CN118238828A - 加速驾驶风格识别方法、装置、可读介质及电子设备 - Google Patents
加速驾驶风格识别方法、装置、可读介质及电子设备 Download PDFInfo
- Publication number
- CN118238828A CN118238828A CN202211658097.6A CN202211658097A CN118238828A CN 118238828 A CN118238828 A CN 118238828A CN 202211658097 A CN202211658097 A CN 202211658097A CN 118238828 A CN118238828 A CN 118238828A
- Authority
- CN
- China
- Prior art keywords
- acceleration
- style
- driving
- behavior data
- sub
- 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
- 230000001133 acceleration Effects 0.000 title claims abstract description 778
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000006399 behavior Effects 0.000 claims abstract description 158
- 238000010801 machine learning Methods 0.000 claims abstract description 44
- 238000013507 mapping Methods 0.000 claims description 24
- 230000005484 gravity Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 18
- 238000011065 in-situ storage Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 238000003860 storage Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000003780 insertion Methods 0.000 description 5
- 230000037431 insertion Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本申请属于车辆技术领域,具体涉及一种加速驾驶风格识别方法、装置、可读介质及电子设备。该方法包括获取驾驶行为数据,驾驶行为数据包括用户行为数据和车辆信号数据;对用户行为数据进行分析,得到不同驾驶场景下对应的加速行为数据,根据加速行为数据以及与加速行为数据对应的加速子工况得到第一加速风格参数;将车辆信号数据输入已训练的第一机器学习模型,得到第二加速风格参数;将第一加速风格参数与第二加速风格参数进行融合,得到加速驾驶风格识别结果。如此,将第一加速风格参数与机器学习分析得到的第二加速风格参数进行融合,从而可以提高加速驾驶风格结果的准确性,使得输出的加速驾驶风格结果更加符合用户的操控需求。
Description
技术领域
本申请属于车辆技术领域,具体涉及一种加速驾驶风格识别方法、装置、可读介质及电子设备。
背景技术
驾驶风格是表征驾驶人固有驾驶方式的整体性评价指标。驾驶风格研究主要从节能驾驶、交通安全等角度,将驾驶人进行划分。既有研究表明,驾驶人的风格与交通安全密切关联:激进驾驶风格驾驶人存在频繁换道、急加减速、近距离跟驰等不良驾驶行为,易增加事故发生概率。通过驾驶风格研究,对驾驶人日常驾驶的不良驾驶风格进行检测或反馈,可实现对驾驶人驾驶行为的监管和教育,并辅助以相应措施从而提升行车安全性。其中,加速驾驶风格是针对加速情况下的驾驶人员对应的驾驶风格。
在相关技术方案中的车辆驾驶控制逻辑是既定不变的,无法根据用户自身的驾驶习惯进行自适应的调整,无法满足用户的操控需求。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本申请的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本申请的目的在于提供一种加速驾驶风格识别方法、装置、可读介质及电子设备,在一定程度上满足了用户的操控需求。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
根据本申请实施例的一个方面,提供一种加速驾驶风格识别方法,所述方法包括:
获取驾驶行为数据,所述驾驶行为数据包括用户行为数据和车辆信号数据;
对所述用户行为数据进行分析,得到不同驾驶场景下对应的加速行为数据,根据所述加速行为数据以及与所述加速行为数据对应的加速子工况得到第一加速风格参数;
将所述车辆信号数据输入已训练的第一机器学习模型,得到第二加速风格参数;
将所述第一加速风格参数与所述第二加速风格参数进行融合,得到加速驾驶风格识别结果。
根据本申请实施例的一个方面,提供一种加速驾驶风格识别装置,所述装置包括:
获取模块,用于获取驾驶行为数据,所述驾驶行为数据包括用户行为数据和车辆信号数据;
分析模块,用于对所述用户行为数据进行分析,得到不同驾驶场景下对应的加速行为数据,根据所述加速行为数据以及与所述加速行为数据对应的加速子工况得到第一加速风格参数;
训练模块,用于将所述车辆信号数据输入已训练的第一机器学习模型,得到第二加速风格参数;
融合模块,用于将所述第一加速风格参数与所述第二加速风格参数进行融合,得到加速驾驶风格识别结果。
在本申请的一些实施例中,基于以上技术方案,所述分析模块还用于,对所述加速行为数据中加速行为进行分解,得到多个加速子工况;计算各个所述加速子工况对应的加速重合度和加速介入度,以得到所述第一加速风格参数。
