CN117429419B - 应用于港口的自动驾驶方法及驾驶车 - Google Patents

Abstract

一种应用于港口的自动驾驶方法及驾驶车，其获取由激光测距传感器采集的前方目标车辆在预定时间段内多个预定时间点的距离值，以及，所述多个预定时间点的本车车辆速度值；对所述多个预定时间点的距离值和所述多个预定时间点的本车车辆速度值进行联合分析以得到距离‑车速交互特征向量；以及，基于所述距离‑车速交互特征向量，确定是否产生碰撞预警提示信号。这样，可以实现车辆碰撞预警，降低自动驾驶车辆的碰撞风险。

Description

应用于港口的自动驾驶方法及驾驶车

技术领域

本申请涉及智能化驾驶技术领域，并且更具体地，涉及一种应用于港口的自动驾驶方法及驾驶车。

背景技术

港口是一个繁忙的场所，需要大量的车辆进行货物的装卸和运输。为了提高港口的效率和安全性，自动驾驶技术在港口的应用具有重要的意义。

然而，自动驾驶技术也面临着一些挑战，其中之一就是如何有效地避免车辆之间的碰撞。传统的碰撞预警方法通常基于车辆之间的距离来判断是否存在碰撞风险，但这种方法可能存在误报或漏报的问题，因为它没有考虑到车辆之间的动态变化。

因此，期待一种优化的应用于港口的自动驾驶方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种应用于港口的自动驾驶方法及驾驶车，其获取由激光测距传感器采集的前方目标车辆在预定时间段内多个预定时间点的距离值，以及，所述多个预定时间点的本车车辆速度值；对所述多个预定时间点的距离值和所述多个预定时间点的本车车辆速度值进行联合分析以得到距离-车速交互特征向量；以及，基于所述距离-车速交互特征向量，确定是否产生碰撞预警提示信号。这样，可以实现车辆碰撞预警，降低自动驾驶车辆的碰撞风险。

第一方面，提供了一种应用于港口的自动驾驶方法及驾驶车，其包括：

获取由激光测距传感器采集的前方目标车辆在预定时间段内多个预定时间点的距离值，以及，所述多个预定时间点的本车车辆速度值；

对所述多个预定时间点的距离值和所述多个预定时间点的本车车辆速度值进行联合分析以得到距离-车速交互特征向量；

基于所述距离-车速交互特征向量，确定是否产生碰撞预警提示信号。

第二方面，提供了一种应用于港口的自动驾驶车，所述应用于港口的自动驾驶车由所述的应用于港口的自动驾驶方法运行。

第三方面，提供一种应用于港口的自动驾驶系统，包括：

数据获取模块，用于获取由激光测距传感器采集的前方目标车辆在预定时间段内多个预定时间点的距离值，以及，所述多个预定时间点的本车车辆速度值；

联合分析模块，用于对所述多个预定时间点的距离值和所述多个预定时间点的本车车辆速度值进行联合分析以得到距离-车速交互特征向量；

预警提示信号确定模块，用于基于所述距离-车速交互特征向量，确定是否产生碰撞预警提示信号。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为根据本申请实施例的应用于港口的自动驾驶方法的流程图；

图2为根据本申请实施例的应用于港口的自动驾驶方法的架构示意图；

图3为根据本申请实施例的应用于港口的自动驾驶方法中步骤120的子步骤的流程图；

图4为根据本申请实施例的应用于港口的自动驾驶系统的框图；

图5为根据本申请实施例的应用于港口的自动驾驶方法的应用场景示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。

在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。

自动驾驶技术是指利用先进的计算机系统、传感器和算法，使车辆能够在没有人类干预的情况下自主地感知、决策和操作，实现自动驾驶的能力的技术。

自动驾驶技术的核心目标是提高道路交通的安全性、效率和舒适性，可以减少人为驾驶错误和事故风险，提高车辆的运行效率和能源利用率，同时为驾乘人员提供更多的时间和便利。

自动驾驶技术主要包括以下几个关键方面：

1. 感知：自动驾驶车辆通过使用各种传感器，如雷达、摄像头、激光扫描仪等，对周围环境进行感知。这些传感器收集的数据可以用于检测和识别道路、车辆、行人、障碍物等。

2. 决策与规划：基于感知数据，自动驾驶车辆使用算法和模型来做出决策和规划行驶路径，需要分析和理解感知数据，预测其他交通参与者的行为，并制定相应的行驶策略和路径规划。

3. 控制与执行：自动驾驶车辆使用电子控制单元（ECU）来控制车辆的加速、制动、转向等操作。通过与车辆的传动系统、制动系统和转向系统等进行集成，自动驾驶系统可以实现对车辆的精确控制。

