输入至预设第一决策模型中,得到第一决策结果。
第二决策模块13,用于将第二感知信息输入至预设第二决策模型中,得到第二决策结果。
确定模块14,用于根据第一决策结果和第二决策结果的一致性,确定决策策略。
控制模块15,用于根据决策策略对车辆进行决策控制。
在一个实施例中,上述第二决策模块13,包括:
第一获取单元,用于获取车辆上人员的脑电信号;
第一决策单元,用于将脑电信号输入至预设第二决策模型中进行风险决策,得到第二决策结果。
在一个实施例中,第二决策模块13,还包括:
预处理单元,用于对脑电信号进行预处理,得到处理后的脑电信号;预处理包括去除生理伪迹和工频干扰中的至少一种;
对应的,第一决策单元,用于将处理后的脑电信号输入至预设第二决策模型中进行风险决策,得到第二决策结果。
在一个实施例中,上述第一决策单元,还包括:
提取子单元,用于将脑电信号输入至特征提取算法中进行特征提取,得到脑电特征;
分类子单元,用于将脑电特征输入至分类网络中进行脑电特征分类,得到脑电特征分类结果;
确定子单元,用于根据脑电特征分类结果,确定第二决策结果。
在一个实施例中,上述基于乘员脑电信号的车辆决策装置,还包括:第一训练模块,用于训练初始第一决策模型,得到预设第一决策模型。
具体的,上述第一训练模块,包括:
第二获取单元,用于获取第一样本数据,将第一样本数据输入至初始执行网络中,得到第一执行结果;
评价单元,用于将第一执行结果输入至初始评价网络中,得到评价结果;
第一确定单元,用于根据第一执行结果和评价结果,确定第一损失;
第一训练单元,用于根据第一损失对初始执行网络和初始评价网络进行训练,得到包含执行网络和评价网络的预设第一决策模型。
在一个实施例中,上述基于乘员脑电信号的车辆决策装置,还包括:第二训练模块,用于训练初始第二决策模型,得到预设第二决策模型。
具体的,上述第二训练模块,包括:
第三获取单元,用于获取第二样本数据,将第二样本数据输入至初始特征提取算法中,得到第二样本数据特征;
分类单元,用于将第二样本数据特征输入至初始分类网络中进行分类,得到分类结果;
第二确定单元,用于根据第二样本数据特征和分类结果,确定第二损失;
第二训练单元,用于根据第二损失对初始特征提取算法和初始分类网络进行训练,得到包含特征提取算法和分类网络的预设第二决策模型。
上述基于乘员脑电信号的车辆决策装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图10所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种基于乘员脑电信号的车辆决策方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取车辆当前所在道路的第一感知信息和车辆上人员的第二感知信息;
将第一感知信息输入至预设第一决策模型中,得到第一决策结果;
将第二感知信息输入至预设第二决策模型中,得到第二决策结果;
根据第一决策结果和第二决策结果的一致性,确定决策策略;
根据决策策略对车辆进行决策控制。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取车辆上人员的脑电信号;
将脑电信号输入至预设第二决策模型中进行风险决策,得到第二决策结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对脑电信号进行预处理,得到处理后的脑电信号;预处理包括去除生理伪迹和工频干扰中的至少一种;
将处理后的脑电信号输入至预设第二决策模型中进行风险决策,得到第二决策结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将脑电信号输入至特征提取算法中进行特征提取,得到脑电特征;
将脑电特征输入至分类网络中进行脑电特征分类,得到脑电特征分类结果;
根据脑电特征分类结果,确定第二决策结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取第一样本数据,将第一样本数据输入至初始执行网络中,得到第一执行结果;
将第一执行结果输入至初始评价网络中,得到评价结果;
根据第一执行结果和评价结果,确定第一损失;
根据第一损失对初始执行网络和初始评价网络进行训练,得到包含执行网络和评价网络的预设第一决策模型。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取车辆当前所在道路的第一感知信息和车辆上人员的第二感知信息;
将第一感知信息输入至预设第一决策模型中,得到第一决策结果;
将第二感知信息输入至预设第二决策模型中,得到第二决策结果;
根据第一决策结果和第二决策结果的一致性,确定决策策略;
根据决策策略对车辆进行决策控制。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取车辆上人员的脑电信号;
将脑电信号输入至预设第二决策模型中进行风险决策,得到第二决策结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对脑电信号进行预处理,得到处理后的脑电信号;预处理包括去除生理伪迹和工频干扰中的至少一种;
将处理后的脑电信号输入至预设第二决策模型中进行风险决策,得到第二决策结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将脑电信号输入至特征提取算法中进行特征提取,得到脑电特征;