在本申请的一些实施例中,基于以上技术方案,所述分析模块还用于,获取所述加速行为数据中的道路信息、车辆信息以及前序场景;根据所述道路信息、所述车辆信息以及所述前序场景,得到多个加速子工况。
在本申请的一些实施例中,基于以上技术方案,所述分析模块还用于,获取所述加速子工况的加速起始点以及加速结束点;根据所述加速子工况的加速起始点以及加速结束点,计算得到所述加速重合度;根据所述加速起始点以及所述加速子工况的起始点,计算得到所述加速介入度,将所述加速重合度和所述加速介入度作为所述第一加速风格参数。
在本申请的一些实施例中,基于以上技术方案,所述分析模块还用于,获取所述加速子工况的起始点和终点;根据所述起始点和所述终点,得到总持续时长;根据所述加速起始点和所述加速结束点,得到加速时长;计算所述加速时长和所述总持续时长之间的比值,得到所述加速重合度。
在本申请的一些实施例中,基于以上技术方案,所述分析模块还用于,计算所述加速起始点与所述加速子工况的起始点之间的差值,得到第一差值;计算所述第一差值与所述总持续时长之间的比值,得到所述加速介入度。
在本申请的一些实施例中,基于以上技术方案,所述分析模块还用于,获取所述加速子工况中所包含的加速类型以及加速类型组合;根据所述加速类型组合以及所述加速类型的占比,得到加速类型比重系数,并将所述加速类型比重系数作为所述第一加速风格参数中的其中一个参数。
在本申请的一些实施例中,基于以上技术方案,所述分析模块还用于,获取所述加速子工况对应的油门信息;根据所述油门信息得到加速稳定度,并将所述加速稳定度作为所述第一加速风格参数中的其中一个参数。
在本申请的一些实施例中,基于以上技术方案,所述融合模块还用于,将所述第一加速风格参数与所述第二加速风格参数输入已训练的第二机器学习模型,输出加速驾驶风格识别结果。
在本申请的一些实施例中,基于以上技术方案,所述融合模块还用于,将所述加速子工况对应的加速重合度、加速介入度加速类型比重系数以及加速稳定度作为第一加速风格参数输入至所述第二机器学习模型;将所述第二加速风格参数输入至所述第二机器学习模型,通过所述第二机器学习模型输出所述加速驾驶风格识别结果。
在本申请的一些实施例中,基于以上技术方案,所述装置还包括映射模块,用于将所述加速驾驶风格识别结果与驾驶场景、加速行为进行映射,得到加速风格映射表。
在本申请的一些实施例中,基于以上技术方案,所述装置还包括映射模块还用于,获取与所述加速驾驶风格识别结果对应的加速控制逻辑;将所述加速控制逻辑与所述加速风格映射表进行映射,得到加速控制逻辑映射表。
根据本申请实施例的一个方面,提供一种计算机可读介质,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如以上技术方案中的加速驾驶风格识别方法。
根据本申请实施例的一个方面,提供一种电子设备,该电子设备包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器被配置为经由执行所述可执行指令来执行如以上技术方案中的加速驾驶风格识别方法。
根据本申请实施例的一个方面,提供一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行如以上技术方案中的加速驾驶风格识别方法。
在本申请实施例提供的技术方案中,先对用户行为数据进行分析,得到不同驾驶场景下对应的加速行为数据,根据加速行为数据以及与加速行为数据对应的加速子工况得到第一加速风格参数;然后,将车辆信号数据输入已训练的第一机器学习模型,得到第二加速风格参数;最后,将第一加速风格参数和第二加速风格参数进行融合,从而可以确定最终的加速驾驶风格识别结果。本申请实施例在考虑到不同驾驶场景下的对应的加速驾驶风格存在差异,因此,先得到不同驾驶场景下对应的加速行为数据,然后根据加速行为数据以及与加速行为数据对应的加速子工况得到第一加速风格参数,然后将第一加速风格参数与机器学习分析得到的第二加速风格参数进行融合,从而可以提高驾驶风格结果的准确性,使得输出的最终驾驶风格结果更加符合用户的操控需求。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。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示意性地示出了本申请一实施例提供的加速驾驶风格识别方法步骤流程。
图2示意性地示出了计算各个加速子工况对应的加速重合度和加速介入度,以得到第一加速风格参数的步骤流程。
图3示意性地示出了本申请一实施例提供的原地起步加速场景。
图4示意性地示出了本申请一实施例提供的行车再加速场景。
图5示意性地示出了本申请一实施例提供的行车再加速场景。
图6示意性地示出了本申请一实施例提供的行车再加速场景。
图7示意性地示出了本申请一实施例提供的原地起步加速工况场景。
图8示意性地示出了本申请一实施例提供的行车再加速工况场景。
图9示意性地示出了本申请一实施例提供的超车加速工况场景。
图10示意性地示出了本申请一实施例提供的弯道加速工况场景。
图11示意性地示出了本申请一实施例提供的低速换挡加速工况场景。
图12示意性地示出了本申请一实施例提供的加速驾驶风格识别方法示意图。
图13示意性地示出了本申请一实施例提供的驾驶风格分析算法部署示意图。
图14示意性地示出了本申请实施例提供的加速驾驶风格识别装置的结构框图。
图15示意性示出了适于用来实现本申请实施例的电子设备的计算机系统结构框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本申请将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本申请的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
下面结合具体实施方式对本申请提供的加速驾驶风格识别方法、装置、可读介质及电子设备做出详细说明。
参见图1,图1示意性地示出了本申请一实施例提供的加速驾驶风格识别方法步骤流程。该加速驾驶风格识别方法的执行主体可以为控制器,主要可以包括如下的步骤S101至步骤S104。
步骤S101,获取驾驶行为数据,驾驶行为数据包括用户行为数据和车辆信号数据。
