CN117382647A - 驾驶风格识别模型的训练和驾驶风格识别方法、装置及设备 - Google Patents
驾驶风格识别模型的训练和驾驶风格识别方法、装置及设备 Download PDFInfo
- Publication number
- CN117382647A CN117382647A CN202311423449.4A CN202311423449A CN117382647A CN 117382647 A CN117382647 A CN 117382647A CN 202311423449 A CN202311423449 A CN 202311423449A CN 117382647 A CN117382647 A CN 117382647A
- Authority
- CN
- China
- Prior art keywords
- driving
- data
- sample
- driving data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000012549 training Methods 0.000 title claims abstract description 60
- 230000001133 acceleration Effects 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 11
- 238000011217 control strategy Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000003064 k means clustering Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 239000006185 dispersion Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000011478 gradient descent method 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
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
-
- 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
- B60W2050/0029—Mathematical model of the driver
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种驾驶风格识别模型的训练和驾驶风格识别方法、装置及设备,属于汽车技术领域和深度学习技术领域。该方法包括:获取样本驾驶数据;所述样本驾驶数据包括车速均值、纵向加速度标准差、转向盘角度最大值、横摆角速度最大值和加速踏板位置变化率信号;对所述样本驾驶数据进行聚类,并根据聚类结果确定所述样本驾驶数据的标签数据;根据所述样本驾驶数据和所述样本驾驶数据的标签数据,对初始风格识别模型进行训练,得到驾驶风格识别模型。通过上述技术方案,能够提高驾驶风格识别的准确率。
Description
技术领域
本发明涉及汽车技术领域和深度学习技术领域,尤其涉及一种驾驶风格识别模型的训练和驾驶风格识别方法、装置及设备。
背景技术
随着近些年来汽车数量不断增多,人们逐渐追求个性化驾驶体验。而驾驶员的驾驶风格与驾驶员对车辆的操控体验息息相关,目前车辆的三种驾驶模式不足以满足所有驾驶员的驾驶需求。激烈驾驶风格相较于柔和驾驶风格对车辆的动力有着更高的要求,因此激烈驾驶风格的驾驶员在行驶时常会有较大的油门踏板开度,而柔和驾驶风格的驾驶员则反之。因此,对驾驶员的驾驶风格进行有效识别,有利于提高驾驶员的驾驶体验,获得符合自身驾驶风格的动力输出。
一般将驾驶员的驾驶风格分为三种类型,分别是柔和型、普通型和激进型。柔和型驾驶风格,在加减速和转弯方面都相对柔和,油门和制动踏板开度都相对较小,一般不会出现急加速急减速现象。激烈型驾驶风格,在驾驶过程中相对暴力,急加速和急减速的情况较多,同时也容易出现急转弯现象。除此之外的驾驶风格即归类为普通型驾驶风格。
