行车行为安全性检测方法、装置、设备及存储介质

摘要

本发明实施例提供一种行车行为安全性检测方法、装置、设备及存储介质。本发明实施例的方法，通过在车辆行驶过程中获取车辆当前的行驶数据；根据车辆当前的行驶数据确定车辆当前的行车行为特征数据；将车辆当前的行车行为特征数据输入实时安全检测模型，计算车辆当前的行车行为对应的安全感分数；根据车辆当前的行车行为对应的安全感分数，确定车辆当前的行车行为是否安全，实现了针对车辆的行车行为是否会造成用户产生不安全感来检测车辆当前行车行为的安全性，通常乘车用户对车辆行驶行为产生的不安全感时，车辆还未发生危险，本发明实施例的方法可以辅助车辆驾驶系统的优化，可以降低车辆行驶的安全风险，改善用户乘车体验。

权利要求

1.一种行车行为安全性检测方法，其特征在于，包括：

在车辆行驶过程中，获取车辆当前的行驶数据；

根据所述车辆当前的行驶数据，确定所述车辆当前的行车行为特征数据，所述行车行为特征数据包括行车场景和行车数据，所述行车数据包括车辆位姿数据、速度数据和距离数据；

将所述车辆当前的行车行为特征数据输入实时安全检测模型，计算所述车辆当前的行车行为对应的安全感分数，所述实时安全检测模型由第一训练集中的行车行为特征数据和安全感标注分数对神经网络模型训练得到；其中，所述安全感标注分数是根据乘车用户产生不安全感时刻所发出的不安全感描述信息分析得到的；

根据所述车辆当前的行车行为对应的安全感分数，确定所述车辆当前的行车行为是否安全。

2.根据权利要求1所述的方法，其特征在于，所述行车场景至少包括：跟车、直行、转弯、变道、掉头、起步、停车和环路行驶；

所述速度数据包括：横向行驶速度，纵向行驶速度，以及所述车辆相对于道路元素、交通元素和障碍物元素的速度；

所述距离数据包括：所述车辆相对于道路元素、交通元素和障碍物元素的距离。

3.根据权利要求1或2所述的方法，其特征在于，所述根据所述车辆当前的行车行为对应的安全感分数，确定所述车辆当前的行车行为是否安全，包括：判断所述车辆当前的行车行为对应的安全感分数是否低于预设预警阈值；

若所述车辆当前的行车行为对应的安全感分数低于所述预设预警阈值，则确定所述车辆当前的行车行为不安全；

若所述车辆当前的行车行为对应的安全感分数不低于所述预设预警阈值，则确定所述车辆当前的行车行为安全。

4.根据权利要求3所述的方法，其特征在于，所述若所述车辆当前的行车行为对应的安全感分数低于所述预设预警阈值，则确定所述车辆当前的行车行为不安全之后，还包括：发出安全感低分预警信息。

5.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：获取车辆的历史行程中产生不安全感的时刻和所述产生不安全感的时刻对应的安全感标注分数和历史行驶数据；

根据所述产生不安全感的时刻对应的所述历史行驶数据，确定所述产生不安全感的时刻对应的行车行为特征数据；

将所述产生不安全感的时刻对应的行车行为特征数据和所述安全感标注分数作为一条训练数据，添加到所述第一训练集。

6.根据权利要求5所述的方法，其特征在于，所述获取车辆的历史行程中产生不安全感的时刻和所述产生不安全感的时刻对应的安全感标注分数和历史行驶数据，包括：获取车辆在不同行驶环境下的多个历史行程对应的总体行程数据和用户不安全感描述信息，所述用户不安全感描述信息为在车辆行驶过程中所记录的用于描述乘坐该车辆的用户产生不安全感的信息；

对于任意一个所述历史行程，根据所述历史行程对应的用户不安全感描述信息，确定所述用户不安全感描述信息中出现预设描述信息的时刻，以及所述出现预设描述信息的时刻对应的安全感标注分数；

根据所述行程对应的总体行程数据，确定所述出现预设描述信息的时刻对应的历史行驶数据；

其中，所述用户不安全感描述信息中出现预设描述信息的时刻即是所述历史行程中产生不安全感的时间点。

7.根据权利要求1或2所述的方法，其特征在于，所述根据所述车辆当前的行车行为对应的安全感分数，确定所述车辆当前的行车行为是否安全之后，还包括：在确定所述车辆当前的行车行为不安全时，将当前时刻确定为所述车辆行驶过程中的不安全时刻；

根据所述车辆当前的行车行为特征数据，以及预设的不安全级别的边界信息，确定所述不安全时刻对应的不安全级别。

8.根据权利要求7所述的方法，其特征在于，所述根据所述车辆当前的行车行为对应的安全感分数，确定所述车辆当前的行车行为是否安全之后，还包括：在本次行程结束之后，确定本次行程中每种行车场景对应的不安全时刻的数量。

9.根据权利要求8所述的方法，其特征在于，所述在本次行程结束之后，确定本次行程中每种行车场景对应的不安全时刻的数量之后，还包括：将本次行程中每种行车场景对应的不安全时刻的数量和所述不安全时刻对应的不安全级别输入行程安全感检测模型，计算本次行程对应的安全感总体分数；

其中，所述行程安全感检测模型由第二训练集中的历史行程中每种行车场景对应的不安全的时刻的数量和所述不安全时刻对应的不安全级别、以及所述历史行程对应的总体标注分数，对神经网络模型训练得到。

10.一种行车行为安全性检测装置，其特征在于，包括：

获取模块，用于在车辆行驶过程中，获取车辆当前的行驶数据；

确定模块，用于根据所述车辆当前的行驶数据，确定所述车辆当前的行车行为特征数据，所述行车行为特征数据包括行车场景和行车数据，所述行车数据包括车辆位姿数据、速度数据和距离数据；

计算模块，用于将所述车辆当前的行车行为特征数据输入实时安全检测模型，计算所述车辆当前的行车行为对应的安全感分数，所述实时安全检测模型由第一训练集中的行车行为特征数据和安全感标注分数对神经网络模型训练得到；其中，所述安全感标注分数是根据乘车用户产生不安全感时刻所发出的不安全感描述信息分析得到的；

第一处理模块，用于根据所述车辆当前的行车行为对应的安全感分数，确定所述车辆当前的行车行为是否安全。

11.根据权利要求10所述的装置，其特征在于，所述行车场景至少包括：跟车、直行、转弯、变道、掉头、起步、停车和环路行驶；

所述速度数据包括：横向行驶速度，纵向行驶速度，以及所述车辆相对于道路元素、交通元素和障碍物元素的速度；

所述距离数据包括：所述车辆相对于道路元素、交通元素和障碍物元素的距离。

12.根据权利要求10或11所述的装置，其特征在于，所述第一处理模块还用于：判断所述车辆当前的行车行为对应的安全感分数是否低于预设预警阈值；

若所述车辆当前的行车行为对应的安全感分数低于所述预设预警阈值，则确定所述车辆当前的行车行为不安全；

若所述车辆当前的行车行为对应的安全感分数不低于所述预设预警阈值，则确定所述车辆当前的行车行为安全。

13.根据权利要求12所述的装置，其特征在于，所述第一处理模块还用于：发出安全感低分预警信息。

14.根据权利要求10或11所述的装置，其特征在于，所述装置还包括：模型训练模块，所述模型训练模块用于：获取车辆的历史行程中产生不安全感的时刻和所述产生不安全感的时刻对应的安全感标注分数和历史行驶数据；

根据所述产生不安全感的时刻对应的所述历史行驶数据，确定所述产生不安全感的时刻对应的行车行为特征数据；

将所述产生不安全感的时刻对应的行车行为特征数据和所述安全感标注分数作为一条训练数据，添加到所述第一训练集。

15.根据权利要求14所述的装置，其特征在于，所述模型训练模块还用于：获取车辆在不同行驶环境下的多个历史行程对应的总体行程数据和用户不安全感描述信息，所述用户不安全感描述信息为在车辆行驶过程中所记录的用于描述乘坐该车辆的用户产生不安全感的信息；

对于任意一个所述历史行程，根据所述历史行程对应的用户不安全感描述信息，确定所述用户不安全感描述信息中出现预设描述信息的时刻，以及所述出现预设描述信息的时刻对应的安全感标注分数；

根据所述行程对应的总体行程数据，确定所述出现预设描述信息的时刻对应的历史行驶数据；

其中，所述用户不安全感描述信息中出现预设描述信息的时刻即是所述历史行程中产生不安全感的时间点。

16.根据权利要求10或11所述的装置，其特征在于，所述第一处理模块还用于：在确定所述车辆当前的行车行为不安全时，将当前时刻确定为所述车辆行驶过程中的不安全时刻；

根据所述车辆当前的行车行为特征数据，以及预设的不安全级别的边界信息，确定所述不安全时刻对应的不安全级别。

17.根据权利要求16所述的装置，其特征在于，所述装置还包括：第二处理模块，所述第二处理模块用于：在本次行程结束之后，确定本次行程中每种行车场景对应的不安全时刻的数量。

18.根据权利要求17所述的装置，其特征在于，所述第二处理模块还用于：将本次行程中每种行车场景对应的不安全时刻的数量和所述不安全时刻对应的不安全级别输入行程安全感检测模型，计算本次行程对应的安全感总体分数；

其中，所述行程安全感检测模型由第二训练集中的历史行程中每种行车场景对应的不安全的时刻的数量和所述不安全时刻对应的不安全级别、以及所述历史行程对应的总体标注分数，对神经网络模型训练得到。

19.一种行车行为安全性检测设备，其特征在于，包括：

存储器，处理器，以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，所述处理器运行所述计算机程序时实现如权利要求1-9中任一项所述的方法。

20.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-9中任一项所述的方法。

说明书

行车行为安全性检测方法、装置、设备及存储介质

技术领域

[0001] 本发明实施例涉及通信技术领域，尤其涉及一种行车行为安全性检测方法、装置、设备及存储介质。

背景技术

[0002] 智能车辆是一个集环境感知、规划决策、多等级辅助驾驶等功能于一体的综合系统，它集中运用了计算机、现代传感、信息融合、通讯、人工智能及自动控制等技术，是典型的高新技术综合体。近年来，智能车辆己经成为世界车辆工程领域研究的热点和汽车工业增长的新动力，很多发达国家都将其纳入到各自重点发展的智能交通系统当中。在不远的将来，智能车辆投入使用后将承载真实用户。

[0003] 若要用户放心地乘坐智能车辆，需要智能车辆在行驶过程中的行车行为给用户足够的安全感。但是，目前车辆驾驶系统对智能车辆的控制性能不够好，导致智能车辆在行驶过程中的行车行为容易造成用户的不安全感，车辆行驶安全性不够高。

发明内容

[0004] 本发明实施例提供一种行车行为安全性检测方法、装置、设备及存储介质，用以解决目前车辆驾驶系统对智能车辆的控制性能不够好，导致智能车辆在行驶过程中的行车行为容易造成用户的不安全感，车辆行驶安全性不够高的问题。

[0005] 本发明实施例的一个方面是提供一种行车行为安全性检测方法，包括：

[0006] 在车辆行驶过程中，获取车辆当前的行驶数据；

[0007] 根据所述车辆当前的行驶数据，确定所述车辆当前的行车行为特征数据，所述行车行为特征数据包括行车场景和行车数据，所述行车数据包括车辆位姿数据、速度数据和距离数据；

[0008] 将所述车辆当前的行车行为特征数据输入实时安全检测模型，计算所述车辆当前的行车行为对应的安全感分数，所述实时安全检测模型由第一训练集中的行车行为特征数据和安全感标注分数对神经网络模型训练得到；

[0009] 根据所述车辆当前的行车行为对应的安全感分数，确定所述车辆当前的行车行为是否安全。

[0010] 本发明实施例的另一个方面是提供一种行车行为安全性检测装置，包括：

[0011] 获取模块，用于在车辆行驶过程中，获取车辆当前的行驶数据；

[0012] 确定模块，用于根据所述车辆当前的行驶数据，确定所述车辆当前的行车行为特征数据，所述行车行为特征数据包括行车场景和行车数据，所述行车数据包括车辆位姿数据、速度数据和距离数据；

[0013] 计算模块，用于将所述车辆当前的行车行为特征数据输入实时安全检测模型，计算所述车辆当前的行车行为对应的安全感分数，所述实时安全检测模型由第一训练集中的行车行为特征数据和安全感标注分数对神经网络模型训练得到；

[0014] 第一处理模块，用于根据所述车辆当前的行车行为对应的安全感分数，确定所述车辆当前的行车行为是否安全。

[0015] 本发明实施例的另一个方面是提供一种行车行为安全性检测设备，包括：

[0016] 存储器，处理器，以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，

[0017] 所述处理器运行所述计算机程序时实现上述所述的方法。

[0018] 本发明实施例的另一个方面是提供一种计算机可读存储介质，存储有计算机程序，

[0019] 所述计算机程序被处理器执行时实现上述所述的方法。

[0020] 本发明实施例提供的行车行为安全性检测方法、装置、设备及存储介质，通过在车辆行驶过程中获取车辆当前的行驶数据；根据车辆当前的行驶数据，确定车辆当前的行车行为特征数据；将车辆当前的行车行为特征数据输入实时安全检测模型，计算车辆当前的行车行为对应的安全感分数；根据车辆当前的行车行为对应的安全感分数，确定车辆当前的行车行为是否安全，实现了针对车辆的行车行为是否会造成用户产生不安全感来检测车辆当前行车行为的安全性，通常乘车用户对车辆行驶行为产生的不安全感时，车辆还未发生危险，针对车辆的行车行为是否会造成用户产生不安全感来检测车辆当前行车行为的安全性，可以辅助车辆驾驶系统的优化，可以降低车辆行驶的安全风险，改善用户乘车体验。

附图说明

[0021] 图1为本发明实施例一提供的行车行为安全性检测方法流程图；

[0022] 图2为本发明实施例二提供的行车行为安全性检测方法流程图；

[0023] 图3为本发明实施例三提供的行车行为安全性检测方法流程图；

[0024] 图4为本发明实施例四提供的行车行为安全性检测装置的结构示意图；

[0025] 图5为本发明实施例五提供的行车行为安全性检测装置的结构示意图；

[0026] 图6为本发明实施例六提供的行车行为安全性检测装置的结构示意图；

[0027] 图7为本发明实施例七提供的行车行为安全性检测设备的结构示意图。

[0028] 通过上述附图，已示出本发明明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本发明实施例构思的范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。

具体实施方式

[0029] 这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明实施例的一些方面相一致的装置和方法的例子。

[0030] 本发明实施例所涉及的术语“第一”、“第二”等仅用于描述目的，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。在以下各实施例的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。

[0031] 下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。

[0032] 实施例一

[0033] 图1为本发明实施例一提供的行车行为安全性检测方法流程图。本发明实施例针对目前车辆驾驶系统对智能车辆的控制性能不够好，导致智能车辆在行驶过程中的行车行为容易造成用户的不安全感，车辆行驶安全性不够高的问题，提供了行车行为安全性检测方法。本实施例中的方法应用于终端设备，该终端设备可以是车载终端，也可以是可以与车载终端进行通信的计算机设备等，在其他实施例中，该方法还可应用于其他设备，本实施例以服务器设备为例进行示意性说明。如图1所示，该方法具体步骤如下：

[0034] 步骤S101、在车辆行驶过程中，获取车辆当前的行驶数据。

[0035] 本实施例中所涉及的车辆为可在自动驾驶系统的控制下完成自动驾驶的智能车辆。

[0036] 其中，车辆的行驶数据包括自动驾驶系统所能获取的、用于控制智能车辆进行自动驾驶的所有数据。

[0037] 具体的，行驶数据可以包括：车辆四周的交通元素、道路元素和障碍物元素等行驶环境信息，车辆的位姿数据，车辆的横向行驶速度、纵向行驶速度、车辆相对于交通元素、道路元素和障碍物元素的速度等速度数据，车辆相对于交通元素、道路元素和障碍物元素的距离等距离数据，以及用于控制车辆行驶的导航线路、车辆控制信息等，本发明实施例此处不做具体限定。

[0038] 道路元素可以包括：车道线，路口停止线，人行横道，减速带，高速收费站等等。例如，车道线可以包括以下信息：有无车道线，白实线，白虚线，白色虚实线，双白实线，黄实线，黄虚线，黄色虚实线，双黄实线等等。

[0039] 交通元素可以包括：交通信号灯信息，限速信息等等。

[0040] 障碍物元素可以包括：道路上的栅栏、绿化带、锥筒、侵入道路的植物、路桩、指示牌、突出路面的井盖、以及其他路面异物等静态障碍物，还可以包括：小型机动车、公交车、大货车、自行车、非机动车、以及特殊车辆(如警车，救护车，消防车等)等行驶中的车辆，行人，动物，以及其他动态异物等动态障碍物。

[0041] 本实施例中的道路元素、交通元素和障碍物元素还可以包括在智能车辆的行驶过程中会对智能车辆的自动行驶有影响的其他道路环境中的其他物体，本实施例此处不做具体限定。

[0042] 步骤S102、根据车辆当前的行驶数据，确定车辆当前的行车行为特征数据，行车行为特征数据包括行车场景和行车数据，行车数据包括车辆位姿数据、速度数据和距离数据。

[0043] 其中，行车场景为预先根据大量历史数据总结出的多个车辆行驶的具体场景。行车场景至少可以包括跟车、直行、转弯、变道、掉头、起步、停车和环路行驶等场景。

[0044] 例如，转弯场景具体可以包括左转弯和右转弯；变道场景具体可以包括向左规划变道和向右规划变道；停车场景具体可以包括终点停车、靠边停车、倒车入库停车、侧方入库停车、以及正向入库停车等；环路行驶场景具体可以包括汇入环岛、出环岛、以及盘桥等。

[0045] 另外，本实施例中对于行车场景的类型和确定车辆当前场景的具体条件可以由技术人员根据实际情况进行设定，本实施例此处不做具体限定。

[0046] 本实施例中，速度数据包括：横向行驶速度，纵向行驶速度，以及车辆相对于道路元素、交通元素和障碍物元素的速度。距离数据包括：车辆相对于道路元素、交通元素和障碍物元素的距离。

[0047] 该步骤中，根据车辆当前的行驶数据，确定车辆当前的行车行为特征数据，具体可以采用现有技术中根据车辆行驶数据确定车辆的行车场景以及车辆位姿数据、速度数据和距离数据等行车数据的方法实现，本实施例此处不再赘述。

[0048] 另外，本实施例中的行车场景以及道路元素、交通元素和障碍物元素扥够可以根据车辆在实际应用中的实际情况进行增加或者减少，本实施例此处不做具体限定。

[0049] 步骤S103、将车辆当前的行车行为特征数据输入实时安全检测模型，计算车辆当前的行车行为对应的安全感分数。

[0050] 其中，实时安全检测模型的输入数据为某一时刻车辆对应的行车行为特征数据，输出数据为该时刻车辆的行车行为对应的安全感分数。

[0051] 本实施例中，实时安全检测模型由第一训练集中的行车行为特征数据和安全感标注分数对神经网络模型训练得到。第一训练集中包括多条训练数据，每一条训练数据是由车辆的行车行为特征数据和对应的安全感标注分数组成的一组数据。

[0052] 第一训练集可以根据收集到大量真实的历史行驶数据得到的，具体的，可以在多种不同的路网条件下、由数量众多的用户乘坐车辆，在车辆行驶的过程中，乘车用户在产生不安全感时实时地发出用户不安全感描述信息，并给出相应的安全感标注分数。车辆上的终端设备会接收用户不安全感描述信息，并通过对用户不安全感描述信息进行分析可以得到用户产生不安全感的时刻以及对应的安全感标注分数。

[0053] 可选的，终端设备可以直接采集用户不安全感描述信息；或者，车辆上可以安装有其他用于实时获取用户不安全感描述信息的数据采集装置，终端设备可以接收该数据采集装置采集并发送的用户不安全感描述信息。其中，数据采集装置可以是任何能够实时地采集用户不安全感描述信息的装置，本实施例此处不做具体限定。

[0054] 可选的，用户不安全感描述信息可以是语音信息。乘车用户可以实时地口述是产生不安全感的信息，可以描述产生不安全感的行车场景并给出安全感标注分数；车辆上的终端设备可以实时采集用户的语音信息。在行程结束后，终端设备可以对该行程中采集的乘车用户的语音信息进行语义分析处理，用户不安全感描述信息中出现预设描述信息的时刻，以及出现预设描述信息的时刻对应的安全感标注分数，从而可以得到该行程对应的多条训练数据。

[0055] 其中，预设描述信息可以是用于表示用户的不安全感的信息，例如，可以是“危险”、“不安全”等，预设描述信息可以由技术人员根据实际情况进行设定，本实施例此处不做具体限定。

[0056] 步骤S104、根据车辆当前的行车行为对应的安全感分数，确定车辆当前的行车行为是否安全。

[0057] 具体的，根据车辆当前的行车行为对应的安全感分数，若车辆当前的行车行为对应的安全感分数低，则可以确定车辆当前的行车行为不安全；若车辆当前的行车行为对应的安全感分数较高，则可以确定车辆当前的行车行为安全。

[0058] 本发明实施例通过在车辆行驶过程中获取车辆当前的行驶数据；根据车辆当前的行驶数据，确定车辆当前的行车行为特征数据；将车辆当前的行车行为特征数据输入实时安全检测模型，计算车辆当前的行车行为对应的安全感分数；根据车辆当前的行车行为对应的安全感分数，确定车辆当前的行车行为是否安全，实现了针对车辆的行车行为是否会造成用户产生不安全感来检测车辆当前行车行为的安全性，通常乘车用户对车辆行驶行为产生的不安全感时，车辆还未发生危险，针对车辆的行车行为是否会造成用户产生不安全感来检测车辆当前行车行为的安全性，可以辅助车辆驾驶系统的优化，可以降低车辆行驶的安全风险，改善用户乘车体验。

[0059] 实施例二

[0060] 图2为本发明实施例二提供的行车行为安全性检测方法流程图。在上述实施例一的基础上，本实施例中，在确定车辆当前的行车行为不安全之后，还包括：发出安全感低分预警信息。如图2所示，该方法具体步骤如下：

[0061] 步骤S201、在车辆行驶过程中，获取车辆当前的行驶数据。

[0062] 该步骤与上述步骤S101一致，本实施例此处不再赘述。

[0063] 可选的，本实施例中可以通过时间窗口的方式控制对车辆的行车行为安全性的检测。时间窗口的大小可以不固定，可以由技术人员根据实际需要进行设定。

[0064] 步骤S202、根据车辆当前的行驶数据，确定车辆当前的行车行为特征数据，行车行为特征数据包括行车场景和行车数据，行车数据包括车辆位姿数据、速度数据和距离数据。

[0065] 该步骤与上述步骤S102一致，本实施例此处不再赘述。

[0066] 可选的，还可以预先设定需要对车辆行车行为的安全性进行检测的车场景的检测集合，在确定车辆当前的行车行为特征数据之后，确定车辆当前的行车场景是否属于上述行车场景的检测集合；若属于，则执行后续步骤S203-S205；若不属于，则停止，不再执行后续步骤S203-S205。

[0067] 步骤S203、将车辆当前的行车行为特征数据输入实时安全检测模型，计算车辆当前的行车行为对应的安全感分数。

[0068] 其中，实时安全检测模型的输入数据为某一时刻车辆对应的行车行为特征数据，输出数据为该时刻车辆的行车行为对应的安全感分数。

[0069] 本实施例中，实时安全检测模型由第一训练集中的行车行为特征数据和安全感标注分数对神经网络模型训练得到。第一训练集中包括多条训练数据，每一条训练数据是由车辆的行车行为特征数据和对应的安全感标注分数组成的一组数据。

[0070] 第一训练集可以根据收集到大量真实的历史行驶数据得到的，具体的，获取第一训练集，具体可以采用如下方式实现：

[0071] 获取车辆的历史行程中产生不安全感的时刻和产生不安全感的时刻对应的安全感标注分数和历史行驶数据；根据产生不安全感的时刻对应的历史行驶数据，确定产生不安全感的时刻对应的行车行为特征数据；将产生不安全感的时刻对应的行车行为特征数据和安全感标注分数作为一条训练数据，添加到第一训练集。

[0072] 获取车辆的历史行程中产生不安全感的时刻和产生不安全感的时刻对应的安全感标注分数和历史行驶数据，具体可以采用如下方式实现：

[0073] 获取车辆在不同行驶环境下的多个历史行程对应的总体行程数据和用户不安全感描述信息，用户不安全感描述信息为在车辆行驶过程中所记录的用于描述乘坐该车辆的用户产生不安全感的信息；对于任意一个历史行程，根据历史行程对应的用户不安全感描述信息，确定用户不安全感描述信息中出现预设描述信息的时刻，以及出现预设描述信息的时刻对应的安全感标注分数；根据行程对应的总体行程数据，确定出现预设描述信息的时刻对应的历史行驶数据。

[0074] 其中，用户不安全感描述信息中出现预设描述信息的时刻即是历史行程中产生不安全感的时间点。

[0075] 具体的，可以在多种不同的路网条件和多种不同的天气条件下，由数量众多的用户进行车辆乘坐体验和测试，可以得到车辆在不同行驶环境下的多个历史行程对应的总体行程数据和用户不安全感描述信息。对于每一个行程，在车辆行驶的过程中，终端设备可以记录车辆的总体行程数据；乘车用户可以在产生不安全感时实时地发出用户不安全感描述信息，并给出相应的安全感标注分数。车辆上的终端设备会接收用户不安全感描述信息，并通过对用户不安全感描述信息进行分析可以得到用户产生不安全感的时刻以及对应的安全感标注分数。

[0076] 可选的，终端设备可以直接采集用户不安全感描述信息；或者，车辆上可以安装有其他用于实时获取用户不安全感描述信息的数据采集装置，终端设备可以接收该数据采集装置采集并发送的用户不安全感描述信息。其中，数据采集装置可以是任何能够实时地采集用户不安全感描述信息的装置，本实施例此处不做具体限定。

[0077] 可选的，用户不安全感描述信息可以是语音信息。乘车用户可以实时地口述是产生不安全感的信息，可以描述产生不安全感的行车场景并给出安全感标注分数；车辆上的终端设备可以实时采集用户的语音信息。在行程结束后，终端设备可以对该行程中采集的乘车用户的语音信息进行语义分析处理，用户不安全感描述信息中出现预设描述信息的时刻，以及出现预设描述信息的时刻对应的安全感标注分数，从而可以得到该行程对应的多条训练数据。

[0078] 其中，预设描述信息可以是用于表示用户的不安全感的信息，例如，可以是“危险”、“不安全”等，预设描述信息可以由技术人员根据实际情况进行设定，本实施例此处不做具体限定。

[0079] 另外，根据行程对应的总体行程数据，确定出现预设描述信息的时刻对应的历史行驶数据，具体可以确定出现预设描述信息的时刻对应的行车场景，获取与该行车场景相关的时间范围内的车辆的历史行驶数据；或者还可以根据出现预设描述信息的时刻，获取出现预设描述信息的时刻所在的预设时间范围内的车辆的历史行驶数据；或者还可以采用其他方式确定出现预设描述信息的时刻对应的历史行驶数据，本实施例此处不做具体限定。

[0080] 其中，预设时间范围可以由技术人员根据实际需要进行设定，本实施例此处不做具体限定。

[0081] 可选的，在采用第一训练集对行程安全感检测模型进行训练时，可以将第以训练拆分为两个子集，第一个子集用于对行程安全感检测模型进行训练，第二个子集用于对通过第一个子集训练后得到的行程安全感检测模型的准确率进行测试，当行程安全感检测模型的准确率达到预设第一准确率时，行程安全感检测模型可以投入使用。其中预设第一准确率可以由技术人员根据实际需要进行设定，本实施例此处不做具体限定。

[0082] 步骤S204、根据车辆当前的行车行为对应的安全感分数，确定车辆当前的行车行为是否安全。

[0083] 具体的，可以根据预设预警阈值，判断车辆当前的行车行为对应的安全感分数是否低于预设预警阈值。

[0084] 若车辆当前的行车行为对应的安全感分数低于预设预警阈值，则确定车辆当前的行车行为不安全，执行步骤S205。

[0085] 若所述车辆当前的行车行为对应的安全感分数不低于所述预设预警阈值，也即是车辆当前的行车行为对应的安全感分数等于或者高于预设预警阈值，则确定车辆当前的行车行为安全，此时无需进行操作或提示。

[0086] 其中，预设预警阈值可以由技术人员根据实际需要进行设定，本实施例此处不做具体限定。

[0087] 步骤S205、若确定车辆当前的行车行为不安全，发出安全感低分预警信息。

[0088] 其中，安全感低分预警信息可以是语音提示信息、或者警示信号、或者车辆上的显示装置显示的可视信息等等，本实施例此处不做具体限定。

[0089] 可选的，在确定车辆当前的行车行为不安全时，还可以将当前时刻确定为车辆行驶过程中的不安全时刻；根据车辆当前的行车行为特征数据，以及预设的不安全级别的边界信息，确定不安全时刻对应的不安全级别。

[0090] 可选的，发出安全感低分预警信息中可以包括当前的不安全时刻对应的不安全级别。

[0091] 本发明实施例通过在车辆当前的行车行为对应的安全感分数低于预设预警阈值时，确定车辆当前的行车行为不安全，并发出安全感低分预警信息，可以提醒车辆驾驶人员或者乘车人员判断当前车辆控制是否合理，辅助驾驶人员或者乘车人员对车辆进行控制，从而可以提高车辆行驶的安全性。

[0092] 实施例三

[0093] 图3为本发明实施例三提供的行车行为安全性检测方法流程图。在上述实施例一或者实施例二的基础上，本实施例中，在本次行程结束之后，还可以通过行程安全感检测模型对车辆本次行程的安全性进行检测，计算得到本次行程对应的安全感总体分数。如图3所示，该方法具体步骤如下：

[0094] 步骤S301、在车辆行驶过程中，获取车辆当前的行驶数据。

[0095] 该步骤与上述步骤S201一致，本实施例此处不再赘述。

[0096] 步骤S302、根据车辆当前的行驶数据，确定车辆当前的行车行为特征数据，行车行为特征数据包括行车场景和行车数据，行车数据包括车辆位姿数据、速度数据和距离数据。

[0097] 该步骤与上述步骤S202一致，本实施例此处不再赘述。

[0098] 步骤S303、将车辆当前的行车行为特征数据输入实时安全检测模型，计算车辆当前的行车行为对应的安全感分数。

[0099] 该步骤与上述步骤S203一致，本实施例此处不再赘述。

[0100] 步骤S304、根据车辆当前的行车行为对应的安全感分数，确定车辆当前的行车行为是否安全。

[0101] 该步骤与上述步骤S204一致，本实施例此处不再赘述。

[0102] 步骤S305、在确定车辆当前的行车行为不安全时，将当前时刻确定为车辆行驶过程中的不安全时刻。

[0103] 本实施例中，在本次行程中，每当确定车辆当前的行车行为不安全时，将当前时刻记录为车辆行驶过程中的不安全时刻。

[0104] 步骤S306、根据车辆当前的行车行为特征数据，以及预设的不安全级别的边界信息，确定不安全时刻对应的不安全级别。

[0105] 本实施例中，可以针对不同的行车场景，为每个行车场景预先设定一个或者多个不安全级别，并提供每个不安全级别的边界信息。

[0106] 其中，不安全级别的边界信息可以包括行车场景中影响用户心理安全感的一个或者多个核心指标。

[0107] 例如，跟车场景中的核心指标可以包括安全时距，安全时距由主车和前车车速、主车和前车之间的距离共同决定。

[0108] 可选的，不安全级别的边界信息可以是精确的一组边界值，或者也可以是一个区间分布。不安全级别的边界信息具体可以通过对历史行驶数据进行分析统计后得到，本实施例此处不做具体限定。