在步骤S101中,可以从服务器或者数据库中获取驾驶行为数据。其中,驾驶行为数据包括用户行为数据和车辆信号数据,用户行为数据例如可以包括车速、加速度、制动频率等其他与驾驶行为相关的数据,而车辆信号数据指的是车辆的特性参数之类的数据,例如可以为车辆加速度特性、车辆扭矩特性、车辆车速特性、车辆转向特性、车辆油门特性等。这样,通过获取驾驶行为数据,从而有利于后续对加速行为进行分析,从而可以得到不同的驾驶风格结果。
步骤S102,对用户行为数据进行分析,得到不同驾驶场景下对应的加速行为数据,根据加速行为数据以及与加速行为数据对应的加速子工况得到第一加速风格参数。
在得到驾驶行为数据后,对驾驶行为数据中的用户行为数据分析,得到不同驾驶场景下对应的加速行为数据。在得到对应的加速行为数据后又进一步分析,得到多个加速子工况。其中,对于要得到加速子工况,可以通过算法模型中已经定义的各个子工况的情况,若加速行为数据的特征参数满足子工况边界阈值要求,则可以得到加速行为对应的行为子工况。在得到多个加速子工况之后,又对该加速子工况坐作进一步分析,以得到该加速子工况对应的第一加速风格参数。其中,第一加速风格参数例如可以为该加速子工况对应的加速重合度、加速介入度加速类型比重系数以及加速稳定度,通过获得第一加速风格参数,从而有利于分析得到对应的加速驾驶风格。
这样,基于对用户行为数据进行分析,得到不同驾驶场景下对应的加速行为数据,然后,针对性分析不同驾驶场景下加速行为数据对应的加速子工况的占比及偏好,从而得到不同场景下较准确的驾驶风格参数,以进一步有利于得到较准确的加速驾驶风格。
步骤S103,将车辆信号数据输入已训练的第一机器学习模型,得到第二加速风格参数。
在得到驾驶行为数据之后,将驾驶行为数据中的车辆信号数据输入到已经训练的第一机器学习模型中,通过第一机器学习模型,从而得到基于机器学习的驾驶风格数据分类结果,即可以得到第二加速风格参数。
步骤S104,将第一加速风格参数与第二加速风格参数进行融合,得到加速驾驶风格识别结果。
在得到第一加速风格参数与第二加速风格参数之后将二者进行融合,以得到最终的加速驾驶风格识别结果。本申请实施例相对于只通过机器学习对驾驶行为数据进行分析,得到加速驾驶风格识别结果的方案来说,由于本申请实施例综合考虑了用户的驾驶行为数据,即考虑了不同驾驶场景下的加速驾驶风格存在差异,先对驾驶行为数据进行分析得到第一加速风格参数,然后通过机器学习得到第二加速风格参数,最后将第一加速风格参数和第二加速风格参数进行融合,从而使得最后分析得到的最终加速驾驶风格识别结果更加准确。
在本申请实施例提供的技术方案中,先对用户行为数据进行分析,得到不同驾驶场景下对应的加速行为数据,根据加速行为数据以及与加速行为数据对应的加速子工况得到第一加速风格参数;然后,将车辆信号数据输入已训练的第一机器学习模型,得到第二加速风格参数;最后,将第一加速风格参数和第二加速风格参数进行融合,从而可以确定最终的加速驾驶风格识别结果。本申请实施例在考虑到不同驾驶场景下的对应的加速驾驶风格存在差异,因此,先得到不同驾驶场景下对应的加速行为数据,然后根据加速行为数据以及与加速行为数据对应的加速子工况得到第一加速风格参数,然后将第一加速风格参数与机器学习分析得到的第二加速风格参数进行融合,从而可以提高驾驶风格结果的准确性,使得输出的最终驾驶风格结果更加符合用户的操控需求。
在本申请的一个实施例中,根据加速行为数据以及与加速行为数据对应的加速子工况得到第一加速风格参数,包括:
对加速行为数据中加速行为进行分解,得到多个加速子工况;
计算各个加速子工况对应的加速重合度和加速介入度,以得到第一加速风格参数。
在得到加速行为数据后,对加速行为数据中的加速行为进行分解,得到多个加速子工况。例如,以驾驶场景为行车过程为例,行车过程包括稳态行驶再加速的加速行为,根据相关信号识别出当前的加速行为属于哪个加速子工况,假设稳态行驶再加速对应有多个加速子工况,例如对应子工况1、子工况2以及子工况3。在得到各个加速子工况之后,分别计算各个加速子工况对应的加速重合度和加速介入度,其中,加速重合度用于表示加速的时长,而加速介入度表示的加速的早晚。
这样,通过计算各个加速子工况对应的加速重合度和加速介入度,以得到第一加速风格参数,有利于针对性分析不同驾驶场景下加速行为数据对应的加速子工况的占比及偏好,从而得到不同场景下较准确的驾驶风格参数,以进一步有利于得到较准确的加速驾驶风格。
在本申请的一个实施例中,对加速行为数据中加速行为进行分解,得到多个加速子工况,包括:
获取加速行为数据中的道路信息、车辆信息以及前序场景;
根据道路信息、车辆信息以及前序场景,得到多个加速子工况。
参见下表,该表为不同的驾驶场景下的加速行为表:
通过该表可以得到驾驶场景下对应的加速行为,以及根据加速行为得到对应加速子工况的具体实现方式,例如,驾驶场景包括原地起步、行车过程、转向过程以及低速行驶档位切换,而各个驾驶场景中包含不同的加速行为,不同的加速行为又对应不同的加速子工况,例如,原地起步包括原地D档起步加速、原地R档起步加速等其他加速行为,则根据原地起步的道路情况、进一步细化成各种典型原地起步加速子工况。行车过程包括爬行过程加速、加速过程再加速、稳态行驶再加速、减速转加速等加速行为,则根据行车的道路情况、车辆的车速、油门等信号、前序场景、进一步细化成各种典型行车再加速子工况。转向过程包括弯道加速、调头加速、超车加速、变道加速等加速行为,则根据行车的道路情况、车辆的车速、转向等信号、前序场景、进一步细化成各种典型转向加速子工况。低速行驶档位切换包括D档行驶切换R档再加速、R档行驶切换D档再加速等加速行为,则根据行车的道路情况、车辆的车速、油门等信号、前序场景、进一步细化成各种典型低速换挡加速子工况。需要说明的是,该表只是列举了一部分的数据,在实际应用中,本领域技术人员可以根据实际需要获取相应的数据。
为了进一步理解基于加速行为得到多个加速子工况的具体实现方式,加速行为以稳态行驶再加速为例,参见下表,该表格列举了加速行为的子工况需要满足的特征数据。
将每个加速行为分解成多个典型的加速子工况,控制算法在识别当前的驾驶场景后,再根据相关信号识别出当前的加速行为属于哪个加速子工况,便于后续进行精细控制。
