CN115545281A - 风险场景识别方法、装置、设备及存储介质 - Google Patents
风险场景识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115545281A CN115545281A CN202211144539.5A CN202211144539A CN115545281A CN 115545281 A CN115545281 A CN 115545281A CN 202211144539 A CN202211144539 A CN 202211144539A CN 115545281 A CN115545281 A CN 115545281A
- Authority
- CN
- China
- Prior art keywords
- scene
- risk
- accident
- clustering
- test 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012360 testing method Methods 0.000 claims abstract description 100
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 47
- 230000006870 function Effects 0.000 claims description 33
- 230000006399 behavior Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims 1
- 230000000007 visual effect Effects 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 4
- 238000012502 risk assessment Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及人工智能领域,公开了一种风险场景识别方法、装置、设备及存储介质,该方法包括:获取历史路测数据,并从历史路测数据中提取各类交通场景下的特征信息和事故信息;基于预设算法对特征信息和事故信息进行计算,得到对应交通场景的事故风险值;将特征信息作为场景标签以及将事故风险值作为预测变量构建模型,并通过模型进行场景聚类,得到聚类结果,聚类结果包括多个场景标签构成的聚类场景和聚类场景对应的风险预测值;根据风险预测值从聚类结果中挑选聚类场景建立事故风险场景库。本方法可以有效地衡量事故风险,并且由于引入了可解释的场景语义标签,使得模型聚类结果更直观、更便于解读,从而更有效地从路测数据中提炼危险场景。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种风险场景识别方法、装置、设备及存储介质。
背景技术
我国自动驾驶汽车研发速度发展非常快,多家企业的自动驾驶汽车开始在道路上进行测试,但目前道路测试的测试成本高、测试周期长、测试事故多等一系列的局限性,单一化、非典型性、不能覆盖所有复杂的特殊场景。自动驾驶汽车试验场测试场景库的建设与应用,无论是对智能驾驶辅助产品还是自动驾驶产品的开发、测试、评价等领域上都是不可缺失的重要环节,其中,对驾驶场景所面临的风险进行评估,可以为驾驶员提供更好的驾驶体验,也可以为自动驾驶***提供安全可靠的信息依据。然而,现有技术中对驾驶场景进行风险评估过于粗略,并不能有效客观地量化场景事故的风险,不能很好的为自动驾驶算法迭代的优先级排定提供客观依据。
发明内容
本发明的主要目的在于解决现有的对驾驶场景进行风险评估过于粗略的技术问题。
本发明第一方面提供了一种风险场景识别方法,包括:获取历史路测数据,并从历史路测数据中提取各类交通场景下的特征信息和事故信息;基于预设算法对所述特征信息和所述事故信息进行计算,得到对应交通场景的事故风险值;将所述特征信息作为场景标签以及将所述事故风险值作为预测变量构建模型,并通过所述模型进行场景聚类,得到聚类结果,所述聚类结果包括多个所述场景标签构成的聚类场景和所述聚类场景对应的风险预测值;根据所述风险预测值从所述聚类结果中挑选聚类场景建立事故风险场景库。
可选的,在本发明第一方面的第一种实现方式中,所述获取历史路测数据,并从历史路测数据中提取各类交通场景下的特征信息和事故信息包括:获取历史路测数据,确定所述历史路测数据对应的交通场景;将所述交通场景下的主车行为数据、障碍物数据和地图数据作为对应的特征信息;将所述交通场景下的接管时间以及问题模块作为对应的事故信息。
可选的,在本发明第一方面的第二种实现方式中,所述算法为核密度算法,所述基于预设算法对所述特征信息和所述事故信息进行计算,得到对应交通场景的事故风险值包括:根据所述事故信息,确定所述交通场景中的事故帧;根据所述交通场景的时间长度和所述交通场景中的事故帧的数量,计算所述交通场景的事故帧密度;根据所述核密度算法的核函数对所述事故帧对应的特征信息、事故信息和事故帧密度,计算所述交通场景的事故风险值。