将脑电特征输入至分类网络中进行脑电特征分类,得到脑电特征分类结果;
根据脑电特征分类结果,确定第二决策结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:采集得到车辆的传感器输出的道路信息;将道路信息输入至第二风险感知模型中进行风险预测,得到第一感知信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取第一样本数据,将第一样本数据输入至初始执行网络中,得到第一执行结果;
将第一执行结果输入至初始评价网络中,得到评价结果;
根据第一执行结果和评价结果,确定第一损失;
根据第一损失对初始执行网络和初始评价网络进行训练,得到包含执行网络和评价网络的预设第一决策模型。
在一个实施例中,提供了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以下步骤:
获取车辆当前所在道路的第一感知信息和车辆上人员的第二感知信息;
将第一感知信息输入至预设第一决策模型中,得到第一决策结果;
将第二感知信息输入至预设第二决策模型中,得到第二决策结果;
根据第一决策结果和第二决策结果的一致性,确定决策策略;
根据决策策略对车辆进行决策控制。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取车辆上人员的脑电信号;
将脑电信号输入至预设第二决策模型中进行风险决策,得到第二决策结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对脑电信号进行预处理,得到处理后的脑电信号;预处理包括去除生理伪迹和工频干扰中的至少一种;
将处理后的脑电信号输入至预设第二决策模型中进行风险决策,得到第二决策结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将脑电信号输入至特征提取算法中进行特征提取,得到脑电特征;
将脑电特征输入至分类网络中进行脑电特征分类,得到脑电特征分类结果;
根据脑电特征分类结果,确定第二决策结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取第一样本数据,将第一样本数据输入至初始执行网络中,得到第一执行结果;
将第一执行结果输入至初始评价网络中,得到评价结果;
根据第一执行结果和评价结果,确定第一损失;
根据第一损失对初始执行网络和初始评价网络进行训练,得到包含执行网络和评价网络的预设第一决策模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于乘员脑电信号的车辆决策方法,其特征在于,所述车辆决策方法包括:
获取车辆当前所在道路的第一感知信息和所述车辆上人员的第二感知信息;
将所述第一感知信息输入至预设第一决策模型中,得到第一决策结果;
将所述第二感知信息输入至预设第二决策模型中,得到第二决策结果;
根据所述第一决策结果和所述第二决策结果的一致性,确定决策策略;
根据所述决策策略对所述车辆进行决策控制。
2.根据权利要求1所述的基于乘员脑电信号的车辆决策方法,其特征在于,所述将所述第二感知信息输入至预设第二决策模型中,得到第二决策结果,包括:
获取所述车辆上人员的脑电信号;
将所述脑电信号输入至所述预设第二决策模型中进行风险决策,得到所述第二决策结果。
3.根据权利要求2所述的基于乘员脑电信号的车辆决策方法,其特征在于,所述方法还包括:
对所述脑电信号进行预处理,得到处理后的脑电信号;所述预处理包括去除生理伪迹和工频干扰中的至少一种;
将所述脑电信号输入至所述预设第二决策模型中进行风险决策,得到所述第二决策结果,包括:
将所述处理后的脑电信号输入至预设第二决策模型中进行风险决策,得到所述第二决策结果。
4.根据权利要求2或3所述的基于乘员脑电信号的车辆决策方法,其特征在于,所述预设第二决策模型包括特征提取算法和分类网络,所述将所述第二感知信息输入至第二决策模型中,得到第二决策结果,包括:
将所述脑电信号输入至所述特征提取算法中进行特征提取,得到脑电特征;
将所述脑电特征输入至所述分类网络中进行脑电特征分类,得到脑电特征分类结果;
根据所述脑电特征分类结果,确定所述第二决策结果。
5.根据权利要求1所述的基于乘员脑电信号的车辆决策方法,其特征在于,所述方法还包括:
训练初始第一决策模型,得到所述预设第一决策模型;所述初始第一决策模型包括初始执行网络和初始评价网络;
所述训练初始第一决策模型,得到所述预设第一决策模型,包括:
获取第一样本数据,将所述第一样本数据输入至初始执行网络中,得到第一执行结果;
将所述第一执行结果输入至初始评价网络中,得到评价结果;
根据所述第一执行结果和所述评价结果,确定第一损失;
根据所述第一损失对所述初始执行网络和初始评价网络进行训练,得到包含所述执行网络和评价网络的预设第一决策模型。
6.根据权利要求1所述的基于乘员脑电信号的车辆决策方法,其特征在于,所述方法还包括:
训练初始第二决策模型,得到所述预设第二决策模型;所述初始第二决策模型包括初始特征提取算法和初始分类网络;
所述训练初始第二决策模型,得到所述预设第二决策模型,包括:
获取第二样本数据,将所述第二样本数据输入至所述初始特征提取算法中,得到第二样本数据特征;
将所述第二样本数据特征输入至所述初始分类网络中进行分类,得到分类结果;
根据所述第二样本数据特征和所述分类结果,确定第二损失;