这样,通过算法模型中已经定义的各个子工况的情况,若加速行为数据的特征参数满足子工况边界阈值要求,则可以得到加速行为对应的行为子工况。
在本申请的一个实施例中,参见图2,图2示意性地示出了计算各个加速子工况对应的加速重合度和加速介入度,以得到第一加速风格参数的步骤流程。计算各个加速子工况对应的加速重合度和加速介入度,以得到第一加速风格参数,主要可以包括如下的步骤S201至步骤S203。
步骤S201,获取加速子工况的加速起始点以及加速结束点;
步骤S202,根据加速子工况的加速起始点以及加速结束点,计算得到加速重合度;
步骤S203,根据加速起始点以及加速子工况的起始点,计算得到加速介入度,将加速重合度和加速介入度作为第一加速风格参数。
其中,加速起始点指的是开始加速的时间点,加速结速点指的是结速加速的时间点,通过得到加速子工况的加速起始点和加速结速点,从而有利于计算加速重合度和加速介入度,以得到第一加速风格参数,进一步有利于针对性分析不同驾驶场景下加速行为数据对应的加速子工况的占比及偏好,从而得到不同场景下较准确的驾驶风格参数。
在本申请的一个实施例中,根据加速子工况的加速起始点以及加速结束点,计算得到加速重合度,包括:
获取加速子工况的起始点和终点;
根据起始点和终点,得到总持续时长;
根据加速起始点和加速结束点,得到加速时长;
计算加速时长和总持续时长之间的比值,得到加速重合度。
参见图3,图3示意性地示出了本申请一实施例提供的原地起步加速场景。该场景对应图3中的场景2,若要计算该场景下对应的加速重合度,则获取加速起始点和加速结束点,根据加速起始点和加速结束点,得到加速时长;然后,再获取整个场景2的总持续时长,该持续时长为该场景的起始点与终点的时长,通过计算加速时长和总持续时长之间的比值,从而得到加速重合度。
参见图4,图4示意性地示出了本申请一实施例提供的行车再加速场景。该场景对应图4中的场景2,若要计算该场景下对应的加速重合度,则获取加速起始点和加速结束点,根据加速起始点和加速结束点,得到加速时长;然后,再获取整个场景2的总持续时长,该持续时长为该场景的起始点与终点的时长,通过计算加速时长和总持续时长之间的比值,从而得到加速重合度。
参见图5,图5示意性地示出了本申请一实施例提供的行车再加速场景。该场景对应图5中的场景2,若要计算该场景下对应的加速重合度,则获取加速起始点和加速结束点,根据加速起始点和加速结束点,得到加速时长;然后,再获取整个场景2的总持续时长,该持续时长为该场景的起始点与终点的时长,通过计算加速时长和总持续时长之间的比值,从而得到加速重合度。
参见图6,图6示意性地示出了本申请一实施例提供的行车再加速场景。该场景对应图6中的场景2,若要计算该场景下对应的加速重合度,则获取加速起始点和加速结束点,根据加速起始点和加速结束点,得到加速时长;然后,再获取整个场景2的总持续时长,该持续时长为该场景的起始点与终点的时长,通过计算加速时长和总持续时长之间的比值,从而得到加速重合度。
综上,如图3-6中驾驶场景2包括(原地起步加速、行车再加速、转向加速和低速换挡再加速等),驾驶场景2的保持时间为Ts,如图3-6中场景2所在的两线之间的时间段为场景2保持时间tacc。在场景2中的加速行为保持时间为tacc,如图3-6中两箭头之间的时间段为场景2中加速行为保持时间。δ=tacc/Ts。其中,加速重合度的范围为0%~100%,加速重合度越大则驾驶场景2中的加速时间越长,通过计算加速重合度的大小,在一定程度上反映用户的驾驶风格和驾驶习惯。
这样,通过计算不同加速子工况对应的加速重合度,在一定程度上反映了用户的驾驶风格和驾驶习惯,从而后续分析得到较准确的驾驶风格结果。
在本申请的一个实施例中,根据加速起始点以及加速子工况的起始点,计算得到加速介入度,包括:
计算加速起始点与加速子工况的起始点之间的差值,得到第一差值;
计算第一差值与总持续时长之间的比值,得到加速介入度。
参见图3-6,在驾驶场景2中加速行为介入度表示加速开始的早晚状态,介入度满足公式θ=tacc_start-Tstart/Ts;tacc_start代表的是加速子工况的起始点,Tstart代表的是加速起始点,Ts为总持续时长。其中,加速介入度范围为0%~100%,加速介入度越小则驾驶场景2中的加速开始越早,加速介入度大小在一定程度上也反映了用户的驾驶风格和驾驶习惯。
这样,通过计算不同加速子工况对应的加速介入度,在一定程度上反映了用户的驾驶风格和驾驶习惯,从而后续分析得到较准确的驾驶风格结果。
在本申请的一个实施例中,在计算各个加速子工况对应的加速重合度和加速介入度之后,方法还包括:
获取加速子工况中所包含的加速类型以及加速类型组合;
根据加速类型组合以及加速类型的占比,得到加速类型比重系数,并将加速类型比重系数作为第一加速风格参数中的其中一个参数。
其中,加速类型包括急加速、常规加速和缓加速等加速类型。对用户在加速行为上进行分析,确定急加速、常规加速和缓加速等加速类型的组合和占比,深层次分析用户加速操控的行为和偏好。
在计算得到加速子工况对应的加速重合度和加速介入度之后,还需要得到加速类型比重系数,由于尽管有时候加速重合度或者加速介入度值是一样的,但是由于加速类型的组合不同,对于识别用户的加速驾驶风格也有一定的影响,因此,通过获取加速子工况所包含的加速类型以及加速类型组合,从而有利于确定加速类型比重系数,进而有利于分析得到较准确的加速驾驶风格结果。
在本申请的一个实施例中,在计算各个加速子工况对应的加速重合度和加速介入度之后,方法还包括:
获取加速子工况对应的油门信息;
根据油门信息得到加速稳定度,并将加速稳定度作为第一加速风格参数中的其中一个参数。
在计算得到加速子工况对应的加速重合度、加速介入度以及加速类型比重系数之后,还需要根据油门信息得到加速稳定度。由于加速稳定度对于识别用户的加速驾驶风格也有一定的影响,因此,通过得到加速稳定度,从而有利于分析得到较准确的加速驾驶风格结果。
