CN114802264A - 车辆控制方法、装置、电子设备 - Google Patents

车辆控制方法、装置、电子设备 Download PDF

Info

Publication number
CN114802264A
CN114802264A CN202210462846.1A CN202210462846A CN114802264A CN 114802264 A CN114802264 A CN 114802264A CN 202210462846 A CN202210462846 A CN 202210462846A CN 114802264 A CN114802264 A CN 114802264A
Authority
CN
China
Prior art keywords
target
driving
scene
vehicle
data
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
Application number
CN202210462846.1A
Other languages
English (en)
Inventor
吕欢欢
李涵
徐海强
邵天东
李振洋
王明月
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
FAW Group Corp
Original Assignee
FAW Group Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by FAW Group Corp filed Critical FAW Group Corp
Priority to CN202210462846.1A priority Critical patent/CN114802264A/zh
Publication of CN114802264A publication Critical patent/CN114802264A/zh
Pending legal-status Critical Current

Links

Images

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
    • B60W40/08—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 drivers or passengers
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B60W2520/105—Longitudinal acceleration
    • 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
    • B60W2530/00—Input parameters relating to vehicle conditions or values, not covered by groups B60W2510/00 or B60W2520/00
    • 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
    • B60W2530/00—Input parameters relating to vehicle conditions or values, not covered by groups B60W2510/00 or B60W2520/00
    • B60W2530/18—Distance travelled
    • 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
    • B60W2540/00—Input parameters relating to occupants

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

本发明公开了一种车辆控制方法、装置、电子设备。其中，该方法包括：获取目标车辆的车辆行驶数据，其中，目标车辆由目标对象进行驾驶；对车辆行驶数据进行场景识别，得到车辆行驶数据的目标场景；基于目标场景提取车辆行驶数据的目标行驶特征；基于目标行驶特征确定目标对象在目标场景的驾驶熟练度。本发明解决了采用现有技术，对不同驾驶场景下驾驶员的驾驶熟练度进行评价准确度较低的技术问题。

Description

车辆控制方法、装置、电子设备
技术领域
本发明涉及车联网大数据和机器学习领域，具体而言，涉及一种车辆控制方法、装置、电子设备。
背景技术
随着人工智能、车联网、大数据技术的发展，汽车行业从机械时代逐步迈入智能时代，以汽车制造技术为代表的工业技术和以人工智能为代表的信息技术会深度融合，推动汽车行业技术创新。作为智能时代重要技术之一的车联网大数据技术，也随着各种技术的出现而蓬勃发展，而驾驶行为分析是车联网大数据的重要一份子，在安全驾驶提醒、车辆保险等领域有重要应用。驾驶熟练度分析是驾驶行为分析的重要组成部分，有着广泛的应用场景。现有技术中对驾驶熟练度分析大多集中于直接利用驾驶行为特征进行聚类分析，或是将驾驶行为特征数据与预定的专家经验数据比对，通过数值差距大小及权重分配等方法实现驾驶熟练度评价，以上方法或多或少存在没有考虑不同驾驶场景的问题。不同驾驶场景下的同一驾驶行为操作，往往会存在不同的驾驶熟练度，并且若无专家经验作为标签数据，也难以合理的评价驾驶熟练度，评价结果可能会存在不同程度的不可解释性。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种车辆控制方法、装置、电子设备，以至少解决采用现有技术，对不同驾驶场景下驾驶员的驾驶熟练度进行评价准确度较低的技术问题。
根据本发明实施例的一个方面，提供了一种车辆控制方法，包括：获取目标车辆的车辆行驶数据，其中，目标车辆由目标对象进行驾驶；对车辆行驶数据进行场景识别，得到车辆行驶数据的目标场景；基于目标场景提取车辆行驶数据的目标行驶特征；基于目标行驶特征确定目标对象在目标场景的驾驶熟练度。
可选地，对车辆行驶数据进行场景识别，得到车辆行驶数据的目标场景，包括：对车辆行驶数据进行预处理，得到预处理结果，其中，预处理包括如下至少之一：空值填充、异常值替换、时序排序、离群值剔除；基于预处理结果对车辆行驶数据进行识别，得到车辆行驶数据的目标场景。
可选地，目标场景包括至少一个行程场景，基于预处理结果对车辆行驶数据进行识别，得到车辆行驶数据的目标场景，包括：基于预处理结果和车辆行驶数据确定目标车辆的至少一个驾驶循环，其中，驾驶循环用于表示对目标车辆进行点火到熄火之间的驾驶行程；基于预设时间间隔和至少一个驾驶循环，确定目标车辆的至少一个目标行程；对至少一个目标行程进行场景识别，得到每个目标行程对应的行程场景。
可选地，基于目标场景提取车辆行驶数据的目标行驶特征，包括：基于行程场景提取车辆行驶数据中每个目标行程对应的目标行驶特征。
可选地，基于目标行驶特征确定目标对象在目标场景的驾驶熟练度，包括：利用第一熟练度模型对目标场景和目标行驶特征进行识别，确定目标对象在目标场景的驾驶熟练度；其中，第一熟练度模型由第一训练数据训练得到，第一训练数据包括：第一样本行驶特征、第一样本场景、样本标签信息，第一样本场景为第一样本行驶特征对应的场景，样本标签信息用于描述目标对象在样本场景的驾驶熟练度。
可选地，基于目标行驶特征确定目标对象在目标场景的驾驶熟练度，包括：利用第二熟练度模型对目标场景和目标行驶特征进行识别，确定目标对象在目标场景的驾驶熟练度；其中，第二熟练度模型由第二训练数据训练得到，第二训练数据包括：第二样本行驶特征、第二样本场景、样本权重值，第二样本场景为第二样本行驶特征对应的场景，样本权重值用于描述第二样本场景占所有样本场景的权重值。
可选地，目标场景包括如下至少之一：起步场景、行驶场景、停车入库场景，其中，行驶场景包括如下至少之一：市区街道道路、高速道路、山地道路、乡村道路；车辆行驶数据包括如下至少之一：转向灯状态、最高车速、平均车速、最高加速度、平均加速度、方向盘转角变化次数、方向盘最大转角、变换车道次数、加速次数、急加速次数、急转弯次数、超速次数、行驶时长、行驶里程。
根据本发明实施例的另一方面，还提供了一种目标车辆的控制装置，包括：获取模块，用于获取目标车辆的车辆行驶数据，其中，目标车辆由目标对象进行驾驶；识别模块，用于对车辆行驶数据进行场景识别，得到车辆行驶数据的目标场景；提取模块，用于基于目标场景提取车辆行驶数据的目标行驶特征；确定模块，用于基于目标行驶特征确定目标对象在目标场景的驾驶熟练度。
根据本发明实施例的另一方面，还提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器执行上述任意一项的目标车辆的控制方法。
根据本发明实施例的另一方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，其中，在程序运行时控制所在设备的处理器中执行上述任意一项所述的目标车辆的控制方法。
在本发明实施例中，通过首先获取目标车辆的车辆行驶数据，其中，目标车辆由目标对象进行驾驶；其次对车辆行驶数据进行场景识别，得到车辆行驶数据的目标场景；之后基于目标场景提取车辆行驶数据的目标行驶特征；最后基于目标行驶特征确定目标对象在目标场景的驾驶熟练度。容易想到的是，基于目标场景提取目标车辆的车辆行驶数据的目标特征，之后再基于目标特征对该目标场景下的驾驶熟练度进行分析，可以进一步提高对该目标场景下驾驶员的驾驶熟练度评价准确度，进而解决了采用现有技术，对不同驾驶场景下驾驶员的驾驶熟练度进行评价准确度较低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种车辆控制方法的流程图；
图2是根据本发明实施例的一种数据采集模块示意图；
图3是根据本发明实施例的一种场景识别模块示意图；
图4是根据本发明实施例的一种熟练度评价模块示意图；
图5是根据本发明实施例的一种车辆控制装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种车辆控制的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种车辆控制方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取目标车辆的车辆行驶数据，其中，目标车辆由目标对象进行驾驶。
上述目标车辆可以为由目标对象正在驾驶的车辆。
上述目标对象可以为待分析驾驶熟练度的驾驶员。
在一种可选的实施例中，为提高数据传输的完整性，可以在车端部署车端模型算法，通过车端模型算法实时计算高频信号获得更加准确的驾驶行为数据，以便于后续可以通过驾驶行为数据分析驾驶员的熟练度。
图2是根据本发明实施例的一种数据采集模块示意图，如图所示，可以由车端进行实时采集车内各种总线信号数据，其中，该信号数据可以包括车辆编码数据、数据产生时间数据、实时车速数据、实时里程数据、左右转向灯状态数据、纵向加速度数据、侧向加速度数据、方向盘转角数据、方向盘转速数据、位置信息数据等，并通过车联网***(telematicsbox，也称车载T-box装置)将采集到的数据进行网络传输发送到云端。云端负责实时接收上传的车联网数据，并将其存储在云端的数据库中。
步骤S104，对车辆行驶数据进行场景识别，得到车辆行驶数据的目标场景。
上述目标场景可以为起步场景、行驶场景、停车入库场景。其中，行驶场景可以包括如下至少之一：市区街道道路、高速道路、山地道路、乡村道路。
在一种可选的实施例中，在对车辆行驶数据进行场景识别之前可以先对车辆的行驶数据进行预处理，得到预处理结果，其中，预处理包括如下至少之一：空值填充、异常值替换、时序排序、离群值剔除。之后再基于预处理结果对车辆行驶数据进行识别，得到车辆行驶数据的目标场景。
图3是根据本发明实施例的一种场景识别模块示意图，如图所示，在云端获取到大数据后，需要先进行预处理，其次进行行程划分，之后进入场景识别模块，对其进行场景识别。在场景识别的时候，首先可以根据车辆的行驶状态以及产生的实时数据判断车辆目前所处的场景，可选的，可以先根据预设规则判断车辆目前所处的行驶阶段，然后基于该行驶阶段确定和车辆产生的实时数据得到目标车辆当前所处的场景。其中，预设规则可以自行设置，基于预设规则可以判断车辆目前所处的行驶状态。
在另一种可选的实施例中，当判断出该车辆处于起步阶段时，则去采集该车辆的最高车速、行驶距离、行驶时长。当判断出该车辆处于车辆行驶阶段时，首先对车辆进行特征提取，提取到该车辆的最高车速、平均车速、驾驶时间、加速度、转向次数、换道次数、海拔高度以及行驶轨迹，之后通过逻辑回归算法判断出驾驶场景。其中，驾驶场景可以为市区街道道路、高速道路、山地道路、乡村道路。当判断该车辆处于停车入库时，则需要采集到车辆的最高车速、行驶距离、行驶时长等。场景识别结束后，会得到车辆行驶数据的目标场景，场景识别模块会自动进行场景输出，用于后续提取车辆行驶数据的目标特征。
步骤S106，基于目标场景提取车辆行驶数据的目标行驶特征。
上述车辆行驶数据可以包括但不局限于如下至少之一：转向灯状态、最高车速、平均车速、最高加速度、平均加速度、方向盘转角变化次数、方向盘最大转角、变换车道次数、加速次数、急加速次数、急转弯次数、超速次数、行驶时长、行驶里程。
上述目标行驶特征可以包括但不局限于最高车速、平均车速、驾驶时间、加速度、转向次数、换道次数、海拔高度以及行驶轨迹。
在一种可选的实施例中，可以基于行程场景提取车辆行驶数据中每个目标行程对应的目标行驶特征，从而获得车辆行驶数据的目标行驶特征。其中，目标行程可以为驾驶行程，目标行程还可以为起步行程，目标行程还可以为停车入库行程。
步骤S108，基于目标行驶特征确定目标对象在目标场景的驾驶熟练度。
上述驾驶熟练度可以为目标对象驾驶车辆时的操作熟练度。
在一种可选的实施例中，可以利用第一熟练度模型对目标行驶特征和该目标行驶特征对应的目标场景进行识别，确定目标对象在目标场景的驾驶熟练度。其中，第一熟练度模型由第一训练数据通过有监督训练方式训练得到，第一训练数据包括：第一样本行驶特征、第一样本场景、样本标签信息。其中，第一样本场景为第一样本行驶特征对应的场景，其中，样本标签信息用于描述目标对象在样本场景的驾驶熟练度。
在另一种可选的实施例中，可以利用第二熟练度模型对目标行驶特征和该目标行驶特征对应的目标场景进行识别，确定目标对象在目标场景的驾驶熟练度。其中，第二熟练度模型由第二训练数据通过无监督训练方式训练得到，第二训练数据包括：第二样本行驶特征、第二样本场景、样本权重值。其中，第二样本场景为第二样本行驶特征对应的场景，其中，样本权重值用于描述第二样本场景占所有样本场景的权重值。
在该步骤中，通过第一熟练度模型或第二熟练度模型对目标场景和目标行驶特征进行识别，可以提高获取目标对象在目标场景中驾驶熟练度的效率，并且能够进一步提高对目标对象驾驶熟练度评价的准确率。
图4是根据本发明实施例的一种熟练度评价模块示意图，如图所示，在得到场景识别结果并对场景识别结果进行特征提取之后，需要基于提取出来的特征数据进行熟练度评价，可选的，可以根据提取出来的特征数据训练模型，具体分为有监督学习模型逻辑回归法和无监督学习模型层次分析法(Analytic Hierarchy Process，简称AHP)，无监督学习模型便携式网络穿透工具(Earthworm，简称EW)进行分析，最终将评价结果输出。
通过上述步骤，首先获取目标车辆的车辆行驶数据，其中，目标车辆由目标对象进行驾驶；其次对车辆行驶数据进行场景识别，得到车辆行驶数据的目标场景；之后基于目标场景提取车辆行驶数据的目标行驶特征；最后基于目标行驶特征确定目标对象在目标场景的驾驶熟练度。容易想到的是，基于目标场景提取目标车辆的车辆行驶数据的目标特征，之后再基于目标特征对该目标场景下的驾驶熟练度进行分析，可以进一步提高对该目标场景下驾驶员的驾驶熟练度评价准确度，进而解决了采用现有技术，对不同驾驶场景下驾驶员的驾驶熟练度进行评价准确度较低的技术问题。
可选地，对车辆行驶数据进行场景识别，得到车辆行驶数据的目标场景，包括：对车辆行驶数据进行预处理，得到预处理结果，其中，预处理包括如下至少之一：空值填充、异常值替换、时序排序、离群值剔除；基于预处理结果对车辆行驶数据进行识别，得到车辆行驶数据的目标场景。
在一种可选的实施例中，可以按照车辆行驶数据创建的时间对其进行排序，并删除掉异常值以及重复值，对于空值可以用整数0来填充，同时可以剔除掉不相关的字段，从而实现对车辆行驶数据的预处理，进一步提高了利用车辆行驶数据进行场景识别的准确率。
在另一种可选的实施例中，还可以基于车辆行驶数据的合理范围，利用箱线图、四分法等方法删除掉离群值，从而获得准确度更高的数据，以便于提高利用车辆行驶数据进行场景识别的准确率。其中，箱线图也可称为箱形图，是一种用于显示数据分散情况的统计图。其中，四分法也可称为四分法取样，是指每样堆成均匀的圆锥形，并压成锥台，而后用十字形架分成四等分的一种缩分操作方法。
可选地，目标场景包括至少一个行程场景，基于预处理结果对车辆行驶数据进行识别，得到车辆行驶数据的目标场景，包括：基于预处理结果和车辆行驶数据确定目标车辆的至少一个驾驶循环，其中，驾驶循环用于表示对目标车辆进行点火到熄火之间的驾驶行程；基于预设时间间隔和至少一个驾驶循环，确定目标车辆的至少一个目标行程；对至少一个目标行程进行场景识别，得到每个目标行程对应的行程场景。
上述预设时间间隔可以自行设置。
上述目标行程可以为驾驶行程、起步行程、停车入库行程等。
上述行程场景可以为市区街道道路、高速道路、山地道路、乡村道路等。
上述驾驶循环可以用于表示目标车辆的一次点火到熄火之间的驾驶行程。驾驶循环是驾驶行程的最小单位，同一行程由不同驾驶循环组成，点火开关在ON，且发动机或电动机转速有效为驾驶循环开始。点火开关在LOCK，发动机或电动机转速无效，或前后两条数据的时间差超过预设时间间隔为驾驶循环结束。其中，该预设时间间隔可以自行设置，当一次点火到熄火之间的时间差超过预设时间间隔时可以视为一个驾驶循环完成，通过设置预设时间间隔可以有效避免将由于突发事件造成的突然熄火当成一次驾驶循环结束，从而有效降低误判率。
在一种可选的实施例中，当检测到驾驶循环开始和结束时，可以给驾驶循环开始和结束加上标识，以便于快速识别出来。
在另一种可选地实施例中，可以当上一个驾驶循环结束时间与下一个驾驶循环开始时间之间的间隔小于预设时间隔间时，可以将驾驶循环合并，作为一个行程，并增加行程开始和结束的标识，以便于快速识别。
在对车辆起步场景进行判断时，可以将驾驶循环开始视为车辆起步场景下的数据窗口起始点，当Vmax>v，Macc>m，Tacc>t条件同时满足时，退出数据窗口，同时将该片段数据划分为车辆起步场景，并做相应标识。其中，Vmax、Macc、Tacc、v、m、t分别为数据窗口内的最高车速、累计行驶距离、累计行驶时长和车辆起步场景下的最高车速阈值、行驶距离阈值、行驶时长阈值。其中，各个阈值可以由专家经验或者通过实车标定实验确定。
在对车辆行驶场景进行判断时，可以对行驶途中的场景进行识别，其中，行驶场景可以包括市区街道道路、高速道路、山地道路、乡村道路。
在一种可选的实施例中，可以将车辆起步场景结束标识视为车辆行驶场景下的数据窗口的起始点，将驾驶循环结束标识视为数据窗口的结束点，并提取该片段的数据特征。其中，数据特征可以包括：最高车速、平均车速、驾驶时间、最高加速度、平均加速度、转向次数、换道次数、方向盘转角变化次数、方向盘平均转速、方向盘最大转角、平均海拔高度、最高海拔高度、行驶轨迹平均曲率等，为方便后续讨论可以将上述特征标记为x1、x2、x3、x4…xn，并利用逻辑回归算法作为该场景识别模块的模型算法，进行离线数据训练，场景标签可通过实车实验采集或者调查问卷获得，并最终得到针对上述4个场景的4个二元分类器，按照以下公式输出每个场景的概率值，取概率值最大的为预测场景：
Figure BDA0003622622850000091
其中，w1、w2、w3…wn为不同特征的权重，b为常数项，e为自然底数，p为当前场景的概率。最后根据算法识别出的场景为数据片段做场景标识。
在对停车入库场景进行判断时，可以将驾驶循环结束标识视为停车入库场景下的数据窗口的起始点，然后再向前反推，当Vmax>v，Macc>m，Tacc>t条件同时满足时，退出数据窗口，并将该片段数据划分为车辆起步场景，其中，Vmax、Macc、Tacc、v、m、t分别表示为数据窗口内的最高车速、累计行驶距离、累计行驶时长和起步场景下的最高车速阈值、行驶距离阈值、行驶时长阈值。其中，各个阈值可由专家经验或者通过实车标定实验确定。
当场景识别结束之后，场景识别模块输出离线车联网数据的驾驶循环划分、行程划分以及场景划分的标识信息，以便于可以从车辆行驶数据中提取出目标场景对应的的目标行驶特征，从而提高目标对象在目标场景的驾驶熟练度评价准确度。
可选地，基于目标场景提取车辆行驶数据的目标行驶特征，包括：基于行程场景提取车辆行驶数据中每个目标行程对应的目标行驶特征。
在一种可选的实施例中，可以通过场景提取得到每个行程对应的驾驶特征，提取出车辆行驶数据中每个目标行程对应的目标行驶特征。
其中，根据场景识别模块识别的场景结果，提取各个不同场景的特征包括：
在目标场景为车辆起步的情况下，可以提取转向灯状态、最高车速、行驶时长、行驶里程、急加速次数、急加速次数等相关数据信息。
在行驶场景为市区街道道路的情况下，可以提取最高车速、平均车速、最高加速度、平均加速度、急加速次数、急加速次数、急转弯次数、超速次数等相关数据信息。
在行驶场景为高速道路的情况下，可以提取最高车速、平均车速、最高加速度、平均加速度、方向盘转角变化次数、方向盘最大转角、变换车道次数、加速次数、急加速次数等相关数据信息。
在行驶场景为山地道路的情况下，可以提取最高车速、平均车速、急加速次数、急减速次数等相关数据信息。
在行驶场景为乡村道路的情况下，可以提取最高车速、平均车速、最高加速度、平均加速度、急加速次数、急加速次数、急转弯次数、超速次数等相关数据信息。
在目标场景为停车入库的情况下，可以提取最高车速、行驶时长、行驶里程、急加速次数、急加速次数等相关数据信息。
可选地，基于目标行驶特征确定目标对象在目标场景的驾驶熟练度，包括：利用第一熟练度模型对目标场景和目标行驶特征进行识别，确定目标对象在目标场景的驾驶熟练度；其中，第一熟练度模型由第一训练数据训练得到，第一训练数据包括：第一样本行驶特征、第一样本场景、样本标签信息，第一样本场景为第一样本行驶特征对应的场景，样本标签信息用于描述目标对象在样本场景的驾驶熟练度。
上述第一熟练度模型可以为有监督学习模型。其中，有监督学习可以为，若有相应不同驾驶场景下的驾驶熟练度的标签数据，例如通过专家打分、调查问卷、实车标定等方法获得的标签数据，则可通过逻辑回归算法输出相应驾驶场景的熟练度评价值。
以场景下的熟练度数值为标签，利用提取的不同特征进行逻辑回归算法的离线数据训练，得到如下公式：
Figure BDA0003622622850000111
其中，w1、w2、w3…wn为不同特征下的权重，b为常数项，e为自然底数，y为当前场景的预测评价值。
以最终的熟练度评价数值为标签，以上一步输出的场景熟练度p为特征，利用同样的方法进行离线数据训练，得到如下公式：
Figure BDA0003622622850000112
其中，v1、v2、v3…vn为不同特征下的权重，c为常数项，e为自然底数，y为熟练度场景得分，s为最终当前驾驶员熟练度评价得分，将其与100相乘得到百分制数值。
可选地，基于目标行驶特征确定目标对象在目标场景的驾驶熟练度，包括：利用第二熟练度模型对目标场景和目标行驶特征进行识别，确定目标对象在目标场景的驾驶熟练度；其中，第二熟练度模型由第二训练数据训练得到，第二训练数据包括：第二样本行驶特征、第二样本场景、样本权重值，第二样本场景为第二样本行驶特征对应的场景，样本权重值用于描述第二样本场景占所有样本场景的权重值。
上述第二熟练度模型可以为无监督学习模型。其中，无监督学习是指在无法获得相应的驾驶熟练度标签数据的情况下，可以利用建立的多场景特征体系，通过模型层次分析法(Analytic Hierarchy Process简称AHP)和模型便携式网络穿透工具(Earthworm简称EW)，按场景体系为驾驶员的驾驶熟练度做量化评价，具体可分为以下几步进行：
第一步，对所有特征数据进行无量纲化和归一化处理。其中，无量纲化处理可以为通过一个合适的变量代替，将一个涉及物理量的方程或全部的单位移除。其中，归一化处理可以为把多组数据按照一定格式转化，使其可以标准化。
第二步，运用无监督学习模型层次分析法(Analytic Hierarchy Process简称AHP)，将评价目标划分为目标层、准则层、子准则层，可以设准则层有m个准则，每个准则包含n1、n2…nm个子准则，通过构造比较判断矩阵，可以求出准则层的权重向量A＝{λ1，λ2，…，λm}，子准则层权重向量U＝{μ1，μ2，…，μn}。其中，评价目标可以为目标行驶特征和目标行驶特征所对应的目标场景，目标层可以用于熟练度评价，准则层可以用于不同驾驶场景评价，子准则层可以用于不同场景下的特征评价。
第三步，运用便携式网络穿透工具求出子准则熵权向量，设为V＝{v1，v2，…，vn}，其中，子准则熵权向量可以为用熵权法求出的子准则层的子准则层权重向量的熵权向量。
第四步，将子准则层权重向量U与用便携式网络穿透工具求出的子准则熵权向量V合并为向量Z＝{z1，z2，…，zn}，其中，
Figure BDA0003622622850000121
由此可以获得各个场景下的特征的综合权重。
第五步，利用向量Z获得各个场景的得分，再结合准则层的权重向量A即可获得熟练度的最终得分，并将其线性映射为0-100分值区间。
当第二熟练度模型训练完毕后，可以将获取到的目标场景中的驾驶熟练度转换为工程化代码，并部署在云端服务器上，可按月或季度对驾驶员驾驶熟练度进行评价。
可选地，目标场景包括如下至少之一：起步场景、行驶场景、停车入库场景，其中，行驶场景包括如下至少之一：市区街道道路、高速道路、山地道路、乡村道路；车辆行驶数据包括如下至少之一：转向灯状态、最高车速、平均车速、最高加速度、平均加速度、方向盘转角变化次数、方向盘最大转角、变换车道次数、加速次数、急加速次数、急转弯次数、超速次数、行驶时长、行驶里程。
其中，在驾驶车辆行驶的过程中，由于需要改变行驶方向则会将方向盘进行转动，从而产生转角，在一种可选的实施例中，上述方向盘转角变化次数可以为该转角变化的次数。
通过上述步骤，本申请中可以实现多场景特征构建，使得对驾驶员进行熟练度评价更准确全面。考虑到同一驾驶行为在不同驾驶场景下对驾驶熟练度评价会有不同的影响，本申请从高速、乡村、城市、山路、停车等场景出发，设计并筛选与驾驶熟练度高度相关的不同驾驶特征，构建多维评价体系。并且，可以通过有监督学习和无监督学习算法应用，适用熟练度评价的应用场景更加广泛，可选的，可以通过问卷调查、事故次数、维修次数等渠道获得驾驶熟练度的标签数据，结合多场景特征与逻辑回归等有监督学习算法，输出驾驶熟练度评价；若受限于数据条件，无法获得标签数据，可利用构建的多维驾驶能力评价体系，结合AHP&EW等算法，利用无监督学习算法，输出驾驶员驾驶熟练度评价。
实施例2
根据本发明实施例，还提供了一种车辆控制装置，该装置可以执行上述实施例中的车辆控制方法，具体实现方式和优选应用场景与上述实施例相同，在此不做赘述。
图5是根据本发明实施例的一种车辆控制装置的示意图，如图5所示，该装置包括：获取模块502，用于获取目标车辆的车辆行驶数据，其中，目标车辆由目标对象进行驾驶；识别模块504，用于对车辆行驶数据进行场景识别，得到车辆行驶数据的目标场景；提取模块506，用于基于目标场景提取车辆行驶数据的目标行驶特征；确定模块508，用于基于目标行驶特征确定目标对象在目标场景的驾驶熟练度。
可选地，识别模块504，包括：预处理单元，用于对车辆行驶数据进行预处理，得到预处理结果，其中，预处理包括如下至少之一：空值填充、异常值替换、时序排序、离群值剔除；第一识别单元，用于基于预处理结果对车辆行驶数据进行识别，得到车辆行驶数据的目标场景。
可选地，第一识别单元包括：第一确定子单元，用于基于预处理结果和车辆行驶数据确定目标车辆的至少一个驾驶循环，其中，驾驶循环用于表示对目标车辆进行点火到熄火之间的驾驶行程；第二确定子单元，用于基于预设时间间隔和至少一个驾驶循环，确定目标车辆的至少一个目标行程；识别子单元，用于对至少一个目标行程进行场景识别，得到每个目标行程对应的行程场景。
可选地，识别子单元还用于，基于行程场景提取车辆行驶数据中每个目标行程对应的目标行驶特征。
可选地，确定模块508，还包括：第二识别单元，用于利用第一熟练度模型对目标场景和目标行驶特征进行识别，确定目标对象在目标场景的驾驶熟练度；
其中，第一熟练度模型由第一训练数据训练得到，第一训练数据包括：第一样本行驶特征、第一样本场景、样本标签信息，第一样本场景为第一样本行驶特征对应的场景，样本标签信息用于描述目标对象在样本场景的驾驶熟练度。
可选地，确定模块508，还包括：
第三识别单元，用于利用第二熟练度模型对目标场景和目标行驶特征进行识别，确定目标对象在目标场景的驾驶熟练度；
其中，第二熟练度模型由第二训练数据训练得到，第二训练数据包括：第二样本行驶特征、第二样本场景、样本权重值，第二样本场景为第二样本行驶特征对应的场景，样本权重值用于描述第二样本场景占所有样本场景的权重值。
可选地，目标场景包括如下至少之一：起步场景、行驶场景、停车入库场景，其中，行驶场景包括如下至少之一：市区街道道路、高速道路、山地道路、乡村道路；车辆行驶数据包括如下至少之一：转向灯状态、最高车速、平均车速、最高加速度、平均加速度、方向盘转角变化次数、方向盘最大转角、变换车道次数、加速次数、急加速次数、急转弯次数、超速次数、行驶时长、行驶里程。
实施例3
根据本发明实施例的另一方面，还提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器执行上述实施例1中的车辆控制方法。
实施例4
根据本发明实施例的另一方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序。其中，程序运行时执行上述实施例1中的车辆控制方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种目标车辆的控制方法，其特征在于，包括：
获取目标车辆的车辆行驶数据，其中，所述目标车辆由目标对象进行驾驶；
对所述车辆行驶数据进行场景识别，得到所述车辆行驶数据的目标场景；
基于所述目标场景提取所述车辆行驶数据的目标行驶特征；
基于所述目标行驶特征确定所述目标对象在所述目标场景的驾驶熟练度。
2.根据权利要求1所述的方法，其特征在于，对所述车辆行驶数据进行场景识别，得到所述车辆行驶数据的目标场景，包括：
对所述车辆行驶数据进行预处理，得到预处理结果，其中，所述预处理包括如下至少之一：空值填充、异常值替换、时序排序、离群值剔除；
基于所述预处理结果对所述车辆行驶数据进行识别，得到所述车辆行驶数据的目标场景。
3.根据权利要求2所述的方法，其特征在于，所述目标场景包括至少一个行程场景，基于所述预处理结果对所述车辆行驶数据进行识别，得到所述车辆行驶数据的目标场景，包括：
基于所述预处理结果和所述车辆行驶数据确定所述目标车辆的至少一个驾驶循环，其中，所述驾驶循环用于表示对所述目标车辆进行点火到熄火之间的驾驶行程；
基于预设时间间隔和所述至少一个驾驶循环，确定所述目标车辆的至少一个目标行程；
对所述至少一个目标行程进行场景识别，得到每个目标行程对应的行程场景。
4.根据权利要求3所述的方法，其特征在于，基于所述目标场景提取所述车辆行驶数据的目标行驶特征，包括：
基于所述行程场景提取所述车辆行驶数据中每个目标行程对应的目标行驶特征。
5.根据权利要求1所述的方法，其特征在于，基于所述目标行驶特征确定所述目标对象在所述目标场景的驾驶熟练度，包括：
利用第一熟练度模型对所述目标场景和所述目标行驶特征进行识别，确定所述目标对象在所述目标场景的驾驶熟练度；
其中，所述第一熟练度模型由第一训练数据训练得到，所述第一训练数据包括：第一样本行驶特征、第一样本场景、样本标签信息，所述第一样本场景为所述第一样本行驶特征对应的场景，所述样本标签信息用于描述目标对象在样本场景的驾驶熟练度。
6.根据权利要求1所述的方法，其特征在于，基于所述目标行驶特征确定所述目标对象在所述目标场景的驾驶熟练度，包括：
利用第二熟练度模型对所述目标场景和所述目标行驶特征进行识别，确定所述目标对象在所述目标场景的驾驶熟练度；
其中，所述第二熟练度模型由第二训练数据训练得到，所述第二训练数据包括：第二样本行驶特征、第二样本场景、样本权重值，所述第二样本场景为所述第二样本行驶特征对应的场景，所述样本权重值用于描述所述第二样本场景占所有样本场景的权重值。
7.根据权利要求1所述的方法，其特征在于，所述目标场景包括如下至少之一：起步场景、行驶场景、停车入库场景，其中，所述行驶场景包括如下至少之一：市区街道道路、高速道路、山地道路、乡村道路；所述车辆行驶数据包括如下至少之一：转向灯状态、最高车速、平均车速、最高加速度、平均加速度、方向盘转角变化次数、方向盘最大转角、变换车道次数、加速次数、急加速次数、急转弯次数、超速次数、行驶时长、行驶里程。
8.一种目标车辆的控制装置，其特征在于，包括：
获取模块，用于获取目标车辆的车辆行驶数据，其中，所述目标车辆由目标对象进行驾驶；
识别模块，用于对所述车辆行驶数据进行场景识别，得到所述车辆行驶数据的目标场景；
提取模块，用于基于所述目标场景提取所述车辆行驶数据的目标行驶特征；
确定模块，用于基于所述目标行驶特征确定所述目标对象在所述目标场景的驾驶熟练度。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器执行权利要求1-7中任意一项所述的目标车辆的控制方法。
10.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所在设备的处理器中执行权利要求1-7中任意一项所述的目标车辆的控制方法。
CN202210462846.1A 2022-04-28 2022-04-28 车辆控制方法、装置、电子设备 Pending CN114802264A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210462846.1A CN114802264A (zh) 2022-04-28 2022-04-28 车辆控制方法、装置、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210462846.1A CN114802264A (zh) 2022-04-28 2022-04-28 车辆控制方法、装置、电子设备

Publications (1)

Publication Number Publication Date
CN114802264A true CN114802264A (zh) 2022-07-29

Family

ID=82510072

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210462846.1A Pending CN114802264A (zh) 2022-04-28 2022-04-28 车辆控制方法、装置、电子设备

Country Status (1)

Country Link
CN (1) CN114802264A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115862333A (zh) * 2022-12-07 2023-03-28 东南大学 考虑信息流特征的高速公路车路协同场景和功能划分方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115862333A (zh) * 2022-12-07 2023-03-28 东南大学 考虑信息流特征的高速公路车路协同场景和功能划分方法
CN115862333B (zh) * 2022-12-07 2023-11-21 东南大学 考虑信息流特征的高速公路车路协同场景和功能划分方法

Similar Documents

Publication Publication Date Title
US20210197851A1 (en) Method for building virtual scenario library for autonomous vehicle
CN107492251B (zh) 一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法
Fan et al. A closer look at Faster R-CNN for vehicle detection
CN113609016B (zh) 车辆自动驾驶测试场景的构建方法、装置、设备及介质
CN113155173B (zh) 感知性能评测方法、装置、电子装置和存储介质
CN110188482B (zh) 一种基于智能驾驶的测试场景创建方法及装置
CN114493191B (zh) 一种基于网约车数据的驾驶行为建模分析方法
JP6511982B2 (ja) 運転操作判別装置
Li et al. Cluster naturalistic driving encounters using deep unsupervised learning
Xue et al. A context-aware framework for risky driving behavior evaluation based on trajectory data
Sikirić et al. Image representations on a budget: Traffic scene classification in a restricted bandwidth scenario
CN113065902A (zh) 基于数据处理的费用设定方法、装置和计算机设备
CN112466118A (zh) 车辆驾驶行为识别方法、***、电子设备及存储介质
CN114802264A (zh) 车辆控制方法、装置、电子设备
CN115797403A (zh) 交通事故预测方法和装置、存储介质及电子设备
CN106777350B (zh) 一种基于卡口数据的以图搜图方法和装置
CN112559968A (zh) 一种基于多情境数据的驾驶风格表征学习方法
CN116753938A (zh) 车辆测试场景生成方法、装置、存储介质及设备
CN114822044B (zh) 一种基于隧道的行车安全预警方法及设备
CN115129886A (zh) 驾驶场景的识别方法、装置及车辆
CN112257869A (zh) 基于随机森林的***分析方法、***及计算机介质
CN116997890A (zh) 生成未知不安全场景、改进自动交通工具、计算机***
CN113609956A (zh) 训练方法、识别方法、装置、电子设备以及存储介质
Wang et al. Driver modeling based on vehicular sensing data
CN114999134B (zh) 一种驾驶行为预警方法、装置及***

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