CN112085178B - 一种车辆行为数据的标注方法及装置 - Google Patents
一种车辆行为数据的标注方法及装置 Download PDFInfo
- Publication number
- CN112085178B CN112085178B CN201910510173.0A CN201910510173A CN112085178B CN 112085178 B CN112085178 B CN 112085178B CN 201910510173 A CN201910510173 A CN 201910510173A CN 112085178 B CN112085178 B CN 112085178B
- Authority
- CN
- China
- Prior art keywords
- behavior
- data
- vehicle behavior
- target
- statistical
- 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.)
- Active
Links
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开一种车辆行为数据的标注方法及装置。该方法包括:获取包括车辆信息和道路信息的待标注的第一车辆行为数据,基于预先建立的目标数学统计模型计算车辆信息的统计特征,确定统计特征所满足的目标统计规则,根据目标统计规则以及道路信息得到第一车辆行为数据对应的行为类型,当得到的目标数据集中的所有第一车辆行为数据对应的行为类型的准确率大于预设阈值时,基于所得到的行为类型对该第一车辆行为数据进行标注得到对应的标注信息,当得到的准确率不大于预设阈值时,基于预先建立的目标网络模型,对新的目标数据集中的第二车辆行为数据进行标注得到对应的标注信息。应用本发明实施例提供的方案,能够自动进行标注,提高标注效率。
Description
技术领域
本发明涉及智能驾驶技术领域,具体而言,涉及一种车辆行为数据的标注方法及装置。
背景技术
在自动驾驶场景中,提前预知他车的行为并发出警告可以避免交通事故的发生,因此,他车的未来行为预测是非常必要的。
目前,主要通过机器学习的方式对他车的行为进行预测。为了建立行为预测机器学习模型,需要大量的车辆行为数据以及对车辆行为数据进行标注后的标注信息,示例性的,当车辆行为数据中的车辆信息为左转向灯闪烁,道路信息为左转道时,标注信息可以为车辆左转。
而目前国内外数据标注工作多采用众包、外包等人工标注方式。上述方式需要雇佣大量的人力资源才能满足在机器学习不断迭代过程中的标注需求,其效率低下。为了解决车辆行为数据标注中的效率问题,亟需一种提高标注效率的车辆行为数据的标注方法。
发明内容
本发明提供了一种车辆行为数据的标注方法及装置,以提高车辆行为数据的标注效率。具体的技术方案如下。
第一方面,本发明实施例提供了一种车辆行为数据的标注方法,该方法包括:
获取目标数据集中的待标注的第一车辆行为数据,其中,所述第一车辆行为数据包括车辆信息和道路信息;
对于每个第一车辆行为数据,基于预先建立的目标数学统计模型,计算该第一车辆行为数据包括的车辆信息的统计特征,其中,所述统计特征反映该第一车辆行为数据对应的行为类型;
确定所述统计特征所满足的目标统计规则,并根据所述目标统计规则、统计规则与统计行为的预设对应关系以及所述道路信息得到该第一车辆行为数据对应的行为类型;
当得到的所述目标数据集中的所有第一车辆行为数据对应的行为类型的准确率大于预设阈值时,基于所得到的行为类型对该第一车辆行为数据进行标注得到对应的标注信息;
当得到的所述目标数据集中的所有第一车辆行为数据对应的行为类型的准确率不大于预设阈值时,获取新的目标数据集中的第二车辆行为数据,基于预先建立的目标网络模型,确定所述第二车辆行为数据对应的行为类型,并基于所确定的行为类型对所述第二车辆行为数据进行标注得到对应的标注信息,
其中,所述目标网络模型为:基于车辆行为样本数据及对应的行为类型作为模型训练数据,对初始网络模型进行训练得到的网络模型,其中,所述目标网络模型用于使得车辆行为样本数据与对应的行为类型相互关联,所述车辆行为样本数据对应的行为类型是由标注员针对所述车辆行为样本数据预先输入的。
可选的,所述确定所述统计特征所满足的目标统计规则,并根据所述目标统计规则、统计规则与统计行为的预设对应关系以及所述道路信息得到该第一车辆行为数据对应的行为类型的步骤,包括:
确定所述统计特征所满足的目标统计规则,并根据统计规则与统计行为的预设对应关系,确定所述目标统计规则对应的统计行为;
判断所述统计行为是否与所述道路信息相匹配;
如果是,确定该第一车辆行为数据对应的行为类型为所述统计行为。
可选的,所述目标网络模型的训练过程为:
获取训练集中的车辆行为样本数据;
接收标注员针对所述车辆行为样本数据输入的行为类型;
将所述车辆行为样本数据及对应的行为类型作为模型训练数据,对初始网络模型进行训练,得到目标网络模型,其中,目标网络模型用于使得车辆行为样本数据与对应的行为类型相互关联。
可选的,所述将所述车辆行为样本数据及对应的行为类型作为模型训练数据,对初始网络模型进行训练,得到目标网络模型的步骤,包括:
将所述车辆行为样本数据及对应的行为类型输入初始网络模型中,其中,所述初始网络模型包括特征提取层和回归层;
通过所述特征提取层的第一模型参数,确定所述车辆行为样本数据中的特征向量,通过所述回归层的第二模型参数,对所述特征向量进行回归,得到初始行为类型;
计算所述初始行为类型与所述车辆行为样本数据对应的行为类型之间的差异值;
当所述差异值大于预设差异阈值时,根据所述差异值调整所述第一模型参数和所述第二模型参数,返回执行所述将所述车辆行为样本数据及对应的行为类型输入初始网络模型中的步骤;
当所述差异值未大于预设差异阈值时,确定所述初始网络模型训练完成,得到目标网络模型。
可选的,所述获取目标数据集中的待标注的第一车辆行为数据的步骤,包括:
接收用户从预设数据集集合中所选取的目标数据集;
接收用户从所述目标数据集中所选取目标数据组,并将所述目标数据组所包括的车辆行为数据,作为待标注的第一车辆行为数据。
可选的,在所述基于所确定的行为类型对所述第二车辆行为数据进行标注得到对应的标注信息的步骤之后,上述方法还包括:
保存所述第二车辆行为数据及对应的标注信息;
检测所述新的目标数据集中,是否存在未被标注的车辆行为数据;
如果存在,根据预设数据组间隔规则,从所述新的目标数据集中选取一数据组,并将所选取的数据组包括的车辆行为数据作为第二车辆行为数据,返回执行所述基于预先建立的目标网络模型,确定所述第二车辆行为数据对应的行为类型的步骤。
可选的,在所述检测所述新的目标数据集中,是否存在未被标注的车辆行为数据的步骤之后,上述方法还包括:
当不存在未被标注的车辆行为数据时,确定所述新的目标数据集所在的目标数据集集合;
根据预设选取规则,从所确定的目标数据集集合中选取一数据集;
接收用户从所选取的数据集中选择的数据组,并将所选择的数据组包括的车辆行为数据作为所述第二车辆行为数据,返回执行所述基于预先建立的目标网络模型,确定所述第二车辆行为数据对应的行为类型的步骤。