4. 人机交互：自动驾驶技术还包括与驾乘人员进行有效交互的界面和系统。这可以包括显示屏、语音命令、手势识别等方式，使驾乘人员能够了解车辆状态、控制车辆行为，并在需要时接管车辆控制权。

自动驾驶技术的发展涉及多个领域的研究和创新，包括人工智能、机器学习、计算机视觉、传感器技术、控制系统等。目前，自动驾驶技术已经在实验室和一些特定环境下得到了广泛应用，但在实际道路上的商业化应用仍面临一些挑战，如法律法规、道路基础设施、安全性等方面的问题。然而，随着技术的不断进步和相关政策的推动，自动驾驶技术有望在未来实现更广泛的应用。

港口是一个繁忙的场所，需要大量的车辆进行货物的装卸和运输。为了提高港口的效率和安全性，自动驾驶技术在港口的应用具有重要的意义。

港口是货物流通的重要环节，自动驾驶技术可以提高货物装卸、搬运和运输的效率。自动驾驶车辆可以减少操作时间和错误，提高作业速度和准确性，从而增加港口的货物吞吐量和生产力。

人为因素是事故发生的主要原因之一，自动驾驶技术可以减少人为驾驶错误和操作失误，提高港口作业的安全性。自动驾驶车辆能够准确执行任务，遵守交通规则，避免碰撞和事故，降低人员和设备的损害风险。

港口作业需要大量的人力资源，但人力资源的供给可能不足，尤其在高峰时段。自动驾驶技术可以减少对人力资源的需求，提高港口作业的自动化程度。这样可以缓解人力资源短缺问题，提高作业的灵活性和可持续性。

港口作业环境复杂，包括各种装卸设备、行人、其他车辆等。自动驾驶技术可以通过感知、识别和规划等功能，适应不同的港口环境和工况。自动驾驶车辆可以实时响应变化，避免碰撞和拥堵，提高港口作业的灵活性和适应性。

自动驾驶技术是智能化和可持续发展的重要组成部分。通过引入自动驾驶技术，港口可以实现智能化管理和优化资源利用，减少能源消耗和环境污染。这有助于推动港口行业向更加智能、绿色和可持续的方向发展。

港口使用自动驾驶技术可以提高效率和生产力，降低人为错误和事故风险，解决人力资源短缺问题，适应复杂环境和工况，并推动智能化和可持续发展。这使得自动驾驶技术成为港口行业现代化和提升竞争力的重要工具。

传统的碰撞预警方法通常基于车辆之间的距离来判断是否存在碰撞风险，这些方法主要依赖于车辆之间的物理距离和相对速度来计算碰撞时间或碰撞概率，并根据预设的阈值进行判断和预警。

传统碰撞预警方法包括：

基于物理距离的预警：该方法通过计算车辆之间的物理距离来判断碰撞风险。当车辆之间的距离小于设定的安全距离阈值时，预警系统会发出警报。这种方法简单直接，但可能无法考虑到车辆之间的动态变化和其他因素。

基于相对速度的预警：该方法考虑车辆之间的相对速度来判断碰撞风险。当车辆之间的相对速度超过设定的阈值时，预警系统会触发。这种方法可以更好地反映车辆之间的运动状态，但仍然无法全面考虑到动态变化和其他因素。

基于碰撞时间的预警：该方法通过估计车辆之间的碰撞时间来判断碰撞风险。根据车辆之间的距离和相对速度，预警系统可以预测碰撞可能发生的时间，并在接近碰撞时间时触发预警。这种方法可以提供更准确的预警，但仍然可能存在误报或漏报的问题。

传统的碰撞预警方法在一定程度上可以提高安全性，但由于其局限性，可能存在误判和不足之处。因此，研究人员一直在探索更先进的碰撞预警方法，如基于时序变化信息的预警方法，以提高预警的准确性和可靠性。

在本申请中，将采用深度学习的人工智能技术结合应用于港口的自动驾驶方案，一方面，可以提高安全性，深度学习技术可以通过对大量数据的学习和分析，识别和预测潜在的危险情况。在港口环境中，自动驾驶车辆需要处理复杂的交通情况和多种障碍物，如其他车辆、行人、装卸设备等。通过深度学习算法，自动驾驶系统可以更准确地感知和理解这些情况，及时做出决策和规划，从而提高港口自动驾驶系统的安全性。