可选的,在本发明第一方面的第三种实现方式中,所述模型为回归树模型,所述将所述特征信息作为场景标签以及将所述事故风险值作为预测变量构建模型,并通过所述模型进行场景聚类,得到聚类结果包括:针对每一种场景标签,基于该场景标签的预测变量,训练得到所述场景标签对应的一个或多个回归树,其中,每个所述回归树包括两个叶子节点,所述两个叶子节点分别表示所述回归树对应的场景标签的特征值所划分的两个数值区间;根据每个场景标签对应的一个或多个回归树构建回归树模型;通过所述回归树模型进行场景聚类,得到聚类结果。
可选的,在本发明第一方面的第四种实现方式中,所述针对每一种场景标签,基于该场景标签的预测变量,训练得到所述场景标签对应的一个或多个回归树包括:对所述场景标签的每一特征值,基于梯度提升算法确定所述特征值为分界点的回归树,其中,所述回归树的每个叶子节点分别对应一个预测变量;分别确定以每一特征值为分界点的各回归树的增益函数;从各回归树中选择对应的增益函数最大的回归树为当前回归树;获取各场景标签对应的当前回归树的预测变量之和作为输出分值;基于所述场景标签和所述输出分值确定当前的待训练梯度提升树模型的损失函数;判断所述损失函数是否收敛;若是,则根据当前的待训练梯度提升树模型确定所述场景标签对应的一个或多个回归树;若否,则返回对所述场景标签的每一特征值,基于梯度提升算法确定所述特征值为分界点的回归树的步骤。
可选的,在本发明第一方面的第五种实现方式中,所述将所述特征信息作为场景标签以及将所述事故风险值作为预测变量构建模型之后,还包括:获取待识别场景的待识别路测数据;将所述待识别路测数据输入所述回归树模型中,得到所述待识别路测数据对应的风险预测值;判断所述待识别路测数据对应的风险预测值是否大于预设风险阈值;若是,则将待识别路测数据对应的待识别场景识别为事故风险场景。
可选的,在本发明第一方面的第六种实现方式中,所述根据所述风险预测值从所述聚类结果中挑选聚类场景建立事故风险场景库包括:根据所述风险预测值对所述聚类结果中的聚类场景进行降序排序;对降序排序后的聚类结果中排序在预设序号内的聚类场景识别为事故风险场景;根据所述事故风险场景的场景标签以及对应的历史路测数据建立事故风险场景库。
本发明第二方面提供了一种风险场景识别装置,包括:提取模块,用于获取历史路测数据,并从历史路测数据中提取各类交通场景下的特征信息和事故信息;计算模块,用于基于预设算法对所述特征信息和所述事故信息进行计算,得到对应交通场景的事故风险值;模型构建模块,用于将所述特征信息作为场景标签以及将所述事故风险值作为预测变量构建模型,并通过所述模型进行场景聚类,得到聚类结果,所述聚类结果包括多个所述场景标签构成的聚类场景和所述聚类场景对应的风险预测值;场景库构建模块,用于根据所述风险预测值从所述聚类结果中挑选聚类场景建立事故风险场景库。
可选的,在本发明第二方面的第一种实现方式中,所述提取模块具体用于:获取历史路测数据,确定所述历史路测数据对应的交通场景;将所述交通场景下的主车行为数据、障碍物数据和地图数据作为对应的特征信息;将所述交通场景下的接管时间以及问题模块作为对应的事故信息。
可选的,在本发明第二方面的第二种实现方式中,所述算法为核密度算法,所述计算模块具体用于:根据所述事故信息,确定所述交通场景中的事故帧;根据所述交通场景的时间长度和所述交通场景中的事故帧的数量,计算所述交通场景的事故帧密度;根据所述核密度算法的核函数对所述事故帧对应的特征信息、事故信息和事故帧密度,计算所述交通场景的事故风险值。
可选的,在本发明第二方面的第三种实现方式中,所述模型为回归树模型,所述模型构建模块具体包括:树训练单元,用于针对每一种场景标签,基于该场景标签的预测变量,训练得到所述场景标签对应的一个或多个回归树,其中,每个所述回归树包括两个叶子节点,所述两个叶子节点分别表示所述回归树对应的场景标签的特征值所划分的两个数值区间;树模型构建单元,用于根据每个场景标签对应的一个或多个回归树构建回归树模型;聚类单元,用于通过所述回归树模型进行场景聚类,得到聚类结果。
可选的,在本发明第二方面的第四种实现方式中,所述树训练单元具体用于:对所述场景标签的每一特征值,基于梯度提升算法确定所述特征值为分界点的回归树,其中,所述回归树的每个叶子节点分别对应一个预测变量;分别确定以每一特征值为分界点的各回归树的增益函数;从各回归树中选择对应的增益函数最大的回归树为当前回归树;获取各场景标签对应的当前回归树的预测变量之和作为输出分值;基于所述场景标签和所述输出分值确定当前的待训练梯度提升树模型的损失函数;判断所述损失函数是否收敛;若是,则根据当前的待训练梯度提升树模型确定所述场景标签对应的一个或多个回归树;若否,则返回对所述场景标签的每一特征值,基于梯度提升算法确定所述特征值为分界点的回归树的步骤。
可选的,在本发明第二方面的第五种实现方式中,所述风险场景识别装置还包括模型输入模块,所述模型输入模块具体用于:获取待识别场景的待识别路测数据;将所述待识别路测数据输入所述回归树模型中,得到所述待识别路测数据对应的风险预测值;判断所述待识别路测数据对应的风险预测值是否大于预设风险阈值;若是,则将待识别路测数据对应的待识别场景识别为事故风险场景。