可选的,在所述基于所确定的行为类型对所述第二车辆行为数据进行标注得到对应的标注信息的步骤之后,上述方法还包括:
在车辆行为列表中,突出显示所述标注信息对应的车辆行为。
第二方面,本发明实施例提供了一种车辆行为数据的标注装置,该装置包括:
获取模块,用于获取目标数据集中的待标注的第一车辆行为数据,其中,所述第一车辆行为数据包括车辆信息和道路信息;
计算模块,用于对于每个第一车辆行为数据,基于预先建立的目标数学统计模型,计算该第一车辆行为数据包括的车辆信息的统计特征,其中,所述统计特征反映该第一车辆行为数据对应的行为类型;
行为类型确定模块,用于确定所述统计特征所满足的目标统计规则,并根据所述目标统计规则、统计规则与统计行为的预设对应关系以及所述道路信息得到该第一车辆行为数据对应的行为类型;
第一标注模块,用于当得到的所述目标数据集中的所有第一车辆行为数据对应的行为类型的准确率大于预设阈值时,基于所得到的行为类型对该第一车辆行为数据进行标注得到对应的标注信息;
第二标注模块,用于当得到的所述目标数据集中的所有第一车辆行为数据对应的行为类型的准确率不大于预设阈值时,获取新的目标数据集中的第二车辆行为数据,基于预先建立的目标网络模型,确定所述第二车辆行为数据对应的行为类型,并基于所确定的行为类型对所述第二车辆行为数据进行标注得到对应的标注信息,
其中,所述目标网络模型为:基于车辆行为样本数据及对应的行为类型作为模型训练数据,对初始网络模型进行训练得到的网络模型,其中,所述目标网络模型用于使得车辆行为样本数据与对应的行为类型相互关联,所述车辆行为样本数据对应的行为类型是由标注员针对所述车辆行为样本数据预先输入的。
可选的,所述行为类型确定模块,包括:
统计行为确定子模块,用于确定所述统计特征所满足的目标统计规则,并根据统计规则与统计行为的预设对应关系,确定所述目标统计规则对应的统计行为;
判断子模块,用于判断所述统计行为是否与所述道路信息相匹配,如果是,触发第一确定子模块;
所述第一确定子模块,用于确定该第一车辆行为数据对应的行为类型为所述统计行为。
可选的,还包括训练模块,所述训练模块用于训练得到所述目标网络模型,所述训练模块包括:
获取子模块,用于获取训练集中的车辆行为样本数据;
接收子模块,用于接收标注员针对所述车辆行为样本数据输入的行为类型;
目标网络模型生成子模块,用于将所述车辆行为样本数据及对应的行为类型作为模型训练数据,对初始网络模型进行训练,得到目标网络模型,其中,目标网络模型用于使得车辆行为样本数据与对应的行为类型相互关联。
可选的,所述目标网络模型生成子模块,包括:
输入单元,用于将所述车辆行为样本数据及对应的行为类型输入初始网络模型中,其中,所述初始网络模型包括特征提取层和回归层;
初始标注信息生成单元,用于通过所述特征提取层的第一模型参数,确定所述车辆行为样本数据中的特征向量,通过所述回归层的第二模型参数,对所述特征向量进行回归,得到初始行为类型;
差异值计算单元,用于计算所述初始行为类型与所述车辆行为样本数据对应的行为类型之间的差异值;
调整单元,用于当所述差异值大于预设差异阈值时,根据所述差异值调整所述第一模型参数和所述第二模型参数,触发所述输入单元;
训练完成单元,用于当所述差异值未大于预设差异阈值时,确定所述初始网络模型训练完成,得到目标网络模型。
可选的,所述获取模块,包括:
目标数据集接收子模块,用于接收用户从预设数据集集合中所选取的目标数据集;
目标车辆行为数据确定子模块,用于接收用户从所述目标数据集中所选取目标数据组,并将所述目标数据组所包括的车辆行为数据,作为待标注的第一车辆行为数据。
可选的,上述装置还包括:
保存模块,用于在所述基于所确定的行为类型对所述第二车辆行为数据进行标注得到对应的标注信息之后,保存所述第二车辆行为数据及对应的标注信息;
检测模块,用于检测所述新的目标数据集中,是否存在未被标注的车辆行为数据,如果存在,触发选取模块;
所述选取模块,用于根据预设数据组间隔规则,从所述新的目标数据集中选取一数据组,并将所选取的数据组包括的车辆行为数据作为第二车辆行为数据,触发所述第二标注模块。
可选的,上述装置还包括:
目标数据集集合确定模块,用于在所述检测所述新的目标数据集中,是否存在未被标注的车辆行为数据的之后,当不存在未被标注的车辆行为数据时,确定所述新的目标数据集所在的目标数据集集合;
数据集选取模块,用于根据预设选取规则,从所确定的目标数据集集合中选取一数据集;
接收模块,用于接收用户从所选取的数据集中选择的数据组,并将所选择的数据组包括的车辆行为数据作为所述第二车辆行为数据,触发所述第二标注模块。
可选的,上述装置还包括:
显示模块,用于在所述基于所确定的行为类型对所述第二车辆行为数据进行标注得到对应的标注信息之后,在车辆行为列表中,突出显示所述标注信息对应的车辆行为。
由上述内容可知,本实施例可以获取包括车辆信息和道路信息的待标注的第一车辆行为数据,对于每个第一车辆行为数据,先基于预先建立的目标数学统计模型,计算车辆信息的统计特征,然后确定统计特征所满足的目标统计规则,并根据目标统计规则、统计规则与统计行为的预设对应关系以及所道路信息得到该第一车辆行为数据对应的行为类型,当得到的目标数据集中的所有第一车辆行为数据对应的行为类型的准确率大于预设阈值时,基于所得到的行为类型对该第一车辆行为数据进行标注得到对应的标注信息,当得到的目标数据集中的所有第一车辆行为数据对应的行为类型的准确率不大于预设阈值时,获取新的目标数据集中的第二车辆行为数据,基于预先建立的目标网络模型,确定第二车辆行为数据对应的行为类型,并基于所确定的行为类型对第二车辆行为数据进行标注得到对应的标注信息。这样就实现了通过目标数学统计模型计算统计特征,并基于统计特征进行标注,并且在基于统计数据的方式在目标数据集上无法达到准确度需求时,对于新的目标数据集,通过目标网络模型进行标注,达到了能对车辆行为数据进行自动标注的目的,相比于通过人力进行标注的方式,采用机器自动进行标注可以节省人力,提高标注效率。当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
本发明实施例的创新点包括:
1、通过目标数学统计模型计算统计特征,并基于统计特征进行标注,并且在基于统计数据的方式在目标数据集上无法达到准确度需求时,对于新的目标数据集,通过目标网络模型进行标注,达到了能对车辆行为数据进行自动标注的目的,相比于通过人力进行标注的方式,采用机器自动进行标注可以节省人力,提高标注效率。
2、通过确定统计特征所满足的目标统计规则,并根据统计规则与统计行为的预设对应关系,确定了目标统计规则对应的统计行为,并基于统计行为与道路信息得到该第一车辆行为数据对应的行为类型,后续再基于该第一车辆行为数据对应的行为类型对该第一车辆行为数据进行标注,达到了基于统计特征自动进行标注的目的。
3、通过对初始网络模型进行训练,可以得到用于使得车辆行为样本数据与对应的行为类型相互关联的目标网络模型,通过该目标网络模型可以得到第二车辆行为数据对应的行为类型,然后基于该行为类型对第二车辆行为数据进行标注得到对应的标注信息,由于目标网络模型是基于大量的车辆行为样本数据进行训练得到的,因此,其准确率高于基于统计特征的方式得到行为类型的准确率,因此,达到了可以自动标注车辆行为数据且标注准确率较高的目的。
