CN117994967A - 交通违规事件处理方法、装置、计算机设备、介质及产品 - Google Patents
交通违规事件处理方法、装置、计算机设备、介质及产品 Download PDFInfo
- Publication number
- CN117994967A CN117994967A CN202211344011.2A CN202211344011A CN117994967A CN 117994967 A CN117994967 A CN 117994967A CN 202211344011 A CN202211344011 A CN 202211344011A CN 117994967 A CN117994967 A CN 117994967A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- event
- processing
- environmental
- result
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 328
- 230000007613 environmental effect Effects 0.000 claims abstract description 271
- 238000000034 method Methods 0.000 claims abstract description 119
- 238000001514 detection method Methods 0.000 claims description 134
- 238000013507 mapping Methods 0.000 claims description 51
- 230000015654 memory Effects 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 description 27
- 230000000694 effects Effects 0.000 description 9
- 238000007726 management method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 206010039203 Road traffic accident Diseases 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种交通违规事件处理方法、装置、计算机设备、介质及产品。该方法包括:获取目标车辆上安装的多个传感器检测到的周围预设范围内的至少一个环境车辆,对各环境车辆进行目标跟踪处理,分别得到各环境车辆行驶时的多个参考车辆信息,并基于各环境车辆的多个参考车辆信息和目标车辆所在道路对应的车道级地图,对各环境车辆进行违规事件处理得到违规事件处理结果;采用上述方法能够避免通过固定设置的相机采集到分辨率较低的图像来实现违规事件处理的问题,可以通过车辆的外表面上安装多个传感器检测到的精度较高的数据作为基础数据,并结合车辆所处道路的车道级地图来实现违规事件处理,能够在极大程度上提高违规事件处理结果的精确度。
Description
技术领域
本申请涉及交通技术领域,特别是涉及一种交通违规事件处理方法、装置、计算机设备、介质及产品。
背景技术
随着汽车产业的快速发展和汽车数量的不断攀升,在道路交通环境中,不免会出现违规的交通参与者,而这些违规的交通参与者很大概率会影响正常交通参与者的行驶。为了降低道路交通事故的发生率,通常对交通参与者的交通违规事件处理是道路交通中经常发生的事件,主要包含交通违规事件检测、交通违规事件预测和交通违规事件避障。
相关技术中,通常采用基于相机的目标检测方法对道路上交通参与者的交通违规事件进行处理。但是,采用相关技术会存在违规事件处理结果不准确的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种交通违规事件处理方法、装置、计算机设备、介质及产品,能够提高交通违规事件处理结果的准确性。
第一方面,本申请提供了一种交通违规事件处理方法,该方法包括:
获取目标车辆上安装的多个传感器检测到的周围预设范围内的至少一个环境车辆;其中,多个传感器分别安装于目标车辆外表面的不同方位处,预设范围为预设距离内的全覆盖范围;
对各环境车辆进行目标跟踪处理,分别得到各环境车辆行驶时的多个参考车辆信息;
基于各环境车辆的多个参考车辆信息和目标车辆所在道路对应的车道级地图,对各环境车辆进行违规事件处理,得到违规事件处理结果。其中,车道级地图包括道路中车道线的属性信息和标识信息,违规事件处理包括违规事件检测处理、违规事件预测处理和违规事件避障处理中的至少一种。
在其中一个实施例中,基于各环境车辆的多个参考车辆信息和目标车辆所在道路对应的车道级地图,对各环境车辆进行违规事件处理,得到违规事件处理结果,包括:
针对各环境车辆,将环境车辆的各参考车辆信息映射至车道级地图中,得到参考地图;
根据环境车辆的参考映射点、车道级地图中车道线的属性信息和标识信息以及交通规则,对环境车辆进行违规事件检测处理,得到违规事件检测结果;参考映射点为参考车辆信息对应在参考地图中的映射点;
基于违规事件检测结果,确定违规事件处理结果。
在其中一个实施例中,基于违规事件检测结果,确定违规事件处理结果,包括:
根据违规事件检测结果,判断是否需要对环境车辆进行候选检测处理得到第一判断结果,并根据第一判断结果和环境车辆的参考车辆信息获取违规事件处理结果;候选检测处理包括违规事件预测处理和/或违规事件避障处理。
在其中一个实施例中,违规事件处理结果包括违规事件避障处理结果;根据违规事件检测结果,判断是否需要对环境车辆进行候选检测处理得到第一判断结果,并根据第一判断结果和环境车辆的参考车辆信息获取违规事件处理结果,包括:
若违规事件检测结果为发生违规事件,则确定第一判断结果为不需要对环境车辆进行候选检测处理;
获取目标车辆的多个参考车辆信息;
基于目标车辆的各参考车辆信息和环境车辆的各参考车辆信息,对目标车辆进行违规事件避障处理,得到违规事件处理结果。
在其中一个实施例中,上述根据违规事件检测结果,判断是否需要对环境车辆进行候选检测处理得到第一判断结果,并根据第一判断结果和环境车辆的参考车辆信息获取违规事件处理结果,包括:
若违规事件检测结果为未发生违规事件,则确定第一判断结果为需要对环境车辆进行候选检测处理;
获取环境车辆的多个预测车辆信息,并将各预测车辆信息映射至参考地图中;
基于环境车辆的预测映射点、车道线的属性信息和标识信息以及交通规则,对环境车辆进行候选检测处理,得到违规事件处理结果;预测映射点为各预测车辆信息对应在参考地图中的映射点。
在其中一个实施例中,基于环境车辆的预测映射点、车道线的属性信息和标识信息以及交通规则,对环境车辆进行候选检测处理,得到违规事件处理结果,包括:
根据环境车辆的预测映射点、车道线的属性信息和标识信息以及交通规则,采用长短期记忆模型,对环境车辆进行违规事件预测处理,得到违规事件预测结果;
根据违规事件预测结果,判断是否需要对环境车辆进行违规事件避障处理得到第二判断结果,并根据第二判断结果获取违规事件处理结果。
在其中一个实施例中,根据违规事件预测结果,判断是否需要对环境车辆进行违规事件避障处理得到第二判断结果,并根据第二判断结果获取违规事件处理结果,包括:
若违规事件预测结果为存在发生违规事件的意图,则确定第二判断结果为需要对环境车辆进行违规事件避障处理;
基于目标车辆的参考车辆信息和环境车辆的参考车辆信息,对环境车辆进行违规事件避障处理,得到违规事件避障处理。
在其中一个实施例中,上述方法还包括:
若违规事件预测结果为不存在发生违规事件的意图,则继续执行对环境目标车辆进行违规事件处理的步骤。
在其中一个实施例中,上述方法还包括:
在违规事件检测处理为发生违规事件或者违规事件预测结果为存在发生违规事件的意图时,检测违规事件是否影响目标车辆的行驶状态;
若违规事件不影响目标车辆的行驶状态,则对违规事件进行记录,并对违规事件的相关信息发送给交通违规管理系统进行存档;
其中,相关信息包括违规事件的类型、发生违规事件的环境车辆的行驶信息和属性信息以及违规事件的相关图像。
在其中一个实施例中,目标车辆上安装的多个传感器包括多个雷达设备和多个摄像设备;获取目标车辆上安装的多个传感器检测到的周围预设范围内的至少一个环境车辆,包括:
获取多个雷达设备发送的感测数据和多个摄像设备发送的采集图像;
基于感测数据和采集图像,检测目标车辆周围预设范围内的至少一个车辆。
第二方面,本申请提供了一种交通违规事件处理装置,该装置包括:
环境车辆获取模块,用于获取目标车辆上安装的多个传感器检测到的周围预设范围内的至少一个环境车辆;其中,多个传感器分别安装于目标车辆外表面的不同方位处,预设范围为预设距离内的全覆盖范围;
目标跟踪处理模块,用于对各环境车辆进行目标跟踪处理,分别得到各环境车辆行驶时的多个参考车辆信息;
违规事件处理模块,用于根据各环境车辆的多个参考车辆信息和目标车辆所在道路对应的车道级地图,对各环境车辆进行违规事件处理,得到违规事件处理结果;车道级地图包括道路中车道线的属性信息和标识信息,违规事件处理包括违规事件检测处理、违规事件预测处理和违规事件避障处理中的至少一种。
第三方面,本申请提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,该处理器执行计算机程序时实现上述第一方面任一实施例的方法的步骤。
第四方面,本申请提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述第一方面任一实施例的方法的步骤。
第五方面,本申请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上述第一方面任一实施例的方法的步骤。
本申请提供的交通违规事件处理方法、装置、计算机设备、介质及产品,可以获取目标车辆上安装的多个传感器检测到的周围预设范围内的至少一个环境车辆,对各环境车辆进行目标跟踪处理,分别得到各环境车辆行驶时的多个参考车辆信息,并基于各环境车辆的多个参考车辆信息和目标车辆所在道路对应的车道级地图,对各环境车辆进行违规事件处理得到违规事件处理结果;采用上述方法可以通过车辆所处道路的车道级地图参与违规事件处理,使得违规事件处理结果的精确度较高,进一步还能够避免车辆后续发生类似违规事件的概率;同时,该方法仅需要在车辆的外表面安装多个传感器就可以实现违规事件处理,实现场景简单,且易实现;再者,该方法能够避免通过固定设置的相机采集到分辨率较低的图像来实现违规事件处理的问题,可以通过车辆的外表面上安装多个传感器检测到的精度较高的数据作为基础数据,并结合车辆所处道路的车道级地图来实现违规事件处理,能够在极大程度上提高违规事件处理结果的精确度。
附图说明
图1为一个实施例中交通违规事件处理方法的应用环境图;
图2为一个实施例中交通违规事件处理方法的流程示意图;
图3为另一个实施例中交通违规事件处理方法的流程示意图;
图4为另一个实施例中交通违规事件处理方法的流程示意图;
图5为另一个实施例中交通违规事件处理方法的流程示意图;
图6为另一个实施例中交通违规事件处理方法的流程示意图;
图7为另一个实施例中交通违规事件处理方法的流程示意图;
图8为另一个实施例中交通违规事件处理方法的流程示意图;
图9为一个实施例中交通违规事件处理装置的结构框图;
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。
在交通领域中,对道路上行驶车辆的交通违规事件进行精准处理,能够极大程度上降低后续行驶车辆发生类似交通违规事件的频率。相关技术中,主要采用基于相机的目标检测方法对道路上的行驶车辆的交通违规事件进行处理。然而,相关技术中采用相机采集到的图像实现行驶车辆的交通违规事件处理,会导致交通违规事件处理结果不准确。
基于此,本申请实施例提供一种交通违规事件处理方法,可以提高道路上车辆的交通违规事件处理结果的精准度。该交通违规事件处理方法可以适应于图1中的交通违规事件处理系统,该交通违规事件处理系统包括多个传感器和计算机设备,这里的多个分别安装于车辆的外表面上,图1中的“●”表示传感器,且图1中仅示出了多个传感器的一种设置位置,但实际应用中并不限于图1中的设置。其中,上述多个传感器和计算机设备可以进行通信连接,该通信连接方式可以为wifi、蓝牙、移动数据等等。
可选地,上述计算机设备可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,还可以用独立的服务器或者是多个服务器组成的服务器集群来实现,本实施例对计算机设备的具体形式不做限定,图1中是以个人计算机为例对计算机设备进行示意。上述传感器可以为位置传感器、速度传感器、加速度传感器和图像传感器等等,对此本申请实施例不做限定。下面本实施例实施例以执行主体为计算机设备来介绍交通违规事件处理方法的具体过程。
如图2所示为本申请实施例提供的交通违规事件处理方法的流程示意图,该交通违规事件处理方法可以包括以下步骤:
S100、获取目标车辆上安装的多个传感器检测到的周围预设范围内的至少一个环境车辆。其中,多个传感器分别安装于目标车辆外表面的不同方位处,预设范围为预设距离内的全覆盖范围。
具体地,上述目标车辆可以为机动车辆,还可以为非机动车辆,对此本申请实施例不做限定。并且,上述目标车辆和环境车辆的类型可以相同,也可以不相同。其中,目标车辆上可以安装多个传感器,多个传感器的分别安装于目标车辆外表面的不同方位处,该方位可以为目标车辆的左侧、右侧、前侧、后侧、左前方角点、右前方角点、左后方角点或右后方角点等等位置。上述预测范围可以理解为以目标车辆为中心,预设距离为半径的圆形区域,即预设距离内的全覆盖范围;这里的预设距离可以等于传感器的检测距离。
在本申请实施例中,目标车辆上安装的多个传感器检测到的周围预设范围内的至少一个环境车辆可以理解为,采用目标检测算法对多个传感器检测到的数据进行检测处理,得到目标车辆周围预设范围内的至少一个环境车辆。可选地,上述目标检测算法可以为基于卷积神经网络、线性回归和支持向量机等算法,还可以为空间金字塔池化网络算法、基于区域的全卷积神经网络算法等等。
S200、对各环境车辆进行目标跟踪处理,分别得到各环境车辆行驶时的多个参考车辆信息。
为了能够准确地对目标车辆周围各环境车辆进行实时跟踪,可以对各环境车辆进行目标跟踪处理,分别得到各环境车辆行驶时的多个参考车辆信息。可选地,上述目标跟踪处理可以包括检测处理和跟踪处理。这里的检测处理可以理解为采用目标检测算法,对多个传感器检测到的数据中环境车辆进行检测的过程;这里的跟踪处理可以理解为基于检测结果对多个传感器检测到的数据中环境车辆进行实时跟踪,以得到环境车辆行驶时的多个参考车辆信息(即确定环境车辆在行驶过程中不同时刻所处的位置信息、环境车辆的尺寸信息、环境车辆在行驶过程中不同时刻的行驶角度、环境车辆的类别信息)的过程。
在本申请实施例中,跟踪处理可以采用多目标跟踪算法(如,sort算法中的预测算法、DeepSort算法)、无迹卡尔曼滤波算法实现。
S300、基于各环境车辆的多个参考车辆信息和目标车辆所在道路对应的车道级地图,对各环境车辆进行违规事件处理,得到违规事件处理结果。其中,车道级地图包括道路中车道线的属性信息和标识信息,违规事件处理包括违规事件检测处理、违规事件预测处理和违规事件避障处理中的至少一种。
在本申请实施例中,目标车辆所在道路对应的车道级地图可以为一种预先配置好的目标道路对应的高精度地图,该道路地图可以存储至本地、云端、硬盘、网盘等位置。因此,计算机设备可以从本地、云端、硬盘、网盘等位置获取目标车辆所在道路对应的车道级地图,并通过车道级地图和上文步骤中获取到的各环境车辆的多个参考车辆信息,对各环境车辆进行违规事件处理,得到违规事件处理结果。