可选的,在本发明第二方面的第六种实现方式中,所述场景库构建模块具体用于:根据所述风险预测值对所述聚类结果中的聚类场景进行降序排序;对降序排序后的聚类结果中排序在预设序号内的聚类场景识别为事故风险场景;根据所述事故风险场景的场景标签以及对应的历史路测数据建立事故风险场景库。
本发明第三方面提供了一种风险场景识别设备,包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;所述至少一个处理器调用所述存储器中的所述指令,以使得所述风险场景识别设备执行上述的风险场景识别方法的步骤。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的风险场景识别方法的步骤。
本发明的技术方案中,通过获取历史路测数据,并从历史路测数据中提取各类交通场景下的特征信息和事故信息;基于预设算法对特征信息和事故信息进行计算,得到对应交通场景的事故风险值;将特征信息作为场景标签以及将事故风险值作为预测变量构建模型,并通过模型进行场景聚类,得到聚类结果,聚类结果包括多个场景标签构成的聚类场景和聚类场景对应的风险预测值;根据风险预测值从聚类结果中挑选聚类场景建立事故风险场景库。本方法可以有效地衡量事故风险,并且由于引入了可解释的场景语义标签,使得模型聚类结果更直观、更便于解读,从而更有效地从路测数据中提炼危险场景。
附图说明
图1为本发明实施例中风险场景识别方法的第一个实施例示意图;
图2为本发明实施例中风险场景识别方法的第二个实施例示意图;
图3为本发明实施例中风险场景识别装置的一个实施例示意图;
图4为本发明实施例中风险场景识别装置的另一个实施例示意图;
图5为本发明实施例中风险场景识别设备的一个实施例示意图。
具体实施方式
本申请实施例提供了一种风险场景识别方法、装置、设备及存储介质,用于解决现有的对驾驶场景进行风险评估过于粗略的的技术问题。
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”、“第三”、“第四”等(如果存在)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,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,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。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中风险场景识别方法的第一个实施例包括:
101、获取历史路测数据,并从历史路测数据中提取各类交通场景下的特征信息和事故信息;
可以理解的是,本发明的执行主体可以为风险场景识别装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
在本实施例中,获取历史路测数据,并从历史路测数据中提取各类交通场景下的特征信息和事故信息包括:获取历史路测数据,确定历史路测数据对应的交通场景;将交通场景下的主车行为数据、障碍物数据和地图数据作为对应的特征信息;将交通场景下的接管时间以及问题模块作为对应的事故信息。
具体的,路测数据为自动驾驶车辆路测时记录的所有数据,历史路测数据也就是自动驾驶车辆在以往进行路测过程的路测数据,路测数据主要包括周边障碍物数据、地图数据、主车行为数据等。一般一个交通场景只会从路测数据中截取关键时间段,从关键时间段的路程数据中提取特征信息和事故信息。其中,地图数据可以包括路测过程中的道路类型、道路区域和车道限速等,其中道路类型包括单/多车道、左转/右转/掉头车道等,道路区域包括人行道区域、十字路口区域、环岛区域、城中村区域等,车道限速包括高速、普通城市道路等,障碍物数据是自动驾驶车辆在路测过程中遇到的每个障碍物在每个时刻的位置坐标、所在车道以及距离所在车道起点的距离,障碍物加塞、并道、变道、超车、倒车的行为数据等,主车行为数据可以利用车辆现有的控制模块日志获取,主要包括:车辆是否处于接管状态、车辆加速度、车辆朝向角、车辆实时安全性分数等等。
102、基于预设算法对特征信息和事故信息进行计算,得到对应交通场景的事故风险值;
在本实施例中,所述算法为核密度算法,核密度算法是一种用于估计未知密度函数的概率算法,可以理解为对直方图的一个自然拓展,在本实施例中,核密度算法是针对某一事故帧,利用定义好的核函数对其前后一定范围内的事故密度加权求和取平均,得到它的事故风险值,其中,事故帧可以理解为自动驾驶车辆在进行路测的过程中发生事故的一帧,或者是理解为发生接管行为的一帧,本实施例中,利用核密度算法估计自主定义场景事故风险,将接管行为(离散0/1变量)映射到0~1之间的连续值上,客观量化场景事故风险的同时也为不同场景间的风险比较提供数值依据。
103、将特征信息作为场景标签以及将事故风险值作为预测变量构建模型,并通过模型进行场景聚类,得到聚类结果,聚类结果包括多个场景标签构成的聚类场景和聚类场景对应的风险预测值;