目前国内外学者对于驾驶风格的识别也进行了多方面的研究,一般从两个方面实现对驾驶风格的识别,分别是驾驶风格参数的选取和驾驶风格识别算法的研究。在驾驶风格参数选取方面,部分研究人员通过实车采集数据,认为对采集到的数据定义标签,输入到算法中进行驾驶风格识别。这种方法的弊端在于,由于数据集的标签都是人为定义的,因此识别的结果受人为因素的影响较大。还有部分人员通过聚类的方法对数据集自动定义标签,这种方式相对人为定义标签更为准确,但不同的聚类方法和识别算法对分类的结果影响较大,识别的准确率有待提高。
发明内容
本发明提供了一种驾驶风格识别模型的训练和驾驶风格识别方法、装置及设备,以提高驾驶风格确定的准确性。
根据本发明的一方面,提供了一种驾驶风格识别模型的训练方法,该方法包括:
获取样本驾驶数据;所述样本驾驶数据包括车速均值、纵向加速度标准差、转向盘角度最大值、横摆角速度最大值和加速踏板位置变化率信号;
对所述样本驾驶数据进行聚类,并根据聚类结果确定所述样本驾驶数据的标签数据;
根据所述样本驾驶数据和所述样本驾驶数据的标签数据,对初始风格识别模型进行训练,得到驾驶风格识别模型。
根据本发明的另一方面,提供了一种驾驶风格识别方法,该方法包括:
在行车过程中实时获取驾驶循环中目标驾驶员的目标驾驶数据;
采用驾驶风格识别模型对目标驾驶数据进行实时识别,得到目标驾驶风格;其中,所述驾驶风格识别模型采用本发明任意实施例所提供的驾驶风格识别模型的训练方法训练得到。
根据本发明的另一方面,提供了一种驾驶风格识别模型的训练装置,该装置包括:
样本数据获取模块,用于获取样本驾驶数据;所述样本驾驶数据包括车速均值、纵向加速度标准差、转向盘角度最大值、横摆角速度最大值和加速踏板位置变化率信号;
标签数据确定模块,用于对所述样本驾驶数据进行聚类,并根据聚类结果确定所述样本驾驶数据的标签数据;
模型训练模块,用于根据所述样本驾驶数据和所述样本驾驶数据的标签数据,对初始风格识别模型进行训练,得到驾驶风格识别模型。
根据本发明的另一方面,提供了一种驾驶风格识别装置,其特征在于,包括:
目标驾驶数据获取模块,用于在行车过程中实时获取驾驶循环中目标驾驶员的目标驾驶数据;
目标驾驶风格确定模块,用于采用驾驶风格识别模型对目标驾驶数据进行实时识别,得到目标驾驶风格;其中,所述驾驶风格识别模型采用本发明任意实施例所提供的驾驶风格识别模型的训练方法训练得到。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
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计算机程序,所述计算机程序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本发明任一实施例所述的驾驶风格识别模型的训练方法或驾驶风格识别方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的驾驶风格识别模型的训练方法或驾驶风格识别方法。
本发明实施例的技术方案,通过获取样本驾驶数据,之后对样本驾驶数据进行聚类,并根据聚类结果确定样本驾驶数据的标签数据,进而根据样本驾驶数据和样本驾驶数据的标签数据,对初始风格识别模型进行训练,得到驾驶风格识别模型。上述技术方案,通过聚类方式确定样本驾驶数据的标签数据,能够避免人为主观因素设定标签对模型训练的影响,从而可以提高驾驶风格识别模型的性能,提高驾驶风格识别的准确性。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明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
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种驾驶风格识别模型的训练方法的流程图;
图2是根据本发明实施例二提供的一种驾驶风格识别方法的流程图;
图3是根据本发明实施例三提供的一种驾驶风格识别模型的训练装置的结构示意图;
图4是根据本发明实施例四提供的一种驾驶风格识别装置的结构示意图;
图5是实现本发明实施例的驾驶风格识别模型的训练方法或驾驶风格识别方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
此外,还需要说明的是,本发明的技术方案中,所涉及的原始驾驶数据、样本驾驶数据和目标驾驶数据等的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
实施例一