为了便于本申请实施例的方案,参见图7,图7示意性地示出了本申请一实施例提供的原地起步加速工况场景。以下图7中原地起步加速工况为例,需要分析用户的操控控制(包括油门变化斜率,油门最大值,油门平均值、油门介入点、油门退出点等)、车辆驾驶状态(道路模式、驾驶模式、整车信号)、道路状态(坡度、停车场、街道、市区、乡村道路等)等,综合分析用户在不同的环境下进行原地起步加速的风格和操控习惯。示例1是用户原地起步,先急加速起步,随车速的增加再转为常规加速再转为缓加速,最后进入稳态行驶状态,加速过程的急加速、常规加速和缓加速的组合和占比也反映着用户的加速风格和加速习惯。将不同道路环境的原地起步和用户的操控、车辆状态、加速风格进行关联,在用户自己驾驶车辆时进行相关控制系统的参数调整,在用户进行无人驾驶车辆时进行模拟用户自身的加速操控和加速风格,实现车辆加速完全符合用户的预期。
参见图8,图8示意性地示出了本申请一实施例提供的行车再加速工况场景。以下图8中行车再加速工况为例,需要分析用户的操控控制(包括油门变化斜率、油门平均值、制动踏板开度、油门介入点、油门退出点等)、车辆驾驶状态(道路模式、驾驶模式、整车信号)、道路状态(坡度、街道、市区、乡村道路、高速道路等)等,综合分析用户在不同的环境下进行行车再起步加速的风格和操控习惯。该示例是用户行车再加速,先急减速再常规减速,减速到预期车速后再转为常规加速再转为缓加速,加速过程的急加速、常规加速和缓加速的组合和占比也反映着用户的加速风格和加速习惯。将不同道路环境的行车再起步和用户的操控、车辆状态、加速风格和加速各阶段时间占比进行关联,在用户自己驾驶车辆时进行相关控制系统的参数调整,在用户进行无人驾驶车辆时进行模拟用户自身的加速操控和加速风格,实现车辆加速完全符合用户的预期。
参见图9,图9示意性地示出了本申请一实施例提供的超车加速工况场景。以下图9中超车加速工况为例,需要分析用户的操控控制(包括油门变化斜率、油门平均值、方向盘转角、制动踏板开度、油门介入点、油门退出点等)、车辆驾驶状态(道路模式、驾驶模式、整车信号)、道路状态(坡度、街道、市区、乡村道路、高速道路等)等,综合分析用户在不同的环境下进行超车加速的风格和操控习惯。该示例是用户超车加速,先常规加速,在常规加速过程中进行转向变道,再进行急加速,再转向变道变回同时进行常规加速,再进行缓加速,完成变道超车后进入稳态行驶,加速过程的急加速、常规加速和缓加速的组合和占比也反映着用户的加速风格和加速习惯。将不同道路环境的超车加速和用户的操控、车辆状态、加速风格进行关联,在用户自己驾驶车辆时进行相关控制系统的参数调整,在用户进行无人驾驶车辆时进行模拟用户自身的加速操控和加速风格,实现车辆加速完全符合用户的预期。
参见图10,图10示意性地示出了本申请一实施例提供的弯道加速工况场景。以下图10中弯道加速工况为例,需要分析用户的操控控制(包括油门变化斜率、油门平均值、方向盘转角、制动踏板开度、油门介入点、油门退出点等)、车辆驾驶状态(道路模式、驾驶模式、整车信号)、道路状态(坡度、停车场、街道、市区、乡村道路、高速道路等)等,综合分析用户在不同的环境下进行弯道加速的风格和操控习惯。该示例是用户弯道加速,入弯前先常规减速,在常规减速过程中进行转向过弯,再进行滑行,再弯道中间进行缓加速,接近出弯时再进行常规加速,完成弯道加速后进入稳态行驶,加速过程的急加速、常规加速和缓加速的组合和占比也反映着用户的加速风格和加速习惯。将不同道路环境的弯道加速和用户的操控、车辆状态、加速风格进行关联,在用户自己驾驶车辆时进行相关控制系统的参数调整,在用户进行无人驾驶车辆时进行模拟用户自身的加速操控和加速风格,实现车辆加速完全符合用户的预期。
参见图11,图11示意性地示出了本申请一实施例提供的低速换挡加速工况场景。以下图11中低速换挡加速工况为例,需要分析用户的操控控制(包括油门变化斜率、油门平均值、制动踏板开度、油门介入点、油门退出点等)、车辆驾驶状态(道路模式、驾驶模式、整车信号)、道路状态(坡度、停车场、街道、市区、乡村道路、高速道路等)等,综合分析用户在不同的环境下进行低速换挡加速的风格和操控习惯。该示例是用户低速换挡加速,先是倒挡常规加速,再进行滑行,在滑行过程中切换D档后,进行急加速,随车速的增加再转为常规加速再转为缓加速,最后进入稳态行驶状态,加速过程的急加速、常规加速和缓加速的组合和占比也反映着用户的加速风格和加速习惯。将不同道路环境的低速换挡加速和用户的操控、车辆状态、加速风格进行关联,在用户自己驾驶车辆时进行相关控制系统的参数调整,在用户进行无人驾驶车辆时进行模拟用户自身的加速操控和加速风格,实现车辆加速完全符合用户的预期。
在本申请的一个实施例中,将第一加速风格参数与第二加速风格参数进行融合,得到加速驾驶风格识别结果,包括:
将第一加速风格参数与第二加速风格参数输入已训练的第二机器学习模型,输出加速驾驶风格识别结果。
在得到第一加速风格参数与第二加速风格参数之后,通过第二机器学习模型将二者进行融合,以得到最终的加速驾驶风格识别结果。本申请实施例相对于只通过机器学习对驾驶行为数据进行分析,得到加速驾驶风格识别结果的方案来说,由于本申请实施例综合考虑了用户的驾驶行为数据,即考虑了不同驾驶场景下的加速驾驶风格存在差异,先对驾驶行为数据进行分析得到第一加速风格参数,然后通过机器学习得到第二加速风格参数,最后将第一加速风格参数和第二加速风格参数进行融合,从而使得最后分析得到的最终加速驾驶风格识别结果更加准确。
在本申请的一个实施例中,将第一加速风格参数与第二加速风格参数输入已训练的第二机器学习模型,输出加速驾驶风格识别结果,包括:
将加速子工况对应的加速重合度、加速介入度加速类型比重系数以及加速稳定度作为第一加速风格参数输入至第二机器学习模型;
将第二加速风格参数输入至第二机器学习模型,通过第二机器学习模型输出加速驾驶风格识别结果。
在得到第一加速风格参数与第二加速风格参数之后,通过第二机器学习模型将二者进行融合,以得到最终的加速驾驶风格识别结果。其中,第一加速风格参数包括加速子工况对应的加速重合度、加速介入度加速类型比重系数以及加速稳定度。本申请实施例相对于只通过机器学习对驾驶行为数据进行分析,得到加速驾驶风格识别结果的方案来说,由于本申请实施例综合考虑了用户的驾驶行为数据,即考虑了不同驾驶场景下的加速驾驶风格存在差异,先对驾驶行为数据进行分析得到第一加速风格参数,然后通过机器学习得到第二加速风格参数,最后将第一加速风格参数和第二加速风格参数进行融合,从而使得最后分析得到的最终加速驾驶风格识别结果更加准确。