一方面，可以提高效率和准确性，深度学习技术可以帮助自动驾驶系统更好地理解和预测港口环境中的复杂动态变化。通过对历史数据和实时数据的学习，自动驾驶系统可以优化路径规划、交通流量管理和装卸操作等，从而提高港口的运输效率和准确性。这有助于减少拥堵、提高货物吞吐量，并降低港口运营成本。

另一方面，可以增加自适应能力，深度学习技术具有强大的自适应能力，可以适应不同的港口环境和工况。通过对多样化的数据进行学习和训练，自动驾驶系统可以适应不同的天气条件、交通规则、装卸设备等因素的变化。这使得自动驾驶系统能够在各种情况下保持高效和安全的运行，提高港口的灵活性和适应性。

再一方面，可以降低人为错误和成本，自动驾驶技术的应用可以减少人为驾驶错误和事故风险，从而降低港口的人力成本和维修成本。自动驾驶车辆可以精确执行任务，减少操作误差和碰撞风险，提高工作效率和安全性。此外，自动驾驶技术还可以减少对人力资源的需求，降低运营成本。

将深度学习的人工智能技术应用于优化的港口自动驾驶方案可以提高安全性、提高效率和准确性，增加自适应能力，并降低人为错误和成本。这将为港口运营带来更多的优势和机会，推动港口行业的现代化和智能化发展。

图1为根据本申请实施例的应用于港口的自动驾驶方法的流程图。图2为根据本申请实施例的应用于港口的自动驾驶方法的架构示意图。如图1和图2所示，所述应用于港口的自动驾驶方法，包括：110，获取由激光测距传感器采集的前方目标车辆在预定时间段内多个预定时间点的距离值，以及，所述多个预定时间点的本车车辆速度值；120，对所述多个预定时间点的距离值和所述多个预定时间点的本车车辆速度值进行联合分析以得到距离-车速交互特征向量；以及，130，基于所述距离-车速交互特征向量，确定是否产生碰撞预警提示信号。

在所述步骤110中，激光测距传感器应该进行校准和维护，以确保测量结果的准确性，传感器的可靠性也很重要，需要进行故障检测和容错处理，以避免错误的测量结果导致误判。根据具体的应用需求，选择适当的时间间隔和采样频率（即预定时间段内多个预定时间点）来获取距离值和车速值，时间间隔应足够短，以捕捉到目标车辆的实时位置和速度变化，同时应避免过于频繁的采样导致数据冗余。在预定时间段内获取多个时间点的距离值和速度值，可以获得目标车辆的运动轨迹和速度变化趋势。这些信息可以用于后续的联合分析和决策。

在所述步骤120中，在联合分析中，需要考虑距离和速度的时序变化和趋势。通过观察距离和速度的变化，可以判断目标车辆的运动状态，例如加速、减速、静止等，从而更准确地评估碰撞风险。距离和速度的值在不同时间点上是相关联的，需要考虑它们之间的关系。例如，目标车辆的距离减小而速度增加可能表示接近碰撞的危险情况。通过建立距离和速度之间的关联模型，可以更好地理解和预测碰撞风险。在联合分析中，需要提取适当的特征向量来表示距离-车速交互信息。这些特征向量可以包括距离和速度的统计特征、变化率、加速度等。选择合适的特征向量可以提高预测的准确性和可靠性。

在所述步骤130中，根据具体的应用需求和安全标准，确定适当的碰撞预警阈值。阈值的选择应考虑到距离和速度的相互作用以及预警的敏感性和特异性。基于距离-车速交互特征向量进行碰撞预警时，需要确保算法的实时性和可靠性。预警系统应能够及时响应并产生准确的预警提示信号，以确保驾驶员或系统能够采取适当的措施。

在上述步骤中，通过联合分析距离和速度的信息，可以更准确地评估碰撞风险，减少误报和漏报的情况，提高碰撞预警的准确性。距离-车速交互特征向量提供了更多关于目标车辆运动状态和趋势的信息，能够更好地预测潜在的碰撞情况，提前采取相应的措施。基于距离-车速交互特征向量的碰撞预警系统可以有效地减少碰撞风险，提高港口自动驾驶系统的安全性和可靠性，降低事故发生的可能性。

具体地，在所述步骤110中，获取由激光测距传感器采集的前方目标车辆在预定时间段内多个预定时间点的距离值，以及，所述多个预定时间点的本车车辆速度值。针对上述技术问题，本申请的技术构思是：考虑到车辆之间的动态变化，综合利用距离数据与本车车辆的速度数据，并从中提取时序变化信息，以此来实现车辆碰撞预警。