图1是根据本发明实施例一提供的一种驾驶风格识别模型的训练方法的流程图。本实施例可适用于对驾驶员的驾驶风格进行识别的情况,该方法可以由驾驶风格识别模型的训练装置来执行,该装置可以采用硬件和/或软件的形式实现,并可集成于承载驾驶风格识别模型的训练功能的电子设备中,例如云端服务器。如图1所示,该方法包括:
S110、获取样本驾驶数据。
本实施例中,样本驾驶数据是指从大量车辆终端获取的车辆驾驶数据;包括但不限于车速均值、纵向加速度标准差、转向盘角度最大值、横摆角速度最大值和加速踏板位置变化率信号。
一种可选方式,可以通过多通道CANoe设备采集车辆动力CAN信号以及车辆前后方的雷达传感器信号,以获取样本驾驶数据。
另一种可选方式,获取样本驾驶数据,包括:对获取的原始驾驶数据进行噪声过滤,得到经处理的原始驾驶数据;对经处理的原始驾驶数据进行归一化处理,得到样本驾驶数据。
其中,原始驾驶数据是指未经过处理的车辆驾驶数据。
具体的,通过多通道CANoe设备采集车辆动力CAN信号以及车辆前后方的雷达传感器信号,以获取原始驾驶数据,之后对所获取的原始驾驶数据进行噪声过滤,得到经处理的原始驾驶数据,进而采用非线性归一化方法,对经处理的原始驾驶数据进行归一化处理,得到样本驾驶数据,例如可以通过如下公式确定样本驾驶数据:表示L2范数;x'表示样本驾驶数据;x1、x2…、xn表示经处理的原始驾驶数据。
可以理解的是,由于采集到的CAN信息存在一些噪声信号,对后续聚类和模型训练的准确性产生影响,因此对原始驾驶数据进行噪声处理,可以较少对后续聚类和模型训练的影响;由于采集到的原始驾驶数据数量量较大,且数据分布不居中,因此对经处理的原始驾驶数据进行归一化处理,可以提高模型训练时梯度下降速度和模型的识别准确率。
S120、对样本驾驶数据进行聚类,并根据聚类结果确定样本驾驶数据的标签数据。
本实施例中,标签数据是指样本驾驶数据对应的驾驶风格类型;其中,驾驶风格类型包括柔和型、普通型和激进型。
一种可选方式,可以对样本驾驶数据进行K-means聚类,将具有相同或相似特征的样本驾驶数据聚合在一起,得到3个聚类簇,每一聚类簇表示一种驾驶风格类型,进而根据聚类结果对样本驾驶数据进行标注,得到样本驾驶数据的标签数据。
进一步的,为提高聚类准确性,另一种可选方式,对样本驾驶数据进行聚类,并根据聚类结果确定样本驾驶数据的标签数据,包括:采用加权K-means聚类方式,对样本驾驶数据进行聚类,得到聚类结果;根据聚类结果,对样本驾驶数据进行标注,得到样本驾驶数据的标签数据。
具体的,采用加权K-means聚类方式对样本驾驶数据进行聚类过程如下:1)根据经验,将驾驶风格分为三类,因此选取聚类数K为3;2)随机从所有样本驾驶数据中选取一个样本驾驶数据作为初始聚类中心,计算所有样本驾驶数据到初始聚类中心的最短距离d,并计算每个样本驾驶数据作为下一聚类中心的概率,并采用轮盘法选择下一聚类中心;其中,计算下一聚类中心的概率可以通过如下公式:其中,n表示样本驾驶数据的数量。3)重复步骤2),直至选取出三个初始聚类中心。
为了提高聚类的准确性,对样本驾驶数据即特征样本的离散度进行加权,特征样本的离散度越大则对该特征赋予越大的权值,离散度越小的特征则赋予更小的权值,以此方式进行聚类,可得到更好的聚类效果。特征权值的大小可表示为:其中,r表示特征维度,/>表示样本xi的r维特征数据平均值。需要说明的是,特征样本为对样本驾驶数据向量化后的数据。
加权欧式距离为:其中,n表示样本数据,即样本数量,1≤i≤n,1≤j≤n,i≠j。
可以理解的是,传统K-means聚类的聚类中心是随机设置的,聚类中心的选取对聚类结果影响很大,而且在聚类过程中对特征赋予相同权值,即每一特征在聚类过程中都具有同等的重要性,导致孤立的点对聚类影响很大。为避免此情况,本发明进一步采用加权K-means聚类方式对样本驾驶数据进行聚类,可以提高聚类的准确性,从而使得样本驾驶数据的标签数据更加准确。需要说明的是,采用聚类的方式来确定样本驾驶数据的标签数据,可以避免人为主观因素定义标签造成的误差。
S130、根据样本驾驶数据和样本驾驶数据的标签数据,对初始风格识别模型进行训练,得到驾驶风格识别模型。
本实施例中,初始风格识别模型可以采用卷积神经网络构成;可选的,初始风格识别模型由BP神经网络组成;BP神经网络包括四层网络结构,分别为一个输入层、两个隐藏层和一个输出层。可以理解的是,采用BP神经网络构建初始风格识别模型,所得到的驾驶风格识别模型的性能更好。