在本申请的一个实施例中,参见图12,图12示意性地示出了本申请一实施例提供的加速驾驶风格识别方法示意图。该加速驾驶风格识别方法包括:获取驾驶行为数据,驾驶行为数据包括用户行为数据和车辆信号数据;对用户行为数据进行分析,得到不同驾驶场景下对应的加速行为数据,根据加速行为数据以及与加速行为数据对应的加速子工况得到第一加速风格参数,第一加速风格参数,加速重合度、加速介入度加速类型比重系数以及加速稳定度。将车辆信号数据输入已训练的第一机器学习模型,得到第二加速风格参数。将第一加速风格参数与第二加速风格参数进行融合,得到加速驾驶风格识别结果。
在本申请实施例提供的技术方案中,先对用户行为数据进行分析,得到不同驾驶场景下对应的加速行为数据,根据加速行为数据以及与加速行为数据对应的加速子工况得到第一加速风格参数;然后,将车辆信号数据输入已训练的第一机器学习模型,得到第二加速风格参数;最后,将第一加速风格参数和第二加速风格参数进行融合,从而可以确定最终的加速驾驶风格识别结果。本申请实施例在考虑到不同驾驶场景下的对应的加速驾驶风格存在差异,因此,先得到不同驾驶场景下对应的加速行为数据,然后根据加速行为数据以及与加速行为数据对应的加速子工况得到第一加速风格参数,然后将第一加速风格参数与机器学习分析得到的第二加速风格参数进行融合,从而可以提高驾驶风格结果的准确性,使得输出的最终驾驶风格结果更加符合用户的操控需求。
在本申请的一个实施例中,在得到加速驾驶风格识别结果之后,方法还包括:
将加速驾驶风格识别结果与驾驶场景、加速行为进行映射,得到加速风格映射表。
在本申请的一个实施例中,在得到加速风格映射表之后,方法还包括:
获取与加速驾驶风格识别结果对应的加速控制逻辑;
将加速控制逻辑与加速风格映射表进行映射,得到加速控制逻辑映射表。
参见图13,图13示意性地示出了本申请一实施例提供的驾驶风格分析算法部署示意图。当用户驾驶车辆进行加速时,根据各控制器和传感器的信号,部署在中央域控制器的算法根据用户的加速风格,结合当前驾驶场景和加速子工况,将加速风格指令信号发至各控制器,各控制器根据用户加速风格调整控制逻辑,使得用户进行加速时车辆根据用户加速风格进行执行操控。
当用户在使用自动驾驶模式进行加速时,根据各控制器和传感器的信号,部署在中央域控制器的算法根据用户的加速风格,结合当前驾驶场景和加速子工况,将加速风格指令信号发至各控制器,同时将该加速子工况下何时进行加速、何时退出加速、如何组合加速类型来实现加速行为等的加速控制也发送至各控制器,各控制器根据用户加速风格和加速的控制逻辑调整控制逻辑,使得用户在自动驾驶时车辆的加速和用户自己驾驶一致。下表为全场景全工况加速风格映射表:
应当注意,尽管在附图中以特定顺序描述了本申请中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
以下介绍本申请的装置实施例,可以用于执行本申请上述实施例中的加速驾驶风格识别方法。图14示意性地示出了本申请实施例提供的加速驾驶风格识别装置的结构框图。如图14所示,加速驾驶风格识别装置1400包括:
获取模块1401,用于获取驾驶行为数据,驾驶行为数据包括用户行为数据和车辆信号数据;
分析模块1402,用于对用户行为数据进行分析,得到不同驾驶场景下对应的加速行为数据,根据加速行为数据以及与加速行为数据对应的加速子工况得到第一加速风格参数;
训练模块1403,用于将车辆信号数据输入已训练的第一机器学习模型,得到第二加速风格参数;
融合模块1404,用于将第一加速风格参数与第二加速风格参数进行融合,得到加速驾驶风格识别结果。
在本申请的一些实施例中,基于以上技术方案,分析模块1402还用于,对加速行为数据中加速行为进行分解,得到多个加速子工况;计算各个加速子工况对应的加速重合度和加速介入度,以得到第一加速风格参数。
在本申请的一些实施例中,基于以上技术方案,分析模块1402还用于,获取加速行为数据中的道路信息、车辆信息以及前序场景;根据道路信息、车辆信息以及前序场景,得到多个加速子工况。
在本申请的一些实施例中,基于以上技术方案,分析模块1402还用于,获取加速子工况的加速起始点以及加速结束点;根据加速子工况的加速起始点以及加速结束点,计算得到加速重合度;根据加速起始点以及加速子工况的起始点,计算得到加速介入度,将加速重合度和加速介入度作为第一加速风格参数。
在本申请的一些实施例中,基于以上技术方案,分析模块1402还用于,获取加速子工况的起始点和终点;根据起始点和终点,得到总持续时长;根据加速起始点和加速结束点,得到加速时长;计算加速时长和总持续时长之间的比值,得到加速重合度。
在本申请的一些实施例中,基于以上技术方案,分析模块1402还用于,计算加速起始点与加速子工况的起始点之间的差值,得到第一差值;计算第一差值与总持续时长之间的比值,得到加速介入度。
在本申请的一些实施例中,基于以上技术方案,分析模块1402还用于,获取加速子工况中所包含的加速类型以及加速类型组合;根据加速类型组合以及加速类型的占比,得到加速类型比重系数,并将加速类型比重系数作为第一加速风格参数中的其中一个参数。
在本申请的一些实施例中,基于以上技术方案,分析模块1402还用于,获取加速子工况对应的油门信息;根据油门信息得到加速稳定度,并将加速稳定度作为第一加速风格参数中的其中一个参数。
在本申请的一些实施例中,基于以上技术方案,融合模块1404还用于,将第一加速风格参数与第二加速风格参数输入已训练的第二机器学习模型,输出加速驾驶风格识别结果。
在本申请的一些实施例中,基于以上技术方案,融合模块1404还用于,将加速子工况对应的加速重合度、加速介入度加速类型比重系数以及加速稳定度作为第一加速风格参数输入至第二机器学习模型;将第二加速风格参数输入至第二机器学习模型,通过第二机器学习模型输出加速驾驶风格识别结果。
在本申请的一些实施例中,基于以上技术方案,装置还包括映射模块,用于将加速驾驶风格识别结果与驾驶场景、加速行为进行映射,得到加速风格映射表。
在本申请的一些实施例中,基于以上技术方案,装置还包括映射模块还用于,获取与加速驾驶风格识别结果对应的加速控制逻辑;将加速控制逻辑与加速风格映射表进行映射,得到加速控制逻辑映射表。
本申请各实施例中提供的加速驾驶风格识别装置的具体细节已经在对应的方法实施例中进行了详细的描述,此处不再赘述。
