CN107953888A - 一种道路类型识别方法及*** - Google Patents
一种道路类型识别方法及*** Download PDFInfo
- Publication number
- CN107953888A CN107953888A CN201711225163.XA CN201711225163A CN107953888A CN 107953888 A CN107953888 A CN 107953888A CN 201711225163 A CN201711225163 A CN 201711225163A CN 107953888 A CN107953888 A CN 107953888A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- running data
- road
- data
- sample
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000005070 sampling Methods 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 12
- 238000003745 diagnosis Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000000638 solvent extraction Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive 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
- B60W40/02—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 ambient conditions
- B60W40/06—Road conditions
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/05—Type of road, e.g. motorways, local streets, paved or unpaved roads
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种道路类型识别方法及***,该方法包括:获取车辆在待识别道路路段行驶过程中的行驶数据;对行驶数据进行处理,形成适用于学习类算法的车辆行驶数据标准样本;将车辆行驶数据标准样本输入预先构建的学习模型,输出待识别道路路段的道路类型信息。通过本发明提供的方法和***能够根据车辆的行驶数据,对车辆当前行驶的道路的类型进行有效的识别。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种道路类型识别方法及***。
背景技术
目前,对道路类型的定义和标记主要有国家统一标准和各种地图类应用人工添加标签进行定义两种方式。
国家统一标准,即道路建设时,按照公路工程技术标准对公路进行定义和标注。这种方式的局限性在于根据初始属性进行划归,无法反映道路使用时的真实路况特征,尤其随着时间的推移对道路特征的表达将具有更低的参考性。
各种地图类应用人工添加标签进行定义,即根据路面状况、交通状况、公共设施等指标的统计对道路进行动态化归类和标注,这种方法的特点是具有明确和狭窄的指向性,如单纯反映拥堵状况等,且标签变化性较大。
因此,如何更加有效的对道路的类型进行识别是一项亟待解决的问题。
发明内容
有鉴于此,本发明提供了一种道路类型识别方法及***,能够根据车辆的行驶数据,对车辆当前行驶的道路的类型进行有效的识别。
本发明提供了一种道路类型识别方法,所述方法包括:
获取车辆在待识别道路路段行驶过程中的行驶数据;
对所述行驶数据进行处理,形成适用于学习类算法的车辆行驶数据标准样本;
将所述车辆行驶数据标准样本输入预先构建的学习模型,输出所述待识别道路路段的道路类型信息。
优选地,所述获取车辆在待识别道路路段行驶过程中的行驶数据包括:
以预设采样周期采集车辆在所述待识别道路路段行驶过程中的行驶数据。
优选地,所述对所述行驶数据进行处理,形成适用于学习类算法的车辆行驶数据标准样本包括:
将所述行驶数据按照预设固定行驶里程进行窗口化划分,生成n个独立样本,其中,n为大于等于1的自然数;
分别对所述独立样本中的行驶数据依据车辆动力学和统计学进行特征选取,形成车辆行驶数据标准样本。
优选地,预先构建学习模型包括:
获取车辆在历史道路路段行驶过程中的历史行驶数据;
基于所述历史道路路段的道路类型信息,对所述历史行驶数据进行处理,生成携带道路类型信息的标准样本;
基于所述携带道路类型信息的标准样本进行训练与测试,生成学习模型。
优选地,所述预设采样周期为500ms。
一种道路类型识别***,包括:
第一获取模块,用于获取车辆在待识别道路路段行驶过程中的行驶数据;
第一数据处理模块,用于对所述行驶数据进行处理,形成适用于学习类算法的车辆行驶数据标准样本;
识别模块,用于将所述车辆行驶数据标准样本输入预先构建的学习模型,输出所述待识别道路路段的道路类型信息。
优选地,所述第一获取模块包括:
车载自动诊断***,用于以预设采样周期采集车辆在所述待识别道路路段行驶过程中的行驶数据。
优选地,所述第一数据处理模块包括:
窗口化处理单元,用于将所述行驶数据按照预设固定行驶里程进行窗口化划分,生成n个独立样本,其中,n为大于等于1的自然数;
标准样本生成单元,用于分别对所述独立样本中的行驶数据依据车辆动力学和统计学进行特征选取,形成车辆行驶数据标准样本。
优选地,所述***还包括:
第二获取模块,用于获取车辆在历史道路路段行驶过程中的历史行驶数据;
第二数据处理模块,用于基于所述历史道路路段的道路类型信息,对所述历史行驶数据进行处理,生成携带道路类型信息的标准样本;
生成模块,用于基于所述携带道路类型信息的标准样本进行训练与测试,生成学习模型。
优选地,所述预设采样周期为500ms。
从上述技术方案可以看出,本发明提供了一种道路类型识别方法及***,当需要对车辆行驶的道路类型进行识别时,首先获取车辆在待识别道路路段行驶过程中的行驶数据,然后对行驶数据进行处理,形成适用于学习类算法的车辆行驶数据标准样本,将车辆行驶数据标准样本输入预先构建的学习模型,输出待识别道路路段的道路类型信息。通过将车辆当前行驶的行驶数据输入预先构建的学习模型进行处理,能够根据车辆的行驶数据,对车辆当前行驶的道路的类型进行有效的识别。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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为本发明公开的一种道路类型识别方法实施例1的方法流程图;
图2为本发明公开的一种道路类型识别方法实施例2的方法流程图;
图3为本发明公开的一种道路类型识别方法实施例3的方法流程图;
图4为本发明公开的一种道路类型识别***实施例1的结构示意图;
图5为本发明公开的一种道路类型识别***实施例2的结构示意图;
图6为本发明公开的一种道路类型识别***实施例3的结构示意图。
具体实施方式
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,都属于本发明保护的范围。
本发明公开的一种道路类型识别方法,如图1所示,所述方法可以包括以下步骤:
S101、获取车辆在待识别道路路段行驶过程中的行驶数据;
当需要对车辆行驶的道路类型进行识别时,首先获取车辆在待识别道路路段行驶过程中的行驶数据。例如,获取车速、发动机转速、发动机扭矩、加速踏板深度、制动踏板状态、实际挡位、瞬时油耗、方向盘转角、方向盘转角速度、横摆角速度、纵向加速度以及侧向加速度等变量。
S102、对行驶数据进行处理,形成适用于学习类算法的车辆行驶数据标准样本;
为了能够对获取到的车辆的行驶数据进行分析,需要进一步基于车辆动力学和机器学习对获取到的行驶数据进行处理,生成车辆行驶数据标准样本。
S103、将车辆行驶数据标准样本输入预先构建的学习模型,输出待识别道路路段的道路类型信息。
当对行驶数据进行处理,形成适用于学习类算法的车辆行驶数据标准样本后,将车辆行驶数据标准样本输入预先构建的学习模型进行学习处理,最终输出待识别道路路段的道路类型信息。
综上所述,在上述实施例中,当需要对车辆行驶的道路类型进行识别时,首先获取车辆在待识别道路路段行驶过程中的行驶数据,然后对行驶数据进行处理,形成适用于学习类算法的车辆行驶数据标准样本,将车辆行驶数据标准样本输入预先构建的学习模型,输出待识别道路路段的道路类型信息。通过将车辆当前行驶的行驶数据输入预先构建的学习模型进行处理,能够根据车辆的行驶数据,对车辆当前行驶的道路的类型进行有效的识别。
本发明公开的一种道路类型识别方法,如图2所示,所述方法可以包括以下步骤:
S201、以预设采样周期采集车辆在待识别道路路段行驶过程中的行驶数据;
当需要对车辆行驶的道路类型进行识别时,首先获取车辆在待识别道路路段行驶过程中的行驶数据。例如,获取车速、发动机转速、发动机扭矩、加速踏板深度、制动踏板状态、实际挡位、瞬时油耗、方向盘转角、方向盘转角速度、横摆角速度、纵向加速度以及侧向加速度等变量。在采集待识别道路路段车辆的行驶数据时,可以以预设的采样周期进行一次数据采样。例如,以每500ms进行一次车辆的行驶数据采集。
S202、将行驶数据按照预设固定行驶里程进行窗口化划分,生成n个独立样本,其中,n为大于等于1的自然数;
以预设采样周期采集到的待识别道路路段车辆的行驶数据,对应的是时间或空间上的累计值,需要将行驶数据按照固定区间进行窗口化划分得到多个独立样本。例如,对采集到的车辆行驶数据按照行驶里程进行窗口化划分,即按照固定里程将采集到的行驶数据分成多个独立样本。例如,以固定里程2km为划分依据,将时序上连续的车辆的行驶数据每2km划分一个窗口,每个窗口对应一个独立样本,该独立样本包含车辆行驶2km过程中全部行驶数据,是一个n*m的数值矩阵,m的取值是行驶数据的类型,例如,m等于14,n的取值是在该2km行程中行驶数据的采样次数,因此,不同样本因2km内平均行驶速度的不同而有不同的n。
S203、分别对独立样本中的行驶数据依据车辆动力学和统计学进行特征选取,形成车辆行驶数据标准样本;
基于车辆的行驶数据识别道路类型,本质是建立具有鲁棒性和泛化能力的车辆行驶数据与道路类型的映射关系。本实施例利用机器学习算法对车辆行驶数据进行学习从而实现对道路类型的识别,因此需要首先处理和形成适用于学习类算法的车辆行驶数据样本。
原车辆的行驶数据按时间采样,变量值窗口化处理是按行驶里程对初始数据划分得到大小为n*m的独立样本,致使不同独立样本中的n不尽相同。为了得到结构和含义统一的样本,对数据进行基于特征组合的归一化处理,即对单个独立样本中的变量依据车辆动力学和统计学进行特征选取,如统计单一独立样本中车速的最大值、最小值、平均值、中位数等等,从而将n*m的特征矩阵转换为k维的特征向量,其中,k为定值,且k>m。
S204、将车辆行驶数据标准样本输入预先构建的学习模型,输出待识别道路路段的道路类型信息。
当对行驶数据进行处理,形成适用于学习类算法的车辆行驶数据标准样本后,将车辆行驶数据标准样本输入预先构建的学习模型进行学习处理,最终输出带识别道路路段的道路类型信息。
综上所述,在上述实施例中,当需要对车辆行驶的道路类型进行识别时,首先以预设采样周期采集车辆在待识别道路路段行驶过程中的行驶数据,然后将所述行驶数据按照预设固定行驶里程进行窗口化划分,生成n个独立样本,并分别对独立样本中的行驶数据依据车辆动力学和统计学进行特征选取,形成车辆行驶数据标准样本,最后将车辆行驶数据标准样本输入预先构建的学习模型,输出待识别道路路段的道路类型信息。通过将车辆当前行驶的行驶数据输入预先构建的学习模型进行处理,能够根据车辆的行驶数据,对车辆当前行驶的道路的类型进行有效的识别。
本发明公开的一种道路类型识别方法,如图3所示,所述方法可以包括以下步骤:
S301、获取车辆在历史道路路段行驶过程中的历史行驶数据;
S302、基于历史道路路段的道路类型信息,对历史行驶数据进行处理,生成携带道路类型信息的标准样本;
S303、基于携带道路类型信息的标准样本进行训练与测试,生成学习模型;
当需要对车辆行驶的道路类型进行识别时,首先需要预先生成用于数据分析的学习模型。在生成学习模型时,首先按照窗口化处理和标准样本的形成方法对掌握的历史数据进行处理,要求这些历史数据已经通过查询和人工标注的方式获得了车辆行驶所处的道路类型。从而得到了多个携带了路道路类型信息的标准样本,构成学习所需样本集。将学习样本集划分为训练集与测试集,其中,训练集用于学习模型的构建,测试集用于模型评估。根据样本集的特征及任务目标选取合适的机器学习模型,例如可采用随机森林模型作为分类算法。
S304、以预设采样周期采集车辆在待识别道路路段行驶过程中的行驶数据;
当需要对车辆行驶的道路类型进行识别时,首先获取车辆在待识别道路路段行驶过程中的行驶数据。例如,获取车速、发动机转速、发动机扭矩、加速踏板深度、制动踏板状态、实际挡位、瞬时油耗、方向盘转角、方向盘转角速度、横摆角速度、纵向加速度以及侧向加速度等变量。在采集待识别道路路段车辆的行驶数据时,可以以预设的采样周期进行一次数据采样。例如,以每500ms进行一次车辆的行驶数据采集。
S305、将行驶数据按照预设固定行驶里程进行窗口化划分,生成n个独立样本,其中,n为大于等于1的自然数;
以预设采样周期采集到的待识别道路路段车辆的行驶数据,对应的是时间或空间上的累计值,需要将行驶数据按照固定区间进行窗口化划分得到多个独立样本。例如,对采集到的车辆行驶数据按照行驶里程进行窗口化划分,即按照固定里程将采集到的行驶数据分成多个独立样本。例如,以固定里程2km为划分依据,将时序上连续的车辆的行驶数据每2km划分一个窗口,每个窗口对应一个独立样本,该独立样本包含车辆行驶2km过程中全部行驶数据,是一个n*m的数值矩阵,m的取值是行驶数据的类型,例如,m等于14,n的取值是在该2km行程中行驶数据的采样次数,因此,不同样本因2km内平均行驶速度的不同而有不同的n。
S306、分别对独立样本中的行驶数据依据车辆动力学和统计学进行特征选取,形成车辆行驶数据标准样本;
基于车辆的行驶数据识别道路类型,本质是建立具有鲁棒性和泛化能力的车辆行驶数据与道路类型的映射关系。本实施例利用机器学习算法对车辆行驶数据进行学习从而实现对道路类型的识别,因此需要首先处理和形成适用于学习类算法的车辆行驶数据样本。
原车辆的行驶数据按时间采样,变量值窗口化处理是按行驶里程对初始数据划分得到大小为n*m的独立样本,致使不同独立样本中的n不尽相同。为了得到结构和含义统一的样本,对数据进行基于特征组合的归一化处理,即对单个独立样本中的变量依据车辆动力学和统计学进行特征选取,如统计单一独立样本中车速的最大值、最小值、平均值、中位数等等,从而将n*m的特征矩阵转换为k维的特征向量,其中,k为定值,且k>m。
S307、将车辆行驶数据标准样本输入预先构建的学习模型,输出待识别道路路段的道路类型信息。
当对行驶数据进行处理,形成适用于学习类算法的车辆行驶数据标准样本后,将车辆行驶数据标准样本输入预先构建的学习模型进行学习处理,最终输出带识别道路路段的道路类型信息。
综上所述,在上述实施例中,首先通过获取车辆在历史道路路段行驶过程中的历史行驶数据,基于历史道路路段的道路类型信息,对历史行驶数据进行处理,生成携带道路类型信息的标准样本,对携带道路类型信息的标准样本进行训练与测试,生成学习模型。当需要对车辆行驶的道路类型进行识别时,以预设采样周期采集车辆在待识别道路路段行驶过程中的行驶数据,然后将所述行驶数据按照预设固定行驶里程进行窗口化划分,生成n个独立样本,并分别对独立样本中的行驶数据依据车辆动力学和统计学进行特征选取,形成车辆行驶数据标准样本,最后将车辆行驶数据标准样本输入预先构建的学习模型,输出待识别道路路段的道路类型信息。通过将车辆当前行驶的行驶数据输入预先构建的学习模型进行处理,能够根据车辆的行驶数据,对车辆当前行驶的道路的类型进行有效的识别。
本发明公开的一种道路类型识别***,如图4所示,所述***可以包括:
第一获取模块401,用于获取车辆在待识别道路路段行驶过程中的行驶数据;
当需要对车辆行驶的道路类型进行识别时,首先获取车辆在待识别道路路段行驶过程中的行驶数据。例如,获取车速、发动机转速、发动机扭矩、加速踏板深度、制动踏板状态、实际挡位、瞬时油耗、方向盘转角、方向盘转角速度、横摆角速度、纵向加速度以及侧向加速度等变量。
第一数据处理模块402,用于对行驶数据进行处理,形成适用于学习类算法的车辆行驶数据标准样本;
为了能够对获取到的车辆的行驶数据进行分析,需要进一步基于车辆动力学和机器学习对获取到的行驶数据进行处理,生成车辆行驶数据标准样本。
识别模块403,用于将车辆行驶数据标准样本输入预先构建的学习模型,输出待识别道路路段的道路类型信息。
当对行驶数据进行处理,形成适用于学习类算法的车辆行驶数据标准样本后,将车辆行驶数据标准样本输入预先构建的学习模型进行学习处理,最终输出待识别道路路段的道路类型信息。
综上所述,在上述实施例中,当需要对车辆行驶的道路类型进行识别时,首先获取车辆在待识别道路路段行驶过程中的行驶数据,然后对行驶数据进行处理,形成适用于学习类算法的车辆行驶数据标准样本,将车辆行驶数据标准样本输入预先构建的学习模型,输出待识别道路路段的道路类型信息。通过将车辆当前行驶的行驶数据输入预先构建的学习模型进行处理,能够根据车辆的行驶数据,对车辆当前行驶的道路的类型进行有效的识别。
本发明公开的一种道路类型识别***,如图5所示,所述***可以包括:
车载自动诊断***501,用于以预设采样周期采集车辆在待识别道路路段行驶过程中的行驶数据;
当需要对车辆行驶的道路类型进行识别时,首先获取车辆在待识别道路路段行驶过程中的行驶数据。例如,获取车速、发动机转速、发动机扭矩、加速踏板深度、制动踏板状态、实际挡位、瞬时油耗、方向盘转角、方向盘转角速度、横摆角速度、纵向加速度以及侧向加速度等变量。在采集待识别道路路段车辆的行驶数据时,可以以预设的采样周期进行一次数据采样。例如,以每500ms进行一次车辆的行驶数据采集。
窗口化处理单元502,用于将行驶数据按照预设固定行驶里程进行窗口化划分,生成n个独立样本,其中,n为大于等于1的自然数;
以预设采样周期采集到的待识别道路路段车辆的行驶数据,对应的是时间或空间上的累计值,需要将行驶数据按照固定区间进行窗口化划分得到多个独立样本。例如,对采集到的车辆行驶数据按照行驶里程进行窗口化划分,即按照固定里程将采集到的行驶数据分成多个独立样本。例如,以固定里程2km为划分依据,将时序上连续的车辆的行驶数据每2km划分一个窗口,每个窗口对应一个独立样本,该独立样本包含车辆行驶2km过程中全部行驶数据,是一个n*m的数值矩阵,m的取值是行驶数据的类型,例如,m等于14,n的取值是在该2km行程中行驶数据的采样次数,因此,不同样本因2km内平均行驶速度的不同而有不同的n。
标准样本生成单元503,用于分别对独立样本中的行驶数据依据车辆动力学和统计学进行特征选取,形成车辆行驶数据标准样本;
基于车辆的行驶数据识别道路类型,本质是建立具有鲁棒性和泛化能力的车辆行驶数据与道路类型的映射关系。本实施例利用机器学习算法对车辆行驶数据进行学习从而实现对道路类型的识别,因此需要首先处理和形成适用于学习类算法的车辆行驶数据样本。
原车辆的行驶数据按时间采样,变量值窗口化处理是按行驶里程对初始数据划分得到大小为n*m的独立样本,致使不同独立样本中的n不尽相同。为了得到结构和含义统一的样本,对数据进行基于特征组合的归一化处理,即对单个独立样本中的变量依据车辆动力学和统计学进行特征选取,如统计单一独立样本中车速的最大值、最小值、平均值、中位数等等,从而将n*m的特征矩阵转换为k维的特征向量,其中,k为定值,且k>m。
识别模块504,用于将车辆行驶数据标准样本输入预先构建的学习模型,输出待识别道路路段的道路类型信息。
当对行驶数据进行处理,形成适用于学习类算法的车辆行驶数据标准样本后,将车辆行驶数据标准样本输入预先构建的学习模型进行学习处理,最终输出带识别道路路段的道路类型信息。
综上所述,在上述实施例中,当需要对车辆行驶的道路类型进行识别时,首先以预设采样周期采集车辆在待识别道路路段行驶过程中的行驶数据,然后将所述行驶数据按照预设固定行驶里程进行窗口化划分,生成n个独立样本,并分别对独立样本中的行驶数据依据车辆动力学和统计学进行特征选取,形成车辆行驶数据标准样本,最后将车辆行驶数据标准样本输入预先构建的学习模型,输出待识别道路路段的道路类型信息。通过将车辆当前行驶的行驶数据输入预先构建的学习模型进行处理,能够根据车辆的行驶数据,对车辆当前行驶的道路的类型进行有效的识别。
如图6所示,为本发明公开的一种道路类型识别***的实施例3的结构示意图,所述***可以包括:
第二获取模块601,用于获取车辆在历史道路路段行驶过程中的历史行驶数据;
第二数据处理模块602,用于基于历史道路路段的道路类型信息,对历史行驶数据进行处理,生成携带道路类型信息的标准样本;
生成模块603,用于基于携带道路类型信息的标准样本进行训练与测试,生成学习模型;
当需要对车辆行驶的道路类型进行识别时,首先需要预先生成用于数据分析的学习模型。在生成学习模型时,首先按照窗口化处理和标准样本的形成方法对掌握的历史数据进行处理,要求这些历史数据已经通过查询和人工标注的方式获得了车辆行驶所处的道路类型。从而得到了多个携带了路道路类型信息的标准样本,构成学习所需样本集。将学习样本集划分为训练集与测试集,其中,训练集用于学习模型的构建,测试集用于模型评估。根据样本集的特征及任务目标选取合适的机器学习模型,例如可采用随机森林模型作为分类算法。
车载自动诊断***604,用于以预设采样周期采集车辆在待识别道路路段行驶过程中的行驶数据;
当需要对车辆行驶的道路类型进行识别时,首先获取车辆在待识别道路路段行驶过程中的行驶数据。例如,获取车速、发动机转速、发动机扭矩、加速踏板深度、制动踏板状态、实际挡位、瞬时油耗、方向盘转角、方向盘转角速度、横摆角速度、纵向加速度以及侧向加速度等变量。在采集待识别道路路段车辆的行驶数据时,可以以预设的采样周期进行一次数据采样。例如,以每500ms进行一次车辆的行驶数据采集。
窗口化处理单元605,用于将行驶数据按照预设固定行驶里程进行窗口化划分,生成n个独立样本,其中,n为大于等于1的自然数;
以预设采样周期采集到的待识别道路路段车辆的行驶数据,对应的是时间或空间上的累计值,需要将行驶数据按照固定区间进行窗口化划分得到多个独立样本。例如,对采集到的车辆行驶数据按照行驶里程进行窗口化划分,即按照固定里程将采集到的行驶数据分成多个独立样本。例如,以固定里程2km为划分依据,将时序上连续的车辆的行驶数据每2km划分一个窗口,每个窗口对应一个独立样本,该独立样本包含车辆行驶2km过程中全部行驶数据,是一个n*m的数值矩阵,m的取值是行驶数据的类型,例如,m等于14,n的取值是在该2km行程中行驶数据的采样次数,因此,不同样本因2km内平均行驶速度的不同而有不同的n。
标准样本生成单元606,用于分别对独立样本中的行驶数据依据车辆动力学和统计学进行特征选取,形成车辆行驶数据标准样本;
基于车辆的行驶数据识别道路类型,本质是建立具有鲁棒性和泛化能力的车辆行驶数据与道路类型的映射关系。本实施例利用机器学习算法对车辆行驶数据进行学习从而实现对道路类型的识别,因此需要首先处理和形成适用于学习类算法的车辆行驶数据样本。
原车辆的行驶数据按时间采样,变量值窗口化处理是按行驶里程对初始数据划分得到大小为n*m的独立样本,致使不同独立样本中的n不尽相同。为了得到结构和含义统一的样本,对数据进行基于特征组合的归一化处理,即对单个独立样本中的变量依据车辆动力学和统计学进行特征选取,如统计单一独立样本中车速的最大值、最小值、平均值、中位数等等,从而将n*m的特征矩阵转换为k维的特征向量,其中,k为定值,且k>m。
识别模块607,用于将车辆行驶数据标准样本输入预先构建的学习模型,输出待识别道路路段的道路类型信息。
当对行驶数据进行处理,形成适用于学习类算法的车辆行驶数据标准样本后,将车辆行驶数据标准样本输入预先构建的学习模型进行学习处理,最终输出带识别道路路段的道路类型信息。
综上所述,在上述实施例中,首先通过获取车辆在历史道路路段行驶过程中的历史行驶数据,基于历史道路路段的道路类型信息,对历史行驶数据进行处理,生成携带道路类型信息的标准样本,对携带道路类型信息的标准样本进行训练与测试,生成学习模型。当需要对车辆行驶的道路类型进行识别时,以预设采样周期采集车辆在待识别道路路段行驶过程中的行驶数据,然后将所述行驶数据按照预设固定行驶里程进行窗口化划分,生成n个独立样本,并分别对独立样本中的行驶数据依据车辆动力学和统计学进行特征选取,形成车辆行驶数据标准样本,最后将车辆行驶数据标准样本输入预先构建的学习模型,输出待识别道路路段的道路类型信息。通过将车辆当前行驶的行驶数据输入预先构建的学习模型进行处理,能够根据车辆的行驶数据,对车辆当前行驶的道路的类型进行有效的识别。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种道路类型识别方法,其特征在于,所述方法包括:
获取车辆在待识别道路路段行驶过程中的行驶数据;
对所述行驶数据进行处理,形成适用于学习类算法的车辆行驶数据标准样本;
将所述车辆行驶数据标准样本输入预先构建的学习模型,输出所述待识别道路路段的道路类型信息。
2.根据权利要求1所述的方法,其特征在于,所述获取车辆在待识别道路路段行驶过程中的行驶数据包括:
以预设采样周期采集车辆在所述待识别道路路段行驶过程中的行驶数据。
3.根据权利要求1或2所述的方法,其特征在于,所述对所述行驶数据进行处理,形成适用于学习类算法的车辆行驶数据标准样本包括:
将所述行驶数据按照预设固定行驶里程进行窗口化划分,生成n个独立样本,其中,n为大于等于1的自然数;
分别对所述独立样本中的行驶数据依据车辆动力学和统计学进行特征选取,形成车辆行驶数据标准样本。
4.根据权利要求3所述的方法,其特征在于,预先构建学习模型包括:
获取车辆在历史道路路段行驶过程中的历史行驶数据;
基于所述历史道路路段的道路类型信息,对所述历史行驶数据进行处理,生成携带道路类型信息的标准样本;
基于所述携带道路类型信息的标准样本进行训练与测试,生成学习模型。
5.根据权利要求2所述的方法,其特征在于,所述预设采样周期为500ms。
6.一种道路类型识别***,其特征在于,包括:
第一获取模块,用于获取车辆在待识别道路路段行驶过程中的行驶数据;
第一数据处理模块,用于对所述行驶数据进行处理,形成适用于学习类算法的车辆行驶数据标准样本;
识别模块,用于将所述车辆行驶数据标准样本输入预先构建的学习模型,输出所述待识别道路路段的道路类型信息。
7.根据权利要求6所述的***,其特征在于,所述第一获取模块包括:
车载自动诊断***,用于以预设采样周期采集车辆在所述待识别道路路段行驶过程中的行驶数据。
8.根据权利要求6或7所述的***,其特征在于,所述第一数据处理模块包括:
窗口化处理单元,用于将所述行驶数据按照预设固定行驶里程进行窗口化划分,生成n个独立样本,其中,n为大于等于1的自然数;
标准样本生成单元,用于分别对所述独立样本中的行驶数据依据车辆动力学和统计学进行特征选取,形成车辆行驶数据标准样本。
9.根据权利要求8所述的***,其特征在于,还包括:
第二获取模块,用于获取车辆在历史道路路段行驶过程中的历史行驶数据;
第二数据处理模块,用于基于所述历史道路路段的道路类型信息,对所述历史行驶数据进行处理,生成携带道路类型信息的标准样本;
生成模块,用于基于所述携带道路类型信息的标准样本进行训练与测试,生成学习模型。
10.根据权利要求7所述的***,其特征在于,所述预设采样周期为500ms。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711225163.XA CN107953888B (zh) | 2017-11-29 | 2017-11-29 | 一种道路类型识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711225163.XA CN107953888B (zh) | 2017-11-29 | 2017-11-29 | 一种道路类型识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107953888A true CN107953888A (zh) | 2018-04-24 |
CN107953888B CN107953888B (zh) | 2020-08-04 |
Family
ID=61962916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711225163.XA Active CN107953888B (zh) | 2017-11-29 | 2017-11-29 | 一种道路类型识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107953888B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108860165A (zh) * | 2018-05-11 | 2018-11-23 | 深圳市图灵奇点智能科技有限公司 | 车辆辅助驾驶方法和*** |
CN109159783A (zh) * | 2018-08-23 | 2019-01-08 | 北京理工大学 | 一种针对分布式电驱动履带车辆的地面参量估计方法 |
CN111554090A (zh) * | 2020-04-21 | 2020-08-18 | 长沙酷哇人工智能及大数据产业技术研究院有限公司 | 道路识别***和道路识别方法 |
CN112026781A (zh) * | 2020-06-22 | 2020-12-04 | 心有灵犀科技股份有限公司 | 一种驾驶员行为数据的分析方法及*** |
CN113743466A (zh) * | 2021-08-02 | 2021-12-03 | 南斗六星***集成有限公司 | 一种基于决策树的道路类型识别方法及*** |
CN113837162A (zh) * | 2021-11-29 | 2021-12-24 | 腾讯科技(深圳)有限公司 | 模型训练方法及相关装置 |
CN114140903A (zh) * | 2021-08-02 | 2022-03-04 | 南斗六星***集成有限公司 | 一种基于决策树生成规则的道路类型识别车载装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050159851A1 (en) * | 2001-01-21 | 2005-07-21 | Volvo Technology Corporation | System and method for real-time recognition of driving patterns |
GB201103681D0 (en) * | 2010-03-04 | 2011-04-20 | Denso Corp | Road shape learning apparatus |
CN102292249A (zh) * | 2009-01-23 | 2011-12-21 | 戴姆勒股份公司 | 用于获得处于车辆前方的行车道的道路轮廓的方法 |
CN104057954A (zh) * | 2014-06-25 | 2014-09-24 | 徐州重型机械有限公司 | 一种起重机的路况自适应***及起重机 |
CN106080590A (zh) * | 2016-06-12 | 2016-11-09 | 百度在线网络技术(北京)有限公司 | 车辆控制方法和装置以及决策模型的获取方法和装置 |
CN106203346A (zh) * | 2016-07-13 | 2016-12-07 | 吉林大学 | 一种面向智能车辆驾驶模式切换的道路环境图像分类方法 |
CN106828486A (zh) * | 2017-01-23 | 2017-06-13 | 斑马信息科技有限公司 | 驾驶行为纠正***及其方法 |
CN106891893A (zh) * | 2015-12-17 | 2017-06-27 | 福特全球技术公司 | 车辆模式确定 |
-
2017
- 2017-11-29 CN CN201711225163.XA patent/CN107953888B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050159851A1 (en) * | 2001-01-21 | 2005-07-21 | Volvo Technology Corporation | System and method for real-time recognition of driving patterns |
CN102292249A (zh) * | 2009-01-23 | 2011-12-21 | 戴姆勒股份公司 | 用于获得处于车辆前方的行车道的道路轮廓的方法 |
GB201103681D0 (en) * | 2010-03-04 | 2011-04-20 | Denso Corp | Road shape learning apparatus |
CN104057954A (zh) * | 2014-06-25 | 2014-09-24 | 徐州重型机械有限公司 | 一种起重机的路况自适应***及起重机 |
CN106891893A (zh) * | 2015-12-17 | 2017-06-27 | 福特全球技术公司 | 车辆模式确定 |
CN106080590A (zh) * | 2016-06-12 | 2016-11-09 | 百度在线网络技术(北京)有限公司 | 车辆控制方法和装置以及决策模型的获取方法和装置 |
CN106203346A (zh) * | 2016-07-13 | 2016-12-07 | 吉林大学 | 一种面向智能车辆驾驶模式切换的道路环境图像分类方法 |
CN106828486A (zh) * | 2017-01-23 | 2017-06-13 | 斑马信息科技有限公司 | 驾驶行为纠正***及其方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108860165A (zh) * | 2018-05-11 | 2018-11-23 | 深圳市图灵奇点智能科技有限公司 | 车辆辅助驾驶方法和*** |
CN108860165B (zh) * | 2018-05-11 | 2021-06-11 | 深圳市图灵奇点智能科技有限公司 | 车辆辅助驾驶方法和*** |
CN109159783A (zh) * | 2018-08-23 | 2019-01-08 | 北京理工大学 | 一种针对分布式电驱动履带车辆的地面参量估计方法 |
CN109159783B (zh) * | 2018-08-23 | 2020-10-09 | 北京理工大学 | 一种针对分布式电驱动履带车辆的地面参量估计方法 |
CN111554090A (zh) * | 2020-04-21 | 2020-08-18 | 长沙酷哇人工智能及大数据产业技术研究院有限公司 | 道路识别***和道路识别方法 |
CN112026781A (zh) * | 2020-06-22 | 2020-12-04 | 心有灵犀科技股份有限公司 | 一种驾驶员行为数据的分析方法及*** |
CN113743466A (zh) * | 2021-08-02 | 2021-12-03 | 南斗六星***集成有限公司 | 一种基于决策树的道路类型识别方法及*** |
CN114140903A (zh) * | 2021-08-02 | 2022-03-04 | 南斗六星***集成有限公司 | 一种基于决策树生成规则的道路类型识别车载装置 |
CN114140903B (zh) * | 2021-08-02 | 2024-03-19 | 南斗六星***集成有限公司 | 一种基于决策树生成规则的道路类型识别车载装置 |
CN113743466B (zh) * | 2021-08-02 | 2024-04-05 | 南斗六星***集成有限公司 | 一种基于决策树的道路类型识别方法及*** |
CN113837162A (zh) * | 2021-11-29 | 2021-12-24 | 腾讯科技(深圳)有限公司 | 模型训练方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107953888B (zh) | 2020-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107953888A (zh) | 一种道路类型识别方法及*** | |
Perrotta et al. | Application of machine learning for fuel consumption modelling of trucks | |
CN103562978B (zh) | 车辆数据分析方法和车辆数据分析*** | |
CN109242251A (zh) | 行车行为安全性检测方法、装置、设备及存储介质 | |
CN111428960B (zh) | 一种融合多源车载传感器信息的智能车辆驾驶性自动化评价方法 | |
CN106781503A (zh) | 用于监测驾驶行为的方法和装置 | |
CN107038860B (zh) | 一种基于adas技术及回归模型的用户驾驶行为评分方法 | |
CN103077275B (zh) | 高速公路匝道仿真模型的参数标定方法 | |
CN106855965A (zh) | 一种基于机动车的驾驶行程数据评估其驾驶风险的方法 | |
CN106956680A (zh) | 一种电动汽车驾驶行为识别分析方法 | |
CN108806018A (zh) | 一种数据处理方法、数据处理设备和智能汽车 | |
CN105427620A (zh) | 一种基于出租车运行数据的非法营运车辆识别方法 | |
CN109686092B (zh) | 一种交通网络通达性评估方法 | |
CN105975757A (zh) | 一种基于车辆行驶数据的急减速行为识别方法 | |
CN104599347A (zh) | 一种在地图上展现驾驶行为的方法 | |
Wu et al. | Clustering of several typical behavioral characteristics of commercial vehicle drivers based on GPS data mining: Case study of highways in China | |
JP3944549B1 (ja) | 運転評価方法及びシステム | |
CN108665084A (zh) | 一种对驾驶风险的预测方法及*** | |
CN115221234A (zh) | 一种基于动力总成数据对用户进行画像的方法及*** | |
Savković et al. | Evaluation of the eco-driving training of professional truck drivers | |
DE102021201177A1 (de) | Computerimplementiertes Verfahren und Computerprogramm zur Generierung von Fahrstrecken für ein automatisiertes Fahrsystem | |
CN115527076B (zh) | 一种营运车辆异常驾驶行为识别模型的构建方法及*** | |
Ma et al. | A Scoping Review of Energy-Efficient Driving Behaviors and Applied State-of-the-Art AI Methods | |
Li et al. | Evaluation method for aggressiveness of driving behavior using drive recorders | |
CN105869412A (zh) | 一种基于车辆行驶数据的急加速行为识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address |
Address after: 4 / F, building 1, No.14 Jiuxianqiao Road, Chaoyang District, Beijing 100020 Patentee after: Beijing Jingwei Hirain Technologies Co.,Inc. Address before: 8 / F, block B, No. 11, Anxiang Beili, Chaoyang District, Beijing 100101 Patentee before: Beijing Jingwei HiRain Technologies Co.,Ltd. |
|
CP03 | Change of name, title or address |