在本实施例中,所述模型主要为回归树模型,回归树模型是一种将决策树模型应用于回归任务的机器学***方误差和,选择最小的平方误差对应的特征与分割点,生成两个叶结点,对上述两个叶结点递归调用步骤,直到满足停止条件。在本实施例中,将回归树模型中的参数设置为最大树深度为5,叶结点最小样本数为5,最大为50。
104、根据风险预测值从聚类结果中挑选聚类场景建立事故风险场景库。
在本实施例中,将回归树模型中的每一个叶结点都代表一个判断条件,若满足条件则往左分支,否则往右。从根结点(最顶上)出发,到叶结点结束(最底下),每一条路径代表一类场景标签的组合,将这些场景按照预测风险降序排列得到高事故风险场景集,并以得到的场景为基础,建立事故风险场景库,供算法团队针对性地优化迭代。
在本实施例中,通过获取历史路测数据,并从历史路测数据中提取各类交通场景下的特征信息和事故信息;基于预设算法对特征信息和事故信息进行计算,得到对应交通场景的事故风险值;将特征信息作为场景标签以及将事故风险值作为预测变量构建模型,并通过模型进行场景聚类,得到聚类结果,聚类结果包括多个场景标签构成的聚类场景和聚类场景对应的风险预测值;根据风险预测值从聚类结果中挑选聚类场景建立事故风险场景库。本方法可以有效地衡量事故风险,并且由于引入了可解释的场景语义标签,使得模型聚类结果更直观、更便于解读,从而更有效地从路测数据中提炼危险场景。
请参阅图2,本发明实施例中风险场景识别方法的第二个实施例包括:
201、获取历史路测数据,并从历史路测数据中提取各类交通场景下的特征信息和事故信息;
202、根据事故信息,确定交通场景中的事故帧;
在本实施例中,历史路测数据包括了主车行为数据,主车行为数据可以利用车辆现有的控制模块日志获取,主要包括:车辆是否处于接管状态、车辆加速度、车辆朝向角、车辆实时安全性分数等等,将其中的车辆是否处于接管状态,以及导致接管状态切换的问题模块作为事故信息,并根据车辆是否处于接管状态确定车辆从非接管状态到接管状态的切换时间,根据该切换时间确定对应的交通场景的事故帧。
203、根据交通场景的时间长度和交通场景中的事故帧的数量,计算交通场景的事故帧密度;
204、根据核密度算法的核函数对事故帧对应的特征信息、事故信息和事故帧密度,计算交通场景的事故风险值;
在本实施例中,对某一事故帧,利用定义好的核函数对其前后一定范围内的事故密度加权求和取平均,得到它的事故风险,公式如下:
205、针对每一种场景标签,基于该场景标签的预测变量,训练得到场景标签对应的一个或多个回归树;
在本实施例中,所述针对每一种场景标签,基于该场景标签的预测变量,训练得到场景标签对应的一个或多个回归树包括:对所述场景标签的每一特征值,基于梯度提升算法确定所述特征值为分界点的回归树,其中,所述回归树的每个叶子节点分别对应一个预测变量;分别确定以每一特征值为分界点的各回归树的增益函数;从各回归树中选择对应的增益函数最大的回归树为当前回归树;获取各场景标签对应的当前回归树的预测变量之和作为输出分值;基于所述场景标签和所述输出分值确定当前的待训练梯度提升树模型的损失函数;判断所述损失函数是否收敛;若是,则根据当前的待训练梯度提升树模型确定所述场景标签对应的一个或多个回归树;若否,则返回对所述场景标签的每一特征值,基于梯度提升算法确定所述特征值为分界点的回归树的步骤。
具体的,每个回归树对应两个叶子节点,且每个回归树的每个叶子节点分别对应一个预测变量,表示,该场景标签的数据位于该叶子节点表示的数值区间时所对应的分数。举例说明,若历史路测数据的多个特征包括:道路类型、道路区域和车道限速。若车道限速的为30公里每小时,针对30公里每小时,可以以该 30公里每小时为特征值,确定出以该特征值为分界点的回归树treeX,treeX包括两个叶子节点:leafX1和leafX2。leafX1表示限速在区间[0,30),leafX2表示限速在区间[30,100]。其中,leafX1对应预测变量fXL,且预测变量fXL表示车道限速位于区间[0,30)时所对应的分数;leafX2对应预测变量fXR,且预测变量fXR 表示车道限速位于区间[30,100]时所对应的分数。
具体的,可以通过以所有特征值为分界点得到的各个回归树的增益函数的大小,选择增益函数最大的回归树作为当前所确定的回归树,回归树模型收敛的条件为为最大树深度为5,叶结点最小样本数为5,最大为50。
206、根据每个场景标签对应的一个或多个回归树构建回归树模型;
207、通过回归树模型进行场景聚类,得到聚类结果;
208、根据风险预测值对聚类结果中的聚类场景进行降序排序;
209、降序排序后的聚类结果中排序在预设序号内的聚类场景识别为事故风险场景;
210、根据事故风险场景的场景标签以及对应的历史路测数据建立事故风险场景库。
在本实施例中,所述根据事故风险场景的场景标签以及对应的历史路测数据建立事故风险场景库包括:根据所述风险预测值对所述聚类结果中的聚类场景进行降序排序;对降序排序后的聚类结果中排序在预设序号内的聚类场景识别为事故风险场景;根据所述事故风险场景的场景标签以及对应的历史路测数据建立事故风险场景库。
具体的,将回归树模型中的每一个叶结点都代表一个判断条件,若满足条件则往左分支,否则往右。从根结点(最顶上)出发,到叶结点结束(最底下),每一条路径代表一类场景标签的组合,将这些场景按照预测风险降序排列得到高事故风险场景集,并以得到的场景为基础,建立事故风险场景库,供算法团队针对性地优化迭代。
在本实施例中,在建立事故风险场景库后,还包括获取待识别场景的待识别路测数据;将所述待识别路测数据输入所述回归树模型中,得到所述待识别路测数据对应的风险预测值;判断所述待识别路测数据对应的风险预测值是否大于预设风险阈值;若是,则将待识别路测数据对应的待识别场景识别为事故风险场景。
本实施例在上一实施例的基础上,详细描述了基于预设算法对所述特征信息和所述事故信息进行计算,得到对应交通场景的事故风险值的过程,通过根据所述事故信息,确定所述交通场景中的事故帧;根据所述交通场景的时间长度和所述交通场景中的事故帧的数量,计算所述交通场景的事故帧密度;根据所述核密度算法的核函数对所述事故帧对应的特征信息、事故信息和事故帧密度,计算所述交通场景的事故风险值。本方法可以有效地衡量事故风险,并且由于引入了可解释的场景语义标签,使得模型聚类结果更直观、更便于解读,从而更有效地从路测数据中提炼危险场景。
上面对本发明实施例中风险场景识别方法进行了描述,下面对本发明实施例中风险场景识别装置进行描述,请参阅图3,本发明实施例中风险场景识别装置一个实施例包括:
提取模块301,用于获取历史路测数据,并从历史路测数据中提取各类交通场景下的特征信息和事故信息;
计算模块302,用于基于预设算法对所述特征信息和所述事故信息进行计算,得到对应交通场景的事故风险值;
模型构建模块303,用于将所述特征信息作为场景标签以及将所述事故风险值作为预测变量构建模型,并通过所述模型进行场景聚类,得到聚类结果,所述聚类结果包括多个所述场景标签构成的聚类场景和所述聚类场景对应的风险预测值;
场景库构建模块304,用于根据所述风险预测值从所述聚类结果中挑选聚类场景建立事故风险场景库。
本发明实施例中,所述风险场景识别装置运行上述风险场景识别方法,所述风险场景识别装置通过获取历史路测数据,并从历史路测数据中提取各类交通场景下的特征信息和事故信息;基于预设算法对特征信息和事故信息进行计算,得到对应交通场景的事故风险值;将特征信息作为场景标签以及将事故风险值作为预测变量构建模型,并通过模型进行场景聚类,得到聚类结果,聚类结果包括多个场景标签构成的聚类场景和聚类场景对应的风险预测值;根据风险预测值从聚类结果中挑选聚类场景建立事故风险场景库。本方法可以有效地衡量事故风险,并且由于引入了可解释的场景语义标签,使得模型聚类结果更直观、更便于解读,从而更有效地从路测数据中提炼危险场景。
请参阅图4,本发明实施例中风险场景识别装置的第二个实施例包括:
提取模块301,用于获取历史路测数据,并从历史路测数据中提取各类交通场景下的特征信息和事故信息;
计算模块302,用于基于预设算法对所述特征信息和所述事故信息进行计算,得到对应交通场景的事故风险值;
模型构建模块303,用于将所述特征信息作为场景标签以及将所述事故风险值作为预测变量构建模型,并通过所述模型进行场景聚类,得到聚类结果,所述聚类结果包括多个所述场景标签构成的聚类场景和所述聚类场景对应的风险预测值;
场景库构建模块304,用于根据所述风险预测值从所述聚类结果中挑选聚类场景建立事故风险场景库。
在本实施例中,所述提取模块301具体用于:获取历史路测数据,确定所述历史路测数据对应的交通场景;将所述交通场景下的主车行为数据、障碍物数据和地图数据作为对应的特征信息;将所述交通场景下的接管时间以及问题模块作为对应的事故信息。
在本实施例中,所述算法为核密度算法,所述计算模块302具体用于:根据所述事故信息,确定所述交通场景中的事故帧;根据所述交通场景的时间长度和所述交通场景中的事故帧的数量,计算所述交通场景的事故帧密度;根据所述核密度算法的核函数对所述事故帧对应的特征信息、事故信息和事故帧密度,计算所述交通场景的事故风险值。
在本实施例中,所述模型为回归树模型,所述模型构建模块303具体包括:树训练单元3031,用于针对每一种场景标签,基于该场景标签的预测变量,训练得到所述场景标签对应的一个或多个回归树,其中,每个所述回归树包括两个叶子节点,所述两个叶子节点分别表示所述回归树对应的场景标签的特征值所划分的两个数值区间;树模型构建单元3032,用于根据每个场景标签对应的一个或多个回归树构建回归树模型;聚类单元3033,用于通过所述回归树模型进行场景聚类,得到聚类结果。
在本实施例中,所述树训练单元3031具体用于:对所述场景标签的每一特征值,基于梯度提升算法确定所述特征值为分界点的回归树,其中,所述回归树的每个叶子节点分别对应一个预测变量;分别确定以每一特征值为分界点的各回归树的增益函数;从各回归树中选择对应的增益函数最大的回归树为当前回归树;获取各场景标签对应的当前回归树的预测变量之和作为输出分值;基于所述场景标签和所述输出分值确定当前的待训练梯度提升树模型的损失函数;判断所述损失函数是否收敛;若是,则根据当前的待训练梯度提升树模型确定所述场景标签对应的一个或多个回归树;若否,则返回对所述场景标签的每一特征值,基于梯度提升算法确定所述特征值为分界点的回归树的步骤。
在本实施例中,所述风险场景识别装置还包括模型输入模块305,所述模型输入模块305具体用于:获取待识别场景的待识别路测数据;将所述待识别路测数据输入所述回归树模型中,得到所述待识别路测数据对应的风险预测值;判断所述待识别路测数据对应的风险预测值是否大于预设风险阈值;若是,则将待识别路测数据对应的待识别场景识别为事故风险场景。
在本实施例中,所述场景库构建模块304具体用于:根据所述风险预测值对所述聚类结果中的聚类场景进行降序排序;对降序排序后的聚类结果中排序在预设序号内的聚类场景识别为事故风险场景;根据所述事故风险场景的场景标签以及对应的历史路测数据建立事故风险场景库。
在本实施中,详细说明了风险场景识别装置的各模块的具体功能和部分模块的单元构成,通过本装置的各模块和各单元,获取历史路测数据,并从历史路测数据中提取各类交通场景下的特征信息和事故信息;基于预设算法对特征信息和事故信息进行计算,得到对应交通场景的事故风险值;将特征信息作为场景标签以及将事故风险值作为预测变量构建模型,并通过模型进行场景聚类,得到聚类结果,聚类结果包括多个场景标签构成的聚类场景和聚类场景对应的风险预测值;根据风险预测值从聚类结果中挑选聚类场景建立事故风险场景库。本方法可以有效地衡量事故风险,并且由于引入了可解释的场景语义标签,使得模型聚类结果更直观、更便于解读,从而更有效地从路测数据中提炼危险场景。
上面图3和图4从模块化功能实体的角度对本发明实施例中的中风险场景识别装置进行详细描述,下面从硬件处理的角度对本发明实施例中风险场景识别设备进行详细描述。
图5是本发明实施例提供的一种风险场景识别设备的结构示意图,该风险场景识别设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)510(例如,一个或一个以上处理器) 和存储器520,一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对风险场景识别设备500中的一系列指令操作。更进一步地,处理器510可以设置为与存储介质530通信,在风险场景识别设备 500上执行存储介质530中的一系列指令操作,以实现上述风险场景识别方法的步骤。
风险场景识别设备500还可以包括一个或一个以上电源540,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口560,和/或,一个或一个以上操作***531,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD 等等。本领域技术人员可以理解,图5示出的风险场景识别设备结构并不构成对本申请提供的风险场景识别设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述风险场景识别方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***或装置、单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
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(可以是个人计算机,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、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,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:其依然可以对前述各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各实施例技术方案的精神和范围。
Claims (10)
1.一种风险场景识别方法,其特征在于,所述风险场景识别方法包括:
获取历史路测数据,并从历史路测数据中提取各类交通场景下的特征信息和事故信息;
基于预设算法对所述特征信息和所述事故信息进行计算,得到对应交通场景的事故风险值;
将所述特征信息作为场景标签以及将所述事故风险值作为预测变量构建模型,并通过所述模型进行场景聚类,得到聚类结果,所述聚类结果包括多个所述场景标签构成的聚类场景和所述聚类场景对应的风险预测值;
根据所述风险预测值从所述聚类结果中挑选聚类场景建立事故风险场景库。
2.根据权利要求1所述的风险场景识别方法,其特征在于,所述获取历史路测数据,并从历史路测数据中提取各类交通场景下的特征信息和事故信息包括:
获取历史路测数据,确定所述历史路测数据对应的交通场景;
将所述交通场景下的主车行为数据、障碍物数据和地图数据作为对应的特征信息;
将所述交通场景下的接管时间以及问题模块作为对应的事故信息。
3.根据权利要求1所述的风险场景识别方法,其特征在于,所述算法为核密度算法,所述基于预设算法对所述特征信息和所述事故信息进行计算,得到对应交通场景的事故风险值包括:
根据所述事故信息,确定所述交通场景中的事故帧;
根据所述交通场景的时间长度和所述交通场景中的事故帧的数量,计算所述交通场景的事故帧密度;
根据所述核密度算法的核函数对所述事故帧对应的特征信息、事故信息和事故帧密度,计算所述交通场景的事故风险值。
4.根据权利要求1所述的风险场景识别方法,其特征在于,所述模型为回归树模型,所述将所述特征信息作为场景标签以及将所述事故风险值作为预测变量构建模型,并通过所述模型进行场景聚类,得到聚类结果包括:
针对每一种场景标签,基于该场景标签的预测变量,训练得到所述场景标签对应的一个或多个回归树,其中,每个所述回归树包括两个叶子节点,所述两个叶子节点分别表示所述回归树对应的场景标签的特征值所划分的两个数值区间;
根据每个场景标签对应的一个或多个回归树构建回归树模型;
通过所述回归树模型进行场景聚类,得到聚类结果。
5.根据权利要求4所述的风险场景识别方法,其特征在于,所述针对每一种场景标签,基于该场景标签的预测变量,训练得到所述场景标签对应的一个或多个回归树包括:
对所述场景标签的每一特征值,基于梯度提升算法确定所述特征值为分界点的回归树,其中,所述回归树的每个叶子节点分别对应一个预测变量;
分别确定以每一特征值为分界点的各回归树的增益函数;
从各回归树中选择对应的增益函数最大的回归树为当前回归树;
获取各场景标签对应的当前回归树的预测变量之和作为输出分值;
基于所述场景标签和所述输出分值确定当前的待训练梯度提升树模型的损失函数;
判断所述损失函数是否收敛;
若是,则根据当前的待训练梯度提升树模型确定所述场景标签对应的一个或多个回归树;
若否,则返回对所述场景标签的每一特征值,基于梯度提升算法确定所述特征值为分界点的回归树的步骤。
6.根据权利要求5所述的风险场景识别方法,其特征在于,所述将所述特征信息作为场景标签以及将所述事故风险值作为预测变量构建模型之后,还包括:
获取待识别场景的待识别路测数据;
将所述待识别路测数据输入所述回归树模型中,得到所述待识别路测数据对应的风险预测值;
判断所述待识别路测数据对应的风险预测值是否大于预设风险阈值;
若是,则将待识别路测数据对应的待识别场景识别为事故风险场景。
7.根据权利要求1所述的风险场景识别方法,其特征在于,所述根据所述风险预测值从所述聚类结果中挑选聚类场景建立事故风险场景库包括:
根据所述风险预测值对所述聚类结果中的聚类场景进行降序排序;
对降序排序后的聚类结果中排序在预设序号内的聚类场景识别为事故风险场景;
根据所述事故风险场景的场景标签以及对应的历史路测数据建立事故风险场景库。
8.一种风险场景识别装置,其特征在于,所述风险场景识别装置包括:
提取模块,用于获取历史路测数据,并从历史路测数据中提取各类交通场景下的特征信息和事故信息;
计算模块,用于基于预设算法对所述特征信息和所述事故信息进行计算,得到对应交通场景的事故风险值;
模型构建模块,用于将所述特征信息作为场景标签以及将所述事故风险值作为预测变量构建模型,并通过所述模型进行场景聚类,得到聚类结果,所述聚类结果包括多个所述场景标签构成的聚类场景和所述聚类场景对应的风险预测值;
场景库构建模块,用于根据所述风险预测值从所述聚类结果中挑选聚类场景建立事故风险场景库。
9.一种风险场景识别设备,其特征在于,所述风险场景识别设备包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述风险场景识别设备执行如权利要求1-7中任一项所述的风险场景识别方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的风险场景识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211144539.5A CN115545281A (zh) | 2022-09-20 | 2022-09-20 | 风险场景识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211144539.5A CN115545281A (zh) | 2022-09-20 | 2022-09-20 | 风险场景识别方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115545281A true CN115545281A (zh) | 2022-12-30 |
Family
ID=84727905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211144539.5A Pending CN115545281A (zh) | 2022-09-20 | 2022-09-20 | 风险场景识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115545281A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116611022A (zh) * | 2023-04-21 | 2023-08-18 | 深圳乐行智慧产业有限公司 | 智慧校园教育大数据融合方法及平台 |