具体的,将样本驾驶数据输入初始风格识别模型,得到预测风格,根据预测风格和样本驾驶数据的标签数据确定训练损失,根据训练损失,按照梯度下降法对初始风格识别模型进行迭代训练,直至满足训练停止条件,将停止训练时对应的初始风格识别模型作为驾驶风格识别模型。其中,训练停止条件包括训练损失稳定在设定范围,或迭代次数达到设定次数,需要说明的是,设定范围和设定次数可以由本领域技术人员根据实际情况设定。
本发明实施例的技术方案,通过获取样本驾驶数据,之后对样本驾驶数据进行聚类,并根据聚类结果确定样本驾驶数据的标签数据,进而根据样本驾驶数据和样本驾驶数据的标签数据,对初始风格识别模型进行训练,得到驾驶风格识别模型。上述技术方案,通过聚类方式确定样本驾驶数据的标签数据,能够避免人为主观因素设定标签对模型训练的影响,从而可以提高驾驶风格识别模型的性能,提高驾驶风格识别的准确性。
在上述实施例的基础上,作为本发明的一种可选方式,还可以定期获取驾驶员的第一驾驶数据;采用第一驾驶数据对驾驶风格识别模型进行再训练。
其中,第一驾驶数据是指在驾驶风格识别模型训练好后所定期获取的驾驶员的驾驶数据。
具体的,可以定期获取驾驶员的第一驾驶数据,对于第一驾驶数据进行聚类,确定第一驾驶数据的标签数据,采用第一驾驶数据及其标签数据对驾驶风格识别模型进行再训练。
可以理解的是,驾驶员在行驶过程中,驾驶数据不断变化,定期采集驾驶员的驾驶数据,对驾驶风格识别模型进行再训练,更新模型参数,可以提高驾驶风格的识别准确率。
实施例二
图2是根据本发明实施例二提供的一种驾驶风格识别方法的流程图。本实施例可适用于对驾驶员的驾驶风格进行识别情况,该方法可以由驾驶风格识别装置来执行,该装置可以采用硬件和/或软件的形式实现,并可集成于承载驾驶风格识别功能的电子设备中,例如车辆终端。如图2所示,该方法包括:
S210、在行车过程中实时获取驾驶循环中目标驾驶员的目标驾驶数据。
本实施例中,驾驶循环是指车辆从起机到停机的一次过程,即一个时间周期。所谓目标驾驶数据是指车辆行驶过程中的相关驾驶数据,可以包括速度数据、加速度数据、制动踏板数据等。
具体的,可以在车辆行驶过程中,实时获取驾驶循环中目标驾驶员的目标驾驶数据。
S220、采用驾驶风格识别模型对目标驾驶数据进行实时识别,得到目标驾驶风格。
其中,驾驶风格识别模型采用本发明任一实施例所提供的驾驶风格识别模型的训练方法训练得到。所谓目标驾驶风格是指目标驾驶员的驾驶风格。
具体的,实时将目标驾驶数据输入驾驶风格识别模型,得到目标驾驶员的目标驾驶风格。
本发明实施例提供的技术方案,通过在行车过程中实时获取驾驶循环中目标驾驶员的目标驾驶数据,之后采用驾驶风格识别模型对目标驾驶数据进行实时识别,得到目标驾驶风格。上述技术方案,通过驾驶风格识别模型来进行驾驶风格的实时识别,能够提高驾驶风格识别的准确性。
在上述实施例的基础上,作为本发明的一种可选方式,还可以根据驾驶循环中至少一种目标驾驶风格,确定目标驾驶风格的风格占比;根据目标驾驶风格占比,调整动力控制策略。
首先需要说明的是,在一次驾驶循环中会出现至少一种目标驾驶风格。
其中,动力控制策略是指与驾驶风格对应的动力控制方式,例如对发动机的控制等。需要说明的是,不同的驾驶风格对应不同的动力控制策略。
具体的,根据每次驾驶循环中的至少一种目标驾驶风格的时间长度和该次驾驶循环的总时长,确定每一目标驾驶风格的风格占比,直至风格占比不再变化,或者变化范围在2%以内,则根据对应的目标驾驶风格,调整动力控制策略。
可以理解的是,通过对驾驶员的驾驶风格识别,根据驾驶员的驾驶风格变化,对控制策略进行相应的调整,使驾驶员获得良好的驾驶体验,获得符合自身驾驶风格的动力输出。
实施例三
图3是根据本发明实施例三提供的一种驾驶风格识别模型的训练装置的结构示意图。本实施例可适用于对驾驶员的驾驶风格进行识别的情况,该装置可以采用硬件和/或软件的形式实现,并可集成于承载驾驶风格识别模型的训练功能的电子设备中,例如云端服务器。如图3所示,该装置包括:
样本数据获取模块310,用于获取样本驾驶数据;样本驾驶数据包括车速均值、纵向加速度标准差、转向盘角度最大值、横摆角速度最大值和加速踏板位置变化率信号;
标签数据确定模块320,用于对样本驾驶数据进行聚类,并根据聚类结果确定样本驾驶数据的标签数据;
模型训练模块330,用于根据样本驾驶数据和样本驾驶数据的标签数据,对初始风格识别模型进行训练,得到驾驶风格识别模型。