应可以理解，仅仅依靠距离数据来判断碰撞风险可能存在误报或漏报的问题。因为在一些情况下，车辆之间的距离可能很近，但由于其速度差异较大，碰撞风险较低。相反，有时车辆之间的距离可能较远，但由于高速运动，碰撞风险较高。也就是说，车辆之间的相对距离和速度是判断碰撞风险的重要指标。通过获取距离数据和本车车辆的速度数据，可以得到车辆之间的相对运动状态。将这些时序数据进行分析，可以捕捉到碰撞风险的动态变化，例如两车之间的逐渐靠近或远离情况，从而更准确地判断潜在的碰撞风险，提高碰撞预警的准确性和可靠性。

基于此，在本申请的技术方案中，首先，获取由激光测距传感器采集的前方目标车辆在预定时间段内多个预定时间点的距离值，以及，所述多个预定时间点的本车车辆速度值。

距离值和车速值的联合分析可以提供更全面的信息，用于判断是否存在碰撞风险。通过比较前方目标车辆的距离和本车车辆的速度，可以评估碰撞的可能性和严重性。如果距离值较小且本车车辆速度较高，可能存在较高的碰撞风险，需要产生碰撞预警提示信号，以提醒驾驶员或采取相应的自动驾驶措施。距离-车速交互特征向量的分析可以帮助确定碰撞预警的阈值和条件，以确保准确性和可靠性。

获取前方目标车辆的距离值和本车车辆的速度值对于最终确定是否产生碰撞预警提示信号至关重要。通过联合分析这些值，可以评估碰撞风险，并采取相应的预警措施，提高港口自动驾驶系统的安全性和可靠性。

具体地，在所述步骤120中，对所述多个预定时间点的距离值和所述多个预定时间点的本车车辆速度值进行联合分析以得到距离-车速交互特征向量。

图3为根据本申请实施例的应用于港口的自动驾驶方法中步骤120的子步骤的流程图，如图3所示，对所述多个预定时间点的距离值和所述多个预定时间点的本车车辆速度值进行联合分析以得到距离-车速交互特征向量，包括：121，对所述多个预定时间点的距离值和所述多个预定时间点的本车车辆速度值进行数据结构化处理以得到距离时序输入向量和本车车速时序输入向量；122，分别对所述距离时序输入向量和所述本车车速时序输入向量进行时序分析以得到距离时序特征向量和车速时序特征向量；以及，123，融合所述距离时序特征向量和所述车速时序特征向量以得到所述距离-车速交互特征向量。

首先，将距离值和车速值按时间顺序整合为时序数据，使其具有时间维度，对数据进行归一化处理，可以消除不同数据范围之间的差异，使得后续的分析更加准确和可靠。通过将距离值和车速值按时间顺序排列，建立起它们之间的时序关联性，这样可以更好地捕捉到目标车辆和本车车辆的运动状态和变化趋势。将距离时序和车速时序转化为向量形式后，可以更方便地对数据进行可视化和理解。通过绘制时序曲线或使用其他可视化工具，可以直观地观察距离和速度的变化模式，帮助分析和决策。

然后，通过对距离时序和车速时序进行分析，可以提取出一系列特征，例如平均值、方差、最大值、最小值、变化率等，这些特征能够反映出距离和速度的时序变化规律，为后续的分析和决策提供重要参考。通过时序特征向量，可以更好地描述目标车辆和本车车辆的运动模式和趋势，例如，距离时序特征向量中的变化率和车速时序特征向量中的平均值可以反映出目标车辆的加速度和本车车辆的平均速度。通过提取时序特征向量，可以将原始的时序数据降低到较低的维度，从而减少数据的复杂性和计算复杂度，有助于提高算法的效率和实时性。

最后，通过融合距离时序特征向量和车速时序特征向量，可以综合考虑距离和速度之间的交互关系，有助于更全面地评估碰撞风险，提高预警的准确性和可靠性。距离-车速交互特征向量能够提供更丰富的信息，包括距离和速度的统计特征、变化趋势、相关性等。这些信息可以帮助判断碰撞风险的程度和类型，为后续的决策提供更全面的依据。通过融合距离和速度的特征向量，可以提高预测模型的预测能力，有助于更准确地预测碰撞风险，并采取相应的预警措施，提高港口自动驾驶系统的安全性和可靠性。

在本申请的一个实施例中，对所述多个预定时间点的距离值和所述多个预定时间点的本车车辆速度值进行数据结构化处理以得到距离时序输入向量和本车车速时序输入向量，包括：将所述多个预定时间点的距离值和所述多个预定时间点的本车车辆速度值分别按照时间维度排列为所述距离时序输入向量和所述本车车速时序输入向量。