图15示意性地示出了用于实现本申请实施例的电子设备的计算机系统结构框图。
需要说明的是,图15示出的电子设备的计算机系统1500仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图15所示,计算机系统1500包括中央处理器1501(Central Processing Unit,CPU),其可以根据存储在只读存储器1502(Read-Only Memory,ROM)中的程序或者从存储部分1508加载到随机访问存储器1503(Random Access Memory,RAM)中的程序而执行各种适当的动作和处理。在随机访问存储器1503中,还存储有系统操作所需的各种程序和数据。中央处理器1501、在只读存储器1502以及随机访问存储器1503通过总线1504彼此相连。输入/输出接口1505(Input/Output接口,即I/O接口)也连接至总线1504。
以下部件连接至输入/输出接口1505:包括键盘、鼠标等的输入部分1506;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分1507;包括硬盘等的存储部分1508;以及包括诸如局域网卡、调制解调器等的网络接口卡的通信部分1509。通信部分1509经由诸如因特网的网络执行通信处理。驱动器1510也根据需要连接至输入/输出接口1505。可拆卸介质1511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1510上,以便于从其上读出的计算机程序根据需要被安装入存储部分1508。
特别地,根据本申请的实施例,各个方法流程图中所描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1509从网络上被下载和安装,和/或从可拆卸介质1511被安装。在该计算机程序被中央处理器1501执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (15)
1.一种加速驾驶风格识别方法,其特征在于,所述方法包括:
获取驾驶行为数据,所述驾驶行为数据包括用户行为数据和车辆信号数据;
对所述用户行为数据进行分析,得到不同驾驶场景下对应的加速行为数据,根据所述加速行为数据以及与所述加速行为数据对应的加速子工况得到第一加速风格参数;
将所述车辆信号数据输入已训练的第一机器学习模型,得到第二加速风格参数;
将所述第一加速风格参数与所述第二加速风格参数进行融合,得到加速驾驶风格识别结果。
2.根据权利要求1所述的加速驾驶风格识别方法,其特征在于,所述根据所述加速行为数据以及与所述加速行为数据对应的加速子工况得到第一加速风格参数,包括:
对所述加速行为数据中加速行为进行分解,得到多个加速子工况;
计算各个所述加速子工况对应的加速重合度和加速介入度,以得到所述第一加速风格参数。
3.根据权利要求2所述的加速驾驶风格识别方法,其特征在于,所述对所述加速行为数据中加速行为进行分解,得到多个加速子工况,包括:
获取所述加速行为数据中的道路信息、车辆信息以及前序场景;
根据所述道路信息、所述车辆信息以及所述前序场景,得到多个加速子工况。
4.根据权利要求2所述的加速驾驶风格识别方法,其特征在于,所述计算各个所述加速子工况对应的加速重合度和加速介入度,以得到所述第一加速风格参数,包括:
获取所述加速子工况的加速起始点以及加速结束点;
根据所述加速子工况的加速起始点以及加速结束点,计算得到所述加速重合度;
根据所述加速起始点以及所述加速子工况的起始点,计算得到所述加速介入度,将所述加速重合度和所述加速介入度作为所述第一加速风格参数。
5.根据权利要求4所述的加速驾驶风格识别方法,其特征在于,所述根据所述加速子工况的加速起始点以及加速结束点,计算得到所述加速重合度,包括:
获取所述加速子工况的起始点和终点;
根据所述起始点和所述终点,得到总持续时长;
根据所述加速起始点和所述加速结束点,得到加速时长;
计算所述加速时长和所述总持续时长之间的比值,得到所述加速重合度。
6.根据权利要求4所述的加速驾驶风格识别方法,其特征在于,所述根据所述加速起始点以及所述加速子工况的起始点,计算得到所述加速介入度,包括:
计算所述加速起始点与所述加速子工况的起始点之间的差值,得到第一差值;
计算所述第一差值与所述总持续时长之间的比值,得到所述加速介入度。
7.根据权利要求2所述的加速驾驶风格识别方法,其特征在于,在计算各个所述加速子工况对应的加速重合度和加速介入度之后,所述方法还包括:
获取所述加速子工况中所包含的加速类型以及加速类型组合;
根据所述加速类型组合以及所述加速类型的占比,得到加速类型比重系数,并将所述加速类型比重系数作为所述第一加速风格参数中的其中一个参数。
8.根据权利要求2所述的加速驾驶风格识别方法,其特征在于,在计算各个所述加速子工况对应的加速重合度和加速介入度之后,所述方法还包括:
获取所述加速子工况对应的油门信息;
根据所述油门信息得到加速稳定度,并将所述加速稳定度作为所述第一加速风格参数中的其中一个参数。
9.根据权利要求1所述的加速驾驶风格识别方法,其特征在于,将所述第一加速风格参数与所述第二加速风格参数进行融合,得到加速驾驶风格识别结果,包括:
将所述第一加速风格参数与所述第二加速风格参数输入已训练的第二机器学习模型,输出加速驾驶风格识别结果。
10.根据权利要求9所述的加速驾驶风格识别方法,其特征在于,所述将所述第一加速风格参数与所述第二加速风格参数输入已训练的第二机器学习模型,输出加速驾驶风格识别结果,包括:
将所述加速子工况对应的加速重合度、加速介入度加速类型比重系数以及加速稳定度作为第一加速风格参数输入至所述第二机器学习模型;
将所述第二加速风格参数输入至所述第二机器学习模型,通过所述第二机器学习模型输出所述加速驾驶风格识别结果。
11.根据权利要求1所述的加速驾驶风格识别方法,其特征在于,在得到加速驾驶风格识别结果之后,所述方法还包括:
将所述加速驾驶风格识别结果与驾驶场景、加速行为进行映射,得到加速风格映射表。
12.根据权利要求11所述的加速驾驶风格识别方法,其特征在于,在得到加速风格映射表之后,所述方法还包括:
获取与所述加速驾驶风格识别结果对应的加速控制逻辑;
将所述加速控制逻辑与所述加速风格映射表进行映射,得到加速控制逻辑映射表。
13.一种加速驾驶风格识别装置,其特征在于,所述装置包括:
获取模块,用于获取驾驶行为数据,所述驾驶行为数据包括用户行为数据和车辆信号数据;
分析模块,用于对所述用户行为数据进行分析,得到不同驾驶场景下对应的加速行为数据,根据所述加速行为数据以及与所述加速行为数据对应的加速子工况得到第一加速风格参数;
训练模块,用于将所述车辆信号数据输入已训练的第一机器学习模型,得到第二加速风格参数;
融合模块,用于将所述第一加速风格参数与所述第二加速风格参数进行融合,得到加速驾驶风格识别结果。
14.一种计算机可读介质,其特征在于,所述计算机可读介质上存储有计算机程序,该计算机程序被处理器执行时实现权利要求1至12中任意一项所述的加速驾驶风格识别方法。
15.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1至12中任意一项所述的加速驾驶风格识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211658097.6A CN118238828A (zh) | 2022-12-22 | 2022-12-22 | 加速驾驶风格识别方法、装置、可读介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211658097.6A CN118238828A (zh) | 2022-12-22 | 2022-12-22 | 加速驾驶风格识别方法、装置、可读介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118238828A true CN118238828A (zh) | 2024-06-25 |
Family
ID=91549743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211658097.6A Pending CN118238828A (zh) | 2022-12-22 | 2022-12-22 | 加速驾驶风格识别方法、装置、可读介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118238828A (zh) |
-
2022
- 2022-12-22 CN CN202211658097.6A patent/CN118238828A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106874597B (zh) | 一种应用于自动驾驶车辆的高速公路超车行为决策方法 | |
CN108248609B (zh) | 混合动力车辆和在混合动力车辆中预测驾驶样式的方法 | |
CN111325230B (zh) | 车辆换道决策模型的在线学习方法和在线学习装置 | |
JP2019043495A (ja) | 自動運転調整装置、自動運転調整システム、及び自動運転調整方法 | |
CN111967163B (zh) | 车辆仿真控制方法、装置、计算机设备及存储介质 | |
Lang et al. | Predictive cooperative adaptive cruise control: Fuel consumption benefits and implementability | |
CN112874519A (zh) | 自适应巡航的控制方法、系统、存储介质及电子设备 | |
CN116596380A (zh) | 高速公路施工组织方案和管控方案的优化确定方法、平台、设备及介质 | |
CN114035533A (zh) | 车辆智能化测试方法及装置 | |
CN115731695A (zh) | 一种场景安全等级确定方法、装置、设备及存储介质 | |
CN118238828A (zh) | 加速驾驶风格识别方法、装置、可读介质及电子设备 | |
CN113353087B (zh) | 一种驾驶辅助方法、装置及系统 | |
CN113580947B (zh) | 车辆能量回收方法及装置、车辆及存储介质 | |
CN113353089B (zh) | 车辆安全行驶控制方法、装置、设备及可读存储介质 | |
CN115543809A (zh) | 自动驾驶功能的测试场景库构建方法及装置 | |
US20220188621A1 (en) | Generative domain adaptation in a neural network | |
CN114701509A (zh) | 一种面向混合交通流的驾驶意图识别方法及系统 | |
CN114077797A (zh) | 基于道路通行法规的自动驾驶测试场景设计方法和装置 | |
Picone et al. | How often are ADAS used? Results of a car drivers’ survey | |
CN111310660A (zh) | 用于adas场景的目标检测虚警抑制方法及装置 | |
Pavelko et al. | Modification and Experimental Validation of a Logistic Regression Vehicle-Pedestrian Model | |
CN115230725B (zh) | 一种驾驶辅助系统控制方法及装置 | |
CN118072290A (zh) | 驾驶风格识别方法、装置、计算机可读介质及电子设备 | |
US20230177112A1 (en) | Method and system for generating a logical representation of a data set, as well as training method | |
CN115238152A (zh) | 一种车辆用推荐方法、车载主机娱乐系统及车辆 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |