CN115169477A - 辅助驾驶***的安全感评估方法、装置、设备及存储介质 - Google Patents
辅助驾驶***的安全感评估方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115169477A CN115169477A CN202210851069.XA CN202210851069A CN115169477A CN 115169477 A CN115169477 A CN 115169477A CN 202210851069 A CN202210851069 A CN 202210851069A CN 115169477 A CN115169477 A CN 115169477A
- Authority
- CN
- China
- Prior art keywords
- safety
- data
- security
- training
- perception
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种辅助驾驶***的安全感评估方法、装置、设备及存储介质,其中,方法包括:采集当前车辆在预设时长的驾驶数据;根据驾驶数据得到当前车辆的运动状态数据和环境感知数据,并由运动状态数据和环境感知数据得到至少一个安全感评估特征;以及将至少一个安全感评估特征输入至预先训练的安全感评估模型,得到当前车辆的用户安全感打分结果,其中,预先训练的安全感评估模型由多个安全感训练样本训练得到。本申请基于安全感评估模型进行用户安全感打分,有效提高了评估的效率和准确性,进一步改善了用户对辅助驾驶车辆的使用体验。
Description
技术领域
本申请涉及车辆安全感评估技术领域,特别涉及一种辅助驾驶***的安全感评估方法、装置、设备及存储介质。
背景技术
如今,企业和政策制定者在逐步建立评价自动驾驶的安全性的标准。这类标准有助于规范辅助驾驶车辆在交通行驶中的行为,减少危险事故的发生。例如RSS(ResponsibilitySensitiveSafety,责任敏感安全模型),该模型通过将驾车常识公式化,制定一系列逻辑上可行的规则和应对危险情景的规定,明确了自动驾驶汽车怎样才算真正做到安全驾驶。
然而,RSS模型的这类数学公式模型只能在理论上保证辅助驾驶车辆行驶的安全性,缺乏对辅助驾驶安全感的建模,难以准确衡量用户对车辆驾驶行为的安全感的评估。
在相关技术中,其将预设时间长度内的第一体感指标数据划分为体感训练样本,体感训练样本中包括已标注的体感类型和体感分数的对应关系;利用体感训练样本进行训练,得到体感打分模型、前倾感打分模型、晃动感打分模型或者顿挫感打分模型。将预设时间长度内的体感指标数据输入至体感打分模型中进行预测,得到预设时间长度内的前倾感分数、晃动感分数以及顿挫感分数。
然而,相关技术仅仅对体感进行衡量,对乘客安全感的评估主要是依靠人工体验打分的方式,不仅成本较高,而且难以覆盖繁多的辅助驾驶应用场景和复杂多变的环境,亟待解决。
发明内容
本申请提供一种辅助驾驶***的安全感评估方法、装置、设备及存储介质,以解决现有的自动驾驶车辆的评价方式中,缺乏对用户安全感的评估,且评估成本较高,难以覆盖繁多的辅助驾驶应用场景和复杂多变的环境等问题。
本申请第一方面实施例提供一种辅助驾驶***的安全感评估方法,包括以下步骤:采集当前车辆在预设时长的驾驶数据;根据所述驾驶数据得到所述当前车辆的运动状态数据和环境感知数据,并由所述运动状态数据和环境感知数据得到至少一个安全感评估特征;以及将所述至少一个安全感评估特征输入至预先训练的安全感评估模型,得到所述当前车辆的用户安全感打分结果,其中,所述预先训练的安全感评估模型由多个安全感训练样本训练得到。
根据上述技术手段,本申请实施例可以应用于一段时间内主车辅助驾驶数据,收集主车的运动数据和环境数据,提取特征值,输入安全感评估模型,得到每一个时间片段的安全感打分结果,从而提高安全感评估的准确性和效率,进一步改善了提升用户对辅助驾驶车辆的使用体验。
可选地,在本申请的一个实施例中,在将所述至少一个安全感评估特征输入至预先训练的安全感评估模型之前,还包括:采集辅助驾驶车辆在预设时间内的驾驶数据;按照预设时长将所述驾驶数据且分为多个时间段的安全感训练样本,其中,每个安全感训练样本包括人工标注的安全感分数和每个时间段内的主车的运动状态数据和环境感知数据;利用所述多个时间段的安全感训练样本训练安全感评估模型,生成所述预先训练的安全感评估模型。
根据上述技术手段,本申请实施例可以获取多个时间段大量的多个类型的训练数据集,从而保证了数据的可靠性和模型训练的泛化性能,有效避免了模型的过拟合和欠拟合的发生。
可选地,在本申请的一个实施例中,所述利用所述多个时间段的安全感训练样本训练安全感评估模型,包括:根据所述安全感训练样本中运动状态数据计算速度均值、速度方差、加速度的均值和最值,得到作为训练样本的第一特征值;根据所述剩余安全感训练样本中环境感知数据计算将每条射线与障碍物的交点到主车中心的距离,得到作为训练样本的第二特征值;利用所述第一特征值和所述第二特征值训练所述安全感评估模型。
根据上述技术手段,本申请实施例可以对所采集的运动状态数据等进行特征选择和特征构造,从而有效降低特征之间的相关性,降低数据的维度,进一步保证数据的质量和模型训练的准确性和实时性。
可选地,在本申请的一个实施例中,在计算所述第一特征值和所述第二特征值之前,还包括:从所述安全感训练样本过滤满足异常条件的样本,得到用于计算所述第一特征值和所述第二特征值的剩余的安全感训练样本。
根据上述技术手段,本申请实施例可以对所采集到的数据进行去量纲化、过滤异常值等预处理操作,从而过滤无效特征或异常样本数据,进一步改善特征结构和质量。
可选地,在本申请的一个实施例中,在计算所述将每条射线与障碍物的交点到主车中心的距离之前,还包括:由所述主车中心按照预设的角度分辨率作为射线,确定所述每条射线。
根据上述技术手段,本申请实施例可以由主车中心按预设的角度分辨率作射线,将各条射线与障碍物的交点到主车中心的距离,并将其作为训练样本的特征值,从而融合环境感知数据,进一步改善模型的泛化性能,提高评估的准确性。
本申请第二方面实施例提供一种辅助驾驶***的安全感评估装置,包括:第一采集模块,用于采集当前车辆在预设时长的驾驶数据;获取模块,用于根据所述驾驶数据得到所述当前车辆的运动状态数据和环境感知数据,并由所述运动状态数据和环境感知数据得到至少一个安全感评估特征;以及打分模块,用于将所述至少一个安全感评估特征输入至预先训练的安全感评估模型,得到所述当前车辆的用户安全感打分结果,其中,所述预先训练的安全感评估模型由多个安全感训练样本训练得到。
可选地,在本申请的一个实施例中,在将所述至少一个安全感评估特征输入至预先训练的安全感评估模型之前,还包括:第二采集模块,用于采集辅助驾驶车辆在预设时间内的驾驶数据;划分模块,用于按照预设时长将所述驾驶数据划分为多个时间段的安全感训练样本,其中,每个安全感训练样本包括人工标注的安全感分数和每个时间段内的主车的运动状态数据和环境感知数据;生成模块,用于利用所述多个时间段的安全感训练样本训练安全感评估模型,生成所述预先训练的安全感评估模型。
可选地,在本申请的一个实施例中,所述划分模块,包括:第一计算单元,用于根据所述安全感训练样本中运动状态数据计算速度均值、速度方差、加速度的均值和最值来,得到作为训练样本的第一特征值;第二计算单元,用于根据所述剩余安全感训练样本中环境感知数据计算将每条射线与障碍物的交点到主车中心的距离,得到作为训练样本的第二特征值;训练单元,用于利用所述第一特征值和所述第二特征值训练所述安全感评估模型。
可选地,在本申请的一个实施例中,还包括:过滤模块,用于在计算所述第一特征值和所述第二特征值之前从所述安全感训练样本过滤满足异常条件的样本,得到用于计算所述第一特征值和所述第二特征值的剩余的安全感训练样本。
可选地,在本申请的一个实施例中,还包括:确定模块,用于在计算所述将每条射线与障碍物的交点到主车中心的距离之前由所述主车中心按照预设的角度分辨率作为射线,确定所述每条射线。
本申请第三方面实施例提供一种车辆,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如上述实施例所述的辅助驾驶***的安全感评估方法。
本申请第四方面实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储计算机程序,该程序被处理器执行时实现如上的辅助驾驶***的安全感评估方法。
由此,本申请的实施例具有以下有益效果:
(1)本申请实施例可以应用于一段时间内主车辅助驾驶数据,收集主车的运动数据和环境数据,提取特征值,输入安全感评估模型,得到每一个时间片段的安全感打分结果,从而提高安全感评估的准确性和效率,进一步改善了提升用户对辅助驾驶车辆的使用体验。
(2)可以获取多个时间段大量的多个类型的训练数据集,从而保证了数据的可靠性和模型训练的泛化性能,有效避免了模型的过拟合和欠拟合的发生。
(3)可以对所采集的运动状态数据等进行特征选择和特征构造,从而有效降低特征之间的相关性,降低数据的维度,进一步保证数据的质量和模型训练的准确性和实时性。
(4)可以对所采集到的数据进行去量纲化、过滤异常值等预处理操作,从而过滤无效特征或异常样本数据,进一步改善特征结构和质量。
(5)可以由主车中心按预设的角度分辨率作射线,将各条射线与障碍物的交点到主车中心的距离,并将其作为训练样本的特征值,从而融合环境感知数据,进一步改善模型的泛化性能,提高评估的准确性。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本申请实施例提供的一种辅助驾驶***的安全感评估方法的流程图;
图2为根据本申请的一个实施例提供的一种障碍物测距原理示意图;
图3为根据本申请的一个实施例提供的一种辅助驾驶***的安全感评估模型离线训练过程执行逻辑示意图;
图4为根据本申请的一个实施例提供的一种辅助驾驶***的安全感评估模型在线评估过程执行逻辑示意图;
图5为根据本申请实施例的辅助驾驶***的安全感评估装置的示例图;
图6为申请实施例提供的车辆的结构示意图。
其中,10-辅助驾驶***的安全感评估装置、100-第一采集模块、200-获取模块、300-打分模块、501-存储器、502-处理器、503-通信接口。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的辅助驾驶***的安全感评估方法、装置、设备及存储介质。针对上述背景技术中提到的问题,本申请提供了一种辅助驾驶***的安全感评估方法,在该方法中,采集当前车辆在预设时长的驾驶数据;根据驾驶数据得到当前车辆的运动状态数据和环境感知数据,并由运动状态数据和环境感知数据得到至少一个安全感评估特征;以及将至少一个安全感评估特征输入至预先训练的安全感评估模型,得到当前车辆的用户安全感打分结果,其中,预先训练的安全感评估模型由多个安全感训练样本训练得到,从而提升用户对辅助驾驶车辆的使用体验,提高用户对辅助驾驶***的使用意愿,降低评估安全感的成本,提高评估效率。由此,解决了现有的自动驾驶车辆的评价方式中,缺乏对用户安全感的评估,且成本较高,难以覆盖繁多的辅助驾驶应用场景和复杂多变的环境等问题。
具体而言,图1为本申请实施例所提供的一种辅助驾驶***的安全感评估方法的流程图。
如图1所示,该辅助驾驶***的安全感评估方法包括以下步骤:
在步骤S101中,采集当前车辆在预设时长的驾驶数据。
可以理解的是,用户对辅助驾驶的安全感认知,主要源自于车辆速度、加速度、位置,以及环境中障碍物的位置等数据信息。为了提高用户的驾乘体验和车辆在行驶过程中的安全性,本申请的实施例将在一段时间内的车辆驾驶数据进行收集,以便对驾驶***的安全感进行评估。
需要说明的是,上述预设时长可以根据实际情况及用户的意愿进行设置,车载***可以在车载显示屏上向用户推荐几个时长,如5min或10min等,用户也可通过语音或文字输入等形式自定义设置上述时长。
举例而言,在本申请的实施例中,可以通过车辆传感器或摄像头等设备,对车辆的驾驶数据进行采集,并每隔10min上传车辆的驾驶数据,如行驶时间、点火时间、总里程、燃油余量、发动机转速、横向加速度、纵向加速度、速度、方向盘转角、刹车/油门状态、油门踏板位置等,从而不仅能够获取多种类型的驾驶数据,还可以改善用户的使用体验,进一步提升车辆的智能化和人性化水平。
在步骤S102中,根据驾驶数据得到当前车辆的运动状态数据和环境感知数据,并由运动状态数据和环境感知数据得到至少一个安全感评估特征。
在采集车辆的驾驶数据后,进一步地,本申请的实施例可以根据上述数据所描述的对象将上述驾驶数据划分为运动状态数据(如行驶时间、点火时间、总里程、燃油余量、发动机转速、速度、方向盘转角等)和环境感知数据(如障碍物的形状、位置、速度、加速度信息等)。
可以理解的是,将所采集的上述时长内运动状态数据和环境感知数据,按照预设的时间步长,如1min等,划分为多个时间段的驾驶数据。其中,在具体实施过程中,上述预设的时间步长可以根据实际情况进行设定,从而易于发现具体时间段的异常值,便于后续的特征处理等操作。
本申请的实施例在得到当前车辆的运动状态数据和环境感知数据后,为了保证获取数据的准确性,还需对各类数据进行时间戳匹配。
具体地,在实际应用过程中,需要通过设置唯一的时钟主机给各类传感器如摄像头、激光雷达等,提供相同的基准时间。但是由于各传感器设备时钟晶振及数据传输路径不同,需要根据提供的基准时间校准各自的时钟时间,实现时间同步。最后根据校准后的时间为采集数据加上时间戳信息,这样就可以保证同一时刻采集相同的环境信息。
在对各类数据进行时间戳匹配后,需要对上述数据进行预处理,以过滤异常值,删除或填补空值等。
举例而言,本申请的实施例可以利用机器学***均车速、最高车速、耗油量、急加速次数以及障碍物的位置和速度等。此外,也可以将行驶里程不足500m的行程数据等剔除,从而降低数据线性相关性,提高安全感评分的准确性、可靠性以及实时性,确保数据更具研究意义。
在步骤S103中,将至少一个安全感评估特征输入至预先训练的安全感评估模型,得到当前车辆的用户安全感打分结果,其中,预先训练的安全感评估模型由多个安全感训练样本训练得到。
在获取安全感评估特征后,即可将该安全感评估特征输入至预先训练的安全感评估模型中去,上述评估模型经过不断的训练,可以取得较好的拟合效果,从而使得当前车辆的安全感打分结果更为可靠。
可选地,在本申请的一个实施例中,在将至少一个安全感评估特征输入至预先训练的安全感评估模型之前,还包括:采集辅助驾驶车辆在预设时间内的驾驶数据;按照预设时长将驾驶数据且分为多个时间段的安全感训练样本,其中,每个安全感训练样本包括人工标注的安全感分数和每个时间段内的主车的运动状态数据和环境感知数据;利用多个时间段的安全感训练样本训练安全感评估模型,生成预先训练的安全感评估模型。
接下来,对安全感评估模型的具体训练过程,进行详细介绍。
在训练安全感评估模型之前,本申请的实施例采集了设定时长内大量的行驶时间、点火时间、总里程、燃油余量、发动机转速、速度等车辆驾驶数据,从而为车辆驾驶的安全感评估提供了可靠的训练数据来源,有力保障了安全感评估结果的泛化性和准确性。
进一步地,本申请的实施例根据上述驾驶数据获取运动状态数据和环境感知数据,并按照所设时间步长将上述采集车辆驾驶数据的时长划分为多个时间段,并对各类数据进行时间戳匹配后,进而便可以对上述训练数据进行异常值过滤等操作,从而不仅使得上述数据更为可靠,也减少了模型训练的时间,提高了训练效率。
可选地,在本申请的一个实施例中,在计算第一特征值和第二特征值之前,还包括:从安全感训练样本过滤满足异常条件的样本,得到用于计算第一特征值和第二特征值的剩余的安全感训练样本。
具体地,本申请可以利用该特征值的均值或方差等进行空值或异常值的填充,或者根据数据的方差值等设置合适的阈值,从而过滤含有异常值且方差值过大的特征,以降低数据的相关性,保证数据的质量。
此外,需要说明的是,本申请实施例的安全感评估方法为监督学习方法,即除了上述运动状态数据和环境感知数据以外,还包括每个时间段内的主车数据和环境感知数据对应的人工标注的安全感分数,因此,本申请的实施例还可以结合上述安全感分数对异常值数据进行处理。
举例而言,当车辆速度存在异常值时,可以将除车辆速度以外的其他运动数据特征,如行驶里程等,以及人工标注的安全感分数作为输入数据,将车辆速度作为输出数据,利用随机森林或聚类等机器学习算法,对车辆速度特征中没有异常值的样本数据进行训练,继而利用该特征训练模型预测替换车辆速度特征中的异常值。
进一步地,在本申请的实施例中,由于各特征之间数值差异可能过大,还需要通过标准化操作去除量纲的影响,将有量纲的数值变成无量纲的纯数值,如可采用最大最小归一化方法等,由此避免给梯度数值的更新带来数值问题,也有利于学习率数值的调整搜索轨迹,从而加快寻找最优解速度。
可选地,在本申请的一个实施例中,利用多个时间段的安全感训练样本训练安全感评估模型,包括:根据安全感训练样本中运动状态数据计算速度均值、速度方差、加速度的均值和最值,得到作为训练样本的第一特征值;根据剩余安全感训练样本中环境感知数据计算将每条射线与障碍物的交点到主车中心的距离,得到作为训练样本的第二特征值;利用第一特征值和第二特征值训练安全感评估模型。
对训练样本数据进行异常值过滤等操作后,进一步地,本申请的实施例可对处理后的运动状态数据和环境感知数据进行特征选择和特征构造等操作。
具体地,为对于主车的运动状态数据,可以根据常识或Filter算法等,去除运动状态数据中与安全感评估关联不大的特征,如油门踏板位置等,从而选择出与安全感评估高度相关的特征类型。此外,本申请的实施例还可以根据采集到的运动状态数据,通过一定的计算获取新的特征。
举例而言,可以根据行驶里程、驾驶时长特征进一步计算速度均值、速度方差、加速度的均值和最值等新的运动状态特征类型,此外,也可以利用PCA(Principal ComponentAnalysis,主成分分析)等降维算法,进一步降低冗余特征和数据的线性相关性,从而进一步提高运动状态数据特征的质量和可靠性,以提高模型训练的泛化性和实时性。
可选地,在本申请的一个实施例中,在计算将每条射线与障碍物的交点到主车中心的距离之前,还包括:由主车中心按照预设的角度分辨率作为射线,确定每条射线。
可以理解的是,对环境中的障碍物而言,除了通过将障碍物的位置,速度以及加速度等相关数据作为训练特征外,主车与障碍物之间的距离也会在一定程度上影响驾驶的安全感,故而有必要获取上述障碍物与主车之间的距离并作为训练样本的特征值。考虑到车辆行驶环境的复杂性和多变性,若使用摄像头或超声波等设备,难以适用于如大雾等能见度较低的环境,从而影响获取数据的可靠性。
因此,在本申请的实施例中,可以按照图2所展示的方式由主车中心按预设的角度分辨率作射线,将各条射线与障碍物的交点到主车中心的距离,并将其作为训练样本的特征值,从而结合运动状态数据特征和环境感知数据特征,最大程度上改善了数据的质量和可靠性,保证了模型评估的鲁棒性和准确性。
进一步地,利用多个时间段的安全感训练样本通过神经网络训练安全感评估模型,从而构建出安全感评估模型,评估模型具体地离线训练过程如图3所示。
继而,便将根据主车的运动数据和环境数据提取的特征值,输入上述训练后的安全感评估模型中,以得到每一个时间片段的安全感打分结果,从而在降低评估安全感成本的同时,也提高了评估的效率和准确性,有效提升了用户的驾驶体验,评估模型具体地在线评估过程如图4所示。
根据本申请实施例提出的辅助驾驶***的安全感评估方法,采集当前车辆在预设时长的驾驶数据;根据驾驶数据得到当前车辆的运动状态数据和环境感知数据,并由运动状态数据和环境感知数据得到至少一个安全感评估特征;以及将至少一个安全感评估特征输入至预先训练的安全感评估模型,得到当前车辆的用户安全感打分结果,其中,预先训练的安全感评估模型由多个安全感训练样本训练得到,从而提升用户对辅助驾驶车辆的使用体验,提高用户对辅助驾驶***的使用意愿,降低评估安全感的成本,提高评估效率。
其次参照附图描述根据本申请实施例提出的辅助驾驶***的安全感评估装置。
图5是本申请实施例的辅助驾驶***的安全感评估装置的方框示意图。
如图5所示,该辅助驾驶***的安全感评估装置10包括:第一采集模块100、获取模块200以及打分模块300。
其中,第一采集模块100,用于采集当前车辆在预设时长的驾驶数据;获取模块200,用于根据驾驶数据得到当前车辆的运动状态数据和环境感知数据,并由运动状态数据和环境感知数据得到至少一个安全感评估特征;以及打分模块300,用于将至少一个安全感评估特征输入至预先训练的安全感评估模型,得到当前车辆的用户安全感打分结果,其中,预先训练的安全感评估模型由多个安全感训练样本训练得到。
可选地,在本申请的一个实施例中,本申请实施例的辅助驾驶***的安全感评估装置10还包括:第二采集模块、划分模块以及生成模块。
其中,第二采集模块,用于在将至少一个安全感评估特征输入至预先训练的安全感评估模型之前采集辅助驾驶车辆在预设时间内的驾驶数据。
划分模块,用于按照预设时长将驾驶数据划分为多个时间段的安全感训练样本,其中,每个安全感训练样本包括人工标注的安全感分数和每个时间段内的主车的运动状态数据和环境感知数据。
生成模块,用于利用多个时间段的安全感训练样本训练安全感评估模型,生成预先训练的安全感评估模型。
可选地,在本申请的一个实施例中,划分模块包括:第一计算单元、第二计算单元以及训练单元。
其中,第一计算单元,用于根据安全感训练样本中运动状态数据计算速度均值、速度方差、加速度的均值和最值来,得到作为训练样本的第一特征值。
第二计算单元,用于根据剩余安全感训练样本中环境感知数据计算将每条射线与障碍物的交点到主车中心的距离,得到作为训练样本的第二特征值。
训练单元,用于利用第一特征值和第二特征值训练安全感评估模型。
可选地,在本申请的一个实施例中,本申请实施例的辅助驾驶***的安全感评估装置10还包括:过滤模块和确定模块。
其中,过滤模块,用于在计算第一特征值和第二特征值之前从安全感训练样本过滤满足异常条件的样本,得到用于计算第一特征值和第二特征值的剩余的安全感训练样本。
确定模块,用于在计算将每条射线与障碍物的交点到主车中心的距离之前由主车中心按照预设的角度分辨率作为射线,确定每条射线。
需要说明的是,前述对辅助驾驶***的安全感评估方法实施例的解释说明也适用于该实施例的辅助驾驶***的安全感评估装置,此处不再赘述。
根据本申请实施例提出的辅助驾驶***的安全感评估装置,采集当前车辆在预设时长的驾驶数据;根据驾驶数据得到当前车辆的运动状态数据和环境感知数据,并由运动状态数据和环境感知数据得到至少一个安全感评估特征;以及将至少一个安全感评估特征输入至预先训练的安全感评估模型,得到当前车辆的用户安全感打分结果,其中,预先训练的安全感评估模型由多个安全感训练样本训练得到,从而提升用户对辅助驾驶车辆的使用体验,提高用户对辅助驾驶***的使用意愿,降低评估安全感的成本,提高评估效率。
图6为本申请实施例提供的车辆的结构示意图。该车辆可以包括:
存储器601、处理器602及存储在存储器601上并可在处理器602上运行的计算机程序。
处理器602执行程序时实现上述实施例中提供的辅助驾驶***的安全感评估方法。
进一步地,车辆还包括:
通信接口603,用于存储器601和处理器602之间的通信。
存储器601,用于存放可在处理器602上运行的计算机程序。
存储器601可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
如果存储器601、处理器602和通信接口603独立实现,则通信接口603、存储器601和处理器602可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture,简称为ISA)总线、外部设备互连(PeripheralComponent,简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture,简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选地,在具体实现上,如果存储器601、处理器602及通信接口603,集成在一块芯片上实现,则存储器601、处理器602及通信接口603可以通过内部接口完成相互间的通信。
处理器602可能是一个中央处理器(Central Processing Unit,简称为CPU),或者是特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路。
本实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上的辅助驾驶***的安全感评估方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“N个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或N个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,N个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种辅助驾驶***的安全感评估方法,其特征在于,包括以下步骤:
采集当前车辆在预设时长的驾驶数据;
根据所述驾驶数据得到所述当前车辆的运动状态数据和环境感知数据,并由所述运动状态数据和环境感知数据得到至少一个安全感评估特征;以及
将所述至少一个安全感评估特征输入至预先训练的安全感评估模型,得到所述当前车辆的用户安全感打分结果,其中,所述预先训练的安全感评估模型由多个安全感训练样本训练得到。
2.根据权利要求1所述的方法,其特征在于,在将所述至少一个安全感评估特征输入至预先训练的安全感评估模型之前,还包括:
采集辅助驾驶车辆在预设时间内的驾驶数据;
按照预设时长将所述驾驶数据且分为多个时间段的安全感训练样本,其中,每个安全感训练样本包括人工标注的安全感分数和每个时间段内的主车的运动状态数据和环境感知数据;
利用所述多个时间段的安全感训练样本训练安全感评估模型,生成所述预先训练的安全感评估模型。
3.根据权利要求2所述的方法,其特征在于,所述利用所述多个时间段的安全感训练样本训练安全感评估模型,包括:
根据所述安全感训练样本中运动状态数据计算速度均值、速度方差、加速度的均值和最值来,得到作为训练样本的第一特征值;
根据所述剩余安全感训练样本中环境感知数据计算将每条射线与障碍物的交点到主车中心的距离,得到作为训练样本的第二特征值;
利用所述第一特征值和所述第二特征值训练所述安全感评估模型。
4.根据权利要求3所述的方法,其特征在于,在计算所述第一特征值和所述第二特征值之前,还包括:
从所述安全感训练样本过滤满足异常条件的样本,得到用于计算所述第一特征值和所述第二特征值的剩余的安全感训练样本。
5.根据权利要求3所述的方法,其特征在于,在计算所述将每条射线与障碍物的交点到主车中心的距离之前,还包括:
由所述主车中心按照预设的角度分辨率作为射线,确定所述每条射线。
6.一种辅助驾驶***的安全感评估装置,其特征在于,包括:
第一采集模块,用于采集当前车辆在预设时长的驾驶数据;
获取模块,用于根据所述驾驶数据得到所述当前车辆的运动状态数据和环境感知数据,并由所述运动状态数据和环境感知数据得到至少一个安全感评估特征;以及
打分模块,用于将所述至少一个安全感评估特征输入至预先训练的安全感评估模型,得到所述当前车辆的用户安全感打分结果,其中,所述预先训练的安全感评估模型由多个安全感训练样本训练得到。
7.根据权利要求6所述的装置,其特征在于,在将所述至少一个安全感评估特征输入至预先训练的安全感评估模型之前,还包括:
第二采集模块,用于采集辅助驾驶车辆在预设时间内的驾驶数据;
划分模块,用于按照预设时长将所述驾驶数据划分为多个时间段的安全感训练样本,其中,每个安全感训练样本包括人工标注的安全感分数和每个时间段内的主车的运动状态数据和环境感知数据;
生成模块,用于利用所述多个时间段的安全感训练样本训练安全感评估模型,生成所述预先训练的安全感评估模型。
8.根据权利要求7所述的装置,其特征在于,所述划分模块,包括:
第一计算单元,用于根据所述安全感训练样本中运动状态数据计算速度均值、速度方差、加速度的均值和最值来,得到作为训练样本的第一特征值;
第二计算单元,用于根据所述剩余安全感训练样本中环境感知数据计算将每条射线与障碍物的交点到主车中心的距离,得到作为训练样本的第二特征值;
训练单元,用于利用所述第一特征值和所述第二特征值训练所述安全感评估模型。
9.一种车辆,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如权利要求1-5任一项所述的辅助驾驶***的安全感评估方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行,以用于实现如权利要求1-5任一项所述的辅助驾驶***的安全感评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210851069.XA CN115169477A (zh) | 2022-07-19 | 2022-07-19 | 辅助驾驶***的安全感评估方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210851069.XA CN115169477A (zh) | 2022-07-19 | 2022-07-19 | 辅助驾驶***的安全感评估方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115169477A true CN115169477A (zh) | 2022-10-11 |
Family
ID=83495355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210851069.XA Pending CN115169477A (zh) | 2022-07-19 | 2022-07-19 | 辅助驾驶***的安全感评估方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115169477A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115985096A (zh) * | 2022-12-23 | 2023-04-18 | 中汽院智能网联科技有限公司 | 一种导航驾驶辅助***道路通行场景下的测评***及方法 |
-
2022
- 2022-07-19 CN CN202210851069.XA patent/CN115169477A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115985096A (zh) * | 2022-12-23 | 2023-04-18 | 中汽院智能网联科技有限公司 | 一种导航驾驶辅助***道路通行场景下的测评***及方法 |
CN115985096B (zh) * | 2022-12-23 | 2023-09-26 | 中汽院智能网联科技有限公司 | 一种导航驾驶辅助***道路通行场景下的测评***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gu et al. | A novel lane-changing decision model for autonomous vehicles based on deep autoencoder network and XGBoost | |
CN109782730B (zh) | 用于自主***性能和评级的方法和装置 | |
JP5691237B2 (ja) | 運転支援装置 | |
CN110764507A (zh) | 一种强化学习与信息融合的人工智能自动驾驶*** | |
JP6950481B2 (ja) | 診断システム | |
JP2023540613A (ja) | 運転者支援システムを試験するための方法およびシステム | |
CN114655227A (zh) | 驾驶风格识别方法、辅助驾驶方法及装置 | |
Chu et al. | A review of driving style recognition methods from short-term and long-term perspectives | |
JP7415471B2 (ja) | 運転評価装置、運転評価システム、車載装置、車外評価装置、および運転評価プログラム | |
CN115169477A (zh) | 辅助驾驶***的安全感评估方法、装置、设备及存储介质 | |
Karaduman et al. | Smart driving in smart city | |
CN116331221A (zh) | 辅助驾驶方法、装置、电子设备及存储介质 | |
JP2022189809A (ja) | 車両内において使用される機械学習モデルを再構成するための超音波システム及び方法 | |
JP2022189811A (ja) | 機械学習アルゴリズム内において使用される機械学習分類器をチューニングするための超音波システム及び方法 | |
CN112462759B (zh) | 规控算法的评估方法、***及计算机存储介质 | |
Griesbach et al. | Prediction of lane change by echo state networks | |
CN116461546A (zh) | 车辆预警方法、装置、存储介质和处理器 | |
US20240037296A1 (en) | Comparison of digital representations of driving situations of a vehicle | |
Peng et al. | A Method for Vehicle Collision Risk Assessment through Inferring Driver's Braking Actions in Near-Crash Situations | |
Neis et al. | A two-level stochastic model for the lateral movement of vehicles within their lane under homogeneous traffic conditions | |
Mechernene et al. | Lane change decision algorithm based on risk prediction and fuzzy logic method | |
CN114662691A (zh) | 自动驾驶车辆的特征知识库***及方法 | |
Obuhuma et al. | A software agent for vehicle driver modeling | |
CN113486628A (zh) | 一种交通规则到机器语言的转换方法及*** | |
Husen et al. | Continuous Car Driving intention recognition with syntactic pattern approach |
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 |