接着，将所述多个预定时间点的距离值和所述多个预定时间点的本车车辆速度值分别按照时间维度排列为距离时序输入向量和本车车速时序输入向量。也就是，将距离值和本车车辆速度值的离散时序数据转变为结构化的向量表示，以便于计算机进行读取和分析。

在本申请的一个实施例中，分别对所述距离时序输入向量和所述本车车速时序输入向量进行时序分析以得到距离时序特征向量和车速时序特征向量，包括：将所述距离时序输入向量通过基于一维卷积层的距离时序特征提取器以得到所述距离时序特征向量；以及，将所述本车车速时序输入向量通过基于一维卷积层的车速时序特征提取器以得到所述车速时序特征向量。

然后，分别对所述距离时序输入向量和所述本车车速时序输入向量进行时序分析以得到距离时序特征向量和车速时序特征向量。在本申请的一个具体示例中，分别对所述距离时序输入向量和所述本车车速时序输入向量进行时序分析以得到距离时序特征向量和车速时序特征向量的编码过程，包括：先将所述距离时序输入向量通过基于一维卷积层的距离时序特征提取器以得到距离时序特征向量；同时，将所述本车车速时序输入向量通过基于一维卷积层的车速时序特征提取器以得到车速时序特征向量。

在本申请的一个实施例中，融合所述距离时序特征向量和所述车速时序特征向量以得到所述距离-车速交互特征向量，包括：使用特征间注意力层来对所述距离时序特征向量和所述车速时序特征向量进行基于注意力机制的特征交互以得到所述距离-车速交互特征向量。

然后，使用特征间注意力层来对所述距离时序特征向量和所述车速时序特征向量进行基于注意力机制的特征交互以得到距离-车速交互特征向量。也就是，通过特征间注意力层来构建车速时序特征与距离时序特征之间的关联。值得一提的是，传统的注意力机制的目标在于学习一个注意力权重矩阵，应用于当前层的各个神经节点，对于那些重要的节点，赋予它们较大的权重，对于那些次要的节点，赋予它们较小的权重。由于每个神经节点都包含着某种特征信息，经过上述操作，神经网络就能从众多特征信息中选择出对当前任务目标更关键的信息。而所述特征间注意力层则不同，其更多地关注到了各个特征信息间的依赖关系。

其中，基于注意力机制的特征交互是一种常用的方法，用于学习特征之间的相关性和重要性。在这种方法中，通过引入注意力权重，可以自适应地对不同特征进行加权，从而实现特征之间的交互和融合。

在本申请中，可以使用特征间注意力层来对距离时序特征向量和车速时序特征向量进行特征交互，以得到距离-车速交互特征向量。其中，注意力机制可以自动学习特征之间的相关性和重要性，根据不同输入的情况动态调整注意力权重，这使得模型能够更好地适应不同的数据分布和任务需求。

通过注意力权重的加权融合，能够将不同特征之间的信息进行有效地交互和整合。这有助于提取更丰富、更准确的特征表示，提高模型的表达能力和性能。注意力权重可以提供对特征重要性的解释，帮助理解模型的决策过程。通过观察注意力权重的分布，可以了解哪些特征对于任务的贡献较大，从而进行后续的分析和优化。

基于注意力机制的特征交互能够提高特征的表达能力和模型的性能，使得距离时序特征向量和车速时序特征向量能够更好地融合和交互，得到更全面、更准确的距离-车速交互特征向量，有助于改善碰撞预警系统的准确性和可靠性，提高港口自动驾驶系统的安全性和效率。

具体地，在所述步骤130中，基于所述距离-车速交互特征向量，确定是否产生碰撞预警提示信号，包括：对所述距离-车速交互特征向量进行特征分布优化以得到优化距离-车速交互特征向量；以及，将所述优化距离-车速交互特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生碰撞预警提示信号。

通过优化特征分布，可以增强距离-车速交互特征向量中的有用信息，减少冗余和噪声，有助于提取更具区分度的特征，使得分类器能够更准确地区分不同的情况和预测碰撞风险。在优化特征分布的过程中，可以考虑对数据进行平衡处理，以解决数据不平衡问题。例如，对于碰撞预警任务，如果负样本（无碰撞）远远多于正样本（有碰撞），可以采取欠采样、过采样或者其他平衡技术，使得分类器在训练过程中更好地学习到不同类别的特征。通过特征分布优化，可以识别出对分类任务最具有区分能力的特征，有助于减少特征空间的维度，提高分类器的效率和泛化能力。特征选择可以通过统计方法、信息增益、正则化等技术来实现。