根据所述第二损失对所述初始特征提取算法和所述初始分类网络进行训练,得到包含所述特征提取算法和所述分类网络的预设第二决策模型。
7.一种基于乘员脑电信号的车辆决策装置,其特征在于,所述装置包括:
获取模块,用于获取车辆当前所在道路的第一感知信息和所述车辆上人员的第二感知信息;
第一决策模块,用于将所述第一感知信息输入至预设第一决策模型中,得到第一决策结果;
第二决策模块,用于将所述第二感知信息输入至预设第二决策模型中,得到第二决策结果;
确定模块,用于根据所述第一决策结果和所述第二决策结果的一致性,确定决策策略;
控制模块,用于根据所述决策策略对所述车辆进行决策控制。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310796656.8A CN116811915A (zh) | 2023-06-30 | 2023-06-30 | 基于乘员脑电信号的车辆决策方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310796656.8A CN116811915A (zh) | 2023-06-30 | 2023-06-30 | 基于乘员脑电信号的车辆决策方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116811915A true CN116811915A (zh) | 2023-09-29 |
Family
ID=88123819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310796656.8A Pending CN116811915A (zh) | 2023-06-30 | 2023-06-30 | 基于乘员脑电信号的车辆决策方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116811915A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110027553A (zh) * | 2019-04-10 | 2019-07-19 | 湖南大学 | 一种基于深度强化学习的防碰撞控制方法 |
CN111079474A (zh) * | 2018-10-19 | 2020-04-28 | 上海商汤智能科技有限公司 | 乘客状态分析方法和装置、车辆、电子设备、存储介质 |
CN112099496A (zh) * | 2020-09-08 | 2020-12-18 | 苏州浪潮智能科技有限公司 | 一种自动驾驶训练方法、装置、设备及介质 |
CN114118276A (zh) * | 2021-11-29 | 2022-03-01 | 北京触达无界科技有限公司 | 一种网络训练的方法、控制方法以及装置 |
CN115771506A (zh) * | 2022-11-17 | 2023-03-10 | 清华大学 | 基于乘员风险认知的车辆行驶策略的确定方法和装置 |
CN115848369A (zh) * | 2022-12-20 | 2023-03-28 | 江苏大学 | 一种基于深度强化学习的个性化自适应巡航系统及其控制方法 |
CN116331221A (zh) * | 2022-09-13 | 2023-06-27 | 佛山仙湖实验室 | 辅助驾驶方法、装置、电子设备及存储介质 |
-
2023
- 2023-06-30 CN CN202310796656.8A patent/CN116811915A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079474A (zh) * | 2018-10-19 | 2020-04-28 | 上海商汤智能科技有限公司 | 乘客状态分析方法和装置、车辆、电子设备、存储介质 |
CN110027553A (zh) * | 2019-04-10 | 2019-07-19 | 湖南大学 | 一种基于深度强化学习的防碰撞控制方法 |
CN112099496A (zh) * | 2020-09-08 | 2020-12-18 | 苏州浪潮智能科技有限公司 | 一种自动驾驶训练方法、装置、设备及介质 |
CN114118276A (zh) * | 2021-11-29 | 2022-03-01 | 北京触达无界科技有限公司 | 一种网络训练的方法、控制方法以及装置 |
CN116331221A (zh) * | 2022-09-13 | 2023-06-27 | 佛山仙湖实验室 | 辅助驾驶方法、装置、电子设备及存储介质 |
CN115771506A (zh) * | 2022-11-17 | 2023-03-10 | 清华大学 | 基于乘员风险认知的车辆行驶策略的确定方法和装置 |
CN115848369A (zh) * | 2022-12-20 | 2023-03-28 | 江苏大学 | 一种基于深度强化学习的个性化自适应巡航系统及其控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rastgoo et al. | Automatic driver stress level classification using multimodal deep learning | |