一实施例中,对各环境车辆进行违规事件处理的方式可以是预先训练好一种算法模型,将上述步骤中获取到的各环境车辆的多个参考车辆信息和车道级地图均输入到该算法模型中,通过该算法模型输出违规事件处理结果。
又一实施例中,对各环境车辆进行违规事件处理的方式还可以是通过各环境车辆的多个参考车辆信息、道路中车道线的属性信息和标识信息进行位置分析、车道线类型检测、距离计算和/或违规事件判别等处理,得到违规事件处理结果。可选地,上述道路中车道线的属性信息可以为车道线的位置信息、尺寸、形状和颜色等等信息,车道线的形状可以为矩形或S形;上述车道线的标识信息可以理解为道路中车道线的编号或标识,用以区分道路中多个不同的车道线。
本申请实施例中的交通违规事件处理方法,可以获取目标车辆上安装的多个传感器检测到的周围预设范围内的至少一个环境车辆,对各环境车辆进行目标跟踪处理,分别得到各环境车辆行驶时的多个参考车辆信息,并基于各环境车辆的多个参考车辆信息和目标车辆所在道路对应的车道级地图,对各环境车辆进行违规事件处理得到违规事件处理结果。上述方法可以通过车辆所处道路的车道级地图参与违规事件处理,使得违规事件处理结果的精确度较高,进一步还能够避免车辆后续发生类似违规事件的概率;同时,该方法仅需要在车辆的外表面安装多个传感器就可以实现违规事件处理,实现场景简单,且易实现;再者,该方法能够避免通过固定设置的相机采集到分辨率较低的图像来实现违规事件处理的问题,可以通过车辆的外表面上安装多个传感器检测到的精度较高的数据作为基础数据,并结合车辆所处道路的车道级地图来实现违规事件处理,能够在极大程度上提高违规事件处理结果的精确度。
下面对上述基于各环境车辆的多个参考车辆信息和目标车辆所在道路对应的车道级地图,对各环境车辆进行违规事件处理得到违规事件处理结果的过程进行说明。在一实施例中,如图3所示,上述S300中的步骤可以通过以下方式实现:
S310、针对各环境车辆,将环境车辆的各参考车辆信息映射至车道级地图中,得到参考地图。
具体地,针对各环境车辆,可以将环境车辆的各参考车辆信息映射至车道级地图中,得到参考地图。其中,若车道级地图所处的坐标系与环境车辆的各参考车辆信息的坐标系为同一坐标系时,可以直接将环境车辆的各参考车辆信息映射至车道级地图中;若车道级地图所处的坐标系与环境车辆的各参考车辆信息的坐标系为不同坐标系时,可以对环境车辆的参考车辆信息进行坐标转换处理,以将环境车辆的各参考车辆信息转换至车道级地图所处的坐标系下,然后将各转换后的参考车辆信息映射至车道级地图中。
其中,对环境车辆的各参考车辆信息进行坐标转换处理,以将环境车辆的各参考车辆信息转换至车道级地图所处的坐标系下的方式可以是将各参考车辆信息中的位置信息与坐标转换矩阵相乘,得到环境车辆在车道级地图上的位置信息。可选地,该坐标转换矩阵可以为从环境车辆的各参考车辆信息的坐标系转换至车道级地图所处的坐标系的坐标转换关系。
S320、根据环境车辆的参考映射点、车道级地图中车道线的属性信息和标识信息以及交通规则,对环境车辆进行违规事件检测处理,得到违规事件检测结果。其中,参考映射点为参考车辆信息对应在参考地图中的映射点。
在实际应用中,是将环境车辆的参考车辆信息中的位置信息映射至车道级地图中,对应得到环境车辆在车道级地图中的参考映射点。可选地,上述交通规则可以理解为道路上交通标线的压线规则和交通标识的通行规则。其中,上述交通标线可以为白色实线、单黄实线、双黄实线、黄色虚实线、黄色禁止停车实线和禁停网格线等等;上述交通标识可以为红灯、绿灯、道路限速和道路可行驶车型等等。
这里需要说明的是,若交通标线为白色实线时,交通规则可以为道路上相邻车道之间的禁压分隔线;若交通标线为单黄实线或双黄实线时,交通规则可以为道路上双方向车道之间的禁压分隔线;若交通标线为黄色虚实线时,交通规则可以为道路上允许掉头的双方向车道路段;若交通标线为黄色禁止停车实线时,交通规则可以为禁止任何车辆停放的路段;若交通标线为禁停网格线时,交通规则可以为禁止任何车辆停放的区域。若交通标识为红灯时,交通规则可以为禁止车辆和行人通行;若交通标识为绿灯时,交通规则可以为允许车辆和行人通行;若交通标识为道路限速时,交通规则可以为车辆行驶速度需要低于限速值;若交通标识为道路可行驶车型时,交通规则可以为标识中的可行驶车型能够在道路上通行,可行驶车型之外的车辆禁止在道路上通信。
一实施例中,对环境车辆进行违规事件检测处理的方式可以是以环境车辆的中心点建立平面直角坐标系xoy,根据车道级地图中车道线的属性信息和标识信息确定不同车道线的位置信息,并将环境车辆的参考映射点的位置信息和不同车道线的位置信息均映射至该平面直角坐标系xoy中,获取参考映射点在x轴和y轴上的最大值和最小值以及不同车道线映射在x轴和y轴上的最大值和最小值,然后判断不同参考映射点在x轴上的最大值和/或最小值是否位于环境车辆映射在x轴上的最大值和最小值之间,且不同参考映射点在y轴上的最大值和/或最小值是否位于环境车辆映射在y轴上的最大值和最小值之间,若是,则确定环境车辆位于车道线上,之后根据车道线对应的交通规则确定违规事件检测结果。
又一实施例中,对环境车辆进行违规事件检测处理的方式还可以是分别根据环境车辆的参考映射点的位置信息和不同车道线的属性信息中的位置信息进行曲线拟合,得到环境车辆对应的曲线方程和不同车道线对应的曲线方程,针对各车道线对应的曲线方程,将环境车辆对应的曲线方程分别与车道线对应的曲线方程组合求解,若环境车辆对应的曲线方程与车道线对应的曲线方程之间存在对应交点,则确定环境车辆位于车道线上,之后根据车道线对应的交通规则确定违规事件检测结果。
S330、基于违规事件检测结果,确定违规事件处理结果。
可选地,上述违规事件检测结果可以为环境车辆发生违规事件,还可以为环境车辆未发生违规事件。基于上述步骤中确定的各环境车辆的违规事件检测结果,可以通过环境车辆行驶时的多个参考车辆信息进行预测处理、避障处理和/或路径规划处理等等,得到违规事件处理结果。违规事件处理结果可以理解为规划目标车辆安全行驶的行驶路径和行驶速度,并且目标车辆按照规划的行驶路径和行驶速度向前继续行驶,会避开发生违规事件的环境车辆。
本申请实施例中的技术方案,可以针对各环境车辆,将环境车辆的各参考车辆信息映射至车道级地图中得到参考地图,根据环境车辆的参考映射点、车道级地图中车道线的属性信息和标识信息以及交通规则,对环境车辆进行违规事件检测处理得到违规事件检测结果,并基于违规事件检测结果,确定违规事件处理结果;该方法可以将环境车辆的实时位置映射至车道级地图上,以精准定位环境车辆与车道线的位置关系,进而根据环境车辆与车道线的位置关系确定违规事件检测结果,提高了违规事件检测结果的准确性,并且基于获取到的违规事件检测结果确定违规事件处理结果,能够提高确定出的违规事件处理结果的准确性,进一步降低车辆发生类似违规事件的概率。
下面对上述基于违规事件检测结果,确定违规事件处理结果的过程进行说明。在一实施例中,上述S300中的步骤可以包括:根据违规事件检测结果,判断是否需要对环境车辆进行候选检测处理得到第一判断结果,并根据第一判断结果和环境车辆的参考车辆信息获取违规事件处理结果。其中,候选检测处理包括违规事件预测处理和/或违规事件避障处理。
具体地,计算机设备可以通过违规事件检测结果判断是否需要对环境车辆进行违规事件预测处理和/或违规事件避障处理得到第一判断结果,并基于第一判断结果,对环境车辆的参考车辆信息进行预测处理、避障处理和/或路径规划处理,得到违规事件处理结果。可选地,第一判断结果可以为需要对环境车辆进行候选检测处理或不需要对环境车辆进行候选检测处理。
其中,上述违规事件处理结果包括违规事件避障处理结果;则如图4所示,上述根据违规事件检测结果,判断是否需要对环境车辆进行候选检测处理得到第一判断结果,并根据第一判断结果和环境车辆的参考车辆信息获取违规事件处理结果的过程,可以包括以下步骤:
S340、若违规事件检测结果为发生违规事件,则确定第一判断结果为需要对环境车辆进行候选检测处理。
在实际应用中,若违规事件检测结果为环境车辆发生违规事件时,可以确定需要对环境车辆进行候选检测处理,即第一判断结果。并且在该情况下可以直接对环境车辆进行违规事件避障处理。
S350、获取目标车辆的多个参考车辆信息。
具体地,若违规事件检测结果为发生违规事件时,可以获取目标车辆上安装的全球定位系统检测到的目标车辆的各参考车辆信息。可选地,目标车辆的多个参考车辆信息可以为目标车辆在一段时间段内的车辆行驶信息;目标车辆的多个参考车辆信息与环境车辆的多个参考车辆信息的类型可以相同,也就是,目标车辆的多个参考车辆信息可以为目标车辆在一段时间段内不同时刻所处的位置信息和目标车辆的尺寸信息;该时间段与环境车辆的所有参考车辆信息对应的时间段相同。这里需要说明的是,不同时刻目标车辆的尺寸信息均是相同的。
S360、基于目标车辆的各参考车辆信息和环境车辆的各参考车辆信息,对目标车辆进行违规事件避障处理,得到违规事件处理结果。
可选地,上述目标车辆的各参考车辆信息可以为目标车辆在行驶过程中不同时刻所处的位置信息和目标车辆的尺寸信息;其中,目标车辆的所有参考车辆信息对应的时间段与环境车辆的所有参考车辆信息对应的时间段相同。
基于获取到的目标车辆的各参考车辆信息和环境车辆的各参考车辆信息,可以对环境车辆进行违规事件避障处理,得到违规事件处理结果。
例如,对环境车辆进行违规事件避障处理的方式可以是采用避障算法,根据目标车辆的各参考车辆信息和环境车辆的各参考车辆信息进行违规事件避障处理,得到违规事件避障结果。可选地,避障算法可以为快速扩展随机树算法、概率路线图方法、人工视场法等等。
或者,对环境车辆进行违规事件避障处理的方式还可以是根据环境车辆的各参考车辆信息,对目标车辆的各参考车辆信息进行调整,以避开发生违规事件的环境车辆进行安全行驶。
本申请实施例中的技术方案,可以在违规事件检测结果为发生违规事件时,获取目标车辆的多个参考车辆信息,并基于目标车辆的各参考车辆信息和环境车辆的各参考车辆信息,对环境车辆进行违规事件避障处理得到违规事件避障处理;该方法可以在确定环境车辆发生违规事件时,能够对环境车辆自身进行违规事件避障处理,以得到能够使目标车辆自身安全行驶的行驶路径和行驶速度,从而保证目标车辆安全行驶,提高目标车辆的安全性,降低目标车辆后续发生类似交通事故的概率。
在一实施例中,如图5所示,上述根据违规事件检测结果,判断是否需要对环境车辆进行候选检测处理得到第一判断结果,并根据第一判断结果和环境车辆的参考车辆信息获取违规事件处理结果的过程,可以包括以下步骤:
S370、若违规事件检测结果为未发生违规事件,则确定第一判断结果为需要对环境车辆进行候选检测处理。
在实际应用中,若违规事件检测结果为环境车辆未发生违规事件时,可以确定第一判断结果为需要对环境车辆进行候选检测处理。
S380、获取环境车辆的多个预测车辆信息,并将各预测车辆信息映射至参考地图中。
具体地,计算机设备可以通过环境车辆的多个参考车辆信息确定环境车辆的多个预测车辆信息,并将环境车辆的多个预测车辆信息映射至参考地图中。
例如,通过环境车辆的多个参考车辆信息确定环境车辆的多个预测车辆信息的方式可以是通过拟合算法,对环境车辆的多个参考车辆信息进行拟合处理,得到环境车辆的多个预测车辆信息。可选地,该拟合算法可以为最小二乘法、插值法、多项式拟合法等等。
又例如,通过环境车辆的多个参考车辆信息确定环境车辆的多个预测车辆信息的方式还可以是采用预测算法,通过环境车辆的多个参考车辆信息进行预测处理,得到环境车辆的多个预测车辆信息。可选地,该预测算法可以为线性回归分析法、逻辑回归分析法、平均法等等。
在本申请实施例中,可以将环境车辆的多个预测车辆信息中的位置信息映射至参考地图中,并且在映射时,可以通过不同的标记来区分参考地图中预测车辆信息对应的预测映射点和参考车辆信息对应的参考映射点。
S390、基于环境车辆的预测映射点、车道线的属性信息和标识信息以及交通规则,对环境车辆进行候选检测处理,得到违规事件处理结果。其中,预测映射点为各预测车辆信息对应在参考地图中的映射点。
其中,基于上文获取到的参考地图上的环境车辆的预测映射点、车道线的属性信息和标识信息以及交通规则,可以先对环境车辆进行违规事件预测处理,然后根据违规事件预测处理结果确定是否需要对环境车辆进行违规事件避障处理,若确定需要对环境车辆进行违规事件避障处理,则对环境车辆进行违规事件避障处理,得到违规事件处理结果。另外,若确定不需要对环境车辆进行违规事件避障处理,则对环境车辆不进行违规事件避障处理,可以直接得到违规事件处理结果。
本申请实施例中的技术方案,可以在违规事件检测结果为不发生违规事件时,先对环境车辆进行违规事件预测处理,然后根据违规事件预测处理结果确定是否需要对环境车辆进行违规事件避障处理,之后根据确定结果以执行相应处理得到违规事件处理结果;该方法可以对未来一段时间内环境车辆的违规事件进行预测,以根据预测结果在极大程度上排除目标车辆行驶环境中的安全隐患,确定出目标车辆自身安全行驶的行驶路径和行驶速度,从而保证目标车辆安全行驶,提高目标车辆的安全性,降低目标车辆后续发生类似交通事故的概率。
下面对上述基于环境车辆的预测映射点、车道线的属性信息和标识信息以及交通规则,对环境车辆进行候选检测处理,得到违规事件处理结果的过程进行说明。在一实施例中,如图6所示,上述S390中的步骤可以包括:
S391、根据环境车辆的预测映射点、车道线的属性信息和标识信息以及交通规则,采用长短期记忆模型,对环境车辆进行违规事件预测处理,得到违规事件预测结果。
具体地,上述长短期记忆模型可以为预先训练好的模型,即(Long Short-TermMemory,LSTM)。可选地,长短期记忆模型可以通过循环神经网络模型生成。
其中,计算机设备可以获取不同环境车辆的预测样本映射点、车道线的属性信息和标识信息以及交通规则,并将不同环境车辆的预测样本映射点、车道线的属性信息和标识信息以及交通规则输入至初始长短期记忆模型中,得到初始违规事件预测结果,通过损失函数计算初始违规事件预测结果与标准违规事件预测结果之间的预测误差值,并根据预测误差值更新初始长短期记忆模型中的初始网络参数,不断迭代以上训练步骤,直到预测误差值满足预设误差阈值或迭代次数达到预设迭代次数阈值为止,得到训练好的长短期记忆模型。可选地,上述标准违规事件预测结果可以为理想化的违规事件预测结果,也就是网络训练的金标准。可选地,上述损失函数可以交叉熵损失函数、均方误差损失函数、KL散度损失函数、或平方损失函数等等。
基于预先训练好的长短期记忆模型,可以将环境车辆的预测映射点、车道线的属性信息和标识信息以及交通规则均输入至长短期记忆模型,以通过长短期记忆模型对环境车辆进行违规事件预测处理得到违规事件预测结果。
S392、根据违规事件预测结果,判断是否需要对环境车辆进行违规事件避障处理得到第二判断结果,并根据第二判断结果获取违规事件处理结果。
可选地,第二判断结果可以为需要对环境车辆进行违规事件避障处理,还可以为不需要对环境车辆进行违规事件避障处理。
其中,若第二判断结果为需要对环境车辆进行违规事件避障处理时,可以对环境车辆进行违规事件避障处理,得到违规事件处理结果;若第二判断结果为不需要对环境车辆进行违规事件避障处理时,可以将预先规划好的目标车辆的行驶路径和行驶速度确定为违规事件处理结果。
其中,上述S392中根据违规事件预测结果,判断是否需要对环境车辆进行违规事件避障处理得到第二判断结果,并根据第二判断结果获取违规事件处理结果的步骤可以包括:若违规事件预测结果为存在发生违规事件的意图,则确定第二判断结果为需要对环境车辆进行违规事件避障处理;基于目标车辆的参考车辆信息和环境车辆的参考车辆信息,对环境车辆进行违规事件避障处理,得到违规事件避障处理。同时,若违规事件预测结果为不存在发生违规事件的意图,则继续执行对环境目标车辆进行违规事件处理的步骤。
本申请实施例中的技术方案,可以根据环境车辆的预测映射点、车道线的属性信息和标识信息以及交通规则,采用长短期记忆模型,对环境车辆进行违规事件预测处理,得到违规事件预测结果,并根据违规事件预测结果,判断是否需要对环境车辆进行违规事件避障处理得到第二判断结果,然后根据第二判断结果获取违规事件处理结果;该方法可以对环境车辆进行违规事件预测处理,并根据违规事件预测处理结果筛选出即将发生违规事件的环境车辆,进一步对即将发生违规事件的环境车辆进行违规事件避障处理,以得到能够使目标车辆安全行驶的行驶路径和行驶速度,极大程度上保证目标车辆在行驶过程中的安全性,减少交通事故的发生率。
在实际场景中,环境车辆发生违规事件后,不一定对目标车辆的正常行驶造成影响,因此,在执行违规事件避障处理之前,需要先检测违规事件是否影响目标车辆的行驶状态。基于此,在则一实施例中,在上述S320中对环境车辆进行违规事件检测处理的步骤之后,如图4所示,上述交通违规事件处理方法还可以包括以下步骤:
S321、在违规事件检测处理为发生违规事件或者违规事件预测结果为存在发生违规事件的意图时,检测违规事件是否影响目标车辆的行驶状态。
具体地,根据违规事件检测处理结果,得到第一环境车辆和/或第二环境车辆是否已经发生违规事件,在确定第一环境车辆和/或第二环境车辆为发生违规事件时,可以继续检测违规事件是否影响目标车辆的行驶状态。同时,根据违规事件预测处理结果,得到第一环境车辆和/或第二环境车辆是否具有即将发生违规事件的意图,在确定第一环境车辆和/或第二环境车辆为具有即将发生违规事件的意图时,可以继续检测违规事件是否影响目标车辆的行驶状态。可选地,违规事件是否影响目标车辆的行驶状态可以理解为发生违规事件的环境车辆是否影响目标车辆的行驶状态;该目标车辆的行驶状态可以包括快速行驶状态和慢速行驶状态。
例如,若违规事件检测处理为发生违规事件时,检测违规事件是否影响目标车辆的行驶状态的方式可以是通过目标车辆当前时刻的参考车辆信息、发生违规事件的环境车辆的参考车辆信息进行位置比较、速度比较和/或距离计算等处理,根据该处理结果确定违规事件是否影响目标车辆的行驶状态。又例如,若违规事件检测处理为发生违规事件时,检测违规事件是否影响目标车辆的行驶状态的方式还可以是预先训练好一种算法模型,将目标车辆当前时刻的参考车辆信息、发生违规事件的环境车辆的参考车辆信息均输入到该算法模型中,通过该算法模型输出违规事件是否影响目标车辆的行驶状态的结果。
同时,若违规事件预测结果为存在发生违规事件的意图时,检测违规事件是否影响目标车辆的行驶状态的方式可以是通过目标车辆当前时刻的参考车辆信息、即将发生违规事件的环境车辆的预测车辆信息进行位置比较、速度比较和/或距离计算等处理,根据该处理结果确定违规事件是否影响目标车辆的行驶状态。若违规事件检测处理为发生违规事件时,检测违规事件是否影响目标车辆的行驶状态的方式还可以是预先训练好一种算法模型,将目标车辆当前时刻的参考车辆信息、即将发生违规事件的环境车辆的预测车辆信息均输入到该算法模型中,通过该算法模型输出违规事件是否影响目标车辆的行驶状态的结果。
S322、若违规事件不影响目标车辆的行驶状态,则对违规事件进行记录,并对违规事件的相关信息发送给交通违规管理系统进行存档。其中,相关信息包括违规事件的类型、发生违规事件的环境车辆的行驶信息和属性信息以及违规事件的相关图像。
若确定违规事件不影响目标车辆的行驶状态时,不需要执行违规事件避障处理,可以仅对违规事件进行记录,以使交通管理部门对发生违规事件的环境车辆的车主进行相应惩罚,同时将违规事件的相关信息发送给交通违规管理系统进行存档,以备后续有实际应用需求时进行查看和参考。可选地,相关信息可以包括违规事件的类型、发生违规事件的环境车辆的行驶信息和违规事件的相关图像,这里的发生违规事件的环境车辆可以包括已经发生违规事件的环境车辆和即将发生违规事件的环境车辆。
在本申请实施例中,违规事件的类型可以是根据违规事件的严重程度确定的轻微事故、一般事故、重大事故和特大事故等等;上述行驶信息可以包括行驶路径、行驶速度和环境车辆的车牌号;上述相关图像可以为违规事件对应的初始图像。
本申请实施例中的技术方案,可以对不影响目标车辆行驶状态的违规事件进行记录,并将违规事件的相关信息发送给交通违规管理系统进行存档,以备后续有实际应用需求时进行快速查看和准确参考。
下面对交通违规事件处理方法的应用环境,以及基于应用环境如何获取目标车辆上安装的多个传感器检测到的周围预设范围内的至少一个环境车辆的过程进行说明。在一实施例中,目标车辆上安装的多个传感器包括多个雷达设备和多个摄像设备;上述S100中的步骤可以包括:
S110、获取多个雷达设备发送的感测数据和多个摄像设备发送的采集图像。
在本申请实施例中,目标车辆上安装有多个传感器,多个传感器包括多个雷达设备和多个摄像设备,多个雷达设备和多个摄像设备均是设置于目标车辆的外表面上。
可选地,上述雷达设备可以为脉冲雷达、连续波雷达、脉部压缩雷达或频率捷变雷达等等;上述摄像设备可以为摄像头、监控器或相机等等。在本申请实施例中,
为了提高交通违规事件处理结果的精准度,上述雷达设备为激光雷达或者毫米波雷达等等,即只要能够检测三维空间数据的雷达均可;上述摄像设备为相机,该相机可以为单目相机,但为了极大程度上提高交通违规事件处理结果的精准度,将摄像设备设置为双目相机。
其中,计算机设备可以获取不同时刻多个雷达设备发送的感测数据和多个摄像设备发送的采集图像。
S120、基于感测数据和采集图像,检测目标车辆周围预设范围内的至少一个车辆。
基于获取到的不同时刻多个雷达设备发送的感测数据和多个摄像设备发送的采集图像,针对各时刻,计算机设备可以通过同一时刻多个雷达设备发送的感测数据和多个摄像设备发送的采集图像,检测该时刻目标车辆周围预设范围内的至少一个车辆。
其中,通过同一时刻多个雷达设备发送的感测数据和多个摄像设备发送的采集图像,检测该时刻目标车辆周围预设范围内的至少一个车辆的方式可以是基于感测数据和采集图像进行检测处理和融合处理,得到目标车辆周围预设范围内的至少一个车辆。
同时,通过同一时刻多个雷达设备发送的感测数据和多个摄像设备发送的采集图像,检测该时刻目标车辆周围预设范围内的至少一个车辆的方式还可以是预先训练一个检测网络模型,然后将同一时刻的感测数据和采集图像均输入至该检测网络模型中,检测网络模型输出目标车辆周围预设范围内的至少一个车辆。可选地,检测网络模型可以是由区域卷积神经网络模型和目标检测模型(如,RetainNet模型、SSD模型)中的至少一种组合而成。
本申请实施例中的技术方案,可以通过安装在目标车辆上的多种传感器,动态实时采集目标车辆周围的环境数据,即感测数据和采集图像,可以提高环境数据的质量,并且通过该环境数据检测目标车辆周围预设范围内的至少一个车辆,能够提高检测结果的精确度。
一种实施例中,本申请还提供一种交通违规事件处理方法,目标车辆上安装的多个传感器包括多个雷达设备和多个摄像设备;该方法包括以下过程:
(1)获取多个雷达设备发送的感测数据和多个摄像设备发送的采集图像。
(2)基于感测数据和采集图像,检测目标车辆周围预设范围内的至少一个车辆;其中,多个传感器分别安装于目标车辆外表面的不同方位处,预设范围为预设距离内的全覆盖范围。
(3)对各环境车辆进行目标跟踪处理,分别得到各环境车辆行驶时的多个参考车辆信息。
(4)针对各环境车辆,将环境车辆的各参考车辆信息映射至车道级地图中,得到参考地图;车道级地图包括道路中车道线的属性信息和标识信息。
(5)根据环境车辆的参考映射点、车道级地图中车道线的属性信息和标识信息以及交通规则,对环境车辆进行违规事件检测处理,得到违规事件检测结果;参考映射点为参考车辆信息对应在参考地图中的映射点。
(6)根据违规事件检测结果,判断是否需要对环境车辆进行候选检测处理得到第一判断结果,并根据第一判断结果和环境车辆的参考车辆信息获取违规事件处理结果;候选检测处理包括违规事件预测处理和/或违规事件避障处理,违规事件处理包括违规事件检测处理、违规事件预测处理和违规事件避障处理中的至少一种。
其中,违规事件处理结果包括违规事件避障处理结果时,上述(6)中的过程可以通过以下步骤实现:
(61)若违规事件检测结果为发生违规事件,则确定第一判断结果为需要对环境车辆进行候选检测处理。
(62)获取目标车辆的多个参考车辆信息。
(63)基于目标车辆的各参考车辆信息和环境车辆的各参考车辆信息,对目标车辆进行违规事件避障处理,得到违规事件处理结果。
其中,上述(6)中的过程还可以通过以下步骤实现:
(64)若违规事件检测结果为未发生违规事件,则确定第一判断结果为需要对环境车辆进行候选检测处理。
(65)获取环境车辆的多个预测车辆信息,并将各预测车辆信息映射至参考地图中。
(66)根据环境车辆的预测映射点、车道线的属性信息和标识信息以及交通规则,采用长短期记忆模型,对环境车辆进行违规事件预测处理,得到违规事件预测结果;预测映射点为各预测车辆信息对应在参考地图中的映射点。
(67)若违规事件预测结果为不存在发生违规事件的意图,则继续执行对环境目标车辆进行违规事件处理的步骤;若违规事件预测结果为存在发生违规事件的意图,则确定第二判断结果为需要对环境车辆进行违规事件避障处理。
(68)基于目标车辆的参考车辆信息和环境车辆的参考车辆信息,对环境车辆进行违规事件避障处理,得到违规事件避障处理。
(7)在违规事件检测处理为发生违规事件或者违规事件预测结果为存在发生违规事件的意图时,检测违规事件是否影响目标车辆的行驶状态。
(8)若违规事件不影响目标车辆的行驶状态,则对违规事件进行记录,并对违规事件的相关信息发送给交通违规管理系统进行存档;其中,相关信息包括违规事件的类型、发生违规事件的环境车辆的行驶信息和属性信息以及违规事件的相关图像。
以上(1)至(8)中的执行过程具体可以参见上述实施例的描述,其实现原理和技术效果类似,在此不再赘述。
应该理解的是,虽然如上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交通违规事件处理方法的交通违规事件处理装置。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交通违规事件处理装置实施例中的具体限定可以参见上文中对于交通违规事件处理方法的限定,在此不再赘述。
在一个实施例中,如图9所示,提供了一种交通违规事件处理装置,包括:环境车辆获取模块11、目标跟踪处理模块12和违规事件处理模块13,其中:
环境车辆获取模块11,用于获取目标车辆上安装的多个传感器检测到的周围预设范围内的至少一个环境车辆;其中,多个传感器分别安装于目标车辆外表面的不同方位处,预设范围为预设距离内的全覆盖范围;
目标跟踪处理模块12,用于对各环境车辆进行目标跟踪处理,分别得到各环境车辆行驶时的多个参考车辆信息;
违规事件处理模块13,用于根据各环境车辆的多个参考车辆信息和目标车辆所在道路对应的车道级地图,对各环境车辆进行违规事件处理,得到违规事件处理结果;车道级地图包括道路中车道线的属性信息和标识信息,违规事件处理包括违规事件检测处理、违规事件预测处理和违规事件避障处理中的至少一种。
本实施例提供的交通违规事件处理装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,违规事件处理模块包括:信息映射单元、检测处理单元和确定单元,其中:
信息映射单元,用于针对各环境车辆,将环境车辆的各参考车辆信息映射至车道级地图中,得到参考地图;
检测处理单元,用于根据环境车辆的参考映射点、车道级地图中车道线的属性信息和标识信息以及交通规则,对环境车辆进行违规事件检测处理,得到违规事件检测结果;参考映射点为参考车辆信息对应在参考地图中的映射点;
确定单元,用于基于违规事件检测结果确定违规事件处理结果。
本实施例提供的交通违规事件处理装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,确定单元包括:判断子单元,其中:
判断子单元,用于根据违规事件检测结果,判断是否需要对环境车辆进行候选检测处理得到第一判断结果,并根据第一判断结果和环境车辆的参考车辆信息获取违规事件处理结果;候选检测处理包括违规事件预测处理和/或违规事件避障处理。
本实施例提供的交通违规事件处理装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,违规事件处理结果包括违规事件避障处理结果;判断子单元包括第一确定子单元、信息获取子单元和避障处理子单元,其中:
第一确定子单元,用于在违规事件检测结果为发生违规事件时,确定第一判断结果为需要对环境车辆进行候选检测处理;
信息获取子单元,用于获取目标车辆的多个参考车辆信息;
避障处理子单元,用于根据目标车辆的各参考车辆信息和环境车辆的各参考车辆信息,对目标车辆进行违规事件避障处理,得到违规事件处理结果。
本实施例提供的交通违规事件处理装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,判断子单元包括第二确定子单元、映射子单元和候选检测处理子单元,其中:
第二确定子单元,用于在违规事件检测结果为未发生违规事件时,确定第一判断结果为需要对环境车辆进行候选检测处理;
映射子单元,用于获取环境车辆的多个预测车辆信息,并将各预测车辆信息映射至参考地图中;
候选检测处理子单元,用于根据环境车辆的预测映射点、车道线的属性信息和标识信息以及交通规则,对环境车辆进行候选检测处理,得到违规事件处理结果;预测映射点为各预测车辆信息对应在参考地图中的映射点。
本实施例提供的交通违规事件处理装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,候选检测处理子单元具体用于:
根据环境车辆的预测映射点、车道线的属性信息和标识信息以及交通规则,采用长短期记忆模型,对环境车辆进行违规事件预测处理,得到违规事件预测结果;
根据违规事件预测结果,判断是否需要对环境车辆进行违规事件避障处理得到第二判断结果,并根据第二判断结果获取违规事件处理结果。
本实施例提供的交通违规事件处理装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,交通违规事件处理装置还包括:第一处理模块,其中,第一处理模块用于:
在检测到违规事件检测处理为发生违规事件或者违规事件预测结果为存在发生违规事件的意图时,检测违规事件是否影响目标车辆的行驶状态;
若违规事件不影响目标车辆的行驶状态,则对违规事件进行记录,并对违规事件的相关信息发送给交通违规管理系统进行存档;
其中,相关信息包括违规事件的类型、发生违规事件的环境车辆的行驶信息和属性信息以及违规事件的相关图像。
本实施例提供的交通违规事件处理装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,目标车辆上安装的多个传感器包括多个雷达设备和多个摄像设备;环境车辆获取模块包括:获取单元和检测单元,其中:
获取单元,用于获取多个雷达设备发送的感测数据和多个摄像设备发送的采集图像;
检测单元,用于根据感测数据和采集图像,检测目标车辆周围预设范围内的至少一个车辆。
本实施例提供的交通违规事件处理装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
关于交通违规事件处理装置的具体限定可以参见上文中对于交通违规事件处理方法的限定,在此不再赘述。上述交通违规事件处理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,该计算机设备内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。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。该计算机设备的数据库用于存储多个雷达设备发送的感测数据、多个摄像设备发送的采集图像以及违规事件处理结果。该计算机设备的网络接口用于与外部的终点通过网络连接通信。该计算机程序被处理器执行时以实现一种交通违规事件处理方法。
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:
获取目标车辆上安装的多个传感器检测到的周围预设范围内的至少一个环境车辆;其中,多个传感器分别安装于目标车辆外表面的不同方位处,预设范围为预设距离内的全覆盖范围;
对各环境车辆进行目标跟踪处理,分别得到各环境车辆行驶时的多个参考车辆信息;
基于各环境车辆的多个参考车辆信息和目标车辆所在道路对应的车道级地图,对各环境车辆进行违规事件处理,得到违规事件处理结果;车道级地图包括道路中车道线的属性信息和标识信息,违规事件处理包括违规事件检测处理、违规事件预测处理和违规事件避障处理中的至少一种。
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:
获取目标车辆上安装的多个传感器检测到的周围预设范围内的至少一个环境车辆;其中,多个传感器分别安装于目标车辆外表面的不同方位处,预设范围为预设距离内的全覆盖范围;
对各环境车辆进行目标跟踪处理,分别得到各环境车辆行驶时的多个参考车辆信息;
基于各环境车辆的多个参考车辆信息和目标车辆所在道路对应的车道级地图,对各环境车辆进行违规事件处理,得到违规事件处理结果;车道级地图包括道路中车道线的属性信息和标识信息,违规事件处理包括违规事件检测处理、违规事件预测处理和违规事件避障处理中的至少一种。
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:
获取目标车辆上安装的多个传感器检测到的周围预设范围内的至少一个环境车辆;其中,多个传感器分别安装于目标车辆外表面的不同方位处,预设范围为预设距离内的全覆盖范围;
对各环境车辆进行目标跟踪处理,分别得到各环境车辆行驶时的多个参考车辆信息;
基于各环境车辆的多个参考车辆信息和目标车辆所在道路对应的车道级地图,对各环境车辆进行违规事件处理,得到违规事件处理结果;车道级地图包括道路中车道线的属性信息和标识信息,违规事件处理包括违规事件检测处理、违规事件预测处理和违规事件避障处理中的至少一种。
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、存储、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-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。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。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 Random Access Memory,DRAM)等。
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发明专利范围的限制。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,本申请专利的保护范围应以所附权利要求为准。
Claims (14)
1.一种交通违规事件处理方法,其特征在于,所述方法包括:
获取目标车辆上安装的多个传感器检测到的周围预设范围内的至少一个环境车辆;其中,多个所述传感器分别安装于所述目标车辆外表面的不同方位处,所述预设范围为预设距离内的全覆盖范围;
对各所述环境车辆进行目标跟踪处理,分别得到各所述环境车辆行驶时的多个参考车辆信息;
基于各所述环境车辆的多个参考车辆信息和所述目标车辆所在道路对应的车道级地图,对各所述环境车辆进行违规事件处理,得到违规事件处理结果;所述车道级地图包括所述道路中车道线的属性信息和标识信息,所述违规事件处理包括违规事件检测处理、违规事件预测处理和违规事件避障处理中的至少一种。
2.根据权利要求1所述的方法,其特征在于,所述基于各所述环境车辆的多个参考车辆信息和所述目标车辆所在道路对应的车道级地图,对各所述环境车辆进行违规事件处理,得到违规事件处理结果,包括:
针对各所述环境车辆,将所述环境车辆的各参考车辆信息映射至所述车道级地图中,得到参考地图;
根据所述环境车辆的参考映射点、所述车道级地图中车道线的属性信息和标识信息以及交通规则,对所述环境车辆进行违规事件检测处理,得到违规事件检测结果;所述参考映射点为所述参考车辆信息对应在所述参考地图中的映射点;
基于所述违规事件检测结果,确定所述违规事件处理结果。
3.根据权利要求2所述的方法,其特征在于,所述基于所述违规事件检测结果,确定所述违规事件处理结果,包括:
根据所述违规事件检测结果,判断是否需要对所述环境车辆进行候选检测处理得到第一判断结果,并根据所述第一判断结果和所述环境车辆的参考车辆信息获取所述违规事件处理结果;所述候选检测处理包括所述违规事件预测处理和/或所述违规事件避障处理。
4.根据权利要求3所述的方法,其特征在于,所述违规事件处理结果包括违规事件避障处理结果;所述根据所述违规事件检测结果,判断是否需要对所述环境车辆进行候选检测处理得到第一判断结果,并根据所述第一判断结果和所述环境车辆的参考车辆信息获取所述违规事件处理结果,包括:
若所述违规事件检测结果为发生违规事件,则确定所述第一判断结果为需要对所述环境车辆进行候选检测处理;
获取所述目标车辆的多个参考车辆信息;
基于所述目标车辆的各参考车辆信息和所述环境车辆的各参考车辆信息,对所述目标车辆进行违规事件避障处理,得到违规事件处理结果。
5.根据权利要求3所述的方法,其特征在于,所述根据所述违规事件检测结果,判断是否需要对所述环境车辆进行候选检测处理得到第一判断结果,并根据所述第一判断结果和所述环境车辆的参考车辆信息获取所述违规事件处理结果,包括:
若所述违规事件检测结果为未发生所述违规事件,则确定所述第一判断结果为需要对所述环境车辆进行候选检测处理;
获取所述环境车辆的多个预测车辆信息,并将各所述预测车辆信息映射至所述参考地图中;
基于所述环境车辆的预测映射点、所述车道线的属性信息和标识信息以及所述交通规则,对所述环境车辆进行候选检测处理,得到所述违规事件处理结果;所述预测映射点为各所述预测车辆信息对应在所述参考地图中的映射点。
6.根据权利要求5所述的方法,其特征在于,所述基于所述环境车辆的预测映射点、所述车道线的属性信息和标识信息以及所述交通规则,对所述环境车辆进行候选检测处理,得到所述违规事件处理结果,包括:
根据所述环境车辆的预测映射点、所述车道线的属性信息和标识信息以及所述交通规则,采用长短期记忆模型,对所述环境车辆进行违规事件预测处理,得到违规事件预测结果;
根据所述违规事件预测结果,判断是否需要对所述环境车辆进行违规事件避障处理得到第二判断结果,并根据所述第二判断结果获取所述违规事件处理结果。
7.根据权利要求6所述的方法,其特征在于,所述根据所述违规事件预测结果,判断是否需要对所述环境车辆进行违规事件避障处理得到第二判断结果,并根据所述第二判断结果获取所述违规事件处理结果,包括:
若所述违规事件预测结果为存在发生所述违规事件的意图,则确定所述第二判断结果为需要对所述环境车辆进行违规事件避障处理;
基于所述目标车辆的参考车辆信息和所述环境车辆的参考车辆信息,对所述环境车辆进行违规事件避障处理,得到所述违规事件避障处理。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
若所述违规事件预测结果为不存在发生所述违规事件的意图,则继续执行所述对所述环境目标车辆进行违规事件处理的步骤。
9.根据权利要求2-8中任一项所述的方法,其特征在于,所述方法还包括:
在所述违规事件检测处理为发生所述违规事件或者所述违规事件预测结果为存在发生所述违规事件的意图时,检测所述违规事件是否影响所述目标车辆的行驶状态;
若所述违规事件不影响所述目标车辆的行驶状态,则对所述违规事件进行记录,并对所述违规事件的相关信息发送给交通违规管理系统进行存档;
其中,所述相关信息包括所述违规事件的类型、发生违规事件的环境车辆的行驶信息和属性信息以及所述违规事件的相关图像。
10.根据权利要求2-8中任一项所述的方法,其特征在于,所述目标车辆上安装的多个传感器包括多个雷达设备和多个摄像设备;所述获取目标车辆上安装的多个传感器检测到的周围预设范围内的至少一个环境车辆,包括:
获取多个所述雷达设备发送的感测数据和多个所述摄像设备发送的采集图像;
基于所述感测数据和所述采集图像,检测所述目标车辆周围所述预设范围内的至少一个车辆。
11.一种交通违规事件处理装置,其特征在于,所述装置包括:
环境车辆获取模块,用于获取目标车辆上安装的多个传感器检测到的周围预设范围内的至少一个环境车辆;其中,多个所述传感器分别安装于所述目标车辆外表面的不同方位处,所述预设范围为预设距离内的全覆盖范围;
目标跟踪处理模块,用于对各所述环境车辆进行目标跟踪处理,分别得到各所述环境车辆行驶时的多个参考车辆信息;
违规事件处理模块,用于根据各所述环境车辆的多个参考车辆信息和所述目标车辆所在道路对应的车道级地图,对各所述环境车辆进行违规事件处理,得到违规事件处理结果;所述车道级地图包括所述道路中车道线的属性信息和标识信息,所述违规事件处理包括违规事件检测处理、违规事件预测处理和违规事件避障处理中的至少一种。
12.一种计算机设备,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1-10中任一项所述的交通违规事件处理方法的步骤。
13.一种计算机可读存储介质,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1-10中任一项所述的交通违规事件处理方法的步骤。
14.一种计算机程序产品,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1-10中任一项所述的交通违规事件处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211344011.2A CN117994967A (zh) | 2022-10-31 | 2022-10-31 | 交通违规事件处理方法、装置、计算机设备、介质及产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211344011.2A CN117994967A (zh) | 2022-10-31 | 2022-10-31 | 交通违规事件处理方法、装置、计算机设备、介质及产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117994967A true CN117994967A (zh) | 2024-05-07 |
Family
ID=90891939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211344011.2A Pending CN117994967A (zh) | 2022-10-31 | 2022-10-31 | 交通违规事件处理方法、装置、计算机设备、介质及产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117994967A (zh) |
-
2022
- 2022-10-31 CN CN202211344011.2A patent/CN117994967A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109901139B (zh) | 激光雷达标定方法、装置、设备和存储介质 | |
CN109829351B (zh) | 车道信息的检测方法、装置及计算机可读存储介质 | |
US11226200B2 (en) | Method and apparatus for measuring distance using vehicle-mounted camera, storage medium, and electronic device | |
US9273971B2 (en) | Apparatus and method for detecting traffic lane using wireless communication | |
US10139832B2 (en) | Computer-assisted or autonomous driving with region-of-interest determination for traffic light analysis | |
US20220373353A1 (en) | Map Updating Method and Apparatus, and Device | |
US11460851B2 (en) | Eccentricity image fusion | |
US10369993B2 (en) | Method and device for monitoring a setpoint trajectory to be traveled by a vehicle for being collision free | |
CN110867132B (zh) | 环境感知的方法、装置、电子设备和计算机可读存储介质 | |
KR101439019B1 (ko) | 차량 제어 장치 및 그 자율 주행 방법 | |
CN112753038B (zh) | 识别车辆变道趋势的方法和装置 | |
Dey et al. | VESPA: A framework for optimizing heterogeneous sensor placement and orientation for autonomous vehicles | |
CN104167109A (zh) | 车辆位置的检测方法和检测装置 | |
CN110936959B (zh) | 车辆感知系统在线诊断和预测 | |
US20230282000A1 (en) | Multi-object tracking | |
CN115273039B (zh) | 一种基于摄像头的小障碍物探测方法 | |
US20150353084A1 (en) | Method and device for monitoring a setpoint trajectory of a vehicle | |
KR101030317B1 (ko) | 스테레오 비전을 이용하여 장애물을 추적하는 장치 및 방법 | |
CN115565058A (zh) | 机器人、避障方法、装置和存储介质 | |
CN114596706B (zh) | 路侧感知系统的检测方法及装置、电子设备和路侧设备 | |
CN117994967A (zh) | 交通违规事件处理方法、装置、计算机设备、介质及产品 | |
CN110909569B (zh) | 路况信息识别方法及终端设备 | |
CN114093155A (zh) | 交通事故责任溯源方法、装置、计算机设备和存储介质 | |
US20240094384A1 (en) | Object detection using reflective surfaces | |
CN117953694A (zh) | 车辆行驶环境感知方法、装置、计算机设备、介质及产品 |
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 |