[0109] 例如，对于跟车场景，针对普通城市道路，可以设定前后车辆初试间距300米，前车以0km/h、10km/h、20km/h、30km/h、40km/h、50km/h等多个不同速度匀速行驶，后车以10km/h、20km/h、30km/h、40km/h、50km/h、60km/h等多个不同速度匀速行驶，进行多种情况的排列组合进行多组实验，由多组用户分别乘坐多辆车辆的副驾驶、后排左、后排中、后排右等不同位置，用户使用可以通过移动终端、或者车辆上的数据采集装置记录下行驶过程中由于主车离前车距离太近产生不安全感的时间点以及安全感标注分数。

[0110] 步骤S307、在本次行程结束之后，确定本次行程中每种行车场景对应的不安全时刻的数量。

[0111] 步骤S308、将本次行程中每种行车场景对应的不安全时刻的数量和不安全时刻对应的不安全级别输入行程安全感检测模型，计算本次行程对应的安全感总体分数。

[0112] 其中，行程安全感检测模型由第二训练集中的历史行程中每种行车场景对应的不安全的时刻的数量和不安全时刻对应的不安全级别、以及历史行程对应的总体标注分数，对神经网络模型训练得到。

[0113] 第二训练集中包括多条训练数据，每一条训练数据是由一次完整行程对应的每种行车场景对应的不安全时刻的数量和不安全时刻对应的不安全级别，以及安全感总体分数组成的一组数据。第二训练集可以根据收集到大量真实的历史行驶数据得到的。

[0114] 第二训练集中每一组训练数据中的安全感总体分数可以由每一次历史行程结束后由乘车用户进行总体行程的安全感进行实际打分得到。

[0115] 第二训练集中每一组训练数据中的每一次历史行程对应的每种行车场景对应的不安全时刻的数量和不安全时刻对应的不安全级别的具体方法与上述步骤S301-S307类似，本实施例此处不再赘述。

[0116] 可选的，行程安全感检测模型中，可以为不同的行车场景设置不同的权重，通过第二训练集对行程安全感检测模型中的权重值进行训练。

[0117] 可选的，在采用第二训练集对行程安全感检测模型进行训练时，可以将第二训练拆分为两个子集，第一个子集用于对行程安全感检测模型进行训练，第二个子集用于对通过第一个子集训练后得到的行程安全感检测模型的准确率进行测试，当行程安全感检测模型的准确率达到预设第二准确率时，行程安全感检测模型可以投入使用。其中预设第一准确率可以由技术人员根据实际需要进行设定，本实施例此处不做具体限定。

[0118] 另外，由于任何一次行程，都是可以拆解为典型行车场景的组合，所以行程安全感检测模型具有一定的路网普适性。为保证行程安全感检测模型的完备性，数据采样过程需要全面大量的采集各种不同行车场景的样本数据，在训练出基础模型后，需要上路进行测试和应用，测试数据可用来进一步辅助优化模型，提升模型准确率，如此不断迭代。

[0119] 本发明实施例通过将本次行程中每种行车场景对应的不安全时刻的数量和所述不安全时刻对应的不安全级别输入行程安全感检测模型，计算本次行程对应的安全感总体分数，从而可以用于评定车辆驾驶系统的安全性，对于判断自动驾驶车辆是否具备安全上路的能力提供了判断依据。

[0120] 实施例四

[0121] 图4为本发明实施例四提供的行车行为安全性检测装置的结构示意图。本发明实施例提供的行车行为安全性检测装置可以执行行车行为安全性检测方法实施例提供的处理流程。如图4所示，该装置40包括：获取模块401，确定模块402，计算模块403和第一处理模块404。

[0122] 具体地，获取模块401，用于在车辆行驶过程中，获取车辆当前的行驶数据。

[0123] 确定模块402，用于根据车辆当前的行驶数据，确定车辆当前的行车行为特征数据，行车行为特征数据包括行车场景和行车数据，行车数据包括车辆位姿数据、速度数据和距离数据。

[0124] 计算模块403，用于将车辆当前的行车行为特征数据输入实时安全检测模型，计算车辆当前的行车行为对应的安全感分数，实时安全检测模型由第一训练集中的行车行为特征数据和安全感标注分数对神经网络模型训练得到。

[0125] 第一处理模块404用于根据车辆当前的行车行为对应的安全感分数，确定车辆当前的行车行为是否安全。

[0126] 本发明实施例提供的装置可以具体用于执行上述实施例一所提供的方法实施例，具体功能此处不再赘述。

[0127] 其中，行车场景至少包括：跟车、直行、转弯、变道、掉头、起步、停车和环路行驶。

[0128] 速度数据包括：横向行驶速度，纵向行驶速度，以及车辆相对于道路元素、交通元素和障碍物元素的速度。

[0129] 距离数据包括：车辆相对于道路元素、交通元素和障碍物元素的距离。

[0130] 本发明实施例通过在车辆行驶过程中获取车辆当前的行驶数据；根据车辆当前的行驶数据，确定车辆当前的行车行为特征数据；将车辆当前的行车行为特征数据输入实时安全检测模型，计算车辆当前的行车行为对应的安全感分数；根据车辆当前的行车行为对应的安全感分数，确定车辆当前的行车行为是否安全，实现了针对车辆的行车行为是否会造成用户产生不安全感来检测车辆当前行车行为的安全性，通常乘车用户对车辆行驶行为产生的不安全感时，车辆还未发生危险，针对车辆的行车行为是否会造成用户产生不安全感来检测车辆当前行车行为的安全性，可以辅助车辆驾驶系统的优化，可以降低车辆行驶的安全风险，改善用户乘车体验。

[0131] 实施例五

[0132] 图5为本发明实施例五提供的行车行为安全性检测装置的结构示意图。在上述实施例四的基础上，本实施例中，如图5所示，该装置40还包括：模型训练模块405。

[0133] 具体的，模型训练模块405用于：

[0134] 获取车辆的历史行程中产生不安全感的时刻和产生不安全感的时刻对应的安全感标注分数和历史行驶数据；根据产生不安全感的时刻对应的历史行驶数据，确定产生不安全感的时刻对应的行车行为特征数据；将产生不安全感的时刻对应的行车行为特征数据和安全感标注分数作为一条训练数据，添加到第一训练集。

[0135] 可选的，模型训练模块405还用于：

[0136] 获取车辆在不同行驶环境下的多个历史行程对应的总体行程数据和用户不安全感描述信息，用户不安全感描述信息为在车辆行驶过程中所记录的用于描述乘坐该车辆的用户产生不安全感的信息；对于任意一个历史行程，根据历史行程对应的用户不安全感描述信息，确定用户不安全感描述信息中出现预设描述信息的时刻，以及出现预设描述信息的时刻对应的安全感标注分数；根据行程对应的总体行程数据，确定出现预设描述信息的时刻对应的历史行驶数据。

[0137] 其中，用户不安全感描述信息中出现预设描述信息的时刻即是历史行程中产生不安全感的时间点。

[0138] 可选的，第一处理模块404还用于：

[0139] 判断车辆当前的行车行为对应的安全感分数是否低于预设预警阈值；若车辆当前的行车行为对应的安全感分数低于预设预警阈值，则确定车辆当前的行车行为不安全；若所述车辆当前的行车行为对应的安全感分数不低于所述预设预警阈值，则确定所述车辆当前的行车行为安全。

[0140] 可选的，第一处理模块404还用于：发出安全感低分预警信息。

[0141] 本发明实施例提供的装置可以具体用于执行上述实施例二所提供的方法实施例，具体功能此处不再赘述。

[0142] 本发明实施例通过在车辆当前的行车行为对应的安全感分数低于预设预警阈值时，确定车辆当前的行车行为不安全，并发出安全感低分预警信息，可以提醒车辆驾驶人员或者乘车人员判断当前车辆控制是否合理，辅助驾驶人员或者乘车人员对车辆进行控制，从而可以提高车辆行驶的安全性。

[0143] 实施例六

[0144] 图6为本发明实施例六提供的行车行为安全性检测装置的结构示意图。在上述实施例一或者实施例二的基础上，本实施例中，第一处理模块404还用于：

[0145] 在确定车辆当前的行车行为不安全时，将当前时刻确定为车辆行驶过程中的不安全时刻；根据车辆当前的行车行为特征数据，以及预设的不安全级别的边界信息，确定不安全时刻对应的不安全级别。

[0146] 如图6所示，该装置40还包括：第二处理模块406，第二处理模块406用于：

[0147] 在本次行程结束之后，确定本次行程中每种行车场景对应的不安全时刻的数量。

[0148] 第二处理模块406还用于：将本次行程中每种行车场景对应的不安全时刻的数量和不安全时刻对应的不安全级别输入行程安全感检测模型，计算本次行程对应的安全感总体分数；其中，行程安全感检测模型由第二训练集中的历史行程中每种行车场景对应的不安全的时刻的数量和不安全时刻对应的不安全级别、以及历史行程对应的总体标注分数，对神经网络模型训练得到。

[0149] 本发明实施例提供的装置可以具体用于执行上述实施例三所提供的方法实施例，具体功能此处不再赘述。

[0150] 本发明实施例通过将本次行程中每种行车场景对应的不安全时刻的数量和所述不安全时刻对应的不安全级别输入行程安全感检测模型，计算本次行程对应的安全感总体分数，从而可以用于评定车辆驾驶系统的安全性，对于判断自动驾驶车辆是否具备安全上路的能力提供了判断依据。

[0151] 实施例七

[0152] 图7为本发明实施例七提供的行车行为安全性检测设备的结构示意图。如图7所示，该设备70包括：处理器701，存储器702，以及存储在存储器702上并可由处理器701执行的计算机程序。

[0153] 处理器701在执行存储在存储器702上的计算机程序时实现上述任一方法实施例提供的行车行为安全性检测方法。

[0154] 本发明实施例通过在车辆行驶过程中获取车辆当前的行驶数据；根据车辆当前的行驶数据，确定车辆当前的行车行为特征数据；将车辆当前的行车行为特征数据输入实时安全检测模型，计算车辆当前的行车行为对应的安全感分数；根据车辆当前的行车行为对应的安全感分数，确定车辆当前的行车行为是否安全，实现了针对车辆的行车行为是否会造成用户产生不安全感来检测车辆当前行车行为的安全性，通常乘车用户对车辆行驶行为产生的不安全感时，车辆还未发生危险，针对车辆的行车行为是否会造成用户产生不安全感来检测车辆当前行车行为的安全性，可以辅助车辆驾驶系统的优化，可以降低车辆行驶的安全风险，改善用户乘车体验。

[0155] 另外，本发明实施例还提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述任一方法实施例提供的方法。

[0156] 在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，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，仅仅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系统，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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

[0157] 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网络单元上。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。

[0158] 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，也可以采用硬件加软件功能单元的形式实现。

[0159] 上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元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)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。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。

[0160] 本领域技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

[0161] 本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求书指出。

[0162] 应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求书来限制。