US11380193B2 (en) | Method and system for vehicular-related communications | |
US20200331387A1 (en) | System and method for driver distraction determination | |
Alkinani et al. | Detecting human driver inattentive and aggressive driving behavior using deep learning: Recent advances, requirements and open challenges | |
Gao et al. | Multivariate time series prediction of lane changing behavior using deep neural network | |
Bila et al. | Vehicles of the future: A survey of research on safety issues | |
Khodairy et al. | Driving behavior classification based on oversampled signals of smartphone embedded sensors using an optimized stacked-LSTM neural networks | |
DE112019000279T5 (de) | Steuern autonomer fahrzeuge anhand sicherer ankunftszeiten | |
DE102021126254A1 (de) | Überwachen der Aufmerksamkeit und der kognitiven Belastung der Insassen für autonome und halbautonome Fahranwendungen | |
KR102540436B1 (ko) | 차량 사고 예측 시스템 및 그 방법 | |
DE102021123159A1 (de) | Adaptiver objektverfolgungsalgorithmus für autonome maschinenanwendungen | |
DE102021125234A1 (de) | Datenerweiterung einschliesslich hintergrundmodifikation für robuste vorhersage mit neuronalen netzwerken | |
DE102021129528A1 (de) | Erkennung von Einsatzfahrzeugen für Anwendungen im Bereich des autonomen Fahrens | |
Jahangiri et al. | Application of real field connected vehicle data for aggressive driving identification on horizontal curves | |
Kutila et al. | Driver cognitive distraction detection: Feature estimation and implementation | |
Ambarak et al. | A neural network for predicting unintentional lane departures | |
Wang et al. | A traffic prediction model based on multiple factors | |
Valiente et al. | Connected and autonomous vehicles in the deep learning era: A case study on computer-guided steering | |
Wowo et al. | Towards sub-maneuver selection for automated driver identification | |
CN116811915A (zh) | 基于乘员脑电信号的车辆决策方法、装置和计算机设备 | |
DE102022124361A1 (de) | Sichtweiteabschätzung unter verwendung von deep learning in autonomen maschinenanwendungen | |
DE102022120817A1 (de) | Robuste zustandsschätzung | |
Soultana et al. | Context-awareness in the smart car: study and analysis | |
DE102022111322A1 (de) | Engine für adaptive maschinelle lernmodelle zur augenverfolgung | |
Murphey et al. | Driver workload in an autonomous vehicle |
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 |