通过使用优化的特征向量作为分类器的输入，可以提高碰撞预警系统的准确性。优化的特征向量包含了更具区分度的信息，能够更好地区分不同的情况和预测碰撞风险，从而减少误报和漏报的情况。优化的特征向量可以提高分类器的效率和实时性。通过减少特征空间的维度和优化特征分布，可以降低计算复杂度和模型训练的时间成本，使得碰撞预警系统能够更快速地做出预测和决策。通过分类结果，可以解释是否产生碰撞预警提示信号的原因，通过分析分类器的决策过程，可以了解哪些特征对于预测结果的贡献较大，从而进一步优化和改进碰撞预警系统。

通过对距离-车速交互特征向量进行特征分布优化和使用分类器进行预测，可以提高碰撞预警系统的准确性、实时性和可解释性。这有助于及时发现潜在的碰撞风险，并采取相应的预警措施，提高港口自动驾驶系统的安全性和可靠性。

在本申请的一个实施例中，对所述距离-车速交互特征向量进行特征分布优化以得到优化距离-车速交互特征向量，包括：对所述距离时序特征向量和所述车速时序特征向量进行非齐次希尔伯特面上空间自适应点学习以获得融合特征向量；以及，将所述融合特征向量与所述距离-车速交互特征向量进行融合以得到所述优化距离-车速交互特征向量。

在本申请的技术方案中，使用特征间注意力层对所述距离时序特征向量和所述车速时序特征向量进行基于注意力机制的特征交互以得到距离-车速交互特征向量时，所述特征间注意力层聚焦于所述距离时序特征向量和所述车速时序特征向量间的依赖关系特征的提取，由此如果能够进一步强化所述距离-车速交互特征向量对于所述距离时序特征向量和所述车速时序特征向量各自的距离时序语义关联特征和速度时序语义关联特征的表达，则能够提升所述距离-车速交互特征向量的表达效果。

这里，本申请的申请人考虑到所述距离时序特征向量和所述车速时序特征向量之间的非齐次的逐点对应性，也就是，所述距离时序特征向量表达的是局部时域内基于一维卷积层的卷积核尺度的距离时序关联特征，而所述车速时序特征向量表达的是局部时域内基于一维卷积层的卷积核尺度的车速时序关联特征，两者在数据源域端存在因模态不同而存在明显的数据结构非对齐。因此对所述距离时序特征向量，例如记为和所述车速时序特征向量，例如记为/>进行非齐次希尔伯特面上空间自适应点学习，以获得融合特征向量，例如记为/>，具体表示为：以如下优化公式对所述距离时序特征向量和所述车速时序特征向量进行非齐次希尔伯特面上空间自适应点学习以获得融合特征向量；其中，所述优化公式为：

其中，是所述距离时序特征向量，/>是所述车速时序特征向量， />是所述车速时序特征向量的转置向量，/>是所述融合特征向量，/>，/>和/>表示基于吉尔伯特空间的非齐次闵式距离，且/>和/>为超参数，/>和/>分别是所述距离时序特征向量/>和所述车速时序特征向量/>的全局特征均值，且所述距离时序特征向量/>和所述车速时序特征向量/>均为行向量，/>是按位置点乘，/>是按位置加法，/>为协方差矩阵。

这样，通过以非齐次的吉尔伯特空间度量对所述距离时序特征向量和所述车速时序特征向量/>之间的向量点关联进行一维卷积，可以针对所述距离时序特征向量/>和所述车速时序特征向量/>的高维特征表示的特征流形在高维特征空间内具有的非轴对齐（non-axis alignment）特性，在基于希尔伯特空间的流形收敛超平面的面上空间向着超平面进行自适应点学习，并以面向所述距离时序特征向量/>和所述车速时序特征向量/>各自分布收敛方向的空中度量（aerial measurement）为修正，提升了所述距离时序特征向量/>和所述车速时序特征向量/>间的非齐次逐点融合性，从而提升所述融合特征向量/>的融合表达效果，然后，再将所述融合特征向量/>进一步与所述距离-车速交互特征向量融合，就可以改进所述距离-车速交互特征向量的表达效果。

进而，将所述距离-车速交互特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生碰撞预警提示信号。

综上，基于本申请实施例的应用于港口的自动驾驶方法被阐明，其考虑到车辆之间的动态变化，综合利用距离数据与本车车辆的速度数据，并从中提取时序变化信息，以此来实现车辆碰撞预警。

在本申请的一个实施例中，提供一种应用于港口的自动驾驶车，所述应用于港口的自动驾驶车由如上所述的应用于港口的自动驾驶方法运行。

在本申请的一个实施例中，图4为根据本申请实施例的应用于港口的自动驾驶系统的框图。如图4所示，根据本申请实施例的应用于港口的自动驾驶系统200，包括：数据获取模块210，用于获取由激光测距传感器采集的前方目标车辆在预定时间段内多个预定时间点的距离值，以及，所述多个预定时间点的本车车辆速度值；联合分析模块220，用于对所述多个预定时间点的距离值和所述多个预定时间点的本车车辆速度值进行联合分析以得到距离-车速交互特征向量；以及，预警提示信号确定模块230，用于基于所述距离-车速交互特征向量，确定是否产生碰撞预警提示信号。

在一些实施例中，所述联合分析模块220，用于：

对所述多个预定时间点的距离值和所述多个预定时间点的本车车辆速度值进行数据结构化处理以得到距离时序输入向量和本车车速时序输入向量；

分别对所述距离时序输入向量和所述本车车速时序输入向量进行时序分析以得到距离时序特征向量和车速时序特征向量；

融合所述距离时序特征向量和所述车速时序特征向量以得到所述距离-车速交互特征向量。

在一些实施例中，所述预警提示信号确定模块230，用于：

对所述距离-车速交互特征向量进行特征分布优化以得到优化距离-车速交互特征向量；

将所述优化距离-车速交互特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生碰撞预警提示信号。

这里，本领域技术人员可以理解，上述应用于港口的自动驾驶系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的应用于港口的自动驾驶方法的描述中得到了详细介绍，因此，将省略其重复描述。

如上所述，根据本申请实施例的应用于港口的自动驾驶系统200可以实现在各种终端设备中，例如用于应用于港口的自动驾驶的服务器等。在一个示例中，根据本申请实施例的应用于港口的自动驾驶系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该应用于港口的自动驾驶系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该应用于港口的自动驾驶系统200同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该应用于港口的自动驾驶系统200与该终端设备也可以是分立的设备，并且应用于港口的自动驾驶系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

图5为根据本申请实施例的应用于港口的自动驾驶方法的应用场景示意图。如图5所示，在该应用场景中，首先，获取由激光测距传感器采集的前方目标车辆在预定时间段内多个预定时间点的距离值（例如，如图5中所示意的C1），以及，所述多个预定时间点的本车车辆速度值（例如，如图5中所示意的C2）；然后，将获取的距离值和本车车辆速度值输入至部署有应用于港口的自动驾驶算法的服务器（例如，如图5中所示意的S）中，其中所述服务器能够基于应用于港口的自动驾驶算法对所述距离值和所述本车车辆速度值进行处理，以确定是否产生碰撞预警提示信号。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (6)

1.一种应用于港口的自动驾驶方法，其特征在于，包括：

获取由激光测距传感器采集的前方目标车辆在预定时间段内多个预定时间点的距离值，以及，所述多个预定时间点的本车车辆速度值；

对所述多个预定时间点的距离值和所述多个预定时间点的本车车辆速度值进行联合分析以得到距离-车速交互特征向量；

基于所述距离-车速交互特征向量，确定是否产生碰撞预警提示信号；

其中，对所述多个预定时间点的距离值和所述多个预定时间点的本车车辆速度值进行联合分析以得到距离-车速交互特征向量，包括：

对所述多个预定时间点的距离值和所述多个预定时间点的本车车辆速度值进行数据结构化处理以得到距离时序输入向量和本车车速时序输入向量；

分别对所述距离时序输入向量和所述本车车速时序输入向量进行时序分析以得到距离时序特征向量和车速时序特征向量；

融合所述距离时序特征向量和所述车速时序特征向量以得到所述距离-车速交互特征向量；

其中，基于所述距离-车速交互特征向量，确定是否产生碰撞预警提示信号，包括：

对所述距离-车速交互特征向量进行特征分布优化以得到优化距离-车速交互特征向量；

将所述优化距离-车速交互特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生碰撞预警提示信号；

其中，对所述距离-车速交互特征向量进行特征分布优化以得到优化距离-车速交互特征向量，包括：

对所述距离时序特征向量和所述车速时序特征向量进行非齐次希尔伯特面上空间自适应点学习以获得融合特征向量；

将所述融合特征向量与所述距离-车速交互特征向量进行融合以得到所述优化距离-车速交互特征向量；

其中，对所述距离时序特征向量和所述车速时序特征向量进行非齐次希尔伯特面上空间自适应点学习以获得融合特征向量，包括：以如下优化公式对所述距离时序特征向量和所述车速时序特征向量进行非齐次希尔伯特面上空间自适应点学习以获得融合特征向量；

其中，所述优化公式为：

；

；

；

其中，是所述距离时序特征向量，/>是所述车速时序特征向量， />是所述车速时序特征向量的转置向量，/>是所述融合特征向量，/>，/>和/>表示基于吉尔伯特空间的非齐次闵式距离，且/>和/>为超参数，/>和/>分别是所述距离时序特征向量和所述车速时序特征向量/>的全局特征均值，且所述距离时序特征向量/>和所述车速时序特征向量/>均为行向量，/>是按位置点乘，/>是按位置加法，/>为协方差矩阵。

2.根据权利要求1所述的应用于港口的自动驾驶方法，其特征在于，对所述多个预定时间点的距离值和所述多个预定时间点的本车车辆速度值进行数据结构化处理以得到距离时序输入向量和本车车速时序输入向量，包括：

将所述多个预定时间点的距离值和所述多个预定时间点的本车车辆速度值分别按照时间维度排列为所述距离时序输入向量和所述本车车速时序输入向量。

3.根据权利要求2所述的应用于港口的自动驾驶方法，其特征在于，分别对所述距离时序输入向量和所述本车车速时序输入向量进行时序分析以得到距离时序特征向量和车速时序特征向量，包括：

将所述距离时序输入向量通过基于一维卷积层的距离时序特征提取器以得到所述距离时序特征向量；

将所述本车车速时序输入向量通过基于一维卷积层的车速时序特征提取器以得到所述车速时序特征向量。

4.根据权利要求3所述的应用于港口的自动驾驶方法，其特征在于，融合所述距离时序特征向量和所述车速时序特征向量以得到所述距离-车速交互特征向量，包括：

使用特征间注意力层来对所述距离时序特征向量和所述车速时序特征向量进行基于注意力机制的特征交互以得到所述距离-车速交互特征向量。

5.一种应用于港口的自动驾驶车，其特征在于，所述应用于港口的自动驾驶车由如权利要求1至4任一项所述的应用于港口的自动驾驶方法运行。

6.一种应用于港口的自动驾驶系统，其特征在于，包括：

数据获取模块，用于获取由激光测距传感器采集的前方目标车辆在预定时间段内多个预定时间点的距离值，以及，所述多个预定时间点的本车车辆速度值；

联合分析模块，用于对所述多个预定时间点的距离值和所述多个预定时间点的本车车辆速度值进行联合分析以得到距离-车速交互特征向量；

预警提示信号确定模块，用于基于所述距离-车速交互特征向量，确定是否产生碰撞预警提示信号；

其中，所述联合分析模块，包括：

对所述多个预定时间点的距离值和所述多个预定时间点的本车车辆速度值进行数据结构化处理以得到距离时序输入向量和本车车速时序输入向量；

分别对所述距离时序输入向量和所述本车车速时序输入向量进行时序分析以得到距离时序特征向量和车速时序特征向量；

融合所述距离时序特征向量和所述车速时序特征向量以得到所述距离-车速交互特征向量；

其中，所述预警提示信号确定模块，包括：

对所述距离-车速交互特征向量进行特征分布优化以得到优化距离-车速交互特征向量；

将所述优化距离-车速交互特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生碰撞预警提示信号；

其中，对所述距离-车速交互特征向量进行特征分布优化以得到优化距离-车速交互特征向量，包括：

对所述距离时序特征向量和所述车速时序特征向量进行非齐次希尔伯特面上空间自适应点学习以获得融合特征向量；

将所述融合特征向量与所述距离-车速交互特征向量进行融合以得到所述优化距离-车速交互特征向量；

其中，对所述距离时序特征向量和所述车速时序特征向量进行非齐次希尔伯特面上空间自适应点学习以获得融合特征向量，包括：以如下优化公式对所述距离时序特征向量和所述车速时序特征向量进行非齐次希尔伯特面上空间自适应点学习以获得融合特征向量；

其中，所述优化公式为：

；

；

；

其中，是所述距离时序特征向量，/>是所述车速时序特征向量， />是所述车速时序特征向量的转置向量，/>是所述融合特征向量，/>，/>和/>表示基于吉尔伯特空间的非齐次闵式距离，且/>和/>为超参数，/>和/>分别是所述距离时序特征向量和所述车速时序特征向量/>的全局特征均值，且所述距离时序特征向量/>和所述车速时序特征向量/>均为行向量，/>是按位置点乘，/>是按位置加法，/>为协方差矩阵。