4、通过突出显示的方式,使用户可以醒目的查看到已标注的车辆行为,便于用户对车辆行为进行区分,也提升了用户的专注度。
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为本发明实施例提供的车辆行为数据的标注方法的一种流程示意图;
图2为图1中步骤S130的一种流程示意图;
图3为本发明实施例提供的目标网络模型的训练过程的一种流程示意图;
图4为本发明实施例提供的标注软件的界面示意图;
图5为本发明实施例提供的车辆行为数据的标注装置的一种结构示意图。
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、完整的描述。显然,所描述的实施例仅仅是本发明的一部分实施例,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付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。
需要说明的是,本发明实施例及附图中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。例如包含的一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
本发明实施例公开了一种车辆行为数据的标注方法及装置,能够自动对车辆行为数据进行标注,无需人工标注,提高了标注效率。下面对本发明实施例进行详细说明。
图1为本发明实施例提供的车辆行为数据的标注方法的一种流程示意图。该方法应用于电子设备。该方法具体可以包括以下步骤S110~S150。
S110:获取目标数据集中的待标注的第一车辆行为数据。
为了对车辆行为数据进行标注,需要获取目标数据集中的待标注的第一车辆行为数据。
步骤S110具体可以包括:
接收用户从预设数据集集合中所选取的目标数据集;接收用户从目标数据集中所选取的目标数据组,并将目标数据组所包括的车辆行为数据,作为待标注的第一车辆行为数据。
一般来说,对车辆行为数据的采集是实时且连续的,并且一次采集就会生成一个数据集,且一次采集的时间段并不固定,可以为4个小时,也可以为8个小时,也可以为24个小时,那么连续的采集就会产生多个数据集,形成数据集集合,例如:假设一次采集的时间段为一天,则十天内针对经过十字路口A的车辆行为进行采集,就产生了十个数据集,形成数据集集合A,十天内针对经过十字路口B的车辆行为进行采集,就产生了十个数据集,形数据集集合B。
由于在进行每一次采集时,都会有很多车辆经过被采集的道路,因此,每个数据集中包含了很多车辆的车辆行为数据以及对应的时间段信息。其中,所采集到的每个车辆的车辆行为数据可以包括:车辆信息以及道路信息。
示例性的,车辆信息可以包括3D坐标信息、角速度、线速度、加速度、转向灯信息、刹车灯信息或双跳灯信息中的至少一种。
道路信息可以包括直行道、左转道、右转道、十字路口、匝道汇入口、匝道汇出口、停车位、斑马线或红路灯信息中的至少一种。
由于每个数据集中包含了很多车辆的车辆行为数据以及对应的时间段信息,为了对每个车辆的车辆行为数据进行标注,可以将一个数据集划分为多个数据组,每个数据组可以包含一辆车的车辆行为数据、对应的时间段信息以及标注数据,其中,车辆行为数据可以包括观测信息与对应的未来信息,例如:车辆行为数据对应的时间段位10s,则观测信息为1-5s对应的车辆行为数据,未来信息为6-10s对应的车辆行为数据,在数据组包括的车辆行为数据未被标注时,标注数据是空的,并没有数值。
由于对车辆行为数据进行标注是为了建立行为预测机器学习模型,因此,需要对大量的车辆行为数据进行标注。因此,在对车辆行为数据进行标注时,会存在预设数据集集合,用户可以从预设数据集集合中,选择想要标注的数据集,此时,电子设备接收用户从预设数据集集合中所选取的目标数据集。
由于数据集中还包含多个数据组,因此,用户还需要从目标数据集中选取目标数据组,此时,电子设备接收用户从目标数据集中所选取的目标数据组,并将目标数据组所包括的车辆行为数据,作为待标注的第一车辆行为数据,其中,第一车辆行为数据包括车辆信息和道路信息。
S120:对于每个第一车辆行为数据,基于预先建立的目标数学统计模型,计算该第一车辆行为数据包括的车辆信息的统计特征。
由于对第一车辆行为数据进行标注的实质就是标注该第一车辆行为数据在对应的时间段内的运动轨迹对应的是什么行为类型,因此,在获取了第一车辆行为数据后,对于每个第一车辆行为数据,需要确定第一车辆行为数据对应的行为类型。示例性的,确定第一车辆行为数据对应的行为类型,可以为确定第一车辆行为数据包括的未来信息对应的行为类型。
由于大部分驾驶行为具备一定规律和数据值上的模式,因此,可以通过对驾驶行为也就是车辆信息建立数学模型来确定行为类型。示例性的,该数学模型可以是基于平均值、方差、标准差或交叉熵的统计模型。由此,基于车辆信息预先建立了目标数学统计模型。
在获取了第一车辆行为数据后,对于每个第一车辆行为数据,基于预先建立的目标数学统计模型,计算该第一车辆行为数据包括的车辆信息的统计特征,其中,统计特征反映该第一车辆行为数据对应的行为类型。示例性的,统计特征可以为平均值、方差、标准差或交叉熵中的一种。
在一种实现方式中,当车辆信息包括角速度和线速度,统计特征为平均值时,基于预先建立的目标数学统计模型,计算该第一车辆行为数据包括的车辆信息的统计特征的步骤,可以包括:
基于该第一车辆行为数据对应的时间段信息,计算角速度在对应的时间段内的平均值以及线速度在对应的时间段内的平均值。
S130:确定统计特征所满足的目标统计规则,并根据目标统计规则、统计规则与统计行为的预设对应关系以及道路信息得到该第一车辆行为数据对应的行为类型。
由于在不同的应用场景下,行为类型的选择会有所不同,例如:在高速公路场景下,行为类型可以包括驶入匝道行为、驶出匝道行为、变道行为、抢道行为、超车行为;在城区道路场景下,行为类型可以包括停车行为、直行行为、左转行为、右转行为、倒车行为、等红绿灯行为、障碍物避让行为。又由于道路信息可以反映是在何种应用场景下,因此,在计算出统计特征后,需要确定统计特征所满足的目标统计规则,并根据目标统计规则、统计规则与统计行为的预设对应关系以及道路信息得到该第一车辆行为数据对应的行为类型。
参见图2,步骤S130可以包括以下步骤:
S1301:确定统计特征所满足的目标统计规则,并根据统计规则与统计行为的预设对应关系,确定目标统计规则对应的统计行为。
为了确定统计行为,预先设定有统计规则与统计行为的对应关系,在计算出统计特征后,即可确定统计特征所满足的目标统计规则,然后根据统计规则与统计行为的预设对应关系,确定目标统计规则对应的统计行为。
在一种实现方式中,当车辆信息包括角速度和线速度,统计特征为平均值时,确定统计特征所满足的目标统计规则,根据统计规则与统计行为的预设对应关系,确定目标统计规则对应的统计行为的步骤,可以包括:
根据预设公式确定目标统计规则对应的统计行为:
其中,Behaviorstat为统计行为,FORWARD为向前行为,YIELD为让步行为,RIGHT为向右行为,wmean为角速度平均值,Vmean为线速度平均值,Kw为角速度统计系数,Kv为线速度统计系数,w为角速度,v为线速度。
S1302:判断统计行为是否与道路信息相匹配,如果是,执行步骤S1303。
由于在不同的应用场景下,行为类别的选择会有所不同,又由于道路信息可以反映是在何种应用场景下,因此,在确定目标统计规则对应的统计行为后,需要判断统计行为是否与道路信息相匹配,并依据判断结果进行后续步骤。
例如:当确定目标统计规则对应的统计行为右转行为,且道路信息为右转道时,判断统计行为是否与道路信息相匹配的步骤,可以包括:
判断右转行为是否与右转道相匹配。
S1303:确定该第一车辆行为数据对应的行为类型为统计行为。
当判断统计行为与道路信息相匹配时,说明目标车辆行为数据对应的车辆在道路信息对应的场景下正常行驶,此时,可以将统计行为作为该第一车辆行为数据对应的行为类型。
例如:承接步骤S1302的例子,判断右转行为与右转道相匹配,将右转行为作为该第一车辆行为数据对应的行为类型。
当判断统计行为不与道路信息相匹配时,说明目标车辆行为数据对应的车辆在道路信息对应的场景下未正常行驶,此时,不做任何处理。
由此,通过确定统计特征所满足的目标统计规则,并根据统计规则与统计行为的预设对应关系,确定了目标统计规则对应的统计行为,并基于统计行为与道路信息得到该第一车辆行为数据对应的行为类型,后续再基于该第一车辆行为数据对应的行为类型对该第一车辆行为数据进行标注,达到了基于统计特征自动进行标注的目的。这是本发明实施例的创新点之一。
S140:当得到的目标数据集中的所有第一车辆行为数据对应的行为类型的准确率大于预设阈值时,基于所得到的行为类型对该第一车辆行为数据进行标注得到对应的标注信息。
由于在基于统计特征得到行为类型的过程中,可能出现误差,导致所得到的行为类型不准确,因此,当得到目标数据集中的所有第一车辆行为数据对应的行为类型后,需要确定所有第一车辆行为数据对应的行为类型的准确率。
其中,通过人为检查的方式,检查所有第一车辆行为数据对应的行为类型是否正确,并对错误的行为类型进行修正,电子设备通过计算修正的行为类型的数量占第一车辆行为数据总量的比例来确定准确率。
当该准确率大于预设阈值时,说明得到的行为类型中正确的行为类型占的比例较大,准确率在可以接受的程度内,此时,可以基于所得到的行为类型对该第一车辆行为数据进行标注得到对应的标注信息。
其中,基于所得到的行为类型对该第一车辆行为数据进行标注得到对应的标注信息可以为将所得到的行为类型作为该第一车辆行为数据对应的标注信息。
例如:承接步骤S1303的例子,将右转行为作为该第一车辆行为数据对应的标注信息。
S150:当得到的目标数据集中的所有第一车辆行为数据对应的行为类型的准确率不大于预设阈值时,获取新的目标数据集中的第二车辆行为数据,基于预先建立的目标网络模型,确定第二车辆行为数据对应的行为类型,并基于所确定的行为类型对第二车辆行为数据进行标注得到对应的标注信息。
其中,目标网络模型为:基于车辆行为样本数据及对应的行为类型作为模型训练数据,对初始网络模型进行训练得到的网络模型,其中,目标网络模型用于使得车辆行为样本数据与对应的行为类型相互关联,车辆行为样本数据对应的行为类型是由标注员针对车辆行为样本数据预先输入的。
当该准确率不大于预设阈值时,说明得到的行为类型中正确的行为类型占的比例较小,如果仍然采用此种方式来确定新的目标数据集中的第二车辆行为数据对应的行为类型,将得到非常多的错误的行为类型,因此,针对这一情况,本发明实施例中预先建立了目标网络模型,在获取新的目标数据集中的第二车辆行为数据后,通过该预先建立的目标网络模型,确定第二车辆行为数据对应的行为类型,并基于所确定的行为类型对第二车辆行为数据进行标注得到对应的标注信息。
参见图3,目标网络模型的训练过程可以为:
S301:获取训练集中的车辆行为样本数据。
在建立目标网络模型时,需要获取训练集中的车辆行为样本数据。
S302:接收标注员针对车辆行为样本数据输入的行为类型。
在获取车辆行为样本数据后,通过人为的方式对车辆行为样本数据进行标注,电子设备接收标注员针对车辆行为样本数据输入的行为类型。
S303:将车辆行为样本数据及对应的行为类型作为模型训练数据,对初始网络模型进行训练,得到目标网络模型。
在接收到标注员针对车辆行为样本数据输入的行为类型后,即可将车辆行为样本数据及对应的行为类型作为模型训练数据,对初始网络模型进行训练,得到目标网络模型,其中,目标网络模型用于使得车辆行为样本数据与对应的行为类型相互关联。
步骤S303具体可以包括:
将车辆行为样本数据及对应的行为类型输入初始网络模型中,其中,初始网络模型包括特征提取层和回归层;
通过特征提取层的第一模型参数,确定车辆行为样本数据中的特征向量,通过回归层的第二模型参数,对特征向量进行回归,得到初始行为类型;
计算初始行为类型与车辆行为样本数据对应的行为类型之间的差异值;
当差异值大于预设差异阈值时,根据差异调整第一模型参数和第二模型参数,返回执行将车辆行为样本数据及对应的行为类型输入初始网络模型中的步骤;
当差异值未大于预设差异阈值时,确定初始网络模型训练完成,得到目标网络模型。
可以理解的是,电子设备首先需要构建一个初始网络模型,然后对其进行训练,进而得到目标网络模型。在一种实现方式中,可以利用caffe工具构建一个包括特征提取层和回归层的初始网络模型。示例性的,初始网络模型可以为SVM(Support Vector Machine,支持向量机)RNN(Recurrent Neural Network,循环神经网络),LSTM(Long Short-TermMemory,长短期记忆网络)或GRU(Gated Recurrent Unit,门控循环单元)等。
构建了初始网络模型后,将车辆行为样本数据及对应的行为类型输入到初始网络模型中进行训练。
具体来说,将车辆行为样本数据输入到特征提取层,通过特征提取层的第一模型参数,确定车辆行为样本数据中的特征向量。然后将所确定的特征向量输入到回归层,通过回归层的第二模型参数,对特征向量进行回归,得到初始行为类型。
在得到初始行为类型后,将其与该车辆行为样本数据对应的行为类型进行对比,通过预先定义的目标函数计算两者之间的差异值,当差异值大于预设差异阈值时,说明此时的初始网络模型还未能适用于大部分的车辆行为数据,此时,需要根据差异值通过反向传播法调整第一模型参数和所述第二模型参数,返回执行将车辆行为样本数据及对应的行为类型输入初始网络模型中的步骤。
在训练过程中,可以循环遍历所有的车辆行为样本数据,并不断调整初始网络模型的第一模型参数和第二模型参数。当差异值未大于预设差异阈值时,说明此时的初始网络模型能适用于大部分的车辆行为数据,获得准确的结果,此时,确定初始网络模型训练完成,得到目标网络模型。可以理解的是,训练得到的目标网络模型用于使得车辆行为样本数据与对应的行为类型相互关联。
另外,在模型训练过程中,如果出现误差可以通过人工的方式对误差进行修正,然后再将修正后的行为类型输入到初始网络模型中,由此,通过人工修正的方式提高了模型训练的准确率。