本发明实施例的技术方案,通过获取样本驾驶数据,之后对样本驾驶数据进行聚类,并根据聚类结果确定样本驾驶数据的标签数据,进而根据样本驾驶数据和样本驾驶数据的标签数据,对初始风格识别模型进行训练,得到驾驶风格识别模型。上述技术方案,通过聚类方式确定样本驾驶数据的标签数据,能够避免人为主观因素设定标签对模型训练的影响,从而可以提高驾驶风格识别模型的性能,提高驾驶风格识别的准确性。
可选的,样本数据获取模块310具体用于:
对获取的原始驾驶数据进行噪声过滤,得到经处理的原始驾驶数据;
对经处理的原始驾驶数据进行归一化处理,得到样本驾驶数据。
可选的,标签数据确定模块320具体用于:
采用加权K-means聚类方式,对样本驾驶数据进行聚类,得到聚类结果;
根据聚类结果,对样本驾驶数据进行标注,得到样本驾驶数据的标签数据。
可选的,初始风格识别模型由BP神经网络组成;BP神经网络包括四层网络结构,分别为一个输入层、两个隐藏层和一个输出层。
可选的,该装置还包括模型再训练模块,用于:
定期获取驾驶员的第一驾驶数据;
采用第一驾驶数据对驾驶风格识别模型进行再训练。
本发明实施例所提供的驾驶风格识别模型的训练装置可执行本发明任意实施例所提供的驾驶风格识别模型的训练方法,具备执行方法相应的功能模块和有益效果。
图4是根据本发明实施例四提供的一种驾驶风格识别装置的结构示意图。本实施例可适用于对驾驶员的驾驶风格进行识别情况,该装置可以采用硬件和/或软件的形式实现,并可集成于承载驾驶风格识别功能的电子设备中,例如车辆终端。如图4所示,该装置包括:
目标驾驶数据获取模块410,用于在行车过程中实时获取驾驶循环中目标驾驶员的目标驾驶数据;
目标驾驶风格确定模块420,用于采用驾驶风格识别模型对目标驾驶数据进行实时识别,得到目标驾驶风格;其中,驾驶风格识别模型采用本发明上述实施例所提供的驾驶风格识别模型的训练方法训练得到。
本发明实施例提供的技术方案,通过在行车过程中实时获取驾驶循环中目标驾驶员的目标驾驶数据,之后采用驾驶风格识别模型对目标驾驶数据进行实时识别,得到目标驾驶风格。上述技术方案,通过驾驶风格识别模型来进行驾驶风格的实时识别,能够提高驾驶风格识别的准确性。
可选的,该装置还包括动力控制策略调整模块,用于:
根据驾驶循环中至少一种目标驾驶风格,确定目标驾驶风格的风格占比;
根据目标驾驶风格占比,调整动力控制策略。
本发明实施例所提供的驾驶风格识别装置可执行本发明任意实施例所提供的驾驶风格识别方法,具备执行方法相应的功能模块和有益效果。
实施例五
图5是实现本发明实施例的驾驶风格识别模型的训练方法或驾驶风格识别方法的电子设备的结构示意图;图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
如图5所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。
处理器11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。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如驾驶风格识别模型的训练方法或驾驶风格识别方法。
在一些实施例中,驾驶风格识别模型的训练方法或驾驶风格识别方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的驾驶风格识别模型的训练方法或驾驶风格识别方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行驾驶风格识别模型的训练方法或驾驶风格识别方法。
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(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
在本发明的上下文中,计算机可读存储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计算机程序。计算机可读存储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。备选地,计算机可读存储介质可以是机器可读信号介质。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(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(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,可以在电子设备上实施此处描述的系统和技术,该电子设备具有: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电子设备。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(LAN)、广域网(WAN)、区块链网络和互联网。
计算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服务中,存在的管理难度大,业务扩展性弱的缺陷。
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,本发明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,只要能够实现本发明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,并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (11)
1.一种驾驶风格识别模型的训练方法,其特征在于,包括:
获取样本驾驶数据;所述样本驾驶数据包括车速均值、纵向加速度标准差、转向盘角度最大值、横摆角速度最大值和加速踏板位置变化率信号;
对所述样本驾驶数据进行聚类,并根据聚类结果确定所述样本驾驶数据的标签数据;
根据所述样本驾驶数据和所述样本驾驶数据的标签数据,对初始风格识别模型进行训练,得到驾驶风格识别模型。
2.根据权利要求1所述的方法,其特征在于,所述获取样本驾驶数据,包括:
对获取的原始驾驶数据进行噪声过滤,得到经处理的原始驾驶数据;
对所述经处理的原始驾驶数据进行归一化处理,得到样本驾驶数据。
3.根据权利要求1所述的方法,其特征在于,所述对所述样本驾驶数据进行聚类,并根据聚类结果确定所述样本驾驶数据的标签数据,包括:
采用加权K-means聚类方式,对所述样本驾驶数据进行聚类,得到聚类结果;
根据所述聚类结果,对所述样本驾驶数据进行标注,得到所述样本驾驶数据的标签数据。
4.根据权利要求1所述的方法,其特征在于,所述初始风格识别模型由BP神经网络组成;所述BP神经网络包括四层网络结构,分别为一个输入层、两个隐藏层和一个输出层。
5.根据权利要求1所述的方法,其特征在于,还包括:
定期获取驾驶员的第一驾驶数据;
采用所述第一驾驶数据对所述驾驶风格识别模型进行再训练。
6.一种驾驶风格识别方法,其特征在于,包括:
在行车过程中实时获取驾驶循环中目标驾驶员的目标驾驶数据;
采用驾驶风格识别模型对目标驾驶数据进行实时识别,得到目标驾驶风格;其中,所述驾驶风格识别模型采用权利要求1-5中任一项所述的驾驶风格识别模型的训练方法训练得到。
7.根据权利要求6所述的方法,其特征在于,还包括:
根据所述驾驶循环中至少一种目标驾驶风格,确定所述目标驾驶风格的风格占比;
根据所述目标驾驶风格占比,调整动力控制策略。
8.一种驾驶风格识别模型的训练装置,其特征在于,包括:
样本数据获取模块,用于获取样本驾驶数据;所述样本驾驶数据包括车速均值、纵向加速度标准差、转向盘角度最大值、横摆角速度最大值和加速踏板位置变化率信号;
标签数据确定模块,用于对所述样本驾驶数据进行聚类,并根据聚类结果确定所述样本驾驶数据的标签数据;
模型训练模块,用于根据所述样本驾驶数据和所述样本驾驶数据的标签数据,对初始风格识别模型进行训练,得到驾驶风格识别模型。
9.一种驾驶风格识别装置,其特征在于,包括:
目标驾驶数据获取模块,用于在行车过程中实时获取驾驶循环中目标驾驶员的目标驾驶数据;
目标驾驶风格确定模块,用于采用驾驶风格识别模型对目标驾驶数据进行实时识别,得到目标驾驶风格;其中,所述驾驶风格识别模型采用权利要求1-5中任一项所述的驾驶风格识别模型的训练方法训练得到。
10.一种电子设备,其特征在于,所述电子设备包括:
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计算机程序,所述计算机程序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权利要求1-5中任一项所述的驾驶风格识别模型的训练方法,或权利要求6-7所述的驾驶风格识别方法。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-5中任一项所述的驾驶风格识别模型的训练方法,或权利要求6-7所述的驾驶风格识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311423449.4A CN117382647A (zh) | 2023-10-30 | 2023-10-30 | 驾驶风格识别模型的训练和驾驶风格识别方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311423449.4A CN117382647A (zh) | 2023-10-30 | 2023-10-30 | 驾驶风格识别模型的训练和驾驶风格识别方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117382647A true CN117382647A (zh) | 2024-01-12 |
Family
ID=89437132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311423449.4A Pending CN117382647A (zh) | 2023-10-30 | 2023-10-30 | 驾驶风格识别模型的训练和驾驶风格识别方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117382647A (zh) |
-
2023
- 2023-10-30 CN CN202311423449.4A patent/CN117382647A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111291678B (zh) | 一种基于多特征融合的人脸图像聚类方法及装置 | |
CN103942568B (zh) | 一种基于无监督特征选择的分类方法 | |
JP7414901B2 (ja) | 生体検出モデルのトレーニング方法及び装置、生体検出の方法及び装置、電子機器、記憶媒体、並びにコンピュータプログラム | |
CN112529638B (zh) | 基于用户分类和深度学习的服务需求动态预测方法及系统 | |
CN112036297A (zh) | 基于网联车辆驾驶数据的典型与极限场景划分与提取方法 | |
CN113706151A (zh) | 一种数据处理方法、装置、计算机设备及存储介质 | |
CN115293366B (zh) | 模型训练方法、信息预测方法、装置、设备及介质 | |
CN114897312A (zh) | 驾驶行为评分方法、装置、设备及存储介质 | |
CN116740355A (zh) | 自动驾驶图像的分割方法、装置、设备及存储介质 | |
CN112215268A (zh) | 一种灾害天气卫星云图分类方法和装置 | |
CN113887630A (zh) | 图像分类方法、装置、电子设备和存储介质 | |
CN117382647A (zh) | 驾驶风格识别模型的训练和驾驶风格识别方法、装置及设备 | |
CN115457329B (zh) | 图像分类模型的训练方法、图像分类方法和装置 | |
CN116380438A (zh) | 一种故障诊断方法、装置、电子设备及存储介质 | |
CN112529637B (zh) | 基于情景感知的服务需求动态预测方法及系统 | |
CN114822562A (zh) | 声纹识别模型的训练方法、声纹识别方法及相关设备 | |
CN114119972A (zh) | 模型获取及对象处理方法、装置、电子设备及存储介质 | |
CN113989300A (zh) | 车道线分割的方法、装置、电子设备和存储介质 | |
CN113935482A (zh) | 一种行人再识别网络的训练方法及装置 | |
CN116906561B (zh) | 基于短时驾驶风格识别的车辆换挡点优化控制方法及系统 | |
CN113627537B (zh) | 一种图像识别方法、装置、存储介质及设备 | |
CN114724009B (zh) | 一种基于改进的深度学习网络的图像识别方法及装置 | |
CN116244413B (zh) | 新意图确定方法、设备和存储介质 | |
CN116442966A (zh) | 刹车辅助调节方法、装置、电子设备及存储介质 | |
CN115482422B (zh) | 深度学习模型的训练方法、图像处理方法和装置 |
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 |