CN116668095A (zh) * | 2023-05-16 | 2023-08-29 | 江苏信创网安数据科技有限公司 | 一种网络安全智能评估方法及*** |
-
2022
- 2022-09-20 CN CN202211144539.5A patent/CN115545281A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116611022A (zh) * | 2023-04-21 | 2023-08-18 | 深圳乐行智慧产业有限公司 | 智慧校园教育大数据融合方法及平台 |
CN116611022B (zh) * | 2023-04-21 | 2024-04-26 | 深圳乐行智慧产业有限公司 | 智慧校园教育大数据融合方法及平台 |
CN116668095A (zh) * | 2023-05-16 | 2023-08-29 | 江苏信创网安数据科技有限公司 | 一种网络安全智能评估方法及*** |
CN116668095B (zh) * | 2023-05-16 | 2024-03-29 | 江苏信创网安数据科技有限公司 | 一种网络安全智能评估方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115545281A (zh) | 风险场景识别方法、装置、设备及存储介质 | |
Dong et al. | Characterizing driving styles with deep learning | |
CN112562328B (zh) | 一种车辆行为预测方法及装置 | |
Snegireva et al. | Traffic sign recognition application using yolov5 architecture | |
CN112905849A (zh) | 一种车辆数据处理的方法及装置 | |
CN110889444A (zh) | 一种基于卷积神经网络的驾驶轨迹特征分类方法 | |
CN116383685A (zh) | 一种基于时空交互图注意力网络的车辆变道检测方法 | |
CN112926630B (zh) | 路线规划方法、装置、电子设备以及计算机可读介质 | |
CN116872961B (zh) | 用于智能驾驶车辆的控制*** | |
US20230350664A1 (en) | Methods and apparatus for automatically labeling data processing events in autonomous driving vehicles via machine learning | |
CN115083199A (zh) | 一种车位信息确定方法及其相关设备 | |
CN112085101A (zh) | 一种高性能高可靠的环境融合感知方法及*** | |
CN115019269A (zh) | 一种环境识别模型训练方法、驾驶控制方法及相关装置 | |
CN114987495A (zh) | 一种面向高度自动驾驶的人机混合决策方法 | |
Tran et al. | Pedestrian activity prediction based on semantic segmentation and hybrid of machines | |
CN115129886A (zh) | 驾驶场景的识别方法、装置及车辆 | |
KR20230144646A (ko) | 미지의-불안전한 시나리오들을 생성하는 것, 자동화된 차량들을 개선하는 것, 컴퓨터 시스템 | |
CN113762043A (zh) | 异常轨迹识别方法及装置 | |
CN112686127A (zh) | 基于gm-hmm的驾驶员超车意图识别方法 | |
CN112232312A (zh) | 基于深度学习的自动驾驶方法、装置和电子设备 | |
CN112036630A (zh) | 一种公路路面降雨量分布估计方法、存储介质及计算设备 | |
CN113688274B (zh) | 骑行路线生成方法、装置、设备及存储介质 | |
CN114863688B (zh) | 一种基于无人机的渣土车智能定位方法及*** | |
CN114814825B (zh) | 一种基于雷达和视频融合的车辆轨迹感知与状态提取方法 | |
Mohammed | Microscopic agent-based modeling and simulation of cyclists on off-street paths |
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 |