可见,通过上述训练方式对初始网络模型进行训练,可以得到用于使得车辆行为样本数据与对应的行为类型相互关联的目标网络模型,通过该目标网络模型可以得到第二车辆行为数据对应的行为类型,然后基于该行为类型对第二车辆行为数据进行标注得到对应的标注信息,由于目标网络模型是基于大量的车辆行为样本数据进行训练得到的,因此,其准确率高于基于统计特征的方式得到行为类型的准确率,因此,达到了可以自动标注车辆行为数据且标注准确率较高的目的。这是本发明实施例的创新点之一。
一般来说,上述目标网络模型针对于一些常见的和容易分辨的情景的效果较好,例如:直道行驶情景、变道行驶情景、弯道转向情景、匝道汇入情景、匝道汇出情景、多车道汇入情景、多车道汇出情景、路口等红绿灯情景、路边停车情景、抢道情景或急刹车情景等。
针对于超过三车交互或者车辆行为不易分辨的情景,在训练时,可以使用表达能力更强的深度神经网络,即可以构建初始网络模型为深度神经网络模型。
由上述内容可知,本实施例可以获取包括车辆信息和道路信息的待标注的第一车辆行为数据,对于每个第一车辆行为数据,先基于预先建立的目标数学统计模型,计算车辆信息的统计特征,然后确定统计特征所满足的目标统计规则,并根据目标统计规则、统计规则与统计行为的预设对应关系以及所道路信息得到该第一车辆行为数据对应的行为类型,当得到的目标数据集中的所有第一车辆行为数据对应的行为类型的准确率大于预设阈值时,基于所得到的行为类型对该第一车辆行为数据进行标注得到对应的标注信息,当得到的目标数据集中的所有第一车辆行为数据对应的行为类型的准确率不大于预设阈值时,获取新的目标数据集中的第二车辆行为数据,基于预先建立的目标网络模型,确定第二车辆行为数据对应的行为类型,并基于所确定的行为类型对第二车辆行为数据进行标注得到对应的标注信息。这样就实现了通过目标数学统计模型计算统计特征,并基于统计特征进行标注,并且在基于统计数据的方式在目标数据集上无法达到准确度需求时,对于新的目标数据集,通过目标网络模型进行标注,达到了能对车辆行为数据进行自动标注的目的,相比于通过人力进行标注的方式,采用机器自动进行标注可以节省人力,提高标注效率。
在本发明的另一实施例中,在图1所示方法的基础上,在步骤S150之后,本发明实施例提供的车辆行为数据的标注方法还可以包括:
保存第二车辆行为数据及对应的标注信息。
检测新的目标数据集中,是否存在未被标注的车辆行为数据;
如果存在,根据预设数据组间隔规则,从新的目标数据集中选取一数据组,并将所选取的数据组包括的车辆行为数据作为第二车辆行为数据,返回执行基于预先建立的目标网络模型,确定第二车辆行为数据对应的行为类型的步骤;
如果不存在未被标注的车辆行为数据,确定新的目标数据集所在的目标数据集集合;
根据预设选取规则,从所确定的目标数据集集合中选取一数据集;
接收用户从所选取的数据集中选择的数据组,并将所选择的数据组包括的车辆行为数据作为第二车辆行为数据,返回执行基于预先建立的目标网络模型,确定第二车辆行为数据对应的行为类型的步骤。
由于在对第二车辆行为数据进行标注后,所得到的标注信息可以反复作为模型训练数据,用于构建各种类型的用于进行标注的网络模型,因此,在对第二车辆行为数据进行标注后,需要保存第二车辆行为数据及对应的标注信息。
为了便于后续反复利用,可以将第二车辆行为数据及对应的标注信息保存为通用格式,由此,对于不同的应用场景,第二车辆行为数据以及对应的标注信息可以反复使用,提高了数据利用率。这是本发明实施例的创新点之一。
在对第二车辆行为数据进行标注后,可以继续对其他的车辆数据进行标注,此时,需要检测新的目标数据集中,是否存在未被标注的车辆行为数据,并根据检测结果执行相应步骤。
当存在未被标注的车辆行为数据时,说明新的目标数据集中还存在可以标注的车辆行为数据,此时,根据预设数据组间隔规则,从新的目标数据集中选取一数据组,并将所选取的数据组包括的车辆行为数据作为第二车辆行为数据,返回执行基于预先建立的目标网络模型,确定第二车辆行为数据对应的行为类型的步骤。
其中,预设数据组间隔规则可以为:每0.1s一间隔,预设秒数间隔,例如0.1s一间隔、0.2s一间隔、0.5s一间隔然后再0.1s一间隔、0.2s一间隔、0.5s一间隔……,每帧一间隔,预设帧数间隔,例如1帧一间隔、2帧一间隔、5帧一间隔,然后再1帧一间隔、2帧一间隔、5帧一间隔……,本发明实施例对此并不做任何限定。
当然,在存在未被标注的车辆行为数据时,也可以通过人工选取的方式,从新的目标数据集中选取一数据组。
由此,在对第二车辆行为数据标注完成后且新的目标数据集中存在未被标注的车辆行为数据时,通过新的目标数据集内循环查找的方式,继续对新的目标数据集内的其他车辆行为数据进行标注,达到了对新的目标数据集内的所有车辆行为数据进行标注的目的。
当不存在未被标注的车辆行为数据时,说明新的目标数据集中的车辆行为数据已全部被标注,此时,可以确定新的目标数据集所在的目标数据集集合,根据预设选取规则,从所确定的目标数据集集合中选取一数据集,接收用户从所选取的数据集中选择的数据组,并将所选择的数据组包括的车辆行为数据作为第二车辆行为数据,返回执行基于预先建立的目标网络模型,确定第二车辆行为数据对应的行为类型的步骤。
其中,预设选取规则可以为:编号从小到大的顺序,本发明实施例对此并不做任何限定。
由此,在对第二车辆行为数据标注完成后且目标数据集中不存在未被标注的车辆行为数据时,通过目标数据集集合内循环查找的方式,继续对目标数据集集合内的其他数据集内的车辆行为数据进行标注,达到了对除新的目标数据集以外的车辆行为数据进行标注的目的。
在本发明的另一实施例中,在图1所示方法的基础上,在步骤S150之后,本发明实施例提供的车辆行为数据的标注方法还可以包括:
在车辆行为列表中,突出显示标注信息对应的车辆行为。
为了便于查看,在一种实现方式中,在得到标注信息后,可以在车辆行为列表中,突出显示标注信息对应的车辆行为。
突出显示的方式有多种,可以为高亮显示标注信息对应的车辆行为,用框框选标注信息对应的车辆行为,本发明实施例对此并不做任何限定。
在另一种实现方式中,可以用不同的突出显示方式来分别显示得到标注信息对应的车辆行为和未得到标注信息对应的车辆行为,为了描述方便以下简称为已标注的车辆行为和未标注的车辆行为。例如:用黄色显示已标注的车辆行为,用红色显示未标注的车辆行为。
由此,通过突出显示的方式,使用户可以醒目的查看到已标注的车辆行为,便于用户对车辆行为进行区分,也提升了用户的专注度。这是本发明实施例的创新点之一。
基于上述车辆行为数据的标注方法,本发明实施例还提供了一种标注软件,参见图4,标注软件的界面如图4所示,包括:加载数据帧窗口、保存窗口、车辆ID选择窗口、数据可视化窗口、行为列表窗口、选择帧窗口。
下面对软件的使用流程进行描述:
软件启动后,用户通过点击加载数据帧来选择要标注的数据集,软件加载所选择的数据集;
用户依据通过点击选择帧选择所要标注的数据组,软件接收到所选择的数据组,并将数据组包含的信息进行可视化显示在数据可视化窗口中。其中,车辆的位姿信息可以显示为3D模型,速度、加速度、地盘信息、车灯信息等可以通过悬浮窗进行显示;
用户通过车辆ID选择窗口选择需要标注的车辆,软件获取该车辆ID对应的车辆行为数据并通过本发明实施例提供的车辆行为数据的标注方法进行标注得到标注信息,并将标注信息对应的车辆行为在行为列表中突出显示。
通过上述软件,在不同应用场景下,平均可以在3秒内完成对一个车辆行为数据的标注,相比于人工标注,提高了效率,同时,准确率可以达到40%-65%。
图5为本发明实施例提供的车辆行为数据的标注装置的一种结构示意图。该装置可以包括:
获取模块510,用于获取目标数据集中的待标注的第一车辆行为数据,其中,所述第一车辆行为数据包括车辆信息和道路信息;
计算模块520,用于对于每个第一车辆行为数据,基于预先建立的目标数学统计模型,计算该第一车辆行为数据包括的车辆信息的统计特征,其中,所述统计特征反映该第一车辆行为数据对应的行为类型;
行为类型确定模块530,用于确定所述统计特征所满足的目标统计规则,并根据所述目标统计规则、统计规则与统计行为的预设对应关系以及所述道路信息得到该第一车辆行为数据对应的行为类型;
第一标注模块540,用于当得到的所述目标数据集中的所有第一车辆行为数据对应的行为类型的准确率大于预设阈值时,基于所得到的行为类型对该第一车辆行为数据进行标注得到对应的标注信息;
第二标注模块550,用于当得到的所述目标数据集中的所有第一车辆行为数据对应的行为类型的准确率不大于预设阈值时,获取新的目标数据集中的第二车辆行为数据,基于预先建立的目标网络模型,确定所述第二车辆行为数据对应的行为类型,并基于所确定的行为类型对所述第二车辆行为数据进行标注得到对应的标注信息,
其中,所述目标网络模型为:基于车辆行为样本数据及对应的行为类型作为模型训练数据,对初始网络模型进行训练得到的网络模型,其中,所述目标网络模型用于使得车辆行为样本数据与对应的行为类型相互关联,所述车辆行为样本数据对应的行为类型是由标注员针对所述车辆行为样本数据预先输入的。
由上述内容可知,本实施例可以获取包括车辆信息和道路信息的待标注的第一车辆行为数据,对于每个第一车辆行为数据,先基于预先建立的目标数学统计模型,计算车辆信息的统计特征,然后确定统计特征所满足的目标统计规则,并根据目标统计规则、统计规则与统计行为的预设对应关系以及所道路信息得到该第一车辆行为数据对应的行为类型,当得到的目标数据集中的所有第一车辆行为数据对应的行为类型的准确率大于预设阈值时,基于所得到的行为类型对该第一车辆行为数据进行标注得到对应的标注信息,当得到的目标数据集中的所有第一车辆行为数据对应的行为类型的准确率不大于预设阈值时,获取新的目标数据集中的第二车辆行为数据,基于预先建立的目标网络模型,确定第二车辆行为数据对应的行为类型,并基于所确定的行为类型对第二车辆行为数据进行标注得到对应的标注信息。这样就实现了通过目标数学统计模型计算统计特征,并基于统计特征进行标注,并且在基于统计数据的方式在目标数据集上无法达到准确度需求时,对于新的目标数据集,通过目标网络模型进行标注,达到了能对车辆行为数据进行自动标注的目的,相比于通过人力进行标注的方式,采用机器自动进行标注可以节省人力,提高标注效率。
在本发明的另一实施例中,所述行为类型确定模块530,可以包括:
统计行为确定子模块,用于确定所述统计特征所满足的目标统计规则,并根据统计规则与统计行为的预设对应关系,确定所述目标统计规则对应的统计行为;
判断子模块,用于判断所述统计行为是否与所述道路信息相匹配,如果是,触发第一确定子模块;
所述第一确定子模块,用于确定该第一车辆行为数据对应的行为类型为所述统计行为。
在本发明的另一实施例中,还包括训练模块,所述训练模块用于训练得到所述目标网络模型,所述训练模块包括:
获取子模块,用于获取训练集中的车辆行为样本数据;
接收子模块,用于接收标注员针对所述车辆行为样本数据输入的行为类型;
目标网络模型生成子模块,用于将所述车辆行为样本数据及对应的行为类型作为模型训练数据,对初始网络模型进行训练,得到目标网络模型,其中,目标网络模型用于使得车辆行为样本数据与对应的行为类型相互关联。
在本发明的另一实施例中,所述目标网络模型生成子模块,可以包括:
输入单元,用于将所述车辆行为样本数据及对应的行为类型输入初始网络模型中,其中,所述初始网络模型包括特征提取层和回归层;
初始标注信息生成单元,用于通过所述特征提取层的第一模型参数,确定所述车辆行为样本数据中的特征向量,通过所述回归层的第二模型参数,对所述特征向量进行回归,得到初始行为类型;
差异值计算单元,用于计算所述初始行为类型与所述车辆行为样本数据对应的行为类型之间的差异值;
调整单元,用于当所述差异值大于预设差异阈值时,根据所述差异值调整所述第一模型参数和所述第二模型参数,触发所述输入单元;
训练完成单元,用于当所述差异值未大于预设差异阈值时,确定所述初始网络模型训练完成,得到目标网络模型。
在本发明的另一实施例中,所述获取模块510,可以包括:
目标数据集接收子模块,用于接收用户从预设数据集集合中所选取的目标数据集;
目标车辆行为数据确定子模块,用于接收用户从所述目标数据集中所选取目标数据组,并将所述目标数据组所包括的车辆行为数据,作为待标注的第一车辆行为数据。
在本发明的另一实施例中,上述装置还可以包括:
保存模块,用于在所述基于所确定的行为类型对所述第二车辆行为数据进行标注得到对应的标注信息之后,保存所述第二车辆行为数据及对应的标注信息;
检测模块,用于检测所述新的目标数据集中,是否存在未被标注的车辆行为数据,如果存在,触发选取模块;
所述选取模块,用于根据预设数据组间隔规则,从所述新的目标数据集中选取一数据组,并将所选取的数据组包括的车辆行为数据作为第二车辆行为数据,触发所述第二标注模块。
在本发明的另一实施例中,上述装置还可以包括:
目标数据集集合确定模块,用于在所述检测所述新的目标数据集中,是否存在未被标注的车辆行为数据的之后,当不存在未被标注的车辆行为数据时,确定所述新的目标数据集所在的目标数据集集合;
数据集选取模块,用于根据预设选取规则,从所确定的目标数据集集合中选取一数据集;
接收模块,用于接收用户从所选取的数据集中选择的数据组,并将所选择的数据组包括的车辆行为数据作为所述第二车辆行为数据,触发所述第二标注模块。
在本发明的另一实施例中,上述装置还可以包括:
显示模块,用于在所述基于所确定的行为类型对所述第二车辆行为数据进行标注得到对应的标注信息之后,在车辆行为列表中,突出显示所述标注信息对应的车辆行为。
上述装置实施例与方法实施例相对应,与该方法实施例具有同样的技术效果,具体说明参见方法实施例。装置实施例是基于方法实施例得到的,具体的说明可以参见方法实施例部分,此处不再赘述。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本领域普通技术人员可以理解:实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中,也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
Claims (10)
1.一种车辆行为数据的标注方法,其特征在于,包括:
获取目标数据集中的待标注的第一车辆行为数据,其中,所述第一车辆行为数据包括车辆信息和道路信息;
对于每个第一车辆行为数据,基于预先建立的目标数学统计模型,计算该第一车辆行为数据包括的车辆信息的统计特征,其中,所述统计特征反映该第一车辆行为数据对应的行为类型;
确定所述统计特征所满足的目标统计规则,并根据所述目标统计规则、统计规则与统计行为的预设对应关系以及所述道路信息得到该第一车辆行为数据对应的行为类型;
当得到的所述目标数据集中的所有第一车辆行为数据对应的行为类型的准确率大于预设阈值时,基于所得到的行为类型对该第一车辆行为数据进行标注得到对应的标注信息;
当得到的所述目标数据集中的所有第一车辆行为数据对应的行为类型的准确率不大于预设阈值时,获取新的目标数据集中的第二车辆行为数据,基于预先建立的目标网络模型,确定所述第二车辆行为数据对应的行为类型,并基于所确定的行为类型对所述第二车辆行为数据进行标注得到对应的标注信息,
其中,所述目标网络模型为:基于车辆行为样本数据及对应的行为类型作为模型训练数据,对初始网络模型进行训练得到的网络模型,其中,所述目标网络模型用于使得车辆行为样本数据与对应的行为类型相互关联,所述车辆行为样本数据对应的行为类型是由标注员针对所述车辆行为样本数据预先输入的。
2.如权利要求1所述的方法,其特征在于,所述确定所述统计特征所满足的目标统计规则,并根据所述目标统计规则、统计规则与统计行为的预设对应关系以及所述道路信息得到该第一车辆行为数据对应的行为类型的步骤,包括:
确定所述统计特征所满足的目标统计规则,并根据统计规则与统计行为的预设对应关系,确定所述目标统计规则对应的统计行为;
判断所述统计行为是否与所述道路信息相匹配;
如果是,确定该第一车辆行为数据对应的行为类型为所述统计行为。
3.如权利要求1所述的方法,其特征在于,所述目标网络模型的训练过程为:
获取训练集中的车辆行为样本数据;
接收标注员针对所述车辆行为样本数据输入的行为类型;
将所述车辆行为样本数据及对应的行为类型作为模型训练数据,对初始网络模型进行训练,得到目标网络模型,其中,目标网络模型用于使得车辆行为样本数据与对应的行为类型相互关联。
4.如权利要求3所述的方法,其特征在于,所述将所述车辆行为样本数据及对应的行为类型作为模型训练数据,对初始网络模型进行训练,得到目标网络模型的步骤,包括:
将所述车辆行为样本数据及对应的行为类型输入初始网络模型中,其中,所述初始网络模型包括特征提取层和回归层;
通过所述特征提取层的第一模型参数,确定所述车辆行为样本数据中的特征向量,通过所述回归层的第二模型参数,对所述特征向量进行回归,得到初始行为类型;
计算所述初始行为类型与所述车辆行为样本数据对应的行为类型之间的差异值;
当所述差异值大于预设差异阈值时,根据所述差异值调整所述第一模型参数和所述第二模型参数,返回执行所述将所述车辆行为样本数据及对应的行为类型输入初始网络模型中的步骤;
当所述差异值未大于预设差异阈值时,确定所述初始网络模型训练完成,得到目标网络模型。
5.如权利要求1所述的方法,其特征在于,所述获取目标数据集中的待标注的第一车辆行为数据的步骤,包括:
接收用户从预设数据集集合中所选取的目标数据集;
接收用户从所述目标数据集中所选取目标数据组,并将所述目标数据组所包括的车辆行为数据,作为待标注的第一车辆行为数据。
6.如权利要求1所述的方法,其特征在于,在所述基于所确定的行为类型对所述第二车辆行为数据进行标注得到对应的标注信息的步骤之后,还包括:
保存所述第二车辆行为数据及对应的标注信息;
检测所述新的目标数据集中,是否存在未被标注的车辆行为数据;
如果存在,根据预设数据组间隔规则,从所述新的目标数据集中选取一数据组,并将所选取的数据组包括的车辆行为数据作为第二车辆行为数据,返回执行所述基于预先建立的目标网络模型,确定所述第二车辆行为数据对应的行为类型的步骤。
7.如权利要求6所述的方法,其特征在于,在所述检测所述新的目标数据集中,是否存在未被标注的车辆行为数据的步骤之后,还包括:
当不存在未被标注的车辆行为数据时,确定所述新的目标数据集所在的目标数据集集合;
根据预设选取规则,从所确定的目标数据集集合中选取一数据集;
接收用户从所选取的数据集中选择的数据组,并将所选择的数据组包括的车辆行为数据作为所述第二车辆行为数据,返回执行所述基于预先建立的目标网络模型,确定所述第二车辆行为数据对应的行为类型的步骤。
8.如权利要求1所述的方法,其特征在于,在所述基于所确定的行为类型对所述第二车辆行为数据进行标注得到对应的标注信息的步骤之后,还包括:
在车辆行为列表中,突出显示所述标注信息对应的车辆行为。
9.一种车辆行为数据的标注装置,其特征在于,包括:
获取模块,用于获取目标数据集中的待标注的第一车辆行为数据,其中,所述第一车辆行为数据包括车辆信息和道路信息;
计算模块,用于对于每个第一车辆行为数据,基于预先建立的目标数学统计模型,计算该第一车辆行为数据包括的车辆信息的统计特征,其中,所述统计特征反映该第一车辆行为数据对应的行为类型;
行为类型确定模块,用于确定所述统计特征所满足的目标统计规则,并根据所述目标统计规则、统计规则与统计行为的预设对应关系以及所述道路信息得到该第一车辆行为数据对应的行为类型;
第一标注模块,用于当得到的所述目标数据集中的所有第一车辆行为数据对应的行为类型的准确率大于预设阈值时,基于所得到的行为类型对该第一车辆行为数据进行标注得到对应的标注信息;
第二标注模块,用于当得到的所述目标数据集中的所有第一车辆行为数据对应的行为类型的准确率不大于预设阈值时,获取新的目标数据集中的第二车辆行为数据,基于预先建立的目标网络模型,确定所述第二车辆行为数据对应的行为类型,并基于所确定的行为类型对所述第二车辆行为数据进行标注得到对应的标注信息,
其中,所述目标网络模型为:基于车辆行为样本数据及对应的标注信息作为模型训练数据,对初始网络模型进行训练得到的网络模型,其中,所述目标网络模型用于使得车辆行为样本数据与对应的行为类型相互关联,所述车辆行为样本数据对应的行为类型是由标注员针对所述车辆行为样本数据预先输入的。
10.如权利要求9所述的装置,其特征在于,所述行为类型确定模块,包括:
统计行为确定子模块,用于确定所述统计特征所满足的目标统计规则,并根据统计规则与统计行为的预设对应关系,确定所述目标统计规则对应的统计行为;
判断子模块,用于判断所述统计行为是否与所述道路信息相匹配,如果是,触发第一确定子模块;
所述第一确定子模块,用于确定该第一车辆行为数据对应的行为类型为所述统计行为。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910510173.0A CN112085178B (zh) | 2019-06-13 | 2019-06-13 | 一种车辆行为数据的标注方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910510173.0A CN112085178B (zh) | 2019-06-13 | 2019-06-13 | 一种车辆行为数据的标注方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112085178A CN112085178A (zh) | 2020-12-15 |
CN112085178B true CN112085178B (zh) | 2022-06-10 |
Family
ID=73733274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910510173.0A Active CN112085178B (zh) | 2019-06-13 | 2019-06-13 | 一种车辆行为数据的标注方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112085178B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102200487A (zh) * | 2010-03-24 | 2011-09-28 | 通用汽车环球科技运作有限责任公司 | 用于机动车***的事件驱动故障诊断架构 |
CN107195024A (zh) * | 2016-06-08 | 2017-09-22 | 南京航空航天大学 | 通用型车辆行驶数据记录***和处理方法 |
CN108364466A (zh) * | 2018-02-11 | 2018-08-03 | 金陵科技学院 | 一种基于无人机交通视频的车流量统计方法 |
-
2019
- 2019-06-13 CN CN201910510173.0A patent/CN112085178B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102200487A (zh) * | 2010-03-24 | 2011-09-28 | 通用汽车环球科技运作有限责任公司 | 用于机动车***的事件驱动故障诊断架构 |
CN107195024A (zh) * | 2016-06-08 | 2017-09-22 | 南京航空航天大学 | 通用型车辆行驶数据记录***和处理方法 |
CN108364466A (zh) * | 2018-02-11 | 2018-08-03 | 金陵科技学院 | 一种基于无人机交通视频的车流量统计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112085178A (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109520744B (zh) | 自动驾驶车辆的驾驶性能测试方法和装置 | |
US11840239B2 (en) | Multiple exposure event determination | |
US11681746B2 (en) | Structured prediction crosswalk generation | |
CN110562258B (zh) | 一种车辆自动换道决策的方法、车载设备和存储介质 | |
US11392120B2 (en) | Planning autonomous motion | |
EP3647728B1 (en) | Map information system | |
CN109902899B (zh) | 信息生成方法和装置 | |
CN110641480B (zh) | 基于交通流的自动驾驶功能推送方法、***及车辆 | |
JP7220169B2 (ja) | 情報処理方法、装置、記憶媒体、及びプログラム | |
CN104875740B (zh) | 用于管理跟随空间的方法、主车辆以及跟随空间管理单元 | |
CN111094095B (zh) | 自动地感知行驶信号的方法、装置及运载工具 | |
US20230228593A1 (en) | Method, device and system for perceiving multi-site roadbed network and terminal | |
US12012102B2 (en) | Method for determining a lane change indication of a vehicle | |
CN110765224A (zh) | 电子地图的处理方法、车辆视觉重定位的方法和车载设备 | |
CN113867367B (zh) | 测试场景的处理方法、装置及计算机程序产品 | |
CN115635961A (zh) | 样本数据生成方法及应用其的轨迹预测方法、装置 | |
CN116686028A (zh) | 一种驾驶辅助的方法以及相关设备 | |
CN112732861A (zh) | 道路信息的数据采集方法、装置及电子设备 | |
CN112085178B (zh) | 一种车辆行为数据的标注方法及装置 | |
CN115027497B (zh) | 目标车辆切入意图预测方法及可读存储介质 | |
EP3454269A1 (en) | Planning autonomous motion | |
CN110446106B (zh) | 一种前置摄像头文件的识别方法、电子设备及存储介质 | |
CN117095338B (zh) | 基于道路视频识别的无线停车方法及相关装置 | |
CN117591847B (zh) | 基于车况数据的模型指向评测方法和装置 | |
US20240043022A1 (en) | Method, system, and computer program product for objective assessment of the performance of an adas/ads system |
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 |
Effective date of registration: 20211124 Address after: 215100 floor 23, Tiancheng Times Business Plaza, No. 58, qinglonggang Road, high speed rail new town, Xiangcheng District, Suzhou, Jiangsu Province Applicant after: MOMENTA (SUZHOU) TECHNOLOGY Co.,Ltd. Address before: Room 601-a32, Tiancheng information building, No. 88, South Tiancheng Road, high speed rail new town, Xiangcheng District, Suzhou City, Jiangsu Province Applicant before: MOMENTA (SUZHOU) TECHNOLOGY Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |