CN108416267A - 一种用于物流运输的辅助驾驶方法及*** - Google Patents
一种用于物流运输的辅助驾驶方法及*** Download PDFInfo
- Publication number
- CN108416267A CN108416267A CN201810105774.9A CN201810105774A CN108416267A CN 108416267 A CN108416267 A CN 108416267A CN 201810105774 A CN201810105774 A CN 201810105774A CN 108416267 A CN108416267 A CN 108416267A
- Authority
- CN
- China
- Prior art keywords
- driving
- haulage vehicle
- vehicle
- information
- data set
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/165—Anti-collision systems for passive traffic, e.g. including static obstacles, trees
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种用于物流运输的辅助驾驶方法和***,所述方法包括:获取物流运输中实际业务场景的历史数据集,所述实际业务场景的历史数据集包括<行车事件、时间、车辆信息、行车结果>;将所述行车事件、时间和车辆信息作为行车安全模型的输入样本参数,将行车结果作为所述行车安全模型的输出样本参数,对所述实际业务场景的历史数据集进行学习,根据所述实际业务场景的历史数据集的学习结果,建立运输车辆的行车安全模型;获取进行物流运输时的运输车辆的车辆信息;监控所述运输车辆行驶过程中的行车事件以及与所述行车事件对应的时间,根据所述运输车辆的车辆信息,利用所述行车安全模型,对行车结果进行预测。
Description
技术领域
本发明涉及通信技术领域 ,更具体地,涉及一种用于物流运输的辅助驾驶方法及***。
背景技术
近年来,随着车辆的普及,基于各种软硬件的驾驶辅助技术的研究也正在发展。现有技术已涉及针对手动驾驶模式和自动驾驶模式的车辆的驾驶辅助,提出了很多辅助驾驶的技术方案。现有技术提供的安全驾驶辅助***,事先存储安全驾驶基准数据,检测驾驶员驾驶车辆的驾驶操作状况,将驾驶员实际的驾驶操作状况与安全驾驶基准数据进行对比,判断驾驶员的驾驶技能,当驾驶技能在安全驾驶范围之外时,从手动驾驶模式切换为自动驾驶模式。由此,能够在判断为驾驶员不能进行安全驾驶时切换为自动驾驶模式,而实现安全驾驶。
目前更为先进的辅助驾驶***,是利用安装于车上各式各样的传感器,在第一时间收集车内的环境数据,进行静、动态物体的辨识、侦测与追踪等技术上的处理, 从而能够让驾驶者在最快的时间察觉可能发生的危险。然而,现有的驾驶***能够实现的功能比较单一,例如对车辆偏离道路进行警告提醒,应用也比较单一。在现有的交通路况中,物流货运车辆,特别是危化物品的运输车辆路况及驾驶情况更加复杂难以预测,传统的驾驶辅助***不能够贴近物流货运提供有效的驾驶辅助,无法实现针对危化物流运输大车车身大,车身长,容错率低,运输货物易燃易爆特点进行辅助驾驶也无法实现对大车行驶偏移道路,大车运行道路物体的准确检测。
因此,需要一种技术,以实现对大型物流运输车辆提供辅助驾驶。
发明内容
本发明技术方案提供一种用于物流运输的辅助驾驶方法和***,以解决如何对大型物流运输车辆进行辅助驾驶的问题。
为了解决上述问题,本发明提供了一种用于物流运输的辅助驾驶方法,所述方法包括:
获取物流运输中实际业务场景的历史数据集,所述实际业务场景的历史数据集包括<行车事件、时间、车辆信息、行车结果>;
将所述行车事件、时间和车辆信息作为行车安全模型的输入样本参数,将行车结果作为所述行车安全模型的输出样本参数,对所述实际业务场景的历史数据集进行学习,根据所述实际业务场景的历史数据集的学习结果,建立运输车辆的行车安全模型;
获取进行物流运输时的运输车辆的车辆信息;
监控所述运输车辆行驶过程中的行车事件以及与所述行车事件对应的时间,根据所述运输车辆的车辆信息,利用所述行车安全模型,对行车结果进行预测。
优选地,所述行车事件包括运输中道路事物识别、行车速度、行车方向的视频数据。
优选地,所述行车结果包括:所述运输车辆与前后车辆的距离、所述运输车辆的行驶偏移。
优选地,还包括对所述运输车辆的司机驾驶状态进行监控。
优选地,所述运输车辆的司机驾驶状态,包括:所述运输车辆的司机的连续驾驶时间、司机的驾驶行为。
优选地,当所述司机的连续驾驶时间超过预设的最长驾驶时间阈值时,或所述司机的驾驶行为不符合标准驾驶行为时,发出预警。
优选地,包括:获取运输的订单信息,根据所述运输车辆当前的定位地点及所述订单信息中的运输终点,确定所述运输车辆的运输路径。
优选地,所述对所述实际业务场景的历史数据进行学习,包括:通过机器学习算法,对所述实际业务场景的历史数据集进行学习。
优选地,还包括:实时监控运输车辆行驶过程中的行车事件以及与所述行车事件对应的时间。
优选地,还包括:通过目标检测算法Faster-RCNN对所监控运输车辆行驶过程中的行车事件以及与所述行车事件对应的时间进行识别。
基于本发明的另一方面,提供一种用于物流运输的辅助驾驶***,所述***包括:
第一获取单元,用于获取物流运输中实际业务场景的历史数据集,所述实际业务场景的历史数据集包括<行车事件、时间、车辆信息、行车结果>;
建立单元,用于将所述行车事件、时间和车辆信息作为行车安全模型的输入样本参数,将行车结果作为所述行车安全模型的输出样本参数,对所述实际业务场景的历史数据集进行学习,根据所述实际业务场景的历史数据集的学习结果,建立运输车辆的行车安全模型;
第二获取单元,用于获取进行物流运输时的运输车辆的车辆信息;
预测单元,用于监控所述运输车辆行驶过程中的行车事件以及与所述行车事件对应的时间,根据所述运输车辆的车辆信息,利用所述行车安全模型,对行车结果进行预测。
优选地,所述行车事件包括运输中道路事物识别、行车速度、行车方向的视频数据。
优选地,所述行车结果包括:所述运输车辆与前后车辆的距离、所述运输车辆的行驶偏移。
优选地,所述预测单元还用于:对所述运输车辆的司机驾驶状态进行监控。
优选地,所述运输车辆的司机驾驶状态,包括:所述运输车辆的司机的连续驾驶时间、司机的驾驶行为。
优选地,所述预测单元还用于:当所述司机的连续驾驶时间超过预设的最长驾驶时间阈值时,或所述司机的驾驶行为不符合标准驾驶行为时,发出预警。
优选地,所述第二获取单元还用于:获取运输的订单信息,根据所述运输车辆当前的定位地点及所述订单信息中的运输终点,确定所述运输车辆的运输路径。
优选地,所述建立单元还用于:通过机器学习算法,对所述实际业务场景的历史数据进行学习。
优选地,所述预测单元还用于:实时监控运输车辆行驶过程中的行车事件以及与所述行车事件对应的时间。
优选地,所述建立单元还用于:通过目标检测算法Faster-RCNN对所监控运输车辆行驶过程中的行车事件以及与所述行车事件对应的时间进行识别。
本发明技术方案提供的一种用于物流运输的辅助驾驶方法,通过获取物流运输中实际业务场景的历史数据集,实际业务场景的历史数据集包括<行车事件、时间、车辆信息、行车结果>。本发明技术方案将行车事件、时间和车辆信息作为行车安全模型的输入样本参数,将行车结果作为行车安全模型的输出样本参数,对实际业务场景的历史数据集进行学习,根据实际业务场景的历史数据集的学习结果,建立运输车辆的行车安全模型。本发明技术方案获取进行物流运输时的运输车辆的车辆信息,以及监控运输车辆行驶过程中的行车事件以及与行车事件对应的时间,根据运输车辆的车辆信息,利用行车安全模型,对行车结果进行预测。本发明技术方案,通过包括运输车辆的车辆信息的历史样本数据,建立与车辆信息相关联的行车安全模型,解决了针对物流运输大车车身大,车身长,容错率低而进行的辅助驾驶问题。本发明的技术方案,实现了大型物流运输车辆与前后车辆距离过近,以及行驶偏移道路的问题,通过对运输车辆在行驶过程中的监控,实现对道路事物的识别,根据识别出的行车事件和与行车事件对应的时间以及运输车辆的车辆信息,通过行车安全模型,对行车结果进行预测,从而帮助司机增加行驶安全性和容错率。
附图说明
通过参考下面的附图,可以更为完整地理解本发明的示例性实施方式:
图1为根据本发明实施方式用于物流运输的辅助驾驶方法流程图;
图2为根据本发明实施方式监控运输车辆行驶过程中的行车事件示意图;以及
图3为根据本发明实施方式用于物流运输的辅助驾驶***结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明实施方式用于物流运输的辅助驾驶方法流程图。本发明实施方式提供的一种用于物流运输的辅助驾驶方法,通过获取物流运输中实际业务场景的历史数据集,实际业务场景的历史数据集包括<行车事件、时间、车辆信息、行车结果>。本发明实施方式将行车事件、时间和车辆信息作为行车安全模型的输入样本参数,将行车结果作为行车安全模型的输出样本参数,对实际业务场景的历史数据集进行学习,根据实际业务场景的历史数据集的学习结果,建立运输车辆的行车安全模型。本发明实施方式获取进行物流运输时的运输车辆的车辆信息,以及监控运输车辆行驶过程中的行车事件以及与行车事件对应的时间,根据运输车辆的车辆信息,利用行车安全模型,对行车结果进行预测。本申请中,通过包括运输车辆的车辆信息的历史样本数据集,建立与车辆信息相关联的行车安全模型,解决了针对物流运输大车车身大,车身长,容错率低而进行的辅助驾驶问题。如图1所示,用于物流运输的辅助驾驶方法100从步骤101开始:
优选地,在步骤101:获取物流运输中实际业务场景的历史数据集,实际业务场景的历史数据集包括<行车事件、时间、车辆信息、行车结果>。优选地,行车事件包括运输中道路事物识别、行车速度、行车方向的视频数据。优选地,行车结果包括:运输车辆与前后车辆的距离、运输车辆的行驶偏移。
本申请中,为了建立特定物流运输车辆的行车安全模型,首先采集实际业务场景的历史数据集,本申请中,历史数据集包括行车事件、时间、车辆信息和行车结果。其中,行车事件包括运输中道路事物识别,运输车辆的行车速度和行车方向的视频数据。本申请中,能够通过摄像装置采集行车事件,并实现对行车事件数据的存储。其中,摄像装置可以设置多个,例如,设置在司机前端、司机左侧端、司机右侧端和车后方向。本申请中,运输车辆的行车结果包括运输车辆与前后车辆的距离、运输车辆的行驶偏移。
优选地,在步骤102:将行车事件、时间和车辆信息作为行车安全模型的输入样本参数,将行车结果作为行车安全模型的输出样本参数,对实际业务场景的历史数据集进行学习,根据实际业务场景的历史数据集的学习结果,建立运输车辆的行车安全模型。优选地,对实际业务场景的历史数据进行学习,包括:通过机器学习算法,对实际业务场景的历史数据集进行学习。
本申请中,利用采集的大量的实际业务场景的历史数据集,并以行车事件、时间和车辆信息作为行车安全模型的输入样本参数,将行车结果作为行车安全模型的输出样本参数,利用机器学习算法,对实际业务场景的历史数据集进行学习。本申请根据实际业务场景的历史数据集的学习结果,建立运输车辆的行车安全模型。本申请也可以利用一部分实际业务场景的历史数据集对建立的行车安全模型的预测结果进行检测。
本申请的机器学习算法是在人工智能Tensorflow框架基础上,采用目标检测算法Faster-RCNN算法实现道路事物实时识别,Nasnet Mobile迁移学习做道路危险场景区分。在手机端Android***上用TF Lite运行。实现道路事物实时监测,车辆过近,道路偏移报警。
本申请机器学习算法依托于人工智能Tensorflow:是一个使用数据流图进行数值计算的开源软件库。数据流图用“结点”(nodes)和“线”(edges)的有向图来描述数学计算。“节点” 一般用来表示施加的数学操作,但也可以表示数据输入(feed in)的起点/输出(push out)的终点,或者是读取/写入持久变量(persistent variable)的终点。“线”表示“节点”之间的输入/输出关系。这些数据“线”可以输运“size可动态调整”的多维数据数组,即“张量”(tensor)。
目标检测算法Faster-RCNN解释及计算步骤:Faster R-CNN提出了一种加快计算region proposals的方法,就是通过建立RPN(Region Proposal Network)网络。RPN是一个全连接的卷积网络,通过 end-to-end的方式训练出来高质量的region proposal。然后将Faster R-CNN训练好的卷积特征和Fast R-CNN共享(通过attention model)。
RPN的输入是任意大小的图像,输出是一组打过分的候选框(object proposals)。在卷积的最后一层feature map上使用固定大小的窗口滑动,每个窗口会输出固定大小维度的特征,每一个窗口对候选的9个box进行回归坐标和分类(这里的分类表示box中是不是一个object,而不是具体的类别)。
本申请为了将一个物体可以在不同的尺寸下识别出来,有两种主要的方式,1)对输入进行剪裁/缩放,2)对feature map进行不同大小的划窗,RPN则是采用了不同的方式。
生成训练数据的过程为先看anchor覆盖ground truth是否超过75%,超过就将当前anchor的object分类标记「存在」;如果都没有超过75%,就选择一个覆盖比例最大的标记为「存在」。
RPN的目标函数是分类和回归损失的和,分类采用交叉熵,回归采用稳定的SmoothL1,
SmoothL1公式为:
SmoothL1(x)={0.5x2|x|−0.5|x|<1otherwiseSmoothL1(x)={0.5x2|x|<1|x|−0.5otherwise
整体损失函数具体为:
由于9个anchor是会变化的,要学回归的就是每一个anchor平移比例和缩放比例的信息。
如果行车安全模型足够聪明,并且当前window只有一个object,所有anchor,通过平移和缩放后,结果应该是一样的。下面为具体四个维度的计算方式:
整体计算流程为:
(1)输入测试图像;
(2)将整张图片输入CNN,进行特征提取;
(3)用RPN生成建议窗口(proposals),每张图片生成300个建议窗口;
(4)把建议窗口映射到CNN的最后一层卷积feature map上;
(5)通过RoI pooling层使每个RoI生成固定尺寸的feature map;
(6)利用Softmax Loss(探测分类概率) 和Smooth L1 Loss(探测边框回归)对分类概率和边框回归(Bounding box regression)联合训练。
Nasnet Mobile迁移学习:一般在初始化CNN的卷积核时,使用的是正态随机初始化,此时训练这个网络的话就是在从头训练,如果一个网络在某个更为复杂的任务上表现优异的话(这需要大量的数据与长时间的训练),那么它的参数是具有比较好的特征抽取能力的,又因为CNN的前几层提取的一般为较低级的特征(边缘,轮廓等),所以这些参数即使换一个任务的话,也会有不错的效果(起码在前几层是这样,而且起码比正态随机初始化要好)。在一个数据量比较大的任务中完成训练的过程就是pre-train,用pre-train的参数初始化一个新的网络,并对这些参数再次训练(微调),使之适用于新任务的过程就是fine-tune。因此,会选择ImageNet数据集上训练好的网络,因为它经过大数据量与长时间的训练。
为此采取TensorFlow训练过的模型,Nasnet-A_Mobile224# 模型,我们将基于此模型再用现实的道路危险业务场景的数据进行再训练,生成新的模型用于危险场景图像的识别预测。
手机端Android***上用TF Lite:TensorFlow Lite是TensorFlow用于移动设备和嵌入式设备的轻量化版本。这个开发框架专门为机器学习模型的低延迟推理做了优化,专注于更少的内存占用以及更快的运行速度。
从训练有素的TensorFlow模型开始,使用TensorFlow Lite转换器将该模型转换为TensorFlow Lite文件格式。然后,您可以在移动应用程序中使用该转换后的文件。
部署TensorFlow Lite模型文件使用:
Java API:围绕Android上C ++ API的便捷包装。
C ++ API:加载TensorFlow Lite模型文件并调用解释器。Android和iOS都提供相同的库。
解释器:使用一组内核来执行模型。解释器支持选择性内核加载; 没有内核,只有100KB,加载了所有内核的300KB。这是TensorFlow Mobile要求的1.5M的显著减少。
在选定的Android设备上,解释器将使用Android神经网络API进行硬件加速,如果没有可用的,则默认为CPU执行。
可以使用解释器可以使用的C ++ API来实现定制的内核。
优选地,在步骤103:获取进行物流运输时的运输车辆的车辆信息。本申请中,为保证进行物流运输的大型车辆的安全驾驶,并根据不同车辆的车型、车身长度及车辆相关信息进行辅助驾驶,本申请需要获取运输车辆的车辆信息。
优选地,在步骤104:监控运输车辆行驶过程中的行车事件以及与行车事件对应的时间,根据运输车辆的车辆信息,利用行车安全模型,对行车结果进行预测。优选地,实时监控运输车辆行驶过程中的行车事件以及与行车事件对应的时间。优选地,通过目标检测算法Faster-RCNN对所监控运输车辆行驶过程中的行车事件以及与行车事件对应的时间进行识别。本申请中,实时监控运输车辆行驶过程中的行车事件以及与行车事件对应的时间,例如实时监控道路事物,并对道路事物进行识别,对运输车辆的行车速度、行车方向进行监控,本申请结合运输车辆的信息,例如运输车辆的长度、宽度等,利用行车安全模型,对行车结果进行预测,预测运输车辆与前后车辆的距离、运输车辆的行驶偏移,以保证运输车辆的安全驾驶。
优选地,还包括对运输车辆的司机驾驶状态进行监控。优选地,运输车辆的司机驾驶状态,包括:运输车辆的司机的连续驾驶时间、司机的驾驶行为。优选地,当司机的连续驾驶时间超过预设的最长驾驶时间阈值时,或司机的驾驶行为不符合标准驾驶行为时,发出预警。本申请中,为保证运输车辆的驾驶安全,通过获取司机的实时视频信息,并对视频信息进行分析,实现包括人脸识别,对驾驶过程中,司机打电话,吃东西,左顾右盼,或打瞌睡等行为进行干预。当运输车辆的司机的连续驾驶时间超过预设的最长驾驶时间的阈值时,如预设的最长驾驶时间为2小时,或3小时,当运输司机的连续驾驶时间超过超过预高的2小时或3小时,本申请会发出预警,提醒司机进行休息,保证驾驶行为的正常状态。
优选地,获取运输的订单信息,根据运输车辆当前的定位地点及订单信息中的运输终点,确定运输车辆的运输路径。本申请中,能够获取运输车辆的订单信息,根据运输车辆当前的定位地点及订单信息中的运输终点,可根据用户的选择条件,如避开拥堵、避开高速等、最短路线等条件,为用户确定运输车辆的运输路径。当订单信息过多时,本申请可根据多个订单的运输终点,根据用户的选择条件,为用户设计出车辆运输路径,保证多个订单的送达。
图2为根据本发明实施方式监控运输车辆行驶过程中的行车事件示意图。如图2所示,本申请实时对运输车辆201的道路事物,如车辆202、车辆203、车辆204、车辆206等车辆行驶过程中的行车事件以及与行车事件对应的时间,以及与路侧障碍205之间的距离。根据运输车辆201的车辆信息,利用行车安全模型,对运输车辆201行车结果进行预测。本申请能够通过目标检测算法Faster-RCNN对所监控运输车辆行驶过程中的行车事件以及与行车事件对应的时间进行识别。本申请中,实时监控运输车辆行驶过程中的行车事件以及与行车事件对应的时间,例如车辆202、车辆203、车辆204、车辆206等车辆行驶过程中的行车事件,并对道路事物进行识别,对运输车辆的行车速度、行车方向进行监控,本申请结合运输车辆201的信息,例如运输车辆的长度、宽度等,利用行车安全模型,对行车结果进行预测,预测运输车辆与前后车辆的距离、运输车辆的行驶偏移,以保证运输车辆的安全驾驶。
图3为根据本发明实施方式用于物流运输的辅助驾驶***结构图。如图3所示,一种用于物流运输的辅助驾驶***300包括:
第一获取单元301,用于获取物流运输中实际业务场景的历史数据集,实际业务场景的历史数据集包括<行车事件、时间、车辆信息、行车结果>。优选地,行车事件包括运输中道路事物识别、行车速度、行车方向的视频数据。优选地,行车结果包括:运输车辆与前后车辆的距离、运输车辆的行驶偏移。
建立单元302,用于将行车事件、时间和车辆信息作为行车安全模型的输入样本参数,将行车结果作为行车安全模型的输出样本参数,对实际业务场景的历史数据集进行学习,根据实际业务场景的历史数据集的学习结果,建立运输车辆的行车安全模型。优选地,建立单元还用于:通过机器学习算法,对实际业务场景的历史数据进行学习。
优选地,建立单元302还用于:通过目标检测算法Faster-RCNN对所监控运输车辆行驶过程中的行车事件以及与行车事件对应的时间进行识别。
第二获取单元303,用于获取进行物流运输时的运输车辆的车辆信息。优选地,第二获取单元还用于:获取运输的订单信息,根据运输车辆当前的定位地点及订单信息中的运输终点,确定运输车辆的运输路径。
预测单元304,用于监控运输车辆行驶过程中的行车事件以及与行车事件对应的时间,根据运输车辆的车辆信息,利用行车安全模型,对行车结果进行预测。
优选地,预测单元304还用于:对运输车辆的司机驾驶状态进行监控。优选地,运输车辆的司机驾驶状态,包括:运输车辆的司机的连续驾驶时间、司机的驾驶行为。优选地,预测单元304还用于:当司机的连续驾驶时间超过预设的最长驾驶时间阈值时,或司机的驾驶行为不符合标准驾驶行为时,发出预警。
优选地,预测单元304还用于:实时监控运输车辆行驶过程中的行车事件以及与行车事件对应的时间。
本发明实施方式用于物流运输的辅助驾驶***300与本发明另一实施方式用于物流运输的辅助驾驶方法100相对应,在此不再进行赘述。
已经通过参考少量实施方式描述了本发明。然而,本领域技术人员所公知的,正如附带的专利权利要求所限定的,除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地,在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释,除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例,除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行,除非明确地说明。
Claims (12)
1.一种用于物流运输的辅助驾驶方法,所述方法包括:
获取物流运输中实际业务场景的历史数据集,所述实际业务场景的历史数据集包括<行车事件、时间、车辆信息、行车结果>;
将所述行车事件、时间和车辆信息作为行车安全模型的输入样本参数,将行车结果作为所述行车安全模型的输出样本参数,对所述实际业务场景的历史数据集进行学习,根据所述实际业务场景的历史数据集的学习结果,建立运输车辆的行车安全模型;
获取进行物流运输时的运输车辆的车辆信息;
监控所述运输车辆行驶过程中的行车事件以及与所述行车事件对应的时间,根据所述运输车辆的车辆信息,利用所述行车安全模型,对行车结果进行预测。
2.根据权利要求1所述的方法,所述行车事件包括运输中道路事物识别、行车速度、行车方向的视频数据。
3.根据权利要求1所述的方法,所述行车结果包括:所述运输车辆与前后车辆的距离、所述运输车辆的行驶偏移。
4.根据权利要求1所述的方法,包括:获取运输的订单信息,根据所述运输车辆当前的定位地点及所述订单信息中的运输终点,确定所述运输车辆的运输路径。
5.根据权利要求1所述的方法,所述对所述实际业务场景的历史数据进行学习,包括:通过机器学习算法,对所述实际业务场景的历史数据集进行学习。
6.根据权利要求1所述的方法,还包括:通过目标检测算法Faster-RCNN对所监控运输车辆行驶过程中的行车事件以及与所述行车事件对应的时间进行识别。
7.一种用于物流运输的辅助驾驶***,所述***包括:
第一获取单元,用于获取物流运输中实际业务场景的历史数据集,所述实际业务场景的历史数据集包括<行车事件、时间、车辆信息、行车结果>;
建立单元,用于将所述行车事件、时间和车辆信息作为行车安全模型的输入样本参数,将行车结果作为所述行车安全模型的输出样本参数,对所述实际业务场景的历史数据集进行学习,根据所述实际业务场景的历史数据集的学习结果,建立运输车辆的行车安全模型;
第二获取单元,用于获取进行物流运输时的运输车辆的车辆信息;
预测单元,用于监控所述运输车辆行驶过程中的行车事件以及与所述行车事件对应的时间,根据所述运输车辆的车辆信息,利用所述行车安全模型,对行车结果进行预测。
8.根据权利要求7所述的***,所述行车事件包括运输中道路事物识别、行车速度、行车方向的视频数据。
9.根据权利要求7所述的***,所述行车结果包括:所述运输车辆与前后车辆的距离、所述运输车辆的行驶偏移。
10.根据权利要求7所述的***,所述第二获取单元还用于:获取运输的订单信息,根据所述运输车辆当前的定位地点及所述订单信息中的运输终点,确定所述运输车辆的运输路径。
11.根据权利要求7所述的***,所述建立单元还用于:通过机器学习算法,对所述实际业务场景的历史数据进行学习。
12.根据权利要求7所述的***,所述建立单元还用于:通过目标检测算法Faster-RCNN对所监控运输车辆行驶过程中的行车事件以及与所述行车事件对应的时间进行识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810105774.9A CN108416267A (zh) | 2018-02-02 | 2018-02-02 | 一种用于物流运输的辅助驾驶方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810105774.9A CN108416267A (zh) | 2018-02-02 | 2018-02-02 | 一种用于物流运输的辅助驾驶方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108416267A true CN108416267A (zh) | 2018-08-17 |
Family
ID=63127496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810105774.9A Pending CN108416267A (zh) | 2018-02-02 | 2018-02-02 | 一种用于物流运输的辅助驾驶方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108416267A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080202A (zh) * | 2019-12-13 | 2020-04-28 | 拉货宝网络科技有限责任公司 | 一种面向油量节省的作业车辆的效能管理方法及*** |
CN111784142A (zh) * | 2020-06-24 | 2020-10-16 | 吉林大学 | 高级驾驶辅助***任务复杂度量化模型 |
CN113011665A (zh) * | 2021-03-29 | 2021-06-22 | 上海寻梦信息技术有限公司 | 物流时效预测方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104429047A (zh) * | 2014-03-05 | 2015-03-18 | 华为终端有限公司 | 车联网数据处理方法、服务器和终端 |
CN105966404A (zh) * | 2015-11-06 | 2016-09-28 | 乐卡汽车智能科技(北京)有限公司 | 一种驾驶行为评测方法及装置 |
-
2018
- 2018-02-02 CN CN201810105774.9A patent/CN108416267A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104429047A (zh) * | 2014-03-05 | 2015-03-18 | 华为终端有限公司 | 车联网数据处理方法、服务器和终端 |
CN105966404A (zh) * | 2015-11-06 | 2016-09-28 | 乐卡汽车智能科技(北京)有限公司 | 一种驾驶行为评测方法及装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080202A (zh) * | 2019-12-13 | 2020-04-28 | 拉货宝网络科技有限责任公司 | 一种面向油量节省的作业车辆的效能管理方法及*** |
CN111784142A (zh) * | 2020-06-24 | 2020-10-16 | 吉林大学 | 高级驾驶辅助***任务复杂度量化模型 |
CN111784142B (zh) * | 2020-06-24 | 2022-08-26 | 吉林大学 | 高级驾驶辅助***任务复杂度量化模型的建立方法 |
CN113011665A (zh) * | 2021-03-29 | 2021-06-22 | 上海寻梦信息技术有限公司 | 物流时效预测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108423006A (zh) | 一种辅助驾驶预警方法及*** | |
US11648935B2 (en) | Driving assistance method and system | |
CN113173232B (zh) | 一种基于人机共融的船舶智能辅助驾控***及方法 | |
CN108416267A (zh) | 一种用于物流运输的辅助驾驶方法及*** | |
US11242050B2 (en) | Reinforcement learning with scene decomposition for navigating complex environments | |
US20210097854A1 (en) | Monitoring system, apparatus of a vehicle, apparatus of a roadside unit, traffic infrastructure system, and methods thereof | |
US11560146B2 (en) | Interpreting data of reinforcement learning agent controller | |
US11945469B2 (en) | Object uncertainty models | |
CN112330915A (zh) | 无人机森林防火预警方法、***、电子设备和存储介质 | |
Gressenbuch et al. | Predictive monitoring of traffic rules | |
CN116343080A (zh) | 一种动态稀疏关键帧视频目标检测方法、装置及存储介质 | |
CN113807298B (zh) | 行人过街意图预测方法、装置、电子设备及可读存储介质 | |
Lim et al. | Gaussian process auto regression for vehicle center coordinates trajectory prediction | |
US20210398014A1 (en) | Reinforcement learning based control of imitative policies for autonomous driving | |
Zhuang et al. | Robust auto-parking: Reinforcement learning based real-time planning approach with domain template | |
US20240017746A1 (en) | Assessing present intentions of an actor perceived by an autonomous vehicle | |
Benterki et al. | Driving intention prediction and state recognition on highway | |
Radi et al. | Enhanced Implementation of Intelligent Transportation Systems (ITS) based on Machine Learning Approaches | |
CN112947549A (zh) | 一种基于无人机的应急物资投放方法、***及可读存储介质 | |
CN115440041A (zh) | 一种路侧视角下的重点车辆驾驶行为预测方法 | |
US20220163966A1 (en) | Object uncertainty models to assist with drivable area determinations | |
CN114266490A (zh) | 一种高效且精确的综合交通运输网络安全风险点辨识方法 | |
Priya et al. | Vehicle Detection in Autonomous Vehicles Using Computer Vision Check for updates | |
Denman et al. | Multi-view intelligent vehicle surveillance system | |
Wulfe | Uav collision avoidance policy optimization with deep reinforcement learning |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20181026 Address after: 200120 118, 20, 1-42 Lane 83, Hongxiang North Road, Wanxiang Town, Pudong New Area, Shanghai. Applicant after: Shanghai Hao Ling Technology Co., Ltd. Address before: 113000 Office 1, 7 building, Tong Yi Bei Road, Dongzhou District, Fushun, Liaoning. Applicant before: Liaoning AIA Network Technology Co., Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180817 |